BAB 2 LANDASAN TEORI Pada bab ini akan dibahas teori tentang Sistem Pendukung Keputusan, Metode Simple Additive Weighting (SAW), Metode Profile Matching. 2.1 Sistem Pendukung Keputusan Dalam teori sistem pendukung keputusan akan dibahas tentang pengertian, tujuan, karakteristik dan subsistem dari sistem pendukung keputusan. 2.1.1. Pengertian Sistem Pendukung Keputusan Sistem pendukung keputusan (Decision Support System) adalah sistem informasi interaktif yang menyediakan informasi, pemodelan dan pemanipulasian data yang digunakan untuk membantu pengambilan keputusan pada situasi yang tidak terstruktur di mana tak seorangpun tahu secara pasti bagaimana seharusnya dibuat (Kusrini, 2007). DSS dibuat sebagai reaksi atas ketidakpuasan terhadap Sistem Pemrosesan Transaksi dan Sistem Informasi Manajemen sebagaimana diketahui SIP lebih memfokuskan diri pada pengendalian transaksi yang merupakan kegitan yang bersifat berulang dan terdefenisi dengan baik, sedangkan SIM lebih berorientasi pada penyediaan laporan bagi manajemen yang sifatnya dinamis. DSS lebih ditunjuk untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analistis, dalam situsai yang kurang terstruktur dan dengan kriteria yang kurang jelas. DSS tidak dimaksudkan untuk mengotomasikan pengambilan keputusan, tetapi memberikan
perangkat interaktif yang memungkinkan pengambil keputusan dapat melakukan berbagai analisis dengan menggunakan model-model yang tersedia. 2.1.2.Tujuan Sistem Pendukung Keputusan Dalam DSS terdapat 3 tujuan yang harus dicapai yaitu : a. Membantu manajer dalam pembuatan keputusan untuk memecahkan masalah semi terstruktur. b. Mendukung keputusan manajer dan bukannya mengubah atau mengganti keputusan tersebut. c. Meningkatkan efektivitas manajer dalam pembuatan keputusan dan bukannya peningkatan efisiensi. Tujuan ini berkaitan dengan tiga prinsip dasar dari konsep DSS, yaitu masalah semi terstruktur, dukungan keputusan dan efektivitas keputusan (Turban, 2005). 2.1.3. Karakteristik Sistem Pendukung Keputusan Karakteristik dan kapabilitas kunci dari SPK tersebut membolehkan para pengambil keputusan untuk membuat keputusan lebih baik dan lebih konsisten pada satu cara yang dibatasi waktu. Kemampuan tersebut disediakan oleh berbagai komponen utama SPK (Turban, 2005). 2.1.4. Komponen Sistem Pendukung Keputusan Sistem Pendukung Keputusan terdiri dari beberapa subsistem: a. Subsistem manajemen data. Subsistem manajemen data memasukan satu database yang relevan untuk situasi dan dikelola oleh piranti lunak disebut sistemmanajemen database (DBMS). Subsistem manajemen data dapat diinterkoneksikan dengan
datawarehouse perusahaan, suatu repositori untuk data perusahaan yang relevan untuk pengambilan keputusan. Biasanya data disimpan atau diakses via server database. b. Subsistem manajemen model. Subsistem manajemen model merupakan paket piranti lunak yang memasukan model keuangan, statistik, ilmu manajemen, atau model kuantitatif lainnya.semua itu memberikan kapabilitas analitik dan manajemen piranti lunak yang tepat. Bahasa pemodelan yang membangun model kostum juga dimasukan. Piranti lunak ini sering disebut manajemen basis model (MBMS). Komponen ini dapat dikoneksikan ke penyimpanan korporat atau eksternal yang ada pada model. Sistem manajemen dan metode solusi model diimplementasikan pada sistem pengembang web (seperti Java) untuk berjalan pada server aplikasi. c. Subsistem antar muka pengguna. Pengguna berkomunikasi dengan dan memerintahkan SPK melalui subsistem ini. Pengguna adalah bagian yang dipertimbangkan dari sistem. Para peneliti menegaskan bahwa beberapa kontribusi unik dari SPK berasal dari interaksi yang insentif antara komputer dan pembuat keputusan. Browser web memberikan struktur antar muka pengguna grafis yang familiar dan konsisten bagi kebanyakan SPK. d. Subsistem manajemen berbasis-pengetahuan. Subsistem ini dapat mendukung semua subsistem lain atau bertindak sebagai suatu komponen independen. Ini memberikanintelegensi untuk memperbesar pengetahuan pengambil keputusan. Subsistem ini dapat diinterkoneksikan dengan repositori pengetahuan perusahaan (bagian dari sistem manajemen pengetahuan), yang kadang-kadang disebut basis pengetahuan organisasional. Pengetahuan dapat disediakan via Server Web. Banyak metode kecerdasan tiruan diimplementasikan dalam sistem pengembangan web seperti Java, dan mudah untuk diintegrasikan dengan komponen SPK lainnya.
Berdasarkan definisi, SPK harus mencakup tiga komponen utama dari DBMS, MBMS, dan antar muka pengguna. Subsistem manajemen berbasis pengetahuan adalah opsional, namun dapat memberikan banyak manfaat karena inteligensi bagi ketiga komponen utama tersebut. Seperti pada semua sistem informasi manajemen, pengguna dapat dianggap sebagai komponen SPK (Hasan, 2002). Data Eksternal dan internal Sistem lainnya yang berbasis Internet, Intranet Manajemen Data Manajemen Model Model Eksternal Subsistem berbasis pengetahuan Antarmuka pengguna Basis pengetahuan organisasi Manajemen (pengguna) Gambar 2.1. Skematik SPK (Turban, 2005) 2.2. Simple Additive Weighting (SAW) Metode Simple Additive Weighting (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.
Formula untuk melakukan normalisasi tersebut adalah sebagai berikut : r ij = x ij Max x ij Min x ij x ij jika j adalah atribut keuntungan (benefit) dan i adalah atribut alternatif.......(1) jika j adalah atribut biaya (cost) dan i adalah atribut alternatif dan i adalah atribut alternatif r ij : Rating kinerja ternormalisasi Max : Nilai maksimum dari setiap kriteria Min : Nilai minimum dari setiap kriteria x ij : Baris dan kolom dari matriks Pada metode SAW ada kriteria yang dipersepsikan sebagai kriteria benefit dan cost. Kategori kriteria benefit atau keuntungan, jika kriteria tersebut mempunyai nilai semakin besar maka semakin baik, sedangkan kriteria cost atau biaya semakin kecil nilainya maka semakin baik. Besar dan kecilnya nilai tersebut dilihat dari keterkaitannya dengan permasalahan yang dianalisis. r ij adalah rating kinerja ternormalisasi dari alternatif A i pada atribut C j ; i=1,2,...,m dan j =1,2,...,n. Nilai preferensi untuk setiap alternatif V i diberikan sebagai: n V i = w j j=1 r ij (2)
V i : Nilai akhir dari alternatif w j r ij : Bobot yang telah ditentukan : Normalisasi matriks Nilai V i yang lebih besar mengindikasikan bahwa alternatif A i lebih terpilih. Langkah langkah penelitian dalam menggunakan metode SAW : a. Menentukan kriterian-kriteria yang akan dijadikan acuan dalam pengambilan keputusan. b. Menentukan rating kecocokan setiap alternatif pada setiap kriteria. c. Membuat matriks keputusan berdasarkan kriteria, kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan maupun atribut biaya) sehingga diperoleh matriks ternormalisasi R. d. Hasil akhir diperoleh dari setiap proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (A i ) sebagai solusi (Kusumadewi, 2006). 2.3. Profile Matching Profile Matching adalah sebuah mekanisme pengambilan keputusan dengan mengasumsikan bahwa terdapat tingkat variabel prediktor yang ideal yang harus dimiliki oleh pegawai yang bersangkutan, bukan tingkat minimal yang harus dipenuhi atau dilewati. Dalam Profile Matching pegawai yang bisa dipromosikan untuk menduduki suatu jabatan (kenaikan jabatan) adalah pegawai yang paling mendekati profil ideal (Ekasari, 2010). Secara garis besar merupakan merupakan proses membandingkan antara kompetensi jabatan sehingga dapat diketahui perbedaan kompetensinya (disebut GAP), semakin kecil GAP yang dihasilkan maka bobot
nilainya semakin besar yang berarti semakin besar kesempatan pegawai menempati posisi tersebut. Adapun langkah-langkah dalam metode Profile Matching adalah sebagai berikut : 1. Menentukan Aspek-aspek penilaian. 2. Pemetaan GAP kompetensi. 3. Pembobotan. 4. Perhitungan dan Pengelompokan Core dan Secondary Factor. GAP kompetensi adalah perbedaan antara profil pegawai aktual dengan profil pegawai ideal. GAP = profil pegawai aktual profil pegawai Setelah menentukan bobot nilai gap untuk setiap aspek penilaian, tiap aspek tersebut dikelompokkan menjadi dua kelompok yaitu kelompok Core dan Secondary Factor. Rumus untuk perhitungan Core Factor adalah : NCF = NC (Aspek) IC... (3) NCF NC(Aspek) IC = Nilai rata-rata Core Factor = Nilai aspek Core Factor = Item aspek Core Factor Rumus untuk perhitungan Secondary Factor adalah : NSF = NS(Aspek) IS... (4)
NSF NS(Aspek) IS = Nilai rata-rata Secondary Factor = Nilai aspek Secondary Factor = Item aspek Secondary Factor Setelah didapatkan nilai rata-rata Core Factor dan Secondary Factor kemudian ditentukan nilai total dari aspek, rumusnya adalah. N(Aspek) = (x%)ncf + (x%)nsf... (5) N(Aspek) (x%) NCF NSF = Nilai total dari aspek = Nilai persen yang di inputkan = Nilai rata-rata Core Factor = Nilai rata-rata Secondary Factor Setelah didapat nilai total dari aspek kemudian dapat di tentukan hasil akhir yang berupa rangking dari pegawai dengan menggunakan rumus : Ni = (x%)n(aspek)... (6) BAB 3