Analisis Perbandingan Metode Profile Matching, Case Based Reasoning (CBR), Multifactor

Evaluation Process (MFEP), VIKOR dan Dampster Shefer Pada Sistem Pendukung
Keputusan
Ayu Monaputri1, Falah Ariqoh2, Ilham Danu Waspodo3, M. Robby Adi Cahyo4, Muammar Fachry5, Nia
Mardina6, Resi Arsita7, *Ali Ibrahim
Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Sriwijaya
Email : ayumonaputri8@gmail.com1, falahariqoh@gmail.com2, ilhamdanuwaspodo@gmail.com3,
robbyaadiii@gmail.com4, muammarfachry@gmail.com5, niamardina97@gmail.com6,
resiarsita@gmail.com7, *aliibrahim@gmail.com

ABSTRACT

Decision Supprot System is an information system used in support of making or decision

making in a agency. SPK itself has many methods, in this study the authors will analyze 5 (five)
methods on decision support system by studying and analyzing some literature or journals that
is Method Profile Matching Method, Case Based Reasoning (CBR), Multifactor Evaluation
Process (MFEP), VIKOR and Dampster Shefer. Where expected from this research can be
input material in choose and application of appropriate method to a case.
Key Words : Profile Matching, Case Based Reasoning, Multifactor Evaluation Process,
VIKOR, Dampster Shefer, decision support system
ABSTRAK
Sistem Pendukung Keputusan merupakan sistem informasi yang digunakan dalam
mendukung pembuatan atau pengambilan keputusan dalam suatu instansi. SPK sendiri
memiliki banyak metode, dalam penelitian ini penulis akan menganalisis 5 (lima) metode pada
sistem pendukung keputusan dengan mempelajari dan menganalisis beberapa literatur atau
jurnal yaitu metode Metode Profile Matching, Case Based Reasoning (CBR), Multifactor
Evaluation Process (MFEP), VIKOR dan Dampster Shefer. Dimana diharapkan dari
penelitian ini dapat menjadi bahan masukan dalam pemilihan dan penerapan metode yang
tepat terhadap suatu kasus.
Kata Kunci : Profile Matching, Case Based Reasoning, Multifactor Evaluation Process,
VIKOR, Dampster Shefer, sistem pendukung keputusan

1. PENDAHULUAN seorangpun tahu secara pasti bagaimana

keputusan seharusnya dibuat. SPK terdiri
Sistem Pendukung Keputusan
dari tiga komponen utama, yakni model,
(SPK) merupakan sistem berbasis
data dan antarmuka. Di dalam SPK terdapat
komputer interaktif yang membantu
beberapa metode untuk mendukung
pengambilan keputusan memanfaatkan
pengambilan keputusan, diantaranya
data dan model untuk menyelesaikan suatu
Profile Matching, Case Based Reasoning
permasalahan. Sistem ini digunakan untuk
(CBR), Multifactor Evaluation Process
membantu pengambilan keputusan dalam
(MFEP), VIKOR, Dampster Shefer.
suatu kondisi yang dapat menyebabkan tak
 Profile Matching adalah suatu
metode penelitian yang digunakan pada
sistem pendukung keputusan, proses
penilian dilakukan dengan membandingkan
antara satu profil nilai dengan beberapa
profil kompetensi lainnya, sehingga dapat
diketahui hasil dari selisih kebutuhan
kompetensi yang dibutuhkan, selisi dari
kompetensi tersebut disebut gap, dimana
seharusnya gap yang semakin kecil
memiliki nilai yang semakin tinggi.
Case Based Reasoning (CBR)
merupakan salah satu metode penyelesaian
masalah dengan menemukan solusi dari
suatu kasus yang baru, sistem akan
melakukan pencarian terhadap solusi dari
kasus lama yang mamiliki permasalahan
yang sama dan sudah pernah terjadi
sebelumnya[4].
Multifactor Evaluation Process
(MFEP) adalah metode kuantitatif yang
menggunakan weighting system dalam
pengambilan keputusan. Keputusan yang di
ambil dilakukan secara subjektif dan sesuai
penalaran dengan mempertimbangkan
berbagai faktor yang mempunyai pengaruh
penting terhadap alternatif pilihan.
VIKOR (Vlse Kriterijumska
Optimizacija I Kompromisno Resenje
dalam bahasa Serbia) adalah metode
perangkingan dengan menggunkan indeks
peringkat multikriteria berdasarkan ukuran
tertentu dari kedekatan dengan solusi yang
ideal[9].
Dampster Shefer adalah suatu teori
matematika untuk pembuktian berdasarkan
belief functions dan plausible reasoning
(fungsi kepercayaan dan pemikiran yang
masuk akal), yang digunakan untuk
mengkombinasikan potongan informasi
yang terpisah (bukti) untuk mengakulasi
kemungkinan dari suatu peristiwa[11].
Tujuan dari penelitian ini adalah
menganalisa perbandingan metode Profile
Matching, Case Based Reasoning (CBR),
Multifactor Evaluation Process (MFEP),
VIKOR, dengan Dampster Shefer untuk
mengetahui apakah sama hasil yang
diberikan metode Profile Matching, Case
Based Reasoning (CBR), Multifactor
Evaluation Process (MFEP), VIKOR,
dengan Dampster Shefer atau mengalami
hasil yang berbeda, serta dari tingkat
keakurasian informasi yang diberikan,
metode yang manakah yang mampu
memberikan informasi yang lebih akurat
dengan perhitungan manual.
2. TINJAUAN PUSTAKA
2.1 Sistem Pendukung Keputusan
Sistem Pendukung Keputusan
(SPK) adalah suatu sistem komputer yang
bersifat saling berhubungan dalam
membantu pembuatan atau pengambilan
keputusan dengan menggunakan data dan
model yang di gunakan untuk memecahkan
suatu permasalah. SPK memiliki tiga
komponen utama yaitu manajemen data,
manajemen model, dan antarmuka.
SPK sendiri memiliki tujuan untuk
memberikan informasi, memberikan
prediksi dan memberi arahan terhadap
pengguna informasi sehingga dapat
melakukan pengambilan keptusan dengan
tepat.
Ada beberapa fase dalam proses
pengambilan keputusan diantaranya, yaitu :
1. Fase Intelegensi
Pada fase ini dilakukannya
pendefinisian masalah dan
identifikasi informasi serta
peluang-peluang masalah yang
ada.
2. Fase Desain
Fase ini merupakan fase
menganalisis berbagai tindakan
atau alternatif-alternatif
 pemecahan masalah. Kemudian Setelah menentukan bobot nilai
mengembangakannya dengan gap, selanjutnya
merancang atau membangun mengelompokkan tiap kriteria
model pemecahan masalahnya. menjadi dua kelompok, yaitu
3. Fase Pemilihan core factor dan secondary
Merupakan fase pembuatan atau factor.
pengambilan keputusan yang a. Core Factor
nyata dan diambil suatu Core factor (faktor utama)
komitmen untuk mengikuti merupakan aspek kopetensi
suatu tindakan tertentu. yang menonjol atau paling
4. Fase implementasi dibutuhkan. Berikut rumus
Implementasi ialah suatu solusi dalam perhitungan core
yang diusulkan untuk suatu factor sebagai berikut :
masalah tertentu, inisiasi 𝜮𝑵𝑪
terhadap hal baru, dan atau NCF = 𝜮𝑰𝑪
pengenalan terhadap perubahan.
Keterangan :
2.2 Profile Matching NCF : Nilai Rata-rata
Core Factor
Profile Matching adalah metode
NC : Jumlah Total Nilai
penelitian dalam pendukung keputusan.
Core Factor
Dengan cara membandingkan antara suatu
IC : Jumlah Item Core
profil dengan profil lain, sehingga didapat
Factor
selisih atau gap dari kompetensi yang
b. Secondary Factor
dibandingkan. Semakin kecil selisih atau
Secondary Factor adalah
gap maka nilai yang dimiliki semakin
item-item selain aspek yang
tinggi.
ada pada core factor. Untuk
Sehingga dapat disimpulkan bahwa menghitung Secondary
Profile Matching ini merupakan suatu Factor digunakan
kegiatan membandingkan nilai data aktual persamaan berikut :
dari suatu profil dengan nilai profil yang
𝜮𝑵𝑺
diinginkan atau diharapkan, dari NSF = 𝜮𝑰𝑺
perbandingan tersebut akan didpatkan Keterangan :
perbedaan kompetensinya yang disebut NSF : Nilai Rata-rata
dengan gap. Secondary Factor
Adapun tahapan pada Profile NS : Jumlah Total Nilai
Matching adalah : Secondary Factor
IS : Jumlah Item
1. Pembobotan Secondary Factor
Merupakan tahapan penentuan 3. Perhitungan Nilai Total
pembobotan nilai masing- Setelah dilakukannya
masing aspek atau gap dengan perhitungan core factor dan
menggunakan bobot nilai yang secondary factor dari tiap
telah ditentukan. aspek, maka selanjutnya
2. Pengelompokan Core dan menghitung nilai total dari tiap
Secondary Factor aspek pada tiap profil. Berikut
 persamaan dalam menghitung
nilai total :
N = (X)% NFC + (X)% NSF
Keterangan :
N : Nilai Total Tiap
Aspek
NCF : Nilai Rata-rata core
factor
NSF : Nilai Rata-
rata Secondary Factor
(x)% : Nilai Persentase
yang Diinputkan
4. Perangkingan
Hasil akhir dari prose profile
matching adalah ranking dari
kandidat yang diajukan. Berikut
persamaan dalam menentukan
perangkingan :
Rangking = 60% NCF + 40%
NSF
Keterangan :
NCF : Nilai Rata-rata core
factor
NSF : Nilai Rata-
rata Secondary Factor
2.3 Case Based Reasoning (CBR)
Case Based Reasoning (CBR)
adalah metode pemecahan masalah untuk
mencari solusi yang baru. Cara kerja sistem
ini yaitu dengan mencari solusi dari kasus
lama dengan membandingkan persamaan
permasalahan yang terjadi berdasarkan data
yang telah disampan oleh sistem.
Case Cased Reasoning memiliki
beberapa proses tahapan diantaranya
sebagai berikut :
1. Retrieve
Merupakan kasus-kasus yang
memiliki membandingkan
kemiripan kasus-kasus yang
telah ada (kasus yang telah
tersimpan pada sistem)
berdasarkan permasalahan baru
yang terjadi.
2. Rause
Setelah itu memilih kasus lama
yang akan digunakan dan
mencari pengetahuan kasus
tersebut yang digunakan dalam
menyelesaikan permasalahan
yang ada.
3. Revise
Melakukan verifikasi kasus jika
memenuhi batasan-batasan dari
permasalahan baru. Namun jika
tidak maka akan dilakukan
modifikasi untuk memenuhi
batasan-batasan permasalahan
yang ada.
4. Retain
Tahap terakhir dari tahapan
proses CBR. Kasus yang sudah
di modifikasi akan disimpan
pada sistem dan dapat
digunakan sewaktu-waktu bila
dibuutuhkan.
Adapun dalam menentukan
kemiripan (similarity) antara kasus baru
dengan kasus yang sudah ada,
menggunakan rumus berikut :
𝑺𝟏 𝑾𝟏+𝑺𝟐 𝑾𝟐+⋯+𝑺𝒏 𝑾𝒏
Similarity(p,q) = 𝑾𝟏+𝑾𝟐+⋯+𝑾𝒏
Keterangan :
p : Kasus Baru
q : Kasus yang ada dalam
penyyimpanan (case)
W : Weight (Bobot yang
diberikan pada atribut ke-i)
S : Similarity (Nilai
Kemiripan)
2.4 Multifactor Evaluation Process
(MFEP)
 Multifactor Evaluation Process Σ WE : Total Nilai Bobot
(MFEP) adalah metode pengambilan Evaluasi
keputusan dengan perhitungan kuantutatif WE : Nilai Bobot
menggunakan weighting system. Dalam Evaluasi
melakukan keputusan yang berpengaruh
terhadap strategis lebih disarankan 2.5 VIKOR
menggunakan pendekatan dengan metode VIKOR (VlseKriterijumska
ini karena pendekatan ini besifat secara Optimizacija I Kompromisno Resenje)
relatif dan sesuai penalaran terhadap faktor adalah salah satu metode ranking sesuai
dari pilihan-pilihan yang ada. Seluruh dengan indeks peringkat multikriteria
faktor dari alternatif yang ada diberi bobot berdasarkan ukuran tertentu dari kedekatan
penilaian yang sesuai. dengan solusi yang ideal.
Adapun tahapan proses metode
Adapun tahapan proses pada VIKOR adalah sebagai berikut :
metode MFEP adalah sebagai berikut : 1. Tabel pengamatan
1. Menentukan faktor dan mendefinisikan nilai data
memberikan bobot faktor terbaik dan data terburuk.
dimana total jumlah nilai Dalam menentukan nilai data
pembobotan harus sama dengan terbaik dan terburuk ditentukan
1 (Σ pembobotan = 1) yaitu dari lower the better (LB) dan
faktor bobot. highter the better (HB). Tahap
2. Menentukan nilai yang berupa ini juga menentukan bobot
nilai nyata untuk setiap faktor kriteria dari pengguna sistem
dalam pengambilan keputusan sesuai dengan kebutuhan
berdasarkan data-data yang pengguna.
akan diproses. 2. Normalisasi matriks
3. Menghitung evaluasi bobot atau
perhitungan faktor evaluasi (𝑓𝑖 ∗) − (𝑓𝑖𝑗 )
bobot guna mendapatkan total 𝑅𝑖𝑗 =
(𝑓𝑖 ∗) − (𝑓𝑖 −)
hasil evaluasi.
Keterangan :
Berikut rumus untuk
menentukan nilai bobot 𝑅𝑖𝑗 : Nilai Normalisasi
evaluasi, yaitu : Sampel/kriteria
WE = FW . X 𝑓𝑖𝑗 : Nilai Data
Keterangan : Sampel/kriteria
WE : Nilai Bobot 𝑓𝑖 ∗ : Nilai Terbaik
Evaluasi dalam Satu Kriteria
FW : Nilai Bobot Faktor 𝑓𝑖 − : Nilaii Terjelek
E : Nilai Evaluasi Faktor dalam Satu Kriteria
3. Normalisasi bobot (𝑊𝑗 x 𝑅𝑖𝑗 )
Adapun rumus untuk Tahap dimana melakukan
menentukan nilai total evaluasi perhitungan perkalian nilai data
adalah : normalisasi dengan nilai bobot
Σ WE = WE(1) + WE(2) + ... kriteria yang sudah ditentukan.
+ We(n) 4. Menghitung nilai Utility
Keterangan : Measure (S) dan Regret
Measure (R) :

(𝑓𝑖 ∗) − (𝑓𝑖𝑗 )
𝑆𝑗 = 𝑊𝑖 ( ) adanya kepastian.
(𝑓𝑖 ∗) − (𝑓𝑖 −)
(𝑓𝑖 ∗) − (𝑓𝑖𝑗 )
𝑅𝑗 = 𝑀𝑎𝑥𝑗 [ 𝑊𝑖 ( )]
(𝑓𝑖 ∗) − (𝑓𝑖 −)
Keterangan :
𝑊𝑖 : Bobot Kriteria
5. Menghitung indeks VIKOR
𝑆𝑗 − 𝑆 ∗
𝑄𝑗 = [ − ]𝑋 𝑉
𝑆 − 𝑆∗
𝑅𝑗 − 𝑅 ∗
+ [ −
𝑅 − 𝑅∗
Keterangan :
𝑆 ∗ : Nilai S Terkecil
𝑆 − : Nilai S Terbesar
𝑅 ∗ : Nilai R Terkecil
𝑅 − : Nilai R Terbesar
6. Perangkingan alternatif
Sesudah mendapatkan nilai
indeks vikor (𝑄𝑗 ) maka
dilakukan perangkingan dari
nilai paling rendah sampai nilai
tertinggi. Nilai Utility Measure
(𝑆𝑗 ) ialah solusi dari titik
terjauh solusi idel. Nilai Regret
Measure (𝑅𝑗 ) adalah solusi dari
titik terdekat soolusi ideal.
2.6 Dampster Shefer
Dampster Shefer menggunakan
rumus matematika untuk membuktikan
dengan menggunakan metode belief
functions dan plausible reasoning, sebagai
penggabunggan potongan informasi yang
terpisah atau disebut bukti yang bertujuan
memperkirakan kemungkinan dari suatu
kejadian. Teori Dampster Shefer ditulis
dalam suatu interval yaitu :
[𝑩𝒆𝒍𝒊𝒆𝒇, 𝑷𝒍𝒂𝒖𝒔𝒊𝒃𝒊𝒍𝒊𝒕𝒚]
Belief
Belief atau bel merupakan bukti atau
gejala dalam membuat suatu himpunan
bagian. Jika bukti bernilai 0 maka tidak ada
bukti, sedangkan bila bernilai 1 maka
Plausibility
Plausibility (PI) dirumuskan seperti
berikut :
PI(s) = 1 – Bel(s)
Dalam menanggulangi evidence
digunakan rumus Dampster’s Rule of
Combination, sebagai berikut :
∑𝑋∩𝑌=𝑍 𝑚1(𝑋). 𝑚2(𝑌)
𝑀3 (𝑍) =
] 1−𝐾
Dimana nilai K adalah :
K = ∑𝑋∩𝑌=∅ 𝑚1(𝑋). 𝑚2(𝑌)
Keterangan :
m1(X) : Mass Function dari bukti X
m2(Y) : Mass Function daribukti Y
M3(Z) : Mass Function dari bukti Z
K : Jumlah bukti konflik
3. METODOLOGI
Metode yang digunakan dalam
penelitian ini adalah studi literatur dengan
mengumpulkan, mempelajari dan
menganalisis beberapa literatur ataupun
jurnal dalam bidang ilmu yang
berhubungan dengan Sistem Pendukung
Keputusan (SPK), metode Profile
Matching, Case Based Reasoning (CBR),
Multifactor Evaluation Process (MFEP),
VIKOR, Dampster Shafer dan lainnya yang
berhubungan dengan penelitian.
4. HASIL DAN PEMBAHASAN
4.1 Profile Matching
Manfaat : Profile Matching
digunakan untuk membandingan nilai
profil individu dengan nilai profil yang
diharapkan. Sehingga dengan metode ini
dapat menentukan selisih, dimana jika
selisih yang didapat semakin kecil maka
memiliki nilai yang semakin tinggi. Contoh
kasus : penilaian kinerja individu pada
suatu instansi atau penilaian penerima
beasiswa dan lain sebagainya.
Kelebihan :
1. Dapat membandingkan antara nilai
data aktual dari suatu profil yang
dinilai dengan nilai profil yang
diharapkan.
2. Dapat mengetahui perbedaan
kompetensinya (gap), semakin kecil
gap yang dihasilkan maka bobot
nilainya semakin besar.
Kekurangan :
1. Hanya dapat digunakan
untuk proses
membandingkan satu nilai
profil dengan profil nilai
lain.
4.2 Case Based Reasoning (CBR)
Manfaat : Case Based
Reasoning (CBR) dalam penerapanya
membandingkan antara kasus yang ada
dengan kasus yang sudah terjadi
sebelumnya (kasus lama) yang telah
tersimpan pada database sistem yang ada.
Cara membandingkan kasus yang ada
(baru) dengan kasus lama yaitu dengan cara
menilai kesamaan dari kasus, namun jika
tidak ada kasus yang mirip maka dengan
metode ini akan memodifikasi kasus lama
untuk dapat memecahkan masalah kasus
baru yang ada.
Kelebihan :
1. Dapat memperluas pengetahuan
dengan cara memasukkan
pengalaman yang baru ke dalam
memori/basis data untuk
digunakan memecahkan
masalah baru di masa yang
datang.
2. Dapat memberikan solusi jika
tidak ada metode algoritmik
yang tersedia.
3. Dapat menafsirkan konsep
terbuka dan tidak jelas.
Kekurangan :
1. Tidak menjamin solusi terbaik
atau sempurna karena penalaran
ini berdasarkan kasus lampau,
jika solusi lampau salah maka
tahapan revisi sangat diperlukan
untuk mengurangi tingkat
kesalahannya.
2. Semakin banyak pengalaman,
proses pencarian semakin lama
karena harus membandingkan
dengan kasus yang paling mirip.
4.3 Multifactor Evaluation Process
(MFEP)
Manfaat : Multifactor
Evaluation Process (MFEP) digunakan
untuk pendukung keputusan dalam bentuk
strategi perusahaan, dimana metode ini
merupakan metode kuantitatif dengan
menggunakan nilai pembobotan terhadap
setiap faktor yang berpengaruh terhadap
alternatif yang akan dipilih. Metode ini
bersifat menggunakan data-data tersedia
sehingga cocok bila digunakan dalam
pengambilan keputusan strategi dalam hal
internal perusahaan.
Kelebihan :
1. Cocok digunakan untuk
memberikan rekomendasi dalam
hal pemilihan.
 2. Dapat menghasilkan rekomendasi berdasarkan belief functions dan plausible
pemilihan yang sesuai dengan minat reasoning (fungsi kepercayaan dan
& kemampuan. pemikiran yang masuk akal) yang bertujuan
3. Faktor – faktor dan kriteria untuk mengakumulasikan suatu peristiwa
perhitungannya sangat berpengaruh atau kejadian.
dalam metode ini.
4. Hasil perhitungannya akurat. Kelebihan :
1. Digunakan konsep probabilitas
Kekurangan : yang diperhitungkan
probabilitas sebuah kejadian
1. Hanya dapat digunakan untuk
tergantung pada kejadian lain
proses rekomendasi pemilihan yang
sesuai dengan minat & kemampuan. (bukti) yang artinya
berdasarkan faktor – faktor & kemungkinan kita untuk
kriteria yang ada. membuat satu model
ketidakpastian dari suatu
kejadian yang terjadi dengan
4.4 VIKOR menggabungkan pengetahuan
umum dengan fakta dari hasil
Manfaat : VIKOR dalam pengamatan.
penerapannya digunakan untuk 2. Dapat memberikan hasil beserta
perangkingan dengan menggunakan indeks tingkat kebenarannya
beberapa kriteria, dimana setiap kriteria berdasarkan nilai kepercayaan
diberi bobot penilaian lalu di beri peringkat yang dimiliki.
dari nilai yang paling rendah ke nilai yang
paling tinggi. Kekurangan :

Kelebihan : 1. Hanya menggunakan satu

probabilitas saja maka tidak
1. Dapat membantu proses bisa mengukur seberapa dalam
penyeleksian dan menentukan tingkat keakuratannya.
rangking berdasarkan kriteria 2. Dapat menghasilkan beberapa
yang telah ditetapkan. keputusan dalam sekali
2. Dapat dijadikan sebagai solusi pungujiannya.
kompromi dalam menangani
permasalahan yang memiliki
banyak kriteria. 5. PENUTUP
Kekurangan : Terdapat banyak sumber ilmu
1. Hanya dapat digunakan untuk dalam bentuk penelitian yang dimiliki baik
proses penyeleksian dan dosen maupun para peneliti.namun hal ini
menentukan peringkat tidak berarti bahwa penelitian-penelitian
berdasarkan kriteria yang ada. tersebut tidak bermanfaat, tetapi satuan
ilmu tersebut menjadi terisolasi. Sehingga
dibutuhkanlah suatu cara agar pengetahuan
tersebut dapat kita olah dan gunakan sesuai
4.5 Dampster Shefer
dengan kebutuhannya, maka informasi
Manafaat : Dampster Shefer maupun hasil penelitian dari individu
dimanfaatkan untuk pembuktian tersebut tersebut dapat dihimpun menjadi
satu kesatuan. Dengan demikian, Sistem
Pengambil Keputusan akan menjadi
altenatif untuk mengambil keputusan,
mulai dari ilmu pengetahuan dasar, hingga
ke ilmu pengetahuan lanjutan yang
akhirnya akan meningkatkan
perkembangan ilmu pengetahuan pada
sebuah institusi. Selanjutnya pengetahuan
tersebut menjadi aset institusi.
DAFTAR PUSTAKA
A., A., & E., P. (1994). Case Based Reasoning :
Foundational Issues Methodological
Variantions, and System Approaches.
Afrianty, i., & Umbara, R. (2016). Sistem
Pendukung Keputusan (SPK)
Menentukan Kelayakan Calon
Penerima Zakat Menerapkan Multi-
Factor Evaluation Process (MFEP).
SNTIKI, 78-94.
indaswari, d. p., & soebroto, a. a. (2015).
SISTEM PENDUKUNG KEPUTUSAN
DETEKSI DINI PENYAKIT STROKE
MENGGUNAKAN METODE dumpster
shefter. JEEST, 97-104.
kresna, G., & sih ugroho, L. t. (2016). SISTEM
PENDUKUNG KEPUTUSAN PEMILIHAN
PAKET WISATA DENGAN ALGORITMA
DEMPSTER SHAFER. seminar stimik
AMIKOM, 115-120.
Kusrini. (2007). Kosep dan Aplikasi Sistem
Pendukung Keputusan. Yogyakarta:
andi offset.
mimorang, B. (2016). Rancang Bangun Sistem
Rekomendasi Televisi LED dengan
metode vikor berbasis web. jurnal
teknik universitas multimedia
nusantara, 42-49.
Pratama, R. P., Werdisningsih, I., &
Puspitasari, I. (2017). Sistem
Pendukung Keputusan Pemilihan
Siswa Berpretasi Di Sekolah
Menengah Pertama Dengan Metode
Vikor dan Topsis. Jounar of
Information Systems Engineering and
Bussiness Intelligance.
Putri, T., Adreswari, A., & Efendi, R. (2016).
IMPLEMENTASI METODE CBR (CASE
BASED REASONING) DALAM
PEMILIHAN PESTISIDA TERHADAP
HAMA PADI SAWAH MENGGUNAKAN
ALGORITMA K-NEARST NEIGHBOR.
jurnal rekusif, 80-92.
santoso, h. b. (2016). Case based reasoning
dan Similarity untuk Memprediksi
Kondisi Keuangan Perusahaan. jurnal
teknik informatika dan sistem
informasi, 209-220.
Toba, H., & Tanadi, S. (2008). Pengembangan
Case Based Reasoning Pada Aplikasi
Pemesanan Kain Berdasarkan Studi
Kasus Pada CV. Mitra KH Bandung.
Bandung.
U.D, D. (2001). komputerisasi pengambilan
keputusan. jakarta: elex media
komputindo.
ukkas, m. i., yulsilviana, e., & ghafur, m.
(t.thn.). SISTEM PENUNJANG
KEPUTUSAN MENENTUKAN PILIHAN
ASURANSI INVESTASI
MENGGUNAKAN METODE
PERBANDINGAN EKSPONENSIAL.
SEBATIK STIMIK WICIDA, 16-25.
Ukkas, M. I., Yulsilviana, E., & Ghafur, M.
(t.thn.). SISTEM PENUNJANG
KEPUTUSAN PENILAIAN KINERJA
KARWAYAN MENGGUNAKAN
METODE MULTIFACTOR EVALUATION
PROCESS PADA PT. KONSUIL WILAYAH
SULAWESI TENGGARA.