27. rafly.pdf

Pelita Informatika Budi Darma, Volume : VII, Nomor: 1, Juli 2014 ISSN : 2301-9425

Implementasi Fuzzy Multiple Attribute Decision Making Untuk Sistem Pendukung Keputusan Pemilihan Rumah. Oleh : Rafli Sanjani Lubis

146

IMPLEMENTASI FUZZY MULTIPLE ATTRIBUTE DECISION MAKING UNTUK SISTEM PENDUKUNG KEPUTUSAN

PEMILIHAN RUMAH

Rafli Sanjani Lubis (0811873)

Mahasiswa Jurusan Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Simpang Limun Medan

www.stmik-budidarma.ac.id // Email: [email protected]

ABSTRAK

Memilih rumah secara langsung merupakan hal yang biasa dilakukan, namun membutuhkan waktu dan tenaga serta biaya, sehingga kurang efektif dan efisien, oleh karena itu dibutuhkan suatu sistem yang dapatmemenuhi kebutuhan masyarakat dalam memperoleh informasi mengenai perumahan dan informasi kredit kepemilikan rumah dengan dana yang teprjangkau.Kemampuan komputer sebagai perangkat yangmembantu mempermudah tugas atau kerjaseseorang menjadi lebih mudah, lebih efektif dan lebihefisien khususnya dalam kecepatan proses dan keakuratanhasil yang diberikan diharapkan dapat membantu untukmempermudah dalam pemilihan tipe perumahan.

Penyediaan sistem pendukung keputusan pembelian perumahan secara onlineyang berbasis dimungkinkan konsumen bisa memilih tipe rumah sesuaidengan dana yang tersedia serta visualisasi model jenisrumah. Sistem ini dibuat dengan menggunakan algoritmafuzzy multiple attribute decision makingdalam penentuan uang muka, tipe rumah, harga rumah, fasilitas dan angsuran perbulan. Masalah dari penelitian ini adalah bagaimana mendapatkan data-data rumah untuk sistem pendukung keputusan pemilihan rumah, bagaimana metode fuzzy multiple attribute decision making dalam hal pemilihan rumah berdasarkan harga dan bagaimana merancang suatu sistem pendukung keputusan dalam hal pemilihan rumah. Tipe rumah yang digunakan dalan penelitian ini adalah Type 22, Type 27, Type 30, Type 36 , Type 45 , Type 50, Type 60, Type 75, dan Type 95. Penelitian ini memberikan informasi mengenai type rumah, harga rumah, dan fasilitas yang dimikili rumah, tetapi tidak melayani proses pembelian online atau transaksi jual beli. Bahasa pemograman yang digunakan dalam merancangan sistem pendukung keputusan adalah HTML, dan PHP. Metode yang digunakan adalah sistem pendukung keputusan adalah metode fuzzy multiple attribute decision making.

Kata Kunci : Fuzzy, Rumah, Online, Pembelian Rumah, MADM 1. Pendahluan 1.1. Latar Belakang Masalah

Perumahan merupakan salah satu kebutuhan primer manusia dan merupakan faktor penting dalam peningkatan harkat dan martabat manusia, maka perlu diciptakan kondisi yang dapat mendorong pembangunan perumahan untuk menjaga kelangsungan penyediaan perumahan. Rumah adalah salah satu benda paling berharga bagi setiap manusia dalam menjalani kehidupan. Rumah adalah tempat beristirahat yang paling nyaman setelah lelah beraktivitas juga sebagai tempat berteduh dari hujan dan sengatan matahari. Tak heran bila rumah umumnya menjadi benda termahal yang dibeli setiap orang, terutama yang sudah berumah tangga seperti yang pepatah mengatakan perumahan adalah istanaku. Namun, jika salah melangkah saat membeli rumah, bukan kenyamanan yang akan didapati, justru ketidaktenangan dan rasa was-was yang akan kerap menghantui setiap hari.

Masyarakat dapat dengan mudah menemukan berbagai penawaran menarik tentang perumahan. Hal ini menjadi salah satu pertimbangan yang cukup sulit bagi masyarakat. Masyarakat harus bisa menganalisis

penawaran yang cocok. Kebanyakan rumah-rumah ditawarkan oleh agen properti ataupun pengembang itu sendiri dengan memiliki keuntungan semata untuk memenuhi kriteria perumahan dan layak huni. Agar masyarakat dapat dengan mudah memilih perumahan yang sesuai dengan kriteria, sebaiknya mencoba untuk membandingkan beberapa jenis rumah. Untuk memudahkan kerja, mencari informasi dari website yang terpercaya yang akan memberikan informasi dan gambar yang lengkap tentang rumah yang akan diual. Agar tidak salah langkah dalam memilih lokasi perumahan, sebaiknya mempertimbangkan beberapa aspek. Pertama, sebaiknya mengenal reputasi mengenai penjual itu sendiri terlebih dahulu. Dalam melakukan transaksi jual beli, sebaiknya tidak melakukan jual-beli di bawah tangan. Akan lebih baik untuk membeli rumah yang telah dijamin oleh bank. Selain itu, sebaiknya memilih developer yang terpercaya yang dapat menyelesaikan sertifikat tepat waktu. Sebagai calon pembeli, sebaiknya pembeli terlebih dahulu melihat tema dan masterplan dari proyek rumah sebelum dibeli. Hal ini akan dengan mudah didapatkan apabila melihat dari brosur dan berbagai macam promosi.



147

Memilih rumah secara langsung merupakan hal yang biasa dilakukan, namun membutuhkan waktu dan tenaga serta biaya, sehingga kurang efektif dan efisien, oleh karena itu dibutuhkan suatu sistem yang dapat memenuhi kebutuhan masyarakat dalam memperoleh informasi mengenai perumahan dan informasi kredit kepemilikan rumah dengan dana yang terjangkau. Kemampuan komputer sebagai perangkat yang membantu mempermudah tugas atau kerja seseorang menjadi lebih mudah, lebih efektif dan lebih efisien khususnya dalam kecepatan proses dan keakuratan hasil yang diberikan diharapkan dapat membantu untuk mempermudah dalam pemilihan tipe perumahan.

1.2. Perumusan Masalah

Yang menjadi rumusan masalah dari penelitian ini adalah : 1. Bagaimana mendapatkan data-data rumah untuk

sistem pendukung keputusan pemilihan rumah. 2. Bagaimana metode fuzzy multiple attribute

decision making dalam hal pemilihan rumah berdasarkan harga.

3. Bagaimana merancang suatu sistem pendukung keputusan dalam hal pemilihan rumah

1.3. Batasan Masalah

Adapun batasan masalah dari penelitian yang penulis buat sebagai berikut : 1. Tipe rumah yang digunakan dalam penelitian ini

adalah Type 22, Type 27, Type 30, Type 36 , Type 45 , Type 50, Type 60, Type 75, dan Type 95.

2. Tipe rumah yang dimaksudkan adalah luas lantai bangunan.

3. Penelitian ini hanya memberikan informasi mengenai type rumah, harga rumah, dan fasilitas yang dimikili rumah, tetapi tidak melayani proses pembelian online atau transaksi jual beli.

4. Bahasa pemograman yang digunakan dalam merancangan sistem pendukung keputusan adalah HTML, dan PHP.

5. Metode yang digunakan adalah sistem pendukung keputusan adalah metode fuzzy multiple attribute decision making.

1.4. Tujuan dan Manfaat Penelitian Tujuan dari penelitian ini adalah :

1. Untuk membantu mendapatkan data-data rumah dengan lebih mudah.

2. Metode fuzzy multiple attribute decision making dalam hal pembelian rumah.

3. Merancang suatu sistem pendudung keputusan dalam hal pembelian rumah berdasarkan kriteria serta bobot yang telah ditentukan.

Manfaat dari penelitian ini adalah : 1. Memberikan pilihan rumah berdasarkan pilihan

kriteria dan kemampuan dana yang dimiliki oleh masyarakat yang ingin membeli rumah.

2. Agar hasil rancangan sistem pendukung keputusan pembelian rumah ini dapat digunakan untuk membantu memilih rumah tanpa harus melihat secara langsung rumah yang ingin dibeli.

3. Memberikan informasi mengenai type rumah, harga rumah, dan fasilitas yang dimiliki rumah yang sesuai dengan pemilihan kriteria yang dipilih oleh pengguna aplikasi yang dibangun.

2. Landasan Teori 2.1. Fuzzy Multiple Attribute Decision Making

(FMADM) Fuzzy Multiple Attribute Decision Making

(FMADM) adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Inti dari FMADM adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan.

Pada dasarnya, ada tiga pendekatan untuk mencari nilai bobot atribut, yaitu pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif & obyektif. Masing-masing pendekatan memiliki kelebihan dan kelemahan. Pada pendekatan subyektif, nilai bobot ditentukan berdasarkan subyektifitas dari para pengambil keputusan, sehingga beberapa faktor dalam proses perankingan alternatif bisa ditentukan secara bebas. Sedangkan pada pendekatan obyektif, nilai bobot dihitung secara matematis sehingga mengabaikan subyektifitas dari pengambil keputusan (Kusumadewi, 2007). Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah FMADM, antara lain (Kusumadewi, 2006): a. Simple Additive Weighting (SAW) b. Weighted Product (WP) c. ELECTRE d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) e. Analytic Hierarchy Process (AHP) 2.2. Algoritma Fuzzy Multiple Attribute Decision

Making (FMADM) Algoritma FMADM adalah:

1. Memberikan nilai setiap alternatif (Ai) pada setiap kriteria (Cj) yang sudah ditentukan, di mana nilai tersebut di peroleh berdasarkan nilai crisp; i=1,2,…m dan j=1,2,…n.

2. Memberikan nilai bobot (W) yang juga didapatkan berdasarkan nilai crisp.

3. 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). Apabila berupa artibut keuntungan maka nilai crisp (Xij) dari



148

setiap kolom atribut dibagi dengan nilai crisp MAX (MAX Xij) dari tiap kolom, sedangkan untuk atribut biaya, nilai crisp MIN (MIN Xij) dari tiap kolom atribut dibagi dengan nilai crisp (Xij)setiap kolom.

4. Melakukan proses perankingan dengan cara mengalikan matriks ternormalisasi (R) dengan nilai bobot (W).

5. Menentukan nilai preferensi untuk setiap alternatif (Vi) dengan cara menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot (W). Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih (Kusumadewi , 2007).

3. Analisa metode FMADM

Dalam pemilihan rumah dengan menggunakan metode Fuzzy Multiple Attribute Decision Making (FMADM) dengan metode Simple Additive Weighting (SAW) diperlukan alternative kriteria dan bobot untuk melakukan perhitungannya sehingga akan didapat alternative terbaik. Metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. 3.1 Kriteria dan Bobot

Dalam metode FMADM dengan metode SAW terdapat alternatif yang dibutuhkan untuk menentukan pemilihan rumah berdasarkan pemilihan criteria oleh pengguna. Adapun kriterianya adalah sebagai berikut:

Tabel 1: Kriteria Kriteria Keterangan

C1 Harga Jual C2 DP C3 Bunga KPR

Dari alternatif harga tersebut akan ditentukan bobotnya. Pada bobot terdiri dari enam bilangan fuzzy, yaitu Rendah (R), Sedang (S), Tinggi (T) dan Sangat Tinggi (ST) seperti terlihat pada gambar berikut :

Gambar 1 : Bilangan Fuzzy untuk bobot

Dari gambar diatas, bilangan-bilangan fuzzy dapat dikonversikan ke bilangan crisp. Untuk lebih jelas data bobot dibentuk dalam tabel di bawah ini.

Tabel 2 : Bobot Kriteria

Bilangan Fuzzy Nilai Rendah 0.25 Sedang 0.50 Tinggi 0.75

Sangat Tinggi 1

3.2 Pemilihan Rumah

Dari banyaknya data type rumah, atau yang akan dicantumkan, diambil tiga data type rumah sebagai contoh untuk penerapan metode Fuzzy Multiple Attribute Decision Making (FMADM) dengan metode Simple Additive Weighting (SAW) untuk menilai type rumah dalam pemilihan rumah. Data-data dari type rumah tersebut di masukan ke dalam Tabel di bawah ini.

Tabel 3 :Data Harga Rumah

3.3 Perhitungan seleksi rumah

Berdasarkan langkah-langkah penyeleksian untuk menentukan rumah dengan menggunakan metode Fuzzy Multiple Attribute Decision Making (FMADM) dengan metode Simple Additive Weighting (SAW), maka yang harus dilakukan yaitu: 1. Memberikan nilai setiap alternative (Ai) pada

setiap alternatif (Cj) yang sudah ditentukan. a. Harga Jual

Pada alternatif harga jual terdiri dari empat bilangan fuzzy, yaitu Rendah (R), Sedang (S), Tinggi (T) dan Sangat Tinggi (ST) seperti terlihat pada Gambar 4.2.

Gambar 2 : Bilangan fuzzy untuk harga jual Dari gambar diatas bilangan-bilangan fuzzy dapat dikonversikan ke bilangan crisp. Untuk lebih jelas data pendidikan dibentuk dalam tabel dibawah

Tabel 4 : Harga Jual Harga Jual Bilangan Fuzzy Nilai

<= 50.000.000 Rendah 0.25 50.000.000 s/d 100.000.000

Sedang 0.50

100.000.000 s/d 300.000.000

Tinggi 0.75

>=300.000.000 Sangat Tinggi 1

a. DP Pada variabel DP terdiri dari empat bilangan fuzzy, yaitu Rendah (R), Sedang (S), Tinggi (T) dan Sangat Tinggi (ST) seperti terlihat pada Gambar 4.3.



149

Gambar 3 : Bilangan fuzzy untuk harga jual. Dari gambar dibawah , bilangan-bilangan fuzzy dapat dikonversikan ke bilangan crisp. Untuk lebih jelas data pendidikan dibentuk dalam tabel 4.5.

Tabel 5 : DP DP Bilangan Fuzzy Nilai

<= 50.000.000 Rendah 0.25 50.000.000 s/d 100.000.000

Sedang 0.50

100.000.000 s/d 300.000.000

Tinggi 0.75

>=300.000.000 Sangat Tinggi 1 a. Bunga KPR Pada variabel Bunga KPR terdiri dari empat bilangan fuzzy, yaitu Rendah (R), Sedang (S), Tinggi (T) dan Sangat Tinggi (ST) seperti terlihat pada Gambar 3.2.

Gambar 4 : Bilangan fuzzy untuk Bunga KPR gambar 4 bilangan-bilangan fuzzy dapat dikonversikan ke bilangan crisp. Untuk lebih jelas data pendidikan dibentuk dalam tabel 6

Tabel 6 : Bunga KPR Bunga KPR Bilangan Fuzzy Nilai

<=5% Rendah 0.25 5% s/d 7% Sedang 0.50 7% s/d 8% Tinggi 0.75

>=8% Sangat Tinggi 1 Agar lebih jelas dimisalkan untuk dari Tabel 3.3 diatas adalah R1 = Rumah 1, R2 = Rumah 2 dan R3 = Rumah 3. Tabel dibawah menunjukkan rating kecocokan dari setiap alternatif pada setiap kriteria.

Tabel 7 :Rating kecocokan dari setiap alternatif

pada setiap kriteria. Kriteria Alternatif C1 C2 C3

R1 0.75 0.50 0.75 R2 0.75 0.25 1 R3 0.50 0.25 0.75 R4 0.25 0.25 0.50 R5 0.50 0.25 0.50 R6 0.50 0.25 0.75 R7 0.75 0.25 1 R8 1 0.25 0.75 R9 1 0.50 0.75

Dari Tabel diatas diubah kedalam matriks keputusan X dengan data :

X =

⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

75.050.0175.025.01125.075.075.025.050.050.025.050.050.025.025.075.025.050.0125.075.075.050.075.0

2. Memberikan nilai bobot (W).

Untuk menentukan bobot dari pemilihan rumah dibentuk dalam tabel dibawah

Tabel 8 :Bobot untuk pemelihan rumah Kriteria Bobot Nilai

C1 (Harga Jual) Sedang (S) 0.50 C2 (DP) Rendah (R) 0.25 C3(Bunga KPR) Rendah (S) 0.25

Dari Tabel 3.8 diperoleh nilai bobot (W) dengan data : W = [ ]25.025.050.0 3. Menormalisasi matriks X menjadi matriks R

berdasarkan persamaan 1.

⎪⎪

⎩

⎪⎪

⎨

⎧

=

diterimaatribut adalah i Jika

ditolajatribut adalah j Jika

ij

iji

iji

ij

ij

XXMin

XMaxx

r

Keterangan : rij = nilai rating kinerja ternormalisasi xij = nilai atribut yang dimiliki setiap kriteria maxi xij = nilai terbesar dari setiap kriteria mini xij = nilai terkecil dari setiap kriteria. benefit = jika nilai terbesar adalah terbaik. cost = jika nilai terkecil adalah terbaik.

Tabel 9 : Penggolongan kriteria Kriteria Cost Benefit

C1 (Harga Jual)

C2 (DP) C3 (Bunga KPR)

a. Untuk Harga jual termasuk ke dalam atribut

biaya (cost), karena semakin kecil nilai maka dianggap semakin baik. Jadi :

{ }75.0

1;75.0;5.0;25.011

Minr = = 75.025.0 = 0.33

{ }75.0

1;75.0;5.0;25.021

Minr = = 75.025.0 = 0.33

{ }50.0

1;75.0;5.0;25.031

Minr = = 50.025.0 = 0.50

{ }25.0

1;75.0;5.0;25.041

Minr = = 25.025.0 = 1

{ }50.0

1;75.0;5.0;25.051

Minr = = 50.025.0 = 0.50



150

{ }50.0

1;75.0;5.0;25.061

Minr = = 50.025.0 = 0.50

{ }75.0

1;75.0;5.0;25.071

Minr = = 50.025.0 = 0.33

{ }1

1;75.0;5.0;25.081

Minr = = 125.0 = 0.25

{ }1

1;75.0;5.0;25.091

Minr = = 125.0 = 0.25

b. Untuk DP termasuk ke dalam atribut biaya (cost), karena semakin kecil nilai maka dianggap semakin baik. Jadi :

{ }50.0

1;75.0;5.0;25.011

Minr = = 50.025.0 = 0.50

{ }25.0

1;75.0;5.0;25.021

Minr = = 25.025.0 = 1

{ }25.0

1;75.0;5.0;25.031

Minr = = 25.025.0 = 1

{ }25.0

1;75.0;5.0;25.041

Minr = = 25.025.0 = 1

{ }50.0

1;75.0;5.0;25.051

Minr = = 25.025.0 = 1

{ }50.0

1;75.0;5.0;25.061

Minr = = 25.025.0 = 1

{ }75.0

1;75.0;5.0;25.071

Minr = = 25.025.0 = 1

{ }1

1;75.0;5.0;25.081

Minr = = 25.025.0 = 1

{ }1

1;75.0;5.0;25.091

Minr = = 50.025.0 = 0.5

c. Untuk Bunga KPR termasuk ke dalam atribut biaya (cost), karena semakin kecil nilai maka dianggap semakin baik. Jadi :

{ }75.0

1;75.0;5.0;25.011

Minr = = 75.025.0 = 0.33

{ }1

1;75.0;5.0;25.021

Minr = = 125.0 = 0.25

{ }75.0

1;75.0;5.0;25.031

Minr = = 75.025.0 = 0.33

{ }25.0

1;75.0;5.0;25.041

Minr = = 50.025.0 = 0.5

{ }50.0

1;75.0;5.0;25.051

Minr = = 50.025.0 = 0.50

{ }50.0

1;75.0;5.0;25.061

Minr = = 75.025.0 = 0.33

{ }75.0

1;75.0;5.0;25.071

Minr = = 125.0 = 0.25

{ }1

1;75.0;5.0;25.081

Minr = = 75.025.0 = 0.33

{ }1

1;75.0;5.0;25.091

Minr = = 75.025.0 = 0.33

Maka Matrik R :

R =

⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

33.050.025.033.0125.025.0133.0

33.0150.050.0150.050.011

33.0150.025.0133.033.050.033.0

1. Melakukan proses perankingan dengan

menggunakan persamaan

∑=

=n

jijji rWV

1

Keterangan : Vi = ranking untuk setiap alternatif wj = nilai bobot dari setiap criteria rij = nilai rating kinerja ternormalisasi

W = [ ]25.025.050.0

R =

⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

33.050.025.033.0125.025.0133.0

33.0150.050.0150.050.011

33.0150.025.0133.033.050.033.0

Jadi, V1 = (0.33)(0.50) + (0.50)(0.25) + (0.33)(0.25) = 0,165 + 0,125 + 0,0825 = 0,3725 V2 = (0.33)(0.50) + (1)(0.25) + (0.25)(0.25) = 0,165 + 0,25 + 0,0625 = 0,4775 V3 = (0.50)(0.50) + (1)(0.25) + (0.33)(0.25) = 0,25 + 0,25 + 0,0825 = 0,5825 V4 = (1)(0.50) + (1)(0.25) + (0.50)(0.25) = 0,50 + 0,25 + 0,125 = 0,875 V5 = (0.50)(0.50) + (1)(0.25) + (0.50)(0.25) = 0,25 + 0,25 + 0,125 = 0,6125 V6 = (0.50)(0.50) + (1)(0.25) + (0.33)(0.25) = 0,25 + 0,25 + 0,0825 = 0,5825 V7 = (0.33)(0.50) + (1)(0.25) + (0.25)(0.25) = 0,165 + 0,25 + 0,0625 = 0,4775 V8 = (0.25)(0.50) + (1)(0.25) + (0.33)(0.25) = 0,125 + 0,25 + 0,0825 = 0,4575 V9 = (0.25)(0.50) + (0.5)(0.25) + (0.33)(0.25) = 0,125 + 0,125 + 0,0825 = 0,3325



151

Nilai terbesar ada pada V3 sehingga alternatif R3 (Rumah 3) adalah alternatif yang terpilih sebagai alternatif terbaik. Maka R3 terpilih untuk dibeli. Untuk lebih jelas lihat pada Tabel dibawah

Tabel 10 : Ranking

4. Kesimpulan dan Saran 4.1. Kesimpulan

Berdasarkan hasil penelitian dalam penyusunan skripsi ini maka dibuat suatu kesimpulan, yaitu : 1. Perancangan aplikasi yang dibangun dapat

membantu para pengguna untuk mengetahui mengenai jenis rumah yang dipilih berdasarkan kriteria yang dipilih.

2. Metode fuzzy multiple attribute decision making dan metode Simple Addaptive Weighting dapat dijadikan acuan untuk menentukan jenis rumah.

3. Dengan menerapkan Fuzzy dalam pemilihan rumah maka dapat memudahkan proses pemilihan rumah.

4.2. Saran

Adapun saran-saran yang diusulkan untuk kesempurnaan skripsi ini adalah: 1. Perancangan aplikasi yang dibangun masih

banyak kekurangan dan kelemahan oleh karena itu agar para pembaca dan peneliti dapat memperbaiki dan menyempurnakannya.

2. Agar para pengguna dapat menggunakan aplikasi yang dirancang untuk dapat mengetahui tentang jeni-jenis rumah.

4. Para pengguna dapat menggunakan aplikasi yang dirancang untuk membantu pengguna mengetahui jenis rumah apa yang dipilih berdasarkan pemilihan kriteria tertentu.

DAFTAR PUSTAKA [1] Alter, S.L. , 1980, Decision Support Systems:

Current Practice and Continuing Challenge, Reading, MA: Addision-Wesley.

[2] James A. O’Brien dan George M.Marakas. 2007, Information and Management Systems. 10th Edition. McGraw-Hill Irwin

[3] Jogiyanto, H.M. 2001. Diagram Aliran Data (DAD), Penerbit Andi, Yogyakarta.

[4] Kusumaderi, Sri dan Purnomo, Hari. 2010. Aplikasi Fuzzy Untuk Pendukung Keputusan. Graha Ilmu. Yogyakarta.

[5] Nugroho, Bunafit.2004. Pemograman Web, Penerbit Andi, Yogyakarta.

[6] Suryadi, Kadarsah, dan Ali Ramdhani. 1998. Sistem Pendukung Keputusan, Suatu Wacana Struktural Idealisasi dan Implementasi Konsep Pengambilan Keputusan. Bdanung : PT. Remaja Rosdakarya Bandung.

[7] Suryadi, Kadarsah, dan Ali Ramdhani. 1998. Sistem Pendukung Keputusan, Suatu Wacana Struktural Idealisasi dan Implementasi Konsep Pengambilan Keputusan. Bdanung : PT. Remaja Rosdakarya Bandung.

[8] Turban, E. and Jay, EA. 1998. Decision Support System and Intelligent System. Prentice-Hall International,Inc, New Jersey.

27. rafly.pdf

Documents