Download - 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
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 31
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
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 32
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
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 33
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]
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 34
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
https://www.worldometers.info/coronavirus
[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
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 35
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.
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 36
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.
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 37
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
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 38
C4 0.0813
7
0.044
94
0.026
55
0.062
5
0.0552
82356
(Sumber Data : Data yang telah diolah)
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
(Sumber Data : Data yang telah diolah)
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
(Sumber Data : Data yang telah diolah)
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 39
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
(Sumber Data : Data yang telah diolah)
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
(Sumber Data : Data yang telah diolah)
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)
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 40
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
(Sumber Data : Data yang telah diolah)
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.
JUTIM (Jurnal Teknik Informatika Musirawas) Aditya Wafda Nahari,
Vol. 6, No. 1, Juni 2021 Setyawan Wibisiono
Universitas Bina Insan Lubuklinggau 41
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.