1). Perbedaan Management Information System (MIS) vs Decision Support System (DSS) vs Executive Information System (EIS) dan group Support System (GSS) dan berikan 2 contoh
1. Management Information System (MIS)
MIS adalah suatu aplikasi Sistem Informasi yang menyediakan laporan informasi terpadu bagi pihak manajemen. MIS dihasilkan dari beberapa database yang menyimpan data dari benyak sumber, termasuk didalamanya Transaction Processing System. MIS menyajikan informasi yang detail, rangkuman informasi dan informasi terpilih. MIS merupakan salah satu elemen manajemen yang dirasa penting oleh banyak perusahaan oleh karena itu pengembangan MIS akan terus dapat berlanjut.
Pengguna Management Information System (MIS)
- Survey
- Percobaan Laboratorium
- Studi Kasus
- Model Matematis
- Conseptual Models
- Spekulasi
- Sastra Analisis
- Field Study
- Wawancara
- Penelitian Perpustakaan
Contoh Management Information System adalah:
a. Budget forecasting and analysis
b. Financial reporting
c. Inventory reporting
d. Material requirement planning
2. Sistem Pendukung Keputusan (Decision Support System atau DSS)
DSS adalah interaktif berbasis komputer sistem dan subsistem dimaksudkan untuk membantu pengambil keputusan menggunakan teknologi komunikasi, data, dokumen, pengetahuan atau model proses keputusan untuk menyelesaikan tugas.Tujuan digunakannya system ini adalah sebagai bahan pertimbangan sebelum seorang manajer memutuskan kebijakan tertentu.
Pengguna Decision Support Systems (DSS)
- Retrive information element (memanggil eleman informasi)
- Analyze entries fles (menganali semua file)
- Prepare reports form multiple files (laporan standart dari beberapa files)
- Estimate decisions qonsquences (meramalkan akibat dari keputusan)
- Propose decision (menawarkan keputusan )
- Make decisions (membuat keputusan)
Contoh:
Pada level taktis ini pengumpulan data semua data-data dari level operasional dan di olah dalam bentuk pengendalian manajemen sedetil-detilnya, yang pelaporan data-data tersebut, yang informasi datanya akan di laporkan kepada level strategi untuk pengambilan keputusan. dan tugasnya mengawasi beberapa unit kerja dan menerapkan rencana sesuai dengan tujuan dan tingkatan yang lebih tinggi. Tingkat ini di duduki oleh Manager-manager cabang dari tiap-tiap fungsi dari level operasional
3. Sistem Informasi Eksekutif (Executive Information System atau EIS)
Sistem Informasi eksekutif (EIS) adalah satu jenis dari manajemen informasi sistem dimaksud untuk memudahkan dan mendukung keterangan dan pembuatan keputusan kebutuhan dari eksekutif senior dengan menyediakan kemudahan akses terhadap keduanya internal dan eksternal keterangan relevan untuk bertemu gol strategis dari perusahaan. Ini biasanya dipertimbangkan sebagai satu bentuk di khususkan dari satu sistem mendukung keputusan (DSS).atau Sistem Informasi Eksekutif (EIS) di atas adalah jenis sistem informasi manajemen untuk memfasilitasi dan mendukung informasi dalam pengambilan keputusan kebutuhan dari eksekutif ini dengan menyediakan akses mudah baik informasi internal dan eksternal yang terkait untuk memenuhi tujuan strategis perusahaan. Hal ini biasanya dianggap sebagai bentuk khusus dari Sistem Pendukung Keputusan (DSS).
Pengguna Executive Information Systems (EIS) & Executive Support System (ESS)
- Penangan masalah
- Entrepreneur
- Manager
Contoh:
Pada umumnya, pada level strategis ini memberikan kebijakan kebijakan yang di peruntukan pada level di bawah atau tujuan, strategi, dan kebijakan perusahaan secara umum, yang kemudian akan di terjemahkan lebih spesifik oleh manajer di bawahnya. Contoh dari tugas-tugasnya ialah membuat kebijakan mengenai rencana perluasan pasar (expantion), kebijakan mengenai kesejahteraan karyawan dan menetapkan besarnya penjualan yang dicapai.
4. Group Decision Support System (GDSS)
GDSS adalah suatu sistem berbasis komputer yang mendukung kelompok-kelompok orang yang terlibat dalam satu tugas (tujuan) bersama dan yang menyediakan interfase bagi suatu lingkungan yang digunakan bersama.
Proses yang terjadi pada GDSS:
1. Mengorganisasi pendapat yang muncul dalam kelompok
2. Mengumpulkan informasi
3. Mengurutkan berdasar prioritas
4. Mengumpulkan aspek-aspek pendukung
Pengguna Group Decision Support System (GDSS)
- Manager
2). Perbedaan dan kesamaan antara Expert System (ES) dan Artificial Neural Network (ANN) dan berikan contoh penggunaan masing-masing
Perbedaan Expert System dan Artificial Neural Network
A. Expert System (Sistem Pakar) :
1. Dalam pemecahan masalah, masih membutuhkan bantuan programmer.
2. Pengetahuan dibuat oleh programmer, sehingga pengetahuan dapat ditelusuri proses pembuatannya.
3. Sample yang inputnya cacat tidak dapat menghasilkan output.
B. Artifical Neural Network (Jaringan Syaraf Tiruan)
1. Dapat memecahkan masalah/ kasus yang rumit yang tidak dapat dilakukan oleh sistem pakar.
2. Pengetahuan dibuat/terbentuk dengan sendirinya.
3. Dapat menghasilkan output walaupun inputnya cacat.
Persamaannya adalah sama-sama mempunyai tujuan untuk mencapai hasil yang maksimal dalam suatu penyelesaian masalah. Sistem pakar merukapan bagian dari Artificial Intelligence (AI) atau kecerdasan buatan
Contoh Expert System
- Mycin : Expert system untuk mendiagnosa infeksi akibat bakteri dan menyarankan jenis obat dan dosisnya untuk penyembuhan.
- Opera:OPERator Advisor yang digunakan untuk mendiagnosa dan menangani kerusakan pada suatu jaringan komputer. OPERA dijalankan pada malam hari untuk menggantikan Supervisor System Manager.
Contoh Artificial Neural Network
- Pertahanan (Militer)
Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali sensor,
sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ektrasksi bagian
istimewa dan penghilangan derau, pengenalan sinyal atau citra.
- Elektronik
Pembuatan perangkat keras yang bias mengimplementasikan jaringan saraf tiruan
secara efisien (pendesainan VLSI), machine vision, pengontrol gerakan dan penglihatan
robot, sintesis suara.
3). Jelaskan tentang pohon keputusan (Decision Tree) dan tabel keputusan serta berikan 2 contoh kasus
Pohon Keputusan
Pengertian Pohon Keputusan
Pohon yang dalam analisis pemecahan masalah pengambilan keputusan adalah pemetaan mengenai alternatif-alternatif pemecahan masalah yang dapat diambil dai masalah tersebut. Pohon tersebut juga memperlihatkan faktor-faktor kemungkinan/probablitas yang akan mempengaruhi alternatif-alternatif keputusan tersebut, disertai dengan estimasi hasil akhir yang akan didapat bila kita mengambil alternatif keputusan tersebut.
Model Pohon Keputusan
Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Contoh dari pohon keputusan dapat dilihat di Gambar berikut ini.
Model Pohon Keputusan (Pramudiono,2008)
Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar 1 adalah identifikasi pembeli komputer,dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya. Dimulai dari node root, menggunakan tes terhadap atribut dari record yang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node daun. Pada pohon keputusan setiap simpul daun menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule).
Contoh Aplikasi
Credit Risk
Berikut ini merupakan contoh dari salah satu kasus resiko kredit (credit risk) yang menggunakan decision tree untuk menentukan apakah seorang potential customer dengan karakteristik saving, asset dan income tertentu memiliki good credit risk atau bad credit risk.
Dapat dilihat pada gambar tersebut, bahwa target variable dari decision tree tersebut atau variable yang akan diprediksi adalah credit risk dengan menggunakan predictor variable : saving, asset, dan income. Setiap nilai atribut dari predictor variable akan memiliki cabang menuju predictor variable selanjutnya, dan seterusnya hingga tidak dapat dipecah dan menuju pada target variable.
Penentuan apakah diteruskan menuju predictor variable (decision node) atau menuju target variable (leaf node) tergantung pada keyakinan (knowledge) apakah potential customer dengan nilai atribut variable keputusan tertentu memiliki keakuratan nilai target variable 100% atau tidak. Misalnya pada kasus di atas untuk saving medium, ternyata knowledge yang dimiliki bahwa untuk seluruh potential customer dengan saving medium memiliki credit risk yang baik dengan keakuratan 100%. Sedangkan untuk nilai low asset terdapat kemungkinan good credit risk dan bad credit risk.
Jika tidak terdapat pemisahan lagi yang mungkin dilakukan, maka algoritma decision tree akan berhenti membentuk decision node yang baru. Seharusnya setiap branches diakhiri dengan “pure” leaf node, yaitu leaf node dengan target variable yang bersifat unary untuk setiap records pada node tersebut, di mana untuk setiap nilai predictor variable yang sama akan memiliki nilai target variable yang sama. Tetapi, terdapat kemungkinan decision node memiliki “diverse” atributes, yaitu bersifat non‐unary untuk nilai target variablenya, di mana untuk setiap record dengan nilai predictor variable yang sama ternyata memiliki nilai target variable yang berbeda. Kondisi tersebut menyebabkan tidak dapat dilakukan pencabangan lagi berdasarkan nilai predictor variable. Sehingga solusinya adalah membentuk leaf node yang disebut “diverse” leaf node, dengan menyatakan level kepercayaan dari diverse leaf node tersebut. Misalnya untuk contoh data berikut ini :
Dari training data tersebut kemudian disusunlah alternatif untuk candidate split, sehingga setiap nilai untuk predictor variable di atas hanya membentuk 2 cabang, yaitu sebagai berikut:
Kemudian untuk setiap candidate split di atas, dihitung variabel‐variabel berikut berdasarkan training data yang dimiliki. Adapun variabel‐variabel tersebut, yaitu :
,di mana
Adapun contoh hasil perhitungannya adalah sebagai berikut :
Dapat dilihat dari contoh perhitungan di atas, bahwa yang memiliki nilai goodness of split * Φ(s/t) + yang terbesar, yaitu split 4 dengan nilai 0.64275. Oleh karena itu split 4 lah yang akan digunakan pada root node, yaitu split dengan : assets = low dengan assets = {medium, high}.
Untuk penentuan pencabangan, dapat dilihat bahwa dengan assets=low maka didapatkan pure node leaf, yaitu bad risk (untuk record 2 dan 7). Sedangkan untuk assets = {medium, high} masih terdapat 2 nilai, yaitu good credit risk dan bad credit risk. Sehingga pencabangan untuk assets = {medium, high} memiliki decision node baru. Adapun pemilihan split yang akan digunakan, yaitu dengan menyusun perhitungan nilai Φ(s/t) yang baru tanpa melihat split 4, record 2 dan 7.
Demikian seterusnya hingga akhirnya dibentuk leaf node dan membentuk decision tree yang utuh (fully grown form) seperti di bawah ini :
Sistem Pakar Diagnosa Penyakit (Kusrini)
Dalam aplikasi ini terdapat tabel-tabel sebagai berikut:
Tabel Rekam_Medis, berisi data asli rekam medis pasien
Tabel Kasus, beisi data variabel yang dapat mempengaruhi kesimpulan diagnosis dari pasien-pasien yang ada, misalnya Jenis Kelamin, Umur, Daerah_Tinggal, Gejala_1 s/d gejala_n, Hasil_Tes_1 s/d Hasi_Tes_n. Selain itu dalam tabel ini juga memiliki field Hasil_Diagnosis.
Tabel Aturan, berisi aturan hasil ekstrak dari pohon keputusan.
Proses akuisisi pengetahuan yang secara biasanya dalam sistem pakar dilakukan oleh sistem pakar, dalam sistem ini akan dillakukan dengan urutan proses ditunjukkan pada gambar berikut:
Hasil pembentukan pohon keputusan bisa seperti pohon keputusan yang tampak pada gambar:
Lambang bulat pada pohon keputusan melambangkan sebagai node akar atau cabang (bukan daun) sedangkan kotak
melambangkan node daun. Jika pengetahuan yang terbentuk beruka kaidah produksi dengan format:
Jika Premis Maka Konklusi Node-node akar akan menjadi Premis dari aturan sedangkan node daun akan menjadi bagian konklusinya. Dari gambar pohon keputusan pada gambar 4, dapat dibentuk aturan sebagai berikut:
Jika Atr_1 = N_1
Dan Atr_2 = N_4
Dan Atr_3 = N_9
Maka H_1
Jika Atr_1 = N_1
Dan Atr_2 = N_4
Dan Atr_3 = N_10
Dan Atr_4 = N_11
Maka H_2
Jika Atr_1 = N_1
Dan Atr_2 = N_4
Dan Atr_3 = N_10
Dan Atr_4 = N_12
Maka H_2
Jika Atr_1 = N_1
Dan Atr_2 = N_5
Maka H_4
Jika Atr_1 = N_2
Maka H_5
Jika Atr_1 = N_3
Dan Atr_5 = N_6
Maka H_6
Jika Atr_1 = N_3
Dan Atr_5 = N_7
Maka H_7
Jika Atr_1 = N_3
Dan Atr_5 = N_8
Maka H_8
Model case based reasoning dapat digunakan sebagai metode akuisisi pengetahuan dalam aplikasi system pakar diagnosis penyakit. Aturan yagn dihasilkan system ini mampu digunakan untuk mendiagnosis penyakit didasarkan pada data-data pasien. Dalam penentuan diagnosis penyakit belum diimplementasikan derajat kepercayaan terhadap hasil diagnosis tersebut.
4). Jelaskan dan berikan contoh penggunaan :
a. Data management
b. Model management
c. Knowlage management
d. User interface
a. Data Management
Adalah mengkonsolidasikan pencatatan data ke dalam satu database yang dapat diakses dengan berbagai program aplikasi yang berbeda.
contoh : Mysql
b. Model Management
Sebagai perancang model
Sebagai perancang format keluaran model (laporan-laporan).
Untuk memperbaharui dan merubah model
Untuk memanipulasi data.
contoh :Grafis, editors, query systems
c. Knowledge Management
Manajemen pengetahuan (knowledge management) ialah suatu rangkaian kegiatan yang digunakan oleh organisasi atau perusahaan untuk mengidentifikasi, menciptakan, menjelaskan, dan mendistribusikan pengetahuan untuk digunakan kembali, diketahui, dan dipelajari di dalam organisasi. Kegiatan ini biasanya terkait dengan objektif organisasi dan ditujukan untuk mencapai suatu hasil tertentu seperti pengetahuan bersama, peningkatan kinerja, keunggulan kompetitif, atau tingkat inovasi yang lebih tinggi.
contoh : upah/gaji bulanan, jadwal pemeliharaan mesin
d. User Interface
Subsistem antarmuka pengguna (user Interface), yang merupakan media tempat komunikasi antara pengguna dan sistem pendukung keputusan serta tempat pengguna memberikan perintah kepada sistem pendukung keputusan.
contoh : data industri
5. Jelaskan perbedaan Life Cycle System vs Prototyping dan berikan 2 contoh
System Development Lyfe Cycle (SDLC) adalah keseluruhan proses dalam membangun sistem melalui beberapa langkah. Metode pengembangan perangkat lunak dikenal dengan istilah SDLC (Software Development Life Cycle). Metodologi ini menjadi perhatian sangat istimewa pada proses rekayasa perangkat lunak. Karena dengan metodologi SDLC yang digunakan akan sangat menentukan sukses tidaknya proyek software.
Perbandingan tentang kelebihan dan kekurangan model Waterfall dan Prototype pada Software Development Life Cycle (SDLC) ini dijelaskan berikut ini
1. Waterfall
Waterfall, merupakan SDLC tertua karena sifatnya yang natural. Urutan SDLC waterfall ini bersifat serial dari proses perencanaan, analisa, desain, dan implementasi pada sistem. Model ini adalah model yang muncul pertama kali yaitu sekitar tahun 1970 sehingga sering dianggap kuno, tetapi merupakan model yang paling banyak dipakai didalam Software Engineering (SE). Model ini melakukan pendekatan secara sistematis dan urut mulai dari level kebutuhan sistem lalu menuju ke tahap analisis, desain, coding, testing / verification, dan maintenance. Disebut dengan waterfall karena tahap demi tahap yang dilalui harus menunggu selesainya tahap sebelumnya dan berjalan berurutan.
Kelebihan :
– Merupakan model pengembangan paling handal dan paling lama digunakan.
– Cocok untuk system software berskala besar.
– Cocok untuk system software yang bersifat generic.
– Pengerjaan project system akan terjadwal dengan baik dan mudah dikontrol.
Kekurangan :
– Persyaratan system harus digambarkan dengan jelas.
– Rincian proses harus benar-benar jelas dan tidak boleh berubah-ubah.
– Sulit untuk mengadaptasi jika terjadi perubahan spesifikasi pada suatu tahapan pengembangan
2. Model prototyping
Prototype merupakan salah satu metode pengembangan perangat lunak yang banyak digunakan. Dengan metode prototyping ini pengembang dan pelanggan dapat saling berinteraksi selama proses pembuatan sistem. Prototyping, dimulai dengan pengumpulan kebutuhan, mendefinisikan objektif keseluruhan dari software, mengidentifikasikan segala kebutuhan, kemudian dilakukan “perangcangan kilat” yang difokuskan pada penyajian aspek yang diperlukan.
Kelebihan :
– Prototype melibatkan user dalam analisa dan desain.
– Punya kemampuan menangkap requirement secara konkret daripada secara abstrak.
– Untuk digunakan secara standalone.
– Digunakan untuk memperluas SDLC.
– Mempersingkat waktu pengembangan Sistem Informasi
Kekurangan :
– Proses analisis dan perancangan terlalu singkat.
– Mengesampingkan alternatif pemecahan masalah.
– Bisanya kurang fleksible dalam mengahdapi perubahan.
– Protitype yang dihasilkan tidak selamanya mudah dirubah
– Protype terlalu cepat selesai
6. Cari contoh kasus atau masalah dan jelaskan jiks SPK/DSS menyelesaikan masalah tersebut
Contoh Kasus
Kasus yang dibahas ini adalah pemilihan ponsel masa kini yang terbaik dari berbagai brand ternama. Antara Nokia, Samsung, Sony Ericson.
Penentuan kriteria-kriteria dalam SPPK ini didasarkan padahal-hal yang sekiranya sangat berpengaruh dalam sebuah telepon seluler (ponsel) baik hardware, teknologi, software maupun jaringan. Pada setiap kriteria diberikan bobot yang berbeda-beda karena setiap kriteria memiliki pengaruh yang dominan atau tidak dalam spesifikasi sebuah ponsel,berikut penjelasan setiap kriteria :
Meliputi : kamera
musik
ketajaman warna
layar
internet mobile dll.
Sistem Operasi diberikan bobots ebanyak 15%.
Meliputi : Touch screen
Touch Pad
Teknologi diberikan bobot sebanyak 5%.
Meliputi : Low End
High End
Harga diberikan bobot sebanyak 20%.
Yang pertama kali dilakukanadalah Menentukan bobot kriteria mana yang paling penting, yang dalam terminologi AHP disebut pair-wire comparation :
Harga 4 kali lebih penting dari Teknologi
Harga 1,5 kali lebih penting dari fitur
Fitur 3 kali lebih penting dari teknologi.
Selanjutnya hasil pair-wire comparation diatasakan dibuat tabulasinya, yang dalam istilah AHP disebutsebagai pair comparation matrix.
Pair comparation matrix
Kriteria
Harga
Fitur
Teknologi
Priority Vector
Harga
1
1,5
4
0,5143
fitur
0,7
1
3
0,3620
teknologi
0,25
0,33
1
0,1232
Jumlah
1,95
2,83
8
0,9995
Pricipal Eigen Value (max)
3,0
Consistency Index (CI)
0
Consistency Ratio (CR)
0,0%
Keterangan :
Jumlah merupakan penjumlahan dari semua angka yang ada pada baris diatasnya dalam satu kolom.
Priority Vector merupakan hasil penjumlahan dari semua sel disebelah Kirinya (padabaris yang sama) setelah terlebih dahulu dibagi dengan jumlah yang ada dibawahnya, kemudian hasil penjumlahan tersebut dibagi denganangka 3.
Menghitung Consistency Ratio (CR) diperoleh denganrumus CR=CI/RI, nilai RI bergantung pada jumlah kriteria seperti pada tabel berikut:
n
1
2
3
4
5
6
7
8
9
10
RI
0
0
0,58
0,9
1,12
1,24
1,32
1,41
1,45
1,49
Jadiuntuk n=3, RI=0.58.
CR=CI/RI = 0/5,8 = 0,0
Jika hasil perhitungan CR lebih kecil atau sama dengan 10% , ketidak konsistenan masih bisa diterima, sebaliknya jika lebih besar dari 10%, tidak bisa diterima.
Yang kedua memberi penilaian terhadap ponsel ,disebut pair-wire comparation.
Memberikan penilaian bobotharga :
Samsung harganya 4 kali lebih murah dari Nokia
Samsung harganya 3 kali lebih murah dari Sony Ericson
Nokia harganya 1/2 kali lebih murah dari Sony ericson.
Pair wire comparation :
Pair comparation matrix
Kriteria
Samsung
Nokia
sonyericson
Priority Vector
Samsung
1
4
3
0,6232
Nokia
0,25
1
0,5
0,3333
Sony ericson
0,33
2
1
0,2332
Jumlah
1,5833
7
4,5
1,1897
Pricipal Eigen Value (max)
3,02
Consistency Index (CI)
0,1
Consistency Ratio (CR)
2,0%
Arti dari tabel diatas adalah dari ketiga ponsel, yang paling murah adalah samsung dengan skor 0,6232 ,disusul Nokia dengan skor 0,3333 dan sony ericson dengan skor 0,2332.
Nilai CI adalah 0,1 yang berarti pembobotan tidak terlalu konsisten ,tetapi karena nilai CR=2,0% lebih kecil dari 10%, maka ketidak konsistenan masih bisa diterima.
Memberikan penilaian bobot fitur
Kelengkapan Fitur Samsung ½ kali dari Nokia
Kelengkapan Fitur Samsung 2 kali dari Sony Ericson
Kelengkapan Fitur Nokia 3 kali dari Sony Ericson
Pair-wire comparation :
Pair comparation matrix
Kriteria
Samsung
Nokia
sonyericson
Priority Vector
Samsung
1
0,5
2
0,3645
Nokia
2
1
3
0,3333
Sony ericson
0,5
0,33
1
0,3332
Jumlah
3,2
1,83
6
1,0310
Pricipal Eigen Value (max)
3,76
Consistency Index (CI)
0,38
Consistency Ratio (CR)
0,06%
Arti dari tabel diatas adalah dari ketiga ponsel, yang paling lengkap fiturnya adalah samsung dengan skor 0,3645 ,disusul Nokia dengan skor 0,3333 dan sony ericson dengan skor 0,332.
Nilai CI adalah 0,38 yang berarti pembobotan tidak terlalu konsisten ,tetapi karena nilai CR=0,06% lebih kecil dari 10%, maka ketidak konsistenan masih bisa diterima.
Memberikan penilaian bobot teknologi
Kecanggihan Teknologi Samsung 1/3 darinokia
Kecanggihan Teknologi Samsung 2 kali darisony Ericson
Kecanggihan Teknologinokia 3 kali darisony Ericson
Pair-wire comparation :
Pair comparation matrix
Kriteria
Samsung
Nokia
sonyericson
Priority Vector
Samsung
1
0,33
2
0,3332
Nokia
3,03
1
3
0,9998
Sony ericson
0,5
0,33
1
0,3332
Jumlah
4,53
1,66
6
1,6662
Pricipal Eigen Value (max)
5,16
Consistency Index (CI)
1,08
Consistency Ratio (CR)
0,36%
Arti dari tabel diatas adalah dari ketiga ponsel, yang paling canggih teknologinya adalah Nokia dengan skor 0,9998 ,disusul Samsung dan sony ericson dengan skor 0,3332.
Nilai CI adalah 1,08 yang berarti pembobotan tidak terlalu konsisten ,tetapi karena nilai CR=0,36% lebih kecil dari 10%, maka ketidak konsistenan masih bisa diterima.
Tahap ketiga Setelah mendapatkan bobot untuk ketiga kriteria, maka langkah terakhir adalah menghitung total skor untuk ketigaponsel.
Semua hasil penilaiannya tersebut dalam bentuk tabel yang disebut Overall composite weight.
Overall composite weight :
Overall composite weight
weight
Samsung
Nokia
Sony Ericson
Harga
0,5143
0,6232
0,3333
0,2332
Fitur
0,3620
0,3645
0,3333
0,3332
Teknologi
0,1232
0,3332
0,9998
0,3332
Composite Weight
0,4934
0,4151
0,2715
Weight diambil dari kolom Priority Vektordalam matrix kriteria.
Kolom (Samsung, Nokia, Sony Ericson) diambil darikolom priority vectirketiga matrix harga, fitur, teknologi.
Composite weight diperoleh dari hasil jumlah perkalian diatasnya dengan weight.
Samsung = 0,5143.0,6232+0,3620.0,3645+0,1232.0,3332 = 0,4934
Nokia = 0,5143.0,3333+0,3620.0,3333+0,1232.0,9998 = 0,4151
Sony Ericson = 0,5143.0,2332+0,3620.0,3332+0,1232.0,3332 = 0,2715
Dari tabel diatas dapat disimpulkan bahwa Samsung mempunyaiskor paling tinggi yaitu 0,4934 , kemudian Nokia denganskor 0,4151 dan paling bawah Sony Ericson 0,2715. Sehingga Ponsel yang paling baik dan dipilih adalah ponsel brand Samsung.
http://revanopm.blogspot.com/2016/09/pengertian-lengkap-tps-mis-dss-eis-es_29.html?m=1
https://kurniabyone-wordpress-com.cdn.ampproject.org/v/s/kurniabyone.wordpress.com/2016/09/28/penjelasan-dari-tps-mis-dss-eis-ess-oas-gdss-pada-konsep-sistem-informasi-lanjut/amp/?amp_js_v=a2&_gsa=1&usqp=mq331AQCCAE%3D#aoh=15390573667040&_ct=1539057844667&referrer=https%3A%2F%2Fwww.google.com&_tf=From%20%251%24s&share=https%3A%2F%2Fkurniabyone.wordpress.com%2F2016%2F09%2F28%2Fpenjelasan-dari-tps-mis-dss-eis-ess-oas-gdss-pada-konsep-sistem-informasi-lanjut%2F
http://im-balance.blogspot.com/2010/06/perbedaan-es-dan-ann.html?m=1
http://sciffleaf.blogspot.com/2016/10/artificial-neural-network-dan-contoh.html?m=1
https://fairuzelsaid-wordpress-com.cdn.ampproject.org/v/s/fairuzelsaid.wordpress.com/2009/11/24/data-mining-konsep-pohon-keputusan/amp/?amp_js_v=a2&_gsa=1&usqp=mq331AQCCAE%3D#aoh=15390599401789&csi=1&referrer=https%3A%2F%2Fwww.google.com&_tf=From%20%251%24s&share=https%3A%2F%2Ffairuzelsaid.wordpress.com%2F2009%2F11%2F24%2Fdata-mining-konsep-pohon-keputusan%2F
https://sitiumiati-wordpress-com.cdn.ampproject.org/v/s/sitiumiati.wordpress.com/2011/04/28/penjelasan-antara-sdlc-prototype-dan-waterfall/amp/?amp_js_v=a2&_gsa=1&usqp=mq331AQCCAE%3D#aoh=15390624053182&_ct=1539062427781&referrer=https%3A%2F%2Fwww.google.com&_tf=From%20%251%24s&share=https%3A%2F%2Fsitiumiati.wordpress.com%2F2011%2F04%2F28%2Fpenjelasan-antara-sdlc-prototype-dan-waterfall%2F
https://uswaahsn-wordpress-com.cdn.ampproject.org/v/s/uswaahsn.wordpress.com/2016/05/30/209/amp/?amp_js_v=a2&_gsa=1&usqp=mq331AQCCAE%3D#referrer=https%3A%2F%2Fwww.google.com&_tf=From%20%251%24s&share=https%3A%2F%2Fuswaahsn.wordpress.com%2F2016%2F05%2F30%2F209%2F
