commit to user
1
DECISION SUPPORT SYSTEM USING TECHNIQUE FOR ORDER PREFERENCE BY SIMILARITY TO IDEAL SOLUTION (TOPSIS) METHOD FOR CHOOSING SMARTWATCH
Adhike Noviyani Jurusan Informatika Universitas Sebelas Maret Jl. Ir. Sutami No 36 A Surakarta adhikenoviyani@student.uns.ac.id
Sari Widya Sihwi Jurusan Informatika Universitas Sebelas Maret Jl. Ir. Sutami No 36 A Surakarta
sariwidya@staff.uns.ac.id
Bambang Harjito Jurusan Informatika Universitas Sebelas Maret Jl. Ir. Sutami No 36 A Surakarta bambang_harjito@staff.uns.ac.id
ABSTRACT
Having smartwatch is one of the things that is increasingly needed by someone. However it requires consideration in making decisions about choosing smartwatch. One of the confusion that often occurs in selecting smartwatch is confusion in choosing the exact specifications as desired. So it needs a system that can help to provide recommendations in selecting smartwatch. TOPSIS method is used. This paper discusses the system on select smartwatch using five criterias, such as element resistance, storage, connectivity, battery, and prices. Each assigned a weighting of criteria on the alternative chosen smartwatch. Perform calculations using TOPSIS method. If the end result has been obtained, it can be used as a reference to provide a suitable ranking of the
smartwatch. TOPSIS method can provide
recommendations smartwatch elections which will be selected and desirable.
Keywords: Smartwatch, Decision Support System, TOPSIS
1. PENDAHULUAN
Ketika dunia berubah ke era internet dan mobile, maka devices pun berubah. Kini muncul smartwatch
(jam tangan pintar) atau sebagian lagi menyebut
watchphone (jam tangan ponsel). Sesungguhnya
perangkat ini adalah memindahkan fungsi (dasar)
smartphone ke dalam sebuah jam tangan dan harga yang
bervariatif.
Dikarenakan perkembangan smartwatch yang begitu dratis membuat daya beli orang semakin tinggi dengan kriteria-kriteria yang ada. Dan dikarenakan banyaknya kriteria yang ada pada smartwatch maka membuat pilihan yang banyak sekali [1].
Berdasarkan hal tersebut, maka penelitian ini bertujuan untuk membangun sebuah Sistem Pendukung Keputusan (SPK) yang berfungsi sebagai alat bantu bagi user dalam pengambilan keputusan pada proses pemilihan
smartwatch. Pengambil keputusan dihadapkan dengan
banyaknya hal-hal atau kriteria yang harus dipertimbangkan [2]. Sebelum penelitian ini telah dilakukan juga penelitian tentang pemilihan handphone
yang kasusnya hampir mirip dengan penelitian pemilihan
smartwatch menggunakan metode Simple Additive
Weighting (SAW) [3].
SPK merupakan sistem berbasis komputer interaktif yang membantu pengambil keputusan memanfaatkan data dan model untuk menyelesaikan suatu masalah [4].
Terdapat beberapa metode dalam SPK, salah satunya adalah metode Technique for Order Preference by
Similarity to Ideal Solution (TOPSIS). Pada TOPSIS
digunakan multi kriteria. Konsep dasar TOPSIS adalah memilih alternatif terbaik dari sejumlah alternatif. Metode TOPSIS sebagai metode yang didasarkan pada konsep bahwa alternatif terbaik adalah dipilihnya tidak hanya memiliki jarak terpendek dari solusi ideal positif, tetapi juga memiliki jarak terjauh dari solusi ideal negatif [5]. Sebelumnya pernah dilakukan juga penelitian menggunakan metode TOPSIS tetapi memakai kasus yang berbeda, yaitu penelitian tentang pemilihan laptop [6] dan penelitian mengenai penyeleksian calon penerima beasiswa akademik dan non akademik di Universitas Islam Negeri Sunan Kalijaga [7].
Kelebihan TOPSIS adalah konsepnya sederhana dan mudah dipahami, komputasinya efisien, dan memiliki kemampuan untuk mengukur kinerja relatif dari alternatif-alternatif keputusan dalam bentuk matematis yang sederhana dimana akan didapatkan alternatif yang terbaik sehingga membantu proses pengujian dan tujuan penelitian ini dapat terjawab.
2. SISTEM PENDUKUNG KEPUTUSAN
Definisi awal Decission Support System (DSS) adalah suatu sistem yang ditujukan untuk mendukung manajemen pengambil keputusan. Tujuan DSS yang harus dicapai antara lain adalah membantu user membuat keputusan, mendukung penilaian user bukan mencoba untuk menggantikannya, meningkatkan efektifitas pengambilan keputusan user [8]. Terdapat 4 fase dalam pembangunan decission support system, yaitu
intelligence, design, choice, dan implementation. Tahap
intelligence phase, masalah diidentifikasi, ditentukan tujuan dan sasarannya, penyebabnya, dan besarnya. Masalah dijabarkan secara lebih rinci dan dikategorikan apakah termasuk progammed atau non-programmed. Tahap design phase dikembangkan tindakan alternatif, menganalisis solusi yang potensial, membuat model, membuat uji kelayakan, dan memvalidasi hasilnya. Tahap choice phase menjelaskan pendeketan solusi yang dapat diterima dan memilih alternatif keputusan yang terbaik. Sedangkan tahap implementation phase
commit to user
2 3. TECHNIQUE FOR ORDER PREFERENCE BY
SIMILARITY TO IDEAL SOLUTION (TOPSIS) Metode TOPSIS merupakan metode yang membandingkan sekumpulan alternatif dengan mengidentifikasi bobot setiap kriteria, menormalisasi nilai setiap kriteria dan menghitung jarak geometris antara setiap alternatif dan alternatif ideal, yang merupakan nilai terbaik dalam setiap kriteria. Metode TOPSIS didasarkan pada konsep bahwa alternatif terpilih yang terbaik tidak hanya memiliki jarak terpendek dari solusi ideal positif tetapi juga memiliki jarak terpanjang dari solusi ideal negatif. Tahapan dalam metode TOPSIS adalah sebagai berikut [7] :
1. Menentukan alternatif pilihan (A) dan kriteria (C) yang digunakan untuk mempertimbangkan alternatif pilihan oleh pembuat keputusan.
2. Menentukan bobot dari setiap kriteria oleh pembuat keputusan (W).
3. Membuat matriks keputusan yang ternormalisasi (rij) untuk setiap alternatif i (Ai) dan kriteria j (Cj).
rij = m i ij j i x x 1 2 (1)
dengan i = 1,2,....m; dan j = 1,2,...n;
xij = nilai skala oleh pembuat keputusan untuk setiap alternatif i pada kriteria j.
4. Membuat matriks keputusan yang ternormalisasi terbobot (Yij).
Yij = Xij.Wi (2) dengan i = 1,2,....m; dan j = 1,2,...n;
5. Menentukan matriks solusi ideal positif (S+) dan matriks solusi ideal negatif (S-).
A+ = (Y1 +
, Y2 +
, ..., Yn +
); (3)
A- = (Y1
-, Y2
-, ...-, Yn
-); (4)
Yj +
adalah max Yij jika j adalah atribut keuntungan (benefit); min Yij jika j adalah atribut biaya (cost).
Yj
adalah min Yij jika j adalah atribut keuntungan (benefit); max Yij jika j adalah atribut biaya (cost). 6. Menentukan jarak antara nilai setiap alternatif i (Ai)
dengan matriks solusi ideal positif (Si+) dan negatif (Si-).
Si +
= n
i ij i y y 1 2 )
( ; (5)
Si
= n
j i j i y y 1 2 ) ( (6) dengan i = 1,2,....m.
7. Menentukan nilai preferensi untuk setiap alternatif i
(Ci).
Ci = i i i
S
S
S
(7) dengan i = 1,2,....m.4. METODOLOGI PENELITIAN
Penelitian dilakukan dengan membangun sebuah system yang bertujuan untuk dapat memilih smartwatch yang tepat dengan menggunakan sistem pendukung keputusan (SPK) metode TOPSIS. Tahap-tahap yang akan dilakukan adalah sebagai berikut.
4.1 Pengumpulan Data
Data yang digunakan adalah data sekunder. Data sekunder adalah data yang diperoleh dari sumber yang sudah ada. Sumber data spesifikasi smartwatch diperoleh dari http://smartwatches.specout.com.
4.2 Tahap Analisa
Pada tahap ini dilakukan analisa terhadap data yang diperoleh pada tahap pengumpulan data. Tujuan dari tahap ini adalah untuk menentukan detail dari setiap masing-masing kriteria. Kriteria-kriteria yang menjadi penilaian yaitu element resistance, storage, connectivity, baterai, dan harga. Berikut penjelasan kriteria-kriteria :
1. Kriteria Element Resistance
Kriteria element resistance adalah element ketahanan yang dimiliki smartwatch yang meliputi dustproof, shockproof, dan waterproof. Semakin banyak macam element resistance yang dimiliki smartwatch tersebut, semakin banyak pula peminatnya.
2. Kriteria Storage
Kriteria storage adalah memori internal yang dimiliki smartwatch tesebut. Semakin tinggi dan semakin besar memori internalnya, semakin banyak pula peminatnya.
3. Kriteria Connectivity
Kriteria connectivity adalah konektivitas yang ada dalam smarwatch tersebut. Connectivity dalam smartwatch ini meliputi bluetooth, wifi, usb cable, dan nfc. Semakin banyak macam connectivity yang ada dalam smartwatch, semakin banyak pula peminatnya.
4. Kriteria Baterai
Kriteria baterai adalah ketahanan baterai di mana smartwatch akan tetap hidup dan menyala sehingga smartwatch tetap bisa digunakan. Semakin lama jangka waktu ketahanan baterai smartwatch untuk hidup dan menyala, semakin banyak peminatnya, begitupun sebaliknya. 5. Kriteria Harga
Kriteria harga adalah harga di pasaran dari smartwatch tersebut. Pembeli akan memilih dan membeli smartwatch sesuai anggaran yang dimiliki. Semakin tinggi harga, semakin sedikit peminatnya. Sedangkan semakin rendah harga, semakin banyak peminatnya.
4.3 Tahap Implementasi dan Perhitungan
commit to user
3 4.4 Tahap Pengujian
Pengujian dilakukan dengan mencoba sistem dengan data smartwatch dan bobot kriteria yang diinputkan oleh 10 user. Latar belakang dari 10 user ini orang-orang yang kesehariannya menggunakan gadget dan mempunyai ketertarikan dengan smartwatch.
Pengujian dilakukan dengan cara user mencoba sistem yang telah dibuat, setelah itu dilakukan wawancara dan pengisian angket kepuasan dari system yang dibuat. Kepuasan dinilai dari tiga aspek, yaitu
interface (seberapa menarik tampilan dari sistem), cara penggunaan sistem, dan hasil yang dikeluarkan oleh sistem. Pengujian ini bertujuan untuk mengetahui apakah system sudah berjalan dengan baik dan bisa memberikan kepuasan pada user atau tidak.
5. HASIL DAN PEMBAHASAN 5.1 Pengumpulan Data
Data yang digunakan adalah data sekunder. Data sekunder adalah data yang diperoleh dari sumber yang sudah ada. Sumber data spesifikasi smartwatch
diperoleh dari : http://smartwatches.specout.com. Dari sumber tersebut didapat lima kriteria yang digunakan. Adapun kriteria-kriteria tersebut adalah element resistance, storage, connectivity, baterai, dan harga.
5.2 Analisa
Pada tahap ini, dilakukan analisa mengenai cara menerapkan metode TOPSIS dalam studi kasus pemilihan smartwatch. Penerapan metode tersebut menggunakan 5 kriteria yang telah ditentukan dan tersimpan dalam database pada tahap sebelumnya. Kemudian data diolah dan diproses dengan menggunakan inputan bobot kriteria yang didapatkan melalui inputan user. Adapun range penginputan bobot kriteria antara 1 sampai 5.
5.3 Implementasi dan Perhitungan
Pada tahap ini akan dijelaskan tampilan sistem dan hasil perhitungan manual. Penulis mengambil tiga
sample data dari 50 data smartwatch yang ada dalam
database untuk dilakukan perhitungan. Penulis akan
memberikan contoh untuk kasus dengan menginputkan bobot kriteria dengan inputan bobot kriteria yang digunakan di sistem ini. Adapun range penginputan bobot kriteria antara 1 sampai 5. Perhitungan di bawah ini sesuai dengan langkah penyelesaian TOPSIS yang telah dijelaskan pada landasan teori.
Pada contoh akan digunakan lima data dari 50 data smartwatch beserta 5 kriteria yang sudah tersimpan dalam database, langkah-langkah perhitungannya adalah sebagai berikut :
1. Menentukan alternatif pilihan (A) dan kriteria (C) yang digunakan untuk mempertimbangkan alternatif pilihan oleh pembuat keputusan.
Alternatif yang digunakan adalah data smartwatch yang akan dipilih.
A1 : Smartwatch motorola moto 360
A2 : Smartwatch sony smartwatch 3
A3 : Smartwatch garmin fenix 3 sapphire
A4 : Smartwatch samsung gear S2 classic
A5 : Smartwatch pebble time
Jenis kriteria yang telah ditentukan C1 : Kriteria element resistance
C2 : Kriteria storage
C3 : Kriteria connectivity
C4 : Kriteria baterai C5 : Kriteria harga
Gambar 1 Pemilihan 5 Data
2. Menentukan bobot dari setiap kriteria oleh pembuat keputusan (W). Bobot kriteria masing-masing kriteria dengan inputan bobot kriteria yang digunakan di sistem ini menggunakan range inputan 1 sampai 5.
Tabel 1 Nilai bobot kriteria
Nilai Nama
1 Tidak penting
2 Kurang penting
3 Cukup penting
4 Penting
5 Sangat penting
Bobot kriteria sebagai berikut :
W1 (bobot kriteria element resistance) : 3 W2 (bobot kriteria storage) : 2 W3 (bobot kriteria connectivity) : 4 W4 (bobot kriteria baterai) : 4 W5 (bobot kriteria harga) : 5
Gambar 2 Tampilan Sistem Sebelum
commit to user
4
Gambar 3 Tampilan Sistem Inputan Bobot Kriteria
3. Membuat tabel keputusan setiap alternatif pada setiap kriteria.
Tabel 2 Tabel Keputusan
Nama Smartwatch
Nilai Kriteria
C1 C2 C3 C4 C5
motorola moto 360
1 4 2 24 250
sony smartwatch
3
2 4 3 48 250
garmin fenix 3 sapphire
1 32 2 48 600
samsung gear S2 classic
2 4 3 48 316
pebble time 1 0 2 168 108
4. Membuat matriks keputusan dari setiap alternatif pada setiap kriteria.
1 4 2 24 250 X = 2 4 3 48 250 1 32 2 48 600
2 4 3 48 316 1 0 2 168 108
5. Membuat matriks keputusan yang ternormalisasi (rij) untuk setiap alternatif i (Ai) dan kriteria j (Cj) . Berikut merupakan perhitungan matriks keputusan yang ternormalisasi.
Untuk nilai normalisasi kriteria 1
Hasil pangkat perkriteria = 1 + 4 + 1 + 4 + 1 = 11
Akar hasil pangkat perkriteria = 3,316 r11 = 1/3,316 = 0,301 r21 = 2/3,316 = 0,603 r31 = 1/3,316 = 0,301 r41 = 2/3,316 = 0,603 r51 = 1/3,316 = 0,301 Untuk nilai normalisasi kriteria 2
Hasil pangkat perkriteria = 16 + 16 + 1024 + 16 + 0 = 1072
Akar hasil pangkat perkriteria = 32,741 r12 = 4/32,741 = 0,122 r22 = 4/32,741 = 0,122 r32 = 32/32,741 = 0,977
r42 = 4/32,741 = 0,122 r52 = 0/32,741 = 0 Untuk nilai normalisasi kriteria 3
Hasil pangkat perkriteria = 4 + 9 + 4 + 9 + 4 = 30
Akar hasil pangkat perkriteria = 5,477 r13 = 2/5,477 = 0,365 r23 = 3/5,477 = 0,547 r33 = 2/5,477 = 0,365 r43 = 3/5,477 = 0,547 r53 = 2/5,477 = 0,365 Untuk nilai normalisasi kriteria 4
Hasil pangkat perkriteria = 576 + 2304 + 2304 + 2304 + 28224 = 35712
Akar hasil pangkat perkriteria = 188,976 r14 = 24/188,976 = 0,127
r24 = 48/188,976 = 0,254 r34 = 48/188,976 = 0,254 r44 = 48/188,976 = 0,254 r54 = 168/188,976 = 0,889
Untuk nilai normalisasi kriteria 5
Hasil pangkat perkriteria = 62500 + 62500 + 360000 + 99856 + 11664 = 596520
Akar hasil pangkat perkriteria = 772,347 r15 = 250/772,347 = 0,323 r25 = 250/772,347 = 0,323 r35 = 600/772,347 = 0,776 r45 = 316/772,347 = 0,409 r55 = 108/772,347 = 0,139 Matrik Ternormalisasi
0,301 0,122 0,365 0,127 0,323 R = 0,603 0,122 0,547 0,254 0,323 0,603 0,122 0,547 0,254 0,409
0,301 0 0,365 0,889 0,139
6. Membuat matriks keputusan yang ternormalisasi terbobot (Yij).
Berikut merupakan perhitungan matriks keputusan yang ternormalisasi terbobot.
Bobot kriteria sebagai berikut :
W1 (bobot kriteria element resistance) : 3 W2 (bobot kriteria storage) : 2 W3 (bobot kriteria connectivity) : 4 W4 (bobot kriteria baterai) : 4 W5 (bobot kriteria harga) : 5
Nilai normalisasi berbobot untuk kriteria 1 Y11 = 0,301 x 3 = 0,903 Y21 = 0,603 x 3 = 1,809 Y31 = 0,301 x 3 = 0,903 Y41 = 0,603 x 3 = 1,809 Y51 = 0,301 x 3 = 0,903 Nilai normalisasi berbobot untuk kriteria 2 Y12 = 0,122 x 2 = 0,244
commit to user
5
Nilai normalisasi berbobot untuk kriteria 3 Y13 = 0,365 x 4 = 1,46
Y23 = 0,547 x 4 = 2,188 Y33 = 0,365 x 4 = 1,46 Y43 = 0,547 x 4 = 2,188 Y53 = 0,365 x 4 = 1,46
Nilai normalisasi berbobot untuk kriteria 4 Y14 = 0,127 x 4 = 0,508 Y24 = 0,254 x 4 = 1,016 Y34 = 0,254 x 4 = 1,016 Y44 = 0,254 x 4 = 1,016 Y54 = 0,889 x 4 = 3,556 Nilai normalisasi berbobot untuk kriteria 5 Y15 = 0,323 x 5 = 1,615 Y25 = 0,323 x 5 = 1,615 Y35 = 0,776 x 5 = 3,88 Y45 = 0,409 x 5 = 2,045 Y55 = 0,139 x 5 = 0,695
Matrik Ternormalisasi Terbobot
0,903 0,244 1,46 0,508 1,615 Y 1,809 0,244 2,188 1,016 1,615
0,903 1,954 1,46 1,016 3,88 1,809 0,244 2,188 1,016 2,045 0,903 0 1,46 3,556 0,695
7. Menentukan matriks solusi ideal positif (S+) dan matriks solusi ideal negatif (S-).
Berikut merupakan perhitungan untuk matriks solusi ideal ideal positif (S+) dan matriks solusi ideal negatif (S-).
Jika kriteria bersifat Benefit (makin besar makin baik) maka Y+ = max dan Y- = min, jika kriteria bersifat Cost (makin kecil makin baik) maka Y+ = min dan Y- = max
Adapun sifat kriterianya adalah :
Kriteria element resistance : benefit (makin besar makin baik)
Kriteria storage : benefit (makin besar makin baik) Kriteria connectivity : benefit (makin besar makin baik)
Kriteria baterai : benefit (makin besar makin baik) Kriteria harga : cost (makin kecil makin baik)
Sehingga diperoleh nilai sebagai berikut :
Y1+=max{0,903; 1,809; 0,903; 1,809; 0,903}=1,809 Y2+=max{0,244; 0,244; 1,954; 0,244; 0}=1,954 Y3+=max{1,46; 2,188; 1,46; 2,188; 1,46}=2,188 Y4+=max{0,508; 1,016; 1,016; 1,016; 3,556}=3,556 Y5+=min{1,615; 1,615; 3,88; 2,045; 0,695}=0,695 Solusi Ideal Positif
A+ = {1,809; 1,954; 2,188; 3,556; 0,695}
Y1-= min{0,903; 1,809; 0,903; 1,809; 1,903}=0,903 Y2-=min{0,244; 0,244; 1,954; 0,244; 0}=0
Y3-=min{1,46; 2,188; 1,46; 2,188; 1,46}=1,46 Y4-=min{0,508; 1,016; 1,016; 1,016; 3,556}=0,508
Y5-=max{1,615; 1,615; 3,88; 2,045; 0,695}=3,88 Solusi Ideal Negatif
A- = {0,903; 0; 1,46; 0,508; 3,88}
8. Menentukan jarak antara nilai setiap alternatif i (Ai) dengan matriks solusi ideal positif (Si+) dan negatif (Si-) dengan rumus yang telah dijelaskan pada landasan teori.
Menentukan jarak antara nilai setiap alternatif i (Ai) dengan matriks solusi ideal positif (Si+) dan negatif (Si-).
Berikut merupakan perhitungan untuk separation measure untuk solusi ideal positif dan separation measure untuk solusi ideal negatif.
Separation Measure untuk Solusi Ideal Positif, Si+
Sehingga diperoleh nilai : S1+ = 3,796
S2+ = 3,197 S3+ = 4,236 S4+ =3,345 S5+ =2,274
commit to user
6
Sehingga diperoleh nilai : S1- = 2,278
S2- = 2,608 S3- = 2,019 S4- = 2,247 S5- = 4,408
9. Menentukan nilai preferensi untuk setiap alternatif i
(Ci).
Berikut merupakan perhitungan untuk nilai preferensi.
C1 =
796
,
3
278
,
2
278
,
2
= 0,375
C2 =
197
,
3
608
,
2
608
,
2
= 0,449
C3 =
236
,
4
019
,
2
019
,
2
= 0,322
C4 =
345
,
3
247
,
2
247
,
2
= 0,401
C5 =
274
,
2
408
,
4
408
,
4
= 0,659
Hasil perhitungan manual di atas sama dengan hasil yang didapatkan pada sistem (gambar 4). Dari hasil diatas, yang merupakan alternatif tertinggi adalah Smartwatch Pebble Time. Semakin besar nilai akhir yang didapatkan, maka semakin bagus alternatif tersebut.
Gambar 4 Tampilan Hasil Sistem
Perhitungan TOPSIS
5.4 Hasil pengujian
Pengujian dilakukan oleh 10 user yang berlatar belakang orang-orang yang kesehariannya menggunakan gadget dan mempunyai ketertarikan dengan smartwatch. Pengujian dilakukan dengan mencoba sistem dan dilanjutkan dengan mengisi angket kepuasan.
Tabel 3 Persentase Tingkat Kepuasan User
Kriteria Sangat Puas Puas
Tidak Puas
Interface 40% 40% 20%
Cara penggunaan
sistem 50% 50% 0%
Hasil dari sistem 30% 60% 10%
Dari tabel 3 menunjukkan bahwa tingkat kepuasan
user terhadap tiga aspek pada sistem yang dibangun cukup baik (interface, cara penggunaan sistem, dan hasil dari sistem). Tingkat kepuasan pada aspek interface
diperoleh nilai untuk sangat puas 40%, puas 40%, dan tidak puas 20%. Pada aspek cara penggunaan sistem diperoleh nilai untuk sangat puas 50%, puas 50%, dan tidak puas 0%. Sedangkan tingkat kepuasan pada aspek hasil dari sistem diperoleh nilai sangat puas 30%, puas 60%, dan tidak puas 10%. Pada aspek interface, yang tidak merasa puas menyatakan bahwa tampilan interface
terlalu sederhana. Dan pada aspek hasil dari yang tidak puas, menyatakan kurang begitu paham dengan olahan hasil.
6. KESIMPULAN
Sistem ini menampilkan beberapa alternatif
smartwatch yang diinginkan sesuai bobot yang
dimasukkan oleh user. Berdasarkan hasil pengujian yang dilakukan oleh 10 user pada tiga aspek yang meliputi
interface, cara penggunaan sistem, dan hasil dari sistem.
Tingkat kepuasan pada aspek interface diperoleh nilai untuk sangat puas 40%, puas 40%, dan tidak puas 20%. Pada aspek cara penggunaan sistem diperoleh nilai untuk sangat puas 50%, puas 50%, dan tidak puas 0%. Sedangkan tingkat kepuasan pada aspek hasil dari sistem diperoleh nilai sangat puas 30%, puas 60%, dan tidak puas 10%. Rata-rata hasil pengujian tersebut menandakan bahwa sistem yang dibangun sudah cukup baik bagi user.
7. DAFTAR PUSTAKA
[1] Sunarto. & Asmara, R., 2008. Sistem Pendukung Keputusan Pemilihan Handphone Metode Analytical Hierarchy Process (AHP)
Berbasis PHP. Jurusan Teknologi Informasi.
Institut Teknologi Sepuluh Nopember.
[2] Azmi, Meri, 2013. Sistem Pendukung Keputusan Untuk Memilih Usaha Waralaba
Makanan Menggunakan Metode TOPSIS.
Jurusan Teknologi Informasi. Politeknik Negeri Padang. ISSN :2085-6989.
[3] Siregar, Choirotunisah, 2014. Sistem Pendukung Keputusan Pemilihan Handphone Bekas dengan
Menggunakan Metode Simple Additive
Weighting (SAW). Jurusan Teknik Informatika.
STMIK Budi Darma Medan. ISSN : 2301-9425. [4] Turban, E. Sharda, R. Dele, D. 2011. Decision
Support and Business Intelligence Systems. New
commit to user
7
[5] Yoon, K. P. & Hwang, C.-L., 1995. Multiple
Attribute Decision Making: An Introduction. 1st
ed. Thousands Oaks, California: SAGE Publications.
[6] Kurniasih, D. L., 2013. Sistem Pendukung Keputusan Pemilihan Laptop dengan Metode
TOPSIS. Jurusan Teknik Informatika. STMIK
Budi Darma Medan. ISSN : 2301-9425.
[7] Uyun, S. & Riadi, I., 2010. A Fuzzy Topsis
Multiple-Attribute Decision Making for
Scholarsip Selection. Information System
Department. State Islamic University of Sunan Kalijaga, University of Ahmad Dahlan. ISSN: 1693-6930
[8] Hermawan, Julius. 2005. Membangun Decission
