SISTEM PENGAMBILAN KEPUTUSAN DAN ALGORITMA
1. Pengertian Sistem Pengambilan Keputusan
Sistem Pengambilan Keputusan atau Decision Making System adalah suatu sistem yang digunakan untuk membantu seseorang atau organisasi dalam menentukan pilihan terbaik berdasarkan data, kriteria, kondisi, aturan, dan tujuan tertentu.
Secara sederhana, proses pengambilan keputusan dapat digambarkan sebagai berikut:
Data → Analisis → Evaluasi → Keputusan → Hasil
Contoh penerapan:
Sebuah kampus ingin menentukan mahasiswa yang berhak mendapatkan beasiswa. Sistem dapat menggunakan beberapa data seperti:
- IPK
- Penghasilan orang tua
- Prestasi
- Kehadiran
- Jumlah tanggungan orang tua
Berdasarkan data tersebut, sistem menghasilkan keputusan seperti:
Layak mendapatkan beasiswa atau Tidak layak mendapatkan beasiswa.
2. Tujuan Sistem Pengambilan Keputusan
Sistem pengambilan keputusan memiliki beberapa tujuan, yaitu:
- Membantu proses pengambilan keputusan.
- Mengurangi kesalahan dalam menentukan keputusan.
- Mengolah data menjadi informasi yang berguna.
- Membandingkan beberapa alternatif.
- Menentukan alternatif terbaik.
- Mempercepat proses pengambilan keputusan.
- Membantu pengambil keputusan dalam menghadapi masalah yang kompleks.
Sistem pengambilan keputusan tidak selalu menggantikan manusia. Dalam banyak kasus, sistem berfungsi sebagai alat bantu bagi pengambil keputusan.
3. Komponen Sistem Pengambilan Keputusan
Sebuah sistem pengambilan keputusan umumnya terdiri dari beberapa komponen.
A. Data
Data merupakan bahan dasar yang digunakan untuk melakukan analisis.
Contoh:
- Nilai mahasiswa
- IPK
- Harga produk
- Jumlah penjualan
- Data pelanggan
- Data karyawan
B. Kriteria
Kriteria adalah faktor yang digunakan untuk menilai atau membandingkan suatu alternatif.

Contoh dalam pemilihan laptop:
- Harga
- RAM
- Processor
- Kapasitas penyimpanan
- Daya tahan baterai
C. Alternatif
Alternatif merupakan pilihan yang akan dibandingkan.
Contoh:
- Laptop A
- Laptop B
- Laptop C
D. Bobot
Bobot menunjukkan tingkat kepentingan suatu kriteria.
Contoh:
- Processor = 30%
- RAM = 25%
- Harga = 20%
- Storage = 15%
- Baterai = 10%
E. Algoritma atau Metode
Algoritma digunakan untuk mengolah data sehingga menghasilkan keputusan.
Contoh:
- IF-THEN
- Decision Tree
- SAW
- AHP
- TOPSIS
- KNN
- Naive Bayes
- Fuzzy Logic
F. Output
Output merupakan hasil akhir dari proses pengambilan keputusan.
Contoh:
Laptop A merupakan pilihan terbaik dengan nilai 89,5.
4. Tahapan Sistem Pengambilan Keputusan
Tahapan umum dalam sistem pengambilan keputusan adalah:
Tahap 1 — Identifikasi Masalah
Menentukan masalah yang membutuhkan keputusan.
Contoh:
Menentukan mahasiswa yang paling layak menerima beasiswa.
Tahap 2 — Pengumpulan Data
Mengumpulkan data yang berhubungan dengan masalah.
Contoh:
- IPK
- Penghasilan orang tua
- Prestasi
- Kehadiran
Tahap 3 — Menentukan Kriteria
Menentukan faktor yang digunakan untuk menilai alternatif.
Tahap 4 — Menentukan Alternatif
Menentukan pilihan yang akan dibandingkan.
Tahap 5 — Menentukan Metode
Memilih algoritma atau metode yang sesuai dengan masalah.
Tahap 6 — Pengolahan Data
Data diproses menggunakan algoritma yang telah ditentukan.
Tahap 7 — Menghasilkan Keputusan
Sistem menghasilkan keputusan atau ranking.
Tahap 8 — Evaluasi
Hasil keputusan dievaluasi untuk mengetahui apakah keputusan tersebut sudah sesuai.
5. Jenis-Jenis Algoritma dalam Sistem Pengambilan Keputusan
Algoritma yang digunakan dalam sistem pengambilan keputusan sangat beragam.
Secara umum dapat dikelompokkan menjadi:
A. Algoritma Berbasis Aturan
- IF-THEN
- IF-ELSE
- AND
- OR
- Rule-Based System
- Decision Tree
B. Algoritma Multi Criteria Decision Making
- SAW
- AHP
- TOPSIS
- Weighted Product
- MOORA
C. Algoritma Machine Learning
- K-Nearest Neighbor
- Naive Bayes
- Decision Tree
- Random Forest
- Support Vector Machine
- Neural Network
D. Algoritma Optimasi
- Genetic Algorithm
- Simulated Annealing
- Particle Swarm Optimization
E. Algoritma Kecerdasan Buatan
- Fuzzy Logic
- Neural Network
- Expert System
- Machine Learning
6. Algoritma IF-THEN
IF-THEN merupakan bentuk paling sederhana dari sistem pengambilan keputusan.
Prinsipnya:
Jika kondisi terpenuhi, maka lakukan tindakan tertentu.
Contoh:
Jika nilai ≥ 75, maka mahasiswa dinyatakan Lulus.
Jika nilai kurang dari 75:
Mahasiswa dinyatakan Tidak Lulus.
Algoritma IF-THEN sangat cocok untuk sistem yang memiliki aturan sederhana dan jelas.
Contoh penerapan
- Penentuan kelulusan
- Penentuan grade
- Penentuan status pelanggan
- Penentuan diskon
- Validasi data
7. Algoritma AND
AND digunakan ketika semua kondisi harus terpenuhi.
Contoh:
Jika IPK ≥ 3,50 DAN penghasilan orang tua ≤ Rp4.000.000, maka mahasiswa layak mendapatkan beasiswa.
Apabila salah satu kondisi tidak terpenuhi, keputusan tidak dapat diberikan sebagai “Layak”.
Contoh:
- IPK = 3,80
- Penghasilan = Rp3.000.000
Maka:
Layak
Tetapi:
- IPK = 3,80
- Penghasilan = Rp5.000.000
Maka:
Tidak Layak
8. Algoritma OR
OR digunakan ketika minimal satu kondisi terpenuhi.
Contoh:
Jika memiliki prestasi ATAU memiliki rekomendasi akademik, maka mahasiswa masuk tahap seleksi.
Dengan OR, salah satu kondisi sudah cukup untuk menghasilkan kondisi benar.
Contoh:
- Memiliki prestasi = Ya
- Rekomendasi = Tidak
Hasil:
Masuk tahap seleksi
9. Kombinasi AND dan OR
Dalam sistem nyata, keputusan sering menggunakan kombinasi AND dan OR.
Contoh:
Jika IPK ≥ 3,50 DAN penghasilan orang tua ≤ Rp4.000.000 ATAU memiliki prestasi tingkat nasional, maka mahasiswa dapat masuk daftar prioritas.
Kombinasi logika seperti ini banyak digunakan dalam:
- Sistem seleksi
- Sistem administrasi
- Sistem rekomendasi
- Sistem keamanan
- Sistem monitoring
- Sistem informasi akademik
10. Decision Tree
Decision Tree atau pohon keputusan adalah algoritma yang menggunakan struktur seperti pohon untuk menentukan keputusan berdasarkan beberapa kondisi.
Contoh sederhana:
Apakah IPK ≥ 3,50?
Jika Ya → lanjut ke pertanyaan berikutnya.
Apakah penghasilan orang tua ≤ Rp4.000.000?
Jika Ya → Layak
Jika Tidak → Tidak Layak
Jika IPK kurang dari 3,50 → Tidak Layak
Decision Tree memiliki kelebihan karena proses pengambilan keputusannya mudah dipahami dan divisualisasikan.
Contoh penerapan:
- Seleksi beasiswa
- Seleksi karyawan
- Prediksi pelanggan
- Diagnosis
- Persetujuan kredit
- Klasifikasi data
11. Sistem Berbasis Aturan
Sistem berbasis aturan atau Rule-Based System menggunakan sekumpulan aturan untuk menentukan keputusan.
Contoh:
Rule 1:
Jika nilai ≥ 85 → Grade A
Rule 2:
Jika nilai ≥ 75 → Grade B
Rule 3:
Jika nilai ≥ 65 → Grade C
Rule 4:
Jika nilai < 65 → Grade D
Sistem akan memeriksa kondisi dari setiap aturan dan memilih keputusan yang sesuai.
12. Sistem Pendukung Keputusan dengan SAW
SAW (Simple Additive Weighting) merupakan salah satu metode yang populer dalam Sistem Pendukung Keputusan.
SAW digunakan untuk melakukan perangkingan alternatif berdasarkan beberapa kriteria.
Contoh kasus:
Menentukan mahasiswa penerima beasiswa.
Kriteria:
| Kriteria | Bobot |
|---|---|
| IPK | 40% |
| Penghasilan Orang Tua | 30% |
| Prestasi | 20% |
| Kehadiran | 10% |
Setiap mahasiswa mendapatkan nilai pada setiap kriteria.
Nilai tersebut kemudian dikalikan dengan bobot masing-masing kriteria.
Secara sederhana:
Nilai Akhir = Nilai Kriteria × Bobot
Kemudian seluruh nilai dijumlahkan.
Alternatif dengan nilai akhir terbesar menjadi alternatif dengan prioritas tertinggi.
Contoh:
Mahasiswa A:
- IPK = 90
- Penghasilan = 80
- Prestasi = 90
- Kehadiran = 95
Perhitungan:
90 × 40% + 80 × 30% + 90 × 20% + 95 × 10%
Hasil:
36 + 24 + 18 + 9 = 87
Nilai akhir Mahasiswa A adalah:
87
13. AHP
AHP (Analytical Hierarchy Process) merupakan metode untuk membantu menentukan prioritas berdasarkan beberapa kriteria.
AHP sangat berguna ketika kita perlu menentukan tingkat kepentingan suatu kriteria.
Contoh kasus:
Memilih laptop terbaik untuk mahasiswa.
Kriteria:
- Harga
- RAM
- Processor
- Storage
- Baterai
AHP dapat digunakan untuk menentukan bobot setiap kriteria.
Misalnya:
- Processor = 35%
- RAM = 25%
- Harga = 20%
- Storage = 10%
- Baterai = 10%
Setelah bobot diperoleh, bobot tersebut dapat digunakan untuk melakukan proses perangkingan.
14. TOPSIS
TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) merupakan metode pengambilan keputusan yang menentukan alternatif terbaik berdasarkan kedekatannya dengan solusi ideal.
TOPSIS menggunakan dua konsep:
Solusi Ideal Positif
Merupakan kondisi terbaik dari setiap kriteria.
Solusi Ideal Negatif
Merupakan kondisi terburuk dari setiap kriteria.
Alternatif terbaik adalah alternatif yang:
Paling dekat dengan solusi ideal positif
dan
Paling jauh dari solusi ideal negatif.
TOPSIS dapat digunakan untuk:
- Pemilihan laptop
- Pemilihan supplier
- Pemilihan karyawan
- Pemilihan penerima beasiswa
- Pemilihan lokasi usaha
15. Weighted Product
Weighted Product (WP) merupakan metode pengambilan keputusan yang menggunakan proses perkalian nilai alternatif berdasarkan bobot masing-masing kriteria.
Contoh kriteria:
- Harga
- Kualitas
- Pelayanan
Setiap kriteria diberikan bobot.
Kemudian nilai setiap kriteria diproses berdasarkan bobot tersebut.
Metode Weighted Product cocok digunakan untuk:
- Pemilihan produk
- Pemilihan supplier
- Pemilihan karyawan
- Pemilihan laptop
- Pemilihan kendaraan
16. MOORA
MOORA (Multi-Objective Optimization on the Basis of Ratio Analysis) merupakan metode pengambilan keputusan yang digunakan untuk menyelesaikan masalah dengan banyak tujuan atau kriteria.
MOORA dapat menggunakan:
Kriteria Benefit
Semakin besar nilainya semakin baik.
Contoh:
- IPK
- Nilai ujian
- Pengalaman
- Kualitas
Kriteria Cost
Semakin kecil nilainya semakin baik.
Contoh:
- Harga
- Biaya
- Jarak
- Waktu
MOORA kemudian menghasilkan nilai untuk setiap alternatif dan menentukan ranking.
17. K-Nearest Neighbor
K-Nearest Neighbor (KNN) merupakan algoritma machine learning yang menentukan klasifikasi berdasarkan data yang memiliki karakteristik paling dekat.
Contoh:
Sistem ingin menentukan apakah seorang mahasiswa:
Berprestasi atau Tidak Berprestasi.
Data sebelumnya:
- IPK
- Kehadiran
- Jumlah SKS
- Nilai
Mahasiswa baru dibandingkan dengan data mahasiswa sebelumnya.
Jika sebagian besar data terdekat memiliki kategori Berprestasi, maka mahasiswa baru dapat diklasifikasikan sebagai:
Berprestasi
KNN banyak digunakan untuk:
- Klasifikasi mahasiswa
- Klasifikasi pelanggan
- Sistem rekomendasi
- Pengenalan pola
- Klasifikasi data
18. Naive Bayes
Naive Bayes merupakan algoritma klasifikasi yang menggunakan konsep probabilitas.
Contoh penerapan:
Klasifikasi email Spam dan Bukan Spam.
Sistem dapat mempelajari karakteristik email seperti:
- Kata tertentu
- Jumlah link
- Pengirim
- Isi email
- Pola tertentu
Kemudian sistem menghitung probabilitas apakah email tersebut termasuk:
Spam
atau
Bukan Spam
Naive Bayes juga dapat digunakan untuk:
- Analisis sentimen
- Klasifikasi dokumen
- Klasifikasi pelanggan
- Prediksi kategori
- Filter spam
19. Fuzzy Logic
Fuzzy Logic digunakan untuk menangani kondisi yang tidak selalu dapat dinyatakan secara tegas antara 0 dan 1.
Logika biasa:
Panas = Ya atau Tidak
Fuzzy Logic dapat memberikan tingkat keanggotaan:
- Dingin = 0,1
- Normal = 0,4
- Panas = 0,8
Contoh:
Suhu ruangan:
29°C
Sistem dapat menganggap kondisi tersebut sebagai:
Panas dengan tingkat keanggotaan 0,8
Kemudian sistem menentukan:
Kecepatan kipas = Tinggi
Fuzzy Logic banyak digunakan pada:
- AC
- Mesin cuci
- Sistem kontrol
- Robot
- Kendaraan
- Otomasi industri
20. Random Forest
Random Forest merupakan algoritma machine learning yang menggunakan banyak Decision Tree.
Setiap Decision Tree menghasilkan keputusan.
Kemudian hasil dari beberapa tree digabungkan untuk menghasilkan keputusan akhir.
Contoh:
- Tree 1 → Layak
- Tree 2 → Layak
- Tree 3 → Tidak Layak
- Tree 4 → Layak
- Tree 5 → Layak
Mayoritas menghasilkan:
Layak
Random Forest dapat digunakan untuk:
- Prediksi
- Klasifikasi
- Analisis pelanggan
- Prediksi kelulusan
- Deteksi risiko
21. Genetic Algorithm
Genetic Algorithm merupakan algoritma optimasi yang terinspirasi dari proses evolusi.
Tahapan utamanya:
Populasi Awal → Seleksi → Crossover → Mutasi → Populasi Baru → Evaluasi
Proses tersebut dilakukan berulang sampai diperoleh solusi yang dianggap optimal.
Genetic Algorithm dapat digunakan untuk:
- Optimasi jadwal
- Optimasi rute
- Penjadwalan kuliah
- Optimasi produksi
- Penentuan kombinasi terbaik
- Optimasi penggunaan sumber daya
Contoh:
Sebuah kampus memiliki banyak:
- Dosen
- Ruang
- Mata kuliah
- Hari
- Jam
Masalahnya adalah bagaimana membuat jadwal kuliah tanpa terjadi bentrok.
Genetic Algorithm dapat digunakan untuk mencari kombinasi jadwal yang optimal.
22. Perbandingan Algoritma
| Algoritma | Tujuan | Tingkat Kesulitan |
|---|---|---|
| IF-THEN | Keputusan sederhana | Mudah |
| AND / OR | Kombinasi kondisi | Mudah |
| Decision Tree | Klasifikasi dan keputusan | Mudah–Sedang |
| SAW | Perangkingan | Sedang |
| AHP | Menentukan bobot | Sedang |
| TOPSIS | Mencari alternatif ideal | Sedang |
| Weighted Product | Perangkingan | Sedang |
| MOORA | Multi-kriteria | Sedang |
| KNN | Klasifikasi | Sedang |
| Naive Bayes | Klasifikasi probabilitas | Sedang |
| Fuzzy Logic | Keputusan tidak pasti | Sedang |
| Random Forest | Prediksi dan klasifikasi | Sedang |
| Genetic Algorithm | Optimasi | Sulit |
| Neural Network | Prediksi kompleks | Sulit |
23. Contoh Pemilihan Algoritma Berdasarkan Masalah
Kasus 1 — Menentukan Kelulusan
Masalah:
Apakah mahasiswa lulus?
Kriteria:
Nilai ≥ 75
Algoritma yang sesuai:
IF-THEN
Kasus 2 — Menentukan Penerima Beasiswa
Kriteria:
- IPK
- Penghasilan
- Prestasi
- Kehadiran
Algoritma yang dapat digunakan:
SAW, TOPSIS, MOORA, atau Weighted Product
Kasus 3 — Menentukan Bobot Kriteria
Masalah:
Apakah harga lebih penting daripada kualitas?
Algoritma yang sesuai:
AHP
Kasus 4 — Memprediksi Kelulusan
Data:
- IPK
- Kehadiran
- Jumlah SKS
- Nilai
Tujuan:
Memprediksi mahasiswa lulus tepat waktu atau tidak.
Algoritma yang dapat digunakan:
KNN, Decision Tree, Random Forest, atau Naive Bayes
Kasus 5 — Mengatur Kecepatan Kipas
Input:
- Suhu
- Kelembapan
Output:
- Kecepatan kipas
Algoritma yang sesuai:
Fuzzy Logic
Kasus 6 — Menentukan Jadwal Kuliah
Input:
- Dosen
- Mata kuliah
- Ruangan
- Hari
- Jam
Tujuan:
Menghasilkan jadwal optimal tanpa bentrok.
Algoritma yang dapat digunakan:
Genetic Algorithm
24. Hubungan Sistem Pengambilan Keputusan dengan AI
Sistem pengambilan keputusan memiliki cakupan yang luas.
Tidak semua sistem pengambilan keputusan merupakan Artificial Intelligence.
Contoh sederhana:
Jika nilai ≥ 75 maka Lulus.
Ini merupakan sistem berbasis aturan.
Sedangkan sistem yang mempelajari data untuk melakukan prediksi dapat menggunakan:
- Machine Learning
- Neural Network
- Random Forest
- KNN
- Naive Bayes
Dengan demikian:
Sistem Pengambilan Keputusan → Sistem Berbasis Aturan → Machine Learning → Artificial Intelligence
merupakan salah satu gambaran perkembangan pendekatan dalam sistem pengambilan keputusan.
25. Decision Support System (DSS)
Istilah lain yang sangat erat dengan sistem pengambilan keputusan adalah Decision Support System (DSS) atau Sistem Pendukung Keputusan (SPK).
DSS merupakan sistem yang membantu manusia dalam mengambil keputusan dengan memanfaatkan:
- Data
- Model
- Algoritma
- Informasi
- Kriteria
- Alternatif
Contoh alur:
Data → Database → Analisis → Algoritma → Ranking → Rekomendasi → Pengambil Keputusan
Contoh:
Sistem menghasilkan:
- Mahasiswa A → 91
- Mahasiswa C → 88
- Mahasiswa B → 84
- Mahasiswa D → 79
Sistem memberikan rekomendasi berdasarkan perhitungan tersebut.
Keputusan akhir tetap dapat dilakukan oleh pihak yang berwenang.
26. Contoh Proyek Praktikum
Untuk memahami materi secara menyeluruh, mahasiswa dapat diberikan proyek:
Sistem Pendukung Keputusan Penerima Beasiswa
Input
- Nama mahasiswa
- IPK
- Penghasilan orang tua
- Prestasi
- Kehadiran
Kriteria
- IPK
- Penghasilan
- Prestasi
- Kehadiran
Proses
Mahasiswa membuat sistem menggunakan beberapa metode:
Tahap 1
IF-THEN
Tahap 2
Decision Tree
Tahap 3
SAW
Tahap 4
AHP
Tahap 5
TOPSIS
Kemudian mahasiswa membandingkan hasil dari masing-masing metode.
27. Latihan Mahasiswa
Latihan 1 — IF-THEN
Buatlah program untuk menentukan status kelulusan mahasiswa.
Ketentuan:
- Nilai ≥ 75 → Lulus
- Nilai < 75 → Tidak Lulus
Latihan 2 — AND
Buatlah sistem seleksi beasiswa dengan ketentuan:
- IPK ≥ 3,50
- Penghasilan orang tua ≤ Rp4.000.000
Jika kedua kondisi terpenuhi:
Layak
Jika tidak:
Tidak Layak
Latihan 3 — OR
Buatlah sistem seleksi mahasiswa dengan ketentuan:
Mahasiswa masuk tahap seleksi jika:
- Memiliki prestasi
ATAU
- Mendapat rekomendasi dosen.
Latihan 4 — Decision Tree
Buatlah pohon keputusan untuk menentukan rekomendasi kursus:
- Web Programming
- Networking
- Microsoft Office
Gunakan:
- Nilai komputer
- Minat programming
- Minat networking
Latihan 5 — SAW
Buatlah Sistem Pendukung Keputusan untuk memilih mahasiswa penerima beasiswa.
Gunakan minimal:
5 mahasiswa
dan:
4 kriteria
Kemudian tentukan:
- Bobot
- Nilai masing-masing mahasiswa
- Nilai akhir
- Ranking
Latihan 6 — TOPSIS
Buatlah sistem untuk memilih laptop terbaik berdasarkan:
- Harga
- RAM
- Processor
- Storage
- Baterai
Gunakan minimal:
5 alternatif laptop.
Kemudian tentukan laptop terbaik menggunakan metode TOPSIS.
28. Kesimpulan
Sistem pengambilan keputusan merupakan sistem yang digunakan untuk membantu manusia menentukan pilihan berdasarkan data, kriteria, aturan, dan metode tertentu.
Algoritma yang digunakan sangat beragam, mulai dari algoritma sederhana seperti:
IF-THEN, AND, OR
hingga metode pengambilan keputusan multi-kriteria seperti:
SAW, AHP, TOPSIS, Weighted Product, dan MOORA.
Untuk kebutuhan machine learning dapat digunakan:
KNN, Naive Bayes, Decision Tree, Random Forest, dan Neural Network.
Sedangkan untuk masalah yang membutuhkan pengendalian atau ketidakpastian dapat digunakan:
Fuzzy Logic.
Untuk masalah optimasi dapat digunakan:
Genetic Algorithm.
Pemilihan algoritma harus disesuaikan dengan jenis masalah yang dihadapi. Tidak ada satu algoritma yang selalu paling baik untuk semua jenis permasalahan.
Inti dari sistem pengambilan keputusan adalah mengubah data menjadi informasi, informasi menjadi analisis, dan analisis menjadi dasar pengambilan keputusan.