Sistem Penunjang Keputusan

Sistem Pendukung Keputusan (SPK) adalah bagian dari sistem informasi berbasis
komputer termasuk sistem berbasis pengetahuan atau manajemen pengetahuan yang dipakai
untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Dapat
juga dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk
mengambil keputusan dari masalah semi terstruktur yang spesifik
Sistem Pendukung Keputusan (SPK) dapat digambarkan sebagai sistem yang
berkemampuan mendukung analisis adhoc data, pemodelan keputusan, berorientasi
keputusan, orientasi perencanaan masa depan yang digunakan pada saat-saat yang tidak
biasa. Sistem Pendukung Keputusan (SPK) juga merupakan penggabungan sumber-sumber
kecerdasan individu dengan kemampuan komponen untuk memperbaiki kualitas keputusan
dan menjadi sistem informasi berbasis komputer untuk manajemen pengambilan keputusan
yang menangani masalah-masalah semi struktur.
Secara global dapat dikatakan bahwa fungsi dari Sistem Pendukung Keputusan (SPK)
adalah untuk meningkatkan kemampuan para pengambil keputusan dengan memberikan
alternatif-alternatif keputusan yang lebih banyak atau lebih baik, sehingga dapat membantu
untuk merumuskan masalah dan keadaan yang dihadapi. Dengan demikian Sistem
Pendukung Keputusan (SPK) dapat menghemat waktu, tenaga dan biaya. Jadi dapatlah
dikatakan secara singkat bahwa tujuan Sistem Penunjang Keputusan adalah untuk
meningkatkan efektivitas (do the right things) dan efesiensi (do the things right) dalam
pengambilan keputusan. Walaupun demikian penekanan dari suatu Sistem Penunjang
Keputusan (SPK) adalah pada peningkatan efektivitas dari pengambilan keputusan dari pada
efisiensinya.
Berikut ini adalah metode-metode dalam Sistem Penunjang Keputusan:

1. Weighted Product (WP)

Weigthted Product adalah metode penyelesaian dengan menggunakan
perkalian untuk menghubungkan rating atribut, dimana rating harus
dipangkatkan terlebih dahulu dengan bobot atribut yang
bersangkutan. Proses ini sama halnya dengan proses normalisasi.

Rumus diatas digunakan untuk menormalisasikan nilai yang akan di gunakan.

rumus diatas digunakan untuk mencari nilai akhir.

Contoh Kasus
Suatu perusahaan di Daerah Pekanbaru ingin membangun sebuah gudang yang akan
digunakan sebagai tempat untuk menyimpan sementara hasil produksinya.
Ada 3 lokasi yang akan menjadi alternatif, yaitu:
A1 = Panam,
A2 = Marpoyan,
A3 = Rumbai.
Ada 5 kriteria yang dijadikan acuan dalam pengambilan keputusan, yaitu:
C1 = jarak dengan pasar terdekat (km),
C2 = kepadatan penduduk di sekitar lokasi(orang/km2);
C3 = jarak dari pabrik (km);
C4 = jarak dengan gudang yang sudah ada (km);
C5 = harga tanah untuk lokasi (x1000 Rp/m2).
Nilai setiap alternatif di setiap kriteria:

Tingkat kepentingan setiap kriteria, juga dinilai dengan 1 sampai 5, yaitu:

1 = Sangat rendah,
2 = Rendah,
3 = Cukup,
4 = Tinggi,
5 = Sangat Tinggi.

Pengambil keputusan memberikan bobot preferensi sebagai:

W = (5, 3, 4, 4, 2)

Kategori setiap kriteria:

Kriteria C2 (kepadatan penduduk di sekitar lokasi) dan C4 (jarak dengan gudang yang
sudah ada) adalah kriteria keuntungan;
Kriteria C1 (jarak dengan pasar terdekat), C3 (jarak dari pabrik), dan C5 (harga tanah
untuk lokasi) adalah kriteria biaya. Sebelumnya dilakukan perbaikan bobot terlebih
dahulu seperti sehingga w = 1, diperoleh w1 = 0,28; w2 = 0,17; w3 = 0,22; w4 = 0,22;
dan w5 = 0,11. Kemudian vektor S dapat dihitung sebagai berikut:

Nilai vektor V yang akan digunakan untuk perankingan dapat dihitung sebagai berikut:

Nilai terbesar ada pada V2 sehingga alternatif A2 adalah alternatif yang terpilih sebagai
alternatif terbaik. Dengan kata lain, Marpoyan akan terpilih sebagai lokasi untuk
mendirikan gudang baru.

2. Analytic Hierarchy Process Method (AHP Method)

Analitycal Hierarchy Process (AHP) Adalah metode untuk memecahkan suatu
situasi yang komplek tidak terstruktur kedalam beberapa komponen dalam susunan yang
hirarki, dengan memberi nilai subjektif tentang pentingnya setiap variabel secara relatif,
dan menetapkan variabel mana yang memiliki prioritas paling tinggi guna
mempengaruhi hasil pada situasi tersebut.
Proses pengambilan keputusan pada dasarnya adalah memilih suatu alternatif yang
terbaik. Seperti melakukan penstrukturan persoalan, penentuan alternatif-alternatif,

penenetapan nilai kemungkinan untuk variabel aleatori, penetap nilai, persyaratan

preferensi terhadap waktu, dan spesifikasi atas resiko. Betapapun melebarnya alternatif
yang dapat ditetapkan maupun terperincinya penjajagan nilai kemungkinan, keterbatasan
yang tetap melingkupi adalah dasar pembandingan berbentuk suatu kriteria yang
tunggal.
Peralatan utama Analitycal Hierarchy Process (AHP) adalah memiliki sebuah
hirarki fungsional dengan input utamanya persepsi manusia. Dengan hirarki, suatu
masalah kompleks dan tidak terstruktur dipecahkan ke dalam kelomok-kelompoknya dan
diatur menjadi suatu bentuk hirarki.

AHP didasarkan atas 3 aksioma utama yaitu :

1. Aksioma Resiprokal
Aksioma ini menyatakan jika PC (EA,EB) adalah sebuah perbandingan berpasangan antara
elemen A dan elemen B, dengan memperhitungkan C sebagai elemen parent, menunjukkan
berapa kali lebih banyak properti yang dimiliki elemen A terhadap B, maka PC (EB,EA)= 1/
PC (EA,EB). Misalnya jika A 5 kali lebih besar daripada B, maka B=1/5 A.
2. Aksioma Homogenitas
Aksioma ini menyatakan bahwa elemen yang dibandingkan tidak berbeda terlalu jauh. Jika
perbedaan terlalu besar, hasil yang didapatkan mengandung nilai kesalahan yang tinggi.
Ketika hirarki dibangun, kita harus berusaha mengatur elemen-elemen agar elemen tersebut
tidak menghasilkan hasil dengan akurasi rendah dan inkonsistensi tinggi.
3. Aksioma Ketergantungan
Aksioma ini menyatakan bahwa prioritas elemen dalam hirarki tidak bergantung pada
elemen level di bawahnya. Aksioma ini membuat kita bisa menerapkan prinsip komposisi
hirarki.

Kelebihan Analitycal Hierarchy Process (AHP)

Kelebihan AHP dibandingkan dengan lainnya adalah :
1. Struktur yang berhirarki, sebagai konsekwensi dari kriteria yang dipilih, sampai
pada subkriteria yang paling dalam.
2. Memperhitungkan validitas sampai dengan batas toleransi inkosistensi berbagai
kriteria dan alternatif yang dipilih oleh para pengambil keputusan.
3. Memperhitungkan daya tahan atau ketahanan output analisis sensitivitas
pengambilan keputusan.
Selain itu, AHP mempunyai kemampuan untuk memecahkan masalah yang multi
obyektif dan multi-kriteria yang berdasarkan pada perbandingan preferensi dari setiap
elemen dalam hirarki. Jadi, model ini merupakan suatu model pengambilan keputusan
yang komprehensif.
Contoh Kasus:

Adi berulang tahun yang ke-17, Kedua orang tuanya janji untuk membelikan sepeda motor
sesuai yang di inginkan Adi. Adi memiliki pilihan yaitu motor Ninja, Tiger dan Vixsion . Adi
memiliki criteria dalam pemilihan sepeda motor yang nantinya akan dia beli yaitu : sepeda
motornya memiliki desain yang bagus, berkualitas serta irit dalam bahan bakar.

Penyelesaian
Tahap pertama
Menentukan botot dari masing masig kriteria.

Dari gambar diatas, Prioity Vector (kolom paling kanan) menunjukan bobot
dari masing-masing kriteria, jadi dalam hal ini Desain merupakan bobot
tertinggi/terpenting menurut Adi, disusul Irit dan yang terakhir adalah Kualitas.
Cara membuat table seperti di atas
1. Untuk perbandingan antara masing masing kriteria berasal dari bobot yang telah
di berikan ADI pertama kali.
2. Sedangkan untuk Baris jumlah, merupakan hasil penjumalahan vertikal dari
masing masing kriteria.
3. Untuk Priority Vector di dapat dari hasil penjumlahan dari semua sel disebelah
Kirinya (pada baris yang sama) setelah terlebih dahulu dibagi dengan Jumlah
yang ada dibawahnya, kemudian hasil penjumlahan tersebut dibagi dengan angka
3.
4. Untuk mencari Principal Eigen Value (lmax)

Rumusnya adalah menjumlahkan hasil perkalian antara sel pada baris jumlah dan sel
pada kolom Priority Vector
5. Menghitung Consistency Index (CI) dengan rumus
CI = (lmax-n)/(n-1)
6. Sedangkan untuk menghitung nilai CR
7. Menggunakan rumuas CR = CI/RI , nilai RI didapat dari

Jadi untuk n=3, RI=0.58.

Jika hasil perhitungan CR lebih kecil atau sama dengan 10% , ketidak konsistenan masih bisa
diterima, sebaliknya jika lebih besar dari 10%, tidak bisa diterima.
Tahap Kedua
Kebetulan teman ADI memiliki teman yang memiliki motor yang sesuai dengan pilihan ADI.
Setelah Adi mencoba motor temannya tersebut adi memberikan penilaian ( disebut sebagai
pair-wire comparation)

Berdasarkan penilaian tersebut maka dapat di buat table (disebut Pair-wire comparation
matrix)

Tahap ketiga
Setelah mendapatkan bobot untuk ketiga kriteria dan skor untuk masing-masing kriteria bagi
ketiga motor pilihannya, maka langkah terakhir adalah menghitung total skor untuk ketiga
motor tersebut. Untuk itu ADI akan merangkum semua hasil penilaiannya tersebut dalam
bentuk tabel yang disebut Overall composite weight, seperti berikut.

Cara membuat Overall Composit weight adalah

Kolom Weight diambil dari kolom Priority Vektor dalam matrix Kriteria.
Ketiga kolom lainnya (Ninja, Tiger dan Vixsion) diambil dari kolom Priority Vector
ketiga matrix Desain, Irit dan Kualitas.
Baris Composite Weight diperoleh dari jumlah hasil perkalian sel diatasnya dengan
weight.
Berdasarkan table di atas maka dapat di ambil kesimpulan bahwa yang memiliki skor
paling tinggi adalah Ninja yaitu 0,3751 , sedangkan disusul tiger dengan skor 0,3260
dan yang terakhir adalah Vixsion dengan skor 0,2989. Akhirnya Adi akan membeli
motor Ninja
Kesimpulan
Kesimpulan yang dapat diambil adalah sebagai berikut:
Metode ini mampu untuk menghasilkan suatu keputusan yang tepat.
Dengan memakai metode ini, kesalahan-kesalahan yang dilakukan
pengambilan keputusan seperti kesalahan dalam memilih dapat berkurang.

ketika

3. Simple Additive Weighting Method (SAW Method)

Metode SAW singkatan dari kata Simple Additive Weight. Metode SAW
merupakan salah satu metode Multiple Attribute Decision Making (MADM).

Metode Simple Additive Weighting (SAW) sering juga dikenal istilah

metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan
terbobot dari rating kinerja pada setiap alternatif pada semua atribut (Fishburn, 1967)
(MacCrimmon, 1968)

Proses Kerja Metode SAW:

1. Menentukan Kriteria-kriteria untuk pemilihan beberapa alternative
2. Menentukan nilai bobot

untuk masing-masing kriteria (K).

3. Menentukan Nilai Normalisasi Matriks X (Rij)

4. Menentukan Nilai Perferensi (Vi)
Rumus untuk Normalisasi Matriks (Rij)

dengan nilai R ij adalah nilai rating kinerja ternormalisasi dari alternatif A i pada atribute
Cj;
i = 1,2,3,m dan j = 1,2,3,n.

Rumus Menentukan Nilai Perferensi (Vi)

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih.

W : Bobot (Kriteria)
R : Nilai dari setiap peserta untuk tiap kriteria
Dengan kata lain antara bobot kriteria

dikalikan dengan semua nilai tiap peserta (r)

untuk tiap kriteria dan dijumlahkan.

Contoh Kasus:
Bagian kemahasiswaan telah membuat pengumuman tentang dibukanya kesempatan
memperolehBEASISWA. Beasiswa ini diperuntukkan untuk tiga Mahasiswa. Jumlah
pendaftar sampai pada tanggal terakhir terkumpul 50 mahasiswa.
Tugas Kita, adalah membangun Sistem Pendukung Keputusan untuk menentukan
calon penerima beasiswa bagi mahasiswa.
Langkah-Langkah
MASALAH
seleksi calon penerima beasiswa
Kriteria
Usia, jumlah penghasilan orangtua, semester, jumlah tanggungan orangtua, dan jumlah
saudara kandung.
Penentuan criteria yang dapat digolongkan ke dalam criteria benefit
Jumlah tanggungan orangtua,
jumlah saudara kandung, dan
IPK

Penentuan
Usia
Jumlah
semester

criteria

yang

dapat

digolongkan
penghasilan

ke

dalam

criteria

cost

orangtua

Pembuatan table,

Kriteria dan Pembobotan

Teknik pembobotan pada criteria dapat dilakukan dengan beragai macam cara dan
metode yang abash. Pase ini dikenal dengan istilah pra-proses. Namun bisa juga dengan
cara secara sederhana dengan memberikan nilai pada masing-masing secara langsung
berdasarkan persentasi nilai bobotnya. Sedangkan untuk yang lebih lebih baik bisa
digunakan fuzzy logic. Penggunaan Fuzzy logic, sangat dianjurkan bila kritieria yang
dipilih mempunyai sifat yang relative, misal Umur, Panas, Tinggi, Baik atau sifat
lainnya.

Contoh Pembobotan criteria

Total
1
A
C

Keterangan
: Calon yang diseleksi
:Kriteria

Diubah ke dalam matrik keputusan sebagai berikut:

Penghitungan Normalisasi

Untuk normalisai nilai, jika faktor kriteria cost digunakanan rumusan

Rii = ( min{Xij} / Xij)
Maka nilai-nilai normalisasi cost menjadi:
R11 = min{1;0.75;0.5} / 1 = 0.5 / 1 = 0.5
R21 = min{1;0.75;0.5} / 0.75 = 0.5 / 0.75 = 0.67
R31 = min{1;0.75;0.5} / 1 = 0.5 / 0.5 = 1

R12 = min{0.5;0.5;0.5} / 0.5 = 0.5 / 0.5 = 1

R22 = min{0.5;0.5;0.5} / 0.5 = 0.5 / 0.5 = 1
R32 = min{0.5;0.5;0.5} / 0.5 = 0.5 / 0.5 = 1
R13 = min{0.8;0.6;0.6} / 0.8 = 0.6 / 0.8 = 0.75
R23 = min{0.8;0.6;0.6} / 0.6 = 0.6 / 0.6 = 1
R33 = min{0.8;0.6;0.6} / 0.6 = 0.6 / 0.6 = 1
Untuk normalisai nilai, jika faktor kriteria benefit digunakanan rumusan
Rii = ( Xij / max{Xij})

Maka nilai-nilai normalisasi benefit menjadi:

R14 = 1.00 / max{1; 0.5;0.25} = 1 / 1 = 1
R24 = 0.50 / max{1; 0.5;0.25} = 0.5 / 1 = 0.5
R34 = 0.25 / max{1; 0.5;0.25} = 0.25 / 1 = 0.25
R15 = 1.00 / max{1; 0.5;0.25} = 1 / 1 = 1
R25 = 0.50 / max{1; 0.5;0.25} = 0.5 / 1 = 0.5
R35 = 0.25 / max{1; 0.5;0.25} = 0.25 / 1 = 0.25
R16 = 0.50 / max{0.5; 0.75;0.25} = 0.5 / 0.75 = 0.67
R26 = 0.75 / max{0.5; 0.75;0.25} = 0.75 / 0.75 = 1
R36 = 0.25 / max{0.5; 0.75;0.25} = 0.25 / 0.75 = 0.33
Tabel faktor ternormalisasi

Perangkingan

Keterangan:
Vi = rangking untuk setiap alternatif
wj = nilai bobot dari setiap kriteria
rij = nilai rating kinerja ternormalisasi
V1 = 0,8505
V2 = 0,8005
V3 = 0,6745
Kesimpulan
Berdasarkan nilai perankingan maka dapat direkomendasikan prioritas calon penerima
beasiswa adalah V1, V2, dan V3