ISSN: 1907-7912 EISSN: 2622-8092

PEMILIHAN EMARKETPLACE
DENGAN METODE FUZZY AHP-VIKOR

Ari Putra Wibowo1, Era Yunianto2

1
Program Studi Teknik Informatika, STMIK Widya Pratama
2
Program Studi Komputerisasi Akuntansi, STMIK Widya Pratama
Jl. Patriot No 25 Pekalongan
Email : ari.putra@gmail.com2, era.yunianto@gmail.com2

Abstrak
Saat ini sudah banyak pelaku usaha memanfaatkan ecommerce sebagai media pemasaran. Salah
satu jenis ecommerce adalah emarketplace. Penggunaan emarketplace yang tepat akan berdampak
terhadap profitabilitas bisnis. Penelitian ini melakukan pemilihan emarketplace dengan metode
Fuzzy AHP dan VIKOR. Alternatif emarketplace yang dipilih merupakan tiga besar yang sering
dikunjungi di Indonesia pada 2019 quartil 1. Sumber data berasal dari kuesioner yang dibagikan
kepada pengguna emarketplace. Dari hasil penelitian, kriteria yang mempengaruhi kualitas
emarketplace antara lain : service quality (28.4%), system quality (23.1%), information quality
(25,1%) dan vendor specific quality (23.4%). Sedangkan urutan perangkingan alternatif : SH
(Qj=0.000), TP (Qj=0.068) dan BL (Qj=0.069). dari solusi kompromi, SH merupakan alternatif
terbaik dalam pemilihan emarketplace dengan metode Fuzzy AHP dan VIKOR. Hasil dari penelitian
ini dapat menjadi rekomendasi dalam pemilihan emarketplace.

Keyword : Fuzzy AHP VIKOR, Pemilihan emarketplace

1. PENDAHULUAN menggunakan metode fuzzy AHP.Sedangkan

Banyak pelaku usaha di Pekalongan,
khususnya batik telah memanfaatkan
ecommerce sebagai media pemasaran
(Sulistyorini, et al., 2014). Adopsi ecommerce
menurut (Sevtian, 2011) dapat bermanfaat
besar bagi pelaku usaha. Emarketplace
merupakan salah satu jenis ecommerce yang
dapat meningkatkan kepercayaan pelanggan.
Kekhawatiran penipuan atau barang tidak
terkirim dapat dihilang karena adanya sistem
rekening bersama dan jaminan pihak ketiga
(Taryadi, 2015).
Kualitas ecommerce berpengaruh terdapat
nilai conversion rate yaitu presentase
kunjungan ecommerce yang berakhir pada
pembelian produk. Nilai conversion rate
mencerminkan aktifitas dan efektifitas
ecommerce yang memberikan dampak yang
luar biasa terhadap profitabilitas bisnis.
(Iprice, 2017) . kualitas suatu ecommerce
diukur oleh persepsi pengguna dengan kriteria
utama information quality, system quality,
service quality, dan vendor specific quality.
(Vatansever, 2014)
Berikut penelitian terkait dalam pemilihan
ecommerce antara lain Penelitian (AYDIN, et
al., 2012) melakukan evaluasi ecommerce
menggunakan metode VIKOR, penelitian
(Yunianto, 2017) dan (Vatansever, 2014)
melakukan evaluasi ecommerce
penelitian (Alptekin, 2015) , (Sun, 2009) dan
(Yunianto, 2018) melakukan evaluasi
ecommerce menggunakan metode fuzzy
TOPSIS. Penelitian (Royanti, et al., 2018)
melakukan pemilian emarketplace
menggunakan integrasi metode Fuzzy AHP
dan Fuzzy TOPSIS. Penelitian (Yunianto,
2019) Melakukan pemilihan ecommerce C2C
Indonesia dengan metode Fuzzy VIKOR
Dalam metode Fuzzy AHP menggunakan
konsep teori himpunan fuzzy dan analisa
struktur AHP untuk penilaian dan memilih
alternatif. Sedangkan konsep metode TOPSIS
mudah dipahami dan komputasinya efisien
dalam mengukur kinerja dari alternatif dalam
bentuk matematik yag sederhana. Dalam
metode TOPSIS, alternatif terbaik memiliki
jarak terpendek dengan solusi ideal positif dan
terpanjang dengan solusi ideal negatif.
(Kusumadewi, 2006). VIšekriterijumsko
KOmpromisno Rangiranje (VIKOR) adalah
metode MADM untuk memilih solusi atau
alternatif terdekat dari solusi ideal. Menurut
(Tzeng, 2004), penggunaan normalisasi linear
pada VIKOR dan normalisasi vektor pada
TOPSIS menjadikan metode VIKOR lebih
mendekati solusi ideal dari pada metode
TOPSIS.
Penelitian ini mengembangkan metode
fuzzy AHP dan fuzzy VIKOR dalam

IC-Tech Volume XIV No. 2 Oktober 2019 [31] http://ejournal.stmik-wp.ac.id

 ISSN: 1907-7912 EISSN: 2622-8092

pemilihan e-marketplace. Karena penggunaan Berikut skala lingustik dalam mengisi bobot
e-marketplace yang tepat akan berdampak alternatif : (Alptekin, 2015) (Sun, 2009)
pada profitabilitas bisnis (Iprice, 2017). Hasil
dari penelitian dapat menjadi rekomendasi Tabel 3 Skala lingustik Pembobotan Alternatif
LINGISTIK VARIABLE TFN
dalam pemilihan e-marketplace berkualitas
Very Low (VL) (0.0, 0.1, 0.3)
bagi pelaku usaha dan bagi para pengembang Low ( L ) ( 0.1, 0.3, 0.5 )
dapat dijadikan referensi dalam menentukan Medium ( M ) ( 0.3, 0.5, 0.7 )
strategi pengembangan e-marketplace. High ( H ) ( 0.5, 0.7, 0.9 )
Very High (VH) ( 0.7, 0.9, 1.0 )
2. METODE PENELITIAN
Data yang diperoleh akan dianalisis
Menggunakan metode eksperimental,
menggunakan metode fuzzy AHP dan fuzzy
dengan tahapan penelitian adalah
VIKOR. Berikut langkah analisis data :
pengumpulan data dan analisis data. Sumber
a. Menghitung bobot kriteria dan sub kriteria
data berasal dari kuesioner yang dibagikan
menggunakan metode fuzzy AHP :
kepada pengguna emarketplace sejumlah 50
1) Menyusun matriks perbandingan
orang. Berikut kriteria yang digunakan dalam
berpasangan atau fuzzy compasion
penelitian ini : (Alptekin, 2015)
matrix (FCM) kriteria dan sub kriteria
Tabel 1 Kriteria dan sub kriteria penelitian ~𝑘 ~𝑘 ~𝑘
d 11 d 12 … d 1𝑗
Kriteria Sub Kriteria
Service Trust (Dapat dipercaya), Reliability ~𝑘 ~𝑘 ~𝑘
Quality (Konsistensi layanan), Responsiveness A = d 21 … … d 2𝑗
(Waktu dalam merespon pelanggan) … … … …
System Navigability (Situs mudah digunakan), ~𝑘 ~𝑘 ~𝑘
Quality Response time (Waktu respon situs), [ d 𝑖1
d 𝑖2 … d 𝑖𝑗 ]
Accessibility (Mudah diakses setiap
saat), Security (Keamanan),Usability
(Situs mudah dipelajari/ user friendly) ~𝑘
Dimana d 𝑖𝑗 menunjukan nilai
Information Accuracy (Akurat), Completeness
Quality (informasi lengkap), Timeliness preferensi pada kriteria i terhadap
(Informasi up-to-date), Relevance kriteria j yang diberikan oleh
(Informasi sesuai dengan layanan), pengambil keputusan k, Pada tahap
Understandability (Informasi mudah ini sudah menggunakan bilangan
dipahami) Triangular Fuzzy Number (TFN).
Vendor Awareness (Reputasi vendor), Price (Mustafa, 2013)
Spesific savings (Keuntungan yang diperoleh)
Quality
2) Apabila pengambil keputusan lebih
dari satu maka menggunakan rata-rata
Alternatif emarketplace yang dipilih
geometris (Ayrafedi, 2009)
merupakan tiga besar yang sering dikunjungi 1⁄
𝑘
di Indonesia pada tahun 2019 quartal 1 yaitu , ~ ~𝑘
d 𝑖𝑗 = (∏𝑘=1 d )
𝑘
𝑖𝑗
yaitu Tokopedia (TP), Bukalapak (BL) dan
shopee (SH) (Iprice, 2019)
Responden mengisi bobot kriteria dalam ~k
bentuk perbandingan berpasangan dan Dimana d ij merupakan preferensi
mengisi bobot alternatif. Berikut skala setiap pengambil keputusan
lingustik dalam mengisi bobot kriteria : 3) Menghitung Consistency Index untuk
(Chang, 1992) mengukur ketidakkonsistenan dari
FCM. Metode defuzzifikasi Center of
Tabel 2 Skala Lingustik Pembobotan Kriteria Area (COA) perlu digunakan untuk
STATEMENT TFN RECIPROCAL
TFN
mengubah kedalam matriks crisp
Equal (E) (1,1,1) (1,1,1) (Mustafa, 2013)
𝐿𝑤 +𝑀𝑤 +𝑈𝑤𝑖
Weak (W) ( 1 , 3/2 , 2 ) ( 1/2 , 2/3 , 1/1 ) 𝑀𝑖 = 𝑖 3 𝑖
Fairly Strong (FS) ( 2 , 5/2 , 3 ) ( 1/3 , 2/5 , 1/2 )
Very Strong (VS) ( 3 , 7/2 , 4 ) ( 1/4 , 2/7 , 1/3 )
Absolute (A) ( 4 , 9/2 , 9/2 ) ( 2/9 , 2/9 , 1/4 )

IC-Tech Volume XIV No. 2 Oktober 2019 [32] http://ejournal.stmik-wp.ac.id

ISSN: 1907-7912 EISSN: 2622-8092

Pengujian konsistensi vector w dapat 5) Untuk mengetahui bobot normal

dicari sebagai berikut: (Kusumadewi, dapat dilakukan defuzzifikasi untuk
2006) mendapatkan nilai Best Non-Fuzzy
Jika A adalah matrix perbandingan Performance (BNP) dan normalisasi.
berpasangan crisp dan W merupakan Defuzzifikasi menggunakan metode
vector bobot. Center of Area (COA), menghasilkan
a) Menormalkan matrix A matrix 𝑀𝑖 dalam bentuk bilangan
b) Hitung : (A) (W T) crisp, namun perlu dilakukan
c) Hitung : t = normalisasi. (Mustafa, 2013)
1 element ke i pada (A) (WT ) 𝑀𝑖
∑ni=1 ( ) 𝑁𝑖 =
n element ke i pada wT ∑𝑛
𝑖=1 𝑀𝑖
d) Hitung consistency index :
𝑡−𝑛
𝐶𝐼 = 6) Untuk sub kriteria dapat dihitung
𝑛−1
Jika CI = 0 , maka A konsisten, bobot global sebagai berikut :
𝐶𝐼 ~
w ~
w ~
w
Jika 𝑅𝐼 ≤ 0.1 , maka A cukup 𝑔𝑙𝑜𝑏𝑎𝑙 = 𝑘𝑟𝑖𝑡𝑒𝑟𝑖𝑎 ⊗ 𝑠𝑢𝑏 𝑘𝑟𝑖𝑡𝑒𝑟𝑖𝑎
𝑛
konsisten,
𝐶𝐼 b. Menghitung bobot alternatif
Jika 𝑅𝐼 ≥ 0.1 , maka A tidak
𝑛 menggunakan metode fuzzy VIKOR :
konsisten. 1) Menghitung bobot aggregasi fuzzy
Random Index ( RIn ) adalah nilai untuk alternatif setiap sub kriteria
rata-rata CI yang dipilih secara Diasumsikan 𝑥𝑖𝑗 adalah bobot dari
acak pada A dan diberikan alternatif (Ai) setiap sub kriteria (Cj),
sebagai berikut : sedangkan K adalah jumlah
pengambil keputusan. Bobot
Tabel 4 Skala Nilai Random Indeks (RI)
N 2 3 4 5 6 7 ...
aggregasi fuzzy dari alternatif (Am)
RIn 0 0.58 0.90 1.12 1.24 1.32 ... setiap sub kriteria (Cn) dapat dihitung
menggunakan persamaan : (Afful-
4) Menghitung bobot kriteria dengan Dadzie, et al., 2014)
metode fuzzy synthetic decision 𝑥𝑖𝑗 = (𝑎𝑖𝑗 , 𝑏𝑖𝑗 , 𝑐𝑖𝑗 ) , dimana
𝑘 1
(Buckley, 1985) : 𝑎𝑖𝑗 = 𝑚𝑖𝑛{𝑎𝑖𝑗 } , 𝑏𝑖𝑗 = ∑𝑘𝑘=1 𝑏𝑖𝑗𝑘 ,
𝑘 𝑘
a) Menghitung rata-rata geometric 𝑐𝑖𝑗 = 𝑚𝑎𝑥 {𝑐𝑖𝑗𝑘 }
dari FCM (Mustafa, 2013) 𝑘
1⁄
𝑛
~ ~ Selanjutnya membuat matrik fuzzy
r𝑖 = (∏𝑛𝑗=1 d 𝑖𝑗 )
keputusan dari alternatif setiap sub
kriteria dengan persamaan sebagai
Dimana ~ r 𝑖 masih dalam bentuk berikut : (Alptekin, 2015)
bilagan TFN. 𝐴1 𝐴2 ⋯ 𝐴𝑖
b) Menghitung bobot fuzzy tiap 𝐶1 𝑥11 𝑥12 ⋯ 𝑥1𝑗
kriteria 𝑓 = 𝐶2 𝑥 𝑥22 ⋯ 𝑥2𝑗
~ −1 [ 21 ⋮ ]
w𝑖 = ~r 𝑖 ⊗ (~r 1⊕ ~
r 2⊕… ⊕ ~ r 𝑛) ⋮ ⋮ ⋮ ⋱
~ = (𝐿𝑤 , 𝑀𝑤 , 𝑈𝑤 ) 𝐶𝑗 𝑥𝑖1 𝑥𝑖2 ⋯ 𝑥𝑖𝑗
w 𝑖 𝑖 𝑖 𝑖

2) Menentukan nilai fuzzy

menghitung penjumlahan vector ∗
terbaik/positif (𝑓𝑖 ) dan nilai fuzzy
dari semua ~ r , kemudian hasilnya terburuk/negatif (𝑓𝑖𝑜 ) untuk setiap
dipangkatkan dengan -1 untuk kriteria
membuat reverse vector Nilai fuzzy positif dinotasikan dengan
(𝑈𝑤𝑖 , 𝑀𝑤𝑖 , 𝐿𝑤𝑖 ). Untuk 𝑓𝑖∗ = ( 𝑙𝑖∗ , 𝑚𝑖∗ , 𝑢𝑖∗ ) sedangkan nilai
mendapatkan bobot fuzzy dari fuzzy negatif dinotasikan dengan
~ ), maka kalikan tiap
kriteria i ( w 𝑓𝑖𝑜 = ( 𝑙𝑖𝑜 , 𝑚𝑖𝑜 , 𝑢𝑖𝑜 ) dapat dihitung
𝑖
~
r dengan reverse vector. sebagai berikut (Afful-Dadzie, et al.,
𝑖
2014) ( Chang, 2014):

IC-Tech Volume XIV No. 2 Oktober 2019 [33] http://ejournal.stmik-wp.ac.id

ISSN: 1907-7912 EISSN: 2622-8092

𝑓𝑖∗ = 𝑚𝑎𝑥 𝑓𝑖𝑗 , 𝑓𝑖𝑜 = 𝑚𝑖𝑛 𝑓𝑖𝑗 , for i ∈ B Defuzzifikasi mengubah

𝑗 𝑗
𝑆𝑗 , 𝑅𝑗 𝑑𝑎𝑛 𝑄𝑗 menjadi nilai crisp S, R
𝑓𝑖∗ = 𝑚𝑖𝑛 𝑓𝑖𝑗 , 𝑓𝑖𝑜 = 𝑚𝑎𝑥 𝑓𝑖𝑗 , for i ∈ C
𝑗 𝑗 dan Q (Afful-Dadzie, et al., 2014)
Dimana B adalah benefit kriteria dan
C adalah cost kriteria. 7) Perangkingan Alternatif
Dilakukan pemeringkatan nilai S, R
3) Menormalisasikan fuzzy difference dan Q dalam urutan menurun.
Normal fuzzy difference (𝑑𝑖𝑗 ) dapat Hasilnya adalah tiga daftar peringkat
dilakukan sebagai berikut ( Chang, {A}S, {A}R dan {A}Q. Index Qi
2014) : merupakan ukuran pemisahan Ai dari
(𝑓𝑖∗ − 𝑥𝑖𝑗 ) alternatif terbaik. Artinya semakin
𝑑𝑖𝑗 = , for i ∈ B
(𝑢𝑖∗ − 𝑙𝑖𝑜 ) kecil nilai Q, semakin baik
(𝑥𝑖𝑗 − 𝑓𝑖∗ ) alternatifnya. (Afful-Dadzie, et al.,
𝑑𝑖𝑗 = , for i ∈ C
(𝑢𝑖𝑜 − 𝑙𝑖∗ ) 2014)

4) Menghitung nilai Utility Measure dan 8) Solusi kompromi

Regret Measure Langkah ini mengusulkan solusi
Utility Measure dinotasikan 𝑆𝑗 kompromi, dimana alternatif A(1)
dengan dan regret Measure adalah peringkat terbaik dengan Q
dinotasikan dengan 𝑅𝑗 dapat dihitung minimum, jika dua kondisi berikut
sebagai berikut ( Chang, 2014): terpenuhi : (Opricovic, 2011)
𝑆𝑗 = ∑𝑛𝑖=1(𝑤𝑖 ∗ 𝑑𝑖𝑗 ) Kondisi 1 : Acceptable advantage
𝑅𝑗 = 𝑚𝑎𝑥 (𝑤𝑖 ∗ 𝑑𝑖𝑗 ) 𝐴𝑑𝑣 ≥ 𝐷𝑄
𝑖
𝑄(𝐴)(2) − 𝑄(𝐴)(1)
Dimana 𝐴𝑑𝑣 = 𝑄(𝐴)(𝑗) − 𝑄(𝐴)(1)
,
Dimana 𝑆𝑗 = (𝑆𝑗𝑙 , 𝑆𝑗𝑚 , 𝑆𝑗𝑢 ) merupakan Merupakan tingkat keuntungan dari
jumlah fuzzy terbobot, sedangkan alternatif A(1) peringkat pertama,
𝑅𝑗 = (𝑅𝑗𝑙 , 𝑅𝑗𝑚 , 𝑅𝑗𝑢 ) merupakan operasi alternatif A(2) adalah alternatif
fuzzy MAX, dan 𝑤𝑖 merupakan bobot dengan posisi kedua di {A}Q dan
kriteria. 1
ambang 𝐷𝑄 = (𝐽−1)
5) Menghitung Indeks VIKOR
Index vikor dinotasikan dengan 𝑄𝑗 = Kondisi 2 : Acceptable stability in
(𝑄𝑗𝑙 , 𝑄𝑗𝑚 , 𝑄𝑗𝑢 ) dinyatakan dalam decision making
trianggular fuzzy number yang dapat Alternatif A(1) harus menjadi
dihitung sebagai berikut ( Chang, peringkat terbaik pada S atau dan R.
2014) : Kompromi solusi yang diusulkan
(𝑆𝑗 − 𝑆 ∗ ) (𝑅𝑗 − 𝑅∗ ) apabila salah satu kondisi tidak
𝑄𝑗 = 𝑣 + (1 − 𝑣) 𝑜𝑢 memuaskan :
(𝑆 − 𝑆 )
𝑜𝑢 ∗𝑙 (𝑅 − 𝑅 ∗𝑙 )
1) Alternatif A(1) dan A(2) jika hanya
Dimana 𝑆 ∗ = min 𝑆𝑗 , 𝑆 𝑜𝑢 = max 𝑆𝑗𝑢 ,
kondisi 2 tidak memuaskan
𝑗 𝑗 2) Alternatif A(1) , A(2) ... A(M) jika
𝑅∗ = min 𝑅𝑗 , 𝑅𝑜𝑢 = max 𝑅𝑗𝑢
𝑗 𝑗 kondisi 1 tidak memuaskan;
v merupakan bobot strategi mayoritas A(M) diperoleh dari Q(A(M) ) −
kriteria (maximum group utility), Q(A(1) < DQ ,
sedangkan (1-v) merupakan bobot
individual regret. Stategi ini bisa
dikompromikan oleh v=0.5 dan v
(𝑛+1)
dapat dimodifikasi sebagai 𝑣 =
2𝑛
(𝑛−1)
dan 𝑣 + 2𝑛
= 1 (Opricovic, 2011)

6) Defuzzifikasi
Dilakukan dengan menggunakan
metode Center of Area (COA).

IC-Tech Volume XIV No. 2 Oktober 2019 [34] http://ejournal.stmik-wp.ac.id

 ISSN: 1907-7912 EISSN: 2622-8092

3. HASIL DAN PEMBAHASAN Dilanjutkan dengan menghitung

Dari hasil perataan geometris maka dapat consistency rasio, untuk n= 4
disusun Fuzzy comparison matrix (FCM) maka RIn = 0.90, maka
sebagai berikut : 0.024
𝐶𝑅 = = 0.027
C1 C2 C3 C4 0.90
C1 (1,1,1) (1, 1.26, (1 , 1.23 , (0.87 , 1.12, Matrik A dianggap cukup
1.52) 1.55) 1.43)
C2 (0.66 , 0.79 , (1 , 1 , 1) (0.66 , 0.85 , (0.87 , 1.08 , konsisten karena nilai CR ≤ 0.1
1) 1.15) 1.32)
C3 (0.64 , 0.82 , (0.87 , 1.18 , (1 , 1 , 1) (0.76 , 1.08 ,
1) 1.52) 1.52)
Menentukan bobot kriteria menggunakan
C4 (0.70 , 0.89 , (0.76 , 0.92 , (0.66 , 0.92 , (1 , 1 , 1) metode fuzzy synthetic decision
1.15) 1.15) 1.32) a) Berikut hasil rata-rata geometric
dari fuzzy comparision matrix
Selanjutnya Consistency Index untuk (FCM)
mengukur ketidakkonsistenan dari FCM,
l m u
namun sebelumnya perlu dilakukan proses ~
defuzzifikasi dengan metode COA. Berikut r 1 0.97 1.15 1.35
matrix hasil defuzzifikasi: ~
r 2 0.78 0.93 1.11
~
r 3
C1 C2 C3 C4 0.81 1.01 1.23
C1 1.00 1.26 1.26 1.14 ~
r 4 0.77 0.93 1.15
C2 0.82 1.00 0.89 1.09
~
r 1⨁ ~r 2⨁ ~r 3⨁ ~r 4
C3 0.82 1.19 1.00 1.12 3.33 4.02 4.84
−1 1 1 1
C4 0.91 0.94 0.97 1.00 ~ ~ ~ ~
(r 1 ⨁ r 2 ⨁ r 3 ⨁ r 4 )
4.84 4.02 3.33
Berikut langkah pengujian konsistensi :
a) Menormalkan matriks b) Menentukan bobot fuzzy tiap
C1 C2 C3 C4 kriteria
C1 1.00 1.26 1.26 1.14 ~ = ~ −1
w 𝑖
r 𝑖 ⊗ (~ r 1⊕ ~ r 2⊕… ⊕ ~ r 𝑛)
C2 0.82 1.00 0.89 1.09 =
C3 0.82 1.19 1.00 1.12 ~ = (0.97 , 1.15 , 1.35) ⊗ ( 1 , 1 , 1
w )
C4 0.91 0.94 0.97 1.00
1 4.84 4.02 3.33
~ =
w (0.20 , 0.29 , 0.41)
JML 3.55 4.39 4.11 4.35 1

C1 C2 C3 C4 Rata2 Selanjutnya dilakukan defuzzifikasi untuk

C1 0,28 0,29 0,31 0,26 0,28 mendapatkan nilai BNP. Berikut contoh
C2 0,23 0,23 0,22 0,25 0,23 perhitungan BNP kriteria service quality
C3 0,23 0,27 0,24 0,26 0,25 0.20 + 0.29 + 0.41
C4 0,26 0,21 0,24 0,23 0,23 𝐵𝑁𝑃𝑠𝑒𝑟𝑣𝑖𝑐𝑒 =
3
JML 1 1 1 1 1 𝐵𝑁𝑃𝑠𝑒𝑟𝑣𝑖𝑐𝑒 = 0.30
b) Hitung : (A) (W T)
1.00 1.26 1.26 1.14 0.28 1.16 Berikut contoh perhitungan bobot normal
0.82 1.00 0.89 1.09 x 0.23 = 0.94 untuk kriteria service quality :
0.82 1.19 1.00 1.12 0.25 1.02 0.30
𝑁𝑠𝑒𝑟𝑣𝑖𝑐𝑒 𝑞𝑢𝑎𝑙𝑖𝑡𝑦 =
0.91 0.94 0.97 1.00 0.23 0.95 0.30 + 0.24 + 0.26 + 0.25
𝑁𝑠𝑒𝑟𝑣𝑖𝑐𝑒 𝑞𝑢𝑎𝑙𝑖𝑡𝑦 = 0.284
c) Hitung : 𝑡 =
1 𝑒𝑙𝑒𝑚𝑒𝑛𝑡 𝑘𝑒 𝑖 𝑝𝑎𝑑𝑎 (𝐴) (𝑊 𝑇 ) Menghitung bobot fuzzy global untuk tiap sub
∑𝑛𝑖=1 ( )
𝑛 𝑒𝑙𝑒𝑚𝑒𝑛𝑡 𝑘𝑒 𝑖 𝑝𝑎𝑑𝑎 𝑤𝑇 kriteria. Berikut contoh perhitungan bobot
1 1.16 0.94 1.02 0.95 fuzzy global untuk sub kriteria trust :
𝑡= ( + + + )
4 0.28 0.23 0.25 0.23 ~
w = w~ ~
⊗ w
= 4.07 𝑡𝑟𝑢𝑠𝑡_𝑔𝑙𝑜𝑏𝑎𝑙 𝑠𝑒𝑟𝑣𝑖𝑐𝑒_𝑞𝑢𝑎𝑙𝑖𝑡𝑦 𝑡𝑟𝑢𝑠𝑡
~
w = (0.20 , 0.29 , 0.41)
𝑡𝑟𝑢𝑠𝑡_𝑔𝑙𝑜𝑏𝑎𝑙
d) Hitung consistency index : ⊗ (0.29 , 0.36 , 0.45)
4.07 − 4 ~
w = (0.06 , 0.10 , 0.18)
𝐶𝐼 = = 0.024 𝑡𝑟𝑢𝑠𝑡_𝑔𝑙𝑜𝑏𝑎𝑙
4−1
Berikut hasil perhitungan bobot normal untuk
tiap sub kriteria :

IC-Tech Volume XIV No. 2 Oktober 2019 [35] http://ejournal.stmik-wp.ac.id

 ISSN: 1907-7912 EISSN: 2622-8092

Tabel 5 Bobot Fuzzy dan Bobot Normal untuk Kriteria dan Sub Kriteria
Bobot Fuzzy / Bobot Fuzzy Bobot
Kriteria Sub kriteria Bobot Fuzzy Local
BNP / Normal Global normal
Trust (0.29 , 0.36 , 0.45) (0,06 , 0,10 , 0,18) 0,101
(0.20 , 0.29 , 0.41)
Service
0,30 Reliability (0.26 , 0.33 , 0.42) (0,05 , 0,10 , 0,17) 0,093
Quality
0.284
Responsiveness (0.24 , 0.30 , 0.39) (0,05 , 0,09 , 0,16) 0,086
Navigability (0.11 , 0.16 , 0.25) (0,02 , 0,04 , 0,08) 0,041
Response time (0.13 , 0.19 , 0.29) (0,02 , 0,04 , 0,10) 0,047
(0.16 , 0.23 , 0.33)
System
0,24 Accesibility (0.14 , 0.19 , 0.28) (0,02 , 0,04 , 0,09) 0,046
Quality
0.231
Security (0.16 , 0.24 , 0.35) (0,03 , 0,05 , 0,12) 0,057
Usability (0.15 , 0.21 , 0.31) (0,02 , 0,05 , 0,10) 0,051
Accuracy (0,20 , 0,25 , 0,31) (0,03 , 0,06 , 0,11) 0,061
Completeness (0,15 , 0,19 , 0,25) (0,02 , 0,05 , 0,09) 0,048
(0.17 , 0.25 , 0.37)
Information
0,26 Timeliness (0,17 , 0,22 , 0,28) (0,03 , 0,05 , 0,10) 0,054
Quality
0.251
Relevance (0,14 , 0,19 , 0,24) (0,02 , 0,05 , 0,09) 0,047
Understandability (0,12 , 0,16 , 0,20) (0,02 , 0,04 , 0,08) 0,039
Vendor (0.16 , 0.23 , 0.35) Awareness (0,36 , 0,44 , 0,55) (0,06 , 0,10 , 0,19) 0,102
Specific 0,25
Quality 0.234 Price savings (0,45 , 0,56 , 0,68) (0,07 , 0,13 , 0,23) 0,127

berikut hasil bobot agregasi fuzzy tiap sub Tabel 6 Nilai Fuzzy Terbaik dan Nilai Fuzzy Terjelek
kriteria : Sub kriteria 𝒇𝒊∗ 𝒇𝒐𝒊
TP BL SH Trust (5 , 7.8 , 10) (3 , 6.6 , 10)
Trust (3 , 6.6 , 10) (5 , 7.4 , 10) (5 , 7.8 , 10) Reliability (5 , 8.2 , 10) (3 , 7 , 10)
Reliability (3 , 7 , 10) (5 , 7.4 , 10) (5 , 8.2 , 10) Responsiveness (5 , 7.4 , 10) (5 , 7 , 9)
Responsiveness (5 , 7.4 , 10) (5 , 7 , 9) (5 , 7 , 9) Navigability (3 , 7 , 10) (3 , 5.4 , 9)
Navigability (3 , 5.4 , 9) (3 , 5.8 , 9) (3 , 7 , 10) Response time (3 , 6.6 , 9) (3 , 6.2 , 9)
Response time (3 , 6.6 , 9) (3 , 6.6 , 9) (3 , 6.2 , 9) Accessibility (5 , 7 , 9) (5 , 7 , 9)
Accessibility (5 , 7 , 9) (5 , 7 , 9) (5 , 7 , 9) Security (5 , 7.8 , 10) (5 , 7.8 , 10)
Security (5 , 7.8 , 10) (5 , 7.8 , 10) (5 , 7.8 , 10) Usability (5 , 7.8 , 10) (5 , 7.4 , 10)
Usability (5 , 7,4 , 10) (5 , 7.4 , 10) (5 , 7,8 , 10) Accuracy (5 , 7.4 , 10) (5 , 7 , 9)
Accuracy (5 , 7 , 9) (5 , 7.4 , 10) (5 , 7.4 , 10) Completeness (5 , 8.6 , 10) (5 , 7.8 , 10)
Completeness (5 , 8.6 , 10) (5 , 7.8 , 10) (5 , 7.8 , 10) Timeliness (5 , 8.2 , 10) (5 , 7.8 , 10)
Timeliness (5 , 8.2 , 10) (5 , 7.8 , 10) (5 , 7.8 , 10) Relevance (5 , 7.8 , 10) (5 , 7.4 , 10)
Relevance (5 , 7.4 , 10) (5 , 7.8 , 10) (5 , 7.4 , 10) UnderStandability (5 , 7.8 , 10) (5 , 7.8 , 10)
UnderStandability (5 , 7.8 , 10) (5 , 7.8 , 10) (5 , 7.8 , 10) Awareness (5 , 7.8 , 10) (3 , 7.4 , 10)
Awareness (5 , 7.8 , 10) (3 , 7.4 , 10) (5 , 7.8 , 10) Price Savings (5 , 7.8 , 10) (3 , 6.6 , 9)
Price Savings (3 , 7 , 10) (3 , 6.6 , 9) (5 , 7.8 , 10)
Normal fuzzy difference (𝑑𝑖𝑗 ) dapat dihitung
Diperoleh nilai fuzzy terbaik (𝑓𝑖∗)
dan nilai sebagai berikut :
fuzzy terjelek (𝑓𝑖𝑜 ) untuk setiap kriteria 𝑑𝑖𝑗 =
(𝑓𝑖∗ − 𝑥𝑖𝑗 )
, for i ∈ B
(𝑢𝑖∗ − 𝑙𝑖𝑜)
sebagai berikut: (5 , 7.8 , 10) − (3 , 6.6 , 10)
𝑑 𝑇𝑃 𝑡𝑟𝑢𝑠𝑡 =
(10 − 3)
(5 − 10) , (7.8 − 6.6) , (10 − 3)
𝑑 𝑇𝑃 𝑡𝑟𝑢𝑠𝑡 =
8
𝑑 𝑇𝑃 𝑡𝑟𝑢𝑠𝑡 = (−0.714 , 0.171 , 1)

Berikut menghitung Weight Normal fuzzy

difference :
𝑤𝑑 𝑇𝑃 𝑡𝑟𝑢𝑠𝑡 = (wi ∗ dij )
𝑤𝑑 𝑇𝑃 𝑡𝑟𝑢𝑠𝑡 = (0,06 , 0,10 , 0,18)
∗ (−0.714 , 0.171 , 1)
𝑤𝑑 𝑇𝑃 𝑡𝑟𝑢𝑠𝑡 = (−0.04 , 0.02 , 0.18)

Berikut hasil Utility Measure (𝑆𝑗 ) dan Regret

Measure (𝑅𝑗 ) :

IC-Tech Volume XIV No. 2 Oktober 2019 [36] http://ejournal.stmik-wp.ac.id

ISSN: 1907-7912 EISSN: 2622-8092

Tabel 7 Weight Normal fuzzy difference, Index utility measure dan regret measure
Sub kriteria TP BL SH
Trust (-0.04 , 0.02 , 0.18) (-0.04 , 0.01 , 0.13) (-0.04 , 0.00 , 0.13)
Reliability (-0.04 , 0.02 , 0.17) (-0.04 , 0.01 , 0.12) (-0.04 , 0.00 , 0.12)
Responsiveness (-0.05 , 0.00 , 0.16) (-0.04 , 0.01 , 0.16) (-0.04 , 0.01 , 0.16)
Navigability (-0.02 , 0.01 , 0.08) (-0.02 , 0.01 , 0.08) (-0.02 , 0.00 , 0.08)
Response time (-0.02 , 0.00 , 0.10) (-0.02 , 0.00 , 0.10) (-0.02 , 0.00 , 0.10)
Accessibility (-0.02 , 0.00 , 0.09) (-0.02 , 0.00 , 0.09) (-0.02 , 0.00 , 0.09)
Security (-0.03 , 0.00 , 0.12) (-0.03 , 0.00 , 0.12) (-0.03 , 0.00 , 0.12)
Usability (-0.02 , 0.00 , 0.10) (-0.02 , 0.00 , 0.10) (-0.02 , 0.00 , 0.10)
Accuracy (-0.03 , 0.00 , 0.11) (-0.03 , 0.00 , 0.11) (-0.03 , 0.00 , 0.11)
Completeness (-0.02 , 0.00 , 0.09) (-0.02 , 0.01 , 0.09) (-0.02 , 0.01 , 0.09)
Timeliness (-0.03 , 0.00 , 0.10) (-0.03 , 0.00 , 0.10) (-0.03 , 0.00 , 0.10)
Relevance (-0.02 , 0.00 , 0.09) (-0.02 , 0.00 , 0.09) (-0.02 , 0.00 , 0.09)
UnderStandability (-0.02 , 0.00 , 0.08) (-0.02 , 0.00 , 0.08) (-0.02 , 0.00 , 0.08)
Awareness (-0.04 , 0.00 , 0.14) (-0.04 , 0.01 , 0.19) (-0.04 , 0.00 , 0.14)
Price Savings (-0.05 , 0.01 , 0.23) (-0.04 , 0.02 , 0.23) (-0.05 , 0.00 , 0.17)
𝑺𝒋 (-0.45 , 0.07 , 1.85) (-0.44 , 0.07 , 1.80) (-0.45 , 0.03 , 1.68)
𝑹𝒋 (-0.02 , 0.02 , 0.23) (-0.02 , 0.02 , 0.23) (-0.02 , 0.01 , 0.17)

Selanjutnya menghitung Indeks VIKOR Kondisi 2 : terpenuhi

sebagai berikut : Dari hasil defuzzifikasi dan
(𝑆𝑗 − 𝑆 ∗ ) (𝑅𝑗 − 𝑅∗ ) perangkingan, dapat diketahui urutan
𝑄𝑗 = 𝑣 𝑜𝑢 + (1 − 𝑣) 𝑜𝑢
(𝑆 − 𝑆 ) ∗𝑙 (𝑅 − 𝑅∗𝑙 ) perangkingan dari alternatif
𝑄𝑇𝑃 𝑄𝑆𝐻 > 𝑄𝑇𝑃 > 𝑄𝐵𝐿
(−0.45 , 0.07 , 1.85) − (−0.45 , 0.03 , 1.68) 𝑆𝑆𝐻 > 𝑆𝐵𝐿 > 𝑆𝑇𝑃
= 0.5
1.85 − (−0.45)
+ (1 Berdasarkan kedua kondisi maka dapat
(−0.02 , 0.02 , 0.23) − (−0.02 , 0.01 , 0.17)
− 0.5) diambil kesimpulan bahwa SH dapat
0.23 − (−0.02)
𝑄𝑇𝑃 = (−0.83 , 0.03 , 1.00) diusulkan sebagai solusi kompromi dan
merupakan alternatif terbaik dalam pemilihan
Tabel 8 : Index VIKOR emarketplace dengan metode Fuzzy AHP
TP BL SH VIKOR
𝑸𝒋 (-0.83 , 0.03 , (-0.82 , 0.04 , (-0.83 , 0.00 ,
1.00) 0.99) 0.83)
4. SIMPULAN
Dari hasil penelitian, kriteria yang
Selanjutnya dilakukan defuzzifikasi mempengaruhi kualitas emarketplace antara
menggunakan metode COA dan perangkingan lain : service quality dengan bobot 28.4%,
alternatif system quality dengan bobot 23.1%,
information quality dengan bobot 25,1% dan
Tabel 9 : Defuzzifikasi dan perangkingan
TP BL SH
vendor specific quality dengan bobot 23.4%.
𝑸𝒋 0.068 {2} 0.069 {3} 0.000 {1} Sedangkan urutan perangkingan alternatif
𝑺𝒋 0.055 {3} 0.054 {2} 0.000 {1} yang pertama adalah SH dengan nilai
𝑹𝒋 0.090 {2} 0.092 {3} 0.009 {1} Qj=0.000, yang kedua adalah TP dengan nilai
Qj=0.068 dan yang ketiga adalah BL dengan
Dari hasil defuzzifikasi indeks VIKOR (𝑸𝒋 ) nilai Qj=0.069. Dari solusi kompromi yang
dapat diketahui urutan alternatif yang pertama dilakukan, kondisi acceptable advantage
adalah SH, kemudian urutan alternatif yang terpenuhi dan kondisi acceptable stability in
kedua adalah TP dan urutan yang ketiga decision making terpenuhi. Sehingga SH
adalah BL. dapat diusulkan sebagai solusi kompromi dan
Selanjutnya dilakukan solusi kompromi : alternatif terbaik dalam pemilihan
Kondisi 1 : terpenuhi emarketplace dengan metode Fuzzy AHP dan
𝐴𝑑𝑣 ≥ 𝐷𝑄 VIKOR. Hasil dari penelitian ini dapat
𝑄(𝐴)(2) − 𝑄(𝐴)(1) 1 menjadi rekomendasi dalam pemilihan
≥ emarketplace.
𝑄(𝐴)(𝑗) − 𝑄(𝐴)(1) (𝐽 − 1)
0.068 − 0.000 1
≥
0.069 − 0.000 3−1
0.990 ≥ 0.5

IC-Tech Volume XIV No. 2 Oktober 2019 [37] http://ejournal.stmik-wp.ac.id

ISSN: 1907-7912
5. REFERENSI
Chang Tsung-Han Fuzzy VIKOR method: A
case study of the hospital service
evaluation in Taiwan [Jurnal] //
Information Sciences. - 2014.
Afful-Dadzie Eric, Nabareseh Stephen dan
Oplatková Zuzana Komínková FUZZY
VIKOR APPROACH: EVALUATING
QUALITY OF INTERNET HEALTH
INFORMATION [Konferensi] //
Federated Conference on Computer
Science and Information Systems. -
2014. - Vol. 2. - hal. 183-190.
Alptekin Nesrin Evaluation of Websites
Quality Using Fuzzy TOPSIS Method
[Jurnal] // International Journal of
Academic Research in Business and Social
Sciences. - 2015. - 8 : Vol. 5. - 2222-6990.
AYDIN Serhat dan KAHRAMAN Cengiz
Evaluation of E-commerce Website
Quality Using Fuzzy Multi-criteria
Decision Making Approach [Jurnal] //
IAENG International Journal of Computer
Science. - 2012. - 1 : Vol. 39.
Ayrafedi Pengumpulan Keputusan [Buku]. -
[s.l.] : FT UI, 2009.
Buckley J.J Ranking Alternatives Using
Fuzzy Numbers [Jurnal] // Fuzzy Sets and
Systems. - 1985. - Vol. 15. - hal. 21-31.
Chang D.Y Extent Analysis and Synthetic
Decision, Optimization Techniques and
Applications [Konferensi] // World
Scientific. - Singapore : [s.n.], 1992. - Vol.
1. - hal. 352.
Iprice State of eCommerce Asia Tenggara
2017 White Paper [Laporan]. - [s.l.] :
Iprice, 2017.
Iprice The Biggest E-commerce Website and
Apps in Southeast Asia Q1 2019 Mapping
the Top E-commerce Platforms in the
Region [Laporan]. - [s.l.] : iprice, 2019.
Kusumadewi Sri Fuzzy Multi-Attribute
Decision Making (Fuzzy MADM)
[Buku]. - Yogyakarta : Graha Ilmu, 2006.
Mustafa Batuhan AYHAN A Fuzzy AHP
Approach For Supplier Selection Problem:
A Case Study In A Gearmotor Company
[Jurnal] // International Journal of
Managing Value and Supply Chains
(IJMVSC). - September 2013. - 3 : Vol. 4.
Opricovic Serafim Fuzzy VIKOR with an
application to water resources planning
[Jurnal] // Expert Systems with
Applications. - 2011. - Vol. 38.
IC-Tech Volume XIV No. 2 Oktober 2019
EISSN: 2622-8092
Royanti Nur Ika dan Yunianto Era
PEMILIHAN E-MARKETPLACE BAGI
PEDAGANG BATIK PEKALONGAN
SEBAGAI USAHA PERLUASAN
AKSES PASAR MENGGUNAKAN
INTEGRASI METODE FUZZY AHP
DAN FUZZY TOPSIS [Jurnal] // IC-
Tech. - 2018. - 2 : Vol. 13. - 1907-7912.
Sevtian F.I. Pengaruh E-commerce terhadap
Tingkat Volume Penjualan Sandal Kelom
Geulis Di CV Kelomgeulis Tasikmalaya
[Laporan]. - Jakarta : FPEB Universitas
Pendidikan Indonesia, 2011.
Sulistyorini Prastuti dan Yunianto Era
engaruh Adopsi ECommerce Terhadap
Keberhasilan [Jurnal] // Jurnal
LITBANG. - 2014. - 1 : Vol. 7.
Sun Chia-Chi Using Fuzzy TOPSIS Method
for Evaluating the Competitive
Advantages of Shopping Website
[Jurnal] // Expert Systems with
Applications 36. - 2009. - 11764–11771.
Taryadi Analisis Tingkat Kesiapan Adopsi e-
Marketplace UMKM Batik di Kota
Pekalongan [Jurnal] // Jurnal Litbang Kota
Pekalongan. - 2015. - 1 : Vol. 8. - 2503-
0728.
Tzeng S. Opricovic and G. H. Compromise
solution by MCDM methods: A
comparative analysis of VIKOR and
TOPSIS [Jurnal] // Eur. J. Oper. Res. -
2004. - 2 : Vol. 156. - hal. 445–455.
Vatansever Kemal dan akgul, Yakup
Applying fuzzy analytic hierarchy process
for evaluating service quality of private
shopping website quality: a case study in
turkey [Jurnal] // Journal of Business,
Economics & Finance. - 2014. - 2146–
7943.
Yunianto Era EVALUASI KUALITAS WEB
E-COMMERCE OLEH PEDAGANG
BATIK MENGGUNAKAN FUZZY AHP
[Jurnal] // IC-Tech. - 2017. - 2 : Vol. 12.
Yunianto Era PEMILIHAN ECOMMERCE
C2C INDONESIA DENGAN METODE
FUZZY VIKOR [Jurnal] // IC Tech. -
April 2019. - 1 : Vol. XIV.
Yunianto Era PENGUKURAN WEB JUAL
BELI DENGAN METODE FUZZY
TOPSIS [Jurnal] // IC-Tech. - 2018. - 1 :
Vol. 13.
[38] http://ejournal.stmik-wp.ac.id