IMPLEMENTASI METODE WEIGHTED PRODUCT (WP)

PADA SISTEM PEMILIHAN LAPTOP TERBAIK

Khamaida Safinah1, Nadila Sugianti2 ,
Annisa Heparyanti Safitri3, Agung Teguh Wibowo Almais4

Mata Kuliah Sistem Informasi

Jurusan Teknik Informatika, Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim Malang

Abstract

There are a lot of cases where the best laptop does not fit the existed criteria. This paper contains a
Weighted Product method which helps in determining the best laptop according to consumer criteria. There are
7 factors or criteria used in the decision-making process, each criterion has different importance weights. The
value of each importance criteria weights is decided through the interview with laptop users. The final specified
criteria are price, processor, RAM, RAM type, hard disk, SSD, and screen size. The test results using confusion
matrix show that the system is running well, the accuracy value is 83.4%, the recall value is 88.9%, the
precision value is 80.0%, and the f-measure value is 84.2%.

Abstrak

Pemilihan laptop terbaik yang tidak sesuai dengan kriteria konsumen sangat sering terjadi. Tulisan ini
memuat proses dalam metode Weighted Product yang akan membantu mendapatkan laptop terbaik dengan
kriteria yang sesuai dengan keinginan konsumen. Ada 7 faktor atau kriteria yang digunakan untuk prose
pengambilan keputusan, masing-masing kriteria mempunyai bobot kepentingan yang berbeda-beda. Besarnya
bobot kepentingan masing-masing kriteria ditentukan melalui wawancara terhadap konsumen laptop. Kriteria-
kriteria yang sering dijumpai yaitu, harga, processor, RAM, jenis RAM, harddisk, SSD, ukuran layar. Hasil
pengujian menggunakan confusion matrix menunjukkan bahwa system ini berjalan dengan baik, nilai accuracy
sebesar 83,4%, nilai recall 88,9%, nilai precision 80,0%, dan nilai f-measure sebesar 84,2%.
Kata Kunci: Pemilihan, Laptop, Weighted Product

1. PENDAHULUAN membantu pembuatan keputusan dengan

memanfaatkan data dan model untuk
Sistem Pendukung Keputusan (SPK),
menyelesaikan masalah-masalah yang bersifat
secara umum didefinisikan sebagai sebuah
tidak terstruktur dan semi terstruktur. SPK
sistem yang mampu memberikan kemampuan baik
dirancang untuk membantu seluruh tahapan
kemampuan pemecahan masalah maupun
pembuatan keputusan, yang dimulai dengan
kemampuan pemgkomunikasian untuk masalah
tahapan mengidentifikasi masalah,
semi-terstruktur. Secara khusus, SPK didefinisikan
mengumpulkan data yang relevan, menentukan
sebagai sebuah sistemyang mendukung kerja
metode yang digunakan dalam proses pembuatan
seorang manajer maupun sekelompok manajer
keputusan sampai pada kegiatan mengevaluasi
dalam memecahkan masalah semi-
pemilihan alternatif.
terstrukturdengan cara memberikan informasi
ataupun usulan menujupadakeputusan tertentu Sprague dan Watson mendefinisikan
(Hermawan,2005). Sistem Pendukung Keputusan (SPK) sebagai
sistem yang memiliki lima karakteristik utama
Konsep SPK pertama kali diperkenalkan
yaitu (Sprague et.al, 1993), antara lain:
pada awal tahun 1970-an oleh Michael Scott
1. Sistem yang berbasis komputer,
Morton (Turban, 2001: 13), yangselanjutnya
2. Dipergunakan untuk membantu para
dikenal dengan istilah “Management Decision
pengambil keputusan,
System”. Konsep SPK sendiri merupakan sebuah
3. Untuk memecahkan masalah-masalah
sistem interaktif berbasis komputer yang
rumit yang mustahil dilakukan dengan
 perhitungan secara manual kriteria n
4. Melalui cara simulasi yang interaktif  n : Banyaknya kriteria
5. Menjadikan data dan model analisis Preferensi yang digunakan untuk setiap
sebagai komponen utama. alternatif adalah sebagai berikut:
Menurut (RizaAlfita, 2013) Pengertian 1. Perbaikan bobot pada kriteria menggunakan
Weighted Product (WP) adalah suatu metode Persamaan (1).
yang menggunakan perkalian untuk 𝑊𝑖
𝑊𝑗 =∑ ...................................................(1)
𝑤𝑗
menghubungkan rating atribut, dimana rating
setiap atribut harus dipangkatkan dulu dengan Variabel W adalah pangkat bernilai positif
bobot atribut yang bersangkutan. Proses ini sama untuk atribut keuntungan dan bernilai negative
halnya dengan proses normalisasi. untuk atribut biaya.
Bobot untuk atribut keuntungan berfungsi
sebagai pangkat positif dalam proses perkalian, 2. Penentuan bobot S menggunakan
sementara bobot biaya berfungsi sebagai pangkat persamaan (2).
negatif. Preferens untuk alternatif ini diberikan 𝑆𝑖 = ∏𝑛𝑗 = 1 𝑋𝑖𝑗 𝑊𝑗 ...................................(2)
sebagai berikut: Dimana:
 Π :Product
 Si: Skor / nilaidarisetiapalternative
S  x  Xij : Nilaialternatifke- iterhadapatribut
ke- j
 wj : Bobotdarisetiapatributataukriteria
Dimana :
 n : Banyaknyakriteria
 S : Preferensi alternatif dianologikan
sebagai vektor s 3. Penentuan nilai bobot V dilakukan dengan
 x : Nilai kriteria persamaan(3).
∏𝑛
𝑗 =1 𝑋𝑖𝑗𝑊
 w : Bobot kriteria/subriteria 𝑉𝑖 =
𝑗
..............................................(3)
∏𝑛
𝑖 =1 (𝑋𝑗∗ ) 𝑊𝑗
 i : alternatif
 j : kriteria
 n : banyaknya kriteria 2. METODOLOGI PENELITIAN
2.1. Analisis Kebutuhan Sistem
∑Wj = 1.Wj adalah pangkat bernilai positif untuk Dalam penyelesaian pembuatan Sistem
atribut keuntungan dan bernilai negatif untuk Pendukung Keputusan (SPK) dengan menggunakan
atribut biaya. Preferensi relatif dari setiap metode Weighted Prodct (WP) untuk memperoleh
alternatif diberikan sebagai: pemilihan laptop terbaik dibutuhkan beberapa
atribut kriteria dan bobot/skala agar mendapatkan
alternatif terbaik. Berikut ini adalah kriteria yang
dibutuhkan untuk pemilihan laptop terbaik:
V Kriteria
C1 Harga
C2 Kapasitas RAM
Dimana : C3 Processor
 V : Preferensi alternatif C4 Harddisk
dianalogikan sebagai vektor
C5 Tipe RAM
 X : Nilai Kriteria
C6 SSD
 w : Bobot kriteria/ subkriteria
 i : Alternatif C7 Ukuran Layar
 j : Kriteria Tabel 1. Tabel Kriteria
 N : Banyaknya kriteria Setelah menentukan kriteria, maka
 * : Banyaknya kriteria yang telah dilakukan penentuan tingkatan skala kriteria.
dinilai Rating nilai skala pada setiap kriteria adalah
 wj : Bobot dari setiap atribut dari sebagai berikut:
 Skala (Sistem Pendukung Keputusan) Metode WP
1 Sangat Penting (Weightd Product). Representasi tersebut
ditunjukkan pada use case berikut:
2 Penting
3 Cukup Penting Gambar 1. Use Case Diagram
4 Kurang Penting Dari use case diatas dapt dijlaskan bahwa
admin dapat menambahkan, mengedit, dan menghapus
5 Tidak Penting
data pada sistem. Sedangkan user hanya dapat
Tabel 2. Tabel Skala memasukkan data bobot kriteria untk melihat hasil
Setelah menentukan kriteria dan skala keputusan laptop terbaik. Untuk mengethui aktifitas
kriteria, maka dilakukan proses penentuan nilai sistem pemilihan laptop terbaik ini, dapat dilihat dengan
kepentingan skala/bobot pada masing-masing menggunakan menggunakan activity diagram, berikut
kriteria, berikut ini adalah tabel penentuan bobot adalah activity diagram pada sistem ini :
setiap kriteria: Gambar 2. Activity Diagram
Pada activity diagram diatas menunjukan tentang
fungsionalitas SPK pemilihan laptop terbaik
Bobot Kepentingan Kriteria menggunakan metode WP yang diawali dengan login
5 dan seterusnya seperti yang terter pada gambar 2, yang
W1 Harga
kemudian diakhiri dngan logout pada sistem. Kemudian
W2 Kapasitas RAM 5 untuk penggambaran penyimpanan data pada

W3 Processor 4 admin user

W4 Harddisk 4 SPK LaptopTerbaik

W5 Tipe RAM 3 Login sebagai

Admin

T Input bobot

W6 SSD 3 Y
kriteria

Pilih Menu
Ya

W7 Ukuran Layar 2

Tabel 2. Tabel Bobot Kepentingan kriteria Read Hasi l

Update Data Bobot, Delete Data Kriteria, Input Alternatif, Kriteria,

Alternatif yang yang didigunakan pada SPK Alternatif, Kriteria Alternatif Bobot Kriteria

(Sistem Pendukung Keputusan) laptop terbaik

dengan menggunakan metode WP (Weighted Semua Data
Disi mpan

Product) adalah sebagai berikut: Logout

Alternatif

A1 ASUS perancangan sistem ini ditunjukkan dengan ERD (Entity

Relationship Diagram), berikut adalah gambar ERD pada
A2 Acer
perancangan sistem ini:
A3 Lenovo Gambar 3. ERD (Entity Ralationship Diagram)
A4 HP Pada ERD diatas dapat dijelaskan bahwa
terdapat 5 tabel yang saling berelasi pada database
A5 Dell sistem ini, yaitu: tabel kriteria, tabel bobot, tabel
Tabel 3. Tabel Alternatif alternatif, tabel skala, dan tabel penilaian.
2.2. Analisis Perancangan Sistem 3. HASIL DAN PEMBAHASAN
Dalam sistem ini terdiri dari 2 level user, yang
terdiri dari admin selaku pemegang seluruh utilitas
sistem atau memanajemen data. Dan selain admin
adalah user yang hanya akan melihat hasil dari SPK

<<include>>

Input Data

<<include>>
Manajemen Data <<include>>
Admin
Edit Data

<<include>> Dalete Data

Logout Login

<<include>>

<<include>>

Input Data Penilaian ReadHasilPenilaian

User
 3.1. Perhitungan Manual Metode WP W7 0,076923077
Alur penyelesaian perhitungan manual metode Tabel 6. Tabel Hasil Perbaikan Bobot
WP (Weighted Product) antara lain :
Merupakan hasil dari perbaikan bobot setiap
1. Menentukan Nilai Bobot alternatif kriteria 𝑊1 sampai 𝑊7 .

3. Menentukan Nilai Vektor S

Alternatif C1 C2 C3 C4 C5 C6 C7
Penentuan nilai vektor S merupakan tahapan
A1 4 3 3 3 3 1 3 setelah perbaikan bobot. Menghitung nilai vektor S
dilakukan dengan cara memangkatkan dan
A2 2 3 5 5 5 1 3 mengalikan kriteria dengan bobot yang sudah
diperbaiki. Penentuan nilai vektor S ditentukan
A3 4 3 3 3 3 1 3 dengan menggunakan rumus persamaan (2) yaitu:

A4 4 3 3 3 3 1 3 𝑆1 = (40,192 ) (30,192 ) (30,153 ) ( 30,153)

(30,115 ) (10,115) (30,076 ) =
A5 2 3 5 3 5 1 3
1,638830158
Tabel 5. Tabel Nilai Bobot Alternatif
Merupakan nilai penentuan bobot kriteria 𝑆2 = (20,192) (30,192 ) (50,153 ) ( 50,153 )
pada setiap alternatif.
(50,115 ) (10,115) (30,076 ) =
2. Menentukan Perbaikan Bobot 2,324253092
Perhitungan perbaikan bobot menggunakan
𝑆3 = (40,192) (30,192 ) (30,153 ) ( 30,153 )
persamaan (1) yaitu :
(30,115 ) (10,115) (30,076 ) =
5 1,638830158
𝑊1 = = 0,192307692
5+5+4+4+3+3+2
5
𝑆4 = (40,192) (30,192 ) (30,153 ) ( 30,153 )
𝑊2 = = 0,192307692 (30,115 ) (10,115) (30,076 ) =
5+5+4+4+3+3+2
1,638830158
4
𝑊3 = = 0,153846154
5+5+4+4+3+3+2 𝑆5 = (20,192) (30,192 ) (50,153 ) ( 30,153 )
4 (50,115 ) (10,115) (30,076 ) = 2,14858649
𝑊4 = = 0,153846154
5+5+4+4+3+3+2
VEKTOR S
3
𝑊5 = = 0,115384615 S1 1,638830158
5+5+4+4+3+3+2
S2 2,324253092
3 S3 1,638830158
𝑊6 = = 0,115384615
5+5+4+4+3+3+2
S4 1,638830158
2 S5 2,14858649
𝑊7 = = 0,076923077
5+5+4+4+3+3+2 9,389330055
Total Vektor S
PERBAIKAN BOBOT Tabel 7. Tabel Nilai Vektor S
W1 0,192307692 Merupakan hasil dari perhitungan vektor S
W2 0,192307692 pada SPK (Sistem Pendukung Keputusan)
menggunakan metode WP (Weighted Product).
W3 0,153846154
W4 0,153846154 4. Menentukan Nilai Vektor V
W5 0,115384615 Nilai vektor V digunakan untuk perangkingan
W6 0,115384615 dengan cara membagi preferensi setiap alternatif
dengan jumlah total vektor S, yang dihitung Sistem Pendukung Keputusan (SPK) laptop
menggunakan persamaan (3) yaitu: dimplementasikan kepada sistem yang berbasis
web, dengan menggunakan database
1,638830158
𝑉1 = = 0,174541756 PHPMyAdmin, serta dengan bahasa pemrograman
9,389330055 PHP. Pada implementasian SPK motode WP ada 2
2,324253092 jenis level login. Yang pertama login sebagai
𝑉2 = = 0,247541952 admin maka admin dapat memanajemen data jadi
9,389330055
dapat ditambahkan, diedit, serta membuat data
1,638830158 baru. Sedangkan yang kedua yaitu login sebagai
𝑉3 = = 0,174541756 user, user hanya bisa melakukan proses penilaian
9,389330055
dan tidak dengan menambah, mengedit serta
1,638830158
𝑉4 = = 0,174541756 menghapus data. Berikut ini merupakan beberapa
9,389330055 gambar dari sistem yang dibuat :
2,14858649 1. Halaman Data Kriteria
𝑉5 = = 0,228832779
9,389330055

Vektor V
V1 0,174541756
ASUS
V2 0,247541952
Acer
V3 0,174541756
Lenovo
Gambar 1.Halaman Data Kriteria
V4 0,174541756
HP
Pada halaman data kriteria admin dapat
V5 0,228832779 menambahkan, mengedit, dan menghapus data
Dell
Tabel 8. Tabel Nilai Vektor V suatu kriteria.

Dari hasil perhitungan vektor V diperoleh 2. Halaman Data Bobot

perangkingan antara alternatif 1 sampai alternatif 5
(𝐴1 − 𝐴5 ) seperti pada tabel berikut :

Alternatif Vektor V Rangking

A1 ASUS 0,174541756 5
A2 Acer 0,247541952 1
A3 Lenovo 0,174541756 4
A4 HP 0,174541756 3
A5 Dell 0,228832779 2
Tabel 9. Tabel Perangkingan Gambar 3.Halaman Data Bobot
Dilihat dari hasil perangkingan di tabel 9, Pada halaman data bobot dalam setiap kriteria
disimpulkan bahwa Alternatif 𝐴2 yaitu Acer dapat di edit oleh admin.
merupakan keputusan terbaik dengan nilai vektor
0,247541952, yang disusul oleh alternatif 𝐴5 yaitu 3. Halaman Data Penilaian
Dell dengan nilai vektor v 0,228832779, dan
alternatif 𝐴1 , 𝐴3 serta 𝐴4 memiliki nilai vektor v
yang sama dikarenakan pada proses pemberian
bobot ketiga alternatif tersebut memiliki bobot
yang sama.

3.2. Implementasi SPK Metode WP

 Gambar 5. Halaman Data Penilaian Tabel 10. Spesifikasi Data

Pada halaman, ketika tombol penilaian di click No. Jenis Jumlah

maka akan menuju kepada halaman data bobot
1. Data Uji 17
sehingga admin dapat menentukan bobot setiap
kriteria pada setiap alternatif. 2. Data Pola 30

4. Form SPK Laptop

Dari tabel diatas didapatkan data sejumlah 8
data uji positif yang bernilai bernilai benar.
Kemudian hasil dari klasifikasi data menggunakan
metode confusion matrix, dapat dihitung precision,
recall, accuracy, f-measure. Berikut ini adalah
penjelasan tentang keempat istilah tersebut:

 Precision
Adalah tingkat ketepatan prediksi dengan
hasil dari sistem, yang datanya didapat
Gambar 6. Form SPK Laptop.
data positif yang brnilai benar, dengan
Form ini merupakan form untuk user dimana rumus:
form ini akan membantu user untuk menentukan 𝑇𝑃
Precision = ( ∗ 100%)
𝐹𝑃+𝑇𝑃
keputusan laptop terbaik dengan memasukkan
bobot yang diinginkan dari kriteria yang ada pada
sistem. Sehingga pada form ini user hanya  Recall
memasukkan data bobot yang diinginkan kemudian Adalah tingkat keberhasilan pada sistem
akan mendapatkan hasil keputusan laptop terbaik atau biasanya juga disebut dengan
yang sesuai dengan bobot kriteria yang sensitifitas, yang merupakan data benar
dimasukkan. positif dibandingkan dengan prediksi
benar positif. Dengan rumus :
4. PENGUJIAN SISTEM 𝑇𝑃
Recall = ( ∗ 100%)
𝐹𝑁+𝑇𝑃
Pengujian sistem ini menggunakan
implementasi metode confusion matrix. Confusion
Matrix merupakan metode pengujian yang  Accuracy
digunakan untuk perhitungan akurasi suatu sistem. Adalah tingkat kedekatan nilai prediksi
Pada metode ini terdapat beberapa istilah yang dan aktual, yaitu menggunakan data benar
menggambarkan hasil dari proses pengujian, yaitu: positif maupun negatif dengan
keseluruhan data, dengan rumus:
a. True Posistive (TP) 𝑇𝑃+𝑇𝑁
Merupakan jumlah data positif yang Accuracy = ( ∗ 100%)
𝐹𝑁+𝐹𝑃+𝑇𝑃+𝑇𝑁
benar.
b. True Negative (TN)  F-measure
Merupakan jumlah data negatif namun Adalah harmonik mean atau kombinasi
bernilai benar. dari precision dan recall, dengan rumus:
c. False Positive (FP) 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛∗𝑟𝑒𝑐𝑎𝑙𝑙
Merupakan jumlah data negatif namun F-measure=2* ( ∗ 100%)
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑟𝑒𝑐𝑎𝑙𝑙
terdeteksi sebagai data positif.
d. False Negative (FN)
Dari penjelasan rumus diatas, nilai-nilai
Merupakan kebalikan dari true positive,
pada TN, FN, TP, FP yang didapat dari data pola
yang berarti merupakan jmlah data positif
dan data uji dihitung sehingga mendapatkan hasil
yang terdeteksi sebagai data negatif.
seperti grafik pada gambar 7 dibawah ini :
Dalam pengujian sistem ini menggnakan data pola
dan data uji, dengan spesifikasi data seperti pada
Confusion Matrix
tabel 10 sebagai berikut:
88.9%

82.4%
84.2%
80.0%

Accuracy
Recall

Gambar 7. Grafik Confsion Matrix
Berdasarkan grafik pada gambar 7 dapat
dijelaskan bahwa pada SPK (Sistem Pendukung
Keputusan dengan menggunakan motede Weighted
Product (WP) untuk pemilihan laptop terbaik
didapatkan nilai accuracy sebesar 83,4%, nilai
recall 88,9%, nilai precision 80,0%, dan nilai f-
masure sebesar 84,2%.
5. KESIMPULAN
Dari hasil pengujian dan pembahasan dapat
disimpulkan bahwa metode WP telah berhasil
diimplementasikan dalam SPK pemilihan Laptop
terbaik dengan berdasarkan 7 faktor kriteria yang
digunakan. Sistem pemilihan Laptop terbaik
dibuat menjadi sistem berbasis web. Hasil
pengujian menunjukkan nilai preferensi dan skor
akhir keluaran sistem yang dibuat sama persis
dengan hasil perhitungan manual yang
menunjukkan validitas sistem berbasis web yang
dibuat. Hasil pengujian juga berhasil dengan
menggunakan confusion matrix dengan nilai
accuracy sebesar 83,4%, nilai recall 88,9%, nilai
precision 80,0%, dan nilai f-masure sebesar
84,2%.
6. REFERENSI
Sparague, R. H. and Watson H. J. 1993. Decision
Support Systems: Putting Theory Into
Practice. Englewood Clifts, N. J., Prentice
Hall.
Turban, Efraim & Aronson, Jay E. (2001).
Decision Support Systems and Intelligent
Systems. 6th edition. Prentice Hall: Upper
Saddle River, NJ.
Davis, Ralp C dalam Hasan. (2004). Pokok-pokok
Materi Teori Pengambilan Keputusan. Jakarta:
Ghalia Indonesia.
Relita Buaton, (2014). Sistem Pendukung
Keputusan Penentuan Prioritas Pengembangan
Industri Kecil Menengah dengan Metode
Weighted Product.
Susliansyah., Ririn. R., A., & Susi. S. (2019).
Sistem Pemilihan Laptop Terbaik
menggunakan Metode SAW. Universitas Bina
Sarana Informatika. Jurnal TECHNO Nusa
Mandiri Vol.16, No.1.
Taufik, F., A. Accuracy Measure, Precision,
Recall & F-Measure. FMIPA Universitas Syah
Kuala. www.informatika.uinsyah.ac.id/tfa.