PROSIDING. Prof. Dr. Ir. Suhono Harso Supangkat, CGEIT. I. B. Rai Dharmawijaya Mantra I. B. Gede Dwidasmara, S.Kom., M.Cs. I Putu Suryawan, S.E., M.M.

(1)

(2)

ISSN : 2302-450X

PROSIDING

PERTEMUAN DAN PRESENTASI KARYA ILMIAH

BALI, 29 JULI 2016

PEMBICARA UTAMA SEMINAR PARALEL DENGAN TEMA

͞

P

e

m

a

n

f

a

t

a

n

T

e

k

n

o

l

o

g

i

B

i

g

D

a

t

a

d

a

n

B

u

s

i

n

e

s

I

n

t

e

l

i

g

e

n

c

e

u

n

t

u

k

M

e

w

u

j

u

d

k

a

n

S

m

a

r

t

C

u

l

t

u

r

a

l

C

i

t

y

͟

Prof. Dr. Ir. Suhono Harso Supangkat, CGEIT.

I. B. Rai Dharmawijaya Mantra

I. B. Gede Dwidasmara, S.Kom., M.Cs.

I Putu Suryawan, S.E., M.M.

PENYUNTING AHLI

Prof. Dr. I Ketut Gede Darma Putra, S.Kom., M.T.

Dr. H. Agus Zainal Arifin, S.Kom., M.Kom.

Dr.techn. Ahmad Ashari, M.Kom.

Dr. Drs. Anak Agung Ngurah Gunawan, M.T.

Agus Muliantara, S.Kom., M.Kom.

(3)

PELAKSANA SEMINAR

PELINDUNG

Rektor Universitas Udayana, Bali

PENANGGUNG JAWAB

Dekan Fakultas MIPA Universitas Udayana

Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana

PANITIA

I Gusti Ngurah Anom Cahyadi Putra,S.T.,M.Cs.

Gst. Ayu Vida Mastrika Giri, S.Kom., M.Cs.

I Gede Arta Wibawa,S.T.,M.Kom

Ida Bagus Made Mahendra, S.Kom., M.Kom.

I Putu Gede Hendra Suputra, S.Kom., M.Kom.

Luh Arida Ayu Rahning Putri,S.Kom.,M.Cs.

Made Agung Raharja, S.Si., M.Cs.

I Gede Santi Astawa, S.T., M.Cs.

I Komang Ari Mogi, S.Kom, M.Kom.

Ida Bagus Gede Dwidasmara,S.Kom.,M.Cs.

Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.

I Made Widiartha, S.Si., M.Kom.

I Gusti Agung Gede Arya Kadnyanan.,S.Kom.,M.Kom.

I Gede Oka Gartria A.,S.Kom.,M.Kom.

I Wayan Supriana, S.Si., M.Cs.

Dra. Luh Gede Astuti, M.Kom.

(4)

KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya

penyusunan Prosiding SNATIA 2016 ini. Buku ini memuat naskah hasil penelitian dari berbagai

bidang kajian yang telah direview oleh pakar di bidangnya dan telah dipresentasikan dalam acara

Seminar SNATIA tahun 2016 pada tanggal 29 Juli 2016 di Universitas Udayana kampus Bukit

Jimbaran, Badung, Bali.

Kegiatan SNATIA 2016 merupakan agenda tahunan Program Studi Teknik Informatika,

Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2016

e ga bil te a Pemanfaatan

Teknologi Big Data dan Business Intelligence untuk Mewujudkan Smart Cultural City

, de ga

pembicara utama seminar yang terdiri dari pakar-pakar peneliti dan pemerhati di bidang

Teknologi Informasi dan Smart City.

Meskipun kegiatan seminar dan pendokumentasian naskah dalam prosiding ini telah

dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Panitia

memohon maaf yang sebesar-besarnya atas kekurangan yang ada. Kritik dan saran perbaikan

sangat kami harapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui

e-mail [email protected].

Kepada semua pihak yang terlibat baik langsung maupun tidak langsung dalam

penyelenggaraan seminar dan penyusunan prosiding SNATIA 2016, panitia mengucapkan terima

kasih.

Jimbaran, 29 Juli 2016

(5)

(6)

DAFTAR ISI

Kata Pengantar

Daftar Isi

Artificial Intelligence

Implementasi Algoritma Genetika pada Penjadwalan Bimbingan Tugas Akhir (Studi

Kasus Jurusan Ilmu Komputer Universitas Udayana)

Alfin Amri ...

1 Implementasi Metode Naïve Bayes Classifier dalam Mendeteksi Penyakit Saluran Kemih

I Gede Krisna Putra Andiana ...

9 Klasifikasi Jamur Menggunakan Metode Naïve Bayes dengan Pemrosesan Paralel

I Putu Agus Suarya Wibawa ...

15 Klasifikasi Pengidap Diabetes Menggunakan Metode Naive Bayes dengan Pemrosesan

Pararel

Daniel Kurniawan ...

23 Komparasi Algoritma C4.5, Naïve Bayes dan K-Nearest Neighbor (K-Nn) untuk

Mendeteksi Kanker Payudara

Rayung Wulan ...

29 Penerapan Metode LCG (Linear Congruential Generator) pada Sistem Pengacak Soal

Studi Kasus : BLCC (Bali Logic and Computer Competition) Unud

I Wayan Puguh Sudarma ...

35 Perancangan Monitoring and Controlling Traffic Light pada Different Street Condition

Menggunakan Jaringan Internet

Cries Avian ...

43 Perancangan Sistem Evaluasi Nilai Akademik Mahasiswa Menggunakan K-Means

Clustering

Risky Aswi Ramadhani ...

49 Perancangan Sistem Pengklasifikasian Musik Menggunakan Algoritma Support Vector

Machine

(7)

Rancang Bangun Aplikasi Pencocokan Citra Tanda Tangan

Resty Wulanningrum ...

61 Information Systems

Analisa Sistem Informasi Persediaan Barang Pada PT. Dua Libra

Nur Azizah ...

67 Analisa Sistem Pembayaran Futsal Pada PT. Padang Golf Moderland

Nur Azizah ...

77 Analisis dan Perancangan Aplikasi ETL Untuk Data Warehouse

Made Mahadipta ...

87 Aprida Aplikasi Penilaian Fleksibel untuk Guru dan Dosen

Fatkur Rhohman...

99 Desain Aplikasi Prosiars Sebagai Media Pendukung Akuisisi Ketrampilan Tata Kelola

Rekam Medis

Slamet Sudaryanto N ...

103 Desain Model Integrasi dan Sinkronisasi Antar Unit Surveilans Untuk Mendukung Data

Warehouse Epidemiologi

Fikri Budiman ...

111 Evaluasi Penggunaan Website dan Fasilitas E-Learning Universitas Nusa Nipa

Menggunakan Metode Analisis Pieces Framework Menuju Paperless Office

Agustinus Lambertus Suban ...

119 Implementasi Single Page Application pada Aplikasi Sintask Menggunakan Javascript

Dan Jquery

Aditya Wikardiyan ...

129 Pengembangan dan Software Testing Aplikasi Tebak Huruf Jawa

Supriyono ...

135 Perancangan Aplikasi E-Learning Berbasis Android Pada Media Pembelajaran Alternatif

I Kadek Ardi Angga ...

141 Perancangan dan Implementasi Aplikasi Media Reservasi Makanan Berbasis Client

Server dengan Platform Android

(8)

Perancangan Data Warehouse pada Penjualan Kain Endek Bali (Studi Kasus Toko Luhur

Busana Bali)

Rosa Irma Cahyani...

153 Perancangan Sistem Informasi Ensiklopedi Motif Kain Endek Khas Bali

I Gusti Ag Ayu Putu Rhera Mahayekti ...

161 Perancangan Sistem Informasi Pendataan Surat Masuk dan Surat Keluar Pada Media

Cetak Tabloid Tipikor Berbasis Web

Nur Azizah ...

169 Perancangan Sistem Inventaris Sarana Akademik UN PGRI Kediri

Intan Nur Farida ...

181 Perancangan Sistem Tracer Alumni untuk Menentukan Profil Lulusan Prodi Teknik

Informatika Universitas Nusantara PGRI Kediri

Danar Putra Pamungkas...

187 Purwarupa Sistem Layanan Perpustakaan Menggunakan Konsep Basis Data

Terdistribusi

Putu Andina Titra Dewi ...

193 Rancang Bangun Sistem Monitoring Sarbagita Berbasis Mobile Sebagai Solusi

Peningkatan Kepuasan Pelanggan Sarbagita

Ida Bagus Dananjaya ...

199 Rancangan Emergency Call Sebagai Penanganan Kecelakaan Di Kota Kediri

Ervin Kusuma Dewi ...

207 Sistem Informasi Monitoring Bus Trans Sarbagita Berbasis Web

I Putu Gede Surya Hadi Kusuma ...

213 Sistem Informasi Pengarsipan Kinerja Dosen Menggunakan Restful Web Service

Teguh Andriyanto ...

221 Sistem Pengolahan Data Akademik Di Universitas Nusantara PGRI Kediri

Juli Sulaksono ...

227 Knowledge Management

Aplikasi Sistem Pencarian E-Book Dengan Memanfaatkan Web Crawler Berdasarkan

Kesamaan Semantik

(9)

Implementasi Algoritma C4.5 Pada Sistem Pendukung Keputusan Pemilihan Kos Di

Daerah Bukit Jimbaran Bali

Imam Zarkasi ...

241 Implementasi dan Perbandingan Algoritma Stemming untuk Dokumen Teks Berbahasa

Indonesia

Dina Anggraini ...

247 Penerapan Metode Profile Matching dalam Menentukan Kualitas Ikan Tuna (Studi

Kasus Pt.Primo Indo Ikan)

Agus Aan Jiwa Permana ...

255 Perancangan dan Implementasi Sistem Pendukung Keputusan Dalam Lomba Desa Pada

Kantor Badan Pemberdayaan Masyarakat Dan Pemerintahan Desa Di Provinsi Nusa

Tenggara Barat Dengan Metode Topsis

Ni Putu Eka Listiani ...

263 Perancangan Knowledge Management System Motif Kain Endek Khas Bali

Riska Prasetiyo Utami ...

269 Perancangan Rekomendasi Penjualan Endek Pada Sistem Web E-Commerce

Menggunakan Metode Hybrid Filtering

Luh Ayu Diah Fernita Sari ...

279 Perancangan Simulasi Keuntungan Penjualan Bensin Pada Stasiun Pengisian Bahan

Bakar Umum (SPBU) Menggunakan Metode Monte Carlo (Studi Kasus Spbu Jl. Raya

Uluwatu, Jimbaran)

I Putu Surya Diputra ...

287 Simulasi Transaksi untuk Memperkirakan Keuntungan pada Minimarket Vidya dengan

Menggunakan Metode Monte Carlo

Josua Geovani Sinaga ...

299 Sistem Pakar untuk Diagnosa Penyakit Diabetes Mellitus dengan Metode Mamdani

Pada Puskesmas Di Jakarta Timur

Za’i atu Niswati ...

307 Sistem Pendukung Keputusan dalam Penentuan Supplier Tanaman Terbaik

Menggunakan Metode Simple Additive Weighting Studi Kasus CV. Intan Mas Ajie

Rr. Putri Intan Paramaeswari ...

315 Sistem Pendukung Keputusan Menentukan Lokasi Membangun Ruko Menggunakan

Metode SAW Dan Proses Paralel

(10)

Sistem Pendukung Keputusan Pemilihan Paket Telekomunikasi Smartphone Atau

Gadget Dengan Metode SAW (Simple Additive Weighting)

Christina ...

329 Sistem Pendukung Keputusan Pemilihan Portofolio Investasi Saham di Bursa Efek

Indonesia Menggunakan Metode Saw dan Proses Paralel

I Gede Wicaksana ...

335 Sistem Pendukung Keputusan Penentuan Anak Asuh Bagi Peserta Didik Dengan Metode

SAW (Simple Additive Weighting)

Rina Firliana ...

341 Sistem Pendukung Keputusan Penentuan Lokasi Pembangunan Minimarket

Menggunakan Metode Simple Additive Weighting (Studi Kasus Kabupaten Gianyar)

Gede Surya Adiwiguna ...

349 Sistem Pendukung Keputusan Perekrutan Pegawai Dengan Metode Naïve Bayes (Studi

Kasus di PT. Tatamulia)

Ni Putu Striratna Devi Wedayanti ...

357 Sistem Pendukung Keputusan Perekrutan Pegawai Menggunakan Perangkingan

MADM TOPSIS

Luh Putu Dewi Cahyuni ...

363 Sistem Pendukung Keputusan Seleksi Penerima Beasiswa di SMKN 3 Negara

Menggunakan Metode Analytical Hierarchy Process (AHP)

I Putu Krisna Adi Syandhana ...

369 SPK Penentuan Lokasi Pembangunan Perumahan Menggunakan Metode SAW dengan

Pemrosesan Paralel (Studi Kasus Kab. Jembrana)

Gede Satria Pinandita ...

377 SPK untuk Menenentukan Kesesuaian Lahan Tanaman Kopi Arabika Menggunakan

Metode WP dengan Pemrosesan Paralel

Ketut Yudi Werdika ...

383 Web Dinamis Sebagai Sistem Bantu Pencarian Rumah Kos Mahasiswa Dengan Metode

Weighted Product (WP)

(11)

Multimedia Application

Analisis Sistem Rekomendasi Musik Berdasarkan Konteks Menggunakan Soft

Case-Based Reasoning

Gst. Ayu Vida Mastrika Giri ...

395 Aplikasi Alat Musik Padang Berbasis Android

I Gusti Ngurah Anom Cahyadi Putra ...

401 Aplikasi Reduksi Noise Citra Aksara Bali Pada Lontar

Gusti Agung Mas Trisna Krishany ...

409 Implementasi Augmented Reality Pada Objek-Objek Museum Bali Studi Awal

Perancangan Aplikasi Edukasi Untuk Pengunjung Museum

Gerson Feoh ...

415 Pengemba ga Ga e “uper “o ic “hoot de ga Pe dekata Ga e-SCRUM

Falahah ...

423 Perancangan Sistem Informasi Pembelajaran Pembuatan Banten Berbasis Video

Streaming

I Putu Septian Arya Pratama ...

429 Networking and Security

Aplikasi Chatting Berbasis Multiagent Menggunakan Java Agent Development

Framework (JADE)

Nisa Miftachurohmah ...

437 Color Image Encryption Using RC4 Algorithm

Andysah Putera Utama Siahaan ...

443 Implementasi Algoritma RC6 Sebagai Pengamanan Aplikasi Chatting

Anneke Puspita Dewi ...

449 Pengelolaan Routing OLSR Pada Jaringan Wireless Mesh

Iwan Rijayana ...

459 Pengembangan Aplikasi Context Aware Pada Teknolog Near Field Communcation

Yuli Fauziah ...

467 Penggunaan Metode Kriptografi pada Voice Over Internet Protokol

(12)

Perancangan dan Implementasi Aplikasi Chat Menggunakan MQTT Protocol

Muhammad Ridwan Satrio ...

481 Perancangan SMS Gateway Untuk Pelayanan Informasi pada Kegiatan Desa Adat

I Putu Raka Wiratma ...

485 Rancang Bangun Sistem Informasi Paroki Habi Keuskupan Maumere Melalui SMS

Gateway

Theresia Wihelmina Mado ...

491 Sistem Informasi Pengingat Pengumpulan Nilai Berbasis SMS Gateway pada Prodi

Sistem Informasi Universitas Nusantara PGRI Kediri

Fajar Rohman Hariri, M.Kom ...

499 Sistem Kendali DC Converter Untuk Aplikasi Sistem (CAES)

(13)

(14)

315 SISTEM PENDUKUNG KEPUTUSAN DALAM PENENTUAN

SUPPLIER TANAMAN TERBAIK MENGGUNAKAN METODE

SIMPLE ADDITIVE WEIGHTING STUDI KASUS CV. INTAN

MAS AJIE

Rr. Putri Intan Paramaeswari

1

, I Gede Arta Wibawa

2

, I Wayan Santiyasa

3

1,2,3

Ilmu Komputer, Fakultas MIPA, Universitas Udayana Jalan Kampus Udayana, Bukit Jimbaran – Bali

Email: [email protected], [email protected], [email protected]

ABSTRAK

CV. Intan Mas Ajie merupakan salah satu badan usaha yang bergerak di bidang landscape architecture. Badan usaha ini memiliki berbagai macam supplier yang berfungsi dalam membantu penyediaan barang-barang yang dibutuhkan oleh badan usaha tersebut. Barang yang dibutuhkan dari supplier bisa berupa bahan baku maupun barang setengah jadi. Namun pada CV. Intan Mas Ajie belum terdapat sistem yang dapat menentukan supplier yang menyediakan tanaman terbaik secara obyektif.

Simple Additive Weighting merupakan metode yang dapat membantu dalam pengambilan sebuah keputusan dengan acuan pada perangkingan bobot kriteria. Kriteria yang digunakan dapat diukur berdasarkan kelengkapan tanaman, harga tanaman, kualitas tanaman, fleksibilitas supplier, dan pengalaman supplier. Metode Simple Additive Weighting digunakan karena kemampuannya untuk melakukan penilaian secara lebih tepat yang didasarkan pada nilai kriteria dan bobot preferensi yang sudah ditentukan, selain itu metode ini 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). Adapun data yang digunakan dalam penelitian ini didapatkan dari CV. Intan Mas Ajie. Data-data itulah yang menjadi kriteria penilaian yang kemudian akan ditentukan rating kecocokan dengan alternatif. Setelah itu ditentukan matriks keputusan dan nilai preferensinya.

Hasil yang diperoleh pada penelitian ini adalah nilai preferensi dari setiap alternatif berdasarkan hasil perhitungan yang diurutkan berdasarkan nilai terbesar. Dari nilai preferensi yang diperoleh, diketahui alternatif dengan nilai preferensi tertinggi, dengan demikian CV. Intan Mas Ajie dapat menentukan supplier tanaman terbaik.

Kata Kunci: Sistem Pendukung Keputusan, Simple Additive Weighting

ABSTRACT

CV. Intan Mas Ajie is one business entity engaged in landscape architecture field. These enterprises have a wide range of suppliers who serve in assisting the supply of goods needed by the enterprise. Items required of suppliers can be raw and semi-finished goods. But in CV. Intan Mas Ajie yet there is a system that can determine the suppliers that provide the best plant objectively.

Simple Additive weighting is a solution method in making a decision with reference to the criteria’s weight ranking. The criteria can be measured by completeness, prices, qualities, supplier flexibility, and supplier experience. Simple Additive Weighting methods used for its ability to assess more accurately based on the value of the criteria and weighting preferences are specified, other than that this method is also able to select the best alternative from a number of alternatives exist for their process of ranking the after determining the weights for each attribute ( Kusumadewi, Harjoko, and Ward, 2006). The data was obtained from CV. Intan Mas Ajie that is the criteria assessment that will be determined later compatibility rating with alternatives. It was determined the decision matrix and value preferences.

The results obtained in this study is the preference value of each alternative based on the calculation. It is sorted by the greatest value. Of the value of preferences obtained, known alternative with the highest preference value, thereby CV. Intan Mas Ajie can determine the best plant supplier.

(15)

ISSN : 2302-450X

316

1. PENDAHULUAN

Kerjasama merupakan salah satu hal yang paling utama dalam menjalankan segala jenis kegiatan khususnya dalam bidang bisnis, baik itu bisnis kecil maupun besar. Namun, untuk melakukan kerjasama tersebut, seorang pemimpin perusahaan harus sangat berhati-hati dalam memilih partner yang tepat. Salah satunya dalam memilih supplier. CV. Intan Mas Ajie sebagai perusahaan yang bergerak di bidang Landscape Architecture, hal yang paling utama adalah dalam menentukan supplier tanaman terbaik. Untuk itulah perlu adanya penilaian yang obyektif sehingga mendapatkan hasil akhir yang optimal. CV. Intan Mas Ajie melakukan pemilihan secara manual sehingga cenderung melakukan penilaian secara subyektif.

Dengan sistem pemberian nilai seperti yang dijelaskan diatas tentu tidak memiliki nilai keefektifan. Dalam melakukan perhitungan pasti akan terdapat resiko kesalahan sehingga proses perhitungan menjadi tidak akurat. Perhitungan secara manual pun juga membutuhkan waktu yang lama sehingga sangat tidak efektif jika digunakan pada saat-saat seperti itu. Oleh karena itu, perlu dibuat sebuah sistem yang akan mempermudah dalam masalah perhitungan secara manual sehingga menghasilkan nilai yang sangat akurat dan tentunya tidak memerlukan waktu yang lama. Pemberian nilai pun tidak dapat dinilai secara sembarangan karena terdapat beberapa kriteria dengan bobot yang berbeda-beda sehingga dapat ditemukan supplier yang memiliki nilai yang paling sesuai dengan kriteria yang telah ditentukan. Supplier yang memiliki nilai yang tertinggilah yang akan menjadi alternatif utama. Untuk itulah penulis mengembangkan sebuah sistem “Sistem Pendukung

Keputusan dalam Penentuan Supplier Tanaman

Terbaik Menggunakan Metode Simple SAW (Simple Additive Weighting) Studi Kasus CV. Intan Mas Ajie”.

2. MODEL, ANALISIS, DESAIN,

DAN IMPLEMENTASI

2.1 Sistem Pendukung Keputusan

Sistem Pendukung Keputusan (SPK) biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk suatu peluang yang berguna dalam pengambilan keputusan. [1]

SPK didefinisikan sebagai sistem berbasis komputer yang terdiri dari tiga komponen yang saling berinteraksi, sistem Bahasa (mekanisme untuk memberikan komunikasi antara pengguna dan komponen sistem pendukung keputusan lain), sistem pengetahuan (repositori pengetahuan somain masalah yang ada pada sistem pendukung keputusan atau sebagai data atau sebagai prosedur), dan sistem pemrosesan masalah (hubungan antara dua komponen lainnya, terdiri dari satu atau lebih

kapabilitas manipulasi masalah umum yang diperlukan untuk pengambilan keputusan).[3]

Karakteristik dari sistem pendukung keputusan yaitu:

a. Mendukung proses pengambilan keputusan suatu organisasi atau perusahaan.

b. Adanya interface manusia/mesin dimana manusia (user) tetap memegang control proses pengambilan keputusan.

c. Mendukung pengambilan keputusan untuk membahas masalah terstruktur, semi terstruktur, serta mendukung beberapa keputusanyang saling berinteraksi.

d. Memiliki kapasistas dialog untuk memperoleh informasi sesuai dengan kebutuhan.

e. Memiliki subsistem yang terintegrasi sedemikian rupa sehingga dapat berfungsi sebagai kesatuan sistem.

f. Memiliki dua komponen utama yaitu data dan model.

Adapun kriteria atau ciri-ciri dari keputusan adalah sebagai berikut:

1. Banyak pilihan/alternatif 2. Ada kendala atau surat.

3. Mengikuti suatu pola/model tingkah laku, baik yang terstruktur maupun tidak terstruktur. 4. Banyak input/variable.

5. Ada factor resiko. Dibutuhkan kecepatan, ketepatan, dan keakuratan.

Secara garis besar, sistem pendukung keputusan dibangun oleh tiga komponen utama yaitu:

1. Subsistem Data (Database)

Subsistem data merupakan komponen data bagi sistem. Data tersebut disimpan untuk diorganisasikan dalam sebuah basis data yang diorganisasikan oleh suatu sistem yang disebut dengan sistem manajemen basis data (Database

Management System).

2. Subsistem Model (ModelBase)

Kendala yang sering dihadapi dalam merancang model adalah bahwa model yang dirancang tidak mampu mencerminkan seluruh variable alam nyata, sehingga keputusan yang diambil tidak sesuai dengan kebutuhan. Oleh karena itu, dalam menyimpan berbagai model harus diperhatikan dan dijaga fleksibilitasnya, serta pada setiap model yang disimpan hendaknya ditambahkan rincian keterangan dan penjelasan yang komprehensif mengenai model yang dibuat.

3. Subsistem Dialog (User System Interface) Subsistem dialog adalah fasilitas yang mampu mengintegrasikan sistem yang terpasang dengan pengguna secara interaktif, yang dikenal dengan subsistem dialog. Melalui subsistem dialog, sistem diimplementasikan sehingga pengguna dapat berkomunikasi dengan sistem yang dibuat.

(16)

Rr. Putri Intan Paramaeswari, Sistem Pendukung Keputusan Dalam Penentuan Supplier Tanaman Terbaik Menggunakan Metode Simple Additive Weighting Studi Kasus Cv. Intan Mas Ajie

317

Adapun tujuan dari Sistem Pendukung

Keputusan adalah sebagai berikut:

1. Membantu dalam pengambilan keputusan atas masalah yang terstruktur.

2. Memberikan dukungan atas pertimbangan manajer.

3. Meningkatkan efektifitas keputusan yang diambil lebih daripada perbaikan efisiensinya. 4. Kecepatan komputasi computer memungkinkan

para pengambil keputusan untuk banyak melakukan komputasi secara cepat dengan biaya yang rendah.

5. Peningkatan produktivitas membangun suatu kelompok pengambilan keputusan. Selain itu, produktivitas staf pendukung dapat ditingkatkan.

2.2 Fuzzy Multi Attribute Decision Making (FMADM)

Metode FMADM digunakan untuk memecahkan masalah yang berhubungan dengan data fuzzy. Metode FMADM terdiri dari dua fase proses. Fase pertama adalah menentukan utilitas-utilitas fuzzy dari alternatif. Fase kedua adalah menerapkan metode perangkingan fuzzy untuk menentukan urutan peringkat dari alternatif [2].

Terdapat beberapa metode yang bisa digunakan dalam menyelesaikan permasalahan pada FMADM. Pada penelitian ini, penulis menggunakan metode FMADM sebagai solusi permasalahan untuk

Simple Additive Weighting (SAW)

2.3 Metode SAW (Simple Additive Weighting)

Metode simple additive weighting sering juga dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar metode simple additive

weighting adalah mencari penjumlahan terbobot dari

rating kinerja pada setiap alternatif pada semua atribut. Metode simple additive weighting merupakan metode yang banyak digunakan dalam pengambilan keputusan yang memiliki banyak atribut. Metode ini membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang didapat diperbandingkan dengan semua rating alternatif yang ada.

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

Dimana dengan rij adalah rating kinerja

ternormalisasi dari alternatif Ai pada atribut Cj : i = 1, 2, …, m dan j = 1, 2, …, n

Keterangan:

 Max Xij = Nilai terbesar dari setiap kriteria i.

 Min Xij = Nilai terkecil dari setiap kriteria i.  Xij = Nilai atribut yang dimiliki dari setiap

kriteria.

Nilai preferensi untuk setiap alternatif ( diberikan rumus sebagai berikut:

Keterangan:

= Rangking untuk setiap alternatif

Nilai bobot rangking (dari setiap kriteria) Nilai rating kinerja ternomalisasi

Nilai yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih (Nurdin 2012: 56).

Keunggulan dari metode simple additive

weighting dibandingkan dengan metode sistem

keputusan yang lain terletak pada kemampuannya dalam melakukan penilaian secara lebih tepat karena didasarkan pada nilai kriteria dan bobot tingkat kepentingan yang dibutuhkan. Dalam metode ini juga dapat menyeleksi alternatif terbaik dari sejumlah alternatif yang ada kemudian dilakukan proses perangkingan yang jumlah nilai bobot dari semua kriteria dijumlahkan setelah menentukan nilai bobot dari setiap kriteria. Intinya bahwa pada metode ini menentukan nilai bobot pada setiap kriteria untuk menentukan alternatif optimal yang memenuhi syarat dan layak dipertimbangkan.

Langkah kerja dari algoritma metode ini adalah sebagai berikut [1]:

1. Menentukan kriteria yang akan dijadikan acuan dalam menentukan pengambilan keputusan. 2. Memberikan nilai setiap alternatif pada setiap

kriteria yang sudah ditentukan.

3. Menentukan rating kecocokan setiap alternatif pada setiap kriteria kemudian memodelkannya kedalam bilangan fuzzy setelah dikonversikan ke bilangan crips.

4. Memberikan nilai bobot yang juga didapatkan berdasarkan nilai crips.

5. Melakukan normalisasi matriks dengan cara menghitung nilai rating kinerja ternormalisasi. 6. Melakukan proses perangkingan untuk setiap

alternatif dengan cara mengalikan nilai bobot dengan nilai rating kinerja ternormalisasi 7. Menentukan nilai prefensi untuk setiap

alternatif dengan menjumlahkan hasil kali antara matriks ternormalisasi dengan nilai bobot.

2.4 Flowchart

Diagram alir (flowchart) digunakan untuk mengetahui aliran prosedur. Perancanganini digunakan untuk menggambarkan alur suatu program menjadi lebih sederhana sehingga program dapat lebih dimengerti

(17)

ISSN : 2302-450X

318

2.5 Analisis Kebutuhan

Pada penelitian ini, terdapat data-data berupa kriteria yang akan dijadikan acuan pertimbangan dalam menentukan supplier tanaman terbaik yang akan ditunjukkan pada table 1.

Tabel 1. Kriteria Penentuan Supplier Terbaik

No. Kriteria 1 Kelengkapan tanaman 2 Harga tanaman 3 Kualitas tanaman 4 Fleksibilitas supplier 5 Pengalaman supplier

Setelah itu, tentukan kriteria-kriteria tersebut sebagai acuan dalam menentukan keputusan (Ci).

Tabel 2. Kriteria Penentuan Keputusan

Kriteria. Kriteria C1 Kelengkapan tanaman C2 Harga tanaman C3 Kualitas tanaman C4 Fleksibilitas supplier C5 Pengalaman supplier

Kemudian, kriteria-kriteria tersebut akan ditentukan bobotnya, yaitu dengan mendefinisikan kriteria ke dalam lima bilangan fuzzy, yaitu sangat tinggi (ST), tinggi (T), sedang (S), rendah (R), dan

sangat rendah (SR). Berikut ini merupakan table variable beserta nilai bobot dari variable tersebut.

Tabel 3. Variabel dan Bobot (Nilai) Variabel Bobot (Nilai)

Sangat Rendah (SR) 0,2

Rendah (R) 0,4

Sedang (S) 0,6

Tinggi (T) 0,8

Sangat Tinggi (ST) 1

Tabel 4. Table Kriteria Kelengkapan Tanaman C1 Variabel Nilai Sangat Lengkap ST 1 Lengkap T 0,8 Sedang S 0,6 Kurang Lengkap R 0,4 Tidak Lengkap SR 0,2

Tabel 5. Tabel Kriteria Harga Tanaman C2 Variabel Nilai Sangat Murah ST 1 Murah T 0,8 Sedang S 0,6 Mahal R 0,4 Sangat Mahal SR 0,2

Tabel 6. Tabel Kriteria Kualitas Tanaman C3 Variabel Nilai Sangat Berkualitas ST 1 Berkualitas T 0,8 Sedang S 0,6 Kurang Berkualitas R 0,4 Tidak Berkualitas SR 0,2

Tabel 7. Tabel Kriteria Fleksibilitas Supplier C4 Variabel Nilai C4 = 5 ST 1 C4 = 4 T 0,8 C4 = 3 S 0,6 C4 = 2 R 0,4 C4 = 1 SR 0,2

Tabel 8. Tabel Kriteria Pengalaman Supplier C5 Variabel Nilai C5 >= 4 tahun ST 1 3 tahun < C5 <= 4 tahun T 0,8 2 tahun < C5 <= 3 tahun S 0,6 1 tahun < C5 <= 2 tahun R 0,4 C5 <= 1 tahun SR 0,2 2.6 Implementasi Metode

Berdasarkan acuan table variable dan bobot dari kriteria yang telah dideskripsikan pada subbab sebelumnya, maka dibentuklah suatu rating kecocokan kriteria untuk setiap alternatif yang ada. Start

Memasukkan dara dari tiap kriteria

Normalisasi Matriks Keputusan Kalikan matriks keputusan dengan bobot kriteria Preferensi tiap alternatif End

(18)

319

Dimisalkan terdapat data rating kecocokan sebagai

berikut:

Tabel 9. Tabel Rating Kecocokan

Alternatif Kriteria

C1 C2 C3 C4 C5

A1 0.8 0.8 0.6 0.8 1

A2 0.6 0.8 0.4 0.2 0.4

A3 0.8 0.8 0.4 0.8 0.6

Dari table di atas, untuk kriteria C1, C2, C3, C4, dan C5 merupakan atribut benefit.

Sehingga, memiliki matriks keputusan (X) sebagai berikut:

Kemudian, perhitungan normalisasi matriks keputusan. Berikut contoh dari proses perhitungan normalisasi matriks:

Perhitungan atribut benefit:

Matriks Keputusan (X): Bobot: Hitung nilai V: V1 = (1) 1 + (1) 1 + (0.6) 1 + (0.8) 1 + (0.4) 1 = 3.8

Dari perhitungan tersebut, nilai tertinggi didapat oleh V1, sehingga alternatif A1 merupakan alternatif yang layak untuk menjadi supplier yang bekerjasama dengan pihak CV. Intan Mas Ajie. Berikut ini merupakan perolehan hasil dari untuk semua alternatif:

Tabel 10. Tabel Hasil Nilai dan Ranking

Alternatif Nilai Ranking

A1 3.8 1

A2 2.51 3

A3 3.44 2

2.7 Implementasi Sistem

Berikut ini merupakan implementasi dari sistem yang telah dibuat.

Gambar 1. Tampilan Interface Keseluruhan

Gambar 2. Tampilan Input Data Identitas

(19)

ISSN : 2302-450X

320

Gambar 4. Tampilan Data

Gambar 5. Tampilan Hasil Normalisasi Matriks

Gambar 6. Tampilan Hasil Ranking

3. SKENARIO UJI COBA

Skenario uji coba dilakukan dengan membandingkan tiga buah peringkat yang telah dihasilkan oleh sistem dengan peringkat yang telah diperhitungkan secara manual sebelumnya oleh pimpinan perusahaan.

Tabel 11. Tabel Perbandingan Ranking

Alternatif Hasil Sistem Hasil Manual oleh Pimpinan A1 2 2 A2 1 1 A3 3 3

4. HASIL UJI COBA

Berikut ini merupakan hasil dari sepuluh buah sample menggunakan perhitungan manual oleh pimpinan perusahaan dengan hasil dari sepuluh buah sample oleh sistem berdasarkan data yang telah ada

.

Tabel 12. Tabel Hasil Uji Coba Oleh Sistem

Alternatif Hasil oleh sistem Ranking Dewata Indah 3.24 2 Flamboyant 2.12 10 Taman Jepun 2.88 5 Florist Regent 2.58 9 Tirta Kenanga 2.76 7 Kediri Indah 3.8 1 Kediri Indah 2 3.16 3 Bayu Asri 2.68 8 Flora Tangi 2.8 6 Orchid Garden 3 4

Tabel 13. Tabel Hasil Uji Coba Secara Manual

Alternatif Hasil secara manual Ranking Dewata Indah 3.24 2 Flamboyant 2.12 10 Taman Jepun 2.88 5 Florist Regent 2.58 9 Tirta Kenanga 2.76 7 Kediri Indah 3.8 1 Kediri Indah 2 3.16 3 Bayu Asri 2.68 8 Flora Tangi 2.8 6 Orchid Garden 3 4

Dari hasil uji coba yang telah dilakukan, nilai yang dihasilkan oleh perhitungan secara manual dan oleh sistem menunjukkan nilai dan hasil ranking yang sama. Supplier dengan nilai tertinggi yang mendapatkan ranking teratas yang akan menjadi alternatif terbaik. Pada table 12 menunjukkan bahwa alternatif terbaik yang menempati ranking pertama adalah Kediri Indah dengan nilai preferensi sebesar 3.8.

5. KESIMPULAN

Berdasarkan hasil dari penelitian yang penulis lakukan mengenai pemilihan supplier tanaman terbaik berdasarkan penilaian dengan menggunakan Sistem Pendukung Keputusan pemilihan penyanyi terbaik dengan menggunakan metode Simple Additive Weighting (SAW), maka dapat ditarik kesimpulan sebagai berikut

(20)

321

1. Penerapan sistem pendukung keputusan dengan

metode SAW (Simple Additive Weighting) dapat diterapkan pada saat melakukan pengambilan keputusan untuk memilih supplier tanaman terbaik pada CV. Intan Mas Ajie dengan kriteria-kriteria kelengkapan tanaman, harga tanaman, kualitas tanaman, fleksibilitas supplier, dan pengalaman supplier.

2. Dengan adanya metode ini akan membantu user agar lebih mudah dalam pengambilan keputusan secara objektif dengan efektif dan efisien. 3. Penelitian dilakukan dengan membandingkan

nilai yang dihasilkan oleh sistem dan nilai yang dihasilkan secara perhitungan manual. Dari perbandingan tersebut menghasilkan nilai dan ranking yang sama.

6. DAFTAR PUSTAKA

[1]

Nofriansyah, Dicky. 2014. Konsep Data

Mining Vs Sistem Pendukung Keputusan.

Yogyakarta: Deepublish

[2]

Rao, Venkata R. 2007. Decision Making in

the Manufacturing Environment. USA:

Springer

[3]

Bonczek, dkk. 1980. Decision Support

Systems And Intelligent Systems. USA:

(21)