Modul 7 - Perancangan Sistem Pendukung Keputusan.pdf

TI3007 - Praktikum Perancangan Sistem Terintegrasi III Modul 07 || Perancangan Sistem Pendukung Keputusan

Laboratorium Sistem Informasi dan Keputusan ITB 1

MODUL PRAKTIKUM TI-3007

PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI III

Modul 07

Perancangan Sistem

Pendukung Keputusan

LABORATORIUM SISTEM INFORMASI DAN KEPUTUSAN

PROGRAM STUDI TEKNIK INDUSTRI

INSTITUT TEKNOLOGI BANDUNG

2015

http://www.google.com/url?sa=i&rct=j&q=&esrc=s&source=images&cd=&cad=rja&docid=uEJDjWVjmh0FsM&tbnid=wrGP8Vzm1CXEgM:&ved=0CAUQjRw&url=http://www.citixsys.com/solutions/sap/sap-business-one/&ei=GlsTU-z6C8qErAeTiYCIDA&bvm=bv.62286460,d.bmk&psig=AFQjCNG0IRT-D_9SyxmC3LKCWWZrF54kDg&ust=1393863817381731



Tujuan Praktikum

Tujuan Umum Praktikan mampu merancang sebuah sistem pendukung keputusan sederhana

Tujuan Khusus Praktikan mampu untuk:

1. Memahami karakteristik utama sistem pendukung keputusan

2. Memahami komponen utama sistem pendukung keputusan

3. Memahami metode perancangan sistem pendukung keputusan

4. Merancang model prediktif dan optimisasi sederhana pada suatu sistem pendukung

keputusan untuk kegiatan operasional bisnis

5. Merancang prototype sistem pendukung keputusan sederhana

Prerequisites

1. TI2104 - Sistem Basis Data

2. TI2001 - Penelitian Operasional I

3. TI3102 - Penelitian Operasional II

4. TI3103 - Pemodelan Sistem

5. TI3006 - Analisis dan Perancangan Sistem Informasi

Output Praktikum

Prototype sistem pendukung keputusan dalam sebuah file Macro-enabled Excel Workbook

Alat dan Bahan

1. Laptop yang terinstall Microsoft Excel 2010 atau 2013

2. Panduan praktikum modul 07 (terlampir)

3. Skenario permasalahan (terlampir)

4. Entity Relationship Diagram sistem eksisting



Peraturan Praktikum

Segala bentuk kecurangan akademik tidak akan ditoleransi dan akan menerima sanksi

sesuai aturan yang berlaku pada Buku Peraturan Akademik Institut Teknologi Bandung.

Selama pelaksanaan responsi praktikum maupun praktikum, praktikan diwajibkan untuk:

1. Berpenampilan rapi dan sopan.

2. Menggunakan kemeja yang berkancing dari atas hingga bawah.

3. Menggunakan sepatu tertutup.

4. Setiap bentuk keterlambatan akan diberikan sanksi sebagai berikut:

a. Keterlambatan saat pelaksanaan responsi dan tes awal praktikum akan

mengakibatkan pengurangan nilai tes awal (individu).

b. Keterlambatan saat pelaksanaan praktikum akan mengakibatkan pengurangan nilai

laporan kelompok.

c. Keterlambatan pengumpulan laporan praktikum dan file-file praktikum akan

mengakibatkan pengurangan nilai laporan kelompok.

Informasi resmi lainnya terkait praktikum dapat dilihat pada laman forum.ti.itb.ac.id.



Pendahuluan

Permasalahan pengambilan keputusan merupakan suatu permasalahan yang seringkali dihadapi di

dalam pengelolaan suatu sistem integral. Menurut Turban (2007), terdapat tiga jenis keputusan,

diantaranya:

1. Structured Decision

Structured Decision merupakan keputusan yang diambil secara rutin dan terdapat prosedur

yang jelas dalam proses pengambilan keputusannya. Pengambilan keputusan terstruktur

dalam implementasinya dapat dilakukan terprogram secara otomatis serta tidak memerlukan

penilaian manusia dalam pengambilan keputusannya.

Contoh: Wakil Rektor Bidang Akademik dan Kemahasiswaan ITB dengan memanfaatkan

Sistem Informasi Akademik ITB memutuskan untuk memperbolehkan seorang mahasiswa

mengambil hingga 24 SKS mata kuliah selama NR semester terakhir mahasiswa tersebut lebih

dari 3.25.

2. Semistructured Decision

Semistructured Decision merupakan keputusan yang sebagian masalahnya mempunyai

jawaban yang jelas, terdapat prosedur yang jelas dalam proses pengambilan keputusannya,

namun tetap memerlukan penilaian seorang decision maker dalam implementasinya.

Contoh: Permasalahan penentuan rute kendaraan (vehicle routing problem), permasalahan

penentuan kebijakan pengelolaan inventori, permasalahan pemilihan supplier bahan baku.

3. Unstructured Decision

Unstructured Decision merupakan keputusan yang tidak rutin, memerlukan penilaian dan

prosedur yang disepakati dalam pengambilannya. Biasanya keputusan yang tidak terstruktur

dijumpai di level eksekutif.

Contoh: Penentuan strategi korporasi.

Terstruktur Tidak Terstruktur

Tidak Rutin

Rutin

Computerized Decision Support Systems

Computerized Analyses for

Special Studies

Automated Decision Systems

Gambar 1 Macam-Macam Situasi Pengambilan Keputusan



Pada praktikum modul sebelumnya, anda telah mempelajari bagaimana merancang suatu sistem

informasi mulai dari memetakan dan memodelkan proses bisnis, hingga merancang sistem basis data

beserta user interface sistem. Anda juga telah mengetahui berbagai macam sistem informasi, mulai

dari sistem yang dapat merekam dan memproses transaksi (Transaction Processing System), sistem

yang dapat membuat laporan-laporan untuk para manager (Management Information System), sistem

yang dapat mendukung pengambilan keputusan (Decision Support System), sistem yang memiliki

pengetahuan para pakar (Expert System), hingga sistem yang memiliki kapabilitas untuk menampilkan

informasi-informasi internal dan eksternal bagi para eksekutif (Executive Information System)

(Beekman & Beekman, 2009). Modul ini akan secara spesifik membahas sistem pendukung keputusan,

sebagai salah satu jenis sistem informasi yang digunakan untuk mendukung pengambilan keputusan

semi-terstruktur dan tidak terstruktur. (Turban, 2007 )



Sistem Pendukung Keputusan

Karakteristik Sistem Pendukung Keputusan Menurut Turban (2007), sebuah sistem pendukung keputusan yang ideal harus memenuhi

karakteristik seperti yang digambarkan pada gambar berikut.

Gambar 2 Karakteristik Sistem Pendukung Keputusan (Turban, 2007)

Penjelasan terkait karakteristik-karakteristik tersebut adalah sebagai berikut:

1. Mendukung pengambilan keputusan, terutama pada situasi permasalahan yang berbentuk

semistruktur dan tidak terstruktur dengan menggabungkan pertimbangan-pertimbangan

manusia dan juga permasalahan computerized yakni permalasahan yang baru dapat

diselesaikan dengan bantuan komputer.

2. Mendukung semua tingkatan manajerial, mulai dari line managers sampai top executives.

3. Mendukung individual hingga kelompok grup. Masalah yang kurang terstruktur seringkali

memerlukan keterlibatan individu dari departemen dan dari tingkatan organisasi yang

berbeda atau bahkan dari organisasi yang berbeda. SPK juga dapat mendukung berbagai tim

virtual dengan menggunakan suatu web kolaboratif.

DSS Characteristics

1. Semistructur

ed and unstructured

problems

2. Support managers at

all levels

3. Support individuals and groups

4. Interdepend

ent or sequential decisions

5. Support intelligence,

design, choice,

implementation

6. Support variety of decision

processes and styles

7. Adaptable and flexible

8. Interactive ease of use

9. Effectiveness

, not efficiency

10. Humans control the

machine

11. Ease of development by end users

12. Modelling

and analysis

13. Data access

14. Standalone, integration and web-

based



4. Mendukung keputusan yang saling bergantungan ataupun berurutan. Keputusan tersebut

dapat ditetapkan sebanyak satu kali, beberapa kali, ataupun berulang kali.

5. Mendukung semua fase proses pengambilan keputusan; intelegensi, desain, pemilihan, dan

implementasi.

6. Mendukung dalam berbagai variasi proses dan bermacam-macam pengambilan keputusan.

7. Dapat beradaptasi seiring berjalannya waktu. Pengambilan keputusan sebaiknya bersifat

reaktif, dapat menghadapi dan beradaptasi terhadap perubahan kondisi yang terjadi dengan

cepat. SPK juga bersifat fleksibel, sehingga pemakai dapat menambah, menghapus,

menggabungkan, merubah, dan mengatur ulang elemen-elemen dasarnya. SPK juga

sebaiknya fleksibel sehingga dapat dimodifikasi untuk menyelesaikan permasalahan lainnya

yang serupa.

8. User friendly, memiliki kemampuan grafis yang baik, dan bahasa yang interaktif. Kebanyakan

aplikasi SPK saat ini menggunakan antar muka berbasiskan web.

9. Perbaikan pengambilan keputusan lebih berupa efektifitas (akurasi, aktualitas, dan kualitas)

dibanding efisiensi (biaya dalam mengambil keputusan). Biasanya, semakin lama

pengambilan keputusan, semakin baik alternatif keputusan yang dihasilkan.

10. Pengambil keputusan dapat mengontrol SPK seluruhnya pada setiap langkah pengambilan

keputusan yang dilakukan. SPK secara spesifik ditujukan untuk membantu bukan untuk

mengganti peran seorang pengambil keputusan.

11. Pemakai dapat mengembangkan dan memodifikasi sistem yang simpel secara sendiri. Untuk

sistem yang lebih besar dapat dibangun dengan bantuan information system specialist.

12. Dalam SPK sebuah model diutilisasi untuk menganalisis situasi pengambilan keputusan.

Kemampuan pembentukan model memungkinkan user dapat bereksperimen dengan

berbagai strategi dalam berbagai perbedaan konfigurasi. Model inilah yang membuat SPK

berbeda dengan bentuk sistem informasi lainnya.

13. Akses data disediakan untuk berbagai variasi sumber, format, dan tipe data.

14. SPK dapat digunakan sebagai alat yang bekerja sendiri (standalone) yang digunakan oleh

pengambil keputusan individual dalam satu lokasi, ataupun pengambil keputusan yang

terdistribusi dalam suatu organisasi atau antar organisasi yang berada dalam rantai suplai.

SPK dapat pula diintegrasikan dengan aplikasi SPK lainnya, dapat didistribusikan secara

internal maupun eksternal menggunakan teknologi web dan jaringan.

Manfaat Sistem Pendukung Keputusan Adapun manfaat menggunakan sistem pendukung keputusan adalah sebagai berikut:

1. SPK membantu pengambil keputusan untuk memecahkan masalah terutama berbagai

masalah yang berbentuk semi ataupun tidak terstruktur.

2. Menghemat waktu dalam pengambilan keputusan. Dengan menggunakan SPK, informasi

dapat diolah dengan cepat, sehingga alternatif keputusan dapat dihasilkan dengan waktu yang

lebih singkat.

3. SPK meningkatkan efektifitas dan kualitas alternatif keputusan yang dihasilkan.



Komponen Sistem Pendukung Keputusan Menurut Turban (2007), berikut ini adalah komponen-komponen suatu sistem pendukung keputusan.

Gambar 3 Komponen Utama Sistem Pendukung Keputusan (Turban, 2007)

Berikut ini merupakan penjelasan untuk masing-masing komponen Sistem Pendukung Keputusan.

Data Management Subsystem Merupakan subsistem yang mengatur aliran data di dalam DSS, mulai dari penyimpanan sampai

manipulasi (retrieval, inquiry, update, report generation, and delete) data. Subsistem ini terdiri dari 4

komponen utama: database, data directory, query facility, dan DBMS (Database Management

System).

Database berperan sebagai lokasi penyimpanan data, baik dari sumber internal maupun

eksternal.

Data directory merupakan katalog bagi data yang tersimpan di dalam database, digunakan

untuk mendeskripsikan ketersediaan data, sumber data, dan makna dari data tersebut.

Query facility digunakan untuk melakukan akses dan manipulasi data.

DBMS merupakan suatu sistem yang menghubungkan ketiga komponen di atas untuk

melakukan manipulasi data sesuai keinginan user.

Model Management Subsystem Dalam SPK, subsistem ini berperan dalam mengolah data yang ada pada database menjadi informasi

berupa rekomendasi keputusan. Subsistem ini membantu user dalam melakukan analisis kuantitatif,

dengan menggunakan model-model kuantitatif seperti model statistik, optimasi, finansial, atau

peramalan. Karakteristik yang unik dari model dalam DSS yakni kemampuannya yang tidak hanya

membuat model lalu mengolah data dengan model tersebut (ketika model dijalankan), tetapi juga

manipulasi (menyimpan dan mengambil/retrieval, mengubah/update, menggabungkan, dan inspeksi)

model. Sebagai contoh, jika kita ingin output dari model peramalan diproses sebagai input untuk

model program linier, maka dilakukan integrasi kedua model di atas. Pengembangan model dalam DSS

tidak selalu dilakukan dari nol (dengan bahasa pemrograman), melainkan dapat menggunakan

User

User Interface

Sub-system

Model

Management

Sub-system

Knowledge Based

Management Sub-

system

Data Management

Sub-System

Decision Support System



perintah (routine) atau set perintah (building block) dasar atau model yang telah tersedia, misalnya

penggunaan fungsi-fungsi dalam Ms. Excel.

User Interface Subsystem Subsistem ini merupakan mediator komunikasi antara user dengan komponen DSS lainnya. Secara

skematis, subsistem UI akan menerima input berupa perintah dari user melalui suatu objek standar

seperti drop-down menu, button, dll. Kemudian, input ini akan diteruskan ke komponen lainnya untuk

diproses sehingga diperoleh respon berupa diagram, tabel, atau format output lainnya yang

disampaikan ke user. Subsistem ini akan dihubungkan dengan suatu hardware sesuai dengan

kegunaannya.

Knowledge-Based Management Subsystem Komponen ini diperlukan pada DSS dengan tingkat kerumitan masalah yang tinggi, di mana

penyelesaian masalahnya memerlukan keahlian khusus. Beberapa contoh tools yang digunakan

antara lain Fuzzy Logic, Artificial Neural Networks, Genetic Algorithm, dll.

User Komponen terakhir dari DSS yakni pengguna, para pengambil keputusan. Meskipun bukan komponen

utama dalam DSS, pengguna menentukan efektivitas implementasi DSS dalam sistem. Secara umum,

pengguna dapat dibagi ke dalam 2 kelompok besar: spesialis/staf dan manager. Perancangan DSS

sebaiknya memperhatikan siapa pengguna dari DSS tersebut. Untuk para spesialis (seperti analis

finansial, perencana produksi, marketing researcher), DSS dapat dirancang lebih detil, dengan level

komputasi yang lebih rumit. Sebaliknya, untuk para manager, DSS sebaiknya dirancang lebih

sederhana dan user-friendly.

Metode Pengembangan Sistem Pendukung Keputusan Dalam Turban (2007), terdapat berbagai macam pendekatan dalam pengembangan sistem. Di

antaranya, terdapat 2 metode ekstrim yang dapat digunakan, yaitu System Development Lifecycle

(SDLC) dan Rapid Application Development (RAD).

System Development Lifecycle (SDLC) digunakan untuk merancang sistem yang besar. SDLC

merupakan metode terstruktur yang terdiri dari tahapan-tahapan yang dikerjakan secara

berurutan. Ada 4 tahapan fundamental, yaitu planning, analysis, design, dan implementation.

(Turban, 2007 )

Rapid Application Development (RAD) atau Prototyping, melibatkan tahap analysis, design,

dan implementation yang dikerjakan secara cepat dan iteratif. Setiap iterasi akan

menghasilkan suatu prototype yang ditunjukkan kepada system user. Kemudian, berdasarkan

respon system user atas prototype tersebut, perbaikan dilakukan pada iterasi berikutnya.

Setelah dilakukan beberapa iterasi dan tidak ada lagi perbaikan yang diperlukan, maka sistem

dikembangkan berdasarkan prototype yang dihasilkan pada iterasi terakhir. (Turban, 2007 )

Pada praktikum ini, Anda akan merancang sistem pendukung keputusan dengan metode prototyping,

sehingga output dari praktikum ini adalah sebuah aplikasi sederhana yang merupakan prototype dari

sistem.



Jenis Sistem Pendukung Keputusan Terdapat beberapa jenis sistem pendukung keputusan berdasarkan proses pengambilan

keputusannya, diantaranya adalah Data-driven Decision Support System dan Model-driven Decision

Support System.

Tabel 1 Perbedaan model-driven DSS dan data-driven DSS

Perbedaan Model-Driven DSS Data-Driven DSS

Kebutuhan terhadap jumlah data yang besar

Tidak Ya

Objektif perancangan

Membantu pengambil keputusan dalam memahami

dampak pengambilan keputusan terhadap

organisasi.

Membantu decision maker dalam pengambilan keputusan melalui hasil pengembangan

pada masa lalu dan identifikasi hubungan dan pola data.

Model yang digunakan Kompleks Sederhana

Tools yang digunakan Model optimisasi, simulasi,

heuristik, prediktif, dan model lainnya

Data mining, OLAP (Online Analytical Processing)

Data-driven Decision Support System Data-driven Decision Support System adalah jenis sistem pendukung keputusan yang menekankan

kemampuan user dalam akses dan manipulasi data internal maupun data eksternal pada suatu

rangkaian waktu tertentu yang terkait dengan pengambilan keputusan.

Tools yang digunakan antara lain adalah data mining. Data Mining adalah sebuah proses penemuan

korelasi atau pola baru yang memiliki arti dengan melihat serta mempertimbangkan sejumlah besar

data yang tersimpan dalam data warehouse (penghubung beberapa database) dengan menggunakan

teknologi pengenalan pola maupun teknik statistik dan matematika. Beberapa jenis pekerjaan yang

dapat dilakukan dengan teknik data mining antara lain:

Description

Data mining mendeskripsikan pola jelas yang sesuai dengan interpretasi dan penjelasan intuitif

Classification

Data mining mengklasifikasikan sebuah set record dalam jumlah besar, dimana setiap record berisi

informasi mengenai variabel target (kategori) serta satu set variabel prediktor.

Estimation

Data mining dapat melakukan estimasi suatu set data berdasarkan data lainnya yang dianggap

berhubungan. Metode estimasi pada umumnya menggunakan analisis statisitik seperti estimasi

titik, interval, regresi, maupun analisis korelasi.

Prediction

Prediksi hampir sama dengan klasifikasi maupun estimasi. Perbedaan mendasar yaitu pada

prediksi, ada variabel waktu yang terlibat.

Clustering

Clustering merupakan pengelompokkan record, observasi, atau kasus ke dalam kelas‐kelas dengan

objek yang serupa. Sebuah cluster adalah koleksi record yang sama satu sama lain namun tidak

sama dengan record di cluster lain.

Association



Asosiasi merupakan sebuah teknik data mining yaitu melakukan pencarian atribut mana yang

akan dikombinasikan bersama.

Model-driven Decision Support System Model-driven Decision Support System adalah jenis sistem pendukung keputusan yang menekankan

kemampuan user dalam akses dan manipulasi terhadap model-model statistika, finansial, optimisasi,

maupun simulasi. Model-driven DSS menggunakan data dan parameter yang disediakan oleh user

untuk membantu pengambil keputusan dalam menganalisis sebuah situasi.

Berbeda dengan sistem informasi biasa yang hanya terdiri dari basis data dan user interface, sistem

pendukung keputusan memiliki model yang mengolah data-data menjadi suatu informasi berupa

rekomendasi keputusan. Model ini diimplementasikan ke dalam suatu algoritma yang mengolah data

pada database sebagai input, sehingga menghasilkan output berupa rekomendasi keputusan. Output

dari sistem pendukung keputusan ditampilkan pada user interface. Contoh penggunaan model

misalnya, model inventori probabilistik digunakan dalam sistem pendukung keputusan untuk

menentukan kebijakan reorder point pada pengelolaan gudang bahan baku.

Turban (2007), mengklasifikasikan model yang digunakan dalam SPK menjadi 7 kategori yang

terangkum dalam tabel 1.

Tabel 2 - Kategori Model-model pada SPK Menurut Turban (2007)

Kategori Proses & Objektif Contoh Model/Teknik

Optimisasi Pemilihan Alternatif dari Beberapa

Pilihan Alternatif

Mencari solusi terbaik dari beberapa alternatif solusi yang

tersedia

Decision Tree, Analytical Hierarchy Process,

Weighted Sum Model

Optimisasi via Algoritma

Mencari solusi terbaik dari banyak kemungkinan alternatif

solusi dengan menggunakan langkah-langkah improvement

yang sistematis.

Linear Programming, Model Jaringan

Optimisasi via Analisis Mencari solusi terbaik dengan menggunakan rumus (prinsip-

prinsip kalkulus)

Model Matematis Tanpa Pembatas

Model-model inventori

Simulasi Mencari solusi yang baik dengan

menggunakan eksperimen Monte Carlo Simulation

Heuristik Mencari solusi yang baik dengan

menggunakan aturan-aturan tertentu

Heuristic programming, Genetics Algorithm

Model Prediktif Memprediksikan masa depan

untuk kasus tertentu Model-model peramalan,

Model Rantai Markov

Model Lainnya Memecahkan kasus “what-if”, dengan menggunakan rumus

Model antrian



Perancangan Sistem Pendukung Keputusan

Pada praktikum ini, anda akan merancang sebuah Model-Driven DSS. Sebagai latihan, model yang

akan digunakan pada modul praktikum ini adalah model optimisasi via analisis dan model prediktif.

Model Optimisasi Sederhana Dalam Taha (2007), model matematis tanpa constraint merupakan model yang paling sederhana

dalam classical optimization theory. Model ini digunakan untuk mencari suatu titik optimal (titik

maksimum atau titik minimum) dari ruang solusi tanpa batas. Dalam OR, biasanya model ini dipakai

jika fungsi tujuan memiliki komponen-komponen yang memiliki respons yang bertentangan terhadap

perubahan nilai variabel keputusan (trade off).

Secara sederhana, titik optimal dapat dicari dengan cara mencoba mengganti-ganti nilai variabel

keputusan hingga diperoleh suatu nilai variabel keputusan yang /meminimumkan fungsi objektif.

Contoh bentuk khusus dari model ini misalnya adalah model EOQ yang mempertimbangkan trade off

antara ongkos simpan dan ongkos pesan dalam menentukan kebijakan ukuran pemesanan.

Gambar 4 - Ilustrasi Optimisasi Sederhana

Tabel 3 - Pencarian Solusi Optimal dengan Menggunakan Tabel

Optimal!

Variabel Keputusan

Fun

gsi O

bje

ktif



Model Prediktif: Model Rantai Markov

Konsep Rantai Markov dan Aplikasinya Menurut Turban (2007), model rantai Markov termasuk dalam kategori model prediktif untuk

memodelkan kejadian yang kemunculannya bersifat stokastik. Suatu fenomena dikatakan mengikuti

proses Markov jika fenomena yang terjadi pada suatu periode hanya dipengaruhi oleh fenomena yang

terjadi pada satu periode sebelumnya. (Taha, 2007) Dalam aplikasinya, proses Markov dapat

digunakan untuk memodelkan permasalahan inventori, peramalan cuaca, memprediksi perilaku

konsumen, penentuan strategi marketing, bahkan dapat digunakan pula untuk mengestimasi market

share.

Matriks Transisi Misalkan terdapat 𝑛 buah kejadian yang dapat terjadi, maka kita dapat mendefinisikan matriks

transisi sebagai berikut.

𝑃 = [

𝑝11 ⋯ 𝑝1𝑛

⋮ ⋱ ⋮𝑝𝑛1 ⋯ 𝑝𝑛𝑛

]

𝑝𝑖𝑗 adalah probabilitas terjadinya kejadian ke-𝑗 jika kejadian ke-𝑖 sudah terjadi.

Contoh:

Misalnya pada suatu mesin A, terdapat 2 kejadian yang mungkin muncul, yaitu mesin rusak dan mesin

tidak rusak. Jika pada bulan ini mesin A rusak, maka probabilitas mesin A rusak kembali pada bulan

depan adalah 5%. Jika pada bulan ini mesin A tidak rusak, maka probabilitas mesin A menjadi rusak

adalah 20%. Maka matriks transisi dari fenomena ini adalah sebagai berikut.

𝑃 = [0.8 0.2

0.95 0.05]

Probabilitas Kejadian pada Periode ke-n Jika matriks transisi 𝑃 diketahui, probabilitas kejadian pada periode ke-n dihitung dengan

menggunakan persamaan berikut ini.

𝒂𝒏 = 𝒂𝟏𝑃𝑛−1

𝒂𝒏 adalah vektor probabilitas pada periode ke-𝑛.

Contoh:

Jika pada bulan pertama mesin A rusak (𝒂𝟏 = (0,1)) , berapa probabilitas mesin rusak pada bulan

ketiga?

𝒂𝟑 = 𝒂𝟏𝑃2

𝒂𝟑 = [0 1] [0.8 0.2

0.95 0.05] [

0.8 0.20.95 0.05

] = [0.81 0.19]

Dari hasil perhitungan tersebut, dapat dilihat bahwa probabilitas mesin A rusak pada bulan ketiga

adalah 0.19.



Probabilitas Kejadian pada Kondisi Steady-state (Long Run Probabilities) Pada kondisi steady-state, matriks transisi tidak akan berubah lagi sepanjang waktu. Jadi, probabilitas

kejadian yang dapat terjadi pada suatu periode dalam jangka panjang dapat dihitung dengan

menggunakan persamaan berikut ini.

𝝅 = lim𝑛→∞

𝑃𝑛

Secara numerik, probabilitas jangka panjang dapat dicari dengan mengkuadratkan matriks 𝑃 berkali-

kali hingga hasil kuadratnya tidak berubah lagi.

Contoh:

Jika mesin A rusak, biaya perbaikan mesin A adalah Rp. 500.000. Dalam jangka panjang, berapa

ekspektasi biaya perbaikan mesin A yang dikeluarkan setiap bulannya?

Pertama, kita perlu mencari berapa probabilitas mesin A rusak dalam kondisi steady state, dengan

cara mengkuadratkan matriks 𝑃 berkali-kali.

𝑃 = [0.8 0.2

0.95 0.05], 𝑃2 = [

0.83 0.17

0.81 0.19 ], 𝑃4 = [

0.83 0.170.83 0.17

], 𝑃8 = [0.83 0.170.83 0.17

]

Dari perhitungan di atas, ternyata kondisi steady state sudah tercapai mulai dari periode 4. Dalam

kondisi steady state, probabilitas mesin A rusak adalah sebesar 0.17, sehingga dalam jangka panjang,

ekspektasi biaya perbaikan mesin A yang harus dikeluarkan setiap bulan adalah sebesar 0.17 x Rp.

500.000 = Rp.85.000/bulan.

Markovian Decision Process untuk Membuat Keputusan Berurutan terhadap Waktu Selain digunakan untuk menjelaskan fenomena stokastik, konsep Rantai Markov dapat digunakan

untuk membuat keputusan yang berurutan terhadap waktu. Misalnya, pada kasus mesin A, terdapat

2 alternatif metode perawatan, yaitu metode A dan B dengan biaya perawatan yang berbeda. Jika kita

menggunakan metode A, maka biaya perawatan yang harus dikeluarkan adalah Rp. 100.000/bulan,

jika kita menggunakan metode B, biaya perawatan yang harus dikeluarkan adalah Rp. 122.500/bulan.

BIaya perbaikan yang harus dikeluarkan setiap kali mesin A rusak adalah Rp. 500.000. Setiap alternatif

kebijakan memiliki matriks transisi masing-masing.

𝑃𝐴 = [0.8 0.2

0.95 0.05]

𝑃𝐵 = [0.85 0.150.99 0.01

]

Jika pada bulan ini mesin A rusak, untuk meminimalkan total biaya perawatan dan perbaikan mesin,

metode apa yang harus diimplementasikan untuk 2 bulan ke depan?

Pada bulan 1:

Mesin A diketahui rusak

Pada bulan 2:

Jika menggunakan metode A: Dari matriks transisi 𝑃𝐴, probabilitas mesin rusak pada bulan 2 = 0.05,

Ekspektasi Biaya Bulan Ke-2 = Ekspektasi Biaya Jika Tidak Rusak + Ekspektasi Biaya Jika Rusak

Ekspektasi Biaya Bulan Ke-2 = 0.95 * Biaya Perawatan + 0.05 * (Biaya Perawatan + Biaya

Perbaikan)



Biaya perbaikan = Rp. 500.000

Biaya Perawatan = Rp. 100.000

Ekspektasi Biaya Bulan Ke-2 = Rp. 125.000

Jika menggunakan metode B: Dari matriks transisi 𝑃𝐵, probabilitas mesin rusak pada bulan 2 = 0.01,



Perbaikan)




Jadi, sebaiknya pada bulan depan, kita menggunakan metode A.

Pada bulan 3:

Jika menggunakan metode A:

Karena pada bulan 2 sudah diputuskan untuk menggunakan metode A, maka probabilitas kejadian

mesin pada bulan 3 dihitung dengan menggunakan persamaan berikut.

𝒂𝟑 = 𝒂𝟏𝑃𝐴𝑃𝐴

𝒂𝟑 = [0 1] [0.8 0.2

0.95 0.05] [

0.8 0.20.95 0.05

] = [0.81 0.19]



Perbaikan)




Jika menggunakan metode B:

Karena pada bulan 2 sudah diputuskan untuk menggunakan metode A, maka probabilitas kejadian

mesin pada bulan 3 dihitung dengan menggunakan persamaan berikut.

𝒂𝟑 = 𝒂𝟏𝑃𝐴𝑃𝐵

𝒂𝟑 = [0 1] [0.8 0.2

0.95 0.05] [

0.85 0.150.99 0.01

] = [0.86 0.14]



Perbaikan)




Jadi, sebaiknya pada bulan 3 kita mengunakan metode B. Kesimpulan keputusan: Jika pada bulan ini

mesin A rusak, maka pada bulan depan kita sebaiknya menggunakan metode perawatan A, kemudian

pada bulan lusa kita menggunakan metode perawatan B.



Contoh Studi Kasus Perancangan SPK

Pada bagian ini, akan dijelaskan contoh permasalahan pengambilan keputusan operasional semi

terstruktur dalam mengelola suatu bisnis, beserta tahapan ringkas perancangan SPK-nya.

Deskripsi Permasalahan Kedai Pasti Segar adalah kedai yang menjual aneka macam es lemon. Kedai Pasti Segar dibuka dari jam

10.00 - 20.00 setiap harinya. Setiap jam 7.00 pagi, Pak Roy sebagai pemilik kedai, harus menetapkan

berapa stok buah lemon yang harus disediakan untuk penjualan pada hari tersebut. 1 porsi es lemon

membutuhkan 1 buah lemon sebagai bahan baku.

Berdasarkan pengamatan selama ini, jumlah penjualan es lemon harian sangat tergantung oleh cuaca

pada hari tersebut. Untuk setiap penjualan 1 porsi es lemon, Pak Roy mendapatkan keuntungan

sebesar Rp.4500. Sedangkan untuk setiap 1 porsi es lemon yang tidak terjual, Pak Roy akan mengalami

kerugian sebesar Rp.6000. Pak Roy juga telah memperhitungkan apabila terjadi lost sales(pembeli

kehabisan lemon), dia akan kehilangan kesempatan untuk memperoleh Rp. 3000 setiap porsinya.

Setelah lebih dari 6 bulan membuka usahanya, Pak Roy mulai merasa membutuhkan perencanaan

yang lebih baik untuk menetapkan berapa stok harian lemon yang harus disediakan. Pak Roy ingin

memanfaatkan data historis cuaca harian, data penjualan es lemon, dan data lost sales setiap harinya,

untuk meramalkan berapa sebaiknya jumlah stok lemon yang harus disediakan di awal hari agar

memperoleh keuntungan yang sebesar-besarnya. Pak Roy telah mendefinisikan ada 3 jenis cuaca yang

dapat terjadi pada suatu hari, yaitu: Cerah, Berawan, Hujan. Dia juga ingin dapat secara fleksibel

menentukan "berapa hari ke belakang" data historis yang digunakan sebagai dasar peramalan. Pak

Roy juga meminta rekomendasi keputusan stok dibuat untuk memaksimalkan profit harian jangka

panjang.

Pak Roy memerlukan sebuah sistem pendukung keputusan untuk menentukan berapa stok lemon

yang harus disediakan setiap harinya agar memperoleh keuntungan yang maksimum.

Formulasi Masalah Untuk mendapatkan pemahaman yang lebih baik terhadap suatu permasalahan, kita perlu

menstrukturkan permasalahan tersebut. Permasalahan pedagang es lemon ini dirangkum ke dalam 4

elemen masalah, yaitu decision maker, objektif, kriteria performansi, dan alternatif tindakan.

Decision Maker Decision maker, adalah seseorang/pihak yang berwenang untuk mengambil keputusan. Dalam kasus

ini, pihak yang berwenang adalah Pak Roy sebagai pemilik kedai.

Objektif Objektif adalah hal yang ingin dicapai decision maker dalam keputusannya. Dalam kasus ini,

objektifnya adalah memaksimalkan profit harian.

Kriteria Performansi Kriteria performansi adalah suatu parameter yang menentukan seberapa baik objektif tercapai. Dalam

kasus ini adalah prediksi ekspektasi profit harian.

Alternatif Tindakan Dalam kasus ini, alternatif yang dapat dilakukan oleh decision maker adalah dengan menentukan

berapa jumlah stok lemon harian yang harus disediakan di setiap awal hari.



Identifikasi Kebutuhan Setelah masalah terformulasikan ke dalam elemen-elemen masalah, langkah selanjutnya adalah

melakukan identifikasi kebutuhan user. Telah dijelaskan pada modul lalu, bahwa kebutuhan sistem

informasi dibagi menjadi 2, yaitu kebutuhan fungsional dan non-fungsional. Kebutuhan fungsional

berkaitan dengan fungsi utama sistem tersebut, yaitu kemampuan yang dapat dilakukan oleh sistem.

Kebutuhan fungsional inilah yang akan menentukan rancangan sistemnya seperti apa. Kebutuhan

non-fungsional berkaitan dengan properti atau kualitas yang harus dimiliki sistem. Kebutuhan non-

fungsional dapat diidentifikasi dengan menggunakan PIECES.

Dalam contoh kasus ini, misalnya kebutuhan fungsional sistem yang dirancang adalah sebagai berikut.

User dapat mencatat data historis penjualan, cuaca, dan lost sales setiap harinya

User dapat memperoleh rekomendasi keputusan berapa stok yang harus disediakan setiap

hari untuk memaksimalkan ekspektasi profit jangka panjang

User dapat memperoleh perkiraan keuntungan yang akan diperoleh

User secara fleksibel dapat mengganti-ganti parameter model

User dapat melihat data penjualan

Sistem dapat meramalkan cuaca berdasarkan data cuaca x hari terakhir, di mana x dapat di-

setting sendiri oleh user

User dapat melihat ramalan cuaca dalam bentuk diagram pie.

Desain Sistem

Desain Sistem secara Umum Setelah kebutuhan user teridenfitikasi, langkah selanjutnya adalah membuat desain sistem yang dapat

memenuhi kebutuhan-kebutuhan tersebut. Telah dibahas pada 2.4, terdapat 4 komponen dasar

sistem pendukung keputusan, yaitu Data Management Subsystem, Model Management Subsystem,

Knowledge-Based Management Subsystem, dan User Interface Subsystem.

Untuk mulai merancang sistem pada kasus ini, langkah pertama yang harus dilakukan adalah

mencocokkan setiap poin kebutuhan user kepada sub-sistem yang dapat memenuhinya. Untuk

mempermudah, Anda dapat menggunakan tabel berikut ini. Tabel ini dapat menyajikan informasi

tentang bagaimana pemetaan “tugas” dari masing-masing sub-sistem, dalam memenuhi kebutuhan

user. Misalnya, berikut ini adalah tabel pemetaan tugas sub-sistem untuk permasalahan pedagang es

lemon.

Tabel 4 - Pemetaan Tugas Sub-sistem SPK dalam Memenuhi Kebutuhan User

Kebutuhan Fungsional Data Management Subsystem

Model Management Subsystem

Knowledge-Based Management Subsystem

User Interface Subsystem

User dapat mencatat data historis penjualan, cuaca, dan lost sales setiap harinya

V V

User dapat memperoleh rekomendasi keputusan berapa stok yang harus disediakan setiap hari untuk memaksimalkan profit jangka panjang

V V



User dapat memperoleh informasi perkiraan keuntungan yang akan diperoleh

V V

User dapat mengganti-ganti parameter model V V

User dapat melihat data penjualan V V

Sistem dapat meramalkan cuaca berdasarkan data cuaca x hari terakhir, di mana x dapat di-setting sendiri oleh user.

V V

User dapat melihat ramalan cuaca dalam bentuk diagram pie. V V

Dari tabel di atas, kita memperoleh informasi bahwa sistem yang akan dirancang terdiri dari 3

subsistem, yaitu data management sub-system, model management sub-system, dan user interface

sub-system.

Langkah berikutnya adalah perancangan setiap sub-sistem, sesuai dengan kebutuhan-kebutuhan user

yang telah ditulis dan dipetakan. Singkat cerita, rancangan sistem secara keseluruhan misalnya

dirangkum dalam diagram berikut ini.

Desain Proses (Model Management Sub-system) Pada tahap desain proses, perancang mendefinisikan proses-proses apa saja yang dikerjakan oleh

sistem. Pada proses pembangunan sistem, desain proses ini akan dikemas dalam algoritma-algoritma

yang mengolah data dari luar sistem menjadi informasi yang berguna untuk mendukung keputusan.

Untuk menyajikan bagaimana cara kerja dari sistem, Anda dapat memetakannya dengan

menggunakan flowchart.



Gambar 5 - Cara Kerja Sistem

Model yang relevan untuk contoh kasus perancangan SPK untuk masalah pedagang es lemon ini

adalah model rantai Markov untuk memprediksi cuaca, dan model optimisasi persediaan untuk

memaksimasi ekspektasi profit harian, dengan asumsi sebagai berikut:

Fenomena pergantian cuaca mengikuti proses Markov: Cuaca suatu hari hanya dipengaruhi

oleh cuaca pada 1 hari sebelumnya.

Ekspektasi profit yang diperoleh pada saat cuaca tertentu dihitung berdasarkan data rata-rata

penjualan pada cuaca tersebut.

Ekspektasi profit total dihitung berdasarkan probabilitas cuaca pada kondisi steady state.

Input dari sub-sistem model management ini adalah data penjualan dan data cuaca. Data penjualan

yang diinput adalah tanggal, jumlah penjualan, sisa stok, jumlah lost sales, dan kondisi cuaca pada

tanggal tersebut. Sedangkan data cuaca berisi kemungkinan cuaca apa saja yang mungkin terjadi pada

satu hari, dalam hal ini adalah cuaca cerah, berawan, dan hujan.

Pada flowchart di gambar 4, terdapat 3 proses yang didefinisikan yaitu proses perhitungan frekuensi

transisi cuaca, perhitungan probabilitas cuaca pada kondisi steady-state, dan maksimasi profit.

Proses Menghitung Frekuensi Transisi Cuaca

Proses ini berperan dalam menghitung berapa jumlah kejadian transisi dari satu cuaca ke cuaca

lainnya berdasarkan data kondisi cuaca harian yang disimpan pada data penjualan. Dalam kasus ini,

terdapat 3 jenis cuaca yang didefinisikan, yaitu Cerah, Mendung, dan Berawan. Sehingga ada 9 data

frekuensi transisi.

1. Jumlah kejadian cuaca cerah sedangkan cuaca hari sebelumnya cerah juga.

2. Jumlah kejadian cuaca berawan sedangkan cuaca hari sebelumnya cerah.

3. Jumlah kejadian cuaca hujan sedangkan cuaca hari sebelumnya cerah.

MULAI

Hitung Frekuensi

Transisi

HItung probabilitas

cuaca pada kondisi

steady-state

Maksimasi ekspektasi

profit harian

SELESAI

Data

penjualan

Data frekuensi

transisi

Data cuaca

Rekomendasi stok,

ekspektasi profit



4. Jumlah kejadian cuaca cerah sedangkan cuaca hari sebelumnya berawan.

5. Jumlah kejadian cuaca berawan sedangkan cuaca hari sebelumnya berawan juga.

6. Jumlah kejadian cuaca hujan sedangkan cuaca hari sebelumnya berawan.

7. Jumlah kejadian cuaca cerah sedangkan cuaca hari sebelumnya hujan.

8. Jumlah kejadian cuaca berawan sedangkan cuaca hari sebelumnya hujan.

9. Jumlah kejadian cuaca hujan sedangkan cuaca hari sebelumnya hujan juga.

Karena user harus dapat secara fleksibel menentukan “berapa hari ke belakang” yang menjadi dasar

peramalan cuaca, maka kita tidak boleh membuat sistem yang daat menghitung frekuensi dari seluruh

data penjualan yang tersimpan. Misalnya jika user ingin peramalan dilakukan berdasarkan data cuaca

pada 14 hari ke belakang, maka frekuensi transisi yang dihitung mundur – mulai dari hari terakhir

hingga 14 hari terakhir. Adapun algoritma perhitungannya digambarkan oleh flowchart berikut ini.

Gambar 6 - Cara Kerja Algoritma Perhitungan Frekuensi Transisi Cuaca

MULAI

Set i = jumlah

data penjualan Data penjualan,

data cuaca

Lihat data cuaca

pada hari ke i

dan hari ke i-1

Identifikasi jenis transisi,

tambahkan frekuensi

transisi sebanyak 1

i = i - 1

i = durasi dasar

peramalan

Parameter

model: dasar

peramalan

Frekuensi cuaca Simpan data

frekuensi transisi

SELESAI

TIDAK

YA



Informasi frekuensi transisi cuaca ini disimpan pada database transisi. Informasi ini digunakan

sebagai input model Rantai Markov yang digunakan untuk memprediksi probabilitas cuaca jangka

panjang.

Proses Menghitung Probabilitas Cuaca pada Kondisi Steady-State

Sebelum menghitung probabilitas cuaca jangka panjang, kita perlu membuat matriks transisi terlebih

dahulu berdasarkan hasil perhitungan proses sebelumnya.

Sesuai dengan prinsip-prinsip Proses Markov, probabilitas cuaca jangka panjang dihitung dengan

mengkuadratkan matriks transisi berkali-kali, sehingga diperoleh nilai probabilitas cuaca yang konstan

(steady state).

Misalnya pada contoh perhitungan di atas, probabilitas cuaca cerah, berawan, dan hujan berturut-

turut adalah 0.41, 0.31, dan 0.28. Informasi prediksi probabilitas cuaca ini dikeluarkan sebagai output

dari proses ini dan menjadi input bagi proses memaksimasi profit.

Adapun algoritma perhitungan probabilitas cuaca pada kondisi steady-state diperlihatkan oleh

flowchart berikut.



Gambar 7 - Cara Kerja Perhitungan Probabilitas Cuaca pada Kondisi Steady-state

Proses Memaksimasi Profit

Pada proses ini, informasi prediksi probabilitas cuaca diolah untuk memperoleh kebijakan stok yang

dapat memaksimalkan ekspektasi profit harian jangka panjang. Pada optimisasi ini, maka kita perlu

merancang suatu model optimisasi. Cara kerja model tersebut digambarkan melalui influence diagram

sebagai berikut.

MULAI

Hitung

probabilitas

transisi cuaca

Data frekuensi

transisi

Sudah

steady?

Kuadratkan

matriks transisi

Matriks transisi

Probabilitas cuaca

steady-state

Simpan data

probabilitas cuaca

steady-state

SELESAI

TIDAK

YA



Gambar 8 - Model Konseptual Maksimasi Profit

Sesuai dengan deskripsi permasalahan, profit harian dipengaruhi oleh profit akibat penjualan, ongkos

akibat lost sales, dan kerugian akibat adanya barang yang tidak terjual. Maka, prediksi profit yang

diperoleh dimodelkan ke dalam persamaan matematis sebagai berikut.

𝑍 = 𝑃 − (𝐿 + 𝑈)

𝑃 adalah ekspektasi profit harian yang berasal dari penjualan. 𝐿 adalah ekspektasi ongkos akibat lost

sale setiap hari. 𝑈 adalah ekspektasi nilai kerugian akibat barang yang tidak terjual setiap hari.

Kemudian, total profit yang berasal dari penjualan, dipengaruhi oleh jumlah pengunjung, persediaan

stok, dan cuaca. Terdapat 2 macam kondisi yang dapat terjadi, yaitu jika jumlah pengunjung kurang

dari jumlah stok dan jika jumlah pengunjung lebih dari jumlah stok yang ditetapkan.

𝑃 = {(𝑆1𝜋1 + 𝑆2𝜋2 + 𝑆3𝜋3)𝑝 , 𝑗𝑖𝑘𝑎 𝑆1 ≤ 𝑥, 𝑆2 ≤ 𝑥, 𝑑𝑎𝑛 𝑆3 ≤ 𝑥 (𝜋1 + 𝜋2 + 𝜋3)𝑝𝑥 , 𝑗𝑖𝑘𝑎 𝑆1 > 𝑥, 𝑆2 > 𝑥, 𝑑𝑎𝑛 𝑆3 > 𝑥

Kebijakan stok

harian Probabilitas

cuaca harian

jangka panjang

Profit

per Unit

Lost Sales Cost

per Unit

Unsold product

Cost per Unit

Ekspektasi profit harian

Ekspektasi

Profit

Penjualan

harian

Ekspektasi

Lost Sales

Cost harian

Ekspektasi

Unsold

product

cost harian

Rata-rata jumlah

penjunjung

saat cuaca

tertentu

Ekspektasi

Jumlah

Penjualan

harian

Ekspektasi

Jumlah

Lost Sales

harian

Ekspektasi

Jumlah Porsi

tak terjual

harian



𝑝 adalah profit setiap penjualan 1 porsi es lemon, 𝑥 adalah kebijakan stok harian, 𝑆1 adalah rata-rata

jumlah pengunjung pada saat cuaca cerah, 𝑆2 adalah rata-rata jumlah pengunjung pada saat cuaca

berawan, 𝑆3 adalah rata-rata jumlah pengunjung pada saat cuaca hujan, 𝜋1 adalah probabilitas steady

state cuaca cerah, 𝜋2 adalah probabilitas steady state cuaca berawan, 𝜋3 adalah probabilitas steady

state cuaca hujan.

Ekspektasi ongkos lost sales setiap hari:

𝐿 = {0 , 𝑗𝑖𝑘𝑎 𝑆1 ≤ 𝑥, 𝑆2 ≤ 𝑥, 𝑑𝑎𝑛 𝑆3 ≤ 𝑥 ((𝑆1 − 𝑥)𝜋1 + (𝑆2 − 𝑥)𝜋2 + (𝑆3 − 𝑥)𝜋3)𝑙 , 𝑗𝑖𝑘𝑎 𝑆1 > 𝑥, 𝑆2 > 𝑥, 𝑑𝑎𝑛 𝑆3 > 𝑥

𝑙 adalah biaya lost sales untuk setiap 1 unit lost sales.

Ekspektasi nilai kerugian akibat es lemon yang tidak terjual setiap hari:

𝑈 = {((𝑥 − 𝑆1)𝜋1 + (𝑥 − 𝑆2)𝜋2 + (𝑥 − 𝑆3)𝜋3)𝑢 , 𝑗𝑖𝑘𝑎 𝑆1 ≤ 𝑥, 𝑆2 ≤ 𝑥, 𝑑𝑎𝑛 𝑆3 ≤ 𝑥 0 , 𝑗𝑖𝑘𝑎 𝑆1 > 𝑥, 𝑆2 > 𝑥, 𝑑𝑎𝑛 𝑆3 > 𝑥

Optimasi dilakukan dengan mengganti-ganti variabel keputusan 𝑥 (kebijakan stok harian) sedemikian

rupa sehingga memaksimalkan nilai fungsi objektif 𝑍

Desain Database Desain basis data dari SPK ditunjukkan oleh ERD dan Tabel berikut.

Tabel Cuaca



Tabel Penjualan

Tabel Transisi

Desain User Interface Berikut ini adalah contoh desain dari user interface sistem untuk kasus pedagang es lemon. Pada

halaman utama, user dapat melihat prediksi cuaca, infomasi rekomendasi jumlah stok buah lemon,

estimasi profit harian, serta grafik estimasi profit harian terhadap kebijakan jumlah stok. User juga

dapat secara langsung mengakses menu “Lihat Data Penjualan” dan “Tambahkan Data Penjualan”.

User juga dapat secara fleksibel mengganti parameter model.

ID Transisi Cuaca Hari 1 Cuaca Hari 2 Frekuensi

1 1 1 2

2 1 2 2

3 1 3 1

4 2 1 1

5 2 2 1

6 2 3 0

7 3 1 1

8 3 2 0

9 3 3 3



Berikut ini adalah tampilan user interface pada saat menu “Tambahkan Data Penjualan” diklik.



Daftar Pustaka

Beekman, G., & Beekman, B. (2009). Tommorow's Technology and You 9th Edition. New Jersey:

Pearson Education, Inc.

Taha, H. A. (2007). Operations Research: An Introduction 8th Edition. New Jersey: Pearson Education,

Inc.

Turban, E. (2007 ). Decision Support and Business Intelligence System, 8th Edition. New Jersey: Prentice

Hall.



Prosedur Praktikum

MULAI

Responsi &

Tes Awal

Latihan

Penggunaan VBA

Excel

Formulasi Masalah

Perancangan Sistem

Penyusunan

Laporan

SELESAI

Deskripsi

Permasalahan

Rancangan SI Existing

(ERD)

Flowchart Cara

Kerja & ERD

Sistem,

Prototype SPK

Analisis Kebutuhan

Elemen masalah



Konten Laporan

Lembar Asistensi

Daftar Isi

Daftar Gambar

Daftar Tabel

Bab 1 Pendahuluan

1.1 Latar Belakang

1.2 Tujuan

1.3 Flowchart

Bab 2 Pengolahan Data

2.1 Deskripsi Masalah

2.2 Rancangan Sistem Pendukung Keputusan

2.2.1 Identifikasi Kebutuhan Keputusan

2.2.2 Overview Rancangan Sistem

2.2.3 Rancangan Model Management Sub-system

2.2.4 Rancangan Data Management Sub-system

2.2.5 Rancangan User Interface Sub-system

2.3 Uji Coba Hasil Rancangan

Bab 3 Analisis

3.1 Analisis Kebutuhan Sistem

3.2 Analisis Perilaku Sistem

3.2.1 Analisis Verifikasi Sistem

3.2.2 Analisis Sensitivitas

3.3 Analisis Kesesuaian Model dengan Permasalahan

3.4 Analisis Rancangan Sistem Pendukung Keputusan

3.4.1 Analisis Konseptual Sistem Pendukung Keputusan

3.4.2 Analisis Penerapan Sistem Pendukung Keputusan bagi Perusahaan

3.4.3 Analisis Penerapan Sistem Pendukung Keputusan di Industri

3.5 Analisis Keterkaitan Antar Modul

Bab 4 Kesimpulan & Saran

4.1 Kesimpulan

4.2 Saran

4.2.1. Saran untuk Perusahaan

4.2.2. Saran untuk Praktikum

Daftar Pustaka

Lampiran



Skenario Praktikum - Tools Replacement Strategy Selection Problem

Salah satu tugas dari Divisi Produksi adalah selalu mengontrol kualitas produk yang dihasilkan di lantai

produksi. Divisi produksi sedang dihadapkan dengan permasalahan kualitas. Setelah dilakukan analisis

ternyata umur pahat mesin memiliki faktor kritikal dalam kualitas produk. Terdapat 3 alternatif

kebijakan pergantian pahat.

1. Penggantian pahat dilakukan setiap hari.

2. Penggantian pahat dilakukan 2 kali seminggu

3. Penggantian pahat dilakukan 1 kali seminggu

Masing-masing kebijakan memiliki biaya yang berbeda. Jika kebijakan diputuskan untuk

diimplementasikan, kebijakan tersebut harus dijalankan minimum selama 1 minggu kerja (1 minggu

kerja = 5 hari kerja).

Kebijakan Deskripsi Biaya Per Tahun

1 Penggantian pahat dilakukan setiap hari

Rp 8,000,000.00

2 Penggantian pahat dilakukan 2 kali seminggu

Rp 3,000,000.00

3 Penggantian pahat dilakukan 1 kali seminggu

Rp 1,500,000.00

Dalam menentukan kebijakan penggantian pahat ini, divisi produksi mempertimbangkan trade off

antara ongkos penggantian pahat dan ongkos pemborosan akibat dihasilkannya produk cacat.

Berdasarkan data historis yangh terekam, semakin sering pahat diganti, biaya penggantian pahat

semakin mahal, tetapi ongkos pemborosan cenderung kecil. Diketahui biaya kerugian akibat hasil

produksi cat adalah sebesar Rp75,000.00/unit cacat. Divisi produksi mengelompokkan kejadian cacat

menjadi 3 kategori.

Kategori Kualitas Kondisi

Rendah Jika Jumlah Cacat lebih dari 25

Sedang Jika Jumlah Cacat antara 21-25

Tinggi Jika Jumlah Cacat kurang dari 21

Untuk menentukan jumlah stok pahat dan melihat fluktuatifnya data jumlah produk cacat yang

dihasilkan, divisi produksi memerlukan suatu sistem pendukung keputusan yang dapat mengolah data

performa mesin (berupa barang cacat yang dihasilkan setiap harinya) menjadi suatu rekomendasi

strategi penggantian untuk 3 minggu ke depan. Divisi produksi menginginkan sistem yang adaptable,

sehingga dapat beradaptasi terhadap perubahan sepanjang waktu. Divisi produksi juga menginginkan

sistem yang fleksibel, sehingga parameter-parameter ongkos, beserta aturan pengelompokan

kategori dapat diganti jika sewaktu-waktu diperlukan.



Berikut ini adalah data cacat produksi dari suatu mesin, beserta strategi yang telah digunakan pada 3

bulan terakhir.

PT KKM Jaya PT KKM Sentosa PT KKM Raya

Hari Jumlah Cacat

Strategi yang

Digunakan

Hari Jumlah Cacat

Strategi yang

Digunakan

Hari Jumlah Cacat

Strategi yang

Digunakan

1 23 1 1 13 1 1 25 1

2 24 1 2 26 1 2 26 1

3 21 1 3 20 1 3 23 1

4 30 1 4 29 1 4 32 1

5 32 1 5 31 1 5 34 1

6 21 1 6 20 1 6 23 1

7 19 1 7 18 1 7 21 1

8 18 1 8 17 1 8 13 1

9 23 1 9 22 1 9 17 1

10 13 1 10 12 1 10 35 1

11 32 1 11 14 1 11 19 1

12 18 1 12 16 1 12 15 1

13 30 1 13 20 1 13 29 1

14 26 1 14 22 1 14 19 1

15 23 1 15 22 1 15 21 1

16 40 1 16 19 1 16 20 1

17 17 1 17 16 1 17 31 1

18 16 1 18 24 1 18 14 1

19 29 1 19 35 1 19 27 1

20 22 1 20 22 1 20 28 1

21 39 1 21 22 1 21 22 1

22 33 1 22 32 1 22 16 1

23 24 1 23 31 1 23 32 1

24 25 1 24 19 1 24 12 1

25 24 1 25 35 1 25 14 1

26 17 1 26 29 1 26 12 1

27 17 1 27 30 1 27 27 1

28 16 1 28 27 1 28 37 1

29 34 1 29 26 1 29 26 1

30 16 1 30 23 1 30 35 1

31 31 2 31 27 2 31 31 2

32 29 2 32 34 2 32 16 2

33 16 2 33 25 2 33 28 2

34 22 2 34 34 2 34 21 2



35 26 2 35 22 2 35 15 2

36 17 2 36 28 2 36 21 2

37 35 2 37 31 2 37 13 2

38 27 2 38 22 2 38 18 2

39 35 2 39 33 2 39 28 2

40 24 2 40 25 2 40 34 2

41 27 2 41 23 2 41 20 2

42 40 2 42 22 2 42 16 2

43 34 2 43 18 2 43 15 2

44 15 2 44 25 2 44 28 2

45 36 2 45 20 2 45 13 2

46 20 2 46 30 2 46 26 2

47 17 2 47 18 2 47 11 2

48 34 2 48 30 2 48 29 2

49 28 2 49 26 2 49 21 2

50 22 2 50 28 2 50 18 2

51 40 2 51 22 2 51 12 2

52 21 2 52 34 2 52 20 2

53 35 2 53 34 2 53 25 2

54 34 2 54 33 2 54 29 2

55 20 2 55 32 2 55 23 2

56 39 2 56 33 2 56 22 2

57 26 2 57 21 2 57 15 2

58 24 2 58 32 2 58 18 2

59 26 2 59 34 2 59 35 2

60 32 2 60 30 2 60 18 2

61 27 3 61 31 3 61 18 3

62 27 3 62 18 3 62 33 3

63 26 3 63 36 3 63 11 3

64 18 3 64 32 3 64 37 3

65 39 3 65 35 3 65 29 3

66 24 3 66 32 3 66 28 3

67 30 3 67 33 3 67 15 3

68 35 3 68 36 3 68 16 3

69 17 3 69 28 3 69 27 3

70 41 3 70 32 3 70 33 3

71 37 3 71 16 3 71 20 3

72 41 3 72 36 3 72 31 3

73 30 3 73 17 3 73 33 3

74 39 3 74 20 3 74 16 3



75 16 3 75 20 3 75 33 3

76 16 3 76 35 3 76 16 3

77 16 3 77 26 3 77 34 3

78 31 3 78 26 3 78 30 3

79 18 3 79 24 3 79 11 3

80 19 3 80 28 3 80 35 3

81 21 3 81 36 3 81 17 3

82 32 3 82 35 3 82 20 3

83 33 3 83 32 3 83 35 3

84 35 3 84 34 3 84 37 3

85 37 3 85 36 3 85 39 3

86 40 3 86 39 3 86 42 3

87 18 3 87 17 3 87 13 3

88 21 3 88 20 3 88 45 3

89 22 3 89 21 3 89 13 3

90 24 3 90 45 3 90 26 3



Skenario Praktikum - Stochastic Lead Time Problem

Salah satu tugas dari Divisi Pengadaan/Logistik adalah mengelola tingkat persediaan di gudang bahan

baku utama, gudang bahan baku pembantu, dan warehouse. Saat ini, divisi pengadaan/logistik sedang

dihebohkan dengan persoalan ketidakpastian pemenuhan permintaan bahan baku utama, yaitu rough

lumber. Bahan baku ini sangatlah penting, karena jika bahan baku ini tidak ada, maka kegiatan

produksi tidak akan berjalan sesuai dengan rencana.

PT Kayu Cendana, sebagai supplier utama rough lumber ini terletak di lokasi yang sangat jauh dari

pabrik perusahaan. Waktu pengadaan rough lumber ini dipengaruhi oleh banyak faktor, seperti

kemacetan kota, cuaca, performa supir truk, dan sebagainya, sehingga sering kali terjadi

ketidakpastian berapa lead time pemenuhan pemesanan rough lumber ini.

Sebenarnya, masalah ini dapat diatasi dengan cara memesan rough lumber jauh-jauh hari sebelum

digunakan untuk produksi, sehingga ketidakpastian dapat teratasi. Tetapi, konsekuensinya adalah

ongkos simpan akan cenderung tinggi karena kemungkinan besar bahan baku sudah tiba sebelum

digunakan oleh produksi. Di sisi lain, apabila divisi pengadaan/logistik mengakhirkan waktu

pemesanan, terdapat kemungkinan lantai produksi akan kehabisan bahan baku. Sehingga kegiatan

produksi menjadi terhenti.

Divisi pengadaan/logistik harus membuat kebijakan kapan bahan baku harus diadakan, berdasarkan

target produksi yang ditetapkan oleh divisi produksi. Misalnya ketika divisi produksi meminta 100 unit

rough lumber untuk tanggal 10, jika divisi pengadaan/logistik akan menetapkan waktu pemesanan

adalah 3 hari sebelum target, maka divisi pengadaan/logistik akan melakukan pemesanan 100 unit

rough lumber pada tanggal 13.

Jika bahan baku tiba sebelum digunakan, maka ongkos simpan didefinisikan sebagai nilai barang (Rp.

350.000/unit rough lumber) di kali dengan suatu konstanta yang disebut holding cost rate sebesar

0.08% per hari. Sedangkan jika bahan baku belum tiba saat dibutuhkan, maka ongkos dikuantifikasi

dengan menghitung out-of-stock cost sebesar 0.5% dari nilai barang yang dibutuhkan per hari.

Konstanta holding cost rate dan out-of-stock rate tersebut dihitung berdasarkan pengalaman selama

ini.

Perhitungan yang selama ini dilakukan adalah dengan cara menghitung rata-rata lead time dan

manager divisi mulai menilai bahwa cara perhitungan dengan mengunakan pendekatan rata-rata ini

tidaklah efektif. Hal ini ditandai dengan banyaknya jumlah kejadian keterlambatan datangnya rough

lumber ketika dibutuhkan.

Karena itu, divisi pengadaan/logistik membutuhkan suatu sistem pendukung keputusan yang dapat

mengolah data historis berupa data lead time pengiriman rough lumber, menjadi rekomendasi

keputusan yang dapat meminimalkan ekspektasi ongkos total (holding cost & out-of-stock cast) dalam

jangka panjang. Sistem juga diharapkan bersifat fleksibel, sehingga parameter-parameter seperti

holding cost rate, out-of-stock rate, nilai barang, dan berapa pengiriman terakhir yang menjadi dasar

pengolahan data. Sistem juga diharapkan bersifat adaptable, sehingga dapat merespon apabila

terdapat perubahan tren.



Berikut ini adalah data historis lead time pengiriman bahan baku (dalam hari) 42 pengiriman terakhir.

Pengiriman ke

Lead Time Supply Rough Lumber (hari)

PT KKM Jaya

PT KKM Sentosa

PT KKM Raya

1 2 1 1

2 1 3 3

3 5 5 3

4 5 3 1

5 4 4 3

6 3 2 4

7 4 2 2

8 4 5 5

9 2 4 5

10 4 2 4

11 3 5 1

12 4 4 3

13 4 3 3

14 2 5 4

15 2 5 3

16 4 2 3

17 4 2 1

18 3 4 4

19 3 3 2

20 3 3 1

21 5 4 1

22 4 3 4

23 4 4 3

24 1 4 1

25 3 4 3

26 3 4 4

27 3 4 4

28 3 5 2

29 1 2 1

30 2 2 2

31 2 2 3

32 5 2 3

33 5 2 3

34 2 2 4

35 1 4 2

36 4 4 4



37 2 4 5

38 1 2 1

39 5 2 3

40 4 2 1

41 1 2 3

42 3 1 5



Skenario Praktikum - Loyalty of Customer Problem

Pada tahun 2015 ini, perusahaan sedang gencar dalam mempertahankan dan meningkatkan market

share-nya. Riset juga menunjukkan bahwa sebagian besar pendapatan perusahaan berasal dari

pelanggan yang pernah membeli produk perusahaan. Divisi R&D sedang tertarik untuk melakukan

riset untuk meneliti perilaku konsumen, terutama loyalitas konsumen, untuk mendukung program

customer relationship management yang dilaksanakan oleh divisi pemasaran. Dalam mengestimasi

pangsa pasar perusahaan, divisi R&D melakukan riset pasar untuk mengukur loyalitas konsumen.

Berdasarkan informasi dari divisi pemasaran, divisi R&D mendefinisikan terdapat 3 macam strategi

customer retention yang dapat meningkatkan loyalitas konsumen. Keempat program ini sudah pernah

dilakukan dan divisi pemasaran memerlukan bantuan divisi R&D untuk mengevaluasi masing-masing

strategi.

Program Banting Harga, merupakan program diskon untuk pelanggan yang sudah pernah

membeli produk PT KKM Jaya. Biaya rata-rata: Rp. 144.500.000/bulan.

Program After Sale Service, yaitu dengan mengadakan garansi. Biaya rata-rata: Rp.

200.000.000/bulan.

Program Bonus, bonus asesoris untuk setiap pembelian produk perusahaan.

Biaya rata-rata: Rp. 100.000.000/bulan.

Untuk menentukan strategi mana yang terbaik untuk dilakukan setiap bulan, divisi R&D melakukan

eksperimen dengan mencoba masing-masing strategi tersebut selama 3 bulan untuk memperoleh

gambaran strategi terbaik. Kemudian, divisi R&D melakukan wawancara kepada 100 orang responden

acak yang pernah membeli produk perusahaan di berbagai toko mainan.

Ada 4 pertanyaan yang ditanyakan kepada responden, yaitu:

Nama

Dari media apakah Anda mengetahui produk perusahaan kami?

Pertanyaan untuk responden yang sedang membeli kereta perusahaan kami: Sudah

pernahkah Anda membeli produk perusahaan kami sebelumnya?

Jika belum pernah, sudah pernahkah Anda membeli produk kereta kayu mainan merek lain?

Apa mereknya?

Pertanyaan untuk responden yang sedang membeli kereta merek lain: Kereta merek apa

yang Anda beli? Sudah pernahkah Anda membeli produk perusahaan kami sebelumnya?

Dalam pemilihan strategi tersebut, divisi R&D harus mempertimbangkan trade off antara biaya

strategi yang diterapkan dengan pangsa pasar yang akan diperoleh perusahaan. Berdasarkan riset

pasar yang telah dilakukan, total nilai pasar kereta kayu mainan pada tahun 2015 adalah sebesar 48

milyar rupiah /tahun.

Divisi R&D memerlukan suatu sistem pendukung keputusan untuk memilih strategi yang dapat

memaksimalkan loyalitas konsumen perusahaan. Karena divisi R&D akan melakukan riset ini sekali

setiap 3 bulan, maka divisi R&D menginginkan sistem yang adaptable, bisa merespon perubahan

perilaku konsumen.



Setelah memperoleh hasil wawancara, divisi R&D mengolah data tersebut menjadi informasi sebagai

berikut.

PT KKM Jaya PT KKM Sentosa

ID Responde

n Pembelian Sebelumnya

Pembelian Terakhir Strategi

ID Responden

Pembelian Sebelumnya

Pembelian Terakhir Strategi

1 PT KKM Jaya Produk lain 1 1 Produk lain Produk lain 1

2 Produk lain Produk lain 1 3 Produk lain Produk lain 1



5 PT KKM Jaya Produk lain 1 6

PT KKM Sentosa

PT KKM Sentosa 1





15 Produk lain PT KKM Jaya 1 16

PT KKM Sentosa Produk lain 1



18 Produk lain Produk lain 1 19 Produk lain PT KKM Sentosa 1




26 Produk lain Produk lain 1 27 PT KKM Sentosa Produk lain 1




32 Produk lain PT KKM Jaya 1 33 Produk lain Produk lain 1










46 Produk lain Produk lain 1 47 PT KKM Sentosa

PT KKM Sentosa 1








59 PT KKM Jaya

PT KKM Jaya 1 60



61 PT KKM Jaya Produk lain 1 62 Produk lain

PT KKM Sentosa 1



PT KKM Sentosa 1



PT KKM Sentosa 1












PT KKM Sentosa 2





PT KKM Sentosa 2









120 PT KKM Jaya

PT KKM Jaya 2 121














PT KKM Sentosa 2


PT KKM Sentosa 2






PT KKM Sentosa

PT KKM Sentosa 2












PT KKM Sentosa

PT KKM Sentosa 2

165 PT KKM Jaya

PT KKM Jaya 2 166






PT KKM Sentosa 2



PT KKM Sentosa

PT KKM Sentosa 2

185 PT KKM Jaya

PT KKM Jaya 2 186






192 Produk lain PT KKM Jaya 2 193 Produk lain

PT KKM Sentosa 2

194 PT KKM Jaya

PT KKM Jaya 2 195 Produk lain

PT KKM Sentosa 2




205 PT KKM Jaya

PT KKM Jaya 3 206 Produk lain Produk lain 3














































PT KKM Sentosa 3















277 PT KKM Jaya


278 PT KKM Jaya




















PT KKM Sentosa 3




Skenario Praktikum - Cash Management Problem

Salah satu tugas dari divisi keuangan adalah mengontrol level kas perusahaan, agar rasio liquiditas

perusahaan tidak terlalu tinggi ataupun terlalu rendah. Kebijakan yang selama ini diterapkan adalah

dengan menetapkan level kas pada awal bulan.

Level kas di akhir bulan tergantung pada total nilai pemasukan dan pengeluaran pada bulan tersebut.

Jika level kas habis sebelum bulan berakhir, perusahaan akan kekurangan kas dan divisi keuangan akan

melakukan suatu effort untuk mencairkan asset lain atau mencari pinjaman untuk menambah level

kasnya. Jika level kas berlebih, maka divisi keuangan juga akan mengeluarkan effort untuk

mengkonversikan kas yang berlebih tersebut menjadi bentuk aset lain.

Jika level kas berlebih pada akhir bulan, effort karena kelebihan kas dikuantifikasi dengan cara

menghitung opportunity cost yaitu berupa bunga yang diperoleh apabila perusahaan mendepositkan

kelebihan kas tersebut ke bank. Sedangkan effort karena kekurangan kas (disebut out-of-pocket cost)

dikuantifikasi dengan menghitung bunga yang dikeluarkan jika perusahaan melakukan pinjaman

sebesar kekurangan tersebut. Diketahui suku bunga pinjaman 1,5%/bulan, sedangkan suku bunga

simpanan 0,4%/bulan.

Divisi keuangan memerlukan suatu sistem pendukung keputusan untuk menentukan level kas awal

bulan yang dapat meminimasi ekspektasi total opportunity cost dan out-of-pocket cost setiap bulan.

Untuk mengakomodasi adanya kemungkinan kejadian peningkatan penjualan dari tahun ke tahun,

serta perubahan tingkat suku bunga, divisi keuangan menginginkan sistem yang fleksibel dan

adaptable terhadap perubahan. Karena itu, divisi keuangan harus dapat secara fleksibel menentukan

"berapa periode ke belakang" yang menjadi periode dasar peramalan dan juga dapat mencatat data

pemasukan dan pengeluaran perusahaan setiap bulannya.

Berikut ini adalah data pemasukan dan pengeluaran PT KKM Raya, Jaya, dan Sentosa pada 2 tahun

terakhir.

Data pemasukan dan pengeluaran PT KKM Raya

Bln Pemasukan Pengeluaran

1 Rp 587,774,128.92 Rp 509,123,826.92

2 Rp 704,816,467.54 Rp 501,803,874.08

3 Rp 509,827,261.12 Rp 521,937,407.72

4 Rp 391,294,826.33 Rp 490,895,544.75

5 Rp 439,937,690.68 Rp 494,175,798.30

6 Rp 611,277,382.96 Rp 494,854,472.64

7 Rp 637,916,830.64 Rp 494,486,892.64

8 Rp 461,918,610.56 Rp 503,975,907.56

9 Rp 671,508,053.39 Rp 496,103,338.33

10 Rp 449,504,578.36 Rp 506,780,414.83

11 Rp 777,769,301.34 Rp 499,849,917.85

12 Rp 621,730,022.41 Rp 504,491,193.51

13 Rp 605,284,833.23 Rp 515,322,450.03

14 Rp 526,114,952.39 Rp 489,194,301.78

15 Rp 546,230,498.53 Rp 490,569,130.35



Data pemasukan dan pengeluaran PT KKM Jaya


1 Rp 611,533,985.83 Rp 504,237,650.00

2 Rp 587,687,487.26 Rp 487,931,423.45

3 Rp 783,249,384.98 Rp 501,461,857.05

4 Rp 496,378,956.84 Rp 508,146,661.96

5 Rp 610,639,812.07 Rp 502,153,455.88

6 Rp 580,316,952.27 Rp 493,490,799.70

7 Rp 586,529,587.81 Rp 491,164,461.79

8 Rp 711,640,183.68 Rp 493,730,652.05

9 Rp 616,372,980.00 Rp 494,156,029.68

10 Rp 496,886,838.36 Rp 497,583,958.60

11 Rp 407,340,911.20 Rp 496,568,635.38

12 Rp 605,687,528.99 Rp 515,089,719.36

13 Rp 426,867,811.24 Rp 488,760,287.11

14 Rp 644,286,836.53 Rp 500,950,679.01

15 Rp 591,412,104.39 Rp 503,049,308.39

16 Rp 665,815,080.90 Rp 491,857,744.82

17 Rp 522,867,530.67 Rp 487,981,018.80

18 Rp 481,169,588.45 Rp 486,877,211.58

19 Rp 778,927,186.28 Rp 503,916,723.56

20 Rp 548,303,869.01 Rp 509,985,425.14

21 Rp 468,559,023.07 Rp 491,555,545.91

22 Rp 703,212,892.79 Rp 489,138,828.79

23 Rp 555,918,451.49 Rp 487,840,400.13

24 Rp 637,460,647.33 Rp 511,194,208.67

16 Rp 679,090,601.70 Rp 509,000,571.48

17 Rp 549,285,233.25 Rp 512,150,877.27

18 Rp 473,680,560.92 Rp 490,479,984.45

19 Rp 715,986,549.98 Rp 504,705,967.37

20 Rp 615,233,225.06 Rp 509,106,465.37

21 Rp 638,141,054.03 Rp 480,974,736.42

22 Rp 555,584,305.88 Rp 498,478,657.87

23 Rp 723,951,908.37 Rp 493,322,497.75

24 Rp 821,301,339.90 Rp 487,445,491.22



Data pemasukan dan pengeluaran PT KKM Sentosa


1 Rp 416,277,844.13 Rp 499,193,823.10

2 Rp 487,222,842.02 Rp 491,762,111.68

3 Rp 477,229,475.99 Rp 502,798,875.52

4 Rp 432,780,301.98 Rp 503,757,119.91

5 Rp 651,634,067.03 Rp 498,746,029.70

6 Rp 616,529,018.89 Rp 498,645,780.32

7 Rp 716,268,303.11 Rp 516,209,547.03

8 Rp 454,524,179.88 Rp 518,654,023.35

9 Rp 454,905,818.73 Rp 509,162,127.52

10 Rp 728,248,664.49 Rp 517,048,098.31

11 Rp 567,158,613.83 Rp 499,893,129.06

12 Rp 710,515,054.33 Rp 491,574,637.19

13 Rp 643,154,280.42 Rp 496,869,821.36

14 Rp 607,368,893.37 Rp 501,696,717.48

15 Rp 675,680,932.36 Rp 496,886,113.72

16 Rp 558,296,239.24 Rp 496,304,624.29

17 Rp 705,116,310.29 Rp 496,576,805.74

18 Rp 706,061,296.87 Rp 492,905,045.61

19 Rp 575,834,232.02 Rp 517,569,530.44

20 Rp 471,856,921.17 Rp 516,249,922.03

21 Rp 670,808,481.09 Rp 493,437,410.40

22 Rp 717,326,176.11 Rp 489,741,794.07

23 Rp 787,744,981.68 Rp 507,163,144.97

24 Rp 528,057,968.78 Rp 492,183,711.12



Skenario Praktikum - Labor Performance Problem

Salah satu tugas dari Divisi Sumber Daya Manusia PT KKM Sentosa adalah mengelola gaji dan insentif

tenaga kerja di lantai produksi. Gaji adalah bayaran tetap untuk tiap tenaga kerja, sedangkan besar

insentif yang diperoleh pekerja bergantung pada performa/output yang dihasilkan pekerja tersebut.

Gaji dan insentif pekerja dibayar per output (dalam satuan rupiah per unit kereta).

Divisi SDM harus menetapkan target output harian untuk setiap tenaga kerja. Jika seorang buruh

berhasil melebihi target harian, maka dia akan memperoleh insentif sesuai dengan jumlah unit yang

dihasilkan. Jika buruh tersebut tidak berhasil mencapai target, dia hanya akan memperoleh gaji sesuai

dengan jumlah target harian, berapapun output yang dihasilkan.

Diketahui, gaji tenaga kerja pada lantai produksi PT KKM Sentosa adalah Rp. 2000/unit.orang,

sedangkan insentif tenaga kerja adalah Rp. 500/unit.orang. Gaji tenaga kerja bersifat tetap, tidak

tergantung pada performa pekerja, sehingga apabila pekerja tidak mencapai target, maka perusahaan

akan mengalami kerugian sebesar gaji per unit orang dikali dengan jumlah kukurangan output pekerja

untuk mencapai target. Jika pekerja melebihi target, maka perusahaan harus membayar bonus, diluar

gaji yang diterima oleh pekerja, sesuai dengan berapa jumlah kelebihannya.

Dalam menetapkan target harian, Divisi SDM melihat performa setiap operator dari waktu ke waktu.

Divisi SDM mempertimbangkan trade off antara besarnya kerugian akibat pekerja yang tidak

mencapai target dengan ongkos bonus yang harus dibayar karena pekerja melebihi target. Divisi SDM

mengklasifikasikan performa pekerja menjadi 3 kategori, yaitu: performa jelek, performa pas, dan

performa baik.

Kategori Performa

Deskripsi

Jelek Jika output pekerja kurang dari 50 unit

Sedang Jika output pekerja antara 50 unit dan 100 unit

Baik Jika output pekerja lebih dari 100 unit

Divisi SDM mulai merasa kesulitan dalam menetapkan kebijakan jumlah target ini karena melihat

fluktuasi performa para buruh yang sulit diprediksi. Untuk itu, divisi SDM memerlukan suatu sistem

pendukung keputusan untuk menentukan target harian untuk setiap pekerja yang meminimalkan

ekspektasi total ongkos kerugian akibat pekerja yang tidak mencapai target dan ongkos bonus akibat

pekerja yang melebihi target.

Divisi SDM juga menginginkan sistem yang adaptable, sehingga dapat mencatat performa harian

setiap operatornya, dana dapat membuat kebijakan untuk meminimasi ekspektasi ongkos jangka

panjang. Selain itu, divisi SDM juga mengharapkan sistem yang fleksibel, sehingga parameter-

parameter ongkos dapat ditentukan dan diganti-ganti secara fleksibel.



Saat ini divisi produksi memiliki 32 orang operator mesin. Berikut ini adalah data performa 32 operator

dari 3 minggu terakhir.

Operator Ke

Hari

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

1 93 64 90 129 75 159 95 94 91 21 34 71 72 85 75 66 90 93 25 64 52

2 27 81 144 50 89 79 125 79 31 123 63 120 139 120 54 54 52 100 121 70 50

3 98 21 24 146 64 81 73 72 108 50 115 114 29 88 22 22 62 71 69 74 59

4 95 71 74 137 72 53 70 27 60 61 29 78 141 81 97 88 46 87 64 55 69

5 48 117 120 64 65 22 58 75 60 71 27 72 76 33 72 64 98 20 50 103 60

6 28 130 125 79 67 74 52 60 81 53 75 132 58 54 65 54 36 76 55 59 120

7 74 69 153 105 51 86 53 59 94 83 57 97 157 48 50 31 133 58 55 20 52

8 26 71 57 132 22 84 42 150 88 62 145 36 117 46 40 33 72 121 140 97 116

9 102 109 78 71 84 20 137 73 140 132 59 66 137 98 140 48 151 67 115 66 112

10 138 152 102 49 37 128 53 119 99 137 77 81 50 152 41 23 139 53 148 50 106

11 145 40 45 145 21 69 131 86 138 147 80 133 49 95 121 76 147 89 147 136 143

12 35 25 130 147 148 87 77 27 34 55 124 114 38 88 79 31 84 22 59 85 88

13 140 90 64 33 111 32 140 117 104 148 96 36 63 69 144 143 108 127 68 159 71

14 22 132 60 79 119 122 120 80 20 149 112 103 100 95 71 44 69 123 103 53 99

15 44 87 119 94 138 52 63 134 127 71 57 80 79 151 76 38 124 150 135 72 27

16 31 23 34 66 20 102 59 23 64 35 119 119 123 38 140 117 156 94 32 157 41

17 85 143 31 61 53 156 144 64 44 105 63 79 135 40 53 25 148 116 61 127 131

18 74 104 155 83 40 43 120 52 146 96 32 103 94 127 47 58 23 52 94 84 118

19 146 83 31 97 53 38 75 49 130 26 160 124 79 49 26 139 134 25 160 44 97

20 64 58 64 77 94 59 81 89 60 65 57 55 66 85 96 91 75 37 88 22 144

21 52 118 157 63 159 138 149 72 86 62 112 34 47 62 74 142 95 124 88 25 63

22 52 95 77 26 151 80 87 77 75 140 31 129 94 65 46 93 89 32 82 71 46

23 110 50 92 79 54 143 75 89 31 59 107 63 25 65 100 45 59 84 150 98 61

24 92 76 66 77 94 59 81 98 100 58 150 100 36 23 68 31 144 83 59 67 86

25 151 54 158 63 110 81 54 24 118 94 157 51 67 66 66 72 90 27 139 62 75

26 67 74 67 146 120 120 69 158 55 63 123 52 97 53 70 74 83 64 99 32 93

27 94 61 47 98 60 157 146 52 85 71 79 78 126 154 98 45 47 131 34 49 33

28 93 34 80 77 94 59 81 72 91 83 72 53 154 105 76 74 74 160 85 29 49

29 57 59 133 72 46 46 91 129 50 61 68 149 87 50 95 26 53 50 160 55 33

30 28 69 75 40 30 61 41 61 85 21 88 55 55 135 41 71 25 56 63 22 61

31 157 36 158 42 129 83 93 87 73 73 59 52 108 23 73 76 48 55 67 88 49

32 78 81 38 80 147 37 69 95 48 140 46 98 49 74 126 35 37 90 41 78 144



Skenario Praktikum - Advertising Strategy Selection Problem

Divisi Pemasaran sedang menentukan strategi periklanan untuk dapat memaksimalkan tingkat

penjualan produk andalannya. Berdasarkan pengamatan selama ini, pemilihan media iklan menjadi

faktor kritis yang mempengaruhi tingkat penjualan produk perusahaan. Untuk pasar kereta kayu

mainan, divisi pemasaran menetapkan 3 alternatif pilihan strategi media periklanan yang dapat dipilih

dan selama ini juga sudah dijalankan. Masing-masing alternatif strategi mempunyai biaya masing-

masing dan harus dijalankan minimum selama 1 minggu kontrak.

Strategi Iklan Frekuensi Tayang

Biaya/minggu Minimum kontrak

1 TV 5 tayangan/hari Rp 195,000,000.00 1 minggu

2 Majalah Terbit setiap minggu

Rp 27,000,000.00 1 minggu

3 TV + Majalah 5 tayangan/hari Rp 220,000,000.00 1 minggu

Berdasarkan data historis, penjualan produk ini dinilai sangat fluktuatif dan sulit diprediksi dengan

menggunakan metode peramalan time-series biasa, sehingga Divisi Pemasaran ingin menggunakan

metode peramalan yang lebih baik.

Untuk tahun 2015 ini, divisi pemasaran menerapkan suatu rule of thumb untuk mengklasifikasikan

data penjualan menjadi 3 kelompok, yaitu rendah, sedang, dan tinggi. Di luar biaya iklan, profit

margin/unit penjualan kereta diketahui.

Divisi Pemasaran memerlukan sebuah sistem pendukung keputusan untuk menentukan kebijakan

media peiklanan untuk 3 minggu (21 hari) ke depan untuk memaksimasi rata-rata profit harian yang

diperoleh. Sistem yang dirancang diharapkan bersifat adaptable, sehingga divisi pemasaran dapat

mencatat data penjualan yang baru setiap harinya dan dapat menggunakan SPK ini sebagai pendukung

kebijakan media iklan sepanjang waktu.

Berikut ini adalah rule of thumb yang diterapkan divisi pemasaran:

Kategori penjualan

Kondisi

Rendah Jika penjualan kurang dari 500 unit

Sedang Jika penjualan antara 500-900 unit

Tinggi Jika penjualan di atas 900 unit

Berikut ini adalah profit margin setiap unit penjualan produk (belum termauk biaya marketing).

PT KKM Jaya Rp47,000/unit

PT KKM Raya Rp42.000/unit

Berikut ini adalah data penjualan beserta strategi yang telah dilakukan dalam kurun 8 minggu terakhir.



PT KKM Jaya PT KKM Raya

Hari Penjualan Produk

(hari) Strategi yang

Digunakan Hari

Penjualan Produk (hari)

Strategi yang Digunakan

1 454 2 1 760 1

2 468 2 2 650 1

3 567 2 3 1024 1

4 485 2 4 403 1

5 340 2 5 506 1

6 499 2 6 689 1

7 1020 2 7 780 1

8 560 2 8 1024 3

9 498 2 9 1230 3

10 605 2 10 980 3

11 430 2 11 890 3

12 457 2 12 489 3

13 236 2 13 1231 3

14 456 2 14 1023 3

15 503 1 15 987 3

16 498 1 16 1203 3

17 870 1 17 1230 3

18 1023 1 18 809 3

19 967 1 19 498 3

20 1023 1 20 934 3

21 980 1 21 1003 3

22 450 1 22 980 1

23 1002 1 23 1102 1

24 1034 1 24 879 1

25 1200 1 25 560 1

26 1321 1 26 908 1

27 708 1 27 452 1

28 840 1 28 600 1

29 1234 3 29 450 2

30 960 3 30 345 2

31 450 3 31 890 2

32 878 3 32 980 2

33 1045 3 33 697 2

34 1432 3 34 450 2

35 1230 3 35 498 2

36 986 3 36 405 2

37 1432 3 37 670 2

38 1560 3 38 497 2

39 1230 3 39 607 2

40 1234 3 40 800 2



41 968 3 41 1023 2

42 560 3 42 450 2

43 340 1 43 1002 1

44 1020 1 44 890 1

45 560 1 45 567 1

46 800 1 46 450 1

47 600 1 47 876 1

48 456 1 48 987 1

49 850 1 49 670 1

50 705 2 50 1299 3

51 653 2 51 1119 3

52 345 2 52 1293 3

53 234 2 53 1024 3

54 456 2 54 987 3

55 323 2 55 1023 3

56 543 2 56 1112 3



Skenario Praktikum - Work Environment Problem

Dalam menjalankan kegiatan produksi produk, PT Kereta Kayu Mainan membutuhkan beberapa

senyawa kimia yang berbahaya. Utamanya, senyawa-senyawa kimia ini biasa digunakan dalam proses

pengecatan yang terjadi di spray booth. Senyawa kimia yang digunakan dalam proses pengecatan dan

pengeleman adalah senyawa turunan formaldehida yang mudah teroksidasi. Dalam industri,

formaldehida kebanyakan dipakai dalam produksi polimer dan rupa-rupa bahan kimia.

Senyawa Formaldehida diklasifikasikan sebagai senyawa volatile organic compound (VOC).VOC adalah

bahan kimia berbahaya yang dapat menguap menjadi gas pada suhu kamar. Akibatnya, produk yang

mengandung formaldehida akan melepaskan gas formalin ke udara memenuhi ruang nafas kita

didalam rumah secara terus menerus.

Formaldehida merupakan salah satu polutan dalam ruangan yang sering ditemukan karena resin

formaldehida dipakai dalam bahan konstruksi ini melepaskan formaldehida pelan-pelan. Apabila

kadar di udara lebih dari 0,1 mg/kg, formaldehida yang terhisap bisa menyebabkan iritasi kepala dan

membran mukosa, yang menyebabkan keluarnya air mata, pusing, teggorokan serasa terbakar, serta

kegerahan. Dalam jangka panjang, paparan senyawa formaldehida yang berlebih dapat

mengakibatkan berkembangnya sel-sel karsinogenik dalam tubuh.

Environmental Protection Agency (EPA) Amerika Serikat, telah mencatatkan formaldehida sebagai

“carcinogenic toxic”, demikian pula dengan Badan Internasional untuk Penelitian Kanker (IARC) juga

telah mengklasifikasikan formalin sebagai bahan yang dapat menyebabkan kanker hidung dan

tenggorokan pada sebagian besar populasi manusia dewasa dan anak-anak.

Divisi HSE PT Kereta Kayu Mainan bertanggungjawab dalam memastikan kegiatan operasional

perusahaan tidak menyalahi kaidah-kaidah kesehatan dan keselamatan lingkungan kerja. Oleh karena

itu, Divisi HSE PT Kereta Kayu Mainan berupaya mengatasi permasalahan ini dengan memberikan

rekomendasi pergantian jenis cat dari cat berbahan dasar formaldehid menjadi cat yang bebas bahan

kimia berbahaya. Akan tetapi, proposal pengajuan perubahan zat ini ditolak oleh perusahaan karena

manajemen perusahaan menganggap dampak yang dihasilkan dari penggunaan formaldehida ini

belum terlihat nyata.

Dalam mengatasi permasalahan ini, PT KKM memiliki 3 kebijakan yang umum dilaksanakan. Kebijakan

pertama adalah memberikan pelatihan rutin setiap bulan dalam penanganan zat kimia berbahaya di

stasiun kerja pengecatan (spraybooth). Kebijakan kedua adalah penggantian perangkat kesehatan dan

keselamatan kerja di stasiun pengecatan, dan kebijakan ketiga adalah melakukan pergantian pekerja

secara periodic dalam stasiun kerja tersebut.

Strategi Pemeliharaan Biaya/bulan

1 Pelatihan Rp 20,000,000.00

2 Pergantian Perangkat

Rp 30,000,000.00

3 Shift Pekerja

Rp 12,000,000.00



Jika strategi diputuskan untuk dijalankan, minimal strategi tersebut harus dijalankan selama 4 minggu

ke depan. Setiap strategi yang dijalankan juga membutuhkan biaya yang berbeda-beda.

Kategori Kondisi

Rendah Jika pekerja yang mengalami gangguan lebih kecil dari 5%

Sedang Jika pekerja yang mengalami gangguan diantara 5-10%

Tinggi Jika pekerja yang mengalami gangguan lebih besar dari 10%

Akan tetapi, pelaksanaan ketiga kebijakan ini masih tetap menyebabkan adanya efek kesehatan bagi

para pekerja di stasiun spraybooth. Berikut merupakan data jumlah pekerja yang mengalami gangguan

kesehatan dalam 56 bulan terakhir di stasiun spraybooth :

Pekerja yang

mengalami gangguan

Strategi yang

digunakan

1 8 3

2 4 3

3 6 1

4 6 3

5 2 1

6 1 1

7 5 3

8 6 3

9 7 1

10 2 2

11 1 3

12 3 3

13 8 2

14 8 1

15 4 3

16 6 2

17 8 2

18 3 2

19 2 2

20 4 3

21 9 2

22 3 2

23 9 2

24 9 2

25 3 2



26 0 2

27 3 1

28 7 1

29 3 3

30 9 2

31 9 2

32 8 2

33 1 3

34 2 2

35 1 2

36 2 1

37 0 2

38 2 3

39 7 3

40 6 2

41 9 2

42 4 2

43 3 1

44 0 2

45 4 1

46 8 2

47 9 3

48 2 1

Divisi HSE memerlukan sebuah sistem pendukung keputusan untuk menentukan kebijakan media

strategi untuk 2 bulan ke depan untuk meminimasi ekspektasi biaya jangka panjang. Sistem yang

dirancang diharapkan bersifat adaptable, sehingga divisi HSE dapat menambahkan dan mengedit data

strategi, mengubah parameter mengenai pekerja dan dapat menggunakan SPK ini sebagai pendukung

kebijakan untuk mengatasi masalah kesehatan dan keselamatan pekerja.

Modul 7 - Perancangan Sistem Pendukung Keputusan.pdf

Documents

Transcript of Modul 7 - Perancangan Sistem Pendukung Keputusan.pdf