Rotan Sistem evaluasi elemen desain kursi rotan menggunakan rekayasa kansei

tingkat kepentingan melalui proses pembandingan berpasangan pair-wise comparison . AHP merupakan algoritma yang membantu untuk memecahkan masalah keputusan seperti Multiple Choice Decision Analysis MCDA Saaty 1980. Ada banyak MCDA metode yang telah dikembangkan seperti ELECTRE, TOPSIS, dll tetapi metode ini tidak mempertimbangkan saling ketergantungan antara kriteria dan alternatif Lin et al. 2008. Analisis AHP merupakan suatu metode penyelesaian persoalan secara terorganisir sehingga dapat mengambil keputusan efektif. Menurut Saaty 1980, metode AHP memilah-milah suatu situasi kompleks, tidak teratur ke dalam variabel-variabel, kemudian disusun secara hirarki. Proses penilaian dalam metode ini adalah dengan memberi nilai numerik pada pertimbangan subjektif setiap variabel. Kemudian melakukan sintesis pertimbangan-pertimbangan agar dapat menetapkan variabel yang memiliki prioritas tinggi. Prinsip kerja AHP menurut Marimin 2004, terdiri dari empat pokok yaitu penyusunan hirarki, penilaian kinerja, penentuan priotitas, dan konsistensi logis. Penjelasannya sebagai berikut : a. Penyusunan hirarki merupakan suatu gambaran persoalan yang dibentuk dalam diagram atau gambar berbentuk hirarki, yang dimulai dari tujuan goal, kriteria, kemudian alternatif. Kriteria disini dapat berupa faktor, aktor, dan tujuan. Kriteria juga dapat diimprovisasi. b. Penilaian kriteria dan alternatif dilakukan melalui perbandingan berpasangan pairwise comparison dengan skala satu sampai sembilan. c. Penentuan prioritas setiap kriteria dan alternatif diperoleh dengan mempertimbangkan nilai-nilai pengolahan matematis dan statistik hasil perbandingan berpasangan. d. Konsistensi logis, yaitu semua alternatif dikelompokkan secara logis dan diperingatkatkan secara konsisten sesuai dengan suatu kriteria yang logis. Tahapan yang terpenting di dalam AHP adalah penilaian alternatif dengan teknik perbandingan berpasangan pairwise comparison dalam suatu hirarki. Penilaian dilakukan dengan memberi bobot numerik dan membandingkan antara satu alternatif dengan alternatif lainnya sesuai dengan skala penilaian dan selanjutnya disintesa untuk menentukan alternatif yang memiliki prioritas tertinggi dan terendah. Contoh bagan penilaian ini dapat dilihat pada Tabel 1. Pada Tabel 1, bagian kotak yang diarsir tidak diisi, tetapi yang tidak diarsir diberikan penilaian sesuai kriteria. Bagian yang diarsir akan mempunyai nilai yang terbalik dengan nilai yang diberikan pada bagian yang tidak diarsir, sehingga tidak perlu diisi. Dalam bagan tersebut, setiap alternatif dinilai dan melalui penilaian perbandingan berpasangan akan dihasilkan alternatif prioritas. Konsep bagan ini berlaku bagi setiap hirarki persoalan dalam metode AHP. Tabel 1 Tabel isian untuk perbandingan berpasangan Fokus S 1 S 2 S 3 S 4 S 1 1 S 2 1 S 3 1 S 4 1 Sumber: Marimin 2004. Metode AHP menyediakan struktur matematika untuk membandingkan antar alternatif dengan metode perbandingan berpasangan, sehingga pada akhirnya akan diperoleh tingkat kepentingan atau bobot dari alternatif tersebut. Misalkan pada n alternatif, S 1 , S 2 ,…,Sn merupakan alternatif yang akan dibandingkan. Nilai hasil perbandingan tingkat kepentingan alternatif ke-i dibagi dengan tingkat kepentingan ke-j dinotasikan sebagai a ij , dan diformulasikan: i ij j a a a  1 Nilai a ij yang diberikan berbentuk skala dari 1 sampai 9. Angka ‘1’ menunjukkan bahwa alternatif mempunyai tingkat kepentingan yang sama, sedangkan angka ‘9’ menunjukkan bahwa alternatif ke-i mutlak lebih penting daripada alternatif ke-j. Nilai-nilai untuk perbandingan disajikan pada Tabel 2. Tabel 2 Skala penilaian kriteria dalam AHP Nilai Keterangan 1 Alternatif ke-i sama penting dengan alternatif ke-j 3 Alternatif ke-i lebih penting dari ke-j 5 Alternatif ke-i jelas lebih penting dari ke-j 7 Alternatif ke-i sangat jelas lebih penting dari ke-j 9 Alternatif ke-i mutlak lebih penting dari ke-j 2,4,6,8 Apabila ragu-ragu antara dua nilai alternatif yang berdekatan Sumber: Marimin 2004. Dari hasil perbandingan berpasangan akan diperoleh sebuah matriks n x n yang dinotasikan sebagai matriks A. Nilai diagonal dari matriks tersebut adalah 1 a ii = 1, sehingga penilaian dari Tabel 1 diatas dapat dinotasikan: 1 2 12 1 12 2 2 1 2 1 1 1 1 1 1 n n n n n n s s s a a S A a a S a a S                      2 Tsai dan Hsiao 2004 menyatakan untuk memperoleh nilai hasil eigenvalue pada AHP, maka suatu set bobot w w 1 ,w 2 ,…,w n sebagai eigenvector diperoleh dari eigenvalue , dimana Aw w   3 Karena penilaian dan penentuan tingkat kepentingan dilakukan secara subjektif, maka pengambilan keputusan menggunakan AHP akan menghadapi persoalan konsistensi. Saaty 1980 mengemukakan metode untuk mengukur tingkat konsistensi melalui perhitungan Consistency Index CI. Dari nilai Consistency Index CI selanjutnya ditentukan Consistency Ratio CR. Pada tahap akhir dilakukan uji konsistensi hirarki lebih kecil atau sama dengan 10 persen, maka hasil penilaian hirarki secara keseluruhan dapat diterima. Berikut ini merupakan persamaan untuk penghitungan CI dan CR. Persamaan perhitungan CI: max 1 n CI n     4 Persamaan perhitungan CR: CI CR RI  5 Keterangan: RI adalah Indeks Acak Random Index Nilai indeks acak bervariasi sesuai dengan orde matriksnya. Nilai rasio konsistensi CR yang lebih kecil atau sama dengan 0,1 merupakan nilai yang memiliki tingkat konsistensi baik dan dapat dipertanggungjawabkan. Hal tersebut menjadikan nilai CR ini menjadi tolak ukur bagi konsistensi hasil komparasi berpasangan suatu matriks pendapat.

2.6 Association Rules Mining Penambangan Kaidah Asosiatif

Association rules mining merupakan salah satu teknik di dalam data mining. Menurut Tan et al. 2006 data mining adalah suatu proses penemuan informasi yang berguna secara otomatis pada penyimpanan data yang besar. Teknik data mining diterapkan untuk menemukan pola-pola yang bisa digali dari suatu basis data. Ditambahkan oleh Susanto dan Suryadi 2010, data mining juga disebut sebagai knowledge discovery atau pattern recognition, yaitu untuk memperoleh pengetahuan yang masih tersembunyi dalam bongkahan data. Agrawal et al. 1994 menemukan association rules sangat penting dalam masalah data mining. Association rules umumnya digunakan untuk hubungan antara item atau fitur yang keluar secara serentak pada basis data. Ditambahkan oleh Tan et al. 2006 association rules berguna untuk menemukan hubungan yang tersembunyi pada suatu set data. Association rules digunakan untuk menentukan hubungan antar item suatu data set sekumpulan data yang ada. Melalui penggunaan association rule mining maka dapat ditemukan asosiasi yang menarik atau korelasi antara antar item data. Fungsi association rules seringkali disebut dengan analisis keranjang belanja Market Basket Analysis. Menurut Olson 2008 analisis keranjang belanja mengacu pada metodologi yang mempelajari komposisi keranjang belanja konsumen, yaitu produk-produk apa saja yang dibeli konsumen pada satu kejadian belanja. Tujuannya adalah untuk menentukan produk-produk jasa apa saja yang paling sering dibeli atau digunakan secara bersamaan oleh konsumen. Istilah analisis keranjang belanja datang dari kejadian yang sudah sangat umum terjadi di dalam supermarket. Sebuah supermarket yang menjual berbagai jenis produk dapat mencari hubungan asosiatif dari konsumen yang memasukan berbagai produk yang mereka beli ke dalam keranjang market basket. Walaupun penggunaannya dimulai untuk pemasaran, namun penggunaan association rules sekarang semakin luas, seperti pada rekam data medis, data kejahatan dan lain- lain Bramer 2007. Menurut Bramer 2007, jika pada suatu basis data supermarket terdapat n transaksi, dalam hal ini, satu transaksi berarti satu pembelian yang dilakukan oleh konsumen. Produk yang dibeli pada satu transaksi itu adalah roti, susu, keju, maka roti, susu dan keju disebut sebagai item dan himpunan pembelian {roti, susu, keju} disebut sebagai itemset I. Penggunaan association rules digunakan untuk memperoleh rule atau kaidah dari pembelian konsumen, sebagai contoh adalah jika membeli roti dan susu, maka konsumen juga membeli keju. Kaidah atau rule yang diperoleh harus memenuhi kriteria tertentu untuk dapat dijadikan sebagai rule yang kuat. Susanto dan Suryadi 2010 menyatakan bahwa aturan asosiasi berbentuk “if… then…” atau “jika… maka…” merupakan pengetahuan yang dihasilkan dari fungsi aturan asosiasi. Menurut Bramer 2007 rule yang dihasilkan dari hubungan asosiatif dinotasikan Y  X, bagian kiri Y disebut sebagai antecendent dan bagian kanan X disebut consequent. Hubungan tersebut merupakan hubungan implikasi, bukan hubungan sebab akibat. Penting tidaknya suatu aturan asosiatif dapat diketahui dengan dua parameter, support yaitu persentase kombinasi atribut tersebut dalam basis data dan confidence yaitu kuatnya hubungan antar atribut dalam aturan asosiatif. Contoh penggunaan association rules Tan et al. 2006: Dalam suatu basis data terdapat lima transaksi, dimana Transaksi 1, item yang dibeli adalah {roti, susu} Transaksi 2, item yang dibeli adalah {roti, popok, bir, telur} Transaksi 3, item yang dibeli adalah {susu, popok, bir, cola} Transaksi 4, item yang dibeli {roti, susu, popok, bir} Transaksi 5, item yang dibeli {roti, susu, popok, cola}