A

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN

PELATIHAN DENGAN METODE AHP DAN TOPSIS
BERBASIS WEB

Kusuma Yanti 1), I Gede Arya Utama 2)

S1/ Jurusan Sistem Informasi. Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya,
1)
Email : adeyanti_04@yahoo.com
2)
Email: arya@stikom.edu

AY

1) 2)

SU

AB

Abstract: Decision making is a part activities key of executive, 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 training. There is some problem that happen in decision making to choose training such as
condition that is not surely to choose either of training, there is some training that offered, there is some criterias
that influenced toward alternative that given such as student interest, ability that student had toward the
training, and the price of training. Method that used in decision support to chooese a training are Analytical
Hierarchy Process (AHP) and Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). Both of
method is choosed because AHP is a decision making model that is used to take decision with kind criterias and
can use to solve problem that relied on intuition as a main input. TOPSIS is a decision support method that
based on concept the best alternative not only has shortes way from positive ideal solution but also has longest
way from negative ideal solution. Decision support system use AHP and TOPSIS method can analyse criterias
and alternatives that compared and can give recommend alternative that appropriate.
Keyword: Decision Support System, Training, AHP, TOPSIS

ST

IK

Kemampuan mengambil keputusan yang

cepat dan cermat akan menjadi kunci keberhasilan
dalam persaingan global di waktu mendatang.
Memiliki banyak informasi saja tidak akan cukup,
bila tidak mampu meramunya dengan cepat menjadi
alternatif-alternatif terbaik untuk pengambilan
keputusan.
Perkembangan teknologi informasi telah
memungkinkan pengambilan keputusan dapat
dilakukan dengan lebih cermat. Penggunaan
komputer telah berkembang dari sekadar pengolahan
data ataupun penyaji informasi, menjadi mampu
untuk
menyediakan
pilihan-pilihan
sebagai
pendukung pengambilan keputusan. Salah satu
contohnya adalah dalam memilih jenis pelatihan
yang sesuai. Dalam pengambilan keputusan untuk
memilih pelatihan terdapat beberapa kesulitan yang
dihadapi, diantaranya adalah adanya kondisi
ketidakpastian untuk memilih salah satu jenis
pelatihan, terdapat berbagai pelatihan yang
ditawarkan, terdapat faktor-faktor/kriteria yang
berpengaruh terhadap pilihan yang ada seperti minat
mahasiswa terhadap pelatihan, kemampuan yang
dimiliki terhadap pelatihan dan harga pelatihan. Jika
pelatihan yang dipilih telah sesuai dengan kriteria
yang disebutkan diatas, maka sudah tentu tidak akan
276

ada kekecewaan di kemudian hari, karena pelatihan

yang telah dipilihnya akan memberikan manfaat
dalam proses belajarnya. Untuk itu, diperlukan
sistem
pendukung
keputusan
yang
dapat
memperhitungkan semua kriteria yang dikehendaki
oleh pemakai atau mahasiswa sehingga bisa
menghasilkan suatu beberapa alternatif fisibel yang
bisa dipakai untuk pengambilan keputusan.
Metode yang dipakai dalam pengambilan
keputusan pemilihan jenis pelatihan ini adalah
Analytical Hierarchy Process (AHP) dan Technique
for Order Preference by Similarity to Ideal Solution
(TOPSIS). Kedua metode tersebut merupakan bagian
dari metode Multiple Criteria Decision Making
(MCDM) (Kusumadewi dkk, 2006). Kedua metode
tersebut dipilih karena metode AHP merupakan
suatu bentuk model pendukung keputusan yang
digunakan untuk pengambilan keputusan dengan
kriteria beragam dan dapat digunakan untuk
memecahkan masalah pengambilan keputusan yang
mengandalkan intuisi sebagai input utamanya
(Permadi, 1992). Sedangkan metode TOPSIS
merupakan suatu bentuk metode pendukung
keputusan yang didasarkan pada konsep bahwa
alternatif yang terbaik tidak hanya memiliki jarak

AY

c.

Kemampuan untuk mengelola basis model

dengan fungsi manajemen yang analog dan
manajemen basis data (seperti mekanisme
untuk menyimpan, membuat dialog,
menghubungkan dan mengakses model).
Subsistem Perangkat Lunak Penyelenggara
Dialog
Kemampuan yang harus dimiliki oleh SPK
untuk mendukung dialog pemakai/sistem
meliputi:
1. Kemampuan untuk menangani berbagai
variasi gaya dialog.
2. Kemampuan
untuk
mengakomodasi
tindakan pemakai dengan berbagai
peralatan masukan.
3. Kemampuan untuk menampilkan data
dengan berbagai variasi format dan
peralatan keluaran.
4. Kemampuan untuk memberikan dukungan
yang fleksibel untuk mengetahui basis
pengetahuan pemakai.

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:
a. 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.
b. Comperative judgment
Comperative judgment adalah berarti membuat
suatu penilaian tentang kepentingan relatif

ST

IK

SU

METODE
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).
a. Subsistem Manajemen Basis Data
Kemampuan yang dibutuhkan dari manajemen
basis data antara lain :
1. Kemampuan untuk mengkombinasikan
berbagai variasi data melalui pengambilan
dan ekstraksi data.
2. Kemampuan untuk menambahkan sumber
data secara mudah dan cepat.
3. Kemampuan
untuk
menggambarkan
struktur data logikal sesuai dengan
pengertian pemakai sehingga pemakai
mengetahui apa yang tersedia dan dapat
menentukan kebutuhan penambahan dan
pengurangan.
4. Kemampuan untuk menangani data secara
personil sehingga pemakai dapat mencoba
berbagai alternatif pertimbangan personil.
5. Kemampuan untuk mengelola berbagai
variasi data.
b. Subsistem Manajemen Basis Model
Kemampuan yang dimiliki subsistem basis
model meliputi:
1. Kemampuan untuk menciptakan model
model baru secara cepat dan mudah.
2. Kemampuan untuk mengakses dan
mengintegrasikan modelmodel keputusan.

3.

AB

terpendek dari solusi ideal positif tetapi juga

memiliki jarak terpanjang dari solusi ideal negatif.
Pada sistem pendukung keputusan
pemilihan pelatihan ini, proses pemilihan dilakukan
dengan menggunakan internet atau berbasis web.
Dengan dukungan aplikasi internet maka semua
informasi dapat tersaji secara menyeluruh dan dapat
diakses kapan pun bagi pihak yang membutuhkan.
Adanya sistem pendukung keputusan pemilihan
pelatihan ini diharapkan dapat mempermudah
pengambilan keputusan untuk menentukan pelatihan
yang sesuai dengan minat dan kemampuan
mahasiswa, meliputi jenis pelatihan pemrograman,
jaringan, basis data, dan design.

277

278

AB

AY

d.

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. 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)

4.

SU

ST

IK

c.

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 kondisikondisi 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:
1. Jumlahkan elemen pada kolom yang sama
pada matriks perbandingan yang terbentuk.
Lakukan hal yang sama untuk setiap kolom.
2. 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.
3. Jumlahkan elemen matrik yang baru
tersebut menurut barisnya.

CI

tn
n 1

dan menghitung Consistency Ratio (CR)

CI
RI
dimana : t = eigenvalue, n = ukuran matriks, RI
CR

= Random Index
Untuk mendapatkan nilai t digunakan rumus
berikut:
(A).(wT)

1 n elemenke ipada ( A)( wT )

( elemenke ipadawT )
n i 1

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.
TOPSIS
TOPSIS didasarkan pada konsep dimana
alternatif terpilih yang terbaik tidak hanya memiliki
jarak terpendek dari solusi ideal positif, namun juga

 xij

i 1

y ij ) 2

Di+ = jarak alternatif Ai dengan solusi ideal

positif
= solusi ideal positif[i]

yij

= matriks normalisasi terbobot[i][j]

AY

yi+

Jarak antara alternatif Ai dengan solusi

ideal negatif :
n

(y

ij

yi ) 2

AB

Di- =

j 1

i=1,2,...,m
dimana :

Di= jarak alternatif Ai dengan solusi ideal

negatif
= solusi ideal positif[i]

yij = matriks normalisasi terbobot[i][j]

IK

i 1
dengan i=1,2,...,m; dan j=1,2,...,n
dimana :
rij = matriks ternormalisasi [i][j]
xij = matriks keputusan [i][j]
Solusi ideal positif A+ dan solusi ideal
negatif A- dapat ditentukan berdasarkan rating bobot
ternormalisasi (yij) sebagai :
yij = wi.rij ; dengan i=1,2,...,m; dan
j=1,2,...,n
A+ = (y1+, y2+, ..., yn+);
A- = (y1-, y2-, ..., yn-);
dimana :
yij
= matriks ternormalisasi terbobot [i][j]
wi
= vektor bobot[i]
yj+
= max yij, jika j adalah atribut keuntungan
min yij, jika j adalah atribut biaya
= min yij, jika j adalah atribut keuntungan
yjmax yij, jika j adalah atribut biaya
j = 1,2,...,n

ST

(y

dimana :

SU

rij =

i=1,2,...,m

yi-

xi j
m

Di+

memiliki jarak terpanjang dari solusi ideal negatif

(Kusumadewi, 2006:87). Konsep ini banyak
digunakan pada beberapa model MADM untuk
menyelesaikan masalah keputusan secara praktis.
Hal ini disebabkan konsepnya sederhana dan mudah
dipahami, komputasinya efisien, dan memiliki
kemampuan untuk mengukur kinerja relatif dari
alternatif-alternatif keputusan dalam bentuk
matematis yang sederhana.
Secara umum, prosedur TOPSIS
mengikuti langkah-langkah sebagai berikut:
a. Membuat
matriks
keputusan
yang
ternormalisasi;
b. Membuat
matriks
keputusan
yang
ternormalisasi terbobot;
c. Menentukan matriks solusi ideal positif dan
matriks solusi ideal negatif;
d. Menentukan jarak antara nilai setiap alternatif
dengan matriks solusi ideal positif dan matriks
solusi ideal negatif;
e. Menentukan nilai preferensi untuk setiap
alternatif.
TOPSIS membutuhkan rating kerja setiap
alternatif Ai pada setiap kriteria Cj yang
ternormalisasi

Jarak antara alternatif Ai dengan solusi

ideal positif :

Nilai preferensi untuk setiap alternatif

(Vi) dapat dilihat pada rumus (2.11).
Vi =

Di

Di Di

; i=1,2,...,m

dimana :
= kedekatan tiap alternatif terhadap solusi
Vi
ideal
Di+ = jarak alternatif Ai dengan solusi ideal
positif
Di= jarak alternatif Ai dengan solusi ideal
negatif
Nilai Vi yang lebih besar menunjukkan bahwa
alternatif Ai lebih dipilih.
Perancangan Model
Untuk membangun aplikasi Sistem Pendukung
Keputusan ini digunakan Context Diagram dan ERD
secara conceptual dan physical.
Diagram alir sistem
Aliran sistem adalah bagan yang menunjukkan arus
perhitungan pekerjaan secara menyeluruh dari suatu
sistem yang menjelaskan urutan prosedur-prosedur
yang terdapat di dalam sistem.

279

A
AY
AB
R
SU
M

Gambar 1. Diagram alir sistem

IK

Context Diagram

ST

Mahasiswa

jawaban tes kemampuan

username dan password

password baru
data kriteria
daftar buku tamu data alternatif
berita
daftar alternatif

data soal

Bagian Pelatihan

data berita

matriks alternatif terhadap kriteria

data buku tamu

pertanyaan tes kemampuan

urutan prioritas pelatihan

0
data buku tamu
data berita
data soal
data alternatif
data kriteria

Sistem Pendukung Keputusan

Pemilihan Pelatihan

bobot alternatif terhadap kriteria

pilihan alternatif

data buku tamu

konfirmasi login

Gambar 2. Context Diagram

280

password

Pada Context Diagram tampak aliran data yang bergerak dari sistem ke masing-asing entitas.
[username dan password]

data user login

1
[konfirmasi login]

Verifikasi
username dan
password

data user login

login

[password]
[data kriteria]

[data alternatif]
[data soal]
[data berita]

Bagian Pelatihan

AY

[data buku tamu]

2

data user login

[data buku tamu]

data buku tamu

[data berita]

buku tamu

data buku tamu

[data soal]
Maintenance Data

[data alternatif]
[data kriteria]
[password baru]

data berita
data berita

berita

AB

data kriteria

data soal
data soal

data kriteria

data alternatif
data alternatif

kriteria

alternatif

data alternatif

data kriteria

[daftar alternatif]

tes

[pertanyaan tes kemampuan]

SU

[matriks alternatif terhadap kriteria]

Pemilihan Pelatihan

data soal

[urutan prioritas pelatihan]

Mahasiswa

[jawaban tes kemampuan]

[bobot alternatif terhadap kriteria]

IK

[berita]

[data buku tamu]

ST

[daftar buku tamu]

[pilihan alternatif]

Tampil Berita
data berita

5
Catat dan Tampil
Buku Tamu

data buku tamu

data buku tamu

Gambar 3. DFD Level 0

Dari pembuatan context diagram maka dapat

dilakukan proses break down yang biasa disebut

sebagai Data Flow Diagram (DFD) level 0 untuk

mengetahui proses secara keseluruhan.

281

Entity Relationship Diagram (ERD)

kriteria
kodekriteria
namakriteria
bobot

pembobotan

alternatif
kodealternatif
namaalternatif
Harga

login
username
pas s w ord

memasukkan

terdiri dari

KRITERIA
KODEKRITERIA
integer
USERNA ME
v arc har(20)
NAMAKRITERIA
v arc har(20)
BOBOT
integer

USERNAME = USERNAME

AB

Gambar 4. Conceptual Data Model (CDM)

AY

tes
kodesoal
materi
s oal
pilihanA
pilihanB
pilihanC
pilihanD
jaw aban

A LTERNATIF
KODEA LTERNA TIF
integer
NAMAA LTERNA TIF
v arc har(20)
HARGA
v arc har(25)

SU

LOGIN
USERNA ME
v arc har(20)
PASSWORD
v arc har(20)

TES

integer
v arc har(20)
integer
v arc har(20)
v arc har(500)
v arc har(500)
v arc har(500)
v arc har(500)
v arc har(500)
v arc har(1)

USERNAME = USERNAME

KODESOAL
USERNA ME
KODEA LTERNA TIF
MATERI
SOA L
PILIHANA
PILIHANB
PILIHANC
PILIHAND
JAWABA N

KODEALTERNATIF = KODEALTERNATIF

Gambar 5. Physical Data Model (PDM)

kepentingan antar alternative untuk kemudian
diproses dengan perhitungan metode AHP.

ST

IK

HASIL DAN PEMBAHASAN

Fitur ini diawali dengan pemilihan
alternatif untuk kemudian diberikan nilai bobot

282

Gambar 6. Halaman pilih alternatif

Gambar 7. Halaman input bobot

AB

Selanjutnya mengisi tes kemampuan berdasarkan

alternatif yang dipilih.

AY

SIMPULAN
Berdasarkan hasil uji coba dan analisa
yang telah dilakukan dalam pembuatan aplikasi
Sistem Pendukung Keputusan Pemilihan Pelatihan
Dengan Metode AHP dan TOPSIS Berbasis Web,
dapat disimpulkan bahwa paper ini telah sesuai
dengan tujuan. Dengan beberapa simpulan:
a. Aplikasi pengambilan keputusan ini dapat
membantu mahasiswa dalam memilih jenis
pelatihan yang sesuai dengan kriteria yang
berpengaruh yaitu minat, kemampuan, dan
harga pelatihan.
b. Hasil pelatihan yang sesuai juga sangat
dipengaruhi oleh pengambil keputusan
(administrator) dalam menentukan besar nilai
beban tiap kriteria.
c. Dari hasil uji coba didapatkan rekomendasi
pelatihan dengan prioritas pertama adalah
Pemrograman (dengan prioritas sebesar
60.39%), prioritas kedua adalah Basis Data
(dengan prioritas sebesar 20%), dan prioritas
terakhir adalah Design (dengan prioritas
sebesar 19.61%).

SU

DAFTAR RUJUKAN
Hasan, I., 2002, Pokok Pokok Materi Teori
Pengambilan
Keputusan,
Ghalia
Indonesia, Jakarta.
Jogiyanto, Hartono, 1999, Analisis & Disain
Sistem Informasi : Pendekatan terstruktur
teori dan praktek aplikasi bisnis, ANDI,
Yogyakarta.
Kadir, A., 2003, Pemrograman Web Mencakup
HTML,
CSS,
JavaScript,
ANDI,
Yogyakarta.
Kusumadewi, Sri dkk., 2006, Fuzzy MultiAttribute
Decision
Making
(Fuzzy
MADM), Graha Ilmu, Yogyakarta.
Mulyono, S., 1996, Teori Pengambilan
Keputusan, Fakultas Ekonomi Universitas
Indonesia, Jakarta.
Permadi, B., 1992, AHP, Pusat Antar
Universitas Studi Ekonomi Universitas
Indonesia, Jakarta.
Rizky, Soetam, 2007, Pemrograman Web,
Stikom, Surabaya.
Sutanta, E., 2004, Sistem Basis Data, Graha
Ilmu, Yogyakarta.

Gambar 8. Halaman tes kemampuan

ST

IK

Selanjutnya dilakukan perhitungan TOPSIS

sehingga menghasilkan urutan prioritas pelatihan
yang disarankan.

Gambar 9. Halaman urutan prioritas

283