BAB III ANALISIS DAN DESAIN SISTEM
III.1
Analisa Masalah Analisa masalah bertujuan untuk mengklarifikasi serta melakukan evaluasi
terhadap sistem pembelian sepeda motor bekas yang sedang berjalan pada PT. Nusantara Surya Sakti. Adapun masalah-masalah yang ditemukan dalam penelitian ini adalah calon pembeli masih kesulitan dalam menentukan kriteriakriteria apa saja yang harus diberi penilaian dalam membeli sepeda motor bekas, sehingga pembeli juga masih kesulitan dalam membandingkan dan memilih yang terbaik diantara beberapa sepeda motor bekas yang ada, dengan demikian calon pembeli mengalami kesulitan dan membutuhkan waktu yang lama dalam memilih sepeda motor bekas. Berdasarkan permasalahan tersebut, penulis mengemukakan usulan untuk menyelesaikan masalah tersebut, adapun usulan pemecahan masalah tersebut adalah dengan membuat sistem pendukung keputusan pembelian sepeda motor bekas berbasis komputer yang mempermudah calon pembeli dalam pengambilan keputusan pada saat membeli sepeda motor bekas dengan menerapkan metode simple additive weighting (SAW).
III.2
Penerapan Metode Simple Additive Weighting Metode Simple Additive Weighting (SAW) merupakan metode Multiple
Attribute Decision Making (MADM), Metode SAW sering juga dikenal sebagai metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari
45
46
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. Berikut adalah formula untuk mencari normalisasi : π₯ππ max π₯ππ
ππππ π ππππππ ππ‘ππππ’π‘ πππ’ππ‘π’ππππ πππππππ‘
π
πππ
=
min π₯ππ π
π₯ππ
ππππ π ππππππ ππ‘ππππ’π‘ ππππ¦π πππ π‘
β¦ β¦ β¦ β¦ (1)
Dimana : rij
: Rating kinerja ternormalisasi
Maximum : Nilai maksimum dari setiap baris dan kolom Minimum : Nilai minimum dari setiap baris dan kolom Xij
: Baris dan kolom dari matriks
Dimana rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Ci; i=1,2,...,m dan j=1,2,...,n. Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai :
π
ππ =
π€ π =1
Dimana : Vi : Nilai Akhir Alternative Wj : Bobot yang telah ditentukan Rij : Normalisasi matriks
π
π ππ
β¦β¦β¦β¦β¦β¦ (2)
47
Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih. (Jurnal SPK ; Alif Wahyu Oktaputra, Edi Noersasongko ; 2014 : 3) Langkahβlangkah penyelesaian Fuzzy MADM menggunakan metode SAW adalah: 5. Menentukan kriterian-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu (Ci). 6. Menentukan rating kecocokan setiap alternatif pada setiap kriteria. 7. Membuat matriks keputusan (X) berdasarkan kriteria (Ci), kemudian melakukan
normalisasi
matriks
berdasarkan
persamaan
yang
disesuaikan dengan jenis atribut yaitu : atribut keuntungan (Benefit) atau
atribut biaya (Cost), sehingga diperoleh matriks ternormalisasi
(R). 8. Hasil akhir diperoleh dari setiap proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi (R) dengan vector bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi. (Jurnal Semantik ; Ita Arfyanti, Edi Purwanto; 2012 : 122).
III.2.1 Flowchart Metode Simple Additive Weighting Untuk mempermudah penerapan metode Simple Additive Weighting (SAW) kedalam sistem pendukung keputusan yang akan dibuat, maka dibuat kedalam sebuah flowchart, adapun flowchart metode SAW adalah sebagai berikut:
48
Gambar III.1 Flowchart Metode Simple Additive Weighting
III.2.2 Studi Kasus Metode Simple Additive Weighting Dari hasil penelitian dan analisa yang penulis lakukan, maka penulis menentukan kriteria-kriteria yang digunakan untuk memilih sepeda motor bekas beserta atribut, bobot dan sub kriteria yang dimiliki dari setiap kriteria, adapun kriteria-kriteria yang digunakan dapat dilihat pada tabel III.1 Berikut :
49
Tabel III.1 Kriteria pemilihan Sepeda Motor Bekas Kode Kriteria K01 K02 K03 K04 K05 K06 K07
Nama Kriteria Harga Tahun Pajak Stnk Mesin CC Mesin Body
Atribut Cost Benefit Cost Cost Benefit Benefit Benefit
Dari masing-masing kriteria tersebut akan ditentukan bobot-bobot kepentingannya dan sub-sub kriteria beserta nilainya dengan menggunakan bilangan fuzzy. Bilangan fuzzy yang di gunakan dapat dilihat pada tabel III.2 : Tabel III.2 Bilangan Fuzzy No 1 2 3 4 5
Bilangan Fuzzy Sangat Penting Penting Cukup Penting Kurang Penting Tidak Penting
Nilai Crips 100 80 60 40 20
Setelah ditentukan bilangan fuzzy kemudian tentukan bobot kepentingan pada setiap kriteria. Nilai bobot kepentingan diperoleh dari hasil penelitian dan analisa yang penulis lakukan dan disesuaikan dengan bilangan fuzzy yang digunakan, adapun tabel bobot kepentingan untuk setiap kriteria dapat dilihat pada tabel III.3 : Tabel III.3 Bobot Kepentingan Untuk Setiap Kriteria Ci W
K01 100
K02 80
K03 60
K04 60
K05 100
K06 80
K07 60
50
Dari setiap kriteria tersebut juga memiliki sub kriteria dan akan ditentukan tingkat kepentingannya dengan menggunakan bilangan fuzzy. Dengan bilangan fuzzy dibuat suatu tingkatan sub kiteria berdasarkan alternatif (sepeda motor bekas) yang telah ditentukan kedalam nilai Crips. Rating kecocokan setiap alternatif pada setiap kriteria seperti tabel berikut: Tabel III.4 Nilai Crips Sub Kriteria Harga Kriteria
Harga
Kriteria Alternatif Sangat Murah Murah Cukup Murah Mahal Sangat Mahal
Nilai Crips 20 40 60 80 100
Tabel III.5 Nilai Crips Sub Kriteria Tahun Kriteria
Tahun
Kriteria Alternatif Tahun 2015 β 2016 Tahun 2013 β 2014 Tahun 2011 β 2012 Tahun 2009 β 2010 Tahun <= 2008
Nilai Crips 100 80 60 40 20
Tabel III.6 Nilai Crips Sub Kriteria Pajak Kriteria
Pajak
Kriteria Alternatif Masih Berlaku Telat 1 Tahun Telat 2 Tahun Telat 3 Tahun Telat >= 4 Tahun
Nilai Crips 20 40 60 80 100
51
Tabel III.7 Nilai Crips Sub Kriteria Stnk Kriteria
Stnk
Kriteria Alternatif Masih Berlaku Telat 1 Tahun Telat 2 Tahun Telat 3 Tahun Telat >= 4 Tahun
Nilai Crips 20 40 60 80 100
Tabel III.8 Nilai Crips Sub Kriteria Mesin Kriteria
Mesin
Kriteria Alternatif Sangat Baik Baik Cukup Baik Tidak Baik Sangat Tidak Baik
Nilai Crips 100 80 60 40 20
Tabel III.9 Nilai Crips Sub Kriteria CC Mesin Kriteria
CC Mesin
Kriteria Alternatif 250 CC 150 CC 125 CC 110 CC 80 CC
Nilai Crips 100 80 60 40 20
Tabel III.10 Nilai Crips Sub Kriteria Body Kriteria
Body
Kriteria Alternatif Sangat Baik Baik Cukup Baik Tidak Baik Sangat Tidak Baik
Nilai Crips 100 80 60 40 20
52
Contoh Kasus : Dari banyaknya data sepeda motor bekas atau yang akan dicantumkan, diambil 3 sepeda motor bekas sebagai contoh untuk penerapan metode Fuzzy Multiple Attribute Decision Making (FMADM), dengan metode Simple Additive Weighting (SAW) dalam pemilihan sepeda motor bekas yang sesuai dengan kriteria yang dipilih oleh calon pembeli. Agar alternatif yang dihasilkan nantinya benar-benar sesuai dengan keinginan masing-masing calon pembeli, maka calon pembeli akan memberikan penilaian sendiri terhadap kriteria-kriteria yang telah disediakan. a. Misalkan ada 3 sepeda motor bekas yang menjadi alternatif yaitu: Tabel III.11 Data Alternatif Sepeda Motor Bekas No
Nama
1
A1
2
A2
3
A3
Harga Tahun Sangat Murah Cukup Murah Murah
20132014 20152016 20132014
Pajak
Stnk
Mesin
CC Mesin
Body
Masih Masih Cukup Baik 150 cc berlaku berlaku baik Masih Masih Sangat 125 cc Baik Berlaku Berlaku Baik Telat 1 Masih Cukup Sangat 150 cc tahun Berlaku Baik Baik
b. Membuat tabel rating kecocokan dari setiap alternatif pada setiap kriteria. Tabel III.12 Rating Kecocokan Setiap Alternatif Pada Setiap Kriteria Alternatif A1 A2 A3
K01 20 60 40
K02 80 100 80
K03 20 20 40
Kriteria K04 20 20 20
K05 80 100 60
K06 80 60 80
K07 60 80 100
53
c. Membuat matrik keputusan (X) yang dibentuk dari tabel rating kecocokan dari setiap alternatif pada setiap kriteria. Dari Tabel III.12 diubah kedalam matriks keputusan (X) dengan data:
20 80 X = 60 100 40 80
20 20 40
20 20 20
80 100 60
80 60 80
60 80 100
d. Melakukan normalisasi matrik keputusan (X) dengan cara menghitung nilai rating kinerja ternomalisasi (rij) dari alternatif (Ai) pada kriteria (Ci). π11 =
min{20,60,40} 20 = =1 20 20
π21 =
min{20,60,40} 20 = = 0,33 60 60
π31 =
min{20,60,40} 20 = = 0,5 40 40
π12 =
80 80 = = 0,8 maxβ‘ {80,100,80} 100
π22 =
100 100 = =1 maxβ‘ {80,100,80} 100
π32 =
80 80 = = 0,8 maxβ‘ {80,100,80} 100
π13 =
min 20,20,40 20 = =1 20 20
π23 =
min 20,20,40 20 = =1 20 20
π33 =
min{20,20,40} 20 = = 0,5 40 40
54
π14 =
min 20,20,20 20 = =1 20 20
π24 =
min 20,20,20 20 = =1 20 20
π34 =
min 20,20,20 20 = =1 20 20
π15 =
80 80 = = 0,8 maxβ‘ {80,100,60} 100
π25 =
100 100 = =1 maxβ‘ {80,100,60} 100
π35 =
60 60 = = 0,6 maxβ‘ {80,100,60} 100
π16 =
80 80 = =1 maxβ‘ {80,60,80} 80
π26 =
60 60 = = 0,75 max 80,60,80 80
π36 =
80 80 = =1 maxβ‘ {80,60,80} 80
π17 =
60 60 = = 0,6 max 60,80,100 100
π27 =
80 80 = = 0,8 max 60,80,100 100
π37 =
100 100 = =1 max 60,80,100 100 e. Hasil dari nilai rating kinerja ternomalisasi (rij) membentuk matrik ternormalisasi (R). 1 R = 0,33 0,5
0,8 1 1 0,8 1 0,6 1 1 1 1 0,75 0,8 0,8 0,5 1 0,6 1 1
55
f. Melakukan proses perankingan dengan cara mengalikan matriks ternormalisasi (R) dengan nilai bobot preferensi (W) dan Menentukan nilai preferensi untuk setiap alternatif (Vi) dengan cara menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot preferensi (W).
V1 = 100*1 + 80*0,8 + 60*1 + 60*1 + 100*0,8 + 80*1 + 60*0,6 = 100 + 64 + 60 + 60 + 80 +80 + 36 = 480 V2 = 100*0,33 + 80*1 + 60*1 + 60*1 + 100*1 + 80*0,75 + 60*0,8 = 33 + 80 + 60 + 60 + 100 + 60 + 48 =441 V3 = 100*0,5 + 80*0,8 + 60*0,5 + 60*1 + 100*0,6 + 80*1 + 60*1 = 50 + 64 + 30 + 60 + 60 + 80 + 60 = 404 Untuk mempermudah pengambilan keputusan penulis membuat range berdasarkan nilai hasil perhitungan mengunakan metode saw, nilai range dapat dilihat pada tabel III.3 : Tabel III.13 Nilai Range Hasil Nilai Range Nilai <= 540 And >= 427 Nilai <= 426 And >= 345 Nilai <= 344 And >= 264 Nilai <= 263 And >= 108
Keterangan Sangat Baik Cukup Baik Baik Tidak Baik
56
Hasil perhitungan nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai merupakan alternatif terbaik. Hasil penilaian terbesar ada pada V1 yaitu A1 dengan nilai = 480 dengan keterangan sangat baik sehingga layak atau dapat dijadikan alternatif dalam pemilihan sepeda motor bekas sebagai alternatif yang terbaik.
III.3
Desain Sistem Untuk membantu membangun sistem pendukung keputusan pemilihan
sepeda motor bekas dengan menggunakan metode SAW, penulis mengusulkan pembuatan sebuah sistem dengan menggunakan aplikasi program yang lebih akurat dan lebih mudah dalam pengolahannya. Dengan menggunakan visual studio 2010, database SQL server, merancang sistem dengan mengunakan bahasa pemodelan UML yang terdiri dari usecase diagram, class diagram, activity diagram dan sequence diagram.
III.3.1 Use Case Diagram Use case diagram merupakan pemodelan untuk kelakuan (Behavior) sistem informasi yang akan dibuat, berikut ini adalah use case diagram sistem pendukun keputusan pemilihan sepeda motor bekas :
57
Gambar III.2 Use Case Sistem Pendukung Keputusan Pembelian Sepeda Motor Bekas
III.3.2 Class Diagram Clas diagram adalah sebuah spesifikasi yang akan menghasilkan sebuah objek dan merupakan inti dari pengembangan dan desain berorientasi objek. Class diagram menggambarkan keadaan (atribut/properti) suatu sistem. Rancangan kelas-kelas yang akan digunakan pada sistem yang akan dirancang dapat dilihat pada gambar III.2 :
58
Gambar III.3 Class Diagram Sistem Pendukung Keputusan Pembelian Sepeda Motor Bekas
III.3.3 Activity Diagram Diagram aktivitas atau activity diagram menggambarkan workflow (aliran kerja) atau aktivitaas dari sebuah sistem atau proses bisnis atau menu yang ada pada perangkat lunak. Diagram aktivitas menggambarkan aktivitas sistem bukan apa yang dilakukan aktor.
59
a. Activity diagram login.
Gambar III.4 Activity Diagram Login
b. Activity diagram data pengguna
Gambar III.5 Activity Diagram Data Pengguna
60
c. Activity diagram data alternatif
Gambar III.6 Activity Diagram Data Alternatif
d. Activity diagram data kriteria
Gambar III.7 Activity Diagram Data Kriteria
61
e. Activity diagram data sub kriteria
Gambar III.8 Activity Diagram Data Sub Kriteria
f. Activity diagram data analisa
Gambar III.9 Activity Diagram Data Analisa
62
g. Activity diagram data laporan
Gambar III.10 Activity Diagram Data Laporan
h. Activity diagram ganti password
Gambar III.11 Activity Diagram Ganti Password
63
III.3.4 Sequence Diagram Sequence diagram atau diagram sekuen menggambarkan kelakuan objek pada use case dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan diterima antar objek. a. Sequence diagram login
Gambar III.12 Sequence Diagram Login
b. Sequence diagram data pengguna
Gambar III.13 Sequence Diagram Data Pengguna
64
c. Sequence diagram data alternatif
Gambar III.14 Sequence Diagram Data Alternatif
d. Sequence diagram data kriteria
Gambar III.15 Sequence Diagram Data Kriteria
65
e. Sequence diagram data sub kriteria
Gambar III.16 Sequence Diagram Data Sub Kriteria
f. Sequence diagram data analisa
Gambar III.17 Sequence Diagram Data Analisa
66
g. Sequence diagram data laporan analisa
Gambar III.18 Sequence Diagram Data Laporan Analisa
h. Sequence diagram data ganti password
Gambar III.19 Sequence Diagram Ganti Password
67
III.4
Desain Database
III.4.1 Kamus Data Kamus data merupakan suatu daftar data elemen yang terorganisir dengan defenisi yang tetap dan sesuai dengan sistem, sehingga user dan analisis sistem mempunyai pengertian yang sama tentang input, output dan laporan data. Berikut kamus data dari sistem pendukung keputusan pembelian sepeda motor bekas dengan menggunakan metode SAW. a. Kamus data tabel t_pengguna t_pengguna : *id_pengguna + nama_user + jenis_kelamin + usia + email + alamat + no_hp + password + status keterangan : *id_pengguna = primary key b. Kamus data tabel t_alternatif t_alternatif :*id_alternatif + nama_alternatif + jenis + tahun + masa_aktif_pajak + masa_aktif_stnk + harga keterangan :*id_alternatif = primary key c. Kamus data tabel t_kriteria t_kriiteria
:*kode_kriteria +nama_kriteria + atribut + bobot
keterangan
:*kode_kriteria = primary key
d. Kamus data t_subkriteria t_subkriteria :*kode_sub + kode_kriteria + sub_kriteria + nilai keterangan
:*kode_sub = primary key
68
e. Kamus data tabel t_analisa t_analisa
:*no
+
analisa_id
+
tanggal
+
id_alternatif
+
nama_alternatif + harga + tahun + pajak + stnk + mesin + cc_mesin + body + hasil + ranking + id_pengguna + keterangan keterangan
:*no = primary key
III.4.2 Normalisasi Normalisasi adalah suatu teknik yang menstrukturkan data dalam cara-cara tertentu untuk membantu mengurangi atau mencegah timbulnya masalah yang berhubungan dengan pengolahan data dalam basis data. Berikut bentuk-bentuk normalisasi untuk sistem pendukung keputusan pembelian sepeda motor bekas dengan menggunakan metode SAW. a. Bentuk tidak normal (Unnormalized)
Gambar III.20 Bentuk Tabel Tidak Normal (Unnormalized)
69
b. Bentuk normalisasi pertama (1NF)
Gambar III.21 Bentuk Tabel Normalisasi Pertama (1NF)
c. Bentuk normalisasi kedua (2NF)
Gambar III.22 Bentuk Tabel Normallisasi Kedua (2NF)
70
III.4.3 Desain Tabel Dalam perancangan sistem pendukung keputusan pembelian sepeda motor bekas tersimpan dalam beberapa table dengan arsitektur data sebagai berikut : a. Tabel t_pengguna Tabel t_pengguna menyimpan tentang data-data pengguna (user) yang mempunyai hak akses program yang telah dirancang. Berikut rancangan struktur tabel tersebut : Nama Database
: spb
Nama Tabel
: t_pengguna Tabel III.14 Tabel t_pengguna
Column Name id_pengguna nama_user jenis_kelamin usia alamat no_hp password status
Data Tipe Varchar Varchar char int Varchar Varchar Varchar Varchar
Ukuran 12 35 6 35 12 20 10
Keterangan Id Pengguna (primary key) Nama pengguna Jenis Kelamin penguna Usia pengguna Alamat pengguna No Hp pengguna Password Pengguna Status pengguna
b. Tabel t_alternatif Tabel t_alternatif untuk menyimpan data-data alternatif sepeda motor bekas. Berikut rancangan struktur tabel tersebut :
71
Nama Database
: spb
Nama Tabel
: t_alternatif Tabel III.15 Tabel t_alternatif
Column Name id_alternatif nama_alternatif jenis tahun masa_aktif_pajak masa_aktif_stnk harga
Data Tipe Varchar Varchar Varchar Int Varchar Varchar Int
Ukuran 11 30 20 12 12 -
Keterangan Id Alternatif (primary key) Nama alternatif Jenis alternatif Tahun keluaran alternatif Masa aktif pajak Masa aktif stnk Harga alternatif
c. Tabel t_kriteria Tabel t_kriteria merupakan tabel yang berfungsi untuk menginput kriteria-kriteria sepeda motor bekas. Berikut rancangan struktur tabel tersebut : Nama Database
: spb
Nama Tabel
: t_kriteria Tabel III.16 Tabel t_kriteria
Column Name kode_kriteria nama_kriteria atribut bobot
Data Tipe Varchar Varchar Varchar Int
Ukuran 3 20 8 -
Keterangan Kode Kriteria (primary key) Nama kriteria Atribut kriteria Bobot kriteria
d. Tabel t_subkriteria Tabel t_subkriteria merupakan tabel yang berfungsi untuk menginput kriteria-kriteria sepeda motor bekas. Berikut rancangan struktur tabel tersebut :
72
Nama Database
: spb
Nama Tabel
: t_subkriteria Tabel III.17 Tabel t_subkriteria
Column Name kode_sub kode_kriteria sub_kriteria nilai
Data Tipe Varchar Varchar Varchar Int
Ukuran 3 3 30 -
Keterangan Kode sub kriteria (primary key) Kode kriteria(foreign key) Nama sub kriteria Nilai sub kriteria
e. Tabel tbl_analisa Tabel tbl_analisa merupakan proses untuk menghasilkan suatu laporan, berikut rancangan tabel tersebut : Nama Database
: spb
Nama Tabel
: tbl_anallisa
Tabel III.18 Tabel tbl_analisa Column Name no analisa_id tanggal id_alternatif nama_laternatif harga tahun pajak stnk mesin cc_mesin body hasil rangking id_pengguna keterangan
Data Tipe Int Varchar Varchar Varchar Varchar Varchar Varchar Varchar Varchar Varchar Varchar Varchar Varchar Varchar Varchar Varchar
Ukuran 11 12 20 11 30 12 20 20 20 20 20 20 25 2 12 20
Keterangan No urut analisa (primary key) Id analisa Tanggal analisa Id alternatif (foreign key) Nama alternatif Nilai analisa harga Nilai analisa harga Nilai analisa pajak Nilai analisa stnk Nilai analisa mesin Nilai analisa cc mesin Nilai analisa body Nilai hasil analisa Rangking hasil analisa Id pengguna analisa (foreign key) Keterangan hasil analisa
73
III.4.4 ERD (Entity Relationship Diagram) Setelah merancang database maka dapat dibuatkan relasi antar tabel sebagai kebutuhan data. Relasi ini menggambarkan hubungan antara satu tabel dengan tabel yang lain. Seperti hubungan satu dengan satu, satu dengan banyak, dan banyak dengan banyak. Adapun relasi antar tabel dapat digambarakan sebagai berikut :
Gambar III.23 Entity Relationship Diagram Sistem Pendukung Keputusan Pembelian Sepeda Motor Bekas
74
III.5
Desain User Interface Desain sistem ini berisikan pemilihan menu yang telah dilakukan. Adapun
bentuk rancangan dari sistem pendukung keputusan pembelian sepeda motor bekas adalah sebagai berikut : 1. Halaman login Adapun desain tampilan login dapat dilihat pada gambar dibawah ini :
Gambar III.24 Halaman Login 2. halaman daftar pengguna baru Adapun desain tampilan daftar pengguna baru dapat dilihat pada gambar dibawah ini :
Gambar III.25 Halaman Daftar Pengguna Baru
75
3. Halaman menu utama Adapun desain tampilan menu utama dapat dilihat pada gambar dibawah ini :
Gambar III.26 Halaman Menu Utama
4. Halaman data pengguna Adapun desain tampilan data pengguna dapat dilihat pada gambar dibawah ini :
Gambar III.27 Halaman Data Pengguna
76
5. Halaman data alternatif Adapun desain tampilan data alternatif dapat dilihat pada gambar dibawah ini :
Gambar III.28 Halaman Data Alternatif
6. Halaman data kriteria Adapun desain tampilan data kriteria dapat dilihat pada gambar dibawah ini :
Gambar III.29 Halaman Data Kriteria
77
7. Halaman data sub kriteria Adapun desain tampilan data sub kriteria dapat dilihat pada gambar dibawah ini:
Gambar III.30 Halaman Data Sub Kriteria
8. Halaman data analisa Adapun desain tampilan data analisa dapat dilihat pada gambar dibawah ini:
Gambar III.31 Halaman Data Analisa
78
9. Halaman laporan hasil analisa Adapun desain tampilan laporan hasil analisa dapat dilihat pada gambar dibawah ini:
Gambar III.32 Halaman Laporan Hasil Analisa
10. Halaman ganti password Adapun desain tampilan ganti password dapat dilihat pada gambar dibawah ini:
Gambar III.33 Halaman Ganti Password
11. Halaman laporan data pengguna
79
Adapun desain tampilan laporan data pengguna dapat dilihat pada gambar dibawah ini:
Gambar III.34 Halaman Laporan Data Pengguna
12. Halaman laporan data alternatif Adapun desain tampilan laporan data alternatif dapat dilihat pada gambar dibawah ini:
Gambar III.35 Halaman Laporan Data Alternatif
13. Halaman laporan data kriteria Adapun desain tampilan laporan data kriteria dapat dilihat pada gambar dibawah ini:
80
Gambar III.36 Halaman Laporan Data Kriteria
14. Halaman laporan data sub kriteria Adapun desain tampilan laporan data sub kriteria dapat dilihat pada gambar dibawah ini:
Gambar III.37 Halaman Laporan Sub Kriteria
15. Halaman laporan hasil analisa Adapun desain tampilan laporan hasil analisa dapat dilihat pada gambar dibawah ini:
81
Gambar III.38 Halaman Laporan Hasil Analisa
16. Halaman Pilihan Login Adapun desain tampilan halaman pilihan login dapat dilihat pada gambar dibawah ini:
Gambar III.39 Halaman Pilihan Login
