PROPOSAL SKRIPSI

SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMA BERAS

UNTUK KELUARGA MISKIN (RASKIN) MENGGUNAKAN METODE
TECHNIQUE FOR ORDER PREFERENCE BY SIMILARITY TO IDEAL
SOLUTION (TOPSIS) DAN ENTROPY

Oleh :

AGUNG PRAYITNO
G1A010040

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS BENGKULU
2015

1. Judul Penelitian
Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin
(Raskin) Menggunakan Metode Technique For Order Preference By Similarity To
Ideal Solution (Topsis) Dan Entropy
2. Bidang Ilmu
Bidang ilmu yang penulis akan teliti adalah bidang Decision Support
System(DSS)
3. Latar Belakang
Program Subsidi Beras bagi Masyarakat Berpendapatan Rendah (Raskin)
merupakan subsidi pangan yang diperuntukkan bagi rumah tangga miskin dan rentan
sebagai upaya dari pemerintah untuk meningkatkan ketahanan pangan dan
memberikan perlindungan sosial pada rumah tangga miskin dan rentan. Program
Raskin bertujuan untuk mengurangi beban pengeluaran Rumah Tangga Sasaran (RTS)
melalui pemenuhan sebagian kebutuhan pangan pokok dalam bentuk beras dan
mencegah penurunan konsumsi energi. Selain berfungsi sebagai mekanisme
perlindungan sosial dan penanggulangan kemiskinan, Program Raskin juga berguna
untuk:
1. mengendalikan inflasi melalui intervensi Pemerintah, dengan menetapkan
harga beras beras bersubsidi sebesar Rp.1.600/kg, dan menjaga stok pangan
nasional;
2. stabilisasi harga beras di pasaran;
3. sebagai pasar bagi hasil usaha tani padi; dan
4. membantu pertumbuhan ekonomi daerah.
(tnp2k.go.id)
Penyaluran RASKIN (Beras untuk Rumah Tangga Miskin) sudah dimulai
sejak 1998.Krisis moneter tahun 1998 merupakan awal pelaksanaan RASKIN yang
bertujuan untuk memperkuat ketahanan pangan rumah tangga terutama rumah tangga
miskin. Pada awalnya disebut program Operasi Pasar Khusus (OPK), kemudian
diubah menjadi RASKIN mulai tahun 2002, RASKIN diperluas fungsinya tidak lagi

menjadi program darurat (social safety net) melainkan sebagai bagian dari program
perlindungan sosial masyarakat. Melalui sebuah kajian ilmiah, penamaan RASKIN
menjadi nama program diharapkan akan menjadi lebih tepat sasaran dan mencapai
tujuan RASKIN.Penentuan kriteria penerima manfaat RASKIN seringkali menjadi
persoalan yang rumit. Dinamika data kemiskinan memerlukan adanya kebijakan lokal
melalui musyawarah Desa / Kelurahan. Musyawarah ini menjadi kekuatan utama
program untuk memberikan keadilan bagi sesama rumah tangga miskin.
Sampai dengan tahun 2006, data penerima manfaat RASKIN masih
menggunakan data dari BKKBN yaitu data keluarga prasejahtera alasan ekonomi dan
keluarga sejahtera I alasan ekonomi. Belum seluruh KK Miskin dapat dijangkau oleh
RASKIN. Hal inilah yang menjadikan RASKIN sering dianggap tidak tepat sasaran,
karena rumah tangga sasaran berbagi dengan KK Miskin lain yang belum terdaftar
sebagai sasaran. Mulai tahun 2007, digunakan data Rumah Tangga Miskin (RTM)
BPS sebagai data dasar dalam pelaksaaan RASKIN. Dari jumlah RTM yang tercatat
sebanyak 19,1 juta RTS, baru dapat diberikan kepada 15,8 juta RTS pada tahun 2007,
dan baru dapat diberikan kepada seluruh RTM pada tahun 2008. Dengan jumlah RTS
19,1 juta pada tahun2 008, berarti telah mencakup semua rumah tangga miskin yag
tercatat dalam Survei BPS tahun 2005. Jumlah sasaran ini juga merupakan sasaran
tertinggi selama RASKIN disalurkan. Penggunaan data Rumah Tangga Sasaran (RTS)
hasil pendataan Program Perlindungan Sosial tahun 2008 (PPLS 2008) dari BPS
diberlakukan sejak tahun 2008 yang juga berlaku untuk semua program pengentasan
kemiskinan yang dilaksanakan oleh Pemerintah. Beberapa kendala dalam pelaksanaan
RASKIN selama ini terutama dalam pencapaian ketepatan indikator maupun
ketersediaan anggaran. Sampai dengan saat ini, jumlah beras yang akan disalurkan
baru ditetapkan setelah anggarannya tersedia. Selain itu ketetapan atas jumlah beras

raskin yang disediakan juga tidak selalu dilakukan pada awal tahun, dan sering
dilakukan perubahan di pertengahan tahun karena berbagai faktor. Hal ini akan
menyulitkan dalam perencanaan penyiapan stoknya, perencanaan pendanaan dan
perhitungan biaya-biayanya.Data RTS yang dinamis menjadi suatu kendala tersendiri
di lapangan. Masih ada RTM di luar RTS yang belum dapat menerima RASKIN
karena tidak tercatat sebagai RTS di BPS. Kebijakan lokal dan keikhlasan sesama
RTM dalam berbagi, tidak jarang dipersalahkan sebagai ketidaktepatan sasaran.
(bulog.co.id, 2012)
Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS)
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, 2001).
SPK bertujuan untuk menyediakan informasi, membimbing, memberikan prediksi
serta mengarahkan kepada pengguna informasi agar dapat melakukan pengambilan
keputusan dengan lebih baik. Dari penjelasan diatas masih banyak penyaluran raskin
yang masih belum tepat sasaran, oleh karena itu penulis bermaksud mengambil topic
penelitian tentang Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk
Keluarga Miskin (Raskin) Menggunakan Metode

Technique For Order

Preference By Similarity To Ideal Solution (Topsis) Dan Entropy yang diharapkan

dapat membantu penyaluran raskin agar lebih baik.
4. PERUMUSAN MASALAH
Masalah yang akan dikaji dan diselesaikan dalam penelitian ini adalah:

1. Bagaimana membuat sebuah aplikasi sistem pendukung keputusan penerimaan

Raskin yang dilengkapi dengan fasilitas website sehingga informasi alternative
keputusan bias dilihat oleh berbagai pihak.
2. Bagaimana membuat sebuah aplikasi system pendukung keputusan penerimaan
raskin agar dapat menyeleksi penerima raskin secara akurat dan tepat sasaran?
3. Bagaimana menetukan nilai dari bobot setiap kriteria dalam menentukan
kelayakan penerima raskin?
5. BATASAN MASALAH
Batasan masalah pada penelitian ini adalah sebagai berikut:
1. Sistem ini hanya menghitung kelayakan penerima raskin.
2. Kreteria pada sistem pendukung keputusan ini terdiri dari 14 kreteria berdasarkan
Badan Pusat Statistik yaitu : Luas lantai rumah, Jenis lantai rumah, Jenis dinding
rumah, Fasilitas tempat buang air besar, Sumber air minum, Penerangan yang
digunakan, Bahan bakar yang digunakan, Frekuensi makan dalam sehari,
Kebiasaan

membeli

daging/ayam/susu,

Kemampuan

membeli

pakaian,

Kemampuan berobat ke puskesmas/poliklinik, Lapangan pekerjaan kepala rumah

tangga, Pendidikan kepala rumah tangga dan, Kepemilikan aset.
3. Aplikasi ini dirancang dengan menggunakan bahasa pemograman php
4. Sistem ini menggunakan database yang dirancang dengan MySQL
5. Studi kasus di kelurahan jalan gedang tepatnya di RT 06 RW 12 kota Bengkulu
6. TUJUAN PENELITIAN
Tujuan yang ingin dicapai dalam penelitian ini adalah merancang dan
membangun Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga
Miskin (Raskin) Menggunakan Metode

Technique For Order Preference By

Similarity To Ideal Solution (Topsis) Dan Entropy yang memiliki fungsi utama
sebagai berikut :
1.Membangun sebuah Sistem Pendukung Keputusan Seleksi Penerima Beras
Untuk Keluarga Miskin (Raskin) Dengan Metode Technique For Order

Preference By Similarity To Ideal Solution (TOPSIS untuk mempermudah

menentukan masyarakat yang berhak menerima Raskin.
2.mendapatkan alternatif keputusan yang dapat dijadikan sebagai acuan yang
valid dalam menentukan kelayakancalon penerima beras miskin.
7. MANFAAT PENELITIAN
Manfaat dari penelitian ini adalah:
1. Bagi penulis, dapat mengimplementasikan ilmu yang diperoleh selama di bangku
perkuliahan.
2. Bagi pengguna perangkat lunak, Membantu dalam pengambilan keputusan dalam
menentukan kelayakan penerima Raskin.
8. METODE PENELITIAN
8.1 Metode Pengembangan Sistem
Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga
Miskin

(Raskin)

Menggunakan

Making(FMADM) Dengan Metode

Fuzzy

Multiple

Attribute

Decision

Technique For Order Preference By

Similarity To Ideal Solution (TOPSIS) dan Entropy dalam Tugas Akhir ini
menggunakan model waterfall. Adapun langkah-langkah yang dilakukan dalam
pengembangan sistem ini secara garisbesar adalah sebagai berikut:
1. Pemodelan
Dalam

Tugas Akhir

ini

penulis

menggunakan

UML dalam

memodelkan sistem.
2.

Implementasi Program (Coding)

Implementasi

program

dalam

Tugas

Akhir

ini

penulis

mengimplementasikan desain ke dalam bentuk bahasa pemrograman. Bahasa

pemprograman yang digunakan adalah bahasa pemprograman PHP berbasis
web.

3. Pengujian (Testing)
Pengujian yang dilakukan pada Tugas Akhir ini dilakukan dengan
melakukan pengujian fungsional dan teknis pada aplikasi yang dibangun,
apakah sesuai dengan tujuan dari Tugas Akhir ini. yakni apakah perangkat
lunak yang dibangun berjalan dengan baik dan benar sehingga dapat
membantu pengambil keputusan dalam kelayakan penerimaan Raskin .
4. Pemeliharaan
Tahap akhir dimana suatu aplikasi yang sudah selesai dapat mengalami
perubahan-perubahan atau penambahan sesuai dengan permintaan pengguna.
8.2 Metode Pengumpulan Data
Dalam mengumpulkan data, teknik pengumpulan data yang digunakan
dalam penelitian ini yaitu:
a. Buku
Buku yang digunakan dalam penelitian ini berupa buku-buku referensi yang
dapat menunjang materi mengenai pengenalan suara (Serta buku elektronik
yang didapat di internet yang berhubungan dengan penelitian ini.
b. Artikel
Artikel yang digunakan sebagai sumber data adalah artikel yang didapat
dari internet yang berhubungan dengan penelitian ini.
c. Jurnal dan Skripsi
Bahan ilmiah lain yang digunakan sebagai acuan dalam penelitian ini
adalah jurnal dan skripsi di bidang yang relevan yaitu mengenai aplikasi
pengenalan ucapan.
9. TINJAUAN PUSTAKA
9.1 Sistem Pendukung Keputusan
9.1.1 Pengertian
Definisi awalnya adalah suatu sistem yang ditujukan untuk
mendukung manajemen pengambilan keputusan. Sistem berbasis

model yang terdiri dari prosedur-prosedur dalam pemrosesan data dan

pertimbangannya untuk membantu manajer dalam mengambil
keputusan. Agar berhasil mencapai tujuannya maka sistem tersebut
harus:
1. sederhana,
2. robust,
3. mudah untuk dikontrol,
4. mudah beradaptasi,
5. lengkap pada hal-hal penting,
6. mudah berkomunikasi dengannya.
Secara implisit juga berarti bahwa sistem ini harus berbasis komputer
dan digunakan sebagai tambahan dari kemampuan penyelesaian
masalah dari seseorang.
Definisi lain DSS adalah
1. sistem tambahan,
2. mampu untuk mendukung analisis datasecara ad hoc dan
pemodelan keputusan,
3. berorientasi pada perencanaan masa depan, dan
4. digunakan pada interval yang tak teratur atau tak terencanakan.
Ada juga definisi yang menyatakan bahwa DSS adalah sistem
berbasis komputer yang terdiri 3 komponen interaktif:
1. sistem bahasa mekanisme yang menyediakan
komunikasidiantara user dan berbagai komponen dalam DSS,
2. knowledge system penyimpananknowledge domain
permasalahan yang ditanamkan dalam DSS, baik sebagai data
ataupunprosedur, dan
3. sistem pemrosesan permasalahan link diantara dua komponen,
mengandungsatu atau lebih kemampuan memanipulasi masalah
yang dibutuhkan untuk pengambilankeputusan.
Karakteristik dan Kemampuan DSS.

Di bawah ini adalah karakteristik dan kemampuan ideal dari

suatu DSS:
1. DSS menyediakan dukungan bagi pengambil keputusan utamanya
pada situasi semi terstrukturdan tak terstruktur dengan memadukan
pertimbangan manusia dan informasi terkomputerisasi.Berbagai
masalah tak dapat diselesaikan (atau tak dapat diselesaikan secara
memuaskan) olehsistem terkomputerisasi lain, seperti EDP atau MIS,
tidak juga dengan metode atau toolkuantitatif standar.
2. Dukungan disediakan untuk berbagai level manajerial yang berbeda,
mulai dari pimpinanpuncak sampai manajer lapangan.
3. Dukungan disediakan bagi individu dan juga bagi group. Berbagai
masalah organisasionalmelibatkan pengambilan keputusan dari orang
dalam group. Untuk masalah yang strukturnyalebih sedikit seringkali
hanya membutuhkan keterlibatan beberapa individu dari departemen
dan level organisasi yang berbeda.
4. DSS menyediakan dukungan ke berbagai keputusan yang berurutan
atau saling berkaitan.
5. DSS mendukung berbagai fase proses pengambilan keputusan:
intelligence, design, choice dan
6. implementation.
7. DSS mendukung berbagai proses pengambilan keputusan dan style
yang berbeda-beda; adakesesuaian diantara DSS dan atribut
pengambil keputusan individu (contohnya vocabulary danstyle
keputusan).
8. DSS selalu bisa beradaptasi sepanjang masa. Pengambil keputusan
harus reaktif, mampumengatasi perubahan kondisi secepatnya dan
beradaptasi untuk membuat DSS selalu bias menangani perubahan
ini.
9. DSS adalah fleksibel, sehingga user dapat menambahkan, menghapus,
mengkombinasikan, mengubah, atau mengatur kembali elemen-

elemen dasar ( menyediakan respon cepat pada situasi yang tak

diharapkan ). Kemampuan ini memberikan analisis yang tepat waktu
dan cepat setiap saat.
10. DSS mudah untuk digunakan. User harus merasa nyaman dengan
sistem ini. User-friendliness, fleksibelitas, dukungan grafis terbaik,
dan antarmuka bahasa yang sesuai dengan bahasamanusia dapat
meningkatkan

efektivitas

DSS.

Kemudahan

penggunaan

ini

diiimplikasikan padamode yang interaktif.

11. DSS mencoba untuk meningkatkan efektivitas dari pengambilan
keputusan (akurasi, jangkawaktu, kualitas), lebih daripada efisiensi
yang bisa diperoleh (biaya membuat keputusan,termasuk biaya
penggunaan komputer).
12. Pengambil keputusan memiliki kontrol menyeluruh terhadap semua
langkah prosespengambilan keputusan dalam menyelesaikan masalah.
DSS secara khusus ditujukan untukmendukung dan tak menggantikan
pengambil keputusan. Pengambil keputusan dapatmenindaklanjuti
rekomendasi komputer sembarang waktu dalam proses dengan
tambahan pendapat pribadi atau pun tidak. DSS mengarah pada
pembelajaran,

yaitu

mengarah

pada

kebutuhan

baru

dan

penyempurnaan sistem, yang mengarah pada pembelajaran tambahan,

dan begitu selanjutnya dalam proses pengembangan dan peningkatan
DSS secara berkelanjutan.
13. User/pengguna harus mampu menyusun sendiri sistem yang
sederhana. Sistem yang lebihbesar dapat dibangun dalam organisasi
user tadi dengan melibatkan sedikit saja bantuan darispesialis di
bidang Information Systems (IS).
14. DSS biasanya mendayagunakan berbagai model (standar atau sesuai
keinginan user) dalammenganalisis berbagai keputusan. Kemampuan

pemodelan ini menjadikan percobaan yangdilakukan dapat dilakukan

pada berbagai konfigurasi yang berbeda. Berbagai percobaantersebut
lebih lanjut akan memberikan pandangan dan pembelajaran baru.
15. DSS dalam tingkat lanjut dilengkapi dengan komponen knowledge
yang bisa memberikan solusiyang efisien dan efektif dari berbagai
masalah yang pelik.
Keuntungan DSS:
1. Mampu mendukung pencarian solusi dari masalah yang
kompleks.
2. Respon cepat pada situasi yang tak diharapkan dalam kondisi
yang berubah-ubah.
3. Mampu untuk menerapkan berbagai strategi yang berbeda
4.
5.
6.
7.
8.
9.

9.1.2

pada konfigurasi berbeda secara cepat dan tepat.

Pandangan dan pembelajaran baru.
Memfasilitasi komunikasi.
Meningkatkan kontrol manajemen dan kinerja.
Menghemat biaya.
Keputusannya lebih tepat.
Meningkatkan efektivitas manajerial, menjadikan manajer

dapat bekerja lebih singkat dan dengan sedikit usaha.

10. Meningkatkan produktivitas analisis.
Komponen DSS.
1. Data Management. Termasuk database, yang mengandung data
yang relevan untuk berbagai situasi dan diatur oleh software yang
disebut Database Management Systems (DBMS).
2. Model Management. Melibatkan model finansial, statistikal,
management science, atau berbagai model kuantitatif

lainnya,

sehingga dapat memberikan ke sistem suatu kemampuan analitis,

dan manajemen software yang diperlukan.
3. Communication (dialog subsystem). User dapat berkomunikasi dan
memberikan perintah pada DSS melalui subsistem ini. Ini berarti
menyediakan antarmuka.

4. Knowledge Management. Subsistem optional ini dapat mendukung

subsistem lain atau bertindak sebagai komponen yang berdiri
sendiri.

Gambar 9.2 Komponen DSS (Subakti, 2012)

9.2 Metode Entropi
Metode pembobotan entropi yang digunakan adalah metode entropi
yang dikembangkan oleh Zeleny (1983). Dimana dibagi menjadi dua tipe,
yaitu bobot prior wi, yang sifatnya relative stabil, menggambarkan keadaan
psikologi dan sosial dari pengambil keputusan dan bobot informasi ,
sifatnya tidak stabil. Bobot prior pada dasarnya merupakan modifikasi
pembobotan AHP yang dikembangkan oleh Saaty. Sedangkan bobot
informasional, yaitu mengandung nilai-nilai yang diberikan pada setiap
alternatif, dalam hal ini digunakan metode entropi yang dikembangkan oleh
Zeleny (1983). Pada skripsi ini tipe pembobotan entropi yang digunakan
adalah bobot informasional.
Dimana Entropi menyelidiki keserasian dalam diskriminasi di antara
sekumpulan data. Sekumpulan data nilai alternative pada kriteria tertentu
digambarkan dalam Decision Matrix (DM). Menggunakan metode entropi,
kriteria dengan variasi nilai tertinggi akan mendapatkan bobot tertinggi [9].
Langkah-langkah yang digunakan dalam metode ini adalah sebagai berikut :
1. Membuat tabel data kriteria

Kriteria yang diidentifikasi bisa berupa kriteria kualitatif maupun

kuantitatif, namun semuanya harus bisa terukur. Satuan tiap kriteria boleh
berbeda-beda.
2. Normalisasi tabel data kriteria
Rumus normalisasi adalah sebagai berikut
d ki =

x ki
d i=d1i , , d mi
k
x i maks

(1.1)

D i= dik i=1,2, , n

(1.2)

k=1

Dimana :
d ki = nilai data yang telah dinormalisasi.
k

x i = nilai data yang belum dinormalisasi.

x ki maks = nilai data yang belum dinormalisasi yang mempunyai
nilai paling tinggi.
Di = jumlah nilai data yang telah dinormalisasi.

3. Perhitungan Entropi
Langkah selanjutnya adalah pengukuran entropi untuk setiap atribut
ke-i. Rumusnya adalah :
e maks= m
k=

(1.3)

1
(1.4)

emaks
m

e ( d i) =K

k=1

di di

Di Di

m = jumlah alternatif

, K>0

(1.5)

Setelah mendapatkan

e ( d i)

untuk masing-masing atribut, maka

dapat ditentukan total entropi untuk masing-masing atribut, rumusnya

adalah :

E= e ( d i )
i=1

(1.6)

4. Perhitungan Bobot Entropi

Langkah berikutnya adalah menghitung bobot dengan menggunakan
rumus sebagai berikut:
i awal=

1
1e ( d j) ] ,0 i awal 1
nE [

(1.7)

i awal= 1
i=1

(1.8)

Setelah mendapatkan bobot entropi untuk masing-masing kriteria jika

sebelumnya telah ada bobot awal atau bobot yang telah ditentukan
sebelumnya maka hasil bobot entropi yang sebenarnya untuk tiap kriteria
akan didapat dengan perhitungan berikut ini:
a wal x wi
i = n i
, i=1, .. , n
i awal x w i

(9)

i=1

Metode entropi cukup powerful untuk menghitung bobot suatu kriteria.

Alasannya adalah karena metode ini bisa digunakan untuk berbagai jenis data,
baik kuantitatif maupun kualitatif. Selain itu metode ini juga mensyaratkan
bahwa satuan maupun range dari tiap kriteria harus sama. Hal ini
dimungkinkan karena sebelum diolah, semua data akan dinormalisasi dulu
sehingga akan bernilai antara 0-1. Pada dasarnya, data yang mempunyai range
nilai yang besar (relatif terhadap kriteria itu sendiri) dan mempunyai variasi

nilai yang tinggi untuk tiap alternatif, akan memperoleh bobot yang tinggi.
Artinya, kriteria tersebut dianggap mampu untuk membedakan performansi
tiap alternatif.Selain itu dengan menggunakan metode entropi, peneliti bisa
memberikan bobot (tingkat kepentingan) awal pada tiap kriteria. Jadi
walaupun misalnya dari perhitungan, metode entropi menghasilkan bobot
yang kecil pada suatu kriteria (misalnya karena variasi datanya kecil), namun
jika kriteria tersebut dianggap penting oleh perancang aplikasi, maka ia bisa
memberikan bobot yang tinggi pada kriteria Universitas Sumatera Utara
tersebut. Kedua jenis bobot ini kemudian akan dikalkulasi bersama-sama
sehingga mendapatkan bobot entropi akhir.
9.3 Fuzzy Multiple Attribute Decision Making(FMADM)
Fuzzy Multiple Attribute Decision Making 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 (Kusumadewi, 2007). Ada beberapa metode yang dapat digunakan
untuk menyelesaikan masalah FMADM antara lain (Kusumadewi, 2006):

1.
2.
3.
4.
5.

Simple Additive Weighting Method (SAW)

Weighted Product (WP)
ELECTRE
Technique for Order Preference by Similarity to Ideal Solution (TOPSIS)
Analytic Hierarchy Process (AHP)

(Ardina Ariani., 2013)

Pada dasarnya, proses MADM dilakukan melalui 3 tahap, yaitu
penyusunan komponen-komponen situasi, analisis, dan sintesis informasi.
Pada tahap penyusunan komponen situasi, akan dibentuk table taksiran yang
berisi identifikasi alternatif dan spesifikasi tujuan, kriteria dan atribut.Tahap
analisis dilakukan melalui 2 langkah. Pertama, mendatangkan taksiran dari
besaran yang potensial, kemungkinan , dan ketidakpastian yang berhubungan
dengan dampak-dampak yang mungkin pada setiap alternatif. Kedua, meliputi
pemilihan dari preferensi pengambil keputusan untuk setiap nilai, dan
ketidakpedulian terhadap resiko yang timbul. Demikian pula, ada beberapa
cara untuk menentukan preferensi pengambil keputusan pada setiap konsekuen
yang dapat dilakukan pada langkah kedua. Metode yang paling sederhana
adalah untuk menurunkan bobot atribut dan kriteria adalah dengan fungsi
utilitas atau penjumlahan terbobot. Secara umum, Model MADM dapat
didefinisikan sebagai berikut :
Misalkan A = {ai | i= 1,,n | } adalah himpunan alternatif-alternatif
keputusan dan C = {cj | j =1,,m | } adalah himpunan tujuan yang
diharapkan, maka akan ditentukan alternatif xo yang memiliki derajat harapan
tertinggi terhadap tujuan-tujuan yang relevan cj.
Sebagian besar pendeketan MADM dilakukan melalui 2 langkah, yaitu
: pertama, melakukan agregasi terhadap keputusan-keputusan yang tanggap
terhadapt semua tujuan pada setiap alternatif; kedua melakukan perangkingan

alternative-alternatif keputusan tersebut berdasarkan hasila gregasi keputusan.

Dengan demikian, bisa dikatakan bahwa, masalah Model Multi-Atribut
Decision Making (MADM) adalah mengevaluasi m alternative Ai (i=1,2,,m)
terhadap sekumpulan atribut ataukriteria Cj (j=1,2,,n), dimana setiap atribut
saling tidak bergantung satu dengan yang lainnya. Matriks keputusan setiap
alternatif terhadap setiap atribut, X,diberikan sebagai :

x 11 x 12
x 21 x 22
X=

xm 1 xm2

x1n
x2n

xmn

Dimana xij merupakan rating kinerja alternative ke-i terhadap atribut

ke-j. Nilai bobot yang menunjukkan tingkat kepentingan relatif setiapatribut,
diberikan sebagai, W :
W = { W 1 ,W 2 , , W n }

Rating kinerja (X), dan nilai bobot (W) merupakan nilai utama yang
merepresentasikan preferensi absolute dari pengambil keputusan. Masalah
MADM diakhiri dengan proses perangkingan untuk mendapatkan alternatif
terbaik yang diperoleh berdasarkan nilai keseluruhan preferensi yang
diberikan. (Wibowo, 2010)
9.4 Technique for Order Preference by Similarity to Ideal Solution (TOPSIS)
TOPSIS didasarkan pada konsep dimana alternatif terpilih yang terbaik
tidak hanya memiliki jarak terpendek dari solusi ideal positif, namun juga
memiliki jarak terpanjang dari solusi ideal negatif. Konsep ini banyak
digunakan pada beberapa model MADM untuk menyelesaikan masalah
keputusan secara praktis. Hal ini disebabkan konsepnya sederhana dan mudah
dipahami, komputasinya efisien, dan memiliki kemampuan untuk mengukur

kinerja relatif dari alternatif-alternatif keputusan dalam bentuk matematis yang

sederhana.
Adapun langkah-langkah dalam menyelesaikan sebuah kasus MADM dengan
TOPSIS:
a. Membuat matriks keputusan yang ternormalisasi;
b. Membuat matriks keputusan yang ternormalisasiterbobot;
c. Menentukan matriks solusi ideal positif &matriks solusi ideal negatif;
d. Menentukan jarak antara nilai setiap alternatifdengan matriks solusi ideal
positif & matrikssolusi ideal negatif;
e. Menentukan nilai preferensi untuk setiapalternatif.
TOPSIS membutuhkan rating kinerja setiap alternatif Ai pada setiap kriteria Cj
yang ternormalisasi, yaitu:
x ij
r ij

x2i

(1)

i=1

i=1,2,.m; dan j=1,2,.n. Solusi ideal positif A+ dan solusi ideal negatif Adapat ditentukan berdasarkan rating bobot ternormalisasi (yij) sebagai:

y ij =w i r ij

(2)

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

+

+ , , y n

+ , y 2
A+ =

y1

(3)

=( y 1 , y 2 , y n )

Dengan
+
y j adalah :

- max

- min

y ij

y ij , jika j adalah atribut keuntungan

, jika j adalah atribut biaya

(4)


yj

adalah :

y ij , jika j adalah atribut keuntungan

- min

- max

y ij

, jika j adalah atribut biaya

Jarak antara alternatif Ai dengan solusi ideal positif dirumuskan sebagai:

+ y n

.
n

j=i

+=

D
Jarak antara alternatif Ai dengan solusi ideal negative dirumuskan sebagai:

(5)


y ij y i

(6)

j=1

=
Di

Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai:

Di

Di
D
i

V i=

(7)

Nilai Vi yang lebih besar menunjukkan bahwa alternatif Ai lebih dipilih.

(Wibowo, 2010)
9.5 Model pengembangan waterfall
Waterfall

model

mengambil

kegiatan

proses

dasar

spesifikasi,

pengembangan, validasi, dan evolusi dan mewakili kegiatan tersebut sebagai fase
proses terpisah seperti spesifikasi persyaratan, perancangan perangkat lunak,
implementasi, pengujian dan sebagainya. (Soomervile, 2011)

Gambar 9.4 model pengembangan waterfall (Soomervile, 2011)

Model sekuensial waterfall melingkupi aktivitas-aktivitas sebagai berikut :
1. Requirements analysis and definition: Mengumpulkan kebutuhan secara
lengkap kemudian kemudian dianalisis dan didefinisikan kebutuhan yang
harus dipenuhi oleh program yang akan dibangun. Fase ini harus dikerjakan
secara lengkap untuk bisa menghasilkan desain yang lengkap.
2. System and software design: Desain dikerjakan setelah kebutuhan selesai
dikumpulkan secara lengkap.
3. Implementation and unit testing: desain program diterjemahkan ke dalam
kode-kode dengan menggunakan bahasa pemrograman yang sudah ditentukan.
Program yang dibangun langsung diuji baik secara unit.
4. Integration and system testing: Penyatuan unit-unit program kemudian diuji
secara keseluruhan (system testing).
5. Operation and maintenance: mengoperasikan program dilingkungannya dan
melakukan pemeliharaan, seperti penyesuaian atau perubahan karena adaptasi
dengan situasi sebenarnya.
9.6 Unified Modeling Language
Unified Modeling Language (UML) adalah sebuah bahasa yang telah
menjadi

standar

dalam

industri

untuk

visualisasi,

merancang

dan

mendokumentasikan sistem piranti lunak. UML mendefinisikan notasi dan

syntax/semantik.Pemodelan visual adalah proses penggembangan informasiinformasi secara grafis dengan notasi-notasi baku yang telah disepakati
sebelumnya. Notasi- notasi baku sangat penting demi suatu alasan: komunikasi.

Dengan notasi-notasi pemodelan yang bersifat baku, komunikasi yang baik akan
terjalin dengan mudah antar anggota tim pengembang sistem. (Mujilan., 2013)
UML (Unified Modeling Language) dapat digunakan untuk menjelaskan
beberapa hal yang penting dalam sistem. UML menngunakan diagram untuk
memvisulisasi sebuah sistem atau perangkat lunak kepada penggunanya sehingga
dapat dimengerti. Namun Tidak semua diagram UML harus dipakai, dan tidak
semua sistem dijelaskan dengan UML karena terdapat model penjelasan lain, atau
dengan kata lain harus dipilih yang penting dalam penjelasan sistem sesuai
kemampuan perancang dan pemahaman penulis program.

10. PENELITIAN TERKAIT

Berikut ini adalah beberapa penelitian yang telah dilakukan sebelumnya yang
terkait dengan penelitian yang akan dilakukan.
1 Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin
(Raskin) Pada Desa Loram Wetan, Kecamatan Jati, Kabupaten Kudus
Menggunakan Metode Analitycal Hierarchy Proces (soleh Adi Ermawan
Jurusan Teknik Informatika Fakultas Teknik Universitas Muria Kudus Tahun
2014).
Penelitian ini bertujuan untuk membuat sebuah sistem pendukung keputusan
(SPK) yang memberikan alternatif dalam memberi bantuan beras untuk keluarga
miskin dengan menggunakan metode AHP, Perancangan sistem menggunakan
ERD, perancangan database menggunakan DFD. Sedangkan untuk bahasa
pemrograman peneliti menggunakan Borland Delphi dengan database Access
sebagai media penyimpanan datanya. Hasil dari penelitian ini adalah
menghasilkan suatu alternatif yang membantu mempertimbangkan seorang
warga layak atau tidak untuk menerima bantuan beras miskin (raskin) dengan
mengacu pada kriteria-kriteria yang digunakan.

Sistem Pendukung Keputusan Seleksi Penerima Beras (Raskin) Untuk

Masyarakat Miskin (oleh Zahra Sakti Saputro Jurusan Teknik Informatika
Fakultas Teknik Universitas Dian Nuswantoro Tahun 2013).
Pada hasil rancang bangun sistem pendukung keputusan seleksi penerima
Raskin ini yang berbasis komputer dapat digunakan untuk menyelesaikan
permasalahan pengambilan keputusan dalam menyelesaikan masalah penerima
raskin. Metode SAW (Simple Additive Weighting) sesuai untuk diaplikasikan
dalam menentukan penerima Raskin dengan menentukan nilai bobot dari semua
kriteria calon penerima sehingga pihak balai desa dapat mengambil keputusan

menentukan yang berhak menerima Raskin tersebut.

Sistem Pendukung Keputusan Seleksi Penerimaan Beasiswa Departemen
Agama Di Pesantren Darularafah Raya Dengan Metode Topsis (oleh Mukhlida
Fatmi Program Studi Ekstensi S1 Ilmu Komputer Fakultas Matematika Dan
Ilmu Pengetahuan Alam Universitas Sumatera Utara Tahun 2011).
Dalam kajian ini telah dibangun sebuah sistem pendukung keputusan untuk
membantu dalam menentukan peserta yang akan ikut ujian beasiswa dengan
metode TOPSIS. Langkah-langkah TOPSIS yaitu, membangun sebuah matriks
keputusan, membuat matriks keputusan ternormalisasi, membuat matriks
keputusan ternormalisasi terbobot, menentukan solusi ideal positif dan negatif,
menghitung separasi, menghitung kedekatan relatif terhadap solusi ideal positif,
merangking alternatif. Hasil akhir berupa pengurutan data peserta ujian
beasiswa yang akan dijadikan sebagai alat bantu dalam pengambilan keputusan.

11. JADWAL WAKTU PELAKSANAAN

Jadwal dan waktu pelaksanaan penilitian adalah sebagai berikut:
Bulan
No

Kegiatan

Studi Kepustakaan

Penerimaan Proposal Skripsi

Feb.

Mar.

Apr.

Mei.

Jun.

Jul.

2015

2015

2015

2015

2015

2015

Pengumpulan dan Analisis

3
4

Data
Pembuatan Sistem/Program

Pengujian Sistem/Program

Penyelesaian Laporan Akhir

Table 1.1 Tabel jadwal waktu pelaksaan

12. Daftar Pustaka

Ardina Ariani., L. A. (2013). Sistem pendukung Keputusan Kelayakan Tki Ke luar Negeri
menggunkan Fmadm. http://arxiv.org/ftp/arxiv/papers/1312/1312.5162.pdf.
bulog.co.id. (2012). http:/www.bulog.co.id/sekilas_raskin.php. Dipetik ferbruary 1, 2015, dari
Sekilas Raskin.bulog.co.id.
Mujilan., A. (2013). ANALISIS DANPERANCANGAN SISTEM.
http://mujilan.files.wordpress.com/2013/06/mujilan-2013-aps-edisi01.pdf.
Soomervile, I. (2011). software engineering 9th ed. http://www.lexnicolaes.nl/sd.pdf.
Subakti, I. (2012). software engineering 9th ed. Sistem Pendukung Keputusan ( Decision
Support System ) , http://directory.umm.ac.id/tik/Buku_Panduan_SPK.pdf.
Wibowo, H. (2010). Aplikasi Uji Sensitivitas Untuk Model Madm Menggunakan Metode
Saw Dan Topsis. Madm-tool ,
http://s3.amazonaws.com/academia.edu.documents/33129621/1941-1776-1-PBlibre.pdf?
AWSAccessKeyId=AKIAJ56TQJRTWSMTNPEA&Expires=1425394268&Signature=NdJYi
81%2BwjPupZk%2FWtVNi%2BoUkx4%3D.