Perkembangan teknologi informasi telah mengubah cara organisasi melakukan pengambilan keputusan dari proses berbasis intuisi menjadi proses berbasis data. Dalam era Big Data saat ini, organisasi tidak hanya mengumpulkan data dalam jumlah besar, tetapi juga memanfaatkan analytics untuk mendapatkan wawasan yang berguna. Prescriptive analytics merupakan tahap tertinggi dalam analytics, yang tidak hanya memprediksi hasil di masa depan tetapi juga memberikan rekomendasi keputusan optimal berdasarkan berbagai skenario dan tujuan organisasi. Prescriptive analytics menjadi sangat kuat ketika dikombinasikan dengan machine learning (ML), sebuah cabang artificial intelligence (AI) yang mampu belajar dari data dan memperbaiki rekomendasi secara otomatis. Integrasi ini semakin relevan dalam pengembangan Sistem Pendukung Keputusan (SPK) yang adaptif, efektif, dan kompetitif. 

Tinjauan Teori 

Sistem Pendukung Keputusan (SPK) merupakan sistem berbasis komputer yang membantu pengambil keputusan menyelesaikan masalah semi-terstruktur atau kompleks dengan memanfaatkan data dan model analitis. SPK modern telah berkembang dari sistem berbasis model statistik sederhana ke sistem yang memanfaatkan teknik machine learning untuk meningkatkan kualitas prediksi dan rekomendasi yang dihasilkan. 

Prescriptive analytics mencakup penggunaan teknik optimasi, simulasi, dan algoritma pembelajaran mesin untuk menghasilkan rekomendasi tindakan terbaik. Ketika machine learning diterapkan dalam kerangka prescriptive analytics, sistem tidak hanya memahami pola yang ada dalam data tetapi juga dapat melakukan optimasi keputusan berdasarkan prediksi tersebut. 

Integrasi Machine Learning dalam Prescriptive Analytics 

Integrasi machine learning dalam prescriptive analytics memungkinkan SPK untuk memperluas kapabilitasnya di tiga area utama: 

  • Prediksi yang Lebih Akurat:
    Model ML seperti regresi, classification, dan clustering mampu mengekstraksi pola kompleks dari data besar dan memberikan prediksi yang lebih akurat mengenai kondisi masa depan yang relevan dengan keputusan strategis.  
  • Otomatisasi Rekomendasi Keputusan:
    Dengan menggabungkan prediksi ML ke dalam modul optimasi, sistem dapat mensintesis skenario alternatif dan merekomendasikan pilihan terbaik berdasarkan kriteria tertentu (misalnya biaya, risiko, keuntungan).  
  • Adaptasi berdasarkan Data Baru:
    Machinelearning memberikan kemampuan sistem untuk terus belajar dan beradaptasi ketika data baru tersedia, sehingga kualitas rekomendasi preskriptif juga ikut meningkat secara berkala.  

Sebagai contoh implementasi dalam dunia kesehatan, model hybrid predictive prescriptive telah digunakan untuk membantu peresepan obat yang dipersonalisasi berdasarkan profil pasien, di mana prediksi hasil medis dipadukan dengan rekomendasi pengobatan terbaik.Studi semacam ini menunjukkan bagaimana integrasi ML dan prescriptive analytics dapat meningkatkan hasil klinis sekaligus efisiensi operasional.  

Arsitektur Sistem Pendukung Keputusan Terintegrasi 

Dalam arsitektur SPK yang terintegrasi, komponen utamanya meliputi: 

  • Modul Pengolahan Data: Pengumpulan, cleaning, dan transformasi data dari berbagai sumber untuk digunakan lebih lanjut. 
  • Modul Predictive Analytics: Penggunaan algoritma machine learning untuk menghasilkan prediksi kondisi masa depan. 
  • Modul Prescriptive Analytics: Menerapkan teknik optimasi seperti optimasi linier, simulasi skenario, atau reinforcement learning untuk menghasilkan rekomendasi tindakan terbaik berdasarkan hasil prediksi. 

 

Referensi 

Anjuman Ara, Maraj, M. A. A., Rahman, M. A., & Bari, M. H. (2024). The impact of machine learning on prescriptive analytics for optimized business decision-making. International Journal of Management Information Systems and Data Science, 1(1), 8–14. https://doi.org/10.62304/ijmisds.v1i1.112   

Bergman, D., Huang, T., Brooks, P., Lodi, A., & Raghunathan, A. U. (2019). JANOS: An integrated predictive and prescriptive modeling framework. arXiv. https://arxiv.org/abs/1911.09461  

Zargoush, M., Ghazalbash, S., Hosseini, M. M., Alemi, F., & Perri, D. (2025). Machine learning driven diabetes care using predictive-prescriptive analytics for personalized medication prescription. Scientific Reports, 15, 26811. https://doi.org/10.1038/s41598-025-12310-1