Penerapan Sistem Pendukung Keputusan Perekrutan Dosen Baru Pada Poltek AMI Medan Menggunakan Metode Simple Additive Weighting
(SAW)
Yuliannisa
Fakultas Ilmu Komputer dan Teknologi Informasi, Prodi Teknik Informatika, Universitas Budi Darma, Medan, Indonesia Email: [email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Penelitianiini menelitiitentang perekrutanidosen baru padaiPoltek Ami Medan. Di Poltek Ami Medan membutuhkan waktu yang cukup lama dalam melakukan perangkingan dan menganalisai untuk perekrutan dosen baru. Perekrutan dosen baru bertujuan untuk mendapatkani dosen baruiyang berkualitas dan sesuai dengan kriteria yang dibutuhkan sehingga pengambilan keputusan menjadi lebih efektif dan efisien. Perhitungan Perekrutan dosen baru ini menggunakan metode Simple Additive Weighting (SAW). Metode ini melakukan pencarian penjumlahan terbobot dari kinerja yang terdapat perengkingan pada alternatif di semua atributnya. Kategoriiyang di pakai untuk perhitungan ini terdapat 3 (tiga) kategori yakni kategori kualifikasi pendidikan, tes Microteaching, dan tes wawancara. Hasil penelitian ini dilakukan dengan menilai berdasarkan bobot menggunakan metode SAW, maka didapat 3 (Tiga) pelamar dengan nilai tertinggi yakni pelamar 1 = 37.5, dan pelamar 9 yaitu = 10 dengan nilai terendah. di lihat dari hasil pengolahan maka pelamar 1 memiliki nilai tertinggi yakni 37.5 menyatakan bahwa pelamar 1 di rekomendasikan menjadi dosen baru di Poltek Ami Medan. Hasil dari penilaian penentuan penerimaan dosen baru dilihat dari perangkinganitertinggi dengan nilai rangking terbesar yakni pelamar ke 1.
Kata Kunci: SPK; Simple Additive Weighting; Perekrutan Dosen Baru
Abstract−This study examines the recruitment of new lecturers at Poltek Ami Medan. At Poltek Ami Medan, it takes a long time to rank and analyze for the recruitment of new lecturers. Recruitment of new lecturers aims to find new lecturers who are qualified and in accordance with the required criteria so that decision making becomes more effective and efficient. The calculation of the recruitment of new lecturers uses the Simple Additive Weighting (SAW) method. This method performs a search for the weighted sum of the performances that are ranked on the alternatives in all their attributes. The categories used for this calculation are 3 (three) categories, namely the category of educational qualifications, microteaching tests, and interview tests. The results of this study were carried out by assessing by weight using the SAW method, then 3 (three) applicants with the highest score were obtained, namely applicant 1 = 37.5, and applicant 9 = 10 with the lowest score. Judging from the processing results, applicant 1 has the highest score of 37.5 stating that applicant 1 is recommended to be a new lecturer at Poltek Ami Medan. The results of the assessment of determining the acceptance of new lecturers are seen from the highest ranking with the largest ranking value, namely the 1st applicant.
Keywords: SPK; Simple Additive Weighting; New Lecturer Recruitment
1. PENDAHULUAN
Salah satu unsur yang berperan dalam meningkatkan mutu perguruan tinggi adalah dosen. Dosen adalah pendidik profesional dan ilmuwan dengan tugas utama mentransformasikan, mengembangkan, dan menyebarluaskan ilmu pengetahuan, teknologi, dan seni melalui pendidikan, penelitian, dan pengabdian kepada masyarakat[1]. Perekrutan adalah proses menghasilkan sejumlah pelamar yang berkualifikasi untuk pekerjaan di suatu organisasi atau perusahaan [2].
Sistem Pendukung Keputusan adalah bagian dari sistem informasi (termasuk sistem berbasis pengetahuan) yang digunakan untuk mendukung pengambilan keputusan dalam suatu organisasi, instansi maupun perusahaan.
Keputusan yang diambil dari Sistem Pendukung Keputusan, cenderung cepat dan secara kuantitatif dengan melihat pilihan terbaik berdasarkan bobot kriteria yang ditentukan oleh pihak manajemen sebagai pengambilan keputusan yang cukup kompleks dapat dipersingkat [3]. Penelitian yang dilakukan oleh, Agustina Heryati, A. Taqwa Martadinata, Rezki Syahputra, 2021, melakukan penelitian penerimaan Dosen baru menggunakan metode SAW dilihat dari kategori kualifikasi pendidikan, tes psikotes, dan tes wawancara[4].
Selanjutnya, Djamain, Y., Christin, H. D., 2018 melakukan penelitian dengan judul “Sistem Pendukung Keputusan Penerimaan Pegawai Baru PT.PLN (Persero) Kantor Pusat Dengan Menggunakan Metode Simple Additive Weighting (SAW). Membahas tentang pembuatan sebuah sistem pendukung keputusan untuk membantu dalam menyeleksi dan menetapkan pegawai yang berbasis PT.PLN (Persero). Salah satu model yang dapat digunakan untuk sistem pendukung keputusan adalah model Multiple Attribute Decision Making (MADM) dengan metode Simple Additive Weighting (SAW). Metode ini dipilih karena metode ini menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif terbaik. Penelitian dilakukan dengan mencari nilai bobot untuk setiap kriteria, dan kemudian membuat proses peringkat yang akan menentukan alternatif yang optimal adalah pelamar terbaik. Kriteria yang digunakan dalam penelitian ini adalah kedisiplinan, masa pengalaman informal/formal, ketaatan dalam melaksanakan tugas, kecakapan, kepemimpinan, keterampilan, hasil kerja yang diperoleh, moral dan perilaku, kerjasama, kreativitas dan inovasi [5]. Kemudian, Setiadi, Yunita, &
Ningsih, 2018, Melakukan Penelitian dengan menggunakan metode SAW, siswa terbaik dipilih berdasarkan kriteria yang sudah ditentukan yaitu berakhlak baik, aktif di dalam kelas, nilai raport tertinggi, absensi kehadiran, dan bertanggung jawab [6].
Berdasarkan permasalahan tersebut, perlu dibangun Sistem Pendukung Keputusan (SPK) untuk mendukung proses perekrutan dosen baru, dengan menerapkan metode SAW. Penerapan metode SAW akan dapat memberikan solusi yang terbaik pada perusahaan dalam Perekrutan Dosen baru, dan juga metode SAW ini dapat menentukan nilai bobot untuk setiap atribut, karena dilanjut dengan proses perangkingan yang akan menyeleksi alternatif terbaik dari sejumlah alternatif, dalam hal ini alteratif yang dimaksud adalah hasil dari system berdasarkan kriteria-kriteria yang telah ditetapkan.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Tahapan penelitian adalah level atau tingkatan bisa disebut juga jenjang dalam sebuah aktivitas penelitian. Dimana tahapan tersebut terdapat memiliki proses yang dilakukan secara terstruktur, baku, logis dan sistematis. Adapun urutan langkah-langkah pada penelitian ini dapat dilihat pada struktur berikut:
Gambar 1. Kerangka penelitian 2.2 Sistem Pendukung Keputusan
Menurut Tuban, Liang, dan Aronson (dan Limbong dkk, 2020) SPK adalah suatu sistem berbasis komputer yang interaktif, yang membantu pengambilan keputusan memanfaatkan data dan model untuk menyelesaikan masalah- masalah yang tidak tersetruktur dan semi terstruktur[7].
2.3 Perekrutan
Menurut Kasmir (2018), mengatakan bahwa : Perekrutan kegiatan untuk menarik sejumlah pelamar agar tertarik dan melamar ke perusahaan sesuai dengan kualifikasi yang diinginkan. Artinya perusahaan sengaja membuka lowongan sehingga pelamar datang langsung keperusahaan atau melalui pos dan email[8].
2.4 Dosen
Dosen adalah sebagai pengajar/pendidik dalam memberikan pembelajaran atau ilmu terhadap mahasiswanya dan dapat mengembangkan ilmu pengetahuan serta menyebarluaskan baik teknologi,dan seni, serta pengabdi kepada masyarakat dan juga meningkatkan mutu pendidikan[9].
2.5 Metode Simple Additive Weighting
Dalam Penerapan Metode ini SAW adalah metode yang sangat dikenal sampai saat ini untuk menghadapi situasi Multiple Attribute Decision Making (MADM). Metode yang harus melalui proses normalisasi matriks keputusan skala yang akan dibandingkan dengan seluruh alternatif lainya[10]. Metode ini dapat ditentukan pembobotan setiap artibutnya oleh peneliti. Skor jumlah total alternatif yang diperoleh dari menjumlahkan sebuah hasil perkalian antara rating dan bobot tiap atribut. Rating tiap artibut haruslah melewati proses normalisasi sebelumnya [11][12].
Rating tiap atribut haruslah bebas dimensi dalam arti telah melewati proses normalisasi sebelumnya. Metode SAW membutuhkan proses nomalisasi matriks keputusan(X) kesuatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.
Keterangan :
Rij : Nilai rating kinerja ternomalisasi
Xij : Nilai atribut yang dimiliki dari setiap kriteria Maxxij : Nilai terbesar dari setiap kriteria
Perumusan Masalah
Studi Kasus
Mengumpulkan Data
Hasil Penelitian
Minxij : Nilai terkecil dari setiap kriteria Benefit : jika nilai terbesar adalah terbaik Cost : Jika nilai terkecil adalah terbaik
Dimana rij adalah rating kinerja ternomalisasi dari alternative Ai pada atribut Cj ;i=1,2,. .,m dan j=1,2,. .,n. Nilai preferensi (yang paling utama) untuk setiap alternative (Vi) diberikan sebagai :
Vi= ∑nj=1Wjrij (1)
Keterangan :
Vi : rangking untuk setiap alternative Wj : nilai bobot dari setiap kriteria Rij : nilai rating kinerja ternormalisasi
3. HASIL DAN PEMBAHASAN
Untuk meningkatkan profesional kerja dan menciptakan para Dosen yang terbaik dan berkualitas maka Dalam menentukan perekrutan dosen diperlukan beberapa cara dan metode dalam menentukannya. Pada penelitian ini perekrutan dosen menggunakan beberapa kriteria yaitu : kualifikasi pendidikan yang meliputi Ijazah S2 dan S3 sesuai dengan bidang keahlian dan Sertifikat Kompetensi, lalu Microteaching yang meliputi penyajian materi dan penguasaan materi, lalu wawancara yang meliputi sifat/karakteristik. Untuk membantu dalam perekrutan dosen, penulis menggunakan Metode Simple Additive Weighting (SAW).
3.1 Penentuan Kriteria dan Bobot
Dalam metode (SAW) terdapat kriteria-kriteria yang dijadikan sebagai bahan perhitungan pada proses penilaian. Hal itu dilakukan untuk menentukan dosen terbaik yang akan terpilih dari beberapa alternative dosen yang diseleksi.
Langkah pertama yang dilakukan untuk memulai perhitungan dengan metode SAW adalah menentukan kriteria- kriteria penilaian. Berikut adalah data Kriteria perekrutan dosen baru. Data kriteria didapat dari data persyaratan yang digunakan dalam proses seleksi perekrutan dosen baru. Dimana masing-masing kriteria diberi bobot persentase nilai.
Tabel 1. Kriteria Perekrutan Dosen
Tabel 2. Kriteria Penilaian
Uji Tes Kategori Kriteria Bobot
Kualifikasi Ijazah S2 dan S3 sesuai dengan bidang keahlian ( Sesuai 10 No Nama Calon
Dosen
Kriteria Ijazah S2 dan S3
sesuai dengan bidang keahlian
Sertifikat Kompetensi
Penyajian materi
Penguasaan materi
Sifat dan Karakteristik
1 Dirhamsyah,
SE.,M.M Sesuai Ada Biasa Menguasai
materi
memiliki wawasan kedepan 2 Dina Rispianti,
SE.,M.M Sesuai Ada Mudah
dipahami
Mampu berkerjasama
tidak mampu berkerja keras 3 Fahmi Rinaldi,
SE.,M.M Sesuai Ada Sulit
dipahami
Mampu
berkerjasama Pekerja Keras 4 Taruna Ginting,
SE.,M.M Tidak Sesuai Ada Biasa menguasai
materi
memiliki wawasan kedepan 5 Nurmaliana Sari
Siregar, SE.,M.M Tidak Sesuai Ada Biasa
Tidak Menguasai
Materi
tidak mampu berkerja keras
6 Intan Sari ,
SE.,M.M Sesuai Tidak ada Mudah
Dipahami
Menguasai Materi
Memiliki Wawasan
Kedapan 7 Arman, SE.,M.M Tidak Sesuai Tidak Ada Biasa menguasai
materi
memiliki wawasan kedepan 8 Suparman,
SE.,M.M Sesuai Ada Mudah
dipahami
Tidak Menguasai
Materi
tidak mampu berkerja keras 9 Utari Dewi,
SE.,M.M Tidak Sesuai Tidak Ada Sulit
dipahami
Mampu
berkerjasama Pekerja Keras 10 Suratni,
SE.,M.M Sesuai Ada Sulit
dipahami
Tidak Menguasai
Materi
Tidak Mampu Bekerja
Uji Tes Kategori Kriteria Bobot
Pendidikan C1 ) Tidak Sesuai 0
Sertifikat Kompetensi (C2) Ada 5
Tidak Ada 0
Microteaching
Penyajian Materi (C3 )
Mudah dipahami 10
Biasa 5
Sulit dipahami 0
Penguasaan materi (C4)
Menguasai Materi 10
Mampu berkerjasama 5
Tidak menguasai materi 0 Wawancara Sifat/Karakteristik (C5)
Pekerja Keras 10
Tidak Mampu Bekerja
Keras 0
Tabel 3. Rating Kecocokan Setiap Alternative Alternatif Kategori
( Pelamar ) C1 C2 C3 C4 C5
P1 10 5 5 10 5
P2 10 5 10 5 0
P3 10 5 0 5 10
P4 0 5 5 10 5
P5 0 5 5 0 0
P6 10 0 10 10 5
P7 0 0 5 10 5
P8 10 5 10 0 0
P9 0 0 0 5 10
P10 10 5 0 0 0
3.2 Penerapan Metode SAW
Setelah diperoleh data dari Dosen terhadap syarat/kriteria yang ditentukan. Berikut ini merupakan bobot dalam setiap kriteria, yaitu:
Benefit : Ijazah, Sertifikat Kompetensi, Penyajian Materi, Penguasaan materi, Sifat/Karakteristik Berikut ini merupakan langkah penyelesaiannya dengan menggunakan SAW :
a. Penentuan Bobot
Bobot Preferensi sebagai berikut : W = (10, 10, 10, 10, 5) b. Membentuk matrik keputusan berdasarkan tabel kecocokan
X =
Normalisasi matriks X berdasarkan persamaan sebagai berikut :
r11 = 10
max[10,10,10,0,0,10,0,10,0,10 ] =10
10 = 1
r12 = 10
max[10,10,10,0,0,10,0,10,0,10 ] =10
10 = 1
r13 = 10
max[10,10,10,0,0,10,0,10,0,10 ] =10
10 = 1
r14 = 0
max[10,10,10,0,0,10,0,10,0,100 ]= 0
10 = 0
r15 = 0
max[10,10,10,0,0,10,0,10,0,10 ] = 0
10 = 0
r16 = 10
max[10,10,10,0,0,10,0,10,0,10 ] =10
10 = 1
r17 = 0
max[10,10,10,0,0,10,0,10,0,10 ] = 0
10 = 0
r18 = 10
max[10,10,10,0,0,10,0,10,0,10 ] =10
10 = 1
r19 = 0
max[10,10,10,0,0,10,0,10,0,10 ] = 0
10 = 0 10 5 5 10 5
10 5 10 5 0 10 5 0 5 10
0 5 5 10 5 0 5 5 0 0 10 0 10 10 5 0 0 5 10 5 10 5 10 0 0 0 0 0 5 10 10 5 0 0 0
r110 = 10
max[10,10,10,0,0,10,0,10,0,10 ] =10
10 = 1
r21 = 5
max[5,5,5,5,5,0,0,5,0,5] =5
5 = 1
r22 = 5
max[5,5,5,5,5,0,0,5,0,5 ]= 5
5 = 1
r23 = 5
max[5,5,5,5,5,0,0,5,0,5 ]= 5
5 = 1
r24 = 5
max[5,5,5,5,5,0,0,5,0,5 ]= 5
5 = 1
r25 = 5
max[5,5,5,5,5,0,0,5,0,5 ]= 5
5 = 1
r26 = 0
max[5,5,5,5,5,0,0,5,0,5 ]= 0
5 = 0
r27 = 0
max[5,5,5,5,5,0,0,5,0,5 ]= 0
5 = 0
r28 = 5
max[5,5,5,5,5,0,0,5,0,5 ]= 5
5 = 1
r29 = 5
max[5,5,5,5,5,0,0,5,0,5 ]= 0
5 = 0
r210 = 5
max[5,5,5,5,5,0,0,5,0,5 ]= 5
5 = 1
r31 = 5
max[5,10,0,5,5,10,5,10,0,0 ] = 5
10 = 0,5
r32 = 10
max[5,10,0,5,5,10,5,10,0,0 ] =10
10 = 1
r33 = 0
max[5,10,0,5,5,10,5,10,0,0 ] = 0
10 = 0
r34 = 5
max[5,10,0,5,5,10,5,10,0,0 ] = 5
10 = 0.5
r35 = 5
max[5,10,0,5,5,10,5,10,0,0 ] = 5
10 = 0.5
r36 = 10
max[5,10,0,5,5,10,5,10,0,0 ] =10
10 = 1
r37 = 5
max[5,10,0,5,5,10,5,10,0,0 ] = 5
10 = 0,5
r38 = 10
max[5,10,0,5,5,10,5,10,0,0] =10
10 = 1
r39 = 0
max[5,10,0,5,5,10,5,10,0,0 ] = 0
10 = 0
r310 = 0
max[5,10,0,5,5,10,5,10,0,0 ] = 0
10 = 0
r41 = 10
max[10,5,5,10,0,10,10,0,5,0 ]= 10
10 = 1
r42 = 5
max[10,5,5,10,0,10,10,0,5,0 ]= 5
10 = 0,5
r43 = 5
max[10,5,5,10,0,10,10,0,5,0 ]= 5
10 = 0.5
r44 = 10
max[10,5,5,10,0,10,10,0,5,0 ]= 10
10 = 1
r45 = 0
max[10,5,5,10,0,10,10,0,5,0 ]= 0
10 = 0
r46 = 10
max[10,5,5,10,0,10,10,0,5,0 ]= 10
10 = 1
r47 = 10
max[10,5,5,10,0,10,10,0,5,0 ]= 10
10 = 1
r48 = 0
max[10,5,5,10,0,10,10,0,5,0 ]= 0
10 = 0
r49 = 5
max[10,5,5,10,0,10,10,0,5,0 ]= 5
10 = 0,5
r410 = 0
max[10,5,5,10,0,10,10,0,5,0 ]= 0
10 = 0
r51 = 5
max[5,0,10,5,0,5,5,0,10,0 ]= 5
10 = 0,5
r52 = 0
max[5,0,10,5,0,5,5,0,10,0 ]= 0
10 = 0
r53 = 10
max[5,0,10,5,0,5,5,0,10,0 ]= 10
10 = 1
r54 = 5
max[5,0,10,5,0,5,5,0,10,0 ]= 5
10 = 0,5
r55 = 0
max[5,0,10,5,0,5,5,0,10,0 ]= 0
10 = 0
r56 = 5
max[5,0,10,5,0,5,5,0,10,0 ]= 5
10 = 0,5
r57 = 5
max[5,0,10,5,0,5,5,0,10,0 ]= 5
10 = 0,5
r58 = 0
max[5,0,10,5,0,5,5,0,10,0 ]= 0
10 = 0
r59 = 10
max[5,0,10,5,0,5,5,0,10,0 ]= 10
10 = 1
r510 = 0
max[5,0,10,5,0,5,5,0,10,0 ]= 0
10 = 0
Dan menghasilkan tabel matrik sebagai berikut :
Tabel 4. Matriks Alternatif Kategori
( Pelamar ) C1 C2 C3 C4 C5
P1 1 1 0,5 1 0,5
P2 1 1 1 0,5 0
P3 1 1 0 0,5 1
P4 0 1 0,5 1 0,5
P5 0 1 0,5 0 0
P6 1 0 1 1 0,5
P7 0 0 0,5 1 0,5
P8 1 1 1 0 0
P9 0 0 0 0,5 1
P10 1 1 0 0 0
kemudian ditransformasikan kedalam matrik sebagai berikut:
R =
c. Proses Perangkingan
Perangkingan diperoleh berdasarkan persamaan matriks normalisasi (Ri) dengan Bobot Preferensi (W) sebagai berikut :
V1 = (10)x(1) + (10)x(1) + (10)x(0.5) + (10)x(1) + (5)x(0.5) = 37.5 V2 = (10)x(1) + (10)x(1) + (10)x(1) + (10)x(0.5) + (5)x(0) = 35 V3 = (10)x(1) + (10)x(1) + (10)x(0) + (10)x(0.5) + (5)x(1) = 30 V4 = (10)x(0) + (10)x(1) + (10)x(0,5) + (10)x(1) + (5)x(0.5) = 27.5 V5 = (10)x(0) + (10)x(1) + (10)x(0,5) + (10)x(0) + (5)x(0) = 15 V6 = (10)x(1) + (10)x(0) + (10)x(1) + (10)x(1) + (5)x(0.5) = 32.5 V7 = (10)x(0) + (10)x(0) + (10)x(0.5) + (10)x(1) + (5)x(0.5) = 17.5 V8 = (10)x(1) + (10)x(1) + (10)x(1) + (10)x(0) + (5)x(0) = 30 V9 = (10)x(0) + (10)x(0) + (10)x(0) + (10)x(0.5) + (5)x(1) = 10 V10 = (10)x(1) + (10)x(1) + (10)x(0) + (10)x(0) + (5)x(0) = 20
Tabel 5. Perangkingan Alternatif
(Pelamar)
Kategori
Hasil C1 C2 C3 C4 C5 P1 10 10 5 10 2,5 37,5
P2 10 10 10 5 0 35
P3 10 10 0 5 5 30
P4 0 10 5 10 2,5 27,5
P5 0 10 5 0 0 15
P6 10 0 10 10 2,5 32,5
P7 0 0 5 10 2,5 17,5
P8 10 10 10 0 0 30
P9 0 0 0 5 5 10
P10 10 10 0 0 0 20
1 1 0,5 1 0,5 1 1 1 0,5 0 1 1 0 0,5 1 0 1 0,5 1 0,5 0 1 0,5 0 0 1 0 1 1 0,5 0 0 0,5 1 0,5
1 1 1 0 0
0 0 0 0,5 1
1 1 0 0 0
berdasarkan hasil akhir perangkingan mendapatkan nilai tertinggi pada P1 (Pelamar ke 1) yaitu dengan nilai 37.5 dan nilai terendah pada P9 (Pelamar 9).
3.3 Implementasi
Berikut ini dijelaskan mengenai tampilan hasil dari perancangan Implementasi Perekrutan dosen baru menggunakan Metode SAW pada Poltek Ami Medan yang dapat dilihat sebagai berikut :
a. Tampilan Form Login
Dibawah ini dapat kita lihat tampilan gambar Form Login Perekrutan dosen baru pada Poltek Ami Medan ialah sebagai berikut :
Gambar 2. Tampilan Form Login b. Tampilan Form Menu Utama
Dibawah ini dapat kita lihat tampilan gambar Form Menu Utama Perekrutan dosen baru pada Poltek Ami Medan ialah sebagai berikut :
Gambar 3. Tampilan Form Menu Utama c. Tampilan Form Data Alternatif
Dibawah ini dapat kita lihat tampilan gambar Form Data Alternatif Perekrutan dosen baru pada Poltek Ami Medan ialah sebagai berikut :
Gambar 4. Tampilan Form Data Alternatif d. Tampilan Form Kriteria
Dibawah ini dapat kita lihat tampilan gambar Form Kriteria Perekrutan dosen baru pada Poltek Ami Medan ialah sebagai berikut :
Gambar 5. Tampilan Form Kriteria e. Tampilan Form Rating Kecocokan
Dibawah ini dapat kita lihat tampilan gambar Form Rating Kecocokan Perekrutan dosen baru pada Poltek Ami Medan ialah sebagai berikut :
Gambar 6. Tampilan Form Rating Kecocokan f. Hasil Perhitungan SAW
Dibawah ini dapat kita lihat tampilan gambar Form Rating Kecocokan Perekrutan dosen baru pada Poltek Ami Medan ialah sebagai berikut :
Gambar 7. Tampilan Form Hasil Keputusan
4. KESIMPULAN
Dengan analisa dan pembahasan yang telah dijelaskan dari penelitian ini, maka diperoleh kesimpulan bahwa untuk mendapatkan perangkingan pada setiap kriteria bukan hanya skill (kemampuan) saja yang menjadi patokan namun diperlukan juga kriteria-kriteria lain seperti pendidikan, penelitian, dan professional dalam bekerja yang dimiliki oleh setiap dosen. Pemilihan dosen berprestasi dengan menggunakan metode Simple Additive Weighiting (SAW), yang menghitung bobot nilai dari setiap kriteria-kriteria dari alternatif-alternatif yang ada. Sistem Pendukung Keputusan dengan menerapkan metode SAW dapat menentukan dosen yang berprestasi dengan memperoleh hasil perankingan yang terbaik untuk dapat dipertimbangkan oleh pengambil keputusan.
REFERENCES
[1] Direktorat Pengendalian, Peraturan Pemerintah (PP) tentang Dosen No. 37 2009. 20090. [Online]. Available:
https://peraturan.bpk.go.id/Home/Details/4956/pp-no-37-tahun-2009
[2] A. Heryati, A. T. Martadinata, and R. Syahputra, “Penerapan Metode Simple Additive Weighting (Saw) Pada Sistem Pendukung Keputusan Penentuan Penerimaan Dosen Baru,” JUSIM (Jurnal Sist. Inf. Musirawas), vol. 6, no. 1, pp. 80–90, 2021, doi: 10.32767/jusim.v6i1.1212.
[3] I. Rizaldy, “). Sistem Pendukung Keputusan(SPK) Penentuan Kabupaten yang Terkena Corona Virus Disease19(Covid19) Untuk Pemberlakuan Sistem Pembatasan Sosial Berskala Besar(PSBB) dengan Menggunakan Metode Topsis,” J.
Algoritm., vol. 19, pp. 2–3, 2020, [Online]. Available: https://doi.org/10.31227/osf.io/eqtym
[4] T. dkk Limbong, “Sistem Pendukung Keputusan: Metode & Implementasi.,” Sist. Pendukung Keputusan Metod.
Implementasi., P. Yayasan Kita Menulis., 2020.
[5] M. and Samuel, “Sistem Pendukung Keputusan Pemilihan Guru Dan Pegawai TerbaikMenggunakan Metode Moora,” J.
Pengabdi. Pada Masy. METHABDI, vol. 1, no. 9, pp. 701–6, 2018.
[6] Ridwan, “Penerapan Metode Simple Additive Weighting (SAW) Dalam Sistem Pendukung Keputusan Untuk Penilaian Guru Teladan,” J. Chem. Inf. Model., vol. 53, no. 9, 2018.
[7] Kasmir, Manajemen Sumber Daya Manusia ,Teori dan Praktik. Depok: PT Rajagrafindo Persada, 2018.
[8] G. Lumbantoruan, P. M. Simanullang, and S. Zega, “Sistem Pendukung Keputusan Pemilihan Dosen Terbaik Menerapkan Metode Multi-Objektive Optimization On The Basis Of Ratio Analysis ( MOORA ).” pp. 296–301, 2018.
[9] W. Agustina Heryati, A. Taqwa Martadinata, Rezki SyahputraMetode, P., Additive, S., & Saw, “Sistem Pendukung Keputusan Penentuan Penerimaan Dosen,” Penerapan Metod. SAW Pada Spk Penentuan Penerimaan Dosen Baru, vol. 6, no. 1, pp. 80–90, 2021.
[10] 2015 ] Djamain, Y., Christin, H. D., “Sistem Pendukung Keputusan Penerimaan Pegawai Baru PT.PLN (Persero) Kantor Pusat Dengan Menggunakan Metode Simple Additive Weighting (SAW),” J. Tek. Inform., vol. 8, pp. 39–47, 2018.
[11] A. R. Setiadi, A., Yunita, Y., & Ningsih, “Penerapan Metode Simple Additive Weighting(SAW) Untuk Pemilihan Siswa Terbaik,” J. Sisfokom (Sistem Inf. Dan Komputer), vol. 7, no. 2, pp. 104–109., 2018, [Online]. Available:
https://doi.org/10.32736/sisfokom.v7i2.572
[12] M. Badaruddin, “Sistem Pendukung Keputusan Penilaian Kinerja Karyawan Menerapkan Kombinasi Metode Simple Additive Weighting (SAW) dengan Rank Order Centroid (ROC),” J. Media Inform. Budidarma, vol. 3, no. 4, p. 366, 2019, doi: 10.30865/mib.v3i4.1508.
