Televisi layar datar merupakan satu set TV tipis yang menggunakan teknologi layar LCD atau plasma dan mempunyai HDTV set yang memiliki resolusi 720px jika ukuran TV di bawah 40 inchi. Resolusi 1080px jika ukuran TV diatas 40 inchi [1]. Televisi dengan teknologi layar LCD, LED, maupun Plasma di Indonesia sekarang ini begitu mudah ditemui dengan berbagai merek dan tipe yang ditawarkan. Merek dan tipe TV layar datar yang bervariasi merupakan keuntungan bagi calon konsumen dalam memilih televisi layar datar yang akan dibeli, karena calon konsumen dapat memilih televisi sesuai dengan keinginannya dan tidak terpacu pada satu merek maupun tipe. Berdasarkan wawancara dan kuisioner yang disebar ke 30 orang yang akan membeli TV, banyaknya merek dan tipe menjadi kendala bagi sebagian masyarakat untuk memilih atau menentukan TV yang akan dibeli, saat proses ini berlangsung seringkali calon konsumen merasa bingung saat akan menjatuhkan pilihan pada satu tipe televisi dan membutuhkan waktu yang lama untuk memilih satu tipe televisi yang diinginkan. Selain merek dan tipe yang menjadi pertimbangan dalam membeli televisi, ada beberapa hal yang perlu dipertimbangkan juga untuk membeli televisi antara lain : ukuran, resolusi, ratio, serta fasilitas pendukung seperti HDMI, S-Video, Composite Video, VGA [2]. Beberapa kendala yang dihadapi saat akan membeli televisi mendorong penulis untuk merancang dan membuat sistem pendukung keputusan yang dapat membantu memberikan rekomendasi TV layar datar berdasarkan kriteria-kriteria yang diinginkan calon konsumen. Dorongan ini menjadi pertimbangan untuk membuat sistem pendukung keputusan dengan judul “Pemanfaatan Metode Weighted Product (WP) untuk Merekomendasikan TV Layar Datar”. Penelitian ini menggunakan metode WP dikarenakan metode WP merupakan salah satu metode penyelesaian multi kriteria dimana dalam membeli sebuah TV banyak kriteria yang harus dipertimbangkan. Perhitungan dalam metode WP dalam tidak diperlukan normalisasi sehingga waktu yang diperlukan juga lebih singkat dibanding metode SAW [3]. 2.
Kajian Pustaka
Penelitian pertama dengan judul “Aplikasi Pendukung Keputusan dengan menggunakan Logika Fuzzy (Studi Kasus : Penentuan Spesifikasi komputer untuk suatu Paket Komputer lengkap). Dalam penelitian tersebut terdapat batasan himpunan yang meliputi batasan murah, normal, ataupun mahal pada variabel harga. Komputer terdiri dari beberapa bagian maka terdapat pula pencocokan antar komponen yang satu dengan lainnya, sebagai contoh jika tipe jenis dari prosesor adalah intel socket LGA 775, maka motherboard-nya pun juga harus dengan jenis yang sama [4]. Metode WP juga digunakan untuk menyelesaikan sebuah sistem pendukung keputusan dengan judul “Sistem Pendukung Keputusan Penentuan Siswa Berprestasi di Sekolah Menengah Kejuruan (SMK) Menggunakan Metode Weighted Product”. Metode WP digunakan untuk perangkingan siswa berprestasi berdasarkan data kriteria dan data bobot. Sehingga perangkingan yang dihasilkan 4
oleh sistem dapat digunakan untuk membantu Guru bagian kesiswaan dalam mengambil keputusan penentuan siswa berprestasi [5]. Sistem pendukung keputusan yang nantinya dibangun memanfaatkan metode WP dalam membantu proses perangkingan untuk memberikan suatu rekomendasi TV layar datar. TV Layar Datar merupakan satu kesatuan yang mempunyai berbagai variabel seperti harga, dimensi, berat, serta fasilitas-fasilitas pendukung maka tidak perlu ada pencocokan antar komponen seperti yang dilakukan pada penelitian yang pertama. Metode WP sendiri digunakan untuk membantu mencari rekomendasi terbaik. Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS) merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem ini digunakan untuk membantu pengambil keputusan dalam situasi yang semi terstruktur dan situasi yang tidak tersetruktur [6].
Gambar 1 Komponen SPK [7]
Gambar 1 menjelaskan tentang komponen SPK bahwa sebuah sistem pendukung keputusan dibangun dari beberapa subsistem, antara lain [7]: - Data management, termasuk database yang mengandung data yang relevan untuk berbagai situasi dan diatur oleh software yang disebut Database Management System (DBMS). Data management pada penelitian ini adalah database televisi yang berisi tabel jenis, tabel data_tv, tabel desk_tv, serta tabel merek. Tabel-tabel yang ada pada database televisi saling berhubungan dan sebagai data untuk perhitungan. - Model management, melibatkan model finansial, statistikal, management science, atau berbagai model kuantitatif lainnya sehingga dapat memberikan ke sistem suatu suatu kemampuan analitis dan manajemen software yang diperlukan. Model management dalam penelitian ini adalah perhitungan mengunakan metode WP. Perhitungan ini memanfaatkan data yang ada serta masukan prioritas dari
5
calon kosumen sehingga didapat sebuah data yang dapat dihitung serta mendapat nilai ranking yang nantinya digunakan sebagai hasil rekomendasi. - Knowledge manager, dapat mendukung subsistem lain atau bertindak sebagai komponen yang bertindak sendiri. Knowledge manager dalam penelitian ini adalah calon konsumen. Calon konsumen dapat memilih ukuran, merek serta jenis yang diinginkan, kemudian memasukkan prioritas kepentingan dari setiap kriteria. Ukuran, merek dan jenis TV yang sudah dipilih akan dicari pada tabel data_tv, hasil dari pencarian tersebut akan dihitung menggunakan metode WP. Hasil dari perhitungan tersebut akan diranking dan dipilih lima terbaik sebagai hasil rekomendasi untuk calon konsumen. - User Interface, tampilan antarmuka dimana user dapat berkomunikasi dan memberikan perintah pada DSS. User interface pada penelitian ini adalah tampilan menu sistem rekomendasi. Metode Weighted Product (WP) Metode WP merupakan salah satu metode penyelesaian yang ditawarkan untuk menyelesaikan masalah Multi Attribute Decision Making (MADM). Metode WP mirip dengan Metode Weighted Sum (WS), hanya saja metode WP terdapat perkalian dalam perhitungan matematikanya. Metode WP juga disebut analisis berdimensi karena struktur matematikanya menghilangkan satuan ukuran [8]. Metode WP adalah himpunan berhingga dari alternatif keputusan yang dijelaskan dalam beberapa hal kriteria keputusan. Jadi metode ini tidak perlu dinormalisasikan. Preferensi Ai diberikan pada Rumus 1 [9]: , dengan i = 1,2,…,m ........................(1) dimana ∑wj = 1. wj adalah pangkat bernilai positif untuk atribut keuntungan, dan bernilai negatif untuk atribut biaya. Preferensi relatife dari setiap alternatif, diberikan pada Rumus 2 : ; dengan i = 1,2, …, m.
........................(2)
Langkah – langkah menggunakan metode WP [10]: 1. Mengalikan seluruh atribut bagi sebuah alternatif dengan bobot sebagai pangkat positif untuk atribut manfaat dan bobot berfungsi sebagai pangkat negatif pada atribut biaya, 2. Hasil perkalian dijumlahkan untuk menghasilkan nilai pada setiap alternatif, 3. Mencari nilai alternatif dengan melakukan langkah yang sama seperti langkah satu, hanya saja menggunakan nilai tertinggi untuk setiap atribut tertinggi untuk setiap atribut manfaat dan terendah untuk atribut biaya, 4. Membagi nilai V bagi setiap alternatif dengan nilai standar (V(A*)) yang menghasilkan R, 5. Ditemukan urutan alternatif terbaik yang akan menjadi keputusan.
6
3.
Metode Penelitian
Gambar 2 Model Prototype [11]
Gambar 2 merupakan tahapan-tahapan yang harus dilalui pada Model Prototype. Tahapan tersebut meliputi : - Pengumpulan Kebutuhan Sistem (Requirements) Tahap awal penulis mulai menganalis kebutuhan-kebutuhan apa saja yang diperlukan dalam membangun suatu sistem mulai dari kebutuhan data sampai dengan kebutuhan hardware. Tahap pengumpulan kebutuhan data penulis melakukan dua cara yaitu dengan metode kepustakaan dan penyebaran kuisioner. Pengumpulan data dengan menggunakan metode kepustakaan, penyusun menggunakan beberapa buku yang sangat membantu , antara lain : Buku Fuzzy Multi-Attribute Decision Making (FMADM) yang membahahas tentang penggunaan metode WP; Buku Aplikasi Pemrograman Web Dinamis dengan PHP dan MySQL yang membahas tentang tatacara penggunaan script PHP dan pengolahan database dengan wampserver; Buku Konsep dan Aplikasi Sistem Pendukung Keputusan untuk mempelajari konsep dasar suatu sitem pendukung keputusan; dan materi penunjang lainnya yang didapat dari beberapa literatur dari internet dan jurnal, sedangkan semua data-data TV didapat dari internet. Pengumpulan data juga menggunakan kuisioner yang disebar secara acak ke 30 responden untuk mencari atribut apa saja yang akan digunakan pada sistem. Kuisioner ini dibuat berdasarkan wawancara yang dilakukan sebelumnya. Daftar pertanyaan terdapat pada lampiran. Kuisioner berisi beberapa pertanyaan yang masing-masing pertanyaan mempunyai lima jawaban, yaitu SP untuk Sangat Penting, P untuk Penting, CP untuk Cukup Penting, TP untuk Tidak Penting dan STP untuk Sangat Tidak Penting. Syarat untuk mengisi kuisioner ini adalah masyarakat umum yang berusia diatas 17 tahun untuk mendukung penelitian. Berdasarkan kuisioner yang telah disebar penulis mendapatkan hasil jawaban dari tiga pertanyaan yang diajukan, hasil jawaban kuisioner antara lain :
7
No 1 2
3
Tabel 1 Hasil Kuisioner Hasil Jawaban Pertanyaan SP P CP TP STP Seberapa Penting TV 10 16 3 1 buat anda ? Indikator apa saja yang anda pentingkan dalam memilih atau membeli TV ? a. Harga 17 12 1 b. Merek 12 12 4 2 c. Resolusi 9 13 6 2 d. Ukuran 12 11 6 1 e. Berat 4 6 12 4 5 f. Fasilitas 11 6 7 5 1 Pentingkah sebuah sistem rekomendasi 9 11 7 2 1 TV untuk membantu memilih TV ?
Berdasarkan hasil pada Tabel 1 maka kriteria yang digunakan pada sistem yang akan dibangun adalah harga, merek, resolusi, ukuran, dan berat. Fasilitas nantinya akan menjadi pelengkap informasi. Kriteria-kriteria tersebut akan menjadi pertimbangan saat akan memilih atau mencari televisi. - Perancangan Sistem (Design) Perancangan sistem yang digunakan adalah Data Flow Diagram (DFD). DFD atau diagram alir data adalah model proses yang digunakan untuk menggambarkan aliran data melalui sebuah sistem dan tugas atau pengolahan yang dilakukan oleh sistem [12]. Data TV, Merek TV, Jenis TV, Deskripsi TV
Admin Data TV, Merek TV, Jenis TV, Deskripsi TV
0 Sistem Rekomendasi TV
Kriteria TV, Bobot Prioritas TV
TV Rekomendasi
Calon Konsumen
Gambar 3 DFD Level 0
Gambar 3 terdapat dua entitas luar yang berhubungan dengan sistem yakni calon konsumen dan admin. Dari admin, sistem akan mendapatkan data-data TV. Data–data TV meliputi merek tv, jenis tv, data tv dan deskripsi tv. Sedangkan calon konsumen akan mendapatkan hasil rekomendasi. Hasil rekomendasi berasal dari kriteria TV dan bobot prioritas TV yang telah dimasukkan calon konsumen ke sistem sebelumnya. Berdasarkan gambar 3 dapat dikembangkan lagi menjadi DFD level 1 yang lebih detail lagi.
8
Data TV, Merek TV, Jenis TV, Deskripsi TV
1 Input Data TV
Jenis TV
jenis
Merek TV
Jenis TV Data TV Data TV, Merek TV, Jenis TV, Deskripsi TV
Admin
Jenis TV
Deskripsi TV
merek
Merek TV
Data TV, Merek TV, Jenis TV, Deskripsi TV
2 Olah Data TV
Data TV Merek TV
Data TV
data_tv Data TV Deskripsi TV Deskripsi TV
desk_tv Calon Konsumen
Kriteria TV, Bobot Prioritas TV
3 Merekomendasi TV
Deskripsi TV
TV Rekomendasi
Gambar 4 DFD Level 1
Gambar 4 merupakan pengembagan dari DFD level nol, pada DFD level satu terlihat proses sistem rekomendasi tv lebih terlihat detail. Proses sistem rekomendasi tv mempunyai beberapa proses, yaitu proses input data TV, proses olah data TV, dan proses merekomendasi TV. Proses input data, entitas admin dapat menginputkan data tv, merek tv, jenis tv, serta deskripsi tv. Proses olah data tv, entitas admin dapat melakukan hapus serta edit/update data tv, merek tv, jenis tv, serta deskripsi tv. Entitas admin dapat memperbaharui data diproses ke dua. Proses ke dua sangat penting karena admin dituntut untuk selalu memperbaharui data agar sistem nantinya dapat berjalan secara optimal. Sebagai contoh adalah harga tv yang selalu berubah mengikuti harga jual yang berlaku maka harga tv harus selalu diperbaharui. Admin dapat melakukan perubahan dip roses olah data. 1 Input Data TV
Data TV, Merek TV, Jenis TV, Deskripsi TV
Jenis TV
jenis
Merek TV Jenis TV Data TV
Jenis TV
Data TV, Merek TV, Jenis TV, Deskripsi TV
Admin
Deskripsi TV
merek Merek TV
Data TV, Merek TV, Jenis TV, Deskripsi TV
2 Olah Data TV
Data TV Merek TV Data TV
data_tv
Data TV
Deskripsi TV
Calon Konsumen
Kriteria TV, Bobot Prioritas TV
3.1 Mencari TV
Deskripsi TV
desk_tv Data TV
TV Rekomendasi
3.2 Menghitung dengan Metode WP
Deskripsi TV
Gambar 5 DFD Level 2 proses 3 (Merekomendasi TV)
9
Gambar 5 merupakan pengembangan DFD level satu proses merekomendasi TV, terlihat calon konsumen memasukkan kriteria tv untuk proses mencari tv yang nantinya data akan diperoleh dari tabel data_tv. Data yang berada pada tabel data_tv didapat dari proses input data yang dilakukan oleh entitas admin. Selain memasukkan kriteria tv calon konsumen juga memasukkan bobot prioritas tv untuk melakukan perhitungan. Data tv dan bobot tv yang diperoleh akan dihitung menggunakan metode WP. Setelah mendapatkan hasil terbaik data yang diperoleh akan digabungkan dengan data yang ada pada tabel desk_tv untuk mendapatkan informasi mengenai deskripsi tv yang nantinya akan direkomendasikan ke calon konsumen. Berdasarkan rancangan sistem menggunakan DFD, selanjutnya dapat membuat rancangan database. Sebelum membuat rancangan database terlebih dahulu penulis membuat Entity Relationship Diagram (ERD) yang merepresetasikan secara grafis hubungan antar entitas. type
berat
gambar kd_jenis
no_desk
Resolusi
fasilitas
kd_merek
harga
kd_jenis
kd_jenis
jenis
type
1
Mengambil
1
Data_TV
kd_merek no_data
mengambil
jenis
1
type
N
1
Desk_TV
Ukuran
kd_merek
merek
merek
Gambar 6 Entity Relationship Diagram (ERD)
Gambar 6 menunjukkan hubungan antar tabel. Tabel desk_tv memperoleh type yang diambil dari tabel data_tv dimana mempunyai relasi hubungan one to one. Tabel data_tv memperoleh kd_jenis yang diambil dari tabel jenis yang mempunyai relasi one to many. Tabel data_tv juga memperoleh kd_merek yang diambil dari tabel merek yang mempunyai relasi one to many. Berdasarkan ERD yang telah dibuat, penulis mulai merancang database. Rancangan database meliputi : - Tabel Admin Field Admin Passadmin
Tipe Varchar Varchar
Tabel 3 Rancangan Tabel Admin Length Keterangan 25 User admin 25 Password admin yang digunakan untuk masuk kedalam halaman administrator
Tabel 3 dirancang untuk menyimpan admin dan passadmin. Admin dan passadmin yang tersimpan digunakan untuk masuk ke halaman administrator. Admin dan passadmin nantinya juga dapat ditambah, diedit , dan dihapus.
10
- Tabel Jenis Field kd_jenis Teknologi
Tabel 4 Rancangan Tabel Jenis Length Keterangan 4 Untuk menyimpan kode jenis teknologi TV Varchar 25 Untuk menyimpan jenis teknologi TV Tipe Char
Tabel 4 dirancang untuk menyimpan jenis teknologi. TV dari waktu ke waktu akan semakin berkembang jenis teknologinya, oleh karena itu jenis teknologi yang tersimpan pada tabel jenis dapat ditambah, diedit ataupun dihapus. - Tabel Merek Field kd_merek Merek
Tipe Char Varchar
Tabel 5 Rancangan Tabel Merek Length Keterangan 4 Untuk menyimpan kode merek TV 25 Untuk menyimpan merek TV
Tabel 5 dirancang untuk menyimpan merek TV. TV mempunyai banyak merek yang dijual belikan, oleh karena itu merek TV yang tersimpan pada tabel merek dapat ditambah, diedit ataupun dihapus. - Tabel Data TV Field no_tvpe kd_jenis kd_merek Tipe Ukuran Resolusi Berat Harga
Tabel 6 Rancangan Tabel Data TV Length Keterangan 5 Untuk menyimpan no urutan TV Untuk menyimpan kode jenis teknologi Char 4 TV Char 4 Untuk menyimpan kode merek TV Untuk menyimpan tipe TV dari setiap Varchar 25 merek TV Int 55 Untuk menyimpan ukuran layar TV Int 55 Untuk menyimpan resolusi TV Untuk menyimpan berat TV dengan Int 55 penyangga Int 55 Untuk meyimpan harga tv setiap tipe Tipe Int
Tabel 6 dirancang untuk menyimpan data-data TV dari masing-masing tipe. Data-data TV yang tersimpan pada tabel Data TV dapat ditambah, diedit ataupun dihapus. - Tabel Deskripsi TV Field no_desk Tipe Gambar Fasilitas
Tabel 7 Rancangan Tabel Deskripsi TV Tipe Length Keterangan Untuk menyimpan no urutan deskripsi Int 5 TV Untuk menyimpan tipe TV dari setiap Varchar 25 merek TV Varchar 50 Untuk menyimpan gambar TV Varchar 50 Untuk menyimpan deskripsi TV
Tabel 7 dirancang untuk menyimpan deskripsi TV. Deskripsi TV dibuat untuk melengkapi data-data TV yang sudah tersimpan di tabel Data TV. Deskripsi TV yang tersimpan pada tabel Deskripsi TV dapat ditambah, diedit ataupun dihapus. 11
- Pengujian unit Pada tahap ini sistem yang telah dirancang akan diimplentasikan kedalam sebuah sistem berbasis web. Sistem dibuat dengan bahasa PHP, masing-masing file .php kemudian akan diuji satu persatu apakah sudah dapat berjalan dengan sesuai atau belum. Tahap implementasi meliputi implementasi metode WP secara manual. Sebagai contoh implementasi metode WP secara manual, yakni : Diasumsikan seorang calon konsumen TV akan membeli TV dengan teknologi LED, merek Panasonic dan ukuran antara 33-42 serta mempunyai tingkat prioritas bobot untuk ukuran 30; resolusi 50; harga 15 dan berat 5. Untuk mendapatkan hasilnya, terlebih dahulu dilakukan perbaikan bobot. Perbaikan bobot menggunakan rumus Wj. Maka didapat perhitungan sebagai berikut : 30 15 W1 = = 0,3 W3 = = 0,15 30 50 15 5 30 50 15 5 50 5 = 0,5 W4 = = 0,05 W2 = 30 50 15 5 30 50 15 5 Setelah bobot diperbaiki langkah selanjutnya adalah memilih data yang mempunyai teknologi LED, merek Panasonic dan ukuran diantara 33-42 dari 237 tipe TV, hasil pemilahan tersebut didapat 10 tipe TV yang mempunyai teknologi LED. Tabel 8 Data TV LED dengan Merek Panasonic Kriteria Alternatif C1 C2 C3 TC-L37D2 37 2073600 15 TC-L37DT30 37 2073600 16 TC-L37E3 37 2073600 12 TC-42LD24 42 2073600 19 TC-L42D2 42 2073600 19 TC-L42DT30 42 2073600 16 TC-L42E3 42 2073600 14 TC-L42E30 42 2073600 15
C1 = Ukuran TV C2 = Resolusi TV
C4 1200 1170 720 1400 1500 1080 950 990
C3 = Berat TV C4 = Harga TV
Langkah berikutnya adalah menghitung vektor S, dimana data yang ada akan dikalikan tetapi sebelumnya dilakukan pemangkatan dengan bobot dari masingmasing kriteria. Perhitungannya sebagai berikut : S1 = 370,3 x 20736000,5 x 15-0,05 x 1200-0,15 = 1282,75 S2 = 370,3 x 20736000,5 x 16-0,05 x 1170-0,15 = 1283,48 S3 = 370,3 x 20736000,5 x 12-0,05 x 720-0,15 = 1400,44 S4 = 420,3 x 20736000,5 x 12-0,05 x 1400-0,15 = 1316,62 S5 = 420,3 x 20736000,5 x 19-0,05 x 1500-0,15 = 1273,46 S6 = 420,3 x 20736000,5 x16-0,05 x 1080-0,15 = 1349,33 12
S7 = 420,3 x 20736000,5 x 14-0,05 x 950-0,15 = 1384,75 S8 = 420,3 x 20736000,5 x 15-0,05 x 990-0,15 = 3859,52 Setelah masing-masing vektor S didapat nilainya, langkah selanjutnya adalah menjumlahkan seluruh S untuk menghitung vektor V. Langkahnya sebagai berikut:
Hasil dari vektor V ini belum ada artinya sebelum dibandingkan terlebih dahulu. Perbandingan vektor V terlihat pada Tabel 9. Tabel 9 Perbandingan Hasil Vektor V Hasil Vektor V V1 V2 V3 V4 V5 V6 V7 V8
0,081 0,081 0,089 0,083 0,081 0,085 0,088 0,244
V1 0,081 Tidak Tidak Ya Ya Tidak Ya Ya Ya
V2 0,081 Tidak Tidak Ya Ya Tidak Ya Ya Ya
V3 0,089 Tidak Tidak Tidak Tidak Tidak Tidak Tidak Ya
V4 0,083 Tidak Tidak Ya Tidak Tidak Ya Ya Ya
V5 0,081 Tidak Tidak Ya Ya Tidak Ya Ya Ya
V6 0,085 Tidak Tidak Ya Tidak Tidak Tidak Ya Ya
V7 0,088 Tidak Tidak Ya Tidak Tidak Tidak Tidak Ya
V8 0,244 Tidak Tidak Tidak Tidak Tidak Tidak Tidak Tidak
Tabel 9 merupakan hasil perbandingan antar vektor, langkah awal perbandingan ini dengan cara membandingkan hasil vektor pertama dengan kedua apakah lebih besar atau tidak, apabila hasilnya lebih besar maka ya. Hasil perbandingan mendapatkan lima rekomendasi terbaik yakni V8, V3, V7, V6, dan V4. Lima tipe rekomendasi TV tersebut adalah TC-L42E30, TC-L37E3, TC-L42E3, TC-L42DT30 dan TC-42LD24 Tahap pengujian sistem dilakukan dengan mencocokan hasil rekomendasi dengan hasil perhitungan manual. Tujuan pengujian sistem untuk mengetahui apakah hasil rekomendasi dengan cara manual terdapat perbedaan hasil dengan sistem. Tahap ini terlihat pada tabel 10.
13
-
Tabel 10 Pencocokan antara Perhitungan Manual dengan Sistem Hasil Perhitungan Hasil Sistem Input Manual Rekomendasi Jenis : LCD - LG 55LK520 LG 55LK520 Merek : Semua Merek SAMSUNG SAMSUNG LN55C630K1F LN55C630K1F Ukuran : > 52” - LG 60PK550 LG 60PK550 Prioritas Kepentingan : 1. Ukuran : 30 - SAMSUNG SAMSUNG 2. Resolusi : 20 LN60C630 LN60C630 3. Berat :10 - SHARP SHARP 4. Harga : 40 LC60A77M LC60A77M -
-
-
Jenis : LCD Merek : Samsung Ukuran : 43” - 52” Prioritas Kepentingan : 1. Ukuran : 10 2. Resolusi : 40 3. Berat : 5 4. Harga : 45 Jenis : LED Merek : Semua Merek Ukuran : 43”- 52” Prioritas Kepentingan : 1. Ukuran : 10 2. Resolusi : 10 3. Berat : 10 4. Harga : 70
-
-
Jenis : LED Merek : Panasonic Ukuran : 33”- 42” Prioritas Kepentingan : 1. Ukuran : 15 2. Resolusi : 15 3. Berat : 10 4. Harga : 60
Hasil pencocokan antara perhitungan manual dengan sistem terdapat kecocokkan hasil rekomendasi. Perbedaan kecocokan terlihat pada urutan hasil ujicoba kedua, hal tersebut terjadi karena pada proses perhitungan manual menggunakan empat angka dibelakang koma. 4.
Hasil dan Pembahasan Pembuatan sistem SPK tidak lepas dari komponen-komponen SPK, dalam sistem yang dibangun ini komponen-komponen SPK dalam sistem meliputi : - Data Management, dalam sistem ini data menagement adalah database televisi. Database televisi ini berisi beberapa tabel yakni tabel admin, tabel
14
data_tv, tabel jenis, tabel merek, dan tabel desk_tv. Database televisi ini dapat terlihat pada Gambar 7.
Gambar 7 Database televisi
Gambar 7 dapat terlihat lima tabel yang sudah saya paparkan sebelumnya. Tabel admin dalam sistem ini sebagai penyimpan informasi user dan password admin yang digunakan untuk mengakses halaman administrator. Tabel data_tv digunakan untuk menyimpan informasi mengenai data-data suatu type t v, pada tabel data_tv terdapat beberapa field antara lain : field no_data, field kd_jenis, field kd_merek, field type, field ukuran, field resolusi, field harga, dan field berat. Tabel desk_tv digunakan untuk menyimpan informasi keterangan dari suatu type tv, dalam tabel ini meliputi beberapa field yaitu : field no_desk, field type, field gambar, dan field fasilitas. Tabel jenis berisi informasi mengenai jenis teknologi tv seperti LCD atau LED, dalam tabel ini berisi field kd_jenis dan jenis. Tabel merek berisi informasi merek tv yang meliputi field kd_merek dan field merek. - Model Management, dalam sistem ini model management adalah perhitungan menggunakan metode WP. Perhitungan menggunakan metode WP melalui beberapa tahap yaitu menghitung vektor S. Perintah untuk menghitung vektor S dalam sistem terlihat pada kode program 1. Kode Program 1 Perintah untuk Menghitung Vektor S 1. while($hasil=mysql_fetch_object($eksekusi)) 2. { 3. $a=(exp(($nil_a/100)*(log($hasil->ukuran)))); 4. $b=(exp(($nil_b/100)*(log($hasil->resolusi)))); 5. $c=(exp((-$nil_c/100)*(log($hasil->berat)))); 6. $d=(exp((-$nil_d/100)*(log($hasil->harga)))); 7. $vektor_S=($a*$b*$c*$d); 8. $ta[]=$vektor_S; 9. $akhir= array_sum($ta); }
Kode Program 1 berisi beberapa perintah untuk menghitung vektor S. Kode nomor tiga merupakan kode untuk menghitung ukuran yang dipangkatkan dengan w yang telah diperbaiki dan disimpan pada variabel a. Perhitungan vektor S merupakan perkalian hasil dari perhitungan variabel a,b,c, dan d yang disimpan pada variabel vektor_S. Hasil vektor S tersebut dimpan dalam array ta yang akan digunakan untuk menghitung jumlah hasil vektor S keseluruhan. Jumlah vektor S sebagai dasar untuk mengitung nilai vektor V. Perhitungan vektor V dalam sistem dapat terlihat pada kode program 2. Kode Program 2 Perintah untuk Menghitung Vektor V 1. ....... 2. $vektor_S=($a*$b*$c*$d); 3. $vektor_v=$vektor_S/$akhir;
15
Kode Program 2 tersebut adalah kode program yang digunakan untuk menghitung vektor V setelah perhitungan dari vektor S selesai dilakukan. Kode nomor tiga digunakan untuk menghitung vektor V, vektor V didapat dari hasil bagi antara hasil vektor S dibagi jumlah vektor S. Variabel akhir merupakan jumlah vektor S. Hasil dari vektor V dalam perhitungan WP belum berarti apa-apa jika hasil keseluruhan vektor V belum dibandingkan terlebih dahulu. Perbandingan vektor V ini dalam sistem dapat terlihat pada kode program 3. Kode Program 3 Perintah untuk Membandingkan Vektor V 1. $indexVektor_v[$counter][1]=(" 2.
Kode satu-sembilan merupakan kode untuk menampilkan data, kode 11-21 adalah kode program untuk membandingkan vektor V. Perbandingan vektor V menggunakan perulangan for . Hasil perbandingan akan diambil lima terbaik, untuk menampilkan lima terbaik terlihat pada kode program 4. Kode Program 4 Perintah untuk Menampilkan lima terbaik 1. $nomer=1; 2. for($i=0;$i<=4;$i++){ 3. echo "
Kode Program 4 digunakan untuk menampilkan lima terbaik. Karena data yang dihitung disimpan dalam array, maka penampilan yang dilakukan dengan perulangan for yang terdapat pada kode nomor dua dimulai dari nol sampai kurang dari samadengan empat agar yang ditampilkan lima data. - Knowledge manager, dalam sistem ini komponen ketiga dari SPK ini adalah pengguna sistem yaitu calon konsumen. Calon konsumen melalui beberapa tahap saat akan menggunakan sistem ini, tahapan tersebut meliputi : calon konsumen wajib memilih jenis tv yang diinginkan, kemudian memilih ukuran dan merek. Tahap kedua memasukkan bobot prioritas yang meliputi bobot ukuran, resolusi, harga, dan berat, keempat bobot prioritas ini harus berjumlah 100% apabila kurang dari 100% maka sistem tidak akan bekerja. Setelah tahap satu dan dua selesai maka calon konsumen dapat menekan tombol lanjut, apabila tombol lanjut sudah ditekan maka sistem akan bekerja. Sistem akan melakukan proses pencarian
16
data berdasar jenis, merek, dan ukuran yang sudah dipilih sebelumnya. Berdasarkan data yang sudah terpilih maka data akan dihitung menggunakan metode WP berdasarkan bobot prioritas yang sudah diinputkan sebelumnya. Calon konsumen akan mendapatkan lima type tv terbaik berdasrkan hasil perhitungan dengan metode WP. - User Interface, dalam sistem ini peneliti membuat sistem berbasis web. Tampilan sistem rekomendasi terlihat pada gambar 8.
Gambar 8 Halaman Menu Sistem Rekomendasi
Gambar delapan merupakan tampilan halaman yang akan digunakan oleh calon konsumen dalam menggunakan sistem rekomendasi TV ini. Apabila kriteria sudah dipilih dan bobot prioritas sudah terpenuhi dan tombol lanjut sudah ditekan makan calon konsumen akan dibawa ke halaman yang berisi hasil rekomendasi, dapat dilihat pada gambar 9.
Gambar 9 Halaman Hasil Sistem Rekomendasi
Gambar sembilan merupakan halaman dari hasil rekomendasi. Terlihat bahwa sistem memberi rekomendasi lima type tv. Berdasarkan hasil rekomendasi ini, calon konsumen dapat memilih satu dari yang direkomendasikan. Calon
17
konsumen dapat melihat fasilitas dari type yang direkomendasikan dengan menekan tombol lihat.
Gambar 10 Halaman Lihat Fasilitas
Gambar 10 dapat ditampilkan apabila calon konsumen menekan tombol lihat pada kolom fasilitas yang ada pada halaman hasil rekomendasi. Halaman fasilitas ini berisi dua tabel yaitu gambar dan fasilitas. Calon konsumen dapat membaca informasi mengenai type tv yang direkomendasikan dan gambar dari type tv yang direkomendasikan. Contoh penggunaan sistem rekomendasi tv adalah diasumsikan seorang calon konsumen akan membeli tv layar datar yang memanfaatkan Sistem Rekomendasi TV. Calon konsumen wajib mengisi form yang ditampilkan oleh sistem, form terlihat pada Gambar 7. Calon konsumen dimisalkan memilih jenis LED, semua merek dengan ukuran > 52 dan mengisi prioritas kepentingan ukuran, resolusi , berat, serta harga dengan angka 30, 25, 5, dan 40.
Gambar 11 Halaman Sistem Rekomendasi sesuai inputan
Calon konsumen dapat menekan tombol lanjut setelah semua kriteria terpenuhi. User dapat memilih jenis, merek, serta ukuran TV yang diinginkan serta mengisi prioritas kepentingan untuk bobot kepentingan. User dapat menekan tombol lanjut apabila user telah memenuhi syarat. Syarat-syarat sistem meliputi : 18
- User wajib memilih jenis TV - User wajib memasukkan prioritas kepentingan yang totalnya 100 persen.
Gambar 12 Halaman Hasil Sistem Rekomendasi
Gambar 12 merupakan hasil dari sistem rekomendasi, sistem memberikan lima pilihan terbaik dari delapan data yang ada. Hasil tersebut didapat dari kriteria yang telah dipilih serta mengisi besaran prioritas kepentingan. Lima tipe tersebut didapat dari perhitungan WP, langkah-langkah sistem menampilkan hasil : Pertama sistem akan mencari data yang ada pada database sesuai dengan jenis, merek, dan ukuran yang sudah dipilih sebelumnya pada form Sistem Rekomendasi. Data-data yang direkomendasikan berdasarkan data yang telah diinputkan oleh admin. Admin dalam sistem ini sangat berperan penting, karena data-data yang ada pada sistem harus terus diperbaharui terutama untuk harga. Admin dapat melakukan perbaharuan harga di menu admin yang sudah disiapkan. Pembaharuan data sangat penting agar sistem berjalan optimal. Kode Program 5 Perintah untuk Mendapatkan Data 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18.
include "/include/conecsi.inc"; $ambil=""; if(strcmp($fm_merek,'not_merek')==0 and strcmp($fm_ukrn,'not_ukuran')==0) $ambil="select * from data_tv where kd_jenis='".$fm_jenis."'"; else if (strcmp($fm_ukrn,'not_ukuran')==0){ $ambil="select * from data_tv where kd_jenis='".$fm_jenis."' and kd_merek='".$fm_merek."'";} else if(strcmp($fm_merek,'not_merek')==0 and strcmp($fm_ukrn,'<24')==0){ ............. else if(strcmp($fm_merek,'not_merek')==0 and strcmp($fm_ukrn,'43-52')==0){ $ambil="select * from data_tv where kd_jenis='".$fm_jenis."' and ukuran < '53' and ukuran > '42'";} else if(strcmp($fm_merek,'not_merek')==0 and strcmp($fm_ukrn,'53')==0){ $ambil="select * from data_tv where kd_jenis='".$fm_jenis."' and ukuran > '52'";} else { if(strcmp($fm_ukrn,'<24')==0){ $ambil="select * from data_tv where kd_jenis='".$fm_jenis."' and kd_merek='".$fm_merek."' and ukuran < '24'";} ............. else if(strcmp($fm_ukrn,'53')==0){ $ambil="select * from data_tv where kd_jenis='".$fm_jenis."' and kd_merek='".$fm_merek."' and ukuran > '52'";
Kode Program lima ini merupakan kode program yang pertama kali dieksekusi oleh sistem saat user menekan tombol lanjut. Kode nomor satu merupakan kode untuk memanggil conecsi.inc yang berisi kode program untuk terhubung ke database. Kode nomor 2-18 merupakan beberapa perintah untuk mengambil data pada database. Data yang akan diambil akan disimpan pada variabel ambil, pada contoh yang akan dieksekusi kode nomor 11 dan 12. Kode 19
nomor 11 dan 12 dieksekusi karena pada from telah memilih jenis dan ukuran > 52, sedangkan merek tidak dipilih. Data yang telah didapat nantinya akan digunakan sebagai dasar perhitungan. Hasil pencarian mendapat data yang terlihat pada tabel 12. Tipe 55LH90 55LH93 55LH95 55LHX 55LV5500 55LW5300 55LW5600 55LW6500 65LW6500 UN55B6000 UN55B7000 UN55B8000 UN55D6500 UN55D7000 UN55D8000 UN60C6400RF UN60D6500 UN60D8000YF UN55C6500VF UN55C6800UF LC80LE632U
Tabel 12 merupakan hasil pencarian data TV dengan jenis LED, semua merek dan ukuran > 52. Terlihat terdapat 21 jenis type TV yang sesuai dengan keinginan calon konsumen yang telah diinputkan. Langkah berikutnya menghitung nilai vektor S dan vektor V dari data tabel 12. Menghitung vektor S dibutuhakan bobot, pada contoh bobot (W) = 30,25,5,40. Perhitungan vektor S pada sistem berdasarkan kode program 1 yang telah dipaparkan sebelumnya. Sebelum menghitung vektor S dilakukan perbaikan bobot terlebih dahulu, perbaikan bobot antara lain : W1 = = = 0,3 W3 = = = 0,05 W2 =
=
= 0,25
W4 =
=
= 0,4
Setelah perbaikan bobot dihitung, langkah selanjutnya menghitung nilai vektor S. Beberapa perhitungan vektor S berdasarkan data yang ada pada tabel 12, antara lain : S1 = 550,3 x 20736000,25 x 36-0,05 x 3200-0,4 = 76,43089 S2 = 550,3 x 20736000,25 x 36-0,05 x 5900-0,4 = 74,58317 S3 = 550,3 x 20736000,25 x 35-0,05 x 5500-0,4 = 74,89833 S4 = 550,3 x 20736000,25 x 26-0,05 x 4900-0,4 = 76,37189 S5 = 550,3 x 20736000,25 x 23-0,05 x 2099-0,4 = 79,49195 20
S6 = 550,3 x 20736000,25 x 21-0,05 x 1900-0,4 = 80,17315 S7 = 550,3 x 20736000,25 x 22-0,05 x 2399-0,4 = 79,24424 Hasil perhitungan vektor V dari 21 data type TV yang ada pada tabel 12 dapat dilihat pada tabel 13. Tabel 13 Hasil Perhitungan Vektor S Tipe
Ukuran
Resolusi
Berat
Harga
Vektor S
55LH90
3.3274291
37.947332
0.8359588
0.7240924
76.43089
55LH93
3.3274291
37.947332
0.8359588
0.7065875
74.58317
55LH95
3.3274291
37.947332
0.8371371
0.7085745
74.89833
55LHX
3.3274291
37.947332
0.8496721
0.711856
76.37189
55LV5500
3.3274291
37.947332
0.8548966
0.7364097
79.49195
55LW5300
3.3274291
37.947332
0.8587941
0.7393496
80.17315
55LW5600
3.3274291
37.947332
0.8567988
0.7324851
79.24424
55LW6500
3.3274291
37.947332
0.8567988
0.7290409
78.87163
65LW6500
3.4984366
37.947332
0.8295404
0.7142913
78.66257
UN55B6000
3.3274291
37.947332
0.8567988
0.720689
77.96808
UN55B7000
3.3274291
37.947332
0.8567988
0.7191321
77.79964
UN55B8000
3.3274291
37.947332
0.8450455
0.7176581
76.57513
UN55D6500
3.3274291
37.947332
0.8679157
0.7301315
80.0145
UN55D7000
3.3274291
37.947332
0.8705506
0.7250126
79.69473
UN55D8000
3.3274291
37.947332
0.8705506
0.720689
79.21947
UN60C6400RF
3.4154299
37.947332
0.8422323
0.7259641
79.24533
UN60D6500
3.4154299
37.947332
0.8359588
0.7232017
78.35576
UN60D8000YF
3.4154299
37.947332
0.8567988
0.7162589
79.53816
UN55C6500VF
3.3274291
37.947332
0.8567988
0.7279703
78.75581
UN55C6800UF
3.3274291
37.947332
0.8608917
0.7259641
78.91394
LC80LE632U
3.7232911
37.947332
0.8184306
0.7085745
81.93616
Jumlah S
1646.745
Tabel 13 merupakan data setelah dipangkatkan dan dihitung nilai vektor S dan jumlah vektor S. Langkah berikutnya adalah menghitung vektor V, untuk menghitung vektor V terlihat pada Kode Program 2 yang telah dipaparkan sebelumnya. Perhitungan vektor V sebagai berikut : V1 =
= 0,0464133
V4 =
= 0,0463775
V2 =
= 0,0452913
V5 =
= 0,0482722
V3 =
= 0,0454827
Hasil perhitungan vektor V selanjutnya dapat dilihat pada Tabel 14. Hasil perhitungan vektor V tersebut belum berarti apa-apa sebelum dibandingkan terlebih dahulu.
21
Tabel 14 Hasil Perhitungan Vektor V Vektor S
Jumlah S
vektor V 0.0464133
76.43089 74.58317
0.0452913
74.89833
0.0454827
76.37189
0.0463775
79.49195
0.0482722
80.17315
0.0486858
79.24424
0.0481217
78.87163
0.0478955
78.66257
0.0477685
77.96808
0.0473468
77.79964
1646.745
0.0472445
76.57513
0.0465009
80.0145
0.0485895
79.69473
0.0483953
79.21947
0.0481067
79.24533
0.0481224
78.35576
0.0475822
79.53816
0.0483002
78.75581
0.0478251
78.91394
0.0479212
81.93616
0.0497564
Hasil perhitungan dari tabel 14 akan dibandingakan terlebih dahulu oleh sistem. Cara sistem membandingkan vektor V terlihat jelas pada Kode Program 3 yang sudah dipaparkan sebelumnya. Data yang terpilih akan ditampilkan ke calon konsumen. Hasil rekomendasi yang diberikan ke konsumen berupa lima pilihan type tv. Berdasarkan hasil pembandingan sistem terdapat lima pilihan yang direkomendasikan yaitu type 55LW5300, 55LV5500, 55LW5600, UN55D6500, dan 55LW6500. Hasil tersebut terlihat pada gambar 12 yang telah dipaparkan sebelumnya. Sistem Rekomendasi ini juga sudah diujicobakan ke 30 orang yang akan membeli TV Layar Datar. 30 orang yang mencoba sistem ini diwajibkan mengisi kuisioner yang berisi enam pertanyaan, pertanyaan tersebut dapat dilihat pada Tabel 15.
22
Tabel 15 Hasil Kuisioner Pengujian Sistem Pertanyaan
Sangat Menarik
Menarik
Cukup Menarik
1
Menurut anda apakah tampilan web ini sudah menarik ?
4
21
5
Sangat Mudah
Mudah
Cukup Mudah
1
19
10
30
3
16
11
30
4
17
9
30
Sangat Sesuai
Sesuai
Cukup Sesuai
Tidak Sesuai
1
17
8
4
Sangat Terbantu
Terbantu
Cukup Terbantu
Tidak Terbantu
19
8
3
2
3
4
5
6
Menurut anda apakah keterangan pada web ini mudah dibaca ? Menurut anda apakah panduan penggunaan sistem rekomendasi mudah dimengerti? Menurut anda apakah sistem rekomendasi ini mudah dijalankan?
Menurut anda apakah hasil dari sistem rekomendasi TV Layar Datar sudah sesuai dengan yang diharapkan?
Dengan adanya sistem rekomendasi TV Layar Datar ini apakah anda sudah terbantu dalam memilih TV Layar Datar?
Tidak Menarik
Sangat Tidak Menarik
No
Total
30 Sulit
Sangat Sulit
Sangat Tidak Sesuai
30
Sangat Tidak Terbantu
30
Berdasarkan data diatas dapat dibuat sebuah diagram yang menggambarkan persentase perolehan data yang didapat. Salah satu data yang dibuat diagram adalah data dari pertanyaan nomor lima dan enam. Diagram nomor lima terlihat pada gambar 14.
23
Gambar 14 Diagram Pertanyaan Nomor Lima
Gambar 10 merupakan salah satu diagram yang dibuat dari hasil jawaban kuisioner pertanyaan nomor lima. Dapat dilihat responden menjawab sangat sesuai sebesar 3%, sesuai 57%, cukup sesuai 27%, dan 13% menjawab tidak sesuai. Berdasarkan hasil dari jawaban pertanyaan nomor lima pada diagram dapat disimpulkan 60% responden menjawab hasil dari sistem rekomendasi sudah sesuai. 60% responden yang menjawab sesuai didapat dari responden yang menjawab sangat sesuai sebanyak 3% ditambah 57% yang menjawab sesuai.
Gambar 15 Diagram Pertanyaan Nomor Enam
Gambar 11 dapat dilihat responden menjawab terbantu 63%, cukup terbantu 27% dan tidak terbantu sebanyak 10%. Hasil yang didapat dari pertanyaan nomor lima dapat disimpulkan 63% responden terbantu dengan adanya sistem rekomendasi TV. 5.
Simpulan Berdasarkan pembahasan yang telah dipaparkan sebelumnya, maka dapat disimpulkan bahwa 1) metode weighted product (wp) dapat digunakan dalam perhitungan merekomendasikan televisi; 2) implementasi sistem rekomendasi televisi berbasis web merupakan alternatif dalam mencari info mengenai televisi; 3) 63% responden merasa terbantu dengan adanya Sistem rekomendasi TV Layar Datar; 4) Hasil rekomendasi sesuai dengan keinginan calon konsumen TV Layar Datar dengan tingkat kesesuaian sebesar 60%.
24
6. Pustaka [1] Encyclopedia Definition of Flat Panel TV. http://www.pcmag.com/encyclopedia_term/0,2542,t=flat+panel+TV&i=432 92,00.asp, diakses tanggal 3 September 2011 [2] Poor,A.2011. HDTV Buying Guide:Making Sense of the Spesification.http://www.pcworld.com/article/183099/hdtv_buying_guide_m aking_sense_of_the_specifications.html, diakses tanggal 3 September 2011 [3] Nguyen,P & Nadia.2008.Comparison of MADM Decision Algorithms for Interface Selection in Heterogeneous Wireless Network.http://biblio.telecom-paristech.fr/cgi-bin/download.cgi?id=8483. Diakses tanggal 15 September 2011 [4] Oktriani, Martha.2008. Aplikasi Pendukung Keputusan dengan menggunakan Logika Fuzzy (Studi Kasus: Penentuan Spesifikasi Komputer untuk Suatu Paket Komputer Lengkap). Diakses tanggal 5 September 2011 [5] Puspita,N.2010.Sistem Pendukung Keputusan Penentuan Siswa Berprestasi di Sekolah Menengah Kejuruan (SMK) menggunakan Metode Weighted Product (Studi Kasus : SMK N 1 Pacitan).pdf http://118.97.11.134/archivelama/skripsi/Sisteminformasi/16105016037201 0-skripsi-sistem-informasi-uad-Sistem-Pendukung-Keputusan-PenentuanSiswa-Berprestasi.pdf, diakses tanggal 15 September 2011 [6] Kusrini.2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Andi,Yogyakarta. [7] Subakti,I.2002. Buku Panduan Sistem Pendukung Keputusan.pdf, http://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=4 &cts=1331775592272&ved=0CEIQFjAD&url=http%3A%2F%2Fymukhlis .staff.gunadarma.ac.id%2FDownloads%2Ffiles%2F15880%2FBuku_Pand uan_SPK.pdf&ei=PkhhT6jxDo3qrQfCvYGeDg&usg=AFQjCNHUh6efQPF QbPqM9GdwtEj2bLo26g&sig2=KsUy_4WgAgzi4VISZD6Eg. Diakses tanggal 5 Juli 2011 [8] Savitha,K & Chandrasekar,C.2011.Global Journal OF Computer Science and Technology, Vertical Handover Decision Schemes Using SAW and WPM for Network selection in Heterogeneous Wireless Network,11:5. http://arxiv.org/ftp/arxiv/papers/1109/1109.4490.pdf, diakses tanggal 5 Oktober 2011 [9] Kusumadewi,S & kawan.2006. Fuzzy Multi-Attribute Decision Making. Graha Ilmu, Yogyakarta. [10] Basyaib,F. 2006. Teori Pembuatan Keputusan. http://books.google.co.id/books?id=1oX1gq9ofjYC&printsec=frontcover&h l=id#v=onepage&q&f=false, diakses tanggal 3 Januari 2012 [11] http://nurichsan.blog.unsoed.ac.id/2010/11/19/metode-pengembanganwaterfall-prototyping/, diakses tanggal 5 Januari 2012 [12] Winarno,A. Data Flow Diagram.doc http://mti.ugm.ac.id/~panji/dinus/rpl/DATA%20FLOW%20DIAGRAM%201 .doc, diakses tanggal 8 Febuari 2012
