BAB 4 ORGANISASI BERBASIS PROSES
5.3 Teknik Pengambilan Keputusan
Teknik keputusan yang terlibat dalam pemodelan dan pelaksanaan proses pengambilan keputusan:
5.3.1 Pemrograman Matematika
Pemrograman matematika, atau optimasi, mengacu pada studi masalah pengambilan keputusan di mana seseorang berusaha untuk meminimalkan atau memaksimalkan fungsi dengan secara sistematis memilih nilai-nilai variabel dari himpunan yang diperbolehkan (set yang layak). Sebuah model pemrograman matematika mencakup tiga set elemen: variabel keputusan, fungsi tujuan, dan kendala (kondisi kendala), di mana variabel atau parameter tak terkendali berada dalam fungsi tujuan dan kendala. Banyak masalah keputusan dunia nyata dapat dimodelkan dengan model pemrograman matematika.
Berbagai jenis model pemrograman matematika:
Pemrograman linier
Pemrograman multi-tujuan
Pemrograman dua level/multi level
Pemrograman linier adalah jenis penting dari optimasi matematika di mana hanya ada satu fungsi tujuan, dan fungsi tujuan dan kendala adalah ekspresi dari hubungan linier antara variabel keputusan. Pemrograman linier banyak digunakan dalam berbagai kegiatan manajemen, baik untuk memaksimalkan keuntungan atau meminimalkan biaya organisasi.
5.3.2 Pengambilan Keputusan Multi-Kriteria
Ketika kita perlu memilih opsi terbaik dari daftar alternatif berdasarkan beberapa kriteria untuk masalah keputusan, seringkali perlu untuk menganalisis setiap alternatif berdasarkan penentuan masing-masing kriteria ini. Pengambilan keputusan multi-kriteria (MCDM), juga disebut pengambilan keputusan multi-atribut (MADM), mengacu pada pengambilan keputusan yang lebih disukai (misalnya, evaluasi, prioritas, dan seleksi) dengan adanya beberapa kriteria dan bertentangan atas alternatif yang tersedia. Sebuah model utilitas MCDM menggabungkan semua kriteria alternatif yang diberikan secara bersamaan melalui penggunaan rumus utilitas tertentu atau fungsi utilitas. Masalah untuk MCDM dapat berkisar dari yang ada dalam kehidupan kita sehari-hari, seperti pemilihan restoran, hingga yang mempengaruhi seluruh negara.
Taksonomi strategi dan kriteria yang sesuai untuk pengambilan keputusan dapat diklasifikasikan ke dalam empat kategori yang dikenal sebagai intuitif, empiris, heuristik, dan rasional seperti yang ditunjukkan pada Tabel 5.1; 4.1.3.2–Risiko, 4.1.3.3–Ketidakpastian, 4.1.3.3–Pesimis— Optimis, dan 4.1.3.3.3–Penyesalan.
5.3.3 Penalaran Berbasis Kasus
Banyak masalah keputusan tidak dapat dimodelkan dengan model pemrograman matematika. Manajer sering menghasilkan solusi untuk masalah yang diberikan berdasarkan pengalaman dan pengetahuan mereka sebelumnya. Penalaran berbasis kasus (CBR) memberikan metodologi yang efektif untuk DSS dalam memecahkan masalah baru berdasarkan solusi dari masalah masa lalu yang serupa.
Teknik CBR memberikan kemampuan belajar yang kuat yang menggunakan pengalaman masa lalu sebagai dasar untuk menangani masalah baru yang serupa. Oleh karena itu, sistem CBR dapat memfasilitasi proses akuisisi pengetahuan dengan menghilangkan waktu yang diperlukan untuk mendapatkan solusi dari para ahli. Dalam situasi yang berubah secara dinamis di mana masalah tidak dapat dimodelkan dengan model matematika dan solusi tidak mudah untuk dihasilkan, CBR adalah metode penalaran yang lebih disukai.
Tabel 5.1 Taksonomi Strategi dan Kriteria yang Sesuai untuk Pengambilan Keputusan
No. Kategori Strategi Kriteria (C)
1 Intuitif
1.1 sewenang-wenang Berdasarkan pilihan termudah atau paling akrab
1.2 Pilihan Berdasarkan kecenderungan, hobi,
kecenderungan, harapan
1.3 Kewajaran Berdasarkan aksioma dan penilaian 2 Empiris
2.1 Percobaan dan
kesalahan
Berdasarkan percobaan lengkap
2.2 Percobaan Berdasarkan hasil percobaan
2.3 Pengalaman Berdasarkan pengetahuan yang ada
2.4 Konsultan Berdasarkan konsultasi profesional 2.5 Perkiraan Berdasarkan evaluasi yang sulit 3 Heuristis
3.1 Prinsip Berdasarkan teori ilmiah
3.2 Etika Berdasarkan penilaian dan keyakinan
filosofis
3.3 Perwakilan Berdasarkan aturan umum
3.4 Ketersediaan Berdasarkan informasi terbatas atau maksimum lokal
3.5 Penahan Berdasarkan praduga atau bias dan
pembenarannya 4 Rasional
4.1 Statis
4 1.1 Biaya minimal Berdasarkan meminimalkan energi, waktu, uang
4.1.2 Manfaat maksimal Berdasarkan memaksimalkan keuntungan kegunaan, fungsionalitas, keandalan, kualitas, ketergantungan
4.1.3 Utilitas maksimum Berdasarkan rasio biaya-manfaat
4.1.3.1 Kepastian Berdasarkan probabilitas maksimum, data statistik
4.1.3.2 Risiko Berdasarkan kerugian atau penyesalan
minimum Ketakpastian
4.1.3.3 Pesimis Berdasarkan maksimum
4.1.3.4 Optimis Berdasarkan maksimum
4.1.3.5 Penyesalan Berdasarkan penyesalan maksimum 4.2 Dinamis
4.2.1 Acara interaktif Berdasarkan automata
4.2.2 permainan Berdasarkan konflik
4.2.2.1 Jumlah nol Berdasarkan (keuntungan + kerugian) = 0 4.2.2.2 Jumlah bukan nol Berdasarkan (keuntungan + kerugian) 0
4.2.3 Keputusan Berdasarkan serangkaian pilihan dalam kisi keputusan
5.3.4 Gudang Data dan Penambangan Data
Gudang data adalah tempat penyimpanan data organisasi yang disimpan secara elektronik. Sistem gudang data tidak hanya melibatkan penyimpanan data tetapi juga teknik
untuk mengambil dan menganalisis data; untuk mengekstrak, mengubah, dan memuat data;
dan untuk mengelola kamus data. Secara khusus, gudang data mencakup alat intelijen bisnis untuk mengimplementasikan fungsi-fungsi di atas guna mendukung pengambilan keputusan bisnis dengan lebih baik. Penambangan data adalah proses mengekstraksi pola tersembunyi dan tidak ditemukan dari data dan umumnya digunakan dalam berbagai praktik pembuatan profil dan proyek penemuan pengetahuan. Aturan dan pola ditemukan dari data dengan tujuan mengarah pada serangkaian pilihan atau keputusan. Di sebagian besar aplikasi penambangan data, file data hasil kueri dibuat dari gudang data dan kemudian dianalisis oleh spesialis menggunakan kecerdasan buatan atau alat statistik.
5.3.5 Pohon Keputusan
Pohon keputusan adalah deskripsi grafis dari seperangkat aturan keputusan dan kemungkinan konsekuensinya. Ini dapat digunakan untuk membuat rencana untuk mencapai tujuan keputusan. Pohon keputusan, sebagai bentuk khusus dari struktur pohon, adalah model prediktif untuk memetakan pengamatan tentang suatu item dengan kesimpulan tentang nilai target item tersebut. Setiap node interior sesuai dengan variabel, dan busur ke node anak mewakili nilai yang mungkin atau kondisi pemisahan dari variabel tersebut.
Pendekatan pohon keputusan, sebagai alat pendukung keputusan, memodelkan masalah keputusan dan kemungkinan konsekuensinya dalam grafik seperti pohon. Hal ini sangat cocok untuk keputusan yang melibatkan kemungkinan hasil peristiwa kebetulan, biaya sumber daya, dan utilitas. Pohon keputusan biasanya digunakan dalam analisis keputusan untuk membantu mengidentifikasi strategi yang paling mungkin untuk mencapai tujuan.
Dalam aplikasi, pohon keputusan atau konsekuensi dapat berisi bilangan fuzzy atau istilah linguistik dan oleh karena itu disebut pohon keputusan fuzzy.
5.3.6 Himpunan dan Sistem Fuzzy
Apapun teknik keputusan yang digunakan, masalah kritis yang harus dihadapi adalah ketidakpastian. Lingkungan keputusan dan sumber data seringkali memiliki berbagai faktor yang tidak pasti, menghasilkan hubungan yang tidak pasti antara tujuan keputusan dan entitas keputusan. Misalnya, preferensi individu untuk alternatif dan penilaian untuk kriteria sering diungkapkan dengan istilah linguistik seperti "rendah" dan "tinggi", yang merupakan ekspresi yang tidak pasti. Pendekatan matematis dan inferensi yang tepat tidak cukup efisien untuk mengatasi ketidakpastian tersebut.
Oleh karena itu, berbagai teknik pemrosesan informasi yang tidak pasti telah dikembangkan dengan menggunakan himpunan fuzzy, bilangan fuzzy, dan logika fuzzy dalam kegiatan pengambilan keputusan. Hasil penelitian meliputi metodologi dan algoritma baru pengambilan keputusan fuzzy multi-objektif, pengambilan keputusan multi-kriteria fuzzy, penalaran berbasis kasus fuzzy, pohon keputusan fuzzy, pengambilan data fuzzy, dan aturan asosiasi fuzzy. Berbagai aplikasi pengambilan keputusan fuzzy telah dikembangkan juga.