BAB II TINJAUAN PUSTAKA 2.1 Objek Wisata Objek dan daya tarik wisata adalah suatu bentukan dan fasilitas yang berhubungan, yang dapat menarik minat wisatawan atau pengunjung untuk datang ke suatu daerah atau tempat tertentu. Objek dan daya tarik wisata merupakan dasar bagi kepariwisataan. Tanpa adanya daya tarik di suatu daerah atau tempat tertentu, kepariwisataan sulit untuk dikembangkan. Suatu obyek wisata dapat menarik untuk dikunjungi oleh wisatawan harus memenuhi syarat-syarat untuk pengembangan daerahnya, menurut Maryani dalam (Yoeti, 2008) syarat-syarat tersebut adalah 1. What to see Di tempat tersebut harus ada obyek wisata dan atraksi wisata yang berbeda dengan yang dimiliki daerah lain. Dengan kata lain daerah tersebut harus memiliki daya tarik khusus dan atraksi budaya yang dapat dijadikan โentertainmentโ bagi wisatawan. What to see meliputi pemandangan alam, kegiatan kesenian, dan daya tarik wisata. 2. What to do Di tempat tersebut selain banyak yang dapat dilihat dan disaksikan, harus disediakan fasilitas rekreasi yang dapat membuat wisatawan betah tinggal lama di tempat itu. 3. What to buy Tempat tujuan wisata harus tersedia fasilitas untuk berbelanja terutama barang souvenir dan kerajinan rakyat sebagai oleh-oleh untuk di bawa pulang ke tempat asal.
5
6
4. What to arrived Di dalamnya termasuk aksesbilitas, bagaimana kita mengunjungi obyek wisata tersebut, kendaraan apa yang akan digunakan, dan berapa lama tiba ketempat tujuan wisata tersebut. 5. What to stay Bagaimana wisatawan akan tinggal untuk sementara selama dia berlibur di obyek wisata itu. Diperlukan penginapan-penginapan baik hotel berbintang atau hotel non berbintang dan sebagainya. 2.2 Metode Entropy Metode entropy adalah metode pembobotan objektif, yang menghitung entropy bobot masing-masing indeks sesuai dengan entropy informasi dari indeks. Semakin besar entropy informasi dari indeks maka semakin kecil bobot entropy indeks, sebaliknya semakin kecil entropy informasi dari suatu indeks, semakin besar bobot entropy indeks. Dalam prakteknya, metode entropy digunakan untuk memperbaiki bobot indeks subyektif dan mendapat bobot indeks obyektif. (Ren & Du, 2013) Metode entropy dapat digunakan untuk menentukan suatu bobot. Sekumpulan data nilai alternatif pada kriteria tertentu digambarkan dalam Decision Matrix (DM). Menggunakan metode entropy, kriteria dengan variasi nilai tertinggi akan mendapatkan bobot tertinggi. (Triyanti & Gadis, 2008) Berikut ini adalah algoritma dari metode entropy:
7
Mulai
Masukan data kriteria
Menghitung nilai entropy
Menghitung bobot entropy
Berikan bobot pada setiap kriteria
Menghitung bobot entropy akhir
Normalisasi bobot kriteria
selesai
Gambar 2.1 Algortima Metode Entropy Langkah-langkah yang digunakan dalam metode entropy adalah sebagai berikut: (Jamila & Hartati, 2011) 1. Membuat matrik rating kinerja Matrik rating kinerja adalah nilai alternatif pada setiap kriteria dimana setiap kriteria tidak saling bergantung satu dengan yang lainnya. Matriks keputusan setiap alternatif terhadap setiap kriteria (X), diberikan sebagai: ๐11 ๐12 โฏ ๐1๐ ๐21 ๐22 โฏ ๐2๐ ๐=[ โฎ โฎ โฑ โฎ ] ๐๐1 ๐๐2 โฏ ๐๐๐
(2.1)
dimana ๐ = 1,2, โฆ ๐; ๐ = 1,2, โฆ ๐ ๐๐๐ merupakan rating kinerja alternatif ke-๐ (๐ = 1,2, . . . ๐) terhadap kriteria ke-๐ (๐ = 1,2, . . . ๐). 2. Normalisasi tabel data kriteria
8
Normalisasi dilakukan dengan terlebih dahulu menentukan nilai paling tinggi (maksimum) dari masing-masing alternatif pada setiap kriteria. Normalisasi data nilai masing-masing alternatif (๐ = 1,2, . . , ๐) terhadap kriteria (๐ = 1,2, . . , ๐) diberikan pada persamaan (2.2) ๐ ๐๐
๐
=
๐ฅ๐
(2.2)
๐
๐ฅ๐ ๐๐๐๐
dimana: ๐
๐ฅ๐
= nilai data alternatif (i) terhadap kriteria (j) yang belum dinormalisasi.
๐
๐ฅ๐ ๐๐๐๐ = nilai data alternatif (i) terhadap kriteria (j) yang belum dinormalisasi yang mempunyai nilai paling tinggi. ๐
๐๐
= nilai data alternatif (i) terhadap kriteria (j) yang telah dinormalisasi.
Selanjutnya nilai masing-masing data yang telah dinormalisasi (persamaan 2.2) dijumlahkan. ๐
๐ท๐ = โ๐๐=1 ๐๐
(2.3)
dimana ๐ = 1,2, . . . ๐ dan ๐ท๐ adalah nilai masing-masing data yang telah dinormalisasi pada masing-masing kriteria. 3. Perhitungan Entropy Perhitungan entropy untuk setiap kriteria ke-j dengan terlebih dahulu menghitung nilai emax dan K. Untuk mencari nilai emax dan K diberikan pada persamaan (2.4) dan (2.5).
๐๐๐๐ฅ=ln ๐ ๐พ=
1 ๐๐๐๐ฅ
(2.4) (2.5)
m adalah jumlah alternatif. Perhitungan entropy untuk setiap kriteria
9
ke-j ditunjukkan pada persamaan (2.6). ๐
๐(๐๐) = โ๐พ
๐ โ๐๐=1 ๐ ๐ท
๐
๐
๐๐
๐๐
๐ท๐
(2.6)
dimana: ๐(๐๐) = nilai entropy pada masing-masing kriteria (๐ = 1,2. . . ๐) ๐
๐๐
= nilai data yang telah dinormalisasi
๐ท๐
= jumlah nilai data yang telah dinormalisasi pada masing-masing kriteria
setelah mendapatkan e(dj) pada persamaan (2.6), selanjutnya menghitung total entropy (E) untuk masing-masing kriteria seperti ditunjukkan pada persamaan (6.7).
๐ธ = โ๐๐=1 ๐(๐๐)
(2.7)
4. Perhitungan bobot entropy Setelah total entropy dihasilkan dengan merujuk pada persamaan (2.7), selanjutnya menghitung bobot pada setiap kriteria dengan menggunakan persamaan (2.8) dan (2.9).
๐ฬ
๐ =
1 ๐โ๐ธ
[1 โ ๐(๐๐) ]
(2.8)
๐ = 1,2, โฆ ๐
โ ๐ฬ
= ๐๐๐๐ (1)
(2.9)
Sign = +/5. Perhitungan bobot entropy akhir Jika sebelumnya telah ada bobot awal kriteria atau bobot yang telah ditentukan sebelumnya maka hasil bobot entropy akhir untuk tiap kriteria dapat dihitung dengan persamaan (2.10).
10
๐๐ฬ
โ ๐ค๐ ๐๐ = ๐ โ ๐๐ฬ
โ ๐ค๐ ๐=1
(2.10)
dimana: ๐j = bobot entropy akhir (didapat dari persamaan (2.8)) n = jumlah kriteria w = bobot awal Berikut ini adalah contoh penyelesaian soal menggunakan metode entropy. Tabel dibawah ini adalah nilai kriteria dari setiap alternatif yang ada, disini akan dihitung bobot entropy dan bobot entropy akhir dari setiap kriteria. Tabel 2.1 Contoh Soal Metode Entropy C1 C2 C3 C4 C5 A1
8
7
9
7
7
A2
7
7
9
8
8
A3
9
8
8
8
7
A4
8
9
7
8
8
A5
8
8
7
6
7
A6
8
6
8
5
5
A7
8
7
6
4
5
A8
8
7
9
9
8
Untuk bobot awal dimisalkan C1=9, C2=8, C3=7, C4=8, dan C5=9 Langkah-langkah penyelesaian:
11
1. Membuat matrik rating kinerja sesuai dengan persamaan (6.1) yang merujukpada tabel 1. 8 7 9 7 7 7 7 9 8 8 9 8 8 8 7 8 9 7 8 8 8 8 7 6 7 8 6 8 5 5 8 7 6 4 5 [ 8 7 9 9 8] 2. Normalisasi tabel data kriteria sesuai dengan persamaan (2.2)
8 = 0,888 9
๐11 =
begitu seterusnya sampai i=1,2...,8 dan j=1,2,...5. Membentuk matrik data ternormalisasi: 0,888 0,777 1,000 0,888 0,888 0,888 0,888 [ 0,888
0,777 0,777 0,888 1,000 0,888 0,666 0,777 0,777
1, 000 1,000 0,888 0,777 0,777 0,888 0,666 1,000
0,777 0,888 0,888 0,888 0,666 0,555 0,444 1,000
0,777 0,888 0,777 0,888 0,777 0,555 0,555 0,888]
Kemudian data yang sudah dinormalisasi dijumlahkan dengan persamaan (2.3) ๐ท1 = (0,888 + 0,777 + 1 + 0,888 + 0,888 + 0,888 + 0,888 + 0,888 = 7,105 ๐ท2 = (0,777 + 0,777 + 0,888 + 1 + 0,888 + 0,666 + 0,777 + 0,777 = 6,55 ๐ท3 = (1 + 1 + 0,888 + 0,777 + 0,777 + 0,888 + 0,666 + 1 = 6,996 ๐ท4 = (0,777 + 0,888 + 0,888 + 0,888 + 0,666 + 0,555 + 0,444 + 1 = 6,106 ๐ท5 = (0,777 + 0,888 + 0,777 + 0,888 + 0,777 + 0,555 + 0,555 + 0,888 = 6,105
Nilai ๐ท1 = 7,105 ๐ท2 = 6,55 ๐ท3 = 6,996 ๐ท4 = 6,106 ๐ท5 = 6,105 3. Perhitungan entropy sesuai dengan persamaan (2.6) Terlebih dahulu mencari nilai ๐๐๐๐ฅ=ln 8=2,079 ๐พ=๐
1
๐๐๐ฅ
1
= 2,079 = 0,481
Sesuai dengan persamaan (2.6) maka
12
๐(๐1) = โ0,481 {(
0,888 0,888 0,888 0,888 ๐๐ )+( ๐๐ ) 7,105 7,105 7,105 7,105
+(
0,888 0,888 0,888 0,888 ๐๐ )+( ๐๐ ) 7,105 7,105 7,105 7,105
+(
0,888 0,888 0,888 0,888 ๐๐ )+( ๐๐ ) 7,105 7,105 7,105 7,105
+(
0,888 0,888 0,888 0,888 ๐๐ )+( ๐๐ )} 7,105 7,105 7,105 7,105
= โ0,481. โ2,064 = 0,992 Begitu seterusnya sehingga didapat nilai ๐(๐1) = 0,992, ๐(๐2) = 0,989, ๐(๐3) = 0,99, ๐(๐4) = 0,981, ๐๐๐ ๐(๐5) = 0,988 Selanjutnya menghitung total entropy dengan persamaan (2.7) ๐
๐ธ = โ ๐(๐๐) = (0,992 + 0,989 + 0,99 + 0,981 + 0,988) = 4.94 ๐=1
Maka didapat nilai ๐ธ = 4.94. 4. Perhitungan bobot entropy sesuai dengan persamaan (2.8) 1 [1 โ ๐(๐๐) ] ๐โ๐ธ 1 ฬ
ฬ
ฬ
[1 โ 0,992] = 0,133 ๐1 = 5 โ 4,94 ๐ฬ
๐ =
ฬ
ฬ
ฬ
๐2 =
1 [1 โ 0,989] = 0,183 5 โ 4,94
ฬ
ฬ
ฬ
๐3 =
1 [1 โ 0,99] = 0,17 5 โ 4,94
ฬ
ฬ
ฬ
๐4 =
1 [1 โ 0,981] = 0,315 5 โ 4,94
ฬ
ฬ
ฬ
๐5 =
1 [1 โ 0,988] = 0,199 5 โ 4,94
Maka didapat hasil: ฬ
ฬ
ฬ
๐1 = 0,133, ฬ
ฬ
ฬ
๐2 = 0,183, ฬ
ฬ
ฬ
๐3 = 0,17, ฬ
ฬ
ฬ
๐4 = 0,315, ๐๐๐ ฬ
ฬ
ฬ
๐5 = 0,199
13
5. Perhitungan bobot entropy akhir sesuai dengan persamaan (2.10) Dengan bobot awal yang sudah ditentukan sebelumnya yaitu: ๐ค1 = 9, ๐ค2 = 8, ๐ค3 = 7, ๐ค4 = 8, ๐ค5 = 9 ๐๐ =
๐๐ฬ
โ ๐ค๐ โ๐๐=1 ๐๐ฬ
โ ๐ค๐
๐1 =
0,133 โ 9 = 0,146 8,162
๐2 =
0,183 โ 8 = 0,179 8,162
๐3 =
0,17 โ 7 = 0,145 8,162
๐4 =
0,315 โ 8 = 0,308 8,162
๐5 =
0,199 โ 9 = 0,279 8,162
Maka didapat hasil bobot entropy akhir: a) ๐1 = 0,146, ๐2 = 0,179, ๐3 = 0,145, ๐4 = 0,308, ๐๐๐ ๐5 = 0,219 2.3 Multiple Attribute Decision Making (MADM) Multiple Attribute Decision Making (MADM) adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. MADM digunakan untuk melakukan penilaian atau seleksi terhadap beberapa alternatif dalam jumlah terbatas. Inti dari MADM 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. Masingmasing 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
14
matematis sehingga mengabaikan subyektifitas dari pengambil keputusan. (Sawaragi, et al., 1987) Multi-Attrbut Decision Making (MADM) adalah mengevaluasi m alternatif ๐ด๐ (๐ = 1,2, โฆ , ๐) terhadap n atribut atau kriteria ๐ถ๐ (๐ = 1,2, โฆ , ๐), dimana setiap atribut saling tidak bergantung satu dengan yang lainnya. Matriks keputusan setiap alternatif terhadap setiap atribut, X diberikan sebagai: ๐ฅ11 ๐ฅ21 ๐=[ โฎ ๐ฅ๐1
๐ฅ12 ๐ฅ22 โฎ ๐ฅ๐2
โฏ โฏ
๐ฅ1๐ ๐ฅ2๐ โฎ ] ๐ฅ๐๐
(2.11)
dimana ๐ฅ๐๐ merupakan rating kinerja alternatif ke-i terhadap atribut ke-j. Nilai bobot yang menunjukkan tingkat kepentingan relatif setiap atribut, diberikan sebagai, W: ๐ = {๐ค1 , ๐ค2 , ๐ค3 , โฆ ๐ค๐ }
(3.12)
Rating kinerja (X), dan nilai bobot (W) merupakan nilai utama yang merepresentasikan preferensi absolut dari pengambil keputusan. MADM diakhiri dengan proses perankingan untuk mendapatkan alternatif terbaik yang diperoleh berdasarkan nilai keseluruhan preferensi yang diberikan. Ada beberapa metode yang dapat digunakan untuk memecahkan Masalah MADM (Kusumadewi, Hartati, Harjoko, & Wardoyo, 2006) yaitu : 1. Simple Additive Weighting (SAW) 2. Weighted Product (WP) 3. ELECTRE 4. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) Analytic Hierarchy Process (AHP) 2.3.1 Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) adalah salah satu metode yang dapat membantu proses pengambilan keputusan yang optimal untuk menyelesaikan masalah keputusan secara praktis. Hal ini
15
disebabkan konsepnya sederhana dan mudah dipahami, komputasinya efisien dan memiliki kemampuan untuk mengukur kinerja relatif dari alternatifalternatif keputusan dalam bentuk matematis yang sederhana. (Kusumadewi, et al., 2006) Kategori dari metode TOPSIS adalah kategori Multi-Criteria Decision Making (MCDM) yaitu teknik pengambilan keputusan dari beberapa pilihan alternatif yang ada, khususnya MADM (Multi Attribute Decision Making). TOPSIS bertujuan untuk menentukan solusi ideal positif dan solusi ideal negatif. Solusi ideal positif memaksimalkan kriteria manfaat dan meminimalkan kriteria biaya, sedangkan solusi ideal negatif memaksimalkan kriteria biaya dan meminimalkan kriteria manfaat. Berikut ini adalah algoritmanya : Mulai
Masukan data kriteria
Berikan bobot pada setiap kriteria
Menghitung matrik ternormalisasi terbobot Menghitung matriks A+ dan A-
Menghitung jarak D+ dan D-
Menghitung nilai preferensi (V) Menghitung matrik ternormalisasi
Selesai
Gambar 1.2 Algoritma Metode TOPSIS Secara umum, prosedur dari metode TOPSIS
mengikuti
langkah
langkah sebagai berikut: (Kusumadewi, Hartati, Harjoko, & Wardoyo, 2006)
16
1. Menentukan matrik ternormalisasi Matrik rating kinerja adalah nilai alternatif Ai (๐ = 1,2. . , ๐) pada setiap kriteria Cj (๐ = 1,2, . . , ๐) dimana setiap kriteria tidak saling bergantung satu dengan yang lainnya. Matriks keputusan setiap alternatif terhadap setiap kriteria (X) terbentuk dengan merujuk pada persamaan (2.1). 2. Membuat matrik keputusan ternormalisasi. TOPSIS membutuhkan rating kinerja setiap alternatif ๐ด๐ pada setiap kriteria ๐ถ๐ yang ternormalisasi, yaitu:
๐๐๐ =
๐ฅ๐๐ 2 โโ๐ ๐=1 ๐ฅ๐๐
(2.13)
Dimana ๐ = 1,2, . . . ๐ dan ๐ = 1,2, . . . ๐ 3. Menghitung matrik ternormalisasi terbobot (Y) Nilai bobot (W) yang menunjukkan tingkat kepentingan relatif setiap kriteria harus diberikan untuk menghitung matrik normalisasi terbobot. ๐ = {๐1 , ๐2 , โฆ , ๐๐ , }
(2.14)
Selanjutnya dilakukan perkalian antara bobot pada masing-masing kriteria dengan rating bobot ternormalisasi (yij) dimana ๐ = 1,2, . . , ๐ (alternatif) dan ๐ = 1,2, . . , ๐ (kriteria) diberikan pada persamaan (2.15).
๐ฆ๐๐ = ๐ค๐ ๐๐๐
(2.15)
4. Menghitung matriks solusi ideal positif dan matriks solusi ideal negatif. Nilai solusi ideal positip (A+) dan nilai solusi negatif (A-) berdasarkan matrik keputusan ternormalisasi terbobot Y. Untuk menghitung A+ dan A- harus diperhatikan syarat pada persamaan (2.18) dan persamaan (2.19) apakah kriteria bersifat keuntungan (benefit) atau kriteria bersifat biaya (cost).
๐ด+ = (๐ฆ1+ , ๐ฆ2+ , โฆ , ๐ฆ๐+ )
(2.16)
๐ดโ = (๐ฆ1โ , ๐ฆ2โ , โฆ , ๐ฆ๐โ )
(2.17)
17
dengan, ๐ฆ๐+ = {
max ๐ ๐ฆ๐๐ ; jika j adalah kriteria keuntungan min ๐ ๐ฆ๐๐ ; jika j adalah kriteria biaya
(2.18)
๐ฆ๐โ = {
min ๐ ๐ฆ๐๐ ; jika j adalah kriteria keuntungan max ๐ ๐ฆ๐๐ ; jika j adalah kriteria biaya
(2.19)
5. Menghitung jarak antara nilai setiap alternatif dengan solusi ideal positif dan solusi ideal negatif. Jarak antara alternatif ๐ด๐ dengan solusi ideal positif dirumuskan sebagai:
๐ท๐+ = โโ๐๐=1(๐ฆ๐+ โ ๐ฆ๐๐ )2 ; ๐ = 1,2, โฆ , ๐
(2.20)
Sedangkan, jarak antara alternatif ๐ด๐ dengan solusi ideal negatif dirumuskan sebagai :
๐ท๐โ = โโ๐๐=1(๐ฆ๐๐ โ ๐ฆ๐โ )2 ; ๐ = 1,2, โฆ , ๐
(2.21)
6. Menghitung nilai preferensi untuk setiap alternatif Nilai preferensi untuk setiap alternatif (๐๐ ) diberikan sebagai berikut:
๐๐ =
๐ท๐โ
๐ท๐โ + ๐ท๐+
; ๐ = 1,2, โฆ , ๐
(2.22)
Nilai (๐๐ ) yang paling besar, menandakan alternatif tersebut yang dipilih. Berikut ini adalah contoh penyelesaian soal menggunakan metode TOPSIS. Tabel dibawah ini adalah nilai kriteria dari setiap alternatif yang ada, disini akan dihitung perangkingan dari setiap alternatif. Tabel 2.2 Contoh Soal Metode TOPSIS C1 C2 C3 C4 C5 A1
8
7
9
7
7
18
A2
7
7
9
8
8
A3
9
8
8
8
7
A4
8
9
7
8
8
A5
8
8
7
6
7
A6
8
6
8
5
5
A7
8
7
6
4
5
A8
8
7
9
9
8
Untuk bobot awal dimisalkan C1=9, C2=8, C3=7, C4=8, dan C5=9 Langkah-langkah penyelesaian: 1. Menentukan matrik ternormalisasi sesuai dengan persamaan (2.1) yang merujuk pada tabel 2. 8 7 9 7 7 7 7 9 8 8 9 8 8 8 7 ๐= 8 9 7 8 8 8 8 7 6 7 8 6 8 5 5 8 7 6 4 5 [8 7 9 9 8] 2. Membuat matrik keputusan ternormalisasi sesuai dengan persamaan (2.13)
๐ฅ๐๐
๐๐๐ =
2 โโ๐ ๐=1 ๐ฅ๐๐
|๐1 | = โ82 + 72 + 92 + 82 + 82 + 82 + 82 + 82 = โ514 = 22,671 ๐
8
๐11 = |๐11| = 22,671 = 0,35 1
Begitu seterusnya sehingga membentuk matrik ternormalisasi (R):
19
0,352 0,308 0,396 0,352 ๐
= 0,352 0,352 0,352 [0,352
0,333 0,333 0,380 0,428 0,380 0,285 0,333 0,333
0,400 0,400 0,355 0,311 0,311 0,355 0,266 0,400
0,350 0,400 0,400 0,400 0,300 0,250 0,200 0,450
0,354 0,405 0,354 0,405 0,354 0,253 0,253 0,405]
3. Menghitung matriks ternormalisasi terbobot (Y) sesuai dengan persamaan (2.15) Menggunakan bobot awal yang sudah ditentukan di atas: ๐1 = 9, ๐2 = 8, ๐3 = 7, ๐4 = 8, ๐๐๐ ๐5 = 9 Maka:
๐ฆ๐๐ = ๐ค๐ ๐๐๐ ๐ฆ11 = ๐ค1 ๐11 = 9๐ฅ0,352 = 3,168 Begitu seterusnya sehingga membentuk matriks ternormalisasi terbobot: 3,168 2,772 3,564 3,168 ๐= 3,168 3,168 3,168 [3,168
2,664 2,664 3,040 3,424 3,040 2,280 2,664 2,664
2,800 2,800 2,485 2,177 2,177 2,485 1,862 2,800
2,800 3,200 3,200 3,200 2,400 2,000 1,600 3,600
3,186 3,645 3,186 3,645 3,186 2,277 2,277 3,645]
4. Menghitung matriks solusi ideal positif dan matriks solusi ideal negatif. Sesuai dengan persamaan (2.16) dan (2.17) Menghitung ๐ด+ ๐ด+ = (๐ฆ1+ , ๐ฆ2+ , โฆ , ๐ฆ๐+ ) ๐ฆ1+ = max{3,168; 2,772; 3,564; 3,168; 3,168; 3,168; 3,168; 3,168} = 3,564
Begitu seterusnya sehingga didapat: ๐ด+ = {3,564; 2,664; 2,8; 3,6; 3,645} Menghitung ๐ดโ ๐ดโ = (๐ฆ1โ , ๐ฆ2โ , โฆ , ๐ฆ๐โ ๐ฆ1โ = min{3,168; 2,772; 3,564; 3,168; 3,168; 3,168; 3,168; 3,168} = 2,772 Begitu seterusnya sehingga didapat:
20
๐ดโ = {2,772; 2,28; 1,862; 1,6; 2,277} 5. Menghitung jarak antara nilai setiap alternatif dengan solusi ideal positif dan solusi ideal negatif. Sesuai dengan persamaan (2.20) dan (2.21) Solusi ideal positif ๐ท๐+ ๐
๐ท๐+
= โโ(๐ฆ๐+ โ ๐ฆ๐๐ )2 ๐=1
๐ท1+ = โ(3,564 โ 3,168)2 + (3,564 โ 3,168)2 + (3,564 โ 3,168)2 + = โ(3,564 โ 3,168)2 + (3,564 โ 3,168)2 = 1.002 Begitu seterusnya sehingga didapat: ๐ท1+ = 1,002 ๐ท2+ = 0,887 ๐ท3+ = 0,781 ๐ท4+ = 1,131 ๐ท5+ = 1,607 ๐ท6+ = 2,198 ๐ท7+ = 2,627 ๐ท8+ = 0,394 Solusi ideal negatif ๐ท๐โ ๐
๐ท๐โ
= โโ(๐ฆ๐๐ โ ๐ฆ๐โ )2 ๐=1
๐ท๐โ = โ(3,168 โ 2,772)2 + (2,664 โ 2,280)2 + (2,8 โ 1,862)2 = โ(2,8 โ 1,6)2 + (3,168 โ 2,772)2 = 1,603 Begitu seterusnya sehingga didapat: ๐ท1โ = 1,603 ๐ท2โ = 2,336 ๐ท3โ = 2,315 ๐ท4โ = 2,179 ๐ท5โ = 1,504 ๐ท6โ = 0,839 ๐ท7โ = 0,734 ๐ท8โ = 2,710 6. Menghitung nilai preferensi untuk setiap alternatif. Sesuai dengan persamaan (2.22) Nilai preferensi untuk setiap alternatif (๐๐ ) diberikan sebagai berikut: ๐๐ =
๐ท๐โ ๐ท๐โ + ๐ท๐+
๐1 =
๐ท1โ 1,603 = 0,615 โ + = ๐ท1 + ๐ท1 1,603 + 1,002
21
Begitu seterusnya sehingga didapat: ๐1 = 0,615 ๐2 = 0,724 ๐3 = 0,747 ๐4 = 0,658 ๐5 = 0,483 ๐6 = 0,276 ๐7 = 0,218 ๐8 = 0,873 Maka yang menjadi alternatif dengan ranking tertinggi adalah ๐8 dengan nilai 0,873. 2.4 Tinjauan Studi Penelitian lain yang terkait yang pernah dilakukan mengenai pemilihan objek wisata dengan MADM metode Entropy dan TOPSIS antara lain: 1. Perancangan Sistem Travel Advisor Pariwisata Jawa Timur Berbasis Website Menggunakan Rule-Based Expert System. (Nugroho & Rahman, 2011) Jurnal ini membahas tentang merancang sebuah website sistem travel advisor yang terintegrasi dan dapat membantu calon wisatawan dalam menentukan rute tujuan pariwisata yang sesuai dengan kebutuhan berdasarkan bujet, akomodasi dan transportasi dengan menggunakan metode rule-based expert system yang bersumber dari pengalaman seorang pakar pariwisata yakni biro perjalanan wisata. Dengan sistem travel advisor ini calon wisatawan akan mendapatkan seluruh informasi tersebut beserta testimonial mengenai obyek wisata dari wisatawan lain guna mengambil keputusan. 2. Kombinasi Metode TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) dan AHP (Analytical Hierarchy Process) dalam Menentukan Objek Wisata Terbaik di Pulau Bali. (Anhar & Widodo, 2013) Jurnal ini membahas bagaimana membuat suatu sistem pendukung keputusan yang dapat memperhitungkan segala kriteria yang mendukung pengambilan keputusan dalam menentukan objek wisata sesuai harapan wisatawan. Metode yang digunakan dalam mengambil suatu keputusan adalah metode TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) dan AHP (Analytical Hierarchy Process). Dengan menggunakan kedua metode tersebut, maka diperoleh objek wisata terbaik
22
menurut wisatawan dari beberapa kriteria (Pemandangan, Keamanan, Kebersihan, Kenyamanan, Biaya, Transportasi) adalah Pantai Uluwatu (0.7380), pantai Dreamland (0.7331), pantai Kuta (0.7305), dan Tanah Lot (0.1747). 3. Personalized Tourist Recomended Systems Based On Analytical Hierarchy Process (AHP). (Fiarni, Sipayung, & Stephanus, 2013) Penelitian ini membahas bagaimana membangun sistem rekomendasi objek wisata menggunakan metode Analytical Hierarchy Proces sesuai dengan preferensi wisatawan dan jenis wisata. Sistem mampu memberikan rekomendasi objek wisata yang tepat sesuai dengan alokasi dana dan preferensi kriteria wisata berdasarkan alternatif yang diinginkan dan memberikan informasi yang berhubungan dengan objek wisata tersebut.