BAB II

LANDASAN TEORI

2.1 Laptop

Laptop atau komputer jinjing adalah komputer bergerak yang berukuran relatif

kecil dan ringan, tergantung pada ukuran, bahan, dan spesifikasi laptop tersebut.

Laptop terkadang disebut juga dengan komputer notebook atau notebook. Sebagai

komputer pribadi, laptop memiliki fungsi yang sama dengan komputer pada

umumnya. Komponen yang terdapat di dalamnya sama persis dengan komponen

pada komputer, hanya saja ukuran diperkecil, dijadikan lebih ringan, lebih tahan

panas, dan lebih hemat daya.

Komputer merupakan perangkat elektronik dengan sistem yang memanipulasi

data dengan cepat dan tepat serta dirancang dan diorganisasikan dengan maksud

secara otomatis menerima dan menyimpan data input, memprosesnya, dan

menghasilkan output berdasarkan suatu langkah-langkah instruksi program (sistem

operasi) yang tersimpan di dalam penyimpannya (stored program) (Sanderes,

1985).

Desain yang semakin ramping, bobot yang semakin ringan dan kemampuan

menghemat daya menjadi bagian terpenting dalam perkembangan laptop

berikutnya. Laptop yang seperti kita lihat saat ini memiliki desain yang semakin

tipis, bobot yang sangat ringan, resolusi layar yang besar serta kemampuan kinerja

yang super canggih ditambah lagi kemampuan hardisk dalam menyimpan data

dalam jumlah besar. Berbagai varian dan merek pun muncul sebagai pilihan dari

para pengguna komputer portable.

20
2.2 Sistem Rekomendasi

Sistem rekomendasi adalah suatu mekanisme yang dapat memberikan suatu

informasi atau rekomendasi sesuai dengan keinginan user. Sistem rekomendasi

membantu pengguna untuk mengidentifikasi produk yang sesuai dengan

kebutuhan, kesenangan, dan keinginan user. Sistem rekomendasi akan

membimbing user untuk menemukan produk yang relevan dan berguna dari

banyaknya produk yang tersedia (Sarwar, 2001).

Ada banyak penelitian mengenai sistem rekomendasi dilakukan. Sistem

rekomendasi mulai diaplikasikan ke berbagai bidang dengan metode yang berbeda

seperti Content Based dan Collaborative Filtering. Sistem rekomendasi yang

menggunakan metode Content Based menggunakan kesamaan produk untuk

ditawarkan kepada penggguna. Namun, metode Content Based memiliki

kelemahan yaitu ketika fitur konten yang tersedia terbatas, maka akurasi

rekomendasi yang dihasilkan cukup rendah (Yuan et al, 2014). Collaborative

Filtering adalah metode yang paling sering digunakan untuk membangun sistem

rekomendasi. Metode ini bergantung pada riwayat pemilihan atau riwayat penilaian

(Su dan Khoshgoftaar, 2009).

2.3 Fuzzy Multi Criteria Decision Making (MCDM)

Fuzzy multi-criteria decision making adalah salah satu metode yang bisa

membantu pengambil keputusan dalam melakukan pengambilan keputusan

terhadap beberapa alternatif keputusan yang harus diambil dengan beberapa kriteria

yang akan menjadi bahan pertimbangan. Metode ini dikembangkan untuk

membantu pengambil keputusan dalam melakukan pengambilan keputusan

21
terhadap beberapa alternatif keputusan untuk mendapatkan suatu keputusan yang

akurat dan optimal. Dalam kaitannya dengan pengambilan keputusan dari beberapa

alternatif dengan banyak kriteria, serta informasi yang diberikan bersifat kualitatif

(Kusumadewi, 2005).

Kusumadewi (2005) menyatakan metode Fuzzy Multi Criteria Decision

Making (FMCDM) memiliki langkah penting yang yang terdiri dari representasi

masalah, evaluasi himpunan fuzzy pada setiap alternatif keputusan dan melakukan

seleksi terhadap alternatif yang optimal.

Pada bagian representasi masalah, ada tiga aktivitas yang harus dilakukan,

yaitu:

a. Tujuan keputusan dapat direpresentasikan dengan menggunakan bahasa alami

atau nilai numeris sesuai dengan karakteristik dari masalah tersebut. Jika ada

n alternatif keputusan dari suatu masalah, maka alternatif-alternatif tersebut

dapat ditulis sebagai berikut.

A = {Ai | i = 1,2, . . . , n} …(2.1)

b. Identifikasi kumpulan kriteria. Jika ada k kriteria, maka dapat dituliskan

sebagai berikut.

C = {Ct | t = 1,2, . . . , k} …(2.2)

c. Membangun stuktur hirarki dari masalah tersebut berdasarkan pertimbangan

tertentu.

Pada bagian evaluasi himpunan fuzzy, ada tiga aktivitas yang harus dilakukan,

yaitu:

a. Memilih himpunan rating untuk bobot-bobot kriteria dan derajat kecocokan

setiap alternatif dengan kriterianya; Secara umum, himpunan-himpunan rating

22
 terdiri atas 3 elemen, yaitu: variabel linguistik (x) yang merepresentasikan

bobot kriteria dan derajat kecocokan setiap alternatif dengan kriterianya. T(x)

yang merepresentasikan rating dari variabel linguistik dan fungsi keanggotaan

yang berhubungan dengan setiap elemen dari T(x). Misal, rating untuk bobot

pada Variabel Penting untuk suatu kriteria didefinisikan sebagai: T(penting) =

{sangat tidak penting, tidak penting, cukup, penting, sangat tidak penting}.

Fungsi keanggotaan untuk setiap elemen direprentasikan dengan

menggunakan bilangan fuzzy segitiga sebagai berikut.

• Sangat Tidak Penting = STP = (0, 0, 0.25)

• Tidak Penting = TP = (0, 0.25, 0.5)

• Cukup = C = (0.25, 0.5, 0.75)

• Penting = P = (0.5, 0.75, 1)

• Sangat Penting = SP = (0.75, 1, 1)

b. Mengevaluasi bobot-bobot kriteria dan derajat kecocokan setiap alternatif

dengan kriterianya.

c. Mengagregasikan bobot-bobot kriteria dan derajat kecocokan setiap alternatif

dengan kriterianya. Ada beberapa metode yang dapat digunakan untuk

melakukan agregasi terhadap hasil keputusan para pengambil keputusan, yaitu

mean, median, max, min, dan operator campuran. Dari beberapa metode

tersebut, metode mean yang paling banyak digunakan. Operator ⊗ dan ⊕

adalah operator yang digunakan untuk penjumlahan dan perkalian fuzzy.

Dengan menggunakan operator mean, Ft dirumuskan sebagai berikut.

1
𝐹𝑡 = [(𝑆𝑡1 ⊗ 𝑊1 ) ⊕ (𝑆𝑡2 ⊗ 𝑊2 ) … (𝑆𝑡𝑘 ⊗ 𝑊𝑘 )] …(2.3)
𝑘

Dengan ketentuan :

23
 Wt = bobot untuk kriteria Ct

Sti = rating fuzzy untuk derajat kecocokan alternatif keputusan Ai dengan

kriteria Ct.

Ft = indeks kecocokan fuzzy dari alternatif Ai yang merepresentasikan derajat

kecocokan alternatif keputusan dengan kriteria keputusan yang diperoleh dari

hasil agregasi Sit dan Wt.

K = banyaknya kriteria

Dengan cara mensubstitusikan Sti dan Wt dengan bilangan fuzzy segitiga, yaitu

Sti = (oti, pti, qti); dan Wt = (at, bt, ct); maka Ft dapat didekati dengan rumus

sebagai berikut.

𝐹𝑖 ≅ (𝑌𝑖 , 𝑄𝑖 , 𝑍𝑖 ) …(2.4)

Dengan ketentuan :
1
𝑌𝑡 = ∑𝑘𝑡=1(𝑜𝑡 , 𝑎𝑖 ) …(2.5)
𝑘

1
𝑄𝑡 = ∑𝑘𝑡=1(𝑝𝑡 , 𝑏𝑖 ) …(2.6)
𝑘

1
𝑍𝑡 = ∑𝑘𝑡=1(𝑞𝑡 , 𝑐𝑖 ) …(2.7)
𝑘

i = 1, 2, 3, ...n.

Pada bagian seleksi alternatif yang optimal, ada dua aktivitas yang harus

dilakukan, yaitu:

a. Memprioritaskan alternatif keputusan berdasarkan hasil agregasi; Prioritas dari

hasil agregasi dibutuhkan dalam rangka proses perangkingan alternatif

keputusan. Karena hasil agregasi ini direpresentasikan dengan menggunakan

bilangan fuzzy segitiga, maka dibutuhkan metode perangkingan untuk bilangan

fuzzy segitiga. Salah satu metode yang dapat digunakan adalah metode nilai

24
 total integral. Misalkan F adalah bilangan fuzzy segitiga, F = (a, b, c), maka

nilai total integral dapat dirumuskan sebagai berikut.

𝑎 1
∫𝑇 (𝐹) = (𝑎𝑐 + 𝑏 + (1 − 𝑎) 𝑎) …(2.8)
2

b. Memilih alternatif keputusan dengan prioritas tertinggi sebagai alternatif yang

optimal. Semakin besar nilai Fi berarti kecocokan terbesar dari alternatif

keputusan untuk kriteria keputusan, dan nilai inilah yang akan menjadi

tujuannya.

2.4 Weighted Sum Model (WSM)

Weighted Sum Model merupakan pendekatan yang paling umum digunakan,

khususnya dalam masalah dimensi tunggal. Jika ada m alternatif dan n kriteria

maka, alternatif terbaik adalah yang memenuhi rumus berikut.

𝑛
𝐴∗ 𝑛𝑖𝑙𝑎𝑖 𝑊𝑆𝑀 = 𝑚𝑎𝑥 ∑ 𝑎𝑖𝑗 𝑤𝑗 , 𝑈𝑛𝑡𝑢𝑘 𝑖 = 1, 2 , 3, . . , 𝑚 …(2.9)
𝑗=1

Dengan ketentuan :

A*Skor WSM = skor WSM dari alternatif terbaik.

n = jumlah kriteria keputusan, (lij adalah nilai aktual dari alternatif ke-i ditinjau dari

kriteria ke-j, dan Wj adalah bobot pentingnya kriteria ke-j.

2.5 Metode Fuzzy WSM

Seperti yang telah dikemukakan pada Subbab 2.4, alternatif terbaik adalah

yang memenuhi persamaan (2.9). Nilai performansi dari alternatif ke-i ditinjau dari

kriteria ke-j adalah bilangan segitiga fuzzy yang dilambangkan sebagai: âij = (aijl,

aijm, aijn) yang dijelaskan pada gambar sebagai berikut.

25
1.2

âij
1

0.8

0.6

0.4

0.2

0
aijl aijm aijn

Gambar 2.8 Fuzzy Triangle Membership Function (TRIMF) (Triantaphyllou,

2000).

26