BAB 2 LANDASAN TEORI

7

BAB 2

LANDASAN TEORI

2.1

Sistem Pendukung Keputusan

Pada dasarnya pembuatan keputusan merupakan suatu pendekatan yang bersifat sistematis, artinya pendekatan yang berawal dan bermula dari hakikat suatu masalah, pengumpulan fakta-fakta, pemilihan dan penentuan dari alternatif terbaik yang dihadapi dan pengambilan tindakan yang menurut perhitungan secara kuantitatif merupakan tindakan yang paling tepat (Kosasi, 2002). Didefinisikan secara umum, sistem pendukung keputusan (SPK) adalah sistem informasi berbasis komputer yang menggabungkan model dan data guna menyelesaikan masalah semi terstruktur dan beberapa masalah tak terstruktur dengan keterlibatan pengguna secara luas (Turban, dkk. 2006). SPK dapat meningkatkan keefektifan pengambilan keputusan, meningkatkan kontrol manajemen, memfasilitasi komunikasi, menghemat usaha yang dilakukan pengguna, menghemat biaya, dan memungkinkan pengambilan lebih objektif (Turban, dkk. 2005). Sprague dan Watson mendefinisikan Sistem Pendukung Keputusan (SPK) sebagai sistem yang memiliki lima karakteristik utama yaitu (Sprague et.al, 1993): a. Sistem yang berbasis komputer. b. Dipergunakan untuk membantu para pengambil keputusan. c. Untuk memecahkan masalah-masalah rumit yang mustahil dilakukan dengan kalkulasi manual. d. Melalui cara simulasi yang interaktif. e. Dimana data dan model analisis sebagai komponen utama.

Universitas Sumatera Utara

8

2.1.1 Konsep SPK

Kerangka pendukung keputusan terbagi atas dua tipe, yaitu tipe keputusan dan tipe pengendalian. Tipe keputusan mencakup keputusan terstruktur, keputusan semi terstruktur dan keputusan tidak terstruktur. Sedang untuk tipe pengendalian mencakup pengendalian operasional, manajerial dan strategik. Kedua tipe ini merupakan suatu bentuk yang saling melengkapi dalam suatu konsep piramida sistem informasi. Terdapat beberapa tahapan dalam proses pembuatan keputusan (Turban & Aronson, 1998), yaitu: a. Mendefinisikan dan merumuskan masalah. b. Mengklasifikasikan masalah dalam kategori standar. c. Mengembangkan model matematik untuk menggambarkan kejadian nyata. d. Menemukan alternatif solusi untuk pemecahan masalah. e. Menentukan pilihan terbaik dari alternatif solusi yang tersedia.

2.1.2 Komponen-Komponen SPK

Selanjutnya SPK juga dapat didekomposisikan menjadi beberapa subsistem lainnya yang saling berhubungan (Turban & Aronson, 1998) seperti terlihat pada Gambar 2.1, yaitu: a. Subsistem Manajemen Data Subsistem manajemen data memasukkan satu database yang berisi data yang relevan untuk situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen database (DBMS). b. Subsistem Manajemen Model Merupakan paket perangkat lunak yang memasukkan model keuangan, statistik, ilmu manajemen, atau model kuantitatif lainnya yang memberikan kapabilitas analitik dan manajemen perangkat lunak yang tepat. Perangkat lunak ini sering disebut sistem manajemen basis model (MBMS). c. Subsistem Antarmuka Pengguna Pengguna berkomunikai dengan dan memerintahkan SPK melalui subsistem ini. Pengguna adalah bagian yang dipertimbangan dari sistem. Para peneliti


9

menegaskan bahwa beberapa kontribusi unik dari SPK berasal dari interaksi yang intensif antara komputer dan pembuat keputusan. d. Subsistem Manajemen Berbasis Pengetahuan Subsistem ini dapat mendukung semua subsistem lain atau bertindak sebagai suatu komponen independen. Ia memberikan inteligensi untuk memperbesar pengetahuan si pengambil keputusan.

Gambar 2.1 Komponen-Komponen SPK

2.2

Multiple Attribute Decision Making (MADM)

Multi Criteria Decision Making (MCDM) adalah suatu metode pengambilan keputusan untuk menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan beberapa kriteria tertentu (Kusumadewi et al, 2006). MCDM dapat dibagi menjadi 2 model (Zimmermann, 1991) yaitu Multi Attribute Decision Making (MADM) dan Multi Objective Decision Making (MODM). MADM digunakan untuk menyelesaikan masalah-masalah dalam ruang diskret. Oleh karena itu, pada MADM biasanya digunakan untuk melakukan penilaian atau seleksi terhadap beberapa alternatif dalam jumlah yang terbatas. Secara umum dapat dikatakan bahwa, MADM menyeleksi alternatif terbaik dari sejumlah alternatif.


10

Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah MADM (Kusumadewi et al, 2006), antara lain: a. Simple Additive Weighting Method (SAW) b. Weighted Product (WP) c. ELimination Et Choix TRaduisant la realitE (ELECTRE) d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) e. Analytical Hierarchy Process (AHP)

2.3

Weighted Product

Menurut Yoon (1989), Metode WP menggunakan perkalian untuk menghubungkan rating atribut, dimana rating atribut harus dipangkatkan terlebih dahulu dengan bobot atribut yang bersangkutan (Kusumadewi, dkk. 2006). Preferensi untuk alternatif Si diberikan sebagai berikut:

a. Penentuan nilai perbaikan bobot Wj Wj =

W_Init j n j=1 W_Init j

Dimana: W_Initj = Nilai prioritas bobot setiap kriteria b. Penentuan nilai Vektor Si n

Xij W j

Si = j=1

Dimana: Xij = Nilai untuk setiap sampel c. Penentuan nilai Vektor Vi Vi =

Si m j=1 Si

Dimana: Si = Nilai vektor Si


11

Lalu, langkah-langkah dalam perhitungan metode Weighted Product (WP) adalah sebagai berikut: a. Mengalihkan seluruh atribut bagi seluruh alternatif dengan bobot sebagai pangkat positif bagi atribut biaya. b. Hasil perkalian dijumlahkan untuk menghasilkan nilai pada setiap alternatif. c. Membagi nilai V bagi setiap alternatif dengan nilai pada setiap alternatif. d. Ditemukan urutan alternatif terbaik yang akan menjadi keputusan.

2.3.1 Contoh Manual Penggunaan Algoritma Weighted Product

a. Kriteria K1

= Kemampuan Siswa

K4

= Keadaan Guru

K2

= Minat Siswa

K5

= Rekomendasi Orang Tua

K3

= Rekomendasi Guru

Kriteria Keuntungan = K1, K2, K3, K4 dan K5 Kriteria Biaya

= Tidak Ada

b. Skor Konversi Nilai Kriteria Skor konversi nilai kriteria WP dapat dilihat pada Tabel 2.1.

Tabel 2.1 Skor Konversi Nilai Kriteria WP Kriteria K1

K2

K3

Nilai Awal 0 - 20 21 - 40 41 - 60 61 - 80 ≥ 81 0 - 5 6 - 10 11 - 15 16 - 20 ≥ 21 0 - 3 4 - 6 7 - 9 10 - 12 ≥ 13

Nilai Konversi 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5


12

Tabel 2.1 Skor Konversi Nilai Kriteria WP (lanjutan) ≤ 1

K4

1 2 3 4 5 1 2 3 4 5

2 3 4 ≥ 0 6 11 16 ≥

K5

5 21

5 10 15 20

c. Contoh Data Contoh data WP dapat dilihat pada Tabel 2.2.

Tabel 2.2 Contoh Data WP Mata Pelajaran Biologi Bahasa dan Sastra Indonesia Bahasa Arab

K1 85 85 80

K2 16 10 5

K3 10 3 7

K4 2 4 1

K5 17 5 7

d. Contoh Data Yang Sudah Dikonversi Contoh data yang sudah dikonvesi dapat dilihat pada Tabel 2.3.

Tabel 2.3 Contoh Data Yang Sudah Dikonversi WP Mata Pelajaran Biologi Bahasa dan Sastra Indonesia Bahasa Arab

K1 5 5 4

K2 4 2 1

K3 2 1 2

K4 2 3 1

K5 4 1 2

e. Bobot Preferensi W = [ 4, 5, 2, 3, 2 ]

f. Menghitung Nilai Wi 4 = 0,25 4+5+2+3+2 5 = 0,3125 W2 = 4+5+2+3+2

W1 =


13

2 = 0,125 4+5+2+3+2 3 W4 = = 0,1875 4+5+2+3+2 2 W5 = = 0,125 4+5+2+3+2 W3 =

g. Menghitug Nilai Si S1 = 50,25 x 40,3125 x 20,125 x 20,1875 x 40,125 = 3,406 S2 = 50,25 x 20,3125 x 10,125 x 30,1875 x 10,125 = 2,282 S3 = 40,25 x 10,3125 x 20,125 x 10,1875 x 20,125 = 1,683 h. Menghitung Nilai Vi V1 =

3,406 = 0,462 3,406 + 2,282 + 1,683

V2 =

2,282 = 0,309 3,406 + 2,282 + 1,683

V3 =

1,683 = 0,228 3,406 + 2,282 + 1,683

Karena diperoleh nilai terbesar adalah V1, maka alternatif “Biologi” adalah Mata Pelajaran yang dipilih sebagai alternatif terbaik.

2.4

Analytical Hierarchy Process

Analytical Hierarchy Process (AHP) Merupakan suatu teori umum tentang suatu konsep pengukuran. Metode ini digunakan untuk menemukan suatu skala rasio balik dari perbandingan pasangan yang bersifat diskrit maupun kontinu (Mulyono, 1996). Terdapat beberapa langkah yang perlu diperhatikan dalam menggunakan metode AHP, antara lain (Suryadi & Ramdhani, 1998): a. Mendefenisikan masalah dan menentukan solusi yang diinginkan. b. Membuat struktur hirarki yang diawali dengan tujuan umum dilanjutkan dengan subtujuan-tujuan, kriteria dan kemungkinan alternatif-alternatif pada tingkatan kriteria yang paling bawah.


14

c. Membuat matriks perbandingan berpasangan yang menggambarkan kontribusi relatif atau pengaruh setiap elemen terhadap masing-masing tujuan atau kriteria yang setingkat diatasnya. Perbandingan dilakukan berdasarkan judgment dari pembuat keputusan dengan menilai tingkat kepentingan suatu elemen dibandingkan elemen lainnya. d. Melakukan perbandingan berpasangan sehingga diperoleh nilai judment seluruhnya. e. Menghitung nilai eigen dan menguji konsistensinya jika tidak konsisten maka pengambilan data diulangi. Mengulangi langkah b, c, dan d untuk seluruh tingkat hirarki. f. Menghitung vektor eigen dari setiap matriks perbandingan berpasangan. Nilai vektor eigen merupakan bobot setiap elemen. Langkah ini untuk mensintesis judgment dalam penentuan prioritas elemen-elemen pada tingkat hirarki terendah sampai pencapaian tujuan. g. Memeriksa konsistensi hirarki. Jika nilainya lebih dari 0,1 maka penilaian data harus diperbaiki. Consistency Index (CI), dengan rumus: CI =

(𝜆𝑚𝑎𝑥 − 𝑛) (𝑛 − 1)

Keterangan: i

= Rasio penyimpangan konsistensi

λmax = nilai eigen maksimum n

= banyaknya elemen

h. Mencari total ranking, langkah terakhir adalah menghitung total ranking dengan cara menjumlahkan hasil perkalian nilai eigen vector tiap kriteria dengan nilai eigen vector alternatif pada kriteria yang sama, sehingga diperoleh alternatif terbaik.

2.4.1 Contoh Manual Penggunaan Algoritma Analytical Hierarchy Process

a. Kriteria K1

= Kemampuan Siswa

K4

= Keadaan Guru

K2

= Minat Siswa

K5

= Rekomendasi Orang Tua

K3

= Rekomendasi Guru


15

b. Skor Konversi Nilai Kriteria Skor konversi nilai kriteria AHP dapat dilihat pada Tabel 2.4.

Tabel 2.4 Skor Konversi Nilai Kriteria AHP Kriteria K1

Nilai Awal 0 - 20 21 - 40 41 - 60 61 - 80 ≥ 81 0 - 5 6 - 10 11 - 15 16 - 20 ≥ 21 0 - 3 4 - 6 7 - 9 10 - 12 ≥ 13 ≤ 1 2 3 4 ≥ 5 0 - 5 6 - 10 11 - 15 16 - 20 ≥ 21

K2

K3

K4

K5

Nilai Konversi 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5

c. Contoh Data Contoh data AHP dapat dilihat pada Tabel 2.5.

Tabel 2.5 Contoh Data AHP Mata Pelajaran Biologi (BIO) Bahasa dan Sastra Indonesia (BSI) Bahasa Arab (BA)

K1

K2

K3

K4

K5

85 85 80

16 10 5

10 3 7

2 4 1

17 5 7


16

d. Contoh Data Yang Sudah Dikonversi Contoh data yang sudah dikonversi dapat dilihat pada Tabel 2.6.

Tabel 2.6 Contoh Data Yang Sudah Dikonversi AHP Mata Pelajaran

K1

K2

K3

K4

K5

Biologi (BIO) Bahasa dan Sastra Indonesia (BSI) Bahasa Arab (BA)

5 5 4

4 2 1

2 1 2

2 3 1

4 1 2

e. Tabel Matriks Prioritas Kriteria Matriks prioritas kriteria dapat dilihat pada Tabel 2.7.

Tabel 2.7 Tabel Matriks Prioritas Kriteria K1

K2

K3

K4

K5

K1

1

½

3

2

3

K2

2

1

4

3

4

K3

1/3

¼

1

½

1

K4

½

1/3

2

1

2

K5

1/3

¼

1

½

1

f. Tabel Matrik Prioritas Kriteria Yang Disederhanakan Matriks prioritas kriteria yang disederhanakan dapat dilihat pada Tabel 2.8.

Tabel 2.8 Tabel Matriks Prioritas Kriteria Yang Disederhanakan K1

K2

K3

K4

K5

K1

1,00

0,50

3,00

2,00

3,00

Eigen Vektor 0,257

K2

2,00

1,00

4,00

3,00

4,00

0,413

K3

0,33

0,25

1,00

0,50

1,00

0,088

K4

0,50

0,33

2,00

1,00

2,00

0,154

K5

0,33

0,25

1,00

0,50

1,00

0,088

∑

4,16

2,33

11

7

11

1


17

Principle eigen vektor (λmax) λmax = (4,16 x 0,257) + (2,33 x 0,413) + (11 x 0,088) + (7 x 0,154) + (11 x 0,088) = 5,04541

Consistency Index (CI) CI =

(5,045 − 5) (5 − 1)

CI =

0,045 4

CI = 0,01125

g. Tabel Matriks Bobot Kriteria 1 (Kemampuan Siswa) Matriks bobot kriteria 1 dapat dilihat pada Tabel 2.9.

Tabel 2.9 Tabel Matriks Bobot Kriteria 1 K1

BIO

BSI

BA

Eigen Vektor

BIO

5

1

1

1,25

0,357

BSI

5

1

1

1,25

0,357

BA

4

0,8

0,8

1

0,286

2,8

2,8

3,5

1

∑

Principle eigen vektor (λmax) λmax = (2,8 x 0,357) + (2,8 x 0,357) + (3,5 x 0,286) = 3,0002


(3,0002 − 3) (3 − 1)

CI =

0,0002 = 0,0001 2

h. Tabel Matriks Bobot Kriteria 2 (Minat Siswa) Matriks bobot kriteria 2 dapat dilihat pada Tabel 2.10.


18


BIO

BSI

BA

Eigen Vektor

BIO

4

1

2

4

0,571

BSI

2

0,5

1

2

0,286

BA

1

0,25

0,5

1

0,143

1,75

3,5

7

1

∑

Principle eigen vektor (λmax) λmax = (1,75 x 0,571) + (3,5 x 0,286) + (7 x 0,143) = 3,00125


(3,00125 − 3) (3 − 1)

CI =

0,00125 = 0,000625 2

i. Tabel Matriks Bobot Kriteria 3 (Rekomendasi Guru) Matriks bobot kriteria 3 dapat dilihat pada Tabel 2.11.


BIO

BSI

BA

Eigen Vektor

BIO

2

1

2

1

0,4

BSI

1

0,5

1

0,5

0,2

BA

2

1

2

1

0,4

2,5

5

2,5

1

∑

Principle eigen vektor (λmax) λmax = (2,5 x 0,4) + (5 x 0,2) + (2,5 x 0,4) = 3


(3 − 3) 0 = =0 (3 − 1) 2


19

j. Matriks Bobot Kriteria 4 (Keadaan Guru) Matriks bobot kriteria 4 dapat dilihat pada Tabel 2.12.


BIO

BSI

BA

Eigen Vektor

BIO

2

1

0,667

2

0,333

BSI

3

1,5

1

3

0,5

BA

1

0,5

0,333

1

0,167

3

2

6

1

∑

Principle eigen vektor (λmax) λmax = (3 x 0,333) + (2 x 0,5) + (6 x 0,167) = 3,001


(3,001 − 3) (3 − 1)

CI =

0,001 = 0,0005 2

k. Matriks Bobot Kriteria 5 (Rekomendasi Orang Tua) Matriks bobot kriteria 5 dapat dilihat pada Tabel 2.13.


BIO

BSI

BA

Eigen Vektor

BIO

4

1

4

2

0,571

BSI

1

0,25

1

0,5

0,143

BA

2

0,5

2

1

0,286

1,75

7

3,5

1

∑

Principle eigen vektor (λmax) λmax = (1,75 x 0,571) + (7 x 0,143) + (3,5 x 0,286) = 3,00125


20


(3,00125 − 3) (3 − 1)

CI =

0,00125 = 0,000625 2

l. Mencari Total Ranking BIO = (0,257 x 0,357) + (0,413 x 0,571) + (0,088 x 0,4) + (0,154 x 0,333) + (0,088 x 0,571) = 0,463 BSI = (0,257 x 0,357) + (0,413 x 0,286) + (0,088 x 0,2) + (0,154 x 0,5) + (0,088 x 0,143) = 0,317 BA = (0,257 x 0,286) + (0,413 x 0,143) + (0,088 x 0,4) + (0,154 x 0,167) + (0,088 x 0,286) = 0,219 Karena diperoleh nilai yang terbesar adalah “BIO” maka Biologi adalah alternatif Mata Pelajaran terbaik.

2.5

Big Theta (Ɵ)

Thomas H. Cormen et al dalam buku yang berjudul Introduction to Algorithms pada edisi ketiga menyebutkan bahwa Algoritma adalah urutan langkah-langkah mengubah input menjadi output. Menganalisis algoritma berarti memprediksi sumber daya yang dibutuhkan algoritma, sumber daya yang menjadi perhatian utama seperti memori, bandwith komunikasi dan perangkat keras komputer yang biasanya sering digunakan untuk mengukur waktu komputasi (Thomas H. Cormen et al, 2009). Algoritma memiliki kompleksitas, dimana ukuran kompleksitas tersebut merupakan acuan utama, untuk mengetahui kecepatan dari algoritma tersebut. Time Complexity (Kompleksitas waktu) adalah hubungan waktu komputasi dan jumlah input. Running time adalah sejumlah waktu yang dibutuhkan untuk mengeksekusi setiap baris pseudocode. Satu baris statement memiliki jumlah waktu yang berbeda dengan baris yang lain maka dari itu akan diasumsikan bahwa setiap pelaksanaan i garis membutuhkan waktu ci, di mana ci adalah konstan. Running time dari sebuah algoritma adalah jumlah dari running time dari setiap statement yang dieksekusi.


21

Big Ɵ (Big Theta) adalah bagian dari kompleksitas waktu dari sebuah algoritma. Big Ɵ (Big Theta) Didefinisikan bahwa f(n) merupakan Theta dari g(n) dan dinotasikan f(n) = Ɵ(g(n) jika dan hanya jika terdapat tiga konstanta positif n0 , c1 dan c2 sedemikian berlaku: | C1 g(n) | <= | f(n) | <= |C2 g(n) |; ∀n > n0.

2.6

Sekolah

Berdasarkan Undang-undang Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional,

satuan

pendidikan

adalah

kelompok

layanan

pendidikan

yang

menyelenggarakan pendidikan pada jalur formal, nonformal, dan informal pada setiap jenjang dan jenis pendidikan. Sekolah merupakan satuan pendidikan yang bergerak pada jalur formal. Berdasarkan Kamus Besar Bahasa Indonesia sekolah adalah bangunan atau lembaga untuk belajar dan mengajar serta tempat menerima dan memberi pelajaran. Menurut tingkatannya sekolah dibagi menjadi dasar, menengah dan tinggi.

2.6.1

SMA Istiqlal Delitua

SMA Istiqlal Delitua adalah sekolah swasta yang terletak di kecamatan Deli Tua, kabupaten Deli Serdang, provinsi Sumatera Utara. SMA Istiqlal Delitua berdiri selama 22 tahun sejak 1992 di bawah Yayasan Perguruan Istiqlal Delitua, yayasan tersebut dipimpin oleh bapak Prof. Dr. H. Jumino Suhadi, MA. Dan SMA Istiqlal Delitua dipimpin oleh bapak Drs. H. Enda Tarigan.

2.7

Kurikulum 2013

Undang-Undang Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional menyebutkan bahwa kurikulum adalah seperangkat rencana dan pengaturan mengenai tujuan, isi, dan bahan pelajaran serta cara yang digunakan sebagai pedoman penyelenggaraan kegiatan pembelajaran untuk mencapai tujuan pendidikan tertentu. Berdasarkan pengertian tersebut, ada dua dimensi kurikulum, yang pertama adalah


22

rencana dan pengaturan mengenai tujuan, isi, dan bahan pelajaran, sedangkan yang kedua adalah cara yang digunakan untuk kegiatan pembelajaran. Kurikulum 2013 yang diberlakukan mulai tahun ajaran 2013/2014 memenuhi kedua dimensi tersebut (Undang-Undang RI, 2003). Kurikulum 2013 bertujuan untuk mempersiapkan manusia Indonesia agar memiliki kemampuan hidup sebagai pribadi dan warga negara yang beriman, produktif, kreatif, inovatif, dan afektif serta mampu berkontribusi pada kehidupan bermasyarakat, berbangsa, bernegara, dan peradaban dunia (Permendikbud, 2013).

2.8

Mata Pelajaran Lintas Minat

Kurikulum Sekolah Menengah Atas (SMA)/Madrasah Aliyah (MA) dirancang untuk memberikan kesempatan kepada peserta didik belajar berdasarkan minat mereka. Struktur kurikulum memperkenankan peserta didik melakukan pilihan dalam bentuk pilihan Kelompok Peminatan dan pilihan Mata pelajaran antar Kelompok Peminatan. Kelompok Peminatan yang dipilih peserta didik terdiri atas kelompok Matematika dan Ilmu Alam, Ilmu-Ilmu Sosial, dan Ilmu Budaya dan Bahasa (Permendikbud, 2013). Berdasarkan Permendikbud No. 69 Tahun 2013 tentang Kurikulum SMA/MA semua mata pelajaran yang terdapat pada satu Kelompok Peminatan wajib diikuti oleh peserta didik. Selain mengikuti seluruh mata pelajaran di Kelompok Peminatan, setiap peserta didik harus mengikuti mata pelajaran tertentu untuk lintas minat sebanyak 6 jam pelajaran di Kelas X dan 4 jam pelajaran di Kelas XI dan XII. Mata pelajaran lintas minat yang dipilih sebaiknya tetap dari Kelas X sampai dengan XII. Di Kelas X, jumlah jam pelajaran pilihan antar Kelompok Peminatan per minggu 6 jam pelajaran, dapat diambil dengan pilihan sebagai berikut: a. Dua mata pelajaran (masing-masing 3 jam pelajaran) dari satu Kelompok Peminatan yang sama di luar Kelompok Peminatan pilihan b. Satu mata pelajaran di masing-masing Kelompok Peminatan di luar Kelompok Peminatan pilihan.


BAB 2 LANDASAN TEORI

Recommend Documents