PROPOSAL SKRIPSISISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMA BERAS UNTUK KELUARGA MISKIN (RASKIN) MENGGUNAKAN METODE TECHNIQUE FOR ORDER PREFERENCE BY SIMILARITY TO IDEAL SOLUTION (TOPSIS) DAN ENTROPY

Oleh :

AGUNG PRAYITNOG1A010040

PROGRAM STUDI TEKNIK INFORMATIKAFAKULTAS TEKNIKUNIVERSITAS BENGKULU2015

1. Judul PenelitianSistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin (Raskin) Menggunakan Fuzzy Multiple Attribute Decision Making (FMADM) Dengan Metode Technique For Order Preference By Similarity To Ideal Solution (TOPSIS).2. Bidang IlmuBidang ilmu yang penulis akan teliti adalah bidang Decision Support System dan Artificial Intelligence.3. Latar BelakangProgram Subsidi Beras bagi Masyarakat Berpendapatan Rendah (Raskin) merupakan subsidi pangan yang diperuntukkan bagi rumah tangga miskin dan rentan sebagai upaya dari pemerintah untuk meningkatkan ketahanan pangan dan memberikan perlindungan sosial pada rumah tangga miskin dan rentan.Program Raskin bertujuan untuk mengurangi beban pengeluaran Rumah Tangga Sasaran (RTS) melalui pemenuhan sebagian kebutuhan pangan pokok dalam bentuk beras dan mencegah penurunan konsumsi energi. Selain berfungsi sebagai mekanisme perlindungan sosial dan penanggulangan kemiskinan, Program Raskin juga berguna untuk: 1. mengendalikan inflasi melalui intervensi Pemerintah, dengan menetapkan harga beras beras bersubsidi sebesar Rp.1.600/kg, dan menjaga stok pangan nasional;2. stabilisasi harga beras di pasaran;3. sebagai pasar bagi hasil usaha tani padi; dan 4. membantu pertumbuhan ekonomi daerah. (tnp2k.go.id)Penyaluran RASKIN (Beras untuk Rumah Tangga Miskin) sudah dimulai sejak 1998.Krisis moneter tahun 1998 merupakan awal pelaksanaan RASKIN yang bertujuan untuk memperkuat ketahanan pangan rumah tangga terutama rumah tangga miskin. Pada awalnya disebut program Operasi Pasar Khusus (OPK), kemudian diubah menjadi RASKIN mulai tahun 2002, RASKIN diperluas fungsinya tidak lagi menjadi program darurat (social safety net) melainkan sebagai bagian dari program perlindungan sosial masyarakat. Melalui sebuah kajian ilmiah, penamaan RASKIN menjadi nama program diharapkan akan menjadi lebih tepat sasaran dan mencapai tujuan RASKIN.Penentuan kriteria penerima manfaat RASKIN seringkali menjadi persoalan yang rumit. Dinamika data kemiskinan memerlukan adanya kebijakan lokal melalui musyawarah Desa / Kelurahan. Musyawarah ini menjadi kekuatan utama program untuk memberikan keadilan bagi sesama rumah tangga miskin.Sampai dengan tahun 2006, data penerima manfaat RASKIN masih menggunakan data dari BKKBN yaitu data keluarga prasejahtera alasan ekonomi dan keluarga sejahtera I alasan ekonomi. Belum seluruh KK Miskin dapat dijangkau oleh RASKIN. Hal inilah yang menjadikan RASKIN sering dianggap tidak tepat sasaran, karena rumah tangga sasaran berbagi dengan KK Miskin lain yang belum terdaftar sebagai sasaran. Mulai tahun 2007, digunakan data Rumah Tangga Miskin (RTM) BPS sebagai data dasar dalam pelaksaaan RASKIN. Dari jumlah RTM yang tercatat sebanyak 19,1 juta RTS, baru dapat diberikan kepada 15,8 juta RTS pada tahun 2007, dan baru dapat diberikan kepada seluruh RTM pada tahun 2008. Dengan jumlah RTS 19,1 juta pada tahun2 008, berarti telah mencakup semua rumah tangga miskin yag tercatat dalam Survei BPS tahun 2005. Jumlah sasaran ini juga merupakan sasaran tertinggi selama RASKIN disalurkan. Penggunaan data Rumah Tangga Sasaran (RTS) hasil pendataan Program Perlindungan Sosial tahun 2008 (PPLS 2008) dari BPS diberlakukan sejak tahun 2008 yang juga berlaku untuk semua program pengentasan kemiskinan yang dilaksanakan oleh Pemerintah.Beberapa kendala dalam pelaksanaan RASKIN selama ini terutama dalam pencapaian ketepatan indikator maupun ketersediaan anggaran. Sampai dengan saat ini, jumlah beras yang akan disalurkan baru ditetapkan setelah anggarannya tersedia. Selain itu ketetapan atas jumlah beras raskin yang disediakan juga tidak selalu dilakukan pada awal tahun, dan sering dilakukan perubahan di pertengahan tahun karena berbagai faktor. Hal ini akan menyulitkan dalam perencanaan penyiapan stoknya, perencanaan pendanaan dan perhitungan biaya-biayanya.Data RTS yang dinamis menjadi suatu kendala tersendiri di lapangan. Masih ada RTM di luar RTS yang belum dapat menerima RASKIN karena tidak tercatat sebagai RTS di BPS. Kebijakan lokal dan keikhlasan sesama RTM dalam berbagi, tidak jarang dipersalahkan sebagai ketidaktepatan sasaran. (bulog.co.id, 2012)Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS) adalah sebuah sistem yang mampu memberikan kemampuan pemecahan masalah maupun kemampuan pengkomunikasian untuk masalah dengan kondisi semi terstruktur dan tak terstruktur. Sistem ini digunakan untuk membantu pengambilan keputusan dalam situasi semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat (Turban, 2001). SPK bertujuan untuk menyediakan informasi, membimbing, memberikan prediksi serta mengarahkan kepada pengguna informasi agar dapat melakukan pengambilan keputusan dengan lebih baik.Dari penjelasan diatas masih banyak penyaluran raskin yang masih belum tepat sasaran, oleh karena itu penulis bermaksud mengambil topic penelitian tentang Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin (Raskin) Menggunakan Fuzzy Multiple Attribute Decision Making(FMADM) Dengan Metode Technique For Order Preference By Similarity To Ideal Solution (TOPSIS) yang diharapkan dapat membantu penyaluran raskin agar lebih baik.4. PERUMUSAN MASALAHMasalah yang akan dikaji dan diselesaikan dalam penelitian ini adalah:1. Bagaimana membuat sebuah aplikasi system pendukung keputusan penerimaan raskin agar transparan ?2. Bagaimana membuat sebuah aplikasi system pendukung keputusan penerimaan raskin agar dapat menyeleksi penerima raskin secara akurat dan tepat sasaran?3. Bagaimana menetukan nilai dari bobot setiap kriteria dalam menentukan kelayakan penerima raskin?5. BATASAN MASALAHBatasan masalah pada penelitian ini adalah sebagai berikut:1. Sistem ini hanya menghitung kelayakan penerima raskin.2. Kreteria pada sistem pendukung keputusan ini terdiri dari 14 kreteria berdasarkan Badan Pusat Statistik yaitu : Luas lantai rumah, Jenis lantai rumah, Jenis dinding rumah, Fasilitas tempat buang air besar, Sumber air minum, Penerangan yang digunakan, Bahan bakar yang digunakan, Frekuensi makan dalam sehari, Kebiasaan membeli daging/ayam/susu, Kemampuan membeli pakaian, Kemampuan berobat ke puskesmas/poliklinik, Lapangan pekerjaan kepala rumah tangga, Pendidikan kepala rumah tangga dan, Kepemilikan aset.3. Aplikasi ini dirancang dengan menggunakan bahasa pemograman php4. Sistem ini menggunakan database yang dirancang dengan MySQL5. Perhitungan bobot menggunakan metode entropi sedangkan untuk penentuan keputasan kelayakan penerima raskin menggunakan TOPSIS6. Studi kasus di kelurahan jalan gedang tepatnya di RT 06 RW 12 kota Bengkulu6. TUJUAN PENELITIANTujuan yang ingin dicapai dalam penelitian ini adalah merancang dan membangun Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin (Raskin) Menggunakan Fuzzy Multiple Attribute Decision Making(FMADM) Dengan Metode Technique For Order Preference By Similarity To Ideal Solution (TOPSIS) yang memiliki fungsi utama sebagai berikut :1.Membangun sebuah Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin (Raskin) Dengan Metode Technique For Order Preference By Similarity To Ideal Solution (TOPSIS untuk mempermudah menentukan masyarakat yang berhak menerima Raskin.2.mendapatkan alternatif keputusan yang dapat dijadikan sebagai acuan yang valid dalam menentukan kelayakancalon penerima beras miskin.7. MANFAAT PENELITIANManfaat dari penelitian ini adalah:1. Bagi penulis, dapat mengimplementasikan ilmu yang diperoleh selama di bangku perkuliahan.2. Bagi pengguna perangkat lunak, Membantu dalam pengambilan keputusan dalam menentukan kelayakan penerima Raskin.8. METODE PENELITIAN8.1 Metode Pengembangan SistemSistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin (Raskin) Menggunakan Fuzzy Multiple Attribute Decision Making(FMADM) Dengan Metode Technique For Order Preference By Similarity To Ideal Solution (TOPSIS) dalam Tugas Akhir ini menggunakan model waterfall. Adapun langkah-langkah yang dilakukan dalam pengembangan sistem ini secara garisbesar adalah sebagai berikut:1. PemodelanDalam Tugas Akhir ini penulis menggunakan UML dalam memodelkan sistem.2. Implementasi Program (Coding)Implementasi program dalam Tugas Akhir ini penulis mengimplementasikan desain ke dalam bentuk bahasa pemrograman. Bahasa pemprograman yang digunakan adalah bahasa pemprograman PHP berbasis web.3. Pengujian (Testing)Pengujian yang dilakukan pada Tugas Akhir ini dilakukan dengan melakukan pengujian fungsional dan teknis pada aplikasi yang dibangun, apakah sesuai dengan tujuan dari Tugas Akhir ini. yakni apakah perangkat lunak yang dibangun berjalan dengan baik dan benar sehingga dapat membantu pengambil keputusan dalam kelayakan penerimaan Raskin .4. PemeliharaanTahap akhir dimana suatu aplikasi yang sudah selesai dapat mengalami perubahan-perubahan atau penambahan sesuai dengan permintaan pengguna.8.2 Metode Pengumpulan DataDalam mengumpulkan data, teknik pengumpulan data yang digunakan dalam penelitian ini yaitu: a. BukuBuku yang digunakan dalam penelitian ini berupa buku-buku referensi yang dapat menunjang materi mengenai pengenalan suara (Serta buku elektronik yang didapat di internet yang berhubungan dengan penelitian ini.b. ArtikelArtikel yang digunakan sebagai sumber data adalah artikel yang didapat dari internet yang berhubungan dengan penelitian ini.c. Jurnal dan SkripsiBahan ilmiah lain yang digunakan sebagai acuan dalam penelitian ini adalah jurnal dan skripsi di bidang yang relevan yaitu mengenai aplikasi pengenalan ucapan.9. TINJAUAN PUSTAKA9.1 Sistem Pendukung Keputusan9.1.1 PengertianDefinisi awalnya adalah suatu sistem yang ditujukan untuk mendukung manajemen pengambilan keputusan. Sistem berbasis model yang terdiri dari prosedur-prosedur dalam pemrosesan data dan pertimbangannya untuk membantu manajer dalam mengambil keputusan. Agar berhasil mencapai tujuannya maka sistem tersebut harus: 1. sederhana, 2. robust, 3. mudah untuk dikontrol, 4. mudah beradaptasi, 5. lengkap pada hal-hal penting,6. mudah berkomunikasi dengannya.Secara implisit juga berarti bahwa sistem ini harus berbasis komputer dan digunakan sebagai tambahan dari kemampuan penyelesaian masalah dari seseorang.Dibandingkan dengan EDP, DSS memiliki perbedaan:DimensiDSSEDP

UseActivePassive

UserLine and Staff managementClerical

GoalEffectivenessMechanical Efficiency

Time HorizontalPresent and futurePast

ObjectiveFlexibilityConsistency

Tabel 9.1 tabel perbandingan EDP dan DSS (Subakti, 2012) Definisi lain DSS adalah 1. sistem tambahan, 2. mampu untuk mendukung analisis datasecara ad hoc dan pemodelan keputusan,3. berorientasi pada perencanaan masa depan, dan4. digunakan pada interval yang tak teratur atau tak terencanakan.Ada juga definisi yang menyatakan bahwa DSS adalah sistem berbasis komputer yang terdiri 3 komponen interaktif: 1. sistem bahasa mekanisme yang menyediakan komunikasidiantara user dan berbagai komponen dalam DSS, 2. knowledge system penyimpananknowledge domain permasalahan yang ditanamkan dalam DSS, baik sebagai data ataupunprosedur, dan 3. sistem pemrosesan permasalahan link diantara dua komponen, mengandungsatu atau lebih kemampuan memanipulasi masalah yang dibutuhkan untuk pengambilankeputusan.Karakteristik dan Kemampuan DSS.Di bawah ini adalah karakteristik dan kemampuan ideal dari suatu DSS:

Gambar 9.1 Karakteristik dan Kemampuan (Subakti, 2012)1. DSS menyediakan dukungan bagi pengambil keputusan utamanya pada situasi semi terstrukturdan tak terstruktur dengan memadukan pertimbangan manusia dan informasi terkomputerisasi.Berbagai masalah tak dapat diselesaikan (atau tak dapat diselesaikan secara memuaskan) olehsistem terkomputerisasi lain, seperti EDP atau MIS, tidak juga dengan metode atau toolkuantitatif standar.2. Dukungan disediakan untuk berbagai level manajerial yang berbeda, mulai dari pimpinanpuncak sampai manajer lapangan.3. Dukungan disediakan bagi individu dan juga bagi group. Berbagai masalah organisasionalmelibatkan pengambilan keputusan dari orang dalam group. Untuk masalah yang strukturnyalebih sedikit seringkali hanya membutuhkan keterlibatan beberapa individu dari departemen dan level organisasi yang berbeda.4. DSS menyediakan dukungan ke berbagai keputusan yang berurutan atau saling berkaitan.5. DSS mendukung berbagai fase proses pengambilan keputusan: intelligence, design, choice dan6. implementation.7. DSS mendukung berbagai proses pengambilan keputusan dan style yang berbeda-beda; adakesesuaian diantara DSS dan atribut pengambil keputusan individu (contohnya vocabulary danstyle keputusan).8. DSS selalu bisa beradaptasi sepanjang masa. Pengambil keputusan harus reaktif, mampumengatasi perubahan kondisi secepatnya dan beradaptasi untuk membuat DSS selalu bias menangani perubahan ini.9. DSS adalah fleksibel, sehingga user dapat menambahkan, menghapus, mengkombinasikan, mengubah, atau mengatur kembali elemen-elemen dasar ( menyediakan respon cepat pada situasi yang tak diharapkan ). Kemampuan ini memberikan analisis yang tepat waktu dan cepat setiap saat.10. DSS mudah untuk digunakan. User harus merasa nyaman dengan sistem ini. User-friendliness, fleksibelitas, dukungan grafis terbaik, dan antarmuka bahasa yang sesuai dengan bahasamanusia dapat meningkatkan efektivitas DSS. Kemudahan penggunaan ini diiimplikasikan padamode yang interaktif.11. DSS mencoba untuk meningkatkan efektivitas dari pengambilan keputusan (akurasi, jangkawaktu, kualitas), lebih daripada efisiensi yang bisa diperoleh (biaya membuat keputusan,termasuk biaya penggunaan komputer).12. Pengambil keputusan memiliki kontrol menyeluruh terhadap semua langkah prosespengambilan keputusan dalam menyelesaikan masalah. DSS secara khusus ditujukan untukmendukung dan tak menggantikan pengambil keputusan. Pengambil keputusan dapatmenindaklanjuti rekomendasi komputer sembarang waktu dalam proses dengan tambahan pendapat pribadi atau pun tidak. DSS mengarah pada pembelajaran, yaitu mengarah pada kebutuhan baru dan penyempurnaan sistem, yang mengarah pada pembelajaran tambahan, dan begitu selanjutnya dalam proses pengembangan dan peningkatan DSS secara berkelanjutan.13. User/pengguna harus mampu menyusun sendiri sistem yang sederhana. Sistem yang lebihbesar dapat dibangun dalam organisasi user tadi dengan melibatkan sedikit saja bantuan darispesialis di bidang Information Systems (IS).14. DSS biasanya mendayagunakan berbagai model (standar atau sesuai keinginan user) dalammenganalisis berbagai keputusan. Kemampuan pemodelan ini menjadikan percobaan yangdilakukan dapat dilakukan pada berbagai konfigurasi yang berbeda. Berbagai percobaantersebut lebih lanjut akan memberikan pandangan dan pembelajaran baru.15. DSS dalam tingkat lanjut dilengkapi dengan komponen knowledge yang bisa memberikan solusiyang efisien dan efektif dari berbagai masalah yang pelik.Keuntungan DSS:1. Mampu mendukung pencarian solusi dari masalah yang kompleks.2. Respon cepat pada situasi yang tak diharapkan dalam kondisi yang berubah-ubah.3. Mampu untuk menerapkan berbagai strategi yang berbeda pada konfigurasi berbeda secara cepat dan tepat.4. Pandangan dan pembelajaran baru.5. Memfasilitasi komunikasi.6. Meningkatkan kontrol manajemen dan kinerja.7. Menghemat biaya.8. Keputusannya lebih tepat.9. Meningkatkan efektivitas manajerial, menjadikan manajer dapat bekerja lebih singkat dan dengan sedikit usaha.10. Meningkatkan produktivitas analisis.9.1.2 Komponen DSS.1. Data Management. Termasuk database, yang mengandung data yang relevan untuk berbagai situasi dan diatur oleh software yang disebut Database Management Systems (DBMS).2. Model Management. Melibatkan model finansial, statistikal, management science, atau berbagai model kuantitatif lainnya, sehingga dapat memberikan ke sistem suatu kemampuan analitis, dan manajemen software yang diperlukan.3. Communication (dialog subsystem). User dapat berkomunikasi dan memberikan perintah pada DSS melalui subsistem ini. Ini berarti menyediakan antarmuka.4. Knowledge Management. Subsistem optional ini dapat mendukung subsistem lain atau bertindak sebagai komponen yang berdiri sendiri.

Gambar 9.2 Komponen DSS (Subakti, 2012)9.2 Metode EntropiMetode pembobotan entropi yang digunakan adalah metode entropi yang dikembangkan oleh Zeleny (1983). Dimana dibagi menjadi dua tipe, yaitu bobot prior wi, yang sifatnya relative stabil, menggambarkan keadaan psikologi dan sosial dari pengambil keputusan dan bobot informasi , sifatnya tidak stabil. Bobot prior pada dasarnya merupakan modifikasi pembobotan AHP yang dikembangkan oleh Saaty. Sedangkan bobot informasional, yaitu mengandung nilai-nilai yang diberikan pada setiap alternatif, dalam hal ini digunakan metode entropi yang dikembangkan oleh Zeleny (1983). Pada skripsi ini tipe pembobotan entropi yang digunakan adalah bobot informasional.Dimana Entropi menyelidiki keserasian dalam diskriminasi di antara sekumpulan data. Sekumpulan data nilai alternative pada kriteria tertentu digambarkan dalam Decision Matrix (DM). Menggunakan metode entropi, kriteria dengan variasi nilai tertinggi akan mendapatkan bobot tertinggi [9]. Langkah-langkah yang digunakan dalam metode ini adalah sebagai berikut :1. Membuat tabel data kriteriaKriteria yang diidentifikasi bisa berupa kriteria kualitatif maupun kuantitatif, namun semuanya harus bisa terukur. Satuan tiap kriteria boleh berbeda-beda.2. Normalisasi tabel data kriteriaRumus normalisasi adalah sebagai berikut(1)..(2)= nilai data yang telah dinormalisasi.= nilai data yang belum dinormalisasi.= nilai data yang belum dinormalisasi yang mempunyai nilai paling tinggi.= jumlah nilai data yang telah dinormalisasi.3. Perhitungan EntropiLangkah selanjutnya adalah pengukuran entropi untuk setiap atribut ke-i. Rumusnya adalah :...(3)...(4) , K>0....(5)

m = jumlah alternatifSetelah mendapatkan untuk masing-masing atribut, maka dapat ditentukan total entropi untuk masing-masing atribut, rumusnya adalah :(6)

4. Perhitungan Bobot EntropiLangkah berikutnya adalah menghitung bobot dengan menggunakan rumus sebagai berikut:(7) ..(8)Setelah mendapatkan bobot entropi untuk masing-masing kriteria jika sebelumnya telah ada bobot awal atau bobot yang telah ditentukan sebelumnya maka hasil bobot entropi yang sebenarnya untuk tiap kriteria akan didapat dengan perhitungan berikut ini:(9)Metode entropi cukup powerful untuk menghitung bobot suatu kriteria. Alasannya adalah karena metode ini bisa digunakan untuk berbagai jenis data, baik kuantitatif maupun kualitatif. Selain itu metode ini juga mensyaratkan bahwa satuan maupun range dari tiap kriteria harus sama. Hal ini dimungkinkan karena sebelum diolah, semua data akan dinormalisasi dulu sehingga akan bernilai antara 0-1. Pada dasarnya, data yang mempunyai range nilai yang besar (relatif terhadap kriteria itu sendiri) dan mempunyai variasi nilai yang tinggi untuk tiap alternatif, akan memperoleh bobot yang tinggi. Artinya, kriteria tersebut dianggap mampu untuk membedakan performansi tiap alternatif.Selain itu dengan menggunakan metode entropi, peneliti bisa memberikan bobot (tingkat kepentingan) awal pada tiap kriteria. Jadi walaupun misalnya dari perhitungan, metode entropi menghasilkan bobot yang kecil pada suatu kriteria (misalnya karena variasi datanya kecil), namun jika kriteria tersebut dianggap penting oleh perancang aplikasi, maka ia bisa memberikan bobot yang tinggi pada kriteria Universitas Sumatera Utara tersebut. Kedua jenis bobot ini kemudian akan dikalkulasi bersama-sama sehingga mendapatkan bobot entropi akhir.9.3 Fuzzy Multiple Attribute Decision Making(FMADM)Fuzzy Multiple Attribute Decision Making adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Inti dari FMADM adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan. Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut, yaitu pendekatan subyektif pendekatan obyektif dan pendekatan integrasi antara subyektif & obyektif. Masing-masing pendekatan memiliki kelebihan dan kelemahan. Pada pendekatan subyektif , nilai bobot ditentukan berdasarkan subyektifitas dari para pengambil keputusan, sehingga beberapa faktor dalam proses perankingan alternatif bisa ditentukan secara bebas. Sedangkan pada pendekatan obyektif , nilai bobot dihitung secara matematis sehingga mengabaikan subyektifitas dari pengambil keputusan (Kusumadewi, 2007). Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah FMADM antara lain (Kusumadewi, 2006): 1. Simple Additive Weighting Method (SAW)2. Weighted Product (WP)3. ELECTRE4. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) 5. Analytic Hierarchy Process (AHP)(Ardina Ariani., 2013)Pada dasarnya, proses MADM dilakukan melalui 3 tahap, yaitu penyusunan komponen-komponen situasi, analisis, dan sintesis informasi. Pada tahap penyusunan komponen situasi, akan dibentuk table taksiran yang berisi identifikasi alternatif dan spesifikasi tujuan, kriteria dan atribut.Tahap analisis dilakukan melalui 2 langkah. Pertama, mendatangkan taksiran dari besaran yang potensial, kemungkinan , dan ketidakpastian yang berhubungan dengan dampak-dampak yang mungkin pada setiap alternatif. Kedua, meliputi pemilihan dari preferensi pengambil keputusan untuk setiap nilai, dan ketidakpedulian terhadap resiko yang timbul. Demikian pula, ada beberapa cara untuk menentukan preferensi pengambil keputusan pada setiap konsekuen yang dapat dilakukan pada langkah kedua. Metode yang paling sederhana adalah untuk menurunkan bobot atribut dan kriteria adalah dengan fungsi utilitas atau penjumlahan terbobot. Secara umum, Model MADM dapat didefinisikan sebagai berikut :Misalkan A = {ai | i= 1,,n | } adalah himpunan alternatif-alternatif keputusan dan C = {cj | j =1,,m | } adalah himpunan tujuan yang diharapkan, maka akan ditentukan alternatif xo yang memiliki derajat harapan tertinggi terhadap tujuan-tujuan yang relevan cj. Sebagian besar pendeketan MADM dilakukan melalui 2 langkah, yaitu : pertama, melakukan agregasi terhadap keputusan-keputusan yang tanggap terhadapt semua tujuan pada setiap alternatif; kedua melakukan perangkingan alternative-alternatif keputusan tersebut berdasarkan hasila gregasi keputusan. Dengan demikian, bisa dikatakan bahwa, masalah Model Multi-Atribut Decision Making (MADM) adalah mengevaluasi m alternative Ai (i=1,2,,m) terhadap sekumpulan atribut ataukriteria Cj (j=1,2,,n), dimana setiap atribut saling tidak bergantung satu dengan yang lainnya. Matriks keputusan setiap alternatif terhadap setiap atribut, X,diberikan sebagai :

Dimana xij merupakan rating kinerja alternative ke-i terhadap atribut ke-j. Nilai bobot yang menunjukkan tingkat kepentingan relatif setiapatribut, diberikan sebagai, W :

Rating kinerja (X), dan nilai bobot (W) merupakan nilai utama yang merepresentasikan preferensi absolute dari pengambil keputusan. Masalah MADM diakhiri dengan proses perangkingan untuk mendapatkan alternatif terbaik yang diperoleh berdasarkan nilai keseluruhan preferensi yang diberikan. (Wibowo, 2010)9.4 Technique for Order Preference by Similarity to Ideal Solution (TOPSIS)TOPSIS didasarkan pada konsep dimana alternatif terpilih yang terbaik tidak hanya memiliki jarak terpendek dari solusi ideal positif, namun juga memiliki jarak terpanjang dari solusi ideal negatif. Konsep ini banyak digunakan pada beberapa model MADM untuk menyelesaikan masalah keputusan secara praktis. Hal ini disebabkan konsepnya sederhana dan mudah dipahami, komputasinya efisien, dan memiliki kemampuan untuk mengukur kinerja relatif dari alternatif-alternatif keputusan dalam bentuk matematis yang sederhana. Adapun langkah-langkah dalam menyelesaikan sebuah kasus MADM dengan TOPSIS:a. Membuat matriks keputusan yang ternormalisasi;b. Membuat matriks keputusan yang ternormalisasiterbobot;c. Menentukan matriks solusi ideal positif &matriks solusi ideal negatif;d. Menentukan jarak antara nilai setiap alternatifdengan matriks solusi ideal positif & matrikssolusi ideal negatif;e. Menentukan nilai preferensi untuk setiapalternatif.TOPSIS membutuhkan rating kinerja setiap alternatif Ai pada setiap kriteria Cj yang ternormalisasi, yaitu:.................................(1)i=1,2,.m; dan j=1,2,.n. Solusi ideal positif A+ dan solusi ideal negatif A- dapat ditentukan berdasarkan rating bobot ternormalisasi (yij) sebagai:...................................(2)dengan i=1,2,.m; dan j=1,2,..n.A+ =.................(3).....................(4)Dengan adalah : - max , jika j adalah atribut keuntungan- min , jika j adalah atribut biaya adalah : - min , jika j adalah atribut keuntungan- max , jika j adalah atribut biaya

Jarak antara alternatif Ai dengan solusi ideal positif dirumuskan sebagai:...............(5)Jarak antara alternatif Ai dengan solusi ideal negative dirumuskan sebagai:............(6)Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai:............(7)Nilai Vi yang lebih besar menunjukkan bahwa alternatif Ai lebih dipilih. (Wibowo, 2010)9.5 Model pengembangan waterfallWaterfall model mengambil kegiatan proses dasar spesifikasi, pengembangan, validasi, dan evolusi dan mewakili kegiatan tersebut sebagai fase proses terpisah seperti spesifikasi persyaratan, perancangan perangkat lunak, implementasi, pengujian dan sebagainya. (Soomervile, 2011)

Gambar 9.4 model pengembangan waterfall (Soomervile, 2011)Model sekuensial waterfall melingkupi aktivitas-aktivitas sebagai berikut :1. Requirements analysis and definition: Mengumpulkan kebutuhan secara lengkap kemudian kemudian dianalisis dan didefinisikan kebutuhan yang harus dipenuhi oleh program yang akan dibangun. Fase ini harus dikerjakan secara lengkap untuk bisa menghasilkan desain yang lengkap.2. System and software design: Desain dikerjakan setelah kebutuhan selesai dikumpulkan secara lengkap.3. Implementation and unit testing: desain program diterjemahkan ke dalam kode-kode dengan menggunakan bahasa pemrograman yang sudah ditentukan. Program yang dibangun langsung diuji baik secara unit.4. Integration and system testing: Penyatuan unit-unit program kemudian diuji secara keseluruhan (system testing).5. Operation and maintenance: mengoperasikan program dilingkungannya dan melakukan pemeliharaan, seperti penyesuaian atau perubahan karena adaptasi dengan situasi sebenarnya.9.6 Unified Modeling LanguageUnified Modeling Language (UML) adalah sebuah bahasa yang telah menjadi standar dalam industri untuk visualisasi, merancang dan mendokumentasikan sistem piranti lunak. UML mendefinisikan notasi dan syntax/semantik.Pemodelan visual adalah proses penggembangan informasi-informasi secara grafis dengan notasi-notasi baku yang telah disepakati sebelumnya. Notasi- notasi baku sangat penting demi suatu alasan: komunikasi. Dengan notasi-notasi pemodelan yang bersifat baku, komunikasi yang baik akan terjalin dengan mudah antar anggota tim pengembang sistem. (Mujilan., 2013)UML (Unified Modeling Language) dapat digunakan untuk menjelaskan beberapa hal yang penting dalam sistem. UML menngunakan diagram untuk memvisulisasi sebuah sistem atau perangkat lunak kepada penggunanya sehingga dapat dimengerti. Namun Tidak semua diagram UML harus dipakai, dan tidak semua sistem dijelaskan dengan UML karena terdapat model penjelasan lain, atau dengan kata lain harus dipilih yang penting dalam penjelasan sistem sesuai kemampuan perancang dan pemahaman penulis program.

10. PENELITIAN TERKAITBerikut ini adalah beberapa penelitian yang telah dilakukan sebelumnya yang terkait dengan penelitian yang akan dilakukan.1. Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin (Raskin) Pada Desa Loram Wetan, Kecamatan Jati, Kabupaten Kudus Menggunakan Metode Analitycal Hierarchy Proces (soleh Adi Ermawan Jurusan Teknik Informatika Fakultas Teknik Universitas Muria Kudus Tahun 2014). Penelitian ini bertujuan untuk membuat sebuah sistem pendukung keputusan (SPK) yang memberikan alternatif dalam memberi bantuan beras untuk keluarga miskin dengan menggunakan metode AHP, Perancangan sistem menggunakan ERD, perancangan database menggunakan DFD. Sedangkan untuk bahasa pemrograman peneliti menggunakan Borland Delphi dengan database Access sebagai media penyimpanan datanya. Hasil dari penelitian ini adalah menghasilkan suatu alternatif yang membantu mempertimbangkan seorang warga layak atau tidak untuk menerima bantuan beras miskin (raskin) dengan mengacu pada kriteria-kriteria yang digunakan.1. Sistem Pendukung Keputusan Seleksi Penerima Beras (Raskin) Untuk Masyarakat Miskin (oleh Zahra Sakti Saputro Jurusan Teknik Informatika Fakultas Teknik Universitas Dian Nuswantoro Tahun 2013). Pada hasil rancang bangun sistem pendukung keputusan seleksi penerima Raskin ini yang berbasis komputer dapat digunakan untuk menyelesaikan permasalahan pengambilan keputusan dalam menyelesaikan masalah penerima raskin. Metode SAW (Simple Additive Weighting) sesuai untuk diaplikasikan dalam menentukan penerima Raskin dengan menentukan nilai bobot dari semua kriteria calon penerima sehingga pihak balai desa dapat mengambil keputusan menentukan yang berhak menerima Raskin tersebut.1. Sistem Pendukung Keputusan Seleksi Penerimaan Beasiswa Departemen Agama Di Pesantren Darularafah Raya Dengan Metode Topsis (oleh Mukhlida Fatmi Program Studi Ekstensi S1 Ilmu Komputer Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Sumatera Utara Tahun 2011).Dalam kajian ini telah dibangun sebuah sistem pendukung keputusan untuk membantu dalam menentukan peserta yang akan ikut ujian beasiswa dengan metode TOPSIS. Langkah-langkah TOPSIS yaitu, membangun sebuah matriks keputusan, membuat matriks keputusan ternormalisasi, membuat matriks keputusan ternormalisasi terbobot, menentukan solusi ideal positif dan negatif, menghitung separasi, menghitung kedekatan relatif terhadap solusi ideal positif, merangking alternatif. Hasil akhir berupa pengurutan data peserta ujian beasiswa yang akan dijadikan sebagai alat bantu dalam pengambilan keputusan.

11. JADWAL WAKTU PELAKSANAANJadwal dan waktu pelaksanaan penilitian adalah sebagai berikut:NoKegiatanBulan

Feb. 2015Mar. 2015Apr. 2015Mei. 2015Jun. 2015Jul. 2015

1Studi Kepustakaan

2Penerimaan Proposal Skripsi

3Pengumpulan dan Analisis Data

4Pembuatan Sistem/Program

5Pengujian Sistem/Program

6Penyelesaian Laporan Akhir

Table 1.1 Tabel jadwal waktu pelaksaan

Daftar PustakaArdina Ariani., L. A. (2013). Sistem pendukung Keputusan Kelayakan Tki Ke luar Negeri menggunkan Fmadm. http://arxiv.org/ftp/arxiv/papers/1312/1312.5162.pdf.bulog.co.id. (2012). http:/www.bulog.co.id/sekilas_raskin.php. Dipetik ferbruary 1, 2015, dari Sekilas Raskin.bulog.co.id.Mujilan., A. (2013). ANALISIS DANPERANCANGAN SISTEM. http://mujilan.files.wordpress.com/2013/06/mujilan-2013-aps-edisi01.pdf.Soomervile, I. (2011). software engineering 9th ed. http://www.lexnicolaes.nl/sd.pdf.Subakti, I. (2012). software engineering 9th ed. Sistem Pendukung Keputusan ( Decision Support System ) , http://directory.umm.ac.id/tik/Buku_Panduan_SPK.pdf.Wibowo, H. (2010). Aplikasi Uji Sensitivitas Untuk Model Madm Menggunakan Metode Saw Dan Topsis. Madm-tool , http://s3.amazonaws.com/academia.edu.documents/33129621/1941-1776-1-PBlibre.pdf?AWSAccessKeyId=AKIAJ56TQJRTWSMTNPEA&Expires=1425394268&Signature=NdJYi81%2BwjPupZk%2FWtVNi%2BoUkx4%3D.