BAB 2 LANDASAN TEORI

Transkripsi

1 BAB LANDASAN TEORI Bab ini berisi teori-teori yang berkaitan dengan Sistem Pendukung Keputusan, Weighted Product, Weighted Sum Product, Pengertian perguruan tinggi serta tujuan perguruan tinggi..1 Sistem Pendukung Keputusan Pada awal tahun 1970-an, Michael S.Scott mengungkapkan konsep sistem pendukung keputusan (SPK) untuk pertama kalinya dengan istilah Management Decision Sistem yaitu suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur. Didefinisikan secara umum, sistem pendukung keputusan (SPK) adalah sistem informasi berbasis komputer yang menggabungkan model dan data guna menyelesaikan masalah semi terstruktur dan beberapa masalah tak terstruktur dengan keterlibatan pengguna secara luas (Turban, dkk. 006). SPK dapat meningkatkan keefektifan pengambilan keputusan, meningkatkan kontrol manajemen, memfasilitasi komunikasi, menghemat usaha yang dilakukan pengguna, menghemat biaya, dan memungkinkan pengambilan lebih objektif (Turban, dkk. 005). Sprague dan Watson mendefinisikan Sistem Pendukung Keputusan (SPK) sebagai sistem yang memiliki lima karakteristik utama yaitu (Sprague et.al, 199): a. Sistem yang berbasis komputer. b. Dipergunakan untuk membantu para pengambil keputusan. c. Untuk memecahkan masalah-masalah rumit yang mustahil dilakukan dengan kalkulasi manual. d. Melalui cara simulasi yang interaktif.

2 e. Dimana data dan model analisis sebagai komponen utama..1.1 Konsep SPK Kerangka pendukung keputusan terbagi atas dua tipe, yaitu tipe keputusan dan tipe pengendalian. Tipe keputusan mencakup keputusan terstruktur, keputusan semi terstruktur dan keputusan tidak terstruktur. Sedang untuk tipe pengendalian mencakup pengendalian operasional, manajerial dan strategik. Kedua tipe ini merupakan suatu bentuk yang saling melengkapi dalam suatu konsep piramida sistem informasi. Terdapat beberapa tahapan dalam proses pembuatan keputusan (Turban & Aronson, 1998), yaitu: a. Mendefinisikan dan merumuskan masalah. b. Mengklasifikasikan masalah dalam kategori standar. c. Mengembangkan model matematik untuk menggambarkan kejadian nyata. d. Menemukan alternatif solusi untuk pemecahan masalah. e. Menentukan pilihan terbaik dari alternatif solusi yang tersedia..1. Tujuan Sistem Pendukung Keputusan Adapun tujuan dari sistem pendukung keputusan antara lain (Turban, 005) : a. Membantu manajer dalam mengambil keputusan atas masalah demi terstruktur. b. Memberikan dukungan bagi pertimbangan manajer dan bukannya di maksudkna untuk menggantikan fungsi manajer. c. Meningkatkan efektivas keputusan yang diambil manajer lebih daripada perbaikan efisiensinya..1. Komponen-Komponen SPK Selanjutnya SPK juga dapat didekomposisikan menjadi beberapa subsistem lainnya yang saling berhubungan (Turban & Aronson, 1998) seperti terlihat pada Gambar.1, yaitu: a. Subsistem Manajemen Data Subsistem manajemen data memasukkan satu database yang berisi data yang relevan untuk situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen database (DBMS).

3 b. Subsistem Manajemen Model Merupakan paket perangkat lunak yang memasukkan model keuangan, statistik, ilmu manajemen, atau model kuantitatif lainnya yang memberikan kapabilitas analitik dan manajemen perangkat lunak yang tepat. Perangkat lunak ini sering disebut sistem manajemen basis model (MBMS). c. Subsistem Antarmuka Pengguna Pengguna berkomunikai dengan dan memerintahkan SPK melalui subsistem ini. Pengguna adalah bagian yang dipertimbangan dari sistem. Para peneliti menegaskan bahwa beberapa kontribusi unik dari SPK berasal dari interaksi yang intensif antara komputer dan pembuat keputusan. d. Subsistem Manajemen Berbasis Pengetahuan Subsistem ini dapat mendukung semua subsistem lain atau bertindak sebagai suatu komponen independen. Ia memberikan inteligensi untuk memperbesar pengetahuan si pengambil keputusan. Gambar.1 Komponen-Komponen SPK. Multiple Attribute Decision Making (MADM) Multi Criteria Decision Making (MCDM) adalah suatu metode pengambilan keputusan untuk menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan beberapa kriteria tertentu

4 (Kusumadewi et al, 006). MCDM dapat dibagi menjadi model (Zimmermann, 1991) yaitu Multi Attribute Decision Making (MADM) dan Multi Objective Decision Making (MODM). MADM digunakan untuk menyelesaikan masalah-masalah dalam ruang diskret. Oleh karena itu, pada MADM biasanya digunakan untuk melakukan penilaian atau seleksi terhadap beberapa alternatif dalam jumlah yang terbatas. Secara umum dapat dikatakan bahwa, MADM menyeleksi alternatif terbaik dari sejumlah alternatif. Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah MADM (Kusumadewi et al, 006), antara lain: a. Simple Additive Weighting Method (SAW) b. Weighted Product (WP) c. ELimination Et Choix TRaduisant la realite (ELECTRE) d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) e. Analytical Hierarchy Process (AHP). Weighted Product Menurut Yoon (1989), Metode WP menggunakan perkalian untuk menghubungkan rating atribut, dimana rating atribut harus dipangkatkan terlebih dahulu dengan bobot atribut yang bersangkutan (Kusumadewi, dkk. 006). Preferensi untuk alternatif S i diberikan sebagai berikut: a. Penentuan nilai perbaikan bobot W j W_Init W_Init Dimana: W_Initj = Nilai prioritas bobot setiap kriteria b. Penentuan nilai Vektor S i S = X Dimana: X ij = Nilai untuk setiap sampel

5 c. Penentuan nilai Vektor V i Dimana: V = S S S i = Nilai vektor S i Lalu, langkah-langkah dalam perhitungan metode Weighted Product (WP) adalah sebagai berikut: a. Mengalihkan seluruh atribut bagi seluruh alternatif dengan bobot sebagai pangkat positif bagi atribut biaya. b. Hasil perkalian dijumlahkan untuk menghasilkan nilai pada setiap alternatif. c. Membagi nilai V bagi setiap alternatif dengan nilai pada setiap alternatif. d. Ditemukan urutan alternatif terbaik yang akan menjadi keputusan...1 Contoh Manual Penggunaan Algoritma Weighted Product a. Kriteria K1 = Jumlah jenis Jurusan Komputer K = Program Beasiswa K = Biaya Kuliah K5 =Nilai Akreditasi BAN PT K = Lingkungan kampus Kriteria Keuntungan = K1, K, K dan K5 Kriteria Biaya = K b. Skor Konversi Nilai Kriteria Sebelum melakukan perhitungan, terlebih dahulu menentukan nilai konversi setiap kriteria. Untuk Konversi nilai kriteria untuk jumlah jenis jurusan komputer dapat di lihat pada tabel.1 di bawah ini.

6 Kriteria Tabel.1 Skor Konversi Nilai Kriteria Jumlah jurusan Jumlah Jenis Jurusan Komputer Nilai Konversi K nilai kriteria untuk biaya kuliah dapat di lihat pada tabel. di bawah ini. Tabel. Skor Konversi Nilai Kriteria Biaya Kuliah Kriteria Biaya Kuliah (Rp) Nilai Konversi K > Pada kriteria Program beasiswa, penulis menentukan 7 jenis beasiswa sebagai parameter untuk menentukan nilai konversi, yaitu : 1. Beasiswa dari Pemerintah. Beasiswa dari Pihak Swasta. Beasiswa dari negara maju. Beasiswa komunitas organisasi, atau yayasan 5. Beasiswa Penghargaan 6. Beasiswa Bantuan 7. Beasiswa non akademik

7 nilai kriteria untuk jumlah program beasiswa dapat di lihat pada tabel. di bawah ini. Kriteria Tabel. Skor Konversi Nilai Kriteria Jumlah Program Beasiswa Jumlah Program Beasiswa Nilai Konversi K >6 0 1 Pada Kriteria lingkungan kampus, Penulis menentukan ada sebagai indikator yang harus di miliki sebuah kampus dalam penambahan point sebagai ke unggulan kampus, yaitu : 1. Penghijauan. Ketenangan. Lahan yang Luas Dalam hal ini, penulis menetapkan nilai default untuk nilai konversi kriteria lingkungan kampus adalah 1, dan jika memilih salah satu indikator diatas akan menambah bobot nilai konversi setiap satu pilihan. Nilai kriteria untuk lingkungan kampus dapat di lihat pada tabel. di bawah ini. Tabel.5 Skor Konversi Nilai Kriteria Lingkungan kampus Kriteria Lingkungan Kampus Nilai Konversi K Pilih 1 indikator Pilih indikator Pilih indikator Nilai kriteria untuk Akreditasi BAN PT dapat di lihat pada tabel.5 di bawah ini.

8 Tabel.5 Skor Konversi Nilai Kriteria Akreditasi BAN PT Kriteria Akreditasi BAN PT Nilai Konversi K5 A B C Telah ter Akreditasi 1 c. Contoh Data Pada proses perhitungan perbandingan, user dapat menetukan berapa jumlah perguruan tinggi yang akan di bandingkan, jika user hanya ingin membandingkan,, atau saja, maka cukup dengan memilih nama perguruan tinggi yang akan di bandingkan, tanpa harus di wajibkan memilih sepuluh pergurua tinggi. Contoh nilai data yang sudah di pilih oleh user dapat dilihat pada Tabel.6. Tabel.6 Contoh Data WP Nama Kampus K1 K K K K5 Mikroskill STMIK-IBBI Rp Rp Pilih 1 A Pilih B Kampus Ungu Rp Tidak ada pilihan 1 Ter- Akreditasi d. Contoh Data Yang Sudah Dikonversi Contoh data yang sudah dikonvesi dapat dilihat pada Tabel.. Tabel.7 Contoh Data Yang Sudah Dikonversi WP Nama Kampus K1 K K K K5 Mikro Skill STMIK-IBBI Kampus Ungu

9 e. Bobot Preferensi [,,,, 5 ] f. Menghitung Nilai Wi = 0, = 0, = 0, = 0, = 0,7 g. Menghitug Nilai S i S = (, ) x (, ) x (, ) x (, ) x (, )= 1,681 S = (, ) x (, ) x (, ) x (, ) x (, )= 1,696 S = (, ) x (5, ) x (1, ) x (1, ) x (1, )= 0,86 h. Menghitung Nilai V i 1,681 V = 1, , ,86 = 0,99 1,696 V = 1, , ,86 = 0,0 0,86 V = 1, , ,86 = 0,198 Karena diperoleh nilai terbesar adalah V, maka kampus STMIK-IBBI adalah alternatif perguruan tinggi swasta terbaik.. Weighted Sum Model Weighted sum model adalah metode pengambilan keputusan dengan cara penjumlahan untuk menghubungkan rating atribut, dimana rating setiap atribut harus di pangkatkan dulu dengan

10 bobot atribut yang bersangkutan. Metode WSM hampir sama dengan metode WP, perbedaannya terletak pada operasi matematika. Pada metode WP menghubungkan rating atribut dengan cara perkalian sedangkan WSM dengan penjumlahan. Jika terdapat m alternatif dan n kriteria, maka alternatif terbaik dapat dirumuskan sebagai berikut : Awsm = max i i a ij. w j Keterangan : A wsm a ij = Nilai Alternatif terbaik = Nilai Alternatif i pada kriteria j w j = Bobot krietria j Dimana i=1,,...,m dan A wsm merupakan nilai dari alternatif terbaik, n adalah banyaknya kriteria, aij merupakan nilai alternatif i pada kriteria j, w j adalah nilai bobot kriteria j dan max digunakan untuk mengurutkan alternatif keputusan dimana alternatif yang memiliki nilai terbesar akan di letakkan di paling atas...1 Contoh Manual Penggunaan Algoritma Weighted Product Dengan menggunakan kriteria yang sama dengan metode Weighted Product yang telah penulis paparkan sebelumnya, kita akan menghitung alternatif terbaik dari perguruan tinggi swasta terbaik. Tabel.7 Contoh Data Yang Sudah Dikonversi WSM Nama Kampus K1 K K K K5 Mikro Skill STMIK-IBBI Kampus Ungu

11 a. Bobot Preferensi [,,,, 5 ] b. Menghitung Nilai Wi = 0, = 0, = 0, = 0, = 0,7 c. Menghitug Nilai A i A = ( x 0,16)+( x -0,) + ( x 0,11) + ( x 0,) + ( x 0,7) = 1,5 A = ( x 0,16)+( x -0,) + ( x 0,11) + ( x 0,) + ( x 0,7) = 1,6 A = ( x 0,16)+(5 x -0,) + (1 x 0,11) + (1 x 0,) + (1 x 0,7) = -0,0 Karena diperoleh nilai terbesar adalah A 1, maka kampus STMIK-IBBI adalah alternatif perguruan tinggi swasta terbaik..5 Big Theta (Ɵ) Thomas H. Cormen et al dalam buku yang berjudul Introduction to Algorithms pada edisi ketiga menyebutkan bahwa Algoritma adalah urutan langkah-langkah mengubah input menjadi output. Menganalisis algoritma berarti memprediksi sumber daya yang dibutuhkan algoritma, sumber daya yang menjadi perhatian utama seperti memori, bandwith komunikasi dan perangkat keras komputer yang biasanya sering digunakan untuk mengukur waktu komputasi (Thomas H. Cormen et al, 009). Algoritma memiliki kompleksitas, dimana ukuran kompleksitas tersebut merupakan acuan utama, untuk mengetahui kecepatan dari algoritma tersebut. Time Complexity (Kompleksitas waktu) adalah hubungan waktu komputasi dan jumlah input. Running time adalah sejumlah waktu yang dibutuhkan untuk mengeksekusi setiap baris pseudocode. Satu

12 baris statement memiliki jumlah waktu yang berbeda dengan baris yang lain maka dari itu akan diasumsikan bahwa setiap pelaksanaan i garis membutuhkan waktu ci, di mana ci adalah konstan. Running time dari sebuah algoritma adalah jumlah dari running time dari setiap statement yang dieksekusi. Big Ɵ (Big Theta) adalah bagian dari kompleksitas waktu dari sebuah algoritma. Big Ɵ (Big Theta) Didefinisikan bahwa f(n) merupakan Theta dari g(n) dan dinotasikan f(n) = Ɵ(g(n) jika dan hanya jika terdapat tiga konstanta positif n 0, c 1 dan c sedemikian berlaku: C 1 g(n) <= f(n) <= C g(n) ; n > n 0..6 Perguruan Tinggi Perguruan tinggi mencakup program diploma,sarjana, magister,spesialis,dan dokter yang dapat berbentuk akademik, politeknik,sekolah tinggi,institut atau universitas. Menurut wikipedia(01), Perguruan tinggi adalah satuan pendidikan penyelanggara pendidikan tinggi. Peserta didik perguruan tinggi disebut Mahasiswa, sedangkan tenaga pendidik perguruan tinggi di sebut Dosen jenisnya perguruan tinggi dibagi menjadi dua yaitu: a. Perguruan Tinggi Negeri Perguruan tinggi negeri merupakan perguruan tinggi yang di selenggarakan oleh pemerintah. b. Perguruan Tinggi Swasta Perguruan tinggi negeri swasta merupakan perguruan tinggi yang diselenggrakan oleh pihak swasta. Perguruan tinggi merupakan kelanjutan jenjang pendidikan menengah untuk mempersiapkan peserta didik untuk menjadi anggota masyarakat yang memiliki kemampuan akademis dan profesional yang dapat menerapkan, mengembangkan dan menciptakan ilmu pengetahuan, teknologi ilmu pengetahuan, teknologi dan kesenian yang tercantum dalam UU tahun 1989, pasal 16,ayat (1). Pendidikan tinggi adalah pendidikan pada jenjang yang lebih tinggi daripada menengah di jalur pendidikan sekolah ( PP 0 Tahun 1990, pasal 1 ayat 1). Adapun tujuan pendidikan tinggi adalah : a. Mempersiapkan peserta didik menjadi anggota masyarakat yang memiliki kemampuan akademik dan profesional yang dapat menerapkan, mengembangkan dan menciptakan ilmu pengetahuan, teknologi dan kesenian.

13 b. Mengembangkan dan menyebar luaskan ilmu pengetahuan, teknologi dan kesenian serta mengoptimalkan penggunaanya untuk meningkatkan taraf hidup masyarakat dan memperkaya kebudayaan nasional, tercantum dalam UU Tahun 1989, Pasal 16, Ayat (1); PP 0 Thaun 1990, Pasal, Ayat (1).