Metode Hybrid (Bayes dan Multifactor Evaluation Process) dalam Sistem Pendukung Keputusan
PENDUKUNG KEPUTUSAN
SKRIPSI
KHAIRUN NISA
111401024
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
(2)
PENDUKUNG KEPUTUSAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer
KHAIRUN NISA
111401024
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
(3)
PERSETUJUAN
Judul : METODE HYBRID (BAYES DAN MULTIFACTOR
EVALUATION PROCESS) DALAM SISTEM PENDUKUNG KEPUTUSAN
Kategori : SKRIPSI
Nama : KHAIRUN NISA
Nomor Induk Mahasiswa : 111401024
Program Studi : S1 ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Sajadin Sembiring, S.Si, M.Comp.Sc Drs. Marihat Situmorang, M.Kom
NIP. - NIP. 19631214 198903 1 001
Diketahui/disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
Dr. Poltak Sihombing, M.Kom NIP. 19620317 199103 1 001
(4)
PERNYATAAN
METODE HYBRID (BAYES DAN MULTIFACTOR
EVALUATION PROCESS) DALAM SISTEM
PENDUKUNG KEPUTUSAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 18 Desember 2015
Khairun Nisa 111401024
(5)
PENGHARGAAN
Alhamdulillahirrabbil’alamin. Segala dan puji syukur penulis panjatkan kepada Allah SWT, karena atas limpahan rahmat, taufik dan hidayah-Nya, penulis mampu menyelesaikan perkuliahan dan penulisan skripsi ini, yang diajukan sebagai salah satu syarat unuk memperoleh gelar Sarjana Komputer pada jurusan Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi di Universitas Sumatera Utara, serta shalawat beriring salam penulis ucapkan kepada Nabi Besar Muhammad SAW.
Dalam menyusun skripsi ini penulis menyadari banyak mengalami rintangan terutama kurangnya pengetahuan penulis serta buku literatur yang mendukung materi skripsi ini, namun berkat bantuan dari berbagai pihak baik berupa moril maupun materil sehingga penulis dapat menyelesaikan skripsi ini.
Dalam kesempatan ini, penulis mengungkapkan terima kasih dan penghargaan kepada pihak – pihak yang menyumbangkan saran dan kritik terutama kepada:
1. Bapak Prof. Drs. Subhilhar, M.A., Ph.D selaku Pj. Rektor Universitas Sumatera Utara
2. Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara
3. Bapak Dr. Poltak Sihombing, M.Kom selaku Ketua Program Studi S-1 Ilmu Komputer Universitas Sumatera Utara
4. Ibu Maya Silvi Lydia, B.Sc M.Sc, selaku Sekretaris Program Studi S-1 Ilmu Komputer Universitas Sumatera Utara dan juga sebagai Dosen Pembanding II yang telah memberikan kritik dan saran yang membangun bagi penulis
5. Bapak Drs. Marihat Situmorang, M.Kom, selaku Dosen Pembimbing I yang telah memberikan bimbingan dan saran kepada penulis sehingga penulis dapat menyelesaikan skripsi ini dengan baik
6. Bapak Sajadin Sembiring, S.Si, M.Comp.Sc, selaku Dosen Pembimbing II yang telah memberikan banyak sekali arahan, bimbingan, saran, serta motivasi yang
(6)
membangun serta sabar memberikan bantuan untuk penulis sehingga penulis dapat menyelesaikan skripsi ini dengan baik
7. Bapak Prof. Dr. Iryanto, M.Si, selaku Dosen Pembanding I yang telah memberikan kritik dan saran yang membangun bagi penulis
8. Bapak dan ibu dosen serta staf pegawai yang bertugas di Program Studi Ilmu Komputer Fasilkom-TI USU
9. Pak Kholis dan Riky Ramadana, S.Kom yang telah membantu penulis dalam pengumpulan data
10.Kedua Orang tua (Darmawan Elfi) tercinta atas semua doa, dukungan, dan motivasi yang tak ternilai harganya
11.Seluruh keluarga tercinta, terutama adik penulis (Miftahul Jannah) yang memberikan dorongan baik materil maupun spiritual kepada penulis selama menyelesaikan skripsi ini.
12.Teman – teman kuliah saya terutama para teman seperjuangan di S1 Ilmu Komputer angkatan 2011 yang tidak dapat disebutkan satu persatu, dan khususnya KOM C (Kiki, Age, Ika, Mail, Yani, Waddah & Murni) terima kasih atas ide, saran, dukungan dan kerja samanya selama ini.
13.Para Hurriyah, Al – Khuwarizmi dan Family Incom terima kasih atas do’a, bantuan, pengertian, dukungan dan kerja samanya selama ini.
Tiada kata terindah yang penulis persembahkan atas balas jasa kepada semua pihak yang telah disebutkan diatas selain ucapan terima kasih. Semoga Allah SWT membalas semua kebaikan yang telah kalian berikan. Pada kesempatan ini penulis juga mohon maaf atas kekurangan dan kesalahan skripsi ini dan penulis bersedia menerima saran dan kritik yang membangun untuk melengkapi penyempurnaan skripsi ini.
Semoga penelitian dan penulisan skripsi ini bermanfaat bagi pembaca sekalian. Akhir kata penulis mengucapkan terima kasih, semoga skripsi ini dapat bermanfaat bagi kita semua
Medan, 18 Desember 2015
(7)
ABSTRAK
Salah satu kesulitan yang terjadi pada proses pengambilan keputusan terhadap suatu masalah yaitu memiliki banyak faktor yang menjadi pertimbangan. Oleh sebab itu dibutuhkan metode untuk menyelesaikannya. Beberapa metode yang dapat digunakan adalah metode Bayes dan Multifactor Evaluation Process. Namun kedua metode tersebut memiliki kelemahan. Permasalahannya adalah bagaimana cara meminimalkan kelemahan dari dua metode tersebut. Salah satu cara yang dapat digunakan adalah menggunakan metode Hybrid, yaitu menggabungkan kekuatan masing-masing metode sehingga dapat meminimalkan kelemahannya. Hasil akhir dari penelitian ini adalah menentukan alternatif terbaik dari sejumlah alternatif yang ada sesuai dengan kriteria yang ditentukan berdasarkan penggabungkan dua metode tersebut.
Kata kunci : Sistem Pendukung Keputusan, Hybrid, Bayes, Multifactor Evaluation Process
(8)
HYBRID METHOD (BAYES AND MULTIFACTOR EVALUATION PROCESS) IN DECISION SUPPORT SYSTEM
ABSTRACT
One of the difficulties in the process of decision making of a problem is having many factors to consider. Therefore, it needs a method to solve it. Some methods that can be applied are Bayes and Multifactor Evaluation Process methods. But the two methods have weaknesses. The problem is how to minimalize the weaknesses of the two methods. One of the ways that can be used is by applying Hybrid method, which is combining the power of each method so that the weaknesses can be minimalized. The final result of the research is to decide the best alternative out of some alternatives which is appropriate with the given criteria based on the combining of the two methods
Keywords : Decision Support System, Hybrid, Bayes, Multifactor Evaluation Process
(9)
DAFTAR ISI
Halaman
PERSETUJUAN ii
PERNYATAAAN iii
PENGHARGAAN iv
ABSTRAK vi
ABSTRACT vii
DAFTAR ISI viii
DAFTAR TABEL xi
DAFTAR GAMBAR xii
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 2
1.3 Batasan Masalah 2
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 3
1.6 Metodologi Penelitian 3
1.7 Sistematika Penulisan 4
BAB 2 TINJAUAN PUSTAKA
2.1 Tinjauan Umum Perusahaan 6
2.2 Sistem Pendukung Keputusan 6
2.2.1 Pengertian Sistem Pendukung Keputusan 7
2.2.2 Karakteristik Sistem Pendukung Keputusan 7
2.2.3 Proses Pengambilan Keputusan 10
2.3 Teorema Bayes 11
(10)
2.3.2 Perhitungan Dengan Metode Bayes 13
2.4 Metode Multifactor Evaluaton Process 15
2.4.1 Langkah – langkah Metode MFEP 16
2.4.2 Perhitungan Dengan Metode MFEP 16
2.5 Metode Hybrid 18
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Sistem 19
3.2 Analisis Masalah 20
3.3 Analisis Persyaratan Sistem (Reqiurement Analysis System) 21
3.3.1 Analisis Persyaratan Fungsional 22
3.3.2 Analisis Persyaratan Non - Funsional 22
3.4 Cara Kerja Sistem 22
3.4.1 Menentukan Aturan Awal 23
3.4.2 Menghitung Total Weighted Evaluation 24
3.4.3 Menentukan alternatif 25
3.4.4 Menghitung Total WE Setiap Alternatif 25
3.4.5 Menentukan Disarankan Atau Tidak Disarankan 27
3.5 Pemodelan 28
3.5.1 Use Case Diagram 28
3.5.2 Activity Diagram 30
3.5.3 Sequence Diagram 33
3.5.4 Flowchart Bayes 35
3.5.5 Flowchart MFEP 36
3.5.6 Flowchart Sistem 37
3.6 Perancangan Sistem 38
3.6.1 Rancangan Menu Aturan Awal 38
3.6.2 Rancangan Menu Menentukan Bobot 39
3.6.3 Rancangan Menu Calon Pengajar 40
(11)
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem 43
4.1.1 Halaman Utama 43
4.1.2 Menu Aturan Awal 44
4.1.3 Menu Bobot 44
4.1.4 Menu Data Pengajar 45
4.2 Pengujian Sistem 46
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan 47
5.2 Saran 47
DAFTAR PUSTAKA 48
Lampiran A : Listing Program Lampiran B : Curriculum Vitae
(12)
DAFTAR TABEL
Halaman
2.1 Data Aturan Awal Bayes 13
2.2 Data Calon Pengajar Untuk Bayes 14
2.3 Hasil Perhitungan Bayes 15
2.4 Data Calon Pengajar Untuk MFEP 16
2.5 Hasil Perhitungan MFEP 17
3.1 Data Pengajar Media.Com 23
3.2 Data Aturan Awal 24
3.3 Bobot Setiap Kriteria 24
3.4 Weighted Evaluation dan Kesimpulan 25
3.5 Data Calon Pengajar 25
3.6 Hasil Total Weighted Evaluation 26
3.7 Analisis Perhitungan MFEP dan Bayes 28
3.8 Deskripsi Use Case Data Calon Pengajar 29
3.9 Deskripsi Use Case Kriteria 30
3.10 Deskripsi Use Case Perhitungan 30
3.11 Keterangan Rancangan Menu Aturan Awal 39
3.12 Keterangan Rancangan Menu Menentukan bobot 40
3.13 Keterangan Rancangan Menu Calon Pengajar 40
(13)
DAFTAR GAMBAR
Halaman
2.1 Fase Proses Pengambilan Keputusan 10
3.1 Diagram Ishikawa 21
3.2 Use Case Diagram 29
3.3 Activity Diagram Input Data 31
3.4 Activity Diagram Ubah Data 31
3.5 Activity Diagram Hapus Data 32
3.6 Activity Diagram Perhitungan 32
3.7 Sequence Diagram Input Data 33
3.8 Sequence Diagram Ubah Data 34
3.9 Sequence Diagram Hapus Data 34
3.10 Sequence Diagram Perhitungan 35
3.11 Flowchart Bayes 36
3.12 Flowchart Multifactor Evaluation Process 36
3.13 Flowchart Sistem 37
3.14 Rancangan Menu Aturan Awal 38
3.15 Rancangan Menu Menentukan Bobot 39
3.16 Rancangan Menu Calon Pengajar 40
3.17 Rancangan Menu Perhitungan 41
4.1 Halaman Utama 43
4.2 Menu Aturan Awal 44
4.3 Menu Bobot 45
4.4 Menu Data Pengajar 45
(14)
ABSTRAK
Salah satu kesulitan yang terjadi pada proses pengambilan keputusan terhadap suatu masalah yaitu memiliki banyak faktor yang menjadi pertimbangan. Oleh sebab itu dibutuhkan metode untuk menyelesaikannya. Beberapa metode yang dapat digunakan adalah metode Bayes dan Multifactor Evaluation Process. Namun kedua metode tersebut memiliki kelemahan. Permasalahannya adalah bagaimana cara meminimalkan kelemahan dari dua metode tersebut. Salah satu cara yang dapat digunakan adalah menggunakan metode Hybrid, yaitu menggabungkan kekuatan masing-masing metode sehingga dapat meminimalkan kelemahannya. Hasil akhir dari penelitian ini adalah menentukan alternatif terbaik dari sejumlah alternatif yang ada sesuai dengan kriteria yang ditentukan berdasarkan penggabungkan dua metode tersebut.
Kata kunci : Sistem Pendukung Keputusan, Hybrid, Bayes, Multifactor Evaluation Process
(15)
HYBRID METHOD (BAYES AND MULTIFACTOR EVALUATION PROCESS) IN DECISION SUPPORT SYSTEM
ABSTRACT
One of the difficulties in the process of decision making of a problem is having many factors to consider. Therefore, it needs a method to solve it. Some methods that can be applied are Bayes and Multifactor Evaluation Process methods. But the two methods have weaknesses. The problem is how to minimalize the weaknesses of the two methods. One of the ways that can be used is by applying Hybrid method, which is combining the power of each method so that the weaknesses can be minimalized. The final result of the research is to decide the best alternative out of some alternatives which is appropriate with the given criteria based on the combining of the two methods
Keywords : Decision Support System, Hybrid, Bayes, Multifactor Evaluation Process
(16)
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Dalam pengambilan keputusan tidak jarang ditemukan banyak faktor yang menjadi pertimbangan, sehingga menyulitkan untuk mengambil suatu keputusan yang terbaik. Pada keputusan yang hanya melibatkan sedikit faktor di dalamnya, maka keputusan dapat diambil berdasarkan pertimbangannya pada pikiran ataupun pendapat. Namun pada pengambilan keputusan yang banyak melibatkan faktor, maka perlu digunakan suatu metode tertentu (Kahfi, R.R. 2013). Dalam penelitian ini, salah satu contoh pengambilan keputusan yang banyak melibatkan faktor adalah perekrutan pengajar baru dimana penilaian bukan hanya dari pendidikan saja, namun juga melibatkan beberapa penilaian seperti hasil tes wawancara, tes kemampuan dan sebagainya. Karena banyak penilaian yang saling berpengaruh, maka akan sulit dalam pengambilan keputusan untuk menentukan pengajar baru (Tanius, S. 2010). Oleh sebab itu untuk mempermudah masalah ini maka diperlukan suatu sistem pendukung keputusan, dimana dalam hal ini pengambilan keputusan banyak melibatkan faktor, maka perlu digunakan suatu metode tertentu. Dalam hal ini metode yang digunakan adalah metode Bayes dan Multifactor Evaluation Process.
Namun terdapat kekurangan dalam kedua metode tersebut. Kekurangan pada metode Bayes yaitu satu probabilitas saja tidak bisa mengukur seberapa dalam tingkat keakuratannya. Dengan kata lain, kurang bukti untuk membuktikan kebenaran jawaban yang dihasilkan (Safitri, RS. 2009). Kekurangan metode Multifactor Evaluation Process menurut Render dan Ralph M yaitu tidak ada tes konsistensi maka nilai yang dimasukkan akan menjadi tidak valid ketika pembuat keputusan tidak
(17)
benar-benar mengerti domain masalahnya. Pembuat keputusan juga harus benar-benar menguasai domain masalahnya sehingga yang dimasukkan bukan merupakan nilai perkiraan tetapi nilai sebenarnya.
Maka untuk menutupi kelemahan pada metode-metode tersebut dapat dilakukan dengan menggunakan metode hybrid yaitu menggabungkan kedua metode tersebut. Dimana kekurangan metode Bayes akan ditutupi dengan metode Multifactor Evaluation Process dan begitu juga sebaliknya.
Oleh karena itu pada penulisan skripsi ini penulis akan meneliti metode hybrid (Bayes dan Multifactor Evaluation Process) sebagai metode dalam sistem pendukung keputusan dimana dalam hal ini untuk menentukan rekrutmen pengajar baru.
1.2 Rumusan Masalah
Dari uraian di atas maka masalah dalam penelitian ini adalah bagaimana penggunaan metode hybrid pada bayes dan multifactor evaluation process dalam sistem pendukung keputusan
1.3 Batasan Atau Ruang Lingkup Penelitian
Agar fokus penelitian tidak menyimpang dari rumusan masalah yang telah ditetapkan, maka dibuat ruang lingkup penelitian sebagai berikut:
1. Metode yang digunakan adalah metode hybrid pada Bayes dan Multifactor Evaluation Process
2. Data yang diambil berdasarkan data pengajar yang terdapat di Media Com Binjai yang merupakan suatu lembaga bimbingan pendidikan pelatihan dan ketrampilan komputer
(18)
3. Pemrograman aplikasinya menggunakan bahasa pemrograman C#
4. Kriteria yang digunakan adalah tingkat pendidikan, pengalaman mengajar, wawancara dan praktek (pengetahuan teknis, keterampilan teknis dan kemampuan komunikasi)
5. Dalam penelitian ini dibuat untuk rekrutmen pengajar baru sesuai dengan kriteria yang diinginkan
1.4 Tujuan Penelitian
Tujuan penelitian yang dilakukan adalah untuk mendapatkan pendekatan baru dalam sistem pendukung keputusan dengan meng-hybrid-kan Bayes dan Multifactor Evaluation Process
1.5 Manfaat Penelitan
Manfaat yang diharapkan dari penelitian ini adalah untuk menghasilkan aplikasi suatu sistem pendukung keputusan dengan metode hybrid (Bayes dan Multifactor Evaluation Process) yang dapat membantu para pengguna dalam merekrut pengajar baru.
1.6 Metode Penelitian
Metode penelitian yang akan digunakan adalah: 1. Studi Literatur
Penulis mengumpulkan bahan dan data referensi dari buku mengenai sistem pendukung keputusan, metode Bayes, metode Multifactor Evaluation Process dan sumber lain yang berkaitan dengan penulisan tugas akhir ini.
(19)
2. Pengumpulan data
Penulis mengumpulkan dan menganalisis fakta – fakta yang didapat dengan mewawancarai narasumber dari Media Com untuk mendapat data pengajar dan dengan membaca bahan dan data referensi dari buku serta skripsi mengenai sistem pendukung keputusan yang berupa data olahan mengenai metode Bayes dan metode Multifactor Evaluation Process.
3. Analisis dan Perancangan
Tahap ini menganalisis dan memahami kerja sistem yang akan dibuat dan perancangan tampilan yang akan digunakan adalah user interface dengan Flow Chart dan Unified Modified Languange (UML).
4. Implementasi
Pada tahap ini sistem yang telah dirancang diimplementasikan ke dalam program komputer dengan bahasa pemrograman C# dengan menggunakan Microsoft Visual Studio 2010 dan MySQL sebagai database management system.
5. Pengujian
Hasil dari program ini diuji untuk mendapatkan hasil diagnosa menggunakan metode Bayes dan metode Multifactor Evaluation Process kemudian dianalisis ketepatan hasil diagnosa, sehingga diketahui apakah program sudah berjalan dengan benar dan sesuai dengan perancangan yang telah dilakukan.
6. Dokumentasi
Metode ini berisi laporan dan kesimpulan akhir dari hasil analisa dan pengujian metode Bayes dan metode Multifactor Evaluation Proces dalam bentuk skripsi.
1.7 Sistematika Penulisan
Sistematika penulisan laporan penelitian ini dibagi menjadi 5 bab, yaitu sebagai berikut:
BAB 1 PENDAHULUAN
Berisikan penjelasan tentang konsep dasar penyusunan tugas akhir, yaitu mengenai latar belakang pemilihan judul, rumusan masalah,
(20)
batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan.
BAB 2 TINJAUAN PUSTAKA
Bab ini akan membahas dasar teori yang menunjang penulisan tugas akhir, berkaitan mengenai sistem pendukung keputusan, metode Bayes dan metode Multifactor Evaluation Process.
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
Bab ini membahas analisis mengenai proses kerja dari metode Bayes dan metode Multifactor Evaluation Process dalam rekrutmen pengajar baru yang terdiri dari flowchart dan Unified Modeling Language (UML) serta perancangan dari aplikasi.
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan menjelaskan implementasi sistem pendukung keputusan menggunakan metode Bayes dan metode Multifactor Evaluation Process dalam rekrutmen pengajar baru sesuai dengan analisis dan perancangan, serta pengujian akan keberhasilan terhadap sistem yang telah dibangun.
BAB 5 KESIMPULAN DAN SARAN
Bab ini akan memuat kesimpulan isi dari keseluruhan uraian atau rangkuman dari hasil analisis data pada bab sebelumnya yang sekaligus merupakan jawaban dari masalah penelitian ini dan saran-saran dari hasil yang diperoleh yang diharapkan dapat bermanfaat untuk pengembangan selanjutnya.
(21)
BAB 2
TINJAUAN PUSTAKA
2.1 Tinjauan Umum Perusahaan
Lembaga pendidikan pelatihan dan ketrampilan komputer “Media Com” Binjai didirikan pada tanggal 25 Mei 2010 di kota Binjai, Sumatera Utara. Landasan pendirian lembaga ini adalah untuk mempersiapkan dan meningkatkan keahlian sumber daya manusia (SDM) yang sesuai dengan tuntutan kebutuhan dunia kerja melalui pelatihan ketrampilan, ilmu pengetahuan terapan serta pengembangan sikap dan perilaku kerja profesional. Seiring dengan perkembangan jaman dan kebutuhan masyarakat, maka lembaga ini menyelenggarakan beberapa jenis pendidikan meliputi: Teknisi komputer (Hardware), Teknisi Komputer Jaringan (LAN), Web Design (Web Master), Design Grafis, Video Editing, Komputer Akuntansi (MYOB) dan Microsoft Office yang masing-masing menyediakan beberapa pilihan paket.
2.2 Sistem Pendukung Keputusan
Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support Systems (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision Systems.
Sistem Pendukung Keputusan (SPK) biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk suatu peluang. Aplikasi Sistem Pendukung Keputusan (SPK) digunakan dalam pengambilan keputusan. Aplikasi Sistem Pendukung Keputusan (SPK) menggunakan CBIS (Computer Based Information
(22)
Systems) yang fleksibel, interaktif, dan dpat diadaptasi, yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifikyang tidak terstruktur (Nofriansyah, Dicky. 2014).
2.2.1 Pengertian Sistem Pendukung Keputusan
P.G.W Keen dan Scott-Morton yang merupakan penggagas istilah sistem pendukung keputusan, mendefenisikan bahwa sistem pendukung keputusan itu adalah beberapa sistem keputusan intelektual yang bersumber daya individu dengan dibantu oleh kemampuan komputer untuk meningkatkan kualitas dari sebuah keputusan (Keen dan Scott-Morton, 1978).
Sedangkan menurut Kendall dan Julie (2006), Decision Support System (DSS) atau sistem pendukung keputusan hampir sama dengan sistem informasi manajemen tradisional karena keduanya tergantung pada basisdata sebagai sumber data. SPK menekankan pada fungsi pendukung pembuatan keputusan diseluruh tahap-tahapnya, sebagai pendamping keputusan aktual yang masih dibuat oleh wewenang eksekutif sebagai pembuat keputusan. Pada dasarnya sistem pendukung keputusan adalah sistem yang tidak bisa dipisahkan dari teknologi komputer. Secara umum SPK berfungsi membantu pengambilan keputusan secara efektif sehingga permasalahan yang dihadapi dapat dengan cepat mendapatkan solusinya.
Dari pengertian di atas dapat disimpulkan bahwa sistem pendukung keputusan adalah suatu sistem yang membantu mengambil keputusan terhadap banyaknya pilihan/alternatif yang ada untuk suatu masalah tertentu. Bukan sebagai pengambil keputusan melainkan untuk membantu mengambil keputusan dimana didukung dengan data yang diolah secara akurat.
2.2.2 Karakteristik Sistem Pendukung Keputusan
Berikut ini beberapa karakteristik sistem pendukung keputusan (Oetomo, 2002): a. Interaktif
SPK memiliki user interface yang komunikatif sehingga pemakai dapat melakukan akses secara cepat ke data dan memperoleh informasi yang dibutuhkan.
(23)
b. Fleksibel
SPK memiliki sebanyak mungkin variabel masukkan, kemampuan untuk mengolah dan memberikan keluaran yang menyajikan alternatif-alternatif keputusan kepada pemakai.
c. Data kualitas
SPK memiliki kemampuan menerima data kualitas yang dikuantitaskan yang sifatnya subyektif dari pemakainya, sebagai data masukkan untuk pengolahan data. Misalnya: penilaian terhadap kecantikan yang bersifat kualitas, dapat dikuantitaskan dengan pemberian bobot nilai seperti 75 atau 90.
d. Prosedur Pakar SPK mengandung suatu prosedur yang dirancang berdasarkan rumusan formal atau juga beberapa prosedur kepakaran seseorang atau kelompok dalam menyelesaikan suatu bidang masalah dengan fenomena tertentu.
Sedangkan menurut Nofriansyah, Dicky (2014) karakteristik dari sistem pendukung keputusan yaitu :
a. Mendukung proses pengambilan keputusan suatu organisasi atau perusahaan. b. Adanya interface manusia/mesin dimana manusia (user) tetap memegang kontrol
proses pengambilan keputusan.
c. Mendukung pengambilan keputusan untuk membahas masalah terstruktur, semi terstruktur serta mendukung beberapa keputusan yang saling berinteraksi.
d. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan kebutuhan. e. Memiliki subsistem yang terintegrasi sedemikian rupa sehingga dapat berfungsi
sebagai kesatuan sistem.
f. Memiliki dua komponen utama yaitu data dan model.
Adapun kriteria atau ciri – ciri dari keputusan adalah sebagai berikut : 1. Banyak pilihan/alternative
2. Ada kendala
3. Mengikuti suatu pola/model tingkah laku, baik yang terstruktur maupun tidak terstruktur.
4. Banyak input/variable
(24)
Disamping berbagai kemampuan dan karakteristik seperti dikemukakan di atas, sistem pendukung keputusan juga memiliki keterbatasan, antara lain (Syahputra. 2011) :
1. Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat dimodelkan, sehingga model yang ada dalam sistem tidak semuanya mencerminkan persoalan yang sebenarnya.
2. Kemampuan suatu sistem pendukung keputusan terbatas pada pengetahuan dasar serta model dasar yang dimilikinya.
3. Proses-proses yang dapat dilakukan oleh sistem pendukung keputusan biasanya tergantung juga pada kemampuan perangkat lunak yang digunakannya.
4. Sistem pendukung keputusan tidak memiliki intuisi seperti yang dimiliki oleh manusia. Karena sistem pendukung keputusan hanya suatu kumpulan perangkat keras, perangkat lunak dan sistem operasi yang tidak dilengkapi oleh kemampuan berpikir.
Sistem pendukung keputusan (SPK) dirancang sedemikian rupa sehingga bersifat interaktif dengan pemakainya. Maksud dan tujuan dari adanya SPK, yaitu untuk mendukung pengambil keputusan memilih alternatif keputusan yang merupakan hasil pengolahan informasi - informasi yang diperoleh/tersedia dengan menggunakan model-model pengambil keputusan serta untuk menyelesaikan masalah-masalah bersifat terstruktur, semi terstruktur dan tidak terstruktur (Mulyono, 1996).
Menurut Turban. Dkk (2005), tujuan dari sistem pendukung keputusan adalah : a. Membantu manajer dalam pengambilan keputusan atas masalah semi-terstruktur. b. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan
untuk menggantikan fungsi manajer.
c. Meningkatkan efektivitas keputusan yang diambil manajer lebih daripada perbaikan efisiensinya.
d. Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah.
e. Peningkatan produktivitas. Membangun satu kelompok pengambil keputusan, terutama para pakar, bisa sangat mahal. Pendukung terkomputerisasi bisa mengurangi ukuran kelompok dan memungkinkan para anggotanya untuk berada di
(25)
berbagai lokasi yang berbeda-beda (menghemat biaya perjalanan). Selain itu, produktivitas staf pendukung (misalnya analisis keuangan dan hukum) bisa ditingkatkan. Produktivitas juga bisa ditingkatkan menggunakan peralatan optimalisasi yang menentukan cara terbaik untuk menjalankan sebuah bisnis.
2.2.3 Proses Pengambilan Keputusan
Menurut Simon dalam buku Konsep Data Mining Vs Sistem Pendukung Keputusan (Nofriansyah, Dicky. 2014) ada tiga fase dalam proses pengambilan keputusan diantaranya sebagai berikut :
1. Intelligence
Tahapa ini merupakan proses penelusuran dan pendeteksian dari ruang lingkup problematika secara proses pengenalan masalah. Data masukan diperoleh, diproses dan diuji dalam rangka mengindentifikasi masalah.
2. Design
Tahap ini proses menemukan, mengembangkan dan menganalisis alternatif tindakan yang bisa dilakukan. Tahap ini meliputi menguji kelayakan solusi.
3. Choice
Pada tahap ini dilakukan proses pemilihan diantara berbagai alternatif tindakan yang mungkin dijalankan. Hasil pemilihan tersebut kemudian diimplementasikan dalam proses pengambilan keputusan.
Gambar 2.1 Fase Proses Pengambilan Keputusan
(26)
Secara garis besar sistem pendukung keputusan dibangun oleh tiga komponen utama yaitu :
1. Subsistem data (Database)
Subsistem data merupakan komponen sistem pendukung keputusan yang berguna sebagai penyedia data bagi sistem. Data tersebut disimpan untuk diorganisasikan oleh suatu sistem yang disebut dengan sistem manajemen basis data (Database Management System).
2. Subsistem Model (Model Base)
Model adalah suatu tiruan dari alam nyata. Kendala yang sering dihadapi dalam merancang model adalah bahwa model yang dirancang tidak mampu mencerminkan seluruh variabel alam nyata, sehingga keputusan yang diambil tidak sesuai dengan kebutuhan oleh karena itu, dalam menyimpan berbagai model harus diperhatikan dan harus dijaga fleksibilitasnya. Hal ini yang harus diperhatikan adalah pada setiap model yang disimpan hendaknya ditambahkan rincian keterangan dan penjelasan yang komprehensif mengenai model yang dibuat.
3. Subsistem Dialog (User System Interface)
Subsistem dialog adalah fasilitas yang mampu mengingrasikan sistem yang terpasang dengan pengguna secara interaktif, yang dikenal dengan subsistem dialog. Melalui subsistem dialog sistem diimplementasikan sehingga pengguna dapat berkomunikasi dengan sistem yang dibuat.
2.3 Teorema Bayes
Teorema Bayes ditemukan oleh Reverend Thomas Bayes (1701-1761). Pada umumnya, teori Bayes digunakan untuk menghitung nilai kebenaran probabilitas dari suatu evidence. Di dalam teori probabilitas dan statiska, teorema Bayes juga dikenal sebagai sebuah teori dengan dua penafsiran yang berbeda. Dalam penafsiran Bayes, teori ini menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk baru. Teori ini merupakan dasar dari statistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu ekonomi (terutama ilmu ekonomi mikro), teori games, kedokteran, dan hukum.
(27)
Teori probabilitas Bayesian digunakan untuk menghitung probabilitas terjadinya suatu peristiwa berdasarkan pengaruh yang didapat dari pengujian. Probabilitas Bayes menerangkan hubungan antara probabilitas terjadinya Hi dengan terdapat fakta (evidence) E telah terjadi dan probabilitas terjadinya evidence E dengan syarat hipotesis Hi telah terjadi.
Teori ini didasarkan pada prinsip bahwa jika terdapat tambahan informasi atau evidence, maka nilai probabilitas dapat diperbaiki. Oleh karena itu, teori ini bermanfaat untuk mengubah atau memperbaiki nilai kemungkinan yang ada menjadi lebih baik dengan didukung informasi atau evidence tambahan (Budiharto & Derwin, 2014).
Menurut Sutojo. Dkk (2011), bentuk teorema Bayes untuk evidence tunggal E dan hipotesis tunggal H adalah :
Dimana :
p(H|E) = probabilitas hipotesis H terjadi jika evidence (fakta) E terjadi p(E|H) = probabilitas munculnya evidence (fakta) E, jika hipotesis H terjadi p(H) = probabilitas hipotesis H tanpa memandang evidence (fakta) apapun p(E) = probabilitas evidence E tanpa memandang apapun
2.3.1 Metode Bayes Pada Sistem Pendukung Keputusan
Metode Bayes merupakan salah satu teknik yang dapat dipergunakan untuk melakukan analisis dalam pengambilan keputusan terbaik dari sejumlah alternative dengan tujuan menghasilkan perolehan yang optimal. Untuk menghasilkan keputusan yang optimal perlu dipertimbangkan berbagai kriteria.
Pembuatan keputusan dengan metode bayes dilakukan melalui upaya pengkuantifikasian kemungkinan terjadinya suatu kejadian dan dinyatakan dengan
(28)
suatu bilangan antara 0 dan 1. Persamaan bayes yang digunakan untuk menghitung nilai setiap alternatif sering disederhanakan menjadi :
∑
Dimana :
Total Nilai i = total nilai akhir dari alternative ke-i Nilai ij = nilai dari alternatif ke-I pada kriteria ke-j Krit j = tingkat kepentingan (bobot) kriteria ke-j i = 1,2,3,…n; n = jumlah alternative
j = 1,2,3,…m; m = jumlah kriteria
Nilai peluang didapatkan dari suatu informasi awal yang dapat bersifat subjektif maupun objektif. Nilai peluang ini dapat diperbaiki dengan adanya informasi tambahan yang didapat dari sejumlah percobaan (Marimin. 2004).
2.3.2 Perhitungan Dengan Metode Bayes
Tabel 2.1 Data Aturan Awal Bayes
No Keterangan Hasil
Berkas Wawancara Praktek
1 Normal Tinggi Tinggi Disarankan
2 Tinggi Tinggi Normal Disarankan
3 Rendah Normal Normal Tidak Disarankan
4 Normal Rendah Normal Tidak Disarankan
5 Normal Normal Normal Tidak Disarankan
6 Normal Normal Rendah Tidak Disarankan
7 Normal Tinggi Rendah Tidak Disarankan
8 Normal Rendah Tinggi Tidak Disarankan
9 Tinggi Tinggi Tinggi Disarankan
10 Tinggi Normal Tinggi Disarankan
Output yang dihasilkan dari metode bayes untuk rekrutmen ini adalah disarankan atau tidak disarankan. Untuk menentukan rekrutmen pengajar baru dengan metode Bayes, yang harus dilakukan adalah tentukan data aturan awal terlebih dahulu. Dimana data tersebut didapat dari hasil data rekrutmen yang sudah ada atau sudah dilakukan sebelumnya.
(29)
Tabel 2.2 Data Calon Pengajar Untuk Bayes
No Nama Keterangan
Berkas Wawancara Praktek
1 Bastiyan Tinggi Normal Tinggi 2 Fery Normal Rendah Normal 3 Janio Normal Tinggi Tinggi 4 Jimmy Tinggi Normal Tinggi 5 Maula Rendah Normal Normal
Selanjutnya tentukan alternatif atau data calon pengajar, lalu hitung nilai probabilitas kemungkinan pada data tersebut.
Bastiyan
Kemungkinan Ya =
= 0,4 + 0,75 + 0,25 + 0,75 = 2,15
Kemungkinan Tidak =
= 0,6 + 0 + 0,5 + 0,166 = 1,266
Karena kemungkinan ya > kemungkinan tidak, maka disarankan
Fery
Kemungkinan Ya = 0,4 + 0,25 + 0 + 0,25 = 0,9 Kemungkinan Tidak = 0,6 + 0,833 + 0,333 + 0,5 = 2,266
Karena kemungkinan ya < kemungkinan tidak, maka tidak disarankan
Janio
Kemungkinan Ya = 0,4 + 0,25 + 0,75 + 0,75 = 2,15 Kemungkinan Tidak = 0,6 + 0,833 + 0,166 + 0,166 = 1,76 Karena kemungkinan ya > kemungkinan tidak, maka disarankan
(30)
Jimmy
Kemungkinan Ya = 0,4 + 0,75 + 0,25 + 0,75 = 2,15 Kemungkinan Tidak = 0,6 + 0 + 0,5 + 0,166 = 1,26
Karena kemungkinan ya > kemungkinan tidak, maka disarankan
Maula
Kemungkinan Ya = 0,4 + 0 + 0,25 + 0,25 = 0,9 Kemungkinan Tidak = 0,6 + 0,166 + 0,5 + 0,5 = 1,76
Karena kemungkinan ya < kemungkinan tidak, maka tidak disarankan
Tabel 2.3 Hasil Perhitungan Bayes
No Nama Berkas Wawancara Praktek Keterangan
1 Bastiyan Tinggi Normal Tinggi Disarankan
2 Fery Normal Rendah Normal Tidak Disarankan
3 Janio Normal Tinggi Tinggi Disarankan
4 Jimmy Tinggi Normal Tinggi Disarankan
5 Maula Rendah Normal Normal Tidak Disarankan
2.4 Metode Multifactor Evaluation Process
Multifactor Evaluation Process (MFEP) merupakan metode pengambilan keputusan yang menggunakan pendekatan kolektif atau dengan kata lain secara bersama-sama/gabungan dari proses pengambilan keputusannya. Metode Multifactor Evaluation Process ini relatif cukup sulit digunakan secara manual apabila masalah yang harus dipecahkan merupakan masalah yang kompleks dimana aspek atau faktor yang diambil cukup banyak.
Metode Multifactor Evaluation Process memiliki bobot yang harus diberikan pada setiap kriteria yang diperlukan. Namun seringkali hal ini dianggap sebagai probabilitas pribadi atau subjektif dimana bobot tersebut didasarkan pada tingkat kepercayaan, keyakinan, pengalaman serta latar belakang pengambil keputusan. Oleh sebab itu nilai yang dimasukkan akan menjadi tidak valid ketika pembuat keputusan tidak benar-benar mengerti masalahnya.
(31)
Penggunaan model MFEP dapat direalisasikan dengan contoh berikut: WE = FW x E
ΣWE = Σ(FW x E) Keterangan :
WE = Weighted Evaluation FW = Factor Weight E = Evaluation
ΣWE = Total Weighted Evaluation 2.4.1 Langkah - langkah metode MFEP
Dibawah ini merupakan langkah-langkah proses perhitungan menggunakan metode MFEP, yaitu:
1. Menentukan faktor dan bobot faktor dimana total pembobotan harus sama dengan 1 (Σ pembobotan = 1), yaitu factor weight. Pada penelitian ini faktor dan bobotnya adalah berkas (0,30), wawancara (0,25) dan praktek (0,45)
2. Mengisikan nilai untuk setiap faktor yang mempengaruhi dalam pengambilan keputusan dari data-data yang akan diproses, nilai yang dimasukkan dalam proses pengambilan keputusan merupakan nilai objektif, yaitu sudah pasti yaitu factor evaluation
3. Proses perhitungan weight evaluation yang merupakan proses perhitungan bobot antara factor weight dan factor evaluation dengan serta penjumlahan seluruh hasil weight evaluation untuk memperoleh total hasil evaluasi.
2.4.2 Perhitungan Dengan Metode Multifactor Evaluation Process
Tabel 2.4 Data Calon Pengajar Untuk MFEP
No Nama Nilai
Berkas Wawancara Praktek
1 Bastiyan 78 64.3 77.7
2 Fery 60.3 58 66.3
3 Janio 67.3 77 78.7
4 Jimmy 77 65.3 79
(32)
WE = (bobot berkas x nilai berkas) + (bobot wawancara x nilai wawancara) + (bobot praktek x nilai praktek)
Bastiyan = ( 0,30 x 78 ) + ( 0,25 x 64.3 ) + (0,45 x 77,7 ) = 23,4 + 16,075 + 34,965
= 74,44
Fery = ( 0,30 x 60,3 ) + ( 0,25 x 58 ) + (0,45 x 66,3 ) = 18,09 + 14,5 + 29,835
= 62,425
Janio = ( 0,30 x 67,3 ) + ( 0,25 x 77 ) + (0,45 x 78,7 ) = 20,19 + 19,25 + 35,415
= 74,885
Jimmy = ( 0,30 x 77 ) + ( 0,25 x 65.3 ) + (0,45 x 79 ) = 23,1 + 16,325 + 35,55
= 74,975
Maula = ( 0,30 x 58,7 ) + ( 0,25 x 66 ) + ( 0,45 x 61,7 ) = 17,61 + 16,5 + 27,765
= 61,875
Tabel 2.5 Hasil Perhitungan MFEP
No Nama Berkas Wawancara Praktek Hasil
1 Bastiyan 23.4 16.075 34.965 74.44
2 Fery 18.09 14.5 29.835 62.425
3 Janio 20.19 19.25 35.415 74.855
4 Jimmy 23.1 16.325 35.55 74.975
(33)
2.5 Metode Hybrid
Metode hybrid adalah penggabungan dua metode yang bertujuan menggabungkan kekuatan masing-masing metode tersebut dan meminimalkan kekurangannya, sehingga dapat menjadi alternatif atau solusi untuk mengoptimalkan opini benar atau tidaknya suatu data yang terkumpul untuk dijadikan bahan dalam proses pengambilan keputusan.
Tujuan dari metode hybrid adalah agar antara satu metode dengan metode yang lainnya saling melengkapi kekurangan dari masing-masing sistem, dengan kata lain kekuatan yang ada pada metode A, akan menutupi kelemahan yang ada pada metode B begitu juga sebaliknya sehingga dengan adanya metode hybrid ini diharapkan akan munculnya sebuah pendekatan baru. Adanya metode hybrid pada sistem pendukung keputusan akan membuat permasalahan yang ada menjadi lebih mudah diselesaikan. Dan beberapa alasan memilih metode hybrid adalah :
Keputusan akan dapat segera diambil.
Tidak bergantung pada satu metode saja, karena ada metode lain yang akan saling mendukung.
(34)
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Sistem
Analisis sistem diperlukan dalam perancangan suatu sistem, hal tersebut dilakukan agar nantinya sistem yang akan dirancang sesuai dengan permasalahan yang akan diselesaikan. Selain itu dengan adanya analisis sistem, sistem yang dirancang diharapkan akan lebih baik dan memudahkan dalam pengembangan sistem selanjutnya. Hasil analisis nantinya akan menjadi dasar untuk melakukan perancangan atau desain perangkat lunak sesuai kebutuhan sistem.
Adapun tujuan dari analisis sistem tersebut adalah:
1. Memberi pelayanan kebutuhan informasi kepada pemilik sistem dalam melaksanakan kegiatan operasional.
2. Membantu para pengambil keputusan mendapatkan bahan perbandingan sebagai tolak ukur terhadap hasil yang telah dicapai.
3. Mengevaluasi bentuk sistem yang lama, meluruskan tujuan-tujuan yang belum dicapai (membangun sistem baru atau mengembangkan sistem yang telah ada).
Sistem yang akan dibangun adalah sistem dengan nama metode hybrid (Bayes dan Multifactor Evaluation Process) sebagai metode dalam sistem pendukung keputusan dimana dalam sistem ini digunakan untuk rekrutmen pengajar baru. Sistem ini menggunakan dua metode yaitu metode Bayes dan Multifactor Evaluation Process (MFEP). Kedua metode tersebut akan digabungkan sehingga akan mendapatkan pendekatan baru.
(35)
3.2 Analisis Masalah
Dalam menentukan pengambilan keputusan yang banyak melibatkan faktor tidaklah mudah, karena banyak faktor yang menjadi pertimbangan, sehingga menyulitkan untuk mengambil suatu keputusan yang terbaik. Pada keputusan yang hanya melibatkan sedikit faktor di dalamnya, maka keputusan dapat diambil berdasarkan pertimbangannya pada pikiran ataupun pendapat. Namun pada pengambilan keputusan yang banyak melibatkan faktor, maka perlu digunakan suatu metode tertentu.
Salah satu contoh pengambilan keputusan yang banyak melibatkan faktor dalam penelitian ini adalah perekrutan pengajar baru dimana penilaian bukan hanya dari pendidikan saja, namun juga melibatkan beberapa penilaian seperti tingkat pendidikan, pengalaman bekerja, hasil tes wawancara, tes kemampuan dan sebagainya. Karena banyak penilaian yang saling berpengaruh, maka akan sulit dalam pengambilan keputusan untuk menentukan pengajar baru.
Oleh sebab itu untuk mempermudah masalah ini maka diperlukan suatu sistem pendukung keputusan dengan menggunakan suatu metode tertentu. Dalam penelitian ini metode yang digunakan adalah metode Bayes dan Multifactor Evaluation Process. Namun terdapat kekurangan dalam kedua metode tersebut. Kekurangan pada metode Bayes yaitu satu probabilitas saja tidak bisa mengukur seberapa dalam tingkat keakuratannya. Dengan kata lain, kurang bukti untuk membuktikan kebenaran jawaban yang dihasilkan dan juga metode Bayes tidak memiliki bobot untuk setiap kriteria. Sedangkan kekurangan metode Multifactor Evaluation Process yaitu tidak ada tes konsistensi maka nilai yang dimasukkan akan menjadi tidak valid ketika pembuat keputusan tidak benar-benar mengerti domain masalahnya. Pembuat keputusan juga harus benar-benar menguasai domain masalahnya sehingga yang dimasukkan bukan merupakan nilai perkiraan tetapi nilai sebenarnya.
Maka untuk menutupi kelemahan pada dua metode tersebut dapat dilakukan dengan menggunakan metode hybrid yaitu menggabungkan dua metode tersebut.
(36)
Dimana kekurangan metode Bayes akan ditutupi dengan metode Multifactor Evaluation Process dan begitu juga sebaliknya.
Untuk mengidentifikasi masalah tersebut digunakan diagram Ishikawa (fishbone diagram). Diagram Ishikawa merupakan sebuah alat grafis yang digunakan untuk mengidentifikasi, mengeksplorasi dan menggambarkan suatu masalah serta sebab dan akibat dari masalah tersebut (Kristanto, Andi. 2004). Diagram ini juga sering disebut sebagai diagram sebab-akibat atau diagram tulang ikan. Pengidentifikasian masalah akan membantu analisis persyaratan sistem yang nantinya akan dikembangkan.
Gambar 3.1 Diagram Ishikawa
Pada diagram Ishikawa diatas masalah utama ditunjukkan oleh segi empat paling kanan (kepala ikan), sedangkan kategori ditunjukkan oleh segi empat yang dihubungkan oleh sebuah garis ke tulang utama (garis horizontal yang terhubung ke kepala ikan). Selanjutnya sebab akibat yang muncul ditunjukkan oleh tulang-tulang kecil yang diwakili oleh garis panah yang mengarah ke tulang-tulang kategori masalah.
3.3 Analisis Persyaratan Sistem (Requirement Analysis System)
Adapun analisis persyaratan sebuah sistem yaitu, analisis persyaratan fungsional dan analisis persyaratan non-fungsional.
(37)
3.3.1 Analisis Persyaratan Fungsional
Persyaratan fungsional adalah segala sesuatu yang harus dimiliki oleh sistem. Persyaratan fungsional sistem yang akan dirancang antara lain sebagai berikut:
1. Sistem harus menyediakan sumber daya untuk melakukan proses diagnosa dengan meggunakan metode Bayes dan metode Multifactor Evaluation Process.
2. Sistem harus menyediakan sampel pengetahuan yang jelas dan meyakinkan untuk menghindari terjadinya kesalahan besar dalam memberikan hasil diagnosa.
3. Sistem juga harus dapat menampilkan hasil berdasarkan kriteria yang ditentukan dengan metode Hybrid (Bayes dan Multifactor Evaluation Process).
3.3.2 Analisis Persyaratan Non-Fungsional
Persyaratan non-fungsional adalah persyaratan apa yang harus dilakukan sistem. Beberapa persyaratan non-fungsional yang harus dipenuhi oleh sistem yang dirancang adalah sebagai berikut :
1. User friendly, artinya sistem harus mudah digunakan dengan tampilan yang mudah dimengerti sehingga dapat dioperasikan dengan baik oleh pengguna.
2. Sistem yang dirancang diharapkan untuk kedepannya dapat dikembangkan kembali bagi pihak tertentu yang ingin mengembangkan sistem sehingga bisa lebih efektif dan melengkapi kekurangan yang ada pada sistem.
3. Penggunaan sistem harus menghindari munculnya biaya tambahan.
3.4 Cara Kerja Sistem
Sistem pendukung keputusan yang dibangun memiliki cara kerja untuk menghasilkan suatu keluaran / output nilai akhir setiap alternatif dari hasil proses perhitungan Hybrid (Multifactor Evaluation Process dan Bayes). Sehingga user dapat mengambil keputusan berdasarkan dari nilai yang ditampilkan oleh sistem. Dalam sistem ini, data diperoleh dari data pengajar di Media.Com. Kriteria yang dibutuhkan adalah berkas (tingkat pendidikan, pengalaman mengajar dan sebagainya), wawancara, praktek (pengetahuan teknis, keterampilan teknis dan kemampuan komunikasi). Data dapat dilihat di tabel 3.1.
(38)
Tabel 3.1 Data Pengajar Media.Com
No Nama Berkas Wawancara Praktek
1 Afni 61 59.3 67.7
2 Bahri 78 80 65
3 Bastiyan 78 64.3 77.7
4 Fery 60.3 58 66.3
5 Gibran 63.7 66 59.7
6 Janio 67.3 77 78.7
7 Jimmy 77 65.3 79
8 Kholis 87.3 74 88.3
9 Maula 58.7 66 61.7
10 Nur 59.3 61 69.7
11 Pandu 66 59 75
12 Rafi 85 90 89.3
13 Resfi 61.7 75 57.7
14 Riky 66 82 78.7
15 Sugi 65.3 64 64.7
Langkah – langkah yang akan dilakukan sistem adalah sebagai berikut : a. Menentukan aturan awal
b. Menghitung total Weighted Evaluation c. Menentukan alternatif
d. Menghitung total Weighted Evaluation setiap alternatif e. Menentukan disarankan atau tidak disarankan
3.4.1 Menentukan Aturan Awal
Dari data yang ada diambil sebanyak 10 data sebagai aturan awal, dimana data aturan awal ini sebagai pedoman data yang akan digunakan dalam metode Bayes. Oleh karena itu, nilai diubah menjadi keterangan dengan ketentuan :
Tinggi = Nilai >= 75
Normal = Nilai diantara 60 – 74 Rendah = Nilai < 60
(39)
Tabel 3.2 Data Aturan Awal
No Nilai Keterangan
Berkas Wawancara Praktek Berkas Wawancara Praktek
1 66 82 78.7 Normal Tinggi Tinggi
2 78 80 65 Tinggi Tinggi Normal
3 59.3 61 69.7 Rendah Normal Normal
4 61 59.3 67.7 Normal Rendah Normal
5 63.7 66 59.7 Normal Normal Normal
6 65.3 64 64.7 Normal Normal Rendah
7 61.7 75 57.7 Normal Tinggi Rendah
8 66 59 75 Normal Rendah Tinggi
9 85 90 89.3 Tinggi Tinggi Tinggi
10 87.3 74 88.3 Tinggi Normal Tinggi
3.4.2 Menghitung Total Weighted Evaluation
Tentukan bobot untuk setiap kriteria, dimana total dari pembobotan sama dengan 1. Selanjutnya hitung Weighted Evaluation, yaitu setiap nilai bobot dikalikan dengan data aturan awal. Selanjutnya dijumlahkan dan tentukan apakah hasil dari Weighted Evaluation disarankan atau tidak berdasarkan keperluan user.
Tabel 3.3 Bobot Setiap Kriteria Kriteria Nilai Bobot
Berkas 0.30
Wawancara 0,25
Praktek 0,45
1. = ( 0,30 x 66 ) + ( 0,25 x 82 ) + (0,45 x 78,7 ) = 19,8 + 20,5 + 35,415
= 75,715
2. = ( 0,30 x 78 ) + ( 0,25 x 80 ) + (0,45 x 65 ) = 23,4 + 20 + 29,25
(40)
3. = ( 0,30 x 59,3 ) + ( 0,25 x 61 ) + (0,45 x 69,7 ) = 17,79 + 15,25 + 31,365
= 64,405
Tabel 3.4 Weighted Evaluation dan Kesimpulan
No Berkas Wawancara Praktek Hasil Keterangan
1 19.8 20.5 35.415 75.715 Disarankan
2 23.4 20 29.25 72.65 Disarankan
3 17.79 15.25 31.365 64.405 Tidak Disarankan
4 18.3 14.825 30.465 63.59 Tidak Disarankan
5 19.11 16.5 26.865 62.475 Tidak Disarankan
6 19.59 16 29.115 64.705 Tidak Disarankan
7 18.51 18.75 25.965 63.225 Tidak Disarankan
8 19.8 14.75 33.75 68.3 Disarankan
9 25.5 22.5 40.185 88.185 Disarankan
10 26.19 18.5 39.735 84.425 Disarankan
3.4.3 Menentukan Alternatif
Dalam sistem ini, alternatif yang diperlukan adalah data pengajar sebanyak 5 data. Sehingga proses akhir dari sistem ini adalah untuk mengetahui berapa banyak pengajar yang disarankan dan yang sesuai untuk diterima sebagai pengajar.
Tabel 3.5 Data Calon Pengajar
No Nama Nilai Keterangan
Berkas Wawancara Praktek Berkas Wawancara Praktek
1 Bastiyan 78 64.3 77.7 Tinggi Normal Tinggi 2 Fery 60.3 58 66.3 Normal Rendah Normal 3 Janio 67.3 77 78.7 Normal Tinggi Tinggi 4 Jimmy 77 65.3 79 Tinggi Normal Tinggi 5 Maula 58.7 66 61.7 Rendah Normal Normal
3.4.4 Menghitung Total Weighted Evaluation Setiap Alternatif
Pada tahap ini menggunakan metode Multifactor Evaluation Process untuk mengetahui nilai akhir setiap alternatif berdasarkan bobot yang telah ditentukan. Karena bobot sudah ditentukan sebelumnya. Selanjutnya menghitung total Weighted
(41)
Evaluation, proses ini sama seperti menghitung total Weighted Evaluation pada data aturan awal.
Hasil = (bobot berkas x nilai berkas) + (bobot wawancara x nilai wawancara) + (bobot praktek x nilai praktek)
Bastiyan = ( 0,30 x 78 ) + ( 0,25 x 64.3 ) + (0,45 x 77,7 ) = 23,4 + 16,075 + 34,965
= 74,44
Fery = ( 0,30 x 60,3 ) + ( 0,25 x 58 ) + (0,45 x 66,3 ) = 18,09 + 14,5 + 29,835
= 62,425
Janio = ( 0,30 x 67,3 ) + ( 0,25 x 77 ) + (0,45 x 78,7 ) = 20,19 + 19,25 + 35,415
= 74,885
Jimmy = ( 0,30 x 77 ) + ( 0,25 x 65.3 ) + (0,45 x 79 ) = 23,1 + 16,325 + 35,55
= 74,975
Maula = ( 0,30 x 58,7 ) + ( 0,25 x 66 ) + ( 0,45 x 61,7 ) = 17,61 + 16,5 + 27,765
= 61,875
Tabel 3.6 Hasil Total Weighted Evaluation
No Nama Berkas Wawancara Praktek Hasil
1 Bastiyan 23.4 16.075 34.965 74.44
2 Fery 18.09 14.5 29.835 62.425
3 Janio 20.19 19.25 35.415 74.855
4 Jimmy 23.1 16.325 35.55 74.975
(42)
3.4.5 Menentukan Disarankan Atau Tidak Disarankan
Pada tahap ini menggunakan metode Bayes untuk menentukan apakah data calon pengajar disarankan atau tidak berdasarkan dengan aturan awal. Perhitungan menggunakan data keterangan aturan awal dan data calon pengajar yang menunjukkan tinggi, normal, dan rendah.
Bastiyan
Kemungkinan Ya =
= 0,5 + 0,6 + 0,2 + 0,8 = 2,1
Kemungkinan Tidak =
= 0,5 + 0 + 0,6 + 0 = 1,1
Karena kemungkinan ya > kemungkinan tidak, maka disarankan
Fery
Kemungkinan Ya = 0,5 + 0,4 + 0,2 + 0,2 = 1,3 Kemungkinan Tidak = 0,5 + 0,8 + 0,2 + 0,6 = 2,1
Karena kemungkinan ya < kemungkinan tidak, maka tidak disarankan
Janio
Kemungkinan Ya = 0,5 + 0,4 + 0,6 + 0,8 = 2,3 Kemungkinan Tidak = 0,5 + 0,8 + 0,2 + 0 = 1,5
Karena kemungkinan ya > kemungkinan tidak, maka disarankan
Jimmy
Kemungkinan Ya = 0,5 + 0,6 + 0,2 + 0,8 = 2,1 Kemungkinan Tidak = 0,5 + 0 + 0,6 + 0 = 1,1
(43)
Maula
Kemungkinan Ya = 0,5 + 0 + 0,2 + 0,2 = 0,9 Kemungkinan Tidak = 0,5 + 0,2 + 0,6 + 0,6 = 1,9
Karena kemungkinan ya < kemungkinan tidak, maka tidak disarankan
Tabel 3.7 Analisis Perhitungan MFEP dan Bayes
No Nama Berkas Wawancara Praktek Hasil Keterangan
1 Bastiyan 23.4 16.075 34.965 74.44 Disarankan
2 Fery 18.09 14.5 29.835 62.425 Tidak Disarankan
3 Janio 20.19 19.25 35.415 74.855 Disarankan
4 Jimmy 23.1 16.325 35.55 74.975 Disarankan
5 Maula 17.61 16.5 27.765 61.875 Tidak Disarankan
3.5 Pemodelan
Pemodelan (modeling) adalah proses merancang piranti lunak sebelum melakukan pengkodean (coding). Membuat model dari sebuah sistem yang kompleks sangatlah penting karena kita tidak dapat memahami sistem semacam itu secara menyeluruh. Semakin komplek sebuah sistem, semakin penting pula penggunaan teknik pemodelan yang baik. Dengan menggunakan model, diharapkan pengembangan piranti lunak dapat memenuhi semua kebutuhan pengguna dengan lengkap dan tepat.
Pada penelitian ini menggunakan UML (Unified Modeling Language) untuk merancang model sebuah sistem yang akan dibangun, UML adalah sebuah "bahasa" yang telah menjadi standar dalam industri untuk visualisasi, merancang dan mendokumentasikan sistem piranti lunak (Dharwiyanti & Romi,2013). UML yang digunakan antara lain use case diagram, activity diagram dan sequence diagram.
3.5.1 Use Case Diagram
Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan bukan “bagaimana”. Sebuah use case merepresentasikan sebuah interaksi antara aktor dengan sistem. Use
(44)
case diagram dapat sangat membantu bila kita sedang menyusun requirement sebuah sistem. Pada penelitian ini, use case diagram terlihat pada gambar 3.2
Gambar 3.2 Use Case Diagram
Dari gambar 3.2 dijelaskan bahwa user dapat melihat, menginput, mengubah dan menghapus data untuk aturan awal, kriteria dan data calon pengajar. Kemudian melakukan proses perhitungan dengan MFEP dan Bayes. Untuk lebih jelasnya dapat dilihat pada tabel 3.1
Tabel 3.8 Deskripsi Use Case Data Calon Pengajar
Name Data Calon Pengajar
Actors Developer / Staff yang telah ditentukan
Description Use case ini mendeskripsikan untuk mengelola data calon pengajar.
Basic Flow User dapat menginput data dan setelah menginput data, user dapat menampilkan keseluruhan data yang tersimpan. Dan user dapat mengubah dan menghapus data jika dianggap tidak sesuai. Sehingga dapat diproses ke tahap selanjutnya.
(45)
Alternate Flow User dapat mengelola aturan awal dan kriteria Pre Condition User ingin input data calon pengajar
Post Condition Data dari calon pengajar telah tersimpan ke database
Tabel 3.9 Deskripsi Use Case Kriteria
Name Kriteria
Actors Developer / Staff yang telah ditentukan
Description Use case ini mendeskripsikan untuk mengelola bobot setiap kriteria yang diinginkan user
Basic Flow User menginput data kriteria dan setelah menginput data, data tersebut akan dihitung untuk proses selanjutnya.
Alternate Flow User dapat mengelola data aturan awal dan data calon pengajar Pre Condition User ingin input bobot untuk setiap kriteria
Post Condition Hasil dari perhitungan bobot setiap kriteria telah tersimpan ke database
Tabel 3.10 Deskripsi Use Case Perhitungan
Name Data Calon Perhitungan
Actors Developer / Staff yang telah ditentukan
Description Use case ini mendeskripsikan proses perhitungan data calon pengajar yang telah diinputkan sebelumnya berdasarkan bobot yang telah ditentukan dengan menggunakan MFEP dan Bayes Basic Flow Setelah data yang diperlukan telah diinputkan oleh User,
selanjutnya data dihitung dengan MFEP dan Bayes Alternate Flow User dapat kembali ke tampilan awal
Pre Condition User ingin mengetahui hasil perhitungan
Post Condition User dapat mengetahui calon pengajar yag sesuai dengan kriteria yang diinginkan
3.5.2 Activity Diagram
Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir.
(46)
Gambar 3.3 Activity Diagram Input Data
Pada gambar 3.3 menjelaskan bahwa ketika user menginputkan data aturan awal atau data calon pengajar. Maka data tersebut akan tersimpan ke database.
Gambar 3.4 Activity Diagram Ubah Data
Pada gambar 3.4 menjelaskan bahwa ketika user ingin mengubah data aturan awal atau data calon pengajar maka terlebih dahulu user menampilkan data, lalu user
(47)
menginputkan data yang akan diubah. Setelah divalidasi, data yang baru akan terupdate dan disimpan ke database.
Gambar 3.5 Activity Diagram Hapus Data
Pada gambar 3.5 menjelaskan bahwa ketika user ingin menghapus data aturan awal atau data calon pengajar maka terlebih dahulu user menampilkan data, lalu user memilih data yang akan dihapus. Setelah divalidasi, data yang terpilih akan terhapus dari database.
(48)
Pada gambar 3.6 menjelaskan bahwa ketika proses perhitungan, terlebih dahulu user harus menginput nilai bobot untuk setiap kriteria. Lalu nilai bobot tersebut akan dihitung dengan data aturan awal. Hasil perhitungan tersebut akan dihitung lagi dengan metode MFEP berdasarkan data calon pengajar. Dan proses terakhir akan dihitung dengan metode Bayes.
3.5.3 Sequence Diagram
Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respons dari sebuah event untuk menghasilkan output tertentu.
Gambar 3.7 Sequence Diagram Input Data
Pada gambar 3.7 menjelaskan bahwa ketika user menginput data maka sistem akan merespon dengan menampilkan form dan menyimpannya ke database.
(49)
Gambar 3.8 Sequence Diagram Ubah Data
Pada gambar 3.8 menjelaskan bahwa ketika user mengubah data maka sistem akan merespon dengan menampilkan form. Dan ketika user memilih data yang akan diubah, sistem akan merespon dengan mengambil data tersebut dari database dan menampilkannya. Data akan terupdate di database.
Gambar 3.9 Sequence Diagram Hapus Data
Pada gambar 3.9 menjelaskan bahwa ketika user menghapus data maka sistem akan merespon dengan menampilkan form. Dan ketika user memilih data yang akan
(50)
dihapus, sistem akan merespon dengan mengambil data tersebut dari database dan menampilkannya. Data akan terhapus di database.
Gambar 3.10 Sequence Diagram Perhitungan
Pada gambar 3.10 menjelaskan bahwa ketika user menginput nilai bobot untuk setiap kriteria maka sistem akan menghitungnya dan menyimpannya ke database. Dan menampilkan hasilnya kepada user. Ketika user menekan tombol mfep maka sistem akan menghitung dengan metode mfep menampilkan hasilnya kepada user. Hal yang untuk metode bayes.
3.5.4 Flowchart Bayes
ya
tidak Hitung nilai probabilitas
Input nilai Mulai
P(Ya) > P(Tidak) Disarankan
(51)
Gambar 3.11 Flowchart Bayes
Flowchart metode Bayes pada gambar 3.11, inputkan dahulu nilai yang akan dihitung. Selanjutnya nilai tersebut akan dihitung untuk mengetahui nilai probabilitasnya. Setelah diproses maka akan didapat hasil perhitungannya.
3.5.5 Flowchart Multifactor Evaluation Process
Pada metode Multifactor Evaluation Process, terlebih dahulu tentukan faktor kriteria yang diperlukan. Lalu tentukan bobot untuk setiap kriteria. Dengan syarat jumlah pembobot harus sama dengan 1. Selanjutnya tentukan nilai untuk setiap kriteria agar diproses lagi untuk dihitung hasilnya. Flowchart dapat dilihat pada gambar 3.12
Gambar 3.12 Flowchart Multifactor Evaluation Process
Σ pembobotan = 1 ?
tidak
ya Mulai
Menghitung Total Weighted Evaluation ΣWE = Σ(FW x E)
Selesai
Tampilkan hasil perhitungan
Selesai
Input bobot setiap faktor/kriteria
(52)
3.5.6 Flowchart Sistem
Pada gambar 3.13 akan ditunjukkan gambaran flowchart sistem secara keseluruhan. Dapat dilihat bahwa tentukan dahulu data aturan awal, kriteria yang diperlukan serta bobot untuk setiap kriteria yang kemudian akan dihitung dengan metode Multifactor Evaluation Process. Selanjutnya menginputkan data calon pengajar. Keseluruhan data akan diproses dengan metode Multifactor Evaluation Process dan Bayes. Sehingga dapat ditentukannya alternatif yang terbaik.
Gambar 3.13 Flowchart Keseluruhan Sistem
Mulai
Hitung aturan awal dengan metode MFEP
Hitung data calon pengajar dengan metode Bayes berdasarkan aturan awal
Hasil perhitungan metode Bayes dan MFEP
Selesai
Hitung data calon pengajar dengan metode MFEP Input aturan awal dan
(53)
3.6 Perancangan Sistem
Menurut Kusrini & Andri Koniyo (2007) perancangan sistem adalah proses pengembangan spesifikasi sistem baru berdasarkan hasil rekomendasi analisis sistem. Dalam tahap perancangan, tim kerja desain harus merancang spesifikasi yang dibutuhkan dalam berbagai kertas kerja. Kertas kerja itu harus memuat berbagai uraian mengenai input, proses, dan output dari sistem yang diusulkan. Tujuan tahap perancangan sistem adalaha memenuhi kebutuhan pemakai sistem dan memberikan gambaran yang jelas dan rancang bangun yang lengkap untuk pemrogram dan ahli – ahli teknik yang terlibat.
Sasaran yang harus dicapai :
1. Desain sistem harus berguna, mudah dipahami dan digunakan, data harus mudah ditangkap, metode harus mudah diterapkan, informasi mudah dihasilkan dan mudah pula dipahami.
2. Desain sistem harus mendukung tujuan utama perusahaan
3. Desain sistem harus efisien dan efektif dalam mendukung pengolahan transaksi, pelaporan manajemen dan pembuatan keputusan.
3.6.1 Rancangan Menu Aturan Awal
(54)
Keterangan:
Tabel 3.11 Keterangan Rancangan Menu Aturan Awal
No Jenis Objek Keterangan
1 Textbox Aturan_ke User mengisi nomor urut 2 Textbox berkas User mengisi bobot berkas 3 Textbox wawancara User mengisi bobot wawancara 4 Textbox praktek User mengisi bobot praktek 5 Button ubah Tombol untuk mengubah data 6 Button hapus Tombol untuk menghapus data
7 Button simpan Tombol untuk menyimpan data ke database 8 Button tampilkan Tombol untuk menampilkan data ke datagridview 9 Datagridview1 Isi inputan data yang tersimpan di database 10 Datagridview2 Isi inputan data yang tersimpan di database
3.6.2 Rancangan Menu Menentukan Bobot
(55)
Keterangan:
Tabel 3.12 Keterangan Rancangan Menu Menetukan Bobot
No Jenis Objek Keterangan
1 Textbox berkas User mengisi bobot berkas 2 Textbox wawancara User mengisi bobot wawancara 3 Textbox praktek User mengisi bobot praktek
4 Button hitung Tombol untuk menghitung bobot yang telah ditentukan
5 Button simpan Tombol untuk menyimpan ke database
6 Button tampilkan Tombol untuk menampilkan data yang telah dihitung 7 Datagridview1 Isi inputan data dari hasil perhitungan bobot
8 Datagridview2 Isi inputan data dari hasil akhir perhitungan
3.6.3 Rancangan Menu Calon Pengajar
Gambar 3.16 Rancangan Menu Calon Pengajar
Keterangan:
Tabel 3.13 Keterangan Rancangan Menu Calon Pengajar
No Jenis Objek Keterangan
(56)
2 Textbox berkas User mengisi nilai berkas 3 Textbox wawancara User mengisi nilai wawancara 4 Textbox praktek User mengisi nilai praktek
5 Button simpan Tombol untuk menyimpan data yang telah diinputkan oleh user ke database
6 Button bersih Tombol untuk membersihkan textbox
7 Datagridview1 Isi inputan data user yang disimpan di dalam database 8 Datagridview2 Isi inputan nilai yang sudah diubah
9 Button tampilkan Tombol untuk melihat hasil input dan edit data 10 Button hapus Tombol untuk menghapus data
11 Button ubah Tombol untuk mengubah data
3.6.4 Rancangan Menu Perhitungan
(57)
Keterangan:
Tabel 3.14 Keterangan Rancangan Menu Perhitungan
No Jenis Objek Keterangan
1 Datagridview1 Menampilkan seluruh data aturan awal Datagridview2 Menampilkan seluruh data calon pengajar
2 Datagridview3 Menampilkan hasil perhitungan dari metode MFEP dan Bayes
3 Button MFEP Tombol untuk menghitung data dengan proses MFEP 4 Button Bayes Tombol untuk menghitung data dengan proses Bayes
(58)
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem
Implementasi sistem merupakan tahap selanjutnya yang harus dilakukan untuk mengimplementasikan sistem yang sebelumnya sudah dianalisis dan dirancang ke dalam sebuah pemograman. Implementasi sistem ini dibangun menggunakan bahasa pemrograman C# dan Database Management System Mysql.
4.1.1 Halaman Utama
Merupakan tampilan awal saat user mulai menjalankan aplikasi. User dapat memilih menu yang tersedia, yaitu aturan awal, bobot, data pengajar, dan hitung.
(59)
4.1.2 Menu Aturan Awal
Merupakan tampilan untuk input data aturan awal, saat button Simpan dijalankan, maka sistem akan menyimpan data yang telah diinputkan oleh user ke database dan menampilkannnya ke datagridview. Jika user mengubah atau menghapus data, maka seharusnya sistem dapat merespon dengan mengubah data atau menghapus data yang tersimpan ke database.
Gambar 4.2 Menu Aturan Awal
4.1.3 Menu Bobot
Pada menu ini user menginputkan bobot untuk setiap kriteria, sesuai dengan perancangan sistem sebelumnya, yaitu untuk berkas (0.30), wawancara (0.25) dan praktek (0.45). Jika penginputan bobot tidak sesuai, maka sistem tidak dapat berjalan maksimal karena bersifat statis. Pada saat button hitung ditekan, maka sistem akan memproses perhitungan dan dapat menampilkan hasil proses perhitungan sesuai dengan yang diharapkan. Dan sistem dapat menyimpan hasil tersebut ke dalam database, untuk dapat digunakan lagi pada proses perhitungan selanjutnya.
(60)
Gambar 4.3 Menu Bobot
4.1.4 Menu Data Pengajar
Pada menu ini, user dapat menginputkan data sebanyak 5 data saja, karena sistem bersifat statis. Pada saat user mengubah atau menghapus data, maka sistem dapat mengubah atau menghapus data yang tersimpan ke dalam database pula.
(61)
4.2 Pengujian Sistem
Pengujian sistem dilakukan untuk mengetahui apakah sistem berfungsi sesuai dengan yang diharapkan. Pengujian sistem termasuk juga pengujian program secara menyeluruh. Program yang telah diintegrasikan perlu diuji coba atau dites untuk melihat apakah sebuah program dapat menerima dengan baik, memproses dan memberikan keluaran program sesuai yang diharapkan.
Pada penelitian ini, pengujian sistem dilakukan untuk mengetahui proses penggabungan dua metode (Bayes dan Multifactor Evaluation Process) pada rekrutmen pengajar baru, apakah dengan menggabungkan dua metode tersebut menghasilkan data yang lebih akurat lagi. Dan hasil dari pengujian sistem ini yaitu untuk mendapatkan data calon pengajar yang sesuai dengan kriteria. Dari gambar 3.22 dapat disimpulkan bahwa 3 dari 5 data calon pengajar disarankan untuk menjadi pengajar, yaitu Janio, Jimmy dan Bastiyan. Dengan hasil, Janio (74,85), Jimmy (74,95), dan Bastiyan (74,44). Dari ketiga calon pengajar tersebut Jimmy yang memiliki nilai tertinggi.
(62)
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil analisis dan pengujian terhadap sistem pendukung keputusan untuk rekrutmen pengajar baru dengan menggunakan metode Hybrid (Bayes dan Multifactor Evaluation Process), maka kesimpulan yang dapat diambil adalah sebagai berikut : a) Metode Bayes dan Multifactor Evaluation Process dapat di-hybrid-kan sehingga
menghasilkan hasil yang lebih akurat jika dibandingkan dengan menggunakan satu metode saja.
b) Dari hasil pengujian sistem ini, ada 3 data yang disarankan untuk diterima sebagai pengajar yaitu Jimmy (74,95), Janio (74,85), dan Bastiyan (74,44). Dan nilai tertinggi diantara ketiga data tersebut adalah Jimmy (74,95).
5.2 Saran
Berikut ini adalah saran-saran yang dapat dijadikan pertimbangan dalam mengembangkan penelitian ini:
a) Karena sistem ini bersifat statis, maka penginputan data dibatasi hanya sebanyak 5 data pengajar. Oleh sebab itu sistem yang dibuat hendaknya bersifat dinamis, sehingga tidak ada batas dalam menginputkan data.
b) Hendaknya lebih banyak data yang digunakan untuk data aturan awal, sehingga hasilnya agar lebih akurat lagi.
(63)
DAFTAR PUSTAKA
Budiharto, Widodo & Derwin Suhartono. 2014. Artificial Intelligence : Konsep dan Penerapannya. Yogyakarta : Andi
Dharwiyanti, Sri. & Romi SW. 2013. Pengantar Unified Modeling Language (UML). (Online) https://doc-14-50-docs.googleusercontent.com/ (09 September 2015).
Kahfi, R.R. 2013. Sistem Estimasi Biaya Operasional Project Menggunakan Pendekatan Constructive Cost Model. Skripsi. Universitas Ibn Khaldun Bogor
Keen, P.G.W. and Scott-Morton, M.S. 1978. Decision Support Systems: An organisational perspective, Addison-Wesley: Reading (Mass.).
Kendall Kenneth E, Julie E. Kendall. 2006. Analisis dan Perancangan Sistem edisi lima jilid 1. Jakarta : Gramedia Pustaka Utama
Kristanto, Andi. 2004. Rekayasa Perangkat Lunak (Konsep Dasar). Yogyakarta: Gava Media
Kusrini & Andri Koniyo. 2007. Tuntunan Praktis Membangun Sistem Informasi Akuntansi dengan Visual Basic dan Microsoft SQL Server. Yogyakarta : Andi
Marimin. 2004. Teknik dan Aplikasi Pengambilan Keputusan Kriteria Majemuk. Jakarta : Grasindo
Mulyono, Sri. 1996. Teori Pengambilan Keputusan. Jakarta : Lembaga Penerbit Fakultas Ekonomi Indonesia.
Nofriansyah, Dicky. 2014. Konsep Data Mining Vs Sistem Pendukung Keputusan. Yogyakarta : Deepublish.
(64)
Oetomo, Budi Sutedjo Dharma. 2002. Perencanaan & Pembangunan Sistem Informasi. Yogyakarta : Penerbit Andi
Render, Barry. & Ralph, M.S. 2000. Quantitative Analysis for Management. Prentice Hall Inc.
Safitri, R.S. 2009. Pengambilan Keputusan Dengan Menggunakan Metode Maximum Score of the Total Sum of Joint Probabilities (MSJP). Skripsi. Institut Teknologi Sepuluh November
Setiyawati, Any. 2015. Sistem Pendukung Keputusan Pemilihan Kelas Terfavorit Dengan Metode Multifactor Evaluation Process (MFEP). Skripsi. Universitas Muria Kudus
Suryadi, Kadarsah. dan M. Ali Ramdhani. 1998. Sistem pendukung Keputusan : Suatu Wacana Struktural Idealisasi dan Implementasi Konsep Pengambilan Keputusan. Bandung : Remaja Rosdakarya
Sutojo, T., Edy Mulyanto., & Vincent Suhartono. 2011. Kecerdasan Buatan. Yogyakarta : Andi
Syahputra, R. A. 2011. Sistem Pendukung Keputusan Penentuan Penerima Beasiswa Menggunakan Metode Fuzzy Multiple Attribute Decision Making Pada SMA Taman Siswa Sawit Seberang. Skripsi. Universitas Sumatera Utara.
Tanius, S. 2010. Sistem Pendukung Keputusan Untuk Rekrutmen Tenaga Pengajar Baru di Libra Education Institute dengan Metode Topsis. Skripsi. Universitas Sumatera Utara
Turban, E., Aronson, J.E., and Liang, T.P. 2005. Decision Support Systems and Intelligent Systems (Sistem Pendukung Keputusan dan Sistem Kecerdasan). Yogyakarta: Penerbit Andi.
(1)
if (praktek.Equals(praktek1) && (ket.Equals("Tidak Disarankan")))
a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Berkas = Tinggi, Normal, Rendah / Keterangan = Disarankan
public string getP41() {
double a = 0; string berkas =
Convert.ToString(dataGridView3.Rows[3].Cells[1].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string berkas1 =
Convert.ToString(dataGridView1.Rows[i].Cells[1].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[4].Value); if (berkas.Equals(berkas1) &&
(ket.Equals("Disarankan"))) a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Berkas = Tinggi, Normal, Rendah / Keterangan = Tidak Disarankan
public string getP42() {
double a = 0; string berkas =
Convert.ToString(dataGridView3.Rows[3].Cells[1].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string berkas1 =
Convert.ToString(dataGridView1.Rows[i].Cells[1].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[4].Value);
if (berkas.Equals(berkas1) && (ket.Equals("Tidak Disarankan")))
a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Wawancara = Tinggi, Normal, Rendah / Keterangan = Disarankan
public string getP43() {
double a = 0; string wawancara =
Convert.ToString(dataGridView3.Rows[3].Cells[2].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
(2)
string wawancara1 =
Convert.ToString(dataGridView1.Rows[i].Cells[2].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[4].Value); if (wawancara.Equals(wawancara1) && (ket.Equals("Disarankan")))
a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Wawancara = Tinggi, Normal, Rendah / Keterangan = Tidak Disarankan
public string getP44() {
double a = 0; string wawancara =
Convert.ToString(dataGridView3.Rows[3].Cells[2].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string wawancara1 =
Convert.ToString(dataGridView1.Rows[i].Cells[2].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[4].Value); if (wawancara.Equals(wawancara1) && (ket.Equals("Tidak Disarankan")))
a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Praktek = Tinggi, Normal, Rendah / Keterangan = Disarankan
public string getP45() {
double a = 0; string praktek =
Convert.ToString(dataGridView3.Rows[3].Cells[3].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string praktek1 =
Convert.ToString(dataGridView1.Rows[i].Cells[3].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[4].Value); if (praktek.Equals(praktek1) &&
(ket.Equals("Disarankan"))) a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Praktek = Tinggi, Normal, Rendah / Keterangan = Tidak Disarankan
public string getP46() {
(3)
string praktek =
Convert.ToString(dataGridView3.Rows[3].Cells[3].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string praktek1 =
Convert.ToString(dataGridView1.Rows[i].Cells[3].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[3].Value);
if (praktek.Equals(praktek1) && (ket.Equals("Tidak Disarankan")))
a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Berkas = Tinggi, Normal, Rendah / Keterangan = Disarankan
public string getP51() {
double a = 0; string berkas =
Convert.ToString(dataGridView3.Rows[4].Cells[1].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string berkas1 =
Convert.ToString(dataGridView1.Rows[i].Cells[1].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[4].Value); if (berkas.Equals(berkas1) &&
(ket.Equals("Disarankan"))) a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Berkas = Tinggi, Normal, Rendah / Keterangan = Tidak Disarankan
public string getP52() {
double a = 0; string berkas =
Convert.ToString(dataGridView3.Rows[4].Cells[1].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string berkas1 =
Convert.ToString(dataGridView1.Rows[i].Cells[1].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[4].Value);
if (berkas.Equals(berkas1) && (ket.Equals("Tidak Disarankan")))
a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Wawancara = Tinggi, Normal, Rendah / Keterangan = Disarankan
(4)
public string getP53() {
double a = 0; string wawancara =
Convert.ToString(dataGridView3.Rows[4].Cells[2].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string wawancara1 =
Convert.ToString(dataGridView1.Rows[i].Cells[2].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[4].Value); if (wawancara.Equals(wawancara1) && (ket.Equals("Disarankan")))
a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Wawancara = Tinggi, Normal, Rendah / Keterangan = Tidak Disarankan
public string getP54() {
double a = 0; string wawancara =
Convert.ToString(dataGridView3.Rows[4].Cells[2].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string wawancara1 =
Convert.ToString(dataGridView1.Rows[i].Cells[2].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[4].Value); if (wawancara.Equals(wawancara1) && (ket.Equals("Tidak Disarankan")))
a++; }
peluang = a;
return peluang.ToString("F3"); }
//peluang Praktek = Tinggi, Normal, Rendah / Keterangan = Disarankan
public string getP55() {
double a = 0; string praktek =
Convert.ToString(dataGridView3.Rows[4].Cells[3].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string praktek1 =
Convert.ToString(dataGridView1.Rows[i].Cells[3].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[4].Value); if (praktek.Equals(praktek1) &&
(ket.Equals("Disarankan"))) a++; }
peluang = a;
return peluang.ToString("F3"); }
(5)
//peluang Praktek = Tinggi, Normal, Rendah / Keterangan = Tidak Disarankan
public string getP56() {
double a = 0; string praktek =
Convert.ToString(dataGridView3.Rows[4].Cells[3].Value);
for (int i = 0; i < dataGridView1.Rows.Count - 1; i++) {
string praktek1 =
Convert.ToString(dataGridView1.Rows[i].Cells[3].Value); string ket =
Convert.ToString(dataGridView1.Rows[i].Cells[3].Value);
if (praktek.Equals(praktek1) && (ket.Equals("Tidak Disarankan")))
a++; }
peluang = a;
return peluang.ToString("F3"); }
private void Bayes_Click(object sender, EventArgs e) {
//tambah kolom 'Keterangan'
DataGridViewColumn keterangan = new DataGridViewColumn(); DataGridViewCell cell1 = new DataGridViewTextBoxCell(); keterangan.CellTemplate = cell1;
keterangan.HeaderText = "Keterangan"; keterangan.Name = "keterangan";
keterangan.Visible = true; keterangan.Width = 120;
dataGridView2.Columns.Add( keterangan); peluangY1 = (Convert.ToDouble(getP1()) / Convert.ToDouble(getKs())) + (Convert.ToDouble(getP3()) / Convert.ToDouble(getKs()))
+ (Convert.ToDouble(getP5()) / Convert.ToDouble(getKs())) + Convert.ToDouble(getYa()); peluangT1 = (Convert.ToDouble(getP2()) /
Convert.ToDouble(getKts())) + (Convert.ToDouble(getP4()) / Convert.ToDouble(getKts()))
+ (Convert.ToDouble(getP6()) / Convert.ToDouble(getKts())) + Convert.ToDouble(getTidak());
string ket1, ket2, ket3, ket4, ket5; if (peluangY1 > peluangT1) ket1 = "Disarankan"; else
ket1 = "Tidak Disarankan";
dataGridView2.Rows[0].Cells[5].Value = ket1;
if (peluangY2 > peluangT2) ket2 = "Disarankan"; else
ket2 = "Tidak Disarankan";
dataGridView2.Rows[1].Cells[5].Value = ket2; }
} }
(6)