i
LAPORAN AKHIR PENELITIAN DOSEN PEMULA
Analisa dan Implementasi Algoritma SAW (Simple Additive Method), AHP
(Analytical Hierarchy Process) dan WP (Weight Product) pada Pemilihan Calon
Penerima Beras Miskin di Kecamatan Limboto dan Limboto Barat
TIM PENGUSUL
Tri Pratiwi Handayani S.Kom, M.Eng, M.Phil /0904058902 (Ketua)
Lia Nurhayati M.Pd /0913077901 (Anggota 1)
Rizal Lamusu M.T/ 0929048102 (Anggota 2)
Universitas Muhammadiyah Gorontalo
Oktober 2017
iii
IDENTITAS DAN URAIAN UMUM
1. Judul Penelitian : Analisa dan Implementasi Algoritma SAW (Simple Additive Method), AHP (Analytical Hierarchy Process) dan WP (Weight Product) pada Pemilihan Calon Penerima Beras Miskin di Kecamatan Limboto dan Limboto Barat
2. Tim Peneliti
No Nama Jabatan Bidang Keahlian Instansi Asal Alokasi
Waktu (Jam/Minggu)
1
Tri Pratiwi Handayani S.Kom, M.Eng, M.Phil Ketua Pengusul Kecerdasan Buatan Universitas Muhammadiyah Gorontalo 6.00 2 Lia Nurhayati S.Pd, M.Pd Anggota Pengusul Pendidikan Ekonomi Universitas Muhammadiyah Gorontalo 5.00
3 Rizal Lamusu M.T Anggota
Pengusul Sistem Informasi
Universitas Muhammadiyah
Gorontalo
5.00
3. Objek Penelitian (Jenis Materi yang akan ditelilit dan segi penelitian)
Data calon penerima beras miskin (Raskin) di 21 Desa di Kecamatan Limboto dan Limboto Barat 4. Masa Pelaksanaan
Mulai Tahun: 2017 Berakhir Tahun :2018
5. Usulan Biaya DPRM Dithen Penguatan Risbang -Tahun Ke-1 : Rp. 18.600.000
6. Lokasi Penelitian (Lab/Studio/Lapangan)
21 desa di Kecamatan Limboto dan Limboto Barat
7. Instansi lain yang terlibat (Jika ada, dan uraikan apa kontribusinya)
21 Kantor Desa di Kecamatan Limboto dan Limboto barat. Kontribusinya adalah memberikan data calon penerima Raskin yang didapat dari survey lapangan.
8. Temuan yang ditargetkan (penjelasan gejala atu kaidah, metode, teori , produk atau rekayasa) Temuan yang ditargetkan adalah
1. Hasil perangkingan calon penerima Raskin, yang diurutkan dari yang prioritas sampai yang kurang prioritas.
2. Metode terbaik dari Hasil Perbandingan 3 metode SAW, AHP dan WP untuk studi kasus Raskin 3. Metode yang digunakan adalah 3 metode pendukung keputusan yaitu SAW (Simple Additive Method), AHP (Analytical Hierarchy Process) dan Weight Product (WP).
9. Kontribusi mendasar pada suatu bidang ilmu (Uraikan tidak lebih dari 50 kata, tekankan pada gagasan fundamental dan orisinil yang mendukung pengembangan iptek)
Kontribusi orisinil dari penelitian ini adalah:
1. Implementasi ketiga Algoritma pada studi kasus baru yaitu di daerah kecamatan Limboto dan Limboto Barat, karena belum ada penelitian sebelumnya yang mengambil studi kasus di daerah tersebut.
iv
2. Hasil perbandingan tiga metode yaitu SAW, AHP dan WP dalam studi kasus pembagian raskin, karena pada penelitian penelitian sebelumnya hanya menggunakan salah satu algoritma.
Kontribusi Tambahan dari penelitian ini adalah:
1. Publikasi ilmiah pada Proseeding dan Jurnal terakreditasi.
2. Bahan ajar dalam bentuk slide dan modul untuk menunjang kegiatan belajar mahasiswa.
10. Jurnal Ilmiah yang menjadi sasaran (Tuliskan naman terbitan berkala ilmiah internasional bereputasi, nasional terakreditasi, atau nasional tidak terakreditasi dan tahun rencana publikasi )
1. Jurnal Nasional berissn 2. Jurnal Internasional berissn
11. Rencana luaran HKI, buku, purwarupa atau luaran lainnya yang ditargetkan, tahun rencana perolehan atau penyelesaiannya
- Publikasi Ilmiah Jurnal Internasional, tahun ke-1 Target: tidak ada - Publikasi Ilmiah Jurnal Nasional Terakreditasi, tahun ke-1 Target: terbit - Pemakalah dalam pertemuan ilmiah Nasional, tahun ke-1 Target: tidak ada - Pemakalah dalam pertemuan ilmiah Internasional, tahun ke-1 Target: tidak ada - Keynote Speaker dalam pertemuan ilmiah Internasional, tahun ke-1 Target: tidak ada - Keynote Speaker dalam pertemuan ilmiah Nasional, tahun ke-1 Target: tidak ada - Visiting Lecturer Internasional, tahun ke-1 Target: tidak ada
- Paten, tahun ke-1 Target: belum/tidak ada
- Paten Sederhana, tahun ke-1 Target: belum/tidak ada - Hak Cipta, tahun ke-1 Target: belum/tidak ada - Merk Dagang, tahun ke-1 Target: belum/tidak ada - Rahasia Dagang, tahun ke-1 Target: belum/tidak ada - Desain Produk Industri, tahun ke-1 Target: belum/tidak ada - Indikasi Geografis, tahun ke-1 Target: belum/tidak ada
- Perlindungan Varietas Tanaman, tahun ke-1 Target: belum/tidak ada - Perlindungan Topografi Sirkuit , tahun ke-1 Target: belum/tidak ada - Teknologi Tepat Guna, tahun ke-1 Target: belum/tidak ada
- Model/Purwarupa/Desain/Karya Seni/Rekayasa Sosial, tahun ke-1 Target: belum/tidak ada - Buku Ajar (ISBN), tahun ke-1 Target: draft
v
DAFTAR ISI
HALAMAN SAMPUL
i
HALAMAN PENGESAHAN
ii
IDENTITAS DAN URAIAN UMUM
iii
DAFTAR ISI
v
RINGKASAN
vi
Bab I Pendahuluan
1
Bab II Tinjauan Pustaka
4
Bab III Metode Penelitian
10
Bab IV Biaya dan Jadwal Penelitian
12
Daftar Pustaka
14
Lampiran 1. Artikel pada INFOTEKJAR
15
Lampiran 2. Artikel pada JMII
17
vi
Ringkasan
Latar belakang dilakukannya penelitian ini ditarbelakangi oleh keinginan memberikan solusi
alternatif yang efektif dan efisien dalam masalah penentuan calon penerima Beras Miskin
(Raskin) pada masyarakat di kawasan Limboto dan Limboto Barat. Adapun penelitian ini
bertujuan untuk menganalisa dan mengimplementasikan Algoritma SAW (Simple Additive
Method), AHP (Analytical Hierarchy Process) dan Weight Product (WP) pada pemilihan
calon penerima Raskin di kawasan Limboto dan Limboto Barat yang terdiri dari 21 desa.
Penelitian ini penting untuk dilaksanakan agar dapat memberikan solusi alternatif pada para
aparat desa dalam menentukan calon penerima Raskin. Hasil penelitian ini diharapkan dapat
mempercepat proses penentuan calon penerima Raskin. Penelitian ini juga penting untuk
dilaksanakan karena memiliki luaran berupa Microsoft Excel Spreadsheet yang dapat
mempermudah aparat desa dalam menentukan calon penerima Raskin. Tujuan jangka
panjang dari penelitian ini adalah menciptakan suatu sistem berbasis website yang dapat
membantu aparat desa dalam pengambilan keputusan calon penerima Raskin tidak hanya di
kecamatan Limboto dan Limboto barat, tetapi juga di tingkat provinsi.
Masalah yang akan diteliti pada penelitian ini adalah yang pertama tentang hasil
implementasi tiga algoritma yaitu SAW, AHP dan WP pada studi kasus pemilihan calon
penerima Raskin di 21 Desa di Limboto dan Limboto Barat. Kedua, tentang kesesuaian hasil
rangking calon penerima raskin yang dihasilkan melalui Algoritma SAW, AHP dan WP.
Ketiga tentang perbandingkan tiga algoritma ini yang paling sesuai dengan kasus calon
penerima Raskin.
Penelitian ini terdiri dari beberapa tahap, yang pertama adalah survey tentang data calon
penerima Raskin di Limboto dan Limboto Barat di 21 Desa. Selanjutnya hasil kedua survey
ini di analisa menggunakan algoritma SAW, AHP dan WP untuk mendapatkan rangking
prioritas calon penerima Raskin, dari yang paling direkomendasikan sampai yang kurang
direkomendasikan. Kemudian, spreadsheet Microsoft Excel yang beriskan metode SAW,
AHP dan WP akan dibuat untuk mempermudah calon pengguna dalam hal ini aparat desa
untuk menentukan prioritas calon penerima Raskin. Tahap terakhir adalah penulisan laporan
dan publikasi hasil penelitian.
Kontribusi dan Manfaat dari penelitian pada bidang ilmu komputer adalah mengetahui hasil
implementasi dan relevansi algoritma SAW, AHP dan WP pada penentuan calon penerima
Raskin di kecamatan Limboto dan Limboto Barat. Sedangkan kontribusi bagi masyarakat
adalah mempermudah dalam penentuan prioritas calon penerima Raskin agar lebih objektif
dan tepat sasaran. Luaran dari sistem ini adalah Pertama, publikasi dalam jurnal terakreditasi
dan proseding seminar internasional tentang implementasi algoritma SAW, AHP dan WP
pada penentuan calon penerima Raskin di kecamatan Limboto dan Limboto Barat.
BAB 1. PENDAHULUAN
1.1 Latar Belakang
Latar belakang penelitian ini adalah keingintahuan peneliti untuk mencari solusi alternatif
bagi masalah penentuan calon penerima beras miskin (Raskin) di 21 Desa yang berada pada
kecamatan Limboto dan Limboto Barat Kabupaten gorontalo. Solusi ini dicari melalui
penggunaan Algoritma SAW(Simple Additive Method), Analytical Hierarycal Process
(AHP) dan Weight Product (WP). Penelitian ini dilaksanakan dalam rangka menyediakan
pemecahan masalah alternatif yang efektif dan efisien dalam masalah penentuan calon
penerima beras miskin. Penelitian ini sangat penting karena memiliki beberapa manfaat yaitu
membantu aparat desa untuk mempercepat penentuan dalam memilih calon penerima raskin
di kecamatan Limboto dan Limboto Barat. Dengan menggunakan algoritma sistem
pendukung keputusan seperti SAW, AHP dan WP, diharapkan pengambil keputusan bisa
lebih efektif dan efisien dalam menentukan siapa yang berhak menerima raskin.
1.2 Pengenalan SAW, AHP dan WP
Sistem Pendukung Keputusan (SPK) merupakan suatu pendekatan atau metodologi untuk
mendukung dan meningkatkan pengambilan keputusan (Turban, dkk, 2005). SAW, AHP dan
WP merupakan metode-metode yang sering digunakan dalam sistem pendukung keputusan.
Uraian singkat mengenai SAW, AHP dan WP akan dijelaskan pada Bab 2.
1.3 Batasan Penelitian
Penelitian ini terbatas pada penggunaan tiga algoritma pengambilan keputusan yaitu SAW,
AHP dan WP pada studi kasus calon penerima raskin di 21 Desa di kecamatan Limboto dan
Limboto Barat.
1.4 Rumusan Masalah
Rumusan masalah dalam penelitian ini adalah:
1.
Apakah Algoritma SAW, AHP dan WP adalah algoritma yang tepat dalam
menentukan calon penerima Raskin ?
2.
Apakah hasil ranking calon penerima Raskin yang dihasilkan dari olah data
Algoritma SAW, AHP dan WP dapat diterima dan benar?
3.
Algoritma apa yang hasilnya paling sesuai untuk kasus penentuan calon penerima
Raskin diantara ketiga algoritma ini?
1.5 Tujuan Penelitian
Tujuan penelitian ini adalah untuk menganalisa dan mengimplementasikan algoritma SAW,
AHP dan WP dalam pemilihan calon penerima Raskin kecamatan Limboto dan Limboto
barat, yang mencakup 21 Desa.
1.6 Manfaat Penelitian
Manfaat dari penelitian pada bidang ilmu komputer adalah hasil analisa implementasi
algoritma SAW, AHP dan WP pada penentuan calon penerima Raskin. Dari penelitian ini
juga akan didapat hasil apakah ketiga algoritma ini relevan dengan kasus penentuan calon
penerima Raskin. Sedangkan manfaat bagi aparat desa adalah memberikan solusi alternatif
dan mempermudah dalam proses penentuan calon penerima Raskin. Manfaat bagi masyarakat
adalah hasil ranking calon penerima Raskin yang diharapkan lebih objektif dan tepat sasaran.
1.7 Target Luaran
Target luaran yang ingin dicapai dirangkum dalam tabel 1.1
Tabel 1.1 Target Luaran Penelitian
No
Jenis Luaran
Indikator Capaian
1.
Publikasi ilmiah di jurnal nasional ber
ISSN
Draf, akan diterbitkan di jurnal
terakreditasi TELKOMNIKA
2.
Pemakalah dalam
temu Ilmiah
Nasional
Draf, akan di presentasikan di
temu ilmiah MSCEIS 2017
(Internasional Seminar of
Mathematics science dan
Computer science)
Lokal
3.
Bahan Ajar
Proses Editing, sudah tersedia
dalam bentuk slide presentasi
dan sedang dalam proses
penyempurnaan modul
4.
Luaran Lainnya
Excel Spredsheet yang di
dalamnya terdapat Algoritma
SAW, AHP dan WP untuk studi
kasus calon penerima Raskin
5.
Tingkat Kesiapan teknologi
2
1.8 Kontribusi Penelitian
Kontribusi penelitian ini adalah sebagai berikut :
1.
Implementasi ketiga Algoritma pada studi kasus baru yaitu di daerah kecamatan
Limboto dan Limboto Barat, karena belum ada penelitian sebelumnya yang
mengambil studi kasus di daerah tersebut.
2.
Hasil perbandingan tiga metode yaitu SAW, AHP dan WP dalam studi kasus
pembagian raskin, karena pada penelitian penelitian sebelumnya hanya menggunakan
salah satu algoritma.
3.
Kontribusi bagi aparat desa adalah Microsoft Excel Spreadsheet yang didalamnya
terdapat Algoritma SAW, AHP dan WP, sehingga untuk kedepannya Spredsheet ini
bisa digunakan lagi untuk pemilihan calon penerima raskin.
4.
Kontribusi bagi masyarakat adalah Sebuah blog yang berisikan informasi mengenai
calon penerima Raskin di Kecamatan Limboto dan Limboto barat, beserta informasi
terkait dengan Raskin.
5.
Publikasi ilmiah pada Proseeding dan Jurnal terakreditasi.
6.
Bahan ajar dalam bentuk slide dan modul untuk menunjang kegiatan belajar
mahasiswa.
BAB II. TINJAUAN PUSTAKA
2.1 Pengambilan keputusan dengan banyak atribut (MADM)
Terdapat banyak metode Pengambilan keputusan dengan mempertimbangkan banyak
attribut (Multi-Attribute decision making) namun metode yang paling populer adalah
MAUT
(Multi attribute utilty theory), ELECTRE (Elimination and choice expressing reality),
PROMETHEE-GAIA (Preference Ranking Organization METHod for Enrichment
Evaluations), AHP (Analytical hierarchy process)
dan
TOPSIS (Technique for Order
Preference by Similarity to Ideal Solutions)
, SAW (
Simple Additive Method
), AHP
(
Analytical Hierarycal Process
) dan WP (Weight Product). Namun untuk kasus penentuan
calon penerima raskin, algoritma yang dirasa paling cocok digunakan adalah
SAW, AHP dan
WP
karena mampu menganalisa banyak variabel secara bersamaan (Hwang, 1981).
Sedangkan metode yang lain, harus melibatkan pendapat para ahli, sehingga tidak
memungkinkan untuk kasus penentuan calon penerima Raskin.
Penelitian menggunakan
SAW, AHP dan WP
sudah banyak diaplikasikan pada
kehidupan sehari-hari, dirangkum pada tabel 2.1
Tabel 2.1 Penelitian yang menggunakan metode SAW, AHP dan WP
No
Judul Penelitian
Algoritma yang digunakan
1.
Sistem Pendukung Keputusan penerimaan karyawan
pada PT. Sultra Inti Roda Perkasa (Sriwidani dkk,
2016)
Weight product (WP) dan
Simple
Additive
Method
(SAW)
2.
Sistem Pendukung Keputusan menentukan jumlah
beras miskin menggunakan metode Simple Additive
Weight (SAW) (Yamin dkk, 2016)
SAW
3.
Sistem Pendukung Keputusan kelayakan penerimaan
bantuan beras miskin dengan metode weighted
product di kelurahan Karikil Kecamatan Mangkubumi
(Suryeni dkk, 2013)
Weight Product (WP)
4.
Sistem Pendukung Keputusan untuk menentukan
penerimaan Raskin menggunakan FMADM (Rizmi,
Fuzzy
Multi
Attribute
Decision Making (FMADM)
2013)
5
Sistem Pendukung Keputusan penentuan penerima
Raskin menggunakan metode Algoritma K-Means dan
F-AHP (Studi Kasus Desa Penasawan) (Fitrah, 2013)
K-Means dan F-AHP
Dari Tabel 2.1 diatas, dapat dilihat bahwa terdapat beberapa penelitian yang
mengambil studi kasus Raskin. Perbedaan penelitian ini dengan penelitian-penelitian
sebelumnya adalah penelitian ini membandingkan ketiga Algoritma yaitu SAW, AHP dan
WP, sehingga hasil ranking bisa lebih divalidasi antara satu algoritma dengan algoritma yang
lain. Penelitian sebelumnya juga belum pernah di aplikasikan pada kecamatan Limboto dan
Limboto barat, sehingga penelitian ini memberikan kontribusi baru dalam hal studi kasus. Hal
iniah yang menjadi pendorong dilakukannya penelitian ini.
3.2
Pengambilan keputusan menggunakan SAW, AHP dan WP
3.2.1
Metode SAW
Simple Additive Weighting Method (SAW) sering juga dikenal dengan metode penjumlahan
terbobot. Konsep dasar metode SAW, adalah mencari penjumlahan terbobot dari rating
kinerja pada setiap alternatif dari semua atribut, metode SAW membutuhkan proses
normalisasi matrik keputusan (x) ke suatu skala yang dapat diperbandingkan dengan dengan
semua rating alternatif yang ada (Kusumadewi, 2006). Langkah Penyelesaian SAW:
1. Menentukan alternatif, yaitu A
i.
2. Menentukan kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Cj.
3. Memberikan nilai rating kecocokan setiap alternatif pada setiap kriteria.
4. Menentukan bobot preferensi atau tingkat kepentingan (W) setiap kriteria.
5. Membuat tabel rating kecocokan dari setiap alternatif pada setiap kriteria.
6. Membuat matrik keputusan
X
yang dibentuk dari tabel rating kecocokan dari setiap
alternatif pada setiap kriteria. Nilai
x
setiap alternatif (Ai) pada setiap criteria (Cj) yang sudah
ditentukan, dimana, i=1,2,…m dan j=1,2,…n.
7. Melakukan normalisasi matrik keputusan dengan cara menghitung nilai rating kinerja
ternomalisasi (rij) dari alternatif Ai pada kriteria Cj.
...(2.2)
Keterangan :
a. Dikatakan kriteria keuntungan apabila nilai
x
ij memberikan keuntungan bagi pengambil
keputusan, sebaliknya kriteria biaya apabila
x
ij menimbulkan biaya bagi pengambil
keputusan.
b. Apabila berupa kriteria keuntungan maka nilai
x
ij dibagi dengan nilai
Maxi
(
x
ij)dari setiap
kolom, sedangkan untuk kriteria biaya, nilai
Mini
(
x
ij) dari setiap kolom dibagi dengan nilai
x
ij.
...(2.3)
8. Hasil dari nilai rating kinerja ternomalisasi (rij) membentuk matrik ternormalisasi (R)
...(2.4)
9. Hasil akhir nilai preferensi (Vi) diperoleh dari penjumlahan dari perkalian elemen baris
matrik ternormalisasi (R) dengan bobot preferensi (W) yang bersesuaian eleman kolom
matrik (W).
...(2.5)
3.2.2
Metode AHP
Analytical Hierarchy Process
(AHP) merupakan suatu model pendukung keputusan yang
dikembangkan oleh Thomas L. Saaty.Pada hakikatnya AHP memperhitungkan hal- hal yang
bersifat kualitatif dan kuantitatif. Konsepnya yaitu merubah nilai- nilai kualitatif menjadi
nilai kuantitatif, sehingga keputusan yang diambil bisa lebih objektif (Supriyono dkk,
2007).Proses pengambilan keputusan pada dasarnya adalah memilih suatu alternatif.
Peralatan utama AHP adalah sebuah hirarki fungsional dengan input utama persepsi manusia.
Dengan hirarki, suatu masalah kompleks tidak testruktur dipecahkan kedalam
kelompokkelompoknya. Kemudian kelompok-kelompok tersebut diatur menjadi sebuah
hirarki.
Adapun langkah- langkah dalam metode AHP (Saaty, 1980), yaitu:
Mendefinisikan struktur hirarki masalah yang akan dipecahkan. Diawali dengan tujuan
umum, dilanjutkan dengan subtujuan- subtujuan, dan kemungkinan alternatif- alternatif pada
tingkatan paling bawah.
1.
Membuat matrik perbandingan berpasangan yang menggambarkan kontribusi relatif
atau
pengaruh setiap elemen terhadap tujuan atau kriteria yang setingkat di atasnya.
2.
Mendefinisikan perbandingan berpasangan sehingga diperoleh jumlah penilaian
seluruhnya sebanyak n x [(n-1)/2] buah, dengan n adalah banyaknya elemen yang
dibandingkan. Skala perbandingan berpasangan.
3.
Menghitung nilai eigen dan menguji konsistensinya. Jika tidak konsisten maka
pengambilan data diulangi.
4.
Menguji konsistensi.
Yang
diukur
dalam
AHP
adalah
rasio
konsistensi
dengan
melihat
konsistensi.Konsistensi yang diharapkan adalah yang mendekati sempurna agar
menghasilkan keputusan yang mendekati valid. Walaupun sulit untuk mencapai yang
sempurna, rasio konsistensi diharapkan kurang dari atau sama dengan 10 %.
...(2.5)
λ maks : menjumlahkan hasil perkalian jumlah kolom dengan masing-masing nilai
eigen
CI
: Indek konsistensi
λ [maks+i] : Nilai eigen terbesar didapat dengan menjumlahkan hasil perkalian
jumlah kolom dengan eigen vektor utama.
n
: Banyaknya elemen kriteria
RI
: Random indek
CR
: consistensi ratio, yaitu data yang CR nya kurang dari atausama dengan10%
yang dianggap konsisten.
5.
Mengulangi langkah 3 dan 4 untuk seluruh tingkat hirarki.
6.
Menghitung
vektor eigen
dari setiap matriks perbandingan berpasangan. Niali
vector
eigen
merupakan bobot setiap elemen untuk penentuan prioritas elemenelemen.
Penghitungan dilakukan lewat cara menjumlahkan nilai setiap kolom dari matriks,
membagi setiap nilai dari kolom dengan total kolom yang bersangkutan untuk
memperoleh normalisasi matriks, dan menjumlahkan nilai-nilai dari setiap baris dan
membaginya dengan jumlah elemen untuk
7.
mendapatkan rata-rata.
8.
Memeriksa konsistensi hirarki. Jika tidak konsisten maka penilaian harus diulangi.
2.2.3 Metode WP
Metode
Weighted Product
adalah salah satu metode penyelesaian pada masalah
Multi
atributte decision making (
MADM). Metode ini mengevaluasi beberapa alternatif terhadap
sekumpulan atribut
atau kriteria, dimana setiap atribut saling tidak bergantung satu dengan
yang lainnya.
Metode
Weighted Product
menggunakan teknik perkalian untuk
menghubungkan rating atribut, dimana rating tiap atribut harus dipangkatkan terlebih dahulu
dengan
bobot atribut yang bersangkutan. Proses ini sama halnya dengan proses normalisasi.
Preferensi untuk
alternative Ai diberikan sebagai berikut.
...(2.6)
... ...(2.7)
Dimana:
S = menyatakan preferensi alternative dianalogikan sebagai vector S
X = menyatakan nilai kriteria
W = menyatakan bobot kriteria
I = menyatakan alternatif
J = menyatakan kriteria
n = menyatakan banyaknya kriteria
Wj adalah pangkat bernilai positif untuk atribut keuntungan, dan bernilai negatif untuk atribut
biaya.preferensi relative dari setiap alternative diberikan sebagai berikut:
...(2.8)
Dimana:
V = menyatakan preferensi alternative dianalogikan sebagai vector V
X = menyatakan nilai kriteria
W = menyatakan bobot kriteria
I = menyatakan alternatif
J = menyatakan kriteria
N = menyatakan banyaknya kriteria
* = menyatakan banyaknya criteria yang telah dinilai pada vector S.
2.2 Mekanisme Pembagian Beras Miskin Di Kecamatan Limboto dan Limboto Barat
Pembagian Beras Miskin (Raskin) telah di implementasikan oleh pemerintah sejak
lama, namun setiap tahunnya masih terdapat kendala-kendala seperti penentuan calon
penerima Raskin. Di kecamatan Limboto dan Limboto Barat yang terdiri dari 21 Desa,
pembagian Raskin disalurkan melalui kantor-kantor Desa. Untuk menentukan calon penerima
Raskin, aparat desa terlebih dahulu mendata keluarga kurang mampu. Data keluarga kurang
mampu ini yang kemudian akan ditindaklanjuti untuk menentukan keluarga yang berhak
menerima Raskin. Dikarenakan banyaknya data keluarga miskin dan juga banyak faktor yang
harus dipertimbangkan dalam pemilihan calon penerima beras miskin, menyebabkan proses
penentuan ini membutuhkan waktu yang lama. Hal ini menyebabkan proses penyaluran dari
kantor Bulog kepada penerima bantuan Raskin selalu mengalami keterlambatan setiap
tahunnya.. Hal ini lah yang menjadi motivasi dilaksanakannya penelitian ini. Diharapkan,
hasil penelitian ini dapat membantu aparat desa dalam menentukan calon penerima beras
miskin secara lebih efektif dan efisien.
BAB III. TUJUAN DAN MANFAAT PENELITIAN
3.1 Tujuan Penelitian
Tujuan penelitian ini adalah untuk menganalisa dan mengimplementasikan algoritma SAW,
AHP dan WP dalam pemilihan calon penerima Raskin kecamatan Limboto dan Limboto
barat, yang mencakup 21 Desa.
3.2 Manfaat Penelitian
Manfaat dari penelitian pada bidang ilmu komputer adalah hasil analisa implementasi
algoritma SAW, AHP dan WP pada penentuan calon penerima Raskin. Dari penelitian ini
juga akan didapat hasil apakah ketiga algoritma ini relevan dengan kasus penentuan calon
penerima Raskin. Sedangkan manfaat bagi aparat desa adalah memberikan solusi alternatif
dan mempermudah dalam proses penentuan calon penerima Raskin. Manfaat bagi masyarakat
adalah hasil ranking calon penerima Raskin yang diharapkan lebih objektif dan tepat sasaran.
BAB IV. METODE PENELITIAN
4.1 Tahapan Penelitian
Gambar 1 mendeskripsikan tahapan penelitian, yang terdiri dari 4 tahap. Yang pertama
adalah pengambilan data calon penerima beras miskin (Raskin) di 21 Desa yang terdapat di
kecamatan Limboto dan Limboto Barat.
Gambar 4.1. Diagram Alir Penelitian yang diajukan
Ringkasan mengenai tahap penelitian, lokasi, metode yang digunakan dirangkum pada Tabel
4.1 berikut:
Tabel 4.1. Ringkasan Tahapan dan Komponen Penelitian
No
Komponen Penelitian
Penjelasan
1
Tahap Penelitian
4 tahap penelitian meliputi:
1.
Pengambilan data di 21 Desa di Limboto dan Limboto
Barat
2.
Analisa Algoritma SAW, WP dan AHP pada data
calon penerima raskin dan menentukan parameter
pengambilan keputusan.
1. Pengambilan data calon penerima Raskin di 21
Desa di Kecamatan Limboto dan Limboto Barat
2. Analisa Algoritma SAW, WP dan AHP pada data
calon penerima raskin dan menentukan parameter
pengambilan keputusan.
3.Implementasi Algoritma SAW, WP dan AHP
meliputi perhitungan dan analisa hasil rangking
calon penerima Raskin
4.Pembuatan Spreadsheet Microsoft Excel,
penulisan laporan penelitian, publikasi ilmiah di
proceeding dan jurnal terakreditasi.
3. Implementasi Algoritma SAW, WP dan AHP meliputi
perhitungan dan analisa hasil rangking calon penerima
Raskin
4. Penulisan Laporan dan publikasi ilmiah di proseeding
dan jurnal terakreditasi.
2
Lokasi Penelitian
1. Pengambilan data akan dilakukan di 21 desa di
Kecamatan Limboto dan Limboto Barat yaitu:
Desa Kayubulan, Desa Malahu, Desa Biyonga, Desa
Hepuhulawa, Desa Bulota, Desa Dutulanaa, Desa Hutuo,
Desa Bongohulawa, Desa Kayumerah, Desa Bolihuangga,
Desa Tenilo, Desa Hunggaluwa, Desa Daenaa, Desa
Huidu, Desa Ombulo, Desa Pone, Desa Hayahaya, Desa
Huidu Utara, Desa Hutabohu, Desa Padengo, Desa
Yosonegoro, Desa Tunggulo
2. Selanjutnya data yang didapat akan dianalisa di
laboratorium komputer Universitas Muhammadiyah
Gorontalo
3
Parameter yang diamati
1. Penghasilan Kepala Keluarga,
2. Jumlah tanggungan Kepala Keluarga,
3. Nilai Harta benda yang dimiliki,
4. Sumber penerangan
5. Pekerjaan Kepala Keluarga,
6. Pendidikan tertinggi Kepala Keluarga
7. Komitmen Kepala Keluarga,
4
Metode Pengumpulan
data
Survey Lapangan di 21 Desa di Limboto dan Limboto
Barat
5
Metode Analisa Data
Metode SAW, AHP dan WP
BAB V. HASIL DAN LUARAN YANG DICAPAI
Terdapat beberapa hasil dan luaran yang tercapai dari penelitian ini
1. Publikasi Ilmiah pada Jurnal Nasional INFOTEKJAR (Telah Diterima) dengan judul
ANALISA PENENTUAN PERUBAHAN CALON PENERIMA RASTRA (BERAS SEJAHTERA) DENGAN METODE SIMPLE ADDITIVE METHOD (SAW) DI DESA HUIDU
KABUPATEN GORONTALO
2. Publikasi Ilmiah pada Jurnal Nasional JMII (Telah Diterima) dengan judul
PENENTUAN PERUBAHAN CALON PENERIMA RASTRA (BERAS SEJAHTERA)
DI DESA HUIDU MENGGUNAKAN METODE WEIGHT PRODUCT
3. Publikasi Ilmiah pada International Journal of computer and cybernatic system (in review)
The selection of Rastra (Rice for Prosperity) Candidates in Huidu District
Using Analytical Hierarchy Process (AHP)
BAB VI. RENCANA TAHAPAN BERIKUTNYA
Rencana kedepannya
1. Mengikuti seminar Internasional The 2nd International Conference on Science Makassar pada tanggal 2 – 3 November 2017
BAB VII. KESIMPULAN DAN SARAN
7.1 KESIMPULAN
1. Ketiga algoritma menghasilkan rangking keputusan yang berbeda - beda. Hal ini dikarenakan setiap algoritma di pengaruhi opini dari pakar yang memiliki pendapat yang berbeda - beda.
7.2 SARAN
1. Algoritma lain disarankan untuk digunakan dalam penelitian ini adal ah TOPSIS dan Algoritma Genetika
22
ANALISA PENENTUAN PERUBAHAN CALON PENERIMA RASTRA (BERAS
SEJAHTERA) DENGAN METODE SIMPLE ADDITIVE METHOD (SAW)
DI DESA HUIDU KABUPATEN GORONTALO
Tri Pratiwi HandayaniSistem Informasi, Fakultas Sains dan Teknologi, Universitas Muhammadiyah Gorontalo Jl. Prof. Dr.Mansoer Pateda, Pentadio Timur, Kabupaten Gorontalo
tripratiwi@gmail.com
Abstrak - Tujuan penelitian ini adalah menerapkan algoritma Simple Additive Method (SAW) dalam kasus penentuan perubahan calon penerima Rastra (Beras Sejahtera) di Desa Huidu Kabupaten Gorontalo. Algorima SAW (Penambahan bobot sederhana) adalah salah satu algoritma sistem pendukung keputusan yang mampu mendukung proses pengambilan keputusan yang dikategorikan sebagai multi kriteria decision making (MADM) atau pengambilan keputusan yang melibatkan banyak kriteria. Metode ini terdiri dari beberapa tahap. Pertama Matriks alternatif dibuat terlebih dahulu. Matriks alternatif merupakan matriks yang berisi alternatif alternatif yang akan dirangking pada akhir proses. Dalam kasus ini alternatif adalah nama – nama calon penerima Rastra yang akan dievaluasi pada rapat musyawarah desa. Kedua Matriks kriteria dibuat untuk menjadi indikator prioritas dalam mendukung keputusan. Tahap ketiga adalah penentuan atribut biaya dan atribut keuntungan dari kriteria yang telah ditetapkan. Tujuannya adalah membedakan kriteria yang bersifat keuntungan dan kriteria yang bersifat biaya. Keempat adalah penentuan bobot dari kriteria yang telah ditetapkan. Pada kasus ini diambil bobot bernilai 4 sebagai bobot yanng tetinggi dan bobot bernilai 1 sebagai bobot yang terendah. Penentuan nilai bobot pada kasus ini berdasarkan hasil wawancara dengan aparat desa. Kelima, melakukan normalisasi bobot dengan menggunakan persamaan. Keenam, menentukan preferensi alternatif terbobot. Sehingga didapatkanlah matriks keputusan.Dari hasil penelitian menunjukkan algoritma ini mampu memberikan ranking kelayakan calon Rastra.
Keywords
-
SAW, SPK, Rastra.I. PENDAHULUAN
Latar belakang penelitian ini adalah untuk mencari solusi alternatif bagi masalah penentuan revisi calon penerima Rastra (Beras Sejahtera) melalui algoritma sistem pendukung keputusan yaitu metode Simple Additive Method (SAW). Program subsidi pangan (beras) Rastra adalah untuk masyarakat berpendapatan rendah.Tujuan Program Rastra adalah mengurangi beban pengeluaran KPM (Keluarga Penerima Manfaat) melalui pemenuhan sebagian kebutuhan pangan beras [3]. Sasaran Program Rastra adalah berkurangnya beban pengeluaran KPM dalam mencukupi kebutuhan pangan beras melalui penyaluran beras bersubsidi dengan alokasi sebanyak 15 kg/KPM/ bulan atau sesuai dengan kebijakan Pemerintah Pusat. Keluarga yang berhak menerima beras dari Program Rastra yaitu keluarga yang terdapat dalam DPM-1 (Daftar Penerima Manfaat-1) Rastra. Melalui Musyawarah desa (Musdel) ditetapkan keluarga yang diganti/ dikeluarkan dari DPM dan keluarga pengganti/masuk ke dalam DPM sebagai calon penerima Rastra. KPM Rastra yang dapat diganti/dikeluarkan dari DPM adalah KPM yang pindah alamat ke luar desa/kelurahan/pemerintah setingkat, KPM yang seluruh anggota keluarganya sudah meninggal, dan KPM yang dinilai oleh Mudes/Muskel sudah tidak layak sebagai penerima Rastra Revisi DPM dilakukan melalui Rapat
Musyawarah Desa dan hasilnya kemudian diajukan ke Dinas Terkait. Dalam Musdel inilah sistem pendukung keputusan dapat di implementasikan, untuk memberikan pendukung keputusan dalam kelayakan penerima Rastra. Penelitian ini mengambil studi kasus di Desa Yosonegoro yang berada pada kecamatan Limboto Barat Kabupaten Gorontalo. Penelitian ini sangat penting karena memiliki manfaat yaitu membantu aparat desa untuk mempercepat dan menjaga keobjektivitasan hasil keputusan revisi calon penerima Rastra.
II. KAJIANLITERATUR
[1] menggunakan algoritma Simple Additive Weighting (SAW) dalam seleksi penerima beras untuk keluarga miskin (Raskin) pada Desa Golantelpus. Perbedaan dengan penelitian ini adalah penelitian ini diterapkan pada Desa Huidu.
[2] menggunakan algoritma SAW dalam penentuan calon penerima Raskin pada studi kasus Kabupaten Nganjuk. Perbedaannya dengan penelitian yang diajukan adalah desa tempat studi kasus dan kriteria yang menjadi pertimbangan keputusan. Pada [2] kriteria yang digunakan adalah luas lantai rumah per meter persegi, jenis lantai rumah, jenis dinding rumah, penghasilan kepala keluarga perbulan, pekerjaan kepala keluarga dan status kepemilikan. Sedangkan pada penellitian ini kriteria yang digunakan sebagai pertimbangan adalah sesuai dengan panduan Rastra yaitu, jumlah
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600
Vol 2, No 1, September 2017 p-ISSN : 2540-7597
23
anggota keluarga, jumlah anggota keluarga bayi dan balita, kepala keluarga wanita dan lain – lain.
[3] menerapkan sistem pendukung keputusan di Desa Puupi Kecamatan Kolono kabupaten Konawe Selatan. Adapaun perbedaan dengan penelitian diajukan adalah pada kriteria yang digunakan. Pada penelitian [3] kriteria pendukung adalah keterangan tempat tinggal yang terdiri dari status rumah, luas rumah, lantai rumah dan lain-lain, harta yang terdiri dari pekerjaan, jumlah penghasilan dan jumlah pengeluaran dan jumlah aset. Kriteria lain adalah kesehatan seperti sarana obat dan sumber biaya.
[4] menerapkan saw untuk pengambilan keputusan raskin dengan melibatkan kriteria aspek pangan seperti rata-rata frekuensi makan dalam sehari, aspek tempat tinggal seperti status rumah yang ditempati, luas rumah yang dihuni dan jenis lantai rumah, model rumah yang dihuni, aspek ketersediaan listrik. Kriteria ini cukup lengkap, namun belum sesuai dengan buku panduan Rastra tahun 2017 yang hanya menitikberatkan pada kriteria jumlah tanggungan, jumlah balita, kepala keluarga perempuan dan lain – lain.
III. METODOLOGI PENELITIAN Simple Additive Weighting Method (SAW) sering juga dikenal dengan metode penjumlahan terbobot. Konsep dasar metode SAW, adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif dari semua atribut, metode SAW membutuhkan proses normalisasi matrik keputusan (x) ke suatu skala yang dapat diperbandingkan dengan dengan semua rating alternatif yang ada Langkah Penyelesaian SAW:
1. Menentukan alternatif, yaitu Ai.
2. Menentukan kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Cj.
3. Memberikan nilai rating kecocokan setiap alternatif pada setiap kriteria.
4. Menentukan bobot preferensi atau tingkat kepentingan (W) setiap kriteria.
5. Membuat matrik keputusan X yang dibentuk dari tabel rating kecocokan dari setiap alternatif pada setiap kriteria. Nilai x setiap alternatif (Ai) pada setiap criteria (Cj) yang sudah ditentukan, dimana, i=1,2,…m dan j=1,2,…n.
...(1) 6. Melakukan normalisasi matrik keputusan dengan cara menghitung nilai rating kinerja ternomalisasi (rij) dari alternatif Ai pada kriteria Cj.
...(2)
Keterangan :
a. Dikatakan kriteria keuntungan apabila nilai xij memberikan keuntungan bagi pengambil keputusan, sebaliknya kriteria biaya apabila xij menimbulkan biaya bagi pengambil keputusan. b. Apabila berupa kriteria keuntungan maka nilai xij dibagi dengan nilai Maxi(xij)dari setiap kolom, sedangkan untuk kriteria biaya, nilaiMini(xij) dari setiap kolom dibagi dengan nilaixij.
...(3) 7. Hasil dari nilai rating kinerja ternomalisasi (rij) membentuk matrik ternormalisasi (R)
... (4)
8. Hasil akhir nilai preferensi (Vi) diperoleh dari penjumlahan dari perkalian elemen baris matrik ternormalisasi (R) dengan bobot preferensi (W) yang bersesuaian eleman kolom matrik (W).
...(5) IV. HASIL DAN PEMBAHASAN
1. Menentukan alternatif, yaitu Ai. Tabel. 1
menampilkan nama-nama revisi calon penerima Rastra yang pada akhir proses akan diranking dari yang paling layak sampai yang kurang layak.
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600
Vol 2, No 1, September 2017 p-ISSN : 2540-7597
24 TABEL I
KANDIDAT CALON PENERIMA RASTRA
Alternatif (Ai) Akron Lapasi Yusuf Yadi Rahman Amuntu Yusuf Muhdin Nurdin Hadi Hariyanti Husain Abd. Wahid Yadi Abdullah Miungo Hamizah Mohune Mansur Ladawo
2. Menentukan kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Cj. Berdasarkan buku panduan Rastra, penerima Rastra yang berdasarkan Data Penerima Manfaat (DPM) dapat direvisi tiap tahunnya melalui musyawarah desa berdasarkan kriteria berikut (Tabel. 2).
TABEL II
KRITERIA PERUBAHAN CALON PENERIMA RASTRA
Kriteria (Cj)
C1 Jumlah Tanggungan
C2 Total Balita dan Anak Usia Sekolah C3 kepala keluarga wanita
C4 Kondisi Kelayakan Rumah C5 Jumlah Penghasilan C6 Kepemilikan Rumah
3. Memberikan nilai setiap alternatif pada setiap kriteria. Untuk memberikan nilai alternatif pada setiap kriteria, maka ditentukan terlebih dahulu bobot setiap kriteria. Bobot 4 merupakan nilai tertinggi dan bobot 1 merupakan nilai terendah. Pemberian nilai bobot merupakan hasil wawancara Tabel. 3 adalah pembobotan untuk atribut jumlah tanggungan dan total balita dan anak usia sekolah. Jika memiliki 4 anak atau lebih diberikan bobot paling tinggi yaitu 4.
TABEL III
BOBOT ATRIBUT JUMLAH TANGGUNGAN DAN TOTAL BALITA DAN ANAK USIA SEKOLAH
Jumlah Tanggungan Bobot 4 anak atau lebih 4
3 anak 3
2 anak 2
1 anak atau tidak punya 1 Tabel. 4 adalah tabel untuk bobot kepala keluarga, dimana jika kepala keluarganya seorang wanita maka diberikan bobot 4 dan kepala keluarga laki – laki diberikan bobot 1.
TABEL IV
BOBOT KEPALA KELUARGA
Atribut Bobot Kepala Keluarga Wanita 4 Kepala Keluarga laki - laki 1
Tabel. 5 adalah bobot untuk kondisi rumah, dimana rumah bambu anyam memiiki bobot tertinggi yaitu 4 dan rumah permanen dari batu memiliki bobot 1
TABEL V
BOBOT UNTUK KONDISI RUMAH
Jenis Rumah Bobot Bambu anyam 4 Kayu semi permanen (kayu) 3 Permanen (batu dan semen) 1
Tabel. 6 adalah bobot untuk jumlah penghasilan dimana penghasilan dibawah Rp.500.000 berbobot paling tinggi yaitu 4 dan penghasilan diatas Rp.1.500.000 memilikii bobot paling rendah.
TABEL VI
BOBOT UNTUK JUMLAH PENGHASILAN
Jumlah Penghasilan Bobot < 500.000 4 500.000 s/d 1.000.000 3 1.000.000 s/d 1.500.000 2 >1.500.000 1
Tabel. 7 Adalah bobot untuk pembobotan untuk jenis pekerjaan yaitu pengguran diberikan bobot 4 dan Buruh diberikan bobot 3 dan pedangan memiliki bobot 2.
TABEL VII
BOBOT UNTUK JENIS PEKERJAAN
Jenis Pekerjaan Bobot Pengangguran 4
Buruh 3
Pedangang 2
Tabel. 8 adalah alternatif yang telah diberikan nilai berdasarkan bobot kriteria yang telah ditentukan diatas.
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600
Vol 2, No 1, September 2017 p-ISSN : 2540-7597
25 TABEL VIII
NILAI ALTERNATIF PADA SETIAP KRITERIA Alternatif C1 C2 C3 C4 C5 C6 Akron Lapasi 4 4 1 4 2 3 Yusuf Yadi 3 3 1 4 2 3 Rahman Amuntu 2 3 1 3 3 2 Yusuf Muhdin 2 3 1 2 2 3 Nurdin Hadi 3 4 1 3 2 4 Hariyanti Husain 2 1 4 2 2 2 Abd. Wahid Yadi 3 2 1 4 1 2 Abdullah Miungo 3 3 1 4 1 4 Hamizah Mohune 2 3 4 2 2 1 Mansur Ladawo 3 3 1 3 2 3 4. Menentukan bobot preferensi atau tingkat kepentingan (W) setiap kriteria. Bobot kepentingan setiap kriteria diberikan, berdasarkan hasil wawancara dengan aparat desa. Tabel. 9 menampilkan bobot dari setiap kriteria.
TABEL IX
BOBOT PERSENTASE DARI SETIAP KRITERIA Simb
ol Kriteria Bobot(W)
C1 Jumlah Tanggungan 20% C2 Total Balita dan Anak Usia
Sekolah 15%
C3 kepala keluarga wanita 5% C4 Kondisi Kelayakan Rumah 20% C5 Jumlah Penghasilan 30% C6 Kepemilikan Rumah 10% 5. Melakukan normalisasi matrik alternatif terhadap kriteria. Normalisasi didapatkan dengan menggunakan rumus 2. Tabel. 10 merupakan hasil matriks ternormalisasi.
TABEL X
MATRIKS ALTERNATIF TERNORMALISASI
r11 1 1 4 1 1,5 1,333333 r12 1,333333333 1,333333 4 1 1,5 1,333333 r13 2 1,333333 4 1,333333 1 2 r14 2 1,333333 4 2 1,5 1,333333 r15 1,333333333 1 4 1,333333 1,5 1 r16 2 4 1 2 1,5 2 r17 1,333333333 2 4 1 3 2 r18 1,333333333 1,333333 4 1 3 1 r19 2 1,333333 1 2 1,5 4 r110 1,333333333 1,333333 4 1,333333 1,5 1,333333 6. Matriks keputusan diperoleh dari persamaan 5. Tabel .11 merupakan matriks keputusan yang belum terurut.
TABEL XI
MATRIKS KEPUTUSAN BELUM TERURUT
v1 1,48 v2 1,60 v3 2,17 v4 1,93 v5 1,58 v6 2,25 v7 1,47 v8 1,27 v9 2,05 v10 1,67
7. Hasil Ranking matriks keputusan ditampilkan pada Tabel. 12. Pada tabel ini dapat dilihat bahwa alternatif A6 memiliki nilai tertinggi, sehingga merupakan alternatif terlayak untuk menjadi calon penerima Rastra. Alternatif A8 merupakan alternatif yang kurang layak untuk menjadi calon penerima Rastra. Tabel. 12
TABEL XII
MATRIKS KEPUTUSAN TERURUT
A6 2,25 A3 2,17 A9 2,05 A4 1,93 A10 1,67 A2 1,60 A5 1,58 A1 1,48 A7 1,47 A8 1,27 V. KESIMPULAN
Metode SAW dapat digunakan untuk perubahan calon penerima Rastra, karena dapat memberikan ranking untuk calon penerima Rastra mulai dari yang paling layak sampai yang kurang layak.
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600
Vol 2, No 1, September 2017 p-ISSN : 2540-7597
26
.
REFERENSI
[1] Andrianto, R. Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin (Raskin) Pada Desa Golantepus Dengan Metode Simple Additive Weighting (SAW). Laporan Skripsi Universitas Muria Kudus. 2013.
[2] Sofyan F., Nurfarida E., Yustika, W.E. 2016. Sistem Pendukung Keputusan Penerimaan Raskin Desa Mabung Kabupaten Nganjuk Menerapkan Metode Simple Additive Weighting (SAW). Jurnal Informatika dan Mutimedia, Vol. 08, No.02.
[3] Angrawati D, Yamin M dan Ransi N. Sistem Pendukung Keputusan Menentukan Jumlah Beras Miskin Menggunakan Metode Simple Additive Weight (SAW). SemantTik, Vol.2, No.1, Jan –Jun 2016, pp.39-46. [4] Ekawati, A. 2012. Sistem Pendukung Keputusan
Pembagian Raskin dengan Metode Simple Additive Weighting (SAW). Laporan Skripsi Program Studi Teknik Informatika, Universitas Dian Nuswantoro.
The Application of Analytical Hierarchy Process (AHP) in the
selection of Rastra (Rice for Prosperity) candidates in Huidu
District Indonesia
T.P.Handayani1
1
Universitas Muhammadiyah Gorontalo, FST, Gorontalo
e-mail : tripratiwi@gmail.com
Abstract - The article aims to demonstrate the application of analytic Hierarchy Process (AHP) method to provide an alternative solution in deciding the revision candidates list for Rastra (Rice for Prosperity). The objective of the Rastra Program is to reduce the KPM's (beneficary family) expenditure through the distribution of subsidized rice. The allocation of each candidate is 15 kg per each month or in accordance with the policy of the Central Government. Nowadays, the selection of candidates based on the result of meeting the head of the village and the villagers. Therefore, it is important to apply analytical hierarcy process algorithm to help the decision making proces in order to obtain the objective decision. The analytical hierarcy process is applied in this study as it can combines the human opinion and the computer calculation. Ten names of candidates recipient of Rastra in Huidu District are evaluated using this method to rank from most suitable candidate to the less suitable candidate. Six criteria were considered for support this method. The result shows the rank of candidate of Rastra from the highest recommended family to the least recommended family. Keywords-- AHP, MADM, AHP, Rastra.
I. INTRODUCTION
The background of this research is to find an alternative solution for determining the revision of Rastra candidates (Beras Sejahtera) in Huidu District in Indonesia. The objective of the Rastra Program is to reduce the KPM's (beneficary family) expenditure through the distribution of subsidized rice with the allocation of 15 kg / KPM / month or in accordance with the policy of the Central Government [4]. Families who are eligible to receive rice from the Rastra Program are families in the DPM-1 (List of Beneficiaries-1) of Rastra. Through the annual forum of the village (Musdel) which discusses on the family replaced or excluded from DPM and family substitute or entered into DPM as potential recipient of Rastra. The candidate of Rastra that can be replaced or removed from DPM is KPM that moved the address out of village, KPM which all family member have died, and the KPM which are not feasible anymore as recipient of Rastra. This process done through annual village forum. The final conclussion of this meeting is then submitted to the Related Office. In this situation a decision support method can be implemented in order to provide proper decision for the eligibility ranking of the recipients of Rastra. This study took a case study in Huidu Village located in the district of West Limboto in Gorontalo District.
[8] introduced the Analytic Hierarchy Process (AHP). It has been used by the researcher due to its capabiity to solve complex decision problems. There are several steps of this method. First, establistment of a structural hierarchy, second, the establisment of comparative judgment, third, synthesis of priorities and measurement of consistency and lastly calculating the overall priorities of the alternatives.
Several previous studies have used the algorithm of decision support system (DSS) in Rastra’s candidates selection process, which in the years earlier named by Raskin (rice for the poor). Among them is [2] which used the SAW (Simple Additive Weigting) algorithm in Jamsaren urban village
case study in Kediri. The difference with the current research is in this research using AHP. The research also conducted a different place of application of case study, that is in Huidu district. [1] using Simple Additive Weighting (SAW) algorithm in selection of candidates of Raskin in Golantelpus Village. The difference with this research is this research using AHP and implemented in Huidu Village. [10] used of decision support systems in determining the eligability of Raskin Candidates using method of Weighted Product in Mangkubumi .The difference with this research is the place of implementation of the study. [6] used fuzzy databases in selection of Raskin, the difference with this research is the method used in this method is AHP.
II. THE CONSIDERED CRITERIA
Before the alternatives and criteria are processed using AHP, it is necessary to first determine the cost and profit attributes. Table 1 shows that the cost attribute is the amount of income, while the other attribute is a profit attribute.
Table 1
Cost and benefit attibute
Criteria Type of Attribute Number of Depandant benefit (+)
Number of children under 5 years old
benefit (+) Gender of head of
family
benefit (+) Material of the house benefit (+) Total of income Cost (-)
Occupation benefit (+)
Table 2 is the weighting for attributes of dependents and total of children under five years old and the number of school-aged children. If 4 or more children are given the highest weight of 4.
Table 2
Gender of the head of the family
Number of depandant Weight
4 anak atau lebih 4
3 anak 3
2 anak 2
1 anak atau tidak punya 1
Table 3 is a table for the weight of the head of the family, where if the head of the family is a woman then it is given a weight of 4 and the male is given a weight of 1.
Table 3
Gender of the head of the family Gender of the head of the family Weight
Kepala Keluarga Wanita 4
Kepala Keluarga laki - laki 1
Table 4 is the weight for the material of the house, where the bamboo wicker house has the highest weight that is 4 and the permanent house of the stone has a weight of 1
Table 4
Weight for material of the house
material
Bamboo Wicker 4
Wood 3
Stone 1
Table 5 is the weight for the montly income where the income below Rp.500.000 is the highest weight of 4 and the income above Rp.1.500.000 has the lowest weight.
Table 5
Weight for the montly income Total of montly income Weight < 500.000 4 500.000 s/d 1.000.000 3 1.000.000 s/d 1.500.000 2 >1.500.000 1
Table 6 shows the weighted for the type of work attributes Table 6
Weight for the type of work attributes Type of work Weight Penganggura n 4 Buruh 3 Pedagang 2 III. METHODOLOGY There are some steps in AHP, explained as follow:
3.1 Establistment of a structural hierarchy[5]
The overall goal of the decision which is the revision candidates of Rastra, is represented at the top level of the hierarcy. The criteria which contribute to the decision consist of six criteria are represented at the intermediate levels. This criteria is based on the guide book of Rastra. At the last level of the hierarchy, the decision alternative are laid down. The structural hierarchy for selection of Rastra Candidates is shown in figure 1.
Figure 1: The hierarcy of the criteria
3.2. Establishment of comparative judgements
The determination of priorities element of each level is the next step after the development of structural hierarchy. The pair wise comparison is a method that compare about how much element A is more important than element B. Pairwise comparison are used to determine the relative imporance od each alternative in the of each criterion. The comparison are quantified using a nine point scale in table 1.
3.3. Synthesis of priorities and measurement of consistency
The matrix of rankings for each level of hierarchy is generated using pair wise comparisons. The pair wise comparison is shown in Table 8. Where A1, A2, ...An are the considered criteria and W1, W2,
....Wn is their weight based on Table 7 (Saaty, 2012)
Table 7.
Nine point of scale to comparison Saaty [8] Intensity of
Importance
Definition Explanation
1 Equal Importance Two elements contribute equally to the property 3 Moderate importance of
one over anatoher
Experience and judgement slightly favor one over the other
5 Essential or strong importance
Experience and judgement strongly favor one over anotehr
7 Very strong importance An element is strongly favored and its dominance is demonstrated in practice 9 Extreme Importance An element is strongly favored and its dominace
is one of the hightes possible order of affirmation 2,3,6,8 Intermediate vlues
between two adjacent judgment
Table 8.
Pair wise comparison matrix
A1 A2 .... An
A1 w1/w1 w1/w2 w1/wn
A2 w2/w1 w2/w1 ... w2/w1
.
An wn/w1 wn/w2 wn/w1
The pair-wise comparison is a result of the following step [3]:
Firstly, the decision maker evaluated each attribute’s relative importance. A score of 1 denotes that the attributes have equal importance and a score of 9 indicates that one attribute is critically important compared to the others.The importance given to attributes will differ from one expert to another, as it is based on the expert’s knowledge, experience and intuition. A set of questionnaires was given to each expert and the experts then compared the attributes based on the values shown in Table 1. The pair-wise comparison simply compares each row with each column that has a different index (m and n). A value of 1 was given to columns and rows which have the same index. Figure 3. shows the pair-wise comparison matrix.
Vmn = Error! Reference source not found.
Figure 3. Pair-wise comparison matrix
The pair-wise comparison matrix (V) was then converted into matrix eigenvectors to obtain weight values. The term eigenvector comes from the German word ‘Eigen’ which means characteristic [11]. The eigenvalue is a scalar value and an eigenvector is its vector. It is defined as:
A.W = .W (1)
In this expression A is the case study matrix, W is the eigenvector and is the eigenvalue.
The main drawback of the pair-wise comparison is the inconsistency of inputs in the questionnaire data. To maintain consistency the largest eigenvalue, max, has to be used to evaluate the eigenvector,
W. Therefore the equation becomes:
M . W = max . W (2)
M is the matrix from the pair-wise comparison obtained from the previous step, W is the eigenvector that needs to be obtained.
max is obtained using Equations 3 to 10. The eigenvector is an iterative method used in order to
derive a consistent weight matrix. Six steps are required to obtain an eigenvector matrix:
a) Develop an initially normalised vector
The initial normalized vector is developed, as illustrated in Equation 3
(3)
b) Calculate a new eigenvector
1 0 0
; 0 t
The new eigenvector (Figure 4) is the result of the multiplication of the pair-wise comparison matrix by the initial normalized vector as shown in Equation 4.
(4)
Error! Reference source not found.=
Figure 4. Sample calculation of a new eigenvector
c) Calculate the maximum eigenvalue
The maximum eigenvalue (λmax) resulted from the addition of all values in the new eigenvector (Wi t+1
).
(5)
Where t is the index of iterations and n is the total number of attributes.
d) Normalise and update the eigenvector
The maximum eigenvalue obtained from the previous step was used to normalise each value in the matrix. Equation 6 was used to normalise the previous eigenvalue.
(6)
1 t i
w is the value in the new eigenvector and λmax is the maximum value in the new eigenvector.
e) Check the difference between eigenvectors
The eigenvector (w) value of the latest iteration (t+1) was subtracted from the value of the previous iteration (t). If this value was less than or equal to 10-6, the method has converged. This is illustrated in Equation 7.
(7)
is the minimum coverage value (1 x 10-6) .f) Check the consistency index (CI)
The consistency index was used to check the reliability of the eigenvector. If its value was less than 0.1, the weight matrix was considered to be consistent. This is shown as follows:
t t
MW
W
1
n i t iw
1 1 max
n
i
w
w
t i t i1
,
max 1 1
6 -110
1
≈
;
,
1
∀
≤
-
n
i
w
w
it t i
(8)
The final weight which was used for the next calculation was defined as:
1 t i
w = [v1, v2, ...vn] (9)
The weight matrix then needed to be normalized using Equation 10. Weight normalisation was conducted to ensure that all values add up to 1. In other words, weight normalization guarantees that percentages add up to 100%.
Error! Reference source not found. (10) The normalized weight matrix (V) was then multiplied by the normalized matrix (rmn), where V1 is
multiplied by r11 to r1n resulting in the final weight matrix (Wmn) shown in Figure 5
By using this approach, it was possible to see which attributes are more important based on the experts’ perspectives. At the end of the process the more important attributes had larger values than the less important attributes.
Wmn = Error! Reference source not found.
Figure 5: Final weight matrix
The pairwise comparison of the criteria of this study is shown in table 9. The value was obtained from quissioner filled by the head of village.
Table 9.
Pairwise comparion of the criteria
C1 C2 C3 C4 C5 C6 C1: 1 ½ 1/3 3 1/4 3 C2: 2 1 1/3 4 1/4 3 C3: 3 3 1 3 1/3 2 C4: 1/3 ¼ 1/3 1 1/4 1/4 C5: 4 4 3 4 1 1 C6: 1/3 1/3 1/2 4 1 1
The weight factor for all criteria is shown in table 10. It is showed that the highest weighted criteria is total of monlty income, gender of the head of the family, number of children under 5 years old, number of depandant, type of gender and occupation respectively,
Table 10. The weighted criteria
Criteria W Weight
Number of Depandant W1: 0,1208
Number of children under 5 years old W2: 0,1554 Gender of the head of the family W3: 0,2183
Material of the house W4: 0,0444
Total of income W5: 0,3415 Occupation W6: 0,1196 1 . 0 1 max n n CI
After 18 iterations the coverage delta was 0,000000005 and eigenvalue = 7,0227 with consistency index 0,2045
The final weighed value of alternative and its criteria is shown in Table 11. Table 11.
The final weighted alternative
C1 C2 C3 C4 C5 C6 A1 0,15 0,14 0,06 0,13 0,11 0,11 A2 0,11 0,10 0,06 0,13 0,11 0,11 A3 0,07 0,10 0,06 0,10 0,16 0,07 A4 0,07 0,10 0,06 0,06 0,11 0,11 A5 0,11 0,14 0,06 0,10 0,11 0,15 A6 0,07 0,03 0,25 0,06 0,11 0,07 A7 0,11 0,07 0,06 0,13 0,05 0,07 A8 0,11 0,10 0,06 0,13 0,05 0,15 A9 0,07 0,10 0,25 0,06 0,11 0,04 A10 0,11 0,10 0,06 0,10 0,11 0,11 IV. RESULT The final weight of alternative and its ranks showed in Table 12.
Table 12
Final decision of alternative and its rank Alternatives Weight of alternatives Rank
Akron Lapasi 0,107939819 3 Hamizah Mohune 0,098107124 6 Hariyati Husain 0,105744846 5 Nurdin Hadi 0,090768534 8 Rahman Amuntu 0,106463116 4 Yusuf Yadi 0,116552913 2 Mansur Ladawo 0,070345189 10 Yusuf Muhdin 0,084563069 9 Abdullah Miungo 0,122840524 1
Abd. Wahid Yadi 0,096674866 7
Table 7 shows that Abdullah Miungo is a family who has the highest rank and the most recommended to get Rastra and the least recommended family is Mansur Ladawo based on AHP method.
ACKNOWLEDGEMENT
Acknowledgement to Ministry of research and Higher education (Ristek Dikti) for the research grant supported this research.
[1] R.Andrianto, R. Sistem Pendukung Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin (Raskin) Pada Desa Golantepus Dengan Metode Simple Additive Weighting (SAW). Laporan Skripsi Universitas Muria Kudus. 2013.
[2] M. Fahmi. Implementasi Sistem Pendukung Keputusan Seleksi Penerima Beras Miskin Menggunakan Metode Simple Additive Weighting (Studi Kasus Kel. Jamsaren Kota Kediir). Artikel Skripsi Universitas Nusantara PGRI Kediri. 2015.
[3] C. L. Hwang, and K. Yoon,. Multiple Attribute Decision Making: Methods and Applications. 1981. Springer-Verlag ISBN:0387105581
[4] Kementrian Koordinator Bidang Pembangunan Manusia Dan Kebudayaan Republik Indonesia. 2017. Pedoman Umum Subsidi Rastra.
[5] P. Kousalya, , G. R. Mahender, S. Supraja , P.V. Shyam, Analytical Hierarchy Process approach – An application of engineering education. Mathematica Aeterna, Vol. 2, 2012, no. 10, 861 – 878. [6] S.Oc,. Sistem Pendukung Keputusan Untuk Penentuan Penerima Beras Muskin Menggunakan
Basis Data Fuzzy. Seminar Nasional Teknik Informatika. 2012.
[7] K. Riyant,. Sistem Pendukung Pengambilan Keputusan Seleksi Penerima Beras Untuk Keluarga Miskin (RASKIN) Studi Kasus Desa Dalangan Kabupaten Klaten. Tugas Akhir Sarjana Muda Teknik Elektro Universitas Muhammadiyah Surakarta. 2009.
[8] T, L.Saaty, “The Analytical Hierarchy Process’’, Tata McGraw Hill, New York. 1980.
[9] T. Saaty, L. Vargas and G. Luis. Models, Methods, Concepts & Applications of the Analytic Hierarchy Process, Spingerlink. ISBN: 978-1-4614-3596-9. 2012.
[10] E . Suryani. Sistem Pendukung Keputusan Kelayakan Penerimaan Bantuan Beras Miskin Dengan Metode Weighted Product Di Kelurahan Karikil Kecamatan Mangkubumi Kota Tasikmalaya. Konferensi Nasional Sistem & Informatika 2015.
The Application of Analytical Hierarchy Process (AHP) in the
selection of Rastra (Rice for Prosperity) candidates in Huidu
District Indonesia
T.P.Handayani1
1
Universitas Muhammadiyah Gorontalo, FST, Gorontalo
e-mail : tripratiwi@gmail.com
Abstract - The article aims to demonstrate the application of analytic Hierarchy Process (AHP) method to provide an alternative solution in deciding the revision candidates list for Rastra (Rice for Prosperity). The objective of the Rastra Program is to reduce the KPM's (beneficary family) expenditure through the distribution of subsidized rice. The allocation of each candidate is 15 kg per each month or in accordance with the policy of the Central Government. Nowadays, the selection of candidates based on the result of meeting the head of the village and the villagers. Therefore, it is important to apply analytical hierarcy process algorithm to help the decision making proces in order to obtain the objective decision. The analytical hierarcy process is applied in this study as it can combines the human opinion and the computer calculation. Ten names of candidates recipient of Rastra in Huidu District are evaluated using this method to rank from most suitable candidate to the less suitable candidate. Six criteria were considered for support this method. The result shows the rank of candidate of Rastra from the highest recommended family to the least recommended family. Keywords-- AHP, MADM, AHP, Rastra.
I. INTRODUCTION
The background of this research is to find an alternative solution for determining the revision of Rastra candidates (Beras Sejahtera) in Huidu District in Indonesia. The objective of the Rastra Program is to reduce the KPM's (beneficary family) expenditure through the distribution of subsidized rice with the allocation of 15 kg / KPM / month or in accordance with the policy of the Central Government [4]. Families who are eligible to receive rice from the Rastra Program are families in the DPM-1 (List of Beneficiaries-1) of Rastra. Through the annual forum of the village (Musdel) which discusses on the family replaced or excluded from DPM and family substitute or entered into DPM as potential recipient of Rastra. The candidate of Rastra that can be replaced or removed from DPM is KPM that moved the address out of village, KPM which all family member have died, and the KPM which are not feasible anymore as recipient of Rastra. This process done through annual village forum. The final conclussion of this meeting is then submitted to the Related Office. In this situation a decision support method can be implemented in order to provide proper decision for the eligibility ranking of the recipients of Rastra. This study took a case study in Huidu Village located in the district of West Limboto in Gorontalo District.
[8] introduced the Analytic Hierarchy Process (AHP). It has been used by the researcher due to its capabiity to solve complex decision problems. There are several steps of this method. First, establistment of a structural hierarchy, second, the establisment of comparative judgment, third, synthesis of priorities and measurement of consistency and lastly calculating the overall priorities of the alternatives.
Several previous studies have used the algorithm of decision support system (DSS) in Rastra’s candidates selection process, which in the years earlier named by Raskin (rice for the poor). Among them is [2] which used the SAW (Simple Additive Weigting) algorithm in Jamsaren urban village
