Oleh :
AGUNG PRAYITNO
G1A010040
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
membeli
daging/ayam/susu,
Kemampuan
membeli
pakaian,
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
(Raskin)
Menggunakan
Fuzzy
Multiple
Attribute
Decision
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.
program
dalam
Tugas
Akhir
ini
penulis
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
efektivitas
DSS.
Kemudahan
penggunaan
ini
yaitu
mengarah
pada
kebutuhan
baru
dan
9.1.2
lainnya,
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
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)
E= e ( d i )
i=1
(1.6)
1
1e ( d j) ] ,0 i awal 1
nE [
(1.7)
i awal= 1
i=1
(1.8)
(9)
i=1
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.
x 11 x 12
x 21 x 22
X=
xm 1 xm2
x1n
x2n
xmn
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
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)
+ , , y n
+ , y 2
A+ =
y1
(3)
=( y 1 , y 2 , y n )
Dengan
+
y j adalah :
- max
- min
y ij
(4)
yj
adalah :
- min
- max
y ij
+ 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
Di
Di
D
i
V i=
(7)
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)
standar
dalam
industri
untuk
visualisasi,
merancang
dan
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.
Kegiatan
Studi Kepustakaan
Feb.
Mar.
Apr.
Mei.
Jun.
Jul.
2015
2015
2015
2015
2015
2015
Data
Pembuatan Sistem/Program
Pengujian Sistem/Program