Implementasi Metode Combinative Distance-Based Assessment (CODAS) Untuk Rekomendasi Rekanan Jasa Konsultansi Berbasis Website
Neneng Suriati*, Dwi Marisa Midyanti, Uray Ristian
Fakultas Matematika dan Ilmu Pengetahuan Alam, Rekayasa Sistem Komputer, Universitas Tanjungpura, Pontianak, Indonesia Email: 1*[email protected], 2[email protected], 3[email protected]
Email Penulis Korespondensi: [email protected] Submitted 05-10-2022; Accepted 31-10-2022; Published 31-10-2022
Abstrak
Bidang Penelitian, Pengembangan dan Inovasi Daerah (PPID) merupakan salah satu bidang pada Badan Perencanaan, Pembangunan, Daerah, Penelitian dan Pengembangan (BAPPEDALITBANG). Bidang PPID di Kantor Bupati Kubu Raya memiliki program untuk melakukan pemilihan jasa konsultansi. Namun pelaksanaan pemilihan jasa konsultansi masih dilakukan secara manual dengan memberikan nilai setiap peserta berdasarkan kriteria yang telah ditentukan dan berkas-berkas yang telah dikumpulkan. Nilai tersebut kemudian dijumlahkan secara manual dan dilakukan perangkingan. Adapun dasar pemberian nilai terhadap peserta jasa konsultansi perlu di manejemen sehingga penilaiannya lebih efektif dan terstruktur. Penyimpanan berkas administrasi masih berbentuk hardfile, sehingga kurang efektif karena mengakibatkan beberapa resiko, seperti kehilangan berkas dan sulitnya dalam melakukan pencarian berkas, jika diperlukan. Penelitian ini membangun sistem pendukung keputusan menggunakan metode Combinative Distance-Based Assessment (CODAS) untuk merekomendasikan rekanan jasa konsultansi. Penerapan metode CODAS menggunakan 3 kriteria, 6 sub kriteria, dan 19 subsubkriteria. Hasil perhitungan menggunakan metode CODAS diurutkan dari nilai yang tertinggi hingga nilai terendah. Dari 30 data alternatif yang digunakan, diperoleh peringkat pertama adalah A1 dengan nilai 4,6217, peringkat kedua adalah A23 dengan nilai 4,3527, dan peringkat ketiga adalah A27 dengan nilai 4,2107. Dari 30 data alternatif yang digunakan diperoleh nilai korelasi rank spearman sebesar 0,9973 yang masuk dalam kategori positif sangat tinggi.
Kata Kunci: CODAS; Rekomendasi; Jasa Konsultansi; Sistem Pendukung Keputusan; Korelasi Rank Spearman Abstract
Regional Research, Development and Innovation (PPID) is one of the fields in the Planning, Development, Regional, Research and Development Agency (BAPPEDALITBANG). The PPID sector at the Kubu Raya Regent's Office has a program to select consulting services. However, the implementation of the selection of consulting services is still done manually by giving each participant a score based on predetermined criteria and the files that have been collected. These values are then added up manually and ranked. The basis for assigning value to participants in consulting services needs to be managed so that the assessment is more effective and structured.
Storage of administrative files is still in the form of hard files, so it is less effective because it results in several risks, such as file loss and difficulty in searching for files, if needed. This study builds a decision support system using the Combinative Distance-Based Assessment (CODAS) method to recommend consulting service partners. The application of the CODAS method uses 3 criteria, 6 sub- criteria, and 19 sub-criteria. The results of calculations using the CODAS method are sorted from the highest value to the lowest value.
From the 30 alternative data used, the first rank is A1 with a value of 4.6217, the second rank is A23 with a value of 4.3527 , and the third rank is A27 with a value of 4.2107. Of the 30 alternative data used, the Spearman rank correlation value of 0.9973 is included in the very high positive category.
Keyword: CODAS; Recommendations; Consultancy Service; Decision Support Systems; Spearman Rank Correlation
1. PENDAHULUAN
Jasa konsultansi adalah jasa layanan, professional yang membutuhkan keahlian tertentu di berbagai bidang keilmuan yang mengutamakan adanya olah pikir [1]. Jasa konsultansi dapat dilakukan melalui beberapa metode pemilihan yaitu seleksi, pengadaan langsung, dan penunjukan langsung. Pemilihan jasa konsultansi pada Badan Perencanaan Pembangunan Daerah, Penelitian dan Pengembangan (BAPPEDALITBANG) Kabupaten Kubu Raya dilakukan secara internal menggunakan metode penunjukan langsung. Penunjukan langsung adalah metode pemilihan untuk mendapatkan penyedia barang/pekerjaan konstruksi/ jasa konsultansi/ jasa lainnya dalam keadaan tertentu [2]. Pemilihan jasa konsultansi menggunakan metode penunjukan langsung dilakukan dengan menunjuk satu penyedia jasa konsultansi yang telah melalui proses seleksi dan memenuhi standar kriteria secara internal pada Bidang Penelitian, Pengembangan dan Inovasi Daerah (PPID). PPID merupakan salah satu bidang pada BAPPEDALITBANG. BAPPEDALITBANG termasuk kedalam organisasi perangkat daerah di Kantor Bupati Kabupaten Kuburaya. Pelaksanaan pemilihan jasa konsultansi masih dilakukan secara manual dengan cara memberikan nilai setiap peserta berdasarkan berkas-berkas yang telah dikumpulkan dengan kriteria yang telah ditentukan, kemudian nilai tersebut dijumlahkan secara manual pada setiap peserta, terakhir dilakukan perangkingan. Adapun dasar pemberian nilai terhadap peserta jasa konsultansi perlu di manejement sehingga penilaiannya lebih efektif dan terstruktur. Selain itu penyimpanan berkas administrasi berbentuk hardfile kurang efektif karena akan mengakibatkan beberapa resiko, seperti kehilangan berkas dan sulitnya dalam melakukan pencarian berkas, jika diperlukan. Oleh sebab itu dibutuhkan suatu sistem pendukung keputusan yang dapat memberikan rekomendasi agar penunjukan penyedia jasa konsultansi lebih efektif dan tepat sasaran.
Salah satu metode yang dapat digunakan untuk sistem pendukung keputusan yaitu metode Combinative Distance- Based Assessment (CODAS). Metode CODAS merupakan salah satu metode yang dapat menangani banyak kriteria.
Metode yang dikembangkan oleh Mehdi Keshavarz Ghorabaee dkk pada tahun 2016 ini memiliki kelebihan dalam mengukur performa keseluruhan dari suatu alternatif menggunakan jarak Euclidean dan Taxicab dari titik negatif sampai
ideal. Dalam sistem pendukung keputusan untuk rekomendasi rekanan jasa konsultansi diterapkan menggunakan metode CODAS. Dalam mencari tingkat keeratan hubungan antara metode CODAS dengan perhitungan konvensional digunakan korelasi rank spearman. Penelitian selanjutnya pernah diterapkan dengan judul “Sistem Seleksi Penerimaan Bantuan Program Keluarga Harapan Menggunakan Metode Combinative Distance-Based Assesment (CODAS) di kecamatan Pontianak Timur” [3]. Tujuan dari penelitian ini yaitu membangun sistem yang dapat secara tepat menentukan peserta yang lolos seleksi penerima bantuan PKH. Penelitian ini memiliki 16 kriteria kemiskinan dan 7 kriteria PKH. Hasil penelitian ini berdasarkan dari 200 peserta ada 20 peserta yang dinyatakan masuk desil 1 dimana 17 diantaranya dinyatakan lolos seleksi penerima bantuan PKH oleh sistem. Penelitian terkait tentang jasa konsultansi juga pernah dilakukan oleh [4] dengan judul “Pemilihan Rekanan Jasa Konsultansi dengan Metode AHP (Studi Kasus Pengadaan di Universitas Sebelas Maret Surakarta)”. Penelitian ini bertujuan untuk menentukan peringkat penyedia jasa konsultansi.
Hasil pemilihan penyedia jasa konsultansi diperoleh peringkat pertama yaitu PT. D dengan jumlah prioritas 1,521.
Selanjutnya diikuti oleh PT. A dengan jumlah prioritas 1,461, PT. B dengan jumlah prioritas 1,440, dan PT.C dengan jumlah prioritas 1,374. Hasil ini menunjukkan bahwa secara keseluruhan PT. D memiliki nilai paling tinggi dibandingkan dengan 3 alternatif yang lain. Penelitian terkait tentang jasa konsultansi juga pernah dilakukan dengan judul “Sistem Pendukung Keputusan Pemilihan Konsultan Desain Dengan Metode Simple Additive Weighting” [5]. Tujuan dari penelitian ini yaitu untuk memilih konsultan pada lelang terbuka. Penelitian ini memiliki 6 kriteria. Kriteria ke-1 terdapat 2 subkriteria, kriteria ke-2, 3, 4, 5 dan 6 terdapat 4 subkriteria. Hasil penelitian menunjukan bahwa perusahaan konsultan A3 memperoleh nilai tertinggi yaitu 0,9972 dari 3 perusahaan konsultan lainnya.
Berdasarkan penelitian terkait yang telah dilakukan sebelumnya, maka dilakukan penelitian tentang “Implementasi Metode Combinative Distance-Based Assessment (CODAS) Untuk Rekomendasi Rekanan Jasa Konsultansi Berbasis Website (Studi Kasus: Kantor Bupati Kubu Raya)”. Sistem ini diimplementasikan berbasis website sehingga lebih mudah dalam penggunaannya.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Tahapan penelitian terdapat tujuh tahapan, yaitu studi literatur, pengumpulan data, analisis kebutuhan, perancangan sistem, implementasi, pengujian sistem, serta terdapat kesimpulan dan saran. Tahapan pertama adalah studi literatur.
Literatur yang dikumpulkan berupa bahan-bahan atau materi sumber untuk dapat digunakan sebagai referensi. Literatur yang digunakan dapat berupa jurnal ilmiah penelitian sebelumnya, buku-buku, dan data-data yang dapat digunakan untuk mendukung tercapainya tujuan penelitian. Hasil yang didapat dalam tahap studi literatur digunakan sebagai pendukung teori-teori dalam penulisan tugas akhir. Tahapan kedua adalah pengumpulan data. Pngumpulan data dilakukan dengan observasi langsung ke Kantor Bupati Kubu Raya khususnya pada Bidang PPID. Secara spesifik data yang digunakan berjumlah 30 data, yang diambil dari Kantor Bupati Kubu Raya pada Bidang PPID. Subsubriteria yang digunakan dalam penelitian ini berjumlah 19 subsubkriteria. Subsubriteria ini ditetapkan oleh Bidang PPID di Kantor Bupati Kubu Raya.
Hasil pengumpulan data ini akan digunakan untuk melatih dan menguji sistem pada penelitian ini. Tahapan ketiga adalah analisis kebutuhan. Tahapan ini digunakan untuk menganalisis apa yang dibutuhkan dalam membangun sebuah sistem.
Analisis kebutuhan dibagi menjadi dua, yaitu analisis kebutuhan perangkat keras dan perangkat lunak. Tahapan keempat adalah perancangan sistem. Perancangan sistem pada penelitian ini berupa perancangan perangkat lunak. Tahapan kelima adalah implementasi. Implementasi adalah tahap untuk membangun sistem yang sudah dirancang pada tahap perancangan, sehingga menghasilkan keluaran yang diinginkan. Tahapan ini mengimplementasikan Algoritma CODAS untuk melakukan perangkingan yang dilakukan. Tahap keenam adalah pengujian. Pengujian yang dilakukan ada dua jenis yaitu pengujian black box, dan korelasi rank spearman. Tahap ketujuh adalah kesimpulan dan saran. Menarik kesimpulan dilakukan untuk menjawab rumusan masalah dan memberikan saran untuk menyelesaikan masalah yang belum terselesaikan. Berikut tahapan yang dilakukan pada Gambar 1.
Gambar 1. Tahap Penelitian 2.2 Sistem Pendukung Keputusan
Sistem pendukung keputusan adalah suatu sistem informasi yang dibuat untuk mengatur dalam mengambil keputusan yang berkaitan dengan permasalahan yang bersifat semi terstruktur secara efektif dan efisien, serta tidak mengubah fungsi pengambil keputusan dalam membuat keputusan [6].
2.3 Multi Criteria Decision Making (MCDM)
Multi Criteria Decision Making (MCDM) adalah sebuah metode pengambilan keputusan dalam menentukan alternatif terbaik dari beberapa alternatif yang sudah ada berdasarkan kriteria yang sudah ditentukan [7]. Adapun kriteria tersebut berupa ukuran, aturan atau standar yang digunakan pada pengambilan keputusan. Berdasarkan tujuannya, MCDM dapat dibagi dua model: Multi Attribute Decision Making (MADM) dan Multi Objective Decision Making (MODM). Salah satu metode MCDM yang mengadopsi model MADM adalah metode CODAS.
2.4 Combinative Distance-Based Assessment (CODAS)
Combinative Distance-Based Assessment (CODAS) adalah salah satu metode yang digunakan untuk menyelesaikan masalah penentuan keputusan yang memiliki banyak kriteria [8]. Dalam metode ini, alternatif dipilih melalui dua pengukur. Pengukur utama berhubungan dengan jarak Euclidean alternatif dari negatif-ideal. Menggunakan tipe jarak seperti ini membutuhkan sebuah ruang pengabaian standar I2 untuk kriteria. Pengukur kedua adalah jarak Taxicab yang berhubungan dengan ruang pengabaian standar I1. Alternatif yang memiliki jarak lebih besar dari solusi negatif-ideal merupakan alternatif yang lebih diutamakan. Dalam metode ini, jika terdapat dua atau lebih alternatif yang memiliki jarak Euclidean yang sama, maka jarak Taxicab digunakan sebagai pengukur kedua. Walaupun ruang pengabaian standar I2 lebih diutamakan dalam CODAS, namun kedua ruang pengabaian dapat diperhitungkan dalam prosesnya. Dalam melakukan proses pemeringkatan, metode CODAS memiliki tujuh tahapan, yaitu sebagai berikut [8]:
a. Pembentukan Matriks Pengambilan Keputusan (X), dapat dihitung dengan Persamaan 1.
𝑋 = [𝑥𝑖𝑗]
𝑛×𝑚 = [
𝑥11 𝑥12 ⋯ 𝑥1𝑚 𝑥21 𝑥22 ⋯ 𝑥2𝑚
⋮ ⋮ ⋱ ⋮
𝑥𝑛1 𝑥𝑛2 ⋯ 𝑥𝑛𝑚
] (1)
Dimana:
m : Jumlah kriteria n : Jumlah alternatif
xij : nilai performa dari alternatif i terhadap kriteria j
b. Normalisasi Matriks Pengambilan Keputusan untuk semua kriteria. Digunakan normalisasi linear untuk nilai performa dengan Persamaan 2.
𝑛𝑖𝑗= {
𝑥𝑖𝑗
max𝑖 𝑥𝑖𝑗 𝑗𝑖𝑘𝑎 𝑗 ∈ 𝑁𝑏
min𝑖 𝑥𝑖𝑗
𝑥𝑖𝑗 𝑗𝑖𝑘𝑎 𝑗 ∈ 𝑁𝑐 (2)
Dimana:
𝑛𝑖𝑗 : Nilai performa ternormalisasi dari alternatif i terhadap kriteria j 𝑁𝑏 : Kriteria tipe keuntungan (benefit)
𝑁𝑐 : Kriteria tipe biaya (cost)
c. Menghitung matriks pengambilan keputusan ternormalisasi dan terbobot. Nilai performa ternormalisasi dan terbobot dari alternatif i terhadap kriteria j (rij) dapat dihitung menggunakan Persamaan 3.
𝑟𝑖𝑗= 𝑤𝑗. 𝑛𝑖𝑗 (3)
Dimana:
𝑤𝑗 : Bobot ternormalisasi dari kriteria j 0 < 𝑤𝑗< 1
∑𝑚𝑗=1𝑤𝑗= 1.
d. Menentukan titik solusi ideal-negatif dari setiap kriteria (nsj) dengan menggunakan Persamaan 4 dan Persamaan 5.
𝑛𝑠 = [𝑛𝑠𝑗]
1×𝑚 (4)
𝑛𝑠𝑗= 𝑚𝑖𝑛
𝑖 𝑟𝑖𝑗 (5)
e. Menghitung jarak Euclidean (Ei) dan jarak Taxicab (Ti) alternatif dari solusi negatif-ideal, menggunakan Persamaan 6 dan Persamaan 7.
𝐸𝑖= √∑𝑚𝑗=1(𝑟𝑖𝑗− 𝑛𝑠𝑗)2 (6)
𝑇𝑖= ∑𝑚𝑗=1|𝑟𝑖𝑗− 𝑛𝑠𝑗| (7)
f. Membuat matriks Relative Assessment (Ra) atau penilaian relatif dan komponen matriksnya (hik), dengan menggunakan Persamaan Persamaan 8 dan Persamaan 9.
𝑅𝑎 = [ℎ𝑖𝑘]𝑛×𝑛 (8)
ℎ𝑖𝑘= (𝐸𝑖− 𝐸𝑘) + (𝜓(𝐸𝑖− 𝐸𝑘) × (𝑇𝑖− 𝑇𝑘)) (9)
Dimana 𝑘 ∈ {1,2, ⋯ , 𝑛}, dan 𝜓 (baca: miu) adalah fungsi ambang batas untuk mengenali Persamaan jarak-jarak Euclidean dari dua alternatif, dan didefinisikan dengan Persamaan Persamaan 10.
𝜓(𝑥) = {1 𝑗𝑖𝑘𝑎 |𝑥| ≥ 𝜏
0 𝑗𝑖𝑘𝑎 |𝑥| < 𝜏 (10)
Dimana 𝜏 (baca: tau) merupakan parameter ambang batas yang dapat ditentukan oleh pembuat keputusan. Disarankan untuk menentukan parameter ini dengan nilai di antara 0,01 dan 0,05. Jika perbedaan antara jarak-jarak Euclidean dari dua alternatif kurang dari 𝜏, kedua alternatif ini juga dibandingkan dengan menggunakan jarak Taxicab.
g. Menghitung hasil penilaian dari tiap alternatif (Hi), dapat dihitung dengan Persamaan 11.
𝐻𝑖= ∑𝑛𝑘=1ℎ𝑖𝑘 (11)
Mengurutkan peringkat alternatif berdasarkan pada hasil penilaian alternatif i (𝐻𝑖). Alternatif dengan hasil penilaian (𝐻𝑖) paling tinggi merupakan pilihan terbaik diantara alternatif yang ada.
2.5 Korelasi Rank Spearman
Kolerasi rank spearman merupakan salah satu teknik analisis statistik yang digunakan untuk menghitung korelasi antara dua kelompok data (variabel) yang sama berskala atau berjenis ordinal (rangking, tingkatan atau urutan) [9]. Nilai korelasi rank spearman berada di antara -1 sampai dengan 1. Rumus yang digunakan untuk melakukan pengukuran korelasi rank spearman dapat dilihat pada Persamaan 12.
𝑟𝑠= 1 − 6 ∑𝑛𝑖=1𝑑𝑖2
𝑛(𝑛2−1) (12)
Dimana:
𝑟𝑠 : Koefisien Kolerasi Rank Spearman 𝑑𝑖 : Selisih setiap rank
𝑛 : Banyaknya pasangan data 1 & 6 : Bilangan konstan
Tabel 1. Tingkat Hubungan Antara Variabel
Nilai r Interpretasi
0,900 s/d 1,000 (-0,900 s/d -1,000) Korelasi (+/-) Sangat Tinggi 0,700 s/d 0,900 (-0,700 s/d -0,900) Korelasi (+/-) Tinggi 0,500 s/d 0,700 (-0,500 s/d -0,700) Korelasi (+/-) Sedang 0,300 s/d 0,500 (-0,300 s/d -0,500) Korelasi (+/-) Rendah 0,000 s/d 0,300 (-0,000 s/d -0,300) Korelasi (+/-) Tidak Berarti 2.6 Flowchart
Flowchart merupakan sebuah diagram alir dengan simbol-simbol grafis yang menyatakan aliran algoritma atau proses dalam suatu program yang menyatakan arah alur program tersebut [10]. Diagram ini bisa memberi solusi langkah demi langkah untuk penyelesaian masalah yang ada di dalam proses algoritma, sehingga lebih mudah untuk memahami alur algoritma tersebut.
2.7 Unified Modeling Language (UML)
Unified Modeling Language (UML) merupakan bahasa pemodelan untuk sistem atau perangkat lunak yang berparadigma berorientasi objek [10]. Pemodelan sesungguhnya digunakan dalam penyederhanaan permasalahan-permasalahan yang kompleks, sehingga lebih mudah dipelajari dan dipahami. Fungsi dari penggunaan UML yaitu dapat memodelkan rancangan sistem yang berkonsep berorientasi objek, jadi tidak hanya digunakan untuk memodelkan perangkat lunak saja.
Pada UML terdapat use case, activity diagram dan sequence diagram.
2.8 Entity Relationship Diagram (ERD)
Entity Relationship Diagram (ERD) merupakan model data berupa notasi grafis dalam pemodelan data konseptual yang menggambarkan hubungan antara penyimpan [10]. Model data sendiri merupakan sekumpulan cara, peralatan untuk mendeskripsikan data-data yang hubungannya satu sama lain, semantiknya, serta batasan konsistensi. Model data terdiri dari model hubungan entitas dan model relasional.
2.9 Hypertext Preporcessor (PHP)
PHP adalah bahasa pemograman script server side yang dirancang untuk membuat dan mengembangkan web. Bahasa pemograman ini dirancang untuk dapat menciptakan suatu halaman web yang bersifat dinamis [11]. PHP bersifat open source sehingga dapat digunakan secara gratis dan juga dapat berjalan pada berbagai macam sistem operasi mainstream.
2.10 Framework Laravel
Framework Laravel merupakan pengembangan website berbasis MVC (Model View Controller) yang ditulis dalam PHP yang dirancang untuk meningkatkan kualitas perangkat lunak dengan mengurangi biaya pengembangan awal dan biaya pemeliharaan, serta untuk meningkatkan pengalaman bekerja dengan aplikasi yang menyediakan sintaks yang ekspresif, jelas dan menghemat waktu [12]. MVC merupakan sebuah pendekatan perangkat lunak yang memisahkan aplikasi logika dari presentasi. MVC memisahkan aplikasi berdasarkan komponen-komponen aplikasi, seperti manipulasi, seperti manipulasi data, controller, dan user interface.
2.11 XAMPP
Xampp merupakan tool yang menyediakan paket perangkat lunak ke dalam satu buah paket [13]. Penamaan xampp diambil dari akronim kata Apache, MySQL atau MariaDB, PHP, dan Perl. Sementara huruf “X” berasal dari istilah cross platform sebagai simbol bahwa aplikasi ini bisa dijalankan di berbagai sistem operasi, seperti Linux, Windows, Mac OS.
2.12 Sublime Text
Sublime text merupakan aplikasi editor yang digunakan untuk menuliskan baris kode program [14]. Sublime text dapat berjalan diberbagai sistem operasi serta mempunyai fitur plugin tambahan yang memudahkan programmer. Selain itu, sublime text juga memiliki desain untuk sebuah syntax editor. Selain ringan, IDE ini memiliki kecepatan proses simpan dan buka file.
2.13 Database
Basis data (database) merupakan kumpulan data yang disimpan secara sistematis di dalam komputer, kemudian data tersebut diolah atau dimanipulasi menggunakan perangkat lunak (program aplikasi) untuk menghasilkan informasi yang dapat diterima oleh pengguna [15]. Basis data yang digunakan adalah MySQL yang merupakan singkatan dari “My Structured Query Language”. MySQL merupakan sebuah DBMS (Database Management System) menggunakan perintah SQL (Structured Query Language) yang banyak digunakan saat ini dalam pembuatan aplikasi berbasis website.
2.14 Website
Website adalah sebuah media informasi yang memiliki banyak halaman dan saling terhubung (hyperlink), dimana website memiliki fungsi dalam memberikan informasi berupa teks, gambar, video, suara dan animasi atau penggabungan dari semuanya [16]. Website dapat diakses menggunakan jaringan internet. Karakteristik utama yang dimiliki oleh website yaitu halaman-halaman yang saling terhubung, dilengkapi dengan domain sebagai alamat (url) atau World Wide Web (www), dan hosting sebagai media penyimpanan data.
2.15 Jasa Konsultansi
Pengadaan barang/jasa pemerintah adalah kegiatan pengadaan barang/jasa oleh kementrian/Lembaga/perangkat daerah yang dibiayai oleh APBN/APBD yang prosesnya sejak identifikasi kebutuhan sampai serah terima hasil pekerjaan [17].
Kegiatan pengadaan barang/jasa pemerintah yang digunakan adalah salah satunya jasa konsultansi. Jasa konsultansi adalah jasa layanan, professional yang membutuhkan keahlian tertentu di berbagai bidang keilmuan yang mengutamakan adanya olah pikir.
3. HASIL DAN PEMBAHASAN
Data yang digunakan dalam penelitian ini sebanyak 30 data. Subsubkriteria sebanyak 19 subsubkriteria. Subsubkriteria tersebut terdiri dari Pengalaman melaksanakan pekerjaan sejenis (K1), Pengalaman melaksanakan pekerjaan di Wilayah Indonesia (K2), Pengalaman manajerial dan fasilitas utama (K3), Kapasitas Perusahaan terhadap tenaga ahli tetap (K4), Pengertian terhadap tujuan pekerjaan yang akan dilaksanakan (K5), Lingkup serta jasa konsultansi yang diperlukan (K6), Penguasaan / pengenalan lapangan (K7), Ketepatan menganalisa dan memecahkan masalah (K8), Langkah pemecahan masalah yang diusulkan (K9), Konsistensi antara metodologi dengan rencana kerja (K10), Apresiasi terhadap inovasi (K11), Tanggapan terhadap KAK (K12), Analisis perhit teknis, gambar kerja, dan Laporan-laporan (K13), Alternatif yang diusulkan (K14), Fasilitas Peralatan (K15), Fasilitas Data Sekunder (K16), (*)Pendidikan dibidang (K17), Pengalaman Profesional (K18) dan Sertifikat Keahlian (K19). Hasilnya berupa rangking peserta jasa konsultansi berdasarkan nilai yang diperoleh dari perhitungan menggunakan metode CODAS.
3.1 Kriteria yang digunakan
Algoritma CODAS membutuhkan data masukan berupa nilai kriteria pada setiap alternatif. Algoritma CODAS dirancang menggunakan kriteria, subkriteria, dan subsubkriteria yang disajikan dalam bentuk tabel. Subsubkriteria dapat juga disimbolkan dengan K1, K2, sampai dengan K19. Tabel tersebut dapat dilihat pada Tabel 2.
Tabel 2. Kriteria yang digunakan
No Kriteria Subkriteria Subsubkriteria
1 Pengalaman Perusahaan (10%) Pengalaman melaksanakan pekerjaan
sejenis (K1) (5%)
Pengalaman Perusahaan perusahaan selama kurun waktu 10 tahun terakhir (10%)
Pengalaman melaksanakan pekerjaan di Wilayah Indonesia (K2) (2%) Pengalaman manajerial dan fasilitas utama (K3) (2%)
Kapasitas Perusahaan terhadap tenaga ahli tetap (K4) (1%)
2 Pendekatan dan Metodologi (20%)
Pemahaman atas Jasa Layanan yang tercantum dalam KAK (5%):
Pengertian terhadap tujuan pekerjaan yang akan dilaksanakan (K5) (2%) Lingkup serta jasa konsultansi yang diperlukan (K6) (2%)
Penguasaan / pengenalan lapangan (K7) (1%)
Kualitas Metodologi (10%) Ketepatan menganalisa dan memecahkan masalah (K8) (2%) Langkah pemecahan masalah yang diusulkan (K9) (2%)
Konsistensi antara metodologi dengan rencana kerja (K10) (2%)
Apresiasi terhadap inovasi (K11) (2%) Tanggapan terhadap KAK (K12) (2%) Hasil Kerja (Deliverable) (3%) Analisis perhit teknis, gambar kerja,
dan Laporan-laporan (K13) (2%) Alternatif yang diusulkan (K14) (1%) Fasilitas Pendukung Dalam
Pelaksanaan (2%)
Fasilitas Peralatan (K15) (1%) Fasilitas Data Sekunder (K16) (1%) 3 Kualifikasi Tenaga Ahli (70%) (*)Ahli dibidang (Team Leader)
( 70% )
(*)Pendidikan dibidang (K17) (30%) Pengalaman Profesional (K18) (25%) Sertifikat Keahlian (K19) (15%) 3.2 Hasil Perhitungan Algoritma CODAS
Perhitungan ini menggunakan data sebanyak 4 data sebagai contoh untuk menggambarkan langkah-langkah perhitungan.
Data yang digunakan sebanyak 30 data. Berikut adalah langkah-langkah perhitungan menggunakan Algoritma CODAS.
Persiapan data dalam bentuk tabel agar lebih mudah untuk melihatnya. Data peserta disimbolkan dengan A1, A2, sampai dengan A30, Sedangkan subsubkriteria disimbolkan dengan K1, K2, sampai dengan K19. Tabel 3 merupakan tabel yang berisi data nilai peserta yang telah dimasukkan berdasarkan berkas-berkas yang telah dikumpulkan.
Tabel 3. Data Peserta
No Peserta Subsubkriteria
K1 K2 K3 K4 ... K19
Tipe benefit benefit benefit benefit ... benefit Bobot 0,05 0,02 0,02 0,01 ... 0,15 1. A1 0,03 0,015 0,015 0,01 ... 0,15
2. A2 0,03 0,02 0,02 0,01 ... 0
3. A3 0,03 0,02 0,02 0,01 ... 0
... ... ... ... ... ... ... ...
30. A30 0,03 0,01 0,01 0,01 ... 0,15 Maks 0,05 0,02 0,02 0,01 ... 0,15
Min 0,015 0 0 0 ... 0
a. Tahap 1: Membentuk matriks keputusan dari data peserta pada Tabel 3.
Tahap pertama membentuk matriks, matriks yang berisi data yang diberikan langsung oleh Kantor Bupati Kabupaten Kubu Raya. Matriks yang dibuat menggunakan Persamaan 1. Tabel matriks keputusan ini berisi nilai-nilai peserta dengan 19 subsubkriteria yang dapat dilihat pada Tabel 4.
Tabel 4. Matriks Keputusan (X)
𝑥 = [
0,03 0,03 0,03⋯ 0,03
0,015 0,02 0,02⋯ 0,01
0,015 0,02 0,02⋯ 0,01
0,01 0,01 0,01⋯ 0,01
⋯
⋯⋯
⋱
⋯ 0,15
0
⋯0 0,15]
b. Tahap 2: Melakukan normalisasi matriks keputusan.
Tahap kedua membentuk matriks normalisasi (N) dengan cara menentukan subsubkriteria tersebut termasuk dalam tipe benefit atau cost menggunakan Persamaan 2. Jika subsubkriteria memiliki tipe benefit maka dapat dicari menggunakan rumus benefit, sedangkan subsubkriteria yang memiliki tipe cost dapat dicari menggunakan rumus cost.
Tabel 5 merupakan matriks yang sudah dinormalisasi.
𝑛1,1 = (𝐴1, 𝐾1)
(Maks, 𝐾1)= 0,03 0,05= 0,6
Tabel 5. Matriks Ternormalisasi (N) No Peserta Subsubkriteria
K1 K2 K3 K4 ... K19 1. A1 0,6 0,75 0,75 1 ... 1
2. A2 0,6 1 1 1 ... 0
3. A3 0,6 1 1 1 ... 0
... ... ... ... ... ... ... ...
30. A30 0,6 0,5 0,5 1 ... 1 c. Tahap 3: Membentuk matriks ternormalisasi dan terbobot.
Tahap ketiga menghitung nilai matriks ternormalisasi dan terbobot menggunakan Persamaan 3. Bobot dikalikan dengan hasil dari nilai matriks ternormalisasi, sehingga akan didapat nilai 𝑟𝑖𝑗. Tabel 6 merupakan matriks yang sudah dinormalisasi berdasarkan bobot masing-masing subsubkriteria.
𝑟1,1= (Bobot , K1) x (A1, K1) = 0,05 𝑥 0,6 = 0,03
Tabel 6. Matriks Ternormalisasi Terbobot (R) No Peserta Subsubkriteria
K1 K2 K3 K4 ... K19 1. A1 0,03 0,015 0,015 0,01 ... 0,15 2. A2 0,03 0,02 0,02 0,01 ... 0 3. A3 0,03 0,02 0,02 0,01 ... 0 ... ... ... ... ... ... ... ...
30. A30 0,03 0,01 0,01 0,01 ... 0,15 d. Tahap 4: Menentukan nilai ideal negatif (NS)
Tahap Keempat mencari nilai ideal negatif menggunakan Persamaan 5. Nilai ideal negatif diambil dari nilai terkecil pada kriteria yang digunakan. Tabel 7 merupakan nilai ideal negatif yang diambil berdasarkan nilai terendah dari nilai matriksi ternormalisasi dan terbobot.
𝑛𝑠1= 𝑚𝑖𝑛
𝑖 𝑟𝑖,1
= 𝑚𝑖𝑛 {𝑟1,1, 𝑟2,1, 𝑟3,1, 𝑟4,1, … , 𝑟30,1}
= 𝑚𝑖𝑛 {0.03, 0.03, 0.03, 0.03, 0.03, 0.05, 0.05, 0.03, 0.03, 0.03,0.05, 0.03, 0.03, 0.05, 0.05, 0.05, 0.03, 0.03, 0.03, 0.03,0.05, 0.03, 0.03, 𝟎. 𝟎𝟏𝟓, 0.03, 0.03, 0.03, 0.03, 0.03, 0.03} = 0,015
Tabel 7. Nilai Ideal Negatif (NS) No Kriteria NS
1. K1 0,015
2. K2 0
3. K3 0
... ... ...
19. K19 0
e. Tahap 5: Menghitung nilai jarak Euclidian dan Taxicab (E/T)
Tahap kelima menghitung jarak euclidian dan taxicab (E/T) menggunakan Persamaan 6 dan Persamaan 7. Jarak euclidian dihitung dengan cara mengurangkan nilai matriks ternormalisasi terbobot (R) dengan nilai ideal negatif (NS) yang dipangkatkan 2 dan dijumlahkan, kemudian diakarkan. Tabel 8 merupakan nilai jarak euclidian dan taxicab.
Jarak Euclidian
𝐸1= √∑ (𝑟1𝑗− 𝑛𝑠𝑗)2
𝑚 𝑗=1
=
√
(𝑟1,1− 𝑛𝑠1)2+ (𝑟1,2− 𝑛𝑠2)2+ (𝑟1,3− 𝑛𝑠3)2+ (𝑟1,4− 𝑛𝑠4)2+ (𝑟1,5− 𝑛𝑠5)2+ (𝑟1,6− 𝑛𝑠6)2+ (𝑟1,7− 𝑛𝑠7)2 +(𝑟1,8− 𝑛𝑠8)2+ (𝑟1,9− 𝑛𝑠9)2+ (𝑟1,10− 𝑛𝑠10)2+ (𝑟1,11− 𝑛𝑠11)2+ (𝑟1,12− 𝑛𝑠12)2+ (𝑟1,13− 𝑛𝑠13)2 +(𝑟1,14− 𝑛𝑠14)2+ (𝑟1,15− 𝑛𝑠15)2+ (𝑟1,16− 𝑛𝑠16)2+ (𝑟1,17− 𝑛𝑠17)2+ (𝑟1,18− 𝑛𝑠18)2+ (𝑟1,19− 𝑛𝑠19)2
= √
(0.03 − 0.015)2+ (0.015 − 0)2+ (0.015 − 0)2+ (0.01 − 0)2+ (0.02 − 0.02)2+ (0.02 − 0.02)2+ (0.01 − 0.005)2+ (0.015 − 0.01)2+ (0.015 − 0.01)2+ (0.015 − 0.01)2+ (0.015 − 0.01)2+ (0.02 − 0.01)2+ (0.015 − 0.015)2+ (0.01 − 0)2+ (0.01 − 0.01)2+ (0.01 − 0.01)2+ (0.3 − 0.3)2+
(0.25 − 0.1)2+ (0.15 − 0)2
= √(0.015)2+ (0.015)2+ (0.015)2+ (0.01)2+ (0)2+ (0)2+ (0.005)2+ (0.005)2+ (0.005)2+ (0.005)2+ (0.005)2+ (0.01)2+ (0)2+ (0.01)2+ (0)2+ (0)2+ (0)2+ (0.15)2+ (0.15)2
= √0.000225 + 0.000225 + 0.000225 + 0.0001 + 0 + 0 + 0.000025 + 0.000025 + 0.000025 + 0.000025 + 0.000025 + 0.0001 + 0 + 0.0001 + 0 + 0 + 0 + 0.0225 + 0.0225
= √0.0461 = 0.2147 Jarak Taxicab
𝑇1= ∑ |𝑟1𝑗− 𝑛𝑠𝑗|
𝑚 𝑗=1
=
|𝑟1,1− 𝑛𝑠1| + |𝑟1,2− 𝑛𝑠2| + |𝑟1,3− 𝑛𝑠3| + |𝑟1,4− 𝑛𝑠4| + |𝑟1,5− 𝑛𝑠5| + |𝑟1,6− 𝑛𝑠6| + |𝑟1,7− 𝑛𝑠7| + |𝑟1,8− 𝑛𝑠8| +|𝑟1,9− 𝑛𝑠9| + |𝑟1,10− 𝑛𝑠10| + |𝑟1,11− 𝑛𝑠11| + |𝑟1,12− 𝑛𝑠12| + |𝑟1,13− 𝑛𝑠13| + |𝑟1,14− 𝑛𝑠14| + |𝑟1,15− 𝑛𝑠15|
+|𝑟1,16− 𝑛𝑠16| + |𝑟1,17− 𝑛𝑠17| + |𝑟1,18− 𝑛𝑠18| + |𝑟1,19− 𝑛𝑠19|
=
|0.03 − 0.015| + |0.015 − 0| + |0.015 − 0| + |0.01 − 0| + |0.02 − 0.02| + |0.02 − 0.02| + |0.01 − 0.005| +
|0.015 − 0.01| + |0.015 − 0.01| + |0.015 − 0.01| + |0.015 − 0.01| + |0.02 − 0.01| + |0.015 − 0.015| +
|0.01 − 0| + |0.01 − 0.01| + |0.01 − 0.01| + |0.3 − 0.3| + |0.25 − 0.1| + |0.15 − 0|
=|0.015| + |0.015| + |0.015| + |0.01| + |0| + |0| + |0.005| + |0.005| + |0.005| + |0.005| + |0.005| +
|0.01| + |0| + |0.01| + |0| + |0| + |0| + |0.15| + |0.15|
=0.015 + 0.015 + 0.015 + 0.01 + 0 + 0 + 0.005 + 0.005 + 0.005 + 0.005 + 0.005 + 0.01 + 0 + 0.01 + 0 + 0 + 0 + 0.15 + 0.15
= 0.4
Tabel 8. Nilai Jarak Euclidian/Taxicab (E/T)
No Peserta E T
1. A1 0,2147 0,4
2. A2 0,0654 0,185
3. A3 0,0634 0,165
... ... ... ...
30. A30 0,1822 0,33 f. Tahap 6: Membentuk matriks Relative Assessment (RA)
Tahap keenam membentuk matriks Relative Assessment (RA) dengan parameter nilai ambang batas sebesera 0,02 menggunakan Persamaan 9. Nilai matriks relative assessment didapat dengan cara mengurangkan nilai eculidian i dan euclidian konstan, kemudian hasilnya dibandingkan dengan threshold, jika lebih kecil maka hasilnya nol, atau sebaliknya maka nilai nya menjadi satu.kemudian dikali dengan pengurangan nilai taxicab i dan taxicab konstan. Tabel 9 merupakan matriks relative assessment.
ℎ1,1= (𝐸1− 𝐸1) + (𝜓(𝐸1− 𝐸1) × (𝑇1− 𝑇1))
= (0,2147 − 0,2147) + (𝜓(0,2147 − 0,2147) × (0,4 − 0,4)) = (0) + (𝜓(0) × (0))
dengan nilai τ = 0,02, maka diperoleh nilai 𝜓(0) = 0, sehingga diperoleh = 0 + (0 × 0)
= 0 + 0 = 0
Tabel 9. Matriks Relative Assessment (RA)
No Peserta A1 A2 A3 A4 ... A30
1. A1 0 0,3658 0,3874 0,4627 ... 0,1024 2. A2 -0,3658 0 0,0016 0,0969 ... -0,2634 3. A3 -0,3874 -0,0016 0 0,0753 ... -0,285
... ... ... ... ... ... ... ...
30. A30 -0,1024 0,2634 0,285 0,3603 ... 0 g. Tahap 7: Menghitung nilai assesmeent score (H)
Tahap ketujuh menghitung nilai assessment score (H) menggunakan Persamaan 11. Menjumlahkan nilai matriks assessment yang telah didapat sebelumnya dalam satu baris. Tabel 10 merupakan nilai assessment score yang merupakan total dari nilai matriks assessment.
𝐻1= ∑ ℎ1,𝑘
30 𝑘=1
= ℎ1,1+ ℎ1,2+ ℎ1,3+ ℎ1,4+ ⋯ + ℎ1,30 =
0 + 0,3643 + 0,3863 + 0,4606 + 0,169 + 0,1564 + 0,1615 + 0,1371 + 0,1318 + 0,1421 + 0,1458 + 0,2271 +0,1947 + 0,1525 + 0,1871 + 0,0691 + 0,0756 + 0,0918 + 0,1999 + 0,1076 + 0,2085 + 0,0859 +
0,0003 + 0,001 + 0,0969 + 0,0815 + 0,0007 + 0,2212 + 0,2629 + 0,1025 = 4,6217
Tabel 10. Assessment Score (H) No Peserta Assessment Score (H)
1. A1 4,6217
2. A2 -6,2673
3. A3 -6,8873
... ... ...
30. A30 1,5617
h. Tahap 8: Melakukan perangkingan
Tahap kedelapan melakukan perangkingan terhadap nilai assessment score (H) yang kemudian diurutkan berdasarkan nilai tertinggi ke terendah. Tabel merupakan nilai assessment score yang sudah diurutkan berdasarkan nilainya.
Tabel 9. Perangkingan
No Peserta Assessment Score (H) Rangking
1. A1 4,6217 1
2. A2 -6,2673 28
3. A3 -6,8873 29
… … …
30. A30 1,5617 11
3.3 Hasil Pengujian Korelasi Rank Spearman
Pengujian korelasi Rank spearman berfungsi untuk menghitung korelasi antara dua kelompok data (variabel) yang sama berskala atau berjenis ordinal (rangking, tingkatan atau urutan). Hasil akhir korelasi rank spearman berupa angka-angka yang kemudian dikategorikan kedalam beberapa hubungan. Dalam mencari keeratan hubungan antara dua variabel dapat digunakan metode korelasi rank spearman yang dapat dilihat pada tabel Tabel 11.
Tabel 11. Pengujian Korelasi Rank Spearman
No Peserta Nilai Konvensional Nilai Sistem Rangking Konvensional Rangking Sistem 𝑑𝑖 𝑑𝑖2
1. A1 94,5 4,6217 1 1 0 0
2. A23 93,5 4,3527 2 2 0 0
3. A27 93 4,2107 3 3 0 0
4. A24 91 3,6817 4 4 0 0
5. A16 90,5 2,4687 5 5 0 0
6. A17 90 2,3137 6 6 0 0
7. A26 89,5 2,0767 7 7 0 0
8. A22 89 2,0447 8 8 0 0
9. A18 88,5 1,8177 9 9 0 0
10. A25 88 1,7047 10 10 0 0
11. A30 87,5 1,5617 11 11 0 0
12. A20 87 1,4537 12 12 0 0
13. A9 86,5 0,0977 13 13 0 0
14. A11 85 0,0677 16 14 2 4
15. A8 86 0,0087 14 15 -1 1
16. A10 85,5 -0,0563 15 16 -1 1
17. A6 84 -0,0903 18 17 1 1
18. A7 83,5 -0,2033 19 18 1 1
19. A14 84,5 -0,2283 17 19 2 4
20. A5 83 -0,5233 20 20 0 0
21. A15 81,5 -0,8413 21 21 0 0
22. A13 81 -0,9943 22 22 0 0
23. A19 80,5 -1,0753 23 23 0 0
24. A21 79,5 -1,1833 24 24 0 0
25. A28 78,5 -1,4143 25 25 0 0
26. A12 78 -1,5163 26 26 0 0
27. A29 74,5 -2,0653 27 27 0 0
28. A2 73 -6,2673 28 28 0 0
29. A3 71 -6,8873 29 29 0 0
30. A4 66 -9,1363 30 30 0 0
∑ 𝑑𝑖2 12
𝑟𝑠= 1 − 6𝑥12 30(302− 1) 𝑟𝑠= 1 − 72
30(899) 𝑟𝑠= 1 − 0,0027 𝑟𝑠= 0,9973
3.3 Implementasi Sistem
Implementasi sistem adalah hasil dari perancangan sistem berupa aplikasi rekomendasi jasa konsultansi seperti halaman utama menampilkan beranda, profil, alur dan login. Halaman beranda berisi tulisan jasa konsultansi, alamat, tombol daftar, profil singkat Kantor Bupati Kubu Raya dan Bidang PPID dan langkah-langkah pendaftaran bagi peserta yang ingin mendaftar. Halaman utama dapat dilihat pada Gambar 2. Halaman kriteria, subkriteria dan subsubkriteria menampilkan data kriteria, subkriteria dan subsubkriteria yang digunakan. Ketiga halaman tersebut akan terdapat fitur berupa tambah subkriteria atau subsubkriteria, tambah data, ubah, dan verifikasi data. Ketiga halaman tersebut memiliki tampilan yang sama. Halaman subsubkriteria dapat dilihat pada Gambar 3. Halaman pekerjaan menampilkan data pekerjaan yang akan dilaksanakan. Halaman ini terdapat fitur berupa tambah data, dan ubah data. Jika menekan tombol tambah data atau ubah data, sistem akan menampilkan modal masukan untuk tambah data atau ubah data. Halaman pekerjaan dapat dilihat pada Gambar 4. Halaman hasil rekomendasi menampilkan data hasil rekomendasi. Data hasil rekomendasi ini telah dilakukan perhitungan menggunakan metode CODAS oleh admin. Data peserta yang ditampilkan sesuai dengan pekerjaan yang dipilih. Halaman hasil rekomendasi dapat dilihat pada Gambar 5.
Gambar 2. Halaman Utama Gambar 3. Halaman Subkriteria
Gambar 4. Halaman Pekerjaan Gambar 5.Halaman Hasil Rekomendasi
4. KESIMPULAN
Hasil implementasi metode CODAS diurutkan dari nilai yang tertinggi hingga nilai terendah. Dari 30 data alternatif yang digunakan, diperoleh peringkat pertama adalah A1 dengan nilai 4,6217, peringkat kedua adalah A23 dengan nilai 4,3527, dan peringkat ketiga adalah A27 dengan nilai 4,2107. Berdasarkan pengujian dalam mencai nilai korelasi rank spearman terdapat korelasi positif antara niliai rangking konvensional dengan nilai rangking sistem. Jika dilihat pada tabel tingkat hubungan antara variabel, nilai korelasi rank spearman lebih dari 0,900 dan nilai korelasi rank spearman kurang dari 1,000 termasuk kedalam kategori positif sangat tinggi, maka dapat disimpulkan bahwa nilai korelasi rank spearman sebesar 0,9973 masuk dalam kategori positif sangat tinggi.
REFERENCES
[1] T. R. Grasindo, Update Paling Lengkap Himpunan Peraturan Presiden tentang Pengadaan Barang/Jasa Pemerintah, Jakarta: PT Grasindo, 2017.
[2] R. Ambarwati dan Supardi, Manajemen Operasional dan Implementasi dalam Industri, Magelang: Pustaka Rumah C1nta, 2021.
[3] T. D. Prasetyo, F. A. Setyaningsih dan Suhardi, “Sistem Seleksi Penerima Program Keluarga Harapan Menggunakan Metode Combinative Distance-Based Assessment (CODAS) di Kecamatan Pontianak Timur,” Coding: Jurnal Komputer dan Aplikasi, pp. 339-351, 2021.
[4] W. Hartono, A. W. Hanifah dan Sugiyarto, “Pemilihan Jasa Konsultansi Dengan Metode AHP (Studi Kasus Pengadaan Di Universitas Sebelas Maret),” e-Jurnal Matriks Teknik Sipil, pp. 1229-1235, 2015.
[5] W. Widjaja, “Sistem Pendukung Keputusan Pemilihan Konsultan Desain Dengan Metode Simple Addittive Weighting,” Syntax Idea, pp. 148-158, 2019.
[6] N. M. B. Tarigan dan L. Yunita, Buku Ajar Sistem Pendukung Keputusan dengan Metode Simple Additive Weighting, Padangsidimpuan: Percetakan Pustaka Timur, 2021.
[7] D. Nofriansyah dan S. Defit, Multi Criteria Decision Making (MCDM) pada Sistem Pendukung Keputusan, Yogyakarta:
DEEPUBLISH, 2017.
[8] M. K. Ghorabaee, E. K. Zavadskas, Z. Turskis dan J. Antucheviciene, “A New Combinative Distance-Based Assessment (CODAS) Method For Multi-Criteria Decision-Making,” Economic Computation and Economic Cybernetics Studies and Research, pp. 25-44, 2016.
[9] Y. N. Hanief dan W. Himawanto, Statistik Pendidikan, Yogyakarta: DEEPUBLISH, 2017.
[10] U. Rusmawan, Teknik Penulisan Tugas Akhir dan Skripsi Pemrograman, Jakarta: PT Elex Media Komputindo, 2019.
[11] A. O. Sari, A. Abdilah dan Sunarti, Web Programming, yogyakarta: Graha Ilmu, 2019.
[12] M. Prabowo, Belajar Cepat Laravel Membuat Aplikasi Penjualan, Yogyakarta: TRUSSMEDIA GRAFIKA, 2018.
[13] E. Siswanto, Kupas Tuntas Pemograman PHP, Semarang: Yayasan Prima Agus Teknik, 2021.
[14] Supono dan V. Putratama, Pemrograman Web dengan Menggunakan PHP dan Framework Codeigniter, Yogyakarta:
DEEPUBLISH, 2018.
[15] M. Fikry, Basis Data, Lhokseumawe: Unimal Press, 2019.
[16] Elgamar, Buku Ajar Konsep Dasar Pemrograman Website dengan PHP, Malang: CV. Multimedia Edukasi, 2020.
[17] R. Indonesia, Peraturan Presiden Republik Indonesia Nomor 12 Tahun 2021 tentang Perubahan atas Peraturan Presiden Nomor 16 Tahun 2018 tentang Pengadaan Barang/Jasa Pemerintah, Jakarta: Kementerian Riset, Teknologi, dan Pendidikan Tinggi, 2021.
