Dimana kekurangan metode Bayes akan ditutupi dengan metode Multifactor Evaluation Process dan begitu juga sebaliknya.
Untuk mengidentifikasi masalah tersebut digunakan diagram Ishikawa fishbone diagram. Diagram Ishikawa merupakan sebuah alat grafis yang digunakan untuk
mengidentifikasi, mengeksplorasi dan menggambarkan suatu masalah serta sebab dan akibat dari masalah tersebut Kristanto, Andi. 2004. Diagram ini juga sering disebut
sebagai diagram sebab-akibat atau diagram tulang ikan. Pengidentifikasian masalah akan membantu analisis persyaratan sistem yang nantinya akan dikembangkan.
Gambar 3.1 Diagram Ishikawa
Pada diagram Ishikawa diatas masalah utama ditunjukkan oleh segi empat paling kanan kepala ikan, sedangkan kategori ditunjukkan oleh segi empat yang
dihubungkan oleh sebuah garis ke tulang utama garis horizontal yang terhubung ke kepala ikan. Selanjutnya sebab akibat yang muncul ditunjukkan oleh tulang-tulang
kecil yang diwakili oleh garis panah yang mengarah ke tulang-tulang kategori masalah.
3.3 Analisis Persyaratan Sistem Requirement Analysis System
Adapun analisis persyaratan sebuah sistem yaitu, analisis persyaratan fungsional dan analisis persyaratan non-fungsional.
Universitas Sumatera Utara
3.3.1 Analisis Persyaratan Fungsional Persyaratan fungsional adalah segala sesuatu yang harus dimiliki oleh sistem.
Persyaratan fungsional sistem yang akan dirancang antara lain sebagai berikut: 1.
Sistem harus menyediakan sumber daya untuk melakukan proses diagnosa dengan meggunakan metode Bayes dan metode Multifactor Evaluation Process.
2. Sistem harus menyediakan sampel pengetahuan yang jelas dan meyakinkan untuk
menghindari terjadinya kesalahan besar dalam memberikan hasil diagnosa. 3.
Sistem juga harus dapat menampilkan hasil berdasarkan kriteria yang ditentukan dengan metode Hybrid Bayes dan Multifactor Evaluation Process.
3.3.2 Analisis Persyaratan Non-Fungsional
Persyaratan non-fungsional adalah persyaratan apa yang harus dilakukan sistem. Beberapa persyaratan non-fungsional yang harus dipenuhi oleh sistem yang dirancang
adalah sebagai berikut : 1.
User friendly, artinya sistem harus mudah digunakan dengan tampilan yang mudah dimengerti sehingga dapat dioperasikan dengan baik oleh pengguna.
2. Sistem yang dirancang diharapkan untuk kedepannya dapat dikembangkan kembali
bagi pihak tertentu yang ingin mengembangkan sistem sehingga bisa lebih efektif dan melengkapi kekurangan yang ada pada sistem.
3. Penggunaan sistem harus menghindari munculnya biaya tambahan.
3.4 Cara Kerja Sistem
Sistem pendukung keputusan yang dibangun memiliki cara kerja untuk menghasilkan suatu keluaran output nilai akhir setiap alternatif dari hasil proses perhitungan
Hybrid Multifactor Evaluation Process dan Bayes. Sehingga user dapat mengambil keputusan berdasarkan dari nilai yang ditampilkan oleh sistem. Dalam sistem ini, data
diperoleh dari data pengajar di Media.Com. Kriteria yang dibutuhkan adalah berkas tingkat pendidikan, pengalaman mengajar dan sebagainya, wawancara, praktek
pengetahuan teknis, keterampilan teknis dan kemampuan komunikasi. Data dapat dilihat di tabel 3.1.
Universitas Sumatera Utara
Tabel 3.1 Data Pengajar Media.Com No
Nama Berkas
Wawancara Praktek
1 Afni
61 59.3
67.7 2
Bahri 78
80 65
3 Bastiyan
78 64.3
77.7 4
Fery 60.3
58 66.3
5 Gibran
63.7 66
59.7 6
Janio 67.3
77 78.7
7 Jimmy
77 65.3
79 8
Kholis 87.3
74 88.3
9 Maula
58.7 66
61.7 10
Nur 59.3
61 69.7
11 Pandu
66 59
75 12
Rafi 85
90 89.3
13 Resfi
61.7 75
57.7 14
Riky 66
82 78.7
15 Sugi
65.3 64
64.7 Langkah
– langkah yang akan dilakukan sistem adalah sebagai berikut : a.
Menentukan aturan awal b.
Menghitung total Weighted Evaluation c.
Menentukan alternatif d.
Menghitung total Weighted Evaluation setiap alternatif e.
Menentukan disarankan atau tidak disarankan 3.4.1
Menentukan Aturan Awal Dari data yang ada diambil sebanyak 10 data sebagai aturan awal, dimana data aturan
awal ini sebagai pedoman data yang akan digunakan dalam metode Bayes. Oleh karena itu, nilai diubah menjadi keterangan dengan ketentuan :
Tinggi = Nilai = 75 Normal = Nilai diantara 60
– 74 Rendah = Nilai 60
Universitas Sumatera Utara
Tabel 3.2 Data Aturan Awal No
Nilai Keterangan
Berkas Wawancara
Praktek Berkas
Wawancara Praktek
1 66
82 78.7
Normal Tinggi
Tinggi 2
78 80
65 Tinggi
Tinggi Normal
3 59.3
61 69.7
Rendah Normal
Normal 4
61 59.3
67.7 Normal
Rendah Normal
5 63.7
66 59.7
Normal Normal
Normal 6
65.3 64
64.7 Normal
Normal Rendah
7 61.7
75 57.7
Normal Tinggi
Rendah 8
66 59
75 Normal
Rendah Tinggi
9 85
90 89.3
Tinggi Tinggi
Tinggi 10 87.3
74 88.3
Tinggi Normal
Tinggi 3.4.2
Menghitung Total Weighted Evaluation
Tentukan bobot untuk setiap kriteria, dimana total dari pembobotan sama dengan 1. Selanjutnya hitung Weighted Evaluation, yaitu setiap nilai bobot dikalikan dengan
data aturan awal. Selanjutnya dijumlahkan dan tentukan apakah hasil dari Weighted Evaluation disarankan atau tidak berdasarkan keperluan user.
Tabel 3.3 Bobot Setiap Kriteria Kriteria
Nilai Bobot
Berkas 0.30
Wawancara 0,25
Praktek 0,45
1. = 0,30 x 66 + 0,25 x 82 + 0,45 x 78,7
= 19,8 + 20,5 + 35,415 = 75,715
2. = 0,30 x 78 + 0,25 x 80 + 0,45 x 65
= 23,4 + 20 + 29,25 = 72,65
Universitas Sumatera Utara
3. = 0,30 x 59,3 + 0,25 x 61 + 0,45 x 69,7
= 17,79 + 15,25 + 31,365 = 64,405
Tabel 3.4 Weighted Evaluation dan Kesimpulan
No Berkas
Wawancara Praktek Hasil
Keterangan
1 19.8
20.5 35.415
75.715 Disarankan
2 23.4
20 29.25
72.65 Disarankan
3 17.79
15.25 31.365
64.405 Tidak Disarankan
4 18.3
14.825 30.465
63.59 Tidak Disarankan
5 19.11
16.5 26.865
62.475 Tidak Disarankan
6 19.59
16 29.115
64.705 Tidak Disarankan
7 18.51
18.75 25.965
63.225 Tidak Disarankan
8 19.8
14.75 33.75
68.3 Disarankan
9 25.5
22.5 40.185
88.185 Disarankan
10 26.19
18.5 39.735
84.425 Disarankan
3.4.3 Menentukan Alternatif
Dalam sistem ini, alternatif yang diperlukan adalah data pengajar sebanyak 5 data. Sehingga proses akhir dari sistem ini adalah untuk mengetahui berapa banyak
pengajar yang disarankan dan yang sesuai untuk diterima sebagai pengajar.
Tabel 3.5 Data Calon Pengajar
No Nama
Nilai Keterangan
Berkas Wawancara Praktek
Berkas Wawancara
Praktek
1 Bastiyan
78 64.3
77.7 Tinggi
Normal Tinggi
2 Fery
60.3 58
66.3 Normal
Rendah Normal
3 Janio
67.3 77
78.7 Normal
Tinggi Tinggi
4 Jimmy
77 65.3
79 Tinggi
Normal Tinggi
5 Maula
58.7 66
61.7 Rendah
Normal Normal
3.4.4 Menghitung Total Weighted Evaluation Setiap Alternatif
Pada tahap ini menggunakan metode Multifactor Evaluation Process untuk mengetahui nilai akhir setiap alternatif berdasarkan bobot yang telah ditentukan.
Karena bobot sudah ditentukan sebelumnya. Selanjutnya menghitung total Weighted
Universitas Sumatera Utara
Evaluation, proses ini sama seperti menghitung total Weighted Evaluation pada data aturan awal.
Hasil = bobot berkas x nilai berkas + bobot wawancara x nilai wawancara +
bobot praktek x nilai praktek
Bastiyan = 0,30 x 78 + 0,25 x 64.3 + 0,45 x 77,7 = 23,4 + 16,075 + 34,965
= 74,44
Fery = 0,30 x 60,3 + 0,25 x 58 + 0,45 x 66,3
= 18,09 + 14,5 + 29,835 = 62,425
Janio = 0,30 x 67,3 + 0,25 x 77 + 0,45 x 78,7
= 20,19 + 19,25 + 35,415 = 74,885
Jimmy = 0,30 x 77 + 0,25 x 65.3 + 0,45 x 79
= 23,1 + 16,325 + 35,55 = 74,975
Maula = 0,30 x 58,7 + 0,25 x 66 + 0,45 x 61,7
= 17,61 + 16,5 + 27,765 = 61,875
Tabel 3.6 Hasil Total Weighted Evaluation
No Nama
Berkas Wawancara
Praktek Hasil
1 Bastiyan 23.4
16.075 34.965
74.44 2
Fery 18.09
14.5 29.835
62.425 3
Janio 20.19
19.25 35.415
74.855 4
Jimmy 23.1
16.325 35.55
74.975 5
Maula 17.61
16.5 27.765
61.875
Universitas Sumatera Utara
3.4.5 Menentukan Disarankan Atau Tidak Disarankan
Pada tahap ini menggunakan metode Bayes untuk menentukan apakah data calon pengajar disarankan atau tidak berdasarkan dengan aturan awal. Perhitungan
menggunakan data keterangan aturan awal dan data calon pengajar yang menunjukkan tinggi, normal, dan rendah.
Bastiyan Kemungkinan Ya
= = 0,5 + 0,6 + 0,2 + 0,8
= 2,1
Kemungkinan Tidak = = 0,5 + 0 + 0,6 + 0
= 1,1 Karena kemungkinan ya kemungkinan tidak, maka disarankan
Fery Kemungkinan Ya
= 0,5 + 0,4 + 0,2 + 0,2 = 1,3 Kemungkinan Tidak = 0,5 + 0,8 + 0,2 + 0,6 = 2,1
Karena kemungkinan ya kemungkinan tidak, maka tidak disarankan
Janio Kemungkinan Ya
= 0,5 + 0,4 + 0,6 + 0,8 = 2,3 Kemungkinan Tidak = 0,5 + 0,8 + 0,2 + 0
= 1,5 Karena kemungkinan ya kemungkinan tidak, maka disarankan
Jimmy Kemungkinan Ya
= 0,5 + 0,6 + 0,2 + 0,8 = 2,1 Kemungkinan Tidak = 0,5 + 0 + 0,6 + 0
= 1,1 Karena kemungkinan ya kemungkinan tidak, maka disarankan
Universitas Sumatera Utara
Maula Kemungkinan Ya
= 0,5 + 0 + 0,2 + 0,2 = 0,9
Kemungkinan Tidak = 0,5 + 0,2 + 0,6 + 0,6 = 1,9
Karena kemungkinan ya kemungkinan tidak, maka tidak disarankan
Tabel 3.7 Analisis Perhitungan MFEP dan Bayes
No Nama
Berkas Wawancara Praktek Hasil
Keterangan
1 Bastiyan 23.4
16.075 34.965
74.44 Disarankan
2 Fery
18.09 14.5
29.835 62.425 Tidak Disarankan
3 Janio
20.19 19.25
35.415 74.855 Disarankan
4 Jimmy
23.1 16.325
35.55 74.975 Disarankan
5 Maula
17.61 16.5
27.765 61.875 Tidak Disarankan
3.5 Pemodelan