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
RANCANG BANGUN SISTEM KECERDASAN PENDUKUNG
KEPUTUSAN DALAM PENGIRIMAN BARANG
(Studi Kasus: CV. Jaya Mandiri)
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
RANCANG BANGUN SISTEM KECERDASAN PENDUKUNG
KEPUTUSAN DALAM PENGIRIMAN BARANG
(Studi Kasus: CV. Jaya Mandiri)
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
Gambar 4.15 Rancangan Antarmuka Halaman Submenu Perhitungan
Forecasting Tabel Total Kesalahan Peramalan ..................................... 126
Gambar 4.16 Rancangan Antarmuka Halaman Submenu Perhitungan
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
Gambar 4.20 Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw
untuk Hasil Perhitungan AHP dan Fuzzy Saw ..................................... 131
Gambar 4.21 Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw
untuk Hasil Perhitungan AHP dan Fuzzy Saw Lengkap ...................... 132
Gambar 4.22 Rancangan Antarmuka Halaman Menu Setting dari Submenu
Kendaraan ............................................................................................. 133
Gambar 4.23 Rancangan Antarmuka Halaman Menu Setting dari Submenu
Kriteria AHP ........................................................................................ 134
Gambar 4.24 Rancangan Antarmuka Halaman Menu Setting dari Submenu
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
jika n 0.5 dan n < 0.6 maka nilai intensitas kepentingannya adalah 6
83
jika n 0.6 & n< 0.7 maka nilai intensitas kepentingannya adalah 7
jika n 0.7 dan n < 0.8 maka nilai intensitas kepentingannya adalah 8
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 (-0.4) & n > (-0.5) maka nilai intensitas kepentingannya adalah 1/5
jika n (-0.5) dan n > (-0.6) maka nilai intensitas kepentingannya adalah 1/6
jika n (-0.6) & n > (-0.7) maka nilai intensitas kepentingannya adalah 1/7
jika n (-0.7) dan n > (-0.8) maka nilai intensitas kepentingannya adalah 1/8
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
Pada nilai jumlah baris 1 Pada Tabel 4.26 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.
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.
Pada nilai jumlah baris 1 Pada Tabel 4.28 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.
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
$ $$
Purchasing
Belanja Barang
Konsumen
Kirim Barang
Barang Kurang / Habis
Barang Masuk
DriverCek Barang
LaporanInventory
Owner Mengajukan Kontrak
Konsumen / Perusahaan Mengajukan Permintaan
Gambar 4.7 Proses Bisnis yang Sedang Berjalan
Keterangan Gambar 4.7:
Dari gambar tersebut menjelaskan proses yang sedang berjalan ketika
owner mengajukan kontrak kerjasama pengiriman barang dan customer atau
perusahaan mengajukan permintaan pengiriman barang kepada owner CV. Jaya
Mandiri. Bagian Purchasing melakukan pengecekan barang setiap hari dan
dilaporkan kepada owner mengenai jumlah barang yang ada di gudang dan stok
barang selalu kekurangan karena tidak adanya metode untuk meramalkan jumlah
permintaan barang. Ketika barang yang dibutuhkan tidak tersedia maka owner
segera mengambil keputusan untuk belanja barang yang akan dikirimkan kepada
customer. Setelah barang di beli lalu disimpan ke dalam gudang untuk pengiriman
selanjutnya oleh driver kepada customer. Karena tidak sesuainya pemilihan
102
kendaraan untuk pengiriman barang, terkadang muncul biaya operasional
tambahan.
4.2.3 Analisis dan Perancangan Usulan SKPK dalam Pengiriman Barang
pada CV. Jaya Mandiri
Untuk menjelaskan analisa proses bisnis pada Sistem Kecerdasan
Pendukung Keputusan dalam Pengiriman Barang pada CV. Jaya Mandiri yang
diusulkan menggunakan diagram rich picture. Diagram tersebut menjelaskan alur
proses bisnis pada CV. Jaya Mandiri. Gambaran proses bisnis dapat dilihat pada
gambar 4.8:
Owner CV.Jaya Mandiri
Pengiriman
$ $$
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
Keterangan Gambar 4.8:
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
Keterangan Gambar 4.9:
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
Actor Admin dan User (Owner)
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.
Typical Course of Events Actor Action Sistem Response
1: Usecase terinisiasi saat
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
Actor Admin dan User (Owner)
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.
Typical Course of Events Actor Action Sistem Response
1: Usecase terinisiasi saat
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.
Post Condition Actor telah melihat hasil perhitungan dan grafik dari metode
AHP
118
Tabel 4.40 Narasi Usecase Setting
Use Case Name Setting
Use Case ID 4
Actor Admin dan User (Owner)
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.
Typical Course of Events Actor Action Sistem Response
1: Usecase terinisiasi saat
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
Actor Admin dan User (Owner)
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.
Typical Course of Events Actor Action Sistem Response
1: Usecase terinisiasi saat
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.
Post Condition Actor telah melihat hasil perhitungan dan grafik dari metode
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.
Typical Course of Events Actor Action Sistem Response
1: Usecase terinisiasi saat
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
Actor Admin dan User (Owner)
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.
Typical Course of Events Actor Action Sistem Response
1: Usecase terinisiasi saat
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
Gambar 4.14 Rancangan Antarmuka Halaman Submenu Perhitungan
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
Gambar 4.15 Rancangan Antarmuka Halaman Submenu Perhitungan
Forecasting Tabel Total Kesalahan Peramalan
127
Gambar 4.15 menampilkan halaman submenu perhitungan Forecasting
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
Gambar 4.16 Rancangan Antarmuka Halaman Submenu Perhitungan
Forecasting Tabel Hasil
128
Gambar 6.6 menampilkan halaman submenu perhitungan Forecasting
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.
Gambar 4.19 Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw
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
Gambar 4.20 Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw
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
Gambar 4.21 Rancangan Antarmuka Halaman Submenu AHP & Fuzzy Saw
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.
Gambar 4.22 Rancangan Antarmuka Halaman Menu Setting dari Submenu
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
Gambar 4.23 Rancangan Antarmuka Halaman Menu Setting dari Submenu
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.
Gambar 4.24 Rancangan Antarmuka Halaman Menu Setting dari Submenu
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
Media Penyimpanan : Hardisk
Panjang Record : 200 Byte
Jumlah Record : 5000
Organisasi File : Indeks
Struktur Tabel :
Tabel 4.45 Tabel Spesifikasi Database Jenis Barang
No Nama Field Type Data Panjang Field Keterangan
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
Media Penyimpanan : Hardisk
Panjang Record : 200 Byte
Jumlah Record : 5000
Organisasi File : Indeks
Struktur Tabel :
Tabel 4.46 Tabel Spesifikasi Database Kendaraan
No Nama Field Type Data Panjang Field Keterangan
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
Media Penyimpanan : Hardisk
Panjang Record : 200 Byte
Jumlah Record : 5000
Organisasi File : Indeks
Struktur Tabel :
Tabel 4.47 Tabel Spesifikasi Database Kriteria AHP
No Nama Field Type Data Panjang Field Keterangan
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
Media Penyimpanan : Hardisk
Panjang Record : 200 Byte
Jumlah Record : 5000
Organisasi File : Indeks
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
Media Penyimpanan : Hardisk
Panjang Record : 200 Byte
Jumlah Record : 5000
Organisasi File : Indeks
Struktur Tabel :
Tabel 4.49 Tabel Spesifikasi Database Permintaan
No Nama Field Type Data Panjang Field Keterangan
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
Keadaan ini terjadi jika data yang dimasukkan
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
Keadaan ini terjadi jika data yang dimasukkan
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”
Keadaan / Statechart Keterangan
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”
Keadaan / Statechart Keterangan
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”
Keadaan / Statechart Keterangan
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”
Keadaan / Statechart Keterangan
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