BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas teori mengenai Sistem Pendukung Keputusan, penelitan lain yang berhubungan dengan sistem pendukung keputusan, Simple Additve Weighting (SAW), dan Weighted Product (WP) Sistem Pendukung Keputusan Pada awal tahun 1970-an, Scott Morton pertama kali mengartikulasikan konsep penting sistem pendukung keputusan. Ia mendefinisikan sistem pendukung keputusan sebagai sistem berbasis komputer interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalahmasalah tidak terstruktur (Gorry dan Scott Morton, 1971) [14]. Secara Umum, Sistem Pendukung Keputusan adalah sebuah sistem yang mampu memberikan kemampuan, baik kemampuan pemecahan masalah maupun kemampuan pengkomunikasian untuk masalah semi terstruktur. Sedangkan secara Khusus, Sistem Pendukung Keputusan adalah sebuah sistem yang mendukung kerja seorang manager maupun sekelompok manager dalam memecahkan masalah semi-terstruktur dengan cara memberikan informasi ataupun usulan menuju pada keputusan tertentu [14]. Tujuan dari pembuatan sistem pendukung keputusan yaitu [2]: 1. Membantu manajer dalam pengambilan keputusan atas masalah semi terstruktur. 2. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan untuk menggantikan fungsi manajer. 3. Meningkatkan efektivitas keputusan yang diambil manajer lebih dari pada perbaikan efisiensinya.

2 18 4. Kecepatan komputasi. Untuk menghasilkan keputusan dengan cepat dan dengan biaya yang rendah. 5. Peningkatan produktifitas. Dengan adanya sistem ini maka pengguna dapat melakukan beberapa pekerjaan dalam waktu yang hampir bersamaan. 6. Dukungan kualitas. Komputer bisa meningkatkan kualitas keputusan yang dibuat. 7. Berdaya saing. Manajemen dan pemberdayaan sumber daya perusahaan. Tekanan persaingan menyebabkan tugas pengambil keputusan menjadi sulit. Teknologi pengambilan keputusan bisa menciptakan pemberdayaan signifikan dengan cara memperbolehkan seseorang untuk membuat keputusan yang baik secara cepat, bahkan jika mereka memiliki pengetahuan yang kurang. 8. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan. Menurut Simon (1977), otak manusia memiliki kemampuan yang terbatas untuk memroses dan menyimpan informasi. Orang-orang kadang sulit mengingat dan menggunakan sebuah informasi dengan cara yang bebas dari kesalahan. Sistem pendukung keputusan terdiri dari 3 komponen utama atau subsistem yaitu[3]: a. Subsistem Manajemen Basis Data Kemampuan yang diperlukan dari subsistem ini antara lain : 1. Menggabungkan berbagai data melalui pengambilan data dan ekstraksi data. 2. Menambahkan data dengan cepat dan mudah. 3. Menggambarkan struktur data logikal sesuai dengan pemahaman pemakai agar pemakai dapat mengetahui dan menentukan kebutuhan basis data. 4. Menangani data secara khusus sehingga pemakai dapat mencoba berbagai alternatif pertimbangan yang lain. 5. Mengelola berbagai variasi data. b. Subsistem Manajemen Basis Model Kemampuan yang dimiliki subsistem basis model antara lain :

3 19 1. Menciptakan model model yang baru dengan cepat dan mudah. 2. Mengakses dan mengintegrasikan model model keputusan. 3. Mengelola basis model dengan fungsi manajemen yang analog dan manajemen basis data. c. Subsistem Perangkat Lunak Penyelenggara Dialog Subsistem dialog adalah kemampuan interaksi antara sistem dan pemakai yang berasal dari fleksibilitas dan kekuatan karakteristik SPK. Keunikan lainnya dari sistem pendukung keputusan adalah adanya fasilitas yang mampu mengintegrasikan sistem terpasang dengan pengguna secara interaktif. Fasilitas yang dimiliki oleh subsistem ini dapat dibagi atas 3 komponen yaitu [2]: 1. Bahasa aksi (Action Language) yaitu suatu perangkat lunak yang dapat digunakan pengguna untuk berkomunikasi dengan sistem. Komunikasi ini dilakukan melalui berbagai pilihan media seperti keyboard, joystick dan key function. 2. Bahasa Tampilan (Display atau Presentation Language) yaitu suatu perangkat yang berfungsi sebagai sarana untuk menampilkan sesuatu. 3. Basis Pengetahuan (Knowledge Base) yaitu bagian yang mutlak diketahui oleh pengguna sistem yang dirancang dapat berfungsi secara efektif Fuzzy Multiple Attribute Decision Making (FMADM) FMADM adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Inti dari FMADM adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan.

4 20 Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut, yaitu pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif & obyektif. Masing - masing kelemahan. Pada pendekatan subyektif, nilai bobot ditentukan berdasarkan subyektifitas dari para pengambil keputusan, sehingga beberapa faktor dalam proses perankingan alternatif bisa ditentukan secara bebas. Sedangkan pada pendekatan obyektif, nilai bobot dihitung secara matematis sehingga mengabaikan subyektifitas dari pengambil keputusan[7]. Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah FMADM. antara lain[7] : a. Simple Additive Weighting Method (SAW) b. Weighted Product (WP) c. ELECTRE d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) e. Analytic Hierarchy Process (AHP) Metode Simple Additive Weighting (SAW) Metode SAW sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. x ij Max x ij jika j adalah atribut keberuntungan (benefit) r ij = (2.1) Min x ij x ij jika j adalah atribut biaya (cost) Keterangan : rij = rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj

5 21 di mana i = 1, 2,..., m dan j = 1, 2,..., n. Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai: n V i = w j r ij j=1... (2.2) Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih. Sedangkan untuk kriterianya terbagi dalam dua kategori yaitu untuk bernilai positif termasuk dalam kriteria keuntungan dan yang bernilai negatif termasuk dalam kriteria biaya. Keterangan : Ai = Alternatif Cj = Kriteria w j = Bobot Preferensi V i = Nilai preferensi untuk setiap alternatif x ij = Nilai alternatif dari setiap kriteria. Secara singkat algoritma metode SAW adalah: 1. Memberikan nilai setiap alternatif (Ai) pada setiap kriteria (Cj) yang sudah ditentukan, di mana nilai tersebut di peroleh berdasarkan nilai crisp; i=1,2, m dan j=1,2, n. 2. Memberikan nilai bobot (W) yang juga didapatkan berdasarkan nilai crisp. 3. Melakukan normalisasi matriks dengan cara menghitung nilai rating kinerja ternormalisasi (rij) dari alternatif Ai pada atribut Cj berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan/benefit = MAKSIMUM atau atribut biaya/cost = MINIMUM). Apabila berupa artibut keuntungan maka nilai crisp (xij) dari setiap kolom atribut dibagi dengan nilai crisp MAX (MAX xij) dari

6 22 tiap kolom, sedangkan untuk atribut biaya, nilai crisp MIN (MIN xij) dari tiap kolom atribut dibagi dengan nilai crisp (xij) setiap kolom. 4. Melakukan proses perankingan dengan cara mengalikan matriks ternormalisasi (R) dengan nilai bobot (W). 5. Menentukan nilai preferensi untuk setiap alternatif (Vi) dengan cara menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot (W). Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih [4] Metode Weighted Product (WP) Metode WP menggunakan perkalian untuk menghubungkan rating atribut, di mana rating setiap atribut pertama sekali dipangkatkan dengan bobot atribut yang bersangkutan (Yoon, 1989). Proses ini sama halnya dengan proses normalisasi. Preferensi untuk alternatif Ai diberikan sebagai berikut : S i = n x ij w j j=1... (2.3) dengan i = 1, 2, 3,, m. j = 1, 2, 3,, n. Preferensi relatif dari setiap alternatif, diberikan sebagai berikut [7]: n V i = x ij w j j = 1 m S i i = 1 (2.4)... dengan i = 1, 2, 3,, m. j = 1, 2, 3,, n.

7 23 Secara singkat, algoritma dari metode ini adalah sebagai berikut: 1. Melakukan perbaikan bobot terlebih dahulu agar total bobot wj = 1. Caranya dengan membagi nilai bobot dengan penjumlahan seluruh nilai bobot. 2. Mengalikan seluruh atribut untuk sebuah alternatif dengan bobot sebagai pangkat positif untuk atribut keuntungan dan bobot pangkat negatif pada atribut biaya disebut vektor Si. 3. Hasil perkalian dijumlahkan untuk menghasilkan nilai pada setiap alternatif 4. Melakukan pembagian antara Si dan hasil penjumlahan Si ( Si ) yang akan menghasilkan nilai preferensi Vi. 5. Ditemukan urutan alternatif terbaik yang akan menjadi keputusan Penelitian yang terkait dengan Metode SAW dan Metode WP Berikut ini adalah beberapa penelitian yang terkait dengan metode SAW dan metode WP: 1. Penelitian yang berjudul Simulasi Seleksi Mahasiswa Baru Jalur Undangan Dengan Menggunakan Metode Simple Additive Weighting. Penelitian ini bertujuan agar proses pengambilan keputusan dalam seleksi calon mahasiswa melalui jalur undangan yang memilih Fakultas MIPA dapat berjalan dengan cepat. Kriteria dalam penelitian ini adalah rata rata nilai rapor kelas X sampai dengan kelas XII semester 1 untuk mata pelajaran matematika, fisika, kimia, biologi, bahasa Indonesia dan bahasa inggris. Selain itu, kriteria lain yang digunakan adalah SPP, penghasilan orang tua dan jumlah tanggungan. Pada penelitian ini, sistem pendukung keputusan dengan menggukan metode simple additive weighting dapat berjalan dengan baik. Proses penyeleksian mahasiswa jalur undangan dipengaruhi oleh kriteria yang ditetapkan dan perbandingan tingkat kepentingan antara kriteria. Hasil akhir berupa perankingan yang memiliki nilai akhir terbesar berada pada peringkat atas dan

8 24 siswa yang diterima disesuaikan dengan daya tampung dari fakultas itu sendiri [13]. 2. Penelitian selanjutnya berjudul Sistem Pendukung Keputusan Untuk Merekomendasi TV Layar Datar Menggunakan Metode Weighted Product bertujuan untuk memberikan rekomendasi TV layar datar terbaik bagi konsumen. Kriteria dari sistem yang dibangun antara lain: harga, merek, resolusi, ukuran dan berat TV. Kriteria tersebut diperoleh dari hasil kuisioner terhadap 30 responden. Berdasarkan penelitian tersebut metode weighted product dapat digunakan dalam perhitungan merekomendasi televisi, dan calon konsumen merasa terbantu dengan adanya sistem ini sebab hasil rekomendasi yang didapat sesuai dengan keinginan calon konsumen [9]. 3. Penelitian selanjutnya berjudul Sistem Pendukung Keputusan Penilaian Hasil Visitasi Support Area Dengan Menggunakan Metode Simple Additive Weighting. Penelitian ini bertujuan untuk menentukan nilai kinerja minimal dari support area berdasarkan historikal yang ada sehingga hasil perankingan dari hasil nilai kinerja tersebut dapat menjadi rekomendasi bagi pihak manajemen. Kriteria yang digunakan pada penelitian ini antara lain: kuantitatif pengajaran mesin absensi, kuantitatif pengajaran software absensi, kuantitatif waktu visitasi, kualitatif kemampuan penyelesaian masalah dan kualitatif keaktifan selama visitasi. Hasil penerapan metode ini berjalan dengan baik sehingga mempermudah pihak manajemen dalam mengukur kinerja support area dan dapat menjadi media pengendalian kegiatan visitasi yang hasilnya dapat dipantau setiap periode [8]. 4. Penelitian yang berjudul Sistem Pendukung Keputusan Pemberian Bonus Pegawai Pada Hotel Alamanda Klaten Dengan Menggunakan Metode Weigted Product. Di dalamnya membahas mengenai pembuatan sistem yang dapat membantu manajer dalam memutuskan karyawan yang berhak menerima

9 25 bonus berdasarkan kriteria sebagai berikut: kreatifitas, absensi, profesionalitas, kebersihan, kerjasama, tanggungjawab, tata karma, dan penampilan. Nilai tertinggi untuk penilaian pada kriteria yaitu 100 dengan jumlah bobot referensi (bobot awal) yaitu 25. Pada penelitian ini sistem yang dibangun mengeluarkan hasil keputusan yang sama seperti pada perhitungan manual. Hanya saja pada sistem output yang dihasilkan lebih cepat sehingga dapat mempercepat kinerja manajer dalam menentukan siapa saja pegawai yang layak menerima bonus pada setiap periodenya [10]. 5. Penelitian yang berjudul Penentuan Penerima Beasiswa Dengan Menggunakan Fuzzy MADM. Untuk memperoleh hasil optimal diperlukan kriteria yang mendukung sistem ini antara lain: nilai indeks prestasi akademik (IPK), penghasilan orang tua, jumlah tanggungan orang tua, dan jumlah saudara kandung. Dengan variabel penilaian sangat tinggi, tinggi, cukup, rendah dan sangat rendah. Perhitungan dilakukan dengan menggunakan metode SAW dengan cara pembobotan kriteria dan alternatif, dilanjutkan dengan normalisasi matriks keputusan ke suatu skala yang dapat dibandingkan dengan semua alternatif yang ada menjadi. Selanjutnya menghitung nilai preferensi setiap alternatif. Nilai yang terbesar mengindikasikan sebagai alternatif terbaik [11]. 6. Penelitian selanjutnya berjudul Implementasi Metode Simple Additive Weighting Pada Sistem Pengambilan Keputusan Sertifikasi Guru. Penelitian ini bertujuan untuk membantu mengambil keputusan terhadap penilaian portofolio sertifikasi guru. Kriteria yang digunakan dalam pembuatan sistem ini adalah kualifikasi akademik, pendidikan dan pelatihan, pengalaman mengajar, perencanaan dan pelaksanaan pembelajaran, penilaian dari atasan, prestasi akademik, karya pengembangan profesi, keikutsertaan dalam forum ilmiah, pengalaman organisasi di bidang kependidikan dan sosial, dan penghargaan yang relevan dengan bidang pendidikan. Hasil dari penelitian

10 26 adalah dengan menggunakan perhitungan metode saw maka sistem sistem yang dibangun sudah dapat dapat melakukan perhitungan sistem pendukung keputusan dengan baik karena hasil perhitungan manual sesuai dengan hasil pengujian program dan keluaran yang dihasilkan berupa nilai dan laporan yang menunjukkan guru yang tersertifikasi [5]. 7. Penelitian selanjutnya berjudul Analisis Perbandingan Metode Analytical Hierarchy Process (AHP) Dan Simple Additive Weighting (SAW) dengan studi kasus penentuan pemberian bantuan modal wirausaha baru baru yang untuk membantu dalam menganalisis pemilihan siapa yang layak menerima bantuan modal wirausaha baru, sedangkan tujuan dari perbandingan kedua metode adalah untuk mengukur tingkat keakurasian informasi yang lebih akurat. Dalam pembuatan sistem dibutuhkan kriteria kriteria pendukung yaitu: status tempat tinggal, parameter kemiskinan, produktivitas usaha, pendapatan per bulan, jumlah tanggungan keluarga dan fasilitas pendukung usaha. Namun, secara garis besar, kedua metode ini mampu menyelesaikan studi kasus yang sama dalam pengambilan keputusan dengan hasil akhir yang relatif sama. Metode AHP dianggap mampu memberikan informasi yang lebih akurat [4]. 8. Penelitian berjudul Pengembangan Sistem Pendukung Keputusan Berbasis Mobila Untuk Pengisian Kartu Rencana Studi Dengan Fuzzy Multi-Attribute Decision Making (FMADM) Metode Simple Additive Weighting (SAW) Di Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha Singaraja bertujuan untuk membantu mahasiswa dalam pengisian KRS. Pengisian KRS berdasarkan pada KHS semester sebelumnya yang akan menentukan SKS maksimal yang dapat diambil siswa. Hasilnya dalam pengisian KRS terdapat daftar matakuliah yang disarankan dan tidak disarankan serta menghasilkan pemetaan matakuliah pada semester selanjutnya sehingga membantu mahasiswa dalam pemilihan matakuliah [1].