SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PENERIMA BEASISWA BBM
(BANTUAN BELAJAR MAHASISWA) PADA POLITEKNIK NEGERI PADANG MENGGUNAKAN METODE FUZZY MULTIPLE ATTRIBUTE DECISION
MAKING
Rika Idmayanti1
ABSTRACT
Padang State Polytechnic along with the Directorate General of Higher Education, Ministry of National Education to work together on an ongoing basis providing scholarships Student Learning Assistance (BBM) to students who are less able Not all who enroll as eligible recipients that will be accepted , only who meet the criteria just who will receive scholarships of fuel. For the PNP requires a Decision Support System that can determine whether or not a student receives a scholarship of fuel. Decision Support System is made with a model Fuzzy Multiple Attribute Decision Making (FMADM) Simple Additive Weighting method (SAW). On each - each criterion determined the weight value calculation that consists of five fuzzy number, namely Very Low (SR), Low (R), Medium (S), High (H), and Very High (ST). Then a ranking process that will determine the optimal alternative and accurate. DSS applications are standalone applications using the programming language Java 2 Standard Edition and Relational Database Management Systems MySQL Server.
Keywords: Decision Support Systems, Scholarship, Student Learning Assistance, Fuzzy Multiple Attribute Decision Making, Simple Additive Weighting
INTISARI
Politeknik Negeri Padang beserta Direktorat Jenderal Pendidikan Tinggi Kementerian Pendidikan Nasional bekerja sama secara berkesinambungan memberikan bantuan beasiswa Bantuan Belajar Mahasiswa (BBM) kepada para mahasiswa yang kurang mampu Tidak semua yang mendaftarkan diri sebagai calon penerima beasiswa yang akan diterima, hanya yang memenuhi kriteria-kriteria saja yang akan memperoleh beasiswa BBM. Untuk itu PNP memerlukan sebuah Sistem Pendukung Keputusan yang bisa menentukan layak atau tidaknya seorang mahasiswa menerima beasiswa BBM. Sistem Pendukung Keputusan ini dibuat dengan model Fuzzy Multiple Attribute Decision Making (FMADM) dengan metode Simple Additive Weighting (SAW). Pada masing - masing kriteria ditentukan perhitungan nilai bobot yang terdiri dari lima bilangan fuzzy, yaitu Sangat Rendah (SR), Rendah (R), Sedang (S), Tinggi (T), dan Sangat Tinggi (ST). Kemudian dilakukan proses perankingan yang akan menentukan alternatif yang optimal dan akurat. Aplikasi SPK merupakan aplikasi standalone menggunakan bahasa pemrograman Java 2 Standard Edition dan Relational Database Management System MySQL Server.
1
Kata Kunci : Sistem Pendukung Keputusan, Beasiswa, Bantuan Belajar Mahasiswa, Fuzzy Multiple Attribute Decision Making, Simple
PENDAHULUAN
Mengacu pada Undang-undang dan Peraturan Pemerintah, pemerintah melalui Direktorat Jenderal Pendidikan Tinggi – Kementerian Pendidikan Nasional, mengupayakan pemberian bantuan biaya pendidikan dan beasiswa bagi mahasiswa yang orang tua/walinya kurang mampu membiayai pendidikan. Program bantuan biaya pendidikan dan beasiswa ini dilaksanakan sesuai dengan prinsip 3T, yaitu: Tepat Sasaran, Tepat Jumlah, dan Tepat Waktu. Salah satu jenis beasiswa yang disediakan oleh Direktorat Jenderal Pendidikan Tinggi Kementerian Pendidikan Nasional adalah beasiswa Bantuan Belajar Mahasiswa (BBM). Beasiswa ini dikhususkan bagi mahasiswa yang berasal dari orang tua/wali kurang mampu.
Politeknik Negeri Padang (PNP), sebagai salah satu Lembaga Pendidikan Tinggi berusaha untuk meningkatkan akses dan pemerataan kesempatan belajar bagi para mahasiswanya, dan PNP juga berusaha mengurangi jumlah mahasiswa yang putus kuliah karena kurang mampu membiayai pendidikan. Oleh sebab itu Politeknik Negeri Padang beserta Direktorat Jenderal Pendidikan Tinggi Kementerian Pendidikan Nasional bekerja sama secara berkesinambungan memberikan beasiswa Bantuan Belajar Mahasiswa (BBM) kepada mahasiswa ekonomi kurang mampu. Tidak semua yang mendaftarkan diri sebagai calon penerima beasiswa yang akan diterima, hanya yang memenuhi kriteria-kriteria saja yang akan memperoleh beasiswa BBM.
Ada beberapa kriteria yang harus dipenuhi oleh calon penerima beasiswa diantaranya kriteria sosial ekonomi, kemampuan akademik dan kegiatan extra kurikuler serta adanya pengurangan nilai jika mahasiswa
yang bersangkutan mengalami pelanggaran disiplin kampus dan masing- masing kriteria ini juga memiliki atribut-atribut penilaian.
Disebabkan jumlah peserta yang mengajukan beasiswa banyak serta indikator kriteria yang banyak juga, maka PNP berusaha mengatasi permasalahan-permasalahan yang sering muncul seperti kurang tepat sasaran dan akuratnya penyaluran beasiswa BBM terhadap mahasiswa, misalnya mahasiswa yang sebenarnya tidak layak mendapatkan beasiswa namun mendapatkan beasiswa, sebaliknya mahasiswa yang berhak mendapatkan beasiswa karena kurang mampu tetapi tidak mendapatkan beasiswa.
Untuk mengantisipasi agar tidak terjadinya kesalahan dalam pemberian beasiswa maka PNP membutuhkan sebuah Sistem Pendukung Keputusan Penentuan Penerima Beasiswa Bantuan Belajar Mahasiswa. Sistem Pendukung Keputusan ini diharapkan dapat membantu penentuan siapa yang berhak untuk mendapatkan beasiswa BBM sehingga hasil penyeleksian calon penerima beasiswa menjadi lebih akurat, tepat sasaran, tepat jumlah, dan tepat waktu.
Salah satu metode yang dapat digunakan untuk Sistem Pendukung Keputusan adalah dengan menggunakan model Fuzzy Multiple
Attribute Decision Making (FMADM)
dengan metode Simple Additive
Weighting (SAW). Adapun aplikasi
yang dirancang untuk sistem pendukung keputusan dengan menggunakan Java 2 Standard Edition sebagai bahasa pemrogramannya dan MySQL sebagai Database Management
System (DBMS). Penelitian
dilakukan dengan mencari nilai bobot untuk setiap atribut, kemudian dilakukan proses perankingan yang
akan menentukan alternatif yang optimal dan akurat.
PENDEKATAN PEMECAHAN MASALAH
Beasiswa Bantuan Belajar Mahasiswa (BBM)
Beasiswa Bantuan Belajar Mahasiswa adalah beasiswa yang dikhususkan bagi mahasiswa yang orang tua/walinya kurang mampu. Tujuan dari beasiswa ini adalah : a. Meningkatkan akses dan
pemerataan kesempatan belajar di perguruan tinggi bagi warga negara Indonesia.
b. Mengurangi jumlah mahasiswa yang putus kuliah, karena kurang mampu membiayai pendidikan. c. Meningkatkan prestasi dan
motivasi mahasiswa, baik pada bidang akademik/kurikuler, ko-kurikuler maupun ekstra kurikuler.
Persyaratan umum beasiswa BBM: a. Diberikan dengan
mempertimbangkan prestasi dan latar belakang kemampuan ekonomi orang tua kepada mahasiswa:
b. Jenjang S1/ Diploma IV paling rendah duduk pada semester II dan dan paling tinggi duduk pada semester VIII dan Diploma III, paling rendah duduk pada semester II dan paling tinggi duduk pada semester VI.
c. Mahasiswa yang memenuhi persyaratan mengajukan permohonan tertulis kepada Rektor/Ketua/Direktur atau pimpinan perguruan tinggi yang berwenang untuk mendapatkan beasiswa
Sistem Pendukung Keputusan Tujuan pembuatan Sistem Pendukung Keputusan
1. Memberikan dukungan untuk pembuatan keputusan pada masalah yang semi/tidak terstruktur.
2. Memberikan dukungan pembuatan keputusan kepada manajer pada semua tingkat dengan membantu integrasi antar tingkat.
3. Meningkatkan efektifitas manajer dalam pembuatan keputusan dan bukan peningkatan efisiennya.
Karakteristik SPK 1. Adaptability 2. Flexibility 3. User friendly
4. Support Intelligence, design,
choice
5. Effectiveness FMADM
FMADM (Fuzzy Multiple Attribute Decision Making) adalah
suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Inti dari FMADM adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan. Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut, yaitu pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif & obyektif.
Masing masing pendekatan memiliki kelebihan dan kelemahan. Pada pendekatan subyektif, nilai bobot ditentukan berdasarkan subyektifitas dari para pengambil keputusan, sehingga beberapa faktor dalam proses perankingan alternatif bisa ditentukan secara bebas. Sedangkan pada pendekatan obyektif, nilai bobot dihitung secara matematis sehingga mengabaikan subyektifitas dari pengambil keputusan. (Kusumadewi, 2007). Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah FMADM antara lain (Kusumadewi, 2006):
a. Simple Additive Weighting
b. Weighted Product (WP)
c. ELECTRE
d. Technique for Order Preference by Similarity to Ideal Solution
(TOPSIS)
e. Analytic Hierarchy Process
(AHP)
Algoritma Fuzzy MADM adalah: 1. Memberikan nilai setiap alternatif
(Ai) pada setiap kriteria (Cj) yang
sudah ditentukan, dimana nilai tersebut di peroleh berdasarkan nilai crisp; i=1,2,…m dan j=1,2,…n.
2. Memberikan nilai bobot (W) yang juga didapatkan berdasarkan nilai crisp.
3. Melakukan normalisasi matriks dengan cara menghitung nilai rating kinerja ternormalisasi (rij)
dari alternatif Ai pada atribut Cj
berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan/benefit =MAKSIMUM atau atribut biaya/cost=MINIMUM). Apabila berupa artibut keuntungan maka nilai crisp (Xij) dari setiap kolom
atribut dibagi dengan nilai crisp MAX (MAX Xij) dari tiap kolom,
sedangkan untuk atribut biaya, nilai crisp MIN (MIN Xij) dari tiap
kolom atribut dibagi dengan nilai crisp (Xij) setiap kolom.
4. Melakukan proses perankingan dengan cara mengalikan matriks ternormalisasi (R) dengan nilai bobot (W).
5. Menentukan nilai preferensi untuk setiap alternatif (Vi)
dengan cara menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot (W). Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih( Kusumadewi ,
2007).
Simple Additive Weighting Method (SAW)
Metode SAW dikenal juga dengan 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.
.
(1
)
Nilai preferensi untuk setiap
alternatif (Vi) diberikan sebagai: Nilai Vi yang lebih besar mengindikasikan
bahwa alternatif Ai lebih terpilih.
Keterangan :
rij = nilai rating kinerja
ternormalisasi
xij = nilai atribut yang dimiliki dari
setiap kriteria
max i xij = nilai terbesar dari setiap
kriteria
min i xij = nilai terkecil dari setiap
kriteria
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: n
Vi = Σ wj rij (2) j=1
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.
Langkah Penyelesaian
Penelitian ini menggunakan Fuzzy MADM dengan metode SAW. Adapun langkah-langkahnya adalah: 1. Menentukan kriteria dan bobot
2. Memberikan nilai setiap alternatif (Ai) pada setiap kriteria (Cj) yang
sudah ditentukan, dimana nilai i=1,2,…m dan j=1,2,…n.
3. Memberikan nilai bobot (W) yang juga didapatkan berdasarkan nilai crisp.
4. Melakukan normalisasi matriks dengan cara menghitung nilai rating kinerja ternormalisasi (rij)
dari alternatif Ai pada atribut Cj
berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan/benefit =MAKSIMUM atau atribut biaya/cost=MINIMUM). Apabila berupa artibut keuntungan maka nilai crisp (Xij) dari setiap kolom
atribut dibagi dengan nilai crisp MAX (MAX Xij) dari tiap kolom,
sedangkan untuk atribut biaya, nilai crisp MIN (MIN Xij) dari tiap
kolom atribut dibagi dengan nilai crisp (Xij) setiap kolom.
Melakukan proses perankingan untuk setiap alternatif (Vi)
dengan cara mengalikan nilai bobor (wi) dengan nilai rating
kinerja ternormalisasi (rij).
HASIL DAN PEMBAHASAN
Dalam melakukan penelitian pencangan dan pembangunan Sistem Pendukung Keputusan penentuan penerima beasiswa BBM dilakukan dengan tahap-tahap sebagai berikut:
1. Studi Pustaka
Mengumpulkan dan
mempelajari
Studi Pustaka dilakukan untuk
mengumpulkan dan
mempelajari referensi dan teori-teori pendukung yang berkaitan dengan aplikasi yang akan dibangun.
2. Analisis Kebutuhan
Analisis kebutuhan dilakukan untuk mengetahui kebutuhan fungsional dan non fungsional yang diinginkan dari sistem. 3. Perancangan
Perancangan terdiri dari perancangan arsitektur seperti perancangan kriteria-kriteria dan nilai bobot masing-masing kriteria, perancangan data, perancangan antarmuka dan perancangan prosedural aplikasi.
4. Implementasi
Graphical User Interface (tatap
muka pengguna) SPK diimplementasikan dengan menggunakan bahasa pemrograman Java dengan teknologi Java 2 Standard Edition dan Relational Database
Management System
menggunakan MySQL Server. 5. Pengujian
Setelah program aplikasi SPK selesai dibuat, selanjutnya dilakukan proses pengujian. Penggujian dilakukan pada komputer standalone. Pengujian dimaksudkan untuk mengetahui apakah aplikasi dapat berjalan dengan baik dan sesuai dengan output yang diharapkan serta mempunyai hasil yang akurat. Pengujian ini dimulai dengan membuka Frame Utama (Main
Frame) kemudian menguji
akses menu aplikasi SPK, pengujian kriteria dan bobot masing-masing kriteria, serta perankingan nilai bobot masing-masing pelamar beasiswa 6. Perbaikan Aplikasi
Berdasarkan hasil pengujian yang dilakukan terhadap aplikasi jika ditemukan kelemahan-kelemahan dan kekurangan aplikasi maka dilakukan perbaikan program aplikasi SPK.
7. Publikasi
Jika proses perbaikan telah selesai selanjutnya dilakukan publikasi melalui pembuatan jurnal.
Analisis FMADM dengan Metode SAW
Pada proses penyeleksian alternatif pelamar beasiswa terbaik menggunakan model Fuzzy Multiple
Attribute Decision Making (FMADM)
dengan metode Simple Additive
Weighting (SAW) diperlukan
perhitungan nilai kriteria-kriteria dan bobot masing-masing kriteria sehingga didapat alternatif terbaik, dalam hal ini alternatif yang dimaksud adalah yang berhak menerima beasiswa berdasarkan nilai bobot kriteria-kriteria yang ditentukan. Sehingga beasiswa yang diberikan benar-benar bersifat akurat dan tepat sasaran.
Kriteria dan Bobot
Model Fuzzy MADM dan metode SAW memerlukan kriteria yang akan dijadikan bahan perhitungan pada proses perankingan.
Tabel 1. Kriteria Kriteria Keterangan
C1 Penghasilan Orang Tua
C2 Status Rumah
C3
Kondisi Rumah Orang Tua
C4
Jumlah Tanggungan Keluarga
C5 Status Hidup Orang Tua
C6 Tingkat di Politeknik
C7 IPK
Dari masing-masing kriteria ditentukan perhitungan nilai bobot. Pada bobot terdiri dari lima bilangan
fuzzy, yaitu Sangat Rendah (SR),
Rendah (R), Sedang (S), Tinggi (T), dan Sangat Tinggi (ST) seperti terlihat pada Gambar 1
Gambar 1. Grafik Penilaian Bobot
Tabel kriteria dapat dijelaskan sebagai berikut:
Tabel 2. Kriteria Penghasilan Orang Tua
(C1)Penghasilan
Ortu Bilangan Fuzzy Nilai
< 1.000.000 Sangat Rendah (SR) 0 > 1.000.000 – 2.000.000 Rendah (R) 2.5 > 2.000.000 – 3.000.000 Sedang (S) 5 > 3.000.000 – 5.000.000 Tinggi (T) 7.5 < 5.000.000 Sangat Tinggi (ST) 10
Tabel 3 Status Rumah (C2Status Rumah Bilangan Fuzzy Nilai Penampungan/Numpang Tinggal/Panti Asuhan Sangat Rendah 2,5 Menyewa/Kontrakan Rendah (R) 2.5
Milik Keluarga Sedang (S) 5
Rumah Dinas Tinggi (T) 7.5
Hak Milik Pribadi Sangat
Tinggi (ST) 10
Tabel 4 Kondisi Rumah Orang Tua (C3) Kondisi Rumah Orang Tua Bilangan Fuzzy Nilai Pondok Sangat Rendah 0 Rumah Kayu/Semi Permanen Rendah (R) 2.5 Permanen Belum di Plester Sedang (S) 5 Permanen(Sudah Selesai) Tinggi (T) 7.5 Real Estate/Rumah Mewah Sangat Tinggi (ST) 10 0 2.5 5 7.5 10 10 SR R S T ST ST
Tabel 5. Jumlah Tanggungan Keluarga (C4) Jumlah Tanggungan Keluarga Bilangan Fuzzy Nilai
<= 2 Jiwa Sangat Sedikit 0
3 - 4 Jiwa Sedikit (SD) 2.5
5 - 6 Jiwa Sedang (S) 5
7 - 9 Jiwa Banyak (T) 7.5
>=10 Jiwa Sangat
Banyak(ST) 10
Tabel 6. Status Hidup Orang Tua (C5) Status
Orang Tua
Bilangan
Fuzzy Nilai
Yatim Piatu Sangat
Rendah 0
Yatim (Ayah
Meninggal) Rendah (R) 2.5
Piatu (Ibu
Meninggal) Sedang (S) 5
Ayah dan Ibu
Cerai Tinggi (T) 7.5
Ayah Ibu Masih Hidup
Sangat Tinggi
(ST) 10
Tabel 7. Tingkat di Politeknik Negeri Padang (C6)Tingkat di Politeknik Bilangan Fuzzy Nilai I Rendah (R) 2.5 II Sedang (S) 5 III Tinggi (T) 7.5 IV Sangat Tinggi (ST) 10
Tabel 8 IPK (Tingkat II dan III) (C7) IPK Bilangan Fuzzy Nilai IPK >= 2.00 – 2.25 Sangat Rendah 0 IPK >= 2.25 – 2.50 Rendah (R) 2.5 IPK >= 2.50 – 3.00 Sedang (S) 5 IPK >= 3.00 – 3.50 Tinggi (T) 7.5 IPK >= 3.50 – 4.00 Sangat Tinggi (ST) 10
Tabel 9. Contoh Data 3 orang Pelamar yang Mengajukan Beasiswa BBM P.hasil an Ortu Statu s rmhs Kondi si Rmh Tangg Kel. Status Hidup Ortu Ti ng kat IP K 1.200. 000 Milik Kelua rga Rumah
Kayu 4 Yatim III
3,1 5 2.000. 000 Meny ewa Perma nen 6 Ayah Ibu Masih Hidup II 3, 45 3.000. 000 Ruma h Dinas Perma nen 8 Ayah Ibu Masih Hidup I 2,8 5
Perhitungan Hasil Seleksi Beasiswa BBM
1. Rating kecocokan setiap alternatif pada setiap kriteria
Untuk menentukan penerima beasiswa menggunakan Model
Fuzzy Multiple Attribute Decision Making (FMADM) dengan metode Simple Additive Weighting (SAW)
dilakukan pemberian nilai setiap alternatif (Ai) pada setiap kriteria (Cj)
yang sudah ditentukan.
Tabel 10. Rating kecocokan dari setiap alternatif pada setiap kriteria.
Tabel rating kecocokan kemudian diubah kedalam matriks keputusan X.
(2)
Ai Kriteria(Cj) C1 C2 C3 C4 C5 C6 C7 A1 2,5 5 2,5 2,5 2, 5 7, 5 7, 5 A2 2,5 2,5 7,5 5 10 5 7, 5 A3 5 7,5 7,5 7,5 10 2, 5 52. Memberikan nilai bobot Vektor (W)
Tabel 11. Tingkat kepentingan masing-masing kriteria Kriteria Bobot Nilai
C1 Sangat Tinggi 10 C2 Sedang 5 C3 Sedang 5 C4 Tinggi 7,5 C5 Sangat Tinggi 10 C6 Sedang 5 C7 Sedang 5
Sehingga diperoleh Vektor bobot (W) dengan data
Tabel 12. Penggolongan Kriteria Kriteria Cost Benefit
Penghasilan Orang Tua √ Status Rumah √ Kondisi Rumah Orang Tua √ Jumlah Tanggungan Keluarga √ Status Hidup Orang Tua √ Tingkat di Politeknik √ IPK √
a. Penghasilan orang tua termasuk kedalam atribut (cost),
b. Status rumah termasuk kedalam atribut biaya (cost)
c. Kondisi rumah termasuk kedalam atribut biaya (cost)
d. Jumlah tanggungan keluarga termasuk kedalam atribut benefit
e. Status hidup orang tua termasuk kedalam atribut cost
f. Untuk tingkat di politeknik termasuk kedalam atribut benefit
,
g. IPK termasuk kedalam atribut benefit,
Sehingga didapatkan nilai untuk Matrix R
3. Melakukan proses perangkingan dengan menggunakan persamaan (2) V1 = (10)(1) + (5)(0,5) + (5)(0.5) +(7.5)(0.25) + (10)(0.5)+ (5)(0.75)+(5)(0.75) = 10 + 2,5 + 2,5 + 1.875 +5 + 3.75 + 3.75 = 29.375 V2 = (10)(1) + (5)(1) + (5)(0.33) + (7.5)(0.5) + (10)(0.25)+ (5)(0.5)+(5)(0.75) = 10 + 5 + 1.65 + 3.75 + 2,5 + 2,5 + 3,75 = 29,15 V3 = (10)(0.5) + (5)(0.33) + (5)(0.33) + (7.5)(0.75) + (10)(0.25)+ (5)(0.25)+(5)(0.5) = 5 + 1.65 + 1,65 + 5,625 + 2,5 +1,2 +1,25 = 18.925 V1 = 29.375, V2 = 29,15 dan
V3 = 18.925 Dapat dikatakan bahwa
pelamar alternatif A1 adalah alternatif yang terpilih sebagai alternatif terbaik.
HASIL DAN PEMBAHASAN Implementasi Antar Muka a. Halaman Utama
Gambar 2. Halaman Utama
Gambar 3. Message Dialog jika Login Berhasil
Gambar 4. Message Dialog jika Login Gagal
b. Input Data Pelamar Beasiswa BBM
Gambar 5. Input Data Pelamar c. Input Data Tahun Ajaran
Gambar 6. Input Data Tahun Ajaran
d. Pemberian Nilai Bilangan Fuzzy dan Bobot Kriteria
Gambar 7. Pemberian Nilai Fuzzy dan Bobot Kriteria
e. Penyimpanan Nilai Fuzzy dan Bobot Berhasil Dilakukan
Gambar 8. Penyimpanan Nilai Fuzzy dan Bobot f. Proses Perankingan
Gambar 9. Proses Perankingan Kesimpulan
1. Metode Fuzzy Multiple Attribute
Decision Making (FMADM)
dengan metode Simple Additive
Weighting (SAW) dapat
diterapkan untuk menentukan
penerima beasiswa BBM pada Politeknik Negeri Padang
2. Sistem yang dibangun dapat mempercepat proses penyeleksian beasiswa dan mampu mengurangi kesalahan dalam menentukan penerima beasiswa.
3. Perancangan sistem pengambilan keputusan untuk menentukan penerima beasiswa BBM di Politeknik Negeri Padang sesuai prosedur yang diharapkan.
DAFTAR PUSTAKA
[1] Dwi Prasetyo, Didik. 2004, Tip
dan Trik Pemograman Java 2.
Jakarta : Elex Media Komputindo [2] Bambang Hariyanto. 2003. Esensi-Esensi Bahasa Pemograman Java. Bandung : Informatika.
[3] Abdul Kadir. 2004, Dasar Pemograman Java 2. Yogyakarta : Andi
[4] Sri Kusumadewi, Sri Hartati, , Agus Harjoko, dan Retantyo Wardoyo. 2006 ,Fuzzy
Multi-Attribute Decision Making
(FUZZY MADM). Yogyakarta:
Graha Ilmu.
[5] Shofwatul Imam dkk. 2011, A
Fuzzy Topsis Multiple-Attribute Decision Making for Scholarship Selection, Telkomnika.
[6] Turban, Efran, Jay E Aronson, Ting – Peng Liang, 2007.
Decision Support System and Intelligent System”
