Senin, 22 Juni 2015

Ulasan Mesran.blogspot.com

Ulasan Mesran.blogspot.com

Mesran.Blogspot.Net merupakan salah satu website yang berguna untuk belajar bahasa pemrograman. Pada mesran.net terdiri beberapa artikel diantaranya artikel mengenai tips tips belajar bahasa pemrograman serta beberapa bahasa pemrograman salah satunya Visual Basic dot Net serta program berorientasi Database sebagai contoh : Program Visual Basic Net Simpan Edit Hapus Record Pada Database Access
Pada blog ini kita bisa mengambil source code program sebagai bahan pembelajaran dan mengembangkan aplikasi yang sedang kita bangun

Berbahasa indonesia dan sudah di sertakan intruksi pengunaan masing masing program jadi mahasiswa STMIK Budidarma semakin mudah dalam hal pembelajaran di bidang pemograman

Bagi mahasiswa STMIK budi darma yang kebetulan diajar oleh pak mesran kita dapat melihat tugas tugas dan mengikuti kuis secara online dari kuis tersebut menjadi nilai tambahan bagi mahasiswa agar mendapatkan nilai matakuliah yang bagus minimal B+ oleh karena itu kuis online ini cukup membantu mahasiswa

Metode Profile Matching (GAP)

Metode Profile Matching (GAP)

Metode Profile Matching (GAP)
Profile matching merupakan suatu proses yang sangat penting dalam manajemen SDM dimana terlebih dahulu ditentukan kompetensi (kemampuan) yang diperlukan oleh suatu jabatan. Kompetensi/kemampuan tersebut haruslah dapat dipenuhi oleh pemegang/calon pemegang jabatan.

Dalam proses profile matching secara garis besar merupakan proses membandingkan antara kompetensi individu kedalam kompetensi jabatan sehingga dapat diketahui perbedaan kompetensinya (disebut juga gap), semakin kecil gap yang dihasilkan maka bobot nilainya semakin besar yang berarti memiliki peluang lebih besar untuk karyawan menempati posisi tersebut.
Untuk menganalisis karyawan yang sesuai dengan jabatan tertentu dilakukan dengan metode profile matching, dimana dalam proses ini terlebih dahulu menentukan kompetensi (kemampuan) yang diperlukan oleh suatu jabatan. Dalam proses profile matching secara garis besar merupakan proses membandingkan antara kompetensi individu ke dalam kompetensi jabatan sehingga dapat diketahui perbedaan kompetensinya (disebut juga gap)

1. Perhitungan Pemetaan GAP Kompetensi
Setelah proses pemilihan kandidat, proses berikutnya adalah menentukan kandidat mana yang paling cocok menduduki jabatan yang diajukan oleh perusahaan. Dalam kasus ini penulis menggunakan perhitungan pemetaan gap kompetensi dimana yang dimaksud dengan gap disini adalah beda antara profil jabatan dengan profil karyawan atau dapat ditunjukkan pada rumus di bawah ini:

Gap = Profil Karyawan – Profile Jabatan




2. Perhitungan Pemetaan GAP Kompetensi Berdasarkan Aspek-Aspek
Untuk perhitungan pemilihan karyawan pengumpulan gap-gap yang terjadi itu sendiri pada tiap aspeknya mempunyai perhitungan yang berbeda-beda. Untuk keterangannya bisa dilihat pada tabel 2.1 :
Tabel 3.2 Keterangan Sub Aspek Kriteria


Kriteria
Keterangan Sub Kriteria
Aspek Kapasitas Intelektual
CS : Common Sense
VI : Verbalisasi Ide
SB : Sistematika Berfikir
PSR : Penalaran dan Solusi Real
KN : Konsentrasi
LP : Logika Praktis
FB : Fleksibilitas Berfikir
IK : Imajinasi Kreatif
ANT : Antisipasi
IQ : Potensi Kecerdasan
Aspek Sikap Kerja
EP : Energi Psikis
KTJ : Ketelitian dan Tanggung Jawab
KH : Kehati-hatian
PP : Pengendalian Perasaan
DB : Dorongan Berprestasi
VP : Vitalitas dan Perencana
Aspek Perilaku
D : Dominance (Kekuasaan)
I : Influences (Pengaruh)
S : Steadiness (Keteguhan Hati)
C : Compliance (Pemenuhan)
Di mana nilai aspek sub kriterianya adalah sebagai berikut :
Tabel 3.3 Nilai aspek sub kriteria


Nilai Sub Kreteria
1 : Tidak Memenui Syarat
2 : Kurang
3 : Cukup
4 : Baik
5 : Sangat Baik

1. Perhitungan dan Pengelompokan Core dan Secondary FactorSetelah menentukan bobot nilai gap untuk ketiga aspek yaitu aspek kapasitas intelektual, sikap kerja dan perilaku dengan cara yang sama. Kemudian tiap aspek dikelompokkan menjadi 2 (dua) kelompok yaitu kelompok Core Factor dan Secondary Factor. Untuk perhitungan core factor dapat ditunjukkan pada rumus di bawah ini:



NCF = Σ NC (I, s, p)             
                               Σ IC
Keterangan:
NCF                : Nilai rata-rata core factor
NC(i, s, p)       : Jumlah total nilai core factor (Intelektual, Sikap kerja, Perilaku)
IC                    : Jumlah item core factor
Sedangkan untuk perhitungan secondary factor dapat ditunjukkan pada rumus di bawah ini:
NCS = Σ NS (I, s, p)
       Σ IS
Keterangan:
NSF                 : Nilai rata-rata secondary factor
NS(i, s, p)        : Jumlah total nilai secondary factor (Intelektual, Sikap kerja, Perilaku)
IS                     : Jumlah item secondary factor

(Metode)Simple Additive Weighting SAW

(Metode)Simple Additive Weighting SAW

Metode Simple Additive Weighting (SAW) sering juga dikenal istilah metode penjumlahan terbobot.
Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut (Fishburn, 1967) (MacCrimmon, 1968).
Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Metode ini merupakan metode yang paling terkenal dan paling banyak digunakan dalam menghadapi situasi Multiple Attribute Decision Making (MADM). MADM itu sendiri merupakan suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu.
Metode SAW ini mengharuskan pembuat keputusan menentukan bobot bagi setiap atribut. Skor total untuk alternatif diperoleh dengan menjumlahkan seluruh hasil perkalian antara rating (yang dapat dibandingkan lintas atribut) dan bobot tiap atribut. Rating tiap atribut haruslah bebas dimensi dalam arti telah melewati proses normalisasi matriks sebelumnya.



Langkah Penyelesaian Simple Additive Weighting (SAW)

Langkah Penyelesaian SAW sebagai berikut :
1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci.
2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
3. Membuat matriks keputusan berdasarkan kriteria(Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R.
4. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai)sebagai solusi.
Formula untuk melakukan normalisasi tersebut adalah :
1
Dimana :
rij = rating kinerja ternormalisasi
Maxij = nilai maksimum dari setiap baris dan kolom
Minij = nilai minimum dari setiap baris dan kolom
Xij = baris dan kolom dari matriks
Dengan rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i =1,2,…m dan j = 1,2,…,n.
Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai :
2
Dimana :
Vi = Nilai akhir dari alternatif
wj = Bobot yang telah ditentukan
rij = Normalisasi matriks
Nilai Viyang lebih besar mengindikasikan bahwa alternatifAi lebih terpilih

Contoh Kasus

16-01-2014 10-18-15
16-01-2014 10-18-38
16-01-2014 10-18-46
16-01-2014 10-18-56
16-01-2014 10-19-06
16-01-2014 10-19-14
16-01-2014 10-19-24

Pengantar Penggunaan AHP (Analytical Hierarchy Process) dalam Pengambilan Keputusan

Pengantar Penggunaan AHP (Analytical Hierarchy Process) dalam Pengambilan Keputusan

PENGANTAR 

Pengambilan keputusan sudah menjadi bagian dalam kehidupan, kadangkala kita diperhadapkan pada dua atau lebih pilihan, atau pilihan mudah hingga yang paling sulit. Pada pengambilan keputusan yang melibatkan susutu sistem (sederhana atau kompleks) atau keputusan yang sifatya menentukan perjalanan perusahaan/organisasi bahkan negara maka keputusan tentu akan sulit jika hanya mengandalkan intuisi, sehingga pengambilan keputusan dilakukan setelah suatu melalui proses tertentu. Kemungkinan anda sudah pernah mendengar AHP atau Analytic Hierarchy Process. AHP merupakan salah satu alat bantu (proses) dalam pengambilan keputusan yang dikembangkan oleh Thomas L Saaty pada tahuhn 70an. Prosedur ini begitu powerfull sehingga sudah diaplikasikan secara luas dalam pengambilan keputusan yang penting. Penggunaan AHP bukan hanya untuk institusi pemerintahan atau swasta namun juga dapat diaplikasikan untuk keperluan individu terutama untuk penelitian-penelitian yang berkaitan dengan kebijakan atau perumusan strategi prioritas. Mengapa AHP dapat diandalkan, karena dalam AHP suatu prioritas disusun dari berbagai pilihan yang dapat berupa kriteria yang sebelumnya telah didekomposisi (struktur) terlebih dahulu, sehingga penetapan prioritas didasarkan pada suatu proses yang terstruktur (hierarki) dan masuk akal. Jadi pada intinya AHP membantu memecahkan persoalan yang kompleks dengan menysun suatu hirarki kriteria, dinilai secara subjektif oleh pihak yang berkepentingan lalu menarik berbagai pertimbangan guna mengembangkan bobot atau prioritas (kesimpulan). 

PROSEDUR AHP

Terdapat tiga prinsip utama dalam pemecahan masalah dalam AHP menurut Saaty, yaitu: Decompositiot, Comparative Judgement, dan Logical Concistency. Secara garis besar prosedur AHP meliputi tahapan sebagai berikut:
1) Dekomposisi masalah;
2) Penilaian/pembobotan untuk membandingkan elemen-elemen;
3) Penyusunan matriks dan Uji consistensi;
4) Penetapan prioritas pada masing-masing hirarki;
5) Sistesis dari prioritas; dan 
6) Pengambilan/penetapan keputusan. Berikut uraian singkatnya.

Dekomposisis Masalah/Menyusun Hirarki

Dekomposisi masalah adalah langkah dimana suatu tujuan (Goal) yang telah ditetapkan selanjutnya diuraikan secara sistematis kedalam struktur yang menyusun rangkaian sistem hingga tujuan dapat dicapai secara rasional. Dengan kata lain, sutu tujuan (goal) yang utuh, didekomposisi (dipecahkan) kedalam unsur penyusunnya. Apabila unsur tersebut merupakan kriteria yang dipilih seyogyanya mencakup semua aspek penting terkait dengan tujuan yang ingin dicapai. Namun kita harus tetap mempertimbangkan agar kriteria yang dipulih benar-benar mempunyai makna bagi pengambilan keputusan dan tidak mempunyai makna atau pengertian yang yang sama, shingga walaupun kriteria pilihan hanya sedikit namun mempunyai makna yang besar terhadap tujuan yang ingin dicapai. Setelah kriteria ditetapkan, selanjutnya adalah menentukan alternatif atau pilihan penyelesaian masalah. Sehingga apabila digambarkan kedalam bentuk bagan hierarki seperti ditunjukkan pada Gambar 1.

Hirarki utama (Hirarki I) adalah tujuan/ fokus/ goal yang akan dicapai atau penyelesaian persoalah/ masalah yang dikaji. Hierarki kedua (Hirarki II) adalah kriteria, kriteria apa saja yang harus dipenuhi oleh semua alternatif (penyelesaian) agar layak untuk menjadi pilihan yang paling ideal, dan Hirarki III adalah alternatif aatau pilihan penyelesaian masalah. Ingat..!!!Penetapan hierarki adalah sesuatu yang sangat relatif dan sangat bergantung dari persoalan yang dihadapi. Pada kasus-kasus yang lebih kompleks, anda bisa saja menyusun beberapa hirarki (bukan hanya tiga), bergantung pada hasil dekomposisi yang telah anda lakukan, perhatikan contoh hierarki berikut.

Penilaian / Pembandingan Elemen

Apabila proses dekomposisi telah selasai dan hirarki telah tersusun dengan baik. Selanjutnya dilakukan penilaian perbandingan berpasangan (pembobotan) pada tiap-tiap hirarki berdasarkan tingkat kepentingan relatifnya. Pada contoh di atas, maka perbandingan dilakkukan pada Hirarki III (antara alternatif), dan pada Hirarki II (antara kriteria).

Penilaian atau pembobotan pada Hirarki III, dimaksudkan untuk membandingkan nilai atau karakter pilihan berdasarkan tiap kriteria yang ada. Misalnya antara pilihan 1 dan pilihan 2, pada kriteria 1, lebih penting pilihan 1, selanjutnya antara pilihan 1 dan pilihan 3, lebih penting pilihan 3 dan seterusnya hingga semua pilihan akan dibandingkan satu-persatu (secara berpasangan). Hasil dari penilaian adalah nilai/bobot yang merupakan karakter dari masing-masing alternatif.

Penilaian atau pembobotan pada Hierarki II, dimaksudkan untuk membandingkan nilai pada masing-masing kriteria guna mencapai tujuan. Sehingga nantinya akan diperoleh pembobotan tingkat kepentingan masing-masing kriteria untuk mencapai tujuan yang telah ditetapkan.

Prosedur penilaian perbandingan berpasangan dalam AHP, mengacu pada skor penilaian yang telah dikembangkan oleh Thomas L Saaty, sebagai berikut:

Dalam pembobotan tingkat kepentingan atau penilaian perbandingan berpasangan ini berlaku hukum aksioma reciprocal, artinya apabila suatu elemen A dinilai lebih esensial (5) dibandingkan dengan elemen B, maka B lebih esensial 1/5 dibandingakan dengan elemen A. Apabila elemen A sama pentingnya dengan B maka masing-masing bernilai = 1. 
Dalam pengambilan data, misalnya dengan menggunakan kuisioner, prosedur perbandingan berganda dapat dilakukan dengan menggunakan kuisioner berupa matriks atau semantik difrensial.
Contoh Kuisioner matriks:
Banyaknya sell yang harus diisi adalah n(n-1)/2 karena matriks reciprocal elemen diagonalnya bernilai = 1, jadi tidak perlu disi. Pada conoth di atas 4(4-1)/2 = 6, jadi bagian yang outih saja yang diisi.

Contoh Kuisioner semantik difrensial:
Pada jenis kuisioner ini, kecendrungan pembibitan dilingkari/silang berdasarkan bobot nya, jika sisi kiri lebih penting dari sisi kanan maka angka yang dilingkari adalah 9-1 pada ruas kiri dan sebaliknya.

Penyusunan Matriks dan Uji Konsistensi

Apabila proses pembobotan atau “pengisian kuisioner” telah selesai, langkah selanjutnya dalah penyusunan matriks berpasangan untuk melakukan normalisasi bobot tingkat kepentingan pada tiap-tiap elemen pada hirarkinya masing-masing. Pada tahapan ini analisis dapat dilakukan secara manual ataupun dengan menggunakan program komputer seperti CDPlus atau Expert Choice. Kali ini kita akan lanjut membahas pada prosedur analisis secara manual. Nilai-nilai yang diperoleh selanjutnya disusun kedalam matriks berpasangan serupa dengan matriks yang digunakan pada kuisioner matriks diatas. Hanya saja pada penyusunan matriks untuk analisis data ini, semua kotak harus diisi. 

Langkah pertama: adalah menyatukan pendapat dari beberapa kuisioner, jika kuisioner diisi oleh pakar, maka kita akan menyatukan pendapat para pakar kedangan menggunakan persamaan rata-rata geometri:
Langkah kedua: menyusun matriks perbandingan, sebagai berikut:
Sebelum melangkah lebh jauh ketahapan iterasi untuk penetapan prioritas pada pilihan alternatif atau penetapan tingkat kepentingan kriteria, maka sebelumnya dilakukan terlebih dahulu uji konsistensi. Uji konsistensi dilakukan pada masing kuisioner/pakar yang menilai atau memberikan pembobotan. Kuisioner atau pakar yang tidak memenuhi syrat konsisten dapat dianulir atau dipending untuk perbaikan. Prinsip dasar pada uji konsistensi ini adalah apabila A lebih penting dari B, kemudian B lebih penting dari C, maka tidak mungkin C lebih penting dari A. Tolak ukur yang digunakan adalah CI (Consistency Index) berbanding RI (Ratio Index) atau CR (Consistency Ratio). 
Ratio Indeks(RI) yang umum digunakan untuk setiap ordo matriks adalah sebagai berikut:

Langkah ketiga: uji konsistensi terlebih dahulu dilakukan dengan menyusun tingkat kepentingan relatif pada masing-masing kriteria atau alternatif yang dinyatakan sebagai bobot relatif ternormalisasi (normalized relative weight). Bobot relatif yang dinormalkan ini merupakan suatu bobot nilai relatif untuk masing-masing elemen pada setiap kolom yang dibandingkan dengan jumlah masing-masing elemen:
Maka bobot relatif ternormalisasi adalah:
Selanjutnya dapat dihitung Eigen faktor hasil normalisasi dengan merata-ratakan penjumlahan tiap baris pada matriks di atas.
Selanjutnya tentukan nilai CI (consistency Index) dengan persamaan:
Dimana CI adalah indeks konsistensi dan Lambda maksimum adalah nilai eigen terbesar dari matriks berordo n. 
Nilai eigen terbesar adalah jumlah hasil kali perkalian jumlah kolom dengan eigen vaktor utaman. Sehingga dapat diperoleh dengan persamaan:
Setelah memperoleh nilai lambda maksismum selanjutnya dapoat ditentukan nilai CI. Apabila nilai CI bernilai nol (0) berarti matriks konsisten. Jika nilai CI yag diperoleh lebih besar dari 0 (CI>0) selanjutnya diuji batas ketidak konsistenan yang diterapkan oleh Saaty. Pengujian diukur dengan menggunakan Consistency Ratio (CR), yaitu nilai indeks, atau perbandingan antara CI dan RI:
Nilai RI yang digunakan sesuai denan ordo n matriks. Apabila CR matriks lebih kecil 10% (0,1) berarti bahwa ketidak konsistenan pendapat masing dianggap dapat diterima. 

Penetapan prioritas pada masing-masing hirarki

Penetapan prioritas pada tiap-tiap hierarki dilakukan melalui proses Iterasi (perkalian matriks). Langkah pertama yang dilakukan adalah merubah bentuk fraksi nilai-nilai pembiobotan kedalam bentuk desimal. Agar lebih mudah difahami, kita menggunakan salah satu contoh data hasil penilaian salah seorang pakar seperti contoh berikut:
Data Matriks di atas dirubah dari bentuk fraksi kedalam bentuk desimal (Matriks 1):
Mengkuadratkan matriks 1 (jumlah baris x kolom) (Iterasi I):
Selanjutnya jumlahkan angka dalam matriks menurut barisnya:
Langkah berikutnya adalah pengolahan bentuk Matriks 2 dengan jalan sama dengan Matriks 1(Iterasi II), kemudian jumlahkan kembali hasil perkalian silang matriks berdasarkan baris:
Selanjutnya dihitung selisih antara vektor Matriks 1 dan 2 dalam Iterasi II

Lekukan kembali iterasi untuk Matriks 3. Langkah ini diulang,  hingga nilai selisih antar iterasi tidak mengalami perubahan (=0), nilai iterasi yang diperoleh tersebut selanjutan menjadi urutan prioritas sebagaimana berikut:
Metode yang sama diteruskan pada tingkatan hierarki selanjutnya, atau pilihan-pilihan alternatif. Adapun cara yang lebih mudah dalam melakukan pembobotan ini adalah dengan menggunakan bantuan program komputer seperti Criterium Decision Plus (CD+) atau Expert Choice.

Penarikan Kesimpulan

Penarikan kesimpulan dilakukan dengan mengakumulasi nilai/ bobot global yang merupakan nilai sensitivitas masing-masing elemen. Seperti pada contoh diatas, maka kesimpulan nutamanya adlah aspek kekuatan perlu diperhatikan karena merupakan prioritas utama, kemudian aspek kelemahan, ancaman dan peluang.

PENERAPAN METODE SISTEM PENDUKUNG KEPUTUSAN SAW

PENERAPAN METODE SISTEM PENDUKUNG KEPUTUSAN SAW


Metode sistem pendukung keputusan SAW (Simple additive Weighting) merupakan salah satu metode Sistem Pendukung Keputusan yang menggunakan konsep penjumlahan terbobot. 
Pada tulisan kali ini saya akan memberikan contoh bagaimana cara Penerapan Metode Sistem Pendukung Keputusan SAW dengan PHP. Sebelumnya saya akan menjelaskan proses dari metode Simple additive weighting :
  1. Siapkan terlebih dahulu data yang disimpan dalam Matrik Data.
  2. Lakukan Normalisasi Matrik Data dengan formula : 
    Normalisasi Matriks SAW
  3. Lakukan perangkingan dengan Formula
    1
    Vi = (rij * wi) + (rij * wi) + .. (rxx * wx)
  4. Sebagai bahan Penerapan Metode SAW, berikut contoh kasus yang akan kita coba lakukan perhitungan dengan PHP.
    Suatu Institusi Perguruan tinggi akan memilih seorang karyawan untuk dipromosikan sebagai kepala unit Sistem Informasi.
    Ada empat kriteria yang digunakan untuk melakukan penilaian yaitu :
    1. C1  = Tes Pengetahuan (Wawasan) Sistem Informasi.
    2. C2 = Praktik Insatalasi Jaringan
    3. C3 = Tes Kepripadian
    4. C4 = Tes Pengetahuan Agama.
    Pengambil keputusan memberikan bobot untuk setiap kriteria sebagai berikut: C1 = 35%; C2 = 25%; C3 = 25%; dan C4 = 15%.

    Ada enam orang karyawan yang menjadi kandidat (alternatif) untuk dipromosikan sebagai kepala unit, yaitu:
    1. A1 = Indra
    2. A2 = Roni,
    3. A3 = Putri,
    4. A4 = Dani,
    5. A5 = Ratna, dan
    6. A6 = Mira.
    Data diatas sekarang kita rubah ke dalam database, buat database kira2 seperti ini :
    tbcalon :
    Tabel Calon Sistem Pendukung Keputusan
    Tabel Calon Sistem Pendukung Keputusan
    Selanjutnya kita buat tabel untuk menyimpan matrik, misal tbmatrik :
    Tabel Matrik Sistem Pendukung Keputusan
    Tabel Matrik Sistem Pendukung Keputusan
    Setelah keduanya dibuat, silahkan isi data sehingga terbentuk data seperti ini :
    tbcalon :
    Data Calon SPK
    Data Calon SPK
    dan data Matrik :
    Data Matrik Calon SPK
    Data Matrik Calon SPK
    Langkah-langkah perhitungan sistem pendukung keputusan dengan php :
    Lakukan Langkah ke 2, yakni normalisasi :
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    //Lakukan Normalisasi dengan rumus pada langkah 2
        //Cari Max atau min dari tiap kolom Matrik
        $crMax = mysql_query("SELECT max(Kriteria1) as maxK1,
                            max(Kriteria2) as maxK2,
                            max(Kriteria3) as maxK3,
                            max(Kriteria4) as maxK4
                FROM tbmatrik");
        $max = mysql_fetch_array($crMax);
        //Hitung Normalisasi tiap Elemen
        $sql2 = mysql_query("SELECT * FROM tbmatrik");
        //Buat tabel untuk menampilkan hasil
        echo "<H3>Matrik Normalisasi</H3>
        <table width=500 style='border:1px; #ddd; solid; border-collapse:collapse' border=1>
            <tr>
                <td>No</td><td>Nama</td><td>C1</td><td>C2</td><td>C3</td><td>C4</td>
            </tr>
            ";
        $no = 1;
        while ($dt2 = mysql_fetch_array($sql2)) {
            echo "<tr>
                <td>$no</td><td>".getNama($dt2['idCalon'])."</td><td>".round($dt2['Kriteria1']/$max['maxK1'],2)."</td><td>".round($dt2['Kriteria2']/$max['maxK2'],2)."</td><td>".round($dt2['Kriteria3']/$max['maxK3'],2)."</td><td>".round($dt2['Kriteria4']/$max['maxK4'],2)."</td>
            </tr>";
        $no++;
        }
        echo "</table>";
    Selanjutnya lakukan Perangkingan :
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    //Proses perangkingan dengan rumus langkah 3
        $sql3 = mysql_query("SELECT * FROM tbmatrik");
        //Buat tabel untuk menampilkan hasil
        echo "<H3>Perangkingan</H3>
        <table width=500 style='border:1px; #ddd; solid; border-collapse:collapse' border=1>
            <tr>
                <td>No</td><td>Nama</td><td>Rangking</td>
            </tr>
            ";
        $no = 1;
        //Kita gunakan rumus (Normalisasi x bobot)
        while ($dt3 = mysql_fetch_array($sql3)) {
            echo "<tr>

                <td>$no</td><td>".getNama($dt3['idCalon'])."</td>
                <td>"
                .round((($dt3['Kriteria1']/$max['maxK1'])*$bobot[0])+
                (($dt3['Kriteria2']/$max['maxK2'])*$bobot[1])+
                (($dt3['Kriteria3']/$max['maxK3'])*$bobot[2])+
                (($dt3['Kriteria4']/$max['maxK4'])*$bobot[3]),2)."</td>

            </tr>";

        $no++;
        }
        echo "</table>";
    Selesai, berikut adalah perhitungan sistem pendukung keputusan dengan PHP :
    Hasil Sistem Pendukung Keputusan
    Hasil Sistem Pendukung Keputusan