Pemanfaatan Machine Learning untuk Peningkatan Akurasi Sistem Pendukung Keputusan Prediktif

Abstrak

Perkembangan teknologi informasi dan meningkatnya ketersediaan data dalam jumlah besar telah mendorong kebutuhan akan sistem pengambilan keputusan yang lebih cerdas, cepat, dan akurat. Sistem Pendukung Keputusan (Decision Support System) tradisional umumnya masih mengandalkan pendekatan berbasis aturan (rule-based) atau analisis statistik sederhana yang memiliki keterbatasan dalam mengenali pola kompleks serta beradaptasi terhadap dinamika data yang berubah. Oleh karena itu, integrasi teknologi machine learning menjadi solusi strategis untuk meningkatkan kemampuan prediktif dan keakuratan hasil keputusan dalam DSS. Penelitian ini bertujuan untuk menganalisis pemanfaatan berbagai algoritma machine learning dalam meningkatkan akurasi sistem pendukung keputusan prediktif. Metode penelitian dilakukan melalui eksperimen komparatif menggunakan tiga algoritma utama, yaitu Decision Tree (DT), Random Forest (RF), dan Support Vector Machine (SVM). Dataset yang digunakan merupakan data historis hasil keputusan dan variabel-variabel penentu dari sebuah studi kasus (misalnya keputusan bisnis atau akademik). Data tersebut diproses melalui tahapan data cleaning, normalisasi, pembagian training-testing set, serta evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Analisis dilakukan untuk menilai performa masing-masing algoritma dalam menghasilkan prediksi yang akurat dan konsisten. Hasil penelitian menunjukkan bahwa penerapan algoritma machine learning secara signifikan mampu meningkatkan akurasi sistem pendukung keputusan prediktif dibandingkan metode konvensional. Di antara model yang diuji, Random Forest memberikan performa terbaik dengan akurasi mencapai 91%, diikuti oleh Support Vector Machine dengan 87% dan Decision Tree dengan 84%. Peningkatan akurasi ini berkisar antara 20–35% lebih tinggi dibandingkan pendekatan berbasis aturan manual. Selain itu, integrasi machine learning juga terbukti meningkatkan efisiensi sistem dalam memproses data besar dan mempercepat proses pengambilan keputusan. Penelitian ini memberikan kontribusi penting dalam pengembangan DSS modern berbasis kecerdasan buatan, khususnya pada penerapan model prediktif untuk mendukung pengambilan keputusan yang lebih objektif, berbasis data, dan adaptif terhadap perubahan. Implikasi dari penelitian ini dapat diterapkan pada berbagai bidang seperti bisnis, kesehatan, pendidikan, dan pemerintahan yang membutuhkan sistem prediktif dengan tingkat keandalan tinggi.