DAFTAR PUSTAKA - TUGAS AKHIR

[1] E. Supriatna, “Wabah Corona Virus Disease Covid 19 Dalam Pandangan Islam ,” SALAM; J. Sos. Budaya Syar-i, vol. 7, no. Covid 19, 2020, doi:

10.15408/sjsbs.v7i6.15247.

[2] Z. Y. Zu, M. Di Jiang, P. P. Xu, W. Chen, and Q. Q. Ni, “Coronavirus Disease 2019 ( COVID-19 ): A Perspective,” vol. 2019, no. 22, 2020.

[3] Syafrida and R. Hartati, “Bersama Melawan Virus Covid 19 di Indonesia,”

SALAM; J. Sos. Budaya Syar-i, vol. 7, no. Covid 19, 2020, doi:

10.15408/sjsbs.v7i6.15325.

[4] E. A. Nugroho, “SISTEM PENGENDALI LAMPU LALULINTAS BERBASIS LOGIKA FUZZY,” vol. 8, no. 1, pp. 75–84, 2017.

[5] A. Dwika, N. Huda, R. Sidabutar, I. Saputra, and O. Sulaiman Krianto,

“Penentuan Penerima Bantuan Siswa Miskin Menerapkan Metode Multi Objective Optimization on The Basis of Ratio Analysis (MOORA),” vol. 5, no. 1, pp. 1–5, 2018, doi: 10.31227/osf.io/a7kv2.

[6] C. Irwana, Z. F. Harahap, and A. P. Windarto, “Spk: Analisa Metode Moora Pada Warga Penerima Bantuan Renovasi Rumah,” J. Teknol. Inf. MURA, vol. 10, no. 1, p. 47, 2018, doi: 10.32767/jti.v10i1.290.

[7] N. D. Vita Sembiring, I. Wulandari, and D. I. Permatasari, “Determination of learning media in elementary school using multi-objective optimization on the basis of ratio analysis method,” IES 2020 - Int. Electron. Symp. Role Auton. Intell. Syst. Hum. Life Comf., pp. 377–384, 2020, doi:

10.1109/IES50839.2020.9231557.

[8] S. Sutarno, M. Mesran, S. Supriyanto, Y. Yuliana, and A. Dewi,

“Implementation of Multi-Objective Optimazation on the Base of Ratio Analysis (MOORA) in Improving Support for Decision on Sales Location

Determination,” J. Phys. Conf. Ser., vol. 1424, no. 1, 2019, doi:

10.1088/1742-6596/1424/1/012019.

[9] N. W. Al-hafiz, “SISTEM PENDUKUNG KEPUTUSAN PENENTUKAN KREDIT PEMILIKAN RUMAH MENERAPKAN MULTI-OBJECTIVE OPTIMIZATION ON THE BASIS OF RATIO ANALYSIS ( MOORA ),”

vol. I, pp. 306–309, 2017.

[10] S. Wardani, I. Parlina, and A. Revi, “ANALISIS PERHITUNGAN METODE MOORA DALAM PEMILIHAN SUPPLIER BAHAN BANGUNAN DI TOKO MEGAH GRACINDO JAYA,” InfoTekJar (Jurnal Nas. Inform. dan Teknol. Jaringan), vol. Vol 3, Nom, pp. 95–99, 2018.

[11] I. Rosita and D. Apriani, “Penerapan Metode Moora Pada Sistem Pendukung Keputusan Pemilihan Media Promosi Sekolah ( Studi Kasus : SMK Airlangga Balikpapan ),” METIK, vol. 4 No. 2, 2020.

[12] M. Marbun and B. Sinaga, BUKU AJAR SISTEM PENDUKUNG KEPUTUSAN PENILAIAN HASIL BELAJAR DENGAN METODE TOPSIS.

CV.Rudang Mayang, 2018.

[13] A. Susilo et al., “Coronavirus Disease 2019: Tinjauan Literatur Terkini,” J.

Penyakit Dalam Indones., vol. 7, no. 1, p. 45, 2020, doi:

10.7454/jpdi.v7i1.415.

[14] A. R. Wardani, Y. N. Nasution, and F. D. T. Amijaya, “APLIKASI LOGIKA

FUZZY DALAM MENGOPTIMALKAN PLANTATION

MENGGUNAKAN METODE MAMDANI,” vol. 12, no. 2, pp. 94–103, 2017.

[15] A. Ariani et al., “SISTEM PENDUKUNG KEPUTUSAN KELAYAKAN TKI KE LUAR NEGERI MENGGUNAKAN FMADM,” J. Sist. Inf., vol. 4, pp. 336–343, 2013.

[16] L. D. Putri, R. S. Samosir, and B. Hanadi, “Sistem Pendukung Keputusan Penerima Beasiswa Kalbis Institute Menggunakan FMADM,” KALBIS Sci.,

65 vol. 2, pp. 17–27, 2015.

[17] Maryuliana, I. M. I. Subroto, and S. F. C. Haviana, “Sistem Informasi Angket Pengukuran Skala Kebutuhan Materi Pembelajaran Tambahan Sebagai Pendukung Pengambilan Keputusan Di Sekolah Menengah Atas Menggunakan Skala Likert,” J. Transistor Elektro dan Inform.

(TRANSISTOR EI), vol. 1, no. 2, pp. 1–12, 2016, [Online]. Available:

http://jurnal.unissula.ac.id/index.php/EI/article/view/829.

[18] L. Nababan and L. Sinambela, “Sistem Pendukung Keputusan Penentuan Kelayakan Bedah Rumah Keluarga Miskin Menggunakan Metode Moora,”

J. Tek. Inform. Kaputama, vol. Vol.02, no. 2, pp. 20–27, 2018.

[19] P. Madyaratri Devi, I. Wijaya Dharma, and R. Damayanti, “SISTEM

PENDUKUNG KEPUTUSAN PENERIMA BSM SD KAB.

TULUNGAGUNG DENGAN METODE AHP DAN MOORA,”

ANTIVIRUS J. Ilm. Tek. Inform., vol. 15, no. 1, pp. 18–29, 2021.

[20] A. R. Hasibuan, S. W. Siregar, and N. Lubis, “Sistem Pendukung Keputusan Penentuan Pemberian Bantuan Program Keluarga Harapan ( PKH ) Menerapkan Metode MOORA,” pp. 386–390, 2018.

[21] S. Rokhman, I. Rozi Fahrur, and R. Asmara Andrie, “PENGEMBANGAN

SISTEM PENUNJANG KEPUTUSAN PENENTUAN UKT

MAHASISWA DENGAN MENGGUNAKAN METODE MOORA STUDI KASUS POLITEKNIK NEGERI MALANG,” J. Inform. Polinema, vol. 3, pp. 36–42, 2017.

[22] Z. A. Siddiqui and K. Tyagi, “Application of fuzzy-moora method: Ranking of components for reliability estimation of component-based software systems,” Decis. Sci. Lett., vol. 5, no. 1, pp. 169–188, 2016, doi:

10.5267/j.dsl.2015.6.005.

[23] P. Karande and S. Chakraborty, “A fuzzy-MOORA approach for ERP system selection,” Decis. Sci. Lett., vol. 1, no. 1, pp. 11–22, 2012, doi:

66 10.5267/j.dsl.2012.07.001.

[24] T. Limbong, J. Simarmata, S. Sriadhi, A. R. S. Tambunan, and E. K. Sinaga,

“The Implementation of Multi-Objective Optimization on the Basis of Ratio Analysis Method to Select the Lecturer Assistant Working at Computer The Implementation of Multi-Objective Optimization on the Basis of Ratio Analysis Method to Select the Lecturer A,” no. January, pp. 5–10, 2018.

[25] N. Baiti, “PENGARUH PENDIDIKAN, PEKERJAAN DAN POLA ASUH ORANG TUA TERHADAP KEMANDIRIAN ANAK,” vol. 6, no. 1, pp.

44–57, 2020, doi: 10.18592/jea.v6i1.3590.

[26] KEMENAG, “KMA NO 515 Tahun 2020 Tentang Keringanan UKT pada PTKN atas Dampak Bencana Wabah Covid-19.” 2020.

[27] M. Syarif et al., “PEMODELAN DIAGRAM UML SISTEM PEMBAYARAN TUNAI PADA TRANSAKSI E-COMMERCE,” vol. 4, no. 1, 2020.

LAMPIRAN A

LAMPIRAN B

Data peserta penerima bantuan uang kuliah tunggal UIN Sultan Syarif Kasim Riau

Nama NIM Program Studi

Grade UKT

Penghasilan Orang Tua

Jumlah Tanggungan Abdul Haris 11551101837

Teknik

Informatika 3 5000000 5

Achmad Muchsin 11551104729

teknik

informatika 2 5000000 2

Agitri Wahyu Nugraha 11551102671

Teknik

Informatika 2 2200000 3

Andre Vari Antoni 11551102637

Teknik

Informatika 2 2800000 3

Aweldri Ramadhan 11850110539

Teknik

Informatika 2 1500000 3

Deni 11850110443

Teknik

informatika 2 5000000 2

Faizah Husniah 11850102030

Teknik

informatika 5 5000000 2

Fiki 11850312271

Sistem

Informasi 3 2000000 3

Lidia Apriani 11850120411

Teknik

Informatika 3 2500000 4

Mori Hovipah 11850124984

Teknik

Informarika 5 3000000 1

Nabilla Saumi Putri 11950125147

Teknik

Informatika 2 5000000 2

Nuradha Liza Utami 11850120507

Teknik

Informatika 4 5000000 3

Ryan Dwijaya Efendi 11551100712

Teknik

Informatika 2 1600000 2

Mirwansyah 11551100695

Teknik

Informatika 2 1700000 3

Zulastri 11850124442

Teknik

Informatika 3 3000000 4

LAMPIRAN C

LAMPIRAN D PERHITUNGAN

Langkah 1, seluruh nilai dari data alternatif akan dijadikan matriks keputusan MOORA. Berikut ini matriks keputusan MOORA yang disajikan dalam bentuk tabel.

Tabel 26 Matriks Keputusan MOORA

Alternatif K1 K2 K3 K4

A1 0.75 5000000 5 3

A2 0.75 5000000 2 2

A3 0.25 2200000 3 2

A4 0.25 2800000 3 2

A5 0.25 1500000 3 2

A6 0.25 5000000 2 2

A7 0.25 5000000 2 5

A8 0.25 2000000 3 3

A9 0.25 2500000 4 3

A10 0.75 3000000 1 5

A11 0.75 5000000 2 2

A12 0.75 5000000 3 4

A13 0.25 1600000 2 2

A14 0.25 1700000 3 2

A15 0.25 3000000 4 3

Langkah 2, menormalisasi matriks keputusan MOORA dengan menggunakan rumus ke-(2).

Normalisasi matriks – baris 1 kolom1 (1,1)

𝑥_1,1 = 0,75

√ 0,75² + 0,75²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25² + 0,25²+ 0,75²+ 0,75²+ 0,75²+0,25²+ 0,25² + 0,25²

𝑥_1,1 = 0,404519917 Normalisasi matriks – baris 2 kolom1 (2,1)

𝑥_2,1 = 0,75

√ 0,75²+ 0,75²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25² + 0,25²+ 0,25²+ 0,75²+ 0,75²+ 0,75²+0,25² + 0,25²+ 0,25²

𝑥_2,1 = 0,404519917 Normalisasi matriks – baris 3 kolom1 (3,1)

𝑥_3,1 = 0,25

√ 0,75²+ 0,75²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25² + 0,25²+ 0,25²+ 0,75²+ 0,75²+ 0,75²+0,25² + 0,25²+ 0,25²

𝑥_3,1 = 0,134839972 Normalisasi matriks – baris 4 kolom1 (4,1)

𝑥_4,1 = 0,25

√ 0,75²+ 0,75²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25² + 0,25²+ 0,25²+ 0,75²+ 0,75²+ 0,75²+0,25² + 0,25²+ 0,25²

𝑥_4,1 = 0,134839972 Normalisasi matriks – baris 5 kolom1 (5,1)

𝑥_5,1 = 0,25

√ 0,75²+ 0,75²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25² + 0,25²+ 0,25²+ 0,75²+ 0,75²+ 0,75²+0,25² + 0,25²+ 0,25²

𝑥_5,1 = 0,134839972 Normalisasi matriks – baris 6 kolom1 (6,1)

𝑥_6,1 = 0,25

√ 0,75²+ 0,75²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25² + 0,25²+ 0,25²+ 0,75²+ 0,75²+ 0,75²+0,25² + 0,25²+ 0,25²

𝑥_6,1 = 0,134839972 Normalisasi matriks – baris 7 kolom1 (7,1)

𝑥_7,1 = 0,25

√ 0,75²+ 0,75²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25² + 0,25²+ 0,25²+ 0,75²+ 0,75²+ 0,75²+0,25² + 0,25²+ 0,25²

𝑥_7,1 = 0,134839972 Normalisasi matriks – baris 8 kolom1 (8,1)

𝑥_8,1 = 0,25

√ 0,75²+ 0,75²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25² + 0,25²+ 0,25²+ 0,75²+ 0,75²+ 0,75²+0,25² + 0,25²+ 0,25²

𝑥_8,1 = 0,134839972 Normalisasi matriks – baris 9 kolom1 (9,1)

𝑥_9,1 = 0,25

√ 0,75² + 0,75²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25² + 0,25²+ 0,75²+ 0,75²+ 0,75²+0,25²+ 0,25² + 0,25²

𝑥_9,1= 0,134839972 Normalisasi matriks – baris 10 kolom1 (10,1)

𝑥_10,1 = 0,75

√ 0,75²+ 0,75²+ 0,25² + 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,75² + 0,75²+ 0,75²+0,25²+ 0,25²+ 0,25²

𝑥_10,1 =0,404519917 Normalisasi matriks – baris 11 kolom1 (11,1)

𝑥_11,1 = 0,75

√ 0,75²+ 0,75²+ 0,25² + 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,75² + 0,75²+ 0,75²+0,25²+ 0,25²+ 0,25²

𝑥_11,1 =0,404519917 Normalisasi matriks – baris 12 kolom1 (12,1)

𝑥_12,1 = 0,75

√ 0,75²+ 0,75²+ 0,25² + 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,75² + 0,75²+ 0,75²+0,25²+ 0,25²+ 0,25²

𝑥_12,1 =0,404519917 Normalisasi matriks – baris 13 kolom1 (13,1)

𝑥_13,1 = 0,25

√ 0,75²+ 0,75²+ 0,25² + 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,75² + 0,75²+ 0,75²+0,25²+ 0,25²+ 0,25²

𝑥_13,1 =0,134839972 Normalisasi matriks – baris 14 kolom1 (14,1)

𝑥_14,1 = 0,25

√ 0,75²+ 0,75²+ 0,25² + 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,75² + 0,75²+ 0,75²+0,25²+ 0,25²+ 0,25²

𝑥_14,1 =0,134839972 Normalisasi matriks – baris 15 kolom1 (15,1)

𝑥_15,1 = 0,25

√ 0,75²+ 0,75²+ 0,25² + 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,25²+ 0,75² + 0,75²+ 0,75²+0,25²+ 0,25²+ 0,25²

𝑥_15,1 =0,134839972

Normalisasi matriks – baris 1 kolom2 (1,2)

𝑥1,2= 5000000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥1,2= 0,354770568

Normalisasi matriks – baris 2 kolom2 (2,2)

𝑥_2,2= 5000000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥_2,2= 0,354770568

Normalisasi matriks – baris 3 kolom2 (3,2)

𝑥_3,2= 2200000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥3,2= 0,15609905

76 Normalisasi matriks – baris 4 kolom2 (4,2)

𝑥_4,2= 2800000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥_4,2= 0,198671518

Normalisasi matriks – baris 5 kolom2 (5,2)

𝑥5,2= 1500000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥5,2= 0,10643117

Normalisasi matriks – baris 6 kolom2 (6,2)

𝑥_6,2= 5000000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥_6,2= 0,354770568

Normalisasi matriks – baris 7 kolom2 (7,2)

𝑥7,2= 5000000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥7,2= 0,354770568

Normalisasi matriks – baris 8 kolom2 (8,2)

𝑥8,2= 2000000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥_8,2= 0,141908227

Normalisasi matriks – baris 9 kolom2 (9,2)

𝑥9,2= 2500000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥9,2= 0,177385284

Normalisasi matriks – baris 10 kolom2 (10,2)

𝑥_10,2= 3000000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥10,2= 0,212862341

Normalisasi matriks – baris 11 kolom2 (11,2)

𝑥_11,2= 5000000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥_11,2= 0,404519917

Normalisasi matriks – baris 12 kolom2 (12,2)

𝑥12,2= 5000000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥12,2= 0,404519917

Normalisasi matriks – baris 13 kolom2 (13,2)

𝑥13,2= 1600000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥_13,2= 0,113526582

Normalisasi matriks – baris 14 kolom2 (14,2)

𝑥14,2= 1700000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000²

𝑥14,2= 0,120621993

Normalisasi matriks – baris 15 kolom2 (15,2)

𝑥15,2= 3000000

√

5000000²+ 5000000²+ 2200000²+ 2800000²+ 1500000²+ 5000000² +5000000²+ 2000000²+ 2500000²+ 3000000²+ +5000000²

+5000000²+1600000²+ 1700000²+ 3000000² 𝑥15,2= 0,212862341

Normalisasi matriks – baris 1 kolom 3 (1,3)

𝑥_1,3 = 5

√5² + 2²+ 3² + 3²+ 3² + 2²+ 2²+ 3²+ 4²+ 1² + 2²+ 3²+2²+ 3²+ 4²

𝑥_1,3 =0,43519414 Normalisasi matriks – baris 2 kolom 3 (2,3)

𝑥_2,3 = 2

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_2,3 = 0,174077656 Normalisasi matriks – baris 3 kolom 3 (3,3)

𝑥_3,3 = 3

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_3,3 = 0,261116484 Normalisasi matriks – baris 4 kolom 3 (4,3)

𝑥_4,3 = 3

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_4,3 = 0,261116484 Normalisasi matriks – baris 5 kolom 3 (5,3)

𝑥_5,3 = 3

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_5,3 = 0,261116484 Normalisasi matriks – baris 6 kolom 3 (6,3)

𝑥_6,3 = 2

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_6,3 = 0,174077656 Normalisasi matriks – baris 7 kolom 3 (7,3)

𝑥_7,3 = 2

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_7,3 = 0,174077656 Normalisasi matriks – baris 8 kolom 3 (8,3)

𝑥_8,3 = 3

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_8,3 = 0,261116484 Normalisasi matriks – baris 9 kolom 3 (9,3)

𝑥_9,3= 4

√5² + 2²+ 3² + 3²+ 3²+ 2²+ 2²+ 3² + 4²+ 1² + 2²+ 3²+2²+ 3²+ 4²

𝑥_9,3= 0,348155312 Normalisasi matriks – baris 10 kolom 3 (10,3)

𝑥_10,3= 1

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_10,3 =0,087038828 Normalisasi matriks – baris 11 kolom 3 (11,3)

𝑥_11,3= 2

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_11,3 =0,174077656 Normalisasi matriks – baris 12 kolom 3 (12,3)

𝑥_12,3= 3

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_12,3 =0,261116484 Normalisasi matriks – baris 13 kolom 3 (13,3)

𝑥_13,3= 2

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_13,3 =0,174077656 Normalisasi matriks – baris 14 kolom 3 (14,3)

𝑥_14,3= 3

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_14,3 =0,261116484 Normalisasi matriks – baris 15 kolom 3 (15,3)

𝑥_15,3= 4

√5²+ 2²+ 3²+ 3²+ 3²+ 2²+ 2²+ 3²+ 4²+ 1²+ 2²+ 3²+2²+ 3²+ 4²

𝑥_15,3 =0,348155312 Normalisasi matriks – baris 1 kolom 4 (1,4)

𝑥_1,4 = 3

√3² + 2²+ 2² + 2²+ 2² + 2²+ 5²+ 3² + 3²+ 5² + 2²+ 4²+2²+ 2 + 3²

𝑥_1,4 = 0,259160528 Normalisasi matriks – baris 2 kolom 4 (2,4)

𝑥_2,4 = 2

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_2,4 = 0,172773685 Normalisasi matriks – baris 3 kolom 4 (3,4)

𝑥_3,4 = 2

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_3,4 = 0,172773685 Normalisasi matriks – baris 4 kolom 4 (4,4)

𝑥_4,4 = 2

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_4,4 = 0,172773685 Normalisasi matriks – baris 5 kolom 4 (5,4)

𝑥_5,4 = 2

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_5,4 = 0,172773685 Normalisasi matriks – baris 6 kolom 4 (6,4)

𝑥_6,4 = 2

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_6,4 = 0,172773685 Normalisasi matriks – baris 7 kolom 4 (7,4)

𝑥_7,4 = 5

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_7,4 = 0,431934213 Normalisasi matriks – baris 8 kolom 4 (8,4)

𝑥_8,4 = 3

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_8,4 = 0,259160528 Normalisasi matriks – baris 9 kolom 4 (9,4)

𝑥_9,4 = 3

√3² + 2²+ 2² + 2²+ 2²+ 2²+ 5²+ 3² + 3²+ 5² + 2²+ 4²+2²+ 2 + 3²

𝑥_9,4= 0,259160528 Normalisasi matriks – baris 10 kolom 4 (10,4)

𝑥_10,4= 5

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_10,4 =0,431934213 Normalisasi matriks – baris 11 kolom 4 (11,4)

𝑥_11,4= 2

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_11,4 =0,172773685 Normalisasi matriks – baris 12 kolom 4 (12,4)

𝑥_12,4= 4

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_12,4= 0,34554737 Normalisasi matriks – baris 13 kolom 4 (13,4)

𝑥_13,4= 2

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_13,4 =0,172773685 Normalisasi matriks – baris 14 kolom 4 (14,4)

𝑥_14,4= 2

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2 + 3²

𝑥_14,4 =0,172773685 Normalisasi matriks – baris 15 kolom 4 (15,4)

𝑥_15,4= 3

√3²+ 2²+ 2²+ 2²+ 2²+ 2²+ 5²+ 3²+ 3²+ 5²+ 2²+ 4²+2²+ 2²+ 3²

𝑥_15,4 =0,259160528

Berikut ini adalah hasil normalisasi dari matriks keputusan MOORA yang ditampilkan dalam bentuk tabel:

Tabel 27 Normalisasi Matriks Keputusan MOORA

Alternatif K1 K2 K3 K4

A1 0.404519917 0.354770568 0.43519414 0.259160528 A2 0.404519917 0.354770568 0.174077656 0.172773685 A3 0.134839972 0.15609905 0.261116484 0.172773685 A4 0.134839972 0.198671518 0.261116484 0.172773685 A5 0.134839972 0.10643117 0.261116484 0.172773685 A6 0.134839972 0.354770568 0.174077656 0.172773685

A7 0.134839972 0.354770568 0.174077656 0.431934213 A8 0.134839972 0.141908227 0.261116484 0.259160528 A9 0.134839972 0.177385284 0.348155312 0.259160528 A10 0.404519917 0.212862341 0.087038828 0.431934213 A11 0.404519917 0.354770568 0.174077656 0.172773685 A12 0.404519917 0.354770568 0.261116484 0.34554737 A13 0.134839972 0.113526582 0.174077656 0.172773685 A14 0.134839972 0.120621993 0.261116484 0.172773685 A15 0.134839972 0.212862341 0.348155312 0.259160528

Langkah 3, hasil normalisasi matriks keputusan MOORA dikalikan dengan masing-masing bobot kriteria dengan menggunakan rumus (3).

Perkalian dari alternatif A1, K1 * bobot kriteria K1.

0,404519917∗ 0,3 = 0,121355975 Perkalian dari alternatif A2, K1 * bobot kriteria K1.

0,404519917∗ 0,3 = 0,121355975 Perkalian dari alternatif A3, K1 * bobot kriteria K1.

0,134839972∗ 0,3 =0,040451992 Perkalian dari alternatif A4, K1 * bobot kriteria K1.

0,134839972∗ 0,3 =0,040451992 Perkalian dari alternatif A5, K1 * bobot kriteria K1.

0,134839972∗ 0,3 =0,040451992 Perkalian dari alternatif A6, K1 * bobot kriteria K1.

0,134839972∗ 0,3 =0,040451992 Perkalian dari alternatif A7, K1 * bobot kriteria K1.

0,134839972∗ 0,3 =0,040451992 Perkalian dari alternatif A8, K1 * bobot kriteria K1.

0,134839972∗ 0,3 =0,040451992 Perkalian dari alternatif A9, K1 * bobot kriteria K1.

0,134839972∗ 0,3 =0,040451992 Perkalian dari alternatif A10, K1 * bobot kriteria K1.

0,404519917∗ 0,3 =0,121355975 Perkalian dari alternatif A11, K1 * bobot kriteria K1.

0,404519917∗ 0,3 =0,121355975

Perkalian dari alternatif A12, K1 * bobot kriteria K1.

0,404519917∗ 0,3 =0,121355975 Perkalian dari alternatif A13, K1 * bobot kriteria K1.

0,134839972∗ 0,3 =0,040451992 Perkalian dari alternatif A14, K1 * bobot kriteria K1.

0,134839972∗ 0,3 =0,040451992 Perkalian dari alternatif A15, K1 * bobot kriteria K1.

0,134839972∗ 0,3 =0,040451992

Berikut adalah hasil perkaliannya yang dijelaskan dalam bentuk tabel.

Tabel 28 Perkalian Matriks Keputusan MOORA dengan Bobot Kriteria

Alternatif K1 K2 K3 K4

A1 0.121355975 0.088692642 0.108798535 0.051832106 A2 0.121355975 0.088692642 0.043519414 0.034554737 A3 0.040451992 0.039024762 0.065279121 0.034554737 A4 0.040451992 0.049667879 0.065279121 0.034554737 A5 0.040451992 0.026607793 0.065279121 0.034554737 A6 0.040451992 0.088692642 0.043519414 0.034554737 A7 0.040451992 0.088692642 0.043519414 0.086386843 A8 0.040451992 0.035477057 0.065279121 0.051832106 A9 0.040451992 0.044346321 0.087038828 0.051832106 A10 0.121355975 0.053215585 0.021759707 0.086386843 A11 0.121355975 0.088692642 0.043519414 0.034554737 A12 0.121355975 0.088692642 0.065279121 0.069109474 A13 0.040451992 0.028381645 0.043519414 0.034554737 A14 0.040451992 0.030155498 0.065279121 0.034554737 A15 0.040451992 0.053215585 0.087038828 0.051832106

Max Min Max Max

Langkah keempat, mencari nilai optimasi yaitu total nilai Max masing-masing alternatif dikurangi nilai Min masing-masing alternatif (3);

Nilai optimasi pada alternatif A1.

0,121355975 + 0,108798535 + 0,051832106 − 0,088692642 = 0,193293974 Nilai optimasi pada alternatif A2.

0,121355975 + 0,043519414 + 0,034554737 − 0,088692642 = 0,110737484 Nilai optimasi pada alternatif A3.

0,040451992 + 0,065279121 + 0,034554737 − 0,039024762 = 0,101261087 Nilai optimasi pada alternatif A4.

0,040451992 + 0,065279121 + 0,034554737 − 0,049667879 = 0,09061797 Nilai optimasi pada alternatif A5.

0,040451992 + 0,065279121 + 0,034554737 − 0,026607793 = 0,113678057 Nilai optimasi pada alternatif A6.

0,040451992 + 0,043519414 + 0,034554737 − 0,088692642 = 0,029833501 Nilai optimasi pada alternatif A7.

0,040451992 + 0,043519414 + 0,086386843 − 0,088692642 = 0,081665606 Nilai optimasi pada alternatif A8.

0,040451992 + 0,065279121 + 0,051832106 − 0,035477057 = 0,122086161 Nilai optimasi pada alternatif A9.

0,040451992 + 0,087038828 + 0,051832106 − 0,044346321 = 0,134976604 Nilai optimasi pada alternatif A10.

0,121355975 + 0,021759707 + 0,086386843 − 0,053215585 = 0,17638694 Nilai optimasi pada alternatif A11.

0,121355975 + 0,043519414 + 0,034554737 − 0,088692642 = 0,110737484 Nilai optimasi pada alternatif A12.

0,121355975 + 0,065279121 + 0,069109474 − 0,088692642 = 0,167051928 Nilai optimasi pada alternatif A13.

0,040451992 + 0,043519414 + 0,034554737 − 0,028381645 = 0,090144497 Nilai optimasi pada alternatif A14.

0,040451992 + 0,065279121 + 0,034554737 − 0,030155498 = 0,110130351 Nilai optimasi pada alternatif A15.

0,040451992 + 0,087038828 + 0,051832106 − 0,053215585 = 0,12610734 Berikut di bawah ini merupakan hasil yang disajikan dalam bentuk tabel.

Tabel 29 Optimasi MOORA

Aternatif Maximum (K1+K3+k4) Minimum (K2) Yi(Max-Min)

A1 0.281986616 0.088692642 0.193293974

A2 0.199430126 0.088692642 0.110737484

A3 0.14028585 0.039024762 0.101261087

A4 0.14028585 0.049667879 0.09061797

A5 0.14028585 0.026607793 0.113678057

A6 0.118526143 0.088692642 0.029833501

A7 0.170358248 0.088692642 0.081665606

A8 0.157563218 0.035477057 0.122086161

A9 0.179322925 0.044346321 0.134976604

A10 0.229502525 0.053215585 0.17628694

A11 0.199430126 0.088692642 0.110737484

A12 0.25574457 0.088692642 0.167051928

A13 0.118526143 0.028381645 0.090144497

A14 0.14028585 0.030155498 0.110130351

A15 0.179322925 0.053215585 0.12610734

Langkah terakhir, melakukan perangkingan terhadap hasil optimasi MOORA yang dapat dilihat pada tabel di bawah ini.

Tabel 30 Hasil Rangking

Alternatif NilaiYi Rangking

A1 0.193293974 1

A10 0.17628694 2

A12 0.167051928 3

A9 0.134976604 4

A15 0.12610734 5

A8 0.122086161 6

A5 0.113678057 7

A2 0.110737484 8

A11 0.110737484 9

A14 0.110130351 10

A3 0.101261087 11

A4 0.09061797 12

A13 0.090144497 13

A7 0.081665606 14

A6 0.029833501 15

Tabel 30 di atas menjabarkan hasil perhitungan yang diperoleh dengan nilai tertinggi pertama pada alternatif A1 dengan nilai optimasi 0,193293974, tertinggi kedua pada alternatif A10 dengan nilai 0,17628694 dan tertinggi ketiga pada alternatif A12 dan nilainya 0,167051928.

Dalam dokumen TUGAS AKHIR (Halaman 43-68)