JIMP : Jurnal Informatika Merdeka Pasuruan Vol.6 No.1 Maret 2021, P-ISSN : 2502-5716, E-ISSN : 2503-1945 Terakreditasi Peringkat Sinta 4 berdasarkan Petikan dari Keputusan Menteri Riset dan Teknologi/ Kepala Badan Riset dan Inovasi Nasional Nomor 200/M/KPT/2020, masa berlaku mulai Vol.3 No.1 tahun 2018 s.d Vol.7 No.2 tahun 2022
9 DOI http://dx.doi.org/10.37438/jimp.v6i1.330
Sistem Pendukung Keputusan Pemilihan Tempat Wisata Belanja di Kota Batam Menggunakan Metode Simple Additive Weighting
(SAW)
Novitia Chinoi 1, Allsela Meiriza 2
1, 2 Sistem Informasi, Fakultas Ilmu Komputer, Universitas Sriwijaya, Indonesia novitiac@gmail.com
allsela@unsri.ac.id
Received : 09-07-2021; Accepted: 19-01-2021; Published: 20-01-2021
Abstrak— Kota Batam merupakan salah satu daerah yang sering dikunjungi sebagai tujuan wisata belanja oleh wisatawan karena banyaknya atraksi yang ditawarkan. Namun, tempat wisata belanja yang banyak merebak tersebut tidak selaras dengan informasi yang tersedia tentang tempat wisata terkait.
Selain itu, banyaknya tempat-tempat tujuan wisata belanja acap kali membuat banyak wisatawan kebingungan dalam memilih tempat wisata belanja. Maka dari itu, pentingnya suatu sistem pendukung keputusan yang menunjang wisatawan dalam memilih tempat wisata belanja yang diinginkan. Dibutuhkan suatu metode dalam penerapannya agar sistem pendukung keputusan yang diinginkan dapat tercapai dimana salah satu metodenya adalah Simple Additive Weighting (SAW).
Penelitian ini menggunakan metode Simple Additive Weighting (SAW) karena dapat menyelesaikan pengambilan keputusan multi kriteria. Terdapat lima kriteria yang digunakan dalam pemilihan tempat wisata belanja pada penelitian ini, yaitu transportasi (C1), suasana (C2), keamanan (C3), variasi produk (C4), dan fasilitas (C5). Berdasarkan perhitungan menggunakan metode Simple Additive Weighting (SAW) diperoleh bahwa tempat wisata belanja A4 (Alternatif 4) yaitu Nagoya Hill memegang nilai rangking tertinggi dengan nilai sebesar 1.00000 dan menjadikannya sebagai tempat wisata belanja yang paling direkomendasi.
Kata kunci
—
sistem pendukung keputusan; SPK; wisata belanja; simple additive weighting; SAWAbstract— Batam city is one of the areas that are often visiting as a shopping destination by tourists because of the many attractions offered. However, the number of shopping tourism scattered is not in line with information about related tourist attractions. In addition, the number of shopping destinations often makes tourists confused in choosing shopping tourism.
Therefore, the importance of a decision support system supports tourists in choose the desired shopping tourist attractions. It takes a method in its application so the desired decision support system can be achieving where one of the methods is the Simple Additive Weighting (SAW). This research uses the Simple Additive Weighting (SAW) method because it can complete multi-criteria decision-making. There are five criteria used in the selection of shopping tourism in this research, namely transportation (C1), atmosphere (C2), security (C3), product variation (C4), and facilities (C5). Based on calculations using the Simple Additive Weighting (SAW) method obtained shopping tourism attractions A4 (Alternative 4), namely Nagoya
Hill, holds the highest rank value with a value of 1.00000 and makes it the most recommended shopping tourism attraction.
Keywords— decision support system; DSS; shopping tour; simple additive weighting; SAW
I. PENDAHULUAN
Salah satu sektor unggulan di Indonesia yang turut membantu dalam pengembangan baik itu dari segi ekonomi berupa pajak dan retribusi, kultur budaya, serta sosial berupa tersedianya lapangan pekerjaan adalah sektor pariwisata [1]. Salah satu daerah yang sangat terdampak dari sektor pariwisata ini adalah Kota Batam. Kota Batam sendiri menjadi satu dari tiga pintu gerbang wisatawan mancanegara terbanyak di Indonesia setelah Bali dan Jakarta berdasarkan dari jumlah kunjungannya menurut Badan Pusat Statistik (BPS) [2].
Berbelanja merupakan salah satu aktivitas yang mejadi minat wisatawan ketika melakukan perjalanan wisata [3].
Untuk Kota Batam sendiri, wisata belanja berkembang sangat pesat dan menjadi salah satu sektor yang diunggulkan. Wisata belanja merupakan kegiatan rekreasi tetapi hanya berupa kegiatan perjalanan sekunder atau tambahan di mana wisatawan mencari, memilih, dan membeli barang selama mereka tinggal di tempat tujuan [4].
Tempat atau objek untuk wisata belanja di Indonesia terbagi atas dua jenis, antara lain pusat perbelanjaan modern dan pusat perbelanjaan tradisional [5].
Untuk membantu wisatawan dalam memilih tempat wisata belanja maka diperlukannya suatu sistem pendukung keputusan (SPK) di mana sistem ini merupakan penerapan ilmu komputer untuk membuat keputusan semi- terstruktur atau tidak terstruktur dengan memanfaatkan data, model, dan pengetahuan [6]. Dibutuhkan sebuah metode dalam proses pengambilan keputusan tersebut, dalam hal ini metode Simple Additive Weighting (SAW) dipilih peneliti sebagai metode yang digunakan demi penyelesaian masalah ini. Metode Simple Additive Wighting (SAW) memudahkan dalam memvisualisasikan hasil pembobotan dan menghitung dilandaskan pada kriteria. Di samping itu, juga sederhana untuk dihitung,
10 DOI http://dx.doi.org/10.37438/jimp.v6i1.330 sehingga sangat cepat dan mudah dalam pengujian
berbagai kasus [7].
Kota Batam banyak tersebar tempat-tempat tujuan wisata belanja. Akan tetapi, informasi terkait tempat wisata belanja tersebut masih sangat minim. Di sisi lain, wisatawan kerap kebingungan dalam memilih tempat wisata belanja karena banyaknya alternatif yang tersedia.
Menurut [8] teknologi informasi pariwisata memajukan arus informasi secara signifikan di antara berbagai pihak industri pariwisata dalam berbagai kondisi, hal ini dapat dilihat dari perkembangan terknologi internet dan seluler yang mengakibatkan perubahan pesat dalam teknologi informasi pariwisata dalam beberapa dekade terakhir, yang pada gilirannya merevolusi industri pariwisata. Sehingga peranan teknologi informasi mengenai destinasi wisata seperti website itu sangat penting dalam membantu wisatawan dalam memilih tempat wisata belanja disamping menyediakan informasi terkait. Oleh karena itu, terdapat beberapa permasalahan yang dapat ditarik dalam penelitian ini, antara lain:
1. Wisatawan hanya mengunjungi tempat wisata belanja yang terkenal dikarenakan informasi yang masih minim mengenai tempat wisata belanja.
2. Tidak adanya sistem yang membantu wisatawan dalam memilih tempat wisata belanja yang sebaiknya didatangi.
II. METODOLOGI PENELITIAN A. Alur Penelitian
Gambar. 1 Langkah-langkah Penelitian Keterangan:
1) Masalah: Tahap paling awal dalam penelitian ini yaitu menentukan masalah penelitian terlebih dahulu.
Masalah ini kemudian dikembangkan menjadi latar belakang penelitian.
2) Studi Literatur: Metode studi literatur adalah pencarian pendukung penelitian yang dilakukan oleh peneliti melalui jurnal penelitian terdahulu.
3) Pengumpulan Data: Data penelitian yang dipakai terbagi atas data primer berupa penyebaran kuisioner dan observasi, lalu untuk data sekunder berupa studi literatur.
4) Analisis Data Menggunakan Metode SAW: Dalam melakukan proses analisis data pemilihan wisata belanja, peneliti menerapkan metode Simple Additive Weighting (SAW) yang disipsipkan dalam perhitungannya.
Sedangkan untuk pembobotan yang dipakai dalam perhitungan metode ini didapatkan dari kuisisoner yang telah diisi oleh partisipan. Dari kuisioner tersebut diketahui bahwa kriteria transportasi dipilih sangat penting menurut partisipan sebanyak 45, kriteria suasana dipilih sangat penting menurut partisipan sebanyak 68, kriteria keamanan dipilih sangat penting menurut partisipan sebanyak 92, kriteria variasi produk dipilih sangat penting menurut partisipan sebanyak 42, dan kriteria fasilitas dipilih sangat penting menurut partisipan sebanyak 64. Lalu hasil di atas dikonversikan dalam bentuk desimal yang jika ditotalkan akan berjumlah 1 sehingga didapatkanlah bobot transportasi yaitu 0.144, suasana yaitu 0.219, keamanan yaitu 0.296, variasi produk yaitu 0.135, dan fasilitas yaitu 0.206.
5) Hasil Analisis Data Menggunakan Metode SAW:
Hasil dari penelitian ini didapatkan berdasarkan pada hasil analisis dengan pemanfaatan metode Simple Additive Weighting (SAW).
6) Kesimpulan: Tahap ini adalah tahapan yang terakhir dalam alur penelitian dimana peneliti memberikan kesimpulan atas permasalahan yang telah dianalisis.
B. Metode Pengumpulan Data
Dalam penyelesaian masalah dalam penelitian ini, terdapat tiga teknik pengumpulan data yang diterapkan penulis demi tercapainya tujuan penelitian ini. Teknik tersebut yaitu:
1) Studi Literatur: Pencarian bahan bacaan lain melalui buku, jurnal penelitian terdahulu, artikel atau website yang ada di internet merupakan bentuk tindakan yang dilakukan peneliti untuk membantu tercapainya tujuan penelitian.
2) Kuisioner: Peneliti menggunakan kuisioner online berupa Google Form yang disebarkan kepada masyarakat luas dan diisi oleh 100 orang partisipan dimana terdiri atas 72 orang wanita dan 28 orang laki-laki dengan rentang umur 16-30 tahun. Tiap kuisioner terdiri atas 10 pertanyaan tertutup dimana terdiri atas 5 pertanyaan skala likert dengan rentang 1–4 dan 5 pertanyaan pilihan ganda.
3) Observasi: Pada tahap ini peneliti mengunjungi langsung tempat wisata belanja untuk mengumpulkan data alternatif. Selain itu, peneliti juga mengunjungi Dinas Perindustrian dan Perdagangan Kota Batam untuk
11 DOI http://dx.doi.org/10.37438/jimp.v6i1.330 mendapatkan informasi mengenai tempat-tempat pusat
perbelanjaan.
C. Metode Analisis Data
Peneliti memanfaatkan metode Simple Additive Weighting (SAW) demi penyelesaian masalah dalam proses analisis data. Metode ini sering dipakai untuk pemecahan kasus pengambilan keputusan multi kriteria.
Pada dasarnya, jumlah bobot penilaian kinerja pada setiap alternatif untuk semua atribut dicari pada metode Simple Additive Weighting (SAW) ini [9]. Dari proses perhitungan nanti akan didapatkan ranking untuk setiap alternatif yang ada untuk memilih tempat wisata belanja.
III. HASIL DAN PEMBAHASAN A. Tahap Pendefinisian Kriteria Beserta Bobot
Kriteria yang digunakan dalam pemilihan tempat wisata belanja didapatkan melalui studi literatur melalui jurnal- jurnal yang telah ada. Berdasarkan studi literatur tersebut telah didapatkan lima kriteria antara lain transportasi [10][11][12][13][14], suasana [15][16][17], keamanan [18][19][17], variasi produk [18][17][12], dan fasilitas [12].
Berikut kode beserta nama kriteria pemilihan tempat wisata belanja:
TABELI
KODE DAN NAMA KRITERIA
Kode Kriteria Nama Kriteria
C1 Transportasi
C2 Suasana
C3 Keamanan
C4 Variasi Produk
C5 Fasilitas
Nilai bobot preferensi yang digunakan oleh peneliti sebagai tingkatan kepentingan menggunakan skala likert dengan rentang nilai 1–4 yaitu 1 = Sangat Tidak Penting, 2
= Tidak Penting, 3 = Penting, dan 4 = Sangat Penting.
B. Tahap Penyusunan Data dan Proses Perhitungan dengan Metode Simple Additive Weighthing (SAW) Dalam proses penelitian ini, peneliti memanfaatkan 20 tempat wisata belanja sebagai data alternatif di mana data tersebut didapatkan dengan mengunjungi Dinas Perindustrian dan Perdagangan Kota Batam.
TABELII
DATA ALTERNATIF TEMPAT WISATA BELANJA
Kode Alternatif Tempat Wisata Belanja
A1 DC Mall
A2 Avava
A3 BCS
A4 Nagoya Hill
A5 Lucky Plaza
A6 STC
A7 Top 100 Nagoya
A8 Robinson
A9 Grand Batam Mall (Top 100 Penuin)
A10 Aviari
…. ….
A20 Kepri Mall
Untuk sub kriteria yang digunakan pada tiap kriteria pemilihan tempat wisata belanja, nilai bobot sub kriteria tersebut didapatkan melalui penyebaran kuisioner online yang diisi oleh 100 orang partisipan. Untuk lebih jelasnya, sub kriteria untuk tiap kriteria diuraikan pada tabel berikut ini:
TABELIII
SUB KRITERIA TRANSPORTASI (C1)
Keterangan Nilai Bobot
Motor, Mobil & Angkutan Umum 4
Motor & Mobil 3
Motor 2
Tidak dapat dilalui kendaraan sama
sekali 1
TABELIV SUB KRITERIA SUASANA (C2)
Keterangan Nilai Bobot
Arsitektur Menarik, Interior Menarik, Dekorasi Menarik
4 Bersih, Kelapangan Baik, Memiliki Musik Latar
3 Kebisingan Rendah, Suhu Baik,
Pencahayaan Terang
2
Jalan Masuk Banyak 1
TABELV
SUB KRITERIA KEAMANAN (C3)
Keterangan Nilai Bobot
CCTV 4
Satpam, Hydrant 3
Papan Tanda Keselamatan, Petugas Parkir
2
Metal Detector 1
TABELVI
SUB KRITERIA VARIASI PRODUK (C4)
Keterangan Nilai Bobot
Aksesoris, Makanan & Minuman 4 Fashion, Mainan & Hobi 3 Kecantikan, Kebutuhan Rumah Tangga 2 Kesehatan, Gadget, Elektronik 1
TABELVII SUB KRITERIA FASILITAS (C5)
Keterangan Nilai Bobot
ATM Center, Escalator, Mushola 4 Lift, Kursi Duduk, Toiletries 3 Playground Gratis, Ruang Laktasi 2 Toilet, Tidak ada fasilitas 1
Selanjutnya masuk ke tahap perhitungan di mana peneliti memanfaatkan metode Simple Additive Weighting (SAW) dalam proses perhitungan tempat wisata belanja.
Terdapat empat tahap yang harus dilaksanakan untuk penyelesaian metode ini [20], tahapan tersebut dapat diuraikan seperti berikut ini:
1) Penetapan kriteria referensi dalam pengambilan keputusan : Dalam pemilihan tempat wisata belanja di Kota Batam, penulis menggunakan lima kriteria yaitu transportasi (C1), suasana (C2), keamanan (C3), variasi produk (C4), dan fasilitas (C5).
12 DOI http://dx.doi.org/10.37438/jimp.v6i1.330 2) Penetapan rating kecocokan tiap alternatif untuk
semua kriteria:Untuk rating kecocokan tiap alternatif pada semua kriteria pada pemilihan tempat wisata belanja ini yaitu 1 = Sangat Tidak Penting, 2 = Tidak Penting, 3 = Penting, dan 4 = Sangat Penting. Sedangkan nilai bobot untuk tiap kriteria adalah sebagai berikut.
TABEL VIII
NILAI BOBOT KRITERIA
Nama Kriteria Kode Kriteria Bobot Atribut
Transportasi C1 0.144 Benefit
Suasana C2 0.219 Benefit
Keamanan C3 0.296 Cost
Variasi Produk C4 0.135 Cost
Fasilitas C5 0.206 Benefit
3) Pembuatan matriks keputusan untuk kemudian dilakukan normalisasi matriks keputusan: Normalisasi mengacu pada formula dengan menyesuaikan jenis atribut (cost dan benefit) sehingga matriks ternormalisasi didapatkan.
TABEL IX
NILAI ALTERNATIF SETELAH DIKONVERSI
Alternatif Kriteria
C1 C2 C3 C4 C5
A1 3 3 2 1 4
A1 3 1 2 2 4
A3 4 3 2 2 4
A4 4 4 1 1 4
A5 3 1 4 1 1
A6 3 2 3 1 4
A7 3 3 2 2 1
A8 3 3 2 3 4
A9 3 4 1 1 4
A10 3 2 2 2 4
... … … … … …
A20 4 4 2 1 4
Tabel kecocokkan di atas lalu dibuat ke dalam matriks keputusan seperti di bawah ini:
X=
{
3 3 2 1 4
3 1 2 2 4
4 3 2 2 4
4 4 1 1 4
3 1 4 1 1
3 2 3 1 4
3 3 2 2 1
3 3 2 3 4
3 4 1 1 4
3 2 2 2 4
… … … … …
4 4 2 1 4}
Untuk atribut benefit menggunakan formula:
𝑟𝑖𝑗 = 𝑋𝑖𝑗
𝑀𝐴𝑋𝑖𝑗 𝑋𝑖𝑗 (1) Untuk atribut cost menggunakan formula:
𝑟𝑖𝑗 = 𝑀𝐼𝑁𝑖𝑗 𝑋𝑖𝑗
𝑋𝑖𝑗 (2) Keterangan:
rij = peringkat kinerja ternormalisasi
MAXij = Nilai max setiap baris ke-i dan kolom ke-j MINij = Nilai min setiap baris ke-i dan kolom ke-j Xij = Baris matriks ke-i dan kolom ke-j
Benefit (manfaat) = Nilai terbesar merupakan nilai terbaik Cost (biaya)= Nilai terkecil merupakan nilai terbaik
Untuk Kriteria Transportasi (Benefit) 𝑟11 =3
4= 0.750 𝑟21 =3
4= 0.750 𝑟31 =4
4= 1.000 𝑟41 =4
4= 1.000 𝑟51 =3
4= 0.750 𝑟61 =3
4= 0.750 𝑟71 =3
4= 0.750 𝑟81 =3
4= 0.750 𝑟91 =3
4= 0.750 𝑟101 =3
4= 0.750
… 𝑟201 =4
4= 1.000
Untuk Kriteria Suasana (Benefit) 𝑟12 =3
4= 0.750 𝑟22 =1
4= 0.250 𝑟32 =3
4= 0.750 𝑟42 =4
4= 1.000 𝑟52 =1
4= 0.250 𝑟62 =2
4= 0.500 𝑟72 =3
4= 0.750 𝑟82 =3
4= 0.750 𝑟92 =4
4= 1.000 𝑟102 =2
4= 0.500
… 𝑟202 =4
4= 1.000
Untuk Kriteria Keamanan (Cost) 𝑟13 =1
2= 0.500 𝑟23 =1
2= 0.500 𝑟33 =1
2= 0.500 𝑟43 =1
1= 1.000 𝑟53 =1
4= 0.250 𝑟63 =1
3= 0.333 𝑟73 =1
2= 0.500 𝑟83 =1
2= 0.500 𝑟93 =1
1= 1.000 𝑟103 =1
2= 0.500
… 𝑟203 =1
2= 0.500
Untuk Kriteria Variasi Produk (Cost) 𝑟14 =1
1= 1.000 𝑟24 =1
2= 0.500
13 DOI http://dx.doi.org/10.37438/jimp.v6i1.330 𝑟34 =1
2= 0.500 𝑟44 =1
1= 1.000 𝑟54 =1
1= 1.000 𝑟64 =1
1= 1.000 𝑟74 =1
2= 0.500 𝑟84 =1
3= 0.333 𝑟94 =1
1= 1.000 𝑟104 =1
2= 0.500
… 𝑟204 =1
1= 1.000
Untuk Kriteria Fasilitas (Benefit) 𝑟15 =4
4= 1.000 𝑟25 =4
4= 1.000 𝑟35 =4
4= 1.000 𝑟45 =4
4= 1.000 𝑟55 =1
4= 0.250 𝑟65 =4
4= 1.000 𝑟75 =1
4= 0.250 𝑟85 =4
4= 1.000 𝑟95 =4
4= 1.000 𝑟105 =4
4= 1.000
… 𝑟205 =4
4= 1.000
TABEL X
NILAI NORMALISASI TEMPAT WISATA BELANJA
C1 C2 C3 C4 C5
A1 0.750 0.750 0.500 1.000 1.000 A2 0.750 0.250 0.500 0.500 1.000 A3 1.000 0.750 0.500 0.500 1.000 A4 1.000 1.000 1.000 1.000 1.000 A5 0.750 0.250 0.250 1.000 0.250 A6 0.750 0.500 0.333 1.000 1.000 A7 0.750 0.750 0.500 0.500 0.250 A8 0.750 0.750 0.500 0.333 1.000 A9 0.750 1.000 1.000 1.000 1.000 A10 0.750 0.500 0.500 0.500 1.000
… … … … …. …
A20 1.000 1.000 0.500 1.000 1.000
4) Proses pemeringkatan tiap alternatif: Dengan menjumlahkan matriks ternormalisasi yang telah dikalikan dengan bobot vektor hingga terpilih nilai terbesar menjadi alternatif terbaik bagi pemilihan tempat wisata belanja:
𝑉𝑖 = ∑ 𝑊𝑗 𝑟𝑖𝑗
𝑛
𝑖𝑗
(3) Keterangan:
Vi = Nilai final/akhir alternatif Wj = Bobot penentuan rij = Hasil normalisasi matriks
𝑉1 = (0.750 ∗ 0.144) + (0.750 ∗ 0.219) + (0.500 ∗ 0.296) + (1.000 ∗ 0.135) + (1.000 ∗ 0.206) = 0.76125
𝑉2 = (0.750 ∗ 0.144) + (0.250 ∗ 0.219) + (0.500 ∗ 0.296) + (0.500 ∗ 0.135) +
(1.000 ∗ 0.206) = 0.58425
𝑉3 = (1.000 ∗ 0.144) + (0.750 ∗ 0.219) + (0.500 ∗ 0.296) + (0.500 ∗ 0.135) + (1.000 ∗ 0.206) = 0.72975
𝑉4 = (1.000 ∗ 0.144) + (1.000 ∗ 0.219) + (1.000 ∗ 0.296) + (1.000 ∗ 0.135) + (1.000 ∗ 0.206) = 1.00000
𝑉5 = (0.750 ∗ 0.144) + (0.250 ∗ 0.219) + (0.250 ∗ 0.296) + (1.000 ∗ 0.135) + (0.250 ∗ 0.206) = 0.42325
𝑉6 = (0.750 ∗ 0.144) + (0.500 ∗ 0.219) + (0.333 ∗ 0.296) + (1.000 ∗ 0.135) + (1.000 ∗ 0.206) = 0.65717
𝑉7 = (0.750 ∗ 0.144) + (0.750 ∗ 0.219) + (0.500 ∗ 0.296) + (0.500 ∗ 0.135) + (0.250 ∗ 0.206) = 0.53925
𝑉8 = (0.750 ∗ 0.144) + (0.750 ∗ 0.219) + (0.500 ∗ 0.296) + (0.333 ∗ 0.135) + (1.000 ∗ 0.206) = 0.67125
𝑉9 = (0.750 ∗ 0.144) + (1.000 ∗ 0.219) + (1.000 ∗ 0.296) + (1.000 ∗ 0.135) + (1.000 ∗ 0.206) = 0.96400
𝑉10 = (0.750 ∗ 0.144) + (0.500 ∗ 0.219) + (0.500 0.296) + (0.500 ∗ 0.135) + (1.000 ∗ 0.206) = 0.63900
……….
𝑉20 = (1.000 ∗ 0.144) + (1.000 ∗ 0.219) + (0.500 ∗ 0.296) + (1.000 ∗ 0.135) + (1.000 ∗ 0.206) = 0.85200
TABEL XI
HASIL SKOR RANGKING
Alternatif Nilai Peringkat
A1 0.76125 7
A2 0.58425 17
A3 0.72975 8
A4 1.00000 1
A5 0.42325 20
A6 0.65717 14
A7 0.53925 19
A8 0.67125 13
A9 0.96400 2
A10 0.63900 15
… … …
A20 0.85200 3
Berdasarkan perhitungan skor rangking yang telah dilakukan untuk tiap alternatifnya dengan memanfaatkan metode Simple Additive Weighting (SAW) dalam proses perhitungannya, maka didapatkan bahwa tempat wisata belanja Nagoya Hill merupakan alternatif yang memiliki nilai tertinggi diantara tempat wisata belanja lainnya dengan nilai 1.00000.
C. Implementasi Metode Simple Additive Weighting (SAW) pada Sistem Pendukung Keputusan
Sistem pendukung keputusan pemilihan tempat wisata belanja ini yang dalam proses perhitungannya menggunakan metode Simple Additive Weighting (SAW) diimplementasikan menggunakan bahasa pemrograman PHP (Personal HyperText Preprocessor) serta
14 DOI http://dx.doi.org/10.37438/jimp.v6i1.330 menggunakan DBMS MySQL sebagai basis datanya.
Berikut ini merupakan hasil perhitungan metode Simple Additive Weighting (SAW) yang diterapkan dalam sistem:
Gambar. 2 Hasil Perhitungan Sistem
Setelah dilakukan perhitungan metode Simple Additive Weighting (SAW) untuk pemilihan tempat wisata belanja di Kota Batam maka didapatkan perbandingan perhitungan manual dan sistem sebagai berikut:
TABEL XII
PERBANDINGAN HASIL PERHITUNGAN MANUAL DAN SISTEM
Alternatif Manual Sistem Nilai Rank Nilai Rank
A4 1.00000 1 1.00000 1
A9 0.96400 2 0.96400 2
A20 0.85200 3 0.85200 3
A15 0.81600 4 0.81600 4
A13 0.80050 5 0.80050 5
A17 0.79725 6 0.79725 6
A1 0.76125 7 0.76125 7
A3 0.72975 8 0.72975 8
A19 0.72600 9 0.72600 9
A12 0.70975 10 0.70975 10
… … … … …
A5 0.42325 20 0.42325 20
IV. KESIMPULAN
Melalui penelitian yang telah terlaksana, peneliti dapat menarik beberapa kesimpulan mengenai pemilihan tempat wisata belanja. Kesimpulannya sebagai berikut:
1. Metode Simple Additive Weighting (SAW) dapat digunakan dalam menentukan rekomendasi tempat wisata belanja.
2. Proses perhitungan dilakukan dengan tiga tahap, yaitu normalisasi matriks keputusan X, menentukan bobot vektor w untuk setiap kriteria, dan terakhir menghitung skor rangking tiap alternatif.
3. Alternatif dengan nilai rangking tertinggi dipegang oleh alternatif A4 yaitu Nagoya Hill dengan nilai 1.00000.
4. Wisatawan terbantu untuk menentukan tempat wisata belanja melalui sistem pendukung keputusan pemilihan tempat wisata ini.
REFERENSI
[1] L. Fadliyanti, H. Sutanto, and B. S. Wijimulawiani, “Analisis Peran Sektor Pariwisata dalam Pembangunan Daerah di Kabupaten Lombok Barat (Pendekatan Location Quotient dan Klassen Typology Analysis),” Elastisitas - J. Ekon. Pembang., vol. 1, no. 2, pp. 106–114, 2019.
[2] A. S. Chan, “Prediksi Kedatangan Wisatawan Pada Pariwisata Kota Batam Dengan Menggunakan Teknik Knowledge Data Discovery,”
J. Ilm. Inform., vol. 6, no. 01, p. 11, 2018.
[3] C. P. Wibowo and R. Roostika, “Building Positive Word-of-Mouth in the Shopping Tourism,” Rev. Integr. Bus. Econ. Res., vol. 8, no.
4, pp. 372–386, 2019.
[4] A. García-Milon, J. Pelegrín-Borondo, E. Juaneda-Ayensa, and C.
Olarte-Pascual, “The smartphone: The tourist’s on-site shopping friend. An extended cognitive, affective, normative model,”
Telemat. Informatics, vol. 61, no. November 2020, p. 101618, 2021.
[5] Erika Revida et al., Pengantar Pariwisata. Medan: Yayasan Kita Menulis, 2020.
[6] Y. Yun, D. Ma, and M. Yang, “Human–computer interaction-based Decision Support System with Applications in Data Mining,” Futur.
Gener. Comput. Syst., vol. 114, pp. 285–289, 2020.
[7] N. Nurmalini and R. Rahim, “Study Approach of Simple Additive Weighting For Decision Support System,” Int. J. Sci. Res. Sci.
Technol., vol. 3, no. 3, pp. 541–544, 2017.
[8] Y. Yuan, Y. H. Tseng, and C. I. Ho, “Tourism information technology research trends: 1990-2016,” Tour. Rev., vol. 74, no. 1, pp. 5–19, 2019.
[9] S. H. Sahir, R. Rosmawati, and K. Minan, “Simple Additive Weighting Method to Determining Employee Salary Increase Rate,”
Ijsrst, vol. 3, no. 8, pp. 42–48, 2017.
[10] S. Nie, H. Liao, X. Wu, M. Tang, and A. Al-Barakati, “Hesitant fuzzy linguistic dnma method with cardinal consensus reaching process for shopping mall location selection,” Int. J. Strateg. Prop.
Manag., vol. 23, no. 6, pp. 420–434, 2019.
[11] D. Hall, W. Astuti, and E. F. Rini, “Faktor-Faktor Pemilihan Lokasi Shopping Mall Di Kota Surakarta,” Desa-Kota, vol. 1, no. 2, p. 121, 2019.
[12] S. Mansori and J. H. Chin, “Shopping Mall Attributes: Tourist Satisfaction and Loyalty,” Manag. Dyn. Knowl. Econ., vol. 7, no.
4, pp. 571–590, 2019.
[13] A. Azmi, M. A. Ahmad, A. Abdullah, and G. Shaw, “Shopping in Malaysia : A Study of International Tourists ’ Experience and Expectation,” vol. 8, pp. 199–212, 2019.
[14] N. Ghorui, A. Ghosh, E. A. Algehyne, S. P. Mondal, and A. K.
Saha, “Ahp-topsis inspired shopping mall site selection problem with fuzzy data,” Mathematics, vol. 8, no. 8, pp. 1–21, 2020.
[15] A. Azila, N. A. H. Zolkopli, S. B. M. Kamal, and D. Abdullah, “Aa Exploration of Tourist Out-Shopping Experience in Johor Bahru, Malaysia,” Malaysian J. Consum. Fam. Econ., pp. 34–44, 2018.
[16] N. Wongkerd, “A Determinant of Community Shopping Malls as Tourists’ Attractiveness,” J. Adv. Manag. Sci., vol. 5, no. 5, pp.
355–362, 2017.
[17] J. S. Lee and M. Choi, “Examining the Asymmetric Effect of Multi- Shopping Tourism Attributes on Overall Shopping Destination Satisfaction,” J. Travel Res., vol. 59, no. 2, pp. 295–314, 2020.
[18] K. Kayat, A. Azmi, and A. L. Buliah, “Tourist Expectations of Malaysian Shopping Mall Experiences Kalsom,” J. Soc. Sci. Res., no. 6, pp. 244–250, 2018.
[19] T. Kushwaha, S. Ubeja, and A. S. Chatterjee, “Factors Influencing Selection of Shopping Malls: An Exploratory Study of Consumer Perception,” Vision, vol. 21, no. 3, pp. 274–283, 2017.
[20] A. D. Indriyanti, D. R. Prehanto, I. G. L. E. P. Prismana, Soeryanto, B. Sujatmiko, and J. Fikandda, “Simple Additive Weighting algorithm to aid administrator decision making of the underprivileged scholarship,” J. Phys. Conf. Ser., vol. 1402, no. 6, pp. 1–8, 2019.
This is an open access article under the CC–BY-SA license.
