SKRIPSI. Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Informatika. Disusun Oleh : : A

Transkripsi

1 SKRIPSI SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN LOKASI PEMASARAN GAS LPG DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) PADA PT GAS PEMALANG SAKTI PEMALANG JAWA TENGAH Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Informatika Disusun Oleh : Nama NIM : Fery Andika Putra Pamungkas : A Program Studi : Teknik Informatika S1 FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG TAHUN 2017

2 PERSETUJUAN SKRIPSI Nama NIM Program Studi Fakultas : Fery Andika Putra Pamungkas : A : Teknik Informatika : Ilmu Komputer Judul Tugas Akhir : Sistem Pendukung Keputusan Pemilihan Lokasi Pemasaran Gas LPG Dengan Metode Simple Additive Weighting (SAW) Pada PT Gas Pemalang Sakti Pemalang Jawa Tengah Tugas Akhir ini telah diperiksa dan disetujui, Semarang, 27 Juli 2017 Menyetujui : Pembimbing Mengetahui : Dekan Fakultas Ilmu Komputer Ahmad Zainul Fanani, SSi, M.Kom Dr. Drs. Abdul Syukur, MM ii

3 PENGESAHAN DEWAN PENGUJI Nama NIM Program Studi Fakultas : Fery Andika Putra Pamungkas : A : Teknik Informatika : Ilmu Komputer Judul Tugas Akhir : Sistem Pendukung Keputusan Pemilihan Lokasi Pemasaran Gas LPG Dengan Metode Simple Additive Weighting (SAW) Pada PT Gas Pemalang Sakti Pemalang Jawa Tengah Tugas akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang tugas akhir tanggal 24 Juli Menurut pandangan kami, tugas akhir ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom) Semarang, 27 Juli 2017 Dewan Penguji: Hanny Haryanto, S.Kom, M.T Anggota Edy Mulyanto, SSi, M.Kom Anggota Erna Zuni Astuti, M.Kom Ketua Penguji iii

4 PERNYATAAN KEASLIAN SKRIPSI Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya: Nama : Fery Andika Putra Pamungkas NIM : A Menyatakan bahwa karya ilmiah saya yang berjudul: SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN LOKASI PEMASARAN GAS LPG DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) PADA PT GAS PEMALANG SAKTI PEMALANG JAWA TENGAH merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti laptop dll). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut.demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Semarang Pada tanggal : 27 Juli 2017 Yang menyatakan, Fery Andika Putra Pamungkas iv

5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPETINGAN AKADEMIS Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya : Nama : Fery Andika Putra Pamungkas NIM : A demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Ekslusif (Non-exclusive Royalty-Free Right) atas karya saya yang berjudul : SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN LOKASI PEMASARAN GAS LPG DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) PADA PT GAS PEMALANG SAKTI PEMALANG JAWA TENGAH beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-Ekslusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan/mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis/pencipta. Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segaka bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Semarang Pada tanggal : 27 Juli 2017 Yang menyatakan, Fery Andika Putra Pamungkas v

6 UCAPAN TERIMA KASIH Dengan memanjatkan puji syukur kehadirat Allah SWT. Tuhan Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-nya kepada penulis sehingga laporan tugas akhir dengan judul SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN LOKASI PEMASARAN GAS LPG DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) PADA PT GAS PEMALANG SAKTI PEMALANG JAWA TENGAH dapat penulis selesaikan sesuai dengan rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terimakasih kepada: 1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang. 2. Dr. Drs. Abdul Syukur, MM selaku Dekan Fakultas Ilmu Komputer. 3. Dr. Heru Agus Santoso, M.Kom, selaku Ka.Progdi Teknik Informatika. 4. Ahmad Zainul Fanani, S.Si, M.Kom selaku pembimbing tugas akhir yang memberikan ide penelitian, memberikan informasi referensi yang penulis butuhkan dan bimbingan yang berkaitan dengan penelitian penulis. 5. Dosen-dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro yang telah memberikan ilmu dan pengalamannya masing-masing, sehingga penulis dapat mengimplementasikan ilmu yang telah disampaikan. 6. Direksi dan Staf PT. Gas Pemalang Sakti yang telah memberikan data-data untuk keperluan penelitian ini. Semoga Tuhan Yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau, dan pada akhirnya penulis berharap bahwa penulisan laporan tugas akhir ini dapat bermanfaat dan berguna sebagaimana fungsinya. Semarang, 27 Juli 2017 Penulis vi

7 ABSTRAK Mendapatkan keuntungan yang maksimal adalah tujuan dari setiap perusahaan, begitu juga dengan PT Gas Pemalang Sakti yang merupakan badan usaha yang bergerak di bidang penyaluran sumber daya alam, tujuan penelitian ini adalah untuk menentukan lokasi pemasaran yang tepat berdasarkan kriteria atau aspek pasar yang mendukung agar dapat menjual gas LPG secara maksimal. Penentuan lokasi pemasaran ini menggunakan metode Simple Additive Weighting (SAW), metode ini dipilih karena mampu menyeleksi alternatif terbaik dari sejumlah alternatif, dalam hal ini alternatif adalah lokasi pemasaran, dengan mengunakan data kriteria yang sudah diperoleh sebelumnya, data ini kemudian akan diolah dengan metode SAW untuk menentukan lokasi terbaik, selanjutnya hasil tersebut akan dibandingkan dengan hasil dari perhitungan sebelumnya yang menggunakan metode konvensional. Hasil dari 21 data yang diuji mendapatkan 20 data yang sesuai dengan data asli, dengan menggunakan single decision threshold (one feature) dicari nilai akurasinya dan mendapat akurasi yaitu sebesar 95,24%. Kata Kunci : Sistem Pendukung Keputusan, Lokasi Pemasaran, Simple Additive Weighting (SAW), single decision threshold (one feature) xi + 60 halaman; 13 gambar; 15 tabel Daftar acuan : 12 ( ) vii

8 DAFTAR ISI HALAMAN JUDUL... i PERSETUJUAN SKRIPSI... ii PENGESAHAN DEWAN PENGUJI... iii PERNYATAAN KEASLIAN SKRIPSI... iv PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS... v UCAPAN TERIMAKASIH... vii ABSTRAK... vii DAFTAR ISI... viii DAFTAR TABEL... x DAFTAR GAMBAR... xi BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Peneletian Manfaat Penelitian... 5 BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI Tinjauan Studi Tinjauan Pustaka Sistem Pendukung Keputusan Multiple Criteria Decision Making (MCDM) Multi Attribute Decision Making (MADM) Simple Addtive Weighting (SAW) Java Tujuan Objek Penelitian Sejarah PT. Gas Pemalang Sakti Susunan Organisasi Kerangka Pemikiran BAB III METODE PENELITIAN Instrumen Penelitian viii

9 3.2 Metode Pengumpulan Data Teknik Analisis Data Rancangan Menggunakan Metode Simple Additive Weighting Pengukuran Akurasi BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN Pengumpulan Data Implementasi Metode Simple Additive Weighting (SAW) Antarmuka Program Pengukuran Akurasi BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA ix

10 DAFTAR TABEL Tabel 2.1 Rangkuman Hasil Penelitian Terkait Tabel 2.2 Penentuan Kriteria Tabel 2.3 Pembobotan Kriteria Tabel 2.4 Pemobotan Kriteria Tabel 4.1 Data Uji Tabel 4.2 Kriteria Tabel 4.3 Nilai Bobot Tabel 4.4 Data yang Diujikan Tabel 4.5 Normalisasi Matrik Tabel 4.6 Hasil Normalisasi Matrik Tabel 4.7 Nilai Akhir Tabel 4.8 Data Real Tabel 4.9 Hasil Perhitungan Sistem Tabel 4.10 Klasifikasi Tabel 4.11 Perbandingan jumlah real dan prediksi x

11 DAFTAR GAMBAR Gambar 2.1 Kerangka Pemikiran Gambar 3.1 Rancangan Proses metode Simple Additive Weighting (SAW) Gambar 3.2 Flowchart Perhitungan Akurasi Gambar 4.1 Halaman Login Gambar 4.2 Halaman Beranda Admin Gambar 4.3 Halaman Beranda Petugas Gambar 4.4 Halaman Form Calon Sub Penyalur Gambar 4.5 Halaman Cetak Formulir Calon Sub Penyalur Gambar 4.6 Halaman Seleksi Calon Sub Penyalur Gambar 4.7 Halaman Cetak Seluruh Calon Sub Penyalur Gambar 4.8 Halaman Cetak Seluruh Data Gambar 4.9 Halaman User Gambar 4.10 Halaman Panduan xi

12 BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan wirausaha salah satunya ialah untuk mendapatkan laba sebanyak mungkin, agar tujuan itu dapat tercapai maka wirausaha harus mengacu pada tumbuh kembang suatu perindustrian, baik di bidang manajemen maupun teknlogi informasi (IT) [1]. Seiring dengan perkembangan di bidang teknologi, pemanfaatan komputer menjadi sebuah keharusan pada segala bidang. Computer Based Information System (Sistem Informasi Berbasis Komputer) ialah sebuah sistem pengolah data menjadi sebuah informasi yang berkualitas serta dapat ditampilkan dan dianalisis. Salah satu dari sistem informasi berbasis komputer Sistem Pendukung Keputusan (Decission Support System) ialah sebuah sistem informasi yang saling berkesinambungan dimana bisa memberi alternative lain dan hasil yang tepat. Perencanaan serta adanya produk barang/jasa guna menyuplai kebutuhan pasar merupakan aspek suatu perusahaan agar bisa bersaing dengan perusahaan yang lain didunia bisnis[2]. PT Gas Pemalang Sakti merupakan badan usaha yang bergerak di bidang penyaluran sumber daya alam (Gas LPG) yang berlokasi di Jl. Hos Cokro Aminoton RT03/RW04 Lawang Rejo Pemalang. PT Gas Pemalang Sakti mengambil gas LPG (3 kg) sebanyak 2240 tabung per hari, badan usaha ini mengambil gas LPG dari dua SPBE di wilayah pemalang menggunakan empat truk ankle double. Badan usaha ini menyalurkan gas tersebut ke Sub penyalur (45 agen) yang dikirim sesuai perjanjian. Untuk sub penyalur baru yang ingin bergabung, tidak ada kriteria khusus yang terpenting mereka mampu membayar modal awal yang digunakan untuk membayar tabung Gas LPG 3 Kg, minimal 50 tabung untuk sub penyalur baru. Jumlah penyalur gas di Pemalang ada 14 penyalur. Gas 3 kg adalah pasokan gas yang mendapat subsidi dari pemerintah, jadi subsidi tersebut dibagi kepada 14 penyalur tersebut. Jumlah subsidi tergantung armada yang 1

13 2 dimiliki, semakin banyak armada maka subsidinya semakin banyak. Kendala yang dihadapi PT Gas Pemalang Sakti adalah menumpuknya stok Gas LPG dikarenakan permintaan dari sub penyalur lebih sedikit dibandingkan dengan pasokan harian Gas LPG dari SPBE. Untuk itu dibutuhkan lebih banyak sub penyalur (agen) dan lokasi pemasaran baru agar lebih banyak gas LPG yang dapat terjual ke konsumen. Pemilihan sub penyalur juga harus berdasarkan kriteria atau aspek pasar yang mendukung lokasi atau sub penyalur tersebut agar dapat menjual gas LPG secara maksimal. Untuk membantu PT Gas Pemalang Sakti dalam memilih lokasi atau sub penyalur yang tepat, dibutuhkan suatu metode dan alat bantu yang mampu membantu proses pemilihan lokasi atau sub penyalur agar dapat dilakukan dengan lebih mudah dan cepat. Sistem Pendukung Keputusan, atau yang disebut sebagai Decision Support System (DSS) merupakan sistem informasi interaktif yang berfungsi menyediakan informasi, pemodelan dan pemanipulasian data. Sistem ini digunakan untuk membantu dalam pengambilan keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tidak seorang pun tahu secara pasti bagaimana seharusnya keputusan dibuat. Decision Support System (DSS) lebih ditujukan untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analitis dalam situasi yang kurang terstruktur dengan kriteria yang kurang jelas[3]. Didalam sistem pendukung keputusan, terdapat langkah-langkah terbentuknya DSS: 1. Studi Kelayakan (Intelligence) Pada langkah ini, sasaran ditentukan dan dilakukan pencarian prosedur, pengumpulan data, identifikasi masalah, klasifikasi masalah, hingga akhirnya terbentuk sebuah pernyataan masalah. Kepemilikan masalah berhubungan dengan bagian apa yang akan dibangun oleh DSS dan apa tugas dari bagian tersebut sehingga model yang dibangun bisa relevan dengan kebutuh si pemilik masalah.

14 3 2. Perancangan (Design) Pada tahapan ini, akan dibentuk model yang akan digunakan dan kriteria-kriteria yang ditentukan. Selain itu, dicari alternatif model yang bisa menyelesaikan permasalahan tersebut. Langkah selanjutnya adalah memprediksi keluaran yang mungkin. Kemudian mulai dilakukan penentuan variabel-variabel model. 3. Pemilihan (Choice) Setelah pada tahap design ditentukan berbagai alternatif model beserta variabel-variabelnya, pada tahapan ini akan dilakukan pemilihan model, termasuk solusi dari model tersebut. Selanjutnya dilakukan analisis sensitivitas, yaitu dengan mengganti beberapa variabel. 4. Pembuatan DSS Setelah menentukan model berikutnya adalah mengimplementasikan dalam aplikasi DSS [4]. Multiple Attribute Decision Making (MADM) merupakan sebuah cara yang dipakai menentukan kriteria tertentu guna mendapatkan alternatif terbaik pada sekumpulan alternatif. Simple Additive Weighting merupakan sebagian cara yang dipakai untuk menuntaskan permasalahan dalam MADM. Metode Simple Additive Weighting sering kali disebut metode penjumlahan terbobot. Dasar dari metode SAW ialah mendapatkan penjumlahan terbobot pada rating kinerja dari semua alternatif dari keseluruhan atribut, Metode SAW membandingkan keseluruhan rating alternatif yang ada ke dalam normalisasi matriks keputusan dengan skala tertentu, Metode SAW menekankan pengambil keputusan memilih bobot pada semua atribut. Nilai keseluruhan untuk semua alternatif didapat dengan menambahkan semua hasil perkalian antara rating dengan bobot setiap atribut. Rating setiap atribut harus bebas dimensi yang berarti sudah terlebih dahulu melalui normalisasi matriks[5]. Dengan menggunakan metode ini PT Gas Pemalang Sakti dapat memilih lokasi atau sub penyalur dari beberapa alternatif sub penyalur berdasarkan kriteria atau aspek pasar yang mendukung lokasi atau sub penyalur tersebut.

15 4 Untuk membantu proses pemilihan lokasi pemasaran atau sub penyalur dibutuhkan sebuah sistem yang mampu menangani sebuah proses penghitungan untuk menentukan lokasi pemasaran berdasarkan kriteria dalam hal ini adalah aspek pasar dengan lebih cepat dan mudah serta bisa membandingkan data yang ada ke dalam sistem yang akan mendiskripsikan serta menyimpulkan kondisi lokasi pemasaran terbaik. Sistem ini akan diwujudkan menggunakan bahasa pemprograman java yang user friendly sehingga pengguna dapat mengisi databasenya ke dalam form yang sudah disediakan dan pengguna dapat mengelola aplikasi untuk menentukan lokasi terbaik untuk pemasaran. 1.2 Rumusan Masalah Rumusan masalah yang didapat dari permasalahan di atas yaitu bagaimana menerapkan metode Simple Additive Weighting (SAW) untuk menentukan lokasi pemasaran dan bagaimana menentukan lokasi pemasaran terbaik berdasarkan kriteria dari beberapa lokasi. 1.3 Batasan Masalah Batasan masalah dalam memilih lokasi pemasaran terbaik menggunakan metode Simple Additive Weighting (SAW) adalah sebagai berikut : 1. Objek penelitian adalah PT Gas Pemalang Sakti yang bergerak dibidang penyaluran sumber daya alam (Gas LPG 3 Kg), dan lokasi pemasaran pemasaran adalah wilayah Kabupaten Pemalang. 2. Metode yang dipakai dalam menyelesaikan masalah tersebut yaitu dengan memakai metode Simple Additive Weighting (SAW). 3. Data uji yang digunakan merupakan data calon sub penyalur Tahun Pengembangan aplikasi sistem pendukung keputusan menggunakan bahasa pemprograman java.

16 5 1.4 Tujuan Peneletian Tujuan penelitian yang ingin diwujudkan ialah terciptanya sebuah sistem pendukung keputusan untuk membantu pemilihan lokasi pemasaran Gas LPG terbaik dari beberapa lokasi sesuai dengan kriteria-kriteria dari lokasi tersebut menggunakan metode Metode Simple Additive Weighting (SAW) di PT Gas Pemalang Sakti. 1.5 Manfaat Penelitian ialah : Manfaat penelitian yang didapat dari penelitian yang telah dilakukan a. Bagi Perusahaan Diharapkan penelitian ini bisa membantu perusahaan untuk menentukan lokasi pemsaran terbaik dari beberapa lokasi berdasarkan beberapa kriteria yang dibandingkan menggunakan Metode Simple Additive Weighting (SAW). b. Bagi Pembeli Penelitian ini diharapkan dapat membantu pembeli untuk memenuhi kebutuhan mereka akan Gas LPG. c. Bagi Peneliti Diharapkan penelitian ini bisa menambah pengetahuan dibidang pemilihan lokasi pemasaran menggunakan Metode Simple Additive Weighting (SAW) dan penggunaan bahasa pemprograman java.

17 BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Ada sejumlah riset terkait tentang penelitian ini, penelitian tersebut diantaranya dilakukan oleh Ariyanto dari Universitas Islam Negeri Sunan Kalijaga Yogyakarta, dengan jurusan Teknik Informatika Fakultas Sains dan Teknologi yang meneliti tentang Sistem Pendukung Keputusan Pemilihan Karyawan Terbaik di Pamella Swalayan menggunakan Metode SAW[6]. Kendala yang dialami di Pamella Swalayan ialah manager SDM tidak memakai cara/metode yang bisa menanggulangi masalah prioritas yang memiliki banyak kriteria untuk dibandingkan dalam penilaian karyawan. Kriteria yang dipakai pada penilaian karyawan yaitu Taat Peraturan, Kejujuran, Kedisiplinan, Mangkir/Alpha, Kebersihan, Tanggung Jawab, Kreatifitas, Kerajinan, Senyuman dan Kerjasama. Selain masalah banyaknya kriteria, bagian SDM juga kesulitan dalam memilih karyawan terbaik karena banyak karyawan yang dinilai dalam pemilihan karyawan terbaik. Dengan menerapkan metode SAW pada sistem pendukung keputusan serta implentasi program menggunakan Delphi 7 dan database MySQL, dapat memberi saran pada saat pengambilan keputusan untuk menentukan karyawan terbaik di Pamella Swalayan. Dari hasil pengujian sistem didapati akurasi sebesar 97 % mengenai fungsional aplikasi tersebut. Wakhidatul Fauziah dari Universitas Negeri Semarang dengan jurusan Teknik Elektro Fakultas Teknik meneliti tentang Penerapan Metode Simple Additive Weighting dalam Sistem Pendukung Keputusan Kelayakan Laboratorium Komputer untuk SMP dan SMA Negeri di Dinas Pendidikan Kecamatan Sukoharjo[7]. Menurut hasil obervasi yang telah dilakukan di UPTD Pendidikan Kecamatan Sukoharjo, bahwa dalam proses pembuatan laporan kelayakan laboratorium komputer SMP dan SMA Negeri masih bersifat subyektif, sehingga keputusan yang dibuat kurang sesuai dengan 6

18 7 keadaan di lapangan. Dalam proses pengambilan keputusan banyak faktor yang harus dipertimbangkan yaitu pada kriteria-kriteria sebagai berikut: jumlah dan kondisi perabot laboratorium, peralatan pendidikan, media pendidikan, dan perlengkapan lain. Saat ini proses pembuatan laporan dilakukan dengan cara manual, hal ini menyebabkan hasilnya kurang akurat dan membutuhkan waktu lama untuk menentukannya. Untuk memudahkan dan mempercepat penyelesaian laporan kelayakan laboratorium komputer UPTD Pendidikan Kecamatan Sukoharjo kepada pemerintah pusat, maka dibutuhkan sebuah sistem yang dapat mengelola dan menyeleksi faktorfaktor tersebut secara obyektif agar didapatkan sebuah hasil keputusan yang cepat, tepat dan akurat. Metode yang dipakai ialah memakai metode Simple Additive Weighting (SAW). Metode ini akan bekerja guna menentukan kelayakan laboratorium komputer SMP dan SMA Negeri. Kriteria yang dibandingkan adalah Kursi Siswa, Meja Siswa, Luas, Meja Guru, Kursi Guru, Printer, Komputer, Internet, Scaner, LAN, Stabilizer, Modul, Papan, Tempat Sampah, Jam Dinding dan Proyektor. Implementasi program menggunakan Bahasa Pemprograman PHP dan database MySQL. Hasilnya adalah aplikasi/sistem pendukung keputusan yang bisa menjadi alternatif pengambilan keputusan yang lebih objektif, tepat, dan cepat dalam proses menentukan kelayakan laboratorium komputer SMP dan SMA Negeri. Dari hasil pengujian kepada pengunjung didapat hasil sebesar 86,23 % akurasi terhadap aplikasi tersebut. Penelitian selanjutnya oleh Arif Riyanto dari Universitas Muhammadiyah Ponorogo dengan judul Perancangan Sistem Pendukung Keputusan Pemilihan Perumahan di Magetan Regency Menggunakan Metode SAW ( Simple Additeve Weighting )[8]. Menurut Arif Riyanto, proses pengambilan keputusan adalah sesuatu yang tidak bisa dihindari dari keseharian seseorang, baik dalam hal mengambil tidakan atas masalah yang simple sampai pada masalah yang rumit. Pengambilan tidakan yang dilakukan dengan cermat serta cepat menjadi titik kesuksesan dari setiap

19 8 orang dalam mengambilan keputusan (decision maker). Pada saat mengambilan keputusan, ada berbagai masalah yang mesti dituntaskan dengan cara membandingkan banyak kriteria (multicriteria) contohnya pada saat seseorang akan membeli sebuah rumah, seseorang akan memutuskan untuk membeli rumah dengan persyaratan tertentu dan tidak cuma berdasarkan harga rumah tersebut akan tetapi juga mempertimbangkan masalah aspek kenyamanan, desain rumah dan banyak hal yang dipertimbangkan. Hal ini bukan masalah yang mudah. Kriteria yang ada kadang berlawanan misalnya kualitas bagus pada umumnya harga rumah tersebut mahal, kenyataanya yang diinginkan ialah kualitas yang baik dengan harga yang relatif murah. Sehingga dalam mengambil keputusan yang bisa diperoleh ialah berupa alternatif terbaik yang telah dikompromikan (best compromise). Begitu juga pada penentuan lokasi bangunan perumahan. Terdapat beberapa faktor yang akan dipertimbangkan dalam memilih lokasi untuk sebuah perumahan. Ini merupakan aspek yang dominan pada perencanaan bisnis. Lokasi yang bagus dapat menentukan berbagai aspek penting suatu usaha, baik dari segi kelangsungan, keberhasilannya serta nilainya,. Oleh sebab itu, penentuan lokasi khususnya perumahan harus melalui perhitungan dan analisa yang tepat sasaran sehingga bisa dipilih lokasi terbaik dengan memperhitungkan beberapa aspek. Saat ini pemilihan lokasi perumahan dilaksanakan dengan cara konvensional yaitu dengan mengandalkan pengalaman, intuisi serta berbagai macam pertimbangan lain dari pengambil keputusan yaitu pemilik usaha. Metode yang dipakai untuk menuntaskan masalah tersebut ialah memakai metode Simple Additive Weighting (SAW) dan sistem yang dibangun bisa membantu konsumen dalam menentukan lokasi perumahan sesuai dengan kriteria-kriteria yang diinginkan. Sehingga diperoleh hasil untuk menentukan lokasi yang sesuai memiliki tingkat akurasi sebesar 83,33 % dari penentuan secara manual yang memiliki tingkat akurasi sebesar 58,33 %.

20 9 Penelitian oleh Hendri Heriyawan dari Universitas Nusantara PGRI Kediri Progam Studi Teknik Informatika Fakultas Teknik tentang Penerapan Metode Simple Additive Weighting untuk Sistem Penjualan Rumah di Perumahan Grand Manyaran Estate Kediri. Menurut Hendri Heriyawan, transaksi melalui media online dapat menjalin interaksi antara calon pembeli dan penjual tanpa dibatasi oleh waktu dan ruang/tempat. Hal ini dapat diartikan bahwa penjualan secara online memiliki calon pembeli di seluruh dunia[9]. Bidang usaha yang terpengaruh dengan perkembangan teknologi informatika ialah sektor properti, salah satunya adalah Koperasi Karya Bakti. Koperasi Karya Bakti merupakan salah satu tempat usaha yang bergerak dalam penjualan perumahan di Kediri. Sistem pemasaran yang digunakan oleh Kopersi Karya Bakti masih menggunakan tenaga marketing yang bekerja secara door to door, pemasangan banner, dan mengikuti pameran-pameran properti di tingkat kota/kabupaten. Sistem penjualan dengan menggunakan cara ini kurang efektif karena hanya mampu menjangkau calon customer pada radius tertentu. Oleh sebab itu perlu dirancang sebuah aplikasi penjualan dengan cara online menggunakan web yang bertujuan untuk meningkatkan volume penjualan sehingga laba bisa meningkat. Dengan menggunakan Internet diharapkan bisa membantu perusahaan untuk memperluas pasar. Metode yang dipakai untuk menuntaskan masalah tersebut ialah dengan menggunakan Metode SAW dan diharapkan mampu untuk membantu calon pembeli dalam menentukan rumah sesuai dengan kebutuhan calon pembeli. Dari hasil pengujian didapat hasil akurasi sebesar 83,75 %. Penelitian Berikutnya oleh Marti Simamora dari STMIK Budidarma Medan Jurusan Teknik Informatika tentang Penerapan Metode Fuzzy Multiple Attribute Decision Making pada Aplikasi Sistem Pendukung Keputusan Penentuan Lokasi Pemasaran Buah Anggur Import di CV.Mutiara Capital Medan[10].

21 10 Menurut Marti S Penjualan buah anggur import ini masih kurang efektif, hal ini terlihat dari ketidakmerataan pedagang yang menjual buah anggur ini di pasaran. Di suatu pasar kita dapat menemukan banyak sekali pedagang buah, sedangkan di pasar yang lain tidak ditemukan satupun pedagang buah. Hal ini mendorong perusahaan mencari lokasi yang strategis yang akan dijadikan lokasi pemasaran buah angggur import guna memaksimalkan hasil penjualan.cv. Mutiara Capital adalah salah satu CV yang mengalami kesulitan dalam menentukan lokasi pemasaran buah anggur import ini. Perusahaan ini mencari bagaimana menentukan lokasi yang tepat guna memaksimalkan hasil penjualan yang nantinya akan meningkatkan keuntungan perusahaan. Oleh kerena itu, untuk mengatasi kesulitan ini dibutuhkan sebuah sistem yang mampu menghitung kriteria-kriteria yang mendukung pengambilan keputusan dalam penentuan lokasi pemasaran buah anggur. Metode yang dipakai pada pengambilan keputusan untuk penentuan lokasi pemasaran buah anggur ini ialah Fuzzy Multiple Attribute Decision Making yaitu dengan metode Simple Additive Weighting, Kriteria yang dibandingkan adalah Sewa Kios, kepadatan Penduduk, Jumlah Pasar, Jarak Dari Gudang, dan Jumlah Pesaing Sedangkan Implementasi program menggunakan Delphi dan database menggunakan MySQL. Berdasarkan hasil pengujian dari 60 data, didapat akurasi sebesar 76,67 %. Perbedaan penelitian ini dengan jurnal-jurnal tersebut adalah studi kasus yang dilakukan di PT. Gas Pemalang Sakti dan pokok permasalahan yang ingin dicari solusinya adalah lokasi pemasaran Gas LPG (3 Kg). Kriteria yang akan menjadi penilaian suatu lokasi adalah jarak lokasi dengan pasar, jarak antar sesama agen penyalur dari penyalur yang sama atau yang beda penyalur, jarak dari saluran tegangan tinggi karena dimungkinkan adanya percikan api, jarak dari sumber api misal bengkel las, kepadatan penduduk, jumlah industri rumahan/besar, jarak dari jalur kereta api karena dimungkinkan akses akan terganggu oleh lalu lintas kereta api, adanya kendaraan pendukung penyaluran gas LPG seperti motor roda dua, motor

22 11 roda tiga atau mobil dan jarak dari PT Gas Pemalang Sakti. Kemudian untuk proses pemilihan lokasi pemasaran mengunakan metode simple additive weighting yang digunakan untuk mencari alternatif terbaik dari sejumlah alternatif, Sedangkan implementasi program menggunakan bahasa pemprograman Java dengan database MySQL sehingga pengguna dapat lebih mudah mengisi databasenya ke dalam form-form yang sudah disediakan serta plugin ireport yang digunakan untuk mencetak data yang telah terinput. Permasalahan lain yang ditemukan adalah sistem yang ada tidak dapat mengintegrasikan secara cepat antara menajemen data, pemprosesan data (penyeleksian lokasi pemasaran) dan penyajian laporan dalam bentuk table (virtual) ataupun dalam bentuk fisik (cetak), sehingga dalam proses penyeleksian dan penyampaian informasi akan membutuhkan waktu yang lama. Kemudian untuk tahap terakhir dari penentuan lokasi pemasaran adalah menentukan prosentase ketepatan (akurasi) hasil perhitungan dari data yang ada dibandingkan dengan output yang dihasilkan oleh sistem apakah sesuai atau tidak. Untuk mengukur akurasi klasifikasi data uji menggunakan single decision threshold (one feature).

23 12 Tabel 2.1 Rangkuman Hasil Penelitian Terkait No. Penulis Judul Masalah Metode Hasil 1 Ariyanto, 2012 Sistem Pendukung Keputusan Pemilihan Karyawan Terbaik di Pamella Swalayan menggunakan Metode SAW Manager SDM kesulitan dalam memilih karyawan terbaik karena banyak karyawan yang dinilai dalam pemilihan karyawan terbaik Simple Additive Weighting (SAW) Sistem dapat memberi saran pada saat pengambilan keputusan untuk menentukan karyawan terbaik di Pamella Swalayan. Dari hasil pengujian sistem didapati akurasi sebesar 97 % mengenai fungsional aplikasi tersebut 2 Wakhidatul Fauziah, 2015 Penerapan Metode Simple Additive Weighting dalam Sistem Pendukung Keputusan Kelayakan Laboratorium Komputer untuk SMP dan SMA Negeri di Dinas Pendidikan Kecamatan Sukoharjo Proses pembuatan laporan kelayakan laboratorium komputer SMP dan SMA Negeri masih bersifat subyektif, sehingga keputusan yang dibuat kurang sesuai dengan keadaan di lapangan Simple Additive Weighting (SAW) Aplikasi/sistem pendukung keputusan bisa menjadi alternatif pengambilan keputusan yang lebih objektif, tepat, dan cepat dalam proses menentukan kelayakan laboratorium komputer SMP dan SMA Negeri. Dari hasil pengujian kepada pengunjung didapat hasil sebesar 86,23 %

24 13 3 Arif Perancangan Sistem Pendukung Pemilihan lokasi perumahan Simple Sistem yang dibangun bisa Riyanto, Keputusan Pemilihan Perumahan dilaksanakan dengan cara Additive membantu konsumen dalam 2013 di Magetan Regency Menggunakan konvensional yaitu dengan Weighting menentukan lokasi perumahan sesuai Metode SAW ( Simple Additeve mengandalkan pengalaman, intuisi (SAW) dengan kriteria-kriteria yang Weighting ) serta berbagai macam diinginkan. dan memiliki tingkat pertimbangan lain dari pengambil akurasi sebesar 83,33 % keputusan yaitu pemilik usaha 4 Hendri Penerapan Metode SAW (Simple Sistem pemasaran yang digunakan Simple Metode SAW dapat membantu calon Heriyawan, Additive Weighting) pada masih menggunakan tenaga Additive pembeli dalam menentukan rumah 2014 Penjualan Rumah di Perumahan marketing yang bekerja secara door Weighting sesuai dengan kebutuhan calon Grand Manyaran Estate Kediri to door, pemasangan banner, dan (SAW) pembeli. Dari hasil pengujian didapat mengikuti pameran-pameran hasil akurasi sebesar 83,75 %. properti di tingkat kota/kabupaten 5 Marti Perancangan Aplikasi Sistem Penjualan buah anggur import ini Simple Sistem dapat membantu perusahaan Simamora, Pendukung Keputusan Penentuan masih kurang efektif, hal ini terlihat Additive dalam menentukan lokasi pemasaran 2014 Lokasi Pemasaran Buah Anggur dari ketidakmerataan pedagang Weighting yang strategis, dan berdasarkan hasil Import Dengan Metode Simple yang menjual buah anggur ini di (SAW) pengujian didapat akurasi sebesar Additive Weighting (SAW) pasaran 76,67 %.

25 Tinjauan Pustaka Sistem Pendukung Keputusan Sistem Pendukung Keputusan, atau yang disebut sebagai Decision Support System (DSS) merupakan sistem informasi interaktif yang berfungsi menyediakan informasi, pemodelan dan pemanipulasian data. Sistem ini digunakan untuk membantu dalam pengambilan keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tidak seorang pun tahu secara pasti bagaimana seharusnya keputusan dibuat[3]. Menurut Turban, Decision Support System (DSS) dibangun untuk mendukung solusi atas suatu masalah atau untuk mengevaluasi suatu peluang. DSS lebih ditujukan untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analitis dalam situasi yang kurang terstruktur dengan kriteria yang kurang jelas. Tujuan dari DSS adalah[3]: 1. Membantu manajer dalam pengambilan keputusan atas masalah semiterstruktur. 2. Memberikan dukungan atas pertimbangan manajer dan tidak dimaksudkan untuk menggantikan fungsi manajer. 3. Meningkatkan efektivitas keputusan yang diambil manajer lebih daripada perbaikan efisiensinya. 4. Kecepatan komputasi. 5. Peningkatan produktivitas. 6. Dukungan kualitas. 7. Berdaya saing. 8. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan.

26 15 Keputusan yang diambil untuk menyelesaikan suatu masalah, jika dilihat dari struktur keputusan dibagi menjadi [4]: 1. Keputusan terstruktur (structured decision) Keputusan terstruktur adalah keputusan yang dilakukan secara berulang-ulang dan bersifat rutin. Untuk Prosedur pengambilan keputusan sangatlah jelas. Keputusan terstruktur tersebut terutama dilakukan pada manajemen tingkat bawah. Contoh: keputusan pemesanan suatu barang, keputusan penagihan hutang. 2. Keputusan semiterstruktur (semistructured decision) Keputusan semiterstruktur adalah keputusan yang memiliki dua sifat. Sebagian keputusan bisa ditangani oleh komputer dan keputusan yang lain tetap harus dilakukan oleh pengambil keputusan. Prosedur dalam pengambilan keputusan tersebut secara garis besar sudah ada, tetapi ada beberapa hal yang masih memerlukan kebijakan dari pengambil keputusan. Keputusan ini biasanya diambil oleh manajer tingkat menengah dalam suatu organisasi. Contoh: pengevaluasian kredit, penjadwalan produksi, dan pengendalian persediaan barang. 3. Keputusan tidak terstruktur (unstructured decision) Keputusan tidak terstruktur adalah keputusan yang penangannya rumit karena keputusannya tidak terjadi berulang-ulang atau tidak selalu terjadi. Keputusan ini menuntut pengalaman dan berbagai sumber yang bersifat eksternal dan keputusan ini umumnya terjadi pada manajemen tingkat atas. Contoh: keputusan pengembangan teknologi baru, keputusan untuk bergabung dengan perusahaan lain, dan perekrutan eksekutif.

27 16 Didalam sistem pendukung keputusan, terdapat langkahlangkah terbentuknya DSS[4]: 5. Studi Kelayakan (Intelligence) Pada langkah ini, sasaran ditentukan dan dilakukan pencarian prosedur, pengumpulan data, identifikasi masalah, identifikasi kepemilikan masalah, klasifikasi masalah, hingga akhirnya terbentuk sebuah pernyataan masalah. Kepemilikan masalah berhubungan dengan bagian apa yang akan dibangun oleh DSS dan apa tugas dari bagian tersebut sehingga model yang dibangun bisa relevan dengan kebutuh si pemilik masalah. 6. Perancangan (Design) Pada tahapan ini, akan dibentuk model yang akan digunakan dan kriteria-kriteria yang ditentukan. Selain itu, dicari alternatif model yang bisa menyelesaikan permasalahan tersebut. Langkah selanjutnya adalah memprediksi keluaran yang mungkin. Kemudian mulai dilakukan penentuan variabelvariabel model. 7. Pemilihan (Choice) Setelah pada tahap design ditentukan berbagai alternatif model beserta variabel-variabelnya, pada tahapan ini akan dilakukan pemilihan model, termasuk solusi dari model tersebut. Selanjutnya dilakukan analisis sensitivitas, yaitu dengan mengganti beberapa variabel. 8. Pembuatan DSS Setelah menentukan model untuk sistem pendukung keputusan, langkah berikutnya adalah mengimplementasikannya dalam aplikasi DSS.

28 Multiple Criteria Decision Making (MCDM) Metode pengambilan keputusan yang digunakan untuk menetapkan alternatif berdasarkan kriteria-kriteria tertentu merupakan pengertian dari Multiple Criteria Decision Making. Pada pengambilan keputusan kriteria bisa berupa aturan-aturan, standar, atau ukuran-ukuran. Berdasarkan pada tujuanya, Multiple Criteria Decision Making (MCDM) bisa dipecah ke dalam dua model pengambilan keputusan yaitu Multi Objektive Decision Making (MODM) dan Multi Attribute Decision Making (MADM). Untuk menuntaskan masalah-masalah di ruang diskret dipakai MADM. Oleh karena itu, pada MADM biasa dipakai guna melaksanakan penilaian serta seleksi banyak alternatif dalam jumlah yang sedikit. Sedangkan MODM dipakai guna menuntaskan permasalahan dalam ruang kontinyu (misalkan masalah dalam pemprograman matematis). Secara luas bisa dinyatakan bahwa, Multi Objektive Decision Making (MODM) bisa dikatakan sebagai perancang alternatif terbaik sedangkan Multi Attribute Decision Making (MADM) melakukan seleksi alternatif terbaik dari beberapa alternatif. Ada berbagai fitur umum yang dipakai pada MCDM, antara lain : 1. Alternatif, yaitu merupakan obyek berbeda dalam pengambilan keputusan serta mempunyai peluang yang sama guna dipakai oleh penentu keputusan. 2. Atribut/komponen, karakteristik, atau biasa disebut dengan kriteria keputusan. Meski pada kriteria tertentu bersifat satu level, akan tetapi tidak menutup kemungkinan adanya sub kriteria yang saling berelasi dengan kriteria yang sudah ditentukan.

29 18 3. Pada Multi Attribute Decision Making nilai dari bobot kepentingan akan dicari pada masing-masing kriteria. Bobot keputusan menunjukkan adanya kepentingan relatif pada setiap kriteria, W = (W1, W2,W3,..., Wn). 4. Konflik, antar dua atau lebih kriteria bisa memiliki konflik antara satu dengan lainnya, misal kriteria laba memiliki konflik dengan kriteria pembiayaan. 5. Sebuah matriks keputusan X yang memiliki ukuran m x n, memiliki elemen xij yang dapat menjabarkan rating pada setiap alternatif Ai (i=1,2,3,,4...,m) kepada kriteria Cj (j=1,2,3,4...,n)[5] Multi Attribute Decision Making (MADM) Ada tiga tahap yang dilewati dalam melaksanakan proses MADM. Tahap tersebut adalah penyusunan-penyusunan komponen analisis, situasi dan sintesis informasi. Dalam penyusun komponen, komponen situasi dibuat tabel taksiran yang isinya berupa spesifikasi tujuan dan identifikasi alternatif, atribut dan kriteria. Mendaftarkan konsekuensi-konsekuensi yang mungkin dari tiap alternatif yang sudah teridentifikasi Ai, i=1,.t merupakan salah satu cara guna menyederhanakan tujuan situasi Oi, i=1,2,.,t. Selain itu dapat disusun atribut-atribut yang akan pakai ak, k=1,2, m. Ada dua langkah yang perlu dilaksanakan pada tahapan analisis. Pertama, menghadirkan taksiran dari besaran yang potensial, kemungkinan, dan ketidakpastian yang bisa berelasi pada dampak-dampak yang potensial pada keseluruhan alternatif. Kedua yaitu meliputi pemilihan dari preferensi pemilih keputusan untuk semua nilai dan ketidakpastian pada resiko yang mungkin terlihat pada saat proses analisis. Saat langkah pertama, pada setiap alternatif Ai dikatakan bahwa memakai fungsi distribusi Pj(x)

30 19 probabilitas kumpulan atribut ak.. Informasi terbaik yang ada dapat melaksanakan agregrasi sederhana secara langsung melalui konsekuen. Pada langkah kedua setiap konsekuen bisa menetapkan preferensi pengambilan keputusan. Fungsi utilitas atau penambahan terbobot adalah metode yang paling sederhana guna menurunkan bobot atribut. Model multi-attribute decision making menurut Zimermann dapat diartikan sebagai berikut : Contoh C = {cj j= 1,2,., m} merupakan himpunan tujuan yang diinginkan serta A = {ai i = 1,2,., n} merupakan himpunan alternatif keputusan, maka ditetapkan alternatif x0 yang mempunyai derajat harapan paling tinggi pada tujuan-tujuan yang relevan cj. Namun sebagian besar pendekatan MADM dilaksanakan dengan dua langkah. Pertama, melaksanakan agregasi pada hasil yang tanggap pada keseluruhan tujuan dalam keseluruhan alternatif. Kedua ialah dengan melaksanakan perangkingan alternatif-alternatif keputusan berdasarkan hasil dari agregasi keputusan. Dengan demikian, bisa dikatakan bahwa, masalah multiattribute decision making (MADM) adalah mengevaluasi m alternatif Ai (i=1,2,3,.,m) pada sekumpulan atribut atau kriteria Cj (j=1,2,3,.,n), dimana keseluruhan atribut tidak saling berelasi satu sama lain. rating kinerja alternatif ke-i adalah xij pada atribut ke-j. Bobot nilai yang menampilkan tingkat kepentingan relatif masingmasing atribut adalah W : W = { W1, W2, W3,.,Wn } Rating kinerja (x) serta nilai bobot (W) adalah nilai terpenting yang menggambarkan preferensi absolut dari penentu keputusan/ masalah MADM dituntaskan dengan merangkingkan alternatif guna menghasilkan alternatif terbaik yang didapat berdasar pada nilai seluruh preferensi yang diberi.

31 20 Ada beberapa metode yang bisa dipakai untuk menuntaskan masalah MADM. 1. Simple Additive Weighting Method (SAW) 2. Weghted Product (WP) 3. ELECTRE 4. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) 5. Analitic Hierarchy Proses (AHP)[5] Simple Additive Weighting (SAW) Metode Simple Additive Weighting (SAW) sering kali disebut metode penjumlahan terbobot. Dasar dari metode SAW ialah mendapatkan penjumlahan terbobot pada rating kinerja dari semua alternatif dari keseluruhan atribut. Metode SAW membandingkan keseluruhan rating alternatif yang ada ke dalam normalisasi matriks keputusan (X) dengan skala tertentu [5]. Dalam menghadapi keadaan Multiple Attribute Decision Making (MADM) metode yang sering dipakai adalah Metode SAW. Suatu metode yang dipakai guna memilih alternatif optimal dari keseluruhan alternatif dengan keseluruhan kriteria tertentu adalah Metode MADM. Metode SAW menekankan pengambil keputusan memilih bobot pada semua atribut. Nilai keseluruhan untuk semua alternatif didapat dengan menambahkan semua hasil perkalian antara rating (yang bisa dibandingkan lintas atribut) dengan bobot setiap atribut. Rating setiap atribut harus bebas dimensi yang berarti sudah terlebih dahulu melalui normalisasi matriks. Metode simple additive weighting ini lebih simple dan spesifik karena langsung tertuju pada nilai bobot dan dilakukan perankingan. Metode ini hampir sama dengan metode weighting dan metode lain yang termasuk dalam FMADM, tetapi yang membedakan adalah dari segi pemberian nilai dalam perankingan dan prosesnya [11].

32 21 Tahap dalam menyelesaikan Simple Additive Weighting adalah sebagai berikut : 1. Langkah pertama adalah memilih kriteria-kriteria mana yang dipakai sebagai acuan saat mengambil keputusan (C1, C2,C3.dst), kemudian dari kriteria tersebut maka ditentukan pula suatu tingkat kepentingan kriteria berdasarkan nilai bobot yang telah ditentukan. 2. Semua alternatif harus ditentukan tingkat kesamaannya pada setiap kriteria, yaitu dengan menentukan rating kecocokan dari setiap alternatif pada setiap criteria. 3. Mengolah matriks ternormalisasi R dengan cara mengolah nilai kriteria ke dalam matriks keputusan berdasar pada kriteria (C1, C2,C3.dst), selanjutnya melaksanakan normalisasi matriks pada persamaan yang disamakan dengan jenis atribut (atribut keuntungan maupun atribut pembiayaan), sehingga diperoleh matriks ternormalisasi R. 4. Hasil akhir diperoleh dari proses perankingan berupa penambahan dari perkalian matriks ternormalisasi R dengan vektor bobot yang sudah ditentukan sebelumnya. Hasil akhir didapat berupa nilai tertinggi yang dipakai menjadi alternatif terbaik (Ai) sebagai solusi permasalahan. r ij xij Max x i Min xij i xij ij jika j adalah atribut jika j adalah atribut keuntungan biaya (cost) (benefit) Dimana: rij adalah nilai rating/tingkat kinerja ternormalisasi Maxij adalah nilai tertinggi dari setiap kriteria Minij adalah nilai terendah dari setiap kriteria

33 22 Xij adalah nilai atribut yang dimiliki dari setiap criteria Benefit adalah jika nilai terbesar adalah yang terbaik Cost adalah jika nilai terkecil adalah yang terbaik Dimana rij merupakan rating kinerja ternormalisasi dari alternatif Ai dalam atribut Cj; i =1,2,3, m dan j = 1,2,3,,n. Nilai preferensi untuk masing-masing alternatif (Vi) diberikan sebagai berikut : V i n j 1 w j r ij Dimana : Vi adalah Nilai akhir dari alternatif Wj adalah Bobot yang sudah ditentukan rij adalah Normalisasi matriks Nilai Vi yang lebih besar menyatakan alternative Ai lebih dipilih[3]. Contoh kasus : Sebuah perguruan tinggi sedang mengadakan program BEASISWA. Beasiswa tersebut nantinya akan diberikan kepada tiga Mahasiswa dari perguruan tinggi tersebut yang memenuhi kriteria. Keseluruhan mahasiswa yang mendaftar hingga batas akhir pendaftaran berjumlah 50 mahasiswa. Dari permasalahan tersebut kemudian ditentukan kriteria mahasiswa yang berhak menerima beasiswa. Kriterianya adalah Indek Prestasi Komulatif (IPK), Umur, Semester, Penghasilan orangtua, Jumlah saudara serta Tanggungan orangtua.

34 23 Kemudian dari kriteria tersebut akan dikelompokan dalam kriteria benefit dan cost, kriteria benefit adalah kriteria dimana nilai terbesar adalah yang terbaik, sedangkan untuk kriteria cost adalah kriteria dimana nilai terkecil adalah yang terbaik. Kriteria-kriteria yang bisa dikelompokan dalam kriteria benefit yaitu : - Tanggungan orang tua - Jumlah saudara - Indek Prestasi Komulatif (IPK) Kriteria-kriteria yang bisa dikelompokan dalam kriteria cost yaitu : - Umur - Penghasilan orang tua - Semester 1. Menentukan Kriteria (C) dan Nilai Bobot (W) Tabel 2.2 Penentuan Kriteria (C) No Kriteria Kode Kriteria 1 Umur C1 2 Penghasilan orangtua C2 3 Semester C3 4 Tanggungan Orang tua C4 5 Saudara kandung C5 6 Indek Prestasi Komulatif (IPK) C6

35 24 Tabel 2.3 Penentuan Nilai Bobot (W) No Kriteria Nilai Bobot 1 C C C C C C Menentukan rating kecocokan alternatif pada setiap kriteria Tabel 2.4 Pembobotan kriteria Alternatif Kriteria C1 C2 C3 C4 C5 C6 A A A Membuat Matriks Keputusan (X), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disamakan dengan jenis atribut (atribut benefit maupun atribut cost) Matrik keputusan X= Untuk Normalisasi kriteria cost dipakai rumusan Rij = (min{xij} / Xij) Nilai normalisasi cost adalah: R11 = min{ } / 1.00 = 0.50 / 1.00 = 0.50 R21 = min{ } / 0.75 = 0.50 / 0.75 = 0.67

36 25 R31 = min{ } / 1.00 = 0.50 / 0.50 = 1.00 R12 = min{ } / 0.50 = 0.50 / 0.50 = 1.00 R22 = min{ } / 0.50 = 0.50 / 0.50 = 1.00 R32 = min{ } / 0.50 = 0.50 / 0.50 = 1.00 R13 = min{ } / 0.80 = 0.60 / 0.80 = 0.75 R23 = min{ } / 0.60 = 0.60 / 0.60 = 1.00 R33 = min{ } / 0.60 = 0.60 / 0.60 = 1.00 Untuk Normalisasi kriteria benefit dipakai rumusan Rij = ( Xij / max{xij}) Nilai normalisasi benefit adalah: R14 = 1.00 / max{ } = 1.00 / 1.00 = 1.00 R24 = 0.50 / max{ } = 0.50 / 1.00 = 0.50 R34 = 0.25 / max{ } = 0.25 / 1.00 = 0.25 R15 = 1.00 / max{ } = 1.00 / 1.00 = 1.00 R25 = 0.50 / max{ } = 0.50 / 1.00 = 0.50 R35 = 0.25 / max{ } = 0.25 / 1.00 = 0.25 R16 = 0.50 / max{ } = 0.50 / 0.75 = 0.67 R26 = 0.75 / max{ } = 0.75 / 0.75 = 1.00 R36 = 0.25 / max{ } = 0.25 / 0.75 = 0.33 Matriks Normalisasi R=

37 26 4. Proses Perangkingan (V) V i n j 1 w j r ij Keterangan: Vi adalah rangking untuk semua alternatif Wj adalah nilai bobot dari semua kriteria rij adalah nilai rating/tingkat kinerja ternormalisasi V1 = (0.15)(0.50) + (0.30)(1) + (0.10)(0.75) + (0.20)(1) + (0.10)(1) + (0.15)(0.67) = = 0,8505 V2 = (0.15)(0.67) + (0.30)(1) + (0.10)(1) + (0.20)(0.5) + (0.10)(0.5) + (0.15)(1) = = V3 = (0.15)(1) + (0.30)(1) + (0.10)(1) + (0.20)(0.25) + (0.10)(0.25) + (0.15)(0.33) = = Nilai V yang lebih besar menyatakan alternatif tersebut lebih dipilih, dari proses perhitungan menggunakan metode Simple Additive Weighting (SAW) tersebut maka didapat hasil V1 merupakan alternatif terbaik, diikuti oleh V2, dan V3.

38 Java Sejarah pemprogram Java diawali sejak tahun 1990, James Gosling, programer yang bekerja di Sun Microsystems mendapat sebuah tugas untuk membuat program guna mengontrol perangkat elektronika rumah tangga. Gosling beserta rekanya merancang program tersebut dengan nama C++ yang menjadi bahasa pemprograman yang paling banyk diminati para programer profesional. Saat memulai memakai C++, Gosling merasa bahwa bahasa itu tidak cocok untuk tugas yang diberikan kepadanya beserta timnya. Kerumitan bahasa C++, misalnya kebocoran memori (memory leaks) dan pewarisan majemuk (multiple inheritance), membuat sulit tim Gosling. Gosling segera memutuskan untuk mendisain sendiri bahasa pemprograman yang sederhana namun mampu menghindarkan timnya dari masalahmasalah yang ditemui pada saat menggunakan C++. Meski Gosling tidak menyukai kerumitan bahasa seperti yang dipunyai C++, ia suka akan sintak dasar dan sifat berorientasiobjek yang dimiliki bahasa C++. Oleh karena itu, ketika ia mendesain bahasa pemprogramanya sendiri, Gosling memakai C++ sebagai modelnya dan menghilangkan fitur-fitur C++ yang membuatnya susah dipakai untuk menuntaskan proyek yang menjadi tugasnya. Desain bahasa programan yang sudah jadi selanjutnya dinamai Oak. Bahasa pemprograman Oak untuk pertama kali dipakai pada proyek yang disebut dengan nama proyek Green. Proyek tersebut dibentuk untuk merealisasikan sistem kontrol pada peralatan rumah tangga. Sistem pengaturan ini memungkinkan user melakukan pengaturan berbagai macam peralatan rumah tangga, termasuk TV, VCR, telepon dan lampu, dengan memakai komputer genggam yang diberi nama Star7.

39 28 Selanjutnya, Oak digunakan pada proyek video-ondemond (VOD) yaitu sebagai perangkat lunak yang mengontrol sistem televisi interaktif. Meskipun Star7 ataupun VOD tidak pernah dipasarkan, namun Sun memberi kesempatan pada bahasa pemprograman Oak untuk berkembang dan matang. Pada w ktu itulah Sun baru menyadari bahwa nama Oak merupakan nama yang sudah dimiliki pihak lain sehingga Sun merubah nama bahasa pemprograman tersebut menjadi Java [12]. 1. Java Virtual Machine (JVM) Merupakan sebuah mesin maya (imajiner) yang beroperasi dengan cara menyamai sistem yang ada pada mesin nyata. Spesifikasi hardware dan platform juga tersedia pada JVM dimana perpaduan kode Java terjadi. Dengannya aplikasi berbasis Java bebas dari platform manapun dikarenakan proses kompilasi dituntaskan oleh JVM. Program Java dibuat menggunakan file teks berekstensi.java. Berkas bytecode berekstensi.class merupakan hasil kompilasi program tersebut. Serupa perintah kode mesin, bytecode juga merupakan serangkaian perintah. Yang membedakanya ialah bytecode berjalan pada java interpreter yang berada pada semua platform sistem komputer serta sistem operasi sedangkan kode mesin berjalan pada sistem komputer dimana kompilasi ditujukan [12]. 2. Platform Java Library, compiler, debugger serta alat lain yang dibungkus dalam Java Development Kit (JDK) merupakan bagian dari platform Java. Saat ini platform Java yang sedang berkembangg adalah Java 2. Untuk menjalankan sebuah program Java, file program dengan ekstensi.java harus dikompilasi kedalam bytecode. JRE (Java Runtime Environment) dibutuhkan agar file byte-code tersebut dapat

40 29 dijalankan, namun saat menjalankan program tidak perlu menulis kode baru lagi. JVM serta library Java yang dipakai merupakan penyusun JRE. Platform Java mempunyai tiga buah edisi yang berbeda, antara lain : a. J2EE (Java 2 Enterprise Edition) b. J2SE (Java 2 Second Edition) c. J2ME (Java 2 Micro Edition) [12]. 3. J2SE Platform pemrograman dalam bahasa Java yang banyak digunakan saat ini adalah Java 2 Standard Edition (J2SE) atau Java SE Development Kit atau JDK. J2SE ini merupakan platform Java yang dipergunakan guna menyebarkan aplikasi portable untuk penggunaan secara luass. Dalam istilah praktis, J2SE tersusun dari mesin virtual yang bisa dipakai untuk menjalankan program Java bersamaan dengan sejumlah library atau package yang dibutuhkan guna membiarkan penggunaan file systems, jaringan, antarmuka grafis dan seterusnya dari aplikasi tersebut. Software J2SE ini merupakan platform premier untuk pengembangan dan penyebaran aplikasi portable yang aman dan terus berkembang cepat yang berjalan di server dan sistem desktop. J2SE terbaru merupakan rilis signifikan yang di dalamnya terdapat berbagai fitur baru dan pembaruan fitur sementara program ini memelihara kompatibilitas dan stabilitasnya. J2SE ini merupakan Java Software Development Kit resmi dari Sun Microsystems [12].

41 Tujuan Objek Penelitian Sejarah PT. Gas Pemalang Sakti PT. Gas Pemalang Sakti adalah sebuah badan usaha yang bergerak dibidang penyaluran sumber daya alam (Gas LPG) yang berdiri sejak 17 Juli Badan Usaha yang beralamatkan di Jl. Hos.Cokroaminoto (Lingkar Selatan) Rt 03/04 Lawangrejo Pemalang ini pada mulanya merupakan sebuah pangkalan (sub penyalur) yang hanya mampu menjual sebagian kecil dari jumlah Gas LPG yang saat ini dijual dan hanya memiliki satu armada berupa sebuah mobil. Seiring berjalanya waktu badan usaha ini semakin berkembang, dan untuk saat ini PT Gas Pemalang Sakti sudah menjadi Agen Gas LPG 3 Kg yang melayani puluhan sub penyalur di bawah naunganya. Setiap harinya PT. Gas Pemalang Sakti mengambil gas LPG (3 kg) sebanyak 2240 dari dua SPBE di wilayah pemalang, selanjutnya menyalurkan gas tersebut ke Sub penyalur (45 agen) yang dikirim sesuai perjanjian Susunan Organisasi Pemegang Saham : Syukri Fauzi Basalamah Mubarak Ali Direktur Utama Direktur Komisaris : Syukri Fauzi Basalamah : Waluyo Sejati : Mubarak Ali Manager Operasional : Sukim Admin Karyawan lain : Ufa Aulia : 4 Orang Supir 4 Orang Kernet 1 Orang satpam

42 Kerangka Pemikiran Masalah Menumpuknya stok Gas LPG dikarenakan permintaan dari sub penyalur lebih sedikit dibandingkan dengan pasokan harian Gas LPG dari SPBE Tujuan Mengimplementasikan Sistem Pendukung Keputusan guna memilih alternatif lokasi pemasaran Ekperimen Memakai metode Simple Additive Weighting (SAW) untuk mencari alternatif terbaik Hasil Mendapatkan perhitungan akurasi dari data yang diuji menggunakan metode Simple Additive Weighting (SAW) dan berupa sistem pendukung keputusan Gambar 2.1 Kerangka Pemikiran

43 32 Langkah awal dalam proses penelitian yaitu mengidentifikasi masalah yang ada di PT. Gas Pemalang Sakti, mengumpulkan data yang akan digunakan, data tersebut diolah menjadi kriteria dengan membuang data yang tidak digunakan. Data tersebut dieksperimen menggunakan metode Simple Additive Weighting (SAW) sesuai dengan kriteria. Dari hasil eksperimen diatas akan didapatkan beberapa alternatif terbaik dari beberapa alternatif yang telah diinputkan. Dan hasilnya yaitu mendapatkan akurasi terhadap data yang diuji menggunakan metode Simple Additive Weighting (SAW).

44 BAB III METODE PENELITIAN 3.1 Instrumen Penelitian Bahasa pemrograman yang dipakai pada penelitian ini ialah bahasa pemprograman Java. Untuk itu perlu adanya perangkat lunak guna mendukung pembuatan aplikasi tersebut. Perrangkat lunak tersebut adalah : 1. Java NetBeans 2. XAMPP 3. IReport Sedangkan perangkat keras yang dipakai mempunyai spesifikasi sebagai berikut : 1. Type : Toshiba Satellite L Prosessor : Core i3 2330M (2,2 Ghz) 3. Hardisk : Minimal ruang kosong 500 MB 4. Memory : 2 GB 5. VGA : Intel HD Graphics 775 MB 6. Sistem Operasi : Windows 7 32 bit 3.2 Metode Pengumpulan Data Guna menunjang data yang diperlukan pada penelitian ini, maka dibutuhkan data Sub Penyalur dan Kriteria Sub Penyalur. Berikut beberapa teknik pengumpulan data untuk mengumpulkan data tersebut : 1. Studi Literatur, dengan cara mencari referensi seperti journal, buku dan sejenisnya yang ada hubunganya dengan permasalahan yang ditemukan. Observasi, dengan cara penulis mendatangi langsung ke lokasi PT. Gas Pemalang Sakti untuk mengamati dan meminta data yang diperlukan. 33

45 Teknik Analisis Data Sebelum melakukan proses penelitian memakai Metode Simple Additive Weighting (SAW) maka dilakukan tahap preprocessing data yang digunakan untuk mengelompokan data secara manual dan juga melakukan pemilihan kriteria yang tidak terpakai untuk pemrosesan data. Hasil dari pengolahan data ini yaitu berupa dataset yang akan dipakai untuk mengolah data menggunakan Metode Simple Additive Weighting (SAW). 3.4 Rancangan Menggunakan Metode Simple Additive Weighting (SAW) Berdasarkan data yang telah dikumpulkan, selanjutnya akan diproses menggunakan metode Simple Additive Weighting (SAW) yang akan diterapkan ke dalam sistem pendukung keputusan. Berikut adalah diagram proses metode Simple Additive Weighting (SAW). Menentukan Kriteria Menentukan Rating Kecocokan Normalisasi dengan Matriks Keputusan Menjumlah Hasil matrik yang sudah dikalikan dengan bobot Perangkingan berdasarkan atribut Gambar 3.1 Rancangan Proses metode Simple Additive Weighting (SAW)

46 35 Hasil dari proses preprocessing yaitu berupa data yang telah dikumpulkan dari PT. Gas Pemalang Sakti kemudian diproses menjadi datashet, selanjutnya akan dilakukan perhitungan terhadap data hasil preprocessing tadi menggunakan metode Simple Additive Weighting agar mendapatkan nilai untuk merangkingkan atribut-atribut tersebut. Dari hasil perhitungan metode Simple Additive Weighting akan diuji akurasinya menggunakan single decision threshold (one feature). 3.5 Pengukuran Akurasi Untuk menguji tingkat akurasi dari data hasil perhitungan perusahaan dengan data yang dihasilkan oleh sistem menggunakan metode Simple Additive Weighting (SAW), akan digunakan metode evaluasi dan validasi seperti terlihat pada gambar 3.2 menunjukan flowchart yang akan diuji tingkat akurasinya dengan single decision threshold (one feature). Data terklasifikasi Perhitungan akurasi Hasil Perhitungan Akurasi Gambar 3.2 Flowchart Penghitungan Akurasi

47 36 Tahap terakhir dari penentuan lokasi pemasaran adalah mengukur prosentase ketepatan (akurasi) dalam menentukan data uji yang diperoleh dari perhitungan sebelumnya. Untuk mengukur akurasi klasifikasi data uji menggunakan single decision threshold (one feature) dengan menggunakan rumus metode tersebut feature) yaitu : Validasi = Rumusan yang dipakai pada single decision threshold (one TP+TN TP+TN+FP+FN x100% Nilai validitas sistem bisa dihitung menggunakan cara menghitung nilai dari True Positive (TP), True Negative (TN), False Positive (FP) dan False Negative (FN). TP : apabila nilai real dan nilai prediksi menghasilkan nilai positif, jika : - Real "Diterima" maka Prediksi memutuskan "Diterima". TN : apabila nilai real dan nilai prediksi menghasilkan nilai negatif, jika : - Real "Ditolak" maka Prediksi memutuskan "Ditolak". FP : apabila nilai real negatif akan tetapi prediksi menghasilkan nilai positif, jika : - Real "Ditolak" maka Prediksi memutuskan "Diterima". FN : apabila nilai real positif akan tetapi prediksi menghasilkan nilai negatif, jika : Real "Diterima" maka Prediksi memutuskan "Ditolak".

48 BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengumpulan Data Data yang digunakan dalam penelitian ini adalah sebanyak 21 data. Data tersebut merupakan beberapa data yang diambil dari bagian personalia PT. Gas Pemalang Sakti dengan kriteria berupa jarak lokasi dengan pasar (C1), jarak antar sesama agen penyalur dari penyalur yang sama atau yang beda penyalur (C2), jarak dari saluran tegangan tinggi (C3), jarak dari sumber api (C4), kepadatan penduduk aritmatik (C5), jumlah industri rumahan/besar (C6), jarak dari jalur kereta api (C7), kendaraan pendukung penyaluran gas LPG (motor, motor roda tiga atau mobil) (C8) serta jarak dari PT Gas Pemalang Sakti (C9). Pada tabel 4.1 berikut menunjukan beberapa contoh data uji yang nantinya akan digunakan dalam penelitian ini. 37

49 38 Tabel 4.1 Data UJi NO CALON SUB KRITERIA DESA KECAMATAN PENYALUR C1 C2 C3 C4 C5 C6 C7 C8 C9 1 SUWONDO AMPELGADING AMPELGADING 0,2 3 1, MOTOR 16 2 KARLAN AMPELGADING AMPELGADING 0,05 3,5 2 3, ,5 MOTOR RODA 3 15,5 3 WALUYO BLIMBING AMPELGADING 0, , MOTOR RODA RUNITI KARANGTALOK AMPELGADING MOTOR 21 5 KARSO WONOKROMO COMAL MOTOR 24 6 RUBAI PURWOSARI COMAL 0, MOTOR 18 7 SUMARDI TUMBAL COMAL MOTOR 27 8 JURIYAH PECANGAKAN COMAL MOTOR RODA CASIYEM KENDALDOYONG PETARUKAN 0, MOTOR CAYANI SIRANGKANG PETARUKAN MOTOR 9 11 BASIR SIKUANG PETARUKAN MOTOR RODA GUN JEBED TAMAN , MOTOR 7 13 BIRIN BOJONGBATA PEMALANG 0, , MOTOR 9 14 RISMANTO SUGIWARAS PEMALANG MOTOR 9 15 CASMADI SUKOREJO ULUJAMI MOTOR AGUS ARJOSARI ULUJAMI MOBIL CASMURI KEBANDUNGAN BODEH MOTOR IDRIS MUNCANG BODEH 0, MOTOR RODA YATEN KALIWADAS BODEH , MOTOR RODA AZHAR JATINGARANG BODEH , MOTOR UNTUNG KALIMAS RANDUDONGKAL 0, , MOBIL 32

50 Implementasi Metode Simple Additive Weighting (SAW) SAW sendiri adalah suatu metode yang dipakai untuk memilih alternatif optimal dari keseluruhan alternatif dengan kriteria-kriteria tertentu. Metode SAW mengharuskan pengambil keputusan memilih bobot bagi setiap atribut. nilai keseluruhan untuk alternatif didapat dengan menambahkan semua hasil perkalian antara rating (yang bisa dibandingkan lintas atribut) dan bobot setiap atribut. Rating setiap atribut harus bebas dimensi yang berarti telah terlebih dahulu melalui proses normalisasi matriks. Langkah menyelesaikan SAW sebagai berikut : 5. Memilih kriteria-kriteria yang akan dipakai sebagai acuan dalam mengambil keputusan, yaitu Ci (C1, C2,C3.dst). 6. Menentukan tingkat kesamaan semua alternatif pada semua kriteria. 7. Mengolah matriks keputusan berdasarkan pada kriteria (Ci), selanjutnya melaksanakan normalisasi matriks berdasarkan pada persamaan yang disamakan dengan jenis atribut (atribut laba ataupun atribut pembiayaan) hingga didapat matriks yang ternormalisasi R. r ij xij Max x i Min xij i xij ij jika j adalah atribut jika j adalah atribut keuntungan biaya (cost) (benefit) Dimana : rij = rating/tingkat kinerja ternormalisasi Maxij = nilai tertinggi dari setiap baris dan kolom Minij = nilai terendah dari setiap baris dan kolom Xij = baris dan kolom dari matriks

51 40 8. Hasil akhir didapat dari proses perankingan yaitu berupa penambahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga didapat nilai tertinggi yang dipakai sebagai alternatif terbaik (Ai) sebagai solusi. Nilai preferensi untuk masing-masing alternatif (Vi) diberikan sebagai berikut : V i n j 1 w j r ij Dimana : Vi = Nilai akhir dari alternatif wj = Bobot yang sudah ditentukan rij = Normalisasi matriks Nilai Vi yang lebih besar menyatakan bahwa alternative Ai lebih dipilih [3]. Dari data yang telah dikumpulkan maka didapat kriteria dari tiap alternatif sebagai berikut : Tabel 4.2 Kriteria NO KRITERIA KETERANGAN 1 C1 jarak lokasi dengan pasar 2 C2 jarak antar sesama agen penyalur 3 C3 jarak dari saluran tegangan tinggi 4 C4 jarak dari sumber api 5 C5 kepadatan penduduk aritmatik 6 C6 jumlah industri rumahan/besar 7 C7 jarak dari jalur kereta api 8 C8 kendaraan pendukung penyaluran gas LPG 9 C9 jarak dari PT Gas Pemalang Sakti

52 41 Dari data yang telah dikumpulkan juga digolongkan kedalam kriteria benefit dan cost. Penentuan Kriteria-kriteria yang bisa digolongkan ke dalam kriteria benefit : - jarak antar sesama agen penyalur (C2) - jarak dari saluran tegangan tinggi (C3) - jarak dari sumber api (C4) - kepadatan penduduk aritmatik (C5) - jumlah industri rumahan/besar (C6) - jarak dari jalur kereta api (C7) - kendaraan pendukung penyaluran gas LPG (C8) Penentuan kriteria-kriteria yang bisa digolongkan ke dalam kriteria cost : - jarak lokasi dengan pasar (C1) - jarak dari PT Gas Pemalang Sakti (C9) Dari kriteria-kriteria yang ada kemudian akan ditentukan nilai bobot untuk masing-masing criteria 1. Jarak lokasi dengan pasar (C1) a. Sangat Jauh ( SJ ) = 0,2 rentang jarak 5 km lebih b. Jauh ( J ) = 0.4 rentang jarak lebih dari 2,5 km sd 5 km c. Sedang ( S ) = 0.6 rentang jarak lebih dari 1 km sd 2,5 km d. Dekat ( D ) = 0.8 rentang jarak lebih dari 500 m sd 1 km e. Sangat Dekat ( SD ) = 1 rentang jarak 0 m sd 500 m 2. Jarak antar sesama agen penyalur (C2) a. Sangat Jauh ( SJ ) = 1 rentang jarak 5 km lebih b. Jauh ( J ) = 0.8 rentang jarak lebih dari 2,5 km sd 5 km c. Sedang ( S ) = 0.6 rentang jarak lebih dari 1 km sd 2,5 km d. Dekat ( D ) = 0.4 rentang jarak lebih dari 500 m sd 1 km e. Sangat Dekat ( SD ) = 0,2 rentang jarak 0 m sd 500 m 3. Jarak dari saluran tegangan tinggi (C3) a. Sangat Jauh ( SJ ) = 1 rentang jarak 5 km lebih b. Jauh ( J ) = 0.8 rentang jarak lebih dari 2,5 km sd 5 km c. Sedang ( S ) = 0.6 rentang jarak lebih dari 1 km sd 2,5 km d. Dekat ( D ) = 0.4 rentang jarak lebih dari 500 m sd 1 km e. Sangat Dekat ( SD ) = 0,2 rentang jarak 0 m sd 500 m

53 42 4. Jarak dari sumber api (C4) a. Sangat Jauh ( SJ ) = 1 rentang jarak 5 km lebih b. Jauh ( J ) = 0.8 rentang jarak lebih dari 2,5 km sd 5 km c. Sedang ( S ) = 0.6 rentang jarak lebih dari 1 km sd 2,5 km d. Dekat ( D ) = 0.4 rentang jarak lebih dari 500 m sd 1 km e. Sangat Dekat ( SD ) = 0,2 rentang jarak 0 m sd 500 m 5. Kepadatan penduduk aritmatik (C5) a. Sangat Rendah ( SR ) = 0,2 rentang Jiwa /km2 b. Rendah ( R ) = 0.4 rentang lebih dari Jiwa /km2 c. Sedang ( S ) = 0.6 rentang lebih dari Jiwa /km2 d. Padat ( P ) = 0.8 rentang lebih dari Jiwa /km2 e. Sangat Padat ( SP ) = 1 rentang lebih dari Jiwa /km2 6. Jumlah industri rumahan/besar (C6) a. Sangat Sedikit ( SR ) = 0,2 rentang 0-5 b. Sedikit ( R ) = 0.4 rentang lebih dari 5-10 c. Sedang ( S ) = 0.6 rentang lebih dari d. Banyak ( P ) = 0.8 rentang lebih dari e. Sangat Banyak ( SP ) = 1 rentang 50 lebih 7. Jarak dari jalur kereta api (C7) a. Sangat Jauh ( SJ ) = 1 rentang jarak 5 km lebih b. Jauh ( J ) = 0.8 rentang jarak lebih dari 2,5 km sd 5 km c. Sedang ( S ) = 0.6 rentang jarak lebih dari 1 km sd 2,5 km d. Dekat ( D ) = 0.4 rentang jarak lebih dari 500 m sd 1 km e. Sangat Dekat ( SD ) = 0,2 rentang jarak 0 m sd 500 m 8. Kendaraan pendukung penyaluran gas LPG (C8) Jika mobil bak terbuka nilai bobotnya = 0,6 Jika motor bak roda tiga nilai bobotnya = 0,3 Jika motor roda dua nilai bobotnya = 0,1 9. jarak dari PT Gas Pemalang Sakti (C9) a. Sangat Jauh ( SJ ) = 0,2 rentang jarak 30 km lebih b. Jauh ( J ) = 0.4 rentang jarak lebih dari 10 km sd 30 km c. Sedang ( S ) = 0.6 rentang jarak lebih dari 5 km sd 10 km d. Dekat ( D ) = 0.8 rentang jarak lebih dari 1 km sd 5 km e. Sangat Dekat ( SD ) = 1 rentang jarak 0 m sd 1 km

54 43 Penentuan nilai bobot berdasarkan pada kriteria mana yang paling dominan dalam menentukan lokasi pemasaran. Tabel 4.3 Nilai Bobot No Kriteria Bobot Nilai 1 C1 2 C2 3 C3 4 C4 5 C5 6 C6 7 C7 8 C8 9 C9 DEKAT SANGAT JAUH SEDANG JAUH PADAT SANGAT BANYAK JAUH MOBIL SANGAT DEKAT

55 44 Tabel 4.4 Data yang diujikan No Calon Sub Criteria Hasil Desa Kecamatan Penyalur C1 C2 C3 C4 C5 C6 C7 C8 C9 ( V ) 1 SUWONDO AMPELGADING AMPELGADING 0,2 3 1, ,1 16? 2 KARLAN AMPELGADING AMPELGADING 0,05 3,5 2 3, ,5 0,3 15,5? 3 WALUYO BLIMBING AMPELGADING 0, , ,3 18? 4 RUNITI KARANGTALOK AMPELGADING ,1 21? 5 KARSO WONOKROMO COMAL ,1 24? 6 RUBAI PURWOSARI COMAL 0, ,1 18? 7 SUMARDI TUMBAL COMAL ,1 27? 8 JURIYAH PECANGAKAN COMAL ,3 16? 9 CASIYEM KENDALDOYONG PETARUKAN 0, ,1 18? 10 CAYANI SIRANGKANG PETARUKAN ,1 9? 11 BASIR SIKUANG PETARUKAN ,3 12? 12 GUN JEBED TAMAN , ,1 7? 13 BIRIN BOJONGBATA PEMALANG 0, , ,1 9? 14 RISMANTO SUGIWARAS PEMALANG ,1 9? 15 CASMADI SUKOREJO ULUJAMI ,1 24? 16 AGUS ARJOSARI ULUJAMI ,6 22? 17 CASMURI KEBANDUNGAN BODEH ,1 29? 18 IDRIS MUNCANG BODEH 0, ,3 26? 19 YATEN KALIWADAS BODEH , ,3 33? 20 AZHAR JATINGARANG BODEH , ,1 42? 21 UNTUNG KALIMAS RANDUDONGKAL 0, , ,6 32? Tabel 4.4 Menunjukkan data yang akan diujikan menggunakan metode Simple Additive Weighting (SAW)

56 45 Tabel 4.5 Normalisasi matrik C1 C2 C3 C4 C5 C6 C7 C8 C9 R / / / 17 3 / / / 27 7 / / / 16 R / / 17 2 / / / / / / / 15.5 R / / 17 2 / / / / 27 9 / / / 18 R / 2 4 / 17 5 / 17 3 / / / / / / 21 R / 2 2 / / 17 4 / / / / / / 24 R / / 17 6 / 17 3 / / / 27 5 / / / 18 R / 5 4 / 17 5 / 17 5 / / / 27 1 / / / 27 R / 3 3 / 17 4 / 17 3 / / / 27 1 / / / 16 R / / / 17 5 / / / / / / 18 R / 5 5 / 17 6 / 17 4 / / / 27 5 / / / 9 R / 4 5 / 17 4 / 17 2 / / / / / / 12 R / 1 1 / 17 6 / / / / 27 4 / / / 7 R / / 17 6 / / / / 27 3 / / / 9 R / 4 4 / 17 7 / 17 2 / / / 27 2 / / / 9 R / 4 5 / 17 5 / 17 3 / / / 27 2 / / / 24 R / 1 10 / 17 5 / 17 5 / / / / / / 22 R / 3 3 / 17 8 / 17 6 / / / / / / 29 R / / 17 7 / 17 3 / / / 27 9 / / / 26 R / 3 4 / 17 8 / / / / / / / 33 R / / / / / / / / / 42 R / / 17 8 / / / / / / / 32 selanjutnya melakukan normalisasi matriks berdasarkan pada persamaan yang disamakan dengan jenis atribut (benefit / cost)

57 46 Tabel 4.6 Hasil Normalisasi Matrik C1 C2 C3 C4 C5 C6 C7 C8 C9 R R R R R R R R R R R R R R R R R R R R R

58 47 Data hasil normalisasi matrik kemudian dilakukan perangkingan dengan cara dikalikan dengan nilai bobot yang telah ditentukan V1 = = V2 = = V3 = = V4 = = V5 = = V6 = = V7 = = V8 = = V9 = = V10 = = V11 = = V12 = = V13 = = V14 = = V15 = = V16 = = V17 = = V18 = = V19 = = V20 = = V21 = =

59 48 Tabel 4.7 Nilai Akhir ( V ) NO ALTERNATIF NAMA NILAI ( V ) 1 V16 AGUS V20 AZHAR V2 KARLAN V8 JURIYAH V21 UNTUNG V9 CASIYEM V12 GUN V10 CAYANI V5 KARSO V3 WALUYO V7 SUMARDI V11 BASIR V13 BIRIN V14 RISMANTO V6 RUBAI V18 IDRIS V15 CASMADI V1 SUWONDO V4 RUNITI V17 CASMURI V19 YATEN Tabel 4.7 menunjukkan nilai akhir yang didapat setelah melakukan proses perangkingan, Dari tabel diatas didapati bahwa alternatif terbaik adalah V16 disusul V20, V2 dan seterusnya.

60 Antarmuka Program Dari hasil implementasi program menggunakan bahasa pemprograman java serta aplikasi programmer netbeans, diperoleh tampilan antarmuka sebagai berikut : Gambar 4.1 Halaman Login Halaman ini berisikan sebuah inputan berupa Username dan Password untuk membantasi penggunaan program sehingga tidak disalahgunakan oleh orang yang tidak berkepentingan. Jika inputan berupa Username dan Password merupakan admin maka akan menuju pada halaman beranda admin namun jika pengguna adalah petugas maka akan menuju halaman beranda petugas. Gambar 4.2 Halaman Beranda Admin Berisikan menu-menu yang dapat digunakan menuju halaman lain

61 50 Gambar 4.3 Halaman Beranda Petugas Berbeda dengan halaman beranda admin, halaman beranda petugas tidak memili menu user dan panduan. Gambar 4.4 Halaman Form Calon Sub Penyalur Berisikan sebuah halaman yang digunakan untuk menginput, merubah, menghapus data calon sub penyalur serta mencetak formulir calon sub penyalur. Form sub penyalur terdiri dari dua macam yaitu untuk admin dan petugas. Pada form sub penyalur untuk petugas tidak disediakan tombol untuk merubah atau menghapus. Jadi putugas hanya dapat menginput dan mencetak data.

62 51 Gambar 4.5 Halaman Cetak Formulir Calon Sub Penyalur Halaman ini keluar saat user menekan tombol cetak setelah sebelumnya memilih data mana yang akan dicetak. Form ini dapat dicetak langsung melalui printer yang terhubung di komputer atau dapat disimpan kedalam file docx atau pdf. Gambar 4.6 Halaman Seleksi Calon Sub Penyalur Halaman ini digunakan untuk menghitung nilai fuzzy tiap data yang telah diinput di form calon sub penyalur.

63 52 Gambar 4.7 Halaman Cetak Seluruh Calon Sub Penyalur Halaman ini digunakan untuk menampilkan semua data yang telah diinput beserta hasil nilai fuzzynya serta digunakan untuk mencetak keseluruh data yang telah tersimpan. Gambar 4.8 Halaman Cetak Seluruh Data Halaman ini digunakan untuk mencetak seluruh data yang tersimpan melalui printer yang terhubung atau dapat menyimpanya kedalam file docx atau pdf.

64 53 Gambar 4.9 Halaman User Digunakan untuk menambah jumlah user admin maupun petugas Gambar 4.10 Halaman Panduan Halaman ini berisikan tentang tata cara penggunaan aplikasi