Artikel Big Data

Nama   : Nia Sonia

NIM    : 1801301049

Kelas   : 1A Teknik Informatika

Matkul : Konsep Teknik Informasi

*Pengertian Big Data

Big Data  adalah istilah umum untuk segala kumpulan himpunan data dalam jumlah yang sangat besar dan kompleks sehingga menjadikannya sulit untuk ditangani atau di proses jika hanya menggunakan manajemen basis data biasa atau aplikasi pemroses data tradisional.   

Big Data menjamin pemrosesan solusi data dengan varian baru maupun yang sudah ada untuk memberikan manfaat nyata bagi bisnis. Namun pengolahan data dengan ukuran dan kompleksitas besar tetap sekedar solusi teknologi kecuali jika dikaitkan dengan tujuan bisnis.

Hal terpenting dari Big Data bukanlah sekedar kemampuan teknis untuk mengolah data melainkan maanfaat yang dapat disadari oleh perusahaan dengan menggunakan Big Data Analytics Termilogi Big Data diyakini berasal datri perusahaan pencariaan web yang mengolah data dengan gregasi yang terdistribusi sangat besar dan tidak terstruktur.

Berikut adalah beberapa artikel tentang Big Data:

1. Valence health : peningkatan kualitas layanan dan reimbursements 

Valence health menggunakan Hadoop untuk membangun data lake yang merupakan penyimpanan utama data perusahaan. Valence memproses 3000 inbound data feed dengan 45 jenis data setiap harinya. Data kritikal ini meliputi hasil tes lab, data rekam medis, resep dokter, imunisasi, obat, klaim dan pembayaran, serta klaim dari dokter dan rumah sakit, yang digunakan untuk menginformasikan keputusan dalam peningkatan baik itu pendapatan ataupun reimbursement. Pertumbuhan jumlah klien yang pesat dan peningkatan volume data terkait semakin membebani infrastruktur yang ada.

           Sebelum menggunakan big data, mereka membutuhkan waktu hingga 22 jam untuk memproses 20 juta records data hasil laboratorium. Penggunaan big data memangkas waktu siklus dari 22 jam menjadi 20 menit, dengan menggunakan hardware yang jauh lebih sedikit. Valence Health juga mampu menangani permintaan pelanggan yang sebelumnya sulit untuk diselesaikan. Misalnya jika seorang klien menelpon dan mengatakan bahwa ia telah mengirimkan file yang salah 3 bulan yang lalu, dan perlu untuk menghapus data tersebut. Sebelumnya dengan solusi database tradisional, mereka memerlukan 3 sampai 4 minggu. Dengan memanfaatkan MapR snapshot yang menyediakan point-in-time recovery, Valence dapat melakukan roll-back dan menghapus file tersebut dalam hitungan menit. 

2.  Liaison Technologies: Streaming System of Record for Healthcare

Liaison Technologies menyediakan solusi berbasis cloud untuk membantu organisasi dalam mengintegrasikan, mengelola, dan mengamankan data di seluruh perusahaan. Salah satu solusi vertikal yang mereka berikan adalah untuk industri kesehatan dan life science, yang harus menjawab dua tantangan : memenuhi persyaratan HIPAA dan mengatasi pertumbuhan format dan representasi data.

Dengan MapR Stream, permasalahan data lineage dapat terpecahkan karena stream menjadi sebuah SOR (System of Record) dengan berfungsi sebagai log yang infinite dan immutable dari setiap perubahan data. Tantangan kedua, yaitu format dan representasi data, bisa digambarkan dengan contoh berikut: rekam medis pasien dapat dilihat dengan beberapa cara yang berbeda (dokumen, grafik, atau pencarian) oleh pengguna yang berbeda, seperti perusahaan farmasi, rumah sakit, klinik, atau dokter.

Dengan melakukan streaming terhadap perubahan data secara real-time ke basis data, grafik, dan basis data MapR-DB, HBase, MapR-DB JSON, pengguna akan selalu mendapatkan data paling mutakhir dalam format yang paling sesuai.

3.  UnitedHealthcare: Fraud, Waste, and Abuse

Saat ini setidaknya 10% dari pembayaran asuransi Kesehatan terkait dengan klaim palsu. Di seluruh dunia kasus ini diperkirakan mencapai nilai miliaran dolar. Klaim palsu bukanlah masalah baru, namun kompleksitas kecurangan asuransi tampaknya meningkat secara eksponensial sehingga menyulitkan perusahaan asuransi kesehatan untuk menghadapinya.

UnitedHealthCare adalah sebuah perusahaan asuransi yang memberikan manfaat dan layanan kesehatan kepada hampir 51 juta orang. Perusahaan ini menjalin kerja sama dengan lebih dari 850.000 orang tenaga kesehatan dan sekitar 6.100 rumah sakit di seluruh negeri. Payment Integrity group/divisi integritas pembayaran mereka memiliki tugas untuk memastikan bahwa klaim dibayar dengan benar dan tepat waktu. Sebelumnya pendekatan mereka untuk mengelola lebih dari satu juta klaim per hari (sekitar 10 TB data tiap harinya) bersifat ad hoc, sangat terikat oleh aturan, serta terhambat oleh data yang terpisah-pisah. Solusi yang diambil oleh UnitedHealthCare adalah pendekatan dual mode, yang berfokus pada alokasi tabungan sekaligus menerapkan inovasi untuk terus memanfaatkan teknologi terbaru.

Dalam hal pengelolaan tabungan, divisi tersebut membuat “pabrik” analisis prediktif di mana mereka mengidentifikasi klaim yang tidak akurat secara sistematis dan tepat. Saat ini Hadoop merupakan data framework berplatform tunggal yang dilengkapi dengan tools untuk menganalisa informasi dari klaim, resep, plan peserta, penyedia layanan kesehatan yang dikontrak, dan hasil review klaim terkait. Mereka mengintegrasikan semua data dari beberapa silo di seluruh bisnis, termasuk lebih dari 36 aset data. Saat ini mereka memiliki banyak model prediktif (PCR, True Fraud, Ayasdi, dll.) yang menyediakan peringkat provider yang berpotensi melakukan kecurangan, sehingga mereka dapat mengambil tindakan yang lebih terarah dan sistematis. 

4.  Hadoop dalam Pengobatan Kanker dan Genomics

Salah satu alasan terbesar mengapa kanker belum dapat dibasmi sampai sekarang adalah karena kanker bermutasi dalam pola yang berbeda dan bereaksi dengan cara yang berbeda berdasarkan susunan genetik seseorang. Oleh karena itu, para peneliti di bidang onkologi menyatakan bahwa untuk menyembuhkan kanker, pasien perlu diberi perawatan yang disesuaikan dengan jenis kanker berdasarkan genetika masing-masing pasien.

Ada sekitar 3 miliar pasangan nukleotida yang membentuk DNA manusia, dan diperlukan sejumlah besar data untuk diorganisir secara efektif jika kita ingin melakukan analisis. Teknologi big data, khususnya Hadoop dan ekosistemnya memberikan dukungan yang besar untuk paralelisasi dan proses pemetaan DNA.

David Cameron, Perdana Menteri Inggris telah mengumumkan dana pemerintah sebesar £ 300 juta pada bulan Agustus, 2014 untuk proyek 4 tahun dengan target memetakan 100.000 genom manusia pada akhir tahun 2017 bekerja sama dengan perusahaan Bioteknologi Amerika Illumina dan Genomics Inggris. Tujuan utama dari proyek ini adalah memanfaatkan big data dalam dunia kesehatan untuk mengembangkan personalized medicine bagi pasien kanker.

        Arizona State University mengadakan sebuah proyek penelitian yang meneliti jutaan titik di DNA manusia untuk menemukan variasi penyebab kanker sedang berlangsung. Proyek ini merupakan bagian dari Complex Adaptive Systems Initiative (CASI), yang mendorong penggunaan teknologi untuk menciptakan solusi bagi permasalahan dunia yang kompleks. Dengan menggunakan Apache Hadoop, tim peneliti universitas dapat memeriksa variasi dalam jutaan lokasi DNA untuk mengidentifikasi mekanisme kanker dan bagaimana jaringan berbagai gen mendorong kecenderungan dan efek kanker pada individu. "Proyek kami memfasilitasi penggunaan data genomik berskala besar, sebuah tantangan bagi semua institusi penelitian yang menangani pecision medicine," kata Jay Etchings, direktur komputasi riset ASU. Ekosistem Hadoop dan struktur data lake terkait menghindarkan setiap peneliti dan pengguna klinis untuk mengelola sendiri jejak data genomik yang besar dan kompleks. 

5. Teknologi Hadoop untuk Pemantauan Kondisi Vital Pasien

Beberapa rumah sakit di seluruh dunia telah menggunakan Hadoop untuk membantu stafnya bekerja secara efisien dengan Big Data. Tanpa Hadoop, sebagian besar sistem layanan kesehatan hampir tidak mungkin menganalisis data yang tidak terstruktur. 

Children's Healthcare of Atlanta merawat lebih dari 6.200 anak di unit ICU mereka. Rata-rata durasi tinggal di ICU Pediatrik bervariasi dari satu bulan sampai satu tahun. Children's Healthcare of Atlanta menggunakan sensor di samping tempat tidur yang membantu mereka terus melacak kondisi vital pasien seperti tekanan darah, detak jantung dan pernafasan. Sensor ini menghasilkan data yang sangat besar, dan sistem yang lama tidak mampu untuk menyimpan data tersebut lebih dari 3 hari karena terkendala biaya storage. Padahal rumah sakit ini perlu menyimpan tanda-tanda vital tersebut untuk dianalisa. Jika ada perubahan pola, maka perlu ada alert untuk tim dokter dan asisten lain.

Sistem tersebut berhasil diimplementasikan dengan menggunakan komponen ekosistem Hadoop : Hive, Flume, Sqoop, Spark, dan Impala. Setelah keberhasilan project tersebut, project berbasis Hadoop selanjutnya yang mereka lakukan adalah riset mengenai asma dengan menggunakan data kualitas udara selama 20 tahun dari EPA (Environment Protection Agency). Tujuannya: mengurangi kunjungan IGD dan rawat inap untuk kejadian terkait asma pada anak-anak.

Artikel SPK (Sistem Pengambilan Keputusan)

Nama   : Nia Sonia

NIM     : 1801301049

Kelas   : 1A Teknik Informatika

Matkul : Konsep Teknologi Informasi

*Pengertian SPK 

Sistem Pendukung Keputusan (SPK) adalah bagian dari sistem informasi berbasis komputer termasuk sistem berbasis pengetahuan atau manajemen pengetahuan yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi terstruktur yang spesifik.

Sistem Pendukung Keputusan (SPK) dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis adhoc data, pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan yang digunakan pada saat-saat yang tidak biasa. Sistem Pendukung Keputusan (SPK) juga merupakan penggabungan sumber-sumber kecerdasan individu dengan kemampuan komponen untuk memperbaiki kualitas keputusan dan menjadi sistem informasi berbasis komputer untuk manajemen pengambilan keputusan yang menangani masalah-masalah semi struktur.

Berikut adalah beberapa artikel tentang SPK (Sistem Pengambilan Keputusan):

1. SPK dalam proses kenaikan jabatan dan perencanaan karir

Sebuah perusahaan sering mengalami kekosongan pada sebuah jabatan di perusahaan. Kekosongan jabatan seperti ini akan mengurangi kualitas perusahaan jika berlangsung dalam waktu yang cukup lama.
Pengisian jabatan yang kosong pada proses kenaikan jabatan sering mengalami kesulitan karena pengajuan calon kandidat yang bisa menempati jabatan tersebut dengan cara pencocokan profil karyawan dan profil jabatan kurang terdefinisi dengan baik. Untuk meminimumkan kendala tersebut diperlukan suatu sistem pendukung keputusan yang dapat menganalisa beberapa karyawan yang sesuai dengan profil jabatan yang ada.

Sistem pendukung keputusan untuk proses profile matching dan analisis gap dapat dijadikan salah satu penyelesaian dalam permasalahan manajemen karyawan seperti ini. Untuk lebih jelasnya, pada blog ini disediakan sebuah paper mengenai Pembuatan Aplikasi Sistem Pendukung Keputusan untuk Proses Kenaikan Jabatan dan Perencanaan Karir. Paper tersebut dapat didownload dibawah ini.

2. Artikel Mengenai Sistem Penunjang Keputusan dalam MANAJEMEN SISTEM INFORMASI RS

1). Penggunaan Sistem Informasi Manajemen Keperawatan (SIMK)

Sistem informasi manajemen keperawatan (SIMK) merupakan paket perangkat lunak yang dikembangkan secara khusus untuk divisi pelayanan keperawatan. Paket perangkat lunak ini mempunyai program-program atau modul-modul yang dapat membentuk berbagai fungsi manajemen keperawatan. Kebanyakan SIMK mempunyai modul-modul untuk :
1. Mengklasifikasikan pasien
2. Pambentukan saraf
3. Penjadwalan
4. Catatan personal
5. Laporan bertahap
6. Pengembangan anggaran
7. Alokasi sumber dan pengendalian biaya
8. Analisa kelompok diagnosa yang berhubungan
9. Pengendalian mutu
10. Catatan pengembangan staf
11. Model dan simulasi untuk pengembilan keputusan
12. Rencana strategi
13. Rencana permintaan jangka pendek dan rencana kerja
14. Evolusi program

Modul SIMK untuk klasifikasi pasien, pengaturan staf, catatan personal, dan laporan bertahap sering berhubungan. Pasien diklasifikasikan menurut kriterianya. Informasi klasifikasi pasien dihitung berdasarkan formula beban kerja. Juga susunan pegawai yang dibutuhkan dan susunan pegawai yang sebenarnya dapat dibuat.

SIMK dan komputer dapat membuat perawatan pasien lebih efektif dan ekonomis. Perawat-perawat klinis menggunakannya untuk mengatur perawatan pasien, termasuk di dalamnya sejarah pasien, rencana perawatan, pemantauan psikologis dan tidak langsung, catatan kemajuan perawatan dan peta kemajuan. Hal ini dapat dilakukan di semua kantor/ruang perawat.
Perawat-perawat klinis dapat menggunakan SIMK untuk mengganti sistem manual pada pencatatan data. Hal ini dapat mengurangi biaya sekaligus memungkinkan peningkatan kualitas dari perawatan. Dengan sistem informasi usia, manajer perawat dapat merencanakan karier untuk mereka sendiri dan perawat klinis mereka. Karier baru di SIMK mungkin satu jawaban untuk perawat.

2) Manajemen Asuhan Keperawatan yang menggunakan

    Model dalam Sistem Pemberian Asuhan Keperawatan
    1) Metode Kasus
    2) Metode Fungsional
    3) Metode Perawatan Tim
    4) Metode Perawatan Primer
    5) Metode Keperawatan Modular
    6) Metode Manajemen Kasus

3) Issue-issue dalam Manajemen Asuhan Keperawatan
Ada banyak issue-issue yang berkembang dalam manajemen asuhan keperawatan dimasa yang akan datang, beberapa diantaranya adalah :
1) Robotik

Robot akan membantu perawat dalam menjelaskan beberapa tugas. Hal yang paling praktis dengan menggunakan robot yaitu penggunaan kartu elektronik, dimana digunakan untuk penyimpanan dan transpor obat-obatan, kain-kain dan persediaan-persediaan lain. Contoh lain yaitu tangan robot yang dapat digunakan untuk mengangkat yang berat. Kemungkinan aplikasi dimasa yang akan datang termasuk prosedur-prosedur yang tidak dapat untuk dibentuk seperti mata, otak, atau perbedaan tulang belakang atau prosedur dimana kontak secara langsung merupakan kontra indikasi untuk bahaya kesehatan. Seperti seorang pasien dengan tidak ada sistem kekebalan.

2) Komunikasi Suara

Komunikasi suara akan membantu perawat untuk berbicara dengan komputer mereka. Keyboard dan pembaca bar code tidak akan dibutuhkan untuk memasukkan atau mendapatkan kembali informasi komputer akan diminta untuk menampilkan informasi atau untuk mencatatnya dengan perintah suara.

3) Sistem Ahli dan Inteligensia Buatan

Kecenderungan masa depan lainnya adalah sistem ahli dan inteligensia buatan. Manajer perawat mempunyai akses ke kuantitas informasi yang besar yang memungkinkan mebantu mereka dalam membuat keputusan setiap hari. Dengan sistem ahli, manajer perawat dapat mengidentifikasi situasi manajemen, kriteria pendefinisian masalah, dan tujuan dari penanganan situasi. Manajer perawat kemudian mengevaluasi alternatif dan membuat keputusan.

Sistem ahli membuat kode pengetahuan yang relevan dan pengalaman dari ahli-ahli dan untuk memungkinkannya ada pada orang yang kurang berpengetahuan dan kurang berpengalaman. Suatu contoh dimana diperlukannya pengetahuan dan pengalaman total dari spesialis perawat klinis dibidang keperawatan ilmu neurologi, hal ini kemudian dikodekan dalam program komputer, dan dimungkinkannya ada untuk perawat melaksanakan klinis di area ilmu neurologi. Mereka akan mengkonsultasikannya untuk memecahkan masalah asuhan keperawatan.

3. Sistem Pendukung Keputusan (SPK) Menggunakan Metode SAW

 

Metode SAW sering dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar metode SAW (Simple Additive Weighting) adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW dapat membantu dalam pengambilan keputusan suatu kasus, akan tetapi perhitungan dengan menggunakan metode SAW ini hanya yang menghasilkan nilai terbesar yang akan terpilih sebagai alternatif yang terbaik. Perhitungan akan sesuai dengan metode ini apabila alternatif yang terpilih memenuhi kriteria yang telah ditentukan. Metode SAW ini lebih efisien karena waktu yang dibutuhkan dalam perhitungan lebih singkat. Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.

 

 

Keterangan :

V_i   = rangking untuk setiap alternatif

w_j   = nilai bobot dari setiap kriteria

r_ij   = nilai rating kinerja ternormalisasi

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih.

Contoh:

- Sebuah perusahaan makanan ringan XYZ akan menginvestasikan sisa usahanya dalam satu tahun.

- Beberapa alternatif investasi telah akan diidentifikasi. Pemilihan alternatif terbaik ditujukan selain 

untuk keperluan investasi, juga dalam rangka meningkatkan kinerja perusahaan ke depan.

- Beberapa kriteria digunakan sebagai bahan pertimbangan untuk mengambil keputusan,yaitu:

C1=Harga, yaitu seberapa besar harga barang tersebut.

C2 =Nilai investasi 10 tahun ke depan, yaitu seberapa besar nilai investasi barang dalam jangka waktu 

10 tahun ke depan.

C3 =Dayadukung terhadap produktivitas perusahaan, yaitu seberapa besar peranan barang 

dalam mendukung naiknya tingkat produktivitas perusahaan. 

Daya dukung diberi nilai: 1= kurangmendukung, 2 = cukup mendukung; dan 3 =sangat mendukung.

C4 =Prioritas kebutuhan, merupakan tingkat kepentingan (ke-mendesak-an) barang untuk dimiliki 

perusahaan. 

Prioritas diberi nilai:1=sangat berprioritas, 2 =berprioritas; dan 3 = cukupberprioritas.

C5 =Ketersediaan atau kemudahan, merupakan ketersediaan barang di pasaran. 

Ketersediaan diberi nilai:1= sulit diperoleh, 2 = cukup mudahdiperoleh; dan 3 =sangat mudah diperoleh.

- Dari pertama dan keempat kriteria tersebut, kriteria pertama dan keempat merupakan kriteria biaya, 

sedangkan kriteria kedua, ketiga, dan kelima merupakan kriteria keuntungan.

- Pengambil keputusan memberikan bobotuntuk setiap kriteria sebagai berikut:

C1 = 25%; C2 =15%; C3 = 30%;Â  C4 = 25; dan C5 = 5%.

- Ada empat alternatif yang diberikan, yaitu:

A1= Membeli mobil box untuk distribusi barang ke gudang;

A2 = Membeli tanah untuk membangun gudang baru;

A3 = Maintenance sarana teknologi informasi;

A4 = Pengembangan produk baru.

  

4. PENGGUNAAN METODE TOPSIS Abstrak.

Permasalahan pengambilan keputusan merupakan proses pencarian opsi terbaik dari seluruh alternative fisibel. Multiple criteria decision making merupakan bagian dari problem pengambilan keputusan yang relatif kompleks, yang mengikutsertakan beberapa orang pengambil keputusan, dengan sejumlah berhingga kriteria yang beragam yang harus dipertimbangkan, dan masing-masing kriteria itu memiliki nilai bobot tertentu, dengan tujuan untuk mendapatkan solusi optimal atas suatu permasalahan. Salah satu metode yang digunakan untuk menangani permasalahan ini, adalah Technique for Order Performance by Similarity to Ideal Solution (TOPSIS). Konsep fundamental dari metode ini adalah penentukan jarak Euclide terpendek dari solusi ideal positif dan jarak Euclide terjauh dari solusi ideal negatif. Di akhir makalah akan dilakukan studi kasus, yang dapat memperjelas penggunaan metode TOPSIS pada permasalahan multiple criteria decision making.

Kata kunci : pengambilan keputusan, multiple criteria decision making, TOPSIS, solusi ideal positif, solusi ideal negatif

1). Pendahuluan

Dalam kehidupan nyata terdapat bermacam-macam jenis keputusan. Ada keputusan yang mudah diambil, dan sudah tentu ada juga keputusan yang baru dapat diambil setelah dipertimbangkan segala macam aspek secara cermat. Ada keputusan yang hasilnya hanya membawa konsekuensi bagi fihak yang mengambil keputusan tersebut, ada juga keputusan yang menyangkut nasib orang banyak, seperti keputusan dalam bidang politik ekonomi yang diambil pemerintah suatu negara. Manusia senantiasa dihadapkan pada kewajiban untuk pada waktu-waktu tertentu mengambil keputusan. Misalnya keputusan untuk bersekolah, keputusan untuk bekerja, keputusan untuk berlibur, keputusan untuk membeli barang-barang, keputusan untuk memilih pasangan hidup. Dalam kenyataan bisa dilihat bahwa tidak semua keputusan yang diambil senantiasa membawa hasil seperti yang diinginkan. Berhasil dan tidaknya suatu keputusan tergantung dari berbagai faktor. Semakin banyak faktor yang harus dipertimbangkan, semakin relatif sulit juga untuk mengambil keputusan terhadap suatu permasalahan. Apalagi jika upaya pengambilan keputusan dari suatu permasalahan tertentu, selain mempertimbangkan berbagai faktor/kriteria yang beragam, juga melibatkan beberapa orang pengambil keputusan (expert). Permasalahan yang demikian dikenal dengan permasalahan multiple criteria decision making. Pada makalah ini akan dicoba dibahas metode TOPSIS, sebagai suatu upaya untuk menyelesaikan permasalahan multiple criteria decision making.

2. Pengambilan Keputusan

Sebelum mulai dengan mengemukakan definisi pengambilan keputusan, kiranya perlu disampaikan lebih dulu tentang apa pengertian keputusan itu. Menurut Ibnu Syam, keputusan sesungguhnya merupakan hasil pemikiran yang berupa pemilihan satu diantara beberapa alternatif yang dapat digunakan untuk memecahkan masalah yang dihadapinya.

Ada beberapa definisi tentang pengambilan keputusan (decision making), satu diantaranya, menurut Terry, pengambilan keputusan adalah pemilihan alternatif perilaku dari dua alternatif atau lebih. Dapat pula dikatakan bahwa pengambilan keputusan adalah tindakan pimpinan untuk memecahkan masalah yang dihadapi dalam organisasi yang dipimpinnya dengan melalui pemilihan satu di antara alternatif-alternatif yang dimungkinkan. Memang pada hakikatnya pembuatan keputusan adalah suatu pendekatan yang sistematis terhadap hakikat alternatif yang dihadapi, dan mengambil tindakan yang menurut perhitungan merupakan tindakan yang paling tepat .

Pengambialan keputusan dimaksudkan untuk memecahkan masalah. Kerap kali masalah pengambilan keputusan merupakan satu segi saja, tetapi ada kemungkinan dapat saja terjadi masalah yang pemecahannya menghendaki dua hal kontradiksi terpecahkan.

Kesimpulan yang diperoleh mengenai pengambilan keputusan adalah : tujuan pengambilan keputusan itu bersifat tunggal, dalam arti bahwa sekali diputuskan, tidak ada kaitannya dengan masalah lain. Kemungkinan kedua adalah tujuan pengambilan keputusan dapat juga bersifat ganda (multiple objectives) dalam arti bahwa satu keputusan yang diambilnya itu sekaligus memecahkan dua masalah (atau lebih) yang sifatnya kontradiktif ataupun yang tidak kontradiktif. Terry, mengemukakan bahwa dasar pengambilan keputusan adalah dengan menggunakan : intuisi, fakta, pengalaman, wewenang, sedangkan metode pengambilan keputusan adalah : operations research, linear programming, gaming, probability, ranking and statistical weighting.

3. Pengambilan Keputusan Berdasarkan Fakta

Ada yang berpendapat bahwa sebaiknya pengambilan keputusan itu didukung oleh sejumlah fakta yang memadai. Pendapat semacam ini banyak juga yang mendukungnya. Sebenarnya istilah fakta di sini perlu dikaitkan dengan istilah data dan informasi. Kumpulan fakta yang telah dikelompokan secara sistematis dinamakan data. Sedangkan data itu merupakan bahan mentahnya informasi. Dengan demikian maka data harus diolah lebih dulu menjadi informasi, kemudian informasi inilah yang dijadikan dasar pengambilan keputusan.

Keputusan yang berdasarkan sejumlah fakta, data atau informasi yang memadai dikatakan sebagai keputusan yang sehat, solid, dan baik. Namun untuk mendapatkan informasi yang memadai, terkadang sulit. Informasi yang terpercaya itu datanya lebih dulu harus diolah dengan cermat. Pengambilan keputusan dapat dilakukan secara individual dan juga dapat dilakukan oleh sekelompok orang. Keputusan individual dibuat oleh seorang pengambil keputusan secara sendirian, sedangkan keputusan kelompok dibuat oleh sekelompok orang, yang biasanya merupakan satu tim atau panitia.

  5.    Artikel Rancang Bangun Sistem Pendukung Keputusan Kelompok untuk Amnesis, Diagnosis dan Terapi Gangguan Jiwa

Di Indonesia, kesehatan jiwa menjadi bagian yang sangat diperhatikan oleh pemerintah. Kesehatan jiwa adalah suatu kondisi mental yang sejahtera yang memungkinkan hidup harmonis dan produktif sebagai bagian yang utuh dari kualitas hidup seseorang, dengan memperhatikan semua segi kehidupan manusia. Sedangkan gangguan jiwa (mental disorder) adalah suatu perubahan pada fungsi jiwa yang menyebabkan adanya gangguan pada fungsi jiwa,yang menimbulkan penderitaan pada individu dan atau hambatan dalam melaksanakan peran sosialnya (Menkes, 2002)

Penelitian ini bertujuan untuk membagun suatu sistem berbasis web yang berfungsi sebagai linical Group Decision Support System (CGDSS) untuk diagnosis gangguan jiwa nonpsitotis. Proses diagnosis didasarkan pada basis pengetahuan yang dibentuk berdasarkan kompromi dari para pengambil keputusan (psikiater atau psikolog klinis) melalui konsep fuzzy multi attribute decision making(FMADM).

Pada analisis kebutuhan sistem akan dibahas beberapa kebutuhan dan atau persyaratan terkait dengan input, proses, output, dan antarmuka sistem yang akan dibangun. kebutuhan(persyaratan) ini diperoleh berdasarkan hasil wawancara dengan para psikiater, psikolog (baik klinis maupun non klinis), dan dokter di bidang farmakologi. Berdasarkan hasil wawancara,kebutuhan Group Support System (GSS), dan Clinical Decision Support System(CDSS) (Turban, 2005), diperoleh hasil analisis kebutuhan sistem berikut.

1)     Kebutuhan input

         Sistem yang akan dibangun membutuhkan beberapa data input, antara lain:

a.      Data pengguna sistem, seperti: username, password, nama lengkap, jenis kelamin, pekerjaan, alamat, tempat dan tanggal lahir, nomor telpon atau HP, alamat email, institusi, alamat institusi.

b.     Data gangguan jiwa, seperti: kode gangguan dan nama gangguan.

c.     Data gejala gangguan jiwa, seperti: kode gejala dan nama gejala.

d.     Data hubungan gejala dan gangguan jiwa.

e.      Preferensi dengan format ordered vector, utility vector, selected subset, atau fuzzy selected

f.       subset yang akan digunakan untuk membentuk basis pengetahuan berdasarkan

g.     FMADM(Kusumadewi, dkk., 2007).

h.     Data farmakoterapi, seperti: nama golongan obat, nama generik obat, nama dagang obat, perusahaan yang memproduksi obat, kemasan, sediaan, dosis, indikasi, efek samping, satuan sediaan, satuan dosis, hubungan antara jenis gangguan dan golongan obat, hubungan antara kondisi medik dengan golongan obat.

i.        Data psikoterapi, seperti: jenis psikoterapi dan hubungan antara jenis gangguan dan jenis

j.        psikoterapi.

k.     Data psikososial dan medik umum, seperti: jenis masalah psikososial, kode medik dan nama medik seperti yang diberikan oleh ICD-10.

l.        Data pendukung inferensi, seperti: metode inferensi (SAW atau TOPSIS), dan nilai threshold.

m.   Data pasien, seperti: kode pasien, nama pasien, jenis kelamin, alamat dan pekerjaan.

           2).      Kebutuhan proses
           Beberapa proses dibutuhkan untuk mengolah data input menjadi output yang berupa :

a.      informasi yang diharapkan. Beberapa proses tersebut antara lain.

b.     Proses manajemen pengetahuan, yang meliputi: manipulasi data gangguan, gejala, hubungan gejala & gangguan pada aturan PPDGJ, hubungan gejala & gangguan pada CGDSS, manipulasi data preferensi, akuisisi pengetahuan, manipulasi data farmakoterapi, manipulasi data psikoterapi, manipulasi data medik, manipulasi data pekerjaan, dan manipulasi data PPDGJ III.

c.     Proses manajemen inferensi, yang meliputi: ubah atribut pengambil keputusan menampilkan statistik preferensi, uji sensitivitas, mengubah metode inferensi, dan mengubah nilai threshold.

d.     Proses manajemen data pasien, yang meliputi: input, ubah, hapus dan menampilkan informasi data pasien.

e.      Proses anamnesis, diagnosis dan terapi, yang meliputi: registrasi pasien, manipulasi data pasien pada aksis I, II, III, IV dan V, proses farmakoterasi & psikoterapi pasien, cetak hasil anamnesis, diagnosis & terapi.

f.       Proses manajemen pengguna, yang meliputi: input, ubah, hapus dan menampilkan informasi data pengguna.

g.     Proses manajemen informasi, yang meliputi: manajemen data berita, link informasi, forum, dan polling.

h.     Proses manajemen konferensi, yang meliputi: manajemen agenda konferensi dan konferensi online.

i.        Proses display informasi umum, yang meliputi: isi & menampilkan buku tamu, pendaftaran.

j.        Proses login untuk masuk ke sistem sesuai dengan level aksesnya.

         3) Kebutuhan output
          Output yang diharapkan berupa informasi terkait beberapa hal, antara lain:

               a.      Informasi jenis gangguan.

               b.     Informasi gejala gangguan jiwa.

               c.     Informasi aturan menggunakan PPDGJ III.

               d.     Informasi kondisi dalam aturan CGDSS.

               e.      Informasi preferensi dengan format ordered vector, utility vector, selected subset, dan fuzzy selected subset .

               f.       Informasi farmakoterapi.

               g.     Informasi psikoterapi.

               h.     Informasi hasil anamnesis terhadap pasien.

               i.        informasi hasil diagnosis terhadap pasien .

               j.        Informasi hasil terapi terhadap pasien.

               k.       Laporan rekam medik yang berisi hasil anamnesis, diagnosis, dan terapi

  

4) Kebutuhan perangkat lunak dan perangkat keras

         Sistem yang akan dibangun dapat bekerja dengan optimal apabila dioperasikan dengan menggunakan perangkat keras dan perangkat lunak dengan spesifikasi minimal berikut.
a) Perangkat lunak (software), untuk server:

a.      Sistem Operasi Linux atau UNIX.

b.     Apache web server (minimal versi 2.0.53.0).

c.     Bahasa pemrograman web, PHP (minimal versi 5.0.4.4).

d.     Administrator basisdata, phpMyAdmin (minimal versi 2.6.1).

e.      Basisdata, MySQL

b) Perangkat lunak (software), untuk workstation:

a.      Sistem Operasi Windows X (Windows XP, Vista, dll), Linux.

b.     Web browser, seperti: internet explorer (tampilan terbaik minimal versi 6) atau Mozila Firefox.

c) Perangkat keras (hardware), untuk server:

a.      Seperangkat komputer server.

b.     Jaringan internet.

c.     GSM modem

d.     Sarana komunikasi data antara GSM modem dan komputer.

d) Perangkat keras (hardware), untuk workstation:

a.      Seperangkat komputer dengan spesifikasi: prosesor pentium IV, RAM 512 MB, hardisk dengan sisa memori 250 MB.

b.     Jaringan internet.

     5) Kebutuhan antarmuka
             Sistem dibangun berbasis web, dengan 2 model antarmuka yang digunakan yaitu model dialog dan model pengisian formulir. Model menu berbentuk pohon hirarki yang bertujuan untuk menyeleksi sejumlah pilihan dari setiap menu yang jumlahnya relatif sedikit (Downtown, 1992: 82). Model pengisian formulir bertujuan untuk mengisi data-data (yang biasanya akan disimpan dalam basisdata) melalui formulir yang tervisualisasi (Downtown, 1992: 87). Kedua model ini dipilih dengan alasan bahwa:

1. Kedua model relatif mudah digunakan dan sudah familiar dengan para pengguna.
2. Model menu digunakan, karena pada sistem yang dibuat terdiri-dari sejumlah proses yang masing-masing memiliki cukup banyak subproses.
3. Model pengisian formulir digunakan, karena sistem yang dibangun terdiri-dari beberapa proses yang membutuhkan input data dari pengguna. Pada model pengisian formulir, beberapa objek digunakan baik sebagai media pengisian seperti textbox dan objek untuk pilihan seperti checkbox, radiobutton, atau combobox.

     6) Perancangan sistem

    Pada proses perancangan, diawali dengan membuat diagram konteks sistem. Kemudian dilanjutkan dengan membuat Diagram Arus Data (DAD). Untuk setiap proses yang terdapat pada suatu DAD akan diderinci lagi ke bentuk DAD level berikutnya apabila diperlukan. Semua pengambil keputusan dapat berpartisipasi dalam:

1. Melakukan manipulasi (input, ubah, hapus) data gangguan maupun gejala.
2. Membentuk kondisi (anteseden) kejiwaan yang berisi kumpulan gejala.
3. Memberikan preferensi terhadap kondisi tersebut.
4. Melakukan akuisisi pengetahuan.
5. Membentuk aturan terkait penetapan farmakoterapi dan psikoterapi

 

         7) Perancangan Basis Data

   Sistem basisdata yang dibangun terdiri-atas 47 tabel, antara lain: tabel Login, Gangguan, Gejala, Gangguan_Umum, GejalaGangguan, Konsekuen_PPDGJ, Standar, Anteseden, P_Ordered, P_Utility, P_SelectedSubset, P_FuzzySelectedSubset, Matriks, MADM, KlasObat, GolObat, Generik, BrandObat, PerusahaanObat, Kemasan, Satuan, HubObat, AturanObat, Psikoterapi, HubTerapi, Pasien, Periksa, Diagnosis, Medik, Psikososial, GangguanPasien, MedikPasien, PsikososialPasien, ObatPasien, TerapiPasien, GolForum, Forum, KomentarForum, Polling, JawabPolling, Konferensi, Informasi, Berita, PPDGJ3, Pekerjaan, Kota, dan BukuTamu

 

 Hasil dari sistem

         8) Pengujian

  Pengujian dilakukan dalam 2 bentuk. Pertama, pengujian terhadap validitas sistem (disebut: CGDSS) apabila dibandingkan dengan gold standard (PPDGJ III). Kedua, pengujian terhadap kinerja sistem berdasarkan evaluasi yang diberikan oleh para pengguna (psikiater, psikolog, atau pengguna lain yang berkepentingan).

Proses pengujian validitas CGDSS terhadap PPDGJ III dilakukan pada ke-30 gangguan yang menjadi sample dalam penelitian. Proses pengujian dilakukan dengan cara memberikan beberapa gejala yang relevan dengan jenis gangguan tertentu sesuai dengan kriteria diagnosis PPDGJ III seperti yang telah dibahas pada Bab III. Selanjutnya sistem akan mendiagnosis gejala-gejala tersebut untuk mendapatkan jenis gangguan jiwa yang direkomendasikan. Sebagai contoh diberikan gejala-gejala seperti terlihat pada Tabel 1. Berdasarkan PPDGJ III jenis gangguan yang relevan dengan kondisi tersebut adalah episode depresif (F32.0).

Tabel Gejala-gejala pada pengujian-1.

menunjukkan sebanyak 280 hasil diagnosis dengan CGDSS sesuai dengan gold standard (PPDGJ III) dan 21 hasis diagnosis dengan CGDSS tidak sesuai dengan PPDGJ III. Sehingga dapat dikatakan bahwa 93% hasil diagnosis sesuai dengan gold standard.

Pengujian sistem juga dilakukan dengan cara memberi kesempatan kepada para pengguna (psikiater, psikolog, dan dokter di bidang farmakologi) untuk mengevaluasi kinerja sistem. Evaluasi dilakukan pada setiap sub sistem (manajemen pengetahuan, inferensi, terapi, informasi, pengguna, dan konferensi). Penilaian dilakukan dengan skor 1 = sangat buruk, 2 = buruk, 3 = cukup, 4 = baik, dan 5 = sangat baik. Hasil evaluasi untuk setiap sub sistem terlihat pada Tabel 2. Nilai rata-rata untuk semua sub sistem adalah 4,321. Berdasarkan hasil tersebut dapat disimpulkan bahwa para pengguna memberikan nilai BAIK untuk CGDSS yang telah dibangun.

Tabel 2. Hasil pengujian setiab subsistem