Sistem Pendukung Keputusan

Metode Simple Additive Weighting

(SAW)

NURDILLAH
(180121095)

Program Studi Teknik Informatika

STMIK Pelita Nusantara
Lubuk Pakam
2019
Apa itu Sistem Pendukung Keputusan :

Menurut Raymond McLeod (1998), Sistem Pendukung Keputusan adalah system

penghasil informasi spesifik yang ditujukan untuk memecahkan suatu masalah tertentu yang
harus dipecahkan oleh manager pada berbagai tingkatan[6].
Menurut Litle, Sistem Pendukung Keputusan adalah suatu sistem informasi berbasis komputer
yang menghasilkan berbagai alternatif keputusan untuk membantu manajemen dalam
menangani berbagai permasalahan yang terstruktur dengan menggunakan data dan model
.Sistem pendukung keputusan berkembang di awal era komputasi terdistribusi. Sejarah sistem
seperti dimulai pada sekitar 1965 dan penting untuk memulai meresmikan catatan, orang ide-
ide, sistem dan teknologi yang terlibat dalam bidang yang penting dari teknologi informasi
diterapkan. Hari ini masih mungkin untuk merekonstruksi sejarah Sistem Pendukung Keputusan
dari tangan pertama rekening dan bahan-bahan yang tidak dipublikasikan serta artikel
diterbitkan.Sistem Pendukung Keputusan bertujuan untuk menyediakan informasi,
membimbing, memberikan prediksi serta mengarahkan kepada pengguna informasi agar dapat
melakukan pengambilan keputusan dengan lebih baik. Dengan menggunakan data-data yang
diolah menjadi informasi untuk mengambil keputusan dari masalah-masalah semi-
terstruktur.Dalam implementasi SPK, hasildari keputusan-keputusan dari sistem bukanlah hal
yang menjadi patokan,pengambilan keputusan tetap berada pada pengambil keputusan.Sistem
hanya menghasilkan keluaran yang mengkalkulasi data-data sebagaimana pertimbangan seorang
pengambil keputusan.Sehingga kerja pengambil keputusan dalam keputusan dapat dimudahkan.
Dengan pengertian diatas dapat dijelaskan bahwa Sistem Pendukung Keputusan bukanlah alat
pengambilan keputusan, melainkan merupakan sistem yang membantu pengambil keputusan dengan
melengkapi system dengan informasi dari data yang telah diolah dengan relevan dan diperlukan
untuk membuat keputusan suatu masalah

Menurut Alter dalam Kusrini (2007: 14-15), sistem pendukung keputusan (SPK) merupakan
sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data.
Sistem tersebut digunakan untuk membantu pengambilan keputusan dalam situasi yang semi
terstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti
bagaimana keputusan seharusnya dibuat.
Secara Umum, Sistem Pendukung Keputusan adalah sebuah sistem yang mampu memberikan
kemampuan, baik kemampuan pemecahan masalah maupun kemampuan pengkomunikasian
untuk masalah semi terstruktur.
secara Khusus, Sistem Pendukung Keputusan adalah sebuah sistem yang mendukung kerja
seorang manager maupun sekelompok manager dalam memecahkan masalah semi-terstruktur
dengan cara memberikan informasi ataupun usulan menuju pada keputusan tertentu. Sistem
pendukung keputusan berkembang di awal era komputasi terdistribusi. System pendukung
keputusan bisa di defenisikan sebagai system informasi interaktif Yng menyediakan informasi,
pemodelan dan memanipulasi data. System ini digunakan untuk membantu pengambilan
keputusan dalam situasi yang semi terstruktural dan situasi yang tidak terstruktur dimana tak
seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat. Sejarah sistem seperti
dimulai pada sekitar 1965 dan penting untuk memulai meresmikan catatan, orang ide-ide, sistem
dan teknologi yang terlibat dalam bidang yang penting dari teknologi informasi diterapkan. Hari
ini masih mungkin untuk merekonstruksi sejarah Sistem Pendukung Keputusan dari tangan
pertama rekening dan bahan-bahan yang tidak dipublikasikan serta artikel diterbitkan.
Sistem Pendukung Keputusan dirancang untuk mendukung seluruh tahap pengambilan
keputusan mulai dari mengidentifikasikan masalah, memilih data yang relevan, dan menentukan
pendekatan yang digunakan dalam proses pengambilan keputusan sampai mengevaluasi
pemilihan alternatif-alternatif yang ada (Kusrini,2007).
Pengambilan keputusan digunakan untuk mendapatkan pemecahan masalah. Masalah terjadi
ketika sebuah sistem tidak memenuhi tujuan yang telah ditetapkan, tidak mencapai hasil yang
diprediksi, atau tidak bekerja seperti yang direncanakan. Pemecahan masalah dapat juga
berkaitan dengan mengidentifikasi peluang-peluang baru. Untuk membedakan istilah
pengambilan keputusan dan pemecahan masalah adalah dengan memeriksa fase-fase proses
keputusan, antara lain :
1. Kecerdasan
Kecerdasan adalah kesadaran mengenai suatu masalah atau peluang. Dalam
hal ini, pembuat keputusan berupaya mencari dan memeriksa keputusan-keputusan yang perlu
dibuat, dan masalah-masalah yang perlu diatasi, atau peluang-peluang yang perlu
dipertimbangkan. Kecerdasan berarti kesadaran aktif akan perubahan-perubahan di lingkungan
yang menuntut dilakukannya tindakan-
tindakan tertentu.
2. Perancangan
Dalam fase perancangan, pembuat keputusan merumuskan suatu masalah dan menganalisis
sejumlah solusi alternatif.

3. Pemilihan
Dalam fase pemilihan ini, pembuat keputusan memilih solusi masalah atau peluang yang
ditandai dalam fase kecerdasan. Pemilihan ini diikuti dari analisis sebelumnya dalam fase
perancangan dan memperkuatnya lewat informasi-informasi
yang diperoleh dalam fase pemilihan.
4. Implementasi
Dalam fase implementasi, mencakup implementasi aktual dari rekomendasi yang didapatkan
dari fase pemilihan.Fase 1-3 dianggap sebagai pengambilan keputusan formal yang berakhir
dengan satu rekomendasi. Sedangkan keseluruhan proses (fase 1-4) sebagai pemecahan
masalah, dengan fase pilihan sebagai pengambil keputusan riil.

Karakteristik Sistem Suatu system memiliki karakteristik atau sifat-sifat tertentu, yang
mencirikan bahwa hal tersebut bisa dilakukan sebagai suatu sistem. Adapun karakteristik yang
dimaksud sebagai berikut :
1.Komponen Sistem (Components)

Suatu sistem terdiri dari sejumlah komponen yang saling berinteraksi, yang
artinya saling bekerja sama membentuk suatu kesatuan. Komponen-komponen sistem atau
elemen-elemen sistem dapat berupa suatu subsistem atau bagian-bagian dari sistem. Setiap
subsistem mempunyai sifat-sifat dari sistem untuk menjalankan suatu fungsi tertentu dan
mempengaruhi proses sistem secara keseluruhan.

2.Batasan Sistem (Boundary)

Batasan sistem merupakan daerah yang membatasi suatu sistem dengan sistem yang lainnya ata
U dengan lingkungan luarnya. Batasan sistem ini memungkinkan suatu sistem dipandang
sebagai satu kesatuan. Batasan suatu sistem menunjukkan ruang lingkup (Scope) dari sistem
tersebut.

3Lingkungan Luar Sistem

(Environtment)Lingkungan luar suatu sistem adalah apapun diluar batas dari sistem yang
mempengaruhi operasi sistem. Lingkungan luar sistem dapat bersifat
menguntungkan dan dapat juga merugikan sistem tersebut.

4.Penghubung (Interface)
Sebagai media yang menghubungkan sistem dengan subsistem yang lainnya. Melalui
penghubungan ini, memungkinkan sumber-sumber daya mengalir dari subsistem ke subsistem
yang lainnya.

5.Masukan Sistem (Input)

Adalah segala sesuatu (energi) yang dimasukan ke
 dalam sistem. Masukan dapat berupa masukan perawatan (Maintenance Input) dan masukan
sinyal (Signal Input).Maintenance Input adalah energi yang dimasukan supaya sistem tersebut
dapat beroperasi.
Signal Input adalah energi yang diproses untuk mendapatkan keluaran.

6.Keluaran Sistem
(Output)Adalah hasil dari energi yang diolah dan di klasifikasikan menjadi keluaran,
yang berguna dan sisa pembuangan.

7.Pengolahan Sistem
(Procces)Adalah suatu sistem dapat mempunyai suatu bagian pengolahan yang akan merubah
masukan menjadi keluaran.

8.Tujuan Sistem (Objectives)atau Sasaran sistem (Goal)Suatu sistem memiliki tujuan atau
sasaran yang pasti dan bersifat deterministik. Kalau suatu sistem tidak mempunyai sasaran,
maka operasi

Pengertian SPK menurut beberapa ahli :

· Menurut Michael S Scot Morton dan Peter GW Keen (SIM,1998) , Adalah bahwa
sistem pendukung keputusan meruapakan sistem penghasil informasi yang ditujukan pada suatu
masalah yang harus dibuat oleh manajer.
· Menurut Raymond McLeod, Jr, (1998), Mendefenisikan sistem pendukung
keputusan sebagai suatu sistem informasi yang ditujukan untuk membantu manajemen dalam
memecahkan masalah yang dihadapinya.
Kesimpulanya:”Sistem Pendukung Keputusan merupakan suatu sistem interaktif yang
mendukung keputusan dalam proses pengambilan keputusan melalui alternatif–alternatif yang
diperoleh dari hasil pengolahan data, informasi dan rancangan model”.
Menurut Sprague dan Watson (1979), sekitar tahun 1970 jurnal bisnis mulai
menerbitkan artikel pada sistem keputusan manajemen, sistem perencanaan strategis dan sistem
pendukung keputusan. Sebagai contoh, Scott Morton dan rekan menerbitkan sejumlah artikel
pendukung keputusan pada tahun 1968. Pada tahun 1969, Ferguson dan Jones membahas sistem
pengambilan keputusan komputer dibantu dalam jurnal Ilmu Manajemen.. Dalam 1966-67 Scott
Morton telah mempelajari bagaimana komputer dan model analisis dapat membantu manajer
membuat keputusan kunci. Dia melakukan percobaan di mana manajer benar-benar
menggunakan Sistem Manajemen Keputusan (MDS).

Sejarah Sistem Pendukung Keputusan (Decision Support system)

Pada sekitar tahun 1960 – 1970 Sistem Pendukung Keputusan (Decision Support System) mulai
di perkenalkan. Sistem Pendukung keputusan dirancang untuk mengembangkan efektifitas dan
oduktifitas dari para setiap orang dan kaum professional. Pada dasarnya konsep DSS hanyalah
sebatas pada kegiatan membantu para manajer melakukan penilaian serta pengantian posisi
(Turban dan Aronson (1998)). DSS adalah sebuah system yang berbasis computer yang terdiri
atas komponen-komponen yang saling berhubungan 1 sama lain, sehingga komponen-
komponen ini mampu menghasilkan sebuah data informasi yang berguna untuk membantu
mengambil sebuah keputusan dalam sebuah bisnis yang akan dijalankan. Dalam bidang
teknologi yang beragam seperti DSS, Dss merupakan system informasi interaktif yang
menyediakan informasi,pemodelan dan menyediakan inormasi, pemodelan dan pemanipulasi
data. Sistem itu digunakan untuk situasi yang semistruktur dan situasi yang tidak
terstruktur,dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya
dibuat9Alter,2002)Sebuah system yang mampu memberikan kemampuan pemecahan masalah
maupunnkemampuan penkomunikasian utnuk 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 seorang pun tahu secara pasti
bagaimana keputusan seharusnya dibuat(Turban,2001).Dss digunakan oleh beberapa orang
sebagai suatu istilah khusus. Dss biasanya digunakan untuk menggambarkan semua system
terkomputerisasi yang mendukung pengambilan pada suatu organisasi. Organisasi bisa saja
memiliki suatu system manajemen pengetahuan untuk memandu seluruh personelnya dalam
memecahkan masalah, seperti pemasaran, keuangan, dan akutansi. System manajemen rantai
persediaan untuk produksi dan beberapaa system pakar untuk membuat diagnosis dan help desk
perbaikan(Turban,ArSON,Liang,2005)
DSS diperkenalkan pertama kali oleh Michael S. Scoott Morton pada tahun 1970-an dengan
istilah Management Decision System (Sprague, 1982). Definisi sistem adalah sekumpulan hal
atau kegiatan atau elemen atau subsistem yang saling bekerja sama atau yang dihubungkan
dengan cara-cara tertentu sehingga membentuk satu kesatuan untuk melaksanakan suatu fungsi
guna mencapai suatu tujuan. Pada akhir 1960-an, jenis baru dari sistem informasi menjadi
praktis - Model berorientasi DSS atau sistem manajemen keputusan. DSS menggabungkan
sumber daya intelek-tual manusia dng kemampuan komputer, untuk meningkatkan kualitas
keputusan. Ia me-rupakan sistem pendukung berbasis kompu-ter bagi pengambil keputusan
manajemen untuk menyelesaikan masalah semi-structured (Keen and Scott Morton).

Pada tahun 1974, Gordon Davis, seorang Profesor di University of Minnesota, menerbitkan
teks berpengaruh pada Sistem Informasi Manajemen. Dia mendefinisikan Sistem Informasi
Manajemen sebagai "sebuah sistem, terintegrasi pria / mesin untuk menyediakan informasi
untuk mendukung operasi, manajemen, dan pengambilan keputusan fungsi dalam organisasi.
(Hal. 5)." Bab 12 Davis berjudul "Sistem Informasi Pendukung Pengambilan Keputusan" dan
Bab 13 berjudul "Sistem Informasi Dukungan untuk Perencanaan dan Pengendalian"
menciptakan pengaturan untuk pengembangan dasar yang luas untuk penelitian DSS dan
praktek.

Pada tahun 1975, JDC Little memperluas batas-batas yang didukung pemodelan komputer.
DSS disebut Little Brandaid dirancang untuk mendukung produk, promosi, harga dan keputusan
iklan. Juga, Little (1970) dalam kriteria artikel sebelumnya diidentifikasi untuk merancang
model dan sistem manajemen untuk mendukung pengambilan - keputusan. Empat kriteria
meliputi: ketahanan, kemudahan kontrol, kesederhanaan, dan kelengkapan detail yang relevan.
Semua empat kriteria tetap relevan dalam mengevaluasi Sistem Pendukung Keputusan modern.

Klein dan Methlie (1995) catatan "Sebuah studi tentang asal-usul DSS masih harus ditulis.
Tampaknya koran DSS pertama diterbitkan oleh mahasiswa PhD atau profesor di sekolah
bisnis, yang memiliki akses ke sistem time-sharing komputer pertama :. Proyek MAC di Sloan
School, Dartmouth Sistem Berbagi Waktu di Sekolah Tuck Di Perancis, HEC merupakan
sekolah bisnis pertama Prancis untuk memiliki sistem time-sharing (diinstal di 1967), dan kertas
DSS pertama diterbitkan oleh profesor Sekolah pada tahun 1970. Para Siad panjang (yang
'Systèmes Interactif d'Aide à la Keputusan' DSS istilah bahasa Prancis) dan konsep DSS yang
dikembangkan secara independen di Perancis, di beberapa artikel oleh profesor HEC bekerja
pada proyek yang SCARABEE dimulai pada tahun 1969 dan berakhir pada tahun 1974. "

Mengembangkan Teori

Pada akhir 1970-an, baik teori praktek dan isu-isu yang berkaitan dengan DSS yang dibahas
pada konferensi akademis termasuk Institut Amerika untuk pertemuan Keputusan Sciences dan
ACM Konferensi SIGBDP pada Sistem Pendukung Keputusan di San Jose, CA pada bulan
Januari 1977. Konferensi Internasional pertama mengenai Sistem Pendukung Keputusan
diadakan di Atlanta, Georgia pada tahun 1981. Konferensi akademik disediakan forum untuk
ide, diskusi teori berbagi dan pertukaran informasi. Tertarik peneliti MIT termasuk Petrus dan
Michael Scott Morton khususnya sangat berpengaruh. Buku DSS Morton Keen dan Scott (1978)
memberikan orientasi perilaku yang luas untuk analisis Sistem Pendukung Keputusan, desain,
implementasi, evaluasi dan pengembangan.

Pada tahun 1980, Steven Alter diterbitkan MIT nya hasil disertasi doktor dalam sebuah buku
berjudul berpengaruh Sistem Pendukung Keputusan: Praktek Lancar dan Tantangan
Melanjutkan. Alter penelitian dan makalah (1975; 1977) memperluas kerangka kerja bagi
pemikiran kita tentang DSS manajemen. Juga, studi kasusnya memberikan dasar yang kuat
deskriptif contoh Sistem Pendukung Keputusan. Sejumlah disertasi MIT lain selesai pada
pertengahan 1970-an dan akhir juga berurusan dengan masalah yang berhubungan dengan
menggunakan model untuk mendukung keputusan.
Pada tahun 1979, John Rockart dari Harvard Business School menerbitkan sebuah artikel
ground breaking dalam Harvard Business Review yang menyebabkan pengembangan sistem
informasi eksekutif (EISs) atau sistem pendukung eksekutif (ESS).

Bonczek, Holsapple dan Whinston (1981) menciptakan sebuah kerangka teoritis untuk
memahami isu yang terkait dengan merancang berorientasi pengetahuan Sistem Pendukung
Keputusan. Buku mereka menunjukkan bagaimana Kecerdasan Buatan dan Sistem Pakar
teknologi yang relevan dengan DSS berkembang.

Ralph Sprague dan Carlson Eric (1982) Buku Membangun Sistem Dukungan Keputusan
Efektif tonggak penting. Lebih lanjut menjelaskan Sprague (1980) kerangka DSS data base,
basis model dan generasi dialog dan perangkat lunak manajemen. Selain itu, memberikan
gambaran, praktis dimengerti tentang bagaimana organisasi dapat dan harus membangun DSS.
Meskipun buku mereka mungkin menciptakan beberapa harapan yang tidak realistis, masalah
berasal lebih dari batas-batas teknologi yang ada untuk membangun DSS daripada batas-batas
konsep dibahas oleh Sprague dan Carlson.

Memperluas Kerangka

Pada akhir 1970-an, sejumlah peneliti dan perusahaan telah mengembangkan sistem informasi
interaktif yang menggunakan data dan model untuk membantu manajer menganalisis masalah
semi-terstruktur. Sistem ini beragam semua yang disebut Decision Support Systems. Dari hari-
hari awal, hal itu diakui bahwa DSS dapat dirancang untuk mendukung pengambil keputusan di
setiap tingkat dalam sebuah organisasi. DSS dapat mendukung operasi, manajemen keuangan
dan pengambilan keputusan strategis. DSS bisa menggunakan data spasial dalam sistem seperti
Geodata Analisis dan Sistem Tampilan (GADS) (lih., Grace, 1976), data multidimensi
terstruktur dan tidak terstruktur dokumen (lih., Swanson dan Culnan, 1978). Berbagai model
yang digunakan dalam DSS termasuk optimasi dan simulasi. Juga, paket statistik yang diakui
sebagai alat untuk membangun DSS. Kecerdasan Buatan peneliti mulai bekerja pada
manajemen dan sistem bisnis ahli di awal 1980-an.

Sistem perencanaan keuangan menjadi alat keputusan yang populer dukungan. Idenya adalah
untuk menciptakan sebuah "bahasa" yang akan "memungkinkan eksekutif untuk membangun
model tanpa perantara (Gray, 1987, hal 3)". Sebuah sistem perencanaan keuangan yang populer
disebut IFPS, akronim untuk sistem perencanaan keuangan interaktif, pada awalnya
dikembangkan di tahun 1970-an oleh Gerald R. Wagner dan murid-muridnya di University of
Texas. Perusahaan Wagner, EXECUCOM Sistem, dipasarkan IFPS sampai pertengahan tahun
1990. Salah satu keunggulan utama bahwa bahasa perencanaan memiliki lebih dari spreadsheet
adalah bahwa model ini ditulis menggunakan bahasa alami dan model dapat dipisahkan dari
data. Pada awal 80-an, spreadsheet juga digunakan untuk membangun model-driven DSS (lihat
Power, D. Dalam sebuah makalah tahun 1988, Sharda, Barr, dan McDonnell terakhir 15 tahun
pertama penelitian DSS. Penelitian yang berkaitan dengan menggunakan model dan sistem
perencanaan keuangan untuk mendukung keputusan adalah mendorong tetapi tentu tidak
seragam positif.

Pada awal 1980-an, peneliti akademis mengembangkan kategori baru dari perangkat lunak
untuk mendukung pengambilan keputusan kelompok (lih., Gray, 1981; Huber, 1982; Turoff dan
Hiltz, 1982). Peka-pikiran dari Sistem Execucom, GroupSystems dikembangkan di University
of Arizona dan sistem Samm dikembangkan oleh peneliti dari Universitas Minnesota Kelompok
DSS awal. Dickson, Poole dan DeSanctis (1992) melaporkan bahwa Brent Gallup, Ph.D.
mahasiswa di Minnesota, memutuskan pada 1984 "untuk program sistem GDSS kecil sendiri
dalam BASIC dan menjalankannya pada komputer VAX-nya universitas". Bahwa sistem adalah
awal dari studi GDSS Minnesota.

Jay Nunamaker, Jr dan rekan-rekannya menulis dalam tahun 1992 bahwa "Konsep yang
mendasari untuk GroupSystems memiliki permulaan di tahun 1965 dengan perkembangan Soal
Bahasa / Masalah Analyzer Pernyataan Pernyataan (PSL / PSA) sebagai bagian dari Desain
(Sistem Informasi ISDOS dan Optimasi Sistem) proyek di Case Institute of Technology (hal.
144) "
Pada tahun 1984, sistem yang disebut PLEXSYS selesai dan komputer-dibantu fasilitas
pertemuan kelompok dibangun di University of Arizona. Fasilitas pertama, disebut PlexCenter
tersebut, ditempatkan sebuah meja berbentuk U konferensi besar dengan 16 workstation
komputer. PLEXSYS memberikan dasar untuk pengembangan perangkat lunak GroupSystems
Universitas Arizona. Sejak pertengahan 80-an, banyak penelitian telah meneliti dampak dan
konsekuensi dari DSS Group. Juga, sejumlah perusahaan telah dikomersialisasikan Grup DSS
dan groupware.

Sistem Informasi Eksekutif (EIS) berevolusi dari model-driven single user sistem Pendukung
Keputusan dan ditingkatkan produk database relasional. EIS pertama kali digunakan pra-
didefinisikan layar informasi dan dipertahankan oleh para analis untuk eksekutif senior. Sebagai
contoh, pada musim gugur tahun 1978, pengembangan EIS yang disebut Manajemen Informasi
dan Pendukung Keputusan (MIDS) sistem mulai di Lockheed-Georgia (lih., Houdeshel dan
Watson, 1987). Dimulai pada sekitar tahun 1990, data warehousing dan On-Line Analytical
Processing (OLAP) mulai memperluas bidang EIS dan mendefinisikan kategori yang lebih luas
Data-Driven DSS (lih., Dhar dan Stein, 1997). Nigel Pendse (1997) mengklaim produk Sistem
Informasi Eksekutif pertama Command Center Software pilot. Dia mencatat baik analisis
multidimensi dan OLAP memiliki asal-usul dalam bahasa pemrograman APL dan dalam sistem
seperti Express dan Comshare System Nigel W.

Nylund (1999) menelusuri perkembangan yang berhubungan dengan Business Intelligence (BI)
untuk upaya Procter & Gamble pada tahun 1985 untuk membangun DSS yang menghubungkan
informasi penjualan dan data pemindai ritel. Sistem Komputer metafora, sebuah spin-off
peneliti dari Xerox Palo Alto Research Center (PARC), dibangun P & G DSS awal. Metafora
alumni yang terakhir mendirikan banyak vendor BI: Richard Tanler didirikan Keuntungan
Informasi dan Glassey Katherine mendirikan Teknologi Brio. Istilah BI adalah, dipopulerkan
istilah payung seharusnya diperkenalkan oleh Howard Dresner dari Gartner Group pada tahun
1989. BI menjelaskan seperangkat konsep dan metode untuk meningkatkan pengambilan
keputusan bisnis dengan menggunakan sistem berbasis fakta-pendukung. BI kadang-kadang
digunakan bergantian dengan buku briefing, laporan dan alat query dan sistem informasi
eksekutif. Sistem bisnis Intelijen adalah data-driven DSS.

Pada awal 1980-an, peneliti akademis mengembangkan kategori baru dari perangkat lunak
untuk mendukung pengambilan keputusan kelompok (lih., Gray, 1981; Huber, 1982; Turoff dan
Hiltz, 1982). Peka-pikiran dari Sistem Execucom, GroupSystems dikembangkan di University
of Arizona dan sistem Samm dikembangkan oleh peneliti dari Universitas Minnesota Kelompok
DSS awal. Dickson, Poole dan DeSanctis (1992) melaporkan bahwa Brent Gallup, Ph.D.
mahasiswa di Minnesota, memutuskan pada 1984 "untuk program sistem GDSS kecil sendiri
dalam BASIC dan menjalankannya pada komputer VAX-nya universitas". Bahwa sistem adalah
awal dari studi GDSS Minnesota.

Pergeseran Teknologi

pada sekitar tahun 1990, Bill dan Ralph Kimball Inmon DSS aktif dipromosikan dibangun
menggunakan teknologi database relasional. Bagi praktisi banyak MIS, DSS dibangun
menggunakan Oracle atau DB2 adalah sistem dukungan hanya keputusan mereka terkena dalam
literatur komputer populer. Model-driven DSS adalah dalam domain riset operasi dan bukan
bagian dari Sistem Informasi. Ralph Kimball "The Doctor DSS" dan Bill Inmon adalah "ayah
dari gudang data". Inmon didefinisikan sistem pendukung keputusan (DSS) sebagai "sebuah
sistem yang digunakan untuk mendukung keputusan manajerial DSS Biasanya melibatkan
analisis unit banyak data dalam mode heuristik.. Sebagai aturan, pengolahan DSS tidak
melibatkan pembaruan data (lih., billinmon.com). " Inmon dan Kimball difokuskan pada
pembangunan data-driven DSS.

Pada awal 1990-an, pergeseran teknologi besar terjadi dari mainframe berbasis DSS untuk klien
/ server berbasis DSS. Beberapa desktop OLAP alat diperkenalkan selama periode ini. Pada
1992-93, beberapa vendor mulai merekomendasikan teknologi berorientasi obyek untuk
membangun "dapat digunakan kembali" kemampuan pendukung keputusan. Pada tahun 1994,
banyak perusahaan mulai untuk meng-upgrade infrastruktur jaringan mereka. Vendor DBMS
"diakui yang mendukung keputusan itu berbeda dari OLTP dan mulai menerapkan kemampuan
nyata OLAP ke dalam database mereka" (Powell, 2001). Paul Gray menegaskan bahwa sekitar
1993 data warehouse dan orang-orang EIS menemukan satu sama lain dan dua teknologi ceruk
telah konvergen. Pada tahun 1995, data pergudangan dan World Wide Web mulai praktisi dan
akademisi yang tertarik dampak dalam teknologi pendukung keputusan. DSS berbasis web dan
web-enabled menjadi layak di sekitar 1995 (lih., Power, 2000; Bhargava dan Power, 2001).

Sejarah Sistem Pendukung Keputusan mencakup rentang yang relatif singkat dari tahun, dan
konsep-konsep dan teknologi yang masih berkembang. Hari ini masih mungkin untuk
merekonstruksi sejarah Sistem Pendukung Keputusan (DSS) dari rekening retrospektif dari
peserta utama serta dari bahan dipublikasikan dan tidak dipublikasikan. Banyak inovator awal
dan pengembang awal adalah pensiun namun wawasan dan tindakan mereka dapat ditangkap
untuk memandu inovasi masa depan di bidang ini. Diharapkan makalah ini mengarah ke akun
email dan retrospektif yang dapat membantu kita memahami "nyata" sejarah DSS. Internet dan
Web telah dipercepat-up perkembangan pendukung keputusan dan telah menyediakan sarana
baru menangkap dan mendokumentasikan perkembangan pengetahuan di daerah penelitian.
Keputusan pelopor dukungan termasuk peneliti akademis banyak dari program-program di MIT,
University of Arizona, University of Hawaii, University of Minnesota dan Universitas Purdue.
Para pionir DSS menciptakan aliran tertentu dan berbeda dari pengembangan teknologi dan
penelitian yang berfungsi sebagai dasar untuk banyak pekerjaan hari ini dalam DSS.

ALASAN MENGAPA DSS DIBUTUHKAN:

1. Ekonomi tidak stabil

2. Kesulitan untuk mendeteksi sasaran bisnis yang beragam
3. Meningkatnya kompetisi
4. Electronic commerce
5. Sistem yang ada tidak mendukung pengambilan keputusan
6. Departemen IS terlalu sibutk
7. Kebutuhan akan analisis khusus
8. Kebutuhan informasi yang akurat
9. Kebutuhan informasi yang baru dan tepat waktu
10. Penghematan biaya
11. End-user computing

Menurut Turban dalam Kusrini (2007:16) tujuan dari DSS adalah :

1. Membantu manajer dalam pengambilan kepuasan atas masalah semi

terstruktur.
2. Memberikan dukungan atas pertimbangan manajer dan bukannya
dimaksudkan untuk mengganti fungsi manajer.
3 Kecepatan komputasi.
4. Peningkatan produktifitas.
5 .Dukungan kualitas, komputer bisa meningkatkan kualitas keputusan yang dibuat.
6. Berdaya saing manajemen dan pemberdayaan sumber daya perusahaan.
7. Mengatasi keterbatasan kognitif dalam pemrosesan dalam penyimpanan.

Tahapan Proses Pengambilan Keputusan

Tiga tahapan dalam proses pengambilan keputusan yaitu (Rosnani, 2014) :

1.Tahap Intellegence,adalah tahap proses pengenalan persoalan melalui penyelidikan
lingkungan untuk mengetahui ada atau tidaknya masalah.Kesimpulan dari penyelidikan
diperoleh dari pengolahan data dengan Metode yang telah ditetapkan sebelumnya atau
dengan metode khusus. Aliran informasi bergerak dari tingkatan manajemen terendah
menuju tingkatan manajemen tertinggi.

2.Tahap Design, merupakan tahap mencari, analisis serta perumusan

alternative tindakan yang akan diambil. Pada tahap design ini, sistem informasi harus
mampu membuat keputusan
 3.Tahap Choice merupakan tahap memilih suatu tindakan yang paling tepat
Dari beberapa alternatif yang telah dirumuskan. Langkah selanjutnya adalah pelaksanaan
alternatif terpilih. Bila suatu alternatif telah dilaksanakan, fungsi informasi berubah
menjadi pengumpul data untuk selanjutnya, merupakan umpan balik.

Sedangkan menurut Kusrini, dalam mengambil keputusan dilakukan langkah-langkah sebagai

berikut (Kusrini, 2007).

1.Identifikasi masalah.
2.Pemilihan metode pemecahan masalah.
3.Pengumpulan data
yang dibutuhkan untuk melaksanakan model keputusan
tersebut.
4.Mengimplementasikan model tersebut.

Tujuan Sistem Pendukung Keputusan

 Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan

untuk menggantikan fungsi manajer.
 Meningkatkan efektivitas keputusan yang diambil manajer lebih daripada perbaikan
efisiensinya.
 Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk
melakukan banyak komputasi secara cepat dengan biaya yang rendah.
 Peningkatan produktivitas. Membangun satu kelompok pengambil keputusan,
terutama para pakar, bisa sangat mahal. Pendukung terkomputerisasi bisa
mengurangi ukuran kelompok dan memungkinkan para anggotanya untuk berada di
berbagai lokasi yang berbeda-beda (menghemat biaya perjalanan).
 Dukungan kualitas. Komputer bisa meningkatkan kualitas keputusan yang dibuat.
Sebagai contoh, semakin banyak data yang diakses, semakin banyak data yang
diakses, makin banyak juga alternatif yang bisa dievaluasi.
 Berdaya saing. Manajemen dan pemberdayaan sumber daya perusahaan. Tekanan
persaingan menyebabkan tugas pengambilan keputusan menjadi sulit.

Karakteristik Sistem Pendukung Keputusan

Turban (2005) mengemukakan karakteristik dan kapabilitas kunci dari Sistem Pendukung
Keputusan adalah sebagai berikut :

1. Dukungan untuk pengambil keputusan, terutama pada situasi semiterstruktur dan

tak terstruktur.
2. Dukungan untuk semua level manajerial, dari eksekutif puncak sampai manajer lini.
3. Dukungan untuk individu dan kelompok.
4. Dukungan untuk semua keputusan independen dan atau sekuensial.
5. Dukungan di semua fase proses pengambilan keputusan: inteligensi, desain, pilihan,
dan implementasi.
6. Dukungan pada berbagai proses dan gaya pengambilan keputusan.
7. Kemampuan sistem beradaptasi dengan cepat dimana pengambil keputusan dapat
menghadapi masalah-masalah baru dan pada saat yang sama dapat menanganinya
dengan cara mengadaptasikan sistem terhadap kondisi-kondisi perubahan yang
terjadi.
8. Pengguna merasa seperti di rumah. User-friendly, kapabilitas grafis yang kuat, dan
sebuah bahasa interaktif yang alami.
9. Peningkatan terhadap keefektifan pengambilan keputusan (akurasi,
timelines, kualitas) dari pada efisiensi (biaya).
10. Pengambil keputusan mengontrol penuh semua langkah proses pengambilan
keputusan dalam memecahkan masalah.
 11. Pengguna akhir dapat mengembangkan dan memodifikasi sistem sederhana.
12. Menggunakan model-model dalam penganalisisan situasi pengambilan keputusan.
13. Disediakannya akses untuk berbagai sumber data, format, dan tipe, mulai dari
sistem informasi geografi (GIS) sampai sistem berorientasi objek.
14. Dapat dilakukan sebagai alat standalone yang digunakan oleh seorang pengambil
keputusan pada satu lokasi atau didistribusikan di satu organisasi keseluruhan dan
di beberapa organisasi sepanjang rantai persediaan.

Menurut Turban, dkk DSS diharapkan memiliki beberapa karakteristik sebagai berikut;

1. Dukungan untuk pengambil keputusan, terutama pada situasi semiterstruktur dan tak
terstruktur, dengan menyertakan penilaian manusia dan informasi terkomputerisasi.
2. Dukungan untuk semu level manajerial, dan eksekutif puncak sampai manajer ini.
3. Dukungan untuk individu dan kelompok.
4. Dukungan untuk keputusan independen dan atau sekuensial.
5. Dukungan disemua fase proses pengambilan keputusan: inteligensi, desain, pilihan dan
implementasi.
6. Dukungan diberbagai proses dan gaya pengambilan keputusan.
7. Adaptivitas sepanjang waktu. Pengambilan keputusan seharusnya reaktif,
dapamenghadapi perubahan kondisi secara cepat, dan dapat mengadaptasikan DSS
untuk itu pengguna dapat menambahkan, menghapus, menggabungkan, mengubah, atau
menyusun kembali elemen-elemen dasar.
8. Pengguna merasa seperti di rumah.
9. Peningkatan terhadap keefektifan pengambilan keputusan (akurasi, timelines, kualitas)
ketimbang pada efisiensinya(biaya pengambilan keputusan.
10. Kontrol penuh oleh pengambil keputusan terhadap semua langkah proses pengambilan
keputusan dalam memecahkan suatu masalah.
11. Pengguna akhir dapat mengembangkan dan memodifikasi sendiri sistem sederhana.
Sistem yang lebih besardapat dibangun dengan bantuan ahli sistem informasi.
12. .Biasanya model-model untuk menganalisa situasi pengambilan keputusan.
13. Kapabilitas pemodelan memungkinkan eksperimen dengan berbagai
strategi yang berbeda di bawah konfigurasi yang be
Karakteristik dari DSS tersebut membolehkan para pengambil keputusan untuk membuat
keputusan yang lebih baik dan lebih
konsisten pada satu cara yang dibatasi waktu.

Menurut Turban (2005), Sistem Pendukung Keputusan terdiri dari empat subsistem, yaitu:

 Manajemen Data, meliputi basis data yang berisi data-data yang relevan dengan
keadaan dan dikelola oleh perangkat lunak yang disebut dengan Database Management
System (DBMS).
 Manajemen Model berupa sebuah paket perangkat lunak yang berisi model-model
finansial, statistik, management science, atau model kuantitatif, yang menyediakan
kemampuan analisa dan perangkat lunak manajemen yang sesuai.
 Subsistem Dialog atau komunikasi, merupakan subsistem yang dipakai oleh user untuk
berkomunikasi dan memberi perintah (menyediakan user interface).
 Manajemen Knowledge yang mendukung subsistem lain atau berlaku sebagai
komponen yang berdiri sendiri.

Jenis – Jenis Sistem Pendukung Keputusan

1. Keputusan Terstruktur
Keputusan terstruktur adalah keputusan yang dilakukan secara berulang-ulang dan bersifat rutin.
Informasi yang dibutuhkan spesifik, terjadwal, sempit, interaktif, real time, internal, dan detail.
Prosedur yang dilakukan untuk pengambilan keputusan sangat jelas.
2. Keputusan Semiterstruktur
Keputusan semiterstruktur adalah keputusan yang mempunyai sifat yakni sebagian keputusan
dapat ditangani oleh komputer dan yang lain tetap harus dilakukan oleh pengambil keputusan.
Informasi yang dibutuhkan folus, spesifik, interaktif, internal, real time, dan terjadwal.
Contoh: Pengevaluasian kredit, penjadwalan produksi dan pengendalian sediaan, merancang
rencana pemasaran, dan mengembangkan anggaran departemen.
3. Keputusan Tidak Terstruktur
Keputusan tak terstruktur adalah keputusan yang penanganannya rumit karena tidak terjadi
berulang-ulang atau tidak selalu terjadi. Keputusan ini menuntut pengalaman dan berbagai
sumber yang bersifat eksternal.

Berdasarkan tingkat Teknologi

a. Pembangkit SPK, software khusus yang digunakan untuk membangun dan

mengembangkan SPK.
b. Perlengkapan SPK, software dan hardware yang mendukung pembangunan SPK
Spesifik dan Pembangkit SPK.
Berdasarkan tingkat Dukungan

a. Retrieve Information Elements

 Inilah dukungan terendah yang bisa diberikan oleh DSS, yakni berupa akses selektif
terhadap informasi.
b. Analyze Entire File
 Dalam tahapan ini, para manajer diberi akses untuk melihat dan menganalisis file secara
lengkap.
c. Prepare Reports from Multiple Files
 Dukungan seperti ini cenderung dibutuhkan, mengingat para manajer berhubungan
dengan banyak aktivitas dalam satu momen tertentu.
d. Estimate Decision Consequences
 Dalam tahapan ini, manajer dimungkinkan untuk melihat dampak dari setiap keputusan
yang mungkin diambil.
e. Propose Decision
 Dukungan di tahapan ini sedikit lebih maju lagi. Suatu alternatif keputusan bisa
disodorkan ke hadapan manajer untuk dipertimbangkan.

Fungsi Sistem Pendukung Keputusan (SPK)

Secara global dapat dikatakan bahwa fungsi dari Sistem Pendukung Keputusan (SPK) adalah
untuk meningkatkan kemampuan para pengambil keputusan dengan memberikan alternatif-
alternatif keputusan yang lebih banyak atau lebih baik, sehingga dapat membantu untuk
merumuskan masalah dan keadaan yang dihadapi. Dengan demikian Sistem Pendukung
Keputusan (SPK) dapat menghemat waktu, tenaga dan biaya. Jadi dapatlah dikatakan secara
singkat bahwa tujuan Sistem Penunjang Keputusan adalah untuk meningkatkan efektivitas (do
the right things) dan efesiensi (do the things right) dalam pengambilan keputusan. Walaupun
demikian penekanan dari suatu Sistem Penunjang Keputusan (SPK) adalah pada peningkatan
efektivitas dari pengambilan keputusan dari pada efisiensinya.
Komponen Sistem Pendukung Keputusan
Secara umum Sistem Pendukung Keputusan dibangun oleh tiga komponen besar yaitu database
Management, Model Base dan Software System/User Interface. Komponen SPK tersebut dapat
digambarkan seperti gambar di bawah ini:

a.
Database Management Merupakan subsistem data yang terorganisasi dalam suatu basis
data. Data yang merupakan suatu system pendukung keputusan dapat berasal dari luar
maupun dalam lingkungan. Untuk keperluan SPK,diperluksn data yang relevan dengan
permasalahn yang hendak dipecahkan melalui simulasi.
b. Model Base
Merupakan suatu model yang merepresentasikan permasalahan kedalam format kuantitatif
(model matematika sebagai contohnya) sebagai dasar simulasi atau pengambilan keputusan,
termasuk didalamnya tujuan dari permaslahan (objektif), komponen-komponen terkait, batasan-
batasan yang ada (constraints), dan hal-hal terkait lainnya. Model Base memungkinkan
pengambil keputusan menganalisa secara utuh dengan mengembangkan dan membandingkan
solusi alternatif.
c. User Interfase / Pengelolaan Dialog
Terkadang disebut sebagai subsistem dialog, merupakan penggabungan antara dua komponen
sebelumnya yaitu Database Management dan Model Base yang disatukan dalam komponen
ketiga (user interface), setelah sebelumnya dipresentasikan dalam bentuk model yang
dimengerti computer. User Interface menampilkan keluaran sistem bagi pemakai dan menerima
masukan dari pemakai kedalam Sistem Pendukung Keputusan.

Skematik SPK (Turban dkk., 2005)

Manfaat Sistem Pendukung Keputusan
 SPK dapat memberikan berbagai manfaat dan keuntungan. Manfaat yang dapat diambil dari
SPK adalah :
1. SPK memperluas kemampuan pengambil keputusan dalam memproses data / informasi bagi
pemakainya.
2. SPK membantu pengambil keputusan untuk memecahkan masalah terutama barbagai
masalah yang sangat kompleks dan tidak terstruktur.
3. SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan.
4. Walaupun suatu SPK mungkin saja tidak mampu memecahkan masalah yang dihadapi oleh
pengambil keputusan, namun dia dapat menjadi stimulan bagi pengambil keputusan dalam
memahami persoalannya,karena mampu menyajikan berbagai alternatif pemecahan.

Kegunaan Sistem Pendukung Keputusan

Sistem pendukung keputusan bermanfaat pada saat tidak diketahui secara pasti informasi yang
perlu disediakan, menggunakan model apa, dan bahkan kemungkinan penggunaan kriteria yang
paling tepat, dengan kata lain sistem pendukung keputusan akan sangat berguna ketika sebuah
keputusan belum dibuat. Sistem pendukung keputusan akan sangat berguna pada saat :
1. Di mana data yang disimpan oleh manajer dan staf-nya membutuhkan banyak waktu
untuk mencari dan menganalisisnya (data telah disimpan di dalam komputer).
2. Pertemuan manajemen terhenti karena adanya pihak yang mengganti validasi data.
3. Manajemen sering dikejutkan oleh data saat pembuatan laporan akhir periode.
4. Keputusan lebih sering dibuat berdasarkan bukti atau pendapat orang lain, dan bukan b
berdasarkan data yang pantas dikumpulkan secara berkala.
Secara umum sistem pendukung keputusan dapat ditentukan kriteria keberhasilannya adalah
jika sistem pendukung keputusan dapat membantu pembuat keputusan dalam hal :
Mencari aspek lebih dari sebuah keputusan.
 Menciptakan alternatif yang lebih baik.
 Merespon situasi lebih cepat.
 Memecahkan problem yang kompleks.
 Mempertimbangkan lebih banyak pilihan dalam memecahkan masalah.
 Solusi yang cemerlang.
 Memanfaatkan multiple analisis dalam memecahkan masalah.
 Mempunyai pandangan baru dalam masalah dan menghilangkan pandangan sempit
yang berhubungan dengan evaluasi pilihan terlalu cepat.
 Mengimplementasikan bervariasi gaya keputusan dan strategi.
 Menggunakan data yang lebih baik.
 Pemanfaatkan model secara lebih baik.
 Mempertimbangkan analisis bagaimana-jika
Kelebihan Sistem Pendukung Keputusan (SPK) meliputi :

1. Memperluas kemampuan pengambil keputusan dalam memproses data/informasi untuk

pengambilan keputusan.
2. Menghemat waktu yang dibutuhkan untuk memecahkan masalah, terutama berbagai
masalah yang sangat kompleks dan tidak terstruktur.
3. Menghasilkan solusi dengan lebih cepat dan hasilnya dapat diandalkan.
4. Mampu memberikan berbagai alternatif dalam pengambilan keputusan, meskipun
seandainya Sistem Pendukung Keputusan (SPK) tidak mampu memecahkan masalah
yang dihadapi oleh pengambil keputusan, namun dapat digunakan sebagai stimulan
dalam memahami persoalan.
5. Memperkuat keyakinan pengambil keputusan terhadap keputusan yang diambilnya.
6. Memberikan keuntungan kompetitif bagi organisasi secara keseluruhan dengan
penghematan waktu, tenaga dan biaya.

Kekurangan Sistem Pendukung Keputusan (SPK)

Walaupun dirancang dengan sangat teliti dan mempertimbangkan seluruh faktor yang
 ada, Sistem Pendukung Keputusan (SPK) mempunyai kelemahan atau keterbatasan
diantaranya yaitu :
1. Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat dimodelkan,
sehingga model yang ada dalam sistem tidak semuanya mencerminkan persoalan
sebenarnya.
2. Sistem Pendukung Keputusan (SPK) terbatas untuk memberikan alternatif dari
pengetahuan yang diberikan kepadanya (pengatahuan dasar serta model dasar) pada
waktu perancangan program tersebut.
3. Proses-proses yang dapat dilakukan oleh Sistem Pendukung Keputusan (SPK) biasanya
tergantung juga pada kemampuan perangkat lunak yang digunakan.
4. Harus selalu diadakan perubahan secara kontinyu untuk menyesuaikan dengan keadaan
lingkungan yang terus berubah agar sistem tersebut selalu up to date.
5. Bagaimanapun juga harus diingat bahwa Sistem Pendukung Keputusan (SPK)
dirancang untuk membantu/mendukung pengambilan keputusan dengan mengolah
informasi dan data yang diperlukan dan bukan untuk mengambil alih pengambilan
keputusan.

Sejarah Metode SAW(Simple additive Weighting)

Metode Simple Additive Weighting (SAW) sering juga dikenal istilah metode
penjumlahan terbobot. Maksud dari penjumlahan terbobot yaitu mencari penjumlahan terbobot
dari rating di tiap alternatif pada seluruh atribut/ kriteria. Hasil/ Skor total yang diperoleh untuk
sebuah alternatif yaitu dengan menjumlahkan semua hasil perkalian antara rating / yang
dibandingkan pada lintas atribut dan bobot setiap atribut. Rating pada setiap atribut sebelumnya
harus sudah melalui proses normalisasi. Metode SAW adalah Salah satu metode yang
digunakan untuk menyelesaikan masalah dari Fuzzy Multiple Attribute Decision Making (
FMADM ) adalah metode Simple Additive Weighting (SAW) yaitu suatu metode yang
digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu.
Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap
alternatif pada semua atribut (Fishburn, 1967) dan(MacCrimmon, 1968). Metode SAW
membutuhkan proses normalisasi matriks keputusan(X) ke suatu skala yang dapat
diperbandingkan dengan semua rating alternatif yang ada. Metode SAW ini mengharuskan
pembuat keputusan menentukan bobot bagi setiap atribut. Skor total untuk alternatif diperoleh
dengan menjumlahkan seluruh hasil perkalian antara rating (yang dapat dibandingkan lintas
atribut) dan bobot tiap atribut. Rating tiap atribut haruslah bebas dimensi dalam arti telah
melewati proses normalisasi matriks sebelumnya. Proses pengambilan keputusan adalah
memilih suatu alternatife. Metode Simple Additive Weighting membutuhkan proses normalisasi
matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating
alternatif yang ada. Metode SAW sering juga dikenal istilah metode penjumlahan terbobot.
Konsep dasar merode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap
alternatif pada semua atribut. Metode SAW membutuhkan proses normalisasi matriks keputusan
(X) ke suatu skala yang dapat dibandingkan dengan semua rating alternatif yang ada.Metode
SAW Sangat sederhana dan mudah dipahami serta bisa diimplementasikan pada sistem
pendukung keputusan yang dibuat dengan memperhatikan bobot dan kriteria sehingga sistem
lebih mudah dan efisien. Metode Simple Additive Weighting disarankan menyelesaikan
penyelesaian dalam sistem pengambilan keputusan multi proses. Metode Simple Additive
Weighting merupakan metode yang banyak digunakan dalam pengambilan keputusan yang
memiliki banyak atribut. Keunggulan dari metode Simple Additive Weighting dibandingkan
dengan metode sistem pendukung keputusan yang lain terletak pada kemampuannya dalam
melakukan penilaian secara lebih tepat karena didasarkan pada nilai kreteria dan bobot tingkat
kepentingan yang dibutuhkan. Dalam metode SAW juga dapat menyeleksi alternatif terbaik dari
sejumlah alternatif yang ada kemudian dilakukan proses perangkingan yang jumlah nilai bobot
dari semua kreteria dijumlahkan setelah menentukan nilai bobot dari setiap kreteria. Intinya
bahwa pada metode SAW ini menentukan nilai bobot pada setiap kriteria untuk menentukan
alternatif optimal yaitu para pemain yang terpilih yang akan dipertimbangkan untuk menjadi
seorang kapten.Konsep dasar SAW adalah mencari penjumlahan terbobot dari kinerja setiap
alternatif pada semua atribut (Kusumadewi, 2006). Membutuhkan proses normalisasi matriks
keputusan (X) ke suatu skala yang dapat dibandingkan dengan semua rating alternatif yang ada.
Sangat sederhana dan mudah dipahami serta bisa diimplementasikan pada sistem pendukung
keputusan yang dibuat dengan memperhatikan bobot dan kriteria sehingga sistem lebih mudah
dan efisien.

Dalam perhitungan SAW memiliki kategori

yaitu:
 softskill
 (minat kerja) dan hardskill
 (sangat mengusai, menguasai , dan sedikit menguasai).
 Berikut merupakan kriteria yang dibutuhkan untuk pengambilan keputusan, berdasarkan

Gambar Grafik Bobot

Apa itu algoritma SAW?

Algoritma SAW(Simple Additive Weighting) adalah salah satu algoritma yang digunakan untuk
pengambilan keputusan. Algoritma SAW juga dikenal dengan algoritma dengan metode
penjumlahan berbobot. Metode ini membutuhkan proses normalisasi matrix keputusan (x) ke
suatu skala yang dapat dibandingkan dengan semua rating alternatif yang ada.

Algoritma metode SAW adalah sebagai berikut :

1.Memberikan nilai setiap alternatif

(Ai)pada setiap kriteria atau atribut (Cj)

2.Memberikan nilai bobot (W).

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 atribut keuntungan, maka nilai (Xij) dari setiap kolom atribut dibagi
dengan nilai Max (Xij) dari setiap kolom, sedangkan jika berupa atribut biaya, maka nilai Min
(Xij) dari tiap kolom atribut dibagi dengan nilai (Xij) setiap kolom.

4.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 bobot (W). Nilai (Vi) yang lebih besar
mengidentifikasikan bahwa setiap alternatif
A ilebih terpilih (Rahmawati et al, 2013)

Proses kerja sistem pendukung keputusan metode SAW :

 1. Menentukan Kriteria-kriteria untuk pemilihan beberapa alternati.
2. Menentukan nilai bobot untuk masing-masing kriteria (K).
3. Menentukan Nilai Normalisasi Matriks ‘X’ (Rij).
4. Menentukan Nilai Perferensi (Vi).

Tahapan Metode SAW

 Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan

keputusan, yaitu C1.
 Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
 Membuat matriks keputusan berdasarkan kriteria (C1), kemudian
melakukan normalisasi matriks berdasarkan persamaan yang
disesuaikan dengan jenis atribut sehingga diperoleh matriks ternormalisasi R.
 Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari
perkalian matriks ternormalisasi R dengan vector bobot sehingga
diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (A1) sebagai solusi.

Hal yang sangat penting pada penerapan Metode ini adalah penentuan derajat kepentingan atau
bobot dari setiap kriteria yang ditetapkan. Penentuan bobot ini dinilai sangat penting karena
akan mempengaruhi nilai total akhir dari setiap pilihan keputusan.

Langkah Perhitungan Metode SAW:

1. Menentukan alternatif, yaitu A

2. Menentukan kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu C
3. Menentukan bobot preferensi atau tingkat kepentingan (W) setiap kriteria.
4. Membuat tabel rating kecocokan setiap alternatif pada setiap kriteria.
5. Membuat matrik keputusan X yang dibentuk dari tabel rating kecocokan dari setiap
alternatif pada setiap kriteria. nilai {x} setiap alternatif (Ai) pada setiap kriteria (Cj)
yang sudah ditentukan dimana, i = 1,2,...,m dan j = 1,2,...,n.
6. Melakukan normalisasi matrik keputusan X dengan cara menghitung nilai rating kinerja
ternormalisasi (rij) dari alternatif (Ai) pada kriteria (Cj).
7. Hasil dari nilai rating kinerja ternormalisasi (rij) membentuk matrik ternormalisasi (R).
8. Hasil akhir nilai preferensi (Vi) diperoleh dari penjumlahan dari perkalian elemen baris
matrik ternormalisasi (R) dengan bobot preferensi (W) yang bersesuaian elemen kolom
matrik (W).

Beberapa metode atau cara dalam penentuan bobot tersebut di atas adalah sebagai berikut:

1.Pemberian bobot secara langsung kepada setiap kiteria.

Pemberian bobot seperti ini sangat bersifat subyektif" karena penilaian setiap kriteria akan
terpisah. Di sini seseorang akan memberikan bobot secara langsung tanpa melakukan
perbandingan relatif terhadap kriteria yang lainnya. Pemberian bobot ini bisa dilakukan oleh
orang yang mengerti, paham, dan berpengalaman dalam menghadapi masalah keputusan yang
dihadapi.

2.Penentuan bobot dengan Metode Eckenrode

Konsep dari pembobotan ini adalah dengan melakukan perubahan urutan menjadi nilai,
dimana:
 Urutan 1 dengan tingkat (nilai) yang tertinggi
 Urutan 2 dengan tingkat (nilai) dibawahnya

Misalkan kita akan menentukan altematif keputusan dengan beberapa kriteria keputusan (misal
jumlahnya t kriteria), maka:
 Urutan 1 mempunyai nilai: k- 1
 Urutan 2 mempunyai nilai:k-2
Dengan demikian, nilai : jumlah kriteria – urutan.
Langkah Penyelesaian Simple Additive Weighting (SAW)
  Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan,
yaituCi.

 Menentukan rating kecocokan setiap alternatif pada setiap kriteria

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.
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.
Formula untuk melakukan normalisasi tersebut adalah

Rij = Rating kinerja ternormalisasi

Maxij =Nilai maksimum dari setiap baris dan kolom

Minij =Nilai minimum dari setiap baris dan kolom

Dengan rij adalah kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i=1,2,… m dan
1,2,..n,

Nilai Preferensi untuk setiap alternatif (Vi) diberikan sebagai berikut

Dimana;

Vi = Nilai akhir dari Alternatif

Wj =Bobot yang telah ditentukan

Rij =Normalisasi Matriks

Nilai Vi yang lebih besar mengindikasi bahwa Alternatif Ai lebih terlipih

Data yang dibutuhkan untuk Metode SAW

Sebelum melakukan proses perhitungan, kita perlu menyiapkan data-data sebagai berikut:

1. Data Kriteria

Data Kriteria yang berisi kode, nama, atribut, bobot. Bobot kriteria menentukan seberapa
penting kriteria tersebut. Atribut kriteria terdiri dari benefit atau cost, dimana benefit artinya
semakin besar nilainya semakin bagus, sedangkan cost semakin kecil nilainya semakin bagus.

Berikut adalah contoh data kriteria spk metode saw pemberian beasiswa:

Kode
Nama Kriteria Atribut Bobot
Kriteria

C1 Penghasilan Orang Tua cost 25

C2 Semester benefit 20

C3 Tanggungan Orang Tua benefit 15

C4 Saudara Kandung benefit 10

C5 Nilai benefit 30

Dari 5 kriteria tersebut hanya penghasilan orang tua yang menjadi atribut cost, karena semakin
besar penghasilan orang tua, maka semakin kecil kesempatan terpilih.

2. Data Crips

Data Crips (nilai kriteria) yang berisi kode kriteira, keterangan, bobot. Crips bersifat optional
yaitu sebagai pembatas dari nilai setiap kriteria. Misal jika kriterianya adalah penghasilan, maka
cripsnya adalah:

<= Rp 1.000.000 (bobot : 1)

> Rp 1.000.000 dan <= Rp 2.000.000 (bobot: 2)

> Rp 2.000.000 dan <= Rp 5.000.000 (bobot: 3), dan seterusnya.

Setiap crips memiliki bobot masing-masing seperti di dalam kurung di atas. Jika anda tidak
menggunakan crips, maka nilai gajinya langsung yang akan diproses dalam perhitungan SAW.
Sedangkan jika anda menggunakan crips, maka bobotnya itu yang akan digunakan untuk
perhitungan SAW. Tentunya keduanya bisa digunakan, tergantung kebutuhan dan keinginan
anda.

Perhatikan dalam pemberian bobot untuk setiap crips. Pemberian bobot juga berpengaruh
terhadap atribut dari kriteria. Jangan sampe terbalik dalam pemberian bobot terutama yang ber
atribut “cost”. Misal dalam pemberian kredit, kriteria penghasilan merupakan ” benefit” (
semakin besar semakin bagus) pada pemberian bobot crips tersebut sudah sesuai.

Misal dalam kasus SPK pemberian beasiswa, tentunya kriteria penghasilan akan menjadi “cost“
(semakin kecil semakin bagus), dan pemberian bobot crips juga diatas sudah sesuai. Jangan
anda memberikan nilai bobot seperti berikut:
<= Rp 1.000.000 (bobot : 3)

> Rp 1.000.000 dan <= Rp 2.000.000 (bobot: 1)

> Rp 2.000.000 dan <= Rp 5.000.000 (bobot: 1), dan seterusnya

Dari bobot diatas kalau sesuai pemikiran memang benar yaitu semakin kecil semakin bagus.
Tetapi karena di kriteria anda sudah membuat atribut penghasilan menjadi cost, maka di
pemberian nilai crips tidak usah dibalik lagi.Sehingga kesimpulannya jika anda menganggap
suatu atribut itu cost, anda boleh mengisikannya atribut cost di kriteria, atau membalik bobotnya
di data crips (tidak keduanya).

Kode
Nama Kriteria Crips Nilai
Kriteria

C1 Penghasilan Orang Tua <= Rp 1.000.000 20

C1 Penghasilan Orang Tua <= Rp 1.500.000 40

C1 Penghasilan Orang Tua <= Rp 3.000.000 60

C1 Penghasilan Orang Tua <= Rp 4.500.000 80

C1 Penghasilan Orang Tua > Rp 4.500.000 100

C2 Semester Semester 4 20

C2 Semester Semester 5 40

C2 Semester Semester 6 60

C2 Semester Semester 7 80

C2 Semester Semester 8 100

C3 Tanggungan Orang Tua 1 Orang 20

C3 Tanggungan Orang Tua 2 Orang 40

C3 Tanggungan Orang Tua 3 Orang 60

 C3 Tanggungan Orang Tua 4 Orang 80

C3 Tanggungan Orang Tua > 4 Orang 100

C4 Saudara Kandung 1 Orang 20

C4 Saudara Kandung 2 Orang 40

C4 Saudara Kandung 3 Orang 60

C4 Saudara Kandung 4 Orang 80

C4 Saudara Kandung > 4 Orang 100

C5 Nilai < 2,75 20

C5 Nilai <3 40

C5 Nilai < 3,25 60

C5 Nilai < 3,5 80

3. Data Alternatif

Data Alternatif merupakan alternatif yang akan dihitung nilainya dan dipilih sebagai alternatif
terbaik. Data alternatif biasanya berisi kode dan nama. Hal lainnya bisa menyesuaikan dengan
studi kasus. Misal kalau studi kasusnya adalah pemberian kredit, maka data alternatif adalah
data calon yang mengajukan kredit.

Kode Alternatif Nama Alternatif Keterangan

A1 Davolio

A2 Fuller

A3 Leverling
 A4 Peacock

4. Data Nilai Alternatif

Nilai Alternatif mencatat nilai setiap alternatif berdasarkan semua data kriteria. Berikut contoh
nilai alternatif dari calon penerima beasiswa:

C1 C2 C3 C4 C5

A1 <= Rp 4.500.000 Semester 4 1 Orang 1 Orang < 2,75

A2 <= Rp 1.500.000 Semester 5 2 Orang 2 Orang <3

A3 <= Rp 3.000.000 Semester 6 3 Orang 3 Orang >= 3,5

A4 <= Rp 4.500.000 Semester 7 4 Orang 4 Orang < 3,5

A5 <= Rp 1.500.000 Semester 4 2 Orang 3 Orang >= 3,5

C1 C2 C3 C4 C5

A1 80 20 20 20 20

A2 40 40 40 40 40

A3 60 60 60 60 100

A4 80 80 80 80 80
A5 40 20 40 60 100

Setelah menyiapkan data, sekarang waktunya melakukan perhitungan SAW yang kita bagi
menjadi 3 langkah yaitu:

1. Tahap Analisa

Pada tahap ini anda mengubah nilai pada alternatif sesuai bobot pada data crips, sehingga
diperoleh data seperti tabel berikut:

2. Tahap Normalisasi

Untuk melakukan normalisasi tabel pada tahap analisa, kita perlu memahami rumus berikut:

Penjelasan:

benefit, setiap elemen matriks dibagi dengan max dari baris matriks

cost, min dari kolom matriks dibagi dengan setiap elemen matriks.

Misal untuk kriteria C1, karena cost, maka kita cari min (80, 40, 60, 80, 40) = 40. Sehingga
untuk:
A1 = 40 / 80 = 0.5
A2 = 40 / 40 = 1
A3 = 40 / 60 = 0.667
A4 = 40 / 80 = 0.5
A5 = 40 / 80 = 1

Misal untuk kriteria C2, karena benefit, maka kita cari max (20, 40, 60, 80, 20) = 80. Sehingga
untuk:
A1 = 20 / 80 = 0.25
A2 = 40 / 80 = 0.5
A3 = 60 / 80 = 0.75
A4 = 80 / 80 = 1
A5 = 20 / 80 = 0.25

Begitu juga untuk kriteria C3, C4 dan C5 sehingga hasilnya adalah:

C1 C2 C3 C4 C5

A1 0.5 0.25 0.25 0.25 0.2

A2 1 0.5 0.5 0.5 0.4

A3 0.667 0.75 0.75 0.75 1

A4 0.5 1 1 1 0.8

A5 1 0.25 0.5 0.75 1

3. Tahap Perangkingan

Pada tahap perangkingan, kita mengalikan bobot kriteria dengan setiap baris matriks nilai
normalisasi. Contoh untuk alternatif A1

A1 = (0.5 * 25) + (0.25 * 20) + (0.25 * 15) + (0.25 * 10) + (0.2 * 30) = 29,75

dimana 0.5, 0.25, 0.25, 0.25, 0.2 ada hasil normalisasi dari alternatif A1, dan 25, 20, 15, 10, 30
adalah bobot dari masing masing kriteria.

Sehingga jika dilakukan hal yang sama untuk alternatif yang lain hasilnya akan seperti berikut:

C1 C2 C3 C4 C5
Total Rank
Bobot 25 20 15 10 30

A1 0.5 0.25 0.25 0.25 0.2 29.75 5

A2 1 0.5 0.5 0.5 0.4 59.5 4

A3 0.667 0.75 0.75 0.75 1 80.4167 2

A4 0.5 1 1 1 0.8 81.5 1

 A5 1 0.25 0.5 0.75 1 75 3

Dari hasil perangkingan dapat dilihat alternatif A3 mendapat nilai terbesar yaitu 80.417sehingga
menjadi rank 1 (alternatif terbaik).

Metode SAW Menggunakan Perhitungan Flowchart.

Contoh Kasus dalam Metode SAW

1. Menentukan kriteria penilaian.

kriteria yang telah ditentukan yaitu :
1. Nilai Matematika (C1)
2. Nilai Bahasa Indonesia (C2)
3. Nilai Bahasa Inggris (C3)
4. Nilai IPA (C4)
5. Nilai TIK (C5).
Dari kriteria tersebut, maka dibuat suatu tingakat kepentingan kriteria berdasarkan
Ialah bobot yang telah ditentukan kedalam bilangan fuzzy.

Sangat Rendah (SR) =0

Rendah (R) = 0,25
Cukup (C) = 0,5
Tinggi (T) = 0,75
KASUS
perhitungan manual dengan kasus seorang calon pendaftar (amar), dengan
memiliki data sebagai berikut :

Berdasarkan data pendaftar diatas dapat dibentuk matriks keputusan X

sebagai berikut :
Rating kecocokan dari setiap alternatif pada setiap kriteria

Vektor bobot : W = [ 5, 4, 5, 4, 4]

Membuat matriks keputusan X, dibuat dari tabel kecocokan sebagai berikut:

Normalisasis matriks X untuk menghitung nilai masing-masing kriteria

Dari hasil r11 sampai r35 maka dibuatkan normalisasi matrik R

Selanjutnya akan dibuat perkalian matriks W * R dan penjumlahan hasil perkalian

untuk memperoleh alternatife terbaik dengan melakukan perangkingan nilai terbesar
sebagai berikut :
A1 = (5)(1) + (4)(0,5) + (5)(1) + (4)(1) + (4)(1)
= 20
A2 = (5)(1) + (4)(1) + (5)(0,5) + (4)(0,6667) + (4)(1)
= 18,17
A3 = (5)(1) + (4)(1) + (5)(1) + (4)(0,66667) + (4)(0,21)
= 20,67
dengan demikian alternatif A3 (Multimedia) adalah alternatif yang terpilih sebagai pili
han jurusan terhadap calon siswa tersebut (Amar).
Triangular fuzzy number

Triangular fuzzy number dikemukakan oleh Var Laarhoven Pedrycz pada tahun 1983.
Triangular fuzzy number digunakan untuk menjelaskan perbandingan berpasangan bagi
karakteristik pelanggan untuk menangkap ketidakjelasan yaitu Sebuah triangular fuzzy
number dinyatakan dengan three real number l < m < u, dimana membership function µ(x)
didefenisikan sebagai berikut :

Fuzzy number dinyatakan dengan triple (l,m,u) dimana 1 adalah batas bawah, m adalah batas
tengah, dan n adalah batas atas. Symmetric Triangular Fuzzy Number memiliki prinsip yaitu
batas atas dan tengah sama besar dengan rentang antara batas bawah dan batas tengah. Yang
dapat dijelaskan melalui gambar dibawah ini :

Gambar Symmetric Triangular Fuzzy Number.

Sementara untuk Symmetric Triangular Fuzzy Number batas atas dan tengah tidak sama besar
dengan rentang antara batas bawah dan batas tengah. Seperti yang dijelaskan pada gambar
berikut ini :
Teori UML (unified Modeling Language)
Dalam suatu proses pengembangan softwere, analisa dan rancangan telah merupakan
terminology yang sangat tua. Pada masalah saat ditelusuri dan spesifikasi dinegosiasikan, dapat
dikatakan kita pada tahap rancangan. Merancang adalah menemukan suatu cara untuk
menyelasaikan masalah, salah satu model untuk merancang pengembangan softwere yang
berbasis object oriented adalah UML.Obyek dalam ‘softwere analysis & design’ adalah berupa
suatu konsep (concept), benda (thing), dan sesuatu yang membedakannya dengan
lingkungannya. Secara sederhana obyek adalah mobil, manusia, dan lain – lainnya. Tapi obyek
dapat merupakan sesuatu yang abstrak yang hidup didalam sistem seperti tabel, database, event,
system message. Ciri – ciri yang akan membedakan obyek tersebut dari obyek lainnya. Alasan
mengapa saat ini pendekatan dalam pengembangan softwere dengan object-oriented, pertama
adalah scalability dimana obyek lebih mudah dipakai untuk menggambarkan sistem yang besar
dan kompleks. Kedua dynamic modeling, adalah dapat dipakai untuk pemodelan sistem dinamis
dan real time.

Sejarah Singkat UML

UML (Unified Modeling Language) adalah sebuah bahasa untuk menentukan visualisasi,
kontruksi, dan mendokumentasi artifac (bagian dari informasi yang digunakan atau dihasilkan
dalam suatu proses pembuatan perangkat lunak. Artifact dapat berupa model, deskripsi atau
perangkat lunak ) .UML merupakan suatu kumpulan teknik terbaik yang telah terbukti sukses
dalam memodelkan sistem yang besar dan kompleks. UML tidak hanya digunakan dalam proses
pemodelan perangkat lunak, namun hamper dalam semua bidang yang membutuhkan
pemodelan.Secara resmi bahasa UML dimulai pada bulan oktober 1994, ketika Rumbaugh
bergabung Booch untuk membuat sebuah project pendekatan metoda yang uniform / seragam
dari masing – masing metoda mereka. Saat itu baru dikembangkan draft metoda UML version
0.8 dan diselesaikan serta di release pada bulan oktober 1995. Bersamaan dengan saat itu,
Jacobson berganung dan UML tersebut di perkaya ruang lingkupnya dengan metoda OOSE
sehingga muncul release version 0.9 pada bulan juni 1996. Hingga saat ini sejak 1998 UML
version 1.3 telah diperkaya dan direspon oleh OMG ( Object Management Group)

Pengenalan UML
UML sebagai sebuah bahasa yang memberikan vocabulary dan tatanan penulisan kata –
kata dalam ‘MS Word’ untuk kegunaan komunikasi. Sebuah bahasa model adalah sebuah bahasa
yang mempunyai vocabulary dan konsep tatanan / aturan penulisan serta secara fisik
mempresentasikan dari sebuah sistem.UML tidak hanya merupakan sebuah bahasa pemograman
visual saja, namun juga dapat secara langsung dihubungkan ke berbagai bahasa pemograman,
sepert JAVA, C++, Visual Basic, atau bahkan dihubungkan secara langsung kedalam sebuah
object-oriented database. Begitu juga pendokumentasian dapat dilakukan seperti requirements,
arsitektur, design, source code, project, plan, tests, dan prototypes. Untuk dapat memahami
UML membeutuhkan bentuk konsep dari sebuah bahasa model, dan mempelajari 3 (tiga)
elemen utama dari UML seperti building block, aturan – aturan yang menyatakan bagaimana
building block diletakkan secara bersamaan, dan beberapa mekanisme umum.

Bagian – Bagian UML

Ada beberapa bagian UML yang harus diketahui adalah sebagai berikut :
1.Use Case Diagram
Diagram berbentuk grafis yang menunjukkan simbol elemen model yang disusun untuk
mengilustrasikan bagian dari aspek tertentu dari sistem. Adapun jenis diagram antara lain adalah
Use case diagram. Use case adalah abstraksi dari interaksi antara sistem dan aktor . Use case
diagram yang menggambarkan bagaimana orang – orang berintegrasi dengan sistem tersebut.
Use case adalah teknik untuk merekam persyaratan fungsional sebuah sistem. Use case
mendeskripsikan integrasi tipikal antara para pengguna sistem dengan sistem itu sendiri, dengan
memberi sebuah narasi tentang bagaimana sistem tersebut digunakan.Use case adalah deskripsi
fungsi yang disediakan oleh sistem dalam bentuk teks sebagai dokumentasi dari Use case
symbol. Use case bekerja dengan cara mendeskripsikan tipikal interaksi antara user (pengguna)
sebuah sistem dengan sistemnya sendiri melalui sebuah bagaimana sebuah sistem dipakai.
Model Use case adalah bagian dari requirement.
 Use case digambarkan hanya yang dilihat dari luar oleh actor (keadaan lingkunga sistem
yang dilihat user) dan bukan bagaimana fungsi yang ada dalam sistem. Berikut beberapa
komponen Use case diagram pada table di bawah ini.
Tabel 2.2: Simbol – Simbol Use Case Diagram
NO GAMBAR NAMA KETERANGAN

Menspesifikasikan himpunan
peran yang pengguna mainkan
1 Actor
ketikan berinterkasi dengan Use
case.

Hubungan dimana perubahan

yang terjadi pada suatu elemen
mandiri akan mempengaruhi
elemen yang bergantung
2 Dependency padanya elemen yang tidak
mandiri

Hubungan dimana objek

anak (descendent)berbagi
prilaku dan struktur data dari
objek yang ada diatas nya
3 Generalization

Tabel 2.2: Simbol – Simbol Use Case Diagram (lanjutan…)

NO GAMBAR NAMA KETERANGAN
Mendpesifikasikan bahwa use
case sumber secara eksplisit
4 Include

Menspesifikasikan bahwa use

case target memperluas prilaku
5 Extend dari use case sumber pada suatu
titik ysng diberikan

Apa yang menghubungkan

6 Association antara objek satu dengan yang
lain

Menspesifikasikan paket yang

menampilkan sistem secara
7 System
terbatas
 Deskripsi dari urutan aksi – aksi
yang ditampilkan sistem yang
8 Use case menghasilkan suatu hasil yang
terukur bagu suatu actor

Interaksi aturan – aturan dan

elemen lain yang bekerja sama
untuk menyediakan prilaku
9 Collaboration yang lebih besar dari jumlah dan
elemen – elemennya (sinergi)

Elemen fisik yang eksis saat

aplikasi dijalankan dan
10 Note mencerminkan suatu sumber
daya komputasi

2. Class Diagram
Class adalah sebuah spesifikasi yang jika diinstansiasikan akan menghasilkan sebuah
objek dan merupakan inti dari pengembangan dan desain berorientasi objek. Class Diagram
menggambarkan keadaan suatu sistem, sekaligus menawarkan layanan untuk memanipulasi
keadaan tersebut (metode/fungsi). Class Diagram menggambarkan struktur dan deskripsi class,
paclage, dan objek beserta hubungan satu sama lain seperti containment, pewarisan , asosiasi,
dan lain – lain. Class memiliki tiga area pokok antara lain yaitu adalah :
a. Nama (stereotype)
b. Atribut
c. Metoda

Atribut metoda dapat memiliki salah satu sifat berikut :

1. Private, tidak dapat dipanggil dari luar class yang bersangkutan
2. Protected, hanya dapat dipanggil oleh class yang bersangkutan dan anak – anak yang
mewarisinya.
3. Public, dapat dipanggil oleh siapa saja.

Class dapat merupakan implementasi dari sebuah interface tidak dapat langsung
diinstansiasikan, tetapi harus dimplementasikan dahulu menjadi sebuah class. Class dapat
dikelompokkan menjadi package, kita juga dapat membuat diagram yang terdiri dari atas
package. Ada beberapa hubungan antar class dalam class, hubungan itu antara lain sebagai
berikut :
1. Asosiasi, yaitu hubungan antara statis antar class. Umumnya menggambarkan class yang
memiliki atribut class lain, atau class yang harus mengetahui eksistensi class lain. Panah
navigability menunjukkan arah query antar class.
2. Agregasi, yaitu hubungan yang menyatakan bagian (“terdiri atas”).
3. Pewarisan, yaitu hubungan hirarkis antar class. Class dapat diturunkan dari class lain dan
mewarisi semua atribut dan metode class asalnya dan menambah fungsionalitas baru, sehingga
ia disebut anak dari classyang diwarisinya. Kebalikan dari pewarisan adalah generalisasi.
4. Hubungan dinamis, yaitu rangkaian pesan (message) yang di-passing dari satu class kepada
class lain.
3. Activity Diagram
Activity diagram merupakan state diagram khusus dimana sebesar bagian besar state
adalah action dan sebagian besar transisi di-trigger oleh selesainya state sebelumnya (internal
processing). Diagram aktifitas menunjukkan aktifitas sistem dalam bentuk kumpulang aksi –
aksi.
Ketika digunakan dalam pemodelan software, diagram aktifitas mempresentasikan
pemanggilan suatu fungsi tertentu misalnya call. Sedangkan bila digunakan dalam pemodelan
bisnis, diagram ini menggambarkan aktifitas yang dipacu oleh kejadian – kejadian diluar.
Diagram activity digunakan untuk menggambarkan urutan aliran kegiatan – kegiatan dari
sebuah proses bisnis atau sebuag Use case. Diagram ini juga dapat digunakan untuk
memodelkan aksi dan ketika operasi berlangsung. Berikut table menyajikan notasi Activity
Diagram :
Tabel 2.3: Component Activity Diagram
NO SIMBOL DESKRIPSI

Status awal aktifitas sistem, sebuah diagram

1
aktivitas memiliki status awal

Status awal aktifitas sistem, sebuah diagram

2 Aktifitas
aktivitas memiliki sebuah status awal

Tabel 2.3: Component Activity Diagram(Lanjutan….)

NO SIMBOL DESKRIPSI

Aktifitas yang dilakukan sistem, aktifitas

3 Percabangan biasanya diawali dengan kata kerja
/decision

Asosiasi penggabungan dimana lebih dari satu

4 penggambungan / join aktivitas digabungkan menjadi satu
status akhir Status akhir yang dilakukan sistem, sebuah
5
diagram aktivitas memiliki sebuah status akhir

Memisahkan organisasi bisnis yang bertanggung

6
jawab terhadap aktivitas yang terjadi

swimlane

Digunakan untuk menunjukkan kegiatan yang

7 Fork dilakukan secara parallel

join Digunakan untuk menunjukkan kegiatan yang

8
digabungkan

Bagan Alir (Flowchart)

Flowchart sering juga disebut bagan alir. Flowchart atau bagan alir adalah salah satu
skema yang menggambarkan urutan kegiatan dari suatu program dari awal sampai akhir.
Flowchart atau diagram alir adalah suatu gambar yang menjelaskan urutan pembaca data,
pemrosesan data, pengambilan keputusan akhir dan penyajian hasil pemerosotan data.
Inti dari pembuatan flowchart ini adalah metode untuk menggambarkan tahap – tahap
pemecahan masalah dengan mempresentasikan simbol-simbol tertentu yang mudah dimengerti,
mudah dipergunakan dan standar. Tujuan utama penggunaan flowchart adalah untuk
menggambarkan suatu tahap penyelesai masalah secara sederhana, terurai, rapi dan jelas,
dengan menggunakan simbol – simbol standar. Sistem flowchar ini tidak dugunakan untuk
menggambarkan prosedur dalam sistem yang dibentuk. Dalam mengunakan flowchart biasanya
digunakan simbol – simbol standart. Tetapi pemograman juga dapat membuat simbol-simbol
sendiri apabila simbol-simbol yang telah tersedia. Simbol – simbol umum yang digunakan pada
flowchart adalah sebagai berikut :
 Tabel 2.4: Simbol – Simbol Flowchart

NO SIMBOL FUNGSI
1 Terminal : untuk memulai dan mengakhiri suatu program

2 Proses : suatu simbol yang menunjukkan setiap

pengolahan yang dilakukan oleh computer

3 Input-output : untuk memasukkan data sekaligus

menunjukkan hasil dari suatu tes
4 Decision : suatu kondisi yang akan menghasilkan beberapa
kemungkinan jawaban atau pilihan
5 Conector : suatu prosedur akan masuk/keluar melalui
simbol ini dalam lembar

6 Document : merupakan simbol data yang berbentuk kertas

maupun informasi
7 Menyatakan suatu kumpulan langkah/ proses yang ditulis
sebagai posedur

Tabel 2.4: Simbol – Simbol Flowchart (lanjutan…)

NO SIMBOL FUNGSI
8 Preparation simbol : suatu simbol untuk menyediakan
besaran – besaran awal proses

9 Simbol untuk output yang ditujukan sesuatu, device,

seperti printer, plotter, dan sebagainya
10 Untuk menyimpan data

11 Off line conector : merupakan simbol untuk masuk atau

keluarnya suatu prosedur pada lembar kertas yang lain

12 Arus / flow : prosedur yang dapat dilakukan dari atas

kebawah, bawah ke atas kiri ke kanan atau kanan kekiri

Bahasa Pemograman
Bahasa pemograman atau sering diistilahkan juga dengan bahasa komputer atau bahasa
pemograman komputer, adalah instruksi standar untuk memerintah komputer. Bahasa
pemograman ini merupakan suatu himpunan dari aturan sintaks dan simantik yang dipakai untuk
mendefenisikan program komputer. Bahasa pemrograman ada banyak sekali di belahan dunia,
tentang ilmu komputer dan teknologi dewasa ini. perkembangan mengikuti tingginya inovasi
ynag dilakukan dalam dunia teknologi. Contoh bahasa pemograman yang dikenal adalah
Microsoft Visual Studio 2008. Microsoft Visual Studio 2008 adalah salah satu produk
pengembangan aplikasi yang diproduksi oleh Microsoft Visual Studio 2008 dapat digunakan
untuk pengembangan aplikasi wb ASP, NET, XML, Web Service.
Dalam Visual Basic Net 2008 beberapa metode tool yang dapat dipilih untuk
pengembangan aplikasi tool – tool tersebut antara lain adalah Visual Studio, Visual C# dan
visual C++. Tool –tool pada Microsoft Visual Studio 2008 tersebut menggunakan IDF
(Intergrated DevelopMent Enviroment) yang sama sehingga dapat saling berbagi fasilitas dalam
pengembangan aplikasi.
 Kelebihan Microsoft Visual Studio 2008 adalah implementasi pada pemrograman
berbasis objek jauh lebih lengkap disbanding pendahulunya visual basic 6.0 dan visual basic.net
dapat dengan mudah dimengerti karena bahasa pemrograman ini adalah bahasa pemograman
yang user friendly, dan mempunyai fasilitas auto checking dan auto correcting ynag dapat
dengan cepat memberi pesan kepada penggunanya jika terjadi error pada kode, dan jika jika
pengguna mengijinkan maka program akan mengoreksinya secara otomatis, dan masih banyak
kelebihan Microsoft Visual Studio 2008 seperti :
1. Sistem threading, yang mana kita bisa mengalokasikan sebuah proses untuk dikerjakan oleh
prosesor tertentu.
2. Dukungan anonymos type, language integrated query(LINQ), ekspresi Lambda, ADO.NET,
literal XML dan tahapan inteferensi tipe data.

Basis Data (Database)

Basis data (database) adalah suatu data yang terintegrasi, diorganisasikan, dan disimpan
dalam suatu cara yang memudahkan untuk pengambilan kembali. basis data adalah susunan
kumpulan data operasional lengkap dari suatu organisasi / perusahaan yang terorganisir/
dikelola dan disimpan secara terintegrasi dengan menggunakan metode tertentu menggunakan
komputer sehingga mampu menyediakan informasi optimal yang diperlukan pemakainya.
Ada banyak sekali softwere penyedia penyimpanan data atau database, salah satunya
adalah Microsoft Office Acces. Microsoft Office Acces Adalah suatu program aplikasi berbasis
data komputer rasional yang digunakan untuk merancang, membuat dan mengolah berbagai
jenis data dengan kapsitas yang besar. Database adalah kumpulan table – table yang saling
berelasi antar tabel satu dengan yang lain saling berelasi, sehingga sering disebut basis data
relasional. Relasi antar tabel dihubungkan oleh suatu key. Yaitu primary key dan foreign key.

Ada beberapa hal yang merupakan keunggulan dari penggunaan Microsoft Office Acces
2007 ialah sebagai berikut :
1. Aplikasi mudah diperoleh.
2. Manipulasi tabel dan data sangat mudah dilakukan
3. Relasi antar tabel dapat dengan mudah dilakukan
4. Printah SQL dapat diberikan
5. Dapat diintegrasikan dengan bahasa pemrograman, misalnya Delpi, VB, dan lain – lain.
6. Tersedia fasilitas untuk security data
7. Mampu menyimpan data dalam jumlah yang sangat besar

Korelasi
Korelasi adalah salah satu statistik inferensi yang akan menguji apakah dua variabel atau lebi
h mempunyai hubungan atau tidak (Sujarweni dkk., 2011).

Terdapat tiga penggolongan berdasarkan jenis data berdasarkan uji korelasi yaitu
sebagai berikut.

Jenis Data

Data Nominal: Data Rasio & Interval:

Uji Koefisien Uji Product Moment
Kontingental Data Ordinal Pearson
Uji Kendal,
Spearman

Gambar Penggolongan Uji Korelasi (Sujarwenidkk.2011)

Pada penelitian ini dilakukan uji korelasi dengan menggunakan Uji Product Moment Pearson
Untuk mengetahui hubungan pada setiap kriteria.Untuk mencari
nilai korelasi digunakan rumus yaitu:

Setelah mendapatkan nilai r maka dapat ditentukan koefisien korelasi dari nilai r yaitu dengan
ketentuan di bawah ini (Anwar,2015).

0-0.199 Sangat Rendah 0.6-0.799 Kuat

0.2- 0.399 Rendah 0.8-1 Sangat Kuat
0.4-0.599 Sedang

Melihat nilai koefisien korelasi merupakan nilai yang digunakan untuk mengukur
suatu hubungan antar kriteria tersebut. Nilai yang digunakan tersebut berskala interval atau
rasio. Nilai korelasi (r) adalah 0 sampai 1, semakin mendekati 1 hubungan yang terjadi semakin
kuat. Sebaliknya, nilai semakin mendekati 0 maka hubungan yang terjadi semakin lemah.

.
Metode SAW dalam penilaian proses belajar mengajar

Menurut form resmi yang diterbitkan oleh polines ada sembilan indikator pertanyaan yang
dibagikan kepada mahasiswa untuk di lakukan penilaian,terlampir pada lampiran 4.
Berikut adalah kesembilan indikator yang digunakan termuat dalam Tabel dan contoh
cara menghitung menggunakan metode SAW:

indikator pertanyaan dan ketentuan nilai

NO Indikator Pertanyaan

Sangat Kurang Cukup Baik Sangat

Kurang baik
1 Tingkat kehadiran 1 2 3 4 5
Mengajar
2 Ketepatan mulai dan 1 2 3 4 5
mengakhiari kuliah
3 Kesesuaian materi 1 2 3 4 5
dengan silabus
4 Kemudahan 1 2 3 4 5
penyampaian materi
untuk dipahami
5 Motivasi belajar 1 2 3 4 5
dalam mendalami
mata kuliah
6 Penggunaan 1 2 3 4 5
ilustrasi/alat bantu
untuk memperjelas
materi
7 Melayani dan 1 2 3 4 5
memberi perhatian
dalam kumonikasi dua
arah
8 Membantu,akomodatif 1 2 3 4 5
dan mudah untuk
ditemui
9 Memiliki pengetahuan 1 2 3 4 5
actual dalam
pembelajaran
Dari kuisioner yang telah diisi oleh mahasiswa, dimasukkan ke dalam matrik untuk dilakukan
perhitungan dengan menggunakan metode SAW, dengan contoh sebagai berikut : a. Pada
penelitian ini alternatif dosen yang dinilai ditandai dengan A1 sampai dengan A6, dengan uraian
sebagai berikut : A1 = dosen 1 A2 = dosen 2 A3 = dosen 3 A4 = dosen 4 A5 = dosen 5 A6 =
dosen 6 b. Indikator pertanyaan ditandai dengan C1 sampai dengan C4 dengan perincian sebagai
berikut : Tingkat Kehadiran mengajar = C1 Ketepatan Mulai dan Mengakhiri Kuliah = C2
Kesesuain materi dengan silabus = C3 Kemudahan penyampaian materi untuk dipahami =
C4 Memotivasi belajar dalam mendalami mata kuliah = C5 Penggunaan ilustrasi/alat bantu
untuk memperjelas materi = C6 Melayani & memberi perhatian dalam komunikasi dua arah =
C7 Membantu, akomodatif, dan mudah untuk ditemui = C8 Memiliki pengetahuan aktual
dalam pembelajaran = C9 c. Menentukan skala likert atau tingkat kepentingan dari setiap
indikator dengan nilai:

Sangat kurang = 1 Kurang = 2 Cukup = 3 Baik = 4 Sangat baik = 5

Entity Relationship Diagram (ERD)

Dalam metode saw (ERD) sangat diperlukan untuk membantu melakukan dalam suatu
keputusan.Menurut Marlinda (2004: 28), Entity Relationship Diagram (ERD)adalah diagram
dari sistem yang menggambarkan hubungan antar entitas beserta relasinya yang saling
terhubung. Komponen-komponen yang terdapat di dalam suatu
Entity Relationship Diagram adalah sebagai berikut:
1.Entitas (Entity)
yaitu sesuatu objek yang dapat diidentifikasi dalam lingkungan yang penting bagi pemakai
dalam konteks sistem yang
akan dibuat, digambarkan dalam bentuk persegi panjang.

2.Relasi (Relationship)
yaitu hubungan antara dua entity atau lebih, yang disimbolkan dengan bentuk belah ketupat.

3.Atribut
(Atribute)merupakan karakteristik dari entitas yang memberikan penjelasan detail dari entitas
tersebut dan digambarkan dengan simbol elips

.
.
Gambar:Entity Relationship Diagram

Data Flow Diagram (DFD)

Diagram aliran data atau Data Flow Diagram (DFD) adalah sebuah teknik grafis yang
menggambarkan aliran informasi dan transformasi yang diaplikasikan pada saat data bergerak
dari input menjadi output,(Pressman, 2002: 364).

Notasi DFD
Ada empat komponen dalam model DFD, yaitu komponen proses,
aliran, penyimpanan, dan terminator. Dari keempat komponen tersebut
dapat dilihat dalam tabel berikut:

Diagram Konteks/ DFD Level 0

Diagram konteks merepresentasikan seluruh elemen sistem sebagai sebuah bubble tunggal
dengan data input dan output yang ditunjukkan oleh anak panah yang masuk dan keluar secara
bergantian (Pressman 2002: 365).

DFD Level 1
Diagram level 1 (satu) merupakan bentuk penjabaran dari proses yang ada pada diagram
konteks yang biasanya berisi empat, lima atau enam bubble dengan anakpanah yang saling
menghubungkan(Pressman 2002 : 365).

Kelebihan dari metode SAW

1. Menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses
perankingan yang akan menyeleksi alternatif terbaik dari sejumlah alternatif.
2. Penilaian akan lebih tepat karena didasarkan pada nilai kriteria dari bobot preferensi
yang sudah ditentukan.
3. .Adanya perhitungan normalisasi matriks sesuai dengan nilai atribut (antara nilai benefit
dan cost)

Kekurangan dari metode SAW

1. Digunakan pada pembobotan lokal.

2. Perhitungan dilakukan dengan menggunakan bilangan crisp maupun fuzzy.