IMPLEMENTASI METODE FUZZY ANALYTICHAL
HIERARCHY PROCESS DAN SIMPLE ADDITIVE WEIGHTING PADA PENERIMAAN BANTUAN PANGAN NON TUNAI
TUGAS AKHIR
Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Teknik Pada Jurusan
Teknik Informatika
Oleh
MADU MUTIARA ALIKA 11750124996
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU PEKANBARU
2022
v
LEMBAR HAK ATAS KEKAYAAN INTELEKTUAL
Tugas Akhir yang tidak diterbitkan ini terdaftar dan tersedia di Perpustakaan Universitas Islam Negeri Sultan Syarif Kasim Riau adalah terbuka untuk umum dengan ketentuan bahwa hak cipta pada penulis. Referensi kepustakaan diperkenankan dicatat, tetapi pengutipan atau ringkasan hanya dapat dilakukan seizin penulis dan harus disertai dengan kebiasaan ilmiah untuk menyebutkan sumbernya.
Penggandaan atau penerbitan sebagian atau seluruh Tugas Akhir ini harus memperoleh izin dari Dekan Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau. Perpustakaan yang meminjamkan Tugas Akhir ini untuk anggotanya diharapkan untuk mengisi nama, tanda peminjaman dan tanggal pinjam.
vi
ABSTRAK
Kemiskinan merupakan individu yang sedang hidup di ujung garis kemiskinan sehingga diperlukan bantuan yang kuat untuk mengeluarkan individu tersebut dari garis kemiskinan. Sejak pandemi Covid-19 banyak individu yang mengalami PHK dan usaha-usaha yang gulung tikar sehingga semakin menambah jumlah kemiskinan di Indonesia. Untuk mengatasi hal tersebut pemerintah mengadakan program BPNT (Bantuan Pangan Non Tunai) yang kemudian disalurkan oleh dinas sosial ke daerah-daerah yang berada di bawahnya. Akan tetapi karena banyaknya data kriteria dan data calon penerima bantuan menyebabkan pengolahan data tersebut memakan waktu yang lama dan kesalahan dalam perhitungan cukup tinggi.
Oleh karena itu untuk mengatasi masalah tersebut, penulis melakukan pengimplementasian metode Fuzzy AHP dan SAW dalam memecahkan masalah tersebut agar dapat membantu penilaian secara lebih cepat, benar dan tepat sasaran.
Implementasi metode F-AHP dan SAW diterapkan dalam bentuk sistem pengambilan keputusan berbasis web. Di mana metode F-AHP (Fuzzy Analytical Hierarchy Process) digunakan untuk menentukan bobot kriteria dan subkriteria, sedangkan metode SAW (Simple Additive Weighting) digunakan dalam perangkingan alternatifnya. Selanjutnya setelah sistem selesai dibangun dilakukan pengujian UAT dan didapat hasilnya dengan skor 86,4% yang berarti pengguna telah sangat setuju.
KATA KUNCI: F-AHP, SAW, Kemiskinan, BPNT
vii
ABSTRACT
Poverty is a living individuals at the end of poverty line, otherwise needs a strong help to pull out the subject form the circle. Since the pandemic there are many people got fired, bankrupt business and this increase the amount of poverty in indonesia. To solve this situation, the goverment has BNPT program (Bantuan Pangan Non Tunai) distributed by social service to the region below. On the other hand a lot of data criteria and data of prospective beneficiaries causing data processing takes a long time and high error in calculation. Therefore to solve this problem, the writer implement Fuzzy Analytical Hierarchy SAW method to help with quick, accurate, definitive assessment. This strategy is implemented in the form of web based decision making. Where F-AHP used to determine teh weight of criteria and subcryteria, while SAW (Simple Additive weighting) used to alternative warfare, furthermore after the system was completed, UAT system was carried out and obtained results with a score of 86,4% which means the users has strongly agreed.
KATA KUNCI: F-AHP, SAW, Poverty, BPNT
viii
KATA PENGANTAR
Alhamdulillahi robbil’alamin. Puji syukur penulis ucapkan kepada Allah SWT yang telah memberikan berkah dan hidayah-Nya kepada penulis dan disertai dengan usaha yang maksimal serta motivasi yang diberikan oleh berbagai pihak, maka akhirnya kami dapat menyelesaikan Tugas Akhir ini. Tidak lupa pula shalawat serta salam kita hadiahkan kepada junjungan alam Nabi Besar Muhammad SAW yang telah membawa umatnya dari alam kebodohan menuju alam yang penuh ilmu pengetahuan seperti yang kita rasakan saat ini. Penulisan Laporan Studi Kasus Sistem Pendukung Keputusan ini berjudul “Implementasi Metode Fahp Dan Saw Pada Penerimaan Bantuan Pangan Non Tunai”, dimaksudkan untuk melengkapi salah satu syarat Kelulusan pada mata kuliah Tugas Akhir.
Dalam penulisan Laporan ini banyak sekali perhatian, bantuan, bimbingan, motivasi serta pikiran dari berbagai pihak yang penulis dapatkan. Maka pada kesempatan ini penulis ingin menyampaikan rasa terimakasih yang sebesar- besarnya kepada:
1. Bapak Prof. Dr. Khairunas, M. Ag selaku Rektor Universitas Islam Negeri Sultan Syarif Kasim Riau.
2. Bapak Dr. Hartono, M.Pd selaku Dekan Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau.
3. Bapak Iwan Iskandar, M.T. selaku Ketua Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau.
4. Bapak Reski Mai Candra, S.T., M.Sc selaku Sekretaris Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau dan sekaligus selaku Dosen Pembimbing Akademik penulis.
ix
5. Ibu Dr. Elin Haerani, S.T., M.Kom, selaku Pembimbing Tugas Akhir.
Terima kasih untuk waktu, motivasi, dan arahan yang telah diberikan sehingga Laporan ini dapat terselesaikan.
6. Ibu Fadhilah Syafria, ST, M.Kom, CIBIA selaku Koordinator Tugas Akhir Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Negeri Sultan Syarif Kasim Riau.
7. Bapak Jasril, S.Si, M.Sc selaku penguji I yang telah banyak memberikan masukan dan kritikan kepada penulis untuk laporan Tugas Akhir ini.
8. Ibu Fitra Kurnia, S.Kom, MT, selaku penguji I yang telah banyak memberikan masukan dan kritikan kepada penulis untuk laporan Tugas Akhir ini.
9. Ayahanda Alizar, S.Pd, Ibunda Kadariati, S.Pd, kakanda Wildan One Alika S.T, dan adinda Raissa Firjatullah Alika yang telah memberikan do’a, motivasi, saran, dan semangat sehingga laporan ini dapat diselesaikan.
10. Muhammad Rifki Syafna Amd. Log, yang telah memberikan do’a, bantuan dan semangat kepada penulis.
11. Keluarga besar TIF A’17 terutama saudara Afrian f dan Agusta serta saudari Ardona Diantari dan hefiza amani yang telah memberikan semangat, dan dukungan kepada penulis.
12. Semua pihak yang ikut memberikan bantuan, dukungan, dan do’a baik secara langsung ataupun tidak langsung.
Semoga laporan ini dapat bermanfaat khususnya bagi penulis dan pembaca umum.
Penulis menyadari banyak kekurangan dan oleh karena itu mengharapkan masukan dari pembaca atas isi laporan ini. Akhir kata penulis ucapkan terima kasih dan selamat membaca.
Pekanbaru, 08 Desember 2022
Penulis
x
DAFTAR ISI
LEMBAR PERSETUJUAN ... ii
LEMBAR PENGESAHAN ... iii
LEMBAR PERNYATAAN ... iv
LEMBAR HAK ATAS KEKAYAAN INTELEKTUAL... v
ABSTRAK ... vi
ABSTRACT ... vii
KATA PENGANTAR ... viii
DAFTAR ISI ... x
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ... xv
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah... 4
1.3 Batasan Masalah ... 5
1.4 Tujuan Penelitian ... 5
1.5 Manfaat Penelitian ... 6
BAB II KAJIAN PUSTAKA ... 7
2.1 Sistem Pengambilan Keputusan ... 7
2.2 Logika Fuzzy ... 7
2.2.1 Triangular Fuzzy Number (TFN) ... 8
2.3 Analytical Hierarchy Process (AHP) ... 12
2.3.1 Matriks Pairwise Comparison (Perbandingan Berpasangan) ... 12
2.3.2 Hirarki ... 13
2.3.3 Nilai Eigen danVektor Eigen ... 14
2.3.4 Konsistensi ... 15
xi
2.4 Fuzzy Analytical Hierarchy Process (F-AHP) ... 15
2.5 Simple Additive Weighting (SAW) ... 17
2.6 Bantuan Pangan Non Tunai (BPNT) ... 18
2.7 Penelitian Terkait ... 19
BAB III METODOLOGI PENELITIAN ... 26
3.1 Identifikasi Masalah... 26
3.2 Pengumpulan Data ... 27
3.3 Analisis ... 27
3.3.1 Analisa Subsistem Data ... 28
3.3.2 Analisa Subsistem Model ... 30
3.3.3 Analisa Subsistem Dialog ... 31
3.4 Perancangan Sistem ... 31
3.5 Implementasi dan Pengujian ... 32
3.6 Kesimpulan dan Saran ... 32
BAB IV PEMBAHASAN ... 34
4.1 Analisa ... 34
4.1.1 Analisa SDM (Sumber Daya Manusia) ... 34
4.1.2 Analisa Subsistem Manajemen Data ... 34
4.1.3 Analisa Subsistem Manajemen Model ... 38
4.1.4 Subsistem Manajemen Dialog ... 75
4.2 Perancangan Sistem ... 104
4.2.1 Perancangan Tabel Database ... 104
4.2.2 Perancangan Antar Muka (Interface) ... 115
4.3 Implementasi ... 123
4.3.1 Lingkup Implementasi ... 123
xii
4.3.2 Batasan Implementasi ... 124
4.3.3 Hasil Implementasi ... 124
4.4 Pengujian ... 129
4.4.1 Pengujian Black Box ... 129
4.4.2 Pengujian User Acceptance Test (UAT) ... 133
BAB V PENUTUP ... 138
5.1 Kesimpulan ... 138
5.2 Saran ... 138
DAFTAR PUSTAKA ... 139
LAMPIRAN A ... 142
LANJUTAN PERHITUNGAN ... 142
LAMPIRAN B ... 181
HASIL WAWANCARA... 181
LAMPIRAN C ... 183
KRITERIA ... 183
LAMPIRAN D ... 184
KEPMENSOS NO. 146 TAHUN 2013 ... 184
LAMPIRAN E ... 193
KUISIONER ... 193
LAMPIRAN F ... 204
UAT ... 204
LAMPIRAN G ... 206
DOKUMENTASI ... 206
DAFTAR RIWAYAT HIDUP ... 207
xiii
DAFTAR GAMBAR
Gambar 1 Struktur Hierarki AHP ... 14
Gambar 2 Tahapan Penelitian ... 26
Gambar 3 Flowchart perhitungan metode hybrid F-AHP dan SAW ... 30
Gambar 4 Flowchart Merode F-AHP SAW ... 38
Gambar 5 Struktur Hierarki Sistem Rekomendasi Calon Penerima BPNT ... 39
Gambar 6 Flowchart Sistem yang Dibangun ... 75
Gambar 7 Usecase Diagram ... 76
Gambar 8 Sequence Diagram Login ... 90
Gambar 9 Sequence Diagram Kelola Data User ... 91
Gambar 10 Sequence Kelola Daya Master kriteria ... 92
Gambar 11 Sequence Diagram Kelola Data Master Subkriteria ... 93
Gambar 12 Sequence Diagram Kelola Alternatif ... 94
Gambar 13 Sequence Diagram Kelola Matriks Berpasangan ... 95
Gambar 14 Sequence Diagram Perangkingan ... 95
Gambar 15 Sequence Diagram Cetak Laporan ... 96
Gambar 16 Activity Diagram Login ... 97
Gambar 17 Activity Diagram Kelola Data Master Kriteria/Subkriteria ... 98
Gambar 18 Activity Diagram Mengelola Alternatif ... 99
Gambar 19 Activity Diagram Mengelola Data User ... 100
Gambar 20 Activity Diagram Mengelola Matriks Perbandingan ... 101
Gambar 21 Activity Diagram Melihat Perangkingan ... 102
Gambar 22 Class Diagram... 103
Gambar 23 Tampilan Login ... 115
Gambar 24 Tampilan Beranda ... 116
Gambar 25 Tampilan Data Kriteria ... 116
Gambar 26 Tampilan Create Kriteria ... 117
Gambar 27 Tampilan Subkriteria ... 117
Gambar 28 Tampilan Create Subkriteria ... 118
Gambar 29 Tampilan Matriks Perbandingan ... 118
Gambar 30 Tampilan Alternatif ... 119
xiv
Gambar 31 Tampilan Perangkingan dan Perhitungan AHP SAW ... 120
Gambar 32 Tampilan Perangkingan dan Perhitungan F-AHP dan SAW ... 121
Gambar 33 Tampilan Report ... 122
Gambar 34 Tampilan User ... 122
Gambar 35 Tampilan Create User ... 123
Gambar 36 Tampilan Login ... 124
Gambar 37 Tampilan Beranda ... 125
Gambar 38 Tampilan Data Kriteria ... 125
Gambar 39 Tampilan Perhitungan ... 128
Gambar 40 Tampilan Report ... 128
xv
DAFTAR TABEL
Tabel 1 Data Jumlah Masyarakat Miskin 2016-2020 ... 1
Tabel 2 Skala Nilai Fuzzy Segitiga ... 8
Tabel 3 Matriks Perbandingan Fuzzy AHP ... 9
Tabel 4 Skala Perbandingan Tingkat Kepentingan ... 12
Tabel 5 Tabel Penelitian Terkait ... 19
Tabel 6 Data Kriteria dan Subkriteria ... 35
Tabel 7 Menghitung Elemen Prioritas ... 40
Tabel 8 Normalisasi Matriks ... 41
Tabel 9 Pembobotan Eigen Vektor ... 42
Tabel 10 Konversi Matriks Berpasangan ... 45
Tabel 11 Lanjutan 1 Konversi Matriks Berpasangan ... 46
Tabel 12 Lanjutan 2 Konversi Matriks Berpasangan ... 47
Tabel 13 Menjumlahkan Nilai l,m,u ... 49
Tabel 14 Menentukan Nilai Sintesis Fuzzy ... 51
Tabel 15 Perhitungan Nilai vektor fuzzy yang sama ... 54
Tabel 16 Nilai Ordinat Defuzzifikasi (d’) ... 55
Tabel 17 Normalisasi Bobot Vektor Fuzzy (W) ... 55
Tabel 18 Matriks Perbandingan Berpasangan Subkriteria Penghasilan ... 56
Tabel 19 Normalisasi Matriks Subkriteria Penghasilan dan Eigen Vektor ... 56
Tabel 20 Konversi Matriks Skala TFN Subkriteria Penghasilan ... 57
Tabel 21 Penjumlahan Nilai l,m,u ... 58
Tabel 22 Nilai Sintesis Fuzzy Subkriteria Penghasilan ... 59
Tabel 23 Nilai Vektor Subkriteria Penghasilan ... 60
Tabel 24 Nilai Ordinat Defuzzifikasi Subkriteria Penghasilan ... 60
Tabel 25 Nilai Bobot Vektor Fuzzy Subkriteria Penghasilan ... 60
Tabel 26 Matriks Perbandingan Berpasangan Subkriteria Jumlah Tanggungan Keluarga ... 61
Tabel 27 Normalisasi Matriks Subkriteria Jumlah Tanggungan Keluarga dan Eigen Vektor ... 61
xvi
Tabel 28 Konversi Matriks Skala TFN Subkriteria Jumlah Tanggungan Keluarga
... 62
Tabel 29 Penjumlahan Nilai l,m,u Subkriteria Jumlah Tanggungan Keluarga ... 63
Tabel 30 Nilai Sintesis Fuzzy Subkriteria Jumlah Tanggungan Keluarga ... 64
Tabel 31 Nilai Vektor Subkriteria Jumlah Tanggungan Keluarga ... 65
Tabel 32 Nilai Ordinat Defuzzifikasi Subkriteria Jumlah Tanggungan Keluarga 65 Tabel 33 Nilai Bobot Vektor Fuzzy Subkriteria Penghasilan ... 65
Tabel 34 Data Penerimaan Bantuan Pangan Non Tunai ... 66
Tabel 35 Normalisasi Keputusan... 71
Tabel 36 Hasil Perangkingan ... 74
Tabel 37 Usecase Spesification Login ... 77
Tabel 38 Usecase Spesification Kelola Data User ... 78
Tabel 39 Usecase Spesification Kelola Data Master ... 80
Tabel 40 Usecase Spesification Kelola Matriks Perbandingan ... 84
Tabel 41 Usecase Spesifiaction Kelola Alternatif ... 86
Tabel 42 Usecase Spesification Perangkingan ... 88
Tabel 43 Usecase Spesification Cetak Laporan ... 89
Tabel 44 Tabel User ... 104
Tabel 45 Tabel Roles ... 105
Tabel 46 Tabel Roles Menus ... 105
Tabel 47 Tabel Permissions ... 106
Tabel 48 Tabel Permission Roles ... 106
Tabel 49 Tabel Permission... 107
Tabel 50 Tabel System User ... 107
Tabel 51 Tabel Menus ... 108
Tabel 52 Tabel App ... 108
Tabel 53 Tabel Kriteria ... 109
Tabel 54 Tabel Subkriteria ... 109
Tabel 55 Tabel Kriteria A ... 109
Tabel 56 Tabel Kriteria B ... 110
Tabel 57 Tabel Subkriteria A ... 110
xvii
Tabel 58 Tabel Subkriteria B ... 110
Tabel 59 Tabel Matriks Perbandingan ... 111
Tabel 60 Tabel Perbandingan Kriteria ... 111
Tabel 61 Tabel Perbandingan Subkriteria ... 112
Tabel 62 Tabel Perbandingan Kecamatan ... 112
Tabel 63 Tabel Perbandingan Kelurahan ... 112
Tabel 64 Tabel Perbandingan Observasi ... 113
Tabel 65 Tabel Perbandingan Alternatif ... 113
Tabel 66 Tabel Perbandingan Kriteria ... 114
Tabel 67 Tabel Rank Alternatif ... 114
Tabel 68 Pengujian Login ... 129
Tabel 69 Mengelola Data Kriteria ... 130
Tabel 70 Pengujian Mengelola Data Alternatif ... 130
Tabel 71 Pengujian Mengelola Perhitungan AHP SAW ... 131
Tabel 72 Pengujian Mengelola Data User ... 132
Tabel 73 Pengujian Mengelola Matriks Perbandingan ... 132
Tabel 74 Pengujian Melihat Perangkingan ... 133
Tabel 75 Skala Likert ... 134
Tabel 76 Pertanyaan UAT ... 134
Tabel 77 Hasil Rekap Data ... 135
Tabel 78 Tabel Kriteria Skor ... 137
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Kemiskinan adalah mereka yang hidup di ujung garis kemiskinan yang berarti diperlukan sokongan yang kuat untuk mengeluarkan mereka dari kemiskinan. Dalam Islam, kemiskinan juga dapat mengancam ketentraman hidup bermasyarakat. Selama dalam kehidupan masyarakat itu masih ada rumah papan/bambu dan rumah mewah, yang rugi dan yang beruntung, yang kaya dan yang miskin, maka kedengkian dan kebencian akan terus menyala bagaikan api menyantap kayu kering. Terlebih lagi pada masa pandemi Covid-19 saat sekarang ini, dimana banyak sekali karyawan-karyawan yang di PHK dan juga usaha-usaha yang tutup akibat dampak yang timpul ketika masa pandemi, sehingga mengakibatkan angka kemiskinan di Indonesia itu sendiri juga semakin meningkat dari sebelumnya.
Berikut adalah data tingkat kemiskinan yang terjadi di Indonesia pada periode 2016-2020 terakhir yang disurvei menurut Badan Pusat Statistik (BPS).
Tabel 1 Data Jumlah Masyarakat Miskin 2016-2020 Tahun Jumlah Penduduk (RIBU)
2016 32,49 ribu
2017 33,09 ribu
2018 31,62 ribu
2019 28,60 ribu
2020 34,00 ribu
Sumber : https://pekanbarukota.bps.go.id/indicator/23/123/1/jumlah-penduduk- miskin.html, diakses pada tanggal 06 Oktober pukul 19:51
Berdasarkan tabel 1 diketahui bahwa pada tahun 2020 terjadi kenaikan sebesar 5,4 ribu, setelah sempat terjadi penurunan pada tahun 2019. Menurut pengamat ekonomi dari Universitas Riau (Herman, 2021) menyebut melonjaknya angka kemiskinan di perkotaan, merupakan dampak langsung dari pandemi Covid- 19 karena sejumlah sektor usaha yang selama ini menjadi tumpuan usaha masyarakat perkotaan terdampak Covid-19. Ini pun menyebabkan banyak keluarga
2
ataupun penduduk yang mengalami kesulitan dalam perekonomiannya. Dalam hal tersebut pemerintah Indonesia telah mengembangkan beberapa program dan kegiatan yang dilakukan untuk pemberdayaan masyarakat dalam mengatasi kemiskinan yang terjadi. Salah satunya ialah program sembako Bantuan Pangan Non Tunai (BPNT).
Program BPNT adalah bantuan pangan yang disalurkan secara non tunai dari pemerintah kepada Keluarga Penerima Manfaat (KPM) setiap bulan. Dengan adanya bantuan tersebut, masyarakat yang membutuhkan akan terpenuhi pangannya sehingga mereka dapat lebih teringankan dengan bantuan yang diberikan untuk keberlangsungan hidup pada masa pandemi covid-19 saat ini.
Penyaluran Bantuan Pangan Non Tunai (BPNT) yang diberikan oleh Dinas Sosial kemudian disalurkan ke daerah-daerah yang membutuhkan dan tidak terkecuali desa-desa.
Berdasarkan wawancara Ibu Heryani S.ST selaku Kepala Seleksi Pemberdayaan Sosial Keluarga Miskin diketahui bahwa terdapat proses penyeleksian calon penerima bantuan. Penyeleksian ini dilakukan sebelum pihak dinas sosial melakukan penginputan data ke dalam sistem SIKS-NG (Sistem Informasi Kesejahteraan Sosial – Next Generation). Penyeleksian tersebut dilakukan dengan melakukan verifikasi dan validasi data. Jika lulus tahap tersebut, maka calon penerima tersebut akan terpilih untuk selanjutnya diinputkan datanya di sistem SIKS-NG. Setelah dilakukan penyeleksian, Dinas Sosial Kota Pekanbaru kemudian menyalurkan Bantuan Pangan Non Tunai (BPNT) ke daerah-daerah yang membutuhkan. Calon penerima bantuan ditentukan oleh pemerintah berdasarkan beberapa kriteria yang telah ditetapkan oleh Dinas Sosial Kota Pekanbaru. Data calon penerima selanjutnya dikirimkan ke Dinas Sosial Kota Pekanbaru untuk proses verifikasi. Selanjutnya dinas sosial memberikan kartu keluarga sejahtera (KKS) kepada penerima bantuan.
Dinas Sosial Kota Pekanbaru memiliki tugas yang cukup berat yaitu harus mendata warga untuk diajukan kepusat agar mendapatkan rekomendasi sebagai penerima bantuan BPNT. Namun tidak mudah untuk menentukan calon penerima Bantuan Pangan Non Tunai (BPNT), karena banyaknya data kriteria atau variabel
3
serta banyaknya alternatif (penerima bantuan) sehingga membutuhkan waktu yang cukup lama untuk melakukan pengolahan data dan cukup berisiko terjadinya kesalahan dalam perhitungan yang diakibatkan oleh human error. Oleh karena itu untuk mengatasi masalah tersebut maka dibutuhkan sebuah komputerisasi sistem yang tidak hanya mampu melakukan penyeleksian penilaian secara pasti sesuai dengan kriteria yang ditetapkan namun juga mempercepat proses tersebut, mengingat jumlah calon penerima bantuan sangatlah banyak dan bantuan tersebut tidak salah sasaran.
Ada banyak penelitian yang telah dilakukan terkait pemilihan calon atau penerima bantuan. Contohnya pada penelitian [1] yang melakukan penerapan metode AHP dalam pemilihan calon penerima BPNT di Kota Palangka Raya.
Penelitian ini menggunakan metode AHP, hasil dari penelitiannya menunjukkan bahwa aplikasi dapat membantu dalam menentukan alternatif penerima manfaat, membantu pengelolaan data calon penerima manfaat dan pengelolaan data penerima yang dipilih dari hasil rekomendasi. Penelitian serupa juga dilakukan oleh [2] namun dengan menggunakan metode yang berbeda yaitu fuzzy-AHP, hasil dari penelitian ini menunjukkan penerapan Fuzzy-AHP dalam sistem pendukung keputusan dapat membantu pemerintah Desa Molombulahe sebagai penyelenggara dan penggunaan sistem dalam proses seleksi penerimaan calon penerima BANSOS yang layak lebih akurat dan tepat sasaran. Kemudian pada penelitian [3], [4] sama – sama menggunakan metode FAHP, dimana hasil penelitiannya menunjukkan bahwa metode FAHP dapat membantu dalam mengambil keputusan terbaik pada masing – masing topik. Penelitian [5] juga dilakukan terhadap permasalahan yang sama yaitu penerimaan BPNT namun dengan metode yang berbeda yaitu Fuzzy MADM-SAW, pada penelitian ini perubahan nilai bobot pada suatu kriteria mempengaruhi hasil akhir perhitungan. Merubah beberapa bobot kriteria dapat mempengaruhi hasil ranking dari alternative yang akan didapatkan. Beberapa penelitian juga ada yang menggunakan metode hybrid AHP-SAW seperti yang dilakukan pada penelitian [6] dan [7]. Penelitian [6] menunjukkan bahwa dari penggunaan metode hybrid tersebut terhadap penentuan penerima BPNT, didapat bahwa metode AHP dan SAW mampu memecahkan masalah yang kompleks. Lalu
4
pada penelitian [7], hasil pengujian akurasi penggunaan metode hybrid AHP dan SAW lebih baik dibandingkan penggunaan metode AHP dan TOPSIS. Penelitian sejenis [8], menjelaskan penggunaan kedua metode tersebut yaitu metode AHP digunakan dalam mencari bobot atau nilai prioritas dari setiap kriteria sedangkan metode SAW digunakan untuk merankingkan alternatif dari penilaian kriteria yang telah dilakukan sebelumnya pada metode AHP.
Metode Fuzzy AHP adalah salah satu metode perangkingan yang menggabungkan antara metode AHP dan pendekatan logika Fuzzy. Fuzzy AHP menutupi kelemahan yang ada pada metode AHP, yakni permasalahan yang ada pada kriteria yang mempunyai sifat subjektif lebih banyak dengan menggunakan urutan skala TFN [4]. Metode Fuzzy AHP dapat melakukan perbandingan antar kriteria yang lebih kompleks, sehingga dapat membantu menentukan nilai bobot dari masing-masing kriteria [4]. Metode Fuzzy AHP dinilai baik dan lebih efektif untuk diterapkan pada suatu masalah yang multikriteria. Fuzzy AHP dapat mengatasi ketidakpastian terhadap data yang ada [9]. Oleh karena itu pada penelitian ini penulis akan mengimplementasikan metode Fuzzy-AHP dan SAW untuk mengambil keputusan dalam menentukan calon penerimaan BPNT.
Maka dari itu diharapkan pengimplementasi metode Fuzzy AHP dan SAW dapat memecahkan masalah yang semi terstruktur. Sehingga dapat membantu penilaian secara lebih cepat, benar dan pasti. Berdasarkan permasalahan yang telah dipaparkan sebelumnya, penulis akan membangun sistem pengambilan keputusan dengan menggunakan metode hybrid F-AHP dan SAW. Penulis mengangkatnya ke dalam judul penelitian yang diambil yaitu “Implementasi Metode Fuzzy Analytichal Hierarchy Process dan Simple Additive Weighting Pada Penerimaan Bantuan Pangan Non Tunai.” Yang mana F-AHP (Fuzzy Analytical Hierarchy Process) untuk menentukan bobot dan metode SAW (Simple Additive Weighting) untuk menentukan rangking dari setiap alternatif.
1.2 Rumusan Masalah
Dari penjelasan latar belakang di atas, yang menjadi rumusan masalah pada penelitian Tugas Akhir ini “Bagaimana cara membangun sebuah sistem pendukung
5
keputusan pada bantuan pangan non tunai menggunakan metode fuzzy-analytichal hierarchy process dan simple additive weighting”
1.3 Batasan Masalah
Batasan masalah pada penelitian Tugas Akhir ini yaitu:
1. Penelitian dilakukan di Dinas Sosial Kota Pekanbaru
2. Sistem ini hanya membahas kriteria dan subkriteria pemberian BPNT (Bantuan Pangan Non Tunai) kepada keluarga penerima manfaat sebagai berikut:
A. Penghasilan
B. Jumlah Tanggungan C. Status Perkawinan D. Pekerjaan
E. Kesehatan
F. Status penguasaan tempat tinggal G. Atap rumah
H. Dinding rumah I. Lantai rumah
J. Luas lantai bangunan tempat tinggal K. Sumber penerangan (daya yang terpasang) L. Hewan ternak
M. Kondisi Atap N. Kondisi Dinding 1.4 Tujuan Penelitian
Penelitian Tugas Akhir ini bertujuan untuk membangun sistem yang menerapkan Fuzzy Analitical Hierarchy Process dan Simple Additive Weighting untuk menentukan masyarakat yang berhak menerima Bantuan Pangan Non Tunai (BPNT)
6 1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah untuk membantu dalam penilaian agar menjadi lebih cepat, benar dan tepat sasaran dalam memberikan rekomendasi nama-nama yang berhak untuk mendapatkan bantuan pangan non tunai ini. Pada penelitian ini juga dapat merangkingkan nama-nama yang akan diberikan rekomendasi untuk mendapatkan bantuan pangan non tunai ini.
7
BAB II
KAJIAN PUSTAKA
2.1 Sistem Pengambilan Keputusan
Menurut [10] merupakan sebuah aplikasi atau sistem berbasis komputer (Computer Based Information Systems) yang dibangun untuk mendukung solusi atas suatu masalah atau untuk tujuan mengevaluasi suatu peluang. Aplikasi sistem pengambilan keputusan ini memiliki sifat fleksibel, interaktif, dan dapat diadaptasi.
Sistem pengambilan keputusan juga dapat digunakan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur. Sistem pengambilan keputusan lebih ditujukan untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analitis dalam situasi yang kurang terstruktur dan dengan kriteria yang kurang jelas. [11] juga menjelaskan bahwa sistem pengambilan keputusan akan sangat berguna untuk permasalahan semi terstruktur dan permasalahan tidak terstruktur. Namun perlu digarisbawahi pula, bahwa keberadaan sistem pendukung keputusan bukanlah mengotomatisasikan pengambilan keputusan atau mengganti peran manusia sebagai pengambil keputusan dalam proses tersebut.
2.2 Logika Fuzzy
Pada tahun 1965 Prof. Lotfi A. Zadeh memperkenalkan tentang teori himpunan fuzzy yang mana fuzzy berarti kabur atau samar-samar. Kusumadewi &
Hartati (2010 dikutip oleh [9]) menyatakan bahwa teori himpunan fuzzy pada dasarnya merupakan perluasan dari teori himpunan klasik (crisp/tegas). Dalam himpunan klasik keberadaan suatu elemen pada himpunan hanya ada 2 himpunan yaitu anggota himpunan atau bukan anggota himpunan [13].
Dasar teori dari himpunan fuzzy adalah pengenalan masalah yang tidak jelas atau batasan yang tidak tegas. Dalam logika fuzzy, suatu nilai bias benar dan salah pada saat yang sama, tetapi ada ambiguitas antara benar dan salah. Karena untuk menentukan seberapa besar kesalahan dan kebenaran tergantung pada bobot keanggotaan yang dimilikinya.
8 2.2.1 Triangular Fuzzy Number (TFN)
Triangular fuzzy number (TFN) adalah terori himpunan fuzzy yang digunakan untuk pengukuran yang melibatkan penilaian subjektif manusia. Inti dari penggunaan metode Fuzzy dan AHP terletak pada perbandingan berpasangan yang digambarkan dalam skala rasio yang berhubungan dengan skala fuzzy. Bilangan triangular fuzzy disimbolkan dengan M. Berikut ketentuan fungsi keanggotaan skala fuzzy segitiga.
Tabel 2 Skala Nilai Fuzzy Segitiga Intensitas
kepentingan AHP
Himpunan Linguistik
Triangular Fuzzy Number/ TFN
Reciprocal (Kebalikan)
1 Perbandingan
elemen yang sama (Just Equel)
(1,1,1) (1,1,1)
2 Pertengahan
(Intermediate)
(1/2,1,3/2) (2/3,1,2)
3 Elemen satu cukup penting dari yang lain (Moderately Important)
(1,3/2,2) (1/2,2/3,1)
4 Pertengahan
(Intermediate)
(3/2,2,5/2) (2/5,1/2,2/3)
5 Elemen yang kuat pentingnya dari yang lainnya (Strongly Important)
(2,5/2,3) (1/3,2/5,1/2)
6 Pertengahan
(Intermediate)
(5/2,3,7/2) (2/7,1/3,2/5)
7 Elemen satu yang
lebih kuat
(3,7/2,4) (1/4,2/7,1/3)
9 pentingnya dari yang lain (Very Strong)
8 Pertengahan
(Intermediate)
(7/2,4,9/2) (2/9,1/4,2/7)
9 Elemen satu mutlak lebih penting dari yang lainnya (Extremely Strong)
(4,9/2,9/2) (2/9,2/9,1/4)
Sumber:[14]
Berikut ini adalah langkah-langkah penyelesaian Fuzzy AHP (Analytical Hierarchy Process) [15].
1. Membuat struktur hierarki masalah dan melakukan perbandingan matriks berpasangan antar kriteria dengan menggunakan skala TFN (Tringular Fuzzy Number). Sebelum masuk ke perhitungan Fuzzy AHP, terlebih dahulu selesaikan hirarki masalah dengan perhitungan AHP untuk menentukan konsistensi nilai matriks perbandingan. Setelah nilai matriks perbandingan konsisten (CR ≤ 0,1), nilai matriks perbandingan AHP tersebut akan diubah menjadi nilai matriks perbandingan Fuzzy AHP seperti terlihat pada tabel berikut [16].
Tabel 3 Matriks Perbandingan Fuzzy AHP
Mj ... Mm
1j mj uj ... 1m mm um
Mi ...
. ...
. .
Mm ...
10 2. Mencari nilai Sintesis Fuzzy (Si)
Chang (1996) memperkenalkan metode extent analysis untuk nilai sistesis pada perbandingan berpasangan pada fuzzy AHP. Nilai fuzzy Synthetic extent dipakai untuk memperoleh perluasan suatu objek. Sehingga diperoleh nilai extent analysis m yang dapat ditunjukkan sebagai 𝑀𝑔1𝑖, 𝑀𝑔2𝑖, … , 𝑀𝑔𝑚𝑖, 𝑖 = 1, 2, … , 𝑛, dimana 𝑀𝑔𝑗𝑖(𝑗 = 1,2, … , 𝑚) adalah bilangan triangular fuzzy.
Langkah-langkah model fuzzy Synthetic extent dari Chang (1996, dikutip oleh Kulak dan Karahman, 2005, dikutip oleh [17]) yaitu:
𝑆𝑖 = ∑𝑚𝑗=1𝑀𝑔𝑖𝑗 ⊗∑ ∑1
𝑀𝑔𝑖𝑖 𝑚 𝑗=1 𝑛 𝑖=1
...
(2,1) Keterangan :
Si = nilai sintesis fuzzy M = bilangan TFN M = jumlah kriteria i = baris
j = kolom
g = parameter (l, m, u)
3. Mencari nilai vector (V). Jika hasil yang diperoleh pada setiap matriks Fuzzy.
M2 = (l2, m2, u2) ≥ M1 = (l1, m1, u1)
Dapat didefinisikan sebagai nilai vektor.
V (M2 ≥ M1) = sup [min (πM1(x)), min (πM2(y))] ... (2,2) Tingkat kemungkinan untuk bilangan fuzzy konveks dapat diperoleh dengan persamaan berikut:
𝑉(𝑀2 ≥ 𝑀1) = {
1; 𝑚2 ≥ 𝑚1 0; 𝑙1 ≥ 𝑢2
𝑙1−𝑢2
(𝑚2−𝑢2)−(𝑚1−𝑙1); 𝑠𝑒𝑙𝑎𝑖𝑛 𝑑𝑖𝑎𝑡𝑎𝑠
... (2,3)
11
4. Tingkat kemungkinan untuk bilangan fuzzy convex M lebih baik dibandingkan sejumlah k bilangan fuzzy convex Mi = (i= 1,2,3,....,k) yang dapat ditentukan dengan menggunakan operasi max dan min sebagai berikut:
V(M ≥ M1, M2, ..., Mk) = V[M ≥ M1) dan (M ≥ M2), dan, ... (M ≥ Mi)] = min V (M ≥ M1)
... (2,4) Dimana:
V = nilai vektor
M = matriks nilai sintesis fuzzy 1 = nilai rendah (lower)
m = nilai tengah (median) u = nilai tinggi (upper)
Sehingga diperoleh nilai ordinat (d’)
d’(Ai ) = min V ( Si ≥ Sk) ... (2,5) Dimana : Si = nilai sintesis fuzzy atau
Sk = nilai sistesis fuzzy lainnya
Untuk k = 1,2, ..., n; k ≠ i, maka nilai vektor bobot didefenisikan:
W’ = (d’ (A1), d’ (A2), ...,d’ (An ))T ... (2,6) Dimana A1 (i=1,2,...,n) adalah n elemen dan d’(A) adalah nilai
yang menggambarkan pilihan relatif masing-masing atribut keputusan.
5. Normalisasi nilai bobot vector fuzzy
W = (d(A1), d(A2),...,d(An))T ... (2,7) Perumusan normalisasinya adalah ;
𝑑′(𝐴𝑛) = 𝑑′(𝐴𝑛)
∑𝑛𝑖=1𝑑′(𝐴𝑛) ... (2,8) Normalisai bobot ini dilakukan agar nilai dalam vektor diperbolehkan menjadi analog bobot dan terdiri dari bilangan yang non-fuzzy.
12
2.3 Analytical Hierarchy Process (AHP)
Metode ini dikembangkan oleh Prof. Thomas Lorie Saaty yang merupakan professor di Wharton Business School pada awal tahun 1970. Metode ini dikembangkan untuk mencari rangking atau urutan prioriotas dari setiap alternatif yang ada dalam proses pemecahan suatu masalah Mulyono (1996 dikutip oleh [17]). Dalam menghadapi alternatif-alternatif pilihan, diperlukan penentuan prioritas serta uji konsistensi agar keputusan atau pilihan yang diambil tepat. Dalam situasi yang kompleks, pengambilan keputusan tidak dipengaruhi oleh satu faktor saja melainkan multifaktor dan mencakup berbagai jenjang maupun kepentingan. Pada dasarnya AHP adalah suatu teori umum tentang pengukuran yang digunakan untuk menemukan skala rasio, baik dari perbandingan berpasangan yang diskrit maupun kontiniu. Perbandingan-perbandingan ini dapat diambil dari ukuran aktual atau skala dasar yang mencerminkan kekuatan perasaandan preferensi relative.
Menurut Saaty (1993, dikutip oleh[19]), metode Analytical Hierarchy Process (AHP) memiliki beberapa langkah penyelesaian, yaitu penyusunan hirarki (Decomposition), pertimbangan (Comparative judgment), Konsistensi Logis (Logical Consistency) dan sintesa prioritas (Syntesis of Priority).
2.3.1 Matriks Pairwise Comparison (Perbandingan Berpasangan) Matriks perbandingan berpasangan bermaksud menentukan tingkat prioritas elemen, dengan cara sub hirarki dalam bentuk berpasangan dibandingkan ke semua elemen. Untuk menentukan nilai tingkat keperioritasan antara elemen yang satu dengan elemen lainnya mengunakan perbandingan skala penilaian 1 sampai 9.
Tabel 4 Skala Perbandingan Tingkat Kepentingan Tingkat
Kepentingan Definisi Keterangan
1 Kedua elemen sama
pentingnya (Equal Importance)
Dua elemen mempunyai pengaruh yang sama besar 3 Elemen yang satu sedikit
lebih penting dari pada
Pengalaman dan penilaian sedikit menyongkong satu elemen
13
yang lainnya (Slightly more Importance)
5 Elemen yang satu lebih penting dari pada yang lainnya (Materially more Importance)
Satu elemen yang kuat disokong dan dominan terlihat dalam kenyataan.
7 Satu elemen jelas lebih penting dari elemen lainnya (Significantly more Importance)
Satu elemen yang kuat disokong dan dominan terlihat dalam kenyataan.
9 Satu elemen mutlak lebih penting dari elemen lainnya (Absolutely more Importance)
Bukti yang mendukung elemen yang satu terhadap elemen lain memiliki tingkat penegasan tertinggi yang menguatkan.
2,4,6,8 Nilai-nilai di antara dua pertimbangan yang berdekatan.
Nilai ini diberikan bila ada komponen diantara dua piihan.
Kebalikan/
resiprokal
Jika untuk aktivitas ke–i mendapat suatu angka bila dibandingkan dengan aktivitas ke-j, maka j mempunyai nilai kebalikan dari i.
Sumber : [20]
2.3.2 Hirarki
Penyusunan hirarki yaitu representasi masalah dalam bentuk hirarki dengan beberapa level yaitu tujuan (goal), kriteria-kriteria penilaian dalam pemecahan masalah dan level terakhir alternatif solusi yang ditawarkan. Hirarki ini, permasalahan kompleks dapat dibagi menjadi kelompok-kelompok menurut level sehingga permasalahan tersebut tampak sistematis dan terstruktur. Struktur hirarki AHP dapat dilihat pada Gambar 1 berikut.
14
Gambar 1 Struktur Hierarki AHP 2.3.3 Nilai Eigen danVektor Eigen
Matriks perbandingan yang telah dibuat dihasilkanlah vektor eigen untuk menunjukan level prioritas atas elemen-elemen yang telah dibandingkan.
Eigenvektor merupakan suatu matriks yang keduanya dapat mendefenisikan matriks A sedangkan eigenvalue adalah sebuah bilangan skalar. Matrik A merupakan matriks bujur sangkar nxn.
Berikut persamaan untuk menghitung vektor eigen:
𝜆 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑛𝑖𝑙𝑎𝑖 𝑠𝑒𝑙 𝑏𝑎𝑟𝑖𝑠
𝑛 ... (2,9) Sedangkan untuk menghitung nilai eigen adalah sebagai berikut:
𝜆𝑚𝑎𝑘𝑠 = ∑𝑛𝑖=1𝜆𝑖 ... (2,10) AHP nilai eigen terbesar dinyatakan dengan λmaks=n. Matrik yang konsisten, λmaks=n. Ketidak konsistenan matrik disebabkan oleh unsur manusia (decision maker) tidak memiliki konsisten mutlak untuk membandingkan elemen-elemen.
Artian lain, penilaian yang diberikan pada elemen persoalan pada suatu level hirarki bisa berkemungkinan tidak selalu konsisten (inconsistent).
15 2.3.4 Konsistensi
Pada suatu penilaian terhadap elemen persoalan mungkin saja terjadi ketidak konsistenan. Teori matriks dapat kesalahan kecil pada koefesien akan menyebabkan penyimpangan kecil pada eigenvalue. Penyimpangan dari konsistensi λmaks dengan n dapat digunakan untuk melihat seberapa besar ketidak konsistenan matriks A. Indeks konsistensi dinyatakan dengan persamaan:
𝐶𝐼 = 𝜆𝑚𝑎𝑘𝑠−𝑛
𝑛−1 ... (2,11) Menurut Saaty (1993, dikutip oleh[19]), matriks berpasangan dinyatakan konsisten apabila nilai consistency ratio (CR) ≤10%. Jika CI bernilai nol maka matriks tidak konsisten. Batas ketidakkonsistenan (inconsistency) yang ditetapkan dapat diukur dengan mengguna CR, yaitu dengan membandingkan indeks konsistensi dengan nilai Random Indeks (RI). Persamaannya:
𝐶𝑅 = 𝐶𝐼
𝑅𝐼... (2,12) Tabel 2. 1: Random Index (RI)
n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 R
I 0,0 0
0,0 0
0,5 8
0,9 0
1,1 2
1,2 4
1,3 2
1,4 1
1,4 5
1,4 9
1,5 1
1,4 8
1,5 6
1,5 7
1,5 8 (Sumber :Saaty (1993), dikutip oleh [19] )
Setelah menentukan CR, lalu memeriksa konsistensi hirarki. Jika nilainya lebih dari 0,1 atau 10% maka penilaian data judgement harus diperbaiki. Namun jika rasio konsistensi kurang atau sama dengan 10% atau 0,1 maka hasil perhitungan bisa dinyatakan benar.
2.4 Fuzzy Analytical Hierarchy Process (F-AHP)
Buckley (1985, dikutip oleh Wahyuni & Sri, 2012) menyatakan fuzzy AHP merupakan suatu metode analisis yang dikembangkan dari AHP. Walaupun AHP bisa digunakan dalam menangani kriteria kualitatif dan kuantitatif namun fuzzy AHP dianggap lebih baik dalam mendeskripsikan keputusan yang samar-samar daripada AHP. Raharjo dkk (2002, dikutip oleh[21]) mendefenisikan, Fuzzy-AHP
16
merupakan gabungan metode AHP dengan pendekatan konsep. Fuzzy-AHP menutupi kelemahan yang terdapat pada AHP, yaitu permasalahan terhadap kriteria yang memiliki sifat subjektif lebih banyak. Ketidak pastian bilangan direpresentasikan dengan urutan skala.
Langkah-langkah proses Fuzzy-AHP yang dilakukan pada penelitian ini adalah:
1. Mendefenisikan dan menguraikan masalah yaitu faktor-faktor yang menjadi prioritas dalam menentukan kesesuaian aspek penilaian bagi calon penerima batuan pangan non tunai.
2. Pembuatan hirarki. Untuk kriteria penentuan penerima bantuan pangan non tunai diambil beberapa kriteria pendukung.
3. Menyusun matriks perbandingan berpasangan tiap data pada setiap level kriteria. Skala perbandingan seperti pada Tabel 2
4. Menghitung vektor prioritas elemen-elemen pada tiap kriteria dalam hirarki.
Perhitungan vektor priritas dilakukan dengan menggunakan vektor eigen.
Nilai eigen didapat dengan menjumlahkan hasi dari perkalian nilai bobot prioritas dengan nilai jumlah kolom tiap kolom.
5. Menghitung nilai eigen maksimum (λmaks), menggunakan Persamaan (2.9) dan (2.10).
6. Menguji konsistensi terhadap masing-masing matriks perbandingan berpasangan.
a. Menghitung CI sesuai dengan Persamaan (2.11)
b. Menghitung CR sesuai Persamaan (2.12). jika CR ≤10% maka matriks tersebut konsisten.
7. Pengambilan keputusan
a. Menghitung rata-rata geometrik untuk setiap kriteria.
b. Hasil perhitungan tiap kriteria dari seluruh hirarki kemudian dibuat perbandingan berpasangan lagi yang diperoleh dari hasil perhitungan pembulatan rata-rata geometrik.
8. Mengubah bobot penilaian perbandingan berpasangan ke dalam bilangan tringular fuzzy. Persamaan (2.1).
17
9. Dari matriks tersebut ditentukan nilai fuzzy syntethic extent untuk tiap-tiap kriteia. Menggunakan Persamaan (2.3).
10. Membandingkan nilai fuzzy syntethic extent. Menggunakan Persamaan (2.4) 11. Perhitungan normalitas vektor bobot dan nilai minimum. Persamaan (2.7)
dan (2.8).
2.5 Simple Additive Weighting (SAW)
Metode SAW adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kreteria tertentu. Inti dari SAW adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan. Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot tertentu yaitu pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif dan obyektif.
Masing-masing pendekatan memiliki kelebihan dan kelemahan. Pada pendekatan subyektif, nilai bobot ditentukan berdasarkan subyektifitas dari para pengambilan keputusan sehingga beberapa faktor dalam proses perankingan alternatif bisa ditentukan secara bebas. Sedangkan pada pendekatan obyektif, nilai bobot dihitung secara matematis sehingga mengabaikan subyektifitas dari pengambil keputusan Kusumadewi (2007 dikutip oleh [22]).
Adapun langkah penyelesaian menurut Kusumadewi (2010 dikutip oleh[23]).
dalam menggunakan metode SAW adalah : 1. Menentukan alternatif (kandidat), yaitu Ai
2. Menentukan kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Cj
3. Memberikan nilai rating kecocokan setiap alternatif pada setiap kriteria 4. Menentukan bobot preferensi atau tingkat kepentingan (W) setiap kriteria
W = [ W1, W2, W3, …. , Wj ]... (2.13) 5. Membuat tabel rating kecocokan dari setiap alternatif pada setiap kriteria 6. Membuat matrik keputusan X yang dibentuk dari tabel rating kecocokan
dari setiap alternatif pada setiap kriteria. Nilai X setiap alternatif (Ai) pada setiap kriteria (Cj) yang sudah ditentukan, dimana i=1,2,…m dan j=1,2,…n.
18 𝑋 = [
𝑋11 ⋯ 𝑋1𝑗
⋮ ⋱ ⋮
𝑋𝑖1 ⋯ 𝑋𝑖𝑗
] ... (2.14)
7. Melakukan normalisasi matrik keputusan X dengan cara menghitung nilai rating kinerja ternormalisasi (rij) dari alternatif Ai pada kriteria Cj
𝑟𝑖𝑗 = {
𝑥𝑖𝑗 𝑚𝑎𝑥𝑖(𝑥𝑖𝑗)
𝑚𝑖𝑛𝑖(𝑥𝑖𝑗) 𝑥𝑖𝑗
... (2.15)
Jika j adalah kriteria keuntungan (benefit) Jika j adalah kriteria biaya (cost)
Keterangan :
a. Dikatakan kriteria keuntungan apabila nilai xij memberikan keuntungan bagi pengambil keputusan, sebaliknya kriteria biaya apabila xij menimbulkan biaya bagi pengambil keputusan.
b. Apabila berupa kriteria keuntungan maka nilai xij dibagi dengan nilai Maxi(xij) dari setiap kolom, sedangkan untuk kriteria biaya, nilai Mini(xij) dari setiap kolom dibagi dengan niali xij
8. Hasil dari nilai rating kinerja ternormalisasi (rij) membentuk matrik ternormalisasi (R)
𝑅 = [
𝑟11 ⋯ 𝑟1𝑗
⋮ ⋱ ⋮
𝑟𝑖1 ⋯ 𝑟𝑖𝑗
] ... (2.16) 9. Hasil akhir nilai preferensi (Vi) diperoleh dari penjumlahan dari perkalian
elemen baris matrik ternormalisasi (R) dengan bobot preferensi (W) yang bersesuaian elemen kolom matrik (W)
𝑣𝑖 = ∑𝑛𝑗=1𝑤𝑗𝑟𝑖𝑗 ... (2.17) Hasil perhitungan nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai merupakan alternatif terbaik.
2.6 Bantuan Pangan Non Tunai (BPNT)
Program Bantuan Pangan Non Tunai (BPNT) merupakan peralihan dari program RASTRA atau RASKIN. Program ini dimulai pada tahun 2017 di
19
beberapa kota-kota di Indonesia dengan cara memberikan subsidi non tunai melalui sebuah kartu elektronik. BPNT merupakan bantuan sosial pangan dalam bentuk non tunai dari pemerintah yang diberikan kepada Keluarga Penerima Manfaat (KPM) setiap bulannya melalui mekanisme akun elektronik yang digunakan hanya untuk membeli bahan pangan di pedagang bahan pangan atau e-warong. Bahan pangan dalam program BPNT ini adalah beras dan atau telur Program BPNT memiliki kelebihan seperti kualitas sembako terutama beras jauh lebih bagus, ketersediaan jenis sembako lebih banyak dan masyarakat tidak perlu mengeluarkan uang untuk menebus sembako tersebut. Calon penerima BPNT dipilih berdasarkan kriteria yang telah ditentukan oleh Kementrian Sosial Republik Indonesia. BPNT dilakukan oleh pemerintah untuk membantu seseorang yang kurang mampu dalam memenuhi kebutuhan sehari-harinya. Program E-warong ini secara khusus diluncurkan untuk mencegah distribusi bantuan pemerintah yang tidak tepat kualitas, kuantitas dan sasaran.
2.7 Penelitian Terkait
Penelitian tentang sistem pendukung keputusan untuk penilaian kinerja bukanlah penelitian pertama yang dilakukan, sudah banyak penelitian lain yang terkait dengan beragam model dan metode yang digunakan. Oleh karena itu, dalam pembahasan ini penulis merangkum beberapa penelitian yang relevan yang telah menjadi landasan dan referensi bagi penelitian penulis saat ini. Penelitian terkait akan ditampilkan pada tabel 5
Tabel 5 Tabel Penelitian Terkait
No Penulis Judul Tahun Metode Hasil
1 Andri
Andreas, dkk
Penerapan Algoritma Simple Additive Weighting untuk Membantu Dalam Menentukan Calon
2019 Algoritma Simple Additive Weighting (SAW)
Dengan perhitungan menggunakan metode
SAW sistem
pendukung keputusan ini dapat memberikan informasi kepada pejabat terkait berupa rekomendasi warga yang berhak menerima BPNT dengan output
20 Penerima
Bantuan Pangan Non Tunai
berupa perangkingan berdasarkan nilai alternatif dari terbesar hingga terkecil.
2 Satria Rizki Arianto
Sistem Pendukung Keputusan Penerima Bantuan Pangan Non Tunai Dengan Metode Hybrid AHP- SAW
2020 Hybrid AHP- SAW
Pada penelitian ini penulis berhasil menerapkan metode
AHP untuk
menentukan bobot
kriteria dan
menerapkan metode
SAW untuk
perangkingan
alternatif pada penerima BPNT.
Mengimplementasikan fitur – fitur seperti Input data pengguna, Input data penduduk, Input data kriteria tiap- tiap penduduk, perbandingan tiap
bobot, serta
menghasilkan output berupa data penduduk penerima BPNT.
3 Reinaldy Luthfi Fuady dan Agus Maman Abadi
Penentuan Penerimaan Bantuan Pangan Non Tunai
(BPNT) Dengan Menggunakan Fuzzy
Multiple Atribute Descission Making
2017 Fuzzy MADM- SAW
Penentuan penerima BPNT dilakukan berdasarkan kriteria yang telah ditentukan.
Bobot yang diberikan pada setiap kriteria mempengaruhi hasil akhir penentuan calon penerima BPNT.
Pemberian nilai bobot pada penelitian kali ini berdasarkan
kepentingan dari Atribut menurut analisa dari penulis tentang kriteria – kriteria yang diberikan oleh pemeritah pada BPNT. Perubahan nilai bobot pada suatu
21
kriteria mempengaruhi
hasil akhir
perhitungan. Merubah beberapa bobot kriteria dapat mempengaruhi hasil ranking dari alternatf yang akan didaptkan. Didapatkan Hasil yang paling layak menerima bantuan tersebut menurut bobot tiap kriteria.
4 Angga Albeni
Penerapan Metode Fuzzy Analytical Hierarchy Process Untuk Sistem Penyeleksian Bantuan Rumah Layak Huni
2019 Fuzzy Analytical Hierarchy Process (FAHP)
1. Berhasil merancang bangun sistem informasi
penyeleksian bantuan rumah layak Huni di Dinas Perumahan, Pemukiman dan Pertanahan Provinsi Riau.
2.Berhasil menerapkan metode Fuzzy AHP untuk sistem informasi penyeleksian bantuan rumah layak Huni di Dinas Perumahan, Pemukiman dan Pertanahan Provinsi Riau.
5 Jadiaman Parhusip
Penerapan Metode Analytical Hierarchy Process (AHP) Pada Desain Sistem Pendukung Keputusan Pemilihan Calon Penerima Bantuan Pangan Non
2019 Analytical Hierarchy Process (AHP)
Sistem Penunjang Keputusan untuk program BPNT se- kota Palangka Raya ini dibuat sebagai sarana pengambilan
keputusan penentuan masyarakat miskin
yang berhak
mendapatkan beras untuk rumah tangga miskin atau keluarga penerima manfaat atau BPNT di kota
22 Tunai
(BPNT) Di Kota
Palangka Raya
Palangka Raya, dimana sistem ini tidak menangani persediaan dan pendistribusian beras. Aplikasi ini membantu dalam menentukan alternatif penerima manfaat, membantu
pengelolaan data calon penerima manfaat dan pengelolaan data penerima yang dipilih
dari hasil
rekomendasi.
6 Susi Susilowati, dkk
Sistem Pendukung Keputusan penerima raskin di kelurahan pisang candi dengan
metode fuzzy analytical Hierarchy process (FAHP)
2018 fuzzy analytical Hierarchy process (FAHP)
Program aplikasi sistem pendukung keputusan yang dibuat digunakan untuk menghitung nilai
bobot dan
perangkingan dari masing – masing kriteria. Untuk memberikan bantuan Raskin yang sesuai
khususnya di
Kelurahan Pisang Candi Kecamatan Sukun Malang.
Penilaian warga miskin menggunakan
metode Fuzzy
Analytical Hierarchy Process (FAHP) ini, akan menghasilkan kandidat yang dinilai layak untuk menerima bantuan Raskin
7 Denni Kurniawan dan Catur Nugroho
Sistem Pendukung Keputusan Dalam Penilaian Prestasi Kerja Menggunakan
2019 Fuzzy- AHP dan SAW
Berhasil menerapkan metode Fuzzy-AHP dan SAW untuk menghasilkan
pembobotan dan perangkingan
23 Fuzzy-Ahp
Dan Saw
penilaian prestasi kerja karyawan
8 Ahmad Musa dkk
Penerapan Sistem Pendukung Keputusan Penerima Bantuan Sosial
Menggunakan Metode Fuzzy Ahp
2020 Fuzzy- AHP
Pendukung Keputusan ini dapat membantu Pemeritah Desa Molombulahe sebagai penyelenggara dan pengguna sistem dalam proses seleksi penerimaan calon penerima BANSOS.
Hal ini dikarenakan sistem informasi yang dibangun
memfasilitasi dalam proses seleksi penerima BANSOS yang dilakukan langsung oleh sistem dengan prosedur kerja mengikuti tahapan dalam metode Fuzzy AHP. Sehingga menghindari terhadap adanya kecurangan dalam hal kelulusan calon penerima BANSOS.
9. Sunarti Perbandingan Metode SAW Dan Topsis Dalam
Pemilihan Tujuan
Wisata Di Jawa Barat
2019 SAW - TOPSIS
Pemilihan tujuan wisata diwilayah Jawa
Barat dengan
melakukan
perbandingan metode Saw dan Topsis dapat dimanfaatkan
mengatasi
penyeleksaian disuatu alternatif dengan sejumlah kriteria yang sudah ditentukan. Dari hasil komparasi metode Saw dan Topsis diperoleh hasil bahwa metode Saw
lebih baik
dibandingkan metode
24
Topsis. Berdasarkan hasil perbandingannya yaitu metode Saw lebih besar 0,80 dengan tujuan wisata Wisata Mekarsari daripada metode Topsis dengan nilai 0,59 dengan tujuan objek wisata adalah
Goa Buniayu.
Penetapan kriteria untuk pengambilan keputusan
memberikan penilaian ditiap alternatif.
Pembobotan pada tiap- tiap kriteria menggambarkan aspek-aspek berguna
dimana bisa
mempengaruhi pada
metode yang
digunakan.
10. Diah
permatasari, dkk
Penerapan metode AHP
dan SAW
untuk penentuan kenaikan jabatan karyawan
2018 AHP- SAW
1. Sistem pendukung keputusan penentuan kenaikan jabatan bagi karyawan pada Dinas Kesehatan dengan menggunakan metode AHP dan SAW ini dapat membantu perusahaan dalam mengambil keputusan.
2. Metode AHP dan
SAW dapat
menghasilkan
rekomendasi kenaikan jabatan karyawan sesuai dengan kebutuhan dan beradasarkan kriteria yang telah ditentukan.
Hasil pengujian akurasi pada 3 kasus uji diperoleh, untuk
25
pengujian kasus 1 hasil metode AHP & SAW adalah 100%, hasil metode AHP adalah 0% dan hasil metode SAW adalah 100%.
Untuk pengujian kasus 2 hasil metode AHP &
SAW adalah 100%, hasil metode AHP adalah 0% dan hasil metode SAW adalah 100%. Sedangkan pengujian pada kasus 3 hasil metode AHP &
SAW adalah 50%, hasil metode AHP adalah 0% dan hasil metode SAW adalah 50%.
26
BAB III
METODOLOGI PENELITIAN
Penelitian memerlukan metode penyelesaian atau pendekatan dalam melaksanakan suatu penelitian agar berjalan sesuai dan lancar dengan tujuan yang telah ditentukan sehingga tercapai hasil yang baik. Berikut ini adalah tahapan penelitian dalam menyelesaikan tugas akhir pada Gambar 2:
Gambar 2Tahapan Penelitian 3.1 Identifikasi Masalah
Identifikasi masalah merupakan tahapan awal dari penelitian untuk mengidentifikasi masalah yang akan diteliti untuk mendapatkan gambaran dari permasalahan dan mencari solusi yang tepat untuk permasalahan yang akan diteliti.
Adapun identifikasi terhadap masalah yang akan diteliti diantaranya:
1. Menentukan permasalahan yang dihadapi oleh dinas sosial kota pekanbaru dalam menentukan calon penerima bantuan pangan non tunai 2. Menentukan metode yang tepat untuk memecahkan masalah dalam penelitian ini. Pada penelitian ini penulis mengimplementasikan metode Fuzzy Analytical Hierarchy Process (F-AHP) untuk menentukan bobot
27
dan Simple Additive Weighting (SAW) yang digunakan untuk perangkingan data alternatif Bantuan Pangan Non Tunai.
3.2 Pengumpulan Data
Pengumpulan data merupakan tahapan dalam mengumpulkan data-data tentang Bantuan Pangan Non Tunai yang digunakan dalam menunjang penelitian.
Proses pengumpulan data dilakukan dengan dua pendekatan, yaitu:
a. Studi Pustaka
Studi pustaka merupakan proses pencarian pedoman atau referensi yang berkaitan dengan pembuatan analisa dan perancangan sistem. Referensi dapat berupa buku, jurnal, atau penelusuran web tentang penelitian ilmiah yang pernah dilakukan sebelumnya atau segala permasalahan yang akan dibahas. Data yang dibutuhkan berupa kriteria dalam menentukan kesesuaian penerima bantuan pangan non tunai.
b. Wawancara
Proses wawancara dilakukan Ibu Heryani S.ST selaku Kepala Seleksi Pemberdayaan Sosial Keluarga Miskin dan Bapak Drs. Mahyuddin selaku Kadis Dinsos Kota Pekanbaru. Wawancara yang dilakukan membahas tentang bagaimana prosedur pemilihan Keluarga Penerima Manfaat (KPM) dan mengetahui kriteria dan sub kriteria serta alternatif yang di pakai dalam menentukan KPM yang layak mendapatkan Bantuan pangan Non tunai.
3.3 Analisis
Apabila proses pengumpulan data selesai maka yang proses selanjutnya adalah melakukan proses analisis dan juga perancangan. Pada tahap analisis akan dilakukan proses implementasi alogritma terhadap data yang sudah dikumpulkan.
Proses perancangan adalah proses pembuatan arsitektur sistem yang akan digunakan sesuai dengan hasil analisis yang sudah didapat.
28 3.3.1 Analisa Subsistem Data
Tahapan analisa subsistem data merupakan tahapan yang dilakukan untuk menganalisa data-data yang dibutukan dalam penelitian. Adapun data yang dibutuhkan ialah data kriteria dan subkriteria yang menjadi penilaian, beserta data alternatifnya (calon penerima bantuan). Data kriteria dan subkriteria yang digunakan berasal dari Keputusan Menteri Sosial Republik Indonesia No.146/HUI/2013. Berikut ini data kriteria dan subkriteria yang akan digunakan:
1. Penghasilan
a. Kurang (≤ Rp.500.000)
b. Cukup (500.000 < X ≤1.000.000) c. Baik (>Rp1.000.000)
2. Jumlah Tanggungan
a. Banyak (tanggungan keluarga ≥5 (ayah, ibu dan anak lebih sama dengan lima))
b. Cukup banyak (tanggungan keluarga 3-4 (ayah, ibu dan anak tiga sampai empat))
c. Sedikit (tanggungan keluarga ≤2 (ayah, ibu dan anak tidak ada/satu/dua))
3. Pekerjaan
a. Serabutan (tidak tentu)
b. Pensiunan (tidak bekerja tetapi memiliki gaji bulanan (kecil)) c. Bekerja (masih produktif bekerja gaji bulanan full)
4. Kesehatan
a. Cacat tetap (cacat bawaan lahir/kerja)
b. Sakit-sakitan (sakit berjangka lama atau sering sakit) c. Sehat
5. Status penguasaan tempat tinggal
a. Milik sendiri (keadaan memprihatinkan) b. Kontak/sewa (belum punya rumah) c. Bebas sewa (milik keluarga/wasiat) 6. Luas lantai bangunan tempat tinggal
a. Kecil (LL ≤27 m2 )
29 b. Sedang (27 m2 <LL < 36 m2 ) c. Besar (LL ≥ 36 m2 )
7. Status Perkawinan
a. Keluarga janda (Ayah (Alm,cerai), ibu dan anak) b. Keluarga Duda (Ayah, Ibu (Alm,cerai) dan anak) c. Keluarga Utuh (Ayah, Ibu dan Anak)
8. Sumber penerangan (daya yang terpasang) a. ≤450 watt
b. 900 watt c. ≥ 1300 watt 9. Hewan ternak
a. Sapi/kerbau b. Kambing/domba c. Ayam/bebek 10. Atap rumah
a. Atap daun/rumbia b. Atap seng/asbes c. Atap genteng 11. Dinding rumah
a. Kayu/papan b. Tembok c. Plasteran 12. Lantai rumah
a. Tanah/bambu/papan b. Bata merah/plaster
c. Tegel/ubin/teraso/keramik 13. Kondisi atap
a. jelek/kualitas rendah
b. Cukup bagus/kualitas standar c. Bagus/kualitas Tinggi
14. Kondisi dinding
a. jelek/kualitas rendah
30 b. Cukup bagus/kualitas standar c. Bagus/kualitas Tinggi
3.3.2 Analisa Subsistem Model
Pada tahapan subsistem manajeman model akan dilakukan untuk menganalisis model yang akan dibangun nantinya. Adapun berikut ini merupakan flowchart dari F-AHP dan SAW.
Gambar 3 Flowchart perhitungan metode hybrid F-AHP dan SAW a. Metode Fuzzy Analytical Hierarchy Process (F-AHP)
Pada tahapan ini dilakukan analisa penyelesaian tahapan kasus permasalahan, dalam hal ini menggunakan metode Fuzzy Analytical Hierarchy Process (F-AHP) dan Simple Additive Weighting (SAW). Sebelum melanjutkan dengan proses perhitungan menggunakan metode fuzzy AHP, terlebih dahulu mencari nilai bobot dari kriteria dan subkriteria yang akan dilakukan menggunakan metode AHP, yang bertujuan untuk menghasilkan nilai Consistency Ratio (CR) <
0.1. setelah didapatkan nilai CR selanjutnya bilangan pada tingkat intensitas kepentingan pada AHP ditransformasikan ke dalam himpunan skala Tringular
31
Fuzzy Number (TFN). Kemudian melakukan fuzzifikasi pada nilai bobot AHP dengan metode fuzzy ahp yang di jelaskan pada gambar 3.
b. Simple Additive Weighting (SAW)
Analisa dilakukan terhadap data yang telah diperoleh kemudian diproses menggunakan metode Simple Additive Weighting (SAW) dan sistem dirancang berdasarkan hasil analisa tersebut. Setelah bobot kriteria pada FAHP didapat, maka bobot tersebut yang dijadikan dasar penentuan bobot masing-masing kriteria di perhitungan nilai rangking oleh metode Simple Additive Weighting (SAW).
Kemudian lakukan normalisai matriks (X) dengan rumus (2.15) kemudian hasil hasil tersebut membentuk matriks ternormalisai (R). Selanjutnya setelah hasil perhitungan normalisasi matriks R kalikan dengan nilai bobot masing-masing kriteria untuk nilai masing-masing alternatif disetiap kriteria, sehingga mendapatkan urutan perangkingan calon penerima bantuan pangan non tunai.
3.3.3 Analisa Subsistem Dialog
Pada tahapan ini analisa subsistem dialog menggunakan Unified Modeling Language (UML). UML dapat digunakan untuk memvisualisasikan dari sebuah sistem yang akan dibangun. Adapun komponen UML yang akan digunakan pada penelitian ini ialah:
1. Use Case Diagram 2. Sequence Diagram 3. Class Diagram 4. Deployment Diagram 3.4 Perancangan Sistem
Perancangan sistem yang dibangun adalah menggunakan teknik pemrograman Object Oriented Programing (OOP). Hal ini sesuai dengan penggunaan analisis sistem yang sudah menggunakan UML. Untuk sistem yang dibangun nantinya adalah web. Adapun perancangan sistem ini akan menghasilkan:
1. Perancangan database 2. Perancangan struktur menu
32 3. Perancangan UI ( User Interface ) 3.5 Implementasi dan Pengujian
Dalam tahap ini merupakan tahap dimana suatu sistem siap untuk dioperasikan pada keadaan yang sebenarnya, sehingga akan diketahui apakah sistem yang dibuat benar-benar dapat menghasilkan tujuan yang ingin dicapai.
Untuk mengimplementasikan aplikasi ini maka dibutuhkan perangkat pendukung, perangkat tersebut berupa perangkat lunak dan perangkat keras. Adapun perangkat keras yang dibutuhkan antara lain yaitu:
1. Processor : IntelTM Core i3
2. Memory : 4 GB
3. Hardisk : 500 GB
Dan perangkat lunak yang dibutuhkan :
1. Platform : Microsoft Windows 10 64-bit 2. Bahasa Pemograman : HTML, PHP, Javascript
3. DBMS : MySQL
4. Web Server : Apache
5. Browser : Google Chrome 6. Server : Localhost
7. Tools : Visual Studio Code
Pengujian (testing) yaitu uji coba apakah tingkat prediksi sesuai yang sebenarnya atau tidak. Setelah melakukan implementasi maka harus dilakukan pengujian, agar kita mengetahui apakah sistem sudah siap di luncurkan dengan standar yang telah di harapkan. Sistem ini diuji dengan teknik blackbox dan User Acceptance Test (UAT).
3.6 Kesimpulan dan Saran
Tahapan ini akan membahas tentang kesimpulan dan saran yang dihasilkan dari penelitian dalam Tugas Akhir (TA). Kesimpulan diambil dari proses analisa kepada implementasi dan pengujian. Saran dilakukan dengan memberikan sebuah
33
catatan untuk menyempurnakan dan mengembangkan penelitian sistem pembagian bantuan pangan non tunai.
