89 4. Pelatihan dan Pengelolaan Perubahan a. Menyediakan pelatihan yang memadai untuk pengguna. b. Strategi manajemen perubahan untuk mengatasi resistensi dan mengadaptasi budaya kerja. 5. Pemeliharaan dan Peningkatan Berkelanjutan a. Melakukan pemeliharaan rutin dan pembaruan sistem. b. Meninjau dan menyesuaikan sistem secara berkala untuk menjawab perubahan kebutuhan organisasi dan perkembangan teknologi. F. Pandangan ke Depan: Perkembangan Teknologi dan Kebutuhan Organisasi 1. Adopsi AI dan Machine Learning a. Implementasi teknologi AI dan ML dalam DSS akan menjadi lebih umum, memungkinkan analisis data yang lebih canggih dan keputusan yang lebih akurat. b. Automasi proses pengambilan keputusan akan meningkat, mengurangi beban kerja manual.
90 2. Integrasi dengan Teknologi Baru a. Integrasi DSS dengan teknologi emergent seperti IoT, blockchain, dan cloud computing akan membuka kemungkinan baru untuk pengolahan data dan analisis real-time. b. Peningkatan interoperabilitas antara berbagai sistem dan platform. 3. Data Besar dan Analisis Prediktif a. Pertumbuhan data besar akan terus mempengaruhi cara organisasi menggunakan DSS, dengan penekanan yang lebih besar pada analisis prediktif dan pemrosesan data besar. b. Keamanan dan privasi data akan menjadi fokus utama, terutama dalam menghadapi regulasi yang semakin ketat. 4. Personalisasi dan Pengalaman Pengguna a. DSS akan menjadi lebih personal dan user-friendly, dengan antarmuka yang disesuaikan dengan kebutuhan pengguna individu. b. Peningkatan keterlibatan pengguna dalam desain dan iterasi DSS. 5. Peran DSS dalam Pengambilan Keputusan Strategis a. DSS akan memainkan peran yang lebih kritis dalam pengambilan keputusan strategis, memberikan
91 wawasan yang lebih dalam untuk membantu organisasi dalam membuat keputusan yang berbasis data. b. Sistem DSS yang mampu belajar dan beradaptasi secara otomatis dengan kebutuhan dan preferensi pengguna, serta dengan perubahan kondisi pasar.
92 BAB VI Studi Kasus: Metode SPK dalam Berbagai Sektor plikasi praktis dari Sistem Pendukung Keputusan (DSS) dalam berbagai sektor industri. Melalui studi kasus konkret, kita akan memahami bagaimana DSS digunakan untuk mengatasi tantangan spesifik dan meningkatkan pengambilan keputusan dalam konteks keuangan, kesehatan, dan manufaktur. A
93 A. Studi Kasus: Sektor Keuangan Misalkan sebuah perusahaan ingin memilih investasi terbaik dari tiga alternatif berdasarkan beberapa kriteria. Kriteria dan nilai alternatif diberikan dengan metode ARAS(Prayoga & Pratiwi Susanti, 2022; Sari & Purba, 2019)sebagai berikut: Kriteria: 1. Keuntungan (Profit) - semakin tinggi semakin baik 2. Risiko (Risk) - semakin rendah semakin baik 3. Likuiditas (Liquidity) - semakin tinggi semakin baik Bobot Kriteria: Tabel 6.1 Bobot Kriteria Kriteria Bobot Keuntungan 0.5 Risiko 0.3 Likuiditas 0.2
94 Tabel 6.2 Nilai Alternatif (Investasi A, B, C) Kriteria Investasi A Investasi B Investasi C Keuntungan 8 7 6 Risiko 5 3 4 Likuiditas 7 6 8 Langkah 1: Normalisasi Matriks Keputusan Untuk kriteria 'semakin tinggi semakin baik' (Keuntungan, Likuiditas), gunakan formula: Untuk kriteria 'semakin rendah semakin baik' (Risiko), gunakan formula: Untuk menjelaskan perhitungan dari hasil matriks normalisasi, kita akan menggunakan formula yang telah ditentukan untuk setiap kriteria. Berikut adalah penjelasan perhitungan langkah demi langkah:
95 Kriteria "Semakin Tinggi Semakin Baik" (Keuntungan dan Likuiditas) Untuk kriteria 'semakin tinggi semakin baik' (Keuntungan, Likuiditas), gunakan formula: Keuntungan: Investasi A: Investasi B: Investasi C: Likuiditas: Investasi A: Investasi B: Investasi C: Kriteria "Semakin Rendah Semakin Baik" (Risiko) Untuk kriteria 'semakin rendah semakin baik' (Risiko), gunakan formula:
96 Risiko: Investasi A: Investasi B: Investasi C: Berikut adalah matriks normalisasi untuk setiap kriteria dan investasi: Tabel 6.3 Normalisasi Kriteria Investasi A Investasi B Investasi C Keuntungan 1.000 0.875 0.750 Risiko 0.600 1.000 0.750 Likuiditas 0.875 0.750 1.000 Langkah 2: Matriks Keputusan Ternormalisasi Terbobot dikalikan nilai pada matriks normalisasi dengan bobot kriteria: Nilai Ternormalisasi Terbobot= Nilai Normalisasi×Bobot Kriteria
97 Diberikan bobot kriteria sebagai berikut: Keuntungan: 0.5 Risiko: 0.3 Likuiditas: 0.2 Dan nilai normalisasi dari proses sebelumnya adalah: Keuntungan: A (1), B (0.875), C (0.75) Risiko: A (0.6), B (1), C (0.75) Likuiditas: A (0.875), B (0.75), C (1) Perhitungan: 1. Keuntungan A: 1×0.5=0.51×0.5=0.5 B: 0.875×0.5=0.43750.875×0.5=0.4375 C: 0.75×0.5=0.3750.75×0.5=0.375 2. Risiko A: 0.6×0.3=0.180.6×0.3=0.18 B: 1×0.3=0.31×0.3=0.3 C: 0.75×0.3=0.2250.75×0.3=0.225 3. Likuiditas A: 0.875×0.2=0.1750.875×0.2=0.175 B: 0.75×0.2=0.150.75×0.2=0.15
98 C: 1×0.2=0.21×0.2=0.2 Tabel 6.4 Matriks Keputusan Ternormalisasi Terbobot Kriteria Investasi A Investasi B Investasi C Keuntungan 0.5 0.4375 0.375 Risiko 0.18 0.3 0.225 Likuiditas 0.175 0.15 0.2 Langkah 3: Menghitung Tingkat Utilitas untuk Setiap Alternatif dengan menjumlahkan nilai-nilai ternormalisasi terbobot untuk setiap alternatif: A = 0.5 + 0.18 + 0.175 = 0.855 B = 0.4375 + 0.3 + 0.15 = 0.8875 C = 0.375 + 0.225 + 0.2 = 0.8 Langkah 4: Ranking Alternatif berdasarkan nilai utilitas: 1. Investasi B (0.8875) 2. Investasi A (0.855) 3. Investasi C (0.8)
99 Kesimpulan: Berdasarkan metode ARAS, Investasi B adalah pilihan terbaik dengan skor utilitas tertinggi. Metode ARAS ini memberikan pendekatan sistematis untuk membandingkan alternatif berdasarkan sejumlah kriteria yang telah dinormalisasi dan diberi bobot. Ini membantu dalam membuat keputusan yang lebih objektif dan terstruktur di sektor keuangan dan area lainnya. B. Studi Kasus: Sektor Kesehatan Untuk menjelaskan perhitungan menggunakan metode WASPAS (Weighted Aggregated Sum Product Assessment) (Fitriani & Alasi, 2020)dalam konteks sistem pendukung keputusan (SPK) pada kasus kesehatan, mari kita buat contoh kasus serta langkah-langkah perhitungannya (Badalpur & Nurbakhsh, 2021). Contoh Kasus: Evaluasi Opsi Pengobatan Misalkan sebuah rumah sakit ingin mengevaluasi tiga opsi pengobatan berbeda (A, B, C) berdasarkan beberapa kriteria. Kriteria dan nilai alternatif diberikan sebagai berikut:
100 Kriteria: 1. Efektivitas Pengobatan (semakin tinggi semakin baik) 2. Biaya Pengobatan (semakin rendah semakin baik) 3. Tingkat Kepuasan Pasien (semakin tinggi semakin baik) Bobot Kriteria: 1. Efektivitas Pengobatan: 0.5 2. Biaya Pengobatan: 0.3 3. Tingkat Kepuasan Pasien: 0.2 Nilai Alternatif (Pengobatan A, B, C): 1) Efektivitas Pengobatan: A (80), B (90), C (70) 2) Biaya Pengobatan: A ($2000), B ($1800), C ($2200) 3) Tingkat Kepuasan Pasien: A (85), B (80), C (90) 6. Langkah 1: Normalisasi Data Menggunakan formula WASPAS untuk normalisasi: Untuk kriteria ‘semakin tinggi semakin baik’ gunakan formula: Untuk kriteria ‘semakin rendah semakin baik’, gunakan formula:
101 Efektivitas Pengobatan (semakin tinggi semakin baik): Pengobatan A: Pengobatan B: Pengobatan C: Biaya Pengobatan (semakin rendah semakin baik): Pengobatan A: Pengobatan B: Pengobatan C: Kepuasan Pasien (semakin tinggi semakin baik): Pengobatan A: Pengobatan B: Pengobatan C: Langkah 2: Menghitung WSM (Weighted Sum Model) dan WPM (Weighted Product Model) WSM: WSMi = ∑
102 Pengobatan A: 1. Efektivitas Pengobatan: 0.889×0.5=0.44450.889×0.5=0.4445 2. Biaya Pengobatan: 0.900×0.3=0.2700.900×0.3=0.270 3. Kepuasan Pasien: 0.944×0.2=0.18880.944×0.2=0.1888 4. Total WSM Score: 0.4445+0.270+0.1888=0.90330.4445+0.270+0.1888=0.9033 Pengobatan B: 1. Efektivitas Pengobatan: 1.000×0.5=0.5001.000×0.5=0.500 2. Biaya Pengobatan: 1.000×0.3=0.3001.000×0.3=0.300 3. Kepuasan Pasien: 0.889×0.2=0.17780.889×0.2=0.1778 4. Total WSM Score: 0.500+0.300+0.1778=0.97780.500+0.300+0.1778=0.9778 Pengobatan C: 1. Efektivitas Pengobatan: 0.778×0.5=0.3890.778×0.5=0.389 2. Biaya Pengobatan: 0.818×0.3=0.24540.818×0.3=0.2454 3. Kepuasan Pasien: 1.000×0.2=0.2001.000×0.2=0.200 4. Total WSM Score: 0.389+0.2454+0.200=0.83440.389+0.2454+0.200=0.8344 WPM: WPMi = ∏
103 Pengobatan A: 1. Efektivitas Pengobatan: 0.8890.5 2. Biaya Pengobatan: 0.9000.3 3. Kepuasan Pasien: 0.9440.2 4. Total WPM Score: 0.8890.5×0.9000.3×0.9440.2= 0.903 Pengobatan B: 1. Efektivitas Pengobatan: 1.0000.5 2. Biaya Pengobatan: 1.0000.3 3. Kepuasan Pasien: 0.8890.2 4. Total WPM Score: 1.0000.5×1.0000.3×0.8890.2= 0.977 Pengobatan C: 1. Efektivitas Pengobatan: 0.7780.5 2. Biaya Pengobatan: 0.8180.3 3. Kepuasan Pasien: 1.0000.2 4. Total WPM Score: 0.7780.5×0.8180.3×1.0000.2= 0.830 Langkah 3: Menggabungkan WSM dan WPM WASPAS Score: Scorei=λ⋅WSMi+(1−λ)⋅WPMiScorei=λ⋅WSMi +(1−λ)⋅WPMi Biasanya, λλ diambil sebagai 0.5
104 Pengobatan A: WSM Score: 0. 903 dan WPM Score: 0. 903 WASPAS Score: 0.5×0.903333+(1−0.5)×0.903092 = 0.451666+0.451546 = 0.903212 Pengobatan B: WSM Score: 0.977778 dan WPM Score: 0.976719 WASPAS Score: 0.5×0.977778+(1−0.5)×0.976719 = 0.488889+0.488359 = 0.977248 Pengobatan C: WSM Score: 0.834343 dan WPM Score: 0.830391 WASPAS Score: 0.5×0.834343+(1−0.5)×0.830391= 0.417171+0.415195 = 0.832367 Tabel 6.5 Hasil perhitungan WASPAS Score untuk setiap opsi pengobatan Pengobatan WSM Score WPM Score WASPAS Score A 0.903 0.903 0.903 B 0.978 0.977 0.977 C 0.834 0.830 0.832
105 Dengan demikian, hasil akhir WASPAS Score untuk Pengobatan B adalah 0.977248. Skor ini menggabungkan pendekatan WSM dan WPM untuk memberikan evaluasi menyeluruh berdasarkan kriteria yang ditetapkan. Pengobatan B, dengan skor tertinggi, dianggap sebagai opsi terbaik berdasarkan kriteria yang diberikan. C. Studi Kasus: Sektor Manufaktur Misalkan sebuah perusahaan manufaktur ingin mengevaluasi tiga mesin berbeda (A, B, C) dengan metode VIKOR(Mateusz et al., 2018) berdasarkan beberapa kriteria(Imandasari et al., 2019). Kriteria dan nilai alternatif diberikan sebagai berikut: Kriteria: 1. Kecepatan Produksi (unit/jam) - semakin tinggi semakin baik 2. Biaya Operasional (USD/tahun) - semakin rendah semakin baik 3. Keandalan (skala 0-100) - semakin tinggi semakin baik Nilai Alternatif (Mesin A, B, C): 1. Kecepatan Produksi: A (200), B (180), C (160)
106 2. Biaya Operasional: A ($5000), B ($4500), C ($5500) 3. Keandalan: A (90), B (95), C (85) Langkah 1: Normalisasi Data Normalisasi data dilakukan dengan menggunakan rumus berikut: Untuk kriteria ‘semakin tinggi semakin baik’ gunakan formula: Untuk kriteria ‘semakin rendah semakin baik’, gunakan formula: Kecepatan Produksi (semakin tinggi semakin baik): Mesin A: Mesin B: Mesin C:
107 Biaya Operasional (semakin rendah semakin baik): Mesin A: Mesin B: Mesin C: Keandalan (semakin tinggi semakin baik): Mesin A: Mesin B: Mesin C: 95 Langkah 2: Menghitung S_i dan R_i 1. Si adalah jarak agregat terhadap solusi ideal positif. 2. Ri adalah jarak maksimal terhadap solusi ideal positif. Mesin A: S_i Score: (1−1.0)+(1−0.900)+(1−0.947)=0.153 R_i Score: Max (1−1.0),(1−0.900),(1−0.947)=0.100
108 Mesin B: S_i Score: (1−0.9)+(1−1.000)+(1−1.000)=0.100 R_i Score: Max (1−0.9),(1−1.000),(1−1.000)=0.100 Mesin C: S_i Score: (1−0.8)+(1−0.818)+(1−0.895)=0.487 R_i Score: Max (1−0.8),(1−0.818),(1−0.895)=0.200 Langkah 3: Menghitung Q_i Menggunakan rumus VIKOR untuk menghitung skor Q_i, dengan mempertimbangkan bobot kriteria dan nilai v (biasanya 0.5). Formula: Mesin A: S_i Score: 0.153 R_i Score: 0.100 Q Score
109 Mesin B: S_i Score: 0.100 R_i Score: 0.100 Q Score Mesin C: S_i Score: 0.487 R_i Score: 0.200 Q Score: Langkah 4: Ranking Alternatif Berdasarkan Q_i Alternatif dengan Q_i terendah dianggap sebagai pilihan terbaik. Tabel 6.6 Hasil Perangkingan skor Q yang dihasilkan dari metode VIKOR Mesin S_i Score R_i Score Q Score Ranking B 0.100 0.100 0.000 1 A 0.153 0.100 0.068 2
110 Mesin S_i Score R_i Score Q Score Ranking C 0.487 0.200 1.000 3 Dari perangkingan ini, kita dapat melihat bahwa: a. Mesin B berada di peringkat pertama, menandakan sebagai pilihan terbaik. b. Mesin A menduduki peringkat kedua. c. Mesin C berada di peringkat terakhir, menunjukkan bahwa ini adalah opsi terburuk dari ketiga mesin berdasarkan kriteria yang ditetapkan. Metode VIKOR dengan efektif memberikan perangkingan yang menggabungkan pendekatan agregat dan maksimal terhadap solusi ideal, memungkinkan pengambilan keputusan yang lebih seimbang dalam kondisi di mana ada konflik atau kebutuhan untuk menyeimbangkan antara kriteria yang berbeda D.Analisis dan Kesimpulan 1. Evaluasi Kinerja: Menganalisis bagaimana DSS mempengaruhi kinerja organisasi dalam setiap studi kasus.
111 2. Pelajaran yang Dipetik: Mengekstrak pelajaran penting dari setiap studi kasus, termasuk tantangan dalam implementasi dan faktor-faktor kunci keberhasilan. 3. Aplikabilitas di Sektor Lain: Menjelajahi bagaimana wawasan dari studi kasus ini dapat diterapkan dalam konteks industri lain.
112 BAB VII Tantangan dan Masa Depan Sistem Pendukung Keputusan antangan yang dihadapi dalam pengembangan dan implementasi Sistem Pendukung Keputusan (DSS) (Sari & Purba, 2019), serta membahas prospek masa depan dan evolusi sistem ini. Tujuannya adalah untuk memberikan wawasan tentang dinamika saat ini dan masa T
113 depan dalam bidang DSS, menggarisbawahi potensi dan hambatan yang mungkin terjadi. A. Tantangan dalam Pengembangan dan Implementasi DSS Pengembangan dan implementasi sistem pendukung keputusan (DSS) dapat menemui berbagai tantangan, mulai dari aspek teknologi hingga resistensi organisasi. Berikut adalah penjelasan lengkap mengenai tantangan-tantangan tersebut: 1. Kompleksitas Teknologi a. Integrasi Sistem: Mengintegrasikan DSS dengan sistem informasi lain dalam organisasi bisa menjadi kompleks, terutama jika sistem yang ada menggunakan teknologi yang berbeda atau usang(Marsono et al., 2023). Integrasi ini memerlukan pemahaman teknis yang mendalam dan sering kali melibatkan solusi khusus. b. Pemeliharaan dan Peningkatan: DSS memerlukan pemeliharaan dan peningkatan secara berkala untuk menjaga efektivitasnya. Hal ini melibatkan pengujian dan pembaruan sistem, yang bisa menjadi tantangan, khususnya dalam menjaga
114 keseimbangan antara inovasi dan stabilitas operasional. c. Skalabilitas: DSS harus dirancang untuk dapat diskalakan sejalan dengan pertumbuhan organisasi dan peningkatan volume data. Mengelola skalabilitas sistem bisa menjadi tantangan, terutama dalam hal kinerja dan biaya infrastruktur. 2. Ketersediaan dan Kualitas Data a. Akses Data: Mengakses data yang cukup dan relevan untuk analisis adalah tantangan utama. Data mungkin tersebar di berbagai sistem dan mungkin tidak tersedia dalam format yang siap digunakan. b. Kualitas Data: Kualitas data yang buruk dapat menghasilkan insight yang menyesatkan. Membersihkan, memvalidasi, dan mengonsolidasi data untuk memastikan akurasi dan keandalan adalah proses yang memakan waktu dan sumber daya. c. Data Tidak Lengkap atau Tidak Konsisten: Data yang tidak lengkap atau tidak konsisten dapat menghambat kemampuan analisis DSS, memerlukan usaha ekstra dalam pemrosesan dan analisis data(Redjeki et al., 2024).
115 3. Resistensi Organisasi dan Budaya a. Perlawanan terhadap Perubahan: Karyawan dan manajemen mungkin menolak mengadopsi DSS karena takut akan perubahan atau kehilangan kontrol. Perubahan cara kerja dapat menimbulkan ketidaknyamanan atau ketidakamanan. b. Pelatihan dan Pengembangan Keterampilan: Mempersiapkan karyawan untuk menggunakan DSS memerlukan investasi dalam pelatihan dan pengembangan. Tanpa pelatihan yang memadai, karyawan mungkin merasa tidak mampu untuk memanfaatkan sistem sepenuhnya. c. Ketergantungan pada Sistem: Terlalu bergantung pada DSS bisa menimbulkan risiko jika sistem gagal. Penting untuk menjaga keseimbangan antara keputusan berbasis data dan pengambilan keputusan manusia. 4. Keamanan dan Privasi Data a. Perlindungan Data: Dengan peningkatan jumlah data yang digunakan dan disimpan oleh DSS, keamanan menjadi perhatian utama. Perlindungan data dari akses tidak sah dan serangan siber adalah tantangan yang terus berkembang.
116 b. Kepatuhan Regulasi: Organisasi harus mematuhi regulasi yang berkaitan dengan privasi dan perlindungan data, seperti GDPR. Hal ini melibatkan memastikan bahwa semua data diolah dan disimpan dengan cara yang memenuhi standar hukum. c. Ancaman Siber: Ancaman siber terus berkembang, membuat perlindungan data menjadi semakin menantang(Adat & Gupta, 2018). Organisasi harus terus-menerus memperbarui sistem keamanan mereka untuk melindungi data dan infrastruktur DSS. B.Masa Depan Sistem Pendukung Keputusan Masa depan sistem pendukung keputusan (DSS) tampaknya akan sangat dipengaruhi oleh perkembangan teknologi terkini. Dengan kemajuan yang terus berlangsung dalam bidang AI, machine learning, big data, serta teknologi cloud dan mobile(Hutasuhut & Nasyuha, 2021), kita dapat mengharapkan evolusi signifikan dalam cara DSS dirancang, diimplementasikan, dan digunakan. Berikut adalah beberapa aspek utama dari masa depan DSS:
117 1. Pengintegrasian AI dan Machine Learning yang Lebih Lanjut a. Analisis Canggih dan Kemampuan Prediktif: AI dan machine learning terus berkembang, memberikan kemampuan analitik yang lebih canggih dan prediksi yang lebih akurat(Oyedele et al., 2021). DSS masa depan mungkin akan menggunakan algoritma pembelajaran mendalam untuk mengidentifikasi pola yang kompleks dan membuat proyeksi yang lebih tepat. b. Pengambilan Keputusan Otomatis: Kemajuan dalam AI dapat mengarah pada otomatisasi keputusan tertentu, terutama dalam situasi yang memerlukan respons cepat atau di mana pola data yang ada sudah cukup jelas(Astriratma et al., 2020). c. Personalisasi dan Adaptasi: AI dan machine learning memungkinkan DSS untuk beradaptasi dengan kebutuhan pengguna individu, menyediakan solusi yang lebih personal dan relevan. 2. Evolusi Big Data a. Pengolahan Data Skala Besar: Dengan pertumbuhan eksponensial dalam jumlah data yang dihasilkan, DSS harus mampu mengolah dan menganalisis data dalam skala yang jauh lebih besar.
118 b. Analisis Real-Time: Kemampuan untuk menganalisis data secara real-time akan menjadi semakin penting, memungkinkan organisasi untuk merespons dengan cepat terhadap perubahan kondisi pasar atau operasional. c. Integrasi Sumber Data yang Beragam: DSS masa depan akan dapat mengintegrasikan dan menganalisis data dari berbagai sumber, termasuk media sosial, sensor IoT, dan data transaksional(Hamza et al., 2020). 3. DSS Berbasis Cloud dan Mobile a. Fleksibilitas dan Aksesibilitas: Cloud computing menyediakan platform yang fleksibel dan skalabel untuk DSS, memungkinkan akses dari mana saja dan kapan saja. Ini sangat berguna untuk organisasi yang tersebar atau memiliki tenaga kerja mobile. b. Aplikasi Mobile: Dengan peningkatan penggunaan perangkat mobile, DSS masa depan mungkin akan lebih sering diakses melalui aplikasi mobile, memungkinkan pengambilan keputusan di lapangan dan integrasi yang lebih baik dengan alur kerja pengguna.
119 c. Aspek Kolaboratif: Cloud dan mobile memfasilitasi kolaborasi yang lebih efektif di antara tim, meningkatkan komunikasi dan koordinasi dalam pengambilan keputusan. C. Inovasi dan Adaptasi Masa depan sistem pendukung keputusan (DSS) juga akan ditandai oleh inovasi dan adaptasi yang berkelanjutan, terutama dalam menghadapi lingkungan bisnis yang cepat berubah dan kebutuhan untuk interaksi pengguna yang lebih intuitif. Berikut adalah beberapa aspek penting dari inovasi dan adaptasi dalam konteks DSS: 1. Adaptasi dengan Perubahan Lingkungan Bisnis a. Responsif terhadap Perubahan: DSS masa depan perlu dirancang untuk dapat beradaptasi dengan cepat terhadap perubahan di lingkungan bisnis. Ini termasuk fleksibilitas untuk mengintegrasikan data baru, mengubah algoritma, dan menyesuaikan output berdasarkan tren pasar atau perubahan kebijakan. b. Interkonektivitas Global: Dengan ekonomi global yang semakin saling terkait, DSS perlu mampu memproses dan menganalisis data dari berbagai sumber global, memahami dinamika pasar lintas
120 batas, dan mempertimbangkan faktor eksternal seperti perubahan politik atau ekonomi. c. Analisis Prediktif dan Proaktif: DSS harus mengembangkan kemampuan prediktif yang lebih kuat untuk tidak hanya merespons tetapi juga memproyeksikan perubahan dan tren masa depan, memungkinkan perusahaan untuk mengambil langkah proaktif daripada reaktif. 2. Pengembangan User Interface yang Lebih Intuitif a. UI/UX yang Ramah Pengguna: User interface (UI) yang intuitif dan mudah digunakan sangat penting untuk memastikan bahwa semua pengguna, tidak peduli latar belakang teknis mereka, dapat berinteraksi dengan DSS secara efektif. Ini termasuk penggunaan visualisasi data yang menarik, dashboard interaktif, dan kontrol yang mudah diakses. b. Personalisasi dan Kustomisasi: Memberikan pengalaman yang dapat disesuaikan di mana pengguna dapat mengatur preferensi mereka, melihat data yang paling relevan dengan kebutuhan mereka, dan mengakses fitur yang sering digunakan dengan mudah.
121 c. Integrasi dengan Alat Lain: UI harus dirancang untuk bekerja mulus dengan alat dan aplikasi lain yang digunakan dalam bisnis, memungkinkan pertukaran data yang lancar dan mengurangi kebutuhan untuk beralih antar sistem. 3. Inovasi Berkelanjutan a. Pengembangan Berbasis Feedback: DSS harus terus berkembang berdasarkan umpan balik dari pengguna. Ini termasuk mengidentifikasi fitur yang paling banyak digunakan, memahami kesulitan yang dihadapi pengguna, dan memperbaiki sistem berdasarkan masukan tersebut. b. Eksplorasi Teknologi Baru: Terus mengeksplorasi dan mengintegrasikan teknologi baru seperti augmented reality, natural language processing, dan otomatisasi berbasis AI untuk meningkatkan kemampuan dan aksesibilitas DSS. D. Tantangan Regulasi dan Etika Pengembangan dan implementasi sistem pendukung keputusan (DSS) dihadapkan pada tantangan regulasi dan etika yang semakin kompleks, terutama seiring dengan kemajuan teknologi AI dan machine learning. Berikut
122 adalah penjelasan detail mengenai tantangan-tantangan tersebut: 1. Regulasi Data a. Kepatuhan Terhadap Regulasi: Dengan regulasi seperti GDPR di Uni Eropa dan berbagai undangundang perlindungan data di seluruh dunia, DSS harus dirancang untuk mematuhi standar privasi dan penggunaan data. Ini termasuk mengelola data pribadi pelanggan dengan cara yang transparan dan bertanggung jawab. b. Dampak pada Pengumpulan dan Pengolahan Data: Regulasi ini dapat membatasi jenis data yang dapat dikumpulkan dan cara data tersebut digunakan dalam DSS. Perusahaan harus memastikan bahwa data dikumpulkan dan diproses secara legal, dengan izin yang tepat. c. Adaptasi dengan Perubahan Regulasi: Regulasi mengenai data terus berkembang, sehingga DSS harus fleksibel untuk beradaptasi dengan perubahan regulasi ini. Ini bisa berarti perubahan dalam proses bisnis, arsitektur sistem, dan kebijakan privasi.
123 2. Pertimbangan Etika a. Bias dalam AI dan Machine Learning: Salah satu isu etis utama dalam penggunaan AI adalah potensi bias dalam algoritma. AI dan machine learning dapat menghasilkan hasil yang bias jika data pelatihan yang digunakan tidak representatif atau mengandung prasangka. DSS harus mengadopsi pendekatan untuk mengidentifikasi dan mengurangi bias ini. b. Transparansi dan Kejelasan Keputusan: Penting bagi DSS yang menggunakan AI untuk transparan dalam cara mereka membuat keputusan. Ini termasuk menyediakan penjelasan yang dapat dipahami tentang bagaimana keputusan diambil, terutama dalam kasus di mana keputusan tersebut memiliki konsekuensi signifikan. c. Pengambilan Keputusan Otomatis: Dengan kemampuan AI untuk membuat atau merekomendasikan keputusan, muncul pertanyaan etis tentang sejauh mana pengambilan keputusan harus diotomatisasi. Penting untuk menjaga keseimbangan antara efisiensi dan pertimbangan manusia, terutama dalam keputusan yang mempengaruhi individu secara langsung.
124 E. Kesimpulan 1. Tantangan dan Masa Depan Sistem Pendukung Keputusan (DSS) a. Kompleksitas Teknologi: Integrasi sistem, pemeliharaan, dan peningkatan DSS yang terus berkembang menjadi tantangan utama, memerlukan keterampilan teknis yang tinggi dan sumber daya yang cukup. b. Ketersediaan dan Kualitas Data: Mengakses data yang cukup dan berkualitas tinggi adalah kunci untuk efektivitas DSS, seringkali terhambat oleh data yang terfragmentasi, tidak lengkap, atau tidak konsisten. c. Resistensi Organisasi dan Budaya: Perubahan dalam implementasi DSS sering dihadapkan pada resistensi dari karyawan dan manajemen, memerlukan strategi manajemen perubahan yang efektif. d. Keamanan dan Privasi Data: Regulasi yang ketat dan ancaman keamanan siber memerlukan fokus yang berkelanjutan pada keamanan dan privasi data.
125 e. Regulasi dan Etika: Kepatuhan terhadap regulasi dan pertimbangan etis, terutama dalam hal bias AI dan transparansi, menjadi semakin penting. 2. Masa Depan DSS a. Integrasi AI dan Machine Learning: DSS akan menjadi lebih canggih dengan integrasi AI dan machine learning yang lebih lanjut, memberikan analisis prediktif yang lebih akurat dan kemampuan otomatisasi keputusan. b. Evolusi Big Data: DSS akan mampu mengolah dan menganalisis data dalam volume yang lebih besar, dengan fokus pada analisis real-time dan integrasi data dari berbagai sumber. c. Solusi Berbasis Cloud dan Mobile: DSS akan menjadi lebih fleksibel dan mudah diakses, dengan penggunaan cloud computing dan aplikasi mobile yang memungkinkan akses dari mana saja. 3. Rekomendasi untuk Praktisi dan Pengembang DSS a. Fokus pada User Experience: Mengembangkan UI yang intuitif dan mudah digunakan untuk memfasilitasi interaksi pengguna yang lebih efektif dengan DSS. b. Strategi Adaptasi dan Fleksibilitas: Memastikan bahwa DSS dapat beradaptasi dengan cepat
126 terhadap perubahan lingkungan bisnis dan teknologi. c. Penguatan Keamanan dan Privasi: Mengutamakan keamanan dan privasi data, serta mematuhi regulasi yang berlaku. d. Pengurangan Bias: Mengimplementasikan pendekatan untuk mengurangi bias dalam AI dan machine learning, dan memastikan transparansi dalam proses pengambilan keputusan. e. Kolaborasi dan Pembelajaran Berkelanjutan: Mendorong kolaborasi antar tim dan pembelajaran berkelanjutan untuk mengikuti perkembangan terbaru dalam teknologi DSS. f. Pendekatan Berpusat pada Manusia: Menyeimbangkan antara otomatisasi dengan pertimbangan manusia, terutama dalam pengambilan keputusan yang mempengaruhi individu secara langsung.
127 Daftar Pustaka Adat, V., & Gupta, B. B. (2018). Security in Internet of Things: issues, challenges, taxonomy, and architecture. Telecommunication Systems, 67(3), 423–441. https://doi.org/10.1007/s11235-017-0345-9 Aldo, D., Putra, N., & Munir, Z. (2019). Sistem Pendukung Keputusan Penilaian Kinerja Dosen Dengan Menggunakan Metode Multi Attribute Utility Theory (Maut). JURSIMA (Jurnal Sistem Informasi Dan Manajemen), 7(2), 76–82. Arif, A. M., Kusrini, & Pramono, E. (2019). Sistem pendukung keputusan dalam penilaian kinerja perawat menggunakan metode promethee pada puskesmas rena kandis kabupaten bengkulu tengah. Jurnal Informa Politeknik Indonusa Surakarta, 5, 7–15. Asani, E., Vahdat-nejad, H., & Sadri, J. (2021). Machine Learning with Applications Restaurant recommender system based on sentiment analysis. Machine Learning with Applications, 6(July), 100114. https://doi.org/10.1016/j.mlwa.2021.100114
128 Asdini, D., Khairat, M., & Utomo, D. P. (2022). Sistem Pendukung Keputusan Penilaian Kinerja Manajer di PT. Pos Indonesia dengan Metode WASPAS. JURIKOM (Jurnal Riset Komputer), 9(1), 41–47. Astriratma, R., Santoni, M. M., & Irmanda, H. N. (2020). Spk Berbasis Web Menggunakan Logika Fuzzy Untuk Diagnosa Penyakit Jantung. JSI: Jurnal Sistem Informasi (E-Journal), 12(2), 2046–2059. https://doi.org/10.36706/jsi.v12i2.10788 Badalpur, M., & Nurbakhsh, E. (2021). An application of WASPAS method in risk qualitative analysis: a case study of a road construction project in Iran. International Journal of Construction Management, 21(9), 910–918. https://doi.org/10.1080/15623599.2019.1595354 Fitriani, P., & Alasi, T. S. (2020). Sistem pendukung keputusan dalam menentukan judul skripsi mahasiswa dengan metode WASPAS, COPRAS dan EDAS berdasarkan penilaian dosen. Jurnal Media Informatika Budidarma, 4(4), 1051–1061. Hamza, R., Yan, Z., Muhammad, K., Bellavista, P., & Titouna, F. (2020). A privacy-preserving cryptosystem for IoT Ehealthcare. Information Sciences, 527, 493–510. https://doi.org/10.1016/j.ins.2019.01.070
129 Hariyadi, D., & Nastiti, F. E. (2021). Analisis Keamanan Sistem Informasi Menggunakan Sudomy dan OWASP ZAP di Universitas Duta Bangsa Surakarta. Jurnal Komtika (Komputasi Dan Informatika), 5(1), 35–42. https://doi.org/10.31603/komtika.v5i1.5134 Helff, F., Gruenwald, L., & D’Orazio, L. (2016). Weighted sum model for multi-objective query optimization for mobile-cloud database environments. CEUR Workshop Proceedings, 1558. Hutasuhut, M., & Nasyuha, A. H. (2021). Analisis Aritmia ( Gangguan Irama Jantung ) Menerapkan Metode Certainty Factor. 5, 1386–1393. https://doi.org/10.30865/mib.v5i4.3289 Imandasari, T., Sadewo, M. G., Windarto, A. P., Wanto, A., Lingga Wijaya, H. O., & Kurniawan, R. (2019). Analysis of the Selection Factor of Online Transportation in the VIKOR Method in Pematangsiantar City. Journal of Physics: Conference Series, 1255(1). https://doi.org/10.1088/1742-6596/1255/1/012008 Marsono, Nasyuha, A. H., Boy, A. F., Habibie, D. R., Syahra, Y., & Rusydi, I. (2023). Analisis sistem pendukung keputusan untuk meningkatkan penjualan produk. PT. PENA PERSADA KERTA UTAMA. Mateusz, P., Danuta, M., Małgorzata, Ł., Mariusz, B., & Kesra, N.
130 (2018). TOPSIS and VIKOR methods in study of sustainable development in the EU countries. Procedia Computer Science, 126, 1683–1692. https://doi.org/10.1016/j.procs.2018.08.109 Nasyuha, A. H. (2019). Sistem Pendukung Keputusan Menentukan Pemberian Pinjaman Modal dengan Metode Multi Attribute Utility Theory. JURNAL MEDIA INFORMATIKA BUDIDARMA, 3(2). https://doi.org/10.30865/mib.v3i2.1093 Oyedele, A. O., Ajayi, A. O., & Oyedele, L. O. (2021). Machine Learning with Applications Machine learning predictions for lost time injuries in power transmission and distribution projects. Machine Learning with Applications, 6(September), 100158. https://doi.org/10.1016/j.mlwa.2021.100158 Prayoga, R. A. S., & Pratiwi Susanti. (2022). Sistem Pendukung Keputusan Pemilihan Perumahan dengan Metode ARAS (Studi Kasus Kabupaten Ponorogo). Jurnal Sains Dan Informatika, 8(1), 31–40. https://doi.org/10.34128/jsi.v8i1.387 Redjeki, S., Damayanti, A., Hudianti, E., & Nasyuha, A. H. (2024). Implementation of Classification Decision Tree and C4 . 5 Algorithm in selecting Insurance Products . 9(1), 600– 608.
131 Rizki, R., Ishak, I., & Azanudin, A. (2020). Sistem Pendukung Keputusan Untuk Menentukan Transportasi Online Terbaik Menggunakan Metode Additive Ratio Assesment (ARAS). Jurnal Cyber Tech, 3(1), 150–162. Sari, S. W., & Purba, B. (2019). Sistem Pendukung Keputusan Pemilihan Ketua Danru Terbaik Menggunakan Metode ARAS. Seminar Nasional Teknologi Komputer & Sains (SAINTEKS) SAINTEKS 2019, 291–300. Septyoadhi, L., Mardiyanto, M., & Astutik, I. L. I. (2019). Sistem Pendukung Keputusan Penerimaan Siswa Baru Menggunakan Metode Analytical Hierarchy Process. CAHAYAtech, 7(1), 78. https://doi.org/10.47047/ct.v7i1.6 Setiawan, I., & Jamaliah, J. (2023). Analisis Kebijakan Publik Dalam Mengatasi Kemiskinan Di Indonesia. ETNIK: Jurnal Ekonomi Dan Teknik, 2(5), 399–405. Sugiartawan, P., Rowa, H., & Hidayat, N. (2018). Sistem Pendukung Keputusan Kenaikan Jabatan Menggunakan Metode Profile Matching. Jurnal Sistem Informasi Dan Komputer Terapan Indonesia (JSIKTI), 1(2), 97–108. https://doi.org/10.33173/jsikti.19 Xing, W., & Bei, Y. (2020). Medical Health Big Data Classification Based on KNN Classification Algorithm. IEEE Access, 8, 28808–28819. https://doi.org/10.1109/ACCESS.2019.2955754
132 Tentang Penulis Dr. Asyahri Hadi Nasyuha, S.Kom., M.Kom Beliau memperoleh gelar Doktor (Doktor Pendidikan Teknologi Kejuruan) pada Fakultas Teknik Universitas Negeri Padang pada tahun 2020. Beliau merupakan Dosen ilmu komputer pada Program Studi Sistem Informasi, dan beliau juga menjabat sebagai Kepala Lembaga Penjaminan Mutu Universitas Teknologi Digital Indonesia, Yogyakarta, Indonesia periode (2023-2028). Selain itu, beliau juga pernah menjabat sebagai Kepala Lembaga Penjaminan Mutu STMIK Triguna Dharma pada tahun 2020 hingga 2022. Sejak tahun 2019, beliau memiliki sertifikasi profesi dosen dari Kementerian Riset, Teknologi, dan Pendidikan Tinggi. Pada tahun 2021 ditugaskan oleh Kementerian Pendidikan, Kebudayaan, Riset dan Teknologi sebagai Asesor Beban Kerja Dosen. Tahun 2022 beliau lulus seleksi asesor LAM INFOKOM. Beliau juga merupakan seorang reviewer di beberapa jurnal nasional terindeks SINTA 3. Ia telah menerbitkan lebih dari 100 artikel pada jurnal nasional terindeks SINTA, 4 buku referensi, dan 1 makalah dalam prosiding konferensi Internasional dan 4 Naskah yang terbit di Jurnal Internasional bereputasi, serta memiliki 3 HKI. Minat penelitiannya adalah Sistem Pendukung Keputusan, Kecerdasan Buatan, dan Data Mining. Beliau dapat dihubungi di email: [email protected]
133 Harmayani, ST, M. Kom. Lahir di Pangkalanberandan, pada tanggal 30 Oktober 1975. Ia menyelesaikan kuliah Strata 1 di Institut Sains & Teknologi ‚AKPRIND‛ Yogyakarta dan mendapat gelar Sarjana Teknik (jurusan Manajemen Informatika dan Teknik Komputer) pada tanggal 25 Juni 1999. Pada tahun 2007 mengikuti Program Magister Ilmu Komputer dan lulus pada tanggal 30 Maret 2009 dari Universitas Putra Indonesia ‚UPI YPTK‛ Padang. Saat ini menjadi Dosen Tetap di Univesitas Asahan dan ditempatkan di Program Studi Teknik Informatika. Beliau dapat dihubungi di email: [email protected] M. Arif Rahman, S. Kom, M. Kom. Lulus S1 di Program Studi Sistem Informasi UPI YPTK Padang Tahun 2008. Menempuh Program Magister Teknik Informatika UPI YPTK Padang Tahun 2016. Saat ini selain mengajar juga menjabat sebagai Sekretaris UPT Laboratorium Universitas Dharmawangsa. Dosen tetap di Program Studi Rekayasa Perangkat Lunak Fakultas Teknik dan Ilmu Komputer dan mempunyai minat di Sistem Pendukung Keputusan, Jaringan, Mobile Programming, dan Multimedia. Penulis sebelumnya juga telah menerbitkan 2 buku lainnya dan Lebih 20 Jurnal yang terindeks Nasional. Penulis dapat dihubungi di email: [email protected]
134 Hanifah Nur Nasution, S.Kom.,M.Kom. Lahir di Medan, 13 November 1991. Jenjang S1 & S2 diperoleh di Universitas Putra Indonesia YPTK Padang jurusan Sistem Informasi. Beliau merupakan dosen ilmu komputer serta menjabat sebagai ketua program studi ilmu komputer pada program studi Pendidikan Vokasional Informatika di Institut Pendidikan Tapanuli Selatan periode (2020 s/d sekarang). Selain itu penulis memiliki sertifikasi profesi dosen dari kementrian Riset dan Teknologi dan Pendidikan Tinggi pada tahun 2020. Selain itu penulis juga merupakan seorang reviewer jurnal nasional terakreditas dan penulis telah menerbitkan beberapa jurnal yang nasional, 4 jurnal yang telah terbit di sinta 4 serta memiliki 4 HKI serta Penulis sudah Menebitkan 5 Buku Diantaranya : 1) Buku Bahan Ajar berbasis penelitian Ms Word 2013, 2) Buku Anti Korupsi, 3) Buku Macro Media 4) Buku Kurikulum 5) Buku Ispiring Suite. Minat penelitian penulis adalah Sistem Informasi, kecerdasan buatan, Sistem Pendukung Keputusan. Penulis dapat dihubungi di email [email protected] Edy Prayitno, S.Kom., S.E., M.Eng. Lulus S1 di Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta dan S1 di Program Studi Akuntansi STIE Widya Wiwaha Yogyakarta. Lulus S2 di Program Magister Teknologi Informasi Fakultas Teknik Universitas Gadjah Mada. Selain sebagai asessor BNSP pada beberapa skema Teknologi Informasi dan Komputer, saat ini menjabat sebagai Kepala Lembaga Penelitian dan Pengabdian Masyarakat di Universitas Teknologi Digital Indonesia Yogyakarta. Dosen tetap di Program
135 Studi Sistem Informasi Akuntansi Fakultas Teknologi Informasi, dan mempunyai minat di Sistem Pendukung Keputusan, Data Science, Sistem Informasi Enterprise, dan Digipreneurship. Penulis dapa dihubungi di email: [email protected]
136