MODEL SISTEM PENDUKUNG KEPUTUSAN
MENGGUNAKAN METODE FMADM
UNTUK SELEKSI BEASISWA-PPA DAN BBP-PPA PADA
PERGURUAN TINGGI
Kisworo
1)Agung Deni Wahyudi
2) 1),2)Sistem Informasi Universitas Teknokrat Indonesia
Jl. ZA Pagaralam No. 9-11 Labuhanratu, Bandar Lampung
email : 2)[email protected], 2)[email protected]
ABSTRACT
This research comes from the real world of education in Indonesia, especially in level of university, relates to determining candidates of fund receivers of Beasiswa-PPA (Scholarship for Academic Education Increase) and BBP-PPA (Education Cost Help for Academic Education Increase). Motivation of this research is to give certainty assurance and fund transfer based on the right object, amount, and time as with principles had by General Directorate for Learning and Studentship of Research & Technology Ministry reflected on its policy: “Pedoman Umum Beasiswa dan Bantuan Biaya Pendidikan Peningkatan Prestasi Akademik (PPA) 2015”. Significance value that would be retrieved is a basic pattern for its later development, i.e. information system that always takes a account its subject-oriented principle: students. To answer the meant problem, a DSS (Decision Support System) model is determined, i.e. FMADM (Fuzzy Multi-Attribute Decision Making) via specifically Yager model that would be proved as capable on giving decision alternatives effectively, accurately, and in speedily.
Keywords
Decision Support System, Yager model, Beasiswa-PPA, BBP-PPA, Fuzzy Multi-Attribute Decision Making.
1. Pendahuluan
Setiap warga negara berhak mendapatkan pengajaran [3]. Pemerintah dan Pemerintah Daerah wajib memberikan layanan dan kemudahan dalam peningkatan mutu pendidikan tanpa diskriminasi, dan masyarakat wajib memberikan dukungan sumber daya untuk terlaksananya
penyelenggaraan pendidikan [1]. Esensinya adalah pemenuhan hak mahasiswa [4].
Realitas di Perguruan Tinggi (PT) amat nyata terlihat bahwa beasiswa dan bantuan biaya pendidikan sangat dibutuhkan mahasiswa. Karenanya, sesuai amanah konstitusi sebagaimana dipaparkan di atas, Pemerintah melalui baik Perguruan Tinggi Negeri (PTN) maupun Perguruan Tinggi Swasta (PTS) via Koordinator Perguruan Tinggi Swasta (Kopertis) sejak tahun 2010 mengadakan program Beasiswa Peningkatan Pendidikan Akademik (Beasiswa-PPA) bagi mahasiswa yang memiliki prestasi tinggi dan Bantuan Biaya Pendidikan Peningkatan Pendidikan Akademik (BBP-PPA) bagi mahasiswa yang memiliki latar belakang ekonomi lemah/tidak mampu [1].
Penyaluran dana Beasiswa-PPA dan BBP-PPA
membutuhkan seleksi. Dalam lingkupnya, pengelompokan sesuai persyaratan-persyaratan seleksi dilakukan atas dasar latar belakang prestasi tinggi dan ekonomi lemah/tidak mampu. Panitia seleksi sebagai perekomendasi keputusan kepada decision maker memiliki tugas penyaringan sesuai lingkupnya [1]. Untuk melakukan hal tersebut, pada tingkat panitia seleksi masih sering ada kendala terkait efisiensi, akurasi, dan kecepatan. Jika kendala tidak diatasi, maka masalah akan semakin merugikan, apalagi ketika mahasiswa yang mengikuti seleksi semakin bertambah tak hanya puluhan namun bahkan ratusan.
Motivasi penelitian ini hendak memberikan jaminan kepastian atas prinsip 3T (Tepat Sasaran, Tepat Jumlah, dan Tepat Waktu) sebagaimana sudah dicanangkan sejak dasar acuannya, yakni Pedoman Umum Beasiswa dan Bantuan Biaya Pendidikan Peningkatan Prestasi Akademik (PPA) 2015 yang dikeluarkan Direktorat Jenderal Pembelajaran dan Kemahasiswaan Kemenristek & Dikti [1]. Signifikansi model yang dilahirkan penelitian ini dimaksudkan menjadi pola dasar pembangunannya
kelak, yakni sistem informasi yang senantiasa mengedepankan subjek sasaran (student-oriented) sebagai calon penerimanya. Untuk menjawab hal tersebut, penelitian ini menitik beratkan pada pencapaian tujuan, yakni bagaimana seleksi beasiswa dan penyaluran dananya dapat efisien, akurat, dan cepat. Decision Support System (DSS) penelitian ini karenanya dipilih dan metode Fuzzy Multi-Attribute Decision Making (FMADM): Yager model pun ditentukan untuk langkah-langkah pemecahan masalah pengambilan keputusan [5][6].
2. Objek Penelitian
Objek penelitian dibatasi lingkupnya pada Universitas Teknokrat Indonesia di Bandar Lampung.
3. Variabel yang Diukur
Variabel sebagai simbol berangka atau bernilai dapat berupa alternatif dan atribut atau kriteria [2: 12 s.d 21]. Untuk penelitian ini, maka:
a. Alternatif yang tersedia adalah mahasiswa calon penerima Beasiswa-PPA atau BBP-PPA. Jumlah mahasiswa yang ikut seleksi tak hanya puluhan tetapi bahkan ratusan.
b. Atribut atau kriteria yang digunakan sebagai berikut:
Tabel 1 Kriteria
Kriteria Singkatan Keterangan
C1 U Usia
C2 JPO Jumlah Penghasilan Orang Tua C3 JTO Jumlah Tanggungan Orang Tua C4 JSK Jumlah Saudara Kandung C5 IPK Nilai IPK
C6 PRS Rataan Nilai Presensi Perkuliahan Diambil
C7 KKK Nilai Keaktifan dalam Kegiatan Kemahasiswaan
c. Derajat keanggotaan setiap alternatif pada setiap atribut atau kriteria yang digunakan ada dalam format seperti berikut:
Tabel 2 Usia
Usia (th) Singkatan Bilangan Fuzzy Nilai
U0 <= C1 <= U1 SSP Sangat Sangat Penting N5 U1 < C1 <= U2 SP Sangat Penting N4 U2 < C1 <= U3 P Penting N3 U3 < C1 <= U4 CP Cukup Penting N2 U4 < C1 <= U5 TP Tidak Penting N1 C1 > U5 STP Sangat Tidak Penting N0 Keterangan terkait U dan N:
1. Untuk U angkanya menaik:
U1 = Batas usia terendah mahasiswa dalam range.
U5 = Batas usia tertinggi mahasiswa dalam range.
U0 s.d. U5 masing-masing mendapat bagian nilai yang ditentukan dalam bilangan bulat mulai dari batas usia terendah.
2. Untuk N angkanya menurun: N5 = Nilai tertinggi. N0 = Nilai terendah.
N5 s.d. N0 masing-masing mendapat bagian nilai yang ditentukan dalam bilangan desimal dengan range antara 1,00 s.d. 0,00.
Tabel 3 Jumlah Penghasilan Orang Tua
JPO (Rp) Singkatan Bilangan Fuzzy Nilai
JPO0 <= C2 <= JPO1 SSP Sangat Sangat
Penting N5
JPO1 < C2 <= JPO2 SP Sangat Penting N4 JPO2 < C2 <= JPO3 P Penting N3 JPO3 < C2 <= JPO4 CP Cukup Penting N2 JPO4 < C2 <= JPO5 TP Tidak Penting N1
C2 > 5 STP Sangat Tidak
Penting N0
Keterangan terkait JPO dan N: 1. Untuk JPO angkanya menaik:
JPO0 = JPO terendah dalam range. JPO5 = JPO tertinggi dalam range.
JPO0 s.d. JPO5 masing-masing mendapat bagian nilai dalam range yang ditentukan dalam bilangan desimal mulai dari 0,00. 2. Untuk N angkanya menurun:
N5 = Nilai tertinggi. N0 = Nilai terendah.
N5 s.d. N0 masing-masing mendapat bagian nilai yang ditentukan dalam bilangan desimal dengan range dari 1,00 s.d. 0,00.
Tabel 4 Jumlah Tanggungan Orang Tua
JTO (orang) Singkatan Bilangan Fuzzy Nilai
C3 = JTO0 STP Sangat Tidak Penting N0 C3 = JTO1 TP Tidak Penting N1 C3 = JTO2 CP Cukup Penting N2
C3 = JTO3 P Penting N3
C3 = JTO4 SP Sangat Penting N4 C3 >= JTO5 SSP Sangat Sangat Penting N5 Keterangan terkait JTO dan N:
1. Untuk JTO angkanya menaik: JTO0 = JTO terendah. JTO5 = JTO tertinggi.
JTO0 s.d. JTO5 masing-masing mendapat bagian nilai yang ditentukan dalam bilangan cacah mulai dari 0.
2. Untuk N angkanya menaik: N0 = Nilai terendah. N5 = Nilai tertinggi.
N0 s.d. N5 masing-masing mendapat bagian nilai yang ditentukan dalam bilangan desimal dengan range dari 0,00 s.d. 1,00.
Tabel 5 Jumlah Saudara Kandung
JSK (orang) Singkatan Bilangan Fuzzy Nilai
C4 = JSK0 STP Sangat Tidak Penting N0 C4 = JSK1 TP Tidak Penting N1 C4 = JSK2 CP Cukup Penting N2
C4 = JSK3 P Penting N3
C4 = JSK4 SP Sangat Penting N4 C4 >= JSK5 SSP Sangat Sangat Penting N5 Keterangan terkait JSK dan N:
1. Untuk JSK angkanya menaik: JSK0 = JSK terendah. JSK5 = JSK tertinggi.
JSK0 s.d. JSK5 masing-masing mendapat bagian nilai yang ditentukan dalam bilangan cacah mulai dari 0.
2. Untuk N angkanya menaik: N0 = Nilai terendah. N5 = Nilai tertinggi.
N0 s.d. N5 masing-masing mendapat bagian nilai yang ditentukan dalam bilangan desimal dengan range dari 0,00 s.d. 1,00.
Tabel 6 Nilai IPK
Nilai IPK Singkatan Bilangan Fuzzy Nilai
IPK0 <= C5 <= IPK1 STP Sangat Tidak
Penting N0
IPK1 < C5 <= IPK2 TP Tidak Penting N1 IPK2 < C5 <= IPK3 CP Cukup Penting N2 IPK3 < C5 <= IPK4 P Penting N3 IPK4 < C5 <= IPK5 SP Sangat Penting N4 IPK5 < C5 <= IPK6 SSP Sangat Sangat
Penting N5
Keterangan terkait IPK dan N: 1. Untuk IPK angkanya menaik:
IPK0 = IPK terendah dalam range. IPK6 = IPK tertinggi dalam range.
IPK0 s.d. IPK6 masing-masing mendapat bagian nilai dalam range yang ditentukan dalam bilangan desimal dengan range dari 0,00 s.d. 4,00.
2. Untuk N angkanya menaik: N0 = Nilai terendah. N5 = Nilai tertinggi.
N0 s.d. N5 masing-masing mendapat bagian nilai yang ditentukan dalam bilangan desimal dengan range dari 0,00 s.d. 1,00.
Tabel 7 Rataan Nilai Presensi Perkuliahan Diambil
Rataan Nilai PRS Singkatan Bilangan Fuzzy Nilai
PRS0 <= C6 <= PRS1 STP Sangat Tidak Penting N0 PRS1 < C6 <= PRS2 TP Tidak Penting N1 PRS2 < C6 <= PRS3 CP Cukup Penting N2 PRS3 < C6 <= PRS4 P Penting N3 PRS4 < C6 <= PRS5 SP Sangat Penting N4 PRS5 < C6 <= PRS6 SSP Sangat Sangat Penting N5
Keterangan terkait PRS dan N: 1. Untuk PRS angkanya menaik:
PRS0 = PRS terendah dalam range. PRS6 = PRS tertinggi dalam range.
PRS0 s.d. PRS6 masing-masing mendapat bagian nilai dalam range yang ditentukan dalam bilangan desimal dari 0,00 s.d. 100,00.
2. Untuk N angkanya menaik: N0 = Nilai terendah. N5 = Nilai tertinggi.
N0 s.d. N5 masing-masing mendapat bagian nilai yang ditentukan dalam bilangan desimal dengan range dari 0,00 s.d. 1,00.
Tabel 8 Nilai Keaktifan dalam Kegiatan Kemahasiswaan
Nilai KKK Singkatan Bilangan Fuzzy Nilai
KKK0 <= C7 <= KKK1 STP Sangat Tidak Penting N0 KKK1 < C7 <= KKK2 TP Tidak Penting N1 KKK2 < C7 <= KKK3 CP Cukup Penting N2 KKK3 < C7 <= KKK4 P Penting N3 KKK4 < C7 <= KKK5 SP Sangat Penting N4 KKK5 < C7 <= KKK6 SSP Sangat Sangat Penting N5
Keterangan terkait KKK dan N:
1. Untuk KKK angkanya menaik: KKK0 = KKK terendah dalam range. KKK6 = KKK tertinggi dalam range.
KKK0 s.d. KKK6 masing-masing mendapat bagian nilai dalam range yang ditentukan dalam bilangan desimal dari 0,00 s.d. 100,00.
2. Untuk N angkanya menaik: N0 = Nilai terendah. N5 = Nilai tertinggi.
N0 s.d. N5 masing-masing mendapat bagian nilai yang ditentukan dalam bilangan desimal dengan range dari 0,00 s.d. 1,00.
d. Supaya poin a s.d. c di atas bisa bekerja secara komprehensif dan definitif, maka perlu adanya kecocokan fuzzy sebagai tolok ukur seleksi. Kecocokan fuzzy yang diberikan seperti berikut:
Gambar 1 Grafik Kecocokan Fuzzy
Yang menarik dari semua tabel derajat keanggotaan setiap alternatif pada setiap atribut atau kriteria dan grafik kecocokan fuzzy di atas adalah unsur fleksibilitas dan kemampuannya mengakomodasi perubahan-perubahan kebutuhan yang tercermin pada setiap variabel untuk nilai yang bisa dimasukkan. Dalam lingkupnya, isi untuk setiap variabel karenanya dapat disesuikan. Kondisi seperti dimaksud sesuai statement yang sudah disampaikan penelitian ini pada sub 2.2 poin e.
4. Metodologi Pengembangan Sistem
Metodologi yang digunakan dalam penelitian ini adalah Extreme Programming (XP) [7: Bab 3]. Berikut ini prosesnya:
STP TP CP P SP SSP
unit t est
co nt inuo us int eg rat io n
accep t ance t est ing
p air p ro g ramming
Release user st o ries values
accep t ance t est crit eria
it erat io n p lan
simp le d esig n CRC card s
sp ike so lut io ns p ro t o t yp es
ref act o ring
sof t w ar e incr em ent
pr oj ect v elocit y com put ed
Gambar 2 Proses Extrem Programming [7: 74]
5. Metode FMADM: Yager Model
Metode yang digunakan untuk menyelesaikan masalah lingkup penelitian ini adalah Fuzzy Multi-Attribute Decision Making (FMADM). Bersama Fuzzy Multi-Objective Decision Making (FMODM), metode FMADM ini memiliki induk Fuzzy Multi-Criteria Decision Making (FMCDM) [9, p. 1-18][10].
Khusus tentang FMADM, Kusumadewi [2: 135 s.d 143] mencatat bahwa alternatif-alternatif pada FMADM harus sudah diketahui dan ditentukan sebelumnya. Pengambil keputusan mesti menentukan prioritas atau ranking berdasarkan kriteria yang diberikan. Tujuan yang hendak dicapai model ini adalah menyeleksi alternatif dengan atribut atau kriteria yang memiliki ciri terbaik dan mengklasifikasikan alternatif berdasarkan peran tertentu. Untuk menyelesaikan masalah, terdapat dua tahap:
a. membuat rating pada setiap alternatif berdasarkan agregasi derajat kecocokan pada semua kriteria; dan b. meranking semua alternatif untuk mendapatkan
alternatif terbaik. Untuk itu ada dua cara yang dapat digunakan, yakni defuzzy dan relasi preferensi fuzzy. Yang digunakan penelitian ini adalah relasi preferensi fuzzy karena lebih menjamin ketidakpastian yang
melekat pada bilangan fuzzy hingga proses
perankingan.
Ada dua model FMADM, yakni FMADM model Yager dan FMADM model Bass & Kwakernaak. Model FMADM pertama merupakan standar FMADM [2: 137], sedangkan model FMADM kedua bukan merupakan standar FMADM [2: 144]. Penelitian ini menggunakan model FMADM pertama.
Dalam penjelasannya tentang model FMADM pertama, Kusumadewi [2: 137 s.d. 138] menjelaskan dalam misal A = {a1, …, an} adalah himpunan alternatif, dengan J = 1, …, m adalah himpunan fuzzy sebagai atribut atau kriteria, wj adalah notasi untuk bobot yang menunjukkan tingkat kepentingan atribut ke-j, dan nilai capaian alternatif ai
terhadap atribut diekspresikan dengan derajat keanggotaan mc(Xi). Maka, keputusan akhir diambil berdasarkan interaksi dari semua atribut fuzzy melalui formula sebagai berikut:
sebagai alternatif optimal yang didefinisikan sedemikian rupa sehingga alternatif tersebut memberikan kontribusi derajat keanggotaan tertinggi pada .
Langkah-langkah penyelesaian model ini sebagai berikut:
a. menentapkan matriks perbandingan berpasangan antaratribut, M, berdasarkan prosedur hirarki Saaty:
dengan adalah kepentingan relatif atribut ai terhadap atribut aj;
b. menentukan bobot wj yang konsisten untuk setiap atribut berdasarkan metode eigenvector dari Saaty [8]; c. menghitung nilai:
d. menentukan interaksi dari semua , sebagai:
e. memilih Xi dengan derajat keanggotaan terbesar dalam , yang ditetapkan sebagai alternatif optimal.
6. Analisa dan Perancangan Sistem
a. Use Case Diagram
b. Activity Diagram
Gambar 4 Activity Diagram c. Class Diagram
Gambar 5 Class Diagram d. Sequence Diagram
Gambar 6 Sequence Diagram
7. Hasil Simulasi FMADM: Yager Model
a. Menentukan Pairwise Comparisons (M)
b. Menentukan Bobot (wj)
c. Menentukan CR untuk Uji Konsistensi Vektor Bobot W
e. Menentukan
f. Menentukan Xi dengan derajat keanggotaan terbesar dalam
8. Kesimpulan
Medode FMADM terbukti mampu menyeleksi alternatif dengan atribut atau kriteria yang memiliki ciri terbaik dan mengklasifikasikan alternatif berdasarkan peran tertentu. Melalui Yager model, defuzzy dan relasi preferensi fuzzy dapat memberikan hasil sesuai harapan: efektif, akurat, dan cepat. Relasi preferensi fuzzy lebih menjamin ketidakpastian yang melekat pada bilangan fuzzy hingga proses perankingan. Kedepan model bisa diimplementasikan.
REFERENSI
[1] Dirjen Pembelajaran dan Kemahasiswaan Kemenristek & Dikti, Pedoman Umum Mahasiswa dan Bantuan Biaya
Pendidikan Peningkatan Prestasi Akademik (PPA), 2015.
[2] Sri Kusumadewi, Sri Hartati, Agus, H., dan Retantyo, W.,
Fuzzy Multi-Attribute Decision Making, Graha Ilmu,
Yogyakarta, 2006.
[3] BPK. UUD RI 1945. Pasal 31 (1). Tersedia:
http://www.bpk.go.id/assets/files/storage/2013/12/file_stor age_1386157387.pdf, pada 17 Mei 2015, pk. 11.15 AM.
[4] Mahkamah Konstitusi. UU Nomor 12 Tahun 2012. Pasal 76. Tersedia: http://portal.mahkamahkonstitusi.go.id/ eLaw/mg58ufsc89hrsg/1f32ffaa83555e001038d1e0cda7b2 81849acef2d.pdf, pada 17 Mei 2015, pk. 10.50 AM. [5] Savitha, K. dan Chandrasekar, C., Trusted Nerwork
Selection Using SAW and TOPSIS Algorithms for Heterogeneous Wireless Networks, International Journal of
Computer Applications (0975-8887), Volume 26-No.8, July 2011.
[6] Turban, Aronson, dan Liang, Decision Support Systems
and Intelligent Systems, 7th Edition, Prentice Hall, New
Jersey, 2005.
[7] Pressman, R.S. 2010. Software Engineering—A
Practitioner’s Approach. USA, New York: McGraw-Hill.
7th Edition.
[8] Saaty, T. L. (1994). Fundamentals of Decision Making and
Priority Theory with the Analytic Hierarchy Process (Vol.
4922). Pittsburg : RWS Publications.
[9] Kahraman, C (Ed.). (2008). Fuzzy Multi-Criteria Decision
Making: Theory and Applications with Recent Developments. USA, New York: Springer Science +
Business Media, LLC.
[10] Kahraman, C., Onar, S. C., dan Ostaysi, B. (2015). Fuzzy Multicriteria Decision-Making: A Literature Review.
International Journal of Computational Intelligence Systems, Vol. 8, No. 4 (2015) 637-666. Tersedia [Online]
pada https://www.researchgate.net/publication/276472351 tanggal 12 September 2017.
Kisworo, memperoleh gelar S.Kom pada Teknik Informatika
Perguruan Tinggi Teknokrat (kini Universitas Teknokrat Indonesia), Bandar Lampung, tahun 2011 dan gelar M.Kom. pada Ilmu Komputer Universitas Budi Luhur, Jakarta, tahun 2015 . Kini sebagai dosen pada Sistem Informasi Universitas Teknokrat Indonesia, Bandar Lampung.
Agung Deni Wahyudi, memperoleh gelar S.Kom pada Sistem
Informasi Perguruan Tinggi Teknokrat (kini Universitas Teknokrat Indonesia), Bandar Lampung, tahun 2011 dan gelar M.Kom. pada Ilmu Komputer Universitas Budi Luhur, Jakarta, tahun 2015. Kini sebagai dosen pada Sistem Informasi Universitas Teknokrat Indonesia, Bandar Lampung.
