implementasi metode hybrid ahp-topsis pada …

JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,

Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono

Universitas Bina Insan Lubuklinggau 30

IMPLEMENTASI METODE HYBRID AHP-TOPSIS PADA

PEMERINGKATAN NEGARA ASEAN DALAM PENANGANAN PANDEMI

COVID-19

Aditya Wafda Nahari1*, Setyawan Wibisono2

Program Studi Informatika, Universitas Stikubank, Semarang1,2

e-mail: [email protected], [email protected]

Abstrak

Virus corona yang disebut covid-19 pertama kali ditemukan di kota Wuhan, China pada Desember

2020 dan tergolong virus mematikan yang menyerang sistem pernapasan manusia. Penyebaran

virus covid-19 sangat cepat dan diketahui telah menyebar ke seluruh negara di dunia, termasuk

ASEAN. Peningkatan jumlah kasus covid-19 juga dipengaruhi oleh cara negara menangani kasus

covid-19. Terbukti beberapa negara di dunia berhasil menekan laju penyebaran virus covid-19,

bahkan China sebagai negara yang pertama kali terkena wabah mengalami penurunan kasus yang

sangat cepat. Untuk itu, diperlukan sistem pendukung keputusan untuk mengetahui negara mana

yang paling baik dalam menangani pandemi covid-19. Sistem pemeringkatan negara-negara

ASEAN dalam penanganan pandemi covid-19 menggunakan metode AHP-TOPSIS. Metode AHP

digunakan untuk mengukur bobot kriteria yang nantinya kriteria tersebut digunakan untuk

merangking beberapa alternatif menggunakan metode TOPSIS. Penelitian ini menggunakan 4

kriteria yaitu jumlah tes, jumlah kesembuhan, jumlah positif, jumlah kematian. Hasil dari

penelitian ini menunjukan bahwa Singapore menjadi negara yang paling baik dalam menangani

pandemi covid-19 dengan memperoleh nilai preferensi sebesar 0.958965703 dan Laos menjadi

negara dengan penanganan pandemic covid-19 terburuk dengan hasil preferensi sebesar

0.197328661. Hasil penelitian ini dapat dijadikan tolak ukur untuk menentukan negara ASEAN

mana yang terbaik dalam menangani pandemi covid-19.

Kata kunci : Covid-19; ASEAN; Sistem Pendukung Keputusan; AHP; TOPSIS

Abstract

The corona virus called covid-19 was first discovered in the city of Wuhan, China in December

2020 and is classified as a deadly virus that attacks the human respiratory system. The spread of

the covid-19 virus is very fast and is known to have spread to all countries in the world, including

ASEAN. The increase in the number of cases was covid-19 also influenced by the way the country

handled cases covid-19. It is proven that several countries in the world have succeeded in

reducing the rate of spread of the covid-19 virus, even China as the country that was first hit by

the outbreak experienced a very rapid decline in cases. For this reason, a decision support system

is needed to find out which country is best at dealing with the covid-19 pandemic. The ranking

system for ASEAN countries in handling the covid-19 pandemic uses the AHP-TOPSIS method.

The AHP method is used to measure the weight of the criteria which later on these criteria will

be used to rank several alternatives using the TOPSIS method. This study used 4 criteria, namely

the number of tests, the number of cures, the number of positives, the number of deaths. The

results of this study indicate that Singapore is the best country in dealing with the Covid-19

pandemic by obtaining a preference value of 0.958965703 and Laos being the country with the

worst handling of the Covid-19 pandemic with a preference result of 0.197328661. The results of

this study can be used as a benchmark for determining which ASEAN countries are best at dealing

with the covid-19 pandemic.

Keywords:Covid-19, ASEAN, Decision Support System, AHP, TOPSIS




I. PENDAHULUAN

Virus Corona atau severe acute

respiratory syndrome coronavirus 2 (SARS-

CoV-2) adalah virus jenis baru yang belum

pernah diidentifikasi sebelumnya di tubuh

manusia. Infeksi virus Corona disebut covid-

19 (Corona Virus Disease 2019) dan

pertama kali ditemukan di kota Wuhan,

China pada akhir Desember 2019.

Berdasarkan data pada worldometers.info.

Indonesia pada tanggal 24/6/2020

mendapatkan jumlah 49.009 kasus. Begitu

juga pada beberapa negara di ASEAN

lainnya seperti Singapura, Filipina, Malaysia

dan lainnya [1].

Pandemi global covid-19 telah

membawa masalah baru bagi seluruh negara

di dunia, terutama tentang bagaimana upaya

negara untuk mencegah dan menghentikan

penyebaran virus semakin meluas.

Pemberadaan vaksin, kebijakan pembatasan

sosial (social distancing) dan lockdown oleh

berbagai negara dalam upaya menekan

penyebaran virus covid-19.

Penelitian ini bertujuan untuk

melakukan pemeringkatan negara dalam

penanganan pandemic covid-19 melihat dari

negara-negara yang tergabung dalam

ASEAN memiliki penangan pandemi covid

yang berbeda-beda contohnya seperti

Malaysia yang melakukan lockdown

nasional, Indonesia yang melakukan

kebijakan pembatasan sosisal berskala besar

yang dirasa lebih efektif dari lockdown,

Singapura degan caranya yang transparansi,

intervensi dan langsung memberlakukan

lockdown total. Oleh karena itu dibuatlah

sistem pemeringkatan penanganan covid-19

di ASEAN dengan menggunakan metode

Hybrid AHP-TOPSIS guna mengetahui

penanganan di negara manakah yang paling

baik. Penelitian ini menggunaan kriteria

pemeringkatan dari jumlah tes, jumlah

kesembuhan, jumlah positif dan jumlah

kematian dari masing-masing negara.

Penelitian ini menggunakan data yang

tercatat pada

https://www.worldometers.info/coronavirus

[2] pada tanggal 21 April. Sistem

pemeringkatan ini menggunakan metode

AHP dirasa mampu untuk menguraikan

masalah menjadi suatu hirarki sehingga

mudah dalam penyelesaian suatu masalah.

Sedangkan metode TOPSIS merupakan

suatu metode yang memiliki kelebihan yaitu

menganggap solusi terbaik tidak hanya

solusi yang mendekati solusi ideal akan

tetapi juga jauh dari solusi negatif. Hasil dari

pemeringkatan tersebut dapat memberikan

informasi penanganan pada negara lain yang

memiliki kasus covid-19 yang tinggi [3].

II. TINJAUAN PUSTAKA

Pada tanggal 31 Desember 2019,

WHO melaporkan adanya penyakit baru

yang dinamakan virus corona. Virus Corona

telah menyebar luas secara cepat di China

bahkan menyebar luas hingga ke negara

Eropa. Corona telah menjadi wabah

(pandemi) pada awal bulan Maret 2020

sampai sekarang, pemerintah telah

mengupayakan berbagai kebijakan untuk

menghadapi serta mengatasi pandemi covid-

19 seperti kebijakan Stay at Home, Social

Distancing, Physical Distancing,

Pembatasan Sosial Berskala Besar.

Pemerintah juga menyiapkan dana bantuan

kepada warga negara yang terdampak covid-

19 di tengah adanya krisis ekonomi akibat

pandemi virus corona itu sendiri akan tetapi

dengan kebijakan-kebijakan yang dilakukan

oleh pemerintah tidak akan berjalan lancar

apabila pemerintah tidak mencari informasi

yang akurat terkait sumber dan penyebaran

virus corona dan penanganannya [1].

Sistem pendukung keputusan yang

dapat merekomendasikan calon karyawan

yang sesuai dengan apa yang dibutuhkan

oleh perusahaan. Sistem pendukung

keputusan yang digunakan di penelitian ini

adalah menggunakan metode Analytical

Hierarchy Process (AHP) dan Technique for






Order Preference by Similarity to Ideal

Solution (TOPSIS). Sistem pendukung

keputusan ini akan menghasilkan

rekomendasi calon karyawan terbaik

berdasarkan empat kriteria, yaitu kriteria

pendidikan, kecerdasan dan wawancara [4].

Sistem pendukung keputusan

pemilihan mahasiswa berprestasi dengan

menggabungkan AHP dan TOPSIS

bertujuan untuk membandingkan antara

metode TOPSIS dan metode AHP-TOPSIS

manakah metode yang terbaik untuk

digunakan dalam pemilihan siswa. Pada

penelitian ini mendapatkan hasil dengan

penyajian menggunakan ketidaksesuaian

Hamming Distance 93% sedangkan untuk

metode Hybrid AHP-TOPSIS mendapatkan

penyajian dengan menggunakan

ketidaksesuaian menggunakan Hamming

Distance sebesar 91%. Berdasarkan hasil

tersebut pada penelitian ini dapat

disimpulkan bahwa dengan menggunakan

metode Hybrid AHP-TOPSIS akan

mendapatkan hasil yang lebih baik dari

metode TOPSIS [5].

Penilaian sebuah sidang skripsi harus

memiliki keakuratan dan ketepatan dalam

penilaian hasil. Apabila terjadi penilaian

terhadap mahasiswa yang masih bersifat

subjektif maka berarti penilaian tersebut

masih jauh dari kata akurat, dan akan sangat

berpengaruh pada hasil kelulusan

mahasiswa. Maka dari itu pada penelitian ini

mengusulkan sebuah system pendukung

keputusan untuk menentukan kelulusan

sebuah siding skripsi menggunakan metode

AHP-TOPSIS yang dimaksud untuk

mengurangi penilaian sidang skripsi yang

bersifat subjektif. Kriteria yang akan

digunakan dalam penelitian ini yaitu adalah

bab tulisan, kerapian, tata karma,

penyampaian bahan, dan penguasaan bahan.

Penggunaan metode AHP-TOPSIS dalam

mengoptimalkan pembobotan nilai kriteria

akan berpengaruh dalam penilaian yang

lebih objektif. Jarak Hamming yang

dihasilkan sebesar 96,2% dan jarak

Euclidean sebesar 0,8096 untuk 95

mahasiswa [6].

2.1 Sistem Pendukung Keputusan

Sistem pendukung keputusan

merupakan sistem interaktif berbasis

komputer yang dapat membantu

pengambilan keputusan dengan

memanfaatkan data dan model untuk

menyelesaikan suatu permasalahan yang

tidak terstruktur. Sistem pendukung

keputusan meliputi seluruh tahap

pengambilan keputusan mulai dari

identifikasi masalah, menentukan data yang

relevan, menentukan pendekatan nantinya

akan digunakan dalam proses pengambilan

keputusan, hingga proses evaluasi alternatif.

Awalnya definisi SPK adalah sistem

berbasis model yang memiliki prosedur

pemrosesan data dan pertimbangannya

untuk membantu seseorang dalam

pengambilan suatu keputusan [7].

2.2 AHP (Analytical Hierarcy Process)

Metode AHP termasuk salah satu

metode pengambilan keputusan dengan

multikriteria yang dibuat sebagai alat untuk

membantu seseorang di mana faktor logika,

pengalaman, emosi dan rasa yang dimiliki

oleh manusia dioptimasikan menjadi suatu

proses sistematis. Permasalahan yang

kompleks dan tidak terstruktur

dikelompokan kedalam suatu kelompok dan

mengaturnya kedalam suatu hirarki. Metode

AHP sering digunakan karena memiliki

beberapa kelebihan yaitu: [8]

1. Kesatuan (Unity), membuat suatu

permasalahan yang luas menjadi model

fleksibel dan mudah dipahami

2. Kompleksitas (Complexity),

menggunakan sistem integrasi deduktif

untuk melakukan pendekatan dari suatu

permaslahan yang kompleks.

3. Saling Ketergantungan

(Interdefendence), menggunakan sistem




integrasi deduktif untuk melakukan

pendekatan dari suatu permaslahan yang

kompleks.

4. Struktur Hirarki, AHP menggunakan

sistem pemikiran seperti manusia

dengan mengelompokan suatu kriteria

kedalam level yang berbeda

5. Pengukuran, metode AHP mengukur

suatu prioritas menggunakan dengan

dapat menggunakan skala

6. Konsistensi, AHP dalam melakukan

penilaian prioritas dengan

mempertimbangkan konsistensi logis

7. Sintesis, AHP mengarah perkiraan

keseluruhan pada setiap masing-masing

alternatif.

8. Trade off, prioritas relatif faktor-faktor

dipertimbangkan untuk mampu memilih

alternatif terbaik sesuai dengan

keinginan.

9. Penilaian dan Konsensus (Judgement

And Consenus), metode AHP

membolehkan tidak adanya konsensus,

melainkan gabungan dari hasil penilaian

berbeda.

10. Pengulangan Proses (Process

repetition), proses pengulangan

memudahkan orang mendefinisikan

suatu masalah dan menilai dari berbagai

aspek.

2.3 TOPSIS (Technique For Order

Prference by Similarity to Ideal

Solution)

Metode TOPSIS diperkenalkan

pertama kali oleh Yoon dan Hwang tahun

1981 sebagai metode pengambilan

keputusan multikriteria. Metode TOPSIS

memiliki prinsip yaitu alternatif yang yang

akan digunakan harus memiliki jarak

terpendek dari niai ideal positif dan memiliki

jarak terpanjang dari nilai ideal negatif. Jika

dilihat dari sisi geometris dengan memakai

jarak Euclidean (jarak antara dua titik) untuk

mendapatkan nilai kedekatan relatif dari

alternatif tertentu. Metode TOPSIS memiliki

langkah-langkah algoritma yaitu:

1. Membuat matriks perbandingan

berpasangan ternormalisasi

𝑟𝑖𝑗

𝑥𝑖𝑗

√∑ 𝑥𝑖𝑗2𝑚

𝑖=1

Dengan i=1,2,..m dan j=1,2,..n

Dimana :

𝑟𝑖𝑗=elemen matriks ternormalisasi [i][j]

𝑥𝑖𝑗=elemen matriks keputusan x

2. Membuat matriks ternormalisasi

terbobot

𝑦𝑖𝑗= 𝑊𝑖𝑟𝑖𝑗

Dengan i=1,2,..m dan j=1,2,..n

Dimana :

yij= elemen matriks ternormalisasi [i][j]

wi= bobot [i] dari proses AHP

3. Menentukan matriks solusi ideal positif

dan solusi ideal negatif

𝐴+ = (𝑦1+, 𝑦2

+, … , 𝑦𝑛+)

𝐴− = (𝑦1−, 𝑦2

−, … , 𝑦𝑛−)

Dimana :

𝑦𝑗+ =

𝑚𝑎𝑥𝑖𝑦𝑖𝑗;jika j atribut keuntungan

𝑚𝑖𝑛𝑖𝑦𝑖𝑗;jika j atribut biaya

𝑦𝑗− =

𝑚𝑖𝑛𝑖𝑦𝑖𝑗;jika j atribut keuntungan

𝑚𝑎𝑥𝑖𝑦𝑖𝑗;jika j atribut biaya

4. Menentukan jarak antara setiap nilai

alternatif dengan matriks solusi ideal

positif dan negatif

𝐷𝑖+ = √∑ (𝑦𝑖𝑗 − 𝑦𝑖

+)2𝑛

𝑗=1

𝐷𝑖− = √∑ (𝑦𝑖𝑗 − 𝑦𝑖

−)2𝑛

𝑗=1

Dimana :

𝐷𝑖+= jarak alternatif ke-I dengan solusi

ideal positif

𝐷𝑖−= jarak alternatif ke-i dengan solusi

ideal negatif

𝑦𝑖+= elemen solusi ideal positif [i]

𝑦𝑖−= elemen solusi ideal negatif [i]




𝑦𝑖𝑗= elemen matriks ternormalisasi

terbobot [i][j]

5. Menentukan nilai preferensi dari setiap

alternatif

𝑉𝑖 =𝐷𝑖

−

𝐷𝑖− + 𝐷𝑖

+

𝑉𝑖=kedekatan tiap alternatif terhadap

solusi ideal

𝐷𝑖+= jarak alternatif ke-i dengan solusi

ideal positif

𝐷𝑖−= jarak alternatif ke-i dengan solusi

ideal positif

III. METODOLOGI PENELITIAN

Pada penelitian ini menggunakan dua

metode yaitu AHP dan TOPSIS. Metode

AHP adalah Analytical Hierarchy Process

(AHP) adalah suatu metode pengambilan

keputusan dengan melakukan perbandingan

berpasangan antara kriteria pilihan dan juga

perbandingan berpasangan antara pilihan

yang ada. Permasalahan pengambilan

keputusan dengan AHP umunya

dikomposisikan menjadi kriteria, dan

alternatif pilihan. Metode TOPSIS adalah

didasarkan pada konsep dimana alternatif

yang terpilih atau terbaik tidak hanya

mempunyai jarak terdekat dari solusi ideal

positif, namun juga memiliki jarak terjauh

dari solusi ideal negatif dari sudut pandang

geometris dengan menggunakan jarak

Euclidean untuk menentukan kedekatan

relatif dari suatu alternatif dengan solusi

optimal. Solusi ideal positif didefinisikan

sebagai jumlah dari seluruh nilai terbaik

yang dapat dicapai untuk setiap atribut,

sedangkan solusi negatif-ideal terdiri dari

seluruh nilai terburuk yang dicapai untuk

setiap atribut.

Untuk metode pengembangan sistem

sendiri pada penelitian ini menggunakan

waterfall. Metode waterfall pertama kali

diperkenalkan oleh Winston Royce di tahun

70-an yang merupakan metode klasik

sederhana dengan aliran sistem liner yang

mana masukan pada suatu tahapan

merupakan keluaran dari tahapan

sebelumnya. Metode waterfall adalah suatu

proses pengembangan sistem yang berurutan

dan memiliki kemajuan yang bergerak

mengalir kebawah seperti air terjun

melewati proses perencanaan, pemodelan,

implementasi, dan pengujian [9]. Adapun

beberapa tahapan pada metode waterfall

diperlihatkan pada gambar 1.

Gambar 1. Model Waterfall menurut

Sommerville. (Sumber Data :

https://ranahresearch.com/metode-

waterfall/)

Teknik pengumpulan data yang

digunakan dalam penelitian ini melalui

pemantauan data covid pada web


[2]. Web ini dipilih karena data yang

terdapat merupakan update secara live atau

real time.

Proses pemeringkatan pada penelitian

ini menggunakan penggabungan 2 metode

yaitu AHP dan TOPSIS. Metode AHP

digunakan untuk pembobotan kriteria dan

menghitung rasio konsistensi. Pada

penggunaan metode AHP terdapat 4 tahap

yaitu menentukan prioritas kriteria, sintesis,

menghitung konsistensi indeks, memeriksa

konsistensi hirarki. Prioritas elemen

ditentukan menggunakan perbandingan

berpasangan kemudian mengisi tabel

perbandingan berpasangan menggunakan

bilangan agar dapat diperoleh elemen mana

yang memiliki kepentingan relatif lebih

tinggi. Pada tahap sintesis terdapat 3 langkah




yaitu menjumlahkan nilai dari setiap kolom

matriks perbandingan berpasangan yang

telah diisi. Selanjutnya nilai dari setiap

kolom dibagi dengan total penjumlahan dari

setiap kolom untuk mendapatkan

normalisasi. Kemudian langkah terakhir

adalah menjumlahkan baris dari matriks

normalisasi yang telah diperoleh dan

membaginya dengan jumlah elemen untuk

mendapatkan bobot dari tiap elemen. Pada

tahap menghitung konsistensi indeks

menggunakan rumus CI=(λmaks-n)/(n-1).

Pada tahap terakhir yaitu memeriksa

konsistensi hirarki diperoleh menggunakan

rumus CR=CI/IR dimana CI adalah

konsistensi indeks yang telah didapatkan

pada tahap sebelumnya dan IR adalah Indeks

Random Konsistensi.

Selanjutnya melakukan perangkingan

alternatif menggunakan metode TOPSIS.

Tahapan yang digunakan pada metode

TOPSIS yaitu membuat matriks nilai setiap

alternatif, membuat matriks ternormalisasi,

membuat matriks ternormalisasi berbobot,

menentukan jarak alternatif solusi ideal.

Pada tahap membuat matriks nilai dari setiap

alternatif didapat dengan mengisikan nilai

alternatif dari tiap kriteria kemudian

dilanjutkan dengan membuat matriks

normalisasi.

Setelah melakukan matriks

normalisasi selanjutnya melakukan matriks

normalisasi terbobot dengan cara yaitu

mengalikan matriks normalisasi dengan nilai

bobot setiap kriteria. Kemudian solusi ideal

positif dan solusi ideal negatif didapat dari

nilai terbesar dan terkecil matriks

ternormalisasi. Langkah yang terakhir

adalah menentukan jarak alternatif positif

dan jarak alternatif negatif. Jarak alternatif

positif dan jarak alternatif negatif adalah

akar dari jumlah selisih antar kriteria dari

matrik ternormalisasi terbobot solusi ideal

positif untuk masing-masing alternatif dan

jarak alternatif negatif adalah akar dari

jumlah selisih antar kriteria matrik

ternormalisasi terbobot dengan solusi ideal

negatif masing-masing alternatif. Setelah itu

jarak solusi ideal didapat dengan jarak

alternatif negatif dibagi dengan penjumlahan

antara jarak alternatif positif dan jarak

alternatif negatif.

Pada sistem perangkingan negara

ASEAN dalam penanganan covid-19

pengguna akan disajikan bagaimana detail

informasi data kasus covid-19 di negara

ASEAN seperti yang terdapat pada kriteria

perangkingan yaitu adalah jumlah penduduk

yang telah melakukan testing, jumlah

penduduk yang positif covid-19, jumlah

pasien yang telah dinyatakan sembuh,

jumlah kematian akibat covid-19. Kemudian

pengguna juga dapat melihat peringkat

negara ASEAN dalam penanganan covid-19

pada menu peringkat. Alur skema diagram

dapat dilihat pada gambar 2.

Gambar 2. Skema Diagram User (Sumber

Data : Hasil Penelitian)

Proses yang terjadi dalam admin

adalah yang pertama login setelah itu pada

halaman utama akan tampil seperti yang ada

pada halaman user. Kemudian terdapat

menu edit yang didalamnya admin dapat

melakukan CRUD pada alternatif dan

kriteria. Alur skema pada admin dapat

dilihat pada gambar 3.




Gambar 3. Skema Diagram Admin

(Sumber Data : Hasil Penelitian)

Pemeringkatan negara ASEAN dalam

penanganan pandemic covid-19

menggunakan metode AHP-TOPSIS

diharapkan dapat memberikan informasi

dengan akurat dengan basis pengetahuan

seperti pada tabel 1.

Tabel 1. Basis Pengetahuan [2]

Negara Kriteria Perangkingan

Brunei

Darussalam

Testing (106433)

Kesembuhan (183)

Jumlah Positif (189)

Jumlah Kematian (3)

Cambodia

Testing (534562)

Kesembuhan (517)

Positif (1011)

Kematian (0)

Indonesia

Testing (11168525)

Kesembuhan (1194656)

Positif (1379662)

Kematian (37266)

Laos

Testing (116182)

Kesembuhan (42)

Positif (47)

Kematian (0)

Malaysia

Testing (6532613)

Kesembuhan (291958)

Positif (313460)

Kematian (1169)

Myanmar

Testing (2502453)

Kesembuhan (131672)

Positif (142034)

Kematian (3200)

Philippines

Testing (9036220)

Kesembuhan (545853)

Positif (594412)

Kematian (12516)

Singapore

Testing (7543963)

Kesembuhan (59894)

Positif (60033)

Kematian (29)

Thailand

Testing (1579597)

Kesembuhan (25777)

Positif (26441)

Kematian (85)

Vietnam

Testing (2214802)

Kesembuhan (1920)

Positif (2512)

Kematian (35)

Representasi pengetahuan

menampilkan kembali alternatif dan kriteria

yang ada pada basis pengetahuan dengan

menambahkan kode dari masing-masing

alternatif dan kriteria. Representasi

pengetahuan dari alternatif dapat dilihat

pada tabel 2.

Tabel 2. Representasi Alternatif [10]

Kode Alternatif

N1 Brunei Darussalam

N2 Cambodia

N3 Indonesia

N4 Laos

N5 Malaysia

N6 Myanmar

N7 Philippines

N8 Singapore

N9 Thailand

N10 Vietnam

Representasi kriteria menampilkan

kembali kriteria dengan tambahan kode dari

masing masing kriteria yaitu jumlah testing,

jumlah positif, jumlah kesembuhan, jumlah

kematian. Representasi pengetahuan dari

kriteria dapat dilihat pada tabel 3.




Tabel 3. Representasi Kriteria [2]

Kode Kriteria

C1 Jumlah Testing

C2 Jumlah Kesembuhan

C3 Jumlah Positif

C4 Jumlah kematian

Penentuan nilai kriteria perbandingan

berpasangan pembuat keputusan yang

digunakan sebagai seperti tabel 4 berikut.

Tabel 4. Skala Perbandingan

Berpasangan [11]

Nilai Keterangan

1 Sama penting

2 Mendekati sedikit lebih penting

dari

3 Sedikit lebih penting dari

4 Mendeketi lebih penting dari

5 Lebih penting dari

6 Mendekati sangat penting dari

7 Sangat penting dari

8 Mendekati mutlak dari

9 Mutlak sangat penting dari

IV. HASIL DAN PEMBAHASAN

Metode AHP digunakan untuk

menentukan bobot prioritas kriteria. Untuk

memperoleh prioritas kriteria dilakukan

matriks perbandingan berpasangan untuk

mengetahui tingkat prioritas dari masing-

masing kriteria. Proses menentukan tabel

perbandingan berpasangan dilakukan

dengan cara memberikan nilai dan

melakukan perbandingan kepentingan pada

setiap kriteria-kriteria ke dalam bentuk

matriks dengan menggunakan tabel 4 skala

perbandingan berpasangan. Prioritas dari

masing-masing kriteria dapat dilihat pada

tabel 5.

Tabel 5. Matriks Perbandingan

Berpasangan

C1 C2 C3 C4

C1 1 3 6 7

C2 0.3 1 4 5

C3 0.16667 0.25 1 3

C4 0.14 0.2 0.3 1

(Sumber Data : Hasil Penelitian)

Angka 1 yang ada di kolom C1 baris

C1 menunjukkan tingkat kepentingan yang

sama antara jumlah testing dengan jumlah

testing, sedangkan angka 3 di kolom C2

baris C1 menunjukkan bahwa jumlah testing

sedikit lebih penting dibandingkan jumlah

kesembuhan. Angka 0,3 yang ada di kolom

C1 baris C2 adalah hasil dari perhitungan

angka 1 yang ada di kolom C1 dan baris C1

dibagi dengan angka 3 di kolom C2 baris C1.

Begitupun dengan angka yang lainnya yang

didapatkan dengan perhitungan yang sama.

Untuk menentukan normalisasi, nilai

dari tiap kolom dibagi dengan total nilai dari

tiap kolom yang bersangkutan seperti pada

tabel 6.

Tabel 6. Perhitungan normalisasi

C1 C2 C3 C4

C1 1/1.6 3/4.45 6/11.3 7/16

C2 0.3/1.6 1/4.45 4/11.3 5/16

C3 0.16/1.6 0.25/4.45 1/11.3 3/16

C4 0.14/1.6 0.2/4.45 0.3/11.3 1/16

(Sumber Data : Data yang telah diolah)

Pada kolom C1 tabel 5 jumlah dari

kolom C1 adalah 1,6 maka semua nilai pada

kolom C1 dibagi dengan angka 1,6

selanjutnya pada kolom C2 tabel 5 jumlah

kolom C2 adalah 4,45 maka semua nilai

pada kolom C2 dibagi dengan angka 4,45

begitu seterusnya sampai dengan kolom C4.

Setelah melakukan perhitungan

normalisasi seperti pada tabel 6 kemudian

didapat bobot prioritas kriteria seperti pada

tabel 7.

Tabel 7. Bobot prioritas kriteria

C1 C2 C3 C4 Bobot

C1 0.6224

07

0.674

16

0.530

97

0.437

5

0.5662

59348

C2 0.1867

22

0.224

72

0.353

98

0.312

5

0.2694

80848

C3 0.1037

34

0.056

18

0.088

50

0.187

5

0.1089

77448




C4 0.0813

7

0.044

94

0.026

55

0.062

5

0.0552

82356


Hasil bobot prioritas pada tabel 6

diperoleh dari penjumlahan antar baris

kemudian dibagi 4.

C1=(0.622407+0.674157+0.530973+

0.4375)/4 = 0.566259348 Begitu seterusnya

sampai dengan baris C4

Sebelum masuk ke perangkingan

menggunakan metode TOPSIS bobot

prioritas kriteria konsistensinya perlu diukur

terlebih dahulu untuk memastikan apakah

nilai prioritas sudah dianggap baik. Nilai

prioritas kriteria sudah dianggap baik

apabila nilai CR (Consistency Ratio) kurang

dari 0,1. Untuk menghitung CR diperlukan

CI (Consistency Indeks). Adapun

konsistensi indeks diukur dengan rumus

𝐶𝐼 = 𝜆𝑚𝑎𝑥 − 𝑛

𝑛 − 1

Dimana λmax adalah penjumlahan

dari hasil perkalian total nilai tiap kolom

tabel matriks perbandingan berpasangan

dengan bobot dari masing-masing kriteria.

Setelah perhitungan dilakukan didapat nilai

CI = 0.074980881. Kemudian CR dihitung

menggunakan rumus

𝐶𝑅 =𝐶𝐼

𝐼𝑅

Nilai IR (Index Ratio) sudah

ditentukan berdasarkan teori Saaty dimana

matriks berordo 4 nilai IR adalah 0,9.

Setelah mela;ui proses perhitungan didapat

nilai CR = 0.08331209 [11].

Pada peneliian ini terdapat 10

alternatif. Nilai dari setiap alternatif di

representasikan dengan angka 2,4,6,8,10

dengan keterangan, 2 = sangat buruk, 4 =

rendah, 6 = rata-rata, 8 = baik, 10 = sangat

baik.

Tabel 8. Nilai alternative

Alternatif C1 C2 C3 C4

Brunei 8 8 8 6

Cambodia 4 2 8 10

Indonesia 6 4 2 4

Laos 2 4 10 10

Malaysia 8 6 6 8

Myanmar 6 6 4 6

Philippines 6 6 4 6

Singapore 10 10 8 10

Thailand 4 8 6 8

Vietnam 4 4 8 6


Nilai dari tabel 8 kemudian akan

digunakan untuk melakukan perangkingan

yang dilakukan menggunakan metode

topsis. Setelah melakukan input nilai

alternatif kemudian membuat matriks

ternormalisasi dengan rumus

𝑟𝑖𝑗 =𝑥𝑖𝑗

√∑ 𝑥𝑖𝑗𝑚𝑖=1

Tabel 9. Matriks ternormalisasi

C1 C2 C3 C4

N1 324.1

25

324.1

25

400.1

25

552.16

66667

N2 324.0

625

324.0

3125

400.1

25

552.27

77778

N3 324.0

9375

324.0

625

400.0

3125

552.11

11111

N4 324.0

3125

324.0

625

400.1

5625

552.27

77778

N5 324.1

25

324.0

9375

400.0

9375

552.22

22222

N6 324.0

9375

324.0

9375

400.0

625

552.16

66667

N7 324.0

9375

324.0

9375

400.0

625

552.16

66667

N8 324.1

5625

324.1

5625

400.1

25

552.27

77778

N9 324.0

625

324.1

25

400.0

9375

552.22

22222

N10 324.0

625

324.0

625

400.1

25

552.16

66667





Perhitungan tabel 9 adalah sebagai

berikut:

R11=8/82+42+62+22+82+62+62+102+42+42=

324.125

R12=4/82+42+62+22+82+62+62+102+42+42=

324.0625

R13=6/82+42+62+22+82+62+62+102+42+42=

324.09375

Begitupun dengan alternatif lain

menggunakan semua kriteria yang

ditetapkan. Selanjutnya membuat membuat

matriks normalisasi berbobot menggunakan

rumus

𝑦𝑖𝑗 = 𝑤𝑖 × 𝑟𝑖𝑗

Dimana wi (bobot kriteria) pada tabel

7 akan dikalikan dengan nilai normalisasi

pada tabel 9.

Tabel 10. Matriks ternormalisasi

berbobot

C1 C2 C3 C4

N

1

183.53

88113

87.345

48

43.604

60121

30.525

074

N

2

183.50

34201

87.320

21617

43.604

60121

30.531

21648

N

3

183.52

11157

87.328

63744

43.594

38458

30.522

00275

N

4

183.48

57245

87.328

63744

43.608

00676

30.531

21648

N

5

183.53

88113

87.337

05872

43.601

19567

30.528

14524

N

6

183.52

11157

87.337

05872

43.597

79012

30.525

074

N

7

183.52

11157

87.337

05872

43.597

79012

30.525

074

N

8

183.55

65069

87.353

90127

43.604

60121

30.531

21648

N

9

183.50

34201

87.345

48

43.601

19567

30.528

14524

N

10

183.50

34201

87.328

63744

43.604

60121

30.525

074


Perhitungan pada tabel 10 adalah

sebagai berikut:

Y11=0.566259348*324.125=183.5388113

Y12=0.269480848*324.125=87.34548

Y13=0.108977448*400.125=43.60460121

Begitu dengan alternatif lain dengan

semua kriteria yang ditetapkan. Setelah

melakukan perhitungan matriks normalisasi

terbobot dapat diketahui nilai solusi ideal

positif dan solusi ideal negatif, seperti

terlihat pada tabel 11.

Tabel 11. Solusi ideal positif dan solusi

ideal negatif

Solusi ideal positif Solusi ideal negatif

C1 183.5565069 183.4857245

C2 87.35390127 87.32021617

C3 43.60800676 43.59438458

C4 30.53121648 30.52200275


Solusi ideal positif diperoleh dari nilai

tertinggi matriks ternormalisasi berbobot

dan solusi ideal negatif diperoleh dari nilai

terendah matriks ternormalisasi berbobot.

Langkah selanjutnya setelah mengetahui

solusi ideal positif dan solusi ideal negatif

adalah menentukan jarak alternatif positif

dan negatif dengan rumus

alternatif positif𝐷𝑖+ = √∑ (𝑦𝑖

+𝑛𝑗=1 − 𝑦𝑖𝑗)2

alternatif negatif𝐷𝑖− = √∑ (𝑦𝑖𝑗

𝑛𝑗=1 − 𝑦𝑖

−)2

Sehingga jarak alternatif solusi ideal

positif dan negatif terlihat pada tabel 12

Tabel 12. Jarak alternatif solusi ideal

positif dan negatif (

Alternatif d+ d-

N1 0.020817772 0.05975184

N2 0.062964215 0.02241443

N3 0.046489292 0.036379323

N4 0.075155904 0.018476322

N5 0.025546603 0.056444679

N6 0.04096728 0.039461869

N7 0.04096728 0.039461869

N8 0.003405545 0.079587113

N9 0.054267391 0.032179439

N10 0.059209773 0.022312872

Sumber Data : Data yang telah diolah)




Pada tabel 12 menunjukan hasil dari

perhitungan jarak antara alternatif solusi

ideal positif dan alternatif solusi ideal

negatif dengan perhitungan jarak alternatif

solusi ideal positif sebagai berikut:

D1=√(183.5565069−183.5388113)2+(87.

35390127−87.34548)2+(43.60800676−43.

60460121)2+(30.53121648−30.525074)2=

0.020817772

D2=√(183.5565069−183.5034201)2+(87.

35390127−87.32021617)2+(43.60800676

−43.60460121)2+(30.53121648−30.53121

648)2= 0.062964215

Perhitungan jarak alternatif solusi ideal

negatif sebagai berikut:

D1=√(183.5388113−183.4857245)2+(87.

34548−87.32021617)2+(43.60460121−43.

59438458)2+(30.525074−30.52200275)2=

0.05975184

D2=√(183.5034201−183.4857245)2+(87.

32021617−87.32021617)2+(43.60460121

−43.59438458)2+(30.53121648−30.52200

275)2= 0.02241443

Kemudian setelah mendapatkan jarak

alternatif solusi ideal positif dan negatif

adalah menentukan nilai preferensi pada

solusi ideal dengan rumus

𝑉𝑖 =𝐷𝑖

−

𝐷𝑖− + 𝐷𝑖

+

Sehingga mendapatkankan hasil

seperti pada tabel 13.

Tabel 13. Nilai preferensi

Alternatif Preferensi Peringkat

N1 0.741617567 2

N2 0.262529703 9

N3 0.439000015 6

N4 0.197328661 10

N5 0.688422936 3

N6 0.490641384 4

N7 0.490641384 5

N8 0.958965703 1

N9 0.372245444 7

N10 0.273701522 8


Pada tabel 13 menunjukan nilai

preferensi dengan perhitungan sebagai

berikut:

𝑉1 = 0.05975184

0.05975184+0.020817772= 0.741617567

𝑉2 =0.02241443

0.02241443+0.062964215= 0.262529703

𝑉3 =0.036379323

0.036379323+0.046489292= 0.439000015

𝑉4 =0.018476322

0.018476322+0.075155904= 0.197328661

𝑉5 =0.056444679

0.056444679+0.025546603= 0.688422936

𝑉6 =0.039461869

0.039461869+0.04096728= 0.490641384

𝑉7 =0.039461869

0.039461869+0.04096728= 0.490641384

𝑉8 =0.079587113

0.079587113+0.003405545= 0.958965703

𝑉9 =0.032179439

0.032179439+0.054267391= 0.372245444

𝑉10 =0.022312872

0.022312872+0.059209773= 0.273701522

Setelah melalui proses perhitungan

mendapatkan hasil alternatif N8

mendapatkan nilai preferensi tertinggi yaitu

sebesar 0.958965703.

V. KESIMPULAN

Dari hasil pengujian yang telah

dilakukan mendapat kesimpulan bahwa

sistem pendukung keputusan pemeringkatan

negara ASEAN dalam penanganan

pandemic covid-19 dapat

diimplementasikan menggunakan metode

AHP TOPSIS. Pada proses perhitungan

yang telah dilakukan sistem memperoleh

hasil bahwa alternatif N8 mendapatkan nilai

preferensi tertinggi sebesar 0.958965703

dan alternatif N4 mendapatkan nilai

preferensi terendah sebesar 0.197328661.

VI. SARAN

Untuk penelitian selanjutnya adalah

menggunakan lebih banyak kriteria

penilaian untuk pendapatkan hasil yang

lebih baik.




VII. DAFTAR PUSTAKA

[1] D. Tuwu, “KEBIJAKAN

PEMERINTAH DALAM

PENANGANAN PANDEMI

COVID-19,” J. Publicuho, vol. 3, no.

2, pp. 267–278, 2020, doi:

10.35817/jpu.v3i2.12535.

[2] worldometers, “Reported Cases and

Deaths by Country or Territory,”

www.worldometers.info/coronavirus

/#countries. .

[3] T. Praningki, M. Bayu, and A.

Pramono, “Sistem Pendukung

Keputusan Seleksi Atlet Panahan

menggunakan Logic Fuzzy metode

AHP-TOPSIS,” CAHAYAtech, vol.

8, no. 2, p. 150, 2019, doi:

10.47047/ct.v8i2.51.

[4] P. P. Santika and I. P. S. Handika,

“SISTEM PENDUKUNG

KEPUTUSAN PENERIMAAN

KARYAWAN DENGAN METODE

AHP TOPSIS (Studi Kasus: PT.

Global Retailindo Pratama),”

SINTECH (Science Inf. Technol. J.,

vol. 2, no. 1, pp. 1–9, 2019, doi:

10.31598/sintechjournal.v2i1.321.

[5] V. D. Iswari, F. Y. Arini, and B. A.

Muslim, “Sistem Pendukung

Keputusan Seleksi Mahasiswa

Berprestasi Menggunakan AHP-

TOPSIS Metode Kombinasi,” vol.

10, no. 51, pp. 40–48, 2019.

[6] D. R. Sari, A. P. Windarto, D.

Hartama, and S. Solikhun, “Decision

Support System for Thesis

Graduation Recommendation Using

AHP-TOPSIS Method,” J. Teknol.

dan Sist. Komput., vol. 6, no. 1, pp.

1–6, 2018, doi:

10.14710/jtsiskom.6.1.2018.1-6.

[7] A. Suryana, E. Yulianto, and K. D.

Pratama, “PENILAIAN PRESTASI

PEGAWAI MENGGUNAKAN

METODE,” J. Ilm. Teknol. Inf.

Terap., vol. III, no. 2, pp. 130–139,

2017.

[8] D. Wira, T. Putra, and M. Epriyano,

“SISTEM PENDUKUNG

KEPUTUSAN PEMILIHAN

SEPEDA MOTOR JENIS SPORT

150CC BERBASIS WEB

MENGGUNAKAN METODE

ANALYTICAL HIERARCY

PROCESS ( AHP ),” vol. 5, no. 2, pp.

16–24, 2017, doi:

10.21063/JTIF.2017.V5.2.16-24.

[9] I. Sommerville, Software

Engineering (Rekayasa Perangkat

Lunak). 2003.

[10] Setnas-ASEAN, “Tentang ASEAN,”

http://setnas-asean.id/tentang-

asean, 2017. .

[11] R. W. Saaty, “The analytic hierarchy

process-what it is and how it is used,”

Math. Model., vol. 9, no. 3–5, pp.

161–176, 1987, doi: 10.1016/0270-

0255(87)90473-8.

implementasi metode hybrid ahp-topsis pada …

Documents