213
METODE SIMPLE ADDITIVE WEIGHTING DALAM MENENTUKAN
PEMBIMBING TERBAIK PADA BIMBINGAN BELAJAR
Noferianto Sitompul
STMIK Budi Darma, Medan, Indonesia
Jln. Sisingamangaraja No. 338 Simp Limun, Medan, Indonesia
ABSTRAK
Dalam proses pembangunan sistem pendukung keputusan untuk menentukan pembimbing terbaik menggunakan Fuzzy Multiple Attribute Decission Making (FMADM) dengan metode Simple Additive Weighting (SAW). Metode ini dipilih karena mampu menyeleksi alternative terbaik dari sejumlah alternatif, dalam hal ini alternatif yang dimaksudkan yaitu pembimbing (tentor) yang berhak menjadi pembimbing terbaik berdasarkan kriteria-kriteria yang ditentukan. Penelitian dilakukan dengan mencari nilai bobot untuk setiap alternatif, kemudian dilakukan proses perankingan yang akan menentukan alternatif yang optimal, yaitu pembimbing (tentor) yang terbaik. Berdasarkan hasil pengujian, sistem yang dibangun dapat membantu para pengambil keputusan dalam menentukan pembimbing terbaik dan dapat mempermudah para pengambil keputusan dalam menentukan siapa pembimbing yang berhak menyandang gelar pembimbing terbaik.
Kata kunci: FMADM, SAW, Kriteria, Pembimbing, Alternatif. I. PENDAHULUAN
Pendidikan merupakan suatu hal yang perlu diperhatikan dalam proses mencerdaskan kehidupan bangsa, dimana dengan adanya teknologi komputer memungkinkan untuk memperlancar proses tersebut. Melalui perbaikan pada sarana-sarana pendidikan seperti: ruang belajar, perpustakaan, laboratorium dan lainnya. Dalam pengembangan sistem pendidikan tentunya dibutuhkan pengolahan data yang cukup baik sehingga dapat menghasilkan keputusan yang efisien, akurat dan terkini. Untuk itu, dibutuhkan sebuah sistem menggunakan teknologi berbasis komputer dapat mangambil keputusan yang diinginkan.
Sistem komputer merupakan pemanfaatan secara benar dan semaksimal mungkin bukan sekedar pengganti mesin ketik. Hal ini harus didukung oleh
Hardware (Perangkat keras), Software (Perangkat
lunak), Brainware (Pemakai komputer). Ketiga faktor tersebut saling berkaitan dan harus terpenuhi agar komputer dapat menjalankan tugas dan fungsinya secara optimal. Salah satunya adalah Bimbingan Belajar yang ada di Medan.
Bimbingan Belajar merupakan salah satu instansi swasta yang menyelenggarakan pendidikan non formal yaitupendidikan tambahan bagi siswa-siswi dalam memenuhi kebutuhan ilmu pengetahuan tambahan yang kurang didapatkan di bangku pendidikan formal yang dikhususkan untuk pelajar kelas 4-5 Sekolah Dasar, 7-9 Sekolah Menengah Pertama dan 10-12 untuk Sekolah Menengah Atas. Jika di sekolah maka pengajar siswa-siswi itu disebut dengan guru sedangkan di bimbingan belajar ini, pengajarnya disebut tentor atau pembimbing.
Dalam bimbingan belajar tentor atau pembimbing berlomba-lomba membawakan mata pelajaran di setiap kelas kursus siswa-siswi sebaik mungkin dengan metode yang umumnya berbeda didapatkan di sekolah. Untuk itu dibutuhkan sebuah
penghargaan bagi tentor atau pembimbing tersebut atas upaya dalam membimbing siswa-siswi selama kurun waktu tertentu. Yang menjadi persoalan adalah bagaimana teknik untuk menentukan siapa yang berhak untuk mendapatkan penghargaan berupa pembimbing terbaik tersebut.
Dalam penelitian ini diperlukan suatu sistem yang dapat digunakan sebagai pendukung keputusan dalam menentukan siapa pembimbing yang berhak mendapatkan penghargaan dari pihak manajemen atas prestasi yang diperolehnya menggunakan suatu metode pendukung keputusan yaitu Simple Additive Weighting (SAW).
II. TEORITIS
A. Sistem Pendukung Keputusan
Sistem Pendukung Keputusan (Decision Support System) sebagai sebuah sistem berbasis
komputer yang membantu dalam proses pengambilan keputusan. Sistem Pendukung Keputusan sebagi sistem informasi berbasis komputer yang adaptif, interaktif, fleksibel, yang secara khusus dikembangkan untuk mendukung solusi dari permasalahan manajemen yang tidak terstruktur untuk meningkatkan kualitas pengambilan keputusan (Henry Wibowo S, et al, 2009). Definisi lain Sistem Pendukung Keputusan adalah (1) sistem tambahan, (2) mampu untuk mendukung analisis data secara ad hoc dan pemodelan keputusan, (3) berorientasi pada perencanaan masa depan, dan (4) digunakan pada interval yang tak teratur atau tak terencanakan. Ada juga definisi yang menyatakan bahwa Sistem Pendukung Keputusan adalah sistem berbasis komputer yang terdiri 3 komponen interaktif: (1) sistem bahasa mekanisme yang menyediakan komunikasi diantara user dan pelbagai komponen dalam Sistem Pendukung Keputusan, (2) knowledge
system- penyimpanan knowledge domain
214 Pendukung Keputusan, baik sebagai data ataupun
prosedur, dan (3) sistem pemrosesan permasalahan - link diantara dua komponen, mengandung satu atau lebih kemampuan memanipulasi masalah yang dibutuhkan untuk pengambilan keputusan [1]. B. Simple Additive Weighting (SAW)
Metode SAW sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.
Di mana :
rij = nilai rating kinerja ternormalisasi
xij = nilai atribut yang dimiliki dari setiap kriteria
Max xij = nilai terbesar dari setiap kriteria
i
Min xij = nilai terkecil dari setiap kriteria
i
benefit = jika nilai terbesar adalah terbaik cost = jika nilai terkecil adalah terbaik
Dimana rij adalah rating kinerja ternormalisasi dari
alternatif Ai pada atribut Cj; i=1,2,...,m dan j=1,2,...,n. Nilai preferensi untuk setiap alternatif (Vi) diberikan
sebagai:
Keterangan :
Vi = rangking untuk setiap alternatif
wj = nilai bobot dari setiap kriteria
rij = nilai rating kinerja ternormalisasi
Nilai Vi yang lebih besar mengindikasikan bahwa
alternatif Ai lebih terpilih.[2]
III. ANALISA DAN PEMBAHASAN
Dalam penelitian ini menggunakan FMDAM metode SAW. Langkah-langkah pemecahan masalah dalam penelitian ini adalah sebagai berikut:
1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci
2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
3. Membuat matriks keputusan berdasarkan kriteria Ci, kemudian melakukan normalisasi
matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut sehingga diperoleh matriks ternormalisasi R.
4. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik Ai sebagai solusi.
Nilai preferensi untuk setiap alternatif Vi.
Nilai yang lebih besar mengindikasikan bahwa alternatif lebih terpilih.
Metode SAW dalam prosesnya memerlukan kriteria yang akan dijadikan bahan perhitungan pada proses perangkingan penentuan pembimbing terbaik. Kriteria yang menjadi bahan pertimbangan adalah sebagai berikut. Tabel 1. Kriteria Kriteria Keterangan C1 Prestasi C2 Kedisiplinan C3 Tanggung jawab
C4 Menjaga Nama Baik sebagai
Pendidik
Dari tabel 1 diatas adalah merupakan kriteria-kriteria yang telah ditentukan. Kemudian dijabarkan kedalam tabel dari setiap kriteria. Berikut ini adalah tabel penjabaran kriteria-kriteria. Untuk lebih jelas dapat dilihat pada tabel 2 berikut ini.
Tabel 2. Penjabaran Kriteria-kriteria No Kriteria (Ci) Penjabaran
1. Prestasi (C1) Hasil Nilai yang didapat ketika Ujian kompetensi
2. Kedisplinan(C2) Tepat Waktu dalam mengajar (jam masuk dan jam keluar)
3. Tanggung Jawab
Melaksanakan kewajiban mengajar sesuai jadwal mengajar yang diberikan 4. Menjaga Nama
baik sebagai Pendidik
Tidak pernah melakukan perbuatan yang kurang sopan terhadap
siswa-Jika J atribut keuntungan (benefit)
215 No Kriteria (Ci) Penjabaran
siswi pada saat
membimbing
Dari masing-masing kriteria tersebut akan ditentukan bobot-bobotnya. Pada bobot terdiri dari 5 bilangan
fuzzy. Yaitu Sangat Buruk (SBR), Buruk (BR), Cukup
(C), Baik (B), Sangat Baik (SB) seperti terlihat pada gambar 4.1.
1 P SP
(w)
0 0.75 1
Gambar 1. Bilangan Fuzzy Untuk Bobot Dari gambar 1 di atas, bilangan-bilangan fuzzy dapat dikonversikan kebilangan crisp. Untuk lebih jelas data bobot dibentuk dalam tabel 3 berikut.
Tabel 3. Bobot Bilangan fuzzy Nilai
Penting (P) 0.75
Sangat Penting (SP)
1
Dan penjelasan nilai crisp dan nilai tiap bobot kriteria adalah :
a. Prestasi (C1)
Pada variabel Prestasi terdiri dari Lima bilangan
fuzzy, yaitu Sangat Buruk (SBR), Buruk (B),
Cukup (C), Baik (B), Sangat Baik (SB). Seperti terlihat pada gambar 2 berikut.
1 Sbr Br C B SB
(w)
0 0.25 0.5 0.75 1
Gambar 2. Bilangan Fuzzy Untuk Prestasi Dari gambar 2 di atas, bilangan-bilangan
Fuzzy dan dikonversikan ke bilangan crisp. Untuk
Lebih jelas data Prestasi di bentuk dalam tabel 4 berikut : Tabel 4. Prestasi Prestasi (C1) Bilangan Fuzzy Nilai 0-19 Sangat Buruk 0 20-39 Buruk 0.25 40-59 Cukup 0.5 60-79 Baik 0.75 80-100 Sangat Baik 1 b. Kedisplinan (C2)
Pada variabel Kedisplinan terdiri dari lima bilangan fuzzy, yaitu Sangat Buruk (SBR), Buruk (B), Cukup (C), Baik (B), Sangat Baik (SB) seperti terlihat pada Gambar 3.
1 Sbr Br C B SB
(w)
0 0.25 0.5 0.75 1
Gambar 3. Bilangan Fuzzy Untuk Kedisplinan Dari gambar 3 nilai crisp yang telah ditentukan untuk variabel prestasi adalah :
Tabel 5. Kedisplinan
Kedisplinan Bilangan Fuzzy Nilai
0-19 Sangat Buruk 0 20-39 Buruk 0.25 40-59 Cukup 0.5 60-79 Baik 0.75 80-100 Sangat Baik 1 c. Tanggung Jawab (C3)
Pada variable tanggug jawab terdiri dari lima bilangan fuzzy, yaitu Sangat Buruk (SBR), Buruk (B), Cukup (C), Baik (B), Sangat Baik (SB) Seperti terllihat pada gambar 4.
Keterangan : P = Penting; SP = Sangat Penting; Keterangan : SBR = Sangat Buruk; BR = Buruk; C = Cukup; B = Baik; SB= Sangat Baik; Keterangan : SBR = Sangat Buruk; BR = Buruk; C = Cukup; B = Baik; SB= Sangat Baik;
216 1 Sbr Br C B SB
(w)
0 0.25 0.5 0.75 1
Gambar 4. Bilangan Fuzzy Untuk Tanggung Jawab Dari gambar 4 nilai crisp yang telah di tentukan untuk variabel tanggung jawab :
Tabel 6. Tanggung Jawab Prestasi (C1) Bilangan Fuzzy Nilai
0-19 Sangat Buruk 0
20-39 Buruk 0.25
40-59 Cukup 0.5
60-79 Baik 0.75
80-100 Sangat Baik 1
d. Menjaga Nama Baik Sebagai Pendidik (C4) Pada variabel menjaga nama baik sebagai pendidik terdiri dari lima bilangan fuzzy, yaitu Sangat Buruk (SBR), Buruk (B), Cukup (C), Baik (B), Sangat Baik (SB). Seperti terllihat pada gambar 4.5.
1 Sbr Br C B SB
(w)
0 0.25 0.5 0.75 1
Gambar 5. Bilangan Fuzzy Untuk Menjaga Nama Baik sebagai Pendidik
Dari gambar 5 nilai crisp yang telah di tentukan untuk variabel menjaga nama baik sebagai pendidik.
Tabel 7. Menjaga Nama Baik sebagai Pendidik Prestasi (C1) BilanganFuzzy Nilai
0-19 Sangat Buruk 0
20-39 Buruk 0.25
40-59 Cukup 0.5
60-79 Baik 0.75
80-100 Sangat Baik 1
C. Analisis Pembahasan dan Hasil
Berikut ini akan dilakukan analisa pembahasan dan hasil yang diperoleh berdasarkan algoritma FMDAM
dengan melakukan perhitungan manual menentukan jumlah mengajar menggunakan metode SAW. Hasil akan diperoleh dengan mencari peringkat prestasi pembimbing. Untuk contoh kasus di bawah ini diambil contoh 4 orang pembimbing bidang studi matematika. Adapun langkah-langkah penyelesaiannya :
1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci
2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
Untuk ke-2 langkah diatas dijelaskan pada tabel 4.8 di bawah ini :
Tabel 8. Data Nilai Calon Pembimbing Terbaik Bidang Studi Matematika
No Nama Pr est asi (C 1) Kedis plinan (C2) Tang gung Jawa b (C3) Menjaga Nama baik sebagai pendidik (C4) 1 Eston 80 77 78 85 2 Jestro 75 80 80 85 3 Martin a 78 83 73 85 4 Adrina 82 75 85 85
Kemudian tabel 8 diatas disesuaikan dengan criteria kecocokan pada kategori pembimbing terbaik yang dipilih dan diubah kenilai crips. Sebagai contoh data pembimbing pertama eston nilai prestasi pada tabel 8 adalah 80 jika diubah ke nilai crips sesuai tabel 4 maka nilai cripsnya 1. Kemudian nilai kedisplinan pada tabel 4.8 adalah 77 jika diubah ke nilai crips sesuai tabel 5 maka nilai cripsnya 0.75. Kemudian nilai tanggung jawab pada tabel 8 adalah 78 jika diubah ke nilai crips sesuai tabel 6 maka nilai cripsnya 0.75. dan yang terakhir nilai menjaga nama baik sebagai pendidik pada tabel 8 adalah 85 jika diubah ke nilai crips sesuai tabel 7 maka nilai cripsnya 1. Berdasarkan cara di atas untuk pembimbing selanjutnya di dapat data sebagai berikut : Tabel 9. Data pembimbing yang telah diubah cripsnya
No Nama Prest asi Ked ispli nan Tang gung Jawa b Menjaga Nama baik sebagai pendidik 1 Eston 1 0.75 0.75 1 2 Jestro 0.75 1 1 1 3 Martin a 0.75 1 0.75 1 4 Adrina 1 0.75 1 1 Keterangan : SBR = Sangat Buruk; BR = Buruk; C = Cukup; B = Baik; SB= Sangat Baik; Keterangan : SBR = Sangat Buruk; BR = Buruk; C = Cukup; B = Baik; SB= Sangat Baik;
217 3. Membuat matriks keputusan berdasarkan
kriteria Ci, kemudian melakukan normalisasi
matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut sehingga diperoleh matriks ternormalisasi R.
Berdasarkan pada tabel 9 diatas, dapat dibentuk matriks keputusan X dengan mengambil 4 sampel data pembimbing adalah sebagai berikut :
Xpembimbing =
Normalisasi matriks X sebagai berikut :
𝑟11 = 1 Max{ 1;0,75; 0,75; 1 } = 1 1= 1 𝑟21 = 0,75 Max{ 1;0,75; 0,75; 1 } = 0,75 1 = 0,75 𝑟31 = 0,75 Max{ 1;0,75; 0,75; 1 } = 0,75 1 = 0,75 𝑟41 = 1 Max{ 1;0,75; 0,75; 1 } = 1 1= 1 𝑟12 = 0,75 𝑀𝑎𝑥 {0,75;1;1;0,75} = 0,75 1 = 0,75 𝑟22 = 1 𝑀𝑎𝑥 {0,75;1;1;0,75} = 1 1= 1 𝑟32 = 1 𝑀𝑎𝑥 {0,75;1;1;0,75} = 1 1= 1 𝑟42 = 0,75 𝑀𝑎𝑥 {0,75;1;1;0,75} = 0,75 1 = 0,75 𝑟13 = 0,75 𝑀𝑎𝑥 {0,75;1; 0,75;1} = 0,75 1 = 0,75 𝑟23 = 1 𝑀𝑎𝑥 {0,75;1; 0,75;1} = 1 1= 1 𝑟33 = 0,75 𝑀𝑎𝑥 {0,75;1; 0,75;1} = 0,75 1 = 0,75 𝑟43 = 1 𝑀𝑎𝑥 {0,75;1; 0,75;1} = 1 1= 1 𝑟14 = 1 𝑀𝑎𝑥 {1; 1; 1; 1 } = 1 1= 1 𝑟24 = 1 𝑀𝑎𝑥 {1; 1; 1; 1 } = 1 1= 1 𝑟34 = 1 𝑀𝑎𝑥 {1; 1; 1; 1 } = 1 1= 1 𝑟44 = 1 𝑀𝑎𝑥 {1; 1; 1; 1 } = 1 1= 1
Berdasarkan hasil perhitungan normalisasi matriks
X, maka dapat ditentukan matriks ternormalisasi R
sebagai berikut :
R =
Setelah proses normalisasi dilakukan atau matrik ternormalisasi sudah didapatkan, tahap selanjutnya adalah menentukan tingkat kepentingan setiap kriteria yang ditentukan oleh pengambil keputusan, disimbolkan dengan (W):
Tabel 10. Tingkat Kepentingan Setiap Kriteria
Kriteria Nilai
(C1) Prestasi 1
(C2) Kedisplinan 0,75 (C3) Tanggung Jawab 0,75 (C4) Menjaga Nama Baik sebagai Pendidik
1
Dari tabel 12 di peroleh nilai bobot (W) untuk pencalonan dengan data :
Wpembimbing = [ 1, 0.75, 0.75, 1, ]
Kemudian tahap terakhir untuk mendapatkan proses perangkingan yaitu dengan cara mengalikan bobot (W) dengan matrik yang telah ternormalisasi(R) seperti yang ada di bawah ini :
A1 = (1).(1)+(0,75).(0,75)+(0,75).(0,75)+(1).(1) = 1+0,5625+0,5625+1 = 3,125 A2 = (1).(0,75)+(0,75).(1)+(0,75).(1)+(1).(1) = 0,75+0,75+0,75+1=3,25 A3 = (1).(0,75)+(0,75).(1)+(0,75).(0,75)+(1).(1) = 0,75+0,75+0.5625+1=3,0625 A4 = (1).(1)+(0,75).(0,75)+(0,75).(1)+(1).(1) = 1+0,5625+0,75+1= 3,3125
Kesemua nilai peringkat V1-V4 dari hasil perkalian
dengan normalisasi digabung dalam tabel 4.11, Sehingga diperoleh hasil perankingan pada tabel 4.11 dibawah ini :
Tabel 11. Ranking
Alternatif Kriteria Hasil
C1 C2 C3 C4 Eston 1 0.75 0.75 1 3,125 Jestro 0.7 5 1 1 1 3,25 Martina 0.7 5 1 0.75 1 3,0625
218
Alternatif Kriteria Hasil
C1 C2 C3 C4
Adrina 1 0.75 1 1 3,3125
Hasil pengelompokan di atas belum mendapatkan hasil yang sebenarnya untuk ke-4 pembimbing yang dibuat sebagai Alternatif, sehingga perlu dilakukan proses perangkingan dengan cara mengurutkan nilai hasil tertinggi sampai ke hasil terendah. Ke-4 pembimbing pada bidang studi matematika itu, jika diurutkan akan dapat diperoleh pada tabel 12.
Tabel 12. Hasil Perankingan Pembimbing Bidang Studi Matematika
Dari tabel di atas maka didapatkanlah peringkat nilaii dari 4 orang pembimbing bidang studi matematika, di mana yang mendapatkan peringkat 1 adalah adrina sehingga adrina berhak menyandang predikat sebagai pembimbing terbaik untuk bidang
IV. IMPLEMENTASI
Berikut ini adalah tampilan menu utama aplikasi menentukan pembimbing terbaik.
Gambar 1. Menu Utama
Gambar 2. Input Data Pembimbing
Gambar 3. Normalisasi dan Keputusan Hasil Pembimbing
V. KESIMPULAN
Berdasarkan hasil akhir pemecahan masalah maka penulis dapat menarik beberapa kesimpulan, Adapun kesimpulan-kesimpulan tersebut antara lain sebagai berikut :
1. Penggunaan metode Simple Additive Weighting (SAW) tepat dalam pengambilan keputusan terhadap penentuan Pembimbing (tentor) terbaik pada bimbingan belajar
2. Pembuatan sistem pendukung keputusan penentuan pembimbing terbaik dengan menerapkan metode
Simple Additive Weighting (SAW) pada bimbingan
belajar dimulai dari penentuan criteria, Pemberian Nilai Bobot, melakukan Proses normalisasi, perankingan dan pemilihan nilai akhir tertinggi. 3. Pada pembuatan sistem yang baru dapat diketahui
bahwa untuk menyusun suatu sistem pendukung keputusan yang baik, tahap-tahap yang perlu dilakukan adalah dengan mempelajari sistem yang ada, kemudian mendesai suatu sistem yang dapat mengatasi masalah serta mengimplementasika sistem yang didesain .
REFERENCES
1. Irfan Surbakti, 2002, “ Sistem Pendukung Keputusan”. Surabaya 2. Hery Sulistiyo, 2009, “Jurnal Sistem Pendukung Keputusan Untuk
Menentukan Penerima Beasiswa Di SMA Negeri 6 Pandeglang” 3. Henry Wibobo, 2010, “Jurnal MADM-TOOL: Aplikasi Uji
Sensitivitas untuk Model MADM Menggunakan Metode SAW dan TOPSIS”
4. Sabda Gunawan, 2015, “Jurnal Sistem Pendukung Keputusan Pemilihan Guru Terbaik pada SMA Negeri 2 Kutacane dengan menggunakan metode Simple Additive Weighting”
5. Sartana Fitra Amir, 2011, “Skripsi Analisis Dan Perancangan Sistem Pendukung Keputusan Menggunakan Model Simple Additive Weighting Untuk Seleksi Penerima Beasiswa Bidik Misi Universitas Sumatera Utara
6. Mesran, Suginam, S. D. Nasution, and A. P. U. Siahaan, “PENERAPAN WEIGHTED SUM MODEL ( WSM ) DALAM PENENTUAN PESERTA JAMINAN,” J. Ris. Sist. Inf. dan Tek. Inform., vol. 2, no. 1, pp. 40–47, 2017.
9. G. Ginting, Fadlina, Mesran, A. P. U. Siahaan, and R. Rahim, “Technical Approach of TOPSIS in Decision Making,” Int. J. Recent Trends Eng. Res., vol. 3, no. 8, pp. 58–64, 2017.
Alternati f Kriteria Hasil Peringk at C1 C2 C3 C 4 Adrina 1 0.7 5 1 1 3,3125 1 Jestro 0. 75 1 1 1 3,25 2 Eston 1 0.7 5 0.7 5 1 3,125 3 Martina 0. 75 1 0.7 5 1 3,0625 4
