BAB II LANDASAN TEORI
2.1
Evaluasi Kinerja Penggunaan istilah pengukuran, penilaian dan evaluasi kinerja sering digunakan secara bergantian. Gronlund menekankan evaluasi adalah proses sistimatis untuk menentukan atau membuat keputusan, sampai sejauh mana tujuan atau program telah tercapai. Sementara penilaian adalah interpretasi terhadap pengukuran. Pengukuran
itu sendiri
menggunakan data kuantitatif. Jadi evaluasi adalah pengambilan keputusan berdasarkan penilaian dan pengukuran(Djaali, Muljono, & Ramly, 2000). Manajer menentukan target dan tujuan yang harus dicapai. Target dan tujuan tersebut harus disetujui oleh kedua belah pihak, dan evaluasi dilaksanakan berdasarkan pada hal-hal yang sudah disetujui bersama. Penilaian prestasi kerja sebagaisuatu sistem yang bersifat formal yang dilakukan secara periodik untuk mereviewdan mengevaluasi kinerja. Terdapat beberapa faktor yang mempengaruhi kinerja. Adapun faktorfaktor tersebut adalah sebagai berikut(Armstrong, 2004): a. Faktor individu atau personal factors. Faktor individu berkaitan dengan keahlian, motivasi, komitmen, dll.
5
6
b. Faktor kepemimpinan atau leadership factors. Faktor kepemimpinan berkaitan dengan kualitas dukungan dan pengarahan yang diberikan oleh pimpinan, manajer, atau ketua kelompok kerja. c. Faktor kelompok atau rekan kerja atau team factors. Faktor kelompok atau rekan kerja berkaitan dengan kualitas dukungan yang diberikan oleh rekan kerja. d. Faktor sistem atau system factors. Faktor sistem berkaitan dengan sistem atau metode kerja yang ada dan fasilitas yang disediakan oleh organisasi. e. Faktor situasi (contextual/situational factors). Faktor situasi berkaitan dengan tekanan dan perubahan lingkungan, baik lingkungan internal maupun eksternal. Menurut pandangan tradisional, pengukuran kinerja adalah untuk memonitor kinerja bisnis dan mendiagnosa penyebab dari masalah. Sistem pengukuran kinerja dilakukan untuk mengontrol operasi dalam organisasi. Dalam model umpan balik tradisional, para manajer mengatur kinerja dengan monitoring output dan kemudian menyesuaikan input untuk mencapai suatu target dibanding mengendalikan suatu tugas dengan mempertimbangkan
semua
elemen
data
yang
diperlukan
untuk
menguraikan status dari sistem(Amaratunga & Baldry, 2002). Dikaitkan dengan manajemen operasional,mendefinisikan pengukuran kinerja sebagai proses mengkuantifikasi input, output, dan tingkat aktivitas dari suatu proses. Berdasarkan beberapa pendapat di atas dapat disimpulkan bahwa evaluasi kinerja adalah upaya sistimatis yang
7
dilakukan untuk mendapatkan feedbackagar melakukan pekerjaan secara efektif, jelas atau tepat sasaran, deskriptif atau menggambarkan contohcontoh pekerjaan yang benar, objektif atau memberikan masukan yang positif
dan
negative,
dan
konstruktif
atau
memberikan
saran
perbaikan(Radnor & Barnes, 2007).
2.2
Studi Kasus Studi kasus atau case studyadalah sebuah metoda penelitian yang secara khusus menyelidiki fenomena kontemporer yang terdapat dalam konteks kehidupan nyata, yang dilaksanakan ketika batasan-batasan antara fenomena dan konteksnya belum jelas, dengan menggunakan berbagai sumber data. Dalam kaitannya dengan waktu dan tempat, menjelaskan bahwa objek yang dapat diangkat sebagai kasus bersifat kontemporer, yaitu yang sedang berlangsung atau telah berlangsung tetapi masih menyisakan dampak dan pengaruh yang luas, kuat atau khusus pada saat penelitian dilakukan(Yin, 2003). Salah satu kekhususan penelitian studi kasus sebagai metoda penelitian adalah pada tujuannya. Penelitian studi kasus sangat tepat digunakan pada penelitian yang bertujuan menjawab pertanyaan bagaimana dan mengapa terhadap sesuatu yang diteliti. Melalui pertanyaan penelitian yang demikian, substansi mendasar yang terkandung di dalam kasus yang diteliti dapat digali dengan mendalam. Dengan kata lain, penelitian studi kasus tepat digunakan pada penelitian yang bersifat eksplanatori, yaitu penelitian yang dimaksudkan untuk menggali penjelasan kasualitas atau
8
sebab dan akibat yang terkandung di dalam obyek yang diteliti. Penelitian studi kasus tidak tepat digunakan pada penelitian eksploratori, yaitu penelitian yang berupaya menjawab pertanyaan siapa, apa, dimana, dan seberapa banyak, sebagaimana yang dilakukan pada metoda penelitian eksperimental (Yin, 2003). Kekhususan penelitian studi kasus yang lain adalah pada sifat obyek yang diteliti. Penelitian studi kasus tidak tepat digunakan pada penelitian sejarah, atau fenomena yang telah berlangsung lama, termasuk kehidupan yang telah menjadi tradisi atau budaya. Sifat kasus yang demikian juga didukung oleh Creswellyang menyatakan bahwa penelitian studi kasus berbeda dengan penelitian grounded theory dan phenomenologi yang cenderung berupaya meneliti teori-teori klasik, atau defintif, yang telah mapan atau definitive theories yang terkandung di dalam obyek yang diteliti. Pendapat lain yang menyatakan bahwa kasus sebagai obyek penelitian dalam penelitian studi kasus digunakan untuk memberikan contoh pelajaran dari adanya suatu perlakuan dalam konteks tertentu. Kasus yang dipilih dalam penelitian studi kasus harus dapat menunjukkan terjadinya perubahan atau perbedaan yang diakibatkan oleh adanya perilaku terhadap konteks yang diteliti. Penelitian studi kasus pada awalnya bertujuan untuk mengambil lesson learned yang terdapat dibalik perubahan yang ada, tetapi banyak penelitian studi kasus yang ternyata mampu menunjukkan adanya perbedaan yang dapat mematahkan teori-teori yang telah mapan, atau menghasilkan teori dan kebenaran yang baru(Yin, 2003).
9
2.3
Business Intelligence Business Intelligenceatau BI adalah slogannya yang ditemukan pada pertengahan tahun 1990 untuk menggambarkan cara mengambil data dari bentuk baku dan mengubahnya menjadi sesuatu yang dapat digunakan sebagai dasar dalam keputusan bisnis,yang berkaitan dengan disiplin ilmu data lain yang terkait erat termasuk data mining, analisis statistik, peramalan,
dan
system
pendukung
keputusan.
Business
Intelligencemerupakan strategi bisnis yang bertujuan untuk memahami dan mengantisipasi
kebutuhan
perusahaan.
Sistemini
menyediakan
pengawasan yang efektif dan efisien dalam pengendalian proses operasi,kepada user untuk membantu dalam pengambilan keputusan dan panduan
menuju
arah
strategisbusiness
intelligencejuga
memberikanpengetahuan tentang pelanggan perusahaan, persaingan, mitra bisnis, lingkungan yang kompetitif, dan operasi internalnya sendiri yang memberikan
manajemen
perusahaan
kemampuan
untuk
membuatkeputusan strategis bisnis yangefektif dan penting(Pareek, 2007). Tujuan
utama
darisistem
untukmemberikanpengetahuan
business bagi
intelligenceadalah
organisasi
dengan
suatumetodologiyang memungkinkan mereka untukmembuat keputusan yang efektifdan tepat waktuPerbedaan dari data, informasi dan knowledge dijelaskan sebagai berikut(Vercellis, 2009): Data,
merupakankodefikasiterstrukturentitasprimer
transaksiyang melibatkan duaatau lebih entitasprimer.
tunggal,
serta
10
Informasi,merupakan hasil dari kegiatan ekstraksi dan pengolahan yang dilakukan pada data, dan tampaknya bermakna bagi mereka yang menerimanya dalam domain tertentu. Knowledge, merupakan informasi yang akan diubah menjadi sebuah pengetahuan jika digunakan untuk membuat keputusan dan untuk mengembangkan sebuah tindakan yang sesuai dengan kebutuhan bisnis. Karena itu, dapat diandaikan pengetahuan yang terdiri dari informasi yang dianalisis untuk kebutuhan tertentu, ditingkatkan oleh pengalaman dan kompetensi para pengambil keputusan dalam menangani dan memecahkan masalah yang kompleks. Business Intelligence dapat didefinisikan sebagai hak akses ke data atau informasi yang tepat dibutuhkan untuk membuat keputusan bisnis yang tepat pada waktu yang tepat. Data yang mungkin mentah atau mungkin telah dianalisis dalam beberapa cara. Memiliki akses ke informasi tersebut memungkinkan pengelolaan bisnis berdasarkan fakta bukan mengandalkan intuisi(Stackowiak, Rayman, & Greenwald, 2007).
Gambar 2.1 Komponen Arsitektur BI
11
Business Analyst Tool yang digunakan oleh perusahaan Indosat adalah Cognos,yang mengakses Oracle database yang dapat mengarahkan ke Oracle Application Server dengan dukungan portlet. Cognos adalah salah satu sistem business intelligence yang digunakan untuk reporting, dashboard dan kebutuhan user lainnya dalam menunjang keputusan yang dilakukan oleh manajemen dalam bentuk analytical.Secara sederhana, saat ini BI dapat diterapkan di hampir semua industri dan sektor. Implementasi sistem BI pada suatu perusahaan atau organisasi membutuhkan investasi biaya besar yang dikeluarkan untuk membangun dan mengimplementasi sistem BI serta aplikasi yang terkait dengannya. Pimpinan tertinggi suatu perusahaan atau IT commite perlu membuat Return on Investment (ROI) model untuk menganalisis biaya yang dibutuhkan bagi implementasi dan pemeliharaan BI model serta menentukan metode-metode untuk mengembalikan investasi biaya yang sudah dikeluarkan segera. Tindakan-tindakan bisnis yang tepat perlu dilakukan berdasarkan strategi dari intelligence model. Kadang model BI dan asumsi yang salah dalam membuat model BI dapat mengurangi manfaat yang seharusnya diperoleh dari digunakannya sistem BI itu sendiri. Jika model BI sudah dirancang dengan tepat dan sesuai dengan kebutuhan dan tujuan organisasi atau perusahaan, maka keuntungan akan diperoleh oleh perusahaan sesuai dengan biaya yang sudah dikeluarkan.
12
2.4
Analytical Hierarchy Process Analytical
hierarchy
processatau
yang
sering
disebut
(AHP)dikembangkanpada tahun 1980 olehSaaty. AHP adalah sebuah metode untuk memilih alternative keputusan terbaik berdasarkan peringkat ketika pembuat keputusan memiliki beberapa kriteria. Dengan AHP pengambil pengambilan
keputusan keputusan
memilih
alternatif
berdasarkan
hasil
sesuai skor
dengan numerik
kriteria yang
diberikan(Ozdagoglu & Ozdagoglu, 2007). Adapun kelebihan metode ini adalah: 1. Fleksibel, dalam arti mampu mencakup seluruh permasalahan dengan tujuan dan kriteria yang beragam, tujuan yang berbeda atau bias dimasukkan ke dalam satu level 2. Menggunakan metode kuantitatif dan kualitatif. Penilaian tidak saja berdasarkanangka absolut, melainkan juga relatif atau menggunakan skala 3. Menggunakan dataprimer, sehingga tidak menghadapi masalah ketersediaan data 4. Perhitungantidak terlalu rumit Sedangkan kelemahan dari metode ini adalah apabila responden memberikan penilaian yang keliru, dan ditambah dengan belum adanya kriteria yang jelas untuk seorang expert. Kebanyakan orang bertanya apakah persepsi seorang expert dapat mewakili kepentingan orang banyak, karena pada kenyataannya setiap orang mempunyai persepsi yang berbeda dengan orang lain(Saaty L. T., 1994).
13
AHP merupakan salah satu model untuk pengambilan keputusan yang dapat membantu kerangka berpikir manusia. Kerangka utama dari model ini adalah sebuah hirarki fungsional dengan input utama persepsi manusia. Untuk menguji kelayakannya digunakan rasio inkonsistensi.AHP telah digunakan secara luas, tekadang dikombinasikan dengan program matematika, dalam mengevaluasi kinerja sistem bisnis dan manufaktur. AHP telah diterapkan dan diimplementasikan dalam perangkat luanak komersial seperti HIPRE, Criterium, dan Expert(Vahidniaa, Alesheikhb, & Alimohammadic, 2008). AHP digunakan karena kemampuannya untuk melibatkan faktor-faktor non-kuantitatif yang bukan berupa angka-angka finansial. Analisis kinerja yang menyeluruh harus melibatkan informasi non-finansial baik kualitatif maupun kuantitatif yang mungkin tidak tercantum dalam laporan keuangan tetapi sangat dibutuhkan untuk menilai kinerja perusahaan dengan
lebih
baik.AHPmemungkinkanpengambil
keputusanuntuk
modelmasalah yang kompleksyang diterjemahkan ke dalam struktur hirarki yang lebih mudah dipahami dan dievaluasi. Evaluasi secara subjektif akan diubah menjadi nilai numerik dan diproses berdasarkan peringkat alternatif pada skala numerik.(Balmus, 2011).
Gambar 2.2Gambaran Umum Struktur Hirarki
14
2.5
Fuzzy Analytical Hierarchy Process Metodefuzzy AHP merupakan suatu metode analisis canggih yang dikembangkan dari AHP konvensional. Meskipun metode AHP mampu menangani
kriteria
kuantitatif
dan
kualitatif
dari
multi
kriteria
permasalahan dalam pengambilan keputusan berdasarkan penilaian para pengambil keputusan, ketidakjelasan yang ada dalam pengambilan banyak membuat masalah dan berkontribusi pada penilaian yang tidak tepat dari pengambil keputusan dalam pendekatan AHP konvensional(Bouyssou, Marchant, Pirlot, & Perny, 2000). Penilaian subjektif para ahli pada metode AHP, sebagai dasar dari pemilihan dan preferensi pengambil keputusan sangat berpengaruh terhadap keberhasilan metode AHP. Metode AHP konvensional masih belum dapat mencerminkan gaya berpikir manusia. Untuk menghindari risiko kesalahan dalam penafsiran gaya berfikir seseorang pada penilaiaan kinerja, maka metode pengembangan yang tepat yang dikembangkan untuk memecahkan masalah yang masih samar-samar dalam hirarki adalah fuzzy AHP(Ozdagoglu & Ozdagoglu, 2007). Pada sistem kompleks, para ahli menggunakan pengalaman dalam penilaian dengan menggunakan pola linguistik yang samar-samar. Oleh karena itu, representasi linguistik dari para ahli tersebut dikembangkan sebagai data kuantitatif,jenis data set ini kemudian disempurnakan oleh metode evaluasi teori himpunan fuzzy. Di sisi lain, metode AHP yang digunakan dalam menentukan keputusan hampir menciptakan hubungan dengan skala penilain yang sangat tidak seimbang karena metode AHP
15
tidak
memperhitungkan
ketidakpastian
hubungan
dalam
pemetaannya(Cheng, 1999). Tingkat analisis pada fuzzy AHP tergantung pada derajat kemungkinan setiap kriteria, yang bergantung pada respon dari koresponden dalam menjawab pertanyaan, dari hasil pertanyaan dari variabel-variabel linguistik yang memiliki nilai samar maka dapat digunakan triangular fuzzy number atau segita fuzzy dan pada tingkatan hirarki tertentu dapat digunakan matriks perbandingan berpasangan. Misalkan keiteria C ,
memiliki beberapa elemen dibawahnya, yaitu
,…,
seperti tabel
matrik berpasangan dibawah ini: Tabel 2.1 Matriks perbandingan berpasangan C
A1
A2
...
An
A1
1
a12
...
a1n
A2
a21
1
...
a2n
...
...
...
...
...
An
an1
an2
...
1
Elemen diagonal dari matrix berpasangan adalah ketika kriteria dibaris i lebih baik dari kriteria dikolom j jika nilai elemen (i,j) lebih dari 1, jika kriteria pada kolom j lebih baik dari baris ke i. Elemen (j,i) dari matriks adalah kebalikan dari elemen (i,j). dimana C = Kriteria n = kriteria yang dievaluasi Aij = kepentingan dari kriteria ke i dibandingkan dengan kriteria ke j
16
2.5.1 Konsistensi Matriks Perbandingan Berpasangan Apabila A adalah matriks perbandingan berpasangan yang konsisten maka semua nilai eigen bernilai nol kecuali yang bernilai sama dengan n. Tetapi bila A adalah matriks tak konsisten, variasi kecil atas aij akan membuat nilai eigen terbesar λmaksselalu lebih besar atau sama dengan n yaitu λmaks≥ n. Perbedaan antara λmaks dengan n dapat digunakan untuk meneliti seberapa besar ketidakkonsistenan yang ada dalam A, dimana rata-ratanya dinyatakan sebagai berikut(Saaty T. L., 2001): 1 Suatu matriks perbandingan berpasangan dinyatakan konsisten apabila nilai consistency ratio (CR)≤10%. CR dapat dihitung menggunakan rumus sebagai berikut : CI Berikut tabel Random Index (RI) untuk matriks berukuran 1 sampai 15: Tabel 2.2Random Index (Saaty,1994) n RI
1,2 0.00
3 0.58
4 0.90
5 1.12
6 1.24
7 1.32
8 1.41
9 1.45
10 1.49
11 1.51
12 1.48
13 1.56
14 1.57
15 1.59
2.5.2 Triangular Fuzzy Number (TFN) Teori himpunan fuzzy yang membantu dalam pengukuran konsep linguistik yang berhubungan dengan penilaian subjektif manusia memakai linguistik bilangan triangular fuzzy number. TFN ini dikembangkan untuk menggambarkan variabel-variabel linguistik secara pasti. TFN juga berguna untuk menggambarkan dan memproses informasi dalam lingkup
17
fuzzy. Inti dari metode fuzzy AHP yang terletak pada perbandingan berpasangan yang menjelaskan perubahan relative antara pasangan atribut keputusan dalam suatu hirarki yang sama, maka perbandingan tersebut digambarkan dengan skala rasio yang berhubungan dengan nilai skala fuzzy.Bilangan TFN disimbokan
dan ketentuan fungsi keanggotaan
untuk lima skala variable linguistik dapat dilihat pada tabel berikut: Tabel 2.3 Skala fuzzy dan linguistik kepentingan relative Intensitas Skala Fuzzy
Kebalikan skala fuzzy
1=(1,1,3) 3=(1,3,5) 5=(3,5,7) 7=(5,7,9) 9=(7,9,9) 2=(1,2,4) 4=(2,4,6) 6=(4,6,8) 8=(6,8,9)
(1/3,1/1,1/1) (1/5,1/3,1/1) (1/7,1/5,1/3) (1/9,1/7,1/5) (1/9,1/9,1/7) (1/4,1/2,1/1) (1/6,1/4,1/2) (1/8,1/6,1/4) (1/9,1/8,1/6)
Definisi Variable Linguistik Dua kriteria mempunyai kepentingan yang sama Satu kriteria sedikit lebih penting dari yang lain Satu kriteria lebih penting dari yang lain Satu kriteria sangat lebih penting dari yang lain Satu kriteria mutlak lebih penting dari yang lain
Nilai tengah antara dua penilaian
Berdasarkan nilai fuzzy tersebut dapat digambarkan fungsikeanggotaannya sebagai berikut:
Gambar 2.3 Skala variabel linguistik Ketentuan untuk nilai-nilai intensitas skala fuzzy seperti tabel 2.3 dapat dilihat pada tabel berikut:
18
Tabel 2.4Ketentuan fungsi keanggotaan bilangan fuzzy
Berikut ini terdapat aturan-aturan operasi aritmatika bilangan triangular fuzzy jika kita misalkan terdapat dua TFN yaitu ,
,
,
,
dan
. ,
,
,
,
,
,
,
:
...(2.1)
,
,
,
2.5.3 Analisa Fuzzy Synthetic Extent Analisa synthetic extent dipakai untuk memperoleh perluasan suatu objek dalam memenuhi tujuan yang disebut satisfied extent. ,
Jika , m, maka
,…, ,
,…,
merupakan sekumpulan kriteria sebanyak n dan merupakan sekumpulan atribut keputusan sebanyak
,…,
adalah nilai extent analisis pada i-kriteria dan
m-attribut keputusan dimana i=1,2,3,...,n dan untuk semua 1,2, … ,
merupakan bilangan triangular fuzzy(Tang & Beynon, 2005).
19
Langkah-langkah model extent analisis yaitu: 1. Nilai fuzzy syntetic extent untuk i-objek didefinisikan sebagai berikut: ∑
∑
∑
Untuk
memperoleh
...(2.2) ∑
,
maka
dilakukan
operasi
penjumlahan nilai fuzzy extent analysis (m) untuk matriks sebagian dimana menggunakan operasi penjumlahan seperti rumus 2.1 pada tiap-tiap bilangan triangular fuzzy dalam setiap baris seperti formula berikut: ∑
∑
,∑
,∑
i=1,2,...n
...(2.3)
dimana: M = bilangan triangular fuzzy number m = jumlah kriteria j
= kolom
i
= baris
g
= parameter (l,m,u) ∑
Sedangkanuntuk nilai ∑
dapat dijabarkan dengan
rumus berikut yang merupakan operasi penjumlahan untuk keseluruhan bilangantriangular fuzzy
(j= 1,2,...m) dalam
matriks keputusan (n × m), perumusannya adalah: ∑
∑
∑
,∑
,∑
...(2.4)
Dan untuk menghitung invers dari persamaan diatas yaitu: ∑
∑
,∑
∑
,∑
...(2.5)
20
2. Perbandingan tingkat kemungkinan antara bilangan fuzzy. Pertimbangan dari prinsip perbandingan ini untuk perkiraan sekumpulan nilai bobot pada masing-masing kriteria. Sebagai contoh adalah 2 bilangan fuzzy kemungkinan
dan
dengan tingkat
dapat didefinisikan sebagai berikut: ,
...(2.6)
Dimana sup adalah supremum (batas teratas himpunan yang paling kecil). Jika pasangan (x,y) dimana 1
1
maka,
Apabila
dan
,
,
dan
,
dan
0.
,
merupakan bilangan
fuzzy convex dapat diperoleh ketentuan berikut: 1 hgt Dimana iff menyatakan ‘jika dan hanya jika’ dan d merupakan ordinat titik perpotongan tertinggi antara dimana d berada adalah fuzzy perpotongan
. Titik
dan hgt merupakan tinggi bilangan dan
. Tingkat kemungkinan untuk
bilangan fuzzy konveks dapat diperoleh dengan persamaan berikut: , , ,
...(2.7)
Perumusan untuk perbandingan dua bilangan fuzzy tersebut dapat digambarkan secara grafis seperti gambar berikut:
21
Gambar 2.4 Perpotongan antara
dan
3. Tingkat kemungkinan untuk bilangan fuzzy convex M lebih baik dibandingkan sejumlah k bilanganfuzzy convex. 1,2, … operasi V
max ,
dapat dan
,…,
ditentukan
min
dan
dengan
menggunakan
dirumuskan
V
dengan:
,…,
min V
...(2.8)
Dengan I= 1,2,3,4...,k, jika diasumsikan bahwa min
1,2, … , ;
maka vektor didefinisikan : , Dimana
,…, 1,2, …
...(2.9) adala n elemen dan
adalah
nilai yang menggambarkan pilihan relative masing-masing atribut keputusan. 4. Normalisasi, vektor bobot penting dilakukan karena tidak hanya memudahkan interpretasi tapi juga untuk solusi unik beberapa metode seperti metode logaritmic least square. Normalisasi terdiri dari dua cara yaitu pembagian atau devision dan geometris. Normalisasi pembagian menggunakan operasi penjumlahan dan pembagian. Sedangkan normalisasi geometris memakai konsep rata-rata geometris. Dari kedua cara tersebut yang lebih mudah,
22
tepat dan banyak digunakan adalah normalisasi pembagian. Jika vektor bobot diatas dinormalisasikan maka akan diperoleh definisi vektor bobot berikut: ,
,…,
...(2.10)
Perumusan normalisinya adalah ...(2.11)
∑
Normalisasi bobot ini dilakukan agar nilai dalam vektor diperbolehkan menjadi bobot analog yang ditetapkan dari metode AHP dan terdiri dari bilangan bukan fuzzy. Untuk lebih memahami langkah-langkah fuzzy AHP diatas maka diberikan contoh berikut dimana jika terdapat data perbandingan berpasangan dari dua orang responden (pengambil keputusan) yang memberikan penilaian terhadap tiap-tiap kriteria. Misal: Data penilaian perbandingan berpasangan antara kriteria utama dalam suatu tujuan permasalahan dengan kriteria
,
,
. Data
penilaian tersebut dapat dilihat seperti berikut: Responden 1: Kriteria
1
1/2
1
2
1
3
1
1/3
1
23
Responden 2: Kriteria 1
3
1/4
1/3
1
1/2
4
2
1
Dari data dua orang responden diatas diubah menjadi bilangan TFN seperti dijelaskan pada langkah 3, sehingga matriks perbandingan berpasangan menjadi: Responden 1: Kriteria (1,1,1)
(1/4,1/2,1/1) (1/1,1/1,1/1)
(1,2,4)
(1,1,1)
(1,1,3)
(1/5,1/3,1/1) (1,1,1)
(1,3,5)
Responden 2: Kriteria (1,1,1)
(1,3,5)
(1/6,1/4,1/2)
(1/5,1/3,1/1) (1,1,1)
(1/4,1/2,1/1)
(2,4,6)
(1,1,1)
(1,2,4)
Kemudian dari kedua data tersebut digabungkan dan dihitung rataratanya sehingga diperoleh matriks perbandingan berpasangan untuk kriteria utama yaitu dengan cara berikut:
24
Jika diambil perbandingan
terhadap
maka diperoleh hasil rata-
ratanya yaitu dengan menggunakan perumusan operasi aritmatika seperti yang ada pada persamaan 2.1. 1 1 1 , , 4 2 1
1,3,5
1 2
5 7 , ,6 4 2
1 2
5 7 , ,3 4 8 Dengan perhitungan diatas maka diperoleh matriks berpasangannya: Kriteria (1,1,1)
(5/4,7/4,3)
(1/4,5/8,3/4)
(3/5,7/6,5/2)
(1,1,1)
(5/8,7/4,3)
(3/2,5/2,9/2)
(3/5,7/6,5/2)
(1,1,1)
Dari matrix berpasangan, selanjutnya dihitung nilai fuzzy syntheticextent untuk tiap kriteria utama sebagai berikut: 1,875
3,375
4,75
1 1 1 7,2 11,96 19,25
0,26
0,28
0,25
2,225
3,917
6,5
1 1 1 7,2 11,96 19,25
0,31
0,33
0,34
3,1
4,67
12,7
1 1 1 7,2 11,96 19,25
0,43
0,39
0,66
Nilai fuzzy synthetic extent yang telah diperoleh kemudian dibandingkan seperti persamaan 2.7 dan perhitungannya dapat dilihat seperti berikut ini: 0,28
0,31 0,25
0,25 0,33
0,31
0,28
0,43 0,25
0,25 0,39
0,43
0,33
0,43 0,34
0,34 0,39
0,43
6 2,6 3
25 1 1 1
Nilai nilai fuzzy synthetic extent yang diperoleh dapat dilihat dibawah ini dimana dari nilai-nilai tersebut diambil nilai minimumnya menjadi vektor bobot dari masing-masing kriteria: Kriteria 6 1
Nilai Minimum
2,6 3
1
1
1
1
2,6
Selanjutnya vektor bobot yang diperoleh yaitu (1
1
2,6). Untuk
memperoleh vektor bobot yang bukan bilangan fuzzy sebagai vektor bobot akhir untuk masing-masing kriteria dengan perhitungan sebagai berikut: 1 Untuk bobot
dan
1 1 2,6
0,22
juga dihitung seperti bobot
untuk masing-masing kriteria tersebut adalah (0,22 bobot akhir tiap kriteria tersebut terlihat bahwa bobot dua kriteria lainnya yaitu sebesar 0,57.
dan bobot akhir 0,22
0,57). Dari
lebih besar dari
26
2.6
Evaluasi Kriteria Kinerja BI Dengan Fuzzy AHP Pada
langkahawalimplementasi
sistemBIdalamproses
pengembangannys dibutuhkan kriteria yang harus dipertimbangkanuntuk menjamin
keberhasilan
perusahaandi
kinerja
penerapan
sistem
IranmengimplementasikansistemBI,
BI.
Beberapa
sebuah
penelitian
dilakukan oleh Kamran Rezaie, Ayyub Ansarinejad, dkk, dengan tujuan untuk lebih memahamikriteria dansubkriteria untukmengevaluasikinerja sistemBI dengan menggunakan metode Fuzzy AHP. Metode FuzzyAHP telah digunakan dalamberbagai penelitianuntuk pengambilan
keputusandiberbagai
bidang.
Berikut
adalahlangkah-
langkahmetodologiFAHP: 1. Mengidentifikasikan faktor dan sub faktor kinerja dan membuatnya menjadi struktur hiraki.Berikut adalah klasifikasi kriteria dan sub kriteria evaluasi kinerja BI.
Gambar 2.5 Kriteria dan sub kriteria evaluasi kinerja BI 2. Mengumpulkan pendapat para ahli berdasarkan skala linguistik dan fuzzy
number
untuk
membentuk
berpasangan.
matriks
perbandingan
27
3. Menghitung tingkat konsistensi atau CR dari perbandingan berpasangan. 4. Defuzzifikasi penilaian masing – masing ahli yang konsisten dengan metode Crisp Scores Methode atau CFCS Langkah diatas digunakan untuk menghitung setiap kriteria dan sub kriteria yang didapat dari hasil kuesioner yang diberikan kepada para ahli berdasarkan tingkat kepentingan. Hasilmenunjukkan bahwakriteria kecocokan adalah kriteria yang palingpenting dalam evaluasikinerjaBISystem dan dua kriteria lainnya adalah fleksibelitas dan fungsionalitas ditempat kedua dan ketiga.Prosedur yang sama juga dilakukan untuk menghitung sub kriteria, dari hasil perhitungan tersebut didapat bahwa tiga sub kriteria yang merupakan prioritas tertinggi yaitu fleksibelitas laporan, memenuhi kebutuhan organisasi dan mendukung kebutuhan manajer dalam membuat keputusan, sedangkan sub kriteria pengamanan sistem memiliki pengaruh terendah pada evaluasi kinerja sistem BI. Tabel 2.3 Ringkasan penilaian bobot dengan fuzzy AHP Kriteria
Sub Kriteria
Bobot Kriteria
Bobot Sub Kriteria
S.1.1 C1
C2
C3
S.1.2
0.352
0.169
3
0.068
0.033
4
0.579
0.277
2
S.2.1
0.618
0.195
1
0.141
0.045
8
S.2.3
0.241
0.076
6
S.3.1
0.303
0.062
7
0.528
0.109
5
0.168
0.035
9
S.3.2
0.316
0.206
S.3.3
Ranking
S.1.3 S.2.2
0.479
Global Ranking
28
2.7
Skala Likert Skala Likert digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau sekelompok orang tentang fenomena. Variabel yang akan diukur dijabarkan menjadi indikator variabel. Kemudian indikator tersebut dijadikan sebagai titik tolak untuk menyusun item-item instrumen yang dapat berupa pernyataan atau pertanyaan(Allen & Seaman, Jul 2007)(Allen & Seaman, Jul 2007). Jawaban setiap item instrumen yang menggunakan skala likert mempunyai gradasi dari sangat positif sampai sangat negatif. Untuk keperluan analisi kuantitatif, jawaban itu dapat diberi skor (1–5 atau Sangat Setuju–Setuju–Netral–Tidak Setuju–Sangat Tidak Setuju) atau disesuaikan dengan kebutuhan. Penskalaan ini apabila dikaitkan dengan jenis data yang dihasilkan adalah data Ordinal. Sekedar mengingatkan bahwa jenis data ada empat NOIR (Nominal, Ordinal, Interval, Rasio) keempat jenis data ini memiliki ciri sebagai berikut: 1. Nominal : Bersifat mengklasifikasikan saja, tanpa ada jenjang diantara klasifikasi. Angka hanya bermakna sebagai variasi jenis tanpa bermakna tingkatan. Missal: laki-laki – perempuan, 1 untuk kode lakilaki dan 2 untuk kode perempuan, angka 1 dan 2 bukan merupakan tingkatan, yang artinya 2 bukan berarti lebih tinggi daripada 1. Data jenis ini belum bisa dilakukan operasi matematis.
29
2. Ordinal : Bersifat mengklasifikasikan, dan klasifikasi tersebut sudah merupakan tingkatan. Sehingga dengan data ordinal ini angka sudah menunjukkan mana yang lebih besar dan mana yang lebih kecil. Tetapi masing-masing klasifikasi yang berupa tingkatan tersebut tidak memiliki jarak yang sama. Misal: juara dalam perlombaan balap sepeda. Ada juara 1 juara 2 dan juara 3. Angka 1, 2, 3 tersebut sudah memiliki makna tingkatan, bahwa juara 1 lebih cepat daripada juara 2 dan juara 3.Juara 2 lebih cepat daripada juara 3. Juara 1 waktu tempuahnya 5 menit, Juara 2 waktu tempuhnya 7 menit dan juara 3 waktu tempuhnya 12 menit. Yang dimaksud tidak memiliki jarak yang sama adalah antara juara 1 dan 2 selisih waktunya 2 menit, antara juara 2 dan juara 3 selisih waktunya 5 menit. Dengan demikian kita masih belum bisa menggunakan operasi matematis, karena angka 1, 2 dan 3 itu hanya berupa ranking saja. 3. Interval : bersifat mengklasifikasikan, dan klasifikasi tersebut sudah merupakan tingkatan yang masing-masing tingkatan memiliki jarak yang sama. Misal: nomor sepatu. Sepatu dengan nomor 39, 40, 41, 42.Angka nomor sepatu tersebut sudah bermakna tingkatan bahwa nomor 42 lebih tinggi daripada nomor 41 dan seterusnya. Pada data interval masing-masing tingkatan tersebut memiliki jarak yang sama. Sepatu nomor 39 memiliki panjang 30cm, nomor 40 memiliki panjang 31cm, nomor 41 memiliki panjang 32cm, nomor 42 memiliki panjang 33cm. dengan contoh tersebut berarti setiap tingkatan memiliki interval 1cm, interval inilah yang dimaksud dengan jarak yang sama di masing-
30
masing tingkatan. Dengan adanya interval yang kita ketahui tersebut, kita bisa memaknai bahwa nomor sepatu 42 adalah nomor 39 ditambah 3cm, tapi kita belum bisa memaknai bahwa nomor 42 adalah nomor 39 dikali 3. Dengan demikian kita bisa menyimpulkan bahwa data interval sudah bisa dikenai operasi matematis penjumlahan dan pengurangan, namun belum bisa dikenai operasi matematis perkalian dan pembagian. Hal ini karena data interval tidak memiliki angka nol mutlak. 4. Rasio : ini adalah data dengan tingkatan yang tertinggi karena telah memiliki angka nol mutlak. Misal ukuran panjang atau tinggi, dan ukuran berat. Berat 0 kg berarti memang tidak ada massa yang ditimbang. Berat 3 kg lebih besar daripada berat 2 kg, berat 2 kg lebih besar daripada berat 1 kg. Sehingga berdasarkan contoh tersebut kita bisa memaknai bahwa 3 kg adalah 2kg + 1kg atau 3kg adalah 3x1kg. Dengan demikian data rasio sudah bisa dikenai semua operasi matematis: +, -, x, dan :.
