2.6. Perbedaan dengan Riset yang lain
Dalam penelitian ini, penulis akan membangun sebuah pemodelan sistem pendukung keputusan bersifat statis yaitu suatu model sistem pendukung keputusan dalam
mengambil satu kejadian saja dalam suatu situasi yang semuanya terjadi dalam 1 interval, baik waktunya sebentar ataupun yang lama dalam penilaian kriteria melalui
pendekatan fuzzy dengan Analytic Hierarchy Process AHP untuk menentukan
alternatif terbaik yang akan dipilih. Dimana fuzzy akan memberikan preferensinya untuk penilaian kriteria yang direpresentasikan fuzzy segitiga. Sedangkan Analytic
Hierarchy Process AHP dalam pemodelan sistem pendukung keputusan digunakan untuk menentukan tingkat kepentingan setiap kriteria C
1
, C
2
, C
3
, C
4
, untuk memperoleh vektor bobot serta melakukan proses perankingan.
2.7. Konstribusi Riset Adapun hasil dari penelitian ini diharapkan dalam pemodelan sistem pendukung
keputusan dalam penilai kriteria C
1
, C
2
, C
3
, C
4
untuk menentukan alternatif melalui pendekatan fuzzy dengan Analytic Hierarchy Process AHP mampu menyelesaikan
setiap permasalahan dan memberikan hasil yang lebih baik serta pemodelan sistem pendukung tersebut dapat di terapkan untuk menyelesaikan permasalahan yang lain,
khususnya permasalahan yang berkaitan dalam penilain kriteria.
Universitas Sumatera Utara
BAB 3
METODOLOGI PENELITIAN
3.1. Pendahuluan
Dalam rancangan ini, akan menjelaskan bentuk pendekatan fuzzy dalam pemodelan sistem pendukung keputusan dengan Analytic Hierarchi Process AHP berserta
langkah – langkah penyelesaiannya: 3.1.1. Model sistem pendukung keputusan
Pada rancangan dibawah akan menjelaskan bentuk pemodelan sistem pendukung keputusan bersifat statis melalui pendekatan fuzzy dengan Analytic Hierarchy Process
AHP dalam penilaian keriteria C
1,
C
2,
C
3,
C
4
untuk menentukan alternatif yang akan dipilih. Adapun bentuk rancangan tersebut terdapat pada gambar 3.1 dibawah:
Gambar 3.1 Model sistem pendukung keputusan
Dialog
Pendukung Keputusan
- Ipk C
1
- P. Orangtua C
2
- Jml T Orangtua C
3
- Jarak C
4
Manajemen Basisdata Jenis Kriteria C
1,
C
2,
C
3,
C
4,
nilai variabel dan kisaran data untuk setiap kriteria
Input kriteria C
1,
C
2,
C
3,
C
4,
Representasi Fuzzy segitiga untuk penilai kriteria C
1,
C
2,
C
3,
C
4,
Manajemen Model
Matrik Keputusan
Alternatif Terpilih
Perankingan Pengetahuan
Tampilan
Vektor bobot
Logika Fuzzy
Hasil fuzzy segitiga dan variabel, setelah disesuaikan dengan parameter
Metode Analytic Hierarchy Procces AHP
Universitas Sumatera Utara
Pada Gambar 3.1 di atas menjelaskan rancangan dari pemodelan sistem pendukung keputusan bersifat statis. Sistem pendukung keputusan bersifat statis yaitu merupakan
suatu bentuk model statis yang hanya mengambil satu kejadian saja dalam suatu situasi, selama kejadian tersebut semuanya terjadi dalam 1 interval, baik waktunya
sebentar atau lama dengan penilaian kriteria yang akan diuji yaitu; ipk C
1
, penghasilan orangtua C
2
, tanggungan orangtua C
3
dan jarak C
4
melalui pendekatan fuzzy
dengan Analytic Hierarchy Process AHP untuk menentukan alternatif terbaik yang akan dipilih.
Dalam rancangan pemodelan sistem pendukung keputusan terbagi kepada tiga bagian, yaitu manajemen model, manajemen basisdata dan dialog. ketiga bagian
tersebut saling berhubungan untuk mencapai hasil yang lebih baik dalam penyelesaian masalah. Dimana manajemen model merupakan suatu bagian untuk menganalisa dan
memodelkan sebuah model penyelesaian masalah yang baik, melalui pendekatan fuzzy. Pendukung keputusan melalui manajemen model juga menentukan jumlah
kriteria, memberikan variabel dan kisaran data untuk setiap kriteria. Selanjutnya fuzzy akan memberikan preferensinya untuk penilaian setiap kriteria yang direpresentasikan
menggunakan fuzzy segitiga. Hasil representasi yang diberikan fuzzy segitiga dari penilaian setiap kriteria setelah disesuaikan dengan parameter dan selanjutnya oleh
pendukung keputusan akan membentuk sebuah matrik keputusan. Sedangkan Analytic Hierarcy process AHP dalam pemodelan sistem pendukung keputusan digunakan
untuk menentukan tingkat kepentingan setiap kriteria ipk C
1
, penghasilan orangtua C
2
, tanggungan orangtua C
3
dan jarak C
4
dengan tujuan untuk memproleh vektor bobot serta melakukan proses perankingan. Tujuan dari Analytic Hierarcy Process
AHP memperoleh vektor bobot untuk dijumlahkan dengan matrik keputusan melalui perankingan dengan harapan agar memperoleh alternatif terbaik yang akan dipilih.
Pada bagian manajemen basisdata diperlukan untuk mendukung proses manajemen model melalui pengambilan data yang relevan yang akan dipilih dan diuji seperti data
ipk, penghasilan orangtua, tanggungan orangtua dan jarak. Sedangkan dialog dalam pemodelan sistem pendukung keputusan diperlukan sebagai implementasikan hasil
pengujian dari pemodelan sistem pendukung keputusan dari penilaian kriteria C
1,
C
2
,C
3
, C
4
melalui pendekatan fuzzy AHP.
Universitas Sumatera Utara
Dalam penelitian ini, pemodelan sistem pendukung keputusan melalui pendekatan fuzzy dengan Analytic Hierarcy Process AHP. Adapun kriteria – kriteria yang akan
dinilai yaitu kriteria C
1,
C
2
,C
3
, C
4
Sebagaimana terdapat pada Tabel 3.1 dibawah: Tabel 3.1 Jenis – jenis kriteria
Nama Kriteria Keterangan
Ipk Sebagai C
1
Penghasilan orangtua Sebagai C
2
Tanggungan orangtua Sebagai C
3
Jarak Sebagai C
4
Pada Tabel 3.1 di atas menunjukkan jumlah kriteria yang akan dinilai. berdasarkan jenis – jenis kriteria diatas, maka pendukung keputusan dapat menggambarkan sebuah
struktur hirarki dalam pemodelan sistem pendukung keputusan yang dapat diberikan sebagai berikut:
a. Phase pertama = Goal tujuan keputusan
b. Phase kedua = Kriteria
c. Phase ketiga = Alternatif
Dari tiga phase diatas, maka bentuk struktur dekomposisi permasalahan dapat digambarkan sebagai berikut:
Gambar 3.2 Model struktur hirarki analytic hierarchy process AHP
Tujuan
C
1
C
2
C
3
C
4
Alternatif 1 Alternatif 2
Alternatif 3 Alternatif 4
Alternatif 5 Alternatif 6
Universitas Sumatera Utara
3.1.2. Jenis – jenis kriteria berdasarkan tingkat kepentingan Dalam pemodelan sistem pendukung keputusan melalui pendekatan fuzzy dengan
Analytic Hierarcy Process AHP, pendukung keputusan akan memberikan variabel dan kisaran data untuk setiap kriteria. Fuzzy akan memberikan preferensinya untuk
penilaian setiap kriteria yang direpresentasikan menggunakan fuzzy segitiga. Adapun kriteria – kriteria tersebut yaitu:
a. Kriteria ipk C
1
Tabel 3.2 Kriteria ipk Variabel
Kisaran data ipk Rendah
[0 – 2.90] Sedang
[2.70 – 3.20] Tinggi
[3.00 – 4.00] b. Kriteria penghasilan orangtua C
2
Tabel 3.3 Kriteria penghasilan orangtua Variabel
Kisaran data penghasilan orangtua Rendah
3.500.000 – 6.000.000 Sedang
1.500.000 – 4.000.000 Tinggi
0 – 2.000.000 c. Kriteria tanggungan orangtua C
3
Tabel 3.4 Kriteria tanggungan orangtua Variabel
Kisaran data tanggungan orangtua Rendah
[1 – 3] Sedang
[2 – 5] Tinggi
[4 – 7]
Universitas Sumatera Utara
d. Kriteria jarak C
4
Tabel 3.5 Kriteria jarak Variabel
Kisaran data jarak Rendah
[0 – 10] Sedang
[6 – 15] Tinggi
[11 – 30]
Berdasarkan pada tabel setiap kriteria ipk C
1
, penghasilan orangtua C
2
, tanggungan orangtua C
3
dan jarak C
4
di atas, maka pendukung keputusan akan mengambil keputusan dari setiap kriteria – kriteria diatas untuk membentuk sebuah tabel
keputusan setiap alternatif pada setiap kriteria. Sebagaimana Tabel 3.6 dibawah: Tabel 3.6 Pengambilan keputusan pada setiap alternatif pada setiap kriteria
Alternatif Kriteria
Ipk C
1
Penghasilan Ortua C
2
Tanggungan Ortua C
3
Jarak C
4
A
1
3.00 1.500.000
2 10
A
2
3.50 1.300.000
6 20
A
3
3.30 2.000.000
4 16
A
4
3.00 3.600.000
6 20
A
5
3.80 1.500.000
4 23
A
6
3.65 2.000.000
3 7
Pada Tabel 3.6 di atas, kriteria seperti Ipk C
1
, penghasilan orangtua C
2
, tanggungan orangtua C
3
dan jarak C
4
merupakan suatu nilai yang akan diuji dari 6 alternatif. Dimana nilai setiap kriteria pada alternatif tersebut akan diselesaikan melalui
pendekatan fuzzy dengan Analytic Hierarcy Process AHP.
Universitas Sumatera Utara
Phase pertama:
Pada phase pertama ini, pendukung keputusan akan menerapkan konsep kerja dari pada fuzzy, dimana fuzzy akan memberikan preferensinya untuk penilaian setiap
kriteria yang akan direpresentasikan menggunakan fuzzy segitiga. a. Kriteria ipk C
1
Tabel 3.7 Kriteria ipk Variabel
Kisaran data ipk Rendah
[0 – 2.90] Sedang
[2.70 – 3.20] Tinggi
[3.00 – 4.00] Representasi fuzzy segitiga untuk kriteria Ipk:
Fungsi keanggotaan untuk setiap himpunan pada kriteria ipk dapat diberikan sebagai
berikut:
0 2.70 2.90 3.00 3.20 3.60 4.00
� 2.90
; 0 � 2.90
1; � = 2.90
0 ; � ≤ 0
Rendah
� − 2.70 3.20
− 2.70 ; 2.70
� 3.20 1 ;
� = 3.20 0 ;
� ≤ 2.70
Sedang
� − 3.00 3.60
− 3.00 ; 3.00
� 3.60 1 ;
� = 4 0 ;
� ≤ 3.00
Tinggi
Universitas Sumatera Utara
b. Kriteria penghasilan orangtua C
2
Tabel 3.8 Kriteria penghasilan orangtua Variabel
Kisaran data penghasilan orangtua Rendah
3.500.000 – 6.000.000 Sedang
1.500.000 – 4.000.000 Tinggi
0 – 2.000.000 Representasi fuzzy segitiga untuk kriteria penghasilan orangtua:
Fungsi keanggotaan untuk setiap himpunan pada kriteria penghasilan orangtua dapat diberikan sebagai berikut:
4.000.000 − �
4.000.000 − 1.500.000
; 1.500.000 � 4.000.000
1 ; � = 1.500.000
0 ; � ≥ 4.000.000
Sedang
0 ; � 6.000.000
6.000.000 − x
6.000.000 − 3.500.000
; 3.500.000 � 6.000.000
1 ; � = 3.500.000
Rendah
2.000.000 − �
2.000.000 − 1.000.000
; 1.000.000 � 2.000.000
0 ; � ≥ 2.000.000
1 ; � = 1.000.000
Tinggi
6 jt 4 jt 3,5 jt 2 jt 1,5 jt 1 0
Universitas Sumatera Utara
c. Kriteria tanggungan orangtua C
3
Tabel 3.9 Kriteria tanggungan orangtua Variabel
Kisaran data tanggungan orangtua Rendah
[1 – 3] Sedang
[2 – 5] Tinggi
[4 – 7] Representasi fuzzy segitiga untuk kriteria tanggungan orangtua:
Fungsi keanggotaan untuk setiap himpunan pada kriteria tanggungan orangtua dapat
diberikan sebagai berikut:
� − 1 3
− 1 ; 1
� 3 1 ;
� = 3 0 ;
� ≤ 1
Rendah
� − 2 5
− 2 ; 2
� 5 1 ;
� = 5 0 ;
� ≤ 2
Sedang
� − 4 6
− 4 ; 4
� 6 1 ;
� = 7 0 ;
� ≤ 4
Tinggi
0 1 2 3
4 5 6 7
Universitas Sumatera Utara
d. Kriteria jarak C
4
Tabel 3.10 Kriteria jarak Variabel
Kisaran data jarak Rendah
[0 – 10] Sedang
[6 – 15] Tinggi
[11 – 30] Representasi fuzzy segitiga untuk kriteria jarak:
Fungsi keanggotaan untuk setiap himpunan pada kriteria jarak dapat diberikan sebagai
berikut: �
10 ; 0
� 10 1 ;
� = 10 0 ;
� ≤ 0
Rendah
� − 6 15
− 6 ; 6
� 15 1 ;
� = 15 0 ;
� ≤ 6
Sedang
0 ; � ≤ 11
� − 11 25
− 11 ; 11
� 25 1 ;
� = 25
Tinggi
0 6 10 11 15 25 30
Universitas Sumatera Utara
Phase kedua:
Sedangkan pada phase kedua ini, pendukung keputusan akan memberikan preferensinya berdasarkan Cheng, 1999 yang direpsentasikan fuzzy segitiga dengan
parameter �
�
, �
�
, �
�
dapat dikatagorikan sebagai berikut: Sangat tinggi = 1 ; 0,8 ; 1
Tinggi = 0,75 ; 0,6 ; 0,9
Sedang = 0,5 ; 0,3 ; 0,7
Rendah = 0,25 ; 0,05 ; 0,45
Sangat rendah = 0 ; 0 ; 0,2 Berdasarkan parameter di atas, nilai parameter yang diambil oleh pendukung
keputusan untuk penilaian setiap kriteria C
1
, C
2
, C
3
, C
4
adalah rendah 0,25 ; 0,05 ; 0,45, sedang 0,5 ; 0,3 ; 0,7 dan tinggi 0,75 ; 0,6 ; 0,9. Adapun hasil dari
representasi fuzzy segitiga pada C
1
, C
2
, C
3
, C
4
serta setiap nilai yang diberikan untuk kriteria C
1
, C
2
, C
3
, C
4
dan setelah disesuaikan dengan nilai parameter yaitu; rendah, sedang dan tinggi, maka hasil yang diberikan untuk setiap alternatif adalah sebagai
berikut: Alternatif ke – 1
C
1
= Hasil representasi fuzzy segitiga = 0,6 Variabel = Sedang 0,3 ; 0,18 ; 0,42
C
2
= Hasil representasi fuzzy segitiga = 1 Variabel = Sedang 0,5 ; 0,3 ; 0,07
C
3
= Hasil representasi fuzzy segitiga = 0,5 Variabel = Rendah 0,125 ; 0,025 ; 0,225
C
4
= Hasil representasi fuzzy segitiga = 1 Variabel = Rendah 0,25 ; 0,05 ; 0,45
Alternatif ke – 2 C
1
= Hasil representasi fuzzy segitiga = 0,833 Variabel = Tinggi 0,625 ; 0,499 ; 0,749
C
2
= Hasil representasi fuzzy segitiga = 0,7 Variabel = Tinggi 0,525 ; 0,42 ; 0,63
C
3
= Hasil representasi fuzzy segitiga = 1 Variabel = Tinggi 0,75 ; 0,6 ; 0,9
C
4
= Hasil representasi fuzzy segitiga = 0,642 Variabel = Tinggi 0,482 ; 0,386 ; 0,578
Universitas Sumatera Utara
Alternatif ke – 3 C
1
= Hasil representasi fuzzy segitiga = 0,5 Variabel = Tinggi 0,375 ; 0,3 ; 0,45
C
2
= Hasil representasi fuzzy segitiga = 0,8 Variabel = Sedang 0,4 ; 0,24 ; 0,56
C
3
= Hasil representasi fuzzy segitiga = 0,666 Variabel = Sedang 0,333 ; 0,099 ; 0,467
C
4
= Hasil representasi fuzzy segitiga = 0,357 Variabel = Tinggi 0,268 ; 0,215 ; 0,332
Alternatif ke – 4 C
1
= Hasil representasi fuzzy segitiga = 0,6 Variabel = Sedang 0,3 ; 0,18 ; 0,42
C
2
= Hasil representasi fuzzy segitiga = 0,96 Variabel = Rendah 0,24 ; 0,048 ; 0,432
C
3
= Hasil representasi fuzzy segitiga = 1 Variabel = Tinggi 0,75 ; 0,6 ; 0,9
C
4
= Hasil representasi fuzzy segitiga = 0,642 Variabel = Tinggi 0,482 ; 0,386 ; 0,578
Alternatif ke – 5 C
1
= Hasil representasi fuzzy segitiga = 1 Variabel = Tinggi 0,75 ; 0,6 ; 0,9
C
2
= Hasil representasi fuzzy segitiga = 1 Variabel = Sedang 0,5 ; 0,3 ; 0,7
C
3
= Hasil representasi fuzzy segitiga = 0,666 Variabel = Sedang 0,333 ; 0,099 ; 0, 467
C
4
= Hasil representasi fuzzy segitiga = 0,857 Variabel = Tinggi 0,643 ; 0,515 ; 0,772
Alternatif ke – 6 C
1
= Hasil representasi fuzzy segitiga = 1 Variabel = Tinggi 0,75 ; 0,6 ; 0,9
C
2
= Hasil representasi fuzzy segitiga = 0,8 Variabel = Sedang 0,4 ; 0,24 ; 0,56
C
3
= Hasil representasi fuzzy segitiga = 1 Variabel = Rendah 0,25 ; 0,05 ; 0,45
C
4
= Hasil representasi fuzzy segitiga = 0,7 Variabel = Rendah 0,175 ; 0,035 ; 0,315
Universitas Sumatera Utara
Dari hasil representasi fuzzy segitiga untuk kriteria C
1
, C
2
, C
3
, C
4
di atas, maka pendukung keputusan akan membentuk sebuah matrik keputusan sebagai berikut:
K =
Phase ketiga:
Pada phase ketiga ini, selanjutnya pendukung keputusan akan menggunakan Analytic Hierarcy Process AHP untuk menentukan tingkat kepentingan setiap kriteria dengan
tujuan agar memperoleh vektor bobot. Dimana Analytic Hierarcy Process AHP akan menentukan skala perbandingan dari 1 – 9 untuk setiap kriteria C
1
, C
2
, C
3
, C
4
. Adapun skala perbandingan tersebut terdapat pada tabel 3.11 dibawah:
Tabel 3.11 Tingkat kepentingan kriteria Skala
Pasangan Keterangan
1 1
Sama penting 3
1 3
Agak lebih penting yang 1 dengan yang
lainnya
5 1
5 Cukup penting
7 1
7 Sangat penting
9 1
9 Mutlak lebih penting
2, 4, 6, 8 1
2 1
4 1
6 1
8 Nilai tengah
Pada Tabel 3.11 di atas, merupakan tabel tingkat kepentingan untuk setiap kriteria yang akan dinilai terhadap 4 kriteria yang sebelumnya telah ditetapkan oleh
pendukung keputusan yaitu ipk C
1
, penghasilan orangtua C
2
, tanggungan orangtua C
3
dan jarak C
4
. Adapun dibawah ini menunjukkan tahapan – tahapan yang
dilakukan Analytic Hierarcy Process AHP untuk memperoleh vektor bobot: 0,3 0,5 0,125 0,25
0,625 0,525 0,75 0,482 0,375 0,4 0,333 0,268
0,3 0,24 0,75 0,482 0,75 0,5 0,333 0,643
0,75 0,4 0,25 0,175
Universitas Sumatera Utara
�
1
�
2
�
3
�
4
� 9
7 5
3 � = Konsisten =
⎣ ⎢
⎢ ⎢
⎢ ⎡9
9 7
9 5
9 3
7
7 7
7 5
7 3
5
5 7
5 5
5 3
3
3 7
3 5
3 3
⎦ ⎥
⎥ ⎥
⎥ ⎤
9 1,28 1,8 3 7 1 1,4 2,33
5 0,71 1 1,66 3 0,42 0,6 1
Jumlah 24 3,41 4,8 7,99 Setelah dilakukan normalisasi menjadi:
� 0,375
0,375 0,375
0,375 0,291
0,293 0,291
0,291 0,208
0,208 0,208
0,207 0,125
0,123 0,125
0,125 �
Kemudian nilai vektor bobot yang didapatkan: W = [0,375 ; 0,291 ; 0,207 ; 0,124]
Setelah vektor bobot diperoleh, Selanjutnya pendukung keputusan akan menentukan alternatif yang akan dipilih, dimana vektor bobot akan dijumlahkan
dengan matrik keputusan menggunakan persamaan berikut: �
�
= ���
��
��
� �
S
1
= 0,30,375 + 0,50,291 + 0,1250,207 + 0,250,124 = 0,314875 S
2
= 0,6250,375 + 0,5250,291 + 0,750,207 + 0,4820,124 = 0,602168 S
3
= 0,3750,375 + 0,40,291 + 0,3330,207 + 0,2680,124 = 0,359239 S
4
= 0,30,375 + 0,240,291 + 0,750,207 + 0,4820,124 = 0,397376 S
5
= 0,750,375 + 0,50,291 + 0,3330,207 + 0,6430,124 = 0,575464 S
6
= 0,750,375+ 0,40,291 + 0,250,207 + 0,1750,124 = 0,471100 Setelah dilakukan perankingan terhadap 6 alternatif berdasarkan penilaian 4
kriteria yaitu ipk C
1
, penghasilan orangtua C
2
, tanggungan orangtua C
3
dan jarak C
4
, maka alternatif yang terpilih adalah alternatif yang memiliki nilai tertinggi adalah S
2
= 0,602168
Universitas Sumatera Utara
3.1.3. Desain rancangan Dalam desain rancangan ini, akan menggambarkan bentuk rancangan tampilan dari
pemodelan sistem pendukung keputusan. Adapun dalam rancangan tampilan tersebut akan memberikan 4 rancangan tampilan yaitu:
a. Rancangan utama program perankingan calon penerima beasiswa Pada gambar 3.3 rancangan utama program perangkingan ini, menjelaskan bentuk
rancangan dari pada tampilan utama program perankingan, dimana rancangan tersebut nantinya akan di tampilkan hasilnya dalam bahasa pemogramaan C++.
Gambar 3.3 Rancangan utama program perankingan calon penerima beasiswa
b. Rancangan input alternatif Pada rancangan input alternatif gambar 3.4 dibawah, menjelaskan suatu bentuk
rangangan dari jumlah alternatif yang akan diseleksi. Rancangan ini juga di rancang sedemikian rupa dengan tujuan agar dapat memberikan suatu hasil yang sesuai dengan
data – data input setiap alternatif yang ada dalam rancangan, sehingga nantinya hasil tampilan yang diberikan sesuai dengan rancangan dari pada input alternatif tersebut.
Gambar 3.4 Rancangan input alternatif
PROGRAM PERANKINGAN CALON PENERIMA BEASISWA MENGGUNAKAN FUZZY DAN AHP
AUTHOR : MUHAMMAD IQBAL Jumlah mahasiswa calon penerima beasiswa =
PROGRAM PERANKINGAN CALON PENERIMA BEASISWA MENGGUNAKAN FUZZY DAN AHP
AUTHOR : MUHAMMAD IQBAL Jumlah mahasiswa calon penerima beasiswa = xx
Data mahasiswa ke –x Nim
: xxxxxxxx Nama
: xxxxxxxx Ipk
: xxx Penghasilan ortua
: xxxxxxxx Tanggungan ortua
: xx Jarak
: xx
Universitas Sumatera Utara
c. Rancangan output matrik keputusan Untuk rancangan output matrik keputusan, merupakan suatu bentuk rancangan output
awal sebelum output hasil perankingan yang di rancang. Dalam rancangan tersebut hanya menjelaskan bentuk rancangan output matrik yang diberikan, sebagaimana
Gambar 3.5 dibawah:
Gambar 3.5 Rancangan output matrik keputusan d. Rancangan output hasil perankingan
Sedangkan pada rancangan output hasil perankingan seperti gambar 3.6 di bawah, merupakan suatu rancangan output akhir dalam proses perankingan yang dirancang.
Sehingga diharapkan rancangan tersebut nantinya akan memberikan bentuk tampilan yang baik sesuai rancangan tersebut.
Gambar 3.6 Rancangan output hasil perankingan Berdasarkan dari empat bentuk rancangan yang berbeda pada gambar diatas,
rancangan tersebut akan di tampilkan sebagai bentuk implementasi yang nantinya akan di tampilkan dalam bahasa pemograman C++, sebagaimana terdapat dalam bab
selanjutnya.
Jika Weight = [ xxx xxx xxx xxx ]
Maka didapatkan perankingan sebagai berikut : 1. Nim : xxxxxxxx Nama : xxxxxx Total nilai = xxxx
2. Nim : xxxxxxxx Nama : xxxxxx Total nilai = xxxx MATRIK KEPUTUSAN:
xxx xxx xxx xxx xxx xxx xxx xxx
Tekan enter untuk melanjutkan
Universitas Sumatera Utara
BAB 4
HASIL DAN PEMBAHASAN
4.1. Hasil
Kategori