Institutional Repository | Satya Wacana Christian University: Penerapan Algoritma FMADM dan Metode SAW untuk Menentukan Rekomendasi Pembelian SmartPhone

Penerapan Algoritma FMADM dan Metode SAW untuk

Menentukan Rekomendasi Pembelian

SmartPhone

Artikel Ilmiah

Diajukan kepada Fakultas Teknologi Informasi

untuk memperoleh Gelar Sarjana Komputer

Oleh:

Thomas Bondan Mardy Nugroho NIM: 672010235

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

1

Penerapan Algoritma FMADM dan Metode SAW untuk

Menentukan Rekomendasi Pembelian

SmartPhone

1)

Thomas Bondan Mardy Nugroho, 2) Hindriyanto Dwi Purnomo, 3) Prihanto Ngesti Basuki

Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Jl. Diponegoro 52-60, Salatiga 50771, Indonesia

Email: 1) th.bondan@gmail.com, 2) hindriyanto.purnomo@staff.uksw.edu,

3)

ngesti@staff.uksw.edu

Abstract

Fuzzy Multiple Attribute Decision Making (FMADM) is an algorithm used to determine the weights for each attribute value owned. While Simple Additive Weighting (SAW) is one method to solve (FMADM) by performing a weighted sum of each alternative on all attributes. This study, using the level of importance of each alternative product that has the type of cost or benefits of each alternative and the search index as input to a user that will result in the recommendation. The end result of this web-based application is displayed in a table ranking the product. It can be concluded that if the level of importance of each alternative products entered by the user is worth the cost, the system will search for the lowest value of these criteria and if the interest rate is worth the benefit, the system will search for the highest value of these criteria.

Keywords: FMADM, SAW, Weights, Alternatives, Criteria.

Fuzzy Multiple Attribute Decision Making (FMADM) adalah suatu algoritma yang digunakan untuk penentuan nilai bobot pada setiap atribut yang dimiliki. Sedangkan Simple Additive Weighting (SAW) adalah salah satu metode untuk menyelesaikan (FMADM) dengan melakukan penjumlahan terbobot dari setiap alternatif pada semua atribut. Penelitian ini, menggunakan tingkat kepentingan setiap alternatif produk yang mempunyai tipe cost atau benefit dan index pencarian setiap alternatif sebagai input untuk user yang akan menghasilkan bentuk rekomendasi. Hasil akhir dari aplikasi berbasis web ini ditampilkan dalam bentuk tabel rangking produk. Dapat disimpulkan bahwa jika tingkat kepentingan setiap alternatif produk yang diinputkan oleh user bernilai cost maka sistem akan mencari nilai terendah dari kriteria tersebut dan jika tingkat kepentingan bernilai benefit maka sistem akan mencari nilai tertinggi dari kriteria tersebut.

Kata kunci : FMADM, SAW, Bobot, Alternatif, Kriteria.

1)

Mahasiswa Fakultas Teknologi Informasi Jurusan Teknik Informatika, Universitas Kristen Satya Wacana Salatiga.

2) _{Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana Salatiga.} 3)

2

1. Pendahuluan

Ponsel tidak lagi menjadi barang mewah sehingga kebutuhan ponsel cerdas semakin tinggi. Perputaran pelanggan ponsel di Indonesia diprediksi mencapai 8,6% dalam sebulan [1]. Hal ini menunjukan kebutuhan terhadap telekomunikasi multi fungsi kian berkembang, termasuk tuntutan kebutuhan smartphone [2]. Oleh sebab itu kepuasan seorang konsumen untuk mendapatkan sebuah smartphone yang dinginkan secara cepat dan mudah sangatlah penting. Memilih sesuai keinginan adalah alasan utama konsumen membeli dan melakukan transaksi. Dalam memilih smartphone, ada beberapa kriteria-kriteria tertentu yang dijadikan acuan untuk memilih, dari kriteria-kriteria itulah konsumen menentukan smartphone yang diinginkan. Akan tetapi analisa jenis kriteria untuk smartphone sangatlah banyak, bisa dari segi harga ataupun dari bagian-bagian dan fitur dari smartphone tersebut. Memberikan beberapa kriteria utama untuk dijadikan acuan pemilihan smartphone sangatlah penting, karena akan memberikan kemudahan pada konsumen dalam memilih.

Indonesia memiliki cakupan geografis yang sangat potensial bagi pengembangan bisnis telekomunikasi. Peluang besar ini diperebutkan sejumlah operator seluler dan hanya tiga operator yang memiliki pangsa pasar diatas 5%, yaitu Telkomsel (55,6%), Indosat (24,8%) dan Excelcomindo (14,8%). Dari fakta ini antar operator bersaing merebut konsumen dengan berbagai cara misal penawaran bonus kartu perdana (starter pack), bonus isi ulang, bonus pulsa, hadiah melalui poin, dan tarif sms atau panggilan murah [2]. Tidak hanya operator seluler saja yang bersaing merebut perhatian para konsumen melainkan berbagai macam web smartphone saat ini, sangat banyak yang menyediakan layanan-layanan kemudahan dalam pencarian barang untuk menarik minat konsumen. Persaingan ini semakin meningkat karena para pengguna smartphone tidak hanya dari kalangan yang berkepentingan saja melainkan dari semua kalangan usia. Ada yang ingin membeli untuk keperluan pekerjaan, bermain game, sosial media, dan masih banyak lagi. Dengan adanya berbagai macam tuntutan kebutuhan inilah, maka sebuah web smartphone ingin menyediakan layanan pencarian produknya secara cepat, mudah dan akurat untuk memenuhi kebutuhan konsumen.

Berdasarkan dari tuntutan kebutuhan-kebutuhan tersebut, sebuah web smartphone tidak hanya mempunyai kegunaan untuk mencari dan menampilkan nama-nama barang yang ingin di beli oleh konsumen saja, tetapi web smartphone dituntut untuk mempunyai sebuah sistem yang mampu merekomendasikan produk yang akan dibeli, tentunya berdasarkan dari kriteria-kriteria yang diinginkan oleh konsumen.

3

2. Tinjauan Pustaka

Fuzzy Multiple Attribute Decision Making (FMADM) adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu [3]. Simple Additive Weighting (SAW) itu sendiri adalah penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut [4]. Heri Sulistiyo mengimplementasikan FMADM dengan metode SAW untuk menentukan penerima beasiswa, dimana pemberian nilai setiap alternatif (Ai) pada setiap kriteria (Cj) yang sudah ditentukan akan membentuk sebuah matrix keputusan (X) [5].

Nandang Hermanto menggunakan Simple Additive Weighting (SAW) untuk menentukan jurusan pada SMK, dalam sistem ini menggunakan atribut sama yaitu maksimal sehingga bobot preferensi yang memiliki nilai sama setelah bobot preferensi ditentukan, dibuat matrix keputusan (X) berdasarkan tabel-tabel pembobotan [6]. Paska Marto Hasugian menggunakan (FMADM) dan (SAW) untuk menentukan penerimaan tenaga kerja, dimana dalam menentukan matrix keputusannya menggunakan nilai setiap alternatif pada setiap kriteria yang sudah ditentukan [7]. Much. Rifqi Mualan, menggunakan Simple Additive Weighting untuk penilaian kinerja karyawan, dimana semua bilangan fuzzy akan dikonversikan kebilangan crips untuk membentuk matrix keputusan [8]. Nugroho Joko Usito menggunakan Simple Additive Weighting (SAW) untuk Penilaian Proses Belajar Mengajar, dimana penentuan nilai bobot preferensi diambil dari data perhitungan manual untuk membentuk matrix keputusan [9].

Dalam penelitian ini, digunakan algoritma Fuzzy Multiple Attribute Decision Making (FMADM) dan metode Simple Additive Weighting (SAW) untuk rekomendasi pembelian smartphone. Penggunaan metode SAW pada model fuzzy MADM ini, dikarenakan metode SAW adalah salah satu metode yang dapat digunakan untuk menyelesaikan masalah fuzzy MADM dengan melakukan normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada [4]. Pada penelitian sebelumnya yang diteliti adalah pemberian nilai setiap alternatif pada setiap kriteria yang sudah ditentukan dan tipe atribut yang digunakan untuk membuat sebuah matrix keputusan (X) dan juga mengkonversikan bilangan fuzzy kedalam bilangan crisp untuk membentuk matrix keputusan dan bobot kepentingan relatif. Akan tetapi pada penelitian ini tidak memberikan nilai setiap alternatif pada setiap kriteria untuk membentuk matrix keputusan (X), melainkan membentuk matrix keputusan dengan menggunakan kriteria-kriteri yang sudah ditentukan dari data smartphone, konversi bilangan fuzzy kedalam bilangan crisp hanya digunakan untuk membentuk bobot kepentingan relatif.

Matrix keputusan dan bobot kepentingan relatif dibentuk dengan menggunakan Fuzzy Multiple Attribute Decision Making (FMADM) sedangkan bentuk penyelesaian dari matrix keputusan sampai dengan rekomendasi produk smartphone menggunakan metode Simple Additive Weighting (SAW).

4

Pembahasan tentang ketidakjelasan (vagueness) telah dimulai semenjak tahun 1937, ketika seorang filsof bernama Max Black mengemukakan pendapatnya tentang ketidakjelasan [11]. Black mendefinisikan suatu proposisi tentang ketidakjelasan sebagai suatu proposisi dimana status kemungkinan dari proposisi tersebut tidak didefinisikan dengan jelas. Sebagai contoh, untuk menyatakan

seseorang termasuk dalam kategori muda, pernyataan “muda” dapat memberikan

interpretasi yang berbeda dari oleh setiap individu, dan kita tidak dapat memberikan umur tertentu untuk mengatakan seseorang masih muda atau tidak muda [4].

Ketidakjelasan juga dapat digunakan untuk mendeskripsikan sesuatu yang berhubungan dengan ketidakpastian yang diberikan dalam bentuk informasi linguistik atau intuisi. Sebagai contoh, untuk menyatakan kualitas suatu data

dikatakan “baik”, atau derajat kepentingan seorang pengambil keputusan dikatakan “sangat penting”. Namun demikian, dalam bentuk semantik,

ketidakjelasan (vague) dan fuzzy secara umum tidak dapat dikatakan bersinonim [4]. Suatu proporsi yang mengandung ketidakjelasan adalah fuzzy, tetapi tidak sebaliknya [12].

Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain [13] [14]:

- Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. - Logika fuzzy sangat flexible.

- Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. - Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat

kompleks.

- Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.

- Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.

- Logika fuzzy didasarkan pada bahasa alami.

Salah satu yang menarik dari logika fuzzy adalah, logika fuzzy dapat digunakan untuk memodelkan informasi yang mengandung ketidakjelasan melalui konsep bilangan fuzzy, dan dapat memproses bilangan fuzzy-bilangan fuzzy tersebut dengan menggunakan operasi-operasi aritmatika biasa [15]. Bilangan fuzzy biasanya diekspresikan secara linguistic. Operasi yang dilakukan pada bilangan fuzzy lebih banyak berupa pengolahan kata-kata daripada bentuk bilangan [4].

FMADM (Fuzzy Multiple Attribute Decision Making)

5

mendaftar konsekuensi-konsekuensi yang mungkin dari alternatif yang telah teridentifikasi | Ai, i = 1,...,n |. Selain itu juga disusun atribut-atribut yang akan digunakan | ak, k = 1,...,m | [4].

Tahap analisis dilakukan melalui dua langkah. Pertama, mendatangkan taksiran dari besaran yang potensial, kemungkinan dan ketidakpastian yang berhubungan dengan dampak-dampak yang mungkin pada setiap alternatif. Kedua, meliputi pemilihan dari preferensi pengambil keputusan untuk setiap nilai, dan ketidak pedulian terhadap resiko yang timbul. Pada langkah pertama, beberapa metode menggunakan fungsi distribusi | Pj(x) | yang menyatakan probabilitas kumpulan atribut | ak | terhadap setiap alternatif | Ai |. Konsekuen juga dapat ditentukan secara langsung dari agregasi sederhana yang dilakukan pada informasi terbaik yang tersedia. Demikian pula, ada beberapa cara untuk menentukan preferensi pengambil keputusan pada setiap konsekuen yang dapat dilakukan pada langkah kedua. Metode yang paling sederhana adalah untuk menurunkan bobot atribut dan kriteria adalah dengan fungsi utilitas atau penjumlahan terbobot [4].

Secara umum, model multi-attribute decision making dapat didefinisikan sebagai berikut [16]: Misalkan A = {ai | i = 1,...,n} adalah himpunan alternatif-alternatif keputusan dan C = {cj | j = 1,...,m} adalah himpunan tujuan yang diharapkan, maka akan ditentukan alternatif x0 yang memiliki derajat harpan tertinggi terhadap tujuan-tujuan yang relevan cj.

Pendekatan MADM dilakukan melalui dua langkah, yaitu : pertama, melakukan agregasi terhadap keputusan-keputusan yang tanggap terhadap semua tujuan pada setiap alternatif; kedua, melakukan perangkingan alternatif-alternatif keputusan tersebut berdasarkan hasil agregasi keputusan [4].

Masalah multi-attribute decision making (MADM) adalah mengevaluasi m alternatif Ai (i = 1,2,...,m) terhadap sekumpulan atribut atau kriteria Cj (j = 1,2,...,n), dimana setiap atribut saling tidak bergantung satu dengan yang lainnya. Matriks keputusan setiap alternatif terhadap setiap atribut, X, diberikan sebagai :

X =

Dimana xij merupakan rating kinerja alternatif ke-i terhadap atribut ke-j. Nilai bobot yang menunjukkan tingkat kepentingan relatif setiap atribut, diberikan sebagai, W [4]:

W = {w1,w2,...,wn}

6

SAW (Simple Additive Weighting)

Metode SAW (Simple Additive Weighting) sering juga dikenal istilah metode 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 [4]. Rumus dari normalisasi matrix dapat dilihat pada rumus persamaan (1).

dimana rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i=1,2,...,m dan j=1,2,...,n. Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai [4]:

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih [4].

3. Pemodelan Rekomendasi Pembelian Smartphone

Dalam penelitian ini akan dilakukan pemodelan masalah mengenai rekomendasi pembelian smartphone dengan menerapkan algoritma Fuzzy Multiple Attribute Decision Making (FMADM) dan metode Simple Additive Weighting (SAW). Fuzzy MADM pada penelitian ini digunakan untuk membentuk matrix keputusan dan bobot kepentingan relatif sedangkan metode SAW digunakan untuk menyelesaikan model dari fuzzy MADM yaitu dengan melakukan normalisasi matrix keputusan sampai dengan proses perangkingan. Masalah fuzzy MADM dapat diformulasikan sebagai berikut.

7

atau kriteria-kriteria smartphone seperti Harga, Display, Memory, Camera, Battery, Popularity dan X = {xij | i = 1, 2, 3, . . . , m ; j = 1, 2, 3, . . . , n} adalah matrix keputusan dengan xijadalah nilai numeris alternatif ke-i pada atribut atau kriteria ke-j, nilai numeris xij adalah data smartphone dari setiap kriteria. Tabel matrix dari formulasi fuzzy MADM dapat dilihat pada Tabel 1.

Tabel 1Matrix FMADM K1

( W1 ) K2 ( W2 )

K3 ( W3 )

... ... Kn ( Wn )

A1 X11 X12 X13 . . X1n

A2 X21 X22 X23 . . X2n

A3 X31 X32 X33 . . X3n

... . . . . . .

... . . . . . .

Am Xm1 Xm2 Xm3 . . Xmn

Tabel 1 adalah bentuk representasi matrix keputusan matode fuzzy MADM yang menempatkan Ai sebagai himpunan alternatif dan Kj adalah himpunan atribut atau kriteria, sedangkan X adalah matrix keputusan dengan xijadalah nilai numeris alternatif ke-i pada atribut atau kriteria ke-j. Bobot W = {W1, W2, W3, . . . , Wn} merupakan bobot kepentingan relatif pentingnya setiap atribut atau kriteria. Pada penelitian ini bobot kepentingan relatif terdiri dari empat bilangan fuzzy, yaitu Kurang Penting (KP), Sedang (SD), Penting (PT), Sangat Penting (SP). Untuk lebih jelasnya data kriteria yang digunakan untuk rekomendasi pembelian smartphone dapat dilihat pada Tabel 2, sedangkan untuk kurva bilangan fuzzy bobot dapat dilihat pada Gambar 1.

Tabel 2 Kriteria

No Nama Variabel Nama Kriteria Tipe

1. Harga K1 cost

2. Display K2 benefit

3. Memory K3 benefit

4. Camera K4 benefit

5. Battery K5 benefit

8

Gambar 1 Kurva Bilangan Fuzzy Bobot

Tabel 2 adalah tabel kriteria untuk smartphone, pada tabel kriteria tersebut terdapat enam kriteria yang digunakan yaitu Harga (K1), Display (K2), Memory

(K3), Camera (K4), Battery (K5), Popularity (K6). Sedangkan kurva bilangan fuzzy

bobot yang ditunjukkan pada Gambar 1 menjelaskan tentang pemberian nilai setiap bilangan fuzzy atau pengkonversian bilangan fuzzy kedalam bilangan crisp, ada empat bilangan fuzzy yang dikonversikan yaitu KP (0.5), SD (1), PT (1.5), SP (2). Untuk lebih jelasnya tabel bobot dapat dilihat pada Tabel 3.

Tabel 3 Bobot

Bilangan Fuzzy Nilai (Bilangan crisp)

Kurang Penting (KP) 0.5

Sedang (SD) 1

Penting (PT) 1.5

Sangat Penting (SP) 2

9 Keterangan [5]:

rij = nilai rating kinerja ternormalisasi

xij = nilai alternatif yang dimiliki dari setiap kriteria Max xij = nilai terbesar dari alternatif setiap kriteria Min xij = nilai terkecil dari alternatif setiap kriteria benefit = jika nilai terbesar adalah terbaik

cost = jika nilai terkecil adalah terbaik

Rumus Persamaan (1) terdiri dari dua pembagian, yaitu jika nilai terbesar adalah terbaik (benefit) maka, nilai alternatif yang dimiliki setiap kriteria | xij | dibagi dengan nilai terbesar dari alternatif setiap kriteria | Max xij |, tetapi jika nilai terkecil adalah adalah terbaik (cost) maka, nilai terkecil dari alternatif setiap kriteria | Min xij | dibagi dengan nilai alternatif yang dimiliki dari setiap kriteria | xij |. Hasil dari penghitungan Rumus Persamaan (1) ini akan menghasilkan nilai rating kinerja ternormalisasi | rij |. Sedangkan untuk proses perangkingan rumus persamaan yang digunakan dapat dilihat pada Rumus Persamaan (2).

Keterangan [5]:

Vi = rangking untuk setiap alternatif wj = nilai bobot dari setiap kriteria rij = nilai rating kinerja ternormalisasi

10

Mulai

Input Bobot kepentingan dan

Alternatif kriteria

Pengumpulan komponen

Normalisasi matrix keputusan

Perangkingan (Menjumlahkan

hasil kali antara bobot dan hasil normalisasi matrix)

Hasil Rekomendasi

Selesai Bobot kepentingan dan Matrix keputusan

Jika Bobot > 0

Ya

Tidak

Gambar 2 Diagram Alur Proses Rekomendasi

11

4. Hasil dan Pembahasan

Bagian ini akan menjelaskan penerapan Algoritma Fuzzy Multiple Attribute Decision Making (FMADM) dan Metode Simple Additive Weighting (SAW) untuk rekomendasi pembelian smartphone. dalam penerapannya FMADM dan SAW membutuhkan kriteria-kriteria dan bobot kepentingan relatif untuk melakukan perhitungan sehingga akan menghasilkan perekomendasian yang akurat. Perhitungan yang akan dilakukan untuk menentukan rekomendasi pembelian smartphone ini, dimisalkan menggunakan kriteria Harga dengan index pencarian diatas Rp 1.000.000 dan kurang dari Rp 3.000.000 yang berjumlah 19 data, data-data yang akan direkomendasikan dapat dilihat pada Tabel 4.

Tabel 4 Data Smartphone [17]

Nama Produk Harga Display Memory Camera Battery Popularity

Apple iPhone 3G 2100000 3.5 0.128 2.0 1200 2.9

Berdasarkan dari Tabel 3 Bobot, maka dapat ditentukan bobot kepentingan relatif setiap kriteria yang ditentukan oleh pengambil keputusan, yang dimisalkan sebagai berikut.

12

Berdasarkan dari Tabel 4 dapat ditentukan matrix keputusan X :

X =

Untuk menyelesaikan matrix keputusan X diatas perlu dilakukan normalisasi matrix, penelitian ini menggunakan Rumus Persamaan (1) dari metode Simple Additive Weighting (SAW) sebagai berikut :

Keterangan [5]:

rij = nilai rating kinerja ternormalisasi

xij = nilai alternatif yang dimiliki dari setiap kriteria Max xij = nilai terbesar dari alternatif setiap kriteria Min xij = nilai terkecil dari alternatif setiap kriteria benefit = jika nilai terbesar adalah terbaik

cost = jika nilai terkecil adalah terbaik

13 R =

Untuk melakukan proses perangkingan dari matrix ternomalisasi R, penelitian ini menggunakan rumus persamaan (2) dari metode Simple Additive Weighting (SAW) sebagai berikut :

Keterangan [5]:

Vi = rangking untuk setiap alternatif wj = nilai bobot dari setiap kriteria rij = nilai rating kinerja ternormalisasi

Setelah proses perangkingan menggunakan rumus persamaan (2) selesai maka akan mendapatkan hasil berupa perekomendasian produk smartphone yang dapat dilihat pada Tabel 5.

Tabel 5 Rangking produk

No Hasil Rekomendasi Nilai Rangking

1. ZTE Grand S 5.3123458038423 2. Sony Xperia T LTE 5.19271019678 3. ZTE Star 1 5.187348439674

4. LG Volt 4.9843486745812

14

6. BlackBerry Z3 4.8463774597496 7. Sony Xperia C 4.423411812862 8. BlackBerry Q5 4.3981721561612

9. LG-L65 4.3713870381587

10. HTC Desire 616 4.340836811767 11. Motorola RAZR V XT889 4.2241361453724 12. Nokia Lumia 505 4.19971019678 13. LG Lucid2 4.0907938669522 14. Motorola MotoG 4G 3.9631037567084 15. HTC Desire L 3.9085688729875 16. Huawei Ascend W2 3.7922781753131 17. Galaxy Ace 4 3.5153784267273 18. BlackBerry Bold 9650 3.3013075169245 19. Apple iPhone 3G 2.5835670840787

Dalam pembuatan sistem perekomendasian smartphone ini, Pengujian sistem dilakukan dengan cara uji Black Box yaitu pengujian fungsional yang hanya melihat pada hasil eksekusi data pengujian. Fungsi-fungsi dan hasil yang diuji dapat dilihat pada Tabel 6.

Tabel 6 Uji Black Box

No Skenario Input Hasil Uji Status

1. Menentukan matrix _keputusan Data _smartphone Menampilkan data _smartphone Valid

2. Menentukan bobot hasil kali antara bobot dan hasil normalisasi matrix

Valid

15

5. Simpulan

Berdasarkan dari penelitian yang sudah dibuat dengan judul penerapan algoritma Fuzzy Multiple Attribute Decision Making (FMADM) dan Metode Simple Additive Weighting (SAW) untuk menentukan rekomendasi pembelian smartphone diperoleh beberapa kesimpulan. Pada penelitian ini algoritma dan metode yang digunakan dapat diterapkan dengan baik, sehingga menghasilkan perekomendasian produk smartphone sesuai yang diharapkan. Banyaknya merk, jenis dan fitur dari smartphone membuat semakin sulitnya seorang konsumen dalam menentukan pilihan yang tepat, namun jika data sangat banyak penerapan algoritma dapat mempermudah proses pemilihan smartphone. Dalam sistem ini juga menggunakan beberapa kriteria utama dari smartphone yang bisa dijadikan pilihan untuk user dalam merekomendasikan produk, user juga bisa leluasa menentukan tingkat kepentingan relatif setiap kriteria sesuai dengan keinginannya. Dikarenakan tingkat kepentingan relatif setiap kriteria ini berpengaruh pada hasil rekomendasi yang dilakukan oleh user.

Beberapa saran untuk pengambangan penelitian ini adalah dapat dibuatnya sistem pendukung keputusan baru dengan menggabungkan antara sistem pakar dan metode-metode yang lainnya. Pada input bobot kepentingan relatif dan alternatif kriteria dapat dibuat menjadi lebih dinamis.

6. Daftar Pustaka

[1] Adiningsih, Sri, 2007, Persaingan Pada Industri Telepon Selular di Indonesia, http://st286324.sitekno.com/article/6528/persaingan-pada-industri-telepon-selular-diindonesia.html. Diakses Tanggal 14 September 2014.

[2] Chuzaimah, Mabruroh, Fereshti Nurdiana D, 2010, Smartphone: Antara Kebutuhan dan E-lifestyle, http://repository.upnyk.ac.id/30/1/E-38_SMARTPHONE_ANTARA_KEBUTUHAN_DAN_E-LIFESTYLE_.pdf. Diakses Tanggal 14 September 2014.

[3] Kusumadewi, Sri, 2004, Pencarian Bobot Atribut Pada Multi-Attribute Decision Making (MADM) Dengan Pendekatan Obyektif Menggunakan Algoritma Genetika, https://www.scribd.com/doc/76446873/sri-kusumadewi-jurnal-gematika. Diakses Tanggal 3 April 2014.

[4] Kusumadewi, Sri, Sri Hartati, Agus Harjoko, dkk, 2006, Fuzzy Multi-Attribute Decision Making (FUZZY MADM), Yogyakarta: Graha Ilmu. [5] Sulistiyo, Heri. 2010. Sistem pendukung keputusan untuk menentukan

penerima beasiswa di SMAN 6 Pandeglang, http://dir.unikom.ac.id/s1-

final-project/fakultas-teknik-dan-ilmu-komputer/teknik- informatika/2010/jbptunikompp-gdl-herisulist-21892/17-20.jurn-a.pdf/ori/17-20.jurn-a.pdf. Diakses Tanggal 16 November 2013.

16

[7] Hasugian, Paska Marto, 2012, Fuzzy Multi-Attribute Decision Making untuk Menentukan Tenaga Kerja dengan Metode Simple Additive Weighting, http://pelita-informatika.com/berkas/jurnal/26.pdf. Diakses Tanggal 12 September 2014.

[8] Mualan, Much. Rifqi, 2012, Penilaian Kinerja Karyawan di Ifun Jaya Textile dengan Metode Simple Additive Weighting, http://stmik-wp.ac.id/jurnal/files/disk1/1/ictech--muchrifqim-16-1-penilaia-w.pdf. Diakses Tanggal 12 September 2014.

[9] Usito ,Nugroho Joko, 2013, Sistem Pendukung Keputusan Penilaian Proses Belajar Mengajar Menggunakan Metode Simple Additive

Weighting (SAW),

http://eprints.undip.ac.id/40488/1/Nugroho_Joko_Usito.pdf. Diakses Tanggal 24 September 2014.

[10] Tettamanzi, A, M. Tomassini, 2001, Soft Computing: Integrating Evolutionary, Neural, and Fuzzy Systems, Berlin: Springer-Verlag.

[11] Ross, Timothy J., 2005, Fuzzy Logic With Engineering Applications, Edisi ke-2: John Wiley & Sons Inc. Inggris.

[12] Zadeh, L.A., 1995, Discussion : Probability Theory and Fuzzy Logic are Complementary rather than Competitive, dalam: Ross, Timothy J. Fuzzy Logic With Engineering Applications, Edisi ke-2: John Wiley & Sons Inc. Inggris.

[13] Cox, Earl, 1994, The Fuzzy Systems Handbook (A Prsctitioner’s Guide to Building, Using, and Maintaining Fuzzy Systems), Massachusetts: Academic press, Inc.

[14] Cox, Earl, 1995, Fuzzy Logic For Business and Industry, Rockland, Massachusetts : Charles River Media Inc.

[15] Lootsma, Freek A.,1997, Fuzzy Logic for Planning and Decision Making, Netherlands: Kluwer Academic Publishers.

[16] Zimmermann, 1991, Fuzzy Sets Theory and Its Applications, Edisi 2, Massachusetts: Kluwer Academic Publishers.