APLIKASI FUZZY-TOPSIS DALAM MELAKUKAN SELEKSI PEMILIHAN PERUMAHAN

Transkripsi

1 APLIKASI FUZZY-TOPSIS DALAM MELAKUKAN SELEKSI PEMILIHAN PERUMAHAN Muhammad Romi Syahputra Program Studi Teknik Informatika STMIK Pelita Nusantara Medan, Jl. Iskandar Muda No. 1 Medan, Sumatera Utara 20154, Indonesia moehromi89@gmail.com Abstract Perumahan merupakan salah satu kebutuhan sekunder. Dalam melakukan pemilihan perumahan yang tepat, harus disesuaikan dengan keinginan konsumen. Untuk mendapatkan hasil optimal dibutuhkan suatu sistem yang dapat membantu dalam penentuan perumahan agar konsumen merasa puas. Untuk itu dibutuhkan sebuah sistem pendukung keputusan. Salah satu metode yang dapat digunakan untuk Sistem Pendukung Keputusan adalah dengan menggunakan TOPSIS. Penelitian dilakukan dengan mencari nilai bobot untuk setiap atribut, kemudian dilakukan proses perankingan yang akan menentukan alternatif yang optimal kasus yaitu mencari alternative terbaik bedasarkan kriteriakriteriayang telah ditentukan. Kata kunci: Seleksi, -Topsis, Pemilihan rumah I. PENDAHULUAN Sistem database yang ada sampai sekarang, hanya mampu menangani data yang bersifat pasti(crisp). Sedangkan dalam kondisi yang nyata seringkali kita dihadapkan pada suatu kondisi yang memiliki nilai yang samar, tidak pasti(uncertain), atau ambigu. Seperti kondisi dimana kita akan menseleksi pemilihan rumah yang tepat sesuai dengan keinginan konsumen. Kondisi yang samar berarti tidak terdapat suatu definisi yang pasti terhadap kondisi tersebut. Kondisi ambigu berarti suatu kondisi dimana terjadi ketidakjelasan dari beberapa alternativ yang harus diterima, yang mana yang benar. Pada proses untuk menentukan atau menseleksi pemilihan rumah yang tepat sesuai dengan keinginan konsumen, tentunya kita memiliki kriteria-kriteria rumah yang layak untuk direkomendasikan. Kriteria-kriteria tersebut memiliki nilai yang tidak pasti. Oleh karena itu, untuk menangani kriteria-kriteria yang memiliki nilai yang tidak pasti tersebut kita dapat menggunakan logika fuzzy Dalam beberapa penelitian yang telah dilakukan oleh peneliti yang dituliskan dalam jurnal atau karya ilmiah tentang penggunaan Topsis adalah Lestari (2011), menjelaskan dalam makalahnya menerapkan metode topsis untuk menseleksi penerimaan calon karyawan, Uyun dan Riadi (2011) menjelaskan tentang penseleksian penerima beasiswa akademik dan non akademik dengan metode TOPSIS di Universitas Islam Negeri Sunan Kalijaga, Nihan (2011) menjelaskan Metode Topsis dalam pengelompokan pembuat keputusan dalam pemilihan lokasi cabang sebuah bank, Ashrafzadeh et all (2012) menjelaskan Aplikasi Topsis untuk menseleksi lokasi warehouse, Abari et all (2012) menjelaskan Seleksi target marketing menggunakan metode AHP dan metode Topsis, Shahanaghi dan Yazdian (2009) menjelaskan pemilihan vendor menggunakan Metode TOPSIS, Balli dan Korukoglu(2009) menjelaskan pemilihan operating menggunakan fuzzy AHP dan Topsis, Juliyanti et all (2011) menjelaskan pemilihan guru berprestasi menggunakan metode AHP dan Topsis. Penelitian ini mengaplikasikan algoritma -TOPSIS dalam membuat seleksi pemilihan rumah yang tepat sesuai dengan keinginan konsumen. Penelitian ini diharapkan dapat memberikan konstribusi bagi perguruan tinggi swasta khususnya Akademi Manajemen Informatika dan Komputer (AMIK) Tunas Bangsa. II. TEORI 2.1. Logika Fuzziness dapat didefinisikan sebagai logika kabur berkenaan dengan semantik dari suatu kejadian, fenomena atau pernyataan itu sendiri.seringkali ditemui dalam pernyataan yang dibuat oleh seseorang, evaluasi dan suatu pengambilan keputusan. Sebagai contoh: 1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan 123

2 barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari. 2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan. 3. Anda mengatakan pada saya seberapa sejuk ruangan yang anda inginkan, saya akan mengatur putaran kipas yang ada pada ruangan ini. Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain: Kusumadewi dan Purnomo (2004) 1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. 2. Logika fuzzy sangat fleksibel. 3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. 4. Logika fuzzy mampu memodelkan fungsifungsi nonlinear yang sangat kompleks. 5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. 6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. 7. Logika fuzzy didasarkan pada bahasa alami Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Representasi Kurva Segitiga Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis linear seperti terlihat pada Gambar 2.1 Gambar 2. Kurva segitiga 2.3. Himpunan ( Set) Himpunan fuzzy (fuzzy set) adalah sekumpulan obyek x di mana masing-masing obyek memiliki nilai keanggotaan (membership function) μ atau disebut juga dengan nilai kebenaran. Jika X adalah sekumpulan obyek dan anggotanya dinyatakan dengan x maka himpunan fuzzy dari A di dalam X adalah himpunan dengan sepasang anggota atau dapat dinyatakan dengan (Kusumadewi, 2004): A = { ( x) x: xx, A( x) 0,1 } A Contoh, jika A = bilangan yang mendekati 10 di mana: 2 1 A = { x, ( x) ( x) (1 ( x 10) ) } A A A = {(0, 0.01),, (5, 0.04),, (10, 1),, (15, 0.04), } Maka grafik yang mewakili nilai A(x) adalah: Gambar 2. Grafik Himpunan Untuk Bilangan yang Mendekati Metode TOPSIS TOPSIS adalah salah satu metode pengambilan keputusan multi kriteria yang pertama kali diperkenalkan oleh Yoon dan Hwang tahun TOPSIS didasarkan pada konsep dimana alternatif yang terpilih atau terbaik tidak hanya mempunyai jarak terdekat dari solusi ideal positif, namun juga memiliki jarak terjauh dari solusi ideal negatif dari sudut pandang geometris dengan menggunakan jarak Euclidean untuk menentukan kedekatan relatif dari suatu alternatif dengan solusi optimal. Solusi ideal positif didefinisikan sebagai jumlah dari seluruh nilai terbaik yang dapat dicapai untuk setiap atribut, sedangkan solusi negatif-ideal terdiri dari seluruh nilai terburuk yang dicapai untuk setiap atribut. TOPSIS mempertimbangkan keduanya, jarak terhadap solusi ideal positif dan jarak terhadap solusi ideal negatif dengan mengambil kedekatan relatif terhadap solusi ideal positif. Berdasarkan perbandingan terhadap jarak relatifnya, susunan prioritas alternatif bisa dicapai Prosedur TOPSIS Ada beberapa langkah kerja dari TOPSIS, yaitu: 1. Membuat matriks keputusan yang ternormalisasi 124

3 2. Membuat matriks solusi ideal positif dan solusi ideal negatif 3. Menentukan matriks solusi ideal positif dan solusi ideal negatif 4. Menentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif dan matriks solusi ideal negatif. 5. Menentukan nilai preferensi untuk setiap alternatif a. Decision Matrix D mengacu terhadap m alternatif yang akan dievaluasi berdasarkan kriteria yang didefinisikan sebagai berikut: x11 x12 x1 n D x21 x22 x2n x m1 xm2 xmn b. Dengan xij menyatakan performansi dari perhitungan untuk alternatif ke-i terhadap atribut ke-j Langkah Kerja Metode TOPSIS Ada beberapa langkah kerja dalam penerapan metode TOPSIS ini, yaitu antara lain: 1. Membangun normalized decision matrix Elemen rij hasil dari normalisasi decision matrix R dengan metode Euclidean length of a vector adalah: xij rij ; dengan i 1,2,3,... m; dan j 1,2,3... n. m 2 x i 1 ij (2) 2. Membangun weighted normalized decision matrix. Solusi ideal positif A dan solusi ideal negatif A - dapat ditentukan berdasarkan rating bobot ternormalisasi Yijsebagai: yij wi rij, dengan i 1, 2,3,... m; dan j 1, 2,3,... n 3 3. Menentukan matriks solusi ideal dan matriks solusi ideal negatif Solusi ideal positif A dihitung berdasarkan: (4 Jarak antara alternatif A i dengan solusi ideal negatif dirumuskan sebagai: 7) 5. Menentukan nilai preferensi untuk setiap alternatif Kedekatan setiap alternatif terhadap solusi ideal dihitung berdasarkan rumus: 8 III. Pembahasan 3.1. Analisis Kebutuhan Input (1) Variabel yang digunakan adalah: Harga 2.Lokasi Perumahan 3.Fasilitas yang Tersedia 4.Pendapatan Konsumen 3.2. Analisis Kebutuhan Output Output yang dihasilkan dari system ini urutan alternative tertinggi sampai terendah.alternatif yang terbaik yang akan terpilih menjadi rumah yang layak untuk dipilih Kriteria Yang Dibutuhkan Bobot Dalam metode penelitian ada bobot dan kriteria yang dibutuhkan untuk menentukan rumah yang layak untuk konsumen. Adapun kriterianya adalah: C1. Harga 2.2 C2. Lokasi Perumahan C3. Fasilitas yang Tersedia C4. Pendapatan Konsumen Dari masing-masing bobot tersebut,maka dibuat suatu variabel-variabelnya. Dimana dari suatu variabel tersebut akan dirubah kedalam bilangan fuzzynya. Di bawah ini adalah bilangan fuzzy dari bobot. 1.Sangat Mahal (0.0,0.1,0,3) 2.Mahal (0.3,0.5,0.7) 3.Sedang (0.7,0.9,1.0) 4.Murah (0.9,1.0,1.0) Solusi ideal negatif A - dihitung berdasarkan: A y1, y2, y3,, yn 5 4. Menentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif dan matrik ideal negatif. Jarak antara alternatif A i dengan solusi ideal positif dirumuskan sebagai: 6 Agregat Bobot Kepentingan Batasan penelitian ini antara lain melibatkan satu orang pengambil keputusan saja terutama dalam hal konstruksi penilaian fuzzy. Oleh karena itu, nilai agregat bobot kepentingan kriteria yang ditentukan dalam penelitian ini adalah seperti pada Tabel berikut ini.: Tabel 1. Bobot kepentingan criteria Kriteria Intentitas Defenisi 125

4 kepentingan C1 7 Lebih Penting C2 5 Penting C3 3 Relatif C4 5 Penting Kriteria Harga Tabel II. Tabel Harga Kesesuaian Harga Nilai Rp ,- 0.0,0.1,0.3 Rp ,- 0.3,0.5,0.7 Rp ,- 0.7,0.9,0.1 Rp ,- 0.9,0.1,0.1 Kriteria Lokasi Perumahan Tabel III. Tabel Lokasi Perumahan Lokasi Perumahan Nilai Jauh (> 4Km) 0.0,0.1,0.3 Kurang Dekat (>2,5Km - 0.3,0.5,0.7 4Km) Dekat dengan Pusat Kota 0.7,0.9,0.1 (>1Km - 2,5Km) Di Pusat Kota ( 1Km) 0.9,0.1,0.1 Fasilitas yang Tersedia Tabel IV. Fasilitas yang Tersedia Fasilitas yang Tersedia Nilai 0.0,0.1,0.3 PDAM,Drainase,Surat-surat PDAM,Drainase,Surat-surat, Mushollah PDAM,Drainase,Surat-surat, Mushollah, Gereja PDAM,Drainase,Suratsurat,Mushollah,Gereja,PAUD 0.3,0.5, ,0.9, ,0.1,0.1 Kriteria Pendapatan Konsumen Tabel V. Tabel Pendapatan Konsumen Pendapatan Konsumen Nilai Rp ,- s.d 0.0,0.1,0.3 Rp Rp ,- s.d 0.3,0.5,0.7 Rp Rp ,- s.d 0.7,0.9,0.1 Rp ,- Rp ,- s.d 0.9,0.1,0.1 Rp IV. HASIL DAN PEMBAHASAN Data Input Perancangan sistem Tabel VI. Data Input Nilai C1 C2 C3 C4 36 0, ,117 0, ,883 0,883 0,5 0, ,5 0,5 0,5 0, ,117 0,983 0,983 0,983 Agregat Peringkat Alternatif Nilai crisp pada tabel adalah hasil transformasi peringkat alternatif fuzzy menjadi peringkat alternatif crisp dengan menggunakan representasi integrasi graded mean. Tabel VII..Nilai Crisp terhadap Kriteria Nilai C1 C2 C3 C , ,117 0,117 0,883 0,883 0,5 0,117 0,5 0,5 0,5 0,883 0,117 0,983 0,983 0,983 Menghitung Matriks Keputusan Ternormalisasi Matriks keputusan ternormalisasi dapat dikalkulasikan dan ditampilkan pada tabel 8 126

5 berikut ini. Sebagai sampel, dengan tingkat presisi desimal 3. Tabel VII. Hasil Perhitungan Matriks Ternormalisasi C1 C2 C3 C4 36 0,693 0,817 0,096 0, ,623 0,361 0,411 0, ,353 0,204 0,411 0, ,082 0,402 0,808 0,738 Menentukan Solusi Ideal Positif dan Solusi Ideal Negatif Berikut hasil perhitungan solusi Ideal Positif dan Solusi Ideal Negatif Tabel IX. Hasil Solusi Ideal Positif dan Solusi Ideal Negatif Solusi Ideal Positif & Negatif C1 C2 C3 C4 A+ 0,693 0,817 0,096 0,088 A- 0,082 0,204 0,096 0,088 Mengukur Jarak Terbobot Alternatif terhadap Solusi Ideal Positif dan Negatif Pengkalkulasian jarak Euclidean terbobot terhadap solusi ideal positif dan solusi ideal negatif terlihat pada tabel 11. Sebagai sampel, dengan tingkat presisi desimal 3, Tabel X. Ukuran Jarak Terbobot Ukuran Jarak D+ D- 36 2,29 2, ,914 1, ,855 1, ,818 2,324 Mengkalkulasi Koefisien Kedekatan Relatif dan Merangking Urutan Preferensi Pada tahap fuzzy TOPSIS yang terakhir ini, terlebih dahulu yang harus dilakukan adalah penentuan koefisien kedekatan relatif, setelah itu dilakukan perangkingan urutan preferensi. Perhitungan koefisien kedekatan relatif (RCC) terhadap secara keseluruhan ialah: Tabel XI.Koefisien Kedekatan Relatif RCC 36 0, , , ,561 Tabel XII.Hasil Perangkingan RCC Ranking , , ,671 4 V. KESIMPULAN Berdasarkan pembahasan dan hasil pengujian aplikasi ini dapat disimpulkan: 1. Metode -TOPSIS dapat digunakan sebagai pilihan untuk menyelesaikan permasalahan ketidakpastian penentu keputusan. 2. Proses untuk menentukan kelayasan dalam memilih rumah dinilai lebih efektif bila dibandingkan dengan cara manual. VI. DAFTAR PUSTAKA [1] Abari M K, Nilchi A N, Nasri M, Hekmatpanah M (2012) Taget market selection using fuzzy AHP and TOPSIS methods, African Journal of Business Management Vol. 6 pp , ISSN [2] Ashrafzadeh M, Rafiei F M, Isfahani N M, Zare Z (2012) Interdisciplinary Journal Of Contempory Research in Business Vol.3 No. 9. [3] Balli S dankurokoglu S, (2009), Operating System Selection using fuzzy AHP and TOPSIS Methods, Mathematical and Computational Application, Vol 14 No. 2 pp [4] Juliyantiet all, (2011) Pemilihan guru berprestasimenggunakanmetode AHP dantopsis, Prosiding Seminar Nasional MIPA UNY. [5] Kusumadewi S danpurnomo H, (2004) AplikasiLogika untukpendukungkeputusan, GrahaIlmu, Yogyakarta. [6] Lestari,S (2011)Seleksi Penerimaan Calon Karyawan Dengan Metode TOPSIS.Jurnal, Magister Ilmu Komputer. Program Pascasarjana, UniversitasGadjah Mada,Yogyakarta. 127

6 [7] Manurung,Pangeran (2010),SistemPendukungKeputusanSeleksiPeneri mabeasiswa Dengan Metode AHP Dan TOPSIS.Skripsi,Program Sarjana,Universitas Sumatera Utara. [8] Nihan T C, (2011) Topsis Methods in Group Decision Making And An Application For Bank Branch Location Selection, Journal of Engineering and Natural Sciences, Sigma 29 pp [9] Rustiawan,Asep Hendar (2012), Sistem Pendukung Keputusan Penyeleksian Calon Baru Di Sma Negeri 3 GARUT, Jurnal Algoritma,Sekolah Tinggi Teknologi Garut,Garut. [10] Shahanaghi K danyazdian S. Y (2009), Vendor Selection Using a New Group Topsis Approach, Journal of Uncertain System Vol 3 No. 3 pp [11] Uyun S danriadi I (2010), A Topsis Multiple Attribute Decision Making For Scholarship Selection, TelkomnikaVol 9 No. 1, pp ISSN [12] Wulandari,F(2007).PembuatanSistemPendukung KeputusanBerbasisTeori UntukMengembangkanSuatuProdukBaru.Jurnal,P rogram Magister,Universitas UIN Suska,Pekanbaru 128