BAB 2
TINJAUAN PUSTAKA
2.1 Tinjauan Umum Perusahaan
Lembaga pendidikan pelatihan dan ketrampilan komputer “Media Com” Binjai didirikan pada tanggal 25 Mei 2010 di kota Binjai, Sumatera Utara. Landasan pendirian lembaga ini adalah untuk mempersiapkan dan meningkatkan keahlian sumber daya manusia (SDM) yang sesuai dengan tuntutan kebutuhan dunia kerja melalui pelatihan ketrampilan, ilmu pengetahuan terapan serta pengembangan sikap dan perilaku kerja profesional. Seiring dengan perkembangan jaman dan kebutuhan masyarakat, maka lembaga ini menyelenggarakan beberapa jenis pendidikan meliputi: Teknisi komputer (Hardware), Teknisi Komputer Jaringan (LAN), Web Design (Web Master), Design Grafis, Video Editing, Komputer Akuntansi (MYOB) dan Microsoft Office yang masing-masing menyediakan beberapa pilihan paket.
2.2 Sistem Pendukung Keputusan
Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support Systems (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision Systems.
Sistem Pendukung Keputusan (SPK) biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk suatu peluang. Aplikasi Sistem Pendukung Keputusan (SPK) digunakan dalam pengambilan keputusan. Aplikasi Sistem Pendukung Keputusan (SPK) menggunakan CBIS (Computer Based Information
Systems) yang fleksibel, interaktif, dan dpat diadaptasi, yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifikyang tidak terstruktur (Nofriansyah, Dicky. 2014).
2.2.1 Pengertian Sistem Pendukung Keputusan
P.G.W Keen dan Scott-Morton yang merupakan penggagas istilah sistem pendukung keputusan, mendefenisikan bahwa sistem pendukung keputusan itu adalah beberapa sistem keputusan intelektual yang bersumber daya individu dengan dibantu oleh kemampuan komputer untuk meningkatkan kualitas dari sebuah keputusan (Keen dan Scott-Morton, 1978).
Sedangkan menurut Kendall dan Julie (2006), Decision Support System (DSS) atau sistem pendukung keputusan hampir sama dengan sistem informasi manajemen tradisional karena keduanya tergantung pada basisdata sebagai sumber data. SPK menekankan pada fungsi pendukung pembuatan keputusan diseluruh tahap-tahapnya, sebagai pendamping keputusan aktual yang masih dibuat oleh wewenang eksekutif sebagai pembuat keputusan. Pada dasarnya sistem pendukung keputusan adalah sistem yang tidak bisa dipisahkan dari teknologi komputer. Secara umum SPK berfungsi membantu pengambilan keputusan secara efektif sehingga permasalahan yang dihadapi dapat dengan cepat mendapatkan solusinya.
Dari pengertian di atas dapat disimpulkan bahwa sistem pendukung keputusan adalah suatu sistem yang membantu mengambil keputusan terhadap banyaknya pilihan/alternatif yang ada untuk suatu masalah tertentu. Bukan sebagai pengambil keputusan melainkan untuk membantu mengambil keputusan dimana didukung dengan data yang diolah secara akurat.
2.2.2 Karakteristik Sistem Pendukung Keputusan
Berikut ini beberapa karakteristik sistem pendukung keputusan (Oetomo, 2002): a. Interaktif
SPK memiliki user interface yang komunikatif sehingga pemakai dapat melakukan akses secara cepat ke data dan memperoleh informasi yang dibutuhkan.
b. Fleksibel
SPK memiliki sebanyak mungkin variabel masukkan, kemampuan untuk mengolah dan memberikan keluaran yang menyajikan alternatif-alternatif keputusan kepada pemakai.
c. Data kualitas
SPK memiliki kemampuan menerima data kualitas yang dikuantitaskan yang sifatnya subyektif dari pemakainya, sebagai data masukkan untuk pengolahan data. Misalnya: penilaian terhadap kecantikan yang bersifat kualitas, dapat dikuantitaskan dengan pemberian bobot nilai seperti 75 atau 90.
d. Prosedur Pakar SPK mengandung suatu prosedur yang dirancang berdasarkan rumusan formal atau juga beberapa prosedur kepakaran seseorang atau kelompok dalam menyelesaikan suatu bidang masalah dengan fenomena tertentu.
Sedangkan menurut Nofriansyah, Dicky (2014) karakteristik dari sistem pendukung keputusan yaitu :
a. Mendukung proses pengambilan keputusan suatu organisasi atau perusahaan. b. Adanya interface manusia/mesin dimana manusia (user) tetap memegang kontrol
proses pengambilan keputusan.
c. Mendukung pengambilan keputusan untuk membahas masalah terstruktur, semi terstruktur serta mendukung beberapa keputusan yang saling berinteraksi.
d. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan kebutuhan. e. Memiliki subsistem yang terintegrasi sedemikian rupa sehingga dapat berfungsi
sebagai kesatuan sistem.
f. Memiliki dua komponen utama yaitu data dan model.
Adapun kriteria atau ciri – ciri dari keputusan adalah sebagai berikut : 1. Banyak pilihan/alternative
2. Ada kendala
3. Mengikuti suatu pola/model tingkah laku, baik yang terstruktur maupun tidak terstruktur.
4. Banyak input/variable
Disamping berbagai kemampuan dan karakteristik seperti dikemukakan di atas, sistem pendukung keputusan juga memiliki keterbatasan, antara lain (Syahputra. 2011) :
1. Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat dimodelkan, sehingga model yang ada dalam sistem tidak semuanya mencerminkan persoalan yang sebenarnya.
2. Kemampuan suatu sistem pendukung keputusan terbatas pada pengetahuan dasar serta model dasar yang dimilikinya.
3. Proses-proses yang dapat dilakukan oleh sistem pendukung keputusan biasanya tergantung juga pada kemampuan perangkat lunak yang digunakannya.
4. Sistem pendukung keputusan tidak memiliki intuisi seperti yang dimiliki oleh manusia. Karena sistem pendukung keputusan hanya suatu kumpulan perangkat keras, perangkat lunak dan sistem operasi yang tidak dilengkapi oleh kemampuan berpikir.
Sistem pendukung keputusan (SPK) dirancang sedemikian rupa sehingga bersifat interaktif dengan pemakainya. Maksud dan tujuan dari adanya SPK, yaitu untuk mendukung pengambil keputusan memilih alternatif keputusan yang merupakan hasil pengolahan informasi - informasi yang diperoleh/tersedia dengan menggunakan model-model pengambil keputusan serta untuk menyelesaikan masalah-masalah bersifat terstruktur, semi terstruktur dan tidak terstruktur (Mulyono, 1996).
Menurut Turban. Dkk (2005), tujuan dari sistem pendukung keputusan adalah : a. Membantu manajer dalam pengambilan keputusan atas masalah semi-terstruktur. b. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan
untuk menggantikan fungsi manajer.
c. Meningkatkan efektivitas keputusan yang diambil manajer lebih daripada perbaikan efisiensinya.
d. Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah.
e. Peningkatan produktivitas. Membangun satu kelompok pengambil keputusan, terutama para pakar, bisa sangat mahal. Pendukung terkomputerisasi bisa mengurangi ukuran kelompok dan memungkinkan para anggotanya untuk berada di
berbagai lokasi yang berbeda-beda (menghemat biaya perjalanan). Selain itu, produktivitas staf pendukung (misalnya analisis keuangan dan hukum) bisa ditingkatkan. Produktivitas juga bisa ditingkatkan menggunakan peralatan optimalisasi yang menentukan cara terbaik untuk menjalankan sebuah bisnis. 2.2.3 Proses Pengambilan Keputusan
Menurut Simon dalam buku Konsep Data Mining Vs Sistem Pendukung Keputusan (Nofriansyah, Dicky. 2014) ada tiga fase dalam proses pengambilan keputusan diantaranya sebagai berikut :
1. Intelligence
Tahapa ini merupakan proses penelusuran dan pendeteksian dari ruang lingkup problematika secara proses pengenalan masalah. Data masukan diperoleh, diproses dan diuji dalam rangka mengindentifikasi masalah.
2. Design
Tahap ini proses menemukan, mengembangkan dan menganalisis alternatif tindakan yang bisa dilakukan. Tahap ini meliputi menguji kelayakan solusi.
3. Choice
Pada tahap ini dilakukan proses pemilihan diantara berbagai alternatif tindakan yang mungkin dijalankan. Hasil pemilihan tersebut kemudian diimplementasikan dalam proses pengambilan keputusan.
Gambar 2.1 Fase Proses Pengambilan Keputusan
Secara garis besar sistem pendukung keputusan dibangun oleh tiga komponen utama yaitu :
1. Subsistem data (Database)
Subsistem data merupakan komponen sistem pendukung keputusan yang berguna sebagai penyedia data bagi sistem. Data tersebut disimpan untuk diorganisasikan oleh suatu sistem yang disebut dengan sistem manajemen basis data (Database Management System).
2. Subsistem Model (Model Base)
Model adalah suatu tiruan dari alam nyata. Kendala yang sering dihadapi dalam merancang model adalah bahwa model yang dirancang tidak mampu mencerminkan seluruh variabel alam nyata, sehingga keputusan yang diambil tidak sesuai dengan kebutuhan oleh karena itu, dalam menyimpan berbagai model harus diperhatikan dan harus dijaga fleksibilitasnya. Hal ini yang harus diperhatikan adalah pada setiap model yang disimpan hendaknya ditambahkan rincian keterangan dan penjelasan yang komprehensif mengenai model yang dibuat.
3. Subsistem Dialog (User System Interface)
Subsistem dialog adalah fasilitas yang mampu mengingrasikan sistem yang terpasang dengan pengguna secara interaktif, yang dikenal dengan subsistem dialog. Melalui subsistem dialog sistem diimplementasikan sehingga pengguna dapat berkomunikasi dengan sistem yang dibuat.
2.3 Teorema Bayes
Teorema Bayes ditemukan oleh Reverend Thomas Bayes (1701-1761). Pada umumnya, teori Bayes digunakan untuk menghitung nilai kebenaran probabilitas dari suatu evidence. Di dalam teori probabilitas dan statiska, teorema Bayes juga dikenal sebagai sebuah teori dengan dua penafsiran yang berbeda. Dalam penafsiran Bayes, teori ini menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk baru. Teori ini merupakan dasar dari statistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu ekonomi (terutama ilmu ekonomi mikro), teori games, kedokteran, dan hukum.
Teori probabilitas Bayesian digunakan untuk menghitung probabilitas terjadinya suatu peristiwa berdasarkan pengaruh yang didapat dari pengujian. Probabilitas Bayes menerangkan hubungan antara probabilitas terjadinya Hi dengan terdapat fakta (evidence) E telah terjadi dan probabilitas terjadinya evidence E dengan syarat hipotesis Hi telah terjadi.
Teori ini didasarkan pada prinsip bahwa jika terdapat tambahan informasi atau evidence, maka nilai probabilitas dapat diperbaiki. Oleh karena itu, teori ini bermanfaat untuk mengubah atau memperbaiki nilai kemungkinan yang ada menjadi lebih baik dengan didukung informasi atau evidence tambahan (Budiharto & Derwin, 2014).
Menurut Sutojo. Dkk (2011), bentuk teorema Bayes untuk evidence tunggal E dan hipotesis tunggal H adalah :
Dimana :
p(H|E) = probabilitas hipotesis H terjadi jika evidence (fakta) E terjadi p(E|H) = probabilitas munculnya evidence (fakta) E, jika hipotesis H terjadi p(H) = probabilitas hipotesis H tanpa memandang evidence (fakta) apapun p(E) = probabilitas evidence E tanpa memandang apapun
2.3.1 Metode Bayes Pada Sistem Pendukung Keputusan
Metode Bayes merupakan salah satu teknik yang dapat dipergunakan untuk melakukan analisis dalam pengambilan keputusan terbaik dari sejumlah alternative dengan tujuan menghasilkan perolehan yang optimal. Untuk menghasilkan keputusan yang optimal perlu dipertimbangkan berbagai kriteria.
Pembuatan keputusan dengan metode bayes dilakukan melalui upaya pengkuantifikasian kemungkinan terjadinya suatu kejadian dan dinyatakan dengan
suatu bilangan antara 0 dan 1. Persamaan bayes yang digunakan untuk menghitung nilai setiap alternatif sering disederhanakan menjadi :
∑
Dimana :
Total Nilai i = total nilai akhir dari alternative ke-i Nilai ij = nilai dari alternatif ke-I pada kriteria ke-j Krit j = tingkat kepentingan (bobot) kriteria ke-j i = 1,2,3,…n; n = jumlah alternative
j = 1,2,3,…m; m = jumlah kriteria
Nilai peluang didapatkan dari suatu informasi awal yang dapat bersifat subjektif maupun objektif. Nilai peluang ini dapat diperbaiki dengan adanya informasi tambahan yang didapat dari sejumlah percobaan (Marimin. 2004).
2.3.2 Perhitungan Dengan Metode Bayes
Tabel 2.1 Data Aturan Awal Bayes
No Keterangan Hasil
Berkas Wawancara Praktek
1 Normal Tinggi Tinggi Disarankan 2 Tinggi Tinggi Normal Disarankan 3 Rendah Normal Normal Tidak Disarankan 4 Normal Rendah Normal Tidak Disarankan 5 Normal Normal Normal Tidak Disarankan 6 Normal Normal Rendah Tidak Disarankan 7 Normal Tinggi Rendah Tidak Disarankan 8 Normal Rendah Tinggi Tidak Disarankan 9 Tinggi Tinggi Tinggi Disarankan 10 Tinggi Normal Tinggi Disarankan
Output yang dihasilkan dari metode bayes untuk rekrutmen ini adalah disarankan atau tidak disarankan. Untuk menentukan rekrutmen pengajar baru dengan metode Bayes, yang harus dilakukan adalah tentukan data aturan awal terlebih dahulu. Dimana data tersebut didapat dari hasil data rekrutmen yang sudah ada atau sudah dilakukan sebelumnya.
Tabel 2.2 Data Calon Pengajar Untuk Bayes
No Nama Keterangan
Berkas Wawancara Praktek
1 Bastiyan Tinggi Normal Tinggi
2 Fery Normal Rendah Normal
3 Janio Normal Tinggi Tinggi
4 Jimmy Tinggi Normal Tinggi
5 Maula Rendah Normal Normal
Selanjutnya tentukan alternatif atau data calon pengajar, lalu hitung nilai probabilitas kemungkinan pada data tersebut.
Bastiyan Kemungkinan Ya =
= 0,4 + 0,75 + 0,25 + 0,75 = 2,15 Kemungkinan Tidak =
= 0,6 + 0 + 0,5 + 0,166 = 1,266
Karena kemungkinan ya > kemungkinan tidak, maka disarankan Fery
Kemungkinan Ya = 0,4 + 0,25 + 0 + 0,25 = 0,9 Kemungkinan Tidak = 0,6 + 0,833 + 0,333 + 0,5 = 2,266
Karena kemungkinan ya < kemungkinan tidak, maka tidak disarankan Janio
Kemungkinan Ya = 0,4 + 0,25 + 0,75 + 0,75 = 2,15 Kemungkinan Tidak = 0,6 + 0,833 + 0,166 + 0,166 = 1,76 Karena kemungkinan ya > kemungkinan tidak, maka disarankan
Jimmy
Kemungkinan Ya = 0,4 + 0,75 + 0,25 + 0,75 = 2,15 Kemungkinan Tidak = 0,6 + 0 + 0,5 + 0,166 = 1,26
Karena kemungkinan ya > kemungkinan tidak, maka disarankan Maula
Kemungkinan Ya = 0,4 + 0 + 0,25 + 0,25 = 0,9 Kemungkinan Tidak = 0,6 + 0,166 + 0,5 + 0,5 = 1,76
Karena kemungkinan ya < kemungkinan tidak, maka tidak disarankan Tabel 2.3 Hasil Perhitungan Bayes
No Nama Berkas Wawancara Praktek Keterangan 1 Bastiyan Tinggi Normal Tinggi Disarankan 2 Fery Normal Rendah Normal Tidak Disarankan 3 Janio Normal Tinggi Tinggi Disarankan 4 Jimmy Tinggi Normal Tinggi Disarankan 5 Maula Rendah Normal Normal Tidak Disarankan 2.4 Metode Multifactor Evaluation Process
Multifactor Evaluation Process (MFEP) merupakan metode pengambilan keputusan yang menggunakan pendekatan kolektif atau dengan kata lain secara bersama-sama/gabungan dari proses pengambilan keputusannya. Metode Multifactor Evaluation Process ini relatif cukup sulit digunakan secara manual apabila masalah yang harus dipecahkan merupakan masalah yang kompleks dimana aspek atau faktor yang diambil cukup banyak.
Metode Multifactor Evaluation Process memiliki bobot yang harus diberikan pada setiap kriteria yang diperlukan. Namun seringkali hal ini dianggap sebagai probabilitas pribadi atau subjektif dimana bobot tersebut didasarkan pada tingkat kepercayaan, keyakinan, pengalaman serta latar belakang pengambil keputusan. Oleh sebab itu nilai yang dimasukkan akan menjadi tidak valid ketika pembuat keputusan tidak benar-benar mengerti masalahnya.
Penggunaan model MFEP dapat direalisasikan dengan contoh berikut: WE = FW x E ΣWE = Σ(FW x E) Keterangan : WE = Weighted Evaluation FW = Factor Weight E = Evaluation
ΣWE = Total Weighted Evaluation
2.4.1 Langkah - langkah metode MFEP
Dibawah ini merupakan langkah-langkah proses perhitungan menggunakan metode MFEP, yaitu:
1. Menentukan faktor dan bobot faktor dimana total pembobotan harus sama dengan 1 (Σ pembobotan = 1), yaitu factor weight. Pada penelitian ini faktor dan bobotnya adalah berkas (0,30), wawancara (0,25) dan praktek (0,45)
2. Mengisikan nilai untuk setiap faktor yang mempengaruhi dalam pengambilan keputusan dari data-data yang akan diproses, nilai yang dimasukkan dalam proses pengambilan keputusan merupakan nilai objektif, yaitu sudah pasti yaitu factor evaluation
3. Proses perhitungan weight evaluation yang merupakan proses perhitungan bobot antara factor weight dan factor evaluation dengan serta penjumlahan seluruh hasil weight evaluation untuk memperoleh total hasil evaluasi.
2.4.2 Perhitungan Dengan Metode Multifactor Evaluation Process
Tabel 2.4 Data Calon Pengajar Untuk MFEP
No Nama Nilai
Berkas Wawancara Praktek
1 Bastiyan 78 64.3 77.7
2 Fery 60.3 58 66.3
3 Janio 67.3 77 78.7
4 Jimmy 77 65.3 79
WE = (bobot berkas x nilai berkas) + (bobot wawancara x nilai wawancara) + (bobot praktek x nilai praktek)
Bastiyan = ( 0,30 x 78 ) + ( 0,25 x 64.3 ) + (0,45 x 77,7 ) = 23,4 + 16,075 + 34,965 = 74,44 Fery = ( 0,30 x 60,3 ) + ( 0,25 x 58 ) + (0,45 x 66,3 ) = 18,09 + 14,5 + 29,835 = 62,425 Janio = ( 0,30 x 67,3 ) + ( 0,25 x 77 ) + (0,45 x 78,7 ) = 20,19 + 19,25 + 35,415 = 74,885 Jimmy = ( 0,30 x 77 ) + ( 0,25 x 65.3 ) + (0,45 x 79 ) = 23,1 + 16,325 + 35,55 = 74,975 Maula = ( 0,30 x 58,7 ) + ( 0,25 x 66 ) + ( 0,45 x 61,7 ) = 17,61 + 16,5 + 27,765 = 61,875
Tabel 2.5 Hasil Perhitungan MFEP
No Nama Berkas Wawancara Praktek Hasil 1 Bastiyan 23.4 16.075 34.965 74.44
2 Fery 18.09 14.5 29.835 62.425
3 Janio 20.19 19.25 35.415 74.855
4 Jimmy 23.1 16.325 35.55 74.975
2.5 Metode Hybrid
Metode hybrid adalah penggabungan dua metode yang bertujuan menggabungkan kekuatan masing-masing metode tersebut dan meminimalkan kekurangannya, sehingga dapat menjadi alternatif atau solusi untuk mengoptimalkan opini benar atau tidaknya suatu data yang terkumpul untuk dijadikan bahan dalam proses pengambilan keputusan.
Tujuan dari metode hybrid adalah agar antara satu metode dengan metode yang lainnya saling melengkapi kekurangan dari masing-masing sistem, dengan kata lain kekuatan yang ada pada metode A, akan menutupi kelemahan yang ada pada metode B begitu juga sebaliknya sehingga dengan adanya metode hybrid ini diharapkan akan munculnya sebuah pendekatan baru. Adanya metode hybrid pada sistem pendukung keputusan akan membuat permasalahan yang ada menjadi lebih mudah diselesaikan. Dan beberapa alasan memilih metode hybrid adalah :
Keputusan akan dapat segera diambil.
Tidak bergantung pada satu metode saja, karena ada metode lain yang akan saling mendukung.
