ANALISIS METODE WEIGHTED PRODUCT (WP) DAN SIMPLE ADDITIVE
WEIGHTING (SAW) PADA SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN
LOKASI USAHA RESTORAN
Dito Harum Prayogi1, Ibnu Aqli1, Christian Saragih1, Aditya Sudarmadi1, Muh.
Fadhil Hawari1
1Jurusan Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: ditoprayogi@gmail.ac.id1 , 1 ibnuaqli99@gmail.ac.id, saragihchristian@gmail.com,
adityasudarmadi@ymail.com, 1mfadhilhawari@gmail.com
Abstrak
Sistem pendukung keputusan sebagai sebuah sistem berbasis komputer yang terdiri atas komponen -komponen antara lain -komponen sistem bahasa (language), -komponen sistem pengetahuan (knowledge) dan komponen sistem pemrosesan masalah (problem processing) yang saling berinteraksi satu dengan yang lainnya. Sistem pendukung keputusan merupakan suatu sistem yang interaktif, yang membantu pengambil keputusan melalui penggunaan data dan model-model keputusan untuk memecahkan masalah yang sifatnya semi terstruktur maupun yang tidak terstruktur.
Metode Weighted Product dan Simple Additive Weighting (SAW) merupakan bagian dari konsep Multi-Attibut Decision Making (MADM) dimana diperlukan normalisasi pada perhitungannya. Dengan metode ini, diharapkan dapat dikembangkan software sistem pendukung keputusan yang mampu membantu masyarakat yang ingin membuka usaha restoran yang sesuai dengan kriteria yang telah ditentukan.
Penelitian ini bertujuan untuk membandingkan manakah metode terbaik untuk diterapkan dalam beberapa kasus pemilihan lokasi restoran (tempat makan). Analisis dilakukan dengan menggunakan tingkat akurasi dari setiap metode dalam penyelesaian kasus sebagai acuan.
Kata kunci: SPK, Restoran, Kriteria, FMADM, Weighted Product, Simple Additive Weighting (SAW) Abstract
Decision support system is a system based on computer that build by components there are language’ s component system, knowledge component system, and problem processing component system that working together for each other. Decision support system is an interactive system that help user to take a decision through the using of data and decision’s models to solve the problem that semi-structured or unstructured.
Weight product and Simple Additive Weighting (SAW) are parts of Multi-Attribute Decision Making (MADM) that need normalization on the calculation process. With this methods, we are hoping that we can build decision support system software that can help people who want to open or start a restaurant business in a location that suit with the criteria.
This research is mean to compare which one is the best method to apply in this kind of case. The analysis performed using the accuration from each methods to solving the case as a focus point.
Keywords: DSS, Restaurant, Criteria, FMADM, Weighted Product (WP), Simple Additive Weigthing (SAW)
1. PENDAHULUAN 1.1. Latar Belakang
Teknologi informasi merupakan sarana yang mendukung untuk mengatasi keterbatasan kognitif manusia dalam hal rasionalitas, kesalahpahaman dan bias dalam meningkatkan efektivitas dan efisiensi pengambilan keputusan (Garryfallos, 2005)
Pemanfaatan komputer di berbagai bidang sudah merupakan suatu keharusan. Computer Based Information System (Sistem Informasi Berbasis Komputer) yang salah satunya adalah Sistem Pendukung Keputusan (Decision Support System) adalah suatu sistem informasi komputer yang interaktif yang dapat memberikan solusi bagi pembuat keputusan.
Tidak terkecuali bidang bisnis kuliner. Pemilihan lokasi yang strategis untuk membuka usaha kuliner adalah hal yang tidak mudah. Tidak jarang karena kesalahan dalam memilih calon lokasi usaha tersebut mengakibatkan kerugian yang dialami oleh pemilik usaha tersebut.
Dibutuhkan banyak pertimbangan atas beberapa syarat atau kriteria, agar lokasi pilihan nantinya akan tepat dan sesuai sehingga usaha kuliner tersebut nantinya dapat diterima oleh konsumen dan memberikan keuntungan yang besar.
Maka diperlukan suatu sistem yang dapat memperhitungkan segala kriteria yang mendukung dalam pengambilan keputusan dalam memilih lokasi tersebut.
Sistem pendukung keputusan yang akan dibuat menggunakan model Fuzzy Multiple Attribute Decision Making (FMADM) dengan menerapkan metode Weighted Product (WP) dan Simple Additive Weigthing (SAW).
Model dan metode ini mendukung dalam pengambilan keputusan yang menggunakan banyak syarat atau kriteria dalam pemilhan. Sehingga hasil akhirnya akan sesuai dengan kebutuhan user.
2. DASAR TEORI
Sistem pendukung keputusan ini menggunakan model Fuzzy Multiple Attribute Decision Making (FMADM) dengan menerapkan metode Weighted Product (WP) dan Simple Additive Weighting (SAW).
2.1. Sistem Pendukung Keputusan
Sistem pendukung keputusan merupakan sistem informasi yang menyediakan informasi, pemodelan, dan pemanipulasian data.
Definisi lain, sistem pendukung keputusan adalah sistem tambahan, mampu untuk mendukung analisis data secara adhoc dan pemodelan keputusan serta berorientasi pada perencanaan masa depan [YSN: 1].
Komponen Sistem Pendukung Keputusan
Menurut Sudiyantoro (2005), komponen sistem pendukung keputusan meliputi 8 bagian, yaitu :
a. Hardware Resources b. Software Resources c. Sumber Data
d. Sumber Model e. Sumber Daya Manusia
f. Model Sistem Pendukung Keputusa g. Electronic Spreadsheet
h. Sistem Pendukung Keputusan Kelompok
2.2. Weighted Product (WP)
Metode WP menggunakan perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot atribut yang bersangkutan [EZN: 3].
Proses ini sama halnya dengan proses normalisasi. Pertama dilakukan perbaikan bobot (normalisasi vector bobot) terlebih dahulu dengan menggunakan nilai bobot awal, sehingga total bobot ΣWj=1, dengan cara
Wj=Wj
∑
Wj
(1)
Preferensi untuk alternatif Ai diberikan sebagai berikut:
(2) dengan i=1,2,...,m.
Dimana ∑wj = 1. wj adalah
pangkat bernilai ositif untuk atribut keuntungan, dan bernilai negatif untuk atribut biaya. Preferensi relatif dari setiap alternatif, diberikan sebagai:
(3) dengan i=1,2,...,m
2.3. Simple Additive Weighting (SAW)
Metode SAW 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 [EZN: 4].
rij=
(4) di mana rij adalah rating kinerja
ternormalisasi dari alternative Ai pada atribut Cj; i=1,2,…m dan j=1,2,…n. Nilai
preferensi untuk setiap alternative (Vi) diberikan sebagai :
(5)
Keterangan :
Vi = rangking untuk setiap alternatif
wj = nilai bobot dari setiap kriteria
rij = nilai rating kinerja ternormalisasi
Nilai Vi yang lebih besar mengindikasikan bahwa alternative Ai lebih terpilih
3. METODOLOGI
Berikut akan dijabarkan analisis perancangan dan penerapan sistem pengambilan keputusan dengan menggunakan metode SAW dan WP.
1.1. Pengumpulan Data
Data yang digunakan sebagai acuan didapatkan dengan cara merandom data dengan menggunakan range – range tertentu yang tidak melewati kaidah rasionalitas dalam penentuan data.
1.2. Arsitektur Sistem
Arsitektur sistem akan dijelaskan dalam gambar 1 berikut.
Gambar 1 Arsitektur Sistem
Pada gambar tersebut, terdapat 3 langkah utama yang akan dilakukan dalam pembangunan sistem
pendukung keputusan ini. 3 langkah tersebut adalah :
1. Input bobot tiap kategori sesuai dengan kebutuhan user.
2. Normalisasi data dengan menggunakan metode SAW & WP.
3. Rangking data lokasi, dilakukan dengan menggunakan hasil dari proses normalisasi sebelumnya sebagai acuan untuk mendapatkan alternatif terbaik.
4. PEMBAHASAN
Bab ini akan menjabarkan tentang data yang , proses perhitungan yang akan digunakan dan diterapkan di dalam sistem.
4.1. Kategori Dan Data
Model Fuzzy Multiple Attribute Decision Making (FMADM) adalah model pengambilan keputusan dengan menggunakan kriteria sebagai syarat prosesnya.
Dalam permasalahan ini, kriteria yang ditentukan adalah :
Tabel 1 Data Kategori
Kode Kriteria
C1 Jumlah Penduduk di Sekitar Lokasi
C2 Harga Sewa
C3 Jumlah Pesaing di Sekitar Lokasi
C4 Rata – Rata Kendaraan Lewat
C5 Luas Tempat
Pada kriteria tersebut, telah ditentukan nilai bobot yang menunjukkan tingkat prioritas dari kategori tersebut bagi user. Bobot ini disebut dengan bobot awal (W). Rentang nilai bobot yang digunakan adalah :
Gambar 2 Bilangan Fuzzy Untuk Bobot
Tabel 2 Rentang Nilai Bobot
Nilai Bobot Keterangan
5 Sangat rendah (A)
7 Cukup (C)
8 Tinggi (D)
9 Sangat Tinggi (E)
Berikut adalah nilai bobot prioritas dari tiap kategori sehingga dapat dianggap sebagai lokasi yang strategis :
Tabel 3 Nilai Bobot Lokasi Strategis
Kode Bobot Untuk Lokasi Strategis
C1 7
C2 9
C3 5
C4 8
C5 8
Jumlah data yang digunakan dalam penelitian ini adalah 30 lokasi dengan data sesuai dengan kategori tersebut. Berikut adalah data yang digunakan dalam penelitian ini.
Tabel 4 Data Lokasi
No Jumla h Pendu duk Diseki tar (jiwa) Harga Sewa Jumlah Pesaing diskitar Rata-rata Kenda raan Lewat (dalam 12 jam) Luas Tem pat (m2) Tempa t 01 177 Rp11.071.75 4 7 5270 50 Tempa t 02 402 Rp27.634.78 4 14 4037 52 Tempa t 03 644 Rp27.032.06 6 13 4960 60 Tempa t 04 270 Rp12.582.74 4 12 8203 107 Tempa t 05 191 Rp13.314.68 7 6 10164 111 Tempa t 06 228 Rp20.341.32 1 18 6239 55 Tempa t 07 591 Rp14.432.90 1 18 6400 116 Tempa t 08 728 Rp28.649.87 8 19 5548 61 Tempa t 09 556 Rp19.122.77 3 19 10939 123 Tempa t 10 765 Rp20.121.86 6 9 4541 120 Tempa t 11 162 Rp13.718.40 0 6 4361 73 Tempa t 12 712 Rp26.751.79 3 8 7748 131 Tempa t 13 453 Rp24.432.28 7 2 5960 117 Tempa t 14 225 Rp17.832.18 2 16 10945 93 Tempa t 15 739 Rp10.227.36 9 11 4114 62 Tempa t 16 367 Rp12.098.54 4 2 7772 78 Tempa t 17 121 Rp12.232.93 0 1 9733 65 Tempa t 18 110 Rp15.009.64 9 15 4115 57 Tempa t 19 324 Rp15.897.88 8 11 8249 84 Tempa t 20 704 Rp19.492.14 2 6 10498 129 Tempa t 21 345 Rp19.123.32 5 18 10483 106 Tempa t 22 337 Rp21.553.83 3 10 7431 110 Tempa t 23 143 Rp23.271.80 8 6 9183 150 Tempa t 24 684 Rp12.809.19 7 15 9635 98 Tempa t 25 560 Rp27.046.32 5 12 9595 112 Tempa t 26 650 Rp20.417.12 4 18 9768 132 Tempa t 27 277 Rp13.670.00 6 8 5456 64 Tempa t 28 294 Rp9.188.833 4 9201 73 Tempa t 29 133 Rp23.980.73 5 10 7274 60 Tempa t 30 165 Rp21.355.88 5 10 8066 10C 1
4.2. Pengujian Dengan Metode Weighted Product (WP)
Pada pengujian metode ini, akan digunakan 3 sample data untuk dilakukan implementasi metode Weighted Product (WP). No Jumlah Penduduk Disekitar (jiwa) Harga Sewa Jumlah Pesaing di sekitar Rata-rata Kenda raan Lewat (dala m 12 jam) Luas Temp at (m2) Tempat 01 177 Rp11.071.754 7 5270 50 Tempat 02 402 Rp27.634.784 14 4037 52 Tempat 03 644 Rp27.032.066 13 4960 60 Langkah pertama
Melakukan perbaikan bobot awal dari tiap kategori. Dengan rumus
Wj=
ΣWj
wj
W
1=
7
37
=0,19
W
2=
9
37
=0,24
W
1=
5
37
=0,14
W
1=
8
37
=0,22
W
1=
8
37
=0,22
Setelah melakukan normalisasi bobot, maka langkah berikutnya adalah menghitung vector S dengan menggunakan persamaan :
S
i=
∏
j=1 n
X
ijWjBobot yang digunakan juga diterapkan kategori menguntungkan dan merugikan. Dimana kategori yang dianggap menguntungkan akan bernilai positif sementara kategori yang merugikan akan bernilai negatif.
S
1=
(
177
0,19)(
11071754
(−0,24))(
7
(−0,14)) (
5270
0,22) (
50
0,22)
=270 gunakan persamaan :isasi bobot , makalangkahberikutnya adalahmenghitung vector S dengan 0,5884
S
2=
(
402
0,19)(
27634784
(−0,24)) (
14
(−0,14))(
4037
0,22)(
52
0,22)
=270 gunakan persamaan :isasi bobot , makalangkah berikutnyaadalahmenghitung vector S dengan 0,4769
S
1=
(
644
0,19)
(
27032066
(−0,24)) (
13
(−0,14))(
4960
0,22) (
60
0,22)
=270 gunakan persamaan:isasi bobot , makalangkah berikutnyaadalahmenghitung vector S dengan 0,5710
Kemudian, dilakukan perhitungan untuk vektor V yang nantinya akan digunakan sebagai dasar acuan melakukan perangkingan lokasi usaha restoran.
X
¿j¿
¿
¿
W
j¿
∏
j=1 n¿
V
i=
∏
j=1 nX
ijWj¿
V
1=
0,5884
0,5884+0,4769+0,5710
=0,3595
V
2=
0,4769
0,5884+0,4769+0,5710
=0,2914
V
3=
0,5710
0,5884+0,4769+0,5710
=0,3489
Dari perhitungan dengan metode WP ini ditemukan bahwa lokasi ke-1 lah yang memiliki nilai V tertinggi sehingga menjadi alternatif terbaik.
4.3. Pengujian Dengan Metode Simple Additive Weighting (SAW)
Perhitungan dengan metoda SAW diawali dengan mengubah data menjadi berbentuk matriks.
No Jumlah Penduduk Disekitar (jiwa) Harga Sewa Jumlah Pesaing di sekitar Rata-rata Kenda raan Lewat (dala m 12 jam) Luas Temp at (m2) Tempat 01 177 Rp11.071.754 7 5270 50 Tempat 02 402 Rp27.634.784 14 4037 52 Tempat 03 644 Rp27.032.066 13 4960 60
X
[
177 11071754
402 27634784 14 4037 52
7
5270 50
644 27032066 13 4960 69
]
Setelah diubah menjadi matriks, maka langkah berikutnya adalah melakukan normalisasi terhadap matriks tersebut. Dengan rumurs kriteria keuntungan dan biaya. C1.
r
1.1=
177
max(177, 402,644)
=
177
644
=
0,27
r
1.2=
402
max(177, 402,644)
=
402
644
=
0,62
r
1.3=
644
max (177, 402,644)
=
644
644
=1
C2.r
2.1=
min (110751754,27634784,27032066)
11071754
¿
11071754
11071754
=1
r
2.2=
min (110751754,27634784,27032066)
27634784
¿
11071754
27634784
=0.409
r
2.3=
min
(
110751754, 27634784,27032066
)
27032066
¿
11071754
27032066
=
0,40
C3.
r
3.1=
min
(
7,14, 13
)
7
=
7
7
=1
r
3.2=
min
(
7,14, 13
)
14
=
7
14
=0,5
r
3.3=
min
(
7, 14,13
)
13
=
7
13
=0,53
C4.r
4.1=
5270
max
(
5270, 4037, 4960
)
=
5270
5270
=1
r
4.2=
4037
max
(
5270, 4037, 4960
)
=
4037
5270
=0,76
r
4.3=
4960
max
(
5270, 4037, 4960
)
=
4960
5270
=0,94
C5.r
5.1=
50
max
(
50, 52,60
)
=
50
60
=0,83
r
5.1=
52
max
(
50, 52,60
)
=
52
60
=0,86
r
5.1=
60
max
(
50, 52,60
)
=
60
60
=1
Normalisasi data tersebut dilanjutkan dengan mengalikan hasil perhitungan tadi dengan bobot yang telah diberikan pada tiap kategori sama seperti pada metode WP, yaitu :
W=
{
0,19; 0,24 ;0,14 ;0,22 ;0,22
}
Sehingga didapatkan hasil dalam bentuk matriks sebagai berikut :
R
{
0,0513
0,1178 0,098
0,24
0,14
0,07
0,1672 0,1892
0,22
0,1826
0,19
0,096 0,0742 0,2068
0,22
}
Langkah terakhir adalah mendapatkan nilai V dengan menjumlah nilai dari matriks alternatif tersebut
V
1=0,0513+0,24 +0,14+0,22+0,1826=0,8339
V
2=0,1178+0,098+0,07+0,1672+0,1892=0,64236
Dari hasil perhitungan V tersebut didapatkan hasil bahwa dengan metode SAW alternatif terbaik adalah lokasi ke-1.
4.4. Analisis Perbandingan
Berikut adalah hasil perhitungan keseluruhan data dengan menggunakan metode WP dan SAW.
Tabel 5 Hasil Perangkingan Metode Weighted Product
No
Nilai V
Tempat 20
0,0479
Tempat 16
0,0463
Tempat 28
0,0442
Tempat 24
0,0431
Tempat 13
0,0419
Tempat 17
0,0415
Tempat 12
0,0401
Tempat 26
0,0398
Tempat 05
0,0394
Tempat 09
0,0393
Tempat 07
0,0377
Tempat 10
0,0375
Tempat 04
0,0368
Tempat 25
0,0367
Tempat 15
0,0363
Tempat 21
0,0347
Tempat 19
0,0346
Tempat 23
0,0340
Tempat 22
0,0340
Tempat 14
0,0325
Tempat 27
0,0314
Tempat 30
0,0299
Tempat 01
0,0291
Tempat 11
0,0289
Tempat 03
0,0282
Tempat 08
0,0278
Tempat 06
0,0245
Tempat 29
0,0243
Tempat 02
0,0236
Tempat 18
0,0217
Tabel 6 Hasil Perangkingan Dengan Metode SAW
LOKASI
NILAI
Tempat 20
0,712
Tempat 24
0,689
Tempat 26
0,667
Tempat 09
0,661
Tempat 17
0,641
Tempat 28
0,640
Tempat 12
0,625
Tempat 16
0,614
Tempat 07
0,606
Tempat 05
0,604
Tempat 25
0,589
Tempat 15
0,586
Tempat 10
0,582
Tempat 04
0,576
Tempat 21
0,575
Tempat 13
0,564
Tempat 23
0,558
Tempat 14
0,545
Tempat 19
0,521
Tempat 22
0,511
Tempat 30
0,471
Tempat 08
0,466
Tempat 27
0,451
Tempat 01
0,442
Tempat 03
0,440
Tempat 11
0,419
Tempat 06
0,379
Tempat 29
0,373
Tempat 18
0,350
Tempat 02
0,347
Pada perhitungan dengan menggunakan keseluruhan data (30 buah data). Didapatkan hasil yang kurang lebih sama antara metode WP dan SAW. Dimana alternatif terbaik yang ada pada urutan teratas adalah lokasi ke-20.
Untuk mendapatkan metode manakah yang menghasilkan alternatif terbaik maka dilakukan dengan menganalisis kesesuaian dengan menghitung tingkat kesesuaian pada masing – masing metode. Rumus yang digunakan adalah :
100
Data FMADM
¿
Tki=100−
Xi
¿
(6) Ket :Tki : Tingkat Kesesuaian Xi : Skor rata – rata data metode
Tingkat kesesuaian diukur berdasarkan hasil prosentase akhir, dengan mengacu pada tabel berikut :
Tabel 7 Prosentase Tingkat Kesesuaian
Prosentasi Tingkat Kesesuaian Kategori 31% - 45% Tidak memuaskan 46% - 60% Kurang memuaskan 61% - 75% Cukup 76% - 85% Memuaskan 86% - 100% Sangat memuaskan
Perhitungan diawali dengan menjumlahkan keseluruhan data hasil dan dibagi dengan banyaknya jumlah data.
Metode ℘=
Jumlah Hasil Akhir
Banyaknya Data
=
1,0479
30
¿
0,0349
Metode SAW =
Jumlah Hasil Akhir
Banyaknya Data
=
16,204
30
¿
0,5401
Kemudian, untuk mendapatkan prosentase maka dilakukan perhitungan dengan menggunakan rumus prosentase
Prosentase Metode=
(100− Xi)
100
Sehingga didaptkan hasil :
Prosentase Metode ℘=
(100−0,0349)
100
=99,9651
Prosentase Metode SAW =
(100−0,5401)
100
=99,4599
Hasil tersebut bila diubah dalam bentuk grafik didapatkan hasil seperti berikut :
1 99.2000% 99.4000% 99.6000% 99.8000% 100.0000% 100.2000% 99.9651% 99.4599% 100.0000%
CHART PERBANDINGAN TINGKAT KESESUAIAN
Metode Weighted Product Metode Simple Additive Weigthing
Berdasarkan perhitungan tingkat kesesuaian tersebut didapatkan hasil bahwa dengan menggunakan model FMADM pada objek lokasi usaha restoran ini, metode WP lebih baik daripada metode SAW.
5. IMPLEMENTASI SISTEM
Metode ini kemudian diimplementasikan dalam sebuah sistem pendukung keputusan. Pada sistem ini, user dapat mengubah bobot pada tiap kategori yang ada. Sehingga dapat diperhitungkan mana kategori yang menjadi prioritas masing – masing user.
Gambar 4 Input Bobot Kategori
Gambar 5 Hasil Uji dengan Metode WP
Gambar 6 Hasil Uji dengan Metode SAW
6. KESIMPULAN
Berdasarkan penelitian dan pengujian diatas, maka diperoleh kesimpulan sebagai berikut :
1. Program ini akan memudahkan penentuan calon lokasi usaha restoran yang akan digunakan para wirausahawan. Sesuai dengan kriteria yang dianggap penting dalam masalah ini. Seperti jumlah penduduk di sekitar, rata – rata kendaraan
lewat, julah pesaing di sekitar lokasi, harga sewa lokasi, dan luas lokasi tersebut. 2. Analisis perbandingan prosentase hasil
antara metode SAW dan WP didapatkan hasil bahwa metode WP lebih baik dalam menyelesaikan permasalahan seperti ini daripada metode SAW.
3. Alternatif yang diberikan merupakan perangkingan dari nilai tertinggi ke terendah dengan nilai tertinggi sebagai hasil yang dibutuhkan sebagai bahan pendukung pengambilan keputusan.
7. DAFTAR PUSTAKA
Garyfallos Fragidis, K. T. (2005). The Business
Strategy Perspective on the Development of Decision Support Systems. International
Conference on Computational Intelligence for Modelling, Control and Automation, and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC’05). IEEE. Ghita, Cornel. 2014. A Decision Support System for
Business Location Based on OPEN GIS Technology and Data. Institute of World
Economics. Romania. Managing Global Transitions Volume 12 No. 2 – Summer 2014.
Baggio, Rodolfo dan Leonardo Caporarello. 2005.
Decision Support Systems In A Tourism Destination: Literature Survey And Model Building. Conference of the Italian Chapter
of AIS (Association for Informations Systems). Verona, Italy. itAIS 2005. Triantaphyllou, Evangelos dan Chi-Tun Lin. 1996.
Development and Evaluation of Five Fuzzy Multiattribute Decison-Making Methods.
Department of Industrial Engineering. Louisiana State University, Baton Rouge, Lousiana. International Journal of Approximate Reasoning Vol. 14 Issue 4, May 1996 Pages 281 – 310.
Syaukani, Muhammad dan Hari Kusnanto. 2012.
Pemodelan Sistem Pendukung Keputusan Kelompok Dengan Metode Fuzzy Weighted Product Untuk Diagnosis Penyakit Pneumonia. Universitas Gadjah Mada,
Jogyakarta. Indonesia. Jurnal Teknologi, Vol. 5 No. 1, Juni 2012 pg 17-23.
Jaya, Putra. 2013. Sistem Pendukung Keputusan
penentuan Bonus Karyawan Menggunakan Metode Weighted Product (WP) (Studi Kasus: PT. Gunung Sari Medan). STMIK
Budidarma Medan, Medan. Indonesia. Pelita Informatika Budi Darma, Vol 5 No. 2, Desember 2013.
Yusnita, Amelia dan Rosiana Handini. 2012. Sistem
Pendukung Keputusan Menentukan Lokasi Rumah Makan Yang Strategis Menggunakan Metode Naive Bayes.
STMIK Widya Cipta Dharma, Semarang.
Indonesia. Seminar Nasional Teknologi Informasi dan Komunikasi Terapan 2012 (Semantik 2012) Semarang, 23 Juni 2012. Effendy, Zainollah. 2014. Analisis Metode Simple
Additive Weighting (SAW) dan Weighted Product (WP) Untuk Decision Support System. Universitas Madura Pamekasan,
Madura. Indonesia. Jurnal Teknologi Informasi Vol. 5 No. 1, 2014.
