8. Adaptasi
Tahap ini merupakan respon daripada
feedback
pengguna sistem.
2.3. Sumber Data
Subakti 2002 menjelaskan bahwa sumber data dibagi kedalam 3 kriteria yaitu: 1.
Data Internal Data internal merupakan data yang berasal dari dalam organisasi. Data internal
diperoleh dari proses, anggota, produk dan servis di dalam organisasi seperti data karyawan dan tugasnya.
2. Data Eksternal
Berupa data – data yang berasal dari luar organisasi seperti data pasar, data
industri, data sensus, data satelit dan sebagainya. 3.
Data Personal Data yagn didapat dari pendapat atau kontribusi para ahli .
2.4. Technique for Order Preference by Similarity to Ideal Solution
Sumber kerumitan masalah pengambilan keputusan bukan hanya karena faktor ketidakpastian atau ketidaksempurnaan informasi saja. Namun masih terdapat
penyebab lainnya seperti faktor yang berpengaruh terhadap pilihan – pilihan yang ada,
dengan beragamnya kriteria pemilihan dan juga nilai bobot dari masing-masing kriteria merupakan suatu bentuk penyelesaian masalah yang sangat kompleks Imbar
Setiadi, 2011. Pada zaman sekarang ini metode-metode pemecahan masalah multikriteria
telah digunakan secara luas di berbagai bidang. Setelah menetapkan tujuan masalah, kriteria-kriteria yang menjadi tolak ukur serta alternatif-alternatif yang mungkin, para
pembuat keputusan dapat menggunakan satu metode atau lebih untuk menyelesaikan masalah mereka. Adapun metode yang dapat digunakan untuk mengatasi
permasalahan multikriteria yaitu metode
Technique For Order Preference by Similarity to Ideal Solution
TOPSIS
Universitas Sumatera Utara
TOPSIS diperkenalkan pertama kali oleh Yoon K. dan Hwang C.L. pada tahun 1981 untuk digunakan sebagai salah satu metode dalam memecahkan masalah
multikriteria Sachdeva, 2009. TOPSIS memberikan sebuah solusi dari sejumlah alternatif yang mungkin dengan cara membandingkan setiap alternatif dengan
alternatif terbaik dan alternatif terburuk yang ada diantara alternatif-alternatif masalah. Metode ini menggunakan jarak untuk melakukan perbandingan tersebut. TOPSIS
telah digunakan dalam banyak aplikasi termasuk keputusan investasi keuangan, perbandingan performansi dari perusahaan, perbandingan performansi dalam suatu
industri khusus, pemilihan sistem operasi, evaluasi pelanggan, dan perancangan robot Hasibuan, 2011
TOPSIS mengasumsikan bahwa setiap kriteria akan dimaksimalkan ataupun diminimalkan. Maka dari itu nilai solusi ideal positif dan solusi ideal negatif dari
setiap kriteria ditentukan, dan setiap alternatif dipertimbangkan dari informasi tersebut. Solusi ideal positif didefinisikan sebagai jumlah dari seluruh nilai terbaik
yang dapat dicapai untuk setiap atribut, sedangkan solusi ideal negatif terdiri dari seluruh nilai terburuk yang dicapai untuk setiap atribut. Solusi ideal positif jarang
dicapai ketika menyelesaikan masalah dalam kehidupan nyata karenanya asumsi dasar dari TOPSIS adalah ketika solusi ideal positif tidak dapat dicapai, pembuat keputusan
akan mencari solusi yang sedekat mungkin dengan solusi ideal positif. TOPSIS memberikan solusi ideal positif yang relatif dan bukan solusi ideal positif yang
absolut. Dalam metode TOPSIS klasik, nilai bobot dari setiap kriteria telah diketahui dengan jelas. Setiap bobot kriteria ditentukan berdasarkan tingkat kepentingannya
menurut pengambil keputusan. Yoon dan Hwang mengembangkan metode TOPSIS berdasarkan intuisi yaitu
alternatif pilihan merupakan alternatif yang mempunyai jarak terkecil dari solusi ideal positif dan jarak terbesar dari solusi ideal negatif dari sudut pandang geometris dengan
menggunakan jarak
Euclidean
Sachdeva, 2009. Alternatif yang mempunyai jarak terkecil dari solusi ideal positif tidaklah harus mempunyai jarak terbesar dari solusi
ideal negatif. Maka dari itu, TOPSIS mempertimbangkan kedua jarak terhadap solusi ideal positif dan jarak terhadap solusi ideal negatif secara bersamaan. Solusi optimal
dalam metode TOPSIS didapat dengan menentukan kedekatan relatif suatu alternatif terhadap solusi ideal positif.
Universitas Sumatera Utara
2.4.1. Langkah - langkah TOPSIS
1. Membuat matriks keputusan
TOPSIS dimulai dengan membangun sebuah matriks keputusan. Matriks keputusan
X
mengacu terhadap
m
alternatif yang akan dievaluasi berdasarkan
n
kriteria. Matriks keputusan
X
dapat dilihat pada gambar 2.4.
Gambar 2.4 Matriks keputusan
X
ij m
x
n
Dimana = 1, 2, 3, . . . ,
m
adalah alternatif-alternatif yang mungkin sedangkan
=1, 2, 3, . . . ,
n
adalah atribut dimana performansi alternatif diukur sehingga
adalah performansi alternatif dengan acuan atribut
. 2.
Membuat matriks keputusan ternormalisasi Matriks
X
kemudian dinormalisasikan untuk membuat matriks ternormalisasi
R
menggunakan persamaan 2.1:
√∑
2.1 Dengan
i
= 1,2,3, . . . ,
m
dan
j
= 1,2,3, . . . ,
n
dimana adalah elemen dari
matriks keputusan yang ternormalisasi
R
, adalah elemen dari matriks
keputusan
X
. 3.
Membuat matriks keputusan normalisasi terbobot Setelah terbentuk matrik keputusan ternormalisasi R, kemudian dibuatlah matriks
keputusan ternormalisasi
V.
Matriks
V
dengan bobot
w
i
=
w
1
,w
2
,w
3
, . . . ,w
n
dimana
w
j
adalah bobot dari kriteria ke-
j
dan ∑
maka normalisasi bobot matriks
V
adalah seperti yang tertulis pada persamaan 2.2:
2.1
X
= ɑ
1
ɑ
2
ɑ
3
. .
.
ɑ
m 11
21 31
. .
.
m1 12
22 32
. .
.
m2 13
23 33
. .
.
m3 1n
2n 3n
. .
.
mn
. . . . . . . .
. . . .
. . . .
1 2
3
. . . .
m
Universitas Sumatera Utara
Dengan
i
= 1,2,3, . . . ,
m
dan
j
= 1,2,3, . . . ,
n
dimana
v
ij
adalah elemen dari matriks keputusan yang ternormalisasi terbobot
V
,
w
j
adalah dari kriteria ke-
j,
dan
r
ij
adalah elemen dari matriks keputusan ternormalisasi
R.
4. Menentukan matriks solusi ideal positif dan solusi ideal negatif Solusi ideal positif
dinotasikan dengan
A
+
sedangkan solusi ideal positif dinotasikan dengan
A
-
sesuai dengan yang tertulis pada persamaan 2.3 dan persamaan 2.4:
{ |
| } 2.3
{ |
| } 2.4
Dimana J = 1,2,3, . . . ,
n
dan J merupakan himpunan kriteria positif
positive criteria
serta J ’ =1,2,3, . . . ,
n
dengan J ’ merupakan himpunan kriteria negatif
negative criteria
. Dimana
v
ij
adalah elemen dari matriks keputusan ternormalisasi terbobot
V,
dengan
v
ij
j
=1,2,3, . . . ,
n
adalah elemen matriks solusi ideal positif dan dengan
v
ij
j
=1,2,3, . . . ,
n
adalah elemen matriks solusi ideal negatif. 5.
Menghitung separasi Separasi merupakan pengukuran jarak dari suatu alternatif ke solusi ideal positif
dan solusi ideal negatif. Perhitungan secara matematis sesuai dengan yang tertulis pada persamaan 2.5 untuk solusi ideal positif dan persamaan 2.6 untuk solusi
ideal negatif: √∑
, dengan
i
=1,2,3, . . . ,
m
2.5 √∑
, dengan
i
=1,2,3, . . . ,
m
2.6 Dimana:
- adalah jarak alternatif ke-
i
dari solusi ideal positif. -
adalah jarak alternatif ke-
i
dari solusi ideal negatif. -
adalah elemen dari matriks keputusan yang ternormalisasi terbobot
V
. -
adalah elemen matriks solusi ideal positif. -
adalah elemen matriks solusi ideal negatif.
Universitas Sumatera Utara
6. Menghitung kedekatan relatif terhadap solusi ideal positif
Kedekatan relatif dari setiap alternatif terhadap solusi ideal positif dapat dihitung dengan menggunakan persamaan 2.7:
2.7 Dengan
i
=1,2,3, . . . ,
m
dimana adalah kedekatan relatif dari alternatif ke-
i
terhadap solusi ideal positif. 7.
Merangking alternatif Alternatif diurutkan dari nilai
terbesar sampai ke nilai terkecil dengan nilai terbesar merupakan solusi yang terbaik dikarenakan merupakan alternatif solusi
ideal positif yang paling dekat dengan solusi ideal.
2.5. Penelitian Terdahulu
Kategori