bab iii analisis dan desain sistem

BAB III
ANALISIS DAN DESAIN SISTEM
III.1
Analisa Masalah
Analisa masalah bertujuan untuk mengklarifikasi serta melakukan evaluasi
terhadap sistem pembelian sepeda motor bekas yang sedang berjalan pada PT.
Nusantara Surya Sakti. Adapun masalah-masalah yang ditemukan dalam
penelitian ini adalah calon pembeli masih kesulitan dalam menentukan kriteriakriteria apa saja yang harus diberi penilaian dalam membeli sepeda motor bekas,
sehingga pembeli juga masih kesulitan dalam membandingkan dan memilih yang
terbaik diantara beberapa sepeda motor bekas yang ada, dengan demikian calon
pembeli mengalami kesulitan dan membutuhkan waktu yang lama dalam memilih
sepeda motor bekas. Berdasarkan permasalahan tersebut, penulis mengemukakan
usulan untuk menyelesaikan masalah tersebut, adapun usulan pemecahan masalah
tersebut adalah dengan membuat sistem pendukung keputusan pembelian sepeda
motor bekas berbasis komputer yang mempermudah calon pembeli dalam
pengambilan keputusan pada saat membeli sepeda motor bekas dengan
menerapkan metode simple additive weighting (SAW).
III.2
Penerapan Metode Simple Additive Weighting
Metode Simple Additive Weighting (SAW) merupakan metode Multiple
Attribute Decision Making (MADM), Metode SAW sering juga dikenal sebagai
metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari
45
46
penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut.
Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu
skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.
Berikut adalah formula untuk mencari normalisasi :
𝑥𝑖𝑗
max 𝑥𝑖𝑗
𝑗𝑖𝑘𝑎 𝑗 𝑎𝑑𝑎𝑙𝑎𝑕 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑘𝑒𝑢𝑛𝑡𝑢𝑛𝑔𝑎𝑛 𝑏𝑒𝑛𝑒𝑓𝑖𝑡
𝑖
𝑟𝑖𝑗
=
min 𝑥𝑖𝑗
𝑖
𝑥𝑖𝑗
𝑗𝑖𝑘𝑎 𝑗 𝑎𝑑𝑎𝑙𝑎𝑕 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑏𝑖𝑎𝑦𝑎 𝑐𝑜𝑠𝑡
… … … … (1)
Dimana :
rij
: Rating kinerja ternormalisasi
Maximum : Nilai maksimum dari setiap baris dan kolom
Minimum : Nilai minimum dari setiap baris dan kolom
Xij
: Baris dan kolom dari matriks
Dimana rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Ci;
i=1,2,...,m dan j=1,2,...,n.
Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai :
𝑛
𝑉𝑖 =
𝑤
𝑗 =1
Dimana :
Vi : Nilai Akhir Alternative
Wj : Bobot yang telah ditentukan
Rij : Normalisasi matriks
𝑟
𝑗 𝑖𝑗
……………… (2)
47
Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih.
(Jurnal SPK ; Alif Wahyu Oktaputra, Edi Noersasongko ; 2014 : 3)
Langkah–langkah penyelesaian Fuzzy MADM menggunakan metode
SAW adalah:
5. Menentukan kriterian-kriteria yang akan dijadikan acuan dalam
pengambilan keputusan, yaitu (Ci).
6. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
7. Membuat matriks keputusan (X) berdasarkan kriteria (Ci), kemudian
melakukan
normalisasi
matriks
berdasarkan
persamaan
yang
disesuaikan dengan jenis atribut yaitu : atribut keuntungan (Benefit)
atau
atribut biaya (Cost), sehingga diperoleh matriks ternormalisasi
(R).
8. Hasil akhir diperoleh dari setiap proses perankingan yaitu penjumlahan
dari perkalian matriks ternormalisasi (R) dengan vector bobot sehingga
diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai)
sebagai solusi. (Jurnal Semantik ; Ita Arfyanti, Edi Purwanto; 2012 :
122).
III.2.1 Flowchart Metode Simple Additive Weighting
Untuk mempermudah penerapan metode Simple Additive Weighting
(SAW) kedalam sistem pendukung keputusan yang akan dibuat, maka dibuat
kedalam sebuah flowchart, adapun flowchart metode SAW adalah sebagai
berikut:
48
Gambar III.1 Flowchart Metode Simple Additive Weighting
III.2.2 Studi Kasus Metode Simple Additive Weighting
Dari hasil penelitian dan analisa yang penulis lakukan, maka penulis
menentukan kriteria-kriteria yang digunakan untuk memilih sepeda motor bekas
beserta atribut, bobot dan sub kriteria yang dimiliki dari setiap kriteria, adapun
kriteria-kriteria yang digunakan dapat dilihat pada tabel III.1 Berikut :
49
Tabel III.1 Kriteria pemilihan Sepeda Motor Bekas
Kode Kriteria
K01
K02
K03
K04
K05
K06
K07
Nama Kriteria
Harga
Tahun
Pajak
Stnk
Mesin
CC Mesin
Body
Atribut
Cost
Benefit
Cost
Cost
Benefit
Benefit
Benefit
Dari masing-masing kriteria tersebut akan ditentukan bobot-bobot
kepentingannya dan sub-sub kriteria beserta nilainya dengan menggunakan
bilangan fuzzy. Bilangan fuzzy yang di gunakan dapat dilihat pada tabel III.2 :
Tabel III.2 Bilangan Fuzzy
No
1
2
3
4
5
Bilangan Fuzzy
Sangat Penting
Penting
Cukup Penting
Kurang Penting
Tidak Penting
Nilai Crips
100
80
60
40
20
Setelah ditentukan bilangan fuzzy kemudian tentukan bobot kepentingan
pada setiap kriteria. Nilai bobot kepentingan diperoleh dari hasil penelitian dan
analisa yang penulis lakukan dan disesuaikan dengan bilangan fuzzy yang
digunakan, adapun tabel bobot kepentingan untuk setiap kriteria dapat dilihat pada
tabel III.3 :
Tabel III.3 Bobot Kepentingan Untuk Setiap Kriteria
Ci
W
K01
100
K02
80
K03
60
K04
60
K05
100
K06
80
K07
60
50
Dari setiap kriteria tersebut juga memiliki sub kriteria dan akan ditentukan
tingkat kepentingannya dengan menggunakan bilangan fuzzy. Dengan bilangan
fuzzy dibuat suatu tingkatan sub kiteria berdasarkan alternatif (sepeda motor
bekas) yang telah ditentukan kedalam nilai Crips. Rating kecocokan setiap
alternatif pada setiap kriteria seperti tabel berikut:
Tabel III.4 Nilai Crips Sub Kriteria Harga
Kriteria
Harga
Kriteria Alternatif
Sangat Murah
Murah
Cukup Murah
Mahal
Sangat Mahal
Nilai Crips
20
40
60
80
100
Tabel III.5 Nilai Crips Sub Kriteria Tahun
Kriteria
Tahun
Kriteria Alternatif
Tahun 2015 – 2016
Tahun 2013 – 2014
Tahun 2011 – 2012
Tahun 2009 – 2010
Tahun <= 2008
Nilai Crips
100
80
60
40
20
Tabel III.6 Nilai Crips Sub Kriteria Pajak
Kriteria
Pajak
Kriteria Alternatif
Masih Berlaku
Telat 1 Tahun
Telat 2 Tahun
Telat 3 Tahun
Telat >= 4 Tahun
Nilai Crips
20
40
60
80
100
51
Tabel III.7 Nilai Crips Sub Kriteria Stnk
Kriteria
Stnk
Kriteria Alternatif
Masih Berlaku
Telat 1 Tahun
Telat 2 Tahun
Telat 3 Tahun
Telat >= 4 Tahun
Nilai Crips
20
40
60
80
100
Tabel III.8 Nilai Crips Sub Kriteria Mesin
Kriteria
Mesin
Kriteria Alternatif
Sangat Baik
Baik
Cukup Baik
Tidak Baik
Sangat Tidak Baik
Nilai Crips
100
80
60
40
20
Tabel III.9 Nilai Crips Sub Kriteria CC Mesin
Kriteria
CC Mesin
Kriteria Alternatif
250 CC
150 CC
125 CC
110 CC
80 CC
Nilai Crips
100
80
60
40
20
Tabel III.10 Nilai Crips Sub Kriteria Body
Kriteria
Body
Kriteria Alternatif
Sangat Baik
Baik
Cukup Baik
Tidak Baik
Sangat Tidak Baik
Nilai Crips
100
80
60
40
20
52
Contoh Kasus :
Dari banyaknya data sepeda motor bekas atau yang akan dicantumkan,
diambil 3 sepeda motor bekas sebagai contoh untuk penerapan metode Fuzzy
Multiple Attribute Decision Making (FMADM), dengan metode Simple Additive
Weighting (SAW) dalam pemilihan sepeda motor bekas yang sesuai dengan
kriteria yang dipilih oleh calon pembeli. Agar alternatif yang dihasilkan nantinya
benar-benar sesuai dengan keinginan masing-masing calon pembeli, maka calon
pembeli akan memberikan penilaian sendiri terhadap kriteria-kriteria yang telah
disediakan.
a. Misalkan ada 3 sepeda motor bekas yang menjadi alternatif yaitu:
Tabel III.11 Data Alternatif Sepeda Motor Bekas
No
Nama
1
A1
2
A2
3
A3
Harga Tahun
Sangat
Murah
Cukup
Murah
Murah
20132014
20152016
20132014
Pajak
Stnk
Mesin
CC
Mesin
Body
Masih
Masih
Cukup
Baik 150 cc
berlaku berlaku
baik
Masih
Masih Sangat
125 cc Baik
Berlaku Berlaku Baik
Telat 1 Masih Cukup
Sangat
150 cc
tahun Berlaku Baik
Baik
b. Membuat tabel rating kecocokan dari setiap alternatif pada setiap
kriteria.
Tabel III.12 Rating Kecocokan Setiap Alternatif Pada Setiap Kriteria
Alternatif
A1
A2
A3
K01
20
60
40
K02
80
100
80
K03
20
20
40
Kriteria
K04
20
20
20
K05
80
100
60
K06
80
60
80
K07
60
80
100
53
c. Membuat matrik keputusan (X) yang dibentuk dari tabel rating
kecocokan dari setiap alternatif pada setiap kriteria. Dari Tabel III.12
diubah kedalam matriks keputusan (X) dengan data:
20 80
X = 60 100
40 80
20
20
40
20
20
20
80
100
60
80
60
80
60
80
100
d. Melakukan normalisasi matrik keputusan (X) dengan cara menghitung
nilai rating kinerja ternomalisasi (rij) dari alternatif (Ai) pada kriteria
(Ci).
𝑟11 =
min{20,60,40}
20
=
=1
20
20
𝑟21 =
min{20,60,40}
20
=
= 0,33
60
60
𝑟31 =
min{20,60,40}
20
=
= 0,5
40
40
𝑟12 =
80
80
=
= 0,8
max⁡
{80,100,80}
100
𝑟22 =
100
100
=
=1
max⁡
{80,100,80}
100
𝑟32 =
80
80
=
= 0,8
max⁡
{80,100,80}
100
𝑟13 =
min 20,20,40
20
=
=1
20
20
𝑟23 =
min 20,20,40
20
=
=1
20
20
𝑟33 =
min{20,20,40}
20
=
= 0,5
40
40
54
𝑟14 =
min 20,20,20
20
=
=1
20
20
𝑟24 =
min 20,20,20
20
=
=1
20
20
𝑟34 =
min 20,20,20
20
=
=1
20
20
𝑟15 =
80
80
=
= 0,8
max⁡
{80,100,60}
100
𝑟25 =
100
100
=
=1
max⁡
{80,100,60}
100
𝑟35 =
60
60
=
= 0,6
max⁡
{80,100,60}
100
𝑟16 =
80
80
=
=1
max⁡
{80,60,80}
80
𝑟26 =
60
60
=
= 0,75
max 80,60,80
80
𝑟36 =
80
80
=
=1
max⁡
{80,60,80}
80
𝑟17 =
60
60
=
= 0,6
max 60,80,100
100
𝑟27 =
80
80
=
= 0,8
max 60,80,100
100
𝑟37 =
100
100
=
=1
max 60,80,100
100
e. Hasil dari nilai rating kinerja ternomalisasi (rij) membentuk matrik
ternormalisasi (R).
1
R = 0,33
0,5
0,8 1 1 0,8
1
0,6
1
1 1 1 0,75 0,8
0,8 0,5 1 0,6
1
1
55
f. Melakukan proses perankingan dengan cara mengalikan matriks
ternormalisasi (R) dengan nilai bobot preferensi (W) dan Menentukan
nilai preferensi untuk setiap alternatif (Vi) dengan cara menjumlahkan
hasil kali antara matriks ternormalisasi (R) dengan nilai bobot
preferensi (W).
V1 = 100*1 + 80*0,8 + 60*1 + 60*1 + 100*0,8 + 80*1 + 60*0,6
= 100 + 64 + 60 + 60 + 80 +80 + 36
= 480
V2 = 100*0,33 + 80*1 + 60*1 + 60*1 + 100*1 + 80*0,75 + 60*0,8
= 33 + 80 + 60 + 60 + 100 + 60 + 48
=441
V3 = 100*0,5 + 80*0,8 + 60*0,5 + 60*1 + 100*0,6 + 80*1 + 60*1
= 50 + 64 + 30 + 60 + 60 + 80 + 60
= 404
Untuk mempermudah pengambilan keputusan penulis membuat range
berdasarkan nilai hasil perhitungan mengunakan metode saw, nilai range dapat
dilihat pada tabel III.3 :
Tabel III.13 Nilai Range Hasil
Nilai Range
Nilai <= 540 And >= 427
Nilai <= 426 And >= 345
Nilai <= 344 And >= 264
Nilai <= 263 And >= 108
Keterangan
Sangat Baik
Cukup Baik
Baik
Tidak Baik
56
Hasil perhitungan nilai Vi yang lebih besar mengindikasikan bahwa
alternatif Ai merupakan alternatif terbaik. Hasil penilaian terbesar ada pada V1
yaitu A1 dengan nilai = 480 dengan keterangan sangat baik sehingga layak atau
dapat dijadikan alternatif dalam pemilihan sepeda motor bekas sebagai alternatif
yang terbaik.
III.3
Desain Sistem
Untuk membantu membangun sistem pendukung keputusan pemilihan
sepeda motor bekas dengan menggunakan metode SAW, penulis mengusulkan
pembuatan sebuah sistem dengan menggunakan aplikasi program yang lebih
akurat dan lebih mudah dalam pengolahannya. Dengan menggunakan visual
studio 2010, database SQL server, merancang sistem dengan mengunakan bahasa
pemodelan UML yang terdiri dari usecase diagram, class diagram, activity
diagram dan sequence diagram.
III.3.1 Use Case Diagram
Use case diagram merupakan pemodelan untuk kelakuan (Behavior)
sistem informasi yang akan dibuat, berikut ini adalah use case diagram sistem
pendukun keputusan pemilihan sepeda motor bekas :
57
Gambar III.2 Use Case Sistem Pendukung Keputusan Pembelian Sepeda
Motor Bekas
III.3.2 Class Diagram
Clas diagram adalah sebuah spesifikasi yang akan menghasilkan sebuah
objek dan merupakan inti dari pengembangan dan desain berorientasi objek. Class
diagram menggambarkan keadaan (atribut/properti) suatu sistem. Rancangan
kelas-kelas yang akan digunakan pada sistem yang akan dirancang dapat dilihat
pada gambar III.2 :
58
Gambar III.3 Class Diagram Sistem Pendukung Keputusan Pembelian
Sepeda Motor Bekas
III.3.3 Activity Diagram
Diagram aktivitas atau activity diagram menggambarkan workflow (aliran
kerja) atau aktivitaas dari sebuah sistem atau proses bisnis atau menu yang ada
pada perangkat lunak. Diagram aktivitas menggambarkan aktivitas sistem bukan
apa yang dilakukan aktor.
59
a. Activity diagram login.
Gambar III.4 Activity Diagram Login
b. Activity diagram data pengguna
Gambar III.5 Activity Diagram Data Pengguna
60
c. Activity diagram data alternatif
Gambar III.6 Activity Diagram Data Alternatif
d. Activity diagram data kriteria
Gambar III.7 Activity Diagram Data Kriteria
61
e. Activity diagram data sub kriteria
Gambar III.8 Activity Diagram Data Sub Kriteria
f. Activity diagram data analisa
Gambar III.9 Activity Diagram Data Analisa
62
g. Activity diagram data laporan
Gambar III.10 Activity Diagram Data Laporan
h. Activity diagram ganti password
Gambar III.11 Activity Diagram Ganti Password
63
III.3.4 Sequence Diagram
Sequence diagram atau diagram sekuen menggambarkan kelakuan objek
pada use case dengan mendeskripsikan waktu hidup objek dan message yang
dikirimkan dan diterima antar objek.
a. Sequence diagram login
Gambar III.12 Sequence Diagram Login
b. Sequence diagram data pengguna
Gambar III.13 Sequence Diagram Data Pengguna
64
c. Sequence diagram data alternatif
Gambar III.14 Sequence Diagram Data Alternatif
d. Sequence diagram data kriteria
Gambar III.15 Sequence Diagram Data Kriteria
65
e. Sequence diagram data sub kriteria
Gambar III.16 Sequence Diagram Data Sub Kriteria
f. Sequence diagram data analisa
Gambar III.17 Sequence Diagram Data Analisa
66
g. Sequence diagram data laporan analisa
Gambar III.18 Sequence Diagram Data Laporan Analisa
h. Sequence diagram data ganti password
Gambar III.19 Sequence Diagram Ganti Password
67
III.4
Desain Database
III.4.1 Kamus Data
Kamus data merupakan suatu daftar data elemen yang terorganisir dengan
defenisi yang tetap dan sesuai dengan sistem, sehingga user dan analisis sistem
mempunyai pengertian yang sama tentang input, output dan laporan data. Berikut
kamus data dari sistem pendukung keputusan pembelian sepeda motor bekas
dengan menggunakan metode SAW.
a. Kamus data tabel t_pengguna
t_pengguna : *id_pengguna + nama_user + jenis_kelamin + usia + email
+ alamat + no_hp + password + status
keterangan : *id_pengguna = primary key
b. Kamus data tabel t_alternatif
t_alternatif :*id_alternatif + nama_alternatif + jenis + tahun +
masa_aktif_pajak + masa_aktif_stnk + harga
keterangan :*id_alternatif = primary key
c. Kamus data tabel t_kriteria
t_kriiteria
:*kode_kriteria +nama_kriteria + atribut + bobot
keterangan
:*kode_kriteria = primary key
d. Kamus data t_subkriteria
t_subkriteria :*kode_sub + kode_kriteria + sub_kriteria + nilai
keterangan
:*kode_sub = primary key
68
e. Kamus data tabel t_analisa
t_analisa
:*no
+
analisa_id
+
tanggal
+
id_alternatif
+
nama_alternatif + harga + tahun + pajak + stnk + mesin +
cc_mesin + body + hasil + ranking + id_pengguna +
keterangan
keterangan
:*no = primary key
III.4.2 Normalisasi
Normalisasi adalah suatu teknik yang menstrukturkan data dalam cara-cara
tertentu untuk membantu mengurangi atau mencegah timbulnya masalah yang
berhubungan dengan pengolahan data dalam basis data. Berikut bentuk-bentuk
normalisasi untuk sistem pendukung keputusan pembelian sepeda motor bekas
dengan menggunakan metode SAW.
a. Bentuk tidak normal (Unnormalized)
Gambar III.20 Bentuk Tabel Tidak Normal (Unnormalized)
69
b. Bentuk normalisasi pertama (1NF)
Gambar III.21 Bentuk Tabel Normalisasi Pertama (1NF)
c. Bentuk normalisasi kedua (2NF)
Gambar III.22 Bentuk Tabel Normallisasi Kedua (2NF)
70
III.4.3 Desain Tabel
Dalam perancangan sistem pendukung keputusan pembelian sepeda motor
bekas tersimpan dalam beberapa table dengan arsitektur data sebagai berikut :
a. Tabel t_pengguna
Tabel t_pengguna menyimpan tentang data-data pengguna (user)
yang mempunyai hak akses program yang telah dirancang. Berikut
rancangan struktur tabel tersebut :
Nama Database
: spb
Nama Tabel
: t_pengguna
Tabel III.14 Tabel t_pengguna
Column Name
id_pengguna
nama_user
jenis_kelamin
usia
alamat
no_hp
password
status
Data Tipe
Varchar
Varchar
char
int
Varchar
Varchar
Varchar
Varchar
Ukuran
12
35
6
35
12
20
10
Keterangan
Id Pengguna (primary key)
Nama pengguna
Jenis Kelamin penguna
Usia pengguna
Alamat pengguna
No Hp pengguna
Password Pengguna
Status pengguna
b. Tabel t_alternatif
Tabel t_alternatif untuk menyimpan data-data alternatif sepeda
motor bekas. Berikut rancangan struktur tabel tersebut :
71
Nama Database
: spb
Nama Tabel
: t_alternatif
Tabel III.15 Tabel t_alternatif
Column Name
id_alternatif
nama_alternatif
jenis
tahun
masa_aktif_pajak
masa_aktif_stnk
harga
Data Tipe
Varchar
Varchar
Varchar
Int
Varchar
Varchar
Int
Ukuran
11
30
20
12
12
-
Keterangan
Id Alternatif (primary key)
Nama alternatif
Jenis alternatif
Tahun keluaran alternatif
Masa aktif pajak
Masa aktif stnk
Harga alternatif
c. Tabel t_kriteria
Tabel t_kriteria merupakan tabel yang berfungsi untuk menginput
kriteria-kriteria sepeda motor bekas. Berikut rancangan struktur tabel
tersebut :
Nama Database
: spb
Nama Tabel
: t_kriteria
Tabel III.16 Tabel t_kriteria
Column Name
kode_kriteria
nama_kriteria
atribut
bobot
Data Tipe
Varchar
Varchar
Varchar
Int
Ukuran
3
20
8
-
Keterangan
Kode Kriteria (primary key)
Nama kriteria
Atribut kriteria
Bobot kriteria
d. Tabel t_subkriteria
Tabel t_subkriteria merupakan tabel yang berfungsi untuk
menginput kriteria-kriteria sepeda motor bekas. Berikut rancangan struktur
tabel tersebut :
72
Nama Database
: spb
Nama Tabel
: t_subkriteria
Tabel III.17 Tabel t_subkriteria
Column Name
kode_sub
kode_kriteria
sub_kriteria
nilai
Data Tipe
Varchar
Varchar
Varchar
Int
Ukuran
3
3
30
-
Keterangan
Kode sub kriteria (primary key)
Kode kriteria(foreign key)
Nama sub kriteria
Nilai sub kriteria
e. Tabel tbl_analisa
Tabel tbl_analisa merupakan proses untuk menghasilkan suatu
laporan, berikut rancangan tabel tersebut :
Nama Database
: spb
Nama Tabel
: tbl_anallisa
Tabel III.18 Tabel tbl_analisa
Column Name
no
analisa_id
tanggal
id_alternatif
nama_laternatif
harga
tahun
pajak
stnk
mesin
cc_mesin
body
hasil
rangking
id_pengguna
keterangan
Data Tipe
Int
Varchar
Varchar
Varchar
Varchar
Varchar
Varchar
Varchar
Varchar
Varchar
Varchar
Varchar
Varchar
Varchar
Varchar
Varchar
Ukuran
11
12
20
11
30
12
20
20
20
20
20
20
25
2
12
20
Keterangan
No urut analisa (primary key)
Id analisa
Tanggal analisa
Id alternatif (foreign key)
Nama alternatif
Nilai analisa harga
Nilai analisa harga
Nilai analisa pajak
Nilai analisa stnk
Nilai analisa mesin
Nilai analisa cc mesin
Nilai analisa body
Nilai hasil analisa
Rangking hasil analisa
Id pengguna analisa (foreign key)
Keterangan hasil analisa
73
III.4.4 ERD (Entity Relationship Diagram)
Setelah merancang database maka dapat dibuatkan relasi antar tabel
sebagai kebutuhan data. Relasi ini menggambarkan hubungan antara satu tabel
dengan tabel yang lain. Seperti hubungan satu dengan satu, satu dengan banyak,
dan banyak dengan banyak. Adapun relasi antar tabel dapat digambarakan sebagai
berikut :
Gambar III.23 Entity Relationship Diagram Sistem Pendukung Keputusan
Pembelian Sepeda Motor Bekas
74
III.5
Desain User Interface
Desain sistem ini berisikan pemilihan menu yang telah dilakukan. Adapun
bentuk rancangan dari sistem pendukung keputusan pembelian sepeda motor
bekas adalah sebagai berikut :
1. Halaman login
Adapun desain tampilan login dapat dilihat pada gambar dibawah ini :
Gambar III.24 Halaman Login
2. halaman daftar pengguna baru
Adapun desain tampilan daftar pengguna baru dapat dilihat pada gambar dibawah
ini :
Gambar III.25 Halaman Daftar Pengguna Baru
75
3. Halaman menu utama
Adapun desain tampilan menu utama dapat dilihat pada gambar dibawah ini :
Gambar III.26 Halaman Menu Utama
4. Halaman data pengguna
Adapun desain tampilan data pengguna dapat dilihat pada gambar dibawah ini :
Gambar III.27 Halaman Data Pengguna
76
5. Halaman data alternatif
Adapun desain tampilan data alternatif dapat dilihat pada gambar dibawah ini :
Gambar III.28 Halaman Data Alternatif
6. Halaman data kriteria
Adapun desain tampilan data kriteria dapat dilihat pada gambar dibawah ini :
Gambar III.29 Halaman Data Kriteria
77
7. Halaman data sub kriteria
Adapun desain tampilan data sub kriteria dapat dilihat pada gambar dibawah ini:
Gambar III.30 Halaman Data Sub Kriteria
8. Halaman data analisa
Adapun desain tampilan data analisa dapat dilihat pada gambar dibawah ini:
Gambar III.31 Halaman Data Analisa
78
9. Halaman laporan hasil analisa
Adapun desain tampilan laporan hasil analisa dapat dilihat pada gambar dibawah
ini:
Gambar III.32 Halaman Laporan Hasil Analisa
10. Halaman ganti password
Adapun desain tampilan ganti password dapat dilihat pada gambar dibawah ini:
Gambar III.33 Halaman Ganti Password
11. Halaman laporan data pengguna
79
Adapun desain tampilan laporan data pengguna dapat dilihat pada gambar
dibawah ini:
Gambar III.34 Halaman Laporan Data Pengguna
12. Halaman laporan data alternatif
Adapun desain tampilan laporan data alternatif dapat dilihat pada gambar dibawah
ini:
Gambar III.35 Halaman Laporan Data Alternatif
13. Halaman laporan data kriteria
Adapun desain tampilan laporan data kriteria dapat dilihat pada gambar dibawah
ini:
80
Gambar III.36 Halaman Laporan Data Kriteria
14. Halaman laporan data sub kriteria
Adapun desain tampilan laporan data sub kriteria dapat dilihat pada gambar
dibawah ini:
Gambar III.37 Halaman Laporan Sub Kriteria
15. Halaman laporan hasil analisa
Adapun desain tampilan laporan hasil analisa dapat dilihat pada gambar dibawah
ini:
81
Gambar III.38 Halaman Laporan Hasil Analisa
16. Halaman Pilihan Login
Adapun desain tampilan halaman pilihan login dapat dilihat pada gambar dibawah
ini:
Gambar III.39 Halaman Pilihan Login