BAB II LANDASAN TEORI. biasanya berupa ukuran-ukuran, aturan-aturan, atau standar yang digunakan dalam

5 BAB II

LANDASAN TEORI

2.1 Multiple Criteria Decision Making (MCDM)

Multiple Criteria Decision Making (MCDM) menurut Utomo (2010) adalah suatu metode pengambilan keputusan untuk menerapkan alternatif terbaik dari sejumlah alternatif berdasarkan beberapa kriteria tertentu. Kriteria tersebut biasanya berupa ukuran-ukuran, aturan-aturan, atau standar yang digunakan dalam pengambilan keputusan.

Ada dua macam model MCDM yang dibedakan berdasarkan tujuannya, yaitu (Utomo, 2010) :

1. Multiple Attribute Decision Making (MADM)

Multiple Attribute Decision Making (MADM) adalah suatu metode yang

digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu (Mailasari, 2016). Menurut Wibowo (2014), inti dari MADM adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perangkingan yang akan menyeleksi alternatif yang sudah diberikan. Menurut Ahsan, dkk. (2017), ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah MADM, antara lain:

a. Simple Additive Weighting Method (SAW) b. Weighted Product (WP)

c. ELECTRE

d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) e. Analysis Hierarchy Process (AHP)

6 2. Multiple Objective Decision Making (MODM)

Multiple Objective Decision Making (MODM) digunakan untuk

menyelesaikan masalah-masalah pada ruang kontinyu, seperti permasalahan pada program matematis (Utomo, 2010).

2.2 Multi-Objective Optimization on the Basis of Ratio Analysis (MOORA) Metode Multi-Objective Optimization on the Basis of Ratio Analysis (MOORA) sebuah metode sistem pengambilan keputusan yang diperkenalkan oleh Brauers pada tahun 2004 sebagai "Multi-Objective Optimization" yang dapat digunakan untuk memecahkan berbagai masalah pengambilan keputusan yang rumit pada lingkungan pabrik(Gadakh, 2011).

Metode ini memiliki tingkat selektifitas yang baik dalam menentukan suatu alternatif. Pendekatan yang dilakukan MOORA didefinisikan sebagai suatu proses secara bersamaan guna mengoptimalkan dua atau lebih kriteria yang saling bertentangan pada beberapa kendala(Attri dan Grover, 2013).

Menurut Laudia Olivianita, dkk. (2016), langkah – langkah penyelesaian masa menggunakan metode MOORA, antara lain:

1. Pembentukan matriks

𝑥 = [

𝑥₁₁ 𝑥₁₂ 𝑥₂₁

. 𝑥_𝑚1

𝑥₂₁ . 𝑥_𝑚2

. 𝑥_1𝑛 . . .

𝑥_2𝑛 . 𝑥_𝑚𝑛

] ...(2.1)

x adalah nilai kriteria masing – masing kriteria yang direpresentasikan

sebagai matriks.

2. Menentukan matriks normalisasi 𝑥_𝑖𝑗 = ^𝑥𝑖𝑗

√∑^𝑚_𝑗=1𝑥_𝑖𝑗²

...(2.2)

7 Rasio xij menunjukkan ukuran ke i dari alternatif pada kriteria ke j, m menunjukkan banyaknya jumlah alternatif dan n menunjukkan jumlah kriteria. Brauers et al. (2008) menyimpulkan bahwa untuk denominator, pilihan terbaik dari akar kuadrat dari penjumlahan dari setiap alternatif per kriteria.

3. Menentukan matriks normalisasi terbobot

𝑤_𝑗 𝑥_𝑖𝑗 ...(2.3)

Dalam beberapa kasus, sering mengamati bahwa beberapa kriteria lebih penting dari pada lainnya. Untuk menandakan bahwa sebuah kriteria lebih penting, itu bisa dikalikan dengan bobot yang sesuai (Brauers et al., 2009).

Dimana Wj adalah bobot dari kriteria ke-j.

4. Menentukan nilai preferensi

𝑦_𝑖 = ∑^𝑔_𝑗=1𝑤_𝑗 𝑥_𝑖𝑗 − ∑^𝑛_𝑗=𝑔+1𝑤_𝑗 𝑥_𝑖𝑗 ...(2.4) Untuk multi-objective optimization, hasil normalisasi adalah penjumlahan dalam hal pemaksimalan (dari atribut menguntungkan) dan pengurangan dalam hal peminimalan (dari atribut yang tidak menguntukan).

Dimana g adalah jumlah atribut yang akan dimaksimalkan.

yi adalah nilai dari penilaian normalisasi alternatif ke i terhadap semua kriteria. Nilai yi dapat menjadi positif atau negatif tergantung dari jumlah maksimal (kriteria menguntungkan atau benefit) dan minimal (kriteria yang tidak menguntungkan atau cost) dalam matriks keputusan. Sebuah keistimewaan yi menunjukkan preferensi akhir. Dengan demikian, alternatif terbaik memiliki nilai yi tertinggi, sedangkan alternatif terburuk memiliki nilai yi terendah.

8 2.3 Sistem Rekomendasi

Sistem rekomendasi adalah suatu sistem yang menyarankan informasi yang berguna atau menduga apa yang akan dilakukan pelanggan untuk mencapai tujuannya, misalnya seperti memilih produk tertentu. Sehingga pelanggan memilih produk dapat lebih efektif dalam menentukan produk yang diinginkannya(Kurniawan, 2016).

Konsep sistem rekomendasi telah digunakan pada hampir semua area bisnis yang dimana pengguna memerlukan informasi untuk mengambil sebuah keputusan.

Sistem rekomendasi pemilihan lowongan pekerjaan menggunakan konsep yang sama dengan konsep ini yaitu untuk menolong pengguna yang mencari kerja untuk memutuskan lowongan pekerjaan mana yang sesuai dengan kemampuan dan karakter pengguna dalam memilih pekerjaan(Darmastuti, 2013).

2.4 End-User Computing Satisfaction (EUCS)

End User Computing Satisfaction (EUCS) adalah metode untuk mengukur

tingkat kepuasan dari pengguna suatu sistem aplikasi dengan membandingkan antara harapan dan kenyataan dari sebuah sistem informasi. Definisi End User Computing Satisfaction dari sebuah sistem informasi adalah evaluasi secara

keseluruhan dari para pengguna sistem informasi yang berdasarkan pengalaman mereka dalam menggunakan sistem tersebut (Doll dan Torkzadeh, 1991).

Model evaluasi EUCS ini dikembangkan oleh Doll dan Torkzadeh. Pada model EUCS terdapat lima aspek tekonologi yaitu, Content, Accuracy, Format, Ease of Use, dan Timeliness (Dalimunthe dan Ismiati, 2016). Pada model EUCS terdapat lima faktor yang dapat mempengaruhi kepuasan user terhadap penerapan suatu sistem informasi (Doll & Torkzadeh, 1991). Faktor-faktor tersebut adalah :

9 isi(Content), ketepatan(Accuracy), bentuk(Format), kemudahan penggunaan(Ease of Use), dan ketepatan waktu(Timeliness).

Chin & Lee(2000) mengembangkan suatu model pengukuran end-user computing satisfaction dengan mengkombinasikan teori sistem informasi dan teori

pemasaran dimana pengukuran intensitas penggunaan dilakukan berdasarkan disconfirmastion modeling atas sistem informasi yang digunakan. Model ini

digunakan untuk mengetahui sejauh mana tingkat perilaku pengguna sistem informasi dengan membandingkan perilaku sikap pengguna sistem informasi sehingga dapat diketahui efektifitas dari sistem infomasi. Masih sedikitnya kajian empiris yang mengukur pemanfaatan sistem informasi dan teknologi informasi khususnya perilaku penggunaan ulang sistem informasi akademik memerlukan kajian lebih lanjut mengenai hal tersebut(Chin & Lee, 2000).

2.5 Skala Likert

Skala Likert adalah suatu skala psikometrik yang umum digunakan dalam angket dan merupakan skala yang paling banyak digunakan dalam riset berupa survei. Nama skala ini diambil dari nama Rensis Likert, yang menerbitkan suatu laporan yang menjelaskan penggunaannya. Sewaktu menanggapi pertanyaan dalam skala Likert, responden menentukan tingkat persetujuan mereka terhadap suatu pernyataan dengan memilih salah satu dari pilihan yang tersedia(Likert 1932).

Biasanya disediakan lima pilihan skala dengan format seperti ini:

1. Sangat setuju 2. Setuju 3. Netral 4. Tidak setuju

10 5. Sangat tidak setuju

Skala likert kerap digunakan sebagai skala penilaian karena memberikan nilai terhadap sesuatu (Syofian dkk, 2015, hh.1-8). Instrument penelitian yang menggunakan skala likert dapat dibuat dalam bentuk checklist ataupun pilihan ganda (Sugiyono, 2011).