sistem pendukung keputusan dengan metode fuzzy

Pengertian Sistem Pendukung Keputusan

Konsep Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision Sistem. Sistem tersebut adalah suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur.Istilah SPK mengacu pada suatu sistem yang memanfaatkan dukungan komputer dalam proses pengambilan keputusan.

Pengertian Metode Fuzzy

Ada beberapa hal yang perlu diketahui dalam memahami metode fuzzy, yaitu:

§  Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan, dsb.

§  Himpunan fuzzy. Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.

§  Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan riil yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.

§  Domain himpunan samar adalah keseluruhan nilai yang di ijinkan dalam semesta pembicaraan, domain merupakan himpunan bilangan riil yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun bilangan negatif.

Metode Fuzzy Tsukamoto

Pada metode penarikan kesimpulan samar Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan samar dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil penarikan kesimpulan (inference) dari tiap-tiap aturan diberikan secara tegas (cnsp) berdasarkan α-predikat (fire strength). Hasil akhir diperoleh dengan menggunakan rata-rata berbobot (weight average).

Fungsi Keanggotaan

Dalam himpunan fuzzy terdapat beberapa representasi dari fungsi keanggotaan, salah satunya yaitu representasi linear. Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus.

Ò  Representasi linear NAIK

Ò  Representasi linear TURUN

Ò  Konjungsi fuzzy

            μ A∧B=μ A(x) ∩ μB(y)= min(μA(x), μB(y))

Ò  Disjungsi fuzzy

            μ A∨B=μ A(x) ∪ μB(y)= max(μA(x), μB(y))

Ò  Pada metode Tsukamoto, implikasi setiap aturan berbentuk implikasi “Sebab-Akibat”/Implikasi “Input-Output”

 Contoh

Misalkan ada 2 variabel input, Var-1 (x) dan Var-2(x), serta variabel output,Var-3(z), dimana Var-1 terbagi atas 2 himpunan yaitu A1 dan A2. Var-2 terbagi atas 2 himpunan B1 dan B2, Var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2 (C1 dan C2 harus monoton). Ada 2 aturan yang digunakan, yaitu:

Ò  [R1] IF (x is A1) and (y is B2) THEN (z is C1)

Ò  [R2] IF (x is A2) and (y is B1) THEN (z is C2) 

Contoh Kasus

Anda sedang makan di sebuah restoran. Ada seorang pelayan yang melayani anda mulai dari menyambut kedatangan, menulis menu yang anda pesan, mengantar makanan, sampai menyajikan makanan.

Anda akan memberikan tips berdasarkan kualitas pelayanan yang anda rasakan. Faktor-faktor yang mempengaruhi penilaian anda adalah nilai pembayaran makanan yang anda pesan dan durasi menunggu pesanan. Diketahui dalam restoran tadi bahwa pembayaran makanan yang dibeli, terendah adalah rp 50.000,- dan tertinggi 1.550.000,- untuk sekali kedatangan. Sedangkah lamanya menunggu pesanan datang tercepat adalah 1 menit dan terlama 16 menit. Sedangkan tips yang biasanya anda berikan berkisar mulai rp. 10.000,- sampai rp. 30.000,-.

Jika suatu saat, anda makan di restoran tersebut, nilai pembayaran makanan yang anda pesan adalah rp. 600.000,- dan lamanya anda menunggu makanan yang anda pesan adalah 12 menit. Berapakah tips yang akan anda berikan ?

Tabel  Data maksimum dan Data minimum

Data Jumlah Satuan

Pembayaran Tertinggi	1.550.000
Pembayaran Terendah	50.000
Pelayanan Tercepat	1
Pelayanan Terlama	16
Tips Terrendah	10.000
Tips Terbanyak	30.000

Penyelesaian

a.      Memodelkan variabel fuzzy (Fuzzifikasi)

a.   Ada 3 variabel fuzzy yang akan dimodelkan, yaitu: Pembayaran, Pelayanan, dan Tips.

1.       Pembayaran; terdiri dari 2 himpunan fuzzy, yaitu RENDAH dan TINGGI. Fungsi keanggotaan Permintaan direpresentasikan pada Gambar.

Fungsi Keanggotaan Himpunan Rendah, dan Tinggi dari variabel.

Pembayaran:

Nilai keanggotaan himpunan Rendah, dan Tinggi dari variabel

Pembayaran bisa dicari dengan:

                 μPembayaranRendah[600.000] = (1.550.000-600.000)/1.500.000

                                                           = 0,6333

          μPembayaranTinggi[600.000] = (600.000-50.000)/1.500.000

                                                         = 0,3667

2.   Pelayanan; terdiri dari 2 himpunan fuzzy, yaitu CEPAT dan LAMA. Fungsi keanggotaan Pelayanan direpresentasikan pada Gambar.

Fungsi Keanggotaan Himpunan Cepat, dan Lama dari variabel

Pelayanan:

                             

Nilai keanggotaan himpunan Cepat, dan Lama dari variabel.

Pelayanan bisa dicari dengan:

μPelayananCepat[12] = (16-12)/15

                                   = 0,267

μPelayananLama[12] = (12-1)/15

                                                                                =0,733

3.         TIPS; terdiri dari 2 himpunan fuzzy, yaitu Rendah dan Banyak. Fungsi keanggotaan Permintaan direpresentasikan pada Gambar. 

Fungsi Keanggotaan Himpunan Rendah, dan Banyak dari variabel

Tips:

b.      INFERENSI

[R1] IF Pembayaran Rendah And Pelayanan Lama THEN Tips Rendah;

Nilai keanggotaan anteseden untuk aturan fuzzy [R1] yang dinotasikandengan α1 diperoleh dengan rumus sebagai berikut:

α1 =  μPembayaranRendahPelayananLama

= min(μPembayaranRendah [600.000], μ PelayananLama [12])

= min (0,633, 0,733)

= 0.6333

z1=zmax – α1(zmax – zmin) (3.11)

z1 adalah nilai z untuk aturan fuzzy [R1].

Menurut fungsi keanggotaan himpunan Tips Rendah dalam aturan fuzzy [R1], maka nilai z1 adalah:

z1=30.000-0,633(30.000-10.000)

⇔z1=30.000‐12660

⇔z1 =17.340

[R2] IF Pembayaran Rendah And Pelayanan Cepat THEN Tips Rendah;

Nilai keanggotaan anteseden untuk aturan fuzzy [R2] yang dinotasikandengan α1 diperoleh dengan rumus sebagai berikut:

α2 =  μPembayaranRendahPelayananCepat

= min(μPembayaranRendah [600.000], μ PelayananCepat [12])

= min (0,633, 0,267)

= 0.267

Z2=zmax – α2(zmax – zmin)

z1 adalah nilai z untuk aturan fuzzy [R2].

Menurut fungsi keanggotaan himpunan Tips Rendah dalam aturan fuzzy [R2], maka nilai z2 adalah:

Z2=30.000-0,267 (30.000-10.000)

⇔z2=30.000‐5340

⇔z2=24660

[R3] IF Pembayaran Tinggi And Pelayanan Lama THEN Tips Banyak;

Nilai keanggotaan anteseden untuk aturan fuzzy [R3] yang dinotasikandengan α3 diperoleh dengan rumus sebagai berikut:

α3 =  μPembayaranTinggiPelayananLama

= min(μPembayaranTinggi [600.000], μ PelayananLama [12])

= min (0,367, 0,733)

= 0.367

z3=zmax – α3(zmax – zmin)

z3 adalah nilai z untuk aturan fuzzy [R3].

Menurut fungsi keanggotaan himpunan Tips Banyak dalam aturan fuzzy [R3], maka nilai z3 adalah:

z3=30.000-0,367 (30.000-10.000)

⇔z3=30.000‐7340

⇔z3=22660

[R4] IF Pembayaran Tinggi And Pelayanan Cepat THEN Tips Banyak;

Nilai keanggotaan anteseden untuk aturan fuzzy [R3] yang dinotasikandengan α3 diperoleh dengan rumus sebagai berikut:

α4 =  μPembayaranTinggiPelayananLama

= min(μPembayaranTinggi [600.000], μ PelayananCepat[12])

= min (0,367, 0,267)

= 0.267

z4=zmax – α4(zmax – zmin)

z4 adalah nilai z untuk aturan fuzzy [R3].

Menurut fungsi keanggotaan himpunan Tips Banyak dalam aturan fuzzy [R3], maka nilai z3 adalah:

z4=30.000-0,267 (30.000-10.000)

⇔z4=30.000‐5340

⇔z4=24660

c.       Menentukan Output Crisp (Deffuzzyfikasi)

Pada metode Tsukamoto, untuk menentukan output crisp digunakan defuzifikasi rata-  rata terpusat, yaitu:

SISTEM PENDUKUNG KEPUTUSAN DENGAN PROMETHEE

Sistem pendukung keputusan adalah suatu sistem berbasis komputer yang ditujukan untuk membantu pengambil keputusan dalam memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur. PROMETHEE yang merupakan salah satu metode penentuan urutan atau prioritas dalam analisis multikriteria sangat tepat untuk digunakan karena dugaan dari dominasi kriteria yang digunakan dalam promethee adalah penggunaan nilai dalam hubungan outrangking. Sehingga diperoleh solusi atau hasil dari beberapa alternatif untuk diambil sebuah keputusan. Hasil perangkingan menunjukkan bahwa PROMETHEE I yang berdasarkan pada nilai entering flow dan leaving flow (Perangkingan Parsial) sedangkan PROMETHEE II yang didasarkan pada nilai Net Flow (Perangkingan Lengkap).
Hasil dari penelitian ini adalah sistem pendukung keputusan yang dibangun dengan metode PROMETHEE dapat menentukan urutan alternatif penerima Beasiswa Percikan Iman (BsPI) yang tepat dari berbagai pilihan dengan berbagai kriteria bagi masing-masing alternatif.

Jenis Metode Pengambilan Keputusan Kriteria Majemuk

Ada beberapa metode standar yang umum digunakan untuk pengambilan keputusan Kriteria majemuk adalah Multi Attribute Utility Theory  (MAUT)  (Edward, W, 1997), Simple Multi Attribute Rating Tecnique  (SMART)  (Edward, W dan Barron, FH, 1994), Preference Ranking Organization Method for Enrichment Evaluation  (PROMETHEE) (Brans  et al,  1984)  dan  Analytic Hierarchy Process  (AHP) (Saaty, TL, 1980). Perkembangan ilmu pengambilan keputusan kriteria majemuk juga telah meluas dengan diperkenalkan metode yang lebih kompleks seperti Analytic Network Process (ANP). Penelitian ini mengambil basis metode PROMETHEE sebagai metode untuk memecahkan permasalahan yang dihadapi dalam menentukan kelayakan penerimaan beasiswa.

Metode yang Digunakan dalam SPK

Metode yang digunakan dalam pengambilan keputusan penerima beasiswa ini yaitu menggunakan metode PROMETHEE.

Dasar PROMETHEE

PROMETHEE  adalah salah satu metode penentuan urutan atau prioritas dalam analisis multikriteria atau MCDM (Multi Criterion Decision Making). Dugaan dari dominasi kriteria yang digunakan dalam PROMETHEE  adalah penggunaan nilai dalam  hubungan  outrangking. Masalah pokoknya adalah kesederhanaan, kejelasan dan kestabilan. Semua parameter yang dinyatakan mempunyai pengaruh  nyata menurut pandangan ekonomi.

Data dasar untuk evaluasi dengan methode PROMETHEE disajikan pada Gambar 1 sebagai berikut :

Gambar 1 Data Dasar analisis PROMETHEE

Dominasi kriteria

Nilai f merupakan nilai nyata dari suatu kriteria, f : K → Я (Real Word) dan tujuannya berupa prosedur optimasi untuk setiap  alternatif  yang akan diseleksi,  a ε K,  f(a) merupakan evaluasi dari alternatif yang akan diseleksi tersebut untuk setiap kriteria. Pada saat dua  alternatif  dibandingkan  a,b ε K, harus  dapat ditentukan perbandingan preferensinya.

Penyampaian Intensitas (P) dari preferensi alternatif  a  terhadap alternatif  b sedemikian rupa sehingga:
- P(a,b) = 0,berarti tidak ada beda antara a dan b, atau tidak ada preferensi dari a  lebih baik dari b.
- P(a,b) ≈ 0, berarti lemah preferensi dari a lebih baik dari b.

- P(a,b) = 1, kuat preferensi dari a lebih baik dari b.
- P(a,b) ≈ 1, berarti mutlak preferensi dari a lebih baik dari b.

Dalam metode ini fungsi preferensi seringkali menghasilkan nilai fungsi  yang berbeda antara dua evaluasi, sehingga : P(a,b) = P(f(a)-f(b)).
Untuk semua kriteria, suatu obyek akan dipertimbangkan memiliki nilai kriteria yang lebih baik ditentukan nilai f dan akumulasi dari nilai ini menentukan nilai preferensi atas masing–masing obyek yang akan dipilih.
Setiap kriteria boleh memiliki nilai dominasi  kriteria  atau bobot  kriteria  yang  sama atau berbeda, dan nilai bobot  tersebut harus di atas 0 (Nol). Sebelum menghitung bobot untuk masing-masing kriteria, maka dihitung total bobot dari seluruh kriteria terlebih dahulu. Berikut rumus perhitungan bobot kriteria :

Maka didapat rumus perbandingan untuk setiap alternatif, sebagai berikut :  

Rekomendasi fungsi preferensi untuk keperluan aplikasi

Dalam metode  PROMETHEE  ada Enam bentuk fungsi preferensi kriteria. Untuk memberikan gambaran yang lebih baik terhadap area yang tidak sama, maka digunakan tipe fungsi preferensi. Ke Enam tipe preferensi tersebut meliputi :

1.  Tipe Biasa (Usual Criterion)

Tipe Usual adalah tipe dasar, yang tidak memiliki nilai threshold atau kecenderungan dan tipe ini jarang digunakan. Pada tipe ini dianggap tidak ada beda antara alternatif a dan alternatif b jika a=b atau f(a)=f(b) , maka niliai preferensinya benilai 0 (Nol) atau P(x)=0. Apabila nilai kriteria pada masing-masing alternatif memiliki nilai berbeda, maka  pembuat keputusan membuat  preferensi mutlak  benilai 1 (Satu) atau  P(x)=1 untuk alternatif  yang  memiliki nilai lebih baik. Fungsi  P(x)  untuk preferensi ini disajikan pada gambar 2.

Gambar 2 Tipe Preferensi Usual [7]

2.  Tipe Quasi (Quasi Criterion atau U-Shape)

Tipe Quasi sering digunakan dalam penilaian suatu data dari segi kwalitas atau mutu, yang mana tipe  ini  menggunakan Satu  threshold  atau  kecenderungan  yang sudah ditentukan,  dalam kasus ini  threshold  itu adalah  indifference.  Indifference ini biasanya dilamabangkan dengan karakter m atau q, dan nilai indifference harus diatas 0 (Nol). Suatu alternatif memiliki  nilai  preferensi yang sama penting selama selisih atau nilai P(x) dari masing-masing alternatif  tidak melebihi nilai  threshold. Apabila selisih hasil evaluasi untuk masing-masing alternatif melebihi nilai  m maka terjadi bentuk preferensi mutlak, jika pembuat memutuskan menggunakan kriteria ini, maka decision maker  tersebut harus menentukan nilai m, dimana nilai ini dapat dijelaskan pengaruh yang signifikan dari sutau kriteria. fungsi P(x) untuk preferensi ini disajikan pada gambar 3.

Gambar 3 Tipe Preferensi Quasi [7]

1.      Tipe Linier (Linear Criterion atau V-Shape)

Tipe Linier acapkali digunakan dalam penilaian dari segi kuantitatif atau banyaknya jumlah, yang mana tipe  ini  juga menggunakan Satu  threshold  atau  kecenderungan yang sudah ditentukan,  dalam kasus ini  threshold  itu adalah  preference. Preference ini biasanya  dilamabangkan dengan karakter  n  atau  p, dan nilai  preference  harus diatas 0 (Nol). Kriteria ini menjelaskan bahwa selama nilai selisih memiliki nilai yang lebih rendah dari n, maka nilai preferensi dari pembuat keputusan meningkat secara linier dengan nilai x, jika nilai x lebih besar dibandingkan dengan nilai n, maka terjadi preferensi mutlak. Fungsi P(x) untuk preferensi ini disajikan pada gambar 4.

 Gambar 4 Tipe Preferensi Linear [7]

2.      Tipe Tingkatan (Level Criterion)

Tipe ini mirip dengan  tipe Quasi yang sering digunakan dalam penilaian suatu data dari segi kwalitas atau mutu. Tipe ini  juga menggunakan  threshold indifference (m) tetapi  ditambahkan Satu  threshold  lagi  yaitu  preference  (n). Nilai  indifference serta preference harus diatas 0 (Nol) dan nilai indifference harus di bawah nilai preference. Apabila alternatif tidak memiliki perbedaan (x), maka nilai preferensi sama dengan 0 (Nol)  atau P(x)=0. Jika  x  berada  diatas  nilai m  dan  dibawah nilai  n, hal ini berarti situasi preferensi yang lemah P(x)=0.5. Dan jika x lebih besar atau sama dengan nilai n maka terjadi preferensi mutlak P(x)=1. Fungsi P(x) untuk preferensi ini disajikan pada gambar 5.

Gambar 5 Tipe Preferensi Level [7] 

3.      Tipe Linear Quasi (Linear Criterion with Indifference)

Tipe  Linear Quasi  juga  mirip dengan tipe Linear  yang acapkali digunakan dalam penilaian dari segi  kuantitatif  atau banyaknya jumlah. Tipe ini juga  menggunakan threshold  preference (n) tetapi ditambahkan Satu threshold  lagi yaitu  indifference (m). Nilai indifference  serta  preference  harus diatas 0 (Nol) dan nilai  indifference harus di bawah nilai  preference. Pengambilan keputusan mempertimbangkan peningkatan preferensi secara linier dari tidak berbeda hingga preferensi mutlak dalam  area antara dua kecenderungan  m  dan  n.  Fungsi  P(x)  untuk preferensi ini disajikan pada gambar 6.

 Gambar 6 Tipe Preferensi Linear Quasi [7]

4.      Tipe Gaussian

Tipe Gaussian sering digunakan untuk mencari nilai aman atau titik aman pada data yang bersifat continue atau berjalan terus.[8] Tipe ini memiliki nilai  threshold yaitu Gaussian  threshold  ( )  yang berhubungan dengan nilai standar deviasi  atau distribusi  normal dalam statistik. fungsi  P(x)  untuk preferensi ini disajikan pada gambar 7.

Gambar 7 Tipe Preferensi Gaussian [7]

Nilai threshold atau kecenderungan

Enam tipe dari  penyamarataan kriteria bisa dipertimbangkan  dalam metode PROMETHEE, tiap-tiap tipe bisa lebih mudah ditentukan  nilai kecenderungannya atau parameternya karena hanya Satu atau Dua parameter yang mesti ditentukan. Hanya tipe Usual saja yang tidak memiliki nilai parameter.

1. Indifference  threshold  yang biasa dilambangkan dalam karakter m atau q.  Jika nilai perbedaan (x) di bawah atau sama dengan nilai  indifference x ≤ m maka x dianggap tidak memiliki nilai perbedaan x = 0.
2. Preference  threshold  yang biasa dilambangkan dalam karakter  n  atau  p. Jika nilai perbedaan (x) di  atas  atau sama dengan nilai  preference  x  ≥  n  maka perbedaan tersebut memiliki nilai mutlak x = 1.
3. Gaussian threshold  yang biasa dilambangkan dalam karakter σ serta diketahui dengan baik sebagai parameter  yang secara langsung berhubungan dengan nilai standar deviasi pada distribusi normal. [5]

Arah dalam grafik nilai outrangking
Perangkingan yang digunakan dalam metode  PROMETHEE  meliputi tiga bentuk antara lain :

1.  Entering flow
Entering flow adalah jumlah dari yang memiliki arah mendekat dari node a dan hal ini merupakan karakter pengukuran outrangking.

Untuk setiap nilai  node  a dalam grafik nilai  outrangking  ditentukan berdasarkan entering flow dengan persamaan :

2.  Leaving flow
Sedangkan Leaving flow adalah jumlah dari yang memiliki arah menjauh dari node a dan hal ini merupakan pengukuran outrangking. Adapun persamaannya:

3.  Net Flow
Sehingga pertimbangan dalam penentuan Net flow diperoleh dengan persamaan : 

Semakin besar nilai  Entering  flow  dan semakin kecil  Levaing  flow maka alternatif tersebut memiliki kemungkinan dipilih yang semakin besar. Perangkingan dalam PROMETHEE I dilakukan secara parsial,  yaitu didasarkan pada nilai Entering  flow dan Levaing  flow. Sedangkan  PROMETHEE  II termasuk perangkingan komplek karena didasarkan pada nilai Net  flow masing-masing alternatif yaitu alternatif dengan nilai Net flow lebih tinggi menempati satu rangking yang lebih baik.

Langkah-langkah perhitungan dengan metode PROMETHEE

Langkah-langkah perhitungan dengan metode PROMETHEE adalah sebagai berikut:

1. Menentukan beberapa alternatif
2. Menentukan beberapa kriteria
3. Menentukan dominasi kriteria
4. Menentukan tipe penilaian,  dimana tipe penilaian memiliki 2 tipe yaitu; tipe minimum dan maksimum.
5. Menentukan tipe preferensi untuk setiap kriteria yang paling cocok didasarkan pada data dan pertimbangan  dari  decision maker.  Tipe preferensi ini berjumlah  Enam (Usual, Quasi, Linear, Level, Linear Quasi dan Gaussian).
6. Memberikan nilai  threshold  atau  kecenderungan  untuk setiap kriteria berdasarkan preferensi yang telah dipilih.
7. Perhitungan Entering flow, Leaving flow dan Net flow
8. Hasil pengurutan hasil dari perangkingan

Dalam metode promethee ada 2 macam perangkingan yang disandarkan pada hasil perhitungan, antara lain :

1. Perangkingan parsial yang didasarkan pada nilai Entering flow dan Leaving flow.
2. Perangkingan lengkap atau komplit yang didasarkan pada nilai Net flow. 

Aplikasi SPK Sistem Pendukung Keputusan Metode SAW

Skripsiteknikinformatika.net - Sistem pendukung keputusan atau biasa disingkat SPK merupakan sebuah sistem yang mampu memecahkan ataupun kemampuan pengkomunikasian sebuah masalah dengan kondisi semi terstruktur dan tak terstruktur dimana tak seorangpun tahu secara pasti bagaimana keputusan seharusnya.

Dalam kasusk ini SPK yang digunakan adalah metode SAW dengan kasus pada sistem penerimaan beasiswa pada universitas. Berikut keterangan dari setiap menunya.

Aplikasi SPK Sistem Pendukung Keputusan Metode SAW

Aplikasi SPK Metode SAW Berbasis Web

Halaman Awal SPK Berbasis Web
Pada halaman ini Anda bisa menambahkan deskripsi atau ucapan selamat datang yang ditujukan kepada pengunjung aplikasi SPK.

Contoh Sistem Penunjang Keputusan SAW

Menu Klasifikasi
Menu ini berfungsi untuk menentukan klasifikasi dari setiap mahasiswa yang akan diberikan beasiswa untuk nantinya diolah oleh sistem.

Contoh SPK Berbasis WEB

Menu Kriteria
Menu kriteria digunakan untuk mengelompokan sebuah data sehingga lebih rapi.

Program SPK Berbasis PHP dan Mysql Web

Menu Himpunan Kriteria
Merupkan kumpulan data yang diambil dari beberapa klasifikasi. Seperti klasifikasi IPK, penghasilan orangtua, semester, jumlah tanggungan dan usia.

Sistem Penujang Keputusan Metode SAW

Menu Data Mahasiswa
Merupakan kumpulan data yang berisi informasi setiap mahasiswa, disini Anda bisa memasukan data seperti NIM, Nama Mahasiswa dan Jurusan.

Sistem Penujang Keputusan SAW PHP Mysql

Halam Home Admin
Mirip seperti halaman beranda pada awal tampilan SPK, halaman ini akan Anda jumpai saat sukses login sebagai Administrator. Anda bisa menambahkan informasi untuk ditampilkan pada aplikasi.

Sourcecode SPK berbasis Web

Analisa Beasiswa
Menu khusus yang digunakan untuk menganalisa setiap data, nantinya dari menu ini dihasilkan sebuah data seperti ini :

Hasil Sistem Penunjang Keputusan Berbasis Web

Sistem penunjang keputusan berbasis web pada kasus penerimaan beasiswa untuk mahasiswa sudah siap digunakan, kami informasikan juga ada beberapa mahasiswa jurusan teknik informatika yang menggunakan SPK ini untuk skripsi dan berhasil lulus.