BAB III ANALISIS DAN DESAIN SISTEM III.1 Analisa Masalah Analisa masalah bertujuan untuk mengklarifikasi serta melakukan evaluasi terhadap sistem pembelian sepeda motor bekas yang sedang berjalan pada PT. Nusantara Surya Sakti. Adapun masalah-masalah yang ditemukan dalam penelitian ini adalah calon pembeli masih kesulitan dalam menentukan kriteriakriteria apa saja yang harus diberi penilaian dalam membeli sepeda motor bekas, sehingga pembeli juga masih kesulitan dalam membandingkan dan memilih yang terbaik diantara beberapa sepeda motor bekas yang ada, dengan demikian calon pembeli mengalami kesulitan dan membutuhkan waktu yang lama dalam memilih sepeda motor bekas. Berdasarkan permasalahan tersebut, penulis mengemukakan usulan untuk menyelesaikan masalah tersebut, adapun usulan pemecahan masalah tersebut adalah dengan membuat sistem pendukung keputusan pembelian sepeda motor bekas berbasis komputer yang mempermudah calon pembeli dalam pengambilan keputusan pada saat membeli sepeda motor bekas dengan menerapkan metode simple additive weighting (SAW). III.2 Penerapan Metode Simple Additive Weighting Metode Simple Additive Weighting (SAW) merupakan metode Multiple Attribute Decision Making (MADM), Metode SAW sering juga dikenal sebagai metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari 45
46 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. Berikut adalah formula untuk mencari normalisasi : r ij = x ij max x i ij jika j adala atribut keuntungan benefit min x i ij jika j adala atribut biaya cost (1) x ij Dimana : rij : Rating kinerja ternormalisasi Maximum : Nilai maksimum dari setiap baris dan kolom Minimum : Nilai minimum dari setiap baris dan kolom Xij : Baris dan kolom dari matriks Dimana rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Ci; i=1,2,...,m dan j=1,2,...,n. Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai : n V i = w j r ij (2) j =1 Dimana : Vi : Nilai Akhir Alternative Wj : Bobot yang telah ditentukan Rij : Normalisasi matriks
47 Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih. (Jurnal SPK ; Alif Wahyu Oktaputra, Edi Noersasongko ; 2014 : 3) Langkah langkah penyelesaian Fuzzy MADM menggunakan metode SAW adalah: 5. Menentukan kriterian-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu (Ci). 6. Menentukan rating kecocokan setiap alternatif pada setiap kriteria. 7. Membuat matriks keputusan (X) berdasarkan kriteria (Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut yaitu : atribut keuntungan (Benefit) atau atribut biaya (Cost), sehingga diperoleh matriks ternormalisasi (R). 8. Hasil akhir diperoleh dari setiap proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi (R) dengan vector bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi. (Jurnal Semantik ; Ita Arfyanti, Edi Purwanto; 2012 : 122). III.2.1 Flowchart Metode Simple Additive Weighting Untuk mempermudah penerapan metode Simple Additive Weighting (SAW) kedalam sistem pendukung keputusan yang akan dibuat, maka dibuat kedalam sebuah flowchart, adapun flowchart metode SAW adalah sebagai berikut:
48 Gambar III.1 Flowchart Metode Simple Additive Weighting III.2.2 Studi Kasus Metode Simple Additive Weighting Dari hasil penelitian dan analisa yang penulis lakukan, maka penulis menentukan kriteria-kriteria yang digunakan untuk memilih sepeda motor bekas beserta atribut, bobot dan sub kriteria yang dimiliki dari setiap kriteria, adapun kriteria-kriteria yang digunakan dapat dilihat pada tabel III.1 Berikut :
49 Tabel III.1 Kriteria pemilihan Sepeda Motor Bekas Kode Kriteria Nama Kriteria Atribut K01 Harga Cost K02 Tahun Benefit K03 Pajak Cost K04 Stnk Cost K05 Mesin Benefit K06 CC Mesin Benefit K07 Body Benefit Dari masing-masing kriteria tersebut akan ditentukan bobot-bobot kepentingannya dan sub-sub kriteria beserta nilainya dengan menggunakan bilangan fuzzy. Bilangan fuzzy yang di gunakan dapat dilihat pada tabel III.2 : Tabel III.2 Bilangan Fuzzy No Bilangan Fuzzy Nilai Crips 1 Sangat Penting 100 2 Penting 80 3 Cukup Penting 60 4 Kurang Penting 40 5 Tidak Penting 20 Setelah ditentukan bilangan fuzzy kemudian tentukan bobot kepentingan pada setiap kriteria. Nilai bobot kepentingan diperoleh dari hasil penelitian dan analisa yang penulis lakukan dan disesuaikan dengan bilangan fuzzy yang digunakan, adapun tabel bobot kepentingan untuk setiap kriteria dapat dilihat pada tabel III.3 : Tabel III.3 Bobot Kepentingan Untuk Setiap Kriteria Ci K01 K02 K03 K04 K05 K06 K07 W 100 80 60 60 100 80 60
50 Dari setiap kriteria tersebut juga memiliki sub kriteria dan akan ditentukan tingkat kepentingannya dengan menggunakan bilangan fuzzy. Dengan bilangan fuzzy dibuat suatu tingkatan sub kiteria berdasarkan alternatif (sepeda motor bekas) yang telah ditentukan kedalam nilai Crips. Rating kecocokan setiap alternatif pada setiap kriteria seperti tabel berikut: Tabel III.4 Nilai Crips Sub Kriteria Harga Kriteria Kriteria Alternatif Nilai Crips Sangat Murah 20 Murah 40 Harga Cukup Murah 60 Mahal 80 Sangat Mahal 100 Tabel III.5 Nilai Crips Sub Kriteria Tahun Kriteria Kriteria Alternatif Nilai Crips Tahun 2015 2016 100 Tahun 2013 2014 80 Tahun Tahun 2011 2012 60 Tahun 2009 2010 40 Tahun <= 2008 20 Tabel III.6 Nilai Crips Sub Kriteria Pajak Kriteria Kriteria Alternatif Nilai Crips Masih Berlaku 20 Telat 1 Tahun 40 Pajak Telat 2 Tahun 60 Telat 3 Tahun 80 Telat >= 4 Tahun 100
51 Tabel III.7 Nilai Crips Sub Kriteria Stnk Kriteria Kriteria Alternatif Nilai Crips Masih Berlaku 20 Telat 1 Tahun 40 Stnk Telat 2 Tahun 60 Telat 3 Tahun 80 Telat >= 4 Tahun 100 Tabel III.8 Nilai Crips Sub Kriteria Mesin Kriteria Kriteria Alternatif Nilai Crips Sangat Baik 100 Baik 80 Mesin Cukup Baik 60 Tidak Baik 40 Sangat Tidak Baik 20 Tabel III.9 Nilai Crips Sub Kriteria CC Mesin Kriteria Kriteria Alternatif Nilai Crips 250 CC 100 150 CC 80 CC Mesin 125 CC 60 110 CC 40 80 CC 20 Tabel III.10 Nilai Crips Sub Kriteria Body Kriteria Kriteria Alternatif Nilai Crips Sangat Baik 100 Baik 80 Body Cukup Baik 60 Tidak Baik 40 Sangat Tidak Baik 20
52 Contoh Kasus : Dari banyaknya data sepeda motor bekas atau yang akan dicantumkan, diambil 3 sepeda motor bekas sebagai contoh untuk penerapan metode Fuzzy Multiple Attribute Decision Making (FMADM), dengan metode Simple Additive Weighting (SAW) dalam pemilihan sepeda motor bekas yang sesuai dengan kriteria yang dipilih oleh calon pembeli. Agar alternatif yang dihasilkan nantinya benar-benar sesuai dengan keinginan masing-masing calon pembeli, maka calon pembeli akan memberikan penilaian sendiri terhadap kriteria-kriteria yang telah disediakan. a. Misalkan ada 3 sepeda motor bekas yang menjadi alternatif yaitu: Tabel III.11 Data Alternatif Sepeda Motor Bekas No Nama Harga Tahun Pajak Stnk Mesin 1 A1 2 A2 Sangat Murah Cukup Murah 3 A3 Murah 2013-2014 2015-2016 2013-2014 Masih berlaku Masih Berlaku Telat 1 tahun Masih berlaku Masih Berlaku Masih Berlaku Baik Sangat Baik Cukup Baik CC Mesin 150 cc Body Cukup baik 125 cc Baik 150 cc Sangat Baik b. Membuat tabel rating kecocokan dari setiap alternatif pada setiap kriteria. Tabel III.12 Rating Kecocokan Setiap Alternatif Pada Setiap Kriteria Alternatif Kriteria K01 K02 K03 K04 K05 K06 K07 A1 20 80 20 20 80 80 60 A2 60 100 20 20 100 60 80 A3 40 80 40 20 60 80 100
53 c. Membuat matrik keputusan (X) yang dibentuk dari tabel rating kecocokan dari setiap alternatif pada setiap kriteria. Dari Tabel III.12 diubah kedalam matriks keputusan (X) dengan data: X = 20 80 20 20 80 80 60 60 100 20 20 100 60 80 40 80 40 20 60 80 100 d. Melakukan normalisasi matrik keputusan (X) dengan cara menghitung nilai rating kinerja ternomalisasi (rij) dari alternatif (Ai) pada kriteria (Ci). r 11 = min{20,60,40} 20 r 21 = min{20,60,40} 60 r 31 = min{20,60,40} 40 = 20 20 = 1 = 20 60 = 0,33 = 20 40 = 0,5 r 12 = r 22 = r 32 = 80 max {80,100,80} = 80 100 = 0,8 100 max {80,100,80} = 100 100 = 1 80 max {80,100,80} = 80 100 = 0,8 r 13 = r 23 = min 20,20,40 20 min 20,20,40 20 = 20 20 = 1 = 20 20 = 1 r 33 = min{20,20,40} 40 = 20 40 = 0,5
54 r 14 = min 20,20,20 20 = 20 20 = 1 r 24 = min 20,20,20 20 = 20 20 = 1 r 34 = min 20,20,20 20 = 20 20 = 1 r 15 = r 25 = r 35 = r 16 = r 26 = r 36 = r 17 = r 27 = r 37 = 80 max {80,100,60} = 80 100 = 0,8 100 max {80,100,60} = 100 100 = 1 60 max {80,100,60} = 60 100 = 0,6 80 max {80,60,80} = 80 80 = 1 60 max 80,60,80 = 60 80 = 0,75 80 max {80,60,80} = 80 80 = 1 60 max 60,80,100 = 60 100 = 0,6 80 max 60,80,100 = 80 100 = 0,8 100 max 60,80,100 = 100 100 = 1 e. Hasil dari nilai rating kinerja ternomalisasi (rij) membentuk matrik ternormalisasi (R). R = 1 0,8 1 1 0,8 1 0,6 0,33 1 1 1 1 0,75 0,8 0,5 0,8 0,5 1 0,6 1 1
55 f. Melakukan proses perankingan dengan cara mengalikan matriks ternormalisasi (R) dengan nilai bobot preferensi (W) dan Menentukan nilai preferensi untuk setiap alternatif (V i ) dengan cara menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot preferensi (W). V 1 = 100*1 + 80*0,8 + 60*1 + 60*1 + 100*0,8 + 80*1 + 60*0,6 = 100 + 64 + 60 + 60 + 80 +80 + 36 = 480 V 2 = 100*0,33 + 80*1 + 60*1 + 60*1 + 100*1 + 80*0,75 + 60*0,8 = 33 + 80 + 60 + 60 + 100 + 60 + 48 =441 V 3 = 100*0,5 + 80*0,8 + 60*0,5 + 60*1 + 100*0,6 + 80*1 + 60*1 = 50 + 64 + 30 + 60 + 60 + 80 + 60 = 404 Untuk mempermudah pengambilan keputusan penulis membuat range berdasarkan nilai hasil perhitungan mengunakan metode saw, nilai range dapat dilihat pada tabel III.3 : Tabel III.13 Nilai Range Hasil Nilai Range Keterangan Nilai <= 540 And >= 427 Sangat Baik Nilai <= 426 And >= 345 Cukup Baik Nilai <= 344 And >= 264 Baik Nilai <= 263 And >= 108 Tidak Baik
56 Hasil perhitungan nilai V i yang lebih besar mengindikasikan bahwa alternatif Ai merupakan alternatif terbaik. Hasil penilaian terbesar ada pada V 1 yaitu A1 dengan nilai = 480 dengan keterangan sangat baik sehingga layak atau dapat dijadikan alternatif dalam pemilihan sepeda motor bekas sebagai alternatif yang terbaik. III.3 Desain Sistem Untuk membantu membangun sistem pendukung keputusan pemilihan sepeda motor bekas dengan menggunakan metode SAW, penulis mengusulkan pembuatan sebuah sistem dengan menggunakan aplikasi program yang lebih akurat dan lebih mudah dalam pengolahannya. Dengan menggunakan visual studio 2010, database SQL server, merancang sistem dengan mengunakan bahasa pemodelan UML yang terdiri dari usecase diagram, class diagram, activity diagram dan sequence diagram. III.3.1 Use Case Diagram Use case diagram merupakan pemodelan untuk kelakuan (Behavior) sistem informasi yang akan dibuat, berikut ini adalah use case diagram sistem pendukun keputusan pemilihan sepeda motor bekas :
57 Gambar III.2 Use Case Sistem Pendukung Keputusan Pembelian Sepeda Motor Bekas III.3.2 Class Diagram Clas diagram adalah sebuah spesifikasi yang akan menghasilkan sebuah objek dan merupakan inti dari pengembangan dan desain berorientasi objek. Class diagram menggambarkan keadaan (atribut/properti) suatu sistem. Rancangan kelas-kelas yang akan digunakan pada sistem yang akan dirancang dapat dilihat pada gambar III.2 :
58 Gambar III.3 Class Diagram Sistem Pendukung Keputusan Pembelian Sepeda Motor Bekas III.3.3 Activity Diagram Diagram aktivitas atau activity diagram menggambarkan workflow (aliran kerja) atau aktivitaas dari sebuah sistem atau proses bisnis atau menu yang ada pada perangkat lunak. Diagram aktivitas menggambarkan aktivitas sistem bukan apa yang dilakukan aktor.
59 a. Activity diagram login. Gambar III.4 Activity Diagram Login b. Activity diagram data pengguna Gambar III.5 Activity Diagram Data Pengguna
60 c. Activity diagram data alternatif Gambar III.6 Activity Diagram Data Alternatif d. Activity diagram data kriteria Gambar III.7 Activity Diagram Data Kriteria
61 e. Activity diagram data sub kriteria Gambar III.8 Activity Diagram Data Sub Kriteria f. Activity diagram data analisa Gambar III.9 Activity Diagram Data Analisa
62 g. Activity diagram data laporan Gambar III.10 Activity Diagram Data Laporan h. Activity diagram ganti password Gambar III.11 Activity Diagram Ganti Password
63 III.3.4 Sequence Diagram Sequence diagram atau diagram sekuen menggambarkan kelakuan objek pada use case dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan diterima antar objek. a. Sequence diagram login Gambar III.12 Sequence Diagram Login b. Sequence diagram data pengguna Gambar III.13 Sequence Diagram Data Pengguna
64 c. Sequence diagram data alternatif Gambar III.14 Sequence Diagram Data Alternatif d. Sequence diagram data kriteria Gambar III.15 Sequence Diagram Data Kriteria
65 e. Sequence diagram data sub kriteria Gambar III.16 Sequence Diagram Data Sub Kriteria f. Sequence diagram data analisa Gambar III.17 Sequence Diagram Data Analisa
66 g. Sequence diagram data laporan analisa Gambar III.18 Sequence Diagram Data Laporan Analisa h. Sequence diagram data ganti password Gambar III.19 Sequence Diagram Ganti Password
67 III.4 Desain Database III.4.1 Kamus Data Kamus data merupakan suatu daftar data elemen yang terorganisir dengan defenisi yang tetap dan sesuai dengan sistem, sehingga user dan analisis sistem mempunyai pengertian yang sama tentang input, output dan laporan data. Berikut kamus data dari sistem pendukung keputusan pembelian sepeda motor bekas dengan menggunakan metode SAW. a. Kamus data tabel t_pengguna t_pengguna : *id_pengguna + nama_user + jenis_kelamin + usia + email + alamat + no_hp + password + status keterangan : *id_pengguna = primary key b. Kamus data tabel t_alternatif t_alternatif :*id_alternatif + nama_alternatif + jenis + tahun + masa_aktif_pajak + masa_aktif_stnk + harga keterangan :*id_alternatif = primary key c. Kamus data tabel t_kriteria t_kriiteria keterangan :*kode_kriteria +nama_kriteria + atribut + bobot :*kode_kriteria = primary key d. Kamus data t_subkriteria t_subkriteria :*kode_sub + kode_kriteria + sub_kriteria + nilai keterangan :*kode_sub = primary key
68 e. Kamus data tabel t_analisa t_analisa :*no + analisa_id + tanggal + id_alternatif + nama_alternatif + harga + tahun + pajak + stnk + mesin + cc_mesin + body + hasil + ranking + id_pengguna + keterangan keterangan :*no = primary key III.4.2 Normalisasi Normalisasi adalah suatu teknik yang menstrukturkan data dalam cara-cara tertentu untuk membantu mengurangi atau mencegah timbulnya masalah yang berhubungan dengan pengolahan data dalam basis data. Berikut bentuk-bentuk normalisasi untuk sistem pendukung keputusan pembelian sepeda motor bekas dengan menggunakan metode SAW. a. Bentuk tidak normal (Unnormalized) Gambar III.20 Bentuk Tabel Tidak Normal (Unnormalized)
69 b. Bentuk normalisasi pertama (1NF) Gambar III.21 Bentuk Tabel Normalisasi Pertama (1NF) c. Bentuk normalisasi kedua (2NF) Gambar III.22 Bentuk Tabel Normallisasi Kedua (2NF)
70 III.4.3 Desain Tabel Dalam perancangan sistem pendukung keputusan pembelian sepeda motor bekas tersimpan dalam beberapa table dengan arsitektur data sebagai berikut : a. Tabel t_pengguna Tabel t_pengguna menyimpan tentang data-data pengguna (user) yang mempunyai hak akses program yang telah dirancang. Berikut rancangan struktur tabel tersebut : Nama Database Nama Tabel : spb : t_pengguna Tabel III.14 Tabel t_pengguna Column Name Data Tipe Ukuran Keterangan id_pengguna Varchar 12 Id Pengguna (primary key) nama_user Varchar 35 Nama pengguna jenis_kelamin char 6 Jenis Kelamin penguna usia int - Usia pengguna alamat Varchar 35 Alamat pengguna no_hp Varchar 12 No Hp pengguna password Varchar 20 Password Pengguna status Varchar 10 Status pengguna b. Tabel t_alternatif Tabel t_alternatif untuk menyimpan data-data alternatif sepeda motor bekas. Berikut rancangan struktur tabel tersebut :
71 Nama Database Nama Tabel : spb : t_alternatif Tabel III.15 Tabel t_alternatif Column Name Data Tipe Ukuran Keterangan id_alternatif Varchar 11 Id Alternatif (primary key) nama_alternatif Varchar 30 Nama alternatif jenis Varchar 20 Jenis alternatif tahun Int - Tahun keluaran alternatif masa_aktif_pajak Varchar 12 Masa aktif pajak masa_aktif_stnk Varchar 12 Masa aktif stnk harga Int - Harga alternatif c. Tabel t_kriteria Tabel t_kriteria merupakan tabel yang berfungsi untuk menginput kriteria-kriteria sepeda motor bekas. Berikut rancangan struktur tabel tersebut : Nama Database Nama Tabel : spb : t_kriteria Tabel III.16 Tabel t_kriteria Column Name Data Tipe Ukuran Keterangan kode_kriteria Varchar 3 Kode Kriteria (primary key) nama_kriteria Varchar 20 Nama kriteria atribut Varchar 8 Atribut kriteria bobot Int - Bobot kriteria d. Tabel t_subkriteria Tabel t_subkriteria merupakan tabel yang berfungsi untuk menginput kriteria-kriteria sepeda motor bekas. Berikut rancangan struktur tabel tersebut :
72 Nama Database Nama Tabel : spb : t_subkriteria Tabel III.17 Tabel t_subkriteria Column Name Data Tipe Ukuran Keterangan kode_sub Varchar 3 Kode sub kriteria (primary key) kode_kriteria Varchar 3 Kode kriteria(foreign key) sub_kriteria Varchar 30 Nama sub kriteria nilai Int - Nilai sub kriteria e. Tabel tbl_analisa Tabel tbl_analisa merupakan proses untuk menghasilkan suatu laporan, berikut rancangan tabel tersebut : Nama Database Nama Tabel : spb : tbl_anallisa Tabel III.18 Tabel tbl_analisa Column Name Data Tipe Ukuran Keterangan no Int 11 No urut analisa (primary key) analisa_id Varchar 12 Id analisa tanggal Varchar 20 Tanggal analisa id_alternatif Varchar 11 Id alternatif (foreign key) nama_laternatif Varchar 30 Nama alternatif harga Varchar 12 Nilai analisa harga tahun Varchar 20 Nilai analisa harga pajak Varchar 20 Nilai analisa pajak stnk Varchar 20 Nilai analisa stnk mesin Varchar 20 Nilai analisa mesin cc_mesin Varchar 20 Nilai analisa cc mesin body Varchar 20 Nilai analisa body hasil Varchar 25 Nilai hasil analisa rangking Varchar 2 Rangking hasil analisa id_pengguna Varchar 12 Id pengguna analisa (foreign key) keterangan Varchar 20 Keterangan hasil analisa
73 III.4.4 ERD (Entity Relationship Diagram) Setelah merancang database maka dapat dibuatkan relasi antar tabel sebagai kebutuhan data. Relasi ini menggambarkan hubungan antara satu tabel dengan tabel yang lain. Seperti hubungan satu dengan satu, satu dengan banyak, dan banyak dengan banyak. Adapun relasi antar tabel dapat digambarakan sebagai berikut : Gambar III.23 Entity Relationship Diagram Sistem Pendukung Keputusan Pembelian Sepeda Motor Bekas
74 III.5 Desain User Interface Desain sistem ini berisikan pemilihan menu yang telah dilakukan. Adapun bentuk rancangan dari sistem pendukung keputusan pembelian sepeda motor bekas adalah sebagai berikut : 1. Halaman login Adapun desain tampilan login dapat dilihat pada gambar dibawah ini : Gambar III.24 Halaman Login 2. halaman daftar pengguna baru Adapun desain tampilan daftar pengguna baru dapat dilihat pada gambar dibawah ini : Gambar III.25 Halaman Daftar Pengguna Baru
75 3. Halaman menu utama Adapun desain tampilan menu utama dapat dilihat pada gambar dibawah ini : Gambar III.26 Halaman Menu Utama 4. Halaman data pengguna Adapun desain tampilan data pengguna dapat dilihat pada gambar dibawah ini : Gambar III.27 Halaman Data Pengguna
76 5. Halaman data alternatif Adapun desain tampilan data alternatif dapat dilihat pada gambar dibawah ini : Gambar III.28 Halaman Data Alternatif 6. Halaman data kriteria Adapun desain tampilan data kriteria dapat dilihat pada gambar dibawah ini : Gambar III.29 Halaman Data Kriteria
77 7. Halaman data sub kriteria Adapun desain tampilan data sub kriteria dapat dilihat pada gambar dibawah ini: Gambar III.30 Halaman Data Sub Kriteria 8. Halaman data analisa Adapun desain tampilan data analisa dapat dilihat pada gambar dibawah ini: Gambar III.31 Halaman Data Analisa
78 9. Halaman laporan hasil analisa Adapun desain tampilan laporan hasil analisa dapat dilihat pada gambar dibawah ini: Gambar III.32 Halaman Laporan Hasil Analisa 10. Halaman ganti password Adapun desain tampilan ganti password dapat dilihat pada gambar dibawah ini: Gambar III.33 Halaman Ganti Password 11. Halaman laporan data pengguna
79 Adapun desain tampilan laporan data pengguna dapat dilihat pada gambar dibawah ini: Gambar III.34 Halaman Laporan Data Pengguna 12. Halaman laporan data alternatif Adapun desain tampilan laporan data alternatif dapat dilihat pada gambar dibawah ini: Gambar III.35 Halaman Laporan Data Alternatif 13. Halaman laporan data kriteria Adapun desain tampilan laporan data kriteria dapat dilihat pada gambar dibawah ini:
80 Gambar III.36 Halaman Laporan Data Kriteria 14. Halaman laporan data sub kriteria Adapun desain tampilan laporan data sub kriteria dapat dilihat pada gambar dibawah ini: Gambar III.37 Halaman Laporan Sub Kriteria 15. Halaman laporan hasil analisa Adapun desain tampilan laporan hasil analisa dapat dilihat pada gambar dibawah ini:
81 Gambar III.38 Halaman Laporan Hasil Analisa 16. Halaman Pilihan Login Adapun desain tampilan halaman pilihan login dapat dilihat pada gambar dibawah ini: Gambar III.39 Halaman Pilihan Login