Soal Mata Kuliah SPK Bag II

Contoh Kasus II :

Perusahaan barang tembikar Colonial memproduksi 2 produk setiap hari, yaitu mangkok dan cangkir. perusahaan mempunyai 2 sumber daya yang terbatas jumlahnya. untuk memproduksi prosuk-produk tersebut yaitu tanah liat (120 kg/hari). tenaga kerja (40 jam/hari). Dengan keterbatasan sumber daya perusahaan ingin mengetahui berapa banyak mangkok dan cangkir yang akan diproduksi tiap hari dalam rangka memaksimumkan laba. Kedua produk mempunyai kebutuhan sumber daya untuk produksi serta laba per item seperti yang ditunjukkan pada tabel

a).Fungsi tujuan
   z = 4000x + 5000y
  Fungsi kendala
  (1) 1x+2y=40
  (2) 3x+2y=120

b).Menentukan titik potong
Persamaan (1)
1 x+ 2y = 40

Jika x = 0
1x+2y    = 40
1(0)+2y = 40
         2y = 40
           y = 40/2
              =20

1x + 2y = 40
Jika y = 0
1x+2y    = 40
1x+2(0) = 40
         1x = 40
           x = 40

Persamaan (2)
3x + 2y =120

Jika x = 0 
    3x+ 2y = 120
  3(0)+2y = 120
           2y = 120
             y = 120/2
             y = 60

3x + 2y = 120
Jika y=0
3x + 2y      = 120
3x + 2(0)   = 120
             3x = 120
               x = 120/3
               x =40

Titik potong 
(0,20) ; (40,0)
(0,60) ; (40,0)

Menggambar Grafik

Soal Mata Kuliah SPK Bagian I

Contoh Kasus 1 :

Suatu Perusahaan akan memproduksi 2 jenis produk yaitu lemari dan kursi. Untuk memproduksi 2 produk tersebut dibutuhkan 2 kegiatan yaitu proses perakitan dan pengecatan. Perusahaan menyediakan waktu 56 jam untuk proses perakitan dan 60 jam untuk proses pengecatan. Untuk produksi 1 unit lemari diperlukan waktu 8 jam perakitan dan 5 jam pengecatan. Untuk produksi 1 unit kursi diperlukan 7 jam perakitan dan 12 jam pengecatan. Jika masing-masing produk adalah Rp.200.000 untuk lemari dan Rp.100.000 untuk kursi. Tentukan solusi optimal agar mendapatkan untung maksimal !

Penyelesaian :

a).Tujuan kendala
     x = lemari
     y = kursi

Fungsi tujuan
z = 200x + 100y
Fungsi kendala
8x+7y=56
5x+12y=60

b). Menentukan titik potong 
Persamaan (1)
Jika x = 0
8x+7y    = 56
8(0)+7y = 56
         7y = 56
           y = 56/7
              = 8

Jika y = 0
8x+7y    = 56
8x+7(0) = 56
         8x = 56
         x = 56/8
         x = 7

Persamaan (2)
Jika x = 0 
5x+12y    = 60
5(0)+12y = 60
         12y = 60
            y = 60/12
             y =5

Jika y=0
5x+12y      = 60
5(0)+12(0) = 60
             5x = 60
               x = 60/5
               x = 12

Titik potong 
(0,8) ; (7,0)
(0,5) ; (12,0)

c). Menggambar Grafik

Penyelesaian Eliminasi
    8x + 7y = 56 | x 5 | 40x + 35y = 280
    5x + 12y=60 | x 8 | 40x + 96y = 480
________________________________ __
                                           - 61y = -200
                                             61y = -200
                                                 y = -200/61
                                                    =  3,2
     5x + 12y = 60
5x + 8 (3,2) = 60
    5x + 25,6 = 60
               5x = 60 - 25,6
                5x = 34,4
                 x = 34,4/5
                    = 6,88

d). Penentuan Optimasi
*Untuk titik (0,5)
 z=200x + 100y
  = 200 (0) + 100 (5)
  =500
  =500
*Untuk titik (6,5 ; 3,2)
z=200x + 100y
  = 200 (6,8) + 100 (3,2)
  = 1360 + 320
  = 1680
*Untuk titik (7,0)
z=200x + 100y
  = 200 (7) + 100 (0)
  = 1400 + 0
  = 1400

Strategi Pembelajaran Kooperatif (SPK)

Strategi pembelajaran kooperatif merupakan rangkaian kegiatan belajar yang dilakukan oleh siswa dalam kelompom-kelompok tertentu untuk mencapai tujuan pembelajaran yang telah dirumuskan.

            Ada empat unsur penting dalam pembelajaran kooperatif, yaitu sebagai berikut:
1. Adanya peserta dalam kelompok;

    Peserta di sini dimaksudkan yaitu siswa yang melakukan proses pembelajaran dalam setiap kelmpok belajar.
2. Adanya aturan kelompok;

    Aturan kelompok merupakan segala sesuatu yang menjadi kesepakatan semua pihak yang terlibat, baik siswa sebagai peserta didik maupun siswa sebagai anggota kelompok belajar.
3.  Adanya upaya belajar setiap anggota kelompok;

    Upaya belajar merupakan segala aktivitas siswa untuk meningkatkan kemampuan yang telah dimilikinya   maupun meningkatkan kemampuan baru, naik kemampuan aspek pengetahuan maupun keterampilan.

4.      4. Adanya tujuan yang harus dicapai.

     Tujuan yang dimaksudkan untuk memberikan arah perencanaan, pelaksanaan, dan evaluasi.

Adapun karakteristik SPK, yaitu sebagai berikut :

1.        Pembelajaran secara tim;

2.        Didasarkan pada managemen kooperatif;

3.        Kemauan untuk bekerja sama;

4.        Keterampilan bekerja sama.

Dalam strategi pembelajaran kooperatif diperlukan adanya prinsip-prinsip, yaitu sebagai berikut:

1.      Saling ketergantungan yang positif;

2.      Tanggung jawab perseorangan;

3.      Interakltif tatap muka;

4.      Partisipasi dan komunikasi.

Berikut ini merupakan prosedur yang diterapkan dalam strategi pembelajaran kooperatif, antara lain :

1.      Penjelasan materi

Tahap ini merupakan proses penyampaian pokok-pokok materi pelajaran sebelum siswa belajar dalam kelompok yang tujuannya memberikan pemahaman siswa terhadap pokok materi pelajaran.

2.      Belajar dengan kelompok

Pengelompokkan dalam SPK bersifat heterogen artinya kelompom dibentuk berdasarkan perbedaan-perbedaan setiap anggitanya, baik perbedaan gender, latar belakang agama, sosial, etnik, perbedaan kemampuan akademis.

3.      Penilaian: kelompok/individu

Penilaian dalam SPK bisa dilakukan dengan tes atau kuis. Penilaian ini dilakukan dengan individu atau kelompok.

4.      Pengakuan tim

Pengakuan tim (team recognition) adalah penetapan tim yang dianggap paling menonjol atau tim yang paling berprestasi untuk kemudian diberikan penghargaan atau hadiah.

Setiap strategi pembelajaran memiliki kelebihan dan kelemahan masing – masing. Adapun kelebihan dari strategi pembelajaran kooperatif, antara lain :

a.       Tidak menggantungkan guru

b.      Dapat mengembangkan dalam mengungkap ide-ide

c.       Dapat memberdayakan anak untuk lebih bertanggung jawab

d.      Dapat memecahkan masalah tanpa takut salah

e.       Dapat meningkatkan motivasi untuk berpikir.

Sedangkan kelemahan dari strategi pembelajaran kooperatif, antara lain :

a.       Susah dicapai jika peer teaching kurang efektif,

b.      Penilaian atas dasar kelompok, meski yang diharapkan adalah prestasi masing-masing anak,

c.       Usaha mengembangkan kesadaran berkelompok itu tidak mudah, perlu waktu.

 

http://reithatp.blogspot.com/2011/12/strategi-pembelajaran-kooperatif-spk.html 

Tujuan Dan Tahapan Sistem Penunjang Keputusan (SPK)

Tujuan SPK

Tujua sistem penunjang keputusan adalah untuk mengklasifikasikan masalah yang ada melalui pendekatan yang sistematis sehingga tercapai pemecahan masalah yang efektif

Menurut Raymond Leond (2007:49) ada 3 tujuan sistem penunjang keputusan diantaranya

Membantu manajemen membuat keputusan untuk memecahkan masalah semi-terstruktur

Mendukung penilaian manajemen bukan mencoba menggantinya

Meningkatkan efiktifitas pengambilan keputuan manajer dari pada efisien

Tahapan SPK
Untuk mengambil keputusan diperlukan tahapan-tahapan agar pengambilan keputusan itu dapat terpenuhi dengan baik. adapun tahapan-tahapan dala pengambilan keputusan adalah sebagai berikut :

Definisi masalah

Pengumpulan data atau elemen informasi yang relevan

pengolahan data menjadi informasi baik dalam bentuk laporan grafik maupun tulisan

menentukan alternatif – alternatif solusi (bisa dalam persentase)

sekian dulu semoga bermanfaat, dan selamat menunaikan ibadah puasa bagi yang menjalankannya

http://andhirao2.blogspot.com/2012/07/tujuan-dan-tahapan-sistem-penunjang.html

Sejarah Singkat Sistem Pendukung Keputusan

Ringkasan

Peneliti Sistem Informasi dan teknologi telah membangun dan menyeelidiki Sistem Pendukung Keputusan (DSS) selama lebih dari 35 tahun. Tulisan ini mengeksplorasi sejarah dan perkembangan di awal DSS dengan bangunan model DSS berorientasi pada akhir tahun 1960, perkembangan teori pada 1970-an, dan pelaksanaan sistem perencanaan keuangan dan DSS Group di awal 80-an dan pertengahan. Kemudian dokumen asal-usul Sistem Informasi Eksekutif, OLAP dan Business Intelligence. Akhirnya, diskusi berakhir dengan pelaksanaan berbasis Web DSS pada pertengahan 1990-an.

Pengenalan

Sistem pendukung keputusan berkembang di awal era komputasi terdistribusi. Sejarah sistem seperti dimulai pada sekitar 1965 dan penting untuk memulai meresmikan catatan, orang ide-ide, sistem dan teknologi yang terlibat dalam bidang yang penting dari teknologi informasi diterapkan. Hari ini masih mungkin untuk merekonstruksi sejarah Sistem Pendukung Keputusan dari tangan pertama rekening dan bahan-bahan yang tidak dipublikasikan serta artikel diterbitkan.

Makalah ini hypertext adalah titik awal dalam mendokumentasikan asal-usul dari benang berbagai teknologi yang berkumpul pada awal ^abad 21 untuk memberikan dukungan terintegrasi untuk manajer bekerja sendirian, dalam tim dan dalam hierarki organisasi untuk mengelola organisasi dan membuat keputusan yang lebih rasional . Sejarah adalah baik panduan untuk aktivitas masa depan di bidang ini dan catatan dari ide-ide dan tindakan orang-orang yang telah membantu memajukan pemikiran dan praktik kita. Dalam bidang teknologi yang beragam seperti DSS, sejarah tidak rapi dan linear. Orang yang berbeda memiliki dirasakan lapangan dari berbagai titik pandang sehingga mereka melaporkan laporan yang berbeda tentang apa yang terjadi dan apa yang penting. Beberapa ini dapat diurutkan keluar, tapi lebih banyak data pengumpulan diperlukan. Tulisan ini merupakan titik awal dalam mengumpulkan rekening tangan lebih dulu dan dalam membangun sebuah mosaik yang lebih lengkap tentang apa yang terjadi di universitas-universitas, perusahaan perangkat lunak dan organisasi untuk membangun dan menggunakan DSS.

Beberapa seksi selanjutnya bergerak dari sekitar 1965 sampai pertengahan 1990-an. Benang DSS terkait dengan model berorientasi DSS, sistem pakar, analisis multidimensi, alat query dan pelaporan, OLAP, Business Intelligence, DSS Group, dan Sistem Informasi Eksekutif ditelusuri dan terjalin saat mereka muncul untuk berkumpul dan menyimpang selama bertahun-tahun.

Yang Awal Tahun

Sebelum 1965, itu sangat mahal untuk membangun skala besar sistem informasi. Pada sekitar waktu ini, pengembangan dari IBM System 360 dan sistem mainframe lebih kuat membuatnya lebih praktis dan hemat biaya untuk mengembangkan Sistem Informasi Manajemen (MIS) di perusahaan besar (cf., Davis, 1974). MIS fokus pada penyediaan manajer dengan terstruktur, laporan berkala. Banyak dari informasi itu dari sistem akuntansi dan transaksi.

Pada akhir 1960-an, jenis baru dari sistem informasi menjadi praktis - Model berorientasi DSS atau sistem manajemen keputusan. Dua pionir DSS, Petrus Stabell Keen dan Charles, mengklaim konsep pendukung keputusan berevolusi dari "studi teoritis pengambilan keputusan organisasi dilakukan di Institut Teknologi Carnegie selama akhir 1950-an dan 60-an awal dan pekerjaan teknis pada sistem komputer interaktif, terutama dilakukan di Institut Teknologi Massachusetts pada tahun 1960 (Morton Keen dan Scott, 1978 pengantar) "Beberapa informasi historis tentang proyek MIT pada sistem komputer interaktif (Proyek MAC) adalah pada. multicians.org .

Menurut Sprague dan Watson (1979), sekitar tahun 1970 jurnal bisnis mulai menerbitkan artikel pada sistem keputusan manajemen, sistem perencanaan strategis dan sistem pendukung keputusan. Sebagai contoh, Scott Morton dan rekan menerbitkan sejumlah artikel pendukung keputusan pada tahun 1968. Pada tahun 1969, Ferguson dan Jones membahas sistem pengambilan keputusan komputer dibantu dalam jurnal Ilmu Manajemen. Pada tahun 1971, tanah Michael S. Scott Morton memecah buku Sistem Keputusan Manajemen: Komputer Berbasis Dukungan untuk Membuat Keputusan diterbitkan. Dalam 1966-67 Scott Morton telah mempelajari bagaimana komputer dan model analisis dapat membantu manajer membuat keputusan kunci. Dia melakukan percobaan di mana manajer benar-benar menggunakan Sistem Manajemen Keputusan (MDS). Manajer pemasaran dan produksi menggunakan MDS untuk mengkoordinasikan perencanaan produksi untuk peralatan binatu. MDS berlari pada IDI CRT 21 inci dengan pena cahaya terhubung menggunakan modem 2400 bps menjadi sepasang Univac 494 sistem. (1967) penelitian disertasi Scott Morton adalah implementasi perintis, definisi dan menguji penelitian sistem pendukung keputusan yang model-driven.

TP Gerrity, Jr berfokus pada masalah desain Sistem Pendukung Keputusan pada tahun 1971 artikelnya Sloan Management Review berjudul "Desain Manusia-Mesin Sistem Keputusan: Sebuah Aplikasi untuk Manajemen Portofolio". Sistemnya dirancang untuk mendukung manajer investasi dalam administrasi sehari-hari mereka portofolio saham klien. DSS untuk manajemen portofolio telah menjadi sangat canggih sejak Gerrity memulai penelitiannya.

Pada tahun 1974, Gordon Davis, seorang Profesor di University of Minnesota, menerbitkan teks berpengaruh pada Sistem Informasi Manajemen. Dia mendefinisikan Sistem Informasi Manajemen sebagai "sebuah sistem, terintegrasi pria / mesin untuk menyediakan informasi untuk mendukung operasi, manajemen, dan pengambilan keputusan fungsi dalam organisasi. (Hal. 5)." Bab 12 Davis berjudul "Sistem Informasi Pendukung Pengambilan Keputusan" dan Bab 13 berjudul "Sistem Informasi Dukungan untuk Perencanaan dan Pengendalian" menciptakan pengaturan untuk pengembangan dasar yang luas untuk penelitian DSS dan praktek.

Pada tahun 1975, JDC Little memperluas batas-batas yang didukung pemodelan komputer. DSS disebut Little Brandaid dirancang untuk mendukung produk, promosi, harga dan keputusan iklan. Juga, Little (1970) dalam kriteria artikel sebelumnya diidentifikasi untuk merancang model dan sistem manajemen untuk mendukung pengambilan - keputusan. Empat kriteria meliputi: ketahanan, kemudahan kontrol, kesederhanaan, dan kelengkapan detail yang relevan. Semua empat kriteria tetap relevan dalam mengevaluasi Sistem Pendukung Keputusan modern.

Klein dan Methlie (1995) catatan "Sebuah studi tentang asal-usul DSS masih harus ditulis. Tampaknya koran DSS pertama diterbitkan oleh mahasiswa PhD atau profesor di sekolah bisnis, yang memiliki akses ke sistem time-sharing komputer pertama :. Proyek MAC di Sloan School, Dartmouth Sistem Berbagi Waktu di Sekolah Tuck Di Perancis, HEC merupakan sekolah bisnis pertama Prancis untuk memiliki sistem time-sharing (diinstal di 1967), dan kertas DSS pertama diterbitkan oleh profesor Sekolah pada tahun 1970. Para Siad panjang (yang 'Systèmes Interactif d'Aide à la Keputusan' DSS istilah bahasa Prancis) dan konsep DSS yang dikembangkan secara independen di Perancis, di beberapa artikel oleh profesor HEC bekerja pada proyek yang SCARABEE dimulai pada tahun 1969 dan berakhir pada tahun 1974. "

Mengembangkan Teori

Pada akhir 1970-an, baik teori praktek dan isu-isu yang berkaitan dengan DSS yang dibahas pada konferensi akademis termasuk Institut Amerika untuk pertemuan Keputusan Sciences dan ACM Konferensi SIGBDP pada Sistem Pendukung Keputusan di San Jose, CA pada bulan Januari 1977. Konferensi Internasional pertama mengenai Sistem Pendukung Keputusan diadakan di Atlanta, Georgia pada tahun 1981. Konferensi akademik disediakan forum untuk ide, diskusi teori berbagi dan pertukaran informasi. Tertarik peneliti MIT termasuk Petrus dan Michael Scott Morton khususnya sangat berpengaruh. Buku DSS Morton Keen dan Scott (1978) memberikan orientasi perilaku yang luas untuk analisis Sistem Pendukung Keputusan, desain, implementasi, evaluasi dan pengembangan.

Pada tahun 1980, Steven Alter diterbitkan MIT nya hasil disertasi doktor dalam sebuah buku berjudul berpengaruh Sistem Pendukung Keputusan: Praktek Lancar dan Tantangan Melanjutkan. Alter penelitian dan makalah (1975; 1977) memperluas kerangka kerja bagi pemikiran kita tentang DSS manajemen. Juga, studi kasusnya memberikan dasar yang kuat deskriptif contoh Sistem Pendukung Keputusan. Sejumlah disertasi MIT lain selesai pada pertengahan 1970-an dan akhir juga berurusan dengan masalah yang berhubungan dengan menggunakan model untuk mendukung keputusan.

Pada tahun 1979, John Rockart dari Harvard Business School menerbitkan sebuah artikel ground breaking dalam Harvard Business Review yang menyebabkan pengembangan sistem informasi eksekutif (EISs) atau sistem pendukung eksekutif (ESS).

Bonczek, Holsapple dan Whinston (1981) menciptakan sebuah kerangka teoritis untuk memahami isu yang terkait dengan merancang berorientasi pengetahuan Sistem Pendukung Keputusan. Buku mereka menunjukkan bagaimana Kecerdasan Buatan dan Sistem Pakar teknologi yang relevan dengan DSS berkembang.

Ralph Sprague dan Carlson Eric (1982) Buku Membangun Sistem Dukungan Keputusan Efektif tonggak penting. Lebih lanjut menjelaskan Sprague (1980) kerangka DSS data base, basis model dan generasi dialog dan perangkat lunak manajemen. Selain itu, memberikan gambaran, praktis dimengerti tentang bagaimana organisasi dapat dan harus membangun DSS. Meskipun buku mereka mungkin menciptakan beberapa harapan yang tidak realistis, masalah berasal lebih dari batas-batas teknologi yang ada untuk membangun DSS daripada batas-batas konsep dibahas oleh Sprague dan Carlson.

Memperluas Kerangka

Pada akhir 1970-an, sejumlah peneliti dan perusahaan telah mengembangkan sistem informasi interaktif yang menggunakan data dan model untuk membantu manajer menganalisis masalah semi-terstruktur. Sistem ini beragam semua yang disebut Decision Support Systems. Dari hari-hari awal, hal itu diakui bahwa DSS dapat dirancang untuk mendukung pengambil keputusan di setiap tingkat dalam sebuah organisasi. DSS dapat mendukung operasi, manajemen keuangan dan pengambilan keputusan strategis. DSS bisa menggunakan data spasial dalam sistem seperti Geodata Analisis dan Sistem Tampilan (GADS) (lih., Grace, 1976), data multidimensi terstruktur dan tidak terstruktur dokumen (lih., Swanson dan Culnan, 1978). Berbagai model yang digunakan dalam DSS termasuk optimasi dan simulasi. Juga, paket statistik yang diakui sebagai alat untuk membangun DSS. Kecerdasan Buatan peneliti mulai bekerja pada manajemen dan sistem bisnis ahli di awal 1980-an.

Sistem perencanaan keuangan menjadi alat keputusan yang populer dukungan. Idenya adalah untuk menciptakan sebuah "bahasa" yang akan "memungkinkan eksekutif untuk membangun model tanpa perantara (Gray, 1987, hal 3)". Sebuah sistem perencanaan keuangan yang populer disebut IFPS, akronim untuk sistem perencanaan keuangan interaktif, pada awalnya dikembangkan di tahun 1970-an oleh Gerald R. Wagner dan murid-muridnya di University of Texas. Perusahaan Wagner, EXECUCOM Sistem, dipasarkan IFPS sampai pertengahan tahun 1990. Salah satu keunggulan utama bahwa bahasa perencanaan memiliki lebih dari spreadsheet adalah bahwa model ini ditulis menggunakan bahasa alami dan model dapat dipisahkan dari data. Pada awal 80-an, spreadsheet juga digunakan untuk membangun model-driven DSS (lihat Power, D., " Sejarah Singkat Spreadsheets "). Dalam sebuah makalah tahun 1988, Sharda, Barr, dan McDonnell terakhir 15 tahun pertama penelitian DSS. Penelitian yang berkaitan dengan menggunakan model dan sistem perencanaan keuangan untuk mendukung keputusan adalah mendorong tetapi tentu tidak seragam positif.

Pada awal 1980-an, peneliti akademis mengembangkan kategori baru dari perangkat lunak untuk mendukung pengambilan keputusan kelompok (lih., Gray, 1981; Huber, 1982; Turoff dan Hiltz, 1982). Peka-pikiran dari Sistem Execucom, GroupSystems dikembangkan di University of Arizona dan sistem Samm dikembangkan oleh peneliti dari Universitas Minnesota Kelompok DSS awal. Dickson, Poole dan DeSanctis (1992) melaporkan bahwa Brent Gallup, Ph.D. mahasiswa di Minnesota, memutuskan pada 1984 "untuk program sistem GDSS kecil sendiri dalam BASIC dan menjalankannya pada komputer VAX-nya universitas". Bahwa sistem adalah awal dari studi GDSS Minnesota.

Jay Nunamaker, Jr dan rekan-rekannya menulis dalam tahun 1992 bahwa "Konsep yang mendasari untuk GroupSystems memiliki permulaan di tahun 1965 dengan perkembangan Soal Bahasa / Masalah Analyzer Pernyataan Pernyataan (PSL / PSA) sebagai bagian dari Desain (Sistem Informasi ISDOS dan Optimasi Sistem) proyek di Case Institute of Technology (hal. 144) ". Pada tahun 1984, sistem yang disebut PLEXSYS selesai dan komputer-dibantu fasilitas pertemuan kelompok dibangun di University of Arizona. Fasilitas pertama, disebut PlexCenter tersebut, ditempatkan sebuah meja berbentuk U konferensi besar dengan 16 workstation komputer. PLEXSYS memberikan dasar untuk pengembangan perangkat lunak GroupSystems Universitas Arizona. Sejak pertengahan 80-an, banyak penelitian telah meneliti dampak dan konsekuensi dari DSS Group. Juga, sejumlah perusahaan telah dikomersialisasikan Grup DSS dan groupware. Klik di sini untuk melihat ruang kelompok pendukung keputusan.

Sistem Informasi Eksekutif (EIS) berevolusi dari model-driven single user sistem Pendukung Keputusan dan ditingkatkan produk database relasional. EIS pertama kali digunakan pra-didefinisikan layar informasi dan dipertahankan oleh para analis untuk eksekutif senior. Sebagai contoh, pada musim gugur tahun 1978, pengembangan EIS yang disebut Manajemen Informasi dan Pendukung Keputusan (MIDS) sistem mulai di Lockheed-Georgia (lih., Houdeshel dan Watson, 1987). Dimulai pada sekitar tahun 1990, data warehousing dan On-Line Analytical Processing (OLAP) mulai memperluas bidang EIS dan mendefinisikan kategori yang lebih luas Data-Driven DSS (lih., Dhar dan Stein, 1997). Nigel Pendse (1997) mengklaim produk Sistem Informasi Eksekutif pertama Command Center Software pilot. Dia mencatat baik analisis multidimensi dan OLAP memiliki asal-usul dalam bahasa pemrograman APL dan dalam sistem seperti Express dan Comshare System Nigel W. Pendse dari OLAPReport.com telah menulis dan pembaruan sejarah jauh lebih rinci tentang asal-usul produk OLAP (Anda dapat membaca dengan salinan lokal ).

Nylund (1999) menelusuri perkembangan yang berhubungan dengan Business Intelligence (BI) untuk upaya Procter & Gamble pada tahun 1985 untuk membangun DSS yang menghubungkan informasi penjualan dan data pemindai ritel. Sistem Komputer metafora, sebuah spin-off peneliti dari Xerox Palo Alto Research Center (PARC), dibangun P & G DSS awal. Metafora alumni yang terakhir mendirikan banyak vendor BI: Richard Tanler didirikan Keuntungan Informasi dan Glassey Katherine mendirikan Teknologi Brio. Istilah BI adalah, dipopulerkan istilah payung seharusnya diperkenalkan oleh Howard Dresner dari Gartner Group pada tahun 1989. BI menjelaskan seperangkat konsep dan metode untuk meningkatkan pengambilan keputusan bisnis dengan menggunakan sistem berbasis fakta-pendukung. BI kadang-kadang digunakan bergantian dengan buku briefing, laporan dan alat query dan sistem informasi eksekutif. Sistem bisnis Intelijen adalah data-driven DSS.

Pergeseran Teknologi

Dimulai pada sekitar tahun 1990, Bill dan Ralph Kimball Inmon DSS aktif dipromosikan dibangun menggunakan teknologi database relasional. Bagi praktisi banyak MIS, DSS dibangun menggunakan Oracle atau DB2 adalah sistem dukungan hanya keputusan mereka terkena dalam literatur komputer populer. Model-driven DSS adalah dalam domain riset operasi dan bukan bagian dari Sistem Informasi. Ralph Kimball "The Doctor DSS" dan Bill Inmon adalah "ayah dari gudang data". Inmon didefinisikan sistem pendukung keputusan (DSS) sebagai "sebuah sistem yang digunakan untuk mendukung keputusan manajerial DSS Biasanya melibatkan analisis unit banyak data dalam mode heuristik.. Sebagai aturan, pengolahan DSS tidak melibatkan pembaruan data (lih., billinmon.com). " Inmon dan Kimball difokuskan pada pembangunan data-driven DSS.

Pada awal 1990-an, pergeseran teknologi besar terjadi dari mainframe berbasis DSS untuk klien / server berbasis DSS. Beberapa desktop OLAP alat diperkenalkan selama periode ini. Pada 1992-93, beberapa vendor mulai merekomendasikan teknologi berorientasi obyek untuk membangun "dapat digunakan kembali" kemampuan pendukung keputusan. Pada tahun 1994, banyak perusahaan mulai untuk meng-upgrade infrastruktur jaringan mereka. Vendor DBMS "diakui yang mendukung keputusan itu berbeda dari OLTP dan mulai menerapkan kemampuan nyata OLAP ke dalam database mereka" (Powell, 2001). Paul Gray menegaskan bahwa sekitar 1993 data warehouse dan orang-orang EIS menemukan satu sama lain dan dua teknologi ceruk telah konvergen. Pada tahun 1995, data pergudangan dan World Wide Web mulai praktisi dan akademisi yang tertarik dampak dalam teknologi pendukung keputusan. DSS berbasis web dan web-enabled menjadi layak di sekitar 1995 (lih., Power, 2000; Bhargava dan Power, 2001).

Sejarah Sistem Pendukung Keputusan mencakup rentang yang relatif singkat dari tahun, dan konsep-konsep dan teknologi yang masih berkembang. Hari ini masih mungkin untuk merekonstruksi sejarah Sistem Pendukung Keputusan (DSS) dari rekening retrospektif dari peserta utama serta dari bahan dipublikasikan dan tidak dipublikasikan. Banyak inovator awal dan pengembang awal adalah pensiun namun wawasan dan tindakan mereka dapat ditangkap untuk memandu inovasi masa depan di bidang ini. Diharapkan makalah ini mengarah ke akun email dan retrospektif yang dapat membantu kita memahami "nyata" sejarah DSS. Internet dan Web telah dipercepat-up perkembangan pendukung keputusan dan telah menyediakan sarana baru menangkap dan mendokumentasikan perkembangan pengetahuan di daerah penelitian. Keputusan pelopor dukungan termasuk peneliti akademis banyak dari program-program di MIT, University of Arizona, University of Hawaii, University of Minnesota dan Universitas Purdue. Para pionir DSS menciptakan aliran tertentu dan berbeda dari pengembangan teknologi dan penelitian yang berfungsi sebagai dasar untuk banyak pekerjaan hari ini dalam DSS. 

http://tenyom-itforbusiness.blogspot.com/2012/01/sejarah-singkat-sistem-pendukung.html 

Kelebihan dan Kelemahan Metode AHP

Pada kesempatan kali ini.. di malam 1 suro.. hawanya ug aneh ea.. hehe tapi gpp yang penting tetep nge-BLog..

Kali ini masih membahas tentang salah satu metode dalam sistem pengambilan keputusan, yaitu AHP.. yang kali ini akan di bahas mengenai kelebihan dan kelemahannya.
langsung saja .. semoga bermanfaat..

Kelebihan

1.      Struktur yang berhierarki sebagai konskwensi dari kriteria yang dipilih sampai pada sub-sub kriteria yang paling dalam.

2.      Memperhitungkan validitas sampai batas toleransi inkonsentrasi sebagai kriteria dan alternatif yang dipilih oleh para pengambil keputusan.

3.      Memperhitungkan daya tahan atau ketahanan output analisis sensitivitas pengambilan keputusan.

Metode “pairwise comparison” AHP mempunyai kemampuan untuk memecahkan masalah yang diteliti multi obyek dan multi kriteria yang berdasar pada perbandingan preferensi dari tiap elemen dalam hierarki. Jadi model ini merupakan model yang komperehensif. Pembuat keputusan menetukan pilihan atas pasangan perbandingan yang sederhana, membengun semua prioritas untuk urutan alternatif. “ Pairwaise comparison” AHP mwenggunakan data yang ada bersifat kualitatif berdasarkan pada persepsi, pengalaman, intuisi sehigga dirasakan dan diamati, namun kelengkapan data numerik tidak menunjang untuk memodelkan secara kuantitatif.

Kelemahan

1.       Ketergantungan model AHP pada input utamanya.

Input utama ini berupa persepsi seorang ahli sehingga dalam hal ini melibatkan subyektifitas sang ahli selain itu juga model menjadi tidak berarti jika ahli tersebut memberikan penilaian yang keliru.

2.       Metode AHP ini hanya metode matematis tanpa ada pengujian secara statistik

sehingga tidak ada batas kepercayaan dari kebenaran model yang terbentukhttp://cheesterzone.blogspot.com/2011/11/kelebihan-dan-kelemahan-metode-ahp.html

Macam-macam Metode SPK

Macam - Macam Metode Sistem Penunjang Keputusan

Metode Sistem pakar
Sistem pakar adalah suatu program komputer yang dirancang untuk mengambil keputusan seperti keputusan yang diambil oleh seorang atau beberapa orang pakar. Menurut Marimin (1992), sistem pakar adalah sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.

Modul Penyusun Sistem Pakar

Suatu sistem pakar disusun oleh tiga modul utama (Staugaard, 1987), yaitu :

1. Modul Penerimaan Pengetahuan Knowledge Acquisition Mode)

Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

2. Modul Konsultasi(Consultation Mode)

Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

3. Modul Penjelasan(Explanation Mode)

Modul ini menjelaskan proses pengambilan keputusan oleh sistem (bagaimana suatu keputusan dapat diperoleh).

Struktur Sistem Pakar

Komponen utama pada struktur sistem pakar (Hu et al, 1987) meliputi:

1. Basis Pengetahuan (Knowledge Base)

Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui. Menurut Gondran (1986) dalam Utami (2002), basis pengetahuan merupakan representasi dari seorang pakar, yang kemudian dapat dimasukkan kedalam bahasa pemrograman khusus untuk kecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistem pakar (misalnya EXSYS, PC-PLUS, CRYSTAL, dsb.)

2. Mesin Inferensi (Inference Engine)

Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian.

Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.

Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua tehnik pengendalian tersebut.

3. Basis Data (Database)

Basis data terdiri atas semua fakta yang diperlukan, dimana fakta-fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.

4. Antarmuka Pemakai (User Interface)

Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai dengan sistem. Hubungan antar komponen penyusun struktur sistem pakar dapat dilihat pada Gambar di bawah ini :

Teknik Representasi Pengetahuan

Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya.

Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu :

1. Rule-Based Knowledge

2. Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules).

    Bentuk representasi ini terdiri atas premise dan kesimpulan

3. Frame-Based Knowledge

    Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame

4. Object-Based Knowledge Pengetahuan direpresentasikan sebagai jaringan dari

    obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses)

5. Case-Base Reasoning Pengetahuan direpresentasikan dalam bentuk kesimpulan

    kasus (cases)

(Untuk mengetahui lebih jelasnya, Anda dapat membaca buku :

• Management Information System (J.A. O'Brien) McGraw Hill. Arizona.USA.

• Decision Support and Expert Systems; Management Support Systems (E. Turban)

   Prentice Hall. New Jersey.USA.

• Buku-buku lain yang membahas tentang Sistem Pakar)

Sistem pakar adalah sistem yang mempekerjakan pengetahuan manusia yang ditangkap dalam komputer untuk memecahkan masalah yang biasanya membutuhkan keahlian manusia. Adapun komponen-kompenen yang mungkin ada dalam sebuah sistem pakar adalah:

1. Subsistem akuisisi pengetahuan

2. Basis pengetahuan

    Basis pengetahuan berisi pengetahuan penting untuk pengertian, formulasi dan

    pemecahan masalah. Basis pengetahuan memasukkan dua elemen (1) fakta (facts)

    seperti situasi masalah dan teori dari area masalah dan (2) heuristic khusus atau

    rule-rule yang menghubungkan penggunaan pengetahuan untuk pemecahan

    masalah spesifik dalam sebuah domain khusus. Informasi dalam basis pengetahuan

    tergabung dalam basis pengetahuan tergabung dalam sebuah program computer

    oleh proses yang disebut dengan representasi pengetahuan.

3. Mesin inferensi

4. Blackboard (Wilayah kerja)

5. User interface

    Sistem pakar berisi bahasa prosesor untuk komunikasi yang bersahabat,

    berorientasi pada masalah antara pengguna dan komputer. Komunikasi ini dapat

    secara baik dibawa oleh natural language, dan dalam beberapa kasus user interface

    ditambahkan dengan menu-menu dan grafik.

6. Subsistem penjelasan

7. Sistem penyaringan pengetahuan

   

    Sedangkan konsep dasar dalam sistem pakar menurut Turban, 1993 adalah:

1. Keahlian (Expertise)

2. Pakar (Expert)

3. Transfer keahlian

4. Inferensi

5. Rule

6. Kemampuan memberikan penjelasanHYPERLINK "http://kmp.htm/" \t "right"

    Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi dari keahlian

    pemecahan masalah dari beberapa sumber pengetahuan ke program komputer

    untuk konstruksi atau perluasan basis pengetahuan. Sumber-sumber pengetahuan

    potensial termasuk pakar manusia, textbook, database, laporan penelitian khusus,

    dan gambar-gambar. Pengakuisisian pengetahuan dari pakar adalah tugas kompleks

    yang sering membuat kemacetan dalam konstruksi sistem pakar sehingga

    dibutuhkan seorang knowledge engineer untuk berinteraksi dengan satu atau lebih

    pakar dalam membangun basis pengetahuan. Metode Regresi linier

    Regresi linier adalah metode statistika yang digunakan untuk membentuk model

    hubungan antara variabel terikat (dependen; respon; Y) dengan satu atau lebih

    variabel bebas (independen, prediktor, X). Apabila banyaknya variabel bebas hanya

    ada satu, disebut sebagai regresi linier sederhana, sedangkan apabila terdapat lebih

    dari 1 variabel bebas, disebut sebagai regresi linier berganda.

    Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu untuk tujuan deskripsi

    dari fenomena data atau kasus yang sedang diteliti, untuk tujuan kontrol, serta

    untuk tujuan prediksi. Regresi mampu mendeskripsikan fenomena data melalui

    terbentuknya suatu model hubungan yang bersifatnya numerik. Regresi juga dapat  

     digunakan untuk melakukan pengendalian (kontrol) terhadap suatu kasus atau hal-

     hal yang sedang diamati melalui  penggunaan model regresi yang diperoleh. Selain

     itu, model regresi juga dapat dimanfaatkan untuk melakukan prediksi untuk

     variabel terikat. Namun yang perlu diingat, prediksi di dalam konsep regresi hanya  

     boleh dilakukan di dalam rentang data dari variabel-variabel bebas yang digunakan

     untuk membentuk model regresi tersebut. Misal, suatu model regresi diperoleh

     dengan mempergunakan data variabel bebas yang memiliki rentang antara 5 s.d.

     25, maka prediksi hanya boleh dilakukan bila suatu nilai yang digunakan sebagai

     input untuk variabel X berada di dalam rentang tersebut. Konsep ini disebut

     sebagai interpolasi. Data untuk variabel independen X pada regresi linier bisa

     merupakan data pengamatan yang tidak ditetapkan sebelumnya oleh peneliti

     (obsevational data) maupun data yang telah ditetapkan (dikontrol) oleh peneliti

     sebelumnya (experimental or fixed data). Perbedaannya adalah bahwa

     dengan menggunakan fixed data, informasi yang diperoleh lebih kuat dalam

     menjelaskan hubungan sebab akibat antara variabel X dan variabel Y. Sedangkan,

     pada observational data, informasi yang diperoleh belum tentu merupakan  

     hubungan sebab-akibat. Untuk fixed data, peneliti sebelumnya telah memiliki

     beberapa nilai variabel X yang ingin diteliti. Sedangkan, pada observational data,

     variabel X yang diamati bisa berapa saja, tergantung keadaan di lapangan.

    Biasanya, fixed data diperoleh dari percobaan laboratorium, dan observational data

    diperoleh dengan menggunakan kuesioner. Di dalam suatu model regresi kita akan   

    menemukan koefisien-koefisien. Koefisien pada model regresi sebenarnya adalah

    nilai duga parameter di dalam model regresi untuk kondisi yang sebenarnya (true

    condition), sama halnya dengan statistik mean (rata-rata) pada konsep statistika

dasar. Hanya saja, koefisien-koefisien untuk model regresi merupakan suatu nilai rata-rata yang berpeluang terjadi pada variabel Y (variabel terikat) bila suatu nilai X (variabel bebas) diberikan.  Koefisien regresi dapat dibedakan menjadi 2 macam, yaitu:

1. Intersep (intercept)

Intersep, definisi secara metematis adalah suatu titik perpotongan antara suatu garis dengan sumbu Y pada diagram/sumbu kartesius saat nilai X = 0. Sedangkan definisi secara statistika adalah nilai rata-rata pada variabel Y apabila nilai pada variabel X bernilai 0. Dengan kata lain, apabila X tidak memberikan kontribusi, maka secara rata-rata, variabel Y akan bernilai sebesar intersep. Perlu diingat, intersep hanyalah suatu konstanta yang memungkinkan munculnya koefisien lain di dalam model regresi. Intersep tidak selalu dapat atau perlu untuk diinterpretasikan. Apabila data pengamatan pada variabel X tidak mencakup nilai 0 atau mendekati 0, maka intersep tidak memiliki makna yang berarti, sehingga tidak perlu diinterpretasikan.

Secara matematis, slope merupakan ukuran kemiringan dari suatu garis. Slope adalah

koefisien regresi untuk variabel X (variabel bebas). Dalam konsep statistika, slope

merupakan suatu nilai yang menunjukkan seberapa besar kontribusi (sumbangan) yang diberikan suatu variabel X terhadap variabel Y. Nilai slope dapat pula diartikan sebagai ratarata pertambahan (atau pengurangan) yang terjadi pada variabel Y untuk setiap peningkatan satu satuan variabel X.

Contoh model regresi:

Y = 9.4 + 0.7*X + 

Angka 9.4 merupakan intersep, 0.7 merupakan slope, sedangkan  merupakan error.

Error bukanlah berarti sesuatu yang rusak, hancur atau kacau. Pengertian error di dalam konsep statistika berbeda dengan pengertian error yang selama ini dipakai di dalam kehidupan sehari-hari.

Metode B/C Ratio

Analisis manfaat-biaya merupakan analisis yang digunakan untuk mengetahui besarankeuntungan/kerugian serta kelayakan suatu proyek. Dalam perhitungannya, analisis inimemperhitungkan biaya serta manfaat yang akan diperoleh dari pelaksanaan suatu program.Dalam analisisbenefit dancos t perhitungan manfaat serta biaya ini merupakan satu kesatuanyang tidak dapat dipisahkan.

Analisis ini mempunyai banyak bidang penerapan. Salah satu bidang penerapan yang umummenggunakan rasio ini adalah dalam bidang investasi. Sesuai dengan dengan maknatekstualnya yaitu benefit cost (manfaat-biaya) maka analisis ini mempunyai penekanan dalamperhitungan tingkat keuntungan/kerugian suatu program atau suatu rencana denganmempertimbangkan biaya yang akan dikeluarkan serta manfaat yang akan dicapai. Penerapananalisis ini banyak digunakan oleh para investor dalam upaya mengembangkan bisnisnya.Terkait dengan hal ini maka analisis manfaat dan biaya dalam pengembangan investasi hanyadidasarkan pada rasio tingkat keuntungan dan biaya yang akan dikeluarkan atau dalam kata lainpenekanan yang digunakan adalah pada rasio finansial atau keuangan.

Dibandingkan penerapannya dalam bidang investasi, penerapan Benefit Cost Ratio (BCR) telahbanyak mengalami perkembangan. Salah satu perkembangan analisis BCR antara lain yaitupenerapannya dalam bidang pengembangan ekonomi daerah. Dalam bidang pengembanganekonomi daerah, analisis ini umum digunakan pemerintah daerah untuk menentukan kelayakanpengembangan suatu proyek.

Relatif berbeda dengan penerapan BCR di bidang investasi, penerapan BCR dalam prosespemilihan suatu proyek terkait upaya pengembangan ekonomi daerah relatif lebih sulit. Hal inidikarenakan aplikasi BCR dalam sektor publik harus mempertimbangkan beberapa aspek terkait

social benefit(social welfare function) dan lingkungan serta tak kalah penting adalah factor efisiensi. Faktor efisiensi mutlak menjadi perhatian menimbang terbatasnya dana dan kemampuan pemerintah daerah sendiri. Secara terinci aspek-aspek tersebut juga mempertimbangkan dampak penerapan suatu program dalam masyarakat baik secara langsung (direct impact) maupun tidak langsung (indirect impact), faktor eksternalitas, ketidakpastian (uncertainty), risiko (risk) serta shadow price. Terkait perhitungan risiko dan ketidakpastian, hal ini dapat diatasi dengan menggunakan asuransi danmelakukan lindung nilai (hedging). Efisiensi ekonomi merupakan kontribusi murni suatu program dalam peningkatan kesejahteraan masyarakat. Sehingga yang menjadi perhatian utama dalam penerapan BCR dalam suatu proyekpemerintah yang berkaitan dengan sektor publik adalah redistribusi sumber daya.

Metode AHP

AHP merupakan suatu model pendukung keputusan yang  dikembangkan oleh Thomas L. Saaty. Model pendukung keputusan ini  akan menguraikan masalah multi faktor atau multi kriteria yang  kompleks menjadi suatu hirarki, menurut Saaty (1993), hirarki  didefinisikan sebagai suatu representasi dari sebuah permasalahan  yang

kompleks dalam suatu struktur multi level dimana level pertama  adalah tujuan, yang diikuti level faktor, kriteria, sub kriteria, dan seterusnya ke bawah hingga level terakhir dari alternatif. Dengan hirarki, suatu masalah yang kompleks dapat diuraikan ke dalam kelompok-kelompoknya yang kemudian diatur menjadi suatu bentuk

hirarki sehingga permasalahan akan tampak lebih terstruktur dan sistematis.

AHP sering digunakan sebagai metode pemecahan masalah  dibanding dengan metode yang lain karena alasan-alasan sebagai berikut :

1. Struktur yang berhirarki, sebagai konsekuesi dari kriteria yang  dipilih, sampai pada

    subkriteria yang paling dalam.

2. Memperhitungkan validitas sampai dengan batas toleransi inkonsistensi berbagai

    kriteria dan alternatif yang dipilih oleh pengambil keputusan.

3. Memperhitungkan daya tahan output analisis sensitivitas pengambilan keputusan.

Kelebihan dan Kelemahan AHP

Layaknya sebuah metode analisis, AHP pun memiliki kelebihan dan kelemahan dalam system analisisnya. Kelebihan-kelebihan analisis ini adalah :

Kesatuan (Unity)§

AHP membuat permasalahan yang luas dan tidak terstruktur menjadi suatu model yang fleksibel dan mudah dipahami.

Kompleksitas (Complexity)§

AHP memecahkan permasalahan yang kompleks melalui  pendekatan sistem dan pengintegrasian secara deduktif.

Saling ketergantungan (Inter Dependence)§

AHP dapat digunakan pada elemen-elemen sistem yang saling bebas dan tidak memerlukan hubungan linier.

Struktur Hirarki (Hierarchy Structuring)§

AHP mewakili pemikiran alamiah yang cenderung mengelompokkan elemen sistem ke level-level yang berbeda dari masing-masing level berisi elemen yang serupa.

Pengukuran (Measurement)§

AHP menyediakan skala pengukuran dan metode untuk mendapatkan prioritas.

Konsistensi (Consistency)§

AHP mempertimbangkan konsistensi logis dalam penilaian yang digunakan untuk menentukan prioritas.

Sintesis (Synthesis)§

AHP mengarah pada perkiraan keseluruhan mengenai seberapa  diinginkannya masing-masing alternatif.

Trade Off§

AHP mempertimbangkan prioritas relatif faktor-faktor pada sistem  sehingga orang mampu memilih altenatif terbaik berdasarkan tujuan mereka.

Penilaian dan Konsensus (Judgement and Consensus)§

AHP tidak mengharuskan adanya suatu konsensus, tapi  menggabungkan hasil penilaian yang berbeda.

Pengulangan Proses (Process Repetition)§

AHP mampu membuat orang menyaring definisi dari suatu permasalahan dan mengembangkan penilaian serta pengertian mereka melalui proses pengulangan.

Sedangkan kelemahan metode AHP adalah sebagai berikut:

Ketergantungan model AHP pada input utamanya. Input utama ini§

berupa persepsi seorang ahli sehingga dalam hal ini melibatkan  subyektifitas sang ahli selain itu juga model menjadi tidak berarti jika ahli tersebut memberikan penilaian yang keliru.

Metode AHP ini hanya metode matematis tanpa ada pengujian§

secara statistik sehingga tidak ada batas kepercayaan dari kebenaran model yang terbentuk

C. Tahapan AHP

Dalam metode AHP dilakukan langkah-langkah sebagai berikut

(Kadarsyah Suryadi dan Ali Ramdhani, 1998) :

1. Mendefinisikan masalah dan menentukan solusi yang diinginkan.Dalam tahap ini

    kita berusaha menentukan masalah yang akan kita pecahkan secara jelas, detail dan   

  mudah dipahami. Dari

  masalah yang ada kita coba tentukan solusi yang mungkin cocok

  bagi masalah tersebut. Solusi dari masalah mungkin berjumlah

  lebih dari satu. Solusi tersebut nantinya kita kembangkan lebih

  lanjut dalam tahap berikutnya.

2. Membuat struktur hierarki yang diawali dengan tujuan utama. Setelah menyusun

     tujuan utama sebagai level teratas akan disusun level hirarki yang berada di

     bawahnya yaitu kriteria-kriteria yang cocok untuk mempertimbangkan atau

     menilai alternatif yang kita berikan dan menentukan alternatif tersebut. Tiap

     kriteria mempunyai intensitas yang berbeda-beda. Hirarki dilanjutkan dengan

     subkriteria (jika mungkin diperlukan).

3. Membuat matrik perbandingan berpasangan yang

menggambarkan kontribusi relatif atau pengaruh setiap elemen terhadap tujuan atau kriteria yang setingkat di atasnya. Matriks yang digunakan bersifat sederhana, memiliki kedudukan kuat untuk kerangka konsistensi, mendapatkan informasi lain yang mungkin dibutuhkan dengan semua perbandingan yang mungkin

dan mampu menganalisis kepekaan prioritas secara keseluruhan untuk perubahan pertimbangan. Pendekatan dengan matriks mencerminkan aspek ganda dalam prioritas yaitu mendominasi dan didominasi. Perbandingan dilakukan berdasarkan judgment dari pengambil keputusan dengan menilai tingkat kepentingan

suatu elemen dibandingkan elemen lainnya. Untuk memulai proses perbandingan berpasangan dipilih sebuah kriteria dari level paling atas hirarki misalnya K dan kemudian dari level di bawahnya diambil elemen yang akan dibandingkan misalnya

E1,E2,E3,E4,E5

Metode IRR

Metode ini untuk membuat peringkat usulan investasi dengan menggunakan tingkat pengembalian atas investasi yang dihitung dengan mencari tingkat diskonto yang menyamakan nilai sekarang dari arus kas masuk proyek yang diharapkan terhadap nilai sekarang biaya proyek atau sama dengan tingkat diskonto yang membuat NPV sama dengan nol.

RUMUS!

Apabila Ao adalah investasi pada periode 0 dan A1 sampai An adalah aliran bersih dari periode 1 sampai n, maka metode IRR semata mata mencari discount factor yang menyamakan A0 dengan A1 sampai An. Penerimaan atau penolakan usulan investasi ini adalah dengan membandingkan IRR dengan tingkat bunga yang disyaratkan (required rate of return). Apabila IRR lebih besar dari pada tingkat bunga yang disyaratkan maka proyek tersebut diterima, apabila lebih kecil diterima.

Kelemahan secara mendasar menurut teori memang hampir tidak ada, namun dalam praktek penghitungan untuk menentukan IRR tersebut masih memerlukan penghitungan NPV

Internal Rate of Return (IRR)

Ukuran kedua yang sering digunakan dalam analisis manfaat finansial adalah internal rate of return (IRR) atau tingkat pengembaliandari investasi. IRR menunjukan tingkat discount rate atau tingkat keuntungan dari investasi yang menghasilkan NPV sama dengan nol.

Untuk mengitung IRR digunakan rumus sebagai berikut:

RUMUS

Kriteria penilain digunakan tingkat bunga bank. Jadi, jika IRR ??tingkat bunga bank, maka usaha yang direncanakan atau yang diusulan layak untuk dilaksanakan, dan jika sebaliknya usaha yang direncanakan tidak layak untuk dilaksanakan.

Internal Rate of Return (IRR)

Teknik perhitungan dengan IRR banyak digunakan dalam suatu analisis investasi, namun relatif sulit untuk ditentukan karena untuk mendapatkan nilai yang akan dihitung diperlukan suatu 'trial and error' hingga pada akhirnya diperoleh tingkat bunga yang akan menyebabkan NPV sama dengan nol. IRR dapat didefinisikan sebagai tingkat bunga yang akan menyamakan present value cash inflow dengan jumlah initial investment dari proyek yang sedang dinilai. Dengan kata lain, IRR adalah tingkat bunga yang akan menyebabkan NPV sama dengan nol, karena present value cash inflow pada tingkat bunga tersebut akan sama dengan initial investment. Suatu usulan proyek investasi akan ditetima jika IRR > cost of capital dan akan ditolak jika IRR < cost of capital. Perhitungan IRR untuk pola cash flow yang bersifat seragam (anuitas), relatif berbeda dengan yang berpola tidak seragam. Menurut Arifin dan Fauzi (1999:13) bahwa: Adapun langkah-langkah menghitung IRR untuk pola cash flow yang sama adalah sebagai beiikut: a. Hitung besarnya payback period untuk proyek yang sedang dievaluasi. b. Gunakan tabel discount factor, dan pada baris umur proyek, cari angka yang sama atau mendekati dengan hasil payback period pada langkah 1 di atas. IRR terletak pada persentase terdekat hasil yang diperoleh. c. Untuk mendapatkan nilai IRR yang sesungguhnya dapat ditempuh dengan menggunakan interpolasi. Sedangkan untuk proyek yang memiliki pola cash inflow yang tidak seragam, dapat diselesaikan dengan langkah-langkah berikut: a) Hitung rata-rata cash inflow per tahun b) Bagi initial investment dengan rata-rata cash inflow untuk mengetahui "estimasi" payback period dari proyek yang sedang dievaluasi. c) Gunakan tabel discount factor untuk menghitung besarnya IRR, seperti langkah ke-2 dalam menghitung IRR untuk pola cash flow yang berbentuk seragam (anuitas). Hasil yang diperoleh akan merupakan "perkiraan IRR'. d) Selanjutnya sesuaikan IRR yang diperoleh pada langkah ke-3 di atas, yaitu diperbesar atau diperkecil, ke dalam pola cash flow yang sesungguhnya. Apabila cash inflow yang sesungguhnya dalam tahun-tahun pertama temyata lebih besar dari rata-rata yang diperoleh dalam langkah ke 1 di atas, maka perbesarlah tingkat discount yang digunakan, dan apabila sebaliknya maka perkecillah discount tersebut. e) Dari hasil discount rate yang diperoleh pada langkah ke-4, kernudian hitunglah NPV dari proyek tersebut. f) Apabila hasil yang diperoleh lebih besar dari nol, maka naikkanlah discount rate yang digunakan, dan apabila sebaliknya maka turunkanlah discount rate tersebut. g) Hitunglah kembali NPV dengan menggunakan discount rate yang baru, sampai akhirnya diperoleh discount rate yang secara berurutan menghasilkan NPV yang positif dan negatif. Dengan jalan interpolasi akan ditemukan nilai IRR yang sesungguhnya. Setelah IRR diketahui langkah selanjutnya adalah membandingkan IRR dengan cost of capital. Apabila IRR lebih besar dari pada cost of capital maka rencana investasi dapat diterima karena menguntungkan dan sebaliknya apabila IRR lebih kecil dari pada cost of capital maka rencana investasi ditolak karena merugikan. Metode PBP PBP, adalah metode yang digunakan dengan cara menyusun satu demi satu piece hingga layer tersebut solve. PBP ini sendiri sangat berbeda dengan metoda lain yang mengharuskan harus membuat cross dan lain sebagainya. Metoda yang satu ini bisa dibilang full intuitive (kecuali untuk layer ke 2) karena tidak memerlukan algoritma untuk menyusun satu layer, cukup dengan logika murni saja, dan inilah salah satu kelebihan dari metoda PBP ini. Selain itu metoda ini sangat cocok untuk dipelajari bagi mereka yang baru (sangat baru =.=) dalam cubing, ini berdasarkan fakta nyata yang saya alami ketika mengajarkan cubing ke teman-teman saya, mereka lebih mudeng dengan metoda ini daripada LBL yang merupakan metoda paling umum yang dipelajari oleh para beginner. Baik langsung saja, saya akan memberi beberapa contoh PBP Metode MPE Metode Perbandingan Eksponensial (MPE), merupakan salah satu metode untuk menentukan urutan prioritas alternatif keputusan dengan kriteria jamak , Teknik ini cocok untuk penilaian dengan skala ordinal. Hasil MPE akan lebih kontras dari pada hasil Bayes. Prosedur MPE • Formulasi perhitungan skor untuk setiap alternatif dalam metoda perbandingan eksponensial adalah: m Total nilai (TNi) =å (RK ij)TKK j j=1 Keterangan : TNi = Total nilai alternatif ke -i RK ij = derajat kepentingan relatif kriteria ke-j pada pilihan keputusan i TKK j = derajat kepentingan kritera keputusan ke-j; TKKj > 0; bulat

n = jumlah pilihan keputusan

m = jumlah kriteria keputusan

• Penentuan tingkat kepentingan kriteria dilakukan dengan cara wawancara dengan

   pakar atau melalui kesepakatan curah pendapat.

• Penentuan skor alternatif pada kriteria tertentu dilakukan dengan memberi nilai

   setiap alternatif berdasarkan nilai kriterianya .

Keuntungan MPE

• Mengurangi bias yang mungkin terjadi dalam analisa

• Nilai skor yang menggambarkan urutan prioritas menjadi besar (fungsi

   eksponensial) ini mengakibatkan urutan prioritas alternatif keputusan lebih nyata

Contoh Aplikasi MPE

• Penilaian terhadap tiga alternatif calon pemimpin divisi ICT (Pergiwa, Bratasena,

   Kresna)

• Kriteria yang dipertimbangkan: Kecakapan, Kepemimpinan dan Kejujuran

• Penilaian alternatif pada setiap kriteria menggunakan skala penilaian 1-9.

Contoh Pemilihan pimpinan

Alternatif Kriteria Nilai

Alternatif Peringkat

Kecakapan Kepemimpinan Kejujuran

1. Pergiwa 4 4 3

2. Bratasena 4 5 2

3. Kresna 4 3 4

Tk. Kepentingan Kriteria 3 4 3

• Nilai (Pergiwa) = 4 **(3) + 4**(4) + 3**(3) = ?

• Nilai alternatif 1,2, dan 3 adalah? sehingga didapat alternatif yang terurut dari yang

   terbaik adalah alternatif?

Metode NPV

NPV merupakan selisih antara pengeluaran dan pemasukan yang telah didiskon dengan menggunakan social opportunity cost of capital sebagai diskon faktor, atau dengan kata lain merupakan arus kas yang diperkirakan pada masa yang akan datang yang didiskontokan pada saat ini.Untuk menghitung NPV diperlukan data tentang perkiraan biaya investasi, biaya operasi, dan pemeliharaan serta perkiraan manfaat/benefit dari proyek yang direncanakan.

Rumus yang digunakan

Arus kas masuk dan keluar yang didiskontokan pada saat ini (present value (PV)). yang dijumlahkan selama masa hidup dari proyek tersebut dihitung dengan rumus:

dimana:

t - waktu arus kas

i – adalah suku bunga diskonto yang digunakan

Rt - arus kas bersih (the net cash flow) dalam waktu

Arti perhitungan NPV

Pada tabel berikut ditunjukkan arti dari perhitungan NPV terhadap keputusan investasi yang akan dilakukan.

Bila... Berarti... Maka...

NPV > 0 investasi yang dilakukan memberikan manfaat bagi perusahaan proyek bisa dijalankan

NPV < 0 investasi yang dilakukan akan mengakibatkan kerugian bagi perusahaan proyek ditolak

NPV = 0 investasi yang dilakukan tidak mengakibatkan perusahaan untung ataupun merugi Kalau proyek dilaksanakan atau tidak dilaksanakan tidak berpengaruh pada keuangan perusahaan. Keputusan harus ditetapkan dengan menggunakan kriteria lain misalnya dampak investasi terhadap positioning perusahaan. 

 http://ilkommanalu.blogspot.com/2013/01/macam-macam-metode-spk.html