Pemodelan Sistem Pendukung Keputusan Dengan Metode Kombinasi Fuzzy Tahani Dan Simple Additive Weighting

(1)

PEMODELAN SISTEM PENDUKUNG KEPUTUSAN DENGAN

METODE KOMBINASI FUZZY TAHANI DAN

SIMPLE ADDITIVE WEIGHTING

TESIS

DEDY ARMIADY

117038022

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN

(2)

PEMODELAN SISTEM PENDUKUNG KEPUTUSAN DENGAN

METODE KOMBINASI FUZZY TAHANI DAN

SIMPLE ADDITIVE WEIGHTING

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh

ijazah Magister Teknik Informatika

DEDY ARMIADY

117038022

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN

(3)

PERSETUJUAN

Judul : Pemodelan Sistem Pendukung Keputusan Dengan Metode Kombinasi Fuzzy Tahani Dan Simple Additive Weighting

Kategori : Tesis

Nama : Dedy Armiady Nomor Induk Mahasiswa : 117038022

Program Studi : Magister (S2) Teknik Informatika

Fakultas : ILMU 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 195707011986011003

(4)

PERNYATAAN ORISINALITAS

PEMODELAN SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE KOMBINASI FUZZY TAHANI DAN SIMPLE ADDITIVE WEIGHTING

TESIS

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

Medan, 19 Desember 2013

Dedy Armiady 117038022

(5)

PERNYATAANPERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatra Utara, saya yang bertanda tangan di bawah ini:

Nama : Dedy Armiady NIM : 117038022

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

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

PEMODELAN SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE KOMBINASI FUZZY TAHANI DAN SIMPLE ADDITIVE WEIGHTING

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

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 19 Desember 2013

Dedy Armiady 117038022

(6)

Telah diuji pada

Tanggal: 19 Desember 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 : Dedy Armiady

Tempat dan tanggal lahir : Pante Ara, 29 Oktober 1986

Alamat rumah : Jl. Jangka, Pante Ara. Kec. Peusangan Kab. Bireun Telepon/faks/HP : 085260034453

e-Mail : armiady@live.com

instansi tempat bekerja : Universitas Almuslim Peusangan

alamat kantor : Jl. Almuslim, Matangglumpangdua. Bireuen-24261

DATA PENDIDIKAN

SD : Min Krung Barô TAMAT: 1998 SLTP : SLTP Negeri 2 Peusangan TAMAT: 2001 SLTA : SMU Negeri 2 Peusangan TAMAT: 2004 S1 : STMIK Bina Bangsa Lhokseumawe TAMAT: 2008 S2 : Teknik Informatika USU TAMAT: 2013

(8)

KATA PENGANTAR

Assalamu’alaikum warahmatullahi wabarakatuh.

Syukur Alhamdulillah kepada Allah Subhanahuwata‟ala, berkat rahmat dan kemurahan-Nya penulis dapat menyelesaikan tesis ini dengan judul Pemodelan Sistem Pendukung Keputusan dengan Metode Kombinasi Fuzzy Tahani dan Simple Additive Weighting. Tesis ini disusun dan diajukan untuk memenuhi persyaratan dalam memperoleh gelar magister pada Program Pascasarjana FASILKOM TI Universitas Sumatera Utara.

Dalam penyelesaian tesis ini tidak lepas dari dukungan berbagai pihak. Oleh karena itu, penulis mengucapkan banyak terima kasih kepada:

1. Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp. A(K) selaku Rektor Universitas Sumatera Utara, atas kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister.

2. Bapak Prof. Dr. Muhammad Zarlis, selaku Dekan Fasilkom TI Universitas Sumatera Utara, atas kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister pada Program Pascasarjana FasilKom TI Universitas Sumatera Utara, serta selaku Ketua Program Studi Magister Teknik Informatika dan selaku dosen pembimbing utama yang dengan penuh perhatian telah memberikan saran, kritik, dorongan dan bimbingan kepada penulis.

3. Bapak Muhammad Andri Budiman, S.T, M. Comp. Sc, M.EM selaku Sekretaris Program Studi Magister Teknik Informatika.

4. Bapak Dr. Marwan Ramli, M.Si selaku pembimbing anggota yang dengan penuh kesabaran menuntun dan membimbing penulis hingga selesainya penelitian ini. 5. Seluruh dosen serta civitas akademika pada Program Studi Magister Teknik

Informatika Program Pascasarjana Fasilkom-TI Universitas Sumatera Utara, yang telah memberikan bekal ilmu dan pengetahuan selama penulis mengikuti kuliah di Universitas Sumatera Utara.

6. Orang tua tercinta, ayahanda Muhammad Daud Ali dan ibunda Ainolmardhiah serta seluruh keluarga yang senantiasa mendoakan dan memberikan dorongan

(9)

kepada penulis. Kakak dan abang penulis Elidar, Elfidar, Fachrizal, dan Muhammad Nashar yang selalu mendoakan, memberikan semangat, dan bantuan selama penulis mengikuti pendidikan. Budi baik yang diberikan tidak dapat terbalas, hanya diserahkan kepada Allah SWT, Tuhan Yang Maha kuasa. Sekali lagi terima kasih.

7. Dan kepada saudari Cut Masyithah Thaib, M.Si., Apt. yang telah banyak memberikan dorongan, dukungan, doa serta perhatian selama ini hingga tesis ini terselesaikan.

8. Rekan mahasiswa seangkatan penulis program studi Magister (S2) Teknik Informatika Komputer Fasilkom-TI Universitas Sumatera Utara, yang telah banyak membantu penulis selama mengikuti perkuliahan. Semua pihak yang tidak dapat disebutkan satu per satu, yang telah berperan serta dalam penelitian tesis ini.

Penulis menyadari bahwa penulisan tesis ini masih jauh dari kesempurnaan baik dari segi materi yang dibahas maupun dari penulisannya. Untuk itu saran dan kritik yang bersifat membangun sangat penulis harapkan.

Akhir kata penulis berharap semoga tesis ini membawa manfaat dan faedah bagi pembaca dan pihak-pihak yang berkepentingan, serta buat penulis sendiri sebagai darma bakti penulis kepada almamater.

Wassalamualaikum warahmatullahi wabarakatuh.

Medan, 19 Desember 2013 Penulis

(10)

ABSTRAK

Model Multi Attribute Decision Making (MADM) sudah banyak digunakan oleh pengambil keputusan untuk menyelesaikan permasalahan pengambilan keputusan. Dalam MADM terdapat berbagai macam metode yang dapat digunakan untuk mencari solusi terbaik, namun dari metode-metode tersebut masih dapat dikembangkan dengan tujuan agar memberikan hasil keputusan yang lebih baik lagi. Penelitian ini mengombinasikan dua buah metode untuk mendapatkan hasil keputusan yang lebih baik dengan fokus penelitian pada penyesuaian antara dua buah metode yakni metode logika Fuzzy yaitu Fuzzy Tahani dan Simple Additive Weighting. Dalam pemodelan ini dilakukan pembobotan untuk tiap kriteria yang digunakan adalah dengan Fuzzy Tahani, kriteria yang digunakan adalah Umur, Pendidikan, SK Honor dan Lama Kerja. Pembobotan kriteria terbagi menjadi dua jenis, yaitu dengan 2 (dua) dan 3 (tiga) himpunan Fuzzy, yang dianggap memiliki 2 (dua) himpunan adalah SK Honor dan Lama Kerja, dengan derajat himpunannya “Lama” dan “Baru”, sementara yang memiliki 3 (Tiga) Himpunan Fuzzy adalah Umur dan Pendidikan, dengan kelompok himpunannya “Tua”, „Parobaya” dan “Muda” adalah untuk kriteria Umur, dan “Tinggi”, “Sedang” dan “Rendah” adalah untuk kriteria Pendidikan.

Kata kunci : Pengambil keputusan, alternatif, atribut, Pemodelan, Simple Additive Weighting dan kriteria.

(11)

DECISION SUPPORT SYSTEM MODELING WITH FUZZY COMBINATION METHODS TAHANI AND SIMPLE ADDITIVE WEIGHTING

ABSTRACT

Model Multi Attribute Decision Making ( MADM ) is widely used by decision makers to solve decision problems. In MADM are various methods that can be used to find the best solution , but of these methods are to be developed with a view to give better results. This research combines the two methods to get better results with research focus on reconciliation between the two methods namely fuzzy logic method , namely Fuzzy Simple Additive Tahani and weighting. In this modeling is done weighting for each criterion used is the fuzzy Tahani, the criteria used are age, education, SK Honor and Old Works. Weighting criteria are divided into two types, namely with 2 (two) and 3 (three) Fuzzy collection, considered to have two (2) compilation is SK Honor and Old Work, with degrees compilation “Old” and “New”, while a 3 (Three) Fuzzy collection is age and education, with a compilation of the group “Old”, “middle-aged” and “Young” is for age criteria, and “High”, “Medium” and “Low” is for education criteria.

Keywords: decision makers, alternatives, attributes, modeling, Simple Additive Weighting and criteria.

(12)

DAFTAR ISI

KATA PENGANTAR vii

ABSTRAK ix

ABSTRACT x

DAFTAR ISI xi

DAFTAR TABEL xiii

DAFTAR GAMBAR xiv

BAB 1 : PENDAHULUAN

1.1 Latar Belakang Masalah 1 1.2 Perumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 3 1.5 Manfaat Penelitian 3

BAB 2 : TINJAUAN PUSTAKA

2.1 Model 4

2.2 Multi Atribut Dicision Making 5 2.3 Sistem Pendukung Keputusan 6 2.4 Simple Additive Weighting Method (SAW) 10 2.5 Fuzzy Database Model Tahani 11 2.6 Penelitian Terkait 13 2.7 Perbedaan dengan riset lain 14

2.8 Kontribusi Riset 16

BAB 3 : METODELOGI PENELITIAN

3.1 Pendahuluan 17

3.2 Deskripsi Masalah 17 3.3 Analisis Kebutuhan Data 18 3.3.1 Kebutuhan Input 26 3.3.2 Proses Logika Fuzzy Pada Sistem 26 3.3.3 Kebutuhan Output 27

(13)

3.4Metode Simple Additive Weighting 27

BAB 4 : ANALISIS HASIL DAN PEMBAHASAN

4.1 Hasil 29

4.2 Analisis Hasil 37

4.3 Pembahasan 38

BAB 5 : PENUTUP

5.1 Kesimpulan 40

5.2 Saran 40

DAFTAR PUSTAKA 42

LAMPIRAN

1. Daftar Publikasi Ilmiah 43

(14)

DAFTAR TABEL

Hal. Tabel 2.1 Data Mentah Karyawan 12 Tabel 2.2 Data Karyawan setelah diolah 13 Tabel 3.1 Tabel Prioritas Suatu Keputusan Penerimaan Pegawai 16 Tabel 3.2 Tabel Pegawai Honorer dilengkapi usia 18 Tabel 3.3 Tabel Pegawai Honorer berdasarkan Lama Bekerja 20 Tabel 3.4 Tabel Pegawai Honorer berdasarkan Lulusan Pendidikan 22 Tabel 3.5 Tabel Pegawai Honorer berdasarkan Lama SK (Tahun) 23 Tabel 4.1 Hasil fuzzifikasi untuk variabel Umur 28 Tabel 4.2 Hasil fuzzifikasi untuk variabel Pendidikan 29 Tabel 4.3 Hasil fuzzifikasi untuk variabel SK Honor 29 Tabel 4.4 Tabel Pegawai Honorer berdasarkan Lama Bekerja 30 Tabel 4.5 Data Calon Pegawai Negeri Sipil 31 Tabel 4.6 Rating kecocokan dari setiap alternatif pada setiap kriteria 31 Tabel 4.7 Hasil Perankingan dengan Pengombinasian 34

(15)

DAFTAR GAMBAR

Hal.

Gambar 2.1 Komponen SPK 10

Gambar 4.1 Grafik perbandingan antara alternatif 36 Gambar 4.2 Grafik ranking akhir setiap alternatif 37

(16)

ABSTRAK

Kata kunci : Pengambil keputusan, alternatif, atribut, Pemodelan, Simple Additive Weighting dan kriteria.

(17)

DECISION SUPPORT SYSTEM MODELING WITH FUZZY COMBINATION METHODS TAHANI AND SIMPLE ADDITIVE WEIGHTING

ABSTRACT

Keywords: decision makers, alternatives, attributes, modeling, Simple Additive Weighting and criteria.

(18)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Dalam proses pengambilan keputusan, diperlukan metode yang bisa digunakan untuk mencari solusi terbaik. Kasus yang terjadi saat ini pun semakin kompleks dan cukup rumit, sehingga, sangat sulit untuk mengambil keputusan yang tepat apabila tidak menggunakan model pengambilan keputusan yang sesuai. Pada umumnya tujuan utama pengambilan keputusan dilakukan adalah menyelesaikan masalah untuk mencari solusi terbaik.

Pada saat pengambil keputusan menentukan metode untuk mencari sebuah penyelesaian, belum tentu metode yang dipilih dapat memberikan hasil yang maksimal jika diterapkan pada kasus tersebut. Dari permasalahan tersebut ada pendekatan baru yang dapat dilakukan, yaitu dengan melakukan kombinasi dua buah metode untuk mendapatkan sebuah keputusan yang lebih akurat.

Metode Simple Additive Weighting (SAW) merupakan salah satu metode untuk penyelesaian masalah Multi-Attribute Decision Making (Kusumadewi dkk, 2006). Metode SAW sering juga dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dengan rating kinerja pada setiap alternatif pada semua atribut (Wibowo dkk, 2008). Asumsi yang mendasari metode SAW adalah setiap atribut bersifat independen, jadi tidak akan saling mempengaruhi atribut lain. Skoring dengan metode ini diperoleh dengan menambahkan kontribusi dari setiap atribut (Kahraman dkk, 2008). Keuntungan dari metode ini adalah urutan relatif dari besarnya nilai standar tetap sama (Afshari dkk, 2010).

Fuzzy tahani adalah salah satu cabang dari logika Fuzzy, yang merupakan salah satu metode Fuzzy yang menggunakan basis data standar. Tahani

(19)

men-deskripsikan suatu metode pemrosesan Query Fuzzy, dengan didasarkan atas manipulasi bahasa yang dikenal dengan nama SQL (Structured Query Language), sehingga model Fuzzy Tahani sangat tepat digunakan dalam proses pencarian data yang tepat dan akurat (Anggraeni, Indarto dan Kusumadewi, 2004).

Dalam penelitian ini akan dilakukan pencarian data yang tepat dan akurat untuk kriteria yang dipakai dengan menggunakan metode Fuzzy-Tahani. Setelah

rulenya didapatkan, akan dilakukan perangkingan dengan menggunakan Simple Additive Weighting. Studi kasus yang dibahas adalah proses perekrutan Pegawai Negeri Sipil Daerah (PNSD) di Pemerintahan Provinsi Aceh, Kabupaten Bireuen.

Selama ini perekrutan Pegawai Negeri Sipil Daerah (PNSD) yang dilakukan oleh Pemerintahan Provinsi Aceh, Kabupaten Bireuen Khususnya adalah tanpa jalur seleksi, hanya melalui pengangkatan langsung dari tenaga honorer, meliputi tenaga honorer medis, administrasi dan guru. Banyaknya jumlah tenaga honorer di Kabupaten Bireuen menjadi masalah tersendiri dalam proses penyeleksian, mengingat prosesnya berdasarkan subjektivitas. Ini berpeluang besar terjadinya kesalahan akan terpilihnya tenaga honorer yang tidak memenuhi standar yang diinginkan dan tidak sesuai dengan penentuan prioritas penerimaan.

1.2Perumusan Masalah

Permasalahan yang akan diselesaikan dalam penelitian ini adalah melakukan pemodelan Sistem Pendukung Keputusan dengan kombinasi dua metode, yakni Fuzzy Tahani dan Simple Additive Weighting dalam perekrutan Pegawai Negeri Sipil Daerah Pemerintahan Provinsi Aceh, Kabupaten Bireuen.

1.3Batasan Masalah

Rumusan masalah di atas dibatasi oleh beberapa hal sebagai berikut:

1. Metode yang digunakan adalah Fuzzy Tahani dan Simple Additive Weighting

2. Studi kasus yang diselesaikan adalah perekrutan Pegawai Negeri Sipil Daerah (PNSD) Pemerintahan Provinsi Aceh, Kabupaten Bireuen.

3. Jumlah parameter masukan (kriteria) sebanyak 4 buah (Usia, Ijazah, SK Dinas, Masa Aktif).

(20)

1.4Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah guna mendapatkan prioritas kriteria untuk sistem keputusan dalam penerimaan Pegawai Negeri Sipil Daerah (PNSD) Kabupaten Bireuen dengan menggunakan Fuzzy Tahani. Dan memodelkan sebuah sistem pendukung keputusan dengan mengombinasikan Fuzzy Tahani dan Simple Additive Weighting.

1.5 Manfaat Penelitian

Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:

1. Dapat diketahui sejauh mana prioritas kriteria yang dapat dihasilkan setelah dilakukan fuzzifikasi.

2. Mendapatkan hasil keputusan yang lebih baik dengan melakukan kombinasi dua metode.

3. Memberikan kemudahan bagi pihak tertentu yang ingin menerapkan sistem pendukung keputusan dengan pengombinasian dua metode dalam penyelesaian masalah yang berkaitan dengan prioritas kriteria.

(21)

BAB II

TINJAUAN PUSTAKA

2.1 Model

Model adalah pola (contoh, acuan, ragam) dari sesuatu yang akan dibuat atau dihasilkan (Departemen P dan K, 1984:75). Definisi lain dari model adalah abstraksi dari sistem sebenarnya, dalam gambaran yang lebih sederhana serta mempunyai tingkat persentase yang bersifat menyeluruh, atau model adalah abstraksi dari realitas dengan hanya memusatkan perhatian pada beberapa sifat dari kehidupan sebenarnya (Simamarta, 1983). Jenis-jenis model dapat dibagi dalam lima kelas yang berbeda: 1. Kelas I, pembagian menurut fungsi :

a. Model deskriptif: hanya menggambarkan situasi sebuah sistem tanpa rekomendasi dan peramalan.

Contoh : peta organisasi

b. Model prediktif: model ini menunjukkan apa yang akan terjadi, bila sesuatu terjadi.

c. Model normatif: model yang menyediakan jawaban terbaik terhadap satu persoalan. Model ini memberi rekomendasi tindakan-tindakan yang perlu diambil.

Contoh: model budget advertensi, model economics, model marketing. 2. Kelas II, pembagian menurut struktur.

a. Model Ikonik : adalah model yang menirukan sistem aslinya, tetapi dalam suatu skala tertentu.

(22)

b. Model Analog : adalah suatu model yang menirukan sistem aslinya dengan hanya mengambil beberapa karakteristik utama dan menggambarkannya dengan benda atau sistem lain secara analog.

Contoh : aliran lalu lintas di jalan dianalogikan dengan aliran air dalam sistem pipa.

c. Model Simbolis: adalah suatu model yang menggambarkan sistem yang ditinjau dengan simbol-simbol biasanya dengan simbol-simbol matematis. Dalam hal ini sistem diwakili oleh variabel-variabel dari karakteristik sistem yang ditinjau.

3. Kelas III, pembagian menurut referensi waktu.

a. Statis : model statis tidak memasukkan faktor waktu dalam perumusannya. Model statis menggambarkan fenomena kejadian pada saat ini. Model statis komparatif merupakan model yang membandingkan beberapa fenomena dengan kejadian yang berbeda dalam suatu waktu.

b. Dinamis : mempunyai unsur waktu dalam perumusannya. Model dinamis me-rupakan model yang dapat dikembangkan untuk menunjukkan perubahan Over Time permintaan dan pasokan. Model ini juga merefleksikan perubahan melalui simulasi ataupun berdasarkan waktu real dan menghitung komponen secara konstan dengan memasukkan beberapa alternatif tindakan yang akan datang (McGarney dan Hannon 2004).

4. Kelas IV, pembagian menurut referensi kepastian.

a. Deterministik: dalam model ini pada setiap kumpulan nilai Input, hanya ada satu Output yang unik, yang merupakan solusi dari model dalam keadaan pasti.

b. Probabilistik: model probabilistik menyangkut distribusi probabilistik dari

Input atau proses dan menghasilkan suatu deretan harga bagi paling tidak satu variabel Output yang disertai dengan kemungkinan - kemungkinan dari harga - harga tersebut.

2.2Multi Atribut Dicision Making

Multiple Attribute Decision Making (FMADM) adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Inti

(23)

dari FMADM adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan. Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut, yaitu pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif & obyektif. Masing-masing pendekatan memiliki kelebihan dan 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. Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah FMADM. Antara lain:

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)

2.3Sistem Pendukung Keputusan

Sistem pendukung keputusan adalah sistem penghasil informasi yang ditujukan pada suatu masalah tertentu yang harus dipecahkan oleh manajer dan dapat membantu manajer dalam pengambilan keputusan (Leod, 1995). Sistem pendukung keputusan merupakan bagian tak terpisahkan dari totalitas sistem organisasi keseluruhan. Suatu sistem organisasi mencakup sistem fisik, sistem keputusan dan sistem informasi (Suryadi, 2002).

Bertolak dari pemikiran di atas, maka 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

(24)

informasi. Kompleksitas sistem secara fisik menuntut adanya sistem keputusan yang kompleks pula. Ciri utama dari sistem pendukung keputusan adalah kemampuannya untuk menyelesaikan masalah - masalah yang tidak terstruktur.

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.

Sistem pendukung keputusan adalah suatu pendekatan sistematis pada hakikat suatu masalah, pengumpulan fakta - fakta penentu yang matang dari alternatif yang dihadapi dan pengambilan tindakan yang paling tepat (Suryadi, 2002). 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 (Daihani, 2001). Untuk menghasilkan keputusan yang baik di dalam sistem pendukung keputusan, perlu didukung oleh informasi dan fakta - fakta yang berkualitas antara lain :

a. Aksibelitas

Atribut ini berkaitan dengan kemudahan mendapatkan informasi, informasi akan lebih berarti bagi pemakai kalau informasi tersebut mudah didapat, karena akan berkaitan dengan aktivitas dari nilai informasinya.

b. 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 dengan tingkat kesalahan yang mungkin di dalam pelaksanaan pengolahan data dalam jumlah (volume) besar. Dua tipe kesalahan yang sering terjadi yaitu berkaitan dengan perhitungan.

(25)

d. Ketepatan

Atribut ini berkaitan dengan kesesuaian antara informasi yang dihasilkan dengan kebutuhan pemakai. Sama halnya dengan kelengkapan, ketepatan pun 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, atau gambar biasanya akan lebih berarti dibandingkan dengan informasi dalam 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.

2.3.1. Tahapan pengambilan keputusan

Untuk menghasilkan keputusan yang baik ada beberapa tahapan proses yang harus dilalui dalam pengambilan keputusan. Menurut Julius Hermawan (2005), 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

(26)

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.

2.3.2. Komponen komponen sistem pendukung keputusan

Sistem pendukung keputusan terdiri dari 3 komponen utama atau subsistem (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 pangkalan 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 :

(27)

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 (Daihani, 2000).

Gambar 2.1, Komponen SPK Sumber: Daihani (2001)

2.4Simple Additive Weighting Method (SAW)

Metode SAW sering dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW dapat membantu dalam pengambilan keputusan suatu kasus, akan tetapi perhitungan dengan menggunakan metode SAW ini hanya yang menghasilkan nilai terbesar yang akan terpilih sebagai

Manajemen basis data manajemen basis model

Manajemen penyelenggaraan dialog

Peranti lunak

Tugas Lingkungan

(28)

Jika j adalah atribut keuntungan (benefit)

Jika j adalah atribut biaya (cost)

alternatif yang terbaik. Perhitungan akan sesuai dengan metode ini apabila alternatif yang terpilih memenuhi kriteria yang telah ditentukan. Metode SAW ini lebih efisien karena waktu yang dibutuhkan dalam perhitungan lebih singkat. Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.

Di mana rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj ; i=1,2,…,m dan j=1,2,…,n. nilai preferensi untuk setiap alternatif (Vi) diberikan

sebagai:

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai 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 : Alternatif C : Kriteria

W : Bobot Preferensi

(29)

X : Nilai Alternatif dari setiap kriteria

2.5Fuzzy Database Model Tahani

Metode Tahani merupakan salah satu metode yang digunakan pada logika fuzzy selain metode Sugeno dan Mamdani. Metode Tahani merupakan Metode yang menggunakan relasi standart, hanya saja model ini menggunakan teori himpunan Fuzzy untuk mendapatkan querynya (Hari Purnomo dan Sri Kusuma Dewi, 2004).

Fuzzy Database Tetap menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan fuzzy untuk mendapatkan querynya. Ada dua model

fuzzy database yang digunakan diantaranya adalah Fuzzy Model Tahani, Fuzzy Model Umano (Edi Satriyanto, Workshop Fuzzy Aplikasi Logika Fuzzy Untuk Pendukung Keputusan,2002).

Dengan menggunakan relasi standar, dapat dicari data karyawan dengan spesifikasi tertentu dengan menggunakan query. Misalnya diinginkan informasi tentang nama-nama karyawan yang usianya kurang dari 35 tahun dapat dilihat dalam Tabel 2.1, maka bisa diciptakan suatu query berikut:

SELECT NAMA FROM KARYAWAN WHERE (umur < 35)

Sehingga muncul nama-nama Lia, Kiki, dan Yoga.

Apabila diinginkan informasi tentang nama-nama karyawan yang gajinya lebihdari 1 juta rupiah, maka bisa diciptakan query berikut: SELECT NAMA FROM KARYAWAN WHERE (gaji > 1000000) Sehingga muncul nama-nama iwan, Sari, Andi, Amir, dan Rian. Apabila diinginkan informasi tentang nama-nama karyawan yang masa kerjanya kurang dari atau sama dengan 5 tahun tetapi gajinya sudah lebih dari 1 juta rupiah, maka bisa diciptakan suatu query:

SELECT NAMA FROM KARYAWAN WHERE MasaKerja<=5) and (Gaji > 1000000).

(30)

Tabel 2.1 Data Mentah Karyawan

NIP Nama Tgl Lahir Th. Masuk Gaji/bln (Rp)

01 Lia 03-05-1972 1996 750.000

02 Iwan 23-09-1954 1985 1.500.000

03 Sari 12-12-1966 1988 1.255.000

04 Andi 05-03-1965 1998 1.040.000

05 Budi 04-12-1950 1990 950.000

06 Amir 18-11-1963 1989 1.600.000

07 Rian 28-05-1965 1997 1.250.000

08 Kiki 09-07-1971 2001 550.000

09 Alda 14-08-1967 1999 735.000

10 Yoga 17-09-1977 2000 860.000

Kemudian dari tabel Data mentah karyawan diolah menjadi suatu tabel temporer untuk menghitung umur karyawan dan masa kerjanya. Tabel tersebut diberi nama dengan tabel karyawan (Tabel 2.2)

Tabel 2.2 Data Karyawan setelah diolah

NIP Nama Umur (th) Masa Kerja (th)* Gaji/bln (Rp)

01 Lia 30 6 750.000

02 Iwan 48 17 1.500.000

03 Sari 36 14 1.255.000

(31)

05 Budi 42 12 950.000

06 Amir 39 13 1.600.000

07 Rian 37 5 1.250.000

08 Kiki 32 1 550.000

09 Alda 35 3 735.000

10 Yoga 25 2 860.000

2.6Penelitian Terkait

Pada beberapa riset yang dianggap terkait membahas di antaranya tentang penerimaan beasiswa dengan menerapkan metode Simple Additive Weighting (SAW), ditulis oleh Sri Eniyati (2011) dalam jurnalnya yang berjudul “Perancangan Sistem Pendukung Pengambilan Keputusan untuk Penerimaan Beasiswa dengan Metode SAW (Simple Additive Weighting)”. Pada penelitian tersebut diangkat suatu kasus yaitu mencari alternatif terbaik berdasarkan kriteria-kriteria yang telah ditentukan dengan menggunakan metode SAW (Simple Additive Weighting) Penelitian dilakukan dengan mencari nilai bobot untuk setiap atribut, kemudian dilakukan proses perankingan yang akan menentukan alternatif yang optimal, yaitu siswa terbaik.

Penelitian yang dilakukan oleh Ira Prasetyaningrum, dkk (2012) berjudul “Sistem Pengambilan Keputusan Dinamis Pemilihan Calon Tenaga Kerja Dengan Menggunakan Metode AHP Berbasis Web”, penelitian yang menggunakan metode

AHP tersebut, dibangun untuk membantu melakukan penilaian terhadap calon tenaga kerja yang hasilnya dapat dijadikan masukan bagi pihak HRD dalam mengambil keputusan calon tenaga kerja yang paling layak diterima.

Jasril, dkk (2011) dalam makalahnya yang diseminarkan dalam Seminar Nasional Aplikasi Teknologi Informasi 2011 berjudul “Sistem Pendukung Keputusan (SPK) Pemilihan Karyawan Terbaik Menggunakan Metode Fuzzy AHP (F-AHP)” SPK yang bersifat dinamis dibangun berhasil menentukan pemilihan karyawan terbaik dengan F-AHP yang mendekati penilaian yang sebenarnya, di mana sistem dapat menangani jika terjadi perubahan/penambahan kriteria.

(32)

Dalam jurnal foristek, “Pendekatan Triangluar 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 matriks keputusan c. Uji konsistensi dan indeks rasio

Transformasi Triangular Fuzzy number terhadap sekala AHP:

a. Menentukan fuzzyfikasi perbandingan skala 1:9 kepentingan antara kriteria b. Analisa Fuzzy Synthetic (dipakai untuk perluasan suatu objek dalam memenuhi

tujuan).

Sedangkan pada jurnal ilmu komputer, “Pemodelan sistem pendukung keputusan kelompok untuk diagnosa penyakit pneumonia dengan Fuzzy linguistik Quantifier 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 segi tiga d. Membentuk matriks keputusan

e. Agregasi preferensi

f. Melakukan tahap perankingan dengan metode Analytic Hierarchy Process

(AHP)

Dari penjelasan kedua jurnal di atas yang berkenaan dengan fuzzy dan analytic

Hierarchy Process (AHP), memberikan output yang berbeda. Dalam jurnal ilmiah foristek, “pendekatan Triangular Fuzzy Number dalam metode 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, di mana hasil yang diberikan jauh lebih baik dari sebelumnya, khususnya dalam penentuan beasiswa PPA dan BBM.

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

(33)

Quantifier dan AHP (Syaukani, M & Hartati, S. 2012). Berdasarkan dari hasil penelitian yang diperoleh yaitu mampu menetapkan penyakit dan jenis antibiotik sebagai hasil diagnosis penyakit pneumonia.

2.7Perbedaan dengan riset lain

Berdasarkan beberapa riset yang telah dilakukan sebelumnya, Peneliti menetapkan beberapa perbedaan dengan penelitian ini, yaitu:

1) Metode yang digunakan adalah kombinasi antara Fuzzy Tahani dengan Simple Additive Weighting.

2) Studi kasus yang digunakan adalah penyeleksian pengangkatan tenaga honorer menjadi pegawai negeri sipil di Kabupaten Bireuen.

2.8Kontribusi Riset

Dalam penelitian ini, metode yang digunakan untuk pemodelan sistem keputusan adalah kombinasi antara Fuzzy Tahani dan Simple Additive Weighting, diharapkan dari penelitian ini akan didapatkan metode yang lebih efektif dalam pengambilan keputusan, di mana sebelum proses perankingan dilakukan, terlebih dahulu dilakukan penyeleksian data berdasarkan prioritas kebutuhan kriteria.

(34)

BAB 3

METODOLOGI PENELITIAN

3.1Pendahuluan

Tujuan dari penelitian ini dilakukan adalah untuk membuat model sederhana sebuah sistem pendukung keputusan, di mana dikombinasikan antara dua buah metode yakni

Fuzzy Tahani dan Simple Additive Weighting. Dalam pembentukan model, metode

Fuzzy yang digunakan berfungsi untuk melakukan penyeleksian atau penyaringan data sebelum kemudian dilakukan perankingan dengan metode Simple Additive Weighting. Tujuan dilakukan penyeleksian atau penyaringan data adalah agar proses perankingan menjadi lebih mudah dan cepat, mengingat fungsi dari metode Tahani adalah untuk mendapatkan data atau record dengan spesifikasi tertentu melalui Query. Dalam manipulasi atau pembentukan Query digunakanlah logika Fuzzy Database Tahani

sehingga data yang terpilih untuk dilakukan perankingan adalah memenuhi syarat minimal standar yang diinginkan. Ditinjau dari studi kasus yang diangkat untuk pengujian dari model yang dibuat, bahwa kriteria yang dipakai untuk dijadikan parameter pertimbangan dalam penerimaan Pegawai Negeri Sipil Daerah adalah: Umur, Lulus Pendidikan (tahun), SK Dinas (SK pertama dan akhir), Masa Aktif (lama kerja)

3.2 Deskripsi Masalah

Pemerintahan Propinsi Aceh di Kabupaten Bireuen khususnya Bagian Kepegawaian ketika akan melakukan penyeleksian penerimaan Pegawai Negeri Sipil Daerah (PNSD) yang direkrut melalui tenaga honorer baik tenaga guru, medis dan administrasi dibutuhkan suatu keputusan yang cepat, akurat dan objektif untuk menentukan pegawai yang lolos seleksi sebagai Pegawai Negeri Sipil Daerah (PNSD). Relatif sulit menentukan pegawai yang benar-benar mengutama

(35)

Prioritas tanpa perhitungan yang cermat berdasarkan ketetapan variabel-variabel yang telah ditentukan, sehingga dapat merugikan kepada manajemen pelayanan publik maupun kepada para tenaga honorer.

3.3 Analisis Kebutuhan Data

Data yang dibutuhkan untuk pembuatan sistem ini adalah sebagai berikut: 1. Data Pegawai Honorer

Yaitu pegawai honorer yang dipilih sebagai sampel yang digunakan peneliti dalam menentukan pegawai yang berhak menjadi Pegawai Negeri Sipil Daerah (PNSD). Adapun sampel yang digunakan sebanyak 20 (dua puluh) pegawai honorer. Adapun prioritas suatu keputusan yang dikelompokkan dari pegawai yang akan diseleksi dapat dilihat dari tabel 3.1:

Tabel 3.1 Tabel Prioritas Suatu Keputusan Penerimaan Pegawai

No Prioritas No.

Induk Nama

1 Pegawai 1 00001 MARLIATI 2 Pegawai 2 00002 MAWARDAH 3 Pegawai 3 00003 AMINAH 4 Pegawai 4 00004 MARSUNI 5 Pegawai 5 00005 HAFNI KASIM 6 Pegawai 6 00006 A THALER 7 Pegawai 7 00007 RISNAWATI 8 Pegawai 8 00008 FADHILAH 9 Pegawai 9 00009 AISYAH 10 Pegawai 10 00010 IRIAN 11 Pegawai 11 00011 ROSDIANA 12 Pegawai 12 00012 YUSNA 13 Pegawai 13 00013 RASYIDAH 14 Pegawai 14 00014 FATHIAH 15 Pegawai 15 00015 DAHLIANA 16 Pegawai 16 00016 NURJANNAH 17 Pegawai 17 00017 NURLINA M AMIN 18 Pegawai 18 00018 MUHAMMAD 19 Pegawai 19 00019 FATIMAH 20 Pegawai 20 00020 BUDIMAN

(36)

2. Data Nilai Variabel

Data nilai variabel didapatkan dari hasil wawancara dengan pihak yang berwenang Pemerintahan propinsi Aceh di Kabupaten Bireuen khususnya Bagian Kepegawaian.

Dari hasil wawancara di lapangan tersebut, maka didapatkan beberapa variabel yang menjadi tolak ukur prioritas suatu Keputusan penerimaan Pegawai Negeri Sipil Daerah (PNSD) Kabupaten Bireuen.

Adapun variabel-variabel yang dibutuhkan adalah:

2.1 Variabel Umur terbagi menjadi 3 himpunan Fuzzy yaitu: TUA, PAROBAYA, MUDA

20 35 40 65

0 0.5

Muda Parobaya Tua

50 45

Gambar 3.1 Fungsi Keanggotaan untuk variabel Umur

Fungsi keanggotaan untuk setiap himpunan pada variabel usia dapat diberikan sebagai berikut:

1; x < 30

[x] = ; 30 ≤ x < 40 0 ; x ≥ 40

(37)

0; x < 35 atau x ≥ 50 [x] = ; 35 ≤ x ≤ 45 ; 45 < x < 50 0; x < 40

[x] = ; 40 ≤ x ≤ 50 1 ; x > 50

Misalkan variabel Umur, Marsuni dengan Umur 38 tahun termasuk dalam fungsi keanggotaan himpunan PAROBAYA maka dihasilkan nilai sebagai berikut:

[38] = = 0,3

Tabel 3.2 dapat dilihat di bawah ini yang menunjukkan tabel data pegawai honorer dilengkapi dengan usia.

Tabel 3.2 Tabel Pegawai Honorer dilengkapi usia

No.

Induk Nama Umur

01 00001 MARLIATI 37 02 00002 MAWARDAH 37 03 00003 AMINAH 37 04 00004 MARSUNI 38 05 00005 HAFNI KASIM 37 06 00006 A THALER 37 07 00007 RISNAWATI 37 08 00008 FADHILAH 37 09 00009 AISYAH 37

10 00010 IRIAN 37

11 00011 ROSDIANA 37

12 00012 YUSNA 38

(38)

14 00014 FATHIAH 38 15 00015 DAHLIANA 38 16 00016 NURJANNAH 38 17 00017 NURLINA M AMIN 38 18 00018 MUHAMMAD 38 19 00019 FATIMAH 40 20 00020 BUDIMAN 40

2.2 Variabel Lama Bekerja terbagi menjadi 2 himpunan Fuzzy yaitu: BARU dan LAMA

5 10 15

0 0.5

Baru Lama

Gambar 3.2 Fungsi Keanggotaan untuk variabel Lama Bekerja

Fungsi keanggotaan untuk setiap himpunan pada variabel Lama Bekerja dapat diberikan sebagai berikut:

1; x < 5

[x] = ; 5 ≤ x ≤ 15 0 ; x > 15 0; x < 10

[x] = ; 10 ≤ x ≤ 25 1; x > 25

(39)

Misalkan variabel Lama Bekerja, Hafni Kasim dengan masa kerja 9 tahun termasuk dalam fungsi keanggotaan himpunan BARU maka dihasilkan nilai sebagai berikut:

[9] = = 0,6

Pada tabel 3.3 di bawah ini menunjukkan data pegawai honorer dilengkapi dengan lama bekerja masing-masing pegawai dalam satuan tahun.

Tabel 3.3 Tabel Pegawai Honorer berdasarkan Lama Bekerja

No Lama

Bekerja Nama

Lama Bekerja (Tahun)

01 00001 MARLIATI 16 02 00002 MAWARDAH 16 03 00003 AMINAH 12 04 00004 MARSUNI 9 05 00005 HAFNI KASIM 9 06 00006 A THALER 8 07 00007 RISNAWATI 8 08 00008 FADHILAH 8

09 00009 AISYAH 4

10 00010 IRIAN 3

11 00011 ROSDIANA 2

12 00012 YUSNA 10

13 00013 RASYIDAH 19 14 00014 FATHIAH 10 15 00015 DAHLIANA 9 16 00016 NURJANNAH 4 17 00017 NURLINA M AMIN 2 18 00018 MUHAMMAD 8 19 00019 FATIMAH 21 20 00020 BUDIMAN 20

2.3 Variabel Lulusan Pendidikan terbagi menjadi 3 himpunan Fuzzy yaitu: RENDAH, SEDANG, TINGGI

(40)

1980 1984 1986 1990 1994 1996 2002 0

0.5 1

Rendah Sedang Tinggi

Gambar 3.3 Fungsi Keanggotaan untuk variabel Lulusan Pendidikan

Fungsi keanggotaan untuk setiap himpunan pada variabel Lulusan Pendidikan dapat diberikan sebagai berikut:

1; x ≤ 1986

[x] = ; 1986 < x ≤ 1990 0 ; x > 1990

0; x ≤ 1986 atau x ≥ 1994 [x] = ; 1986 < x ≤ 1990

; 1990 < x < 1994 0; x < 1990

[x] = ; 1990 ≤ x < 1994 1 ; x ≥ 1994

(41)

Misalkan variabel Lulusan Pendidikan, Aminah dengan Tahun Lulusan Pendidikan 1991 termasuk dalam fungsi keanggotaan himpunan SEDANG maka dihasilkan nilai sebagai berikut:

[1991] =      4 1991 1994 = 0,75

Tabel 3.4 Tabel Pegawai Honorer berdasarkan Lulusan Pendidikan

No No.

Induk Nama

Lulusan Pendidikan

01 00001 MARLIATI 1988 02 00002 MAWARDAH 1989 03 00003 AMINAH 1991 04 00004 _MARSUNI 1987 05 00005 HAFNI KASIM 1988 06 00006 A THALER 1985 07 00007 RISNAWATI 1988 08 00008 FADHILAH 1993 09 00009 AISYAH 1989 10 00010 IRIANI 1987 11 00011 _ROSDIANA 1986 12 00012 YUSNA 1986 13 00013 RASYIDAH 1985 14 00014 FATHIAH 1993 15 00015 DAHLIANA 1988 16 00016 NURJANNAH 2000 17 00017 NURLINA M AMIN 1986 18 00018 MUHAMMAD 1993 19 00019 FATIMAH 1985 20 00020 BUDIMAN 1982

2.4 Variabel Masa SK Pertama dengan SK Honorer terbagi menjadi 2 himpunan

Fuzzy yaitu: BARU dan LAMA

Adapun masa SK Pertama ini merupakan SK pengangkatan penetapan honorer pertama sekali yang diberikan oleh kepala sekolah, kepala instansi, sedangkan SK Honorer merupakan SK yang telah disahkan oleh Kepala Dinas dan Bupati atau Kepala Daerah:

(42)

5 10 15 0

0.5 1

Baru Lama

Gambar 3.4: Fungsi Keanggotaan untuk variabel Masa SK Pertama dan SK Honorer

Fungsi keanggotaan untuk setiap himpunan pada variabel Masa SK Pertama dan SK Honorer dapat diberikan sebagai berikut:

1; x < 5

[x] = ; 5 ≤ x ≤ 15 0 ; x > 15

0; x < 10

[x] = ; 10 ≤ x ≤ 25 1; x > 25

Misalkan variabel Masa SK Pertama dan SK Honorer, Fadhilah dengan Lama SK (Tahun) 7 termasuk dalam fungsi keanggotaan himpunan BARU maka dihasilkan nilai sebagai berikut:

(43)

Tabel 3.5 Tabel Pegawai Honorer berdasarkan Lama SK (Tahun)

Nama

Lama SK (Tahun) No. Induk

01 00001 MARLIATI 15

02 00002 MAWARDAH 14

03 00003 AMINAH 11

04 00004 MARSUNI 8

05 00005 HAFNI KASIM 8

06 00006 A THALER 7

07 00007 RISNAWATI 7

08 00008 FADHILAH 7

09 00009 AISYAH 3

10 00010 IRIANI 2

11 00011 ROSDIANA 1

12 00012 YUSNA 8

13 00013 RASYIDAH 18

14 00014 FATHIAH 9

15 00015 DAHLIANA 7

16 00016 NURJANNAH 3

17 00017 NURLINA M AMIN 0

18 00018 MUHAMMAD 6

19 00019 FATIMAH 19

20 00020 BUDIMAN 19

3.3.1 Kebutuhan Input

Kebutuhan Input sistem digolongkan menjadi dua (2), yaitu Input Fuzzy dan Input non Fuzzy.

1. InputFuzzy, terdiri dari :

i. Data-data pegawai honorer di Propinsi Aceh khususnya di Kabupaten Bireuen yang menyangkut: Umur, Lama Bekerja, Lulusan Pendidikan dan Masa SK Pertama dan SK Honorer.

ii. Batas bawah yang digunakan untuk parameter untuk semua bentuk fungsi, Batas bawah digunakan untuk parameter bentuk bahu, batas tengah untuk parameter segi tiga. Batasan yang diberikan tersebut ditetapkan pada variabel data pegawai honorer yang tertuang pada (i).

2. Input non Fuzzy, terdiri dari data-data yang berkaitan dengan data-data pegawai honorer di Pemerintahan Propinsi Aceh khususnya di Kabupaten Bireuen, misalnya data Absensi.

(44)

3.3.2 Proses Logika Fuzzy Pada Sistem

Pada sistem ini proses Fuzzy meliputi:

1. Pengambilan nilai Input Fuzzy ataupun non Fuzzy dari dalam database, sesuai dengan data pegawai honorer di Pemerintahan Propinsi Aceh khususnya Kabupaten Bireuen di Bagian Kepegawaian.

2. Proses fuzzifikasi dari data Input, dengan menggunakan rumus fungsi keanggotaan kurva bahu dan kurva segi tiga.

3. Proses logika pengambilan keputusan melalui pembentukan Query.

4. Menampilkan hasil perankingan pegawai honorer yang di jadikan prioritas menjadi Pegawai Negeri Sipil Daerah di Kabupaten Bireuen sesuai dengan Variabel yang ditetapkan untuk dijadikan suatu keputusan.

3.3.3 Kebutuhan Output

Output sistem berupa hasil perankingan data pegawai honorer di lingkungan Pemerintahan Propinsi Aceh khususnya di Kabupaten Bireuen yang merupakan prioritas utama menjadi Pegawai Negeri Sipil Daerah (PNSD) sehingga dapat mempermudah pihak pemerintah untuk mengambil suatu keputusan yang tepat dan akurat.

3.4Metode Simple Additive Weighting

Pada penelitian ini, metode Simple Additive Weighting dipakai untuk memberikan

rating akhir pada setiap alternatif yang tersedia berdasarkan data dari kriteria yang terpilih setelah proses fuzzifikasi dilakukan. Pemberian bobot dan jumlah kriteria adalah berdasarkan dari data yang disimpan dalam database dari hasil fuzzifikasi. Untuk pengujian dengan metode Simple Additive Weighting dilakukan dengan masing-masing 4 buah alternatif dan kriteria. Penelitian ini dititikberatkan pada proses pengombinasian antara metode Simple Additive Weighting dengan Fuzzy Tahani.

Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW dapat membantu dalam pengambilan Keputusan sebuah kasus, akan tetapi perhitungan dengan menggunakan metode SAW ini hanya yang menghasilkan nilai terbesar yang akan terpilih sebagai alternatif yang terbaik. Perhitungan akan sesuai dengan metode ini apabila alternatif yang terpilih memenuhi kriteria yang telah ditentukan. Metode SAW

(45)

ini lebih efisien karena waktu yang dibutuhkan dalam perhitungan lebih singkat. Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.

Dalam penyeleksian Pegawai Negeri Sipil Daerah menggunakan metode

Simpel Additive Weighting (SAW) diperlukan kriteria-kriteria dan bobot nilai untuk melakukan perhitungannya sehingga akan didapat alternatif terbaik dalam hal ini alternatif yang dimaksud adalah honorer yang layak menjadi Pegawai Negeri Sipil Daerah.

Berikut merupakan kriteria yang selama ini dipakai untuk standar pengangkatan tenaga honorer menjadi Pegawai Negeri Sipil berdasarkan persyaratan yang ditetapkan badan kepegawaian Pemerintah Daerah Kabupaten Bireuen, yaitu: Usia, Ijazah, SK Dinas, Masa Aktif. Akan tetapi, jumlah kriteria tersebut di suatu saat bisa saja berubah sesuai dengan kebijakan yang ditetapkan.

(46)

BAB 4

ANALISIS HASIL DAN PEMBAHASAN

4.1Hasil

Setelah pada bab sebelumnya dilakukan perancangan, maka pada bab ini akan dilakukan analisa hasil. Pengujian pada data riil dilakukan untuk dapat diketahui hasil yang dapat diperoleh dari metode yang telah dikombinasikan. Dengan menggunakan model yang telah dibuat, maka dilakukan pengujian pada 20 buah data sampel, untuk memastikan bahwa model hasil kombinasi dapat memberikan hasil yang sesuai dengan yang diinginkan.

Tujuan pengujian dilakukan adalah untuk membuktikan bahwa dengan mengombinasikan dua buah metode untuk mendapatkan rekomendasi dalam penentuan keputusan adalah dapat dilakukan. Hal ini dibuktikan dengan kesesuaian antara kebutuhan masing-masing metode yang dipakai. Dalam penelitian yang dilakukan, proses pengombinasian dua buah metode yang dipakai adalah dengan meninjau akan kebutuhan data masukan dan data keluaran masing-masing metode, sehingga didapatlah bahwa pada metode Fuzzy Tahani membutuhkan data kriteria untuk dilakukan pembobotan, dan dapat dilakukan dengan 2 (dua) atau 3 (tiga) himpunan Fuzzy, dari data kriteria yang telah dilakukan pembobotan tersebut, maka dilakukanlah perankingan dengan metode Simple Additive Weighting sesuai dengan tahap proses perhitungan dengan rumus SAW pada umumnya.

Terdapat 20 buah data sampel yang digunakan untuk dilakukan fuzzifikasi dan perankingan. Dilakukan pengujian untuk dipastikan pengombinasian antara dua metode, yakni Fuzzy Tahani dan Simple Additive Weighting dapat dilakukan dan memberikan hasil yang lebih baik.

(47)

a. Hasil Fuzzifikasi kriteria Umur

Berikut merupakan hasil yang didapat dari proses fuzzifikasi untuk variabel umur yang dilakukan dengan 3 (tiga) buah himpunan Fuzzy, yakni Muda, Parobaya dan Tua, dikategorikan “Muda” adalah yang memiliki usia <35 tahun, sementara untuk usia >= 35; <50 dikategorikan sebagai “Parobaya”, dan dikategorikan “Tua” adalah usia >= 50 tahun:

Tabel 4.1 Hasil fuzzifikasi untuk variabel Umur

No.

Induk Nama Umur

Derajat Keanggotaan ([x]) Muda Parobaya Tua

1 00001 MARLIATI 37 0.3 0.2 0 2 00002 MAWARDAH 37 0.3 0.2 0 3 00003 AMINAH 37 0.3 0.2 0 4 00004 MARSUNI 38 0.2 0.3 0 5 00005 HAFNI KASIM 37 0.3 0.2 0 6 00006 A THALER 37 0.3 0.2 0 7 00007 RISNAWATI 37 0.3 0.2 0 8 00008 FADHILAH 37 0.3 0.2 0 9 00009 AISYAH 37 0.3 0.2 0 10 00010 IRIAN 37 0.3 0.2 0 11 00011 ROSDIANA 37 0.3 0.2 0 12 00012 YUSNA 38 0.2 0.3 0 13 00013 RASYIDAH 38 0.2 0.3 0 14 00014 FATHIAH 38 0.2 0.3 0 15 00015 DAHLIANA 38 0.2 0.3 0 16 00016 NURJANNAH 38 0.2 0.3 0 17 00017 NURLINA M AMIN 38 0 0.3 0 18 00018 MUHAMMAD 38 0.2 0.3 0 19 00019 FATIMAH 40 0 0.5 0 20 00020 BUDIMAN 40 0 0.5 0

Dari data hasil fuzzifikasi di atas, terlihat bahwa himpunan keanggotaan “Muda” dan “Tua” seluruhnya memiliki nilai 0 (nol). Sementara himpunan keanggotaan yang diprioritaskan untuk dijadikan kriteria perankingan adalah variabel “Tua”, maka oleh karena itu kriteria yang akan dijadikan sebagai kriteria dalam perankingan diganti dengan variabel “Parobaya”.

(48)

b. Hasil fuzzifikasi kriteria Pendidikan

Proses fuzzifikasi untuk variabel pendidikan memiliki 3 (tiga) buah himpunan, rendah, sedang dan tinggi. Himpunan yang lebih diprioritaskan untuk dijadikan kriteria dalam perankingan adalah variabel dengan kelompok himpunan “tinggi”. Di mana yang dikategorikan rendah adalah dengan tahun lulusan <=1986, kategori sedang >1986 sampai <1994, dan untuk kategori tinggi adalah dengan tahun kelulusan >=1994. Berikut merupakan hasil fuzzifikasi data pegawai untuk kriteria “Pendidikan” pada 20 (dua puluh) data sampel.

Tabel 4.2 Hasil fuzzifikasi untuk variabel Pendidikan

No No.

Induk Nama

Lulusan Pend.

Derajat Keanggotaan([x]) Rendah Sedang Tinggi

01 00001 MARLIATI 1988 0.5 0.5 0 02 00002 MAWARDAH 1989 0.25 0.75 0 03 00003 AMINAH 1991 0 0.75 0.25 04 00004 MARSUNI 1987 0.75 0.25 0 05 00005 HAFNI KASIM 1988 0.5 0.5 0 06 00006 A THALER 1985 1 0 0 07 00007 RISNAWATI 1988 0.5 0.5 0 08 00008 FADHILAH 1993 0 0.25 0.75 09 00009 AISYAH 1989 0.25 0.75 0 10 00010 IRIANI 1987 0.75 0.25 0 11 00011 ROSDIANA 1986 1 0 0 12 00012 YUSNA 1986 1 0 0 13 00013 RASYIDAH 1985 1 0 0 14 00014 FATHIAH 1993 0 0.25 0.75 15 00015 DAHLIANA 1988 0.5 0.5 0 16 00016 NURJANNAH 2000 0 0 1 17 00017 NURLINA M AMIN 1986 1 0 0 18 00018 MUHAMMAD 1993 0 0.25 0.75 19 00019 FATIMAH 1985 1 0 0 20 00020 BUDIMAN 1982 1 0 0

c. Hasil fuzzifikasi kriteria SK Honor

Proses fuzzifikasi juga dilakukan pada data SK Honorer, prosesnya dilakukan dengan 2 (dua) buah himpunan Fuzzy, yakni “Lama” dan “Baru”. Untuk kategori “Baru”

dengan untuk SK Honorer antara 0 sampai <=15 Tahun, dan dikategorikan “Lama” adalah >15 tahun, berikut merupakan hasil fuzzifikasinya:

(49)

Tabel 4.3 Hasil fuzzifikasi untuk variabel SK Honor

No. Induk Nama

Lama SK (Tahun)

Derajat Keanggotaan([x])

Baru Lama

01 00001 MARLIATI 15 0 0,3 02 00002 MAWARDAH 14 0,1 0,3 03 00003 AMINAH 11 0,4 0,1 04 00004 MARSUNI 8 0,7 0 05 00005 HAFNI KASIM 8 0,7 0 06 00006 A THALER 7 0,8 0 07 00007 RISNAWATI 7 0,8 0 08 00008 FADHILAH 7 0,8 0

09 00009 AISYAH 3 1 0

10 00010 IRIANI 2 1 0

11 00011 ROSDIANA 1 1 0

12 00012 YUSNA 8 0,7 0

13 00013 RASYIDAH 18 0 0,5 14 00014 FATHIAH 9 0,6 0 15 00015 DAHLIANA 7 0,8 0 16 00016 NURJANNAH 3 1 0 17 00017 NURLINA M AMIN 0 1 0 18 00018 MUHAMMAD 6 0,9 0 19 00019 FATIMAH 19 0 0,6 20 00020 BUDIMAN 19 0 0,6

d. Hasil fuzzifikasi kriteria Lama Kerja

Berikutnya yang dilakukan fuzzifikasi adalah untuk kriteria Lama Bekerja, proses fuzzifikasinya dilakukan dengan 2 (dua) buah himpunan Fuzzy, yakni “Lama” dan

“Baru”. Untuk kategori “Baru” dengan batas lama kerja antara 0 sampai <=15 Tahun, dan dikategorikan “Lama” adalah >15 tahun lama kerja, berikut merupakan hasil fuzzifikasinya:

Tabel 4.4 Tabel Pegawai Honorer berdasarkan Lama Bekerja

No Lama

Bekerja Nama

Lama Bekerja

Derajat Keanggotaan([x])

Baru Lama

01 00001 MARLIATI 16 0 0,4 02 00002 MAWARDAH 16 0 0,4 03 00003 AMINAH 12 0,3 0,1

(50)

Lama Bekerja

Nama Lama

Bekerja

Derajat Keanggotaan([x])

04 00004 MARSUNI 9 0,6 0 05 00005 HAFNI KASIM 9 0,6 0 06 00006 A THALER 8 0,7 0 07 00007 RISNAWATI 8 0,7 0 08 00008 FADHILAH 8 0,7 0

09 00009 AISYAH 4 1 0

10 00010 IRIAN 3 1 0

11 00011 ROSDIANA 2 1 0 12 00012 YUSNA 10 0,5 0 13 00013 RASYIDAH 19 0 0,6 14 00014 FATHIAH 10 0,5 0 15 00015 DAHLIANA 9 0,6 0 16 00016 NURJANNAH 4 1 0 17 00017 NURLINA M AMIN 2 1 0 18 00018 MUHAMMAD 8 0,7 0 19 00019 FATIMAH 21 0 0,7 20 00020 BUDIMAN 20 0 0,7

e. Hasil Perankingan

Selanjutnya, proses perankingan akan dilakukan pada beberapa alternatif yang digunakan sebagai sampel untuk perhitungan manual dengan metode SAW. Di sini data yang digunakan untuk perhitungan manual hanya 4 (empat) buah data saja.

Tabel 4.5 Data Calon Pegawai Negeri Sipil

Usia Ijazah SK Dinas Lama Kerja

Marliati 37 1988 15 16

Mawardah 37 1989 14 16

Aminah 37 991 11 12

Budiman 40 1982 19 20

Kriteria Nama

CPNSD

Berdasarkan data Honorer di atas, dapat dibentuk matriks keputusan X yang telah dikonversikan dengan bilangan oleh proses fuzzifikasi sebelumnya, dari sampel yang di ambil adalah hasil Keputusan dengan operator OR, yaitu sebagai berikut:

(51)

Tabel 4.6 Rating kecocokan dari setiap alternatif pada setiap kriteria

Alternatif Kriteria

C1 C2 C3 C4

A1 0.2 0 0.33 0.4

A2 0.2 0 0.26 0.4

A3 0.2 0.25 0.06 0.13

A4 0.5 0 0.6 0.67

Metode Simple Additive Weighting juga mengharuskan pengambil keputusan untuk menentukan nilai Vektor Bobot, deretan vektor bobot memiliki jumlah sama dengan banyaknya jumlah kriteria yang digunakan, dalam penelitian ini digunakan 4 buah kriteria. Penentuan vektor bobot dipengaruhi oleh kepentingan tiap kriteria yang digunakan, semakin diprioritaskan sebuah kriteria, maka kriteria tersebut memiliki nilai vektor bobot yang semakin tinggi, dan begitu juga sebaliknya. Sehingga dalam penelitian ini vektor bobot dapat ditulis dengan notasi W=1, 0.7, 0.5, 0.2. Antar vektor bobot boleh memiliki nilai yang sama. Setelah vektor bobot diberikan, maka dibuatlah matriks Keputusan X, yang dibuat berdasarkan nilai-nilai dari Rating kecocokan di atas.

0.2 0 0.33 0.4 0.2 0 0.26 0.4 0.2 0.25 0.06 0.13 0.5 0 0.6 0.67

Selanjutnya dilakukan normalisasi matriks X untukmendapatkan nilai ranting kriteria ternormalisasi, yaitu sebagai berikut:

0.2 0.2

A1. r1.1 = = = 0.4 Max [0.2, 0.2, 0.2, 0.5] 0.5

0.2 0.2

r2.1 = = = 0.4 Max [0.2, 0.2, 0.2, 0.5] 0.5

0.2 0.2

r3.1 = = = 0.4

Max [0.2, 0.2, 0.2, 0.5] 0.5

(52)

0.5 0.5

r4.1 = = = 1

Max [0.2, 0.2, 0.2, 0.5] 0.5

0 0

A2. r1.2 = = = 0 Max [0, 0, 0.25, 0] 0.25

0 0

r2.2 = = = 0 Max [0, 0, 0.25, 0] 0.25

0.25 0.25

r3.2 = = = 1

Max [0, 0, 0.25, 0] 0.25

0 0

r4.2 = = = 0

Max [0, 0, 0.25, 0] 0.25

0.33 0.33

A3. r1.3 = = = 0.55

Max [0.33, 0.26, 0.06, 0.6] 0.6 0.26 0.26

r2.3 = = = 0.43 Max [0.33, 0.26, 0.06, 0.6] 0.6

0.06 0.06

r3.3 = = = 0.1

Max [0.33, 0.26, 0.06, 0.6] 0.6 0.6 0.6

r4.3 = = = 1

Max [0.33, 0.26, 0.06, 0.6] 0.6

0.4 0.4 A4. r1.4 = = = 0.59

Max [0.4, 0.4, 0.13, 0.67] 0.67 0.4 0.4

r2.4 = = = 0.59 Max [0.4, 0.4, 0.13, 0.67] 0.67

(53)

0.13 0.13

r3.4 = = = 0.19

Max [0.4, 0.4, 0.13, 0.67] 0.67 0.67 0.67

r4.4 = = = 1

Max [0.4, 0.4, 0.13, 0.67] 0.67

Hasil yang diperoleh dari normalisasi matriks X di atas akan dibuat ke dalam bentuk matriks R, adalah sebagai berikut:

0.4 0 0.5 0.59 R = 0.4 0 0.43 0.59 0.4 1 0.1 0.19 1 0 1 1

Selanjutnya dilakukan penjumlahan untuk tiap baris dalam matriks R, di mana setiap nilai untuk tiap baris tersebut dikalikan dengan nilai vektor bobot (W), dan penjumlahan hasil perkalian tersebut akan memperoleh alternatif terbaik melalui penentuan nilai tertinggi, yaitu sebagai berikut:

V1 = (1)(0.4) + (0.7)(0) + (0.5)(0.5) + (0.2)(0.59) = 0.768 V2 = (1)(0.4) + (0.7)(0) + (0.5)(0.43) + (0.2)(0.59) = 0.733 V3 = (1)(0.4) + (0.7)(1) + (0.5)(0.1) + (0.2)(0.19) = 1.188 V4 = (1)(1) + (0.7)(0) + (0.5)(1) + (0.2)(1) = 1.7

Hasil perankingan yang diperoleh adalah: V1 = 0.768

V2 = 0.733 V3 = 1.188 V4 = 1.7

Proses perankingan di atas, dilakukan untuk mendapatkan peringkat antara alternatif yang ada guna untuk diproses lebih lanjut, dari hasil tersebut, pengambil keputusan mendapatkan referensi untuk menentukan pegawai Honorer yang akan di pilih menjadi Pegawai Negeri Sipil Daerah, dan berikut adalah hasil perankingan dari 20 data sampel yang diuji, dengan pengombinasian Fuzzy Tahani dan Simple Additive Weighting:

(54)

Tabel 4.7 Hasil Perankingan dengan Pengombinasian

No No.

Induk Nama

Kriteria

Ranking

Umur Pend. SK

Honor

Lama Kerja

1 00001 MARLIATI 0.4 0 0.275 0.1194 0.7944 2 00002 MAWARDAH 0.4 0 0.2165 0.1194 0.7359 3 00003 AMINAH 0.4 0.7 0.05 0.0388 1.1888 4 00004 MARSUNI 0.6 0 0 0 0.6 5 00005 HAFNI KASIM 0.4 0 0 0 0.4 6 00006 A. THALER 0.4 0 0 0 0.4 7 00007 RISNAWATI 0.4 0 0 0 0.4 8 00008 FADHILAH 0.4 0.35 0 0 0.75 9 00009 AISYAH 0.4 0 0 0 0.4 10 00010 IRIANI 0.4 0 0 0 0.4 11 00011 ROSDIANA 0.4 0 0 0 0.4 12 00012 YUSNA 0.6 0 0 0 0.6 13 00013 RASYIDAH 0.6 0 0.4415 0.1644 1.2059 14 00014 FATHIAH 0.6 0.35 0 0 0.95 15 00015 DAHLIANA 0.6 0 0 0 0.6 16 00016 NURJANNAH 0.6 0.7 0 0 1.3 17 00017 NURLINA M. AMIN 0.6 0 0 0 0.6 18 00018 MUHAMMAD 0.6 0.35 0 0 0.95 19 00019 FATIMAH 1 0 0.5 0.2 1.7 20 00020 BUDIMAN 1 0 0.5 0.1836 1.6836

Dari tabel di atas menunjukkan bahwa proses pengombinasian antara metode Fuzzy Tahani dan Simple Additive Weighting adalah dapat dilakukan sehingga dapat memberikan ranking. Pada tabel 4.1 di atas juga ditunjukkan bahwa alternatif dengan No.Induk “00019” yaitu Fatimah memiliki ranking tertinggi dan diikuti oleh No.Induk 00020, Budiman dan 00016, Nurjannah.

4.2 Analisis Hasil

Dari hasil yang didapat, proses pengombinasian antara dua buah metode yakni Fuzzy Tahani dan Simple Additive Weighting adalah dapat dilakukan, dengan hasil yang diperoleh adalah sesuai dengan hasil perhitungan manual. Dalam proses fuzzifikasi untuk mendapatkan bobot dari setiap kriteria dapat disimpulkan bahwa logika Fuzzy Tahani dapat memberikan nilai bobot yang dapat dipakai dalam proses perankingan, dan hampir tidak terjadi masalah yang berarti.

(55)

Berdasarkan kriteria yang dipakai, hasil yang diperoleh dari proses fuzzifikasi dan perankingan adalah hampir sebagian besar bernilai 0 (nol), ini dipengaruhi oleh data mentah atau data sampel yang digunakan dan juga dipengaruhi oleh jangkauan nilai untuk himpunan Fuzzy yang telah diterapkan. Metode Simple Additive Weighting

dipakai untuk memberikan rating akhir pada setiap alternatif yang tersedia berdasarkan data dari kriteria yang terpilih setelah proses fuzzifikasi dilakukan. Pemberian bobot dan jumlah kriteria adalah berdasarkan dari data yang disimpan dalam database dari hasil fuzzifikasi. Untuk pengujian dengan metode Simple Additive Weighting dilakukan dengan masing-masing 4 buah alternatif dan kriteria.

4.3 Pembahasan

Dalam penelitian ini dilakukan pengujian terhadap sistem yang telah dirancang menggunakan aplikasi visual. Terdapat beberapa tahap proses dalam model yang telah dibangun, dan terbagi ke dalam dua buah bagian utama, yakni proses fuzzifikasi, yaitu bertujuan untuk mendapat prioritas kriteria yang dipakai, dan proses perankingan dari alternatif yang terpilih dengan menggunakan metode penjumlahan terbobot.

Dalam penjelasan pada tahap perancangan dikatakan bahwa, proses pembobotan terdapat 4 (empat) buah jenis proses, yaitu Pendidikan, Lama Kerja, SK Honor dan Umur, kesemuanya memiliki fungsi masing-masing dan saling melengkapi untuk pembentukan model Sistem Pendukung Keputusan.

Selama jalannya perancangan dan pengujian, telah dilakukan uji coba sistem pada beberapa data riil yang diambil dari tempat studi kasus dilakukan, sebelum dilakukan pengujian dengan model hasil kombinasi, terlebih dahulu dilakukan perhitungan untuk metode Fuzzy Tahani dengan menggunakan bantuan aplikasi komputer, perhitungan manual dilakukan pada 20 (dua puluh) data sampel. Setelah didapat hasil, dengan menggunakan data yang sama, barulah dilakukan uji coba pada model hasil kombinasi dengan berulang-ulang kali sehingga dipastikan bahwa hasil yang diberikan oleh model hasil kombinasi adalah benar dan akurat.

Proses perhitungan derajat keanggotaan terbagi menjadi dua jenis himpunan Fuzzy, yaitu dengan 2 (dua) dan 3 (tiga) himpunan. Kriteria yang dikategorikan memiliki dua himpunan Fuzzy yaitu kriteria Lama Kerja dan SK Honor, sementara selebihnya memiliki 3 (tiga) himpunan yaitu Pendidikan dan Umur. Perhitungan nilai derajat keanggotaan variabel bertujuan untuk mendapatkan nilai keanggotaan setiap variabel

(56)

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 Usia Pend idika n

SK Ho nor

Lam a Ke

rja Rank ing MARLIATI MAWARDAH AMINAH MARSUNI HAFNI KASIM A. THALER RISNAWATI FADHILAH AISYAH IRIANI ROSDIANA YUSNA RASYIDAH FATHIAH DAHLIANA NURJANNAH NURLINA M. AMIN MUHAMMAD FATIMAH BUDIMAN

yang nantinya dijadikan nilai penentuan prioritas perankingan. Proses perhitungan manual dengan Fuzzy Tahani dilakukan sampai didapatkan nilai Fire Strength untuk data sampel yang digunakan, namun untuk dilakukan perankingan dengan metode

Simple Additive Weighting yang digunakan adalah data derajat keanggotaan tiap kriteria dari proses Perhitungan Fuzzy Tahani.

Sejauh uji coba yang dilakukan, berdasarkan kriteria yang dipakai, yaitu; Usia, Pendidikan, SK Honor dan Lama Kerja dapat dipastikan bahwa hasil yang diberikan oleh model yang dibuat adalah sangat baik. Kombinasi dua metode Fuzzy Tahani dan

Simple Additive Weighting diimplementasikan ke dalam bahasa pemrograman, dan sejauh analisa penulis, hasil yang didapat dari implementasi tersebut bahwa sistem dapat dikatakan persis dengan perhitungan manual dan menghasilkan ranking yang sesuai. Berikut merupakan visualisasi dari hasil fuzzifikasi untuk derajat keanggotaan dan ranking masing-masing kriteria tiap alternatif.

Gambar 4.1: Grafik perbandingan antara alternatif

Berikut merupakan ilustrasi untuk peringkat akhir atau ranking dari setiap alternatif yang digunakan sebagai data sampel.

(57)

Ranking Akhir 0.7944 1.1888 0.6 0.4 0.6 1.2059 0.95 0.6 1.3 0.6 0.95 0.4 1.6836 1.7 0.4 0.4 0.7359 0.4 0.75 0.4 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Alternatif R a n k in g Peringkat

Gambar 4.2:Grafik ranking akhir setiap alternatif

Pada ilustrasi di atas terlihat perbedaan dan juga beberapa persamaan antara posisi titik di dalam grafik, hal ini dipengaruhi ranking tiap alternatif dan berdasarkan hasil pembobotan masing-masing kriteria.

(58)

BAB 5

KESIMPULAN DAN SARAN

5.1Kesimpulan

5.2Saran

Dari hasil yang diperoleh melalui pengombinasian logika Fuzzy dalam pemodelan sistem pendukung keputusan dengan Simple Additive Weighting dapat dikatakan memberikan hasil yang lebih baik, namun penulis berharap model yang dibuat dapat dikembangkan lebih lanjut dan disempurnakan, misalnya dengan menjadikannya dinamis, yaitu kriteria dapat bertambah atau berkurang dan dapat digunakan untuk kasus-kasus yang berbeda. Sehingga manfaat dari model yang buat menjadi jauh lebih luas.

(1)

42 DAFTAR PUSTAKA

Anshori, Y. 2012. Pendekatan Triangular Fuzzy Number dalam Analaytic Hierarcy

Process.

Jurnal Ilmiah Foristek.

Daihani, 2001.

Komputerisasi Pengambilan Keputusan

. Jakarta: Elex Media

Komputindo

Eliani, Utomo Pujianto, Didin Rosyadi. 2009, “Jurnal Dicision Support system

Untuk Pembelian

Mobil Menggunakan Fuzzy Database Mo

del Tahani”.

Eniyati,S.

2011

.

Perancangan sistem pendukung pengambilan keputusan untuk

penerimaan beasiswa dengan metode SAW (Simple Additive Weighting)

.

Jurnal Teknologi Informasi Dinamik.

Faiza Rini S.Kom,M.Kom. 2008, Jurnal Klasifikasi Kelulusan STMIK Nurdin

Hamzah menggunakan fuzzy database”.

Hermawan, Julius. 2005.

Membangun Decision Support System

. Penerbit ANDI.

Yogyakarta.

Kusumadewi, Sri., Hartati, S., Harjoko, A., & Wardoyo, R. 2006.

Fuzzy

Multi-Attribute Decision Making (Fuzzy MADM)

. Yogyakarta: Penerbit Graha Ilmu

Kusumadewi, Sri dan Purnomo, Hari. 2004.

Aplikasi Logika Fuzzy untuk Pendukung

Keputusan.

Yogyakarta:Graha Ilmu.

Maria Irmina Prasetiyowati, Bayu Aji Seta. 2007, “Jurnal implementasi

Fuzzy

database untuk rekomendasi jalur peminatan mahasiswa.

McGarney B, Hannon B. 2004.

Dynamic modeling for Business Management An

Introduction

. New York: Springer- Verlag New York Inc.

Prentice Hall Inc. Englewood Cliffs. New Jersey.

Rian Angraini, Wawan Indarto, Sri

Kusumadewi. 2004. “Jurnal Pencarian

Kriteria Kelulusan Menggunakan

Metode Fuzzy Tahani”.

Raymond McLeod, Jr. 1995.

Management Information System

. 6 th Edition.

Simarmata, Dj.A., 1983,

Operation Research

, sebuah pengantar, PT. Gramedia,

Jakarta

Suryadi, Kadarsah, dan Ramdani, M.Ali. 2002. Sistem Pendukung Keputusan:

Suatu

Wacana Struktural Idealisasi dan Implementasi Konsep Pengambilan

Keputusan.

Bandung :Rosdakarya.

Syaukani, M & Kusnanto, H. 2012. Pemodelan Sistem Pendukung Keputusan

Kelompok Dengan Metode Fuzzy Weighted Product Untuk Diagnosis

Penyakit Pneumonia

. Jurnal Teknologi

:17-23.

(2)

43 DAFTAR PUBLIKASI ILMIAH PENULIS (TESIS)

No

Judul Artikel

Penulis

Publikasi

Waktu

Tempat

1 Sistem

Pendukung

Keputusan

Dengan Metode Kombinasi Fuzzy

Tahani Dan Simple Additive

Weighting

Dedy Armiady,

Prof. Dr. Muhammad Zarlis,

Dr. Marwan Ramli, M.Si

Jurnal

Mei 2013 LPPM Universitas

Malikussaleh (Unimal)

http://lppm.unimal.ac.id

(3)

44 LAMPIRAN

Source Program: Perankingan

Dim Db As New ADODB.Connection Dim Rs As New ADODB.Recordset

Private Sub CmdAdd_Click()

If Text1.Text = Trim("") Then Exit Sub For xOB = 1 To ListView1.ListItems.Count

If ListView1.ListItems.Item(xOB).SubItems(1) = Text1.Text Then MsgBox "Sudah terdaftar!", vbExclamation, "Double"

Exit Sub End If Next xOB

For xB = 1 To ListView1.ListItems.Count Next xB

Set myList = ListView1.ListItems.Add(, , Format(xB, "00")) myList.SubItems(1) = Trim(Text1.Text)

myList.SubItems(2) = Text2.Text myList.SubItems(3) = TxtUmur.Text myList.SubItems(4) = TxtPend.Text myList.SubItems(5) = TxtSKHonor.Text myList.SubItems(6) = TxtLamaKerja.Text Text1.Text = Empty

Text1.SetFocus End Sub

Private Sub CmdDel_Click() On Error Resume Next

ListView1.ListItems.Remove (ListView1.SelectedItem.Index) End Sub

Private Sub Form_Load()

Db.ConnectionString = "Provider=Microsoft.Jet.OLEDB.4.0;Data Source=" & App.Path & "\Database\DBHonorer.mdb;Persist Security Info=False"

Db.Open

SetRowSelect ListView1 SetRowSelect LvMatrix CreateColumnLvBobot End Sub

Private Sub Text1_Change() Set Rs = New ADODB.Recordset

Rs.Open "Select * From MsPegawai Where No_Induk='" & Text1.Text & "'", Db, adOpenKeyset, adLockOptimistic

If Rs.EOF Then Text2.Text = "" Else

Text2.Text = Rs!Nama End If

Set Rs = Nothing

Set Rs = New ADODB.Recordset

Rs.Open "Select * From Ms_Umur Where No_Induk='" & Text1.Text & "'", Db, adOpenKeyset, adLockOptimistic

If Rs.EOF Then TxtUmur.Text = "" Else

If Option1.Value = True Then

If (Rs!Muda) <= (Rs!Paro) And (Rs!Muda) <= (Rs!Tua) Then TxtUmur.Text = Rs!Muda

ElseIf (Rs!Paro) <= (Rs!Muda) And (Rs!Paro) <= (Rs!Tua) Then TxtUmur.Text = Rs!Paro

ElseIf (Rs!Tua) <= (Rs!Muda) And (Rs!Tua) <= (Rs!Muda) Then TxtUmur.Text = Rs!Tua

End If

ElseIf Option1.Value = False Then

If (Rs!Muda) >= (Rs!Paro) And (Rs!Muda) >= (Rs!Tua) Then TxtUmur.Text = Rs!Muda

ElseIf (Rs!Paro) >= (Rs!Muda) And (Rs!Paro) >= (Rs!Tua) Then

(4)

45

TxtUmur.Text = Rs!Paro

ElseIf (Rs!Tua) >= (Rs!Muda) And (Rs!Tua) >= (Rs!Muda) Then TxtUmur.Text = Rs!Tua

End If End If End If

Set Rs = Nothing

Set Rs = New ADODB.Recordset

Rs.Open "Select * From Ms_Pendidikan Where No_Induk='" & Text1.Text & "'", Db, adOpenKeyset, adLockOptimistic

If Rs.EOF Then TxtPend.Text = "" Else

TxtPend.Text = Rs!Tinggi End If

Set Rs = Nothing

Set Rs = New ADODB.Recordset

Rs.Open "Select * From Ms_SKHonor Where No_Induk='" & Text1.Text & "'", Db, adOpenKeyset, adLockOptimistic

If Rs.EOF Then

TxtSKHonor.Text = "" Else

TxtSKHonor.Text = Rs!Lama End If

Set Rs = Nothing

Set Rs = New ADODB.Recordset

Rs.Open "Select * From Ms_SKHonor Where No_Induk='" & Text1.Text & "'", Db, adOpenKeyset, adLockOptimistic

If Rs.EOF Then

TxtSKHonor.Text = "" Else

TxtSKHonor.Text = Rs!Lama End If

Set Rs = Nothing

Set Rs = New ADODB.Recordset

Rs.Open "Select * From Ms_LamaKerja Where No_Induk='" & Text1.Text & "'", Db, adOpenKeyset, adLockOptimistic

If Rs.EOF Then

TxtLamaKerja.Text = "" Else

TxtLamaKerja.Text = Rs!Lama End If

Set Rs = Nothing End Sub

Sub CreateColumnLvBobot(Optional strOrder$, Optional intTipeSort As Integer) ListView1.ColumnHeaders.Add , , "No.", 180

ListView1.ColumnHeaders.Add , , "No.Induk", 900, lvwColumnCenter ListView1.ColumnHeaders.Add , , "Nama", 800

ListView1.ColumnHeaders.Add , , "Umur", 800, lvwColumnCenter ListView1.ColumnHeaders.Add , , "Pendidikan", 800, lvwColumnCenter ListView1.ColumnHeaders.Add , , "SK Honor", 800, lvwColumnCenter ListView1.ColumnHeaders.Add , , "Lama Kerja", 800, lvwColumnCenter

LvMatrix.ColumnHeaders.Add , , "No.", 180

LvMatrix.ColumnHeaders.Add , , "No.Induk", 900, lvwColumnCenter LvMatrix.ColumnHeaders.Add , , "Nama", 800

LvMatrix.ColumnHeaders.Add , , "Umur", 800, lvwColumnCenter LvMatrix.ColumnHeaders.Add , , "Pendidikan", 800, lvwColumnCenter LvMatrix.ColumnHeaders.Add , , "SK Honor", 800, lvwColumnCenter LvMatrix.ColumnHeaders.Add , , "Lama Kerja", 800, lvwColumnCenter LvMatrix.ColumnHeaders.Add , , "Ranking", 800, lvwColumnCenter End Sub

Private Sub CmdTambah_Click() BuatKolom

End Sub

Sub BuatKolom(Optional strOrder$, Optional intTipeSort As Integer) Dim VarKriteria As String

VarKriteria = InputBox("Masukkan Nama Kriteria", "Detail Kriteria") If Len(VarKriteria) < 1 Then Exit Sub

(5)

46

ListView1.ColumnHeaders.Add , , VarKriteria, 900 End Sub

Private Sub Form_Unload(Cancel As Integer) Db.Close

Menu.Show End Sub

Private Sub CmdCalculate_Click() 'LvBobot.ListItems.Clear

LvMatrix.ListItems.Clear Dim i As Integer

Proses End Sub

Sub Proses()

'On Error Resume Next

Dim i As Integer Dim X As Integer Dim Ranking

LvMatrix.ListItems.Clear X = LvMatrix.ListItems.Count ReDim v(X) As Double