PEMBUATAN APLIKASI CHATTING SERVER CLIENT DENGAN PEMROGRAMAN SOCKET JAVA

Disusun oleh: 1. 2. 3. 4. 5. YUDHA DWI PUTRA NEGARA (070411100171) KHOTIBUL UMAM UMMU ZAZILAH SULIS SETYOWATI SILVIA AYU WULANDARI (070411100077) (070411100165) (070411100157) (070411100149)

JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO 2010

1. BAB I.

usia dan lain-lain. jumlah saudara kandung. Kriteria yang ditetapkan dalam studi kasus ini adalah nilai indeks prestasi akademik. Universitas Trunojoyo khususnya fakultas teknik adalah salah satu universitas yang mengelar program beasiwa setiap tahun bagi mahasiswa yang kurang mampu dan mahasiswa berprestasi. diharapkan penilaian akan lebih tepat karena didasarkan pada nilai kriteria dan bobot yang sudah ditentukan sehingga akan mendapatkan hasil yang lebih akurat terhadap siapa yang akan menerima beasiswa tersebut.2 Rumusan Masalah Berdasarkan latar belakang di atas dapat dirumuskan permasalahan yang akan diselesaikan yaitu bagaimana merancang sebuah system pendukung keputusan dengan menggunakan Fuzzy MADM (Multiple Attribute Decission Making) dengan metode SAW (Simple Additive Weighting) untuk menentukan siapa yang akan menerima beasiswa berdasarkan bobot dan kriteria yang sudah ditentukan. semester. Metode SAW ini dipilih karena metode ini menentukan nilai bobot untuk setiap atribut. Untuk mendapatkan beasiswa tersebut maka harus sesuai dengan aturan-aturan yang telah ditetapkan. hanya yang memenuhi kriteria-kriteria saja yang akan memperoleh beasiswa tersebut. jumlah tanggungan orang tua. penghasilan orang tua. kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternative terbaik dari sejumlah alternatif.1 Latar Belakang Disetiap lembaga pendidikan khususnya universitas banyak sekali beasiswa yang ditawarkan kepada mahasiswa yang berprestasi dan yang kurang mampu. Oleh sebab itu tidak semua yang mendaftarkan diri sebagai calon penerima beasiswa tersebut akan diterima. . dalam hal ini alternatif yang dimaksud adalah yang berhak menerima beasiswa berdasarkan kriteria-kriteria yang ditentukan Dengan metode perangkingan tersebut. 1. Oleh karena jumlah peserta yang mengajukan beasiswa banyak serta indikator criteria yang banyak juga. Dengan menggunakan sebuah program untuk membantu menyelesaikan persmasalahan sehingga jauh lebih mudah dan efisien. Ada beasiswa yang dari lembaga milik nasional maupun swasta. maka perlu dibangun sebuah sistem pendukung keputusan yang akan membantu penentuan siapa yang berhak untuk mendapatkan beasiswa tersebut Model yang digunakan dalam sistem pendukung keputusan ini adalah Fuzzy Multiple Attribute Decision Making (FMADM).Pendahuluan 1.

1. . Metode pengambilan data diperoleh dengan menggunakan interview. b. 1.3 Batasan Masalah Pada penelitian ini diperlukan batasan-batasan agar sesuai dengan apa yang sudah direncanakan sebelumnya sehingga tujuan penelitian dapat tercapai. Adapun batasan masalah yang di bahas pada penelitian ini adalah: a.4 Tujuan Penelitian Tujuan penelitan ini adalah membangun suatu model pengambilan keputusan dengan mengunakan Fuzzy Multiple Attribute Decision Making (FMADM) dengan metode Simple Additive Weighting (SAW) untuk menentukan siapa yang akan menerima beasiswa berdasarkan kriteriakriteria serta bobot yang sudah ditentukan. Sample data yang dilakukan untuk penelitian ini diperoleh dari mahasiswa fakultas teknik universitas trunojoyo .

1 Beasiswa Pada dasarnya. . Scott Morton dengan istilah Management Decision Sistem. Karena beasiswa bisa diartikan menambah kemampuan ekonomis bagi penerimanya. SPK sebagai sistem informasi berbasis komputer yang adaptif. Karakteristik dan Nilai Guna Karakteristik sistem pendukung keputusan adalah [10]: 1. dan interaktif yang digunakan untuk memecahkan masalah-masalah tidak terstruktur sehingga meningkatkan nilai keputusan yang diambil. Dengan demikian dapat ditarik satu definisi tentang SPK yaitu sebuah system berbasis komputer yang adaptif. interaktif. 2. beasiswa adalah penghasilan bagi yang menerimanya. BAB II DASAR TEORI 2. fleksibel.2. 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 SPK sebagai sebuah sistem berbasis computer yang membantu dalam proses pengambilan keputusan. Hal ini sesuai dengan ketentuan pasal 4 ayat (1) UU PPh/2000. fleksibel.2 Sistem Pendukung Keputusan pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. berarti beasiswa merupakan penghasilan. Disebutkan pengertian penghasilan adalah tambahan kemampuan ekonomis dengan nama dan dalam bentuk apa pun yang diterima atau diperoleh dari sumber Indonesia atau luar Indonesia yang dapat digunakan untuk konsumsi atau menambah kekayaan Wajib Pajak (WP). yang secara khusus dikembangkan untuk mendukung solusi dari pemasalahan manajemen yang tidak terstruktur untuk meningkatkan kualitas pengambilan keputusan. Sistem Pendukung Keputusan dirancang untuk membantu pengambil keputusan dalam memecahkan masalah yang sifatnya semi terstruktur ataupun tidak terstruktur dengan menambahkan kebijaksanaan manusia dan informasi komputerisasi.

SPK memperluas kemampuan pengambil keputusan dalam memproses data / informasi bagi pemakainya. 3. Dengan berbagai karakter khusus diatas. diantaranya adalah [10] : 1. karena mampu menyajikan berbagai alternatif pemecahan. Dalam proses pengolahannya.2. SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan. Manfaat yang dapat diambil dari SPK adalah [10]: 1. Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat dimodelkan. Proses-proses yang dapat dilakukan SPK biasanya juga tergantung pada perangkat lunak yang digunakan. dirancang sedemikian rupa sehingga dapat digunakan/dioperasikan dengan mudah. mungkin saja tidak mampu memecahkan masalah yang dihadapi oleh pengambil keputusan. SPK membantu pengambil keputusan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur. 4. Sistem Pendukung Keputusan dirancang dengan menekankan pada aspek fleksibilitas serta kemampuan adaptasi yang tinggi. 4. 3. sehingga model yang ada dalam sistem tidak semuanya mencerminkan persoalan sebenarnya. sistem pendukung keputusan mengkombinasikan penggunaan model-model analisis dengan teknik pemasukan data konvensional serta fungsi-fungsi pencari / interogasi informasi. Kemampuan suatu SPK terbatas pada perbendaharaan pengetahuan yang dimilikinya (pengetahuan dasar serta model dasar). Di samping berbagai keuntungan dan manfaat seperti dikemukakan diatas. 4. SPK juga memiliki beberapa keterbatasan. 3. 2. 2. Sistem ini dirancang hanyalah untuk membantu pengambil keputusan dalam melaksanakan tugasnya. namun ia dapat menjadi stimulan bagi pengambil keputusan dalam memahami persoalannya. Sistem Pendukung Keputusan. SPK tidak memiliki kemampuan intuisi seperti yang dimiliki manusia. SPK dapat memberikan berbagai manfaat dan keuntungan. Walaupun suatu SPK. .

2.Jadi secara dapat dikatakan bahwa SPK dapat memberikan manfaat bagi pengambil keputusan dalam meningkatkan efektifitas dan efisiensi kerja terutama dalam proses pengambilan keputusan. Subsistem pengelolaan dialog (userinterface). Data tersebut disimpan dan diorganisasikan dalam sebuah basis data yang diorganisasikan oleh suatu sistem yang disebut dengan sistem manajemen basis data (Database Management System). Sub sistem pengelolaan model (model base) . Komponen Sistem Pendukung Keputusan Sistem pendukung keputusan terdiri atas tiga komponen utama yaitu [10]: 1. 3. Gambar : Hubungan antara tiga komponen sistem pendukung keputusan Sub sistem pengelolaan data (database) Sub sistem pengelolaan data (database) merupakan komponen SPK yang berguna sebagai penyedia data bagi sistem. Subsistem pengelolaan model (modelbase). Hubungan antara ketiga komponen ini dapat dilihat pada gambar dibawah. Subsistem pengelolaan data (database).

Analytic Hierarchy Process (AHP) . Pada dasarnya. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) e. Melalui subsistem dialog. Sedangkan pada pendekatan obyektif. Hal lain yang perlu diperhatikan adalah pada setiap model yang disimpan hendaknya ditambahkan rincian keterangan dan penjelasan yang komprehensif mengenai model yang dibuat. 2007). ( Kusumadewi. Simple Additive Weighting Method (SAW) b. sehingga beberapa factor dalam proses perankingan alternatif bisa ditentukan secara bebas. yang dikenal dengan subsistem dialog. ELECTRE d.Keunikan dari SPK adalah kemampuannya dalam mengintegrasikan data dengan model-model keputusan. Model adalah suatu tiruan dari alam nyata. 2. Subsistem pengelolaan dialog (user interface) Keunikan lainnya dari SPK adalah adanya fasilitas yang mampu mengintegrasikan sistem yang terpasang dengan pengguna secara interaktif. ada 3 pendekatan untuk mencari nilai bobot atribut. nilai bobot ditentukan berdasarkan subyektifitas dari para pengambil keputusan. yaitu pendekatan subyektif. Weighted Product (WP) c.3 FMADM Fuzzy Multiple Attribute Decision Making FMADM adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. nilai bobot dihitung secara matematis sehingga mengabaikan subyektifitas dari pengambil keputusan. 2006): a. pendekatan obyektif dan pendekatan integrasi antara subyektif & obyektif. Inti dari FMADM adalah menentukan nilai bobot untuk setiap atribut. Pada pendekatan subyektif. sehingga keputusan yang diambil tidak sesuai dengan kebutuhan oleh karena itu. antara lain (Kusumadewi. Masingmasing pendekatan memiliki kelebihan dan kelemahan. sistem diimplementasikan sehingga pengguna dapat berkomunikasi dengan sistem yang dibuat. Kendala yang sering dihadapi dalam merancang suatu model adalah bahwa model yang dirancang tidak mampu mencerminkan seluruh variabel alam nyata. Ada beberapa metode yang dapat digunakan untuk mnyelesaikan masalah FMADM. dalam menyimpan berbagai model harus diperhatikan dan harus dijaga fleksibilitasnya. kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan.

Melakukan normalisasi matriks dengan cara menghitung nilai rating kinerja ternormalisasi (rij) dari alternatif Ai pada atribut Cj berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan/benefit=MAKSIMUM atau atribut biaya/cost=MINIMUM).…m dan j=1. Adapun langkah-langkahnya adalah: 1. Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih. 2007).2. i=1. ( Kusumadewi . Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan. 5. 3. 2006). kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R. 4. Apabila berupa artibut keuntungan maka nilai crisp (Xij) dari setiap kolom atribut dibagi dengan nilai crisp MAX (MAX Xij) dari tiap kolom. Memberikan nilai setiap alternatif (Ai) pada setiap kriteria (Cj) yang sudah ditentukan. dimana nilai tersebut di peroleh berdasarkan nilai crisp. 3.3. nilai crisp MIN (MIN Xij) dari tiap kolom atribut dibagi dengan nilai crisp (Xij) setiap kolom. Menentukan rating kecocokan setiap alternative pada setiap kriteria. 2.…n.2.1 Algoritma FMADM Algoritma FMADM adalah: 1. sedangkan untuk atribut biaya. (Kusumadewi. Melakukan proses perankingan dengan cara mengalikan matriks ternormalisasi (R) dengan nilai bobot (W).4 Metode SAW Metode SAW sering juga dikenal istilah metode penjumlahan terbobot.2 Langkah Penyelesaian Dalam penelitian ini menggunakan FMADM metode SAW. Memberikan nilai bobot (W) yang juga didapatkan berdasarkan nilai crisp.2. 2. Membuat matriks keputusan berdasarkan criteria (Ci). Konsep dasar metode SAWadalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua . 2. yaitu Ci. Menentukan nilai preferensi untuk setiap alternatif (Vi) dengan cara menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot (W). 2. 4.3.

2. Nilai preferensi untuk setiap alternative (Vi)diberikan sebagai: Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih..... i=1. .. dimana rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj.... Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternative yang ada.atribut.m dan j=1.2.n.

Banyak. semester. penilaian dilakukan dengan melihat nilai-nilai terhadap indikator yaitu jumlah penghasilan Orangtua.3. Pada penelitian ini hasil keluarannya diambil dari urutan alternatif tertinggi ke alternatif terendah.1 Analisis Sistem Seperti telah dijelaskan pada pendahuluan. Semester. C6= nilai IPK. 2005). Tinggi. Selanjutnya masing-masing indikator tersebut dianggap sebagai kriteria yang akan dijadikan sebagai faktor untuk menentukan penerima beasiswa dan himpunan fuzzy nya adalah Rendah. Sedang. Hasil akhir yang dikeluarkan oleh program nanti berasal dari nilai setiap kriteria. jumlah saudara kandung. Sedang Tengah. Banyak . Usia. Alternatif yang dimaksud adalah mahasiswanya. BAB III Perancangan Sistem 3. Analisis Kebutuhan Output Keluaran yang dihasilkan dari penelitian ini adalah sebuah alternatif yang memiliki nilai tertinggi dibandingkan dengan alternatif nilai yang lain. Banyak. usia. Jumlah tanggungan Orangtua. Tengah. Urutan alternatif yang akan ditampilkan mulai dari alternatif tertinggi ke alternatif terendah. Banyak. dan nilai IPK. (Kusumadewi. Tinggi. karena dalam setiap criteria memiliki nilai yang berbeda-beda. Variabel yang digunakan dalam penelitian ini adalah Jumlah penghasilan Orangtua. Bobot Dalam metode penelitian ini ada bobot dan kriteria yang dibutuhkan untuk menentukan siapa yang akan terseleksi sebagai penerima beasiswa. . jumlah saudara kandung. jumlah tanggungan Orangtua. Himpunan ini kemudian diperlakukan sebagai input kedalam sistem FMADM (dalam hal ini disebut sebagi Ci). Adapun kriterianya adalah: C1=Jumlah penghasilan Orangtua C2=Usia C3=Semester C4=Jumlah tanggungan Orangtua C5=jumlah saudara kandung. nilai IPK dan untuk himpunan fuzzynya adalah Rendah.

Di bawah ini adalah bilangan fuzzy dari bobot.Dari masing-masing bobot tersebut. Sangat Rendah ( SR ) = 0 2. maka dibuat suatu variabel-variabelnya.6 5.4 4. Tabel 3. Tabel 1. Rendah ( R ) = 0.8 6. Banyak ( B ) = 1 Untuk mendapat variabel tersebut harus dibuat dalam sebuah grafik supaya lebih jelas pada gambar Kriteria Penghasilan Orang Tua Variabel penghasilan orang tua dikonversikan dengan bilangan fuzzy dibawah ini. Tabel 2. Penghasilan orang tua 1 Kriteria Usia Variabel usia dikonversikan dengan bilangan fuzzy dibawah ini. Tinggi ( ST ) = 0. Sedang ( S ) = 0. Usia Kriteria Semester Variabel semester dikonversikan dengan bilangan fuzzy dibawah ini.2 3. Dimana dari suatu variabel tersebut akan dirubah kedalam bilangan fuzzynya. 1. Semester . Tengah ( T1 ) = 0.

Nilai ipk . Jumlah saudara kandung Kriteria Nilai IPK Variabel nilai IPK dikonversikan dengan bilangan fuzzy dibawah ini. Tabel 5. Tabel 6.Kriteria Jumlah Tanggungan Orang Tua Variabel Jumlah Tanggungan Orang Tua dikonversikan dengan bilangan fuzzy dibawah ini. Jumlah tanggungan orang tua Kriteria Jumlah Saudara Kandung Variabel Jumlah saudara kandung dikonversikan dengan bilangan fuzzy dibawah ini. Tabel 4.

proses. Dimana datadata tersebut dimasukan berdasarkan kriteria yang sudah ditentukan melalui proses perhitungan.2.2. Berdasarkan pada gambar 4 diatas.4 1 1 0. Dalam penelitian ini akan dicontohkan satu perhitungan untuk mencari nilai akhir dari 3 mahasiswa. 3. Ada beberapa macam menu diantaranya menu tambah data.2.1 Tampilan Awal Gambar 3 merupakan halaman utama program ketika aplikasi tersebut dijalankan. Sehingga yang akan lolos dalam penerimaan beasiswa tersebut adalah mahasiswa dengan nilai alternatif yang terbaik. hapus. 3. Dimana hasil yang akan ditampilkan adalah mahasiswa dengan alternative tertinggi sampai alternatif terendah.2 Masukan Data Gambar 4 merupakan hasil proses dari penginputan dari pemohon beasiswa.3 Hasil Seleksi Gambar 5 merupakan hasil dari proses aplikasi penerima beasiswa tersebut. ubah.DFD Level 1 3.2 Perancangan konfigurasi sistem 3.8] . help dan exit. dapat dibentuk matriks keputusan X dengan mengambil 3 sampel data mahasiswa: dan vektor bobot: W= [0.6 0.2 0.

20.33 0.00 0.20 0.00 0. A2 =2.Matriks ternormalisasi R diperoleh dari persamaan (2.20 0.25 0.00 0.50 0.25 1.3 0. Supaya lebih jelas dimisalkan untuk baris pertama dari matriks diatas adalah A1.1): 0.20 0.10 0. A3 = 1.20 0.10 0.05 0.2 0. Setelah dilakukan proses penjumlahan didapatkan nilai A1 = 1.33 0. dan V3 = 1.25 1. Nilai terbesar ada pada V2 sehingga alternatif A2 (Mahasiswa ke 2) adalah alternatif yang terpilih sebagai alternatif terbaik.20.25 0. V2 = 2.53.50 0.20 Perkalian Matriks W * R sebagai berikut : Langkah berikutnya adalah penjumlahan dari setiap alternatif. .40 0.33 033 0.33 0.33 0. baris ke 2 = A2 dan baris ke 3 = A3.50 0.50 0.20 0.25 1.20 0.60 0.75 0. Langkah terakhir adalah proses perangkingan.53. Hasil perankingan diperoleh: V1 1.50 0.20 0.53.53.50 0.

dimana kriteria tersebut diterjemahkan dari bilangan fuzzy kedalam bentuk sebuah bilangan crisp. maka tingkat validitasnya akan cenderung naik. .5. Penutup KESIMPULAN Telah dibangun sebuah sistem pendukung keputusan untuk membantu penentuan seseorang yang berhak mendapatkan beasiswa berdasarkan kriteria-kriteria yang telah ditentukan. dan hasil akhir dari penelitian ini adalah sebuah alternatif yang memiliki nilai alternatif terbaik dari alternatif yang lain. Sehingga nilainya akan bisa dilakukan proses perhitungan untuk mencari alternatif terbaik. Dari penelitian tersebut diketahui bahwa semakin banyak sampel yang dipunyai.

Sign up to vote on this title
UsefulNot useful