RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PELANGGAN TERBAIK DENGAN MODEL YAGER PADA PT. AESHA SURABAYA Rizky Bindra Permana 1) 1) S1/ Jurusan Sistem Informasi. Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya, email :
[email protected]
Abstract: Decision making is a part activities key of executive, manager, employee, university student, and everyone in their life. Problem usually happen in decision making are there are not enough information, a lot of information, information that is not accurate, can not analyse problem and many more. It is also happening in decision making to choose a best customer. In making the decision to choose the best customers there are several difficulties encountered, including the existence of conditions of uncertainty for selecting the best customers that contribute to the company, there are many customers, and there some criteria affecting existing options such as pricing, the timely payment of , labor protection, and customer loyalty. The process of selecting the best customers followed by the availability of more than one option that meets certain criteria, including problems of Multiple Criteria Decision Making (MCDM) so that the solution requires a decision support system (DSS). The method used in decision-making selection of the best customer is Fuzzy Multi-attribute decision making (MADM) models Yager. Such methods are part of the method of Multiple Criteria Decision Making (MCDM). This method was chosen because this model is quite simple and easy to understand its usage and the ability of the model in incorporating elements of qualitative and quantitative data for decision-making process. And is a form of decision support models used for decision making by various criteria and can be used to solve the problem of decision making that relies on intuition as the primary input. In this Final Project, decision support system using the method of Fuzzy Multi-attribute decision making (MADM) models Yager able to analyze the criteria and alternatives are compared and can give advice on the best alternative that appropriate Keyword: Decision Support System, Best Cutomer, FuzzyMADM, Yager
Persaingan di dunia industri semakin
contractor untuk cleaning service & landscaping.
ketat seiring dengan terus meningkatnya laju
Bagi pihak PT. AESHA Surabaya, bukanlah hal
pertumbuhan
ini
yang mudah tentunya untuk melakukan penilaian
mengakibatkan setiap perusahaan harus lebih jeli
pelanggan bagi perusahaan. Salah satu kendala
dalam melakukan pemilihan pelanggan penerima
yang harus dihadapi adalah komponen penilaian
award untuk meningkatkan loyalitas pelanggan
atau kriteria penilaian yang cukup banyak
sehingga semua tujuan yang ingin dicapai dapat
(contoh : harga kontrak, ketepatan pembayaran,
terlaksana dengan baik.
perlindungan
industri.
Penilaian
Persaingan
untuk
tiap
pelanggan
tentunya didasarkan pada kriteria atau kontribusi
tenaga
kerja,
dan
loyalitas
pelanggan) dan metode yang jelas dalam penilaian terhadap setiap pelanggan. Berdasarkan
masing-masing pelanggan, oleh karenanya tiap
analisis
permasalahan
pelanggan memiliki nilai yang berbeda bagi
diatas, maka diperlukan suatu sistem yang dapat
perusahaan
atau
membantu
PT.
kontribusi yang diberikan pelanggan tersebut
mengambil
keputusan
bagi perusahaan.
terbaik
bergantung
pada
kriteria
PT. AESHA Surabaya merupakan perusahan yang bergerak di bidang general
dengan
mengurangi
AESHA
pemilihan
waktu
kualitas
Surabaya
yang
dari
dalam
pelanggan
tepat
tanpa
keputusan
yang
dihasilkan. Sistem ini yang kemudian bisa
1
disebut Sistem Pendukung Keputusan (SPK),
relevan, menentukan pendekatan yang digunakan
diharapkan
dalam proses pengambilan keputusan, sampai
dapat
membantu
PT.
AESHA
Surabaya dalam melakukan pengolahan dan
mengevaluasi
analisis
2002:27).
data
sehingga
dapat
menghasilkan
pemilihan
alternatif
(Hasan,
informasi yang dapat berguna bagi PT. AESHA
Suatu SPK memiliki tiga subsistem
Surabaya dalam hal penilaian dan pemilihan
utama yaitu subsistem manajemen basis data,
pelanggan terbaik.
subsistem manajemen basis model dan subsistem
Salah
satu
model
yang
dapat
perangkat lunak penyelenggara dialog (Hasan,
membantu pihak PT. AESHA Surabaya dalam
2002:32).
melakukan penilaian dan menentukan pelanggan
a. Subsistem Manajemen Basis Data
yang terbaik dibutuhkan model untuk melakukan
Kemampuan
perangkingan
manajemen basis data antara lain :
pelanggan
yang
berdasarkan
penilaian kriteria, salah satunya adalah metode
yang
dibutuhkan
1. Kemampuan untuk mengkombinasikan
Fuzzy MADM Model Yager, yaitu suatu bentuk
berbagai
model
pengambilan dan ekstraksi data.
pendukung
keputusan
yang
memperhatikan bahwa suatu alternatif terbaik adalah memiliki nilai diatas rata-rata dari alternatif yang dibandingkan (Sri Kusumadewi :
dari
2. Kemampuan
variasi
data
untuk
melalui
menambahkan
sumber data secara mudah dan cepat. 3. Kemampuan
untuk
menggambarkan
struktur data logikal sesuai dengan
2006). komponen
pengertian pemakai sehingga pemakai
penilaian dan menggunakan metode Fuzzy
mengetahui apa yang tersedia dan dapat
MADM
menentukan kebutuhan penambahan dan
Dengan
Model
menentukan
Yager,
diharapkan
dapat
membantu pihak PT. AESHA Surabaya sebagai Sistem Pendukung Keputusan dalam melakukan pemilihan
pelanggan
terbaik
berdasarkan
pengurangan. 4. Kemampuan
menangani
data
secara personil sehingga pemakai dapat mencoba
penilaian kriteria pelanggan.
untuk
berbagai
alternatif
pertimbangan personil. 5. Kemampuan untuk mengelola berbagai
Landasan Teori 1. Sistem Pendukung Keputusan
variasi data.
Konsep Sistem Pendukung Keputusan
b. Subsistem Manajemen Basis Model
(SPK) ditandai dengan sistem interaktif berbasis
Kemampuan yang dimiliki subsistem basis
komputer yang membantu pengambil keputusan
model meliputi:
memanfaatkan
1. Kemampuan untuk menciptakan model–
data
dan
model
untuk
menyelesaikan masalah yang tidak terstruktur. Pada dasarnya SPK dirancang untuk mendukung
model baru secara cepat dan mudah. 2. Kemampuan
untuk
seluruh tahap pengambilan keputusan mulai dari
mengintegrasikan
mengidentifikasi masalah, memilih data yang
keputusan.
mengakses
dan
model–model
2
basis
menggunakan persepsi manusia yang dianggap
model dengan fungsi manajemen yang
‘expert’ sebagai input utamanya. Kriteria ‘expert’
analog dan manajemen basis data (seperti
di sini bukan berarti bahwa orang tersebut
mekanisme untuk menyimpan, membuat
haruslah jenius, pintar, bergelar doktor dan
dialog, menghubungkan dan mengakses
sebagainya tetapi lebih mengacu pada orang yang
model).
mengerti benar permasalahan yang diajukan,
3. Kemampuan
untuk
mengelola
c. Subsistem Perangkat Lunak Penyelenggara
merasakan akibat suatu masalah atau punya
Dialog
kepentingan terhadap masalah tersebut. Karena
Kemampuan yang harus dimiliki oleh SPK
menggunakan input yang kualitatif (persepsi
untuk mendukung dialog pemakai/sistem
manusia) maka AHP dapat mengolah juga hal
meliputi:
kuantitatif disamping hal yang kualitatif.
1. Kemampuan untuk menangani berbagai
menyelesaikan persoalan dengan AHP (Mulyono,
variasi gaya dialog. 2. Kemampuan tindakan
untuk
pemakai
Langkah yang harus dilakukan dalam
mengakomodasi dengan
berbagai
1996:108) yaitu: a. Decomposition Decomposition adalah proses menganalisa
peralatan masukan. 3. Kemampuan untuk menampilkan data
permasalahan riil dalam struktur hirarki atas
dengan berbagai variasi format dan
unsur – unsur pendukungnya. Struktur hirarki
peralatan keluaran.
secara umum dalam metode AHP yaitu:
4. Kemampuan dukungan
untuk yang
memberikan
fleksibel
untuk
mengetahui basis pengetahuan pemakai.
Jenjang 1 : Goal atau Tujuan, Jenjang 2 : Kriteria, Jenjang 3 : Subkriteria (optional), Jenjang 4 : Alternatif. b. Comperative judgment
2. AHP
Comperative Peralatan utama dari metode AHP
adalah sebuah hirarki fungsional dengan input utamanya adalah persepsi manusia. Dengan hirarki, suatu yang komplek dan tidak terstruktur dipecahkan ke dalam kelompok dan kemudian kelompok tersebut diatur menjadi suatu bentuk hirarki(Permadi, 1992:5). Perbedaan mencolok antara metode AHP dengan metode pengambilan keputusan lainnya terletak pada jenis inputnya. Metode yang sudah ada umumnya memakai input yang kuantitatif. Otomatis metode tersebut hanya dapat mengolah hal kuantitatif pula. Metode AHP
judgment
adalah
berarti
membuat suatu penilaian tentang kepentingan relatif antara dua elemen pada suatu tingkat tertentu yang disajikan dalam bentuk matriks dengan menggunakan skala prioritas. Jika terdapat n elemen, maka akan diperoleh matriks
pairwise
perbandingan)
comparison
berukuran
n
x
(matriks n
dan
banyaknya penilaian yang diperlukan adalah n(n-1)/2.
Ciri
utama
dari
matriks
perbandingan yang dipakai dalam metode AHP adalah elemen diagonalnya dari kiri atas ke kanan bawah adalah satu karena elemen
yang dibandingkan adalah dua
3
elemen yang sama. Selain itu, sesuai dengan
sederhana dapat dilakukan dengan cara
sistimatika berpikir otak manusia, matriks
berikut:
perbandingan yang terbentuk akan bersifat
1. Jumlahkan elemen pada kolom yang
matriks resiprokal dimana apabila elemen A
sama pada matriks perbandingan yang
lebih disukai dengan skala 3 dibandingkan
terbentuk. Lakukan hal yang sama untuk
elemen B, maka dengan sendirinya elemen B
setiap kolom.
lebih disukai dengan skala 1/3 dibanding
2. Bagilah setiap elemen pada setiap kolom
elemen A.
dengan jumlah elemen kolom tersebut
Dengan dasar kondisi – kondisi di atas dan
(hasil dari langkah 1). Lakukan hal yang
skala standar input AHP dari 1 sampai 9,
sama untuk setiap kolom sehingga akan
maka dalam matriks perbandingan tersebut
terbentuk matrik yang baru yang elemen
angka terendah yang mungkin terjadi adalah
–
1/9, sedangkan angka tertinggi yang mungkin
pembagian tersebut.
terjadi
adalah
9/1.
Angka
0
tidak
dimungkinkan dalam matriks ini, sedangkan
elemennya
berasal
dari
hasil
3. Jumlahkan elemen matrik yang baru tersebut menurut barisnya.
pemakaian skala dalam bentuk desimal
4. Bagilah hasil penjumlahan baris (hasil
dimungkinkan sejauh si expert memang
dari langkah 3) dengan total alternatif
menginginkan bentuk tersebut untuk persepsi
agar didapatkan prioritas terakhir setiap
yang lebih akurat.
elemen dengan total bobot prioritas sama dengan satu.
c. Synthesis of priority untuk
Proses yang dilakukan untuk membuat total
sekelompok elemen selesai dibentuk maka
bobot prioritas sama dengan satu biasa
langkah berikutnya adalah mengukur bobot
disebut proses normalisasi.
Setelah
matriks
perbandingan
prioritas setiap elemen tersebut. Hasil akhir
d. Logical consistency
dari penghitungan bobot prioritas tersebut
Salah satu asumsi utama metode AHP yang
adalah suatu bilangan desimal di bawah satu
membedakannya
(misalnya 0.01 sampai 0.99) dengan total
lainnya
prioritas untuk elemen – elemen dalam satu
konsistensi mutlak. Dengan metode AHP
kelompok sama dengan satu. Bobot prioritas
yang memakai persepsi manusia sebagai
dari
inputannya
masing
–
masing
matriks
dapat
adalah
dengan tidak
maka
metode adanya
yang syarat
ketidakkonsistenan itu
menentukan prioritas lokal dan dengan
mungkin terjadi karena manusia mempunyai
melakukan sintesa di antara prioritas lokal,
keterbatasan dalam menyatakan persepsinya
maka akan didapat prioritas global.
secara
Usaha untuk memasukkan kaitan antara
membandingkan
elemen yang satu dengan elemen yang lain
Berdasarkan konsisi ini maka manusia dapat
dalam menghitung bobot prioritas secara
menyatakan persepsinya dengan bebas tanpa
konsisten
terutama banyak
kalau elemen.
harus berpikir apakah persepsinya tersebut
4
Fuzzy
akan konsisten nantinya atau tidak. Persepsi yang
100
%
konsisten
belum
tentu
MADM
model
Yager
ini
merupakan bentuk standar dari fuzzy MADM.
memberikan hasil yang optimal atau benar
Misalkan
dan sebaliknya persepsi yang tidak konsisten
alternatif, dan atribut direpresentasikan dengan
penuh
~ , j = 1, …, m. bobot yang himpunan fuzzy C j
mungkin
memberikan
gambaran
A={a1,…,an}
adalah
himpunan
keadaan yang sebenarnya atau yang terbaik.
menunjukkan tingkat kepentingan atribut ke-j
Penentuan nilai preferansi antar elemen harus
dinotasikan dengan wj. nilai capaian alternatif ai
secara konsisten logis, yang dapat diukur dengan menghitung Consistency Index (CI)
CI =
keanggotaan mc(xi). keputusan akhir diambil
t−n n −1
berdasarkan interseksi dari semua atribut fuzzy
dan menghitung Consistency Ratio (CR)
CR =
~
terhadap atribut C j diekspresikan dengan derajat
sebagai berikut:
~ ~ w2 ~ w2 ~ wm D=C 1 ∩ C2 ∩ ... Cm
CI RI
Alternatif
dimana : t = eigenvalue, n = ukuran matriks,
optimal
didefinisikan
RI = Random Index
sedemikian rupa sehingga alternatif
Untuk mendapatkan nilai t digunakan rumus
memberikan
berikut:
tertinggi pada D.
derajat
keanggotaan
~
(A).(wT)
Langkah-langkah penyelesaian untuk
1 n elemenke − ipada ( A)( wT ) t = ∑( ) n i =1 elemenke − ipadaw T dimana
kontribusi
tersebut
A=
matriks
perbandingan
berpasangan, wT= prioritas lokal Untuk metode AHP, tingkat inkonsistensi yang masih bisa diterima adalah sebesar 10% ke bawah. Jadi apabila nilai CR <= 0.1 maka hasil preferensi cukup baik dan sebaliknya jika CR > 0.1 hasil proses AHP tidak valid sehingga harus diadakan revisi penilaian karena tingkat inkonsistensi yang terlalu
model ini adalah (Zimmermann, 1991): 1. Tetapkan matriks perbandingan berpasangan antar atribut, M, berdasarkan prosedur hirarki Saaty sebagai berikut:
α1 α1 α2 M = α1 M αn α1
besar dapat menjurus pada suatu kesalahan. dengan
α1 α1 L α2 αn α2 α2 α2 αn M M αn αn L α2 α n
α α
1
adalah kepentingan relatif atribut ai
1
3. Fuzzy MADM Model Yager
terhadap atribut aj. 2. Tentukan bobot wj yang konsisten untuk setiap
atribut
berdasarkan
metode
eigenvector dari Saaty. Apabila A adalah matriks perbandingan berpasangan yang
5
tidak konsisten, maka vektor bobot yang berbentuk:
Gambar 1 menjelaskan tata urutan secara menyeluruh
T
T
(A)(W )=(n)(W )
sistem
pendukung
keputusan
pemilihan pelanggan terbaik pada PT.AESHA Surabaya.
dapat didekati dengan cara: a. Menormalkan setiap kolom j dalam matriks A, sedemikian hingga:
∑a
ij
=1
i
b. Untuk setiap baris i dalam A’, hitunglah nilai rata-ratanya:
wi =
1 ∑ a ij n i
3. Hitung nilai:
(C~ (x ))
wj
j
~
i
dimana C j adalah derajat keanggotaan
Gambar 1. Diagram alir sistem
dari alternatif xi terhadap suatu kriteria; wj adalah bobot preferensi dari perhitungan
Context Diagram Data Pengguna
model Saaty
Manajer Pemasaran
4. Tentukan interseksi dari semua
(C~ (x ))
wj
j
i
, Laporan Hasil Seleksi 0
sebagai:
Pimpinan
SPK Pemilihan Pelanggan Terbaik Menggunakan Model Yager
Data Kriteria
Data Seleksi
~ D = x i , min µ Cj xi j
( ( ))
wi
| i = 1,..., n; j = 1,..., m
Laporan Hasil Seleksi
+ Laporan Data Pelanggan
Data Pelanggan
Bobot Kriteria
Pilih xi dengan derajat keanggotaan
Penilai
Pelanggan Nilai Pelanggan
~
terbesar dalam D , dan tetapkan sebagai alternatif
Gambar 2. Context Diagram
optimal. Pada Context Diagram tampak aliran Perancangan Model Untuk membangun aplikasi Sistem Pendukung
data yang bergerak dari sistem ke masing-asing entitas.
Keputusan ini digunakan Context Diagram dan ERD secara conceptual dan physical.
Diagram alir sistem
6
Manajer Pemasaran
Data Kriteria
Gambar 5 menunjukkan tabel-tabel
Pelanggan Data Pelanggan Simpan Data Pengguna
1
Data Pengguna
Maintenance Data
Simpan Data Alternatif
+
3
yang di pergunakan dalam sistem pendukung
Simpan Data Kriteria
keputusan dan hubungan antar tabel
Ambil Data Alternatif
Alternatif
2
1
Kriteria
Admin
HASIL DAN PEMBAHASAN 2
Data Seleksi Bobot Kriteria
Ambil Data Kriteria
Penilai
Simpan Nilai Alternatif
Penilaian Simpan Data Seleksi
7
Ambil Data Seleksi
alternatif input data pelanggan
NilaiAlt
Ambil Nilai Alternatif
+
Simpan Alternatif Seleksi
4
Fitur ini diawali dengan pemilihan
Ambil Data Admin
Nilai Pelanggan
Ambil Kriteria Seleksi
Seleksi 6
DetKriteria
Simpan Kriteria Seleksi
5
DetAlternatif
Ambil Alternatif Seleksi
Ambil Hasil Seleksi
3
Ambil Data Seleksi
Ambil Data Kriteria Seleksi Laporan
Laporan Hasil Seleksi
Ambil Data Nilai Alternatif
+ Manajer Pemasaran
Laporan Hasil Seleksi
Pimpinan
Laporan Data Pelanggan
Gambar 3. DFD Level 0 Gambar 6. Halaman input data pelanggan Dari context diagram selanjutnya dapat dilakukan proses break down yang biasa disebut
Kemudian memberikan inputan bobot kriteria
sebagai Data Flow Diagram (DFD) level 0 untuk mengetahui proses-proses secara keseluruhan. Entity Relationship Diagram (ERD) Alternatif KodeAlt NamaAlt AlamatAlt TelpAlt
Seleksi KodeSel NamaSel TanggalSel WaktuSel
Relation_45
Relation_54
DetAlternatif
DetKriteria KodeDetKrt BobotKrt SkalaKrt
Relation_44
KodeDetAlt SkorAlt
Kriteria KodeKrt NamaKrt
Relation_53
Gambar 7. Halaman input bobot kriteria NilaiAlt BobotAlt SkalaAlt
Relation_61
Relation_60
Relation_107
Admin KodeAdm NamaAdm PinAdm HakAdm
Selanjutnya mengisi nilai alternatif
Gambar 4. Conceptual Data Model (CDM) ALTERNATIF KODEALT v archar(50) NAMAALT v archar(50) ALAMATALT v archar(50) TELPALT v archar(50)
SELEKSI KODESEL NAMASEL TANGGALSEL WAKTUSEL
v archar(50) v archar(50) timestamp v archar(50)
KRITERIA KODEKRT v archar(50) NAMAKRT v archar(50)
KODEALT = KODEALT KODESEL = KODESEL KODEKRT = KODEKRT
KODESEL = KODESEL
DETALTERNATIF KODEDETALT varchar(50) KODEALT varchar(50) KODESEL varchar(50) SKORALT numeric
DETKRITERIA KODEDETKRT v archar(50) KODESEL v archar(50) KODEKRT v archar(50) BOBOTKRT v archar(15) SKALAKRT numeric NILAIALT
KODEDETALT = KODEDETALT
KODEADM KODEDETALT KODEDETKRT BOBOTALT SKALAALT
v archar(50) v archar(50) v archar(50) v archar(15) numeric
KODEDETKRT = KODEDETKRT
KODEADM = KODEADM
ADMIN KODEADM NAMAADM PINADM HAKADM
v archar(50) v archar(50) v archar(50) v archar(50)
Gambar 8. Halaman input nilai alternatif
Gambar 5. Physical Data Model (PDM)
7
Selanjutnya dilakukan perhitungan fuzzy MADM
DAFTAR RUJUKAN
model Yager sehingga menghasilkan output informasi
urutan
pelanggan
terbaik
yang
disarankan.
Edhy Sutanta, 2004,Sistem Basis Data. Yogyakarta : Graha Ilmu. Fuller, Robert and Carlisson, Christer. 1996. Fuzzy
multiple
criteria
decision
making:Recent developments. Hartono, Jogiyanto.1999. Analisis & Desain. Yogyakarta : Andi Gambar 9. Halaman hasil pemilihan pelanggan terbaik
Hasan, I., 2002, Pokok – Pokok Materi Teori Pengambilan
Keputusan,
Ghalia
Indonesia, Jakarta.
SIMPULAN Berdasarkan hasil uji coba dan analisa
Hwang, Ching-Lai, and Kwangsun Yoon,
yang telah dilakukan dalam pembuatan aplikasi Sistem
Pendukung
Keputusan
pemilihan
Multiple Attribute Decision Making,
pelanggan terbaik dengan fuzzy MADM model
Methods and Application, A State-of-the-
Yager, dapat disimpulkan bahwa Tugas Akhir
Art Survey, Berlin, Heidelberg, New
telah sesuai dengan tujuan. Berikut adalah poinpoin kesimpulan dari pengerjaan Tugas Akhir ini:
York:Spinger-Verlag, 1981
a. Aplikasi pengambilan keputusan ini dapat
Ismail, Hossam, 2005, Operation Modelling
membantu PT AESHA Surabaya dalam
and Simulation Presentation, online,
menentukan pelanggan terbaik yang sesuai dengan kriteria yang berpengaruh yaitu harga, ketepatan pembayaran, perlindungan tenaga kerja, dan loyalitas pelanggan.
www.liv.ac.uk/~hsismail/EBUS504/10_ MCDA.pdf. Kendall dan Kendall, 2003, Analisis dan
b. Hasil rekomendasi pilihan pelanggan terbaik yang sesuai juga sangat dipengaruhi oleh pengambil
keputusan
(Penilai)
dalam
menentukan besar nilai beban tiap kriteria.
Perancangan Sistem Edisi Kelima, PT Prenhallindo, Jakarta Kusumadewi, Sri, dkk. 2006. Fuzzy Multi-
c. Dari hasil uji coba didapatkan rekomendasi pelanggan terbaik dengan prioritas pertama adalah pelanggan A2 dengan nilai terbesar
Attribute
Decision
Making
(Fuzzy
MADM). Jakarta : Graha Ilmu.
~ pada D 2 = 0,645
8
Morton, Michael S. Scott. Management Decision
Support
Systems.
Addison
Norwood, NJ : Wesley Publishing
Systems. Narasimha Bolloju: Prentice Hall International. Zimmerman,H.J. 1991. Fuzzy set Theory and Its Application. Norwel, Massachusetts.
Company Mulyono, S., 1996, Teori Pengambilan Keputusan,
Fakultas
Ekonomi
Universitas Indonesia, Jakarta. Permadi, Bambang S. 1992. Analytical Hierarchy Process. Jakarta : Departemen Pendidikan dan Kebudayaan Pusat Antar Universitas-Studi Ekonomi Universitas Indonesia. Ross, Timothy J. 2005. Fuzzy Logic With Engineering Applications. England : Wiley & Sons Ltd. Saaty, Thomas L. and Forman, Ernest H., 1996, The Hierarchon : A Dictionary of Hierarchies, Expert Choise, Pittsburg. Santri’s Blog, 2009, Sistem Pendukung Keputusan (SPK), 28 Maret 2009, URL: http://haniif.wordpress.com/2007/08/01/2 3-tinjauan-pustaka-sistem-pendukungkeputusan-spk/ Suryadi Kadarsa , Ramdani Ali, 1998, Sistem Pendukung
Keputusan,
PT.
Remaja
Rosdakarya, Bandung. Turban, Efraim and Aronson, Jay E. 2001. Decision Support Systems dan Intelligent
9
