2. LANDASAN TEORI. 6 Universitas Kristen Petra

(1)

2. LANDASAN TEORI

2.1 Android Studio

Android Studio adalah sebuah IDE untuk Android Development yang diperkenalkan google pada acara Google I/O 2013. Android Studio merupakan pengembangan dari Eclipse IDE, dan dibuat berdasarkan IDE Java populer, yaitu IntelliJ IDEA. Android Studio merupakan IDE resmi untuk pengembangan aplikasi Android (Jadibaru. 2015).

Sebagai pengembangan dari Eclipse, Android Studio mempunyai banyak fitur-fitur baru dibandingkan dengan Eclipse IDE. Berbeda dengan Eclipse yang menggunakan Ant, Android Studio menggunakan Gradle sebagai build environment. Fitur-fitur lainnya adalah sebagai berikut :



Menggunakan Gradle-based build system yang fleksibel.



Bisa membangun multiple APK.



Template support untuk Google Services dan berbagai macam tipe perangkat.



Layout editor yang lebih bagus.



Built-in support untuk Google Cloud Platform, sehingga mudah untuk integrasi dengan Google Cloud Messaging dan App Engine.



Import library langsung dari Maven repository.

2.2 Android SDK

Android SDK (Software Development Kit) adalah satu set alat pengembangan yang digunakan untuk mengembangkan aplikasi untuk platform Android. Android SDK meliputi berikut ini:



diperlukan perpustakaan



debugger



sebuah emulator



dokumentasi yang relevan untuk antarmuka program aplikasi Android (API)



kode sumber sampel



Tutorial untuk OS Android

Setiap kali Google merilis versi baru dari Android, sebuah SDK yang sesuai

juga dirilis. Untuk dapat menulis program dengan fitur terbaru, pengembang harus

(2)

men-download dan menginstal SDK versi masing-masing untuk Smartphone tertentu.

Pengembangan Platform yang kompatibel dengan SDK termasuk sistem operasi seperti Windows (XP atau yang lebih baru), Linux (distribusi Linux terbaru) dan Mac OS X (10.4.9 atau yang lebih baru). Komponen Android SDK dapat didownload secara terpisah. add-ons pihak ketiga juga tersedia untuk di- download.

Meskipun SDK dapat digunakan untuk membuat program Android pada command prompt, metode yang paling umum adalah dengan menggunakan lingkungan pengembangan yang terintegrasi (IDE). IDE yang disarankan adalah Eclipse dengan plugin Android Development Tools (ADT). Namun, IDE lain, seperti NetBeans atau IntelliJ, juga bisa digunakan. Sebagian besar IDE ini menyediakan antarmuka grafis yang memungkinkan pengembang untuk melakukan tugas-tugas pembangunan lebih cepat. Karena aplikasi Android ditulis dalam kode Java, pengguna harus memiliki Java Development Kit (JDK) yang sudah terinstal di PC (Inet. 2016).

2.3 Android Volley

Volley adalah HTTP library yang membuat jaringan untuk aplikasi Android lebih mudah dan yang paling penting, cepat. Volley tersedia di GitHub.

Volley menawarkan manfaat sebagai berikut:

 penjadwalan otomatis permintaan jaringan.

 Beberapa koneksi jaringan bersamaan.

 Transparan disk dan respon memori cache dengan standar koherensi cache yang HTTP.

 Dukungan untuk permintaan prioritas.

 Pembatalan permintaan API. Anda dapat membatalkan satu permintaan, atau anda dapat mengatur blok atau lingkup permintaan untuk membatalkan.

 Kemudahan kustomisasi, misalnya, untuk retry dan backoff.

 Strong ordering yang membuatnya mudah untuk membenarkan pengisian UI dengan data diambil asynchronous dari jaringan.

 Debugging dan alat pelacakan.

(3)

Volley unggul di operasi RPC-tipe yang digunakan untuk mengisi UI, seperti mengambil sebuah halaman hasil pencarian sebagai data terstruktur. Ini terintegrasi dengan mudah dengan protokol apapun dan keluar dari kotak dengan dukungan untuk string baku, gambar, dan JSON. Dengan memberikan dukungan built-in untuk fitur yang Anda butuhkan, Volley membebaskan Anda dari menulis kode boilerplate dan memungkinkan Anda untuk berkonsentrasi pada logika yang khusus untuk aplikasi Anda.

Volley tidak cocok untuk di download atau streaming operasi besar, karena volley memegang semua tanggapan di memory selama parsing. Untuk operasi download besar, pertimbangkan untuk menggunakan alternatif seperti Download Manager. Inti Volley library dikembangkan di GitHub dan berisi berbagai permintaan pengiriman utama serta satu set utilitas umum yang berlaku, tersedia di Volley "toolbox" (AndroidDevelopers. 2017).

2.4 Android Firebase

Firebase adalah teknologi yang memungkinkan Anda membuat aplikasi web tanpa pemrograman sisi server sehingga pengembangannya menjadi lebih cepat dan mudah. Dengan Firebase, kita tidak perlu stres over-provisioning server atau membangun REST API dengan hanya sedikit konfigurasi; Firebase dapat memberi kesempatan untuk melakukan setiap langkah yang diperlukan:

menyimpan data, memverifikasi pengguna, dan menerapkan aturan akses.

Firebase mendukung klien web, iOS, OS X, dan Android. Aplikasi yang menggunakan Firebase hanya bisa menggunakan dan mengendalikan data, tanpa harus memikirkan bagaimana data akan disimpan, dan disinkronisasi di berbagai contoh aplikasi secara real time. Tidak perlu menulis kode sisi server, atau menerapkan kerangka server yang kompleks untuk mendapatkan aplikasi yang dimulai dengan Firebase.

2.5 PHP (Hypertext Preprocessor)

PHP (Hypertext Preprocessor) adalah bahasa pemrograman script server-

side yang didesain untuk pengembangan web. Selain itu, PHP juga dapat

(4)

ditanamkan atau disisipkan ke dalam HTML. PHP di kembangkan pada tahun 1995 oleh Rasmus Lerdorf, dan sekarang dikelola oleh The PHP Group. Situs resmi PHP beralamat di http://www.php.net.

PHP disebut bahasa pemrograman server side karena PHP diproses pada komputer server. Hal ini berbeda dibandingkan dengan bahasa pemrograman client-side seperti JavaScript yang diproses pada web browser (client) (Gulo.

2016).

2.6 Picasso

Picasso adalah library gambar untuk Android. Library ini diciptakan dan dikelola oleh Square, dan melayani pemuatan dan pemrosesan gambar. Library ini menyederhanakan proses menampilkan gambar dari lokasi eksternal. Dalam banyak kasus hanya beberapa baris kode yang diperlukan untuk mengimplementasikan perpustakaan yang rapi ini.

Perpustakaan ini menangani setiap tahap proses, dari permintaan HTTP awal ke caching gambar. Hal ini bisa sangat verbose saat menulis kode untuk melakukan tindakan ini sendiri (Johnson. 2014).

Gambar menambahkan konteks dan bakat visual yang sangat dibutuhkan ke aplikasi Android. Picasso memungkinkan loading gambar tanpa kerumitan dalam aplikasi Anda-seringkali dalam satu baris kode (Square Inc. 2013).

Banyak kendala umum pemuatan gambar pada Android ditangani secara otomatis oleh Picasso:

 Penanganan ImageView recycling dan download jadwal ulang pada adapter.

 Transformasi gambar kompleks dengan penggunaan memori minimal.

 Memori otomatis dan disk caching.

2.7 Sistem Pendukung Keputusan

Sistem Pendukung Keputusan atau Decision Support System (DSS)

merupakan sistem informasi interaktif yang menyediakan informasi pemodelan

dan manipulasi data. Sistem itu digunakan untuk membantu pengambilan

keputusan dalam situasi yang semiterstruktur dan situasi yang tidak terstruktur,

(5)

dimana tak seorang pun tahu secara pasti bagaimana keputusannya seharusnya dibuat (Alter. 2002).

2.8 Metode Simple Additive Weighting (SAW)

Metode SAW sering dikenal dengan istilah metode penjumlahan terbobot.

Konsep dasar metode SAW (Simple Additive Weighting) adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut (Pahlevy. 2010).

Metode SAW dapat membantu dalam pengambilan keputusan suatu kasus, akan tetapi perhitungan dengan menggunakan metode SAW ini hanya yang menghasilkan nilai terbesar yang akan terpilih sebagai alternatif yang terbaik.

Perhitungan akan sesuai dengan metode ini apabila alternatif yang terpilih memenuhi kriteria yang telah ditentukan. Metode SAW ini lebih efisien karena waktu yang dibutuhkan dalam perhitungan lebih singkat.

Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.

Metode ini merupakan metode yang paling terkenal dan paling banyak digunakan dalam menghadapi situasi Multiple Attribute Decision Making (MADM).

MADM itu sendiri merupakan suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Metode SAW ini mengharuskan pembuat keputusan menentukan bobot bagi setiap atribut. Skor total untuk alternatif diperoleh dengan menjumlahkan seluruh hasil perkalian antara rating (yang dapat dibandingkan lintas atribut) dan bobot tiap atribut.

Rating tiap atribut haruslah bebas dimensi dalam arti telah melewati proses normalisasi matriks sebelumnya.

Kelebihan dari metode Simple Additive Weighting dibanding dengan model

pengambil keputusan lainnya terletak pada kemampuannya untuk melakukan

penilaian secara lebih tepat karena didasarkan pada nilai kriteria dan bobot

preferensi yang sudah ditentukan, selain itu SAW juga dapat menyeleksi alternatif

terbaik dari sejumlah alternatif yang ada karena adanya proses perangkingan

setelah menentukan bobot untuk setiap atribut (Kusumadewi, Harjoko, dan

Wardoyo. 2006).

(6)

Langkah Penyelesaian Simple Additive Weighting (SAW) sebagai berikut :

1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci.

2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.

3. Membuat matriks keputusan berdasarkan kriteria(Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R.

4. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai)sebagai solusi (Henry. 2009).

Formula untuk melakukan normalisasi tersebut adalah (Kusumadewi, Harjoko, dan Wardoyo. 2006) :

Gambar 2.1. Rumus Normalisasi Matriks Keputusan

Sumber : https://rivalryhondro.files.wordpress.com/2016/03/blg.png Gambar 2.1. diatas menunjukkan rumus yang digunakan untuk melakukan normalisasi untuk mendapatkan nilai r

ij

dimana r

ij

adalah nilai rating kinerja.

Keterangan :

r

ij

= Nilai rating kinerja ternormalisasi

X

ij

= Nilai kinerja dari setiap rating

Max X

ij

= Nilai terbesar dari tiap kriteria

Min X

ij

= Nilai terkecil dari tiap kriteria

(7)

Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai (Kusumadewi, Harjoko, dan Wardoyo. 2006) :

Gambar 2.2. Rumus mencari Nilai Preferensi

Sumber : https://filemount.files.wordpress.com/2014/04/picture22.png Gambar 2.2. diatas menunjukkan rumus yang digunakan untuk menghitung nilai preferensi V

i

yang diperoleh dari perkalian matriks W * R dan penjumlahan hasil perkalian.

Keterangan :

V

i

= Nilai preferensi w

j

= bobot rangking

r

ij

= Nilai rating kinerja ternormalisasi

Nilai V

i

yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih.

Adapun yang menjadi kebutuhan dalam sistem pendukung keputusan rekomendasi jodoh ini adalah :

a. Kriteria

Tabel 2.1. Tabel Kriteria

No Kriteria Bobot(%)

1 Harta 50

2 Keturunan 20

3 Usia 10

4 Pendidikan Sosial 10

5 Gaya Hidup 10

Total 100

(8)

b. Subkriteria

Tabel 2.2. Tabel Subkriteria dari Kriteria Harta

No Pertanyaan Bobot(%) Jawaban Nilai

1 Apa pekerjaan Anda saat ini ?

30 PNS/Wiraswasta/Swasta 9

Serabutan 5

Belum bekerja 1

2 Berapa

penghasilan bulanan anda?

40 Lebih besar dari 100 juta Rupiah 9 Antara 50 - 100 juta Rupiah 8 Antara 10 - 50 juta Rupiah 6 Antara 1 - 10 juta Rupiah 4 Antara 100 ribu - 1 juta Rupiah 2 Tidak punya penghasilan 1 3 Di mana Anda

tinggal sekarang?

30 Rumah milik sendiri 9

Rumah kontrak/sewa 5

Rumah orang tua/tidak punya 1 Total bobot subkriteria 100

Tabel 2.3. Tabel Subkriteria dari Kriteria Keturunan

No Pertanyaan Bobot(%) Jawaban Nilai

1 Bagaimana status Anda saat ini dalam keluarga?

25 Anak kandung 9

Anak tiri 5

Anak angkat 1

2 Anda dibesarkan oleh / pada?

25 Orang tua kandung 9

Orang tua angkat/wali 5

Panti asuhan 1

3 Bagaimana orang tua anda sekarang?

25 Lengkap 9

Hanya ayah/ibu 5

Yatim piatu 1

4 Bagaimana kondisi keluarga Anda saat ini

(orang tua)?

25 Harmonis 9

Single Parent 5

Bercerai / Broken home 1

(9)

Total bobot subkriteria 100

Tabel 2.4. Tabel Subkriteria dari Kriteria Usia

No Pertanyaan Bobot(%) Jawaban Nilai

1 Anda memilih pasangan dengan usia?

100 > 80 tahun 9

60-79 tahun 8

40-59 tahun 6

30-39 tahun 4

21-29 tahun 2

17-20 tahun 1

Total bobot subkriteria 100

Tabel 2.5. Tabel Subkriteria dari Kriteria Pendidikan Sosial

No Pertanyaan Bobot(%) Jawaban Nilai

1 Apa Pendidikan Formal terakhir Anda?

25 S3 9

S2 8.75

S1 7.5

D3 6.25

SMA/SMK 5

SMP 3.75

SD 2.5

TK 1.25

Tidak Sekolah 1

2 Apakah Anda mengikuti Pendidikan

Informal?

25 Ya 9

Tidak 1

3 Apakah Anda mengikuti kegiatan

Organisasi Masyarakat?

25 Mengikuti 9

Tidak mengikuti 1

4 Apakah Anda memiliki 25 Pengurus 9

(10)

peran dalam Organisasi Masyarakat?

Anggota 5

Tidak mengikuti 1

Total bobot subkriteria 100

Tabel 2.6. Tabel Subkriteria dari Kriteria Gaya Hidup

No Pertanyaan Bobot(%) Jawaban Nilai

1 Apakah Anda

mengkonsumsi minuman beralkohol?

30 Tidak pernah 9

Kadang-kadang 5

Sering 1

2 Apakah Anda suka merokok?

30 Tidak pernah 9

Kadang-kadang 5

Sering 1

3 Apakah Anda sering melakukan kegiatan

olahraga?

40 Setiap hari 9

3x seminggu 7.5

2x seminggu 5

Tidak pernah 1

Total bobot subkriteria 100

Contoh Kasus dengan menggunakan metode Simple Additive Weighting (SAW). Ada seorang user (laki-laki) yang akan mencari jodoh, misalnya dia mendapatkan 3 alternatif/pilihan calon pasangan (perempuan) dengan kriteria dan bobot default (bobot yang ditetapkan sistem).

Tabel 2.7. Tabel Contoh Kasus Metode Simple Additive Weighting (SAW)

No Pertanyaan P1 P2 P3

1 Apa pekerjaan Anda saat ini ?

Serabutan PNS/Wiraswasta/Swasta Serabutan

2 Berapa penghasilan bulanan anda?

Antara 100 ribu - 1 juta Rupiah

Antara 1 - 10 juta Rupiah

Antara 100 ribu - 1 juta Rupiah

3 Di mana Anda Rumah orang Rumah orang tua/tidak Rumah milik

(11)

tinggal sekarang?

tua/tidak punya

punya sendiri

4 Bagaimana status Anda saat ini dalam keluarga?

Anak kandung

Anak kandung Anak kandung

5 Anda

dibesarkan oleh / pada?

Orang tua kandung

Orang tua kandung Orang tua kandung

6 Bagaimana orang tua anda sekarang?

Hanya ayah/ibu

Lengkap Hanya

ayah/ibu

7 Bagaimana kondisi

keluarga Anda saat ini (orang tua)?

Single Parent Harmonis Single Parent

8 Anda memilih pasangan dengan usia?

21-29 tahun 21-29 tahun 17-20 tahun

9 Apa

Pendidikan Formal terakhir Anda?

SMA/SMK S1 SMA/SMK

10 Apakah Anda mengikuti Pendidikan Informal?

Ya Tidak Tidak

11 Apakah Anda mengikuti kegiatan Organisasi

Mengikuti Tidak mengikuti Mengikuti

(12)

Masyarakat?

12 Apakah Anda memiliki peran dalam

Organisasi Masyarakat?

Anggota Tidak mengikuti Pengurus

13 Apakah Anda mengkonsumsi minuman beralkohol?

Tidak pernah Kadang-kadang Tidak pernah

14 Apakah Anda suka merokok?

Tidak pernah Tidak pernah Tidak pernah

15 Apakah Anda sering

melakukan kegiatan olahraga?

2x seminggu 3x seminggu Tidak pernah

Berdasarkan data calon diatas dapat dibentuk matriks keputusan X, seperti pada Tabel 2.8.

Tabel 2.8. Tabel Rating Kecocokan dari Setiap Alternatif pada Setiap Kriteria

Alternatif Kriteria

C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15

A1 5 2 1 9 9 5 5 5 5 9 9 5 9 9 5

A2 9 4 1 9 9 9 9 5 7.5 1 1 1 5 9 7.5

A3 5 2 9 9 9 5 5 9 5 1 9 9 9 9 1

Keterangan :

A = alternatif calon pasangan C = kriteria

Semua kriteria merupakan kriteria benefit

Membuat matriks keputusan X, dibuat dari tabel kecocokan sebagai berikut:

(13)

X = { 5 2 1 9 4 1 5 2 9

9 9 5 9 9 9 9 9 5

5 5 5 9 5 7.5

5 1 5

9 9 5 1 1 1 1 9 9

9 9 5 5 9 7.5

9 9 1

}

Pengambil keputusan memberikan bobot berdasarkan tingkat kepentingan masing-masing kriteria yang dibutuhkan. Nilai W didapat dari bobot kriteria (%) dikalikan dengan bobot pertanyaan (%), sehingga didapat vektor bobot sebagai berikut :

Vektor bobot :

W = [0.15, 0.2, 0.15, 0.05, 0.05, 0.05, 0.05, 0.1, 0.025, 0.025, 0.025, 0.025, 0.03, 0.03, 0.04]

Pertama, dilakukan normalisasis matriks X untuk menghitung nilai masing- masing kriteria berdasarkan kriteria diasumsikan sebagai kriteria keuntungan sebagai berikut :

A1) R11 =

⁵

𝑀𝑎𝑥(5,9,5)

=

⁵

9

= 0.56 R12 =

_{𝑀𝑎𝑥(2,4,2)}²

=

²₄

= 0.5 R13 =

_{𝑀𝑎𝑥(1,1,9)}¹

=

¹₉

= 0,11 R14 =

_{𝑀𝑎𝑥(9,9,9)}⁹

=

⁹₉

= 1 R15 =

_{𝑀𝑎𝑥(9,9,9)}⁹

=

⁹₉

= 1 R16 =

_{𝑀𝑎𝑥(5,9,5)}⁵

=

⁵₉

= 0.56 R17 =

_{𝑀𝑎𝑥(5,9,5)}⁵

=

⁵₉

= 0.56 R18 =

_{𝑀𝑎𝑥(5,5,1)}⁵

=

⁵₅

= 1 R19 =

𝑀𝑎𝑥(5,7.5,5)⁵

=

_7.5⁵

= 0.67 R110 =

⁹

𝑀𝑎𝑥(9,1,1)

=

⁹

9

= 1 R111 =

_{𝑀𝑎𝑥(9,1,9)}⁹

=

⁹₉

= 1 R112 =

_{𝑀𝑎𝑥(5,1,9)}⁵

=

⁵₉

= 0.56 R113 =

_{𝑀𝑎𝑥(9,5,9)}⁹

=

⁹₉

= 1 R114 =

⁹

𝑀𝑎𝑥(9,9,9)

=

⁹

9

= 1

(14)

R115 =

𝑀𝑎𝑥(5,7.5,1)⁵

=

_7.5⁵

= 0.67 A2) R21 =

_{𝑀𝑎𝑥(5,9,5)}⁹

=

⁹₉

= 1

R22 =

_{𝑀𝑎𝑥(2,4,2)}⁴

=

⁴₄

= 1 R23 =

_{𝑀𝑎𝑥(1,1,9)}¹

=

¹₉

= 0,11 R24 =

_{𝑀𝑎𝑥(9,9,9)}⁹

=

⁹₉

= 1 R25 =

_{𝑀𝑎𝑥(9,9,9)}⁹

=

⁹₉

= 1 R26 =

⁹

𝑀𝑎𝑥(5,9,5)

=

⁹

9

= 1 R27 =

_{𝑀𝑎𝑥(5,9,5)}⁹

=

⁹₉

= 1 R28 =

_{𝑀𝑎𝑥(5,5,1)}⁵

=

⁵₅

= 1 R29 =

𝑀𝑎𝑥(5,7.5,5)^7.5

=

^7.5_7.5

= 1 R210 =

_{𝑀𝑎𝑥(9,1,1)}¹

=

¹₉

= 0,11 R211 =

¹

𝑀𝑎𝑥(9,1,9)

=

¹

9

= 0,11 R212 =

_{𝑀𝑎𝑥(5,1,9)}¹

=

¹₉

= 0,11 R213 =

_{𝑀𝑎𝑥(9,5,9)}⁵

=

⁵₉

= 0.56 R214 =

_{𝑀𝑎𝑥(9,9,9)}⁹

=

⁹₉

= 1 R215 =

𝑀𝑎𝑥(5,7.5,1)^7.5

=

^7.5_7.5

= 1 A3) R31 =

_{𝑀𝑎𝑥(5,9,5)}⁵

=

⁵₉

= 0.56

R32 =

_{𝑀𝑎𝑥(2,4,2)}²

=

²₄

= 0.5 R33 =

_{𝑀𝑎𝑥(1,1,9)}⁹

=

⁹₉

= 1 R34 =

_{𝑀𝑎𝑥(9,9,9)}⁹

=

⁹₉

= 1 R35 =

_{𝑀𝑎𝑥(9,9,9)}⁹

=

⁹₉

= 1 R36 =

_{𝑀𝑎𝑥(5,9,5)}⁵

=

⁵₉

= 0.56 R37 =

⁵

𝑀𝑎𝑥(5,9,5)

=

⁵

9

= 0.56

(15)

R38 =

¹

𝑀𝑎𝑥(5,5,1)

=

¹

5

= 0,2 R39 =

𝑀𝑎𝑥(5,7.5,5)⁵

=

_7.5⁵

= 0.67 R310 =

_{𝑀𝑎𝑥(9,1,1)}¹

=

¹₉

= 0,11 R311 =

_{𝑀𝑎𝑥(9,1,9)}⁹

=

⁹₉

= 1 R312 =

_{𝑀𝑎𝑥(5,1,9)}⁹

=

⁹₉

= 1 R313 =

_{𝑀𝑎𝑥(9,5,9)}⁹

=

⁹₉

= 1 R314 =

⁹

𝑀𝑎𝑥(9,9,9)

=

⁹

9

= 1 R315 =

𝑀𝑎𝑥(5,7.5,1)¹

=

_7.5¹

= 0,13

Kedua, membuat normalisasi matriks R yang diperoleh dari hasil normalisasi matriks X sebagai berikut :

R =

{0.56 0.5 0.11

1 1 0.11

0.56 0.5 1

1 1 0.56

1 1 1

1 1 0.56

0.56 1 0.67

1 1 1

0.56 0.2 0.67

1 1 0.56 0.11 0.11 0.11

0.11 1 1

1 1 0.67 0.56 1 1

1 1 0.13 }

Selanjutnya akan dibuat perkalian matriks W * R dan penjumlahan hasil perkalian untuk memperoleh alternatif terbaik dengan melakukan perangkingan nilai terbesar sebagai berikut :

V1 = (0.15)(0.56) + (0.2)(0.5) + (0.15)(0.11) + (0.05)(1) + (0.05)(1) + (0.05)(0.56) + (0.05)(0.56) + (0.1)(1) + (0.025)(0.67) + (0.025)(1) + (0.025)(1) + (0.025)(0.56) + (0.03)(1) + (0.03)(1) + (0.04)(0.67)= 0.52405

V2 = (0.15)(1) + (0.2)(1) + (0.15)(0.11) + (0.05)(1) + (0.05)(1) + (0.05)(1) + (0.05)(1) + (0.1)(1) + (0.025)(1) + (0.025)(0.11) + (0.025)(0.11) + (0.025)(0.11) + (0.03)(0.56) + (0.03)(1) + (0.04)(1)= 0.78655

V3 = (0.15)(0.56) + (0.2)(0.5) + (0.15)(1) + (0.05)(1) + (0.05)(1) + (0.05)(0.56) + (0.05)(0.56) + (0.1)(0.2) + (0.025)(0.67) + (0.025)(0.11) + (0.025)(1) + (0.025)(1) + (0.03)(1) + (0.03)(1) + (0.04)(0.13)= 0.6447

Hasil perangkingan diperoleh : V1 = 0.52405, V2 = 0.78655 dan V3 =

0.6447. Nilai terbesar ada pada V2, dengan demikian alternatif A2 (Calon 2)

adalah alternatif yang terpilih sebagai alternatif terbaik.

(16)

2.9 Aplikasi Sejenis 2.9.1 Aplikasi Tinder

Aplikasi ini memudahkan pengguna berkenalan dengan orang baru yang sejatinya sedang berada di dekatnya. Pengguna bisa menyetel jarak tertentu untuk menangkap sinyal keberadaan orang-orang yang juga menggunakan Tinder.

Pengguna juga bisa menyaring orang seperti apa yang diharapkan ketemu lewat Tinder. Antara lain dari jenis kelamin dan rentang usia. Setelahnya, akan muncul semua pengguna Tinder yang sesuai kriteria pengguna dan berada dalam rentang jarak yang telah disetel. Pengguna bisa melihat deskripsi diri dan foto-foto pengguna lain. Jika suka, tinggal gulir layar ke kanan. Kalau tidak suka, cukup geser layar ke kiri.

Seandainya orang yang disukai ternyata juga menyukai pengguna, keduanya berarti "match" atau cocok. Selanjutnya, fitur Tinder akan mempersilahkan kedua orang untuk mengobrol dan saling mengenal lebih jauh (Bohang. 2016).

2.9.2 Aplikasi Wavoo

Wavoo adalah aplikasi online dating di smartphone, Aplikasi ini kurang lebih mirip dengan Tinder. Pengguna cukup menggulir layar ke kanan jika kepincut dengan seseorang, dan menggulir layar ke kiri jika tak suka. Hanya saja, Wavoo adalah buatan lokal. Ada dua karakteristik Wavoo yang membedakannya dari Tinder.

Pertama adalah "wink". Fitur tersebut disesuaikan dengan budaya orang Indonesia yang malu-malu dalam mencari jodoh. Apalagi kalau sampai ditolak oleh orang yang disukai. Maka dari itu, identitas lengkap pengguna akan jadi anonim di awal. Jika sama-sama suka, barulah identitas dibuka.

Perbedaan kedua adalah penyematan teknologi Augmented Reality pada fitur "nearby". Di Tinder, pengguna bisa memilih kandidat teman kencan dalam kisaran jarak yang ditentukan sendiri.

Namun, antarmukanya tidak terlalu ramah pengguna untuk menunjukkan

lokasi persis dari sang calon jodoh. Sedangkan pada fitur nearby Wavoo,

(17)

pengguna bisa melihat lokasi dan jarak pengguna lain seperti melihat peta saja.

Lebih jelas dan sederhana (Bohang. 2016).

2.9.3 Perbandingan Aplikasi Tinder, Wavoo, dan Aplikasi yang dibuat Aplikasi Tinder cukup dikenal oleh masyarakat dibandingkan aplikasi sejenisnya. Tinder merupakan aplikasi dating online yang memiliki beberapa fitur yang cukup menarik. Salah satu aplikasi lain yang menjadi saingan tinder adalah wavoo. Wavoo merupakan aplikasi dating buatan lokal yang tidak kalah menarik dengan tinder. Wavoo sendiri memiliki beberapa fitur yang cukup menarik. Pada kesempatan ini akan dibuat aplikasi dating yang tidak kalah dengan aplikasi tinder dan wavoo. Aplikasi yang akan dibuat juga memiliki beberapa fitur yang tidak kalah menarik dengan aplikasi sejenis lainnya. Dari kedua aplikasi diatas dapat dibuat tabel perbandingan seperti pada Tabel 2.9.

Tabel 2.9. Tabel Perbandingan Aplikasi Sejenis dan Aplikasi yang dibuat Perbandingan/Aplikasi Tinder Wavoo Aplikasi yang dibuat Menggunakan Metode

SAW (Simple Additive Weighting).

  

Menggunakan Sistem

Pendukung Keputusan.   

Menggunakan Metode lain.   

Menggunakan fitur-fitur standard aplikasi social media.

  

Tabel 2.9. diatas menunjukkan Perbandingan kriteria yang digunakan dalam

pembuatan masing-masing aplikasi beserta dengan kelengkapan fitur-fitur yang

disediakan pada masing-masing aplikasi. Pada Tabel 6.1 tersebut telah disebutkan

bahwa aplikasi sejenis lainnya tidak menggunakan Sistem Pendukung Keputusan

dan metode Simple Additive Weighting (SAW).

(18)

2.10 Perbandingan Metode Sejenis

2.10.1 Metode Analytic Hierarchy Process (AHP)

Analitycal Hierarchy Process (AHP) Adalah metode untuk memecahkan suatu situasi yang komplek tidak terstruktur kedalam beberapa komponen dalam susunan yang hirarki, dengan memberi nilai subjektif tentang pentingnya setiap variabel secara relatif, dan menetapkan variabel mana yang memiliki prioritas paling tinggi guna mempengaruhi hasil pada situasi tersebut.

Proses pengambilan keputusan pada dasarnya adalah memilih suatu alternatif yang terbaik. Seperti melakukan penstrukturan persoalan, penentuan alternatif-alternatif, penenetapan nilai kemungkinan untuk variabel aleatori, penetap nilai, persyaratan preferensi terhadap waktu, dan spesifikasi atas resiko.

Betapapun melebarnya alternatif yang dapat ditetapkan maupun terperincinya penjajagan nilai kemungkinan, keterbatasan yang tetap melingkupi adalah dasar pembandingan berbentuk suatu kriteria yang tunggal.

Peralatan utama Analitycal Hierarchy Process (AHP) adalah memiliki sebuah hirarki fungsional dengan input utamanya persepsi manusia. Dengan hirarki, suatu masalah kompleks dan tidak terstruktur dipecahkan ke dalam kelomok-kelompoknya dan diatur menjadi suatu bentuk hirarki (Wisanggeni.

2010).

2.10.2 Metode Profile Matching

Metode Profile Matching atau pencocokan profil adalah metode yang sering digunakan sebagai mekanisme dalam pengambilan keputusan dengan mengasumsikan bahwa terdapat tingkat variabel prediktor yang ideal yang harus dipenuhi oleh subyek yang diteliti, bukannya tingkat minimal yang harus dipenuhi atau dilewati. Dalam proses Profile Matching secara garis besar merupakan proses membandingkan antara kompetensi individu ke dalam kompetensi jabatan sehingga dapat diketahui perbedaan kompetensinya (disebut juga gap) (Kusrini.

2007).

(19)

2.10.3 Perbandingan Metode Analytic Hierarchy Process (AHP), Profile Matching, dan Metode Simple Additive Weighting (SAW)

Metode Analitycal Hierarchy Process (AHP) memang cukup banyak digunakan dalam berbagai sistem pendukung keputusan. Namun metode Simple Additive Weighting (SAW) juga merupakan metode yang paling dikenal dan paling banyak digunakan orang dalam menghadapi situasi MADM (Multiple Attribute Decision Making). Selain itu, metode Profile Matching merupakan metode yang sering digunakan sebagai mekanisme dalam pengambilan keputusan dengan mengasumsikan bahwa terdapat tingkat variabel prediktor yang ideal yang harus dipenuhi oleh subyek yang diteliti, bukannya tingkat minimal yang harus dipenuhi atau dilewati. Dari ketiga metode diatas dapat dibuat tabel perbandingan metode dalam melakukan rekomendasi jodoh seperti pada Tabel 2.10.

Tabel 2.10. Tabel Perbandingan Metode Sejenis dan Metode yang digunakan

Perbandingan Metode

Metode Simple Additive Weighting

(SAW)

Metode Analitycal Hierarchy Process

(AHP)

Metode Profile Matching

Melakukan Normalisasi Matriks

  

Menghitung bobot setiap

atribut/kriteria

  

Menentukan rating kecocokan setiap alternatif pada setiap

atribut/kriteria

  

Melakukan proses

perangkingan   

(20)

Menghitung batas toleransi

inkosistensi berbagai kriteria dan alternatif

  

Tabel 2.10. diatas menunjukkan bahwa dari ketiga metode yang telah dibandingkan, metode yang paling cocok untuk memberikan rekomendasi jodoh adalah metode Simple Additive Weighting (SAW). Karena metode tersebut menentukan rating kecocokan setiap alternatif pada setiap atribut/kriteria yang dibutuhkan saat melakukan proses untuk memberikan rekomendasi jodoh yang terbaik. Dibandingkan dengan metode Analitycal Hierarchy Process (AHP), metode Simple Additive Weighting (SAW) jauh lebih sederhana dan jika terjadi kesalahan dalam mengambil keputusan tidak perlu melakukan semua proses dari awal. Selain itu, metode Profile Matching hanya berdasarkan pada nilai gap dan pada nilai persentase core factor dan secondary factor. Hal itu tentu belum bisa dikatakan benar-benar akurat dalam memberikan rekomendasi jodoh.

2.11 Survei Aplikasi dan Metode Sejenis 2.11.1 Biro Jodoh Glatik

Dari hasil survei yang dilakukan dengan wawancara pada tanggal 13 Desember 2016 pukul 13:05.WIB dan pada tanggal 23 Maret 2017 pukul 10:15.WIB. Data yang didapat dari hasil wawancara dengan Biro Jodoh Glatik meliputi:

1. Apa itu Biro Jodoh Glatik

Biro Jodoh Glatik merupakan biro jodoh yang berdiri pada tahun 2003.

Pendiri biro jodoh ini adalah Ibu Liem Gwat Tjoe atau biasa dipanggil Ibu Cik

Tjoe. Biro jodoh ini mempunyai cara berbeda dalam hal pengenalan. Biro jodoh

ini menggunakan suatu metode dengan kriteria-kriteria tertentu untuk

mencocokkan antara pria dan wanita. Biro jodoh ini terdiri dari 4 kelas untuk

setiap anggota yang mendaftar. Kelas tersebut dibedakan menjadi Economy,

(21)

Executive, VIP, Exellent. Dalam tiap kelas tentu mempunyai keuntungan yang berbeda-beda serta harga yang berbeda-beda pula. Pada kelas Economy nama, alamat, nomor telepon boleh diminta oleh semua anggota serta uang pendaftaran yang harus dikeluarkan sebesar 2 juta Rupiah. Pada kelas Executive hanya nama dan nomor telepon yang diminta, sedangkan alamat dirahasiakan serta uang pendaftaran yang harus dikeluarkan sebesar 4 juta Rupiah. Pada kelas VIP nama dan nomor telepon hanya boleh diberikan kepada anggota yang masuk dalam kriteria saja serta uang pendaftaran yang harus dikeluarkan sebesar 5 juta Rupiah.

Pada kelas Excellent pengenalan disesuaikan dengan kriteria yang diminta saja, tidak diharuskan memberikan nomor telepon bilamana tidak cocok serta uang pendaftaran yang harus dikeluarkan sebesar 7.5 juta Rupiah. Pihak Biro Jodoh Glatik juga siap bila diminta mendampingi waktu berkenalan. Proses pengenalan untuk wilayah luar kota ada biaya jasa antar, dan dapat dirundingkan. Selain itu, untuk anggota kelas atas bisa memilih pasangan anggota yang lebih bawah, Tetapi untuk anggota kelas bawah tidak boleh memilih anggota kelas atas.

2. Metode yang digunakan

Biro jodoh ini menggunakan sarana website dengan metode Simple Additive Weighting (SAW) untuk mencocokkan antara pria dan wanita melalui kriteria- kriteria tertentu.

3. Apakah metode tersebut cocok terhadap biro jodoh glatik

Menurut Ibu Cik Tjoe, metode Simple Additive Weighting (SAW) sudah bisa dikatakan 95% cocok untuk melakukan penilaian rating terhadap kriteria dalam pencarian jodoh tersebut.

4. Kriteria yang digunakan untuk mendukung metode tersebut

Kriteria-kriteria yang digunakan yaitu usia, agama, tinggi badan, berat badan, status pernikahan, dan pekerjaan. Menurut ibu Cik Tjoe kriteria-kriterai yang digunakan sudah termasuk kriteria yang mendasar mengenai pencarian jodoh.