Fuzzy MADM Fuzzy Analytical Hierarchy Process F-AHP

c. Representasi Kurva Trapesium Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. Grafik fungsi keanggotaan representasi kurva trapesium dapat dilihat pada Gambar 2.6. c a b 1 derajat keanggotaan µ[x] domain d µx x Gambar 2.6 Kurva Trapesium Fungsi keanggotaan: � � [ ] = { ; �− − ; ; −� − ; 2.5

2.3 Fuzzy MADM

Multi-Attribute Decition Making Berdasarkan tipe data yang digunakan dalam setiap kinerja -nya, FMADM dapat dibagi menjadi 3 kelompok, yaitu: semua data yang digunakan adalah data fuzzy ; semua data yang digunakan adalah data crips ; atau data yang digunakan merupakan campuran antara data fuzzy dan crips Kusumadewi, dkk, 2006. Menurut Chen 1992 dalam Kusumadewi, dkk, 2006 salah satu mekanisme untuk menyelesaikan masalah fuzzy MADM adalah dengan mengaplikasikan metode MADM klasik seperti SAW, WP, ELECTRE, TOPSIS, atau AHP untuk melakukan perangkingan, setelah terlebih dahulu dilakukan konversi data fuzzy ke data crips . Apabila data fuzzy diberikan dalam bentuk linguistik, maka data tersebut harus dikonversi terlebih dahulu ke bentuk bilangan fuzzy , baru kemudian dikonversi lagi ke bilangan crips Kusumadewi, dkk, 2006.

2.4 Fuzzy Analytical Hierarchy Process F-AHP

Fuzzy Analytical Hierarchy Process FAHP merupakan gabungan dari metode Analytical Hierarchy Process AHP dengan pendeketan konsep Fuzzy Rahardjo, dkk, 2002. FAHP menutupi kelemahan yang terdapat pada AHP, yaitu permasalahan serhadap kriteria yang memiliki sifat subjektif lebih banyak. Ketidak pastian bilangn dipresentasikan dengan skala Jasril, dkk, 2011. Penentuan derajat keanggootaan FAHP yang dikembangkan oleh Chang 1996 menggunakan menggunakan fungsi keanggotaan segitiga Triangular Fuzzy Number TFN Jasril, dkk, 2011. Grafik fungsi keanggotaan segitiga dapat dilihat pada gambar 2.7. u l m 1 derajat keanggotaan µ[x] domain µx x Gambar 2.7 Fungsi Keanggotaan Segitiga Chang, 1996 Chang 1996 juga mendefinisikan nilai intensitas AHP ke dalam skala fuzzy segitiga. Skala fuzzy segitiga yang digunakan Chang dapat dilihat dibawah ini: Tabel 2.1 Skala Triangular Fuzzy Number Chang, 1996 Intensitas Kepentingan AHP Himpunan Linguistik Triangular Fuzzy Number TFN l, m, u Rectrocal Kebalikan l, m, u 1 Perbandingan elemen yang sama Just Equal 1, 1, 1 1, 1, 1 2 Pertengahan Intermediate dari 12,1, 32 23, 1, 2 elemen yang sama dan cukup penting dari yang lain 3 Elemen satu cukup dari yang lainnya Moderately Important 1, 32, 2 12, 23, 1 4 Pertengahan Intermediate elemen cukup penting dan kuat penting dari yang lain 32, 2, 52 25, 12, 23 5 Elemen satu kuat pentingnya dari yang lain Strongly Important 2, 52, 3 13, 25, 12 6 Pertengahan Intermediate elemen kuat penting dan lebih kuat penting dari yang lain 52, 3, 72 27, 13, 25 7 Elemen satu lebih kuat pentingnya dari yang lain Very Strong 3, 72, 4 14, 27, 13 8 Pertengahan Intermediate elemen lebih kuat penting dan mutlak lebih penting dari yang lain 72, 4, 92 29, 14, 27 9 Elemen satu mutlak lebih penting dari yang 4, 92, 92 29, 29, 14 lainnya Extremely Strong Langkah penyelesaian FAHP menurut Chang 1996 dalam Jasril, dkk 2011 adalah sebagai berikut: a. Menentukan perbandingan matriks berpasangan antar kriteria dengan skala TFN. b. Menentukan Nilai Batas Sintesis Fuzzy � Menentukan nilai batas sintesis fuzzy dengan rumus berikut: � = ∑ � � = × [∑ ∑ � � = = ] − 2.6 Dimana: ∑ � � = ∑ = , ∑ = = , ∑ = 2.7 Sedangkan [∑ ∑ � � = = ] − = ∑ � = ,∑ = ,∑ = 2.8 Keterangan: � = Nilai sintesis fuzzy M = Triangular Fuzzy Number i = Indeks pada baris j = Indeks pada kolom ∑ � � = = Total nilai dari setiap kolom yang dimulai dari kolom 1 di setiap baris pada matriks ∑ = = total nilai l pada setiap kolom pertama lower ∑ = = total nilai m pada setiap kolom pertama median ∑ = = total nilai u pada setiap kolom pertama upper c. Menentukan Nilai Vektor V Prioritas Fuzzy AHP Dalam menentukan nilai vektor, jika hasil yang diperoleh pada setiap matrik fuzzy adalah � � � = , , dan � = , , maka nilai vektor dapat dirumuskan sebagai: V � � = �[min � � , � � ] atau sama dengan pada rumus 2.9 berikut ini: � � = { , , −� −� − − , lainnya 2.9 d. Menentukan Nilai Ordinat Defuzzifikasi d’ Jika hasil nilai fuzzy lebih besar dari k, � i=1,2,…,k maka vektor dapat didefinisikan sebagi berikut: V � � , � , … , � = [ � � dan V� � … � � ] = min V � � 2.10 Asumsikan bahwa, d’ � = min V � � 2.11 untuk k =1,2,…,n; k≠ , maka diperoleh nilai bobot vektor e. Normalisasi Nilai Bobot Vektor Fuzzy W W’= d’ � , d’ � , … , d’ � � 2.12 Dimana � = 1, 2,…,n adalah n element keputusan. Setelah dilakukan normalisasi dari p ersamaan W’ maka nilai bobot vektor yang ternormalisasi adalah seperti rumus berikut: W = d � , d � , … , d � � 2.13 Dimana W adalah bilangan non fuzzy dan nilai ∑ = . Langkah perhitungan FAHP menurut Chang dalam penelitian ini digunakan untuk melakukan perhitungan setiap kriteria. Sedangkan dalam menentukan vektor bobot setiap kriteria yang mempresentasikan bobot dari setiap adalah menggunakan pendekatan subjektif, yaitu atribut biaya minimal dan atribut keuntungan maksimal dengan rumus: Kusumadewi, dkk, 2006 = ��� − ��� − � , untuk adalah atribut biaya. 2.14 = − � ��� − � , untuk adalah atribut keuntungan. 2.15 Dengan, � � = max , , … , � = min , , … , = , , … , ; = , , … , ; Setelah itu melakukan normalisasi vektor bobot setiap kriteria yang mempresentasikan bobot dari setiap alternative dengan jumlah total nilai bobot sama dengan 1. Kemudian melakukan perangkingan dan hasil keputusan dengan cara menghitung total skor dengan rumus: Kusumadewi, dkk, 2006 = ∑ 2.16 Keterangan: � = Skor setiap = bobot setiap kriteria yang mempresentasikan bobot dari setiap = bobot setiap kriteria Hasil dari perhitungan tersebut pilih skor paling tinggi. Skor paling tinggi adalah yang paling direkomendasi. 19

BAB III METODE PENELITIAN

3.1 Gambaran Umum

Penelitian yang dilakukan bertujuan untuk menentukan perangkingan rumah sebagai bahan rekomendasi dalam memilih rumah. Input yang digunakan berupa data rumah dan intensitas kepentingan. Data tersebut selanjutnya akan diolah untuk menghasilkan output rekomendasi rumah. Sistem ini diharapkan mampu membantu calon pembeli melakukan pemilihan rumah dalam proses pembelian rumah secara efisien sesuai dengan kebutuhan dan kemampuan.

3.2 Desain Penelitian

3.2.1 Studi Literatur

Mempelajari teori mengenai sistem pendukung pengambilan keputusan SPPK, logika fuzzy , Analytical Hierarchy Process dan Fuzzy Analytical Hierarchy Process dalam membangun SPPK pembelian rumah. Teori yang dipelajari berasal dari materi perkuliahan, buku teks, artikel ilmiah dalam prosiding nasional, jurnal ilmiah nasional dan jurnal internasional.

3.2.2 Data

- Data yang Digunakan Data yang digunakan dalam penelitian ini adalah data rumah pada tahun 2016 sebanyak 100 rumah, dengan kriteria yaitu harga rumah, luas bangunan, luas tanah, lokasi rumah, dan spesifikasi rumah. Data tersebut bersumber dari pengembang perumahan PT Agatama Putra, yaitu perumahan Banteng Town House, Agatama Regency Banguntapan, dan Agatama Residence Purwomartani. - Teknik Pengumpulan Data Pada tahap teknik pengumpulan data yang pertama dilakukan adalah melakukan wawancara kepada pimpinan pengembang perumahan PT Agatama Putra. Data yang didapat berupa kriteria apa saja yang biasanya digunakan oleh seseorang membeli rumah maupun calon pembeli dalam