Kombinasi Metode Aras Dan Roc Dalam Sistem Pendukung Keputusan Pemilihan Kepala Lab Teknik Komputer Dan Jaringan
Ridho Adrian*, Guidio Leonarde Ginting, Kurnia Ulfa
Fakultas Ilmu Komputer dan Sistem Informasi, Program Studi Teknik Informatika, Universitas Budidara, Medan, Indonesia Email: 1,*ridhoadrian014@email.com, 2guidio.leonard626@gmail.com, 3kurniaulfa82@gmail.com
Abstrak−Kepala laboratorium komputer adalah orang yang memimpin dan mengkoordinasikan seluruh kegiatan perencanaan, pelaksanaan dan pengendalian kegiatan di laboratorium serta menerima seluruh laporan berkala dari staff laboratorium dan mengevaluasi segala sesuatu kegiatan yang ada dan melaporkan hasil evaluasi kepada pimpinan. Namun dalam proses pemilihan, para peminat yang begitu banyak serta tahapan seleksi yang begitu panjang seperti seleksi administrasi, kompetensi dan wawancara mengakibatkan sekolah tersebut kesulitan untuk mengambil suatu keputusan dalam mendapatkan calon kepala laboratorium baru sesuai yang diharapkan. Untuk mengatasi masalah dalam pemilihan kepala laboratorium yang sulit dalam pengambilan keputusanya, maka dibutuhkan suatu sistem pendukung keputusan. Sistem pendukung keputusan adalah suatu sistem yang mampu untuk melakukan pemecahan suatu masalah serta mempermudah dalam pengambilan suatu keputusan. Metode yang digunakan untuk pengambilan keputusan yaitu dengan menggunakan kombinasi metode Additive Ratio Assessment(ARAS) dan Rank Order Centroid(ROC). Metode ini digunakan untuk melakukan penyelesaian dimana metode ROC digunakan untuk mencari nilai bobot dan metode ARAS digunakan untuk sebuah perangkingan berdasarkan kriteria yang ada seperti keahlian, jenjang pendidikan, umur, lama mengajar dan kedisiplinan. Dimana setiap kriteria mempunyai nilai bobot masing-masing dan pada alternatif akan dilakukan perangkingan. Setelah melakukan sebuah perangkingan, maka hasil yang di dapat dari kombinasi metode ARAS dan metode ROC yaitu M. Agus Salim Siregar (A4) dengan memperoleh nilai sebesar 3,2794. Hasil tersebut dapat memudahkan tim penyeleksi dalam pengambilan keputusan dan terpilih menjadi seorang kepala laboratorium teknik komputer dan jaringan di SMK Swasta Musda Perbaungan.
Kata Kunci: Sistem Pendukung Keputusan; Pemilihan Kepala Laboratorium; Additive Ratio Assessment; Rank Order Centroid;
SMK Swasta Musda Perbaungan
Abstract−The head of the computer laboratory is the person who leads and coordinates all planning, implementation and control activities in the laboratory and receives all periodic reports from laboratory staff and evaluates all existing activities and reports the results of the evaluation to the leadership. However, in the selection process, there were so many enthusiasts and the selection stages were so long, such as administration selection, competencies and interviews, that it was difficult for the school to make a decision in getting a new laboratory head candidate as expected. To overcome the problem of choosing a laboratory head who is difficult to make decisions, a decision support system is needed. A decision support system is a system capable of solving a problem and facilitating decision making. The method used for decision making is by using a combination of Additive Ratio Assessment (ARAS) and Rank Order Centroid (ROC) methods. This method is used to carry out settlements where the ROC method is used to find weight values and the ARAS method is used for a ranking based on existing criteria such as expertise, level of education, age, length of teaching and discipline. Where each criterion has its own weight value and the alternatives will be ranked. After doing a ranking, the results obtained from the combination of the ARAS method and the ROC method are M. Agus Salim Siregar (A4) with a score of 3.2794. These results can facilitate the selection team in making decisions and being elected as the head of the computer and network engineering laboratory at the Musda Perbaungan Private Vocational School.
Keywords: Decision Support System; Laboratory Head Election; Additive Ratio Assessment; Rank Order Centroid; SMK Swasta Musda Perbaungan
1. PENDAHULUAN
SMK Swasta Musda Perbaungan adalah salah satu satuan pendidikan dengan jenjang SMK yang berada dibawah naungan Kementrian Pendidikan dan Kebudayaan. Sekolah ini memiliki akreditasi A, berdasarkan sertifikat 1214/BAN- SM/SK/2018 yang beralamat di Jl. Pematang Siantar KM. 39,9 Kelurahan Tualang, Kecamatan Perbaungan, Kabupaten Serdang Bedagai, Sumatera Utara dengan kode pos 20986. Pembelajaran di sekolah ini dalam seminggu dilakukan selama 6 hari. Salah satu fasilitas yang sangat penting untuk kemajuan sekolah tersebut yaitu laboratorium komputer dengan sumber listrik yang berasal dari PLN dan diesel serta menyediakan akses internet yang digunakan untuk mendukung kegiatan belajar mengajar menjadi lebih mudah.
Laboratorium komputer merupakan sarana penting untuk mempraktikkan atau menerapkan teori dalam kegiatan pembelajaran. Seluruh sekolah menegah kejuruan, khususnya yang berprofil ilmu komputer di wilayah Indonesia, pemilihan kepala laboratorium teknik komputer dan jaringan merupakan salah satu program unggulan semua sekolah, khususnya SMK[1]. Kepala laboratorium komputer adalah orang yang memimpin dan mengkoordinasikan seluruh kegiatan perencanaan, pelaksanaan dan pengendalian kegiatan di laboratorium serta menerima laporan berkala dari staff laboratorium dan mengevaluasi kegiatan yang ada dan melaporkan hasil evaluasi kepada pimpinan. Maka dari itu, dibutuhkan pemilihan untuk meningkatkan mutu pembelajaran siswa dalam sebuah sekolah, agar dapat berkembang dan bergerak maju di masa depan[2]. Namun dalam proses pemilihan, para peminat yang begitu banyak serta tahapan seleksi yang begitu panjang seperti seleksi administrasi, kompetensi dan wawancara mengakibatkan sekolah tersebut kesulitan untuk mengambil keputusan dalam mendapatkan calon kepala laboratorium baru sesuai yang diharapkan.
Untuk mengatasi masalah dalam pemilihan kepala laboratorium yang sulit dalam pengambilan keputusannya, maka dibutuhkan suatu sistem pendukung keputusan (SPK) yang dapat memudahkan pihak SMK Swasta Musda Perbaungan
dalam menyelesaikan permasalahan serta mempermudah dalam pengambilan suatu keputusan yang akurat dan efektif pada pemilihan kepala laboratorium teknik komputer dan jaringan[3].
Sistem Pendukung Keputusan merupakan bagian dari Sistem Informasi Berbasis Komputer yang dipakai untuk mendukung pengambilan keputusan dalam sebuah organisasi atau perusahaan[4]. Banyak penelitian yang terkait dengan sistem pendukung keputusan tentang pemilihan dan penerapan kombinasi metode ROC dan ARAS. Seperti yang dilakukan oleh Masitah Handayani, dkk juga melakukan penelitian tentang implementasi metode Weight Aggregated Sum Product Assesment (WASPAS) dalam pemilihan kepala laboratorium, menyimpulkan bahwa Nilai Qi tertinggi merupakan alternatif yang akan direkomendasikan menjadi kepala laboratorium terpilih[5]. Mesran, dkk mengenai efektifitas penilaian kinerja karyawan dalam peningkatan motivasi kerja menerapkan metode Rank Order Centroid (ROC) dan Additive Ratio Assessment (ARAS), menyimpulkan bahwa hasil kinerja karyawan yang paling rendah yaitu Triani(𝐴5), sedangkan karyawan yang paling berkinerja baik yaitu Sudirman(𝐴1)[6]. Begitu juga penelitian yang dilaksanakan oleh Eva Salsa Nabila, dkk membahas tentang implementasi metode SAW dan WASPAS dengan pembobotan ROC dalam seleksi penerimaan peserta didik baru. Dari penelitian tersebut menghasilkan metode yang paling tepat yang bisa digunakan pada kasus ini adalah metode SAW[7]. Penelitian yang dilakukan oleh Liza Handayani, dkk mengenai pemilihan kepling teladan menerapkan metode Rank Order Centroid (ROC) dan metode Additive Ratio Assessment (ARAS) di Kecamatan Medan Area di dapat hasil rangking tertinggi terdapat di A12 dengan nilai 0,8997 atas nama kepling Andri Maulana Hrp[1]. Penelitian oleh Ainun Zariah, dkk tentang Sistem Pendukung Keputusan dalam penentuan non mutasi pegawai menggunakan metode ARAS, menyimpulkan bahwa Samsat Medan Selatan dapat melakukan analisa mutasi non pegawai lebih cepat[8].
Dalam penelitian ini penulis menerapkan kombinasi metode ARAS dan ROC. Kombinasi pada metode ROC penulis akan melakukan pembobotan setiap kriteria dan metode ARAS untuk melakukan perangkingan agar mengetahui alternatif terbaik dalam pemilihan kepala laboratorium teknik komputer dan jaringan yang baru pada SMK Swasta Musda Perbaungan.
2. METODOLOGI PENELITIAN
2.1 Kerangka Kerja Penelitian
Pada metode penelitian diperlukan kerangka kerja yang dilakukan dalam penelitian. Metodologi penelitian terdiri dari beberapa kerangka kerja yang terkait secara sistematis. Kerangka kerja ini diperlukan untuk mempermudah dalam melakukan penelitian. Kerangka kerja penelitian ini dapat dilihat pada tabel dibawah ini[9]:
Gambar 1. Kerangka Penelitian 1. Identifikasi Masalah
Pada kerangka kerja penelitian ini merupakan cara penulis untuk dapat memperkirakan dan mengoreksi apa yang sedang menjadi masalah pada pemilihan kepala laboratorium teknik komputer dan jaringan di SMK Swasta Musda Perbaungan.
2. Pengumpulan Data
Pada kerangka kerja ini penulis mengumpulkan data yang diperlukan untuk penelitian dan membangun sistem serta menetapkan wawancara dan observasi. Pengumpulan data ini dapat membantu penulis saat melakukan penelitian.
1. Observasi
Observasi merupaka teknik pengumpulan data dengan melakukan tinjauan langsung ke SMK Swasta Musda Perbaungan dimana akan melakukan penelitian.
2. Wawancara
Wawancara ini dilakukan untuk mendapatkan informasi tambahan dari pihak-pihak instansi yang memiliki wewenang dan berinteraksi langsung dengan sistem yang akan penulis rancang sebagai sunber data yaitu Bapak Sulaiman, S.Kom selaku Kepala Sekolah dan Bapak Diki Irwanda , S.Pd selaku Staf Admin di sekolah tersebut.
3. Studi Pustaka
Pada kerangka kerja ini dilakukan pemeriksaan terhadap objek yanga akan diteliti dengan membaca beberapa sumber referensi seperti buku-buku, jurnal dan lain-lain.
4. Analisa dan Penerapan Kombinasi Metode
Pada kerangka kerja ini yakni penulis memilih data alternatif, kriteria dan bobot kriteria, yang diperoleh menurut hasil pengamatan dan wawancara dengan pihak SMK Swasta Musda Perbaungan. Kemudian penulis menerapkan kombinasi metode ARAS dan ROC dalam pemilihan kepala laboratorium komputer.
5. Pengujian Metode dan Penetapan Hasil
Pada kerangka kerja ini adalah tahap mengimplementasi kepada pengujian kombinasi metode ARAS dan ROC dengan menghitung nilai total dari preferensi. Setelah itu, menetapkan hasil akhir dari metode tersebut yang berguna untuk mengetahui alternatif mana yang terbaik untuk pemilihan kepala laboratorium teknik komputer dan jaringan di SMK Swasta Musda Perbaungan.
6. Membuat Laporan Penelitian
Pada kerangka kerja ini yakni membuat kesimpulan terhadap hasil penelitian yang di dapat berdasarkan langkah- langkah sebelumnya, pengumpulan seluruh data, bahan, dan hasil pengujian dengan kombinasi metode ARAS dan ROC pada pemilihan kepala laboratorium teknik komputer dan jaringan yang dituliskan kedalam hasil laporan penelitian. Setelah membuat kesimpulan, kemudian penulis menuliskan membutuhkan saran guna untuk dijadikan masukan atau koreksi yang bermanfaat bagi tempat penelitian.
2.2 Sistem Pendukung Keputusan
Sistem pendukung keputusan adalah suatu sistem yang dapat mempermudah seseorang maupun kelompok dalam pengambilan keputusan dari suatu masalah yang terstruktur maupun tidak terstruktur berdasarkan berbagai alternatif yang ada[10]–[12].
2.3 Kepala Laboratorium Komputer
Laboratorium komputer merupakan tempat riset ilmiah, eksperimen, pengukuran ataupun pelatihan ilmiah yang berhubungan dengan ilmu komputer dan memiliki beberapa komputer dalam satu jaringan untuk penggunaan oleh kalangan tertentu. Kepala laboratorium komputer adalah orang yang memimpin dan mengkoordinasikan seluruh kegiatan perencanaan, pelaksanaan dan pengendalian kegiatan di laboratorium. Kepala Laboratorium menerima laporan berkala dari staff dan mengevaluasi kegiatan yang ada serta melaporkan hasil evaluasi kepada pemimpin[5].
2.4 Metode Rank Order Centroid (ROC)
Untuk menghasilkan keputusan yang tepat, tentu didukung oleh bobot yang ideal. Dalam penelitian, bobot terhadap kriteria akan di hasilkan menggunakan metode Rank Order Centroid (ROC). Metode ROC merupakan metode yang menitik beratkan terhadap prioritas kriteria menjadi yang utama[13], [14]. Dalam hal ini, kriteria-1 merupakan prioritas yang tertinggi dibandingkan kriteria ke 2, begitu juga kriteria ke- 2 merupakan priotitas tertinggi bila dibandingkan kriteria ke 3, selanjutnya dilakukan langkah yang sama hingga pritoritas kriteria yang terendah. Hal ini dapat dilihat pada persamaan ke 1.
Cr1≥ Cr2≥ Cr3≥ ⋯ ≥ Cm (1)
Sehingga setelah di proses akan menghasilkan:
W1≥ W2≥ W3≥ ⋯ ≥ Cm (2)
Untuk mendapatkan nilai bobot(W), maka digunakan persamaan ke 3, sebagai berikut:
𝑊𝑚= 1
𝑚∑ (1
𝑖)
𝑚1=1 (3)
Hasil dari total 𝑊𝑚, yaitu bernilai 1.
Keterangan :
W : Bobot Kriteria m : Jumlah Baris i : Baris
2.5 Metode Additive Ratio Assessment (ARAS)
Additive Ratio Assessment (ARAS) adalah sebuah metode yang digunakan untuk perangkingan kriteria, dalam melakukan proses perangkingan[15], [16]. Tahapan yang digunakan dalam metode ARAS yaitu:
1. Membuat Matrik Keputusan (𝑋𝑖𝑗)
𝑋𝑖𝑗= [
𝑋01 𝑋02 𝑋11 𝑋12
∙ ∙
∙ 𝑋0𝑛
∙ 𝑋1𝑛
∙ ∙
𝑋𝑚1 𝑋𝑚2 ∙ 𝑋𝑚𝑛
] (4)
Jika nilai optimum kriteria 𝑋0𝑗 tidak diketahui, maka:
𝑋0𝑗= 𝑀𝑎𝑥
1 ( Benefit) (5)
𝑋0𝑗= 𝑀𝑖𝑛
1 (Cost) (6)
2. Menghitung Normalisasi (𝑋𝑖𝑗∗)
Apabila kriteria benefit (Max), maka dilakukan normalisasi dengan persamaan:
𝑋𝑖𝑗∗ = ∑ 1
𝑋𝑖𝑗
𝑚𝑖=0 (7)
Dimana 𝑋𝑖𝑗∗ adalah nilai normalisasi.
Apabila kriteria non benefit, maka dilakukan normalisasi dengan persamaan:
Tahap 1 : 𝑋𝑖𝑗∗ = 𝑋1
𝑖𝑗 (8)
Tahap 2 : R = 𝑋𝑖𝑗
∗
∑𝑚𝑖=0𝑋𝑖𝑗∗ (9)
3. Menentukan bobot matriks yang sudah dinormalisasikan (𝐷𝑖𝑗)
𝐷𝑖𝑗 = 𝑋𝑖𝑗∗ ∗ 𝑊𝑗 (10)
Dimana Si adalah nilai fungsi optimalisasi alternatif i. Nilai terbesar adalah nilai yang terbaik, dan nilai paling kecil adalah yang terburuk. Dengan memperhitungkan proses hubungan profosional dengan nilai dan bobot kriteria yang diteliti berpengaruh pada hasil akhir.
4. Mencari nilai fungsi optimalisasi (𝑆𝑖)
𝑆𝑖= ∑𝑚𝑗=1𝐷𝑖𝑗 (11)
5. Menentukan tingkatan peringkat tertinggi dari alternatif (𝐾𝑖) 𝐾𝑖=𝑆𝑖
𝑆𝑜 (12)
3. HASIL DAN PEMBAHASAN
3.1 Penetapan Kriteria, Bobot, Alternatif
Dalam pemilihan kepala laboratorium teknik komputer dan jaringan terdapat kriteria-kriteria yang harus dipenuhi dan pembuatan bobot pada penelitian menggunakan metode Rank Order Centroid (ROC). Rank Order Centroid (ROC) merupakan metode dalam mendapatkan nilai-nilai bobot yang diperlukan dalam pembuatan sistem pendukung keputusan. Metode ROC dibuat berdasarkan kriteria yang dianggap sebagai prioritas dengan cara memberikan bobot kriteria berdasarkan penilaian ranking prioritas. Prioritas diberikan kepada nilai tertinggi sebagai penilaian paling penting dari nilai lainnya. Alternatif dan kriteria yang sudah ditetapkan terlihat pada tabel 1 dibawah ini:
Tabel 1. Kriteria
Kode Kriteria Jenis
C1 Keahlian Benefit
C2 Jenjang Pendidikan Benefit
C3 Umur Cost
C4 Lama Mengajar Benefit C5 Kedisiplinan Benefit
Berdasarkan pilihan yang telah ditetapkan oleh pihak SMK Swasta Musda Perbaungan dalam pemilihan kepala laboratorium teknik komputer dan jaringan yakni wajib memenuhi beberapa kriteria seperti terlihat pada gambar diatas.
Penjelasan setiap kriteria bisa dilihat seperti dibawah ini:
1. Keahlian dalam penggunaan komputer dapat diartikan sebagai kemampuan seseorang untuk mengoperasikan komputer didukung dengan kemampuan intelektual yang memadai baik diperoleh melalui bakat bawaan maupun dengan cara belajar. Berikut kriteria yang ditetapkan oleh SMK Swasta Musda Perbaungan untuk nilai pembobotan keahlian:
Tabel 2. Kriteria Keahlian No. Keterangan Bobot
1. Sangat Ahli 5 2. Cukup Ahli 3 3. Kurang Ahli 1
2. Jenjang Pendidikan merupakan tingkatan pendidikan yang dimiliki seseorang berdasarkan tingkat perkembangannya. Jikalau tingkat pendidikannya semakin tinggi, maka akan semakin besar peluang diterima dalam penerimaan rekruitmen tenaga kerja mandiri. Berikut yang telah ditetapkan pada SMK Swasta Musda Perbaungan dapat dilihat tabel untuk nilai pembobotan jenjang pendidikan:
Tabel 3. Kriteria Jenjang Pendidikan
No. Tingkat Bobot
1. S1 5
2. D3 3
3. SMA/SMK 1
3. Umur adalah kurun waktu sejak adanya seseorang dan dapat diukur menggunakan satuan yang dipandang dari segi kronologisnya. Adapun umur yang ditentukan oleh SMK Swasta Musda Perbaungan yaitu mulai dari 20-50 tahun.
Semakin tua usia pelamar, maka kesempatan untuk diterima akan semakin kecil.
4. Lama mengajar sangat lah diperlukan bagi kesuksesan masa depan sebuah sekolah, dimana guru telah berpengalaman dari hal buruk yang dia lalui saat mengajar murid-murid sebelumnnya sehingga percaya akan mudah dalam memecahkan masalah dan menemukan solusi terbaiknya jika sewaktu-waktu masalah tersebut muncul lagi.
Berikut kriteria telah ditetapkan oleh SMK Swasta Musda Perbaungan dapat dilihat tabel untuk nilai pembobotan lama mengajar:
Tabel 4. Kriteria Lama Mengajar No. Keterangan Bobot
1. 21-30 Tahun 5 2. 11-20 Tahun 3 3. 1-10 ahun 1
5. Kedisiplinan dalam bekerja merupakan kriteria yang juga berpengaruh sebagai nilai tambah dalam proses pemilihan kepala laboratorium teknik komputer dan jaringan di SMK Swasta Musda Perbaungan. Seseorang yang disiplin menjalankan berbagai macam tugas dalam hal apapun itu menjadi salah satu kriteria yang mendukung untuk menjadi salah satu kepala laboratorium teknik komputer dan jaringan. Berikut dapat dilihat tabel untuk nilai pembobotan kedisiplinan:
Tabel 5. Kriteria Kedisiplinan No. Keterangan Bobot
1. Sangat Baik 5
2. Baik 4
3. Cukup Baik 3 4. Kurang Baik 2 5. Tidak Baik 1
Langkah selanjutnya menentukan Kriteria Penilaian untuk setiap Alternatif, terdapat pada tabel 6.
Tabel 6. Alternatif
Alternatif C1 C2 C3 C4 C5
Aditya Utama, S.Kom Sangat Ahli S1 23 2 tahun Cukup Baik Akmal Hendanu, ST Kurang Ahli S1 26 6 tahun Baik Devi Uliyana Rangkuti, A.Md Kurang Ahli D3 25 2 tahun Baik M. Agus Salim Siregar, S.Kom Sangat Ahli S1 25 6 tahun Sangat Baik Nirwanda Desmila Putri, S.Kom Sangat Ahli S1 24 2 tahun Cukup Baik Nurmaulida Desliana, SE Kurang Ahli S1 38 2 tahun Cukup Baik Rajali Limbong, S.Kom Sangat Ahli S1 34 11 tahun Sangat Baik Ramlah Sinaga, S.Kom Cukup Ahli S1 49 26 tahun Sangat Baik
Rista, S.Kom Sangat Ahli S1 25 2 tahun Baik Rusdi, S.Kom Sangat Ahli S1 34 12 tahun Sangat Baik Rinaldi Maulana, S.Kom Sangat Ahli S1 23 2 tahun Cukup Baik Sandra Sugiarto, S.Kom Sangat Ahli S1 29 3 tahun Baik
Supriadi, SE Cukup Ahli S1 50 27 tahun Cukup Baik Suwandi Tamba,ST Kurang Ahli S1 30 5 tahun Sangat Baik Zubaidah,SE Cukup Ahli S1 40 17 tahun Cukup Baik Langkah selanjutnya pembuatan rating kecocokan pada kriteria pada tabel 7.
Tabel 7. Nilai Rating Kecocokan Kriteria
Alternatif C1 C2 C3 C4 C5
Aditya Utama, S.Kom (A1) 5 5 23 1 3 Akmal Hendanu, ST (A2) 1 5 26 1 4 Devi Uliyana Rangkuti, A.Md (A3) 1 3 25 1 4 M. Agus Salim Siregar, S.Kom (A4) 5 5 25 1 5 Nirwanda Desmila Putri, S.Kom (A5) 5 5 24 1 3
Nurmaulida Desliana, SE (A6) 1 5 38 1 3 Rajali Limbong, SE.,S.Kom (A7) 5 5 34 3 5 Ramlah Sinaga, S.Pd,.S.Kom (A8) 3 5 49 5 5
Rista, S.Kom (A9) 5 5 25 1 4
Rusdi, S.Kom (A10) 5 5 34 3 5
Rinaldi Maulana, S.Kom (A11) 5 5 23 1 3 Sandra Sugiarto, S.Kom (A12) 5 5 29 1 4 Supriadi, SE,.S.Pd.I (A13) 3 5 50 5 3 Suwandi Tamba,ST (A14) 1 5 30 1 5
Zubaidah,S.Kom (A15) 5 5 40 3 3
Type Kriteria Max Max Min Max Max Jika nilai optimum kriteria 𝑋0𝑗 belum diketahui maka:
Untuk kriteria C1 : 𝐴0=𝑀𝑎𝑥
1 =5
1= 5 Untuk kriteria C2 : 𝐴0=𝑀𝑎𝑥
1 =5
1= 5 Untuk kriteria C3 : 𝐴0=𝑀𝑖𝑛
1 =23
1 = 23 Untuk kriteria C4 : 𝐴0=𝑀𝑎𝑥
1 =5
1= 5 Untuk kriteria C5 : 𝐴0=𝑀𝑎𝑥
1 =5
1= 5
Tabel 8. Penilaian Alternatif Untuk Setiap Kriteria Alternatif C1 C2 C3 C4 C5
𝐴0 5 5 23 5 5
𝐴1 5 5 23 1 3
𝐴2 1 5 26 1 4
𝐴3 1 3 25 1 4
𝐴4 5 5 25 1 5
𝐴5 5 5 24 1 3
𝐴6 1 5 38 1 3
𝐴7 5 5 34 3 5
𝐴8 3 5 49 5 5
𝐴9 5 5 25 1 4
𝐴10 5 5 34 3 5
𝐴11 5 5 23 1 3
𝐴12 5 5 29 1 4
𝐴13 3 5 50 5 3
𝐴14 1 5 30 1 5
𝐴15 5 5 40 3 3
Type Kriteria Max Max Min Max Max 3.2 Penerapan Metode ROC
Dalam penerapannya, Pembobotan nilai dengan menggunakan metode Rank Order Centroid (ROC) terhadap kriteria diatas menghasilkan perhitungan seperti dibawah ini:
W1=1+
1 2+13+14+15
5 = 0,457 W2=0+
1 2+13+14+15
5 = 0,257 W3=0+0+
1 3+14+15
5 = 0,156 W4=0+0+0+
1 4+15
5 = 0,090 W5=0+0+0+0+
1 5
5 = 0,040
Sehingga didapat nilai bobot kriteria yaitu W1=0,456, W2=0,256, W3=0,156, W4=0,090, dan W5=0,040. Alternatif dan kriteria yang sudah dilakukan pembobotan terlihat pada tabel 4.4 dibawah ini:
Tabel 9. Nilai Bobot Kriteria Kode Kriteria Bobot
C1 Keahlian 0,457
C2 Jenjang Pendidikan 0,257
C3 Umur 0,156 C4 Lama Mengajar 0,090 C5 Kedisiplinan 0,040 3.3 Penerapan Metode ARAS
Pada bagian ini diuraikan langkah-langkah penyelesaian metode ARAS dalam pemilihan kepala laboratorium teknik komputer dan jaringan:
1. Membuat Matriks Keputusan (𝑋𝑖𝑗)
Pada fase pertama matrik 𝑋𝑖𝑗 diperoleh dari nilai alternatif untuk semua kriteria yang terdapat pada tabel 4.8 diatas.
𝑋𝑖𝑗=
[ 5 5
5 5
23 23
5 1
5 3
1 5 26 1 4
1 3 25 1 4
5 5 25 1 5
5 5 24 1 3
1 5 38 1 3
5 5 34 3 5
3 5 49 5 5
5 5 25 1 4
5 5 5 3 1 5
5 5 5 5 5 5
34 23 29 50 30 40
3 1 1 5 1 3
5 3 4 3 5 2. Menghitung Normalisasi (𝑋3] 𝑖𝑗∗)
Kriteria C1 : Benefit
𝑋01∗ = 5
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 5
60= 0,083
𝑋11∗ = 5
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 5
60= 0,083
𝑋21∗ = 1
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 1
60= 0,017
𝑋31∗ = 1
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 1
60= 0,017
𝑋41∗ = 5
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 5
60= 0,083
𝑋51∗ = 5
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 5
60= 0,083
𝑋61∗ = 1
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 1
60= 0,017
𝑋71∗ = 5
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 5
60= 0,083
𝑋81∗ = 3
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 3
60= 0,050
𝑋91∗ = 5
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 5
60= 0,083
𝑋101∗ = 5
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 5
60= 0,083
𝑋111∗ = 5
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 5
60= 0,083
𝑋121∗ = 5
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+5= 5
60= 0,083
𝑋131∗ = 3
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+3= 3
60= 0,050
𝑋141∗ = 1
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+3= 1
60= 0,017
𝑋151∗ = 3
5+5+1+1+5+5+1+5+3+5+5+5+5+3+1+3= 3
60= 0,050 Kriteria C2 : Benefit
𝑋02∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋12∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋22∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋32∗ = 3
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 3
78= 0,038
𝑋42∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋52∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋62∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋72∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋82∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋92∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋102∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋112∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋122∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋132∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋142∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064
𝑋152∗ = 5
5+5+5+3+5+5+5+5+5+5+5+5+5+5+5+5= 5
78= 0,064 Kriteria C3 : Cost
𝑋03∗ = 1
23= 0,043
𝑅03= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,043 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,043
0,544= 0,079 𝑋13∗ = 1
23= 0,043
𝑅13= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,043 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,043
0,544= 0,079 𝑋23∗ = 1
26= 0,038
𝑅23= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,038 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,038
0,544= 0,069 𝑋33∗ = 1
25= 0,040
𝑅33= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,040 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,040
0,544= 0,073 𝑋03∗ = 1
25= 0,040
𝑅43= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,040 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,040
0,544= 0,073 𝑋03∗ = 1
24= 0,041
𝑅53= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,041 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,041
0,544= 0,075 𝑋03∗ = 1
38= 0,026
𝑅63= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,026 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,026
0,544= 0,047 𝑋03∗ = 1
34= 0,029
𝑅73= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,029 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,029
0,544= 0,053 𝑋03∗ = 1
49= 0,020
𝑅83= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,020 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,020
0,544= 0,036 𝑋03∗ = 1
25= 0,040
𝑅93= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,040 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,040
0,544= 0,073 𝑋03∗ = 1
34= 0,029
𝑅103= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,029 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,029
0,544= 0,053 𝑋03∗ = 1
23= 0,043
𝑅113= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,043 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,043
0,544= 0,079 𝑋03∗ = 1
29= 0,034
𝑅123= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,034 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,034
0,544= 0,062 𝑋03∗ = 1
50= 0,020
𝑅133= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,020 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,020
0,544= 0,036 𝑋03∗ = 1
30= 0,033
𝑅143= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,033 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,033
0,544= 0,060 𝑋03∗ = 1
40= 0,025
𝑅153= 0,043+0,043+0,038+0,04+0,04+0,041+0,026+0,025 0,029+0,020+0,04+0,029+0,043+0,034+0,02+0,033+0,025
=0,025
0,544= 0,046 Kriteria C4 : Benefit
𝑋04∗ = 5
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 5
34= 0,147
𝑋14∗ = 1
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 1
34= 0,029
𝑋24∗ = 1
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 1
34= 0,029
𝑋34∗ = 1
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 1
34= 0,029
𝑋44∗ = 1
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 1
34= 0,029
𝑋54∗ = 1
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 1
34= 0,029
𝑋64∗ = 1
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 1
34= 0,029
𝑋74∗ = 3
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 3
34= 0,088
𝑋84∗ = 5
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 5
34= 0,147
𝑋94∗ = 1
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 1
34= 0,029
𝑋104∗ = 3
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 3
34= 0,088
𝑋114∗ = 1
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 1
34= 0,029
𝑋124∗ = 1
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 1
34= 0,029
𝑋134∗ = 5
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 5
34= 0,147
𝑋144∗ = 1
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 1
34= 0,029
𝑋154∗ = 3
5+1+1+1+1+1+1+3+5+1+3+1+1+5+1+3= 3
34= 0,088 Kriteria C5 : Benefit
𝑋05∗ = 5
5+3+4+4+5+3+3+5+5+4+5+3+4+3+5+3= 5
64= 0,078
𝑋15∗ = 3
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 3
64= 0,047
𝑋25∗ = 4
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 4
64= 0,062
𝑋35∗ = 4
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 4
64= 0,062
𝑋45∗ = 5
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 5
64= 0,078
𝑋55∗ = 3
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 3
64= 0,047
𝑋65∗ = 3
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 3
64= 0,047
𝑋75∗ = 5
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 5
64= 0,078
𝑋85∗ = 5
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 5
64= 0,078
𝑋95∗ = 4
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 4
64= 0,062
𝑋105∗ = 5
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 5
64= 0,078
𝑋115∗ = 3
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 3
64= 0,047
𝑋125∗ = 4
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 4
64= 0,062
𝑋135∗ = 3
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 3
64= 0,047
𝑋145∗ = 5
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 5
64= 0,078
𝑋155∗ = 3
5+3+4+2+5+3+1+2+5+4+5+2+3+5+5+3= 3
64= 0,047 Hasil dari normalisasi sebagai berikut:
𝑋𝑖𝑗∗ =
[
0,083 0,064 0,079 0,147 0,078 0,083 0,064 0,079 0,029 0,047 0,017
0,017 0,083 0,083 0,017 0,083 0,050 0,083 0,083 0,083 0,083 0,050 0,017 0,050
0,064 0,038 0,064 0,064 0,064 0,064 0,064 0,064 0,064 0,064 0,064 0,064 0,064 0,064
0,069 0,073 0,073 0,075 0,047 0,053 0,036 0,073 0,053 0,079 0,062 0,036 0,060 0,045
0,029 0,029 0,029 0,029 0,029 0,088 0,147 0,029 0,088 0,029 0,029 0,147 0,029 0,088
0,062 0,062 0,078 0,047 0,047 0,078 0,078 0,062 0,078 0,047 0,062 0,047 0,078 0,047]
3. Menentukan bobot matriks yang sudah dinormalisasikan (𝐷𝑖𝑗)
Setelah sudah dinormalisasikan maka hasil normalisasi dikali dengan bobot, rumusnya sebagai berikut:
𝐷𝑖𝑗 = 𝑋𝑖𝑗∗ ∗ 𝑊𝑗
𝐷𝑖𝑗=
[
0,083 0,064 0,079 0,147 0,078 0,083 0,064 0,079 0,029 0,047 0,017
0,017 0,083 0,083 0,017 0,083 0,050 0,083 0,083 0,083 0,083 0,050 0,017 0,050
0,064 0,038 0,064 0,064 0,064 0,064 0,064 0,064 0,064 0,064 0,064 0,064 0,064 0,064
0,069 0,073 0,073 0,075 0,047 0,053 0,036 0,073 0,053 0,079 0,062 0,036 0,060 0,045
0,029 0,029 0,029 0,029 0,029 0,088 0,147 0,029 0,088 0,029 0,029 0,147 0,029 0,088
0,062 0,062 0,078 0,047 0,047 0,078 0,078 0,062 0,078 0,047 0,062 0,047 0,078 0,047]
X
𝑊 = [0,457 0,257 0,156 0,090 0,040]
Maka, hasil dari normalisasi dikali bobot sebagai berikut:
𝐷𝑖𝑗=
[
0,0780 0,0164 0,0123 0.0132 0,0031 0,0780 0,0164 0,0123 0,0026 0,0019 0,0077
0,0077 0,0780 0,0780 0,0077 0,0780 0,0228 0,0780 0,0780 0,0780 0,0780 0,0228 0,0077 0,0780
0,0164 0,0098 0,0164 0,0164 0,0164 0,0164 0,0164 0,0164 0,0164 0,0164 0,0164 0,0164 0,0164 0,0164
0,0108 0,0114 0,0114 0,0117 0,0073 0,0083 0,0056 0,0114 0,0083 0,0123 0,0097 0,0056 0,0093 0,0070
0,0026 0,0026 0,0026 0,0026 0,0026 0,0079 0,0132 0,0026 0,0079 0,0026 0,0026 0,0132 0,0026 0,0079
0,0025 0,0025 0,0031 0,0019 0,0019 0,0031 0,0031 0,0025 0,0031 0,0019 0,0025 0,0019 0,0031 0,0019]
4. Mencari Nilai Fungsi Optimalisasi (𝑆𝑖)
𝑆0= 0,0780 + 0,0164 + 0,0123 + 0,0132 + 0,0031 = 0,1230 𝑆1= 0,0780 + 0,0164 + 0,0123 + 0,0026 + 0,0019 = 0,1112
𝑆2= 0,0077 + 0,0164 + 0,0108 + 0,0026 + 0,0025 = 0,0400 𝑆3= 0,0077 + 0,0098 + 0,0114 + 0,0026 + 0,0025 = 0,0340 𝑆4= 0,0780 + 0,0164 + 0,0114 + 0,0026 + 0,0031 = 0,1115 𝑆5= 0,0780 + 0,0164 + 0,0117 + 0,0026 + 0,0019 = 0,1106 𝑆6= 0,0077 + 0,0164 + 0,0073 + 0,0026 + 0,0019 = 0,3599 𝑆7= 0,0780 + 0,0164 + 0,0083 + 0,0079 + 0,0031 = 0,1137 𝑆8= 0,0228 + 0,0164 + 0,0056 + 0,0132 + 0,0031 = 0,0611 𝑆9= 0,0780 + 0,0164 + 0,0114 + 0,0026 + 0,0025 = 0,1109 𝑆10= 0,0780 + 0,0164 + 0,0083 + 0,0079 + 0,0031 = 0,1137 𝑆11= 0,0780 + 0,0164 + 0,0123 + 0,0026 + 0,0019 = 0,1112 𝑆12= 0,0780 + 0,0164 + 0,0097 + 0,0026 + 0,0025 = 0,1092 𝑆13= 0,0228 + 0,0164 + 0,0056 + 0,0132 + 0,0019 = 0,0599 𝑆14= 0,0077 + 0,0164 + 0,0093 + 0,0026 + 0,0031 = 0,0391 𝑆15= 0,0780 + 0,0164 + 0,0070 + 0,0079 + 0,0019 = 0,1112
Setelah melakukan perhitungan maka akan mendapatkan hasil seperti tabel dibawah ini.
Tabel 10. Nilai Optimalisasi
Alternatif C1 C2 C3 C4 C5 𝑺𝒊
𝐴0 0,0780 0,0164 0,0123 0,0132 0,0031 0,1230 𝐴1 0,0780 0,0164 0,0123 0,0026 0,0019 0,1112 𝐴2 0,0077 0,0164 0,0108 0,0026 0,0025 0,0400 𝐴3 0,0077 0,0098 0,0114 0,0026 0,0025 0,0340 𝐴4 0,0780 0,0164 0,0114 0,0026 0,0031 0,1115 𝐴5 0,0780 0,0164 0,0117 0,0026 0,0019 0,1106 𝐴6 0,0077 0,0164 0,0073 0,0026 0,0019 0,3599 𝐴7 0,0780 0,0164 0,0083 0,0079 0,0031 0,1137 𝐴8 0,0228 0,0164 0,0056 0,0132 0,0031 0,0611 𝐴9 0,0780 0,0164 0,0114 0,0026 0,0025 0,1109 𝐴10 0,0780 0,0164 0,0083 0,0079 0,0031 0,1137 𝐴11 0,780 0,0164 0,0123 0,0026 0,0019 0,1112 𝐴12 0,0780 0,0164 0,0097 0,0026 0,0025 0,1092 𝐴13 0,0228 0,0164 0,0056 0,0132 0,0019 0,0599 𝐴14 0,0077 0,0164 0,0093 0,0026 0,0031 0,0391 𝐴15 0,0780 0,0164 0,0070 0,0079 0,0019 0,1112 5. Menentukan tingkatan peringkat tertinggi dari alternatif (𝐾𝑖)
𝐾1=0,1112
0,1230= 0,9041 𝐾2=0,0400
0,1112= 0,3597 𝐾3=0,0340
0,0400= 0,8500 𝐾4=0,1115
0,0340= 3,2794 𝐾5=0,1106
0,1115= 0,9919 𝐾6=0,3599
0,1106= 3,2541 𝐾7=0,1137
0,3599= 0,3159 𝐾8=0,0611
0,1137= 0,5374 𝐾9=0,1109
0,0611= 1,8150 𝐾10=0,1137
0,1109= 1,0252 𝐾11=0,1112
0,1137= 0,9780 𝐾12=0,1092
0,1112= 0,9820 𝐾13=0,0599
0,1092= 0,5485 𝐾14=0,0391
0,0599= 0,6527 𝐾15=0,1112
0,0391= 2,8440
Setelah melakukan perhitungan maka akan mendapatkan hasil seperti tabel dibawah ini.
Tabel 11. Nilai Optimalisasiasil Perangkingan
Alternatif Nama 𝑺𝒊 𝑲𝒊 Rangking
𝐴0 - 0,1230 - -
𝐴1 Aditya Utama, S.Kom 0,1112 0,9041 9
𝐴2 Akmal Hendanu, ST 0,0400 0,3597 14
𝐴3 Devi Uliyana Rangkuti, A.Md 0,0340 0,8500 10 𝐴4 M. Agus Salim Siregar, S.Kom 0,1115 3,2794 1 𝐴5 Nirwanda Desmila Putri, S.Kom 0,1106 0,9919 6 𝐴6 Nurmaulida Desliana, SE 0,3599 3,2541 2 𝐴7 Rajali Limbong, S.Kom 0,1137 0,3159 15 𝐴8 Ramlah Sinaga, S.Kom 0,0611 0,5374 13
𝐴9 Rista, S.Kom 0,1109 1,8150 4
𝐴10 Rusdi, S.Kom 0,1137 1,0252 5
𝐴11 Rinaldi Maulana, S.Kom 0,1112 0,9780 8 𝐴12 Sandra Sugiarto, S.Kom 0,1092 0,9820 7
𝐴13 Supriadi, SE 0,0599 0,5485 12
𝐴14 Suwandi Tamba, ST 0,0391 0,6527 11
𝐴15 Zubaidah, SE 0,1112 2,8440 3
Berdasarkan hasil pengujian diatas, maka diperoleh hasil alternatif yang paling baik yakni M. Agus Salim Siregar, S.Kom (A4) memperoleh nilai sebesar 3,2794. Sehingga M. Agus Salim Siregar, S.Kom terpilih menjadi kepala laboratorium teknik komputer dan jaringan.
4. KESIMPULAN
Berdasarkan hasil dan pembahasan, suatu penelitian dapat memudahkan dalam pemilihan kepala laboratorium sebagaimana dilakukan serta dapat menentukan alternatif dan membuat perangkingan dalam menentukan jumlahnya yaitu dengan metode ARAS, hasil akhir yang diperoleh dalam menghitung nilai alternatif terbaik yaitu A4 untuk M.
Agus Salim Siregar, S.Kom sebesar 3,2794. Dalam pengambilan suatu keputusan yang melibatkan banyak kriteria alternatif pilihan, metode ROC dan ARAS sangat cocok digunakan karena metode ini memperlihatkan perbandingan antara berbagai macam kriteria. Dengan hasil kombinasi metode ROC dan ARAS dapat mempermudah dalam proses pemilihan kepala laboratorium teknik komputer dan jaringan sedemikian rupa. Dalam Sistem Pendukung Keputusan pemilihan kepala laboratorium komputer mempermudah pihak SMK Swasta Musda Perbaungan memilih kepala laboratorium teknik komputer dan jaringan. Adapun tahapan penelitian yang dilakukan adalah Identifikasi Masalah, Pengumpulan Data, Studi Pustaka, Analisa dan Penerapan Kombinasi Metode ROC dan ARAS, dan Penulisan Laporan Penelitian. Maka dari itu Peneliti berharap seluruh isi yang tercantum pada artikel ini dapat bermanfaat kedepannya dalam pemilihan kepala laboratorium teknik komputer dan jaringan dan saran dari peneliti agar lebih objektif dalam pemilihan kepala laboratorium teknik komputer dan jaringan disekolah manapun. Akhir kata peneliti mengucapkan sekian dan terima kasih.
REFERENCES
[1] L. Handayani, M. Syahrizal, and K. Tampubolon, “Pemilihan Kepling Teladan Menerapkan Metode Rank Order Centroid (Roc) Dan Metode Additive Ratio Assessment (Aras) Di Kecamatan Medan Area,” KOMIK (Konferensi Nas. Teknol. Inf.
dan Komputer), vol. 3, no. 1, pp. 532–538, 2019, doi: 10.30865/komik.v3i1.1638.
[2] T. R. Sitompul and N. A. Hasibuan, “Sistem Pendukung Keputusan Seleksi Tenaga Kerja Untuk Security Service Menggunakan Metode Aras,” J. Media Inform. Budidarma, vol. 2, no. 1, pp. 1–9, 2018, doi: 10.30865/mib.v2i1.812.
[3] N. A. H. Lia Ciky Lumban Gaol, “SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN TEAM LEADER SHIFT TERBAIK DENGAN MENGGUNAKAN METODE ARAS STUDI KASUS PT. ANUGRAH BUSANA INDAH Lia,” Inf.
dan Teknol. Ilm., vol. 13, no. 1, pp. 16–21, 2018.
[4] Y. Yohanes and A. Hajjah, “Sistem Penunjang Keputusan Rekomendasi Tenaga Kerja Menggunakan Metode Multi Factor Evaluation Process ( Studi Kasus : STIKOM Pelita Indonesia ),” J. Mhs. Apl. Teknol. Komput. dan Inf., vol. 1, no. 2, pp.
110–114, 2019.
[5] M. Handayani and N. Marpaung, “Implementasi Metode Weight Aggregated Sum Product Assesment (Waspas) Dalam Pemilihan Kepala Laboratorium,” Semin. Nas. R. 2018 ISSN 2622-9986 STMIK R. R. ISSN 2622-6510 , vol. 9986, no.
September, pp. 253 – 258, 2018.
[6] M. Mesran, J. Afriany, and S. H. Sahir, “Efektifitas Penilaian Kinerja Karyawan Dalam Peningkatan Motivasi Kerja Menerapkan Metode Rank Order Centroid (ROC) dan Additive Ratio Assessment (ARAS),” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 813, 2019, doi: 10.30645/senaris.v1i0.88.
[7] E. S. Nabila, R. Rahmawati, and T. Widiharih, “IMPLEMENTASI METODE SAW DAN WASPAS DENGAN PEMBOBOTAN ROC DALAM SELEKSI PENERIMAAN PESERTA DIDIK BARU (Studi Kasus: Madrasah Tsanawiyah (MTs) Negeri Kisaran Kabupaten Asahan Provinsi Sumatera Utara Tahun Ajaran 2018/2019),” J. Gaussian, vol. 8, no. 4, pp. 428–438, 2019, doi: 10.14710/j.gauss.v8i4.26723.
[8] R. T. Lubis, F. Rizky, and R. Gunawan, “Penentuan Mutasi Karyawan Menggunakan Metode Additive Ratio Assesment ( ARAS ),” vol. 1, pp. 41–52, 2022.
[9] L. F. Israwan, “Penerapan Multi-Objective Optimization On The Basis Of Ratio (Moora) Dalam Penentuan Asisten Laboratorium,” J. Ilm. Ilmu Komput., vol. 5, no. 1, pp. 19–23, 2019, doi: 10.35329/jiik.v5i1.28.
[10] A. Triayudi, F. Nugroho, and A. G. Simorangkir, “Sistem Pendukung Keputusan Dalam Penilaian Kinerja Supervisor Menggunakan Metode COPRAS Dengan Pembobotan ROC,” vol. 3, no. 4, pp. 461–468, 2022, doi:
10.47065/josyc.v3i4.2214.
[11] D. W. Sipahutar, “Sistem Pendukung Keputusan Pemilihan Teknisi Broadcasting Pada TVRI Medan Menerapkan Metode MABAC,” vol. 8, no. 2, pp. 55–63, 2021, doi: 10.30865/jurikom.v8i2.2829.
[12] V. No, M. Badaruddin, and M. Lasena, “DECISION SUPPORT SYSTEM OF EMPLOYEE PERFORMANCE ASSESSMENT APPLYING COMBINATION SIMPLE ADDITIVE WEIGHTING ( SAW ) METHOD WITH RANK ORDER CENTROID ( ROC ),” vol. 2, no. 12, pp. 37–42, 2021.
[13] Nindian Puspa Dewi, Ubaidi, and Elsi Maharani, “Sistem Pendukung Keputusan Pemilihan Sales Terbaik Menggunakan Metode Rank Order Centroid (ROC) dan Additive Ratio Assessment (ARAS) Berbasis Web,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 12, no. 2, pp. 172–183, 2021, doi: 10.31849/digitalzone.v12i2.7721.
[14] R. Addenan and W. Susanti, “Penerapan Metode Rank Order Centroid dan Additive Ratio Assessment Pada Aplikasi Rekomendasi Supplier,” Edumatic J. Pendidik. Inform., vol. 5, no. 1, pp. 31–40, 2021, doi: 10.29408/edumatic.v5i1.3252.
[15] H. Susanto, I. Pendahuluan, A. S. P. Keputusan, P. Decision, and M. Matrix, “PENERAPAN METODE ADDITIVE RATIO ASSESSMENT ( ARAS ) DALAM PENDUKUNG KEPUTUSAN PEMILIHAN SUSU GYM,” vol. 13, pp. 1–5, 2018.
[16] D. Simarmata, D. Marisa Midyanti, and R. Hidayati, “Implementasi Metode Additive Ratio Assesment (Aras) Untuk Rekomendasi Pasien Kunjungan Sehat Pada Fasilitas Kesehatan Tingkat Pertama Dr Josepb Nugroho H,” Coding J. Komput.
dan Apl., vol. 07, no. 03, pp. 109–119, 2019.