Transcript Document 7414972

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 :
[email protected]
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
•
•
•
•
•
•
•
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.
•
•
•
•
•
•
•
•
•
•
•
•
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.
»
•
•
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.
»
•
Synthesis of priority
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)
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-ofthe-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.
Sistem Flow Pemilihan Pelanggan
Pimpinan
Pimpinan
Manajer
ManajerPemasaran
Pemasaran
Penilai
Penilai
Pelanggan
Pelanggan
Mulai
Permintaan
Penilaian
Pelanggan
Permintaan
Penilaian
Data Pelanggan,
Kriteria & Bobot
Kriteria Untuk
Penilaian
Penentuan
Kriteria, Bobot
Kriteria,
Pelanggan Untuk
Penilaian
Persetujuan
Tidak
Form data
pelanggan
Membuat form
data pelanggan
Data Pelanggan
Mengisi data
pelanggan
Konfirmasi
Data Pelanggan,
Kriteria, Beserta
Bobot Kriteria
Setuju ?
Ya
Penyusunan Form
Penilaian
Form Penilaian
Form Penilaian
(Hasil Penilaian)
Input Kriteria &
Bobot Kriteria
Laporan Hasil
Penilaian /
Rekomendasi
Penilaian
Pelanggan
Buat Transaksi
Penilaian
Seleksi
Perhitungan AHP
DetKriteria
Input data
Pelanggan Pada
Penilaian
DetAlternatif
Input Nilai Tiap
Pelanggan
NilaiAlt
Perhitungan Yager
Selesai
Gambar 1. Diagram alir sistem
Data Pengguna
Manajer
Pemasaran
Laporan Hasil Seleksi
0
SPK Pemilihan
Pelanggan Terbaik
Menggunakan Model
Yager
Data Kriteria
Pimpinan
Laporan Hasil Seleksi
+
Data Seleksi
Laporan Data Pelanggan
Data Pelanggan
Bobot Kriteria
Penilai
Pelanggan
Nilai Pelanggan
Gambar 2. Context Diagram
Manajer
Pemasaran
Data Kriteria
Pelanggan
Data Pelanggan
Simpan Data Pengguna
1
Data Pengguna
Maintenance
Data
Simpan Data Alternatif
Simpan Data Kriteria
+
3
Ambil Data Alternatif
Alternatif
2
1
Kriteria
2
Data Seleksi
Bobot Kriteria
Ambil Data Kriteria
Penilai
Ambil Data Admin
Nilai Pelanggan
Simpan Nilai Alternatif
Penilaian
Simpan Data Seleksi
7
Ambil Data Seleksi
NilaiAlt
Ambil Nilai Alternatif
+
Simpan Alternatif Seleksi
4
Admin
Ambil Kriteria Seleksi
Seleksi
6
DetKriteria
Simpan Kriteria Seleksi
5
DetAlternatif
Ambil Alternatif Seleksi
Ambil Hasil Seleksi
3
Ambil Data Seleksi
Ambil Data Kriteria Seleksi
Laporan Hasil Seleksi
Laporan
Ambil Data Nilai Alternatif
+
Pimpinan
Laporan Hasil Seleksi
Manajer
Pemasaran
Laporan Data Pelanggan
Gambar 3. DFD Level 0
Alternatif
Selek s i
KodeAlt
Kriteria
KodeSel
N am aAlt
Relation_45
Alam atAlt
N am aSel
Relation_54
TanggalSel
TelpAlt
KodeKrt
Relation_53
N am aKrt
W ak tuSel
D etAlternatif
D etKriteria
Relation_44
KodeD etAlt
KodeD etKrt
SkorAlt
BobotKrt
SkalaKrt
N ilaiAlt
Relation_60
BobotAlt
Relation_61
Relation_107
SkalaAlt
Adm in
KodeAdm
N am aAdm
PinAdm
H ak Adm
Gambar 4. Conceptual Data Model (CDM)
ALTERN ATIF
KOD EALT
v arc har(50)
N AMAALT
v arc har(50)
KOD ESEL
v arc har(50)
ALAMATALT
v arc har(50)
N AMASEL
v arc har(50)
TELPALT
v arc har(50)
TAN GGALSEL
SELEKSI
times tam p
KOD EKR T
v arc har(50)
W AKTUSEL
v arc har(50)
N AMAKR T
v arc har(50)
KRITERIA
KODEALT = KODEALT
KODESEL = KODESEL
KODEKRT = KODEKRT
KODESEL = KODESEL
D ETALTERN ATIF
D ETKRITERIA
KOD EDETALT
v arc har(50)
KOD EDETKR T
v arc har(50)
KOD EALT
v arc har(50)
KOD ESEL
v arc har(50)
KOD ESEL
v arc har(50)
KOD EKR T
v arc har(50)
SKOR ALT
num eric
BOBOTKR T
v arc har(15)
SKALAKR T
num eric
N ILAIALT
KODEDET ALT = KODEDET ALT
KOD EAD M
v arc har(50)
KOD EDETALT
v arc har(50)
KOD EDETKR T
v arc har(50)
BOBOTALT
v arc har(15)
SKALAALT
num eric
KODEDET KRT = KODEDET KRT
KODEADM = KODEADM
ADMIN
KOD EAD M
v arc har(50)
N AMAAD M
v arc har(50)
PINADM
v arc har(50)
H AKADM
v arc har(50)
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