PROPOSAL

RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN

PEMILIHAN MAHASISWA BERPRESTASI DI FAKULTAS
ILMU SOSIAL DAN POLITIK DENGAN MENGGUNAKAN
METODE FUZZY ELECTRE I

MUHAMMAD FAIZ AKMAL

NIM: 081311633036

PROGRAM STUDI S-1 SISTEM INFORMASI

DEPARTEMEN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
2017
 LEMBAR PENGESAHAN NASKAH PROPOSAL SKRIPSI
Judul : Rancang Bangun Sistem Pendukung Keputusan Pemilihan
Mahasiswa Berprestasi di Fakultas Ilmu Sosial dan Politik
Dengan Menggunakan metode Fuzzy ELECTRE I

Penyusun : Muhammad Faiz Akmal

Nim : 081311633036

Pembimbing I : Eto Wuryanto, Drs., DEA

Pembimbing II : Dr. Rimuljo Hendradi, S.Si.,M.Si.

Tanggal Seminar :

Disetujui Oleh:

Pembimbing I, Pembimbing II,

Eto Wuryanto, Drs., DEA Dr. Rimuljo Hendradi, S.Si., M.Si.

NIP. 196609281991021001 NIP. 197102111997021001

Mengetahui :
Koordinator Program Studi
S1 Sistem Informasi

Badrus Zaman, S. Kom, M. Cs

NIP. 197801262006041001

i
 KATA PENGANTAR

Puji syukur selalu terpanjatkan ke hadirat Allah Subhanahu Wa Ta’ala yang

telah melimpahkan rahmat dan karunia-Nya, sehingga penyusunan dapat

menyelesaikan penyusunan Proposal yang berjudul “Rancang Bangun Sistem

Pendukung Keputusan Pemilihan Mahasiswa Berprestasi di Fakultas Ilmu

Sosial dan Politik Dengan Menggunakan metode Fuzzy ELECTRE I”. Proposal

ini disusun sebagai upaya untuk mengambil program skripsi yang merupakan salah

satu syarat untuk memperoleh gelar Sarjana Komputer (S. Kom.) pada Program Studi

S1 Sistem Informasi Fakultas Sains dan Teknologi Universitas Airlangga Surabaya.

Penyusun menyadari bahwa dalam penyusunan proposal ini masih terdapat

banyak kesalahan dan kekurangan yang perlu diperbaiki. Oleh karena itu masukan-

masukan berupa kritik dan saran yang membangun sangat diperlukan oleh penyusun

untuk dapat dijadikan perbaikan dan penyempurnaan di masa mendatang.

Surabaya, 16 Oktober 2017

Penyusun,

Muhammad Faiz Akmal

ii
 DAFTAR ISI

LEMBAR PENGESAHAN NASKAH PROPOSAL SKRIPSI................................i

KATA PENGANTAR.................................................................................................ii
DAFTAR ISI...............................................................................................................iii
DAFTAR TABEL........................................................................................................v
DAFTAR GAMBAR..................................................................................................vi
DAFTAR LAMPIRAN.............................................................................................vii
BAB I PENDUHULUAN............................................................................................1
1.1 Latar Belakang................................................................................................1

1.2 Rumusan Masalah...........................................................................................6

1.3 Tujuan Masalah...............................................................................................6

1.4 Manfaat Penelitian..........................................................................................6

1.5 Batasan Masalah.............................................................................................7

BAB II TINJAUAN PUSTAKA.................................................................................8

2.1 Pemilihan Mahasiswa Berprestasi..................................................................8

2.2 Sistem Informasi.............................................................................................9

2.3 Sistem Pendukung Keputusan.......................................................................10

2.3.1 Subsistem Manajemen data...........................................................................12

2.3.2 Subsistem Manajemen model.......................................................................12

2.3.3 Subsistem Antarmuka Pengguna..................................................................12

2.3.4 Subsistem Manajemen Berbasis Pengetahuan..............................................12

2.4 Fungsi Keanggotaan Logika Fuzzy...............................................................13

iii
 2.4.1 Triangular MF................................................................................................13
2.4.2 Trapezoidal MF...............................................................................................14
2.4.3 Gaussian MF...................................................................................................15
2.4.4 Generalized MF (Bell MF)..............................................................................16
2.5 Variabel Linguistik.......................................................................................17

2.6 Fuzzy Hamming Distance.............................................................................19

2.7 Multi-Criteria Decision Analysis..................................................................19

2.8 Fuzzy ELECTRE I........................................................................................21

BAB III METODE PENELITIAN...........................................................................31

3.1 Tempat Dan Waktu Penelitian......................................................................31

3.2 Objek Penelitian............................................................................................31

3.3 Langkah-langkah Penelitian..........................................................................32

3.3.1 Pengumpulan Data..........................................................................................32

3.3.2 Pengelolaan Data.............................................................................................33
3.3.3 Pemilihan Mahasiswa Berprestasi dengan Metode Fuzzy ELECTRE I...........33
3.4 Perancangan Sistem......................................................................................39

3.5 Implementasi Sistem.....................................................................................40

3.6 Pengujian Sistem...........................................................................................40

3.7 Evaluasi Sistem.............................................................................................40

DAFTAR PUSTAKA................................................................................................41
JADWAL PELAKSANAAN KEGIATAN..............................................................49

iv
 DAFTAR TABEL
Nomor Judul Tabel Halaman

2.1 Tabel Variabel Linguistik untuk Bobot Kepentingan Kriteria 18

2.2 Tabel Variabel Linguistik untuk Bobot Kepentingan Alternatif 18

v
 DAFTAR GAMBAR
Nomor Judul Gambar Halaman

2.1 Fungsi Keanggotaan Triangular 14

2.2 Fungsi Keanggotaan Trapesium 15

2.3 Fungsi Keanggotaan Gaussian 16

2.4 Fungsi Keanggotaan Bell 17

2.5 Representasi dengan Graph keputusan 30

3.1 Langkah – Langkah Pengolahan Data Menggunakan Fuzzy 35

ELECTRE I

vi
 DAFTAR LAMPIRAN
Nomor Judul Lampiran Halaman

1 Surat Izin Penelitian

2 Form Wawancara
3 Form Penilaian Mahasiswa Berprestasi
4 Form Hasil Penilaian Mahasiswa Berprestasi

vii
 BAB I

PENDUHULUAN

1.1 Latar Belakang

Perkembangan teknologi informasi menjadikan penggunaan komputer telah

berkembang dari hanya mampu mengelola data maupun menyajikan informasi,

menjadi mampu untuk menyediakan pilihan-pilihan sebagai pendukung pengambilan

keputusan. Sehingga pengambilan keputusan dapat dilakukan dengan cepat dan

sistematis. Hal itu dapat dilakukan karena memadukan antara perangkat lunak

(software), perangkat keras (hardware), serta kemampuan pakar sehingga

menciptakan keputusan yang cepat dan akurat. Dengan demikian, mulai bermunculan

sistem pendukung yang digunakan untuk mendukung suatu keputusan.

Sistem pendukung keputusan (SPK) adalah sistem berbasis komputer yang

menyajikan dan memproses informasi yang memungkinkan pembuatan keputusan

menjadi lebih produktif, dinamis, dan inovatif (Pranoto, Muslim, & Hasanah, 2013).

Sistem pendukung keputusan memberikan alternatif keputusan berdasarkan data yang

telah diolah menjadi informasi sehingga menciptakan keputusan yang optimal. Oleh

karena itu, sistem pendukung keputusan perlu diterapkan untuk mengurangi

subjektivitas dari pengambilan keputusan serta menghindari kesalahan dalam

pengambilan suatu keputusan namun tidak menggantikan peran manajemen dalam

pengambilan keputusan.

1
 Multi Criteria Decision Making (MCDM) adalah suatu metode pengambilan

keputusan yang digunakan untuk mengevaluasi, memilih, dan merangking

sekumpulan alternatif keputusan (Chang, et al., 2013). Hwang dan Yoon (dalam buku

MCDM) mengemukakan bahwa salah satu kategori permasalahan MCDM yaitu

Multiple Attribute Decision Making (MADM) dan Multiple Objective Decision

Making (MODM). MCDM digunakan untuk mendukung pengambilan keputusan

dalam permasalahan yang melibatkan banyak kriteria. MCDM mempunyai beberapa

metode yang digunakan untuk memecahkan masalah diantaranya metode Analytical

Hierarchy Process (AHP), Simple Additive Weighting (SAW), ELimination Et Choix

Traduisant la Realità (ELECTRE), Weight Product (WP) dan metode lainnya.

Metode ELECTRE I termasuk pada metode analisis pengambilan keputusan

multikriteria yang berasal dari Eropa pada tahun 1960an. Metode ELECTRE I

merupakan salah satu metode pengambilan keputusan multikriteria berdasarkan

konsep outranking dengan menggunakan perbandingan berpasangan dari alternatif -

alternatif berdasarkan setiap kriteria yang sesuai. Metode ELECTRE I memiliki

kelebihan yaitu metode ini sangat cocok digunakan pada kondisi memiliki banyak

alternatif dan sedikit kriteria yang dilibatkan. Metode ini pernah digunakan dalam

evaluasi alternatif katering pada sebuah perusahaan (Aytac et al., 2011) dan seleksi

pemilihan staf akademik (Rouyendegh et al., 2013). Di dalam metode ELECTRE I

dibutuhkan bobot kriteria dan perangkingan yang tepat. Namun, beberapa data yang

tersedia bersifat kualitatif sehingga sulit dalam memenuhi penyelesaian permasalahan

2
karena penilaian manusia yang kurang jelas dan tidak dapat diubah menjadi data

numerik.

Dalam menyelesaikan masalah tersebut, Zadeh memperkenalkan teori

himpunan fuzzy. Logika fuzzy adalah alat matematika yang kuat untuk permodelan

seperti sistem yang tidak jelas dalam industri, alam, maupun kemanusiaan, dan

sebagai fasilitator untuk penalaran dalam pengambilan keputusan dengan tidak

adanya informasi yang lengkap dan tepat (Ertuğrul and Karakaşoğlu 2007).

Fuzzy ELECTRE I dapat digunakan untuk mengevaluasi banyak alternatif

terhadap sedikit kriteria yang dipilih. Metode ELECTRE I menggunakan indeks

concordance dan discordance untuk menganalisis hubungan outranking antara

alternatif (Aytac et al., 2011). Oleh karena itu, logika fuzzy dan metode ELECTRE I

dapat saling melengkapi dalam pengambilan sebuah keputusan.

Pemilihan mahasiswa berprestasi merupakan kegiatan yang dilaksanakan di

setiap tahun oleh Universitas Airlangga berdasarkan syarat dan kriteria yang telah

ditetapkan oleh Direktorat Jenderal Pembelajaran dan Kemahasiswaan Kementerian

Riset, Teknologi, dan Pendidikan Tinggi menggunakan pedoman mahasiswa

berprestasi program sarjana dan diploma. Penyelenggaraan pemilihan mahasiswa

berprestasi (Pilmapres) di Universitas Airlangga dilakukan di tingkat fakultas dan

tingkat universitas. Mahasiswa berprestasi diberikan kepada mahasiswa yang

dianggap memiliki memiliki kecerdasan komprehensif, dan tidak hanya didapatkan

3
dari menekuni ilmu atau bidangnya saja (hardskill) namun juga dapat beraktivitas di

luar perkuliahan untuk dapat mengembangkan softskill-nya.

Dalam era persaingan bebas, dibutuhkan lulusan yang memiliki hard skills dan

soft skills yang seimbang. Mahasiswa dengan nilai akademik yang tinggi terkadang

tidak memanfaatkan peluang untuk menggunakan waktunya dalam kegiatan

kokurikuler dan ekstrakurikuler. Mahasiswa yang aktif dalam organisasi

kemahasiswaan dan kegiatan pengembangan soft skills sebaliknya tidak memperoleh

nilai akademik yang tinggi. Oleh karena itu, perguruan tinggi perlu melakukan

identifikasi mahasiswa yang berprestasi di kedua kompetensi tersebut, kemudian

mahasiswa yang terbaik diberikan penghargaan sebagai mahasiswa yang berprestasi

(Ristekdikti, 2017).

Universitas Airlangga sebagai salah satu perguruan tinggi negeri di Indonesia

berupaya memilih mahasiswa berprestasi berdasarkan syarat dan kriteria yang telah

ditetapkan oleh Direktorat Jenderal Pembelajaran dan Kemahasiswaan Kementerian

Riset, Teknologi, dan Pendidikan Tinggi menggunakan pedoman mahasiswa

berprestasi program sarjana dan diploma. Penyelenggaraan pemilihan mahasiswa

berprestasi (mawapres) di Universitas Airlangga dilakukan di tingkat fakultas dan

tingkat universitas. Proses pemilihan mahasiswa berprestasi harus tepat, akurat, dan

berkualitas untuk mendapatkan hasil yang diinginkan sehingga mahasiswa yang

terpilih sesuai dengan kriteria pemilihan mahasiswa berprestasi.

4
 Peninjauan pada kasus pemilihan mahasiswa berprestasi di Fakultas Ilmu

Sosial dan Politik didapatkan informasi mengenai pemilihan mahasiswa berprestasi di

fakultas tersebut. Pemilihan mahasiswa berprestasi di Fakultas Ilmu Sosial dan Politk

selama ini menggunakan panduan tersendiri yang dibuat oleh Fakultas Ilmu Sosial

dan Politik. Sistem yang dipakai untuk menentukan mahasiswa berprestasi di

Fakultas Ilmu Sosial dan Politk masih menggunakan sistem manual dengan

meggunakan kertas sehingga rentan terhadap kesalahan pengguna atau human error

dan kehilangan data. Pemilihan mahasiswa berprestasi juga belum memiliki

pembobotan yang jelas sehingga terjadi tertimpangnya hasil penilaian mahasiswa

berprestasi. Kriteria penilaian terdiri dari empat komponen, yakni Indeks Prestasi

Kumulatif (IPK), Karya Tulis, Prestasi/Kemampuan, dan Bahasa Inggris. Pada

kriteria karya tulis dan bahasa Inggris, terdapat sub-sub komponen yang harus dinilai.

Sub-sub komponen ini terdiri atas pernyataan penilaian yang bersifat kualitatif

sehingga pihak penilai kesulitan dalam memberikan nilai apabila penilaian dilakukan

dalam bentuk numerik.

Bedasarkan masalah tersebut, perlunya dibangun sistem pendukung keputusan

untuk mendukung proses pemilihan mahasiswa berprestasi di Fakultas Ilmu Sosial

dan Politik Universitas Airlangga. Dengan keunggulan kedua metode tersebut,

diharapkan dapat menyelesaikan permasalahan pemilihan mahasiswa berprestasi di

fakultas tersebut. Oleh sebab itu, penelitian skripsi ini akan membangun sistem

pendukung keputusan dengan judul “Rancang Bangun Sistem Pendukung Keputusan

5
Pemilihan Mahasiswa Berprestasi di Fakultas Ilmu Sosial dan Politik Dengan

Menggunakan metode Fuzzy ELECTRE I”. Pembangunan sistem pendukung

keputusan ini bertujuan untuk memperoleh hasil perangkingan mahasiswa berprestasi

secara cepat dan efektif. Sehingga hasil dari perangkingan tersebut dapat membangun

pihak fakultas dalam menentukan mahasiswa berprestasi.

1.2 Rumusan Masalah

Berdasarkan uraian diatas, dibuat rumusan masalah yaitu, bagaimana membuat

sebuah sistem pendukung keputusan dalam pemilihan mahasiswa berprestasi di

Fakultas Ilmu Sosial dan Politik Universitas Airlangga menggunakan metode Fuzzy

ELECTRE I?

1.3 Tujuan Masalah

Tujuan dari diadakannya penelitian ini adalah membangun sistem pendukung

keputusan untuk memilih mahasiswa berprestasi pada Fakultas Ilmu Sosial dan Politk

Universitas Airlangga dengan menggunakan metode Fuzzy ELECTRE I.

1.4 Manfaat Penelitian

Manfaat yang didapat dalam melakukan penelitian dan pengembangan sistem

pendukung keputusan pemilihan mahasiswa berprestasi dalam menunjang skripsi ini

adalah:

1. Dapat digunakan sebagai alat bantu untuk merekomendasikan pemilihan

mahasiswa berprestasi di Fakultas Ilmu Sosial dan Politik.

6
 2. Menambah pengetahuan tentang metode pengambilan keputusan menggunakan

metode Fuzzy dan ELECTRE I.

1.5 Batasan Masalah

Data yang digunakan adalah data mahasiswa Fakultas Ilmu Sosial dan Politik

Universitas Airlangga yang mengikuti seleksi pemilihan mahasiswa berprestasi.

Selanjutnya, sesuai dengan pedoman pemilihan mahasiswa berprestasi, kriteria yang

digunakan untuk menentukan siswa berprestasi adalah IPK, karya tulis ilmiah,

prestasi dan bahasa inggris.

7
 BAB II

TINJAUAN PUSTAKA

2.1 Pemilihan Mahasiswa Berprestasi

Pemilihan mahasiswa berprestasi (mawapres) telah dimulai sejak tahun 1986

dan setiap tahun terdapat kualitas yang terus ditingkatkan. Pemilihan mawapres

dinilai telah memberikan dampak positif pada budaya berprestasi karena menghargai

prestasi dan karya mahasiswa di kalangan perguruan tinggi. Pemilihan mawapres

dilaksanakan secara berjenjang mulai dari tingkat jurusan/departemen, fakultas,

pergutuan tinggi (Institiut, universitas, Sekolah Tinggi), kopertis wilayah (untuk

perguruan tinggi swasta), dan tingkat nasional.

Berdasarkan Pedoman Mahasiswa Berprestasi (2017), pemilihan mawapres

merujuk pada kinerja individu mahasiswa yang memenuhi kriteria pemilihan. Kriteria

pemilihan tersebut terdiri atas empat unsur, yaitu:

1. Indeks Prestasi Kumulatif (IPK)

Indeks Prestasi Kumulatif (IPK) adalah seluruh nilai matakuliah rata-rata yang

lulus sesuai dengan aturan masing-masing perguruan tinggi dan disahkan oleh Dekan.

IPK hanya dinilai dalam proses pemilihan mawapres sampai pemilihan tingkat

perguruan tinggi.

2. Karya Tulis Ilmiah beserta ringkasan

Karya tulis ilmiah yang dimaksud merupakan tulisan ilmiah hasil kajian pustaka

dari referensi ilmiah atau hasil riset. Karya tulis ilmiah berisi solusi kreatif dari

permasalahan yang dianalisis secara sistematis dan tajam, serta diakhiri dengan

8
kesimpulan yang relevan. Sifat tulisan harus kreatif, objektif, logis, dan sistematis.

Karya tulis ilmiah yang diangkat merupakan isu mutakhir dan belum pernah

diikutsertakan dalam lomba karya tulis pada tingkat manapun.

3. Prestasi/kemampuan yang diunggulkan

Prestasi/kemampuan unggulan yang diraih selama menjadi mahasiswa dan

mendapat pengakuan atau penghargaan yang berdampak positif pada perguruan tinggi

dan masyarakat. Prestasi yang dimaksud bukan sekadar berpartisipasi pada kegiatan

tertentu, tetapi menjadi penggerak/motivator/pemberdaya masyarakat, juara/finalis,

atau mendapat predikat tertentu.

4. Bahasa Inggris dan Bahasa Internasional lainnya (bila ada)

Penilaian Bahasa Inggris/asing dilakukan melalui dua tahap, yaitu penulisan

ringkasan berbahasa Inggris/asing dari karya tulis ilmiah, dan presentasi serta diskusi

dalam bahasa Inggris/asing. Penulisan ringkasan bertujuan untuk menilai kecakapan

mahasiswa menulis dalam bahasa Inggris/asing. Presentasi dan diskusi bertujuan

untuk menilai kemampuan mahasiswa dalam berkomunikasi lisan. Peserta juga

diharuskan mengunggah video berdurasi 6 menit mengenai uraian peserta tentang

topik terkait karya ilmiah dalam Bahasa Inggris.

2.2 Sistem Informasi

Terdapat berbagai macam definisi sistem informasi yang dikemukakan oleh ahli

dalam (Kadir 2003), yaitu :

9
 1. Menurut Alter (1999), sistem informasi adalah kombinasi antara prosedur

kerja, informasi, orang, dan teknologi informasi yang diorganisasikan untuk

mencapai tujuan dalam sebuah organisasi.

2. Menurut Turban et al. (1999), Sebuah sistem informasi mengumpulkan,

memproses, menyimpan, menganalisis, dan menyebarkan informasi untuk tujuan

yang spesifik.

3. Menurut Wilkinson (1992), sistem informasi adalah kerangka kerja yang

mengoordinasikan sumber daya (manusia, komputer) untuk mengubah masukan

(input) menjadi keluaran (informasi), guna mencapai sasaran perusahaan.

Dari berbagai definisi sistem informasi diatas, dapat disimpulkan bahwa sistem

informasi mencakup sejumlah komponen (manusia, komputer, teknologi informasi,

dan prosedur kerja), ada sesuatu yang diproses (data menjadi informasi), dan

dimaksudkan untuk mencapai suatu sasaran atau tujuan. Menurut Alter dalam (Kadir

2003) terdapat empat peranan penting sistem informasi dalam organisasi, yaitu :

1. Berpartisipasi dalam pelaksanaan tugas-tugas.

2. Mengaitkan perencanaan, pengerjaan, dan pengendali dalam sebuah

subsistem.

3. Mengoordinasikan subsistem-subsistem.

4. Mengintegrasikan subsistem-subsistem.

2.3 Sistem Pendukung Keputusan

Sistem pendukung keputusan merupakan sistem yang membantu pengguna

didalam membuat suatu keputusan dengan menganalisis data dari database dan

10
memeberikan hasil analisis tersebut kepada pengguna. Tujuan sistem pendukung

keputusan adalah untuk membantu pengambil keputusan memilih berbagai alternatif

keputusan berdasarkan hasil pengolahan informasi menggunakan model-model

pengambilan keputusan.

Turban et al. (2005) mengemukakan beberapa karakteristik SPK yang

membedakan sistem informasi lainnya:

1. SPK dirancang unntuk membantu pengambil keputusan dalam memecahkan

masalah yang sifatnya semi tersktruktur dan tidak tersktruktur

2. Dalam proses pengolahanya, SPK mengombinasikan pengguna model-

model atau teknik teknik analisis dengan teknik pemasukan data

konvensional serta fungsi pencari / interogasi informasi.

3. SPK dirancang sedemikian rupa sehingga dapat digunakan / dioperasikan

dengan mudah oleh orang orang yang tidak memiliki dasar kemampuan

pengoperasian komputer yang tinggi.

4. SPK dirancang dengan menekankan pada aspek fleksibilitas serta

kemampuan adaptasi yang tinggi, sehingga mudah disesuaikan dengan

perubahan lingkungan yang terjadi dan kebutuhan pemakai.

Menurut Turban et al. (2005) terdapat beberapa komponen yang terdapat pada

sistem pendukung keputusan. Komponen-komponen tersebut terdiri dari subsistem

manajemen data, subsistem manajemen model, subsistem antarmuka pengguna, dan

subsistem manajemen berbasis pengetahuan.

11
2.3.1 Subsistem Manajemen data

SPK menggunakan satu database yang berisi data yang relevan untuk dikelola

oleh perangkat lunak yang disebut Database Management System (DBMS) yang

diinterkoneksikan dengan suatu repository untuk data perusahaan yang relevan untuk

pengambilan keputusan.

2.3.2 Subsistem Manajemen model

Paket perangkat lunak yang memasukkan model keuangan, statistik, ilmu

manajemen, atau model kuantitatif lainnya yang memberikan kapabilitas analitik dan

manajemen perangkat lunak yang tepat. Perangkat lunak ini sering disebut Model

Base Management System (MBMS).

2.3.3 Subsistem Antarmuka Pengguna

Kontribusi dari SPK berasal dari interaksi intensif antara komputer dan pembuat

keputusan. Pengguna berkomunikasi dengan SPK dan memberi perintah melalui

subsistem ini. Sama halnya dengan sistem berbasis komputer yang lain, desain dan

implementasi dari antarmuka pengguna adalah elemen kunci dari fungsi SPK itu

sendiri. Pengguna dianggap bagian dari sistem, sehingga data, model, dan

pemrosesan dari komponen SPK harus dapat diakses dan dimanipulasi dengan

mudah. Karena SPK adalah untuk menyediakan dukungan penting untuk sebuah

keputusan. Browser Web menyediakan sebuah bentuk antarmuka pengguna grafis

yang konsisten dan familiar.

12
2.3.4 Subsistem Manajemen Berbasis Pengetahuan

Subsistem ini dapat mendukung semua subsistem lain atau bertindak sebagai

suatu komponen independen. Subsistem ini memberikan intelligensi untuk

memperbesar pengetahuan pengambil keputusan. Hal ini dapat saling berhubungan

dengan repositori pengetahuan organisasi (bagian dari manajemen pengetahuan),

yang disebut pengetahuan berbasis organisasional.

2.4 Fungsi Keanggotaan Logika Fuzzy

Dr. Lotfi Zadeh dari Universitas California, Berkeley memperkenalkan logika

fuzzy pada tahun 1965. Secara Bahasa, fuzzy dapat diartikan sebagai kabur atau

samar-samar. Logika fuzzy merupakan suatu logika yang memiliki nilai kekaburan

atau kesamaran antara benar atau salah.

Menurut Sun Jang dan Mizutani (2004) terdapat beberapa kelas parameter

fungsi keanggotaan atau Membership Functional (MF) dari satu dimensi. Fungsi

keanggotaan tersebut terdiri dari Triangular MF, Trapezoidal MF, Gaussian MF,

Generalized Bell MF.

2.4.1 Triangular MF

Fungsi keanggotaan segitiga (Triangular Membership Functional) ditentukan

oleh 3 parameter yaitu {l, m, u}, dengan mengikuti persamaan berikut

13
 {
0 ,∧x <l ,
( x −l )
,∧l≤ x ≤ m
μ( )
x
M
= ( m−l
( u−x )
)
,∧m≤ x ≤ u
(2.1)
(u−m )
0 ,∧x >u

Parameter {l, m, u} dengan l ≤m ≤u menentukan koordinat x dari 3 sudut fungsi

keanggotaan segitiga. Fungsi keanggotaan segitiga dapat digambarkan seperti dalam

gambar 2.1

Gambar 2.1 A Triangular Fuzzy Number

Sumber: (Rouyendegh et al., 2013)

2.4.2 Trapezoidal MF

Fungsi keanggotaan trapesium (Trapezoidal Membership Functional)

ditentukan 4 parameter {a1, a2, a3, a4} yang mengikuti aturan dalam persamaan berikut

{
0 x <a1
x−a1
a ≤ x ≤ a2
a2 −a1 1
μ~a ( x )= 1 a2 ≤ x ≤ a 3 (2.2)
x −a4
a ≤ x ≤ a4
a 3−a 4 3
0 x> a4

14
Dan sebagai alternatif dapat digunakan min dan max dalam persamaan

( (
μ~a ( x )=max min
x−a1
a2 −a3
a −x
,1, 4
))
a 4−a3
,0 (2.3)

Dalam persamaan parameter {a1, a2, a3, a4} dengan a1 < a2 < a3 < a4 menentukan

koordinat x dari 4 sudut fungsi keanggotaan trapesium. Fungsi kenaggotaan

trapesium dapat digambarkan seperti gambar 2.2.

Gambar 2.2 Fungsi Keanggotaan Trapesium

Sumber: (Jang, Jyh-Shing Roger et al., 1997, hal. 26)

Gambar 2.2 menggambarkan fungsi keanggotaan trapesium dengan parameter {a 1, a2,

a3, a4} menjadi fungsi kenaggotaan segitiga ketika a2 sama dengan a3. Karena rumus

sederhana dan efisiensi komputasi, baik fungsi keanggotaan trapesium telah

digunakan secara luas, terutama dalam penggunaan secara real-time. Namun karena

fungsi keanggotaan terdiri dari segmen garis lurus, mereka tidak merata pada titik

titik sudut yang ditentukan oleh parameter.

15
2.4.3 Gaussian MF

Fungsi keanggotaan Gaussian ditentukan menggunakan 2 parameter { c , σ }

dengan mengikuti persamaan

( )
2
1 x−c

μ~a ( x )=e 2 σ (2.4)

Parameter c digunakan untuk merepresentasikan titik tengah (center) dan σ

digunakan untuk merepresentasikan lebar dari fungsi keanggotaan. Fungsi

keanggotaan Gaussian dapat digambarkan pada gambar 2.3

Gambar 2.3 Fungsi Keanggotaan Gaussian

Sumber: (Jang, Jyh-Shing Roger et al., 1997, hal. 26)

2.4.4 Generalized MF (Bell MF)

Fungsi keanggotaan lonceng (bell) ditentukan oleh 3 parameter {a1, a2, a3}

dengan mengikuti persamaan

16
 1
μ~a ( x )=

| |
2 a2
x−a3 (2.5)
1+
a1

Parameter a2 biasanya merupakan nilai positif (jika a2 negatif, bentuk dari fungsi

keanggotaan menjadi bell naik-turun). Fungsi keanggotaan Gaussian dapat

digambarkan pada gambar 2.4

Gambar 2.4 Fungsi Keanggotaan Generalized

Sumber: (Jang, Jyh-Shing Roger et al., 1997, hal. 26)

2.5 Variabel Linguistik

Pada teori fuzzy set, skala konversi diterapkan untuk mengubah istilah linguistik

menjadi angka fuzzy. Tulisan ini menerapkan Triangular fuzzy number yang

direpresentasikan sebagai {l, m, u}, dimana l, m, dan u merupakan tiga bilangan real

17
dimana l > 0 dan l ≤ m ≤ u yang dapat dijelaskan pada persamaan 2.1 (Rouyendegh et

al., 2013). Skala yang diterapkan dalam penulisan ini adalah 1-10 untuk rating

alternatif dan 0-1 untuk rating kriteria. Table 2.1 menyajikan variabel linguistik dan

fuzzy numbers untuk kriteria dan tabel 2.2 menyajikan variabel linguistik dan fuzzy

numbers untuk alternatif.

Tabel 2.1 Variabel Linguistik untuk Bobot Kepentingan Kriteria

Variabel Linguistik Fuzzy Numbers

Very Low (0.1, 0.1, 0.3)

Low (0.1, 0.3, 0.5)

Medium (0.3, 0.5, 0.7)

High (0.5, 0.7, 0.9)

Very High (0.7, 0.9, 0.9)

18
 Tabel 2.2 Variabel Linguistik untuk Bobot Kepentingan Alternatif

Variabel Linguistik Fuzzy Numbers

Very Poor (1, 1, 3)

Poor (1, 3, 5)

Medium (3, 5, 7)

Good (5, 7, 9)

Very High (7, 9, 9)

2.6 Fuzzy Hamming Distance

Fuzzy hamming distance adalah generalisasi dari hamming distance yang

digunakan untuk mencari jarak antara dua bilangan fuzzy (Lonescu & Ralescu, 2005).

Fuzzy hamming distance merupakan kardinalitas fuzzy dari himpunan fuzzy yang

berbeda. Dalam Hatami-Marbini & Tavana (2011) yang megutip Hamming R.W
~ ~ ~
mengemukakan bahwa untuk setiap bilangan fuzzy H dan I , Hamming distance ( H ,
~) dapat ditentukan dengan persamaan 2.6.
I
❑
~~
d ( H , I )=∫ ¿ μ~
H
( x )−μ ~i( x)∨dx (2.6)
R

~
Dimana μ~H adalah nilai keanggotaan x dalam H dan μ~i adalah nilai keanggotaan x
~
dalam I .

19
2.7 Multi-Criteria Decision Analysis

Keputusan pada konteks dunia nyata seringkali mempunyai kriteria yang

banyak, berkonflik dan tidak seimbang (Baizyldayeva et al., 2013). Dalam Hatami-

Marbini & Tavana (2011), multi-criteria decision analysis adalah istilah umum untuk

metode yang menyediakan sebuah pendekatan kuantitatif yang sistematis untuk

mendukung pembuatan keputusan pada masalah yang berhubungan dengan beragam

kriteria dan alternatif. Tujuannya adalah untuk membantu pembuat keputusan untuk

mengambil semua kriteria objektif dan subjektif yang penting dari masalah untuk

diperhitungkan dengan menggunakan sebuah proses keputusan yang lebih eksplisit,

rasional dan efisien. Prinsip kompisisi dari MCDA sangat sederhana yaitu minimal

satu pembuat keputusan, dua kriteria dan dua alternatif.

Permasalahan dari MCDA biasanya mempunyai karakteristik yang sama

(Baizyldayeva et al., 2013), yaitu:

1. Multiple criteria : dapat berupa tujuannya atau atributnya

2. Conflicting among criteria: beberapa kriteria berkonflik satu sama lain.

3. Incommensurable : kriteria mungkin mempunyai satuan yang

berbeda

4. Design/Selection : solusi dari permsalahan MCDA biasanya

adalah untuk merancang alternatif terbaik atau

untuk memilih satu alternatif terbaik dari

beberapa alternatif yang telah ditetapkan.

20
Metode MCDA klasik dapat dikelompokkan kedalam tiga kelompok utama (Hatami-

Marbini & Tavana, 2011), yaitu:

1. Outranking

Outranking adalah pendekatan MCDA dimana alternatif secara sistematis

dibandingkan dengan yang lain untuk setiap kriteria. Perbandingan tersebut

menghasilkan bilangan yang menunjukkan konkordansi dan atau tidak korkondansi

antar alternatif. Metode ini biasanya meliputi dua tahap. Tahap pertama, tiap

alternatif dikomparasi secara berpasangan unutk membangun relasi outranking.

Langkah kedua, relasi outranking ini dianalisis dan digunakan untuk memberikan

rekomendasi kepada pembuat keputusan. Metode yang paling sering dipakai adalah

ELECTRE. Selain ELECTRE, ada juga metode lain seperti PROAFTN, penggunaan

algoritma genetika untuk membangun permodelan outranking, dan sebagainya.

Metode outranking adalah salah satu subkelompok dari metode MCDA yang sesuai

untuk pembuatan keputusan melalui konsep weak preference dan incomparability.

Metode ini dapat digunakan untuk menggambarkan situasi pembuatan keputusan

yang sesungguhnya.

2. Multi-Attribute Value Theory (MAVT)

MAVT adalah pendekatan dimana permasalahan dibangun menjadi sebuah

struktur hirarki dengan tujuan digambarkan berada di atas dan kriteria berada di level

paling bawah. Alternatif dihitung berdasarkan setiap kriteria, dan kriteria dibobotkan

menurut tingkat kepentingan. Sebagai hasilnya, sebuah nilai keseluruhan dari tiap

alternatif akan didapatkan.

21
3. Multiple Objective Mathematical Programing

Metode ini adalah pendekatan MCDA dimana solusi didasarkan pada

aspiration points, dapat menghasilkan solusi non-dominasi dengan menggunakan

fungsi penskalaan. Biasanya, menggunakan sebuah fungsi skala yang berada dibawah

solusi ideal, dengan arah yang ditentukan oleh aspiration points.

1.

2.

2.8 Fuzzy ELECTRE I

Fuzzy ELECTRE I adalah sebuah metode MCDA dimana fuzzy set theory dan

ELECTRE I diagbungkan menjadi sebuah metode baru. Metode ini mengubah

variabel linguistik menjadi bilangan fuzzy untuk menangani ketidakpastian dari

pembuat keputusan (Belbag et al., 2016). Dalam metode ini, baik bobot dari kriteria

serta rating alternatif untuk setiap kriteria diubah menjadi bilangan fuzzy.

Ada banyak studi literatur yang mengombinasikansemua tipe dari ELECTRE I

dengan himpunan fuzzy. Dalam Aytac et al. (2010) disebutkan bahwa beberapa

metode fuzzy ELECTRE I yang berbeda pendekatan antara lain seperti yang

digunakan Sevkli untuk menangani masalah pemilihan supplier. Selain itu, Wu dan

Chen mengembangkan sebuah metode baru, intuitionistic fuzzy ELECTRE I untuk

menyelesaikan permasalahan multi-criteria. Vahdani dan Hadipour yang

mengembangkan interval-valued fuzzy set concepts dan menggunakan metodologi

tersebut untuk menyelesaikan permasalahan pemilihan stategi pemeliharaan.

22
 Hatami-Marbini & Tavana (2011) yang mengusulkan sebuah metodologi

terbaru untuk fuzzy ELECTRE I berdasarkan hamming distance, mengaplikasikan

metode yang diusulkan tersebut untuk aplikasi yang ditulis oleh Chen et al kemudian

membandingkan hasil yang diperoleh dengan hasil Chen et al yang menggunakan

Fuzzy TOPSIS. Hasil yang didapatkan dari perbandingan tersebut adalah metode

Fuzzy ELECTRE I menyediakan informasi yang lebih berarti dan lebih dapat

digunakan dibandingkan Fuzzy TOPSIS. Hal ini dikarenakan Fuzzy ELECTRE I

dapat mengungkapkan alternatif yang mana yang lebih disukai, yang tidak dapat

diperbandingkan atau yang tidak terlalu signifikan perbedaannya. Sedangakan Fuzzy

TOPSIS hanya menyediakan data perangkingan sederhana dari beberapa alternatif.

Langkah – langkah yang dilakukan dalam penyelesaian masalah menggunakan

metode Fuzzy ELECTRE I menurut Hatami-Marbini & Tavana (2011) adalah sebagai

berikut:

1. Menentukan Kriteria Evaluasi

Tahapan pertama dari metode ini adalah membentuk sebuah kelompok

pembuat keputusan dan menentukan kriteria evaluasi. Pembuat keputusan ini akan

terdiri dari K orang.

2. Menentukan Performance Ratings

23
 Menentukan performance ratings (~
x ijk untuk i = 1, 2, …, m; j = 1, 2, …, n; k

= 1, 2, …, K dimana K menrupakan banyaknya pembuat keputusan, m merupakan

banyaknya alternatif dan n merupakan banyaknya kriteria) dengan menggunakan

variabel linguistik yang telah didefinisikan sebelumnya (Hatami-Marbini et al.,

2013). Contoh variabel linguistik untuk menilai performance ratings dapat dilihat

pada tabel 2.2.

3. Memilih Kepentingan Kriteria Menggunakan Variabel Linguistik Fuzzy

Langkah selanjutnya adalah memilih tingkat kepentingan kriteria yang

disimbolkan dengan W jk , j = 1, 2, …, n; k = 1, 2, …, K, dimana K merupakan

banyaknya pembuat keputusan dan n merupakan banyaknya kriteria. Tingkat

kepentingan kriteria yang dipilih berupa variabel linguistik. Contoh variabel

linguistik untuk menilai tingkat kepentingan kriteria dapat dilihat pada tabel 2.1.

4. Mengubah Nilai Linguistik Menjadi Nilai Fuzzy

5. Menghitung Agregat Performance Ratings dan Tingkat Kepentingan

Kriteria

Fungsi keanggotaan fuzzy yang digunakan adalah segitiga seusai dengan gambar 2.1,

maka fuzzy performance ratings dan bobot kriteria dari pembuat keputusan ke k
l m u l m u
adalah x ijk = X ijk , X ijk , X ijk dan W jk =W jk ,W jk ,W jk untuk i = 1, 2, …, m; j = 1, 2, …, n;

k = 1, 2, …, K, dimana K merupakan banyaknya pembuat keputusan, m merupakan

banyaknya alternatif dan n merupakan banyaknya kriteria. Oleh karena itu, agregasi

dari performance ratings x ij dapat dihitung dengan menggunakan persamaan (2.7).

24
Sedangkan agregat dari bobot kriteria W j dapat dihitung dengan menggunakan

persamaan (2.8)
l m u
x ijk= X ijk , X ijk , X ijk (2.7)

K
1
X = ∑ X ijk ;
l l
Dimana ij
K K =1

K
1
m
X ij = ∑ Xm ;
K K =1 ijk

K
1
X = ∑ X ijk ;
u u
ij
K K =1

i = 1, 2, …, m; j = 1, 2, …, n; k = 1, 2, …, K

K merupakan banyaknya pembuat keputusan, m merupakan banyaknya alternatif dan

n merupakan banyaknya kriteria

l m u
W j=W j ,W j , W j (2.8)

K
1
Dimana W =
l
j∑
K K =1
W ljk;

K
1
m
Wj = ∑ Wm;
K K =1 jk

K
1
W
u
j = ∑
K K =1
W ujk;

j = 1, 2, …, n; k = 1, 2, …, K

K merupakan banyaknya pembuat keputusan dan n merupakan banyaknya kriteria.

~
6. Membangun Matriks Keputusan Fuzzy U

25
 ~
Matriks keputusan U dibentuk dengan cara memasukan elemen agregat

performance ratings kedalam sebuah matriks berukuran m x n seperti pada persamaan

(2.9), sedangkan nilai agregat bobot kriteria dimasukan kedalam sebuah vektor

berukuran n seperti pada persamaan (2.10)

[ ]
x 11 x 12 … x1n
~ x 21 x 22 … x2n
U= (2.9)
… ⋯ … …
x m 1 x m2 … x mn

Dimana m merupakan banyaknya alternatif dan n merupakan banyaknya kriteria.

~
w=W 1 ,W 2 , … , W n (2.10)

Dimana n merupakan banyaknya kriteria.

7. Membangun Matriks Keputusan Fuzzy Terormalisasi

Untuk menghindari hal yang kompleks dalam sebuah proses keputusan,

sebuah transformasi satuan linier digunakan untuk mengubah suatu kriteria yang

berbeda menjadi satuan yang dapat dibandingkan. Matriks keputusan fuzzy

~
ternormalisasi R dapat digambarkan sesuai persamaan (2.11)
~ ~
R=[r ij ]m x n (2.11)

Dimana i = 1, 2, …, m; j = 1, 2, …, n; m merupakan banyaknya alternatif dan n

merupakan banyaknya kriteria. ~r ij dapat dihitung dengan menggunakan persamaan

(2.12)

~l ~m ~u
~r =( ~r l , ~r m , ~r u ) =( r ij , r ij , r ij ) (2.12)
ij ij ij ij ¿ ¿ ¿
d j dj d j

26
 ¿
Dimana d j = max{ x lij}atau merupakan nilai maksimum dari kriteria j, i = 1, 2, …, m; j

= 1, 2, …, n; ; m merupakan banyaknya alternatif dan n merupakan banyaknya

kriteria.

8. Membangun Matriks Keputusan Ternormalisasi Terbobot

Dengan mempertibangkan perbedaan bobot antar kriteria, matriks keputusan

ternormalisasi terbobot didhitung dengan cara mengalikan bobot kepentingan kriteria

dengan matriks keputusan ternormalisasi. Matriks keputusan ternormalisasi terbobot

dapat digambarkan sesuai dengan persamaan (2.13)

[ ]
v 11 v 12 … v1n
~v = v 21 v 22 … v2n
(2.13)
ij
… ⋯ … …
vm1 vm2 … v mn

Dimana ~v ij =r ij . ~
w ij; m merupakan banyaknya alternatif dan n merupakan banyaknya

kriteria. ~
wij merupakan nilai agregat bobot kepentingan kriteria ke-j.

9. Mengidentifikasi Jarak Antara Alternatif A gdan A f Terhadap Kriteria ke-j

dengan Menggunakan metode Hamming Distance

Pertama harus ditentukan batas atas dengan menggunakan max (~v gj , ~v fj ).

Kemudian menghitung hamming distance d(max(~v gj , ~v fj ),~v gj ) dan d(max(~v gj , ~v fj),~v fj)

berdasarkan persamaan (2.6). Himpunan concordance dapat didefinisikan seperti

pada persamaan (2.14). Sedangkan himpunan discordance dapat didefinisikan seperti

pada persamaan (2.15)

J c ={ j∨~v gj ≥ ~v fj } (2.14)

27
Dimana J c adalah indeks dari semua kriteria yang merupakan milik concordance

coalition dengan relasi outranking A g S A f . Kondisi ~v gj ≥ ~v fj terpenuhi jika dan hanya

jika d(max(~v gj , ~v fj),~v fj) ≥ d(max(~v gj , ~v fj),~v gj ). J = 1, 2, …, n; dan n adalah banyaknya

kriteria.

J D={ j∨~v gj < ~v fj } (2.15)

Dimana J D adalah indeks dari semua kriteria yang merupakan milik discordance

coalition dan yang melawan pernyataan “ A gpaling tidak sama baik atau lebih baik

daripada A f ”. Kondisi ~v gj < ~

v fj terpenuhi jika dan hanya jika d(max(~v gj , ~v fj),~v fj) ¿

d(max(~v gj , ~v fj ),~v gj ). J = 1, 2, …, n; dan n adalah banyaknya kriteria.

10. Membangun Matriks Concordance

Elemen matriks concordance dapat ditentukan sebagai penjumlahan

bilangan fuzzy dari bobot fuzzy semua kriteria dalam himpunan concordance. Matriks

concordance dapat didefinisikan dengan persamaan (2.16)

~
c=
⋮ [
−¿ … ~c 1 f
⋱
… ~
⋮
c 1 (m−1) ~
⋱
c1 m ~
¿
⋮ ¿ c g 1¿ … ¿ ~
c gf ¿ … ¿ ~c g(m−1) ¿ ~c gm¿ ⋮ ¿ ⋱ ¿ ⋮ ¿ ⋱ ¿ ⋮ ¿ ⋮¿ ~c m 1¿ … ¿ ~
c mf ¿ … ¿ ~cm (m−1) ¿

(2.16)

Dimana ~
c gf =( ~c gf , ~c gf , ~c gf )
l m u

= ∑~
wj
j ∈ Jc

= ∑ w lj, ∑ w mj , ∑ w uj
j ∈ Jc j ∈ Jc j ∈ Jc

11. Membangun Matriks Discordance

28
Matriks discordance dapat didefinisikan dalam persamaan (2.17)

D=
[ −¿ … d 1 f
⋮ ⋱
… d 1 (m −1 ) d 1 m
⋮ ⋱ ¿
⋮ ¿ d g 1 ¿ … ¿ d gf ¿ … ¿ d g (m−1) ¿ d gm ¿ ⋮ ¿ ⋱ ¿ ⋮ ¿ ⋱ ¿ ⋮ ¿ ⋮ ¿ d m 1 ¿ … ¿ d mf ¿ … ¿ d m (m−

(2.17)
~ ~
¿ V gj −V fj ∨¿
Dimana d gf =max ~ ~
j∈ J max ¿ V gj − V fj ∨¿=max ¿ d ¿ ¿ ¿ ¿
D
¿ , J adalah himpunan yang
D
j j ∈J D

ditentukan pada langkah 9. Sedangkan g dan f adalah alternatif yang

diperbandingkan.

12. Mengidentifikasi Matriks Boolean B dan H

Matriks Boolean B dan H dapat dibangun berdasarkan level minimum

concordance dan level minimum discordance. Apabila fungsi keanggotaan fuzzy

~
yang ditetapkan adalah fuzzy segitiga, maka level concordance, C=¿ ¿), dapat

ditentukan sebagai rata-rata elemen dalam matriks concordance yang digambarkan

pada persamaan (2.18). Selanjutnya dibentuklah matriks Boolean B berdasarkan level

minimum concordance, seperti pada persamaan (2.19)

M M

∑ ∑ C gf (2.18)
C z = f =1 g=1
m ( m−1 )

Dimana z merupakan indeks fuzzy yang membentuk fungsi keanggotaan fuzzy,

misalkan jika fungsi yang digunakan adalah segitiga, maka z secara berturut-turut

melambangkan l, m, dan u. M merupakan banyaknya alternatif.

29
B=
[ −¿ … b1 f
⋮ ⋱
… b1(m−1) b1 m
⋮ ⋱ ¿
⋮ ¿ b g 1 ¿ … ¿ b gf ¿ … ¿ bg (m−1) ¿ b gm¿ ⋮ ¿ ⋱ ¿ ⋮ ¿ ⋱ ¿ ⋮¿ ⋮ ¿ bm 1 ¿ … ¿ b mf ¿ … ¿ b m(m−1

(2.19)

Dimana ~
c gf ≥ Ć ↔ b gf =1

~
c gf < Ć ↔ bgf =0

Demikian juga elemen dari matriks discordance diukur oleh level discordance. Level

discordance digambarkan dalam persamaan (2.20)

M M

∑ ∑ D gf (2.20)
~ f =1 g =1
D=
m ( m−1 )

Dimana M merupakan banyaknya alternatif. Dan d gf adalah elemen dari matriks D.

Selanjutnya dibentuklah matriks Boolean H berdasarkan level minimum discordance,

seperti pada persamaan (2.21)

H=
[ −¿ … h1 f
⋮ ⋱
… h1(m−1) h1 m
⋮ ⋱ ¿
⋮ ¿ h g 1 ¿ … ¿ h gf ¿ … ¿ h g (m−1) ¿ h gm ¿ ⋮ ¿ ⋱ ¿ ⋮ ¿ ⋱ ¿ ⋮ ¿ ⋮ ¿ hm 1 ¿ … ¿ hmf ¿ … ¿ h m(m−1

(2.21)

Dimana d gf < D↔ h gf =1

d gf ≥ D ↔h gf =1

13. Membangun Matriks Global Z

Matriks Global Z dibangun dengan persamaan (2.22)

30
 Z=B ⨂ H (2.22)

Dimana setiap elemen Z gf didapatkan dengan persamaan Z gf =b gf h gf .

14. Membuat Graph Keputusan

Langkah terakhir dari prosedur fuzzy ELECTRE I adalah menggunakan

elemen matriks Z untuk mengidentifikasi alternatif yang dipilih. Dengan membuat

graph sederhana G = (V, J) akan sangat membantu dimana V adalah kumpulan dari

vertex dan J adalah kumpulan dari panah. Untuk setiap alternatif menggambarkan

verteks sedangakn untuk setiap pasangan alternatif A g dan A f gambarkan sebuah

busur diantara A g dan A f apabila A f lebih disukai atau sebaliknya, maupun A g dan A f

tidak jauh berbeda. Sebuah alternatif A g lebih disukai apabiala z gf =1 dan terdapat

panah dari A g ke A f . A g dan A f tidak dapat dibandingkan apabila z gf =0 dan tidak

terdapat panah dari A g ke A f . A g dan A f tidak jauh berbeda apabila z gf =1 dan z fg =1

dan terdapat panah kedua arah antara A g dan A f .

Gambar 2.5 Representasi dengan Graph keputusan

31
 Sumber: (Hatami-Marbini & Tavana, 2011)

BAB III

METODE PENELITIAN

Metode penelitian adalah cara atau prosedur beserta tahapan-tahapan yang jelas

dan sistematis dengan tujuan untuk melakukan proses pemecahan masalah yang

sedang diteliti berdasarkan landasan ilmiah. Penelitian dalam pembuatan sistem

pendukung keputusan dalam menentukan mahasiswa terbaik dilakukan dengan

tahapan-tahapan sebagai berikut:

1. Pengumpulan data dan informasi

2. Pengolahan data dan informasi

3. Analisis masalah dengan metode fuzzy ELECTRE I

4. Implementasi sistem

5. Pengujian sistem

6. Evaluasi sistem

3.1 Tempat Dan Waktu Penelitian

Penelitian ini dilaksanakan di Fakultas Ilmu Sosial dan Politik Universitas

Airlangga yang beralamat di Kampus B Dharmawangsa Dalam, Surabaya, Jawa

Timur. Waktu penelitian dilaksanakan selama 7 bulan yang dimulai pada bulan Juni

2017 hingga Desember 2017.

32
3.2 Objek Penelitian

Pada penelitian ini, yang menjadi objek penelitian adalah berkas data

mahasiswa berprestasi di Fakultas Ilmu Sosial dan Politik (Lampiran 4).

3.3 Langkah-langkah Penelitian

3.3.1 Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah

melalui wawancara langsung terhadap sumbernya untuk mengumpulkan informasi-

informasi yang dibutuhkan seperti alur-alur pemilihan mahasiswa berprestasi dan

permasalahan yang terjadi, studi literatur terkait metode yang digunakan,

pengumpulan kriteria pembobotan yang diperoleh langsung dari Pedoman Pemilihan

mahasiswa berprestasi Sarjana 2017, dan pengumpulan data input berupa data-data

penilaian tahun 2012.

Pengumpulan bahan dokumen berupa data sekunder yang merupakan data

mahasiswa untuk pemilihan mahasiswa berprestasi di Fakultas Ilmu Sosial dan

Politik Universitas Airlangga. Data yang digunakan merupakan data mahasiswa

berprestasi di Fakultas Ilmu Sosial dan Politik (Lampiran 4).

Studi literatur digunakan untuk mengetahui dan memahami langkah-langkah

metode Fuzzy ELECTRE I dalam pembuatan sistem pendukung keputusan untuk

mendapatkan pilihan terbaik. Studi literatur juga digunakan untuk mengetahui kriteria

pembobotan. Kriteria pembobotan didapatkan langsung dari Pedoman Pemilihan

33
mahasiswa berprestasi Sarjana 2017. Wawancara dilakukan dengan bagian

kemahasiswaan Fakultas Ilmu Sosial dan Politik dengan tujuan mendapatkan data-

data untuk menentukan pemilihan mahasiswa berprestasi (Lampiran 2).

3.3.2 Pengelolaan Data

Tahap pengolahan data dan informasi, studi literatur digunakan untuk

mendukung dalam menyelesaikan persoalan dengan menelusuri sumber-sumber

jurnal maupun tulisan yang telah dibuat sebelumnya. Sehingga dapat digunakan

untuk mendukung teori-teori yang digunakan dalam penelitian ini.

Wawancara memiliki tujuan agar dapat mengidentifikasi kriteria-kriteria

pembobotan yang digunakan Fakultas Ilmu Sosial dan Politik Universitas Airlangga

dalam menentukan pemilihan mahasiswa berprestasi.

Data input berupa data-data penilaian mahasiswa yang akan digunakan yang

diambil dari mahasiswa fakultas ilmu soisal dan politik. Data tersebut kemudian

disesuaikan dengan kriteria pembobotan yang kemudian diolah dengan menggunakan

metode Fuzzy ELECTRE I untuk mendapatkan pilihan mahasiswa berprestasi. Tahap

perhitungan dengan metode Fuzzy ELECTRE I, terdapat langkah-langkah yang harus

dilakukan yaitu terdapat pada gambar 3.1.

34
3.3.3 Pemilihan Mahasiswa Berprestasi dengan Metode Fuzzy ELECTRE I

Langkah-langkah dalam pemilihan mahasiswa berprestasi dengan

menggunakan metode Fuzzy ELECTRE I sebagaimana diperlihatkan pada Gambar

3.1 adalah sebagai berikut:

1. Menentukan Kriteria Evaluasi

Kriteria penilaian yang digunakan dalam penelitian ini berjumlah 4 kriteria

yaitu, Indeks Prestasi Kumulatif (C1), Karya tulis ilmiah (C2), Prestasi/Kemampuan

yang diunggulkan (C3), dan Bahasa inggris (C4). Indeks Prestasi Kumulatif (IPK)

adalah seluruh nilai matakuliah rata-rata yang lulus sesuai dengan aturan masing-

masing perguruan tinggi dan disahkan oleh Dekan. Karya tulis ilmiah merupakan

tulisan ilmiah hasil kajian pustaka yang bersumber dari referensi ilmiah dana tau

hasil riset yang berisi solutif kreatif dari permasalahan yang dianalisis secara

sistematis dan diakhiri dengan simpulan yang relevan. Prestasi/Kemampuan yang

diunggulkan yang dimaksud adalah prestasi/kemampuan unggulan yang diraih

selama menjadi mahasiswa khususunya kokurikuler dan ekstrakulikuler yang

mendapatkan pengakuan dana tau penghargaan yang berdampak positif pada

perguruan tinggi dan masyarakat. Prestasi yang dimaksud bukan hanya sekedar

berpartisipasi pada kegiatan tertentu akan tetapi menjadi

35
 penggerak/motivator/perbedaya masyarakat, juara/finalis atau sekurang-kurangnua

mendapatkan predikat tertentu. Bahasa inggris merupakan kemampuan penulisan

ringkasan berbahasa inggris dari karya tulis ilmiah dan presentasi dan diskusi dalam

berbahasa inggris. Kriteria-kriteria tersebut dapat dikelompokan menjadi tujuan

maksimal. Tujuan maksimal yaitu semakin besar nilai dari kriteria, maka semakin

baik alternatif dipilih sebagai mahasiswa berprestasi.

Start

Menentukan kriteria evaluasi

Menentukan performance ratings

Memilih kepentingan kriteria menggunakan variable linguistic yang sudah ditentukan

Mengubah evaluasi linguistik menjadi bilangan fuzzy segitiga

Menghitung agregat performance ratings dan tingkat kepentingan kriteria

Membangun matriks keputusan fuzzy

Membangun matriks keputusan fuzzy ternormalisasi

Mengidentifikasi jarak antara tindakan dengan menggunakan metode Hamming Distance

Membangun matriks concordance

Membangun matriks discordance

36
Mengidentifikasi matriks Boolean B dan H

Membangun matriks global

 Menggambarkan graph keputusan dan memberi peringkat pada alternatif

End

Gambar 3.1 Langkah – Langkah Pengolahan Data Menggunakan Fuzzy ELECTRE I

2. Menentukan Performance Ratings

Menentukan performance ratings Xij yang didapatkan dengan cara mengubah

data penilaian mahasiswa kedalam nilai linguistik. Data penilaian mahasiswa

didapatkan dari hasil wawancara.

3. Memilih Kepentingan Kriteria Menggunakan Variabel Linguistik

Tingkat kepentingan kriteria akan diinputkan oleh pengguna aplikasi

berdasarkan kepentingan krtiteria yang disepakati. Bentuk input merupakan nilai

linguistik yang berupa “Very Poor”, “Poor”, “Medium”, “Good”, dan “Very High”.

Untuk bilangan keanggotaan fuzzy tingkat kepentingan kriteria menggunakan

bilangan keanggotaan fuzzy yang terdapat pada tabel (2.1).

4. Mengubah Nilai Linguistik Menjadi Bilangan Fuzzy Segitiga

37
 Fungsi keanggotaan fuzzy yang digunakan yaitu fuzzy segitiga. Bilangan

keanggotaan fuzzy tingkat kepentingan kriteria sesuai dengan tabel (2.1) sedangkan

bilangan keanggotaan fuzzy tingkat kepentingan alternatif sesuai dengan tabel (2.2).

5. Menghitung Agregat Performance Ratings dan Tingkat Kepentingan Kriteria

Setelah mengetahui bilangan keanggotaan fuzzy tingkat kepentigan kriteria

dan alternatif, agregat performance ratings dapat dihitung dengan menggunakan

persamaan (2.7). untuk tingkat kepentingan kriteria dapat dihitung dengan

menggunakan persamaan (2.8).

6. Membangun Matriks Keputusan Fuzzy

Pada tahap ini, nilai aggregate fuzzy rating dari alternatif dan kriteria yang

telah dihitung kemudian dibuat menjadi matriks keputusan seperti pada persamaan

(2.9).

7. Membangun Matriks Keputusan Fuzzy Ternormalisasi

Matriks keputusan yang telah dibangun, digunakan untuk membangun matriks

keputusan fuzzy ternormalisasi. Normaliasi matriks keputusan dapat dihitung dengan

menggunakan persamaan (2.12).

8. Membangun Matriks Keputusan Fuzzy Ternormalisasi dan Terbobot

Matriks keputusan yang telah dinormalisasi, kemudian diberi bobot-bobot

yang telah dihitung untuk membangun matriks keputusan fuzzy ternormalisasi dan

38
terobobot. Pembobotan matriks keputusan fuzzy ternormalisasi dapat dihitung dengan

menggunakan persamaan (2.13).

9. Mengidentifikasi Jarak Antara Alternatif dengan Menggunakan Metode

Hamming Distance

Matriks concordance dan discordance dapat dihitung dengan menggunakan

matriks keputusan fuzzy ternormalisasi dan terbobot dengan mengidentifikasi

perbandingan berpasangan diantara alternatifnya. Dalam tahap ini, Metode hamming

distance digunakan untuk mengidentifikasi perbandingan berpasangan diantara

alternatifnya. Metode hamming distance dapat dihitung dengan menggunakan

persamaan (2.6).

10. Membangun Matriks Concordance

Setelah mengetahui jarak masing-masing diantara alternatif, matriks

concordance dapat dibangun. Matriks concordance dapat dihitung dengan

menggunakan persamaan (2.14). Elemen dari matriks concordance dapat ditentukan

dengan menggunakan persamaan (2.16). Setelah mendapatkan elemen-elemen dari

matriks concordance, concordance level dapat ditentukan. Concordance level dapat

dihitung dengan menggunakan persamaan (2.18).

11. Membangun Matriks Discordance

39
 Matriks discordance dapat dibangun setelah mengetahui jarak masing-masing

alternatif dengan menggunakan persamaan (2.15). Dan elemen dari matriks

discordance dapat ditentukan dengan menggunakan persamaan (2.17). Setelah

elemen-elemen matriks discordance terbentuk, discordance level dapat ditentukan

dengan menggunakan persamaan (2.20).

12. Mengidentifikasi Matriks Boolean B dan H

Matriks Boolean B dapat terbentuk menurut concordance level yang

minimum dengan membandingkan hamming distance yang telah diidentifikasi.

Matriks Boolean B dapat dihitung dengan menggunakan persamaan (2.19).

Sedangkan, matriks Boolean H dapat dihitung berdasarkan discordance level yang

minimum. Matriks Boolean H dapat dihitung dengan menggunakan persamaan

(2.21).

13. Membangun Matriks Global

Matriks global dapat dibangun setelah matriks Booelan B dan matriks

Boolean H ditentukan. Matriks global dapat dihitung dengan menggunakan

persamaan (2.22).

14. Menggambarkan Graph Keputusan dan Memberikan Peringkat kepada

alternatif

40
 Graph keputusan dapat digambar setelah matriks global telah ditentukan.

Graph keputusan kemudian dianalisis sehingga menghasilkan kesimpulan untuk

perangkingan setiap alternatif berdasarkan relasi antar node alternatif dalam graph.

3.4 Perancangan Sistem

Perancangan sistem untuk Sistem Pendukung Keputusan yang akan dibuat

adalah skema Sistem Flow Diagram. Skema tersebut digunakan untuk

menggambarkan aktifitas yang terjadi pada sistem mulai dari proses input hingga

proses output. Flowchart tersebut berisi alur sistem yang direncanakan, dengan

menggunakan inputan berupa atribut-atribut yang diperlukan. Kemudian input data

tersebut diproses dengan metode Fuzzy ELECTRE I. Sehingga didapatkan hasil

perangkingan alternatif daridata alternatif yang terlah diinputkan.

3.5 Implementasi Sistem

Implementasi sistem pendukung keputusan dalam pemilihan mahasiswa

berprestasi di Fakultas Ilmu Sosial dan Politik Universitas Airlangga dilakukan

dengan menggunakan bahasa pemograman Hypertext Preprocessor (PHP),

HyperText Markup Language (HTML), Javascript, dan MySQL sebagai database

management system.

3.6 Pengujian Sistem

Pengujian sistem diperlukan untuk menguji seberapa jauh sebuah sistem dapat

menjalankan fungsinya dengan baik. Adapun teknik pengujian yang digunakan untuk

41
menguji Sistem Pendukung Keputusan Pemilihan Mahasiswa Berprestasi dengan

Metode Fuzzy ELECTRE I adalah teknik blackbox testing.

3.7 Evaluasi Sistem

Evaluasi sistem dilakukan dengan mengukur kepuasan user terhadap fitur-fitur

yang tersedia dalam aplikasi sistem pendukung keputusan pemilihan siswa berprestasi

yang dibangun. Proses evaluasi dilakukan degan memberikan kuisoner hasil rancang

bangun sistem pendukung keputusan kepada pengambil keputusan. Evaluasi sistem

ini bertujuan untuk mengetahui apakah sistem pendukung keputusan yang telah

dibangun berjalan dengan baik dan hasil yang diberikan sesuai dengan apa yang telah

diharapkan oleh pihak fakultas dalam menunjang proses pemilihan mahasiswa

berprestasi.

42
43
 DAFTAR PUSTAKA

Aytac, Esra, Ayşegül Tus Isik, and Nilsen Kundakci. 2011. "Fuzzy ELECTRE I

Method for Evaluating Catering Firm Alternatives." Pamukkale University :

Özel Sayı 2011 ss. 125-134.

Awasthi, Anjali, S.S. Chauhan, S.K. Goyal. 2011. "A multi-criteria decision making

approach for location planning for urban distribution centers under

uncertainty." Mathematical and Computer Modelling 53 (2011) 98–109.

Baizyldayeva, Uldana, Oleg Vlasov, Abu A. Kuandykov, and Turekhan. B

Akhmetov. 2013. "Multi-Criteria Decision Support System. Comparative

Analysis." Almaty, Kazakhstan : Middle East Journal of Scientific Research

1725-1730.

Belbag, Sedat, Aybegum Gungordu, Tuba Yumusak, and Kadri Gokhan Yilmaz.

2016. "The Evaluation of Smartphone Brand Choice: an Application with the

Fuzzy ELECTRE I Method." Gazi University, Turkey : International Journal

of Business and Management Invention 55-63.

Chang, Yu-Hern, Chung-Hsing Yeh, and Yu-Wei Chang. 2013. "A new method

selection approach for fuzzy group multicriteria decision making."Applied

Soft Computing.

Ertuğrul, İrfan, and Nilsen Karakaşoğlu. 2007. "Comparison of fuzzy AHP and fuzzy

TOPSIS methods." International Journal Adv Manufactur Technology

 (Business Administration Department, Pamukkale University) 783–795.

Figueira, J.R, S Greco, B Roy, and R Slowinski. 2010. "Electre Methods: Main

Features adn Recent Developments."

Hatami-Marbini, A, and M Tavana. 2011. "An Extension of the ELECTRE I Method

for Group Decision-Making under a Fuzzy Environment." Omega 39 (2011)

373–386.

Hatami-Marbini, A, Madjid Tavana, Masoumeh Moradi, and Fatemeh Kangi. 2013.

"A Fuzzy Group ELECTRE Method for Safety and Health Assessment in

Hazardous Waste Recycling Facilities." Safety Science 51 (2013) 414–426.

Jang, Jyh Shing Roger, Chuen Tsai Sun, and Eiji Mizutani. 1997. "Neuro Fuzzy and

Soft Computing." New Jersey : Upper Sadder River, NJ07458.

Janko, Wolfgang, and Bernoider E. 2005. "Muti-Criteria Decision Making An

Aplication Study of ELECTRE & TOPSIS dalam Fuzzy Multiple Attribut

Decision Making(FMADM)." Edited by Graha Ilmu. Yogyakarta: Graha

Ilmu.

Kadir, Abdul. 2003. Pengenalan Sistem Informasi. Vol. I. Yogyakarta: Penerbit

ANDI.

Lonescu, M, and A Ralescu. 2005. "Fuzzy Hammin Distance based banknote

Validator". United State of America : IEEE International Conference on

Fuzzy Systems.

M, Wu, and Chen T. 2012. "Interval-valued Intuitionistic Fuzzy ELECTRE Method."

Chang Gung University, Taoyuan 333 : AIJSTPME (2012) 5(3): 33-40

Pranoto, Yosep Agus, M.Aziz Muslim, and Rini Nur Hasanah. 2013. "Rancang

Bangun dan Analisis Decision Support System Menggunakan Metode

Analytical Hierarchy Process untuk Penilaian Kinerja Karyawan." Jurnal

EECCIS Vol. 7.

Ristekdikti. 2017. Pedoman Pemilihan Mahasiswa Beprestasi (PILMAPRES)

Program Sarjana. Jakarta: Direktorat Jendral Pembelajaran dan

Kemahasiswaan Kementrian Riset Teknologi dan Pendidikan Tinggi 2017.

Rouyendegh, Babak Daneshvar, and Turan Erman Erkan. 2013. "An Application of

teh Fuzzy ELECTRE Method for Academic Staff Selection." Department of

Industrial Engineering, Atılım University : Wiley Periodicals, Inc.

Triantaphyllou, E, B Shu, S. Nieto Sanchez, and T Ray. 1998. "Multi-Criteria

Decision Making: An Operations Research Approach." Louisiana State

University: Encyclopedia of Electrical and Electronics Engineering.

Turban, Efraim, Jay E. Aronson, Ting-Peng Liang, and Richard V. McCarthy. 2005.

Decision Support System and Intelligent System 7th ed. Vol. 1. New jersey:

Pearson Education, Inc.

Tzeng, Gwo-Hshiung, and Jih-Jeng Huang. 2011. Multiplr Attribute Decision Making

Mehods and Applications. Boca Carton: CRC Press.

Lampiran 1 Surat Izin Penelitian
Lampiran 2 Form Wawancara
Lampiran 3 Form Penilaian Mahasiswa Berprestasi
Lampiran 4 Form Hasil Penilaian Mahasiswa Berprestasi
 Waktu pengerjaan
Jun-17 Jul-17 Agus-17 Sep-17 Okt-17 Nov-17 Des-17
Aktivitas/Minggu ke
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

Penetapan Tujuan
dan Perumusan
Masalah
Studi Literatur
Pengumpulan Data
Analisis Data
Perancangan Sistem
Implementasi Sistem
Pengujian Sistem
Evaluasi Sistem

JADWAL PELAKSANAAN KEGIATAN