PENGESAHAN UJIAN Kecerdasan Pendukung Keputusan skripsi yang berjudul "Rancang Bangun sistem cV. Jaya Mandiri)- telah diuji dan dinyatakan Dalam Pengiriman Barang (studi Kasus:
lulusdalamsidangmunaqosyahFakultasSainsdanTeknologipadahariselasa29Maret syarat untuk memperoleh gelar sarjana 201l. skripsi ini telah diterima sebagai salah satu strata satu
(Sl)
pada program studi Sistem Inforrnasi'
Jakafi4 6 Mei 20l
l
Tim Penguii' Penguji
Penguji
I
II
Qurotul Aini. MT.
NIP.
NIP . 470 03s 764
W Pembimbing
*/
I
Pembimbing
t
II
W
(
Zulfiandri. MMSI-
Oitdit i.tugedtra Utarna tvtM' vt'Com'
NIP.
19?30325 200901 2 001
NIP . 19700130 20050 11003
19?50818 200501 2 008
Mengetahuio
Ketua Prodi Sistem Informasi '-$'y'0"1
i#if
r
*1*1
$nrci's
w ?NIP.
Nur Aeni HidaYalr- MMSI' 196801t7 2ffi112
NIP.
I ml
lV
19?50818 200501 2 008
RANCANG BANGUN SISTEM KECERDASAN PENDUKUNG KEPUTUSAN DALAM PENGIRIMAN BARANG (Studi Kasus: CV. Jaya Mandiri)
SKRIPSI
Oleh : Fadly Marho NIM : 106093003079
PROGRAM STUDI SISTEM INFORMASI FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI (UIN) SYARIF HIDAYATULLAH JAKARTA JAKARTA 2011 M / 1432 H
i
RANCANG BANGUN SISTEM KECERDASAN PENDUKUNG KEPUTUSAN DALAM PENGIRIMAN BARANG (Studi Kasus: CV. Jaya Mandiri)
SKRIPSI Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer
Oleh : Fadly Marho NIM : 106093003079
PROGRAM STUDI SISTEM INFORMASI FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI (UIN) SYARIF HIDAYATULLAH JAKARTA JAKARTA 2011 M / 1432 H ii
RANCANG BANGUN SISTEM KECERDASAN PENDUKUNG KEPUTUSAN DALAM PENGIRIMAN BARANG (Studi Kasus: CV. Jaya Mandiri) Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer Pada Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh : Fadly Marho NIM : 106093003079
Menyetujui,
Pembimbing I
Pembimbing II
Ditdit N Utama, MMSI, M.Com. NIP. 19741129 200801 1 006
Zulfiandri, MMSI. NIP. 19700130 200501 1 003 Mengetahui,
Ketua Program Studi Sistem Informasi
Nur Aeni Hidayah, MMSI. NIP. 19750818 200501 2 008
iii
PENGESAHAN UJIAN Skripsi yang berjudul “Rancang Bangun Sistem Kecerdasan Pendukung Keputusan Dalam Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri)” telah diuji dan dinyatakan lulus dalam sidang munaqosyah Fakultas Sains dan Teknologi pada hari selasa 29 Maret 2011. Skripsi ini telah diterima sebagai salah satu syarat untuk memperoleh gelar sarjana strata satu (S1) pada program studi Sistem Informasi.
Jakarta, 8 Juni 2011 Tim Penguji, Penguji I
Penguji II
Bakri La Katjong, MT, M.Kom.
Qurotul Aini, MT.
NIP . 470 035 764
NIP . 19730325 200901 2 001
Pembimbing I
Pembimbing II
Ditdit Nugeraha Utama, MM, M.Com.
Zulfiandri, MMSI.
NIP . 19750818 200501 2 008
NIP . 19700130 200501 1 003
Mengetahui,
Dekan Fakultas Sains dan Teknologi
Ketua Prodi Sistem Informasi
DR. Syopiansyah Jaya Putra, M.Sis.
Nur Aeni Hidayah, MMSI.
NIP . 19680117 200112 1 001
NIP . 19750818 200501 2 008
iv
LEMBAR PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENARBENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI MANAPUN.
Jakarta, 6 Mei 2011
Fadly Marho
v
ABSTRAK FADLY MARHO, Rancang bangun Sistem Kecerdasan Penunjang Keputusan dalam Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri) di bawah bimbingan DITDIT N. UTAMA dan ZULFIANDRI. CV. Jaya Mandiri merupakan salah satu perusahaan kecil yang bergerak di bidang pengiriman barang atau supplier. Salah satu bentuk kegiatan pengiriman barangnya ialah pengiriman barang kepada pabrik-pabrik yang membutuhkan bahan baku untuk produksi pabrik tersebut. Sistem yang dgunakan saat ini di CV. Jaya Mandiri masih manual dalam hal mengambil keputusan terutama dalam pemilihan kendaraan pengiriman barang dan peramalan stok permintaan barang, sedangkan permintaan barang mulai bertambah banyak. Semakin banyaknya permintaan barang kepada CV. Jaya Mandiri serta pemilihan kendaraan untuk mengirim barang yang tidak sesuai dengan spesifikasi kendaraan terhadap jumlah barang dan jarak memberi inisiatif tersendiri untuk membangun Sistem Kecerdasan Pendukung Keputusan dalam Pengiriman Barang yang diharapkan mampu menyelesaikan permasalahan di atas. Dalam perancangan Sistem Kecerdasan Pendukung Keputusan dalam Pengiriman Barang digunakan Metode Rational Unified Process (RUP) dengan pendekatan metode Booch dengan toolnya menggunakan Unifield Modeling Language (UML), diagram yang dgunakan ialah usecase diagram, activity diagram, class diagram, sequence diagram, statechart diagram, collaboration diagram, deployment diagram. Dengan adanya Sistem Kecerdasan Pendukung Keputusan dalam pengiriman barang ini dapat membantu operasional kerja CV. Jaya Mandiri dalam pelayanannya terhadap pelanggan dan diharapkan dapat mengurangi biaya operasional.
Kata Kunci : CV. Jaya Mandiri, Sistem Pendukung Keputusan dalam Pengiriman Barang, Rational Unified Process (RUP), Unified Modelling Language (UML).
V Bab + 204 Halaman + xix Halaman + 1 Simbol + 60 Gambar + 46 Tabel + Pustaka + Lampiran Pustaka Acuan (42, 2000-2010).
vi
KATA PENGANTAR
Alhamdulillah puji syukur dipanjatkan kehadirat Allah SWT yang telah memberikan segala nikmat rahmat, taufik serta dan hidayah-Nya sehingga penelitian skripsi ini yang berjudul “Rancang Bangun Sistem Pendukung Keputusan dalam Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri)” dapat terselesaikan dengan baik. Peneliti menyadari masih banyak kekurangan di dalam skripisi ini untuk itu peneliti sangat mengharapkan dan menghargai adanya kritik dan saran yang berguna dari pembaca. Pada kesempatan ini, peneliti ingin menyampaikan ucapan terima kasih kepada pihak-pihak yang telah mendukung terselesaikannya skripsi ini. Karena tanpa dukungan dari mereka, peneliti tidak akan mampu menyelesaikan skripsi ini dengan baik. Oleh karena itu, perkenankanlah pada kesempatan ini peneliti mengucapkan terima kasih kepada: 1. Bapak Dr. Syopiansah Jaya Putra, M.Sis, selaku Dekan Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta. 2. Ibu Nur Aeni Hidayah, MMSI. selaku Ketua Program Studi Sistem Informasi Fakultas Sains dan Teknologi, UIN Syarif Hidayatullah Jakarta. 3.
Zainul Arham, MMSI. selaku Sekretaris Program Studi Sistem Informasi di Fakultas Sains dan Teknologi, UIN Syarif Hidayatullah Jakarta.
4. Bapak Ditdit N. Utama, MMSI, M.Com. selaku dosen pembimbing I yang telah banyak memberikan waktu dan bimbingan kepada peneliti untuk menyelesaikan skripsi ini.
vii
5. Bapak Zulfiandri, MMSI. selaku banyak
memberikan
waktu
dosen pembimbing II yang juga telah
dan
bimbingan
kepada
peneliti
dalam
menyelesaikan skripsi ini. 6. Bapak Abdul Aziz selaku pemilik CV. Jaya Mandiri serta seluruh karyawan CV. Jaya Mandiri yang telah banyak membantu peneliti untuk memberikan informasi yang dibutuhkan untuk penelitian sebagai penyelesaian skripsi ini. 7. Kedua Orang tua, adik dan kakak–kakak saya yang telah memberikan motivasi dan dukungan yang tak ternilai harganya. 8. Untuk sahabat saya baskoro yang telah memberikan dukungannya dan waktunya untuk berdiskusi dan membantu dalam menyelesaikan skripsi ini. 9. Untuk teman-teman SIB 2006 dan TI 2006 atas dukungannya dalam menyusun skripsi ini. Peneliti menyadari bahwa dalam penyusunan skripsi ini masih terdapat banyak kekurangan, sehingga saran dan kritik yang berguna dan bersifat membangun dari pembaca untuk lebih menyempurnakan skripsi ini akan sangat peneliti hargai. Akhir kata saya berharap agar skripsi ini dapat bermanfaat bagi semua yang membaca.
Jakarta, 6 Mei 2011
Fadly Marho 106093003079
viii
DAFTAR ISI
JUDUL ................................................................................................................................ i HALAMAN JUDUL ........................................................................................................ ii LEMBAR PENGESAHAN ............................................................................................. iii LEMBAR PENGESAHAN UJIAN ................................................................................ iv ABSTRAK ........................................................................................................................ vi KATA PENGANTAR ..................................................................................................... vii DAFTAR ISI ..................................................................................................................... ix DAFTAR SIMBOL ........................................................................................................ xvi DAFTAR GAMBAR .................................................................................................... xviii DAFTAR TABEL ......................................................................................................... xxii
BAB 1 PENDAHULUAN ................................................................................................ 1 1.1 Latar Belakang ................................................................................................. 1 1.2 Rumusan Masalah............................................................................................ 4 1.3 Batasan Masalah .............................................................................................. 5 1.4 Ruang Lingkup ................................................................................................ 6 1.5 Tujuan dan Manfaat ......................................................................................... 6 1.6 Metode Penelitian ............................................................................................ 7 1.6.1 Metode Pengumpulan Data ..................................................................... 7 1.6.2 Metode Pengembangan Sistem ............................................................... 8 1.6.3 Metode Sistem Kecerdasan Pendukung Keputusan ................................ 9
ix
1.6.3.1 Multi Criteria Decision Making (MCDM) .................................... 9 1.6.3.2 Forecasting .................................................................................. 10 1.6.3.3 Fuzzy Multiple Atribut Decission Making (FMADM) ................. 10 1.7 Sistematika Penulisan .................................................................................... 10 BAB II LANDASAN TEORI ........................................................................................ 13 2.1 Rancang Bangun ........................................................................................... 13 2.2 Pengiriman .................................................................................................... 13 2.3 Barang ........................................................................................................... 13 2.4 Konsep Dasar Sistem Informasi ................................................................... 14 2.4.1 Komponen Sistem Informasi .............................................................. 14 2.5 Konsep Dasar Sistem Pendukung Keputusan(SPK) ..................................... 16 2.5.1 Pengambilan Keputusan ...................................................................... 17 2.5.2 Dalil Terkait dengan Pengambilan Keputusan .................................... 17 2.5.3 Definisi Sistem Penunjang Keputusan ................................................ 18 2.5.4 Karakteristik dan Kapabilitas Sistem Pendukung Keputusan ............. 19 2.5.5 Tujuan Sistem Pendukung Keputusan ................................................ 22 2.5.6 Komponen - Komponen Pendukung Keputusan ................................. 22 2.6 Konsep Dasar Sistem Kecerdasan Pendukung Keputusan ............................ 25 2.7 Hasil Penelitian IDSS dan DSS sebelumnya ................................................. 26 2.8 Inventory ........................................................................................................ 27 2.8.1 Pengertian Inventory ............................................................................. 27 2.8.2 Jenis Persediaan (Inventory) ................................................................. 27 2.8.3 Fungsi Persediaan (Inventory) .............................................................. 29
x
2.9 Konsep Dasar Analisis dan Disain Sistem Informasi .................................... 30 2.9.1 Pengertian Analisis dan Disain Sistem ................................................. 30 2.9.2 Pendekatan – Pendekatan Analisis Sistem ........................................... 30 2.10 Analisis dan Desain Object Oriented .......................................................... 31 2.10.1 Pengertian Analisis dan Desain Object Oriented ............................. 31 2.10.2 Objek dan Kelas ............................................................................... 32 2.11 Metodologi Rational Unified Process (RUP) .............................................. 33 2.11.1 Fase RUP .......................................................................................... 33 2.11.2 Struktur Dinamis RUP ..................................................................... 34 2.12 Unified Modeling Language (UML) ........................................................... 36 2.12.1 Use Case Diagram ........................................................................... 37 2.12.1.1 Aktor .................................................................................. 38 2.12.1.2 Relasi Assosiasi Antar Use Case ......................... 39 2.12.1.2.1 <
> ........................................ 38 2.12.1.2.2 <<extend>> ....................................... 39 2.12.2 Activity Diagram (Diagram Aktivitas) ............................................ 39 2.12.3 Sequence Diagram (Diagram Sequensial) ...................................... 40 2.12.4 Class Diagram (Diagram Kelas)..................................................... 41 2.12.5 Statechart Diagram (Diagram Statechart) ...................................... 41 2.12.6 Component Diagram (Diagram Komponen) .................................. 42 2.12.7 Deployment Diagram ...................................................................... 42 2.13 Metode SKPK (Sistem Kecerdasan Pendukung Keputusan) ...................... 43 2.13.1 MCDM (Multi Criteria Decision Making) ..................................... 43
xi
2.13.2 FMADM (Fuzzy Multi-Attribut Decision Making) .......................... 48 2.13.3 Forecasting ...................................................................................... 50 2.14 PHP (Hipertext Prepocessor) ...................................................................... 54 2.15 MySQL ....................................................................................................... 55 BAB III METODE PENELITIAN ................................................................................ 57 3.1 Metode Pengumpulan Data ........................................................................... 57 3.1.1 Observasi .............................................................................................. 57 3.1.2 Wawancara ........................................................................................... 57 3.1.3 Studi Kepustakaan ................................................................................ 58 3.2 Metode Pengembangan Sistem ...................................................................... 59 3.2.1 RUP ...................................................................................................... 59 3.3 Metode Analisa IDSS .................................................................................... 60 3.3.1 MCDM (Multi Criteria Decision Making) ........................................... 60 3.3.2 FMADM (Fuzzy Multiple Attribute Decission Making) ..................... 61 3.3.3 Forecasting .......................................................................................... 62 3.4 Kerangka Berfikir Penelitian ......................................................................... 63 BAB IV HASIL DAN PEMBAHASAN ........................................................................ 64 4.1 Analisis Perhitungan Metode pada SKPK ..................................................... 64 4.1.1 Analisis Perhitungan pada Metode Pemulusan Eksponensial .............. 64 4.1.2 Analisis Perhitungan pada Metode AHP (Analytic Hierarchy Process ) ........................................................................................................... 73 4.1.2.1 Langkah – Langkah Perhitungan dengan Metode AHP .......... 75 4.1.2.1.1 Contoh kasus perhitungan AHP ................................ 76
xii
4.1.3 Analisis Perhitungan pada Metode Fuzzy SAW (Simple Additive Weighting) ............................................................................................ 92 4.1.3.1 Langkah – Langkah Perhitungan dengan Metode Fuzzy Saw .. 92 4.1.3.1.1 Contoh Kasus Perhitungan Fuzzy Saw ...................... 93 4.2 Inception ...................................................................................................... 100 4.2.1 Profil CV. Jaya Mandiri...................................................................... 100 4.2.1.1 Visi Perusahaan (Vision) ........................................................ 100 4.2.1.1 Misi Perusahaan (Mission) ..................................................... 101 4.2.2 Analisis Sistem yang sedang Berjalan ................................................ 101 4.2.3 Analisis dan Perancangan Usulan SKPK dalam Pengiriman Barang pada CV. Jaya Mandiri ...................................................................... 102 4.2.3.1 Requirement/ Kebutuhan-Kebutuhan Untuk SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri...................................................... 104 4.2.3.2 Menentukan Batasan Masalah Sistem SKPK ........................ 109 4.2.3.3 Menentukan Fungsi Use Case SKPK dalam Pengiriman Barang CV. Jaya Mandiri...................................................... 111 4.2.3.4 Spesifikasi Aktor dan Use Case SKPK dalam Pengiriman Barang CV. JayaMandiri ....................................................... 112 4.2.3.5 Usecase Diagram Sistem Usulan ............................................ 114 4.2.3.5.1 Narasi Usecase Diagram ......................................... 114 4.3 Elaboration .................................................................................................. 122 4.3.1 Elaboration Phase (Fase Pengembangan) .......................................... 122
xiii
4.3.1.1 Project Management Workflow .............................................. 122 4.3.1.2 Analysis and Design Workflow ............................................... 122 4.3.1.2.1 Membuat Rancangan Antarmuka Perangkat Lunak Sistem ..................................................................... 122 4.3.1.3 Design Model dengan Pemodelan Object Oriented ............... 136 4.3.1.3.1 Class Diagram ......................................................... 136 4.3.1.3.2 Spesifikasi Database SKPK ..................................... 138 4.3.1.3.3 Activity Diagram ...................................................... 143 4.3.1.3.4 Sequence Diagram ................................................... 155 4.3.1.3.5 Collaboration Diagram............................................ 167 4.3.1.3.6 Statechart Diagram .................................................. 176 4.4 Construction ................................................................................................ 188 4.4.1 Coding Program .................................................................................. 188 4.4.2 Testing Program (Black Box Testing) ................................................. 188 4.5 Transition..................................................................................................... 191 4.5.1 Logical Architecture SKPK ................................................................. 191 4.5.2 Deployment Diagram SKPK ............................................................... 192 BAB V PENUTUP ........................................................................................................ 193 5.1 Simpulan ...................................................................................................... 193 5.2 Saran ............................................................................................................ 194 DAFTAR PUSTAKA .................................................................................................... 195 LAMPIRAN A WAWANCARA .................................................................................. 201 LAMPIRAN B SURAT TELAH MELAKUKAN PENELITIAN ............................ 202
xiv
LAMPIRAN C TAMPILAN APLIKASI .................................................................... 203 LAMPIRAN D CODING / SOURCE CODE ............................................................ 204
xv
DAFTAR SIMBOL Diagram UML (Unified Modelling Language) No
Nama Diagram
Simbol
Nama Actor
1
Use Case Diagram Use Case Participant Class
2
Class Diagram
Datatype
Interface Generalization
Participant
3
Sequence Diagram
Simpel Message Synchronous Asynchronous
4
Activity Diagram
Titik Awal Titik Akhir Activity Pilihan untuk mengambil keputusan Fork
xvi
<no send action>
Tanda Pengiriman
<no receive action>
Tanda Penerimaan
Component
5
Component Diagram Interface
6
Deployment Diagram
Node1
Node Comunicates
7
State Diagram
Initial State
State1
State
Transition
Fork Decision Final State
Sumber: Munawar, 2005
xvii
DAFTAR GAMBAR
Gambar 2.1
Skematik DSS .......................................................................................... 24
Gambar 2.2
Diagram Alir IDSS ................................................................................... 25
Gambar 2.3
Arsitektur Rational Unified Process ........................................................ 33
Gambar 2.4
Notasi Use Case ....................................................................................... 37
Gambar 2.5
Notasi Aktor ............................................................................................. 38
Gambar 2.6
Struktur Hirarki ........................................................................................ 46
Gambar 3.1
Kerangka Berpikir Penelitian ................................................................... 63
Gambar 4.1
Grafik Permintaan Tahun 2009 ................................................................ 65
Gambar 4.2
Gambar Grafik permintaan dan Peramalan nilai
Gambar 4.3
Grafik Permintaan Tahun 2009 dan Ramalan Tahun 2010 ...................... 73
Gambar 4.4
Gambar Struktur Hierarki Pemilihan Kendaraan ..................................... 76
Gambar 4.5
Gambar Matriks dari Tabel diatas yang Belum Ternormalisasi .............. 97
Gambar 4.6
Gambar Matriks Ternormalisasi............................................................... 98
Gambar 4.7
Gambar Proses Bisnis yang Sedang Berjalan ........................................ 101
Gambar 4.8
Gambar Proses Bisnis yang Diusulkan .................................................. 102
Gambar 4.9
Gambar Diagram Konteks SKPK (Sistem Kecerdasan Pendukung
= 0.3; 0.6; 0.9 ........... 68
Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri ..................... 110 Gambar 4.10
Usecase Diagram Sistem Usulan ........................................................... 114
Gambar 4.11
Rancangan Antarmuka Manajemen User .............................................. 123
Gambar 4.12
Rancangan Antarmuka Login ................................................................. 124
Gambar 4.13
Rancangan Antarmuka Halaman Menu Utama ...................................... 124
xviii
Gambar 4.14
Rancangan Antarmuka Halaman Submenu Perhitungan Forecasting Tabel MAD, MSE dan MAPE ......................................... 125
Gambar 4.15
Rancangan Antarmuka Halaman Submenu Perhitungan Forecasting Tabel Total Kesalahan Peramalan ..................................... 126
Gambar 4.16 Rancangan Antarmuka Halaman Submenu Perhitungan Forecasting Tabel Hasil ........................................................................ 127 Gambar 4.17
Rancangan Antarmuka Halaman Submenu Tambah Forecasting ......... 128
Gambar 4.18
Rancangan Antarmuka Halaman Submenu Tambah Forecasting untuk Link Jenis Barang ....................................................................... 129
Gambar 4.19 Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk Input Jarak dan Jumlah atau Berat Barang.................................. 130 Gambar 4.20
Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk Hasil Perhitungan AHP dan Fuzzy Saw ..................................... 131
Gambar 4.21
Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk Hasil Perhitungan AHP dan Fuzzy Saw Lengkap ...................... 132
Gambar 4.22 Rancangan Antarmuka Halaman Menu Setting dari Submenu Kendaraan ............................................................................................. 133 Gambar 4.23 Rancangan Antarmuka Halaman Menu Setting dari Submenu Kriteria AHP ........................................................................................ 134 Gambar 4.24 Rancangan Antarmuka Halaman Menu Setting dari Submenu Bobot Kriteria Fuzzy Saw ...................................................................... 135 Gambar 4.25
Class Diagram ........................................................................................ 136
Gambar 4.26
Activity Diagram Login .......................................................................... 144
xix
Gambar 4.27
Activity Diagram Forecasting ................................................................ 145
Gambar 4.28
Activity Diagram AHP ............................................................................ 147
Gambar 4.29
Activity Diagram Setting ........................................................................ 149
Gambar 4.30
Activity Diagram Fuzzy Saw ................................................................... 151
Gambar 4.31
Activity Diagram Manajemen User ........................................................ 153
Gambar 4.32
Activity Diagram Logout ........................................................................ 154
Gambar 4.33
Sequence Diagram Login ....................................................................... 155
Gambar 4.34
Sequence Diagram Forecasting ............................................................. 156
Gambar 4.35
Sequence Diagram AHP ......................................................................... 159
Gambar 4.36
Sequence Diagram Setting ...................................................................... 161
Gambar 4.37
Sequence Diagram Fuzzy Saw ................................................................ 163
Gambar 4.38
Sequence Diagram Manajemen User ..................................................... 165
Gambar 4.39
Sequence Diagram Logout ..................................................................... 167
Gambar 4.40
Collaboration Diagram Login ................................................................ 168
Gambar 4.41
Collaboration Diagram Forecasting ..................................................... 169
Gambar 4.42
Collaboration Diagram AHP ................................................................. 170
Gambar 4.43
Collaboration Diagram Setting .............................................................. 171
Gambar 4.44
Collaboration Diagram Fuzzy Saw ........................................................ 173
Gambar 4.45
Collaboration Diagram Manajemen User.............................................. 174
Gambar 4.46
Collaboration Diagram Logout .............................................................. 175
Gambar 4.47
Statechart Diagram Login ...................................................................... 176
Gambar 4.48
State Diagram Forecasting..................................................................... 178
Gambar 4.49
State Diagram AHP ................................................................................ 180
xx
Gambar 4.50
State Diagram Setting ............................................................................. 182
Gambar 4.51
State Diagram Fuzzy Saw ...................................................................... 184
Gambar 4.52
State Diagram Manajemen User ............................................................ 186
Gambar 4.53
State Diagram Logout............................................................................. 187
Gambar 4.54 Logical Architecture SKPK .................................................................... 191 Gambar 4.55 Deployment Diagram SKPK ................................................................... 192
xxi
DAFTAR TABEL
Tabel 2.1 Hasil Penelitian IDSS dan DSS sebelumnya ................................................. 26 Tabel 2.2
RC/ Nilai Random.......................................................................................... 48
Tabel 4.1
Data Permintaan Barang Tahun 2009 ............................................................ 64
Tabel 4.2
Ramalan nilai
Tabel 4.3
Perhitungan Nilai Kesalahan Nilai MAD (Mean Absolute Deviation) .......... 69
Tabel 4.4
Perhitungan Nilai Kesalahan Nilai MSE (Mean Squared Error) .................. 70
Tabel 4.5
Perhitungan Nilai Kesalahan Nilai MAPE (Mean Absolute Percent
= 0.3; 0.6; 0.9 ..................................................................... 67
Error) ................................................................................................................ 71 Tabel 4.6
Perhitungan Nilai Kesalahan MAD, MSE, dan MAPE ................................. 71
Tabel 4.7
Hasil Peramalan Permintaan Barang Tahun 2010 ......................................... 72
Tabel 4.8
Hasil Spesifikasi Kendaraan .......................................................................... 77
Tabel 4.9
Hasil Perhitungan Waktu Sekali Jalan ........................................................... 77
Tabel 4.10 Hasil Perhitungan Banyaknya pengangkutan kendaraan ............................... 78 Tabel 4.11 Hasil Perhitungan Banyaknya Bolak-Balik Masing-Masing Kendaraan ....... 78 Tabel 4.12 Hasil Perhitungan Banyaknya Jarak Bolak-Balik Masing-Masing Kendaraan ...................................................................................................... 79 Tabel 4.13 Hasil Perhitungan Banyaknya Waktu Bolak-Balik Masing-Masing Kendaraan ...................................................................................................... 80 Tabel 4.14 Hasil Perhitungan Bahan Bakar yang Dibutuhkan untuk Pengiriman 1000 Buah Benang Obras Ukuran Sedang dengan Jarak 35 km ................... 80 Tabel 4.15 Hasil Perhitungan Nilai Keseluruhan untuk Pengiriman 1464 Buah
xxii
Benang Obras Ukuran Sedang dengan Jarak 35 km ...................................... 81 Tabel 4.16 Hasil Perhitungan Perbandingan Kendaraan Berdasarkan Tiga Kriteria ....... 82 Tabel 4.17 Hasil Pengelompokan Nilai Menjadi Nilai AHP ........................................... 83 Tabel 4.18 Skala Tingkat Kepentingan AHP ................................................................... 84 Tabel 4.19 Hasil Matriks Kriteria Perbandingan Berpasangan ........................................ 84 Tabel 4.20 Hasil Matriks Nilai Kriteria ........................................................................... 85 Tabel 4.21 Hasil Matriks Penjumlahan Setiap Baris ....................................................... 85 Tabel 4.22 Hasil Matriks Perhitungan Rasio Konsistensi............................................... 86 Tabel 4.23 Hasil Matriks Perbandingan Berpasangan Berdasarkan Bahan Bakar .......... 86 Tabel 4.24 Hasil Matriks Nilai Kriteria Berdasarkan Bahan Bakar................................. 87 Tabel 4.25 Hasil Matriks Perbandingan Berpasangan Berdasarkan Waktu .................... 88 Tabel 4.26 Hasil Matriks Nilai Kriteria Berdasarkan Waktu ........................................... 88 Tabel 4.27 Hasil Matriks Perbandingan Berpasangan Berdasarkan Keamanan .............. 89 Tabel 4.28 Hasil Matriks Nilai Kriteria Berdasarkan Keamanan .................................... 89 Tabel 4.29 Hasil Matriks Proritas Alternatif .................................................................... 90 Tabel 4.30 Hasil Matriks Perhitungan Prioritas Global .................................................. 91 Tabel 4.31 Nilai Hasil Perhitungan Berdasarkan Kriteria pada Spesifikasi Kendaraan ...................................................................................................... 94 Tabel 4.32 Nilai Hasil Perhitungan Persentase Berdasarkan Kriteria pada Spesifikasi Kendaraan ................................................................................... 94 Tabel 4.33 Nilai Linguistik atau Fuzzy berdasarkan kriteria ........................................... 96 Tabel 4.34 Nilai Crips Alternatif berdasarkan Kriteria ................................................... 97 Tabel 4.35 Spesifikasi Aktor .......................................................................................... 113
xxiii
Tabel 4.36 Spesifikasi Use Case pada SKPK CV. Jaya Mandiri .................................. 113 Tabel 4.37 Narasi Usecase Login .................................................................................. 115 Tabel 4.38 Narasi Usecase Forecasting ........................................................................ 116 Tabel 4.39 Narasi Usecase AHP .................................................................................... 117 Tabel 4.40 Narasi Usecase Setting ................................................................................. 118 Tabel 4.41 Narasi Usecase Fuzzy Saw ........................................................................... 119 Tabel 4.42 Narasi Usecase Manajemen User ................................................................ 120 Tabel 4.43 Narasi Usecase Logout ................................................................................ 120 Tabel 4.44 Spesifikasi Database Manajemen User ....................................................... 139 Tabel 4.45 Spesifikasi Database Jenis Barang .............................................................. 139 Tabel 4.46 Spesifikasi Database Kendaraan ................................................................. 140 Tabel 4.47 Spesifikasi Database Kriteria AHP ............................................................. 141 Tabel 4.48 Spesifikasi Database Bobot Kriteria Fuzzy Saw ......................................... 142 Tabel 4.49 Spesifikasi Database Permintaan ................................................................ 143 Tabel 4.50 Keterangan Statechart Diagram untuk Use Case “Login” .......................... 177 Tabel 4.51 Keterangan Statechart Diagram untuk Use Case “Forecasting” ................ 179 Tabel 4.52 Keterangan Statechart Diagram untuk Use Case “AHP” ........................... 181 Tabel 4.53 Keterangan Statechart Diagram untuk Use Case “Setting” ........................ 183 Tabel 4.54 Keterangan Statechart Diagram untuk Use Case “Fuzzy Saw” ................. 185 Tabel 4.55 Keterangan Statechart Diagram untuk Use Case “Manajemen User” ....... 187 Tabel 4.56 Keterangan Statechart Diagram untuk Use Case “Logout” ....................... 187 Tabel 4.57 Black Box Testing......................................................................................... 188
xxiv
BAB I PENDAHULUAN
1.1 Latar Belakang Penelitian Decision Support System atau sistem kecerdasan pendukung keputusan sudah banyak diteliti oleh para peneliti dari berbagai negara dengan berbagai macam metodologi. Contohnya penelitian pada tahun 2000 pada bidang inventory, Achabal at al. (2000) melakukan penelitian mengenai pengaturan inventori dengan menggunakan metode forecasting.
Dalam bidang pertanian
sistem pengambilan keputusan juga sangat berperan penting seperti pada tahun 2003 peneliti Li YF et al. (2003) melakukan penelitian pada bidang pertanian. Penelitian dalam hal pengelolaan kerugian pestisida pada air dalam pertanian ini menggunakan metode Forecasting. Pada penelitian – penelitian tersebut menjelaskan bahwa sistem pengambil keputusan sangat dibutuhkan dan tidak ketinggalan pada tahun 2004 peneliti Suryadi et al. (2004) melakukan penelitian pada bidang marketing dalam hal meningkatkan kinerja penjualan dengan menggunakan metode Analytical Hierarchy Process (AHP). Dalam dunia transportasi umum sistem pengambilan keputusan juga sangat dibutuhkan, pada tahun yang sama Absari (2004) melakukan penelitian dalam bidang jasa angkutan kota tepatnya mengenai studi kelayakan pembukaan jaringan trayek angkutan kota dengan menggunakan metode Clustering.
1
2
Dalam bidang SDM (Sumber Daya Manusia) Sistem Pengambil Keputusan juga sangat berpengaruh dalam hal pengambilan keputusan. Pada tahun 2006, Kusrini dan Awaluddin (2006) melakukan penelitian dalam bidang SDM (Sumber Daya Manusia) mengenai evaluasi kinerja karyawan untuk promosi jabatan dengan menggunakan metode analisis Gap. Pada tahun yang sama Čižman dan Urh (2006) melakukan penelitian pada bidang industri pemotongan kayu dalam hal optimalisasi produksi dengan menggunakan linear programming. Seiring dengan perkembangan teknologi dan ilmu pengetahuan
pada
tahun 2008, Tahir et al. (2008) melakukan penelitian pada bidang industri dalam hal pendekatan untuk model optimasi baru dalam industri kecil dan menengah dengan menggunakan metode Fuzzy Logic. Masih pada tahun yang sama, peneliti Chern et al. (2008) asal Taiwan juga melakukan penelitian pada bidang marketing
dalam hal penjualan produk baru dengan menggunakan metode forecasting. Dengan semakin bertambahnya waktu, pada tahun yang sama juga dan pada bidang yang sama juga Ismail (2008) juga melakukan penelitian dalam hal meningkatkan prakiraan dengan menggunakan Genetic Algorithm (GA) dan Tabu Search (TS). Pada tahun yang sama Hermaduanti dan Kusumadewi (2008) melakukan penelitian dalam bidang kesehatan dalam hal menentukan gizi dengan menggunakan metode K-Nearest Neighbor (KNN). Pada tahun selanjutnya Eliyani et al. (2009) melakukan penelitian dalam bidang jasa pembelian dalam hal pembelian mobil dengan menggunakan Fuzzy Tahani. Dalam tahun yang sama
3
pula, Hamdani (2010) dalam bidang industri makanan mengenai wisata kuliner dengan visualisasi geografi dengan metode Rule of Thumb. Penelitian mengenai Intelegent Decision Support System (IDSS) juga sudah cukup banyak digunakan di berbagai bidang dan dengan berbagai metodologi yang semakin berkembang. Contohnya penelitian Michalewicz et al. (2005) dalam bidang transportasi dan logistik dalam hal distribusi dan pelelangan mobil dengan menggunakan algoritma optimasi. Dalam tahun yang sama Elghoniemy et al. (2006) dalam bidang industri pada pabrik dengan menggunakan metode Genetic Algorithm dan Fuzzy Logic. Dengan perkembangan waktu dan teknologi yang terasa semakin cepat pada tahun 2007 Suwarningsih (2007) dalam bidang elektronika dalam hal menganalisa sirkuit logika dengan menggunakan metoda finite automa, hasil analisis
menghasilkan
formula
untuk
sirkuit
logika
tersebut.
Dengan
perkembangan yang semakin maju, pada tahun 2010 ini Hasan (2010) meneliti dalam bidang transportasi dalam hal manajemen lalu lintas dengan metode Multiclass Simultaneous Transportation Equilibrium Model (MSTEM). CV. Jaya Mandiri adalah suatu perusahaan yang bergerak di bidang pengiriman barang. Perusahaan ini merupakan perusahaan yang sedang berkembang dan masih banyak kegiatan perusahaan yang dilakukan secara manual, salah satunya adalah dalam pengelolaan barang (Inventory). Akibatnya perusahaan sulit menentukan kendaraan yang cocok untuk mengirim barang yang sesuai permintaan dan meningkatkan akurasi perkiraan permintaan. Perusahaan cenderung selalu kekurangan stock ketika ada permintaan barang dari
4
pelanggannya sehingga perusahaan harus mengeluarkan biaya operasional tambahan untuk membeli barang permintaan pelanggan. Dan juga perusahaan sulit untuk mengambil keputusan mengenai pemilihan kendaraan pengiriman barang dengan tujuan memaksimalkan pendapatan dan mengurangi biaya operasional tambahan. Keadaan yang seperti ini yang mendorong peneliti untuk merancang dan membangun suatu Sistem Kecerdasan Penunjang Keputusan (SKPK) dalam pengiriman barang berdasarkan beberapa parameter dengan menggunakan metode Multiple Criteria Decision Making (MCDM), Forecasting dan Fuzzy Multiple Attribute Decission Making (FMADM). Hal ini juga yang menjadi latar belakang peneliti dalam melakukan penelitian pada pembuatan skripsi yang berjudul “Rancang Bangun Sistem Kecerdasan Penunjang Keputusan dalam Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri)”.
1.2
Rumusan Masalah Ditinjau dari Latar Belakang, maka dirumuskanlah permasalahan
penelitian pada CV. Jaya Mandiri yaitu: 1. Sulitnya memilih kendaraan yang sesuai berdasarkan spesifikasi kemampuan kendaraan untuk mengirim barang. 2. Belum adanya aplikasi yang membantu menghitung peramalan permintaan barang untuk satu tahun ke depan sehingga sering terjadi kekurangan stok barang.
5
3. Adanya biaya operasional tambahan yang disebabkan belum adanya perhitungan untuk jumlah permintaan untuk setiap bulannya.
1.3
Batasan Masalah Berdasarkan masalah tersebut, maka ruang lingkup masalah dibatasi pada:
1. Analisis dan perancangan Sistem Kecerdasan Pendukung Keputusan hanya pada bidang Inventory barang secara umum. 2. Pada penelitian rancang bangun sistem ini tidak membahas masalah protocol, jaringan, RIA (Rich Internet Aplication) dan keamanan data. 3. Bahasa pemograman yang digunakan adalah PHP dan database yang digunakan adalah MySQL. 4. Perhitungan kecepatan rata-rata dan keamanan dilakukan di luar sistem dan hanya perhitungan umum karena untuk setiap lokasi tujuan pengiriman barang memiliki parameter tersendiri yang berbeda-beda karena bergantung pada jenis barang yang dikirim, jarak lokasi barang yang dikirim, kondisi jalan ke lokasi pengiriman. Sehingga nilai kriteria keamanan dan kecepatan rata-rata berbeda untuk setiap lokasi pengiriman dan dihitung secara manual di luar sistem. 5. Pada penelitian ini hanya membahas permasalahan yang ada pada CV. Jaya Mandiri. 6. Pada penelitian ini hanya membahas 3 kendaraan dan 3 jenis kriteria yaitu waktu, bahan bakar dan keamanan.
6
7. Bahan bakar yang dibahas pada kriteria bahan bakar adalah bahan bakar jenis yang sama untuk setiap kendaraan.
1.4
Ruang Lingkup
Pelaksanaan penelitian skripsi akan dilaksanakan pada: Waktu
: 5 Mei 2010 s.d 5 Juli 2010
Tempat
: CV. Jaya Mandiri.
Waktu pelaksanaan dapat diubah, diperpanjang atau diperpendek sesuai dengan kebijaksanaan perusahaan penyelenggara. Tetapi jadwal pelaksanaan tidak jauh dari waktu yang telah diajukan.
1.5
Tujuan dan Manfaat Tujuan umum dari penelitian ini adalah menghasilkan rancang bangun
Sistem
Kecerdasan Pendukung Keputusan pada CV. Jaya Mandiri untuk
mengurangi pengeluaran yang diakibatkan pengambilan keputusan yang belum maksimal. Sedangkan tujuan khususnya adalah menghasilkan: 1. Rancangan Sistem Intelligent Decision Support System dalam Pengiriman Barang berbasis web guna mengurangi biaya operasional perusahaan dan memilih kendaraan sesuai spesifikasi kendaraan berdasarkan kriteria yang ada. 2. Membangun aplikasi yang dapat menghitung peramalan permintaan barang untuk satu tahun ke depan sehingga dapat mengurangi adanya kekurangan stok barang.
7
3. Dapat memaksimalkan keuntungan dengan berkurangnya biaya operasional karena adanya aplikasi yang dapat memilih kendaraan yang tepat dalam pengiriman barang.
Manfaat dari Penelitian ini adalah 1. Penelitian ini dapat menjadi salah satu referensi bagi pembaca dalam pembuatan Intelligent Decision Support System (IDSS) atau Sistem Kecerdasan Pendukung Keputusan (SKPK). 2. Merupakan sebuah gambaran umum rancang bangun Sistem Kecerdasan Pendukung Keputusan (SKPK) pada jenis perusahaan supplier. 3. Penggunaan metode Multiple Criteria Decision Making (MCDM), Forecasting dan Fuzzy Multiple Attribute Decission Making (FMADM) dalam SKPK yang dapat menjadi satu referensi bagi pembaca. 4. Penerapan Sistem Kecerdasan Pendukung Keputusan (SKPK) yang berbasis web yang mengikuti perkembangan teknologi saat ini.
1.6 Metode Penelitian Metode penelitian di dalam skripsi ini menggunakan 3 jenis metode, yaitu: 1.6.1 Metode Pegumpulan Data Metode pengumpulan data yang digunakan peneliti dalam skripsi ini, yaitu:
8
1.
Observasi
Pengamatan langsung pada kegiatan yang ada pada CV. Jaya Mandiri untuk mendapatkan data-data yang diperlukan dan sistem yang berjalan yang masih manual. 2.
Wawancara
Wawancara yang telah dilaksanakan dengan pemilik CV. Jaya Mandiri yaitu bapak Abdul Aziz untuk memperoleh gambaran, keterangan dan penjelasan untuk membantu dalam merancang aplikasi dan sebagai bahan masukan penelitian Skripsi. 3.
Kajian Pustaka
Metode ini dilakukan dengan mempelajari teori-teori yang terkait dengan Rancang Bangun Sistem Kecerdasan Penunjang Keputusan dalam Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri).
1.6.2 Metode Pengembangan Sistem Pada metodologi pengambangan sistem, peneliti menggunakan metodologi RUP (Rational Unified Process). Terdapat 4 aktivitas utama yang digunakan dalam menggunakan metode Rational Unified Process yaitu (Kroll dan Kruchten, 2003): a.
Inception
Pada tahap ini peneliti mendefinisikan batasan kegiatan melakukan analisis kebutuhan user dan melakukan perancangan awal perangkat lunak (perancangan arsitektur dan use case).
9
b. Pada
Elaboration tahap
ini
dilakukan
perancangan
perangkat
lunak
mulai
dari
menspesifikasikan fitur perangkat lunak sampai perilisan prototipe versi beta dari perangkat lunak. c.
Construction
Pada tahap ini adalah tahap dimana perancangan sistem secara lengkap dan kemudian siap ke tahap transisi (Transition). d.
Transition
Instalasi, deployment dan sosialisasi perangkat lunak dilakukan pada tahap ini. Tujuan utama adalah untuk „transisi‟ sistem dari ke pengembangan produksi, membuatnya tersedia untuk dan dipahami oleh pengguna akhir. Produk ini juga diperiksa terhadap tingkat kualitas ditetapkan dalam fase Inception.
1.6.3 Metode Sistem Kecerdasan Pendukung Keputusan Metode yang digunakan untuk pemodelan Kecerdasan Sistem Penunjang Keputusan pada penelitian “Rancang Bangun Kecerdasan Sistem Penunjang Keputusan dalam Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri ini ada tiga jenis:
1.6.3.1 Multi Criteria Decision Making (MCDM) Untuk kelas dari masalah keputusan yang ”kompleks” Multiple Criteria Decision Making (MCDM) digunakan karena akibat skala, kumpulan data dan
10
pembingkaian rumit satu model formal adalah permintaan, varian efisien, dan antara itu varian yang paling diutamakan (keputusan), dapat diperoleh dengan bantuan dari metode exact optimization. Ini diperlukan model tersebut harus dikemas ke satu paket exact optimization, yang pasti menghindari populer, penggunaan dokumen dan tersebar luas pada metode MCDM (Kaliszewski dan Miroforidis, 2009). Pada metode MCDM ini metode yang digunakan adalah metode AHP (Analytic Hierarchy Process).
1.6.3.2 Forecasting Suatu organisasi harus membuat keputusan yang tepat di waktu tergantung permintaan informasi untuk meningkatkan keunggulan kompetitif komersial dalam lingkungan bisnis selalu berfluktuasi. Oleh karena itu, memperkirakan jumlah permintaan untuk periode berikutnya kemungkinan besar tampaknya sangat penting. (Efendigil et al. 2008).
1.6.3.3 Fuzzy Multiple Attribute Decission Making (FMADM). Metode ini dipilih karena mampu menyeleksi alternatif terbaik dari sejumlah alternatif, Pada FMADM, alternatif–alternatif sudah diketahui dan ditentukan sebelumnya. Pengambil keputusan harus menentukan prioritas atau ranking berdasarkan kriteria yang diberikan (Kusumadewi et al. 2006). Dan pada metode FMADM ini metode yang digunakan adalah metode Fuzzy Saw (Simple Additive Weighting).
11
1.7 Sistematika Penulisan BAB I
PENDAHULUAN Bab ini berisi latar belakang, perumusan masalah, batasan masalah, tujuan dan manfaat penelitian, metode penelitian, jadwal penelitian, sistematika penulisan.
BAB II
LANDASAN TEORI Dalam bab ini akan dijelaskan mengenai landasan teori yang relevan dengan permasalahan yang ada.
BAB III
METODE PENELITIAN Bab ini berisi metodologi penelitian yang digunakan diantaranya metode pengumpulan data, metode pengembangan sistem, metode analisa IDSS dan kerangka berpikir penelitian.
BAB IV
HASIL DAN PEMBAHASAN Bab ini berisi profil perusahaan secara umum dan mengenai 3 jenis metode dengan cara perhitungannya. Metode tersebut yang terdiri
dari
metode
Forecasting
Smoothing
Exponential
(Pemulusan eksponensial), metode AHP (Analytic Hierarchy Process ) yang merupakan bagian dari MCDM dan Fuzzy Saw (Simple Additive Weighting) yang merupakan bagian FMADM. Pada tahap ini juga membahas tahap inception. Peneliti mendefinisikan mengenai profil CV. Jaya Mandiri, analisa sistem yang sedang berjalan, analisa dan perancangan usulan SKPK (Sistem Kecerdasan Pendukung Keputusan), Requirements/
12
kebutuhan-kebutuhan untuk SKPK, menentukan batasan masalah sistem SKPK, menentukan fungsi use case, spesifikasi aktor dan use case, use case diagram dan narasi use case diagram sistem usulan.Pada bab ini juga membahas tahap elaboration. Pada bab ini
menjelaskan mengenai tahapan analisis dan perancangan
desain sistem Kecerdasan Pendukung Keputusan (SKPK). Pada Bab inijuga akan dijelaskan mengenai contraction dan transition yang menjelaskan mengenai tahapan pembangunan sistem dan pengujian Sistem Kecerdasan Pendukung Keputusan (SKPK). BAB V
PENUTUP Bab ini merupakan akhir penulisan skripsi dan disajikan simpulan dan saran-saran yang peneliti angkat berdasarkan pembahasan pada bab-bab sebelumnya.
BAB II LANDASAN TEORI
2.1 Rancang Bangun Kata “Rancang” merupakan kata kerja dari “merancang” yakni mengatur segala sesuatu (sebelum bertindak, mengerjakan, atau melakukan sesuatu) atau merencanakan sedangkan perancangan merupakan kata benda yang memilki arti proses perbuatan merancang. Sedangkan “Rancang Bangun” dapat diartikan sebagai merancang atau mendesain suatu bangunan (PB-KemenDepDikNas, 2002).
2.2 Pengiriman Pada kamus bahasa Indonesia dijelaskan bahwa kata Pengiriman merupakan kata benda yang memiliki arti proses, cara, perbuatan mengirimkan (PB-KemenDepDikNas, 2002).
2.3 Barang Pada kamus bahasa Indonesia juga dijelaskan bahwa kata barang adalah benda
umum
(segala
sesuatu
yang
KemenDepDikNas, 2002).
13
berwujud
atau
berjasad)
(PB-
14
2.4 Konsep Dasar Sistem Informasi Sistem informasi adalah sekumpulan orang, data, proses dan teknologi informasi yang saling berinteraksi untuk mengumpulkan, memproses, menyimpan dan menyediakan informasi yang dibutuhkan untuk mendukung sebuah organisasi (Whitten et al. 2004). Sistem informasi adalah suatu sistem di dalam suatu organisasi yang mempertemukan kebutuhan pengolahan transaksi harian, mendukung operasi, bersifat manajerial dan kegiatan strategi dari suatu organisasi dan menyediakan pihak luar tertentu dengan laporan-laporan yang diperlukan (Jogiyanto, 2005). Jadi, dapat disimpulkan sistem informasi adalah sistem yang dapat memproses data sehingga menjadi informasi yang bermanfaat bagi organisasi atau perusahaan itu sendiri dan pihak luar.
2.4.1
Komponen Sistem Informasi Burch dan Gary Grutnitski (Jogiyanto, 2005) mengemukakan bahwa
sistem informasi terdiri dari komponen-komponen yang disebutnya dengan istilah blok bangunan (building block), yaitu blok masukan (input block), blok model (model block), blok keluaran (output block), blok teknologi (technology block), blok basis data (database block) dan blok kendali (control blocks). Sebagai suatu sistem, keenam blok tersebut berinteraksi satu dengan yang lainnya membentuk satu kesatuan untuk mencapai sasaran. Penjelasan mengenai building block tersebut adalah sebagi berikut: (Jogiyanto, 2005)
15
1. Blok Masukan (Input Block) Blok masukan mewakili data yang masuk ke dalam sistem informasi. Input di sini termasuk metode-metode dan media untuk menangkap data yang akan dimasukkan, dapat berupa dokumen-dokumen dasar. 2. Blok Model (Model Block) Blok ini terdiri atas kombinasi prosedur, logika dan model matematik yang akan memanipulasi data input dan data yang tersimpan di basis data dengan cara tertentu untuk menghasilkan keluaran yang diinginkan. 3. Blok Keluaran (Output Block) Produk dari sistem informasi adalah keluaran yang merupakan informasi yang berkualitas dan dokumentasi yang berguna untuk semua tingkatan manajemen serta semua pemakai sistem. 4. Blok Teknologi (Technology Block) Teknologi merupakan tool box dalam sistem informasi. Teknologi digunakan untuk menerima input, menjalankan model, menyimpan dan mengakses data, menghasilkan dan mngirimkan keluaran dan membantu pengendalian dari sistem secara keseluruhan. Teknologi terdiri dari tiga bagian utama, yaitu teknisi (humanware dan brainware), perangkat lunak (software) dan perangkat keras (hardware). 5. Blok Basis Data (Database Block) Basis data (database) merupakan kumpulan dari data yang saling berhubungan satu dengan yang lainnya, tersimpan di perangkat keras komputer
16
dan digunakan perangkat lunak untuk memanipulasinya. Data perlu disimpan dalam basis data untuk penyediaan informasi lebih lanjut. 6. Blok Kendali (Controls Block) Banyak hal yang dapat merusak sistem infromasi, seperti bencana alam, api, temperatur, air, debu, kecurangan-kecurangan, kegagalan-kegagalan sistem itu sendiri, kesalahan-kesalahan, ketidak efisienan, sabotase dan lain sebagainnya. Beberapa pengendalian perlu dirancang dan diterapkan untuk meyakinkna bahwa hal-hal yang dapat merusak sistem dapat dicegah ataupun bila terlanjur terjadi kesalahan - kasalahan dapat langsung cepat diatasi.
2.5 Konsep Dasar Sistem Pendukung Keputusan (SPK) Pada awal tahun 1970-an, Scott Morton pertama kali mengartikulasikan konsep penting DSS (Decision Support System). Ia mendefinisikan DSS sebagai “sistem berbasis komputer yang interaktif, yang membantu para pengambil keputusan dengan menggunakan data dan berbagai model untuk memecahkan masalah-masalah tidak terstruktur”. DSS adalah sistem berbasis komputer bagi para pengambil keputusan manajemen yang menangani masalah-masalah yang tidak terstruktur (Turban et al. 2005).
17
2.5.1
Pengambilan Keputusan Pengambilan keputusan terdiri dari (Turban et al. 2005):
a.
Masalah Masalah merupakan suatu kondisi yang berpotensi menimbulkan
kerugian-kerugian luar biasa atau menghasilkan keuntungan luar biasa. Tindakan memberi respons terhadap masalah untuk menekan akibat buruknya atau memanfaatkan peluang keuntungannya disebut pemecahan masalah. Pentingnya pemecahan masalah bukan didasarkan pada jumlah waktu yang dihabiskan, tetapi pada konsekuensinya, yaitu apakah pemecahan masalah tersebut bisa menekan sebanyak mungkin kemungkinan kerugian atau memperoleh sebesar mungkin kemungkinan keuntungan. b. Keputusan Keputusan merupakan kegiatan memilih suatu strategi atau tindakan dalam pemecahan masalah tersebut.
2.5.2
Dalil Terkait dengan Pengambilan Keputusan Dalil Al-Qur’an yang terkait dengan pengambilan keputusan adalah:
Berkata Dia (Balqis): "Hai Para pembesar berilah aku pertimbangan dalam urusanku (ini) aku tidak pernah memutuskan sesuatu persoalan sebelum kamu berada dalam majelis(ku)". Mereka menjawab: "Kita adalah orang-orang yang memiliki kekuatan dan (juga) memiliki keberanian yang sangat (dalam
18
peperangan) dan keputusan berada ditanganmu: Maka pertimbangkanlah apa yang akan kamu perintahkan"(QS An-Naml : 32-33).
Selain itu pengambilan
keputusan juga dijelaskan dalam surat Al_baqarah yaitu:
manusia itu adalah umat yang satu. (setelah timbul perselisihan), Maka Allah mengutus Para Nabi, sebagai pemberi peringatan, dan Allah menurunkan bersama mereka kitab yang benar, untuk memberi keputusan di antara manusia tentang perkara yang mereka perselisihkan. tidaklah berselisih tentang kitab itu melainkan orang yang telah didatangkan kepada mereka Kitab, yaitu setelah datang kepada mereka keterangan-keterangan yang nyata, karena dengki antara mereka sendiri. Maka Allah memberi petunjuk orang-orang yang beriman kepada kebenaran tentang hal yang mereka perselisihkann itu dengan kehendak-Nya. dan Allah selalu memberi petunjuk orang yang dikehendaki-Nya kepada jalan yang lurus (QS Al-Baqarah : 312).
2.5.3
Definisi Sistem Penunjang Keputusan Sebuah sistem yang dimaksudkan untuk mendukung para pengambil
keputusan manajerial dalam situasi keputusan semi terstruktur. DSS (Decision Support System) dimaksudkan menjadi alat bantu bagi para pengambil keputusan
19
untuk memperluas kapabilitas mereka, namun tidak untuk menggantikan penilaian mereka. DSS ditujukan untuk keputusan-keputusan yang memerlukan penilaian atau pada keputusan-keputusan yang sama sekali tidak didukung oleh algoritma (Turban et al. 2005). Sistem Penunjang Keputusan secara umum didefinisikan sebagai sebuah sistem yang mampu memberikan kemampuan baik kemampuan pemecahan masalah maupun kemampuan pengkomunikasian untuk masalah semiterstruktur. Secara khusus, SPK didefinisikan sebagai sebuah sistem yang mendukung kerja seorang manajer maupun sekelompok manajer dalam memecahkan masalah semiterstruktur dengan cara memberikan informasi ataupun usulan menuju pada keputusan tertentu (Hermawan, 2005). Dari keterangan para peneliti yang sudah dibahas sebelumnya, dapat disimpulkan bahwa sistem pendukung keputusan adalah suatu sistem yang dibuat untuk membantu dalam pengambilan keputusan yang memerlukan penilaian yang dibangun
atas
perspektif
manajer
untuk
mengatasi
masalah-masalah
semiterstruktur.
2.5.4
Karakteristik dan Kapabilitas Sistem Pendukung Keputusan Ada 14 karakteristik dan kapabilitas SPK, yaitu (Kusrini, 2007):
1.
Dukungan
untuk
pengambil
keputusan,
terutama
pada
situasi
semiterstruktur dan tak terstruktur, dengan menyertakan penilaian manusia dan informasi terkomputerisasi. Masalah-masalah tersebut tidak dapat
20
dipecahkan (atau tidak dapat dipecahkan dengan konvinien) oleh sistem komputer lain atau oleh metode atau alat kuantitatif standar. 2.
Dukungan untuk semua level manajerial, dari eksekutif puncak sampai manajer lini.
3.
Dukungan untuk individu dan kelompok. Masalah yang kurang terstruktur sering memerlukan keterlibatan individu dari departemen dan tingkat organisasional yang berbeda atau bahkan dari organisasi yang lain. DSS mendukung tim virtual melalui alat-alat web kolaboratif.
4.
Dukungan untuk keputusan independen dan atau sekuensial keputusan dapat dibuat satu kali, beberapa kali atau berulang (dalam interval yang sama).
5.
Dukungan di semua fase proses pengambilan keputusan: intelejensi, desain, pilihan dan implementasi.
6.
Dukungan di berbagai proses dan gaya pengambilan keputusan.
7.
Adaptivitas sepanjang waktu. Pengambil keputusan seharusnya reaktif, dapat menghadapi perubahan kondisi secara cepat, dan mampu mengadaptasikan DSS untuk memenuhi perubahan tersebut. DSS bersifat fleksibel dan karena itu pengguna dapat menambahkan, menghapus, menggabungkan, mengubah, atau menyusun kembali elemen-elemen dasar. DSS juga fleksibel dalam hal dapat dimodifikasi untuk memecahkan masalah lain yang sejenisnya.
8.
Pengguna merasa seperti dirumah. Ramah pengguna, kapabilitas grafis yang sangat kuat dan antarmuka manusia-mesin interaktif dengan satu
21
bahasa alami dapat sangat meningkatkan keefektifan DSS. Kebanyakan aplikasi DSS yang baru menggunakan antarmuka berbasis-web . 9.
Peningkatan terhadap keefektifan pengambilan keputusan (akurasi, timeliness dan kualitas) ketimbang pada efisiennya (biaya pengambilan keputusan). Ketika DSS disebarkan, pengambilan keputusan sering membutuhkan waktu lebih lama, namun keputusannya lebih baik.
10.
Kontrol penuh oleh pengambil keputusan terhadap semua langkah proses pengambilan keputusan dalam memecahkan suatu masalah. DSS secara khusus menekankan untuk mendukung pengambilan keputusan, bukannya menggantikan.
11.
Pengguna akhir dapat mengembangkan dan memodifikasi sendiri sistem sederhana. Sistem yang lebih besar dapat dibangun dengan bantuan ahli sistem informasi. Perangkat lunak OLAP dalam kaitannya dengan data warehouse membolehkan pengguna untuk membangun DSS yang cukup besar dan kompleks.
12.
Biasanya model-model digunakan untuk menganalisis situasi pengambilan keputusan. Kapabilitas pemodelan memungkinkan eksperimen dengan berbagai strategi yang berbeda di bawah konfigurasi yang berbeda. Sebenarnya, model-model membuat suatu DSS berbeda dari kebanyakan MIS (Management Information System).
13.
Akses disediakan untuk berbagai sumber data, format, dan tipe, mulai dari sistem informasi geografis sampai sistem berorientasi objek.
22
14.
Dapat dilakukan sebagai alat stand alone yang digunakan oleh seorang pengambil keputusan pada satu lokasi atau didistribusikan di satu organisasi keseluruhan dan di beberapa organisasi sepanjang rantai persediaan. Dapat diintegrasikan dengan DSS lain dan atau aplikasi lain, dan dapat
didistribusikan secara internal
dan eksternal
dengan
manggunakan networking dan teknologi web .
2.5.5 Tujuan Sistem Pendukung Keputusan Tujuan dari SPK adalah (McLeod, 2004): 1.
Membantu pengambil keputusan dalam membuat keputusan untuk memecahkan masalah semi terstruktur.
2.
Mendukung penilaian seorang pengambil keputusan bukan menggantikan keputusan yang akan diambil oleh pengambil keputusan.
3.
Meningkatkan efektifitas dari suatu keputusan, bukan dari sisi efisiensi.
2.5.6
Komponen-komponen Pendukung Keputusan
Aplikasi DSS terdiri dari 4 subsistem (Kusrini, 2007),yaitu: 1.
Subsistem Manajemen Data Subsistem manajemen data memasukkan satu database yang berisi data yang relevan untuk suatu situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen database (DBMS). Subsistem manajemen data bisa diinterkoneksikan dengan data warehouse perusahaan, suatu
23
repositori untuk data perusahaan yang relevan dengan pengambilan keputusan. Biasanya data disimpan atau diakses via server web database. 2.
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. Bahasa-bahasa pemodelan untuk membangun model-model kustom juga dimasukkan. Perangkat lunak itu sering disebut sistem manajemen basis model (MBMS). Komponen ini dapat dikoneksikan ke penyimpanan korporat atau eksternal yang ada pada model. Sistem manajemen dan metode solusi model diimplementasikan pada sistem pengembangan web untuk berjalan pada server aplikasi.
3.
Subsistem Antarmuka Pengguna Pengguna berkomunikasi dengan dan memerintahkan sistem pendukung keputusan melalui subsistem ini. Pengguna adalah bagian yang dipertimbangkan dari sistem. Para peneliti menegaskan bahwa beberapa kontribusi unik dari sistem pendukung keputusan berasal dari interaksi yang intensif antara komputer dan pembuat keputusan. Browser web memberikan struktur antarmuka pengguna grafis yang umum dan konsisten bagi kebanyakan DSS.
4.
Subsistem manajemen berbasis pengetahuan Subsistem tersebut mendukung semua subsistem lain atau bertindak sebagai suatu komponen independen. Ia memberikan intelegensi untuk
24
memperbesar pengetahuan si pengambil keputusan. Subsistem ini bisa diinterkoneksikan dengan repositori pengetahuan perusahaan (bagian dari sistem manajemen pengetahuan), yang kadang-kadang disebut basis pengetahuan organisasional. Pengetahuan dapat disediakan via server web . Banyak metode kecerdasan tiruan diimplementasikan dalam sistem pengembangan web dan mudah untuk diintegrasikan dengan komponen DSS lainnya.
Sistem lainnya yang berbasis komputer
Manajemen Data
Internet, Intranet dan Ekstranet
Manajemen Model
Model Eksternal
Subsistem Berbasis Pengetahuan Antarmuka Pengguna Manager (Pengguna) Basis Pengetahuan Organisasional
Gambar 2.1 Skematik DSS (Kusrini, 2007)
Berdasarkan definisi, DSS harus mencakup tiga komponen utama dari DBMS, MBMS dan antarmuka pengguna. Subsistem manajemen berbasis pengetahuan adalah opsional, namun dapat memberikan banyak manfaat karena memberikan intelegensia bagi tiga komponen utama.
25
2.6 Konsep Dasar Sistem Kecerdasan Pendukung Keputusan Intelligent Decision Support System (IDSS) atau Kecerdasan Sistem Pendukung Keputusan merupakan sistem pendukung keputusan yang menambah komponen berupa basis pengetahuan dengan tujuan untuk membuat DSS menjadi pintar (intelligent). Berbeda dengan sistem pakar, IDSS tetap menghasilkan alternatif solusi yang dijadikan sebagai alat bantu pengambilan keputusan dimana hasil akhir bukan merupakan hasil yang final yang tidak dapat dipertimbangkan kembali. Sedangkan sistem pakar hanya sebuah proses memindahkan kepakaran seseorang pada sebuah program komputer dengan keluaran berupa hasil akhir yang pasti. Pada Gambar 2.2 dapat dilihat diagram alur IDSS dalam menentukan solusi keputusan dengan masukan berupa pengetahuan manusia dan pengukuran lingkungan yang dihimpun menjadi data master atau data utama. Data tersebut akan mengalami proses pembelajaran sebagai dasar pembuatan rules atau aturan pembuatan keputusan. Kemudian dilakukan evaluasi solusi terhadap rules tersebut untuk dijadikan sebagai elternatif keputusan.
Gambar 2.2 Diagram Alir IDSS (Suwarningsih, 2007)
26
Bila solusi tersebut tidak diterima maka proses selanjutnya akan mengalami proses pembelajaran sampai mengulang kembali untuk menghasilkan solusi yang diterima. Bila solusi diterima maka proses selesai (Suwarningsih, 2007).
2.7
Hasil Penelitian IDSS dan DSS sebelumnya Penelitian DSS dan IDSS telah banyak dilakukan orang hampir di seluruh
belahan dunia, termasuk Indonesia. Penelitian DSS dan IDSS tersebut dilakukan semata-mata hanya ingin mengetahui sejauh mana sebuah perusahaan menjalankan komitmennya terhadap pelanggan demi loyalitas pelanggan. Berikut dipaparkan beberapa penelitian DSS dan IDSS yang telah dilakukan dari tahun ke tahun. Tabel 2.1 Hasil Penelitian IDSS dan DSS sebelumnya No 1. 2.
Nama Peneliti Achabal et al Li YH et al
Bidang Inventori Pertanian
Forecasting Forecasting
Metode
3.
Suryadi et al
Pemasaran
(AHP)
2004
4.
Absari
jasa angkutan kota
Clustering
2004
5.
Michalewicz et al
Algoritma optimasi
2005
6.
GAP
2006
7.
Kusrini dan Awaluddin Čižman dan Urh
Transportasi logistic SDM Industri
linear programming
2006
8.
Elghoniemy et al
Industri
2006
9.
Suwarningsih
Pengetahuan
Genetic Algorithm dan Fuzzy Logic Intelligent (AI) Finite automa
10. Tahir et al
Industri
Fuzzy Logic
2008
11. Chern et al
Pemasaran
Forecasting
2008
12. Ismail
Pemasaran
Genetic Algorithm Tabu Search (TS)
dan
Tahun 2000 2003
(GA)
dan
2007
2008
27
13. Hermaduanti Kusumadewi 14. Eliyani et al
dan
kesehatan
K-Nearest Neighbor (KNN)
2008
Jasa Pembelian
Fuzzy Tahani
2009
15. Hamdani
Industri
Rule of Thumb
2010
16. Hasan
Transportasi
Multiclass Transportation Model (MSTEM)
Simultaneous Equilibrium
2.8 Inventory 2.8.1 Pengertian Inventory Setiap perusahaan, apakah perusahaan itu perusahaan perdagangan ataupun perusahaan pabrik serta perusahaan jasa selalu mengadakan persediaan (inventory). Tanpa adanya persediaan, para pengusaha akan dihadapkan pada resiko bahwa perusahaannya pada suatu waktu tidak dapat memenuhi keinginan pelanggan yang memerlukan atau meminta barang/jasa. Persediaan diadakan apabila keuntungan yang diharapkan dari persediaan tersebut hendaknya lebih besar daripada biaya-biaya yang ditimbulkannya. Persediaan adalah suatu aktiva yang meliputi barang-barang milik perusahaan dengan maksud untuk dijual dalam suatu periode usaha yang normal (Assauri, 2004). 2.8.2 Jenis Persediaan (Inventory) Setiap jenis persediaan memiliki karakteristik tersendiri dan cara pengelolaan yang berbeda. Jenis–jenis persediaan dapat dibedakan menjadi lima jenis. (Assauri, 2004).
2010
28
1. Persediaan bahan mentah (raw material stock) Yaitu persediaan dari barang–barang berwujud yang digunakan dalam proses produksi, barang dapat diperoleh dari sumber-sumber alam ataupun dibeli dari supplier atau perusahaan yang menghasilkan bahan baku bagi perusahaan atau pabrik yang menggunakannya. 2. Persediaan bagian produk atau parts yang dibeli (purchased parts/ Component Stock) Yaitu persediaan barang-barang yang terdiri atas parts yang diterima dari perusahaan lain, yang dapat secara langsung diassembling dengan parts lain, tanpa melalui proses produksi sebelumnya. 3. Persediaan bahan–bahan pembantu atau barang–barang perlengkapan (supplies stock). Yaitu persediaan barang-barang atau bahan-bahan yang diperlukan dalam proses produksi untuk membantu berhasilnya produksi atau yang dipergunakan dalam bekerjanya suatu perusahaan tetapi tidak merupakan bagian atau komponen dari barang jadi. 4. Persediaan barang setengah jadi atau barang dalam proses (work in process/ progress work) Yaitu persediaan barang-barang yang keluar dari tiap-tiap bagian dalam satu pabrik atau bahan-bahan yang telah diolah menjadi suatu bentuk, tetapi lebih perlu diproses kembali untuk kemudian menjadi barang jadi.
29
5. Persediaan barang jadi (finished good stock) Yaitu persediaan barang-barang yang telah selesai diproses atau diolah dalam pabrik dan siap untuk dijual kepada pelanggan atau perusahaan lain. Jadi barang jadi ini adalah merupakan produk selesai dan telah siap dijual.
2.8.3 Fungsi Persediaan (Inventory) Persediaan memiliki fungsi-fungsi persediaan yang berbeda-beda. Fungsi– fungsi persediaan (Inventory) yaitu: (Rangkuti, 2004) 1. Batch stock atau Lot size inventory Persediaan lot size ini perlu mempertimbangkan penghematan – penghematan atau potongan pembelian , biaya pengangkutan per unit menjadi lebih murah dan sebagainya. Hal ini disebabkan karena perusahaan melakukan pembelian kuantitas yang lebih besar, dibandingkan dengan biaya–biaya yang timbul karena besarnya persediaan. 2. Fungsi Decoupling Adalah persediaan yang memungkinkan perusahaan dapat memenuhi permintaan langganan tanpa tergantung pada supplier. 3. Fungsi antisipasi Apabila perusahaan menghadapi fluktuasi permintaan yang dapat diperkirakan dan diramalkan berdasar pengalaman atau data-data masa lalu , yaitu permintaan musiman. Dalam hal ini perusahaan dapat mengadakan persediaan musiman (seasional inventories). Di samping itu, perusahaan juga sering menghadapi
30
ketidakpastian jangka waktu pengiriman dan permintaan akan barang selama periode tertentu.
2.9 Konsep Dasar Analisis dan Disain Sistem Informasi 2.9.1 Pengertian Analisis dan Disain Sistem Analisis Sistem merupakan sebuah teknik pemecahan masalah yang menguraikan sebuah sistem menjadi bagian- bagian komponen dengan tujuan mempelajari seberapa bagus bagian-bagian komponen tersebut bekerja dan berinteraksi untuk meraih tujuan mereka. Sedangkan Sistem Desain adalah sebuah teknik pemecahan masalah yang saling melengkapi (dengan Analisis Sistem) yang merangkai kembali bagian-bagian relatif pada sistem yang diperbaiki. Hal ini melibatkan penambahan, penghapusan dan perubahan bagian-bagian relatif pada sistem aslinya (Whitten, 2004).
2.9.2
Pendekatan–pendekatan Analisis Sistem Analisis Sistem merupakan pemecahan dari suatu masalah, banyak
pendekatan dalam menghadapi masalah, oleh karena itu Analisis Sistem mempunyai beberapa pendekatan masalah. Berikut adalah pendekatan masalah dari Analisis Sistem: (Whitten , 2004) 1. Analisis Terstruktur (structured Analysis) Analisis Terstruktur merupakan sebuah teknik model-driven dan berpusat pada proses yang digunakan untuk menganalisis sistem yang ada, mendefinisikan persyaratan-peryaratan bisnis untuk sebuah sistem baru, atau keduanya.
31
2. Teknik Informasi (Information Engineering) Merupakan sebuah teknik model-driven dan berpusat pada data, tetapi sensitif pada proses. Teknik ini digunakan untuk merencanakan, menganalisis, dan mendesain Sistem
Informasi. Model-model ini adalah
gambaran yang
mengilustrasikan dan menyesuaikan data dan proses-proses system. 3. Discovery Prototyping Discovery
Prototyping
adalah
sebuah
teknik
yang
digunakan
untuk
mengidentifikasikan persyaratan-persyaratan bisnis pengguna dengan membuat para pengguna bereaksi pada implementasi quick end dirt (bijaksana dan efektif tapi tanpa cacat atau efek samping yang tidak diinginkan) persyaratan-persyaratan tersebut. 4. Analisis Berorientasi Objek (Object Oriented Analysis) Analisis Berorientasi Objek adalah sebuah teknik yang mengintegrasikan data dan proses kedalam konstruksi yang disebut object. Model-model OOA(Object Oriented Analysis) adalah gambar-gambar yang mengilustrasikan objek-objek sistem dari berbagai macam perspektif, seperti struktur, kelakuan, dan interaksi objek-objek.
2.10
Analisis dan Desain Object Oriented
2.10.1 Pengertian Analisis dan Desain Object Oriented Analisis Object Oriented adalah suatu teknik yang digunakan untuk mempelajari objek-objek yang sudah ada untuk melihat apakah objek-objek itu bisa digunakan kembali atau diadaptasi untuk penggunaan baru, dan
32
mendefinisikan objek-objek baru atau dimodifikasi yang akan digabungkan dengan objek-objek yang ada menjadi aplikasi bisnis yang berguna (Munawar, 2005). Pondasi dasar dari analisis dan desain Object Oriented adalah objek. Selama analisis, kita akan menggunakan objek untuk mengorganisir pengertian kita dengan konteks sistem. Analisis dan desain objek berarti dua hal yang sangat jelas berbeda. Analisis objek menjelaskan fenomena diluar sistem seperti orang dan benda yang secara tipikal. Walaupun kita tidak selalu bisa memerintahkan mereka, kita harus menulis kejadian atau pengalaman yang mereka lakukan. Desain objek menjelaskan fenomena yang ada di dalam sistem yang bisa kita kontrol. Kita menjelaskan tingkah laku mereka sebagai operasi-operasi yang akan dijalankan (Mathiassen et al. 2000).
2.10.2
Objek dan Kelas
Definisi objek adalah sebuah entitas dengan identitas, keadaan, dan tingkah laku. Kelas berguna untuk mengerti tentang objek, dan kelas sangat penting untuk menjelaskan objek. Dari pada menjelaskan masing-masing objek, kita lebih baik mengembangkan deskripsi objek yang berbagi dengan semua objek-objek yang ada dalam kelas yang sama. Pengertian yang lain tentang kelas adalah penjelasan sekumpulan objek yang berbagi stuktur, bentuk behavior (metode) dan atribut. (Mathiassen et al. 2000).
33
2.11
Metode Rational Unified Process (RUP)
RUP adalah proses rekayasa perangkat lunak. Ini jelas mendefinisikan siapa yang bertanggung jawab untuk apa, bagaimana hal tersebut dilakukan, dan kapan harus melakukannya. RUP juga menyediakan struktur yang jelas untuk siklus hidup proyek RUP, jelas mengartikulasikan poin tonggak penting dan keputusan (Booch et al. 2007).
2.11.1 Fase RUP Rational Unified Process itu sendiri dirancang dengan teknik yang mirip dengan yang digunakan dalam desain perangkat lunak. Secara khusus, dimodelkan menggunakan Software Process Engineering Metamodel (SPEM) sebagai standar untuk proses pemodelan berdasarkan Unified Modeling Language (UML) (Kroll dan Kructen, 2003). Gambar 2.1 menunjukkan arsitektur secara keseluruhan dari RUP. Proses ini memiliki dua struktur atau jika Anda membutuhkan dua dimensi:
Gambar 2.3 Arsitektur Rational Unified Process (Kroll dan Kruchten, 2003)
34
Keterangan Gambar 2.1: 1. Struktur dinamis. Dimensi horizontal merupakan struktur dinamis atau dimensi waktu dari proses. Ini menunjukkan bagaimana proses, diungkapkan dalam siklus, tahapan, iterasi-iterasi dan milestones, terbentang selama siklus hidup proyek. 2. Struktur statis. Dimensi vertikal merupakan struktur statis dari proses tersebut. Ini menggambarkan bagaimana proses unsur kegiatan, disiplin, artifacts dan roles secara logis dikelompokkan menjadi disiplin proses inti (atau alur kerja).
2.11.2 Struktur Dinamis RUP Struktur dinamis berhubungan dengan siklus hidup atau dimensi waktu dari
sebuah
proyek.
RUP
menyediakan
pendekatan
terstruktur
untuk
pengembangan iteratif, membagi proyek ke dalam empat fase: Inception, Elaboration, Construction dan Transition. 1.
Inception Membentuk suatu pemahaman yang tepat tentang sistem apa yang ingin dibangun dengan cara mengambil sebuah pemahaman tingkat tinggi dari semua kebutuhan dan menetapkan ruang lingkup sistem. Mengurangi banyak resiko bisnis, menghasilkan kasus bisnis untuk pembangunan sistem dan mendapatkan pembelian dari stakeholders pada pelanjutan proyek tersebut (Kroll dan Kructen, 2003).
35
2.
Elaboration Bertanggung jawab atas tugas-tugas yang paling sulit secara teknis: Desain, pengimplementasian, pengujian dan penetapan garis arsitektur eksekusi,
termasuk
subsistem,
antarmuka,
komponen
kunci
dan
mekanisme arsitektural, seperti bagaimana menangani komunikasi antarproses atau persistensi. Menyebutkan resiko teknis utama, seperti resiko pendapat sumber daya, resiko kinerja, dan resiko keamanan data, dengan menerapkan validasi kode aktual (Kroll dan Kructen, 2003). 3.
Construction Melakukan sebagian besar implementasi saat bergerak dari arsitektur eksekusi ke versi operasional pertama dari sistem anda. Menyebarkan beberapa pelepasan internal dan alpha untuk memastikan bahwa sistem ini dapat digunakan dan menunjukkan kebutuhan pengguna. Fase terakhir dengan mengerahkan sepenuhnya versi beta fungsional dari sistem, termasuk instalasi dan dokumentasi pendukung dan materi pelatihan (meskipun sistem kemungkinan akan masih memerlukan penyetelan fungsionalitas, kinerja dan kualitas secara keseluruhan) (Kroll dan Kructen, 2003).
4.
Transition Memastikan perangkat lunak mewakili kebutuhan penggunanya. Ini meliputi pengujian produk dalam persiapan untuk rilis dan membuat penyesuaian kecil berdasarkan umpan balik pengguna. Pada titik ini dalam lifecycle, fokus utama umpan balik pengguna pada penyetelan produk
36
yang lebih baik, konfigurasi, instalasi dan masalah penggunaan; semua masalah utama struktural seharusnya sudah diselesaikan jauh lebih awal dalam siklus hidup proyek (Kroll dan Kructen, 2003).
2.12
Unified Modeling Language (UML) Pada musim gugur 1995, Ivar Jacobson bergabung dengan perusahaan
Rational. Dengan menggunakan use case dan model interaksi antara objek, meredukasi kekurangan dan sebelumnya serta membawa beberapa ide baru. Ivar Jacobson menyumbangkan pemikiran baru terhadap Unified Method dan kemudian barulah Unified Method berganti nama menjadi Unified Modelling Language (UML), versi 0.9 dan 0.91 diliris pada bulan Juni dan Oktober 1996. UML sendiri pada akhirnya bukan merupakan suatu metode, karena metode sekurang-kuangnya terdiri atas sebuah bahasa pemodelan dan sebuah proses. Bahasa pemodelan merupakan suatu cara menuliskan (terutama dengan gambar metode-metode itu dalam mengekspesikan rancangan-rancangan. Sedangkan proses adalah petunjuk dalam menentukan langkah-langkah apa yang dilakukan dalam mengerjakan sebuah rancangan. UML tidak tergantung dari proses. Pendekatan dalam analisis berorientasi objek dilengkapi dengan alat-alat dan teknik-teknik yang dibutuhkan dalam pengembangan sistem, sehingga hasil akhir dari sistem yang dapat terdefinisi dengan baik dan jelas. Maka analisis berorientasi objek akan dilengkapi dengan alat dan teknik di dalam mengembangkan. (Hariyanto, 2004).
37
Komponen UML ada 9 diagram yaitu: A.
Use Case Diagram.
B.
Class Diagram.
C.
Activity Diagram.
D.
Component Diagram.
E.
Deployment Diagram.
F.
Sequence Diagram.
G.
Collaboration Diagram
H.
Statechart Diagram
2.12.1 Use Case Diagram Use case dibuat berdasarkan keperluan aktor, merupakan “apa” yang dikerjakan sistem, bukan “bagaimana” sistem mengerjakannya. use case diberi nama yang menyatakan apa hal yang dicapai dari hasil interaksinya dengan aktor dan dinotasikan dengan gambar (horizontal ellipse).
Gambar 2.4 Notasi Use Case (Nugroho, 2005) Use case biasanya menggunakan nama use case boleh terdiri atas beberapa kata dan tidak boleh ada use case yang memiliki nama yang sama. Use case diagram tidak boleh terpengaruh urutan waktu, meskipun demikian supaya mudah dibaca penyusunan use case (Nugroho, 2005).
38
a.
Aktor Aktor menggambarkan orang, sistem atau ekstensial entitas/ stakeholder yang
menyediakan atau menerima informasi dari sistem. Aktor adalah entity ekstenal yang berhubungan dengan sistem yang berpartisipasi dalam use case. Seorang aktor secara khusus menggambarkan sistem dengan input atau masukan kejadiankejadian atau menerima sesuatu dari sistem. Tidak boleh ada komunikasi langsung antar aktor dan sebuah aktor jangan digambarkan di tengah-tengah use case. Dan letakan aktor utama pada pojok kiri atas dari diagram. Aktor dilukiskan dengan peran yang mereka mainkan dalam use case, seperti pelanggan, admin, dan lain-lain. Simbol aktor dalam UML digambarkan seperti Gambar 2.4.
Petugas Penjualan Gambar 2.5 Notasi Aktor (Nugroho, 2005)
Dalam use case terdapat satu aktor pemulai dalam awal sistem. Aktor akan sangat berguna untuk mengetahui siapa aktor pemulai tersebut (Nugroho, 2005). Biasanya, aktor merupakan peranan yang dibawa oleh manusia, tetapi tidak menunup kemungkinan bahwa aktor itu adalah sebuah hal dari sebuah sistem, jenis-jenis aktor meliputi: 1. Peranan-peranan yang dimulai oleh orang-orang yang berhubungan dengan sistem. 2. Sistem-sistem komputer.
39
b. Relasi Assosiasi Antar Use Case 1.
<> Digunakan ketika dalam penulisan
use case
yang berbeda terdapat
deskripsi-deskripsi yang sama, maka relasi ini dapat digunakan untuk menghindari penulisan deskripsi yang berulang-ulang. Sebuah use case dapat meng-include fungsionalitas use case lain sebagai bagian dari proses dalam dirinya. Secara umum diasumsikan bahwa use case yang di-include dieksekusi secara normal. Sebuah use case dapat di include oleh lebih dari satu use case lain, sehingga duplikasi fungsionalitas dapat dihindari dengan cara menarik keluar fungsionalitas (Sholiq, 2006). 2.
<<extend>> Sebuah use case juga dapat mengextend use case lain dengan behavior-
nya sendiri. Sementara hubungan generalisasi antar use case menunjukan bahwa use case yang satu merupakan spesifikasi dari yang lain. Ini sedikit mirip dengan Include tetapi jika Extend tidak harus terjadi apa yang diharapkan (Sholiq, 2006). 2.12.2 Activity Diagram (Diagram Aktivitas) Activity Diagram menggambarkan urutan aktivitas-aktivitas, yang mendukung penggambaran tindakan sistem baik yang bersifat kondisional maupun pararel. Tindakan kondisional dilukiskan dengan cabang (branch) dan penyatuan (merge). Sebuah branch (cabang) memiliki sebuah transition masuk atau yang disebut dengan incoming transition dari branch (cabang) yang berupa keputusan-
40
keputusan. Hanya satu dari outgoing transition yang dapat diambil, maka keputusan-keputusan tersebut harus menunjukan bahwa transition”else” tersebut harus digunakan jika semua keputusan yang ada pada branch (cabang) . Sebuah merge (penyatuan) memiliki banyak input transition dan sebuah output. Marge (penyatuan) menandakan akhir dari suatu kondisi yang diawali dengan sebuah branch (cabang). Selain branch (cabang) dan marge (penyatuan), di dalam diagram aktivitas terdapat pula fork dan join. Fork memiliki satu incoming transition dan beberapa outgoing transition. Sedangkan semua state pada incoming transition telah menyelesaikan aktivitasnya (Sholiq, 2006).
2.12.3
Sequence Diagram (Diagram Sequensial) Sequence diagram menggambarkan interaksi antara objek didalam dan
disekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atas dimensi vertikal (waktu) dan dimensi horizontal (objek-objek yang terkait). Sequence diagram bisa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respon dari sebuah event untuk manghasilkan output tertentu. Diawali dari apa yang aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan. Masing-masing objek termasuk aktor memiliki life line vertikal. Message digambarkan sebagai garis berpanah dari satu objek lainya. Pada fase desain berikutnya, massage akan dipetakan menjadi operasi/metode dari garis class (Suhendar, 2002).
41
2.12.4 Class Diagram (Diagram Kelas) Diagram class menjelaskan sekumpulan kelas-kelas dan hubungan strukturalnya. Dalam UML, diagram class merupakan penjelasan sentral analisis dan desain object oriented. Kelas menggambarkan keadaan (atribut/property) suatu sistem sekaligus menawarkan layanan untuk memanipulasi keadaan tersebut. Kelas memiliki tiga area pokok: 1. Nama. 2. Atribut. 3. Metoda. Dalam class dapat diimplementasikan menjadi basisdata. Model-model kelas pada dasarnya diwakili oleh tabel yang mengambil nama kelas. Masingmasing atribut kelas menjadi kolom tabel, dan masing-masing objek diwakili sebagai baris tabel. Terkadang sering ditambahkan kolom yang mengandung referensi unik/primary key setiap objek. Untuk setiap atribut harus diberikan property wilayah nilai, legalitas nilai yang kosong dan kemungkinan menggunakan key (foreign key) (Suhendar, 2002).
2.12.5
Statechart Diagram (Diagram Statechart) Diagram Statechart adalah satu jalan untuk mengkarakterisasi perubahan
dalam sistem
dalam hal ini adalah objek-objeknya berubah status dalam
merespon kejadian dan waktu. Diagram Statechart penting untuk diterapkan, sebab diagram statechart akan membantu analisis, desainer dan pengembang
42
untuk mengerti behaviour objek-objek yang ada didalam sistem. Diagram class hanya menunjukkan aspek statis dari sistem. Diagram class menunjukan hirarki dan asosiasi dan juga behaviour, akan tetapi tidak menunjukan detail dinamis dari behavior. Dalam UML, state digambarkan berbentuk segiempat dengan sudut membulat dan memiliki nama sesuai dengan kondisi saat itu. Transisi antara state umumnya memiliki kondisi yang merupakan syarat terjadinya transisi yang bersangkutan, ditulis dalam kurung siku. Aksi yang dilakukan dari kejadian tertentu dituliskan dengan diawali garis miring. Titik awal dan akhir digambar berbentuk lingkaran berwarna penuh dan berwarna setengah (Suhendar, 2002).
2.12.6 Component Diagram (Diagram Komponen) Diagram komponen menunjukkan model secara fisik komponen perangkat lunak pada sistem dan hubungannya antar mereka. Ada dua tipe komponen dalam diagram yaitu komponen exutable dan kode pustaka (libraries code). Masing– masing kelas dalam model akan dipetakan ke sebuah komponen kode pustaka. Setelah komponen dibuat, mereka ditambahkan dalam diagram komponen dengan memberi relasi antar komponen. Relasi yang terjadi antara komponen hanya satu tipe relasi yaitu dependensi yang menunjukkan ketergantungan compile-time dan run-time antara komponen-komponen tersebut (Suhendar, 2002).
2.12.7 Deployment Diagram Diagram deployment menampilkan rancangan fisik jaringan dimana berbagai komponen akan terdapat di sana. Deployment/ physical diagram
43
menggambarkan detail bagaimana komponen di sebar dalam infrastruktur sistem, di mana komponen akan terletak (pada mesin, server atau piranti keras apa), bagaimana kemampuan jaringan pada lokasi tersebut, spesifikasi server dan halhal lain yang bersifat fisikal. Sebuah node adalah server, workstation atau piranti keras lain yang digunakan untuk mennyebar
komponen dalam lingkungan
sebenarnya. Hubungan antar node (misalnya TCP/IP) dan requirement dapat juga didefinisikan dalam diagram ini (Suhendar, 2002).
2.13 Metode SKPK (Sistem Kecerdasan Pendukung Keputusan) 2.13.1 MCDM (Multi Criteria Decision Making) Untuk kelas dari masalah keputusan yang ” kompleks ” Multiple Criteria Decision Making
(MCDM), digunakan karena skala, kumpulan data, dan
pembingkaian rumit satu model formal adalah permintaan, varian efisien , dan antara itu varian yang paling diutamakan (keputusan), dapat diperoleh dengan bantuan dari metode exact optimization. Ini diperlukan model tersebut harus dikemas ke satu paket exact optimization, yang pasti menghindari populer, penggunaan dokumen dan tersebar luas pada metode MCDM (Kaliszewski dan Miroforidis, 2009).
2.13.1.1 Konsep Dasar MCDM Pada dasarnya, proses MADM dilakukan melalui 3 tahap, yaitu penyusunan komponen-komponen situasi, analisis dan sintesis informasi. Pada tahap penyusunan komponen, komponen situasi, akan dibentuk tabel taksiran
44
yang berisi identifikasi alternatif dan spesifikasi tujuan, kriteria dan atribut. Salah satu cara untuk menspesifikasikan tujuan situasi | , i=1,…,t| adalah dengan cara mendaftar konsekuensi-konsekuensi yang mungkin dari alternatif yang telah teridentifikasi | digunakan |
|. Selain itu juga disusun atribut-atribut yang akan .
Tahap analisis dilakukan melalui dua langkah. Pertama, mendatangkan taksiran dari besaran yang potensial, kemungkinan, dan ketidakpastian yang berhubungan dengan dampak-dampak yang mungkin pada setiap alternatif. Kedua, meliputi pemilihan dari ketidakpastian terhadap resiko yang timbul. Pada langkah pertama, beberapa metode menggunakan fungsi distribusi |
| yang
menyatakan probabilitas kumpulan atribut | | terhadap setiap alternative | |. Kosekuen juga dapat ditentukan secara langsung tersedia. Demikian pula, ada beberapa cara untuk menentukan preferensi pengambil keputusan pada setiap konsekuen yang dapat dilakukan pada langkah kedua. Metode yang paling sederhana adalah untuk menurunkan bobot atribut dan criteria adalah dengan fungsi utilitas atau penjumlahan terbobot (Kusumadewi et al. 2006). Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah MCDM, antara lain (Kusumadewi et al. 2006): a. Simple Additive Weighting Method (SAW). Metode SAW sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW membutuhkan
45
proses normalisasi matriks keputusan (X) ke sesuatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. b. Weighted Product (WP). Metode WP menggunakan perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot atribut yang bersangkutan. c. ELECTRE. ELECTRE (Elimination Et Choix TRaduisant la realit ) didasarkan pada konsep perangkingan melalui perbandingan berpasangan antar alternative pada kriteria yang sesuai. Suatu alternatif dikatakan mendominasi alternatif yang lainnya jika satu atau lebih kriterianya melebihi (dibandingkan dengan kriteria dari alternatif yang lain) dan sama dengan kriteria lain yang tersisa. Hubungan perankingan antara 2 alternatif
dan
dinotasikan sebagai
jika
alternatif ke-k tidak mendominasi alternatif ke-l secara kuantitatif, sehingga mengambil keputusan lebih baik mengambil resiko
daripada
.
d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). TOPSIS didasarkan pada konsep dimana alternatif terpilih yang terbaik tidak hanya memiliki jarak terpendek dari solusi ideal positif, namun juka memiliki jarak terpanjang dari solusi ideal negatif. Konsep ini banyak digunakan pada beberapa model
MCDM untuk menyelesaikan masalah keputusan cara
praktis. Hal ini disebabkan konsepnya sederhana dan mudah dipahami, komputasinya efisien dan memiliki kemampuan untuk mengukur kerja relatif dari alternati –alternatif keputusan dalam bentuk sistematis yang sederhana.
46
Secara umum, prosedur TOPSIS mengikuti langkah–langkah yaitu: 1. Membuat matriks keputusan yang ternormalisasi. 2. Membuat matriks keputusan yang ternormalisasi terbobot. 3. Menentukan matriks solusi ideal positif dan matriks solusi ideal negatif. 4. Menentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif dan matriks solusi ideal negatif. 5. Menentukan nilai preferensi untuk setiap alternatif. e. Analytic Hierarchy Process (AHP). Metode AHP merupakan salah satu model untuk pengambilan keputusan yang dapat membantu kerangka berfikir manusia. Metode ini mula-mula dikembangkan oleh Thomas L. Saaty pada tahun 70-an. Dasar berpikirnya metode AHP adalah proses membentuk skor secara numerik untuk menyusun rangking setiap alternatif keputusan berbasis pada bagaimana sebaiknya alternatif itu dicocokkan dengan kriteria pembuat keputusan. Adapun struktur hirarki AHP
ditampilkan pada Gambar 2.6 (Supriyono et al. 2007). Gambar 2.6 Struktur Hirarki (Supriyono et al. 2007)
47
Adapun langkah-langkah metode AHP adalah: 1. Menentukan jenis-jenis kriteria yang akan menjadi persyaratan calon pejabat struktural. 2. Menyusun kriteria-kriteria tersebut dalam bentuk matriks berpasangan. 3. Menjumlah matriks kolom. 4. Menghitung nilai elemen kolom kriteria dengan rumus masing-masing elemen kolom dibagi dengan jumlah matriks kolom. 5. Menghitung nilai prioritas kriteria dengan rumus menjumlah matriks baris hasil langkah ke 4 dan hasilnya 5 dibagi dengan jumlah kriteria. 6. Menentukan alternatif-alternatif yang akan menjadi pilihan. 7. Menyusun alternatif-alternatif yang telah ditentukan dalam bentuk matriks berpasangan untuk masing-masing kriteria. Sehingga akan ada sebanyak n buah matriks berpasangan antar alternatif. 8. Masing-masing matriks berpasangan antar alternatif sebanyak n buah matriks, masing-masing matriksnya dijumlah per kolomnya. 9. Menghitung nilai prioritas alternatif masing-masing matriks berpasangan antaralternatif dengan rumus seperti langkah 4 dan langkah 5. 10. Menguji konsistensi setiap matriks berpasangan antar alternatif dengan rumus masing-masing elemen matriks berpasangan pada langkah 2 dikalikan dengan nilai prioritas kriteria. Hasilnya masing-masing baris dijumlah, kemudian hasilnya dibagi dengan masing-masing nilai prioritas kriteria sebanyak n ,
,
,.....,
11. Menghitung Lamda max dengan rumus
max =
.
48
12. Menghitung CI dengan rumus : CI = 13. Menghitung CR dengan rumus : CR =
. dimana RI adalah nilai yang berasal
dari tabel random seperti tabel 2.2.
Tabel 2.2 RI / Nilai Random (Supriyono et al. 2007)
Jika CR < 0,1 maka nilai perbandingan berpasangan pada matriks kriteria yang diberikan konsisten. Jika CR > 01, maka nilai perbandingan berpasangan pada matriks kriteria yang diberikan tidak konsisten. Sehingga jika tidak konsisten, maka pengisian nilai-nilai pada matriks berpasangan pada unsur kriteria maupun alternatif harus diulang. 14. Menyusun matriks baris antara alternatif dan kriteria yang isinya hasil perhitungan proses langkah 7, langkah 8 dan langkah 9. 15. Hasil akhirnya berupa prioritas global sebagai nilai yang digunakan oleh pengambil keputusan berdasarkan skor yang tertinggi.
2.13.2 FMADM (Fuzzy Multi-Attribut Decision Making) Fuzzy Multiple Attribute Decision Making (FMADM) adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Inti dari FMADM adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan. Pada dasarnya, ada 3 pendekatan
49
untuk mencari nilai bobot atribut, yaitu pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif & obyektif. Masing-masing 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 matematis sehingga mengabaikan subyektifitas dari pengambil keputusan (Wibowo et al. 2009). Ada beberapa metode yang dapat digunakan untuk mnyelesaikan masalah FMADM. Antara lain (Wibowo et a. 2009): a. Simple Additive Weighting Method (SAW) b. Weighted Product (WP) c. ELECTRE d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) e. Analytic Hierarchy Process (AHP)
2.13.2.1 Algoritma FMADM Algoritma FMADM adalah (Wibowo et al. 2009): 1. Memberikan nilai setiap alternatif (Ai) pada setiap kriteria (Cj) yang sudah ditentukan, dimana nilai tersebut di peroleh berdasarkan nilai crisp; i=1,2,…m dan j=1,2,…n. 2. Memberikan nilai bobot (W) yang juga didapatkan berdasarkan nilai crisp.
50
3. Melakukan normalisasi matriks dengan cara menghitung nilai rating kinerja ternormalisasi (rij) dari alternatif Ai pada atribut Cj berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan atau benefit =MAKSIMUM atau atribut biaya atau cost =MINIMUM). Apabila berupa artibut keuntungan maka nilai crisp (Xij) dari setiap kolom atribut dibagi dengan nilai crisp MAX (MAX Xij) dari tiap kolom, sedangkan untuk atribut biaya, nilai crisp MIN (MIN Xij) dari tiap kolom atribut dibagi dengan nilai crisp (Xij) setiap kolom. 4. Melakukan proses perankingan dengan cara mengalikan matriks ternormalisasi (R) dengan nilai bobot (W). 5. Menentukan nilai preferensi untuk setiap alternatif (Vi) dengan cara menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot (W). Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih.
2.13.3 Forecasting Peramalan adalah estimasi nilai variabel pada beberapa titik waktu di masa depan. Latihan peramalan biasanya dilakukan dalam rangka memberikan bantuan untuk masa depan pengambilan keputusan dan perencanaan di daerah tertentu (Ismail, 2008). Di pasar kita saat ini, kita memiliki berbagai alat pengambilan keputusan dalam membuat analisis khususnya di bidang peramalan (Forecasting). Aplikasi alat peramalan ini termasuk dalam perencanaan produksi dan kontrol peramalan permintaan produk memungkinkan kita untuk mengontrol stok bahan
51
baku dan barang jadi, rencana jadwal produksi, kontrol utilitas dan sebagainya (Ismail, 2008). Terdapat dua pendekatan umum peramalan yaitu analisis kuantitatif dan kualitatif. Analisis kuantitatif menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan. Sedangkan peramalan kualitatif menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi dan sistem nilai pengambil keputusan untuk meramal. Didalam metode kuantitatif terdapat dua katagori yaitu model time-series dan model asosiatif. Model time-series membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu dan metode yang digunakan adalah pendekatan naif, rata-rata bergerak, penghalusan eksponensial dan proyeksi tren. Sedangkan model
asosiatif
menggabungkan
variabel
atau
faktor
yang
mungkin
mempengaruhi kuantitas yang sedang diramalkan dan metode peramalannya adalah regresi linear. Menganalisis model time-series berarti membagi data masa lalu menjadi komponen–komponen kemudian memproyeksikannya ke masa depan. Model time-series memiliki empat komponen yaitu (Heizer dan Render, 2006): 1. Tren. Merupakan pergerakan data sedikit demi sedikit meningkat atau menurun. 2. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan atau kuartal.
52
3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun . siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. 4. Variasi acak merupakan satu titik khusus dalam data, yang disebabkan oleh peluang dan situasi yang tidak biasa. Variasi acak tidak mempunyai pola khusus, jadi tidak dapat diprediksi. Pada model time-series terdapat Metode–metode utama yang biasa digunakan untuk peramalan, Metode–metode tersebut yaitu (Heizer dan Render, 2006): 1. Pendekatan Naif Cara yang paling sederhana untuk meramal adalah dengan berasumsi bahwa permintaan di periode mendatang akan sama dengan permintaan pada periode terakhir. Pendekatan naïf ini merupakan model peramalan objektif yang paling efektif dan efisien dari segi biaya. Pendekatan naïf memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih. 2. Rata-rata Bergerak Peramalan rata-rata bergerak (moving average) mengunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan. Rata-rata bergerak berguna jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita ramalkan. 3. Penghalusan Eksponensial Penghalusan eksponensial (exponential smoothing) merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih,
53
namun masih mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan data masa lalu. Rumus penghalusan eksponensial dasar dapat ditunjukan sebagai berikut: Peramalan baru = peramalan periode lalu +
(permintaan aktual
periode lalu – peramalan periode lalu) Diman
adalah sebuah bobot atau konstanta penghalusan (smoothing
constant), yang dipilih oleh peramal yang mempunyai nilai antara 0 dan1. Dan dapat ditulis secara matematis sebagai : = Di mana
+ (
-
)
= peramalan baru = peramalan sebelumnya = konstanta penghalusan (pebobot) (0
1)
= permintaan actual periode lalu Prediksi terakhir permintaan sama dengan prediksi lama, disesuaikan dengan sebagian dari diferensiasi permintaan actual periode lalu dengan prediksi lama. 4. Proyeksi Tren Teknik ini mencocokkan garis tren pada serangkaian data masa lalu dan kemudian memproyeksikan garis pada masa datang untuk peramalan jangka menengah atau jangka panjang. Beberapa persamaan tren matematis dapat dikembangkan (sebagai contoh, eksponensial atau kuadratis).
54
2.14
PHP (Hipertext Prepocessor) PHP (PHP Hypertext Preprocessor) merupakan bahasa pemrograman web
yang bersifat server side (bekerja di sisi server). PHP merupakan script yang menyatu dengan HTML dan berada pada server (server side HTML embedded scripting). PHP banyak dipakai untuk memprogram situs web dinamis, meskipun tidak menutup kemungkinan untuk membuat aplikasi-aplikasi lain yang berbasis web . Dinamis berarti halaman yang akan ditampilkan dibuat saat halaman itu diminta oleh client. Mekanisme ini menyebabkan informasi yang diterima client selalu yang terbaru up to date. Semua script PHP dieksekusi pada server dimana script tersebut dijalankan. PHP pertama kali dibuat oleh Rasmus Lerdorf pada tahun 1995. Pada waktu itu PHP masih bernama FI (Form Interpreted), yang wujudnya berupa sekumpulan script yang digunakan untuk mengolah data form dari web . Selanjutnya
Rasmus
merilis
kode
sumber
tersebut
untuk
umum
dan
menamakannya PHP/FI, kependekan dari Hypertext Preprocessing/ Form Interpreter. Dengan perilisan kode sumber ini menjadi open source, maka banyak programmer yang tertarik untuk ikut mengembangkan PHP. Pada November 1997, dirilis PHP/FI 2.0. Pada rilis ini interpreter PHP sudah diimplementasikan dalam program C. Dalam rilis ini disertakan juga modul-modul ekstensi yang meningkatkan kemampuan PHP/FI secara signifikan. Pada tahun 1997, sebuah perusahaan bernama Zend menulis ulang interpreter PHP menjadi lebih bersih, lebih baik dan lebih cepat. Kemudian pada Juni 1998, perusahaan tersebut merilis interpreter baru untuk PHP dan meresmikan rilis
55
tersebut sebagai PHP 3.0. Pada pertengahan tahun 1999, Zend merilis interpreter PHP baru dan rilis tersebut dikenal dengan PHP 4.0. PHP 4.0 adalah versi PHP yang paling banyak dipakai pada awal abad ke-21. Versi ini banyak dipakai disebabkan kemampuannya untuk membangun aplikasi web
kompleks tetapi
tetap memiliki kecepatan dan stabilitas yang tinggi. Pada Juni 2004, Zend merilis PHP 5.0. Dalam versi ini, inti dari interpreter PHP mengalami perubahan besar. Versi ini juga memasukkan model pemrograman berorientasi objek ke dalam PHP untuk menjawab perkembangan bahasa pemrograman ke arah paradigma berorientasi objek (Hakim, 2008). PHP1 Selamat Datang di PHP
2.15 MySQL MySQL adalah sebuah server database SQL multi user dan multithreaded. SQL sendiri adalah salah satu bahasa database yang paling populer di dunia. Implementasi program server database ini adalah program daemon 'mysqld' dan beberapa program lain serta beberapa pustaka. MySQL dibuat oleh
56
TcX dan telah dipercaya mengelola sistem dengan 40 buah database berisi 10,000 tabel dan 500 di antaranya memiliki 7 juta baris (kira-kira 100 gigabyte data). Database ini dibuat untuk keperluan sistem database yang cepat, handal dan mudah digunakan. Walaupun memiliki kemampuan yang cukup baik, MySQL untuk sistem operasi Unix bersifat freeware dan terdapat versi shareware untuk sistem operasi Windows. Sistem database MySQL memiliki sistem sekuritas dengan tiga verifikasi yaitu user (name), password dan host. Verifikasi host memungkinkan untuk membuka keamanan di 'localhost', tetapi tertutup bagi host lain (bekerja di lokal komputer). Sistem keamanan ini ada di dalam database mysql dan pada tabel user. Proteksi juga dapat dilakukan terhadap database, tabel, hingga kolom secara terpisah (Kadir, 2005).
BAB III METODE PENELITIAN
3.1 Metode Pengumpulan Data 3.1.1 Observasi Pengumpulan data secara observasi dilakukan dengan cara mengamati obyek yang akan diteliti secara langsung. Data yang dikumpulkan merupakan data primer yang didapat dari obyek penelitian yang berada di CV. Jaya Mandiri pada Bagian Purchasing. Hal ini perlu dilakukan agar peneliti dapat melakukan analisis terhadap sistem yang telah berjalan serta menentukan rancangan sistem baru. Waktu Tempat
: 7 Mei – 10 Mei 2010 : CV. Jaya Mandiri, Jl.Villa Mutiara Gading 2 Blok X No. 43 Bekasi Timur.
Dari observasi yang telah dilakukan, ditemukan bahwa CV. Jaya Mandiri belum memiliki sistem Kecerdasan Pendukung keputusan mengenai pengiriman barang berbasis web. Pengelolaan pengiriman barang masih dilakukan secara manual sehingga sulit mengatasi permasalahan yang ada.
3.1.2 Wawancara Teknik wawancara dilakukan dengan cara mewawancarai orang yang terlibat dalam CV. Jaya Mandiri, seperti bapak Abdul Aziz selaku Owner. Dalam memperoleh informasi dari interview, diperlukan sebuah panduan wawancara (interview guide) agar dalam prosesnya lebih teratur dengan hasil wawancara 57
58
terlampir. Setelah mengadakan wawancara terhadap pihak CV. Jaya Mandiri ditemukan suatu masalah yaitu: 1. Belum tersedianya Intelligent Decision Support System dalam Pengiriman Barang.
2. Belum tersedianya sistem yang mampu meningkatkan akurasi perkiraan permintaan pelanggan. 3. Belum tersedianya sistem yang dapat memberikan keputusan pemilihan kendaraan berdasarkan besar muatan barang dan jarak yang akan dikirim berdasarkan kriteria yang telah ditentukan. Dari masalah yang telah di dapat dari hasil wawancara, maka diperlukan sebuah media atau sistem yang dapat memberikan informasi pendukung keputusan kepada CV. Jaya Mandiri berbasis web. Dengan adanya sistem tersebut dapat meningkatkan loyalitas pelanggan pada CV. Jaya Mandiri. Selain ditemukannya suatu masalah dari wawancara, diperoleh juga suatu data sekunder yang diberikan oleh Owner, seperti PO oleh customer atau mitra dan data job desk pegawai CV. Jaya Mandiri. Wawancara dilakukan pada tanggal 10 Mei 2010 di kantor CV. Jaya Mandiri yang berlokasi di Jl.Villa Mutiara Gading 2 Blok X No. 43 Bekasi Timur.
3.1.3 Studi Kepustakaan Studi kepustakaan dilakukan dengan mempelajari teori-terori yang berhubungan dengan IDSS. Teori-teori tersebut berasal dari buku, jurnal dan internet. Buku-buku yang digunakan antara lain Decision Support Systems and Intelligent Systems, The Unified Modelling Language User Guide, Fuzzy MADM,
59
, dan lain sebagainya. Selain itu, penelitian ini juga dilakukan guna memperoleh literatur dari penelitian IDSS yang terdahulu dengan mempelajarinya untuk memperoleh kelebihan dan kelemahan yang terdapat dalam penelitian tersebut. Dengan cara yang demikian, penelitian terdahulu dapat dijadikan referensi dalam penggunaan metode yang akan diteliti.
3.2.
Metode Pengembangan Sistem
3.2.1 RUP Dalam melakukan penelitian terhadap pengembangan sistem kecerdasan pendukung keputusan, dilakukan beberapa tahapan pada pengembangan RUP yaitu: 1. Inception Pada tahap ini dilakukan analisis kebutuhan fungsional dan non-fungsional yang terdapat pada kecerdasan sistem pendukung keputusan. Analisis tersebut digambarkan dalam diagram rich picture dan use case mengenai proses bisnis sistem pada perusahaan CV. Jaya Mandiri. 2. Elaboration Pada tahap ini dilakukan analisis dan disain sistem kecerdasan pendukung keputusan dan menetapkan base line untuk kasus pada CV. Jaya Mandiri. Analisis dan desain tersebut digambarkan dalam diagram-diagram yaitu usecase diagram (mengenai gambaran sistem yang akan dibuat dan digunakan), class diagram, sequence diagram, activity diagram, state chart diagram, collaboration diagram,
60
deployment diagram dan component diagram. Selanjutnya merencanakan fase berikutnya yaitu fase Construction. 3. Construction Setelah membuat sebuah rancangan sistem, kemudian mengimplementasikan rancangan tersebut dalam bentuk sistem jadi. Pada tahap menjelaskan bagaimana membuat sebuah sistem jadi dengan menerapkan rancangan sebelumnya. Tahapan ini melakukan pengkodingan program pada suatu sistem. Bahasa pemograman yang digunakan untuk Sistem Kecerdasan Pendukung Keputusan pada CV. Jaya Mandiri adalah PHP dan databasenya adalah MySQL. 4. Transition Setelah melakukan implementasi sistem, tahapan selanjutnya adalah pengujian sistem yang telah selesai. Pada tahapan ini menganalisis apakah sistem yang dibuat telah sesuai dengan kebutuhan sistem yang diusulkan sebelumnya. Untuk menganalisis sistem ini menggunakan tabel black box.
3.3 Metode Analisis IDSS 3.3.1 MCDM (Multi Criteria Decision Making) MCDM merupakan metode pengambilan keputusan untuk menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan kriteria tertentu. Pada studi kasus CV. Jaya Mandiri, metode MCDM yang digunakan adalah metode AHP (Analytic Hierarchy Process). Konsep metode AHP adalah merubah nilai-nilai kualitatif menjadi nilai kuantitatif sehingga keputusan-keputusan yang diambil bisa lebih obyektif dan sangat sesuai dengan pengambilan keputusan pada kasus
61
pemilihan kendaraan pengiriman barang ini. Metode
AHP mempunyai
kemampuan untuk memecahkan masalah yang diteliti multi obyek dan multi kriteria yang berdasar pada perbandingan preferensi dari tiap elemen dalam hierarki. Jadi model ini merupakan model yang komperehensif. Pembuat keputusan menetukan pilihan atas pasangan perbandingan yang sederhana, membangun semua prioritas untuk urutan alternatif kendaraan pada CV. Jaya Mandiri.
3.3.2 FMADM (Fuzzy Multiple Attribute Decission Making) Metode Fuzzy Multi Atribut Decision Making (FMADM) sebagai acuan dalam pengambilan keputusan untuk memilih strategi yang paling tepat dalam pengambilan keputusan pemilihan barang. Fuzzy Multiple Attribute Decision Making (FMADM) merupakan metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria yang telah ditentukan dalam sistem ini. Inti dari FMADM adalah menentukan nilai bobot untuk setiap kriteria, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif kendaraan yang sudah diberikan. Metode yang digunakan pada FMADM ini adalah metode Fuzy Saw (Simple Additive Weighting). Metode Fuzy Saw ini dipilih karena metode ini menentukan nilai bobot untuk setiap kriteria dan nilai angka diubah ke dalam bentuk bilangan fuzzy lalu dilakukan pengelompokan untuk diubah kebentuk bilangan crips atau bilangan angka dan selanjutnya dengan proses perankingan yang akan menyeleksi alternatif terbaik dari sejumlah alternatif, dalam hal ini alternatif yang dimaksud adalah
62
kendaraan jenis apa dari 3 alternatif jenis kendaraan CV. Jaya Mandiri yang berhak mengirim barang berdasarkan kriteria-kriteria yang ditentukan. Dengan metode perangkingan tersebut, diharapkan penilaian akan lebih tepat karena didasarkan pada nilai kriteria dan bobot yang sudah ditentukan sehingga mendapatkan hasil yang lebih akurat.
3.3.3 Forecasting Metode peramalan merupakan cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Dengan kata lain metode peramalan yang bersifat objektif. Di samping itu metode peramalan memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan sehingga bila digunakan pendekatan yang sama dalam suatu permasalahan dalam suatu kegiatan peramalan akan dapat dasar pemikiran dan pemecahan yang sama. Pada kasus CV. Jaya Madiri ini, metode peramalan yang akan digunakan adalah metode pemulusan eksponensial karena metode ini cocok untuk meramal data yang fluktuatif sesuai dengan keadaan pada CV. Jaya Mandiri.
63
3.4
Kerangka Berpikir Penelitian Gambaran dari kerangka berpikir penelitian dijelaskan pada Gambar 3.1.
Start
Observasi
Wawancara
Mengumpulkan Data
Merancang Model
Studi Literatur
MCDM (Kusumadewi et al. 2006)
AHP
FMADM (Kusumadewi et al. 2006)
Fuzzy Saw
Forcasting
Smoothing Exponential
Inception Merancang Sistem IDSS
Rational Unified Process (RUP) (Kroll dan Kructen, 2003)
Elaboration Contraction
Transition
Finish
Gambar 3.1 Kerangka Berpikir Penelitian
BAB IV HASIL DAN PEMBAHASAN
4.1
Analisis Pershitungan Metode pada SKPK
4.1.1
Analisis Perhitungan pada Metode Pemulusan Eksponensial Metode Single Exponential Smoothing lebih cocok digunakan untuk
meramal hal–hal yang fluktuasinya secara random (tidak teratur). Pada metode ini dilakukan perhitungan terhadap 1 jenis barang yaitu “benang obras ukuran sedang”. Pada metode peramalan ini digunakan metode pemulusan eksponensial. Pada metode ini data tidak mengandung trend dan jangka waktu yang pendek. Pada tahap awal untuk menetukan apakah termasuk metode pemulusan eksponensial atau tidak, kita bisa melihat dari plot datanya Tabel 4.1: Tabel 4.1 Data Permintaan Barang Tahun 2009 No
Tanggal
Permintaan
1
Jan
1453
2
Feb
1457
3
Mar
1459
4
Apr
1454
5
Mei
1457
6
Jun
1459
7
Jul
1456
8
Agus
1459
9
Sep
1461
10
Okt
1457
11
Nov
1460
12
Des
1462
64
65
Gambar 4.1 Grafik Permintaan Tahun 2009
Dari data Gambar 4.1 menjelaskan data permintaan yang naik turun tapi tidak signifikan maka dari itu data tersebut dapat disimpulkan merupakan pola data musiman dan menggunakan metode pemulusan eksponensial. Tahap selanjutnya adalah menggunakan rumus untuk menentukan data peramalan. Rumus metode pemulusan eksponensial adalah:
Ft 1 X t 1 Ft dengan: Ft+1
:
ramalan untuk periode waktu t + 1
Xt
:
data pada periode waktu t
Ft
:
ramalan untuk periode waktu t
Karena nilai F1 tidak diketahui, kita dapat menggunakan nilai observasi atau nilai permintaan pertama (X1) sebagai ramalan (F1 = X1). Dalam metode ini nilai α bisa
66
ditentukan secara bebas yang bisa mengurangi forecast error, yaitu antara 0 dan 1. Pada perhitungan ini menggunakan nilai nilai F2 dengan nilai dengan
0.3; 0.6; 0,9:
= 0,3:
F2 X 1 1 F1 = (0,3 . 1453)+ ((1-0,3) . 1453) = 0.3 . 1453+ 0.7 . 1453 = 1453 dengan
= 0.6:
= 0,6. 1453 + (1-0,3) . 1453 = 0,6 . 1453+ 0,4 . 1453 = 1453. dengan
= 0.9:
= 0.9 . 1453+ (1-0.9) . 1453 = 0.9 . 1453+ 0.1 . 1453 = 1453.
0.3; 0.6; 0,9. Selanjutnya menentukan
67
Sehingga setelah dihitung seluruh data dengan nilai Tabel 4.2 Tabel Ramalan nilai No Tanggal Permintaan
Ramalan α= 0.3
= 0.3; 0.6; 0.9 adalah:
= 0.3; 0.6; 0.9 Ramalan α= 0.6
Ramalan α= 0.9
1
Jan
1453
1453
1453
1453
2
Feb
1457
1453
1453
1453
3
Mar
1459
1454.2
1455.4
1456.6
4
Apr
1454
1455.64
1457.56
1458.76
5
Mei
1457
1455.148
1455.424
1454.476
6
Jun
1459
1455.7036
1456.3696
1456.7476
7
Jul
1456
1456.69252
1457.94784
1458.77476
8
Agus
1459
1456.484764
1456.779136
1456.277476
9
Sep
1461
1457.239335
1458.111654
1458.727748
10
Okt
1457
1458.367534
1459.844662
1460.772775
11
Nov
1460
1457.957274
1458.137865
1457.377277
12
Des
1462
1458.570092
1459.255146
1459.737728
68
Grafik berdasarkan data perhitungan pada Tabel 4.2 adalah:
Gambar 4.2 Grafik permintaan dan Peramalan nilai
= 0.3; 0.6; 0.9
Setelah mendapatkan hasil peramalannya, selanjutnya menentukan nilai kesalahan dari peramalan dari masing-masing
= 0.3; 0.6; 0.9 dengan menggunakan MAD
(Mean Absolute Deviation), MSE (Mean Squared Error) dan MAPE (Mean Absolute Percent Error). Untuk menghitung nilai MAD (Mean Absolute Deviation) kita menggunakan rumus MAD yaitu:
MAD = Keterangan: Aktual
= Nilai permintaan barang
Peramalan
= Nilai hasil perhitungan dari nilai aktual berdasarkan nilai alfa
n
= Banyaknya bulan dalam satu tahun yaitu 12 bulan
69
Tabel 4.3 Perhitungan Nilai Kesalahan Nilai MAD (Mean Absolute Deviation) No
Tanggal
Permintaan
Ramalan α= 0.3
Deviasi Absolut α= 0.3
Ramalan α= 0.6
Deviasi Absolut α=0.6
Ramalan α= 0.9
1
Jan
1453
1453
0
1453
0
1453
0
2
Feb
1457
1453
4
1453
4
1453
4
3
Mar
1459
1454.2
4.8
1455.4
3.6
1456.6
2.4
4
Apr
1454
1455.64
1.64
1457.56
3.56
1458.76
4.76
5
Mei
1457
1455.148
1.852
1455.424
1.576
1454.476
2.524
6
Jun
1459
1455.7036
3.2964
1456.3696
2.6304
1456.7476
2.2524
7
Jul
1456
1456.69252
0.69252
1457.94784
1.94784
1458.77476
2.77476
8
Agus
1459
1456.484764
2.515236
1456.779136
2.220864
1456.277476
2.722524
9
Sep
1461
1457.239335
3.7606652
1458.111654
2.8883456
1458.727748
2.2722524
10
Okt
1457
1458.367534
1.36753436
1459.844662
2.84466176
1460.772775
3.77277476
11
Nov
1460
1457.957274
2.042725948
1458.137865
1.862135296
1457.377277
2.622722524
12
Des
1462
1458.570092
3.429908164
1459.255146
2.744854118
1459.737728
2.262272252
MAD
2.449749139
2.489591731
Deviasi Absolut α=0.9
2.696975495
Setelah mendapatkan nilai MAD, maka selanjutnya menghitung nilai MSE (Mean Squared Error) atau menghitung kesalahan rata-rata kuadrat. Rumus MSE adalah:
MSE=
Keterangan: =
Hasil
penjumlahan
dari
perhitungan
kesalahan peramalan yang dikuadratkan
70
n
= Banyaknya bulan dalam satu tahun yaitu 12 bulan
Tabel 4.4 Perhitungan Nilai Kesalahan Nilai MSE (Mean Squared Error) Permintaan
Ramalan α= 0.3
No
Tanggal
Deviasi Absolut α= 0.3
Ramalan α= 0.6
Deviasi Absolut α=0.6
1
Jan
1453
1453
0
1453
0
1453
0
2
Feb
1457
1453
16
1453
16
1453
16
3
Mar
1459
1454.2
23.04
1455.4
12.96
1456.6
5.76
4
Apr
1454
1455.64
2.6896
1457.56
12.6736
1458.76
22.6576
5
Mei
1457
1455.148
3.429904
1455.424
2.483776
1454.476
6.370576
6
Jun
1459
1455.7036
10.86625296
1456.3696
6.91900416
1456.7476
5.07330576
7
Jul
1456
1456.69252
0.47958395
1457.94784
3.794080666
1458.77476
7.699293058
8
Agus
1459
1456.484764
6.326412136
1456.779136
4.932236906
1456.277476
7.412136931
9
Sep
1461
1457.239335
14.14260275
1458.111654
8.342540305
1458.727748
5.163130969
10
Okt
1457
1458.367534
1.870150226
1459.844662
8.092100529
1460.772775
14.23382939
11
Nov
1460
1457.957274
4.172729299
1458.137865
3.467547861
1457.377277
6.878673438
12
Des
1462
1458.570092
11.76427001
1459.255146
7.534224131
1459.737728
5.117875744
MSE
7.898458777
7.266592546
Ramalan α= 0.9
Deviasi Absolut α=0.9
8.530535107
Setelah mendapatkan nilai MSE (Mean Squared Error) atau menghitung kesalahan rata-rata kuadrat, maka selanjutnya menghitung nilai MAPE (Mean Absolute Percent Error). MAPE dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramal dan aktual, dinyatakan sebagai persentase nilai aktual. Rumus MAPE adalah:
MAPE =
71
Ketarangan : Aktual
= Nilai permintaan barang atau nilai sebenarnya
Ramalan
= Nilai hasil perhitungan peramalan
n
= Banyaknya bulan dalam satu tahun yaitu 12 bulan
Tabel 4.5 Perhitungan Nilai Kesalahan Nilai MAPE (Mean Absolute Percent Error) No
Tanggal
Permintaan
Ramalan α= 0.3
Deviasi Absolut α= 0.3
Ramalan α= 0.6
Deviasi Absolut α=0.6
Ramalan α= 0.9
Deviasi Absolut α=0.9
1
Jan
1453
1453
0
1453
0
1453
0
2
Feb
1457
1453
0.274536719
1453
0.274536719
1453
0.274536719
3
Mar
1459
1454.2
0.328992461
1455.4
0.246744345
1456.6
0.16449623
4
Apr
1454
1455.64
0.112792297
1457.56
0.244841816
1458.76
0.327372765
5
Mei
1457
1455.148
0.127110501
1455.424
0.108167467
1454.476
0.17323267
6
Jun
1459
1455.7036
0.225935572
1456.3696
0.180287868
1456.7476
0.154379712
7
Jul
1456
1456.69252
0.047563187
1457.94784
0.13378022
1458.77476
0.190574176
8
Agus
1459
1456.484764
0.172394517
1456.779136
0.152218232
1456.277476
0.186602056
9
Sep
1461
1457.239335
0.257403504
1458.111654
0.197696482
1458.727748
0.155527201
10
Okt
1457
1458.367534
0.093859599
1459.844662
0.195241027
1460.772775
0.258941301
11
Nov
1460
1457.957274
0.139912736
1458.137865
0.127543513
1457.377277
0.179638529
12
Des
1462
1458.570092
0.234603842
1459.255146
0.18774652
1459.737728
0.154738184
Dari keseluruhan perhitungan dapat diringkas menjadi: Tabel 4.6 Perhitungan Nilai Kesalahan MAD, MSE, dan MAPE Kesalahan
MAD
Deviasi Absolut α= 0.3 2.449749139
Deviasi Absolut α=0.6 2.489591731
Deviasi Absolut α=0.9 2.696975495
72
MSE
7.898458777
7.266592546
8.530535107
MAPE
0.167925411
0.170733684
0.185003295
Dengan nilai MAD pada
0.3; 0.6; 0.9; nilai kesalahan terkecil berdasarkan 3
metode penghitung kesalahan adalah nilai pada yang digunakan adalah pada
=0.3. Maka grafik peramalan
=0.3 yaitu pada Tabel 4.7.
Tabel 4.7 Hasil Peramalan Permintaan Barang Tahun 2010 No
Tanggal
Permintaan
Ramalan α= 0.3
1
Jan
1453
1453
2
Feb
1457
1453
3
Mar
1459
1454.2
4
Apr
1454
1455.64
5
Mei
1457
1455.148
6
Jun
1459
1455.7036
7
Jul
1456
1456.69252
8
Agus
1459
1456.484764
9
Sep
1461
1457.239335
10
Okt
1457
1458.367534
11
Nov
1460
1457.957274
12
Des
1462
1458.570092
73
Gambar 4.3 Grafik Permintaan Tahun 2009 dan Ramalan Tahun 2010
4.1.2
Analisis Perhitungan pada Metode AHP (Analytic Hierarchy Process ) Pada metode perhitungan metode AHP ini telah dibuat suatu simulasi
sebagai alat untuk memilih keputusan dalam memilih kendaraan yang terbaik sesuai dengan kriteria–kriteria yang ada. Kriteria yang digunakan dalam metode perhitungan AHP ini adalah: 1. Waktu Nilai waktu didapatkan dari nilai jarak lokasi tujuan pengiriman dibagi dengan kecepatan sesuai dengan rumus fisika mencari waktu yaitu t= s/v dengan satuan km/jam dalam satu kali pengiriman. Lalu untuk menghitung waktu total pengiriman selanjutnya meghitung kapasitas masing–masing kendaraan, yaitu jumlah total barang /jumlah total muatan barang yang akan dibawa dibagi dengan kapasitas masing–masing kendaraan dan kemudian nilainya dibulatkan. Selanjutnya nilai hasil bagi dari perhitungan muatan dikalikan dengan waktu satu kali berangkat yang sebelumnya telah dihitung dan hasil
74
perhitungannya adalah banyaknya waktu untuk mengirim sejumlah barang yang disesuaikan dengan masing-masing kapasitas barang untuk setiap kendaraan. Data kapasitas barang didapat berdasarkan hasil wawancara terhadap owner CV. Jaya Mandiri. 2. Bahan Bakar Nilai bahan bakar didapatkan berdasarkan hasil wawancara kepada owner CV. Jaya Mandiri, berupa nilai jarak total bolak-balik untuk setiap kendaraan dalam pengiriman 1464 buah barang dibagi dengan konsumsi bahan bakar (satuan liter) masing-masing kendaraan sehingga didapat hasil konsumsi bahan bakar dalam total jarak pengiriman dalam contoh perhitungan ini adalah 35 km. 3. Keamanan Nilai keamanan barang didapatkan berdasarkan pengalaman pengiriman dari owner tersebut berdasarkan kerusakan barang atau keamanan terhadap suatu barang. Data tersebut didapat berdasarkan perhitungan jumlah total barang dikurangi jumlah barang yang rusak lalu hasilnya dibagi dengan jumlah total barang dan dikalikan 100 % maka didapatlah nilai persentase keamanan untuk masing-masing kendaraan. Keamanan barang bergantung pada jenis barang yang dikirim, jarak lokasi barang yang dikirim, kondisi jalan ke lokasi pengiriman. Sehingga nilai kriteria keamanan berbeda untuk setiap lokasi pengiriman dan dihitung secara manual di luar sistem.
75
4.1.2.1 Langkah–langkah Perhitungan dengan Metode AHP Adapun langkah-langkah perhitungan secara umum dan berdasarkan nilai spesifikasi kendaraan untuk memilih keputusan dalam memilih kendaraan yang terbaik sesuai dengan kriteria–kriteria yang ada dengan menggunakan metode AHP adalah: 1. Menentukan nilai kriteria yang menjadi persyaratan pemilihan kendaraan. 2. Menyusun kriteria-kriteria tersebut dalam bentuk matriks berpasangan. 3. Menghitung matriks nilai kriteria dan jumlah setiap kolom matriks. 4. Hitung nilai prioritas matriks nilai kriteria. 5. Menghitung matriks penjumlahan setiap baris. 6. Menghitung nilai rasio konsistensi atau CR (Consistency Ratio). 7. Menghitung Lamda max dengan rumus =
.
8. Menghitung CI (Consistency Index) dengan rumus: CI =
.
9. Menghitung CR (Consistency Ratio) dengan rumus: CR =
dimana RI
(Random Index) adalah nilai yang berasal dari Tabel random. 10. Jika CR < 0,1 maka nilai perbandingan berpasangan pada matriks kriteria yang diberikan konsisten. Jika CR > 01, maka maka nilai perbandingan berpasangan pada matriks kriteria yang diberikan tidak konsisten, sehingga jika tidak konsisten, maka pengisian nilai-nilai pada matriks berpasangan pada unsur kriteria harus diulang. 11. Menentukan alternatif-alternatif yang akan menjadi pilihan. 12. Menentukan nilai perbandingan alternatif untuk setiap kriteria.
76
13. Menghitung matriks berpasangan alternatif berdasarkan kriteria dan nilai prioritas alternatif setiap kriteria. 14. Menghitung matriks prioritas alternatif dengan menjumlahkan prioritas untuk setiap alternatif berdasarkan kriteria-kriteria. 15. Menghitung matriks prioritas global dengan mengalikan nilai prioritas kriteria dan nilai prioritas alternatif.
4.1.2.1.1 Contoh Kasus Perhitungan AHP Pada contoh kasus perhitungan AHP ini perhitungan AHP ditambahkan perhitungan menghitung spesifikasi kendaraan untuk dijadikan nilai tingkat kepentingan. Terdapat tiga kriteria dan tiga alternatif kendaraan yang akan dipilih seperti Gambar 4.4.
Gambar 4.4 Struktur Hierarki Pemilihan Kendaraan Dalam contoh kasus ini CV. Jaya Mandiri mengirim barang ke tempat customernya permintaan
yang jaraknya 35 Km dari lokasi CV. Jaya Mandiri dengan barang 1464 benang obras ukuran sedang dan setiap kendaraan
memiliki spesifikasi masing-masing seperti pada Tabel 4.8.
77
Tabel 4.8 Hasil Spesifikasi Kendaraan Nama Kendaraan Taruna 2005
Konsumsi Bahan Bakar 7
Kijang LGX 2005 APV 2005
Kecepatan Rata2 65
Kapasitas 1464
Keamanan (%) 95
6
65
1468
95
7
60
1470
95
Lalu menghitung waktu untuk sekali jalan ke lokasi pengiriman dengan rumus jarak lokasi dalam contoh ini adalah 35 km dibagi dengan kecepatan ratarata untuk setiap kendaraan maka didapat nilai-nilai seperti di dalam Tabel 4.9. Tabel 4.9 Hasil Perhitungan Waktu Sekali Jalan waktu untuk sekali jalan
Jam
Taruna 2005
0.538461538
Kijang LGX 2005
0.538461538
APV 2005
0.583333333
Kemudian hasil perhitungan kapasitas jumlah pengangkutan barang didapat dengan rumus: KP
= JB : KKen
Keterangan: KP
= Kapasitas jumlah pengangkutan barang
JB
= Jumlah barang yang akan dikirim
KKen = Kapasitas masing-masing kendaraan Hasilnya dilakukan pembulatan. Alasan dilakukan pembulatan, jika nilai terdapat lebih berupa nilai dibelakang koma berarti adal lebih barang yang belum terangkut
78
maka nilai yang dibelakang koma dihitung satu kali perjalanan. Maka dari itu dilakukan pembulatan. Lalu didapat hasil seperti pada Tabel 4.10.
Tabel 4.10 Hasil Perhitungan Banyaknya pengangkutan kendaraan Kendaraan
Kapasitas
Pembulatan
Taruna 2005
1
1 kali angkut
Kijang LGX 2005
0.99795501
1 kali angkut
APV 2005
0.996596324
1 kali angkut
Selanjutnya menghitung banyaknya bolak-balik perjalanan kendaraan dari tempat pengiriman ke tempat tujuan adalah dengan rumus: BB = ( KP x 2 ) – 1 Keterangan : BB = Banyaknya bolak-balik perjalanan kendaraan dari tempat pengiriman ke tempat tujuan KP = Kapasitas jumlah pengangkutan barang Lalu hasilnya ada pada Tabel 4.11. Tabel 4.11 Hasil Perhitungan Banyaknya Bolak-Balik Masing-Masing Kendaraan Kendaraan
banyak bolak - balik
Taruna 2005
1
Kijang LGX 2005
1
APV 2005
1
Setelah itu melakukan perhitungan jarak total bolak-balik setiap kendaraan dalam pengiriman 1000 buah gerinda ke tempat tujuan yaitu dengan rumus:
79
JB = Ja x BB Keterangan : JB
= Jarak total bolak-balik setiap kendaraan dalam pengiriman
Ja
= Jarak tempat tujuan
BB = Banyaknya bolak-balik perjalanan kendaraan dari tempat pengiriman ke tempat tujuan maka didapat nilai jarak total bolak-balik seperti Tabel 4.12. Tabel 4.12 Hasil Perhitungan Banyaknya Jarak Bolak-Balik Masing-Masing Kendaraan Kendaraan Taruna 2005 Kijang LGX 2005 APV 2005
Jarak Total Bolak-Balik 35 km 35 km 35 km
Selanjutnya adalah menghitung waktu total bolak balik yang dibutuhkan untuk mengirim 1464 buah benang obras ukuran sedang yang telah disesuaikan dengan kapasitas masing-masing kendaraan. Rumusnya : Wt = N1 x BB Keterangan: Wt = Waktu total bolak balik yang dibutuhkan untuk mengirim N1 = Nilai waktu sekali jalan
80
BB = Banyaknya bolak-balik perjalanan kendaraan dari tempat pengiriman ke tempat tujuan Dan hasilnya pada Tabel 4.13. Tabel 4.13 Hasil Perhitungan Banyaknya Waktu Bolak-Balik Masing-Masing Kendaraan Kendaraan
Waktu Total Bolak-Balik
Taruna 2005
0.538461538 s
Kijang LGX 2005 APV 2005
0.538461538 s 0.583333333 s
Nilai pada Tabel 4.13 diatas pada kendaraan APV didapat dari hasil perkalian waktu untuk sekali jalan dikalikan dengan banyaknya bolak – balik kendaraan dan hasilnya adalah waktu bolak – balik kendaraan. Tabel 4.14 Hasil Perhitungan Bahan Bakar yang Dibutuhkan untuk Pengiriman 1000 Buah Benang Obras Ukuran Sedang dengan Jarak 35km Kendaraan
Taruna 2005 Kijang LGX 2005 APV 2005
Total Bahan Bakar BolakBalik 5L 5.833333333L 5L
Jadi Tabel 4.14 adalah perhitungan jumlah bahan bakar yang dibutuhkan untuk pengiriman 1464 buah benang obras ukuran sedang dengan jarak 35 km secara keseluruhan dengan rumus = Jarak total bolak-balik : konsumsi bahan
81
bakar masing-masing kendaraan (km/1L). Jadi nilai keseluruhan dapat ditampilkan seperti nilai pada Tabel 4.15. Tabel 4.15 Hasil Perhitungan Nilai Keseluruhan untuk Pengiriman 1464 Buah Benang Obras Ukuran Sedang dengan Jarak 35 km Kendaraan
Waktu (s)
Taruna 2005
13.3
Bahan Bakar (L) 41.5625
Keamanan (%) 85
Kijang LGX 2005 APV 2005
14.63636364
73.18181818
89
19.25
67.94117647
95
Untuk menentukan nilai kriteria kita harus membandingkan secara langsung berdasarkan tingkat kepentingan yang kita inginkan dan mengkonversi nilai perbandingan tersebut ke dalam bentuk nilai tingkat kepentingan. Tabel diatas merupakan hasil nilai perhitungan dari penilaian spesifikasi masing-masing kendaraan yang akan dijadikan
nilai perbandingan untuk menentukan nilai
tingkat intensitas kepentingan yang selanjutnya akan digunakan untuk pengambilan keputusan dalam perhitungan dengan metode AHP. Selanjutnya menentukan perbandingan kendaraan berdasarkan kriteriakriteria yang telah ditentukan seperti Tabel 4.16. Untuk rumus menentukan waktu dan bahan bakar rumus yang digunakan adalah : Perbandingan waktu dan bahan bakar: Pab = (Sb:Jab)-(Sa:Jab) Perbandingan untuk keamanan : Pab = (Sa:Jab)-(Sb:Jab)
82
Keterangan : Pab = Hasil perbandingan antara barang A dan Barang B Sa = Nilai spesifikasi kendaraan jenis A Sb = Nilai spesifikasi kendaraan jenis B Jab = Jumlah nilai kendaraan A dan B Sehingga didapatkan hasil perhitungan seperti Tabel 4.16. Tabel 4.16 Hasil Perhitungan Perbandingan Kendaraan Berdasarkan Tiga Kriteria Waktu
Kendaraan
Bahan Bakar
Keamanan (%)
Taruna:Kijang
0
0.076923077
0
Taruna:APV
0.04
0
0
Kijang: APV
0.04
-0.076923077
0
Selanjutnya nilai pada Tabel 4.16 dikonversikan menjadi nilai-nilai intensitas kepentingan agar mudah dihitung dalam proses perhitungan AHP. Proses konversi tersebut adalah dengan cara mengelompokan nilai-nilai hasil perhitungan
perbandingan
kendaraan
berdasarkan
tiga
kriteria
kedalam
pengelompokkan nilai intensitas kepentingan dengan nilai hasil adalah “n” yaitu: jika n= 0 maka nilai intensitas perbandingan adalah 1 jika n > 0 & n < 0.2 maka nilai intensitas kepentingannya adalah 2 jika n
0.2 & n < 0.3 maka nilai intensitas kepentingannya adalah 3
jika n
0.3 dan n < 0.4 maka nilai intensitas kepentingannya adalah 4
jika n
0.4 & n < 0.5 maka nilai intensitas kepentingannya adalah 5
jika n
0.5 dan n < 0.6 maka nilai intensitas kepentingannya adalah 6
83
jika n
0.6 & n< 0.7 maka nilai intensitas kepentingannya adalah 7
jika n
0.7 dan n < 0.8 maka nilai intensitas kepentingannya adalah 8
jika n
0.8 & n
1 maka nilai intensitas kepentingannya adalah 9
Lalu jika hasil nilai perbandingannya nilainya adalah min maka pengelompokan nilai intensitas kepentingannya adalah: jika n < 0 & n > (-0.2) maka nilai intensitas kepentingannya adalah 1/2 jika n
(-0.2) & n > (-0.3) maka nilai intensitas kepentingannya adalah 1/3
jika n
(-0.3) dan n > (-0.4) maka nilai intensitas kepentingannya adalah 1/4
jika n (-0.4) & n > (-0.5) maka nilai intensitas kepentingannya adalah 1/5 jika n
(-0.5) dan n > (-0.6) maka nilai intensitas kepentingannya adalah 1/6
jika n
(-0.6) & n > (-0.7) maka nilai intensitas kepentingannya adalah 1/7
jika n
(-0.7) dan n > (-0.8) maka nilai intensitas kepentingannya adalah 1/8
jika n
(-0.8) & n
(-1) maka nilai intensitas kepentingannya adalah 1/9
selanjutnya nilai dikonversikan berdasarkan penggolongan nilai seperti nilai-nilai yang ada sebelumnya. Kemudian hasilnya seperti pada Tabel 4.17.
Tabel 4.17 Hasil Pengelompokan Nilai Menjadi Nilai AHP Kendaraan
Waktu
Taruna:Kijang
1
Bahan Bakar 2
Keamanan (%)
Taruna:APV
2
1
1
Kijang: APV
2
0.5
1
1
Jika proses pengelompokan nilai menjadi nilai AHP selesai, selanjutnya melakukan perhitungan matriks kriteria perbandingan berpasangan dengan cara
84
langsung membandingkan dari sisi tingkat kepentingannya tingkat kepentiganya seperti pada Tabel 4.18. Tabel 4.18 Skala Tingkat Kepentingan AHP Bobot / Tingkat Kepentingan
Pengertian
Penjelasan
1
Sama penting
3
Sedikit lebih penting
5
Lebih penting
7
Sangat lebih penting
9
Jauh lebih penting
Dua faktor memiliki pengaruh yang sama terhadap sasaran Salah satu faktor sedikit lebih berpengaruh dibanding faktor lainnya Salah satu faktor lebih berpengaruh dibanding faktor lainnya Salah satu faktor sangat lebih berpengaruh dibanding faktor lainnya Salah satu faktor jauh lebih berpengaruh dibanding faktor lainnya Diatara kondisi diatas
Antara nilai yang di atas
2,4,6,8
Nilai kebalikan dari kondisi diatas untuk pasangan dua faktor yang sama
Kebalikan
Selanjutnya hasilnya adalah seperti pada Tabel 4.19: Tabel 4.19 Tabel Hasil Matriks Kriteria Perbandingan Berpasangan Kriteria
Waktu
Bahan Bakar
Keamanan
Waktu
1
0.2
1
Bahan Bakar
5
1
5
Keamanan
1
0.2
1
Jumlah
7
1.4
7
Pada Tabel 4.20 menjelaskan nilai 1 didapat dari nilai perbandingan antara waktu dan waktu yaitu nilainya 1 dan dibagi dengan jumlah satu kolom kriteria seperti kriteria waktu. Kolom jumlah didapat dari jumlah baris setiap kriteria. Sedangkan prioritas didapatkan dari jumlah baris pada baris waktu misalnya jumlah waktu didapatkan dari jumlah dibagi tiga karena kriterianya hanya tiga.
85
Tabel 4.20 Hasil Matriks Nilai Kriteria Kriteria
Waktu
Bahan Bakar
Keamanan
Jumlah
Prioritas
Waktu
0.142857143
0.142857143
0.1428571
0.428571
0.142857143
Bahan Bakar
0.714285714
0.714285714
0.7142857
2.142857
0.714285714
Keamanan
0.142857143
0.142857143
0.1428571
0.428571
0.142857143
Pada Tabel 4.20 hasil matriks penjumlahan setiap baris ini, nilai-nilainya didapat dari perhitungan yang sudah ditentukan rumusnya. Rumusnya adalah nilai perbandingan pada hasil matriks kriteria perbandingan berpasangan dikalikan dengan nilai prioritas pada Tabel hasil matriks nilai kriteria sehingga didapat hasilnya pada Tabel 4.21 hasil matriks penjumlahan setiap baris. Tabel 4.21 Hasil Matriks Penjumlahan Setiap Baris Kriteria
Waktu
Bahan Bakar
Keamanan
Jumlah
Waktu
0.142857143
0.142857143
0.1428571
0.428571
Bahan Bakar
0.714285714
0.714285714
0.7142857
2.142857
Keamanan
0.142857143
0.142857143
0.1428571
0.428571
Setelah nilai matriks penjumlahan setiap baris sudah ditemukan nilainya, selanjutnya melakukan perhitungan rasio konsistensi untuk menguji nilai kelayakan nilai perbandingan kriteria pada Tabel 4.22.
86
Tabel 4.22 Hasil Matriks Perhitungan Rasio Konsistensi Kriteria
Jumlah perbaris
Prioritas
Hasil
Waktu
0.428571429
0.142857143
0.5714286
Bahan Bakar
2.142857143
0.714285714
2.8571429
Keamanan
0.428571429
0.142857143
0.5714286
Jumlah
4
Berdasarkan perhitungan yang ada pada Tabel–Tabel sebelumnya, maka dapat disimpulkan: Jumlah = 4 n kriteria = 3 Lamda Max (Jumlah /n) = 1.333333333 CI= ((Lamda Max-n)/(n-1)= -0.833333333 CR= (CI/IR(3 matriks=0.58))= -1.436781609 Karena CR < 0.1 maka hasilnya konsisten. Selanjutnya menghitung matriks perbandingan berpasangan kendaraan berdasarkan bahan bakar seperti Tabel 4.23. Tabel 4.23 Hasil Matriks Perbandingan Berpasangan Berdasarkan Bahan Bakar Bahan Bakar Taruna 2005
Taruna 2005
Kijang LGX 2005
APV 2005
1
3
3
Kijang LGX 2005
0.333333333
1
0.5
APV 2005
0.333333333
2
1
Jumlah
1.666666667
6
4.5
Pada Tabel 4.23 menjelaskan nilai pada Tabel 4.23 didapatkan dari Tabel hasil matriks kriteria perbandingan berpasangan yaitu pada Tabel 4.19
pada
87
kolom bahan bakar kemudian dihitung berdasarkan nilai awalnya pada kolom bahan bakar. Tabel 4.24 Hasil Matriks Nilai Kriteria Berdasarkan Bahan Bakar Bahan Bakar
Taruna 2005
Kijang LGX 2005
APV 2005
Jumlah
Prioritas
Taruna 2005
0.6
0.5
0.6666667
1.766667
0.588888889
Kijang LGX 2005
0.2
0.166666667
0.1111111
0.477778
0.159259259
APV 2005
0.2
0.333333333
0.2222222
0.755556
0.251851852
Pada Tabel 4.24 merupakan Tabel hasil matriks nilai kriteria bahan bakar yang nilainya berasal dari Matriks perbandingan berpasangan berdasarkan bahan bakar yaitu pada Tabel 4.23. Misalkan untuk nilai 0.6 pada kolom 1 baris 1 didapat dari perhitungan baris 1 kolom 1 pada Tabel 4.23 yang nilainya adalah 1 dibagi dengan jumlah dari kolom 1 pada Tabel 4.23 dan hasilnya adalah kolom 1 baris 1 pada Tabel 4.24. Pada nilai jumlah baris 1 Pada Tabel 4.24 didapat dari jumlah baris 1 kolom 1 dijumlah dengan baris 1 kolom 2 dan baris baris 1 kolom 3 sedangkan untuk nilai perioritasnya pada baris 1 didapat dari nilai jumlah baris 1 dibagi dengan 3 dan hasilnya adalah nilai prioritas baris 1.
88
Tabel 4.25 Hasil Matriks Perbandingan Berpasangan Berdasarkan Waktu Waktu
Kijang LGX 2005
Taruna 2005
Taruna 2005
APV 2005
1
2
2
Kijang LGX 2005
0.5
1
2
APV 2005
0.5
0.5
1
2
3.5
5
jumlah
Pada Tabel 4.25 menjelaskan nilai diatas didapatkan dari tabel hasil matriks kriteria perbandingan berpasangan yaitu pada Tabel 4.19 pada kolom waktu kemudian dihitung berdasarkan nilai awalnya pada kolom waktu. Tabel 4.26 Hasil Matriks Nilai Kriteria Berdasarkan Waktu Waktu
Taruna 2005
Kijang LGX 2005
Taruna 2005
0.5
0.571428571
Kijang LGX 2005
0.25
APV 2005
0.25
APV 2005
Jumlah
Prioritas
0.4
1.471429
0.49047619
0.285714286
0.4
0.935714
0.311904762
0.142857143
0.2
0.592857
0.197619048
Pada Tabel 4.26 merupakan Tabel hasil matriks nilai kriteria waktu yang nilainya berasal dari Matriks perbandingan berpasangan berdasarkan waktu yaitu pada Tabel 4.25. Misalkan untuk nilai 0.5 pada kolom 1 baris 1 didapat dari perhitungan baris 1 kolom 1 pada Tabel 4.25 yang nilainya adalah 1 dibagi dengan jumlah dari kolom 1 pada Tabel 4.25 dan hasilnya adalah kolom 1 baris 1 pada Tabel 4.26.
89
Pada nilai jumlah baris 1 Pada Tabel 4.26 didapat dari jumlah baris 1 kolom 1 dijumlah dengan baris 1 kolom 2 dan baris baris 1 kolom 3 sedangkan untuk nilai perioritasnya pada baris 1 didapat dari nilai jumlah baris 1 dibagi dengan 3 dan hasilnya adalah nilai prioritas baris 1. Tabel 4.27 Hasil Matriks Perbandingan Berpasangan Berdasarkan Keamanan Keamanan
Taruna 2005
Kijang LGX 2005
APV 2005
Taruna 2005
1
0.5
0.5
Kijang LGX 2005
2
1
0.5
APV 2005
2
2
1
Jumlah
5
3.5
2
Pada Tabel 4.27 menjelaskan nilai pada Tabel 4.27 didapatkan dari Tabel hasil matriks kriteria perbandingan berpasangan yaitu pada Tabel 4.19
pada
kolom keamanan kemudian dihitung berdasarkan nilai awalnya pada kolom keamanan. Tabel 4.28 Hasil Matriks Nilai Kriteria Berdasarkan Keamanan Keamanan
Taruna 2005
Kijang LGX 2005
APV 2005
jumlah
Prioritas
Taruna 2005
0.2
0.142857143
0.25
0.592857
0.197619048
Kijang LGX 2005
0.4
0.285714286
0.25
0.935714
0.311904762
APV 2005
0.4
0.571428571
0.5
1.471429
0.49047619
90
Pada Tabel 4.28 merupakan tabel hasil matriks nilai kriteria keamanan yang nilainya berasal dari Matriks perbandingan berpasangan berdasarkan keamanan yaitu pada Tabel 4.27. Misalkan untuk nilai 0.2 pada kolom 1 baris 1 didapat dari perhitungan baris 1 kolom 1 pada Tabel 4.27 yang nilainya adalah 1 dibagi dengan jumlah dari kolom 1 pada Tabel 4.27 dan hasilnya adalah kolom 1 baris 1 pada Tabel 4.28. Pada nilai jumlah baris 1 Pada Tabel 4.28 didapat dari jumlah baris 1 kolom 1 dijumlah dengan baris 1 kolom 2 dan baris baris 1 kolom 3 sedangkan untuk nilai perioritasnya pada baris 1 didapat dari nilai jumlah baris 1 dibagi dengan 3 dan hasilnya adalah nilai prioritas baris 1. Tabel 4.29 Hasil Matriks Proritas Alternatif Prioritas alternatif
Waktu
Bahan Bakar
Keamanan Jumlah
Taruna 2005
0.49047619
0.588888889
0.197619
1.276984
Kijang LGX 2005
0.311904762
0.159259259
0.3119048
0.783069
APV 2005
0.197619048
0.251851852
0.4904762
0.939947
Jumlah
1
1
1
Pada Tabel 4.29 merupakan tabel hasil matriks prioritas dari ketiga alternatif yaitu waktu, bahan bakar dan keamanan. Misalkan untuk nilai kolom 1 baris 1 pada Tabel 4.29 didapat dari nilai prioritas Tabel 4.26. untuk jumlah kolom setiap alternatif pada Tabel 4.29 jumlahnya adalah selalu 1 jika jumlahnya lebih dari satu atau kurang dari satu maka terdapat kesalahan perhitungan pada metode AHP tersebut. Sedangkan untuk nilai jumlah pada Tabel 4.29 didapat dari
91
perhitungan jumlah dari baris 1 kolom 1,baris 1 kolom 2 dan jumlah baris 1 kolom 3. Tabel 4.30 Hasil Matriks Perhitungan Prioritas Global Prioritas Global
Waktu
Bahan Bakar
Keamanan Jumlah
Taruna 2005
0.070068027
0.420634921
0.0282313
0.518934
Kijang LGX 2005
0.044557823
0.113756614
0.0445578
0.202872
APV 2005
0.028231293
0.17989418
0.070068
0.278193
Pada Tabel 4.30 hasil matriks perhitungan prioritas global misalkan pada kolom 1 baris 1 Tabel 4.30 didapat dari nilai prioritas pada Tabel matriks nilai kriteria Tabel 4.20 dan dikalikan dengan matriks prioritas alternatif baris 1 kolom 1 pada Tabel 4.29, sedangkan untuk hasil dari nilai baris 2 kolom 1 pada Tabel 4.30 didapat daril perkalian antara baris 2 kolom 1 pada Tabel 4.29 Tabel matriks prioritas alternatif dengan nilai baris 1 pada kolom prioritas pada Tabel 4.20 yaitu Tabel matriks nilai kriteria. Sedangkan untuk nilai jumlah misalkan pada baris 1 didapat dari jumlah baris 1 kolom 1, baris 1 kolom 2 dan baris 1 kolom 3 maka didapatkah hasil penjumlahan prioritas global untuk kendaraan Taruna 2005. Sehingga dari hasil perhitungan berdasarkan Tabel diatas pemilihan kendaraan berdasarkan kriteria–kriteria yang ada dengan nilai tertinggi adalah dengan menggunakan kendaraan mobil Taruna 2005 karena nilai Taruna 2005 adalah nilai yang tertinggi yaitu 0.518934.
92
4.1.3
Analisis Perhitungan pada Metode Fuzzy SAW (Simple Additive
Weighting) Metode Fuzzy Saw (Simple Additive Weighting) merupakan gabungan antara metode Fuzzy dan Simple Additive Weighting yang dijadikan satu. Pada metode ini data yang dimasukkan merupakan data dari spesifikasi kendaraan yang kemudian akan dikonversi menjadi data dengan bentuk linguistik atau berupa data Fuzzy kemudian harus diubah lagi ke bentuk nilai crips atau bilangan angka dan selanjutnya dilakukan pembobotan dan perankingan. Kriteria yang digunakan dalam metode perhitungan Fuzzy Saw sama dengan kriteria pada metode AHP tetapi cara perhitungan kriterianya yang berbeda. Pada Fuzzy Saw kriteria dihitung dengan menggunakan fuzzyfikasi pembobotan atau menggunakan bentuk linguistik sebagai nilai pembobotan yang selanjutnya akan diubah ke bentuk nilai crips atau angka yang telah dikelompokkan berdasarkan nilai bentuk linguistik tersebut. Sedangkan pada AHP langsung menggunakan nilai berdasarkan nilai tingkat kepentingan yang selanjutnya akan dibandingkan untuk proses perhitungan selanjutnya.
4.2.3.1 Langkah–langkah Perhitungan dengan Metode Fuzzy Saw
Adapun langkah-langkah perhitungan untuk memilih keputusan dalam memilih kendaraan yang terbaik sesuai dengan kriteria–kriteria yang ada dengan menggunakan metode Fuzzy Saw (Simple Additive Weighting) adalah: 1. Melakukan fuzzifikasi atau menentukan nilai linguistik pada kriteriakriteria yang ada dan pada bobot kriteria-kriteria tersebut.
93
2. Melakukan konversi dan menentukan nilai fuzzy dan nilai pembobotan kedalam bentuk nilai crips atau nilai berupa angka. 3. Melakukan rating kinerja dengan menentukan data yang mana yang akan dimasukkan kriteria keuntungan dan data yang mana yang akan dimasukkan kedalam kelompok kriteria biaya dan perhitungan masingmasing kedua kriteria tersebut berbeda dalam satu proses normalisasi. 4. Melakukan normalisasi data “X” atau data pada table. 5. Lalu melakukan perankingan berdasarkan data yang telah dihitung dan juga telah dinormalisasikan sebelumnya.
4.1.3.1.1 Contoh Kasus Perhitungan Fuzzy Saw Pada perhitungan kasus ini tahap awalnya hampir sama prosesnya dengan AHP yang sebelumnya yaitu diambil dari nilai-nilai spesifikasi kendaraan dengan proses perhitungan yang sama untuk mendapatkan hasil nilai .perhitungan berdasarkan kriteria- kriteria yang telah ditentukan. Selanjutnya yang menjadi perbedaannya adalah pada perhitungan persentasenya. Pada perhitungan persentase pada metode ini menggunakan rumus persentase yang berdasarkan logika hasil perhitungan. Rumusnya adalah “((jumlah nilai a+b+c)-nilai a / (jumlah nilai a+b+c)) x 100%” untuk kriteria waktu dan bahan bakar karena nilai kriteria waktu dan bahan bakar berbanding terbalik dengan nilai sebenarnya sedangkan untuk kriteria keamanan tidak menggunakan rumus tersebut karena telah dihitung secara manual atau di luar sistem dan nilainya berbanding lurus dengan keadaan sebenarnya.
94
Tabel 4.31 Nilai Hasil Perhitungan Berdasarkan Kriteria pada Spesifikasi Kendaraan Kendaraan
Waktu
Bahan Bakar
Keamanan (%)
Taruna 2005
0.538461538
5
95
Kijang LGX 2005
0.538461538
5.833333333
95
APV 2005
0.583333333
5
95
Setelah hasil perhitungan berdasarkan spesifikasi yang sebelumnya pada
perhitungan
AHP
juga
sudah
dijelaskan
dan
ditampilkan
hasil
perhitungannya maka pada pembahasan metode Fuzzy Saw ini hanya diperlihatkan hasil perhitungannya saja. Selanjutnya dari hasil perhitungan ini, nilai-nilai hasil perhitungan ini akan diubah ke dalam
bentuk perhitungan
persentase dengan rumus-rumus yang telah dijelaskan sebelumnya. Hasil perhitungan dari rumus-rumus tersebut dapat dilihat dalam Tabel 4.32. Tabel 4.32 Nilai Hasil Perhitungan Persentase Berdasarkan Kriteria pada Spesifikasi Kendaraan Persentase
Waktu
Bahan Bakar
Keamanan
Taruna 2005
67.56756757
68.42105263
95
Kijang LGX 2005
67.56756757
63.15789474
95
APV 2005
64.86486486
68.42105263
95
Selanjutnya hasil dari perhitungan nilai-nilai tersebut akan diubah menjadi bilangan fuzzy atau data berbentuk linguistik yang nilai-nilai diatas sudah dibuat
95
klasifikasi tingkatan berdasarkan nilainya. Bentuk klasifikasi berdasarkan kriteriakriteria yang telah ditetapkan sebelumnya adalah: a. Pengelompokan pada kriteria waktu
Jika N > 0 & N<= 55 maka "Sangat Lambat"= 20%
Jika N >55 & N<= 65 maka "Lambat"= 40%
Jika N >65 & N<= 75 maka "Sedang " = 60%
Jika N >75 & N<= 85 maka "Cepat"= 80%
Jika N >85 & N<= 100 maka "Sangat Cepat"= 100%
b. Pengelompokan pada kriteria bahan bakar
Jika N > 0 & N<= 55 maka "Sangat Boros"= 20%
Jika N >55 & N<= 65 maka "Boros"= 40%
Jika N >65 & N<= 75 maka "Sedang " = 60%
Jika N >75 & N<= 85 maka "Irit"= 80%
Jika N >85 & N<= 100 maka "Sangat Irit"= 100%
c. Pengelompokan pada kriteria keamanan
Jika N > 0 & N<= 70 maka "Tidak Aman"= 25%
Jika N >70 & N<= 80 maka "Kurang Aman"= 50%
Jika N >80 & N<= 90 maka "Cukup Aman" = 75%
Jika N >90 & N<= 100 maka "Aman"= 100%
Selanjutnya setelah data terbentuk berdasarkan klasifikasi yang telah ditetapkan maka hasil nilai fuzzy atau nilai linguistik dapat dilihat pada Tabel 4.33.
96
Tabel 4.33 Nilai linguistik atau Fuzzy berdasarkan kriteria Fuzzy
Waktu
Bahan Bakar
Keamanan (%)
Taruna 2005
Sedang
sedang
aman
Kijang LGX 2005
Sedang
Boros
aman
APV 2005
Lambat
sedang
aman
Selanjutnya nilai linguistik tabel dikonversi berdasarkan nilai fuzzy. Setelah itu, tentukan nilai pembobotan dalam bentuk nilai Fuzzy. Cara menentukan pembobotan adalah berdasarkan tingkat kepentingan antara ke tiga kriteria tersebut. Bobot tersebut didapatkan dari keterangan wawancara
dari
owner CV. Jaya Mandiri berdasarkan kriteria yang ada, pengelompokan bobot dari bilangan fuzzy menjadi bilangan crips atau nilai angka adalah:
Tidak Penting (TD)
Kurang Penting (KP) = 0.25
Cukup Penting (CP) = 0.5
Penting (P)
=0.75
Sangat Penting (SP)
=1
=0
Selanjutnya menentukan bilangan fuzzy untuk bobot (W) berdasarkan tingkat kepentingan kriteria pada kasus ini adalah: W = [Kurang Penting , Penting, Kurang Penting] atau [ 0.25 ; 0.75 ; 0.25 ] Setelah bilangan fuzzy untuk nilai kriteria dan nilai alternatif telah ditentukan maka nilai-nilai fuzzy tersebut akan dikonversi menjadi nilai crips atau nilai bilangan berupa angka untuk memudahkan perhitungan pada metode fuzzy
97
saw
ini.
Cara
konversinya
telah
dijelaskan
sebelumnya
dengan
cara
pengelompokan nilai yang telah ditetapkan dan hasilnya dapat dilihat pada Tabel 4.34. Tabel 4.34 Nilai Crips Alternatif berdasarkan Kriteria Fuzzy
Waktu
Bahan Bakar
Keamanan (%)
Taruna 2005
0.6
0.6
1
Kijang LGX 2005
0.6
0.4
1
APV 2005
0.4
0.6
1
Kemudian nilai pada Tabel 4.34 diubah ke dalam bentuk matriks agar lebih mudah dilihat dalam proses perhitungan normalisasi nilai X pada gambar 4.5.
0.6
0.6
1
0.6
0.4
1
0.4
0.6
1
X=
Gambar 4.5 Matriks dari Tabel diatas yang Belum Ternormalisasi Keterangan : X = Nilai yang belum ternormalisasi Setelah itu menghitung nilai-nilai matriks yang belum ternormalisasi untuk dinormalisasikan menggunakan rumus maximum seperti perhitungan r yaitu:
=
=
=1
=
=
=1
98
=
= =1
=
=
=1
=
=
= 0.666666667
=
= =1
=
=
= 0.666666667
=
=
=1
=
= =1
Keterangan : r = adalah nilai perhitungan ternormalisasi Setelah perhitungan normalisas, selanjutnya semua hasil perhitungan tersebut dimasukkan kedalam matriks yang ternormalisasi seperti Gambar 4.6.
1
1
1
1
0.6666667
1
0.6666667
1
1
R=
Gambar 4.6 Matriks Ternormalisasi Selanjutnya melakukan proses perankingan berdasarkan persamaan diatas berdasarkan bobot yang sudah ditentukan sebelumnya, yaitu: = (0.25 x 1) + (0.75 x 1) + (0.25 x 1) = 1.25 = (0.25 x 1) + (0.75 x 0.6666666667) + (0.25 x 1) = 1
99
= (0.25 x 0.666666667) + (0.75 x 1) + (0.25 x 1) = 1.1666666667 Keterangan : V = hasil nilai perhitungan bobot Jadi nilai terbesar ada pada
(alternatif ke 1) yaitu kendaraan mobil Taruna 2005
yang terpilih sebagai alternatif terbaik dengan nilai total bobot 1.25. 4.2
Inception
4.2.1
Profil CV. Jaya Mandiri Dikutip dari wawancara antara peneliti dengan pemilik CV. Jaya Mandiri,
perusahaan ini adalah perusahaan yang bergerak di bidang supplier atau pengiriman alat-alat jadi kebutuhan pabrik-pabrik. Didirikan pada tahun 1999 oleh bapak Abdul Azis. CV. Jaya Mandiri bertempat di Bekasi yang beralamatkan di jalan Villa Mutiara Gading 2 Blok X No. 43 Bekasi Timur, Telp. 021-71241131. Sebagai general supplier CV. Jaya Mandiri untuk meningkatkan penyediaan alat-alat kebutuhan pabrik, CV. Jaya Mandiri menjalin kerjasama dengan beberapa supplier tunggal. CV. Jaya Mandiri dalam usahanya sudah berjalan selama kurang lebih 11 tahun dan dalam perkembangannya cukup baik, terutama dari segi kepuasan pelanggan (pabrik) yang menggunakan jasa pengiriman yang baik. Dengan kepercayaan yang diberikan oleh para pelanggannya CV. Jaya Mandiri terus berusaha memberikan pelayanan yang baik dan memuaskan hati pelanggan.
100
4.2.1.1 Visi Perusahaan (Vision) Memberikan pelayanan terbaik pada pelanggan (pabrik) dan kepuasan pelanggan dalam pemesanan barang adalah poin utama bagi CV. Jaya Mandiri.
4.2.1.2 Misi Perusahaan (Mission) 1.
Memberdayakan seluruh karyawan sebagai aset yang berharga untuk untuk CV. Jaya Mandiri.
2.
Selalu memberikan pelayanan prima yang terpercaya kepada pelanggan.
4.2.2
Analisa Sistem yang Sedang Berjalan Analisis sistem yang berjalan menggambarkan proses bisnis yang sedang
berlangsung pada proses pengiriman barang terhadap konsumen CV. Jaya Mandiri. Proses bisnis tersebut digambarkan pada rich picture pada Gambar 4.7.
$ $
101
$
Purchasing
Cek Barang
Laporan
Driver Kirim Barang
Inventory
Barang Masuk
Pengiriman
Barang Kurang / Habis Belanja Barang Owner CV.Jaya Mandiri
Owner Mengajukan Kontrak
Konsumen
Konsumen / Perusahaan Mengajukan Permintaan
Gambar 4.7 Proses Bisnis yang Sedang Berjalan Keterangan Gambar 4.7: Dari gambar tersebut menjelaskan proses yang sedang berjalan ketika owner mengajukan kontrak kerjasama pengiriman barang dan customer atau perusahaan mengajukan permintaan pengiriman barang kepada owner CV. Jaya Mandiri. Bagian Purchasing melakukan pengecekan barang
setiap hari dan
dilaporkan kepada owner mengenai jumlah barang yang ada di gudang dan stok barang selalu kekurangan karena tidak adanya metode untuk meramalkan jumlah permintaan barang. Ketika barang yang dibutuhkan tidak tersedia maka owner segera mengambil keputusan untuk belanja barang yang akan dikirimkan kepada customer. Setelah barang di beli lalu disimpan ke dalam gudang untuk pengiriman selanjutnya oleh driver kepada customer. Karena tidak sesuainya pemilihan
102
kendaraan untuk pengiriman barang, terkadang muncul biaya operasional tambahan.
4.2.3
Analisis dan Perancangan Usulan SKPK dalam Pengiriman Barang pada CV. Jaya Mandiri Untuk menjelaskan analisa proses bisnis pada Sistem Kecerdasan
Pendukung Keputusan dalam Pengiriman Barang pada CV. Jaya Mandiri yang diusulkan menggunakan diagram rich picture. Diagram tersebut menjelaskan alur proses bisnis pada CV. Jaya Mandiri. Gambaran proses bisnis dapat dilihat pada
$
$
gambar 4.8:
$
Purchasing
Cek Barang
Driver Kirim Barang
Laporan
Inventory
Barang Masuk
Pengiriman Barang Kurang / Habis Forcasting Belanja Barang Owner CV.Jaya Mandiri
Konsumen
IDSS IDSS & Forcasting Owner Mengajukan Kontrak
Konsumen / Perusahaan Mengajukan Permintaan
Gambar 4.8 Gambar Proses Bisnis yang Diusulkan Keterangan Gambar 4.8: Proses bisnis yang diusulkan ketika owner mengajukan kontrak kerjasama pengiriman barang dan customer atau perusahaan
mengajukan permintaan
103
pengiriman barang kepada owner CV. Jaya Mandiri. Bagian Purchasing melakukan pengecekan barang
setiap hari dan dilaporkan kepada owner
mengenai jumlah barang yang ada di gudang. Owner akan melakukan peramalan terhadap permintaan barang untuk satu tahun kedepan agar dapat diketahui berapa jumlah permintaan untuk tahun berikutnya berdasarkan history permintaan pada tahun sebelumnya dan ketika barang yang dibutuhkan tidak tersedia maka owner segera mengambil keputusan untuk belanja barang dengan jumlah yang sesuai dengan permintaan peramalan pada sistem yang nantinya akan dikirimkan kepada customer. Setelah barang dibeli lalu disimpan ke dalam gudang untuk pengiriman selanjutnya oleh driver kepada customer. Owner juga dapat menentukan kendaraan apa yang akan digunakan untuk pengiriman barang yang disesuaikan dengan spesifikasi kendaraan. Sedangkan untuk perancangan Sistem Kecerdasan Penunjang Keputusan (SKPK) dalam Pengiriman Barang pada CV. Jaya Mandiri yang diusulkan digambarkan dengan menggunakan use case system. Penjelasan mengenai perancangan sistem dapat dijelaskan pada tahapan inception. Inception merupakan tahapan awal dalam proses pengembangan sistem RUP. Pada tahapan inception menjelaskan secara keseluruhan proses dalam membangun SKPK
dalam
Pengiriman Barang CV. Jaya Mandiri, antara lain kebutuhan-kebutuhan untuk SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri meliputi visi SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri, kebutuhan fungsional dan non fungsional sampai pada kebutuhan basisdata. Selain menentukan kebutuhan-
104
kebutuhan untuk sistem, pada tahap inception juga menentukan siapa saja aktor yang berhubungan dengan sistem, menentukan batasan sistem, menentukan fungsi use case, serta menentukan diagram use case. Keseluruhan proses tersebut dijelaskan sebagai berikut. 4.2.3.1
Requirements/
Kebutuhan-kebutuhan
Untuk
SKPK
(Sistem
Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri Tujuan utama dalam membangun sebuah sistem adalah bagaimana kita dapat mengatasi masalah pemilihan kendaraan yang sesuai dengan jarak dan kapasitas jumlah barang berdasarkan spesifikasi kendaraan dan juga menetukan peramalan permintaan barang berdasarkan data barang musiman, dimulai dengan menentukan sistem seperti apa yang akan kita bangun. Untuk mengatasi masalah tersebut maka diperlukannya kebutuhan-kebutuhan didalam membangun sistem, antara lain visi dari pembuatan sistem, kebutuhan fungsional dan kebutuhan non fungsional serta constrain atau batasan sistem. Sedangkan kebutuhan-kebutuhan yang diperlukan untuk SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri antara lain membuat visi dari pembutan SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri, kebutuhan sistem perangkat lunak mencakup kebutuhan fungsional, kebutuhan non fungsional dan kebutuhan Domain. Selain itu termasuk juga kebutuhan user atau pengguna dan kebutuhan basisdata. Kebutuhan-kebutuhan tersebut dijelaskan sebagai berikut:
105
1. Visi SKPK dalam Pengiriman Barang CV. Jaya Mandiri Visi dalam membangun SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri ini adalah menyediakan sebuah sistem informasi yang dapat mempermudah user (Owner CV. Jaya Mandiri) dalam mengambil keputusan memilih kendaraan yang sesuai dengan kebutuhan pengiriman dan meramalkan jumlah barang yang akan dibutuhkan konsumen pada tahun berikutnya. 2. Software System Requirement (Kebutuhan Sistem Perangkat Lunak) Kebutuhan sistem perangkat lunak terdiri dari 3 yaitu: kebutuhan fungsional sistem, kebutuhan non-fungsional sistem dan kebutuhan Domain. Penjelasan mengenai ketiga kebutuhan sistem adalah sebagai berikut: a. Functional Requirement (Kebutuhan Fungsional) Kebutuhan fungsional dari SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri menjelaskan mengenai layanan apa saja
yang
disediakan
oleh
sistem
untuk
memudahkan
user
dalam
menggunakannya. Seperti kemampuan sistem dalam menyediakan fungsi-fungsi yang diinginkan dan dimengerti user. Kebutuhan fungsional dari SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri adalah sebagai berikut: 1. Sistem dapat memberikan kemudahan dalam perhitungan peramalan jumlah barang yang khusus memiliki pola data musiman.
106
2. Sistem dapat memberikan kemudahan perhitungan dalam hal penggunaan kendaraan yang tepat dalam mengirim barang dengan membandingkan hasil perhitungan dua metode yaitu AHP dan Fuzzy Saw. 3. Sistem menampilkan grafik-grafik hasil perhitungan. 4. User dapat mengakses hasil perhitungan pada sistem dimanapun user berada selama dapat terhubung dengan internet. b.
NonFungsional Requirement (Kebutuhan Non-Fungsional) Sedangkan kebutuhan non fungsional
SKPK (Sistem Kecerdasan
Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri meliputi kebutuhan produk, kebutuhan organisasional dan kebutuhan eksternal sistem. penjelasan lengkap mengenai kebutuhan non-fungsional adalah sebagai berikut: 1. Kebutuhan Produk Kebutuhan produk menjelaskan tentang kehandalan, kegunaan, dan kinerja dari SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri.
Kebutuhan produk yang terdapat dalam SKPK (Sistem
Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri antara lain: 1. Sistem dapat diimplementasikan hampir pada seluruh
OS (Operating
system), antara lain Microsoft Windows XP Profesional, Microsoft Windows Vista, Microsoft Windows Seven bahkan pada Linux pun SKPK dapat diimplementasikan. 2. Spesifikasi komputer yang dibutuhkan untuk menjalankan sistem minimal Pentium IV.
107
3. Memori yang dibutuhakan minimal 512 MB. 4. Hardisk yang dibutuhkan minimal 40 GB. 5. Jaringan internet untuk berinteraksi dengan sistem secara online. 6. Server yang akan menampung semua data yang terdapat pada sistem. 2. Kebutuhan Organisasional Dalam kebutuhan organisasional mendefinisikan informasi apa saja yang terdapat pada SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri meliputi standar sistem, bahasa pemograman yang digunakan dalam sistem dan metode perancangan apa yang digunakan oleh sistem. Berikut adalah penjelasan dari kebutuhan-kebutuhan tersebut antara lain: 1. Sistem yang dibangun memenuhi standar operasional sistem yang ditentukan oleh perusahaan. 2. Bahasa pemograman yang digunakan adalah bahasa PHP dengan menggunakan database MySQL. 3. Metode perancangan sistem menggunakan metode RUP (Rational Unified Process) dari Kroll dan Kruchten. 3. Kebutuhan Eksternal Kebutuhan eksternal mencakup privasi sistem, keamanan sistem, legalitas sistem serta kinerja dari sistem. Penjelasan dari kebutuhan eksternal adalah sebagai beruikut:
108
1. Dilengkapi username dan password pada SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri dan databasenya. 2. User (Owner) dan admin memiliki username dan password sendiri. 3. Sistem dapat menginformasikan berupa alert atau peringatan jika ada kesalahan dalam melakukan login pada sistem. c. Kebutuhan Domain Kebutuhan Domain berkaitan dengan hak cipta pada sistem, sehingga tidak sembarang orang dapat memasuki atau mengakses sistem ini. Kebutuhan Domain dalam sistem SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri ini adalah menggunakan sebuah copyright atau lisensi yang kemungkinan adanya pembatasan hak akses bagi yang tidak berwenang. 3. User Requirement (Kebutuhan Pengguna) Kebutuhan user menggambarkan kebutuhan fungsional dan non-fungsional bagi user yang kurang dimengerti secara teknis kerja sistem. Kebutuhan user dalam SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri yaitu: 1. User (Owner) dapat mengubah password dan username sesuai kebutuhan melalui admin. 2. Admin dapat mengubah, menambah kebutuhan.
dan menghapus akun user sesuai
109
4. Database Requirement (Kebutuhan Basisdata) Kebutuhan database menjelaskan tentang penggunaan database yang digunakan dalam sistem. Untuk SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri ini menggunakan database yang mengintegrasikan data-data yang diinput dan disimpan ke dalam database. Kebutuhan basisdata tergambar dalam sebuah database yaitu database idss. database tersebut terdiri dari tabel bobot kriteria fuzzy saw, tabel kriteria AHP, tabel kendaraan, tabel jenis barang, tabel permintaan dan tabel user.
4.2.3.2 Menentukan Batasan Masalah Sistem SKPK Dalam menentukan batasan masalah pada sistem dapat dilihat dari arsitektur sistem, yaitu entitas apa saja yang terdapat dan berinteraksi langsung dengan lingkungan sistem. Entitas/ entity tersebut ditentukan berdasarkan kebutuhan fungsional dan batasan sistem yang telah dijelaskan sebelumnya. Aktor merupakan eksternal entity (entitas luar) yang berinteraksi dengan sistem, aktor dapat berupa orang, sistem lain atau lingkungan sistem itu sendiri. Untuk arsitektur pada sistem SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam pengiriman barang CV. Jaya Mandiri digambarkan dalam diagram konteks pada Gambar 4.9.
110
Sistem KSPK
User(Owner)
Admin
Gambar 4.9 Diagram Konteks SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri Keterangan Gambar 4.9: Dapat dilihat pada diagram konteks Gambar 4.9 terdapat panah dengan garis putus-putus, panah tersebut dinamakan arrow dependent yaitu panah yang menjelaskan ketergantungan aktor dalam sistem. Terdapat dua aktor yang dependent/ bergantung dalam SKPK (Sistem Kecerdasan Pendukung Keputusan) ini, yaitu Admin dan user (Owner). Kedua aktor tersebut merupakan eksternal entity yang memiliki peran penting dalam sistem dan berinteraksi langsung dengan sistem. Penjelasan mengenai kedua aktor tersebut adalah sebagai berikut: 1. User (Owner): Aktor User (Owner) memiliki hak akses input data perhitungan ketiga metode, kriteria AHP, bobot kriteria Fuzzy Saw, kendaraan (spesifikasi kendaraan). 2. Admin: Aktor Admin memiliki peran penting dalam sistem yaitu semua hak akses dan menu user.
111
4.2.3.3 Menentukan Fungsi Use Case SKPK dalam Pengiriman Barang CV. Jaya Mandiri Use Case dapat ditentukan berdasarkan kebutuhan fungsional dari sebuah sistem, atas dasar itu dalam membangun SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam pengiriman barang CV. Jaya Mandiri ini mempunyai dua fungsi utama yang diambil dari kebutuhan fungsional sistem yaitu proses perhitungan peramalan/ Forecasting pada barang dalam satu tahun dan proses perhitungan mengambil keputusan pemilihan kendaraan dengan membandingkan dua metode IDSS (Intelegence Decision Support System) yaitu AHP dan Fuzzy Saw. Fungsi-fungsi lainnya yang berhubungan dengan fungsi utama diatas meliputi login, tambah user menginput data yang ingin dihitung, menampilkan hasil perhitungan dan grafik, menginput nilai parameter kriteria & bobot kriteria yang akan dibandingkan, menghitung nilai yang berasal dari nilai-nilai spesifikasi kendaraan dan logout. Dari fungsi-fungsi tersebut dapat ditentukan sebuah use case, untuk SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam pengiriman barang CV. Jaya Mandiri terdapat 7 usecase yaitu: 1. Login: dengan menggunakan username dan password yang telah dibuat oleh admin untuk user (Owner) dan admin dapat memasuki halaman utama (home) SKPK (Sistem Kecerdasan Pendukung Keputusan) tersebut. 2. Fuzzy Saw: use case ini menjelaskan tentang perhitungan yang menghitung nilai pada bobot kriteria dan alternatif kendaraan dengan menggunakan metode Fuzzy Saw.
112
3. AHP: use case ini menjelaskan tentang perhitungan yang membandingkan nilai intensitas tingkat kepentingan pada kriteria dan nilai alternatif kendaraan dengan menggunakan metode AHP. 4. Setting: use case ini menjelaskan tentang setting data ataupun nilai spesifikasi kendaraan, kriteria AHP dan bobot kriteria fuzzy saw. 5. Forecasting: use case ini menjelaskan tentang perhitungan peramalan pada satu jenis barang dalam satu tahun dengan menggunakan metode Pemulusan exponensial. 6. Manajemen User: use case ini menjelaskan tentang siapa saja user yang menggunakan SKPK (Sistem Kecerdasan Pendukung Keputusan) dan yang mendapat hak akses untuk login sistem tersebut. 7. Logout: dilakukan jika admin dan user (owner) ingin keluar halaman SKPK (Sistem Kecerdasan Pendukung Keputusan) ini dengan memilih logout.
4.2.3.4 Spesifikasi Aktor dan Use Case SKPK dalam Pengiriman Barang CV. Jaya Mandiri Setelah menentukan aktor dan use case apa saja yang terdapat dalam sistem SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam pengiriman barang CV. Jaya Mandiri ini, selanjutnya dibuatlah spesifikasi dari aktor dan use case tersebut. Spesifikasi aktor dan use case bertujuan untuk mendeskripsikan keterhubungan antara aktor dan use case, Tabel 4.35 ini merupakan penjelasan dari spesifikasi hubungan aktor dan use case.
113
Tabel 4.35 Spesifikasi Aktor No
Nama Aktor
Deskripsi
1
Admin
Aktor yang memiliki hak akses sistem secara keseluruhan termasuk “Manajemen User”.
2
User
User merupakan aktor yang memiliki hak akses yang tidak dapat mengakses “Manajemen User”. Owner CV. Jaya Mandiri juga merupakan aktor pada sistem SKPK ini.
Tabel 4.36 Spesifikasi Use Case pada SKPK CV. Jaya Mandiri No
Kebutuhan
Aktor
Use Case
1
Log In berdasarkan user name dan password yang telah dibuat.
Admin, User / Owner
Login
2
Untuk mendapatkan hasil perhitungan pengambilan keputusan mengenai alternatif dari 3 jenis kendaraan dan 3 nilai bobot kriteria dengan metode Fuzzy Saw untuk menghasilkan nilai bobot tertinggi dari ketiga kendaraan yang dibandingkan.
User (Owner) dan Admin
Fuzzy Saw
3
Untuk mendapatkan hasil perhitungan pengambilan keputusan mengenai alternatif dari 3 jenis kendaraan dan 3 nilai perbandingan kriteria dengan metode AHP untuk mendapatkan hasil perbandingan nilai kendaraan yang terbaik.
User (Owner) dan Admin
AHP
4
Untuk mendapatkan hasil perhitungan peramalan mengenai permintaan dalam dua belas bulan pada satu jenis barang dengan menggunakan metode pemulusan Exponensial.
User (Owner) dan Admin
Forecasting
5
Untuk mengatur , mengupdate nilai kriteria AHP, bobot kriteria Fuzzy Saw dan kendaraan.
User (Owner) dan Admin
Setting
114
6
Admin dapat menambah maupun menghapus user dan juga menampilkan user yang dapat menggunakan sistem SKPK.
Admin
Manajemen User
7
Setelah semua aktivitas terselesaikan dapat melakukan Log Out untuk keluar dari sistem.
Admin, User (Owner)
Logout
4.2.3.5 Usecase Diagram Sistem Usulan
Gambar 4.10 Usecase Diagram Sistem Usulan
4.2.3.5.1 Narasi Usecase Diagram Narasi Usecase diagram digunakan untuk menggambarkan secara tekstual langkah-langkah dalam interaksi sistem dengan penggunanya.
115
Tabel 4.37 Narasi Usecase Login Use Case Name
Login
Use Case ID
1
Actor
Admin dan User (Owner)
Description
Usecase menggambarkan kegiatan login ke dalam sistem dengan memasukkan data pengguna untuk diverifikasi oleh sistem.
Precondition
Seorang Admin maupun user (Owner) ingin melakukan login ke sistem harus mengakses terlebih dahulu url sistem tersebut.
Trigger
Usecase ini dilakukan setelah actor mengakses halaman login.
Typical Course of Events
Actor Action 1: Usecase terinisiasi saat aktor memasukkan Username & password user yang akan di proses.
Sistem Response 2: cek validasi. 3:jika password & username benar, sistem menampilkan halaman home sesuai role sistem user.
4: Usecase berakhir saat aktor telah berhasi login ke dalam sistem. Alterate Courses
3: Jika username & password tidak terdapat dalam database, maka sistem akan menampilkan alert “username atau password yang dimasukan salah”.
Conclusion
Actor berhasil login ke dalam sistem.
Post Condition
Actor telah berada pada halaman home sesuai role masingmasing.
116
Tabel 4.38 Narasi Usecase Forecasting Use Case Name
Forecasting
Use Case ID
2
Actor
Admin dan User (Owner)
Description
Untuk mendapatkan hasil perhitungan peramalan mengenai permintaan dalam dua belas bulan pada satu jenis barang dengan menggunakan metode pemulusan Exponensial.
Precondition
Seorang Admin atau user (Owner) ingin melakukan melakukan proses perhitungan Forecasting Data Real harus login ke sistem terlebih dahulu.
Trigger
Usecase ini dilakukan setelah actor menginput nilai peramalan yang ingin dihitung dan memilih filter data yang ingin ditampilkan.
Typical Course of Events
Actor Action
Sistem Response
1: Usecase terinisiasi saat aktor memasukan data permintaan sebanyak duabelas inputan sesuai jenis barang yang dipilih dan menampilkannya
2: memproses semua rumus perhitungan peramalan. 3: menampilkan hasil perhitungan dan hasil akhir dan grafik ditampilkan.
Alterate Courses
2: bila user tidak memasukkan nilai data permintaan sebanyak duabelas inputan lalu menekan tombol “save”, ketika ditampilkan dan difilter, data yang yang disave tadi juga tidak ada, sesuai yang diinput.
Conclusion
User berhasil melakukan perhitungan Forecasting.
Post Condition
Actor telah melihat hasil perhitungan dan grafik dari metode Forecasting.
117
Tabel 4.39 Narasi Usecase AHP Use Case Name
AHP
Use Case ID
3
Actor
Admin dan User (Owner)
Description
Untuk mendapatkan hasil perhitungan pengambilan keputusan mengenai alternatif dari 3 jenis kendaraan dan 3 nilai perbandingan kriteria dengan metode AHP untuk mendapatkan hasil perbandingan nilai kendaraan yang terbaik.
Precondition
Seorang Admin atau user (Owner) ingin melakukan melakukan proses perhitungan AHP harus login ke sistem terlebih dahulu.
Trigger
Usecase ini dilakukan setelah actor menginput nilai jarak dan jumlah atau berat barang yang ingin dihitung dan kriteria yang telah diinput sebelumnya serta spesifikasi kendaraan yang telah diinput.
Typical Course of Events
Actor Action
Sistem Response
1: Usecase terinisiasi saat
2: memproses semua rumus
aktor memasukan nilai jarak
perhitungan dan nilai bobot
dan
kriteria
kapasitas
dan
juga
kriteria dalam keadaan telah
dan
juga
nilai
alternatif.
ada nilainya. 3: hasil perhitungan dan hasil akhir dan grafik ditampilkan. Alterate Courses
1: bila user tidak memasukkan nilai jarak dan kapasitas lalu ketika tombol “Process” ditekan, maka tidak ada data hasil perhitungan yang ditampilkan
Conclusion
User berhasil melakukan perhitungan AHP.
Post Condition
Actor telah melihat hasil perhitungan dan grafik dari metode AHP
118
Tabel 4.40 Narasi Usecase Setting Use Case Name
Setting
Use Case ID
4
Actor
Admin dan User (Owner)
Description
Untuk mengatur , mengupdate nilai kriteria AHP, bobot kriteria Fuzzy Saw dan kendaraan.
Precondition
Seorang Admin atau user (Owner) ingin melakukan proses setting “AHP Criteria”, ” Fuzzy Saw Weight Criteria” dan “Kendaraan”, harus login ke sistem terlebih dahulu.
Trigger
Usecase ini dilakukan setelah actor masuk tampilan utama dan memilih menu setting.
Typical Course of Events
Actor Action
Sistem Response
1: Usecase terinisiasi saat aktor memilih menu setting dan memilih salah satu dari ketiga submenu “AHP Criteria”, “Fuzzy Saw Weight Criteria” dan “kendaraan”.
2: memproses perubahan nilai pada salah satu dari ketiga submenu .
Alterate Courses
1: bila user tidak melakukan update atau perubahan nilai dari salah satu dari ketiga submenu “AHP Criteria”, “Fuzzy Saw Weight Criteria” dan “kendaraan”, maka nilai yang digunakan untuk proses perhitungan Fuzzy Saw dan AHP adalah nilai yang sebelumnya.
Include Use Case Name
AHP dan Fuzzy Saw
Include Use Case ID
3 dan 5
Conclusion
User berhasil melakukan Update nilai dari salah satu dari ketiga submenu tersebut.
Post Condition
Actor telah berhasil mengupdate nilai sdari salah satu dari ketiga submenu tersebut.
119
Tabel 4.41 Narasi Usecase Fuzzy Saw Use Case Name
Fuzzy Saw
Use Case ID
5
Actor
Admin dan User (Owner)
Description
Untuk mendapatkan hasil perhitungan pengambilan keputusan mengenai alternatif dari 3 jenis kendaraan dan 3 nilai bobot kriteria dengan metode Fuzzy Saw untuk menghasilkan nilai bobot tertinggi dari ketiga kendaraan yang dibandingkan.
Precondition
Seorang Admin atau user (Owner) ingin melakukan proses perhitungan Fuzzy Saw harus login ke sistem terlebih dahulu.
Trigger
Usecase ini dilakukan setelah actor menginput nilai jarak dan jumlah barang/berat barang yang ingin dihitung dan bobot kriteria yang telah dimasukkan angka bobot kriteria dan nilai spesifikasi kendaraan.
Typical Course of Events
Actor Action 1: Usecase terinisiasi aktor memasukan nilai dan kapasitas dan kriteria dalam keadaan ada nilainya.
Sistem Response saat jarak juga telah
2: proses semua rumus perhitungan dan nilai kriteria dan juga nilai alternatif. 3: hasil perhitungan dan hasil akhir dan grafik ditampilkan.
Alterate Courses
1: bila user tidak memasukkan nilai jarak dan kapasitas lalu ketika tombol “Process” ditekan, maka tidak ada data hasil perhitungan yang ditampilkan.
Conclusion
User berhasil melakukan perhitungan Fuzzy Saw.
Post Condition
Actor telah melihat hasil perhitungan dan grafik dari metode Fuzzy Saw.
120
Tabel 4.42 Narasi Usecase Manajemen User Use Case Name
Manajemen User
Use Case ID
6
Actor
Admin
Description
Admin dapat menambah maupun menghapus user dan juga menampilkan user yang dapat menggunakan sistem SKPK.
Precondition
Seorang Admin ingin melakukan mengakses menu user harus login ke sistem terlebih dahulu.
Trigger
Usecase ini dilakukan setelah actor masuk tampilan utama dan memilih menu User.
Typical Course of Events
Actor Action
Sistem Response
1: Usecase terinisiasi saat aktor memilih menu user.
2: menampilkan tampilan data user sistem dan level user .
3: Admin melakukan insert, update dan delete user.
4: Memproses insert, update dan delete user dan menampilkan data keseluruhan kepada admin.
Alterate Courses
3: bila admin tidak melakukan insert, update dan delete data user, maka data tidak ada yang berubah.
Conclusion
Admin berhasil melakukan salah satu dari aksi insert, update dan delete data user.
Post Condition
Actor telah berhasil melakukan salah satu dari aksi insert, update dan delete data user tersebut dan menampilkannya.
Tabel 4.43 Narasi Usecase Logout Use Case Name
Logout
Use Case ID
7
Actor
Admin dan User (Owner)
Description
Setelah semua aktivitas terselesaikan dapat melakukan Log Out
121
untuk keluar dari sistem. Precondition
Seorang aktor ingin melakukan logout sistem, maka harus menekan tombol logout terlebih dahulu.
Trigger
Usecase ini dilakukan setelah actor memilih menekan tombol Logout.
Typical Course of Events
Actor Action
Sistem Response
1: Usecase terinisiasi saat
2: Sistem memproses keluar
aktor
dari tampilan sistem dan ke
memilih
menekan
tombol Logout. Alterate Courses
menu login.
3: bila aktor tidak melakukan logout, maka tidak akan melakukan proses logout sistem.
Conclusion
aktor berhasil melakukan Logout sistem.
Post Condition
Actor telah berhasil logout dan menampilkan halaman login.
122
4.3
Elaboration
4.3.1
Elaboration Phase (Fase Pengembangan)
4.3.1.1 Project Management Workflow Pada elaboration phase, segala aktifitas yang dilakukan harus tercatat dengan baik untuk itu dilakukan perbaikan pencatatan dengan perubahan atau pembaharuan pada elaboration phase.
4.3.1.2 Analysis and Design Workflow 4.3.1.2.1
Membuat Rancangan Antarmuka Perangkat Lunak Sistem Dalam SKPK (Sistem kecerdasan Pendukung Keputusan) terdapat
tampilan rancangan antarmuka yang dapat dilihat oleh admin dan user (owner) dan antarmuka yang khusus admin. Berikut ditampilkan rancangan antarmuka SKPK (Sistem Kecerdasan Pendukung Keputusan).
123
1.
Rancangan Antarmuka Khusus Admin a. Halaman Manajemen User
Gambar 4.11 Rancangan Antarmuka Manajemen User
Halaman Manajemen User menampilkan username, password, email, level dan nama user yang menggunakan sistem SKPK (Sistem Kecerdasan Pendukung Keputusan). Pada halaman ini semua user yang menggunakan sistem SKPK dapat terlihat dan data user tersebut dapat diedit, dihapus dan menambah user sesuai kebutuhan perusahaan.
124
2. Rancangan Antarmuka Admin dan User a. Halaman Login
Gambar 4.12 Rancangan Antarmuka Login
Gambar 4.12 menampilkan form login sistem SKPK yang dapat diakses oleh admin dan user SKPK. Form login ini digunakan untuk masuk ke dalam SKPK sesuai username dan password yang telah tersimpan di database SKPK. b. Halaman Menu Utama
Gambar 4.13 Rancangan Antarmuka Halaman Menu Utama
125
Gambar 4.13 menampilkan halaman utama pada SKPK. Pada halaman ini terdapat menu manajemen user, menu tersebut hanya akan tampil jika yang mengakses sistem ini dengan login username dan password level admin. Sedangkan untuk username dan password yang bukan level admin maka manajemen user tidak akan tampil atau tidak dapat diakses oleh user. Untuk memilih menu yang kita inginkan, kita memilih menu sebelah kiri pada Gambar 4.13. c. Halaman Submenu Perhitungan Forecasting Tabel MAD, MSE dan MAPE
Gambar 4.14 Rancangan Antarmuka Halaman Submenu Perhitungan Forecasting Tabel MAD, MSE dan MAPE
126
Gambar 4.14 menampilkan halaman submenu perhitungan Forecasting untuk tabel MAD, MSE dan MAPE. Untuk tabel MSE dan MAPE memiliki model form yang sama dan berbeda pada Total Kesalahan dan Hasil. Pada halaman ini user maupun admin dapat memfilter berdasarkan Nama Barang, tahun, dan nilai alfa sesuai kebutuhan peramalan barang. pada tombol “Hapus” user maupun admin dapat menghapus data permintaan berdasarkan tahun dan jenis barang. pada halaman ini sistem juga menampilkan grafik garis data permintaan dan peramalan berdasarkan ketiga nilai alfa. d. Rancangan Antarmuka Halaman Submenu Perhitungan Forecasting Tabel Total Kesalahan Peramalan
Gambar 4.15 Rancangan Antarmuka Halaman Submenu Perhitungan Forecasting Tabel Total Kesalahan Peramalan
127
Gambar 4.15 menampilkan halaman submenu perhitungan Forecasting untuk tabel Total Kesalahan Peramalan. Pada halaman ini user maupun admin dapat melihat masing-masing hasil perhitungan kesalahan dari setiap metode perhitungan kesalahan peramalan berdasarkan nilai alfa. Selain itu user maupun admin juga dapat melihat nilai perhitungan kesalahan peramalan terkecil berdasarkan nilai alfa dan juga nilai alfa yang kesalahan paling sedikit dan paling banyak nilai kesalahan terkecilnya. e. Rancangan Antarmuka Halaman Submenu Perhitungan Forecasting Tabel Hasil
Gambar 4.16 Rancangan Antarmuka Halaman Submenu Perhitungan Forecasting Tabel Hasil
128
Gambar 6.6 menampilkan halaman submenu perhitungan Forecasting untuk tabel Hasil. Pada halaman ini user maupun admin dapat melihat hasil perhitungan peramalan akhir beserta gambar grafik garis untuk nilai permintaan dan nilai alfa yang tepilih berdasarkan nilai kesalahan terkecil yang paling banyak muncul. f. Rancangan Antarmuka Halaman Submenu Tambah Forecasting
Gambar 4.17 Rancangan Antarmuka Halaman Submenu Tambah Forecasting
129
Pada halaman ini user maupun admin dapat mengisi data yang akan dilakukan peramalan berdasarkan jenis barang dan tahun. Data yang isi di halaman ini adalah data barang yang merupakan jenis permintaan barang yang musiman agar sesuai dengan syarat permalan metode pemulusan eksponensial. g. Rancangan Antarmuka Halaman Submenu Tambah Forecasting untuk Link Jenis Barang
Gambar 4.18 Rancangan Antarmuka Halaman Submenu Tambah Forecasting untuk Link Jenis Barang
Pada halaman ini user maupun admin dapat menambah jenis barang jika ingin menambah permintaan jenis barang baru. User maupun admin dapat mengedit,menambah data jenis barang maupun menghapus data jenis barang, data
130
nama barang dan deskripsi barang sesuai kebutuhan untuk peramalan permintaan pada SKPK ini. h. Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk Input Jarak dan Jumlah atau Berat Barang.
Gambar 4.19 Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk input jarak dan Jumlah atau Berat Barang
Pada halaman ini user maupun admin dapat menginput nilai jarak dan jumlah atau berat barang berdasarkan keadaan permintaan. Selanjutnya setelah menekan tombol proses akan masuk ke halaman Submenu AHP & Fuzzy Saw untuk hasil perhitungan AHP dan Fuzzy Saw seperti Gambar 6.9 setelah halaman ini. i. Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk Hasil Perhitungan AHP dan Fuzzy Saw.
131
Gambar 4.20 Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk Hasil Perhitungan AHP dan Fuzzy Saw
Pada halaman ini merupakan hasil perhitungan dari nilai jarak, jumlah atau berat barang, spesifikasi kendaraan, kriteria AHP dan bobot kriteria Fuzzy Saw yang dihitung berdasarkan perhitungan metode AHP dan Fuzzy Saw. j. Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk Hasil Perhitungan AHP dan Fuzzy Saw Lengkap.
132
Gambar 4.21 Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk Hasil Perhitungan AHP dan Fuzzy Saw Lengkap
Pada Gambar 4.21 merupakan gambar halaman yang sama dengan Gambar 4.20 tetapi halaman Gambar 4.21 merupakan hasil perhitungan lengkap
133
setelah user ataupun admin menekan tombol “Tampilkan atau Sembunyikan Perhitungan”. k. Rancangan Antarmuka Halaman Menu Setting dari Submenu Kendaraan.
Gambar 4.22 Rancangan Antarmuka Halaman Menu Setting dari Submenu Kendaraan
Pada Gambar 4.22 ini merupakan halaman dimana user maupun admin menSetting nilai spesifikasi kendaraan dan nama kendaraan. User ataupun admin dapat mengedit nilai spesifikasi maupun nama kendaraan sesuai kebutuhan perusahaan CV. Jaya Mandiri.
134
l. Rancangan Antarmuka Halaman Menu Setting dari Submenu Kriteria AHP
Gambar 4.23 Rancangan Antarmuka Halaman Menu Setting dari Submenu Kriteria AHP
Pada Gambar 4.23 ini merupakan halaman untuk menginput nilai kriteria AHP yang selanjutnya akan dihitung dengna perhitungan metode AHP. Pada gambar Gambar 4.23 tombol update merupakan tombol untuk mengupdate nilai perbandingan AHP. Dan tombol keterangan merupakan tombol yang akan menampilkan keterangan dari nilai perbandingan AHP.
135
m. Rancangan Antarmuka Halaman Menu Setting dari Submenu Bobot Kriteria Fuzzy Saw.
Gambar 4.24 Rancangan Antarmuka Halaman Menu Setting dari Submenu Bobot Kriteria Fuzzy Saw
Pada halaman pada Gambar 4.24 merupakan halaman bobot kriteria Fuzzy Saw yang akan digunakan untuk perhitungan Fuzzy Saw pada halaman AHP & Fuzzy Saw. Tombol update dan keterangan fungsinya sama dengan tombol yang ada pada halaman kriteria AHP atau halaman pada Gambar 4.23.
136
4.3.1.3 Design Model dengan Pemodelan Object Oriented 4.3.1.3.1 Class Diagram
Gambar 4.25 Class Diagram
137
Pada class “admin” satu sampai banyak (one to many) admin juga memiliki keterhubungan asosiasi dapat melakukan keempat proses pada proses yang berada pada kelas “manajemen user” untuk setiap satu user ataupun admin. class “admin” satu sampai banyak (one to many) admin juga memiliki keterhubungan asosiasi melakukan login satu kali login pada class “login” untuk setiap kali masuk ke SKPK. Class “admin” juga memiliki hubungan asosiasi (one to many) satu sampai banyak admin dapat melakukan perhitungan (one to many) satu kali sampai banyak kali perhitungan AHP & Fuzzy Saw. Admin pada kelas “admin” dengan hubungan asosiasi satu sampai banyak admin juga dapat melakukan (one to many) satu sampai banyak kali Setting baik Setting kendaraan, bobot kriteria Fuzzy Saw dan kriteria AHP yang ketiganya merupakan bagian dari kelas “Setting”. Kelas “admin” juga dapat melakukan satu kali sampai banyak (one to many) perhitungan dan tambah Forecasting pada kelas “Forecasting”. Pada kelas “user” memiliki keterhubungan asosiasi (one to many) satu sampai banyak dapat melakukan login pada kelas “login” untuk satu kali login untuk satu kali masuk SKPK. Kelas “user” memiliki hubungan asosiasi (one to many) satu sampai banyak user dapat melakukan perhitungan (one to many) satu kali sampai banyak perhitungan AHP dan Fuzzy Saw. Satu sampai banyak user memiliki hubungan asosiasi (one to many) melakukan satu kali sampai banyak kali Setting dengan mengakses kelas “Setting”. Satu sampai banyak kelas “user” memiliki hubungan asosiasi (one to many) melakukan (one to many) satu kali sampai banyak perhitungan dan penambahan data Forecasting.
138
Pada kelas “kendaraan”, “BobotKriteria_Fuzzy_Saw” dan “Kriteria_AHP” memiliki hubungan generalisasi terhadap kelas “Setting”. Kelas “JenisBarang”, ”permintaan”
memiliki
hubungan
generalisasi
terhadap
kelas
“Tambah_Forecasting” dan kelas “Tambah_Forecasting” memiliki hubungan generalisasi terhadap kelas “Forecasting”. kelas “AHP” dan kelas “Fuzzy Saw” memiliki hubungan generalisasi terhadap kelas “AHP&Fuzzy Saw”.
4.3.1.3.2 Spesifikasi Database SKPK Dari penjelasan kelas-kelas yang terdapat dalam SKPK pada Gambar 4.25 terbentuk sebuah database . Di dalam database tersebut terdapat 6 tabel, penjelaskan dari spesifikasi database pada SKPK adalah sebagai berikut: 1. Tabel Manajemen User Tabel ini berisi tentang data username, password, nama lengkap, email dan level pengguna sistem SKPK yang telah dibuatkan oleh admin pada sistem SKPK CV. Jaya Mandiri. Nama Tabel Primary Key
: Tb_user : Id_user
Media Penyimpanan
: Hardisk
Panjang Record
: 200 Byte
Jumlah Record
: 5000
Organisasi File
: Indeks
139
Struktur Tabel
:
Tabel 4.44 Tabel Spesifikasi Database Manajemen User No
Nama Field
Type Data
Panjang Field
Keterangan
1.
Id_user
Varchar
10
Identitas user
2.
Username
Varchar
50
Username user
3.
Pass
Varchar
50
Password user
4.
Nama
Varchar
50
Nama user
5.
Email
Varchar
50
Email user
6.
Level
Varchar
50
Level User
2. Tabel Jenis Barang Tabel ini berisi tentang data nama jenis barang dan deskripsi barang CV. Jaya Mandiri. Nama Tabel
: Tb_jenisbarang
Primary Key
: Id_JB
Media Penyimpanan
: Hardisk
Panjang Record
: 200 Byte
Jumlah Record
: 5000
Organisasi File
: Indeks
Struktur Tabel
:
Tabel 4.45 Tabel Spesifikasi Database Jenis Barang No
Nama Field
Type Data
Panjang Field
Keterangan
1.
Id_JB
Varchar
10
Identitas Jenis Barang
2.
Nama_JB
Varchar
50
Nama Jenis Barang
3.
Deskripsi_JB
Text
Deskripsi Jenis Barang
140
3. Tabel Kendaraan Tabel ini berisi tentang data nama kendaraan, nilai bahan bakar, kecepatan rata-rata kendaraan kapasitas atau muatan barang dan keamanan barang pada kendaraan CV. Jaya Mandiri. Nama Tabel
: Tb_kendaraan
Primary Key
: Id_ kendaraan
Media Penyimpanan
: Hardisk
Panjang Record
: 200 Byte
Jumlah Record
: 5000
Organisasi File
: Indeks
Struktur Tabel
: Tabel 4.46 Tabel Spesifikasi Database Kendaraan
No
Nama Field
Type Data
Panjang Field
Keterangan
1.
Id_kendaraan
Varchar
10
Identitas kendaraan
2.
Nama_kendaraan
Varchar
50
Nama kendaraan
3.
Bhn_bakar
Varchar
50
Nilai bahan bakar kendaraan
4.
kec_rata2
Varchar
50
Kecepatan ratarata kendaraan
5.
Kapasitas
Varchar
50
Kapasitas barang pada kendaraan
6.
Keamanan
Varchar
50
Keamanan barang pada kendaraan
141
4. Tabel Kriteria AHP Tabel ini berisi tentang data nilai intensitas kepentingan pada kriteria bahan bakar, waktu dan keamanan barang pada kendaraan CV. Jaya Mandiri. Nama Tabel
: Tb_kriteria
Primary Key
: Id_ kriteria
Media Penyimpanan
: Hardisk
Panjang Record
: 200 Byte
Jumlah Record
: 5000
Organisasi File
: Indeks
Struktur Tabel
: Tabel 4.47 Tabel Spesifikasi Database Kriteria AHP
No
Nama Field
Type Data
Panjang Field
Keterangan
1.
Id_kriteria
Varchar
10
Identitas kriteria
2.
bhn_bkr
Varchar
50
Nilai perbandingan intensitas kepentingan antara waktu dengan bahan bakar
3.
kec_rata2
Varchar
50
Nilai perbandingan intensitas kepentingan antara waktu dengan keamanan
4.
keamanan
Varchar
50
Nilai perbandingan intensitas kepentingan antara bahan bakar dengan keamanan
142
5. Tabel Bobot Kriteria Fuzzy Saw Tabel ini berisi tentang data nilai bobot tingkat kepentingan pada bobot kriteria bahan bakar, waktu dan keamanan barang pada kendaraan CV. Jaya Mandiri. Nama Tabel
: Tb_bobkit
Primary Key
: Id_ bobkit
Media Penyimpanan
: Hardisk
Panjang Record
: 200 Byte
Jumlah Record
: 5000
Organisasi File
: Indeks
Struktur Tabel
:
Tabel 4.48 Tabel Spesifikasi Database Bobot Kriteria Fuzzy Saw No
Nama Field
Type Data
Panjang Field
Keterangan
1.
Id_bobkit
Varchar
10
Identitas bobot kriteria
2.
bk_wkt
Varchar
50
Nilai intensitas kepentingan waktu
3.
bk_bhn_bkr
Varchar
50
Nilai intensitas kepentingan bahan bakar
4.
bk_keamanan
Varchar
50
Nilai intensitas kepentingan keamanan
143
6. Tabel Permintaan Tabel ini berisi tentang data nilai atau banyaknya permintaan selama dua belas bulan berdasarkan tahun dan jenis barang. Nama Tabel
: Tb_permintaan
Primary Key
: Id_ permintaan
Media Penyimpanan
: Hardisk
Panjang Record
: 200 Byte
Jumlah Record
: 5000
Organisasi File
: Indeks
Struktur Tabel
: Tabel 4.49 Tabel Spesifikasi Database Permintaan
No
Nama Field
Type Data
Panjang Field
Keterangan
1.
Id_permintaan
Varchar
10
Identitas permintaan
2.
bulan
Varchar
10
Nama bulan permintaan
3.
permintaan1
Varchar
10
Nilai permintaan
4.
Id_JB
Varchar
10
Identitas jenis barang
5.
tahunpmt
Varchar
10
Tahun untuk hasil peramalan
4.3.1.3.3 Activity Diagram Proses kerja dari sistem yang diusulkan dapat digambarkan dalam bentuk activity diagram. Berikut adalah activity diagram yang terdapat dalam sistem SKPK pada CV. Jaya Mandiri.
144
1.
Activity Diagram Login
Gambar 4.26 Activity Diagram Login
Aktor admin ataupun user membuka aplikasi pada web browser dan sistem menampilkan halaman login. Saat melakukan login, masukkan username dan password dan sistem akan memvalidasi. Bila gagal validasi, sistem akan kembali menampilkan form login. Bila validasi berhasil, maka sistem akan menampilkan halaman utama sesuai dengan hak akses masing-masing aktor.
145
2.
Activity Diagram Forecasting
Gambar 4.27 Activity Diagram Forecasting
146
User ataupun admin memilih menu Forecasting, jika user ataupun admin ingin menginput data maka memilih submenu “Tambah Forecasting”. selanjutnya memilih jenis barang dan menginput dua belas kolom permintaan atau history satu tahun dan menekan tombol “simpan”. Kemudian sistem memproses data yang telah diinput dan muncul alert ”data telah tersimpan” dan selanjutnya memilih submenu “Perhitungan Forecasting”. Jika tidak ingin menginput data maka User ataupun admin akan langsung memilih submenu “Perhitungan Forecasting”. Setelah memilih submenu “Perhitungan Forecasting” maka akan langsung tampil tabel hasil perhitungan dan grafik nilai peramalan sesuai nilai alfa, jenis barang dan tahun data barang. Jika user ataupun admin ingin memilih menghapus data maka user ataupun admin menekan tombol “Hapus” dan sistem akan memproses query permintaan hapus ke database dan menampilkan tampilan tabel dan grafik data awal dan selanjutnya memilih tombol filter . Tetapi jika user ataupun admin tidak ingin menghapus data permintaan maka akan langsung memilih “filter” data yang akan Forecasting atau diramal. Ketika memilih filter maka sistem akan memproses rumus metode pemulusan eksponensial untuk setiap nilai alfa terhadap dua belas data. Selanjutnya sistem juga akan memproses rumus untuk menghitung nilai kesalahan metode MAD, MAPE dan MSE. Selanjutnya sistem akan melakukan pemilihan nilai alfa berdasarkan nilai kesalahan terkecil berdasarkan ketiga metode kesalahan tersebut dan nilai alfa yang banyak muncul dari ketiga metode kesalahan tersebut dan ditampilkan. Selanjutnya sistem memilih nilai alfa yang terpilih berdasarkan nilai yang paling banyak muncul dan menampilkan hasil keseluruhan dan hasil akhir beserta grafik garis.
147
3.
Activity Diagram AHP
Gambar 4.28 Activity Diagram AHP
Gambar 4.28 menjelaskan user dan admin memilih menu dan submenu “AHP & Fuzzy Saw”. Selanjutnya mengisi kolom nilai jarak dan jumlah atau berat barang dan menekan tombol proses. Lalu sistem menghitung dan menampilkan nilai spesifikasi setiap kendaraan, jarak dan jumlah atau berat barang permintaan berdasarkan
nilai perbandingan kriteria. Kemudian membandingkan dan
menampilkan hasil perhitungan nilai spesifikasi. Selanjutnya sistem melakukan konversi dan menampilkan hasil perbandingan menjadi nilai berdasarkan intensitas kepentingan. Setelah itu sistem menghitung dan menampilkan matrik berpasangan kendaraan berdasarkan kriteria “waktu”, “bahan bakar” dan
148
“keamanan”. Lalu sistem menghitung dan menampilkan matriks prioritas alternatif. Kemudian sistem menghitung nilai rasio konsistensi dan mengecek apakah nilai tersebut telah temasuk katagori konsistensi atau tidak. Jika “Ya” maka sistem akan menampilkan tulisan “nilai xxx adalah nilai konsistensi” dan juga menampilkan hasil perhitungan rasio konsistensi. Dan jika tidak konsistensi maka sistem menampilkan kalimat “nilai xxx adalah tidak konsistensi” dan menampilkan hasil perhitungannya. Lalu setelah rasio konsistensi termasuk hasil yang konsisten maka sistem akan melakukan perhitungan dan menampilkan matriks prioritas global dan mensorting nilai terbesar. Setelah itu sistem juga menampilkan grafik alternatif kendaraan dan hasil terakhir. Kemudian sistem menampilkan keseluruhan perhitungan yang ingin akan ditampilkan oleh sistem.
149
4.
Activity Diagram Setting
Gambar 4.29 Activity Diagram Settin
150
Aktor user dan admin melakukan login kemudian memilih menu “Setting” dan sistem menampilkan submenu dropdown. Setelah itu aktor akan memilih submenu sesuai kebutuhan. Jika aktor (user ataupun admin) memilih submenu “Kendaraan” maka sistem akan menampilkan halaman submenu “Kendaraan”. Jika aktor ingin mengedit data maka aktor memilih tombol gambar edit lalu sistem akan menampilkan form edit dan aktor akan mengedit data lalu setelah menekan tombol edit maka sistem akan memproses data yang telah di-edit dan kembali menampilkan halaman kendaraan. Tetapi jika tidak meng-edit data maka akan tampil ke halaman kendaraan. Jika aktor memilih submenu “Kriteria AHP” maka sistem akan menampilkan halaman “Kriteria AHP”. Lalu jika aktor ingin meng-update nilai kriteria maka aktor akan mengubah nilai yang ada pada kolom-kolom kriteria dan untuk menampilkan keterangan mengenai nilai perbandingannya maka aktor bisa menekan tombol keterangan dan akan tampil tabel keterangan tingkat kepentingan. Jika data telah dirubah maka aktor menekan tombol update dan sistem akan mengupdate data yang telah dimasukkan dan menampilkan halaman kriteria AHP. Dan jika tidak mengupdate data maka aktor hanya pada tampilan kriteria AHP. Jika aktor memilih submenu “Bobot Kriteria Fuzzy Saw” maka akan tampil halaman “Bobot Kriteria Fuzzy Saw”. Lalu jika aktor ingin mengupdate nilai bobot kriteria maka aktor akan mengubah nilai yang ada pada kolom-kolom bobot kriteria dan klik tombol keterangan untuk mengetahui keterangan tingkat nilai bobot kepentingan. Setelah data diubah yang ada pada kolom-kolom bobot
151
kriteria selanjutnya menekan tombol update dan sistem akan merubah data yang ada di database dengan data yang diupdate. Tetapi jika tidak mengupdate data nilai bobot kriteria maka hanya akan tampil halaman “Bobot Kriteria Fuzzy Saw”.
5. Activity Diagram Fuzzy Saw
Gambar 4.30 Activity Diagram Fuzzy Saw
152
Aktor memilih menu AHP & Fuzzy Saw dan menginput nilai jarak dan jumlah atau berat barang sama seperti AHP untuk proses awalnya. Kemudian sistem akan menghitung nilai spesifikasi kendaraan, jarak dan jumlah atau berat barang. Lalu sistem menghitung dan menampilkan nilai perhitungan persentase berdasarkan kriteria spesifikasi kendaraan. Lalu sistem akan mengkonversi dan menampilkan nilai hasil perhitungan persentase menjadi nilai bilangan fuzzy yang telah dikelompokkan. Kemudian sistem mengkonversi kembali menjadi nilai crips atau nilai bilangan angka yang telah dibagi seratus dan menampilkannya. Selanjutnya sistem menghitung nilai sebelumnya menjadi nilai normalisasi. Lalu sistem menghitung dan menampilkan total bobot akhir dari nilai dengan bobot kriteria dan mensorting hasil total bobot akhir. Lalu sistem menampilkan seluruh perhitungan dan hasil perhitungan akhir dan juga diagram batang untuk hasil akhirnya.
153
6. Activity Diagram Manajemen User
Gambar 4.31 Activity Diagram Manajemen User
Admin login sistem terlebih dahulu
lalu sistem akan menampilkan
halaman utama sistem. Admin memilih menu manajemen user
dan sistem
menampilkan data user. Jika admin ingin menambah user baru maka admin menekan tombol “tambah user” dan menginput data user dan memilih level user kemudian menekan tombol simpan. Kemudian sistem memproses data yang telah dinput dan menampilkan data yang diinput dan juga data seluruh user dan
154
levelnya. Admin juga bisa menghapus user dan mengedit user sesuai kebutuhannya. Tetapi jika admin tidak mengedit ,menghapus dan tidak menambah user maka admin dapat memilih menu lainnya sesuai keperluannya.
7. Activity Diagram Logout
Gambar 4.32 Activity Diagram Logout
Aktor Admin ataupun aktor user masuk halaman utama sistem dan sistem menampilkan halaman utama
dan aktor menekan tombol logout dan sistem
memproses untuk keluar sistem dan menampilkan halaman login.
155
4.3.1.3.4 Sequence Diagram Pada sistem yang diajukan, terdapat interaksi antar object melalui pesan pada eksekusi sebuah usecase yang digambarkan dalam sequence diagram pada Gambar 4.33. 1. Sequence Diagram Login
Gambar 4.33 Sequence Diagram Login
Aktor melakukan inisiasi sequence dengan memanggil method form login sistem.
Selanjutnya
aktor
melakukan
login
dengan
memasukkan
(Username,Password). Dari form login, kirim (Username,Password) ke Object manajemen user. Object akan melakukan cek login (Username,Password) apakah (Username,Password) sudah benar. Bila validasi gagal, maka Object akan
156
mengirimkan pesan alert”username atau password yang dimasukkan salah” ke Tampilan form login. Tampilan form login akan menampilkan pesan gagal kepada aktor. Bila Username, Password benar, maka Object akan melakukan query untuk masuk ke menu utama. Aktor akan masuk ke menu utama sistem.
2. Sequence Diagram Forecasting
Gambar 4.34 Sequence Diagram Forecasting
157
Dimulai dari aktor melakukan inisiasi sequence dengan diawali memanggil form login lalu form login mengirimkan data username dan password ke objek manajemen user untuk di validasi dan jika benar maka objek manajemen user akan melakukan query untuk masuk ke tampilan halaman utama sistem dan halaman utama akan ditampilkan ke aktor (admin & user). Lalu aktor melakukan pilih menu “Forecasting” dan submenu “Perhitungan Forecasting” terhadap tampilan halaman utama. Lalu tampilan halaman utama melakukan query untuk pindah menampilkan tampilan “Perhitungan Forecasting” dan menampilkan halaman tampilan “Perhitungan Forecasting” kepada aktor. Kemudia aktor melakukan filter berdasarkan jenis barang, tahun dan nilai alfa terhadap tampilan “Perhitungan Forecasting”. Tampilan perhitungan Forecasting melakukan query terhadap objek jenis barang dan query jenis barang diproses. Kemudian tampilan “Perhitungan Forecasting” melakukan query tahun kepada objek permintaan dan query tahun diproses. Lalu tampilan “Perhitungan Forecasting” melakukan proses perhitungan nilai alfa, MAD, MAPE, MSE dan mensorting
nilai minimal kesalahan. Kemudian tampilan “Perhitungan
Forecasting” menampilkan hasil pehitungan Forecasting, nilai kesalahan, 3 nilai alfa dan grafik kepada aktor. Lalu aktor melakukan memilih submenu “Tambah Forecasting” tehadap tampilan “Tambah Forecasting” dan sistem menampilkan form input “Tambah Forecasting”. Forecasting”.
aktor melakukan input data “Tambah
tampilan “Tambah Forecasting” melakukan query input jenis
barang terhadap objek jenis barang dan query berhasil. Tampilan “Tambah Forecasting” melakukan query input permintaan terhadap objek permintaan dan
158
query berhasil. Tampilan “Tambah Forecasting” menampilkan data jenis barang dan alert “data telah disimpan” terhadap aktor. Lalu aktor memilih tambah untuk menambah data jenis barang baru dan pilih jenis barang baru terhadap tampilan “Tambah Forecasting”. “Tambah Forecasting” melakukan query tampil data “Jenis Barang” dan query “tambah” data baru terhadap objek “Jenis Barang” dan query berhasil. Tampilan “Tambah Forecasting” menampilkan data baru dan keseluruhan kepada aktor. Selanjutnya aktor melakukan pilih edit pada gambar edit terhadap tampilan “Tambah Forecasting” dan tampilan “Tambah Forecasting” melakukan query edit kepada objek Jenis Barang dan query berhasil. Tampilan “Tambah Forecasting” menampilkan data yang telah diupdate kepada aktor. Aktor memilih gambar hapus terhadap tampilan “Tambah Forecasting” untuk menghapus data jenis barang dan tampilan “Tambah Forecasting” menampilkan alert dan query hapus terhadap objek jenis barang dan query berhasil. Lalu tampilan “Tambah Forecasting” menampilkan data keseluruhan data jenis barang kepada aktor.
159
3. Sequence Diagram AHP
Gambar 4.35 Sequence Diagram AHP Sequence Diagram AHP dimulai dari aktor melakukan inisiasi sequence dengan aktor (admin&user) melakukan login terhadap tampilan form login dan
160
form login melakukan validasi terhadap objek manajemen user. Lalu objek manajemen user melakukan query terhadap tampilan halaman utama dan aktor melakukan pilih menu AHP&Fuzzy Saw dan submenu AHP&Fuzzy Saw terhadap tampilan halaman utama. Kemudian tampilan halaman utama melakukan query form input jarak dan jumlah/berat barang terhadap tampilan AHP&Fuzzy Saw. Lalu tampilan AHP&Fuzzy Saw menampilkan tampilan form input jarak dan jumlah atau berat barang kepada aktor. Selanjutnya aktor menginput nilai jarak dan jumlah atau berat barang terhadap tampilan AHP&Fuzzy Saw. Lalu tampilan AHP&Fuzzy Saw melakukan query perhitungan nilai spesifikasi kendaraan terhadap objek kendaraan. Query tampilkan hasil nilai perhitungan nilai spesifikasi kepada tampilan AHP&Fuzzy Saw. Tampilan AHP&Fuzzy Saw query hasil perhitungan perbandingan kepada objek kendaraan dan query berhasil. Lalu objek kendaraan melakukan query tampilkan kepada tampilan AHP&Fuzzy Saw. Selanjutnya tampilan AHP&Fuzzy Saw melakukan konversi
berdasarkan
intensitas kepentingan terhadap objek kendaraan dan query sukses. Lalu objek kendaraan melakukan query tampilkan hasil konversi nilai intensitas kepentingan kepada tampilan AHP&Fuzzy Saw. Tampilan AHP&Fuzzy Saw melakukan query hitung matriks prioritas kriteria dan query hitung matriks kriteria “waktu”,”bahan bakar” dan “keamanan” terhadap objek kriteria AHP. Tampilan AHP&Fuzzy Saw juga melakukan query hitung matriks prioritas alternatif dan nilai matriks rasio kosistensi kriteria terhadap objek kendaraan. Lalu objek kendaraan melakukan query tampilkan matriks prioritas global kepada tampilan AHP&Fuzzy Saw. Selanjutnya tampilan
161
AHP&Fuzzy Saw melakukan query grafik hasil akhir dan sorting nilai terbesar terhadap objek kendaraan dan objek kendaraan melakukan query tampilkan grafik dan hasil akhir terhadap tampilan AHP&Fuzzy Saw. Lalu tampilan AHP&Fuzzy Saw menampilkan hasil perhitungan AHP keseluruhan kepada aktor.
4. Sequence Diagram Setting
Gambar 4.36 Sequence Diagram Setting
Dimulai saat aktor melakukan inisiasi sequence dengan melakukan login terhadap tampilan form login dan form login melakukan validasi username dan password terhadap objek manajemen user. Objek manajemen user melakukan
162
query terhadap tampilan halaman utama dan halaman utama ditampilkan kepada aktor. Aktor memilih menu Setting dan submenu kendaraan terhadap tampilan halaman utama. Tampilan halaman utama melakukan query tampilkan data kendaraan
pada
tampilan
halaman
kendaraan
dan
halaman
kendaraan
menampilkan data kendaraan kepada aktor. Aktor mengedit data kendaraan pada tampilan halaman kendaraan dan tampilan halaman kendaraan melakukan query edit data kendaraan terhadap objek kendaraan. Data telah diedit oleh objek kendaraan kepada tampilan halaman kendaraan dan ditampilkan kepada aktor. Aktor memilih submenu “Kriteria AHP” terhadap tampilan halaman kriteria AHP dan menampilkan terhadap aktor. Aktor menekan tombol “keterangan”
pada tampilan halaman kriteria AHP.dan menampilkan data
keterangan intensitas tingkat kepentingan. Aktor merubah nilai perbandingan kriteria AHP dan menekan tombol”update” pada tampilan halaman kriteria AHP. Lalu tampilan halaman kriteria AHP melakukan query update data perbandingan terhadap objek kiteria AHP dan query berhasil. Tampilan halaman kriteria AHP menampilkan data berubah yang telah diupdate kepada aktor. Aktor memilih submenu “Bobot Kriteria Fuzzy Saw” pada tampilan halaman “Bobot Kriteria Fuzzy Saw” dan menampilkan data bobot kriteria kepada aktor. Aktor menekan tombol keterangan pada tampilan halaman “Bobot Kriteria Fuzzy Saw” dan menampilkan data keterangan nilai bobot kriteria Fuzzy Saw kepada aktor. Aktor mengubah nilai bobot kriteria Fuzzy Saw dan menekan tombol update pada tampilan halaman “Bobot Kriteria Fuzzy Saw”. Lalu tampilan halaman “Bobot Kriteria Fuzzy Saw” melakukan query nilai update bobot kriteria
163
terhadap objek bobot kriteria Fuzzy Saw dan data berhasil diupdate pada tampilan halaman “Bobot Kriteria Fuzzy Saw” dan menampilkan data yang telah terupdate pada aktor.
5. Sequence Diagram Fuzzy Saw
Gambar 4.37 Sequence Diagram Fuzzy Saw
Dimulai dari aktor dengan melakukan login terhadap tampilan form login dan form login validasi username dan password terhadap objek manajemen user. Lalu objek manajemen user melakukan query tampilkan halaman utama pada tampilan halaman utama dan ditampilkan kepada aktor. Lalu aktor pilih menu
164
AHP & Fuzzy Saw pada tampilan halaman utama dan tampilan halaman utama melakukan query pada halaman AHP & Fuzzy Saw dan menampilkan kolom input “Jarak dan Jumlah atau berat barang” kepada aktor. Aktor menginput nilai “Jarak dan Jumlah atau berat barang” pada tampilan halaman AHP & Fuzzy Saw dan melakukan query perhitungan spesifikasi kendaraan dan Jarak dan Jumlah atau berat barang terhadap objek kendaraan. Objek kendaraan melakukan query tampilkan pada tampilan halaman AHP&Fuzzy Saw. Tampilan halaman AHP&Fuzzy Saw melakukan query perhitungan nilai persentase kepada objek kendaraan dan objek kendaraan melakukan query tampilkan nilai persentase pada tampilan halaman AHP&Fuzzy Saw. Halaman AHP&Fuzzy Saw melakukan query konversi nilai persentase menjadi bilangan fuzzy pada objek kendaraan dan objek kendaraan melakukan query tampilkan bilangan fuzzy pada halaman AHP&Fuzzy Saw. Halaman AHP&Fuzzy Saw melakukan query konversi bilangan fuzzy menjadi bilangan crips(nilai persentase dibagi 100) terhadap objek kendaraan dan hasil konversi ditampilkan pada halaman AHP dan Fuzzy Saw. Halaman AHP dan Fuzzy Saw melakukan query hitung nilai normalisasi terhadap objek kendaraan dan objek kendaraan melakukan query tampilkan matriks/tabel hasil perhitungan normalisasi pada halaman AHP dan Fuzzy Saw. Halaman AHP dan Fuzzy Saw melakukan query hitung nilai normalisasi dengan bobot kriteria terhadap bobot kriteria Fuzzy Saw dan juga query hitung hasil perhitungan normalisasi dan bobot kriteria. Halaman AHP dan Fuzzy Saw melakukan query hitung nilai total bobot akhir terhadap bobot kriteria Fuzzy Saw dan tampilkan hasil keseluruhan hasil keseluruhan perhitungan dan sorting akhir pada halaman AHP dan Fuzzy Saw.
165
Tampilan halaman AHP dan Fuzzy Saw menampilkan hasil perhitungan keseluruhan dan grafik kepada aktor. 6. Sequence Diagram Manajemen User
Gambar 4.38 Sequence Diagram Manajemen User
Dimulai saat aktor melakukan inisiasi sequence dengan memasukkan username dan password pada tampilan form login lalu divalidasi dan halaman utama sistem menampilkan tampilan halaman utama sistem. Tampilan halaman utama sistem melakukan query tampilkan manajemen user pada tampilan
166
manajemen user dan ditampilkan terhadap aktor admin. Aktor admin memilih tombol “tambah user” pada tampilan halaman manajemen user dan tampilan halaman manajemen user ditampilkan kepada aktor admin. Aktor admin mengisi form tambah user, menekan tombol simpan dan muncul alert”data berhasil disimpan” pada tampilan halaman manajemen user. Tampilan halaman manajemen user melakukan query tambah user terhadap objek manajemen user dan query tambah user berhasil. Tampilan halaman manajemen user melakukan query tampilkan dan menampilkan ke aktor admin. Admin memilih tombol edit pada tampilan halaman manajemen user dan melakukan query edit data terhadap objek manajemen user dan query berhasil. Tampilan halaman manajemen user menampilkan data user terhadap aktor admin. Admin memilih tombol hapus dan ketika tombol hapus ditekan pada halaman halaman manajemen user akan tampil alert “apakah anda ingin menghapus data ini?” dan tampilan halaman manajemen user melakukan query hapus data terhadap objek manajemen user dan query hapus data berhasil. Tampilan halaman manajemen user menampilkan data user keseluruhan kepada aktor admin.
167
7. Sequence Diagram Logout
Gambar 4.39 Sequence Diagram Logout
Dimulai saat aktor melakukan inisiasi sequence dengan masuk halaman sistem pada tampilan halaman sistem SKPK CV. Jaya Mandiri dan aktor memilih tombol “Logout” pada tampilan halaman sistem SKPK CV. Jaya Mandiri terhadap tampilan form login dan tampilan form login tampil terhadap aktor.
4.3.1.3.5 Collaboration Diagram Pada dasarnya collaboration diagram sama dengan sequence diagram untuk menampilkan aliran skenario tertentu di dalam use case, hanya saja pada collaboration diagram lebih menjelaskan hubungan antara obyek-obyek di dalam sistem. Penjelasan dari collaboration diagram di dalam SKPK adalah sebagai berikut.
168
1. Collaboration Diagram Login
Gambar 4.40 Collaboration Diagram Login
Collaboration diagram “login” pada Gambar 4.40 melibatkan obyek manajemen user. Collaboration diagram ini menggambarkan hubungan antar obyek ketika admin ataupun user ingin memasuki halaman utama website sistem SKPK yaitu dengan melakukan login . Untuk memulai login aktor harus mengisikan username dan password pada form login. Kemudian sistem akan mengecek kesesuain data, jika data tidak sesuai akan diberikan alert login “Pasword atau username yang dimasukkan salah dan jika data lengkap akan masuk halaman utama website sistem SKPK.
169
2. Collaboration Diagram Forecasting
Gambar 4.41 Collaboration Diagram Forecasting
Collaboration diagram Forecasting sebenarnya prosesnya sama dengan sequence diagram Forecasting, perbedaanya jika sequence diagram membahas urutan kejadian sedangkan collaboration diagram membahas mengenai hubungan antar objek. Pada Collaboration diagram Forecasting diawali dengan adanya hubungan antara aktor admin ataupun user dengan objek manajemen user untuk validasi username dan password melalui tampilan form login. Jika benar maka objek manajemen user akan melakukan query untuk masuk ke tampilan halaman utama sistem dan halaman utama akan ditampilkan ke aktor (admin & user).
170
Aktor juga memiliki hubungan dengan objek jenis barang melalui tampilan “Tambah Forecasting” untuk menambah data permintaan barang dan dengan tampilan “Perhitungan Forecasting”. Aktor juga memiliki hubungan antar objek terhadap objek permintaan melalui tampilan “Tambah Forecasting” dan tampilan “Perhitungan Forecasting” dengan urutan kejadian yang sama dengan sequence diagram Forecasting.
3. Collaboration Diagram AHP
Gambar 4.42 Collaboration Diagram AHP
Collaboration diagram AHP sebenarnya prosesnya sama dengan sequence diagram AHP, perbedaanya jika sequence diagram membahas urutan kejadian
171
sedangkan collaboration diagram membahas mengenai hubungan antar objek. Pada Collaboration diagram AHP diawali dengan adanya hubungan antara aktor admin ataupun user dengan objek manajemen user untuk validasi username dan password melalui tampilan form login. Jika benar maka objek manajemen user akan melakukan query untuk masuk ke tampilan halaman utama sistem dan halaman utama akan ditampilkan ke aktor (admin & user). Aktor juga memiliki hubungan dengan objek kriteria AHP
dan kendaraan melalui tampilan
“AHP&Fuzzy Saw” dengan proses kejadian yang sama dengan sequence diagram AHP.
4. Collaboration Diagram Setting
Gambar 4.43 Collaboration Diagram Setting
172
Collaboration diagram Setting sebenarnya prosesnya sama dengan sequence diagram Setting, perbedaannya jika sequence diagram membahas urutan kejadian sedangkan collaboration diagram membahas mengenai hubungan antar objek. Pada Collaboration diagram Setting diawali dengan adanya hubungan antara aktor admin ataupun user dengan objek manajemen user untuk validasi username dan password tampilan form login. Jika benar maka objek manajemen user akan melakukan query untuk masuk ke tampilan halaman utama sistem dan halaman utama akan ditampilkan ke aktor (admin & user). Aktor juga memiliki hubungan dengan objek kriteria AHP melalui tampilan halaman kriteria AHP. Selain itu aktor juga memiliki hubungan dengan objek kendaraan melalui tampilan halaman kendaraan. Objek bobot kriteria Fuzzy Saw juga memiliki hubungan dengan aktor dan semua prosesnya melalui tampilan halaman bobot kriteria Fuzzy Saw. Dan semua keterhubungan antar objek tersebut memiliki proses kejadian yang sama dengan urutan kejadian pada sequence diagram Setting.
173
5. Collaboration Diagram Fuzzy Saw
Gambar 4.44 Collaboration Diagram Fuzzy Saw
Pada Collaboration diagram Fuzzy Saw
sebenarnya prosesnya sama
dengan sequence diagram Fuzzy Saw, perbedaanya jika sequence diagram membahas urutan kejadian sedangkan collaboration diagram membahas mengenai hubungan antar objek. Pada Collaboration diagram Fuzzy Saw diawali dengan adanya hubungan
antara aktor admin ataupun user dengan objek
manajemen user untuk validasi username dan password melalui tampilan form login. Jika benar maka objek manajemen user akan melakukan query untuk masuk ke tampilan halaman utama sistem dan halaman utama akan ditampilkan ke aktor (admin & user). Aktor memiliki hubungan dengan bobot kritria Fuzzy Saw dan
174
objek
kendaraan
melalui tampilan AHP dan Fuzzy Saw. Dan semua
keterhubungan antar objek tersebut memiliki proses kejadian yang sama dengan urutan kejadian pada sequence diagram Fuzzy Saw. . 6. Collaboration Diagram Manajemen User
Gambar 4.45 Collaboration Diagram Manajemen User
Pada Collaboration diagram Manajemen User seperti yang sudah dijelaskan pada collaboration diagram sebelumnya, prosesnya sama dengan sequence diagram Manajemen User. Pada Collaboration diagram Manajemen
175
User diawali dengan adanya hubungan antara aktor admin ataupun user dengan objek manajemen user untuk validasi username dan password melalui tampilan form login . Jika benar maka objek manajemen user akan melakukan query untuk masuk ke tampilan halaman utama sistem dan halaman utama akan ditampilkan ke aktor (admin & user). Selain itu keterhubungan aktor dengan objek manajemen user juga melalui tampilan manajemen user. Dan juga seperti yang sudah dijelaskan sebelumnya bahwa semua keterhubungan antar objek tersebut memiliki proses kejadian yang sama dengan urutan kejadian pada sequence Manajemen User.
7. Collaboration Diagram Logout
Gambar 4.46 Collaboration Diagram Logout
Pada Collaboration Diagram Logout aktor berada pada tampilan halaman SKPK CV. Jaya Mandiri dan ingin melakukan logout dengan memilih tombol logout dan keluar dari halaman utama dengan proses query pindah ke halaman form login dan menampilkan tampilan ke halaman form login.
176
4.3.1.3.6 Statechart Diagram Proses terakhir pada tahap elaborasi adalah mendefinisikan statechart diagram. Diagram statechart ini menyediakan sebuah cara untuk memodelkan bermacam-macam keadaan yang mungkin dialami sebuah obyek. Jika di dalam diagram kelas menunjukan gambaran statis dari kelas-kelas dan relasinya, lain halnya dengan diagram statechart yang digunakan untuk memodelkan behavior dinamik sebuah sistem. Berikut ini adalah statechart diagram dari sistem SKPK. 1. Statechart Diagram Login
Gambar 4.47 Statechart Diagram Login
177
Tabel 4.50 Keterangan statechart diagram untuk use case “Login” Keadaan / Statechart Alamat website di masukkan
Form login ditampilkan Username dan password diinput dan tombol Login dipilih Username dan Password divalidasi Alert" Password atau username dimasukkan salah" ditampilkan
yang
Halaman utama SKPK CV. Jaya Mandiri ditampilkan
Keterangan Setelah membuka web browser, kemudian admin ataupun user dapat menuliskan alamat dari website sistem SKPK CV. Jaya Mandiri. Setelah alamat website dituliskan pada web browser, maka akan menampilkan form Login. Setelah form login di tampilkan, admin ataupun user harus mengisi username dan password dan memilih tombol login. Mengecek valid username dan password admin ataupun user. Keadaan ini terjadi jika data yang dimasukkan tidak lengkap ataupun salah yaitu dengan di tampilkannya alert “Password atau username yang dimasukkan salah”. Keadaan ini terjadi jika data yang dimasukkan lengkap dan benar.
178
2. Statechart Diagram Forecasting
Gambar 4.48 State Diagram Forecasting
179
Tabel 4.51 Keterangan Statechart Diagram untuk Use Case “Forecasting” Keadaan / Statechart Menu Forecasting dipilih Submenu “Tambah Forecasting“ dipilih Jenis barang ditambah “Jenis barang” dipilih Data jenis barang ditampilkan Tombol “Tambah” ditekan Data jenis barang diinput dan tombol “Simpan” ditekan
Data jenis barang diedit Tombol gambar edit ditekan Data diedit Tombol edit ditekan
Data jenis barang dihapus
Tombol hapus ditekan Konfirmasi ditampilkan Kata “yes” dipilih dan data tehapus Kata “cancel” dipilih dan data tidak terhapus
Data Forecasting diinput
Submenu perhitungan Forecasting dipilih
Perhitungan, MAD, MAPE, MSE dan alfa ditampilkan
Keterangan Setelah masuk halaman utama sistem SKPK CV. Jaya Mandiri maka aktor memilih menu Forecasting. Setelah memilih menu Forecasting selanjutnya memilih submenu “Tambah Forecasting“. Setelah memilih submenu “Tambah Forecasting“, selanjutnya adalah menambah jenis barang. Klik link “Jenis barang” . Setelah mengklik link “Jenis Barang” selanjutnya adalah menampilkan data jenis barang. Setelah menampilkan data jenis barang memilih untuk menambah data jenis barang dengan cara menekan tombol “Tambah”. Setelah menekan tombol tambah akan masuk halaman input data jenis barang dan menginput data selanjutnya menekan tombol “Simpan” ,lalu akan muncul ke halaman data jenis barang. Setelah masuk halaman data jenis barang, selanjutnya adalah mengedit data jenis barang. Menekan tombol gambar edit untuk masuk ke form edit data jenis barang Setelah masuk ke form edit data jenis barang selanjutnya adalah mengedit data barang. Setelah mengedit data, selanjutnya adalah menekan tombol edit untuk memproses data yang diedit lalu akan masuk ke halaman data jenis barang. Setelah masuk halaman data jenis barang, selanjutnya adalah menghapus data jenis barang. Menekan tombol hapus Menampilkan konfimasi "Apakah anda ingin menghapus data ini?" Data yang dipilih terhapus dan menampilkan halaman data jenis barang keseluruhan. Data yang dipilih tidak terhapus dan menampilkan halaman data jenis barang keseluruhan. Setelah tidak menambah data jenis barang maka akan masuk ke halaman menginput data Forecasting. ketika menginput data Forecasting berhasil dan tetap pada hamalan “Tambah Forecasting”. Setelah tidak menginput ataupun setelah menginput data Forecasting, selanjutnya adalah masuk ke halaman perhitungan Forecasting. Ketika masuk halaman perhitungan Forecasting, selanjutnya menampilkan perhitungan, MAD, MAPE, MSE dan alfa.
180
Data perhitungan (permintaan) Forecasting dihapus
Jenis barang, tahun, nilai alfa difilter Hasil akhir keseluruhan ditampilkan
Setelah menampilkan perhitungan Forecasting dan menampilkan perhitungan, MAD, MAPE, MSE dan alfa dan memilih untuk menghapus data permintaan maka akan kembali pada tampilan halaman perhitungan Forecasting. Memfilter berdasarkan tahun jenis barang dan nilai alfa. Menampilkan hasil akhir keseluruhan, MAD, MAPE, MSE dan alfa yang terpilih
3. Statechart Diagram AHP
Gambar 4.49 State Diagram AHP
181
Tabel 4.52 Tabel Keterangan statechart diagram untuk use case “AHP” Keadaan / Statechart Menu AHP&Fuzzy Saw dipilih Form login ditampilkan Jarak dan jumlah/berat barang diinput Nilai Spesifikasi setiap kendaraan ,jarak dan kapasitas permintaan dihitung berdasarkan nilai perbandingan kriteria dan ditampilkan Alert" Password atau username yang dimasukkan salah" ditampilkan
Hasil perhitungan Nilai spesifikasi dibandingkan dan ditampilkan Hasil perbandingan dikonversi menjadi nilai berdasarkan intensitas kepentingan&ditampilkan Matrik berpasangan kendaraan dihitung berdasarkan kriteria "waktu","bahan bakar","keamanan" &ditampilkan Matrik prioritas alternatif dihitung&ditampilkan Nilai ratio konsistensi dihitung dan ditampilkan Matriks prioritas global dihitung & ditampilkan& nilai terbesar disorting Grafik alternatif kendaraan dan hasil terakhir ditampilkan
Keterangan Memilih menu AHP&Fuzzy Saw. Setelah alamat website dituliskan pada web browser, maka akan menampilkan form Login. Menginput Nilai jarak dan jumlah / berat barang yang akan dikirim. Menghitung nilai jumlah / berat barang dengan nilai spesifikasi kendaraan Keadaan ini terjadi jika data yang dimasukkan tidak lengkap ataupun salah yaitu dengan di tampilkannya alert “Password atau username yang dimasukkan salah”. Membandingkan nilai hasil perhitungan dan menampilkannya Membandingkan nilai hasil pernbandingan &dikonversi berdasarkan nilai tingkat kepentingan menghitung matrik berpasangan berdasarkan kriteria "waktu","bahan bakar","keamanan" &menampilkannya. menghitung matrik prioritas dan menampilkannya Menghitung&menampilkan nilai ratio konsistensi Menghitung&menampilkan matriks prioritas global dan mensorting nilai terbesar Menampilkan grafik kendaraan&hasil akhir
182
4. Statechart Diagram Setting
Gambar 4.50 State Diagram Setting
183
Tabel 4.53 Tabel Keterangan Statechart Diagram untuk Use Case “Setting” Keadaan / Statechart Login dilakukan Menu "Setting" dipilih Submenu "Kendaraan","Kriteria AHP","Bobot Kriteria Fuzzy Saw" ditampilkan tiga Submenu Dipilih Submenu "Bobot Kriteria Fuzzy Saw" dipilih Data nilai bobot kriteria ditampilkan Nilai bobot kriteria diubah Tombol Update ditekan
Tombol keterangan ditekan Data keterangan bobot kriteria ditampilkan
Fuzzy Saw
Submenu "Kriteria AHP" dipilih Data perbandingan ditampilkan Nilai perbandingan diubah Tombol Update Ditekan Tombol keterangan pada AHP dipilih Data keterangan tingkat kepentingan ditampilkan
Submenu "Kendaraan" dipilih Data Kendaraan&spesifikasi ditampilkan Tombol gambar edit Dipilih Form edit ditampilkan Data yang diedit diproses
Keterangan Melakukan login sistem SKPK CV. Jaya Mandiri. Memilih Menu "Seting". Metampilkan submenu "Kendaraan", "Kriteria AHP","Bobot Kriteria Fuzzy Saw" . Memilih tiga Submenu. Memilih Submenu "Bobot Kriteria Fuzzy Saw". Menampilkan data nilai bobot kriteria. Mengubah nilai bobot kriteria. Menekan tombol update dan memproses data bobot kriteria kemudian menampilkan data nilai bobot kriteria. Memilih menekan tombol keterangan. Menampilkan data keterangan bobot kriteria Fuzzy Saw dan kembali ke tampilan data bobot kriteria dan selanjutnya memilih submenu "Kriteria "AHP". Memilih submenu "Kriteria "AHP" Menampilkan data perbandingan AHP Mengubah nilai perbandingan Memproses data perbandingan dan tetap menampilkan data perbandingan. Memilih tombol keterangan AHP Menampilkan data keterangan tingkat kepentingan dan tetap pada tampilan perbandingan, selanjutnya memilih Submenu "Kendaraan". Memilih Submenu "Kendaraan". Menampilkan data kendaraan & spesifikasi Mengedit data memilih tombol edit Menampilkan form edit Memproses data yang telah diedit dan menampilkan data yang telah diedit di tampilan spesifikasi kendaraan.
184
5. Statechart Diagram Fuzzy Saw
Gambar 4.51 State Diagram Fuzzy Saw
185
Tabel 4.54 Keterangan Statechart Diagram untuk Use Case “Fuzzy Saw” Keadaan / Statechart Menu Input ahp&Fuzzy Saw dipilih "Jarak dan jumlah/berat barang" Diinput Nilai Spesifikasi kendaraan, jarak & kapasitas permintaan dihitung Nilai hasil perhitungan persentase berdasarkan kriteria pada spesifikasi kendaraan dihitung&ditampilkan. Nilai perhitungan persentase dikonversi menjadi bilangan fuzzy yang telah dikelompokan Nilai persentase dikonversi kembali menjadi bilangan crips / angka yang telah dibagi 100 &ditampilkan. Nilai dihitung menjadi nilai normalisasi & ditampilkan. Tombol Update ditekan
Hasil total bobot akhir dihitung dari nilai dengan bobot kriteria&ditampilkan Nilai disorting berdasarkan nilai terbesar&ditampilkan grafik hasil akhir
yang
Keterangan Memilih menu Fuzzy Saw. Menginput nilai jarak&kapasitas tujuan. Menghitung & menampilkan nilai spesifikasi kendaraan,jarak&kapasitas permintaan. Menghitung&menampilkan nilai hasil perhitungan persentase berdasarkan kriteria pada spesifikasi kendaraan. Mengkonversi nilai perhitungan persentase mnjadi bilangan fuzzy yang telah dikelompokan. mengkonversi&menampilkan nilai bilangan fuzzy menjadi bilangan crips. Menghitung & menampilkan nilai menjadi nilai normalisasi. Menekan tombol update dan memproses data bobot kriteria kemudian menampilkan data nilai bobot kriteria. Menghitung&menampilkan total bobot akhir dari hasil perhitungan nilai dengan bobot kriteria. Mensorting&menampilkan grafik nilai yang terbesar&hasil akhir.
186
6. Statechart Diagram Manajemen User
Gambar 4.52 State Diagram Manajemen User
187
Tabel 4.55 Keterangan Statechart Diagram untuk Use Case “Manajemen User” Keadaan / Statechart
Keterangan
login sistem dipilih Halaman utama sistem ditampilkan Menu manajemen user dipilih Data User ditampilkan semua level. User ditambah
Login sistem dipilih dan berhasil. Menampilkan halaman utama sistem. Memilih menu manajemen user. Menampilkan data user semua level. Menambahkan user dan menampilkan data user ke tampilan manajemen user. Menghapus user dan menampilkan data user ke tampilan manajemen user. Mengedit data user dan menampilkan data user ke tampilan manajemen user. Memilih menu lainnya.
User dihapus User Diedit Menu lainnya dipilih
7. Statechart Diagram Logout
Gambar 4.53 State Diagram Logout
Tabel 4.56 Keterangan Statechart Diagram untuk Use Case “Logout” Keadaan / Statechart Halaman utama sistem ditampilkan Tombol logout dipilih Halaman Login ditampilkan.
Keterangan Menampilkan halaman utama sistem. Memilih tombol logout untuk keluar sistem. Menampilkan halaman login.
188
4.4 Construction 4.4.1
Coding Program Pada tahapan ini ialah pemasukan coding dengan mengimpelentasikan
desain rancangan sistem yang telah dibuat. Untuk coding dapat dilihat pada Lampiran.
4.4.2 Testing Program (Black Box Testing) Pengujian yang dilakukan dengan menggunakan pendekatan black box testing. Dari pengujian ini dapat diketahui apakah sistem dapat memberikan keluaran seperti yang diharapkan atau tidak. Tabel 4.57 merupakan hasil pengujian black box testing pada SKPK CV. Jaya Mandiri.
Tabel 4.57 Black Box Testing NO.
AKSI
KELUARAN
HASIL
Tampilan halaman User dan admin 1
Pilih menu Login
Tampil menu Login
Sesuai
1.1
Pilih tombol Login
Jika username dan password benar tampil halaman user
Sesuai
Jika username dan password salah tampil alert.
Sesuai
2
Pilih menu Forcasting
Tampil submenu perhitungan Forcasting dan Tambah Forcasting.
Sesuai
2.1
Pilih menu perhitungan Forcasting
Tampil halaman perhitungan Forcasting
Sesuai
2.1.1
Pilih tombol filter
Tampil data sesuai nama barang, tahun dan nilai alfa yang difilter
Sesuai
2.1.2
Pilih tombol Hapus
Data tahun dan permintaan barang terhapus
Sesuai
189
2.1.3
Pilih tombol Tab
Tampil nilai salah satu dari MAD, MSE, MAPE, Total Kesalahan dan Hasil
Sesuai
2.2
Pilih menu Tambah Forcasting
Tampil halaman form Tambah Forcasting
Sesuai
2.2.1
Pilih tombol “Simpan”
Muncul alert “Data telah disimpan” dan data telah masuk ke database
Sesuai
2.2.2
Pilih Link “Jenis Barang”
Muncul tabel jenis barang, tombol tambah,tombol kembali, link hapus dan edit.
Sesuai
2.2.2.1
Pilih Link gambar Edit
Muncul halaman edit, tombol edit dan tombol kembali
Sesuai
2.2.2.1.1
Pilih tombol edit
Muncul halaman tabel data jenis barang dan data telah berhasil diedit
Sesuai
2.2.2.1.2
Pilih tombol “Kembali”
Muncul halaman tabel data jenis barang
Sesuai
2.2.2.2
Pilih link gambar hapus
Muncul alert dan data terhapus jika menekan tombol “ok” tetapi jika menekan tombol cancel data gagal dihapus
Sesuai
2.2.2.3
Pilih tombol “tambah”
Muncul halaman tambah jenis barang
Sesuai
2.2.2.3.1
Pilih tombol “simpan”
Muncul alert “data berhasil disimpan” dan data muncul dihalamn tabel jenis barang
Sesuai
2.2.2.3.2
Pilih tombol “kembali”
Muncul halaman tabel data jenis barang
Sesuai
2.2.2.4
Pilih tombol “kembali” pada halaman tabel data jenis barang
Muncul halaman “Tambah Forcasting”
Sesuai
3
Pilih menu “AHP&Fuzzy Saw”
Tampil submenu “AHP&Fuzzy Saw”.
Sesuai
3.1
Pilih submenu “AHP&Fuzzy Saw”.
Muncul halaman form input jarak dan jumlah atau berat barang dan tombol proses
Sesuai
3.2
Pilih tombol proses
Muncul halaman hasil perhitungan secara ringkas “AHP dan Fuzzy Saw”
Sesuai
3.2.1
Pilih tombol “tampilkan/sembunyikan perhitungan”
Muncul hasil-hasil perhitungan secara lengkap.
Sesuai
4
Pilih menu “Setting”
Tampil submenu kendaraan, Kriteria “AHP “dan” Bobot Kriteria Fuzzy Saw”
Sesuai
4.1
Pilih submenu “kendaraan”
Tampil tabel spesifikasi tiga kendaraan
Sesuai
190
4.1.1
Pilih tombol edit pada submenu “kendaraan”
Tampil form edit
Sesuai
4.1.1.1
Pilih tombol “simpan”
Tampil tabel spesifikasi tiga kendaraan dan data telah diedit
Sesuai
4.1.1.2
Pilih tombol “kembali”
Tampil tabel spesifikasi tiga kendaraan
Sesuai
4.2
Pilih submenu “Kriteria AHP”
Tampil form kriteria AHP
Sesuai
4.2.1
Pilih tombol “update”
Data yang dirubah akan berubah dan tersimpan ke dalam database
Sesuai
4.2.2
Pilih tombol “keterangan”
Tampil tabel keterangan tingkat kepentingan
Sesuai
4.3
Pilih submenu “Bobot Kriteria Fuzzy Saw”
Tampil form bobot criteria fuzzy saw
Sesuai
4.3.1
Pilih tombol “update” pada submenu “Bobot Kriteria Fuzzy Saw”
Data yang dirubah akan berubah dan tersimpan ke dalam database
Sesuai
4.3.2
Pilih tombol “keterangan”
Tampil tabel keterangan nilai bobot criteria
Sesuai
5
Pilih Link “Logout”
Tampil halaman login
Sesuai
Tampilan Khusus Admin 6
Pilih menu “Manajemen User”
Tampil submenu “Manajemen User”
Sesuai
6.1
Pilih submenu “Manajemen User”
Tampil halaman tabel manajemen user
Sesuai
6.1.1
Pilih tombol edit
Muncul halaman edit data
Sesuai
6.1.1.1
Pilih tombol “update”
Muncul halaman tabel manajemen user dan data telah berhasil diedit
Sesuai
6.1.1.2
Pilih tombol “kembali”
Muncul halaman tabel manajemen user
Sesuai
6.1.2
Pilih link gambar hapus
Tampil alert, tekan “ok” maka data berhasil dihapus dan tekan “cancel” data gagal dihapus
Sesuai
6.2.1
Pilih tombol “tambah user”
Tampil halaman form tambah user dan pilih level
Sesuai
6.2.2
Pilih tombol “simpan”
Muncul alert dan tekan “ok” maka muncul halaman tabel manajemen user dengan data yang baru ditambah
Sesuai
6.3
Pilih tombol “Kembali”
Muncul halaman tabel manajemen user
Sesuai
191
4.5 Transition 4.5.1
Logical Architecture SKPK
Gambar 4.54 Logical Architecture SKPK
Gambar 4.54 merupakan logical architecture dari SKPK atau yang sering disebut component diagram. Logical architecture atau component diagram tersebut menunjukan model secara fisik komponen perangkat lunak pada sistem dan hubungannya. Ada dua tipe komponen dalam diagram yaitu komponen excutable dan libraries code. Untuk kasus SKPK digunakan komponen libraries code yang menunjukkan komponen-komponen kode pustaka ke dalam masingmasing kelas dalam sistem. Dapat di lihat dari gambar diatas terdapat empat komponen antara lain komponen Firefox sebagai web browser, XAMPP sebagai web server, IDSS.php dan IDSS.sql. Dapat dilihat dari komponen sistem IDSS.php, dalam membangun sistem ini digunakan bahasa pemograman PHP pada setiap komponen kelasnya. Sedangkan database yang digunakan adalah MySQL.
192
4.5.2
Deployment Diagram SKPK
Gambar 4.55 Deployment Diagram SKPK
Deployment diagram meupakan tampilan rancangan fisik jaringan, dimana berbagai komponen akan terdapat disana. Pada SKPK CV. Jaya Mandiri, terdapat banyak subsistem yang dijalankan pada peralatan fisik yang terpisah atau sering disebut node. Deployment diagram pada Gambar 4.55 menunjukan rancangan SKPK. PC owner akan berhubungan melalui jaringan khusus melalui internet dengan browser firefox dan jaringan WAN akan meneruskan proses data ke server.
BAB V PENUTUP
5.1 Simpulan Berdasarkan pada hasil pembahasan, maka menghasilkan beberapa simpulan : 1. Dengan menggunakan dua metode pengambilan keputusan untuk memilih kendaraan maka dapat memberikan petunjuk dalam memilih kendaraan untuk pengiriman. 2. Dengan adanya SKPK yang berbasis web, diharapkan dapat membantu owner untuk menggunakan sistem tersebut dimanapun dan kapanpun. 3. Dengan dibangunnya SKPK pada CV. Jaya Mandiri diharapkan dapat membantu perusahaan dalam mengelola permintaan barang dengan adanya forecasting pada sistem SKPK.
193
194
5.2 Saran Berdasarkan penelitian dan analisis yang telah dilakukan, maka terdapat saransaran : 1. Bagi pembaca yang ingin mengembangkan sistem ini dapat menambah fitur perhitungan keamanan secara otomatis yang langsung masuk ke dalam perhitungan spesifikasi kendaraan dan juga fitur perhitungan kecepatan rata-rata secara otomatis berdasarkan kriteria untuk kondisi jalan yang akan dilalui yang juga masuk ke dalam perhitungan spesifikasi kendaraan. 2. Pembaca yang ingin mengembangkan sistem ini juga dapat menambahkan dari sisi hasil akhir perhitungan metode AHP dan Fuzzy Saw berupa spesifikasi kendaraan yang terpilih dan menambahkan hasil perhitungan biaya bahan bakar dalam pengiriman dengan jumlah/ berat barang yang dihitung. 3. Bagi pembaca yang ingin mengembangkan sistem ini juga dapat menambahkan jumlah kriteria dan alternatif lebih dari tiga ataupun dinamis.
rffi
JAyA r\dANrlrRr Villa Mutiara Gading Blol< X
- 05 No.34, Bekasi Timur.
Telp.
/
Fax.02l-71241131.
SURAT KETERANGAN No : 0l2SlJldlSekretaris/trilIn0l0 Yang bertandatangan di bawatr ini : Narna
AMul Azis
Jabatan
Pemilik CV. Jaya Mandiri
Menerangkan Bahwa
Nama
Fadly Maho
NIM
106093003079
Status
Mahasiswa
Adalah benar telah melakukan
tlIN
Syarif Hidayatullah Jakarta
p"""titi* wtuk
skrip$i di CV. Jaya Mandiri,
yang telah te.rhitrmg mulai ta€gal 5 Mei 2010 sampai de,ngan 5 Juli 2010. Dan yang bersangkutan telah melakukan
pnelitim
Demikian surat keterangan
ini
dengan baik.
diberikan untuk diprgunakan sebagaimana
mestinya
Pemilik CV. Jaya Mandiri
