1. Menciptakan model – model yang baru dengan cepat dan mudah.
2. Mengakses dan mengintegrasikan model – model keputusan.
3. Mengelola basis model dengan fungsi manajemen yang analog dan manajemen basis data.
c. Subsistem Perangkat Lunak Penyelenggara Dialog
Subsistem dialog adalah kemampuan interaksi antara sistem dan pemakai yang berasal dari fleksibilitas dan kekuatan karakteristik SPK.
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 [2]: 1.
Bahasa aksi Action Language 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.
2. Bahasa Tampilan Display atau Presentation Language yaitu suatu perangkat
yang berfungsi sebagai sarana untuk menampilkan sesuatu. 3.
Basis Pengetahuan Knowledge Base yaitu bagian yang mutlak diketahui oleh pengguna sistem yang dirancang dapat berfungsi secara efektif.
2.2. Fuzzy Multiple Attribute Decision Making FMADM
FMADM adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Inti dari FMADM adalah menentukan
nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan.
Universitas Sumatera Utara
Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut, yaitu pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif
obyektif. Masing - masing kelemahan. Pada pendekatan subyektif, nilai bobot ditentukan berdasarkan subyektifitas dari para pengambil keputusan, sehingga
beberapa faktor dalam proses perankingan alternatif bisa ditentukan secara bebas. Sedangkan pada pendekatan obyektif, nilai bobot dihitung secara matematis sehingga
mengabaikan subyektifitas dari pengambil keputusan[7].
Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah FMADM. antara lain[7] :
a. Simple Additive Weighting Method SAW b. Weighted Product WP
c. ELECTRE d. Technique for Order Preference by Similarity to Ideal Solution TOPSIS
e. Analytic Hierarchy Process AHP
2.2.1. Metode Simple Additive Weighting SAW Metode SAW sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar
metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW membutuhkan proses normalisasi matriks
keputusan X ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.
��
jika j adalah atribut keberuntungan benefit � =
2.1
�
jika j adalah atribut biaya cost
Keterangan : r
ij
= rating kinerja ternormalisasi dari alternatif A
i
pada atribut C
j
Universitas Sumatera Utara
2.2 ...
di mana i = 1, 2, ... , m dan j = 1, 2, ..., n.
Nilai preferensi untuk setiap alternatif V
i
diberikan sebagai: � = ∑
=
�
Nilai V
i
yang lebih besar mengindikasikan bahwa alternatif A
i
lebih terpilih. Sedangkan untuk kriterianya terbagi dalam dua kategori yaitu untuk bernilai positif
termasuk dalam kriteria keuntungan dan yang bernilai negatif termasuk dalam kriteria biaya.
Keterangan : A
i
= Alternatif C
j
= Kriteria = Bobot Preferensi
� = Nilai preferensi untuk setiap alternatif = Nilai alternatif dari setiap kriteria.
Secara singkat algoritma metode SAW adalah: 1. Memberikan nilai setiap alternatif A
i
pada setiap kriteria C
j
yang sudah ditentukan, di mana nilai tersebut di peroleh berdasarkan nilai crisp; i
=1,2,…m dan j
=1,2,…n. 2. Memberikan nilai bobot W yang juga didapatkan berdasarkan nilai crisp.
3. Melakukan normalisasi matriks dengan cara menghitung nilai rating kinerja ternormalisasi r
ij
dari alternatif A
i
pada atribut C
j
berdasarkan persamaan yang disesuaikan dengan jenis atribut atribut keuntunganbenefit = MAKSIMUM atau
atribut biayacost = MINIMUM. Apabila berupa artibut keuntungan maka nilai crisp x
ij
dari setiap kolom atribut dibagi dengan nilai crisp MAX MAX x
ij
dari
Universitas Sumatera Utara
2.3 ...
2.4 ...
tiap kolom, sedangkan untuk atribut biaya, nilai crisp MIN MIN x
ij
dari tiap kolom atribut dibagi dengan nilai crisp x
ij
setiap kolom. 4. Melakukan proses perankingan dengan cara mengalikan matriks ternormalisasi
R dengan nilai bobot W. 5. Menentukan nilai preferensi untuk setiap alternatif V
i
dengan cara menjumlahkan hasil kali antara matriks ternormalisasi R dengan nilai bobot W.
Nilai V
i
yang lebih besar mengindikasikan bahwa alternatif A
i
lebih terpilih [4].
2.2.2. Metode Weighted Product WP Metode WP menggunakan perkalian untuk menghubungkan rating atribut, di mana
rating setiap atribut pertama sekali dipangkatkan dengan bobot atribut yang bersangkutan Yoon, 1989. Proses ini sama halnya dengan proses normalisasi.
Preferensi untuk alternatif A
i
diberikan sebagai berikut :
� = ∏
=
dengan i = 1, 2, 3, …, m.
j = 1, 2, 3, …, n.
Preferensi relatif dari setiap alternatif, diberikan sebagai berikut [7]: ∏
=
� = ∑ �
=
dengan i = 1, 2, 3, …, m.
j = 1, 2, 3, …, n.
Universitas Sumatera Utara
Secara singkat, algoritma dari metode ini adalah sebagai berikut: 1. Melakukan perbaikan bobot terlebih dahulu agar total bobot
w
j
= 1. Caranya dengan membagi nilai bobot dengan penjumlahan seluruh nilai bobot.
2. Mengalikan seluruh atribut untuk sebuah alternatif dengan bobot sebagai pangkat positif untuk atribut keuntungan dan bobot pangkat negatif pada
atribut biaya disebut vektor S
i
. 3. Hasil perkalian dijumlahkan untuk menghasilkan nilai pada setiap alternatif
4. Melakukan pembagian antara S
i
dan hasil penjumlahan S
i
S
i
yang akan menghasilkan nilai preferensi V
i
. 5. Ditemukan urutan alternatif terbaik yang akan menjadi keputusan.
2.3. Penelitian yang terkait dengan Metode SAW dan Metode WP
