Dalam jagat Sistem Pendukung Keputusan (SPK), banyak mahasiswa yang hanya sekadar “hitung jadi” tanpa memahami filosofi di balik rumus. Di Ma’soem University, khususnya bagi mahasiswa Sistem Informasi, mempelajari TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) adalah cara untuk meningkatkan level profesionalisme dalam analisis data.
Logika utama TOPSIS tidak hanya mencari siapa yang terbaik, tetapi siapa yang “paling mendekati sempurna” sekaligus “paling jauh dari kegagalan”. Konsep inilah yang dikenal sebagai Distance to Ideal Solution.
Filosofi Solusi Ideal: Antara Harapan dan Ketakutan
Logika TOPSIS sangat manusiawi. Bayangkan Anda sedang memilih calon karyawan untuk All Company. Anda pasti punya kriteria “Karyawan Idaman” (pintar, jujur, murah hati) dan “Karyawan Terburuk” (malas, tidak jujur, tidak kompeten).
TOPSIS bekerja dengan menciptakan dua titik koordinat fiktif di dalam ruang data:
- Solusi Ideal Positif ($A^+$): Gabungan dari nilai-nilai terbaik dari semua kriteria.
- Solusi Ideal Negatif ($A^-$): Gabungan dari nilai-nilai terburuk dari semua kriteria.
Mahasiswa MU diajarkan bahwa peringkat pertama bukanlah dia yang hanya unggul di satu sisi, melainkan dia yang posisinya secara geometris paling dekat dengan $A^+$ dan paling jauh dari $A^-$.
Alur Kerja Geometris: Mengapa Harus Pakai Akar dan Pangkat?
Mungkin Anda bertanya-tanya mengapa di Bab 4 skripsi, rumus TOPSIS terlihat lebih “mengerikan” dibanding SAW karena melibatkan akar kuadrat dan pangkat. Jawabannya adalah Jarak Euclidean. Dalam ruang multidimensi, kita tidak bisa sekadar menambah dan mengurang. Kita harus menghitung jarak lurus (diagonal) antara posisi alternatif data dengan titik ideal.
- Normalisasi Terbobot: Sebelum dihitung jaraknya, semua data disamakan skalanya dan dikalikan dengan bobot kepentingan.
- Menghitung $D_i^+$: Jarak antara alternatif $i$ dengan solusi ideal positif. Semakin kecil nilainya, semakin baik.
- Menghitung $D_i^-$: Jarak antara alternatif $i$ dengan solusi ideal negatif. Semakin besar nilainya, semakin baik.
- Nilai Preferensi ($V_i$): Ini adalah angka sakti antara 0 sampai 1. Rumusnya adalah $V_i = \frac{D_i^-}{D_i^- + D_i^+}$. Jika $V_i$ mendekati 1, berarti data tersebut menang.
Kasus Nyata: Ranking Suplier Bahan Baku Tekstil di Bandung
Misalkan All Company sedang membantu sebuah pabrik tekstil di Majalaya untuk menentukan suplier terbaik. Kriterianya adalah Harga, Kualitas, dan Kecepatan Pengiriman.
Jika menggunakan logika sederhana, mungkin suplier dengan harga termurah akan menang. Namun, TOPSIS akan melihat secara lebih “Pro”:
- Suplier A: Murah, tapi kualitas sedang dan pengiriman lambat.
- Suplier B: Harga menengah, kualitas tinggi, pengiriman cepat.
TOPSIS akan menempatkan Suplier B sebagai pemenang karena meskipun harganya tidak semurah Suplier A, jaraknya ke titik “Kualitas & Kecepatan Ideal” jauh lebih dekat, dan jaraknya ke titik “Kegagalan Pengiriman” sangat jauh. Inilah yang membuat analisis Anda terlihat lebih objektif di mata penguji atau klien profesional.
- Objektivitas Tinggi: Menghindari subjektivitas karena membandingkan semua alternatif terhadap dua kutub ekstrem (terbaik/terburuk).
- Handal untuk Banyak Kriteria: Tetap akurat meski Anda memasukkan 10 hingga 20 kriteria sekaligus.
- Visualisasi Logika: Memudahkan Anda menjelaskan kepada atasan mengapa “Si B” yang dipilih, bukan “Si A” yang hanya unggul di satu sisi.
- Efisien Secara Komputasi: Meski rumusnya terlihat rumit, bagi mahasiswa MU yang jago koding PHP atau Python, algoritma ini sangat cepat dieksekusi oleh mesin.
Karakter Disiplin dalam Perhitungan Presisi
Menggunakan TOPSIS membutuhkan ketelitian tinggi. Salah memasukkan angka desimal pada tahap normalisasi akan menggeser seluruh “jarak” yang sudah dihitung. Di Ma’soem University, praktik ini melatih karakter Disiplin dan Amanah.
Seorang analis data harus jujur terhadap angka yang dihasilkan oleh rumus. Anda tidak boleh memanipulasi jarak hanya agar kandidat favorit Anda menang. Dengan menjaga integritas perhitungan ini, hasil ranking data Anda tidak hanya terlihat “Pro” secara visual, tetapi juga memiliki kekuatan hukum dan logika yang tidak terbantahkan saat sidang atau rapat direksi.
- Pengecekan Berulang: Lakukan verifikasi perhitungan manual (pakai Excel) sebelum dipindahkan ke dalam kode program.
- Transparansi Bobot: Jelaskan mengapa sebuah kriteria diberi bobot lebih besar dibanding yang lain di Bab 3 skripsi Anda.
- Validasi Hasil: Bandingkan hasil TOPSIS dengan kondisi nyata di lapangan untuk memastikan model Anda benar-benar bisa diandalkan.
