UNIVERSITAS INDONESIA

UNIVERSITAS INDONESIA

PENGEMBANGAN GEOSPATIAL DASHBOARD DENGAN PENDEKATAN ANALYTIC HIERARCHY PROCESSING PADA KEGIATAN EKSPANSI LOKASI KANTOR CABANG STUDI KASUS: PT. REKAN USAHA MIKRO ANDA

SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

Adrian Nuradiansyah 1006666236

FAKULTAS ILMU KOMPUTER PROGRAM STUDI SISTEM INFORMASI DEPOK MEI 2014

HALAMAN PERNYATAAN ORISINALITAS

Skripsi ini adalah hasil karya saya sendiri dan semua sumber baik yang dikutip maupun dirujuk telah saya nyatakan dengan benar

Nama

: Adrian Nuradiansyah

NPM

: 1006666236

Tanda Tangan :

Tanggal

: 15 Mei 2014

ii

Universitas Indonesia

HALAMAN PENGESAHAN Skripsi ini diajukan oleh : Nama : Adrian Nuradiansyah NPM : 1006666236 Program Studi : Sistem Informasi Judul Skripsi : Pengembangan Geospatial Dashboard dengan Pendekatan Analytic Hierarchy Processing pada Kegiatan Ekspansi Lokasi Kantor Cabang Studi Kasus: PT. Rekan Usaha Mikro Anda

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana pada Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Indonesia

DEWAN PENGUJI Pembimbing : Indra Budi, S.Kom, M.Kom, Dr.

(

)

Penguji

: Denny, S.Kom, MIT, PhD.

(

)

Penguji

: Yova Ruldeviyani, S.Kom, M.Kom.

(

)

Ditetapkan di : Depok Tanggal

: 15 Mei 2014

iii


KATA PENGANTAR Puji syukur penulis panjatkan kehadirat Allah SWT atas segala nikmat yang telah diberikan kepada penulis dalam menjalani kehidupan ini sehari-hari, khususnya selama melakukan penulisan skripsi sebagai tugas akhir penulis di Fakultas Ilmu Komputer Universitas Indonesia. Kegiatan ini juga merupakan salah satu syarat pemenuhan untuk memperoleh Sarjana Komputer. Penulis ingin berterima kasih kepada banyak pihak yang telah memberikan kesempatan kepada penulis untuk mengerjarkan penulisan skripsi ini. Adapun pihak yang membantu kelancaran penulis dalam menjalani kerja praktik ini antara lain: 1. Orang tua penulis, Nurdayadi dan Budi Nurcahyati, dan adik penulis, Naila Nuradiani, yang selama ini telah banyak memberikan motivasi, baik materil maupun moril, kepada penulis selama proses pengerjaan skripsi ini. 2. Bapak Indra Budi sekaligus dosen pembimbing skripsi penulis yang telah banyak menyediakan waktunya untuk membimbing dan mengevaluasi skripsi penulis di tengah kesibukan Beliau. 3. Bapak Achmad Nizar Hidayanto sekaligus pembimbing akademik penulis yang juga telah memberikan banyak bimbingan dan saran kepada penulis dalam menyusun rencana perkuliahan maupun pengerjaan skripsi. 4. Kak Danny Handoko selaku Former Business Intelligence & Analyst di PT. Ruma. Beliau merupakan alumni Fakultas Ilmu Komputer (Fasilkom) UI yang banyak memberikan ilmu dan pengalamannya terkait business intelligence dan pengembangan geospatial dashboard, baik dari sisi teknis maupun non-teknis kepada penulis selama mengerjakan penulisan skripsi. 5. Mas Aussie Haryono selaku Former Ruma Market Intelligence Manager di PT. Ruma. Beliau merupakan orang yang pertama kali membimbing penulis (penyelia) selama kerja praktik penulis di PT. Ruma serta yang memberikan kesempatan bagi penulis untuk mengerjakan tugas akhir dengan studi kasus PT. Ruma. 6. Bapak Salma Desenta (CTO PT. Ruma) dan Bapak Emirzal Andis (Head of Sales PT. Ruma) yang senantiasa menyediakan waktunya untuk memberikan data dan

iv


informasi terkait kebutuhan skripsi penulis serta mengajak diskusi bagi perkembangan penulisan skripsi di setiap minggu. 7. Kak Sonny F. Firdaus, Kak Irsyad A. Fazli, Kak Agung Nur Irfan, dan Mas Beri dari Divisi Zone Expansion Manager (ZEM) PT. Ruma yang telah membantu dalam proses pengumpulan data terkait pemberian bobot dan pemilihan lokasi cabang pada pengerjaan skripsi ini. 8. Kak Anindita Kusumaningrum (Field Coordinator PT. Ruma), Mas Rahmad Firdaus (Budget and Financial Analyst PT. Ruma), Mbak Indri Meliana (Operational Support PT. Ruma), dan M. Ihsan Nugraha (Technical Product Administrator PT. Ruma) yang telah memberikan bantuan dalam menyediakan data untuk kebutuhan skripsi penulis. 9. Kak I Putu Edy Suardiyana Putra (Dosen Fasilkom UI) yang banyak memberikan masukan dan saran terhadap cara penulisan skripsi penulis yang baik dan benar. 10. Teman-teman penulis, khususnya dari Fasilkom UI dan PT. Ruma, yang selalu memberikan inspirasi dan semangatnya kepada penulis dalam mengerjakan penulisan skripsi ini. Setiap tindakan dan hasil yang dibuat oleh manusia tentunya tidak pernah lepas dari kesalahan dan ketidaksempurnaan. Apabila ada hal yang ingin didiskusikan terkait penulisan

skripsi

ini,

maka

[email protected].

dapat

menghubungi

email

penulis

di

Semoga skripsi yang dibuat oleh penulis dapat

memberikan manfaat dan kontribusi bagi perkembangan teknologi informasi, khususnya di bidang business intelligence dan geographic information system. Depok, 15 Mei 2014

Adrian Nuradiansyah

v


HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini: Nama NPM Program Studi Fakultas Jenis Karya

: Adrian Nuradiansyah : 1006666236 : Sistem Informasi : Ilmu Komputer : Skripsi

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Noneksklusif (Non-exclusive RoyaltyFree Right) atas karya ilmiah saya yang berjudul:

PENGEMBANGAN GEOSPATIAL DASHBOARD DENGAN PENDEKATAN ANALYTIC HIERARCHY PROCESSING PADA KEGIATAN EKSPANSI LOKASI KANTOR CABANG STUDI KASUS: PT. REKAN USAHA MIKRO ANDA beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Noneksklusif ini Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data (database), merawat, dan memublikasikan tugas akhir saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Depok Pada tanggal : 15 Mei 2014 Yang menyatakan

(Adrian Nuradiansyah)

vi


ABSTRAK Nama : Adrian Nuradiansyah Program Studi : Sistem Informasi Judul : Pengembangan Geospatial Dashboard dengan Pendekatan Analytic Hierarchy Processing pada Kegiatan Ekspansi Lokasi Kantor Cabang Studi Kasus: PT. Rekan Usaha Mikro Anda Salah satu kegiatan bisnis PT. Rekan Usaha Mikro Anda (Ruma) adalah ekspansi lokasi kantor cabang di beberapa daerah di Indonesia. Namun, kegiatan ini masih terdapat kendala dalam mempelajari berbagai kriteria lokasi, baik kuantitatif maupun kualitatif. Adanya kebutuhan analisis data kriteria yang cepat untuk menentukan lokasi yang akan diekspansi secara tepat juga menjadi tantangan lainnya. Oleh karena itu, pada penelitian ini dikembangkan geospatial dashboard dengan pendekatan analytic hierarchy processing (AHP) yang dapat menampilkan persebaran lokasi dan kriterianya dalam suatu peta serta merekomendasikan urutan prioritas lokasi yang akan diekspansi. Hasil penelitian menunjukkan bahwa geospatial dashboard dan metode AHP dinilai cukup baik dan mampu memberikan keakuratan hingga 90.48% dalam membantu PT. Ruma menentukan urutan prioritas lokasi yang akan diekspansi terlebih dahulu. Kata Kunci: geospatial dashboard, AHP, analytic hierarchy processing, business intelligence, geographic information system, ekspansi lokasi kantor cabang, PT. Rekan Usaha Mikro Anda, Google Maps API, Google Fusion Table API

ABSTRACT Name : Adrian Nuradiansyah Study Program: Information System Title : Development of Geospatial Dashboard with Analytic Hierarchy Processing Approach for the Expansion Activity of Branch Office Location Case Study: Rekan Usaha Mikro Anda Company One of business activities in Rekan Usaha Mikro Anda (Ruma) Company is expansion of branch office location in some regions in Indonesia. However, this activity still has some problems to learn various location criteria, either in quatitative or qualitative form. Moreover, there is a need to analyze those criteria data in a quick time to get a right priority of locations that should be expanded. Due to that, this research will develop a geospatial dashboard with analytic hierarchy processing (AHP) method that is able to display the distribution of location and its criteria in a map. Furthermore, it also recommends the list of priority of locations that will be expanded. At the end, this research shows that geospatial dashboard and AHP method is considered good and capable of producing accurate solution by 90.48% in helping PT. Ruma to determine an order of location priority to be expanded. Keywords: geospatial dashboard, AHP, analytic hierarchy processing, business intelligence, geographic information system, expansion of branch office location, PT. Rekan Usaha Mikro Anda, Google Maps API, Google Fusion Table API

vii


DAFTAR ISI

HALAMAN PERNYATAAN ORISINALITAS ......................................................... ii HALAMAN PENGESAHAN ..................................................................................... iii KATA PENGANTAR ..................................................................................................iv ABSTRAK .................................................................................................................. vii ABSTRACT ................................................................................................................ vii DAFTAR ISI.............................................................................................................. viii DAFTAR GAMBAR ....................................................................................................xi DAFTAR TABEL .......................................................................................................xiv BAB 1. PENDAHULUAN ........................................................................................... 1 1.1.

Latar Belakang ................................................................................................. 1

1.2.

Permasalahan ................................................................................................... 4

1.3.

Tujuan Penelitian ............................................................................................. 6

1.4.

Manfaat Penelitian ........................................................................................... 6

1.4.1.

Manfaat Teoritis Penelitian ....................................................................... 6

1.4.2.

Manfaat Praktis Penelitian ........................................................................ 7

1.5.

Ruang Lingkup Penelitian................................................................................ 7

1.6.

Sistematika Penelitian ...................................................................................... 8

BAB 2 . STUDI LITERATUR .................................................................................... 10 2.1

Territory Management dan Ekspansi Lokasi Kantor Cabang......................... 10

2.2

Geographic Information System ..................................................................... 13

2.2.1.

Arsitektur GIS ......................................................................................... 15

2.2.2.

Tahap-Tahap Pengembangan GIS .......................................................... 19

2.2.3.

Sistem Koordinat .................................................................................... 19

2.3

Business Intelligence ....................................................................................... 21

2.3.1

Kerangka Pengambilan Keputusan .......................................................... 22

2.3.2

Strategi Implementasi BI di suatu Organisasi .......................................... 23

2.3.3

Business Intelligence Maturity Model ..................................................... 26

2.3.4

BI Analytics & Location Analytics ........................................................... 30

2.3.5

Data Visualization dan Geospatial Dashboard ....................................... 34 viii


2.4

Multi Criteria Decision Analysis .................................................................... 39

2.4.1

Tahap-Tahap dalam Menjalankan MCDA............................................... 40

2.4.2

Jenis-Jenis MCDA ................................................................................... 42

2.5

Analytic Hierarchy Processing ....................................................................... 44

2.5.1

Tahap-Tahap Menjalankan AHP ............................................................. 46

2.5.2

Penggunaan Vektor Eigen pada AHP ...................................................... 51

2.6

Application Programming Interface ............................................................... 52

2.6.1

Google Maps dan Google Maps API ....................................................... 54

2.6.2

Google Fusion Table dan Google Fusion Table API .............................. 56

2.7

Metode Spearman Rho .................................................................................... 57

2.8

Penelitian Terkini ............................................................................................ 60

BAB 3. METODOLOGI PENELITIAN ..................................................................... 65 3.1

Tahap Awal Penelitian .................................................................................... 66

3.2

Tahap Analisis Kebutuhan .............................................................................. 67

3.3

Tahap Perancangan Geospatial Dashboard dan AHP ..................................... 70

3.4

Tahap Implementasi Geospastial Dashboard dan AHP .................................. 71

3.5

Tahap Evaluasi ................................................................................................ 72

BAB 4. PROFIL PERUSAHAAN ............................................................................... 74 4.1

Deskripsi Umum PT. Ruma ............................................................................ 74

4.2

Investor PT. Ruma .......................................................................................... 77

4.3

Struktur Organisasi PT. Ruma ........................................................................ 78

4.4

Layanan dan Produk Utama PT. Ruma........................................................... 78

4.5

Model Bisnis PT. Ruma .................................................................................. 81

4.6

Proses Bisnis PT. Ruma .................................................................................. 82

4.7

Konsep Zone Expansion Manager di PT. Ruma ............................................ 83

BAB 5. HASIL DAN PEMBAHASAN ...................................................................... 87 5.1

Analisis Kebutuhan Penelitian ........................................................................ 88

5.1.1

Analisis Tujuan Pengambilan Keputusan ................................................ 90

5.1.2

Analisis Kriteria Pengambilan Keputusan ............................................... 91

5.1.3

Analisis Alternatif Lokasi Kantor Cabang ............................................... 94

ix


5.1.4

Analisis Pengumpulan Data ..................................................................... 97

5.1.5

Analisis Fitur-Fitur Geospatial Dashboard ........................................... 108

5.1.6

Analisis Kebutuhan Perangkat (tools) Penelitian .................................. 109

5.2

Rancangan Geospatial Dashboard dan AHP ............................................... 111

5.2.1

Rancangan Arsitektur Geospatial Dashboard ....................................... 111

5.2.2

Rancangan Struktur Data ....................................................................... 113

5.2.3

Rancangan Tampilan Geospatial Dashboard ........................................ 120

5.3

Implementasi Geospatial Dashboard dan AHP ........................................... 123

5.3.1

Implementasi Fitur-Fitur Geospatial Dashboard .................................. 124

5.3.2

Implementasi Algoritma Analytic Hierarchy Processing ...................... 133

5.4

Review dan Evaluasi ..................................................................................... 133

5.4.1

Evaluasi Geospatial Dashboard ............................................................ 133

5.4.1.1 Pembuatan Kuesioner ..................................................................... 134 5.4.1.2 Hasil dan Analisis ........................................................................... 137 5.4.2

Evaluasi Metode AHP............................................................................ 140

5.4.2.1 Langkah-Langkah Pengerjaan Evaluasi .......................................... 141 Hasil dan Analisis ........................................................................... 146 BAB 6 PENUTUP ..................................................................................................... 148 6.1

Kesimpulan ................................................................................................... 148

6.2

Saran ............................................................................................................. 149

DAFTAR REFERENSI ............................................................................................. 152 LAMPIRAN 1: HASIL WAWANCARA DENGAN PT. RUMA ............................ 157 LAMPIRAN 2: DATA UNTUK PERHITUNGAN METODE AHP ...................... 169 LAMPIRAN 3: PSEUDOCODE ALGORITMA AHP PADA APLIKASI GEOSPATIAL DASHBOARD .................................................................................... 177 LAMPIRAN 4: HASIL EVALUASI PENELITIAN DENGAN TIM ZONE EXPANSION MANAGER........................................................................................... 180 LAMPIRAN 5: HASIL EVALUASI METODE AHP DENGAN PERHITUNGAN SPEARMAN RHO ...................................................................................................... 190

x


DAFTAR GAMBAR

Gambar 1.1 Diagram Perumusan Masalah .................................................................... 5 Gambar 2.1 Tipologi Sistem Informasi ....................................................................... 14 Gambar 2.2 Layer Arsitektur Aplikasi secara Umum ................................................. 16 Gambar 2.3 Arsitektur GIS menurut C.P. Lo .............................................................. 17 Gambar 2.4 Arsitektur GIS menurut Arham................................................................ 18 Gambar 2.5 Tahapan Pengembangan GIS ................................................................... 19 Gambar 2.6 Skema Pengelolaan Data dalam Proses BI .............................................. 21 Gambar 2.7 Komponen yang Terlibat dalam Implementasi BI .................................. 24 Gambar 2.8 Perubahan Tujuan BI dari Current State menuju Future State ................ 25 Gambar 2.9 BI Maturity Model menurut AMR ........................................................... 26 Gambar 2.10 BI Maturity Model menurut Gartner ...................................................... 28 Gambar 2.11 BI Delivery Framework 2020 ................................................................ 31 Gambar 2.12 Penjelasan BI&A: Evolution, Applications, dan Penelitian Terkini ...... 32 Gambar 2.13 Penggunaan Location Analytic di Perusahaan ....................................... 33 Gambar 2.14 Penelitian TDWI tentang Penggunaan Teknologi Analytics.................. 35 Gambar 2.15 Arsitektur Business Intelligence............................................................. 38 Gambar 2.16 Arsitektur Geospatial Dashboard .......................................................... 39 Gambar 2.17 Diagram Tree AHP secara Umum ......................................................... 43 Gambar 2.18 Diagram ANP ......................................................................................... 43 Gambar 2.19 Pairwise Comparison Matrices ............................................................. 46 Gambar 2.20 Contoh Ilustrasi Struktur Tree AHP dengan Nilai Prioritas .................. 47 Gambar 2.21 Perhitungan matriks untuk memperoleh nilai prioritas bagi setiap alternatif ............................................................................................................... 51 Gambar 2.22 Tampilan Google Fusion Tables ............................................................ 57 Gambar 3.1 Skema Metodologi Penelitian .................................................................. 65

xi


Gambar 3.2 Skema Tahap Awal Penelitian ................................................................. 67 Gambar 3.3 Skema Tahap Analisis Kebutuhan ........................................................... 69 Gambar 3.4 Skema Tahap Rancangan Geospatial Dashboard dan AHP ..................... 71 Gambar 3.5 Tahap Implementasi Geospatial Dashboard dan AHP............................ 72 Gambar 3.6 Skema Tahap Evaluasi ............................................................................. 73 Gambar 4.1 Skema Visi PT. Ruma .............................................................................. 76 Gambar 4.2 Peta Persebaran Lokasi Kantor Cabang PT. Ruma .................................. 77 Gambar 4.3 Struktur Organisasi PT. Ruma ................................................................. 78 Gambar 4.4 Skema Keuntungan Penjualan Pulsa Elektrik PT. Ruma ......................... 79 Gambar 4.5 Halaman Awal Sistem Transaksi Pembayaran Tagihan .......................... 79 Gambar 4.6 Skema Keuntungan Transaksi Pembayaran Tagihan PT. Ruma.............. 80 Gambar 4.7 Model Bisnis PT. Ruma ........................................................................... 81 Gambar 4.8 Proses Bisnis PT. Ruma ........................................................................... 82 Gambar 4.9 Struktur Operasional PT. Ruma ............................................................... 83 Gambar 4.10 Struktur Divisi Sales & Operation ......................................................... 84 Gambar 4.11 Tahapan ZEM dalam Ekspansi Lokasi Kantor Cabang ......................... 85 Gambar 4.12 Posisi Penelitian Penulis di PT. Ruma ................................................... 86 Gambar 5.1 Diagram Penentuan Solusi terhadap Permasalahan ................................. 88 Gambar 5.2 Struktur Tree AHP Komponen Tujuan Pengambilan Keputusan ............ 90 Gambar 5.3 Struktur Tree AHP Komponen Kriteria Pengambilan Keputusan ........... 93 Gambar 5.4 Struktur Tree AHP Komponen Alternatif Lokasi Kantor Cabang ........... 96 Gambar 5.5 Pengumpulan Data Lokasi Koordinat Kota/Kabupaten ........................... 97 Gambar 5.6 Arsitektur Geospatial Dashboard .......................................................... 112 Gambar 5.7 Tampilan Tabel 5.14 pada Google Fusion Table ................................... 115 Gambar 5.8 Tampilan Tabel 5.11 dan 5.12 pada Google Fusion Table .................... 118 Gambar 5.9 Tampilan Tabel 5.13 pada Google Fusion Table ................................... 119 Gambar 5.10 Template Tampilan Geospatial Dashboard ......................................... 120 Gambar 5.11 Rancangan Tampilan Halaman Awal Geospatial Dashboard ............. 121 Gambar 5.12 Rancangan Tampilan Output dari Geospatial Dashboard ................... 122

xii


Gambar 5.13 Tampilan Halaman Awal Geospatial Dashboard ................................ 124 Gambar 5.14 Tampilan User Memilih Kriteria Pengambilan Keputusan ................. 125 Gambar 5.15 Tampilan User Memilih Kota/Kabupaten............................................ 125 Gambar 5.16 Tampilan User Menekan Tombol “Mulai” .......................................... 126 Gambar 5.17 Tampilan Output dari Perhitungan AHP (Bagian 1) ............................ 126 Gambar 5.18 Tampilan Output dari Perhitungan AHP (Bagian 2) ............................ 127 Gambar 5.19 Tampilan Peta Persebaran Kota/Kabupaten ......................................... 128 Gambar 5.20 Tampilan Informasi suatu Kota dari Marker Berwarna Hijau ............. 128 Gambar 5.21 Tampilan Informasi suatu Kota dari Marker Berwarna Kuning .......... 129 Gambar 5.22 Tampilan Informasi suatu Kota dari Marker Berwarna Merah............ 129 Gambar 5.23 Tampilan Deskripsi Bobot Kriteria dan Warna Baris pada Tabel ....... 130 Gambar 5.24 Tampilan Urutan Kota dengan Prioritas Pertama untuk Diekspansi ... 131 Gambar 5.25 Tampilan Urutan Kota dengan Prioritas Kedua untuk Diekspansi ...... 131 Gambar 5.26 Tampilan Urutan Kota dengan Prioritas Ketiga untuk Diekspansi ...... 132 Gambar 5.27 Tampilan User Memilih Tombol "Kembali" ....................................... 132 Gambar 5.28 Lembar Kuesioner Evaluasi Geospatial Dashboard ........................... 137

xiii


DAFTAR TABEL

Tabel 2.1 Kerangka Pengambilan Keputusan .............................................................. 22 Tabel 2.2 Penjelasan Skala Prioritas pada AHP .......................................................... 46 Tabel 2.3 Ilustrasi pairwise comparison matrices untuk antar kriteria ....................... 48 Tabel 2.4 Pairwise comparison matrices setiap alternatif terhadap kriteria K2.......... 48 Tabel 2.5 Pemberian bobot setiap alternatif terhadap kriteria K1 ............................... 49 Tabel 2.6 Hasil kuadrat pairwise comparison matrices............................................... 49 Tabel 2.7 Proses normalisasi pairwise comparison matrices (Bagian 1) .................... 49 Tabel 2.8 Proses normalisasi pairwise comparison matrices (Bagian 2) .................... 50 Tabel 2.9 Nilai prioritas bagi setiap alternatif terhadap kriteria K2 ............................ 50 Tabel 2.10 Hasil normalisasi setiap alternatif terhadap kriteria K1 ............................. 50 Tabel 2.11 Kategori dan Sejarah API .......................................................................... 53 Tabel 2.12 Intepretasi Nilai Spearman Rho ................................................................. 58 Tabel 2.13 Ilustrasi Dua Himpunan Terurut ................................................................ 58 Tabel 2.14 Ilustrasi Perhitungan Spearman Rho.......................................................... 59 Tabel 2.15 Perbandingan dengan Penelitian Terkini ................................................... 61 Tabel 5.1 Daftar Kriteria Pengambilan Keputusan ...................................................... 93 Tabel 5.2 Daftar Lokasi Kantor Cabang PT. Ruma Saat Ini ....................................... 95 Tabel 5.3 Nama-Nama Lokasi Kantor Cabang ............................................................ 96 Tabel 5.4 Data Koordinat Kota/Kabupaten ................................................................. 98 Tabel 5.5 Daftar Jumlah Warung di Kota/Kabupaten ................................................. 98 Tabel 5.6 Daftar Jumlah Penduduk di Kota/Kabupaten .............................................. 99 Tabel 5.7 Daftar Jumlah Sentra Usaha Bank XYZ di Kota/Kabupaten .................... 100 Tabel 5.8 Daftar Luas Wilayah Kota/Kabupaten ....................................................... 100 Tabel 5.9 Daftar Harga Kompetitor di Kota/Kabupaten ............................................ 101 Tabel 5.10 Daftar UMR di Kota/Kabupaten (Bagian 1) ............................................ 101 Tabel 5.11 Daftar UMR di Kota/Kabupaten (Bagian 2) ............................................ 102 xiv


Tabel 5.12 Perbandingan Potensi PT. Ruma Merekrut Jumlah Warung di Kota/Kabupaten (Bagian 1) ............................................................................... 103 Tabel 5.13 Perbandingan Potensi PT. Ruma Merekut Jumlah Warung di Kota/Kabupaten (Bagian 2) ............................................................................... 104 Tabel 5.14 Perbandingan Antar Kriteria Pengambilan Keputusan ............................ 105 Tabel 5.15 Statistik Kota/Kabupaten (Bagian 1) ....................................................... 106 Tabel 5.16 Statistik Kota/Kabupaten (Bagian 2) ....................................................... 107 Tabel 5.17 Deskripsi Data Tabel Statistik Kota/Kabupaten ...................................... 115 Tabel 5.18 Deskripsi Data Tabel Perbandingan Potensi Ruma di Kota/Kabupaten .. 116 Tabel 5.19 Deskripsi Data Tabel Perbandingan Kriteria Pengambilan Keputusan ... 119 Tabel 5.20 Hasil Evaluasi Geospatial Dashboard ..................................................... 137 Tabel 5.21 Urutan Kota/Kabupaten Kantor Cabang PT. Ruma berdasarkan Tingkat Profit per Transaksi ............................................................................................ 141 Tabel 5.22 Penggunaan kriteria dan eksperimen pada evaluasi AHP ....................... 143 Tabel 5.23 Tabel Analisis Kriteria Pengambilan Keputusan dengan Spearman Rho 144 Tabel 5.24 Hasil Evaluasi Metode AHP .................................................................... 146

xv


1

BAB 1. PENDAHULUAN

Bab ini menuliskan beberapa bagian yang terdiri dari latar belakang, permasalahan, tujuan penelitian, manfaat penelitian, ruang lingkup, dan sistematika penelitian. Motivasi penulis dalam melakukan penelitian yang dimulai dari latar belakang hingga ruang lingkup penelitian memberikan gambaran tentang pelaksanaan penelitian ini. Sementara bagian sistematika penelitian menjelaskan kerangka penulisan penelitian ini dari awal hingga akhir. Bab ini juga menunjukkan bagaimana penulis tertarik untuk mengintegrasikan topik-topik seperti business intelligence dan geographic information system (GIS) pada penelitian ini.

1.1. Latar Belakang PT. Rekan Usaha Mikro Anda (Ruma) adalah sebuah perusahaan yang bergerak di bidang social enterprise dengan visi untuk membangun jaringan usaha mikro terbesar di Indonesia. Cara yang mereka lakukan dalam mewujudkan visi mereka adalah dengan pemberian layanan keuangan berbasis teknologi yang dikembangkan dan diajarkan kepada setiap usaha mikro tersebut. Visi ini muncul berdasarkan pengamatan yang mereka lakukan bahwa Indonesia memiliki jumlah usaha mikro, seperti warung, toko-toko kecil, atau kedai yang tersebar di berbagai daerah. Hasil pengamatan tersebut menjadi potensi bisnis yang besar bagi PT. Ruma dalam mewujudkan visi tersebut serta membantu setiap usaha mikro dalam mengembangkan pendapatan usahanya. Saat ini PT. Ruma sudah memiliki lebih dari 25 cabang yang dibangun di lebih dari 20 kota dan kabupaten. Ekspansi kantor cabang di banyak kota ini merupakan salah satu langkah Ruma untuk meningkatkan kesadaran masyarakat terhadap eksistensi Ruma serta produk-produk yang dijualnya. Pemilihan suatu kota untuk didirikan kantor cabang juga berdasarkan kriteria-kriteria yang telah ditentukan oleh manajemen PT. Ruma, khususnya divisi Sales & Operation. Kelayakan suatu kota dapat diukur dari potensi yang mereka miliki untuk menghasilkan profit bagi PT. Ruma. Meskipun PT. Ruma bergerak di bidang social enterprise, mereka juga tetap memiliki orientasi untuk mencapai profit yang tinggi. Mereka percaya bahwa dengan


2 profit yang besar maka perusahaan mereka termasuk baik dari sisi keuangan dan mampu menjalankan kegiatan bisnis sehari-hari untuk membantu usaha-usaha mikro. Kegiatan ekspansi kantor cabang ini termasuk dari jenis territory management yang dilakukan oleh PT. Ruma untuk perluasan kegiatan bisnisnya. Kegiatan ini dikerjakan oleh tim Zone Expansion Manager (ZEM) yang bergerak di bawah divisi Sales & Operation. Proses ekspansi cabang ini telah memiliki suatu tahapan yang menjadi kerangka bagi ZEM dalam menjalankan tugasnya (dijelaskan lebih rinci pada bab 4.7). Tahapan tersebut umumnya bersifat human judgement sehingga dapat berpotensi menimbulkan solusi yang kurang optimal. Human judgement disini diartikan sebagai suatu penilaian yang didasarkan pada pengalaman, pengetahuan, dan perkiraan tim ZEM tentang kota atau kabupaten tersebut. Data yang mereka gunakan sebagai kriteria dalam penilaian antara lain data demografi wilayah, seperti populasi penduduk, luas wilayah, dan jumlah warung pada suatu wilayah. Namun, PT. Ruma belum memiliki teknik atau metode yang mampu menghitung kombinasi antara aspek kualitatif penilaian (human judgement) dari tim ZEM dan aspek kuantitatif dari berbagai data statistik yang dimiliki. Untuk penilaian aspek kualitatif, dibutuhkan suatu metode yang nantinya dapat membandingkan antar kriteria dan antar alternatif pengambilan keputusan secara independen. Perbandingan tersebut nantinya akan diterjemahkan pula ke bentuk kuantitatif. Pada dasarnya, tim ZEM sudah memiliki geospatial dashboard, yaitu sistem yang memvisualisasikan data dan informasi statistik dalam bentuk peta untuk memudahkan pengambilan keputusan. Data dan informasi yang ditampilkan adalah persebaran warung di kecamatan dan kabupaten di Jawa Barat. Namun, peta yang dikembangkan tersebut masih bertujuan menampilkan persebaran, bukan dalam bentuk analisa data wilayah yang selanjutnya merekomendasi prioritas urutan lokasi cabang yang akan dibangun terlebih dahulu. Tim ZEM berharap dengan adanya pembaharuan metode dan peningkatkan kemampuan analisis pada dashboard, maka proses pengambilan keputusan akan lebih cepat menghasilkan solusi yang optimal. Untuk membantu mengatasi permasalahan yang dihadapi PT. Ruma, khususnya tim ZEM, maka penulis mengajukan suatu solusi berupa pengembangan geospatial dashboard dengan pendekatan analytic hierarchy processing (AHP) agar membantu Universitas Indonesia

3 proses pengambilan keputusan pada kegiatan ekspansi lokasi kantor cabang. Pada dasarnya solusi ini terdiri dari dua jenis teknologi yaitu geopastial dashboard dan AHP. Geospatial dashboard ini berbasis pendekatan teknologi GIS yang diharapkan dapat memvisualisasikan persebaran lokasi dan kriteria-kriterianya ke dalam bentuk peta. Di samping itu, PT. Ruma juga sudah memiliki pengalaman dalam penerapan geospatial dashboard, namun dashboard tersebut masih bersifat reporting, sehingga penulis mencoba mengembangkan suatu dashboard dari sifat reporting menjadi sifat analytic. Kemampuan analytic ini dipengaruhi oleh metode AHP yang dapat membantu memberikan rekomendasi terhadap prioritas pembangunan lokasi kantor cabang berdasarkan banyak kriteria, baik yang bersifat kualitatif maupun kuantitatif. Oleh karena itu, keunggulan dari solusi ini adalah dalam bentuk visualisasi peta yang disajikan serta kemampuan memberikan rekomendasi prioritas ekspansi lokasi kantor cabang secara cepat. Solusi ini juga didasarkan pada penelitian yang dilakukan oleh Eckerson (2011) tentang BI Delivery Framework 2020 yang menyebutkan bahwa pada masa depan teknologi intelligence sangat dibutuhkan dalam hal mengubah data dan informasi menjadi pengetahuan dan peluang bisnis yang potensial (analytics). Jenis teknologi tersebut antara lain business intelligence, analytic intelligence, content intelligence, dan continuous intelligence. Hal tersebut lalu didukung dengan penelitian dari Gartner (2013) yang memprediksi bahwa BI dan analytics akan menjadi fokus utama bagi Chief Information Officer (CIO) dalam hal pengelolaan informasi dan data hingga tahun 2017. Bahkan Gartner (2013) juga menambahkan bahwa pada tahun 2015 setiap vendor BI akan memasarkan platform BI mereka sebagai tools yang berfungsi dalam hal penemuan data dan informasi bisnis yang baru (data discovery). Hal ini sekaligus memindahkan paradigma bahwa fungsi BI sebagai reporting-centric akan bergeser ke arah analytic-centric. Di samping itu, Ventana (2013) menyebutkan bahwa saat ini objek bisnis yang dapat menjadi aset berharga dalam kegiatan analisis bisnis adalah lokasi. Jenis teknik yang melibatkan lokasi dalam kegiatan analisis bisnis ini dinamakan dengan location analytics. Perusahaan dapat menggunakan location analytics ini untuk mengetahui persebaran data lokasi customer, partner, atau distribusi produk tersebut secara lebih luas dan mendalam. Keberadaan location analytics ini juga semakin menambah peran business intelligence dalam menggabungkan teknologi analytics dari aspek informasi Universitas Indonesia

4 geografis. Oleh karena itu, business intelligence saat ini banyak dihubungkan dengan teknologi geographic information system untuk memperkaya visualisasi informasi dalam bentuk geospatial dashboard. Pada salah satu survey yang diadakan oleh TDWI (The Data Warehouse Institute) World Conference Tech Survey (2013), terdapat hasil yang menyatakan bahwa trend teknologi big data yang akan muncul di tahun 2014 adalah teknologi dengan tipe-tipe analytics seperti visualization tools (96% responden), predictive analytics (88% responden), dan geospatial analytics (70% responden). Berdasarkan hasil survey tersebut, dapat kita perhatikan bahwa pada era business intelligence ini, user lebih membutuhkan teknologi yang tidak hanya sekedar melaporkan kondisi bisnis saat ini, namun juga diimbangi dengan kemampuan analisis bisnis yang tinggi dan bahkan mampu memprediksi langkah bisnis apa yang harus dilalui oleh perusahaan selanjutnya. Visualisasi yang menarik juga mampu memberikan interpretasi yang lebih bagi user, khususnya manajemen, dalam melakukan pengambilan keputusan. Penelitian berfokus pada solusi pengembangan geospatial dashboard sebagai salah satu bentuk visualisasi dan geospatial analytics, serta penggunaan metode AHP untuk memperkuat aspek predictive analytics dalam menentukan lokasi kantor cabang yang akan dibangun terlebih dahulu. Data lokasi kantor cabang yang digunakan adalah data kantor cabang PT. Ruma saat ini dengan pertimbangan bahwa pada tahap evaluasi nanti, hasil penelitian akan dibandingkan dengan hasil urutan kota/kabupaten kantor cabang PT. Ruma yang berdasarkan tingkat profit per transaksi saat ini. Pengembangan geospatial dashboard ini menggunakan teknologi Google API seperti Google Maps API dan Google Fusion Table API, sementara implementasi algoritma AHP akan menggunakan bahasa pemrograman Javascript. Di akhir penelitian terdapat evaluasi yang menilai sejauh mana pengembangan geospatial dashboard dapat memenuhi kebutuhan user terhadap masalah penelitian. Evaluasi selanjutnya adalah memastikan sejauh mana metode AHP dapat menentukan bahwa lokasi kantor cabang yang dibangun terlebih dahulu tersebut merupakan lokasi yang menjanjikan profit yang besar bagi perusahaan.

1.2. Permasalahan Berdasarkan pembahasan dari latar belakang penulisan, penulis melakukan perumusan masalah untuk mengetahui inti masalah yang harus dipecahkan pada


5 penelitian ini. Perumusan masalah dalam bentuk problem statement ini didasarkan pada selisih (gap condition) antara dua kondisi yaitu kondisi saat ini dan kondisi yang diinginkan. Kondisi tersebut adalah kondisi bisnis internal PT. Ruma dan teknologi yang dimiliki PT. Ruma.

Gambar 1.1 Diagram Perumusan Masalah


6 Proses perumusan masalah pada gambar 1.1 menghasilkan suatu problem statement yang selanjutnya melatarbelakangi penulis untuk mengusulkan suatu solusi yang kemudian dijadikan judul pada penulisan untuk penelitian ini. Solusi tersebut adalah berupa pengembangan geospatial dashboard dengan pendekatan analytic hierarchy processing untuk studi kasus PT. Ruma terhadap pemilihan lokasi kantor cabang. Solusi ini juga membawa penulis pada dua buah research questions yang pada akhir penelitian akan dievaluasi keakuratannya, yaitu antara lain: -

Sejauh mana geospatial dashboard yang berbasis AHP menyajikan fitur-fitur aplikasi yang memudahkan pengambilan keputusan dalam kegiatan ekspansi kantor cabang?

-

Sejauh mana metode analytic hierarchy processing mampu memberikan solusi yang optimal untuk kegiatan ekspansi lokasi kantor cabang PT. Ruma dalam bentuk prioritas urutan?

1.3. Tujuan Penelitian Selain penelitian ini ditujukan untuk menjadi tugas akhir penulis dalam memenuhi syarat kelulusan di Fasilkom UI, penelitian ini juga memiliki tujuan lain yang terdiri dari: -

Mengembangkan aplikasi Geospatial Dashboard yang berisikan fitur-fitur yang mampu merepresentasikan proses pengambilan keputusan untuk kegiatan ekspansi lokasi kantor cabang dengan teknik AHP.

-

Memperkenalkan metode AHP sebagai metode pengambilan keputusan yang dapat memberikan solusi berupa urutan prioritas ekspansi lokasi kantor cabang bagi PT. Ruma.

1.4. Manfaat Penelitian Manfaat penelitian ini penulis bagi menjadi manfaat dari aspek teoritis dan manfaat dari aspek praktis. 1.4.1. Manfaat Teoritis Penelitian Pada aspek teoritis, diharapkan penelitian ini mampu memberikan wawasan teori baru pada bidang GIS dan BI dengan penggabungan teknik AHP di dalamnya. Selain itu pengambilan studi kasus di perusahaan social enterprise pada penelitian ini


7 diharapkan juga dapat menambah inspirasi baru bagi implementasi GIS dan BI di suatu perusahaan, khususnya PT. Ruma. 1.4.2. Manfaat Praktis Penelitian Untuk aspek praktis, penelitian ini diharapkan dapat memberikan solusi bagi PT. Ruma dalam mengoptimalkan dan meningkatkan produktivitas pengambilan keputusannya untuk kasus ekspansi lokasi kantor cabang. Selain itu penelitian ini juga bermanfaat untuk menjadi kerangka awal PT. Ruma dalam mengembangkan geospatial dashboard lainnya yang mampu memantau proses bisnis PT. Ruma secara keseluruhan.

1.5. Ruang Lingkup Penelitian Penelitian ini penulis batasi pada beberapa aspek, yaitu antara lain: 

Penelitian ini hanya ditujukan untuk studi kasus kegiatan ekspansi lokasi kantor cabang di PT. Ruma, khususnya tim Zone Expansion Manager (ZEM).



Data lokasi kantor cabang yang digunakan pada penelitian ini adalah dalam bentuk kota/kabupaten dari lokasi kantor cabang PT. Ruma saat ini



Data penelitian yang digunakan bersifat modified primary, yaitu data asli dari PT. Ruma dengan beberapa jenis data yang dimodifikasi oleh penulis karena termasuk confidential data.



Berdasarkan arsitektur spatial business intelligence yang ada secara umum, penelitian ini hanya berfokus pada pengembangan visualization tools berupa geospatial dashboard dengan metode AHP di dalamnya.



Tools yang digunakan penulis pada pengembangan geospatial dashboard adalah Google Maps API, Google Fusion Table API, dan Bootstrap.



Algoritma AHP pada geospatial dashboard ini dikembangkan oleh penulis dengan menggunakan bahasa pemrograman JavaScript mengikuti tahapan AHP yang telah ada secara umum.



Penelitian ini tidak mengarah ke analisis prinsip konsistensi metode AHP pada implementasinya.



Kriteria yang penulis gunakan pada metode AHP adalah disesuaikan dengan literatur terkait kriteria umum ekspansi lokasi kantor cabang dari The Data Warehouse Institue.


8 

Evaluasi untuk geospatial dashboard lebih berfokus pada penilaian kualitatif setiap user, yaitu dari tim ZEM atas beberapa kriteria dashboard.



Evaluasi untuk metode AHP dilakukan dengan membandingkan tingkat kesamaan hasil metode AHP penulis dengan data profit per transaksi seluruh kota/kabupaten kantor cabang PT. Ruma.



Penelitian ini hanya melakukan analisis terhadap dashboard maupun metode AHP yang dikembangkan penulis. Analisis tidak masuk ke dalam aspek ekonomi atau sosial dari hasil rekomendasi AHP.

1.6. Sistematika Penelitian Penulis membagi 6 (enam) bab pada penulisan skripsi ini, yaitu:  BAB PENDAHULUAN Bab ini berisikan latar belakang penulis dalam melakukan penelitian yang disertai dengan pembahasan permasalahan pada penelitian ini. Di samping itu, pada bab ini juga terdapat tujuan penelitian, manfaat penelitian, ruang lingkup penelitian, dan sistematika penulisan. Tujuan dari bab ini adalah untuk mengetahui hal-hal apa saja yang menginspirasi penulis dalam memilih topik penelitian ini sebagai tugas akhir penulis.  BAB STUDI LITERATUR Bab ini bertujuan untuk membahas isu-isu terkini terkait perkembangan teknologi informasi, khususnya di bidang GIS dan BI. Isu yang akan dibahas sebagai bentuk studi literatur pada bab ini adalah mengenai geographic information system, implementasi GIS pada BI, multiple criteria decision analysis, analytic hierarchy processing, dan territorial management. Selain itu, bab ini juga akan berisikan perbandingan antara penelitian penulis dengan penelitian yang pernah dilakukan sebelumnya.  BAB METODOLOGI PENELITIAN Bab ini membahas tahap-tahap yang dilakukan oleh penulis terhadap penelitian yang dilakukan. Tahapan tersebut antara lain tahap awal penelitian (studi literatur, perumusan masalah, dan penentuan studi kasus), tahap analisis kebutuhan, tahap pengumpulan data, tahap perancangan geospatial dashboard dan AHP, tahap implementasi geospatial dashboard dan AHP, tahap evaluasi. Bab ini bertujuan untuk memberikan kerangka kepada penulis dalam melakukan penelitian dari awal hingga akhir pelaksanaan.


9  BAB PROFIL PERUSAHAAN Bab ini menjelaskan profil PT. Ruma mulai dari sejarah, visi dan misi, tujuan, serta layanan dan produk perusahaan. Selain itu akan dijelaskan juga investor yang membantu proses perkembangan PT. Ruma, struktur organisasi, serta model dan proses bisnis. Lalu, penulis menjelaskan salah satu divisi dari PT. Ruma yang bernama Zone Expansion Manager (ZEM) yang memiliki fungsi yang melatarbelakangi penelitian penulis yaitu pemilihan lokasi kantor cabang. Di akhir bab, penulis menjelaskan tentang posisi penulis di perusahaan PT. Ruma terkait dengan penelitian ini.  BAB HASIL DAN PEMBAHASAN Bab ini akan membahas secara lebih spesifik hasil dari setiap tahap di metodologi penelitian yang telah ditetapkan. Hasil dari setiap tahap awal hingga akhir penelitian akan dibahas secara lebih rinci pada bab ini. Terdapat 6 tahapan atau subbab yang dibahas ini yaitu antara lain hasil perumusan masalah, hasil analisis kebutuhan, hasil pengumpulan data, hasil rancangan geospatial dashboard dan AHP, hasil implementasi geospatial dashboard dan AHP, dan hasil evaluasi.  BAB PENUTUP Bab ini berisikan kesimpulan mengenai hasil penelitian dari semua tahap yang dijalankan oleh penulis. Di samping itu, juga terdapat saran yang penulis tujukan kepada perusahaan yang terkait dan Fasilkom UI selaku fakultas yang membimbing penulis dalam melakukan penelitian. Terakhir adalah saran untuk penelitian selanjutnya yang akan mengembangkan teknologi ini atau sejenisnya.


10

BAB 2 . STUDI LITERATUR

Bab ini bertujuan untuk menjelaskan teori-teori apa saja yang melatarbelakangi penelitian ini. Teori-teori yang dijelaskan pada bagian ini adalah Territory Management ,Geographic Information System (GIS), Business Intelligence, Multiple Criteria Decision Analysis (MCDA), Analytic Hierarchy Processing (AHP), Application Programming Interface (API) dan metode korelasi dua himpunan terurut yang bernama Spearman Rho yang nantinya digunakan untuk mengevaluasi penelitian ini. Selanjutnya terdapat perbandingan penelitian yang dilakukan oleh penulis dengan penelitian terkini yang sejenis.

2.1 Territory Management dan Ekspansi Lokasi Kantor Cabang Sales Force (2014) menyebutkan bahwa terriroty management merupakan suatu tindakan manajemen untuk mengalokasikan kegiatan penjualan di berbagai wilayah yang telah ditentukan. Hal ini juga didukung oleh penelitian yang dilakukan Gartner (2009) bahwa territory management adalah suatu kegiatan administratif yang berkaitan kuat dengan kegiatan penjualan pada beberapa wilayah dengan tujuan untuk meningkatkan pendapatan dari sisi perusahaan. Steve Andersen (2010) pada salah satu publikasinya di Performance Methods Incorporated juga menegaskan bahwa territory management adalah salah satu strategi yang mendukung proses kegiatan penjualan di suatu perusahaan. Dari penjelasan tersebut, maka munculah suatu terminologi pada tulisannya yang bernama Sales Territory. Andersen juga menyebutkan bahwa ada beberapa penurunan istilah strategi dari konsep “territory” yaitu antara lain “geographic-based territories”, “industryfocused territories”, “product-focused territories”, atau “named-account territories”. Banyak perusahaan yang mencoba mengombinasikan istilah-istilah tersebut dengan menyesuaikan pada strategi mereka terhadap target pasar penjualan yang telah ditentukan. Dalam mengembangkan terriroty management pada suatu perusahaan, maka juga perlu ada suatu territory business plan yang merupakan dokumen perencanaan sebelum melakukan kegiatan territory management secara umum. Territory business


11 plan terdiri dari beberapa elemen inti yang harus dijelaskan pada business plan tersebut. Andersen (2010) menjelaskan bahwa elemen-elemen inti tersebut antara lain: 1. Penjelasan dan definisi territory 2. Scorecard atau metrik yang mengukur perencanaan territory management 3. Kondisi perusahaan terhadap territory yang ditentukan 4. Strategi untuk memperluas jumlah territory 5. Langkah-langkah konkret apa dalam mewujudkan strategi tersebut Setelah melakukan pendefinisian terhadap territory business plan, maka perusahaan dapat mulai melakukan proses territory management ini di beberapa wilayah yang ditentukan. Kemudian jika proses implementasi terhadap kegiatan penjualan tersebut telah diselesaikan sesuai dengan perencanaan, maka perusahaan dapat melakukan suatu validasi untuk mengukur tingkat kesukesan mereka dalam menjalankan proses territory management ini. Andersen (2010) juga menyebutkan 5 (lima) hal yang dapat menjadi komponen kunci untuk mengukur validitas proses territory management tersebut, yaitu: 

Seberapa banyakkah target pasar/customer/territory yang telah didapatkan oleh perusahaan dan seberapa besarkah peluang mereka untuk menghasilkan sales opportunities bagi perusahaan?



Apakah perusahaan sudah benar dalam menghubungkan sales opportunities yang ada dengan sales pipeline yang disusun serta menyesuaikan keduanya dengan beberapa kriteria penjualan yang telah ditentukan?



Apakah perusahaan sudah benar dalam menargetkan sales opportunity mereka dan mampu memenangkan banyak target untuk menjadi existing market dari perusahaan?



Apakah perusahaan dapat memprediksi jumlah penjualan (sales forecast) mereka dari territory yang telah diperoleh?



Apakah perusahaan sudah mempersiapkan resource yang benar dan kompeten dalam menangani territory yang telah diperoleh sehingga dapat mengeksekusi proses penjualan secara sukses?


12 Proses territory management juga berkembang seiring dengan bertambahnya jumlah data dan informasi, khususnya di lingkungan bisnis. Berdasarkan fenomena tersebut, istilah geospatial analytic muncul untuk menjelaskan hal-hal apa saja yang harus diperhatikan ketika mengelola informasi geografis dalam setiap kegiatan bisnis untuk tetap mempertahankan atau meningkatkan profit perusahaan. The Data Warehouse Institute atau TDWI (2013) menjelaskan bahwa secara umum informasi geografis tersebut dapat berupa alamat spesifik, point of interest, zip code, dll. TDWI juga memberikan beberapa studi kasus pada research nya yang harus diperhatikan setiap mengambil langkah-langkah dalam kegiatan geospatial analytics. Salah satu studi kasus yang dibahas oleh TDWI adalah mengenai kegiatan ekspansi lokasi kantor cabang. Aktivitas ekspansi lokasi kantor cabang juga menjadi salah satu parameter dalam hal mendukung sales territory management. Jika kantor cabang dari suatu perusahaan dibangun pada tempat yang strategis dan kegiatan operasionalnya dapat menjangkau banyak customer, maka hasil dari kegiatan ekspansi tersebut berhasil mendukung kegiatan penjualan dan pemasaran produk suatu perusahaan. Pada studi kasus ekspansi lokasi kantor cabang tersebut, TDWI menjelaskan empat kriteria umum yang harus diperhatikan ketika menentukan sebuah lokasi sebagai calon lokasi kantor cabang yang baru. Keempat kriteria ini nantinya juga digunakan oleh penulis sebagai kriteria dasar dalam menganalisis kriteria yang harus digunakan pada penelitian ini. Kriteria tersebut antara lain: 

Target pasar Target pasar adalah suatu entiti yang ditargetkan untuk menjadi customer dalam kegiatan penjualan atau pemasaran produk dari suatu perusahaan. Kriteria ini dapat dianalisis dengan memperhatikan bentuk demografi suatu lokasi seperti kepadatan penduduk, jumlah penduduk berusia produktif, jumlah penduduk yang masih berusia anak-anak, dll.



Kompetitor di sekitar area lokasi Kriteria ini dapat mempengaruhi pertimbangan suatu perusahaan membuka cabang di suatu lokasi. Jika pada lokasi yang akan dibangun kantor cabang sudah terdapat kompetitor yang memiliki tingkat kompetitif yang kuat, maka perusahaan harus dapat memikirkan strategi yang dapat menyaingi cara kompetitor tersebut dalam melakukan kegiatan penjualan dan pemasaran. Kriteria


13 ini dapat dianalisis dari segala aspek selama menghasilkan persaingan yang sehat dan kompetitif, seperti aspek harga, aspek kualitas produk, atau aspek jarak kompetitor tersebut dengan potential customers. 

Pertimbangan operasional Kriteria ini dipertimbangkan apabila perusahaan nantinya telah mulai menjalankan kegiatan operasionalnya di lokasi tersebut. Kriteria ini umumnya memiliki kaitan erat dengan faktor biaya. Hal-hal seperti biaya tenaga kerja, biaya bahan baku, atau biaya transportasi dapat menjadi salah satu contoh dari pertimbangan operasional suatu perusahaan.



Perubahan Kriteria ini merupakan salah satu bentuk prediksi dari perusahaan terhadap perubahan-perubahan apa yang kemungkinan akan terjadi pada lokasi tersebut sehingga perubahan tersebut dapat menambah jumlah potential customer perusahaan. Misalkan pada lokasi tersebut akan dibangun pasar swalayan yang telah memiliki nama populer dan berpotensi menarik banyak pelanggan di dalamnya, maka dibangunnya pasar swalayan tersebut dapat menjadi suatu perubahan yang akan muncul pada lokasi tersebut di rentang waktu ke depan. Hal tersebut dapat dimanfaatkan oleh perusahaan jika ingin membangun lokasi kantor cabangnya di sekitar atau di dalam pasar swalayan tersebut, sehingga kantor cabang tersebut juga dapat menjangkau banyak orang untuk menjadi customer mereka.

2.2 Geographic Information System Geographic Information System (GIS) atau Sistem Informasi Geografis (SIG) adalah suatu

sistem

komputer

yang

menangkap,

menyimpan,

menganalisa,

serta

menampilkan informasi geospatial (Folger, 2009). Pada dasarnya GIS tetap termasuk ke dalam tipologi sistem informasi secara keseluruhan, namun GIS lebih dispesifikkan sebagai sistem informasi spasial (Gambar 2.2). Sebagai suatu sistem informasi spasial, GIS hanya menampilkan informasi yang bersifat geospatial karena geospatial hanya salah satu jenis dari terminologi spasial. Untuk memperoleh informasi geospatial maka dibutuhkan data yang juga bersifat gesopasial. Berikut adalah karakter dari data geospatial:


14 -

Data geospatial harus merujuk kepada ruang geografis yang berarti data tersebut terdapat pasti sistem koordinat grafis permukaan bumi.

-

Data geospatial dapat direpresentasikan ke dalam bentuk skala.

Gambar 2.1 Tipologi Sistem Informasi (Sumber: C.P. Lo, 2007)

Jika dilihat dari faktor sejarah, GIS telah muncul di era 1960 ketika pertama kali dikonsepkan oleh The Canada Geographic Information System (CGIS) (C.P.Lo, 2007). Lalu di era 1980-an GIS mulai banyak difungsikan pada computer workstation. Selanjutnya pada akhir 1990 dan di awal era 2000-an, personal computer semakin populer digunakan di kalangan masyarakat. Hal ini berdampak juga pada penggunaan arsitektur GIS yang mulai cenderung ke arah arsitektur client/server. Ketika telah mencapai era terkini, dimana informasi telah menjadi pusat konsumsi masyarakat, penggunaan internet di berbagai platform pun juga semakin meningkat. Pertukaran informasi dan pendistribusian data di era “Internet of things” ini mengakibatkan konsep pengembangan GIS juga sudah mulai berubah. Salah satunya adalah terdapat


15 pula pengembangan aplikasi GIS yang memang dispesfikkan pada komponen server saja (Law, 2013). Tidak hanya pada aspek arsitektur, penggunaan GIS juga bergantung pada semakin besarnya kebutuhan manusia terhadap informasi geospatial, khususnya untuk suatu organisasi. Informasi geospatial menjadi salah satu komponen penting para eksekutif saat ini dalam membantu analisis lokasi dan pengambilan keputusan (C.P. Lo, 2007). Dengan demikian dapat diperhatikan bahwa perkembangan GIS akan semakin besar dan menantang di masa yang akan datang (Folger, 2009). Hal ini mengingat bahwa komponen arsitektur akan semakin beragam serta kebutuhan informasi masyarakat terhadap data geospatial juga semakin besar. 2.2.1. Arsitektur GIS Pada dasarnya GIS memiliki tipe arsitektur yang berbeda-beda pada setiap organisasi ketika harus diimplementasikan. Perbedaan tersebut lebih banyak mengarah kepada kebutuhan dan resource dari organisasi tersebut ketika akan mengimplementasi GIS. Perbedaan kebutuhan dan resource ini juga merujuk pada perkembangan arsitektur GIS di suatu perusahaan. Menurut Sommerville (2010), secara umum arsitektur aplikasi, baik aplikasi GIS maupun aplikasi yang bukan termasuk GIS, dibagi menjadi empat jenis lapisan (layer), yaitu dapat dilihat pada Gambar 2.2. Keempat layer tersebut antara lain: -

System support: Layer ini berada di bagian paling bawah dengan fungsi untuk menyimpan segala sistem back-end yang mendukung aplikasi seperti sistem operasi atau database.

-

Core business logic/application functionality system utilities: Layer ini berada di atas system support layer yang berfungsi untuk mengatur segala logika aplikasi dengan abstraksi dalam bentuk fungsi. Alur logika pada layer ini dapat digunakan untuk setiap komponen aplikasi.

-

User interface management authentication and authorization: Layer ini berada di atas core business logic layer dengan fungsi untuk mengatur proses authentication atau authorization kepada user.

-

User interface: Layer ini merupakan layer paling atas pada suatu arsitektur aplikasi yang dapat dilihat oleh user untuk selanjutnya digunakan oleh user dalam mengoperasikan fitur-fitur aplikasi.


16

User Interface User Interface Management Authentication and Autherization

Core Business Logic/Application Functionality System Utilities System Support (OS, database, etc.) Gambar 2.2 Layer Arsitektur Aplikasi secara Umum

(Sumber: Sommervile, 2010) Pada literatur ini ditampilkan dua arsitektur secara umum yang dibuat oleh C.P. Lo (2007) dan Arham dan Hidayah (2009). Secara singkat, kedua arsitektur ini cenderung menggunakan pendekatan client/server architecture. Arsitekur GIS menurut C.P. Lo lebih berfokus pada banyak resource dan kompleksitas infrastruktur yang akan dibangun, sementara Arham membuat arsitektur GIS berdasarkan tujuan GIS yang dikembangkannya untuk kebutuhan visualisasi data. Untuk penelitian ini, penulis menggunakan pendekatan arsitekur GIS menurut Arham dan Hidayah dengan implementasi thick client. Alasannya adalah ruang lingkup kebutuhan dari PT. Ruma pada studi kasus ini serta ketersediaan resource pada penelitian penulis yang lebih cocok dengan pendekatan Arham dan Hidayah. Berikut adalah penjelasan tentang kedua arsitektur tersebut. 

Arsitektur GIS menurut C.P. Lo (2007) Arsitekur GIS menurut C.P. Lo ini mengartikan bahwa suatu server dapat memiliki banyak client dan satu client dapat mengakses ke berbagai server. Server adalah suatu jenis komputer yang berfungsi untuk menyimpan data dan software, sementara client adalah jenis komputer yang digunakan oleh user untuk mengakses server.


17

Gambar 2.3 Arsitektur GIS menurut C.P. Lo (Sumber: C.P. Lo, 2007, telah diolah kembali)

C.P. Lo juga menjelaskan bahwa dalam arsitektur di atas ada dua aspek yang harus diperhatikan, yaitu pada aspek hardware dan software. Untuk aspek hardware, beberapa komponen seperti CPU (central processing unit) dan processor harus dijaga seoptimal mungkin mengingat peran mereka yang saling terintegrasi dalam melakukan pemrosesan data dan mengontrol input serta output sistem. CPU merupakan otak yang mengendalikan tugas-tugas tersebut, sementara processor mempertimbangkan kecepatan yang dijalankan. Pada aspek software, GIS merupakan teknologi yang menggabungkan pendekatan graphical data engine dan georelational data model. Kedua engine ini biasanya dikembangkan oleh dua vendor yang berbeda, sehingga integrasi keduanya menjadi aspek yang harus diperhatikan dalam pengembangan GIS.


18 

Arsitektur GIS menurut Arham dan Hidayah (2009)

Gambar 2.4 Arsitektur GIS menurut Arham (Sumber: Arham dan Hidayah, 2009, telah diolah kembali)

Arham dan Hidayah lebih menjelaskan arsitektur di atas untuk web platform. Terdapat dua jenis pendekatan jika menggunakan rancangan arsitektur di atas, yaitu: -

Pendekatan Thin Client Pendekatan ini lebih berfokus pada sisi server. Hal tersebut dilihat dari seluruh proses pemrosesan data berada pada sisi server. Server mendapatkan request dari klien untuk melakukan pemrosesan data dan selanjutnya server akan mengirimkan response ke client berupa file yang diinginkan dalam format tertentu. Kelemahan dari pendekatan ini adalah adanya batasan terhadap opsi format dan pemrosesan data bagi user di sisi client. Karena semua pemrosesan terhadap bentuk dan format data telah diatur oleh server.

-

Pendekatan Thick Client Pendekatan ini berfokus pada pemrosesan data yang dapat dilakukan pada sisi client. Hal ini dilakukan karena tidak semua format file atau data yang diinginkan dapat diproses pada sisi server. Pemrosesan data pada sisi client ini menggunakan aplikasi khusus yang dengan demikian dapat mengurangi proses transfer data antara client dan server. Kelemahan pada pendekatan ini adalah adanya aplikasi khusus tambahan yang harus dipasang pada sisi klien.


19 2.2.2. Tahap-Tahap Pengembangan GIS Pada dasarnya pengembangan GIS juga mengikuti tahapan SDLC (software development life cycle) secara umum (C.P. Lo, 2007). Yang membedakan antara jenis pengembangan GIS dengan sistem informasi lainnya adalah terletak pada pengumpulan jenis data spasial dan visualisasi data yang ditampilkan. Arham dan Hidayah (2009) menjelaskan terdapat 6 langkah yang dapat diikuti secara umum apabila menggunakan pendekatan waterfall sebagai proses pengembangan GIS. Tahapan tersebut digambarkan dalam gambar berikut:

Rekayasa Sistem/Perenc anaan

Perancangan (desain)

Analisis

Implementasi (pemrograman)

Pengujian (Testing)

Gambar 2.5 Tahapan Pengembangan GIS (Sumber: Arham dan Hidayah, 2009, telah diolah kembali)

Berdasarkan penjelasan dari C.P. Lo (2007), setiap tahap mengeluarkan output yang kemudian menjadi input untuk tahap selanjutnya. Untuk tahap pengujian dan tahap operasi dan pemeliharaan, C.P.Lo menjelaskan bahwa mereka sebenarnya termasuk ke dalam satu tahap yang sama, sehingga keluaran mereka juga sama. Keluaran tersebut antara lain: 1. Rekayasa

sistem/perencanaan:

arsitektur

informasi

dan

perencanaan

pengembangan aplikasi 2. Analisis: business requirement report 3. Perancangan (desain): spesifikasi desain dan fungsional 4. Implementasi (pemrograman): aplikasi sistem informasi 5. Pengujian dan operasi dan pemeliharaan: evaluasi performa sistem dan pencarian error. 2.2.3. Sistem Koordinat GIS tidak dapat dilepaskan dari fungsinya sebagai suatu sistem yang menampilkan peta untuk melihat referensi lokasi tertentu. Peta merupakan suatu gambaran atas kumpulan lokasi yang diterjemahkan dalam suatu konsep matematika yang disebut dengan koordinat (C.P.Lo, 2007). Ayer dan Fosu (2008) juga menjelaskan bahwa kumpulan dari setiap koordinat tersebut dinamakan sebagai suatu sistem koordinat.


Operasi dan Pemeliharaan

20 Pada literatur ini akan dijelaskan tiga jenis sistem koordinat secara umum menurut C.P. Lo (2007). Sistem koordinat tersebut antara lain: 

Sistem koordinat bidang datar Sistem koordinat ini memiliki nama lain yaitu sistem koordinat kartesian. Sistem ini merupakan sistem yang paling sederhana dalam menampilkan lokasi pada tempat sesungguhnya ke dalam suatu bidang dua dimensi. Bidang ini terdiri dari dua garis atau sumbu (sumbu X dan sumbu Y) yang saling berpotongan tegak lurus. Sumbu X merupakan sumbu horizontal, sementara sumbu Y merupakan sumbu vertikal.



Sistem koordinat polar Sistem koordinat ini menggunakan pengukuran sudut dan pengukuran linear untuk menetapkan posisi suatu lokasi pada titik tertentu. Sistem koordinat ini dibuat pada suatu bidang yang disebut bidang kutub atau polar. Awalnya suatu lokasi terdapat pada suatu titik tertentu yang disebut sebagai P. Lalu, titik P ini akan dihubungkan dengan suatu titik awal (origin) yang dicari jarak antara keduanya (r). Jarak tersebut membentuk suatu garis R yang selanjutnya berpotongan dengan garis lurus (A) dari titik origin. Besar sudut () antara perpotongan garis R dan garis A ini yang selanjutnya akan diukur. Dengan demikian titik dari lokasi yang ingin dicari adalah gabungan dari jarak r serta sudut .



Sistem koordinat geografis Sistem koordinat geografis ini lebih merujuk pada penetapan suatu lokasi berdasarkan bidang berbentuk bola. Hal ini dilakukan untuk mendekati bentuk dari planet Bumi yang berbentuk bola. Pada sistem koordinat ini, terdapat dua titik utama yang merujuk dari kutub utara dan selatan Bumi. Dari kedua titik ini didapatkan dua garis imajiner yang membentang dari utara ke selatan dan dari barat ke timur. Setengah dari bidang bola ini direpresentasikan oleh garis imajiner yang disebut dengan garis ekuator. Titik dari suatu lokasi permukaan bumi ditentukan oleh dua sudut yang diukur pada bidang orthogonal yang saling berpotongan pada pusat bumi. Bidang pertama adalah bidang equator yang bergerak secara vertikal dan sudut yang mewakilinya disebut sebagai latitude (900 (south) s/d +900 (north)). Sementara bidang yang kedua adalah disebut


21 sebagai bidang meridian dan bergetak secara horizontal. Sudut yang terdapat pada bidang ini disebut sebagai longitude (-1800 (west) s/d +1800 (east)). Sistem koordinat yang digunakan pada penelitian ini adalah sistem koordinat geografis dengan titik latitude dan longitude sebagai gabungan dua titik yang menunjukkan letak suatu lokasi pada peta. Kedua titik ini diperoleh dari informasi lokasi tersebut yang didapatkan dari aplikasi Google Maps.

2.3 Business Intelligence Business Intelligence (BI) telah menjadi suatu teknologi yang memiliki peran penting bagi setiap orang yang berkecimpung di lingkungan bisnis. Hal ini berkaitan bahwa teknologi BI dapat diimplementasikan ke proses bisnis organisasi demi menjalankan kegiatan bisnis secara lebih cepat dan efisien. Talati, McRobbie, dan Watt (2012) menjelaskan bahwa BI dapat memiliki definisi yang luas yang berkaitan dengan informasi bisnis. Informasi tersebut memuat kegiatan bisnis sehari-hari yang berulang dan menghasilkan suatu pola tertentu. Pola tersebut yang selanjutnya dapat dianalisis untuk menghasilkan keputusan bisnis. Akhavan dan Salehi (2013) menambahkan bahwa tujuan BI adalah untuk mengontrol informasi bisnis yang terdapat pada organisasi dalam jumlah besar dan kemudian mengindentifikasi

serta

mengubah

informasi

tersebut

menjadi

pengetahuan

(knowledge) dan kecerdasan (intelligence) yang berguna untuk manajemen. Sementara

menurut

Turban

(2011)

BI

adalah

suatu

terminologi

yang

mengombinasikan arsitektur, tools, basis data, analytical tools, aplikasi, dan metodologi. BI juga memiliki tujuan utama untuk memudahkan user dalam mengakses data, memudahkan untuk memanipulasi data, serta memudahkan pihak manajemen organisasi untuk melakukan analisis bisnis secara tepat. Berikut adalah suatu skema yang menjelaskan bagaimana BI mampu mengelola data menjadi hal yang bermanfaat bagi organisasi (Turban, 2011).

Data

Information

Decisions

Actions

Gambar 2.6 Skema Pengelolaan Data dalam Proses BI


22

2.3.1 Kerangka Pengambilan Keputusan Berdasarkan skema di atas, dapat diperhatikan bahwa BI tidak dapat dilepaskan dari persepesi tentang suatu cara untuk memudahkan proses pengambilan keputusan, sehingga BI dapat disebut suatu pendukung pengambilan keputusan yang bersifat komputasional. Gorry dan Scott-Morton (1971) mengusulkan suatu kerangka (framework) yang dapat membantu seseorang untuk melakukan pengambilan keputusan terhadap suatu perencanaan (Turban, 2011). Berikut ini adalah kerangka yang dimaksud. Tabel 2.1 Kerangka Pengambilan Keputusan

Type of Control Type of Decision

Operational Control - Transaksi piutang - Transaksi hutan - Pemesanan barang

Managerial Control - Analisis budget - Forecasting jangka pendek

Strategic Planning - Manajemen keuangan - Investasi

Semistructured

- Penjadwalan produksi - Kontrol inventori

- Evaluasi kredit - Persiapan budget - Penjadwalan proyek

- Membangun lokasi kantor cabang baru - Mergers & Acquisition - Perencanaan produk baru

Unstructured

- Pembelian software - Persetujuan pinjaman

- Membeli hardware - Lobbying

- Perencanaan R&D - Pengembangan teknologi baru

Structured

(sumber: Turban, 2011, telah diolah kembali)


23 Kerangka di atas terdiri dari dua sumbu yang menjelaskan tipe pengambilan keputusan (type of decision) dan tipe kontrol atau tipe perencanaan (type of control). Jenis pengambilan keputusan terdiri dari 3 (tiga) jenis cara yaitu: 1. Structured: Jenis pengambilan keputusan ini telah memiliki fase yang terstruktur dan tujuan keputusan yang jelas. 2. Unstructured: Jenis pengambilan keputusan ini dihadapkan pada permasalahan yang tidak bisa diselesaikan secara terstruktur atau terkuantifikasi, sehingga penilaian dan pengalaman expert judgement dibutuhkan dalam proses ini 3. Semistructured: Jenis pengambilan keputusan ini melibatkan beberapa cara dari structured decision dan unstructured decision. Tipe kontrol juga terdiri dari 3 (tiga) jenis yaitu strategic planning yang melibatkan perencanaan jangka panjang dan biasanya dilakukan untuk proses penyesuaian visi dan misi. Lalu ada managerial control yang melibatkan proses untuk mengefisienkan tujuan bisnis yang telah dicanangkan dan bersifat jangka waktu menengah. Sementara operational control lebih fokus pada kegiatan bisnis yang lebih spesifk dan termasuk ke dalam kegiatan bisnis yang bersifat harian, sehingga tipe kontrol ini lebih cenderung ke jangka waktu perencanaan yang lebih pendek. Untuk penelitian ini, maka dapat diperhatikan pada Tabel 2.1 bahwa kegiatan membangun lokasi kantor cabang baru termasuk ke dalam kegiatan perencanaan yang bersifat stratejik serta menggunakan semistructured decision. Pengembangan geospatial dashboard dan AHP merupakan pengembangan dengan pendekatan rancangan aplikasi dan data yang terstruktur serta didukung dengan expert judgement dalam memberikan penilaian terhadap perbandingan tingkat kepentingan (pairwise comparison) suatu elemen pengambilan keputusan dibandingkan elemen lain (Bab 2.5). 2.3.2 Strategi Implementasi BI di suatu Organisasi Setelah memahami bagaimana memposisikan jenis pengambilan keputusan dengan jenis pengendalian perencanaan, maka cara selanjutnya adalah bagaimana BI dapat diterapkan dengan sukses di dalam suatu lingkungan organisasi yang tidak hanya melibatkan aspek teknologi, namun juga melibatkan aspek people dan process (Gambar 2.7).


24

Gambar 2.7 Komponen yang Terlibat dalam Implementasi BI (Sumber: Deloitte, 2009)

Berdasarkan penelitian yang dilakukan oleh Popovic, Turk, dan Jaklic (2010), terdapat beberapa masalah umum yang sering dihadapi pertama kali ketika akan menerapkan BI dalam suatu organisasi, terutama dari sisi alur informasi dan penyimpanan data yang dimiliki organisasi saat itu, antara lain: -

Data yang dibutuhkan untuk proses analisis sering terdapat pada lokasi yang tidak beraturan dan tidak ada kejelasan terkait sumber data.

-

Pihak manajemen sering mendapatkan laporan per periode tertentu yang kurang sesuai kebutuhan.

-

Analis mengonsumsi waktu yang lebih lama untuk mengumpulkan data dibandingkan dengan proses analisisnya itu sendiri.

Di samping itu, terdapat pula beberapa tipe user yang juga harus dipahami ketika akan mengimplementasikan BI pada suatu organisasi. Menurut Handoko (2012), terdapat tiga jenis tipe user, yaitu: -

Power user: tipe user yang memahami konsep teknis dari pengembangan BI. Contoh user seperti ini antara lain programmer atau manajer IT.

-

Casual user: tipe user yang banyak merasakan manfaat dari penggunaan BI khususnya untuk pengambilan keputusan. Contohnya adalah pihak eksekutif organisasi.

-

Common user: tipe user yang cukup awam dalam penggunaan BI, namun nantinya akan tetap menggunakan teknologi BI ini.

Kemudian, Pant (2009) menjelaskan bahwa ada dua jenis analisa yang dapat dilakukan untuk mempelajari kondisi organisasi ketika pertama kali menerapkan


25 teknologi BI, khususnya dalam memahami permasalahan bisnis pada organisasi serta tipe user yang akan menggunakan teknologi BI. -

AS-IS analysis (current state) Pada analisis ini, hal yang harus diperhatikan antara lain kondisi tata kelola teknologi yang terdapat pada organisasi tersebut, kondisi sumber data untuk kegiatan reporting maupun analytic, serta waktu yang dibutuhan dalam mengumpulkan data. Berdasarkan aspek-aspek tersebut, pada as-is analysis ini, keberadaan teknologi di suatu organisasi menjadi hal yang paling diamati.

-

TO-BE analysis (future state) Ketika teknologi BI tersebut telah dapat diimplementasikan, maka segala tata kelola teknologi dari sisi pengelolaan data sudah dapat teratasi dengan baik. Jika sudah sampai pada tahap tersebut, maka hal yang harus dianalisis selanjutnya adalah bagaimana kondisi teknologi sekarang dapat menyesuaikan dengan tujuan bisnis. Hal tersebut dapat dianalisis dengan cara melihat bagaimana teknologi BI yang sudah baik dalam pengelolaan data dapat mengubah data menjadi informasi, decision, dan diakhiri dengan business action. Untuk menerapkan perubahan ini, maka dibutuhkan perencanaan yang matang dengan target yang ditentukan. Target dari setiap perubahan tersebut dapat disesuaikan dengan maturity level dari teknologi BI itu sendiri (dijelaskan lebih rinci di 2.3.3.)

Berikut adalah ilustrasi dari business transformation yang terdapat dalam suatu organisasi ketika menerapkan as-is analysis dan to-be analysis terhadap teknologi BI.

Gambar 2.8 Perubahan Tujuan BI dari Current State menuju Future State (Sumber: Deloitte, 2009)


26 Berdasarkan Gambar 2.8, penelitian penulis juga merujuk pada perubahan tujuan implementasi business intelligence dari current state menuju future state dimana perusahaan mulai menerapkan tahap To-be analysis yaitu penggunaan information analysis, decision, dan action dalam fokus yang lebih besar dibandingkan kegiatan akuisisi maupun integrasi data. 2.3.3 Business Intelligence Maturity Model Kondisi teknologi BI dalam suatu organisasi saat ini dapat dianalisis dengan metode business intelligence maturity level. Rajteric (2010) menjelaskan bahwa maturity model digunakan untuk mendeksripsikan serta memantau perubahan atau siklus suatu hal tertentu. Model ini dibutuhkan mengingat bahwa sesuatu itu dapat berubah seiring dengan berjalannya waktu dan di setiap perubahan ada peranan dan perlakuan yang dapat dianalisis. Business intelligence maturity model sangat berguna bagi implementasi BI di suatu organisasi untuk mengevaluasi sudah sampai pada tahap manakah suatu teknologi BI bersesuaian dengan tujuan bisnis yang ditentukan oleh organisasi tersebut. Pada literatur ini akan dijelaskan dua jenis maturity model yang dijelaskan oleh dua riset dari lembaga penelitian ternama yaitu AMR dan Gartner: -

AMR Business Intelligence Maturity Model

Gambar 2.9 BI Maturity Model menurut AMR (Sumber: AMR, 2006)


27 Berdasarkan penelitian dari AMR terdapat 4 (empat) tahap pada BI maturity model, yaitu: 1. Reacting – Where have we been? Pada tahap ini perusahaan masih menggunakan prinsip pendekatan bottom-up, dimana proyek yang dikerjakan masih bersifat tactical dan masih ditargetkan untuk level line of business (LOB). Selain itu data yang dikeluarkan masih bersifat historical, sehingga kebutuhan analisisnya adalah untuk melihat apa yang terjadi di masa lalu. Perusahaan juga masih bergantung pada ad-hoc process untuk pengambilan data yang bersifat reporting. 2. Anticipating – Where are we now? Tahap ini sudah selangkah lebih baik dibandingkan pada tahap reacting. Perusahaan sudah mengubah tujuan bisnisnya dari tactical menjadi lebih cenderung ke strategical. Hal ini diperlihatkan dengan kebutuhan analisisnya yang sudah melihat tentang kondisi bisnis perusahaan terkini, sehingga real-time performance mulai berjalan pada tahap ini. Di satu sisi, sumber data yang diperoleh masih bersifat silo atau tersebar-sebar di antar divisi. 3. Collaborating – Where are we going? Pada tahap ini tujuan bisnis sudah dapat melangkah ke arah perencanaan untuk jangka waktu yang lebih panjang. Hal ini dimudahkan dengan tools seperti dashboard atau scorecard sebagai teknologi visualisasi yang digunakan untuk memantau kondisi bisnis perusahaan saat ini. Selain itu, pemodelan matematika atau skenario bisnis mulai dilibatkan untuk membantu mengetahui kelayakan perencanaan bisnis yang akan dicapai. Pemodelan juga dapat membantu analis untuk mengetahui apakah perencanaan bisnis ini memiliki implikasi positif atau negatif bagi perusahaan. Beberapa metric seperti Key Performance Indicator (KPI) mulai diterapkan pada tahap ini untuk melihat sudah seberapa jauhkan perencanaan bisnis tersebut berjalan sesuai yang dibutuhkan. 4. Orchestrating – Are we all on the same page? Hanya beberapa perusahaan yang saat ini baru mampu mewujudukan tahap orchestrating pada penerapan BI. Pada tahap ini performance management, yang merupakan landasan dari implementasi BI, sudah dijadikan budaya atau filosofi organisasi. Semua kegiatan perusahaan sudah mulai memegang prinsip pendekatan top-down yang bermula dari tujuan atau visi misi eksekutif untuk selanjutnya diturunkan dalam kegiatan operasional harian. Tujuan dari tahap ini Universitas Indonesia

28 juga ingin memperoleh pandangan yang sama, jelas, dan konsisten untuk semua divisi pada perusahaan tersebut. Keempat tahap ini menunjukkan perjalanan dari impelementasi BI dari suatu perusahaan yang dilihat dari sisi tujuan bisnis, kebutuhan analisis, serta kecanggihan teknologi yang dimiliki. Menurut AMR (2006) dibutuhkan 3-5 tahun untuk suatu perusahaan dapat berpindah dari satu tahap ke tahap lain. -

Gartner Business Intelligence Maturity Model Berikut adalah maturity model yang mendeskripsikan perjalanan dari penerapan BI suatu organisasi menurut Gartner (2010).

Gambar 2.10 BI Maturity Model menurut Gartner (Sumber: Gartner, 2010)

Menurut gambar 2.10, terdapat 5 level yang mendasari pengembangan BI pada suatu organisasi menurut Gartner, yaitu: 1. Unaware Pada level ini BI dan analytic terjadi secara ad hoc. Pengertian ad hoc disini adalah bahwa tidak adanya formalitas dalam proses pengambilan keputusan. Ketika pihak manajemen membutuhkan suatu periodic reporting dari analyst,


29 maka analyst dari berbagai aplikasi akan mengumpulkan data yang ada untuk menjadi suatu report yang selanjutnya cukup dijadikan sebagi suatu spreadsheet. Intinya pada tahap ini perusahaan belum memiliki infrastruktur yang informasi jelas dan terstruktur, sehingga pengumpulan data sulit dijalankan dan berpotensi menimbulkan resiko tinggi pada bisnis. 2. Opportunistic Pada tahap ini perusahaan mulai menerapkan sistem manipulasi data yang lebih terstruktur namun masih pada tujuan tactial dan layer line of business. Setiap business unit memiliki orang-orang yang paham dari aspek teknologi untuk membantu business unit tersebut dalam memanipulasi data. Sayangnya hal tersebut masih bermasalah ketika pihak manajemen harus menerima data dari setiap business unit. Adanya perspektif dan metrics yang berbeda dalam kebutuhan analisis, mengakibatkan manajemen masih sulit dalam menentukan pengambilan keputusan. Sumber data juga masih tersebar di antar divisi. 3. Standards Pada tahap ini, pihak eksekutif mulai menginisasi pada implementasi BI dengan menyesuaikan pada tujuan bisnis. Hal-hal seperti data warehouse, infrastruktur informasi, dan BI capabilities mulai diperkenalkan, sehingga pada tahap ini juga dikenal adanya BI Competence Center (BICC) yang terdiri dari business users, IT professional dan IT analyst untuk memberikan bimbingan dan pembelajaran terhadap setiap karyawan atau manajer pada perusahaan tentang penerapan BI yang baik dan benar. Setiap pengambilan keputusan sudah mulai melibatkan beberapa divisi, namun belum disesuaikan dengan tujuan perusahaan. Sayangnya, pengetahuan dan keterlibatan manajer dalam implementasi BI masih belum penuh dan sumber data juga masih tersebar. 4. Enterprise Di tahap ini implementasi BI sudah diterapkan secara lebih matang. Chief Operational Officer dan Chief Financial Officer mulai menjadi sponsor dari keberadaan BI ini. Selain itu, perusahaan juga mulai membuat kerangka yang berisikan metric atau KPI untuk memudahkan pengambilan keputusan. Kualitas data dan integrasi data sudah menjadi aspek penting dalam hal pengumpulan data pada satu sistem yang sama, sehingga menyebabkan setiap pihak baik manajer, partner, maupun customer juga menggunakan sistem BI yang sama. Sumber data sudah mulai terpusat. Tantangan yang muncul pada tahap ini adalah bagaimana Universitas Indonesia

30 perusahaan

dapat

mempertahankan

atau

merekrut

orang-orang

dengan

kemampuan BI dan analytic yang kuat pada perusahaan. Mengingat change management dari sisi alokasi sumber daya manusia begitu mudah terjadi pada perusahaan. 5. Transformative CEO sudah mulai terlibat sebagai sponsor dari implementasi BI. Informasi sudah menjadi aset penting bagi perusahaan untuk dapat menghasilkan revenue yang besar. Perusahaan bahkan tidak hanya membuat kerangka metrik untuk internal perusahaan, namun juga melibatkan metrik untuk keberadaan partner atau customer. Hal ini dinamakan sebagai keterlibatan BI dalam optimisasi supply chain. Pertukaran informasi antar user dari level manapun sudah semakin mudah untuk dilakukan dan dipahami. Bahkan di dalam proses pengambilan keputusan sudah mulai melibatkan kegiatan simulasi pengambilan keputusan untuk melihat seberapa jauhkah dampak dari keputusan tersebut sebelum diimplementasikan menjadi suatu action. Berdasarkan AMR business intelligence maturity model, teknologi business intelligence yang penulis kembangkan masuk ke dalam kategori collaborating (where are we going), yaitu menjadikan teknologi business intelligence untuk mengukur perencanaan kegiatan bisnis terhadap jangka waktu yang lebih panjang. Perencanaan yang dimaksud adalah kegiatan ekspansi lokasi kantor cabang. Selain itu, menurut Gartner business intelligence maturity model, penelitian penulis ini masuk ke dalam kategori standards, yaitu dimana pihak eksekutif mulai menginisiasi implementasi business intelligence untuk tujuan bisnis. Pihak eksekutif yang dimaksud adalah adanya keterlibatan manajer Sales & Operation dan tim ZEM PT. Ruma dalam menerapkan business intelligence, serta adanya implementasi jenis teknologi seperti geospatial dashboard yang mulai diperkenalkan pada implementasi business intelligence di perusahaan. 2.3.4 BI Analytics & Location Analytics Seperti yang diungkapkan pada latar belakang, Eckerson (2011) mengatakan bahwa pada masa depan teknologi intelligence yang akan berkembang antara lain business intelligence, analytics intelligence, continouos intelligence, dan content intelligence. Berikut adalah penjelasan tentang keempat jenis teknologi tersebut yang dibedakan dari kelompok user yang menggunakan serta dari sisi kapabilitasnya: Universitas Indonesia

31 -

Business Intelligence: Jenis teknologi ini ditujukan kepada kebutuhan casual users, seperti pihak eksektutif, manajer, customer, dan supplier. Bentuk tampilan yang disajikan banyak yang berbentuk dashboard dan scorecard.

-

Analytics Intelligence: Jenis teknologi ini ditujukan kepada kebutuhan power users, seperti business analyst, analytical modelers, dan IT professional. Umumnya jenis teknologi yang digunakan adalah spreadsheet, online analytical processing (OLAP), data mining workbench.

-

Continouos Intelligence: Jenis teknologi ini mengotomasikan kemampuan collecting, monitoring, dan analyzing pada jumlah data yang besar dan kompleks untuk selanjutnya ditampilkan secara real-time. Kecanggihan teknologi dari sisi input dan proses untuk mengolah data secara real-time menjadi karakter dari jenis teknologi ini.

-

Content Intelligence: Jenis teknologi ini dibutuhkan untuk melakukan analisa informasi yang terkandung pada dokumen, korpus, web pages, social media, dan segala jenis unstructured data. Jenis teknologi ini menggabungkan search dan semantic teknologi untuk mendukung proses pengolahan unstructured data. Keempat jenis teknologi ini kemudian juga dipetakan ke dalam Gambar 2.11 yang memperlihatkan kolaborasi dari keempat teknologi tersebut dalam mendukung kegiatan reporting dan analysis.

Gambar 2.11 BI Delivery Framework 2020 (sumber: Vertica, 2011)


32 Gambar tersebut sekaligus menjelaskan bahwa kebutuhan perusahaan terhadap business intelligence tidak lagi didasarkan pada kebutuhan terhadap data reporting saja, namun juga mulai akan membutuhkan data analytic. Jika dikaitkan dengan penelitian penulis, maka penelitian penulis ini berfokus dalam mengintegrasikan kemampuan reporting terhadap data yang telah ada serta kemampuan analytic yang merekomendasikan data dalam bentuk urutan lokasi yang ingin diekspansi terlebih dahulu. Hal ini juga diperkuat dengan suatu terminologi BI&A yang ditulis oleh Chen, Chiang, dan Storey (2012) pada penelitiannya. BI&A adalah singkatan dari Business Intelligence dan Analytic. Dia menyebutkan bahwa BI&A memiliki 3 (tiga) fase yang terdiri dari BI&A 1.0, BI&A 2.0, dan BI&A 3.0. Gambar 2.12 merangkum bagaimana setiap fase di BI&A dikaitkan dengan aplikasi teknologi yang ada saat ini serta penelitian apa yang sedang dikaji terhadap fenomena BI&A.

Gambar 2.12 Penjelasan BI&A: Evolution, Applications, dan Penelitian Terkini (Sumber: Chen, Chiang, dan Storey, 2012)

Pada latar belakang diungkapkan pula bahwa kegiatan analytics suatu perusahaan pada business intelligence telah banyak yang fokus pada implementasi location analytics. Seperti yang dijelaskan oleh Ventana (2013) bahwa kesadaran perusahaan dalam menerapkan location analytics dapat meningkatkan usaha mereka pada kegiatan marketing, sales, dan customer relationship management (CRM). Selain itu, perusahaan juga menerapkan location analytics ini untuk kegiatan business-to-


33 business (B2B) dan business-to-customer (B2C). Berdasarkan penelitian yang dilakukan oleh Ventana pada tahun 2013, location analytics dapat meningkatkan hasil yang positif untuk setiap kegiatan maupun proses bisnis. Sebanyak 34% perusahaan mengatakan bahwa location analytic meningkatan business value mereka secara signifikan, sementara 51% perusahaan mengatakan bahwa business value mereka naik secara perlahan-lahan berkat implementasi dari location analytic. Hal ini dipertegas dengan grafik dari hasil penelitian pada Gambar 2.13.

Gambar 2.13 Penggunaan Location Analytic di Perusahaan (Sumber: Ventana Research, 2013)

Garber (2013) menjelaskan pada awal pengembangan business intelligence, location analytic belum menjadi salah satu jenis analisis yang dipertimbangkan untuk diimplementasi pada perusahaan. Selain itu, perusahaan juga masih banyak yang berfokus untuk menjalankan kegiatan operasionalnya pada satu lokasi tertentu. Seiring dengan berkembangnya teknologi dan bisnis yang semakin kompleks, kegiatan operasional perusahaan tidak hanya berfokus pada satu lokasi saja. Pada era informasi ini keterlibatan customer dari berbagai negara untuk menggunakan produk suatu perusahaan memunculkan kebutuhan analisis dalam melihat jumlah target market yang ada di berbagai lokasi. Selain itu, perkembangan supply chain juga sudah


34 melibatkan kerja sama bisnis dari berbagai lokasi, sehingga kebutuhan location analytics semakin besar diperlukan oleh perusahaan. Menurut Esri (2012), terdapat 3 (tiga) jenis elemen inti yang mempengaruhi location analytics, yaitu: -

Dynamic, untuk aspek pemetaan yang interaktif

-

Analisis ruangan (spatial analysis) yang canggih dan kompleks

-

Rich complementary data. Karena dengan data lokasi, pemahaman analisis bisnis perusahaan terhadap suatu permasalahan akan semakin luas dan mendalam.

Jika ketiga elemen inti ini digabungkan, maka perusahaan bisa meningkatkan pemahaman analisis bisnisnya menjadi semakin baik dan meningkatkan kecepatan dari proses pengambilan keputusan. Esri (2012) menyebutkan bahwa location analytic ini dapat dibantu dengan teknologi GIS untuk membantu visualisasi data dalam bentuk peta. Di samping aspek visualisasi, location analytic juga membantu perusahaan dalam menjawab “where question” terhadap pertanyaan tentang suatu lokasi. Dengan demikian perusahaan tidak hanya menanyakan tentang “what”, “why”, atau “how question” untuk suatu analisis permasalahan bisnis. Pada penelitian penulis ini, penggunaan location analytic bertujuan untuk menganalis lokasi manakah yang terbaik untuk diekspansi terlebih dahulu serta persebaran lokasi yang akan diekspansi secara umum pada suatu wilayah tertentu. Teknologi atau metode yang mendukung kegiatan location analytic ini adalah geospatial dashboard (subbab 2.3.5) dan metode analytic hierarchy processing (subbab 2.4). 2.3.5 Data Visualization dan Geospatial Dashboard Kecanggihan implementasi business intelligence tidak hanya diukur dari sisi teknikal yang terjadi di dalamnya. Salah satu hal yang saat ini dibutuhkan untuk kalangan nontechnical user dalam memahami transformasi data ke dalam bentuk informasi, decision, dan action adalah penerjemahan data ke dalam bentuk visualisasi. Teknologi yang mencakup kebutuhan tersebut dinamakan data visualization. Menurut Stodder (2013), data visualization adalah pertemuan dari berbagai domain ilmu, seperti teknologi informasi, cognitive science, serta graphical interface dengan tujuan untuk memperkaya interprestasi dan pertukaran informasi dari user yang menggunakannya.


35 Selain itu, visualization dapat membantu performance management suatu perusahaan dengan tampilan metric dan measures yang telah ditentukan. Bahkan menurut McKeon (2009), teknologi visualisasi sudah dirancang dalam berbagai platform. Salah satunya adalah web platform, seperti penggunaan Google docs, Yahoo Pipes, DabbleDB, dll. Dengan demikian visualization tools dapat menjadi single view of information yang berarti segala jenis data dari berbagai sumber dapat diterjemahkan ke dalam satu tampilan yang dapat dengan mudah dipahami oleh setiap user (Stodder, 2013). Cara ini juga mampu mengefektifkan serta mengefisienkan proses pengambilan keputusan karena pihak eksekutif cukup menggunakan informasi yang termuat pada visualization tools untuk menjadi bahan pengambilan keputusan. Kebutuhan teknologi visualisasi ini juga diprediksi oleh TDWI (2013) bahwa pada tahun 2014 visualization tools merupakan salah satu teknologi analytics yang akan banyak digunakan oleh perusahaan dalam memantau performa bisnis serta diikuti oleh teknologi predictive analytics dan geospatial analytics. Prediksi tersebut dituangkan pada Gambar 2.14.

Gambar 2.14 Penelitian TDWI tentang Penggunaan Teknologi Analytics (Sumber: TDWI World Conference Tech Survey, 2013)

Berdasarkan Gambar 2.14 dan juga seperti yang dijelaskan pada bagian latar belakang (Bab 1), penelitian penulis ini menitikberatkan pada tiga jenis analytic technology


36 yaitu visualization tools, predictive analytics, dan geospatial analytics. Visualization tools dan geospatial analytics dirujuk sebagai pengembangan dari teknologi geospatial dashboard, sementara predictive analytics dirujuk untuk pengembangan metode AHP pada penelitian ini. Stodder menambahkan bahwa visualization tools sering dimanfaatkan oleh perusahaan untuk mengontrol performance management dengan beberapa metrics dan measure

yang

mengindikasikan

persentase

keberhasilan

perusahaan

dalam

meningkatkan performa bisnisnya. Contoh visualization tools yang sering diaplikasikan di perusahaan adalah dashboard (Turban, 2011). Menurut Novell (2009), karakteristik dashboard yang baik dan ideal bagi perusahaan terdiri dari beberapa hal, yaitu antara lain (Turban, 2011): -

Menggunakan komponen visual (chart, performance bar, map, meteran, dll) yang dapat menampilkan data untuk kebutuhan business action.

-

Mudah digunakan oleh user, bahkan tidak membutuhkan waktu dan persiapan training yang banyak.

-

Mengombinasikan data dari berbagai sumber ke dalam bentuk satu tampilan, sehingga dapat meringkas dan dapat menjadi single view of information.

-

Dapat dilakukan proses drill-down atau drill-through, sehingga dapat memandang visualisasi data dari berbagai dimensi keputusan.

-

Menampilkan data yang bersifat dinamis dari waktu ke waktu

-

Membutuhkan sedikit perubahan dalam implementasi, coding, maupun perawatan sistem.

Penerapan dashboard ini semakin meningkat seiring dengan besarnya kebutuhan perusahaan terhadap analisis lokasi. Jenis dashboard yang membantu kebutuhan analisis ini adalah geospatial dashboard atau secara umum disebut sebagai geospatial business intelligence (Badard, Dube, 2009). Menurut Badard dan Dube (2009), pada dasarnya geospatial dashboard ini merupakan gabungan dari penerapan BI dan GIS pada satu arsitektur yang menggabungkan analisis spasial dan visualisasi peta dengan suatu BI tools yang diharapkan dapat membantu perusahaan dalam melakukan pengambilan keputusan terhadap analisa yang terkait dengan data lokasi. Untuk mengembangkan arsitektur dari geospatial dashboard ini dapat dimulai dari sudut pandang arsitektur BI. Ong dan Universitas Indonesia

37 Siew (2011) menjelaskan bahwa arsitektur BI dapat dibagi menjadi 5 (lima) layer. Lima layer tersebut antara lain: 1. Data source layer Layer ini merupakan sumber data, baik berjenis internal maupun eksternal, yang merupakan tempat dari data untuk kebutuhan perusahaan tersebut berasal. 2. ETL layer Pada layer ini terdapat tiga jenis proses yaitu Extract, Transform, dan Loading. Proses extract berfungsi untuk mengumpulkan semua jenis data, dari internal data source atau external data source yang sebelumnya masih bersifat belum terintegrasi, duplikatif, atau incomplete. Sementara proses transform berfungsi untuk mengubah data dari proses extract dengan beberapa rules seperti fungsi agregat, dll. Proses transform ini juga dapat disebut sebagai proses untuk membersihkan atau menormalisasikan data. Selanjutnya, data yang telah dikenai proses transform akan disimpan pada staging area. Dari area ini maka data akan dikenai proses loading ke sebuah target repository. 3. Data warehouse layer Pada layer ini terdapat suatu data warehouse yang dapat diartikan sebagai tempat untuk mengumpulkan dan menyimpan data yang diperoleh dari proses ETL untuk selanjutnya digunakan dalam kepentingan pengambilan keputusan, eksekusi query, dsb. Dengan menggunakan data warehouse ini, maka user dapat melakukan analisis terhadap data dari berbagai dimensi dengan teknik aggregation atau summarization. 4. Metadata layer Metadata adalah suatu data yang menjelaskan tentang data. Keberadaan dan peranan data yang disimpan pada database maupun pada data warehouse dijelaskan pada layer ini untuk penyimpanan informasi teknis maupun bisnis dari data yang terkait. 5. End-user layer Pada dasarnya banyak jenis dari end-user tools yang menampilkan informasi dari proses pengolahan data pada layer sebelumnya kepada user. Contoh end-user tools tersebut antara lain query dan reporting tools, visualization tools, data mining tools, atau Online Analytical Processing (OLAP).


38

Gambar 2.15 Arsitektur Business Intelligence (sumber: Ong dan Siew, 2011)

Untuk mengintegrasikan arsitektur ini dengan teknologi GIS, maka menurut Badard dan Dude (2009) dibutuhkan kapabilitas spasial yang harus diinjeksi ke dalam struktur arsitektur BI. Kapabilitas tersebut antara lain membaca dan menulis format file GIS, melakukan transformasi koordinat, dan spatial reference system lainnya yang dibutuhkan. Pada Gambar 2.16 terdapat suatu komponen yang bernama spatial business intelligence. Komponen ini memiliki kapabilitas spasial yang terdiri dari spatial ETL, spatial DBMS, membaca format file GIS, serta end-user tools yang berfungsi untuk membantu proses analytics yaitu SOLAP (Spatial Online Analytical Processing).


39

Gambar 2.16 Arsitektur Geospatial Dashboard (Sumber: Badard dan Dude, 2009)

Selain itu, berdasarkan Gambar 2.15 dan Gambar 2.16, penelitian penulis berfokus untuk pengembangan end-user layer pada arsitektur business intelligence atau reporting tools pada bagian arsitektur geospatial dashboard. Pengembangan geospatial dashboard ini langsung dapat digunakan oleh user dari sisi tampilannya serta hasil urutan lokasi yang direkomendasikan oleh metode analytic hierarchy processing (AHP).

2.4 Multi Criteria Decision Analysis Multiple Criteria Decision Analysis (MCDA) merupakan salah satu teknik dalam pengambilan keputusan yang menggunakan berbagai kriteria untuk membantu mencapai suatu tujuan pengambilan keputusan. Hal tersebut didasarkan pada literatur dari Department for Communities and Local Government UK (2009) yang menjelaskan MCDA adalah suatu teknik yang dapat digunakan untuk mencari tahu pilihan terbaik dari berbagai pilihan, mengurutkan alternatif pilihan, serta membedakan pilihan-pilihan mana sajakah yang dianggap baik atau buruk. Thokala (2011) menambahkan bahwa MCDA digunakan untuk mengevaluasi berbagai alternatif dari banyak kriteria yang saling bertentangan. Dia juga mengatakan bahwa MCDA merupakan konsep teknik yang bersifat global untuk sudut pandang


40 pengambilan keputusan dari berbagai kriteria dan memiliki beberapa jenis teknik. Di samping itu, Montibeller dan Franco (2010) juga melakukan penelitian terhadap penggunaan MCDA secara lebih rinci bahwa MCDA dapat membantu hingga ke teknik pengambilan keputusan yang bersifat stratejik, baik untuk perusahaan swasta maupun pemerintah. Menurut Department for Communities and Local Government UK (2009), teknik MCDA ini tidak hanya berhenti pada satu atau beberapa jenis teknik saja, melainkan pada implementasinya MCDA dapat berpotensi menghasilkan berbagai jenis yang akan terus bertambah dan berubah seiring dengan perkembangan zaman. Pernyataan tersebut didasarkan pada: 

Adanya jenis pengambilan keputusan yang berbeda-beda di berbagai situasi maupun perusahaan.



Adanya perbedaan rentang waktu yang berbeda-beda dalam setiap pengambilan.



Adanya keragaman jumlah raw data yang harus dimiliki seorang pengambil keputusan. Hal tersebut dibuktikan di era saat ini yang banyak menghasilkan unstructured text pada social media, dimana jenis data tersebut belum terlalu populer di masa lalu.



Kemampuan analytics setiap pengambil keputusan yang berbeda-beda.



Setiap perusahaan memiliki cara administrasi dan budaya perusahaan yang mempengaruhi cara pengambilan keputusan.

2.4.1 Tahap-Tahap dalam Menjalankan MCDA Tahapan dalam menjalankan MCDA juga terdapat banyak perbedaan dari beberapa peneliti. Pada umumnya tahapan tersebut bermaksud sama. Hanya saja ada beberapa bagian yang ditambahkan baik di awal, tengah, atau akhir tahapan dengan mempertimbangkan situasi dan objek permasalahan yang dihadapi. Pada literatur ini, penulis akan menjelaskan secara garis besar tahapan MCDA yang dikembangkan menurut tulisan dari Department for Communities and Local Government UK (2009), Thokala (2011), dan Montibeller (2009). Department for Communities and Local Government UK menyebutkan bahwa terdapat 8 (delapan) langkah dalam menerapkan MCDA yaitu:


41 1. Membuat konteks dan tujuan dari kegiatan pengambilan keputusan. 2. Mengidentifikasi alternatif yang akan dipilih. 3. Mengidentifikasi krtieria yang menentukan pengambilan keputusan. 4. Menjelaskan expected performance dalam bentuk score kepada setiap alternatif terhadap suatu kriteria. 5. Memberikan bobot yang berbeda-beda ke setiap kriteria berdasarkan tingkat kepentingannya. 6. Menggabungkan score yang diberikan ke setiap alternatif dengan bobot yang diberikan ke setiap kriteria dalam bentuk perhitungan. 7. Mendapatkan hasil dari perhitungan langkah 6. 8. Melakukan sensitivity analysis terhadap hasil yang diperoleh dengan melakukan perubahan input dari skor atau bobot sebelumnya. Selain itu, Thokala memiliki versi tersendiri dalam menjabarkan tahapan pada MCDA. Terdapat 4 (empat) langkah dalam menerapkan MCDA yang dibagi antara lain: 1. Problem structuring Perumusan masalah dilakukan dengan menjabarkan alternatif pilihan, tujuan pengambilan keputusan, isu-isu penting yang terkait, serta batasan dan ketidakpastian dari masalah yang ditimbulkan. 2. Capturing Evidence Tahap ini menjelaskan tentang bagaimana melakukan serta menentukan pemodelan yang akan menyelesaikan permasalahan. Cara dalam menentukannya adalah dengan melakukan studi literatur, survey, serta bertemu dengan stakeholder yang terkait guna mengetahui informasi dan pengalaman sebelumnya yang pernah terkait dengan permasalahan tersebut. 3. MCDA Modelling Pada tahap ini, sudah diperoleh pemodelan MCDA apakah yang akan digunakan. Cara-cara yang dilakukan antara lain adalah dengan mendefinisikan kriteria pengambilan keputusan, pemberian skor terhadap alternatif, pemberian bobot, serta menggabungkan skor dan bobot tersebut ke dalam bentuk perhitungan khusus.


42 4. Deliberation Deliberation merupakan suatu kegiatan untuk mempertimbangkan hasil dari pemodelan MCDA yang telah diterapkan. Pertimbangan tersebut adalah untuk memperkuat proses pengambilan keputusan dengan cara-cara seperti sensitivity analysis, information synthesis, atau robustness analysis.

Pada dasarnya kedua penerapan dari MCDA berdasarkan Department for Communities and Local Government UK dan Thokala adalah tidak jauh berbeda. Peneliti menggunakan kedua penerapan sebagai bagian dari perumusan masalah dengan pemodelan MCDA. Jenis pemodelan MCDA yang akan digunakan beserta penjelasannya dipaparkan pada bagian 2.4.2. 2.4.2 Jenis-Jenis MCDA Seperti yang telah dijelaskan pada subbab sebelumnya bahwa MCDA memiliki beberapa jenis teknik. Pada literatur ini dijelaskan 3 (tiga) jenis teknik yang juga berkaitan dengan objek permasalahan serta metode pengambilan keputusan pada penelitian ini. Jenis-jenis MCDA tersebut antara lain: 

Analytic Hierarchy Processing Analytic Hierarchy Processing (AHP) adalah teknik yang sangat klasik dalam membantu pengambil keputusan untuk memilih solusi yang terbaik dari berbagai alternatif dan kriteria. Pengembangan AHP ini dibantu dengan menggunakan matriks yang melakukan perbandingan terhadap setiap pasangan kriteria atau pasangan atribut (pairwise comparison) (Alexander, 2012). Teknik AHP ini sangat spesifik dalam membantu mengatasi permasalahan dimana alternatif dan kriteria ini di dalamnya bersifat independen dan bisa dipasangkan satu sama lain ketika

dilakukan

perbandingan.

Penggunaan

AHP

ini

sudah

banyak

diimplementasikan untuk beberapa hal seperti mengalokasikan switch pada jaringan terdistribusi (Bernardon, Sperandio, 2011) atau sistem pengurutan klub sepakbola (Sun, 2009). Penerapan AHP ini biasa dilambangkan dengan abstraksi value tree yang berfungsi untuk meletakkan komponen tujuan, kriteria pengambilan keputusan, dan alternatif pada suatu struktur tree. Gambar dari value tree atau AHP tree dapat dilihat pada Gambar 2.17.


43

Gambar 2.17 Diagram Tree AHP secara Umum (Sumber: Alexander, 2012)



Analytic Network Processing Saaty (2008) menjelaskan bahwa Analytic Network Processing (ANP) merupakan bentuk generalisasi dari AHP, dimana ANP lebih menekankan penyelesaian permasalahan yang memiliki dependency antar kriteria dan antar alternatif yang begitu besar. Tidak seperti hirarki yang terdiri dari berbagai level untuk tujuan, kiteria, dan alternatif pengambilan keputusan, ANP menghasilkan suatu connection yang melibatkan keterkaitan antar komponen. Komponen tersebut dilambangkan dalam bentuk node. Keterkaitan antar node ini dinamakan sebagai feedback structure. Saat ini penggunaan ANP sudah banyak diimplementasikan di berbagai industri dan studi kasus, seperti implementasi ANP di bisnis entertainment (Saaty, 2009) atau kegiatan pemilihan supplier (Sadeghi, Rashidzadeh, 2012). Berikut adalah gambar network yang menjelaskan connection pada ANP.

Gambar 2.18 Diagram ANP (Sumber: Saaty, 2008)


44



Fuzzy Analytic Hierarchy Processing Fuzzy AHP pada dasarnya merupakan suatu AHP

yang pendekatan

pembobotannya menggunakan metode fuzzy set (Tiryaki, Ahlatcioglu, 2009). Metode ini berawal dari pemikiran beberapa orang yang mengatakan bahwa bahasa manusia dalam memperkirakan penilaian atau pembobotan untuk suatu kriteria atau alternatif adalah tidak selalu tepat (imprecise) pada satu ukuran tertentu (Department for Communities and Local Government UK, 2009). Adanya ukuran penilaian seperti baik, lebih baik, cukup baik, agak baik, dsb. adalah adanya ketidaktepatan pada suatu ukuran “baik”. Oleh karena itu, fuzzy arithmetic, yang diperkenalkan oleh Zadeh (1960) menggunakan pengukuran dari angka 0 sampai 1 dalam bentuk bilangan desimal. 0 menunjukkan ketidaktepatan yang mutlak pada suatu ukuran, 1 menunjukkan ketepatan yang mutlak pada suatu ukuran, sementara 0.8 atau 0.7 merupakan perkiraan yang bersifat tidak mutlak tapi mendekati ketepatan yang mutlak pada suatu ukuran. Penerapan Fuzzy AHP ini sudah banyak dilakukan di beberapa penelitian seperti untuk mengukur kemungkinan dari kesukesan proses knowledge management (KM) pada suatu organisasi (Chang, Wang, 2008) atau menggabungkan metode fuzzy sets pada AHP dengan teknik gray relational analysis (GRA) (Wei, 2011). Penelitian penulis menggunakan metode analytic hierarchy processing sebagai metode atau pemodelan yang membantu proses pengambilan keputusan untuk menentukan alternatif terbaik atau urutan alternatif pengambilan keputusan dari berbagai kriteria. Metode ini digunakan juga dikarenakan metode ini cocok dengan kebutuhan proses pengambilan keputusan tim ZEM, yaitu adanya perbandingan satusatu antara setiap elemen dengan suatu skala prioritas yang bersifat independen antar perbandingan tersebut. Perbandingan ini disebut sebagai pairwise comparison.

2.5 Analytic Hierarchy Processing Seperti yang telah dijelaskan pada subbab sebelumnya, bahwa analytic hierarchy processing (AHP) adalah salah satu jenis teknik multi criteria decision analysis (MCDA). Menurut Ishizaka dan Labib (2011), pemikiran dari teknik ini telah muncul pada tahun 1920an pada penelitian Thurstone (1921) dan Yokohama (1927) untuk digunakan oleh profesi psychologist dengan menggunakan metode pairwise comparison. Selanjutnya pemodelan dalam bentuk hirarki untuk merumuskan kriteria Universitas Indonesia

45 juga pernah disinggung oleh J. Miller pada tahun 1966 di disertasinya. Bahkan, penggunaan skala 1-9 untuk sebuah ukuran perbandingan sudah pernah digunakan pada tahun 1860 oleh Fechner. Pemikiran dari teknik ini terus berkembang hingga pada tahun 1972, Thomas L. Saaty mematenkan nama dari teknik ini sebagai analytic hierarchy processing (AHP) yang sudah dilengkapi dengan pemodelan matematika dalam bentuk matriks, eigen, maupun pemodelan lainnya. Menurut Saaty (2008), AHP ini merupakan teori yang mengukur penilaian dari setiap expert atau pihak eksekutif dalam melakukan pengambilan keputusan melalui metode pairwise comparison dengan penggunaan skala-skala prioritas. Pairwise comparison ini merupakan suatu perbandingan antara dua alternatif pengambilan keputusan berdasarkan pada satu atribut atau kriteria khusus. Setiap atribut atau kriteria ini juga nantinya akan dibandingan secara berpasangan. Perbandingan ini dilakukan untuk melihat tingkat kepentingan satu elemen dengan elemen yang lain. Angka yang dihasilkan pada perbandingan ini diperoleh dari penilaian yang dilakukan secara kualitatif oleh para expert yang memiliki pengetahuan terhadap permasalahan dari pengambilan keputusan tersebut. Penilaian ini memang bisa bersifat relatif atau tidak konsisten, namun itulah yang menjadi fokus dari penggunaan AHP ini. AHP diharapkan mampu memecahkan masalah inkonsistensi tersebut dalam bentuk pemodelan matematika. Disamping itu, AHP juga tidak hanya digunakan untuk penilaian yang bersifat kualitatif. Jenis-jenis atribut yang bersifat kuantitatif juga dapat digabungkan dengan atribut kualitatif pada teknik AHP ini (Ishisaza dan Labib, 2009). Berdasarkan penjelasan AHP pada paragraf sebelumnya, berikut adalah ilustrasi dari pairwise comparison matrices yang digambarkan pada Gambar 2.19, sementara pada Tabel 2.2 dijelaskan tentang skala prioritas yang berisikan nilai tingkat kepentingan suatu elemen dibandingkan dengan elemen yang lain.


46 Elemen 1

Elemen 2

…

Elemen n

Elemen 1

a11

a12

…

a1n

Elemen 2

a21

a22

…

a2n

…

…

…

…

…

Elemen n

an1

an2

…

ann

Gambar 2.19 Pairwise Comparison Matrices

Tabel 2.2 Penjelasan Skala Prioritas pada AHP

Tingkat Kepentingan 1

Definisi Equal importance

2

Weak or slight

3

Moderate importance

4

Moderate plus

5

Strong importance

6

Strong plus

7

Very strong

8

Very, very strong

9

Extreme importance

Kebalikan dari nilai diatas (reciprocal)

Jika elemen i memiliki skala tingkat kepentingan yang terdapat pada salah satu angka di atas terhadap elemen j, maka elemen j memiliki nilai yang merupakan kebalikan dari skala tersebut terhadap elemen i

(Sumber: Saaty, 2008)

2.5.1 Tahap-Tahap Menjalankan AHP Menurut Saaty (2008), ada beberapa langkah yang dapat diikuti dalam menjalankan metode AHP ini. Tahapan ini pada dasarnya tidak jauh berbeda dengan tahapan pada MCDA, namun pada bagian ini akan dibahas secara lebih spesifik tentang


47 penggunaan model matematika dalam merumuskan tahapan. Tahap-tahap dalam menjalankan AHP antara lain: 1. Menetukan permasalahan dan ilmu apa yang berkaitan dengan permasalahan ini. Permasalahan pada metode AHP ini akan diselesaikan dalam bentuk pengambilan keputusan yang terdiri dari tiga komponen yaitu tujuan, kriteria, dan alternatif pengambilan keputusan. Berikut adalah contoh dari tiga komponen tersebut, yaitu: 

Tujuan pengambilan keputusan: mencari urutan prioritas objek wisata yang layak dikunjungi



Kriteria pengambilan keputusan: K1 dan K2



Alternatif pengambilan keputusan: A1, A2, A3

Pada contoh prosedur penggunaan AHP ini, diasumsikan bahwa K1 adalah kriteria yang mudah diukur untuk setiap alternatif pengambilan keputusan, sementara K2 adalah kriteria yang sulit diukur untuk setiap alternatif pengambilan keputusan. 2. Membuat struktur hirarki dalam bentuk tree yang dimulai dari tujuan pengambilan keputusan (top level), dilanjutkan dengan kriteria pengambilan keputusan (intermediate level), hingga alternatif pengambilan keputusan (lowest level). Gambar 2.20 menjelaskan ilustrasi dari struktur hirarki tree tersebut.

Mencari urutan prioritas objek wisata yang layak dikunjungi

K1

K2

- A1 - A2 - A3

- A1 - A2 - A3

Gambar 2.20 Contoh Ilustrasi Struktur Tree AHP dengan Nilai Prioritas


48

3. Membuat matriks perbandingan (pairwise comparison matrices) untuk mengukur perbandingan tingkat kepentingan antara satu elemen dengan elemen lainnya terhadap suatu aspek yang berada terletak di atasnya. Pairwise comparison matrices ini ditujukan untuk mengukur nilai atau bobot dari suatu elemen yang sulit untuk diukur secara kuantitatif. Berikut adalah pairwise comparison matrices untuk perbandingan tingkat kepentingan antar kriteria terhadap aspek tujuan yang diperoleh dari kesepakatan expert judgement pada Tabel 2.3. Tabel 2.3 Ilustrasi pairwise comparison matrices untuk antar kriteria

K1

K2

K1

1.00 3.00

K2

0.33 1.00

Di dalam pairwise comparison matrices untuk kriteria diatas, terdapat nilai perbandingan yang menunjukkan skala prioritas tingkat kepentingan dari satu kriteria dibandingkan kriteria lain. Kriteria K1 memiliki nilai sebesar 3 kali lebih penting dibandingkan kriteria K2. Selanjutnya adalah membandingkan setiap alternatif terhadap kriteria K2. Hal ini dikarenakan perbandingan tersebut sulit untuk diukur, sehingga membutuhkan pairwise comparison yang setiap nilainya diperoleh dari expert judgement (Tabel 2.4). Tabel 2.4 Pairwise comparison matrices setiap alternatif terhadap kriteria K2

A1

A2

A3

A1

1.00 2.00 3.00

A2

0.50 1.00 0.20

A3

0.33 5.00 1.00

Sementara itu, pemberian bobot setiap alternatif terhadap kriteria K1 tidak perlu menggunakan pairwise comparison dikarenakan kriteria K1 merupakan kriteria yang dapat diukur secara langsung (kuantitatif) untuk setiap alternatif pengambilan keputusan. Berikut adalah ilustrasinya pada Tabel 2.5.


49 Tabel 2.5 Pemberian bobot setiap alternatif terhadap kriteria K1

K1 A1

25

A2

10

A3

13

4. Melakukan perhitungan matriks untuk mengagregasi setiap bobot pada elemen agar menghasilkan nilai prioritas bagi setiap elemen, yaitu kriteria dan alternatif pengambilan keputusan. Berikut adalah contoh dari perhitungan matriks yang dimaksud: i.

Menguadratkan pairwise comparison matrices untuk antar kriteria (Tabel 2.3). Tabel 2.6 Hasil kuadrat pairwise comparison matrices

K1

ii.

K2

K1

2.00 6.00

K2

0.66 2.00

Menjumlahkan nilai kolom pada setiap baris dari hasil kuadrat pairwise comparison matrices (Tabel 2.7). Hasil penjumlahan seluruh nilai kolom pada setiap baris selanjutnya dijumlahkan untuk menghasilkan nilai keseluruhan. Hasil penjumlahan seluruh nilai kolom lalu dibagi dengan nilai keseluruhan. Proses perhitungan ini disebut dengan proses normalisasi. Tabel 2.7 Proses normalisasi pairwise comparison matrices (Bagian 1)

Normalisasi K1

8.00

8.00/10.66 = 0.75

K2

2.66

2.66/10.66 = 0.25

Total

10.66

10.66/10.66 = 1.00

Nilai 0.75 dan 0.25 bagi K1 dan K2 ini merupakan nilai yang menyatakan seberapa besar proritas K1 dibandingkan K2 dalam pengambilan keputusan. Dalam perumusan matematika, gabungan dari kedua nilai ini merupakan vektor eigen dalam pemodelan AHP (Saaty, 2003). Penjelasan mengenai kegunaan vektor eigen dapat dilihat pada subbab 2.5.2


50

iii.

Mengulang kembali proses nomor i dan ii dengan penggunaan matriks yang merupakan hasil kuadrat (Tabel 2.6) sehingga menghasilkan nilai akhir prioritas dari suatu kriteria yang tercantum pada Tabel 2.8. Tabel 2.8 Proses normalisasi pairwise comparison matrices (Bagian 2)

K1

K2

Normalisasi

K1 8.00

24.00

8 + 24 = 32

32/42.64 = 0.75

K2 2.64

8.00

2.64 + 8.00 = 10.64

10.64/42.64 = 0.25

42.64

42.64/42.64 = 1.00

Total

Iterasi proses AHP berhenti ketika nilai suatu elemen itu pada iterasi ke-n tidak jauh berbeda dibandingkan iterasi ke- (n-1). Hal ini disebut dengan titik konvergen. Dapat diperhatikan bahwa nilai K1 dan K2 pada iterasi kedua adalah tidak jauh berbeda atau sama dengan nilai K1 dan K2 pada iterasi pertama.

iv.

Melakukan proses nomor i, ii, dan iii secara berurutan dengan data pairwise comparison matrices di Tabel 2.4, sehingga menghasilkan vektor eigen yang terilustrasikan pada Tabel 2.9. Tabel 2.9 Nilai prioritas bagi setiap alternatif terhadap kriteria K2

K2

v.

A1

0.52

A2

0.13

A3

0.34

Melakukan perhitungan normalisasi yang sama untuk data pada Tabel 2.5 dengan hasil sebagai berikut. Tabel 2.10 Hasil normalisasi setiap alternatif terhadap kriteria K1

K1 A1

0.52

A2

0.21

A3

0.27


51

vi.

Melakukan perhitungan matriks untuk seluruh data yang diperoleh dari Tabel 2.8, Tabel 2.9, dan Tabel 2.10. Hasil yang diperoleh dari perhitungan ini adalah kumpulan nilai prioritas (vektor eigen) yang masing-masingnya merupakan nilai untuk setiap alternatif pengambilan keputusan.

Gambar 2.21 Perhitungan matriks untuk memperoleh nilai prioritas bagi setiap alternatif

Dari ketiga nilai tersebut, dapat dilihat bahwa A1 merupakan alternatif dengan nilai prioritas tertinggi atau dapat disimpulkan bahwa objek wisata yang layak dikunjungi adalah A1. 2.5.2 Penggunaan Vektor Eigen pada AHP Sebelum masuk ke dalam istilah vektor eigen (eigenvector), maka dibahas terlebih dahulu tentang istilah vektor prioritas. Menurut Saaty (2003), vektor prioritas pada metode AHP menunjukkan dua arti. Pertama, vektor prioritas menyatakan urutan dari suatu alternatif pengambilan keputusan. Kedua, vektor prioritas ditujukan sebagai urutan dari suatu nilai numerik atau rasio yang bersifat unik di setiap perkalian matriks. Keunikan dari vektor prioritas ini menunjukkan bahwa matriks yang dikalikan pada setiap transformasinya merupakan matriks yang konsisten atau yang sedikit mengalami perubahan rasio perbandingan di dalamnya. Pada metode AHP ini, inkonsistensi menjadi hal yang diperbolehkan dalam penentuan perbandingan tingkat kepentingan suatu elemen. Misalkan elemen A memiliki tingkat kepentingan sebesar 3 kali dibandingkan elemen B, lalu elemen B memiliki tingkat kepentingan sebesar 2 kali dibandingkan elemen C, maka elemen A bisa jadi memiliki tingkat kepentingan 2 kali dibandingkan elemen C. Perbandingan tingkat kepentingan ini tidak berlaku secara transitif. Yang menjadi isu berikutnya adalah bagaimana agar inkonsistensi perbandingan ini dapat berada pada matriks yang konsisten sekalipun dilakukan perkalian dan


52 penambahan nilai pada tiap baris secara berulang. Untuk menjamin itu semua, maka digunakan perhitungan vektor eigen dengan teorema yang berbunyi: “Jika diberikan matriks positif A, maka terdapat suatu vektor x dan suatu skalar  sedemikian hingga memenuhi persamaan Ax = x, dimana vektor x merupakan kelipatan positif dari suatu principal eigenvector matriks A dan  adalah adalah suatu eigenvalue dari A.” Seperti yang telah dijelaskan pada ilustrasi perhitungan matriks di subbab 2.5.1, perkalian matriks yang menghasilkan suatu vektor prioritas (vektor eigen) akan berhenti atau menuju titik konvergen ketika selisih dari setiap elemen pada vektor x dengan vektor x’ (vektor sebelumnya) adalah tidak jauh berbeda. Ketika tidak terdapat perbedaan yang signifikan antar kedua vektor eigen yang dihasilka dari perkalian matriks, maka nilai konsistensi dari matriks tersebut adalah baik. Jika dikaitkan dengan perhitungan vektor eigen, maka misalkan terdapat suatu matriks A berdimensi n x n, dimana A = W  E (hadamard product). W merupakan matriks yang juga mengandung perbandingan dari tingkat kepentingan tersebut, sementara E disini diartikan sebagai suatu matriks yang mengandung nilai error atau perturbation (). Nilai  harus dijaga sedemikian hingga mendekati nilai 1, sehingga properti konsistensi dari matriks A dapat dijaga. Hal lain yang dapat diketahui untuk menjamin konsistensi tersebut adalah ketika selesai melakukan perkalian matriks hingga menuju titik konvergen, maka diharuskan nilai max >= n, dimana nilai  adalah eigenvalue dari suatu matriks, sementara n adalah dimensi dari matriks tersebut.

2.6 Application Programming Interface Application Programming Interface (API) adalah suatu abstraksi yang menjelaskan bagaimana suatu software dapat berinteraksi dengan software yang lain (Wagner, 2013). API terdiri dari sekumpulan aturan yang harus diikuti oleh programmer dalam mengembangkan aplikasi yang diinginkan. Perusahaan 3Scale (2011) menjelaskan bahwa API dapat dimaksud sebagai suatu abstraksi yang dijelaskan dengan dengan deskripsi atau perilaku dari suatu interface. Interface disini dapat diartikan sebagai suatu tampilan antarmuka yang berisikan fungsi atau perilaku dari suatu aplikasi. Oleh karena itu, programmer sebagai pengembang aplikasi dapat menggunakan API Universitas Indonesia

53 dari suatu aplikasi lain dengan cukup mempelajari fungsi atau perilaku apa yang dapat diterjemahkan ke dalam aplikasi yang akan dikembangkannya. Wagner (2013) juga menjelaskan bahwa API harus dibedakan dengan software library. Jika API merupakan sekumpulan spesifikasi tentang suatu aplikasi, maka library dapat disebut implementasi sebenarnya dari spesifikasi tersebut. Library itu sendiri berisikan sekumpulan instruksi komputer yang mengikuti class atau method dari suatu API. Istilah class atau method ini adalah suatu istilah abstraksi yang diperuntukkan dalam pengembangan suatu program komputer. Perusahaan 3Scale (2011) menjelaskan bahwa API dapat diklasifikasikan ke dalam beberapa kategori yang tergantung dari jenis aplikasi apakah yang dijadikan abstraksi. Tabel 2.11. menjelaskan kategori dari API menurut 3Scale yang disertai dengan sejarah dari eksistensi jenis API itu sendiri. Tabel 2.11 Kategori dan Sejarah API

(sumber: 3Scale, 2011) Perkembangan penggunaan API saat ini tidak hanya menguntungkan pihak programmer dalam pengembangan aplikasi. Accenture (2014) menegaskan bahwa penggunaan API sudah dapat dirasakan manfaatnya oleh ekosistem digital secara keseluruhan. Hal ini mengartikan bahwa suatu organisasi bisnis yang bergerak di bidang digital atau yang memanfaatkan teknologi untuk kegiatan operasionalnya sudah dapat merasakan keuntungan dari penggunaan API. Keuntungan tersebut berupa kemudahan kolaborasi yang dirasakan baik oleh pihak business maupun pihak developer dalam pengaksesan data maupun layanan yang akan dimasukkan ke dalam suatu aplikasi. Kolaborasi ini juga dirasakan untuk kegiatan partnership yang


54 mengharuskan adanya API sebagai pintu dalam pengaksesan data atau layanan di antara kedua belah pihak. Hal ini sekaligus untuk mempercepat business objectives yang terdapat pada kegiatan partnership tersebut. Menurut Accenture, terdapat suatu API maturity model yang dapat mengukur seberapa dewasakah suatu organisasi dalam mengimplementasikan API untuk kegiatan bisnis mereka. Maturity model ini terdiri dari lima tingkat, yaitu: 0. Ad-hoc: Ini merupakan tingkat pertama yang mengartikan bahwa API masih digunakan secara tersebar (silo) pada setiap divisi tanpa adanya struktur tata kelola yang jelas. 1. Organize: Pada tingkat ini business impact dari suatu API mulai diperkenalkan pada organisasi. 2. Tactical: Pada tingkat ini kesadaran organisasi terhadap API mulai diperluas dengan menyatakan bahwa API adalah suatu produk dari organisasi tersebut. 3. Critical: Pada tingkat ini dapat dikatakan bahwa API mulai digunakan dalam mengintegrasi proses jalannya aplikasi di seluruh divisi organisasi, namun API masih diklaim sebagai suatu model de-facto. 4. Industrial: Pada tingkat ini API sudah menjadi suatu sistem tersendiri yang digunakan oleh organisasi dan telah dijadikan sebagai suatu platform. Seperti yang tertera pada tabel 2.11. API saat ini sudah memiliki banyak kategori. Pada literatur ini akan dijelaskan dua jenis aplikasi API pada kategori web services yang merupakan buatan dari Google, yaitu Google Maps API dan Google Fusion Table API. Kedua aplikasi ini digunakan pada penelitian untuk mengembangkan geospatial dashboard dan AHP di dalamnya. Google Maps API digunakan untuk pengembangan visualisasi peta sementara Google Fusion Table API digunakan sebagai DBMS dalam perancangan dan penyimpanan data untuk kebutuhan geospatial dashboard. 2.6.1 Google Maps dan Google Maps API Google Maps adalah suatu aplikasi buatan Google yang menampilkan peta permukaan bumi dalam bentuk digital, diakses dengan menggunakan internet, dan menggunakan GPS sebagai sistem yang mengambil lokasi permukaan bumi dari satellite. Google Maps ini dikembangkan pertama kali oleh Lars and Jens Rasmussen pada tahun 2005 (Svennerberg, 2010). Universitas Indonesia

55 Pengembangan API untuk Google Maps ini ditujukan bagi para pengembang aplikasi yang menginginkan adanya integrasi dari aplikasi yang dikembangkannya dengan peta lokasi tertentu pada Google Maps. Google Maps API yang dibahas pada literatur ini adalah spesifik untuk aplikasi web. Berdasarkan website resmi dari Google (2014) yang mendokumentasikan Google Maps API, API ini menggunakan bahasa pemrograman Javascript. Untuk menggunakan API ini, maka developer harus memiliki API key yang memudahkan developer untuk memantau penggunaan aplikasi Google Maps nya serta membantu Google untuk menghubungi developer. Dengan menggunakan Javascript sebagai bahasa pemrograman utama, maka aplikasi maps ini harus disesuaikan sebagai aplikasi yang dapat digabungkan dengan bahasa pemrograman HTML5. Beberapa class yang didefinisikan dan dapat diakes pada Google Maps API ini antara lain: -

Map Kelas ini menyajikan beberapa methods yang berfungsi untuk membuat objek peta dengan beberapa spesfikasi seperti letak titik tengah (longitude dan latitude) peta, mengatur zoom, atau jenis peta yang diinginkan.

-

Overlays Kelas ini menyajikan beberapa overlays atau fitur yang mendukung proses visualisasi pada peta untuk semakin menarik. Beberapa fitur yang disajikan adalah membuat marker pada peta, membuat infowindow untuk menampilkan informasi spesifik di suatu koordinat, membuat layer dalam bentuk circle, rectangle, atau polygon di atas peta.

-

Services Kelas ini menyajikan banyak fitur untuk perhitungan spasial pada peta. Perhitungan tersebut antara lain melakukan proses geocode, menghitung jarak dari satu titik ke titik lain, atau menghitung durasi untuk perjalanan antar lokasi

-

Layers Kelas ini pada dasarnya sama seperti kelas overlays, namun jenis layer yang diberikan umumnya berasal dari aplikasi Google yang lain. Aplikasi tersebut disajikan dalam bentuk objek layer yang dapat diletakkan di atas peta. Contoh aplikasi tersebut Fusion Table.


56 2.6.2 Google Fusion Table dan Google Fusion Table API Google Fusion Table adalah aplikasi buatan Google yang dikembangkan pada tahun 2009 dan berfungsi sebagai cloud-based data management dan integration service (Gonzales dan Halevy, 2010). Aplikasi ini hadir sebagai bentuk solusi atas keterbatasan traditional database management system yang dahulu dikembangkan dengan tujuan untuk mempercepatkan transaksi bisnis perusahaan dan sekedar memproses kumpulan SQL queries yang begitu kompleks. Google Fusion Table memiliki fungsi yang lebih dari sekedar apa yang dimiliki oleh traditional database management system. Aplikasi ini menjawab kebutuhan user maupun developer yang membutuhkan proses manajemen data dengan tingkat kolaboratif yang tinggi antar user dan developer. Selain itu, aplikasi ini juga menyajikan visualization tools yang memudahkan user dengan kemampuan teknis yang kurang untuk memahami proses manajemen data. Beberapa tujuan tersebut merupakan kebutuhan terkini pada lingkungan komputasi data (Gonzales dan Halevy, 2010). Gonzales dan Halevy (2010) menyebutkan ada beberapa prinsip dasar yang menjadikan Google Fusion Table sebagai jenis database management system yang berbeda, yaitu: -

Menyediakan proses integrasi yang cepat dengan berbagai jenis aplikasi seperti document dan spreadsheet untuk selanjutnya diimplementasikan pada aplikasi web.

-

Mudah digunakan oleh banyak jenis user. Baik user dengan kemampuan teknik yang bagus maupun yang kurang dapat memahami penggunaan Fusion Table dengan cepat

-

Memudahkan proses kolaborasi anta user atau antar developer untuk mempublikasikan data dengan beberapa pilihan yang dapat dikustomisasi

Untuk mempermudah integrasi Google Fusion Table dengan aplikasi lainnya, maka Google menyediakan Google Fusion Table API yang berisikan abstraksi kelas dan method untuk digunakan sebagai aturan bagi developer dalam mengembangkan aplikasi. Menurut dokumentasi Fusion Table API dari website resmi Google (2013), Google Fusion Table API memiliki beberapa fitur dasar seperti: -

Membuat dan menghapus tabel.

-

Membaca dan memodifikasi metadata tabel seperti nama atau atribut kolom. Universitas Indonesia

57 -

Melakukan proses manipulasi (insert, update, dan delete) pada baris-baris tabel.

-

Membuat, mengubah, dan menghapus pengaturan jenis visualization tools yang ingin digunakan.

-

Melakukan proses query untuk setiap baris pada tabel

Gambar 2.22 Tampilan Google Fusion Tables (sumber: http://www.google.com/drive/apps.html#fusiontables, 2014)

Struktur tabel, metadata, maupun visualization yang ditampilkan direpresentasikan dalam bentuk struktur data JSON dan diakses dengan menggunakan RESTful HTTP request. Setiap baris pada tabel dieksekusi dengan bahasa SQL dan diperoleh dalam bentuk format CSV atau JSON.

2.7 Metode Spearman Rho Metode spearman rho () merupakan salah satu teknik yang digunakan dalam ilmu statistik untuk mengukur kesamaan dua himpunan terurut. Himpunan ini berisikan beberapa nilai yang diurutkan dari yang tertinggi hingga yang terendah (Yount, 2006). Kesamaan ini diukur dengan menghitung jarak antara peringkat suatu nilai di himpunan yang satu dengan himpunan yang lain. Berikut adalah formula spearman rho yang digunakan untuk mengukur tingkat kesamaan tersebut: 𝟐

𝝆=𝟏−

𝟔∗∑ 𝒅 𝒏∗(𝒏𝟐−𝟏)

( 2.1)

dimana: n = jumlah nilai pada himpunan terurut d = jarak antara peringkat nilai di satu himpunan dengan himpunan lain (nilai mutlak) 6 = nilai konstanta


58 GraphPad (2014) menjelaskan bahwa nilai  terletak pada rentang -1 hingga +1. Interpretasi dari suatu nilai  dapat dilihat pada tabel berikut: Tabel 2.12 Intepretasi Nilai Spearman Rho

Nilai 

Interpretasi

+1 0 s/d +1

Korelasi kedua himpunan adalah sangat sempurna atau positif Kedua variabel saling mengalami arah perubahan, yaitu naik atau turun, secara bersamaan, sehingga korelasi masih bernilai positif Kedua variabel tidak memiliki korelasi sama sekali Ketika satu variabel mengalami kenaikan nilai, maka variabel yang lain justru mengalami penurunan nilai dan sebaliknya Korelasi kedua himpunan adalah tidak sempurna atau negatif

0 -1 s/d 0 -1

Contoh dari perhitungan ini adalah misalkan terdapat sebuah perusahaan yang ingin melakukan perbandingan terhadap hasil dari suatu metode A dengan hasil dari metode B dalam menghasilkan urutan lokasi yang ingin diekspansi. Terdapat 4 lokasi yang menjadi elemen pada urutan tersebut. Berikut adalah ilustrasi dari hasil urutan lokasi yang dikeluarkan oleh metode A dan B. Tabel 2.13 Ilustrasi Dua Himpunan Terurut

Lokasi

Metode A

Metode B

A B C D

3 1 4 2

2 3 4 1

Nilai 1-4 pada Tabel 2.13 tersebut menunjukkan ranking dari lokasi tersebut pada kedua hasil metode A dan B. Selanjutnya kedua urutan ini diukur tingkat kesamaannya dengan menggunakan formula spearman rho. Nilai spearman rho () yang diperoleh adalah ρ=1-

6*6 4*(42 -1)

=1-

36 60

=0.4 . Tabel 2.14 mengilustrasikan

perhitungan tersebut.


59 Tabel 2.14 Ilustrasi Perhitungan Spearman Rho

Lokasi

Metode A

Metode B

d

d2

A B C D n=4

3 1 4 2

2 3 4 1

1 2 0 1

1 4 0 1 2 d = 6

Pada penelitian ini, nilai ini selanjutnya juga digunakan untuk mengukur keakuratan suatu metode dalam mengeluarkan hasil himpunan terurutnya yang dibandingkan dengan himpunan terurut lainnya. Nilai -1 hingga +1 dikonversi ke dalam bentuk persentase untuk memudahkan pembacaan dan pemahaman terhadap keakuratan suatu metode. Berikut adalah persamaan untuk mengetahui nilai keakuratan tersebut. 𝑵𝒊𝒍𝒂𝒊 𝒌𝒆𝒂𝒌𝒖𝒓𝒂𝒕𝒂𝒏 𝒎𝒆𝒕𝒐𝒅𝒆 = 𝒂𝒃𝒔(𝝆 ∗ 𝟏𝟎𝟎%)

(2.2)

Berdasarkan Persamaan 2.2, maka dapat dilihat bahwa nilai  yang diperoleh akan dikenai proses konversi ke dalam nilai mutlak untuk selanjutnya dikalikan dengan 100%. Selain itu, dapat diperhatikan bahwa rentang nilai -1 <=  < 0 juga menunjukkan nilai keakuratan dari suatu metode keakuratan suatu metode yang dihasilkan oleh rentang nilai 0 <  <= +1, yaitu lebih dari 0%. Hal ini dikarenakan meskipun rentang nilai -1 <=  < 0 menginterpretasikan bahwa korelasi kedua himpunan terurut adalah negatif, namun pada dasarnya rentang tersebut juga menghasilkan suatu korelasi. Hanya saja posisi urutan data yang dihasilkan oleh suatu metode tertentu adalah terbalik (reversed) dibandingkan posisi urutan dengan rentang nilai 0 <  <= +1 yang dihasilkan oleh metode yang lain. Hal ini berbeda dengan nilai  = 0 yang menunjukkan bahwa tidak ada korelasi antara kedua himpunan terurut tersebut, sehingga metode yang menghasilkan nilai  = 0 juga memiliki keakuratan nilai sebesar 0%. Sebagai contoh, seperti yang diilustrasikan pada Tabel 2.13 dan Tabel 2.14, misalkan ingin mengetahui berapa besar keakuratan dari metode A dalam menghasilkan urutan untuk menyamai urutan dari metode B. Keakuratan dari metode A ini diukur dengan melihat nilai  yang dihasilkan yaitu 0.4*100 atau sama dengan 40%. Dengan demikian, keakuratan dari metode A dalam menghasilkan urutan untuk menyamai urutan hasil metode B adalah 50%. Universitas Indonesia

60

2.8 Penelitian Terkini Bagian ini membahas penelitian terkini yang memiliki kaitan dengan topik penelitian penulis. Penulis membuat Tabel 2.15 yang membandingkan penelitian terkini tersebut dengan penelitian penulis berdasarkan beberapa kriteria yaitu antara lain judul penelitian, tahun penelitian, objek penelitian, metodologi penelitian, data yang digunakan, tools yang digunakan, hasil dari penelitian, dan jenis evaluasi penelitian. Secara garis besar objek permasalahan pada referensi penelitian ini terletak pada topik AHP, sistem informasi geografis, business intelligence, dan pengembangan dashboard. Tampilan tabel 2.15 dapat dilihat pada halaman selanjutnya.


61

Tabel 2.15 Perbandingan dengan Penelitian Terkini

Judul

Nama Penulis

Tahun

Objek Penelitian

Metodologi Penelitian

Data Penelitian

Tools

Hasil Penelitian Evaluasi

Pengembangan Geospatial Dashboard dengan Pendekatan Analytic Hierarchy Processing pada Kegiatan Ekspansi Lokasi Kantor Cabang Studi Kasus: PT. Ruma

Adrian Nuradiansyah

2014

Kegiatan ekspansi lokasi kantor cabang PT. Ruma

Metodologi pengembangan GIS: Tahap awal  analisis kebutuhan  rancangan aplikasi  implementasi aplikasi  evaluasi

Data kantor cabang PT. Ruma data kriteria untuk setiap kantor cabang

Google API (Maps & Fusion Table), Javascript, HTML, CSS

Aplikasi dashboard dalam bentuk GIS dengan Metode AHP

Site Suitability Evaluation for Ecotourism Using GIS & AHP: A Case Study of Surat Thani Province, Thailand

Khwanruthai Bunruamkaew

Studi literatur  pengumpulan data  pengembangan database spastial  analisis data  sintesis (implementasi AHP dan GIS)  rekomendasi hasil dari implementasi

Data ArcGIS 9.3 perbatasan wilayah, data pariwisata, data area di provinsi Surat Thani, dll

2012

Kegiatan mengidentifikasi lokasi ecotourism yang potensial di Thailand

Sistem informasi geografis dengan metode AHP di dalamnya

Penggunaan kuesioner untuk evaluasi aspek fungsionalitas dan interasksi dashboard Keakuratan metode AHP dalam menghasilkan urutan prioritas kota yang ingin diekspansi Tidak ada tahap evaluasi


62

Implementasi StrategyDriven Web Based Business Intelligence Dashboard menggunakan TopDown Approach: Studi Kasus PT. Rekan Usaha Mikro Anda

Danny Handoko

2012

Analisis Platform Gadget yang Paling Potensial Menghasilkan Profit dengan Metode Analytic Hierarchy Process

Sony Kartika Wibisono

2012

Kegiatan pemonitoran, pengukuran, pengelolaan kinerja PT. Ruma yang membantu top management untuk mengambil keputusan secara akurat dan holistic dengan sumber daya yang ada Platform gadget yang paling potensial untuk menghasilkan profit bagi Indonesia Brains Solution

Tahap awal penelitian  identifikasi kebutuhan  pengumpulan data  analisis kebutuhan  perancangan BI dashboard  implementasi BI dashboard  pengujian

Data agen, data keuangan, data deposit, field officer performance, data dealer, data berupa daftar Key Performance Indicator

PHPMyAd min, MySQL, PHP, CSS, AJAX

Tahap awal  analisis kebutuhan  pengumpulan data  analisis data  pengukuran variabel  pengolahan data dengan AHP

Data gadget Software yang dimiliki AHP: Super responden, data Decision kualitatif performance fitur-fitur gadget, data kecenderungan pilihan responden kepada salah satu platform gadget, data frekuensi

Web-base Business Intelligence Dashboard yang menampilkan KPI untuk memantau cash, financial, inventory, dan branch performance

Penggunaan kuesioner untuk evaluasi aspek fungsionalitas dan interasksi dashboard

Bobot prioritas Tidak ada tahap masing-masing evaluasi alternatif platform gadget dengan metode AHP


63

Pengembangan Sistem Informasi Geografis Berbasis Web pada Lokasi Wisata (Studi Kasus: DKI Jakarta)

Zainul Arham, Nur Aeni Hidayah, Viva Arifin

2009

Menampilkan informasi lokasi wisata dalam bentuk peta dengan penyajian data spasial

Tahap rekayasa sistem/perencanaa n  analisis  perancangan  implementasi pemrograman  pengujian  operasi dan pemeliharaan

responden dalam mengonsumsi gadget Data spasial lokasi wisata di DKI Jakarta

Arc View (Digitasi peta), Mapserver (menampilk an data spasial)

Aplikasi sistem Tidak ada tahap informasi evaluasi geografis berbasi web dengan menampilkan data spasial lokasi wisata


64 Berdasarkan perbandingan dengan beberapa penelitian terkini, penelitian penulis menerapkan teknologi BI, GIS dan AHP untuk suatu kegiatan bisnis perusahaan. Pengembangan GIS dan AHP juga pernah dilakukan oleh Khwanruthai (2009). Perbedaan dengan penelitian Khwanruthai ini adalah terletak pada studi kasusnya, yaitu penelitian yang dikembangkannya menggunakan studi kasus kegiatan evaluasi lokasi untuk ecotourism di wilayah Surat Thani di Thailand. Penelitian ini juga menggunakan teknologi GIS dan AHP yang berbeda yaitu dengan software ArcGIS 9.3. Selain itu, penelitian ini juga tidak berfokus pada kegiatan evaluasi untuk menilai aplikasi GIS beserta AHP di dalamnya. Oleh karena itu, penelitian penulis ini mencoba untuk mengembangkan GIS dan AHP pada studi kasus PT. Ruma dengan penggunaan tools Google Maps API dan Google Fusion Table API serta kegiatan evaluasi untuk geospatial dashboard dan metode AHP di dalamnya. GIS yang penulis kembangkan merupakan web application dengan beberapa metodologi yang terinspirasi dari penelitian yang dilakukan oleh Arham (2009) tentang pengembangan GIS berbasis web untuk studi kasus lokasi wisata DKI Jakarta. Perbedaan penelitian penulis dengan penelitian yang dilakukan oleh Arham (2009) adalah terletak pada pengembangan teknologinya yang tidak hanya sekedar membuat suatu teknologi yang menampilkan persebaran objek lokasi di suatu daerah atau wilayah tertentu. Penelitian penulis juga turut mengembangkan kemampuan analisis berupa AHP untuk menghasilkan data baru (data discovery) berupa urutan lokasi yang harus diekspansi terlebih dahulu. Studi kasus PT. Ruma juga pernah diteliti oleh Handoko (2012) dengan pengembangan teknologi yang berbeda, yaitu web dashboard dengan visualisasi berupa grafik atau chart. Selain perbedaan teknologi yang dikembangkan, penelitian Handoko juga lebih berfokus untuk kegiatan PT. Ruma di bidang pengelolaan inventory dan finance. Penelitian penulis menggunakan visualisasi dalam bentuk peta serta studi kasus pada kegiatan ekspansi lokasi kantor cabang. Terakhir, penulis juga membandingkan penelitian penulis dengan penelitian yang dilakukan oleh Wibisono (2012) tentang implementasi AHP untuk analisis platform gadget yang paling potensial menghasilkan profit. Selain terletak pada studi kasus dan tujuan penelitian yang berbeda, penelitian ini juga menggunakan software AHP yang telah ada secara umum yaitu Super Decision dan AHP yang dikembangkannya juga tidak didukung dengan penggunaan dashboard untuk visualisasi.


65

BAB 3. METODOLOGI PENELITIAN

Bab ini bertujuan untuk memberikan kerangka bagi penulis selama menjalanan penelitian dari tahap awal hingga akhir. Bab ini hanya menjelaskan hal apa saja yang dikerjakan secara umum oleh penulis pada setiap tahap penelitian, namun hasil dari setiap tahap ini akan dijelaskan pada bab 5 (Hasil dan Pembahasan). Metodologi yang penulis kembangkan ini diadopsi dari tahapan dalam pengembangan proyek sistem informasi geografis (Arham, 2009; Lo, 2007). Hal ini dikarenakan bahwa penelitian penulis bermula dari inisiasi suatu proyek sistem informasi yang diterapkan untuk tim ZEM PT. Ruma. Sistem informasi tersebut mencakup pengerjaan arsitektur BI secara keseluruhan. Lalu pada penelitian ini sistem informasi dibatasi untuk pengerjaan pengembangan visualization tools berupa aplikasi geospatial dashboard dengan algoritma AHP di dalamnya. Berikut penulis gambarkan suatu skema yang menjelaskan metodologi pada penelitian ini.

Tahap Awal Penelitian

Tahap Analisis kebutuhan

Tahap Rancangan Geospatial Dashboard dan AHP

Tahap Implementasi Geospatial Dashboard dan AHP

Tahap Evaluasi

Gambar 3.1 Skema Metodologi Penelitian

Berdasarkan gambar di atas, jika dicocokkan dengan pengembangan sistem informasi geografis menurut Arham dan Hidayah (2009), maka dapat diperoleh perbandingan sebagai berikut: 

Rekayasa sistem/prerencanaan: tahap awal penelitian



Analisis: tahap analisis kebutuhan



Perancangan (desain): tahap rancangan geospatial dashboard dan AHP



Implementasi (pemrograman): tahap implementasi geospatial dashboard dan AHP



Pengujian dan operasi dan pemeliharaan: tahap evaluasi

Untuk ke depannya, aplikasi geospatial dashboard ini akan dikerjakan secara siklis dengan penyesuaian requirement yang terus berkembang, namun pada penelitian ini cukup dikerjakan secara linear atau waterfall dengan pertimbangan waktu dan resource yang dimiliki oleh penulis dan tempat studi kasus.


66

3.1 Tahap Awal Penelitian Tahap ini merupakan tahap pertama yang penulis lakukan dalam melakukan penelitian. Tahap ini bertujuan untuk menentukan masalah dan studi kasus yang akan dibahas pada penelitian berdasaran isu-isu teknologi informasi terkini. Kegiatan yang terdapat pada penelitian antara lain studi literatur, perumusan masalah, dan penentuan studi kasus, 

Studi Literatur Tahap studi literatur merupakan tahap awal dalam sebuah penelitian untuk mencari isu-isu terkini terkait perkembangan teknologi yang berkaitan dengan perumusan suatu masalah. Selain itu pada tahap ini kita juga dapat memperoleh perbandingan antara penelitian terdahulu dengan penelitian yang akan dilakukan. Penulis melakukan studi literatur melalui informasi yang diperoleh dari jurnal, skripsi, maupun buku-buku ilmiah yang membahas business intelligence, geospatial dashboard, atau analytic hierarchy processing. Tahap studi literatur ini telah penulis jelaskan secara lebih rinci pada bab 2.



Perumusan Masalah Setelah melakukan tahap studi literatur, penulis melanjutkan dengan perumusan masalah yang terjadi secara umum terhadap isu-isu perkembangan teknologi saat ini. Perumusan masalah didasarkan pada selisih antara kondisi yang diharapkan dengan kondisi yang terjadi saat ini. Kondisi tersebut tentunya terkait dengan pemanfaatan business intelligence pada suatu perusahaan untuk pengambilan keputusan. Alur perumusan masalah telah penulis sampaikan pada Bab 1 (Gambar 1.1).



Penentuan Studi Kasus Penentuan studi kasus menjadi tahap selanjutnya setelah penulis merumuskan masalah apa yang akan dibahas pada penelitian ini. Studi kasus tersebut harus merupakan sebuah tempat penelitian atau perusahaan yang memiliki keterkaitan dengan masalah yang telah dirumuskan. Selain itu, ruang lingkup masalah pada penelitian ini juga akan disesuaikan dengan kebutuhan perusahaan. Dengan menggunakan studi kasus perusahaan, maka penelitian ini diharapkan dapat menganalisis dua hal yaitu isu teknologi secara umum yang sedang terjadi serta performa dan kondisi bisnis perusahaan terhadap isu teknologi tersebut. Di samping itu, agar tidak terjadi penyalahgunaan atau kesalahpahaman informasi tentang perusahaan, penulis juga menjaga kerahasiaan data atau informasi perusahaan yang bersifat konfidensial pada penelitian ini.


67

Proses

Input

•Karya Ilmiah: Jurnal, skripsi, buku ilmiah

•Melakukan studi literatur •Merumuskan masalah •Menentukan studi kasus

Output •Masalah yang dirumuskan beserta tempat studi kasus yang ditentukan

Gambar 3.2 Skema Tahap Awal Penelitian

3.2 Tahap Analisis Kebutuhan Pada tahap ini penulis mengidentifikasi kebutuhan apa sajakah yang harus dimiliki dalam menyelesaikan masalah pada penelitian. Dengan mengambil topik permasalahan tentang pemilihan lokasi kantor cabang dengan metode analytic hierarchy processing (AHP), maka penulis mengidentifikasi kebutuhan berdasarkan komponen pada AHP, yaitu tujuan yang dicari, atribut yang mendukung pengambilan keputusan, dan alternatif lokasi cabang. Selanjutnya setiap komponen AHP tersebut akan diterjemahkan ke dalam fitur-fitur pada geospatial dashboard. Setelah mendapatkan fitur-fitur yang diiginkan, maka penulis akan mengidentifikasi kebutuhan perangkat lunak (software) dan penunjang (tools) yang dibutuhkan dalam penelitian.

Secara keseluruhan, tahap identifikasi kebutuhan ini dilakukan dengan cara melakukan survey atau mengadakan diskusi secara langsung ke PT. Ruma. Diskusi yang dilakukan dapat berupa focus group discussion, atau komunikasi melalui email dan social media. Narasumber yang berpartisipasi dalam diskusi ini merupakan manajer atau karyawan perusahaan yang sudah pakar di bidang pengambilan keputusan, pemilihan lokasi kantor cabang, atau pengembangan aplikasi dashboard.


68 Berikut adalah hal-hal yang dianalisis selama melakukan tahap analisis kebutuhan: 

Tahap Analisis Tujuan Pengambilan Keputusan Tujuan yang dianalisis pada tahap ini adalah tujuan yang nantinya akan diletakkan sebagai root (level 0) pada struktur tree AHP. Tujuan ini nantinya dapat menuju pada satu solusi berdasarkan dari kriteria dan alternatif solusi yang telah dipersiapkan. Tujuan juga dapat berbentuk urutan alternatif solusi dari yang paling prioritas hingga yang bukan paling prioritas.



Tahap Analisis Kriteria Pengambilan Keputusan Analisis ini bertujuan untuk mencari tahu kriteria apa saja yang mendukung proses pengambilan keputusan atas tujuan yang telah ditentukan. Pada struktur tree AHP, kriteria ini akan diletakkan pada level 1 atau dibawah komponen tujuan (root) AHP. Kriteria ini dapat berbentuk kuantitatif dan kualitatif. Penentuan suatu kriteria ini akan dianalisis dari literatur yang bersesuaian untuk memperkuat bahwa posisi kriteria tersebut memang penting untuk pengambilan keputusan dan ekspansi lokasi kantor cabang.



Tahap Analisis Alternatif Lokasi Kantor Cabang Analisis ini bertujuan untuk mencari alternatif yang akan menjadi jawaban pada tujuan dari proses pengambilan keputusan di metode AHP. Alternatif yang dicari adalah berbentuk data lokasi kantor cabang yang didasarkan pada tujuan dari penelitian ini. Pada struktur tree AHP, alternatif ini akan diletakkan di setiap bawah komponen kriteria atau berada pada level 2.



Tahap Analisis Pengumpulan Data Tahap ini bertujuan untuk mengumpulkan data dari kriteria yang telah diperoleh pada tahap sebelumnya. Beberapa cara yang penulis gunakan untuk pengumpulan data adalah dengan komunikasi via email antara penulis dengan karyawan atau manajer Ruma untuk meminta data yang dibutuhkan, kemudian penulis juga mencari beberapa data melalui internet secara individu dan terakhir dengan pelaksanaan focus group discussion. Khusus untuk focus group discussion, penulis menggunakan jenis pengumpulan data ini untuk memperoleh data kualitatif. Jenis data ini juga akan digunakan untuk metode pairwise comparison. Pertanyaan pada focus group discussion ini penulis buat dalam bentuk kuesioner atau presentasi khusus dengan karyawan Ruma untuk mempermudah proses pengajuan pertanyaan pada diskusi.


69 

Tahap Analisis Fitur-Fitur Geospatial Dashboard Setelah mendapatkan kebutuhan untuk komponen-komponen AHP serta data yang terkait, maka selanjutnya adalah memetakan komponen dan data tersebut ke dalam bentuk fitur-fitur pada geospatial dashboard. Analisis fitur ini memiliki prinsip bahwa user yang menggunakan dashboard ini dapat memahami proses pengambilan keputusan yang terjadi di dalamnya merupakan langkah-langkah dari teknik AHP. Penentuan fitur-fitur yang akan dikembangkan ini penulis lakukan dengan berkonsultasi kepada manajemen PT. Ruma serta beberapa karyawan dari divisi ZEM karena mereka umumnya adalah user yang akan menggunakan geospatial dashboard secara umum.



Tahap Analisis Kebutuhan Perangkat Penelitian Perangkat yang dimaksud pada tahap ini adalah perangkat lunak (software) atau development tools yang akan digunakan untuk mengembangkan geospatial dashboard. Development tools yang dimaksud disini adalah bahasa pemrograman, application programming interface, dan instrument software lainnya. Analisis ini bertujuan untuk mempersiapkan hal-hal teknis yang diperlukan selama proses pengembangan. Cara yang dilakukan dalam menganalisis adalah dengan mempertimbangkan teknik pemrograman atau perancangan apa yang harus ada ketika mengembangkan suatu fitur.

Proses

Input

•Masalah dan studi kasus penelitian yang telah ditentukan

Output

• Menganalisis serta Mengidentifikasi kebutuhan penelitian • Diskusi ke PT. Ruma untuk membantu proses identifikasi kebutuhan

• Tujuan Pengambilan Keputusan • Kriteria pengambilan keputusan • Alternatif Lokasi Kantor Cabang • Spesifikasi data kriteria dan alternatif lokasi • Fitur-Fitur Geospatial Dashboard • Perangkat (tools) Penelitian

Gambar 3.3 Skema Tahap Analisis Kebutuhan


70

3.3 Tahap Perancangan Geospatial Dashboard dan AHP Pada tahap ini semua kebutuhan penelitian yang telah diperoleh dari tahap analisis kebutuhan akan diolah ke dalam bentuk aplikasi geospatial dashboard. Tahap perancangan ini dibutuhkan untuk mendapatkan gambaran lebih jelas terhadap jalannya aplikasi yang dimulai dari penyimpanan data di basis data, memanipulasi data tersebut dengan algoritma khusus, hingga menampilkannya ke bentuk visualisasi geospatial dashboard. Perancangan ini juga dapat dikatakan sebagai suatu kerangka bagi aplikasi yang akan dikembangkan. Dengan merancang kerangka ini, maka saat tahap implementasi nanti penulis dapat lebih paham dalam menggabungkan semua algoritma dan operasi terhadap data yang dimiliki. Terdapat 3 jenis langkah yang terdapat pada tahap ini dalam merancang geospatial dashboard dan metode AHP, yaitu antara lain: 

Tahap Perancangan Arsitektur Aplikasi Geospatial Dashboard Pada tahap ini pengerjaan aplikasi akan disusun dalam suatu arsitektur yang membagi aplikasi menjadi beberapa bagian (layer) berdasarkan fungsi dan proses yang terjadi di dalamnya. Secara garis besar akan terdapat bagian yang berfungsi untuk penyimpanan data, lalu ada yang berperan untuk melakukan pemrosesan terhadap data dalam bentuk query, serta terakhir ada yang berperan untuk menampilkan data tersebut dalam bentuk dashboard. Selain itu perancangan arsitektur juga mempertimbangkan integrasi client-side dan serverside di dalamnya . Jenis data yang digunakan juga menjadi pertimbangan dalam merancang arsitektur ini.



Tahap Perancangan Struktur Data Berikutnya data yang telah diperoleh pada tahap analisis kebutuhan akan disimpan dalam suatu struktur data. Dengan membuat struktur data ini maka akan memudahkan proses manipulasi data seperti retrieve, update, dan delete. Tahap ini bertujuan untuk mempersiapkan database management system (DBMS) yang akan menyimpan serta mengorganisir struktur data tersebut.



Tahap Perancangan Tampilan Antarmuka Geospatial Dashboard Tahap ini bertujuan untuk membuat kerangka dari tampilan antarmuka (user interface) aplikasi geospatial dashboard. Kerangka tersebut akan penulis rancang dalam suatu bentuk mockup. Tahap ini juga mulai memikirkan cara untuk memetakan fitur-fitur yang telah dianalisis ke dalam bentuk tampilan khusus. Interaksi antara aplikasi dengan user juga


71 dipikirkan dalam pengembangan antarmuka ini. Hal ini ditujukan agar user dapat memahami penggunaan aplikasi secara lebih mudah dan cepat serta mengetahui proses dari tahapan pengambilan keputusan dengan metode AHP melalui geospatial dashboard ini.

Input

Process

• Tujuan Pengambilan Keputusan • Kriteria Pengambilan Keputusan • Alternatif Lokasi Kantor Cabang • Spesifikasi data kriteria dan alternatif lokasi • Fitur-Fitur geospatial dashboard • Perangkat (tools) untuk penelitian

Output

• Perancangan arsitektur geospasial dashboard • Perancangan struktur data • Perancangan alur aplikasi • Perancangan tampilan antar muka geospatial dashboard

•Desain arsitektur geospasial dashboard •Desain struktur data •Desain alur aplikasi •Desain tampilan antarmuka geospatial dashboard

Gambar 3.4 Skema Tahap Rancangan Geospatial Dashboard dan AHP

3.4 Tahap Implementasi Geospastial Dashboard dan AHP Setelah selesai membuat rancangan sebagai kerangka dalam melakukan implementasi, maka tahap selanjutnya adalah mengimplementasi fitur-fitur geospatial dashboard serta algoritma AHP. Algoritma AHP yang dikembangkan akan diimplementasikan di dalam geospatial dashboard, sementara geospatial dashboard dikembangkan berdasarkan fitur yang telah dianalisis pada tahap sebelumnya. Jika dilihat dari jangka waktu pengerjaan, proses penyesuaian fitur geospatial dashboard membutuhkan waktu yang lebih lama dibandingkan pengembangan algoritma AHP karena pengembangan fitur geospatial dashboard harus disertai diskusi rutin dengan pihak Ruma terkait bentuk dan tampilan fitur secara keseluruhan.


72 Input

Process

•Desain arsitektur geospatial dashboard •Desain struktur data •Desain alur aplikasi •Desain tampilan antarmuka geospatial dashboard

•Implementasi Fitur-Fitur Geospatial Dashboard •Implementasi Algoritma AHP

Output •Aplikasi geospatial dashboard yang telah berisikan fitur-fitur dan algoritma AHP untuk memberi rekomendasi prioritas ekspansi lokasi kantor cabang

Gambar 3.5 Tahap Implementasi Geospatial Dashboard dan AHP

3.5 Tahap Evaluasi Pada tahap terakhir ini, penulis melakukan evaluasi terhadap aplikasi yang telah penulis kembangkan. Evaluasi ini akan dibantu dengan penilaian dari beberapa manajer dan karyawan PT. Ruma. Tahap ini bertujuan untuk mengetahui keunggulan dan kekurangan apakah yang terdapat pada aplikasi geospatial dashboard ini. Evaluasi ini juga dapat menjadi bahan masukan bagi penulis maupun peneliti selanjutnya untuk mengembangkan geospatial dashboard dengan tujuan yang sejenis ataupun berbeda. Evaluasi yang diadakan pada tahap ini antara lain: 

Evaluasi metode analytic hierarchy processing Pada evaluasi ini metode AHP akan dinilai dari sisi keakuratannya dengan cara membandingkan antara hasi metode AHP penulis dengan data profit per transaksi seluruh kota/kabupaten kantor cabang PT. Ruma saat ini. Evaluasi menggunakan data profit per transaksi karena urutan prioritas lokasi yang dikeluarkan oleh metode AHP diharapkan merupakan lokasi yang menjanjikan profit yang tinggi bagi PT. Ruma. Perbandingan ini menggunakan metode korelasi yang diharapkan dapat melihat hubungan antara hasil metode AHP dengan data milik PT. Ruma tersebut. Jika hubungan tersebut tinggi, maka keakuratan dari metode AHP untuk menghasilkan suatu urutan prioritas juga termasuk tinggi.



Evaluasi fitur-fitur geospatial dashboard Di samping itu, pada evaluasi fitur-fitur geospatial dashboard, akan dilakukan penilaian secara kualitatif dalam bentuk kuesioner terhadap kriteria-kriteria tertentu. Penilaian kualitatif ini diterjemahkan dalam bentuk pemberian skala numerik. Kriteria untuk penilaian


73 ini telah dipersiapkan antara penulis dengan pihak manajer dan karyawan PT. Ruma, serta dengan melihat literatur dari evaluasi dashboard secara umum.

Input •Aplikasi geospatial dashboard yang telah berisikan fitur-fitur dan algoritma AHP untuk memberi rekomendasi prioritas ekspansi lokasi kantor cabang

Process •Pembuatan kuesioner untuk evaluasi •Pelaksanaan evaluasi metode AHP •Pelaksanaan evaluasi fiturfitur geospatial dashboard

Output •Nilai dari hasil kuesioner •Kesimpulan dan saran untuk penelitian

Gambar 3.6 Skema Tahap Evaluasi


74

BAB 4. PROFIL PERUSAHAAN

Pada bagian ini penulis menjelaskan profil perusahaan PT. Rekan Usaha Mikro Anda (Ruma) secara umum. Hal ini bertujuan untuk mengetahui latar belakang dan kegiatan bisnis apa yang menjadikan PT. Ruma dapat menjadi sebuah tempat studi kasus yang menarik untuk penelitian penulis, khususnya di bidang business intelligence, territory management, dan geographic information system. Penulisan ini akan terdiri dari sejarah berdirinya PT. Ruma, investor, struktur organisasi, layanan dan produk, serta proses dan model bisnis PT. Ruma. Pada akhir bab, penulis akan membahas suatu subbab tentang salah satu divisi pada PT. Ruma yang bernama Zone Expansion Manager (ZEM). Hal ini dikarenakan penelitian penulis banyak berkaitan dengan kegiatan operasional mereka sehari-hari, sehingga di akhir subbab tersebut, penulis akan menggambarkan posisi penelitian penulis di PT. Ruma ini. Informasi mengenai profil perusahaan ini, penulis peroleh dari website perusahaan dan wawancara dengan pihak manajer dan karyawan perusahaan.

4.1 Deskripsi Umum PT. Ruma PT. Ruma berdiri pada tanggal 24 Juni 2009 dengan CEO sekaligus Co-Founder nya yang bernama Aldi Haryopratomo. Perusahaan ini berdiri berdasarkan dari sebuah pilot project yang dilakukan oleh Grameen Bank dan Qualcomm. Grameen Bank adalah lembaga yang telah berdiri pada tahun 1976 dengan tujuan untuk memberikan layanan microfinance kepada masyarakat kurang mampu. Bentuk layanan ini didesain sedemikian rupa sehingga menyerupai sebuah jasa perbankan yang memberikan layanan sistem kredit kepada masyarakat tersebut. Grameen Bank percaya bahwa layanan sistem kredit mampu memerangi kemiskinan yang melanda banyak masyarakat di dunia, khususnya di bidang keuangan dan kesejahteraan. Selanjutnya Grameen Bank mendirikan Grameen Foundation yang merupakan organisasi nirlaba. Organisasi ini memiliki salah satu layanan produk yang memudahkan setiap masyarakat kurang mampu untuk mendapatkan informasi terkini tentang kesehatan, pendidikan, dan lowongan pekerjaan melalui telefon seluler yang diberikan secara gratis. Untuk semakin memudahkan kelancaran proses layanan informasi tersebut, Grameen Foundation bekerja sama dengan Qualcomm untuk meningkatkan infrastruktur IT yang dimiliki. Bentuk kerja sama ini semakin melancarkan


75 kegiatan operasional dari Grameen Foundation untuk melatih dan membimbing setiap masyarakat kurang mampu atau pekerja usaha kecil menengah dengan meningkatkan bisnis sehari-hari mereka melalui solusi teknologi. Oleh karena itu, PT. Ruma yang merupakan sebuah social enterprise yang diinkubasi oleh Grameen Foundation dan Qualcomm, didirkan untuk membangun jaringan yang terdiri dari para pemilik usaha-usaha kecil (microfranchise) di Indonesia dalam hal meningkatkan profit bisnis mereka melalui pendekatan teknologi. Teknologi yang digunakan adalah teknologi mobile atau aplikasi web melalui bentuk penjualan pulsa atau pembayaran tagihan. PT. Ruma memilliki visi untuk meningkatkan derajat, pendapatan, dan akses masyarakat menengah ke bawah dengan melihat berbagai potensi yang ada di Indonesia. Potensi tersebut antara lain adalah jumlah warung-warung tradisional di Indonesia yang masih mengalami peningkatan serta Indonesia merupakan negara nomor 4 (empat) terbesar dalam hal mobile subscriber. Berdasarkan kombinasi kedua potensi tersebut, maka PT. Ruma memiliki gagasan untuk memanfaatkan sumber daya yang ada di daerah pedesaan untuk kesejahteraan masyarakat di sekitarnya dengan salah satu cara nya adalah pemanfaatan teknologi. Salah satu alasan lain PT. Ruma dalam mengembangkan bisnis social enterprise ini adalah melihat adanya kebutuhan atau permintaan dari masyarakat desa untuk mendapatkan akses ke berbagai layanan pembayaran dan keuangan, bahkan perbankan yang belum pernah mereka dapatkan sebelumnya. Di samping itu, jumlah penetrasi rekening bank di sektor formal masih tergolong rendah di Asia. Ditambah lagi, masyarakat desa masih sering melakukan pembayaran tagihan ke tempat yang jauh (misal: 1 jam naik motor ke arah jalan besar) sehingga hal ini sangat tidak praktis untuk mereka. Oleh karena itu, untuk mengatasi kesulitan dan permasalahan transaksi keuangan yang terjadi di masyarakat pedesaan, maka PT. Ruma mengeluarkan produkproduk seperti penjualan pulsa, pembayaran tagihan (listrik, Telkom, hingga cicilan), serta produk perbankan. Pada PT. Ruma dikenal beberapa istilah untuk customer yang akan menggunakan produk-produk mereka. Istilah pertama adalah agen atau dealer yang merupakan pengusaha-pengusaha mikro yang menggunakan dan menerapkan proses penjualan pulsa elektrik atau pembayaran tagihan sehari-hari. Setiap agen atau dealer pada setiap harinya akan didatangi oleh staff lapangan PT. Ruma yang berasal dari kantor cabang PT. Ruma. Staff lapangan ini akan memberikan pelatihan dan bimbingan serta bantuan dana kepada agen tersebut untuk kegiatan penjualan pulsa maupun Universitas Indonesia

76 pembayaran tagihan. Selain itu, agen juga memiliki beberapa rekan usaha yang akan membeli dan menggunakan produk-produk PT. Ruma. Level terendah dari jenjang customer dari PT. Ruma adalah rekan usaha dari agen-agen tersebut atau sering kita sebut sebagai RU. Untuk proses bisnis dari pembelian dan penggunaan produk PT. Ruma akan dijelaskan lebih lanjut pada bab 4.6 (Proses Bisnis PT. Ruma). Selain produk-produk utama yang dijelaskan sebelumnya, PT. Ruma juga melakukan layanan dalam bentuk konsultan di bidang market research kepada perusahaan-perusahaan besar yang ingin melakukan pemantauan jalur distribusi mereka di warung-warung di daerah-daerah yang telah ditentukan. Dalam melakukan pemantauan tersebut, PT. Ruma melakukan manajemen data distribusi yang bekerjsama dengan pihak surveyor. Pihak surveyor melakukan proses pengambilan data ke setiap warung tersebut, sementara PT. Ruma menganalisis data yang telah diambil dan mengolahnya ke dalam bentuk geospatial dashboard. Dashboard ini selanjutnya menampilkan peta persebaran distribusi produk perusahaan tersebut pada setiap periode tertentu. Jenis layanan konsultan ini bertujuan untuk memperbesar arus penerimaan dan profit PT. Ruma dari proyek yang diterima serta memberikan akses antara perusahaan besar dengan warungwarung tersebut dalam hal pemantauan dan pengelelolaan distribusi produk. Berikut adalah skema yang menggambarkan visi PT. Ruma

Gambar 4.1 Skema Visi PT. Ruma

Atas visi, misi, dan tujuan yang dimiliki, maka di tahun 2011 PT. Ruma mampu menerima banyak penghargaan dari beberapa pihak, baik dari dalam maupun luar negeri. Penghargaan tersebut antara lain CDMA Industry Achievement Awards, Global Telecoms Business Innovation


77 Awards, dan Harvard Social Enterprise Conference. Untuk meningkatkan eksistensi bisnis PT. Ruma di Indonesia kepada kalangan masyarakat kurang mampu, maka pada tahun 2012 PT. Ruma melakukan ekspansi cabang ke beberapa daerah di Jawa Barat dengan melakukan perekrutan agen PT. Ruma secara intensif dan melakukan pelayanan terhadap ribuan pengusaha mikro. Hasil dari ekspansi ini adalah berupa 11 daerah atau cabang yang meliputi Cilegon, Serang, Bogor, hingga Cirebon. Pada akhir 2013, PT. Ruma kembali berhasil memperluas kegiatan operasionalnya ke 20 cabang di Jabodetabek, Jawa Barat, hingga Jawa Tengah.

Gambar 4.2 Peta Persebaran Lokasi Kantor Cabang PT. Ruma

4.2 Investor PT. Ruma Dalam mengembangkan serta mengoperasikan kegiatan bisnis perusahaan, PT. Ruma dibantu oleh banyak investor baik dari dalam maupun luar negeri. Beberapa investor tersebut antara lain: 1. Grameen Foundation Seperti yang telah dijelaskan sebelumnya bahwa PT. Ruma merupakan perusahaan yang diinkubasi oleh Grameen Foundation. Perusahaan ini berdiri pada tahun 1997 dengan pendirinya adalah Profesor Muhammad Yunus (Penerima Penghargaan Nobel). Perusahaan ini bertempat di Washington DC, USA. Selain itu perusahaan ini memiliki tujuan untuk membantu orang-orang yang kurang mampu dalam hal layanan keuangan, kesehatan, atau pertanian dengan beberapa tools atau program yang ditujukan untuk organisasi-organisasi anti kemiskinan, seperti Progress out of Poverty Index, TaroWorksTM, MOTECH Suite and Platform, Bankers without Borders, atau Human Capital Hub. Alat dari Grameen Foundation yang digunakan oleh PT. Ruma adalah Progress out of Poverty Index.


78 2. Kiva Kiva adalah sebuah organisasi non-profit yang juga memiliki misi untuk mengurangi kemiskinan di lingkungan sekitar dengan memberikan bentuk pinjaman modal sebesar $25 ke individu-individu yang ingin mengembangkan usaha. Perusahaan ini telah berdiri pada tahun 2005 dengan jumlah peminjam sebanyak 1,048,454 orang saat ini dan jumlah pinjaman yang telah mencapai angka $527,272,125. Selain itu organisasi ini juga berhasil mencapai angka 98.96% dari aspek repayment rate. Berdasarkan data angka tersebut, Kiva semakin percaya bahwa dengan memberikan akses pinjaman modal yang aman dan terjangkau kepada masyarakat yang membutuhkan maka akan memberikan tingkat kesejahteraan hidup yang lebih baik bagi peminjam dan keluarga mereka.

4.3 Struktur Organisasi PT. Ruma Berikut ini adalah hirarki dari divisi serta manajer yang berperan dalam mengepai dan mengelola kegiatan operasional PT. Ruma sehari-hari.

CEO

Aldi Haryopratomo ITPD

Salma Desenta (CTO)

IT Operation & Infrastructure

Sales & Operation

Emirzal Andis

Moefid Martono

Partnertship, Service, & Marketing Iman Rahman

Human Capital

Prasetya B. Finance & Accounting

Finance, Strategy, & Risk Ben Elberger (CFO) Ruma Market Intelligence

Risk & Audit

Yudith Kristianti

Gambar 4.3 Struktur Organisasi PT. Ruma

4.4 Layanan dan Produk Utama PT. Ruma Berikut ini merupakan layanan dan produk yang dikembangkan oleh PT. Ruma baik untuk kebutuhan customer mereka. Layanan dan produk tersebut antara lain: 1. Penjualan Pulsa Elektrik Produk ini digunakan oleh agen untuk dilakukan penjualan ke setiap RU yang dibawahinya. Penjualan pulsa elektrik ini sama seperti umumnya, yaitu dengan layanan SMS dan dapat


79 dilakukan secara remote di rumah agen itu sendiri. Penjualan pulsa elektrik ini dijalankan secara 24 jam setiap harinya. Beberapa dukungan bagi agen dalam menjalankan kegiatan penjualan ini antara lain agen akan mendapatkan pelatihan dan bimbingan dari staff Ruma, khususnya dalam manajemen keuangan dan pengoperasian layanan. Berikut adalah skema keuntungan dari proses penjualan pulsa elektrik seorang agen:

Gambar 4.4 Skema Keuntungan Penjualan Pulsa Elektrik PT. Ruma

2. Pembayaran Tagihan Jenis produk satu ini dijalankan dalam sebuah sistem aplikasi web buatan Ruma sebagai suatu sistem yang membantu agen Ruma dalam melakukan usaha tambahan seperti penjualan pulsa elektrik atau pembayaran tagihan listrik PLN. Tentunya setiap agen ini akan diberikan pelatihan secara khusus dan berkesinambungan dalam mengoperasikan sistem ini. Selan itu, aplikasi web untuk pembayaran tagihan ini dapat dijalankan pada perangkat terkini seperti tablet/HP android dan perangkat komputer pribadi (PC).

Gambar 4.5 Halaman Awal Sistem Transaksi Pembayaran Tagihan (sumber: bima.ruma.co.id, 2014)

Sama halnya seperti layanan penjualan pulsa elektrik, layanan ini juga menghasilkan keuntungan per transaksi sebesar Rp 1000,00. Perbedaan penghitungan keuntungan pada layanan pembayaran tagihan dengan pulsa elektrik adalah terletak pada biaya bulanan yang Universitas Indonesia

80 harus dihasilkan pada layanan pembayaran tagihan yang lebih besar dibandingan penjualan pulsa elektrik. Biaya bulanan itu dapat berupa jasa cetak mandiri, langganan internet, dan kertas print. Berikut adalah skema keuntungan dari proses layanan pembayaran tagihan yang dilakukan oleh seorang agen:

Gambar 4.6 Skema Keuntungan Transaksi Pembayaran Tagihan PT. Ruma

3. Layanan Keuangan Layanan ini merupakan hasil kerjasama antara PT. Ruma dengan Bank XYZ dalam rangka uji coba aktivitas jasa sistem pembayaran dan perbankan terbatas melalui unit perantara layanan keuangan. Pada uji coba ini, Ruma dan Bank XYZ bersama-sama memasarkan produk dari bank tersebut melalui agen-agen Ruma yang terpilih dari sisi tingkat penjualan dan usaha mereka yang baik. Agen-agen ruma ini berperan sebagai perpanjangan tangan dari Bank dalam melakukan kegiatan-kegiatan perbankan seperti pendaftaran nasabah, pelayanan setoran, maupun tarikan nasabah. Agen-agen Ruma juga mendapatkan fasilitas dan pelatihan yang tidak hanya dari PT. Ruma, namun juga dari Bank XYZ. Selama masa uji coba ini, Ruma berhasil menjaring 60 agen dan mampu membantu memproses lebih dari 4000 transaksi setor maupun tarik tunai. Manfaat lain yang dirasakan oleh agen maupun rekan usahan Ruma adalah membantu mereka untuk belajar dalam menabung, membuka rekening, atau melakukan kegiatan setor dan tarik tunai. Di samping itu, dari tabungan ini, agen-agen dapat memanfaatkan untuk membantu proses layanan penjualan pulsa elektrik, pembayaran tagihan listrik, air, bahkan memudahkan ibu-ibu yang merupakan agen Ruma untuk membayar arisan melalui HP.


81

4.5 Model Bisnis PT. Ruma Pada tahun 2010, model bisnis PT. Ruma pertama kali mendapatkan penghargaan dari Global Mobile Award untuk kategori Best Use Mobile for Social and Economic Development. Penghargaan ini didasarkan pada keberhasilan Ruma dalam membantu masyarakat kecil untuk memperoleh pendapatan yang tetap. Model bisnis PT. Ruma dapat dilihat pada gambar 4.7. Key Partners  Telcos Distributor  Billers (PDAM, PLN, dll)  Bank  Perusahaan FMCG

Key Activities

Value Propositions

 Layanan berbasis transaksi (pulsa,  Akses koneksi ke pembayaran perusahaan biller tagihan, dan dan telco layanan  Membangun keuangan) teknologi dan pelatihan yang  Layanan berbasis memudahkan informasi (Ruma para agen Market  Membantu agen Intelligence) dalam mengaplikasikan teknologi dan mengembangkan Key Resources bisnis  Pelayanan dari Setiap kegiatan staff lapangan Ruma bergantung Ruma yang pada karyawan berkelanjutan yang kompeten di bidangnya serta sistem IT yang kuat. Setiap divisi juga punya peranan penting masing-masing

Customer Relationships

Customer Segments

Dibangun oleh kepercayaan customer kepada para agen, salah satunya adalah melalui field officer kepada setiap endcustomer

 Masyarakat yang membangun usaha kecil menengah pada kategori C dan D (penghasilan 700 ribu sampai 1 juta per bulan)

Channels  Sales: Distribusi secara langsung staff lapangan dan kerjasama dengan pihak ketiga  Teknologi: Penggunaan Android, sms, aplikasi web

Cost Structure

Revenue Streams

 Cost of Goods Sold  Operational Cost (Head Office dan Kantor Cabang)  Biaya marketing

 Margin transaksi  Revenue project

Gambar 4.7 Model Bisnis PT. Ruma


82

4.6 Proses Bisnis PT. Ruma

Gambar 4.8 Proses Bisnis PT. Ruma


83 Gambar 4.8 menjelaskan bahwa setiap peran akan saling mengelola saldo yang mereka terima untuk kemudian digunakan sebagai modal untuk penjualan pulsa elektrik atau pembayaran tagihan (PLN, PAM, dll). Tentunya setiap pelaku dalam proses supply chain di atas akan melakukan penjualan dengan harga di atas pembelian produk tersebut sebelumnya, sehingga margin antara penjualan dan pembelian produk tersebut akan menghasilkan profit bagi penjual. Untuk memperjelas hierarki dari setiap pelaku pada proses bisnis di atas, berikut adalah struktur operasional PT. Ruma dari Head Office hingga ke Rekan Usaha (RU): Head Office

Kantor Cabang 1

Dealer Manager 1

Dealer 1 Rekan Usaha 1

Kantor Cabang 2

Kantor Cabang 3

Dealer Manager 2

Dealer 2 Rekan Usaha 2

Gambar 4.9 Struktur Operasional PT. Ruma

4.7 Konsep Zone Expansion Manager di PT. Ruma ZEM adalah suatu subdivisi atau tim di PT. Ruma yang memiliki fungsi untuk melakukan serta merencanakan ekspansi cabang PT. Ruma pada daerah-daerah di Indonesia. ZEM berdiri di bawah divisi Sales & Operation. Saat ini ZEM telah memiliki 6 (enam) orang anggota yang memiliki peran dalam melakukan perencanaan ekspansi dan tersebar di beberapa daerah. Mereka banyak bekerja di kantor cabang PT. Ruma dan di setiap harinya mereka melakukan analisis kelayakan suatu wilayah untuk dijadikan sebagai lokasi kantor cabang yang baru. Untuk memperjelas struktur dan posisi ZEM pada PT. Ruma, berikut adalah gambar struktur divisi Sales & Operation. Universitas Indonesia

84

Sales & Operation Regional Sales Manager

Zone Expansion Manager

Allocation Revenue Generator

Territory Manager

Area Manager Branch Head Dealer Manager Gambar 4.10 Struktur Divisi Sales & Operation

Pada dasarnya beberapa orang dari subdivisi ZEM sering berganti peran sebagai Regional Sales Manager (RSM) karena fungsi ZEM dan RSM ini masih memiliki kesamaan dan masih dapat ditanggung oleh satu orang. Tujuan khusus ZEM adalah untuk proses pembukaan atau ekspansi cabang, sementara RSM lebih fokus pada manajemen operasional beberapa kantor cabang di suatu regional. Tujuan dari Ekspansi Cabang yang dilakukan oleh ZEM adalah sebagai berikut: 1. Memperluas jangkauan PT. Ruma ke seluruh Indonesia. 2. Meningkatkan jumlah dealer PT. Ruma. 3. Mengembangkan usaha PT. Ruma ke area-area baru di Indonesia. 4. Membantu meningkatkan kesejahteraan masyarakat terutama di area-area yang belum digarap oleh PT. Ruma. 5. Meningkatkan brand PT. Ruma sebagai partner usaha kecil dan menengah di Indonesia. Dalam menjalankan proses ekspansi ini, ZEM memiliki tahapan yang terdiri dari 5 langkah. Tahapan tersebut digambarkan dalam skema dan penjelasan berikut:


85

Plan

Scouting

Approval

Opening

Launching

Gambar 4.11 Tahapan ZEM dalam Ekspansi Lokasi Kantor Cabang

1. Plan Pada tahap ini ZEM akan melakukan perencanaan dengan menganalisis data internal maupun eksternal potensi suatu wilayah berdasarkan kriteria yang telah ditentukan. Cara mereka dalam melakukan analisa wilayah antara lain adalah dengan mempelajari data Potensi Desa (PODES), mempelajari peta daerah-daerah di Indonesia, melakukan meeting dengan CEO dan Manajer Sales & Operation, serta membuat timeline perencanaan yang telah ditentukan bersama oleh seluruh anggota ZEM. 2. Scouting Scouting adalah kegiatan kunjungan secara langsung ke area yang dituju. Hal-hal yang dilakukan selama tahap ini adalah plan area scouting, scouting area untuk mengecek keberadaan kompetitor, mengecek potensi area seperti keberadaan jumlah toko atau warung, mengecek keadaan karakter masyarakat dalam hal pengelolaan keuangan seperti jenis pekerjaan dan kegiatan menabung, serta melakukan dokumentasi foto daerah-daerah tersebut. 3. Approval Selanjutnya ZEM akan melakukan pengajuan beberapa dokumen terkait hasil kegiatan kunjungan untuk mendapatkan persetujuan dari pihak CEO dan Manajer Sales & Operation. Laporan yang diberikan antara lain laporan hasil scouting, pengajuan tempat kos/ rumah untuk lokasi cabang, saran dan concern terkait hasil scouting, serta settlement advance yaitu proses untuk mempercepat penyelesaian administrasi penetapan suatu daerah menjadi lokasi kantor cabang. 4. Opening Pada tahap ini kegiatan yang dilakukan antara lain proses penetapan suatu rumah atau tempat kos menjadi tempat kantor cabang, pengajuan pembukaan lokasi cabang ke bagian Field


86 Human Resource dan Customer Service, pengajuan email dan kelengkapan alat-alat, serta pengajuan laptop, modem, dan printer untuk kegiatan operasional kantor cabang tersebut. 5. Launching Terakhir ZEM akan melakukan proses launching atau suatu proses peresmian suatu daerah menjadi lokasi kantor cabang PT. Ruma yang baru. Beberapa kegiatan yang dilakukan antara lain soft launching, settlement, dan pelatihan serta pengawasan staff cabang yang baru. Berdasarkan pembahasan di atas, baik definsi, konsep, dan tahapan ZEM dalam menjalankan kegiatan operasionalnya di PT. Ruma, maka penelitian penulis ini berada dibawah bimbingan divisi Sales & Operation, khususnya pada sub-divisi Zone Expansion Manager. Penulis mengadopsi gambar 4.10 untuk menggambarkan posisi penelitian penulis di PT. Ruma yang dapat dilihat pada gambar 4.12.

Sales & Operation

Regional Sales Manager

Zone Expansion Manager

Area Manager

Adrian Nuradiansyah (Penulis)

Allocation Revenue Generator

Territory Manager

Branch Head

Dealer Manager

Gambar 4.12 Posisi Penelitian Penulis di PT. Ruma


87

BAB 5. HASIL DAN PEMBAHASAN

Bab ini membahas hasil serta pembahasan dari pelaksanaan penelitian pengembangan geospatial dashboard dengan pendekatan analytic hierarchy processing pada studi kasus pemilihan lokasi kantor cabang di PT. Rekan Usaha Mikro Anda (RUMA). Hasil dan pembahasan ini disesuaikan oleh tahap-tahap yang terdapat pada metodologi penelitian. Setiap tahap akan menghasilkan output yang akan digunakan untuk tahap selanjutnya. Berikut adalah tahap pada metodologi penelitian yang hasil dari setiap tahap tersebut dijelaskan pada bab ini. 1. Tahap Analisis Kebutuhan 

Analisis tujuan pengambilan keputusan



Analisis kriteria pengambilan keputusan



Analisis alternatif pilihan lokasi kantor cabang



Analisis pengumpulan data



Analisis fitur-fitur geospatial dashboard



Analisis kebutuhan perangkat (tools) penelitian

2. Tahap Rancangan Geospatial Dashboard dan AHP 

Rancangan arsitektur geospatial dashboard dan AHP



Rancangan struktur data



Rancangan tampilan antarmuka geospatial dashboard

3. Tahap Implementasi Geospatial Dashboard dan AHP 

Implementasi fitur-fitur geospatial dashboard



Implementasi algoritma analytic hierarchy processing

4. Tahap Evaluasi 

Evaluasi fitur-fitur geospatial dashboard



Evaluasi metode AHP

Setiap hasil yang dikeluarkan pada setiap tahap akan dijelaskan lebih spesifik pada subbabsubbab berikut.


88

5.1 Analisis Kebutuhan Penelitian Bagian ini membahas kebutuhan penelitian yang menunjang solusi dari permasalahan yang telah dibahas pada bagian 1.2. Permasalahan yang diperoleh tersebut selanjutnya dianalisis dengan melihat peluang (opportunity) dan keunggulan (strength) yang dimiliki PT. Ruma.

Gambar 5.1 Diagram Penentuan Solusi terhadap Permasalahan


89 Gambar 5.1 menjelaskan bagaimana solusi terhadap permasalahan dapat ditentukan berdasarkan strength analysis dan opportunity analysis. Gambar 5.1 ini tidak dapat dipisahkan dari gambar 1.1 pada bagian 1.2 yang menjelaskan perumusan masalah. Alasan dengan menganalisis opportunity adalah untuk melihat hal-hal eksternal apa saja yang dapat dimanfaatkan PT. Ruma dalam menentukan solusi untuk kebutuhan analisis ekspansi lokasi kantor cabang. Solusi tersebut juga harus sesuai dengan kebutuhan PT. Ruma yang menginginkan adanya teknologi dashboard yang dapat memberi rekomendasi serta suatu metode pemodelan pengambilan keputusan yang dapat menghitung aspek kualitatif dan kuantitatif dari data yang berkaitan dengan lokasi kantor cabang. Berdasarkan wawancara yang penulis lakukan dengan manajer IT Ruma, opportunity yang dapat dimanfaatkan adalah adanya koneksi antara PT. Ruma dengan mentor-mentor dari investor luar negeri yang dapat mengajarkan PT. Ruma dalam implementasi teknologi dashboard serta perkembangan teknologi geospatial dashboard yang terus meningkat di kalangan data analytic. Selanjutnya dari sisi strength, PT. Ruma memiliki human resource yang sudah kompeten dan berpengalaman dalam hal ekspansi lokasi kantor cabang serta adanya teknologi dashboard yang juga mulai banyak diterapkan pada beberapa divisi di PT. Ruma. Oleh karena itu, solusi yang ditentukan adalah pengembangan geospatial dashboard dengan pendekatan analytic hierarchy process (AHP). Metode AHP ini didukung dengan data kuantitatif yang dimiliki oleh PT. Ruma dalam hal kriteria suatu wilayah serta pengalaman dan kompetensi human resource PT. Ruma, khususnya tim ZEM, yang bersifat kualitatif, sehingga AHP diharapkan mampu menghitung aspek kuantitatif dan aspek kualitatif dari data yang berkaitan dengan lokasi kota/kabupaten kantor cabang. Lampiran 1 bagian Wawancara 1 menjelaskan lebih rinci cara penentuan solusi pada penelitian ini. Setelah menentukan geospatial dashboard dengan pendekatan AHP sebagai solusi terhadap permasalahan ekspansi lokasi kantor cabang di PT. Ruma, penulis melakukan analisis kebutuhan yang akan digunakan selama penelitian. Pertama penulis menganalisis kebutuhan yang mendukung proses metode AHP, yaitu seperti, tujuan, kriteria, dan alternatif. Ketiga komponen tersebut disesuaikan dengan studi kasus yang diteliti. Selanjutnya berdasarkan kriteria pengambilan keputusan yang telah dianalisis, penulis melanjutkan pengumpulan data, baik yang bersifat kuantitatif dan kualitatif. Setelah data terkumpul dengan baik dan rapi, setiap tahap pada proses AHP penulis petakan ke dalam bentuk fitur-fitur pada geospatial dashboard. Kemudian


90 penulis mempersiapkan penunjang seperti instrument software, bahasa pemrograman, API (Application Programming Interface), atau IDE (Integrated Development Environment) untuk pelaksanaan penelitian. Setiap analisis ini ada yang penulis lakukan dalam bentuk diskusi dengan manajer dan karyawan PT. Ruma, namun juga ada yang penulis lakukan dengan mempelajari literatur penelitian yang sudah ada. 5.1.1 Analisis Tujuan Pengambilan Keputusan Untuk melakukan analisis terhadap tujuan pengambilan keputusan, maka penulis mencoba berangkat dari permasalahan studi kasus yang ada. Pada studi kasus ekspansi lokasi kantor cabang PT. Ruma, hal yang ingin diperoleh sebagai output pengambilan keputusan adalah urutan prioritas lokasi kantor cabang dari yang paling tinggi hingga yang paling rendah. Urutan prioritas ini merupakan langkah PT. Ruma untuk memprediksi lokasi kantor cabang mana yang akan dieskpansi terlebih dahulu. Semakin tinggi prioritas calon lokasi kantor cabang tersebut, semakin besar pula harapan manajemen PT. Ruma bahwa calon lokasi kantor cabang itu merupakan lokasi yang menjanjikan profit yang tinggi. Dengan demikian tujuan dari proses pengambilan keputusan ini adalah mencari urutan prioritas lokasi kantor cabang yang akan diekspansi. Implikasi dari proses analisis tujuan adalah menempatkan tujuan tersebut sebagai root (level 0) pada struktur tree AHP. Berikut adalah gambaran dari komponen tujuan yang telah ditempatkan sebagai root pada struktur tree AHP.

Mencari urutan prioritas lokasi kantor cabang yang akan diekspansi

Kriteria 1

Kriteria 2

Kriteria 3

Gambar 5.2 Struktur Tree AHP Komponen Tujuan Pengambilan Keputusan


91 5.1.2 Analisis Kriteria Pengambilan Keputusan Setelah memperoleh tujuan yang akan dicari pada saat proses pengambilan keputusan, maka langkah selanjutnya adalah mengidentifikasi kriteria apa saja yang mendasari proses pencarian tujuan tersebut. Penulis menganalisis kriteria ini dengan menggabungkan literatur penelitian yang telah ada serta pendapat dan masukan dari beberapa manajer PT. Ruma Selama ini PT. Ruma, khususnya dari divisi ZEM, melakukan analisis kriteria suatu lokasi yang layak dijadikan kantor cabang adalah dengan dua jenis data yaitu data jumlah warung/toko serta data populasi penduduk per kecamatan atau per kota. Berdasarkan dua jenis data tersebut, penulis mencoba mencari jenis data lain yang dapat menjadi kriteria baru dalam memperkuat proses pengambilan keputusan. Penulis mengelompokkan kriteria pengambilan keputusan ke dalam 4 (empat) kerangka seperti yang dijelaskan pada studi literatur penelitian ini. Studi literatur tersebut mengenai kriteria umum penentuan lokasi dengan teknik geospatial analytic (TDWI, 2013). Kriteria tersebut antara lain: 

Target pasar Jenis kriteria target pasar yang dapat dimiliki oleh PT. Ruma ini adalah data jumlah warung dan kepadatan penduduk di suatu wilayah. Kriteria ini sudah menjadi kriteria dasar yang dimiliki PT. Ruma untuk menganalisis suatu wilayah layak menjadi tempat kantor cabang. Warung merupakan usaha mikro yang banyak didirikan oleh masyarakat menengah ke bawah yang pada dasarnya adalah target pasar PT. Ruma dalam penjualan produk. Sementara kepadatan penduduk berpengaruh pada banyaknya potential customer yang dapat dijangkau oleh PT. Ruma dalam suatu wilayah.



Kompetitor di area sekitar lokasi Aspek kompetitif yang digunakan pada penelitian adalah harga kompetitor. Aspek ini sudah sering digunakan oleh divisi finance untuk mencari selisih atau perbedaan harga antara PT. Ruma dengan kompetitor. Semakin murah harga kompetitor, maka semakin tinggi peluang kompetitor tersebut menjadi kompetitor terberat PT. Ruma. Mengingat produk PT. Ruma sangatlah banyak dari segi penjualan voucher pulsa, maka penulis hanya menggunakan satu jenis voucher yang merupakan produk PT. Ruma yang paling dibeli oleh agen atau rekan usaha untuk bertransaksi.


92 

Pertimbangan operasional PT. Ruma memiliki kegiatan dan alur operasional yang sangat kompleks. Seperti yang telah dibahas pada bab Profil Perusahaan, proses bisnis PT. Ruma untuk penjualan satu jenis produk saja sudah melibatkan banyak pihak. Semakin banyak pihak yang dilibatkan, maka biaya operasional yang dikeluarkan juga berpotensi besar. Oleh karena itu, pada penelitian ini penulis cukup menggunakan satu jenis parameter yaitu biaya tenaga kerja sebagai pertimbangan operasional. Biaya tenaga kerja ini akan menggunakan pendekatan upah minimum regional (UMR) per wilayah yang ditentukan. UMR atau upah untuk tenaga kerja merupakan hal yang sangat menarik untuk dilibatkan dalam pengambilan keputusan khususnya jika dikaitan dengan produktivitas atau kualitas dari tenaga kerja itu sendiri. Selain itu UMR per wilayah memiliki jumlah yang berbeda-beda, sehingga apabila semakin mahal UMR per wilayah, maka perusahaan harus semakin meningkatkan efisiensi biayanya agar terhindar dari kerugian.



Perubahan Berdasarkan penjelasan dari studi literatur sebelumnya, kriteria perubahan untuk kegiatan ekspansi lokasi kantor cabang adalah perubahan yang akan terjadi pada suatu wilayah, baik bersifat fisik maupun non fisik, yang dapat mempengaruhi penambahan jumlah potential customer bagi perusahaan. Dalam hal studi kasus PT. Ruma ini, penulis mengambil sampel data dari Bank XYZ yang sedang memiliki kerja sama dengan PT. Ruma dalam hal transaksi keuangan untuk usaha mikro. Kerja sama tersebut akan diadakan di beberapa wilayah di Indonesia dengan cara membagi peran, yaitu Bank XYZ akan mengatur proses manajemen keuangan nasabah, sementara PT. Ruma akan berkonsentrasi dalam manajemen nasabah. Nasabah atau “rekan usaha” dari bank XYZ ini disebut sebagai sentra usaha. Dengan rencana yang sedang dibangun ini, maka PT. Ruma juga memiliki rencana untuk membangun lokasi kantor cabangnya di daerah yang memiliki banyak sentra usaha bank XYZ. Keberadaan sentra usaha Bank XYZ ini juga masih akan bertambah seiring dengan peluang bisnis Bank XYZ untuk menambah jumlah sentra usahanya. Dengan demikian nasabah dari Bank XYZ ini dapat berpotensi menjadi potential customer PT. Ruma jika proses pemasaran dan pelayanan yang dilakukan oleh PT. Ruma dalam penanganan manajemen nasabah Bank XYZ berjalan dengan baik pula.


93 Selain keempat jenis kriteria di atas, pada penelitian ini penulis juga mengambil kriteria yang lebih bersifat kualitatif. Kriteria tersebut adalah potensi PT. Ruma dalam merekrut jumlah warung sebagai customer di suatu wilayah. Kriteria ini diturunkan dari analisis kriteria berdasarkan aspek target pasar. Dengan melihat kepadatan warung di suatu wilayah, maka pertanyaan selanjutnya adalah berapa besar potensi PT. Ruma untuk merekrut jumlah warung tersebut dalam satu wilayah. Pengambilan bentuk data dari kriteria ini akan bersifat perbandingan potensi PT. Ruma dapat merekrut jumlah warung di daerah A dan B dengan usaha operasional yang sama (pairwise comparison). Bentuk perbandingan ini nantinya akan dipetakan ke dalam sebuah matriks yang dinamakan matriks pairwise comparison matrices. Bentuk penilaian yang diberikan ini memang bersifat mental judgment dan intuitif. Selain itu penilaian ini juga didasarkan dari pengalaman tim ZEM, data jumlah warung, populasi serta kepadatan penduduk. Berikut penulis simpulkan kriteria yang diperoleh dari hasil analisis: Tabel 5.1 Daftar Kriteria Pengambilan Keputusan

Nama Kriteria Kepadatan penduduk Kepadatan warung Harga Kompetitor Upah Minimum Regional Populasi Sentra Usaha Potensi Ruma dalam Merekrut Warung

Jenis Kriteria Kuantitatif Kuantitatif Kuantitatif Kuantitatif Kuantitatif Kualitatif

Setelah mendapatkan enam kriteria pengambilan keputusan untuk kegiatan ekspansi lokasi kantor cabang, maka selanjutnya adalah menempatkan secara ilustratif keenam kriteria ini sebagai komponen AHP pada level 1 struktur tree AHP. Mencari urutan prioritas lokasi kantor cabang yang akan diekspansi Kepadatan Warung

Kepadatan Penduduk

Harga Kompetitor

UMR

Populasi Sentra Usaha

Potensi Ruma Merekrut Jumlah Warung

Gambar 5.3 Struktur Tree AHP Komponen Kriteria Pengambilan Keputusan


94 5.1.3 Analisis Alternatif Lokasi Kantor Cabang Pada penelitian ini definisi lokasi adalah kota atau kabupaten di Indonesia. Hal tersebut diputuskan karena pencarian data untuk kriteria kota atau kabupaten adalah lebih mudah dilakukan dibandingkan dengan pencarian data untuk kriteria kecamatan atau kelurahan di Indonesia. Selain proses pengumpulan data yang cukup sulit dengan menggunakan data kecamatan atau kelurahan, penjabaran kriteria untuk cakupan tersebut akan menjadi lebih luas dan

lebih

banyak

serta

berpotensi

membutuhkan

waktu

yang

lebih

lama

untuk

mengumpulkannya. Oleh karena itu, penelitian ini akan berfokus mencari urutan dari kota atau kabupaten di Indonesia yang akan diekspansi oleh PT. Ruma. Urutan tersebut telah didasarkan pada kriteria yang telah ditentukan sebelumnya dengan harapan bahwa urutan kota pertama adalah prioritas lokasi yang akan diekspansi serta merupakan lokasi yang memiliki potensi profit yang besar bagi PT. Ruma untuk menjalankan kegiatan bisnisnya. Di samping itu, pada awalnya penelitian ini akan menggunakan kota atau kabupaten di Indonesia yang belum terdapat kantor cabang PT. Ruma. Namun ketika melakukan focus group discussion dengan tim ZEM, mereka menyarankan bahwa lokasi yang digunakan adalah kota atau kabupaten yang telah terdapat kantor cabang di PT. Ruma dengan beberapa alasan antara lain: -

Salah satu kriteria pengambilan keputusan pada penelitian ini adalah harga kompetitor. Untuk mengetahui harga kompetitor dari lokasi yang belum terdapat kantor cabang PT. Ruma adalah hal yang tidak mudah karena harus melakukan riset dan survey secara langsung ke lokasi tersebut terlebih dahulu.

-

Salah satu kriteria pengambilan keputusan yang lain pada penelitian ini adalah potensi PT. Ruma merekrut jumlah warung di suatu kota. Sama halnya seperti harga kompetitor, perolehan data untuk kriteria ini juga membutuhkan riset dan pengetahuan yang mendalam tentang lokasi tersebut, terutama pengetahuan dari aspek geografis dan budaya suatu lokasi.

Berdasarkan kedua pertimbangan tersebut, akhirnya tim ZEM menyarankan untuk tidak menggunakan lokasi yang belum pernah diekspansi PT. Ruma agar pengumpulan data selama penelitian ini juga akan lebih mudah dan cepat diproses. Selain itu, penggunaan lokasi kantor cabang PT. Ruma saat ini sebagai sampel penelitian penulis juga tidak akan mengubah atau mengurangi kriteria pengambilan keputusan kegiatan ekspansi apabila nantinya geospatial dashboard ini diterapkan secara operasional di PT. Ruma. Dengan kata lain, jika geospatial dashboard ini diterapkan untuk lokasi kantor cabang yang belum diekspansi, maka kriteria Universitas Indonesia

95 pengambilan keputusan yang digunakan adalah kriteria yang juga digunakan pada penelitian ini. Hal ini memastikan bahwa penelitian ini tetap memiliki implikasi yang positif bagi perkembangan kegiatan operasional tim ZEM untuk ekspansi lokasi kantor cabang, meskipun lokasi yang digunakan adalah kota/kabupaten kantor cabang PRT. Ruma saat ini. Berikut adalah daftar lokasi kantor cabang yang dimiliki oleh PT. Ruma hingga 21 Februari 2014: Tabel 5.2 Daftar Lokasi Kantor Cabang PT. Ruma Saat Ini

No

Nama Cabang

Tanggal Dibuka

Wilayah

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

Jakarta Bekasi Cibubur Bogor Utara Bogor Barat Bogor Selatan Cilegon Serang Timur Serang Selatan Tangerang Selatan Tangerang Utara Bandung Timur Bandung Selatan Bandung Barat Indramayu Garut Sukabumi Tasik Cirebon Semarang Yogjakarta Lebak Cianjur Majalengka Kendal Klaten Ciamis Bandung Kota Sumedang

2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 09 Mei 2013 15 Mei 2013 08 Juli 2013 9/2/2013 9/5/2013 16 Oktober 2013 08 Oktober 2013 16 Oktober 2013 11/6/2013 11/18/2013 02 Desember 2013 12 Desember 2013 16 Desember 2013 23 Desember 2013 24 Desember 2013 Januari 2013 30 Januari 2013 11 Februari 2014

Jakarta Jakarta Bogor Cibubur (BoCi) Bogor Cibubur (BoCi) Bogor Cibubur (BoCi) Bogor Cibubur (BoCi) Banten Banten Banten Banten Banten Bandung Bandung Bandung Ciayumajakuning Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Tengah Jawa Tengah Banten Jawa Barat Jawa Barat Jawa Tengah Jawa Tengah Jawa Barat Jawa Barat Jawa Barat 1


96 Di samping itu, PT. Ruma juga pernah melakukan proyek dengan salah satu instansi untuk membuka kantor cabang di lokasi tersebut untuk sementara waktu yaitu di daerah Tabanan, Bali. Dengan demikian, maka dari 29 cabang tersebut, penulis mendapatkan sekitar 21 kota/kabupaten yang kemudian ditambah dengan daerah Tabanan untuk dijadikan sebagai sampel lokasi kantor cabang dari penelitian ini. Berikut adalah nama-nama kota atau kabupaten yang dijadikan sampel untuk penelitian ini. Tabel 5.3 Nama-Nama Lokasi Kantor Cabang

No. Nama Kabupaten/Kota 1 Bandung 2 Bogor 3 Bekasi 4 Ciamis 5 Cianjur 6 Cilegon 7 Cirebon 8 Garut 9 Indramayu 10 Jakarta

No. Nama Kabupaten/Kota 11 Kendal 12 Klaten 13 Lebak 14 Majalengka 15 Semarang 16 Serang 17 Sukabumi 18 Sumedang 19 Tabanan 20 Tangerang

No. Nama Kabupaten/Kota 21 Tasikmalaya 22 Yogyakarta

Selanjutnya, berikut ini adalah struktur tree dari AHP yang menempatkan alternatif lokasi pada level 2 (dua) di bawah komponen kriteria. Mencari urutan prioritas lokasi kantor cabang yang akan diekspansi Kepadatan Penduduk

Kepadatan Warung Bandung, Bekasi, Bogor, Cilegon, dll

Bandung, Bekasi, Bogor, Cilegon, dll

Harga Kompetitor Bandung, Bekasi, Bogor, Cilegon, dll

UMR

Bandung, Bekasi, Bogor, Cilegon, dll

Populasi Sentra Usaha Bandung, Bekasi, Bogor, Cilegon, dll

Potensi Ruma Merekrut Jumlah Warung Bandung, Bekasi, Bogor, Cilegon, dll

Gambar 5.4 Struktur Tree AHP Komponen Alternatif Lokasi Kantor Cabang


97 5.1.4 Analisis Pengumpulan Data Bagian ini membahas cara pengumpulan data yang dilakukan oleh penulis. Data yang dibutuhukan ini banyak didasarkan pada analisis kriteria dan alternatif yang telah dibahas sebelumnya serta kegiatan wawancara atau focus group discussion yang dilakukan penulis bersama dengan pihak PT. Ruma.. Pada penelitian ini, penulis membagi dua jenis pengumpulan data beserta dengan analisisnya. Dua jenis pengumpulan data tersebut antara lain adalah raw data penelitian dan data kriteria pengambilan keputusan. Berikut adalah penjelasan secara detail kedua jenis data tersebut. 

Raw data penelitian Raw data penelitian adalah data yang penulis dapatkan secara langsung dari sumber data yang dimiliki PT. Ruma. Data ini merupakan data mentah dan masih dapat diolah untuk kebutuhan lain. Data ini juga akan ditaruh di Database Management System sebagai bahan awal dari pemrosesan data. Berikut adalah raw data yang diperoleh pada penelitan penulis.

1. Data lokasi koordinat kota atau kabupaten Untuk mengumpulkan koordinat lokasi ini, penulis menggunakan data yang berisikan nama kota atau kabupaten yang menjadi objek pada penelitian ini. Nama kota dan kabupaten ini telah penulis peroleh pada tahap analisis alternatif pengambilan keputusan. Selanjutnya penulis mencari lokasi dari setiap kota atau kabupaten tersebut dengan menggunakan Google Maps. Lokasi yang penulis dapatkan adalah dalam bentuk sistem koordinat geografis, yaitu longitude dan latitude.

Gambar 5.5 Pengumpulan Data Lokasi Koordinat Kota/Kabupaten


98 Gambar 5.5 menunjukkan cara penulis dalam memperoleh data lokasi koordinat pada kota Jakarta. Berikut merupakan data lokasi koordinat dari setiap kota atau kabupaten yang telah penulis peroleh melalui Google Maps. Tabel 5.4 Data Koordinat Kota/Kabupaten

Kota/Kabupaten Bandung Bogor Bekasi Ciamis Cianjur Cilegon Cirebon Garut Indramayu Jakarta Kendal

Koordinat -6.908704,107.61 -6.594356,106.799415 -6.232712,106.998489

-7.438731,108.574705 -6.813433,107.130577 -5.984192,106.033752 -6.730417,108.551735 -7.425113,107.745237 -6.330654,108.324112 -6.191755,106.8488 -7.008897,110.192764

Kota/Kabupaten

Koordinat

Klaten Lebak Majalengka Semarang Serang Sukabumi Sumedang Tabanan Tangerang Tasikmalaya Yogyakarta

-7.700105,110.599258 -6.489983,106.267576 -6.749169,108.283782 -6.951647,110.41661 -6.102322,106.147048 -6.901887,106.928344 -6.796899,107.950072 -8.535528,115.120186 -6.171276,106.631187 -7.310028,108.213165 -7.792466,110.370514

2. Data jumlah warung di suatu kota atau kabupaten Penulis menggunakan data Survei Sosial Ekonomi Nasional (Susenas) untuk mengumpulkan data jumlah warung di suatu kota/kabupaten. Data Susenas ini telah dimiliki oleh PT. Ruma untuk analisis segala kebutuhan yang tidak hanya berkaitan dengan pembukaan lokasi kantor cabang. Tabel 5.5 menampilkan daftar jumlah warung di 22 kota/kabupaten di Indonesia. Tabel 5.5 Daftar Jumlah Warung di Kota/Kabupaten

Kota/Kabupaten

Jumlah Warung

Kota/Kabupaten

Jumlah Warung

Bandung Bogor Bekasi Ciamis Cianjur Cilegon Cirebon Garut Indramayu Jakarta Kendal

65884 51022 29513 17473 24099 3976 17915 22804 17241 53910 7898


11286 19640 12773 21149 14598 31351 11164 4519 39232 24153 4056


99 Data jumlah warung ini nantinya akan digunakan untuk mendapatkan data kriteria kepadatan warung di suatu kota/kabupaten. Kepadatan warung diperoleh dengan membagi data jumlah warung dengan data luas wilayah suatu kota kabupaten (Tabel 5.8)

3. Data jumlah penduduk suatu kota atau kabupaten Penulis juga menggunakan data Survei Sosial Ekonomi Nasional (Susenas) untuk mengumpulkan data jumlah penduduk di suatu kota/kabupaten. Tabel 5.6 menampilkan daftar jumlah penduduk di 22 kota/kabupaten di Indonesia. Tabel 5.6 Daftar Jumlah Penduduk di Kota/Kabupaten

Kota/Kabupaten Jumlah Penduduk 6910187 Bandung 5524019 Bogor 4977083 Bekasi 1546086 Ciamis 2229541 Cianjur 359845 Cilegon 2459675 Cirebon 2487113 Garut 1680238 Indramayu 9557798 Jakarta 907919 Kendal

Kota/Kabupaten

Jumlah Penduduk


1323513 1223682 1174619 2434032 2024330 2742773 1117231 421917 5939981 2344605 393080

Seperti halnya dengan data jumlah warung, data jumlah penduduk ini nantinya akan digunakan untuk mendapatkan data kriteria kepadatan penduduk di suatu kota/kabupaten.

4. Data jumlah sentra usaha Bank XYZ di suatu kota atau kabupaten Seperti yang telah dijelaskan pada bagian 5.1.2 bahwa salah satu kriteria yang akan digunakan untuk pengambilan keputusan adalah populasi sentra usaha Bank XYZ. Untuk memperoleh data Populasi Sentra Usaha tersebut, maka penulis menggunakan data jumlah sentra usaha Bank XYZ yang diperoleh dari hasil survei antara PT. Ruma dengan Bank XYZ. Pada dasarnya terdapat banyak jumlah kota/kabupaten di Indonesia yang memiliki sentra usaha Bank XYZ, namun untuk kebutuhan penelitian, maka penulis cukup menggunakan data jumlah sentra usaha di 22 kota/kabupaten.


100 Tabel 5.7 Daftar Jumlah Sentra Usaha Bank XYZ di Kota/Kabupaten

Kota/Kabupaten

Jumlah Sentra Usaha

Kota/Kabupaten

Jumlah Sentra Usaha


53


15

28 20 22 16 13 31 27 33 5 11

15 27 16 17 38 20 5 24 29 16

5. Data luas wilayah kota atau kabupaten Seperti yang juga telah dijelaskan pada data sebelumnya, bahwa data luas wilayah digunakan untuk membagi data jumlah penduduk dan jumlah warung di suatu kota/kabupaten untuk mencari data kepadatan. Data luas wilayah ini juga penulis peroleh dari data Susenas yang dimiliki PT. Ruma Tabel 5.8 Daftar Luas Wilayah Kota/Kabupaten

Kota/Kabupaten

Luas Wilayah

Kota/Kabupaten

Luas Wilayah


463345


65579

321502 135332 237973 337824 19366 100080 331094 170938 65359 82274

346233 119672 139294 164884 365963 158114 5140 130263 264638 3253


101

6. Data harga kompetitor di suatu kota atau kabupaten Untuk memperoleh data ini, penulis menggunakan data dari setiap kantor cabang PT. Ruma yang melakukan survei di wilayahnya tentang harga kompetitor. Pada dasarnya, harga kompetitor ini diperoleh dari setiap produk pulsa atau produk pembayaran listrik di setiap kota. Mengingat jumlah produk pulsa dan pembayaran listrik yang sangat beragam, maka penulis menggunakan harga produk yang paling banyak diminati oleh konsumen PT. Ruma. Jadi, tabel 5.9 menjelaskan daftar harga kompetitor untuk produk tertentu di suatu kota/kabupaten. Tabel 5.9 Daftar Harga Kompetitor di Kota/Kabupaten

Kota/Kabupaten Harga Kompetitor 10700 Bandung 10750 Bogor 10800 Bekasi 10660 Ciamis 10800 Cianjur 10450 Cilegon 10600 Cirebon 10700 Garut 10700 Indramayu 10800 Jakarta 10600 Kendal

Kota/Kabupaten Harga Kompetitor 10600 Klaten 10800 Lebak 10600 Majalengka 10600 Semarang 10500 Serang 10700 Sukabumi 10660 Sumedang 10800 Tabanan 10500 Tangerang 10660 Tasikmalaya 10600 Yogyakarta

7. Data upah minimum regional di suatu kota atau kabupaten Data upah minimum regional (UMR) ini penulis peroleh dari data Susenas yang telah dimiliki PT. Ruma. Tabel 5.10 dan 5.11 menjelaskan daftar UMR di 22 kota/kabupaten. Tabel 5.10 Daftar UMR di Kota/Kabupaten (Bagian 1)

Kota/Kabupaten

UMR

Kota/Kabupaten

UMR

Bandung Bogor Bekasi Ciamis Cianjur

1735000 2352000 2442000 1041000 1500000

Klaten Lebak Majalengka Semarang Serang

1026600 1187500 1000000 1423500 2080000


102 Tabel 5.11 Daftar UMR di Kota/Kabupaten (Bagian 2)

Kota/Kabupaten Cilegon Cirebon Garut Indramayu Jakarta Kendal

UMR 2200000 1212700 1085000 1276320 2441300 1206000

Kota/Kabupaten Sukabumi Sumedang Tabanan Tangerang Tasikmalaya Yogyakarta

UMR 1566000 1735000 1250000 2200000 1279000 1173300

8. Data potensi PT. Ruma dalam merekrut jumlah warung di suatu kota atau kabupaten Seperti yang telah dijelaskan pada bagian 5.1.2 bahwa jenis kriteria ini adalah potensi PT. Ruma untuk merekrut sebanyak-banyaknya warung di suatu kota/kabupaten. Jenis data yang dibutuhkan adalah perbandingan (pairwise comparison) data potensi PT. Ruma merekrut jumlah warung di antara dua kota/kabupaten dengan asumsi menggunakan usaha operasional yang sama di keduanya. Perbandingan tersebut akan disimpan pada suatu matriks yang selanjutnya akan diagregasi untuk menghasilkan vektor eigen yang berisi nilai potensi PT. Ruma merekrut warung di setiap daerah.

Oleh karena itu, penulis melakukan focus group discussion dengan empat orang dari tim ZEM, yaitu Sonny F.Firdaus, Irsyad A. Fazli, Agung Nur Irfan, dan Beri Yusvirli. Mereka sudah berpengalaman dalam mempelajari karakteristik maupun kontur dari suatu kota/kabupaten. Penulis menggunakan jenis focus group discussion agar memperoleh satu nilai perbandingan yang berasal dari pemikiran keempat orang tersebut dalam waktu dan kesempatan yang sama. Selain itu penulis juga dapat mengontrol jalannya penilaian dengan cara melihat langsung mereka dalam memberikan nilai perbandingan. Penilaian tersebut didasarkan dari pengalaman dan intuitif keempat anggota tim ZEM ketika pertama kali mendengar perbandingan kedua kota yang diucapkan penulis saat menjalankan diskusi. Jika penulis menggunakan sistem kuesioner yang bersifat online, maka dikhawatirkan penilaian tersebut didapatkan dari data statistik yang sudah ada. Selain itu, jika dilakukan pemberian kuesioner ke mereka pada waktu bersamaan secara offline, maka nilai perbandingan yang diperoleh merupakan akumulasi dari keempat penilaian yang berbeda dari mereka. Sementara yang diharapkan adalah satu nilai perbandingan yang murni berasal dari pemikiran mereka secara bersama-sama dalam waktu yang sama dan berbentuk tatap muka dengan penulis.


103 Tabel 5.12 Perbandingan Potensi PT. Ruma Merekrut Jumlah Warung di Kota/Kabupaten (Bagian 1)

Kota Bandung Bogor Bekasi Ciamis Cianjur Cilegon Cirebon Garut Indramayu Jakarta Kendal Klaten Lebak Majalengka Semarang Serang Sukabumi Sumedang Tabanan Tangerang Tasikmalaya Yogyakarta

Bandung Bogor Bekasi Ciamis Cianjur Cilegon Cirebon Garut Indramayu Jakarta Kendal 1.00 3.00 5.00 6.00 7.00 7.00 1.25 4.00 2.00 0.33 7.00 0.33 1.00 2.00 5.00 6.00 4.00 0.50 4.00 3.03 0.50 8.00 0.20 0.50 1.00 5.00 1.13 3.00 0.25 4.00 2.00 0.50 9.00 0.17 0.20 0.20 1.00 0.50 4.00 2.00 0.33 1.13 0.20 3.00 0.14 0.17 0.89 2.00 1.00 2.00 0.50 1.20 3.00 0.20 7.00 0.14 0.25 0.33 0.25 0.50 1.00 0.50 0.33 0.25 0.13 0.50 0.80 2.00 4.00 0.50 2.00 2.00 1.00 0.50 0.50 0.20 5.00 0.25 0.25 0.25 3.00 0.83 3.00 2.00 1.00 0.33 0.33 3.00 0.50 0.33 0.50 0.89 0.33 4.00 2.00 3.00 1.00 0.20 8.00 3.00 2.00 2.00 5.00 5.00 8.00 5.00 3.00 5.00 1.00 9.00 0.14 0.13 0.11 0.33 0.14 2.00 0.20 0.33 0.13 0.11 1.00 0.17 0.20 0.50 0.33 0.33 3.00 0.33 0.50 0.33 0.20 2.00 0.14 0.20 0.50 2.00 0.33 3.00 3.00 0.50 2.00 0.17 3.00 0.13 0.17 0.33 0.33 3.00 4.00 0.50 0.25 0.50 0.25 2.00 0.33 0.33 2.00 4.00 3.00 4.00 3.00 2.00 2.00 0.40 3.00 0.25 0.33 0.33 0.88 0.33 3.00 2.00 0.33 3.00 0.33 2.00 0.25 0.60 0.33 3.00 0.88 6.00 3.00 3.00 3.00 0.60 5.00 0.33 0.20 0.25 0.33 0.33 4.00 0.50 0.33 0.88 0.20 2.00 0.11 0.11 0.11 0.11 0.11 0.11 0.11 0.11 0.11 0.11 0.11 0.33 0.50 4.00 4.00 2.00 6.00 4.00 4.00 3.00 0.80 6.00 0.50 0.33 0.33 2.00 1.50 4.00 3.00 2.00 2.00 0.50 4.00 0.17 0.13 0.11 0.11 0.17 0.33 0.25 0.20 0.13 0.11 0.50


104

Tabel 5.13 Perbandingan Potensi PT. Ruma Merekut Jumlah Warung di Kota/Kabupaten (Bagian 2)

Kota

Klaten Lebak Majalengka Semarang Serang

Sukabumi Sumedang Tabanan Tangerang Tasikmalaya Yogyakarta

Bandung

6.00

7.00

8.00

3.00

4.00

4.00

3.00

9.00

3.00

2.00

6.00

Bogor

5.00

5.00

6.00

3.00

3.00

1.67

5.00

9.00

2.00

3.00

8.00

Bekasi

2.00

2.00

3.00

0.50

3.00

3.00

4.00

9.00

0.25

3.00

9.00

Ciamis

3.00

0.50

3.00

0.25

1.14

0.33

3.00

9.00

0.25

0.50

9.00

Cianjur

3.00

3.00

0.33

0.33

3.00

1.14

3.00

9.00

0.50

0.67

6.00

Cilegon

0.33

0.33

0.25

0.25

0.33

0.17

0.25

9.00

0.17

0.25

3.00

Cirebon

3.00

0.33

2.00

0.33

0.50

0.33

2.00

9.00

0.25

0.33

4.00

Garut

2.00

2.00

4.00

0.50

3.00

0.33

3.00

9.00

0.25

0.50

5.00

Indramayu

3.00

0.50

2.00

0.50

0.33

0.33

1.14

9.00

0.33

0.50

8.00

Jakarta

5.00

6.00

4.00

2.50

3.00

1.67

5.00

9.00

1.25

2.00

9.00

Kendal

0.50

0.33

0.50

0.33

0.50

0.20

0.50

9.00

0.17

0.25

2.00

Klaten

1.00

2.00

2.00

0.50

0.50

0.33

1.14

9.00

0.25

0.50

3.00

Lebak

0.50

1.00

2.00

0.50

1.14

0.50

2.00

9.00

0.33

0.50

4.00

Majalengka

0.50

0.50

1.00

0.50

0.50

0.33

2.00

9.00

0.33

0.50

5.00

Semarang

2.00

2.00

2.00

1.00

2.00

0.50

2.00

9.00

0.50

2.00

3.00

Serang

2.00

0.88

2.00

0.50

1.00

0.50

2.00

9.00

0.33

0.50

4.00

Sukabumi

3.00

2.00

3.00

2.00

2.00

1.00

3.00

9.00

0.50

2.00

7.00

Sumedang

0.88

0.50

0.50

0.50

0.50

0.33

1.00

9.00

0.33

0.50

3.00

Tabanan

0.11

0.11

0.11

0.11

0.11

0.11

0.11

1.00

0.11

0.11

0.50

Tangerang

4.00

3.00

3.00

2.00

3.00

2.00

3.00

9.00

1.00

2.00

5.00

Tasikmalaya

2.00

2.00

2.00

0.50

2.00

0.50

2.00

9.00

0.50

1.00

6.00

Yogyakarta

0.33

0.25

0.20

0.33

0.25

0.14

0.33

2.00

0.20

0.17

1.00


105

9. Data perbandingan tingkat kepentingan (pairwise comparison) antar kriteria Metode pairwise comparison juga penulis lakukan untuk membandingkan tingkat kepentingan dari kriteria pengambilan keputusan. Seperti yang telah dijelaskan pada bab 5.1.2 bahwa terdapat enam jenis kriteria yang akan digunakan selama penelitian yaitu populasi sentra usaha, kepadatan penduduk, harga kompetitor, potensi Ruma menguasai jumlah warung, UMR, dan kepadatan warung. Semua kriteria tersebut berada pada ruang lingkup kota/kabupaten. Antar kriteria ini perlu dilakukan perbandingan untuk melihat kriteria manakah yang paling prioritas untuk dijadikan bahan pengambilan keputusan. Tabel 5.14 Perbandingan Antar Kriteria Pengambilan Keputusan

Atribut

Populasi Sentra Usaha Kepadatan Penduduk Harga Kompetitor Potensi Ruma Menguasai Jumlah Warung UMR Kepadatan Warung per Wilayah


Potensi Ruma Kepadatan Harga Menguasai Penduduk Kompetitor Jumlah Warung

UMR

Kepadatan Warung per Wilayah

1.00

0.11

0.11

0.14

0.14

0.11

9.00

1.00

0.20

1.25

2.00

0.50

9.00

5.00

1.00

4.00

3.03

0.17

7.00

0.80

0.25

1.00

0.50

0.33

7.00

0.50

0.33

2.00

1.00

0.25

9.00

2.00

6.00

3.00

4.00

1.00


106 Seperti halnya ketika melakukan pairwise comparison terhadap data potensi PT. Ruma merekrut jumlah warung, metode pairwise comparison pada jenis data ini juga dilakukan pada dengan narasumber yang sama, yaitu dari pihak tim ZEM. Setiap anggota dari tim ZEM ini berdiskusi terlebih dahulu sebelum menentukan satu nilai perbandingan antar kriteria. Nilai perbandingan tersebut dapat dilihat pada tabel 5.14.

Setelah memperoleh raw data penelitian dari sumber data yang dimiliki PT. Ruma, maka selanjutnya penulis mengumpulkan serta membagi raw data penelitian ini menjadi tiga tabel. Ketiga tabel ini dipisahkan karena perbedaan struktur dan relasi antar data yang terdapat di didalamnya. Selain itu, ketiga tabel ini nantinya juga yang akan diletakkan pada Database Management System (DBMS) (Penjelasan di bagian 5.2.2). Berikut adalah ketiga tabel yang dimaksud. 1. Tabel statistik kota/kabupaten Tabel ini merupakan kumpulan raw data penelitian dari nomor 1 hingga nomor 7. Tabel ini memuat profil kota/kabupaten yang dilihat dari aspek populasi penduduk, warung, sentra usaha, luas wilayah, harga kompetitor, umr, dan koordinat wilayah. Bentuk tabel dapat dilihat di tabel 5.15 dan 5.16 2. Tabel perbandingan potensi PT. Ruma merekrut jumlah warung di suatu kota/kabupaten Bentuk tabel dapat dilihat di tabel 5.12 dan 5.13. 3. Tabel perbandingan kriteria pengambilan keputusan Bentuk tabel dapat dilihat di tabel 5.14. Tabel 5.15 Statistik Kota/Kabupaten (Bagian 1)

ID

Nama Kota 1 Bandung 2 Bogor 3 Bekasi 4 Ciamis 5 Cianjur 6 Cilegon 7 Cirebon 8 Garut 9 Indramayu

Populasi Sentra Usaha 53 28 20 22 16 13 31 27 33

Populasi Penduduk 6910187 5524019 4977083 1546086 2229541 359845 2459675 2487113 1680238

Jumlah Warung 65884 51022 29513 17473 24099 3976 17915 22804 17241

Luas Wilayah

Harga Kompetitor

463345 321502 135332 237973 337824 19366 100080 331094 170938

10700 10750 10800 10660 10800 10450 10600 10700 10700

UMR 1735000 2352000 2442000 1041000 1500000 2200000 1212700 1085000 1276320

Koordinat Wilayah -6.908704,107.61 -6.594356,106.799415 -6.232712,106.998489

-7.438731,108.574705 -6.813433,107.130577 -5.984192,106.033752 -6.730417,108.551735 -7.425113,107.745237 -6.330654,108.324112


107 Tabel 5.16 Statistik Kota/Kabupaten (Bagian 2)

ID 10 11 12 13 14 15 16 17 18 19 20 21 22


Nama Kota Jakarta Kendal Klaten Lebak Majalengka Semarang Serang Sukabumi Sumedang Tabanan Tangerang Tasikmalaya Yogyakarta



5 11 15 15 27 16 17 38 20 5 24 29 16

Populasi Penduduk

Jumlah Warung

Luas Wilayah

Harga Kompetitor

9557798 907919 1323513 1223682 1174619 2434032 2024330 2742773 1117231 421917 5939981 2344605 393080

53910 7898 11286 19640 12773 21149 14598 31351 11164 4519 39232 24153 4056

65359 82274 65579 346233 119672 139294 164884 365963 158114 5140 130263 264638 3253

10800 10600 10600 10800 10600 10600 10500 10700 10660 10800 10500 10660 10600

UMR 2441300 1206000 1026600 1187500 1000000 1423500 2080000 1566000 1735000 1250000 2200000 1279000 1173300

Koordinat Wilayah -6.191755,106.8488 -7.008897,110.192764 -7.700105,110.599258 -6.489983,106.267576 -6.749169,108.283782 -6.951647,110.41661 -6.102322,106.147048 -6.901887,106.928344 -6.796899,107.950072 -8.535528,115.120186 -6.171276,106.631187 -7.310028,108.213165 -7.792466,110.370514

Data kriteria pengambilan keputusan Jenis data ini merupakan data yang akan digunakan sebagai kriteria pengambilan keputusan sekalgus digunakan untuk perhitungan matriks dan vektor eigen pada metode AHP. Beberapa data dari jenis ini berasal dari proses manipulasi pada raw data penelitian. Setelah mendapat nilai dari hasil manipulasi raw data, setiap nilai tersebut selanjutnya akan dinormalisasi. Tampilan setiap data setelah diolah dan dinormalisasi dapat dilihat pada Lampiran 2. Seperti yang dapat dilihat pada tabel 5.1, berikut adalah nama-nama serta penjelasan dari data kriteria pengambilan keputusan. 1. Data kepadatan penduduk Data ini diperoleh dengan membagi kolom populasi penduduk dibagi dengan kolom luas wilayah pada tabel 5.15 dan 5.16. Tampilan data dan proses normalisasi dapat dilihat pada Lampiran 2. 2. Data kepadatan warung Data ini diperoleh dengan membagi kolom jumlah warung dibagi dengan kolom luas wilayah pada tabel 5.15 dan 5.16. Tampilan data dan proses normalisasi dapat dilihat pada Lampiran 2.


108 3. Data Populasi Sentra Usaha Data ini diperoleh dengan dari kolom populasi sentra usaha pada tabel 5.15 dan 5.16. Tampilan data setelah proses normalisasi dapat dilihat pada Lampiran 2. 4. Data potensi PT. Ruma merekrut jumlah warung di suatu kota atau kabupaten Data ini diturunkan dari tabel 5.12 dan 5.13. Tampilan data setelah proses normalisasi dapat dilihat pada Lampiran 2. 5. Data harga kompetitor Data ini dapat diperoleh dari tabel 5.15 dan 5.16 pada kolom harga kompetitor. Tampilan data setelah proses normalisasi dapat dilihat pada Lampiran 2. 6. Data upah minimum regional (UMR) Data ini dapat diperoleh dari tabel 5.15 dan 5.16 pada kolom UMR. Tampilan data dan proses normalisasi dapat dilihat pada Lampiran 2. 5.1.5 Analisis Fitur-Fitur Geospatial Dashboard Untuk mengetahui fitur-fitur yang akan digunakan pada geospatial dashboard, maka penulis mencoba melihat ke tujuan dari pengembangan geospatial dashboard ini. Tujuan dari dikembangkannya Geospatial dashboard untuk kegiatan ekspansi lokasi kantor cabang ini antara lain: 1. Memudahkan pihak PT. Ruma, khususnya tim ZEM dalam mengetahui prioritas lokasi kantor cabang mana sajakah yang akan dibangun terlebih dahulu dengan menggunakan pendekatan AHP. 2. Dashboard dibangun dalam bentuk geospatial karena tim ZEM juga membutuhkan analisis yang lebih mendalam dalam bentuk peta terhadap keberadaan lokasi dari masing-masing kota/kabupaten yang akan didirikan lokasi kantor cabang. 3. Tim ZEM juga ingin mengetahui hasil dari rekomendasi urutan prioritas lokasi kantor cabang dari aplikasi tersebut. Pengembangan fitur-fitur ini selanjutnya juga dipelajari dengan melihat beberapa literatur yang terkait dengan pengembangan aplikasi dashboard. Penulis juga mempelajari kebutuhan umum apa sajakah yang diinginkan suatu perusahaan ketika mengembangkan dashboard untuk kegiatan sales maupun ekspansi lokasi kantor cabang. Setelah menganalisis tujuan dan kebutuhan dasar dari pengembangan geospatial dashboard tersebut penulis melakukan diskusi dengan beberapa


109 karyawan seperti tim ZEM maupun manajer IT dari PT. Ruma. Berikut adalah hasil diskusi untuk fitur-fitur utama dari geospatial dashboard ini antara lain: 1. Fitur memilih kriteria pengambilan keputusan. Fitur ini digunakan user untuk memilih kriteria yang akan dipilih. Terdapat enam jenis kriteria. User harus memilih minimal dua kriteria. 2. Fitur memilih kota/kabupaten yang akan diekspansi. Fitur ini digunakan user untuk memilih kriteria yang akan dipilih. Terdapat 20 nama kota atau kabupaten yang dapat dipilih user. User harus memilih minimal dua alternatif lokasi. 3. Fitur menjalankan perhitungan AHP Setelah user memilih kriteria dan kota/kabupaten, maka user akan menjalankan aplikasi untuk melakukan perhitungan AHP. Perhitungan ini termasuk dengan proses perkalian matriks, perolehan nilai eigen, atau normalisasi data. 4. Fitur peta yang menampilkan persebaran dari masing-masing lokasi tersebut. Setelah user menjalankan AHP, maka aplikasi akan menampilkan peta dengan posisi dari alternatif lokasi yang dipilih. Setiap lokasi akan memiliki marker masing-masing dengan warna yang berbeda yang ditentukan dari prioritas ekspansi kantor cabang di lokasi tersebut. Terdapat tiga jenis urutan prioritas dari yang prioritas pertama, kedua, dan ketiga. Prioritas pertama menandakan prioritas yang tinggi bagi suat kota, sementara prioritas ketiga menandakan prioritas yang rendah bagi suatu kota. Setiap jenis prioritas akan memiliki warna masing-masing. 5. Fitur tabel yang menampilkan urutan nilai prioritas lokasi kantor cabang Nilai prioritas ini terdiri dari nilai prioritas lokasi kantor cabang berdasarkan masing-masing kriteria serta total nilai prioritas yang dimiliki oleh masing-masing kantor cabang. Total nilai prioritas ini diperoleh dari akumulasi perhitungan matriks yang mengandung nilai prioritas masing-masing cabang berdasarkan suatu kriteria. Sama halnya seperti fitur peta, pada tabel ini nanti akan dibagi menjadi 3 jenis urutan prioritas, yaitu pertama, kedua, dan ketiga. Setiap jenis prioritas akan memiliki warna masing-masing. 5.1.6 Analisis Kebutuhan Perangkat (tools) Penelitian Setelah melakukan analisis dalam merumuskan fitur-fitur geospatial dashboard, selanjutnya adalah menganalisis tools apa saja yang dibutuhkan penulis selama proses pengembangan


110 aplikasi geospatial dashboard dan AHP. Tools disini diartikan sebagai development tools yang terdiri dari: 

Map application: Google Maps Penjelasan tentang Google Maps dapat dilihat lebih rinci pada bagian 2.6.1



Database management system: Google Fusion Table Penjelasan tentang Google Fusion Table dapat dilihat lebih rinci pada bagian 2.6.2



Application programming interface: Google Maps API, Google Fusion Table API Penjelasan tentang Google Maps API dan Google Fusion Table API dapat dilihat lebih rinci pada bagian 2.6.1 dan 2.6.2



Front-end framework: Bootstrap Bootstrap adalah suatu kerangka aplikasi web yang selanjutnya dapat dikustomisasi oleh developer sesuai dengan kebutuhan aplikasi yang akan dikembangkan. Bahasa pemrograman yang terdapat pada Bootstrap ini adalah HTML, CSS, Javascript, dan JQuery.



Bahasa Pemrograman: HTML, CSS, Javascript, JSON, JQuery, SQL



Development Editor: Sublime Text



Mockup builder application: Balsamiq

Penulis mengembangkan aplikasi geospatial dashboard dan AHP ini dengan menggunakan API dan bahasa pemrograman web dengan beberapa alasan berikut: -

Pada dasarnya sudah terdapat beberapa software GIS dan AHP yang dapat diterapkan secara langsung pada penelitian ini, namun software tersebut umumnya bersifat proprietary dan tidak open source. Hal ini cukup membutuhkan beberapa waktu dalam membeli serta mempelajarinya.

-

Selain itu, penulis dapat saja menggunakan Google Maps API untuk visualisasi peta dan menggunakan software AHP yang sudah ada dalam implementasinya. Namun, selain kendala lisensi yang dikenakan pada software ini, terdapat pula teknik integrasi aplikasi di dalamnya yang tidak mudah dan membutuhkan beberapa waktu bagi penulis dan user untuk mempelajarinya.

-

Penulis juga berangkat dari kebutuhan dan diskusi dengan user, yaitu PT. Ruma, yang setuju bahwa pengembangan aplikasi ini menggunakan teknologi API dan bahasa pemrograman JavaScript untuk membuat algoritma AHP.


-

111 Di samping itu, penulis juga sudah cukup banyak mengembangkan aplikasi untuk PT. Ruma dengan menggunakan bahasa pemrograman web dan teknologi API, sehingga dapat memudahkan penulis dalam implementasi serta pengumpulan data penelitian yang terkait.

5.2 Rancangan Geospatial Dashboard dan AHP Hasil rancangan dari penelitian ini terdiri dari empat jenis yaitu rancangan untuk arsitektur geospatial dashboard, rancangan struktur data, rancangan alur aplikasi, dan rancangan tampilan geospastial dashboard. Secara garis besar, hasil rancangan yang dibahas pada bagian ini lebih banyak bersifat teknis. Beberapa kebutuhan bisnis yang telah diperoleh pada subbab sebelumnya dipetakan menjadi kebutuhan teknik yang dirancang secara terstruktur.

Hasil pada bagian

rancangan ini dijelaskan mulai dari pengembangan arsitektur, pengelolaan database management system (DBMS), manipulasi data (update, retrieve, delete), menampilkan data ke bentuk visualisasi, serta merancang tampilan dashboard secara keseluruhan. 5.2.1 Rancangan Arsitektur Geospatial Dashboard Aplikasi geospatial dashboard ini merupakan web-based application, sehingga ada beberapa komponen aplikasi yang berperan sebagai client-side dan server-side. Pendekatan dari dua peranan tersebut adalah pendekatan thick-client, dimana data yang telah diambil dari server akan lebih banyak diproses pada sisi client untuk selanjutnya ditampilkan pada web browser. Dengan menggunakan pendekatan tersebut, maka terdapat beberapa aplikasi yang harus dipasang pada sistem aplikasi ini. Aplikasi yang digunakan adalah Google Maps API dan Google Fusion Table API. Kedua jenis aplikasi ini dapat disebut sebagai middleware yang bertugas untuk menarik serta mengolah data sebelum selanjutnya diproses untuk ditampilkan pada user. Pada penelitian ini, penulis masih mengembangkan aplikasi sebagai local file yang disimpan pada notebook penulis. Local file ini dibuat dalam bentuk HTML. Arsitektur untuk geospatial dashboard ini dibagi menjadi empat bagian (layer) dimana setiap layer memiliki fungsi masingmasing dalam pengolahan data aplikasi. Keempat layer tersebut dapat dilihat pada gambar 5.6. Pada gambar 5.6, dapat dilihat bahwa di setiap layer terdapat komponen berupa aplikasi atau tools yang berperan secara umum yang disesuaikan dengan fungsi dari setiap layer. Empat jenis layer tersebut antara lain:


112 1. Database layer Layer ini berfungsi sebagai data source yang menyimpan data sebelum selanjutnya diolah pada layer berikutnya. Aplikasi yang menyimpan data tersebut adalah Google Fusion Table dan Google Maps. Google Fusion Table berfungsi sebagai DBMS untuk menyimpan data dalam bentuk tabel relasional. Terdapat tiga jenis tabel yang disimpan pada Google Fusion Table untuk pengembangan aplikasi ini. Sementara itu, Google Maps berfungsi sebagai sumber data untuk pembuatan peta. Interface seperti map, marker, dan sistem koordinat peta dapat diperoleh dari aplikasi Google Map.

Gambar 5.6 Arsitektur Geospatial Dashboard

2. Application functionality layer Layer ini berfungsi sebagai pengolah jalannya logika aplikasi (business logic) yang mengambil, mengolah, dan menormalisasikan data sebelum selanjutnya diolah ke layer berikutnya. Bentuk logika yang dibuat pada layer ini diabstraksikan dalam bentuk algoritma


113 dan struktur data yang telah ada secara umum. Setiap logika juga disimpan pada fungsifungsi program yang saling terhubung satu sama lain. Implementasi algoritma AHP juga terjadi pada layer ini. Beberapa perhitungan AHP seperti perkalian matriks, perolehan nilai eigen, normalisasi data, atau pengurutan kota/kabupaten berdasarkan nilai prioritasnya juga diterapkan pada layer ini. Aplikasi yang bertugas dalam mengatur business logic ini adalah Google Maps API dan Google Fusion Table API. Kedua aplikasi ini mengintegrasikan geospatial dashboard dengan Google Maps dan Google Fusion Table. Bahasa pemrograman yang digunakan secara umum adalah JavaScript, JSON, dan SQL. SQL berfungsi untuk mengambil dari DBMS. Sintaks SQL ini selanjutnya ditaruh dalam suatu objek JavaScript yang disebut sebagai JSON. Setelah data diperoleh, maka Javascript bertugas untuk mengolah data tersebut sebelum ditampilkan ke web browser. 3. Presentation layer Layer ini berfungsi untuk menampilkan data yang telah diolah ke dalam web browser. Proses penampilan data ini dibantu oleh sebuah aplikasi yang bernama Bootstrap yang berperan sebagai CSS framework. Fungsi dari Boostrap adalah untuk memperindah tampilan serta mengatur layout dari tampilan web agar dapat lebih mudah dipahami serta digunakan oleh user. Untuk dapat berinteraksi dengan application functionality layer, maka pada Bootstrap juga terdapat bahasa pemrograman seperti JavaScrip dan JQuery, selain CSS dan HTML. 4. User Layer ini dapat disebut sebagai suatu bagian yang berbentuk end-user tools untuk dapat digunakan oleh user ketika akan membuka atau menggunakan aplikasi geospatial dashboard ini. Pada penelitian ini, tools yang dapat dicoba untuk digunakan adalah notebook atau personal computer (PC). 5.2.2 Rancangan Struktur Data Pada bagian ini penulis mempersiapkan database management system (DBMS) yang akan menyimpan data yang telah diperoleh pada bagian analisis pengumpulan data. Ketika disimpan pada DBMS, data tersebut akan ditentukan jenis formatnya agar dapat sesuai dengan lingkungan DBMS. DBMS yang penulis gunakan pada bagian ini adalah Google Fusion Table. Alasan penulis menggunakan Google Fusion Table antara lain:


114 1. Dapat terintegrasi secara langsung dengan Google Maps. 2. Representasi data yang ditampilkan tidak hanya dalam bentuk tabel, namun juga dalam bentuk map, chart, atau card. 3. Memiliki API yang dapat memandu penulis dalam mengelola serta memanipulasi data. 4. Ketika menggunakan API, bahasa pemrograman yang digunakan merupakan bahasa pemrograman yang sudah umum di kalangan web programmer, yaitu HTML, CSS, JavaScript, dan SQL. Penjelasan lebih rinci mengenai Google Fusion Table dapat dilihat pada bagian 2.6.2. Seperti yang telah dijelaskan pada tahap analisis pengumpulan data (subbab 5.1.4) bahwa terdapat tiga tabel yang akan disimpan pada Google Fusion Table. Ketiga tabel ini akan menjadi bahan dasar dari perhitungan AHP pada geospatial dashboard. Pada bagian ini dibahas pengaturan apa saja yang harus dilakukan dalam menyimpan ketiga tabel tersebut dalam hal perancangan struktur data. Sebelum menjelaskan tampilan ketiga tabel yang dimaksud, penulis menjelaskan dahulu langkah-langkah secara umum pada perancangan struktur data menggunakan Google Fusion Table. Tahapan tersebut antara lain: -

Membuat file spredsheet yang berisikan tabel statistik tersebut. File umumnya dapat bertipe .xls, .xlsx, .csv, atau kml.

-

Mengunggah file tersebut pada Google Fusion Table

-

File selanjutnya diproses hingga menjadi suatu tabel khusus di Google Fusion Table.

-

Setiap kolom pada tabel diubah format datanya sesuai kebutuhan aplikasi. Beberapa format data yang disediakan antara lain text, number, location, dan date.

-

Selanjutnya file ditampilkan dalam berbagai jenis representasi seperti table, card, chart, atau map.

Tahapan di atas dilakukan untuk ketiga tabel yang dijelaskan sebelumnya. Berikut adalah hasil representasi ketiga tabel tersebut di Google Fusion Table. 1. Tabel statistik kota/kabupaten Bentuk tabel secara umum sama dengan yang ditampilkan pada tabel 5.15 dan 5.16. Deskrispi untuk setiap kolom tabel beserta format datanya dapat dilihat pada tabel 5.17, sementara tampilan tabel statistik kota/kabupaten pada Google Fusion Table dapat dilihat pada gambar 5.7. Universitas Indonesia

115 Tabel 5.17 Deskripsi Data Tabel Statistik Kota/Kabupaten

Nama Kolom ID Kota_Kab

Deskripsi

Nomor unik yang mewakili suatu baris Nama-nama kota/kabupaten yang menjadi objek penelitian Populasi_SU Jumlah populasi sentra usaha bank XYZ Populasi Jumlah penduduk suatu kota/kabupaten Jumlah_Warung Jumlah warung di suatu kota atau kabupaten Luas_Wilayah Luas wilayah suatu kota/kabupaten Harga_Kompetitor Harga kompetitor pada setiap kota/kabupaten UMR Jumlah upah minimum regional di suatu kota/kabupaten Koordinat_Wilayah Koordinat wilayah suatu kota/kabupaten

Format Data Number Text Number Number Number Number Number Number Location

Gambar 5.7 Tampilan Tabel 5.14 pada Google Fusion Table

2. Tabel perbandingan potensi PT. Ruma merekrut jumlah warung di kota/kabupaten Bentuk tabel secara umum sama dengan yang ditampilkan pada tabel 5.12 dan 5.13. Tabel ini memiliki 23 kolom. Pada dasarnya tabel ini merupakan suatu matriks perbandingan dari


116 setiap nilai pada kolom pertama dengan setiap nama kolom kedua hingga kolom kedua puluh tiga. Deskrispi untuk setiap kolom tabel beserta format datanya dapat dilihat pada tabel 5.18, sementara tampilan tabel statistik kota/kabupaten pada Google Fusion Table dapat dilihat pada gambar 5.8. Tabel 5.18 Deskripsi Data Tabel Perbandingan Potensi Ruma di Kota/Kabupaten

Nama Kolom

Deskripsi

Kota_Kab

Nama-nama kota/kabupaten yang menjadi objek penelitian Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Bandung dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Bogor dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Bekasi dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Ciamis dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Cianjur dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Cilegon dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Cirebon dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Garut dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Indramayu dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Jakarta dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Kendal dengan Kota/Kabupaten lainnya

Bandung

Bogor

Bekasi

Ciamis

Cianjur

Cilegon

Cirebon

Garut

Indramayu

Jakarta

Kendal

Format Data Text Number

Number

Number

Number

Number

Number

Number

Number

Number

Number

Number


117 Klaten

Lebak

Majalengka

Semarang

Serang

Sukabumi

Sumedang

Tabanan

Tangerang

Tasikmalaya

Yogyakarta

Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Klaten dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Lebak dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Majalengka dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Semarang dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Serang dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Sukabumi dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Sumedang dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Tabanan dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Tangerang dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Tasikmalaya dengan Kota/Kabupaten lainnya Nilai perbandingan Potensi PT. Ruma merekrut jumlah warung di Yogyakarta dengan Kota/Kabupaten lainnya

Number

Number

Number

Number

Number

Number

Number

Number

Number

Number

Number


118

Gambar 5.8 Tampilan Tabel 5.11 dan 5.12 pada Google Fusion Table

3. Tabel perbandingan kriteria pengambilan keputusan Bentuk tabel secara umum sama dengan yang ditampilkan pada tabel 5.14. Tabel ini memiliki 7 kolom. Sama halnya seperti tabel perbandingan potensi PT. Ruma di Kota/Kabupaten, tabel ini merupakan suatu matriks perbandingan dari setiap nilai pada kolom pertama dengan setiap nama kolom kedua hingga kolom ketujuh. Penamaan kolom pada tabel ini penulis singkat untuk memudahkan serta mempercepat teknis pengambilan data dengan menggunakan bahasa SQL. Singkatan tersebut antara lain PSU (Populasi Sentra Usaha), KP (Kepadatan Penduduk), HK (Harga Kompetitor), PR (Potensi Ruma Merekrut Warung), UMR (Upah Minimum Regional), KW (Kepadatan Warung). Deskrispi untuk setiap kolom tabel beserta format datanya dapat dilihat pada tabel 5.19, sementara tampilan tabel statistik kota/kabupaten pada Google Fusion Table dapat dilihat pada gambar 5.9.


119 Tabel 5.19 Deskripsi Data Tabel Perbandingan Kriteria Pengambilan Keputusan

Nama Kolom Kriteria PSU KP HK PR

UMR KW

Deskripsi Nama-nama kriteria pengambilan keputusan Nilai perbandingan kriteria Populasi Sentra Usaha dengan kriteria lainnya Nilai perbandingan kriteria kepadatan penduduk dengan kriteria lainnya Nilai perbandingan kriteria harga kompetitor dengan kriteria lainnya Nilai perbandingan kriteria potensi PT. Ruma merekrut jumlah warung di kota/kabupaten dengan kriteria lainnya Nilai perbandingan kriteria upah minimum regional dengan kriteria lainnya Nilai perbandingan kriteria kepadatan warung dengan kriteria lainnya

Format Data Text Number Number Number Number

Number Number

Gambar 5.9 Tampilan Tabel 5.13 pada Google Fusion Table


120

5.2.3 Rancangan Tampilan Geospatial Dashboard Bagian ini menjelaskan rancangan untuk tampilan geospatial dashboard. Rancangan ini dibuat untuk memberikan gambaran bagi penulis maupun bagi user dalam mengembangkan aplikasi ini. Proses perancangan tampilan ini diawali dengan melihat beberapa literatur yang memuat contoh desain maupun template untuk suatu dashboard. Salah satu template yang sekaligus mendasari penulis

dalam

mengembangkan

aplikasi

geospatial

http://getbootstrap.com/examples/dashboard/ (gambar 5.10).

dashboard

ini

adalah

dari

Situs ini memuat template

dashboard dengan framework Bootstrap. Seperti yang dijelaskan pada subbab 5.1.6 bahwa Bootstrap merupakan CSS framework yang memudahkan pengembang aplikasi untuk melakukan pemrograman web design dengan mengikuti beberapa template atau panduan yang disediakan.

Gambar 5.10 Template Tampilan Geospatial Dashboard

Setelah mempelajari template ini, penulis melakukan diskusi dengan beberapa karyawan dari Ruma khususnya tim ZEM dalam menentukan tampilan yang tepat untuk geospatial dashboard. Secara garis besar, mereka tertarik dengan template tersebut dan memberikan beberapa saran untuk proses input maupun output bagi user yang akan menggunakannya. Bentuk rancangan tampilan halaman awal geospatial dashboard dapat dilihat pada gambar 5.11 dan rancangan tampilan output dari geospatial dashboard dapat dilihat pada gambar 5.12.


121

Gambar 5.11 Rancangan Tampilan Halaman Awal Geospatial Dashboard

Berdasarkan gambar 5.11, maka terdapat lima fitur umum yang dapat digunakan oleh user sekaligus membantu proses pengambilan keputusan untuk ekspansi lokasi kantor cabang. Lima fitur ini diambil hasil analisis fitur-fitur yang akan digunakan untuk geospatial dashboard (Subbab 5.1.5). Kelima fitur beserta deskripsi untuk penggunaan serta penyajiannya pada geospatial dashboard antara lain: 

Fitur memilih kriteria pengambilan keputusan (Fitur 1) Fitur ini dibuat dalam bentuk checkboxes yang dapat diisi oleh user tergantung dari banyaknya kebutuhan kriteria yang ingin digunakan.



Fitur memilih kota/kabupaten (Fitur 2) Fitur ini dibuat dalam bentuk dropdown list yang berisikan 22 kota/kabupaten. Alasan penggunaan dropdown list untuk penyajian fitur memilih kota/kabupaten adalah dikarenakan jumlah kota/kabupaten yang akan dipilih adalah cukup banyak, sehingga dropdown list dipilih untuk merapikan tampilan berbagai pilihan kota/kabupaten dalam satu halaman.



Fitur menjalankan perhitungan AHP (Fitur 3) Fitur ini dibuat dalam bentuk tombol yang bertuliskan “Mulai” yang bertujuan untuk memulai perhitungan AHP terhadap kriteria dan kota/kabupaten yang telah dipilih.


122 

Fitur peta yang menampilkan persebaran kota/kabupaten (Fitur 4) Fitur ini merupakan suatu peta yang menampilkan persebaran kota/kabupaten. Persebaran ini merupakan suatu output dari hasil perhitungan AHP yang telah dipicu oleh Fitur 3.



Fitur tabel yang menampilkan urutan prioritas ekspansi lokasi kantor cabang (Fitur 5) Fitur ini merupakan suatu tabel yang nantinya menampilkan urutan prioritas ekspansi lokasi. Sama halnya seperti fitur 4, fitur 5 ini merupakan output dari hasil perhitungan AHP yang dipicu oleh fitur 3.

Gambar 5.12 Rancangan Tampilan Output dari Geospatial Dashboard

Gambar 5.12 ini merupakan rancangan tampilan untuk output dari geospatial dashboard. Berikut merupakan penjelasan untuk kondisi tampilan dari lima fitur diatas setelah digunakan oleh user, baik dalam memilih input kriteria, kota/kabupaten, dan perhitungan AHP, maupun dalam mempelajari hasil persebaran kota/kabupaten dalam bentuk peta, serta urutan prioritas ekspansi lokasi dalam bentuk tabel. 

Fitur memilih kriteria pengambilan keputusan (Fitur 1) Setiap kriteria yang dipilih akan ditandai dengan suatu tanda () pada checkbox yang bersesuaian dengan kriteria tersebut.


123 

Fitur memilih kota/kabupaten (Fitur 2) Setiap kota yang dipilih akan ditampilkan dengan suatu keterangan pada dropdown list yang menunjukkan berapa banyak kota yang dipilih oleh user.



Fitur untuk kembali memilih kriteria dan kota/kabupaten (Fitur 3) Fitur ini digunakan apabila user ingin kembali memilih kondisi kriteria dan kota/kabupaten yang berbeda dengan sebelumnya.



Fitur peta yang menampilkan persebaran kota/kabupaten (Fitur 4) Fitur ini berbentuk suatu peta yang menampilkan persebaran kota/kabupaten yang dipilih oleh user pada fitur 2. Setiap kota/kabupaten ditandai dengan suatu marker yang memiliki warna tertentu. Terdapat tiga warna marker pada aplikasi ini yaitu hijau, kuning, dan merah. Deskripsi tentang warna tersebut juga ditampilkan pada bagian di atas peta. Hijau menandakan prioritas pertama, lalu kuning menandakan prioritas kedua, dan merah menandakan prioritas ketiga. Prioritas pada dashboard ini diartikan sebagai prioritas suatu kota untuk dieskpansi.



Fitur tabel yang menampilkan urutan prioritas ekspansi lokasi kantor cabang (Fitur 5) Fitur ini berbentuk suatu tabel yang menampilkan urutan beberapa kota dengan nilai prioritas kota tersebut untuk diekspansi. Pada implementasinya, setiap baris yang berisikan suatu kota akan memiliki warna tertentu yang juga menandakan urutan prioritas kota tersebut untuk diekspansi. Sama halnya seperti fitur 4 bahwa terdapat tiga warna untuk suatu baris, yaitu hijau, kuning, dan merah. Deskripsi dari ketiga warna tersebut juga dijelaskan pada bagian atas tabel. Lalu pada fitur ini juga ditampilkan keterangan yang menjelaskan bobot dari masing-masing kriteria. Bobot ini diperoleh dari hasil perhitungan AHP. Semakin besar bobot suatu kriteria, maka semakin besar peran kriteria tersebut dalam menentukan nilai prioritas suatu kota untuk diekspansi.

5.3 Implementasi Geospatial Dashboard dan AHP Setelah membuat analisis kebutuhan dan rancangan untuk pengembangan geospatial dashboard dan AHP, penulis melakukan implementasi geospatial dashboard dalam bentuk pemrograman yang menggunakan beberapa tools yang telah dijelaskan pada subbab 5.1.6. Bagian ini menjelaskan dua jenis implementasi yaitu implementasi untuk fitur-fitur pada geospatial dashboard dan implementasi metode AHP. Berikut adalah penjelasan dari kedua hasil implementasi tersebut.


124 5.3.1 Implementasi Fitur-Fitur Geospatial Dashboard Bagian implementasi fitur-fitur geospatial dashboard dijelaskan dalam bentuk langkah-langkah yang dilakukan oleh user ketika ingin melihat persebaran, urutan atau nilai prioritas dari masingmasing kota yang akan diekspansi. Berikut adalah penjelasan dari setiap langkah-langkah tersebut. 1. User membuka halaman awal dari aplikasi geospatial dashboard. Tampilan dari halaman awal ini dapat dilihat pada gambar 5.13. Selain itu tampilan dari halaman awal ini disesuaikan dengan gambar 5.11.

Gambar 5.13 Tampilan Halaman Awal Geospatial Dashboard

2. User memilih kriteria pengambilan keputusan dengan memberi tanda () pada checkbox. Pada bagian ini, dicontohkan user memilih semua kriteria pengambilan keputusan. Tampilan user memilih kriteria pengambilan keputusan dapat dilihat pada gambar 5.14.


125

Gambar 5.14 Tampilan User Memilih Kriteria Pengambilan Keputusan

3. User memilih kota/kabupaten yang akan diekspansi oleh PT. Ruma dengan memberi tanda () pada dropdown list. Pada bagian ini, dicontohkan user memilih semua kota/kabupaten. Tampilan user memilih kota/kabupaten dapat dilihat pada gambar 5.15.

Gambar 5.15 Tampilan User Memilih Kota/Kabupaten


126 4. User menekan tombol “mulai” sebagai tanda dimulainya proses perhitungan AHP terhadap kriteria dan kota/kabupaten yang telah ditentukan. Tampilan user menekan tombol “mulai” untuk memulai perhitungan AHP dapat dilihat pada gambar 5.16.

Gambar 5.16 Tampilan User Menekan Tombol “Mulai”

5. Geospatial dashboard menampilkan output dari proses perhitungan dalam bentuk peta persebaran kota/kabupaten serta tabel urutan prioritas ekspansi suatu lokasi. Halaman output berada di sebelah kanan tampilan. Gambar 5.17 menampilkan bagian pertama dari output yang dihasilkan dengan bagian yang didominasi oleh tampilan peta. Jika user melakukan scroll pada halaman output, maka akan muncul tampilan dalam bentuk tabel urutan prioritas ekspansi suatu lokasi. Tabel tersebut dapat dilihat pada gambar 5.18.

Gambar 5.17 Tampilan Output dari Perhitungan AHP (Bagian 1)


127

Gambar 5.18 Tampilan Output dari Perhitungan AHP (Bagian 2)

6. User dapat melihat lebih rinci peta persebaran kota/kabupaten dimana setiap kota/kabupaten direpresentasikan dengan suatu marker dengan warna tertentu. Seperti yang dijelaskan pada bagian 5.1.5 atau 5.2.3, marker ditandai dengan warna hijau, kuning, atau merah. Hijau mengartikan bahwa kota/kabupaten tersebut merupakan prioritas pertama untuk diekspansi. Kuning mengartikan sebagai prioritas kedua. Sementara merah mengartikan sebagai prioritas ketiga. Peta dapat dijadikan sebagai tools bagi user untuk melihat persebaran dari suatu kota/kabupaten berdasarkan tingkat prioritasnya untuk diekspansi. User dapat mengetahui mana sajakah persebaran kota/kabupaten dengan tingkat prioritas yang tinggi hingga tingkat prioritas yang rendah. Tampilan dari peta secara lebih rinci dapat dilihat pada gambar 5.19.


128

Gambar 5.19 Tampilan Peta Persebaran Kota/Kabupaten

7. User dapat melihat informasi lebih rinci dari suatu kota/kabupaten di peta dengan memilih marker yang bersesuaian. Sebagai contoh pada gambar 5.20, 5.21, dan 5.22 user memilih marker hijau, marker kuning, dan marker merah untuk melihat informasi kota/kabupaten tersebut. Informasi yang ditampilkan adalah nama kota/kabupaten, kepadatan penduduk, kepadatan warung, harga kompetitor, UMR, populasi sentra usaha, potensi Ruma merekrut jumlah warung, serta nilai prioritas suat kota/kabupaten tersebut untuk diekspansi.

Gambar 5.20 Tampilan Informasi suatu Kota dari Marker Berwarna Hijau


129

Gambar 5.21 Tampilan Informasi suatu Kota dari Marker Berwarna Kuning

Gambar 5.22 Tampilan Informasi suatu Kota dari Marker Berwarna Merah


130

8. User juga dapat melihat informasi lebih rinci mengenai nilai dari setiap kriteria maupun nilai prioritas dari kota/kabupaten dalam bentuk tabel yang berisikan urutan kota/kabupaten. Pada gambar 5.23, user dapat melihat bobot dari masing-masing kriteria. Sebagai contoh, kriteria kepadatan warung (KW) memiliki bobot yang paling besar dalam menentukan nilai prioritas suatu kota/kabupaten untuk diekspansi, yaitu sebesar 32.79%. Sementara populasi sentra usaha (PSU) memiliki bobot terendah yaitu 1.88% di antara semua kriteria. Nilai dari setiap bobot kriteria ini dapat berubah tergantung dari banyaknya kriteria yang dipilih oleh user. Pada gambar 5.23, user juga dapat melihat tiga warna, yaitu hijau, kuning, dan merah. Warna tersebut adalah warna baris pada tabel. Sama halnya seperti warna marker pada peta, ketiga warna tersebut mengartikan kelompok prioritas suatu kota/kabupaten untuk diekspansi.

Gambar 5.23 Tampilan Deskripsi Bobot Kriteria dan Warna Baris pada Tabel

9. Tampilan warna baris pada tabel dapat dilihat pada gambar 5.24, 5.25, dan 5.26. Karena pada contoh implementasi ini, user dari awal telah memilih 22 kota/kabupaten dan terdapat tiga kelompok prioritas, maka setiap kelompok memiliki 6 sampai 8 kota/kabupaten. Pada gambar 5.24, terdapat 8 kota pertama dari 22 kota dengan nilai untuk setiap kriterianya serta nilai prioritasnya. Baris tabel untuk 8 kota tersebut ditandai dengan warna hijau yang menandakan bahwa 8 kota tersebut merupakan prioritas pertama untuk diekspansi. Hal yang sama juga berlaku untuk gambar 5.25 dimana terdapat 8 kota kedua dari 22 kota (urutan 916) dengan nilai kriteria dan nilai prioritasnya. Baris tabel pada gambar 5.25 adalah berwarna kuning yang mengartikan bahwa mereka termasuk dari kelompok prioritas kedua untuk diekspansi. Terakhir, pada gambar 5.26, terdapat urutan 17-22 dengan nilai kriteria, nilai prioritas, serta baris tabel berwarna merah yang menandakan bahwa mereka adalah prioritas ketiga atau terakhir untuk diekspansi. Oleh karena itu, dari ketiga gambar tersebut,


131 maka user dapat mengetahui bahwa Yogyakarta merupakan kota dengan prioritas pertama yang akan diekspansi, sementara Sumedang merupakan kota dengan prioritas terakhir.

Gambar 5.24 Tampilan Urutan Kota dengan Prioritas Pertama untuk Diekspansi

Gambar 5.25 Tampilan Urutan Kota dengan Prioritas Kedua untuk Diekspansi


132

Gambar 5.26 Tampilan Urutan Kota dengan Prioritas Ketiga untuk Diekspansi

10. Setelah user melihat hasil dari perhitungan AHP suatu prioritas kota/kabupaten untuk diekspansi, baik dalam bentuk peta maupun tabel, maka user dapat menekan tombol “kembali” untuk mengulang proses memilih kriteria dan kota/kabupaten yang berbeda dengan sebelumnya.

Gambar 5.27 Tampilan User Memilih Tombol "Kembali"


133 5.3.2 Implementasi Algoritma Analytic Hierarchy Processing Pada subbab ini, tampilan implementasi untuk algoritma AHP dibuat dalam bentuk pseudocode yang dapat dilihat pada Lampiran 3. Pseudocode pada lampiran tersebut ditampilkan dalam bentuk langkah-langkah perhitungan AHP. Pseudocode juga tidak menampilkan source code sesungguhnya dari bahasa pemrograman JavaScript yang digunakan oleh penulis. Hal ini dikarenakan source code tersebut bersifat confidential. Pseudocode pada tugas akhir ini hanya menampilkan gambaran besar perhitungan AHP pada aplikasi geospastial dashboard ini.

5.4 Review dan Evaluasi Tahap terakhir pada metodologi penelitian yang dilakukan setelah implementasi adalah tahap evaluasi. Tahap ini bertujuan untuk menjawab research questions yang telah disebutkan pada subbab 1.2. Selain itu, tahap ini juga sekaligus untuk mengetahui efektivitas proses pengerjaan penulis dari tahap awal penelitian hingga tahap implementasi. Pada research questions di subbab 1.2 terdapat dua jenis pertanyaan, yaitu: -

Sejauh mana Geospatial dashboard yang berbasis AHP menyajikan fitur-fitur aplikasi yang memudahkan pengambilan keputusan dalam kegiatan ekspansi kantor cabang?

-

Sejauh mana metode analytic hierarchy processing (AHP) mampu memberikan solusi yang optimal untuk kegiatan ekspansi PT. Ruma dalam memlih lokasi kantor cabang baru?

Pertanyaan pertama dijawab dengan melakukan evaluasi AHP (bagian 5.4.2), sementara pertanyaan kedua dijawab dengan evaluasi geospatial dashboard (bagian 5.4.1). Berikut adalah penjelasan mengenai kedua evaluasi tersebut. 5.4.1 Evaluasi Geospatial Dashboard Evaluasi geospatial dashboard dilakukan dengan pembuatan kuesioner yang dibagikan kepada beberapa user di PT. Ruma yang nantinya akan menggunakan geospatial dashboard ini. Setelah setiap user mengisi kuesioner tersebut, maka penulis melakukan analisis terhadap hasil pengisian kuesioner untuk selanjutnya diturunkan menjadi beberapa kesimpulan dan saran pada penelitian ini.


134

5.4.1.1 Pembuatan Kuesioner Proses pembuatan kuesioner ini penulis awali dengan mempelajari karakteristik dashboard yang baik secara umum menurut Turban (2011). Hal ini penulis lakukan untuk menyesuaikan tujuan dari geospatial dashboard pada penelitian ini yang diharapkan dapat mempermudah proses pengambilan keputusan, khususnya pada kegiatan ekspansi lokasi kantor cabang. Penulis juga melakukan literatur dari beberapa penelitian sebelumnya bahwa evaluasi untuk suatu dashboard banyak mengikuti panduan karakteristik dashboard yang dikembangkan oleh Turban (2011) (Handoko, 2012; Siwi, 2012; Saputra, 2011). Berdasarkan karakteristik dashboard yang baik secara umum yang telah penulis cantumkan pada subbab 2.3.5, maka terdapat empat kriteria penilaian untuk geospatial dashboard yang penulis taruh di lembar kuesioner. Empat kriteria tersebut antara lain: 

Relevansi: Kriteria ini mengukur relevansi dari geospatial dashboard yang penulis kembangkan terhadap kegiatan ZEM secara keseluruhan.



Fungsionalitas: Kriteria ini mengukur kemampuan geospatial dashboard secara umum dalam memadukan metode AHP serta cara penggunaan yang tepat, mudah, dan sesuai dengan kebutuhan user.



Konten: Kriteria ini mengukur kemampuan geospatial dashboard dalam memberikan tampilan visualisasi serta fitur-fitur umum yang memudahkan user dalam pengambilan keputusan.



Data: Kriteria ini mengukur kemampuan geospatial dashboard dalam menampilkan data yang berhubungan dengan kegiatan ekspansi lokasi kantor cabang, sehingga user dapat memanfaatkan data tersebut untuk menganalisis sekaligus melakukan pengambilan keputusan.

Disamping itu, penulis juga menganalisis jenis user yang akan mengisi kuesioner ini. Penulis memulai analisis tersebut dari pihak yang memang akan menggunakan dashboard ini seharihari. Berdasarkan penjelasan di latar belakang dan subbab 2.3.2, maka dashboard ini akan banyak digunakan oleh tim ZEM dan sedikit melibatkan pihak user dengan kemampuan teknis yang tinggi. Oleh karena itu, lembar kuesioner ini hanya akan diisi oleh pihak ZEM sebanyak 6 orang. Berikut adalah lembar kuesioner untuk evaluasi geospatial dashboard.


135 Penilai:

Tanggal Penilaian: Keterangan: 1 = Sangat buruk 2 = Buruk 3 = Cukup baik 4 = Baik 5 = Sangat baik

Posisi Penilai:

Kriteria

1

Nilai 2 3 4

5

Komentar

Relevansi Geospatial dashboard yang dibuat memiliki relevansi dengan pekerjaan Zone Expansion Manager Fungsionalitas Geospatial dashboard yang dibuat mudah untuk dioperasikan oleh user Navigasi pada geospatial dashboard membantu user dalam menggunakan geospatial dashboard Geospatial dashboard mampu membantu proses pengambilan keputusan untuk ekspansi lokasi kantor cabang secara tepat Geospatial dashboard mampu membantu proses analisis data suatu kota/kabupaten Geospatial dashboard mampu menyajikan tahapan analytic hierarchy processing dalam proses pengambilan keputusan untuk ekspansi lokasi kantor cabang Geospatial dashboard mampu menyajikan tahapan analytic hierarchy processing yang dapat dipahami oleh user secara mudah Geospatial dashboard telah memenuhi kebutuhan yang berkaitan dengan perencanaan ekspansi lokasi kantor cabang Konten Geospatial dashboard mampu menyajikan fitur memilih kriteria pengambilan keputusan Geospatial dashboard mampu menyajikan fitur memilih kota/kabupaten Geospatial dashboard mampu menampilkan tombol "Mulai" untuk memulai proses pengambilan keputusan


136 Geospatial dashboard mampu menampilkan peta persebaran kota/kabupaten Geospatial dashboard mampu menampilkan informasi keterangan warna marker pada peta Geospatial dashboard mampu menampilkan informasi suatu wilayah pada marker di peta Geospatial dashboard mampu menampilkan urutan prioritas ekspansi lokasi kantor cabang Geospatial dashboard mampu menampilkan informasi keterangan warna baris pada tabel Geospatial dashboard mampu menampilkan informasi keterangan tentang bobot dari masing-masing kriteria pada tabel secara terurut Geospatial dashboard mampu menampilkan nilai prioritas ekspansi untuk setiap kota/kabupaten Geospatial dashboard mampu menampilkan nilai untuk setiap kriteria pengambilan keputusan Geospatial dashboard mampu menampilkan tombol "Kembali" untuk kembali memilih kriteria dan kota/kabupaten Data Data pada fitur memilih kriteria dapat membantu untuk pengambilan keputusan ekspansi lokasi kantor cabang Data pada fitur memilih kota/kabupaten dapat membantu untuk pengambilan keputusan ekspansi lokasi kantor cabang Data pada marker di peta persebaran kota/kabupaten dapat membantu pengambilan keputusan ekspansi lokasi kantor cabang Data pada tabel urutan prioritas ekspansi lokasi dapat membantu pengambilan keputusan ekspansi lokasi kantor cabang Data nilai prioritas yang direkomendasikan sistem dapat membantu proses pengambilan keputusan ekspansi lokasi kantor cabang Pertanyaan Tambahan Menurut pendapat anda, apa saja kelebihan dan kekurangan yang terdapat pada geospatial dashboard?


137 Menurut pendapat anda, komponen apa saja yang sebaiknya diperbaiki pada geospatial dashboard ini agar penggunaan geospatial dashboard untuk kegiatan ekspansi lokasi kantor cabang dapat berfungsi lebih maksimal? Gambar 5.28 Lembar Kuesioner Evaluasi Geospatial Dashboard

5.4.1.2 Hasil dan Analisis Setelah melalui proses pengisian kuesioner, penulis mengumpulkan hasil penilaian dari keenam anggota ZEM selaku penilai evaluasi geospatial dashboard. Pada bagian ini penulis menyajikan tabel yang hanya berisikan nilai numerik dari rentang skala 1-5 yang terdapat pada lembar kuesioner. Untuk penilaian dari bagian komentar atau pertanyaan tambahan, dapat dilihat lebih jelas pada lampiran 4. Tabel 5.20 Hasil Evaluasi Geospatial Dashboard

Kriteria Relevansi Geospatial dashboard yang dibuat memiliki relevansi dengan pekerjaan Zone Expansion Manager Fungsionalitas Geospatial dashboard yang dibuat mudah untuk dioperasikan oleh user Navigasi pada geospatial dashboard membantu user dalam menggunakan geospatial dashboard Geospatial dashboard mampu membantu proses pengambilan keputusan untuk ekspansi lokasi kantor cabang secara tepat Geospatial dashboard mampu membantu proses analisis data suatu kota/kabupaten Geospatial dashboard mampu menyajikan tahapan analytic hierarchy processing dalam proses pengambilan keputusan untuk ekspansi lokasi kantor cabang Geospatial dashboard mampu menyajikan tahapan analytic hierarchy processing yang dapat dipahami oleh user secara mudah Geospatial dashboard telah memenuhi kebutuhan yang berkaitan dengan perencanaan ekspansi lokasi kantor cabang Konten Geospatial dashboard mampu menyajikan fitur memilih kriteria pengambilan keputusan Geospatial dashboard mampu menyajikan fitur memilih

1

2

Penilai 3 4

5

6

5

4

4

3

3

4

4

4

4

3

3

4

4

3

4

3

3

4

3

4

3

3

3

5

4

3

3

3

3

5

4

4

4

4

3

3

4

4

4

4

3

3

4

4

4

4

3

3

4

4

4

4

4

3

4

4

4

4

4

4


138 kota/kabupaten Geospatial dashboard mampu menampilkan tombol "Mulai" untuk memulai proses pengambilan keputusan

3

4

4

4

3

4

Geospatial dashboard mampu menampilkan peta persebaran kota/kabupaten

4

4

4

4

3

4

Geospatial dashboard mampu menampilkan informasi keterangan warna marker pada peta

3

4

4

4

3

5

Geospatial dashboard mampu menampilkan informasi suatu wilayah pada marker di peta

3

4

3

4

3

5

Geospatial dashboard mampu menampilkan urutan prioritas ekspansi lokasi kantor cabang

4

4

4

4

3

5

Geospatial dashboard mampu menampilkan informasi keterangan warna baris pada tabel

3

4

3

4

3

5

Geospatial dashboard mampu menampilkan informasi keterangan tentang bobot dari masing-masing kriteria pada tabel secara terurut

3

4

3

4

3

4

Geospatial dashboard mampu menampilkan nilai prioritas ekspansi untuk setiap kota/kabupaten Geospatial dashboard mampu menampilkan nilai untuk setiap kriteria pengambilan keputusan

4

4

4

4

3

4

4

4

3

4

3

4

Geospatial dashboard mampu menampilkan tombol "Kembali" untuk kembali memilih kriteria dan kota/kabupaten Data

3

4

4

4

3

4

Data pada fitur memilih kriteria dapat membantu untuk pengambilan keputusan ekspansi lokasi kantor cabang Data pada fitur memilih kota/kabupaten dapat membantu untuk pengambilan keputusan ekspansi lokasi kantor cabang

4

4

4

3

3

4

4

4

4

4

3

4

Data pada marker di peta persebaran kota/kabupaten dapat membantu pengambilan keputusan ekspansi lokasi kantor cabang

3

4

4

4

3

4

Data pada tabel urutan prioritas ekspansi lokasi dapat membantu pengambilan keputusan ekspansi lokasi kantor cabang

3

4

4

3

3

3

Data nilai prioritas yang direkomendasikan sistem dapat membantu proses pengambilan keputusan ekspansi lokasi kantor cabang Rata-Rata

3

4

4

3

3

4

3.64

3.92

3.08

4.04

3.76 3.68


139 Jika rata-rata dari setiap penilai tersebut dijumlahkan, maka rata-rata total yang tercapai untuk geospatial dashboard ini adalah 3.69 atau 73.8% (3.69/5.00). Lalu jika dikaitkan dengan skala penilaian 1-5 yang terdapat pada lembar kuesioner dan research question nomor 1 di penelitian ini, maka geospatial dashboard yang berbasis AHP sudah cukup baik dalam menyajikan fiturfitur aplikasi yang memudahkan pengambilan keputusan untuk kegiatan ekspansi kantor cabang di PT. Ruma. Beberapa tambahan komentar yang penulis peroleh dari hasil evaluasi ini adalah bahwa geospatial dashboard yang penulis kembangkan memang belum sepenuhnya menggambarkan semua kondisi kriteria, pilihan kota, maupun data yang akan digunakan dalam menentukan prioritas kota/kabupaten yang akan diekspansi terlebih dahulu. Hal ini dikarenakan bahwa kondisi kriteria untuk suatu kota/kabupaten itu sangat beragam dan banyak mengandung aspek kualitatifnya, sementara geospatial dashboard ini hanya menggunakan dua aspek kualitatif yaitu kriteria potensi Ruma dalam merekrut warung di suatu wilayah serta perbandingan tingkat kepentingan antar kriteria. Lalu, pilihan kota/kabupaten di Indonesia itu juga masih sangat banyak di Indonesia dan disarankan untuk jangan dibatasi pada 22 kota/kabupaten pada penelitian penulis. Di samping itu, data yang digunakan oleh orang sales atau tim ZEM dalam melakukan ekspansi lokasi kantor cabang itu sangat dinamis karena tergantung pula dari kriteria yang ditentukan. Oleh karena itu, pada pengembangan teknologi visualisasi dibutuhkan pula teknologi back-end dan infrastruktur yang kuat untuk mendukung segala proses analisis data, sehingga data dapat bersifat lebih dinamis, real-time, dan multidimensi. Keterbatasan tersebut dapat dimaklumi karena pada penelitian ini penulis memang fokus untuk pengembangan geospatial dashboard sebagai suatu reporting tools dalam pengambilan keputusan. Penelitian ini tidak memfokuskan pada pengembangan back-end layer dari arsitektur BI (gambar 2.16), sehingga pengumpulan data secara dinamis dan dimensional tidak terdapat pada penelitian ini. Selain itu, terkait penggunaan kriteria pengambilan keputusan, pada penelitian ini penulis hanya menjadikan penggunaan kriteria sebagai salah satu tahap dalam menjalankan metode AHP secara umum. Untuk mengetahui kriteria mana yang memiliki pengaruh besar terhadap jalannya metode AHP, seperti jenis kriteria kuantitatif atau kuantitatif, bukan menjadi fokus utama penulis pada penelitian ini. Meskipun demikian, tim ZEM menilai bahwa geospatial dashboard ini dapat menjadi basis yang kuat untuk pengembangan teknologi visualisasi selanjutnya yang dapat membantu tim ZEM Universitas Indonesia

140 dalam menjalankan kegiatannya. Selain itu, kriteria maupun data yang penulis gunakan pada geospatial dashboard ini juga menjadi pondasi yang bagus untuk analisis data karena bersifat umum dan kuantitatif (dapat diukur). Jenis data kuantitatif ini memudahkan user untuk melakukan perbandingan maupun pengurutan data. Sifat kuantitatif ini juga diperoleh berkat adanya metode AHP yang dianggap oleh tim ZEM mampu menggabungkan perhitungan aspek kualitatif dan kuantitatif dari suatu data dalam bentuk matriks maupun vektor eigen. Bahkan tim ZEM mendukung jika geospatial dashboard ini dapat diteruskan untuk dikembangkan secara operasional di PT. Ruma. 5.4.2 Evaluasi Metode AHP Evaluasi metode AHP dilakukan dengan membandingkan urutan N kota yang diperoleh dari geospatial dashboard dengan urutan N kota tersebut di daftar urutan seluruh kota/kabupaten kantor cabang PT. Ruma yang berdasarkan tingkat profit per transaksi. Dari hasil perbandingan tersebut, dapat diperoleh seberapa besar keakuratan urutan N kota yang diperoleh dari geospatial dashboard serta dapat juga diketahui korelasi antara hasil geospatial dashboard dengan hasil profit per transaksi seluruh kota/kabupaten kantor cabang PT. Ruma saat ini. Teknik perbandingan tersebut dilakukan dengan metode spearman rho. Alasan penggunaan urutan profit per transaksi sebagai variabel perbandingan dikarenakan hasil geospatial dashboard penulis merupakan urutan kota/kabupaten dengan tingkat ekspektasi profit dari yang tertinggi hingga yag terendah. Seperti yang telah dijelaskan pada bab-bab sebelumnya, bahwa semakin besar prioritas suatu kota tersebut untuk diekspansi, maka kota tersebut merupakan kota yang menjanjikan nilai profit yang tinggi bagi PT. Ruma. Data urutan profit per transaksi ini merupakan data pada bulan Februari 2014 dan berbentuk rasio antara jumlah profit dan jumlah transaksi setiap kota kantor cabang tersebut, sehingga diharapkan data yang diperoleh adalah data yang wajar untuk dibandingkan dengan hasil geospatial dashboard penulis. Pada penelitian ini, penulis tidak menampilkan nilai profit per transaksi setiap kota kantor cabang tersebut karena bersifat confidential. Data yang penulis tampilkan adalah data urutan kota/kabupaten kantor cabang saja tanpa informasi nilai profit per transaksi mereka. Tabel 5.21 menjelaskan urutan kota/kabupaten kantor cabang tersebut berdasarkan tingkat profit per transaksi dari yang tertinggi hingga yang terendah.


141 Tabel 5.21 Urutan Kota/Kabupaten Kantor Cabang PT. Ruma berdasarkan Tingkat Profit per Transaksi

No.

Nama Kabupaten/Kota

No.

Nama Kabupaten/Kota

No.

Nama Kabupaten/Kota

1 2 3 4 5 6 7 8

Cianjur Tasikmalaya Lebak Cilegon Serang Bogor Sukabumi Tabanan

11 12 13 14 15 16 17 18

Semarang Jakarta Kendal Cirebon Bekasi Klaten Tangerang Majalengka

21 22

Ciamis Sumedang

9 10

Yogyakarta Indramayu

19 20

Bandung Garut

5.4.2.1 Langkah-Langkah Pengerjaan Evaluasi Langkah-langkah pengerjaan evaluasi ini dibagi menjadi lima tahap. Berikut adalah penjelasan dari setiap langkah-langkah pengerjaan evaluasi berikut: 1. Memilih kriteria pengambilan keputusan dan menentukan jumlah eksperimen Kriteria pada tahap ini sama dengan kriteria pengambilan keputusan yang telah dibahas pada subbab 5.1.2. Kriteria-kriteria tersebut adalah kriteria kepadatan penduduk, kepadatan warung, populasi sentra usaha, harga kompetitor, UMR, dan potensi Ruma merekrut warung di suatu kota/kabupaten. Setiap eksperimen akan menjalankan setiap kriteria ini dengan prosedur yang sama. Prosedur yang dimaksud adalah kumpulan kriteria ini akan dibagi menjadi dua jenis kriteria, yaitu kriteria basis dan kriteria non-basis. Kriteria basis adalah kriteria yang dianggap penting oleh PT. Ruma dalam ekspansi lokasi kantor cabang dan selalu menjadi pertimbangan utama ketika menganalisis suatu lokasi. Kriteria non-basis adalah kriteria pendukung yang dapat digunakan bersamaan dengan kriteria basis untuk pengambilan keputusan. Pembagian jenis kriteria ini dimaksudkan agar setiap eksperimen dapat menghasilkan beberapa nilai spearman rho yang selanjutnya nilai tersebut akan dirataratakan, sehingga diperoleh suatu nilai rata-rata yang merupakan nilai korelasi antara hasil metode AHP penulis dengan data profit per transaksi PT. Ruma. Hal ini sekaligus menghitung keakuratan dari hasil metode AHP penulis untuk menyamai urutan data profit per transaksi.


142 Untuk mengetahui manakah yang termasuk kriteria basis dan non-basis, maka penulis menggunakan dua cara dalam menganalisisnya. Pertama, penulis melakukan diskusi dengan tim ZEM untuk menganalisis jenis keenam kriteria yang ada berdasarkan pengalaman dan pengetahuan tim ZEM dalam pengambilan keputusan. Berdasarkan hasil diskusi, diperoleh bahwa: 

Kriteria basis: Kepadatan penduduk, kepadatan warung, dan harga kompetitor



Kriteria non-basis: Upah minimum regional, populasi sentra usaha, dan potensi Ruma merekrut warung

Kedua, penulis melakukan analisis kriteria secara individual berdasarkan perhitungan spearman rho. Analisis ini dilakukan dengan cara mengukur kesamaan dari setiap urutan 22 lokasi berdasarkan keenam kriteria pengambilan keputusan. Khusus untuk kriteria potensi Ruma merekrut warung, maka penulis mencari tahu urutan lokasinya berdasarkan perhitungan pairwise comparison matrices. Hasil dari analisis ini dapat dilihat pada Tabel 5.23. Berdasarkan Tabel 5.23 tersebut, pembagian kriteria untuk jenis basis dan non-basis adalah didasarkan pada urutan nilai keakuratan metode AHP dari yang terbesar hingga yang terkecil dalam menghasilkan kesamaan urutan dengan data profit per transaksi.

Nilai

keakuratan tersebut diperoleh dari penggunaan Persamaan 2.2. Tiga kriteria dengan nilai keakuratan metode terbesar merupakan kriteria basis dan tiga kriteria dengan nilai keakuratan metode terkecil merupakan kriteria non-basis. 

Kriteria basis: Harga kompetitor, upah minimum regional, dan populasi sentra usaha



Kriteria non-basis: Kepadatan penduduk, kepadatan warung, dan potensi Ruma merekrut warung

Berdasarkan kedua analisis di atas, maka dapat disimpulkan bahwa terdapat perbedaan penggolongan kriteria yang akan digunakan pada evaluasi AHP ini. Perbedaan ini sekaligus juga menentukan berapa banyak eksperimen yang akan diterapkan pada evaluasi ini. Pada dasarnya evaluasi ini menggunakan tiga eksperimen, dimana setiap eksperimen ini pada intinya hanya berbeda dari sisi penggunaan jumlah data yang akan dibandingkan kesamaannya dengan menggunakan spearman rho. Karena pada evaluasi ini terdapat dua analisis penggunaan kriteria, maka total eksperimen yang akan digunakan adalah sejumlah 6


143 eksperimen, yaitu 3 eksperimen untuk analisis berdasarkan diskusi dengan tim ZEM dan 3 eksperimen untuk analisis yang berdasarkan perhitungan spearman rho.

Berdasarkan keenam kriteria yaitu kepadatan penduduk (KP), kepadatan warung (KW), harga kompetitor (HK), upah minimum regional (UMR), populasi sentra usaha (PSU), dan potensi Ruma merekrut warung (PR), serta berdasarkan keenam eksperimen yang dijelaskan pada paragraf sebelumnya, maka penggunaan kriteria dan eksperimen pada evaluasi AHP ini adalah sebagai berikut: Tabel 5.22 Penggunaan kriteria dan eksperimen pada evaluasi AHP

Analisis berdasarkan diskusi dengan tim ZEM Eksperimen Prosedur A B C 1A KP+KW+HK 2A KP+KW+HK+UMR 3A KP+KW+HK+PSU 4A KP+KW+HK+PR 5A KP+KW+HK+UMR+PSU 6A KP+KW+HK+UMR+PR 7A KP+KW+HK+PR+PSU 8A Semua Kriteria

Analisis kriteria secara individu berdasarkan perhitungan spearman rho Eksperimen Prosedur D E F 1B HK+UMR+PSU 2B HK+UMR+PSU+KP 3B HK+UMR+PSU+KW 4B HK+UMR+PSU+PR 5B HK+UMR+PSU+KP+KW 6B HK+UMR+PSU+KP+PR 7B HK+UMR+PSU+KW+PR 8B Semua Kriteria

2. Memilih 22 kota/kabupaten sebagai alternatif pengambilan keputusan Setelah menentukan penggunaan kriteria dan eksperimen berdasarkan jenis analisisnya, maka selanjutnya adalah menggunakan 22 kota/kabupaten sebagai alternatif pengambilan keputusan. Daftar kota/kabupaten ini sama dengan daftar yang dianalisis pada subbab 5.1.3. Penggunaan 22 kota/kabupaten ini diberlakukan untuk setiap prosedur pada setiap eksperimen.


144 Tabel 5.23 Tabel Analisis Kriteria Pengambilan Keputusan dengan Spearman Rho

Kepadatan Penduduk Kota

Kepadatan Warung

X Y

19 Bandung 15 Bekasi 6 Bogor 21 Ciamis 1 Cianjur 4 Cilegon 14 Cirebon 20 Garut 10 Indramayu 12 Jakarta 13 Kendal 16 Klaten 3 Lebak 18 Majalengka 11 Semarang 5 Serang 7 Sukabumi 22 Sumedang 8 Tabanan 17 Tangerang 2 Tasikmalaya 9 Yogyakarta 2 d = Nilai  = Nilai keakuratan =

d2

d 11 10 5 21 20 8 6 17 14 1 13 7 22 15 9 12 18 19 3 4 16 2

8 5 1 0 19 4 8 3 4 11 0 9 19 3 2 7 11 3 5 13 14 7

Y 64 25 1 0 361 16 64 9 16 121 0 81 361 9 4 49 121 9 25 169 196 49

1750 0.0119 1.19%

11 5 9 18 19 6 7 21 13 3 14 8 22 12 10 16 17 20 2 4 15 1

d 8 10 3 3 18 2 7 1 3 9 1 8 19 6 1 11 10 2 6 13 13 8

Harga Kompetitor

d2 64 100 9 9 324 4 49 1 9 81 1 64 361 36 1 121 100 4 36 169 169 64

1776 -0.0028 0.28%

Y

d

8.50 3.00 6.00 12.00 3.00 22.00 16.50 8.50 8.50 3.00 16.50 16.50 3.00 16.50 16.50 20.50 8.50 12.00 3.00 20.50 12.00 16.50

10.50 12.00 0.00 9.00 2.00 18.00 2.50 11.50 1.50 9.00 3.50 0.50 0.00 1.50 5.50 15.50 1.50 10.00 5.00 3.50 10.00 7.50

d2

Upah Minimum Regional Y

110.25 144.00 0.00 81.00 4.00 324.00 6.25 132.25 2.25 81.00 12.25 0.25 0.00 2.25 30.25 240.25 2.25 100.00 25.00 12.25 100.00 56.25

1466 0.1722 17.22%

d2

d 15 22 20 3 13 18 8 4 10 21 7 2 6 1 12 17 14 16 9 19 11 5

4 7 14 18 12 14 6 16 0 9 6 14 3 17 1 12 7 6 1 2 9 4

16 49 196 324 144 196 36 256 0 81 36 196 9 289 1 144 49 36 1 4 81 16

2160 -0.2196 21.96%

Populasi Sentra Usaha Y

d

1.0 11.5 6.0 10.0 15.0 19.0 4.0 7.5 3.0 21.5 20.0 17.5 17.5 7.5 15.0 13.0 2.0 11.5 21.5 9.0 5.0 15.0

18.0 3.5 0.0 11.0 14.0 15.0 10.0 12.5 7.0 9.5 7.0 1.5 14.5 10.5 4.0 8.0 5.0 10.5 13.5 8.0 3.0 6.0

d2 324.0 12.3 0.0 121.0 196.0 225.0 100.0 156.3 49.0 90.3 49.0 2.3 210.3 110.3 16.0 64.0 25.0 110.3 182.3 64.0 9.0 36.0

2152 -0.2151 21.51%

Potensi Ruma Merekrut Warung Y d d2 1 5 3 15 10 19 9 11 12 2 20 17 13 16 7 14 6 18 22 4 8 21

18 10 3 6 9 15 5 9 2 10 7 1 10 2 4 9 1 4 14 13 6 12

324 100 9 36 81 225 25 81 4 100 49 1 100 4 16 81 1 16 196 169 36 144

1798 -0.0152 1.52%


145 3. Menjalankan metode AHP dengan geospatial dashboard Selanjutnya setiap kriteria dan 22 kota/kabupaten tersebut dimasukkan pada metode AHP yang dijalankan pada aplikasi geospatial dashboard. Setiap prosedur di setiap eksperimen menjalankan metode AHP ini untuk kemudian memperoleh hasil urutan prioritas kota yang akan diekspansi. 4. Melakukan perbandingan dengan metode spearman rho antara hasil metode AHP penulis dengan urutan kota/kabupaten kantor cabang PT. Ruma yang berdasarkan tingkat profit per transaksi Setelah memperoleh hasil urutan prioritas kota yang akan diekspansi, maka hasil tersebut akan dibandingkan tingkat kesamaan urutannya dengan urutan kota/kabupaten kantor cabang PT. Ruma berdasarkan tingkat profit per transaksi. Tahap ini menentukan seberapa besar keakuratan metode AHP penulis pada setiap eksperimen berdasarkan dari urutan kota yang dibandingkan. Perbedaan antar eksperimen tersebut antara lain: 

Eksperimen A dan D Eksperimen A membandingkan kesamaan urutan 22 kota/kabupaten dari hasil metode AHP penulis dengan urutan 22 kota/kabupaten kantor cabang tersebut di data profit per transaksi. Perbandingan ini dilakukan di kedelapan prosedur eksperimen A dan D.



Eksperimen B dan E Eksperimen B dan E membandingkan kesamaan urutan 8 besar teratas kota/kabupaten (prioritas pertama) dari hasil metode AHP penulis dengan urutan 8 kota/kabupaten kantor cabang tersebut di data profit per transaksi. Perbandingan ini dilakukan di kedelapan prosedur eksperimen B dan E.



Eksperimen C dan F Eksperimen C dan F membandingkan kesamaan urutan 4 besar teratas kota/kabupaten (prioritas pertama) dari hasil metode AHP penulis dengan urutan 4 kota/kabupaten kantor cabang tersebut di data profit per transaksi. Penulis menggunakan urutan 4 besar karena dalam praktiknya ketika tim ZEM PT. Ruma dihadapkan pada 8 prioritas pertama, maka mereka mempertimbangkan 4 besar kota teratas yang akan diobservasi terlebih dahulu. Hal ini dikarenakan faktor operasional seperti ketersediaan biaya dan tenaga kerja yang dimiliki tim ZEM pada satu waktu tertentu. Perbandingan ini dilakukan di kedelapan prosedur eksperimen C dan F.


146 Setelah melakukan eksperimen di atas, maka pada setiap eksperimen diperoleh masingmasing nilai rata-rata keakuratan metode AHP dalam bentuk persentase yang dijalankan pada prosedur yang telah ditentukan pada Tabel 5.22. Nilai-nilai tersebut penulis peroleh dari Persamaan 2.2 yang telah dijelaskan pada subbab 2.7. 5. Menganalisis hasil perbandingan dan mengambil kesimpulan evaluasi Terakhir, hasil perbandingan dari tahap keempat akan dianalisis dan dicari kesimpulan yang mempengaruhi hasil perbandingan tersebut. Proses analisis dan perbandingan ini juga penulis peroleh dari diskusi dengan tim ZEM PT. Ruma. Hasil dan Analisis Pada bagian ini disajikan Tabel 5.24 yang menjelaskan hasil evaluasi metode AHP. Semua nilai persentase yang dimunculkan pada tabel ini menunjukkan nilai keakuratan metode AHP dari setiap hasil eksperimen dengan prosedur penggunaan kriteria yang telah ditentukan. Pada bagian bawah tabel, terdapat 6 nilai rata-rata keakuratan metode AHP dari setiap hasil eksperimen. Tabel 5.24 Hasil Evaluasi Metode AHP

Analisis berdasarkan diskusi dengan tim ZEM PT. Ruma Hasil Eksperimen Prosedur A B C 1A 0.28% 38.10% 80.95% 2A 12.59% 9.52% 40.00% 3A 5.48% 23.81% 40.00% 4A 4.23% 19.05% 40.00% 5A 13.16% 9.52% 40.00% 6A 10.78% 9.52% 40.00% 7A 1.19% 19.05% 40.00% 8A 11.80% 4.76% 40.00% Nilai rata-rata keakuratan 7.44% 16.67% 45.12% metode AHP (%)

Analisis kriteria secara individu berdasarkan perhitungan spearman rho Hasil Eksperimen Prosedur D E F 1B 31.11% 90.48% 40% 2B 35.29% 76.19% 20% 3B 24.34% 76.19% 80% 4B 23.49% 22.02% 40% 5B 13.16% 9.52% 40% 6B 14.74% 2.38% 20% 7B 7.99% 26.19% 40% 8B 11.80% 4.76% 40% 20.24%

38.47%

40%


147 Berdasarkan Tabel 5.24, maka dapat disimpulkan beberapa hal yaitu antara lain: -

Penggunaan kriteria kepadatan penduduk, kepadatan warung, dan harga kompetitor pada eksperimen C yang membandingkan kesamaan 4 urutan data teratas dari hasil metode AHP dapat menghasilkan nilai keakuratan metode AHP hingga mencapai 80.95%.

-

Penggunaan kriteria harga kompetitor, populasi sentra usaha, dan upah minimum regional pada eksperimen E yang membandingkan kesamaan 8 urutan data teratas dari hasil metode AHP dapat menghasilkan nilai keakuratan metode AHP hingga mencapai 90.48%.

-

Nilai rata-rata keakuratan metode AHP terbesar diperoleh dari hasil eksperimen C dengan 8 prosedur penggunaan kriteria yang ditentukan. Hal ini sekaligus membuktikan bahwa eksperimen C yang menggunakan perbandingan kesamaan 4 urutan data teratas dengan penggunaan kriteria kepadatan penduduk, kepadatan warung, dan harga kompetitor sebagai kriteria basis dan sisanya sebagai kriteria non-basis, mampu menghasilkan nilai rata-rata keakuratan metode AHP tertinggi sebesar 45.12%.

Penulis juga melakukan analisis dalam bentuk diskusi dengan tim ZEM PT. Ruma terkait penyebab adanya nilai keakuratan metode AHP yang masih berada di bawah 50% pada hasil evaluasi metode AHP ini. Salah satu penyebabnya adalah penggunaan kriteria pengambilan keputusan yang masih banyak berasal dari aspek kuantitatif dibandingkan yang berasal dari aspek kualititatif. Disamping itu kriteria yang digunakan masih banyak bersifat umum untuk setiap daerah dan belum digali secara utuh kriteria spesifik yang ada pada suatu daerah. Contohnya adalah kriteria tentang perilaku masyarakat di suatu kota/kabupaten ketika membuka usaha warungnya pada satu hari dan perilaku masyarakat di suatu kota/kabupaten ketika melakukan pembelian transaksi pulsa. Jika kedua contoh ini digunakan, maka dapat dimungkinkan bahwa hasil urutan dari metode AHP penulis dapat menyamai urutan data profit per transaksi PT. Ruma. Kedua contoh kriteria tersebut juga memang merupakan kriteria tambahan dan bukan merupakan kriteria umum seperti yang penulis gunakan aplikasi geospatial dashboard.


148

BAB 6 PENUTUP Bab ini membahas kesimpulan dan saran yang terkait dengan hasil penelitian yang telah dilakukan. Kesimpulan dan saran ini juga didasarkan pada evaluasi penelitian. Saran terdiri dari dua jenis yaitu saran kepada tempat studi kasus dan saran untuk pengembangan dari penelitian ini selanjutnya.

6.1 Kesimpulan Berdasarkan pengerjaan penulis pada penelitian ini yang dimulai dari tahap awal penelitian, seperti studi literatur, perumusan masalah, dsb. hingga ke tahap evaluasi, maka penulis mendapatkan beberapa kesimpulan dari hasil penelitian ini. Kesimpulan tersebut antara lain: 

Geospatial dashboard yang berbasis AHP dapat dikembangkan dan dinilai cukup baik oleh tim ZEM PT. Ruma. Hal ini dibuktikan dengan total nilai yang diberikan oleh mereka yaitu sebesar 3.69 dari nilai maksimal 5.00. Penilaian ini menggunakan kuesioner yang terdiri dari 4 aspek pertanyaan untuk geospatial dashboard yaitu relevansi, fungsionalitas, konten, dan data.



Geospatial dashboard dengan pendekatan AHP dinilai mampu menggabungkan teknik visualisasi peta yang menarik, penggunaan aplikasi yang mudah, dan dapat dipahami oleh user. Keunggulan ini dapat memudahkan user dalam menganalisis data serta mengambil keputusan.



Dari evaluasi metode AHP, maka analisis dari hasil diskusi dengan tim ZEM menghasilkan jenis penggunaan kriteria yang berbeda dengan analisis dari perhitungan spearman rho. Analisis dari hasil diskusi dengan tim ZEM menyatakan bahwa tiga kriteria penting untuk digunakan pada AHP adalah kepadatan penduduk, kepadatan warung, dan harga kompetitor. Sementara analisis dari hasil perhitungan spearman rho menyatakan bahwa tiga kriteria penting untuk digunakan pada AHP adalah harga kompetitor, upah minimum regional, dan populasi sentra usaha.



Berdasarkan analisis penggunaan kriteria AHP dari hasil diskusi dengan tim ZEM, maka metode AHP mampu mencapai 80.95% dengan ukuran data yaitu 4 besar kota/kabupaten pada penggunaan kriteria kepadatan penduduk, kepadatan warung, dan harga kompetitor


149 sebagai kriteria basis. Sementara berdasarkan analisis kriteria secara individu dengan spearman rho, maka metode AHP mampu mencapai 90.48% dengan ukuran data yaitu 8 besar kota/kabupaten pada penggunaan kriteria harga kompetitor, upah minimum regional, dan populasi sentra usaha sebagai kriteria basis.

6.2 Saran Pada penelitian ini terdapat dua saran yaitu untuk tempat studi kasus penulis yaitu PT. Ruma serta untuk penelitian selanjutnya. Saran ini dibuat khusus untuk meningkakan pengembangan teknologi geospatial dashboard dan metode AHP, baik bagi PT. Ruma maupun bagi peneliti yang ingin mengembangkan teknologi sejenis di tempat studi kasus yang lain. 1. Saran untuk tempat studi kasus Untuk PT. Ruma, terdapat 2 saran yaitu antara lain: -

Berdasarkan diskusi evaluasi dengan tim ZEM, teknologi geospatial dashboard harus didukung dengan teknologi back-end yang kuat, khususnya dari sisi database dan data warehouse. Hal ini dirasakan cukup perlu agar sifat dinamis serta multidimensi dari suatu data dapat diperoleh, sehingga memberikan pandangan yang luas bagi user dalam menganalisis data dan mengambil keputusan.

-

Teknologi business intelligence untuk keperluan ekspansi kantor cabang juga harus didukung dengan analisis kriteria lokasi yang mendalam, khususnya kriteria yang bersifat kualitatif. Hal ini dibutuhkan agar hasil yang dikeluarkan oleh teknologi business intelligence, seperti geospatial dashboard, dll. dapat memberikan hasil dan solusi prioritas lokasi yang lebi akurat.

-

Pengembangan geospatial dashboard diharapkan juga dapat diterapkan pada divisi dan tim lain selain tim ZEM. Hal ini dirasa perlu karena beberapa divisi di PT. Ruma banyak yang berurusan dengan data dalam jumlah besar dan data tersebut juga mengandung banyak jenis data lokasi, sehingga membutuhkan kemampuan analisis lokasi yang tajam di dalamnya. Geospatial dashboard dapat menjadi salah satu solusi dalam memberikan visualisasi terkait data persebaran lokasi.

-

Beberapa teknologi business intelligence di PT. Ruma masih banyak yang bersifat reporting, sementara kebutuhan bisnis di era saat ini banyak yang mulai menggunakan business intelligence sebagai analytic tools. Kebutuhan terhadap kegiatan analytic dapat dimanfaatkan dengan solusi dalam bentuk pemodelan matematika yang diterapkan pada


150 teknologi business intelligence seperti analytic hierarchy processing, multi criteria decision analysis, linear programming, decision tree, dll. Pemodelan ini tentunya harus disesuaikan dengan jenis permasalahan yang ingin dianalisis serta diharapkan mampu menyelesaikan suatu permasalahan dalam bentuk yang lebih terstruktur dengan data yang lebih bersifat kuantitatif.

2. Saran untuk penelitian selanjutnya Untuk pengembangan penelitian selanjutnya, penulis membuat beberapa saran yang diperoleh dari beberapa hal yang masih dapat digali dari penelitian ini. Saran ini lebih banyak berbentuk topik-topik yang masih berkaitan dengan topik penelitian penulis. Saransaran tersebut antara lain: -

Penelitian selanjutnya dapat berupa analisis kriteria yang memiliki pengaruh dalam penentuan hasil metode AHP dengan studi kasus yang sama yaitu kegiatan ekspansi lokasi kantor cabang di PT. Ruma. Untuk penelitian ini diharapkan dapat melakukan diskusi yang lebih intensif dengan tim ZEM PT. Ruma serta mempelajari kriteria suatu lokasi dari berbagai aspek seperti ekonomi, sosial, budaya, dan politik.

-

Penelitian lain yang dapat dikembangkan dari penelitian ini adalah pengembangan data warehouse atau online analytical processing (OLAP) untuk pemanfaatan geospatial dashboard di PT. Ruma. Dengan studi kasus yang sama, teknologi ini dapat memberikan data yang bersifat multidimensi dan historic, sehingga sudut pandang decision maker terhadap suatu data lokasi dapat lebih luas dan beragam. Pengembangan teknologi ini harus membutuhkan teknik analisis pengumpulan data yang baik dan terstruktur.

-

Penelitian lain yang juga dapat digali dari penelitian ini adalah implementasi metode AHP dalam bahasa pemrograman web tertentu. Hal ini ditujukan untuk meneliti performa dari algoritma dan suatu bahasa pemrograman ketika mengimplementasikan metode AHP. Aspek testing seperti batasan jumlah input yang dimasukkan pada algoritma, unit testing, atau system testing dapat diterapkan pada penelitian ini.

-

Penelitian lain yang juga tidak kalah penting adalah pengembangan geospatial dashboard dengan pendekatan AHP pada studi kasus yang sama, yaitu ekspansi lokasi kantor cabang, namun di perusahaan yang berbeda dengan bidang perusahaan yang berbeda pula. Hal ini dilakukan untuk melihat bagaimana perbandingan antara penelitian


151 di suatu social enterprise seperti PT. Ruma dengan perusahaan yang memiliki bidang usaha yang berbeda. -

Secara umum, penulis menyarankan bahwa penelitian selanjutnya yang berkaitan dengan tugas akhir (skripsi) mahasiswa dan masih sejenis dengan penelitian penulis diharapkan dapat menyeimbangkan jadwal antara penulisan dengan pengembangan teknologi itu sendiri. Hal ini patut dipertimbangkan bahwa hasil akhir dari skripsi itu lebih difokuskan pada penulisan tugas akhir tersebut, sehingga jadwal pengembangan teknologi itu benarbenar diberikan batasan agar tidak memakan jadwal penulisan skripsi.


152

DAFTAR REFERENSI

3Scale Network S.L. (2011). What is an API? Your Guide to the Internet Business Revolution. 3Scale Network S.L. Barcelona: 3Scale Network S.L. Accenture. (2014). API Industrialization Connecting the Digital Ecosystem. Accenture. Akhavan, P., & Salehi, S. (2013). Critical Factors of Business Intelligence: Case of an IT-Based Company. World Applied Sciences Journal , 22. Arham, Z., & Hidayah, N. A. (2009). Pengembangan Sistem Informasi Geografis Berbasis Web pada Lokasi Wisata (Studi Kasus: DKI Jakarta). Seminar Nasional Riset Teknologi Informasi. Yogyakarta. Alexander, M. (2012). Decision Making Using the Analytic Hierarchy Process (AHP) and SAS/IML. SouthEast SAS Users Group (SESUG). Andersen, S. (2010). High Performing Sales Teams Manage Territories as Businesses to Build Strong Pipelines. PMI inc. Ayer, J., & Fosu, C. (2008). Map Coordinate Referencing and The Use of GPS Datasets in Ghana. Journal of Science and Technology , 28. Bernardon, D. P., & Sperandio, M. (2011). AHP Decision Making Algorithm to Allocate Remotely Controlled Switches in Distribution Networks. IEEE Transactions on Power Delivery , 26. Bootstrap. (2014). Dashboard. Retrieved March 30, 2014, from http://getbootstrap.com/examples/dashboard Bootstrap. (2014). Getting Started. Retrieved March 30, 2014, from Getting Started - Bootstrap: http://getbootstrap.com/getting-started Bunruamkaew, K. (2012). Site Suitability Evaluation for Ecotourism Using GIS & AHP: A Case Study of Surat Thani Province, Thailand. University of Tsukuba. Chang, T.-H., & Wang, T.-C. (2008). Using the Fuzzy Multi-Criteria Decision Making Approach for Measuring the Possibility of Succesful Knowledge Management. Information Sciences , 179, 355-370. Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business Intelligence & Analytics: From Big Data to Big Impact. MIS Quarterly , 36, 1165-1188.


153 Department for Communities and Local Government. (2009). Multi-Criteria Analysis: A Manual. London: Crown. Dunne, M. (2009). Territory Management Software Helps Sales Grow Revenue. Gartner Research, Inc. Eckerson, W. (2011). Analytic Architectures: Approaches to Supporting Analytics User and Workloads BI Delivery Framework 2020. Vertica Company. Esri. (2012). Reveal More Value in Your Data with Location Analytics. Esri. Folger, P. (2009). Geospatial Information and Geographic Information Systems (GIS): Current Issues and Future Challenges. Congressional Research Service. Garber, L. (2013). Analytics Goes on Location with New Approaches. IEEE Computer Society. Gartner Inc. (2013). Predicts 2014: Business Intelligence and Analytics Will Remain CIO's Top Technology Priority. Gartner Research, Inc. Ghamgosar, M., & Haghyghy, M. (2012). Multicriteria Decision Making Based on Analytic Hierarchy Process (AHP) in GIS for Tourism. Middle East Journal of Scientific Research 10 , 501-507. Grameen Foundation. (n.d.). About Grameen Foundation. Retrieved March 7, 2014, from About Grameen Foundation: www.grameenfoundation.org/about Grameen Foundation. (n.d.). Tools for Anti Poverty Organization. Retrieved March 7, 2014, from Tools for Anti Poverty Organization: www.grameenfoundation.org/what-we-do/tools-antipoverty-organizations.htm GraphPad Software, Inc. (2014). Interpreting Results: Correlation. Retrieved April 14, 2014, from Interpreting Results: Correlation: www.graphpad.com/guides/prism/6/statistics/index.htm?stat_interpreting_results_correlati.htm Gonzales, H., & Halevy, A. (2010). Google Fusion Tables: Web Centered Management and Collaboration. SIGMOD'10. Indiana. Google. (2013). Google Maps Javascript API V3 Reference. Retrieved March 21, 2014, from Google Maps Javascript API V3 Reference - Google Maps Javascript API V3 - Google Developers: https://developers.google.com/maps/documentation/javascript/reference Google. (2013, October 8). Getting Started. Retrieved March 21, 2014, from Getting Started Google Fusion Tables API - Google Developers: https://developers.google.com/fusiontables/docs/v1/getting_started


154 Google. (2014, March 13). Getting Started. Retrieved March 21, 2014, from Getting Started Google Maps Javascript API v3 - Google Developers: https://developers.google.com/maps/documentation/javascript/tutorial Hagerty, J. (2006). AMR Research's Business Intelligence/Performance Management Maturity Model, Version 2. AMR Research. Halper, F. (2013). Seven Use Cases for Geospatial Analytics. TDWI Research. Halper, F. (2014). 2014 Forecast: BI, Analytics, and Big Data Trends and Recommendations for the New Year. TDWI'S Best of BI , 11, 10-13. Handoko, D. (2012). Implementasi Strategy-Driven Web Based Business Intelligence Dashboard Menggunakan Top-Down Approach: Studi Kasus PT. Rekan Usaha Mikro Anda. Depok: Universitas Indonesia. Hostmann, B., & Hagerty, J. (2010). IT Score for Business Intelligence and Performance Management. Gartner Research. Ishizaka, A., & Labib, A. (2011). Review of the Main Development in the Analytic Hierarchy Process. Portsmouth: University of Portsmouth. Ishizaka, A., & Labib, A. (2009). Analytic Hierarchy Process and Expert Choice: Benefit and Limitations. Operational Research Society. Jain, Y., & Bhandare, S. (2011). Min Max Normalization based Data Perturbation Method for Privacy Protection. International Journal of Computer & Communication Technology , II (VIII). Kiva. (2014). About Us. Retrieved March 7, 2014, from Kiva - About Us: . http://www.kiva.org/about Law, D. (2013). ArcGis for Server 101 Understanding Architecture, Deployment, and Workflows. Spring 2013 Esri. Lo, C., & Yeung, A. (2007). Concepts and Techniques of Geographic Information System. Pearson Education, Inc. Mckeonn, M. (2009). Harnessing the Web Information Ecosystem with Wiki-based Visualization Dashboards. IEEE Transactions on Visulization and Computer Graphics. 15. IEEE Computer Society. Montibeller, G., & Franco, A. (2009). Problem Structuring for Multi-Criteria Decision Analysis Interventions. The London School of Economic and Political Science. Montibeller , G., & Franco, A. (2010). Multi-Criteria Decision Analysis for Strategic Making. Springer.


155 Pant, P. (2009). Business Intelligence (BI) How to Build Successful BI Strategy. Deloitte Development LLC. Rajteric, I. (2010). Overview of Business Intelligence Maturity Models. Management , 15, 4767. Sales Force. (2014). Territory Management Decision Guide. Salesforce.com, Inc. Saaty, T. (2008). Decision Making with the Analytic Hierarchy Process. International Journal Services Sciences , 1. Saaty, T. (2009). The Analytic Network Process. University of Pitssburgh. Saaty, T. (2009). Applications of Analytic Network Process in Entertainment. 1, 41-55. Saaty, T. L. (2003). Decision-making with the AHP: Why is the principal eigenvector necessary. European Journal of Operation Research 145 , 85-91. Sadeghi, M., Rashidzadeh, M. A., & Soukhakian, M. (2012). Using Analytic Network Process in a Group Decision-Making for Supplier Selection. Informatica , 23 (4), 621-643. Siwi, F. P. (2012). Pengembangan Dashboard Indikator Pembangunan Pertanian sebagai Informasi bagi Eksekutif: Studi Kasus Kementerian Pertanian Republik Indonesia. Universitas Indonesia. Sommerville, I. (2010). Software Engineering (Vol. 9). Addison Wesley. Stodder, D. (2013). Data Visualization and Discovery for Better Business Decisions. TDWI Research. Subramanian, N., & Ramanathan, R. (2012). A Review of Applications of Analytic Hierarchy Process in Operation Management. International Journal Production Economics , 138, 215-241. Sun, Y. (2009). The Ranking of Football Teams Using Concepts from the Analytic Hierarchy Process. University of Louisville. Svennerberg, G. (2010). Beginning Google Maps API 3. New York: Apress. Talati, S., McRobbie, G., & Watt, K. (2012). Developing Business Intelligence for Small and Medium Sized Enterprises using Mobile Technology. International Conference on Information Society (i-Society). Thokala, P. (2011). Multiple Criteria Decision Analysis for Health Technology Assessment. Sheffield: School of Health and Related Research, University of Sheffield, UK. Tiryaki, F., & Ahlatcioglu, B. (2008). Fuzzy Portfolio Selection Using Fuzzy Analytic Hierarchy Process. Information Sciences , 53-69.


156 Turban , E., & Sharda, R. (2011). Decision Support and Business Intelligence Systems. New Jersey: Pearson Education Inc. Vasiljevic, T., & Srdjevic, Z. (2012). GIS and Analytic Hierarchy Process for Regional Landfill Site Selection in Transitional Countries: A Case Study from Serbia. Environmental Management , 445-458. Ventana. (2013). Business Trends in Location Analytics Exploring the Impact of Geographic Context on Business Process. Ventana Research. Wagner, M., Eichner, S., & Morozova, Y. (2013). Application Programming Interface ("APIs"). A Primer and Discussion of Oracle America v. Google. . Law Commitee of the American Intellectual Property Law Association. Wei, G.-W. (2011). Gray Relational Analysis Method for Intuitionistic Fuzzy Multiple Attribute Decision Making. Expert Systems with Applications , 38, 11671-11677. Wibisono, S. K. (2012). Analisis Platform Gadget yang Paling Potensial Menghasilkan Profit dengan Metode Analytic Hierarchy Process. Depok: Universitas Indonesia. Yount, R. (2006). Research Design and Statistical Analysis in Christian Ministry. United States of America.


157

LAMPIRAN 1: HASIL WAWANCARA DENGAN PT. RUMA


158

1. Wawancara 1 Judul

: Perumusan Masalah dan Penentuan Solusi Penelitian

Lokasi

: PT. Rekan Usaha Mikro Anda

Waktu

: Rabu, 19 Februari 2014. Pukul 17.00 – 17.30

Narasumber

: Salma Desenta (CTO PT. Ruma)

Deskripsi: Wawancara ini diadakan untuk mengetahui secara lebih jelas permasalahan dari PT. Ruma yang akan dibahas pada penelitian penulis serta untuk menentukan solusi apa yang akan digunakan untuk menyelesaikan permasalahan tersebut. Penentuan solusi ini dianalisis dengan melihat aspek strength (internal) dan opportunity (peluang) yang dimiliki PT. Ruma dalam hal bisnis dan teknologi. Wawancara dilakukan oleh Adrian Nuradiansyah (AN) dan narasumber yaitu Salma Desenta (SD). Di bawah ini terdapat alur wawancara yang menjelaskan ringkasan wawancara antara penulis dengan narasumber.

Alur wawancara: AN: Selamat sore Pak Salma, pada kegiatan wawancara ini saya hanya sebentar saja dalam menanyakan beberapa pertanyaan tentang perumusan masalah untuk skripsi saya ini sekaligus cara dalam menentukan solusi atas masalah yang ditentukan. SD: Oke baik Adrian. Silakan. AN: Agar wawancara ini dapat berjalan secara terstruktur, maka saya coba akan ikuti struktur dari perumusan masalah yang sudah saya tentukan dengan cara berikut ini Pak. Pertama saya akan menanyakan tentang bagaiman kondisi bisnis dan teknologi saat ini di PT. Ruma dalam hal ekspansi lokasi kantor cabang, lalu apa saja ekspektasi PT. Ruma ini terhadap teknologi untuk ekspansi lokasi kantor cabang, sehingga akhir menghasilkan suatu gap analysis yang merupakan permasalahan. Selanjutnya saya akan menanyakan apa saja kekuatan atau keunggulan PT. Ruma saat ini dalam hal bisnis maupun teknologi, serta peluang bisnis dan teknologi apa saja yang saat ini ada di sekitar PT. Ruma yang dapat dijadikan sebagai motivasi dalam penentuan solusi atas permasalahan. SD: Oke baik Adrian. Dengan alur seperti itu, maka akan lebih jelas untuk dianalisis sekaligus saya jawab.


159 AN: Oke baik Pak. Saya mulai. Bagaimana ya Pak kondisi PT. Ruma saat ini dalam menentukan lokasi kantor cabang baik dari aspek bisnis maupun teknologi? SD: Secara bisnis, saat ini kondisi PT. Ruma dalam menentukan lokasi kantor cabang, khususnya pada aspek pengambilan keputusan adalah masih dilakukan secara manual. Maksudnya, kami disini masih banyak mengandalkan expert judgment dari divisi Sales & Operation, khususnya tim ZEM. Mengingat mereka juga termasuk orangorang yang berpengalaman dalam hal pemantauan suatu wilayah. Bagaimanapun juga dengan teknik ini, kami masih sering menemukan solusi yang kurang optimal dan masih sering terasa kurang konsisten. Selain itu, dari aspek teknologi, kami belum memiliki teknologi yang bisa membantu untuk proses memilih atau memberikan rekomendasi dalam hal ekspansi wilayah. Kami memang punya dashboard buatan divisi internal kami namun sifatnya masih menampilkan persebaran kriteria suatu wilayah saja. Belum memberikan rekomendasi. AN: Oke baik Pak. Berarti dengan demikian agar mempermudah Bapak dalam memberikan jawaban dan mempersingkat waktu, maka dapat saya simpulkan bahwa ekspektasi PT. Ruma secara keseluruhan dari aspek bisnis maupun teknologi untuk melakukan ekspansi cabang adalah negasi dari kondisi saat ini ya Pak? SD: Ya benar, Adrian. Untuk hal tersebut bisa kamu lakukan dengan menegasikannya sekaligus disesuaikan dengan topik skripsi kamu. AN: Baik Pak. Kalau begitu sekarang kita akan coba menentukan solusi dari permasalahan penelitian. Kita ketahui bersama bahwa permasalahan PT. Ruma dalam ekspansi lokasi kantor cabang adalah ketiadaannya teknologi yang dapat memberikan rekomendasi lokasi manakah yang akan diekspansi terlebih dahulu berdasarkan banyak kriteria dan alternatif. Untuk merumuskan solusi yang akan dibuat, maka saya akan memulainya dengan menganalisis keunggulan (strength) apakah yang dimiliki oleh PT. Ruma ini pada aspek bisnis dan teknologi untuk ekspansi kantor cabang? SD: Baik Adrian. Jadi, PT. Ruma pada dasarnya sudah memiliki human resource yang sangat berpengalaman dalam mengurus pembukaan cabang. Selain itu juga, setiap tenaga kerja kami yang bekerja dalam pembukaan cabang juga memiliki prinsip dan komitmen yang kuat dalam pembukaan cabang dengan cara yang cepat dan akurat. Hal tersebut dapat terjadi karena kami sudah memiliki pertimbangan faktor atau kriteria tersendiri dalam membuka cabang. Hal ini dapat menjadi modal kualitatif yang kuat untuk perumusan metode analytic hierarchy processing yang pernah kamu ajukan dulu. Lalu, kami juga sudah punya suatu platform yang dapat menampung Universitas Indonesia

160 jumlah transaksi kami pada suatu daerah, sehingga data transaksi itu dapat dijadikan sebagai bahan pengambilan keputusan. Lalu meskipun tadi kita sempat diskusi bahwa kami juga punya dashboard yang hanya menampilkan persebaran kriteria wilayah untuk membantu analisis ekpansi cabang. Namun, jangan salah. Dashboard tersebut sudah dapat menjadi bahan yang sangat baik bagi penelitian kamu selanjutnya maupun untuk pengembangan dashboard sejenis yang punya kemampuan lebih baik lagi, sehingga dashboard tersebut dapat juga dianggap sebagai keunggulan dari PT. Ruma untuk aspek teknologi. AN: Wah, sangat menarik ya Pak terkait dengan keunggulan PT. Ruma baik dari sisi bisnis, human resource, maupun teknologi untuk pembangunan lokasi kantor cabang. Selanjutnya, Pak untuk pertanyaan terakhir, apa sajakah peluang (opportunity) eskternal yang dapat digarap oleh PT. Ruma khususnya untuk ekspansi lokasi kantor cabang selain berkembangnya teknologi geospatial dashboard saat ini? Sama halnya seperti pertanyaan sebelumnya bahwa kalau bisa dibahas dari kedua aspek yaitu bisnis dan teknologi. SD: Oke baik, Adrian. Jadi, pada prinsipnya PT. Ruma itu mengandalkan konsep partnership dalam menjalankan bisnis baik untuk jenis kegiatan operasional apapun. Sama halnya dengan ekspansi lokasi kantor cabang ini, kami pun juga memiliki partner yang cukup banyak dalam membantu kami melakukan analisis data terkait wilayah yang kami ekspansi. Sebagai contoh seperti bank XYZ yang memberikan analisis datanya kepada kami, lalu ada juga perusahaan GHI yang merupakan partner kami dalam berbisnis transaksi pulsa. Di samping itu, untuk aspek teknologi, kami memiliki mentor-mentor dari luar negeri yang memiliki pengalaman besar dan sangat baik dalam membantu kami mengajarkan tentang cara-cara dalam mengoptimasi teknologi, khususnya dalam hal penanganan data transaksi yang sangat banyak. Dengan demikian kami optimis bahwa dengan hal tersebut dapat menjadi peluang bagi kami, mengingat jumlah partnership kami masih akan berpotensi lebih banyak lagi seiring dengan kebutuhan bisnis PT. Ruma AN: Baik, terima kasih sekali Pak Salma untuk diskusi nya pada sore hari ini. Semoga dapat membantuk kemajuan pembuatan skripsi saya dan skripsi saya ini juga nantinya dapat membantu kegiatan ekspansi lokasi kantor cabang PT. Ruma. SD: Oke baik, sama-sama Adrian.


161


: Analisis Kriteria Pengambilan Keputusan dan Alternatif Lokasi Kantor Cabang

Lokasi


Waktu

: Rabu, 19 Februari 2014, Pukul 19.00 – 20.00

Narasumber

: Sonny Ferra Firdaus (ZEM PT. Ruma), Irsyad A. Fazli (ZEM PT. Ruma), Agung Nur Irfan (ZEM PT. Ruma), Beri Yusvirli (ZEM PT. Ruma)

Deskripsi: Wawancara ini diadakan untuk mengetahui kriteria dan alternatif lokasi kantor cabang apa saja yang akan dijadikan sebagai bahan pengambilan keputusan. Proses analisis kriteria ini dibantu dengan beberapa pihak dari tim Zone Expansion Manager (ZEM) yang telah banyak berperan dalam mempelajari suatu lokasi untuk pembagunan kantor cabang. Analisis ini juga menyinggung beberapa cara pengumpulan data kriteria dan alternatif yang bisa penulis lakukan selama penelitian. Hasil dari wawancara ini adalah mendapatkan kepastian lima kriteria pengambilan keputusan dan lokasi kantor cabang apa saja yang dapat dijadikan alternatif pengambilan keputusan. Untuk mengetahui kriteria yang keenam dapat melihat Wawancara 3. Wawancara dilakukan oleh Adrian Nuradiansyah (AN) dengan empat narasumber yaitu Sonny F. Firdaus (SF), Irsyad A. Fazli (IF), Agung Nur Irfan (AI), dan Beri Yusvirli (BY). Keempat narasumber tersebut merupakan anggota darti time ZEM. Di bawah ini terdapat alur wawancara yang menjelaskan ringkasan wawancara antara penulis dengan narasumber.

Alur Wawancara: AN: Selamat malam teman-teman dari tim ZEM. Sebelumnya saya ucapkan terima kasih atas kehadirannya pada malam hari ini untuk mengikuti wawancara terkait skripsi saya yang bertopik pengembangan geospatial dashboard dengan pendekatan analytic hierarchy processing (AHP) untuk kegiatan ekspansi lokasi kantor cabang. Saya yakin teman-teman disini sudah cukup familiar dengan tools geospatial dashboard ini. Tools ini biasanya saya kembangkan untuk divisi Ruma Market


162 Intelligence (RMI). Sementara AHP mungkin dapat dikatakan cukup baru di telinga teman-teman semua. Apakah itu benar? IF: Iya benar Adrian. Dapatkah Anda jelaskan terlebih dahulu? AN: Ya, baik. Jadi metode AHP adalah suatu cara pengambilan keputusan yang menggabungkan elemen kuantitatif dan kualitatif untuk selanjutnya dihitung dalam suatu perhitungan matriks. Perhitungan tersebut nantinya menghasilkan nilai prioritas untuk setiap elemen yang dilibatkan pada perhitungan. Elemen yang dimaksud dapat berupa suatu kriteria atau alternatif pengambilan keputusan. Elemen kuantitatif adalah elemen yang dapat diukur dan bernilai objektif, sementara elemen kualitatif adalah elemen yang sulit diukur dan bersifat subjektif dari yang memberikan penilaian tersebut. SF: Oh oke Adrian. Jadi, kira-kira apa yang dapat kami bantu pada malam ini untuk skripsi Adrian? AN: Ya, baik. Jadi pada malam ini saya mengajak teman-teman untuk berdiskusi tentang kriteria dan alternatif pengambilan keputusan apa saja yang dapat dijadikan sebagai bahan dalam menentukan lokasi kantor cabang manakah yang akan dibangun terlebih dahulu. Jadi, teknologi ini akan sangat membantu teman-teman ZEM nantinya ketika ingin mengetahui kota atau kabupaten mana yang akan diekspansi terlebih dahulu. Berikut saya tampilkan daftar kriteria yang saya peroleh dari literatur maupun dari diskusi saya dengan Pak Andis (Head of Sales & Operationa PT. Ruma). Kriteria yang saya peroleh antara lain kepadatan penduduk, kepadatan warung, jumlah sentra usaha, jarak sentra usaha dengan pusat kota, potensi banyaknya kompetitor yang terdapat pada suatu wilayah, dan potensi PT. Ruma secara internal untuk membangun kantor cabang di daerah tersebut. Mungkin Mas Beri bisa kasih tanggapan terlebih dahulu? BY: Hmmm…mungkin mereka bertiga (Sonny, Irsyad, Agung) lebih punya pengalaman banyak terkait kriteria suatu wilayah. Mereka lebih senior hehe. Saya coba ikuti dahulu diskusi kalian malam ini. IF: Mungkin Adrian bisa tampilkan dulu alternatif lokasi kantor cabang yang ingin dimasukkan pada penelitian ini apa saja ya? AN: Ya, baik. Jadi ini adalah alternatif yang saya peroleh dari diskusi saya juga dengan Pak Andis. Dapat dilihat bahwa alternatif lokasi adalah kota/kabupaten yang memang belum terdapat kantor cabang PT. Ruma. Oh ya saya juga mau menambahkan dari keenam kriteria yang saya sebutkan di atas, potensi kompetitor Universitas Indonesia

163 dan potensi PT. Ruma secara internal itu diperoleh dengan perbandingan setiap wilayah secara independen dalam pengukuran yang kualitatif. Setiap perbandingan tersebut nantinya dapat menghaslkan bobot seberapa besar potensi banyaknya kompetitor dan potensi PT. Ruma secara internal di wilayah tersebut. SF: Nah begini Adrian, kami agak bingung sejujurnya kalau harus menjadikan beberapa dari kriteria dan alternatif itu sebagai bahan pengambilan keputusan. Hal ini dikarenakan kami takut salah memberikan nilai potensi tersebut secara pasti. Meskipun kami tahu bahwa itu intuitif, namun juga harus didasari dengan pengalaman dan pengetahuan yang kami punya terhadap daerah-daerah yang ditentukan Adrian. Apalagi daerah-daerah tersebut belum pernah diekspansi oleh Ruma. AI: Ya, benar. Jadi kami pernah juga punya pengalaman bahwa mempelajari suatu daerah itu tidak bisa hanya sekali. Perlu ada kunjungan yang cukup rutin dan menyeluruh untuk mengetahui wilayah tersebut sebelum menentukan secara pasti dan intuitif terhadap besarnya potensi suatu objek di wilayah tersebut. Apalagi potensi yang berkaitan dengan kompetitor. IF: Mungkin begini juga. Dari sisi kriteria ada beberapa hal yang ingin kami sampaikan, terutama terkait sentra usaha. Jadi, sentra usaha itu adalah usaha mikro yang telah direkrut oleh bank XYZ yang bekerja sama dengan Ruma untuk membantu warung atau usaha mikro di sekitarnya pada suatu wilayah dengan bentuk bantuan layanan keuangan, dsb. Namun, faktor bank XYZ ini juga merupakan bentuk partnership dan tingkat kepastian suatu partnership itu tidak bisa ditebak, sehingga kami suka menomorduakan faktor-faktor yang berkaitan dengan partnership. Hal-hal yang sering kami utamakan adalah kepadatan warung atau kepadatan penduduk di suatu wilayah, serta harga kompetitor dalam menjual suatu produk. Tentunya produk tersebut merupakan saingan dari produk Ruma. SF: Nah, itu bagus sekali. Saran saya potensi kompetitor di suatu wilayah lebih baik kamu spesifikkan saja, Adrian bahwa faktor yang berkaitan dengan kompetitor adalah harga kompetitor atau harga dari produk kompetitor dimana produk tersebut adalah saingan dari produk Ruma. AN: Wah menyenangkan sekali bisa dapat masukan seperti ini dari teman-teman semua. Terkait data kualitatif seperti potensi kompetitor dan potensi internal Ruma ini mungkin akan menarik kalau bisa kita diskusikan lebih jauh lagi. Saya setuju kalau harga kompetitor bisa jadi kriteria dari pengambilan keputusan ini. Jadi, sampai saat Universitas Indonesia

164 ini kriteria yang sesuai untuk penelitian ini adalah kepadatan penduduk, kepadatan warung, dan harga kompetitor. Kalau boleh tahu, bagaimana ya saya bisa memperoleh data harga kompetitor? Untuk data kepadatan penduduk dan kepadatan warung bisa saya peroleh dari Kak Anin (Field Coordinator PT. Ruma) yang punya data Susenas (Survei Sosial Ekonomi Nasional). AI: Adrian bisa coba ambil dari Mbak Indri (Operational Support Officer PT. Ruma) atau bisa ke Ihsan (Technical Product Administrator PT. Ruma). Mereka berdua itu pokoknya lengkap deh kalau sudah terkait urusan data seperti itu hehe. SF: Nah ini juga terkait lagi dengan alternatif pengambilan keputusan yang tadi Adrian sampaikan. Kalau menurut saya, mengapa Adrian tidak memakai data lokasi kantor cabang PT. Ruma saat ini saja? Hal itu bisa lebih baik buat penelitian Adrian. Pertama, data tersebut mudah diperoleh. Kedua, kami juga dapat memberikan pengalaman dan pengetahuan kami terkait kantor cabang tersebut. Terakhir adalah saya rasa tidak akan berdampak buruk dengan tujuan penelitian yang kamu buat. Anggap saja lokasi kantor cabang PT. Ruma saat ini adalah lokasi yang belum diekspansi, namun kriteria yang kamu buat untuk penelitian itu adalah kriteria umum yang dapat berlaku untuk pengembangan teknologi ini selanjutnya. Jadi, ketika nanti di praktiknya akan menggunakan lokasi kantor cabang PT. Ruma yang belum pernah diekspansi, maka kriteria ini juga tidak akan berubah. Mungkin kriterianya hanya akan bertambah pada praktiknya nanti. Selama penelitian ini yang dilihat kan juga adalah analisis kamu terhadap dashboard dan metode AHP yang kamu buat atas data yang PT. Ruma berikan. Jadi kemampuan dashboard dan hasil metode AHP itu yang lebih baik kamu analisis secara lebih jauh di penelitian ini. AN: Wah baik terima kasih sekali Kak Sonny untuk sarannya. Baik saya setuju kalau menggunakan lokasi kantor cabang saat ini. Saya rasa juga akan lebih mempermudah penelitian saya. Data lokasi tersebut dapat saya peroleh dari Mbak Indri juga? AI: Iya, tentu. Kamu bisa dapat dari dia juga. AN: Oke baik, lalu lanjut lagi mengenai faktor sentra usaha. Saya rasa faktor tersebut masih dapat dianggap penting khususnya untuk kriteria dari aspek target pasar. Saya melihat bahwa faktor ini bisa menjadi faktor dukungan bagi kepadatan warung atau kepadatan penduduk yang saya lihat dua hal itu juga merupakan kriteria dari aspek target pasar. Jadi, faktor sentra usaha bisa menjadi kriteria yang memperkuat tingkat prioritas suatu daerah untuk diekspansi. Setidaknya untuk beberapa waktu ke depan.


165 IF: Baik, tidak masalah kalau begitu. Mungkin yang harus diperhatikan adalah saya rasa jarak sentra usaha ke pusat itu tidak perlu dimasukkan. Populasi sentra usaha saja itu sudah cukup. AN: Oke, baik mengenai data itu saya juga sudah peroleh dari Kak Danny (Former Business Intelligence and Analytics PT. Ruma). Lalu, baik sekarang lanjut lagi mengenai potensi internal PT. Ruma ketika mengekspansi suatu wilayah. Kira-kira ada yang bisa diperbaiki atau diperjelas lagi dari kriteria ini? SF: Hmm....baik menurut saya kriteria ini bisa diartikan seperti ini yaitu bagaimana potensi PT. Ruma merekrut jumlah warung di suatu wilayah. Kriteria ini diturunkan dari faktor kepadatan penduduk, faktor kepadatan warung, dan pengetahuan serta pengalaman tim ZEM dalam mempelajari wilayah tersebut. AI: Ya, faktor seperti itu bisa merupakan elemen yang kualitatif. IF: Ya, benar sekali seperti kata Sonny. Selama kamu nanti punya data kepadatan penduduk dan kepadatan warung, kamu nanti bisa diskusi lagi dengan kita untuk mendapatkan nilai perbandingan antar wilayah terkait potensi Ruma merekrut jumlah warung di wilayah tersebut. AN: Wah, menarik sekali. Saya setuju dengan kriteria potensi PT. Ruma merekrut jumlah warung tersebut. Mungkin bisa kita adakan diskusi seperti ini lagi yaitu di dua minggu ke depan untuk mendapatkan nilai perbandingan potensi PT. Ruma tersebut ya? AI, SF, IF, BY: Oke, baik setuju. AN: Oke, oleh karena itu saya simpulkan bahwa hasil diskusi malam ini adalah terdapat lima kriteria pengambilan keputusan yaitu kepadatan penduduk, kepadatan warung, harga kompetitor, populasi sentra usaha, potensi PT. Ruma merekrut jumlah warung. Lalu alternatif untuk pengambilan keputusan adalah kota/kabupaten yang memiliki lokasi kantor cabang PT. Ruma saat ini. Bagaimana? Ada tanggapaan? AI, SF, IF, BY: Baik, kami setuju dengan kesimpulannya.


166


: Analisis Kriteria Pengambilan Keputusan dan Alternatif Lokasi Kantor Cabang

Lokasi


Waktu

: Selasa, 25 Februari 2014, Pukul 10.00 – 10.30

Narasumber

: Salma Desenta (CTO PT. Ruma)

Deskripsi: Wawancara ini diadakan sebagai kelanjutan dari diskusi yang penulis lakukan kemarin dengan tim ZEM terkait kriteria dan alternatif pengambilan keputusan. Tujuan dari diskusi ini adalah untuk memastikan kriteria dan alternatif pengambilan keputusan apa saja yang akan digunakan pada penelitian. Selain itu juga untuk memperoleh second opinion dari pihak manajer PT. Ruma, khususnya manajer IT yang memiliki banyak pengetahuan tentang teknologi business intelligence. Hasil dari diskusi ini adalah memperoleh kriteria keenam yang akan melengkapi serta memperkuat bahan dari proses pengambilan keputusan terhadap kegiatan ekspansi lokasi kantor cabang. Wawancara ini dilakukan oleh Adrian Nuradiansyah (AN) dengan narasumber yaitu Salma Desenta (SD) (Chief Technology Officer PT. Ruma). Di bawah ini terdapat alur wawancara yang menjelaskan ringkasan wawancara antara penulis dengan narasumber. Alur wawancara: AN: Baik Pak Salma, jadi kemarin saya sudah berdiskusi dengan pihak ZEM bahwa terdapat 5 kriteria dan 22 kota/kabupaten yang merupakan alternatif dari pengambilan keputusan ini. Kelima kriteria tersebut antara lain kepadatan penduduk, kepadatan warung, populasi sentra usaha, harga kompetitor, dan potensi PT. Ruma merekrut jumlah warung. Kriteria terakhir yang saya sampaikan tadi diperoleh dengan cara membandingkan dua lokasi kantor cabang secara independen yang kemudian dilihat jika pada usaha operasional yang sama, maka berapa perbandingan potensi PT. Ruma di antara kedua wilayah tersebut. Lalu untuk kota/kabupaten yang akan dijadikan objek penelitian adalah kota/kabupaten di Indonesia yang telah terdapat lokasi kantor cabang PT. Ruma. Alternatif ini tidak menggunakan kota/kabupaten yang belum diekspansi karena untuk memudahkan saya beserta tim ZEM nantinya dalam


167 memberikan data terkait kompetitor. Faktor kompetitor dapat dianalisis dengan mudah jika menggunakan lokasi kantor cabang PT. Ruma saat ini. Lagipula yang akan dianalisis lebih jauh pada penelitian ini adalah dashboard dan hasil dari metode AHP yang dibuat oleh saya. Bagaimana pendapat Pak Salma? SD: Ya, baik. Saya tidak masalah. Selama itu memang masuk ruang lingkup penelitian kamu, ya seharusnya tidak menjadi masalah. AN: Oke, baik Pak. Lalu kemarin saya juga mendapat literatur yang menyatakan bahwa analisis kriteria untuk kegiatan ekspansi cabang itu terbagi menjadi empat secara umum, yaitu analisis target pasar, analisis kompetitor, analisis biaya operasional, dan analisis perubahan yang akan terjadi di wilayah tersebut. Literatur ini saya peroleh dari The Data Warehouse Institute (TDWI). Dengan adanya literatur ini, diharapkan analisis yang saya dan PT. Ruma lakukan juga terdapat latar belakang teorinya. SD: Oke, bagus Adrian. Ada yang dapat kamu analisis lebih jauh dari literatur itu? AN: Dari literatur ini yang selanjutnya saya cocokkan dengan analisis yang sudah ada, maka setiap kriteria yang ada di penelitian saya dapat dikategorikan sebagai berikut, yaitu kepadatan penduduk dan kepadatan warung merupakan analisis target pasar, lalu harga kompetitor merupakan analisis kompetitor, dan populasi sentra usaha merupakan analisis perubahan. Sementara itu potensi PT. Ruma merekrut warung di suatu wilayah merupakan kriteria yang diturunkan dari faktor kriteria kepadatan penduduk dan kepadatan warung. Berdasarkan kedua faktor itu tersebut, kita dapat memperkirakan berapa perbandingan potensi PT. Ruma merekrut jumlah warung di antara dua wilayah dengan usaha operasional yang sama. SD: Oke, bagus Adrian, tetapi mungkin saya ingin menambahkan penjelasan mengenai kriteria populasi sentra usaha yang dikategorikan sebagai kriteria perubahan. Jadi, maksud dari kriteria perubahan ini adalah adanya perubahan di waktu yang akan datang terkait dengan peluang bertambahnya jumlah customer perusahaan ketika melakukan ekspansi di wilayah tersebut. Jika dikaitkan dengan penelitian kamu, maka perubahan tersebut adalah adanya populasi sentra usaha yang direkrut oleh bank XYZ yang juga bekerja sama dengan PT. Ruma dalam hal manajemen nasabah atau agen. Pengelolaan nasabah serta kegiatan kerja sama antara dua perusahaa ini dapat memberikan peluang tumbuhnya customer atau agen bagi PT. Ruma.


168 AN: Oke, baik Pak. Saya setuju dengan penjelasan tersebut. Lalu, saya juga ingin menambahkan. Dengan kita mengikuti panduan dari TDWI, maka saya ingin tahu apakah ada kriteria biaya operasional yang dapat disesuaikan dengan analisis PT. Ruma terhadap ekspansi lokasi kantor cabang ini? Saya kemarin berpikir bahwa pengeluaran per kapita bisa menjadi kriteria biaya operasional yang dapat dianalisis PT. Ruma karena secara tidak langsung dengan melihat pengeluaran per kapita seseorang, maka PT. Ruma dapat memprediksi maka berapa besar biaya sewa tenaga kerja yang dibutuhkan. Bagaimana pendapat Pak Salma? SD: Hmm, mengapa tidak menggunakan upah minimum regional (UMR) saja? Saya rasa itu secara langsung dapat menjadi analisis operasional dari PT. Ruma untuk mengetahui berapa besar biaya sewa tenaga kerja yang dibutuhkan. AN: Oh iya, benar juga. Terima kasih Pak Salma untuk masukannya. Biaya UMR itu dapat saya peroleh juga dari data Susenas (Survei Sosial Ekonomi Nasional), ya Pak? SD: Ya tentu. Saya yakin ada di sana datanya. AN: Baik terima kasih Pak untuk wawancara hari ini. Dengan demikian kesimpulan dari wawancara ini adalah adanya tambahan kriteria operasional yang dimasukkan dalam penelitian yaitu adalah upah minimum regional (UMR). Sekali lagi saya ucapkan terima kasih, Pak. SD: Ya, benar Adrian. Sama-sama.


169

LAMPIRAN 2: DATA UNTUK PERHITUNGAN METODE AHP


170 Bagian ini menjelaskan data yang digunakan untuk perhitungan matriks pada metode Analytic Hierarchy Processing (AHP). Data pertama yang dijelaskan adalah data untuk kriteria pengambilan keputusan. Data yang diperoleh di bagian ini merupakan turunan dari raw data penelitian yang terdapat pada subbab 5.1.4. Secara umum, pada bagian ini, semua data akan dikenai proses normalisasi. Proses normalisasi pada penelitian ini adalah proses membagi setiap nilai pada tabel dengan jumlah keseluruhan data pada tabel tersebut. Hasil dari proses normalisasi tersebut yang selanjutnya akan dimasukkan dalam perhitungan vektor eigen untuk mendapatkan nilai prioritas. Selain data untuk kriteria pengambilan keputusan, data yang digunakan adalah nilai tingkat kepentingan antar kriteria yang diperoleh dari tabel 5.13. Nilai tingkat kepetingan antar kriteria ini dapat didefinisikan sebagai bobot untuk suatu kriteria ketika dimasukkan pada perhitungan matriks. Semakin besar bobot dari suatu kriteria, maka semakin besar perannya dalam mempengaruhi nilai akhir prioritas suatu kota untuk diekspansi. Pada bagian ini terdapat 7 data yang digunakan untuk perhitungan matriks pada AHP. Data 1 sampai data 6 merupakan data kriteria pengambilan keputusan. Sementara data ketujuh merupakan data yang berisi bobot untuk setiap kriteria. 1. Data Kepadatan Penduduk Data kepadatan penduduk diperoleh dengan membagi kolom populasi penduduk dengan kolom luas wilayah pada tabel 5.14. Nilai kepadatan penduduk untuk setiap kota/kabupaten dapat dilihat pada tabel lampiran 2.1 dan nilai dari hasil proses normalisasi untuk kepadatan penduduk dapat dilihat pada tabel lampiran 2.2. Tabel Lampiran 2.1. Tabel Kepadatan Penduduk

Kota/Kabupaten Bandung Bogor Bekasi Ciamis Cianjur Cilegon Cirebon

Kepadatan Penduduk 14.91369714

17.18191178 36.7768377 6.496896707 6.599711684 18.58127646 24.57708833

Kota/Kabupaten Klaten Lebak Majalengka Semarang Serang Sukabumi Sumedang

Kepadatan Penduduk 20.18196374

3.534273163 9.815320209 17.47406206 12.27729798 7.494672959 7.065984037 Universitas Indonesia

171 7.511803295 9.829517135 146.2353769 11.03530885

Garut Indramayu Jakarta Kendal

82.08501946 45.59990941 8.859668679 120.8361512

Tabanan Tangerang Tasikmalaya Yogyakarta

Tabel Lampiran 2.2. Tabel Kepadatan Penduduk (Normalisasi)

Kepadatan Penduduk Kota/Kabupaten (Normalisasi)

Kepadatan Penduduk Kota/Kabupaten (Normalisasi)



0.023487441

0.027059631 0.057919495 0.010231901 0.010393824 0.029263477 0.038706225 0.011830268 0.015480414 0.230304717 0.017379404

0.031784385

0.005566094 0.015458055 0.027519736 0.019335401 0.01180329 0.011128152 0.129274924 0.071814868 0.013953009 0.190303716

2. Data Kepadatan Warung Data kepadatan warung diperoleh dengan membagi kolom jumlah warung dengan kolom luas wilayah pada tabel 5.14. Nilai kepadatan warung untuk setiap kota/kabupaten dapat dilihat pada tabel lampiran 2.3 dan nilai dari hasil proses normalisasi untuk kepadatan warung dapat dilihat pada tabel lampiran 2.4. Tabel Lampiran 2.3. Tabel Kepadatan Warung

Kota/Kabupaten

Kepadatan Warung

Kota/Kabupaten

Kepadatan Warung


0.142192103 0.158698857 0.218078503 0.073424296 0.071335962 0.205308272 0.179006795 0.0688747 0.100861131 0.824829021 0.095996305


0.172097775 0.056724807 0.106733405 0.151829942 0.08853497 0.08566713 0.070607283 0.879182879 0.301175315 0.091268072 1.246849062


172

Tabel Lampiran 2.4. Tabel Kepadatan Warung (Normalisasi)

Kepadatan Warung Kota/Kabupaten (Normalisasi)

Kepadatan Warung Kota/Kabupaten (Normalisasi)



0.026384263 0.029447152 0.040465262 0.013624146 0.013236648 0.038095699 0.033215364 0.012779952 0.018715151 0.153050033 0.017812464

0.03193337 0.010525495 0.019804772 0.028172599 0.016427987 0.015895848 0.013101439 0.163135589 0.055884178 0.016935124 0.23135739

3. Data Harga Kompetitor Data harga kompetitor untuk kriteria pengambilan keputusan sama dengan data pada kolom harga kompetitor pada tabel 5.14. Nilai dari hasil proses normalisasi untuk harga kompetitor dapat dilihat pada tabel lampiran 2.5. Tabel Lampiran 2.5. Tabel Harga Kompetitor (Normalisasi)

Harga Kompetitor Kota/Kabupaten (Normalisasi)

Harga Kompetitor Kota/Kabupaten (Normalisasi)



0.045613437 0.045826584 0.046039731 0.045442919 0.046039731 0.044547702 0.045187143 0.045613437 0.045613437 0.046039731 0.045187143

0.045187143 0.046039731 0.045187143 0.045187143 0.044760849 0.045613437 0.045442919 0.046039731 0.044760849 0.045442919 0.045187143


173 4. Data Upah Minimum Regional Data ini diperoleh dari kolom UMR pada tabel 5.14 dengan cara melakukan fungsi resiprokal pada setiap nilai di kolom tersebut. Funsgi resiprokal ini terjadi dikarenakan adanya perbedaan sudut pandang dalam penafsiran besarnya nilai suatu UMR terhadap keputusan PT. Ruma. Semakin besar nilai UMR, maka semakin besar biaya operasional untuk PT. Ruma. Hal ini berbeda dengan data yang lain dimana semakin besar nilai suatu data kriteria, maka semakin besar dampak positif bagi PT. Ruma. Fungsi resiprokal dilakukan dengan mengambil nilai terkecil dari data UMR, lalu nilai terkecil tersebut dibagi untuk setiap nilai pada data UMR. Nilai resiprokal UMR dapat dilihat pada tabel lampiran 2.6 dan nilai dari hasil proses normalisasi untuk dari setiap nilai resiprokal UMR dapat dilihat pada tabel lampiran 2.7. Tabel Lampiran 2.6. Tabel UMR

Kota/Kabupaten Nilai Resiprokal UMR 0.576368876 Bandung 0.425170068 Bogor 0.40950041 Bekasi 0.960614793 Ciamis 0.666666667 Cianjur 0.454545455 Cilegon 0.824606251 Cirebon 0.921658986 Garut 0.78350257 Indramayu 0.409617827 Jakarta 0.829187396 Kendal

Kota/Kabupaten

Nilai Resiprokal UMR


0.974089227 0.842105263 1 0.702493853 0.480769231 0.638569604 0.576368876 0.8 0.454545455 0.781860829 0.85229694

Tabel Lampiran 2.7. Tabel UMR (Normalisasi)

Nilai UMR Kota/Kabupaten (normalisasi)

Nilai UMR Kota/Kabupaten (normalisasi)

Bandung Bogor Bekasi Ciamis Cianjur Cilegon Cirebon Garut

Klaten Lebak Majalengka Semarang Serang Sukabumi Sumedang Tabanan

0.037512931

0.027672166 0.026652308 0.062521552 0.043389957 0.029584061 0.053669444 0.059986115

0.063398534

0.054808367 0.065084935 0.045721767 0.031290834 0.041561261 0.037512931 0.052067948 Universitas Indonesia

174 Indramayu Jakarta Kendal

0.050994214 0.02665995 0.053967608

0.029584061 0.050887361 0.055471691

Tangerang Tasikmalaya Yogyakarta

5. Data Populasi Sentra Usaha Data populasi sentra usaha untuk kriteria pengambilan keputusan sama dengan data pada kolom populasi sentra usaha pada tabel 5.14. Nilai dari hasil proses normalisasi untuk populasi sentra usaha dapat dilihat pada tabel lampiran 2.8. Tabel Lampiran 2.8. Tabel Populasi Sentra Usaha (Normalisasi)

Populasi Sentra Usaha Kota/Kabupaten (Normalisasi)

Kota/Kabupaten



0.11018711 0.058212058 0.041580042 0.045738046 0.033264033 0.027027027 0.064449064 0.056133056 0.068607069 0.01039501 0.022869023

Populasi Sentra Usaha (Normalisasi) 0.031185031 0.031185031 0.056133056 0.033264033 0.035343035 0.079002079 0.041580042 0.01039501 0.04989605 0.06029106 0.033264033

6. Data Potensi PT. Ruma Merekrut Jumlah Warung Data ini diperoleh dari tabel 5.11 dan 5.12. Tabel yang merupakan matriks pairwise comparison tersebut selanjutnya dilakukan perkalian matriks. Hasil dari perkalian matriks tersebut menghasilkan vektor eigen. Vektor eigen diperoleh dengan cara menjumlahkan nilai di setiap kolom pada suatu baris. Nilai-nilai tersebut selanjutnya dikenai proses normalisasi seperti pada data sebelumnya. Vektor eigen yang diperoleh selanjutnya dikalikan kembali dengan matriks terakhir yang diperoleh sehingga menghasilkan vektor eigen yang baru. Perkalian matriks berhenti ketika selisih antara vektor eigen yang satu dengan yang sebelumnya tidak jauh berbeda. Pada penelitian ini penulis menetapkan nilai 0.001 sebagai threshold untuk selisih antar vektor eigen. Pada dasarnya setiap nilai

potensi

dapat

berbeda-beda

tergantung

dari

berapa

banyaknya


175 kota/kabupaten yang dipilih. Tabel lampiran 2.9 menampilkan data potensi Ruma merekrut

warung

pada

setiap

kota/kabupaten

dengan

asumsi

semua

kota/kabupaten dipilih untuk proses pengambilan keputusan. Tabel Lampiran 2.9. Tabel Potensi Ruma Merekrut Warung (Normalisasi)


Potensi Ruma Merekrut Warung (Normalisasi) 0.1265 0.0944 0.0622 0.0309 0.0414 0.0125 0.0451 0.0380 0.0365 0.1181 0.0117

Kota/Kabupaten Klaten Lebak Majalengka Semarang Serang Sukabumi Sumedang Tabanan Tangerang Tasikmalaya Yogyakarta

Potensi Ruma Merekrut Warung (Normalisasi) 0.0215 0.0315 0.0243 0.0546 0.0314 0.0592 0.0198 0.0046 0.0824 0.0455 0.0078

7. Data Bobot Kriteria Pengambilan Keputusan Seperti yang telah dijelaskan di atas bahwa data bobot kriteria pengambilan keputusan ini diperoleh dari tabel 5.13. Data ini juga diperoleh dari hasil perkalian matriks dengan tahapan yang sama seperti pada data potensi PT. Ruma merekrut jumlah warung. Nilai akhir dari data ini selanjutnya akan menjadi suatu vektor yang dikalikan dengan matriks kriteria pengambilan keputusan. Matriks tersebut merupakan kumpulan dari nilai-nilai pada data 1 sampai data 6. Hasil dari perkalian matriks dan vektor ini selanjutnya akan menghasilkan nilai prioritas suatu kota untuk diekspansi. Bobot untuk setiap kriteria sebenarnya juga dapat berubah-ubah tergantung dari banyaknya kriteria yang dipilih. Tabel lampiran 10 menampilan bobot untuk setiap kriteria dengan asumsi setiap kriteria dipilih untuk proses pengambilan keputusan.


176 Tabel Lampiran 2.10. Tabel Bobot Kriteria Pengambilan Keputusan

Kriteria Kepadatan Penduduk Kepadatan Warung Harga Kompetitor

Bobot

Kriteria

Bobot

0.1509

UMR Populasi Sentra Usaha Potensi Ruma Merekrut Warung

0.1356

0.3209 0.2648

0.0178 0.1100

Setelah memperoleh data untuk perhitungan AHP pada setiap kriteria beserta bobotnya, maka dapat dilakukan perhitungan pairwise comparison matrices seperti pada gambar 2.23. Perhitungan pairwise comparison matrices ini juga dapat diperoleh dari pseudocode yang mengimplementasikan metode AHP pada lampiran 2. Perhitungan ini ditujukan untuk menghasilkan nilai prioritas untuk setiap kota/kabupaten. Hasil dari perhitungan tersebut ditampilkan oleh tabel lampiran 11. Tabel Lampiran 2.11. Hasil Perhitungan AHP


Nilai Prioritas 4.51 4.07 4.51 3.05 2.86 3.41 4.18 3.11 3.23 11.42 2.89

Kota/Kabupaten Klaten Lebak Majalengka Semarang Serang Sukabumi Sumedang Tabanan Tangerang Tasikmalaya Yogyakarta

Nilai Prioritas 3.85 2.74 3.30 3.77 2.80 3.23 2.55 9.28 5.47 3.23 12.55

Berdasarkan perhitungan di atas, maka Yogyakarta memiliki nilai prioritas yang tinggi sebesar 12.55 untuk diekspansi.


177

LAMPIRAN 3: PSEUDOCODE ALGORITMA AHP PADA APLIKASI GEOSPATIAL DASHBOARD


178 /* function to start the program and get the priority value of criteria, priority value of ruma’s potency to grab all stalls, and weight value of each cities based on their criteria */ init(list_criteria, list_city) { BEGIN DECLARE weight_attribute as an two dimension array of int with number of criteria as its length DECLARE priority_attribute as an int array with number of criteria as its length GET the value of weight_criteria from db_query(list_criteria) GET the value of priority_criteria from ahp(weight_criteria) IF checkbox of potensi_ruma_merekrut_warung is checked DECLARE weight_ruma_potency as an two dimension array of int with number of cities as its length DECLARE priority_ruma_potency as an int array with number of cities as its length GET the value of weight_ruma_potency from db_query(list_city) GET the value of priority_ruma_potency from ahp(weight_ruma_potency) ENDIF DECLARE weight_city_criteria as an two dimension array of int with number of cities and number of criterias as its length GET the value of weight_city_criteria from db_query(list_city, list_criteria) CALL calculate_matrix(priority_criteria, priority_ruma_potency, weight_city_criteria) END }

//function to calculate the AHP method and get the eigen vector ahp(array_two_dimension) { BEGIN WHILE true PERFORM multiplication matrix of array_two_dimension to get the temp_array_two_dimension ADD up the values in each row of matrix temp_array_two_dimension to get the temp_eigen_vector IF difference between a value of temp_eigen_vector in current loop with a value of temp_eigen_vector in previous loop <= 0.001 BREAK END IF END WHILE RETURN temp_eigen_vector


179 END }

// function to get the priority score of each cities based on their criteria calculate_matrix(priority_criteria, priority_ruma_potency, weight_city_criteria) { BEGIN DECLARE eigen_matrix_city as an array which contains the combination of value in weight_city_criteria and value in priority_ruma_potency SET eigen_matrix_city equal to the addition of weight_city_criteria and priority_ruma_potency GET priority_score_cities by multiply eigen_matrix_city with priority criteria END }


180

LAMPIRAN 4: HASIL EVALUASI PENELITIAN DENGAN TIM ZONE EXPANSION MANAGER


181 1. Evaluasi Penelitian oleh Agung Nur Irfan (Halaman 1)


182

2. Evaluasi Penelitian oleh Beri Yusvirli (Halaman 1)


183

3. Evaluasi Penelitian oleh Irsyad A. Fazli (Halaman 1)


184

4. Evaluasi Penelitian oleh Joe Chrisna (Halaman 1)


185

5. Evaluasi Penelitian oleh Muhammad Wahib (Halaman 1)


186

6. Evaluasi Penelitian oleh Sonny F. Firdaus (Halaman 1)


187

7. Evaluasi Penelitian oleh Agung Nur Irfan (Halaman 2)

8. Evaluasi Penelitian oleh Beri Yusvirli (Halaman 2)


188

9. Evaluasi Penelitian oleh Irsyad A. Fazli (Halaman 2)

10. Evaluasi Penelitian oleh Joe Chrisna (Halaman 2)


189

11. Evaluasi Penelitian oleh Muhammad Wahib (Halaman 2)

12. Evaluasi Penelitian oleh Sonny F. Firdaus (Halaman 2)


190

LAMPIRAN 5: HASIL EVALUASI METODE AHP DENGAN PERHITUNGAN SPEARMAN RHO


191 1. Eksperimen A Bagian ini menjelaskan hasil eksperimen A yang digambarkan pada tabel 5.2 dan tabel lampiran 5.3. Eksperimen terdiri dari 8 prosedur yang disimbolkan dengan P1 sampai P8. Lalu, setiap prosedur pada eksperimen menghasilkan 22 kota dengan simbol yang berbeda-beda. Penjelasan terkait penamaan simbol kota/kabupaten eksperimen A dapat dilihat pada tabel lampiran 5.1. Simbol X mendefinisikan urutan kota/kabupaten pada data profit per transaksi, sementara simbol Y mendefinisikan urutan kota/kabupaten pada hasil metode AHP penulis.

Tabel Lampiran 5. 1 Simbol Nama Kota/Kabupaten Eksperimen A

Nama Kabupaten/Kota Bandung Bekasi Bogor Ciamis Cianjur Cilegon Cirebon Garut

Simbol Nama Kabupaten/Kota A Indramayu B Jakarta C Kendal D Klaten E Lebak F Majalengka G Semarang H Serang

Simbol I J K L M N O P

Nama Kabupaten/Kota Sukabumi Sumedang Tabanan Tangerang Tasikmalaya Yogyakarta

Simbol Q R S T U V

Tabel Lampiran 5. 2. Hasil Eksperimen A (Bagian 1)

Kota

X

A B C D E F G H I J K L M N O P

19 15 6 21 1 4 14 20 10 12 13 16 3 18 11 5

P1 Y 11 5 9 18 19 6 7 21 13 3 14 8 22 12 10 16

d 8 10 3 3 18 2 7 1 3 9 1 8 19 6 1 11

d2 64 100 9 9 324 4 49 1 9 81 1 64 361 36 1 121

Y 11 5 10 16 20 8 6 17 14 2 13 7 22 12 9 18

P2 d 8 10 4 5 19 4 8 3 4 10 0 9 19 6 2 13

P3 d2 64 100 16 25 361 16 64 9 16 100 0 81 361 36 4 169

Y 10 5 9 19 21 7 6 18 12 2 15 8 22 13 11 14

d 9 10 3 2 20 3 8 2 2 10 2 8 19 5 0 9

P4 d2 81 100 9 4 400 9 64 4 4 100 4 64 361 25 0 81

Y 6 5 7 20 17 10 8 18 13 2 19 11 22 15 9 16

d 13 10 1 1 16 6 6 2 3 10 6 5 19 3 2 11


d2 169 100 1 1 256 36 36 4 9 100 36 25 361 9 4 121

192 Q 7 17 10 R 22 20 2 S 8 2 6 T 17 4 13 U 2 15 13 V 9 1 8 2 d = Nilai  = Keakuratan metode =

100 4 36 169 169 64 1776 -0.0028 0.28%

19 21 3 4 15 1

12 1 5 13 13 8

144 1 25 169 169 64 1994 -0.1259 12.59%

17 20 3 4 16 1

10 2 5 13 14 8

100 4 25 169 196 64 1868 -0.0548 5.48%

12 21 3 4 14 1

5 1 5 13 12 8

25 1 25 169 144 64 1696 0.0423 4.23%

Tabel Lampiran 5. 3 Hasil Eksperimen A (Bagian 2)

Kota

X

P5 Y 10 5 12 16 20 8 6 17 13 2 14 7 21 11 9 19 18 22 3 4 15 1

d

A 19 9 B 15 10 C 6 6 D 21 5 E 1 19 F 4 4 G 14 8 H 20 3 I 10 3 J 12 10 K 13 1 L 16 9 M 3 18 N 18 7 O 11 2 P 5 14 Q 7 11 R 22 0 S 8 5 T 17 13 U 2 13 V 9 8 2 d = Nilai  = Keakuratan metode =

d2 81 100 36 25 361 16 64 9 9 100 1 81 324 49 4 196 121 0 25 169 169 64 2004 -0.1316 13.16%

Y 6 5 8 17 19 11 7 16 13 2 18 9 21 12 10 20 15 22 3 4 14 1

P6 d 13 10 2 4 18 7 7 4 3 10 5 7 18 6 1 13 8 0 5 13 12 8

P7 d2 169 100 4 16 324 49 49 16 9 100 25 49 324 36 1 169 64 0 25 169 144 64 1906 -0.0762 7.62%

Y 6 5 7 19 18 10 8 17 13 2 20 11 22 15 9 16 12 21 3 4 14 1

d 13 10 1 2 17 6 6 3 3 10 7 5 19 3 2 11 5 1 5 13 12 8

P8 d2 169 100 1 4 289 36 36 9 9 100 49 25 361 9 4 121 25 1 25 169 144 64 1750 0.0119 1.19%

Y 5 6 8 17 19 11 7 16 13 2 18 9 21 12 10 20 14 22 3 4 15 1

d 14 9 2 4 18 7 7 4 3 10 5 7 18 6 1 15 7 0 5 13 13 8


d2 196 81 4 16 324 49 49 16 9 100 25 49 324 36 1 225 49 0 25 169 169 64 1980 -0.1180 11.80%

193

2. Eksperimen B Bagian ini menjelaskan hasil eksperimen B yang digambarkan pada tabel 5.5 dan tabel lampiran 5.6. Eksperimen terdiri dari 8 prosedur yang disimbolkan dengan P1 sampai P8. Lalu, setiap prosedur pada eksperimen menghasilkan 10 kota dengan simbol yang berbeda-beda. Penjelasan terkait penamaan simbol kota/kabupaten eksperimen B dapat dilihat pada tabel lampiran 5.4. Simbol X mendefinisikan urutan kota/kabupaten pada data profit per transaksi, sementara simbol Y mendefinisikan urutan kota/kabupaten pada hasil metode AHP penulis. Tabel Lampiran 5. 4 Simbol Nama Kota/Kabupaten Eksperimen B

Nama Kabupaten/Kota Bandung Bekasi Bogor Cilegon

Simbol Nama Kabupaten/Kota A Cirebon B Jakarta C Klaten D Tabanan

Simbol

Nama Kabupaten/Kota Tangerang Yogyakarta

E F G H

Simbol I J

Tabel Lampiran 5. 5 Hasil Eksperimen B (Bagian 1)

Kota

X

Y

P1 d

A B 6 5 1 C D 1 6 5 E 5 7 2 F 4 3 1 G 7 8 1 H 2 2 0 I 8 4 4 J 3 1 2 d2 = Nilai  = Keakuratan metode =

X

Y

P2 d

1

6

5

1

1

6

5

1

1

25 4 1 1 0 16 4

1 5 4 7 2 8 3

8 6 2 7 3 4 1

7 1 2 0 1 4 2

49 1 4 0 1 16 4

1 5 4 7 2 8 3

7 6 2 8 3 4 1

6 1 2 1 1 4 2

36 1 4 1 1 16 4

d2

52 0.3810 38.10%

d2

X

76 0.0952 9.52%

Y

P3 d

d2

X 8 6 1

Y 6 5 7

P4 d 2 1 6

5 4

8 2

3 2

9 4

2 7 3

3 4 1

1 3 2

1 9 4

64 0.2381 23.81%


d2 4 1 36

68 0.1905 19.05%

194 Tabel Lampiran 5. 6. Hasil Eksperimen B (Bagian 2)

Kota

X

Y

P5 d

A B 6 5 1 C D 1 8 7 E 5 6 1 F 4 2 2 G 7 7 0 H 2 3 1 I 8 4 4 J 3 1 2 2 d = Nilai  = Keakuratan metode =

d2 1 49 1 4 0 1 16 4 76 0.0952 9.52%

X 8 6 1

Y 6 5 8

P6 d 2 1 7

5 4

7 2

2 7 3

3 4 1

d2 4 1 49

X 8 6 1

2 2

4 4

5 4

1 3 2

1 9 4 76 0.0952 9.52%

2 7 3

P7 Y d 6 2 5 1 7 6 9 8 3 2 2 10 3 1 4 3 1 2

d2 4 1 36

X 8 6 1

9 4

5 4

1 9 4 68 0.1905 19.05%

2 7 3

Y 5 6 8 9 7 2 10 3 4 1

P8 d 3 0 7

3. Eksperimen C Bagian ini menjelaskan hasil eksperimen C yang digambarkan pada tabel 5.8 dan tabel lampiran 5.9. Eksperimen terdiri dari 8 prosedur yang disimbolkan dengan P1 sampai P8. Lalu, setiap prosedur pada eksperimen menghasilkan 4 kota dengan simbol yang berbeda-beda. Penjelasan terkait penamaan simbol kota/kabupaten eksperimen A dapat dilihat pada tabel lampiran 5.7. Simbol X mendefinisikan urutan kota/kabupaten pada data profit per transaksi, sementara simbol Y mendefinisikan urutan kota/kabupaten pada hasil metode AHP penulis. Tabel Lampiran 5. 7. Simbol Nama Kota/Kabupaten Eksperimen C

Nama Kabupaten/Kota Jakarta Tabanan Tangerang Yogyakarta

Simbol A B C D


d2 9 0 49

2 2

4 4

1 3 2

1 9 4 80 0.0476 4.76%

195 Tabel Lampiran 5. 8. Hasil Eksperimen C (Bagian 1)

Kota

X

P1 Y 3 2 4 1

d2

d

A 3 0 B 1 1 C 4 0 D 2 1 2 d = Nilai  = Keakuratan metode =

Y

0 1 0 1 2 0.8095 80.95%

2 3 4 1

P2 d 1 2 0 1

P3 d2 1 4 0 1 6 0.4000 40%

Y 2 3 4 1

P4 d2

d 1 2 0 1

1 4 0 1 6 0.4000 40%

Y 2 3 4 1

d 1 2 0 1

d2 1 4 0 1 6 0.4000 40%

Tabel Lampiran 5. 9. Hasil Eksperimen C (Bagian 2)

Kota

X

P5 Y 2 3 4 1

d

A 3 1 B 1 2 C 4 0 D 2 1 2 d = Nilai  = Keakuratan metode =

d2 1 4 0 1 6 0.4000 40%

Y 2 3 4 1

P6 d 1 2 0 1

P7 d2 1 4 0 1 6 0.4000 40%

Y 2 3 4 1

d 1 2 0 1

P8 d2 1 4 0 1 6 0.4000 40%

Y 2 3 4 1

d 1 2 0 1

4. Eksperimen D Bagian ini menjelaskan hasil eksperimen D yang digambarkan pada tabel lampiran 5.11 dan 5.12. Eksperimen terdiri dari 8 prosedur yang disimbolkan dengan P1 sampai P8. Lalu, setiap prosedur pada eksperimen menghasilkan 22 kota dengan simbol yang berbeda-beda. Penjelasan terkait penamaan simbol kota/kabupaten eksperimen D dapat dilihat pada tabel lampiran 5.1. Simbol X mendefinisikan urutan kota/kabupaten pada data profit per transaksi, sementara simbol Y mendefinisikan urutan kota/kabupaten pada hasil metode AHP penulis.


d2 1 4 0 1 6 0.4000 40%

196 Tabel Lampiran 5. 10. Hasil Eksperimen D (Bagian 1)

Kota

X

P1 Y 12 20 17 2 15 21 5 3 6 22 10 4 7 1 14 19 13 16 11 18 9 8

d2

d

A 19 7 B 15 5 C 6 11 D 21 19 E 1 14 F 4 17 G 14 9 H 20 17 I 10 4 J 12 10 K 13 3 L 16 12 M 3 4 N 18 17 O 11 3 P 5 14 Q 7 6 R 22 6 S 8 3 T 17 1 U 2 7 V 9 1 d2 = Nilai  = Keakuratan metode =

49 25 121 361 196 289 81 289 16 100 9 144 16 289 9 196 36 36 9 1 49 1 2322 -0.3111 31.11%

Y 10 6 16 12 20 17 5 11 13 1 14 7 19 8 9 21 18 22 3 4 15 2

P2 d 9 9 10 9 19 13 9 9 3 11 1 9 16 10 2 16 11 0 5 13 13 7

P3 d2 81 81 100 81 361 169 81 81 9 121 1 81 256 100 4 256 121 0 25 169 169 49 2396 -0.3529 35.29%

Y 10 7 14 13 20 9 6 15 12 3 17 5 19 8 11 22 18 21 2 4 16 1

P4 d2

d 9 8 8 8 19 5 8 5 2 9 4 11 16 10 0 17 11 1 6 13 14 8

81 64 64 64 361 25 64 25 4 81 16 121 256 100 0 289 121 1 36 169 196 64 2202 -0.2434 24.34%

Y 1 15 3 9.5 16 22 6.5 6.5 12 2 17 14 13 11 9.5 19 5 20 21 4 8 18

d 18 0 3 11.5 15 18 7.5 13.5 2 10 4 2 10 7 1.5 14 2 2 13 13 6 9

d2 324 0 9 132.25 225 324 56.25 182.25 4 100 16 4 100 49 2.25 196 4 4 169 169 36 81 2187 0.2349 23.49%

Tabel Lampiran 5. 11 Hasil Eksperimen A (Bagian 2)

Kota

X

A B C D E F G H I J K

19 15 6 21 1 4 14 20 10 12 13

P5 Y 10 5 12 16 20 8 6 17 13 2 14

d 9 10 6 5 19 4 8 3 3 10 1

d2 81 100 36 25 361 16 64 9 9 100 1

Y 5 6 8 16 17 21 7 12 15 1 19

P6 d 14 9 2 5 16 17 7 8 5 11 6

P7 d2 196 81 4 25 256 289 49 64 25 121 36

Y 5 7 6 17 18 15 8 16 14 2 20

d 14 8 0 4 17 11 6 4 4 10 7

P8 d2 196 64 0 16 289 121 36 16 16 100 49

Y 5 6 8 17 19 11 7 16 13 2 18

d 14 9 2 4 18 7 7 4 3 10 5


d2 196 81 4 16 324 49 49 16 9 100 25

197 L 16 7 9 M 3 21 18 N 18 11 7 O 11 9 2 P 5 19 14 Q 7 18 11 R 22 22 0 S 8 3 5 T 17 4 13 U 2 15 13 V 9 1 8 2 d = Nilai  = Keakuratan metode =

81 324 49 4 196 121 0 25 169 169 64 2004 -0.1316 13.16%

10 18 14 9 20 11 22 3 4 13 2

6 15 4 2 15 4 0 5 13 11 7

36 225 16 4 225 16 0 25 169 121 49 2032 -0.1474 14.74%

9.5 19 11 9.5 21 12 22 3 4 13 1

6.5 16 7 1.5 16 5 0 5 13 11 8

42.25 256 49 2.25 256 25 0 25 169 121 64 1921.5 -0.0799 7.99%

9 21 12 10 20 14 22 3 4 15 1

7 18 6 1 15 7 0 5 13 13 8

5. Eksperimen E Bagian ini menjelaskan hasil eksperimen E yang digambarkan pada tabel 5.13 dan tabel lampiran 5.14. Eksperimen terdiri dari 8 prosedur yang disimbolkan dengan P1 sampai P8. Lalu, setiap prosedur pada eksperimen menghasilkan 16 kota dengan simbol yang berbeda-beda. Penjelasan terkait penamaan simbol kota/kabupaten eksperimen E dapat dilihat pada tabel lampiran 5.12. Simbol X mendefinisikan urutan kota/kabupaten pada data profit per transaksi, sementara simbol Y mendefinisikan urutan kota/kabupaten pada hasil metode AHP penulis. Tabel Lampiran 5. 12 Simbol Nama Kota/Kabupaten Eksperimen B

Nama Kabupaten/Kota Bandung Bekasi Bogor Ciamis Cilegon Cirebon

Simbol Nama Kabupaten/Kota A Garut B Indramayu C Jakarta D Klaten E Lebak F Majalengka

Simbol G H I J K L

Nama Kabupaten/Kota Sukabumi Tabanan Tangerang Tasikmalaya Yogyakarta

Simbol M N O P Q


49 324 36 1 225 49 0 25 169 169 64 1980 -0.1180 11.80%

198

Tabel Lampiran 5. 13 Hasil Eksperimen E (Bagian 1)

Kota

X

P1 d

Y

d2

A B C D 2 8 6 E F 5 4 1 G 3 7 4 H 6 3 3 I J 4 5 1 K 7 1 6 L 1 6 5 M N O P Q 8 2 6 d2 = Nilai  = Keakuratan metode =

X

P2 d

Y

d2

X

P3 d

Y

d2

X 1

6

5

1

1

7

5

2

P4 Y d 7 6

d2 36

4 3

2

1

1

36 1 16 9 1 36 25

36 160 -0.9048 90.48%

5

4

1

1

6

4

2

4

6.5 6.5

5 8

1.5 1.5

2.25 2.25

1 7

3 6

2 1

4 1

3 5

3 6

0 1

0 1

2

4

2

4

8

8

0

0

8

8

0

0 5

3

2

4

4 8

6 1

2 7

4 49

3 4

1 7

2 3

4 9

2 4

1 7

1 3

1 9

2

2

0

0 20 0.7619 76.19%

1

2

1

1 20 0.7619 76.19%

102.5 -0.2202 22.02%

Tabel Lampiran 5. 14. Hasil Eksperimen E (Bagian 2)

Kota A B C D E F G H I J K L

X

Y

P5 d

d2

5

6

1

1

8 6

1 5

7 1

49 1

2 7

4 7

2 0

4 0

X 5 6 8

Y 8 6 1

P6 d 3 0 7

7

5

2

4

1

4

3

9

d2 9 0 49

X 5 7 6

8 2

P7 Y d 8 3 6 1 1 5

5 4

3 2

d2 9 1 25

9 4

X 5 6 8

Y 8 6 1

P8 d 3 0 7

7

5

2

4

2

4

2

4


d2 9 0 49

199 M N 3 2 1 O 4 8 4 P Q 1 3 2 2 d = Nilai  = Keakuratan metode =

1 16

3 4

2 7

1 3

1 9

3 4

2 7

1 3

1 9

3 4

2 7

1 3

1 9

4 76 0.0952 9.52%

2

3

1

1 82 0.0238 2.38%

1

3

2

4 62 0.2619 26.19%

1

3

2

4 80 0.0476 4.76%

6. Eksperimen F Bagian ini menjelaskan hasil eksperimen F yang digambarkan pada tabel 5.16 dan tabel lampiran 5.17. Eksperimen terdiri dari 8 prosedur yang disimbolkan dengan P1 sampai P8. Lalu, setiap prosedur pada eksperimen menghasilkan 16 kota dengan simbol yang berbeda-beda. Penjelasan terkait penamaan simbol kota/kabupaten eksperimen C dapat dilihat pada tabel lampiran 5.12. Simbol X mendefinisikan urutan kota/kabupaten pada data profit per transaksi, sementara simbol Y mendefinisikan urutan kota/kabupaten pada hasil metode AHP penulis. Tabel Lampiran 5. 15. Simbol Nama Kota/Kabupaten Eksperimen F

Nama Kabupaten/Kota Bandung Bogor Ciamis Garut

Simbol Nama Kabupaten/Kota A Jakarta B Klaten C Majalengka D Tabanan

Simbol

Nama Kabupaten/Kota Tangerang Yogyakarta

E F G H

Simbol I J

Tabel Lampiran 5. 16. Hasil Eksperimen F (Bagian 1)

Kota A B C D E F G H I J

X

2 3 4 1

Y

4 3 1 2

P1 d

d2

2 0 3 1

X

Y

P2 d

d2

X

Y

P3 d

d2

X 1 3

Y 4 1

P4 d 3 2

d2 9 4

4 0 1

3

2

4

3

3

0

0

2

2

0

0

3 4 2

1 4 2

2 0 0

4 0 0

2 4 1

1 4 2

1 0 1

1 0 1

4

3

1

1

9 1


200 d2 = Nilai  = Keakuratan metode =

14 -0.4 40%

8 0.2 20%

2 0.8 80%

14 -0.4 40%

Tabel Lampiran 5. 17. Hasil Eksperimen F (Bagian 2)

Kota

X

Y

P5 d

A B C D E 2 3 1 F G H 3 1 2 I 4 4 0 J 1 2 1 d2 = Nilai  = Keakuratan metode =

X

Y

P6 d

1

1

3

2

4

2

3

1

1

2

3

1

1

4 0 1 6 0.4 40%

3 4 2

1 4 2

2 0 0

4 0 0 8 0.2 20%

3 4 1

1 4 2

2 0 1

4 0 1 6 0.4 40%

3 4 1

1 4 2

2 0 1

4 0 1 6 0.4 40%

d2

d2

X

Y

P7 d

d2

X

Y

P8 d


d2

UNIVERSITAS INDONESIA

Recommend Documents