Pelita Informatika Budi Darma, Volume : VII, Nomor: 1, Juli 2014

ISSN : 2301-9425

IMPLEMENTASI FUZZY MULTIPLE ATTRIBUTE DECISION

MAKING UNTUK SISTEM PENDUKUNG KEPUTUSAN
PEMILIHAN RUMAH
Rafli Sanjani Lubis (0811873)
Mahasiswa Jurusan Teknik Informatika STMIK Budi Darma Medan
Jl. Sisingamangaraja No. 338 Simpang Limun Medan
www.stmik-budidarma.ac.id // Email: rafli.budidarma@gmail.com
ABSTRAK
Memilih rumah secara langsung merupakan hal yang biasa dilakukan, namun membutuhkan waktu dan
tenaga serta biaya, sehingga kurang efektif dan efisien, oleh karena itu dibutuhkan suatu sistem yang
dapatmemenuhi kebutuhan masyarakat dalam memperoleh informasi mengenai perumahan dan informasi kredit
kepemilikan rumah dengan dana yang teprjangkau.Kemampuan komputer sebagai perangkat yangmembantu
mempermudah tugas atau kerjaseseorang menjadi lebih mudah, lebih efektif dan lebihefisien khususnya dalam
kecepatan proses dan keakuratanhasil yang diberikan diharapkan dapat membantu untukmempermudah dalam
pemilihan tipe perumahan.
Penyediaan sistem pendukung keputusan pembelian perumahan secara onlineyang berbasis dimungkinkan
konsumen bisa memilih tipe rumah sesuaidengan dana yang tersedia serta visualisasi model jenisrumah. Sistem
ini dibuat dengan menggunakan algoritmafuzzy multiple attribute decision makingdalam penentuan uang muka,
tipe rumah, harga rumah, fasilitas dan angsuran perbulan. Masalah dari penelitian ini adalah bagaimana
mendapatkan data-data rumah untuk sistem pendukung keputusan pemilihan rumah, bagaimana metode fuzzy
multiple attribute decision making dalam hal pemilihan rumah berdasarkan harga dan bagaimana merancang
suatu sistem pendukung keputusan dalam hal pemilihan rumah. Tipe rumah yang digunakan dalan penelitian ini
adalah Type 22, Type 27, Type 30, Type 36 , Type 45 , Type 50, Type 60, Type 75, dan Type 95. Penelitian ini
memberikan informasi mengenai type rumah, harga rumah, dan fasilitas yang dimikili rumah, tetapi tidak
melayani proses pembelian online atau transaksi jual beli. Bahasa pemograman yang digunakan dalam
merancangan sistem pendukung keputusan adalah HTML, dan PHP. Metode yang digunakan adalah sistem
pendukung keputusan adalah metode fuzzy multiple attribute decision making.
Kata Kunci : Fuzzy, Rumah, Online, Pembelian Rumah, MADM
1. Pendahluan
1.1. Latar Belakang Masalah
Perumahan merupakan salah satu kebutuhan
primer manusia dan merupakan faktor penting dalam
peningkatan harkat dan martabat manusia, maka perlu
diciptakan kondisi yang dapat mendorong
pembangunan
perumahan
untuk
menjaga
kelangsungan penyediaan perumahan. Rumah adalah
salah satu benda paling berharga bagi setiap manusia
dalam menjalani kehidupan. Rumah adalah tempat
beristirahat yang paling nyaman setelah lelah
beraktivitas juga sebagai tempat berteduh dari hujan
dan sengatan matahari. Tak heran bila rumah
umumnya menjadi benda termahal yang dibeli setiap
orang, terutama yang sudah berumah tangga seperti
yang pepatah mengatakan perumahan adalah
istanaku. Namun, jika salah melangkah saat membeli
rumah, bukan kenyamanan yang akan didapati, justru
ketidaktenangan dan rasa was-was yang akan kerap
menghantui setiap hari.
Masyarakat dapat dengan mudah menemukan
berbagai penawaran menarik tentang perumahan. Hal
ini menjadi salah satu pertimbangan yang cukup sulit
bagi masyarakat. Masyarakat harus bisa menganalisis

penawaran yang cocok. Kebanyakan rumah-rumah

ditawarkan oleh agen properti ataupun pengembang
itu sendiri dengan memiliki keuntungan semata untuk
memenuhi kriteria perumahan dan layak huni. Agar
masyarakat dapat dengan mudah memilih perumahan
yang sesuai dengan kriteria, sebaiknya mencoba
untuk membandingkan beberapa jenis rumah. Untuk
memudahkan kerja, mencari informasi dari website
yang terpercaya yang akan memberikan informasi
dan gambar yang lengkap tentang rumah yang akan
diual. Agar tidak salah langkah dalam memilih lokasi
perumahan, sebaiknya mempertimbangkan beberapa
aspek. Pertama, sebaiknya mengenal reputasi
mengenai penjual itu sendiri terlebih dahulu. Dalam
melakukan transaksi jual beli, sebaiknya tidak
melakukan jual-beli di bawah tangan. Akan lebih baik
untuk membeli rumah yang telah dijamin oleh bank.
Selain itu, sebaiknya memilih developer yang
terpercaya yang dapat menyelesaikan sertifikat tepat
waktu. Sebagai calon pembeli, sebaiknya pembeli
terlebih dahulu melihat tema dan masterplan dari
proyek rumah sebelum dibeli. Hal ini akan dengan
mudah didapatkan apabila melihat dari brosur dan
berbagai macam promosi.

Implementasi
Fuzzy Multiple Attribute Decision Making Untuk Sistem Pendukung146
Keputusan
Pemilihan Rumah. Oleh : Rafli Sanjani Lubis

Pelita Informatika Budi Darma, Volume : VII, Nomor: 1, Juli 2014

Memilih rumah secara langsung merupakan hal

yang biasa dilakukan, namun membutuhkan waktu
dan tenaga serta biaya, sehingga kurang efektif dan
efisien, oleh karena itu dibutuhkan suatu sistem yang
dapat memenuhi kebutuhan masyarakat dalam
memperoleh informasi mengenai perumahan dan
informasi kredit kepemilikan rumah dengan dana
yang terjangkau. Kemampuan komputer sebagai
perangkat yang membantu mempermudah tugas atau
kerja seseorang menjadi lebih mudah, lebih efektif
dan lebih efisien khususnya dalam kecepatan proses
dan keakuratan hasil yang diberikan diharapkan dapat
membantu untuk mempermudah dalam pemilihan
tipe perumahan.
1.2. Perumusan Masalah
Yang menjadi rumusan masalah dari penelitian
ini adalah :
1. Bagaimana mendapatkan data-data rumah untuk
sistem pendukung keputusan pemilihan rumah.
2. Bagaimana metode fuzzy multiple attribute
decision making dalam hal pemilihan rumah
berdasarkan harga.
3. Bagaimana merancang suatu sistem pendukung
keputusan dalam hal pemilihan rumah
1.3. Batasan Masalah
Adapun batasan masalah dari penelitian yang
penulis buat sebagai berikut :
1. Tipe rumah yang digunakan dalam penelitian ini
adalah Type 22, Type 27, Type 30, Type 36 ,
Type 45 , Type 50, Type 60, Type 75, dan Type
95.
2. Tipe rumah yang dimaksudkan adalah luas lantai
bangunan.
3. Penelitian ini hanya memberikan informasi
mengenai type rumah, harga rumah, dan fasilitas
yang dimikili rumah, tetapi tidak melayani proses
pembelian online atau transaksi jual beli.
4. Bahasa pemograman yang digunakan dalam
merancangan sistem pendukung keputusan
adalah HTML, dan PHP.
5. Metode yang digunakan adalah sistem
pendukung keputusan adalah metode fuzzy
multiple attribute decision making.
1.4. Tujuan dan Manfaat Penelitian
Tujuan dari penelitian ini adalah :
1. Untuk membantu mendapatkan data-data rumah
dengan lebih mudah.
2. Metode fuzzy multiple attribute decision making
dalam hal pembelian rumah.
3. Merancang suatu sistem pendudung keputusan
dalam hal pembelian rumah berdasarkan kriteria
serta bobot yang telah ditentukan.
Manfaat dari penelitian ini adalah :
1. Memberikan pilihan rumah berdasarkan pilihan
kriteria dan kemampuan dana yang dimiliki oleh
masyarakat yang ingin membeli rumah.

2.

3.

ISSN : 2301-9425

Agar hasil rancangan sistem pendukung

keputusan pembelian rumah ini dapat digunakan
untuk membantu memilih rumah tanpa harus
melihat secara langsung rumah yang ingin dibeli.
Memberikan informasi mengenai type rumah,
harga rumah, dan fasilitas yang dimiliki rumah
yang sesuai dengan pemilihan kriteria yang
dipilih oleh pengguna aplikasi yang dibangun.

2. Landasan Teori
2.1. Fuzzy Multiple Attribute Decision Making
(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 tiga 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):
a. Simple Additive Weighting (SAW)
b. Weighted Product (WP)
c. ELECTRE
d. Technique for Order Preference by Similarity to
Ideal Solution (TOPSIS)
e. Analytic Hierarchy Process (AHP)
2.2. Algoritma Fuzzy Multiple Attribute Decision
Making (FMADM)
Algoritma FMADM adalah:
1. Memberikan nilai setiap alternatif (Ai) pada setiap
kriteria (Cj) yang sudah ditentukan, di mana nilai
tersebut di peroleh berdasarkan nilai crisp;
i=1,2,m dan j=1,2,n.
2. Memberikan nilai bobot (W) yang juga
didapatkan berdasarkan nilai crisp.
3. Melakukan normalisasi matriks dengan cara
menghitung nilai rating kinerja ternormalisasi (rij)
dari alternatif Ai pada atribut (Cj) berdasarkan
persamaan yang disesuaikan dengan jenis atribut
(atribut keuntungan/benefit=MAKSIMUM atau
atribut biaya/cost=MINIMUM). Apabila berupa
artibut keuntungan maka nilai crisp (Xij) dari

Implementasi
Fuzzy Multiple Attribute Decision Making Untuk Sistem Pendukung147
Keputusan
Pemilihan Rumah. Oleh : Rafli Sanjani Lubis

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : VII, Nomor: 1, Juli 2014

setiap kolom atribut dibagi dengan nilai crisp

MAX (MAX Xij) dari tiap kolom, sedangkan
untuk atribut biaya, nilai crisp MIN (MIN Xij) dari
tiap kolom atribut dibagi dengan nilai crisp
(Xij)setiap kolom.
4. Melakukan proses perankingan dengan cara
mengalikan matriks ternormalisasi (R) dengan
nilai bobot (W).
5. Menentukan nilai preferensi untuk setiap
alternatif (Vi) dengan cara menjumlahkan hasil
kali antara matriks ternormalisasi (R) dengan nilai
bobot (W). Nilai Vi yang lebih besar
mengindikasikan bahwa alternatif Ai lebih terpilih
(Kusumadewi , 2007).
3. Analisa metode FMADM
Dalam pemilihan rumah dengan menggunakan
metode Fuzzy Multiple Attribute Decision Making
(FMADM) dengan metode Simple Additive
Weighting (SAW) diperlukan alternative kriteria dan
bobot untuk melakukan perhitungannya sehingga
akan didapat alternative terbaik. Metode SAW adalah
mencari penjumlahan terbobot dari rating kinerja
pada setiap alternatif pada semua atribut.
3.1 Kriteria dan Bobot
Dalam metode FMADM dengan metode SAW
terdapat
alternatif
yang
dibutuhkan
untuk
menentukan pemilihan rumah berdasarkan pemilihan
criteria oleh pengguna. Adapun kriterianya adalah
sebagai berikut:
Tabel 1: Kriteria
Kriteria
Keterangan
C1
Harga Jual
C2
DP
C3
Bunga KPR
Dari alternatif harga tersebut akan ditentukan
bobotnya. Pada bobot terdiri dari enam bilangan
fuzzy, yaitu Rendah (R), Sedang (S), Tinggi (T) dan
Sangat Tinggi (ST) seperti terlihat pada gambar
berikut :

Gambar 1 : Bilangan Fuzzy untuk bobot

Dari gambar diatas, bilangan-bilangan fuzzy dapat
dikonversikan ke bilangan crisp. Untuk lebih jelas
data bobot dibentuk dalam tabel di bawah ini.
Tabel 2 : Bobot Kriteria
Bilangan Fuzzy
Nilai
Rendah
0.25
Sedang
0.50
Tinggi
0.75

Sangat Tinggi

3.2 Pemilihan Rumah

Dari banyaknya data type rumah, atau yang akan
dicantumkan, diambil tiga data type rumah sebagai
contoh untuk penerapan metode Fuzzy Multiple
Attribute Decision Making (FMADM) dengan
metode Simple Additive Weighting (SAW) untuk
menilai type rumah dalam pemilihan rumah. Datadata dari type rumah tersebut di masukan ke dalam
Tabel di bawah ini.
Tabel 3 :Data Harga Rumah

3.3 Perhitungan seleksi rumah

Berdasarkan langkah-langkah penyeleksian
untuk menentukan rumah dengan menggunakan
metode Fuzzy Multiple Attribute Decision Making
(FMADM) dengan metode Simple Additive
Weighting (SAW), maka yang harus dilakukan yaitu:
1. Memberikan nilai setiap alternative (Ai) pada
setiap alternatif (Cj) yang sudah ditentukan.
a. Harga Jual
Pada alternatif harga jual terdiri dari empat
bilangan fuzzy, yaitu Rendah (R), Sedang
(S), Tinggi (T) dan Sangat Tinggi (ST)
seperti terlihat pada Gambar 4.2.

Gambar 2 : Bilangan fuzzy untuk harga jual

Dari gambar diatas bilangan-bilangan fuzzy dapat
dikonversikan ke bilangan crisp. Untuk lebih jelas
data pendidikan dibentuk dalam tabel dibawah
Tabel 4 : Harga Jual
Harga Jual
Bilangan Fuzzy
Nilai
<= 50.000.000
Rendah
0.25
50.000.000 s/d
Sedang
0.50
100.000.000
100.000.000 s/d
Tinggi
0.75
300.000.000
>=300.000.000
Sangat Tinggi
1
a. DP
Pada variabel DP terdiri dari empat bilangan fuzzy,
yaitu Rendah (R), Sedang (S), Tinggi (T) dan Sangat
Tinggi (ST) seperti terlihat pada Gambar 4.3.

Implementasi
Fuzzy Multiple Attribute Decision Making Untuk Sistem Pendukung148
Keputusan
Pemilihan Rumah. Oleh : Rafli Sanjani Lubis

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : VII, Nomor: 1, Juli 2014

Dari Tabel diatas diubah kedalam matriks keputusan

X dengan data :
X=
Gambar 3 : Bilangan fuzzy untuk harga jual.
Dari gambar dibawah , bilangan-bilangan fuzzy dapat
dikonversikan ke bilangan crisp. Untuk lebih jelas
data pendidikan dibentuk dalam tabel 4.5.
Tabel 5 : DP
DP
Bilangan Fuzzy
Nilai
<= 50.000.000
Rendah
0.25
50.000.000 s/d
Sedang
0.50
100.000.000
100.000.000 s/d
Tinggi
0.75
300.000.000
>=300.000.000
Sangat Tinggi
1
a. Bunga KPR
Pada variabel Bunga KPR terdiri dari empat bilangan
fuzzy, yaitu Rendah (R), Sedang (S), Tinggi (T) dan
Sangat Tinggi (ST) seperti terlihat pada Gambar 3.2.

0 . 50
0 . 25
0 . 25
0 . 25
0 . 25
0 . 25
0 . 25
0 . 25
0 . 50

0 . 75
1
0 . 75

0 . 50
0 . 50

0 . 75
1

0 . 75
0 . 75

2.

Memberikan nilai bobot (W).

Untuk menentukan bobot dari pemilihan rumah
dibentuk dalam tabel dibawah
Tabel 8 :Bobot untuk pemelihan rumah
Kriteria
Bobot
Nilai
C1 (Harga Jual)
Sedang (S)
0.50
C2 (DP)
Rendah (R)
0.25
C3(Bunga KPR)
Rendah (S)
0.25
Dari Tabel 3.8 diperoleh nilai bobot (W) dengan data
:
W = 0.50 0.25 0.25
3. Menormalisasi matriks X menjadi matriks R
berdasarkan persamaan 1.

xij
Jika j adalah atribut ditolaj

Maxi X ij
rij =
Mini X ij Jika i adalah atribut diterima
X ij

Gambar 4 : Bilangan fuzzy untuk Bunga KPR

gambar
4
bilangan-bilangan
fuzzy
dapat
dikonversikan ke bilangan crisp. Untuk lebih jelas
data pendidikan dibentuk dalam tabel 6
Tabel 6 : Bunga KPR
Bunga KPR
Bilangan Fuzzy
Nilai
<=5%
Rendah
0.25
5% s/d 7%
Sedang
0.50
7% s/d 8%
Tinggi
0.75
>=8%
Sangat Tinggi
1
Agar lebih jelas dimisalkan untuk dari Tabel 3.3
diatas adalah R1 = Rumah 1, R2 = Rumah 2 dan R3 =
Rumah 3. Tabel dibawah menunjukkan rating
kecocokan dari setiap alternatif pada setiap kriteria.
Tabel 7 :Rating kecocokan dari setiap alternatif
pada setiap kriteria.
Kriteria
Alternatif
C1
C2
C3
R1
0.75
0.50
0.75
R2
0.75
0.25
1
R3
0.50
0.25
0.75
R4
0.25
0.25
0.50
R5
0.50
0.25
0.50
R6
0.50
0.25
0.75
R7
0.75
0.25
1
R8
1
0.25
0.75
R9
1
0.50
0.75

0 . 75
0 . 75

0 . 50

0 . 25
0 . 50

0 . 50
0 . 75

1
1

Keterangan :
rij = nilai rating kinerja ternormalisasi
xij = nilai atribut yang dimiliki setiap kriteria
maxi xij = nilai terbesar dari setiap kriteria
mini xij = nilai terkecil dari setiap kriteria.
benefit = jika nilai terbesar adalah terbaik.
cost = jika nilai terkecil adalah terbaik.
Tabel 9 : Penggolongan kriteria
Kriteria
Cost
Benefit
9
C1 (Harga Jual)
C2 (DP)
C3 (Bunga KPR)
a.

9
9

Untuk Harga jual termasuk ke dalam atribut

biaya (cost), karena semakin kecil nilai maka
dianggap semakin baik.
Jadi :
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.33
r =
11

0.75
Min{0.25;0.5;0.75;1} =
0.75
Min{0.25;0.5;0.75;1} =
r31 =
0.50
Min{0.25;0.5;0.75;1} =
r41 =
0.25
Min{0.25;0.5;0.75;1} =
r51 =
0.50
r21 =

0 . 75
0 . 25 = 0.33
0 . 75
0 . 25 = 0.50
0 . 50

0 . 25 = 1
0 . 25
0 . 25 = 0.50
0 . 50

Implementasi
Fuzzy Multiple Attribute Decision Making Untuk Sistem Pendukung149
Keputusan
Pemilihan Rumah. Oleh : Rafli Sanjani Lubis

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : VII, Nomor: 1, Juli 2014

Min{0.25;0.5;0.75;1} =
0.50
Min{0.25;0.5;0.75;1} =
r71 =
0.75
Min{0.25;0.5;0.75;1} =
r81 =
1
Min{0.25;0.5;0.75;1} =
r91 =
1

r61 =

b.

0 . 25 = 0.33
0 . 50
0 . 25 = 0.25
1

11

0.50

Min{0.25;0.5;0.75;1} =
0.25
Min{0.25;0.5;0.75;1} =
r31 =
0.25
Min{0.25;0.5;0.75;1} =
r41 =
0.25
r21 =

R=

0 . 25 = 0.25
1

Untuk DP termasuk ke dalam atribut biaya

(cost), karena semakin kecil nilai maka dianggap
semakin baik.
Jadi :
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.50
r =

1.

0 . 50
1

Melakukan
proses
perankingan
menggunakan persamaan
n

0 . 25 = 1
0 . 25
0 . 25 = 1

j =1

Keterangan :
Vi = ranking untuk setiap alternatif
wj = nilai bobot dari setiap criteria
rij = nilai rating kinerja ternormalisasi

0 . 25
0 . 25 = 1
0 . 25

r51 =

Min{0.25;0.5;0.75;1} = 0 . 25 = 1
0 . 25
0.50

W = 0.50

r61 =

Min{0.25;0.5;0.75;1} = 0 . 25 = 1
0 . 25
0.50

R=

1
0 . 25
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.5
r91 =
0 . 50
1

Untuk Bunga KPR termasuk ke dalam atribut

biaya (cost), karena semakin kecil nilai maka
dianggap semakin baik.
Jadi :
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.33
r =

dengan

Vi = W j rij

0 . 50

Min{0.25;0.5;0.75;1} = 0 . 25 = 1
r71 =
0 . 25
0.75
Min{0.25;0.5;0.75;1} = 0 . 25 = 1
r81 =

c.

0 . 33
0 . 25
1
0 . 33

1 0 . 50

1 0 . 50

1 0 . 33

1
0 . 25

1
0 . 33
0 . 50 0 . 33

0 . 33
0 . 33

0 . 50

1
0 . 50

0 . 50
0 . 33

0 . 25
0 . 25

0 . 25 = 0.50
0 . 50

Jadi,
V1

0 . 33
0 . 33

0 . 50

1
0 . 50

0 . 50
0 . 33

0 . 25
0 . 25

0.25 0.25]
0 . 33
0 . 25
1
0 . 33

1 0 . 50

1 0 . 50

1 0 . 33

1
0 . 25

1
0 . 33
0 . 50
0 . 33
0 . 50
1

= (0.33)(0.50) + (0.50)(0.25) + (0.33)(0.25)

= 0,165 + 0,125 + 0,0825
= 0,3725
V2
= (0.33)(0.50) + (1)(0.25) + (0.25)(0.25)
11
0 . 75
0.75
= 0,165 + 0,25 + 0,0625
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.25
= 0,4775
r21 =
1
1
V3
= (0.50)(0.50) + (1)(0.25) + (0.33)(0.25)
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.33
=
0,25 + 0,25 + 0,0825
r31 =
0 . 75
0.75
= 0,5825
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.5
V4
= (1)(0.50) + (1)(0.25) + (0.50)(0.25)
r41 =
0.25
0 . 50
= 0,50 + 0,25 + 0,125
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.50
= 0,875
r51 =
0 . 50
0.50
V5
= (0.50)(0.50) + (1)(0.25) + (0.50)(0.25)
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.33
= 0,25 + 0,25 + 0,125
r61 =
0 . 75
= 0,6125
0.50
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.25
V6
= (0.50)(0.50) + (1)(0.25) + (0.33)(0.25)
r71 =
= 0,25 + 0,25 + 0,0825
1
0.75
= 0,5825
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.33
r81 =
V7
= (0.33)(0.50) + (1)(0.25) + (0.25)(0.25)
0 . 75
1
= 0,165 + 0,25 + 0,0625
Min{0.25;0.5;0.75;1} = 0 . 25 = 0.33
r91 =
= 0,4775
0 . 75
1
V8
= (0.25)(0.50) + (1)(0.25) + (0.33)(0.25)
= 0,125 + 0,25 + 0,0825
Maka Matrik R :
= 0,4575
V9
= (0.25)(0.50) + (0.5)(0.25) + (0.33)(0.25)
= 0,125 + 0,125 + 0,0825
= 0,3325
Implementasi
Fuzzy Multiple Attribute Decision Making Untuk Sistem Pendukung150
Keputusan
Pemilihan Rumah. Oleh : Rafli Sanjani Lubis

Pelita Informatika Budi Darma, Volume : VII, Nomor: 1, Juli 2014

Nilai terbesar ada pada V3 sehingga alternatif R3

(Rumah 3) adalah alternatif yang terpilih sebagai
alternatif terbaik. Maka R3 terpilih untuk dibeli.
Untuk lebih jelas lihat pada Tabel dibawah
Tabel 10 : Ranking

ISSN : 2301-9425

4. Para pengguna dapat menggunakan aplikasi yang

dirancang untuk membantu pengguna mengetahui
jenis rumah apa yang dipilih berdasarkan pemilihan
kriteria tertentu.

DAFTAR PUSTAKA

[1]

[2]

4. Kesimpulan dan Saran

4.1. Kesimpulan
Berdasarkan hasil penelitian dalam penyusunan
skripsi ini maka dibuat suatu kesimpulan, yaitu :
1. Perancangan aplikasi yang dibangun dapat
membantu para pengguna untuk mengetahui
mengenai jenis rumah yang dipilih berdasarkan
kriteria yang dipilih.
2. Metode fuzzy multiple attribute decision making
dan metode Simple Addaptive Weighting dapat
dijadikan acuan untuk menentukan jenis rumah.
3. Dengan menerapkan Fuzzy dalam pemilihan
rumah maka dapat memudahkan proses
pemilihan rumah.
4.2. Saran
Adapun saran-saran yang diusulkan untuk
kesempurnaan skripsi ini adalah:
1. Perancangan aplikasi yang dibangun masih
banyak kekurangan dan kelemahan oleh karena
itu agar para pembaca dan peneliti dapat
memperbaiki dan menyempurnakannya.
2. Agar para pengguna dapat menggunakan aplikasi
yang dirancang untuk dapat mengetahui tentang
jeni-jenis rumah.

[3]
[4]

[5]
[6]

[7]

[8]

Alter, S.L. , 1980, Decision Support Systems:

Current Practice and Continuing Challenge,
Reading, MA: Addision-Wesley.
James A. OBrien dan George M.Marakas.
2007, Information and Management Systems.
10th Edition. McGraw-Hill Irwin
Jogiyanto, H.M. 2001. Diagram Aliran Data
(DAD), Penerbit Andi, Yogyakarta.
Kusumaderi, Sri dan Purnomo, Hari. 2010.
Aplikasi Fuzzy Untuk Pendukung Keputusan.
Graha Ilmu. Yogyakarta.
Nugroho, Bunafit.2004. Pemograman Web,
Penerbit Andi, Yogyakarta.
Suryadi, Kadarsah, dan Ali Ramdhani. 1998.
Sistem Pendukung Keputusan, Suatu Wacana
Struktural Idealisasi dan Implementasi Konsep
Pengambilan Keputusan. Bdanung : PT.
Remaja Rosdakarya Bandung.
Suryadi, Kadarsah, dan Ali Ramdhani. 1998.
Sistem Pendukung Keputusan, Suatu Wacana
Struktural Idealisasi dan Implementasi Konsep
Pengambilan Keputusan. Bdanung : PT.
Remaja Rosdakarya Bandung.
Turban, E. and Jay, EA. 1998. Decision
Support System and Intelligent System.
Prentice-Hall International,Inc, New Jersey.

Implementasi
Fuzzy Multiple Attribute Decision Making Untuk Sistem Pendukung151
Keputusan
Pemilihan Rumah. Oleh : Rafli Sanjani Lubis