UJIAN - UIN Syarif Hidayatullah Jakartarepository.uinjkt.ac.id/dspace/bitstream/123456789... · 6. Bapak Abdul Aziz selaku pemilik CV. Jaya Mandiri serta seluruh karyawan CV. Jaya

PENGESAHAN UJIAN

skripsi yang berjudul "Rancang Bangun sistem Kecerdasan Pendukung Keputusan

Dalam Pengiriman Barang (studi Kasus: cV. Jaya Mandiri)- telah diuji dan dinyatakan

lulusdalamsidangmunaqosyahFakultasSainsdanTeknologipadahariselasa29Maret

201l. skripsi ini telah diterima sebagai salah satu syarat untuk memperoleh gelar sarjana

strata satu (Sl) pada program studi Sistem Inforrnasi'

Jakafi4 6 Mei 20l l

Tim Penguii'

Penguji I Penguji II

WOitdit i.tugedtra Utarna tvtM' vt'Com'

(WZulfiandri. MMSI-

NIP . 19700130 20050

NIP . 470 03s 764

Pembimbing I t*/

NIP. 19?50818 200501 2 008

Qurotul Aini. MT.

NIP. 19?30325 200901 2 001

Pembimbing II

11003

Ketua Prodi Sistem Informasi

$nrci'sNur Aeni HidaYalr- MMSI'

NIP. 19?50818 200501 2 008

Mengetahuio

lV

'-$'y'0"1

i#if r*1*1

w?NIP.

196801t7 2ffi112 I ml

i

RANCANG BANGUN SISTEM KECERDASAN PENDUKUNG

KEPUTUSAN DALAM PENGIRIMAN BARANG

(Studi Kasus: CV. Jaya Mandiri)

SKRIPSI

Oleh :

Fadly Marho

NIM : 106093003079

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI (UIN)

SYARIF HIDAYATULLAH JAKARTA

JAKARTA

2011 M / 1432 H

ii




SKRIPSI

Sebagai Salah Satu Syarat Untuk Memperoleh Gelar

Sarjana Komputer

Oleh :

Fadly Marho

NIM : 106093003079

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI (UIN)

SYARIF HIDAYATULLAH JAKARTA

JAKARTA

2011 M / 1432 H

iii




Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

Pada Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta

Oleh :

Fadly Marho

NIM : 106093003079

Menyetujui,

Pembimbing I Pembimbing II

Ditdit N Utama, MMSI, M.Com. Zulfiandri, MMSI.

NIP. 19741129 200801 1 006 NIP. 19700130 200501 1 003

Mengetahui,

Ketua Program Studi Sistem Informasi

Nur Aeni Hidayah, MMSI.

NIP. 19750818 200501 2 008

iv

PENGESAHAN UJIAN

Skripsi yang berjudul “Rancang Bangun Sistem Kecerdasan Pendukung Keputusan

Dalam Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri)” telah diuji dan dinyatakan

lulus dalam sidang munaqosyah Fakultas Sains dan Teknologi pada hari selasa 29 Maret

2011. Skripsi ini telah diterima sebagai salah satu syarat untuk memperoleh gelar sarjana

strata satu (S1) pada program studi Sistem Informasi.

Jakarta, 8 Juni 2011

Tim Penguji,

Penguji I Penguji II

Bakri La Katjong, MT, M.Kom. Qurotul Aini, MT.

NIP . 470 035 764 NIP . 19730325 200901 2 001

Pembimbing I Pembimbing II

Ditdit Nugeraha Utama, MM, M.Com. Zulfiandri, MMSI.

NIP . 19750818 200501 2 008 NIP . 19700130 200501 1 003

Mengetahui,

Dekan Fakultas Sains dan Teknologi Ketua Prodi Sistem Informasi

DR. Syopiansyah Jaya Putra, M.Sis. Nur Aeni Hidayah, MMSI.

NIP . 19680117 200112 1 001 NIP . 19750818 200501 2 008

v

LEMBAR PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-

BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN

SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI

MANAPUN.

Jakarta, 6 Mei 2011

Fadly Marho

vi

ABSTRAK

FADLY MARHO, Rancang bangun Sistem Kecerdasan Penunjang Keputusan

dalam Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri) di bawah bimbingan

DITDIT N. UTAMA dan ZULFIANDRI.

CV. Jaya Mandiri merupakan salah satu perusahaan kecil yang bergerak di

bidang pengiriman barang atau supplier. Salah satu bentuk kegiatan pengiriman

barangnya ialah pengiriman barang kepada pabrik-pabrik yang membutuhkan

bahan baku untuk produksi pabrik tersebut. Sistem yang dgunakan saat ini di CV.

Jaya Mandiri masih manual dalam hal mengambil keputusan terutama dalam

pemilihan kendaraan pengiriman barang dan peramalan stok permintaan barang,

sedangkan permintaan barang mulai bertambah banyak. Semakin banyaknya

permintaan barang kepada CV. Jaya Mandiri serta pemilihan kendaraan untuk

mengirim barang yang tidak sesuai dengan spesifikasi kendaraan terhadap jumlah

barang dan jarak memberi inisiatif tersendiri untuk membangun Sistem

Kecerdasan Pendukung Keputusan dalam Pengiriman Barang yang diharapkan

mampu menyelesaikan permasalahan di atas. Dalam perancangan Sistem

Kecerdasan Pendukung Keputusan dalam Pengiriman Barang digunakan Metode

Rational Unified Process (RUP) dengan pendekatan metode Booch dengan

toolnya menggunakan Unifield Modeling Language (UML), diagram yang

dgunakan ialah usecase diagram, activity diagram, class diagram, sequence

diagram, statechart diagram, collaboration diagram, deployment diagram.

Dengan adanya Sistem Kecerdasan Pendukung Keputusan dalam pengiriman

barang ini dapat membantu operasional kerja CV. Jaya Mandiri dalam

pelayanannya terhadap pelanggan dan diharapkan dapat mengurangi biaya

operasional.

Kata Kunci : CV. Jaya Mandiri, Sistem Pendukung Keputusan dalam Pengiriman

Barang, Rational Unified Process (RUP), Unified Modelling Language (UML).

V Bab + 204 Halaman + xix Halaman + 1 Simbol + 60 Gambar + 46 Tabel +

Pustaka + Lampiran

Pustaka Acuan (42, 2000-2010).

vii

KATA PENGANTAR

Alhamdulillah puji syukur dipanjatkan kehadirat Allah SWT yang telah

memberikan segala nikmat rahmat, taufik serta dan hidayah-Nya sehingga

penelitian skripsi ini yang berjudul “Rancang Bangun Sistem Pendukung

Keputusan dalam Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri)”

dapat terselesaikan dengan baik.

Peneliti menyadari masih banyak kekurangan di dalam skripisi ini untuk itu

peneliti sangat mengharapkan dan menghargai adanya kritik dan saran yang

berguna dari pembaca.

Pada kesempatan ini, peneliti ingin menyampaikan ucapan terima kasih

kepada pihak-pihak yang telah mendukung terselesaikannya skripsi ini. Karena

tanpa dukungan dari mereka, peneliti tidak akan mampu menyelesaikan skripsi ini

dengan baik. Oleh karena itu, perkenankanlah pada kesempatan ini peneliti

mengucapkan terima kasih kepada:

1. Bapak Dr. Syopiansah Jaya Putra, M.Sis, selaku Dekan Fakultas Sains dan

Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta.

2. Ibu Nur Aeni Hidayah, MMSI. selaku Ketua Program Studi Sistem Informasi

Fakultas Sains dan Teknologi, UIN Syarif Hidayatullah Jakarta.

3. Zainul Arham, MMSI. selaku Sekretaris Program Studi Sistem Informasi di

Fakultas Sains dan Teknologi, UIN Syarif Hidayatullah Jakarta.

4. Bapak Ditdit N. Utama, MMSI, M.Com. selaku dosen pembimbing I yang

telah banyak memberikan waktu dan bimbingan kepada peneliti untuk

menyelesaikan skripsi ini.

viii

5. Bapak Zulfiandri, MMSI. selaku dosen pembimbing II yang juga telah

banyak memberikan waktu dan bimbingan kepada peneliti dalam

menyelesaikan skripsi ini.

6. Bapak Abdul Aziz selaku pemilik CV. Jaya Mandiri serta seluruh karyawan

CV. Jaya Mandiri yang telah banyak membantu peneliti untuk memberikan

informasi yang dibutuhkan untuk penelitian sebagai penyelesaian skripsi ini.

7. Kedua Orang tua, adik dan kakak–kakak saya yang telah memberikan

motivasi dan dukungan yang tak ternilai harganya.

8. Untuk sahabat saya baskoro yang telah memberikan dukungannya dan

waktunya untuk berdiskusi dan membantu dalam menyelesaikan skripsi ini.

9. Untuk teman-teman SIB 2006 dan TI 2006 atas dukungannya dalam

menyusun skripsi ini.

Peneliti menyadari bahwa dalam penyusunan skripsi ini masih terdapat

banyak kekurangan, sehingga saran dan kritik yang berguna dan bersifat

membangun dari pembaca untuk lebih menyempurnakan skripsi ini akan sangat

peneliti hargai. Akhir kata saya berharap agar skripsi ini dapat bermanfaat bagi

semua yang membaca.

Jakarta, 6 Mei 2011

Fadly Marho

106093003079

ix

DAFTAR ISI

JUDUL ................................................................................................................................ i

HALAMAN JUDUL ........................................................................................................ ii

LEMBAR PENGESAHAN ............................................................................................. iii

LEMBAR PENGESAHAN UJIAN ................................................................................ iv

ABSTRAK ........................................................................................................................ vi

KATA PENGANTAR ..................................................................................................... vii

DAFTAR ISI ..................................................................................................................... ix

DAFTAR SIMBOL ........................................................................................................ xvi

DAFTAR GAMBAR .................................................................................................... xviii

DAFTAR TABEL ......................................................................................................... xxii

BAB 1 PENDAHULUAN ................................................................................................ 1

1.1 Latar Belakang ................................................................................................. 1

1.2 Rumusan Masalah............................................................................................ 4

1.3 Batasan Masalah .............................................................................................. 5

1.4 Ruang Lingkup ................................................................................................ 6

1.5 Tujuan dan Manfaat ......................................................................................... 6

1.6 Metode Penelitian ............................................................................................ 7

1.6.1 Metode Pengumpulan Data ..................................................................... 7

1.6.2 Metode Pengembangan Sistem ............................................................... 8

1.6.3 Metode Sistem Kecerdasan Pendukung Keputusan ................................ 9

x

1.6.3.1 Multi Criteria Decision Making (MCDM) .................................... 9

1.6.3.2 Forecasting .................................................................................. 10

1.6.3.3 Fuzzy Multiple Atribut Decission Making (FMADM) ................. 10

1.7 Sistematika Penulisan .................................................................................... 10

BAB II LANDASAN TEORI ........................................................................................ 13

2.1 Rancang Bangun ........................................................................................... 13

2.2 Pengiriman .................................................................................................... 13

2.3 Barang ........................................................................................................... 13

2.4 Konsep Dasar Sistem Informasi ................................................................... 14

2.4.1 Komponen Sistem Informasi .............................................................. 14

2.5 Konsep Dasar Sistem Pendukung Keputusan(SPK) ..................................... 16

2.5.1 Pengambilan Keputusan ...................................................................... 17

2.5.2 Dalil Terkait dengan Pengambilan Keputusan .................................... 17

2.5.3 Definisi Sistem Penunjang Keputusan ................................................ 18

2.5.4 Karakteristik dan Kapabilitas Sistem Pendukung Keputusan ............. 19

2.5.5 Tujuan Sistem Pendukung Keputusan ................................................ 22

2.5.6 Komponen - Komponen Pendukung Keputusan ................................. 22

2.6 Konsep Dasar Sistem Kecerdasan Pendukung Keputusan ............................ 25

2.7 Hasil Penelitian IDSS dan DSS sebelumnya ................................................. 26

2.8 Inventory ........................................................................................................ 27

2.8.1 Pengertian Inventory ............................................................................. 27

2.8.2 Jenis Persediaan (Inventory) ................................................................. 27

2.8.3 Fungsi Persediaan (Inventory) .............................................................. 29

xi

2.9 Konsep Dasar Analisis dan Disain Sistem Informasi .................................... 30

2.9.1 Pengertian Analisis dan Disain Sistem ................................................. 30

2.9.2 Pendekatan – Pendekatan Analisis Sistem ........................................... 30

2.10 Analisis dan Desain Object Oriented .......................................................... 31

2.10.1 Pengertian Analisis dan Desain Object Oriented ............................. 31

2.10.2 Objek dan Kelas ............................................................................... 32

2.11 Metodologi Rational Unified Process (RUP) .............................................. 33

2.11.1 Fase RUP .......................................................................................... 33

2.11.2 Struktur Dinamis RUP ..................................................................... 34

2.12 Unified Modeling Language (UML) ........................................................... 36

2.12.1 Use Case Diagram ........................................................................... 37

2.12.1.1 Aktor .................................................................................. 38

2.12.1.2 Relasi Assosiasi Antar Use Case ......................... 39

2.12.1.2.1 <<Include>> ........................................ 38

2.12.1.2.2 <<extend>> ....................................... 39

2.12.2 Activity Diagram (Diagram Aktivitas) ............................................ 39

2.12.3 Sequence Diagram (Diagram Sequensial) ...................................... 40

2.12.4 Class Diagram (Diagram Kelas) ..................................................... 41

2.12.5 Statechart Diagram (Diagram Statechart) ...................................... 41

2.12.6 Component Diagram (Diagram Komponen) .................................. 42

2.12.7 Deployment Diagram ...................................................................... 42

2.13 Metode SKPK (Sistem Kecerdasan Pendukung Keputusan) ...................... 43

2.13.1 MCDM (Multi Criteria Decision Making) ..................................... 43

xii

2.13.2 FMADM (Fuzzy Multi-Attribut Decision Making) .......................... 48

2.13.3 Forecasting ...................................................................................... 50

2.14 PHP (Hipertext Prepocessor) ...................................................................... 54

2.15 MySQL ....................................................................................................... 55

BAB III METODE PENELITIAN ................................................................................ 57

3.1 Metode Pengumpulan Data ........................................................................... 57

3.1.1 Observasi .............................................................................................. 57

3.1.2 Wawancara ........................................................................................... 57

3.1.3 Studi Kepustakaan ................................................................................ 58

3.2 Metode Pengembangan Sistem ...................................................................... 59

3.2.1 RUP ...................................................................................................... 59

3.3 Metode Analisa IDSS .................................................................................... 60

3.3.1 MCDM (Multi Criteria Decision Making) ........................................... 60

3.3.2 FMADM (Fuzzy Multiple Attribute Decission Making) ..................... 61

3.3.3 Forecasting .......................................................................................... 62

3.4 Kerangka Berfikir Penelitian ......................................................................... 63

BAB IV HASIL DAN PEMBAHASAN ........................................................................ 64

4.1 Analisis Perhitungan Metode pada SKPK ..................................................... 64

4.1.1 Analisis Perhitungan pada Metode Pemulusan Eksponensial .............. 64

4.1.2 Analisis Perhitungan pada Metode AHP (Analytic Hierarchy

Process ) ........................................................................................................... 73

4.1.2.1 Langkah – Langkah Perhitungan dengan Metode AHP .......... 75

4.1.2.1.1 Contoh kasus perhitungan AHP ................................ 76

xiii

4.1.3 Analisis Perhitungan pada Metode Fuzzy SAW (Simple Additive

Weighting) ............................................................................................ 92

4.1.3.1 Langkah – Langkah Perhitungan dengan Metode Fuzzy Saw .. 92

4.1.3.1.1 Contoh Kasus Perhitungan Fuzzy Saw ...................... 93

4.2 Inception ...................................................................................................... 100

4.2.1 Profil CV. Jaya Mandiri...................................................................... 100

4.2.1.1 Visi Perusahaan (Vision) ........................................................ 100

4.2.1.1 Misi Perusahaan (Mission) ..................................................... 101

4.2.2 Analisis Sistem yang sedang Berjalan ................................................ 101

4.2.3 Analisis dan Perancangan Usulan SKPK dalam Pengiriman Barang

pada CV. Jaya Mandiri ...................................................................... 102

4.2.3.1 Requirement/ Kebutuhan-Kebutuhan Untuk SKPK (Sistem

Kecerdasan Pendukung Keputusan) dalam Pengiriman

Barang CV. Jaya Mandiri ...................................................... 104

4.2.3.2 Menentukan Batasan Masalah Sistem SKPK ........................ 109

4.2.3.3 Menentukan Fungsi Use Case SKPK dalam Pengiriman

Barang CV. Jaya Mandiri ...................................................... 111

4.2.3.4 Spesifikasi Aktor dan Use Case SKPK dalam Pengiriman

Barang CV. JayaMandiri ....................................................... 112

4.2.3.5 Usecase Diagram Sistem Usulan ............................................ 114

4.2.3.5.1 Narasi Usecase Diagram ......................................... 114

4.3 Elaboration .................................................................................................. 122

4.3.1 Elaboration Phase (Fase Pengembangan) .......................................... 122

xiv

4.3.1.1 Project Management Workflow .............................................. 122

4.3.1.2 Analysis and Design Workflow ............................................... 122

4.3.1.2.1 Membuat Rancangan Antarmuka Perangkat Lunak

Sistem ..................................................................... 122

4.3.1.3 Design Model dengan Pemodelan Object Oriented ............... 136

4.3.1.3.1 Class Diagram ......................................................... 136

4.3.1.3.2 Spesifikasi Database SKPK ..................................... 138

4.3.1.3.3 Activity Diagram ...................................................... 143

4.3.1.3.4 Sequence Diagram ................................................... 155

4.3.1.3.5 Collaboration Diagram............................................ 167

4.3.1.3.6 Statechart Diagram .................................................. 176

4.4 Construction ................................................................................................ 188

4.4.1 Coding Program .................................................................................. 188

4.4.2 Testing Program (Black Box Testing) ................................................. 188

4.5 Transition..................................................................................................... 191

4.5.1 Logical Architecture SKPK ................................................................. 191

4.5.2 Deployment Diagram SKPK ............................................................... 192

BAB V PENUTUP ........................................................................................................ 193

5.1 Simpulan ...................................................................................................... 193

5.2 Saran ............................................................................................................ 194

DAFTAR PUSTAKA .................................................................................................... 195

LAMPIRAN A WAWANCARA .................................................................................. 201

LAMPIRAN B SURAT TELAH MELAKUKAN PENELITIAN ............................ 202

xv

LAMPIRAN C TAMPILAN APLIKASI .................................................................... 203

LAMPIRAN D CODING / SOURCE CODE ............................................................ 204

xvi

DAFTAR SIMBOL

Diagram UML (Unified Modelling Language)

No Nama Diagram Simbol Nama

1 Use Case Diagram

Actor

Use Case

Participant

2 Class Diagram

Class

Datatype

Interface

Generalization

3 Sequence Diagram

Participant

Simpel Message

Synchronous

Asynchronous

4 Activity Diagram

Titik Awal

Titik Akhir

Activity

Pilihan untuk

mengambil

keputusan

Fork

xvii

<no send action>

Tanda

Pengiriman

<no receive action>

Tanda

Penerimaan

5 Component Diagram

Component

Interface

6 Deployment Diagram Node1

Node

Comunicates

7 State Diagram

Initial State

State1

State

Transition

Fork

Decision

Final State

Sumber: Munawar, 2005

xviii

DAFTAR GAMBAR

Gambar 2.1 Skematik DSS .......................................................................................... 24

Gambar 2.2 Diagram Alir IDSS ................................................................................... 25

Gambar 2.3 Arsitektur Rational Unified Process ........................................................ 33

Gambar 2.4 Notasi Use Case ....................................................................................... 37

Gambar 2.5 Notasi Aktor ............................................................................................. 38

Gambar 2.6 Struktur Hirarki ........................................................................................ 46

Gambar 3.1 Kerangka Berpikir Penelitian ................................................................... 63

Gambar 4.1 Grafik Permintaan Tahun 2009 ................................................................ 65

Gambar 4.2 Gambar Grafik permintaan dan Peramalan nilai = 0.3; 0.6; 0.9 ........... 68

Gambar 4.3 Grafik Permintaan Tahun 2009 dan Ramalan Tahun 2010 ...................... 73

Gambar 4.4 Gambar Struktur Hierarki Pemilihan Kendaraan ..................................... 76

Gambar 4.5 Gambar Matriks dari Tabel diatas yang Belum Ternormalisasi .............. 97

Gambar 4.6 Gambar Matriks Ternormalisasi............................................................... 98

Gambar 4.7 Gambar Proses Bisnis yang Sedang Berjalan ........................................ 101

Gambar 4.8 Gambar Proses Bisnis yang Diusulkan .................................................. 102

Gambar 4.9 Gambar Diagram Konteks SKPK (Sistem Kecerdasan Pendukung

Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri ..................... 110

Gambar 4.10 Usecase Diagram Sistem Usulan ........................................................... 114

Gambar 4.11 Rancangan Antarmuka Manajemen User .............................................. 123

Gambar 4.12 Rancangan Antarmuka Login ................................................................. 124

Gambar 4.13 Rancangan Antarmuka Halaman Menu Utama ...................................... 124

xix

Gambar 4.14 Rancangan Antarmuka Halaman Submenu Perhitungan

Forecasting Tabel MAD, MSE dan MAPE ......................................... 125


Forecasting Tabel Total Kesalahan Peramalan ..................................... 126


Forecasting Tabel Hasil ........................................................................ 127

Gambar 4.17 Rancangan Antarmuka Halaman Submenu Tambah Forecasting ......... 128

Gambar 4.18 Rancangan Antarmuka Halaman Submenu Tambah Forecasting

untuk Link Jenis Barang ....................................................................... 129

Gambar 4.19 Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw

untuk Input Jarak dan Jumlah atau Berat Barang.................................. 130


untuk Hasil Perhitungan AHP dan Fuzzy Saw ..................................... 131


untuk Hasil Perhitungan AHP dan Fuzzy Saw Lengkap ...................... 132

Gambar 4.22 Rancangan Antarmuka Halaman Menu Setting dari Submenu

Kendaraan ............................................................................................. 133


Kriteria AHP ........................................................................................ 134


Bobot Kriteria Fuzzy Saw ...................................................................... 135

Gambar 4.25 Class Diagram ........................................................................................ 136

Gambar 4.26 Activity Diagram Login .......................................................................... 144

xx

Gambar 4.27 Activity Diagram Forecasting ................................................................ 145

Gambar 4.28 Activity Diagram AHP ............................................................................ 147

Gambar 4.29 Activity Diagram Setting ........................................................................ 149

Gambar 4.30 Activity Diagram Fuzzy Saw ................................................................... 151

Gambar 4.31 Activity Diagram Manajemen User ........................................................ 153

Gambar 4.32 Activity Diagram Logout ........................................................................ 154

Gambar 4.33 Sequence Diagram Login ....................................................................... 155

Gambar 4.34 Sequence Diagram Forecasting ............................................................. 156

Gambar 4.35 Sequence Diagram AHP ......................................................................... 159

Gambar 4.36 Sequence Diagram Setting ...................................................................... 161

Gambar 4.37 Sequence Diagram Fuzzy Saw ................................................................ 163

Gambar 4.38 Sequence Diagram Manajemen User ..................................................... 165

Gambar 4.39 Sequence Diagram Logout ..................................................................... 167

Gambar 4.40 Collaboration Diagram Login ................................................................ 168

Gambar 4.41 Collaboration Diagram Forecasting ..................................................... 169

Gambar 4.42 Collaboration Diagram AHP ................................................................. 170

Gambar 4.43 Collaboration Diagram Setting .............................................................. 171

Gambar 4.44 Collaboration Diagram Fuzzy Saw ........................................................ 173

Gambar 4.45 Collaboration Diagram Manajemen User.............................................. 174

Gambar 4.46 Collaboration Diagram Logout .............................................................. 175

Gambar 4.47 Statechart Diagram Login ...................................................................... 176

Gambar 4.48 State Diagram Forecasting..................................................................... 178

Gambar 4.49 State Diagram AHP ................................................................................ 180

xxi

Gambar 4.50 State Diagram Setting ............................................................................. 182

Gambar 4.51 State Diagram Fuzzy Saw ...................................................................... 184

Gambar 4.52 State Diagram Manajemen User ............................................................ 186

Gambar 4.53 State Diagram Logout............................................................................. 187

Gambar 4.54 Logical Architecture SKPK .................................................................... 191

Gambar 4.55 Deployment Diagram SKPK ................................................................... 192

xxii

DAFTAR TABEL

Tabel 2.1 Hasil Penelitian IDSS dan DSS sebelumnya ................................................. 26

Tabel 2.2 RC/ Nilai Random .......................................................................................... 48

Tabel 4.1 Data Permintaan Barang Tahun 2009 ............................................................ 64

Tabel 4.2 Ramalan nilai = 0.3; 0.6; 0.9 ..................................................................... 67

Tabel 4.3 Perhitungan Nilai Kesalahan Nilai MAD (Mean Absolute Deviation) .......... 69

Tabel 4.4 Perhitungan Nilai Kesalahan Nilai MSE (Mean Squared Error) .................. 70

Tabel 4.5 Perhitungan Nilai Kesalahan Nilai MAPE (Mean Absolute Percent

Error) ................................................................................................................ 71

Tabel 4.6 Perhitungan Nilai Kesalahan MAD, MSE, dan MAPE ................................. 71

Tabel 4.7 Hasil Peramalan Permintaan Barang Tahun 2010 ......................................... 72

Tabel 4.8 Hasil Spesifikasi Kendaraan .......................................................................... 77

Tabel 4.9 Hasil Perhitungan Waktu Sekali Jalan ........................................................... 77

Tabel 4.10 Hasil Perhitungan Banyaknya pengangkutan kendaraan ............................... 78

Tabel 4.11 Hasil Perhitungan Banyaknya Bolak-Balik Masing-Masing Kendaraan ....... 78

Tabel 4.12 Hasil Perhitungan Banyaknya Jarak Bolak-Balik Masing-Masing

Kendaraan ...................................................................................................... 79

Tabel 4.13 Hasil Perhitungan Banyaknya Waktu Bolak-Balik Masing-Masing

Kendaraan ...................................................................................................... 80

Tabel 4.14 Hasil Perhitungan Bahan Bakar yang Dibutuhkan untuk Pengiriman

1000 Buah Benang Obras Ukuran Sedang dengan Jarak 35 km ................... 80

Tabel 4.15 Hasil Perhitungan Nilai Keseluruhan untuk Pengiriman 1464 Buah

xxiii

Benang Obras Ukuran Sedang dengan Jarak 35 km ...................................... 81

Tabel 4.16 Hasil Perhitungan Perbandingan Kendaraan Berdasarkan Tiga Kriteria ....... 82

Tabel 4.17 Hasil Pengelompokan Nilai Menjadi Nilai AHP ........................................... 83

Tabel 4.18 Skala Tingkat Kepentingan AHP ................................................................... 84

Tabel 4.19 Hasil Matriks Kriteria Perbandingan Berpasangan ........................................ 84

Tabel 4.20 Hasil Matriks Nilai Kriteria ........................................................................... 85

Tabel 4.21 Hasil Matriks Penjumlahan Setiap Baris ....................................................... 85

Tabel 4.22 Hasil Matriks Perhitungan Rasio Konsistensi ............................................... 86

Tabel 4.23 Hasil Matriks Perbandingan Berpasangan Berdasarkan Bahan Bakar .......... 86

Tabel 4.24 Hasil Matriks Nilai Kriteria Berdasarkan Bahan Bakar................................. 87

Tabel 4.25 Hasil Matriks Perbandingan Berpasangan Berdasarkan Waktu .................... 88

Tabel 4.26 Hasil Matriks Nilai Kriteria Berdasarkan Waktu ........................................... 88

Tabel 4.27 Hasil Matriks Perbandingan Berpasangan Berdasarkan Keamanan .............. 89

Tabel 4.28 Hasil Matriks Nilai Kriteria Berdasarkan Keamanan .................................... 89

Tabel 4.29 Hasil Matriks Proritas Alternatif .................................................................... 90

Tabel 4.30 Hasil Matriks Perhitungan Prioritas Global .................................................. 91

Tabel 4.31 Nilai Hasil Perhitungan Berdasarkan Kriteria pada Spesifikasi

Kendaraan ...................................................................................................... 94

Tabel 4.32 Nilai Hasil Perhitungan Persentase Berdasarkan Kriteria pada

Spesifikasi Kendaraan ................................................................................... 94

Tabel 4.33 Nilai Linguistik atau Fuzzy berdasarkan kriteria ........................................... 96

Tabel 4.34 Nilai Crips Alternatif berdasarkan Kriteria ................................................... 97

Tabel 4.35 Spesifikasi Aktor .......................................................................................... 113

xxiv

Tabel 4.36 Spesifikasi Use Case pada SKPK CV. Jaya Mandiri .................................. 113

Tabel 4.37 Narasi Usecase Login .................................................................................. 115

Tabel 4.38 Narasi Usecase Forecasting ........................................................................ 116

Tabel 4.39 Narasi Usecase AHP .................................................................................... 117

Tabel 4.40 Narasi Usecase Setting ................................................................................. 118

Tabel 4.41 Narasi Usecase Fuzzy Saw ........................................................................... 119

Tabel 4.42 Narasi Usecase Manajemen User ................................................................ 120

Tabel 4.43 Narasi Usecase Logout ................................................................................ 120

Tabel 4.44 Spesifikasi Database Manajemen User ....................................................... 139

Tabel 4.45 Spesifikasi Database Jenis Barang .............................................................. 139

Tabel 4.46 Spesifikasi Database Kendaraan ................................................................. 140

Tabel 4.47 Spesifikasi Database Kriteria AHP ............................................................. 141

Tabel 4.48 Spesifikasi Database Bobot Kriteria Fuzzy Saw ......................................... 142

Tabel 4.49 Spesifikasi Database Permintaan ................................................................ 143

Tabel 4.50 Keterangan Statechart Diagram untuk Use Case “Login” .......................... 177

Tabel 4.51 Keterangan Statechart Diagram untuk Use Case “Forecasting” ................ 179

Tabel 4.52 Keterangan Statechart Diagram untuk Use Case “AHP” ........................... 181

Tabel 4.53 Keterangan Statechart Diagram untuk Use Case “Setting” ........................ 183

Tabel 4.54 Keterangan Statechart Diagram untuk Use Case “Fuzzy Saw” ................. 185

Tabel 4.55 Keterangan Statechart Diagram untuk Use Case “Manajemen User” ....... 187

Tabel 4.56 Keterangan Statechart Diagram untuk Use Case “Logout” ....................... 187

Tabel 4.57 Black Box Testing......................................................................................... 188

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Penelitian Decision Support System atau sistem kecerdasan pendukung

keputusan sudah banyak diteliti oleh para peneliti dari berbagai negara dengan

berbagai macam metodologi. Contohnya penelitian pada tahun 2000 pada bidang

inventory, Achabal at al. (2000) melakukan penelitian mengenai pengaturan

inventori dengan menggunakan metode forecasting. Dalam bidang pertanian

sistem pengambilan keputusan juga sangat berperan penting seperti pada tahun

2003 peneliti Li YF et al. (2003) melakukan penelitian pada bidang pertanian.

Penelitian dalam hal pengelolaan kerugian pestisida pada air dalam pertanian ini

menggunakan metode Forecasting.

Pada penelitian – penelitian tersebut menjelaskan bahwa sistem pengambil

keputusan sangat dibutuhkan dan tidak ketinggalan pada tahun 2004 peneliti

Suryadi et al. (2004) melakukan penelitian pada bidang marketing dalam hal

meningkatkan kinerja penjualan dengan menggunakan metode Analytical

Hierarchy Process (AHP). Dalam dunia transportasi umum sistem pengambilan

keputusan juga sangat dibutuhkan, pada tahun yang sama Absari (2004)

melakukan penelitian dalam bidang jasa angkutan kota tepatnya mengenai studi

kelayakan pembukaan jaringan trayek angkutan kota dengan menggunakan

metode Clustering.

2

Dalam bidang SDM (Sumber Daya Manusia) Sistem Pengambil

Keputusan juga sangat berpengaruh dalam hal pengambilan keputusan. Pada

tahun 2006, Kusrini dan Awaluddin (2006) melakukan penelitian dalam bidang

SDM (Sumber Daya Manusia) mengenai evaluasi kinerja karyawan untuk

promosi jabatan dengan menggunakan metode analisis Gap. Pada tahun yang

sama Čižman dan Urh (2006) melakukan penelitian pada bidang industri

pemotongan kayu dalam hal optimalisasi produksi dengan menggunakan linear

programming.

Seiring dengan perkembangan teknologi dan ilmu pengetahuan pada

tahun 2008, Tahir et al. (2008) melakukan penelitian pada bidang industri dalam

hal pendekatan untuk model optimasi baru dalam industri kecil dan menengah

dengan menggunakan metode Fuzzy Logic. Masih pada tahun yang sama, peneliti

Chern et al. (2008) asal Taiwan juga melakukan penelitian pada bidang marketing

dalam hal penjualan produk baru dengan menggunakan metode forecasting.

Dengan semakin bertambahnya waktu, pada tahun yang sama juga dan

pada bidang yang sama juga Ismail (2008) juga melakukan penelitian dalam hal

meningkatkan prakiraan dengan menggunakan Genetic Algorithm (GA) dan Tabu

Search (TS). Pada tahun yang sama Hermaduanti dan Kusumadewi (2008)

melakukan penelitian dalam bidang kesehatan dalam hal menentukan gizi dengan

menggunakan metode K-Nearest Neighbor (KNN). Pada tahun selanjutnya

Eliyani et al. (2009) melakukan penelitian dalam bidang jasa pembelian dalam hal

pembelian mobil dengan menggunakan Fuzzy Tahani. Dalam tahun yang sama

3

pula, Hamdani (2010) dalam bidang industri makanan mengenai wisata kuliner

dengan visualisasi geografi dengan metode Rule of Thumb.

Penelitian mengenai Intelegent Decision Support System (IDSS) juga

sudah cukup banyak digunakan di berbagai bidang dan dengan berbagai

metodologi yang semakin berkembang. Contohnya penelitian Michalewicz et al.

(2005) dalam bidang transportasi dan logistik dalam hal distribusi dan pelelangan

mobil dengan menggunakan algoritma optimasi. Dalam tahun yang sama

Elghoniemy et al. (2006) dalam bidang industri pada pabrik dengan menggunakan

metode Genetic Algorithm dan Fuzzy Logic.

Dengan perkembangan waktu dan teknologi yang terasa semakin cepat

pada tahun 2007 Suwarningsih (2007) dalam bidang elektronika dalam hal

menganalisa sirkuit logika dengan menggunakan metoda finite automa, hasil

analisis menghasilkan formula untuk sirkuit logika tersebut. Dengan

perkembangan yang semakin maju, pada tahun 2010 ini Hasan (2010) meneliti

dalam bidang transportasi dalam hal manajemen lalu lintas dengan metode

Multiclass Simultaneous Transportation Equilibrium Model (MSTEM).

CV. Jaya Mandiri adalah suatu perusahaan yang bergerak di bidang

pengiriman barang. Perusahaan ini merupakan perusahaan yang sedang

berkembang dan masih banyak kegiatan perusahaan yang dilakukan secara

manual, salah satunya adalah dalam pengelolaan barang (Inventory). Akibatnya

perusahaan sulit menentukan kendaraan yang cocok untuk mengirim barang yang

sesuai permintaan dan meningkatkan akurasi perkiraan permintaan. Perusahaan

cenderung selalu kekurangan stock ketika ada permintaan barang dari

4

pelanggannya sehingga perusahaan harus mengeluarkan biaya operasional

tambahan untuk membeli barang permintaan pelanggan. Dan juga perusahaan

sulit untuk mengambil keputusan mengenai pemilihan kendaraan pengiriman

barang dengan tujuan memaksimalkan pendapatan dan mengurangi biaya

operasional tambahan.

Keadaan yang seperti ini yang mendorong peneliti untuk merancang dan

membangun suatu Sistem Kecerdasan Penunjang Keputusan (SKPK) dalam

pengiriman barang berdasarkan beberapa parameter dengan menggunakan metode

Multiple Criteria Decision Making (MCDM), Forecasting dan Fuzzy Multiple

Attribute Decission Making (FMADM). Hal ini juga yang menjadi latar belakang

peneliti dalam melakukan penelitian pada pembuatan skripsi yang berjudul

“Rancang Bangun Sistem Kecerdasan Penunjang Keputusan dalam

Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri)”.

1.2 Rumusan Masalah

Ditinjau dari Latar Belakang, maka dirumuskanlah permasalahan

penelitian pada CV. Jaya Mandiri yaitu:

1. Sulitnya memilih kendaraan yang sesuai berdasarkan spesifikasi kemampuan

kendaraan untuk mengirim barang.

2. Belum adanya aplikasi yang membantu menghitung peramalan permintaan

barang untuk satu tahun ke depan sehingga sering terjadi kekurangan stok

barang.

5

3. Adanya biaya operasional tambahan yang disebabkan belum adanya

perhitungan untuk jumlah permintaan untuk setiap bulannya.

1.3 Batasan Masalah

Berdasarkan masalah tersebut, maka ruang lingkup masalah dibatasi pada:

1. Analisis dan perancangan Sistem Kecerdasan Pendukung Keputusan hanya

pada bidang Inventory barang secara umum.

2. Pada penelitian rancang bangun sistem ini tidak membahas masalah protocol,

jaringan, RIA (Rich Internet Aplication) dan keamanan data.

3. Bahasa pemograman yang digunakan adalah PHP dan database yang

digunakan adalah MySQL.

4. Perhitungan kecepatan rata-rata dan keamanan dilakukan di luar sistem dan

hanya perhitungan umum karena untuk setiap lokasi tujuan pengiriman barang

memiliki parameter tersendiri yang berbeda-beda karena bergantung pada

jenis barang yang dikirim, jarak lokasi barang yang dikirim, kondisi jalan ke

lokasi pengiriman. Sehingga nilai kriteria keamanan dan kecepatan rata-rata

berbeda untuk setiap lokasi pengiriman dan dihitung secara manual di luar

sistem.

5. Pada penelitian ini hanya membahas permasalahan yang ada pada CV. Jaya

Mandiri.

6. Pada penelitian ini hanya membahas 3 kendaraan dan 3 jenis kriteria yaitu

waktu, bahan bakar dan keamanan.

6

7. Bahan bakar yang dibahas pada kriteria bahan bakar adalah bahan bakar jenis

yang sama untuk setiap kendaraan.

1.4 Ruang Lingkup

Pelaksanaan penelitian skripsi akan dilaksanakan pada:

Waktu : 5 Mei 2010 s.d 5 Juli 2010

Tempat : CV. Jaya Mandiri.

Waktu pelaksanaan dapat diubah, diperpanjang atau diperpendek sesuai dengan

kebijaksanaan perusahaan penyelenggara. Tetapi jadwal pelaksanaan tidak jauh

dari waktu yang telah diajukan.

1.5 Tujuan dan Manfaat

Tujuan umum dari penelitian ini adalah menghasilkan rancang bangun

Sistem Kecerdasan Pendukung Keputusan pada CV. Jaya Mandiri untuk

mengurangi pengeluaran yang diakibatkan pengambilan keputusan yang belum

maksimal. Sedangkan tujuan khususnya adalah menghasilkan:

1. Rancangan Sistem Intelligent Decision Support System dalam Pengiriman

Barang berbasis web guna mengurangi biaya operasional perusahaan dan

memilih kendaraan sesuai spesifikasi kendaraan berdasarkan kriteria yang ada.

2. Membangun aplikasi yang dapat menghitung peramalan permintaan barang

untuk satu tahun ke depan sehingga dapat mengurangi adanya kekurangan

stok barang.

7

3. Dapat memaksimalkan keuntungan dengan berkurangnya biaya operasional

karena adanya aplikasi yang dapat memilih kendaraan yang tepat dalam

pengiriman barang.

Manfaat dari Penelitian ini adalah

1. Penelitian ini dapat menjadi salah satu referensi bagi pembaca dalam

pembuatan Intelligent Decision Support System (IDSS) atau Sistem

Kecerdasan Pendukung Keputusan (SKPK).

2. Merupakan sebuah gambaran umum rancang bangun Sistem Kecerdasan

Pendukung Keputusan (SKPK) pada jenis perusahaan supplier.

3. Penggunaan metode Multiple Criteria Decision Making (MCDM), Forecasting

dan Fuzzy Multiple Attribute Decission Making (FMADM) dalam SKPK yang

dapat menjadi satu referensi bagi pembaca.

4. Penerapan Sistem Kecerdasan Pendukung Keputusan (SKPK) yang berbasis

web yang mengikuti perkembangan teknologi saat ini.

1.6 Metode Penelitian

Metode penelitian di dalam skripsi ini menggunakan 3 jenis metode, yaitu:

1.6.1 Metode Pegumpulan Data

Metode pengumpulan data yang digunakan peneliti dalam skripsi ini, yaitu:

8

1. Observasi

Pengamatan langsung pada kegiatan yang ada pada CV. Jaya Mandiri untuk

mendapatkan data-data yang diperlukan dan sistem yang berjalan yang masih

manual.

2. Wawancara

Wawancara yang telah dilaksanakan dengan pemilik CV. Jaya Mandiri yaitu

bapak Abdul Aziz untuk memperoleh gambaran, keterangan dan penjelasan untuk

membantu dalam merancang aplikasi dan sebagai bahan masukan penelitian

Skripsi.

3. Kajian Pustaka

Metode ini dilakukan dengan mempelajari teori-teori yang terkait dengan

Rancang Bangun Sistem Kecerdasan Penunjang Keputusan dalam Pengiriman

Barang (Studi Kasus: CV. Jaya Mandiri).

1.6.2 Metode Pengembangan Sistem

Pada metodologi pengambangan sistem, peneliti menggunakan metodologi

RUP (Rational Unified Process). Terdapat 4 aktivitas utama yang digunakan

dalam menggunakan metode Rational Unified Process yaitu (Kroll dan Kruchten,

2003):

a. Inception

Pada tahap ini peneliti mendefinisikan batasan kegiatan melakukan analisis

kebutuhan user dan melakukan perancangan awal perangkat lunak (perancangan

arsitektur dan use case).

9

b. Elaboration

Pada tahap ini dilakukan perancangan perangkat lunak mulai dari

menspesifikasikan fitur perangkat lunak sampai perilisan prototipe versi beta

dari perangkat lunak.

c. Construction

Pada tahap ini adalah tahap dimana perancangan sistem secara lengkap dan

kemudian siap ke tahap transisi (Transition).

d. Transition

Instalasi, deployment dan sosialisasi perangkat lunak dilakukan pada tahap ini.

Tujuan utama adalah untuk „transisi‟ sistem dari ke pengembangan produksi,

membuatnya tersedia untuk dan dipahami oleh pengguna akhir. Produk ini juga

diperiksa terhadap tingkat kualitas ditetapkan dalam fase Inception.

1.6.3 Metode Sistem Kecerdasan Pendukung Keputusan

Metode yang digunakan untuk pemodelan Kecerdasan Sistem Penunjang

Keputusan pada penelitian “Rancang Bangun Kecerdasan Sistem Penunjang

Keputusan dalam Pengiriman Barang (Studi Kasus: CV. Jaya Mandiri ini ada

tiga jenis:

1.6.3.1 Multi Criteria Decision Making (MCDM)

Untuk kelas dari masalah keputusan yang ”kompleks” Multiple Criteria

Decision Making (MCDM) digunakan karena akibat skala, kumpulan data dan

10

pembingkaian rumit satu model formal adalah permintaan, varian efisien, dan

antara itu varian yang paling diutamakan (keputusan), dapat diperoleh dengan

bantuan dari metode exact optimization. Ini diperlukan model tersebut harus

dikemas ke satu paket exact optimization, yang pasti menghindari populer,

penggunaan dokumen dan tersebar luas pada metode MCDM (Kaliszewski dan

Miroforidis, 2009). Pada metode MCDM ini metode yang digunakan adalah

metode AHP (Analytic Hierarchy Process).

1.6.3.2 Forecasting

Suatu organisasi harus membuat keputusan yang tepat di waktu tergantung

permintaan informasi untuk meningkatkan keunggulan kompetitif komersial

dalam lingkungan bisnis selalu berfluktuasi. Oleh karena itu, memperkirakan

jumlah permintaan untuk periode berikutnya kemungkinan besar tampaknya

sangat penting. (Efendigil et al. 2008).

1.6.3.3 Fuzzy Multiple Attribute Decission Making (FMADM).

Metode ini dipilih karena mampu menyeleksi alternatif terbaik dari

sejumlah alternatif, Pada FMADM, alternatif–alternatif sudah diketahui dan

ditentukan sebelumnya. Pengambil keputusan harus menentukan prioritas atau

ranking berdasarkan kriteria yang diberikan (Kusumadewi et al. 2006). Dan pada

metode FMADM ini metode yang digunakan adalah metode Fuzzy Saw (Simple

Additive Weighting).

11

1.7 Sistematika Penulisan

BAB I PENDAHULUAN

Bab ini berisi latar belakang, perumusan masalah, batasan

masalah, tujuan dan manfaat penelitian, metode penelitian,

jadwal penelitian, sistematika penulisan.

BAB II LANDASAN TEORI

Dalam bab ini akan dijelaskan mengenai landasan teori yang

relevan dengan permasalahan yang ada.

BAB III METODE PENELITIAN

Bab ini berisi metodologi penelitian yang digunakan diantaranya

metode pengumpulan data, metode pengembangan sistem,

metode analisa IDSS dan kerangka berpikir penelitian.

BAB IV HASIL DAN PEMBAHASAN

Bab ini berisi profil perusahaan secara umum dan mengenai 3

jenis metode dengan cara perhitungannya. Metode tersebut yang

terdiri dari metode Forecasting Smoothing Exponential

(Pemulusan eksponensial), metode AHP (Analytic Hierarchy

Process ) yang merupakan bagian dari MCDM dan Fuzzy Saw

(Simple Additive Weighting) yang merupakan bagian FMADM.

Pada tahap ini juga membahas tahap inception. Peneliti

mendefinisikan mengenai profil CV. Jaya Mandiri, analisa sistem

yang sedang berjalan, analisa dan perancangan usulan SKPK

(Sistem Kecerdasan Pendukung Keputusan), Requirements/

12

kebutuhan-kebutuhan untuk SKPK, menentukan batasan masalah

sistem SKPK, menentukan fungsi use case, spesifikasi aktor dan

use case, use case diagram dan narasi use case diagram sistem

usulan.Pada bab ini juga membahas tahap elaboration. Pada bab

ini menjelaskan mengenai tahapan analisis dan perancangan

desain sistem Kecerdasan Pendukung Keputusan (SKPK). Pada

Bab inijuga akan dijelaskan mengenai contraction dan transition

yang menjelaskan mengenai tahapan pembangunan sistem dan

pengujian Sistem Kecerdasan Pendukung Keputusan (SKPK).

BAB V PENUTUP

Bab ini merupakan akhir penulisan skripsi dan disajikan

simpulan dan saran-saran yang peneliti angkat berdasarkan

pembahasan pada bab-bab sebelumnya.

13

BAB II

LANDASAN TEORI

2.1 Rancang Bangun

Kata “Rancang” merupakan kata kerja dari “merancang” yakni mengatur

segala sesuatu (sebelum bertindak, mengerjakan, atau melakukan sesuatu) atau

merencanakan sedangkan perancangan merupakan kata benda yang memilki arti

proses perbuatan merancang. Sedangkan “Rancang Bangun” dapat diartikan

sebagai merancang atau mendesain suatu bangunan (PB-KemenDepDikNas,

2002).

2.2 Pengiriman

Pada kamus bahasa Indonesia dijelaskan bahwa kata Pengiriman

merupakan kata benda yang memiliki arti proses, cara, perbuatan mengirimkan

(PB-KemenDepDikNas, 2002).

2.3 Barang

Pada kamus bahasa Indonesia juga dijelaskan bahwa kata barang adalah

benda umum (segala sesuatu yang berwujud atau berjasad) (PB-

KemenDepDikNas, 2002).

14

2.4 Konsep Dasar Sistem Informasi

Sistem informasi adalah sekumpulan orang, data, proses dan teknologi

informasi yang saling berinteraksi untuk mengumpulkan, memproses, menyimpan

dan menyediakan informasi yang dibutuhkan untuk mendukung sebuah organisasi

(Whitten et al. 2004).

Sistem informasi adalah suatu sistem di dalam suatu organisasi yang

mempertemukan kebutuhan pengolahan transaksi harian, mendukung operasi,

bersifat manajerial dan kegiatan strategi dari suatu organisasi dan menyediakan

pihak luar tertentu dengan laporan-laporan yang diperlukan (Jogiyanto, 2005).

Jadi, dapat disimpulkan sistem informasi adalah sistem yang dapat

memproses data sehingga menjadi informasi yang bermanfaat bagi organisasi atau

perusahaan itu sendiri dan pihak luar.

2.4.1 Komponen Sistem Informasi

Burch dan Gary Grutnitski (Jogiyanto, 2005) mengemukakan bahwa

sistem informasi terdiri dari komponen-komponen yang disebutnya dengan istilah

blok bangunan (building block), yaitu blok masukan (input block), blok model

(model block), blok keluaran (output block), blok teknologi (technology block),

blok basis data (database block) dan blok kendali (control blocks). Sebagai suatu

sistem, keenam blok tersebut berinteraksi satu dengan yang lainnya membentuk

satu kesatuan untuk mencapai sasaran. Penjelasan mengenai building block

tersebut adalah sebagi berikut: (Jogiyanto, 2005)

15

1. Blok Masukan (Input Block)

Blok masukan mewakili data yang masuk ke dalam sistem informasi.

Input di sini termasuk metode-metode dan media untuk menangkap data yang

akan dimasukkan, dapat berupa dokumen-dokumen dasar.

2. Blok Model (Model Block)

Blok ini terdiri atas kombinasi prosedur, logika dan model matematik

yang akan memanipulasi data input dan data yang tersimpan di basis data dengan

cara tertentu untuk menghasilkan keluaran yang diinginkan.

3. Blok Keluaran (Output Block)

Produk dari sistem informasi adalah keluaran yang merupakan

informasi yang berkualitas dan dokumentasi yang berguna untuk semua tingkatan

manajemen serta semua pemakai sistem.

4. Blok Teknologi (Technology Block)

Teknologi merupakan tool box dalam sistem informasi. Teknologi

digunakan untuk menerima input, menjalankan model, menyimpan dan

mengakses data, menghasilkan dan mngirimkan keluaran dan membantu

pengendalian dari sistem secara keseluruhan. Teknologi terdiri dari tiga bagian

utama, yaitu teknisi (humanware dan brainware), perangkat lunak (software) dan

perangkat keras (hardware).

5. Blok Basis Data (Database Block)

Basis data (database) merupakan kumpulan dari data yang saling

berhubungan satu dengan yang lainnya, tersimpan di perangkat keras komputer

16

dan digunakan perangkat lunak untuk memanipulasinya. Data perlu disimpan

dalam basis data untuk penyediaan informasi lebih lanjut.

6. Blok Kendali (Controls Block)

Banyak hal yang dapat merusak sistem infromasi, seperti bencana alam,

api, temperatur, air, debu, kecurangan-kecurangan, kegagalan-kegagalan sistem

itu sendiri, kesalahan-kesalahan, ketidak efisienan, sabotase dan lain sebagainnya.

Beberapa pengendalian perlu dirancang dan diterapkan untuk meyakinkna bahwa

hal-hal yang dapat merusak sistem dapat dicegah ataupun bila terlanjur terjadi

kesalahan - kasalahan dapat langsung cepat diatasi.

2.5 Konsep Dasar Sistem Pendukung Keputusan (SPK)

Pada awal tahun 1970-an, Scott Morton pertama kali mengartikulasikan

konsep penting DSS (Decision Support System). Ia mendefinisikan DSS sebagai

“sistem berbasis komputer yang interaktif, yang membantu para pengambil

keputusan dengan menggunakan data dan berbagai model untuk memecahkan

masalah-masalah tidak terstruktur”. DSS adalah sistem berbasis komputer bagi

para pengambil keputusan manajemen yang menangani masalah-masalah yang

tidak terstruktur (Turban et al. 2005).

17

2.5.1 Pengambilan Keputusan

Pengambilan keputusan terdiri dari (Turban et al. 2005):

a. Masalah

Masalah merupakan suatu kondisi yang berpotensi menimbulkan

kerugian-kerugian luar biasa atau menghasilkan keuntungan luar biasa. Tindakan

memberi respons terhadap masalah untuk menekan akibat buruknya atau

memanfaatkan peluang keuntungannya disebut pemecahan masalah. Pentingnya

pemecahan masalah bukan didasarkan pada jumlah waktu yang dihabiskan, tetapi

pada konsekuensinya, yaitu apakah pemecahan masalah tersebut bisa menekan

sebanyak mungkin kemungkinan kerugian atau memperoleh sebesar mungkin

kemungkinan keuntungan.

b. Keputusan

Keputusan merupakan kegiatan memilih suatu strategi atau tindakan dalam

pemecahan masalah tersebut.

2.5.2 Dalil Terkait dengan Pengambilan Keputusan

Dalil Al-Qur’an yang terkait dengan pengambilan keputusan adalah:

Berkata Dia (Balqis): "Hai Para pembesar berilah aku pertimbangan dalam

urusanku (ini) aku tidak pernah memutuskan sesuatu persoalan sebelum kamu

berada dalam majelis(ku)". Mereka menjawab: "Kita adalah orang-orang yang

memiliki kekuatan dan (juga) memiliki keberanian yang sangat (dalam

18

peperangan) dan keputusan berada ditanganmu: Maka pertimbangkanlah apa yang

akan kamu perintahkan"(QS An-Naml : 32-33). Selain itu pengambilan

keputusan juga dijelaskan dalam surat Al_baqarah yaitu:

manusia itu adalah umat yang satu. (setelah timbul perselisihan), Maka

Allah mengutus Para Nabi, sebagai pemberi peringatan, dan Allah menurunkan

bersama mereka kitab yang benar, untuk memberi keputusan di antara manusia

tentang perkara yang mereka perselisihkan. tidaklah berselisih tentang kitab itu

melainkan orang yang telah didatangkan kepada mereka Kitab, yaitu setelah

datang kepada mereka keterangan-keterangan yang nyata, karena dengki antara

mereka sendiri. Maka Allah memberi petunjuk orang-orang yang beriman kepada

kebenaran tentang hal yang mereka perselisihkann itu dengan kehendak-Nya. dan

Allah selalu memberi petunjuk orang yang dikehendaki-Nya kepada jalan yang

lurus (QS Al-Baqarah : 312).

2.5.3 Definisi Sistem Penunjang Keputusan

Sebuah sistem yang dimaksudkan untuk mendukung para pengambil

keputusan manajerial dalam situasi keputusan semi terstruktur. DSS (Decision

Support System) dimaksudkan menjadi alat bantu bagi para pengambil keputusan

19

untuk memperluas kapabilitas mereka, namun tidak untuk menggantikan penilaian

mereka. DSS ditujukan untuk keputusan-keputusan yang memerlukan penilaian

atau pada keputusan-keputusan yang sama sekali tidak didukung oleh algoritma

(Turban et al. 2005).

Sistem Penunjang Keputusan secara umum didefinisikan sebagai sebuah

sistem yang mampu memberikan kemampuan baik kemampuan pemecahan

masalah maupun kemampuan pengkomunikasian untuk masalah semiterstruktur.

Secara khusus, SPK didefinisikan sebagai sebuah sistem yang mendukung kerja

seorang manajer maupun sekelompok manajer dalam memecahkan masalah

semiterstruktur dengan cara memberikan informasi ataupun usulan menuju pada

keputusan tertentu (Hermawan, 2005).

Dari keterangan para peneliti yang sudah dibahas sebelumnya, dapat

disimpulkan bahwa sistem pendukung keputusan adalah suatu sistem yang dibuat

untuk membantu dalam pengambilan keputusan yang memerlukan penilaian yang

dibangun atas perspektif manajer untuk mengatasi masalah-masalah

semiterstruktur.

2.5.4 Karakteristik dan Kapabilitas Sistem Pendukung Keputusan

Ada 14 karakteristik dan kapabilitas SPK, yaitu (Kusrini, 2007):

1. Dukungan untuk pengambil keputusan, terutama pada situasi

semiterstruktur dan tak terstruktur, dengan menyertakan penilaian manusia

dan informasi terkomputerisasi. Masalah-masalah tersebut tidak dapat

20

dipecahkan (atau tidak dapat dipecahkan dengan konvinien) oleh sistem

komputer lain atau oleh metode atau alat kuantitatif standar.

2. Dukungan untuk semua level manajerial, dari eksekutif puncak sampai

manajer lini.

3. Dukungan untuk individu dan kelompok. Masalah yang kurang terstruktur

sering memerlukan keterlibatan individu dari departemen dan tingkat

organisasional yang berbeda atau bahkan dari organisasi yang lain. DSS

mendukung tim virtual melalui alat-alat web kolaboratif.

4. Dukungan untuk keputusan independen dan atau sekuensial keputusan

dapat dibuat satu kali, beberapa kali atau berulang (dalam interval yang

sama).

5. Dukungan di semua fase proses pengambilan keputusan: intelejensi,

desain, pilihan dan implementasi.

6. Dukungan di berbagai proses dan gaya pengambilan keputusan.

7. Adaptivitas sepanjang waktu. Pengambil keputusan seharusnya reaktif,

dapat menghadapi perubahan kondisi secara cepat, dan mampu

mengadaptasikan DSS untuk memenuhi perubahan tersebut. DSS bersifat

fleksibel dan karena itu pengguna dapat menambahkan, menghapus,

menggabungkan, mengubah, atau menyusun kembali elemen-elemen

dasar. DSS juga fleksibel dalam hal dapat dimodifikasi untuk memecahkan

masalah lain yang sejenisnya.

8. Pengguna merasa seperti dirumah. Ramah pengguna, kapabilitas grafis

yang sangat kuat dan antarmuka manusia-mesin interaktif dengan satu

21

bahasa alami dapat sangat meningkatkan keefektifan DSS. Kebanyakan

aplikasi DSS yang baru menggunakan antarmuka berbasis-web .

9. Peningkatan terhadap keefektifan pengambilan keputusan (akurasi,

timeliness dan kualitas) ketimbang pada efisiennya (biaya pengambilan

keputusan). Ketika DSS disebarkan, pengambilan keputusan sering

membutuhkan waktu lebih lama, namun keputusannya lebih baik.

10. Kontrol penuh oleh pengambil keputusan terhadap semua langkah proses

pengambilan keputusan dalam memecahkan suatu masalah. DSS secara

khusus menekankan untuk mendukung pengambilan keputusan, bukannya

menggantikan.

11. Pengguna akhir dapat mengembangkan dan memodifikasi sendiri sistem

sederhana. Sistem yang lebih besar dapat dibangun dengan bantuan ahli

sistem informasi. Perangkat lunak OLAP dalam kaitannya dengan data

warehouse membolehkan pengguna untuk membangun DSS yang cukup

besar dan kompleks.

12. Biasanya model-model digunakan untuk menganalisis situasi pengambilan

keputusan. Kapabilitas pemodelan memungkinkan eksperimen dengan

berbagai strategi yang berbeda di bawah konfigurasi yang berbeda.

Sebenarnya, model-model membuat suatu DSS berbeda dari kebanyakan

MIS (Management Information System).

13. Akses disediakan untuk berbagai sumber data, format, dan tipe, mulai dari

sistem informasi geografis sampai sistem berorientasi objek.

22

14. Dapat dilakukan sebagai alat stand alone yang digunakan oleh seorang

pengambil keputusan pada satu lokasi atau didistribusikan di satu

organisasi keseluruhan dan di beberapa organisasi sepanjang rantai

persediaan. Dapat diintegrasikan dengan DSS lain dan atau aplikasi lain,

dan dapat didistribusikan secara internal dan eksternal dengan

manggunakan networking dan teknologi web .

2.5.5 Tujuan Sistem Pendukung Keputusan

Tujuan dari SPK adalah (McLeod, 2004):

1. Membantu pengambil keputusan dalam membuat keputusan untuk

memecahkan masalah semi terstruktur.

2. Mendukung penilaian seorang pengambil keputusan bukan menggantikan

keputusan yang akan diambil oleh pengambil keputusan.

3. Meningkatkan efektifitas dari suatu keputusan, bukan dari sisi efisiensi.

2.5.6 Komponen-komponen Pendukung Keputusan

Aplikasi DSS terdiri dari 4 subsistem (Kusrini, 2007),yaitu:

1. Subsistem Manajemen Data

Subsistem manajemen data memasukkan satu database yang berisi data

yang relevan untuk suatu situasi dan dikelola oleh perangkat lunak yang

disebut sistem manajemen database (DBMS). Subsistem manajemen data

bisa diinterkoneksikan dengan data warehouse perusahaan, suatu

23

repositori untuk data perusahaan yang relevan dengan pengambilan

keputusan. Biasanya data disimpan atau diakses via server web database.

2. Subsistem Manajemen Model

Merupakan paket perangkat lunak yang memasukkan model keuangan,

statistik, ilmu manajemen, atau model kuantitatif lainnya yang

memberikan kapabilitas analitik dan manajemen perangkat lunak yang

tepat. Bahasa-bahasa pemodelan untuk membangun model-model kustom

juga dimasukkan. Perangkat lunak itu sering disebut sistem manajemen

basis model (MBMS). Komponen ini dapat dikoneksikan ke penyimpanan

korporat atau eksternal yang ada pada model. Sistem manajemen dan

metode solusi model diimplementasikan pada sistem pengembangan web

untuk berjalan pada server aplikasi.

3. Subsistem Antarmuka Pengguna

Pengguna berkomunikasi dengan dan memerintahkan sistem pendukung

keputusan melalui subsistem ini. Pengguna adalah bagian yang

dipertimbangkan dari sistem. Para peneliti menegaskan bahwa beberapa

kontribusi unik dari sistem pendukung keputusan berasal dari interaksi

yang intensif antara komputer dan pembuat keputusan. Browser web

memberikan struktur antarmuka pengguna grafis yang umum dan

konsisten bagi kebanyakan DSS.

4. Subsistem manajemen berbasis pengetahuan

Subsistem tersebut mendukung semua subsistem lain atau bertindak

sebagai suatu komponen independen. Ia memberikan intelegensi untuk

24

memperbesar pengetahuan si pengambil keputusan. Subsistem ini bisa

diinterkoneksikan dengan repositori pengetahuan perusahaan (bagian dari

sistem manajemen pengetahuan), yang kadang-kadang disebut basis

pengetahuan organisasional. Pengetahuan dapat disediakan via server web

. Banyak metode kecerdasan tiruan diimplementasikan dalam sistem

pengembangan web dan mudah untuk diintegrasikan dengan komponen

DSS lainnya.

Sistem lainnya yang

berbasis komputer

Manajemen Data Manajemen Model

Subsistem Berbasis

Pengetahuan

Antarmuka

Pengguna

Manager

(Pengguna)

Basis Pengetahuan

Organisasional

Internet, Intranet

dan Ekstranet

Model Eksternal

Gambar 2.1 Skematik DSS (Kusrini, 2007)

Berdasarkan definisi, DSS harus mencakup tiga komponen utama dari

DBMS, MBMS dan antarmuka pengguna. Subsistem manajemen berbasis

pengetahuan adalah opsional, namun dapat memberikan banyak manfaat karena

memberikan intelegensia bagi tiga komponen utama.

25

2.6 Konsep Dasar Sistem Kecerdasan Pendukung Keputusan

Intelligent Decision Support System (IDSS) atau Kecerdasan Sistem

Pendukung Keputusan merupakan sistem pendukung keputusan yang menambah

komponen berupa basis pengetahuan dengan tujuan untuk membuat DSS menjadi

pintar (intelligent). Berbeda dengan sistem pakar, IDSS tetap menghasilkan

alternatif solusi yang dijadikan sebagai alat bantu pengambilan keputusan dimana

hasil akhir bukan merupakan hasil yang final yang tidak dapat dipertimbangkan

kembali. Sedangkan sistem pakar hanya sebuah proses memindahkan kepakaran

seseorang pada sebuah program komputer dengan keluaran berupa hasil akhir

yang pasti. Pada Gambar 2.2 dapat dilihat diagram alur IDSS dalam menentukan

solusi keputusan dengan masukan berupa pengetahuan manusia dan pengukuran

lingkungan yang dihimpun menjadi data master atau data utama. Data tersebut

akan mengalami proses pembelajaran sebagai dasar pembuatan rules atau aturan

pembuatan keputusan. Kemudian dilakukan evaluasi solusi terhadap rules tersebut

untuk dijadikan sebagai elternatif keputusan.

Gambar 2.2 Diagram Alir IDSS (Suwarningsih, 2007)

26

Bila solusi tersebut tidak diterima maka proses selanjutnya akan

mengalami proses pembelajaran sampai mengulang kembali untuk menghasilkan

solusi yang diterima. Bila solusi diterima maka proses selesai (Suwarningsih,

2007).

2.7 Hasil Penelitian IDSS dan DSS sebelumnya

Penelitian DSS dan IDSS telah banyak dilakukan orang hampir di seluruh

belahan dunia, termasuk Indonesia. Penelitian DSS dan IDSS tersebut dilakukan

semata-mata hanya ingin mengetahui sejauh mana sebuah perusahaan

menjalankan komitmennya terhadap pelanggan demi loyalitas pelanggan. Berikut

dipaparkan beberapa penelitian DSS dan IDSS yang telah dilakukan dari tahun ke

tahun.

Tabel 2.1 Hasil Penelitian IDSS dan DSS sebelumnya

No Nama Peneliti Bidang Metode Tahun

1. Achabal et al Inventori Forecasting 2000

2. Li YH et al Pertanian Forecasting 2003

3. Suryadi et al Pemasaran (AHP) 2004

4. Absari jasa angkutan kota Clustering 2004

5. Michalewicz et al Transportasi dan

logistic

Algoritma optimasi 2005

6. Kusrini dan

Awaluddin

SDM GAP 2006

7. Čižman dan Urh Industri linear programming 2006

8. Elghoniemy et al Industri Genetic Algorithm dan Fuzzy

Logic Intelligent (AI)

2006

9. Suwarningsih Pengetahuan Finite automa 2007

10. Tahir et al Industri Fuzzy Logic 2008

11. Chern et al Pemasaran Forecasting 2008

12. Ismail Pemasaran Genetic Algorithm (GA) dan

Tabu Search (TS)

2008

27

13. Hermaduanti dan

Kusumadewi

kesehatan K-Nearest Neighbor (KNN) 2008

14. Eliyani et al Jasa Pembelian Fuzzy Tahani 2009

15. Hamdani Industri Rule of Thumb 2010

16. Hasan Transportasi Multiclass Simultaneous

Transportation Equilibrium

Model (MSTEM)

2010

2.8 Inventory

2.8.1 Pengertian Inventory

Setiap perusahaan, apakah perusahaan itu perusahaan perdagangan ataupun

perusahaan pabrik serta perusahaan jasa selalu mengadakan persediaan

(inventory). Tanpa adanya persediaan, para pengusaha akan dihadapkan pada

resiko bahwa perusahaannya pada suatu waktu tidak dapat memenuhi keinginan

pelanggan yang memerlukan atau meminta barang/jasa. Persediaan diadakan

apabila keuntungan yang diharapkan dari persediaan tersebut hendaknya lebih

besar daripada biaya-biaya yang ditimbulkannya.

Persediaan adalah suatu aktiva yang meliputi barang-barang milik

perusahaan dengan maksud untuk dijual dalam suatu periode usaha yang normal

(Assauri, 2004).

2.8.2 Jenis Persediaan (Inventory)

Setiap jenis persediaan memiliki karakteristik tersendiri dan cara

pengelolaan yang berbeda. Jenis–jenis persediaan dapat dibedakan menjadi lima

jenis. (Assauri, 2004).

28

1. Persediaan bahan mentah (raw material stock)

Yaitu persediaan dari barang–barang berwujud yang digunakan dalam proses

produksi, barang dapat diperoleh dari sumber-sumber alam ataupun dibeli dari

supplier atau perusahaan yang menghasilkan bahan baku bagi perusahaan atau

pabrik yang menggunakannya.

2. Persediaan bagian produk atau parts yang dibeli (purchased parts/ Component

Stock)

Yaitu persediaan barang-barang yang terdiri atas parts yang diterima dari

perusahaan lain, yang dapat secara langsung diassembling dengan parts lain,

tanpa melalui proses produksi sebelumnya.

3. Persediaan bahan–bahan pembantu atau barang–barang perlengkapan (supplies

stock).

Yaitu persediaan barang-barang atau bahan-bahan yang diperlukan dalam proses

produksi untuk membantu berhasilnya produksi atau yang dipergunakan dalam

bekerjanya suatu perusahaan tetapi tidak merupakan bagian atau komponen dari

barang jadi.

4. Persediaan barang setengah jadi atau barang dalam proses (work in process/

progress work)

Yaitu persediaan barang-barang yang keluar dari tiap-tiap bagian dalam satu

pabrik atau bahan-bahan yang telah diolah menjadi suatu bentuk, tetapi lebih perlu

diproses kembali untuk kemudian menjadi barang jadi.

29

5. Persediaan barang jadi (finished good stock)

Yaitu persediaan barang-barang yang telah selesai diproses atau diolah dalam

pabrik dan siap untuk dijual kepada pelanggan atau perusahaan lain. Jadi barang

jadi ini adalah merupakan produk selesai dan telah siap dijual.

2.8.3 Fungsi Persediaan (Inventory)

Persediaan memiliki fungsi-fungsi persediaan yang berbeda-beda. Fungsi–

fungsi persediaan (Inventory) yaitu: (Rangkuti, 2004)

1. Batch stock atau Lot size inventory

Persediaan lot size ini perlu mempertimbangkan penghematan – penghematan

atau potongan pembelian , biaya pengangkutan per unit menjadi lebih murah dan

sebagainya. Hal ini disebabkan karena perusahaan melakukan pembelian kuantitas

yang lebih besar, dibandingkan dengan biaya–biaya yang timbul karena besarnya

persediaan.

2. Fungsi Decoupling

Adalah persediaan yang memungkinkan perusahaan dapat memenuhi permintaan

langganan tanpa tergantung pada supplier.

3. Fungsi antisipasi

Apabila perusahaan menghadapi fluktuasi permintaan yang dapat diperkirakan

dan diramalkan berdasar pengalaman atau data-data masa lalu , yaitu permintaan

musiman. Dalam hal ini perusahaan dapat mengadakan persediaan musiman

(seasional inventories). Di samping itu, perusahaan juga sering menghadapi

30

ketidakpastian jangka waktu pengiriman dan permintaan akan barang selama

periode tertentu.

2.9 Konsep Dasar Analisis dan Disain Sistem Informasi

2.9.1 Pengertian Analisis dan Disain Sistem

Analisis Sistem merupakan sebuah teknik pemecahan masalah yang

menguraikan sebuah sistem menjadi bagian- bagian komponen dengan tujuan

mempelajari seberapa bagus bagian-bagian komponen tersebut bekerja dan

berinteraksi untuk meraih tujuan mereka. Sedangkan Sistem Desain adalah sebuah

teknik pemecahan masalah yang saling melengkapi (dengan Analisis Sistem) yang

merangkai kembali bagian-bagian relatif pada sistem yang diperbaiki. Hal ini

melibatkan penambahan, penghapusan dan perubahan bagian-bagian relatif pada

sistem aslinya (Whitten, 2004).

2.9.2 Pendekatan–pendekatan Analisis Sistem

Analisis Sistem merupakan pemecahan dari suatu masalah, banyak

pendekatan dalam menghadapi masalah, oleh karena itu Analisis Sistem

mempunyai beberapa pendekatan masalah. Berikut adalah pendekatan masalah

dari Analisis Sistem: (Whitten , 2004)

1. Analisis Terstruktur (structured Analysis)

Analisis Terstruktur merupakan sebuah teknik model-driven dan berpusat pada

proses yang digunakan untuk menganalisis sistem yang ada, mendefinisikan

persyaratan-peryaratan bisnis untuk sebuah sistem baru, atau keduanya.

31

2. Teknik Informasi (Information Engineering)

Merupakan sebuah teknik model-driven dan berpusat pada data, tetapi sensitif

pada proses. Teknik ini digunakan untuk merencanakan, menganalisis, dan

mendesain Sistem Informasi. Model-model ini adalah gambaran yang

mengilustrasikan dan menyesuaikan data dan proses-proses system.

3. Discovery Prototyping

Discovery Prototyping adalah sebuah teknik yang digunakan untuk

mengidentifikasikan persyaratan-persyaratan bisnis pengguna dengan membuat

para pengguna bereaksi pada implementasi quick end dirt (bijaksana dan efektif

tapi tanpa cacat atau efek samping yang tidak diinginkan) persyaratan-persyaratan

tersebut.

4. Analisis Berorientasi Objek (Object Oriented Analysis)

Analisis Berorientasi Objek adalah sebuah teknik yang mengintegrasikan data dan

proses kedalam konstruksi yang disebut object. Model-model OOA(Object

Oriented Analysis) adalah gambar-gambar yang mengilustrasikan objek-objek

sistem dari berbagai macam perspektif, seperti struktur, kelakuan, dan interaksi

objek-objek.

2.10 Analisis dan Desain Object Oriented

2.10.1 Pengertian Analisis dan Desain Object Oriented

Analisis Object Oriented adalah suatu teknik yang digunakan untuk

mempelajari objek-objek yang sudah ada untuk melihat apakah objek-objek itu

bisa digunakan kembali atau diadaptasi untuk penggunaan baru, dan

32

mendefinisikan objek-objek baru atau dimodifikasi yang akan digabungkan

dengan objek-objek yang ada menjadi aplikasi bisnis yang berguna (Munawar,

2005).

Pondasi dasar dari analisis dan desain Object Oriented adalah objek. Selama

analisis, kita akan menggunakan objek untuk mengorganisir pengertian kita

dengan konteks sistem. Analisis dan desain objek berarti dua hal yang sangat jelas

berbeda. Analisis objek menjelaskan fenomena diluar sistem seperti orang dan

benda yang secara tipikal. Walaupun kita tidak selalu bisa memerintahkan

mereka, kita harus menulis kejadian atau pengalaman yang mereka lakukan.

Desain objek menjelaskan fenomena yang ada di dalam sistem yang bisa kita

kontrol. Kita menjelaskan tingkah laku mereka sebagai operasi-operasi yang akan

dijalankan (Mathiassen et al. 2000).

2.10.2 Objek dan Kelas

Definisi objek adalah sebuah entitas dengan identitas, keadaan, dan tingkah

laku. Kelas berguna untuk mengerti tentang objek, dan kelas sangat penting untuk

menjelaskan objek. Dari pada menjelaskan masing-masing objek, kita lebih baik

mengembangkan deskripsi objek yang berbagi dengan semua objek-objek yang

ada dalam kelas yang sama. Pengertian yang lain tentang kelas adalah penjelasan

sekumpulan objek yang berbagi stuktur, bentuk behavior (metode) dan atribut.

(Mathiassen et al. 2000).

33

2.11 Metode Rational Unified Process (RUP)

RUP adalah proses rekayasa perangkat lunak. Ini jelas mendefinisikan siapa

yang bertanggung jawab untuk apa, bagaimana hal tersebut dilakukan, dan kapan

harus melakukannya. RUP juga menyediakan struktur yang jelas untuk siklus

hidup proyek RUP, jelas mengartikulasikan poin tonggak penting dan keputusan

(Booch et al. 2007).

2.11.1 Fase RUP

Rational Unified Process itu sendiri dirancang dengan teknik yang mirip

dengan yang digunakan dalam desain perangkat lunak. Secara khusus,

dimodelkan menggunakan Software Process Engineering Metamodel (SPEM)

sebagai standar untuk proses pemodelan berdasarkan Unified Modeling Language

(UML) (Kroll dan Kructen, 2003). Gambar 2.1 menunjukkan arsitektur secara

keseluruhan dari RUP. Proses ini memiliki dua struktur atau jika Anda

membutuhkan dua dimensi:

Gambar 2.3 Arsitektur Rational Unified Process (Kroll dan Kruchten, 2003)

34

Keterangan Gambar 2.1:

1. Struktur dinamis. Dimensi horizontal merupakan struktur dinamis atau

dimensi waktu dari proses. Ini menunjukkan bagaimana proses,

diungkapkan dalam siklus, tahapan, iterasi-iterasi dan milestones,

terbentang selama siklus hidup proyek.

2. Struktur statis. Dimensi vertikal merupakan struktur statis dari proses

tersebut. Ini menggambarkan bagaimana proses unsur kegiatan, disiplin,

artifacts dan roles secara logis dikelompokkan menjadi disiplin proses inti

(atau alur kerja).

2.11.2 Struktur Dinamis RUP

Struktur dinamis berhubungan dengan siklus hidup atau dimensi waktu

dari sebuah proyek. RUP menyediakan pendekatan terstruktur untuk

pengembangan iteratif, membagi proyek ke dalam empat fase: Inception,

Elaboration, Construction dan Transition.

1. Inception

Membentuk suatu pemahaman yang tepat tentang sistem apa yang ingin

dibangun dengan cara mengambil sebuah pemahaman tingkat tinggi dari

semua kebutuhan dan menetapkan ruang lingkup sistem. Mengurangi

banyak resiko bisnis, menghasilkan kasus bisnis untuk pembangunan

sistem dan mendapatkan pembelian dari stakeholders pada pelanjutan

proyek tersebut (Kroll dan Kructen, 2003).

35

2. Elaboration

Bertanggung jawab atas tugas-tugas yang paling sulit secara teknis:

Desain, pengimplementasian, pengujian dan penetapan garis arsitektur

eksekusi, termasuk subsistem, antarmuka, komponen kunci dan

mekanisme arsitektural, seperti bagaimana menangani komunikasi antar-

proses atau persistensi. Menyebutkan resiko teknis utama, seperti resiko

pendapat sumber daya, resiko kinerja, dan resiko keamanan data, dengan

menerapkan validasi kode aktual (Kroll dan Kructen, 2003).

3. Construction

Melakukan sebagian besar implementasi saat bergerak dari arsitektur

eksekusi ke versi operasional pertama dari sistem anda. Menyebarkan

beberapa pelepasan internal dan alpha untuk memastikan bahwa sistem

ini dapat digunakan dan menunjukkan kebutuhan pengguna. Fase terakhir

dengan mengerahkan sepenuhnya versi beta fungsional dari sistem,

termasuk instalasi dan dokumentasi pendukung dan materi pelatihan

(meskipun sistem kemungkinan akan masih memerlukan penyetelan

fungsionalitas, kinerja dan kualitas secara keseluruhan) (Kroll dan

Kructen, 2003).

4. Transition

Memastikan perangkat lunak mewakili kebutuhan penggunanya. Ini

meliputi pengujian produk dalam persiapan untuk rilis dan membuat

penyesuaian kecil berdasarkan umpan balik pengguna. Pada titik ini dalam

lifecycle, fokus utama umpan balik pengguna pada penyetelan produk

36

yang lebih baik, konfigurasi, instalasi dan masalah penggunaan; semua

masalah utama struktural seharusnya sudah diselesaikan jauh lebih awal

dalam siklus hidup proyek (Kroll dan Kructen, 2003).

2.12 Unified Modeling Language (UML)

Pada musim gugur 1995, Ivar Jacobson bergabung dengan perusahaan

Rational. Dengan menggunakan use case dan model interaksi antara objek,

meredukasi kekurangan dan sebelumnya serta membawa beberapa ide baru. Ivar

Jacobson menyumbangkan pemikiran baru terhadap Unified Method dan

kemudian barulah Unified Method berganti nama menjadi Unified Modelling

Language (UML), versi 0.9 dan 0.91 diliris pada bulan Juni dan Oktober 1996.

UML sendiri pada akhirnya bukan merupakan suatu metode, karena

metode sekurang-kuangnya terdiri atas sebuah bahasa pemodelan dan sebuah

proses. Bahasa pemodelan merupakan suatu cara menuliskan (terutama dengan

gambar metode-metode itu dalam mengekspesikan rancangan-rancangan.

Sedangkan proses adalah petunjuk dalam menentukan langkah-langkah apa yang

dilakukan dalam mengerjakan sebuah rancangan. UML tidak tergantung dari

proses.

Pendekatan dalam analisis berorientasi objek dilengkapi dengan alat-alat

dan teknik-teknik yang dibutuhkan dalam pengembangan sistem, sehingga hasil

akhir dari sistem yang dapat terdefinisi dengan baik dan jelas. Maka analisis

berorientasi objek akan dilengkapi dengan alat dan teknik di dalam

mengembangkan. (Hariyanto, 2004).

37

Komponen UML ada 9 diagram yaitu:

A. Use Case Diagram.

B. Class Diagram.

C. Activity Diagram.

D. Component Diagram.

E. Deployment Diagram.

F. Sequence Diagram.

G. Collaboration Diagram

H. Statechart Diagram

2.12.1 Use Case Diagram

Use case dibuat berdasarkan keperluan aktor, merupakan “apa” yang

dikerjakan sistem, bukan “bagaimana” sistem mengerjakannya. use case diberi

nama yang menyatakan apa hal yang dicapai dari hasil interaksinya dengan aktor

dan dinotasikan dengan gambar (horizontal ellipse).

Gambar 2.4 Notasi Use Case (Nugroho, 2005)

Use case biasanya menggunakan nama use case boleh terdiri atas

beberapa kata dan tidak boleh ada use case yang memiliki nama yang sama. Use

case diagram tidak boleh terpengaruh urutan waktu, meskipun demikian supaya

mudah dibaca penyusunan use case (Nugroho, 2005).

38

a. Aktor

Aktor menggambarkan orang, sistem atau ekstensial entitas/ stakeholder yang

menyediakan atau menerima informasi dari sistem. Aktor adalah entity ekstenal

yang berhubungan dengan sistem yang berpartisipasi dalam use case. Seorang

aktor secara khusus menggambarkan sistem dengan input atau masukan kejadian-

kejadian atau menerima sesuatu dari sistem. Tidak boleh ada komunikasi

langsung antar aktor dan sebuah aktor jangan digambarkan di tengah-tengah use

case. Dan letakan aktor utama pada pojok kiri atas dari diagram.

Aktor dilukiskan dengan peran yang mereka mainkan dalam use case, seperti

pelanggan, admin, dan lain-lain. Simbol aktor dalam UML digambarkan seperti

Gambar 2.4.

Petugas Penjualan

Gambar 2.5 Notasi Aktor (Nugroho, 2005)

Dalam use case terdapat satu aktor pemulai dalam awal sistem. Aktor akan sangat

berguna untuk mengetahui siapa aktor pemulai tersebut (Nugroho, 2005).

Biasanya, aktor merupakan peranan yang dibawa oleh manusia, tetapi tidak

menunup kemungkinan bahwa aktor itu adalah sebuah hal dari sebuah sistem,

jenis-jenis aktor meliputi:

1. Peranan-peranan yang dimulai oleh orang-orang yang berhubungan

dengan sistem.

2. Sistem-sistem komputer.

39

b. Relasi Assosiasi Antar Use Case

1. <<Include>>

Digunakan ketika dalam penulisan use case yang berbeda terdapat

deskripsi-deskripsi yang sama, maka relasi ini dapat digunakan untuk

menghindari penulisan deskripsi yang berulang-ulang. Sebuah use case dapat

meng-include fungsionalitas use case lain sebagai bagian dari proses dalam

dirinya. Secara umum diasumsikan bahwa use case yang di-include dieksekusi

secara normal. Sebuah use case dapat di include oleh lebih dari satu use case

lain, sehingga duplikasi fungsionalitas dapat dihindari dengan cara menarik

keluar fungsionalitas (Sholiq, 2006).

2. <<extend>>

Sebuah use case juga dapat mengextend use case lain dengan behavior-

nya sendiri. Sementara hubungan generalisasi antar use case menunjukan

bahwa use case yang satu merupakan spesifikasi dari yang lain. Ini sedikit

mirip dengan Include tetapi jika Extend tidak harus terjadi apa yang

diharapkan (Sholiq, 2006).

2.12.2 Activity Diagram (Diagram Aktivitas)

Activity Diagram menggambarkan urutan aktivitas-aktivitas, yang

mendukung penggambaran tindakan sistem baik yang bersifat kondisional

maupun pararel. Tindakan kondisional dilukiskan dengan cabang (branch) dan

penyatuan (merge).

Sebuah branch (cabang) memiliki sebuah transition masuk atau yang

disebut dengan incoming transition dari branch (cabang) yang berupa keputusan-

40

keputusan. Hanya satu dari outgoing transition yang dapat diambil, maka

keputusan-keputusan tersebut harus menunjukan bahwa transition”else” tersebut

harus digunakan jika semua keputusan yang ada pada branch (cabang) .

Sebuah merge (penyatuan) memiliki banyak input transition dan sebuah

output. Marge (penyatuan) menandakan akhir dari suatu kondisi yang diawali

dengan sebuah branch (cabang). Selain branch (cabang) dan marge (penyatuan),

di dalam diagram aktivitas terdapat pula fork dan join. Fork memiliki satu

incoming transition dan beberapa outgoing transition. Sedangkan semua state

pada incoming transition telah menyelesaikan aktivitasnya (Sholiq, 2006).

2.12.3 Sequence Diagram (Diagram Sequensial)

Sequence diagram menggambarkan interaksi antara objek didalam dan

disekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message

yang digambarkan terhadap waktu. Sequence diagram terdiri atas dimensi vertikal

(waktu) dan dimensi horizontal (objek-objek yang terkait).

Sequence diagram bisa digunakan untuk menggambarkan skenario atau

rangkaian langkah-langkah yang dilakukan sebagai respon dari sebuah event

untuk manghasilkan output tertentu. Diawali dari apa yang aktivitas tersebut,

proses dan perubahan apa saja yang terjadi secara internal dan output apa yang

dihasilkan. Masing-masing objek termasuk aktor memiliki life line vertikal.

Message digambarkan sebagai garis berpanah dari satu objek lainya. Pada fase

desain berikutnya, massage akan dipetakan menjadi operasi/metode dari garis

class (Suhendar, 2002).

41

2.12.4 Class Diagram (Diagram Kelas)

Diagram class menjelaskan sekumpulan kelas-kelas dan hubungan

strukturalnya. Dalam UML, diagram class merupakan penjelasan sentral analisis

dan desain object oriented. Kelas menggambarkan keadaan (atribut/property)

suatu sistem sekaligus menawarkan layanan untuk memanipulasi keadaan

tersebut.

Kelas memiliki tiga area pokok:

1. Nama.

2. Atribut.

3. Metoda.

Dalam class dapat diimplementasikan menjadi basisdata. Model-model

kelas pada dasarnya diwakili oleh tabel yang mengambil nama kelas. Masing-

masing atribut kelas menjadi kolom tabel, dan masing-masing objek diwakili

sebagai baris tabel. Terkadang sering ditambahkan kolom yang mengandung

referensi unik/primary key setiap objek. Untuk setiap atribut harus diberikan

property wilayah nilai, legalitas nilai yang kosong dan kemungkinan

menggunakan key (foreign key) (Suhendar, 2002).

2.12.5 Statechart Diagram (Diagram Statechart)

Diagram Statechart adalah satu jalan untuk mengkarakterisasi perubahan

dalam sistem dalam hal ini adalah objek-objeknya berubah status dalam

merespon kejadian dan waktu. Diagram Statechart penting untuk diterapkan,

sebab diagram statechart akan membantu analisis, desainer dan pengembang

42

untuk mengerti behaviour objek-objek yang ada didalam sistem. Diagram class

hanya menunjukkan aspek statis dari sistem. Diagram class menunjukan hirarki

dan asosiasi dan juga behaviour, akan tetapi tidak menunjukan detail dinamis dari

behavior. Dalam UML, state digambarkan berbentuk segiempat dengan sudut

membulat dan memiliki nama sesuai dengan kondisi saat itu. Transisi antara state

umumnya memiliki kondisi yang merupakan syarat terjadinya transisi yang

bersangkutan, ditulis dalam kurung siku. Aksi yang dilakukan dari kejadian

tertentu dituliskan dengan diawali garis miring. Titik awal dan akhir digambar

berbentuk lingkaran berwarna penuh dan berwarna setengah (Suhendar, 2002).

2.12.6 Component Diagram (Diagram Komponen)

Diagram komponen menunjukkan model secara fisik komponen perangkat

lunak pada sistem dan hubungannya antar mereka. Ada dua tipe komponen dalam

diagram yaitu komponen exutable dan kode pustaka (libraries code). Masing–

masing kelas dalam model akan dipetakan ke sebuah komponen kode pustaka.

Setelah komponen dibuat, mereka ditambahkan dalam diagram komponen dengan

memberi relasi antar komponen. Relasi yang terjadi antara komponen hanya satu

tipe relasi yaitu dependensi yang menunjukkan ketergantungan compile-time dan

run-time antara komponen-komponen tersebut (Suhendar, 2002).

2.12.7 Deployment Diagram

Diagram deployment menampilkan rancangan fisik jaringan dimana

berbagai komponen akan terdapat di sana. Deployment/ physical diagram

43

menggambarkan detail bagaimana komponen di sebar dalam infrastruktur sistem,

di mana komponen akan terletak (pada mesin, server atau piranti keras apa),

bagaimana kemampuan jaringan pada lokasi tersebut, spesifikasi server dan hal-

hal lain yang bersifat fisikal. Sebuah node adalah server, workstation atau piranti

keras lain yang digunakan untuk mennyebar komponen dalam lingkungan

sebenarnya. Hubungan antar node (misalnya TCP/IP) dan requirement dapat juga

didefinisikan dalam diagram ini (Suhendar, 2002).

2.13 Metode SKPK (Sistem Kecerdasan Pendukung Keputusan)

2.13.1 MCDM (Multi Criteria Decision Making)

Untuk kelas dari masalah keputusan yang ” kompleks ” Multiple Criteria

Decision Making (MCDM), digunakan karena skala, kumpulan data, dan

pembingkaian rumit satu model formal adalah permintaan, varian efisien , dan

antara itu varian yang paling diutamakan (keputusan), dapat diperoleh dengan

bantuan dari metode exact optimization. Ini diperlukan model tersebut harus

dikemas ke satu paket exact optimization, yang pasti menghindari populer,

penggunaan dokumen dan tersebar luas pada metode MCDM (Kaliszewski dan

Miroforidis, 2009).

2.13.1.1 Konsep Dasar MCDM

Pada dasarnya, proses MADM dilakukan melalui 3 tahap, yaitu

penyusunan komponen-komponen situasi, analisis dan sintesis informasi. Pada

tahap penyusunan komponen, komponen situasi, akan dibentuk tabel taksiran

44

yang berisi identifikasi alternatif dan spesifikasi tujuan, kriteria dan atribut. Salah

satu cara untuk menspesifikasikan tujuan situasi | , i=1,…,t| adalah dengan cara

mendaftar konsekuensi-konsekuensi yang mungkin dari alternatif yang telah

teridentifikasi | |. Selain itu juga disusun atribut-atribut yang akan

digunakan | .

Tahap analisis dilakukan melalui dua langkah. Pertama, mendatangkan

taksiran dari besaran yang potensial, kemungkinan, dan ketidakpastian yang

berhubungan dengan dampak-dampak yang mungkin pada setiap alternatif.

Kedua, meliputi pemilihan dari ketidakpastian terhadap resiko yang timbul. Pada

langkah pertama, beberapa metode menggunakan fungsi distribusi | | yang

menyatakan probabilitas kumpulan atribut | | terhadap setiap alternative | |.

Kosekuen juga dapat ditentukan secara langsung tersedia. Demikian pula, ada

beberapa cara untuk menentukan preferensi pengambil keputusan pada setiap

konsekuen yang dapat dilakukan pada langkah kedua. Metode yang paling

sederhana adalah untuk menurunkan bobot atribut dan criteria adalah dengan

fungsi utilitas atau penjumlahan terbobot (Kusumadewi et al. 2006).

Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah

MCDM, antara lain (Kusumadewi et al. 2006):

a. Simple Additive Weighting Method (SAW).

Metode SAW sering juga dikenal istilah metode penjumlahan terbobot.

Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating

kinerja pada setiap alternatif pada semua atribut. Metode SAW membutuhkan

45

proses normalisasi matriks keputusan (X) ke sesuatu skala yang dapat

diperbandingkan dengan semua rating alternatif yang ada.

b. Weighted Product (WP).

Metode WP menggunakan perkalian untuk menghubungkan rating atribut,

dimana rating setiap atribut harus dipangkatkan dulu dengan bobot atribut

yang bersangkutan.

c. ELECTRE.

ELECTRE (Elimination Et Choix TRaduisant la realit ) didasarkan pada

konsep perangkingan melalui perbandingan berpasangan antar alternative pada

kriteria yang sesuai. Suatu alternatif dikatakan mendominasi alternatif yang

lainnya jika satu atau lebih kriterianya melebihi (dibandingkan dengan kriteria

dari alternatif yang lain) dan sama dengan kriteria lain yang tersisa. Hubungan

perankingan antara 2 alternatif dan dinotasikan sebagai jika

alternatif ke-k tidak mendominasi alternatif ke-l secara kuantitatif, sehingga

mengambil keputusan lebih baik mengambil resiko daripada .

d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS).

TOPSIS didasarkan pada konsep dimana alternatif terpilih yang terbaik tidak

hanya memiliki jarak terpendek dari solusi ideal positif, namun juka memiliki

jarak terpanjang dari solusi ideal negatif. Konsep ini banyak digunakan pada

beberapa model MCDM untuk menyelesaikan masalah keputusan cara

praktis. Hal ini disebabkan konsepnya sederhana dan mudah dipahami,

komputasinya efisien dan memiliki kemampuan untuk mengukur kerja relatif

dari alternati –alternatif keputusan dalam bentuk sistematis yang sederhana.

46

Secara umum, prosedur TOPSIS mengikuti langkah–langkah yaitu:

1. Membuat matriks keputusan yang ternormalisasi.

2. Membuat matriks keputusan yang ternormalisasi terbobot.

3. Menentukan matriks solusi ideal positif dan matriks solusi ideal

negatif.

4. Menentukan jarak antara nilai setiap alternatif dengan matriks solusi

ideal positif dan matriks solusi ideal negatif.

5. Menentukan nilai preferensi untuk setiap alternatif.

e. Analytic Hierarchy Process (AHP).

Metode AHP merupakan salah satu model untuk pengambilan keputusan

yang dapat membantu kerangka berfikir manusia. Metode ini mula-mula

dikembangkan oleh Thomas L. Saaty pada tahun 70-an. Dasar berpikirnya metode

AHP adalah proses membentuk skor secara numerik untuk menyusun rangking

setiap alternatif keputusan berbasis pada bagaimana sebaiknya alternatif itu

dicocokkan dengan kriteria pembuat keputusan. Adapun struktur hirarki AHP

ditampilkan pada Gambar 2.6 (Supriyono et al. 2007).

Gambar 2.6 Struktur Hirarki (Supriyono et al. 2007)

47

Adapun langkah-langkah metode AHP adalah:

1. Menentukan jenis-jenis kriteria yang akan menjadi persyaratan calon pejabat

struktural.

2. Menyusun kriteria-kriteria tersebut dalam bentuk matriks berpasangan.

3. Menjumlah matriks kolom.

4. Menghitung nilai elemen kolom kriteria dengan rumus masing-masing elemen

kolom dibagi dengan jumlah matriks kolom.

5. Menghitung nilai prioritas kriteria dengan rumus menjumlah matriks baris hasil

langkah ke 4 dan hasilnya 5 dibagi dengan jumlah kriteria.

6. Menentukan alternatif-alternatif yang akan menjadi pilihan.

7. Menyusun alternatif-alternatif yang telah ditentukan dalam bentuk matriks

berpasangan untuk masing-masing kriteria. Sehingga akan ada sebanyak n

buah matriks berpasangan antar alternatif.

8. Masing-masing matriks berpasangan antar alternatif sebanyak n buah matriks,

masing-masing matriksnya dijumlah per kolomnya.

9. Menghitung nilai prioritas alternatif masing-masing matriks berpasangan

antaralternatif dengan rumus seperti langkah 4 dan langkah 5.

10. Menguji konsistensi setiap matriks berpasangan antar alternatif dengan rumus

masing-masing elemen matriks berpasangan pada langkah 2 dikalikan dengan

nilai prioritas kriteria. Hasilnya masing-masing baris dijumlah, kemudian

hasilnya dibagi dengan masing-masing nilai prioritas kriteria sebanyak n

, , ,.....,

11. Menghitung Lamda max dengan rumus max = .

48

12. Menghitung CI dengan rumus : CI = .

13. Menghitung CR dengan rumus : CR = dimana RI adalah nilai yang berasal

dari tabel random seperti tabel 2.2.

Tabel 2.2 RI / Nilai Random (Supriyono et al. 2007)

Jika CR < 0,1 maka nilai perbandingan berpasangan pada matriks kriteria

yang diberikan konsisten. Jika CR > 01, maka nilai perbandingan

berpasangan pada matriks kriteria yang diberikan tidak konsisten. Sehingga

jika tidak konsisten, maka pengisian nilai-nilai pada matriks berpasangan

pada unsur kriteria maupun alternatif harus diulang.

14. Menyusun matriks baris antara alternatif dan kriteria yang isinya hasil

perhitungan proses langkah 7, langkah 8 dan langkah 9.

15. Hasil akhirnya berupa prioritas global sebagai nilai yang digunakan oleh

pengambil keputusan berdasarkan skor yang tertinggi.

2.13.2 FMADM (Fuzzy Multi-Attribut Decision Making)

Fuzzy Multiple Attribute Decision Making (FMADM) adalah suatu

metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif

dengan kriteria tertentu. Inti dari FMADM adalah menentukan nilai bobot untuk

setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan

menyeleksi alternatif yang sudah diberikan. Pada dasarnya, ada 3 pendekatan

49

untuk mencari nilai bobot atribut, yaitu pendekatan subyektif, pendekatan

obyektif dan pendekatan integrasi antara subyektif & obyektif. Masing-masing

pendekatan memiliki kelebihan dan kelemahan. Pada pendekatan subyektif, nilai

bobot ditentukan berdasarkan subyektifitas dari para pengambil keputusan,

sehingga beberapa faktor dalam proses perankingan alternatif bisa ditentukan

secara bebas. Sedangkan pada pendekatan obyektif, nilai bobot dihitung secara

matematis sehingga mengabaikan subyektifitas dari pengambil keputusan

(Wibowo et al. 2009).

Ada beberapa metode yang dapat digunakan untuk mnyelesaikan masalah

FMADM. Antara lain (Wibowo et a. 2009):

a. Simple Additive Weighting Method (SAW)

b. Weighted Product (WP)

c. ELECTRE

d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS)

e. Analytic Hierarchy Process (AHP)

2.13.2.1 Algoritma FMADM

Algoritma FMADM adalah (Wibowo et al. 2009):

1. Memberikan nilai setiap alternatif (Ai) pada setiap kriteria (Cj) yang sudah

ditentukan, dimana nilai tersebut di peroleh berdasarkan nilai crisp; i=1,2,…m

dan j=1,2,…n.

2. Memberikan nilai bobot (W) yang juga didapatkan berdasarkan nilai crisp.

50

3. Melakukan normalisasi matriks dengan cara menghitung nilai rating kinerja

ternormalisasi (rij) dari alternatif Ai pada atribut Cj berdasarkan persamaan

yang disesuaikan dengan jenis atribut (atribut keuntungan atau benefit

=MAKSIMUM atau atribut biaya atau cost =MINIMUM). Apabila berupa

artibut keuntungan maka nilai crisp (Xij) dari setiap kolom atribut dibagi

dengan nilai crisp MAX (MAX Xij) dari tiap kolom, sedangkan untuk atribut

biaya, nilai crisp MIN (MIN Xij) dari tiap kolom atribut dibagi dengan nilai

crisp (Xij) setiap kolom.

4. Melakukan proses perankingan dengan cara mengalikan matriks ternormalisasi

(R) dengan nilai bobot (W).

5. Menentukan nilai preferensi untuk setiap alternatif (Vi) dengan cara

menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot

(W). Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih

terpilih.

2.13.3 Forecasting

Peramalan adalah estimasi nilai variabel pada beberapa titik waktu di masa

depan. Latihan peramalan biasanya dilakukan dalam rangka memberikan bantuan

untuk masa depan pengambilan keputusan dan perencanaan di daerah tertentu

(Ismail, 2008). Di pasar kita saat ini, kita memiliki berbagai alat pengambilan

keputusan dalam membuat analisis khususnya di bidang peramalan (Forecasting).

Aplikasi alat peramalan ini termasuk dalam perencanaan produksi dan kontrol

peramalan permintaan produk memungkinkan kita untuk mengontrol stok bahan

51

baku dan barang jadi, rencana jadwal produksi, kontrol utilitas dan sebagainya

(Ismail, 2008).

Terdapat dua pendekatan umum peramalan yaitu analisis kuantitatif dan

kualitatif. Analisis kuantitatif menggunakan model matematis yang beragam

dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan.

Sedangkan peramalan kualitatif menggabungkan faktor seperti intuisi, emosi,

pengalaman pribadi dan sistem nilai pengambil keputusan untuk meramal.

Didalam metode kuantitatif terdapat dua katagori yaitu model time-series dan

model asosiatif. Model time-series membuat prediksi dengan asumsi bahwa masa

depan merupakan fungsi masa lalu dan metode yang digunakan adalah pendekatan

naif, rata-rata bergerak, penghalusan eksponensial dan proyeksi tren. Sedangkan

model asosiatif menggabungkan variabel atau faktor yang mungkin

mempengaruhi kuantitas yang sedang diramalkan dan metode peramalannya

adalah regresi linear. Menganalisis model time-series berarti membagi data masa

lalu menjadi komponen–komponen kemudian memproyeksikannya ke masa

depan. Model time-series memiliki empat komponen yaitu (Heizer dan Render,

2006):

1. Tren. Merupakan pergerakan data sedikit demi sedikit meningkat atau

menurun.

2. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti

hari, minggu, bulan atau kuartal.

52

3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun . siklus

ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting

dalam analisis dan perencanaan bisnis jangka pendek.

4. Variasi acak merupakan satu titik khusus dalam data, yang disebabkan

oleh peluang dan situasi yang tidak biasa. Variasi acak tidak mempunyai

pola khusus, jadi tidak dapat diprediksi.

Pada model time-series terdapat Metode–metode utama yang biasa digunakan

untuk peramalan, Metode–metode tersebut yaitu (Heizer dan Render, 2006):

1. Pendekatan Naif

Cara yang paling sederhana untuk meramal adalah dengan berasumsi

bahwa permintaan di periode mendatang akan sama dengan

permintaan pada periode terakhir. Pendekatan naïf ini merupakan

model peramalan objektif yang paling efektif dan efisien dari segi

biaya. Pendekatan naïf memberikan titik awal untuk perbandingan

dengan model lain yang lebih canggih.

2. Rata-rata Bergerak

Peramalan rata-rata bergerak (moving average) mengunakan sejumlah

data aktual masa lalu untuk menghasilkan peramalan. Rata-rata

bergerak berguna jika kita dapat mengasumsikan bahwa permintaan

pasar akan stabil sepanjang masa yang kita ramalkan.

3. Penghalusan Eksponensial

Penghalusan eksponensial (exponential smoothing) merupakan metode

peramalan rata-rata bergerak dengan pembobotan yang canggih,

53

namun masih mudah digunakan. Metode ini menggunakan sangat

sedikit pencatatan data masa lalu. Rumus penghalusan eksponensial

dasar dapat ditunjukan sebagai berikut:

Peramalan baru = peramalan periode lalu + (permintaan aktual

periode lalu – peramalan periode lalu)

Diman adalah sebuah bobot atau konstanta penghalusan (smoothing

constant), yang dipilih oleh peramal yang mempunyai nilai antara 0

dan1. Dan dapat ditulis secara matematis sebagai :

= + ( - )

Di mana = peramalan baru

= peramalan sebelumnya

= konstanta penghalusan (pebobot) (0 1)

= permintaan actual periode lalu

Prediksi terakhir permintaan sama dengan prediksi lama, disesuaikan

dengan sebagian dari diferensiasi permintaan actual periode lalu

dengan prediksi lama.

4. Proyeksi Tren

Teknik ini mencocokkan garis tren pada serangkaian data masa lalu

dan kemudian memproyeksikan garis pada masa datang untuk

peramalan jangka menengah atau jangka panjang. Beberapa persamaan

tren matematis dapat dikembangkan (sebagai contoh, eksponensial

atau kuadratis).

54

2.14 PHP (Hipertext Prepocessor)

PHP (PHP Hypertext Preprocessor) merupakan bahasa pemrograman web

yang bersifat server side (bekerja di sisi server). PHP merupakan script yang

menyatu dengan HTML dan berada pada server (server side HTML embedded

scripting). PHP banyak dipakai untuk memprogram situs web dinamis, meskipun

tidak menutup kemungkinan untuk membuat aplikasi-aplikasi lain yang berbasis

web . Dinamis berarti halaman yang akan ditampilkan dibuat saat halaman itu

diminta oleh client. Mekanisme ini menyebabkan informasi yang diterima client

selalu yang terbaru up to date. Semua script PHP dieksekusi pada server dimana

script tersebut dijalankan.

PHP pertama kali dibuat oleh Rasmus Lerdorf pada tahun 1995. Pada

waktu itu PHP masih bernama FI (Form Interpreted), yang wujudnya berupa

sekumpulan script yang digunakan untuk mengolah data form dari web .

Selanjutnya Rasmus merilis kode sumber tersebut untuk umum dan

menamakannya PHP/FI, kependekan dari Hypertext Preprocessing/ Form

Interpreter. Dengan perilisan kode sumber ini menjadi open source, maka banyak

programmer yang tertarik untuk ikut mengembangkan PHP.

Pada November 1997, dirilis PHP/FI 2.0. Pada rilis ini interpreter PHP

sudah diimplementasikan dalam program C. Dalam rilis ini disertakan juga

modul-modul ekstensi yang meningkatkan kemampuan PHP/FI secara signifikan.

Pada tahun 1997, sebuah perusahaan bernama Zend menulis ulang interpreter

PHP menjadi lebih bersih, lebih baik dan lebih cepat. Kemudian pada Juni 1998,

perusahaan tersebut merilis interpreter baru untuk PHP dan meresmikan rilis

55

tersebut sebagai PHP 3.0. Pada pertengahan tahun 1999, Zend merilis interpreter

PHP baru dan rilis tersebut dikenal dengan PHP 4.0. PHP 4.0 adalah versi PHP

yang paling banyak dipakai pada awal abad ke-21. Versi ini banyak dipakai

disebabkan kemampuannya untuk membangun aplikasi web kompleks tetapi

tetap memiliki kecepatan dan stabilitas yang tinggi.

Pada Juni 2004, Zend merilis PHP 5.0. Dalam versi ini, inti dari

interpreter PHP mengalami perubahan besar. Versi ini juga memasukkan model

pemrograman berorientasi objek ke dalam PHP untuk menjawab perkembangan

bahasa pemrograman ke arah paradigma berorientasi objek (Hakim, 2008).

<html><head>

<title>PHP1</title>

</head>

<body>

Selamat Datang di PHP<br>

<?php

echo ("Tgl Sekarang : %s", Date("d F Y"));

?></body></html>

2.15 MySQL

MySQL adalah sebuah server database SQL multi user dan multi-

threaded. SQL sendiri adalah salah satu bahasa database yang paling populer di

dunia. Implementasi program server database ini adalah program daemon

'mysqld' dan beberapa program lain serta beberapa pustaka. MySQL dibuat oleh

56

TcX dan telah dipercaya mengelola sistem dengan 40 buah database berisi 10,000

tabel dan 500 di antaranya memiliki 7 juta baris (kira-kira 100 gigabyte data).

Database ini dibuat untuk keperluan sistem database yang cepat, handal dan

mudah digunakan. Walaupun memiliki kemampuan yang cukup baik, MySQL

untuk sistem operasi Unix bersifat freeware dan terdapat versi shareware untuk

sistem operasi Windows.

Sistem database MySQL memiliki sistem sekuritas dengan tiga verifikasi

yaitu user (name), password dan host. Verifikasi host memungkinkan untuk

membuka keamanan di 'localhost', tetapi tertutup bagi host lain (bekerja di lokal

komputer). Sistem keamanan ini ada di dalam database mysql dan pada tabel

user. Proteksi juga dapat dilakukan terhadap database, tabel, hingga kolom secara

terpisah (Kadir, 2005).

57

BAB III

METODE PENELITIAN

3.1 Metode Pengumpulan Data

3.1.1 Observasi

Pengumpulan data secara observasi dilakukan dengan cara mengamati

obyek yang akan diteliti secara langsung. Data yang dikumpulkan merupakan data

primer yang didapat dari obyek penelitian yang berada di CV. Jaya Mandiri pada

Bagian Purchasing. Hal ini perlu dilakukan agar peneliti dapat melakukan analisis

terhadap sistem yang telah berjalan serta menentukan rancangan sistem baru.

Waktu : 7 Mei – 10 Mei 2010

Tempat : CV. Jaya Mandiri, Jl.Villa Mutiara Gading 2 Blok X No. 43

Bekasi Timur.

Dari observasi yang telah dilakukan, ditemukan bahwa CV. Jaya Mandiri

belum memiliki sistem Kecerdasan Pendukung keputusan mengenai pengiriman

barang berbasis web. Pengelolaan pengiriman barang masih dilakukan secara

manual sehingga sulit mengatasi permasalahan yang ada.

3.1.2 Wawancara

Teknik wawancara dilakukan dengan cara mewawancarai orang yang

terlibat dalam CV. Jaya Mandiri, seperti bapak Abdul Aziz selaku Owner. Dalam

memperoleh informasi dari interview, diperlukan sebuah panduan wawancara

(interview guide) agar dalam prosesnya lebih teratur dengan hasil wawancara

58

terlampir. Setelah mengadakan wawancara terhadap pihak CV. Jaya Mandiri

ditemukan suatu masalah yaitu:

1. Belum tersedianya Intelligent Decision Support System dalam Pengiriman Barang.

2. Belum tersedianya sistem yang mampu meningkatkan akurasi perkiraan

permintaan pelanggan.

3. Belum tersedianya sistem yang dapat memberikan keputusan pemilihan

kendaraan berdasarkan besar muatan barang dan jarak yang akan dikirim

berdasarkan kriteria yang telah ditentukan.

Dari masalah yang telah di dapat dari hasil wawancara, maka diperlukan

sebuah media atau sistem yang dapat memberikan informasi pendukung

keputusan kepada CV. Jaya Mandiri berbasis web. Dengan adanya sistem tersebut

dapat meningkatkan loyalitas pelanggan pada CV. Jaya Mandiri. Selain

ditemukannya suatu masalah dari wawancara, diperoleh juga suatu data sekunder

yang diberikan oleh Owner, seperti PO oleh customer atau mitra dan data job desk

pegawai CV. Jaya Mandiri. Wawancara dilakukan pada tanggal 10 Mei 2010 di

kantor CV. Jaya Mandiri yang berlokasi di Jl.Villa Mutiara Gading 2 Blok X No.

43 Bekasi Timur.

3.1.3 Studi Kepustakaan

Studi kepustakaan dilakukan dengan mempelajari teori-terori yang

berhubungan dengan IDSS. Teori-teori tersebut berasal dari buku, jurnal dan

internet. Buku-buku yang digunakan antara lain Decision Support Systems and

Intelligent Systems, The Unified Modelling Language User Guide, Fuzzy MADM,

59

, dan lain sebagainya. Selain itu, penelitian ini juga dilakukan guna memperoleh

literatur dari penelitian IDSS yang terdahulu dengan mempelajarinya untuk

memperoleh kelebihan dan kelemahan yang terdapat dalam penelitian tersebut.

Dengan cara yang demikian, penelitian terdahulu dapat dijadikan referensi dalam

penggunaan metode yang akan diteliti.

3.2. Metode Pengembangan Sistem

3.2.1 RUP

Dalam melakukan penelitian terhadap pengembangan sistem kecerdasan

pendukung keputusan, dilakukan beberapa tahapan pada pengembangan RUP

yaitu:

1. Inception

Pada tahap ini dilakukan analisis kebutuhan fungsional dan non-fungsional

yang terdapat pada kecerdasan sistem pendukung keputusan. Analisis tersebut

digambarkan dalam diagram rich picture dan use case mengenai proses bisnis

sistem pada perusahaan CV. Jaya Mandiri.

2. Elaboration

Pada tahap ini dilakukan analisis dan disain sistem kecerdasan pendukung

keputusan dan menetapkan base line untuk kasus pada CV. Jaya Mandiri. Analisis

dan desain tersebut digambarkan dalam diagram-diagram yaitu usecase diagram

(mengenai gambaran sistem yang akan dibuat dan digunakan), class diagram,

sequence diagram, activity diagram, state chart diagram, collaboration diagram,

60

deployment diagram dan component diagram. Selanjutnya merencanakan fase

berikutnya yaitu fase Construction.

3. Construction

Setelah membuat sebuah rancangan sistem, kemudian mengimplementasikan

rancangan tersebut dalam bentuk sistem jadi. Pada tahap menjelaskan bagaimana

membuat sebuah sistem jadi dengan menerapkan rancangan sebelumnya. Tahapan

ini melakukan pengkodingan program pada suatu sistem. Bahasa pemograman

yang digunakan untuk Sistem Kecerdasan Pendukung Keputusan pada CV. Jaya

Mandiri adalah PHP dan databasenya adalah MySQL.

4. Transition

Setelah melakukan implementasi sistem, tahapan selanjutnya adalah pengujian

sistem yang telah selesai. Pada tahapan ini menganalisis apakah sistem yang

dibuat telah sesuai dengan kebutuhan sistem yang diusulkan sebelumnya. Untuk

menganalisis sistem ini menggunakan tabel black box.

3.3 Metode Analisis IDSS

3.3.1 MCDM (Multi Criteria Decision Making)

MCDM merupakan metode pengambilan keputusan untuk menetapkan

alternatif terbaik dari sejumlah alternatif berdasarkan kriteria tertentu. Pada studi

kasus CV. Jaya Mandiri, metode MCDM yang digunakan adalah metode AHP

(Analytic Hierarchy Process). Konsep metode AHP adalah merubah nilai-nilai

kualitatif menjadi nilai kuantitatif sehingga keputusan-keputusan yang diambil

bisa lebih obyektif dan sangat sesuai dengan pengambilan keputusan pada kasus

61

pemilihan kendaraan pengiriman barang ini. Metode AHP mempunyai

kemampuan untuk memecahkan masalah yang diteliti multi obyek dan multi

kriteria yang berdasar pada perbandingan preferensi dari tiap elemen dalam

hierarki. Jadi model ini merupakan model yang komperehensif. Pembuat

keputusan menetukan pilihan atas pasangan perbandingan yang sederhana,

membangun semua prioritas untuk urutan alternatif kendaraan pada CV. Jaya

Mandiri.

3.3.2 FMADM (Fuzzy Multiple Attribute Decission Making)

Metode Fuzzy Multi Atribut Decision Making (FMADM) sebagai acuan

dalam pengambilan keputusan untuk memilih strategi yang paling tepat dalam

pengambilan keputusan pemilihan barang. Fuzzy Multiple Attribute Decision

Making (FMADM) merupakan metode yang digunakan untuk mencari alternatif

optimal dari sejumlah alternatif dengan kriteria yang telah ditentukan dalam

sistem ini. Inti dari FMADM adalah menentukan nilai bobot untuk setiap kriteria,

kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif

kendaraan yang sudah diberikan. Metode yang digunakan pada FMADM ini

adalah metode Fuzy Saw (Simple Additive Weighting).

Metode Fuzy Saw ini dipilih karena metode ini menentukan nilai bobot

untuk setiap kriteria dan nilai angka diubah ke dalam bentuk bilangan fuzzy lalu

dilakukan pengelompokan untuk diubah kebentuk bilangan crips atau bilangan

angka dan selanjutnya dengan proses perankingan yang akan menyeleksi alternatif

terbaik dari sejumlah alternatif, dalam hal ini alternatif yang dimaksud adalah

62

kendaraan jenis apa dari 3 alternatif jenis kendaraan CV. Jaya Mandiri yang

berhak mengirim barang berdasarkan kriteria-kriteria yang ditentukan. Dengan

metode perangkingan tersebut, diharapkan penilaian akan lebih tepat karena

didasarkan pada nilai kriteria dan bobot yang sudah ditentukan sehingga

mendapatkan hasil yang lebih akurat.

3.3.3 Forecasting

Metode peramalan merupakan cara untuk memperkirakan secara

kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data

yang relevan pada masa lalu. Dengan kata lain metode peramalan yang bersifat

objektif. Di samping itu metode peramalan memberikan urutan pengerjaan dan

pemecahan atas pendekatan suatu masalah dalam peramalan sehingga bila

digunakan pendekatan yang sama dalam suatu permasalahan dalam suatu kegiatan

peramalan akan dapat dasar pemikiran dan pemecahan yang sama. Pada kasus

CV. Jaya Madiri ini, metode peramalan yang akan digunakan adalah metode

pemulusan eksponensial karena metode ini cocok untuk meramal data yang

fluktuatif sesuai dengan keadaan pada CV. Jaya Mandiri.

63

3.4 Kerangka Berpikir Penelitian

Gambaran dari kerangka berpikir penelitian dijelaskan pada Gambar 3.1.

Observasi

Wawancara

Studi Literatur

MCDM

(Kusumadewi

et al. 2006)

FMADM

(Kusumadewi

et al. 2006)

Forcasting

Rational Unified Process

(RUP)

(Kroll dan Kructen, 2003)

Mengumpulkan

Data

Merancang

Model

Merancang

Sistem IDSSElaboration

Transition

Contraction

Inception

AHP

Smoothing

Exponential

Fuzzy Saw

Start

Finish

Gambar 3.1 Kerangka Berpikir Penelitian

64

BAB IV

HASIL DAN PEMBAHASAN

4.1 Analisis Pershitungan Metode pada SKPK

4.1.1 Analisis Perhitungan pada Metode Pemulusan Eksponensial

Metode Single Exponential Smoothing lebih cocok digunakan untuk

meramal hal–hal yang fluktuasinya secara random (tidak teratur). Pada metode ini

dilakukan perhitungan terhadap 1 jenis barang yaitu “benang obras ukuran

sedang”. Pada metode peramalan ini digunakan metode pemulusan eksponensial.

Pada metode ini data tidak mengandung trend dan jangka waktu yang pendek.

Pada tahap awal untuk menetukan apakah termasuk metode pemulusan

eksponensial atau tidak, kita bisa melihat dari plot datanya Tabel 4.1:

Tabel 4.1 Data Permintaan Barang Tahun 2009

No Tanggal Permintaan

1 Jan 1453

2 Feb 1457

3 Mar 1459

4 Apr 1454

5 Mei 1457

6 Jun 1459

7 Jul 1456

8 Agus 1459

9 Sep 1461

10 Okt 1457

11 Nov 1460

12 Des 1462

65

Gambar 4.1 Grafik Permintaan Tahun 2009

Dari data Gambar 4.1 menjelaskan data permintaan yang naik turun tapi tidak

signifikan maka dari itu data tersebut dapat disimpulkan merupakan pola data

musiman dan menggunakan metode pemulusan eksponensial.

Tahap selanjutnya adalah menggunakan rumus untuk menentukan data

peramalan. Rumus metode pemulusan eksponensial adalah:

tt1t F1XF

dengan:

Ft+1 : ramalan untuk periode waktu t + 1

Xt : data pada periode waktu t

Ft : ramalan untuk periode waktu t

Karena nilai F1 tidak diketahui, kita dapat menggunakan nilai observasi atau nilai

permintaan pertama (X1) sebagai ramalan (F1 = X1). Dalam metode ini nilai α bisa

66

ditentukan secara bebas yang bisa mengurangi forecast error, yaitu antara 0 dan 1.

Pada perhitungan ini menggunakan nilai 0.3; 0.6; 0,9. Selanjutnya menentukan

nilai F2 dengan nilai 0.3; 0.6; 0,9:

dengan = 0,3:

112 1 FXF

= (0,3 . 1453)+ ((1-0,3) . 1453)

= 0.3 . 1453+ 0.7 . 1453

= 1453

dengan = 0.6:

= 0,6. 1453 + (1-0,3) . 1453

= 0,6 . 1453+ 0,4 . 1453

= 1453.

dengan = 0.9:

= 0.9 . 1453+ (1-0.9) . 1453

= 0.9 . 1453+ 0.1 . 1453

= 1453.

67

Sehingga setelah dihitung seluruh data dengan nilai = 0.3; 0.6; 0.9 adalah:

Tabel 4.2 Tabel Ramalan nilai = 0.3; 0.6; 0.9

No Tanggal Permintaan Ramalan α=

0.3

Ramalan α=

0.6

Ramalan α=

0.9

1 Jan 1453 1453 1453 1453

2 Feb 1457 1453 1453 1453

3 Mar 1459 1454.2 1455.4 1456.6

4 Apr 1454 1455.64 1457.56 1458.76

5 Mei 1457 1455.148 1455.424 1454.476

6 Jun 1459 1455.7036 1456.3696 1456.7476

7 Jul 1456 1456.69252 1457.94784 1458.77476

8 Agus 1459 1456.484764 1456.779136 1456.277476

9 Sep 1461 1457.239335 1458.111654 1458.727748

10 Okt 1457 1458.367534 1459.844662 1460.772775

11 Nov 1460 1457.957274 1458.137865 1457.377277

12 Des 1462 1458.570092 1459.255146 1459.737728

68

Grafik berdasarkan data perhitungan pada Tabel 4.2 adalah:

Gambar 4.2 Grafik permintaan dan Peramalan nilai = 0.3; 0.6; 0.9

Setelah mendapatkan hasil peramalannya, selanjutnya menentukan nilai kesalahan

dari peramalan dari masing-masing = 0.3; 0.6; 0.9 dengan menggunakan MAD

(Mean Absolute Deviation), MSE (Mean Squared Error) dan MAPE (Mean

Absolute Percent Error).

Untuk menghitung nilai MAD (Mean Absolute Deviation) kita menggunakan

rumus MAD yaitu:

MAD =

Keterangan:

Aktual = Nilai permintaan barang

Peramalan = Nilai hasil perhitungan dari nilai aktual berdasarkan nilai

alfa

n = Banyaknya bulan dalam satu tahun yaitu 12 bulan

69

Tabel 4.3 Perhitungan Nilai Kesalahan Nilai MAD (Mean Absolute Deviation)

No Tanggal Permintaan Ramalan

α= 0.3

Deviasi

Absolut α=

0.3

Ramalan

α= 0.6

Deviasi

Absolut

α=0.6

Ramalan

α= 0.9

Deviasi

Absolut

α=0.9

1 Jan 1453 1453 0 1453 0 1453 0

2 Feb 1457 1453 4 1453 4 1453 4

3 Mar 1459 1454.2 4.8 1455.4 3.6 1456.6 2.4

4 Apr 1454 1455.64 1.64 1457.56 3.56 1458.76 4.76

5 Mei 1457 1455.148 1.852 1455.424 1.576 1454.476 2.524

6 Jun 1459 1455.7036 3.2964 1456.3696 2.6304 1456.7476 2.2524

7 Jul 1456 1456.69252 0.69252 1457.94784 1.94784 1458.77476 2.77476

8 Agus 1459 1456.484764 2.515236 1456.779136 2.220864 1456.277476 2.722524

9 Sep 1461 1457.239335 3.7606652 1458.111654 2.8883456 1458.727748 2.2722524

10 Okt 1457 1458.367534 1.36753436 1459.844662 2.84466176 1460.772775 3.77277476

11 Nov 1460 1457.957274 2.042725948 1458.137865 1.862135296 1457.377277 2.622722524

12 Des 1462 1458.570092 3.429908164 1459.255146 2.744854118 1459.737728 2.262272252

MAD 2.449749139 2.489591731 2.696975495

Setelah mendapatkan nilai MAD, maka selanjutnya menghitung nilai MSE (Mean

Squared Error) atau menghitung kesalahan rata-rata kuadrat. Rumus MSE adalah:

MSE=

Keterangan:

= Hasil penjumlahan dari perhitungan

kesalahan peramalan yang dikuadratkan

70

n = Banyaknya bulan dalam satu tahun yaitu 12

bulan

Tabel 4.4 Perhitungan Nilai Kesalahan Nilai MSE (Mean Squared Error)

No Tanggal Permintaan Ramalan α=

0.3

Deviasi

Absolut α=

0.3

Ramalan

α= 0.6

Deviasi

Absolut

α=0.6

Ramalan

α= 0.9

Deviasi

Absolut

α=0.9

1 Jan 1453 1453 0 1453 0 1453 0

2 Feb 1457 1453 16 1453 16 1453 16

3 Mar 1459 1454.2 23.04 1455.4 12.96 1456.6 5.76

4 Apr 1454 1455.64 2.6896 1457.56 12.6736 1458.76 22.6576

5 Mei 1457 1455.148 3.429904 1455.424 2.483776 1454.476 6.370576

6 Jun 1459 1455.7036 10.86625296 1456.3696 6.91900416 1456.7476 5.07330576

7 Jul 1456 1456.69252 0.47958395 1457.94784 3.794080666 1458.77476 7.699293058

8 Agus 1459 1456.484764 6.326412136 1456.779136 4.932236906 1456.277476 7.412136931

9 Sep 1461 1457.239335 14.14260275 1458.111654 8.342540305 1458.727748 5.163130969

10 Okt 1457 1458.367534 1.870150226 1459.844662 8.092100529 1460.772775 14.23382939

11 Nov 1460 1457.957274 4.172729299 1458.137865 3.467547861 1457.377277 6.878673438

12 Des 1462 1458.570092 11.76427001 1459.255146 7.534224131 1459.737728 5.117875744

MSE 7.898458777 7.266592546 8.530535107

Setelah mendapatkan nilai MSE (Mean Squared Error) atau menghitung

kesalahan rata-rata kuadrat, maka selanjutnya menghitung nilai MAPE (Mean

Absolute Percent Error). MAPE dihitung sebagai rata-rata diferensiasi absolut

antara nilai yang diramal dan aktual, dinyatakan sebagai persentase nilai aktual.

Rumus MAPE adalah:

MAPE =

71

Ketarangan :

Aktual = Nilai permintaan barang atau nilai sebenarnya

Ramalan = Nilai hasil perhitungan peramalan

n = Banyaknya bulan dalam satu tahun yaitu 12 bulan

Tabel 4.5 Perhitungan Nilai Kesalahan Nilai MAPE (Mean Absolute

Percent Error)

No Tanggal Permintaan Ramalan

α= 0.3

Deviasi

Absolut α=

0.3

Ramalan

α= 0.6

Deviasi

Absolut

α=0.6

Ramalan

α= 0.9

Deviasi

Absolut α=0.9

1 Jan 1453 1453 0 1453 0 1453 0

2 Feb 1457 1453 0.274536719 1453 0.274536719 1453 0.274536719

3 Mar 1459 1454.2 0.328992461 1455.4 0.246744345 1456.6 0.16449623

4 Apr 1454 1455.64 0.112792297 1457.56 0.244841816 1458.76 0.327372765

5 Mei 1457 1455.148 0.127110501 1455.424 0.108167467 1454.476 0.17323267

6 Jun 1459 1455.7036 0.225935572 1456.3696 0.180287868 1456.7476 0.154379712

7 Jul 1456 1456.69252 0.047563187 1457.94784 0.13378022 1458.77476 0.190574176

8 Agus 1459 1456.484764 0.172394517 1456.779136 0.152218232 1456.277476 0.186602056

9 Sep 1461 1457.239335 0.257403504 1458.111654 0.197696482 1458.727748 0.155527201

10 Okt 1457 1458.367534 0.093859599 1459.844662 0.195241027 1460.772775 0.258941301

11 Nov 1460 1457.957274 0.139912736 1458.137865 0.127543513 1457.377277 0.179638529

12 Des 1462 1458.570092 0.234603842 1459.255146 0.18774652 1459.737728 0.154738184

Dari keseluruhan perhitungan dapat diringkas menjadi:

Tabel 4.6 Perhitungan Nilai Kesalahan MAD, MSE, dan MAPE

Kesalahan Deviasi Absolut α=

0.3

Deviasi Absolut

α=0.6

Deviasi Absolut

α=0.9

MAD 2.449749139 2.489591731 2.696975495

72

MSE 7.898458777 7.266592546 8.530535107

MAPE 0.167925411 0.170733684 0.185003295

Dengan nilai MAD pada 0.3; 0.6; 0.9; nilai kesalahan terkecil berdasarkan 3

metode penghitung kesalahan adalah nilai pada =0.3. Maka grafik peramalan

yang digunakan adalah pada =0.3 yaitu pada Tabel 4.7.

Tabel 4.7 Hasil Peramalan Permintaan Barang Tahun 2010

No Tanggal Permintaan Ramalan α= 0.3

1 Jan 1453 1453

2 Feb 1457 1453

3 Mar 1459 1454.2

4 Apr 1454 1455.64

5 Mei 1457 1455.148

6 Jun 1459 1455.7036

7 Jul 1456 1456.69252

8 Agus 1459 1456.484764

9 Sep 1461 1457.239335

10 Okt 1457 1458.367534

11 Nov 1460 1457.957274

12 Des 1462 1458.570092

73

Gambar 4.3 Grafik Permintaan Tahun 2009 dan Ramalan Tahun 2010

4.1.2 Analisis Perhitungan pada Metode AHP (Analytic Hierarchy Process )

Pada metode perhitungan metode AHP ini telah dibuat suatu simulasi

sebagai alat untuk memilih keputusan dalam memilih kendaraan yang terbaik

sesuai dengan kriteria–kriteria yang ada. Kriteria yang digunakan dalam metode

perhitungan AHP ini adalah:

1. Waktu

Nilai waktu didapatkan dari nilai jarak lokasi tujuan pengiriman dibagi dengan

kecepatan sesuai dengan rumus fisika mencari waktu yaitu t= s/v dengan

satuan km/jam dalam satu kali pengiriman. Lalu untuk menghitung waktu

total pengiriman selanjutnya meghitung kapasitas masing–masing kendaraan,

yaitu jumlah total barang /jumlah total muatan barang yang akan dibawa

dibagi dengan kapasitas masing–masing kendaraan dan kemudian nilainya

dibulatkan. Selanjutnya nilai hasil bagi dari perhitungan muatan dikalikan

dengan waktu satu kali berangkat yang sebelumnya telah dihitung dan hasil

74

perhitungannya adalah banyaknya waktu untuk mengirim sejumlah barang

yang disesuaikan dengan masing-masing kapasitas barang untuk setiap

kendaraan. Data kapasitas barang didapat berdasarkan hasil wawancara

terhadap owner CV. Jaya Mandiri.

2. Bahan Bakar

Nilai bahan bakar didapatkan berdasarkan hasil wawancara kepada owner CV.

Jaya Mandiri, berupa nilai jarak total bolak-balik untuk setiap kendaraan

dalam pengiriman 1464 buah barang dibagi dengan konsumsi bahan bakar

(satuan liter) masing-masing kendaraan sehingga didapat hasil konsumsi

bahan bakar dalam total jarak pengiriman dalam contoh perhitungan ini adalah

35 km.

3. Keamanan

Nilai keamanan barang didapatkan berdasarkan pengalaman pengiriman dari

owner tersebut berdasarkan kerusakan barang atau keamanan terhadap suatu

barang. Data tersebut didapat berdasarkan perhitungan jumlah total barang

dikurangi jumlah barang yang rusak lalu hasilnya dibagi dengan jumlah total

barang dan dikalikan 100 % maka didapatlah nilai persentase keamanan untuk

masing-masing kendaraan. Keamanan barang bergantung pada jenis barang

yang dikirim, jarak lokasi barang yang dikirim, kondisi jalan ke lokasi

pengiriman. Sehingga nilai kriteria keamanan berbeda untuk setiap lokasi

pengiriman dan dihitung secara manual di luar sistem.

75

4.1.2.1 Langkah–langkah Perhitungan dengan Metode AHP

Adapun langkah-langkah perhitungan secara umum dan berdasarkan nilai

spesifikasi kendaraan untuk memilih keputusan dalam memilih kendaraan yang

terbaik sesuai dengan kriteria–kriteria yang ada dengan menggunakan metode

AHP adalah:

1. Menentukan nilai kriteria yang menjadi persyaratan pemilihan kendaraan.

2. Menyusun kriteria-kriteria tersebut dalam bentuk matriks berpasangan.

3. Menghitung matriks nilai kriteria dan jumlah setiap kolom matriks.

4. Hitung nilai prioritas matriks nilai kriteria.

5. Menghitung matriks penjumlahan setiap baris.

6. Menghitung nilai rasio konsistensi atau CR (Consistency Ratio).

7. Menghitung Lamda max dengan rumus = .

8. Menghitung CI (Consistency Index) dengan rumus: CI = .

9. Menghitung CR (Consistency Ratio) dengan rumus: CR = dimana RI

(Random Index) adalah nilai yang berasal dari Tabel random.

10. Jika CR < 0,1 maka nilai perbandingan berpasangan pada matriks kriteria

yang diberikan konsisten. Jika CR > 01, maka maka nilai perbandingan

berpasangan pada matriks kriteria yang diberikan tidak konsisten, sehingga

jika tidak konsisten, maka pengisian nilai-nilai pada matriks berpasangan

pada unsur kriteria harus diulang.

11. Menentukan alternatif-alternatif yang akan menjadi pilihan.

12. Menentukan nilai perbandingan alternatif untuk setiap kriteria.

76

13. Menghitung matriks berpasangan alternatif berdasarkan kriteria dan nilai

prioritas alternatif setiap kriteria.

14. Menghitung matriks prioritas alternatif dengan menjumlahkan prioritas

untuk setiap alternatif berdasarkan kriteria-kriteria.

15. Menghitung matriks prioritas global dengan mengalikan nilai prioritas

kriteria dan nilai prioritas alternatif.

4.1.2.1.1 Contoh Kasus Perhitungan AHP

Pada contoh kasus perhitungan AHP ini perhitungan AHP ditambahkan

perhitungan menghitung spesifikasi kendaraan untuk dijadikan nilai tingkat

kepentingan. Terdapat tiga kriteria dan tiga alternatif kendaraan yang akan dipilih

seperti Gambar 4.4.

Gambar 4.4 Struktur Hierarki Pemilihan Kendaraan

Dalam contoh kasus ini CV. Jaya Mandiri mengirim barang ke tempat

customernya yang jaraknya 35 Km dari lokasi CV. Jaya Mandiri dengan

permintaan barang 1464 benang obras ukuran sedang dan setiap kendaraan

memiliki spesifikasi masing-masing seperti pada Tabel 4.8.

77

Tabel 4.8 Hasil Spesifikasi Kendaraan

Nama Kendaraan

Konsumsi Bahan Bakar

Kecepatan Rata2

Kapasitas Keamanan (%)

Taruna 2005 7 65 1464 95

Kijang LGX 2005

6 65 1468 95

APV 2005 7 60 1470 95

Lalu menghitung waktu untuk sekali jalan ke lokasi pengiriman dengan

rumus jarak lokasi dalam contoh ini adalah 35 km dibagi dengan kecepatan rata-

rata untuk setiap kendaraan maka didapat nilai-nilai seperti di dalam Tabel 4.9.

Tabel 4.9 Hasil Perhitungan Waktu Sekali Jalan

waktu untuk sekali jalan Jam

Taruna 2005 0.538461538

Kijang LGX 2005 0.538461538

APV 2005 0.583333333

Kemudian hasil perhitungan kapasitas jumlah pengangkutan barang didapat

dengan rumus:

KP = JB : KKen

Keterangan:

KP = Kapasitas jumlah pengangkutan barang

JB = Jumlah barang yang akan dikirim

KKen = Kapasitas masing-masing kendaraan

Hasilnya dilakukan pembulatan. Alasan dilakukan pembulatan, jika nilai terdapat

lebih berupa nilai dibelakang koma berarti adal lebih barang yang belum terangkut

78

maka nilai yang dibelakang koma dihitung satu kali perjalanan. Maka dari itu

dilakukan pembulatan. Lalu didapat hasil seperti pada Tabel 4.10.

Tabel 4.10 Hasil Perhitungan Banyaknya pengangkutan kendaraan

Kendaraan Kapasitas Pembulatan

Taruna 2005 1 1 kali angkut

Kijang LGX 2005 0.99795501 1 kali angkut

APV 2005 0.996596324 1 kali angkut

Selanjutnya menghitung banyaknya bolak-balik perjalanan kendaraan dari

tempat pengiriman ke tempat tujuan adalah dengan rumus:

BB = ( KP x 2 ) – 1

Keterangan :

BB = Banyaknya bolak-balik perjalanan kendaraan dari tempat

pengiriman ke tempat tujuan

KP = Kapasitas jumlah pengangkutan barang

Lalu hasilnya ada pada Tabel 4.11.

Tabel 4.11 Hasil Perhitungan Banyaknya Bolak-Balik Masing-Masing

Kendaraan

Kendaraan banyak bolak - balik

Taruna 2005 1

Kijang LGX 2005 1

APV 2005 1

Setelah itu melakukan perhitungan jarak total bolak-balik setiap kendaraan dalam

pengiriman 1000 buah gerinda ke tempat tujuan yaitu dengan rumus:

79

JB = Ja x BB

Keterangan :

JB = Jarak total bolak-balik setiap kendaraan dalam

pengiriman

Ja = Jarak tempat tujuan

BB = Banyaknya bolak-balik perjalanan kendaraan dari

tempat pengiriman ke tempat tujuan

maka didapat nilai jarak total bolak-balik seperti Tabel 4.12.

Tabel 4.12 Hasil Perhitungan Banyaknya Jarak Bolak-Balik Masing-Masing

Kendaraan

Kendaraan Jarak Total Bolak-Balik

Taruna 2005 35 km

Kijang LGX 2005

35 km

APV 2005 35 km

Selanjutnya adalah menghitung waktu total bolak balik yang dibutuhkan

untuk mengirim 1464 buah benang obras ukuran sedang yang telah disesuaikan

dengan kapasitas masing-masing kendaraan. Rumusnya :

Wt = N1 x BB

Keterangan:

Wt = Waktu total bolak balik yang dibutuhkan untuk

mengirim

N1 = Nilai waktu sekali jalan

80

BB = Banyaknya bolak-balik perjalanan kendaraan dari tempat

pengiriman ke tempat tujuan

Dan hasilnya pada Tabel 4.13.

Tabel 4.13 Hasil Perhitungan Banyaknya Waktu Bolak-Balik Masing-Masing

Kendaraan

Kendaraan Waktu Total Bolak-Balik

Taruna 2005 0.538461538 s

Kijang LGX 2005

0.538461538 s

APV 2005 0.583333333 s

Nilai pada Tabel 4.13 diatas pada kendaraan APV didapat dari hasil

perkalian waktu untuk sekali jalan dikalikan dengan banyaknya bolak – balik

kendaraan dan hasilnya adalah waktu bolak – balik kendaraan.

Tabel 4.14 Hasil Perhitungan Bahan Bakar yang Dibutuhkan untuk

Pengiriman 1000 Buah Benang Obras Ukuran Sedang dengan Jarak 35km

Kendaraan Total Bahan Bakar Bolak-

Balik

Taruna 2005 5L

Kijang LGX 2005 5.833333333L

APV 2005 5L

Jadi Tabel 4.14 adalah perhitungan jumlah bahan bakar yang dibutuhkan

untuk pengiriman 1464 buah benang obras ukuran sedang dengan jarak 35 km

secara keseluruhan dengan rumus = Jarak total bolak-balik : konsumsi bahan

81

bakar masing-masing kendaraan (km/1L). Jadi nilai keseluruhan dapat

ditampilkan seperti nilai pada Tabel 4.15.

Tabel 4.15 Hasil Perhitungan Nilai Keseluruhan untuk Pengiriman 1464

Buah Benang Obras Ukuran Sedang dengan Jarak 35 km

Kendaraan Waktu (s)

Bahan Bakar (L)

Keamanan (%)

Taruna 2005 13.3 41.5625 85

Kijang LGX 2005

14.63636364 73.18181818 89

APV 2005 19.25 67.94117647 95

Untuk menentukan nilai kriteria kita harus membandingkan secara

langsung berdasarkan tingkat kepentingan yang kita inginkan dan mengkonversi

nilai perbandingan tersebut ke dalam bentuk nilai tingkat kepentingan. Tabel

diatas merupakan hasil nilai perhitungan dari penilaian spesifikasi masing-masing

kendaraan yang akan dijadikan nilai perbandingan untuk menentukan nilai

tingkat intensitas kepentingan yang selanjutnya akan digunakan untuk

pengambilan keputusan dalam perhitungan dengan metode AHP.

Selanjutnya menentukan perbandingan kendaraan berdasarkan kriteria-

kriteria yang telah ditentukan seperti Tabel 4.16. Untuk rumus menentukan waktu

dan bahan bakar rumus yang digunakan adalah :

Perbandingan waktu dan bahan bakar:

Pab = (Sb:Jab)-(Sa:Jab)

Perbandingan untuk keamanan :

Pab = (Sa:Jab)-(Sb:Jab)

82

Keterangan :

Pab = Hasil perbandingan antara barang A dan Barang B

Sa = Nilai spesifikasi kendaraan jenis A

Sb = Nilai spesifikasi kendaraan jenis B

Jab = Jumlah nilai kendaraan A dan B

Sehingga didapatkan hasil perhitungan seperti Tabel 4.16.

Tabel 4.16 Hasil Perhitungan Perbandingan Kendaraan Berdasarkan Tiga

Kriteria

Kendaraan Waktu Bahan Bakar Keamanan (%)

Taruna:Kijang 0 0.076923077 0

Taruna:APV 0.04 0 0

Kijang: APV 0.04 -0.076923077 0

Selanjutnya nilai pada Tabel 4.16 dikonversikan menjadi nilai-nilai

intensitas kepentingan agar mudah dihitung dalam proses perhitungan AHP.

Proses konversi tersebut adalah dengan cara mengelompokan nilai-nilai hasil

perhitungan perbandingan kendaraan berdasarkan tiga kriteria kedalam

pengelompokkan nilai intensitas kepentingan dengan nilai hasil adalah “n” yaitu:

jika n= 0 maka nilai intensitas perbandingan adalah 1

jika n > 0 & n < 0.2 maka nilai intensitas kepentingannya adalah 2

jika n 0.2 & n < 0.3 maka nilai intensitas kepentingannya adalah 3

jika n 0.3 dan n < 0.4 maka nilai intensitas kepentingannya adalah 4

jika n 0.4 & n < 0.5 maka nilai intensitas kepentingannya adalah 5


83

jika n 0.6 & n< 0.7 maka nilai intensitas kepentingannya adalah 7


jika n 0.8 & n 1 maka nilai intensitas kepentingannya adalah 9

Lalu jika hasil nilai perbandingannya nilainya adalah min maka

pengelompokan nilai intensitas kepentingannya adalah:

jika n < 0 & n > (-0.2) maka nilai intensitas kepentingannya adalah 1/2

jika n (-0.2) & n > (-0.3) maka nilai intensitas kepentingannya adalah 1/3

jika n (-0.3) dan n > (-0.4) maka nilai intensitas kepentingannya adalah 1/4





jika n (-0.8) & n (-1) maka nilai intensitas kepentingannya adalah 1/9

selanjutnya nilai dikonversikan berdasarkan penggolongan nilai seperti nilai-nilai

yang ada sebelumnya. Kemudian hasilnya seperti pada Tabel 4.17.

Tabel 4.17 Hasil Pengelompokan Nilai Menjadi Nilai AHP

Kendaraan Waktu Bahan Bakar

Keamanan (%)

Taruna:Kijang 1 2 1

Taruna:APV 2 1 1

Kijang: APV 2 0.5 1

Jika proses pengelompokan nilai menjadi nilai AHP selesai, selanjutnya

melakukan perhitungan matriks kriteria perbandingan berpasangan dengan cara

84

langsung membandingkan dari sisi tingkat kepentingannya tingkat kepentiganya

seperti pada Tabel 4.18.

Tabel 4.18 Skala Tingkat Kepentingan AHP

Bobot / Tingkat

Kepentingan

Pengertian Penjelasan

1 Sama penting Dua faktor memiliki pengaruh yang sama terhadap

sasaran

3 Sedikit lebih penting Salah satu faktor sedikit lebih berpengaruh dibanding

faktor lainnya

5 Lebih penting Salah satu faktor lebih berpengaruh dibanding faktor

lainnya

7 Sangat lebih penting Salah satu faktor sangat lebih berpengaruh dibanding

faktor lainnya

9 Jauh lebih penting Salah satu faktor jauh lebih berpengaruh dibanding

faktor lainnya

2,4,6,8 Antara nilai yang di

atas

Diatara kondisi diatas

Kebalikan Nilai kebalikan dari kondisi diatas untuk pasangan

dua faktor yang sama

Selanjutnya hasilnya adalah seperti pada Tabel 4.19:

Tabel 4.19 Tabel Hasil Matriks Kriteria Perbandingan Berpasangan

Kriteria Waktu Bahan Bakar Keamanan

Waktu 1 0.2 1

Bahan Bakar 5 1 5

Keamanan 1 0.2 1

Jumlah 7 1.4 7

Pada Tabel 4.20 menjelaskan nilai 1 didapat dari nilai perbandingan antara

waktu dan waktu yaitu nilainya 1 dan dibagi dengan jumlah satu kolom kriteria

seperti kriteria waktu. Kolom jumlah didapat dari jumlah baris setiap kriteria.

Sedangkan prioritas didapatkan dari jumlah baris pada baris waktu misalnya

jumlah waktu didapatkan dari jumlah dibagi tiga karena kriterianya hanya tiga.

85

Tabel 4.20 Hasil Matriks Nilai Kriteria

Kriteria Waktu Bahan Bakar Keamanan Jumlah Prioritas

Waktu 0.142857143 0.142857143 0.1428571 0.428571 0.142857143

Bahan Bakar 0.714285714 0.714285714 0.7142857 2.142857 0.714285714

Keamanan 0.142857143 0.142857143 0.1428571 0.428571 0.142857143

Pada Tabel 4.20 hasil matriks penjumlahan setiap baris ini, nilai-nilainya

didapat dari perhitungan yang sudah ditentukan rumusnya. Rumusnya adalah nilai

perbandingan pada hasil matriks kriteria perbandingan berpasangan dikalikan

dengan nilai prioritas pada Tabel hasil matriks nilai kriteria sehingga didapat

hasilnya pada Tabel 4.21 hasil matriks penjumlahan setiap baris.

Tabel 4.21 Hasil Matriks Penjumlahan Setiap Baris

Kriteria Waktu Bahan Bakar Keamanan Jumlah

Waktu 0.142857143 0.142857143 0.1428571 0.428571

Bahan Bakar 0.714285714 0.714285714 0.7142857 2.142857

Keamanan 0.142857143 0.142857143 0.1428571 0.428571

Setelah nilai matriks penjumlahan setiap baris sudah ditemukan nilainya,

selanjutnya melakukan perhitungan rasio konsistensi untuk menguji nilai

kelayakan nilai perbandingan kriteria pada Tabel 4.22.

86

Tabel 4.22 Hasil Matriks Perhitungan Rasio Konsistensi

Kriteria Jumlah perbaris Prioritas Hasil

Waktu 0.428571429 0.142857143 0.5714286

Bahan Bakar 2.142857143 0.714285714 2.8571429

Keamanan 0.428571429 0.142857143 0.5714286

Jumlah 4

Berdasarkan perhitungan yang ada pada Tabel–Tabel sebelumnya, maka dapat

disimpulkan:

Jumlah = 4

n kriteria = 3

Lamda Max (Jumlah /n) = 1.333333333

CI= ((Lamda Max-n)/(n-1)= -0.833333333

CR= (CI/IR(3 matriks=0.58))= -1.436781609

Karena CR < 0.1 maka hasilnya konsisten. Selanjutnya menghitung matriks

perbandingan berpasangan kendaraan berdasarkan bahan bakar seperti Tabel 4.23.

Tabel 4.23 Hasil Matriks Perbandingan Berpasangan Berdasarkan Bahan

Bakar

Bahan Bakar Taruna 2005 Kijang LGX 2005

APV 2005

Taruna 2005 1 3 3

Kijang LGX 2005 0.333333333 1 0.5

APV 2005 0.333333333 2 1

Jumlah 1.666666667 6 4.5

Pada Tabel 4.23 menjelaskan nilai pada Tabel 4.23 didapatkan dari Tabel

hasil matriks kriteria perbandingan berpasangan yaitu pada Tabel 4.19 pada

87

kolom bahan bakar kemudian dihitung berdasarkan nilai awalnya pada kolom

bahan bakar.

Tabel 4.24 Hasil Matriks Nilai Kriteria Berdasarkan Bahan Bakar

Bahan Bakar Taruna

2005

Kijang LGX

2005

APV 2005 Jumlah Prioritas

Taruna 2005 0.6 0.5 0.6666667 1.766667 0.588888889

Kijang LGX

2005

0.2 0.166666667 0.1111111 0.477778 0.159259259

APV 2005 0.2 0.333333333 0.2222222 0.755556 0.251851852

Pada Tabel 4.24 merupakan Tabel hasil matriks nilai kriteria bahan bakar

yang nilainya berasal dari Matriks perbandingan berpasangan berdasarkan bahan

bakar yaitu pada Tabel 4.23. Misalkan untuk nilai 0.6 pada kolom 1 baris 1

didapat dari perhitungan baris 1 kolom 1 pada Tabel 4.23 yang nilainya adalah 1

dibagi dengan jumlah dari kolom 1 pada Tabel 4.23 dan hasilnya adalah kolom 1

baris 1 pada Tabel 4.24.

Pada nilai jumlah baris 1 Pada Tabel 4.24 didapat dari jumlah baris 1

kolom 1 dijumlah dengan baris 1 kolom 2 dan baris baris 1 kolom 3 sedangkan

untuk nilai perioritasnya pada baris 1 didapat dari nilai jumlah baris 1 dibagi

dengan 3 dan hasilnya adalah nilai prioritas baris 1.

88

Tabel 4.25 Hasil Matriks Perbandingan Berpasangan Berdasarkan Waktu

Waktu Taruna 2005 Kijang LGX 2005

APV 2005

Taruna 2005 1 2 2

Kijang LGX 2005 0.5 1 2

APV 2005 0.5 0.5 1

jumlah 2 3.5 5

Pada Tabel 4.25 menjelaskan nilai diatas didapatkan dari tabel hasil

matriks kriteria perbandingan berpasangan yaitu pada Tabel 4.19 pada kolom

waktu kemudian dihitung berdasarkan nilai awalnya pada kolom waktu.

Tabel 4.26 Hasil Matriks Nilai Kriteria Berdasarkan Waktu

Waktu Taruna

2005

Kijang LGX

2005

APV

2005

Jumlah Prioritas

Taruna 2005 0.5 0.571428571 0.4 1.471429 0.49047619

Kijang LGX 2005 0.25 0.285714286 0.4 0.935714 0.311904762

APV 2005 0.25 0.142857143 0.2 0.592857 0.197619048

Pada Tabel 4.26 merupakan Tabel hasil matriks nilai kriteria waktu yang

nilainya berasal dari Matriks perbandingan berpasangan berdasarkan waktu yaitu

pada Tabel 4.25. Misalkan untuk nilai 0.5 pada kolom 1 baris 1 didapat dari

perhitungan baris 1 kolom 1 pada Tabel 4.25 yang nilainya adalah 1 dibagi

dengan jumlah dari kolom 1 pada Tabel 4.25 dan hasilnya adalah kolom 1 baris 1

pada Tabel 4.26.

89





Tabel 4.27 Hasil Matriks Perbandingan Berpasangan Berdasarkan

Keamanan

Keamanan Taruna 2005 Kijang LGX

2005

APV 2005

Taruna 2005 1 0.5 0.5

Kijang LGX 2005 2 1 0.5

APV 2005 2 2 1

Jumlah 5 3.5 2

Pada Tabel 4.27 menjelaskan nilai pada Tabel 4.27 didapatkan dari Tabel

hasil matriks kriteria perbandingan berpasangan yaitu pada Tabel 4.19 pada

kolom keamanan kemudian dihitung berdasarkan nilai awalnya pada kolom

keamanan.

Tabel 4.28 Hasil Matriks Nilai Kriteria Berdasarkan Keamanan

Keamanan Taruna

2005

Kijang LGX

2005

APV 2005 jumlah Prioritas

Taruna 2005 0.2 0.142857143 0.25 0.592857 0.197619048

Kijang LGX 2005 0.4 0.285714286 0.25 0.935714 0.311904762

APV 2005 0.4 0.571428571 0.5 1.471429 0.49047619

90

Pada Tabel 4.28 merupakan tabel hasil matriks nilai kriteria keamanan

yang nilainya berasal dari Matriks perbandingan berpasangan berdasarkan

keamanan yaitu pada Tabel 4.27. Misalkan untuk nilai 0.2 pada kolom 1 baris 1

didapat dari perhitungan baris 1 kolom 1 pada Tabel 4.27 yang nilainya adalah 1

dibagi dengan jumlah dari kolom 1 pada Tabel 4.27 dan hasilnya adalah kolom 1

baris 1 pada Tabel 4.28.





Tabel 4.29 Hasil Matriks Proritas Alternatif

Prioritas alternatif Waktu Bahan Bakar Keamanan Jumlah

Taruna 2005 0.49047619 0.588888889 0.197619 1.276984

Kijang LGX 2005 0.311904762 0.159259259 0.3119048 0.783069

APV 2005 0.197619048 0.251851852 0.4904762 0.939947

Jumlah 1 1 1

Pada Tabel 4.29 merupakan tabel hasil matriks prioritas dari ketiga

alternatif yaitu waktu, bahan bakar dan keamanan. Misalkan untuk nilai kolom 1

baris 1 pada Tabel 4.29 didapat dari nilai prioritas Tabel 4.26. untuk jumlah

kolom setiap alternatif pada Tabel 4.29 jumlahnya adalah selalu 1 jika jumlahnya

lebih dari satu atau kurang dari satu maka terdapat kesalahan perhitungan pada

metode AHP tersebut. Sedangkan untuk nilai jumlah pada Tabel 4.29 didapat dari

91

perhitungan jumlah dari baris 1 kolom 1,baris 1 kolom 2 dan jumlah baris 1

kolom 3.

Tabel 4.30 Hasil Matriks Perhitungan Prioritas Global

Prioritas Global Waktu Bahan Bakar Keamanan Jumlah

Taruna 2005 0.070068027 0.420634921 0.0282313 0.518934

Kijang LGX 2005 0.044557823 0.113756614 0.0445578 0.202872

APV 2005 0.028231293 0.17989418 0.070068 0.278193

Pada Tabel 4.30 hasil matriks perhitungan prioritas global misalkan pada

kolom 1 baris 1 Tabel 4.30 didapat dari nilai prioritas pada Tabel matriks nilai

kriteria Tabel 4.20 dan dikalikan dengan matriks prioritas alternatif baris 1 kolom

1 pada Tabel 4.29, sedangkan untuk hasil dari nilai baris 2 kolom 1 pada Tabel

4.30 didapat daril perkalian antara baris 2 kolom 1 pada Tabel 4.29 Tabel matriks

prioritas alternatif dengan nilai baris 1 pada kolom prioritas pada Tabel 4.20 yaitu

Tabel matriks nilai kriteria.

Sedangkan untuk nilai jumlah misalkan pada baris 1 didapat dari jumlah

baris 1 kolom 1, baris 1 kolom 2 dan baris 1 kolom 3 maka didapatkah hasil

penjumlahan prioritas global untuk kendaraan Taruna 2005.

Sehingga dari hasil perhitungan berdasarkan Tabel diatas pemilihan

kendaraan berdasarkan kriteria–kriteria yang ada dengan nilai tertinggi adalah

dengan menggunakan kendaraan mobil Taruna 2005 karena nilai Taruna 2005

adalah nilai yang tertinggi yaitu 0.518934.

92

4.1.3 Analisis Perhitungan pada Metode Fuzzy SAW (Simple Additive

Weighting)

Metode Fuzzy Saw (Simple Additive Weighting) merupakan gabungan

antara metode Fuzzy dan Simple Additive Weighting yang dijadikan satu. Pada

metode ini data yang dimasukkan merupakan data dari spesifikasi kendaraan yang

kemudian akan dikonversi menjadi data dengan bentuk linguistik atau berupa data

Fuzzy kemudian harus diubah lagi ke bentuk nilai crips atau bilangan angka dan

selanjutnya dilakukan pembobotan dan perankingan. Kriteria yang digunakan

dalam metode perhitungan Fuzzy Saw sama dengan kriteria pada metode AHP

tetapi cara perhitungan kriterianya yang berbeda. Pada Fuzzy Saw kriteria dihitung

dengan menggunakan fuzzyfikasi pembobotan atau menggunakan bentuk

linguistik sebagai nilai pembobotan yang selanjutnya akan diubah ke bentuk nilai

crips atau angka yang telah dikelompokkan berdasarkan nilai bentuk linguistik

tersebut. Sedangkan pada AHP langsung menggunakan nilai berdasarkan nilai

tingkat kepentingan yang selanjutnya akan dibandingkan untuk proses

perhitungan selanjutnya.

4.2.3.1 Langkah–langkah Perhitungan dengan Metode Fuzzy Saw

Adapun langkah-langkah perhitungan untuk memilih keputusan dalam

memilih kendaraan yang terbaik sesuai dengan kriteria–kriteria yang ada dengan

menggunakan metode Fuzzy Saw (Simple Additive Weighting) adalah:

1. Melakukan fuzzifikasi atau menentukan nilai linguistik pada kriteria-

kriteria yang ada dan pada bobot kriteria-kriteria tersebut.

93

2. Melakukan konversi dan menentukan nilai fuzzy dan nilai pembobotan

kedalam bentuk nilai crips atau nilai berupa angka.

3. Melakukan rating kinerja dengan menentukan data yang mana yang

akan dimasukkan kriteria keuntungan dan data yang mana yang akan

dimasukkan kedalam kelompok kriteria biaya dan perhitungan masing-

masing kedua kriteria tersebut berbeda dalam satu proses normalisasi.

4. Melakukan normalisasi data “X” atau data pada table.

5. Lalu melakukan perankingan berdasarkan data yang telah dihitung dan

juga telah dinormalisasikan sebelumnya.

4.1.3.1.1 Contoh Kasus Perhitungan Fuzzy Saw

Pada perhitungan kasus ini tahap awalnya hampir sama prosesnya

dengan AHP yang sebelumnya yaitu diambil dari nilai-nilai spesifikasi kendaraan

dengan proses perhitungan yang sama untuk mendapatkan hasil nilai .perhitungan

berdasarkan kriteria- kriteria yang telah ditentukan. Selanjutnya yang menjadi

perbedaannya adalah pada perhitungan persentasenya. Pada perhitungan

persentase pada metode ini menggunakan rumus persentase yang berdasarkan

logika hasil perhitungan. Rumusnya adalah “((jumlah nilai a+b+c)-nilai a /

(jumlah nilai a+b+c)) x 100%” untuk kriteria waktu dan bahan bakar karena nilai

kriteria waktu dan bahan bakar berbanding terbalik dengan nilai sebenarnya

sedangkan untuk kriteria keamanan tidak menggunakan rumus tersebut karena

telah dihitung secara manual atau di luar sistem dan nilainya berbanding lurus

dengan keadaan sebenarnya.

94

Tabel 4.31 Nilai Hasil Perhitungan Berdasarkan Kriteria pada Spesifikasi

Kendaraan

Kendaraan Waktu Bahan Bakar Keamanan (%)

Taruna 2005 0.538461538 5 95

Kijang LGX

2005

0.538461538 5.833333333 95

APV 2005 0.583333333 5 95

Setelah hasil perhitungan berdasarkan spesifikasi yang sebelumnya

pada perhitungan AHP juga sudah dijelaskan dan ditampilkan hasil

perhitungannya maka pada pembahasan metode Fuzzy Saw ini hanya

diperlihatkan hasil perhitungannya saja. Selanjutnya dari hasil perhitungan ini,

nilai-nilai hasil perhitungan ini akan diubah ke dalam bentuk perhitungan

persentase dengan rumus-rumus yang telah dijelaskan sebelumnya. Hasil

perhitungan dari rumus-rumus tersebut dapat dilihat dalam Tabel 4.32.

Tabel 4.32 Nilai Hasil Perhitungan Persentase Berdasarkan Kriteria pada

Spesifikasi Kendaraan

Persentase Waktu Bahan Bakar Keamanan

Taruna 2005 67.56756757 68.42105263 95

Kijang LGX 2005 67.56756757 63.15789474 95

APV 2005 64.86486486 68.42105263 95

Selanjutnya hasil dari perhitungan nilai-nilai tersebut akan diubah menjadi

bilangan fuzzy atau data berbentuk linguistik yang nilai-nilai diatas sudah dibuat

95

klasifikasi tingkatan berdasarkan nilainya. Bentuk klasifikasi berdasarkan kriteria-

kriteria yang telah ditetapkan sebelumnya adalah:

a. Pengelompokan pada kriteria waktu

Jika N > 0 & N<= 55 maka "Sangat Lambat"= 20%

Jika N >55 & N<= 65 maka "Lambat"= 40%

Jika N >65 & N<= 75 maka "Sedang " = 60%

Jika N >75 & N<= 85 maka "Cepat"= 80%

Jika N >85 & N<= 100 maka "Sangat Cepat"= 100%

b. Pengelompokan pada kriteria bahan bakar

Jika N > 0 & N<= 55 maka "Sangat Boros"= 20%

Jika N >55 & N<= 65 maka "Boros"= 40%

Jika N >65 & N<= 75 maka "Sedang " = 60%

Jika N >75 & N<= 85 maka "Irit"= 80%

Jika N >85 & N<= 100 maka "Sangat Irit"= 100%

c. Pengelompokan pada kriteria keamanan

Jika N > 0 & N<= 70 maka "Tidak Aman"= 25%

Jika N >70 & N<= 80 maka "Kurang Aman"= 50%

Jika N >80 & N<= 90 maka "Cukup Aman" = 75%

Jika N >90 & N<= 100 maka "Aman"= 100%

Selanjutnya setelah data terbentuk berdasarkan klasifikasi yang telah ditetapkan

maka hasil nilai fuzzy atau nilai linguistik dapat dilihat pada Tabel 4.33.

96

Tabel 4.33 Nilai linguistik atau Fuzzy berdasarkan kriteria

Fuzzy Waktu Bahan Bakar Keamanan (%)

Taruna 2005 Sedang sedang aman

Kijang LGX

2005

Sedang Boros aman

APV 2005 Lambat sedang aman

Selanjutnya nilai linguistik tabel dikonversi berdasarkan nilai fuzzy.

Setelah itu, tentukan nilai pembobotan dalam bentuk nilai Fuzzy. Cara

menentukan pembobotan adalah berdasarkan tingkat kepentingan antara ke tiga

kriteria tersebut. Bobot tersebut didapatkan dari keterangan wawancara dari

owner CV. Jaya Mandiri berdasarkan kriteria yang ada, pengelompokan bobot

dari bilangan fuzzy menjadi bilangan crips atau nilai angka adalah:

Tidak Penting (TD) = 0

Kurang Penting (KP) = 0.25

Cukup Penting (CP) = 0.5

Penting (P) =0.75

Sangat Penting (SP) = 1

Selanjutnya menentukan bilangan fuzzy untuk bobot (W) berdasarkan tingkat

kepentingan kriteria pada kasus ini adalah:

W = [Kurang Penting , Penting, Kurang Penting] atau [ 0.25 ; 0.75 ; 0.25 ]

Setelah bilangan fuzzy untuk nilai kriteria dan nilai alternatif telah

ditentukan maka nilai-nilai fuzzy tersebut akan dikonversi menjadi nilai crips atau

nilai bilangan berupa angka untuk memudahkan perhitungan pada metode fuzzy

97

saw ini. Cara konversinya telah dijelaskan sebelumnya dengan cara

pengelompokan nilai yang telah ditetapkan dan hasilnya dapat dilihat pada Tabel

4.34.

Tabel 4.34 Nilai Crips Alternatif berdasarkan Kriteria

Fuzzy Waktu Bahan Bakar Keamanan (%)

Taruna 2005 0.6 0.6 1

Kijang LGX

2005

0.6 0.4 1

APV 2005 0.4 0.6 1

Kemudian nilai pada Tabel 4.34 diubah ke dalam bentuk matriks agar lebih

mudah dilihat dalam proses perhitungan normalisasi nilai X pada gambar 4.5.

X = 0.6 0.6 1

0.6 0.4 1

0.4 0.6 1

Gambar 4.5 Matriks dari Tabel diatas yang Belum Ternormalisasi

Keterangan :

X = Nilai yang belum ternormalisasi

Setelah itu menghitung nilai-nilai matriks yang belum ternormalisasi untuk

dinormalisasikan menggunakan rumus maximum seperti perhitungan r yaitu:

= = = 1

= = = 1

98

= = = 1

= = = 1

= = = 0.666666667

= = = 1

= = = 0.666666667

= = = 1

= = = 1

Keterangan :

r = adalah nilai perhitungan ternormalisasi

Setelah perhitungan normalisas, selanjutnya semua hasil perhitungan tersebut

dimasukkan kedalam matriks yang ternormalisasi seperti Gambar 4.6.

1 1 1

R=

1 0.6666667 1

0.6666667 1 1

Gambar 4.6 Matriks Ternormalisasi

Selanjutnya melakukan proses perankingan berdasarkan persamaan diatas

berdasarkan bobot yang sudah ditentukan sebelumnya, yaitu:

= (0.25 x 1) + (0.75 x 1) + (0.25 x 1) = 1.25

= (0.25 x 1) + (0.75 x 0.6666666667) + (0.25 x 1) = 1

99

= (0.25 x 0.666666667) + (0.75 x 1) + (0.25 x 1) = 1.1666666667

Keterangan :

V = hasil nilai perhitungan bobot

Jadi nilai terbesar ada pada (alternatif ke 1) yaitu kendaraan mobil Taruna 2005

yang terpilih sebagai alternatif terbaik dengan nilai total bobot 1.25.

4.2 Inception

4.2.1 Profil CV. Jaya Mandiri

Dikutip dari wawancara antara peneliti dengan pemilik CV. Jaya Mandiri,

perusahaan ini adalah perusahaan yang bergerak di bidang supplier atau

pengiriman alat-alat jadi kebutuhan pabrik-pabrik. Didirikan pada tahun 1999 oleh

bapak Abdul Azis. CV. Jaya Mandiri bertempat di Bekasi yang beralamatkan di

jalan Villa Mutiara Gading 2 Blok X No. 43 Bekasi Timur, Telp. 021-71241131.

Sebagai general supplier CV. Jaya Mandiri untuk meningkatkan

penyediaan alat-alat kebutuhan pabrik, CV. Jaya Mandiri menjalin kerjasama

dengan beberapa supplier tunggal. CV. Jaya Mandiri dalam usahanya sudah

berjalan selama kurang lebih 11 tahun dan dalam perkembangannya cukup baik,

terutama dari segi kepuasan pelanggan (pabrik) yang menggunakan jasa

pengiriman yang baik. Dengan kepercayaan yang diberikan oleh para

pelanggannya CV. Jaya Mandiri terus berusaha memberikan pelayanan yang baik

dan memuaskan hati pelanggan.

100

4.2.1.1 Visi Perusahaan (Vision)

Memberikan pelayanan terbaik pada pelanggan (pabrik) dan kepuasan

pelanggan dalam pemesanan barang adalah poin utama bagi CV. Jaya Mandiri.

4.2.1.2 Misi Perusahaan (Mission)

1. Memberdayakan seluruh karyawan sebagai aset yang berharga untuk

untuk CV. Jaya Mandiri.

2. Selalu memberikan pelayanan prima yang terpercaya kepada pelanggan.

4.2.2 Analisa Sistem yang Sedang Berjalan

Analisis sistem yang berjalan menggambarkan proses bisnis yang sedang

berlangsung pada proses pengiriman barang terhadap konsumen CV. Jaya

Mandiri. Proses bisnis tersebut digambarkan pada rich picture pada Gambar 4.7.

101

Owner CV.Jaya Mandiri

Pengiriman

$ $$

Purchasing

Belanja Barang

Konsumen

Kirim Barang

Barang Kurang / Habis

Barang Masuk

DriverCek Barang

LaporanInventory

Owner Mengajukan Kontrak

Konsumen / Perusahaan Mengajukan Permintaan

Gambar 4.7 Proses Bisnis yang Sedang Berjalan


Dari gambar tersebut menjelaskan proses yang sedang berjalan ketika

owner mengajukan kontrak kerjasama pengiriman barang dan customer atau

perusahaan mengajukan permintaan pengiriman barang kepada owner CV. Jaya

Mandiri. Bagian Purchasing melakukan pengecekan barang setiap hari dan

dilaporkan kepada owner mengenai jumlah barang yang ada di gudang dan stok

barang selalu kekurangan karena tidak adanya metode untuk meramalkan jumlah

permintaan barang. Ketika barang yang dibutuhkan tidak tersedia maka owner

segera mengambil keputusan untuk belanja barang yang akan dikirimkan kepada

customer. Setelah barang di beli lalu disimpan ke dalam gudang untuk pengiriman

selanjutnya oleh driver kepada customer. Karena tidak sesuainya pemilihan

102

kendaraan untuk pengiriman barang, terkadang muncul biaya operasional

tambahan.

4.2.3 Analisis dan Perancangan Usulan SKPK dalam Pengiriman Barang

pada CV. Jaya Mandiri

Untuk menjelaskan analisa proses bisnis pada Sistem Kecerdasan

Pendukung Keputusan dalam Pengiriman Barang pada CV. Jaya Mandiri yang

diusulkan menggunakan diagram rich picture. Diagram tersebut menjelaskan alur

proses bisnis pada CV. Jaya Mandiri. Gambaran proses bisnis dapat dilihat pada

gambar 4.8:

Owner CV.Jaya Mandiri

Pengiriman

$ $$

Purchasing

Belanja Barang

Konsumen

Kirim Barang

Barang Kurang / Habis

Barang Masuk

DriverCek Barang

LaporanInventory

Owner Mengajukan Kontrak

Konsumen / Perusahaan Mengajukan Permintaan

IDSS & Forcasting

IDSS

Forcasting

Gambar 4.8 Gambar Proses Bisnis yang Diusulkan


Proses bisnis yang diusulkan ketika owner mengajukan kontrak kerjasama

pengiriman barang dan customer atau perusahaan mengajukan permintaan

103

pengiriman barang kepada owner CV. Jaya Mandiri. Bagian Purchasing

melakukan pengecekan barang setiap hari dan dilaporkan kepada owner

mengenai jumlah barang yang ada di gudang. Owner akan melakukan peramalan

terhadap permintaan barang untuk satu tahun kedepan agar dapat diketahui berapa

jumlah permintaan untuk tahun berikutnya berdasarkan history permintaan pada

tahun sebelumnya dan ketika barang yang dibutuhkan tidak tersedia maka owner

segera mengambil keputusan untuk belanja barang dengan jumlah yang sesuai

dengan permintaan peramalan pada sistem yang nantinya akan dikirimkan kepada

customer. Setelah barang dibeli lalu disimpan ke dalam gudang untuk pengiriman

selanjutnya oleh driver kepada customer. Owner juga dapat menentukan

kendaraan apa yang akan digunakan untuk pengiriman barang yang disesuaikan

dengan spesifikasi kendaraan.

Sedangkan untuk perancangan Sistem Kecerdasan Penunjang Keputusan

(SKPK) dalam Pengiriman Barang pada CV. Jaya Mandiri yang diusulkan

digambarkan dengan menggunakan use case system. Penjelasan mengenai

perancangan sistem dapat dijelaskan pada tahapan inception. Inception merupakan

tahapan awal dalam proses pengembangan sistem RUP. Pada tahapan inception

menjelaskan secara keseluruhan proses dalam membangun SKPK dalam

Pengiriman Barang CV. Jaya Mandiri, antara lain kebutuhan-kebutuhan untuk

SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV.

Jaya Mandiri meliputi visi SKPK (Sistem Kecerdasan Pendukung Keputusan)

dalam Pengiriman Barang CV. Jaya Mandiri, kebutuhan fungsional dan non

fungsional sampai pada kebutuhan basisdata. Selain menentukan kebutuhan-

104

kebutuhan untuk sistem, pada tahap inception juga menentukan siapa saja aktor

yang berhubungan dengan sistem, menentukan batasan sistem, menentukan fungsi

use case, serta menentukan diagram use case. Keseluruhan proses tersebut

dijelaskan sebagai berikut.

4.2.3.1 Requirements/ Kebutuhan-kebutuhan Untuk SKPK (Sistem

Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang

CV. Jaya Mandiri

Tujuan utama dalam membangun sebuah sistem adalah bagaimana kita

dapat mengatasi masalah pemilihan kendaraan yang sesuai dengan jarak dan

kapasitas jumlah barang berdasarkan spesifikasi kendaraan dan juga menetukan

peramalan permintaan barang berdasarkan data barang musiman, dimulai dengan

menentukan sistem seperti apa yang akan kita bangun. Untuk mengatasi masalah

tersebut maka diperlukannya kebutuhan-kebutuhan didalam membangun sistem,

antara lain visi dari pembuatan sistem, kebutuhan fungsional dan kebutuhan non

fungsional serta constrain atau batasan sistem. Sedangkan kebutuhan-kebutuhan

yang diperlukan untuk SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam

Pengiriman Barang CV. Jaya Mandiri antara lain membuat visi dari pembutan

SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV.

Jaya Mandiri, kebutuhan sistem perangkat lunak mencakup kebutuhan fungsional,

kebutuhan non fungsional dan kebutuhan Domain. Selain itu termasuk juga

kebutuhan user atau pengguna dan kebutuhan basisdata. Kebutuhan-kebutuhan

tersebut dijelaskan sebagai berikut:

105

1. Visi SKPK dalam Pengiriman Barang CV. Jaya Mandiri

Visi dalam membangun SKPK (Sistem Kecerdasan Pendukung

Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri ini adalah menyediakan

sebuah sistem informasi yang dapat mempermudah user (Owner CV. Jaya

Mandiri) dalam mengambil keputusan memilih kendaraan yang sesuai dengan

kebutuhan pengiriman dan meramalkan jumlah barang yang akan dibutuhkan

konsumen pada tahun berikutnya.

2. Software System Requirement (Kebutuhan Sistem Perangkat Lunak)

Kebutuhan sistem perangkat lunak terdiri dari 3 yaitu: kebutuhan fungsional

sistem, kebutuhan non-fungsional sistem dan kebutuhan Domain. Penjelasan

mengenai ketiga kebutuhan sistem adalah sebagai berikut:

a. Functional Requirement (Kebutuhan Fungsional)

Kebutuhan fungsional dari SKPK (Sistem Kecerdasan Pendukung Keputusan)

dalam Pengiriman Barang CV. Jaya Mandiri menjelaskan mengenai layanan apa

saja yang disediakan oleh sistem untuk memudahkan user dalam

menggunakannya. Seperti kemampuan sistem dalam menyediakan fungsi-fungsi

yang diinginkan dan dimengerti user. Kebutuhan fungsional dari SKPK (Sistem

Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri

adalah sebagai berikut:

1. Sistem dapat memberikan kemudahan dalam perhitungan peramalan jumlah

barang yang khusus memiliki pola data musiman.

106

2. Sistem dapat memberikan kemudahan perhitungan dalam hal penggunaan

kendaraan yang tepat dalam mengirim barang dengan membandingkan hasil

perhitungan dua metode yaitu AHP dan Fuzzy Saw.

3. Sistem menampilkan grafik-grafik hasil perhitungan.

4. User dapat mengakses hasil perhitungan pada sistem dimanapun user berada

selama dapat terhubung dengan internet.

b. NonFungsional Requirement (Kebutuhan Non-Fungsional)

Sedangkan kebutuhan non fungsional SKPK (Sistem Kecerdasan

Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri meliputi

kebutuhan produk, kebutuhan organisasional dan kebutuhan eksternal sistem.

penjelasan lengkap mengenai kebutuhan non-fungsional adalah sebagai berikut:

1. Kebutuhan Produk

Kebutuhan produk menjelaskan tentang kehandalan, kegunaan, dan kinerja

dari SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang

CV. Jaya Mandiri. Kebutuhan produk yang terdapat dalam SKPK (Sistem

Kecerdasan Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri

antara lain:

1. Sistem dapat diimplementasikan hampir pada seluruh OS (Operating

system), antara lain Microsoft Windows XP Profesional, Microsoft

Windows Vista, Microsoft Windows Seven bahkan pada Linux pun SKPK

dapat diimplementasikan.

2. Spesifikasi komputer yang dibutuhkan untuk menjalankan sistem minimal

Pentium IV.

107

3. Memori yang dibutuhakan minimal 512 MB.

4. Hardisk yang dibutuhkan minimal 40 GB.

5. Jaringan internet untuk berinteraksi dengan sistem secara online.

6. Server yang akan menampung semua data yang terdapat pada sistem.

2. Kebutuhan Organisasional

Dalam kebutuhan organisasional mendefinisikan informasi apa saja yang

terdapat pada SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam

Pengiriman Barang CV. Jaya Mandiri meliputi standar sistem, bahasa

pemograman yang digunakan dalam sistem dan metode perancangan apa yang

digunakan oleh sistem. Berikut adalah penjelasan dari kebutuhan-kebutuhan

tersebut antara lain:

1. Sistem yang dibangun memenuhi standar operasional sistem yang

ditentukan oleh perusahaan.

2. Bahasa pemograman yang digunakan adalah bahasa PHP dengan

menggunakan database MySQL.

3. Metode perancangan sistem menggunakan metode RUP (Rational Unified

Process) dari Kroll dan Kruchten.

3. Kebutuhan Eksternal

Kebutuhan eksternal mencakup privasi sistem, keamanan sistem, legalitas

sistem serta kinerja dari sistem. Penjelasan dari kebutuhan eksternal adalah

sebagai beruikut:

108

1. Dilengkapi username dan password pada SKPK (Sistem Kecerdasan

Pendukung Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri dan

databasenya.

2. User (Owner) dan admin memiliki username dan password sendiri.

3. Sistem dapat menginformasikan berupa alert atau peringatan jika ada

kesalahan dalam melakukan login pada sistem.

c. Kebutuhan Domain

Kebutuhan Domain berkaitan dengan hak cipta pada sistem, sehingga

tidak sembarang orang dapat memasuki atau mengakses sistem ini. Kebutuhan

Domain dalam sistem SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam

Pengiriman Barang CV. Jaya Mandiri ini adalah menggunakan sebuah copyright

atau lisensi yang kemungkinan adanya pembatasan hak akses bagi yang tidak

berwenang.

3. User Requirement (Kebutuhan Pengguna)

Kebutuhan user menggambarkan kebutuhan fungsional dan non-fungsional

bagi user yang kurang dimengerti secara teknis kerja sistem. Kebutuhan user

dalam SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam Pengiriman

Barang CV. Jaya Mandiri yaitu:

1. User (Owner) dapat mengubah password dan username sesuai kebutuhan

melalui admin.

2. Admin dapat mengubah, menambah dan menghapus akun user sesuai

kebutuhan.

109

4. Database Requirement (Kebutuhan Basisdata)

Kebutuhan database menjelaskan tentang penggunaan database yang

digunakan dalam sistem. Untuk SKPK (Sistem Kecerdasan Pendukung

Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri ini menggunakan

database yang mengintegrasikan data-data yang diinput dan disimpan ke dalam

database. Kebutuhan basisdata tergambar dalam sebuah database yaitu database

idss. database tersebut terdiri dari tabel bobot kriteria fuzzy saw, tabel kriteria

AHP, tabel kendaraan, tabel jenis barang, tabel permintaan dan tabel user.

4.2.3.2 Menentukan Batasan Masalah Sistem SKPK

Dalam menentukan batasan masalah pada sistem dapat dilihat dari

arsitektur sistem, yaitu entitas apa saja yang terdapat dan berinteraksi langsung

dengan lingkungan sistem. Entitas/ entity tersebut ditentukan berdasarkan

kebutuhan fungsional dan batasan sistem yang telah dijelaskan sebelumnya. Aktor

merupakan eksternal entity (entitas luar) yang berinteraksi dengan sistem, aktor

dapat berupa orang, sistem lain atau lingkungan sistem itu sendiri. Untuk

arsitektur pada sistem SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam

pengiriman barang CV. Jaya Mandiri digambarkan dalam diagram konteks pada

Gambar 4.9.

110

Admin

Sistem KSPK

User(Owner)

Gambar 4.9 Diagram Konteks SKPK (Sistem Kecerdasan Pendukung

Keputusan) dalam Pengiriman Barang CV. Jaya Mandiri


Dapat dilihat pada diagram konteks Gambar 4.9 terdapat panah dengan

garis putus-putus, panah tersebut dinamakan arrow dependent yaitu panah yang

menjelaskan ketergantungan aktor dalam sistem. Terdapat dua aktor yang

dependent/ bergantung dalam SKPK (Sistem Kecerdasan Pendukung Keputusan)

ini, yaitu Admin dan user (Owner). Kedua aktor tersebut merupakan eksternal

entity yang memiliki peran penting dalam sistem dan berinteraksi langsung

dengan sistem. Penjelasan mengenai kedua aktor tersebut adalah sebagai berikut:

1. User (Owner): Aktor User (Owner) memiliki hak akses input data perhitungan

ketiga metode, kriteria AHP, bobot kriteria Fuzzy Saw, kendaraan (spesifikasi

kendaraan).

2. Admin: Aktor Admin memiliki peran penting dalam sistem yaitu semua hak

akses dan menu user.

111

4.2.3.3 Menentukan Fungsi Use Case SKPK dalam Pengiriman Barang CV.

Jaya Mandiri

Use Case dapat ditentukan berdasarkan kebutuhan fungsional dari sebuah

sistem, atas dasar itu dalam membangun SKPK (Sistem Kecerdasan Pendukung

Keputusan) dalam pengiriman barang CV. Jaya Mandiri ini mempunyai dua

fungsi utama yang diambil dari kebutuhan fungsional sistem yaitu proses

perhitungan peramalan/ Forecasting pada barang dalam satu tahun dan proses

perhitungan mengambil keputusan pemilihan kendaraan dengan membandingkan

dua metode IDSS (Intelegence Decision Support System) yaitu AHP dan Fuzzy

Saw. Fungsi-fungsi lainnya yang berhubungan dengan fungsi utama diatas

meliputi login, tambah user menginput data yang ingin dihitung, menampilkan

hasil perhitungan dan grafik, menginput nilai parameter kriteria & bobot kriteria

yang akan dibandingkan, menghitung nilai yang berasal dari nilai-nilai spesifikasi

kendaraan dan logout. Dari fungsi-fungsi tersebut dapat ditentukan sebuah use

case, untuk SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam pengiriman

barang CV. Jaya Mandiri terdapat 7 usecase yaitu:

1. Login: dengan menggunakan username dan password yang telah dibuat oleh

admin untuk user (Owner) dan admin dapat memasuki halaman utama (home)

SKPK (Sistem Kecerdasan Pendukung Keputusan) tersebut.

2. Fuzzy Saw: use case ini menjelaskan tentang perhitungan yang menghitung

nilai pada bobot kriteria dan alternatif kendaraan dengan menggunakan

metode Fuzzy Saw.

112

3. AHP: use case ini menjelaskan tentang perhitungan yang membandingkan

nilai intensitas tingkat kepentingan pada kriteria dan nilai alternatif kendaraan

dengan menggunakan metode AHP.

4. Setting: use case ini menjelaskan tentang setting data ataupun nilai spesifikasi

kendaraan, kriteria AHP dan bobot kriteria fuzzy saw.

5. Forecasting: use case ini menjelaskan tentang perhitungan peramalan pada

satu jenis barang dalam satu tahun dengan menggunakan metode Pemulusan

exponensial.

6. Manajemen User: use case ini menjelaskan tentang siapa saja user yang

menggunakan SKPK (Sistem Kecerdasan Pendukung Keputusan) dan yang

mendapat hak akses untuk login sistem tersebut.

7. Logout: dilakukan jika admin dan user (owner) ingin keluar halaman SKPK

(Sistem Kecerdasan Pendukung Keputusan) ini dengan memilih logout.

4.2.3.4 Spesifikasi Aktor dan Use Case SKPK dalam Pengiriman Barang CV.

Jaya Mandiri

Setelah menentukan aktor dan use case apa saja yang terdapat dalam

sistem SKPK (Sistem Kecerdasan Pendukung Keputusan) dalam pengiriman

barang CV. Jaya Mandiri ini, selanjutnya dibuatlah spesifikasi dari aktor dan use

case tersebut. Spesifikasi aktor dan use case bertujuan untuk mendeskripsikan

keterhubungan antara aktor dan use case, Tabel 4.35 ini merupakan penjelasan

dari spesifikasi hubungan aktor dan use case.

113

Tabel 4.35 Spesifikasi Aktor

No Nama Aktor Deskripsi

1 Admin Aktor yang memiliki hak akses

sistem secara keseluruhan

termasuk “Manajemen User”.

2 User User merupakan aktor yang

memiliki hak akses yang tidak

dapat mengakses “Manajemen

User”. Owner CV. Jaya Mandiri

juga merupakan aktor pada

sistem SKPK ini.

Tabel 4.36 Spesifikasi Use Case pada SKPK CV. Jaya Mandiri

No Kebutuhan Aktor Use Case

1 Log In berdasarkan user name dan password

yang telah dibuat.

Admin, User /

Owner

Login

2 Untuk mendapatkan hasil perhitungan

pengambilan keputusan mengenai alternatif dari

3 jenis kendaraan dan 3 nilai bobot kriteria

dengan metode Fuzzy Saw untuk menghasilkan

nilai bobot tertinggi dari ketiga kendaraan yang

dibandingkan.

User (Owner)

dan Admin

Fuzzy Saw

3 Untuk mendapatkan hasil perhitungan

pengambilan keputusan mengenai alternatif dari

3 jenis kendaraan dan 3 nilai perbandingan

kriteria dengan metode AHP untuk mendapatkan

hasil perbandingan nilai kendaraan yang terbaik.

User (Owner)

dan Admin

AHP

4

Untuk mendapatkan hasil perhitungan

peramalan mengenai permintaan dalam dua

belas bulan pada satu jenis barang dengan

menggunakan metode pemulusan Exponensial.

User (Owner)

dan Admin

Forecasting

5 Untuk mengatur , mengupdate nilai kriteria

AHP, bobot kriteria Fuzzy Saw dan kendaraan.

User (Owner)

dan Admin

Setting

114

6 Admin dapat menambah maupun menghapus

user dan juga menampilkan user yang dapat

menggunakan sistem SKPK.

Admin Manajemen User

7 Setelah semua aktivitas terselesaikan dapat

melakukan Log Out untuk keluar dari sistem.

Admin, User

(Owner)

Logout

4.2.3.5 Usecase Diagram Sistem Usulan

Gambar 4.10 Usecase Diagram Sistem Usulan

4.2.3.5.1 Narasi Usecase Diagram

Narasi Usecase diagram digunakan untuk menggambarkan secara

tekstual langkah-langkah dalam interaksi sistem dengan penggunanya.

115

Tabel 4.37 Narasi Usecase Login

Use Case Name Login

Use Case ID 1

Actor Admin dan User (Owner)

Description Usecase menggambarkan kegiatan login ke dalam sistem

dengan memasukkan data pengguna untuk diverifikasi oleh

sistem.

Precondition Seorang Admin maupun user (Owner) ingin melakukan login

ke sistem harus mengakses terlebih dahulu url sistem tersebut.

Trigger Usecase ini dilakukan setelah actor mengakses halaman login.

Typical Course of Events Actor Action Sistem Response

1: Usecase terinisiasi saat

aktor memasukkan Username

& password user yang akan di

proses.

4: Usecase berakhir saat aktor

telah berhasi login ke dalam

sistem.

2: cek validasi.

3:jika password & username

benar, sistem menampilkan

halaman home sesuai role

sistem user.

Alterate Courses 3: Jika username & password tidak terdapat dalam database,

maka sistem akan menampilkan alert “username atau

password yang dimasukan salah”.

Conclusion Actor berhasil login ke dalam sistem.

Post Condition Actor telah berada pada halaman home sesuai role masing-

masing.

116

Tabel 4.38 Narasi Usecase Forecasting

Use Case Name Forecasting

Use Case ID 2


Description Untuk mendapatkan hasil perhitungan peramalan mengenai

permintaan dalam dua belas bulan pada satu jenis barang

dengan menggunakan metode pemulusan Exponensial.

Precondition Seorang Admin atau user (Owner) ingin melakukan melakukan

proses perhitungan Forecasting Data Real harus login ke

sistem terlebih dahulu.

Trigger Usecase ini dilakukan setelah actor menginput nilai peramalan

yang ingin dihitung dan memilih filter data yang ingin

ditampilkan.



aktor memasukan data

permintaan sebanyak

duabelas inputan sesuai jenis

barang yang dipilih dan

menampilkannya

2: memproses semua rumus

perhitungan peramalan.

3: menampilkan hasil

perhitungan dan hasil akhir

dan grafik ditampilkan.

Alterate Courses 2: bila user tidak memasukkan nilai data permintaan sebanyak

duabelas inputan lalu menekan tombol “save”, ketika

ditampilkan dan difilter, data yang yang disave tadi juga tidak

ada, sesuai yang diinput.

Conclusion User berhasil melakukan perhitungan Forecasting.

Post Condition Actor telah melihat hasil perhitungan dan grafik dari metode

Forecasting.

117

Tabel 4.39 Narasi Usecase AHP

Use Case Name AHP

Use Case ID 3


Description Untuk mendapatkan hasil perhitungan pengambilan keputusan

mengenai alternatif dari 3 jenis kendaraan dan 3 nilai

perbandingan kriteria dengan metode AHP untuk mendapatkan

hasil perbandingan nilai kendaraan yang terbaik.

Precondition Seorang Admin atau user (Owner) ingin melakukan melakukan

proses perhitungan AHP harus login ke sistem terlebih dahulu.

Trigger Usecase ini dilakukan setelah actor menginput nilai jarak dan

jumlah atau berat barang yang ingin dihitung dan kriteria yang

telah diinput sebelumnya serta spesifikasi kendaraan yang telah

diinput.



aktor memasukan nilai jarak

dan kapasitas dan juga

kriteria dalam keadaan telah

ada nilainya.

2: memproses semua rumus

perhitungan dan nilai bobot

kriteria dan juga nilai

alternatif.

3: hasil perhitungan dan hasil

akhir dan grafik ditampilkan.

Alterate Courses 1: bila user tidak memasukkan nilai jarak dan kapasitas lalu

ketika tombol “Process” ditekan, maka tidak ada data hasil

perhitungan yang ditampilkan

Conclusion User berhasil melakukan perhitungan AHP.


AHP

118

Tabel 4.40 Narasi Usecase Setting

Use Case Name Setting

Use Case ID 4


Description Untuk mengatur , mengupdate nilai kriteria AHP, bobot

kriteria Fuzzy Saw dan kendaraan.

Precondition Seorang Admin atau user (Owner) ingin melakukan proses

setting “AHP Criteria”, ” Fuzzy Saw Weight Criteria” dan

“Kendaraan”, harus login ke sistem terlebih dahulu.

Trigger Usecase ini dilakukan setelah actor masuk tampilan utama dan

memilih menu setting.



aktor memilih menu setting

dan memilih salah satu dari

ketiga submenu “AHP

Criteria”, “Fuzzy Saw

Weight Criteria” dan

“kendaraan”.

2: memproses perubahan nilai

pada salah satu dari ketiga

submenu .

Alterate Courses 1: bila user tidak melakukan update atau perubahan nilai dari

salah satu dari ketiga submenu “AHP Criteria”, “Fuzzy Saw

Weight Criteria” dan “kendaraan”, maka nilai yang digunakan

untuk proses perhitungan Fuzzy Saw dan AHP adalah nilai

yang sebelumnya.

Include Use Case Name AHP dan Fuzzy Saw

Include Use Case ID 3 dan 5

Conclusion User berhasil melakukan Update nilai dari salah satu dari

ketiga submenu tersebut.

Post Condition Actor telah berhasil mengupdate nilai sdari salah satu dari

ketiga submenu tersebut.

119

Tabel 4.41 Narasi Usecase Fuzzy Saw

Use Case Name Fuzzy Saw

Use Case ID 5


Description Untuk mendapatkan hasil perhitungan pengambilan keputusan

mengenai alternatif dari 3 jenis kendaraan dan 3 nilai bobot

kriteria dengan metode Fuzzy Saw untuk menghasilkan nilai

bobot tertinggi dari ketiga kendaraan yang dibandingkan.

Precondition Seorang Admin atau user (Owner) ingin melakukan proses

perhitungan Fuzzy Saw harus login ke sistem terlebih dahulu.

Trigger Usecase ini dilakukan setelah actor menginput nilai jarak dan

jumlah barang/berat barang yang ingin dihitung dan bobot

kriteria yang telah dimasukkan angka bobot kriteria dan nilai

spesifikasi kendaraan.



aktor memasukan nilai jarak

dan kapasitas dan juga

kriteria dalam keadaan telah

ada nilainya.

2: proses semua rumus

perhitungan dan nilai kriteria

dan juga nilai alternatif.

3: hasil perhitungan dan hasil

akhir dan grafik ditampilkan.

Alterate Courses 1: bila user tidak memasukkan nilai jarak dan kapasitas lalu

ketika tombol “Process” ditekan, maka tidak ada data hasil

perhitungan yang ditampilkan.

Conclusion User berhasil melakukan perhitungan Fuzzy Saw.


Fuzzy Saw.

120

Tabel 4.42 Narasi Usecase Manajemen User

Use Case Name Manajemen User

Use Case ID 6

Actor Admin

Description Admin dapat menambah maupun menghapus user dan juga

menampilkan user yang dapat menggunakan sistem SKPK.

Precondition Seorang Admin ingin melakukan mengakses menu user harus

login ke sistem terlebih dahulu.

Trigger Usecase ini dilakukan setelah actor masuk tampilan utama dan

memilih menu User.



aktor memilih menu user.

3: Admin melakukan insert,

update dan delete user.

2: menampilkan tampilan data

user sistem dan level user .

4: Memproses insert, update

dan delete user dan

menampilkan data

keseluruhan kepada admin.

Alterate Courses 3: bila admin tidak melakukan insert, update dan delete data

user, maka data tidak ada yang berubah.

Conclusion Admin berhasil melakukan salah satu dari aksi insert, update

dan delete data user.

Post Condition Actor telah berhasil melakukan salah satu dari aksi insert,

update dan delete data user tersebut dan menampilkannya.

Tabel 4.43 Narasi Usecase Logout

Use Case Name Logout

Use Case ID 7


Description Setelah semua aktivitas terselesaikan dapat melakukan Log Out

121

untuk keluar dari sistem.

Precondition Seorang aktor ingin melakukan logout sistem, maka harus

menekan tombol logout terlebih dahulu.

Trigger Usecase ini dilakukan setelah actor memilih menekan tombol

Logout.



aktor memilih menekan

tombol Logout.

2: Sistem memproses keluar

dari tampilan sistem dan ke

menu login.

Alterate Courses 3: bila aktor tidak melakukan logout, maka tidak akan

melakukan proses logout sistem.

Conclusion aktor berhasil melakukan Logout sistem.

Post Condition Actor telah berhasil logout dan menampilkan halaman login.

122

4.3 Elaboration

4.3.1 Elaboration Phase (Fase Pengembangan)

4.3.1.1 Project Management Workflow

Pada elaboration phase, segala aktifitas yang dilakukan harus tercatat

dengan baik untuk itu dilakukan perbaikan pencatatan dengan perubahan atau

pembaharuan pada elaboration phase.

4.3.1.2 Analysis and Design Workflow

4.3.1.2.1 Membuat Rancangan Antarmuka Perangkat Lunak Sistem

Dalam SKPK (Sistem kecerdasan Pendukung Keputusan) terdapat

tampilan rancangan antarmuka yang dapat dilihat oleh admin dan user (owner)

dan antarmuka yang khusus admin. Berikut ditampilkan rancangan antarmuka

SKPK (Sistem Kecerdasan Pendukung Keputusan).

123

1. Rancangan Antarmuka Khusus Admin

a. Halaman Manajemen User

Gambar 4.11 Rancangan Antarmuka Manajemen User

Halaman Manajemen User menampilkan username, password, email,

level dan nama user yang menggunakan sistem SKPK (Sistem Kecerdasan

Pendukung Keputusan). Pada halaman ini semua user yang menggunakan sistem

SKPK dapat terlihat dan data user tersebut dapat diedit, dihapus dan menambah

user sesuai kebutuhan perusahaan.

124

2. Rancangan Antarmuka Admin dan User

a. Halaman Login

Gambar 4.12 Rancangan Antarmuka Login

Gambar 4.12 menampilkan form login sistem SKPK yang dapat diakses

oleh admin dan user SKPK. Form login ini digunakan untuk masuk ke dalam

SKPK sesuai username dan password yang telah tersimpan di database SKPK.

b. Halaman Menu Utama

Gambar 4.13 Rancangan Antarmuka Halaman Menu Utama

125

Gambar 4.13 menampilkan halaman utama pada SKPK. Pada halaman ini

terdapat menu manajemen user, menu tersebut hanya akan tampil jika yang

mengakses sistem ini dengan login username dan password level admin.

Sedangkan untuk username dan password yang bukan level admin maka

manajemen user tidak akan tampil atau tidak dapat diakses oleh user. Untuk

memilih menu yang kita inginkan, kita memilih menu sebelah kiri pada Gambar

4.13.

c. Halaman Submenu Perhitungan Forecasting Tabel MAD, MSE dan

MAPE


Forecasting Tabel MAD, MSE dan MAPE

126

Gambar 4.14 menampilkan halaman submenu perhitungan Forecasting

untuk tabel MAD, MSE dan MAPE. Untuk tabel MSE dan MAPE memiliki

model form yang sama dan berbeda pada Total Kesalahan dan Hasil. Pada

halaman ini user maupun admin dapat memfilter berdasarkan Nama Barang,

tahun, dan nilai alfa sesuai kebutuhan peramalan barang. pada tombol “Hapus”

user maupun admin dapat menghapus data permintaan berdasarkan tahun dan

jenis barang. pada halaman ini sistem juga menampilkan grafik garis data

permintaan dan peramalan berdasarkan ketiga nilai alfa.

d. Rancangan Antarmuka Halaman Submenu Perhitungan Forecasting

Tabel Total Kesalahan Peramalan


Forecasting Tabel Total Kesalahan Peramalan

127


untuk tabel Total Kesalahan Peramalan. Pada halaman ini user maupun admin

dapat melihat masing-masing hasil perhitungan kesalahan dari setiap metode

perhitungan kesalahan peramalan berdasarkan nilai alfa. Selain itu user maupun

admin juga dapat melihat nilai perhitungan kesalahan peramalan terkecil

berdasarkan nilai alfa dan juga nilai alfa yang kesalahan paling sedikit dan paling

banyak nilai kesalahan terkecilnya.

e. Rancangan Antarmuka Halaman Submenu Perhitungan Forecasting

Tabel Hasil


Forecasting Tabel Hasil

128


untuk tabel Hasil. Pada halaman ini user maupun admin dapat melihat hasil

perhitungan peramalan akhir beserta gambar grafik garis untuk nilai permintaan

dan nilai alfa yang tepilih berdasarkan nilai kesalahan terkecil yang paling banyak

muncul.

f. Rancangan Antarmuka Halaman Submenu Tambah Forecasting

Gambar 4.17 Rancangan Antarmuka Halaman Submenu Tambah

Forecasting

129

Pada halaman ini user maupun admin dapat mengisi data yang akan

dilakukan peramalan berdasarkan jenis barang dan tahun. Data yang isi di

halaman ini adalah data barang yang merupakan jenis permintaan barang yang

musiman agar sesuai dengan syarat permalan metode pemulusan eksponensial.

g. Rancangan Antarmuka Halaman Submenu Tambah Forecasting untuk

Link Jenis Barang

Gambar 4.18 Rancangan Antarmuka Halaman Submenu Tambah

Forecasting untuk Link Jenis Barang

Pada halaman ini user maupun admin dapat menambah jenis barang jika

ingin menambah permintaan jenis barang baru. User maupun admin dapat

mengedit,menambah data jenis barang maupun menghapus data jenis barang, data

130

nama barang dan deskripsi barang sesuai kebutuhan untuk peramalan permintaan

pada SKPK ini.

h. Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk

Input Jarak dan Jumlah atau Berat Barang.


untuk input jarak dan Jumlah atau Berat Barang

Pada halaman ini user maupun admin dapat menginput nilai jarak dan

jumlah atau berat barang berdasarkan keadaan permintaan. Selanjutnya setelah

menekan tombol proses akan masuk ke halaman Submenu AHP & Fuzzy Saw

untuk hasil perhitungan AHP dan Fuzzy Saw seperti Gambar 6.9 setelah halaman

ini.

i. Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk

Hasil Perhitungan AHP dan Fuzzy Saw.

131


untuk Hasil Perhitungan AHP dan Fuzzy Saw

Pada halaman ini merupakan hasil perhitungan dari nilai jarak, jumlah atau

berat barang, spesifikasi kendaraan, kriteria AHP dan bobot kriteria Fuzzy Saw

yang dihitung berdasarkan perhitungan metode AHP dan Fuzzy Saw.

j. Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw untuk

Hasil Perhitungan AHP dan Fuzzy Saw Lengkap.

132


untuk Hasil Perhitungan AHP dan Fuzzy Saw Lengkap

Pada Gambar 4.21 merupakan gambar halaman yang sama dengan

Gambar 4.20 tetapi halaman Gambar 4.21 merupakan hasil perhitungan lengkap

133

setelah user ataupun admin menekan tombol “Tampilkan atau Sembunyikan

Perhitungan”.

k. Rancangan Antarmuka Halaman Menu Setting dari Submenu

Kendaraan.


Kendaraan

Pada Gambar 4.22 ini merupakan halaman dimana user maupun admin

menSetting nilai spesifikasi kendaraan dan nama kendaraan. User ataupun admin

dapat mengedit nilai spesifikasi maupun nama kendaraan sesuai kebutuhan

perusahaan CV. Jaya Mandiri.

134

l. Rancangan Antarmuka Halaman Menu Setting dari Submenu Kriteria

AHP


Kriteria AHP

Pada Gambar 4.23 ini merupakan halaman untuk menginput nilai kriteria

AHP yang selanjutnya akan dihitung dengna perhitungan metode AHP. Pada

gambar Gambar 4.23 tombol update merupakan tombol untuk mengupdate nilai

perbandingan AHP. Dan tombol keterangan merupakan tombol yang akan

menampilkan keterangan dari nilai perbandingan AHP.

135

m. Rancangan Antarmuka Halaman Menu Setting dari Submenu Bobot

Kriteria Fuzzy Saw.


Bobot Kriteria Fuzzy Saw

Pada halaman pada Gambar 4.24 merupakan halaman bobot kriteria Fuzzy

Saw yang akan digunakan untuk perhitungan Fuzzy Saw pada halaman AHP &

Fuzzy Saw. Tombol update dan keterangan fungsinya sama dengan tombol yang

ada pada halaman kriteria AHP atau halaman pada Gambar 4.23.

136

4.3.1.3 Design Model dengan Pemodelan Object Oriented

4.3.1.3.1 Class Diagram

Gambar 4.25 Class Diagram

137

Pada class “admin” satu sampai banyak (one to many) admin juga

memiliki keterhubungan asosiasi dapat melakukan keempat proses pada proses

yang berada pada kelas “manajemen user” untuk setiap satu user ataupun admin.

class “admin” satu sampai banyak (one to many) admin juga memiliki

keterhubungan asosiasi melakukan login satu kali login pada class “login” untuk

setiap kali masuk ke SKPK. Class “admin” juga memiliki hubungan asosiasi (one

to many) satu sampai banyak admin dapat melakukan perhitungan (one to many)

satu kali sampai banyak kali perhitungan AHP & Fuzzy Saw. Admin pada kelas

“admin” dengan hubungan asosiasi satu sampai banyak admin juga dapat

melakukan (one to many) satu sampai banyak kali Setting baik Setting kendaraan,

bobot kriteria Fuzzy Saw dan kriteria AHP yang ketiganya merupakan bagian dari

kelas “Setting”. Kelas “admin” juga dapat melakukan satu kali sampai banyak

(one to many) perhitungan dan tambah Forecasting pada kelas “Forecasting”.

Pada kelas “user” memiliki keterhubungan asosiasi (one to many) satu

sampai banyak dapat melakukan login pada kelas “login” untuk satu kali login

untuk satu kali masuk SKPK. Kelas “user” memiliki hubungan asosiasi (one to

many) satu sampai banyak user dapat melakukan perhitungan (one to many) satu

kali sampai banyak perhitungan AHP dan Fuzzy Saw. Satu sampai banyak user

memiliki hubungan asosiasi (one to many) melakukan satu kali sampai banyak

kali Setting dengan mengakses kelas “Setting”. Satu sampai banyak kelas “user”

memiliki hubungan asosiasi (one to many) melakukan (one to many) satu kali

sampai banyak perhitungan dan penambahan data Forecasting.

138

Pada kelas “kendaraan”, “BobotKriteria_Fuzzy_Saw” dan “Kriteria_AHP”

memiliki hubungan generalisasi terhadap kelas “Setting”. Kelas “JenisBarang”,

”permintaan” memiliki hubungan generalisasi terhadap kelas

“Tambah_Forecasting” dan kelas “Tambah_Forecasting” memiliki hubungan

generalisasi terhadap kelas “Forecasting”. kelas “AHP” dan kelas “Fuzzy Saw”

memiliki hubungan generalisasi terhadap kelas “AHP&Fuzzy Saw”.

4.3.1.3.2 Spesifikasi Database SKPK

Dari penjelasan kelas-kelas yang terdapat dalam SKPK pada Gambar

4.25 terbentuk sebuah database . Di dalam database tersebut terdapat 6 tabel,

penjelaskan dari spesifikasi database pada SKPK adalah sebagai berikut:

1. Tabel Manajemen User

Tabel ini berisi tentang data username, password, nama lengkap, email dan

level pengguna sistem SKPK yang telah dibuatkan oleh admin pada sistem SKPK

CV. Jaya Mandiri.

Nama Tabel : Tb_user

Primary Key : Id_user

Media Penyimpanan : Hardisk

Panjang Record : 200 Byte

Jumlah Record : 5000

Organisasi File : Indeks

139

Struktur Tabel :

Tabel 4.44 Tabel Spesifikasi Database Manajemen User

No Nama Field Type Data Panjang Field Keterangan

1. Id_user Varchar 10 Identitas user

2. Username Varchar 50 Username user

3. Pass Varchar 50 Password user

4. Nama Varchar 50 Nama user

5. Email Varchar 50 Email user

6. Level Varchar 50 Level User

2. Tabel Jenis Barang

Tabel ini berisi tentang data nama jenis barang dan deskripsi barang CV. Jaya

Mandiri.

Nama Tabel : Tb_jenisbarang

Primary Key : Id_JB





Struktur Tabel :

Tabel 4.45 Tabel Spesifikasi Database Jenis Barang


1. Id_JB Varchar 10 Identitas Jenis Barang

2. Nama_JB Varchar 50 Nama Jenis Barang

3. Deskripsi_JB Text Deskripsi Jenis Barang

140

3. Tabel Kendaraan

Tabel ini berisi tentang data nama kendaraan, nilai bahan bakar, kecepatan

rata-rata kendaraan kapasitas atau muatan barang dan keamanan barang pada

kendaraan CV. Jaya Mandiri.

Nama Tabel : Tb_kendaraan

Primary Key : Id_ kendaraan





Struktur Tabel :

Tabel 4.46 Tabel Spesifikasi Database Kendaraan


1. Id_kendaraan Varchar 10 Identitas

kendaraan

2. Nama_kendaraan Varchar 50 Nama kendaraan

3. Bhn_bakar Varchar 50 Nilai bahan bakar

kendaraan

4. kec_rata2 Varchar 50 Kecepatan rata-

rata kendaraan

5. Kapasitas Varchar 50 Kapasitas barang

pada kendaraan

6. Keamanan Varchar 50 Keamanan barang

pada kendaraan

141

4. Tabel Kriteria AHP

Tabel ini berisi tentang data nilai intensitas kepentingan pada kriteria bahan

bakar, waktu dan keamanan barang pada kendaraan CV. Jaya Mandiri.

Nama Tabel : Tb_kriteria

Primary Key : Id_ kriteria





Struktur Tabel :

Tabel 4.47 Tabel Spesifikasi Database Kriteria AHP


1. Id_kriteria Varchar 10 Identitas kriteria

2. bhn_bkr Varchar 50 Nilai perbandingan

intensitas

kepentingan antara

waktu dengan bahan

bakar

3. kec_rata2 Varchar 50 Nilai perbandingan

intensitas

kepentingan antara

waktu dengan

keamanan

4. keamanan Varchar 50 Nilai perbandingan

intensitas

kepentingan antara

bahan bakar dengan

keamanan

142

5. Tabel Bobot Kriteria Fuzzy Saw

Tabel ini berisi tentang data nilai bobot tingkat kepentingan pada bobot

kriteria bahan bakar, waktu dan keamanan barang pada kendaraan CV. Jaya

Mandiri.

Nama Tabel : Tb_bobkit

Primary Key : Id_ bobkit





Struktur Tabel :

Tabel 4.48 Tabel Spesifikasi Database Bobot Kriteria Fuzzy Saw

No Nama Field Type Data Panjang

Field

Keterangan

1. Id_bobkit Varchar 10 Identitas bobot kriteria

2. bk_wkt Varchar 50 Nilai intensitas

kepentingan waktu

3. bk_bhn_bkr Varchar 50 Nilai intensitas

kepentingan bahan

bakar

4. bk_keamanan Varchar 50 Nilai intensitas

kepentingan keamanan

143

6. Tabel Permintaan

Tabel ini berisi tentang data nilai atau banyaknya permintaan selama dua belas

bulan berdasarkan tahun dan jenis barang.

Nama Tabel : Tb_permintaan

Primary Key : Id_ permintaan





Struktur Tabel :

Tabel 4.49 Tabel Spesifikasi Database Permintaan


1. Id_permintaan Varchar 10 Identitas permintaan

2. bulan Varchar 10 Nama bulan

permintaan

3. permintaan1 Varchar 10 Nilai permintaan

4. Id_JB Varchar 10 Identitas jenis barang

5. tahunpmt Varchar 10 Tahun untuk hasil

peramalan

4.3.1.3.3 Activity Diagram

Proses kerja dari sistem yang diusulkan dapat digambarkan dalam

bentuk activity diagram. Berikut adalah activity diagram yang terdapat dalam

sistem SKPK pada CV. Jaya Mandiri.

144

1. Activity Diagram Login

Gambar 4.26 Activity Diagram Login

Aktor admin ataupun user membuka aplikasi pada web browser dan sistem

menampilkan halaman login. Saat melakukan login, masukkan username dan

password dan sistem akan memvalidasi. Bila gagal validasi, sistem akan kembali

menampilkan form login. Bila validasi berhasil, maka sistem akan menampilkan

halaman utama sesuai dengan hak akses masing-masing aktor.

145

2. Activity Diagram Forecasting

Gambar 4.27 Activity Diagram Forecasting

146

User ataupun admin memilih menu Forecasting, jika user ataupun admin

ingin menginput data maka memilih submenu “Tambah Forecasting”. selanjutnya

memilih jenis barang dan menginput dua belas kolom permintaan atau history satu

tahun dan menekan tombol “simpan”. Kemudian sistem memproses data yang

telah diinput dan muncul alert ”data telah tersimpan” dan selanjutnya memilih

submenu “Perhitungan Forecasting”. Jika tidak ingin menginput data maka User

ataupun admin akan langsung memilih submenu “Perhitungan Forecasting”.

Setelah memilih submenu “Perhitungan Forecasting” maka akan langsung tampil

tabel hasil perhitungan dan grafik nilai peramalan sesuai nilai alfa, jenis barang

dan tahun data barang. Jika user ataupun admin ingin memilih menghapus data

maka user ataupun admin menekan tombol “Hapus” dan sistem akan memproses

query permintaan hapus ke database dan menampilkan tampilan tabel dan grafik

data awal dan selanjutnya memilih tombol filter . Tetapi jika user ataupun admin

tidak ingin menghapus data permintaan maka akan langsung memilih “filter” data

yang akan Forecasting atau diramal. Ketika memilih filter maka sistem akan

memproses rumus metode pemulusan eksponensial untuk setiap nilai alfa terhadap

dua belas data. Selanjutnya sistem juga akan memproses rumus untuk menghitung

nilai kesalahan metode MAD, MAPE dan MSE. Selanjutnya sistem akan

melakukan pemilihan nilai alfa berdasarkan nilai kesalahan terkecil berdasarkan

ketiga metode kesalahan tersebut dan nilai alfa yang banyak muncul dari ketiga

metode kesalahan tersebut dan ditampilkan. Selanjutnya sistem memilih nilai alfa

yang terpilih berdasarkan nilai yang paling banyak muncul dan menampilkan hasil

keseluruhan dan hasil akhir beserta grafik garis.

147

3. Activity Diagram AHP

Gambar 4.28 Activity Diagram AHP

Gambar 4.28 menjelaskan user dan admin memilih menu dan submenu

“AHP & Fuzzy Saw”. Selanjutnya mengisi kolom nilai jarak dan jumlah atau berat

barang dan menekan tombol proses. Lalu sistem menghitung dan menampilkan

nilai spesifikasi setiap kendaraan, jarak dan jumlah atau berat barang permintaan

berdasarkan nilai perbandingan kriteria. Kemudian membandingkan dan

menampilkan hasil perhitungan nilai spesifikasi. Selanjutnya sistem melakukan

konversi dan menampilkan hasil perbandingan menjadi nilai berdasarkan

intensitas kepentingan. Setelah itu sistem menghitung dan menampilkan matrik

berpasangan kendaraan berdasarkan kriteria “waktu”, “bahan bakar” dan

148

“keamanan”. Lalu sistem menghitung dan menampilkan matriks prioritas

alternatif. Kemudian sistem menghitung nilai rasio konsistensi dan mengecek

apakah nilai tersebut telah temasuk katagori konsistensi atau tidak. Jika “Ya”

maka sistem akan menampilkan tulisan “nilai xxx adalah nilai konsistensi” dan

juga menampilkan hasil perhitungan rasio konsistensi. Dan jika tidak konsistensi

maka sistem menampilkan kalimat “nilai xxx adalah tidak konsistensi” dan

menampilkan hasil perhitungannya. Lalu setelah rasio konsistensi termasuk hasil

yang konsisten maka sistem akan melakukan perhitungan dan menampilkan

matriks prioritas global dan mensorting nilai terbesar. Setelah itu sistem juga

menampilkan grafik alternatif kendaraan dan hasil terakhir. Kemudian sistem

menampilkan keseluruhan perhitungan yang ingin akan ditampilkan oleh sistem.

149

4. Activity Diagram Setting

Gambar 4.29 Activity Diagram Settin

150

Aktor user dan admin melakukan login kemudian memilih menu “Setting”

dan sistem menampilkan submenu dropdown. Setelah itu aktor akan memilih

submenu sesuai kebutuhan. Jika aktor (user ataupun admin) memilih submenu

“Kendaraan” maka sistem akan menampilkan halaman submenu “Kendaraan”.

Jika aktor ingin mengedit data maka aktor memilih tombol gambar edit lalu sistem

akan menampilkan form edit dan aktor akan mengedit data lalu setelah menekan

tombol edit maka sistem akan memproses data yang telah di-edit dan kembali

menampilkan halaman kendaraan. Tetapi jika tidak meng-edit data maka akan

tampil ke halaman kendaraan.

Jika aktor memilih submenu “Kriteria AHP” maka sistem akan

menampilkan halaman “Kriteria AHP”. Lalu jika aktor ingin meng-update nilai

kriteria maka aktor akan mengubah nilai yang ada pada kolom-kolom kriteria dan

untuk menampilkan keterangan mengenai nilai perbandingannya maka aktor bisa

menekan tombol keterangan dan akan tampil tabel keterangan tingkat

kepentingan. Jika data telah dirubah maka aktor menekan tombol update dan

sistem akan mengupdate data yang telah dimasukkan dan menampilkan halaman

kriteria AHP. Dan jika tidak mengupdate data maka aktor hanya pada tampilan

kriteria AHP.

Jika aktor memilih submenu “Bobot Kriteria Fuzzy Saw” maka akan

tampil halaman “Bobot Kriteria Fuzzy Saw”. Lalu jika aktor ingin mengupdate

nilai bobot kriteria maka aktor akan mengubah nilai yang ada pada kolom-kolom

bobot kriteria dan klik tombol keterangan untuk mengetahui keterangan tingkat

nilai bobot kepentingan. Setelah data diubah yang ada pada kolom-kolom bobot

151

kriteria selanjutnya menekan tombol update dan sistem akan merubah data yang

ada di database dengan data yang diupdate. Tetapi jika tidak mengupdate data

nilai bobot kriteria maka hanya akan tampil halaman “Bobot Kriteria Fuzzy Saw”.

5. Activity Diagram Fuzzy Saw

Gambar 4.30 Activity Diagram Fuzzy Saw

152

Aktor memilih menu AHP & Fuzzy Saw dan menginput nilai jarak dan

jumlah atau berat barang sama seperti AHP untuk proses awalnya. Kemudian

sistem akan menghitung nilai spesifikasi kendaraan, jarak dan jumlah atau berat

barang. Lalu sistem menghitung dan menampilkan nilai perhitungan persentase

berdasarkan kriteria spesifikasi kendaraan. Lalu sistem akan mengkonversi dan

menampilkan nilai hasil perhitungan persentase menjadi nilai bilangan fuzzy yang

telah dikelompokkan. Kemudian sistem mengkonversi kembali menjadi nilai crips

atau nilai bilangan angka yang telah dibagi seratus dan menampilkannya.

Selanjutnya sistem menghitung nilai sebelumnya menjadi nilai normalisasi. Lalu

sistem menghitung dan menampilkan total bobot akhir dari nilai dengan bobot

kriteria dan mensorting hasil total bobot akhir. Lalu sistem menampilkan seluruh

perhitungan dan hasil perhitungan akhir dan juga diagram batang untuk hasil

akhirnya.

153

6. Activity Diagram Manajemen User

Gambar 4.31 Activity Diagram Manajemen User

Admin login sistem terlebih dahulu lalu sistem akan menampilkan

halaman utama sistem. Admin memilih menu manajemen user dan sistem

menampilkan data user. Jika admin ingin menambah user baru maka admin

menekan tombol “tambah user” dan menginput data user dan memilih level user

kemudian menekan tombol simpan. Kemudian sistem memproses data yang telah

dinput dan menampilkan data yang diinput dan juga data seluruh user dan

154

levelnya. Admin juga bisa menghapus user dan mengedit user sesuai

kebutuhannya. Tetapi jika admin tidak mengedit ,menghapus dan tidak menambah

user maka admin dapat memilih menu lainnya sesuai keperluannya.

7. Activity Diagram Logout

Gambar 4.32 Activity Diagram Logout

Aktor Admin ataupun aktor user masuk halaman utama sistem dan sistem

menampilkan halaman utama dan aktor menekan tombol logout dan sistem

memproses untuk keluar sistem dan menampilkan halaman login.

155

4.3.1.3.4 Sequence Diagram

Pada sistem yang diajukan, terdapat interaksi antar object melalui pesan

pada eksekusi sebuah usecase yang digambarkan dalam sequence diagram pada

Gambar 4.33.

1. Sequence Diagram Login

Gambar 4.33 Sequence Diagram Login

Aktor melakukan inisiasi sequence dengan memanggil method form login

sistem. Selanjutnya aktor melakukan login dengan memasukkan

(Username,Password). Dari form login, kirim (Username,Password) ke Object

manajemen user. Object akan melakukan cek login (Username,Password) apakah

(Username,Password) sudah benar. Bila validasi gagal, maka Object akan

156

mengirimkan pesan alert”username atau password yang dimasukkan salah” ke

Tampilan form login. Tampilan form login akan menampilkan pesan gagal kepada

aktor. Bila Username, Password benar, maka Object akan melakukan query untuk

masuk ke menu utama. Aktor akan masuk ke menu utama sistem.

2. Sequence Diagram Forecasting

Gambar 4.34 Sequence Diagram Forecasting

157

Dimulai dari aktor melakukan inisiasi sequence dengan diawali

memanggil form login lalu form login mengirimkan data username dan password

ke objek manajemen user untuk di validasi dan jika benar maka objek manajemen

user akan melakukan query untuk masuk ke tampilan halaman utama sistem dan

halaman utama akan ditampilkan ke aktor (admin & user). Lalu aktor melakukan

pilih menu “Forecasting” dan submenu “Perhitungan Forecasting” terhadap

tampilan halaman utama. Lalu tampilan halaman utama melakukan query untuk

pindah menampilkan tampilan “Perhitungan Forecasting” dan menampilkan

halaman tampilan “Perhitungan Forecasting” kepada aktor.

Kemudia aktor melakukan filter berdasarkan jenis barang, tahun dan nilai

alfa terhadap tampilan “Perhitungan Forecasting”. Tampilan perhitungan

Forecasting melakukan query terhadap objek jenis barang dan query jenis barang

diproses. Kemudian tampilan “Perhitungan Forecasting” melakukan query tahun

kepada objek permintaan dan query tahun diproses. Lalu tampilan “Perhitungan

Forecasting” melakukan proses perhitungan nilai alfa, MAD, MAPE, MSE dan

mensorting nilai minimal kesalahan. Kemudian tampilan “Perhitungan

Forecasting” menampilkan hasil pehitungan Forecasting, nilai kesalahan, 3 nilai

alfa dan grafik kepada aktor. Lalu aktor melakukan memilih submenu “Tambah

Forecasting” tehadap tampilan “Tambah Forecasting” dan sistem menampilkan

form input “Tambah Forecasting”. aktor melakukan input data “Tambah

Forecasting”. tampilan “Tambah Forecasting” melakukan query input jenis

barang terhadap objek jenis barang dan query berhasil. Tampilan “Tambah

Forecasting” melakukan query input permintaan terhadap objek permintaan dan

158

query berhasil. Tampilan “Tambah Forecasting” menampilkan data jenis barang

dan alert “data telah disimpan” terhadap aktor. Lalu aktor memilih tambah untuk

menambah data jenis barang baru dan pilih jenis barang baru terhadap tampilan

“Tambah Forecasting”. “Tambah Forecasting” melakukan query tampil data

“Jenis Barang” dan query “tambah” data baru terhadap objek “Jenis Barang” dan

query berhasil. Tampilan “Tambah Forecasting” menampilkan data baru dan

keseluruhan kepada aktor.

Selanjutnya aktor melakukan pilih edit pada gambar edit terhadap tampilan

“Tambah Forecasting” dan tampilan “Tambah Forecasting” melakukan query

edit kepada objek Jenis Barang dan query berhasil. Tampilan “Tambah

Forecasting” menampilkan data yang telah diupdate kepada aktor. Aktor memilih

gambar hapus terhadap tampilan “Tambah Forecasting” untuk menghapus data

jenis barang dan tampilan “Tambah Forecasting” menampilkan alert dan query

hapus terhadap objek jenis barang dan query berhasil. Lalu tampilan “Tambah

Forecasting” menampilkan data keseluruhan data jenis barang kepada aktor.

159

3. Sequence Diagram AHP

Gambar 4.35 Sequence Diagram AHP

Sequence Diagram AHP dimulai dari aktor melakukan inisiasi sequence

dengan aktor (admin&user) melakukan login terhadap tampilan form login dan

160

form login melakukan validasi terhadap objek manajemen user. Lalu objek

manajemen user melakukan query terhadap tampilan halaman utama dan aktor

melakukan pilih menu AHP&Fuzzy Saw dan submenu AHP&Fuzzy Saw terhadap

tampilan halaman utama. Kemudian tampilan halaman utama melakukan query

form input jarak dan jumlah/berat barang terhadap tampilan AHP&Fuzzy Saw.

Lalu tampilan AHP&Fuzzy Saw menampilkan tampilan form input jarak dan

jumlah atau berat barang kepada aktor. Selanjutnya aktor menginput nilai jarak

dan jumlah atau berat barang terhadap tampilan AHP&Fuzzy Saw. Lalu tampilan

AHP&Fuzzy Saw melakukan query perhitungan nilai spesifikasi kendaraan

terhadap objek kendaraan. Query tampilkan hasil nilai perhitungan nilai

spesifikasi kepada tampilan AHP&Fuzzy Saw. Tampilan AHP&Fuzzy Saw query

hasil perhitungan perbandingan kepada objek kendaraan dan query berhasil. Lalu

objek kendaraan melakukan query tampilkan kepada tampilan AHP&Fuzzy Saw.

Selanjutnya tampilan AHP&Fuzzy Saw melakukan konversi berdasarkan

intensitas kepentingan terhadap objek kendaraan dan query sukses. Lalu objek

kendaraan melakukan query tampilkan hasil konversi nilai intensitas kepentingan

kepada tampilan AHP&Fuzzy Saw.

Tampilan AHP&Fuzzy Saw melakukan query hitung matriks prioritas

kriteria dan query hitung matriks kriteria “waktu”,”bahan bakar” dan “keamanan”

terhadap objek kriteria AHP. Tampilan AHP&Fuzzy Saw juga melakukan query

hitung matriks prioritas alternatif dan nilai matriks rasio kosistensi kriteria

terhadap objek kendaraan. Lalu objek kendaraan melakukan query tampilkan

matriks prioritas global kepada tampilan AHP&Fuzzy Saw. Selanjutnya tampilan

161

AHP&Fuzzy Saw melakukan query grafik hasil akhir dan sorting nilai terbesar

terhadap objek kendaraan dan objek kendaraan melakukan query tampilkan grafik

dan hasil akhir terhadap tampilan AHP&Fuzzy Saw. Lalu tampilan AHP&Fuzzy

Saw menampilkan hasil perhitungan AHP keseluruhan kepada aktor.

4. Sequence Diagram Setting

Gambar 4.36 Sequence Diagram Setting

Dimulai saat aktor melakukan inisiasi sequence dengan melakukan login

terhadap tampilan form login dan form login melakukan validasi username dan

password terhadap objek manajemen user. Objek manajemen user melakukan

162

query terhadap tampilan halaman utama dan halaman utama ditampilkan kepada

aktor. Aktor memilih menu Setting dan submenu kendaraan terhadap tampilan

halaman utama. Tampilan halaman utama melakukan query tampilkan data

kendaraan pada tampilan halaman kendaraan dan halaman kendaraan

menampilkan data kendaraan kepada aktor. Aktor mengedit data kendaraan pada

tampilan halaman kendaraan dan tampilan halaman kendaraan melakukan query

edit data kendaraan terhadap objek kendaraan. Data telah diedit oleh objek

kendaraan kepada tampilan halaman kendaraan dan ditampilkan kepada aktor.

Aktor memilih submenu “Kriteria AHP” terhadap tampilan halaman

kriteria AHP dan menampilkan terhadap aktor. Aktor menekan tombol

“keterangan” pada tampilan halaman kriteria AHP.dan menampilkan data

keterangan intensitas tingkat kepentingan. Aktor merubah nilai perbandingan

kriteria AHP dan menekan tombol”update” pada tampilan halaman kriteria AHP.

Lalu tampilan halaman kriteria AHP melakukan query update data perbandingan

terhadap objek kiteria AHP dan query berhasil. Tampilan halaman kriteria AHP

menampilkan data berubah yang telah diupdate kepada aktor.

Aktor memilih submenu “Bobot Kriteria Fuzzy Saw” pada tampilan

halaman “Bobot Kriteria Fuzzy Saw” dan menampilkan data bobot kriteria kepada

aktor. Aktor menekan tombol keterangan pada tampilan halaman “Bobot Kriteria

Fuzzy Saw” dan menampilkan data keterangan nilai bobot kriteria Fuzzy Saw

kepada aktor. Aktor mengubah nilai bobot kriteria Fuzzy Saw dan menekan

tombol update pada tampilan halaman “Bobot Kriteria Fuzzy Saw”. Lalu tampilan

halaman “Bobot Kriteria Fuzzy Saw” melakukan query nilai update bobot kriteria

163

terhadap objek bobot kriteria Fuzzy Saw dan data berhasil diupdate pada tampilan

halaman “Bobot Kriteria Fuzzy Saw” dan menampilkan data yang telah terupdate

pada aktor.

5. Sequence Diagram Fuzzy Saw

Gambar 4.37 Sequence Diagram Fuzzy Saw

Dimulai dari aktor dengan melakukan login terhadap tampilan form login

dan form login validasi username dan password terhadap objek manajemen user.

Lalu objek manajemen user melakukan query tampilkan halaman utama pada

tampilan halaman utama dan ditampilkan kepada aktor. Lalu aktor pilih menu

164

AHP & Fuzzy Saw pada tampilan halaman utama dan tampilan halaman utama

melakukan query pada halaman AHP & Fuzzy Saw dan menampilkan kolom input

“Jarak dan Jumlah atau berat barang” kepada aktor. Aktor menginput nilai “Jarak

dan Jumlah atau berat barang” pada tampilan halaman AHP & Fuzzy Saw dan

melakukan query perhitungan spesifikasi kendaraan dan Jarak dan Jumlah atau

berat barang terhadap objek kendaraan. Objek kendaraan melakukan query

tampilkan pada tampilan halaman AHP&Fuzzy Saw. Tampilan halaman

AHP&Fuzzy Saw melakukan query perhitungan nilai persentase kepada objek

kendaraan dan objek kendaraan melakukan query tampilkan nilai persentase pada

tampilan halaman AHP&Fuzzy Saw. Halaman AHP&Fuzzy Saw melakukan query

konversi nilai persentase menjadi bilangan fuzzy pada objek kendaraan dan objek

kendaraan melakukan query tampilkan bilangan fuzzy pada halaman AHP&Fuzzy

Saw. Halaman AHP&Fuzzy Saw melakukan query konversi bilangan fuzzy

menjadi bilangan crips(nilai persentase dibagi 100) terhadap objek kendaraan dan

hasil konversi ditampilkan pada halaman AHP dan Fuzzy Saw. Halaman AHP dan

Fuzzy Saw melakukan query hitung nilai normalisasi terhadap objek kendaraan

dan objek kendaraan melakukan query tampilkan matriks/tabel hasil perhitungan

normalisasi pada halaman AHP dan Fuzzy Saw. Halaman AHP dan Fuzzy Saw

melakukan query hitung nilai normalisasi dengan bobot kriteria terhadap bobot

kriteria Fuzzy Saw dan juga query hitung hasil perhitungan normalisasi dan bobot

kriteria. Halaman AHP dan Fuzzy Saw melakukan query hitung nilai total bobot

akhir terhadap bobot kriteria Fuzzy Saw dan tampilkan hasil keseluruhan hasil

keseluruhan perhitungan dan sorting akhir pada halaman AHP dan Fuzzy Saw.

165

Tampilan halaman AHP dan Fuzzy Saw menampilkan hasil perhitungan

keseluruhan dan grafik kepada aktor.

6. Sequence Diagram Manajemen User

Gambar 4.38 Sequence Diagram Manajemen User

Dimulai saat aktor melakukan inisiasi sequence dengan memasukkan

username dan password pada tampilan form login lalu divalidasi dan halaman

utama sistem menampilkan tampilan halaman utama sistem. Tampilan halaman

utama sistem melakukan query tampilkan manajemen user pada tampilan

166

manajemen user dan ditampilkan terhadap aktor admin. Aktor admin memilih

tombol “tambah user” pada tampilan halaman manajemen user dan tampilan

halaman manajemen user ditampilkan kepada aktor admin. Aktor admin mengisi

form tambah user, menekan tombol simpan dan muncul alert”data berhasil

disimpan” pada tampilan halaman manajemen user. Tampilan halaman

manajemen user melakukan query tambah user terhadap objek manajemen user

dan query tambah user berhasil. Tampilan halaman manajemen user melakukan

query tampilkan dan menampilkan ke aktor admin.

Admin memilih tombol edit pada tampilan halaman manajemen user dan

melakukan query edit data terhadap objek manajemen user dan query berhasil.

Tampilan halaman manajemen user menampilkan data user terhadap aktor admin.

Admin memilih tombol hapus dan ketika tombol hapus ditekan pada halaman

halaman manajemen user akan tampil alert “apakah anda ingin menghapus data

ini?” dan tampilan halaman manajemen user melakukan query hapus data

terhadap objek manajemen user dan query hapus data berhasil. Tampilan halaman

manajemen user menampilkan data user keseluruhan kepada aktor admin.

167

7. Sequence Diagram Logout

Gambar 4.39 Sequence Diagram Logout

Dimulai saat aktor melakukan inisiasi sequence dengan masuk halaman

sistem pada tampilan halaman sistem SKPK CV. Jaya Mandiri dan aktor memilih

tombol “Logout” pada tampilan halaman sistem SKPK CV. Jaya Mandiri terhadap

tampilan form login dan tampilan form login tampil terhadap aktor.

4.3.1.3.5 Collaboration Diagram

Pada dasarnya collaboration diagram sama dengan sequence diagram

untuk menampilkan aliran skenario tertentu di dalam use case, hanya saja pada

collaboration diagram lebih menjelaskan hubungan antara obyek-obyek di dalam

sistem. Penjelasan dari collaboration diagram di dalam SKPK adalah sebagai

berikut.

168

1. Collaboration Diagram Login

Gambar 4.40 Collaboration Diagram Login

Collaboration diagram “login” pada Gambar 4.40 melibatkan obyek

manajemen user. Collaboration diagram ini menggambarkan hubungan antar

obyek ketika admin ataupun user ingin memasuki halaman utama website sistem

SKPK yaitu dengan melakukan login . Untuk memulai login aktor harus

mengisikan username dan password pada form login. Kemudian sistem akan

mengecek kesesuain data, jika data tidak sesuai akan diberikan alert login

“Pasword atau username yang dimasukkan salah dan jika data lengkap akan

masuk halaman utama website sistem SKPK.

169

2. Collaboration Diagram Forecasting

Gambar 4.41 Collaboration Diagram Forecasting

Collaboration diagram Forecasting sebenarnya prosesnya sama dengan

sequence diagram Forecasting, perbedaanya jika sequence diagram membahas

urutan kejadian sedangkan collaboration diagram membahas mengenai hubungan

antar objek. Pada Collaboration diagram Forecasting diawali dengan adanya

hubungan antara aktor admin ataupun user dengan objek manajemen user untuk

validasi username dan password melalui tampilan form login. Jika benar maka

objek manajemen user akan melakukan query untuk masuk ke tampilan halaman

utama sistem dan halaman utama akan ditampilkan ke aktor (admin & user).

170

Aktor juga memiliki hubungan dengan objek jenis barang melalui tampilan

“Tambah Forecasting” untuk menambah data permintaan barang dan dengan

tampilan “Perhitungan Forecasting”.

Aktor juga memiliki hubungan antar objek terhadap objek permintaan

melalui tampilan “Tambah Forecasting” dan tampilan “Perhitungan Forecasting”

dengan urutan kejadian yang sama dengan sequence diagram Forecasting.

3. Collaboration Diagram AHP

Gambar 4.42 Collaboration Diagram AHP

Collaboration diagram AHP sebenarnya prosesnya sama dengan sequence

diagram AHP, perbedaanya jika sequence diagram membahas urutan kejadian

171

sedangkan collaboration diagram membahas mengenai hubungan antar objek.

Pada Collaboration diagram AHP diawali dengan adanya hubungan antara aktor

admin ataupun user dengan objek manajemen user untuk validasi username dan

password melalui tampilan form login. Jika benar maka objek manajemen user

akan melakukan query untuk masuk ke tampilan halaman utama sistem dan

halaman utama akan ditampilkan ke aktor (admin & user). Aktor juga memiliki

hubungan dengan objek kriteria AHP dan kendaraan melalui tampilan

“AHP&Fuzzy Saw” dengan proses kejadian yang sama dengan sequence diagram

AHP.

4. Collaboration Diagram Setting

Gambar 4.43 Collaboration Diagram Setting

172

Collaboration diagram Setting sebenarnya prosesnya sama dengan

sequence diagram Setting, perbedaannya jika sequence diagram membahas urutan

kejadian sedangkan collaboration diagram membahas mengenai hubungan antar

objek. Pada Collaboration diagram Setting diawali dengan adanya hubungan

antara aktor admin ataupun user dengan objek manajemen user untuk validasi

username dan password tampilan form login. Jika benar maka objek manajemen

user akan melakukan query untuk masuk ke tampilan halaman utama sistem dan

halaman utama akan ditampilkan ke aktor (admin & user).

Aktor juga memiliki hubungan dengan objek kriteria AHP melalui

tampilan halaman kriteria AHP. Selain itu aktor juga memiliki hubungan dengan

objek kendaraan melalui tampilan halaman kendaraan. Objek bobot kriteria

Fuzzy Saw juga memiliki hubungan dengan aktor dan semua prosesnya melalui

tampilan halaman bobot kriteria Fuzzy Saw. Dan semua keterhubungan antar

objek tersebut memiliki proses kejadian yang sama dengan urutan kejadian pada

sequence diagram Setting.

173

5. Collaboration Diagram Fuzzy Saw

Gambar 4.44 Collaboration Diagram Fuzzy Saw

Pada Collaboration diagram Fuzzy Saw sebenarnya prosesnya sama

dengan sequence diagram Fuzzy Saw, perbedaanya jika sequence diagram

membahas urutan kejadian sedangkan collaboration diagram membahas

mengenai hubungan antar objek. Pada Collaboration diagram Fuzzy Saw diawali

dengan adanya hubungan antara aktor admin ataupun user dengan objek

manajemen user untuk validasi username dan password melalui tampilan form

login. Jika benar maka objek manajemen user akan melakukan query untuk masuk

ke tampilan halaman utama sistem dan halaman utama akan ditampilkan ke aktor

(admin & user). Aktor memiliki hubungan dengan bobot kritria Fuzzy Saw dan

174

objek kendaraan melalui tampilan AHP dan Fuzzy Saw. Dan semua

keterhubungan antar objek tersebut memiliki proses kejadian yang sama dengan

urutan kejadian pada sequence diagram Fuzzy Saw.

.

6. Collaboration Diagram Manajemen User

Gambar 4.45 Collaboration Diagram Manajemen User

Pada Collaboration diagram Manajemen User seperti yang sudah

dijelaskan pada collaboration diagram sebelumnya, prosesnya sama dengan

sequence diagram Manajemen User. Pada Collaboration diagram Manajemen

175

User diawali dengan adanya hubungan antara aktor admin ataupun user dengan

objek manajemen user untuk validasi username dan password melalui tampilan

form login . Jika benar maka objek manajemen user akan melakukan query untuk

masuk ke tampilan halaman utama sistem dan halaman utama akan ditampilkan ke

aktor (admin & user). Selain itu keterhubungan aktor dengan objek manajemen

user juga melalui tampilan manajemen user. Dan juga seperti yang sudah

dijelaskan sebelumnya bahwa semua keterhubungan antar objek tersebut memiliki

proses kejadian yang sama dengan urutan kejadian pada sequence Manajemen

User.

7. Collaboration Diagram Logout

Gambar 4.46 Collaboration Diagram Logout

Pada Collaboration Diagram Logout aktor berada pada tampilan halaman

SKPK CV. Jaya Mandiri dan ingin melakukan logout dengan memilih tombol

logout dan keluar dari halaman utama dengan proses query pindah ke halaman

form login dan menampilkan tampilan ke halaman form login.

176

4.3.1.3.6 Statechart Diagram

Proses terakhir pada tahap elaborasi adalah mendefinisikan statechart

diagram. Diagram statechart ini menyediakan sebuah cara untuk memodelkan

bermacam-macam keadaan yang mungkin dialami sebuah obyek. Jika di dalam

diagram kelas menunjukan gambaran statis dari kelas-kelas dan relasinya, lain

halnya dengan diagram statechart yang digunakan untuk memodelkan behavior

dinamik sebuah sistem. Berikut ini adalah statechart diagram dari sistem SKPK.

1. Statechart Diagram Login

Gambar 4.47 Statechart Diagram Login

177

Tabel 4.50 Keterangan statechart diagram untuk use case “Login” Keadaan / Statechart Keterangan

Alamat website di masukkan Setelah membuka web browser, kemudian

admin ataupun user dapat menuliskan alamat

dari website sistem SKPK CV. Jaya Mandiri.

Form login ditampilkan Setelah alamat website dituliskan pada web

browser, maka akan menampilkan form Login.

Username dan password diinput dan tombol

Login dipilih

Setelah form login di tampilkan, admin ataupun

user harus mengisi username dan password dan

memilih tombol login.

Username dan Password divalidasi Mengecek valid username dan password admin

ataupun user.

Alert" Password atau username yang

dimasukkan salah" ditampilkan

Keadaan ini terjadi jika data yang dimasukkan

tidak lengkap ataupun salah yaitu dengan di

tampilkannya alert “Password atau username

yang dimasukkan salah”.

Halaman utama SKPK CV. Jaya Mandiri

ditampilkan


lengkap dan benar.

178

2. Statechart Diagram Forecasting

Gambar 4.48 State Diagram Forecasting

179

Tabel 4.51 Keterangan Statechart Diagram untuk Use Case “Forecasting” Keadaan / Statechart Keterangan

Menu Forecasting dipilih Setelah masuk halaman utama sistem SKPK

CV. Jaya Mandiri maka aktor memilih menu

Forecasting.

Submenu “Tambah Forecasting“ dipilih Setelah memilih menu Forecasting selanjutnya

memilih submenu “Tambah Forecasting“.

Jenis barang ditambah Setelah memilih submenu “Tambah

Forecasting“, selanjutnya adalah menambah

jenis barang.

“Jenis barang” dipilih Klik link “Jenis barang” .

Data jenis barang ditampilkan Setelah mengklik link “Jenis Barang”

selanjutnya adalah menampilkan data jenis

barang.

Tombol “Tambah” ditekan Setelah menampilkan data jenis barang

memilih untuk menambah data jenis barang

dengan cara menekan tombol “Tambah”.

Data jenis barang diinput dan tombol “Simpan”

ditekan

Setelah menekan tombol tambah akan masuk

halaman input data jenis barang dan menginput

data selanjutnya menekan tombol “Simpan”

,lalu akan muncul ke halaman data jenis

barang.

Data jenis barang diedit Setelah masuk halaman data jenis barang,

selanjutnya adalah mengedit data jenis barang.

Tombol gambar edit ditekan Menekan tombol gambar edit untuk masuk ke

form edit data jenis barang

Data diedit Setelah masuk ke form edit data jenis barang

selanjutnya adalah mengedit data barang.

Tombol edit ditekan Setelah mengedit data, selanjutnya adalah

menekan tombol edit untuk memproses data

yang diedit lalu akan masuk ke halaman data

jenis barang.

Data jenis barang dihapus Setelah masuk halaman data jenis barang,

selanjutnya adalah menghapus data jenis

barang.

Tombol hapus ditekan Menekan tombol hapus

Konfirmasi ditampilkan Menampilkan konfimasi "Apakah anda ingin

menghapus data ini?"

Kata “yes” dipilih dan data tehapus Data yang dipilih terhapus dan menampilkan

halaman data jenis barang keseluruhan.

Kata “cancel” dipilih dan data tidak terhapus Data yang dipilih tidak terhapus dan

menampilkan halaman data jenis barang

keseluruhan.

Data Forecasting diinput Setelah tidak menambah data jenis barang

maka akan masuk ke halaman menginput data

Forecasting. ketika menginput data

Forecasting berhasil dan tetap pada hamalan

“Tambah Forecasting”.

Submenu perhitungan Forecasting dipilih Setelah tidak menginput ataupun setelah

menginput data Forecasting, selanjutnya

adalah masuk ke halaman perhitungan

Forecasting.

Perhitungan, MAD, MAPE, MSE dan alfa

ditampilkan

Ketika masuk halaman perhitungan

Forecasting, selanjutnya menampilkan

perhitungan, MAD, MAPE, MSE dan alfa.

180

Data perhitungan (permintaan) Forecasting

dihapus

Setelah menampilkan perhitungan Forecasting

dan menampilkan perhitungan, MAD, MAPE,

MSE dan alfa dan memilih untuk menghapus

data permintaan maka akan kembali pada

tampilan halaman perhitungan Forecasting.

Jenis barang, tahun, nilai alfa difilter Memfilter berdasarkan tahun jenis barang dan

nilai alfa.

Hasil akhir keseluruhan ditampilkan Menampilkan hasil akhir keseluruhan, MAD,

MAPE, MSE dan alfa yang terpilih

3. Statechart Diagram AHP

Gambar 4.49 State Diagram AHP

181

Tabel 4.52 Tabel Keterangan statechart diagram untuk use case “AHP”

Keadaan / Statechart Keterangan

Menu AHP&Fuzzy Saw dipilih Memilih menu AHP&Fuzzy Saw.

Form login ditampilkan Setelah alamat website dituliskan pada web

browser, maka akan menampilkan form Login.

Jarak dan jumlah/berat barang diinput Menginput Nilai jarak dan jumlah / berat

barang yang akan dikirim.

Nilai Spesifikasi setiap kendaraan ,jarak dan

kapasitas permintaan dihitung berdasarkan nilai

perbandingan kriteria dan ditampilkan

Menghitung nilai jumlah / berat barang dengan

nilai spesifikasi kendaraan

Alert" Password atau username yang

dimasukkan salah" ditampilkan


tidak lengkap ataupun salah yaitu dengan di

tampilkannya alert “Password atau username

yang dimasukkan salah”.

Hasil perhitungan Nilai spesifikasi

dibandingkan dan ditampilkan

Membandingkan nilai hasil perhitungan dan

menampilkannya

Hasil perbandingan dikonversi menjadi nilai

berdasarkan intensitas

kepentingan&ditampilkan

Membandingkan nilai hasil pernbandingan

&dikonversi berdasarkan nilai tingkat

kepentingan

Matrik berpasangan kendaraan dihitung

berdasarkan kriteria "waktu","bahan

bakar","keamanan" &ditampilkan

menghitung matrik berpasangan berdasarkan

kriteria "waktu","bahan bakar","keamanan"

&menampilkannya.

Matrik prioritas alternatif dihitung&ditampilkan menghitung matrik prioritas dan

menampilkannya

Nilai ratio konsistensi dihitung dan ditampilkan Menghitung&menampilkan nilai ratio

konsistensi

Matriks prioritas global dihitung &

ditampilkan& nilai terbesar disorting

Menghitung&menampilkan matriks prioritas

global dan mensorting nilai terbesar

Grafik alternatif kendaraan dan hasil terakhir

ditampilkan

Menampilkan grafik kendaraan&hasil akhir

182

4. Statechart Diagram Setting

Gambar 4.50 State Diagram Setting

183

Tabel 4.53 Tabel Keterangan Statechart Diagram untuk Use Case “Setting”


Login dilakukan Melakukan login sistem SKPK CV. Jaya

Mandiri.

Menu "Setting" dipilih Memilih Menu "Seting".

Submenu "Kendaraan","Kriteria AHP","Bobot

Kriteria Fuzzy Saw" ditampilkan

Metampilkan submenu "Kendaraan", "Kriteria

AHP","Bobot Kriteria Fuzzy Saw" .

tiga Submenu Dipilih Memilih tiga Submenu.

Submenu "Bobot Kriteria Fuzzy Saw" dipilih Memilih Submenu "Bobot Kriteria Fuzzy Saw".

Data nilai bobot kriteria ditampilkan Menampilkan data nilai bobot kriteria.

Nilai bobot kriteria diubah Mengubah nilai bobot kriteria.

Tombol Update ditekan Menekan tombol update dan memproses data

bobot kriteria kemudian menampilkan data

nilai bobot kriteria.

Tombol keterangan ditekan Memilih menekan tombol keterangan.

Data keterangan bobot kriteria Fuzzy Saw

ditampilkan

Menampilkan data keterangan bobot kriteria

Fuzzy Saw dan kembali ke tampilan data bobot

kriteria dan selanjutnya memilih submenu

"Kriteria "AHP".

Submenu "Kriteria AHP" dipilih Memilih submenu "Kriteria "AHP"

Data perbandingan ditampilkan Menampilkan data perbandingan AHP

Nilai perbandingan diubah Mengubah nilai perbandingan

Tombol Update Ditekan Memproses data perbandingan dan tetap

menampilkan data perbandingan.

Tombol keterangan pada AHP dipilih Memilih tombol keterangan AHP

Data keterangan tingkat kepentingan

ditampilkan

Menampilkan data keterangan tingkat

kepentingan dan tetap pada tampilan

perbandingan, selanjutnya memilih Submenu

"Kendaraan".

Submenu "Kendaraan" dipilih Memilih Submenu "Kendaraan".

Data Kendaraan&spesifikasi ditampilkan Menampilkan data kendaraan & spesifikasi

Tombol gambar edit Dipilih Mengedit data memilih tombol edit

Form edit ditampilkan Menampilkan form edit

Data yang diedit diproses Memproses data yang telah diedit dan

menampilkan data yang telah diedit di tampilan

spesifikasi kendaraan.

184

5. Statechart Diagram Fuzzy Saw

Gambar 4.51 State Diagram Fuzzy Saw

185

Tabel 4.54 Keterangan Statechart Diagram untuk Use Case “Fuzzy Saw”


Menu Input ahp&Fuzzy Saw dipilih Memilih menu Fuzzy Saw.

"Jarak dan jumlah/berat barang" Diinput Menginput nilai jarak&kapasitas tujuan.

Nilai Spesifikasi kendaraan, jarak & kapasitas

permintaan dihitung

Menghitung & menampilkan nilai spesifikasi

kendaraan,jarak&kapasitas permintaan.

Nilai hasil perhitungan persentase berdasarkan

kriteria pada spesifikasi kendaraan

dihitung&ditampilkan.

Menghitung&menampilkan nilai hasil

perhitungan persentase berdasarkan kriteria

pada spesifikasi kendaraan.

Nilai perhitungan persentase dikonversi menjadi

bilangan fuzzy yang telah dikelompokan

Mengkonversi nilai perhitungan persentase

mnjadi bilangan fuzzy yang telah

dikelompokan.

Nilai persentase dikonversi kembali menjadi

bilangan crips / angka yang telah dibagi 100

&ditampilkan.

mengkonversi&menampilkan nilai bilangan

fuzzy menjadi bilangan crips.

Nilai dihitung menjadi nilai normalisasi &

ditampilkan.

Menghitung & menampilkan nilai menjadi nilai

normalisasi.

Tombol Update ditekan Menekan tombol update dan memproses data

bobot kriteria kemudian menampilkan data

nilai bobot kriteria.

Hasil total bobot akhir dihitung dari nilai

dengan bobot kriteria&ditampilkan

Menghitung&menampilkan total bobot akhir

dari hasil perhitungan nilai dengan bobot

kriteria.

Nilai disorting berdasarkan nilai yang

terbesar&ditampilkan grafik hasil akhir

Mensorting&menampilkan grafik nilai yang

terbesar&hasil akhir.

186

6. Statechart Diagram Manajemen User

Gambar 4.52 State Diagram Manajemen User

187

Tabel 4.55 Keterangan Statechart Diagram untuk Use Case “Manajemen

User”


login sistem dipilih Login sistem dipilih dan berhasil.

Halaman utama sistem ditampilkan Menampilkan halaman utama sistem.

Menu manajemen user dipilih Memilih menu manajemen user.

Data User ditampilkan semua level. Menampilkan data user semua level.

User ditambah Menambahkan user dan menampilkan data

user ke tampilan manajemen user.

User dihapus Menghapus user dan menampilkan data user ke

tampilan manajemen user.

User Diedit Mengedit data user dan menampilkan data user

ke tampilan manajemen user.

Menu lainnya dipilih Memilih menu lainnya.

7. Statechart Diagram Logout

Gambar 4.53 State Diagram Logout

Tabel 4.56 Keterangan Statechart Diagram untuk Use Case “Logout”


Halaman utama sistem ditampilkan Menampilkan halaman utama sistem.

Tombol logout dipilih Memilih tombol logout untuk keluar sistem.

Halaman Login ditampilkan. Menampilkan halaman login.

188

4.4 Construction

4.4.1 Coding Program

Pada tahapan ini ialah pemasukan coding dengan mengimpelentasikan

desain rancangan sistem yang telah dibuat. Untuk coding dapat dilihat pada

Lampiran.

4.4.2 Testing Program (Black Box Testing)

Pengujian yang dilakukan dengan menggunakan pendekatan black box

testing. Dari pengujian ini dapat diketahui apakah sistem dapat memberikan

keluaran seperti yang diharapkan atau tidak. Tabel 4.57 merupakan hasil

pengujian black box testing pada SKPK CV. Jaya Mandiri.

Tabel 4.57 Black Box Testing

NO. AKSI KELUARAN HASIL

Tampilan halaman User dan

admin

1 Pilih menu Login Tampil menu Login Sesuai

1.1 Pilih tombol Login Jika username dan password benar

tampil halaman user

Jika username dan password salah

tampil alert.

Sesuai

Sesuai

2 Pilih menu Forcasting Tampil submenu perhitungan

Forcasting dan Tambah Forcasting.

Sesuai

2.1 Pilih menu perhitungan

Forcasting

Tampil halaman perhitungan Forcasting Sesuai

2.1.1 Pilih tombol filter Tampil data sesuai nama barang, tahun

dan nilai alfa yang difilter

Sesuai

2.1.2 Pilih tombol Hapus Data tahun dan permintaan barang

terhapus

Sesuai

189

2.1.3 Pilih tombol Tab Tampil nilai salah satu dari MAD,

MSE, MAPE, Total Kesalahan dan

Hasil

Sesuai

2.2 Pilih menu Tambah Forcasting Tampil halaman form Tambah

Forcasting

Sesuai

2.2.1 Pilih tombol “Simpan” Muncul alert “Data telah disimpan” dan

data telah masuk ke database

Sesuai

2.2.2 Pilih Link “Jenis Barang” Muncul tabel jenis barang, tombol

tambah,tombol kembali, link hapus dan

edit.

Sesuai

2.2.2.1 Pilih Link gambar Edit Muncul halaman edit, tombol edit dan

tombol kembali

Sesuai

2.2.2.1.1 Pilih tombol edit Muncul halaman tabel data jenis barang

dan data telah berhasil diedit

Sesuai

2.2.2.1.2 Pilih tombol “Kembali” Muncul halaman tabel data jenis barang Sesuai

2.2.2.2 Pilih link gambar hapus Muncul alert dan data terhapus jika

menekan tombol “ok” tetapi jika

menekan tombol cancel data gagal

dihapus

Sesuai

2.2.2.3 Pilih tombol “tambah” Muncul halaman tambah jenis barang Sesuai

2.2.2.3.1 Pilih tombol “simpan” Muncul alert “data berhasil disimpan”

dan data muncul dihalamn tabel jenis

barang

Sesuai

2.2.2.3.2 Pilih tombol “kembali” Muncul halaman tabel data jenis barang Sesuai

2.2.2.4 Pilih tombol “kembali” pada

halaman tabel data jenis

barang

Muncul halaman “Tambah Forcasting” Sesuai

3 Pilih menu “AHP&Fuzzy

Saw”

Tampil submenu “AHP&Fuzzy Saw”. Sesuai

3.1 Pilih submenu “AHP&Fuzzy

Saw”.

Muncul halaman form input jarak dan

jumlah atau berat barang dan tombol

proses

Sesuai

3.2 Pilih tombol proses Muncul halaman hasil perhitungan

secara ringkas “AHP dan Fuzzy Saw”

Sesuai

3.2.1 Pilih tombol

“tampilkan/sembunyikan

perhitungan”

Muncul hasil-hasil perhitungan secara

lengkap.

Sesuai

4 Pilih menu “Setting” Tampil submenu kendaraan, Kriteria

“AHP “dan” Bobot Kriteria Fuzzy Saw”

Sesuai

4.1 Pilih submenu “kendaraan” Tampil tabel spesifikasi tiga kendaraan Sesuai

190

4.1.1 Pilih tombol edit pada

submenu “kendaraan”

Tampil form edit Sesuai

4.1.1.1 Pilih tombol “simpan” Tampil tabel spesifikasi tiga kendaraan

dan data telah diedit

Sesuai

4.1.1.2 Pilih tombol “kembali” Tampil tabel spesifikasi tiga kendaraan Sesuai

4.2 Pilih submenu “Kriteria AHP” Tampil form kriteria AHP Sesuai

4.2.1 Pilih tombol “update” Data yang dirubah akan berubah dan

tersimpan ke dalam database

Sesuai

4.2.2 Pilih tombol “keterangan” Tampil tabel keterangan tingkat

kepentingan

Sesuai

4.3 Pilih submenu “Bobot Kriteria

Fuzzy Saw”

Tampil form bobot criteria fuzzy saw Sesuai

4.3.1 Pilih tombol “update” pada

submenu “Bobot Kriteria

Fuzzy Saw”

Data yang dirubah akan berubah dan

tersimpan ke dalam database

Sesuai

4.3.2 Pilih tombol “keterangan” Tampil tabel keterangan nilai bobot

criteria

Sesuai

5 Pilih Link “Logout” Tampil halaman login Sesuai

Tampilan Khusus Admin

6 Pilih menu “Manajemen User” Tampil submenu “Manajemen User” Sesuai

6.1 Pilih submenu “Manajemen

User”

Tampil halaman tabel manajemen user Sesuai

6.1.1 Pilih tombol edit Muncul halaman edit data Sesuai

6.1.1.1 Pilih tombol “update” Muncul halaman tabel manajemen user

dan data telah berhasil diedit

Sesuai

6.1.1.2 Pilih tombol “kembali” Muncul halaman tabel manajemen user Sesuai

6.1.2 Pilih link gambar hapus Tampil alert, tekan “ok” maka data

berhasil dihapus dan tekan “cancel”

data gagal dihapus

Sesuai

6.2.1 Pilih tombol “tambah user” Tampil halaman form tambah user dan

pilih level

Sesuai

6.2.2 Pilih tombol “simpan” Muncul alert dan tekan “ok” maka

muncul halaman tabel manajemen user

dengan data yang baru ditambah

Sesuai

6.3 Pilih tombol “Kembali” Muncul halaman tabel manajemen user Sesuai

191

4.5 Transition

4.5.1 Logical Architecture SKPK

Gambar 4.54 Logical Architecture SKPK

Gambar 4.54 merupakan logical architecture dari SKPK atau yang sering

disebut component diagram. Logical architecture atau component diagram

tersebut menunjukan model secara fisik komponen perangkat lunak pada sistem

dan hubungannya. Ada dua tipe komponen dalam diagram yaitu komponen

excutable dan libraries code. Untuk kasus SKPK digunakan komponen libraries

code yang menunjukkan komponen-komponen kode pustaka ke dalam masing-

masing kelas dalam sistem. Dapat di lihat dari gambar diatas terdapat empat

komponen antara lain komponen Firefox sebagai web browser, XAMPP sebagai

web server, IDSS.php dan IDSS.sql. Dapat dilihat dari komponen sistem

IDSS.php, dalam membangun sistem ini digunakan bahasa pemograman PHP

pada setiap komponen kelasnya. Sedangkan database yang digunakan adalah

MySQL.

192

4.5.2 Deployment Diagram SKPK

Gambar 4.55 Deployment Diagram SKPK

Deployment diagram meupakan tampilan rancangan fisik jaringan, dimana

berbagai komponen akan terdapat disana. Pada SKPK CV. Jaya Mandiri, terdapat

banyak subsistem yang dijalankan pada peralatan fisik yang terpisah atau sering

disebut node. Deployment diagram pada Gambar 4.55 menunjukan rancangan

SKPK. PC owner akan berhubungan melalui jaringan khusus melalui internet

dengan browser firefox dan jaringan WAN akan meneruskan proses data ke

server.

193

BAB V

PENUTUP

5.1 Simpulan

Berdasarkan pada hasil pembahasan, maka menghasilkan beberapa simpulan :

1. Dengan menggunakan dua metode pengambilan keputusan untuk memilih

kendaraan maka dapat memberikan petunjuk dalam memilih kendaraan

untuk pengiriman.

2. Dengan adanya SKPK yang berbasis web, diharapkan dapat membantu

owner untuk menggunakan sistem tersebut dimanapun dan kapanpun.

3. Dengan dibangunnya SKPK pada CV. Jaya Mandiri diharapkan dapat

membantu perusahaan dalam mengelola permintaan barang dengan adanya

forecasting pada sistem SKPK.

194

5.2 Saran

Berdasarkan penelitian dan analisis yang telah dilakukan, maka terdapat saran-

saran :

1. Bagi pembaca yang ingin mengembangkan sistem ini dapat menambah

fitur perhitungan keamanan secara otomatis yang langsung masuk ke

dalam perhitungan spesifikasi kendaraan dan juga fitur perhitungan

kecepatan rata-rata secara otomatis berdasarkan kriteria untuk kondisi

jalan yang akan dilalui yang juga masuk ke dalam perhitungan spesifikasi

kendaraan.

2. Pembaca yang ingin mengembangkan sistem ini juga dapat menambahkan

dari sisi hasil akhir perhitungan metode AHP dan Fuzzy Saw berupa

spesifikasi kendaraan yang terpilih dan menambahkan hasil perhitungan

biaya bahan bakar dalam pengiriman dengan jumlah/ berat barang yang

dihitung.

3. Bagi pembaca yang ingin mengembangkan sistem ini juga dapat

menambahkan jumlah kriteria dan alternatif lebih dari tiga ataupun

dinamis.

rffiJAyA r\dANrlrRr

Villa Mutiara Gading Blol< X - 05 No.34, Bekasi Timur. Telp. /Fax.02l-71241131.

SURAT KETERANGANNo : 0l2SlJldlSekretaris/trilIn0l0

Yang bertandatangan di bawatr ini :

Narna

Jabatan

Menerangkan Bahwa

Nama

NIM

Status

AMul Azis

Pemilik CV. Jaya Mandiri

Fadly Maho

106093003079

Mahasiswa tlIN Syarif Hidayatullah Jakarta

Adalah benar telah melakukan p"""titi* wtuk skrip$i di CV. Jaya Mandiri,

yang telah te.rhitrmg mulai ta€gal 5 Mei 2010 sampai de,ngan 5 Juli 2010. Dan yang

bersangkutan telah melakukan pnelitim dengan baik.

Demikian surat keterangan ini diberikan untuk diprgunakan sebagaimana

mestinya

Pemilik CV. Jaya Mandiri

UJIAN - UIN Syarif Hidayatullah Jakartarepository.uinjkt.ac.id/dspace/bitstream/123456789... · 6. Bapak Abdul Aziz selaku pemilik CV. Jaya Mandiri serta seluruh karyawan CV. Jaya

Documents