11
BAB II
TINJAUAN PUSTAKA
2.1 Sistem Pendukung Keputusan
Sistem pendukung keputusan pertama kali diperkenalkan pada tahun 1970 oleh Michael S. Scott dengan istilah management decision systemyang merupakan suatu sistem berbasi computer yang membantu pengambilan keputusan dengan memanfaatkan data dan model-model untuk menyelesaikan masalah-masalah yang tidak terstruktur. (Turban, 2005)
Menurut Surbakti (2002), sistem pendukung keputusan mendayagunakan
resources individu-individu secara intelek dengan kemampuan komputer untuk
meningkatkan kualitas keputusan.
Menurut Maryan Alavi dan H. Albert Napler, sistem pendukung keputusan merupakan suatu kumpulan prosedur pemrosesan data dan informasi yang berorientasi pada penggunaan model untuk menghasilkan berbagai jawaban yang dapat membantu manajemen dalam pengambilan keputusan.Sistem ini harus sederhana, mudah dan adaptif.
Dari tiga defenisi sistem pendukung keputusan diatas dapat ditarik kesimpulan bahwa sistem pendukung keputusan adalah sebuah sistem berbasis komputer yang dapat melakukan bantuan dalam pengambilan keputusan untuk memecahkan suatu masalah dengan memanfaatkan data dan model tertentu.
2.2 Karakteristik dan Nilai Guna Sistem Pendukung Keputusan
Berikut karakteristik sistem pendukung keputusan menurut Turban : 1. Sistem pendukung keputusan dirancang untuk membantu pengambil
keputusan dalam memcahkan masalah yang sifatnya semi terstruktur ataupun tidak terstruktur.
2. Dalam proses pengolahannya, sistem pendukung keputusan mengombina-sikan penggunaan model-model analisis dengan teknik pemasukan data konvensional serta fungsi-fungsi pencari informasi.
12
3. Sistem pendukung keputusan dirancang sedemikian rupa sehingga dapat digunakan dengan mudah oleh orang-orang yang tidak memiliki dasar kemampuan tinggi. Oleh karena itu pendekatan yang digunakan biasanya model interaktif.
4. Sistem pendukung keputusan dirancang dengan menekankan pada aspek fleksibelitas serta kemampuan adaptasi yang tinggi. Sehinggan mudah disesuaikan dengan berbagai perubahan lingkungan yang terjadi dan kebutuhan pemakai.
Dengan berbagai karakter diatas, sistem pendukung keputusan dapat memberikan berbagai manfaat atau keuntungan bagi pemakainya. Berikut keuntungannya :
a. Memperluas kemampuan pengambil keputusan dalam memproses data. b. Menyediakan bukti tambahan untuk memberikan pembenaran sehingga
dapat memperkuat posisi pengambil keputusan. c. Menghemat waktu dalam pengambilan keputusan.
2.3 Case Based Reasoning (CBR)
Case BasedReasoning (CBR) merupakan sebuah metode yang digunakan
untuk menyelesaikan permasalahan dengan memanfaatkan kejadian kejadian lama sebagai solusi dari kasus yang baru dengan melihat tingkat kemiripanya.
Menurut Aamodt dan Plaza (1994) Case-Based Reasoning adalah suatu pendekatan untuk menyelesaikan suatu permasalahan (problem solving) berdasarkan solusi dari permasalahan sebelumnya. Case-based Reasoning ini merupakan suatu paradigma pemecahan masalah yang banyak mendapat pengakuan yang pada dasarnya berbeda dari pendekatan utama AI lainnya. Suatu masalah baru dipecahkan dengan menemukan kasus yang serupa di masa lampau, dan menggunakannya kembali pada situasi masalah yang baru. Perbedaan lain dari CBR yang tidak kalah penting adalah CBR juga merupakan suatu pendekatan ke arah incremental yaitu pembelajaran yang terus menerus. Dalam Case-Based
Reasoning ada empat tahapan yang meliputi: 1. Retrieve
13
Mendapatkan kembali kasus yang paling relevan (similar) dengan kasus yang baru.Tahap retrieval ini dimulai dengan menggambarkan sebagian masalah, dan diakhiri jika ditemukan kecocokan terhadap masalah sebelumnya yang tingkat kecocokannya paling tinggi.Bagian ini mengacu pada segi identifikasi, kecocokan awal, pencarian dan pemilihan serta eksekusi.
2. Reuse
Memodelkan/menggunakan kembali pengetahuan dan informasi kasus lama berdasarkan bobot kemiripan yang paling relevan ke dalam kasus yang baru, sehingga menghasilkan usulan solusi dimana mungkin diperlukan suatu adaptasi dengan masalah yang baru tersebut.
3. Revise
Meninjau kembali solusi yang diusulkan kemudian mengetesnya pada kasus nyata (simulasi) dan jika diperlukan memperbaiki solusi tersebut agar cocok dengan kasus yang baru.
4. Retain
Mengintegrasikan kasus baru yang telah berhasil mendapatkan solusi agar dapat digunakan oleh kasus-kasus selanjutnya yang mirip dengan kasus tersebut, tetapi Jika solusi baru tersebut gagal, maka menjelaskan kegagalannya, memperbaiki solusi yang digunakan, dan mengujinya lagi.
Empat proses masing-masing melibatkan sejumlah langkah-langkah spesifik, yang dijelaskan pada Gambar 2.1
14
Gambar 2.1Tahapan Proses dalam Case Based Reasoning (A. Aamodt & E. Plaza, 1994)
Pada saat terjadi permasalahan baru, pertama-tama sistem melakukan proses retrieve. Proses retrieve melakukan dua langkah pemrosesan, yaitu pengenalan masalah dan pencarian persamaan masalah pada database. Setelah proses retrieve selesai dilakukan, selanjutnya sistem melakukan proses reuse. Di dalam proses reuse, sistem menggunakan informasi permasalahan sebelumnya yang memiliki kesamaan untuk menyelesaikan permasalahan yang baru. Pada proses reuse dilakukan penyalinan, penyeleksian, dan melengkapi informasi yang digunakan. Selanjutnya pada proses revise, informasi tersebut dikalkulasi, dievaluasi, dan diperbaiki kembali untuk mengatasi kesalahan-kesalahan yang terjadi pada permasalahan baru.
Pada proses terakhir, sistem melakukan proses retain. Proses retain mengindeks, mengintegrasi, dan mengekstrak solusi yang baru tersebut kedalam database. Selanjutnya, solusi baru itu disimpan di dalam basis pengetahuan (knowledgebase) untuk menyelesaikan permasalahan yang akan datang. Tentunya, permasalahan yang memiliki kesamaan.
15 2.4 Nearest Neighbor
Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada.Misalkan diinginkan untuk mencari solusi terhadap seorang pasien baru dengan menggunakan solusi dari pasien terdahulu. Untuk mencari kasus pasien mana yang akan digunakan maka dihitung kedekatan kasus pasien baru dengan semua kasus pasien lama. Kasus pasien lama dengan kedekatan terbesar-lah yang akan diambil solusinya untuk digunakan pada kasus pasien baru.
Gambar 2.2 Ilustrasi Kedekatan Kasus
Seperti tampak pada Gambar 2, terdapat dua pasien lama A dan B. Ketika ada pasien Baru, maka solusi yang akan diambil adalah solusi dari pasien terdekat dari pasien Baru. Seandainya d1 adalah kedekatan antara pasien Baru dan pasien A, sedangkan d2 adalah kedekatan antara pasien Baru dengan pasien B. Karena d2 lebih dekat dari d1 maka solusi dari pasien B lah yang akan digunakan untuk memberikan solusi pasien Baru.
Adapun rumus untuk melakukan penghitungan kedekatan antara dua kasus adalah sebagai berikut:
𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 𝑇, 𝑆 = 𝑛𝑖=1𝑓 𝑇𝑖,𝑆𝑖 ∗ 𝑊𝑖
𝑊𝑖 ……….(2.1)
dengan T : kasus baru
S : kasus yagn ada dalam penyimpanan n : jumlah atribut dalam masing-masing kasus
16 i : atribut individu antara 1 s/d n
f : fungsi similarity atribut i antara kasus T dan kasus S w : bobot yang diberikan pada atribut ke i
Kedekatan biasanya berada pada nilai antara 0 s/d 1. Nilai 0 artinya kedua kasus mutlak tidak mirip, sebaliknya untuk nilai 1 kasus mirip dengan mutlak.Untuk memudahkan pemahaman diberikan kasus kemungkinan seorang nasabah bank akan bermasalah dalam pembayarannya atau tidak, seperti tampak pada Tabel 2.1.
Tabel 2.1 Tabel Kasus No Jenis
Kelamin
Pendidikan Agama Bermasalah
1 L S1 Islam Ya
2 P SMA Kristen Tidak
3 L SMA Islam Ya
Atribut Bermasalah merupakan atribut tujuan. Bobot antara satu atribut dengan atribut yang lain pada atribut bukan tujuan dapat didefinisikan dengan nilai berbeda. Sebagai contoh didefinisikan bobot untuk masing-masing atribut seperti tampak pada Tabel 2.2.
Tabel 2.2 Definisi Bobot Atribut Atribut Bobot Jenis Kelamin 0.5 Pendidikan 1
Agama 0.75
Kedekatan antara nilai-nilai dalam atribut juga perlu didefinikan. Sebagai contoh dalam pembahasan ini, kedekatan nilai Atribut Jenis kelamin ditunjukkan pada Tabel 2.3, kedekatan nilai Atribut Pendidikan ditunjukkan pada Tabel 2.4 dan kedekatan nilai Atribut Agama ditunjukkan pada Tabel 2.5.
17
Tabel 2.3Kedekatan Atribut Jenis Kelamin Nilai 1 Nilai 2 Kedekatan
L L 1
P P 1
L P 0.5
P L 0.5
Tabel 2.4 Kedekatan Nilai Atribut Pendidikan Nilai 1 Nilai 2 Kedekatan
S1 S1 1
SMA SMA 1
S1 SMA 0.4
SMA S1 0.4
Tabel 2.5 Kedekatan Nilai Atribut Agama Nilai 1 Nilai 2 Kedekatan
Islam Islam 1
Kristen Kristen 1 Islam Kristen 0.75 Kristen Islam 0.75
Misalkan ada kasus nasabah baru dengan nilai atribut: Jenis Kelamin : L
Pendidikan : SMA Agama : Kristen
Dengan menggunakan tabel 2.2, tabel 2.3, tabel 2.4, dan tabel 2.5 maka untuk kasus yang baru dapat dihitung kedekatanya dengan masing – masing kasus yang ada pada tabel 2.1 :
a. Menghitung kedekatan kasus baru dengan kasus no 1 𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑡𝑦 = 1 ∗ 0.5 + 0.4 ∗ 1 + 0.75 ∗ 0.75
0.5 + 1 + 0.75 =
1.4625
18
b. Menghitung kedekatan kasus baru dengan kasus no 2 𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑡𝑦 = 0.5 ∗ 0.5 + 1 ∗ 1 + 0.75 ∗ 0.75
0.5 + 1 + 0.75 =
1.8125
2.25 = 0.8
c. Menghitung kedekatan kasus baru dengan kasus no 3 𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑡𝑦 = 1 ∗ 0.5 + 1 ∗ 1 + 0.75 ∗ 0.75
0.5 + 1 + 0.75 =
2.0625
2.25 = 0.9
Dari langkah a, b dan c dapat diketahui bahwa nilai tertinggi adalah kasus 3.Berarti kasus yang terdekat dengan kasus baru adalah kasus 3. Maka klasifikasi dari kasus 3 yang akan digunakan untuk memprediksi kasus baru. Yaitu kemungkinan nasabah baru akan Tidak Bermasalah.
2.5 System Development Life Cycle (SDLC)
System Development Life Cycle (SDLC) adalah sebuah model konseptual
yang digunakan dalam pengelolaan projek yang menggambarkan tahapan-tahapan yang dilibatkan dalam projek pengembangan sistem informasi dari studi kelayakan awal sampai maintenance dari aplikasi.
2.6 Metode Pengembangan Waterfall
Model waterfall adalah proses pengembangan perangkat lunak tradisional yang umum digunakan dalam proyek – proyek perangkat lunak yang paling pembangunan. Ini adalah model sekuensial, sehingga penyelesaian satu set kegiatan menyebabkan dimulainya aktivitas berikutnya. Hal ini disebut waterfall karena proses mengalir secara sistematis dari satu tahap ke tahap lainnya dalam model ke bawah. Membentuk kerangka kerja untuk pengembangan perangkat lunak.Beberapa varian darimodelada, setiap label yang berbeda menggunakan untuk setiap tahap.Secara umum, bagaimanapun, model ini dianggap memiliki enam tahap yang berbeda seperti yang ditunjukkan pada model proses perangkat lunak merupakan deskripsi sederhana dari proses perangkat lunak yang menyajikan suatu pandangan dari proses tersebut(Sommerville, 2011).Model proses mencakup kegiatan yang merupakan bagian dari proses perangkat lunak,
19
produk perangkat lunak, dan peran orang yang terlibat dalam rekayasa perangkat lunak. Model waterfall memiliki tahapan - tahapan dalam proses nya, setiap tahapan tersebut harus diselesaikan sebelum berlanjut ke tahap berikutnya. Berikut tahapan yang ada dalam waterfall adalah (Sommerville, 2011):
Gambar 2.3Model Waterfal (Sommerville,2011)
Berikut merupakan tahapan-tahapan dalam model proses SDLC: 1. Analisis dan Definisi Kebutuhan
Merupakan tahapan penetapan fitur, kendala dan tujuan sistem melalui konsultasi dengan pengguna sistem. Semua hal tersebut akan ditetapkan secara rinci dan berfungsi sebagai spesifikasi sistem.
2. Perancangan Sistem dan Perangkat Lunak
Dalam tahapan ini akan dibentuk suatu arsitektur sistem berdasarkan persyaratan yang telah ditetapkan. Dan juga mengidentifikasi dan menggambarkan abstraksi dasar sistem perangkat lunak dan hubungan-hubungannya.
3. Implementasi dan Pengujian Unit
Dalam tahapan ini, hasil dari desain perangkat lunak akan direalisasikan sebagai satu set program atau unit program. Setiap unit akan diuji apakah sudah memenuhi spesifikasinya.
20
Dalam tahapan ini, setiap unit program akan diintegrasikan satu sama lain dan diuji sebagai satu sistem yang utuh untuk memastikan sistem sudah memenuhi persyaratan yang ada. Setelah itu sistem akan dikirim ke pengguna sistem.
5. Operasi dan Pemeliharaan
Dalam tahapan ini, sistem diinstal dan mulai digunakan. Selain itu juga memperbaiki error yang tidak ditemukan pada tahap pembuatan. Dalam tahap ini juga dilakukan pengembangan sistem seperti penambahan fitur dan fungsi baru.
2.7 Normalisasi
2.7.1 Definisi Normalisasi
Proses normalisasi adalah proses pengelompokan data elemen menjadi tabel-tabel yang menunjukkan entity dan relasinya. Normalisasi merupakan sebuah teknik dalam logical desain sebuah basis data atau database, teknik pengelompokkan atribut dari suatu relasi sehingga membentuk struktur relasi yang baik (tanpa redudansi). Pada proses normalisasi dilakukan pengujian pada beberapa kondisi apakah ada kesulitan pada saat menambah/menyisipkan, menghapus, mengubah dan mengakses pada suatu basis data. Bila terdapat kesulitan pada pengujian tersebut maka perlu dipecahkan relasi pada beberapa tabel lagi atau dengan kata lain perancangan basis data belum optimal. Tujuan dari normalisasi yaitu :
a. Menghilangkan kerangkapan data, b. Mengurangi kompleksitas, dan
c. Mempermudah pemodifikasian data.
Sebuah tabel dikatakan baik (efisien) atau normal jika memenuhi 3 kriteria sbb: 1. Jika ada dekomposisi (penguraian) tabel, maka dekomposisinya harus
dijamin aman (Lossless-Join Decomposition). Artinya, setelah tabel tersebut diuraikan / didekomposisi menjadi tabel-tabel baru, tabel-tabel baru tersebut bisa menghasilkan tabel semula dengan sama persis.
2. Terpeliharanya ketergantungan fungsional pada saat perubahan data (Dependency Preservation).
21
3. Tidak melanggar Boyce-Codd Normal Form (BCNF)
Jika kriteria ketiga (BCNF) tidak dapat terpenuhi, maka paling tidak tabel tersebut tidak melanggar Bentuk Normal tahap ketiga (3rd Normal Form atau 3NF). Tabel 2.1 merupakan yang akan dilakukan proses normalisasi.
Tabel 2. 6 Tabel Unnormal
PNo PName ENo EName Jcode ChgHr Hrs
1 Alpha 101 John Doe NE $65 20
105 Jane Vo SA $80 15
110 Bob Lund CP $60 40
2 Beta 101 John Doe NE $65 20
108 Jeb Lee NE $65 15
106 Sara Lee SA $80 20
3 Omega 102 Beth Reed PM $125 20
105 Jane Vone SA $80 10
2.7.2 Bentuk – Bentuk Normalisasi
1. Bentuk Normal Tahap Pertama (1st Normal Form atau 1NF)
Suatu relasi dikatakan sudah memenuhi bentuk normal ke satu (1NF) bila data bersifat atomic yaitu setiap irisan baris dan kolom hanya mempunyai satu nilai data. Tabel 2.6 dapat diubah menjadi bentuk normal tahap pertama (1NF) dengan menambahkan PNo dan PName di setiap baris sehingga akan terbentuk tabel 2.7
Tabel 2. 7 Tabel 1NF
PNo Pname ENo Ename Jcode ChgHr Hrs
1 Alpha 101 John Doe NE $65 20
1 Alpha 105 Jane Vo SA $80 15
1 Alpha 110 Bob Lund CP $60 40
22
2 Beta 108 Jeb Lee NE $65 15
2 Beta 106 Sara Lee SA $80 20
3 Omega 102 Beth Reed PM $125 20
3 Omega 105 Jane Vone SA $80 10
2. Bentuk Normal Tahap Kedua (2st Normal Form atau 2NF)
Bentuk normal kedua yaitu dengan melakukan dekomposisi tabel 2.7 menjadi beberapa relasi dengan mencari kandidat primary key. Syarat bentuk normal tahap kedua yaitu sudah memenuhi dalam bentuk normal kesatu (1NF), semua atribut bukan kunci hanya boleh tergantung (functional dependency) pada atribut kunci. Jika ada ketergantungan parsial maka atribut tersebut harus dipisah pada tabel yang lain. Perlu ada tabel penghubung ataupun kehadiran foreign key bagi atribut-atribut yang telah dipisah tadi. Dari kandidat key, akan ditentukan functional
dependency yang bertujuan untuk mensyaratkan nilai himpunan atribut
tertentu dengan menentukan nilai himpunan atribut lainya secara unik. Kandidat key dari tabel tersebut yaitu PNo dan ENo.
Gambar 2. 4 Diagram Functional Dependency Fungsional dependncynya sebagai berikut :
PNo PName (fd 1)
ENo {EName,JCode,ChgHr} (fd 2)
{PNo,ENo} Hrs (fd 3)
Dari tiga fungsional dependency akan dibentuk relasi diagram baru seperti gambar 2.5
23
Gambar 2. 5 Digram 2NF
Dari gambar 2.5 akan dibentuk tiga buah tabel 2NF yaitu tabel Project, Charge, dan Employee sebagai berikut
Tabel 2. 8 Project PNo PName 1 Alpha 2 Beta 3 Omega
24 Tabel 2. 9 Charge PNo ENo Hrs 1 101 20 1 105 15 1 110 40 2 101 20 2 108 15 2 106 20 3 102 20 3 105 10 Tabel 2. 10 Employee
ENo EName JCode ChgHr 101 John Doe NE $65 102 Beth Reed PM $125 105 Jane Vo SA $80 106 Sara Lee SA $80 108 Jeb Lee NE $65 110 Bob Lund CP $60
3. Normalisasi Tahap Ketiga (3st Normal Form atau 3NF)
Untuk bentuk normal ketiga, setiap relasi harus ketergantungan penuh pada primary key atau tidak ada ketergantungan transitif (dimana atribut bukan kunci tergantung pada atribut bukan kunci lainnya) dan harus bentuk normal kedua (2NF). Pada Tabel 2.10 masih terdapat
transive depency dimana atribut bukan kunci yaitu ChgHr masih
ketergantungan dengan atribut bukan kunci lainya yaitu JCode. Sehingga untuk membentuk normalisasi tahap ketiga, dari tabel 2.10 akan dikomposisi menjadi 2 buah tabel yaitu tabel 2.11 dan tabel 2.12.
Tabel 2. 11 Job JCode ChgHr NE $65 PM $125 SA $80 CP $60 Tabel 2. 12 Employee ENo EName JCode 101 John Doe NE 102 Beth Reed PM 105 Jane Vo SA 106 Sara Lee SA 108 Jeb Lee NE 110 Bob Lund CP
Gambar 2.6 merupakan diagram 3NF, dari gambar 2.6 dapat dibuat tabel-tabel hasil normalisasi tahap ketiga (3NF).
25
Gambar 2. 6 Diagram 3NF
Dari hasil normalisasi tahap ketiga (3NF), terbentuk 4 buah tabel yaitu tabel 2.8 Projetct, tabel 2.9 Charge, tabel 2.11 Job, dan tabel 2.12 Employee.
2.7 Tinjauan Studi
Terdapat beberapa penilitian yang pernah dilakukan dengan menggunakan
Case Base Reasoning sebagai metode sistem pendukung keputusan diantaranya :
a. Pembangunan Aplikasi Trevel Recommender Dengan Metode Case Base Reasoning (Uung Ungkawa, Dewi Rosmala, Fanny Aryanti, 2013).Pada penelitian ini diimplementasikan metode CBR untuk membantu perekomendasian wisata. .Kasus-kasus yang dipergunakan dalam sistem diperoleh dari beberapa sumber data real tentang objek wisata di Jawa Barat. Sistem akan memberikan keluaran berupa jenis objek wisata yang direkomendasikan serta perkiraan biaya akomodasi yang didasarkan pada kemiripan kasus baru dengan pengetahuan yang dimiliki sistem. Berdasarkan pengujian Aplikasi Travel Recommender dapat memberikan rekomendasi wisata berdasarkan rencana wisata sebelumnya dengan tingkat keberhasilan 60% dan kegagalan 40%.
26
b. Sistem Berbasis Kasus Untuk Diagnosis Penyakit Melalui Hasil Pemeriksaan Laboratorium (Lusiana Indriasari Sagita, Sri Kusumadewi, 2009). Penelitian ini bertujuan membuat suatu sistem berbasis kasus untuk diagnosis penyakit melalui hasil pemeriksaan laboratorium dengan menggunakan model penalaran Case Based
Reasoning (CBR). Sistem berbasis kasus untuk diagnosis penyakit melalui
pemeriksaan laboratorium merupakan sistem yang dapat menentukan suatu keputusan mengenai diagnosis penyakit melalui hasil pemeriksaan laboratorium dengan menggunakan metode CBR. Selain diagnosis penyakit, sistem akan memberikan informasi penyebab tinggi rendahnya suatu nilai penyakit, sistem akan memberikan informasi penyebab tinggi rendahnya suatu nilai pemeriksaan dan solusi terapinya. Dengan aplikasi ini diharapkan dapat memberikan manfaat yang lebih untuk melakukan diagnosis penyakit dan proses rekam medik pasien.
c. Sistem Pakar Menentukan Kerusakan Televisi Dengan Metode Case Based Reasoning (Nur Hidayah, 2015). Penelitian ini bertujuan membuat sistem ini semoga dapat membantu masyarakat dalam mendiagnosa kerusakan televisi mereka . Dalam hal ini mereka tidak perlu repot-repot untuk memanggil reparasi atau membawaketempat reparasi televisi. Disini penulis memberikan solusu-solusinya untuk menyelesaikan masalahmasalah yang timbul pada televisi yang sering muncul. Dalam penelitian ini peulis juga memberikan cara perawatan – perwawan Televisi. Dengan menggunakan metode Case Based Reasoning dapat diterapkan dalam pembuatan aplikasi sistem pakar mendeteksi kerusakan Televisi sehingga membantu masyarakat awam dalam memperbaiki kerusakan Televisi.
