BAB 2 LANDASAN TEORI
2.1. Sistem Pendukung Keputusan Sistem Pendukung keputusan (SPK) atau dikenal dengan Decision Support System (DSS) pada tahun 1970-an sebagai pengganti istilah Managementinformation system (MIS). Tetapi pada dasarnya SPK merupakan pengembangan lebih lanjut dari MIS yang dirancang sedemikian rupa sehingga bersifat interaktif dengan pemakainya, maksud dan tujuan dari adanya sistem pendukung keputusan yaitu untuk mendukung pengambil keputusan memilih alternative keputusan yang merupakan hasil pengolahan informasi – informasi yang diperoleh dengan menggunakan model-model pengambilan keputusan serta menyelesaikan masalah – masalah bersifat terstruktur, semi terstruktur dan tidak terstruktur(Pristiwanto, 2014). 2.1.1
Komponen Sistem Pendukung Keputusan
Aplikasi komponen-komponen sistem pendukung keputusan dapat terdiri dari subsistem, diantaranya(Pristiwanto, 2014). : 1. Subsistem manajemen data. Subsistem manajemen data mencakup satu database yang berisi data yang relevan untuk situasi dan dikelola oleh sistem manajemen basisdata (Data Base Management Systems (DBMS)). Subsistem manajemen data dapat diinterkoneksikan dengan data warehouse perusahaan, suatu repositori untun data perusahaan yang relevan untuk pengambil keputusan. Biasanya data disimpan atau diakses via server web databasel. Subsistem manajemen data dapat diinterkoneksikan dengan data warehouse perusahaan. Subsistem manajemen model. Merupakan paket perangkat lunak yang memasukkan model keuangan, statistik, ilmu manajemen, atau model
7 2. kuantitatif lainnya yang memberikan kapabilitas analitik dan manajemen perangkat lunak yang tepat. 3. Subsistem
antarmuka
pengguna.
Pengguna
berkomunikasi
dengan
dan
memerintahkan DSS melalui subsistem ini. Pengguna adalah bagian yang dipertimbangkan dari sistem. Para peneliti menegaskan bahwa beberapa kontribusi unik dari DSS berasal dari interaksi yang intensif antara komputer dan pembuat keputusan. 4. Subsistem manajemen berbasis-pengetahuan. Subsistem ini dapat mendukung semua subsistem lain atau bertindak sebagai komponen independen. Ia memberikan inteligensi untuk memperbesar pengetahuan si pengambil keputusan. 2.2. Android Androidmerupakan sebuah sistem operasi telepon selular dan komputer tablet layar sentuh (touchscreen) yang berbasis Linux. Namun seiring perkembangannya Android berubah menjadi platform yang begitu cepat dalam melakukan inovasi(Kasman, 2013).
2.2.1. Versi Android Keunikan dari nama sistem operasi Android adalah dengan menggunakan nama makanan penutup. Selain itu juga OS Android memiliki awal berurutan sesuai abjad; Cupcake, Donut, Eclair, Froyo, Gingerbread, Honeycomb, Ice Cream, Jelly Bean(Kasman, 2013) 1. Android Beta 2. Android 1.0 Astro 3. Android 1.1 Bender 4. Android 1.5 Cupcake 5. Android 1.6 Donut 6. Android 2.0/2.1 Eclair 7. Android 2.2 Froyo ( Froze Youghurt) 8. Android 2.3 Gingerbread 9. Android 3.0/3.1 Honeycomb
8 10. Android 4.0 ICS ( Ice Cream Sandwich ) 11. Android 4.1 ( Jelly Bean ) 12. Android 4.2 ( Jelly Bean ) 13. Android 4.3 ( Jelly Bean ) 14. Android 4.4 ( KitKat ) 15. Android 5.0 ( Lollipop ) 2.3. Simple Additive Weighting (SAW) Metode ini merupakan metode yang paling diikenal dan banyak digunakan orang dalam menghadapi situasi MADM. Metode ini mengharuskan pembuat keputusan menentukan bobot bagi setiap atribut. Skor total untuk sebuah alternatif diperoleh dengan menjumlahkan seluruh hasil perkalian antara rating yang dapat dibandingkan lintas atribut) bobot dan tiap atribut. Rating tiap atribut telah melewati proses normalisasi sebelumnya (Pristiwanto, 2014). Metode SAW dikenal sebagai istilah penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Formula untuk melakukan normalisasi tersebut adalah sebagai berikut: dengan rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i=1,2,...,m dan j=1,2,...,n(Falah, 2014).
max min Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai:
9
V =W x R dengan: V = Nilai Matriks w = Matriks rating kepentingan (bobot) r = rating Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih. Setelah tujuan dan alternatif keputusan telah didapatkan, langkah selanjutnya adalah mengidentifikasi kmpulan kriteria.Untuk lebih jelasnya, berikut disajikan flowchart metode Simple Addditive Weighting
Gambar 2.1. Flowchart Metode Simple Additive Weighting
10 Tabel 2.1. Tabel Contoh Nilai SAW
Tabel 2.2. Tabel Hasil Normalisasi Nilai
Setelah proses normalisasi, maka langkah selanjutnya adalah menghitung nilai SAW. Untuk alternatif Ani, maka nilai SAW yang diperoleh adalah : = .
× . + . × . + . × . + .
+ . × . + . × . + . × .
= .
× .
+
× .
Untuk alternatif Budi, maka nilai SAW yang diperoleh adalah : + .
= . × . + . × .
+ . × .
× . + . +
× .
× . + .
= .
× .
+ . × .
Untuk alternatif Citra, maka nilai SAW yang diperoleh adalah :
+ .
= .
× .
× . + . × . + .
+ . × . + . × .
× . + . × .
= .
+ .
× .
11
Untuk alternatif Doni, maka nilai SAW yang diperoleh adalah : = . × . + . × . + + . × .
+ .
× . + .
× . + .
× .
× .
= .
+ .
× .
Berdasarkan perhitungan diatas, maka alternatif Citra lah yang paling baik, dikarenakan nilai preferensi SAW dari alternatif Citra mempunyai nilai yang tertinggi dari semua alternatif yang ada. 2.4. Weighted Sum Model (WSM) Weighted sum model adalah salah satu model yang paling umum dan banyak digunakan untuk memodelkan permasalahan MADM. WSM mengurutkan semua kandidat berdasarkan atribut yang telah ternormalisasi. Normalisasi atribut dilakukan guna menjamin perbandingan antar atribut yang akan digunakan. Jika tidak demikian, maka atribut - atribut yang memiliki nilai yang tinggi akan membuat ketidakseimbangan pada nilai keseluruhan yang akan diperoleh(Falah, 2014). Bentuk umum dari nilai alternatif pada Weighted Sum Model untuk permasalahan satu dimensi dapat dinyatakan sebagai berikut(Falah, 2014) :
.
=
Namun jika permasalahan yang dihadapai lebih dari satu dimensi, maka persamaan menjadi(Falah, 2014) :
Keterangan : Ai ∑ n j w u
=
= referensi = hasil penjumlahan = batas atas = batas bawah = bobot = kriteria
.
,
= , ,…
12
Gambar 2.2. Flowchart Metode Weighted Sum Model Untuk lebih jelasnya diberikan contoh sebagai berikut. Terdapat sebuah permasalahan dalam memilih alternatif yang terbaik antara Ani, Budi, Citra dan Doni. Sedangkan kriteria yang menentukan proses pemilihan adalah ketidak hadiran, Interaksi, Kelakuan, Kebersihan, Tanggung Jawab, Kreatifitas, keaktifan dan Disiplin. Nilai bobot kriteria dan nilai kriteria dari masing-masing alternatif disajikan dalam Tabel2.3. Tabel 2.3. Tabel Contoh Nilai WSM
13 Berdasarkan Tabel 2.3, dapat kita ketahui nilai bobot yang diberikan pada kriteria adalah 0.1 atau 10 %, nilai bobot dan 0.2 atau 20%, nilai bobot. Selanjutnya untuk menghitung nilai WSM dari setiap alternatif, sehingga : Untuk alternatif Ani, maka nilai WSM yang diperoleh adalah : =
+ . ×
. ×
= .
+ . ×
+ . × . + . ×
+ . ×
+ . ×
+ . ×
+ . ×
+ . ×
Untuk alternatif Budi, maka nilai WSM yang diperoleh adalah : =
+ . ×
. ×
= .
+ . ×
+ . ×
+ . ×
+ . ×
Untuk alternatif Citra, maka nilai WSM yang diperoleh adalah : = . ×
+ . ×
= .
+ . ×
+ . ×
+ . ×
+ . ×
+ . ×
+ . ×
Untuk alternatif Doni, maka nilai WSM yang diperoleh adalah : = . ×
+ . ×
= .
+ . ×
+ . ×
+ . ×
+ . ×
+ . ×
+ . ×
Berdasarkan rumus, maka alternatif Citra lah yang paling baik, dikarenakan nilai WSM
dari alternatif Citra mempunyai nilai yang tertinggi dari semua alternatif yang ada.
