BAB 2
LANDASAN TEORI
2.1 Sistem Pendukung Keputusan
Sistem Pendukung Keputusan adalah sistem berbasis komputer yang membantu para pengambil keputusan mengatasi masalah melalui interaksi dengan sejumlah database.Tujuan dari sistem adalah untuk menyimpan data dan mengubahnya menjadi
terorganisir yang dapat diakses dengan mudah, sehingga keputusan-keputasan yang diambil dapat dengan cepat, akurat, dan murah. (Dermawan, 2002)
Sistem Pendukung Keptusan biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk satu peluang.Aplikasi Sistem Pendukung Keputusan menggunakan CBIS (Computer Based Information System) yang fleksibel, interaktif, dan diadaptasi, yang dikembangkan untuk mendukung mencari solusi. (Nofriansyah, 2014)
Sistem Pendukung Keputusan juga dapat didefenisikan sebuah sistem informasi berbasis komputer yang menggabungkan model dan data dalam upaya memecahkan masalah semi terstruktur dan beberapa masalah yang tidak terstruktur dengan campur tangan pengguna. (Turban, et al. 2009)
2.1.1 Syarat Sistem Pendukung Keputusan
Menurut Bidgoli (1989), syarat dari sebuah sistem keputusan adalah : 1. Memerlukan perangkat keras;
2. Memerlukan perangkat lunak;
3. Memerlukan manusia (perancang dan pengguna);
4. Dirancang untuk mendukung sebuah pengambilan keputusan;
2.1.2 Arsitektur Sistem Pendukung Keputusan
Arsitektur Sistem Keputusan (SPK) terdiri dari beberapa subsistem yang menentukan kapabilitas teknis Sistem Pendukung Keputusan Tersebut (Nofriansyah, 2014), yaitu;
1. Subsistem data (Database)
Merupakan komponen Sistem Pendukung Keputusan yang berguna sebagai penyedia data bagi sistem.Data tersebut disimpan untuk diorganisasikan dalam sebuah basis data yang diorganisasikan oleh suatu sistem yang dsebut dengan sistem manajemen basis data (Database Management System).
2. Subsistem Model
Subsistem yang mengatur interaksi data dan model keputusan yang ada pada sistem.
3. Subsistem Dialog
Subsistem yang mampu mengintegrasikan sistem terpasang dengan pengguna secara interaktif, yang dikenal dengan subsitem dialog.
Ketiga subsistem menjadi suatu Arsitektur SPK yang terdapat pada gambar 1.1 sebagai berikut:
Arsitektur SPK sendiri terdiri dari fungsi-fungsi yang diperlukan pada sebuah SPK yaitu Dialog, Manajemen Database, dan Pemodelan.
2.1.3. Karakteristik Sistem Pendukung Keputusan
Sehubungan banyaknya definisi yang dikemukakan mengenai pengertian dan penerapan dari sebuah SPK, sehingga menyebabkan terdapat banyak sekali pandangan mengenai sistem tersebut. SPK memiliki beberapa karakteristik dan kemampuan (Nofriansyah, 2014), yaitu:
1. Mendukung proses pengambilan keputusan suatu organisasi atau perusahaan. 2. Adanya Interface manusia/mesin dimana manusia (user) tetap memegang
kontrol proses pengambilan keputusan.
3. Mendukung pengambilan keputusan untuk membahas masalah terstruktur, semi terstruktur serta mendukung beberapa keputusan yang saling berinteraksi. 4. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan
kebutuhan.
5. Memiliki subsistem yang terintegrasi sedemikian rupa sehingga dapat berfungsi sebagai kesatuan sistem.
6. Memiliki dua komponen utama yaitu data dan model. 7. Menggunakan beberapa model kuantitatif.
2.1.4. Tahapan Proses Pengambilan Keputusan
Langkah-langkah yang diperlukan dalam proses pengambilan keputusan (Nofriansyah, 2014), adalah:
A. Intelligence
Tahap ini merupakan proses penelusuran dan pendektesian dari ruang lingkup problematika secara proses pengenalan masalah. Data masukan diperoleh, diproses dan diuji dalam rangka mengidentifikasi masalah.
B. Design
Tahap ini merupakan proses menemukan, mengembangkan dan menganalisis alternatif tindakan yang biasa dilakukan. Tahap ini meliputi menguji kelayakan solusi.
Pada tahap ini dilakukan proses pemilihan diantara berbagai alternatif tindakan yang mungkin dijalankan. Hasil pemilihan tersebut kemudian diimplementasikan dalam proses pengambilan keputusan.
2.2. Simple Additive Weighting (SAW)
Simple Additive Weighting (SAW) sering juga dikenal dengan istilah metode
penjumlahan terbobot, merupakan sebuah metode yang cukup terkenal dan sering digunakan dalam Multiple Decision Making (MADM).Setiap alternatif dikalikan dengan atribut untuk memperoleh nilai. Proses perhitungan dapat dinyatakan dalam rumus (1) (Venkata, 2007):
Keterangan:
Pi = Nilai SAW
J = Batas bawah perhitungan M = Batas atas perhitungan
= Bobot kriteria j
= Nilai alternatif i pada kriteria j
Keterangan:
Pi = Nilai SAW
j = Batas bawah perhitungan M = Batas atas perhitungan
= Bobot kriteria j
( ) normal = Nilai kriteria dari alternatif pada baris i kolom j yang telah ternormalisasi.
Ketika ( ) normal mewakili nilai dari yang telah dinormalisasi, alternatif dengan nilai Pi tertinggi akan dipilih sebagai alternatif terbaik. Kriteria yang ada dapat berupa kriteria keuntungan maupun kerugian. Jika kriteria merupakan kriteria keuntungan, maka normalisasi dihitung dengan menggunakan rumus (3) (Turban, et al. 2009):
Keterangan:
( ) normal = Nilai data baris i kolom j yang telah ternormalisai ( ) k = Nilai alternatif i pada kriteria j
( ) l = Nilai kriteria tertinggi dari alternatif
Namun jika kriteria yang akan dihitung merupakan kriteria kerugian (nilai terendah merupakan nilai yang lebih baik), maka normalisai dihitung dengan menggunakan rumus (4) (Venkata, 2007):
Keterangan:
( ) l = Nilai kriteria terendah dari alternatif ( ) k = Nilai alternatif i pada kriteria j
Langkah-langkah yang diperlukan untuk memperoleh nilai SAW dari alternatif yang ada adalah:
1. Masukkan nilai kriteria dari seluruh alternatif 2. Masukkan nilai bobot dari setiap kriteria
3. Normalisasi data dengan menggunakan rumus (3) jika kriteria yang dihitung merupakan kriteria keuntungan dan dengan rumus (4) jika kriteria yang dihitung berupa kriteria kerugian.
4. Data ternormalisasi akan diperoleh
Gambar 1.2 Flowchart Metode Simple Additive Weighting
Tabel 1.1 Tabel Contoh Nilai SAW
Berdasarkan Tabel 1.1, dapat kita ketahui nilai bobot yang diberikan pada kriteria C1 adalah 0.3 atau 30%, nilai bobot pada kriteria C2 adalah 0.3 atau 30%, nilai bobot pada kriteria C3 adalah 0.2 atau 20% dan nilai bobot pada kriteria C4 adalah 0.2 atau setara dengan 20%. Dalam permasalahan ini, keseluruhan kriteria merupakan kriteria keuntungan. Maka, selanjutnya data tersebut akan dinormalisasikan dengan rumus (3). Sehingga menjadi seperti Tabel 1.2.
Tabel 1.2 Tabel Hasil Normalisasi Nilai
C1 C2 C3 C4
Alternatif 0.3 0.3 0.2 0.2
A1 1 1 0.857 0.5
A2 0.875 0.857 0.571 1 A3 0.75 0.857 1 0.5
Setelah proses normalisasi, maka langkah selanjutnya adalah menghitung nilai SAW dengan rumus (2).
Untuk alternatif A1, maka nilai SAW yang diperoleh adalah:
Untuk alternatif A2, maka nilai SAW yang diperoleh adalah:
Berdasarkan perhitungan diatas, maka alternatif dan yang baik, dikarenakan nilai preferensi SAW dari alternatif dan merupakan nilai yang tertinggi dari ketiga alternatif yang ada, yaitu Primagama dan Adzkia.
2.3. Weighted Product Model (WPM)
Metode Weighted Prduct (WP) Merupakan metode pengambilan keputusan dengan cara perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot atribut yang bersangkutan (Primarizky, 2013).
Metode Weighted Product (WP) merupakan salah satu metode penyelesaian yang ditawarkan untuk menyelesaikan masalah Multi Attribute Decision Making (MADM). Multi Attribute Decision Making adalah satu metode pengambilan keputusan untuk
menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan beberapa kriteria tertentu (Kusumadewi, 2006). Kriteria biasanya berupa ukuran-ukuran, aturan-aturan atau standar yang digunakan dalam pengambilan keputusan. Setelah mendapat hasil bobot atribut, selanjutnya dihitung vector V persamaan sebagai berikut (Savitha. K. dan Chandrasekar. C.2011):
(1)
Keterangan:
Gambar 1.3 Flowchart Metode Weighted Product Model
Tabel 1.3 Data Tempat Lembaga Bimbingan Belajar di Kota Medan
Alternatif
Kriteria
C1 C2 C3 C4
A1 70 80 70 70
A2 70 70 70 60
A3 70 80 70 60
Keterangan:
C1 =Biaya A1=GaneshaOperation(GO)
C2 =Fasilitas A2 =Primagama
C3 =Jumlah pertemuan A3=ADZKIA
C4 =Jumlah Lulus ke PTN
Di mana data dari setiap kriteria yang didapat oleh masing-masing Bimbingan Belajar yang ada di kota Medan. Selanjutnya menentukan bobot untuk setiap kriteria, bobot kriteria akan ditentukan sebagai berikut:
Tabel 1.4 Pemberian Bobot Kriteria
C1 C2 C3 C4
Alternatif 0.2 0.2 0.3 0.3
A1 70 80 70 70
A2 70 70 70 60
Berdasarkan table 2 diatas, dapat kita ketahui nilai bobot yang diberikan pada A1 adalah 0.2 atau 20%, nilai bobot pada kriteria A2 adalah 0.2 atau 20%, nilai bobot pada kriteria A3 adalah 0.3 atau 30%, nilai bobot pada kriteria A4 adalah 0.3 atau setara dengan 30%. Selanjutnya untuk menghitung nilai WPM dari setiap alternatif digunakan rumus (1) sehingga:
A1=700.3x800.3x700.2x700.2=68.5055 A2=700.3x700.3x700.2x600.2=61.985 A3=700.3x800.3x700.2x600.2=65.527
Dari hasil diatas, maka A1 merupakan alternatif pilihan terbaik yaitu Lembaga Bimbingan Belajar Ganesha Operation (GO).
2.4. Relevansi
Beberapa contoh penelitian tentang Sistem Pendukung Keputusan dan implementasi metode Simple Additive Weighting maupun Weighted Product Model adalah sebagai berikut:
1. M.Fajrul Falah Siregar (2010), membuat penelitian yang berjudul Implementasi Metode Simple Additive Weighting (SAW) Dalam Pemilihan Siswa Berprestasi (Studi Kasus: MIN Tanjung Sari Medan Selayang). Hasil penelitian yang diperoleh adalah sebuah Sistem Pendukung Keputusan untuk menentukan pemilihan siswa berprestasi.
