Pendekatan Fuzzy dalam Pemodelan Sistem Pendukung Keputusan dengan Analytic Hierarcy Process

(1)

PENDEKATAN FUZZY DALAM PEMODELAN SISTEM

PENDUKUNG KEPUTUSAN DENGAN

ANALYTIC HIERARCY PROCESS

TESIS

MUHAMMAD IQBAL

117038024

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

(2)

PENDUKUNG KEPUTUSAN DENGAN

ANALYTIC HIERARCY PROCESS

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh

ijazah Magister Teknik Informatika

MUHAMMAD IQBAL

117038024

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

(3)

PERSETUJUAN

Judul : Pendekatan Fuzzy Dalam Pemodelan Sistem Pendukung Keputusan Dengan Analytic Hierarcy Process

Katagori : Tesis

Nama : Muhammad Iqbal

Nomor Induk Mahasiswa : 117038024

Program Studi : Magister (S2) Teknik Informatika

Fakultas : LMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dr. Marwan Ramli, M.Si Prof. Dr. Muhammad

Zarlis

Diketahui/disetujui oleh

Program Studi Magister (S2) Teknik Informatika Ketua,

Prof. Dr. Muhammad Zarlis NIP. 195707011986011003

(4)

PENDEKATAN FUZZY DALAM PEMODELAN SISTEM PENDUKUNG KEPUTUSAN DENGAN ANALYTIC HIERARCY PROCESS

TESIS

Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan masing – masing telah disebutkan sumbernya.

Medan, 26 Juli 2013

Muhammad Iqbal 117038024

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai Sivitas akademika Universitas Sumatera Utara, saya bertanda tangan di bawah ini:

Nama : Muhammad Iqbal

NIM : 117038024

Program Studi : Magister (S2) Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul:

PENDEKATAN FUZZY DALAM PEMODELAN SISTEM PENDUKUNG KEPUTUSAN DENGAN ANALYTIC HIERARCHY PROCESS

Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencamtumkan nama saya sebagai penulis dan sebagai pemegang atau sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 26 Juli 2013

Muhammad Iqbal 117038024

(6)

Tanggal : 11 Juli 2013

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Muhammad Zarlis

Anggota : 1. Dr. Marwan Ramli, M.Si

2. Prof. Dr. Herman Mawengkang 3. Prof. Dr. Tulus

(7)

RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap : Muhammad Iqbal, S.Kom

Tempat dan Tanggal Lahir : Matangglumpangdua, 29 November 1986 Alamat Rumah : Matangglumpangdua, Mns.Timu No.126

E_Mail

Instansi Tempat Bekerja : Universitas Almuslim

Alamat Kantor : Jl. Tengku Abdurrahman No. 37 Matangglumpangdua, Bireuen 24261, Provinsi Aceh

DATA PENDIDIKAN

SD : MIN Negeri 1 Matangglumpangdua, Bireuen TAMAT : 1999 SLTP : SMP Negeri 1 Matangglumpangdua, Bireuen TAMAT : 2002 SLTA : SMA Negeri 2 Jeumpa, Bireuen TAMAT: 2005 S1 : STMIK Bina Bangsa Lhokseumawe TAMAT: 2010 S2 : Teknik Informatika USU TAMAT: 2013

(8)

KATA PENGANTAR

Assalamu’alaikum Warahmatullahi Wabarakatu

Segala puji bagi Allah Swt, dengan namaNya langit ditinggikan dan bumi dihamparkan. Begitu besar kebesaran Allah yang telah memberikan dua nikmat yang cukup besar kepada kita, yaitu nikmat iman dan nikmat islam. Sehingga dengan kedua nikmat tersebut yang telah diberikan kepada kita, berarti telah diberikan hidayah dan petunjuk oleh Allah.

Shalawat beriring salam, kita sanjungkan kepada junjungan alam Nabi Muhammad Saw. Karna Nabi Muhahammad adalah utusan Allah yang terakhir yang diutuskan Allah diakhir zaman untuk menyeru kepada seluruh manusia agar beriman dan bertakwa kepada Allah.

Selanjutnya kata penghormatan yang utama kepada Bapak Rektor Universitas Sumatera Utara, Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp.A(K) atas kesempatan yang telah diberikan kepada penulis untuk menyelesaikan Studi Program Magister (S2) Teknik Informatika.

Kepada ketua Program Studi Magister (S2) Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi (Fasilkom) Prof. Dr. Muhammad Zarlis dan Sekretaris Program Studi Magister (S2) Teknik Informatika M. Andri Budiman, S.T, M.Comp, M.E.M, beserta seluruh Staff Pengajar pada Program Studi Magister (S2) Teknik Informatika pada Fakultas Ilmu Komputer dan Teknologi Informasi (Fasilkom) Universitas Sumatera Utara, yang selama ini telah banyak memberikan ilmu dan membimbing penulis sehingga penulis dapat meyelesaikan studi tepat waktu. Terimakasih yang tak terhingga dan penghargaan setinggi – tingginya saya ucapkan kepada Prof. Dr. Muhammad Zarlis sebagai pembimbing utama dan kepada Dr. Marwan Ramli, M.Si Sebagai pembimbing Anggota, yang selama ini telah membimbing penulis dalam menyelesaikan tesis dari awal sampai akhir dengan penuh kesabaran, memotifasi serta mengarahkan penulis untuk menyelesaikan tesis dengan baik.

(9)

Terimakasih yang tak terhingga saya ucapkan kepada pembanding, Prof. Dr. Herman Mawengkang, Prof. Dr. Tulus dan Dr. Erna Budhiarti Nababan, M.IT, yang selama ini juga dalam penyelesaian tesis, telah banyak memberikan masukan, arahan – arahan yang sangat baik untuk kesempurnaan tesis penulis. Dan selanjutnya kepada staf Fasilkom yang selama ini sangat membantu penyelesaian tesis dari pada penulis, berupa pelayanan akademik yang cukup baik dalam mendukung perlengkapan setiap tesis penulis. Sehingga dengan kebaikan tersebut yang diberikan mendapat balasan yang lebih baik dari Allah Swt.

Terimaksih kepada ayah handa tercinta Drs. Baihaqi dan kepada ibunda tercinta Nurlela Budiman, yang selama ini telah mendidik dan membimbing adinda semenjak kecil sampai dewasa. Sehingga dengan motivasi, nasehat selalu yang diberikan ayahanda dan ibunda kepada adinda semenjak menimba ilmu di Fasilkom pada Program Studi Magister (S2) Teknik Informatika sampai menyelesaikan tesis, semua itu tidak akan pernah adinda selesaikan dengan baik dan waktu yang tepat, melainkan dengan doa dari ayahanda dan ibunda tercinta serta dengan izin dari Allah yang Maha Kuasa. Semua ini adinda lakukan untuk menjadi yang terbaik kedepannya dan bisa membanggakan ayah dan ibunda serta menjadi pendidik yang bisa memberikan ilmu kepada yang membutuhkan. Selanjutnya ucapan terimakasih kepada Sella, Muhammad Rizki, Muhammad Ridha dan Muhammad Qudri sebagai adik yang tercinta, yang selama ini juga selalu mendoakan dalam menyelesaikan tesis. Dan juga kepada saudara ayah handa dan saudara ibunda yang selama ini juga memberikan motivasi serta dukungan kepada adinda dalam menyelesaikan tesis.

Selanjutnya kepada Ketua Institut Agama Islam Almuslim, Dr. Saifullah, S.Pdi, M.Pd yang selalu memotifasi penulis untuk menyelesaikan Studi dengan waktu yang tepat. Untuk selanjutnya kepada kawan – kawan di Fakultas Ilmu Komputer (Fikom) Universitas Almuslim yang juga selalu memberikan dukungan dan semangat. Semoga kebaikan dari kawan – kawan semua diberikan balasan yang lebih baik dari Allah Swt.

Medan, 26 Juli 2013 Penulis,

(10)

ABSTRAK

Sistem pendukung keputusan merupakan sistem interaktif dalam mendukung proses pengambilan keputusan melalui alternatif – alternatif yang diperoleh dari hasil pengolahan data, informasi dan rancangan model. Dimana setiap penyelesaian masalah sering menggunakan sistem pendukung keputusan dengan metode yang berbeda sebagai proses yang dipakai untuk mendukung keputusan. Oleh karena itu perlu dilakukan suatu perubahan yang baru dengan membangun sebuah pemodelan pada sistem pendukung keputusan bersifat statis yaitu suatu model yang hanya mengambil satu kejadian saja dalam satu situasi khususnya penilaian setiap kriteria selama kejadian tersebut semuanya terjadi dalam 1 interval, baik waktunya sebentar atau lama dengan tujuan untuk memberikan hasil yang lebih baik dan efesien. Dalam pemodelan sistem pendukung keputusan untuk penyelesaian setiap permasalahan penilaian kriteria menggunakan pendekatan fuzzy dengan Analytic Hierarchy Process

(AHP). Dimana fuzzy dalam penyelesaian masalah penyelesaian masalah akan memberikan preferensinya yang dipresentasikan menggunakan fuzzy segitiga untuk penilaian kriteria. Sedangkan Analytic Hierarchy Process (AHP) digunakan untuk menentukan tingkat kepentingan setiap kriteria dengan tujuan untuk memperoleh vektor bobot. Dengan adanya pendekatan Fuzzy dan Analytic Hierarchy Process

(AHP) yang dimodelkan dalam pemodelan sistem pendukung keputusan untuk mengetahui sejauh mana hasil yang diberikan dari hasil representasi fuzzy segitiga berupa matrik keputusan dan setelah dijumlahkan dengan vektor bobot Analytic

Hierarchy Process (AHP) dalam penilaian kriteria ternyata hasil yang diberikan

sangat baik dan mampu menentukan alternatif terbaik yang akan dipilih.

(11)

FUZZY MODELING APPROACH IN DECISION SUPPORT SYSTEM

WITH ANALYTIC HIERARCY PROCESS

ABSTRACT

Decision support system is an interactive system to support the decision making process through the alternative - an alternative that is obtained from the processing of data, information and design models. Where every problem resolution often use decision support system with different methods as a process that is used to support the decision. Therefore it is necessary for a new change to build a decision support system for modeling the static that is a model that only take one incident in one particular situation assessor each criterion during these events all happened in one interval, either a short or a long time with aim to deliver better results and efficient. In the modeling of decision support systems for the completion of the assessment criteria for each problem using fuzzy approach with Analiytic Hierarchy Process (AHP). Where fuzzy in problem solving problem solving that will give you preference be presented using triangular fuzzy criteria for assessment. While the Analytic Hierarchy Process (AHP) is used to determine the level of importance of each criterion in order to obtain the weight vector. With the approach of Fuzzy and Analytic Hierarchy Process (AHP) which is modeled in the modeling of decision support system to determine the extent to which the results are given of the representation in the form of triangular fuzzy decision matrix and after weight vector summed with the Analytic Hierarchy Process (AHP) in the assessment criteria turns given excellent results and is able to determine the best alternative will be selected.

(12)

DAFTAR ISI

Hal

KATA PENGANTAR ... i

ABSTRAK ... iiii ABSTRACT ... ivi DAFTAR ISI ... v

DAFTAR TABEL ... vii

DAFTAR GAMBAR ... viii

BAB 1 : PENDAHULUAN 1.1 Latar Belakang Masalah ... 1

1.2 Perumusan Masalah ... 3

1.3 Batasan Masalah ... 4

1.4 Kerangka Kerja Penelitian ... 4

1.5 Tujuan Penelitian ... 5

1.6 Manfaat Penelitian ... 5

BAB 2 : TINJAUAN PUSTAKA 2.1 Pengambilan Keputusan ... 6

2.2 Sistem Pendukung Keputusan ... 7

2.2.1 Tahapan pengambilan keputusan ... 9

2.2.2 Komponen komponen sistem pendukung keputusan ... 10

2.3 Logika Fuzzy ... 11

2.4 Analytic Hierarchy Proses (AHP) ... 13

2.4.1 Prinsip dasar analytic hierarchy process ….…. 15

2.5 Riset Riset Terkait 16

2.6 Perbedaan dengan riset yang lain ... 18

2.7 Konstribusi Riset ... 18

BAB 3 : METODOLOGI PENELITIAN 3.1 Pendahuluan ... 19

3.1.1 Model sistem pendukung keputusan ... 19

3.1.2 Jenis – jenis kriteria berdasarkan tingkat kepentingan ... 22

(13)

BAB 4 : HASIL DAN PEMBAHASAN

4.1 Tampilan hasil ... 34

4.1.1 Tampilan utama program perankingan calon penerimaan beasiswa ... 34

4.1.2 Tampilan input alternatif ... 35

4.1.3 Tampilan output matrik keputusan ... 35

4.1.4 Tampilan output hasil perankingan ... 36

4.2 Pembahasan ... 36

BAB 5 : KESIMPULAN DAN SARAN 5.1. Kesimpulan ... 38

5.2. Saran ... 38

DAFTAR PUSTAKA ... 39

(14)

DAFTAR TABEL

Hal

TABEL 2.1 Tingkat kepentingan ... 13

TABEL 3.1 Jenis – jenis kriteria ... 21

TABEL 3.2 Kriteria ipk ... 22

TABEL 3.3 Kriteria penghasilan orangtua ... 22

TABEL 3.4 Kriteria tanggungan orangtua ... 22

TABEL 3.5 Kriteria jarak ... 23

TABEL 3.6 Pengambilan keputusan pada alternatif pada setiap kriteria ... 23

TABEL 3.7 Kriteria ipk ... 24

TABEL 3.8 Kriteria penghasilan orangtua ... 25

TABEL 3.9 Kriteria tanggungan orangtua ... 26

TABEL 3.10 Kriteria jarak ... 27

Tabel 3.11 Tingkat kepentingan kriteria 30

(15)

DAFTAR GAMBAR

Hal

GAMBAR 1.1 Kerangka kerja penelitian ... 4

GAMBAR

2.1

Pengambilan keputusan ... 6

GAMBAR 2.2 Komponen SPK ... 10

GAMBAR 2.3 Bilangan fuzzy L-R 12

GAMBAR 2.4 Bilangan fuzzy segitiga 12

GAMBAR 2.5 Bilangan fuzzy trapesium 12

GAMBAR 2.6 Struktur hirarki 16

GAMBAR 3.1 Model sistem pendukung keputusan………...… ……….. . 19

GAMBAR 3.2 Model struktur hirarki Analytic Hierarchy Process (AHP) 21

GAMBAR 3.3 Rancangan utama program perankingan calon penerima beasiswa . ..32

GAMBAR 3.4 Rancangan input alternatif... . 32

GAMBAR 3.5 Rancangan output matrik keputusan ... . 33

GAMBAR 3.6 Rancangan output hasil perankingan ... 33

GAMBAR 4.1 Perankingan calon penerima beasiswa ... ... 34

GAMBAR 4.2 Tampilan input alternatif ... ... 35

GAMBAR 4.3 Tampilan output matrik keputusan ... 35

(16)

ABSTRAK

Hierarchy Process (AHP) dalam penilaian kriteria ternyata hasil yang diberikan

sangat baik dan mampu menentukan alternatif terbaik yang akan dipilih.

(17)

FUZZY MODELING APPROACH IN DECISION SUPPORT SYSTEM

WITH ANALYTIC HIERARCY PROCESS

ABSTRACT

(18)

BAB 1

PENDAHULUAN

1.1.Latar Belakang

Sistem pendukung keputusan merupakan sistem interaktif dalam mendukung proses pengambilan keputusan melalui alternatif – alternatif yang diperoleh dari hasil pengolahan data, informasi dan rancangan model. Pengambilan keputusan sangat diperlukan untuk mempercepat proses pencapaian tujuan yang lebih terarah. Dengan adanya sistem pendukung keputusan, setiap permasalah lebih mudah diselesaikan dan dapat dipastikan hasil yang diberikan lebih baik. Sistem pendukung keputusan telah banyak dipakai untuk menyelesaikan masalah – masalah dalam sebuah organisasi. Karena sistem pendukung keputusan dianggap mampu membantu untuk menyelesaikan setiap permasalahan dan memberikan hasil yang lebih baik.

Konsep kerja sistem pendukung keputusan sering dipakai untuk menyelesaikan setiap permasalahan, karena sistem pendukung keputusan dianggap mampu memberikan suatu keputusan yang baik dalam penyelesaian suatu masalah. Kebanyak sistem pendukung keputusan dipakai untuk menyelesaikan masalah yang mengunakan metode – metode seperti Topsis, Simple Additive Weighting (SAW) dan

Weight Product untuk masalah perankingan dengan tujuan untuk mendapatkan

alternatif yang terbaik yang akan dipilih melalui sistem pendukung keputusan. Permasalahan tersebut telah banyak diselesaikan dalam kasus yang berbeda – beda dengan hasil yang baik. Oleh karena itu, berkenaan dengan sistem pendukung keputusan akan lebih baik bila dilakukan suatu perubahan yang baru dari konsep kerja sistem pendukung keputusan yaitu dengan membangun sebuah pemodelan pada sistem pendukung keputusan dengan tujuan agar pemodelan pada sistem pendukung keputusan dapat memberikan suatu perubahan baru yang lebih efisien dalam penyelesaian setiap permasalahan dalam pengambilan keputusan.

(19)

Pemodelan sistem pendukung keputusan yang akan dibangun yaitu sebuah pemodelan sistem pendukung keputusan bersifat statis pada setiap kriteria melalui pendekatan

Fuzzy dengan Analytic Hierarchy Process (AHP). Dalam pemodelan tersebut,

pendukung keputusan akan menerapkan tiga bagian yang saling berhubungan untuk membangun sebuah model yang lebih baik dalam penyelesaian masalah melalui manajemen model, manajemen basis data dan manajemen dialog. Ketiga bagian tersebut saling berhubungan dalam memodelkan sistem pendukung keputusan. Dalam pemodelan sistem pendukung keputusan juga akan diterapkan konsep kerja dari pada fuzzy, dimana fuzzy dalam memberikan preferensinya untuk penilaian setiap kriteria – kriteria yang direpresentasikan dengan fuzzy segitiga. Sedangkan Analytic

Hierarchy Process (AHP) dalam pemodelan sistem pendukung keputusan digunakan

untuk menentukan tingkat kepentingan setiap kriteria yang akan dinilai dengan tujuan untuk membentuk vektor bobot serta melakukan proses perankingan.

Teori himpunan fuzzy merupakan kerangka matematis yang digunakan untuk mempresentasikan ketidakpastian, ketidakjelasan, ketidaktepatan, kekurangan informasi dan kebenaran parsial (Tettamanzi, 2001). Sedangkan Analytic Hierarchy

Process (AHP), merupakan suatu metode dalam memproses masalah multikriteria

yang kompleks menjadi suatu model hirarki (Warston school, 1970). Hirarki didefinisikan sebagai suatu representasi dari sebuah permasalahan yang kompleks kedalam suatu struktur multi level, dimana level pertama adalah tujuan, yang diikuti level kriteria, sub kriteria, dan seterusnya ke bawah hingga level terakhir yaitu level alternatif.

Dalam beberapa jurnal yang berbeda, permasalahan yang berkaitan dengan fuzzy

dan Analytic Hierarchy Process (AHP) dalam pemodelan, menyatakan bahwa hasil yang diberikan baik dalam penyelesaian masalah. Sebagaimana Syaukani dan Hartati (2012) dalam penelitiannya yang menggunakan Fuzzy linguistik quantifier dengan

Analytic Hierarchy Process (AHP) menyatakan bahwa dapat menetapkan penyakit

dan jenis antibiotik sebagai hasil diagnosis dari penyakit pneumonia.

Sedangkan jurnal berbeda lainya dari Anshori (2012) dalam penelitiannya mengenai masalah beasiswa melalui pendekatan Tringular Fuzzy Number dengan

(20)

dilakukan dengan cara manual, yaitu dimana hasil yang diberikan jauh lebih baik dari sebelumnya, khususnya dalam penentuan beasiswa.

Adapun penelitian yang dilakukan ini, untuk mengetahui sejauh mana perubahan yang baik yang diberikan oleh pemodelan sistem pendukung keputusan melalui pendekatan fuzzy dengan Analytic Hierarchy Process (AHP) dalam penilaian setiap kriteria. Berdasarkan dari beberapa penjelasan jurnal diatas yang berkaitan dengan

fuzzy dan Analytic Hierarchy Process (AHP) yang digunakan dalam penelitian ini, memiliki suatu perbedaan. dimana dalam penelitian ini merupakan suatu pemodelan sistem pendukung keputusan yang dibangun bersifat statis pada penilaian setiap kriteria melalui pendekatan fuzzy dengan Analytic Hierarchy Process (AHP) serta pemodelan tersebut juga dapat diterapkan dalam kasus manapun, khususnya permasalahan yang berkaitan dengan penilaian kriteria.

1.2. Perumusan Masalah

Penyelesaian suatu masalah sangat diharapkan untuk memberikan suatu hasil yang lebih baik. setiap penyelesaian masalah sering menggunakan sistem pendukung keputusan, Karena sistem pendukung keputusan dianggap dapat mendukung proses pengambilan keputusan yang tepat untuk menyelesaikan suatu masalah. Oleh karena itu dalam penelitian ini untuk penyelesaian masalah penilain kriteria, maka permasalahan penilaian kriteria akan dimodelkan dalam sebuah pemodelan sistem pendukung keputusan bersifat statis, yaitu suatu pemodelan yang mengambil satu kejadian saja dalam suatu situasi yang semuanya terjadi dalam 1 interval, baik waktunya sebentar ataupun yang lama untuk penilaian kriteria yang akan diselesaikan menggunakan fuzzy dan Analytic Hierarcy Process (AHP) dengan tujuan untuk mengetahui sejauh mana perubahan yang diberikan oleh pemodelan sistem pendukung keputusan untuk menentukan alternatif yang terbaik yang akan dipilih melalui pendekatan fuzzy dalam penilaian kriteria – kriteria yang direpresentasikan melalui

fuzzy segitiga serta dilakukan pendekatan dengan vektor bobot yang diberikan oleh

Analytic Hierarcy Process (AHP). Sehingga dengan adanya pemodelan sistem

pendukung keputusan dalam penilaian kriteria – kriteria diharapkan dapat memberikan hasil yang lebih baik.

(21)

1.3. Batasan Masalah

Untuk memperjelas inti ruanglingkup permasalahan, masalah dibatasi pada:

1. Membangun sebuah pemodelan sistem pendukung keputusan bersifat statis melalui pendekatan fuzzy dengan Analytic Hierarchy Process (AHP).

2. Analytic Hierarchy Process (AHP) dalam pemodelan sistem pendukung

digunakan untuk menentukan tingkat kepentingan dari setiap kriteria C1, C2,

C3 dan C4 dengan tujuan untuk memperoleh vektor bobot serta melakukan

perankingan.

3. Pendukung keputusan akan memberikan parameter berdasarkan cheng yaitu; sangat rendah, rendah, sedang, tinggi dan sangat tinggi. Berdasarkan parameter tersebut, pendukung keputusan hanya mengambil parameter yang rendah, sedang dan tinggi dengan tujuan untuk disesuaikan dengan himpunan fuzzy. 1.4. Kerangka Kerja Penelitian

Berikut merupakan kerangka kerja yang digunakan sebagai langkah – langkah dalam penyelesaian permasalahan diatas.

Gambar 1.1 Kerangka kerja penelitian

Pemilihan awal penelitian

Merumuskan masalah Menentukan konsep

Metode penelitian (Studi literatur dan Pustaka) Analisa dan Perancangan Sistem

(22)

1.5. Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah untuk membangun sebuah pemodelan sistem pendukung keputusan bersifat statis dalam penilaian kriteria C1, C2, C3, C4 melalui

pendekataan fuzzy dengan Analytic Hierarchy Process (AHP) dengan harapan dapat memberikan suatu hasil yang lebih baik dalam menentukan alternatif yang akan dipilih serta dapat diterapkan dalam kasus manapun, khususnya permasalahan yang berkaitan dalam penilaian kriteria.

1.6. Manfaat Penelitian

Adapun tujuan dari manfaat penelitian ini adalah:

1. Untuk mengetahui sejauh mana hasil yang diberikan pemodelan sistem pendukung keputusan bersifat statis dalam penilaian kriteria untuk menentukan alternatif terbaik yang akan dipilih.

2. Untuk mengetahui sejauh mana hasil yang diberikan melalui pendekatan fuzzy

dalam pemodelan sistem pendukung keputusan dengan Analytic Hierarchy Process (AHP).

3. Untuk memberikan suatu kemudahan bagi pihak tertentu yang ingin menerapkan cara kerja dari pemodelan sistem pendukung keputusan melalui pendekatan fuzzy dengan Analytic Hierarchy Process (AHP) dalam penyelesaian masalah – masalah yang berkaitan dengan penilaian kriteria.

(23)

BAB 2

TINJAUAN PUSTAKA

2.1. Pengambilan Keputusan

Pengambilan keputusan adalah sebuah proses memilih tindakan (diantara berbagai alternatif) untuk mencapai suatu tujuan atau beberapa tujuan (Turban, 2005). Proses pengambilan keputusan meliputi tiga fase utama yaitu inteligensi, desain dan pemilihan. Dengan adanya pengambilan keputusan dalam penyelesaian masalah akan memberikan hasil yang baik. Adapun gambaran konseptual dari proses pengambilan keputusan yang ditunjukkan pada Gambar 2.1 dibawah:

Gambar 2.1 Pengambilan keputusan (Sumber : Turban, 2005)

Sasaran organisasional

Prosedur pencarian dan penelitian Pengumpulan data Identifikasi masalah Kepemilikan masalah Klasifikasi masalah Rumusan masalah Fase intelijensi

Formulasi sebuah model Menentukan kriteria untuk dipilih Mencari alternatif

Memprediksi dan mengukur hasil akhir

Fase desain

Solusi untuk model Analisis sensitivitas Memilih alternatif terbaik Rencana implementasi Fase pilihan Realitas Sukses Implementasi solusi Asumsi Gagal Validasi model Verifikasi, pengujian yang diusulkan Solusi Simplikasi Alternatif Rumusan masalah

(24)

2.2. Sistem Pendukung Keputusan

Sistem Pendukung Keputusan (SPK) adalah bagian dari sistem informasi berbasis komputer (termasuk sistem pengetahuan) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Suatu sistem pendukung keputusan memiliki beberapa subsistem yang menentukan kapabilitas teknis sistem pendukung keputusan (Turban, 2005) antara lain:

1. Manajemen data yaitu termasuk database, yang mengandung data yang relevan untuk berbagai situasi dan diatur oleh software yang disebut Database Management Systems (DBMS).

2. Manajemen model yaitu melibatkan model finansial, statistika, manajemen pengetahuan, atau berbagai model kuantitatif lainnya, sehingga dapat memberikan ke sistem suatu kemampuan analitis, dan manajemen software yang diperlukan.

3. Interaksi yaitu pengetahuan pekerja dapat berinteraksi pada sistem pendukung keputusan untuk melakukan analisis.

4. Manajemen pengetahuan yaitu model Manajemen Pengetahuan juga berinterkoneksi dengan sistem integrasi manajemen pengetahuan perusahaan. Sistem pendukung keputusan adalah sistem penghasil informasi yang ditujukan pada suatu masalah tertentu yang harus dipecahkan oleh manager dan dapat membantu manager dalam pengambilan keputusan. Karena sistem pendukung keputusan merupakan suatu bagian yang tak terpisahkan dari totalitas sistem organisasi keseluruhan.

Untuk membangun sebuah kelancaran fisik sangat dipengaruhi oleh mekanisme pengaturan yang dijalani. Rangkaian pengaturan sistem fisik ini distrukturkan dalam sistem manajemen yang tidak lain merupakan sistem yang menghasilkan keputusan yang diperlukan guna menjamin kelancaran sistem fisik. Oleh karena sistem manajemen ini menghasilkan sejumlah keputusan, maka sering pula sistem manajemen disebut sistem keputusan. Berdasarkan uraian yang telah dijelaskan, sistem keputusan tidak bisa dipisahkan dari sistem fisik maupun sistem informasi. Kompleksitas sistem secara fisik menuntut adanya sistem keputusan yang komplek pula. Ciri utama dari sistem pendukung keputusan adalah kemampuannya untuk

(25)

Pada dasarnya sistem pendukung keputusan merupakan pengembangan lebih lanjut dari sistem manajemen terkomputerisasi yang dirancang sedemikian rupa sehingga bersifat interaktif dengan pemakainya. Sifat interaktif ini dimaksudkan untuk memudahkan integrasi antara berbagai komponen dalam proses pengambilan keputusan seperti prosedur, kebijakan, teknis, analisis, serta pengalaman dan wawasan manajerial guna membentuk suatu kerangka keputusan yang bersifat fleksibel.

Suatu pendekatan sistematis pada hakekat suatu masalah, pengumpulan fakta – fakta penentu yang matang dari alternatif yang dihadapi dan pengambilan tindakan yang paling tepat. Sistem pendukung keputusan adalah suatu sistem berbasis komputer yang menghasilkan berbagai alternatif keputusan untuk membantu manajemen dalam menangani berbagai permasalahan yang terstruktur ataupun tidak terstruktur dengan menggunakan data dan model (Dadan Umar Daihani, 2001). Untuk menghasilkan keputusan yang baik di dalam sistem pendukung keputusan, perlu didukung oleh informasi dan fakta – fakta yang berkualitas antara lain:

a. Kelengkapan

Atribut ini berkaitan dengan kelengkapan isi informasi, dalam hal ini isi tidak menyangkut hanya volume tetapi juga kesesuaian dengan harapan pemakai sehingga sering kali kelengkapan ini sulit diukur secara kuantitatif.

c. Ketelitian

Atribut ini berkaitan dangan tingkat kesalahan yang mungkin didalam pelaksanaan pengolahan data dalam jumlah (volume) besar. Dua tipe kesalahan yang sering terjadi yaitu berkaitan dengan perhitungan.

d. Ketepatan

Atribut ini berkaitan dengan kesesuaian antara informasi yang dihasilkan dengan kebutuhan pemakai. Sama halnya dengan kelengkapan, ketepatanpun sangat sulit diukur secara kuantitatif.

e. Ketepatan waktu

Kualitas informasi juga sangat ditentukan oleh ketepatan waktu penyampaian dan aktualisasinya. Misal informasi yang berkaitan dengan perencanaan harian akan sangat berguna kalau disampaikan setiap dua hari sekali.

f. Kejelasan

Atribut ini berkaitan dengan bentuk atau format penyampaian informasi. Bagi seorang pimpinan, informasi yang disajikan dalam bentuk grafik, histogram,

(26)

bentuk kata – kata yang panjang. g. Fleksibilitas

Atribut ini berkaitan dengan tingkat adaptasi dari informasi yang dihasilkan terhadap kebutuhan berbagai keputusan yang akan diambil dan terhadap sekelompok pengambil keputusan yang berbeda.

2.2.1 Tahapan pengambilan keputusan

Untuk menghasilkan keputusan yang baik ada beberapa tahapan proses yang harus dilalui dalam pengambilan keputusan. Menurut Sri Eniyati berdasarkan (Julius Hermawan, 2002) proses pengambilan keputusan melalui beberapa tahap berikut:

a. Tahap penelusuran

Tahap ini pengambil keputusan mempelajari kenyataan yang terjadi, sehingga kita bisa mengidentifikasi masalah yang terjadi biasanya dilakukan analisis dari sistem ke subsistem pembentuknya sehingga didapatkan keluaran berupa dokumen pernyataan masalah.

b. Tahap desain

Dalam tahap ini pengambil keputusan menemukan, mengambangkan dan menganalisis semua pemecahan yang mungkin yaitu melalui pembuatan model yang bisa mewakili kondisi nyata masalah. Dari tahapan ini didapatkan keluaran berupa dokumen alternatif solusi.

c. Tahap choice

Dalam tahap ini pengambil keputusan memilih salah satu alternatif pemecahan yang dibuat pada tahap desain yang dipandang sebagai aksi yang paling tepat untuk mengatasi masalah yang sedang dihadapi. Dari tahap ini didapatkan dokumen solusi dan rencana implementasinya.

d. Tahap implementasi

Pengambil keputusan menjalankan rangkaian aksi pemecahan yang dipilih di tahap choice. Implementasi yang sukses ditandai dengan terjawabnya masalah yang dihadapi, sementara kegagalan ditandai masih adanya masalah yang sedang dicoba untuk diatasi. Dari tahap ini didapatkan laporan pelaksanaan solusi dan hasilnya.

(27)

2.2.2. Komponen komponen sistem pendukung keputusan

Adapun sistem pendukung keputusan terdiri dari 3 komponen utama atau subsistem (Dadan Umar Daihani, 2001) yaitu:

a. Subsistem data

Subsistem data merupakan komponen sistem pendukung keputusan penyedia data bagi sistem. Data dimaksud disimpan dalam suatu pangkalan data yang diorganisasikan suatu sistem yang disebut sistem manajemen pengkalan data

(Data Base Manajemen System/DBMS).

b. Subsistem model

Pada subsistem model ini menggambarkan suatu model yang akan dibangun. c. Subsistem dialog

Keunikan lainnya dari sistem pendukung keputusan adalah adanya fasilitas yang mampu mengintegrasikan sistem terpasang dengan pengguna secara interaktif. Fasilitas yang dimiliki oleh subsistem ini dapat dibagi atas 3 komponen yaitu : a) Bahasa aksi yaitu suatu perangkat lunak yang dapat digunakan pengguna

untuk berkomunikasi dengan sistem. Komunikasi ini dilakukan melalui berbagai pilihan media seperti keyboard, joystick dan key function.

b) Bahasa tampilan yaitu suatu perangkat yang berfungsi sebagai sarana untuk menampilkan sesuatu.

c) Basis pengetahuan yaitu bagian yang mutlak diketahui oleh pengguna sistem yang dirancang dapat berfungsi secara efektif (Umar Dadan Daihani, 2000) sebagaimana Gambar 2.2 dibawah:

Gambar 2.2 Komponen SPK (Sumber: Dadan Umar Daihani, 2001)

Piranti lunak

Tugas Lingkungan

USE

Data base Model base

Manajemen basis data manajemen basis model

(28)

Sebelum munculnya teori logika fuzzy (Fuzzy Logic), dikenal sebuah logika tegas

(Crisp Logic) yang memiliki nilai benar atau salah secara tegas. Prinsip ini

dikemukakan oleh Aristoteles sekitar 2000 tahun yang lalu sebagai hukum Excluded Middle dan hukum ini telah mendominasi pemikiran logika sampai saat ini. Namun, pemikiran mengenai logika konvensional dengan nilai kebenaran yang pasti yaitu benar atau salah dalam kehidupan nyata sangatlah tidak cocok. fuzzy logic (logika samar) merupakan suatu logika yang dapat merepresentasikan keadaan yang ada di dunia nyata. Logika fuzzy merupakan sebuah logika yang memiliki nilai kekaburan atau kesamaran ( fuzzy) antara benar dan salah.

Teori himpunan fuzzy merupakan suatu kerangka matematis yang digunakan untuk mempresentasikan ketidakpastian, ketidakjelasan, ketidaktepatan, kekurangan informasi dan kebenaran parsial (Tettamanzi, 2001). Adapun salah satu fitur yang menarik dari logika fuzzy yaitu logika fuzzy dapat digunakan untuk memodelkan informasi yang mengandung ketidak jelasan melalui konsep bilangan fuzzy dan dapat memproses bilangan – bilangan fuzzy tersebut dengan menggunakan operasi – operasi aritmatika biasa (Lootsma, 1997). Bilangan fuzzy biasanya diekspresikan secara linguistik, dimana operasi yang dilakukan pada bilangan fuzzy, lebih banyak berupa pengolahan kata – kata dari pada bentuk bilangan. Adapun bilangan fuzzy dapat didefinisikan sebagai berikut:

Jika bilangan fuzzy L-R,��, yang dinotasikan dengan (�,�,�) adalah satu himpunan

fuzzy yang memiliki fungsi keanggotaan sebagai berikut: � ��−�

� �;�� ≤ �

��(�) = (2.1)

� ��−�_� �;�� ≥ �

Dengan �,�> 0 sebagai rentang nilai kiri dan kanan. L bersifat monoton naik menuju ke 1, sedang R bersifat monoton turun dari 1; dan L(0) = R(0) = 1; L(1) = 0; Jadi nilai keaggotaan tertinggi adalah 1 yang terjadi pada saat x = m, sebagaimana pada Gambar 2.3 dibawah:

(29)

�(�)

Gambar 2.3 Bilangan fuzzy L-R (Sumber: Lootsma, 1997).

Jika bilangan fuzzy L – R bersifat linier, baik L maupun R, maka bilangan fuzzy

tersebut dikenal bilangan fuzzy segitiga �̃ = (10,3,5), seperti pada Gambar 2.4 dibawah:

�(�)

Gambar 2.4 Bilangan fuzzy segitiga �̃= (10,3,5).

(Sumber: Lootsma, 1997).

Jika bilangan fuzzy L – R memiliki �_��₁ ≤ �_�� ≤ �_��₂, maka bilangan fuzzy tersebut dikenal dengan bilangan fuzzy trapesium, yang dinotasikan dengan

�̃= (�_��₁,�_��₂,�,�), dengan a adalah lebar sisi kiri, dan b adalah lebar sisi kanan untuk x. Sebagaimana Gambar 2.5 dibawah:

�(�)

Gambar 2.5 Bilangan fuzzy trapesium �̃ = (5,10,2,2)

(Sumber: Lootsma, 1997).

�̃

� m _�

�̃

7 10 15

3 5 _x 10 12

(30)

Metode Analytic Hierarchy Process (AHP) dikembangkan oleh Thomas L.Saaty sekitar tahun 1970 ketika di Warston school. Metode AHP memproses masalah multikriteria yang kompleks menjadi suatu model hirarki. hirarki didefinisikan sebagai suatu representasi dari sebuah permasalahan yang kompleks dalam suatu struktur multi level dimana level pertama adalah tujuan, yang diikuti level kriteria, sub kriteria, dan seterusnya ke bawah hingga level terakhir yaitu level alternatif. Dengan hirarki, suatu masalah yang kompleks dapat diuraikan sehingga permasalahan akan tampak lebih terstruktur dan sistematis. Adapun tahapan – tahapan proses dalam metode AHP adalah:

a. Mendefinisikan masalah dan menentukan tujuan yang diinginkan.

b. Membuat struktur hirarki yang diawali dengan tujuan umum, dilanjutkan dengan kriteria – criteria dan alternatif – alternatif pilihan.

c. Membentuk matrik perbandingan berpasangan yang menggambarkan pengaruh setiap elemen terhadap masing – masing kriteria.

d. Menguji konsistensi hirarki. Jika nilai konsistensi rasio yang dihasilkan tidak memenuhi standar yang ditetapkan yaitu Consistency Ratio (CR) < 0,1 maka penilaian harus diulang kembali.

Misalkan Oi dan Oj adalah tujuan. Tingkat kepentingan relatif tujuan – tujuan ini dapat

dinilai dalam 9 poin (Reenoij, 2005) seperti pada tabel 2.1 dibawah: Tabel 2.1 Tingkat kepentingan

(Sumber: Reenoij, 2005)

Nilai Interpretasi

1 Oi dan Oj sama penting

3 Oi sedikit lebih penting dari Oj

5 Oi kuat tingkat kepentingannya dari pada Oj

7 Oi sangat kuat tingkat kepentingannya dari pada Oj

9 Oi mutlak lebih penting dari pada Oj

(31)

Sedangkan mengenai matriks perbandingan berpasangan adalah matriks – matriks berukuran n x n dengan elemen aij merupakan nilai relatif tujuan ke – i terhadap tujuan

ke – j. matriks perbandingan berpasangan dikatakan konsisten jika dan hanya jika untuk setiap �,�,� ≠ � ∈{1, … ,�}

�_�� = 1 (2.2)

�_�� = 1

�� (2.3)

�_�� =��_��(�_��) (2.4)

Matriks perbandingan berpasangan hanya dapat dibangun (n – 1) perbandingan, yaitu:

�� ⋮ �� ⋮ ��

� (2.5)

Andaikan kita memilikin n tujuan dalam AHP. Matriks A adalah matriks perbandingan berpasangan yang konsisten, maka A dapat berupa matriks:

�1 �2 ⋮ �� ⎣ ⎢ ⎢ ⎢ ⎢ ⎢

⎡�1 �2 …

�1

�2 …

�2 �2 ⋮ �� 2 ⋮ ⋮ �� 2 ⋮ ⋮ ⋯ �� 1 �� ⋮ ⋮ �� ⎦⎥ ⎥ ⎥ ⎥ ⎥ ⎤ (2.6)

Dimana wi >0,i = 1,…… n adalah bobot tujuan ke – i. Secara umum vektor bobot

w=[w1, w2,….wn] untuk n tujuan dapat dikomodasi matriks A dengan mencari solusi

(non – trivial) dari himpunan n persamaan dengan n variabel yang tidak diketahui sebagai berikut :

(A)(WT) = (V)(WT) (2.7)

Jika Akonsisten, maka v = n memberi suatu solusi non – trivial yang unik. (A)(WT) = (n)(WT) jumlah semua bobot sama dengan satu.

Jika A adalah matriks perbandingan berpasangan berukuran n x n yang konsisten, maka:

(�)(��) = ��1

�1�

(�₁) +

⋮ ��

�� (�1)

��1 �2�

(�₂) +

⋮ ��2

�1�

(�₂) …

⋮

…

+ ��1

�� (��)

⋮

+ �� 1�

(�_�)

(32)

=� ⋮ (�) (�_�)

�= (�) �

⋮

��

�= (�)(��) (2.9)

Apabila A adalah matriks perbandingan berpasangan yang tidak konsisten, maka vektor bobot yang berbentuk:

(�)(��) = (�)(��) (2.10)

Dapat didekati dengan cara :

∑ �� = 1 ��′ (2.11)

Untuk setiap baris dalam A’, hitunglah nilai rata – ratanya:

�

=

_�1

∑ �

�� (2.12)

Dengan Wi adalah bobot tujuan ke- i dari vektor bobot.

Misalkan ada n tujuan dan m alternatif pada AHP, maka proses perankingan alternatif dapat dilakukan melalui langkah – langkah sebagai berikut :

a) Untuk setiap tujuan I, tetapkan matriks perbandingan berpasangan A, untuk m alternatif

b) Tentukan fektor bobot untuk setiap Ai yang merepresentasikan bobot relatif dari

setiap alternatif ke – j pada tujuan ke – i (Sij)

c) Hitung total skor

�� =∑ �� (��) (2.13)

d) Pilih alternatif dengan skort tertinggi

2.4.1 Prinsip dasar analytic hierarchy process

Metode Analytic hierarchy process (AHP) dalam menyelesaikan permasalahan, membutuhkan beberapa prinsip dasar yaitu:

a. Decomposition

Decomposition adalah langkah memecahkan atau membagi masalah yang utuh menjadi elemen – elemen ke bentuk hirarki, dimana setiap elemen saling berhubungan. Adapun bentuk struktur dekomposisi yaitu:

a) Tingkat 1 : Tujuan keputusan (Goal) b) Tingkat 2 : Kriteria

(33)

Adapun bentuk rangkaian dari dekomposisi masalah dapat dilihat pada gambar dibawah:

Gambar 2.6 Struktur hirarki (Sumber: Yusuf Anshori, 2012) b. Comparative judgement

Comparative judgement dilakukan dengan memberikan penilaian tentang

kepentingan relatif antar kriteria. Hasil dari penilaian ini disajikan dalam bentuk matriks perbandingan berpasangan atau matriks keputusan.

c. Synthesis of Priority

Dari matriks keputusan yang terbentuk dapat ditentukan nilai bobot untuk masing – masing kriteria sehingga bisa didapatkan prioritas antar kriteria.

2.5. Riset Riset Terkait

Adapun permasalahan – permasalahan yang berkaitan dalam penelitian ini, setelah penulis mengkaji dalam beberapa jurnal berbeda yang berkenaan dengan fuzzy dan juga Analytic Hierarchy Process (AHP) dapat memberikan sebuah konstribusi yang baik.

Dalam jurnal ilmiah foristek, “Pendekatan Triangular Fuzzy Number dalam metode Analytic Hierarchy Process” (Anshori, Y. 2012). Adapun langkah – langkah yang digunakan yaitu:

Metode Analytic Hierarchy Process :

a. Penyusunan prioritas b. Membuat matrik keputusan c. Uji konsistensi dan indeks rasio

Alternatif I Alternatif II Alternatif N

Tujuan

(34)

a. Menentukan fuzzyfikasi perbandingan skala 1 – 9 kepentingan antara 2 kriteria b. Analisa fuzzy synthetic (dipakai untuk perlasan suatu objek dalam memenuhi

tujuan).

Sedangkan pada jurnal ilmu komputer, “Pemodelan sistem pendukung keputusan kelompok untuk diagnosa penyakit pneumonia dengan Fuzzy Linguistik Kuantifier

dan AHP” (Syaukani, M & Hartati, S. 2012). Adapun langkah – langkah yang digunakan yaitu:

a. Membuat tabel keputusan

b. Menentukan nilai variabel linguistik gejala

c. Nilai linguistik dipresentasikan dengan bilangan fuzzy segitiga. d. Membentuk matrik keputusan

e. Agregasi preferensi

f. Melakukan tahap perankingan dengan metode Analytic Hierarchy Process

(AHP).

Dari penjelasan kedua jurnal diatas yang berkenaan dengan Fuzzy dan Analytic

Hierarchy Process (AHP), memberikan output yang berbeda. Dalam jurnal ilmiah

foristek, “Pendekatan Triangular Fuzzy Number dalam metode Analytic Hierarchy Process” (Anshori, Y. 2012). Dari hasil penelitiannya, menyatakan bahwa hasil perankingan yang diberikan oleh metode fuzzy AHP yaitu berbeda dengan hasil yang dilakukan cara manual, dimana hasil yang diberikan jauh lebih baik dari sebelumnya, khususnya dalam penentuan beasiswa.

Sedangkan dalam jurnal ilmu komputer, “Pemodelan sistem pendukung keputusan kelompok untuk diagnosa penyakit pneumonia dengan Fuzzy Linguistik Quantifier dan AHP” (Syaukani, M & Hartati, S. 2012). Berdasarkan dari hasil penelitian yang diperoleh yaitu mampu menetapkan penyakit dan jenis antibiotik sebagai hasil dianogsis penyakit pneumonia.

(35)

2.6. Perbedaan dengan Riset yang lain

Dalam penelitian ini, penulis akan membangun sebuah pemodelan sistem pendukung keputusan bersifat statis yaitu suatu model sistem pendukung keputusan dalam mengambil satu kejadian saja dalam suatu situasi yang semuanya terjadi dalam 1 interval, baik waktunya sebentar ataupun yang lama dalam penilaian kriteria melalui pendekatan fuzzy dengan Analytic Hierarchy Process (AHP) untuk menentukan alternatif terbaik yang akan dipilih. Dimana fuzzy akan memberikan preferensinya untuk penilaian kriteria yang direpresentasikan fuzzy segitiga. Sedangkan Analytic

Hierarchy Process (AHP) dalam pemodelan sistem pendukung keputusan digunakan

untuk menentukan tingkat kepentingan setiap kriteria C1, C2, C3, C4, untuk

memperoleh vektor bobot serta melakukan proses perankingan. 2.7. Konstribusi Riset

Adapun hasil dari penelitian ini diharapkan dalam pemodelan sistem pendukung keputusan dalam penilai kriteria C1, C2, C3, C4 untuk menentukan alternatif melalui

pendekatan fuzzy dengan Analytic Hierarchy Process (AHP) mampu menyelesaikan setiap permasalahan dan memberikan hasil yang lebih baik serta pemodelan sistem pendukung tersebut dapat di terapkan untuk menyelesaikan permasalahan yang lain, khususnya permasalahan yang berkaitan dalam penilain kriteria.

(36)

METODOLOGI PENELITIAN

3.1. Pendahuluan

Dalam rancangan ini, akan menjelaskan bentuk pendekatan fuzzy dalam pemodelan sistem pendukung keputusan dengan Analytic Hierarchi Process (AHP) berserta langkah – langkah penyelesaiannya:

3.1.1. Model sistem pendukung keputusan

Pada rancangan dibawah akan menjelaskan bentuk pemodelan sistem pendukung keputusan bersifat statis melalui pendekatan fuzzy dengan Analytic Hierarchy Process

(AHP) dalam penilaian keriteria C1, C2, C3, C4 untuk menentukan alternatif yang akan

dipilih. Adapun bentuk rancangan tersebut terdapat pada gambar 3.1 dibawah:

Gambar 3.1 Model sistem pendukung keputusan

Dialog

Pendukung Keputusan

- Ipk (C1)

- P. Orangtua (C2)

- Jml T Orangtua (C3)

- Jarak (C4)

Manajemen Basisdata

Jenis Kriteria C1, C2, C3, C4,

nilai variabel dan kisaran data untuk setiap kriteria

Input kriteria C1, C2, C3, C4,

Representasi Fuzzy segitiga untuk penilai kriteria C1, C2, C3, C4,

Manajemen Model

Matrik Keputusan Alternatif Terpilih Perankingan Pengetahuan Tampilan Vektor bobot Logika Fuzzy

Hasil fuzzy segitiga dan variabel, setelah disesuaikan dengan parameter

Metode Analytic Hierarchy Procces (AHP)

(37)

Pada Gambar 3.1 di atas menjelaskan rancangan dari pemodelan sistem pendukung keputusan bersifat statis. Sistem pendukung keputusan bersifat statis yaitu merupakan suatu bentuk model statis yang hanya mengambil satu kejadian saja dalam suatu situasi, selama kejadian tersebut semuanya terjadi dalam 1 interval, baik waktunya sebentar atau lama dengan penilaian kriteria yang akan diuji yaitu; ipk (C1),

penghasilan orangtua (C2), tanggungan orangtua (C3) dan jarak (C4) melalui

pendekatan fuzzy dengan Analytic Hierarchy Process (AHP) untuk menentukan alternatif terbaik yang akan dipilih.

Dalam rancangan pemodelan sistem pendukung keputusan terbagi kepada tiga bagian, yaitu manajemen model, manajemen basisdata dan dialog. ketiga bagian tersebut saling berhubungan untuk mencapai hasil yang lebih baik dalam penyelesaian masalah. Dimana manajemen model merupakan suatu bagian untuk menganalisa dan memodelkan sebuah model penyelesaian masalah yang baik, melalui pendekatan

fuzzy. Pendukung keputusan melalui manajemen model juga menentukan jumlah

kriteria, memberikan variabel dan kisaran data untuk setiap kriteria. Selanjutnya fuzzy

akan memberikan preferensinya untuk penilaian setiap kriteria yang direpresentasikan menggunakan fuzzy segitiga. Hasil representasi yang diberikan fuzzy segitiga dari penilaian setiap kriteria setelah disesuaikan dengan parameter dan selanjutnya oleh pendukung keputusan akan membentuk sebuah matrik keputusan. Sedangkan Analytic

Hierarcy process (AHP) dalam pemodelan sistem pendukung keputusan digunakan

untuk menentukan tingkat kepentingan setiap kriteria ipk (C1), penghasilan orangtua

(C2), tanggungan orangtua (C3) dan jarak (C4) dengan tujuan untuk memproleh vektor

bobot serta melakukan proses perankingan. Tujuan dari Analytic Hierarcy Process

(AHP) memperoleh vektor bobot untuk dijumlahkan dengan matrik keputusan melalui perankingan dengan harapan agar memperoleh alternatif terbaik yang akan dipilih. Pada bagian manajemen basisdata diperlukan untuk mendukung proses manajemen model melalui pengambilan data yang relevan yang akan dipilih dan diuji seperti data ipk, penghasilan orangtua, tanggungan orangtua dan jarak. Sedangkan dialog dalam pemodelan sistem pendukung keputusan diperlukan sebagai implementasikan hasil pengujian dari pemodelan sistem pendukung keputusan dari penilaian kriteria C1,

(38)

fuzzy dengan Analytic Hierarcy Process (AHP). Adapun kriteria – kriteria yang akan dinilai yaitu kriteria C1, C2,C3, C4 Sebagaimana terdapat pada Tabel 3.1 dibawah:

Tabel 3.1 Jenis – jenis kriteria

Nama Kriteria Keterangan

Ipk Sebagai C1

Penghasilan orangtua Sebagai C2

Tanggungan orangtua Sebagai C3

Jarak Sebagai C4

Pada Tabel 3.1 di atas menunjukkan jumlah kriteria yang akan dinilai. berdasarkan jenis – jenis kriteria diatas, maka pendukung keputusan dapat menggambarkan sebuah struktur hirarki dalam pemodelan sistem pendukung keputusan yang dapat diberikan sebagai berikut:

a. Phase pertama = Goal (tujuan keputusan) b. Phase kedua = Kriteria

c. Phase ketiga = Alternatif

Dari tiga phase diatas, maka bentuk struktur dekomposisi permasalahan dapat digambarkan sebagai berikut:

Gambar 3.2 Model struktur hirarki analytic hierarchy process (AHP) Tujuan

C1 C2 C3 C4

(39)

3.1.2. Jenis – jenis kriteria berdasarkan tingkat kepentingan

Dalam pemodelan sistem pendukung keputusan melalui pendekatan fuzzy dengan

Analytic Hierarcy Process (AHP), pendukung keputusan akan memberikan variabel

dan kisaran data untuk setiap kriteria. Fuzzy akan memberikan preferensinya untuk penilaian setiap kriteria yang direpresentasikan menggunakan fuzzy segitiga. Adapun kriteria – kriteria tersebut yaitu:

a. Kriteria ipk (C1)

Tabel 3.2 Kriteria ipk

Variabel Kisaran data ipk

Rendah [0 – 2.90]

Sedang [2.70 – 3.20]

Tinggi [3.00 – 4.00]

b. Kriteria penghasilan orangtua (C2)

Tabel 3.3 Kriteria penghasilan orangtua

Variabel Kisaran data penghasilan orangtua Rendah 3.500.000 – 6.000.000 Sedang 1.500.000 – 4.000.000

Tinggi 0 – 2.000.000

c. Kriteria tanggungan orangtua (C3)

Tabel 3.4 Kriteria tanggungan orangtua

Variabel Kisaran data tanggungan orangtua

Rendah [1 – 3]

Sedang [2 – 5]

(40)

Variabel Kisaran data jarak

Rendah [0 – 10]

Sedang [6 – 15]

Tinggi [11 – 30]

Berdasarkan pada tabel setiap kriteria ipk (C1), penghasilan orangtua (C2), tanggungan

orangtua (C3) dan jarak (C4) di atas, maka pendukung keputusan akan mengambil

keputusan dari setiap kriteria – kriteria diatas untuk membentuk sebuah tabel keputusan setiap alternatif pada setiap kriteria. Sebagaimana Tabel 3.6 dibawah:

Tabel 3.6 Pengambilan keputusan pada setiap alternatif pada setiap kriteria Alternatif

Kriteria Ipk

Penghasilan Ortua C2

Tanggungan Ortua C3

Jarak C4

A1 3.00 1.500.000 2 10

A2 3.50 1.300.000 6 20

A3 3.30 2.000.000 4 16

A4 3.00 3.600.000 6 20

A5 3.80 1.500.000 4 23

A6 3.65 2.000.000 3 7

Pada Tabel 3.6 di atas, kriteria seperti Ipk (C1), penghasilan orangtua (C2), tanggungan

orangtua (C3) dan jarak (C4) merupakan suatu nilai yang akan diuji dari 6 alternatif.

Dimana nilai setiap kriteria pada alternatif tersebut akan diselesaikan melalui pendekatan fuzzy dengan Analytic Hierarcy Process (AHP).

(41)

Phase pertama:

Pada phase pertama ini, pendukung keputusan akan menerapkan konsep kerja dari pada fuzzy, dimana fuzzy akan memberikan preferensinya untuk penilaian setiap kriteria yang akan direpresentasikan menggunakan fuzzy segitiga.

a. Kriteria ipk (C1)

Tabel 3.7 Kriteria ipk

Variabel Kisaran data ipk

Rendah [0 – 2.90]

Sedang [2.70 – 3.20]

Tinggi [3.00 – 4.00]

Representasi fuzzy segitiga untuk kriteria Ipk:

Fungsi keanggotaan untuk setiap himpunan pada kriteria ipk dapat diberikan sebagai berikut:

0 2.70 2.90 3.00 3.20 3.60 4.00

�

2.90 ; 0 < �< 2.90 1; �= 2.90

0 ; � ≤0 Rendah

� −2.70

3.20−2.70 ; 2.70 < �< 3.20 1 ; �= 3.20

0 ; � ≤2.70 Sedang

� −3.00

3.60−3.00 ; 3.00 <�< 3.60 1 ; �= 4

0 ; � ≤3.00 Tinggi

(42)

Tabel 3.8 Kriteria penghasilan orangtua

Variabel Kisaran data penghasilan orangtua Rendah 3.500.000 – 6.000.000 Sedang 1.500.000 – 4.000.000

Tinggi 0 – 2.000.000

Representasi fuzzy segitiga untuk kriteria penghasilan orangtua:

Fungsi keanggotaan untuk setiap himpunan pada kriteria penghasilan orangtua dapat diberikan sebagai berikut:

4.000.000− �

4.000.000−1.500.000 ; 1.500.000 <�< 4.000.000

1 ; � = 1.500.000 0 ; � ≥4.000.000

Sedang

0 ; �> 6.000.000 6.000.000−x

6.000.000−3.500.000 ; 3.500.000 <�< 6.000.000

1 ; �= 3.500.000

Rendah

2.000.000− �

2.000.000−1.000.000 ; 1.000.000 <� < 2.000.000

0 ; � ≥2.000.000

1 ; �= 1.000.000 Tinggi

(43)

c. Kriteria tanggungan orangtua (C3)

Tabel 3.9 Kriteria tanggungan orangtua

Variabel Kisaran data tanggungan orangtua

Rendah [1 – 3]

Sedang [2 – 5]

Tinggi [4 – 7]

Representasi fuzzy segitiga untuk kriteria tanggungan orangtua:

Fungsi keanggotaan untuk setiap himpunan pada kriteria tanggungan orangtua dapat diberikan sebagai berikut:

� −1

3−1 ; 1 <�< 3 1 ; �= 3

0 ; � ≤1 Rendah

� −2

5−2 ; 2 <�< 5 1 ; �= 5 0 ; � ≤2

Sedang

� −4

6−4 ; 4 <�< 6 1 ; �= 7

0 ; � ≤4

Tinggi

(44)

Tabel 3.10 Kriteria jarak

Variabel Kisaran data jarak

Rendah [0 – 10]

Sedang [6 – 15]

Tinggi [11 – 30]

Representasi fuzzy segitiga untuk kriteria jarak:

Fungsi keanggotaan untuk setiap himpunan pada kriteria jarak dapat diberikan sebagai berikut:

�

10 ; 0 <�< 10 1 ; �= 10 0 ; � ≤0

Rendah

� −6

15−6 ; 6 <�< 15 1 ; �= 15

0 ; � ≤6 Sedang

0 ; � ≤11 � −11

25−11 ; 11 < �< 25 1 ; �= 25

Tinggi

(45)

Phase kedua:

Sedangkan pada phase kedua ini, pendukung keputusan akan memberikan preferensinya berdasarkan (Cheng, 1999) yang direpsentasikan fuzzy segitiga dengan parameter �_�,�_�,�_� dapat dikatagorikan sebagai berikut:

Sangat tinggi = (1 ; 0,8 ; 1) Tinggi = (0,75 ; 0,6 ; 0,9) Sedang = (0,5 ; 0,3 ; 0,7) Rendah = (0,25 ; 0,05 ; 0,45) Sangat rendah = (0 ; 0 ; 0,2)

Berdasarkan parameter di atas, nilai parameter yang diambil oleh pendukung keputusan untuk penilaian setiap kriteria C1, C2, C3, C4 adalah rendah (0,25 ; 0,05 ;

0,45), sedang (0,5 ; 0,3 ; 0,7) dan tinggi (0,75 ; 0,6 ; 0,9). Adapun hasil dari representasi fuzzy segitiga pada C1, C2, C3, C4 serta setiap nilai yang diberikan untuk

kriteria C1, C2, C3, C4 dan setelah disesuaikan dengan nilai parameter yaitu; rendah,

sedang dan tinggi, maka hasil yang diberikan untuk setiap alternatif adalah sebagai berikut:

Alternatif ke – 1

C1 = Hasil representasi fuzzy segitiga = 0,6

Variabel = Sedang (0,3 ; 0,18 ; 0,42) C2 = Hasil representasi fuzzy segitiga = 1

Variabel = Sedang (0,5 ; 0,3 ; 0,07) C3 = Hasil representasi fuzzy segitiga = 0,5

Variabel = Rendah (0,125 ; 0,025 ; 0,225) C4 = Hasil representasi fuzzy segitiga = 1

Variabel = Rendah (0,25 ; 0,05 ; 0,45) Alternatif ke – 2

C1 = Hasil representasi fuzzy segitiga = 0,833

Variabel = Tinggi (0,625 ; 0,499 ; 0,749) C2 = Hasil representasi fuzzy segitiga = 0,7

Variabel = Tinggi (0,525 ; 0,42 ; 0,63) C3 = Hasil representasi fuzzy segitiga = 1

Variabel = Tinggi (0,75 ; 0,6 ; 0,9) C4 = Hasil representasi fuzzy segitiga = 0,642

(46)

C1 = Hasil representasi fuzzy segitiga = 0,5

Variabel = Tinggi (0,375 ; 0,3 ; 0,45) C2 = Hasil representasi fuzzy segitiga = 0,8

Variabel = Sedang (0,4 ; 0,24 ; 0,56) C3 = Hasil representasi fuzzy segitiga = 0,666

Variabel = Sedang (0,333 ; 0,099 ; 0,467) C4 = Hasil representasi fuzzy segitiga = 0,357

Variabel = Tinggi (0,268 ; 0,215 ; 0,332) Alternatif ke – 4

C1 = Hasil representasi fuzzy segitiga = 0,6

Variabel = Sedang (0,3 ; 0,18 ; 0,42) C2 = Hasil representasi fuzzy segitiga = 0,96

Variabel = Rendah (0,24 ; 0,048 ; 0,432) C3 = Hasil representasi fuzzy segitiga = 1

Variabel = Tinggi (0,75 ; 0,6 ; 0,9) C4 = Hasil representasi fuzzy segitiga = 0,642

Variabel = Tinggi (0,482 ; 0,386 ; 0,578) Alternatif ke – 5

C1 = Hasil representasi fuzzy segitiga = 1

Variabel = Tinggi (0,75 ; 0,6 ; 0,9) C2 = Hasil representasi fuzzy segitiga = 1

Variabel = Sedang (0,5 ; 0,3 ; 0,7) C3 = Hasil representasi fuzzy segitiga = 0,666

Variabel = Sedang (0,333 ; 0,099 ; 0, 467) C4 = Hasil representasi fuzzy segitiga = 0,857

Variabel = Tinggi (0,643 ; 0,515 ; 0,772) Alternatif ke – 6

C1 = Hasil representasi fuzzy segitiga = 1

Variabel = Tinggi (0,75 ; 0,6 ; 0,9) C2 = Hasil representasi fuzzy segitiga = 0,8

Variabel = Sedang (0,4 ; 0,24 ; 0,56) C3 = Hasil representasi fuzzy segitiga = 1

Variabel = Rendah (0,25 ; 0,05 ; 0,45) C4 = Hasil representasi fuzzy segitiga = 0,7

(47)

Dari hasil representasi fuzzy segitiga untuk kriteria C1, C2, C3, C4 di atas, maka

pendukung keputusan akan membentuk sebuah matrik keputusan sebagai berikut:

K =

Phase ketiga:

Pada phase ketiga ini, selanjutnya pendukung keputusan akan menggunakan Analytic Hierarcy Process (AHP) untuk menentukan tingkat kepentingan setiap kriteria dengan tujuan agar memperoleh vektor bobot. Dimana Analytic Hierarcy Process (AHP) akan menentukan skala perbandingan dari 1 – 9 untuk setiap kriteria C1, C2, C3, C4. Adapun

skala perbandingan tersebut terdapat pada tabel 3.11 dibawah: Tabel 3.11 Tingkat kepentingan kriteria Skala Pasangan Keterangan

1 1 Sama penting

3 1

Agak lebih penting yang 1 dengan yang lainnya

5 1

5 Cukup penting

7 1

7 Sangat penting

9 1

9 Mutlak lebih penting

2, 4, 6, 8 1 2 1 4 1 6 1

8 Nilai tengah

Pada Tabel 3.11 di atas, merupakan tabel tingkat kepentingan untuk setiap kriteria yang akan dinilai terhadap 4 kriteria yang sebelumnya telah ditetapkan oleh pendukung keputusan yaitu ipk (C1), penghasilan orangtua (C2), tanggungan orangtua

(C3) dan jarak (C4). Adapun dibawah ini menunjukkan tahapan – tahapan yang

dilakukan Analytic Hierarcy Process (AHP) untuk memperoleh vektor bobot: 0,3 0,5 0,125 0,25

0,625 0,525 0,75 0,482 0,375 0,4 0,333 0,268 0,3 0,24 0,75 0,482 0,75 0,5 0,333 0,643 0,75 0,4 0,25 0,175

(48)

�2 �3 �₄ � 9 7 5 3

� => Konsisten =>

⎣ ⎢ ⎢ ⎢

⎢₇ 7

7 7 5 7 3 5 5 7 5 5 5 3 3 3 7 3 5 3 3⎦ ⎥ ⎥ ⎥ ⎥

9 1,28 1,8 3 7 1 1,4 2,33

5 0,71 1 1,66 3 0,42 0,6 1

Jumlah 24 3,41 4,8 7,99 Setelah dilakukan normalisasi menjadi:

�

0,375 0,375 0,375 0,375

0,291 0,293 0,291 0,291

0,208 0,208 0,208 0,207

0,125 0,123 0,125 0,125

�

Kemudian nilai vektor bobot yang didapatkan: W = [0,375 ; 0,291 ; 0,207 ; 0,124]

Setelah vektor bobot diperoleh, Selanjutnya pendukung keputusan akan menentukan alternatif yang akan dipilih, dimana vektor bobot akan dijumlahkan dengan matrik keputusan menggunakan persamaan berikut:

�_� =��_��(�_�)

�

S1 = (0,3*0,375) + (0,5*0,291) + (0,125*0,207) + (0,25*0,124) = 0,314875

S2 = (0,625*0,375) + (0,525*0,291) + (0,75*0,207) + (0,482*0,124) = 0,602168

S3 = (0,375*0,375) + (0,4*0,291) + (0,333*0,207) + (0,268*0,124) = 0,359239

S4 = (0,3*0,375) + (0,24*0,291) + (0,75*0,207) + (0,482*0,124) = 0,397376

S5 = (0,75*0,375) + (0,5*0,291) + (0,333*0,207) + (0,643*0,124) = 0,575464

S6 = (0,75*0,375)+ (0,4*0,291) + (0,25*0,207) + (0,175*0,124) = 0,471100

Setelah dilakukan perankingan terhadap 6 alternatif berdasarkan penilaian 4 kriteria yaitu ipk (C1), penghasilan orangtua (C2), tanggungan orangtua (C3) dan jarak

(C4), maka alternatif yang terpilih adalah alternatif yang memiliki nilai tertinggi

(49)

3.1.3. Desain rancangan

Dalam desain rancangan ini, akan menggambarkan bentuk rancangan tampilan dari pemodelan sistem pendukung keputusan. Adapun dalam rancangan tampilan tersebut akan memberikan 4 rancangan tampilan yaitu:

a. Rancangan utama program perankingan calon penerima beasiswa

Pada gambar 3.3 rancangan utama program perangkingan ini, menjelaskan bentuk rancangan dari pada tampilan utama program perankingan, dimana rancangan tersebut nantinya akan di tampilkan hasilnya dalam bahasa pemogramaan C++.

Gambar 3.3 Rancangan utama program perankingan calon penerima beasiswa

b. Rancangan input alternatif

Pada rancangan input alternatif gambar 3.4 dibawah, menjelaskan suatu bentuk rangangan dari jumlah alternatif yang akan diseleksi. Rancangan ini juga di rancang sedemikian rupa dengan tujuan agar dapat memberikan suatu hasil yang sesuai dengan data – data input setiap alternatif yang ada dalam rancangan, sehingga nantinya hasil tampilan yang diberikan sesuai dengan rancangan dari pada input alternatif tersebut.

Gambar 3.4 Rancangan input alternatif PROGRAM PERANKINGAN CALON PENERIMA BEASISWA MENGGUNAKAN FUZZY DAN AHP

AUTHOR : MUHAMMAD IQBAL

Jumlah mahasiswa calon penerima beasiswa =

PROGRAM PERANKINGAN CALON PENERIMA BEASISWA MENGGUNAKAN FUZZY DAN AHP

AUTHOR : MUHAMMAD IQBAL

Jumlah mahasiswa calon penerima beasiswa = xx Data mahasiswa ke –x

Nim : xxxxxxxx Nama : xxxxxxxx

Ipk : xxx

Penghasilan ortua : xxxxxxxx Tanggungan ortua : xx Jarak : xx

(50)

Untuk rancangan output matrik keputusan, merupakan suatu bentuk rancangan output awal sebelum output hasil perankingan yang di rancang. Dalam rancangan tersebut hanya menjelaskan bentuk rancangan output matrik yang diberikan, sebagaimana Gambar 3.5 dibawah:

Gambar 3.5 Rancangan output matrik keputusan d. Rancangan output hasil perankingan

Sedangkan pada rancangan output hasil perankingan seperti gambar 3.6 di bawah, merupakan suatu rancangan output akhir dalam proses perankingan yang dirancang. Sehingga diharapkan rancangan tersebut nantinya akan memberikan bentuk tampilan yang baik sesuai rancangan tersebut.

Gambar 3.6 Rancangan output hasil perankingan

Berdasarkan dari empat bentuk rancangan yang berbeda pada gambar diatas, rancangan tersebut akan di tampilkan sebagai bentuk implementasi yang nantinya akan di tampilkan dalam bahasa pemograman C++, sebagaimana terdapat dalam bab selanjutnya.

Jika Weight = [ xxx xxx xxx xxx ] Maka didapatkan perankingan sebagai berikut :

1. Nim : xxxxxxxx Nama : xxxxxx Total nilai = xxxx 2. Nim : xxxxxxxx Nama : xxxxxx Total nilai = xxxx

MATRIK KEPUTUSAN:

xxx xxx xxx xxx xxx xxx xxx xxx Tekan enter untuk melanjutkan

(51)

BAB 4

HASIL DAN PEMBAHASAN

4.1. Hasil

Adapun dalam tahap implementasi hasil, menjelaskan suatu hasil serta pembahasan dari pendekatan fuzzy dalam pemodelan sistem keputusan dengan Analytic Hierarcy

Process (AHP) dengan hasil yang diberikan sangat baik. Sebagaimana tampilan

menggunakan bahasa pemograman C++ yang ditampilkan dibawah:

4.1.1. Tampilan utama program perankingan calon penerima beasiswa

Gambar 4.1 Perankingan calon penerima beasiswa

Hierarcy Process (AHP). Dalam tahapan awal program tersebut meminta jumlah

alternatif yang akan di input untuk dilakukan perankingan, bila input awal yaitu 6 alternatif, maka jumlah alternatif yang akan diseleksi 6 alternatif.

(52)

Gambar 4.2 Tampilan input alternatif

untuk nim dan nama hanya dipakai sebagai keterangan untuk membedakan alternatif satu dengan alternatif lainnya.

4.1.3. Tampilan output matrik keputusan

Gambar 4.3 Tampilan output matrik keputusan

Berdasarkan gambar 4.3 di atas, dari dua alternatif yang telah diinput sebelumnya dan diseleksi, sebelum hasil akhir yang diberikan melalui perankingan, maka terlebih dahulu program penentuan calon penerima beasiswa memberikan sebuah hasil yaitu matrik keputusan. Dimana matrik keputusan tersebut diperoleh berdasarkan nilai yang di input seperti ipk (C1), penghasilan orangtua (C2), tanggungan orangtua (C3) dan

(53)

4.1.4. Tampilan output hasil perankingan

Gambar 4.4 Tampilan output hasil perankingan

Sedangkan pada gambar 4.4 di atas, merupakan hasil akhir yang diberikan oleh program penentuan calon penerima beasiswa. Sebagaimana terdapat dalam tampilan gambar program di atas, merupakan hasil akhir setelah matrik keputusan di peroleh. Di akhir program ini menjelaskan proses perankingan menggunakan Analytic Hierarcy Process (AHP).

4.2. Pembahasan

(C2), tanggungan orangtua (C3) dan jarak (C4). Khususnya dalam pembahasan ini

setelah penulis menganalisa dan menimplementasikan dalam bahasa pemograman C++, ternyata hasil yang diberikan sangat baik dari pemodelan sistem pendukung keputusan dalam menentukan alternatif yang akan dipilih berdasarkan perankingan. Pendukung keputusan dalam meyelesaikan masalah melalui penilaian setiap kriteria kriteria yang dipilih serta tahapan – tahapan penyelesaiannya yang diselesaikan serta diarahkan melalui fuzzy, dimana fuzzy dalam memberikan preferensinya melalui penilaian kriteria C1, C2, C3, C4 yang direpresentasikan menggunakan fuzzy segitiga.

Pendukung keputusan berdasarkan hasil dari representasi fuzzy segitiga yang diberikan dan setelah disesuaikan dengan parameter, selanjutnya pendukung keputusan akan membentuk sebuah matrik keputusan. Dimana nantinya matrik keputusan tersebut akan dilakukan pendekatan dengan vektor bobot yang diberikan oleh AHP.

(54)

menentukan tingkat kepentingan setiap kriteria ipk (C1), penghasilan orangtua (C2),

tanggungan orangtua (C3) dan jarak (C4) dengan tujuan agar memperoleh vektor

bobot berdasarkan matrik dan setelah dilakukan normalisasi, maka diperoleh sebuah vektor bobot yaitu weight [0,375 ; 0,291 ; 0,207 ; 0,124] sebagaimana terdapat pada gambar 4.4 diatas. Setelah vektor bobot diperoleh, selanjutnya AHP akan melakukan perankingan yaitu melalui penjumlahan antara vektor bobot dengan matrik keputusan dengan tujuan agar hasil yang diberikan lebih baik dalam menentukan alternatif yang akan dipilih, sebagaimana output dari hasil perankingan yang terdapat pada gambar 4.4 diatas.

(55)

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Dalam penelitian ini, setelah peneliti mengkaji dan menganalisa sampai tahap implementasi, ternyata hasil yang diberikan sangat baik melalui pendekatan fuzzy

dalam pemodelan sistem pendukung keputusan melalui penilaian keriteria ipk (C1),

penghasilan orangtua (C2), tanggungan orangtua (C3) dan jarak (C4) yang

dipresentasikan dengan fuzzy segitiga serta proses perankingan yang dilakukan oleh

Analytic Hierarcy Process (AHP) untuk menentukan alternatif terbaik yang akan

dipilih.

Berdasarkan hasil penelitian melalui pendekatan fuzzy dengan Analytic Hierarcy Process (AHP), penulis berharap bila permasalahan yang berkaitan dengan penilaian kriteria dapat diselesaikan menggunakan pemodelan sistem pendukung keputusan dengan Fuzzy AHP.

5.2. Saran

Adapun dalam penelitian ini, berdasarkan hasil yang diperoleh sangat baik melalui pendekatan Fuzzy dalam pemodelan sistem pendukung dengan Analytic Hierarcy

Process (AHP). Penulis berharap, untuk permasalahan yang menggunakan pemodelan

sistem pendukung dapat di kembangkan lebih lanjut dan juga dapat digunakan menggunakan metode – metode yang lain untuk permasalahan penilaian kriteria dalam menentukan alternatif yang dipilih. Sehingga hasil yang diberikan jauh lebih baik serta dapat membedakan dengan hasil yang diberikan dalam penelitian ini.

(56)

Anshori, Y. 2012. Pendekatan triangular fuzzy number dalam metode analiytic hierarcy proses. Jurnal Ilmiah Foristek.

Cheng, C.H., Yang, K.L. & Hwang, C.L. 1999. Evaluating attack helocopters by AHP based on linguistic variable weight: Dordrecht.

Daihani, D.Y. 2001. Sistem Pendukung Keputusan. Elex Media Komputindo: Jakarta. Eniyati, S. 2011. Perancangan sistem pendukung pengambilan keputusan untuk

penerimaan beasiswa dengan metode SAW. Jurnal teknologi informasi dinamik: 171 – 176.

Jijun, Z. 1999. Fuzzy analytic hierarchy process. A Chinese Journal of Fuzzy systems and math-ematics.14: 81-89.

Kong, F & Liu, H. 2005. Applying Fuzzy Analytic Hierarcy Process To Avaluate Success Factors Of E-Commerc. International Journal of Information and Systems sciens: 406 – 412.

Lootma & Freek, A. 1997. Fuzzy logic for planning and decision making. Kluwer Academic Publissher. Netherlends.

Reenoij, S. 2005. Multi attribute decision making under Certainty: The Analytic Hierarcy Process.

Syaukani, M. & Hartati, S. 2012. Pemodelan sistem pendukung keputusan kelompok untuk diagnosa penyakit pneumonia dengan fuzzy linguistik quantifier dan AHP. Jurnal ilmu komputer.

Turban. 2005. Decision support systems and intelligent system (Sistem Pendukung Keputusan dan Sistem Cerdas). Edisi 7 Jilid 1. Andi: Yogyakarta.

Tettamanzi, A & Tomassini, M. 2001. Soft computing integrating evalutionary, Neural and fuzzy systems. Springer-verlag: Berlin

Saaty,T.L. 2008. Decision Making With The Analytic Hierarchy Process, Int. J. Services Sciences. 83 – 98.

Saaty,T.L. & Alexander, J. 1989. Conflict Resolution. The Analytic Hierarchy Process.New York: Praeger.

Turban & Efraim, J.E. 2007. Decision support systems and intelligent system-sevent edition. New Delhi. Prentice Hall of India.

Wang, Y.M., Luo,Y. & Hua, Z. 2008. On The Extent Analysis Method For Fuzzy AHP and its Applications. Europan Journal of Operation Research. 186:735–747.

(1)

BAB 4

HASIL DAN PEMBAHASAN

4.1. Hasil

Adapun dalam tahap implementasi hasil, menjelaskan suatu hasil serta pembahasan dari pendekatan fuzzy dalam pemodelan sistem keputusan dengan Analytic Hierarcy Process (AHP) dengan hasil yang diberikan sangat baik. Sebagaimana tampilan menggunakan bahasa pemograman C++ yang ditampilkan dibawah:

4.1.1. Tampilan utama program perankingan calon penerima beasiswa

Gambar 4.1 Perankingan calon penerima beasiswa

Pada Gambar 4.1 diatas, merupakan tampilan utama dari program perankingan calon penerima beasiswa. Dalam program tersebut menjelaskan proses kerja dari pada pendekatan fuzzy dalam pemodelan sistem pendukung keputusan dengan Analiytic Hierarcy Process (AHP). Dalam tahapan awal program tersebut meminta jumlah alternatif yang akan di input untuk dilakukan perankingan, bila input awal yaitu 6 alternatif, maka jumlah alternatif yang akan diseleksi 6 alternatif.

(2)

4.1.2. Tampilan input alternatif

Gambar 4.2 Tampilan input alternatif

Pada Gambar 4.2 di atas, merupakan tampilan dari input alternatif dengan data yang diuji yaitu 6 alternatif. Sedangkan data yang dinilai pada setiap alternatif yaitu ipk (C1), penghasilan orangtua (C2), tanggungan orangtua (C3) dan jarak (C4). Adapun untuk nim dan nama hanya dipakai sebagai keterangan untuk membedakan alternatif satu dengan alternatif lainnya.

4.1.3. Tampilan output matrik keputusan

Gambar 4.3 Tampilan output matrik keputusan

(3)

4.1.4. Tampilan output hasil perankingan

Gambar 4.4 Tampilan output hasil perankingan

4.2. Pembahasan

Dalam penelitian ini, yang berkaitan dengan pendekatan fuzzy dalam pemodelan sistem pendukung dengan Analiytic Hierarcy Process untuk penyelesaian masalah melalui penilai kriteria – kriteria yang dipilih yaitu ipk (C1), penghasilan orangtua (C2), tanggungan orangtua (C3) dan jarak (C4). Khususnya dalam pembahasan ini setelah penulis menganalisa dan menimplementasikan dalam bahasa pemograman C++, ternyata hasil yang diberikan sangat baik dari pemodelan sistem pendukung keputusan dalam menentukan alternatif yang akan dipilih berdasarkan perankingan. Pendukung keputusan dalam meyelesaikan masalah melalui penilaian setiap kriteria kriteria yang dipilih serta tahapan – tahapan penyelesaiannya yang diselesaikan serta diarahkan melalui fuzzy, dimana fuzzy dalam memberikan preferensinya melalui penilaian kriteria C1, C2, C3, C4 yang direpresentasikan menggunakan fuzzy segitiga. Pendukung keputusan berdasarkan hasil dari representasi fuzzy segitiga yang diberikan dan setelah disesuaikan dengan parameter, selanjutnya pendukung keputusan akan membentuk sebuah matrik keputusan. Dimana nantinya matrik keputusan tersebut akan dilakukan pendekatan dengan vektor bobot yang diberikan oleh AHP.

(4)

Pendukung keputusan juga menggunakan Analytic Hierarcy Process (AHP) dalam menentukan tingkat kepentingan setiap kriteria ipk (C1), penghasilan orangtua (C2), tanggungan orangtua (C3) dan jarak (C4) dengan tujuan agar memperoleh vektor bobot berdasarkan matrik dan setelah dilakukan normalisasi, maka diperoleh sebuah vektor bobot yaitu weight [0,375 ; 0,291 ; 0,207 ; 0,124] sebagaimana terdapat pada gambar 4.4 diatas. Setelah vektor bobot diperoleh, selanjutnya AHP akan melakukan perankingan yaitu melalui penjumlahan antara vektor bobot dengan matrik keputusan dengan tujuan agar hasil yang diberikan lebih baik dalam menentukan alternatif yang akan dipilih, sebagaimana output dari hasil perankingan yang terdapat pada gambar 4.4 diatas.

(5)

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Dalam penelitian ini, setelah peneliti mengkaji dan menganalisa sampai tahap implementasi, ternyata hasil yang diberikan sangat baik melalui pendekatan fuzzy

dalam pemodelan sistem pendukung keputusan melalui penilaian keriteria ipk (C1), penghasilan orangtua (C2), tanggungan orangtua (C3) dan jarak (C4) yang dipresentasikan dengan fuzzy segitiga serta proses perankingan yang dilakukan oleh

Analytic Hierarcy Process (AHP) untuk menentukan alternatif terbaik yang akan dipilih.

5.2. Saran

Adapun dalam penelitian ini, berdasarkan hasil yang diperoleh sangat baik melalui pendekatan Fuzzy dalam pemodelan sistem pendukung dengan Analytic Hierarcy Process (AHP). Penulis berharap, untuk permasalahan yang menggunakan pemodelan sistem pendukung dapat di kembangkan lebih lanjut dan juga dapat digunakan menggunakan metode – metode yang lain untuk permasalahan penilaian kriteria dalam menentukan alternatif yang dipilih. Sehingga hasil yang diberikan jauh lebih baik serta dapat membedakan dengan hasil yang diberikan dalam penelitian ini.

(6)

DAFTAR PUSTAKA