17

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;

5. Harus dapat membantu pengambil keputusan pada setiap level keputusan; dan

6. Menekankan masalah tidak terstruktur dan semi terstruktur.

Universitas Sumatera Utara

18

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:

Gambar 1.1 Arsitektur Sistem Pendukung Keputusan (Turban, et al. 2009)

Universitas Sumatera Utara

19

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.

C. Choice

Universitas Sumatera Utara

20

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

Banyak pendapat yang mengatakan bahwa metode SAW hanya bisa digunakan

ketika keputusan yang dinyatakan dalam satu bentuk.Namun jika setiap elemen yang

ada dinormalisasi, maka metode SAW dapat digunakan pada semua jenis kriteria

maupun alternatif. Dalam kasus tersebut, maka bentuk perhitungan akan menjadi

seperti rumus (2) (Venkata, 2007):

Universitas Sumatera Utara

21

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:

( ) normal = Nilai data baris i kolom j yang telah ternormalisasi

Universitas Sumatera Utara

22

( ) 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

5. Hitung nilai SAW dengan menggunakan rumus (2)

6. Nilai preferensi dari setiap alternatif diperoleh

Untuk lebih jelasnya, dapat dilihat pada Gambar 1.2 dibawah ini;

Universitas Sumatera Utara

23

Gambar 1.2 Flowchart Metode Simple Additive Weighting

Diberikan contoh sebagai berikut.Terdapat sebuah permasalahan dalam

memilih alternatif yang terbaik antara A1, A2, dan A3. Sedangkan kriteria yang

menentukan proses pemilihan adalah C1, C2, C3, dan C4. Nilai bobot kriteria dan

nilai kriteria dari masing-masing alternatif disajikan dalam Tabel 1.1 (Siregar, M F F,

2014)

Universitas Sumatera Utara

24

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:

Untuk alternatif A3, maka nilai SAW yang diperoleh adalah:

C1 C2 C3 C4

Alternatif 0.3 0.3 0.2 0.2

A1 70 80 70 70

A2 70 70 70 60

A3 70 80 70 60

Universitas Sumatera Utara

25

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:

=Nilai alternatif terbaik.

=Nilai atribut j pada kriteria i

=Bobot kriteria j

Universitas Sumatera Utara

26

Gambar 1.3 Flowchart Metode Weighted Product Model

Sebagai contoh implementasi metode Weighted Product, yakni: Diasumsikan

tempat lembaga bimbingan belajar di kota Medan ditentukan dengan memiliki nilai

dari kriteria, yaitu: Biaya, Fasilitas, Jumlah Pertemuan, Jumlah Lulus ke PTN.

Alternatif pemilihan tempat lembaga bimbingan belajar di kota Medan yang

disediakan seperti tabel dibawah ini.

Universitas Sumatera Utara

27

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

A3 70 80 70 60

Universitas Sumatera Utara

28

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.

2. Destriyana Darmastuti (2013), membuat penelitian dengan judul Implementasi

Metode Simple Additive Weighting (SAW) Dalam Sistem Informasi Lowongan

Kerja Berbasis WEB Untuk Rekomendasi Pencari Kerja Terbaik. Hasil

penelitian yang diperoleh adalah sebuah aplikasi berbasis WEB untuk

rekomendasi pencari kerja terbaik dan hasil rekomendasi pencari kerja yang

sesuai dengan kebutuhan penyedia kerja berdasarkan kriteria yang dibutuhkan.

Universitas Sumatera Utara