JSI (Jurnal Sistem Informas.
Universitas Dirgantara Marsekal Suryadarma p-ISSN: 2355-9675 e-ISSN: 2541-3228 Sistem Informasi Pendukung Keputusan Seleksi Mobil Bekas Menggunakan Metode Analytic Hierarchy Process (AHP) Dian Hartanti1.
Hendarman2.
Eza Angga Alfian3.
Mugiarso4.
Herald Setiadi5 1,2,3,4,5Department of Informatics Engineering.
Universitas Bhayangkara Jakarta Raya.
Indonesia hartanti@dsn.
id, 1dhianiez.
jurnal@gmail.
lubis@dsn.
4mugiarso@dsn.
id, 5herald.
setiadi@dsn.
Article Info Article history:
Received May 2, 2025 Accepted June 10, 2025 Published July 1, 2025 Kata Kunci:
Sistem Informasi Sistem Pendukung Keputusan AHP Mobil Bekas Teknologi ABSTRAK Mobil merupakan salah satu alat transportasi yang dibutuhkan masyarakat saat ini, karena mobil memberikan banyak ruang bagi banyak orang dan cocok untuk perjalanan jauh, dan juga memiliki mobil saat ini adalah hal dasar bagi masyarakat.
Akan tetapi, beberapa masyarakat mengalami kesulitan dalam membeli mobil baru karena harganya terbilang cukup mahal, sehingga beberapa masyarakat lebih memilih membeli mobil bekas karena harganya lebih murah.
Namun, dalam memilih mobil bekas ini banyak sekali kriteria yang perlu dipertimbangkan seperti harga, jarak tempuh, tahun, dan kondisi mobil.
Oleh karena itu diperlukan metode yang digunakan dalam penelitian ini yaitu Analytic Hierarchy Proces, karena dapat memecahkan suatu masalah yang kompleks dalam suatu situasi yang tidak terstruktur menjadi bagian-bagian yang tersusun.
Agar mendapatkan hasil alternatif mobil bekas yaitu Rush sebagai rangking 1 dengan nilai 0,265.
Avanza rangking 2 dengan nilai 0,228.
Cayla rangking 3 dengan nilai 0,202.
Xenia rangking 4 dengan nilai 0,154, dan Innova sebagai rangking 5 dengan nilai 0,151, dengan adanya sistem informasi pendukung keputusan tersebut dapat membantu masyarakat untuk menentukan pilihan mobil bekas yang sesuai dengan keinginannya.
Corresponding Author:
Dian Hartanti.
Department of Informatics Engineering.
Universitas Bhayangkara Jakarta Raya.
Email: *1dian.
hartanti@dsn.
id, 1dhianiez.
jurnal@gmail.
PENDAHULUAN
Pemanfaatan sistem informasi yang semakin maju sangat penting terutama untuk membantu kegiatan pekerjaan ndalam meningkatkan hasil pekerjaan yang semakin lebih baik.
Menurut (Hartanti, 2.
perangkat lunak adalah bagian terpenting dalam kegiatan, penyimpanan, pengelolaan, dan pengaksesan informasi.
Sistem Informasi terdiri dari berbagai komponen yang bekerja sama dan memiliki tujuan yang sama untuk membangun sistem serta mendapatkan informasi spesifik pada kebutuhan bidang tertentu (Hartanti et al.
, n.
Sistem pendukung keputusan adalah sistem berbasis ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE) komputer yang terdiri 3 komponen yang saling berinteraksi, yaitu sistem bahasa, sistem pengetahuan dan sistem pemrosesan masalah (Sumarno & Harahap, 2.
Perkembangan teknologi informasi saat ini dapat membantu masyarakat dalam segala aspek dan dapat mempengaruhi gaya hidup masyarakat, baik dari perangkat lunak ataupun perangkat keras seperti pada penelitian (Hartanti.
Aziza, & Siswipraptini, 2.
Khususnya dalam penggunaan internet.
Setiap aktivitas saat ini difasilitasi dengan sistem yang dapat diakses melalui internet, misalnya mencari sebuah Bisnis yang sering dicari oleh masyarakat adalah bisnis penjualan.
Mobil merupakan salah satu alat transportasi yang dibutuhkan masyarakat saat ini, karena mobil memberikan banyak ruang bagi banyak orang dan cocok untuk perjalanan jauh .
Memiliki mobil saat ini adalah hal dasar bagi kebanyakan orang, oleh karena itu banyak orang yang ingin membeli mobil baik mobil baru ataupun Memilih mobil bekas berbeda dengan memilih mobil baru yang tidak membutuhkan banyak Dalam memilih mobil bekas pasti banyak pertimbangannya karena mobil bekas merupakan mobil yang sebelumnya milik orang lain, jadi kita tidak tahu seperti apa kondisi mobil Kriteria yang biasanya menjadi pertimbangan dalam memilih mobil bekas antara lain tahun, jarak tempuh, harga dan kondisi mobil.
Dengan banyaknya kriteria tentunya konsumen menjadi tidak pasti dalam menentukan pilihan mobil yang diinginkan.
Pada penelitian (Syakbani.
Rohayani, & Handayani, 2.
metode AHP juga digunakan dalam menentukan pemilihan bakal calon Presiden RI, sedangkan pada penelitian (Jayantho.
Manajemen.
Fakultas, & Ekonimika, 2.
AHP digunakan untuk menentukan nilai akhir mahasiswa dengan beberapa kriteria penilaian.
Begitu juga pada penelitian (Saputra & Kusuma, 2020.
, metode AHP digunakan untuk memilih mobil bekas dari kriteria kelengkapan dokumen, kondisi mesin dan fisik.
AHP
juga digunakan pada penelitian (Komputer.
Bhayangkara, & Raya, 2.
untuk menentukan pembelian mobil operasional.
Pada penelitian (Guvinda, 2.
juga menggunakan metode AHP dalam menentukan pemilihan mobil bekas taxi, sedangkan pada penelitian (Saputra & Kusuma, 2020.
juga menggunakan metode AHP dalam pemilihan mobil bekas dengan salah sat kriteria nya kelengkapan dokumen.
Dengan beberapa referensi penelitian terdahulu, maka dibuatlah sistem informasi pendukung keputusan berbasis web untuk menyeleksi mobil bekas berdasarkan kriteria harga, jarak tempuh, tahun, kondisi mobil, dengan metode ini diharapkan hasil yang lebih akurat dalam menentukan mobil bekas sesuai dengan keinginan pelanggan.
METODE
Gambar 1.
Metode Penelitian Berikut adalah data kriteria yang dibutuhkan dalam perhitungan seleksi mobil bekas:
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Tabel 1 Data Kriteria Data Kriteria Harga Jarak Tempuh Tahun Kondisi Mobil Data Mobil yang digunakan untuk perhitungan Algoritma Analytic Hierarchy Process adalah sebagai Tabel 2 Data Mobil (Sumber: Observasi Emka Aut.
Nama Mobil
Toyota Rush
Toyota Avanza
Toyota Kijang
Innova
Daihatsu Xenia
Toyota Cayla
Tahun Jarak Tempuh
72,352
135,641
185,784
Harga
162,000,000
125,000,000
98,000,000
Kondisi Mobil Bagus Bagus Cukup Bagus 108,284 52,739 130,000,000 120,000,000 Cukup Bagus Sangat Bagus Berikut ini merupakan tahapan-tahapan perhitungan dari algoritma Analytic Hierarchy Process (AHP):
Mendefinisikan masalah yaitu menentukan tujuan, kriteria dan alternatif.
Tujuan: Menentukan mobil bekas terbaik Kriteria: Tahun.
Jarak Tempuh.
Harga, dan Kondisi Mobil Alternatif: Avanza.
Xenia.
Innova.
Rush.
Cayla Membuat Struktur Hirarki Gambar 2.
Hasil Struktur Hirarki Sumber: Penulis Matriks Perbandingan Berpasangan Nilai dari matriks perbandingan berpasangan ini ditentukan dari penilaian pengambilan Berdasarkan data-data yang sudah didapatkan yaitu:
Harga sama hingga sedikit lebih penting dari jarak tempuh
Harga sedikit lebih penting dari tahun Harga sama pentingnya dari kondisi mobil
Jarak tempuh sedikit lebih penting dari tahun Jarak tempuh sama pentingnya dari kondisi mobil
Tahun sama pentingnya dari kondisi mobil
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
HASIL DAN PEMBAHASAN
Berdasarkan dari data tersebut maka dapat di bentuk matriks perbandingan berpasangan sebagai berikut:
Tabel 3 Proses Matriks Perbandingan Berpasangan Kriteria
Harga
Jarak Tempuh
Tahun Kondisi Mobil
Harga
Jarak Tempuh
Tahun Kondisi Mobil
1,000
2,000
3,000
1,000
1/2,000
1,000
3,000
1,000
1/3,000
1/3,000
1,000
1,000
1/1,000
1/1,000
1/1,000
1,000
Tabel 4 Matriks Perbandingan Berpasangan Kriteria
Harga
Jarak Tempuh
Tahun Harga
1,000
2,000
3,000
Jarak Tempuh
0,500
1,000
3,000
Tahun 0,333 0,333 1,000 Kondisi Mobil
1,000
1,000
1,000
Jumlah 2,833 4,333 8,000 Menghitung Vektor Eigen Normalisasi
Berikut merupakan perhitungan vektor eigen normalisasi dari Tabel 4
Kondisi Mobil
1,000
1,000
1,000
1,000
4,000
Tabel 5 Eigen Vektor Normalisasi Kriteria
Kriteria
Harga
Harga
1,000
/ 2,833
0,500
/ 2,833
0,333
/ 2,833
1,000
/ 2,833
Jarak
Tempuh
Tahun Kondisi
Mobil
Jarak
Tempuh
2,000
/ 4,333
1,000
/ 4,333
0,333
/ 4,333
1,000
/ 4,333
Tahun 3,000 / 8,000 3,000 / 8,000 1,000 / 8,000 1,000 / 8,000 Kondisi
Mobil
1,000
/ 4,000
1,000
/ 4,000
1,000
/ 4,000
1,000
/ 4,000
Memeriksa Konsistensi Hirarki Menentukan nilai eigen maksimal .
uIycoycaycoyc ) yuIycoycaycoyc = .
,8333 x 0,.
,333 x 0,.
,000 x 0,.
,000 x 0,.
= 4,236 Menghitung Indeks Konsistensi (CI) yuI
CI = ycoycaycoycOeycu
ycuOe1
4,236Oe4 CI = 3 = 0,079 Menghitung Rasio Konsistensi (CR) yaya
CR =
0,079
CR = 0,90 = 0,087
Karena CR < 0,1 maka preferensi pembobotannya konsisten.
Perbandingan Alternatif terhadap Harga Membuat matriks perbandingan berpasangan Nilai dari matriks perbandingan berpasangan ini ditentukan dari penilaian pengambilan Berdasarkan data pada Tabel 4.
3 yaitu:
Toyota Rush sedikit lebih mahal dari Avanza
Toyota Rush jelas lebih mahal dari Toyota Kijang Innova
Toyota Rush sedikit lebih mahal dari Daihatsu Xenia
Toyota Rush tempuh sedikit lebih mahal dari Toyota Cayla
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Toyota Avanza sama hingga sedikit mahal dari Toyota Kijang Innova Toyota Avanza sama harganya dari Daihatsu Xenia Toyota Avanza sama harganya dari Toyota Cayla Toyota Kijang Innova sama harganya dari Daihatsu Xenia Toyota Kijang Innova sama harganya dari Toyota Cayla Daihatsu Xenia sama harganya dari Toyota Cayla Berdasarkan dari data tersebut maka dapat di bentuk matriks perbandingan berpasangan sebagai berikut:
Tabel 6.
Proses Perbandingan Berpasangan Harga
Rush
Avanza
Innova
Xenia
Cayla
Rush
1,000
1/3,000
1/5,000
1/3,000
1/3,000
Avanza
3,000
1,000
1/2,000
1/1,000
1/1,000
Innova
5,000
2,000
1,000
1/1,000
1/1,000
Xenia
3,000
1,000
1,000
1,000
1/1,000
Cayla
3,000
1,000
1,000
1,000
1,000
TabeTabel 7.
Perbandingan Berpasangan Harga
Rush
1,000
0,333
0,200
0,333
0,333
2,200
Rush
Avanza
Innova
Xenia
Cayla
Jumlah Avanza
3,000
1,000
0,500
1,000
1,00
6,500
Innova
5,000
2,000
1,000
1,000
1,000
10,000
Xenia
3,000
2,000
1,000
1,000
1,000
7,000
Cayla
3,000
1,000
1,000
1,000
1,000
7,000
Menghitung vektor eigen normalisasi Berikut adalah perhitungan vektor eigen normalisasi dari Tabel 8 Tabel 8.
Perbandingan Berpasangan Harga
Rush
1,000
0,333
0,200
0,333
0,333
2,200
Rush
Avanza
Innova
Xenia
Cayla
Jumlah Avanza
3,000
1,000
0,500
1,000
1,00
6,500
Innova
5,000
2,000
1,000
1,000
1,000
10,000
Xenia
3,000
2,000
1,000
1,000
1,000
7,000
Cayla
3,000
1,000
1,000
1,000
1,000
7,000
Menghitung vektor eigen normalisasi Berikut adalah perhitungan vektor eigen normalisasi dari Tabel 8.
Tabel 1.
Proses Vektor Eigen Normalisasi Harga
Rush
Avanza
Innova
Xenia
Rush
1,000
/ 2,200
0,333
/ 2,200
0,200
/ 2,200
0,333
/ 2,200
Avanza
3,000
/ 6,500
1,000
/ 6,500
0,500
/ 6,500
1,000
/ 6,500
Innova
5,000
/ 10,000
2,000
/ 10,000
1,000
/ 10,000
1,000
/ 10,000
Xenia
3,000
/ 7,000
2,000
/ 7,000
1,000
/ 7,000
1,000
/ 7,000
Cayla
3,000
/ 7,000
1,000
/ 7,000
1,000
/ 7,000
1,000
/ 7,000
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Rush
0,333
/ 2,200
Cayla
Avanza
1,000
/ 6,500
Innova
1,000
/ 10,000
Xenia
1,000
/ 7,000
Cayla
1,000
/ 7,000
Tabel 9.
Vektor Eigen Normalisasi Harga
Rush
Avanza
Innova
Xenia
Cayla
Rush
0,455
0,152
0,091
0,152
0,152
Avanza
0,462
0,154
0,077
0,154
0,154
Innova
Xenia
Cayla
Jumlah 0,500 0,429 0,429 2,273 0,200 0,143 0,143 0,791 0,100 0,143 0,143 0,554 0,100 0,143 0,143 0,691 0,100 0,143 0,143 0,691 yuIycoycaycoyc
Consistency Index (CI) Consistency Ratio (CR) Karena CR < 0,1 maka preferensi pembobotannya adalah konsisten
0,455
0,158
0,111
0,138
0,138
5,071
0,018
0,016
Perbandingan Alternatif terhadap Jarak Tempuh Membuat matriks perbandingan berpasangan Nilai dari matriks perbandingan berpasangan ini ditentukan dari penilaian pengambilan Berdasarkan data pada Tabel 3 yaitu:
Toyota Avanza sedikit lebih besar jumlahnya dari Toyota Rush Toyota Kijang Innova sedikit lebih besar jumlahnya dari Toyota Rush Daihatsu Xenia sedikit lebih besar jumlahnya dari Toyota Rush Toyota Rush tempuh sama hingga sedikit lebih besar jumlahnya dari Toyota Cayla Toyota Avanza sama jumlahnya dari Toyota Kijang Innova Toyota Avanza sama hingga sedikit lebih besar jumlahnya dari Daihatsu Xenia Toyota Avanza sedikit lebih besar jumlahnya dari Toyota Cayla Toyota Kijang Innova sama hingga sedikit lebih besar jumlahnya dari Daihatsu Xenia Toyota Kijang Innova sedikit lebih besar jumlahnya dari Toyota Cayla Daihatsu Xenia sedikit lebih besar jumlahnya dari Toyota Cayla Berdasarkan dari data tersebut maka dapat di bentuk matriks perbandingan berpasangan sebagai berikut:
Tabel 10.
Proses Perbandingan Berpasangan Jarak Tempuh
Rush
Avanza
Innova
Xenia
Cayla
Rush
1,000
3,000
3,000
3,000
1/2,000
Avanza
1/3,000
1,000
1/1,000
1/2,000
1/3,000
Innova
1/3,000
1,000
1,000
1/2,000
1/3,000
Xenia
1/3,000
2,000
2,000
1,000
1/3,000
Cayla
2,000
3,000
3,000
3,000
1,000
Tabel 11.
Perbandingan Berpasangan Jarak Tempuh
Rush
Avanza
Innova
Xenia
Cayla
Jumlah Rush
1,000
3,000
3,000
3,000
0,500
10,500
Avanza
0,333
1,000
1,000
0,500
0,333
3,167
Innova
0,333
1,000
1,000
0,500
0,333
3,167
Xenia
0,333
2,000
2,000
1,000
0,333
6,667
Cayla
2,000
3,000
3,000
3,000
1,000
12,000
Menghitung vektor eigen normalisasi
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Berdasarkan hasil eigen vektor normalisasi diatas dapat di buat sebuah tabel sebagai Tabel 12.
Proses Vektor Eigen Normalisasi Jarak Tempuh
Rush
Avanza
Innova
Xenia
Cayla
Rush
1,000
/ 10,500
3,000
/ 10,500
3,000
/ 10,500
3,000
/ 10,500
0,500
/ 10,500
Avanza
0,333
/ 3,167
1,000
/ 3,167
1,000
/ 3,167
0,500
/ 3,167
0,333
/ 3,167
Innova
0,333
/ 3,167
1,000
/ 3,167
1,000
/ 3,167
0,500
/ 3,167
0,333
/ 3,167
Xenia
0,333
/ 5,667
2,000
/ 5,667
2,000
/ 5,667
1,000
/ 5,667
0,333
/ 5,667
Cayla
2,000
/ 12,000
3,000
/ 12,000
3,000
/ 12,000
3,000
/ 12,000
1,000
/ 12,000
Tabel 13.
Vektor Eigen Normalisasi Jarak Tempuh
Rush
Avanza
Innova
Xenia
Cayla
Rush
0,095
0,286
0,286
0,286
0,048
Avanza
0,105
0,316
0,316
0,158
0,105
Innova
Xenia
Cayla
Jumlah 0,105 0,059 0,167 0,531 0,316 0,316 0,250 1,520 0,316 0,316 0,250 1,520 0,158 0,176 0,250 1,028 0,105 0,059 0,83 0,400 yuIycoycaycoyc
Consistency Index (CI) Consistency Ratio (CR) Karena CR < 0,1 maka preferensi pembobotannya adalah konsisten
0,106
0,304
0,304
0,206
0,080
5,167
0,042
0,037
Perbandingan Alternatif terhadap Tahun Membuat matriks perbandingan berpasangan Nilai dari matriks perbandingan berpasangan ini ditentukan dari penilaian pengambilan Berdasarkan data pada Tabel 4.
3 yaitu:
Toyota Avanza sama hingga sedikit lebih muda dari Toyota Rush Toyota Rush jelas lebih muda dari Toyota Kijang Innova Toyota Rush sama mudanya dari Daihatsu Xenia Toyota Cayla tempuh sama hingga sedikit lebih muda dari Toyota Rush Toyota Avanza jelas lebih muda dari Toyota Kijang Innova Toyota Avanza sama hingga sedikit lebih muda dari Daihatsu Xenia Toyota Avanza sama mudanya dari Toyota Cayla Daihatsu Xenia jelas lebih muda dari Toyota Kijang Innova Toyota Cayla jelas lebih muda dari Toyota Kijang Innova Toyota Cayla sama hingga sedikit lebih muda dari Daihatsu Xenia Berdasarkan dari data tersebut maka dapat di bentuk matriks perbandingan berpasangan sebagai berikut:
Tabel 14.
Proses Perbandingan Berpasangan Tahun Rush
Avanza
Innova
Xenia
Cayla
Rush
1,000
2,000
1/5,000
1/1,000
2,000
Avanza
1/2,000
1,000
1/5,000
1/2,000
1/1,000
Innova
5,000
5,000
1,000
5,000
5,000
Xenia
1,000
2,000
1/5,000
1,000
2,000
Cayla
1/2,000
1,000
1/5,000
1/2,000
1,000
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Tabel 15.
Perbandingan Berpasangan Tahun Rush
1,000
2,000
0,200
1,000
2,000
6,200
Rush
Avanza
Innova
Xenia
Cayla
Jumlah Avanza
0,500
1,000
0,200
0,500
1,000
3,200
Innova
5,000
5,000
1,000
5,000
5,000
21,000
Xenia
1,000
2,000
0,200
1,000
2,000
6,200
Cayla
2,000
1,000
0,200
0,500
1,000
3,200
Menghitung vektor eigen normalisasi Berdasarkan hasil eigen vektor normalisasi diatas dapat di buat sebuah tabel sebagai Tabel 16.
Proses Vektor Eigen Normalisasi Tahun Rush
Avanza
Innova
Xenia
Cayla
Rush
1,000
/ 6,200
2,000
/ 6,200
0,200
/ 6,200
1,000
/ 6,200
2,000
/ 6,200
Avanza
0,500
/ 3,200
1,000
/ 3,200
0,200
/ 3,200
0,500
/ 3,200
1,000
/ 3,200
Innova
5,000
/ 21,000
5,000
/ 21,000
1,000
/ 21,000
5,000
/ 21,000
5,000
/ 21,000
Xenia
1,000
/ 6,200
2,000
/ 6,200
0,200
/ 6,200
1,000
/ 6,200
2,000
/ 6,200
Cayla
0,500
/ 3,200
1,000
/ 3,200
0,200
/ 3,200
0,500
/ 3,200
1,000
/ 3,200
Tabel 17.
Vektor Eigen Normalisasi Tahun Rush
Avanza
Innova
Xenia
Cayla
Rush
0,161
0,323
0,032
0,161
0,323
Avanza
0,156
0,313
0,063
0,156
0,313
Innova
Xenia
Cayla
Jumlah 0,238 0,161 1,156 0,873 0,238 0,323 0,313 1,508 0,048 0,032 0,063 0,237 0,238 0,161 0,156 0,873 0,238 0,323 0,313 1,508 yuIycoycaycoyc
Consistency Index (CI) Consistency Ratio (CR) Karena CR < 0,1 maka preferensi pembobotannya adalah konsisten
0,175
0,302
0,047
0,175
0,302
5,092
0,023
0,021
Perbandingan Alternatif terhadap Kondisi Mobil Membuat matriks perbandingan berpasangan Nilai dari matriks perbandingan berpasangan ini ditentukan dari penilaian pengambilan Berdasarkan data pada Tabel 3 yaitu:
Toyota Rush sama bagusnya dari Toyota Avanza
Toyota Rush sama hingga sedikit lebih bagus dari Toyota Kijang Innova
Toyota Rush sama hingga sedikit lebih bagus dari Daihatsu Xenia
Toyota Cayla sama hingga sedikit lebih bagus dari Toyota Rush
Toyota Avanza sama hingga sedikit lebih bagus dari Toyota Kijang Innova
Toyota Avanza sama hingga sedikit lebih bagus dari Daihatsu Xenia
Toyota Cayla sama hingga sedikit lebih bagus dari Toyota Avanza
Toyota Kijang Innova sama bagusnya dari Daihatsu Xenia
Toyota Cayla sedikit lebih bagus dari Toyota Kijang Innova
Toyota Cayla sedikit lebih bagus dari Daihatsu Xenia
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Berdasarkan dari data tersebut maka dapat di bentuk matriks perbandingan berpasangan sebagai berikut:
Tabel 18.
Proses Perbandingan Berpasangan Kondisi Mobil
Rush
Avanza
Innova
Xenia
1,000
1,000
2,000
2,000
1/1,000
1,000
2,000
2,000
1/2,000
1/2,000
1,000
1,000
1/2,000
1/2,000
1/1,000
1,000
2,000
2,000
3,000
3,000
Tabel 19.
2 Perbandingan Berpasangan Kondisi Mobil
Rush
Avanza
Innova
Xenia
Cayla
Rush
1,000
1,000
0,500
0,500
2,000
5,000
Rush
Avanza
Innova
Xenia
Cayla
Jumlah Avanza
1,000
1,000
0,500
0,500
2,000
5,000
Innova
1,000
1,000
1,000
1,000
3,000
9,000
Xenia
1,000
1,000
1,000
1,000
3,000
9,000
Cayla
1/2,000
1/2,000
1/3,000
1/3,000
1,000
Cayla
0,500
0,500
0,333
0,333
1,000
2,667
Menghitung vektor eigen normalisasi Berdasarkan hasil eigen vektor normalisasi diatas dapat di buat sebuah tabel sebagai Tabel 20.
Proses Vektor Eigen Normalisasi Kondisi Mobil
Rush
Avanza
Innova
Xenia
Cayla
Rush
1,000
/ 5,000
1,000
/ 5,000
0,500
/ 5,000
0,500
/ 5,000
2,000
/ 5,000
Avanza
1,000
/ 5,000
1,000
/ 5,000
0,500
/ 5,000
0,500
/ 5,000
2,000
/ 5,000
Innova
2,000
/ 5,000
2,000
/ 5,000
1,000
/ 5,000
1,000
/ 5,000
3,000
/ 5,000
Xenia
2,000
/ 9,000
2,000
/ 9,000
1,000
/ 9,000
1,000
/ 9,000
3,000
/ 9,000
Cayla
0,500
/ 2,667
0,500
/ 2,667
0,333
/ 2,667
0,333
/ 2,667
1,000
/ 2,667
Tabel 21.
Vektor Eigen Normalisasi Kondisi Mobil
Rush
Avanza
Innova
Xenia
Cayla
Rush
0,200
0,200
0,100
0,100
0,400
Avanza
0,200
0,200
0,100
0,100
0,400
Innova
Xenia
Cayla
Jumlah 0,222 0,222 0,188 1,032 0,222 0,222 0,188 1,032 0,111 0,111 0,125 0,547 0,111 0,111 0,125 0,547 0,333 0,333 0,375 1,842 yuIycoycaycoyc
Consistency Index (CI) Consistency Ratio (CR) Karena CR < 0,1 maka preferensi pembobotannya adalah konsisten
0,206
0,206
0,109
0,109
0,368
5,016
0,004
0,004
Hasil Perangkingan Analytic Hierarchy Process
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Berdasarkan hasil perhitungan yang sudah dilakukan sebelumnya, maka akan didapatkan seluruh eigen vektor normalisasi tiap kriteria dan alternatif, berikut merupakan hasil yang didapatkan dari perhitungan tersebut:
Tabel 22.
Eigen Vector Kriteria dan Alternatif
K/A
Harga
Jarak
Tempuh
Tahun Kondisi
Mobil
0,360
Rush
0,455
Avanza
0,158
Innova
0,111
Xenia
0,138
Cayla
0,138
0,258
0,106
0,304
0,304
0,206
0,080
0,142
0,175
0,302
0,047
0,175
0,302
0,240
0,206
0,206
0,109
0,109
0,368
Setelah mengetahui hasil eigen vektor dari masing-masing kriteria dan alternatif, selanjutnya adalah melakukan proses perhitungan nilai perangkingan:
Tabel 23.
Proses Perhitungan Rangking Alternatif Toyota Rush Toyota Avanza Toyota Kijang Innova Daihatsu Xenia Toyota Cayla Nilai .
,455*0,.
,106*0,.
,175*0,.
,206*0,.
= 0,265 .
,158*0,.
,304*0,.
,302*0,.
,206*0,.
= 0,228 .
,111*0,.
,304*0,.
,047*0,.
,109*0,.
= 0,151 .
,138*0,.
,206*0,.
,175*0,.
,109*0,.
= 0,154 .
,138*0,.
,080*0,.
,302*0,.
,368*0,.
= 0,202
Berdasarkan nilai dari perhitungan rangking tersebut, maka didapatkan hasil perangkingan untuk menentukan mobil bekas yang terbaik.
Tabel 24.
Rangking Mobil Bekas Terbaik Alternatif Toyota Rush Toyota Avanza Toyota Cayla Daihatsu Xenia Toyota Kijang Innova Rangking Implementasi Sistem Gambar 2.
Data Kriteria
Pada gambar 1, tertera data kriteria yang akan dipakai untuk perhitungan algoritma AHP
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Gambar 3.
Data Mobil Pada gambar 2, adalah data mobil yang tersedia pada objek penelitian Gambar 4.
Hasil Perangkingan Pada gambar 3 adalah hasil perangkinagan mobil yang terpilih sesuai kriteria pada tahapan AHP
KESIMPULAN
Berdasarkan hasil penelitian yang dilakukan dapat disimpulkan bahwa :
Metode Analytic Hierarchy Process (AHP) dapat diimplementasikan dengan baik dalam membantu pelanggan untuk memilih mobil bekas yang diinginkan berdasarkan kriteria-kriteria yang sudah ditetapkan.
Penggunaan metode Analytic Hierarchy Process (AHP) dalam sistem pendukung keputusan pemilihan mobil bekas berbasis web ini mendapatkan hasil alternatif mobil bekas yaitu rush sebagai rangking 1 dengan nilai 0,265, avanza rangking 2 dengan nilai 0,228, cayla rangking 3 dengan nilai 0,202, xenia rangking 4 dengan nilai 0,154, dan innova sebagai rangking 5 dengan nilai 0,151.
DAFTAR PUSTAKA