BAB 2 LANDASAN TEORI

Transkripsi

1 17 BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan adalah sistem berbasis komputer yang membantu para pengambil keputusan mengatasi masalah melalui interaksi dengan sejumlah database.tujuan dari sistem adalah untuk menyimpan data dan mengubahnya menjadi terorganisir yang dapat diakses dengan mudah, sehingga keputusan-keputasan yang diambil dapat dengan cepat, akurat, dan murah. (Dermawan, 2002) Sistem Pendukung Keptusan biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk satu peluang.aplikasi Sistem Pendukung Keputusan menggunakan CBIS (Computer Based Information System) yang fleksibel, interaktif, dan diadaptasi, yang dikembangkan untuk mendukung mencari solusi. (Nofriansyah, 2014) Sistem Pendukung Keputusan juga dapat didefenisikan sebuah sistem informasi berbasis komputer yang menggabungkan model dan data dalam upaya memecahkan masalah semi terstruktur dan beberapa masalah yang tidak terstruktur dengan campur tangan pengguna. (Turban, et al. 2009) Syarat Sistem Pendukung Keputusan Menurut Bidgoli (1989), syarat dari sebuah sistem keputusan adalah : 1. Memerlukan perangkat keras; 2. Memerlukan perangkat lunak; 3. Memerlukan manusia (perancang dan pengguna); 4. Dirancang untuk mendukung sebuah pengambilan keputusan; 5. Harus dapat membantu pengambil keputusan pada setiap level keputusan; dan 6. Menekankan masalah tidak terstruktur dan semi terstruktur.

2 Arsitektur Sistem Pendukung Keputusan Arsitektur Sistem Keputusan (SPK) terdiri dari beberapa subsistem yang menentukan kapabilitas teknis Sistem Pendukung Keputusan Tersebut (Nofriansyah, 2014), yaitu; 1. Subsistem data (Database) Merupakan komponen Sistem Pendukung Keputusan yang berguna sebagai penyedia data bagi sistem.data tersebut disimpan untuk diorganisasikan dalam sebuah basis data yang diorganisasikan oleh suatu sistem yang dsebut dengan sistem manajemen basis data (Database Management System). 2. Subsistem Model Subsistem yang mengatur interaksi data dan model keputusan yang ada pada sistem. 3. Subsistem Dialog Subsistem yang mampu mengintegrasikan sistem terpasang dengan pengguna secara interaktif, yang dikenal dengan subsitem dialog. Ketiga subsistem menjadi suatu Arsitektur SPK yang terdapat pada gambar 1.1 sebagai berikut: Gambar 1.1 Arsitektur Sistem Pendukung Keputusan (Turban, et al. 2009)

3 19 Arsitektur SPK sendiri terdiri dari fungsi-fungsi yang diperlukan pada sebuah SPK yaitu Dialog, Manajemen Database, dan Pemodelan Karakteristik Sistem Pendukung Keputusan Sehubungan banyaknya definisi yang dikemukakan mengenai pengertian dan penerapan dari sebuah SPK, sehingga menyebabkan terdapat banyak sekali pandangan mengenai sistem tersebut. SPK memiliki beberapa karakteristik dan kemampuan (Nofriansyah, 2014), yaitu: 1. Mendukung proses pengambilan keputusan suatu organisasi atau perusahaan. 2. Adanya Interface manusia/mesin dimana manusia (user) tetap memegang kontrol proses pengambilan keputusan. 3. Mendukung pengambilan keputusan untuk membahas masalah terstruktur, semi terstruktur serta mendukung beberapa keputusan yang saling berinteraksi. 4. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan kebutuhan. 5. Memiliki subsistem yang terintegrasi sedemikian rupa sehingga dapat berfungsi sebagai kesatuan sistem. 6. Memiliki dua komponen utama yaitu data dan model. 7. Menggunakan beberapa model kuantitatif Tahapan Proses Pengambilan Keputusan Langkah-langkah yang diperlukan dalam proses pengambilan keputusan (Nofriansyah, 2014), adalah: A. Intelligence Tahap ini merupakan proses penelusuran dan pendektesian dari ruang lingkup problematika secara proses pengenalan masalah. Data masukan diperoleh, diproses dan diuji dalam rangka mengidentifikasi masalah. B. Design Tahap ini merupakan proses menemukan, mengembangkan dan menganalisis alternatif tindakan yang biasa dilakukan. Tahap ini meliputi menguji kelayakan solusi. C. Choice

4 20 Pada tahap ini dilakukan proses pemilihan diantara berbagai alternatif tindakan yang mungkin dijalankan. Hasil pemilihan tersebut kemudian diimplementasikan dalam proses pengambilan keputusan Simple Additive Weighting (SAW) Simple Additive Weighting (SAW) sering juga dikenal dengan istilah metode penjumlahan terbobot, merupakan sebuah metode yang cukup terkenal dan sering digunakan dalam Multiple Decision Making (MADM).Setiap alternatif dikalikan dengan atribut untuk memperoleh nilai. Proses perhitungan dapat dinyatakan dalam rumus (1) (Venkata, 2007): Keterangan: Pi J M = Nilai SAW = Batas bawah perhitungan = Batas atas perhitungan = Bobot kriteria j = Nilai alternatif i pada kriteria j Banyak pendapat yang mengatakan bahwa metode SAW hanya bisa digunakan ketika keputusan yang dinyatakan dalam satu bentuk.namun jika setiap elemen yang ada dinormalisasi, maka metode SAW dapat digunakan pada semua jenis kriteria maupun alternatif. Dalam kasus tersebut, maka bentuk perhitungan akan menjadi seperti rumus (2) (Venkata, 2007):

5 21 Keterangan: Pi j M = Nilai SAW = Batas bawah perhitungan = Batas atas perhitungan = Bobot kriteria j ( ) normal = Nilai kriteria dari alternatif pada baris i kolom j yang telah ternormalisasi. Ketika ( ) normal mewakili nilai dari yang telah dinormalisasi, alternatif dengan nilai Pi tertinggi akan dipilih sebagai alternatif terbaik. Kriteria yang ada dapat berupa kriteria keuntungan maupun kerugian. Jika kriteria merupakan kriteria keuntungan, maka normalisasi dihitung dengan menggunakan rumus (3) (Turban, et al. 2009): Keterangan: ( ) normal = Nilai data baris i kolom j yang telah ternormalisai ( ) k = Nilai alternatif i pada kriteria j ( ) l = Nilai kriteria tertinggi dari alternatif Namun jika kriteria yang akan dihitung merupakan kriteria kerugian (nilai terendah merupakan nilai yang lebih baik), maka normalisai dihitung dengan menggunakan rumus (4) (Venkata, 2007): Keterangan: ( ) normal = Nilai data baris i kolom j yang telah ternormalisasi

6 22 ( ) l = Nilai kriteria terendah dari alternatif ( ) k = Nilai alternatif i pada kriteria j Langkah-langkah yang diperlukan untuk memperoleh nilai SAW dari alternatif yang ada adalah: 1. Masukkan nilai kriteria dari seluruh alternatif 2. Masukkan nilai bobot dari setiap kriteria 3. Normalisasi data dengan menggunakan rumus (3) jika kriteria yang dihitung merupakan kriteria keuntungan dan dengan rumus (4) jika kriteria yang dihitung berupa kriteria kerugian. 4. Data ternormalisasi akan diperoleh 5. Hitung nilai SAW dengan menggunakan rumus (2) 6. Nilai preferensi dari setiap alternatif diperoleh Untuk lebih jelasnya, dapat dilihat pada Gambar 1.2 dibawah ini;

7 23 Gambar 1.2 Flowchart Metode Simple Additive Weighting Diberikan contoh sebagai berikut.terdapat sebuah permasalahan dalam memilih alternatif yang terbaik antara A1, A2, dan A3. Sedangkan kriteria yang menentukan proses pemilihan adalah C1, C2, C3, dan C4. Nilai bobot kriteria dan nilai kriteria dari masing-masing alternatif disajikan dalam Tabel 1.1 (Siregar, M F F, 2014)

8 24 Tabel 1.1 Tabel Contoh Nilai SAW C1 C2 C3 C4 Alternatif A A A Berdasarkan Tabel 1.1, dapat kita ketahui nilai bobot yang diberikan pada kriteria C1 adalah 0.3 atau 30%, nilai bobot pada kriteria C2 adalah 0.3 atau 30%, nilai bobot pada kriteria C3 adalah 0.2 atau 20% dan nilai bobot pada kriteria C4 adalah 0.2 atau setara dengan 20%. Dalam permasalahan ini, keseluruhan kriteria merupakan kriteria keuntungan. Maka, selanjutnya data tersebut akan dinormalisasikan dengan rumus (3). Sehingga menjadi seperti Tabel 1.2. Tabel 1.2 Tabel Hasil Normalisasi Nilai C1 C2 C3 C4 Alternatif A A A Setelah proses normalisasi, maka langkah selanjutnya adalah menghitung nilai SAW dengan rumus (2). Untuk alternatif A1, maka nilai SAW yang diperoleh adalah: Untuk alternatif A2, maka nilai SAW yang diperoleh adalah: Untuk alternatif A3, maka nilai SAW yang diperoleh adalah:

9 25 Berdasarkan perhitungan diatas, maka alternatif dan yang baik, dikarenakan nilai preferensi SAW dari alternatif dan merupakan nilai yang tertinggi dari ketiga alternatif yang ada, yaitu Primagama dan Adzkia Weighted Product Model (WPM) Metode Weighted Prduct (WP) Merupakan metode pengambilan keputusan dengan cara perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot atribut yang bersangkutan (Primarizky, 2013). Metode Weighted Product (WP) merupakan salah satu metode penyelesaian yang ditawarkan untuk menyelesaikan masalah Multi Attribute Decision Making (MADM). Multi Attribute Decision Making adalah satu metode pengambilan keputusan untuk menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan beberapa kriteria tertentu (Kusumadewi, 2006). Kriteria biasanya berupa ukuran-ukuran, aturan-aturan atau standar yang digunakan dalam pengambilan keputusan. Setelah mendapat hasil bobot atribut, selanjutnya dihitung vector V persamaan sebagai berikut (Savitha. K. dan Chandrasekar. C.2011): (1) Keterangan: =Nilai alternatif terbaik. =Nilai atribut j pada kriteria i =Bobot kriteria j

10 26 Gambar 1.3 Flowchart Metode Weighted Product Model Sebagai contoh implementasi metode Weighted Product, yakni: Diasumsikan tempat lembaga bimbingan belajar di kota Medan ditentukan dengan memiliki nilai dari kriteria, yaitu: Biaya, Fasilitas, Jumlah Pertemuan, Jumlah Lulus ke PTN. Alternatif pemilihan tempat lembaga bimbingan belajar di kota Medan yang disediakan seperti tabel dibawah ini.

11 27 Tabel 1.3 Data Tempat Lembaga Bimbingan Belajar di Kota Medan Kriteria Alternatif C1 C2 C3 C4 A A A Keterangan: C1 =Biaya C2 =Fasilitas C3 =Jumlah pertemuan A1=GaneshaOperation(GO) A2 =Primagama A3=ADZKIA C4 =Jumlah Lulus ke PTN Di mana data dari setiap kriteria yang didapat oleh masing-masing Bimbingan Belajar yang ada di kota Medan. Selanjutnya menentukan bobot untuk setiap kriteria, bobot kriteria akan ditentukan sebagai berikut: Tabel 1.4 Pemberian Bobot Kriteria C1 C2 C3 C4 Alternatif A A A

12 28 Berdasarkan table 2 diatas, dapat kita ketahui nilai bobot yang diberikan pada A1 adalah 0.2 atau 20%, nilai bobot pada kriteria A2 adalah 0.2 atau 20%, nilai bobot pada kriteria A3 adalah 0.3 atau 30%, nilai bobot pada kriteria A4 adalah 0.3 atau setara dengan 30%. Selanjutnya untuk menghitung nilai WPM dari setiap alternatif digunakan rumus (1) sehingga: A1= x x x = A2= x x x = A3= x x x = Dari hasil diatas, maka A1 merupakan alternatif pilihan terbaik yaitu Lembaga Bimbingan Belajar Ganesha Operation (GO) Relevansi Beberapa contoh penelitian tentang Sistem Pendukung Keputusan dan implementasi metode Simple Additive Weighting maupun Weighted Product Model adalah sebagai berikut: 1. M.Fajrul Falah Siregar (2010), membuat penelitian yang berjudul Implementasi Metode Simple Additive Weighting (SAW) Dalam Pemilihan Siswa Berprestasi (Studi Kasus: MIN Tanjung Sari Medan Selayang). Hasil penelitian yang diperoleh adalah sebuah Sistem Pendukung Keputusan untuk menentukan pemilihan siswa berprestasi. 2. Destriyana Darmastuti (2013), membuat penelitian dengan judul Implementasi Metode Simple Additive Weighting (SAW) Dalam Sistem Informasi Lowongan Kerja Berbasis WEB Untuk Rekomendasi Pencari Kerja Terbaik. Hasil penelitian yang diperoleh adalah sebuah aplikasi berbasis WEB untuk rekomendasi pencari kerja terbaik dan hasil rekomendasi pencari kerja yang sesuai dengan kebutuhan penyedia kerja berdasarkan kriteria yang dibutuhkan.