Pendekatan Sistem

Proses pemecahan masalah secara sistematis bermula dari John Dewey, seorang profesor filosofi di Columbia University pada awal abad ini. Dalam bukunya tahun 1910, ia mengidentifikasi tiga seri penilaian yang terlibat dalam memecahkan masalah suatu kontroversi secara memadai yaitu:

1. Mengenali kontroversi
2. Menimbang klaim alternatif
3. Membentuk penilaian

Kerangka kerja yang dianjurkan untuk penggunaan komputer dikenal sebagai pendekatan sistem . Serangkaian langkah-langkah pemecahan masalah yang memastikan bahwa masalah itu pertama-tama dipahami, solusi alternative dipertimbangkan, dan solusi yang dipilih bekerja.

Struktur Masalah dalam Sistem Penunjang Keputusan / DSS :

Masalah terstruktur terdiri dari elemen-elemen dan hubungan-hubungan antar elemen yang semuanya dipahami oleh pemecah masalah. Masalah tak terstruktur berisikan elemen-elemen atau hubungan-hubungan antar elemen yang tidak dipahami oleh pemecah masalah. Sebenarnya dalam suatu organisasi sangat sedikit permasalahan yang sepenuhnya terstruktur atau sepenuhnya tidak terstruktur. Sebagaian besar masalah adalah masalah semi-terstruktur, yaitu manajer memiliki pemahaman yang kurang sempurna mengenai elemen-elemen dan hubungannya. Masalah semi-terstruktur adalah masalah yang berisi sebagian elemen-elemen atau hubungan yang dimengerti oleh pemecah masalah

Sekilas Tentang Sistem Penunjang Keputusan / DSS :

Sistem Penunjang Keputusan adalah Sistem Komputer yang interaktif yang membantu pembuatan keputusan dalam menggunakan dan memanfaatkan data dan model untuk memecahkan masalah yang tidak terstruktur.

Sistem Penunjang Keputusan / DSS Bertujuan Untuk :

• Memberikan dukungan untuk pembuatan keputusan pada masalah yang semi/tidak terstruktur.

• Memberikan dukungan pembuatan keputusan kepada manajer pada semua tingkat dengan membantu integrasi antar tingkat.

• Meningkatkan efektifitas manajer dalam pembuatan keputusan dan bukan peningkatan efisiennya.

Karakteristik SPK :

1. Adaptability
2. Flexibility
3. User friendly
4. Support Intelligence, design, choice
5. Effectiveness

Manfaat SPK :

• Meningkatkan jumlah alternatif yang dipilih
• Pemahaman yang lebih baik tentang bisnis
• Respon yang cepat terhadap situasi yang tidak diharapkan.
• Kontrol yang lebih baik

Artikel Rancang Bangun Sistem Pendukung Keputusan Kelompok untuk
Amnesis, Diagnosis dan Terapi Gangguan Jiwa

Pendahuluan

Di Indonesia, kesehatan jiwa menjadi bagian yang sangat diperhatikan oleh pemerintah. Kesehatan jiwa adalah suatu kondisi mental yang sejahtera yang memungkinkan hidup harmonis dan produktif sebagai bagian yang utuh dari kualitas hidup seseorang, dengan memperhatikan semua segi kehidupan manusia. Sedangkan gangguan jiwa (mental disorder) adalah suatu perubahan pada fungsi jiwa yang menyebabkan adanya gangguan pada fungsi jiwa,yang menimbulkan penderitaan pada individu dan atau hambatan dalam melaksanakan peran sosialnya (Menkes, 2002)

Tujuan

Penelitian ini bertujuan untuk membagun suatu sistem berbasis web yang berfungsi sebagai linical Group Decision Support System (CGDSS) untuk diagnosis gangguan jiwa nonpsitotis. Proses diagnosis didasarkan pada basis pengetahuan yang dibentuk berdasarkan kompromi dari para pengambil keputusan (psikiater atau psikolog klinis) melalui konsep fuzzy multi attribute decision making (FMADM).

Analisis kebutuhan sistem

Pada analisis kebutuhan sistem akan dibahas beberapa kebutuhan dan atau persyaratan terkait dengan input, proses, output, dan antarmuka sistem yang akan dibangun. kebutuhan(persyaratan) ini diperoleh berdasarkan hasil wawancara dengan para psikiater, psikolog (baik klinis maupun non klinis), dan dokter di bidang farmakologi. Berdasarkan hasil wawancara,kebutuhan Group Support System (GSS), dan Clinical Decision Support System(CDSS) (Turban, 2005), diperoleh hasil analisis kebutuhan sistem berikut.

Kebutuhan input

Sistem yang akan dibangun membutuhkan beberapa data input, antara lain:

• Data pengguna sistem, seperti: username, password, nama lengkap, jenis kelamin, pekerjaan, alamat, tempat dan tanggal lahir, nomor telpon atau HP, alamat email, institusi, alamat institusi.
• Data gangguan jiwa, seperti: kode gangguan dan nama gangguan.
• Data gejala gangguan jiwa, seperti: kode gejala dan nama gejala.
• Data hubungan gejala dan gangguan jiwa.
• Preferensi dengan format ordered vector, utility vector, selected subset, atau fuzzy selected
• subset yang akan digunakan untuk membentuk basis pengetahuan berdasarkan
• FMADM(Kusumadewi, dkk., 2007).
• Data farmakoterapi, seperti: nama golongan obat, nama generik obat, nama dagang obat, perusahaan yang memproduksi obat, kemasan, sediaan, dosis, indikasi, efek samping, satuan sediaan, satuan dosis, hubungan antara jenis gangguan dan golongan obat, hubungan antara kondisi medik dengan golongan obat.
• Data psikoterapi, seperti: jenis psikoterapi dan hubungan antara jenis gangguan dan jenis
• psikoterapi.
• Data psikososial dan medik umum, seperti: jenis masalah psikososial, kode medik dan nama medik seperti yang diberikan oleh ICD-10.
• Data pendukung inferensi, seperti: metode inferensi (SAW atau TOPSIS), dan nilai threshold.
• Data pasien, seperti: kode pasien, nama pasien, jenis kelamin, alamat dan pekerjaan.
• Data rekam medik pasien, seperti: nomor periksa, kode pasien, tanggal periksa, umur, kondisi tekanan darah, kondisi jantung, hati, ginjal, lambung, ketergantungan obat, minum minuman beralkohol, merokok, hamil, menyusui.
• Data konferensi, seperti: pokok bahasan, tanggal dan jam pelaksanaan, ruang, kata kunci ruang, inisiator, notulis, notulen, akses konferensi.
• Data forum, seperti: golongan forum, nama forum, tema, pengirim, tanggal kirim, komentar forum, pengirim komentar, tanggal kirim komentar.
• Data polling, seperti: judul polling, isi polling, pengirim, pilihan jawaban, tanggal dan jam kirim, tanggal dan jam kadaluarsa, jawaban polling, pemberi jawaban.
• Data berita dan informasi, seperti: judul berita, deskripsi, berita lengkap, pengirim, tanggal kirim, alamat URL.

Kebutuhan proses
Beberapa proses dibutuhkan untuk mengolah data input menjadi output yang berupa

informasi yang diharapkan. Beberapa proses tersebut antara lain.

• Proses manajemen pengetahuan, yang meliputi: manipulasi data gangguan, gejala, hubungan gejala & gangguan pada aturan PPDGJ, hubungan gejala & gangguan pada CGDSS, manipulasi data preferensi, akuisisi pengetahuan, manipulasi data farmakoterapi, manipulasi data psikoterapi, manipulasi data medik, manipulasi data pekerjaan, dan manipulasi data PPDGJ III.
• Proses manajemen inferensi, yang meliputi: ubah atribut pengambil keputusan menampilkan statistik preferensi, uji sensitivitas, mengubah metode inferensi, dan mengubah nilai threshold.
• Proses manajemen data pasien, yang meliputi: input, ubah, hapus dan menampilkan informasi data pasien.
• Proses anamnesis, diagnosis dan terapi, yang meliputi: registrasi pasien, manipulasi data pasien pada aksis I, II, III, IV dan V, proses farmakoterasi & psikoterapi pasien, cetak hasil anamnesis, diagnosis & terapi.
• Proses manajemen pengguna, yang meliputi: input, ubah, hapus dan menampilkan informasi data pengguna.
• Proses manajemen informasi, yang meliputi: manajemen data berita, link informasi, forum, dan polling.
• Proses manajemen konferensi, yang meliputi: manajemen agenda konferensi dan konferensi online.
• Proses display informasi umum, yang meliputi: isi & menampilkan buku tamu, pendaftaran.
• Proses login untuk masuk ke sistem sesuai dengan level aksesnya.

Kebutuhan output
Output yang diharapkan berupa informasi terkait beberapa hal, antara lain.

• Informasi jenis gangguan.
• Informasi gejala gangguan jiwa.
• Informasi aturan menggunakan PPDGJ III.
• Informasi kondisi dalam aturan CGDSS.
• Informasi preferensi dengan format ordered vector, utility vector, selected subset, dan fuzzy selected subset.
• Informasi farmakoterapi.
• Informasi psikoterapi.
• Informasi hasil anamnesis terhadap pasien.
• informasi hasil diagnosis terhadap pasien.
• Informasi hasil terapi terhadap pasien.
• Laporan rekam medik yang berisi hasil anamnesis, diagnosis, dan terapi

Kebutuhan perangkat lunak dan perangkat keras

Sistem yang akan dibangun dapat bekerja dengan optimal apabila dioperasikan dengan menggunakan perangkat keras dan perangkat lunak dengan spesifikasi minimal berikut.
a) Perangkat lunak (software), untuk server:

1. Sistem Operasi Linux atau UNIX.
2. Apache web server (minimal versi 2.0.53.0).
3. Bahasa pemrograman web, PHP (minimal versi 5.0.4.4).
4. Administrator basisdata, phpMyAdmin (minimal versi 2.6.1).
5. Basisdata, MySQL

b) Perangkat lunak (software), untuk workstation:

1. Sistem Operasi Windows X (Windows XP, Vista, dll), Linux.
2. Web browser, seperti: internet explorer (tampilan terbaik minimal versi 6) atau Mozila Firefox.

c) Perangkat keras (hardware), untuk server:

1. Seperangkat komputer server.
2. Jaringan internet.
3. GSM modem
4. Sarana komunikasi data antara GSM modem dan komputer.

d) Perangkat keras (hardware), untuk workstation:

1. Seperangkat komputer dengan spesifikasi: prosesor pentium IV, RAM 512 MB, hardisk dengan sisa memori 250 MB.
2. Jaringan internet.

Kebutuhan antarmuka
Sistem dibangun berbasis web, dengan 2 model antarmuka yang digunakan yaitu model dialog dan model pengisian formulir. Model menu berbentuk pohon hirarki yang bertujuan untuk menyeleksi sejumlah pilihan dari setiap menu yang jumlahnya relatif sedikit (Downtown, 1992: 82). Model pengisian formulir bertujuan untuk mengisi data-data (yang biasanya akan disimpan dalam basisdata) melalui formulir yang tervisualisasi (Downtown, 1992: 87). Kedua model ini dipilih dengan alasan bahwa:

• Kedua model relatif mudah digunakan dan sudah familiar dengan para pengguna.
• Model menu digunakan, karena pada sistem yang dibuat terdiri-dari sejumlah proses yang masing-masing memiliki cukup banyak subproses.
• Model pengisian formulir digunakan, karena sistem yang dibangun terdiri-dari beberapa proses yang membutuhkan input data dari pengguna. Pada model pengisian formulir, beberapa objek digunakan baik sebagai media pengisian seperti textbox dan objek untuk pilihan seperti checkbox, radiobutton, atau combobox.

Perancangan sistem

Pada proses perancangan, diawali dengan membuat diagram konteks sistem. Kemudian dilanjutkan dengan membuat Diagram Arus Data (DAD). Untuk setiap proses yang terdapat pada suatu DAD akan diderinci lagi ke bentuk DAD level berikutnya apabila diperlukan. Semua pengambil keputusan dapat berpartisipasi dalam:

• Melakukan manipulasi (input, ubah, hapus) data gangguan maupun gejala.
• Membentuk kondisi (anteseden) kejiwaan yang berisi kumpulan gejala.
• Memberikan preferensi terhadap kondisi tersebut.
• Melakukan akuisisi pengetahuan.
• Membentuk aturan terkait penetapan farmakoterapi dan psikoterapi

 

Perbedaaan antara pengambil keputusan level-1 dan level-2 hanya terletak pada kebolehannya dalam mengatur atau membuat perubahan terkait dengan aktivitas inferensi. Pengambil keputusan level-2 memiliki akses untuk:

• Mengubah level setiap pengguna menjadi level-0 (pengguna biasa), level-1 (pengambil keputusan level-1) atau level-2 (pengambil keputusan level-2).
• Mengubah bobot preferensi setiap pengambil keputusan.
• Mengaktifkan atau menonaktifkan pengguna di setiap level.
• Mengubah metode inferensi (dari SAW ke TOPSIS atau sebaliknya).
• Mengubah batas-batas atribut, seperti: nilai threshold untuk penetapan gangguan jiwa;batasan usia dan tekanan darah untuk keperluan penetapan farmakoterapi

Perancangan Basis Data

Sistem basisdata yang dibangun terdiri-atas 47 tabel, antara lain: tabel Login, Gangguan, Gejala, Gangguan_Umum, GejalaGangguan, Konsekuen_PPDGJ, Standar, Anteseden, P_Ordered, P_Utility, P_SelectedSubset, P_FuzzySelectedSubset, Matriks, MADM, KlasObat, GolObat, Generik, BrandObat, PerusahaanObat, Kemasan, Satuan, HubObat, AturanObat, Psikoterapi, HubTerapi, Pasien, Periksa, Diagnosis, Medik, Psikososial, GangguanPasien, MedikPasien, PsikososialPasien, ObatPasien, TerapiPasien, GolForum, Forum, KomentarForum, Polling, JawabPolling, Konferensi, Informasi, Berita, PPDGJ3, Pekerjaan, Kota, dan BukuTamu

Gambar Relasi antar tabel untuk kelompok tabel preferensi.

Gambar Relasi antar tabel untuk kelompok tabel matriks keputusan.

Hasil dari Sistem Tersebut

Menu utama untuk sistem.

Pengujian

Pengujian dilakukan dalam 2 bentuk. Pertama, pengujian terhadap validitas sistem (disebut: CGDSS) apabila dibandingkan dengan gold standard (PPDGJ III). Kedua, pengujian terhadap kinerja sistem berdasarkan evaluasi yang diberikan oleh para pengguna (psikiater, psikolog, atau pengguna lain yang berkepentingan).Proses pengujian validitas CGDSS terhadap PPDGJ III dilakukan pada ke-30 gangguan yang menjadi sample dalam penelitian. Proses pengujian dilakukan dengan cara memberikan beberapa gejala yang relevan dengan jenis gangguan tertentu sesuai dengan kriteria diagnosis PPDGJ III seperti yang telah dibahas pada Bab III. Selanjutnya sistem akan mendiagnosis gejala-gejala tersebut untuk mendapatkan jenis gangguan jiwa yang direkomendasikan. Sebagai contoh diberikan gejala-gejala seperti terlihat pada Tabel 1. Berdasarkan PPDGJ III jenis gangguan yang relevan dengan kondisi tersebut adalah episode depresif (F32.0).

Tabel Gejala-gejala pada pengujian-1.

menunjukkan sebanyak 280 hasil diagnosis dengan CGDSS sesuai dengan gold standard (PPDGJ III) dan 21 hasis diagnosis dengan CGDSS tidak sesuai dengan PPDGJ III. Sehingga dapat dikatakan bahwa 93% hasil diagnosis sesuai dengan gold standard.

Pengujian sistem juga dilakukan dengan cara memberi kesempatan kepada para pengguna (psikiater, psikolog, dan dokter di bidang farmakologi) untuk mengevaluasi kinerja sistem. Evaluasi dilakukan pada setiap sub sistem (manajemen pengetahuan, inferensi, terapi, informasi, pengguna, dan konferensi). Penilaian dilakukan dengan skor 1 = sangat buruk, 2 = buruk, 3 = cukup, 4 = baik, dan 5 = sangat baik. Hasil evaluasi untuk setiap sub sistem terlihat pada Tabel 2. Nilai rata-rata untuk semua sub sistem adalah 4,321. Berdasarkan hasil tersebut dapat disimpulkan bahwa para pengguna memberikan nilai BAIK untuk CGDSS yang telah dibangun.

Tabel 2. Hasil pengujian setiab subsistem

Kesimpulan
Berdasarkan hasil penelitian dan pembahasan, akhirnya dapat disimpulkan bahwa:

• Sistem yang dibangun telah memiliki basis pengetahuan yang cukup lengkap untuk melakukan diagnosis gangguan jiwa non-psikotis.
• Sistem yang telah dibangun memberikan kemudahan bagi para psikiater dan psikolog klinis untuk melakukan anamnesis, diagnosis dan terapi bagi para pasien.sumber: http://davekoboy.wordpress.com/artikel-spk/http://davekoboy.wordpress.com/artikel-spk/

Contoh Kasus dan penerapan metode SAW (Simple Additive Weighting)

Contoh Kasus :
Seorang perusahaan akan melakukan rekrutmen kerja terhadap 5 calon pekerja untuk posisi operator mesin. Posisi yang saat ini luang hanya ada 2 posisi. Nah dengan metode SAW kita diharuskan menentukan calon pekerja tersebut.
Sebelum kita dibingungkan oleh itungan matematika kita tentukan dulu mana yang menjadi kriteria benefit dan kriteria cost
Kriteria benefit-nya adalah
-      Pengalaman kerja (saya simbolkan C1)
-      Pendidikan (C2)
-      Usia (C3)
Sedangkan kriteria cost-nya adalah
-      Status perkawinan (C4)
-      Alamat (C5)
Kriteria dan Pembobotan
Teknik pembobotan pada criteria dapat dilakukan dengan beragai macam cara dan metode yang abash. Pase ini dikenal dengan istilah pra-proses. Namun bisa juga dengan cara secara sederhana dengan memberikan nilai pada masing-masing secara langsung berdasarkan persentasi nilai bobotnya. Se dangkan untuk yang lebih lebih baik bisa digunakan fuzzy logic. Penggunaan Fuzzy logic, sangat dianjurkan bila kritieria yang dipilih mempunyai sifat yang relative, misal Umur, Panas, Tinggi, Baik atau sifat lainnya.
Di tahap ini kita mengisi bobot nilai dari suatu alternatif dengan kriteria yang telah dijabarkan tadi. Perlu diketahui nilai maksimal dari pembobotan ini adalah ‘1’

Calon Pegawai	kriteria
	C1	C2	C3	C4	C5
A1	0,5	1	0,7	0,7	0,8
A2	0,8	0,7	1	0,5	1
A3	1	0,3	0,4	0,7	1
A4	0,2	1	0,5	0,9	0,7
A5	1	0,7	0,4	0,7	1

Pembobotan (w)
Pembobotan ini ialah pembobotan tiap-tiap kriteria. Berdasarkan pemahaman saya pembobotan ini ialah pembobotan atas suatu kriteria. Jadi jika kita memilih istri maka berdasarkan agama dan wajah maka kita harus mengutamakan agama maka agama kita beri bobot lebih tinggi daripada wajah. 

Kriteria	Bobot
C1	0,3
C2	0,2
C3	0,2
C4	0,15
C5	0,15
Total	1

Tabel pertama (pembobotan alternatif terhadap kriteria) kita ubah kedalam bentuk matriks. Nah dibawah ini penampakannya.

0,5	1	0,7	0,7	0,8
0,8	0,7	1	0,5	1
1	0,3	0,4	0,7	1
0,2	1	0,5	0,9	0,7
1	0,7	0,4	0,7	1

Sampai tahap ini saya sarankan anda mulai membaca doa agar tidak kebingungan nantinya hehehehe
Pertama kita ingat-ingat kembali kriteria benefitnya yaitu (C1, C2 dan C3). Untuk normalisai nilai, jika faktor kriteria benefit digunakanan rumusan
R_ii = ( X_ij / max{X_ij})
Dari kolom C1 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C1 dibagi oleh nilai maksimal kolom C1
R11 = 0,5 / 1 = 0,5
R21 = 0,8 / 1 = 0,8
R31 = 1 / 1 = 1
R41 = 0,2 / 1 = 0,2
R51 = 1 / 1 = 1
Dari kolom C2 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C2 dibagi oleh nilai maksimal kolom C2
R12 = 1 / 1 = 1
R22 = 0,7/ 1 = 0,7
R32 = 0,3 / 1 = 0,3
R42 = 1 / 1 = 1
R52 = 0,7 / 1 = 0,7
Dari kolom C3 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C3 dibagi oleh nilai maksimal kolom C3
R13 = 0,7 / 1 = 0,7
R23 = 1/ 1 = 1
R33 = 0,4 / 1 = 0,4
R43 = 0,5 / 1 = 0,5
R53 = 0,4 / 1 = 0,4
Nah sekarang ingat-ingat kembali kriteria costnya yaitu (C4 dan C5). Untuk normalisai nilai, jika faktor kriteria cost digunakanan rumusan
R_ii = (min{X_ij} /X_ij)
Dari kolom C4 nilai minimalnya adalah ‘0,5’ , maka tiap baris dari kolom C5 menjadi penyebut  dari  nilai maksimal kolom C5
R14 = 0,5/ 0,7 = 0,714
R24 = 0,5 / 0,5 = 1
R34 = 0,5 / 0,7 = 0,714
R44 = 0,5 / 0,9 = 0,556
R54 = 0,5 / 0,7  = 0,714
Dari kolom C5 nilai minimalnya adalah ‘0,7’ , maka tiap baris dari kolom C5 menyadi penyebut dari nilai maksimal kolom C5
R15= 0,7/ 0,8 = 0,875
R25 = 0,7 / 1= 0,7
R35 = 0,7 / 1= 0,7
R45 = 0,7 / 0,7 = 1
R55= 0,7/ 1= 0,7
Masukan semua hasil penghitungan tersebut kedalam tabel yang kali ini disebut tabel faktor ternormalisasi

0,5	1	0,7	0,714	0,875
0,8	0,7	1	1	0,7
1	0,3	0,4	0,714	0,7
0,2	1	0,5	0,556	1
1	0,7	0,4	0,714	0,7

Setelah mendapat tabel seperti itu barulah kita mengalikan setiap kolom di tabel tersebut dengan bbot kriteria yang telah kita deklarasikan sebelumnya. Yah kalo di internet-internet sih rumusnya kayak gini.

Nah tambah bingung atau tambah jelas sodara-sodara kalo masih bingung liat aja itung itungan ane dibawah ini.
A1 =  (0,5 * 0,3) + (1 * 0,2) + (0,7 * 0,2 ) + (0, 714 * 0,15) + (0, 875 * 0,15)
A1 = 0,72835
A2 =  (0,8  * 0,3) + (0,7 * 0,2) + (  1* 0,2 ) + ( 1 * 0,15) + (0,7 * 0,15)
A2 =  0,835
A3 =  (1  * 0,3) + ( 0,3* 0,2) + ( 0,4 * 0,2 ) + (0,714 * 0,15) + (0,7 * 0,15)
A3 = 0,6521
A4 =  (0,2  * 0,3) + ( 1 * 0,2) + (  0,5* 0,2 ) + (0,556 * 0,15) + ( 1* 0,15)
A4 =  0,5934
A5 =  ( 1 * 0,3) + ( 0,7 * 0,2) + (0,4 * 0,2 ) + (0,714  * 0,15) + ( 0,7 * 0,15)
A5 =  0,7321
Nah dari perbandingan nilai akhir maka didapatkan nilai sebagai berikut.
A1 =  0,72835
A2 =  0,835
A3 =  0,6521
A4 =  0,5934
A5 = 0,7321
Maka alternatif yang memiliki nilai tertinggi dan bisa dipilih adalah alternatif A2 dengan nilai 0,835 dan alternatif A5 dengan nilai 0,7321.
sumber: http://dikutandi.wordpress.com/2014/02/10/contoh-kasus-dan-penerapan-metode-saw-simple-additive-weighting/http://dikutandi.wordpress.com/2014/02/10/contoh-kasus-dan-penerapan-metode-saw-simple-additive-weighting/

Metode TOPSIS dalam Sistem Pendukung Keputusan (SPK)

Metode TOPSIS

Metode  TOPSIS  adalah  salah  satu  metode  pengambilan  keputusan multikriteria yang pertama kali diperkenalkan oleh Yoon dan Hwang  pada tahun 1981.  Metode  ini  merupakan  salah  satu  metode  yang  banyak  digunakan  untuk menyelesaikan pengambilan  keputusan  secara  praktis.  TOPSIS  memiliki  konsep dimana alternatif  yang terpilih merupakan alternatif terbaik  yang memiliki jarak terpendek dari solusi ideal positif dan jarak terjauh dari solusi ideal negatif [4]. Semakin  banyaknya  faktor  yang  harus  dipertimbangkan  dalam  proses pengambilan  keputusan,  maka  semakin  relatif  sulit  juga  untuk  mengambil
keputusan  terhadap  suatu  permasalahan.  Apalagi  jika  upaya  pengambilan keputusan  dari  suatu  permasalahan  tertentu,  selain  mempertimbangkan  berbagai faktor/kriteria  yang  beragam,  juga  melibatkan  beberapa  orang  pengambil keputusan.  Permasalahan  yang  demikian  dikenal  dengan  permasalahan  multiple criteria decision making  (MCDM).  Dengan kata lain, MCDM juga dapat disebut sebagai  suatu  pengambilan  keputusan  untuk  memilih  alternatif  terbaik  dari sejumlah  alternatif  berdasarkan  beberapa  kriteria  tertentu.  Metode  TOPSISdigunakan  sebagai  suatu  upaya  untuk  menyelesaikan  permasalahan  multiple criteria  decision  making.  Hal  ini  disebabkan  konsepnya  sederhana  dan  mudah dipahami, komputasinya  efisien  dan  memiliki  kemampuan  untuk  mengukur kinerja relatif dari alternatif-alternatif keputusan.

Langkah-langkah Metode TOPSIS

Langkah-langkah yang dilakukan dalam menyelesaikan suatu permasalahan menggunakan metode TOPSIS adalah sebagai berikut [4]:

1. Menggambarkan  alternatif  (m)  dan  kriteria  (n)  ke  dalam  sebuah  matriks, dimana  Xij adalah  pengukuran  pilihan  dari  alternatif  ke-i  dan  kriteria  ke-j.Matriks ini dapat dilihat pada persamaan satu.
    
2. Membuat matriks R yaitu matriks keputusan ternormalisasi Setiap  normalisasi  dari  nilai  rij dapat  dilakukan  dengan  perhitungan menggunakan persamaan dua.
   
3. Membuat pembobotan pada matriks yang telah dinormalisasi Setelah dinormalisasi, setiap kolom pada matriks R dikalikan dengan bobotbobot (wj) untuk menghasilkan matriks pada persamaan tiga.
   http://nerims.wordpress.com/2014/03/20/metode-topsis-dalam-sistem-pendukung-keputusan-spk/
4. Menentukan nilai solusi ideal positif dan solusi ideal negatif. Solusi ideal dinotasikan A+, sedangkan solusi ideal negatif dinotasikan A-. Persamaan untuk menentukan solusi ideal dapat dilihat pada persamaan empat.
   
5. Menghitung separation measure. Separation measure ini merupakan
   pengukuran jarak dari suatu alternatif ke solusi ideal positif dan solusi ideal
   negatif.
   -  Perhitungan solusi ideal positif dapat dilihat pada persamaan lima :
   
   -  Perhitungan solusi ideal negatif dapat dilihat pada persamaan enam :
6. Menghitung  nilai  preferensi  untuk  setiap  alternatif.Untuk  menentukan ranking tiap-tiap alternatif yang ada maka perlu dihitung terlebih dahulu nilai preferensi  dari  tiap  alternatif. Perhitungan  nilai  preferensi  dapat  dilihat melalui persamaan tujuh.
   Setelah  didapat  nilai  Ci+,  maka  alternatif  dapat  diranking  berdasarkan urutan  Ci+.  Dari  hasil  perankingan  ini  dapat  dilihat  alternatif  terbaik  yaitu alternatif yang memiliki jarak terpendek dari solusi ideal dan berjarak terjauh dari solusi ideal negatif.

Quis Online Topsis

QUIZ : Sistem Pendukung Keputusan

Sebuah PTS di Kota Medan, akan memberikan beasiswa kepada 5 orang mahasiswanya. Adapun syarat pemberian beasiswa tersebut, yaitu harus memenuhi ketentuan berikut ini :

Syarat :
C1: Semester Aktif Perkuliahan (Attribut Keuntungan)
C2: IPK  (Attribut Keuntungan)
C3: Penghasilan Orang Tua  (Attribut Biaya)
C4: Aktif Berorganisasi (Attribut Keuntungan)

Untuk bobot W=[3,4,5,4]

Adapun mahasiswa yang menjadi alternatif dalam pemberian beasiswa yaitu :

No	Nama	C1	C2	C3	C4
1	Joko	VI	3.7	1.850.000	Aktif
2	Widodo	VI	3.5	1.500.000	Aktif
3	Simamora	VII	3.8	1.350.000	Tidak Aktif
4	Susilawati	II	3.9	1.650.000	Tidak Aktif
5	Dian	IV	3.6	2.300.000	Aktif
6	Roma	IV	3.3	2.250.000	Aktif
7	Hendro	VI	3.4	1.950.000	Aktif

Untuk pembobotan yang digunakan bisa mengacu pada bobot di bawah ini :
C1:Semester Aktif Perkuliahan
Semester II --> 1
Semester IV --> 2
Semester VI -->  3
Semester VIII -->  4

C2: IPK
IPK  3.00 - 3.249 --> 1
IPK  3.25 - 3.499 --> 2
IPK  3.50 - 3.749 --> 3
IPK  3.75 - 3.999 --> 4
IPK  4.00 --> 5
 
C3: Penghasilan Orang Tua 
1.000.000 --> 1
1.400.000 --> 2
1.800.000 --> 3
2.200.000 --> 4
2.600.000 --> 5

C4: Aktif Berorganisasi
Aktif --> 2
Tidak Aktif --> 1

jawaban quis online