IMPLEMENTASI PEMILIHAN MASKAPAI PENERBANGAN MENGGUNAKAN FUCOM-MABAC PADA SISTEM PENDUKUNG KEPUTUSAN

(1)

SmartAI | E-ISSN 2828-1144 Vol. 1 No. 1 – Januari 2022, pp: 11-22 https://ejournal.abivasi.id/index.php/SmartAI Publishing: Yayasan Adwitiya Basurata Inovasi

SmartAI

J O U R N A L

IMPLEMENTASI PEMILIHAN MASKAPAI PENERBANGAN MENGGUNAKAN FUCOM-MABAC PADA SISTEM PENDUKUNG KEPUTUSAN

Gede Surya Mahendra¹, Putu Gede Surya Cipta Nugraha², I Putu Yoga Indrawan³, I Made Satrya Ramayu⁴

1,2,3

Program Studi Teknik Informatika, STMIK STIKOM Indonesia, Denpasar, Indonesia

4Program Studi Bisnis Digital, Institut Desain & Bisnis Bali, Denpasar, Indonesia e-mail: gede.mahendra@stiki-indonesia.ac.id¹, surya.cipta@stiki-indonesia.ac.id²,

yoga.indrawan@stiki-indonesia.ac.id³, satrya.ramayu@idbbali.ac.id⁴ Abstract

There are still many airlines that face various problems, although the development of the Indonesian aviation service industry continues to grow. The better the service quality standard of the selected airline, the greater the interest of prospective passengers to use its services. The many choices and considerations for choosing an airline often confuse customers, because each airline has its own strengths. To solve this problem, a decision support system (DSS) can be used in airline selection based on customer preferences. This study succeeded in implementing FUCOM-MABAC to determine the most popular airlines in Indonesia. The price criteria (K4) turned out to be the main concern of consumers when calculating with FUCOM. Calculations using FUCOM-MABAC show that Garuda Indonesia is the most popular airline in Indonesia with a preference value of 0.3188, followed by Citilink as the second most popular airline and Batik Air as the third. Tests using consistency analysis show that Garuda Indonesia occupies the top 11 out of 13 tests with an average rating distribution of 1.29905, remaining stable as the best choice.

Keywords: FUCOM, MABAC, DSS, Airlines

Abstrak

Masih banyak maskapai yang menghadapi berbagai masalah, walaupun perkembangan industri jasa penerbangan Indonesia terus berkembang. Semakin baik standar kualitas pelayanan maskapai penerbangan yang dipilih, maka semakin besar minat calon penumpang untuk menggunakan layanannya. Banyaknya pilihan dan pertimbangan untuk memilih maskapai sering membingungkan pelanggan, karena setiap maskapai memiliki kekuatannya sendiri. Untuk mengatasi masalah ini, sistem pendukung keputusan (SPK) dapat digunakan dalam pemilihan maskapai berdasarkan preferensi pelanggan. Penelitian ini berhasil mengimplementasikan FUCOM-MABAC untuk menentukan maskapai penerbangan terpopuler di Indonesia. Kriteria harga (K4) ternyata menjadi concern utama bagi konsumen ketika perhitungan dengan FUCOM dilakukan. Perhitungan menggunakan FUCOM-MABAC menunjukkan bahwa Garuda Indonesia merupakan maskapai terpopuler di Indonesia dengan nilai preferensi 0,3188, disusul Citilink sebagai maskapai terpopuler kedua dan Batik Air sebagai ketiga.

Pengujian menggunakan analisis konsistensi menunjukkan bahwa Garuda Indonesia menempati 11 besar dari 13 tes dengan distribusi peringkat rata-rata 1,29905, tetap stabil sebagai pilihan terbaik.

Kata Kunci: FUCOM, MABAC, SPK, Maskapai

1. PENDAHULUAN

Implementasi deregulasi maskapai yang diberlakukan pada tahun 1999 menyebabkan perkembangan industri jasa penerbangan Indonesia terus berkembang. Kenyataannya, mayoritas maskapai penerbangan yang masih menghadapi berbagai masalah penerbangan. Pada tahun 2021 saja, pesawat maskapai akan mengalami masalah mulai dari masalah mesin, masalah teknis, kerusakan ban, masalah kokpit hingga masalah tekanan udara [1]. Wabah COVID-19 juga menghambat operasional maskapai. Produsen pesawat Airbus mengumumkan kerugian akibat pandemi mencapai Rp 18,8 triliun

(2)

SmartAI | E-ISSN xxxx-xxxx Vol. 1 No. 1 – Januari 2022, pp: 11-22 https://ejournal.abivasi.id/index.php/SmartAI Publishing: Yayasan Adwitiya Basurata Inovasi

SmartAI

J O U R N A L

[2]. Hal ini tidak hanya berdampak pada perusahaan, tetapi sebanyak 25 juta orang kehilangan pekerjaan akibat situasi COVID-19, dan jumlah ini terus meningkat seiring dengan perkembangan pandemi [3]. Tingkat pelayanan maskapai harus terus ditingkatkan untuk memberikan pelayanan yang berkualitas, terutama di masa pandemi. Salah satunya adalah pemberian layanan rapid antigen testing gratis melalui Garuda Indonesia, Lion Air, Batik Air, NAM Air dan Sriwijaya Air [4].

Semakin baik standar kualitas pelayanan maskapai penerbangan yang dipilih, maka semakin besar minat calon penumpang untuk menggunakan layanannya [5]. TripAdvisor adalah situs pemesanan online dan menyediakan informasi tentang berbagai akomodasi di seluruh dunia [6]. Pelanggan TripAdvisor dapat memperoleh dukungan dan bantuan dari aplikasi yang memungkinkan mereka menilai properti mereka untuk penggunaan online. Semua pihak dapat menggunakan fitur ini untuk menunjukkan peningkatan kualitas layanan dan memberikan informasi tentang properti yang terkait dengan properti tersebut. Namun, pelanggan maskapai penerbangan memiliki pertimbangan dan preferensi pribadi ketika memilih agen perjalanan. Banyaknya pilihan dan pertimbangan maskapai seringkali membingungkan pelanggan karena masing-masing maskapai memiliki keunggulannya masing- masing [7], [8].

Untuk mengatasi masalah ini, sistem pendukung keputusan (SPK) dapat digunakan ketika pelanggan perlu memilih maskapai penerbangan berdasarkan preferensi pelanggan berdasarkan kriteria yang dibutuhkan [9]–[11]. SPK adalah sistem yang efisien yang menggunakan aturan keputusan, model analitis, database yang komprehensif dan basis pengetahuan untuk membantu pengambil keputusan membuat keputusan berdasarkan kriteria yang kompleks [12]–[14]. Kombinasi metode FUCOM-MABAC dipilih untuk penelitian ini. Kombinasi metode ini dipilih karena FUCOM unggul dalam algoritma yang lebih sederhana, pembobotan hasil normalisasi yang lebih andal, lebih sedikit perbandingan antara standar, dan memungkinkan nilai integer, desimal, atau perbandingan ditentukan sebelumnya, menjadikannya lebih kuat dan fleksibel daripada AHP atau BWM [15]–[19]. MABAC memberikan solusi yang stabil dan dapat diandalkan untuk pengambilan keputusan yang rasional [20]–[22].

Namun, belum ada analisis komprehensif tentang bagaimana pengambil keputusan menguji bagaimana menggunakan beberapa bobot dan kombinasi yang berbeda dari beberapa pengambil keputusan yang berbeda dalam konteks analisis konsensus. Oleh karena itu, penelitian ini bertujuan untuk menghitung kombinasi metode FUCOM-MABAC dan menganalisis konsistensi kombinasi metode tersebut. Urgensi penelitian ini, jika tidak dilakukan, akan menghambat pengembangan metode SPK yang hanya menggunakan pemilihan metode yang sama tanpa berusaha menggunakan metode eksperimental terbaru, yang berpotensi menghambat inovasi di bidang SPK.

2. METODE PENELITIAN

Metodologi penelitian yang digunakan mengikuti tahapan model Cross-Industry Standard Process for Data Mining (CRISP-DM) [23]–[27]. Kerangka kerja tersebut diharapkan mampu menganalisis masalah bisnis dan kondisi terkini, menghasilkan transformasi data yang lebih akurat, serta menyediakan model yang dapat menilai efektivitas dan mendokumentasikan hasil yang diperoleh.

Berbagai tahapan model proses CRISP-DM ditunjukkan pada Gambar 1.

Pemahaman Bisnis (Business Understanding) adalah tahap yang digunakan untuk menentukan tujuan bisnis, melakukan analisis situasi bisnis, hingga penentuan tujuan dari SPK. Tahap ini dilakukan pemahaman yang menyeluruh berdasarkan analisis dari hasil observasi, wawancara dan dokumen- dokumen yang mendukung tujuan dan hasil penelitian. Tahap ini dilakukan analisis dari hasil observasi, wawancara dan dokumen pendukung tujuan dan hasil penelitian. TripAdvisor merupakan situs yang memberikan review akomodasi perjalanan dan wisata, yang salah satunya adalah review mengenai maskapai di Indonesia. Pada TripAdvisor hanya memberikan paparan nilai tanpa mempertimbangkan preferensi dari konsumen. Masing-masing konsumen memiliki pertimbangannya sendiri dan terdapat banyak pilihan maskapai di Indonesia yang memiliki kebijakan dan standar kualitas layanan yang mirip, sering membingungkan konsumen. Pada penelitian ini akan mengambil data pada TripAdvisor sebagai data alternatif dan menggunakan 5 narasumber untuk memberikan preferensi pemilihan maskapai.

Contoh review maskapai penerbangan di TripAdvisor ditunjukkan pada Gambar 2.

(3)

SmartAI

J O U R N A L

Gambar 1. CRISP-DM model [Sumber: Wirth & Hipp (2000) [23]]

Gambar 2. Review Maskapai pada TripAdvisor

Pada tahap ini dilakukan proses pengumpulan data, kemudian melakukan analisa data serta melakukan evaluasi kualitas data yang digunakan dalam penelitian. Untuk dapat memberikan rekomendasi pada konsumen, perlu mendapatkan data kriteria dan alternatif yang sesuai. Kriteria yang digunakan dalam penelitian ini meliputi kenyamanan (K1), hiburan dan pengalaman penerbangan (K2), layanan pelanggan (K3), harga (K4), kebersihan dan katering (K5), serta check-in dan boarding (K6).

Kriteria dengan kondisi cost adalah harga (K4), sedangkan kriteria lainnya adalah kriteria benefit. Untuk alternatif yang digunakan adalah maskapai niaga berjadwal di Indonesia sebanyak 6 perusahaan maskapai, yaitu Batik Air, Citilink, Garuda Indonesia, Indonesia AirAsia, Lion Air dan NAM Air.

Dalam tahapan persiapan data meliputi pemilihan data yang akan digunakan dan data yang akan dikeluarkan untuk dimasukkan dalam perhitungan SPK. Dalam tahap ini juga dilakukan data cleaning untuk memperbaiki, menghapus atau mengabaikan noise pada data. Narasumber akan melakukan pembobotan kriteria menggunakan FUCOM. Data maskapai sebagai alternatif akan dilakukan penilaian berdasarkan kriteria yang telah ditentukan sebelumnya.

Pada tahap business understanding telah dipilih tools, teknik ataupun metode yang akan digunakan dalam penelitian ini, yaitu metode FUCOM-MABAC. Sebelum melanjutkan penelitian dapat

(4)

SmartAI

J O U R N A L

melakukan test design dengan data sementara untuk membuktikan metode tersebut dapat digunakan.

Diagram alir metode ini ditunjukkan pada Gambar 3

Gambar 3. Diagram Alir Penelitian

Langkah pertama adalah persiapan data perbandingan antar kriteria yang bersumber dari decision maker sebagai narasumber, dan data alternatif yang berasal dari data maskapai pada TripAdvisor. Dengan menggunakan metode FUCOM, untuk menentukan data pembobotan kriteria, dimulai dari memberikan tingkat signifikansi kriteria, prioritas komparatif dan perhitungan koefesien bobot kriteria dengan fungsi minimasi menggunakan LINGO. Selanjutnya, data alternatif dilakukan normalisasi menggunakan metode MABAC sehingga menghasilkan data normalisasi alternatif. Data pembobotan kriteria menggunakan metode FUCOM dan data normalisasi alternatif menggunakan metode MABAC akan dilakukan perhitungan normalisasi terbobot dan menghitung nilai preferensi dan akan menghasilkan nilai preferensi yang dapat dilakukan perangkingan untuk dapat menentukan maskapai favorit di Indonesia. Nilai preferensi yang lebih tinggi merupakan rekomendasi maskapai yang lebih baik. Pada tahap evaluasi dilakukan pengujian baik pada hasil rekomendasi dari SPK maupun kinerja dari metode yang dipergunakan. Pada tahap penyebaran dilakukan perencanaan deployment berdasarkan evaluasi yang telah dilakukan sebelumnya.

3. HASIL DAN PEMBAHASAN

3.1 Deskripsi Data

Agar dapat menggunakan metode FUCOM-MABAC untuk perhitungan penentuan maskapai favorit di Indonesia, kriteria penentuan maskapai favorit dibobot berdasarkan data kuesioner dari pengambil keputusan yang memiliki pemahaman yang baik dan aktif dalam penggunaan. maskapai penerbangan, dikonversi ke kriteria standar tertimbang. Data maskapai digunakan sebagai data alternatif. Jumlah Pengambil Keputusan (PK) yang digunakan adalah 5 orang. Jumlah maskapai yang digunakan adalah 6 perusahaan penerbangan. Dengan menggunakan metode FUCOM, kelima PK memberikan pemeringkatan signifikansi kriteria, dan kemudian dilakukan perhitungan rasio koefesien dan transivitas matematis. Narasumber memilih kriteria yang paling disukai dan memberikan nilai 1, dan diberikan nilai yang sama dengan sebelumnya atau diberikan penambahan nilai secara ordinal atau desimal pada kriteria yang disukai selanjutnya hingga akhir, sehingga pembobotan bernilai lower is better. Pembobotan kelima narasumber terhadap masing-masing kriteria dapat dilihat pada Tabel 1.

(5)

SmartAI

J O U R N A L

Tabel 1: Pembobotan Kriteria Berdasarkan Kelima Narasumber

Kriteria K1 K2 K3 K4 K5 K6

Pembobotan Kriteria PK1 1.5 1.0 2.0 1.3 1.7 2.5

Selain itu, perhitungan difokuskan pada PK1, dan perhitungan dari sumber lain akan mengikuti perhitungan PK1. Lakukan pembobotan PK1 dari yang terkecil sampai yang terbesar. Selain itu, perhitungan prioritas nilai perbandingan adalah perhitungan rasio koefisien bobot, dan perhitungan transitif matematis juga dilakukan berdasarkan rasio koefisien bobot. Tabel 2 menunjukkan pengurutan pembobotan kriteria berdasarkan PK1.

Tabel 2: Pengurutan Pembobotan Kriteria Berdasarkan PK1

Kriteria K2 K4 K1 K5 K3 K6

Pembobotan Kriteria PK1 1 1.3 1.5 1.7 2 2.5

Perhitungan perbandingan prioritas dan rasio koefisien bobot pada PK1, dihitung dengan menggunakan langkah-langkah berikut.

(1)

⁄ ⁄ ⁄ ;

⁄ ⁄ ⁄

⁄ ⁄ ⁄ ;

⁄ ⁄ ⁄ .

Perhitungan transivitas matematis dari perhitungan rasio koefisien bobot pada PK1, dihitung dengan menggunakan langkah-langkah sebagai berikut.

(2)

⁄ ;

⁄ ; ⁄ ;

⁄ .

Hasil akhir pemodelan matematika untuk menentukan koefisien bobot kriteria evaluasi untuk PK1 adalah sebagai berikut.

| | | | | | | |

∑

(6)

SmartAI

J O U R N A L

Kemudian pemodelan matematis yang diperoleh diselesaikan menggunakan bantuan program aplikasi LINGO untuk melakukan fungsi minimisasi. Notasi dan hasil fungsi minimisasi untuk mencari koefisien bobot kriteria evaluasi FUCOM menggunakan LINGO dapat dilihat pada Gambar 4.

Gambar 4. Hasil Notasi dan Fungsi Minimasi untuk Mencari Koefisien Bobot Kriteria Evaluasi FUCOM Menggunakan LINGO

Untuk mencari rata-rata terbobot semua pengambil keputusan, dilakukan perhitungan rata-rata geometrik (GeoMean) berdasarkan pembobotan kriteria untuk semua pengambil keputusan dan rata- rata geometrik ternormalisasinya, disajikan pada tabel 3. Diagram lingkaran Kriteria Evaluasi Koefisien Bobot , disajikan pada Gambar 5. Berdasarkan pembobotan kriteria dari seluruh Pengambil Keputusan, ditetapkan bahwa kriteria harga (K4) mencapai 23,17% merupakan faktor yang menjadi fokus utama pemilihan maskapai diikuti dengan kriteria hiburan dan pengalaman penerbangan (K2) yang mencapai 19,29%, dan kriteria kenyamanan (K1) menjadi faktor terbesar berikutnya yang mencapai 17,00%.

Tabel 3: Koefisien bobot kriteria evaluasi untuk lima pengambil keputusan dan dalam geomean ternormalisasi menggunakan FUCOM

Kriteria W1 W2 W3 W4 W5 W6 SUM

Pembobotan Kriteria PK1 0.16317 0.24560 0.13655 0.19832 0.15224 0.10411 1.00000 Pembobotan Kriteria PK2 0.14999 0.19614 0.12749 0.25498 0.14999 0.12142 1.00000 Pembobotan Kriteria PK3 0.19532 0.12429 0.10938 0.27344 0.16085 0.13672 1.00000 Pembobotan Kriteria PK4 0.17917 0.17917 0.11646 0.23292 0.15528 0.13701 1.00000 Pembobotan Kriteria PK5 0.15823 0.23735 0.13962 0.19779 0.14834 0.11867 1.00000 Geomean 0.16842 0.19106 0.12536 0.22952 0.15328 0.12296 0.99060 Geomean Ternormalisasi 0.17002 0.19288 0.12655 0.23170 0.15473 0.12412 1.00000

Gambar 5. Kriteria Evaluasi Koefisien Bobot menggunakan FUCOM.

(7)

SmartAI

J O U R N A L

Setelah mendapatkan bobot kriteria menggunakan FUCOM, selanjutnya Anda dapat menghitung nilai preferensi menggunakan MABAC. Secara umum dalam menghitung nilai preferensi dimulai dari normalisasi nilai alternatif, perhitungan normalisasi alternatif berbobot, menghitung nilai preferensi dan rangking. Alternatif yang digunakan adalah Batik Air (X1), Citilink (X2), Garuda Indonesia (X3), Indonesia AirAsia (X4), Lion Air (X5), dan NAM Air (X6). Data alternatif maskapai penerbangan yang digunakan dalam perhitungan ini ditunjukkan pada Tabel 4.

Tabel 4: Data alternatif maskapai

Alternatif K1 K2 K3 K4 K5 K6

Batik Air (X1) 80 70 35 624,645 65 35

Citilink (X2) 70 60 40 512,152 70 40

Garuda Indonesia (X3) 80 80 40 851,212 85 40

Indonesia AirAsia (X4) 65 50 35 421,969 70 40

Lion Air (X5) 60 45 30 449,352 50 30

NAM Air (X6) 60 40 35 430,914 70 40

Nilai MIN 60 40 30 421,969 50 30

Nilai MAX 80 80 40 851,212 85 40

Berdasarkan data alternatif yang telah ditentukan, perhitungan berikut menunjukkan contoh perhitungan matriks keputusan yang dinormalisasi untuk alternatif Batik Air menggunakan MABAC.

Untuk alternatif selanjutnya, gunakan persamaan yang sama untuk menghasilkan matriks keputusan ternormalisasi menggunakan nilai MABAC yang ditunjukkan pada Tabel 5. Kriteria dengan kondisi manfaat, seperti kriteria K1, K2, K3, K5 dan K6, dihitung sebagai berikut.

(3)

;

Kriteria dengan kondisi biaya, seperti kriteria K4, dihitung sebagai berikut.

(4)

Tabel 5: Matriks keputusan yang dinormalisasi maskapai menggunakan MABAC

Batik Air (X1) 1.0000 0.7500 0.5000 0.5278 0.4286 0.5000 Citilink (X2) 0.5000 0.5000 1.0000 0.7899 0.5714 1.0000 Garuda Indonesia (X3) 1.0000 1.0000 1.0000 0.0000 1.0000 1.0000 Indonesia AirAsia (X4) 0.2500 0.2500 0.5000 1.0000 0.5714 1.0000 Lion Air (X5) 0.0000 0.1250 0.0000 0.9362 0.0000 0.0000 NAM Air (X6) 0.0000 0.0000 0.5000 0.9792 0.5714 1.0000

Setelah didapatkan nilai matriks keputusan ternormalisasi, maka perhitungan dilanjutkan pada perhitungan matriks keputusan ternormalisasi berbobot dan matriks daerah aproksimasi batas.

perhitungan berikut menggunakan kriteria evaluasi koefisien bobot menggunakan FUCOM dan matriks keputusan ternormalisasi menggunakan MABAC, dan dilakukan pada alternatif Batik Air (X1). Setelah

(8)

SmartAI

J O U R N A L

itu, lanjutkan untuk menghitung matriks daerah aproksimasi perbatasan. Untuk alternatif berikutnya, gunakan persamaan yang sama yang hasilnya ditunjukkan pada Tabel 6.

̂ ( ) (5)

̂ ̂ ̂ ̂ ̂ ̂

[∏ ̂] ^⁄ (6)

[ ]^⁄

Tabel 6: Matriks keputusan ternormalisasi berbobot maskapai dan area aproksimasi perbatasan menggunakan FUCOM-MABAC

Batik Air (X1) 0.1989 0.1819 0.0793 0.1760 0.0903 0.0775 Citilink (X2) 0.1139 0.1336 0.1426 0.2367 0.1124 0.1395 Garuda Indonesia (X3) 0.1989 0.2301 0.1426 0.0537 0.1787 0.1395 Indonesia AirAsia (X4) 0.0714 0.0854 0.0793 0.2854 0.1124 0.1395 Lion Air (X5) 0.0289 0.0613 0.0160 0.2706 0.0239 0.0154 NAM Air (X6) 0.0289 0.0372 0.0793 0.2806 0.1124 0.1395 Border Approximation Area 0.0803 0.1014 0.0739 0.1909 0.0905 0.0876 Setelah didapatkan matriks keputusan ternormalisasi berbobot dan matriks daerah aproksimasi perbatasan, perhitungan dilanjutkan dengan perhitungan jarak dari daerah aproksimasi perbatasan.

Perhitungan berikut menunjukkan jarak dari daerah aproksimasi perbatasan dan dihitung menggunakan FUCOM-MABAC pada alternatif Batik Air. Untuk alternatif berikutnya, gunakan persamaan yang sama yang hasilnya ditunjukkan pada Tabel 7.

̂ (7)

;

Tabel 7: Area aproksimasi perbatasan maskapai penerbangan menggunakan FUCOM-MABAC

Alternative K1 K2 K3 K4 K5 K6

Batik Air (X1) 0.1186 0.0804 0.0054 -0.0150 -0.0002 -0.0101 Citilink (X2) 0.0336 0.0322 0.0687 0.0458 0.0219 0.0519 Garuda Indonesia (X3) 0.1186 0.1286 0.0687 -0.1373 0.0882 0.0519

(9)

SmartAI

J O U R N A L

Alternative K1 K2 K3 K4 K5 K6

Indonesia AirAsia (X4) -0.0089 -0.0160 0.0054 0.0944 0.0219 0.0519 Lion Air (X5) -0.0514 -0.0401 -0.0578 0.0797 -0.0665 -0.0722 NAM Air (X6) -0.0514 -0.0642 0.0054 0.0896 0.0219 0.0519

Setelah memperoleh nilai-nilai dari daerah perbatasan, perhitungan dilanjutkan pada jarak total dari daerah perbatasan. Perhitungan berikut menunjukkan nilai total dari daerah perbatasan. Besarnya jarak total alternatif dari daerah perbatasan ditentukan dari tahap sebelumnya secara berurutan dan dibuat peringkat akhir dari alternatif yang ditunjukkan pada Tabel 8. Pilihan favorit maskapai penerbangan yang menggunakan FUCOM-MAB ditunjukkan pada Gambar 6.

∑ (8)

Tabel 8: Penentuan nilai preferensi penerbangan favorit menggunakan FUCOM-MABAC Alternatif Jarak Total dari Border Approximate Area

(Nilai Preferensi)

Ranking

Garuda Indonesia (X3) 0.3188 1^st Rank

Citilink (X2) 0.2541 2^nd Rank

Batik Air (X1) 0.1791 3^rd Rank

Indonesia AirAsia (X4) 0.1488 4^th Rank

NAM Air (X6) 0.0532 5^th Rank

Lion Air (X5) -0.2085 6^th Rank

Gambar 6. Penentuan harga preferensi maskapai menggunakan FUCOM-MABAC

Setelah perhitungan menggunakan spreadsheet, SPK menggunakan FUCOM-MABAC ini juga dikembangkan dalam perangkat lunak. Karena FUCOM telah dihitung menggunakan LINGO, maka pada aplikasi berbasis web hanya berfokus mengembangkan pada metode MABAC. Berikut merupakan tampilan perangkat lunak berbasis web pada FUCOM-MABAC.

0,1791

0,2541 0,3188

0,1488

-0,2085

0,0532

-0,30000 -0,20000 -0,10000 0,00000 0,10000 0,20000 0,30000 0,40000

Preference Value Determination of Favorite Airline using FUCOM-MABAC

Batik Air Citilink Garuda Indonesia Indonesia AirAsia Lion Air NAM Air

(10)

SmartAI

J O U R N A L

3.2 Pembahasan

Berdasarkan perhitungan manual pada perbandingan metode FUCOM-MABAC pada sistem pendukung keputusan penentuan maskapai favorit di Indonesia, maka akan dilakukan analisis konsistensi pada skenario yang telah ditentukan. Analisis konsistensi akan dilakukan dengan 13 skenario yang berbeda, dimana skenario 0 menggunakan kriteria pembobotan menggunakan FUCOM pada ketiga sumber yang telah dinormalisasi. Skenario 1 hingga skenario 6 dimanipulasi terhadap skenario 1 dengan menambahkan 0,5 poin pada setiap kriteria dan dilakukan normalisasi, dan skenario 7 hingga skenario 16 dimanipulasi ke skenario 12 dengan menambahkan 1 poin pada setiap kriteria dan dilakukan normalisasi. Skenario tersebut dapat dilihat pada tabel 9.

Tabel 9: Skenario pembobotan antar kriteria untuk analisis konsistensi ternormalisasi

Skenario W1 W2 W3 W4 W5 W6

Skenario Standar 0.17002 0.19288 0.12655 0.23170 0.15473 0.12412 Skenario 0.44668 0.12858 0.08437 0.15447 0.10315 0.08275 Skenario 0.11335 0.46192 0.08437 0.15447 0.10315 0.08275 Skenario 0.11335 0.12858 0.41770 0.15447 0.10315 0.08275 Skenario 0.11335 0.12858 0.08437 0.48780 0.10315 0.08275 Skenario 0.11335 0.12858 0.08437 0.15447 0.43649 0.08275 Skenario 0.11335 0.12858 0.08437 0.15447 0.10315 0.41608 Skenario 0.58501 0.09644 0.06328 0.11585 0.07737 0.06206 Skenario 0.08501 0.59644 0.06328 0.11585 0.07737 0.06206 Skenario 0.08501 0.09644 0.56328 0.11585 0.07737 0.06206 Skenario 0.08501 0.09644 0.06328 0.61585 0.07737 0.06206 Skenario 0.08501 0.09644 0.06328 0.11585 0.57737 0.06206 Skenario 0.08501 0.09644 0.06328 0.11585 0.07737 0.56206

Berdasarkan skenario yang telah ditentukan, nilai preferensi dan peringkat akan dihitung kembali. Kemudian akan terlihat seberapa konsisten suatu alternatif disukai oleh suatu metode.

Perhitungan analisis konsistensi distribusi rank menggunakan FUCOM-MABAC, dapat dilihat pada tabel 10.

Tabel 10. Perhitungan analisis konsistensi distribusi rank menggunakan FUCOM-MABAC

Alternatif Distribusi Peringkat GeoMean dari

Distribusi Peringkat

Ke-1 Ke-2 Ke-3 Ke-4 Ke-5 Ke-6

Batik Air - 4 kali 3 kali 2 kali 4 kali - 3.23908

Citilink 1 kali 8 kali 4 kali - - - 2.14811

Garuda Indonesia 11 kali - - - 1 kali 1 kali 1.29905

Indonesia AirAsia 1 kali 1 kali 4 kali 7 kali - - 3.11996

Lion Air - - - 1 kali - 12 kali 5.81575

NAM Air - - 2 kali 3 kali 8 kali - 4.39011

Berdasarkan analisis konsistensi, dari perspektif 13 skenario modifikasi bobot kriteria yang berbeda, Garuda Indonesia masih menjadi pilihan favorit pelanggan maskapai penerbangan Indonesia.

Dari 13 tes yang dilakukan, Garuda Indonesia menduduki peringkat pertama sebanyak 11 kali dan kelima sebanyak 1 kali dan keenam sebanyak 1 kali. Hal ini karena 2 tes difokuskan pada faktor harga. Harga yang dipatok Garuda Indonesia memang paling mahal di antara kompetitornya, namun faktor lain seperti kenyamanan, kebersihan, customer service, dan lain-lain memiliki nilai yang lebih tinggi dari kompetitor. Studi ini menunjukkan bahwa sampel pengambil keputusan yang dipilih menunjukkan bahwa harga adalah pilihan utama untuk memilih maskapai favorit mereka. Garuda Indonesia merupakan maskapai penerbangan terpopuler, berdasarkan pengambilan keputusan yang dipilih sebagai sampel. Proses analisis konsistensi menunjukkan bahwa nilai akhir FUCOM-MABAC sangat ditentukan oleh pembobotan kriteria yang bersumber dari pengambil keputusan. jika pengambil keputusan memberikan penilaian yang berbeda pada bobot kriteria, maka hasil akhir yang diberikan dengan menggunakan perhitungan FUCOM-MABAC juga akan berubah.

(11)

SmartAI

J O U R N A L

4. KESIMPULAN

Penelitian ini berhasil mengimplementasikan perhitungan menggunakan FUCOM-MABAC, berdasarkan decision maker yang digunakan, menggunakan 6 kriteria dan juga 6 alternatif yang diuji untuk menentukan maskapai favorit di Indonesia. Saat menggunakan FUCOM untuk menghitung bobot standar, dapat dilihat bahwa kriteria harga (K4) mencapai 23,17% merupakan faktor yang menjadi fokus utama pemilihan maskapai diikuti dengan kriteria hiburan dan pengalaman penerbangan (K2) yang mencapai 19,29%, dan kriteria kenyamanan (K1) menjadi faktor terbesar berikutnya yang mencapai 17,00%. Dengan menggunakan perhitungan FUCOM-MABAC, Garuda Indonesia menjadi maskapai terpopuler di Indonesia dengan nilai preferensi 0,3188, disusul Citilink di posisi kedua dengan nilai 0,2541, dan Batik Air di posisi ketiga dengan nilai 0,1791, dan masing-masing Indonesia AirAsia, NAM Air dan Lion Air menduduki peringkat terakhir di antara alternatif yang diuji. Dalam analisis konsistensi, Garuda Indonesia menduduki peringkat pertama sebanyak 11 kali dari 13 kali pengujian untuk menghitung analisis konsistensi dengan Geoetric Mean of Rank Distribution sebesar 1,29905.

Perhitungan FUCOM-MABAC juga berhasil diimplementasikan pada perangkat lunak berbasis web. Hasil perhitungan ini erat kaitannya dengan bobot pengambil keputusan. Jika pengambil keputusan mengubah peringkat, hasil peringkat dapat berubah. Diharapkan perhitungan FUCOM-MABAC ini dapat membantu pelanggan dalam menentukan maskapai yang sesuai dengan preferensinya dan pihak maskapai dapat memperbaiki kelemahan yang dimiliki saat ini.

PERNYATAAN PENGHARGAAN

Penulis mengucapkan terima kasih kepada STMIK STIKOM Indonesia, yang telah mendanai program hibah Penelitian Dosen Mahasiswa Tahun 2021, dengan nomor kontrak 07/04/LPPM/PDM/V/2021.

DAFTAR PUSTAKA

[1] T. Santia, “Rentetan Kejadian Pesawat Maskapai Nasional di Awal 2021, Masalah Mesin hingga Pecah Ban,” Liputan 6, Mar. 12, 2021. https://www.liputan6.com/bisnis/read/4504854/rentetan- kejadian-pesawat-maskapai-nasional-di-awal-2021-masalah-mesin-hingga-pecah-ban

[2] W. S. Widodo, “Airbus Umumkan Rugi Rp 18,8 Triliun Gegara Pandemi Corona,” Detik.com, Feb.

23, 2021. https://travel.detik.com/travel-news/d-5401132/airbus-umumkan-rugi-rp-188-triliun- gegara-pandemi-corona

[3] J. Dalle, “Pandemi Corona dan Drama ‘Terra Incognita,’” Detik.com, Nov. 16, 2020.

https://news.detik.com/kolom/d-5256888/pandemi-corona-dan-drama-terra-incognita

[4] D. Kuswaraharja, “Cara Dapatkan Rapid Test Antigen Gratis di 5 Maskapai,” Detik.com, Mar. 08, 2021. https://travel.detik.com/travel-news/d-5485219/cara-dapatkan-rapid-test-antigen-gratis- di-5-maskapai

[5] N. Indriyani, E. Ali, U. Rio, and R. Rahmaddeni, “Menentukan Kualitas Pelayanan Maskapai Penerbangan Domestik Dengan Menggunakan Metode Naïve Bayes:,” SATIN, vol. 6, no. 1, pp. 37–

44, Jun. 2020, doi: 10.33372/stn.v6i1.605.

[6] S. Seimahuira, “Implementasi Datamining dalam Menentukan Destinasi Unggulan Berdasarkan Online Reviews TripAdvisor Menggunakan Alogoritma K-Means,” Jurnal Technologia, vol. 12, no.

1, pp. 53–58, 2021.

[7] G. S. Mahendra and I. G. B. Subawa, “Perancangan Metode AHP-WASPAS Pada Sistem Pendukung Keputusan Penempatan ATM,” Prosiding Seminar Nasional Pendidikan Teknik Informatika (SENAPATI) Ke-10, vol. 1, no. 1, pp. 122–128, 2019.

[8] G. S. Mahendra and N. K. A. P. Sari, “Perancangan Sistem Pendukung Keputusan Dengan Metode Ahp-Vikor Dalam Penentuan Pengembangan Ekowisata Pedesaan ( Decision Support System Design With Ahp-Vikor Method In Determination Of Rural Ecotourism Development ),” 2019, pp.

15–34.

[9] G. S. Mahendra, I. W. W. Karsana, and A. A. I. I. Paramitha, “DSS for best e-commerce selection using AHP-WASPAS and AHP-MOORA methods,” MATRIX, vol. 11, no. 2, pp. 81–94, Jul. 2021, doi:

10.31940/matrix.v11i2.2306.

(12)

SmartAI

J O U R N A L

[10] G. S. Mahendra and K. Y. E. Aryanto, “SPK Penentuan Lokasi ATM Menggunakan Metode AHP dan SAW,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 49–56, 2019, doi:

10.25077/TEKNOSI.v5i1.2019.49-56.

[11] I. G. Hendrayana and G. S. Mahendra, “Perancangan Metode AHP-MOORA Pada Sistem Pendukung Keputusan Pemilihan Paket Wisata,” Prosiding Seminar Nasional Pendidikan Teknik Informatika (SENAPATI) Ke-10, vol. 1, no. 1, pp. 143–149, 2019.

[12] N. K. A. P. Sari, “Implementation of the AHP-SAW Method in the Decision Support System for Selecting the Best Tourism Village,” Jurnal Teknik Informatika C.I.T Medicom, vol. 13, no. 1, pp.

22–31, Mar. 2021.

[13] G. S. Mahendra and E. Hartono, “Implementation of AHP-MAUT and AHP-Profile Matching Methods in OJT Student Placement DSS,” Jurnal Teknik Informatika CIT Medicom, vol. 13, no. 1, p.

9, 2021, doi: https://doi.org/10.35335/cit.Vol13.2021.56.pp13-22.

[14] G. S. Mahendra and I. P. Y. Indrawan, “Metode AHP-TOPSIS Pada Sistem Pendukung Keputusan Penentuan Penempatan Atm,” JST (Jurnal Sains dan Teknologi), vol. 9, no. 2, pp. 130–142, 2020, doi: 10.23887/jst-undiksha.v9i2.24592.

[15] I. Badi and A. Abdulshahed, “Ranking the Libyan airlines by using Full Consistency Method (FUCOM) and Analytical Hierarchy Process (AHP),” Operational Research in Engineering Sciences:

Theory and Applications, vol. 2, no. 1, pp. 1–14, 2019, doi: 10.31181/oresta1901001b.

[16] B. Matić et al., “A New Hybrid MCDM Model : Sustainable Supplier Selection in a Construction Company,” Symmetry, vol. 11, no. March, pp. 1–24, 2019, doi: 10.3390/sym11030353.

[17] M. Adnan, R. Adin, Z. Nunić, Ž. Stević, and S. Sremac, “Selection of transportation mean using integrated FUCOM-ARAS model,” st and, p. 6, 2019.

[18] D. S. Pamucar, D. Božanic, and A. Randelovic, “Multi-criteria decision making: An example of sensitivity analysis,” Serbian Journal of Management, vol. 12, no. 1, pp. 1–27, 2017, doi:

10.5937/sjm12-9464.

[19] Ž. Stević, B. Miĉić, D. Lukić, M. Tomašević, and S. Sremac, “Supplier Selection for Distribution of Finished Products: Combined FUCOM-MABAC Model,” 2019, no. December, pp. 35–40.

[20] B. N. Ihwa, N. Silalahi, and R. K. Hondro, “Sistem Pendukung Keputusan Pemilihan Jaksa Terbaik dengan Menerapkan Metode MABAC ( Studi Kasus : Kejaksaan Negeri Medan ),” Journal of Computer System and Informatics, vol. 1, no. 4, pp. 225–230, 2020.

[21] N. Ndruru, F. T. Waruwu, and D. P. Utomo, “Penerapan Metode MABAC Untuk Mendukung Pengambilan Keputusan Pemilihan Kepala Cabang Pada PT. Cefa Indonesia Sejahtera Lestari,”

Rekayasa Teknik Informatika dan Informasi, vol. 1, no. 1, pp. 36–49, 2020.

[22] H. Yosafat, K. Budi, and Nurhadi, “Perancangan Sistem Pendukung Keputusan Pembelian Laptop Dengan Metode Mabac (Studi Kasus : Sigma Komputer),” Jurnal Ilmiah Mahasiswa Teknik Informatika, vol. 2, no. 2, pp. 148–161, 2020.

[23] R. Wirth and J. Hipp, “CRISP-DM : Towards a Standard Process Model for Data Mining,” Semantic Scholar, vol. 1, no. 24959, pp. 1–11, 2000.

[24] E. Exenberger and J. Bucko, “Analysis of Online Consumer Behavior - Design of CRISP-DM Process Model,” AOL, vol. 12, no. 3, pp. 13–22, Sep. 2020, doi: 10.7160/aol.2020.120302.

[25] C. Schröer, F. Kruse, and J. M. Gómez, “A Systematic Literature Review on Applying CRISP-DM Process Model,” Procedia Computer Science, vol. 181, pp. 526–534, 2021, doi:

10.1016/j.procs.2021.01.199.

[26] G. S. Mahendra and P. G. S. C. Nugraha, “Komparasi Metode AHP-SAW dan AHP-WP pada SPK Penentuan E-Commerce Terbaik di Indonesia Comparison of AHP-SAW and AHP-WP Methods on DSS to Determine the Best E-Commerce in Indonesia,” Jurnal Sistem dan Teknologi Informasi (JUSTIN), vol. 08, no. 4, pp. 346–356, 2020, doi: 10.26418/justin.v8i4.42611.

[27] G. S. Mahendra and E. Hartono, “Komparasi Analisis Konsistensi Metode AHP-MAUT dan AHP-PM pada SPK Penempatan Siswa OJT,” Jurnal Teknologi Informasi Informasi dan Komputer, vol. 7, no.

2, 2021.