MODUL SISTEM PAKAR

dan
SISTEM PENDUKUNG KEPUTUSAN

Oleh :
Nama

I Gede Bendesa Subawa

NIM

1115051041

Kelas

VIIb

JURUSAN PENDIDIKAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN KEJURUAN
UNIVERSITAS PENDIDIKAN GANESHA
Tahun 2015

Daftar Isi

Daftar Isi.................................................................................................................ii
Peta Modul..............................................................................................................iv
Daftar Tujuan Kompetensi....................................................................................v
BAB 1 Sistem Pendukung Keputusan..................................................................1
1.1

Pendahuluan..............................................................................................1

1.2

Pengertian Sistem Pendukung Keputusan.................................................2

1.3

Tujuan Sistem Pendukung Keputusan.......................................................2

1.4 Karakteristik Sistem Pendukung Keputusan..................................................2

1.5 Implementasi Pengambilan Keputusan..........................................................4
1.5.1 Simple Additive Weighting (SAW).........................................................5
1.5.2 Analytical Hierarchy Process (AHP)......................................................9
1.5.3 Weighted Product (WP)........................................................................17
1.5.4 Technique for Order Performance by Similarity to Ideal Solution
(TOPSIS)........................................................................................................21
1.5.5 Bayes.....................................................................................................28
1.6 Kesimpulan..................................................................................................31
BAB 2 Sistem Pakar.............................................................................................33
2.1 Pendahuluan.................................................................................................33
2.2 Pengertian Sistem Pakar...............................................................................34
2.3 Tujuan Sistem Pakar.....................................................................................35
2.4 Karakteristik Sistem Pakar...........................................................................36
2.5 Implementasi Sistem Pakar..........................................................................37
2.5.1 Certainty Factor.....................................................................................37

2|Page

2.5.2 Dempster-Shaper...................................................................................39
2.6 Kesimpulan..................................................................................................42
Reference................................................................................................................vi

3|Page

Peta Modul

SAW

AHP

1. SPK

WP

TOPSIS

SPK & SP
BAYES

Certainty Factor
2. SP

Dempster-Shafer

4|Page

Daftar Tujuan Kompetensi

1. Mampu memahami pengertian dari system pendukung keputusan
dengan baik
2. Mampu memahami tujuan dan karakteristik dari system pendukung
keputusan
3. Mampu menerapkan metode-metode system pendukung keputusan
untuk memecahkan kasus di kehidupan sehari-hari
4. Mampu memahami pengertian dari system pakar dengan baik
5. Mampu memahami tujuan dan karakteristik dari system pakar
6. Mampu menerapkan metode-metode system pakar untuk memecahkan
kasus di kehidupan sehari-hari

5|Page

BAB 1
SISTEM PENDUKUNG
KEPUTUSAN
1.1 Pendahuluan
Pada dasarnya pengambilan keputusan adalah suatu pendekatan sistematis
pada suatu masalah, pengumpulan fakta-fakta, penentuan yang matang dari
alternatif yang dihadapi, dan pengambilan tindakan yang menurut perhitungan
merupakan tindakan yang paling tepat. Pembuat keputusan kerap kali dihadapkan
pada kerumitan dan lingkup pengambilan keputusan dengan data yang begitu
banyak. Untuk kepentingan itu, sebagian besar pembuat keputusan dengan
mempertimbangkan resiko manfaat/biaya, dihadapkan pada suatu keharusan
mengandalkan seperangkat sistem yang mampu memecahkan masalah secara
efisien dan efektif, yang kemudian disebut Sistem Pendukung Keputusan (SPK).
Organisasi yang bergerak di bidang produksi maupun jasa, tidak lepas dari
problematika manajemen pada umumnya. Perubahan struktur pasar, produk,
teknologi produksi, organisasi, dan yang lainnya terus terjadi sehingga
berpengaruh pada kebijaksanaan manajemen yang dijalankan. Salah satu kiat
untuk menyiasati problematika tersebut adalah dengan mengembangkan serta
meningkatkan potensi sumberdaya yang tersedia. Oleh karena itu, penempatan
dan pemanfaatan sumberdaya pada posisi yang tepat multak diperlukan. Dalam
hal ini, pengelolaan dan pendayagunaan sumberdaya secara tepat sangat berperan
karena merupakan pendekatan strategis terhadap peningkatan kinerja organisasi.
Untuk itu sangat diperlukan sebuah sistem pendukung keputusan yang efektif,
yang tidak memisahkan antara manusia, sarana/prasarana, dan sistem manajemen
secara keseluruhan agar dapat mencapai tujuan organisasi.
Proses pendukung keputusan dimulai dengan fase intelligence, dimana
kenyataan diuji dan masalahnya diidentifikasi, kemudian fase desain, yaitu suatu
model yang menggambarkan suatu system dibangun. Fase ini dengan membuat
suatu asumsi yang sederhana dengan mengacu pada peraturan-peraturan dan

1|Page

kriteria-kriteria yang sifatnya sudah baku dan menggabungkan antara semua

variabel. Selanjutnya model divalidasi dan kriteria-kriteria dikumpulkan untuk
suatu evaluasi dari pilihan-pilihan aksi yang diidentifikasi. Selanjutnya fase
pemilihan yang mengandung suatu tujuan penyelesaian untuk model dan fase
yang terakhir adalah implementasi, dimana akan dilihat tingkat kesuksesan sistem
dalam menyelesaikan masalah yang ada.
1.2 Pengertian Sistem Pendukung Keputusan
Ada berbagai definisi dari system pendukung keputusan diantaranya:
1. SPK adalah sebuah sistem yang mampu memberikan kemampuan
pemecahan masalah maupun kemampuan pengkomunikasian untuk
masalah dengan kondisi semi terstruktur dan tak terstruktur. Sistem ini
digunakan untuk membantu pengambilan keputusan dalam situasi semi
terstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun
tahu secara pasti bagaimana keputusan seharusnya dibuat (Turban,
dalam (Riadi, 2013))
2. SPK adalah sebuah system yang mampu memberikan solusi dari
sebuah permasalahan untuk membantu atau mendukung seorang
manager dalam mengambil keputusan.
1.3 Tujuan Sistem Pendukung Keputusan
Menyimak beberapa definisi system pendukung keputusan oleh para ahli,
kita bisa menarik beberapa kesimpulan tentang tujuan dari system pendukung
keputusan tersebut:
a. Membantu manager (pembuat keputusan) dalam menentukan atau
mengambil suatu keputusan.
b. Mendukung penilaian manajer bukan mencoba menggantikannya
c. Meningkatkan
efektifitas
pengambilan
keputusan
manajer daripada efisiensinya.
1.4 Karakteristik Sistem Pendukung Keputusan
Karakteristik dan kemampuan sebuah sistem pendukung keputusan
sebagai berikut :

2|Page

1. Sistem Pendukung Keputusan menyediakan dukungan untuk pengambil

keputusan utamanya pada keadaan-keadaan semistruktur dan tidak
terstruktur dengan menggabungkan penilaian manusia dan informasi
komputerisasi.
2. Menyedikan dukungan untuk tingkat manajerial mulai dari eksekutif
sampai manajer.
3. Menyedikan dukungan untuk kelompok individu, problem-problem yang
kurang terstruktur memerlukan keterlibatan beberapa individu dari
departemen-departemen yang lain dalam organisasi.
4. Sistem pendukung keputusan menyediakan dukungan kepada independen
atau keputusan yang berlanjut.
5. Sistem pendukung keputusan memberikan dukungan kepada semua fase
dalam proses pembuatan keputusan inteligence, design, choice dan
impelementasi.
6. Sistem pendukung keputusan mendukung banyak proses dan gaya
pengambilan keputusan.
7. Sistem pendukung keputusan adaptive terhadap waktu, pembuat keputusan
harus reaktif bisa menghadapi perubahan-perubahan kondisi secara cepat
dan merubah sistem pendukung keputusan harus fleksibel sehingga
pengguna dapat menambah, menghapus, mengkombinasikan, merubah dan
mengatur kembali terhadap elemen-elemen dasar.
8. Sistem pendukung keputusan mudah digunakan. Pengguna merasa berada
dirumah saat bekerja dengan system, seperti user friendly, fleksibelitas,
kemampuan penggunaan grafik yang tinggi dan bahasa untuk berinteraksi
dengan mesin seperti menggunakan bahasa inggris maka akan menaikan
efektifitas dari sistem pendukung keputusan.
9. Sistem pendukung keputusan menaikkan efektifitas pembuatan keputusan
baik dalam hal ketepatan waktu dan kualitas bukan pada biaya pembuatan
keputusan atau biaya pemakaian waktu komputer.
10. Pembuat keputusan dapat mengontrol terhadap

tahapan

tahapan

pembuatan keputusan seperti pada tahap intelegence, choice dan

implementation dan sistem pendukung keputusan diarahkan untuk
mendukung pada pembuat keputusan bukan menggantikan posisinya.
11. Memungkinkan pengguna akhir dapat membangun system sendiri yang
sederhana. Sistem yang besar dapat dibangun dengan bantuan dari
spesialis sistem informasi.
3|Page

12. Sistem pendukung keputusan menggunakan model-model standar atau

buatan

pengguna

untuk

menganalisa

keadaankeadaan

keputusan.

Kemampuan modeling memungkinkan bereksperimen dengan strategi

yang berbeda-beda dibawah konfigurasi yang berbeda-beda pula.
13. Sistem pendukung keputusan mendukung akses dari bermacam-macam
sumber data, format, dan tipe, jangkauan dari sistem informasi geografi
pada orientasi obyek.
1.5 Implementasi Pengambilan Keputusan
Pada modul ini hanya akan dibahas cara memecahkan masalah dengan
menggunakan model Fuzzy Multipple Attribute Decition Making atau yang lebih
dikenal dengan singkatan FMADM. Fuzzy Multiple Attribute Decision Making
(FMADM) adalah suatu metode yang digunakan untuk mencari alternatif optimal
dari sejumlah alternatif dengan kriteria tertentu. Inti dari FMADM adalah
menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses
perankingan yang akan menyeleksi alternatif yang sudah diberikan. Pada
dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut, yaitu pendekatan
subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif &
obyektif. Masing-masing pendekatan memiliki kelebihan dan kelemahan. Pada
pendekatan subyektif, nilai bobot ditentukan berdasarkan subyektifitas dari para
pengambil keputusan, sehingga beberapa faktor dalam proses perankingan
alternatif bisa ditentukan secara bebas. Sedangkan pada pendekatan obyektif, nilai
bobot dihitung secara matematis sehingga mengabaikan subyektifitas dari
pengambil keputusan.
Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah
FMADM. antara lain:
1.5.1 Simple Additive Weighting (SAW)
1.5.1.1 Pengertian Simple Additive Weighting (SAW)
Metode Simple Additive Weighting (SAW) sering dikenal dengan
istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah
mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif
pada semua atribut. Metode SAW dapat membantu dalam pengambilan

4|Page

keputusan suatu kasus, akan tetapi perhitungan dengan menggunakan

metode SAW ini hanya yang menghasilkan nilai terbesar yang akan
terpilih sebagai alternatif yang terbaik. Perhitungan akan sesuai dengan
metode ini apabila alternatif yang terpilih memenuhi kriteria yang telah
ditentukan. Metode SAW ini lebih efisien karena waktu yang dibutuhkan
dalam perhitungan lebih singkat.
Metode SAW membutuhkan proses normalisasi matrix keputusan
(X) ke suatu skala yang dapat diperbandingkan dengan semua rating
alternative yang ada. Formula untuk melakukan normalisasi tersebut
adalah sebagai berikut:
r ij =

X ij
Max X ij
i

, jika j adalah atribut keuntungan (benefit)

Min X ij
i
, jika j adalah atribut biaya (cost)
r ij =
X ij
dengan rij adalah rating kinerja ternormalisasi dari alternative Ai pada
atribut Cj dimana i=1, 2, , m dan j= 1, 2, n.
Nilai preferensi atau nilai keputusan tiap matrik (Vi) akan diberikan
sebagai:
n

V i= w j r ij
j=1

V= w * r

Dimana;
V: nilai keputusan
w : nilai bobot kepentingan
r : rating
Nilai Vi yang lebih besar menandakan bahwa alternative Ai lebih terpilih.

5|Page

1.5.1.2 Tahapan Tahapan Simple Additive Weighting (SAW)

Langkah-langkah penyelesaian masalah dengan menggunakan metode
SAW:
1. Menentukan

kriteria-kriteria

yang

akan

dijadikan

acuan

dalam

pengambilan keputusan, yaitu Ci.

2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
3. Membuat matriks keputusan berdasarkan kriteria (Ci), kemudian
melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan
dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga
diperoleh matriks ternormalisasi R.
4. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari
perkalian matriks ternormalisasi R dengan vektor bobot sehingga
diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai
solusi.
1.5.1.3 Contoh Kasus SAW:
Seorang perusahaan akan melakukan rekrutmen kerja
terhadap 5 calon pekerja untuk posisi operator mesin.
Posisi yang saat ini luang hanya ada 2 posisi. Nah dengan
metode SAW kita diharuskan menentukan calon pekerja
tersebut berdasarkan kriteria berikut:
Kriteria Benefit-nya adalah:
C1: Pengalaman Kerja
C2: Pendidikan
C3: Usia
Kriteria Cost-nya adalah:
C4: Status Perkawinan
C5: Alamat
Untuk pembobotan masing-masing kriteria sebagai berikut:
C1 : 0.3

C2 : 0.2

C3 : 0.2

C4 : 0.15

C5 : 0.15

Nilai rating masing-masing alternative bisa dilihat di tabel berikut:

A
L

6|Page

A1
A2

C1
0.5
0.8

C2
1
0.7

KRITERIA
C3
0.7
1

C4
0.7
0.5

C5
0.8
1

T
E

A3
A4

1
0.2

0.3
1

0.4
0.5

0.7
0.9

1
0.7

A5

0.7

0.4

0.7

R
N
A
T
I
F

Penyelesaian:
1. Ubah tabel diatas kedalam bentuk matrik
0.5 1 0.7 0.7 0.8
0.8 0.7 1 0.5 1
1 0.3 0.4 0.7 1
0.2 1 0.5 0.9 0.7
1 0.7 0.4 0.7 1

2. Lakukan Normalisasi
a. Normalisasi kriteria benefit
Gunakan rumus :

7|Page

r ij =

X ij
Max X ij
i

r 11 =

0.5
=0.5
Max(0.5 ; 0.9 ; 1 ; 0.2; 1)

r 21=

0.9
=0.9
Max(0.5 ; 0.9 ;1 ; 0.2 ; 1)

r 31=

1
=1
Max(0.5 ; 0.9 ;1 ; 0.2 ; 1)

r 41=

0.2
=0.2
Max(0.5 ; 0.9 ; 1; 0.2 ; 1)

r 51=

1
=1
Max(0.5 ; 0.9 ;1 ; 0.2 ; 1)

r 12=

1
=1
Max(1; 0.7 ; 0.3 ; 1 ; 0.7)

r 22=

0.7
=0.7
Max(1; 0.7 ; 0.3; 1 ; 0.7)

r 32 =

0.3
=0.3
Max ( 1 ; 0.7 ; 0.3 ; 1; 0.7 )

r 42=

1
=1
Max(1 ; 0.7 ; 0.3 ;1 ; 0.7)

r 52=

0.7
=0.7
Max(1; 0.7 ; 0.3 ; 1 ; 0.7)

r 13=

0.7
=0.7
Max(0.7 ; 1; 0.4 ; 0.5 ; 0.4)

r 23=

1
=1
Max(0.7 ; 1 ; 0.4 ; 0.5 ; 0.4)

r 33=

0.4
=0.4
Max ( 0.7 ; 1 ; 0.4 ; 0.5 ; 0.4 )

r 43=

0.5
=0.5
Max(0.7 ; 1 ; 0.4 ; 0.5 ; 0.4)

r 53=

0.4
=0.4
Max(0.7 ; 1; 0.4 ; 0.5 ; 0.4)

b. Normalisasi KriteriaCost
Min X ij
Gunakan Rumus: r ij = i
X ij

8|Page

r 14=

Min(0.7 ; 0.5 ; 0.7 ; 0.9 ; 0.7)

=0.714
0.7

r 24=

Min(0.7 ; 0.5 ; 0.7 ; 0.9 ; 0.7)

=1
0.5

r 34=

Min(0.7 ; 0.5 ; 0.7 ; 0.9 ; 0.7)

=0.714
0.7

r 44 =

Min(0.7 ; 0.5 ; 0.7 ; 0.9 ; 0.7)

=0.556
0.9

r 54=

Min(0.7 ; 0.5 ; 0.7 ; 0.9 ; 0.7)

=0.714
0.7

r 15=

Min(0.8 ; 1; 1 ; 0.7 ; 1)
=0.875
0.8

r 25=

Min(0.8 ; 1; 1 ; 0.7 ; 1)
=0.7
1

r 35=

Min(0.8 ; 1; 1 ; 0.7 ; 1)
=0.7
1

r 45=

Min(0.8 ; 1; 1 ; 0.7 ; 1)
=1
0.7

r 55=

Min(0.8 ; 1; 1 ; 0.7 ; 1)
=0.7
1

3. Buat matrik normalisasi

0.5 1 0.7 0.714 0.875

0.8 0.7 1
1
0.7
1 0.3 0.4 0.714 0.7
0.2 1 0.5 0.556
1
1 0.7 0.4 0.714 0.7

4. Lakukan perkalian dengan bobot kriteria

0.5 1 0.7 0.714 0.875

0.8 0.7 1
1
0.7
1 0.3 0.4 0.714 0.7
0.2 1 0.5 0.556
1
1 0.7 0.4 0.714 0.7

][] [ ]
*

0.3
0.2
0.2
0.15
0.15

0.72835
0.835
0.6521
0.5934
0.7321

5. Penarikan kesimpulan
Berdasarkan perhitungan diatas maka diperoleh nilai keputusan dari
masing-masing alternative seperti berikut:
A1 = 0.72853
A2 = 0.835
A3 = 0.6521
A4 = 0.5934
A5 = 0.7321
Jadi setelah diranking 2 alternatif dengan nilai tertinggi yaitu A2 dan A5
direkomendasikan untuk mendapatkan posisi sebagai operator mesin.
1.5.2 Analytical Hierarchy Process (AHP)
1.5.2.1 Pengertian Analytical Hierarchy Process (AHP)
Metode AHP dikembangkan oleh Thomas L. Saaty, seorang ahli
matematika. Motode pendukung keputusan ini akan menguraikan masalah
multi faktor atau multi kriteria yang kompleks menjadi suatu hirarki
(Saragih, 2013). Hirarki didefinisikan sebagai suatu representasi dari
sebuah permasalahan yang kompleks dalam suatu struktur multilevel
dimana level pertama adalah tujuan, yang diikuti level faktor, kriteria, sub
kriteria, dan seterusnya ke bawah hingga level terakhir dari alternatif.
9|Page

Dengan hirarki, suatu masalah yang kompleks dapat diuraikan ke dalam

kelompok-kelompoknya yang kemudian diatur menjadi suatu bentuk
hirarki sehingga permasalahan akan tampak lebih terstruktur dan
sistematis (Saaty, dalam (Saragih, 2013)).
Metode ini adalah sebuah kerangka untuk mengambil keputusan
dengan efektif atas persoalan yang kompleks dengan menyederhanakan
dan mempercepat proses pengambilan keputusan dengan memecahkan
persoalan tersebut kedalam bagian-bagiannya, menata bagian atau variabel
ini dalam suatu susunan hirarki, member nilai numerik pada pertimbangan
subjektif tentang pentingnya tiap variabel dan mensintesis berbagai
pertimbangan ini untuk menetapkan variabel yang mana yang memiliki
prioritas paling tinggi dan bertindak untuk mempengaruhi hasil pada
situasi tersebut. Metode AHP ini membantu memecahkan persoalan yang
kompleks dengan menstruktur suatu hirarki kriteria, pihak yang
berkepentingan, hasil dan dengan menarik berbagai pertimbangan guna
mengembangkan bobot atau prioritas. Metode ini juga menggabungkan
kekuatan dari perasaan dan logika yang bersangkutan pada berbagai
persoalan, lalu mensintesis berbagai pertimbangan yang beragam menjadi
hasil yang cocok dengan perkiraan kita secara intuitif sebagaimana yang
dipresentasikan pada pertimbangan yang telah dibuat. (Saaty, 1993).
1.5.2.2

Tahapan-Tahapan

Analytical

Hierarchy

Process

(AHP)

Langkah-langkah penyelesaian masalah dengan menggunakan

metode AHP (Darmanto, dkk, 2014):
1. Mendefinisikan permasalahan dan penentuan tujuan. Jika AHP digunakan
untuk memilih alternatif atau menyusun prioriras alternatif, pada tahap ini
dilakukan pengembangan alternatif.
2. Menyusun masalah kedalam hierarki sehingga permasalahan yang
kompleks dapat ditinjau dari sisi yang detail dan terukur.
3. Penyusunan prioritas untuk tiap elemen masalah pada hierarki. Proses ini
menghasilkan bobot atau kontribusi elemen terhadap pencapaian tujuan
sehingga elemen dengan bobot tertinggi memiliki prioritas penanganan.

10 | P a g e

Prioritas dihasilkan dari suatu matriks perbandinagan berpasangan antara

seluruh elemen pada tingkat hierarki yang sama.
4. Melakukan pengujian konsitensi terhadap perbandingan antar elemen yang
didapatan pada tiap tingkat hierarki dengan Pairwise Comparation
Langkah-langkah Pairwise Comparation AHP adalah
1. Pengambilan data dari obyek yang diteliti.
2. Menghitung data dari bobot perbandingan berpasangan responden dengan
metode pairwise comparison AHP berdasar hasil kuisioner.
3. Menghitung rata-rata rasio konsistensi dari masing-masing responden.
4. Pengolahan dengan metode pairwise comparison AHP.
5. Setelah dilakukan pengolahan tersebut, maka dapat disimpulkan adanya
konsitensi

dengan tidak, bila data tidak konsisten maka diulangi lagi

dengan pengambilan data seperti semula.

1.5.2.3 Contoh Kasus AHP
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:
1. Mendefinisikan masalah dan tujuan
Memilih satu diantara 2 alternatif motor (Ninja, Tiger, Vixsion) dengan
kriteria desain, kualitas dan irit bahan bakar.
2. Membuat matrik perbandingan
Menentukan bobot kepentingan masing-masing alternatif
(karena belum ditentukan disoal) misalnya sebagai berikut:

11 | P a g e

Desain lebih penting 2x dibanding irit

Desain lebih penting 3x dibanding kualitas
Irit lebih penting 1.5x dibanding kualitas

Ninja 4x lebih bagus desainnya dibandingkan tiger

Ninja 3x lebih bagus desainnya dibandingkan vicxion
Tiger 0.5x lebih bagus desainnya dibandingkan vixcion

Ninja 0.3x lebih irit dibandingkan tiger

Ninja 0.25x lebih irit dibandingkan vixcion

Tiger 0.5x lebih irit dibandingkan vixcion

Ninja 1/10x lebih bagus kualitasnya dibandingkan vixcion

Ninja 1/100x lebih bagus kualitasnya dibandingkan tiger
Tiger 10x lebih bagus kualitasnya dibandingkan vixction
Atau bisa dibuat dalam bentuk tabel seperti berikut:

Kriteria
Desain
Irit
Kualitas

Desain
1/1
1/2
1/3

Irit
2/1
1/1
1/1.5

Kualitas
3/1
1.5/1
1/1

Desain
Ninja
Vixcion
Tiger

Ninja
1/1
1/3
1/4

Vixcion
3/1
1/1
1/2

Tiger
4/1
2/1
1/1

Irit
Ninja
Vixcion
Tiger

Ninja
1/1
4/1
3/1

Vixcion
1/4
1/1
1/2

Tiger
1/3
2/1
1/1

Kualitas
Ninja
Vixcion
Tiger

Ninja
1/1
10/1
100/1

Vixcion
1/10
1/1
10/1

Tiger
1/100
1/10
1/1

3. Membuat Tabel Prioritas

1. Kriteria
Kriteria
Desain
Irit
Kualitas
Jumlah (k)

Desain
1
0.5
0.333
1.833

Menjadi:

12 | P a g e

Irit
2
1
0.667
3.667

Kualitas
3
1.5
1
5.5

Kriteria

Desain

Irit

Desain
1
2
Irit
0.5
1
Kualitas
0.333
0.667
Jumlah (s) 1.833
3.667
Principal Eigen value (lmax)
Consistency Index (CI)
Consistency Ratio (CR)

Kualita

Priority

s
3
1.5
1
5.5

(w)
0.541
0.273
0.182
0.996
3.00
0.00
0.00 %

Vector

Keterangan:
a. Jumlah (s): Penjumlahan elemen tiap baris, yaitu:
1.833= 1+0.5+0.333
3.667= 2+1+0.667
5.5

= 3+1.5+1

b. Vector bobot (w): hasil penjumlahan dari semua sel

disebelah Kirinya (pada baris yang
sama) setelah terlebih dahulu dibagi
dengan

jumlah yang

ada

dibawahnya, kemudian dicari rataratanya.yaitu:

1
2
3
+
+
1
(
1.833 3.667 5.5 )
0.545=
3

0.5
1
1.5
+
+
1
(
1.833 3.667 5.5 )
0.273=
3

13 | P a g e

0.333 0.667 1
+
+
1
(
1.833 3.667 5.5 )
0.182=
3

c. Principal Eigen value (lmax): hasil dari s*w yaitu:

1.8330.545+ 3.6670.273+ 5.50.182=3.00

d. Consistency Index (CI): (lmax -n)/(n-1), n =jumlah kriteria

CI = (3-3)/(3-1) = 0 -> berarti data konsisten
e. Consistency Ratio (CR): CI/RI (ratio index)
Ratio Index (RI) bisa dilihat pada tabel dibawah:
n
RI

1
0

2
0

3
0.5

4
0.9

5
1.1

6
1.2

7
1.3

8
1.4

9
1.4

10
1.4

Jadi CR= 0.00 / 0.58 = 0.00 %

Jika hasil perhitungan CR lebih kecil atau sama dengan 10%,
ketidak konsistenan masih bisa diterima, sebaliknya jika lebih
besar dari 10%, tidak bisa diterima (lakukan normalisasi kembali).
Berdasarkan perhitungan diatas, kolom priority vector
merupakan bobot

masing-masing kriteria sehingga nilai yang

paling besar itu adalah prioritas utama. Jadi dalam kasus ini kriteria
desain merupakan kriteria terpenting yang diinginkan Adi baru
kemudian irit dan kualitas.
Setelah tabel prioritas kriteria selesai baru dilanjutkan dengan
membuat table penilaian masing-masing alternative.
2. Desain
Desain
Ninja
Vixcion
Tiger

Ninja
1
0.333
0.25

Vixcion
3
1
0.5

Menjadi:

14 | P a g e

Tiger
4
2
1

Desain

Ninja

Vixcion

Ninja
1
3
Vixcion
0.333
1
Tiger
0.25
0.5
Jumlah (s) 1.583
4.5
Principal Eigen value (lmax)
Consistency Index (CI)
Consistency Ratio (CR)

Tiger
4
2
1
7

Priority

Vector

(w)
0.623
0.24
0.137
1.000
3.023
0.01
2 % (diterima)

3. Irit
Irit
Ninja
Vixcion
Tiger

Ninja
1
4
3

Vixcion
0.25
1
0.5

Tiger
0.333
2
1

Menjadi:
Irit

Ninja

Vixcion

Ninja
1
0.25
Vixcion
4
1
Tiger
3
0.5
Jumlah (s) 8
1.75
Principal Eigen value (lmax)
Consistency Index (CI)
Consistency Ratio (CR)

Tiger
0.333
2
1
3.333

Priority

Vector

(w)
0.123
0.557
0.32
1.000
3.025
0.013
2.2 % (diterima)

litas
Kualitas
Ninja
Vixcion
Tiger

Kualitas

Ninja
1
10
100

Vixcion
0.1
1
10

Menjadi:
Ninja
Vixcion

Ninja
1
0.1
Vixcion
10
1
Tiger
100
10
15 | P a g e
Jumlah (s) 111
11.1
Principal Eigen value (lmax)
Consistency Index (CI)
Consistency Ratio (CR)

Tiger
0.01
0.1
1

Tiger
0.01
0.1
1
1.11

Priority

Vector

(w)
0.009
0.090
0.901
1.000
3.00
0.00
0 % (diterima)

4. K
u
a

5. Pemilihan alternatif
Setelah semua bobot diperoleh langkah terakhir yaitu penentuan
pilihan dari alternatif yang diberikan caranya bisa dengan membuat
tabel Overall composite weight sebagai berikut:
Overall composite
weight
Priorit

Desain
Irit
y
Vektor Kualitas
Composit Weight

Priority

Motor

Vector

Ninja
Kriteria
0.541 0.623
0.273 0.123
0.182 0.009
0.37226

Motor

Motor

Vixcion

Tiger

0.24
0.137
0.557
0.32
0.09
0.901
0.29828
0.32546

Nilai Composit Weight diperoleh dari penjumlahan nilai elemen

diatasnya dikalikan dengan priority vector criteria, sebagai berikut:
motor ninja=( 0.5410.623+0.2730.123+0.1820.009 )=0.37226
motor vixcion=( 0.5410.24 +0.2730.557+0.1820.09 )=0.29828
motor tiger=( 0.5410.137+0.2730.132+0.1820.901 )=0.32546
Berdasarkan nilai composit weight kita bisa ketahui bahwa nilai yang paling besar
yaitu motor ninja (0.37226) merupakan alternatif pertama kemudian disusul
motor tiger (0.32546) sebagai alternatif kedua dan alternatif ketiga adalah motor
vixcion (0.29828).
1.5.3 Weighted Product (WP)
1.5.3.1 Pengertian Weighted Product (WP)
Metode

weighted

product

(WP)

merupakan

salah

satu

metode

penyelesaian yang ditawarkan ntuk menyelesaikan masalah Multi Attribute

Decision Making (MADM). Metode WP mirip dengan Metode Weighted Sum
(WS),

hanya

saja

metode

WP terdapat

perkalian

dalam

perhitungan

matematikanya. Metode WP mengunakan perkalian untuk menghubungkan rating

atribut, di mana rating setiap atribut harus dipangkatkan dulu dengan bobot atribut
yang bersangkutan.
1.5.3.2 Tahapan- Tahapan Weighted Product (WP)
Tahapan-tahapan

menyelesaikan

menggunakan metode WP sebagai berikut:

16 | P a g e

suatu

permasalahan

dengan

1. Membuat table kriteria

Table ini dibuat untuk mempermudahkan dalam membaca data dan
keterkaitan anatara kriteria dengan alternatif
2. Menentukan benefit dan cost
Berdasarkan kriteria yang diberikan kita harus analisis mana kriteria
yang kategori yang menguntungkan (benefit) dan kategori yang
memerhatikan biaya (cost).
3. Lakukan normalisasi
Langkah selanjutnya melakukan normalisasi bobot masing-masing
kriteria sehingga jumlah semua bobotnya menjadi 1. Caranya dengan
menggunakan rumus berikut:
W j=

W
W

W j=

W
W

, jika kriteria benefit or

, jika kriteria cost

Dimana: Wj: bobot ternormalisasi

W: bobot awal
4. Mencari vector Si
Langkah berikutnya mencari nilai vector Si yaitu pemangkatan nilai
masing-masing kriteria dengan bobot ternomalisasi (Wj) menggunakan
rumus dibawah:
n

Si= X Wij

, i=1,2,..,n

j=1

Dimana: Si: nilai vector

X: nilai masing-masing kriteria dan
Wj: bobot ternormalisasi
5. Mencari Preferensi Relatif / rating
Langkah terakhir adalah melakukan perangkingan
menggunakan rumus:
V ( A i )=

dengan

Si

Si

Dimana: V(Ai): rangking alternatif Ai

Si: nilai vector
Berdasarkan rumus diatas nilai dari V(Ai) yang terbesar adalah
alternatif yang lebih bagus atau prioritas yang paling tinggi.

17 | P a g e

1.5.3.3 Contoh Kasus WP

Sebuah perusahaan ingin membangun sebuah gudang baru, namun pemilik
perusahaan kebingungan dalam menentukan lokasi (A) mengingat ada beberapa
kriteria (C) yang harus dipertimbangkan supaya tempat yang dipilih tidak salah.
Berikut kriteria yang perlu dipertimbangkan:
C1: Jarak dengan pasar terdekat dengan bobot (W1) = 5
C2: Kepadatan penduduk di lokasi sekitar dengan bobot (W2) = 3
C3: Jarak dari pabrik dengan bobot (W3) = 4
C4: Jarak dengan gudang yang sudah ada dengan bobot (W4) = 4
C5: Harga tanah yg akan dibanguni dengan bobot (W5) = 2
Berdasarkan hal tersebut diatas ada 2 alternatif lokasi yang ditawarkan
dengan rincian seperti dibawah:
Alternatif 1 (A1): a. Jarak dengan pasar terdekat hanya 0.75 km
b. Jumlah penduduk disekitar lokasi 2000 orang
c. Jarak dengan pabrik sekitar 18 km
d. Jarak dengan gudang yang sudah ada 50 km
e. Harga tanah untuk lokasi gudang yang baru 500 juta
Alternatif 2 (A2): a. Jarak dengan pasar terdekat hanya 0.50 km
b. Jumlah penduduk disekitar lokasi 1500 orang
c. Jarak dengan pabrik sekitar 20 km
d. Jarak dengan gudang yang sudah ada 40 km
e. Harga tanah untuk lokasi gudang yang baru 450 juta
Gunakan metode WP untuk mendapatkan lokasi yang tepat:
Penyelesaian:

18 | P a g e

1. Buatlah semua pernyataan diatas kedalam bentuk tabel rating

kriteria
Alternatif
A1
A2

C1
0.75
0.50

C2
2000
1500

Kriteria
C3
18
20

C4

C5
50
40

500
450

2. Tentukan mana yang termasuk kriteria keuntungan (benefit) dan

biaya (cost) misalkan:
a. Benefit
- Jarak dengan pasar (C1)
- Kepadatan penduduk (C2)
b. Biaya
- Jarak dengan pabrik sekitar (C3)
- Jarak dengan gudang yang sudah ada (C4)
- Harga tanah untuk lokasi gudang yang baru (C5)
3. Lakukan normalisasi bobot:
W j=

W
W

, jika kriteria benefit or

cost
W 1=

5
5
= =0.278
5+3+ 4+ 4+2 18

W 2=

3
3
= =0.167
5+3+ 4+ 4+2 18

W 3=

4
4
=
=0.222
5+3+ 4+ 4+ 2 18

W 4=

4
4
=
=0.222
5+ 3+4 +4 +2 18

W 5=

2
2
=
=0.111
5+3+ 4+ 4+ 2 18

4. Menghitung Vector Si:

19 | P a g e

W j=

W
W

, jika kriteria

Si= X Wij

j=1

S 1=( 0.75 0.278) ( 2000 0.167) ( 180.222 ) ( 500.222 )( 5000.111 )=0.364

S 2=( 0.5 0.278) ( 1500 0.167) ( 200.222) ( 400.222 ) ( 4500.111 )=0.322

5. Mencari Preferensi Relatif

V ( A i )=

Si

Si

V ( A 1 )=

0.364
0.364
=
=0.531
0.364+ 0.322 0.686

V ( A 2 )=

0.322
0.322
=
=0.47
0.364+ 0.322 0.686

Jadi berdasarkan perhitungan diatas maka diperoleh nilai terbesar adalah

V(A1), sehingga yang cocok dijadikan lokasi pembangunan gudang adalah
alternatif A1.
1.5.4 Technique for Order Performance by Similarity to Ideal Solution
(TOPSIS)
1.5.4.1 Pengertian Metode TOPSIS
TOPSIS (Technique For Others Performance by Similarity to Ideal
Solution) adalah salah satu metode pengambilan keputusan multikriteria yang
pertama kali diperkenalkan oleh Yoon dan Hwang (1981). TOPSIS menggunakan
prinsip bahwa alternatif yang terpilih harus mempunyai jarak terdekat dari solusi
ideal positif dan terjauh dari solusi ideal negatif dari sudut pandang geometris
dengan menggunakan jarak Euclidean untuk menentukan kedekatan relatif dari
suatu alternatif dengan solusi optimal.

20 | P a g e

Solusi ideal positif didefinisikan sebagai jumlah dari seluruh nilai terbaik
yang dapat dicapai untuk setiap atribut, sedangkan solusi negatif-ideal terdiri dari
seluruh nilai terburuk yang dicapai untuk setiap atribut.
TOPSIS mempertimbangkan keduanya, jarak terhadap solusi ideal positif dan
jarak terhadap solusi ideal negatif dengan mengambil kedekatan relatif terhadap
solusi ideal positif.Berdasarkan perbandingan terhadap jarak relatifnya, susunan
prioritas alternatif bisa dicapai.
Metode ini banyak digunakan untuk menyelesaikan pengambilan keputusan
secara praktis. Hal ini disebabkan konsepnya sederhana dan mudah dipahami,
komputasinya efisien, dan memiliki kemampuan mengukur kinerja relatif dari
alternatif-alternatif keputusan.
1.5.4.2 Tahapan-tahapan TOPSIS
1. Membuat matriks keputusan yang ternormalisasi.
X
r ij = m ij
X 2 dengan i= 1, 2, , m dan j= 1, 2, , n

ij

i=1

2. Membuat matriks keputusan yang ternormalisasi terbobot

y ij =w i r ij
3. Menentukan matriks solusi ideal positif & matriks solusi ideal
negative
Solusi ideal positif dan solusi ideal negatif dapat ditentukan
berdasarkan rating bobot ternormalisasi (y):
+
+ , , y n
+ , y 2
+= y 1
A

, , y n

, y 2

= y 1

21 | P a g e

dengan i = 1,2, ,m dan j = 1,2,, n dimana:

+=

max
i

y ij , jika j adalah atribut keuntungan

min
i y ij , jika j adalahatribut biaya
y j

max
i

y ij , jika j adalahatribut keuntungan

min
i y ij , jika jadalah atribut biaya
y j

4. Menentukan jarak antara nilai setiap alternatif dengan matriks

solusi ideal positif & matriks solusi ideal negative
Jarak antara alternatif Ai dengan solusi ideal positif dirumuskan
sebagai:

+ y ij
y i

j=1

+=
Di
Jarak antara alternatif Ai dengan solusi ideal negatif dirumuskan
sebagai:

y ij y i

j=1

=
Di
5. Menentukan nilai preferensi untuk setiap alternatif.
Rating kinerja alternatif A1 pada setiap kriteria C1 yang
ternormalisasi:
Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai berikut:

22 | P a g e

+ D+
i

Di
D+
i

V i=
1.5.4.3 Contoh Kasus TOPSIS
Suatu perusahaan di Kabupaten Karangasem ingin membangun sebuah
villa yang akan digunakan sebagai tempat untuk lokasi penginapan wisatawan
yang merupakan cabang dari villa besar di Denpasar
Ada 3 lokasi yang akan menjadi alternatif, yaitu:
A1 = Kubu,
A2 = Amlapura
A3 = Abang.
Ada 5 kriteria yang dijadikan acuan dalam pengambilan keputusan,
yaitu:
C1 = jarak dengan pantai terdekat (km),
C2 = kepadatan penduduk di sekitar lokasi (orang/km2);
C3 = jarak dari jalan raya provinsi (km);
C4 = jarak dengan fasilitas umum (km);
C5 = harga tanah untuk lokasi (x1000 Rp/m2).
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).

23 | P a g e

Nilai Bobot Kepentingan dari tiap lokasi:

Alternatif

C1

Kriteria
C3

C2

A1: Kubu
4
A2: Abang
3
A3: Amlapura
5
Selesaikan dengan metode TOPSIS!

4
3
4

C4
5
4
4

C5
4
5
4

Penyelesaian:
1. Menentukan matrik keputusan ternormalisasi
r ij =

X ij

X 2ij

dengan i= 1, 2, , m dan j= 1, 2, , n

i=1

|X 1|= 4 2+3 2+5 2=7.7011

| X 11|

r 11 =
r 21 =

r 31 =

X1

|X 21|
X1

|X 31|
X1

4
=0.5657
7.7011
3
=0.4243
7.7011
5
=0.7071
7.7011

|X 2|= 4 2+3 2+ 4 2=6.4031

r 12=
r 22=
r 32=

|X 12|
X2

|X 22|
X2

|X 32|
X2

4
=0.6247
6.4031
3
=0.4685
6.4031
4
=0.6247
6.4031

|X 3|= 52+ 4 2+ 4 2=7.550

r 13=

24 | P a g e

|X 13|
X3

5
=0.6622
7.550

4
3
4

r 23=
r 33=

|X 13|
X3

|X 33|
X3

4
=0.5298
7.550
4
=0.5298
7.550

|X 4|= 42 +52 + 42=7.550

r 14=
r 24=
r 34=

|X 14|
X4

|X 24|
X4

|X 34|
X4

4
=0.5298
7.550

5
=0.6622
7.550

4
=0.5298
7.550

|X 5|= 4 2+ 32+ 4 2=6.4031

r 15 =
r 25=
r 35=

|X 15|
X5

|X 25|
X5

|X 32|
X5

4
=0.6247
6.4031
3
=0.4685
6.4031
4
=0.6247
6.4031

Sehingga:
Alternatif
A1: Kubu
A2: Abang
A3: Amlapura

C1
0.5657
0.4243
0.7071

C2
0.6247
0.4685
0.6247

Kriteria
C3
0.6622
0.5298
0.5298

C4
0.5298
0.6622
0.5298

2. Membuat matriks keputusan yang ternormalisasi terbobot

y ij =w i r ij
y 11=w1 r 11=50.5657=2.8285
y 21=w 1 r 21=50.4243=2.1215

25 | P a g e

C5
0.6247
0.4685
0.6247

y 31=w 1 r 21=50.7071=3.5355
y 12=w 2 r 12=30.6247=1.8741
y 22=w 2 r 22=30.4685=1.4055
y 32=w 2 r 32=30.6247=1.8741
y 13=w 3 r 13=40.6622=2.6488
y 23=w 3 r 23=40.5298=2.1192
y 33=w 3 r 33=40.5298=2.1192
y 14=w4 r 14=40.5298=2.1192
y 24=w4 r 24=40.6622=2.6488
y 34=w4 r 34=40.5298=2.1192
y 15=w 5 r 15=20.6247=1.2494
y 25=w 5 r 25=20.4685=0.937
y 35=w 5 r 35=20.6247=1.2494
Sehingga menjadi:
Alternatif
A1: Kubu
A2: Abang
A3: Amlapura

C1
2.8285
2.1215
3.5355

C2
1.8741
1.4055
1.8741

Kriteria
C3
2.6488
2.1192
2.1192

C4
2.1192
2.6488
2.1192

3. Menentukan matrik ideal positif dan ideal negative

a. Ideal positif A+

26 | P a g e

C5
1.2494
0.937
1.2494

+ , , y n

+ , y 2

+= y 1

+=max { 2.8285; 2.1215 ; 3.5355 } =3.5355

y 1
+=max { 1.8741; 1.4055 ; 1.8741 }=1.8741

y2
+=max { 2.6488; 2.1192 ; 2.1192 }=2.6488
y 3
+=max { 2.1192 ; 2.6488; 2.1192 }=2.6488
y 4
+=max { 1.2494 ; 0.9370 ; 1.2494 }=1.2494
y 5
+={ 3.5355; 1.8741 ; 2.6488 ; 2.6488; 1.2494 }
A
b. Ideal negatif

, , y n

, y 2

= y 1

=min { 2.8285 ; 2.1215 ;3.5355 }=2.1215

y 1
=min { 1.8741 ;1.4055 ; 1.8741 }=1.4055

y2
=min { 2.6488 ; 2.1192 ; 2.1192 }=2.1192
y 3
=max {2.1192 ; 2.6488 ; 2.1192 } =2.1192

y4
=min { 1.2494 ; 0.9370 ; 1.2494 }=0.9370
y 5

27 | P a g e

= {2.1215 ; 1.4055 ; 2.1192; 2.1192 ; 0.9370 }

A
4. Menentukan jarak antara nilai terbobot setiap alternatif terhadap
solusi ideal positif dan ideal negative
a. Ideal Positif
+ y ij
y i

j=1

+=
Di

( 3.53552.8285 )2 + ( 1.87411.8741 )2 + ( 2.64882.6488 )2+ (2.64882.1192

+ =
D 1

+=( 3.53552.1215 ) + ( 1.87411.4055 ) + ( 2.64882.1192 ) + ( 2.64882

D 2
2

+=( 3.53553.5355 ) + ( 1.87411.8741 ) + (2.64882.1192 ) + ( 2.64882

D3
2

b. Ideal Negatif

y ij y i

j=1

=
Di

28 | P a g e

( 2.82852.1215 )2 + ( 1.87411.4055 )2 + ( 2.64882.1192 )2 + ( 2.11922.1192

=
D 1

= ( 2.12152.1215 ) + ( 1.40551.4055 ) + (2.11922.1192 ) + ( 2.6488

D2
2

= ( 3.53552.1215 ) + ( 1.87411.4055 ) + ( 2.11922.1192 ) + ( 2.11922.1192 ) + ( 1.24940.

D3
2

5. Menentukan nilai preferensi untuk setiap alternatif :

+ D+
i

Di
D+
i

V i=

+ D+
1 =

0.8834
=5.38
1.04760.8834
D1
D +
1

V 1=

+ D+
2 =

+ D+
3 =

29 | P a g e

1.0476
=2.0224
0.52961.0476
D 2
D+
2

V 2=

0.7490
=0.97
1.52200.7490
D 3
D +
3

V 3=

Berdasarkan perhitungan diatas nilai V1 merupakan nilai yang

paling besar sehingga A1 (Kec. Kubu) merupakan alternatif yang
dipilih.
1.5.5 Bayes
1.5.5.1 Pengertian BAYES
Teorema bayes diadopsi dari nama penemunya yaitu Thomas Bayes
sekitar tahun 1950. Teorema bayes adalah sebuah teori kondisi probabilitas
yang memperhitungkan probabilitas sebuah kejadian (hipotesis) bergantung
pada kejadian lain (bukti). Pada dasarnya, teorema tersebut mengatakan
bahwa suatu kejadian yang terjadi di masa depan atau yang belum terjadi
dapat diprediksi dengan syarat kejadian sebelumnya yang telah terjadi
(Kenneth, 2011).
Probabilitas itu sendiri dapat didefinisikan sebagai ukuran kuantitatif
dari suatu ketidakpastian informasi atau peristiwa. Probabilitas memiliki
indeks nilai yang berkisar dari 0 sampai 1. Hal ini juga dipengaruhi oleh
jumlah total kejadian selama percobaan. Apabila probabilitas suatu kejadian
adalah 0 (nol), maka keadaan tersebut dapat diyakinkan pasti tidak akan
terjadi. Namun, apabila probabilitas suatu kejadian adalah 1 (satu), maka
keadaan tersebut dapat diyakinkan pasti terjadi. Sedangkan misalkan suatu
kejadian memiliki probabilitas 0,5 maka kejadian tersebut memiliki tingkat
keraguan yang maksimum (Ratnaningtyas, 2010).
Dalam Teorema Bayes sering disebut istilah probabilitas bersyarat.
Probabilitas bersyarat adalah suatu kejadian yang mungkin atau tidak
tergantung pada terjadinya peristiwa lain. Ketergantungan ini dapat ditulis
dalam bentuk probabilitas bersyarat sebagai berikut: P(A|B), maksudnya
adalah probabilitas bahwa kejadian A akan terjadi apabila kejadian B terjadi
atau bisa disebut sebagai probabilitas gabungan kejadian A dan B
(Ratnaningtyas, 2010). Teorema bayes adalah sebuah metode yang
digunakan untuk menangani masalah ketidakpastian data dan melakukan
analisis dalam pengambilankeputusan terbaik dari sejumlah alternatif
dengan tujuan menghasilkan perolehan yang optimal. Teorema bayes

30 | P a g e

menyediakan beberapa rumusan untuk menarik kesimpulan berdasarkan

fakta (evidance) dan hipotesis (Kenneth, 2011).
1.5.5.2 Tahapan-tahapan Metode BAYES
1. Mencari probabilitas semesta dari fakta/evidence E yang ada
n

P( Hi)= H =H 1+ H 2++ Hn
k=1

2. Mencari probabilitas hipotesis H jika belum diberikan evidence

E dengan cara:
n

P ( E )= ( Hi )P ( E|Hi )
i=1

3.

Mencari probabilitas hipotesis H berdasarkan evidence E yang

diberikan dengan menggunakan:
P( EHi)P ( Hi )
P ( Hi| E )=
P( E)

4. Mencari nilai bayes dengan cara:

n

P ( H |E ,e )= P ( E|Hi )P ( Hi|E )
i =1

1.5.5.3 Contoh Kasus BAYES

Aulia melakukan diagnose penyakit gagal ginjal dengan menjawab
pertanyaan sesuai gejala-gejala yang perkirakan sehingga diperoleh data
sebagai berikut:
Gejala 1 (G1) = 0.4 = P(E|H1)
Gejala 2 (G2) = 0.2 = P(E|H2)
Gejala 3 (G3) = 0.4 = P(E|H3)
Gejala 4 (G4) = 0.6 = P(E|H4)
Tentukankalan persentase kemungkinan Aulia menderita gagal ginjal:
Penyelesain:
1. Mencari nilai semesta dengan menjumlahkan Hipotesa diatas:

31 | P a g e

P( Hi)= H =H 1+ H 2+ H 3+ H 4=0.4+ 0.2+ 0.4+0.6=1.6

k=1

P ( H 1 )=

H1
4

0.4
=0.25
1.6

0.2
=0.125
1.6

0.4
=0.25
1.6

0.6
=0.375
1.6

G
k=1

P ( H 2 )=

H2
4

G
k=1

P (H 3)=

H3
4

G
k=1

P ( H 4 )=

H4
4

G
k=1

2. Setelah nilai P(Hi) diketahui, probabilitas hipotesis H tanpa memandang

evidence/fakta apapun, maka langkah selanjutnya adalah:
P ( E|H 3 )+ P ( H 4 )P( EH 4)=0.40.25+0.20.125+0.40.25+ 0.60.375=0.446
( Hi )P ( E|Hin )=P ( H 1 )P ( E|H 1 ) + P ( H 2 )P ( E|H 2 ) + P ( H 3 )
4

P ( E ) =
k=1

3. Langkah selanjutnya ialah mencari nilai P(Hi|E) atau probabilitas hipotesis

Hi benar jika diberikan evidence E dengan persamaan:
P ( E|Hi )P ( Hi )
P ( Hi| E )=
P( E)
P ( H 1|E ) =

P(H 1)P ( H 1 ) 0.40.25

=
=0.224
0.446
P( E)

P ( H 2|E ) =

P(EH 2)P ( H 2 ) 0.20.125

=
=0.056
0.446
P( E)

P ( H 3|E )=

P (EH 3)P ( H 3 ) 0.40.25

=
=0.224
0.446
P (E)

P ( H 4|E ) =

P(EH 4)P ( H 4 ) 0.60.375

=
=0.504
0.446
P(E)

4. Setelah seluruh nilai P(Hi|E) diketahui, maka jumlahkan seluruh nilai

bayesnya dengan rumus sebagai berikut:

32 | P a g e

P ( E|Hi )P ( Hi|E )=P ( E | H 1 )P ( H 1|E )+ P ( E | H 2 ) P ( H 2|E ) + P ( E | H 3 )P ( H 3

P
Jadi berdasarkan perhitungan dengan menggunakan metode bayes
diatas dapat disimpulkan bahwa probabilitas Aulia menderita gagal
ginjal adalah 49.28%.
1.6 Kesimpulan
Berdasarkan pemaparan materi pada modul diatas dapat ditarik beberapa
kesimpulan sebagai berikut:
1. Sistem Pendukung Keputusan adalah sebuah system yang mampu
memberikan solusi dari sebuah permasalahan untuk membantu atau
mendukung seorang manager dalam mengambil keputusan.
2. Tujuan dari dibuatnya sebuah system pendukung keputusan adalah
untuk membantu manager atau si pembuat keputusan dalam
menentukan keputusan yang cepat dan tepat.
3. Karakteristik dari system pendukung kepusan itu sendiri adalah
menyediakan dukungan untuk pengambil keputusan utamanya pada
keadaan-keadaan

semistruktur

dan

tidak

terstruktur

dengan

menggabungkan penilaian manusia dan informasi komputerisasi.

4. Metode-metode yang biasanya digunakan dalam membuat system
pendukung keputusan diantaranya: Simple Additive Weighting (SAW),
Analytical Hierarchy Process (AHP), Weighted Product (WP),
Technique for Order Performance by Similarity to Ideal (TOPSIS),
dan BAYES.

33 | P a g e

BAB 2
SISTEM PAKAR
2.1 Pendahuluan
Keunggulan manusia dibanding dengan makhluk lainnya terletak pada
kecerdasannya. Dengan kecerdasan manusia menguasai ilmu pengetahuan dan
teknologi. Manusia kemudian diciptakan berbagai macam karya termasuk salah
satunya adalah komputer. Dalam era komputer, peran komputer sangat besar
untuk meringankan pekerjaan manusia karena dapat mengolah data dalam jumlah
yang besar dengan tingkat ketelitian yang tinggi. Penerapan komputer juga
dilakukan pada berbagai bidang ilmu termasuk diantaranya dalam bidang
ketenaga-kerjaan. Sebagai salah satu negara yang yang sedang berkembang, sudah
tentu Indonesia membutuhkan tenaga kerja yang potensial dan memiliki kriteria
yang sesuai dengan pekerjaannya untuk mendukung perkembangan dan kemajuan
negara Indonesia.
Oleh sebab itu perusahaan membutuhkan seorang pakar yang dapat
menangani masalah dibagian-bagian perusahaan. Akan tetapi perusahaan belum
tentu dapat memakai seorang pakar karena dipandang dari segi keuangan
perusahaan maupun waktu pakar tersebut. Dengan adanya masalah diatas, maka
peranan komputer akan sangat diperlukan dalam membantu perusahaan
khususnya bagian personalia untuk mengatasi masalah tersebut. Oleh karena itu,
maka dibuatlah suatu sistem pakar untuk memudahkan perusahaan dalam
merekrut karyawan secara baik berdasarkan kriteria-kriteria yang sesuai dengan
kebutuhan perusahaan. Solusi dari permasalahan ini adalah penggunaan sistem
pakar yang berbasis komputer.
Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer yang dirancang untuk memodelkan kemampuan
menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini,
orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari
suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan

34 | P a g e

bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu
aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten
yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam
penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan
kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan
oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal
tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses
pengambilan keputusan untuk penyelesaian masalah tertentu.
2.2 Pengertian Sistem Pakar
Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman,
metode khusus, serta kemampuan untuk menerapkan bakat ini dalam memberi
nasihat dan memecahkan masalah. Misalnya seorang dokter, penasehat keuangan,
pakar mesin mobil, dll.
Kepakaran (expertise) adalah pengetahuan yang ekstensif (meluas) dan
spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman.
Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan
lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks.
Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih
banyak daripada pakar yunior.
Sistem Pakar adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang
biasa dilakukan para ahli. Sistem pakar diciptakan tidak untuk menggantikan
kedudukan seorang pakar tetapi untuk memasyarakatkan pengetahuan &
pengalaman pakar tersebut. Tujuan dari sebuah sistem pakar adalah untuk
mentransfer kepakaran yang dimiliki seorang pakar kedalam komputer, dan
kemudian kepada orang lain (nonexpert). Bentuk umum sistem pakar adalah suatu
program yang dibuat berdasarkan suatu set aturan yang menganalisis informasi
(biasanya diberikan oleh pengguna suatu sistem) mengenai suatu kelas masalah
spesifik serta analisis matematis dari masalah tersebut.
Sistem Pakar memberikan banyak keuntungan bagi operasi perusahaan
dan manajer, tetapi memiliki keterbatasan significan. Artificial Intelligence
35 | P a g e

merupakan suatu aktivitas untuk menyediakan berbagai mesin seperti komputer

dengan menampilkan perilaku dengan penalaran yang cerdas apabila diamati
sebagai manusia. Artificial Intelligence menyajikan berbagai aplikasi komputer
yang canggih untuk menyamai berbagai jenis penalaran manusia.
SP dikembangkan pertama kali oleh komunitas AI tahun 1960an. SP yang
pertama adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh
Newel Simon.
2.3 Tujuan Sistem Pakar
a) Pakar di suatu perusahaan/instansi bisa pensiun, keluar, atau telah
meninggal. Suatu aplikasi sistem pakar dapat diperbanyak dan
disebarluaskan dengan mudah dan cepat. Hal ini berarti telah
memperbanyak jumlah pakar dan memperluas jangkauan aksesnya.
b) Pengetahuan perlu di dokumentasikan atau dianalisis. Penyimpanan datadata pengetahun ke dalam database dengan lengkap dan terpercaya
menyebabkan informasi yang dibutuhkan bisa diakses dalam jangka waktu
yang cukup lama.
c) Sistem pakar memungkinkan pengetahuan ditransfer lebih mudah dengan
biaya lebih rendah. Sehingga seseorang yang berkonsultasi dengan sistem
tersebut seolah-olah berkonsultasi dengan pakar aslinya
d) Sistem Pakar dapat menyediakan kepakaran setiap waktu dan diberbagai
lokasi. Efisiensi waktu, namun sistem atau orang biasa/awam yang terlibat
di dalamnya bekerja layaknya sang pakar.
e) Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan
seorang pakar.
f) Seorang Pakar mahal dan langka efisiensi kerja, karena sistem biaya yang
dikeluarkan

untuk

perancangan,

implementasi

dan

perawatan

(maintenance) sistem pakar relatif lebih murah dan tidak mengenal sifat
lelah/lupa dll. Hal ini berimbas pada meningkatnya produktivitas dan
kinerja perusahaan.

36 | P a g e

g) Efisiensi waktu, namun sistem atau orang biasa/awam yang terlibat di

dalamnya bekerja layaknya sang pakar.
h) Penyimpanan data-data pengetahun ke dalam database dengan lengkap dan
terpercaya menyebabkan informasi yang dibutuhkan bisa diakses dalam
jangka waktu yang cukup lama. Sehingga seseorang yang berkonsultasi
dengan sistem tersebut seolah-olah berkonsultasi dengan pakar aslinya.
i) Dimungkinkan terjadinya penyatuan kemampuan sistem pakar yang satu
dengan yang lainnya, sehingga membuat kualitas hasil lebih meningkat
sehingga seolaholah seorang user berkonsultasi dengan banyak pakar.
j) Efisiensi kerja, karena sistem biaya yang dikeluarkan untuk perancangan,
implementasi dan perawatan (maintenance) sistem pakar relatif lebih
murah dan tidak mengenal sifat lelah/lupa dll. Hal ini berimbas pada
meningkatnya produktivitas dan kinerja perusahaan.
2.4 Karakteristik Sistem Pakar
a) Memiliki fasilitas informasi yang handal
b) Mudah dimodifikasi
c) Dapat digunakan dalam berbagai jenis komputer
d) Memilki kemampuan untuk belajar beradaptasi.
e) Bekerja secara sistematis berdasarkan pengetahuan dan mekanisme
tertentu.
f) Pengambilan keputusan berdasarkan kaidah-kaidah tertentu dan
dapat merespons masukkan user (melalui kotak dialog).
g) Dapat menalar data-data yang tidak pasti dan memberikan
beberapa alasan pemilihan.
h) Dikembangkan secara bertahap dan terbatas pada bidang keahlian
tertentu saja.
i) Outputnya berupa saran atau anjuran.

37 | P a g e

2.5 Implementasi Sistem Pakar

Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah
antara lain:
2.5.1 Certainty Factor
2.5.1.1 Pengertian Certainty Factor
Certainty Factor (CF) merupakan salah satu teknik yang digunakan
untuk mengatasi ketidakpastian dalam pengambilan keputusan. Certainty
Factor (CF) dapat terjadi dengan berbagai kondisi. Diantara kondisi yang
terjadi adalah terdapat beberapa antensenden (dalam rule yang berbeda)
dengan satu konsekuen yang sama (Haryanto, 2011).
2.5.1.2 Tahapan-tahapan Certainty Factor
1. Mencari nilai Meansure of Belief (MB) yang merupakan tingkat keyakinan
terhadap suatu hipotesa, dengan rumus:
MB [ H , E ] =MB [ H , E 1 ] + MB [ H , E 2](1MB [ H , E 1 ] )
dimana MB = Measure of Belief (tingkat keyakinan), adalah ukuran kenaikan
dari kepercayaan hipotesis H dipengaruhi oleh fakta E (antara 0 dan 1)
2. Mencari nilai Meansure of Disbelief (MD) yang merupakan tingkat keyakinan
terhadap suatu hipotesa, dengan rumus:
MD [ H , E ]=MD [ H , E1 ] + MD [H , E 2](1MD [ H , E 1 ] )
dimana Measure of Disbelief (tingkat ketidakyakinan), adalah kenaikan dari
ketidakpercayaan hipotesis H dipengaruhi fakta E (antara 0 dan 1).
3. Mencari Certainty Factor yang merupakan tingkat kepastian hipotesis
berdasarkan fakta-fakta yang terjadi, dengan rumus:
CF [ H , E ]=MB [ H , E ] MD [H , E]
dimana CF = Certain Factor (faktor kepastian) dalam hipotesis H yang
dipengaruhi oleh fakta E.

38 | P a g e

Berdasarkan persamaan-persamaan diatas bisa ditarik beberapa

fakta sebagai berikut:
a. Jika CF[H,E] bernilai positif berarti fakta tersebut mendukung suatu
hipotesis karena MB > MD
b. Jika CF[H,E] = 1 berarti fakta tersebut membuktikan suatu hipotesis
c. Jika CF[H,E] = 0 berarti kepercayaan dihapus atau ditiadakan oleh
ketidakpercayaan
d. Jika CF[H,E] bernilai negative berarti fakta menandakan negasi dari
hipotesis, karena MB < MD. Dengan kata lain menyatakan
ketidakpercayaan terhadap hipotesis daripada mempercayainya.
2.5.1.3 Contoh Kasus Certainty Factor
Penyakit Demam Berdarah
Gejala

MB
MD
(tingkat keyakinan) (tingkat ketidakyakinan)

Demam

0.4

0.27

Bintik Merah

0.8

0.2

Penyelesaian:
1. Kita cari nilai Measure of Belief (MB) hipotesis demam berdarah
yang dipengaruhi oleh gejala (fakta) demam dan bintik merah)
MB [ H , E ] =MB [ Deman Berdarah , DemamBintik merah ]
MB [ H , E ] =MB [ H , E 1 ] + MB [ H , E 2](1MB [ H , E 1 ] )
MB [ H , E ] =0.4+0.8( 10.4 )=0.88
2. Kita cari nilai Measure of Disbelief (MD) hipotesis demam
berdarah yang dipengaruhi oleh gejala (fakta) demam dan bintik
merah)
MD [ H , E ]=MD [ Deman Berdarah, Demam Bintik merah ]
MD [ H , E ]=MD [ H , E1 ] + MD [H , E 2](1MD [ H , E 1 ] )
MB [ H , E ] =0.27+0.2( 10.27 )=0.416

39 | P a g e

3. Kita cari nilai Certain Factor (CF) hipotesis demam berdarah yang
dipengaruhi oleh gejala (fakta) demam dan bintik merah
CF [ H , E ]=CF [ Deman Berdarah, Demam Bintik merah ]
CF [ H , E ]=MB [ H , E ] MD [H , E]
CF [ H , E ]=0.880.416=0.464
Jadi berdasarkan perhitungan diatas diperoleh kesimpulan
bahwa tingkat kepastian berdasarkan fakta diatas sebesar
0.464 atau 46.4%.
2.5.2 Dempster-Shaper
2.5.2.1 Pengertian Dempster-Shaper
Teori Dempster-Shafer pertama kali diperkenalkan oleh oleh Arthur P.Dempster
and Glenn Shafer, yang melakukan percobaan ketidakpastian dengan range
probabilities daripada sebagai probabilitas tunggal. Kemudian pada tahun 1976
Shafer mempublikasikan teori Dempster pada buku yang berjudul Mathematichal
Theory of Evident. Teori Dempster-Shafer merupakan teori matematika dari
evidence. Teori tersebut dapat memberikan sebuah cara untuk menggabungkan
evidence dari beberapa sumber dan mendatangkan atau memberikan tingkat
kepercayaan (direpresentasikan melalui fungsi kepercayaan) dimana mengambil
dari seluruh evidence yang tersedia.
2.5.2.2 Tahapan-tahapan Dempster-Shafer
2.5.2.3 Contoh Kasus Dempster-Shafer
Vany mengalami gejala panas badan. Dari diagnose dokter kemungkinan
Vany menderita Flue, Demam atau Bronkitis. Tunjukkan kaitan ukuran
kepercayaan dari elemen-elemen yang ada!
1. Gejala Panas
Apabila diketahui nilai kepercayaan setelah dilakukan observasi panas
sebagai gejalan Flue, Demam dan Bronkitis adalah :
M1{F,D,B} = 0,8
M1{} = 1 0,8 = 0,2
Sehari kemudian Vany datang ke dokter lagi dengan gejala hidung
buntu.
2. Gejala 2: hidung buntu

40 | P a g e

Setelah observasi diketahui bahwa nilai kepercayaan hidung buntu

sebagai gejala Alergi, Flue dan Deman adalah :
M2{A, F,D} = 0,9
M2{} = 1 0,9 = 0,1
Munculnya gejala baru maka harus dihitung densitas baru untuk beberapa
kombinasi (m3). Untuk memudahkan perhitungan maka himpunan-himpunan
bagian dibawa ke bentuk tabel

Keterangan :
Kolom pertama berisikan semua himpinan bagian pada gejala pertama

(panas) dengan m1 sebagai fungsi densitas.

Baris pertama berisikan semua himpunan bagian pada gejala kedua

(hidung buntu) dengan m2 sebagai fungsi densitas.

Baris kedua dan ketiga pada kolom kedua merupakan irisan dari kedua
himpunan
Selanjutnya dihitung densitas baru untuk beberapa kombinasi (m3) dengan

persamaan Dempster-Shafer sbb:

0,72
m3 F , D
0,72
1 0
0,18
m3 A, F , D
0,18
1 0
0,08
m3 F , D, B
0,08
1 0
0,02
m3
0,02
1 0
Keterangan :
Terlihat bahwa pada mulanya dengan hanya gejala panas, m{F,D,B} =
0,8. Namunsetelah ada gejala baru (hidung buntu), maka nilai m{F,D,B}

= 0,08.
Demikian pula pada mulanya hanya dengan gejala hibung buntu,
m{A,F,D} = 0,9. Namun setelah ada gejala baru (panas) maka
m{A,F,D} = 0,18.

41 | P a g e

Dengan adanya 2 gejala tersebut, maka nilai densitas yang paling kuat

adalah m{F,D} = 0,72.

Bagaimana jika Vany ke dokter lagi dan ditemukan gejala baru lagi
berupa Vany makan udang.

3. Gejala 3 : makan udang

Setelah dilakukan observasi, diketahui bahwa udang sebagai gejala

Alergi dengan nilai kepercayaan :

m4{A} = 0,6
m4{} = 1 0,6 = 0,4
Maka harus dihitung densitas baru untuk setiap himpunan bagian

dengan fungsi densitas m5

Untuk memudahkan dibuat tabel dengan kolom pertama berisi
himpunan bagian-himpunan bagian hasil kombinasi gejala 1 dan
gejala 2 dengan fungsi densitas m3. Sedangkan baris pertama berisi
himpunan bagian-himpunan bagian pada gejala 3 dengan fungsi
densitas m4.
Sehingga dihasilkan tabel sbb:

Densitas baru m5 adalah sbb:

42 | P a g e

Ternyata dengan gejala baru ini karena Vany makan udang dimana Vany
alergi terhadap udang, nilai densitas yang paling tetap yaitu m5{F,D} = 0,554.
Jadi dengan tiga jenis gejala yang dialami oleh Vany, kemungkinan paling
kuat Vany terkena Flue dan Demam.
2.6 Kesimpulan
Berdasarkan pemaparan materi pada modul diatas dapat ditarik
beberapa kesimpulan sebagai berikut:
1. Sistem Pakar adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer, agar komputer dapat menyelesaikan masalah
seperti yang biasa dilakukan para ahli.
2. Tujuan
dari
dibuatnya
sebuah

system

pakar

adalah

mendokumentasikan pengetahuan atau keahlian seorang pakar agar

bisa diperbanyak dan di gunakan jangka panjang.
3. Karakteristik dari system pakar itu sendiri adalah memiliki fasilitas
informasi yang handal, memilki kemampuan untuk belajar beradaptasi,
dll.
4. Metode-metode yang biasanya digunakan dalam membuat system
pendukung keputusan diantaranya Certainty Factor dan DemsterShafer.

43 | P a g e

Referensi
Darmanto, E., Latifah, N., & Susanti, N. (2014, April). PENERAPAN METODE
AHP (ANALYTHIC HIERARCHY PROCESS)UNTUK MENENTUKAN
KUALITAS GULA TUMBU. Jurnal SIMETRIS, 5, 75-82.
Haryanto, T. (2011, November 25). Certainty Factor (CF). Retrieved from TOTO
HARYANTO:

http://totoharyanto.staff.ipb.ac.id/2011/11/25/certainty-

factor-cf/
Riadi, M. (2013, September 13). Pengertian Sistem Pendukung Keputusan.
Retrieved

Desember

25,

2014,

from

Kajian

Pustaka:

http://www.kajianpustaka.com/2013/09/sistem-pendukung-keputusanspk.html
Saragih, S. H. (2013, August). PENERAPAN METODE ANALITYCAL
HIERARCHY PROCESS (AHP) PADA SISTEM PENDUKUNG
KEPUTUSAN. Pelita Informatika Budi Darma, IV, 82-88.

6|Page