Implementasi Metode Multifactor Evaluation Process (MFEP) dan Metode Elimination et choix Traduisant la Realite (ELECTRE) pada Sistem Pendukung Keputusan untuk Memilih Tabungan Syariah
6
BAB 2
TINJAUAN PUSTAKA
2.1. Bank Syariah
Berdirinya bank syariah di Indonesia diawali oleh adanya beberapa fatwa dari
organisasi keislaman di Indonesia tentang bunga bank. Diantaranya adalah fatwa
organisasi Muhammadiyah melalui hasil keputusan Tarjih tahun 1968 dan 1972,
fatwa Nahdlatul „Ulama melalui hasil keputusan Lajnah Bahsul Masa‟il tahun 1982,
fatwa MUI No.1 tahun 2004 tentang bunga bank dan fatwa terbaru hasil keputusan
Tarjih dan Tajdid Muhammadiyah No.8 tahun 2006 yang juga mendorong tumbuh
kembangnya perbankan syariah di Indonesia (Pratikto, Heri. 2011).
Perbankan syariah adalah lembaga keuangan yang usaha pokoknya memberikan
kredit dan jasa-jasa lain dalam lalu lintas pembayaran serta peredaran uang yang
beroperasi disesuaikan dengan prinsip-prinsip syariah (Salviana, Resvi. 2014). Tujuan
dan fungsi perbankan syariah dalam perekomomian adalah: kemakmuran ekonomi
yang meluas, tingkat kerja penuh dan tingkat pertumbuhan ekonomi yang optimum,
keadilan sosial ekonomi dan distribusi pendapatan serta kekayaan yang merata,
stabilitas nilai uang, mobilisasi dan investasi tabungan yang menjamin adanya
pengembalian yang adil, serta pelayanan yang efektif (Ulfah, Maria. 2010).
2.2. Bank Syariah vs Bank Konvensional
Dalam beberapa hal, bank konvensional dan bank syariah memiliki persamaan
terutama dalam sisi teknis penerimaan uang, mekanisme transfer, teknologi komputer
yang digunakan dan sebagainya. Menurut Fansuri Munawar (2012) adapun perbedaan
antara Bank Syariah dengan Bank Konvensional dapat dilihat pada tabel 2.1.
Universitas Sumatera Utara
7
Tabel 2.1. Perbedaan Bank Syariah dengan Bank Konvensional
No.
Bank Syariah
1.
Melakukan investasi yang halal
saja
Berdasarkan prinsip bagi hasil, jual
beli, atau sewa
Profit dan falah (keuntungan
duniawi dan kebahagiaan akhirat)
oriented
Hubungan dengan nasabah dalam
bentuk hubungan kemitraan
Penghimpunan dan penyaluran
dana harus sesuai dengan Fatwa
Dewan Pengawas Syariah
2.
3.
4.
5.
Bank Konvensional
Investasi yang halal dan haram
Memakai perangkat bunga
Profit Oriented
Hubungan dengan nasabah dalam bentuk
hubungan kreditur-debitur
Tidak terdapat dewan sejenis
Adapun perbedaan antara Bunga Bank dengan system Bagi Hasil dapat dilihat
pada tabel 2.2.
Tabel 2.2. Perbedaan Bunga Bank dengan “Bagi Hasil” *)
No.
1.
2.
3.
4.
5..
Bunga
Bagi Hasil
Penentuan bunga dibuat pada Penentuan besarnya rasio/nisbah bagi hasil
waktu akad dengan asumsi harus dibuat pada waktu akad dengan
selalu untung.
berpedoman pada kemungkinan untung
rugi.
Besarnya persentase berdasarkan Besarnya rasio bagi hasil berdasarkan pada
pada jumlah uang (modal) yang jumlah keuntungan yang diperoleh.
dipinjamkan.
Pembayaran bunga tetap seperti Bagi hasil tergantung pada keutungan
yang dijanjikan tanpa pertimbangan proyek yang dijalankan. Bila usaha
apakah proyek yang dijalankan merugi, kerugian akan ditanggung bersama
oleh pihak nasabah untung atau oleh kedua belah pihak.
rugi.
Jumlah pembayaran bunga tidak Jumlah pembagian laba meningkat sesuai
meningkat
sekalipun
jumlah dengan peningkatan jumlah pendapatan.
keuntungan berlipat atau kedaan
ekonomi sedang “booming”.
Eksistensi bunga diragukan (kalau Tidak ada yang meragukan keabsahan bagi
tidak dikecam) oleh semua agama hasil.
termasuk Islam.
*) Fansuri Munawar (2012)
Universitas Sumatera Utara
8
2.3. Sistem Pendukung Keputusan
2.3.1. Pengertian Sistem Pendukung Keputusan
Sistem pendukung keputusan didefinisikan sebagai sebuah sistem yang dimaksudkan
untuk mendukung para pengambil keputusan manajerial dalam situasi situasi tertentu.
Sistem pendukung keputusan dimaksudkan untuk menjadi alat bantu bagi para
pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak untuk
menggantikan penilaian mereka (Turban, 2005).
Menurut Keen dan Morton (dalam Turban, 2005), Sistem Pendukung Keputusan
merupakan penggabungan sumber-sumber kecerdasan individu dengan kemampuan
komponen untuk memperbaiki kualitas keputusan. Sistem pendukung keputusan juga
merupakan sistem informasi berbasis komputer untuk manajemen pengambilan
keputusan yang menangani masalah-masalah semi terstruktur. Sedangkan menurut
Little (dalam Turban, 2005), Sistem pendukung keputusan adalah sekumpulan
prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para
manajer mengambil keputusan.
Menurut Bonczek (dalam Turban, 2005), Sistem pendukung keputusan
didefinisikan sebagai sistem berbasis komputer yang terdiri dari tiga komponen yang
saling berinteraksi, yaitu : sistem bahasa (mekanisme untuk memberikan komunikasi
antara pengguna dan komponen SPK yang lain), sistem pengetahuan (repositori
pengetahuan domain masalah yang ada pada SPK baik sebagai data maupun sebagai
prosedur), dan sistem pemrosesan masalah (hubungan antara dua komponen lainnya,
terdiri dari satu atau lebih kapabilitas manipulasi masalah umum yang diperlukan
untuk pengambilan keputusan).
Dari beberapa definisi Sistem Pendukung Keputusan di atas, dapat disimpulkan
bahwa Sistem Pendukung Keputusan merupakan sebuah sistem berbasiskan komputer
yang digunakan untuk membantu para pembuat keputusan dengan memberikan
gambaran mengenai bagaimana sebaiknya keputusan itu dibuat. Sistem Pendukung
Keputusan dibuat bukan untuk menggantikan fungsi pembuat keputusan, melainkan
untuk memberikan beberapa informasi ataupun data-data yang mendukung keputusan
Universitas Sumatera Utara
9
tersebut, sehingga keputusan yang dibuat merupakan keputusan yang terbaik (Jauhari,
Jaidan. 2014).
2.3.2. Tujuan Sistem Pendukung Keputusan
Menurut Jaidan Jauhari (2014) tujuan dari sistem pendukung keputusan, yaitu:
1. Membantu manajer dalam pengambilan keputusan atas masalah semi terstruktur.
2. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan
untuk menggantikan fungsi manajer.
3. Meningkatkan efektivitas keputusan yang diambil manajer lebih daripada
perbaikan efisiensinya.
4. Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk
melakukan banyak komputasi secara cepat dengan biaya yang rendah.
5. Peningkatan produktivitas dan dukungan kualitas. Komputer bisa meningkatkan
kualitas keputusan yang dibuat.
6. Berdaya saing. Tekanan persaingan menyebabkan tugas pengambilan keputusan
menjadi sulit. Persaingan didasarkan tidak hanya pada harga, tetapi juga pada
kualitas, kecepatan, kustomasi produk, dan dukungan pelanggan.
7. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan.
Menurut Simon (dalam Kusrini, 2007), Otak manusia memiliki kemampuan yang
terbatas untuk memproses dan menyimpan informasi. Orang-orang kadang sulit
mengingat dan menggunakan sebuah informasi dengan cara yang bebas dari
kesalahan. Karena keterbatasan itulah maka dibutuhkan sebuah sistem yang mampu
membantu dan melengkapi kekurangan dari fungsi kerja otak manusia.
2.3.3. Komponen Sistem Pendukung Keputusan
Sistem Pendukung Keputusan terdiri dari tiga komponen utama (subsistem), yaitu:
Universitas Sumatera Utara
10
Basis Data
Basis Model
Manajemen
Basis Data
Manajemen
Basis Model
Manajemen Penyelenggaraan
Dialog
Tugas
Lingkungan
Pemakai
Gambar 2.1. Komponen Utama Sistem Pendukung Keputusan (Nasution, L.F. 2009)
2.4. Metode MFEP
Menurut Dahria, dkk (2014) dalam MFEP, seluruh kriteria yang menjadi faktor
penting dalam melakukan pertimbangan diberikan pembobotan (weighting) yang
sesuai. Langkah yang sama juga dilakukan terhadap alternatif-alternatif yang akan
dipilih, yang kemudian dapat dievaluasi berkaitan dengan faktor-faktor pertimbangan
tersebut.
Multifactor Evaluation Process banyak digunakan dengan alasan: konsepnya
sederhana dan mudah dipahami, komputasinya efisien, dan memiliki kemampuan
untuk mengukur kinerja relatif dan alternatif-alternatif
keputusan dalam bentuk
matematis yang sederhana.
2.4.1. Langkah – langkah Metode MFEP
Menurut Dahria, dkk (2014) dalam metode MFEP, pengambilan keputusan dilakukan
dengan memberikan pertimbangan subyektif dan intuitif terhadap faktor yang
dianggap penting. Pertimbangan-pertimbangan tersebut berupa pemberian bobot
Universitas Sumatera Utara
11
(weighting system) atas multifactor yang terlibat dan dianggap penting tersebut.
Dalam MFEP seluruh kriteria yang menjadi faktor penting dalam melakukan
pertimbangan diberikan pembobotan (weighting) yang sesuai.
Dalam MFEP, hal yang harus dilakukan pertama kali adalah penentuan faktorfaktor yang dianggap penting. Langkah selanjutnya adalah membandingkan faktorfaktor tersebut untuk mendapatkan faktor mana yang paling penting, kedua terpenting,
dan seterusnya. Langkah selanjutnya adalah memberikan pembobotan kepada faktorfaktor yang digunakan dimana total pembobotan harus sama dengan 1.
Langkah selanjutnya adalah mengisikan nilai untuk setiap faktor yang
mempengaruhi dalam pengambilan keputusan. Dari data-data yang akan diproses,
nilai yang dimasukkan dalam proses pengambilan keputusan merupakan nilai objektif,
yaitu antara 0-1. Dari hasil perhitungan, Metode MFEP menentukan bahwa alternatif
dengan nilai tertinggi adalah solusi terbaik berdasarkan kriteria yang telah di pilih.
Penggunaan metode MFEP dapat direalisasikan dengan contoh berikut:
Nbe = Nbf x Nef
Tne = Nbe1+Nbe2+Nbe3,…
Keterangan :
Nbe : Nilai Bobot Evaluasi
Nef : Nilai Evaluasi Faktor
Nbf : Nilai Bobot Faktor
Tne : Total Nilai Evaluasi
2.5. Metode ELECTRE
ELimination Et Choix Traduisant la RealitE (ELECTRE) adalah suatu metode
outranking berdasarkan analisis concordance (kesesuaian). Kelebihan utamanya
adalah ELECTRE dibutuhkan dalam ketidakjelasan dan ketidakpastian. Salah satu
kekurangan ELECTRE adalah proses dan hasilnya sulit dijelaskan dalam istilah
awam. Selanjutnya, karena menggunakan cara penggabungan preferensi maka
alternatif yang tidak sesuai dengan kriteria tidak ditampilkan. Metode outranking
Universitas Sumatera Utara
12
menyebabkan
kekuatan
dan
kelemahan
dari
suatu
alternatif
tidak
dapat
diidentifikasikan secara langsung dan hasil serta dampak tidak akan langsung
diverifikasi (Konidari & Mavrakis. 2007). ELECTRE telah digunakan dalam masalah
transportasi, ekonomi, pengelolaan air, energy dan lingkungan. Seperti pada metodemetode sistem pendukung keputusan lainnya, ELECTRE juga membutuhkan
ketidakjelasan dan ketidakpastian dimana banyak aplikasi yang memerlukan hal
tersebut (Mark V. & Hester P.T. 2013).
Menurut Janko dan Bernoider (2005), ELECTRE merupakan salah satu metode
pengambilan keputusan multikriteria berdasarkan pada konsep outranking dengan
menggunakan perbandingan berpasangan dari alternatif-alternatif berdasarkan setiap
kriteria yang sesuai. Metode ELECTRE digunakan pada kondisi dimana alternatif
yang kurang sesuai dengan kriteria dieliminasi, dan alternatif yang sesuai dapat
dihasilkan. Dengan kata lain, electre digunakan untuk kasus-kasus dengan banyak
alternatif namun hanya sedikit kriteria yang dilibatkan (Setiyawati, dkk. 2014).
Suatu alternatif dikatakan mendominasi alternatif yang lainnya jika satu atau
lebih kriterianya melebihi (dibandingkan dengan kriteria dari alternatif yang lain) dan
sama dengan kriteria lain yang tersisa (Kusumadewi, dkk. 2006).
2.5.1. Langkah – langkah Metode ELECTRE
Langkah-langkah yang dilakukan dalam penyelesaian masalah menggunakan metode
ELECTRE adalah sebagai berikut (Kusumo, 2013):
Langkah 1: Normalisasi matriks keputusan
Setiap atribut diubah menjadi nilai yang compareable. Setiap normalisasi rij dapat
dilakukan dengan persamaan (2.1):
√∑
i = 1,2,3,
m dan j = 1,2,3,
n
(2.1)
Sehingga didapat matriks R hasil normalisasi.
[
]
Universitas Sumatera Utara
13
Keterangan:
R: normalized decision matrix (matriks yang telah dinormalisasi)
m: alternatif
n: kriteria
rij: normalisasi pengukuran pilihan dari alternatif ke-i dalam hubungannya dengan
kriteria ke-j.
Langkah 2: Pembobotan pada matriks yang telah dinormalisasi
Setelah dinormalisasi, setiap kolom dari matriks R dikalikan dengan bobot-bobot
(Wj). Sehingga, weighted normalized matrix ditulis dalam persamaan (2.2):
[
]
[
]
dimana W adalah
] dan ∑
[
(2.2)
Keterangan:
Wj: bobot-bobot yang ditentukan oleh pembuat keputusan
V: weighted normalized matrix
Langkah 3: Menentukan concordance dan discordance set
Kumpulan kriteria J dibagi menjadi dua subsets, yaitu concordance dan discordance.
Bilamana sebuah kriteria dalam suatu alternatif termasuk concordance adalah:
Ckl = {
}
(2.3)
Dkl = {
}
(2.4)
Sebaliknya, komplementer dari subset ini adalah
Keterangan:
k dan l : pasangan alternatif dimana k,l=1,2,3,…,m dan k1
Langkah 4: Hitung matriks concordance dan discordance
a. Concordance
Untuk menentukan nilai dari elemen-elemen pada matriks concordance adalah
dengan menjumlahkan bobot-bobot yang termasuk dalam subset concordance:
Universitas Sumatera Utara
14
Ckl = ∑
(2.5)
Sehingga matriks concordance yang dihasilkan adalah:
[
]
b. Discordance
Untuk menentukan nilai dari elemen-elemen pada matriks discordance adalah
dengan membagi maksimum selisih nilai kriteria yang termasuk dalam subset
discordance dengan maksimum selisih nilai seluruh kriteria yang ada, secara
matematisnya adalah sebagai berikut:
{
dkl =
{
}
(2.6)
}
Selanjutnya diperoleh matriks discordance:
[
]
Langkah 5: Menentukan matriks dominan concordance dan discordance
a. Concordance
Matriks dominan concordance dapat dibangun dengan bantuan nilai threshold,
yaitu dengan membandingkan setiap nilai elemen matriks concordance dengan
nilai threshold.
ckl c
(2.7)
Dengan nilai threshold c adalah:
c=
∑
∑
(2.8)
Nilai setiap elemen matriks F sebagai matriks dominan concordance ditentukan
sebagai berikut:
fkl = 1, jika ckl c dan fkl = 0, jika ckl c
(2.9)
Universitas Sumatera Utara
15
b. Discordance
Untuk membangun matriks dominan discordance juga menggunakan bantuan nilai
threshold, yaitu:
d=
∑
∑
(2.10)
Nilai setiap elemen untuk matriks G sebagai matiks dominan discordance
ditentukan sebagai berikut:
gkl = 1, jika dkl d dan gkl = 0, jika dkl d
(2.11)
Langkah 6: Menentukan aggregate dominance matrix
Langkah selanjutnya adalah menentukan aggregate dominance matrix sebagai matriks
E, yang setiap elemennya merupakan perkalian antara elemen matriks F dengan
elemen matriks G, sebagai berikut:
ekl = fkl x gkl
(2.12)
Langkah 7: Eliminasi alternatif yang less favorable
Matriks E memberikan urutan pilihan dari setiap alternatif, yaitu bila ekl = 1 maka
alternatif Ak merupakan pilihan yang lebih baik daripada Al sehingga baris dalam
matriks E yang memiliki jumlah Ekl = 1 paling sedikit dapat dieliminasi. Dengan
demikian alternatif terbaik adalah yang mendominasi alternatif lainnya.
2.6. Analisis Algoritma
Menurut Adelina Pinem (2014), algoritma yang baik harus mampu menghasilkan
hasil yang optimal. Dalam pemilihan algoritma ada beberapa hal yang perlu
dipertimbangkan yaitu:
1. Algoritma haruslah benar. Algoritma harus bisa memberikan hasil sesuai dengan
yang dikehendaki dari sejumlah masukan yang diberikan.
2. Seberapa baik hasil yang dicapai. Artinya algoritma yang baik harus mampu
memberikan hasil yang sedekat mungkin dengan nilai sebenarnya.
3. Efisiensi algoritma. Efisiensi algoritma ditinjau dari dua hal, yaitu:
a. Efisiensi waktu. Mampu memberikan keluaran atau hasil yang cepat.
Universitas Sumatera Utara
16
b. Efisiensi memori. Semakin banyak memori yang dibutuhkan sebuah algoritma
untuk memecahkan suatu masalah maka makin buruklah algoritma itu (Siang,
2006).
Dalam penelitian ini, efisiensi waktu lebih diutamakan daripada efisiensi memori.
Hal - hal yang berhubungan dengan kompleksitas waktu eksekusi yang digunakan
oleh sebuah algoritma adalah:
1. Analisis. Memberikan evaluasi kinerja algoritma terhadap permasalahan yang
dibeikan (Purwanto, 2008).
2. Perancangan. Yang termasuk dalam bagian perancangan adalah:
a. Deskripsi algoritma pada suatu tingkatan yang memiliki arti bahasa semu
(pseudo).
b. Pembuktian kebenaran bahwa sebuah algoritma bisa menyelesaikan masalah
yang diberikan.
2.6.1. Defenisi Analisis Algoritma
Algoritma tidak selalu memberikan hasil terbaik yang mungkin diperoleh, maka
diharapkan adanya suatu evaluasi mutu hasil dari algoritma tersebut. Sekali sebuah
algoritma diberikan kepada sebuah permasalahan dan dijamin akan memberikan hasil
yang diharapkan, maka langkah penting selanjutnya adalah menentukan besar biaya
yang diperlukan algoritma tersebut untuk memeroleh hasil itu. Proses inilah yang
disebut dengan analisis algoritma (Putra. 2014).
Ukuran biaya eksekusi suatu algoritma yang paling sering digunakan adalah
lamanya waktu diperlukan. Namun juga masih ada ukuran-ukuran lainnya, misalnya
besarnya memori yang diperlukan untuk mengeksekusi algoritma tersebut. Maksud
dilakukannya analisis algoritma adalah untuk :
1. Memenuhi aktivitas intelektual
2. Meramalkan suatu hal yang akan terjadi atau yang akan didapat algoritma
tersebut.
3. Mengetahui efektifitas suatu algoritma dibanding dengan algoritma yang lain
untuk persoalan yang sama.
Universitas Sumatera Utara
17
2.7. Kompleksitas Algoritma
Secara informal algoritma adalah suatu prosedur komputasi yang terdefenisi dengan
baik yang mengambil beberapa nilai atau sekumpulan nilai sebagai input dan
menghasilkan beberapa nilai atau sekumpulan nilai sebagai output. Dengan demikian
algoritma adalah suatu urutan langkah-langkah komputasi yang mentransformasikan
input menjadi output (Cormen et all, 2009).
Dalam Ilmu Komputer suatu algoritma tidak hanya dilihat apakah algoritma
tersebut benar atau dapat memecahkan masalah, tetapi juga harus efektif. Keefektifan
suatu algoritma biasanya diukur dari seberapa besar jumlah waktu dan ruang (space)
memori yang dibutuhkan untuk menjalankannya. Algoritma yang efesien adalah
algoritma yang meminimumkan kebutuhan waktu dan ruang dimana semakin minim
waktu dan ruang yang dibutuhkan, maka semakin efektif pula algoritma tersebut.
Untuk menerangkan model abstrak pengukuran waktu dan ruang maka digunakan
suatu fungsi yang menjelaskan bagaimana ukuran masukan data (n) mempengaruhi
perfomansi algoritma yang disebut sebagai kompleksitas algoritma.
Secara umum, kompleksitas algoritma terdiri dari dua macam yaitu kompleksitas
waktu (time complexity) dan kompleksitas ruang (space complexity). Sehingga,
dengan diketahuinya fungsi kompleksitas suatu algoritma, maka dapat ditentukan laju
pertumbuhan waktu (ruang) yang diperlukan seiring dengan meningkatnya ukuran
masukan (n) data. Dengan demikian, informasi pertumbungan fungsi kompleksitas
(growth rates) dapat digunakan untuk membandingkan dua atau lebih algoritma
dengan mengambil pangkat tertinggi (highest order ) fungsi kompleksitas yang
diekspresikan dengan notasi Big O. Hal ini disebabkan karena nilai konstant pada
fungsi kompleksitas tidak akan terlalu dominan bila dibandingkan dengan order
tertinggi yang mungkin meledak untuk input yang semakin besar.
Pada saat penentuan kompleksitas algoritma, ada beberapa istilah yang sering
digunakan untuk menunjukkan kinerja suatu algoritma untuk ukuran input n, yaitu
best-case,
average-case,
dan
worst-case
yang
masing-masing
menyatakan
kompleksitas keadaan terbaik, keadaan rata-rata, dan keadaan terburuk dari suatu
Universitas Sumatera Utara
18
algoritma. Namun, pada prakteknya penentuan nilai pasti untuk setiap case tersebut
sulit dilakukan. Jadi, yang dilakukan hanyalah analisis asimtotik dari suatu algoritma,
yaitu bagaimana pertumbuhan fungsi (growth of function) suatu algoritma
dipengaruhi oleh input n yang semakin membesar menuju ke tak terhingga (infinity).
Dalam analisis asimtotik, ada beberapa notasi yang sering digunakan untuk
menunjukkan batas-batas fungsi asimtot, yaitu notasi Big Theta yang menunjukkan
batas ketat (tight bound) dari fungsi asimtot.
1. Big Theta (θ)
Defenisi ketiga dalam pengukuran kompleksitas suatu masalah adalah Big Theta.
Definisi :
Didefinisikan bahwa f(n) merupakan Big Theta dari g(n) dan dinotasikan f(n) =
θ(g(n)), jika dan hanya jika terdapat tiga konstanta positif c1, c2 dan n0 dimana f(n) =
O(g(n)) dan f(n) = Ω(g(n)) sedemikian hingga C1 g(n) ≤ f(n) ≤ C2 g(n), saat n ≥ n0.
Secara geometri f(n)= θ(g(n)) dapat digambarkan sebagai berikut (Telaumbanua, P.
2011).
Gambar 2.2. Grafik Fungsi f(n)= θ(g(n))
Pada Gambar 2.4, dapat dilihat bahwa n0 selalu berada diantara c1 g(n) dan c2 g(n)
Universitas Sumatera Utara
19
2.7.1. Kompleksitas Waktu Algoritma dan Masalah
Dua buah algoritma yang berbeda dapat digunakan memecahkan masalah yang sama
dan mungkin saja mempunyai kompleksitas waktu (time complexity) yang sangat
berbeda. Kompleksitas waktu algoritma terbaik untuk memecahkan masalah tersebut
dinamakan sebagai kompleksitas waktu (time complexity of problem).
2.8. Database (Basis Data)
Database (basis data) merupakan kumpulan data yang saling berhubungan satu
dengan yang lainnya yang tersimpan di perangkat keras komputer dan diperlukan
suatu perangkat lunak untuk memanipulasi basis data tersebut (Junindar, 2008).
Universitas Sumatera Utara
BAB 2
TINJAUAN PUSTAKA
2.1. Bank Syariah
Berdirinya bank syariah di Indonesia diawali oleh adanya beberapa fatwa dari
organisasi keislaman di Indonesia tentang bunga bank. Diantaranya adalah fatwa
organisasi Muhammadiyah melalui hasil keputusan Tarjih tahun 1968 dan 1972,
fatwa Nahdlatul „Ulama melalui hasil keputusan Lajnah Bahsul Masa‟il tahun 1982,
fatwa MUI No.1 tahun 2004 tentang bunga bank dan fatwa terbaru hasil keputusan
Tarjih dan Tajdid Muhammadiyah No.8 tahun 2006 yang juga mendorong tumbuh
kembangnya perbankan syariah di Indonesia (Pratikto, Heri. 2011).
Perbankan syariah adalah lembaga keuangan yang usaha pokoknya memberikan
kredit dan jasa-jasa lain dalam lalu lintas pembayaran serta peredaran uang yang
beroperasi disesuaikan dengan prinsip-prinsip syariah (Salviana, Resvi. 2014). Tujuan
dan fungsi perbankan syariah dalam perekomomian adalah: kemakmuran ekonomi
yang meluas, tingkat kerja penuh dan tingkat pertumbuhan ekonomi yang optimum,
keadilan sosial ekonomi dan distribusi pendapatan serta kekayaan yang merata,
stabilitas nilai uang, mobilisasi dan investasi tabungan yang menjamin adanya
pengembalian yang adil, serta pelayanan yang efektif (Ulfah, Maria. 2010).
2.2. Bank Syariah vs Bank Konvensional
Dalam beberapa hal, bank konvensional dan bank syariah memiliki persamaan
terutama dalam sisi teknis penerimaan uang, mekanisme transfer, teknologi komputer
yang digunakan dan sebagainya. Menurut Fansuri Munawar (2012) adapun perbedaan
antara Bank Syariah dengan Bank Konvensional dapat dilihat pada tabel 2.1.
Universitas Sumatera Utara
7
Tabel 2.1. Perbedaan Bank Syariah dengan Bank Konvensional
No.
Bank Syariah
1.
Melakukan investasi yang halal
saja
Berdasarkan prinsip bagi hasil, jual
beli, atau sewa
Profit dan falah (keuntungan
duniawi dan kebahagiaan akhirat)
oriented
Hubungan dengan nasabah dalam
bentuk hubungan kemitraan
Penghimpunan dan penyaluran
dana harus sesuai dengan Fatwa
Dewan Pengawas Syariah
2.
3.
4.
5.
Bank Konvensional
Investasi yang halal dan haram
Memakai perangkat bunga
Profit Oriented
Hubungan dengan nasabah dalam bentuk
hubungan kreditur-debitur
Tidak terdapat dewan sejenis
Adapun perbedaan antara Bunga Bank dengan system Bagi Hasil dapat dilihat
pada tabel 2.2.
Tabel 2.2. Perbedaan Bunga Bank dengan “Bagi Hasil” *)
No.
1.
2.
3.
4.
5..
Bunga
Bagi Hasil
Penentuan bunga dibuat pada Penentuan besarnya rasio/nisbah bagi hasil
waktu akad dengan asumsi harus dibuat pada waktu akad dengan
selalu untung.
berpedoman pada kemungkinan untung
rugi.
Besarnya persentase berdasarkan Besarnya rasio bagi hasil berdasarkan pada
pada jumlah uang (modal) yang jumlah keuntungan yang diperoleh.
dipinjamkan.
Pembayaran bunga tetap seperti Bagi hasil tergantung pada keutungan
yang dijanjikan tanpa pertimbangan proyek yang dijalankan. Bila usaha
apakah proyek yang dijalankan merugi, kerugian akan ditanggung bersama
oleh pihak nasabah untung atau oleh kedua belah pihak.
rugi.
Jumlah pembayaran bunga tidak Jumlah pembagian laba meningkat sesuai
meningkat
sekalipun
jumlah dengan peningkatan jumlah pendapatan.
keuntungan berlipat atau kedaan
ekonomi sedang “booming”.
Eksistensi bunga diragukan (kalau Tidak ada yang meragukan keabsahan bagi
tidak dikecam) oleh semua agama hasil.
termasuk Islam.
*) Fansuri Munawar (2012)
Universitas Sumatera Utara
8
2.3. Sistem Pendukung Keputusan
2.3.1. Pengertian Sistem Pendukung Keputusan
Sistem pendukung keputusan didefinisikan sebagai sebuah sistem yang dimaksudkan
untuk mendukung para pengambil keputusan manajerial dalam situasi situasi tertentu.
Sistem pendukung keputusan dimaksudkan untuk menjadi alat bantu bagi para
pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak untuk
menggantikan penilaian mereka (Turban, 2005).
Menurut Keen dan Morton (dalam Turban, 2005), Sistem Pendukung Keputusan
merupakan penggabungan sumber-sumber kecerdasan individu dengan kemampuan
komponen untuk memperbaiki kualitas keputusan. Sistem pendukung keputusan juga
merupakan sistem informasi berbasis komputer untuk manajemen pengambilan
keputusan yang menangani masalah-masalah semi terstruktur. Sedangkan menurut
Little (dalam Turban, 2005), Sistem pendukung keputusan adalah sekumpulan
prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para
manajer mengambil keputusan.
Menurut Bonczek (dalam Turban, 2005), Sistem pendukung keputusan
didefinisikan sebagai sistem berbasis komputer yang terdiri dari tiga komponen yang
saling berinteraksi, yaitu : sistem bahasa (mekanisme untuk memberikan komunikasi
antara pengguna dan komponen SPK yang lain), sistem pengetahuan (repositori
pengetahuan domain masalah yang ada pada SPK baik sebagai data maupun sebagai
prosedur), dan sistem pemrosesan masalah (hubungan antara dua komponen lainnya,
terdiri dari satu atau lebih kapabilitas manipulasi masalah umum yang diperlukan
untuk pengambilan keputusan).
Dari beberapa definisi Sistem Pendukung Keputusan di atas, dapat disimpulkan
bahwa Sistem Pendukung Keputusan merupakan sebuah sistem berbasiskan komputer
yang digunakan untuk membantu para pembuat keputusan dengan memberikan
gambaran mengenai bagaimana sebaiknya keputusan itu dibuat. Sistem Pendukung
Keputusan dibuat bukan untuk menggantikan fungsi pembuat keputusan, melainkan
untuk memberikan beberapa informasi ataupun data-data yang mendukung keputusan
Universitas Sumatera Utara
9
tersebut, sehingga keputusan yang dibuat merupakan keputusan yang terbaik (Jauhari,
Jaidan. 2014).
2.3.2. Tujuan Sistem Pendukung Keputusan
Menurut Jaidan Jauhari (2014) tujuan dari sistem pendukung keputusan, yaitu:
1. Membantu manajer dalam pengambilan keputusan atas masalah semi terstruktur.
2. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan
untuk menggantikan fungsi manajer.
3. Meningkatkan efektivitas keputusan yang diambil manajer lebih daripada
perbaikan efisiensinya.
4. Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk
melakukan banyak komputasi secara cepat dengan biaya yang rendah.
5. Peningkatan produktivitas dan dukungan kualitas. Komputer bisa meningkatkan
kualitas keputusan yang dibuat.
6. Berdaya saing. Tekanan persaingan menyebabkan tugas pengambilan keputusan
menjadi sulit. Persaingan didasarkan tidak hanya pada harga, tetapi juga pada
kualitas, kecepatan, kustomasi produk, dan dukungan pelanggan.
7. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan.
Menurut Simon (dalam Kusrini, 2007), Otak manusia memiliki kemampuan yang
terbatas untuk memproses dan menyimpan informasi. Orang-orang kadang sulit
mengingat dan menggunakan sebuah informasi dengan cara yang bebas dari
kesalahan. Karena keterbatasan itulah maka dibutuhkan sebuah sistem yang mampu
membantu dan melengkapi kekurangan dari fungsi kerja otak manusia.
2.3.3. Komponen Sistem Pendukung Keputusan
Sistem Pendukung Keputusan terdiri dari tiga komponen utama (subsistem), yaitu:
Universitas Sumatera Utara
10
Basis Data
Basis Model
Manajemen
Basis Data
Manajemen
Basis Model
Manajemen Penyelenggaraan
Dialog
Tugas
Lingkungan
Pemakai
Gambar 2.1. Komponen Utama Sistem Pendukung Keputusan (Nasution, L.F. 2009)
2.4. Metode MFEP
Menurut Dahria, dkk (2014) dalam MFEP, seluruh kriteria yang menjadi faktor
penting dalam melakukan pertimbangan diberikan pembobotan (weighting) yang
sesuai. Langkah yang sama juga dilakukan terhadap alternatif-alternatif yang akan
dipilih, yang kemudian dapat dievaluasi berkaitan dengan faktor-faktor pertimbangan
tersebut.
Multifactor Evaluation Process banyak digunakan dengan alasan: konsepnya
sederhana dan mudah dipahami, komputasinya efisien, dan memiliki kemampuan
untuk mengukur kinerja relatif dan alternatif-alternatif
keputusan dalam bentuk
matematis yang sederhana.
2.4.1. Langkah – langkah Metode MFEP
Menurut Dahria, dkk (2014) dalam metode MFEP, pengambilan keputusan dilakukan
dengan memberikan pertimbangan subyektif dan intuitif terhadap faktor yang
dianggap penting. Pertimbangan-pertimbangan tersebut berupa pemberian bobot
Universitas Sumatera Utara
11
(weighting system) atas multifactor yang terlibat dan dianggap penting tersebut.
Dalam MFEP seluruh kriteria yang menjadi faktor penting dalam melakukan
pertimbangan diberikan pembobotan (weighting) yang sesuai.
Dalam MFEP, hal yang harus dilakukan pertama kali adalah penentuan faktorfaktor yang dianggap penting. Langkah selanjutnya adalah membandingkan faktorfaktor tersebut untuk mendapatkan faktor mana yang paling penting, kedua terpenting,
dan seterusnya. Langkah selanjutnya adalah memberikan pembobotan kepada faktorfaktor yang digunakan dimana total pembobotan harus sama dengan 1.
Langkah selanjutnya adalah mengisikan nilai untuk setiap faktor yang
mempengaruhi dalam pengambilan keputusan. Dari data-data yang akan diproses,
nilai yang dimasukkan dalam proses pengambilan keputusan merupakan nilai objektif,
yaitu antara 0-1. Dari hasil perhitungan, Metode MFEP menentukan bahwa alternatif
dengan nilai tertinggi adalah solusi terbaik berdasarkan kriteria yang telah di pilih.
Penggunaan metode MFEP dapat direalisasikan dengan contoh berikut:
Nbe = Nbf x Nef
Tne = Nbe1+Nbe2+Nbe3,…
Keterangan :
Nbe : Nilai Bobot Evaluasi
Nef : Nilai Evaluasi Faktor
Nbf : Nilai Bobot Faktor
Tne : Total Nilai Evaluasi
2.5. Metode ELECTRE
ELimination Et Choix Traduisant la RealitE (ELECTRE) adalah suatu metode
outranking berdasarkan analisis concordance (kesesuaian). Kelebihan utamanya
adalah ELECTRE dibutuhkan dalam ketidakjelasan dan ketidakpastian. Salah satu
kekurangan ELECTRE adalah proses dan hasilnya sulit dijelaskan dalam istilah
awam. Selanjutnya, karena menggunakan cara penggabungan preferensi maka
alternatif yang tidak sesuai dengan kriteria tidak ditampilkan. Metode outranking
Universitas Sumatera Utara
12
menyebabkan
kekuatan
dan
kelemahan
dari
suatu
alternatif
tidak
dapat
diidentifikasikan secara langsung dan hasil serta dampak tidak akan langsung
diverifikasi (Konidari & Mavrakis. 2007). ELECTRE telah digunakan dalam masalah
transportasi, ekonomi, pengelolaan air, energy dan lingkungan. Seperti pada metodemetode sistem pendukung keputusan lainnya, ELECTRE juga membutuhkan
ketidakjelasan dan ketidakpastian dimana banyak aplikasi yang memerlukan hal
tersebut (Mark V. & Hester P.T. 2013).
Menurut Janko dan Bernoider (2005), ELECTRE merupakan salah satu metode
pengambilan keputusan multikriteria berdasarkan pada konsep outranking dengan
menggunakan perbandingan berpasangan dari alternatif-alternatif berdasarkan setiap
kriteria yang sesuai. Metode ELECTRE digunakan pada kondisi dimana alternatif
yang kurang sesuai dengan kriteria dieliminasi, dan alternatif yang sesuai dapat
dihasilkan. Dengan kata lain, electre digunakan untuk kasus-kasus dengan banyak
alternatif namun hanya sedikit kriteria yang dilibatkan (Setiyawati, dkk. 2014).
Suatu alternatif dikatakan mendominasi alternatif yang lainnya jika satu atau
lebih kriterianya melebihi (dibandingkan dengan kriteria dari alternatif yang lain) dan
sama dengan kriteria lain yang tersisa (Kusumadewi, dkk. 2006).
2.5.1. Langkah – langkah Metode ELECTRE
Langkah-langkah yang dilakukan dalam penyelesaian masalah menggunakan metode
ELECTRE adalah sebagai berikut (Kusumo, 2013):
Langkah 1: Normalisasi matriks keputusan
Setiap atribut diubah menjadi nilai yang compareable. Setiap normalisasi rij dapat
dilakukan dengan persamaan (2.1):
√∑
i = 1,2,3,
m dan j = 1,2,3,
n
(2.1)
Sehingga didapat matriks R hasil normalisasi.
[
]
Universitas Sumatera Utara
13
Keterangan:
R: normalized decision matrix (matriks yang telah dinormalisasi)
m: alternatif
n: kriteria
rij: normalisasi pengukuran pilihan dari alternatif ke-i dalam hubungannya dengan
kriteria ke-j.
Langkah 2: Pembobotan pada matriks yang telah dinormalisasi
Setelah dinormalisasi, setiap kolom dari matriks R dikalikan dengan bobot-bobot
(Wj). Sehingga, weighted normalized matrix ditulis dalam persamaan (2.2):
[
]
[
]
dimana W adalah
] dan ∑
[
(2.2)
Keterangan:
Wj: bobot-bobot yang ditentukan oleh pembuat keputusan
V: weighted normalized matrix
Langkah 3: Menentukan concordance dan discordance set
Kumpulan kriteria J dibagi menjadi dua subsets, yaitu concordance dan discordance.
Bilamana sebuah kriteria dalam suatu alternatif termasuk concordance adalah:
Ckl = {
}
(2.3)
Dkl = {
}
(2.4)
Sebaliknya, komplementer dari subset ini adalah
Keterangan:
k dan l : pasangan alternatif dimana k,l=1,2,3,…,m dan k1
Langkah 4: Hitung matriks concordance dan discordance
a. Concordance
Untuk menentukan nilai dari elemen-elemen pada matriks concordance adalah
dengan menjumlahkan bobot-bobot yang termasuk dalam subset concordance:
Universitas Sumatera Utara
14
Ckl = ∑
(2.5)
Sehingga matriks concordance yang dihasilkan adalah:
[
]
b. Discordance
Untuk menentukan nilai dari elemen-elemen pada matriks discordance adalah
dengan membagi maksimum selisih nilai kriteria yang termasuk dalam subset
discordance dengan maksimum selisih nilai seluruh kriteria yang ada, secara
matematisnya adalah sebagai berikut:
{
dkl =
{
}
(2.6)
}
Selanjutnya diperoleh matriks discordance:
[
]
Langkah 5: Menentukan matriks dominan concordance dan discordance
a. Concordance
Matriks dominan concordance dapat dibangun dengan bantuan nilai threshold,
yaitu dengan membandingkan setiap nilai elemen matriks concordance dengan
nilai threshold.
ckl c
(2.7)
Dengan nilai threshold c adalah:
c=
∑
∑
(2.8)
Nilai setiap elemen matriks F sebagai matriks dominan concordance ditentukan
sebagai berikut:
fkl = 1, jika ckl c dan fkl = 0, jika ckl c
(2.9)
Universitas Sumatera Utara
15
b. Discordance
Untuk membangun matriks dominan discordance juga menggunakan bantuan nilai
threshold, yaitu:
d=
∑
∑
(2.10)
Nilai setiap elemen untuk matriks G sebagai matiks dominan discordance
ditentukan sebagai berikut:
gkl = 1, jika dkl d dan gkl = 0, jika dkl d
(2.11)
Langkah 6: Menentukan aggregate dominance matrix
Langkah selanjutnya adalah menentukan aggregate dominance matrix sebagai matriks
E, yang setiap elemennya merupakan perkalian antara elemen matriks F dengan
elemen matriks G, sebagai berikut:
ekl = fkl x gkl
(2.12)
Langkah 7: Eliminasi alternatif yang less favorable
Matriks E memberikan urutan pilihan dari setiap alternatif, yaitu bila ekl = 1 maka
alternatif Ak merupakan pilihan yang lebih baik daripada Al sehingga baris dalam
matriks E yang memiliki jumlah Ekl = 1 paling sedikit dapat dieliminasi. Dengan
demikian alternatif terbaik adalah yang mendominasi alternatif lainnya.
2.6. Analisis Algoritma
Menurut Adelina Pinem (2014), algoritma yang baik harus mampu menghasilkan
hasil yang optimal. Dalam pemilihan algoritma ada beberapa hal yang perlu
dipertimbangkan yaitu:
1. Algoritma haruslah benar. Algoritma harus bisa memberikan hasil sesuai dengan
yang dikehendaki dari sejumlah masukan yang diberikan.
2. Seberapa baik hasil yang dicapai. Artinya algoritma yang baik harus mampu
memberikan hasil yang sedekat mungkin dengan nilai sebenarnya.
3. Efisiensi algoritma. Efisiensi algoritma ditinjau dari dua hal, yaitu:
a. Efisiensi waktu. Mampu memberikan keluaran atau hasil yang cepat.
Universitas Sumatera Utara
16
b. Efisiensi memori. Semakin banyak memori yang dibutuhkan sebuah algoritma
untuk memecahkan suatu masalah maka makin buruklah algoritma itu (Siang,
2006).
Dalam penelitian ini, efisiensi waktu lebih diutamakan daripada efisiensi memori.
Hal - hal yang berhubungan dengan kompleksitas waktu eksekusi yang digunakan
oleh sebuah algoritma adalah:
1. Analisis. Memberikan evaluasi kinerja algoritma terhadap permasalahan yang
dibeikan (Purwanto, 2008).
2. Perancangan. Yang termasuk dalam bagian perancangan adalah:
a. Deskripsi algoritma pada suatu tingkatan yang memiliki arti bahasa semu
(pseudo).
b. Pembuktian kebenaran bahwa sebuah algoritma bisa menyelesaikan masalah
yang diberikan.
2.6.1. Defenisi Analisis Algoritma
Algoritma tidak selalu memberikan hasil terbaik yang mungkin diperoleh, maka
diharapkan adanya suatu evaluasi mutu hasil dari algoritma tersebut. Sekali sebuah
algoritma diberikan kepada sebuah permasalahan dan dijamin akan memberikan hasil
yang diharapkan, maka langkah penting selanjutnya adalah menentukan besar biaya
yang diperlukan algoritma tersebut untuk memeroleh hasil itu. Proses inilah yang
disebut dengan analisis algoritma (Putra. 2014).
Ukuran biaya eksekusi suatu algoritma yang paling sering digunakan adalah
lamanya waktu diperlukan. Namun juga masih ada ukuran-ukuran lainnya, misalnya
besarnya memori yang diperlukan untuk mengeksekusi algoritma tersebut. Maksud
dilakukannya analisis algoritma adalah untuk :
1. Memenuhi aktivitas intelektual
2. Meramalkan suatu hal yang akan terjadi atau yang akan didapat algoritma
tersebut.
3. Mengetahui efektifitas suatu algoritma dibanding dengan algoritma yang lain
untuk persoalan yang sama.
Universitas Sumatera Utara
17
2.7. Kompleksitas Algoritma
Secara informal algoritma adalah suatu prosedur komputasi yang terdefenisi dengan
baik yang mengambil beberapa nilai atau sekumpulan nilai sebagai input dan
menghasilkan beberapa nilai atau sekumpulan nilai sebagai output. Dengan demikian
algoritma adalah suatu urutan langkah-langkah komputasi yang mentransformasikan
input menjadi output (Cormen et all, 2009).
Dalam Ilmu Komputer suatu algoritma tidak hanya dilihat apakah algoritma
tersebut benar atau dapat memecahkan masalah, tetapi juga harus efektif. Keefektifan
suatu algoritma biasanya diukur dari seberapa besar jumlah waktu dan ruang (space)
memori yang dibutuhkan untuk menjalankannya. Algoritma yang efesien adalah
algoritma yang meminimumkan kebutuhan waktu dan ruang dimana semakin minim
waktu dan ruang yang dibutuhkan, maka semakin efektif pula algoritma tersebut.
Untuk menerangkan model abstrak pengukuran waktu dan ruang maka digunakan
suatu fungsi yang menjelaskan bagaimana ukuran masukan data (n) mempengaruhi
perfomansi algoritma yang disebut sebagai kompleksitas algoritma.
Secara umum, kompleksitas algoritma terdiri dari dua macam yaitu kompleksitas
waktu (time complexity) dan kompleksitas ruang (space complexity). Sehingga,
dengan diketahuinya fungsi kompleksitas suatu algoritma, maka dapat ditentukan laju
pertumbuhan waktu (ruang) yang diperlukan seiring dengan meningkatnya ukuran
masukan (n) data. Dengan demikian, informasi pertumbungan fungsi kompleksitas
(growth rates) dapat digunakan untuk membandingkan dua atau lebih algoritma
dengan mengambil pangkat tertinggi (highest order ) fungsi kompleksitas yang
diekspresikan dengan notasi Big O. Hal ini disebabkan karena nilai konstant pada
fungsi kompleksitas tidak akan terlalu dominan bila dibandingkan dengan order
tertinggi yang mungkin meledak untuk input yang semakin besar.
Pada saat penentuan kompleksitas algoritma, ada beberapa istilah yang sering
digunakan untuk menunjukkan kinerja suatu algoritma untuk ukuran input n, yaitu
best-case,
average-case,
dan
worst-case
yang
masing-masing
menyatakan
kompleksitas keadaan terbaik, keadaan rata-rata, dan keadaan terburuk dari suatu
Universitas Sumatera Utara
18
algoritma. Namun, pada prakteknya penentuan nilai pasti untuk setiap case tersebut
sulit dilakukan. Jadi, yang dilakukan hanyalah analisis asimtotik dari suatu algoritma,
yaitu bagaimana pertumbuhan fungsi (growth of function) suatu algoritma
dipengaruhi oleh input n yang semakin membesar menuju ke tak terhingga (infinity).
Dalam analisis asimtotik, ada beberapa notasi yang sering digunakan untuk
menunjukkan batas-batas fungsi asimtot, yaitu notasi Big Theta yang menunjukkan
batas ketat (tight bound) dari fungsi asimtot.
1. Big Theta (θ)
Defenisi ketiga dalam pengukuran kompleksitas suatu masalah adalah Big Theta.
Definisi :
Didefinisikan bahwa f(n) merupakan Big Theta dari g(n) dan dinotasikan f(n) =
θ(g(n)), jika dan hanya jika terdapat tiga konstanta positif c1, c2 dan n0 dimana f(n) =
O(g(n)) dan f(n) = Ω(g(n)) sedemikian hingga C1 g(n) ≤ f(n) ≤ C2 g(n), saat n ≥ n0.
Secara geometri f(n)= θ(g(n)) dapat digambarkan sebagai berikut (Telaumbanua, P.
2011).
Gambar 2.2. Grafik Fungsi f(n)= θ(g(n))
Pada Gambar 2.4, dapat dilihat bahwa n0 selalu berada diantara c1 g(n) dan c2 g(n)
Universitas Sumatera Utara
19
2.7.1. Kompleksitas Waktu Algoritma dan Masalah
Dua buah algoritma yang berbeda dapat digunakan memecahkan masalah yang sama
dan mungkin saja mempunyai kompleksitas waktu (time complexity) yang sangat
berbeda. Kompleksitas waktu algoritma terbaik untuk memecahkan masalah tersebut
dinamakan sebagai kompleksitas waktu (time complexity of problem).
2.8. Database (Basis Data)
Database (basis data) merupakan kumpulan data yang saling berhubungan satu
dengan yang lainnya yang tersimpan di perangkat keras komputer dan diperlukan
suatu perangkat lunak untuk memanipulasi basis data tersebut (Junindar, 2008).
Universitas Sumatera Utara