RPS/FST-3501/2026/001

Sistem Pendukung Keputusan (MPP215205)

Sistem Informasi | Idi Hermansyah.,S.Kom., M.Kom | 2 SKS (Semester 5)

Cetak PDF Export Excel

Deskripsi Mata Kuliah

Mata kuliah Sistem Pendukung Keputusan (MPP215205) membekali mahasiswa dengan pemahaman komprehensif mengenai kerangka kerja, teori, dan implementasi praktis teknologi pendukung keputusan. Pembelajaran berfokus pada metode-metode Multi-Criteria Decision Making (seperti SAW, WP, AHP, TOPSIS, PROMETHEE), pemodelan berbasis Fuzzy Logic, serta integrasi Machine Learning dalam proses pengambilan keputusan organisasi. Mahasiswa dibekali pengalaman hands-on pengkodean algoritma SPK secara langsung menggunakan Python di platform Google Colab, serta merancang prototipe SPK sederhana berbasis web untuk memecahkan studi kasus dunia nyata (seperti potensi komoditas, UMKM, pariwisata, dan pelayanan publik di wilayah Pagar Alam dan Sumatera Selatan).

Bahan Kajian (BK) / Materi Pembelajaran
BK3
Business Process Management
Bobot Min: 0.00% | Pemodelan, analisis, dan optimalisasi proses bisnis organisasi yang didukung oleh sistem informasi.
BK10
Data Analytics and Business Intelligence
Bobot Min: 0.00% | Inovasi bisnis berbasis teknologi, kewirausahaan digital, dan transformasi digital organisasi.
Tim Pengembang & Otorisasi
Pengembang RPS Koordinator RMK Ketua Program Studi
Idi Hermansyah, M.Kom Medi Triawan, M.Kom M. Junius Effendi, M.Kom

Capaian Pembelajaran Lulusan (CPL)

Kode CPL Kategori Deskripsi CPL
ku1 Keterampilan Umum Mampu berpikir logis, kritis, sistematis, kreatif, inovatif, serta mengambil keputusan berdasarkan analisis data dan metode ilmiah dalam menyelesaikan permasalahan Sistem Informasi.
ku2 Keterampilan Umum Mampu berkomunikasi secara efektif, bekerja sama dalam tim multidisiplin, menyusun karya ilmiah, serta memanfaatkan teknologi informasi secara profesional.
ku3 Keterampilan Umum Mampu mengelola proyek, mengevaluasi hasil pekerjaan, melakukan peningkatan mutu secara berkelanjutan, serta mengembangkan kompetensi diri sesuai perkembangan ilmu pengetahuan dan teknologi
kk1 Keterampilan Khusus Mampu menganalisis kebutuhan organisasi serta merancang solusi Sistem Informasi yang mendukung proses bisnis, pengambilan keputusan, dan transformasi digital.
kk2 Keterampilan Khusus Mampu mengembangkan, mengimplementasikan, mengintegrasikan, menguji, dan mengevaluasi aplikasi berbasis web, mobile, multimedia, serta teknologi digital sesuai kebutuhan pengguna.
kk3 Keterampilan Khusus Mampu merancang, mengelola, mengamankan basis data, menerapkan analitik data dan kecerdasan buatan untuk menghasilkan informasi yang mendukung pengambilan keputusan organisasi.
pp1 Pengetahuan Menguasai konsep, teori, prinsip, dan metodologi Sistem Informasi yang mengintegrasikan aspek teknologi informasi, proses bisnis, manajemen, dan organisasi.
pp2 Pengetahuan Menguasai metode analisis, perancangan, pengembangan, implementasi, pengujian, evaluasi, tata kelola, keamanan, dan manajemen proyek Sistem Informasi.
pp3 Pengetahuan Menguasai konsep basis data, analitik data, kecerdasan buatan, multimedia, teknologi web, teknologi mobile, dan teknologi digital terkini untuk mendukung transformasi digital organisasi.

Capaian Pembelajaran Mata Kuliah (CPMK)

Kode CPMK Deskripsi CPMK Sub-CPMK Turunan
CPMK-147 Mampu menjelaskan konsep, karakteristik, komponen, dan tahapan pengembangan Sistem Pendukung Keputusan.
  • Sub-CPMK-147.1: Menjelaskan konsep, karakteristik, tujuan, dan manfaat Sistem Pendukung Keputusan. (15.00%)
  • Sub-CPMK-147.2: Menjelaskan komponen dan arsitektur Sistem Pendukung Keputusan. (15.00%)
  • Sub-CPMK-147.3: Menjelaskan tahapan pengembangan Sistem Pendukung Keputusan. (15.00%)
CPMK-148 Mampu menganalisis permasalahan pengambilan keputusan berdasarkan kriteria, alternatif, bobot, dan preferensi pengambil keputusan.
  • Sub-CPMK-148.1: Mengidentifikasi permasalahan pengambilan keputusan dan alternatif solusi. (15.00%)
  • Sub-CPMK-148.2: Menentukan kriteria dan subkriteria berdasarkan permasalahan keputusan. (15.00%)
  • Sub-CPMK-148.3: Menentukan bobot dan preferensi berdasarkan kebutuhan pengambil keputusan. (15.00%)
  • Sub-CPMK-148.4: Menganalisis hubungan antara kriteria, alternatif, bobot, dan hasil keputusan. (15.00%)
CPMK-149 Mampu menerapkan metode pengambilan keputusan multikriteria yang sesuai untuk menghasilkan rekomendasi keputusan.
  • Sub-CPMK-149.1: Menentukan metode pengambilan keputusan multikriteria yang sesuai. (15.00%)
  • Sub-CPMK-149.2: Menerapkan metode pengambilan keputusan pada data dan alternatif yang tersedia. (15.00%)
  • Sub-CPMK-149.3: Menghasilkan peringkat atau rekomendasi berdasarkan hasil perhitungan metode. (15.00%)
CPMK-150 Mampu mengevaluasi hasil rekomendasi Sistem Pendukung Keputusan berdasarkan ketepatan metode, kriteria, dan kebutuhan pengambil keputusan.
  • Sub-CPMK-150.1: Menguji hasil perhitungan dan rekomendasi Sistem Pendukung Keputusan. (15.00%)
  • Sub-CPMK-150.2: Mengevaluasi ketepatan metode berdasarkan karakteristik permasalahan. (15.00%)
  • Sub-CPMK-150.3: Menganalisis sensitivitas hasil terhadap perubahan kriteria atau bobot. (15.00%)
  • Sub-CPMK-150.4: Menyusun rekomendasi berdasarkan hasil evaluasi Sistem Pendukung Keputusan. (15.00%)

Matriks 16 Minggu Perkuliahan

Mg Sub-CPMK Materi Pembelajaran Metode & Media Pengalaman Belajar Assessment Bobot %
1 Sub-CPMK-147.1 Pengantar Sistem Pendukung Keputusan & Lingkungan Google Colab Metode: Interactive Lecturing, Hands-on Lab Session
Media: Google Colab Notebook, Slide Presentasi, LMS Universitas Lembah Dempo. 		Mahasiswa mengonfigurasi lingkungan Google Colab, mengimpor library pandas & numpy, serta menyusun tabel matriks keputusan awal dalam struktur DataFrame. Tugas / Quiz
Bentuk: Penilaian Tugas Praktikum 1 (Notebook Google Colab). Indikator: Kejelasan pemahaman konsep/arsitektur SPK dan keberhasilan eksekusi kode manipulasi matriks data. 		3.00%
2 Sub-CPMK-147.3 Tahapan Pengembangan SPK & Pemodelan Permasalahan Keputusan Metode: Case-Based Learning (CBL) & Praktikum.
Media: Google Colab, Dataset Kasus (CSV/Excel). 		Mahasiswa membedah skenario keputusan daerah, mengidentifikasi alternatif solusi, dan menyusun skrip Python untuk membaca dataset serta mengekstrak variabel keputusan. Tugas / Quiz
Bentuk: Tugas Praktikum 2 (Skrip Pemodelan Permasalahan). Indikator: Ketepatan mengidentifikasi masalah, menentukan alternatif, dan membuat fungsi pembacaan data di Colab. 		3.00%
3 Sub-CPMK-148.2 Penentuan Kriteria, Bobot, & Algoritma Simple Additive Weighting (SAW) Metode: Problem-Based Learning & Coding Lab
Media: Google Colab Notebook. 		Mahasiswa menentukan kriteria terbobot pada studi kasus Pemilihan Komoditas Kopi Unggulan, lalu menulis kode Python untuk normalisasi dan pemeringkatan SAW. Tugas / Quiz
Bentuk: Rubrik Kode Praktikum 3. Indikator: Kebenaran logika penetapan kriteria/bobot serta keakuratan formula matematis SAW pada skrip Python. 		3.00%
4 Sub-CPMK-149.1 Penerapan Metode Weighted Product (WP) Metode: Collaborative Learning & Praktikum.
Media: Google Colab Notebook. 		Mahasiswa menerapkan algoritma WP pada dataset alternatif dan membandingkan karakteristik perhitungannya dengan metode SAW. Tugas / Quiz
Bentuk: Penilaian Lembar Kerja Praktikum 4. Indikator: Ketepatan eksponensial bobot cost/benefit dan komputasi Vektor S & V. 		3.00%
5 Sub-CPMK-148.2 Analytic Hierarchy Process (AHP): Struktur Hirarki, Matriks Berpasangan, & Bobot Metode: Lecturing, Guided Lab
Media: Google Colab, Library numpy.linalg. 		Mahasiswa merancang struktur hirarki kriteria/subkriteria dan menyusun skrip Python untuk menguji rasio konsistensi matriks (CR < 0.10). Tugas / Quiz
Bentuk: Tugas Praktikum 5 (Uji Konsistensi AHP). Indikator: Akurasi komputasi eigenvector, ekstraksi bobot preferensi, dan validasi nilai CR. 		3.00%
6 Sub-CPMK-149.2 TOPSIS: Pemeringkatan Berbasis Jarak Solusi Ideal Metode: Case-Based Learning & Praktikum
Media: Google Colab Notebook. 		Mahasiswa mengimplementasikan fungsi TOPSIS menggunakan SciPy/NumPy untuk mengekstraksi peringkat rekomendasi destinasi wisata terbaik. Tugas / Quiz
Bentuk: Tugas Praktikum 6 (Implementasi TOPSIS). Indikator: Kebenaran jarak Euclidean, penetapan titik ideal positif/negatif, serta keakuratan peringkat. 		3.00%
7 Sub-CPMK-149.2 PROMETHEE: Outranking & Analisis Hasil Rekomendasi Metode: Problem-Based Learning & Small Group Discussion.
Media: Google Colab Notebook. 		Mahasiswa secara kelompok menyusun kode PROMETHEE II pada Python untuk menghitung Net Flow dan membandingkan peringkat antar alternatif. Tugas / Quiz
Bentuk: Laporan Praktikum & Skrip Python 7. Indikator: Ketepatan aplikasi fungsi preferensi dan validitas pemeringkatan berdasarkan Net Flow. 		3.00%
8 Sub-CPMK-149.3 UJIAN TENGAH SEMESTER (UTS) Metode: Ujian Praktik Hands-on Coding di Google Colab & Analisis Kasus Skenario.
Media: Google Colab Forms / LMS Submissions. 		Mahasiswa menyelesaikan studi kasus keputusan kompleks, memilih 2 algoritma MCDM terintegrasi, menuliskan skrip Python yang clean, dan menyusun peringkat rekomendasi. UTS
Bentuk: Ujian Praktik Coding & Analisis Kasus. Indikator: Ketepatan logika pemodelan, kebersihan skrip kode Python, dan kedalaman analisis rekomendasi keputusan. 		25.00%
9 Sub-CPMK-148.4 Data-Driven DSS & Analisis Hubungan Kriteria-Hasil Metode: Hands-on Workshop.
Media: Slide Presentation, LMS, PC Studio 		Mahasiswa mengolah dataset historis, membuat heatmap korelasi kriteria, dan menganalisis dampaknya terhadap alternatif keputusan. Tugas / Quiz
Bentuk: Tugas Praktikum 9 (Dashboard Analisis Data). Indikator: Kualitas visualisasi korelasi data dan kejelasan analisis hubungan kriteria-hasil. 		3.00%
10 Sub-CPMK-149.1 Fuzzy Decision Support System (Fuzzy-SAW / Fuzzy-AHP) Metode: Project-Based Learning (Inisiasi) & Lab.
Media: : Google Colab, Library scikit-fuzzy. 		Mahasiswa mengonversi variabel penilaian samar kualitatif menjadi nilai fuzzy kuantitatif dan menghitung skor keputusan terdefuzzifikasi. Tugas / Quiz
Bentuk: Tugas Praktikum 10 (Fuzzy DSS). Indikator: Keakuratan fungsi keanggotaan fuzzy dan ketelitian proses defuzzifikasi. 		3.00%
11 Sub-CPMK-149.2 Intelligent DSS: Machine Learning Klasifikasi/Regresi untuk Prediksi Keputusan Metode: Lab-based Learning
Media: Lab-based Learning 		Mahasiswa melatih model Machine Learning pada dataset keputusan (misal: persetujuan pinjaman perbankan) dan memproduksi rekomendasi otomatis. Tugas / Quiz
Bentuk: Tugas Praktikum 11 (Model Machine Learning DSS). Indikator: Akurasi performa model dan ketepatan interpretasi confusion matrix. 		3.00%
12 Sub-CPMK-148.4 Intelligent DSS: Clustering untuk Segmentasi Alternatif Keputusan Metode: Case-Based Learning.
Media: Google Colab. 		Mahasiswa melakukan klusterisasi wilayah pembangunan daerah di Sumatera Selatan berdasarkan kriteria indikator sosial-ekonomi. Tugas / Quiz
Bentuk: Tugas Praktikum 12 (Clustering DSS). Indikator: Kesesuaian evaluasi Elbow Method dan kualitas penafsiran karakteristik tiap cluster. 		3.00%
13 Sub-CPMK-148.3 Group Decision Support System (GDSS) & Agregasi Konsensus Kelompok Metode: Role Play & Simulation, Praktikum
Media: Google Colab Notebook. 		Mahasiswa mensimulasikan penilaian dari berbagai sudut pandang pakar/manajer, lalu mengagregasikan matriks pendapat menjadi satu keputusan kelompok. Tugas / Quiz
Bentuk: Tugas Praktikum 13 (Model GDSS). Indikator: Kebenaran formulasi agregasi nilai pakar dan penyelesaian konflik bobot preferensi. 		3.00%
14 Sub-CPMK-149.3 Development UI & Pengujian Perhitungan SPK Interaktif Metode: Project-Based Learning (Sprint 1).
Media: Google Colab, Streamlit/Gradio 		Mahasiswa membangun dashboard interaktif berbasis web untuk menguji input variabel kriteria dan menampilkan grafik pemeringkatan real-time. Tugas / Quiz
Bentuk: Tugas Praktikum 14 (Prototipe Web SPK). Indikator: Kemudahan interaksi UI, kestabilan kalkulasi backend, dan keberhasilan uji fungsi input/output. 		3.00%
15 Sub-CPMK-150.4 Evaluasi Metode, Analisis Sensitivitas, & Penyusunan Rekomendasi Metode: Project Presentation & Peer Review.
Media: Google Colab, Presentation Slides 		Mahasiswa menyimulasikan perubahan bobot kriteria untuk menguji ketahanan peringkat (robustness) serta mempresentasikan hasil evaluasi di depan kelas. Tugas / Quiz
Bentuk: Unjuk Kerja Presentasi & Laporan Analisis Sensitivitas. Indikator: Kejelasan evaluasi ketepatan metode, kedalaman analisis sensitivitas bobot, dan kualitas dokumen rekomendasi. 		3.00%
16 Sub-CPMK-150.4 UJIAN AKHIR SEMESTER (UAS) - CAPSTONE PROJECT SPK Metode: Final Capstone Evaluation & Code Review.
Media: GitHub Repository / Google Colab Deliverables / LMS. 		Mahasiswa mempublikasikan notebook Python yang terstruktur (clean code, berdokumentasi lengkap) beserta tautan repository Capstone Project SPK. UAS
Bentuk: Portofolio Capstone Project SPK (Produk Aplikasi Web, Skrip Python, Dokumen Evaluasi & Rekomendasi). Indikator: Kompleksitas studi kasus, kebenaran algoritma, ketersediaan pengujian sensitivitas, kualitas UI/UX, dan kejelasan dokumen rekomendasi. 		35.00%

Pustaka & Referensi

Referensi Utama
Perangkat & Media Pembelajaran

Software: -

Hardware: -