Organisasi DSS serta Topik-Topik Pengembangannya & Group Decision Support Vector Machine (SVM)

Organisasi DSS sertaTopik-Topik Pengembangannya

&Group Decision Support Vector Machine (SVM)

Oleh : Imam Cholissodin S.Si., M.Kom

Sistem Pendukung Keputusan /Decision Support System

Content1. Contoh Kasus2. Konsep Organizational DSS (ODSS)3. Arsitektur ODSS4. Membangun ODSS5. Intelligent DSS (Active, Symbiotics)6. DSS yang Dapat Berevolusi Sendiri7. Arah Pengembangan Riset DSS8. DSS Masa Depan9. Group Decision Support Vector Machine (SVM)10. Case Study11. Latihan Individu + Tugas Kelompok

Contoh Kasus• Contoh Kasus : Kabinet di Pemerintahan Mesir

– 32 kementerian, setiap kementerian bertanggung jawab pada 1 departemen.

– Diketuai seorang Perdana Menteri. – 4 Komite yang dibantu dengan staf.

• IDSC (Information and Decision Support Center) untuk kabinet, tujuannya :– Mengembangkan informasi dan sistem dukungan bagi

kabinet.– Mendukung pengadaan informasi terkelola bagi user dan

pusat pendukung keputusan pada 32 kementerian.– Mengembangkan, mendukung, mengawali projek Information

Systems (IS) yang dapat mempercepat pengembangan Pemerintahan Mesir.

Konsep Organizational DSS (ODSS)

• Karakteristik ODSS :– Fokus pada tugas/ aktifitas/ keputusan

organisasional/ masalah perusahaan.– ODSS memotong fungsi-fungsi organisasi/ layer

hirarki.– ODSS melibatkan teknologi berbasis komputer dan

juga teknologi komunikasi.

Arsitektur ODSS

Model baseDatabase

CentralInformation

System

Local Area Network/ Wide Area Network

Workstations/PCs

DatabaseManagement

ModelManagement

Case Management

Dialog Management

User User User User

Membangun ODSS• Merupakan kombinasi dari SDLC (System Development Life Cycle)

dan proses berulang (iterative process). Dibagi menjadi 4 fase :– Pendahuluan

• Kebutuhan akan masukan.• Mendapatkan dukungan dari pihak manajemen.• Membangun rencana yang diperlukan.

– Mengembangkan Desain Konseptual• Fase ini menghasilkan cetak biru sistem.

– Mengembangkan Sistem• Mengembangkan model dan database sistem.

– Mengimplementasikan dan Mengelola Sistem• Memprogram dan mengupdate sistem.• Mendokumentasikan modul dan database.• Melatih user.

Progress Kelompok• Demo/progres final project setiap

kelompok.

Intelligent DSS (Active, Symbiotics)

• Jenis (Active, Symbiotics) DSS : – DSS reguler bertindak pasif dalam interaksi manusia-mesin.– Dalam perkembangannya DSS harus mampu mengambil

inisiatif sendiri tanpa perlu diberi perintah tertentu.– Mampu menanggapi permintaan dan perintah yang tak

standar.

Jenis DSS inilah yang disebut dengan active atau symbiotic DSS.

DSS yang Dapat Berevolusi Sendiri• DSS yang memberi perhatian pada bagaimana ia digunakan, dan

lalu beradaptasi secara otomatis pada evolusi usernya. Kemampuan ini dicapai dengan menambahkan komponen ekstra : mekanisme intelijen yang bisa berevolusi sendiri. Tujuannya adalah membangun DSS berperilaku khusus yang dapat beradaptasi terhadap evolusi kebutuhan user secara otomatis. Diperlukan kemampuan :– Menu dinamis yang menyediakan hirarki yang berbeda untuk

memenuhi kebutuhan user yang berbeda.– Antarmuka user dinamis yang menyediakan representasi

output yang berbeda untuk user yang berbeda pula.– Sistem manajemen berbasis model intelijen yang dapat

memilih model yang sesuai untuk memenuhi preferensi/acuan yang berbeda.

Arah Pengembangan Riset DSS

• Di bawah ini adalah beberapa poin dari riset yang telah dilakukan (1) :– Sekarang ini DSS berlaku pasif menanggapi pertanyaan “what-

if” yang diajukan. Selanjutnya kombinasi DSS/ES dapat bertindak lebih proaktif.

– Saat ini DSS tak kreatif, tapi di masa depan DSS harus menyediakan cara baru untuk mendefinisikan model, menjelaskan struktur masalah, memanajemen kerancuan dan kekomplekan, dan menyelesaikan klas baru keputusan dalam konteks pengambilan keputusan yang baru. ES bisa memberikan kontribusi utama dalam hal ini.

– DSS berpusat pada keputusan (decision-centered) tapi bukan pada decision-paced (langkah pengambilan keputusan). DSS di masa depan harus mendukung alasan-alasan pemilihan kelas keputusan tertentu.


• Di bawah ini adalah beberapa poin dari riset yang telah dilakukan (2) :– Peningkatan DSS harus lebih memberi perhatian pada masalah-

masalah yang tak terstruktur, karena hal tersebut berdampak pada efisiensi dan keefektifan organisasi secara keseluruhan. Komputasi syaraf dapat ditambahkan berkenaan dengan masalah kerancuan.

– DSS di masa depan harus mampu untuk membuat berbagai aksi alternatif dari dirinya sendiri, atau paling tidak menghasilkan peneluran ide.

– Riset DSS harus melebarkan perspektifnya, berhubungan dengan keefektifan organisasi dan perencanaan strategis. Perspektif baru ini akan didukung oleh penambahan kemampuan kreatifitas dan inovasi, menghasilkan DSS yang proaktif dalam membuat perubahan lebih dari sekedar mengantisipasi perubahan.


• Di bawah ini adalah beberapa poin dari riset yang telah dilakukan (3) :– Riset harus dilakukan pada interaksi diantara individu dan grup.

Masalah sosial dan etik juga harus lebih diperhatikan.– Komponen manusia dalam DSS harus dicermati untuk

melihat dampak DSS pada saat pembelajaran.– Integrasi DSS dengan ES, CBIS (Computer Based Information

System) lainnya, dan teknologi komputer yang berbeda lainnya (misal: komunikasi) akan menjadi wilayah riset utama.

– Teori DSS harus ditingkatkan. Teori-teori harus dikembangkan pada topik-topik seperti pengukuran kualitas keputusan, pembelajaran, dan keefektifan.

DSS Masa Depan• DSS berbasis PC akan terus tumbuh utamanya untuk dukungan

personal.• Untuk DSS di institusi yang mendukung pengambilan keputusan

berurutan dan saling berhubungan, kecenderungan ke depan adalah menjadi DSS terdistribusi.

• Untuk dukungan keputusan saling berhubungan yang terkonsentrasi, group DSS akan lebih lazim di masa depan.

• Produk-produk DSS akan mulai menggabungkan tool dan teknik-teknik AI.

• Semua kecenderungan di atas akan menuju pada satu titik pada pengembangan berkelanjutan pada kemampuan sistem yang lebih user-friendly.

Group Decision Support Vector Machine (SVM)

• Konsep Group Decision Support System :– Pengambilan keputusan grup (atau workgroup – kelompok kerja)

mengacu pada 2 atau lebih orang (sampai 25 orang) yang misinya adalah menyelesaikan tugas tertentu dan bekerja sebagai satu unit.

– Keputusan tersebut bisa permanen atau sementara, bisa pada satu lokasi atau bermacam lokasi, dapat bekerja pada waktu bersamaan atau waktu yang berbeda (Efraim Turban dkk, 2007).

– Dalam hal ini setiap orang tersebut disebut sebagai agen yang nanti masing-masing akan memberikan hasil keputusan untuk membentuk keputusan dalam bentuk Groups Decision sesuai dengan metode yang mereka gunakan.

– Hasil metode pengambilan keputusan bisa dipengaruhi oleh pola pikir, cara mengambil keputusan dan pertimbangan yang digunakan yang pastinya akan berbeda dari satu metode dengan metode yang lainnya.

– Mendaftar semua keputusan awal dari berbagai pihak (dalam hal ini setiap metode menghasilkan keputusan masing-masing), maka sistem akan mengkombinasi/ mempertimbangkan semua keputusan tersebut untuk menghasilkan satu keputusan akhir (final decision).


• Review Konsep SVM :– Konsep Klasifikasi dengan Support Vector Machine (SVM) adalah

mencari hyperplane terbaik yang berfungsi sebagai pemisah dua kelas data.

– Ide sederhana dari SVM adalah memaksimalkan margin, yang merupakan jarak pemisah antara kelas data.

– SVM mampu bekerja pada dataset yang berdimensi tinggi dengan menggunakan kernel trik.

– SVM hanya menggunakan beberapa titik data terpilih yang berkontribusi (Support Vector) untuk membentuk model yang akan digunakan dalam proses klasifikasi.

– Macam-Macam Training untuk SVM : • Chunking (Quadratic Programming).• Osuna (Dekomposisi).• Sequential Minimum Optimation (SMO).• Least Square (LS) dan lainnya.


• Review Konsep SVM :– Titik data : xi = {x1,x2,….,xn} ϵ Rn– Kelas data : yi ϵ {-1,+1}– Pasangan data dan kelas : – Maksimalkan fungsi berikut :

– Hitung nilai w dan b :

– Fungsi keputusan klasifikasi sign(f(x)) :

Keterangan : N (banyaknya data), n (dimensi data atau banyaknya fitur), Ld (Dualitas Lagrange

Multipier), αi (nilai bobot setiap titik data), C (nilai konstanta), m (jumlah support vector/titik data yang memiliki αi > 0), K(x,xi) (fungsi kernel).

Niii yx 1,

00:,11 11

N

iiii

N

i

N

jjijiji

N

ii ydanCsyaratxxKyyLd

xwxwb ..21

N

iiii xyw

1

m

iiii bxxKyxfataubxwxf

1

),()(.)(


• Beberapa Macam Fungsi Kernel Support Vector Machine (SVM) :

– Kernel Linier digunakan ketika data yang akan diklasifikasi dapat terpisah dengan sebuah garis/hyperplane.

– Kernel non-Linier digunakan ketika data hanya dapat dipisahkan dengan garis lengkung atau sebuah bidang pada ruang dimensi tinggi (Kernel Trik, No.2 sampai 6).


• Visualisasi Support Vector Machine (SVM) :– Kernel Linier :

– Kernel non-Linier :

Support Vector kelas -1 Support Vector kelas +1

(w.x) + b = -1

(w.x) + b = +1

(w.x) + b = 0

w

y = +1

y = -1

margin

22

21

2w2 Margin

ww

Hyperplane

Input Space x High-dimensional Feature Space Φ(x)

Hyperplane


• Karakteristik Support Vector Machine (SVM) :– SVM memerlukan proses pelatihan dengan menyimpan hasil support

vektor yang didapatkan untuk digunakan kembali pada saat proses prediksi/testing.

– SVM selalu memberikan model yang sama dan solusi yang sama dengan margin maksimal.

– SVM dapat memisahkan data yang distribusi kelasnya bersifat linier maupun non linier.

– SVM tidak dipengaruhi oleh dimensi data yang tinggi, sehingga tidak ada proses reduksi dimensi didalamnya.

– Memori yang digunakan dalam SVM dipengaruhi oleh banyaknya data, bukan besarnya dimensi data.


• Ensemble Machine Learning :– Mengapa menggunakan satu decision learning jika kita dapat menggunakan

banyak?– Puluhan, bahkan ratusan algoritma decision learning telah tersedia, banyak yang

"diterima", tetapi tidak ada algoritma yang optimal.– Ensemble : mengkombinasikan banyak prediktor.

• (Weighted) kombinasi dari beberapa prediktor.• Machine Learning dapat berupa dari tipe yang sama ataupun berbeda.

– Ilustrasi logika metode Ensemble :

“Who want to be a millionaire?”

Various options for getting help :


• Simple Ensemble :– Mengambil suara terbanyak (Majority vote/Unweighted average).– Mengambil bobot rata-rata terbaik dari beberapa prediktor (Weighted average).

• Misalnya : Kelas +1, -1, Weight alpha :

– Men-train hasil dari beberapa prediktor, yaitu dengan memperlakukan setiap individu dari prediktor sebagai fitur :

...

,...,

,...,

2122

2111

xxfy

xxfy

iie ysigny

...

,...,

,...,

2122

2111

xxfy

xxfy

,..., 21 yyfy ee


• Ensemble Learning :

• Menggabungkan beberapa hasil keputusan dari data ke dalam keputusan tunggal.

Algoritma 1

Algoritma 2

Algoritma 3

Algoritma n

……….. ………..

Data

Hasil keputusan 1

Hasil keputusan 2

Hasil keputusan 3

………….…..

Hasil keputusan n

FinalDecision

combine


• Framework SVM ensemble untuk financial distress prediction (FDP) :– Prediksi kondisi distress (tidak wajar) dalam keuangan (Jie Sun & Hui Li, 2012).

Initial feature set

Feature selection

Langkah 1

Langkah 2

Langkah 3

Langkah 4

feature set 1 feature set 2 feature set n

Parameter search Parameter search Parameter search Parameter search

Linear SVM Polynomial SVM Sigmoid SVM RBF SVM

Classifier 1 Classifier i Classifier j Classifier k Classifier l Classifier m…. …. ….

Selection of base classifiers for SVM ensemble through accuracy and diversity analysis

Base classifier 1 Base classifier 2 Base classifier q….

Combination

Result

….

Case Study (1 of 14)

• Misalkan dalam case study ini menggunakan framework berikut :

Linier SVM

Data Testing

+ -

Data Training

+ - -++ -

--

+

WP …. SAW

Decision 1 ….

….

Decision n….

Final Decision (SAW)

Ensemble

Combine sebagai fitur


• Perhatikan dataset berikut :– Data Training : tabel bobot kriteria produk smartphone sebagai berikut.

Penyelesaian :

Alternatif (Ai)Kriteria

Kelas Support VectorC1 C2

Hp. 1 100 3 -1 0

Hp. 2 120 4 -1 1

Hp. 3 140 3 -1 1

Hp. 4 150 5 1 1

Berdasarkan Data Training di atas, tentukan persamaan Hyperplane-nya dengan Linier SVM, lalu uji kelas Data Testing xt1 = (140,5), xt2 = (160,2), xt3 = (135,7), xt4 = (145,6) dan xt5 = (200,2)!


• Penyelesaian :

– Formulasi yang digunakan adalah untuk meminimalkan nilai margin :

– Sehingga didapatkan beberapa persamaan berikut :

22

21

2 ww21w

21

1b5w150w14.1b3w140w13.1b4w120w12.1b3w100w11.

21

21

21

21

1bxwxwy

N1,2,.....,i1,bxwy:Syarat

2211i

ii


• Penyelesaian :– Sehingga didapatkan beberapa persamaan berikut :

– Membentuk persamaan matrik :

1b5w150w14.1b3w140w13.1b4w120w12.1b3w100w11.

21

21

21

21

1b5w150w1b-3w-140w-1b-4w-120w-1b-3w-100w-

21

21

21

21

111

151501314014120

bww

100010001

111

151501314014120

bww

151501314014120

151501314014120

111

bww

151501314014120

1

2

1

1

2

11

2

1

Support Vector (SV)


• Penyelesaian :– Membentuk persamaan matrik :

– Sehingga didapatkan persamaan hyperplane :

9.00-0.800.04

111

151501314014120

bww

111

151501314014120

bww

100010001

111

151501314014120

bww

151501314014120

151501314014120

111

bww

151501314014120

1

2

1

1

2

1

1

2

11

2

1

w1x1 + w2x2 + b = 00.04x1 + 0.8x2 - 9 = 0

w•x + b = 08.004.09 1

2xx

Review materi :“Matematika Komputasi Lanjut” untuk menghitung invers matrik!


• Penyelesaian :– Sehingga didapatkan persamaan hyperplane :

w1x1 + w2x2 + b = 00.04x1 + 0.8x2 - 9 = 0

w•x + b = 08.004.09 1

2xx

x1

x2


• Penyelesaian :– Sehingga didapatkan persamaan hyperplane :

– Uji kelas data xt1 = (140,5) dan lainnya. • Diketahui : f(x) = 0.04x1 + 0.8x2 - 9• Kelas = sign(f(x))

w1x1 + w2x2 + b = 00.04x1 + 0.8x2 - 9 = 0

w•x + b = 08.004.09 1

2xx

NoData Testing Penentuan Kelas

x1 x2 Kelas = sign(0.04x1 + 0.8x2 - 9 )

1 140 5 sign (0.04(140) + 0.8(5) - 9) = sign(0.6) = +1

2 160 2 sign (0.04(160) + 0.8(2) - 9) = sign(-1) = -1

3 135 7 sign (0.04(135) + 0.8(7) - 9) = sign(2) = +1

4 145 6 sign (0.04(145) + 0.8(6) - 9) = sign(1.6) = +1

5 200 2 sign (0.04(200) + 0.8(2) - 9) = sign(0.6) = +1


• Hasil penentuan kelas Data Testing :– Data Testing (kelas +) : Diketahui tingkat prioritas bobot dua kriteria smartphone

yaitu, Berat (C1) = 10, Ukuran Layar (C2) = 5, dengan tabel bobot kriteria produk smartphone sebagai berikut.

Penyelesaian WP :Diketahui tingkat prioritas bobot setiap kriteria dan diasumsikan user akan membeli

smartphone yang mempunyai tingkat prioritas bobot yaitu, Berat (C1) = 10, Ukuran Layar (C2) = 5. Sehingga didapatkan perbaikan bobot (W j) sebagai berikut:

Menentukan hasil keputusan akhir penentuan smartphone terbaik menggunakan metode Weighted Product (WP) & Simple Additive Weighting (SAW)?


KelasC1 C2

Hp. 5 140 5 +1

Hp. 6 135 7 +1

Hp. 7 145 6 +1

Hp. 8 200 2 +1

67.0510

10W1

33.0510

5W2

n

1jj

jj

W_Init

W_InitW


• Penyelesaian WP :– Menghitung vektor Si, dimana data yang ada akan dikalikan tetapi sebelumnya

dilakukan pemangkatan dengan bobot dari masing-masing kriteria.

– Menghitung vektor Vi dengan cara membagi hasil masing-masing vektor S i dengan jumlah seluruh Si.

036112.02200S

064368.06145S

071049.07135S

062052.05140S

33.067.04

33.067.03

33.067.02

33.067.01

m1,2,..,idengan,XS jkWij

n1ji

m1,2,..,idengan,S

SV m

1ji

ii

154601.0233581.0036112.0V

275572.0233581.0064368.0V

304173.0233581.0071049.0V

265654.0233581.0062052.0V

4

3

2

1

233581.0036112.0064368.0071049.0062052.0Sm

1ji


• Penyelesaian SAW :– Menghitung Nilai Rating Ternormalisasi (Rij)

+ Kriteria Benefit : C2

- Kriteria Cost : C1


KelasC1 C2

Hp. 5 140 5 +1

Hp. 6 135 7 +1

Hp. 7 145 6 +1

Hp. 8 200 2 +1

(cost)jjika

xxMin

(benefit)jjikaxMax

x

R

ij

j,:

j,:

ij

ij

RijKriteria

C1 C2

Hp. 5 0.964286 0.714286

Hp. 6 1 1

Hp. 7 0.931034 0.857143

Hp. 8 0.675 0.285714


• Penyelesaian SAW :– Menghitung Nilai Rating Ternormalisasi (Rij)

– Menghitung Nilai Preferensi (Vi)

RijKriteria

C1 C2

Hp. 5 0.964286 0.714286

Hp. 6 1 1

Hp. 7 0.931034 0.857143

Hp. 8 0.675 0.285714

n

1jijji RWV C1 C2

Nilai Bobot (W) 10 5

178571.8285714.0*5675.0*10RWRWRWV

59606.13857143.0*5931034.0*10RWRWRWV

151*51*10RWRWRWV

21429.13714286.0*5964286.0*10RWRWRWV

422411

2

1j4jj4

322311

2

1j3jj3

222211

2

1j2jj2

122111

2

1j1jj1


• Kombinasi hasi dari metode WP dan SAW sebagai fitur :– Hasil WP & SAW :

• Final Decision (Misal menggunakan SAW) :– Menghitung Nilai Rating Ternormalisasi (Rij) :

Fitur/ Kriteria

Cwp Csaw

Hp. 5 0.265654 13.21429

Hp. 6 0.304173 15

Hp. 7 0.275572 13.59606

Hp. 8 0.154601 8.178571

SAWdari178571.8,59606.13,15,21429.13

WPdari154601.0,275572.0,304173.0,265654.0

22

11

fy

fy

RijFitur/ Kriteria

Cwp Csaw

Hp. 5 0.873365 0.880953

Hp. 6 1 1

Hp. 7 0.905971 0.906404

Hp. 8 0.508267 0.545238

(cost)jjika

xxMin

(benefit)jjikaxMax

x

R

ij

j,:

j,:

ij

ij

+ Kriteria Benefit : Cwp, Csaw

- Kriteria Cost : -

Cwp Csaw

Nilai Bobot (W) 1 1


• Final Decision (Misal menggunakan SAW) :– Menghitung Nilai Rating Ternormalisasi (Rij) :

– Menghitung Nilai Preferensi (Vi)

RijFitur/ Kriteria

Cwp Csaw

Hp. 5 0.873365 0.880953

Hp. 6 1 1

Hp. 7 0.905971 0.906404

Hp. 8 0.508267 0.545238

+ Kriteria Benefit : Cwp, Csaw

- Kriteria Cost : -

Cwp Csaw

Nilai Bobot (W) 1 1

n

1jijji RWV

053505.1545238.0*1508267.0*1RWRWRWV

812375.1906404.0*1905971.0*1RWRWRWV

21*11*1RWRWRWV

754317.1880953.0*1873365.0*1RWRWRWV

422411

2

1j4jj4

322311

2

1j3jj3

222211

2

1j2jj2

122111

2

1j1jj1


• Final Decision (Misal menggunakan SAW) :– Menghitung Nilai Preferensi (Vi)

n

1jijji RWV

053505.1545238.0*1508267.0*1RWRWRWV

812375.1906404.0*1905971.0*1RWRWRWV

21*11*1RWRWRWV

754317.1880953.0*1873365.0*1RWRWRWV

422411

2

1j4jj4

322311

2

1j3jj3

222211

2

1j2jj2

122111

2

1j1jj1

Setelah menghitung nilai Vi untuk tiap-tiap smartphone, maka sistem akan memilih nilai tertinggi sebagai alternatif terbaik dalam mengambil keputusan. Sehingga rekomendasi smartphone yang didapat adalah Hp. 6, Hp. 7, Hp. 5, dan Hp. 8 sesuai dengan urutan tertinggi nilai Vi.

Latihan Individu• Berdasarkan case study di atas, selesaikan final decision menggunakan metode

Weighted Product (WP) dan tentukan alternatif terbaiknya!

n

1jj

jj

W_Init

W_InitW

m1,2,..,idengan,XS jkWij

n1ji

m1,2,..,idengan,S

SV m

1ji

ii

Note : Misal diketahui tingkat prioritas bobot setiap kriteria yaitu, Berat (Cwp) = 1, Ukuran Layar (Csaw) = 4.

Tugas Kelompok

• Buatlah contoh kasus yang unik + penyelesaiannya menggunakan framework pada slide 30 sesuai dengan kreatifitas kelompok anda. (Min. 1 soal, Min. 2 kriteria, Min. 4 data) !

Note : Kerjakan dalam file *.doc/docx

Progress Final Project

• Bagian 1 of 3 (Minggu 12) :– Abstrak– Pendahuluan

• Bagian 2 of 3 (Minggu 13) :– Uraian Metode & Uraian Objek Penelitian– Proses Manualisasi dari Case Study– Design Antarmuka– Bedah Paper 3

• Bagian 3 of 3 (Minggu 14) :– Implementasi– Uji coba– Evaluasi Eji coba

Selesai

Organisasi DSS serta Topik-Topik Pengembangannya & Group Decision Support Vector Machine (SVM)

Documents

Transcript of Organisasi DSS serta Topik-Topik Pengembangannya & Group Decision Support Vector Machine (SVM)