Sistem Pendukung Keputusan Decision Support System Organisasi DSS

Sistem Pendukung Keputusan / Decision Support System Organisasi DSS serta Topik-Topik Pengembangannya & Group Decision Support Vector Machine (SVM) Oleh : Imam Cholissodin S. Si. , M. Kom

Content 1. Contoh Kasus 2. Konsep Organizational DSS (ODSS) 3. Arsitektur ODSS 4. Membangun ODSS 5. Intelligent DSS (Active, Symbiotics) 6. DSS yang Dapat Berevolusi Sendiri 7. Arah Pengembangan Riset DSS 8. DSS Masa Depan 9. Group Decision Support Vector Machine (SVM) 10. Case Study 11. Latihan Individu + Tugas Kelompok

Contoh Kasus • Contoh Kasus : Kabinet di Pemerintahan Mesir – 32 kementerian, setiap kementerian bertanggung jawab pada 1 departemen. – Diketuai seorang Perdana Menteri. – 4 Komite yang dibantu dengan staf. • IDSC (Information and Decision Support Center) untuk kabinet, tujuannya : – Mengembangkan informasi dan sistem dukungan bagi kabinet. – Mendukung pengadaan informasi terkelola bagi user dan pusat pendukung keputusan pada 32 kementerian. – Mengembangkan, mendukung, mengawali projek Information Systems (IS) yang dapat mempercepat pengembangan Pemerintahan Mesir.

Konsep Organizational DSS (ODSS) • Karakteristik ODSS : – Fokus pada tugas/ aktifitas/ keputusan organisasional/ masalah perusahaan. – ODSS memotong fungsi-fungsi organisasi/ layer hirarki. – ODSS melibatkan teknologi berbasis komputer dan juga teknologi komunikasi.

Arsitektur ODSS Database Model base Central Information System Model Database Management Case Management Dialog Management Local Area Network/ Wide Area Network User Workstations/PCs

Membangun ODSS • Merupakan kombinasi dari SDLC (System Development Life Cycle) dan proses berulang (iterative process). Dibagi menjadi 4 fase : – Pendahuluan • Kebutuhan akan masukan. • Mendapatkan dukungan dari pihak manajemen. • Membangun rencana yang diperlukan. – Mengembangkan Desain Konseptual • Fase ini menghasilkan cetak biru sistem. – Mengembangkan Sistem • Mengembangkan model dan database sistem. – Mengimplementasikan dan Mengelola Sistem • Memprogram dan mengupdate sistem. • Mendokumentasikan modul dan database. • Melatih user.

Progress Kelompok • Demo/progres final project setiap kelompok.

Intelligent DSS (Active, Symbiotics) • Jenis (Active, Symbiotics) DSS : – DSS reguler bertindak pasif dalam interaksi manusia-mesin. – Dalam perkembangannya DSS harus mampu mengambil inisiatif sendiri tanpa perlu diberi perintah tertentu. – Mampu menanggapi permintaan dan perintah yang tak standar. Jenis DSS inilah yang disebut dengan active atau symbiotic DSS.

DSS yang Dapat Berevolusi Sendiri • DSS yang memberi perhatian pada bagaimana ia digunakan, dan lalu beradaptasi secara otomatis pada evolusi usernya. Kemampuan ini dicapai dengan menambahkan komponen ekstra : mekanisme intelijen yang bisa berevolusi sendiri. Tujuannya adalah membangun DSS berperilaku khusus yang dapat beradaptasi terhadap evolusi kebutuhan user secara otomatis. Diperlukan kemampuan : – Menu dinamis yang menyediakan hirarki yang berbeda untuk memenuhi kebutuhan user yang berbeda. – Antarmuka user dinamis yang menyediakan representasi output yang berbeda untuk user yang berbeda pula. – Sistem manajemen berbasis model intelijen yang dapat memilih model yang sesuai untuk memenuhi preferensi/acuan yang berbeda.

Arah Pengembangan Riset DSS • Di bawah ini adalah beberapa poin dari riset yang telah dilakukan (1) : – Sekarang ini DSS berlaku pasif menanggapi pertanyaan “what-if” yang diajukan. Selanjutnya kombinasi DSS/ES dapat bertindak lebih proaktif. – Saat ini DSS tak kreatif, tapi di masa depan DSS harus menyediakan cara baru untuk mendefinisikan model, menjelaskan struktur masalah, memanajemen kerancuan dan kekomplekan, dan menyelesaikan klas baru keputusan dalam konteks pengambilan keputusan yang baru. ES bisa memberikan kontribusi utama dalam hal ini. – DSS berpusat pada keputusan (decision-centered) tapi bukan pada decision-paced (langkah pengambilan keputusan). DSS di masa depan harus mendukung alasan-alasan pemilihan kelas keputusan tertentu.

Arah Pengembangan Riset DSS • Di bawah ini adalah beberapa poin dari riset yang telah dilakukan (2) : – Peningkatan DSS harus lebih memberi perhatian pada masalah yang tak terstruktur, karena hal tersebut berdampak pada efisiensi dan keefektifan organisasi secara keseluruhan. Komputasi syaraf dapat ditambahkan berkenaan dengan masalah kerancuan. – DSS di masa depan harus mampu untuk membuat berbagai aksi alternatif dari dirinya sendiri, atau paling tidak menghasilkan peneluran ide. – Riset DSS harus melebarkan perspektifnya, berhubungan dengan keefektifan organisasi dan perencanaan strategis. Perspektif baru ini akan didukung oleh penambahan kemampuan kreatifitas dan inovasi, menghasilkan DSS yang proaktif dalam membuat perubahan lebih dari sekedar mengantisipasi perubahan.

Arah Pengembangan Riset DSS • Di bawah ini adalah beberapa poin dari riset yang telah dilakukan (3) : – Riset harus dilakukan pada interaksi diantara individu dan grup. Masalah sosial dan etik juga harus lebih diperhatikan. – Komponen manusia dalam DSS harus dicermati untuk melihat dampak DSS pada saat pembelajaran. – Integrasi DSS dengan ES, CBIS (Computer Based Information System) lainnya, dan teknologi komputer yang berbeda lainnya (misal: komunikasi) akan menjadi wilayah riset utama. – Teori DSS harus ditingkatkan. Teori-teori harus dikembangkan pada topik-topik seperti pengukuran kualitas keputusan, pembelajaran, dan keefektifan.

DSS Masa Depan • DSS berbasis PC akan terus tumbuh utamanya untuk dukungan personal. • Untuk DSS di institusi yang mendukung pengambilan keputusan berurutan dan saling berhubungan, kecenderungan ke depan adalah menjadi DSS terdistribusi. • Untuk dukungan keputusan saling berhubungan yang terkonsentrasi, group DSS akan lebih lazim di masa depan. • Produk-produk DSS akan mulai menggabungkan tool dan teknik AI. • Semua kecenderungan di atas akan menuju pada satu titik pada pengembangan berkelanjutan pada kemampuan sistem yang lebih user-friendly.

Group Decision Support Vector Machine (SVM) • Konsep Group Decision Support System : – Pengambilan keputusan grup (atau workgroup – kelompok kerja) mengacu pada 2 atau lebih orang (sampai 25 orang) yang misinya adalah menyelesaikan tugas tertentu dan bekerja sebagai satu unit. – Keputusan tersebut bisa permanen atau sementara, bisa pada satu lokasi atau bermacam lokasi, dapat bekerja pada waktu bersamaan atau waktu yang berbeda (Efraim Turban dkk, 2007). – Dalam hal ini setiap orang tersebut disebut sebagai agen yang nanti masing-masing akan memberikan hasil keputusan untuk membentuk keputusan dalam bentuk Groups Decision sesuai dengan metode yang mereka gunakan. – Hasil metode pengambilan keputusan bisa dipengaruhi oleh pola pikir, cara mengambil keputusan dan pertimbangan yang digunakan yang pastinya akan berbeda dari satu metode dengan metode yang lainnya. – Mendaftar semua keputusan awal dari berbagai pihak (dalam hal ini setiap metode menghasilkan keputusan masing-masing), maka sistem akan mengkombinasi/ mempertimbangkan semua keputusan tersebut untuk menghasilkan satu keputusan akhir (final decision).

Group Decision Support Vector Machine (SVM) • Review Konsep SVM : – Konsep Klasifikasi dengan Support Vector Machine (SVM) adalah mencari hyperplane terbaik yang berfungsi sebagai pemisah dua kelas data. – Ide sederhana dari SVM adalah memaksimalkan margin, yang merupakan jarak pemisah antara kelas data. – SVM mampu bekerja pada dataset yang berdimensi tinggi dengan menggunakan kernel trik. – SVM hanya menggunakan beberapa titik data terpilih yang berkontribusi (Support Vector) untuk membentuk model yang akan digunakan dalam proses klasifikasi. – Macam-Macam Training untuk SVM : • Chunking (Quadratic Programming). • Osuna (Dekomposisi). • Sequential Minimum Optimation (SMO). • Least Square (LS) dan lainnya.

Group Decision Support Vector Machine (SVM) • Review Konsep SVM : – Titik data : xi = {x 1, x 2, …. , xn} ϵ Rn – Kelas data : yi ϵ {-1, +1} – Pasangan data dan kelas : – Maksimalkan fungsi berikut : – Hitung nilai w dan b : – Fungsi keputusan klasifikasi sign(f(x)) : Keterangan : N (banyaknya data), n (dimensi data atau banyaknya fitur), Ld (Dualitas Lagrange Multipier), αi (nilai bobot setiap titik data), C (nilai konstanta), m (jumlah support vector/titik data yang memiliki αi > 0), K(x, xi) (fungsi kernel).

Group Decision Support Vector Machine (SVM) • Beberapa Macam Fungsi Kernel Support Vector Machine (SVM) : No Nama Kernel Definisi Fungsi 1 Linier K(x, y) = x. y 2 Polinomial of degree d K(x, y) = (x. y)d 3 Polinomial of degree up to d K(x, y) = (x. y + c)d 4 Gaussian RBF 5 Sigmoid (Tangen Hiperbolik) 6 Invers Multi Kuadratik 7 Additive – Kernel Linier digunakan ketika data yang akan diklasifikasi dapat terpisah dengan sebuah garis/hyperplane. – Kernel non-Linier digunakan ketika data hanya dapat dipisahkan dengan garis lengkung atau sebuah bidang pada ruang dimensi tinggi (Kernel Trik, No. 2 sampai 6).

Group Decision Support Vector Machine (SVM) • Visualisasi Support Vector Machine (SVM) : – Kernel Linier : rg ma in (w. x) + b = +1 Hyp (w. x) + b = -1 lane erp y = -1 y = +1 Support Vector kelas -1 Support Vector kelas +1 w (w. x) + b = 0 – Kernel non-Linier : Hyperplane Input Space x High-dimensional Feature Space Φ(x)

Group Decision Support Vector Machine (SVM) • Karakteristik Support Vector Machine (SVM) : – SVM memerlukan proses pelatihan dengan menyimpan hasil support vektor yang didapatkan untuk digunakan kembali pada saat proses prediksi/testing. – SVM selalu memberikan model yang sama dan solusi yang sama dengan margin maksimal. – SVM dapat memisahkan data yang distribusi kelasnya bersifat linier maupun non linier. – SVM tidak dipengaruhi oleh dimensi data yang tinggi, sehingga tidak ada proses reduksi dimensi didalamnya. – Memori yang digunakan dalam SVM dipengaruhi oleh banyaknya data, bukan besarnya dimensi data.

Group Decision Support Vector Machine (SVM) • Ensemble Machine Learning : – Mengapa menggunakan satu decision learning jika kita dapat menggunakan banyak? – Puluhan, bahkan ratusan algoritma decision learning telah tersedia, banyak yang "diterima", tetapi tidak ada algoritma yang optimal. – Ensemble : mengkombinasikan banyak prediktor. • (Weighted) kombinasi dari beberapa prediktor. • Machine Learning dapat berupa dari tipe yang sama ataupun berbeda. – Ilustrasi logika metode Ensemble : Various options for getting help : “Who want to be a millionaire? ”

Group Decision Support Vector Machine (SVM) • Simple Ensemble : – Mengambil suara terbanyak (Majority vote/Unweighted average). – Mengambil bobot rata-rata terbaik dari beberapa prediktor (Weighted average). • Misalnya : Kelas +1, -1, Weight alpha : – Men-train hasil dari beberapa prediktor, yaitu dengan memperlakukan setiap individu dari prediktor sebagai fitur :

Group Decision Support Vector Machine (SVM) • Ensemble Learning : Hasil keputusan 1 Algoritma 1 combine Hasil keputusan 2 Algoritma 2 Data Algoritma 3 ………. . Algoritma n • ………. . Hasil keputusan 3 Final Decision …………. …. . Hasil keputusan n Menggabungkan beberapa hasil keputusan dari data ke dalam keputusan tunggal.

Group Decision Support Vector Machine (SVM) • Framework SVM ensemble untuk financial distress prediction (FDP) : – Prediksi kondisi distress (tidak wajar) dalam keuangan (Jie Sun & Hui Li, 2012). Initial feature set Feature selection Langkah 1 feature set 1 Langkah 2 …. feature set 2 feature set n Linear SVM Polynomial SVM Sigmoid SVM RBF SVM Parameter search Classifier 1 …. Classifier i Classifier j …. Classifier k Classifier l …. Classifier m Selection of base classifiers for SVM ensemble through accuracy and diversity analysis Langkah 3 Base classifier 1 Langkah 4 Base classifier 2 Combination Result …. Base classifier q

Case Study (1 of 14) • Misalkan dalam case study ini menggunakan framework berikut : Linier SVM Data Training Data Testing + - + + - - - + Ensemble WP Decision 1 …. …. SAW …. Decision n Combine sebagai fitur Final Decision (SAW)

Case Study (2 of 14) • Perhatikan dataset berikut : – Data Training : tabel bobot kriteria produk smartphone sebagai berikut. Kriteria Kelas Support Vector 3 -1 0 120 4 -1 1 Hp. 3 140 3 -1 1 Hp. 4 150 5 1 1 Alternatif (Ai) C 1 C 2 Hp. 1 100 Hp. 2 Berdasarkan Data Training di atas, tentukan persamaan Hyperplane-nya dengan Linier SVM, lalu uji kelas Data Testing xt 1 = (140, 5), xt 2 = (160, 2), xt 3 = (135, 7), xt 4 = (145, 6) dan xt 5 = (200, 2)! Penyelesaian :

Case Study (3 of 14) • Penyelesaian : – Formulasi yang digunakan adalah untuk meminimalkan nilai margin : – Sehingga didapatkan beberapa persamaan berikut :

Case Study (4 of 14) • Penyelesaian : – Sehingga didapatkan beberapa persamaan berikut : Support Vector (SV) – Membentuk persamaan matrik :

Case Study (5 of 14) • Penyelesaian : – Membentuk persamaan matrik : Review materi : “Matematika Komputasi Lanjut” untuk menghitung invers matrik! – Sehingga didapatkan persamaan hyperplane : w • x + b = 0 w 1 x 1 + w 2 x 2 + b = 0 0. 04 x 1 + 0. 8 x 2 - 9 = 0

Case Study (6 of 14) • Penyelesaian : – Sehingga didapatkan persamaan hyperplane : w • x + b = 0 x 2 x 1 w 1 x 1 + w 2 x 2 + b = 0 0. 04 x 1 + 0. 8 x 2 - 9 = 0

Case Study (7 of 14) • Penyelesaian : – Sehingga didapatkan persamaan hyperplane : w • x + b = 0 w 1 x 1 + w 2 x 2 + b = 0 0. 04 x 1 + 0. 8 x 2 - 9 = 0 – Uji kelas data xt 1 = (140, 5) dan lainnya. • Diketahui : f(x) = 0. 04 x 1 + 0. 8 x 2 - 9 • Kelas = sign(f(x)) Data Testing Penentuan Kelas No x 1 x 2 Kelas = sign(0. 04 x 1 + 0. 8 x 2 - 9 ) 1 140 5 sign (0. 04(140) + 0. 8(5) - 9) = sign(0. 6) = +1 2 160 2 sign (0. 04(160) + 0. 8(2) - 9) = sign(-1) = -1 3 135 7 sign (0. 04(135) + 0. 8(7) - 9) = sign(2) = +1 4 145 6 sign (0. 04(145) + 0. 8(6) - 9) = sign(1. 6) = +1 5 200 2 sign (0. 04(200) + 0. 8(2) - 9) = sign(0. 6) = +1

Case Study (8 of 14) • Hasil penentuan kelas Data Testing : – Data Testing (kelas +) : Diketahui tingkat prioritas bobot dua kriteria smartphone yaitu, Berat (C 1) = 10, Ukuran Layar (C 2) = 5, dengan tabel bobot kriteria produk smartphone sebagai berikut. Alternatif (Ai) Kriteria Kelas C 1 C 2 Hp. 5 140 5 +1 Hp. 6 135 7 +1 Hp. 7 145 6 +1 Hp. 8 200 2 +1 Menentukan hasil keputusan akhir penentuan smartphone terbaik menggunakan metode Weighted Product (WP) & Simple Additive Weighting (SAW)? Penyelesaian WP : Diketahui tingkat prioritas bobot setiap kriteria dan diasumsikan user akan membeli smartphone yang mempunyai tingkat prioritas bobot yaitu, Berat (C 1) = 10, Ukuran Layar (C 2) = 5. Sehingga didapatkan perbaikan bobot (Wj) sebagai berikut:

Case Study (9 of 14) • Penyelesaian WP : – Menghitung vektor Si, dimana data yang ada akan dikalikan tetapi sebelumnya dilakukan pemangkatan dengan bobot dari masing-masing kriteria. – Menghitung vektor Vi dengan cara membagi hasil masing-masing vektor Si dengan jumlah seluruh Si.

Case Study (10 of 14) • Penyelesaian SAW : – Menghitung Nilai Rating Ternormalisasi (Rij) Alternatif (Ai) Kriteria Kelas C 1 C 2 Hp. 5 140 5 +1 Hp. 6 135 7 +1 Hp. 7 145 6 +1 Hp. 8 200 2 +1 Rij Kriteria C 1 C 2 Hp. 5 0. 964286 0. 714286 Hp. 6 1 1 Hp. 7 0. 931034 0. 857143 Hp. 8 0. 675 0. 285714 + Kriteria Benefit : C 2 - Kriteria Cost : C 1

Case Study (11 of 14) • Penyelesaian SAW : – Menghitung Nilai Rating Ternormalisasi (Rij) Rij Kriteria C 1 C 2 Hp. 5 0. 964286 0. 714286 Hp. 6 1 1 Hp. 7 0. 931034 0. 857143 Hp. 8 0. 675 0. 285714 – Menghitung Nilai Preferensi (Vi) Nilai Bobot (W) C 1 C 2 10 5

Case Study (12 of 14) • Kombinasi hasi dari metode WP dan SAW sebagai fitur : – Hasil WP & SAW : Fitur/ Kriteria • Cwp Csaw Hp. 5 0. 265654 13. 21429 Hp. 6 0. 304173 15 Hp. 7 0. 275572 13. 59606 Hp. 8 0. 154601 8. 178571 Final Decision (Misal menggunakan SAW) : – Menghitung Nilai Rating Ternormalisasi (Rij) : Rij Fitur/ Kriteria Cwp Csaw Hp. 5 0. 873365 0. 880953 Hp. 6 1 1 Hp. 7 0. 905971 0. 906404 Hp. 8 0. 508267 0. 545238 + Kriteria Benefit : Cwp, Csaw - Kriteria Cost : - Nilai Bobot (W) Cwp Csaw 1 1

Case Study (13 of 14) • Final Decision (Misal menggunakan SAW) : – Menghitung Nilai Rating Ternormalisasi (Rij) : Rij Fitur/ Kriteria Cwp Csaw Hp. 5 0. 873365 0. 880953 Hp. 6 1 1 Hp. 7 0. 905971 0. 906404 Hp. 8 0. 508267 0. 545238 – Menghitung Nilai Preferensi (Vi) + Kriteria Benefit : Cwp, Csaw - Kriteria Cost : Nilai Bobot (W) Cwp Csaw 1 1

Case Study (14 of 14) • Final Decision (Misal menggunakan SAW) : – Menghitung Nilai Preferensi (Vi) Setelah menghitung nilai Vi untuk tiap-tiap smartphone, maka sistem akan memilih nilai tertinggi sebagai alternatif terbaik dalam mengambil keputusan. Sehingga rekomendasi smartphone yang didapat adalah Hp. 6, Hp. 7, Hp. 5, dan Hp. 8 sesuai dengan urutan tertinggi nilai Vi.

Latihan Individu • Berdasarkan case study di atas, selesaikan final decision menggunakan metode Weighted Product (WP) dan tentukan alternatif terbaiknya! Note : Misal diketahui tingkat prioritas bobot setiap kriteria yaitu, Berat (Cwp) = 1, Ukuran Layar (Csaw) = 4.

Tugas Kelompok • Buatlah contoh kasus yang unik + penyelesaiannya menggunakan framework pada slide 30 sesuai dengan kreatifitas kelompok anda. (Min. 1 soal, Min. 2 kriteria, Min. 4 data) ! Note : Kerjakan dalam file *. doc/docx

Progress Final Project • Bagian 1 of 3 (Minggu 12) : – Abstrak – Pendahuluan • Bagian 2 of 3 (Minggu 13) : – – Uraian Metode & Uraian Objek Penelitian Proses Manualisasi dari Case Study Design Antarmuka Bedah Paper 3 • Bagian 3 of 3 (Minggu 14) : – Implementasi – Uji coba – Evaluasi Eji coba

Selesai