Dokumen ini membahas implementasi metode FUCOM-MABAC untuk menentukan maskapai penerbangan terpopuler di Indonesia berdasarkan preferensi konsumen. Metode ini digunakan untuk memecahkan masalah pemilihan maskapai yang seringkali membingungkan konsumen. Hasilnya menunjukkan bahwa Garuda Indonesia merupakan maskapai terpopuler di Indonesia."
Topik 4_Eksplorasi Konsep LK Kelompok_Pendidikan Berkelanjutan
Implementasi Pemilihan Maskapai Penerbangan Menggunakan FUCOM-MABAC Pada Sistem Pendukung Keputusan
1. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
11 | P a g e
SmartAI
J O U R N A L
IMPLEMENTASI PEMILIHAN MASKAPAI PENERBANGAN MENGGUNAKAN
FUCOM-MABAC PADA SISTEM PENDUKUNG KEPUTUSAN
Gede Surya Mahendra
1
, Putu Gede Surya Cipta Nugraha
2
, I Putu Yoga Indrawan
3
, I Made Satrya
Ramayu
4
1,2,3
Program Studi Teknik Informatika, STMIK STIKOM Indonesia, Denpasar, Indonesia
4
Program Studi Bisnis Digital, Institut Desain & Bisnis Bali, Denpasar, Indonesia
e-mail: gede.mahendra@stiki-indonesia.ac.id
1
, surya.cipta@stiki-indonesia.ac.id
2
,
yoga.indrawan@stiki-indonesia.ac.id
3
, satrya.ramayu@idbbali.ac.id
4
Abstract
There are still many airlines that face various problems, although the development of the Indonesian
aviation service industry continues to grow. The better the service quality standard of the selected
airline, the greater the interest of prospective passengers to use its services. The many choices and
considerations for choosing an airline often confuse customers, because each airline has its own
strengths. To solve this problem, a decision support system (DSS) can be used in airline selection based
on customer preferences. This study succeeded in implementing FUCOM-MABAC to determine the most
popular airlines in Indonesia. The price criteria (K4) turned out to be the main concern of consumers
when calculating with FUCOM. Calculations using FUCOM-MABAC show that Garuda Indonesia is the
most popular airline in Indonesia with a preference value of 0.3188, followed by Citilink as the second
most popular airline and Batik Air as the third. Tests using consistency analysis show that Garuda
Indonesia occupies the top 11 out of 13 tests with an average rating distribution of 1.29905, remaining
stable as the best choice.
Keywords: FUCOM, MABAC, DSS, Airlines
Abstrak
Masih banyak maskapai yang menghadapi berbagai masalah, walaupun perkembangan industri jasa
penerbangan Indonesia terus berkembang. Semakin baik standar kualitas pelayanan maskapai
penerbangan yang dipilih, maka semakin besar minat calon penumpang untuk menggunakan
layanannya. Banyaknya pilihan dan pertimbangan untuk memilih maskapai sering membingungkan
pelanggan, karena setiap maskapai memiliki kekuatannya sendiri. Untuk mengatasi masalah ini, sistem
pendukung keputusan (SPK) dapat digunakan dalam pemilihan maskapai berdasarkan preferensi
pelanggan. Penelitian ini berhasil mengimplementasikan FUCOM-MABAC untuk menentukan maskapai
penerbangan terpopuler di Indonesia. Kriteria harga (K4) ternyata menjadi concern utama bagi
konsumen ketika perhitungan dengan FUCOM dilakukan. Perhitungan menggunakan FUCOM-MABAC
menunjukkan bahwa Garuda Indonesia merupakan maskapai terpopuler di Indonesia dengan nilai
preferensi 0,3188, disusul Citilink sebagai maskapai terpopuler kedua dan Batik Air sebagai ketiga.
Pengujian menggunakan analisis konsistensi menunjukkan bahwa Garuda Indonesia menempati 11
besar dari 13 tes dengan distribusi peringkat rata-rata 1,29905, tetap stabil sebagai pilihan terbaik.
Kata Kunci: FUCOM, MABAC, SPK, Maskapai
1. PENDAHULUAN
Implementasi deregulasi maskapai yang diberlakukan pada tahun 1999 menyebabkan
perkembangan industri jasa penerbangan Indonesia terus berkembang. Kenyataannya, mayoritas
maskapai penerbangan yang masih menghadapi berbagai masalah penerbangan. Pada tahun 2021 saja,
pesawat maskapai akan mengalami masalah mulai dari masalah mesin, masalah teknis, kerusakan ban,
masalah kokpit hingga masalah tekanan udara [1]. Wabah COVID-19 juga menghambat operasional
maskapai. Produsen pesawat Airbus mengumumkan kerugian akibat pandemi mencapai Rp 18,8 triliun
2. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
12 | P a g e
SmartAI
J O U R N A L
[2]. Hal ini tidak hanya berdampak pada perusahaan, tetapi sebanyak 25 juta orang kehilangan
pekerjaan akibat situasi COVID-19, dan jumlah ini terus meningkat seiring dengan perkembangan
pandemi [3]. Tingkat pelayanan maskapai harus terus ditingkatkan untuk memberikan pelayanan yang
berkualitas, terutama di masa pandemi. Salah satunya adalah pemberian layanan rapid antigen testing
gratis melalui Garuda Indonesia, Lion Air, Batik Air, NAM Air dan Sriwijaya Air [4].
Semakin baik standar kualitas pelayanan maskapai penerbangan yang dipilih, maka semakin
besar minat calon penumpang untuk menggunakan layanannya [5]. TripAdvisor adalah situs pemesanan
online dan menyediakan informasi tentang berbagai akomodasi di seluruh dunia [6]. Pelanggan
TripAdvisor dapat memperoleh dukungan dan bantuan dari aplikasi yang memungkinkan mereka
menilai properti mereka untuk penggunaan online. Semua pihak dapat menggunakan fitur ini untuk
menunjukkan peningkatan kualitas layanan dan memberikan informasi tentang properti yang terkait
dengan properti tersebut. Namun, pelanggan maskapai penerbangan memiliki pertimbangan dan
preferensi pribadi ketika memilih agen perjalanan. Banyaknya pilihan dan pertimbangan maskapai
seringkali membingungkan pelanggan karena masing-masing maskapai memiliki keunggulannya masing-
masing [7], [8].
Untuk mengatasi masalah ini, sistem pendukung keputusan (SPK) dapat digunakan ketika
pelanggan perlu memilih maskapai penerbangan berdasarkan preferensi pelanggan berdasarkan kriteria
yang dibutuhkan [9]–[11]. SPK adalah sistem yang efisien yang menggunakan aturan keputusan, model
analitis, database yang komprehensif dan basis pengetahuan untuk membantu pengambil keputusan
membuat keputusan berdasarkan kriteria yang kompleks [12]–[14]. Kombinasi metode FUCOM-MABAC
dipilih untuk penelitian ini. Kombinasi metode ini dipilih karena FUCOM unggul dalam algoritma yang
lebih sederhana, pembobotan hasil normalisasi yang lebih andal, lebih sedikit perbandingan antara
standar, dan memungkinkan nilai integer, desimal, atau perbandingan ditentukan sebelumnya,
menjadikannya lebih kuat dan fleksibel daripada AHP atau BWM [15]–[19]. MABAC memberikan solusi
yang stabil dan dapat diandalkan untuk pengambilan keputusan yang rasional [20]–[22].
Namun, belum ada analisis komprehensif tentang bagaimana pengambil keputusan menguji
bagaimana menggunakan beberapa bobot dan kombinasi yang berbeda dari beberapa pengambil
keputusan yang berbeda dalam konteks analisis konsensus. Oleh karena itu, penelitian ini bertujuan
untuk menghitung kombinasi metode FUCOM-MABAC dan menganalisis konsistensi kombinasi metode
tersebut. Urgensi penelitian ini, jika tidak dilakukan, akan menghambat pengembangan metode SPK
yang hanya menggunakan pemilihan metode yang sama tanpa berusaha menggunakan metode
eksperimental terbaru, yang berpotensi menghambat inovasi di bidang SPK.
2. METODE PENELITIAN
Metodologi penelitian yang digunakan mengikuti tahapan model Cross-Industry Standard Process
for Data Mining (CRISP-DM) [23]–[27]. Kerangka kerja tersebut diharapkan mampu menganalisis
masalah bisnis dan kondisi terkini, menghasilkan transformasi data yang lebih akurat, serta
menyediakan model yang dapat menilai efektivitas dan mendokumentasikan hasil yang diperoleh.
Berbagai tahapan model proses CRISP-DM ditunjukkan pada Gambar 1.
Pemahaman Bisnis (Business Understanding) adalah tahap yang digunakan untuk menentukan
tujuan bisnis, melakukan analisis situasi bisnis, hingga penentuan tujuan dari SPK. Tahap ini dilakukan
pemahaman yang menyeluruh berdasarkan analisis dari hasil observasi, wawancara dan dokumen-
dokumen yang mendukung tujuan dan hasil penelitian. Tahap ini dilakukan analisis dari hasil observasi,
wawancara dan dokumen pendukung tujuan dan hasil penelitian. TripAdvisor merupakan situs yang
memberikan review akomodasi perjalanan dan wisata, yang salah satunya adalah review mengenai
maskapai di Indonesia. Pada TripAdvisor hanya memberikan paparan nilai tanpa mempertimbangkan
preferensi dari konsumen. Masing-masing konsumen memiliki pertimbangannya sendiri dan terdapat
banyak pilihan maskapai di Indonesia yang memiliki kebijakan dan standar kualitas layanan yang mirip,
sering membingungkan konsumen. Pada penelitian ini akan mengambil data pada TripAdvisor sebagai
data alternatif dan menggunakan 5 narasumber untuk memberikan preferensi pemilihan maskapai.
Contoh review maskapai penerbangan di TripAdvisor ditunjukkan pada Gambar 2.
3. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
13 | P a g e
SmartAI
J O U R N A L
Gambar 1. CRISP-DM model
[Sumber: Wirth & Hipp (2000) [23]]
Gambar 2. Review Maskapai pada TripAdvisor
Pada tahap ini dilakukan proses pengumpulan data, kemudian melakukan analisa data serta
melakukan evaluasi kualitas data yang digunakan dalam penelitian. Untuk dapat memberikan
rekomendasi pada konsumen, perlu mendapatkan data kriteria dan alternatif yang sesuai. Kriteria yang
digunakan dalam penelitian ini meliputi kenyamanan (K1), hiburan dan pengalaman penerbangan (K2),
layanan pelanggan (K3), harga (K4), kebersihan dan katering (K5), serta check-in dan boarding (K6).
Kriteria dengan kondisi cost adalah harga (K4), sedangkan kriteria lainnya adalah kriteria benefit. Untuk
alternatif yang digunakan adalah maskapai niaga berjadwal di Indonesia sebanyak 6 perusahaan
maskapai, yaitu Batik Air, Citilink, Garuda Indonesia, Indonesia AirAsia, Lion Air dan NAM Air.
Dalam tahapan persiapan data meliputi pemilihan data yang akan digunakan dan data yang akan
dikeluarkan untuk dimasukkan dalam perhitungan SPK. Dalam tahap ini juga dilakukan data cleaning
untuk memperbaiki, menghapus atau mengabaikan noise pada data. Narasumber akan melakukan
pembobotan kriteria menggunakan FUCOM. Data maskapai sebagai alternatif akan dilakukan penilaian
berdasarkan kriteria yang telah ditentukan sebelumnya.
Pada tahap business understanding telah dipilih tools, teknik ataupun metode yang akan
digunakan dalam penelitian ini, yaitu metode FUCOM-MABAC. Sebelum melanjutkan penelitian dapat
4. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
14 | P a g e
SmartAI
J O U R N A L
melakukan test design dengan data sementara untuk membuktikan metode tersebut dapat digunakan.
Diagram alir metode ini ditunjukkan pada Gambar 3
Gambar 3. Diagram Alir Penelitian
Langkah pertama adalah persiapan data perbandingan antar kriteria yang bersumber dari
decision maker sebagai narasumber, dan data alternatif yang berasal dari data maskapai pada
TripAdvisor. Dengan menggunakan metode FUCOM, untuk menentukan data pembobotan kriteria,
dimulai dari memberikan tingkat signifikansi kriteria, prioritas komparatif dan perhitungan koefesien
bobot kriteria dengan fungsi minimasi menggunakan LINGO. Selanjutnya, data alternatif dilakukan
normalisasi menggunakan metode MABAC sehingga menghasilkan data normalisasi alternatif. Data
pembobotan kriteria menggunakan metode FUCOM dan data normalisasi alternatif menggunakan
metode MABAC akan dilakukan perhitungan normalisasi terbobot dan menghitung nilai preferensi dan
akan menghasilkan nilai preferensi yang dapat dilakukan perangkingan untuk dapat menentukan
maskapai favorit di Indonesia. Nilai preferensi yang lebih tinggi merupakan rekomendasi maskapai yang
lebih baik. Pada tahap evaluasi dilakukan pengujian baik pada hasil rekomendasi dari SPK maupun
kinerja dari metode yang dipergunakan. Pada tahap penyebaran dilakukan perencanaan deployment
berdasarkan evaluasi yang telah dilakukan sebelumnya.
3. HASIL DAN PEMBAHASAN
3.1 Deskripsi Data
Agar dapat menggunakan metode FUCOM-MABAC untuk perhitungan penentuan maskapai
favorit di Indonesia, kriteria penentuan maskapai favorit dibobot berdasarkan data kuesioner dari
pengambil keputusan yang memiliki pemahaman yang baik dan aktif dalam penggunaan. maskapai
penerbangan, dikonversi ke kriteria standar tertimbang. Data maskapai digunakan sebagai data
alternatif. Jumlah Pengambil Keputusan (PK) yang digunakan adalah 5 orang. Jumlah maskapai yang
digunakan adalah 6 perusahaan penerbangan. Dengan menggunakan metode FUCOM, kelima PK
memberikan pemeringkatan signifikansi kriteria, dan kemudian dilakukan perhitungan rasio koefesien
dan transivitas matematis. Narasumber memilih kriteria yang paling disukai dan memberikan nilai 1, dan
diberikan nilai yang sama dengan sebelumnya atau diberikan penambahan nilai secara ordinal atau
desimal pada kriteria yang disukai selanjutnya hingga akhir, sehingga pembobotan bernilai lower is
better. Pembobotan kelima narasumber terhadap masing-masing kriteria dapat dilihat pada Tabel 1.
5. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
15 | P a g e
SmartAI
J O U R N A L
Tabel 1: Pembobotan Kriteria Berdasarkan Kelima Narasumber
Kriteria K1 K2 K3 K4 K5 K6
Pembobotan Kriteria PK1 1.5 1.0 2.0 1.3 1.7 2.5
Pembobotan Kriteria PK2 1.7 1.3 2.0 1.0 1.7 2.1
Pembobotan Kriteria PK3 1.4 2.2 2.5 1.0 1.7 2.0
Pembobotan Kriteria PK4 1.3 1.3 2.0 1.0 1.5 1.7
Pembobotan Kriteria PK5 1.5 1.0 1.7 1.2 1.6 2.0
Selain itu, perhitungan difokuskan pada PK1, dan perhitungan dari sumber lain akan mengikuti
perhitungan PK1. Lakukan pembobotan PK1 dari yang terkecil sampai yang terbesar. Selain itu,
perhitungan prioritas nilai perbandingan adalah perhitungan rasio koefisien bobot, dan perhitungan
transitif matematis juga dilakukan berdasarkan rasio koefisien bobot. Tabel 2 menunjukkan pengurutan
pembobotan kriteria berdasarkan PK1.
Tabel 2: Pengurutan Pembobotan Kriteria Berdasarkan PK1
Kriteria K2 K4 K1 K5 K3 K6
Pembobotan Kriteria PK1 1 1.3 1.5 1.7 2 2.5
Perhitungan perbandingan prioritas dan rasio koefisien bobot pada PK1, dihitung dengan
menggunakan langkah-langkah berikut.
(1)
⁄ ⁄ ⁄ ; ⁄ ⁄ ⁄
⁄ ⁄ ⁄ ; ⁄ ⁄ ⁄ ;
⁄ ⁄ ⁄ .
Perhitungan transivitas matematis dari perhitungan rasio koefisien bobot pada PK1, dihitung
dengan menggunakan langkah-langkah sebagai berikut.
(2)
⁄ ; ⁄ ;
⁄ ; ⁄ .
Hasil akhir pemodelan matematika untuk menentukan koefisien bobot kriteria evaluasi untuk
PK1 adalah sebagai berikut.
| | | | | | | |
∑
6. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
16 | P a g e
SmartAI
J O U R N A L
Kemudian pemodelan matematis yang diperoleh diselesaikan menggunakan bantuan program aplikasi
LINGO untuk melakukan fungsi minimisasi. Notasi dan hasil fungsi minimisasi untuk mencari koefisien
bobot kriteria evaluasi FUCOM menggunakan LINGO dapat dilihat pada Gambar 4.
Gambar 4. Hasil Notasi dan Fungsi Minimasi untuk Mencari Koefisien Bobot Kriteria Evaluasi FUCOM
Menggunakan LINGO
Untuk mencari rata-rata terbobot semua pengambil keputusan, dilakukan perhitungan rata-rata
geometrik (GeoMean) berdasarkan pembobotan kriteria untuk semua pengambil keputusan dan rata-
rata geometrik ternormalisasinya, disajikan pada tabel 3. Diagram lingkaran Kriteria Evaluasi Koefisien
Bobot , disajikan pada Gambar 5. Berdasarkan pembobotan kriteria dari seluruh Pengambil Keputusan,
ditetapkan bahwa kriteria harga (K4) mencapai 23,17% merupakan faktor yang menjadi fokus utama
pemilihan maskapai diikuti dengan kriteria hiburan dan pengalaman penerbangan (K2) yang mencapai
19,29%, dan kriteria kenyamanan (K1) menjadi faktor terbesar berikutnya yang mencapai 17,00%.
Tabel 3: Koefisien bobot kriteria evaluasi untuk lima pengambil keputusan dan dalam geomean
ternormalisasi menggunakan FUCOM
Kriteria W1 W2 W3 W4 W5 W6 SUM
Pembobotan Kriteria PK1 0.16317 0.24560 0.13655 0.19832 0.15224 0.10411 1.00000
Pembobotan Kriteria PK2 0.14999 0.19614 0.12749 0.25498 0.14999 0.12142 1.00000
Pembobotan Kriteria PK3 0.19532 0.12429 0.10938 0.27344 0.16085 0.13672 1.00000
Pembobotan Kriteria PK4 0.17917 0.17917 0.11646 0.23292 0.15528 0.13701 1.00000
Pembobotan Kriteria PK5 0.15823 0.23735 0.13962 0.19779 0.14834 0.11867 1.00000
Geomean 0.16842 0.19106 0.12536 0.22952 0.15328 0.12296 0.99060
Geomean Ternormalisasi 0.17002 0.19288 0.12655 0.23170 0.15473 0.12412 1.00000
Gambar 5. Kriteria Evaluasi Koefisien Bobot menggunakan FUCOM.
7. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
17 | P a g e
SmartAI
J O U R N A L
Setelah mendapatkan bobot kriteria menggunakan FUCOM, selanjutnya Anda dapat menghitung
nilai preferensi menggunakan MABAC. Secara umum dalam menghitung nilai preferensi dimulai dari
normalisasi nilai alternatif, perhitungan normalisasi alternatif berbobot, menghitung nilai preferensi dan
rangking. Alternatif yang digunakan adalah Batik Air (X1), Citilink (X2), Garuda Indonesia (X3), Indonesia
AirAsia (X4), Lion Air (X5), dan NAM Air (X6). Data alternatif maskapai penerbangan yang digunakan
dalam perhitungan ini ditunjukkan pada Tabel 4.
Tabel 4: Data alternatif maskapai
Alternatif K1 K2 K3 K4 K5 K6
Batik Air (X1) 80 70 35 624,645 65 35
Citilink (X2) 70 60 40 512,152 70 40
Garuda Indonesia (X3) 80 80 40 851,212 85 40
Indonesia AirAsia (X4) 65 50 35 421,969 70 40
Lion Air (X5) 60 45 30 449,352 50 30
NAM Air (X6) 60 40 35 430,914 70 40
Nilai MIN 60 40 30 421,969 50 30
Nilai MAX 80 80 40 851,212 85 40
Berdasarkan data alternatif yang telah ditentukan, perhitungan berikut menunjukkan contoh
perhitungan matriks keputusan yang dinormalisasi untuk alternatif Batik Air menggunakan MABAC.
Untuk alternatif selanjutnya, gunakan persamaan yang sama untuk menghasilkan matriks keputusan
ternormalisasi menggunakan nilai MABAC yang ditunjukkan pada Tabel 5. Kriteria dengan kondisi
manfaat, seperti kriteria K1, K2, K3, K5 dan K6, dihitung sebagai berikut.
(3)
; ;
; ;
Kriteria dengan kondisi biaya, seperti kriteria K4, dihitung sebagai berikut.
(4)
Tabel 5: Matriks keputusan yang dinormalisasi maskapai menggunakan MABAC
Alternatif K1 K2 K3 K4 K5 K6
Batik Air (X1) 1.0000 0.7500 0.5000 0.5278 0.4286 0.5000
Citilink (X2) 0.5000 0.5000 1.0000 0.7899 0.5714 1.0000
Garuda Indonesia (X3) 1.0000 1.0000 1.0000 0.0000 1.0000 1.0000
Indonesia AirAsia (X4) 0.2500 0.2500 0.5000 1.0000 0.5714 1.0000
Lion Air (X5) 0.0000 0.1250 0.0000 0.9362 0.0000 0.0000
NAM Air (X6) 0.0000 0.0000 0.5000 0.9792 0.5714 1.0000
Setelah didapatkan nilai matriks keputusan ternormalisasi, maka perhitungan dilanjutkan pada
perhitungan matriks keputusan ternormalisasi berbobot dan matriks daerah aproksimasi batas.
perhitungan berikut menggunakan kriteria evaluasi koefisien bobot menggunakan FUCOM dan matriks
keputusan ternormalisasi menggunakan MABAC, dan dilakukan pada alternatif Batik Air (X1). Setelah
8. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
18 | P a g e
SmartAI
J O U R N A L
itu, lanjutkan untuk menghitung matriks daerah aproksimasi perbatasan. Untuk alternatif berikutnya,
gunakan persamaan yang sama yang hasilnya ditunjukkan pada Tabel 6.
̂ ( ) (5)
̂
̂
̂
̂
̂
̂
[∏ ̂ ]
⁄
(6)
[ ] ⁄
[ ] ⁄
[ ] ⁄
[ ] ⁄
[ ] ⁄
[ ] ⁄
Tabel 6: Matriks keputusan ternormalisasi berbobot maskapai dan area aproksimasi perbatasan
menggunakan FUCOM-MABAC
Alternatif K1 K2 K3 K4 K5 K6
Batik Air (X1) 0.1989 0.1819 0.0793 0.1760 0.0903 0.0775
Citilink (X2) 0.1139 0.1336 0.1426 0.2367 0.1124 0.1395
Garuda Indonesia (X3) 0.1989 0.2301 0.1426 0.0537 0.1787 0.1395
Indonesia AirAsia (X4) 0.0714 0.0854 0.0793 0.2854 0.1124 0.1395
Lion Air (X5) 0.0289 0.0613 0.0160 0.2706 0.0239 0.0154
NAM Air (X6) 0.0289 0.0372 0.0793 0.2806 0.1124 0.1395
Border Approximation Area 0.0803 0.1014 0.0739 0.1909 0.0905 0.0876
Setelah didapatkan matriks keputusan ternormalisasi berbobot dan matriks daerah aproksimasi
perbatasan, perhitungan dilanjutkan dengan perhitungan jarak dari daerah aproksimasi perbatasan.
Perhitungan berikut menunjukkan jarak dari daerah aproksimasi perbatasan dan dihitung menggunakan
FUCOM-MABAC pada alternatif Batik Air. Untuk alternatif berikutnya, gunakan persamaan yang sama
yang hasilnya ditunjukkan pada Tabel 7.
̂ (7)
;
;
;
Tabel 7: Area aproksimasi perbatasan maskapai penerbangan menggunakan FUCOM-MABAC
Alternative K1 K2 K3 K4 K5 K6
Batik Air (X1) 0.1186 0.0804 0.0054 -0.0150 -0.0002 -0.0101
Citilink (X2) 0.0336 0.0322 0.0687 0.0458 0.0219 0.0519
Garuda Indonesia (X3) 0.1186 0.1286 0.0687 -0.1373 0.0882 0.0519
9. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
19 | P a g e
SmartAI
J O U R N A L
Alternative K1 K2 K3 K4 K5 K6
Indonesia AirAsia (X4) -0.0089 -0.0160 0.0054 0.0944 0.0219 0.0519
Lion Air (X5) -0.0514 -0.0401 -0.0578 0.0797 -0.0665 -0.0722
NAM Air (X6) -0.0514 -0.0642 0.0054 0.0896 0.0219 0.0519
Setelah memperoleh nilai-nilai dari daerah perbatasan, perhitungan dilanjutkan pada jarak total
dari daerah perbatasan. Perhitungan berikut menunjukkan nilai total dari daerah perbatasan. Besarnya
jarak total alternatif dari daerah perbatasan ditentukan dari tahap sebelumnya secara berurutan dan
dibuat peringkat akhir dari alternatif yang ditunjukkan pada Tabel 8. Pilihan favorit maskapai
penerbangan yang menggunakan FUCOM-MAB ditunjukkan pada Gambar 6.
∑ (8)
Tabel 8: Penentuan nilai preferensi penerbangan favorit menggunakan FUCOM-MABAC
Alternatif Jarak Total dari Border Approximate Area
(Nilai Preferensi)
Ranking
Garuda Indonesia (X3) 0.3188 1
st
Rank
Citilink (X2) 0.2541 2
nd
Rank
Batik Air (X1) 0.1791 3
rd
Rank
Indonesia AirAsia (X4) 0.1488 4
th
Rank
NAM Air (X6) 0.0532 5
th
Rank
Lion Air (X5) -0.2085 6
th
Rank
Gambar 6. Penentuan harga preferensi maskapai menggunakan FUCOM-MABAC
Setelah perhitungan menggunakan spreadsheet, SPK menggunakan FUCOM-MABAC ini juga
dikembangkan dalam perangkat lunak. Karena FUCOM telah dihitung menggunakan LINGO, maka pada
aplikasi berbasis web hanya berfokus mengembangkan pada metode MABAC. Berikut merupakan
tampilan perangkat lunak berbasis web pada FUCOM-MABAC.
0,1791
0,2541
0,3188
0,1488
-0,2085
0,0532
-0,30000
-0,20000
-0,10000
0,00000
0,10000
0,20000
0,30000
0,40000
Preference Value Determination of Favorite Airline using
FUCOM-MABAC
Batik Air Citilink Garuda Indonesia Indonesia AirAsia LionAir NAM Air
10. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
20 | P a g e
SmartAI
J O U R N A L
3.2 Pembahasan
Berdasarkan perhitungan manual pada perbandingan metode FUCOM-MABAC pada sistem
pendukung keputusan penentuan maskapai favorit di Indonesia, maka akan dilakukan analisis
konsistensi pada skenario yang telah ditentukan. Analisis konsistensi akan dilakukan dengan 13 skenario
yang berbeda, dimana skenario 0 menggunakan kriteria pembobotan menggunakan FUCOM pada ketiga
sumber yang telah dinormalisasi. Skenario 1 hingga skenario 6 dimanipulasi terhadap skenario 1 dengan
menambahkan 0,5 poin pada setiap kriteria dan dilakukan normalisasi, dan skenario 7 hingga skenario
16 dimanipulasi ke skenario 12 dengan menambahkan 1 poin pada setiap kriteria dan dilakukan
normalisasi. Skenario tersebut dapat dilihat pada tabel 9.
Tabel 9: Skenario pembobotan antar kriteria untuk analisis konsistensi ternormalisasi
Skenario W1 W2 W3 W4 W5 W6
Skenario Standar 0.17002 0.19288 0.12655 0.23170 0.15473 0.12412
Skenario 0.44668 0.12858 0.08437 0.15447 0.10315 0.08275
Skenario 0.11335 0.46192 0.08437 0.15447 0.10315 0.08275
Skenario 0.11335 0.12858 0.41770 0.15447 0.10315 0.08275
Skenario 0.11335 0.12858 0.08437 0.48780 0.10315 0.08275
Skenario 0.11335 0.12858 0.08437 0.15447 0.43649 0.08275
Skenario 0.11335 0.12858 0.08437 0.15447 0.10315 0.41608
Skenario 0.58501 0.09644 0.06328 0.11585 0.07737 0.06206
Skenario 0.08501 0.59644 0.06328 0.11585 0.07737 0.06206
Skenario 0.08501 0.09644 0.56328 0.11585 0.07737 0.06206
Skenario 0.08501 0.09644 0.06328 0.61585 0.07737 0.06206
Skenario 0.08501 0.09644 0.06328 0.11585 0.57737 0.06206
Skenario 0.08501 0.09644 0.06328 0.11585 0.07737 0.56206
Berdasarkan skenario yang telah ditentukan, nilai preferensi dan peringkat akan dihitung
kembali. Kemudian akan terlihat seberapa konsisten suatu alternatif disukai oleh suatu metode.
Perhitungan analisis konsistensi distribusi rank menggunakan FUCOM-MABAC, dapat dilihat pada tabel
10.
Tabel 10. Perhitungan analisis konsistensi distribusi rank menggunakan FUCOM-MABAC
Alternatif
Distribusi Peringkat GeoMean dari
Distribusi Peringkat
Ke-1 Ke-2 Ke-3 Ke-4 Ke-5 Ke-6
Batik Air - 4 kali 3 kali 2 kali 4 kali - 3.23908
Citilink 1 kali 8 kali 4 kali - - - 2.14811
Garuda Indonesia 11 kali - - - 1 kali 1 kali 1.29905
Indonesia AirAsia 1 kali 1 kali 4 kali 7 kali - - 3.11996
Lion Air - - - 1 kali - 12 kali 5.81575
NAM Air - - 2 kali 3 kali 8 kali - 4.39011
Berdasarkan analisis konsistensi, dari perspektif 13 skenario modifikasi bobot kriteria yang
berbeda, Garuda Indonesia masih menjadi pilihan favorit pelanggan maskapai penerbangan Indonesia.
Dari 13 tes yang dilakukan, Garuda Indonesia menduduki peringkat pertama sebanyak 11 kali dan kelima
sebanyak 1 kali dan keenam sebanyak 1 kali. Hal ini karena 2 tes difokuskan pada faktor harga. Harga
yang dipatok Garuda Indonesia memang paling mahal di antara kompetitornya, namun faktor lain
seperti kenyamanan, kebersihan, customer service, dan lain-lain memiliki nilai yang lebih tinggi dari
kompetitor. Studi ini menunjukkan bahwa sampel pengambil keputusan yang dipilih menunjukkan
bahwa harga adalah pilihan utama untuk memilih maskapai favorit mereka. Garuda Indonesia
merupakan maskapai penerbangan terpopuler, berdasarkan pengambilan keputusan yang dipilih
sebagai sampel. Proses analisis konsistensi menunjukkan bahwa nilai akhir FUCOM-MABAC sangat
ditentukan oleh pembobotan kriteria yang bersumber dari pengambil keputusan. jika pengambil
keputusan memberikan penilaian yang berbeda pada bobot kriteria, maka hasil akhir yang diberikan
dengan menggunakan perhitungan FUCOM-MABAC juga akan berubah.
11. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
21 | P a g e
SmartAI
J O U R N A L
4. KESIMPULAN
Penelitian ini berhasil mengimplementasikan perhitungan menggunakan FUCOM-MABAC, berdasarkan
decision maker yang digunakan, menggunakan 6 kriteria dan juga 6 alternatif yang diuji untuk
menentukan maskapai favorit di Indonesia. Saat menggunakan FUCOM untuk menghitung bobot
standar, dapat dilihat bahwa kriteria harga (K4) mencapai 23,17% merupakan faktor yang menjadi fokus
utama pemilihan maskapai diikuti dengan kriteria hiburan dan pengalaman penerbangan (K2) yang
mencapai 19,29%, dan kriteria kenyamanan (K1) menjadi faktor terbesar berikutnya yang mencapai
17,00%. Dengan menggunakan perhitungan FUCOM-MABAC, Garuda Indonesia menjadi maskapai
terpopuler di Indonesia dengan nilai preferensi 0,3188, disusul Citilink di posisi kedua dengan nilai
0,2541, dan Batik Air di posisi ketiga dengan nilai 0,1791, dan masing-masing Indonesia AirAsia, NAM Air
dan Lion Air menduduki peringkat terakhir di antara alternatif yang diuji. Dalam analisis konsistensi,
Garuda Indonesia menduduki peringkat pertama sebanyak 11 kali dari 13 kali pengujian untuk
menghitung analisis konsistensi dengan Geoetric Mean of Rank Distribution sebesar 1,29905.
Perhitungan FUCOM-MABAC juga berhasil diimplementasikan pada perangkat lunak berbasis web. Hasil
perhitungan ini erat kaitannya dengan bobot pengambil keputusan. Jika pengambil keputusan
mengubah peringkat, hasil peringkat dapat berubah. Diharapkan perhitungan FUCOM-MABAC ini dapat
membantu pelanggan dalam menentukan maskapai yang sesuai dengan preferensinya dan pihak
maskapai dapat memperbaiki kelemahan yang dimiliki saat ini.
PERNYATAAN PENGHARGAAN
Penulis mengucapkan terima kasih kepada STMIK STIKOM Indonesia, yang telah mendanai program
hibah Penelitian Dosen Mahasiswa Tahun 2021, dengan nomor kontrak 07/04/LPPM/PDM/V/2021.
DAFTAR PUSTAKA
[1] T. Santia, “Rentetan Kejadian Pesawat Maskapai Nasional di Awal 2021, Masalah Mesin hingga
Pecah Ban,” Liputan 6, Mar. 12, 2021. https://www.liputan6.com/bisnis/read/4504854/rentetan-
kejadian-pesawat-maskapai-nasional-di-awal-2021-masalah-mesin-hingga-pecah-ban
[2] W. S. Widodo, “Airbus Umumkan Rugi Rp 18,8 Triliun Gegara Pandemi Corona,” Detik.com, Feb.
23, 2021. https://travel.detik.com/travel-news/d-5401132/airbus-umumkan-rugi-rp-188-triliun-
gegara-pandemi-corona
[3] J. Dalle, “Pandemi Corona dan Drama ‘Terra Incognita,’” Detik.com, Nov. 16, 2020.
https://news.detik.com/kolom/d-5256888/pandemi-corona-dan-drama-terra-incognita
[4] D. Kuswaraharja, “Cara Dapatkan Rapid Test Antigen Gratis di 5 Maskapai,” Detik.com, Mar. 08,
2021. https://travel.detik.com/travel-news/d-5485219/cara-dapatkan-rapid-test-antigen-gratis-
di-5-maskapai
[5] N. Indriyani, E. Ali, U. Rio, and R. Rahmaddeni, “Menentukan Kualitas Pelayanan Maskapai
Penerbangan Domestik Dengan Menggunakan Metode Naïve Bayes:,” SATIN, vol. 6, no. 1, pp. 37–
44, Jun. 2020, doi: 10.33372/stn.v6i1.605.
[6] S. Seimahuira, “Implementasi Datamining dalam Menentukan Destinasi Unggulan Berdasarkan
Online Reviews TripAdvisor Menggunakan Alogoritma K-Means,” Jurnal Technologia, vol. 12, no.
1, pp. 53–58, 2021.
[7] G. S. Mahendra and I. G. B. Subawa, “Perancangan Metode AHP-WASPAS Pada Sistem Pendukung
Keputusan Penempatan ATM,” Prosiding Seminar Nasional Pendidikan Teknik Informatika
(SENAPATI) Ke-10, vol. 1, no. 1, pp. 122–128, 2019.
[8] G. S. Mahendra and N. K. A. P. Sari, “Perancangan Sistem Pendukung Keputusan Dengan Metode
Ahp-Vikor Dalam Penentuan Pengembangan Ekowisata Pedesaan ( Decision Support System
Design With Ahp-Vikor Method In Determination Of Rural Ecotourism Development ),” 2019, pp.
15–34.
[9] G. S. Mahendra, I. W. W. Karsana, and A. A. I. I. Paramitha, “DSS for best e-commerce selection
using AHP-WASPAS and AHP-MOORA methods,” MATRIX, vol. 11, no. 2, pp. 81–94, Jul. 2021, doi:
10.31940/matrix.v11i2.2306.
12. SmartAI | E-ISSN xxxx-xxxx
Vol. 1 No. 1 – Januari 2022, pp: 11-22
https://ejournal.abivasi.id/index.php/SmartAI
Publishing: Yayasan Adwitiya Basurata Inovasi
22 | P a g e
SmartAI
J O U R N A L
[10] G. S. Mahendra and K. Y. E. Aryanto, “SPK Penentuan Lokasi ATM Menggunakan Metode AHP dan
SAW,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 49–56, 2019, doi:
10.25077/TEKNOSI.v5i1.2019.49-56.
[11] I. G. Hendrayana and G. S. Mahendra, “Perancangan Metode AHP-MOORA Pada Sistem
Pendukung Keputusan Pemilihan Paket Wisata,” Prosiding Seminar Nasional Pendidikan Teknik
Informatika (SENAPATI) Ke-10, vol. 1, no. 1, pp. 143–149, 2019.
[12] N. K. A. P. Sari, “Implementation of the AHP-SAW Method in the Decision Support System for
Selecting the Best Tourism Village,” Jurnal Teknik Informatika C.I.T Medicom, vol. 13, no. 1, pp.
22–31, Mar. 2021.
[13] G. S. Mahendra and E. Hartono, “Implementation of AHP-MAUT and AHP-Profile Matching
Methods in OJT Student Placement DSS,” Jurnal Teknik Informatika CIT Medicom, vol. 13, no. 1, p.
9, 2021, doi: https://doi.org/10.35335/cit.Vol13.2021.56.pp13-22.
[14] G. S. Mahendra and I. P. Y. Indrawan, “Metode AHP-TOPSIS Pada Sistem Pendukung Keputusan
Penentuan Penempatan Atm,” JST (Jurnal Sains dan Teknologi), vol. 9, no. 2, pp. 130–142, 2020,
doi: 10.23887/jst-undiksha.v9i2.24592.
[15] I. Badi and A. Abdulshahed, “Ranking the Libyan airlines by using Full Consistency Method
(FUCOM) and Analytical Hierarchy Process (AHP),” Operational Research in Engineering Sciences:
Theory and Applications, vol. 2, no. 1, pp. 1–14, 2019, doi: 10.31181/oresta1901001b.
[16] B. Matić et al., “A New Hybrid MCDM Model : Sustainable Supplier Selection in a Construction
Company,” Symmetry, vol. 11, no. March, pp. 1–24, 2019, doi: 10.3390/sym11030353.
[17] M. Adnan, R. Adin, Z. Nunić, Ž. Stević, and S. Sremac, “Selection of transportation mean using
integrated FUCOM-ARAS model,” st and, p. 6, 2019.
[18] D. S. Pamucar, D. Božanic, and A. Randelovic, “Multi-criteria decision making: An example of
sensitivity analysis,” Serbian Journal of Management, vol. 12, no. 1, pp. 1–27, 2017, doi:
10.5937/sjm12-9464.
[19] Ž. Stević, B. Miĉić, D. Lukić, M. Tomašević, and S. Sremac, “Supplier Selection for Distribution of
Finished Products: Combined FUCOM-MABAC Model,” 2019, no. December, pp. 35–40.
[20] B. N. Ihwa, N. Silalahi, and R. K. Hondro, “Sistem Pendukung Keputusan Pemilihan Jaksa Terbaik
dengan Menerapkan Metode MABAC ( Studi Kasus : Kejaksaan Negeri Medan ),” Journal of
Computer System and Informatics, vol. 1, no. 4, pp. 225–230, 2020.
[21] N. Ndruru, F. T. Waruwu, and D. P. Utomo, “Penerapan Metode MABAC Untuk Mendukung
Pengambilan Keputusan Pemilihan Kepala Cabang Pada PT. Cefa Indonesia Sejahtera Lestari,”
Rekayasa Teknik Informatika dan Informasi, vol. 1, no. 1, pp. 36–49, 2020.
[22] H. Yosafat, K. Budi, and Nurhadi, “Perancangan Sistem Pendukung Keputusan Pembelian Laptop
Dengan Metode Mabac (Studi Kasus : Sigma Komputer),” Jurnal Ilmiah Mahasiswa Teknik
Informatika, vol. 2, no. 2, pp. 148–161, 2020.
[23] R. Wirth and J. Hipp, “CRISP-DM : Towards a Standard Process Model for Data Mining,” Semantic
Scholar, vol. 1, no. 24959, pp. 1–11, 2000.
[24] E. Exenberger and J. Bucko, “Analysis of Online Consumer Behavior - Design of CRISP-DM Process
Model,” AOL, vol. 12, no. 3, pp. 13–22, Sep. 2020, doi: 10.7160/aol.2020.120302.
[25] C. Schröer, F. Kruse, and J. M. Gómez, “A Systematic Literature Review on Applying CRISP-DM
Process Model,” Procedia Computer Science, vol. 181, pp. 526–534, 2021, doi:
10.1016/j.procs.2021.01.199.
[26] G. S. Mahendra and P. G. S. C. Nugraha, “Komparasi Metode AHP-SAW dan AHP-WP pada SPK
Penentuan E-Commerce Terbaik di Indonesia Comparison of AHP-SAW and AHP-WP Methods on
DSS to Determine the Best E-Commerce in Indonesia,” Jurnal Sistem dan Teknologi Informasi
(JUSTIN), vol. 08, no. 4, pp. 346–356, 2020, doi: 10.26418/justin.v8i4.42611.
[27] G. S. Mahendra and E. Hartono, “Komparasi Analisis Konsistensi Metode AHP-MAUT dan AHP-PM
pada SPK Penempatan Siswa OJT,” Jurnal Teknologi Informasi Informasi dan Komputer, vol. 7, no.
2, 2021.