Perbandingan Sistem Pendukung Keputusan Pemilihan Calon Ketua Osis Pada Smk Swasta Nusa Penida Medan Dengan Metodesimple Additive Weighting & Weighted Summodel Berbasis Android

BAB 2
LANDASAN TEORI

2.1. Sistem Pendukung Keputusan
Sistem Pendukung keputusan (SPK) atau dikenal dengan Decision Support System (DSS)

pada tahun 1970-an sebagai pengganti istilah Managementinformation system (MIS). Tetapi

pada dasarnya SPK merupakan pengembangan lebih lanjut dari MIS yang dirancang
sedemikian rupa sehingga bersifat interaktif dengan pemakainya, maksud dan tujuan dari

adanya sistem pendukung keputusan yaitu untuk mendukung pengambil keputusan memilih
alternative keputusan yang merupakan hasil pengolahan informasi

informasi yang diperoleh

dengan menggunakan model-model pengambilan keputusan serta menyelesaikan masalah
masalah bersifat terstruktur, semi terstruktur dan tidak terstruktur(Pristiwanto, 2014).
2.1.1

Komponen Sistem Pendukung Keputusan

Aplikasi komponen-komponen sistem pendukung keputusan dapat terdiri dari subsistem,
diantaranya(Pristiwanto, 2014). :

1. Subsistem manajemen data. Subsistem manajemen data mencakup satu database yang
berisi data yang relevan untuk situasi dan dikelola oleh sistem manajemen basisdata

(Data Base Management Systems (DBMS)). Subsistem manajemen data dapat

diinterkoneksikan dengan data warehouse perusahaan, suatu repositori untun data

perusahaan yang relevan untuk pengambil keputusan. Biasanya data disimpan atau

diakses via server web databasel. Subsistem manajemen data dapat diinterkoneksikan

dengan data warehouse perusahaan.

Subsistem manajemen model. Merupakan paket perangkat lunak yang memasukkan model
keuangan, statistik, ilmu manajemen, atau model

7
2. kuantitatif lainnya yang memberikan kapabilitas analitik dan manajemen perangkat
lunak yang tepat.

3. Subsistem

antarmuka

pengguna.

Pengguna

berkomunikasi

dengan

dan

memerintahkan DSS melalui subsistem ini. Pengguna adalah bagian yang

dipertimbangkan dari sistem. Para peneliti menegaskan bahwa beberapa kontribusi

unik dari DSS berasal dari interaksi yang intensif antara komputer dan pembuat

keputusan.

4. Subsistem manajemen berbasis-pengetahuan. Subsistem ini dapat mendukung semua
subsistem lain atau bertindak sebagai komponen independen. Ia memberikan
inteligensi untuk memperbesar pengetahuan si pengambil keputusan.
2.2. Android
Androidmerupakan sebuah sistem operasi telepon selular dan komputer tablet layar sentuh

(touchscreen) yang berbasis Linux. Namun seiring perkembangannya Android berubah
menjadi platform yang begitu cepat dalam melakukan inovasi(Kasman, 2013).

2.2.1. Versi Android
Keunikan dari nama sistem operasi Android adalah dengan menggunakan nama makanan

penutup. Selain itu juga OS Android memiliki awal berurutan sesuai abjad; Cupcake, Donut,

Eclair, Froyo, Gingerbread, Honeycomb, Ice Cream, Jelly Bean(Kasman, 2013)
1. Android Beta

2. Android 1.0 Astro

3. Android 1.1 Bender

4. Android 1.5 Cupcake
5. Android 1.6 Donut

6. Android 2.0/2.1 Eclair

7. Android 2.2 Froyo ( Froze Youghurt)
8. Android 2.3 Gingerbread

9. Android 3.0/3.1 Honeycomb

8
10. Android 4.0 ICS ( Ice Cream Sandwich )
11. Android 4.1 ( Jelly Bean )

12. Android 4.2 ( Jelly Bean )
13. Android 4.3 ( Jelly Bean )
14. Android 4.4 ( KitKat )

15. Android 5.0 ( Lollipop )
2.3. Simple Additive Weighting (SAW)
Metode ini merupakan metode yang paling diikenal dan banyak digunakan orang dalam

menghadapi situasi MADM. Metode ini mengharuskan pembuat keputusan menentukan
bobot bagi setiap atribut. Skor total untuk sebuah alternatif diperoleh dengan menjumlahkan

seluruh hasil perkalian antara rating yang dapat dibandingkan lintas atribut) bobot dan tiap
atribut. Rating tiap atribut telah melewati proses normalisasi sebelumnya (Pristiwanto, 2014).

Metode SAW dikenal sebagai istilah penjumlahan terbobot. Konsep dasar metode

SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada
semua atribut. Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke
suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.

Formula untuk melakukan normalisasi tersebut adalah sebagai berikut: dengan rij

adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i=1,2,...,m dan
j=1,2,...,n(Falah, 2014).

max
min
Nilai preferensi untuk setiap alternatif (Vi)
diberikan sebagai:

9

V =W x R
dengan:

V = Nilai Matriks

w = Matriks rating kepentingan (bobot)
r = rating

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih. Setelah

tujuan dan alternatif keputusan telah didapatkan, langkah selanjutnya adalah mengidentifikasi

kmpulan kriteria.Untuk lebih jelasnya, berikut disajikan flowchart metode Simple Addditive
Weighting

Gambar 2.1. Flowchart Metode Simple Additive Weighting

10
Tabel 2.1. Tabel Contoh Nilai SAW

Tabel 2.2. Tabel Hasil Normalisasi Nilai

Setelah proses normalisasi, maka langkah selanjutnya adalah menghitung nilai SAW.
Untuk alternatif Ani, maka nilai SAW yang diperoleh adalah :
= .

× . + . × . + . × . + .

+ . × . + . × . + . × .

= .

× .

Untuk alternatif Budi, maka nilai SAW yang diperoleh adalah :
+ .

= . × . + .
× .

+ . × .

× . + .
+

× .

× . + .

= .

Untuk alternatif Citra, maka nilai SAW yang diperoleh adalah :
+ .

= .

× . + . × . + .

× .

+ . × . + . × .

+

× .

× .

× . + . × .

= .

+ . × .

+ .

× .

11

Untuk alternatif Doni, maka nilai SAW yang diperoleh adalah :
= . × . + . × . +
+ . × .

+ .

× . + .

× . + .

× .

× .

+ .

× .

= .

Berdasarkan perhitungan diatas, maka alternatif Citra lah yang paling baik, dikarenakan

nilai preferensi SAW dari alternatif Citra mempunyai nilai yang tertinggi dari semua
alternatif yang ada.

2.4. Weighted Sum Model (WSM)
Weighted sum model adalah salah satu model yang paling umum dan banyak digunakan
untuk memodelkan permasalahan MADM. WSM mengurutkan semua kandidat berdasarkan
atribut yang telah ternormalisasi. Normalisasi atribut dilakukan guna menjamin perbandingan

antar atribut yang akan digunakan. Jika tidak demikian, maka atribut - atribut yang memiliki
nilai yang tinggi akan membuat ketidakseimbangan pada nilai keseluruhan yang akan
diperoleh(Falah, 2014).

Bentuk umum dari nilai alternatif pada Weighted Sum Model untuk permasalahan satu

dimensi dapat dinyatakan sebagai berikut(Falah, 2014) :
.

=

Namun jika permasalahan yang dihadapai lebih dari satu dimensi, maka persamaan

menjadi(Falah, 2014) :

=
Keterangan :
Ai
n
j
w
u

= referensi
= hasil penjumlahan
= batas atas
= batas bawah
= bobot
= kriteria

.

,

= , ,

12

Gambar 2.2. Flowchart Metode Weighted Sum Model
Untuk lebih jelasnya diberikan contoh sebagai berikut. Terdapat sebuah permasalahan

dalam memilih alternatif yang terbaik antara Ani, Budi, Citra dan Doni. Sedangkan kriteria
yang menentukan proses pemilihan adalah ketidak hadiran, Interaksi, Kelakuan, Kebersihan,

Tanggung Jawab, Kreatifitas, keaktifan dan Disiplin. Nilai bobot kriteria dan nilai kriteria
dari masing-masing alternatif disajikan dalam Tabel2.3.

Tabel 2.3. Tabel Contoh Nilai WSM

13
Berdasarkan Tabel 2.3, dapat kita ketahui nilai bobot yang diberikan pada kriteria

adalah 0.1 atau 10 %, nilai bobot dan 0.2 atau 20%, nilai bobot. Selanjutnya untuk
menghitung nilai WSM dari setiap alternatif, sehingga :

Untuk alternatif Ani, maka nilai WSM yang diperoleh adalah :
=

. ×

+ . ×

=

+

. ×

+

. ×

. +

. ×

+

. ×

+

. ×

+

. ×

+

. ×

+

. ×

.

Untuk alternatif Budi, maka nilai WSM yang diperoleh adalah :
=

. ×

+ . ×

=

+

. ×

+

. ×

+

. ×

+

. ×

.

Untuk alternatif Citra, maka nilai WSM yang diperoleh adalah :
=
+ . ×

. ×
=

+

. ×

+

. ×

+

. ×

+

. ×

+

. ×

+

. ×

. ×

+

. ×

.

Untuk alternatif Doni, maka nilai WSM yang diperoleh adalah :
=
+

. ×

. ×
=

+

. ×

+

. ×

+

. ×

+

. ×

+

.

Berdasarkan rumus, maka alternatif Citra lah yang paling baik, dikarenakan nilai WSM

dari alternatif Citra mempunyai nilai yang tertinggi dari semua alternatif yang ada.