Bab ini berisi tentang kesimpulan dan saran mengenai hasil dalam penelitian ini.
7 BAB II
LANDASAN TEORI
2.1 Sistem Pendukung Keputusan 2.1.1 Pengertian
Sistem Pendukung Keputusan atau Decision Support System (DSS) merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Menurut Alter (2002) dalam Kusrini (2007) sistem ini digunakan untuk membantu pengambilan keputusan dalam situsi yang semiterstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat. Sistem Pendukung Keputusan tidak dimaksudkan untuk mengotomatisasikan pengambilan keputusan, tetapi memberikan perangkat interaktif yang memungkinkan pengambilan keputusan untuk melakukan berbagai analisis menggunakan model-model yang tersedia (Kusrini, 2007).
2.1.2 Tujuan
Menurut Turban (2005) Sistem Pendukung Keputusan memiliki beberapa tujuan, 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.
6. Dukungan kualitas. 7. Berdaya asing.
2.2 Logika Fuzzy
2.2.1 Pengenalan Logika Fuzzy
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Pada himpunan tegas (crips), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan ��[ ], memiliki 2 kemungkinan, yaitu:
1. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
2. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
Dalam himpunan tegas, apabila terjadi perubahan nilai yang kecil akan mengakibatkan perbedaan kategori yang cukup signifikan (Kusumadewi, dkk, 2004).
Himpunan fuzzy dapat digunakan untuk mengantisipasi hal tersebut. Suatu item x dapat masuk kedalam beberapa himpunan yang berbeda. Kemudian menghitung seberapa besar eksistensinya dalam himpunan tersebut yang dapat dilihat pada nilai keanggotaannya.Pada himpunan tegas, nilai keanggotaan hanya ada 2 kemungkinan, yaitu 0 atau 1. Pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy ��[ ]=0 berarti x tidak menjadi anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy ��[ ]=1 berarti x menjadi anggota penuh pada himpunan A (Kusumadewi, dkk, 2004).
Terkadang kemiripan antara nilai keanggotaan himpunan fuzzy dengan probabilitas menimbulkan kerancuan. Keduanya memiliki nilai antara interval [0, 1]. Namun interpretasi nilainya sangat berbeda antara kedua kasus tersebut. Nilai keanggotaan himpunan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan hasil bernilai benar dalam jangka panjang (Kusumadewi, dkk, 2004).
Himpunan fuzzy memiliki 2 atribut, yaitu:
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: muda, parobaya, tua.
2. Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu variabel seperti: 40, 25, 50, dan sebagainya.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu: 1. Variabel Fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan dan sebagainya.
2. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau kehendak atau keadaan tertentu dalam suatu variabel fuzzy. Contoh: variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: dingin, sejuk, normal, hangat, dan panas. (Gambar 2.1)
0 1
µ[x]
Temperatur °C
15 20 25 30 35 40
DINGIN SEJUK NORMAL HANGAT PANAS
Gambar 2.1 Himpunan fuzzy pada variabel temperatur 3. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senatiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif
maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. Contoh: semesta pembicaran untuk variabel temperatur: [0 40] 4. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpunan fuzzy: a. Dingin = [0, 20] b. Sejuk = [15, 25] c. Normal = [20, 30] d. Hangat = [25, 35] e. Panas = [30, 40] 2.2.2 Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekataan fungsi (Kusumadewi, dkk, 2004). Ada beberapa fungsi yang bisa digunakan, yaitu:
a. Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotaan digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yng baik untuk mendekati suatu konsep yang kurang jelas (Kusumadewi, dkk, 2004).
Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai dominan yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai dominan yang memiliki derajat keanggotaan lebih tinggi (Kusumadewi, dkk, 2004). Grafik fungsi keanggotaan representasi linier naik dapat dilihat pada Gambar 2.2.
a b 0 1 derajat keanggotaan µ[x] domain µ(x) x
Gambar 2.2 Representasi Linier Naik Fungsi keanggotaan: ��[ ] = { ; �− − ; ; (2.1)
Kedua, merupakan kebalikan pertama. Garis lurus dimulai dari nilai dominan dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke arah domain yang memiliki derajat keanggotaan lebih rendah (Kusumadewi, dkk, 2004). Grafik fungsi keanggotaan representasi linier turun dapat dilihat pada Gambar 2.3.
a b 0 1 derajat keanggotaan µ[x] domain x µ(x)
Gambar 2.3 Representasi Linier Turun Fungsi keanggotaan:
��[ ] = {�−− ;
b. Representasi Kurva Segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti yang terlihat pada Gambar 2.4.
c a b 0 1 derajat keanggotaan µ[x] domain µ(x) x
Gambar 2.4 Kurva Segitiga Fungsi keanggotaan: ��[ ] = { ; �− − ; −� − ; (2.3)
Triangular Fuzzy Number (TFN) (Gambar 2.5):
u l m 0 1 derajat keanggotaan µ[x] domain left right µ(x) x
Gambar 2.5 Kurva Triangular Fuzzy Number (TFN) Dengan,
[ − , , + ℎ ]
(2.4)
c. Representasi Kurva Trapesium
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. Grafik fungsi keanggotaan representasi kurva trapesium dapat dilihat pada Gambar 2.6.
c a b 0 1 derajat keanggotaan µ[x] domain d µ(x) x
Gambar 2.6 Kurva Trapesium Fungsi keanggotaan: ��[ ] = { ; �− − ; ; −� − ; (2.5)
2.3 Fuzzy MADM (Multi-Attribute Decition Making)
Berdasarkan tipe data yang digunakan dalam setiap kinerja -nya, FMADM dapat dibagi menjadi 3 kelompok, yaitu: semua data yang digunakan adalah data fuzzy; semua data yang digunakan adalah data crips; atau data yang digunakan merupakan campuran antara data fuzzy dan crips (Kusumadewi, dkk, 2006).
Menurut Chen (1992) dalam (Kusumadewi, dkk, 2006) salah satu mekanisme untuk menyelesaikan masalah fuzzy MADM adalah dengan mengaplikasikan metode MADM klasik (seperti SAW, WP, ELECTRE, TOPSIS, atau AHP) untuk melakukan perangkingan, setelah terlebih dahulu dilakukan konversi data fuzzy ke data crips. Apabila data fuzzy diberikan dalam bentuk linguistik, maka data tersebut harus dikonversi terlebih dahulu ke bentuk bilangan fuzzy, baru kemudian dikonversi lagi ke bilangan crips (Kusumadewi, dkk, 2006).
2.4 Fuzzy Analytical Hierarchy Process (F-AHP)
Fuzzy Analytical Hierarchy Process (FAHP) merupakan gabungan dari metode Analytical Hierarchy Process (AHP) dengan pendeketan konsep Fuzzy (Rahardjo, dkk, 2002). FAHP menutupi kelemahan yang terdapat pada AHP, yaitu permasalahan serhadap kriteria yang memiliki sifat subjektif lebih banyak. Ketidak pastian bilangn dipresentasikan dengan skala (Jasril, dkk, 2011).
Penentuan derajat keanggootaan FAHP yang dikembangkan oleh Chang (1996) menggunakan menggunakan fungsi keanggotaan segitiga (Triangular Fuzzy Number/TFN) (Jasril, dkk, 2011). Grafik fungsi keanggotaan segitiga dapat dilihat pada gambar 2.7. u l m 0 1 derajat keanggotaan µ[x] domain µ(x) x
Gambar 2.7 Fungsi Keanggotaan Segitiga (Chang, 1996)
Chang (1996) juga mendefinisikan nilai intensitas AHP ke dalam skala fuzzy segitiga. Skala fuzzy segitiga yang digunakan Chang dapat dilihat dibawah ini:
Tabel 2.1 Skala Triangular Fuzzy Number (Chang, 1996) Intensitas
Kepentingan AHP
Himpunan Linguistik Triangular Fuzzy Number (TFN) (l, m, u) Rectrocal (Kebalikan) (l, m, u) 1 Perbandingan elemen
yang sama (Just Equal)
(1, 1, 1) (1, 1, 1)
2 Pertengahan
(Intermediate) dari
elemen yang sama dan cukup penting dari yang lain
3 Elemen satu cukup dari yang lainnya (Moderately Important)
(1, 3/2, 2) (1/2, 2/3, 1)
4 Pertengahan
(Intermediate) elemen cukup penting dan kuat penting dari yang lain
(3/2, 2, 5/2) (2/5, 1/2, 2/3)
5 Elemen satu kuat pentingnya dari yang lain (Strongly Important)
(2, 5/2, 3) (1/3, 2/5, 1/2)
6 Pertengahan
(Intermediate) elemen kuat penting dan lebih kuat penting dari yang lain
(5/2, 3, 7/2) (2/7, 1/3, 2/5)
7 Elemen satu lebih kuat pentingnya dari yang lain (Very Strong)
(3, 7/2, 4) (1/4, 2/7, 1/3)
8 Pertengahan
(Intermediate) elemen lebih kuat penting dan mutlak lebih penting dari yang lain
(7/2, 4, (9/2) (2/9, 1/4, 2/7)
9 Elemen satu mutlak lebih penting dari yang
lainnya (Extremely Strong)
Langkah penyelesaian FAHP menurut Chang (1996) dalam Jasril, dkk (2011) adalah sebagai berikut:
a. Menentukan perbandingan matriks berpasangan antar kriteria dengan skala TFN.
b. Menentukan Nilai Batas Sintesis Fuzzy (�)
Menentukan nilai batas sintesis fuzzy dengan rumus berikut:
� = ∑ = �� × [∑= ∑ = �� ]− (2.6) Dimana: ∑ = �� = ∑ = , ∑ = , ∑ = (2.7) Sedangkan [∑= ∑ = �� ]− =∑ � = ,∑= ,∑= (2.8) Keterangan:
� = Nilai sintesis fuzzy M = Triangular Fuzzy Number i = Indeks pada baris
j = Indeks pada kolom
∑ = ��= Total nilai dari setiap kolom yang dimulai dari kolom 1 di setiap baris pada matriks
∑ = = total nilai l pada setiap kolom pertama (lower)
∑ = = total nilai m pada setiap kolom pertama (median)
∑ = = total nilai u pada setiap kolom pertama (upper) c. Menentukan Nilai Vektor (V) Prioritas Fuzzy AHP
Dalam menentukan nilai vektor, jika hasil yang diperoleh pada setiap matrik fuzzy adalah � � (� = , , dan � = , , maka nilai vektor dapat dirumuskan sebagai:
V(� � = �[min �� , �� ] atau sama dengan pada rumus 2.9 berikut ini: � � = { , , −� −� − − , lainnya (2.9)
d. Menentukan Nilai Ordinat Defuzzifikasi (d’)
Jika hasil nilai fuzzy lebih besar dari k, � (i=1,2,…,k) maka vektor dapat
didefinisikan sebagi berikut: V(� � , � , … , �
= [ � � dan V(� � … � � ]
= min V � � (2.10)
Asumsikan bahwa,
d’ (� ) = min V � � (2.11)
untuk k =1,2,…,n; k≠ , maka diperoleh nilai bobot vektor
e. Normalisasi Nilai Bobot Vektor Fuzzy (W)
W’= d’ � , d’ � , … , d’ � � (2.12)
Dimana � = 1, 2,…,n adalah n element keputusan.
Setelah dilakukan normalisasi dari persamaan W’ maka nilai bobot vektor yang ternormalisasi adalah seperti rumus berikut:
W = d � , d � , … , d � � (2.13)
Dimana W adalah bilangan non fuzzy dan nilai ∑ = .
Langkah perhitungan FAHP menurut Chang dalam penelitian ini digunakan untuk melakukan perhitungan setiap kriteria. Sedangkan dalam menentukan vektor bobot setiap kriteria yang mempresentasikan bobot dari setiap adalah menggunakan pendekatan subjektif, yaitu atribut biaya (minimal) dan atribut keuntungan (maksimal) dengan rumus: (Kusumadewi, dkk, 2006)
= ������−−� , untuk adalah atribut biaya. (2.14)
Dengan,
� � = max , , … ,
� = min , , … ,
= , , … , ;
= , , … , ;
Setelah itu melakukan normalisasi vektor bobot setiap kriteria yang mempresentasikan bobot dari setiap alternative dengan jumlah total nilai bobot sama dengan 1.
Kemudian melakukan perangkingan dan hasil keputusan dengan cara menghitung total skor dengan rumus: (Kusumadewi, dkk, 2006)
= ∑ (2.16)
Keterangan:
� = Skor setiap
= bobot setiap kriteria yang mempresentasikan bobot dari setiap = bobot setiap kriteria
Hasil dari perhitungan tersebut pilih skor paling tinggi. Skor paling tinggi adalah yang paling direkomendasi.
19 BAB III
METODE PENELITIAN
3.1 Gambaran Umum
Penelitian yang dilakukan bertujuan untuk menentukan perangkingan rumah sebagai bahan rekomendasi dalam memilih rumah. Input yang digunakan berupa data rumah dan intensitas kepentingan. Data tersebut selanjutnya akan diolah untuk menghasilkan output rekomendasi rumah. Sistem ini diharapkan mampu membantu calon pembeli melakukan pemilihan rumah dalam proses pembelian rumah secara efisien sesuai dengan kebutuhan dan kemampuan.
3.2 Desain Penelitian 3.2.1 Studi Literatur
Mempelajari teori mengenai sistem pendukung pengambilan keputusan (SPPK), logika fuzzy, Analytical Hierarchy Process dan Fuzzy Analytical Hierarchy Process dalam membangun SPPK pembelian rumah. Teori yang dipelajari berasal dari materi perkuliahan, buku teks, artikel ilmiah dalam prosiding nasional, jurnal ilmiah nasional dan jurnal internasional.
3.2.2 Data
- Data yang Digunakan
Data yang digunakan dalam penelitian ini adalah data rumah pada tahun 2016 sebanyak 100 rumah, dengan kriteria yaitu harga rumah, luas bangunan, luas tanah, lokasi rumah, dan spesifikasi rumah. Data tersebut bersumber dari pengembang perumahan PT Agatama Putra, yaitu perumahan Banteng Town House, Agatama Regency Banguntapan, dan Agatama Residence Purwomartani.
- Teknik Pengumpulan Data
Pada tahap teknik pengumpulan data yang pertama dilakukan adalah melakukan wawancara kepada pimpinan pengembang perumahan PT Agatama Putra. Data yang didapat berupa kriteria apa saja yang biasanya digunakan oleh seseorang membeli rumah maupun calon pembeli dalam
mencari rumah. Hasil wawancara tersebut menyatakan bahwa kriteria yang biasanya digunakan seseorang dalam membeli rumah adalah mengenai harga rumah, luas tanah, regalitas yang mencakup surat-surat rumah, lokasi, suasana lingkungan sekitar, luas bangunan, dan spesifikasi rumah. Dari kriteria tersebut pengembang mengatakan bahwa para calon pembeli rumah maupun pembeli biasanya mengutamakan mengenai harga rumah, luas tanah, luas bangunan, lokasi rumah, dan spesifikasi rumah. Data yang diperoleh PT Agatama Putra data mengenai nama/kavling rumah, luas bangunan, luas tanah, lantai, harga dan tipe pada perumahan Banteng Town House, Agatama Regency Banguntapan, dan Agatama Residence Purwomartani. Total semua data rumah yaitu 100 data. Data tersebut dalam bentuk cetak (hardcopy), jadi harus melakukan pengetikan agar data dapat diproses ke tahap selanjutnya. Dari pernyataan tersebut dalam penelitian ini menggunakan lima (5) kriteria yaitu harga rumah, luas tanah, luas bangunan, lokasi rumah, dan spesifikasi rumah.
3.2.3 Perancangan Alat Uji
Dalam penelitian ini metodologi yang digunakan adalah model pengembangan alat uji waterfall dengan dilakukan secara sistematis. Tahap-tahapnya sebagai berikut:
1. Analisa
Pada tahap analisa ini dilakukan analisa terhadap kebutuhan sistem. Dengan cara mencari informasi sebanyak mungkin dari user agar sistem yang dibuat sesuai dengan keinginan user. Pada tahap ini akan menghasilkan dokumen user requirement yang dapat digunakan oleh sistem analis untuk menerjemahkan ke dalam bahasa pemrograman.
2. Desain
Pada tahap desain ini dilakukan proses membuat rancangan alat uji berdasarkan informasi dan tahap sebelumnya. Proses ini berfokus pada arsitektur perangkat lunak, representasi interface dan detail algoritma. Tahap ini akan menghasilkan dokumen yang disebut software requirement.
Dokumen ini digunakan oleh seorang programmer dalam membangun sistem.
3. Pengkodean(Coding)
Pada tahap pengkodean ini adalah telah dibuat pada tahap desain yang diterjemahkan dalam bahasa pemrograman pada komputer. Tahap ini menghasilkan alat uji dalam bentuk perangkat lunak yang dibuat berdasarkan rancangan yang sudah ada.
4. Pengujian
Pada tahap pengujian ini alat uji berupa perangkat lunak diujicoba untuk mengetahui apakah perangkat lunak tersebut sudah sesuai dengan rancangan dan kebutuhan pengguna. Selain itu, pengujian dilakukan untuk menemukan kesalahan pada sistem untuk segera diperbaiki.
3.2.4 Pengujian dan Analisis
Pengujian sistem dan analisis yang dibangun adalah sebagai berikut: 1. Pengujian
Sistem diuji di kantor PT Agatama Putra dan kepada para pembeli/calon pembeli untuk melihat sejauh mana hasil dari sistem pengambilan keputusan pembelian rumah berjalan. Dari pengujian tersebut akan terlihat kekurangan sistem yang nantinya akan diperbaiki.
2. Analisis
Pada tahap analisis, melakukan analisis dengan membandingkan antara hasil manual dengan hasil dari sistem yang dibuat.
3.3 Spesifikasi Software dan Hardware
Spesifikasi software dan hardware yang digunakan dalam pengimplementasian SPPK pembelian rumah adalah:
1. Software
a. Sistem operasi yang digunakan yaitu Microsoft Windows 10 64-bit. b. Bahasa pemrograman yang digunakan yaitu PHP dengan aplikasi
2. Hardware
a. Processor yang digunakan yaitu Intel® Core™ i5-5200U CPU @ 2.20 GHz.
23 BAB IV
ANALISIS DAN PERANCANGAN SISTEM
4.1 Analisis Masalah 4.1.1 Analisis Sistem Lama
Saat ini proses pengambilan keputusan untuk pembelian rumah masih dilakukan secara manual. Pada umumnya calon pembeli yang ingin membeli rumah mencari informasi perumahan dengan cara mengakses melalui internet, membaca dari surat kabar, dan menanyakan mengenai kriteria rumah kepada pengembang perumahan. Dari informasi yang didapatkan kemudian calon pembeli membandingkan kelebihan dan kekurangan beberapa rumah secara manual dan datang ke pengembang perumahan untuk meninjau lokasi rumah. Hal tersebut membuat calon pembeli kebingungan dan menghabiskan waktu dan tenaga. Cara tersebut kurang efisien karena semakin banyak rumah yang dibandingkan akan membuat kebanyakan calon pembeli rumah kesulitan, membuang waktu dan tenaga untuk mementukan pilihan yang sesuai dengan kebutuhan dan kemampuan calon pembeli.
4.1.2 Analisis Sistem Baru
Sistem yang akan dibangun adalah suatu sistem pengambilan keputusan secara terkomputerisasi yang diharapkan dapat membantu calon pembeli rumah dalam mengambil keputusan pembelian rumah yang sesuai dengan kebutuhan dan kemampuan. Dalam membangun sistem ini banyak kriteria yang perlu dipertimbangkan. Dengan dibangunnya sistem ini diharapkan dapat membantu calon pembeli dalam mempermudah mengambil keputusan pembelian rumah yang sesuai dengan kebutuhan dan kemampuan.
4.2 Gambaran Umum Sistem
Sistem yang akan dibangun adalah sebuah sistem pendukung pengambilan keputusan yang akan membantu pengguna untuk memberikan rekomendasi rumah. Sistem ini akan dibuat dengan menggunakan Metode Fuzzy Analitycal Hierarcy Process (FAHP) berbasis web dengan menggunakan bahasa pemrograman PHP.
Pada kasus ini triangular fuzzy number (TFN) digunakan untuk menentukan nilai prioritas dalam membandingkan setiap kriteria, dilanjutkan dengan menggunakan Metode Fuzzy Analitycal Hierarcy Process (FAHP) untuk mendapatkan hasil perangkingan yang akan memberikan rekomendasi rumah dari yang ada. Dengan menggunakan metode ini diharapkan dapat memberikan hasil yang sesuai keinginan karena berdasarkan perbandingan prioritas kepentingan antar kriteria yang sudah dipilih oleh pengguna.
Dalam sistem ini terdapat 2 aktor, yaitu administrator dan user. Administrator bertugas untuk melakukan CRUD atau create, read, update, dan delete data setiap kriteria yang sudah ditentukan. Dalam mengolah data tersebut administrator harus melakukan login terlebih dahulu dengan memasukkan username dan password. Jika proses login berhasil dilakukan maka administrator dapat melakukan pengelolaan data-data rumah. Sedangkan user akan menjalankan sistem dan menggunakan sistem untuk melakukan proses pengambilan keputusan. User memasukkan nilai prioritas dari setiap kriteria yang dibandingkan. Dari nilai prioritas yang dimasukkan tersebut kemudian sistem akan menghitung dengan metode Fuzzy Analitycal Hierarcy Process (FAHP). Rekomendasi rumah yang dihasilkan adalah perangkingan rumah yang sesuai dengan perbandingan prioritas kriteria yang dimasukkan oleh user. Sistem akan menampilkan 5 rumah yang paling direkomendasikan oleh sistem.
4.3 Analisis Kebutuhan Sistem
Kebutuhan sistem pada “Sistem Pendukung Pengamblan Keputusan
Pembelian Rumah Menggunakan Fuzzy Analytical Hierarchy Process (FAHP)”
yang akan dibangun terdiri dari kebutuhan input, kebutuhan proses, dan kebutuhan output.
1. Kebutuhan Input
Pada kebutuhan input digolongan menjadi input tegas, input fuzzy, domain himpunan, dan input domain himpunan fuzzy.
Input tegas berupa data mengenai harga rumah, luas bangunan, luas tanah, lokasi rumah dan spesifikasi rumah.
b. Input Fuzzy
Input fuzzy berupa data mengenai skala triangular fuzzy number (Chang, 1996) dari setiap kriteria.
c. Domain Himpunan Fuzzy
1. Skala Triangular Fuzzy Number (Chang, 1996) a. 9 kali lebih penting: (4, 9/2, 9/2)
b. 8 kali lebih penting: (7/2, 4, 9/2) c. 7 kali lebih penting: (3, 7/2, 4) d. 6 kali lebih penting: (5/2, 3, 7/2) e. 5 kali lebih penting: (2, 5/2, 3) f. 4 kali lebih penting: (3/2, 2, 5/2) g. 3 kali lebih penting: (1, 3/2, 2) h. 2 kali lebih penting: (1/2,1, 3/2) i. Sama Penting: (1, 1, 1)
j. 2 kali kurang penting: (2/3, 1, 2) k. 3 kali kurang penting: (1/2, 2/3, 1) l. 4 kali kurang penting: (2/5, 1/2, 2/3) m. 5 kali kurang penting: (1/3, 2/5,1/2) n. 6 kali kurang penting: (2/7, 1/3, 2/5) o. 7 kali kurang penting: (1/4, 2/7, 1/3) p. 8 kali kurang penting: (2/9, 1/4 2/7) q. 9 kali kurang penting: (2/9, 2/9, 1/4) 2. Kebutuhan Proses
Pada sistem ini memiliki 2 aktor yang terlibat, yaitu administrator dan user. Pegawai PT Agatama Putra bertindak sebagai administrator dan calon pembeli sebagai user. Dalam menggambarkan siapa yang menggunakan sistem dan cara pengguna berinteraksi dengan sistem, dapat menggunakan diagram use case. Berikut adalah uraian bagaimana aktor berinteraksi dengan sistem beserta diagram use case:
a. Administrator
1. Administrator harus melakukan login terlebh dahulu dengan memasukkan username dan password untuk masuk kedalam sistem. 2. Skenario proses yang dapat dilakukan oleh administrator adalah menambah data lokasi perumahan, mengubah data lokasi perumahan, menghapus data lokasi perumahan, melihat data lokasi perumahan, menambah data spesifikasi, mengubah data spesifikasi, menghapus data spesifikasi, melihat data spesifikasi, menambah data rumah, mengubah data rumah, menghapus data rumah, melihat data rumah , menambah data gambar denah dan lokasi, mengubah data gambar denah dan lokasi, menghapus data gambar denah dan lokasi, melihat data gambar denah dan lokasi, menambah data gambar rumah, mengubah data gambar rumah, menghapus data gambar rumah, dan melihat data gambar rumah.
3. Proses kelola data yang dilakukan oleh administrator bersifat include atau tergantung pada proses sebelumnya. Apabila proses login gagal maka administrator tidak dapat melakukan proses kelola data. 4. Skenario logout, administrator akan keluar dari sisem setelah
Administrator Login Kelola Spesifikasi Kelola Lokasi Perumahan Kelola Rumah Kelola Gambar Denah dan Lokasi
Kelola Gambar Rumah
Logout
<<include>>
Gambar 4.1 Use Case Diagram Administrator
Administrator
Tambah Data Lokasi Perumahan
Ubah Data Lokasi Perumahan
Hapus Data Lokasi Perumahan
Lihat Data Lokasi Perumahan
Administrator
Tambah Data Spesifikasi
Ubah Data Spesifikasi
Hapus Data Spesifikasi
Lihat Data Spesifikasi
Gambar 4.3 Use Case Package Kelola Spesifikasi.
Administrator
Tambah Data Rumah
Ubah Data Rumah
Hapus Data Rumah
Lihat Data Rumah
Gambar 4.4 Use Case Package Kelola Rumah
Administrator
Tambah Data Gambar Denah dan Lokasi
Ubah Data Gambar Denah dan Lokasi
Hapus Data Gambar Denah dan Lokasi
Lihat Data Gambar Denah dan Lokasi
Administrator
Tambah Data Gambar Rumah
Ubah Data Gambar Rumah
Hapus Data Gambar Rumah
Lihat Data Gambar Rumah
Gambar 4.6 Use Case Package Kelola Gambar Rumah b. User
Skenario proses yang dapat dilakukan oleh user adalah memasukkan perbandingan prioritas setiap kriteria.
Lihat Profil PT Agatama Putra
User Sistem Pendukung Pengambilan Keputusan Lihat Help Lihat Perumahan
Gambar 4.7 Use Case Diagram User
Lihat Daftar Rumah
User
Lihat Rincian Rumah Lihat Hasil Perangkingan
Rekomendasi Rumah Input Perbandingan Prioritas
antar Kriteria
<<include>> <<include>>
User
Gambar 4.9 Use Case Package Sistem Pendukung Keputusan
3. Kebutuhan Output
Output sistem berupa rekomendasi rumah yang sudah diranking berdasarkan perbandingan prioritas yang diinputkan oleh user.
