Ilmu Komputer Unila Publishing Network all right reserve

(1)

Hal 74 dari

96

DECISION SUPPORT SYSTEM DEVELOPMENT FOR

DETERMINING THE PRECEPTOR LECTURES IN PROPOSING

INTERNSHIP ESSAY, THESIS AND FINAL PROJECT BY USING

SAW (SIMPLE ADDITIVE WEIGHTING) METHOD IN

DEPARTMENT OF COMPUTER SCIENCE, FACULTY OF

MATHEMATIC AND NATURAL SCIENCE, UNIVERSITAS

LAMPUNG

1_{Anie Rose Irawati, dan}2 _{Harry Saptomo,}

1,2

Jurusan Ilmu Komputer FMIPA Unila

Email: [email protected], [email protected]

Abstract

Paper or essay is one of graduation’s requirements for the students of Department of Computer Science, Faculty of Mathematics and Natural Science, Universitas Lampung. Papers are including Thesis (for Bachelor Degree), Final Assignment or Final Project (for Vocational Degree) and Internship Essay (for all students). In the Academic Rules of Universitas Lampung, each college student who will make a paper must be guided by a group of lectures for each type of paper that will be made. Annually, the Department of Computer Science, Universitas Lampung accepts at least 250 students for Bachelor Degree and Vocational Degree, while active lecturers teach only 20 people. This matter causes an imbalance in ratio of the number of the lectures with the number of students in Computer Science Department of Universitas Lampung and the process of assigning the lecturers as preceptor is also not easy. Therefore, to make the process of assigning lecturers for students easier, it is necessary to built a Decision Support System (DSS) using SAW or Simple Additive Weighting Method.

(2)

Hal 75 dari

96 1. Pendahuluan

Laporan Kerja Praktik, Skripsi, dan Tugas Akhir merupakan suatu karya tulis ilmiah dari hasil penelitian yang telah dilakukan melalui beberapa prosedur penelitian yang sistematis. Universitas Lampung (Unila) merupakan salah satu lembaga pendidikan yang menerapkan karya tulis sebagai salah satu syarat kelulusan bagi mahasiswa dengan tingkat pendidikan Strata Satu dan Ahli Madya. Adapun beberapa fakultas dan jurusan yang terdapat di Unila salah satunya adalah Jurusan Ilmu Komputer FMIPA (Fakultas Matematika dan Ilmu Pengetahuan Alam) yang memiliki program studi strata satu (S1) Ilmu Komputer dan ahli madya atau D3 Manajemen Informatika. Berdasarkan peraturan akademik Unila bahwa mahasiswa yang hendak lulus harus melakukan kerja praktik dan membuat laporan hasil kerja praktik serta melakukan penelitian berupa skripsi untuk mahasiswa S1 dan Tugas Akhir untuk mahasiswa D3.

Namun berdasarkan kondisi yang ada yaitu jumlah mahasiswa yang akan mengajukan skripsi, tugas akhir dan kerja praktik selalu lebih banyak dibandingkan dengan jumlah dosen. Berdasarkan data jumlah dosen pada jurusan Ilmu Komputer terdapat 17 dosen dan terdapat 297 mahasiswa yang terdaftar, aktif pada periode tahun 2015 yang terdiri dari 218 mahasiswa S1 Ilmu Komputer dan 79 mahasiswa D3 Manajemen Informatika. Berdasarkan jumlah tersebut diketahui terdapat kesenjangan antara banyaknya dosen pengajar dengan jumlah mahasiswa.Pihak program studi juga harus mengkaji satu persatu pemenuhan kriteria dari setiap dosen untuk dipilih menjadi dosen pembimbing. Kriteria akan diselesaikan dengan perhitungan metode yang akan digunakan dengan menggunakan metode

Simple Additive Weighting.

Simple Additive Weighting (SAW) sering juga dikenal dengan istilah metode penjumlahan terbobot.

Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif dari semua atribut. Dalam mengadaptasi metode SAW peneliti juga menggunakan referensi dari beberapa penelitian yang terdahulu dengan perancangan sistem serupa, Sistem Pendukung Keputusan Dengan Metode Simple Additive Weighting Untuk Menentukan Dosen Pembimbing Skripsi [1], menyelesaikan pemilihan dosen pembimbing dengan cara menentukan rating kriteria- kriteria dan matriks normalisasi lalu perhitungan penjumlahan terbobot. Sehingga dapat dihasilkan nilai bobot alternative tertinggi.

1. Landasan Teori

1.1 Sistem Pendukung Keputusan (SPK)

Secara umum sistem pendukung keputusan didefiniskan sebagai bagian dari sistem informasi berbasis komputer yang berisi pengetahuan atau manajemen pengetahuan yang dipakai untuk mendukung pengambilan keputusan dalam suatu perusahaan, dapat dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semiterstruktur yang spesifik. SPK atau dikenal dengan Decision Support System (DSS) pada tahun 1970-an sebagai pengganti istilah Management information system (MIS) [2].

1.1.1 Definisi Sistem

Sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling berhubungan, berkumpul bersama-sama untuk melakukan suatu kegiatan atau untuk menyelesaikan suatu sasaran yang tertentu[3].

1.1.2 Definisi Keputusan

Keputusan merupakan kegiatan memilih suatu strategi atau tindakan dalam pemecahan masalah tersebut. Tindakan memilih strategi atau aksi yang diyakini manajer akan memberikan solusi terbaik atas sesuatu itu disebut pengambilan keputusan [2].

(3)

Hal 76 dari

96

Sistem Pendukung Keputusan terdiri atas tiga komponen penting menurut [4].

1. Manajemen Data

Data management melakukan pengambilan data yang diperlukan baik dari database yang

berisi data internal maupun database yang berisi data eksternal. Jadi, fungsi komponen data

ini sebagai pengatur data-data yang diperlukan oleh Sistem Pendukung Keputusan (SPK).

2. Manajemen Model

Model Management melalui Model Base Management melakukan interkasi baik dengan

User Interface untuk mendapatkan perintah maupun Data Management untuk mendapatkan

data yang akan diolah. Jadi, tujuan dari model management adalah untuk mengubah data

yang ada pada database menjadi informasi yang berguna dalam pengambilan keputusan.

3. Antarmuka Pengguna

User interface digunakan untuk berinteraksi antara user dengan DSS, baik untuk

memasukkan informasi ke sistem maupun menampilkan informasi ke user. Karena begitu

pentingnya komponen user interface bagi suatu sistem DSS, maka harus bisa merancang

suatu user interface yang bisa mudah dipelajari dan digunakan user dan laporan yang bisa

digunakan user serta pelaporan yang bisa secara mudah dimengerti oleh pengguna.

1.2 Simple Additive Weighting (SAW)

Metode Simple Additive Weigthing (SAW) sering juga dikenal sebagai istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Menurut Kusumadewi (2006), konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua kriteria. Metode SAW membutuhkan proses normalisasi matrik keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.

Adapun langkah penyelesaian dalam menggunakannya adalah.

1. Menentukan alternatif, yaitu A

i.

2. Menentukan kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu C

j

.

3. Memberikan nilai rating kecocokan setiap alternatif pada setiap kriteria.

4. Menentukan bobot preferensi atau tingkat kepentingan (W) setiap kriteria.

W = [ W1,W2,W3,…,WJ]

5. Membuat tabel rating kecocokan dari setiap alternatif pada setiap kriteria.

6. Membuat matriks keputusan (X) yang dibentuk dari tabel rating kecocokan dari setiap

alternatif pada setiap kriteria. Nilai X setiap alternatif (Ai) pada setiap kriteria (C

j

) yang

sudah ditentukan, dimana, i=1,2,…m dan j=1,2,…n.

𝑋 = [

𝑥₁₁ 𝑥₁₂⋯ 𝑥_1𝑗

⋮ ⋮ ⋮

𝑥_𝑖1 𝑥_𝑖2⋯ 𝑥_𝑖𝑗

]

7. Melakukan normalisasi matrik keputusan dengan cara menghitung nilai rating kinerja

ternormalisasi (𝑟

_𝑖𝑗

) dari alternatif A

i

pada kriteria Cj.

𝑟𝑖𝑗= { 𝑥_𝑖𝑗 𝑀𝑎𝑥_𝑥𝑖𝑗 𝑖 𝑀𝑖𝑛_𝑥𝑖𝑗 𝑖 𝑥_𝑖𝑗

(4)

Hal 77 dari

96

𝑅 = [

𝑟11 𝑟12 𝑟13

⋮ ⋮ ⋮

𝑟_𝑖1 𝑟_𝑖2 𝑟_𝑖3]

9. Hasil akhir nilai preferensi (𝑉

_𝑖

) diperoleh dari penjumlahan dari perkalian elemen baris

matrik ternormalisasi (R) dengan bobot preferensi (W) yang bersesuaian eleman kolom

matrik (W).

𝑉

𝑖

= ∑ 𝑊

𝑗

𝑟

𝑖𝑗 𝑛

𝑗=1

Keterangan:

Vi = Nilai akhir dari alternatif

wj = Bobot yang telah ditentukan

rij = Normalisasi matriks

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih. Hasil perhitungan nilai

Vi yang lebih besar mengindikasikan bahwa alternatif Ai merupakan alternatif terbaik [5].

2. Metodologi Penelitian

2.1 Tempat dan Waktu Penelitian

Penelitian dilakukan di Jurusan Ilmu Komputer, Fakultas Matematika Ilmu Pengetahuan Alam,

Universitas Lampung. Waktu penelitian dilakukan pada semester genap tahun ajaran

2016-2017.

2.2 Konsep Implementasi Metode SAW

 Studi Kasus I : Implementasi Perhitungan Manual Metode SAW pada Skripsi

Dimisalkan mahasiswaS1 dari program studi Ilmu Komputer yang akan menentukan dosen

pembimbing skripsi telah mengajukan temanya melalui sistem informasi pengajuan tema

skripsi (Sistem Informasi Monita). Dari data yang dimasukan diperoleh data sebagai berikut:

Npm : 1117032030

Nama : Harisa Eka Septiarani Tema : Sistem Infromasi

Judul : Pengembangan Sistem Informasi Kuliah Kerja Nyata (KKN) denganAlgoritma

Greedyuntuk Menentukan

Pengelompokan Peserta KKN(Studi Kasus: Universitas Lampung)

Dari data tersebut, akan ditentukan tiga dosen terbaik untuk menjadi dosen 1, dosen pembimbing 2 dan pembahas.

Terdapat 5 variabel kriteria pada pemilihan dosen pembimbing, kriteriadibagi menjadi 5 (lima)

kriteria Kriteria Pendidikan, Kriteria Golongan, Kriteria Bidang, Kriteria Pengalaman

Pembimbing dan Kriteria Beban Bimbingan. Adapun pembobotan pada tiap 5 kriteria dalam

penentuan dosen pembimbinga skripsi seperti ditunjukan pada table 3.1 dibawah ini :

(5)

Hal 78 dari

96

Pada Tabel 3.1 C1 diinisiasikan sebagai kriteria yang telah ditentukan. Tabel 3.1 Kriteria Dosen Skripsi

No Kriteria Bobot (%) C1 Pendidikan 10 C2 Golongan 10 C3 Bidang 30% C4 Pengalaman Pembimbing 10% C5 Beban Bimbingan 40%

Setelah melakukan pembobotan kriteria, maka menentukan nilai himpunan pada kriteria,

Tabel 3.2. Himpunan Pendidikan Terakhir (C1)

No Himpunan Nilai

1 Strata 3/ Doktor ( S-3) 5

2 Strata 2/ Magister (S-2) 2,5 Tabel 3.3 Himpunan Golongan

No Himpunan Nilai 1 IV a > IV a 5 2 III d 4 3 III c 3 4 III b 2 5 III a 1

Tabel 3.4 Bidang Skripsi

No Nilai Bidang Skripsi

5 4 3 2 1 1. SC K RPL SI JAR 2. K RPL SI JAR SC 3. SI JAR K SC RPL 4. RPL SI JAR K SI 5. JAR SC K RPL SI

Tabel 3.4 merupakan tabel kriteria pendekatan NilaiBidang Skripsi dengan bobot 30%. Pada Tabel 3.4terdapat 5 kriteria pendekatan Bidang Skripsi, sebagai berikut :



Kriteria bidang pertama (C31), dengan Sistem Cerdas bernilai 5, Komputasi bernilai 4,

Rekayasa Perangkat Lunak bernilai 3, Sistem Informasi bernilai 2, dan Jaringan bernilai 1.



Kriteria bidang kedua (C32), dengan Komputasi bernilai 5, Rekayasa Perangkat Lunak

bernilai 4, Sistem Informasi bernilai 3, Jaringan bernilai 2, dan Sistem Cerdas bernilai 1.



Kriteria bidang ketiga (C33), dengan Sistem Informasi bernilai 5, dan Jaringan bernilai 4,

Komputasi bernilai 3, Sistem Cerdas bernilai 2, dan Rekayasa Perangkat Lunak bernilai 1.



Kriteria bidang keempat (C34), dengan Rekayasa Perangkat Lunak bernilai 5, Sistem

Informasi bernilai 4, dan Jaringan bernilai 3, Komputasi bernilai 2, dan Sistem Informasi

bernilai 1.



Kriteria bidang kelima (C35), dengan Jaringan bernilai 5, Sistem Cerdas bernilai 4,

Komputasi bernilai 3, Rekayasa Perangkat Lunak bernilai 2, dan Sistem Informasi bernilai 1.

(6)

Hal 79 dari

96

Tabel 3.5 Pengalaman Pembimbing

No Himpunan Nilai

1 x ≤ 5 thn 5

2 5 < x ≤ 10 thn 3

3 x >10thn 1

Tabel 3.6 Beban Bimbingan

No Himpunan Nilai

1 _{x ≤ 5 Orang} 5

2 _{5< x ≤ 15 Orang} 3

3 _{x >15 Orang} 1

Menentuakan rating kecocokan setiap alternatif tiap kriteria, pada alternatif ini dosen di inisiasikan A1 sampai A12.

1. Kurnia Muludi (A1)

2. Rd. Irwan Pribadi (A2)

3. Machudor Yusman (A3)

4. Dwi Sakethi (A4)

5. Anie Rose Irawati (A5)

6. Rangga Firdaus (A6)

7. Didik Kurniawan

8. Admi Syarif

9. Aristoteles

10. Astria Hijriani

11. Febi Eka F

12. Rico Andrian

Tabel 3.7 Data Penilaian Calon Dosen Pembimbing

Dosen C1 C2 C31 C32 C33 C34 C35 C4 C5

A1 S3 IV/a Nilai

5 Nilai 4 Nilai 2 Nilai 3 Nilai 1 >10thn 5< x ≤ 15 Org

A2 S2 III/c Nilai

2 Nilai 3 Nilai 5 Nilai 1 Nilai 4 >10 thn 5< x ≤ 15 Org

A3 S2 III/d Nilai

A4 S2 III/b Nilai

A5 S2 III/b Nilai

(7)

Hal 80 dari

96

A6 S2 III/c Nilai

4 Nilai 3 Nilai 1 Nilai 2 Nilai 5 5 < x ≤ 10 thn 5< x ≤ 15 Org

A7 S2 III/b Nilai

2 Nilai 3 Nilai 5 Nilai 1 Nilai 4 >10 thn >15Org

A8 S3 III/d Nilai

A9 S2 III/c Nilai

A10 S2 III/b Nilai

3 Nilai1 Nilai 5 Nilai 2 Nilai 4 5 < x ≤ 10 thn 5< x ≤ 15 Org

A11 S2 III/a Nilai

A12 S2 III/a Nilai

Tabel 3.8 Penilaian Kriteria Tiap Calon Dosen Pembimbing Skripsi

DOSEN C1 C2 Nilai Bidang C4 C5

C31 C32 C33 C34 C35 A1 5 5 5 4 2 3 1 1 3 A2 2,5 3 2 3 5 1 4 1 3 A3 2,5 4 1 5 3 4 2 1 3 A4 2,5 2 1 2 4 5 3 1 3 A5 2,5 2 2 3 5 1 4 3 3 A6 2,5 3 4 3 1 2 5 3 3 A7 2,5 2 2 3 5 1 4 1 1 A8 5 4 5 4 2 3 1 1 3 A9 2,5 3 1 2 4 5 3 3 3 A10 2,5 2 3 1 5 2 4 3 3 A11 2,5 1 1 5 3 4 2 3 3 A12 2,5 1 5 4 2 3 1 1 3

Tabel 3.9 Faktor Ternormalisasi

(8)

Hal 81 dari

96

C31 C32 C33 C34 C35 A1 5/5 5/5 5/5 4/5 2/5 3/5 1/5 _1/3 3/3 A2 2,5/5 3/5 2/5 3/5 5/5 1/5 4/5 _1/3 3/3 A3 2,5/5 4/5 1/5 5/5 3/5 4/5 2/5 _1/3 3/3 A4 2,5/5 2/5 1/5 2/5 4/5 5/5 3/5 _1/3 3/3 A5 2,5/5 2/5 2/5 3/5 5/5 1/5 4/5 _3/3 3/3 A6 2,5/5 3/5 4/5 3/5 1/5 2/5 5/5 _3/3 3/3 A7 2,5/5 2/5 2/5 3/5 5/5 1/5 4/5 _1/3 1/3 A8 5/5 4/5 5/5 4/5 2/5 3/5 1/5 _1/3 3/3 A9 2,5/5 3/5 1/5 2/5 4/5 5/5 3/5 _3/3 3/3 A10 2,5/5 2/5 3/5 1/5 5/5 2/5 4/5 _3/3 3/3 A11 2,5/5 1/5 1/5 5/5 3/5 4/5 2/5 _3/3 3/3 A12 2,5/5 1/5 5/5 4/5 2/5 3/5 1/5 _1/3 3/3

pada Tabel 3.9 Faktor Ternormalisasi berisi nilai maksimal dari setiap dosen berdasarakan kriteria (Ci) Tabel 3.10 Hasil Ternormalisasi

DOSEN C1 C2 Nilai Bidang C4 C5 C31 C32 C33 C34 C35 A1 5/5 5/5 5/5 4/5 2/5 3/5 1/5 _1/3 3/3 A2 2,5/5 3/5 2/5 3/5 5/5 1/5 4/5 _1/3 3/3 A3 2,5/5 4/5 1/5 5/5 3/5 4/5 2/5 _1/3 3/3 A4 2,5/5 2/5 1/5 2/5 4/5 5/5 3/5 _1/3 3/3 A5 2,5/5 2/5 2/5 3/5 5/5 1/5 4/5 _3/3 3/3 A6 2,5/5 3/5 4/5 3/5 1/5 2/5 5/5 _3/3 3/3 A7 2,5/5 2/5 2/5 3/5 5/5 1/5 4/5 _1/3 1/3 A8 5/5 4/5 5/5 4/5 2/5 3/5 1/5 _1/3 3/3 A9 2,5/5 3/5 1/5 2/5 4/5 5/5 3/5 _3/3 3/3 A10 2,5/5 2/5 3/5 1/5 5/5 2/5 4/5 _3/3 3/3 A11 2,5/5 1/5 1/5 5/5 3/5 4/5 2/5 _3/3 3/3 A12 2,5/5 1/5 5/5 4/5 2/5 3/5 1/5 _1/3 3/3

(9)

Hal 82 dari

96

Proses perangkingan penentuan calon dosen pembimbing yaitu dari hasil akhir yang diperoleh dari proses perangkingan dengan penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi.

Perangkingan dilakukan dengan menggunakan persamaan berikut ini: 𝑉𝑖 = ∑𝑛_𝑗=1𝑊𝑗 𝑅𝑖𝑗

Keterangan:

Vi = Rangking untuk setiap alternatif Wj = Nilai bobot dari setiap kriteria Rij = Nilai ternormalisasi

Hasil alternatife untuk untuk calon dosen pembing bidang Sistem Informasi (C33) A1 = (10 x 1) + (10 x 1) + (30 x0,4) + (10 x 0,333) + (40 x 1) = 75,33 A2 = (10 x 0,5) + (10 x 0,6) + (30 x 1) + (10 x 0,333) + (40 x 1) = 84,33 A3 = (10 x 0,5) + (10 x 0,8) + (30 x 0,6) + (10 x 0,333) + (40 x 1) = 74,33 A4 = (10 x 0,5) + (10 x 0,4) + (30 x 0,8) + (10 x 0,333) + (40 x 1)= 76,33 A5 = (10 x 0,5) + (10 x 0,4) + (30 x 1) + (10 x 1) + (40 x 1)= 89 A6 = (10 x 0,5) + (10 x 0,6) + (30 x0,2) + (10 x 1) + (40 x 1)= 67 A7 = (10 x 0,5) + (10 x 0,4) + (30 x 1) + (10 x 0,333) + (40 x 0,333)= 55,65 A8 = (10 x 1) + (10 x 0,8) + (30 x 0,4) + (10 x 0,333) + (40 x 1)= 73,33 A9 = (10 x 0,5) + (10 x 0,6) + (30 x0,8) + (10 x 1) + (40 x 1)= 85 A10 = (10 x 0,5) + (10 x 0,4) + (30x1) + (10 x 1) + (40 x 1) = 89 A11 = (10 x 0,5) + (10 x 0,2) + (30x0,6) + (10 x 1) + (40 x 1) = 75 A12 = (10 x 0,5) + (10 x 0,2) + (30x0,4) + (10 x 0,333) +(40 x 1) = 62,33

Maka mahasiswa dengan nama Harisa Eka Septiarani direkomendasikan sesuai dengan perhitungan diperoleh tiga nilai tertinggi yaitu A5 dengan nilai 85, A10 dengan nilai 89, dan A9 dengan nilai 85. Sehingga dosen-dosen pembimbing yang terpilih untuk menjadi pembimbing skripsi dengan tema Sistem Informasi adalahAnie Rose Irawati sebagai,Astria Hijriani, dan Aristoteles.

3. Pembahasan

3.1. Implementasi

Hasil implementasi penelitian berupa sistem pendukung keputusan penentuan dosen pembimbing kerja praktik, tugas akhir, dan skripsi. halaman antarmuka sistem informasi yang terdiri dari:

a. Halaman beranda

(10)

Hal 83 dari

96 Gambar 1. Halaman Beranda

b. Halaman Data Kriteria

Halaman data kriteria berfungsi untuk mengelola data kriteria yang ditentukan.

Gambar 2. Halaman Data Kriteria

c. Halaman Data Himpunan

Halaman data himpunan adalah halaman untuk mengelola data himpunan yang berisikan

informasi nilai dari kriteria yang telah dibuat.

(11)

Hal 84 dari

96 Gambar 3. Halaman Data Himpunan

d. Halaman Data Dosen

Halaman data dosen digunakan untuk mengolah data dosen untuk SPK pemilihan dosen

pembimbing.

Gambar 4. Halaman Data Dosen

e. Halaman Perhitungan SPK

Halaman Perhitungan SPK merupakan halaman yang menampilkan hasil perhitungan SPK

penentuan dosen pembimbing dalam pelaksanaan judul kerja praktik, tugas akhir dan skripsi

dengan menggunakan metode SAW (simple additive Weighting).

(12)

Hal 85 dari

96 Gambar 5. Halaman Perhitungan

f. Halaman Hasil Seleksi

Halaman hasil seleksi merupakan halaman dimana setelah proses seleksi pemilihan

pembimbing dilakukan dan disimpan.

Gambar 6. Halaman Hasil Seleksi

3.2. Pengujian

Pada penelitian ini dilakukan pengujian fungsional antara lain dengan menggunakan metode

(13)

Hal 86 dari

96 memenuhi kebutuhan pengguna dapat diukur sekaligus dapat diketahui kesalahannya

berdasarkan keluaran (output) yang dihasilkan.

Hasil pengujian yang dilakukan dengan metode black box testing menggunakan equivalent partitioning diketahui bahwa Sistem Pendukung Keputusan Pemilihan Dosen Pembimbing menggunakan metode Simple Additive Weighting di Universitas Lampung FMIPA, Jurusan Ilmu Komputer telah berhasil berjalan dengan baik. Semua fungsi yang diujikan tidak menglami kendala pada sistem.

Fungsi-fungsi sistem berjalan dengan baik. Berdasarkan pada Tabel 4.1 Pengujian Equivalen Partitioning didapatkan hasil sebagai berikut.

1. Sistem dapat menampilkan hasil dari seleksi dengan menggunakan metode Sistem

Pendukung Keputusan menggunakan metode Simple additive Weighting(SAW).

2. Sistem dapat menampilkan hasil data dari seleksi yang telah di inputkan sebelumnya.

3. Sistem dapat mengolah data kriteria berupa tambah, ubah, dan hapus.

4. Sistem dapat mengolah data himpunan berupa tambah, ubah, dan hapus.

5. Sistem dapat mengolah data data dosen berupa tambah, ubah, dan hapus.

Pengujian sistem dengan cara mencocokan perhitungan manual dengan perhitungan hasil sistem menghasilkan rekomendasi dosen pembimbing yang sesuai dalam perhitungan manual dan sistem 4 .Kesimpulan dan Saran

4.1 Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan maka didapatkan kesimpulan sebagai berikut :

1. Sistem pendukung keputusan pemilihan dosen pembimbing menggunakan metode Simple

Additive Weighting di lingkungan Universitas Lampung Jurusan Ilmu Komputer telah

berhasil dibangun untuk membantu menyelesaikan permasalahan dalam menentukan dosen

pembimbing yang sesuai kebutuhan dengan Jurusan Ilmu Komputer.

2.

Metode Simple Additive Weighting (SAW) dapat diimplementasikan sebagai salah satu alternatif dalam proses pengambilan keputusan.

3. Sistem ini sedapat mungkin menjalankan proses seleksi secara objektif berdasarkan kriteria

yang ada sebagai berikut:



Skripsi dengan kriteria Pendidikan, Golongan, Bidang, Pengalaman Pembimbing, dan

Beban Bimbingan.



Tugas Akhir dengan kriteria Pendidikan, Golongan, Bidang, dan Beban Bimbingan.

 Kerja Praktik dengan Kriteria Pendidikan, Golongan, Pengalaman pembimbing, dan

Beban Bimbingan.

4.2 Saran

Saran yang diberikan setelah dilakukan penelitian ini untuk pengembangan lebih lanjut

adalah memberikan detail perhitungan Sistem Pendukung Keputusan (SPK).

Referensi

[1]Pristiwanto. 2014. Sistem Pendukung Keputusan Dengan Metode Simple Additive

Weighting. STIMK Budi Dharma Medan. Medan.

[2]Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta.ANDI

Yogyakarta.

(14)

Hal 87 dari