Keyword: Decision Support System, Best Cutomer, FuzzyMADM, Yager RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PELANGGAN TERBAIK DENGAN MODEL YAGER PADA PT. AESHA SURABAYA Rizky Bindra Permana 1) S1/ Jurusan Sistem Informasi. Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya, email : Rizky.bindra@yahoo.com Abstract: Decision making is a part activities key of executive, manager, employee, university student, and everyone in their life. Problem usually happen in decision making are there are not enough information, a lot of information, information that is not accurate, can not analyse problem and many more. It is also happening in decision making to choose a best customer. In making the decision to choose the best customers there are several difficulties encountered, including the existence of conditions of uncertainty for selecting the best customers that contribute to the company, there are many customers, and there some criteria affecting existing options such as pricing, the timely payment of , labor protection, and customer loyalty. The process of selecting the best customers followed by the availability of more than one option that meets certain criteria, including problems of Multiple Criteria Decision Making (MCDM) so that the solution requires a decision support system (DSS). The method used in decision-making selection of the best customer is Fuzzy Multi-attribute decision making (MADM) models Yager. Such methods are part of the method of Multiple Criteria Decision Making (MCDM). This method was chosen because this model is quite simple and easy to understand its usage and the ability of the model in incorporating elements of qualitative and quantitative data for decision-making process. And is a form of decision support models used for decision making by various criteria and can be used to solve the problem of decision making that relies on intuition as the primary input. In this Final Project, decision support system using the method of Fuzzy Multi-attribute decision making (MADM) models Yager able to analyze the criteria and alternatives are compared and can give advice on the best alternative that appropriate Keyword: Decision Support System, Best Cutomer, FuzzyMADM, Yager Persaingan di dunia industri semakin ketat seiring dengan terus meningkatnya laju pertumbuhan industri. Persaingan ini mengakibatkan setiap perusahaan harus lebih jeli dalam melakukan pemilihan pelanggan penerima award untuk meningkatkan loyalitas pelanggan sehingga semua tujuan yang ingin dicapai dapat terlaksana dengan baik. Penilaian untuk tiap pelanggan tentunya didasarkan pada kriteria atau kontribusi masing-masing pelanggan, oleh karenanya tiap pelanggan memiliki nilai yang berbeda bagi perusahaan bergantung pada kriteria atau kontribusi yang diberikan pelanggan tersebut bagi perusahaan. PT. AESHA Surabaya merupakan perusahan yang bergerak di bidang general contractor untuk cleaning service & landscaping. Bagi pihak PT. AESHA Surabaya, bukanlah hal yang mudah tentunya untuk melakukan penilaian pelanggan bagi perusahaan. Salah satu kendala yang harus dihadapi adalah komponen penilaian atau kriteria penilaian yang cukup banyak (contoh : harga kontrak, ketepatan pembayaran, perlindungan tenaga kerja, dan loyalitas pelanggan) dan metode yang jelas dalam penilaian terhadap setiap pelanggan. Berdasarkan analisis permasalahan diatas, maka diperlukan suatu sistem yang dapat membantu PT. AESHA Surabaya dalam mengambil keputusan pemilihan pelanggan terbaik dengan waktu yang tepat tanpa mengurangi kualitas dari keputusan yang dihasilkan. Sistem ini yang kemudian bisa

1. Sistem Pendukung Keputusan disebut Sistem Pendukung Keputusan (SPK), diharapkan dapat membantu PT. AESHA Surabaya dalam melakukan pengolahan dan analisis data sehingga dapat menghasilkan informasi yang dapat berguna bagi PT. AESHA Surabaya dalam hal penilaian dan pemilihan pelanggan terbaik. Salah satu model yang dapat membantu pihak PT. AESHA Surabaya dalam melakukan penilaian dan menentukan pelanggan yang terbaik dibutuhkan model untuk melakukan perangkingan pelanggan yang berdasarkan penilaian kriteria, salah satunya adalah metode Fuzzy MADM Model Yager, yaitu suatu bentuk model pendukung keputusan yang memperhatikan bahwa suatu alternatif terbaik adalah memiliki nilai diatas rata-rata dari alternatif yang dibandingkan (Sri Kusumadewi : 2006). Dengan menentukan komponen penilaian dan menggunakan metode Fuzzy MADM Model Yager, diharapkan dapat membantu pihak PT. AESHA Surabaya sebagai Sistem Pendukung Keputusan dalam melakukan pemilihan pelanggan terbaik berdasarkan penilaian kriteria pelanggan. Landasan Teori 1. Sistem Pendukung Keputusan Konsep Sistem Pendukung Keputusan (SPK) ditandai dengan sistem interaktif berbasis komputer yang membantu pengambil keputusan memanfaatkan data dan model untuk menyelesaikan masalah yang tidak terstruktur. Pada dasarnya SPK dirancang untuk mendukung seluruh tahap pengambilan keputusan mulai dari mengidentifikasi masalah, memilih data yang relevan, menentukan pendekatan yang digunakan dalam proses pengambilan keputusan, sampai mengevaluasi pemilihan alternatif (Hasan, 2002:27). Suatu SPK memiliki tiga subsistem utama yaitu subsistem manajemen basis data, subsistem manajemen basis model dan subsistem perangkat lunak penyelenggara dialog (Hasan, 2002:32). Subsistem Manajemen Basis Data Kemampuan yang dibutuhkan dari manajemen basis data antara lain : Kemampuan untuk mengkombinasikan berbagai variasi data melalui pengambilan dan ekstraksi data. Kemampuan untuk menambahkan sumber data secara mudah dan cepat. Kemampuan untuk menggambarkan struktur data logikal sesuai dengan pengertian pemakai sehingga pemakai mengetahui apa yang tersedia dan dapat menentukan kebutuhan penambahan dan pengurangan. Kemampuan untuk menangani data secara personil sehingga pemakai dapat mencoba berbagai alternatif pertimbangan personil. Kemampuan untuk mengelola berbagai variasi data. Subsistem Manajemen Basis Model Kemampuan yang dimiliki subsistem basis model meliputi: Kemampuan untuk menciptakan model–model baru secara cepat dan mudah. Kemampuan untuk mengakses dan mengintegrasikan model–model keputusan.

c. Subsistem Perangkat Lunak Penyelenggara Dialog Kemampuan untuk mengelola basis model dengan fungsi manajemen yang analog dan manajemen basis data (seperti mekanisme untuk menyimpan, membuat dialog, menghubungkan dan mengakses model). c. Subsistem Perangkat Lunak Penyelenggara Dialog Kemampuan yang harus dimiliki oleh SPK untuk mendukung dialog pemakai/sistem meliputi: Kemampuan untuk menangani berbagai variasi gaya dialog. Kemampuan untuk mengakomodasi tindakan pemakai dengan berbagai peralatan masukan. Kemampuan untuk menampilkan data dengan berbagai variasi format dan peralatan keluaran. 4. Kemampuan untuk memberikan dukungan yang fleksibel untuk mengetahui basis pengetahuan pemakai. 2. AHP Peralatan utama dari metode AHP adalah sebuah hirarki fungsional dengan input utamanya adalah persepsi manusia. Dengan hirarki, suatu yang komplek dan tidak terstruktur dipecahkan ke dalam kelompok dan kemudian kelompok tersebut diatur menjadi suatu bentuk hirarki(Permadi, 1992:5). Perbedaan mencolok antara metode AHP dengan metode pengambilan keputusan lainnya terletak pada jenis inputnya. Metode yang sudah ada umumnya memakai input yang kuantitatif. Otomatis metode tersebut hanya dapat mengolah hal kuantitatif pula. Metode AHP menggunakan persepsi manusia yang dianggap ‘expert’ sebagai input utamanya. Kriteria ‘expert’ di sini bukan berarti bahwa orang tersebut haruslah jenius, pintar, bergelar doktor dan sebagainya tetapi lebih mengacu pada orang yang mengerti benar permasalahan yang diajukan, merasakan akibat suatu masalah atau punya kepentingan terhadap masalah tersebut. Karena menggunakan input yang kualitatif (persepsi manusia) maka AHP dapat mengolah juga hal kuantitatif disamping hal yang kualitatif. Langkah yang harus dilakukan dalam menyelesaikan persoalan dengan AHP (Mulyono, 1996:108) yaitu: Decomposition Decomposition adalah proses menganalisa permasalahan riil dalam struktur hirarki atas unsur – unsur pendukungnya. Struktur hirarki secara umum dalam metode AHP yaitu: Jenjang 1 : Goal atau Tujuan, Jenjang 2 : Kriteria, Jenjang 3 : Subkriteria (optional), Jenjang 4 : Alternatif. Comperative judgment Comperative judgment adalah berarti membuat suatu penilaian tentang kepentingan relatif antara dua elemen pada suatu tingkat tertentu yang disajikan dalam bentuk matriks dengan menggunakan skala prioritas. Jika terdapat n elemen, maka akan diperoleh matriks pairwise comparison (matriks perbandingan) berukuran n x n dan banyaknya penilaian yang diperlukan adalah n(n-1)/2. Ciri utama dari matriks perbandingan yang dipakai dalam metode AHP adalah elemen diagonalnya dari kiri atas ke kanan bawah adalah satu karena elemen yang dibandingkan adalah dua

elemen yang sama. Selain itu, sesuai dengan sistimatika berpikir otak manusia, matriks perbandingan yang terbentuk akan bersifat matriks resiprokal dimana apabila elemen A lebih disukai dengan skala 3 dibandingkan elemen B, maka dengan sendirinya elemen B lebih disukai dengan skala 1/3 dibanding elemen A. Dengan dasar kondisi – kondisi di atas dan skala standar input AHP dari 1 sampai 9, maka dalam matriks perbandingan tersebut angka terendah yang mungkin terjadi adalah 1/9, sedangkan angka tertinggi yang mungkin terjadi adalah 9/1. Angka 0 tidak dimungkinkan dalam matriks ini, sedangkan pemakaian skala dalam bentuk desimal dimungkinkan sejauh si expert memang menginginkan bentuk tersebut untuk persepsi yang lebih akurat. Synthesis of priority Setelah matriks perbandingan untuk sekelompok elemen selesai dibentuk maka langkah berikutnya adalah mengukur bobot prioritas setiap elemen tersebut. Hasil akhir dari penghitungan bobot prioritas tersebut adalah suatu bilangan desimal di bawah satu (misalnya 0.01 sampai 0.99) dengan total prioritas untuk elemen – elemen dalam satu kelompok sama dengan satu. Bobot prioritas dari masing – masing matriks dapat menentukan prioritas lokal dan dengan melakukan sintesa di antara prioritas lokal, maka akan didapat prioritas global. Usaha untuk memasukkan kaitan antara elemen yang satu dengan elemen yang lain dalam menghitung bobot prioritas secara sederhana dapat dilakukan dengan cara berikut: Jumlahkan elemen pada kolom yang sama pada matriks perbandingan yang terbentuk. Lakukan hal yang sama untuk setiap kolom. Bagilah setiap elemen pada setiap kolom dengan jumlah elemen kolom tersebut (hasil dari langkah 1). Lakukan hal yang sama untuk setiap kolom sehingga akan terbentuk matrik yang baru yang elemen – elemennya berasal dari hasil pembagian tersebut. Jumlahkan elemen matrik yang baru tersebut menurut barisnya. Bagilah hasil penjumlahan baris (hasil dari langkah 3) dengan total alternatif agar didapatkan prioritas terakhir setiap elemen dengan total bobot prioritas sama dengan satu. Proses yang dilakukan untuk membuat total bobot prioritas sama dengan satu biasa disebut proses normalisasi. Logical consistency Salah satu asumsi utama metode AHP yang membedakannya dengan metode yang lainnya adalah tidak adanya syarat konsistensi mutlak. Dengan metode AHP yang memakai persepsi manusia sebagai inputannya maka ketidakkonsistenan itu mungkin terjadi karena manusia mempunyai keterbatasan dalam menyatakan persepsinya secara konsisten terutama kalau membandingkan banyak elemen. Berdasarkan konsisi ini maka manusia dapat menyatakan persepsinya dengan bebas tanpa harus berpikir apakah persepsinya tersebut

akan konsisten nantinya atau tidak akan konsisten nantinya atau tidak. Persepsi yang 100 % konsisten belum tentu memberikan hasil yang optimal atau benar dan sebaliknya persepsi yang tidak konsisten penuh mungkin memberikan gambaran keadaan yang sebenarnya atau yang terbaik. Penentuan nilai preferansi antar elemen harus secara konsisten logis, yang dapat diukur dengan menghitung Consistency Index (CI) dan menghitung Consistency Ratio (CR) dimana : = eigenvalue, n = ukuran matriks, RI = Random Index Untuk mendapatkan nilai digunakan rumus berikut: (A).(wT) dimana A= matriks perbandingan berpasangan, wT= prioritas lokal Untuk metode AHP, tingkat inkonsistensi yang masih bisa diterima adalah sebesar 10% ke bawah. Jadi apabila nilai CR <= 0.1 maka hasil preferensi cukup baik dan sebaliknya jika CR > 0.1 hasil proses AHP tidak valid sehingga harus diadakan revisi penilaian karena tingkat inkonsistensi yang terlalu besar dapat menjurus pada suatu kesalahan. 3. Fuzzy MADM Model Yager Fuzzy MADM model Yager ini merupakan bentuk standar dari fuzzy MADM. Misalkan A={a1,…,an} adalah himpunan alternatif, dan atribut direpresentasikan dengan himpunan fuzzy , j = 1, …, m. bobot yang menunjukkan tingkat kepentingan atribut ke-j dinotasikan dengan wj. nilai capaian alternatif ai terhadap atribut diekspresikan dengan derajat keanggotaan mc(xi). keputusan akhir diambil berdasarkan interseksi dari semua atribut fuzzy sebagai berikut: Alternatif optimal didefinisikan sedemikian rupa sehingga alternatif tersebut memberikan kontribusi derajat keanggotaan tertinggi pada Langkah-langkah penyelesaian untuk model ini adalah (Zimmermann, 1991): Tetapkan matriks perbandingan berpasangan antar atribut, M, berdasarkan prosedur hirarki Saaty sebagai berikut: dengan adalah kepentingan relatif atribut ai terhadap atribut aj. Tentukan bobot wj yang konsisten untuk setiap atribut berdasarkan metode eigenvector dari Saaty. Apabila A adalah matriks perbandingan berpasangan yang

tidak konsisten, maka vektor bobot yang berbentuk: (A)(WT)=(n)(WT) dapat didekati dengan cara: Menormalkan setiap kolom j dalam matriks A, sedemikian hingga: Untuk setiap baris i dalam A’, hitunglah nilai rata-ratanya: Hitung nilai: dimana adalah derajat keanggotaan dari alternatif xi terhadap suatu kriteria; wj adalah bobot preferensi dari perhitungan model Saaty Tentukan interseksi dari semua , sebagai: Pilih xi dengan derajat keanggotaan terbesar dalam, dan tetapkan sebagai alternatif optimal. Perancangan Model Untuk membangun aplikasi Sistem Pendukung Keputusan ini digunakan Context Diagram dan ERD secara conceptual dan physical. Diagram alir sistem Gambar 1 menjelaskan tata urutan secara menyeluruh sistem pendukung keputusan pemilihan pelanggan terbaik pada PT.AESHA Surabaya. Gambar 1. Diagram alir sistem Context Diagram Gambar 2. Context Diagram Pada Context Diagram tampak aliran data yang bergerak dari sistem ke masing-asing entitas.

Gambar 3. DFD Level 0 Dari context diagram selanjutnya dapat dilakukan proses break down yang biasa disebut sebagai Data Flow Diagram (DFD) level 0 untuk mengetahui proses-proses secara keseluruhan. Entity Relationship Diagram (ERD) Gambar 4. Conceptual Data Model (CDM) Gambar 5. Physical Data Model (PDM) Gambar 5 menunjukkan tabel-tabel yang di pergunakan dalam sistem pendukung keputusan dan hubungan antar tabel HASIL DAN PEMBAHASAN Fitur ini diawali dengan pemilihan alternatif input data pelanggan Gambar 6. Halaman input data pelanggan Kemudian memberikan inputan bobot kriteria Gambar 7. Halaman input bobot kriteria Selanjutnya mengisi nilai alternatif Gambar 8. Halaman input nilai alternatif Selanjutnya dilakukan perhitungan fuzzy MADM model Yager sehingga menghasilkan output informasi urutan pelanggan terbaik yang disarankan.

Gambar 9. Halaman hasil pemilihan pelanggan terbaik SIMPULAN Berdasarkan hasil uji coba dan analisa yang telah dilakukan dalam pembuatan aplikasi Sistem Pendukung Keputusan pemilihan pelanggan terbaik dengan fuzzy MADM model Yager, dapat disimpulkan bahwa Tugas Akhir telah sesuai dengan tujuan. Berikut adalah poin-poin kesimpulan dari pengerjaan Tugas Akhir ini: Aplikasi pengambilan keputusan ini dapat membantu PT AESHA Surabaya dalam menentukan pelanggan terbaik yang sesuai dengan kriteria yang berpengaruh yaitu harga, ketepatan pembayaran, perlindungan tenaga kerja, dan loyalitas pelanggan. Hasil rekomendasi pilihan pelanggan terbaik yang sesuai juga sangat dipengaruhi oleh pengambil keputusan (Penilai) dalam menentukan besar nilai beban tiap kriteria. Dari hasil uji coba didapatkan rekomendasi pelanggan terbaik dengan prioritas pertama adalah pelanggan A2 dengan nilai terbesar pada 2 = 0,645 DAFTAR RUJUKAN Edhy Sutanta, 2004,Sistem Basis Data. Yogyakarta : Graha Ilmu. Fuller, Robert and Carlisson, Christer. 1996. Fuzzy multiple criteria decision making:Recent developments. Hartono, Jogiyanto.1999. Analisis & Desain. Yogyakarta : Andi Hasan, I., 2002, Pokok – Pokok Materi Teori Pengambilan Keputusan, Ghalia Indonesia, Jakarta. Hwang, Ching-Lai, and Kwangsun Yoon, Multiple Attribute Decision Making, Methods and Application, A State-of-the-Art Survey, Berlin, Heidelberg, New York:Spinger-Verlag, 1981 Ismail, Hossam, 2005, Operation Modelling and Simulation Presentation, online, www.liv.ac.uk/~hsismail/EBUS504/10_MCDA.pdf. Kendall dan Kendall, 2003, Analisis dan Perancangan Sistem Edisi Kelima, PT Prenhallindo, Jakarta Kusumadewi, Sri, dkk. 2006. Fuzzy Multi-Attribute Decision Making (Fuzzy MADM). Jakarta : Graha Ilmu. Morton, Michael S. Scott. Management Decision Support Systems. Addison Norwood, NJ : Wesley Publishing Company Mulyono, S., 1996, Teori Pengambilan Keputusan, Fakultas Ekonomi Universitas Indonesia, Jakarta. Permadi, Bambang S. 1992. Analytical Hierarchy Process. Jakarta : Departemen Pendidikan dan Kebudayaan Pusat Antar Universitas-Studi Ekonomi Universitas Indonesia. Ross, Timothy J. 2005. Fuzzy Logic With Engineering Applications. England : Wiley & Sons Ltd. Saaty, Thomas L. and Forman, Ernest H., 1996, The Hierarchon : A Dictionary of Hierarchies, Expert Choise, Pittsburg. Santri’s Blog, 2009, Sistem Pendukung Keputusan (SPK), 28 Maret 2009, URL: http://haniif.wordpress.com/2007/08/01/23-tinjauan-pustaka-sistem-pendukung-keputusan-spk/ Suryadi Kadarsa , Ramdani Ali, 1998, Sistem Pendukung Keputusan, PT. Remaja Rosdakarya, Bandung. Turban, Efraim and Aronson, Jay E. 2001. Decision Support Systems dan Intelligent Systems. Narasimha Bolloju: Prentice Hall International. Zimmerman,H.J. 1991. Fuzzy set Theory and Its Application. Norwel, Massachusetts.

Gambar 1. Diagram alir sistem

Gambar 2. Context Diagram

Gambar 3. DFD Level 0

Gambar 5. Physical Data Model (PDM) Gambar 4. Conceptual Data Model (CDM) Gambar 5. Physical Data Model (PDM)

Gambar 6. Halaman input data pelanggan

Gambar 7. Halaman input bobot kriteria

Gambar 8. Halaman input nilai alternatif

Gambar 9. Halaman hasil pemilihan pelanggan terbaik