Implementasi Metode Simple Additive Weighting dan Weighted Product Model Dalam Pemilihan Lembaga Bimbingan Belajar di Kota Medan
17
BAB 2
LANDASAN TEORI
2.1 Sistem Pendukung Keputusan
Sistem Pendukung Keputusan adalah sistem berbasis komputer yang membantu para
pengambil keputusan mengatasi masalah melalui interaksi dengan sejumlah
database.Tujuan dari sistem adalah untuk menyimpan data dan mengubahnya menjadi
terorganisir yang dapat diakses dengan mudah, sehingga keputusan-keputasan yang
diambil dapat dengan cepat, akurat, dan murah. (Dermawan, 2002)
Sistem Pendukung Keptusan biasanya dibangun untuk mendukung solusi atas
suatu masalah atau untuk satu peluang.Aplikasi Sistem Pendukung Keputusan
menggunakan CBIS (Computer Based Information System) yang fleksibel, interaktif,
dan diadaptasi, yang dikembangkan untuk mendukung mencari solusi. (Nofriansyah,
2014)
Sistem Pendukung Keputusan juga dapat didefenisikan sebuah sistem
informasi berbasis komputer yang menggabungkan model dan data dalam upaya
memecahkan masalah semi terstruktur dan beberapa masalah yang tidak terstruktur
dengan campur tangan pengguna. (Turban, et al. 2009)
2.1.1 Syarat Sistem Pendukung Keputusan
Menurut Bidgoli (1989), syarat dari sebuah sistem keputusan adalah :
1. Memerlukan perangkat keras;
2. Memerlukan perangkat lunak;
3. Memerlukan manusia (perancang dan pengguna);
4. Dirancang untuk mendukung sebuah pengambilan keputusan;
5. Harus dapat membantu pengambil keputusan pada setiap level keputusan; dan
6. Menekankan masalah tidak terstruktur dan semi terstruktur.
Universitas Sumatera Utara
18
2.1.2 Arsitektur Sistem Pendukung Keputusan
Arsitektur Sistem Keputusan (SPK) terdiri dari beberapa subsistem yang
menentukan kapabilitas teknis Sistem Pendukung Keputusan Tersebut (Nofriansyah,
2014), yaitu;
1. Subsistem data (Database)
Merupakan komponen Sistem Pendukung Keputusan yang berguna sebagai
penyedia data bagi sistem.Data tersebut disimpan untuk diorganisasikan dalam
sebuah basis data yang diorganisasikan oleh suatu sistem yang dsebut dengan
sistem manajemen basis data (Database Management System).
2. Subsistem Model
Subsistem yang mengatur interaksi data dan model keputusan yang ada pada
sistem.
3. Subsistem Dialog
Subsistem yang mampu mengintegrasikan sistem terpasang dengan pengguna
secara interaktif, yang dikenal dengan subsitem dialog.
Ketiga subsistem menjadi suatu Arsitektur SPK yang terdapat pada gambar 1.1
sebagai berikut:
Gambar 1.1 Arsitektur Sistem Pendukung Keputusan (Turban, et al. 2009)
Universitas Sumatera Utara
19
Arsitektur SPK sendiri terdiri dari fungsi-fungsi yang diperlukan pada sebuah SPK
yaitu Dialog, Manajemen Database, dan Pemodelan.
2.1.3. Karakteristik Sistem Pendukung Keputusan
Sehubungan banyaknya definisi yang dikemukakan mengenai pengertian dan
penerapan dari sebuah SPK, sehingga menyebabkan terdapat banyak sekali pandangan
mengenai sistem tersebut. SPK memiliki beberapa karakteristik dan kemampuan
(Nofriansyah, 2014), yaitu:
1. Mendukung proses pengambilan keputusan suatu organisasi atau perusahaan.
2. Adanya Interface manusia/mesin dimana manusia (user) tetap memegang
kontrol proses pengambilan keputusan.
3. Mendukung pengambilan keputusan untuk membahas masalah terstruktur,
semi terstruktur serta mendukung beberapa keputusan yang saling berinteraksi.
4. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan
kebutuhan.
5. Memiliki subsistem yang terintegrasi sedemikian rupa sehingga dapat
berfungsi sebagai kesatuan sistem.
6. Memiliki dua komponen utama yaitu data dan model.
7. Menggunakan beberapa model kuantitatif.
2.1.4. Tahapan Proses Pengambilan Keputusan
Langkah-langkah yang diperlukan dalam proses pengambilan
keputusan
(Nofriansyah, 2014), adalah:
A. Intelligence
Tahap ini merupakan proses penelusuran dan pendektesian dari ruang lingkup
problematika secara proses pengenalan masalah. Data masukan diperoleh,
diproses dan diuji dalam rangka mengidentifikasi masalah.
B. Design
Tahap ini merupakan proses menemukan, mengembangkan dan menganalisis
alternatif tindakan yang biasa dilakukan. Tahap ini meliputi menguji kelayakan
solusi.
C. Choice
Universitas Sumatera Utara
20
Pada tahap ini dilakukan proses pemilihan diantara berbagai alternatif tindakan
yang
mungkin
dijalankan.
Hasil
pemilihan
tersebut
kemudian
diimplementasikan dalam proses pengambilan keputusan.
2.2.
Simple Additive Weighting (SAW)
Simple Additive Weighting (SAW) sering juga dikenal dengan istilah metode
penjumlahan terbobot, merupakan sebuah metode yang cukup terkenal dan sering
digunakan dalam Multiple Decision Making (MADM).Setiap alternatif dikalikan
dengan atribut untuk memperoleh nilai. Proses perhitungan dapat dinyatakan dalam
rumus (1) (Venkata, 2007):
Keterangan:
Pi
= Nilai SAW
J
= Batas bawah perhitungan
M
= Batas atas perhitungan
= Bobot kriteria j
= Nilai alternatif i pada kriteria j
Banyak pendapat yang mengatakan bahwa metode SAW hanya bisa digunakan
ketika keputusan yang dinyatakan dalam satu bentuk.Namun jika setiap elemen yang
ada dinormalisasi, maka metode SAW dapat digunakan pada semua jenis kriteria
maupun alternatif. Dalam kasus tersebut, maka bentuk perhitungan akan menjadi
seperti rumus (2) (Venkata, 2007):
Universitas Sumatera Utara
21
Keterangan:
Pi
= Nilai SAW
j
= Batas bawah perhitungan
M
= Batas atas perhitungan
= Bobot kriteria j
(
) normal = Nilai kriteria dari alternatif pada baris i kolom j yang telah
ternormalisasi.
Ketika (
) normal mewakili nilai dari
yang telah dinormalisasi,
alternatif dengan nilai Pi tertinggi akan dipilih sebagai alternatif terbaik. Kriteria yang
ada dapat berupa kriteria keuntungan maupun kerugian. Jika kriteria merupakan
kriteria keuntungan, maka normalisasi dihitung dengan menggunakan rumus (3)
(Turban, et al. 2009):
Keterangan:
(
) normal = Nilai data baris i kolom j yang telah ternormalisai
(
)k
= Nilai alternatif i pada kriteria j
(
)l
= Nilai kriteria tertinggi dari alternatif
Namun jika kriteria yang akan dihitung merupakan kriteria kerugian (nilai
terendah merupakan nilai yang lebih baik), maka normalisai dihitung dengan
menggunakan rumus (4) (Venkata, 2007):
Keterangan:
(
) normal = Nilai data baris i kolom j yang telah ternormalisasi
Universitas Sumatera Utara
22
(
)l
= Nilai kriteria terendah dari alternatif
(
)k
= Nilai alternatif i pada kriteria j
Langkah-langkah yang diperlukan untuk memperoleh nilai SAW dari alternatif
yang ada adalah:
1. Masukkan nilai kriteria dari seluruh alternatif
2. Masukkan nilai bobot dari setiap kriteria
3. Normalisasi data dengan menggunakan rumus (3) jika kriteria yang
dihitung merupakan kriteria keuntungan dan dengan rumus (4) jika
kriteria yang dihitung berupa kriteria kerugian.
4. Data ternormalisasi akan diperoleh
5. Hitung nilai SAW dengan menggunakan rumus (2)
6. Nilai preferensi dari setiap alternatif diperoleh
Untuk lebih jelasnya, dapat dilihat pada Gambar 1.2 dibawah ini;
Universitas Sumatera Utara
23
Gambar 1.2 Flowchart Metode Simple Additive Weighting
Diberikan contoh sebagai berikut.Terdapat sebuah permasalahan dalam
memilih alternatif yang terbaik antara A1, A2, dan A3. Sedangkan kriteria yang
menentukan proses pemilihan adalah C1, C2, C3, dan C4. Nilai bobot kriteria dan
nilai kriteria dari masing-masing alternatif disajikan dalam Tabel 1.1 (Siregar, M F F,
2014)
Universitas Sumatera Utara
24
Tabel 1.1 Tabel Contoh Nilai SAW
C1
C2
C3
C4
Alternatif
0.3
0.3
0.2
0.2
A1
70
80
70
70
A2
70
70
70
60
A3
70
80
70
60
Berdasarkan Tabel 1.1, dapat kita ketahui nilai bobot yang diberikan pada
kriteria C1 adalah 0.3 atau 30%, nilai bobot pada kriteria C2 adalah 0.3 atau 30%,
nilai bobot pada kriteria C3 adalah 0.2 atau 20% dan nilai bobot pada kriteria C4
adalah 0.2 atau setara dengan 20%. Dalam permasalahan ini, keseluruhan kriteria
merupakan
kriteria
keuntungan.
Maka,
selanjutnya
data
tersebut
akan
dinormalisasikan dengan rumus (3). Sehingga menjadi seperti Tabel 1.2.
Tabel 1.2 Tabel Hasil Normalisasi Nilai
C1
C2
C3
C4
Alternatif
0.3
0.3
0.2
0.2
A1
1
1
0.857
0.5
A2
0.875 0.857 0.571
A3
0.75
0.857
1
1
0.5
Setelah proses normalisasi, maka langkah selanjutnya adalah menghitung nilai
SAW dengan rumus (2).
Untuk alternatif A1, maka nilai SAW yang diperoleh adalah:
Untuk alternatif A2, maka nilai SAW yang diperoleh adalah:
Untuk alternatif A3, maka nilai SAW yang diperoleh adalah:
Universitas Sumatera Utara
25
Berdasarkan perhitungan diatas, maka alternatif
dikarenakan nilai preferensi SAW dari alternatif
dan
dan
yang baik,
merupakan nilai yang
tertinggi dari ketiga alternatif yang ada, yaitu Primagama dan Adzkia.
2.3.
Weighted Product Model (WPM)
Metode Weighted Prduct (WP) Merupakan metode pengambilan keputusan dengan
cara perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus
dipangkatkan dulu dengan bobot atribut yang bersangkutan (Primarizky, 2013).
Metode Weighted Product (WP) merupakan salah satu metode penyelesaian yang
ditawarkan untuk menyelesaikan masalah Multi Attribute Decision Making (MADM).
Multi Attribute Decision Making adalah satu metode pengambilan keputusan untuk
menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan beberapa kriteria
tertentu (Kusumadewi, 2006). Kriteria biasanya berupa ukuran-ukuran, aturan-aturan
atau standar yang digunakan dalam pengambilan keputusan. Setelah mendapat hasil
bobot atribut, selanjutnya dihitung vector V persamaan sebagai berikut (Savitha. K.
dan Chandrasekar. C.2011):
(1)
Keterangan:
=Nilai alternatif terbaik.
=Nilai atribut j pada kriteria i
=Bobot kriteria j
Universitas Sumatera Utara
26
Gambar 1.3 Flowchart Metode Weighted Product Model
Sebagai contoh implementasi metode Weighted Product, yakni: Diasumsikan
tempat lembaga bimbingan belajar di kota Medan ditentukan dengan memiliki nilai
dari kriteria, yaitu: Biaya, Fasilitas, Jumlah Pertemuan, Jumlah Lulus ke PTN.
Alternatif pemilihan tempat lembaga bimbingan belajar di kota Medan yang
disediakan seperti tabel dibawah ini.
Universitas Sumatera Utara
27
Tabel 1.3 Data Tempat Lembaga Bimbingan Belajar di Kota Medan
Kriteria
Alternatif
C1
C2
C3
C4
A1
70
80
70
70
A2
70
70
70
60
A3
70
80
70
60
Keterangan:
C1 =Biaya
A1=GaneshaOperation(GO)
C2 =Fasilitas
A2 =Primagama
C3 =Jumlah pertemuan
A3=ADZKIA
C4 =Jumlah Lulus ke PTN
Di mana data dari setiap kriteria yang didapat oleh masing-masing Bimbingan
Belajar yang ada di kota Medan. Selanjutnya menentukan bobot untuk setiap kriteria,
bobot kriteria akan ditentukan sebagai berikut:
Tabel 1.4 Pemberian Bobot
Kriteria
C1
C2
C3
C4
Alternatif
0.2
0.2
0.3
0.3
A1
70
80
70
70
A2
70
70
70
60
A3
70
80
70
60
Universitas Sumatera Utara
28
Berdasarkan table 2 diatas, dapat kita ketahui nilai bobot yang diberikan pada
A1 adalah 0.2 atau 20%, nilai bobot pada kriteria A2 adalah 0.2 atau 20%, nilai bobot
pada kriteria A3 adalah 0.3 atau 30%, nilai bobot pada kriteria A4 adalah 0.3 atau
setara dengan 30%. Selanjutnya untuk menghitung nilai WPM dari setiap alternatif
digunakan rumus (1) sehingga:
A1=700.3 x80 0.3 x70 0.2 x70 0.2=68.5055
A2=700.3 x70 0.3 x70 0.2 x60 0.2=61.985
A3=700.3 x80 0.3 x70 0.2 x60 0.2=65.527
Dari hasil diatas, maka A1 merupakan alternatif pilihan terbaik yaitu Lembaga
Bimbingan Belajar Ganesha Operation (GO).
2.4.
Relevansi
Beberapa contoh penelitian tentang Sistem Pendukung Keputusan dan implementasi
metode Simple Additive Weighting maupun Weighted Product Model adalah sebagai
berikut:
1. M.Fajrul Falah
Siregar
(2010),
membuat
penelitian
yang berjudul
Implementasi Metode Simple Additive Weighting (SAW) Dalam Pemilihan
Siswa Berprestasi (Studi Kasus: MIN Tanjung Sari Medan Selayang). Hasil
penelitian yang diperoleh adalah sebuah Sistem Pendukung Keputusan untuk
menentukan pemilihan siswa berprestasi.
2. Destriyana Darmastuti (2013), membuat penelitian dengan judul Implementasi
Metode Simple Additive Weighting (SAW) Dalam Sistem Informasi Lowongan
Kerja Berbasis WEB Untuk Rekomendasi Pencari Kerja Terbaik. Hasil
penelitian yang diperoleh adalah sebuah aplikasi berbasis WEB untuk
rekomendasi pencari kerja terbaik dan hasil rekomendasi pencari kerja yang
sesuai dengan kebutuhan penyedia kerja berdasarkan kriteria yang dibutuhkan.
Universitas Sumatera Utara
BAB 2
LANDASAN TEORI
2.1 Sistem Pendukung Keputusan
Sistem Pendukung Keputusan adalah sistem berbasis komputer yang membantu para
pengambil keputusan mengatasi masalah melalui interaksi dengan sejumlah
database.Tujuan dari sistem adalah untuk menyimpan data dan mengubahnya menjadi
terorganisir yang dapat diakses dengan mudah, sehingga keputusan-keputasan yang
diambil dapat dengan cepat, akurat, dan murah. (Dermawan, 2002)
Sistem Pendukung Keptusan biasanya dibangun untuk mendukung solusi atas
suatu masalah atau untuk satu peluang.Aplikasi Sistem Pendukung Keputusan
menggunakan CBIS (Computer Based Information System) yang fleksibel, interaktif,
dan diadaptasi, yang dikembangkan untuk mendukung mencari solusi. (Nofriansyah,
2014)
Sistem Pendukung Keputusan juga dapat didefenisikan sebuah sistem
informasi berbasis komputer yang menggabungkan model dan data dalam upaya
memecahkan masalah semi terstruktur dan beberapa masalah yang tidak terstruktur
dengan campur tangan pengguna. (Turban, et al. 2009)
2.1.1 Syarat Sistem Pendukung Keputusan
Menurut Bidgoli (1989), syarat dari sebuah sistem keputusan adalah :
1. Memerlukan perangkat keras;
2. Memerlukan perangkat lunak;
3. Memerlukan manusia (perancang dan pengguna);
4. Dirancang untuk mendukung sebuah pengambilan keputusan;
5. Harus dapat membantu pengambil keputusan pada setiap level keputusan; dan
6. Menekankan masalah tidak terstruktur dan semi terstruktur.
Universitas Sumatera Utara
18
2.1.2 Arsitektur Sistem Pendukung Keputusan
Arsitektur Sistem Keputusan (SPK) terdiri dari beberapa subsistem yang
menentukan kapabilitas teknis Sistem Pendukung Keputusan Tersebut (Nofriansyah,
2014), yaitu;
1. Subsistem data (Database)
Merupakan komponen Sistem Pendukung Keputusan yang berguna sebagai
penyedia data bagi sistem.Data tersebut disimpan untuk diorganisasikan dalam
sebuah basis data yang diorganisasikan oleh suatu sistem yang dsebut dengan
sistem manajemen basis data (Database Management System).
2. Subsistem Model
Subsistem yang mengatur interaksi data dan model keputusan yang ada pada
sistem.
3. Subsistem Dialog
Subsistem yang mampu mengintegrasikan sistem terpasang dengan pengguna
secara interaktif, yang dikenal dengan subsitem dialog.
Ketiga subsistem menjadi suatu Arsitektur SPK yang terdapat pada gambar 1.1
sebagai berikut:
Gambar 1.1 Arsitektur Sistem Pendukung Keputusan (Turban, et al. 2009)
Universitas Sumatera Utara
19
Arsitektur SPK sendiri terdiri dari fungsi-fungsi yang diperlukan pada sebuah SPK
yaitu Dialog, Manajemen Database, dan Pemodelan.
2.1.3. Karakteristik Sistem Pendukung Keputusan
Sehubungan banyaknya definisi yang dikemukakan mengenai pengertian dan
penerapan dari sebuah SPK, sehingga menyebabkan terdapat banyak sekali pandangan
mengenai sistem tersebut. SPK memiliki beberapa karakteristik dan kemampuan
(Nofriansyah, 2014), yaitu:
1. Mendukung proses pengambilan keputusan suatu organisasi atau perusahaan.
2. Adanya Interface manusia/mesin dimana manusia (user) tetap memegang
kontrol proses pengambilan keputusan.
3. Mendukung pengambilan keputusan untuk membahas masalah terstruktur,
semi terstruktur serta mendukung beberapa keputusan yang saling berinteraksi.
4. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan
kebutuhan.
5. Memiliki subsistem yang terintegrasi sedemikian rupa sehingga dapat
berfungsi sebagai kesatuan sistem.
6. Memiliki dua komponen utama yaitu data dan model.
7. Menggunakan beberapa model kuantitatif.
2.1.4. Tahapan Proses Pengambilan Keputusan
Langkah-langkah yang diperlukan dalam proses pengambilan
keputusan
(Nofriansyah, 2014), adalah:
A. Intelligence
Tahap ini merupakan proses penelusuran dan pendektesian dari ruang lingkup
problematika secara proses pengenalan masalah. Data masukan diperoleh,
diproses dan diuji dalam rangka mengidentifikasi masalah.
B. Design
Tahap ini merupakan proses menemukan, mengembangkan dan menganalisis
alternatif tindakan yang biasa dilakukan. Tahap ini meliputi menguji kelayakan
solusi.
C. Choice
Universitas Sumatera Utara
20
Pada tahap ini dilakukan proses pemilihan diantara berbagai alternatif tindakan
yang
mungkin
dijalankan.
Hasil
pemilihan
tersebut
kemudian
diimplementasikan dalam proses pengambilan keputusan.
2.2.
Simple Additive Weighting (SAW)
Simple Additive Weighting (SAW) sering juga dikenal dengan istilah metode
penjumlahan terbobot, merupakan sebuah metode yang cukup terkenal dan sering
digunakan dalam Multiple Decision Making (MADM).Setiap alternatif dikalikan
dengan atribut untuk memperoleh nilai. Proses perhitungan dapat dinyatakan dalam
rumus (1) (Venkata, 2007):
Keterangan:
Pi
= Nilai SAW
J
= Batas bawah perhitungan
M
= Batas atas perhitungan
= Bobot kriteria j
= Nilai alternatif i pada kriteria j
Banyak pendapat yang mengatakan bahwa metode SAW hanya bisa digunakan
ketika keputusan yang dinyatakan dalam satu bentuk.Namun jika setiap elemen yang
ada dinormalisasi, maka metode SAW dapat digunakan pada semua jenis kriteria
maupun alternatif. Dalam kasus tersebut, maka bentuk perhitungan akan menjadi
seperti rumus (2) (Venkata, 2007):
Universitas Sumatera Utara
21
Keterangan:
Pi
= Nilai SAW
j
= Batas bawah perhitungan
M
= Batas atas perhitungan
= Bobot kriteria j
(
) normal = Nilai kriteria dari alternatif pada baris i kolom j yang telah
ternormalisasi.
Ketika (
) normal mewakili nilai dari
yang telah dinormalisasi,
alternatif dengan nilai Pi tertinggi akan dipilih sebagai alternatif terbaik. Kriteria yang
ada dapat berupa kriteria keuntungan maupun kerugian. Jika kriteria merupakan
kriteria keuntungan, maka normalisasi dihitung dengan menggunakan rumus (3)
(Turban, et al. 2009):
Keterangan:
(
) normal = Nilai data baris i kolom j yang telah ternormalisai
(
)k
= Nilai alternatif i pada kriteria j
(
)l
= Nilai kriteria tertinggi dari alternatif
Namun jika kriteria yang akan dihitung merupakan kriteria kerugian (nilai
terendah merupakan nilai yang lebih baik), maka normalisai dihitung dengan
menggunakan rumus (4) (Venkata, 2007):
Keterangan:
(
) normal = Nilai data baris i kolom j yang telah ternormalisasi
Universitas Sumatera Utara
22
(
)l
= Nilai kriteria terendah dari alternatif
(
)k
= Nilai alternatif i pada kriteria j
Langkah-langkah yang diperlukan untuk memperoleh nilai SAW dari alternatif
yang ada adalah:
1. Masukkan nilai kriteria dari seluruh alternatif
2. Masukkan nilai bobot dari setiap kriteria
3. Normalisasi data dengan menggunakan rumus (3) jika kriteria yang
dihitung merupakan kriteria keuntungan dan dengan rumus (4) jika
kriteria yang dihitung berupa kriteria kerugian.
4. Data ternormalisasi akan diperoleh
5. Hitung nilai SAW dengan menggunakan rumus (2)
6. Nilai preferensi dari setiap alternatif diperoleh
Untuk lebih jelasnya, dapat dilihat pada Gambar 1.2 dibawah ini;
Universitas Sumatera Utara
23
Gambar 1.2 Flowchart Metode Simple Additive Weighting
Diberikan contoh sebagai berikut.Terdapat sebuah permasalahan dalam
memilih alternatif yang terbaik antara A1, A2, dan A3. Sedangkan kriteria yang
menentukan proses pemilihan adalah C1, C2, C3, dan C4. Nilai bobot kriteria dan
nilai kriteria dari masing-masing alternatif disajikan dalam Tabel 1.1 (Siregar, M F F,
2014)
Universitas Sumatera Utara
24
Tabel 1.1 Tabel Contoh Nilai SAW
C1
C2
C3
C4
Alternatif
0.3
0.3
0.2
0.2
A1
70
80
70
70
A2
70
70
70
60
A3
70
80
70
60
Berdasarkan Tabel 1.1, dapat kita ketahui nilai bobot yang diberikan pada
kriteria C1 adalah 0.3 atau 30%, nilai bobot pada kriteria C2 adalah 0.3 atau 30%,
nilai bobot pada kriteria C3 adalah 0.2 atau 20% dan nilai bobot pada kriteria C4
adalah 0.2 atau setara dengan 20%. Dalam permasalahan ini, keseluruhan kriteria
merupakan
kriteria
keuntungan.
Maka,
selanjutnya
data
tersebut
akan
dinormalisasikan dengan rumus (3). Sehingga menjadi seperti Tabel 1.2.
Tabel 1.2 Tabel Hasil Normalisasi Nilai
C1
C2
C3
C4
Alternatif
0.3
0.3
0.2
0.2
A1
1
1
0.857
0.5
A2
0.875 0.857 0.571
A3
0.75
0.857
1
1
0.5
Setelah proses normalisasi, maka langkah selanjutnya adalah menghitung nilai
SAW dengan rumus (2).
Untuk alternatif A1, maka nilai SAW yang diperoleh adalah:
Untuk alternatif A2, maka nilai SAW yang diperoleh adalah:
Untuk alternatif A3, maka nilai SAW yang diperoleh adalah:
Universitas Sumatera Utara
25
Berdasarkan perhitungan diatas, maka alternatif
dikarenakan nilai preferensi SAW dari alternatif
dan
dan
yang baik,
merupakan nilai yang
tertinggi dari ketiga alternatif yang ada, yaitu Primagama dan Adzkia.
2.3.
Weighted Product Model (WPM)
Metode Weighted Prduct (WP) Merupakan metode pengambilan keputusan dengan
cara perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus
dipangkatkan dulu dengan bobot atribut yang bersangkutan (Primarizky, 2013).
Metode Weighted Product (WP) merupakan salah satu metode penyelesaian yang
ditawarkan untuk menyelesaikan masalah Multi Attribute Decision Making (MADM).
Multi Attribute Decision Making adalah satu metode pengambilan keputusan untuk
menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan beberapa kriteria
tertentu (Kusumadewi, 2006). Kriteria biasanya berupa ukuran-ukuran, aturan-aturan
atau standar yang digunakan dalam pengambilan keputusan. Setelah mendapat hasil
bobot atribut, selanjutnya dihitung vector V persamaan sebagai berikut (Savitha. K.
dan Chandrasekar. C.2011):
(1)
Keterangan:
=Nilai alternatif terbaik.
=Nilai atribut j pada kriteria i
=Bobot kriteria j
Universitas Sumatera Utara
26
Gambar 1.3 Flowchart Metode Weighted Product Model
Sebagai contoh implementasi metode Weighted Product, yakni: Diasumsikan
tempat lembaga bimbingan belajar di kota Medan ditentukan dengan memiliki nilai
dari kriteria, yaitu: Biaya, Fasilitas, Jumlah Pertemuan, Jumlah Lulus ke PTN.
Alternatif pemilihan tempat lembaga bimbingan belajar di kota Medan yang
disediakan seperti tabel dibawah ini.
Universitas Sumatera Utara
27
Tabel 1.3 Data Tempat Lembaga Bimbingan Belajar di Kota Medan
Kriteria
Alternatif
C1
C2
C3
C4
A1
70
80
70
70
A2
70
70
70
60
A3
70
80
70
60
Keterangan:
C1 =Biaya
A1=GaneshaOperation(GO)
C2 =Fasilitas
A2 =Primagama
C3 =Jumlah pertemuan
A3=ADZKIA
C4 =Jumlah Lulus ke PTN
Di mana data dari setiap kriteria yang didapat oleh masing-masing Bimbingan
Belajar yang ada di kota Medan. Selanjutnya menentukan bobot untuk setiap kriteria,
bobot kriteria akan ditentukan sebagai berikut:
Tabel 1.4 Pemberian Bobot
Kriteria
C1
C2
C3
C4
Alternatif
0.2
0.2
0.3
0.3
A1
70
80
70
70
A2
70
70
70
60
A3
70
80
70
60
Universitas Sumatera Utara
28
Berdasarkan table 2 diatas, dapat kita ketahui nilai bobot yang diberikan pada
A1 adalah 0.2 atau 20%, nilai bobot pada kriteria A2 adalah 0.2 atau 20%, nilai bobot
pada kriteria A3 adalah 0.3 atau 30%, nilai bobot pada kriteria A4 adalah 0.3 atau
setara dengan 30%. Selanjutnya untuk menghitung nilai WPM dari setiap alternatif
digunakan rumus (1) sehingga:
A1=700.3 x80 0.3 x70 0.2 x70 0.2=68.5055
A2=700.3 x70 0.3 x70 0.2 x60 0.2=61.985
A3=700.3 x80 0.3 x70 0.2 x60 0.2=65.527
Dari hasil diatas, maka A1 merupakan alternatif pilihan terbaik yaitu Lembaga
Bimbingan Belajar Ganesha Operation (GO).
2.4.
Relevansi
Beberapa contoh penelitian tentang Sistem Pendukung Keputusan dan implementasi
metode Simple Additive Weighting maupun Weighted Product Model adalah sebagai
berikut:
1. M.Fajrul Falah
Siregar
(2010),
membuat
penelitian
yang berjudul
Implementasi Metode Simple Additive Weighting (SAW) Dalam Pemilihan
Siswa Berprestasi (Studi Kasus: MIN Tanjung Sari Medan Selayang). Hasil
penelitian yang diperoleh adalah sebuah Sistem Pendukung Keputusan untuk
menentukan pemilihan siswa berprestasi.
2. Destriyana Darmastuti (2013), membuat penelitian dengan judul Implementasi
Metode Simple Additive Weighting (SAW) Dalam Sistem Informasi Lowongan
Kerja Berbasis WEB Untuk Rekomendasi Pencari Kerja Terbaik. Hasil
penelitian yang diperoleh adalah sebuah aplikasi berbasis WEB untuk
rekomendasi pencari kerja terbaik dan hasil rekomendasi pencari kerja yang
sesuai dengan kebutuhan penyedia kerja berdasarkan kriteria yang dibutuhkan.
Universitas Sumatera Utara