Komparasi Metode Simple Additive Weighting dan Profile Matching dalam Penentuan Pemberian Beasiswa di SMA Negeri 1 Abiansemal
Christina Purnama Yanti*, P. P. Sukma Awantari, I Gede Iwan Sudipa, Ni Luh Wiwik Sri Rahayu Ginantra Teknik Informatika, STMIK STIKOM Indonesia, Denpasar, Indonesia
Email: 1,*[email protected], 2[email protected], 3[email protected], 4wiwik@stiki- indonesia.ac.id
Email Penulis Korespondensi: [email protected] Submitted 28-10-2021; Accepted 11-12-2021; Published 30-12-2021
Abstrak
SMA Negeri 1 Abiansemal merupakan lembaga pendidikan berstatus negeri yang terletak di Jalan Majapahit, Desa Blahkiuh, Kecamatan Abiansemal, Kabupaten Badung yang menampung peserta didik kurang lebih sebanyak 1.300 siswa. Sekolah ini memiliki program beasiswa untuk siswa kurang mampu dan berprestasi. Dalam studi kasus ini menggunakan empat kriteria antara lain keterangan tidak mampu, penghasilan orang tua, jumlah tanggungan orang tua, dan nilai rata-rata raport. Pada penelitian ini, penulis melakukan analisis perbandingan dua metode yaitu metode SAW (Simple Additive Weighting) dan Profile Matching untuk mengetahui metode mana yang paling cocok digunakan dalam penentuan pemberian beasiswa di SMA Negeri 1 Abiansemal dengan melihat hasil perbandingan pada uji sensitivitas, selanjutnya metode yang memiliki nilai sensitivitas lebih tinggi akan digunakan dalam implementasi sistem ke depannya agar hasil yang didapatkan lebih akurat. Dari uji sensitivitas yang telah dilakukan, didapatkan hasil persentase sensitivitas dari metode SAW adalah 5,9166% atau dibulatkan menjadi 6% sedangkan pada metode Profile Matching adalah 27% yang dapat disimpulkan bahwa metode yang cocok dalam kasus ini adalah metode Profile Matching karena metode ini memiliki sensitivitas yang lebih tinggi daripada metode SAW (Simple Additive Weighting).
Kata Kunci: SAW; Profile Matching; Beasiswa; Sekolah; SMA Negeri 1 Abiansemal Abstract
SMA Negeri 1 Abiansemal is an educational institution with a state status located on Jalan Majapahit, Blahkiuh Village, Abiansemal District, Badung Regency which accommodates approximately 1,300 students. This school has a scholarship program for underprivileged and high achieving students. In this case study, four criteria are used, including information about being unable, parents' income, number of dependents, and average report cards. In this study, the authors conducted a comparative analysis of two methods, namely the SAW method (Simple Additive Weighting) and Profile Matching to find out which method was most suitable for use in determining the award of scholarships at SMA Negeri 1 Abiansemal by looking at the results of the comparison on the sensitivity test, then the method that has higher sensitivity values will be used in future system implementations so that the results obtained are more accurate. From the sensitivity test that has been carried out, the results obtained that the percentage sensitivity of the SAW method is 5.9166% or rounded to 6% while the Profile Matching method is 27% which can be concluded that the suitable method in this case is the Profile Matching method because this method has higher sensitivity than the SAW (Simple Additive Weighting) method.
Keywords: SAW; Profile Matching; Scholarship; School; SMA Negeri 1 Abiansemal
1. PENDAHULUAN
Beasiswa adalah suatu bantuan dalam bentuk uang yang diberikan oleh suatu lembaga baik itu dari pemerintah maupun swasta kepada para siswa yang berprestasi atau orang tua siswa tidak mampu untuk membiayai pendidikannya [1].
Beasiswa sangat membantu keberlangsungan para siswa dalam menempuh pendidikannya. Menurut pasal 31 ayat 2 UUD 1945 yang berbunyi, “Setiap warga negara wajib mengikuti pendidikan dasar dan pemerintah wajib membiayainya.” [2]
Sehingga program beasiswa ini sangat berperan penting bagi siswa yang diharapkan dapat membantu dalam menempuh pendidikan tanpa adanya kendala keuangan [3].
Dari hasil wawancara dengan Bapak I Gusti Putu Suardana, S.Pd. M.Pd selaku Wakil Kepala Sekolah bidang kesiswaan dijelaskan bahwa di SMA Negeri 1 Abiansemal dalam menentukan beasiswa perlu mempertimbangkan beberapa siswa dengan kriteria memiliki surat keterangan tidak mampu dan siswa yatim piatu untuk mendapat beasiswa.
Dalam melakukan seleksi penentuan pemberian beasiswa ini perlu menggunakan suatu metode yang akurat dan cocok agar hasil keputusan yang akan didapatkan memiliki kualitas yang baik serta tepat sasaran kepada penerima beasiswa.
Dari pengamatan penulis, di SMA Negeri 1 Abiansemal ini hanya melihat dari segi keterangan tidak mampu saja yaitu berdasarkan dari surat keterangan tidak mampu dan anak yatim piatu, sedangkan kriteria pendukung lainnya seperti penghasilan orang tua, jumlah tanggungan orang tua dan nilai raport tidak dihiraukan. Sehingga dalam penentuan pemberian beasiswa menjadi tidak tepat sasaran hanya dengan meprioritaskan 1 kriteria saja yang menyebabkan penyaluran beasiswa kepada siswa yang belum tentu berhak mendapatkan beasiswa. Maka dari itu penulis ingin menambahkan beberapa kriteria pendukung keputusan penentuan pemberian beasiswa dengan tujuan agar keputusan yang dihasilkan lebih berkualitas.
Dari permasalahan yang telah dijabarkan di atas maka penulis ingin menggunakan serta menganalisis perbandingan metode yang akan digunakan dalam penentuan pemberian beasiswa di SMAN 1 Abiansemal. Dalam penelitian ini penulis memilih dua metode yaitu menggunakan metode Simple Additive Weighting (SAW) [4] dan metode Profile Matching. Metode Simple Additive Weighting didasarkan kepada ketepatan dalam penilaian terhadap alternatif dari hasil perhitungan berdasarkan tingkat kebutuhan bobot kepentingan [5]. Metode ini dipilih dengan alasan sama-sama dapat menghasilkan perangkingan yang mana dapat menyeleksi alternatif terbaik dari sejumlah alternatif yang ada [6],
sehingga diharapkan dapat membantu meningkatkan kualitas keputusan yang didapatkan oleh pihak penyeleksi [7]
khususnya di bidang kesiswaan dalam menentukan penerima beasiswa.
2. METODOLOGI PENELITIAN
Penelitian ini dilakukan dengan cara mengumpulkan data primer dan data sekunder terlebih dahulu, data primer meliputi hasil wawancara dan observasi, untuk data sekunder meliputi kepustakaan dan jurnal. Dari hasil wawancara dan observasi didapat data seleksi penerima beasiswa tahun ajaran 2020/2021 yang dilakukan di sekolah tersebut. Data yang diambil sebanyak 80 data siswa pendaftar beasiswa yang terdiri dari 27 data siswa yang diterima dan 53 data siswa lainnya tidak diterima. Dari data tersebut dilakukan analisis menggunakan dua metode yaitu metode Simple Additive Weighting (SAW) dan metode Profile Matching [8]. Pada penelitian ini dilakukan perbandingan dua metode yaitu Simple Additive Weighting (SAW) dan Profile Matching [9]. Berikut adalah penjabaran dari kedua metode tersebut:
2.1 Metode Simple Additive Weighting (SAW)
Simple Additive Weighting (SAW) merupakan penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua kriteria [10].
Langkah-langkah penyelesaian metode SAW [11] [12]:
1. Memberikan nilai rating kecocokan setiap alternatif pada setiap kriteria.
2. Menentukan bobot preferensi atau tingkat kepentingan (W) untuk setiap kriteria.
3. Membuat tabel rating kecocokan dari setiap alternatif pada setiap kriteria.
4. Membuat matriks keputusan X yang dibentuk dari tabel rating kecocokan dari setiap alternatif pada setiap kriteria.
5. Melakukan normalisasi matrik keputusan X dengan cara menghitung nilai rating kinerja ternormalisasi dari alternatif Ai pada kriteria Cj dengan melakukan pengelompokan, apakah j adalah kriteria keuntungan (benefit) atau j adalah kriteria biaya (cost). [13]
ij i ij ij
x R x
= max
jika j adalah atribut keuntungan (benefit) (1)
ij ij i ij
x R min x
=
jika j adalah atribut biaya (cost) (2)
Keterangan :
Rij = nilai rating kinerja normalisasi
xij = nilai atribut yang dimiliki dari setiap kriteria maxi xij = nilai terbesar dari setiap kriteria i mini xij = nilai terkecil dari setiap kriteria i Benefit = jika nilai terbesar adalah terbaik Cost = jika nilai terkecil adalah terbaik
6. Hasil dari nilai rating kinerja ternormalisasi (rij) membentuk matrik ternormalisasi (R).
7. Hasil akhir nilai preferensi diperoleh dari penjumlahan untuk setiap perkalian elemen baris matriks ternormalisasi (R) dengan bobot preferensi (W) yang bersesuaian elemen kolom matrik (W). Hasil perhitungan nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai merupakan alternatif terbaik.
==
nj ij j
i
w r
V
1 (3)
Keterangan :
Vi = nilai akhir/preferensi wj = nilai bobot dari setiap kriteria rij = nilai rating kinerja ternormalisasi
Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih dipilih.
2.2 Metode Profile Matching
Dalam proses Profile matching secara garis besar merupakan proses membandingkan antara kompetensi individu kedalam kompetensi jabatan sehingga dapat diketahui perbedaan kompetensinya (disebut juga gap) [14].
Langkah-langkah penyelesaian metode profile matching [15] [16]:
1. Menghitung nilai GAP antara profile subjek dengan profil yang dibutuhkan.
Nilai GAP = Profil Alternatif – Profile Kriteria
2. Menghitung nilai mapping GAP yang bersumber dari analisis GAP.
3. Perhitungan dan pengelompokan Core Factor (faktor utama) dan Secondary Factor (faktor pendukung) [17].
Core factor:
= IC NCF NC
(4) Secondary factor:
= IS NSF NS
(5) Keterangan :
NCF : Nilai rata-rata core factor
∑NC : Jumlah total nilai core factor
∑IC : Jumlah total nilai item core factor NSF : Nilai rata-rata secondary factor
∑NS : Jumlah total nilai secondary factor
∑IS : Jumlah total nilai item secondary factor 4. Perhitungan nilai total
5. Untuk menghitung nilai total dari masing-masing aspek, digunakan rumus [17]:
N = (x) % NCF + (x) % NSF (6)
Keterangan :
N : Nilai total tiap aspek NCF : Nilai rata-rata core factor NSF : Nilai rata-rata secondary factor (x)% : Nilai persentase yang diinputkan 6. Melakukan perangkingan
3. HASIL DAN PEMBAHASAN
3.1 Deskripsi Data
Berikut ini adalah data-data yang akan digunakan serta mengolah nilai bobotnya sesuai dengan metode yang akan digunakan [9].
Tabel 1. Pembobotan Kriteria
No Kriteria (C) Profil Kriteria Nilai Bobot (W)
1 Keterangan tidak mampu (C1) 4 40%
2 Penghasilan orang tua (C2) 4 30%
3 Jumlah tanggungan orang tua (C3) 4 20%
4 Nilai rata-rata raport (C4) 4 10%
1. Keterangan tidak mampu
Tabel 2. Nilai Bobot Kriteria Keterangan Tidak Mampu
No Keterangan Tidak Mampu Bobot
(SAW)
Profil Kriteria
(PM) 1 Memiliki KPS (Kartu Perlindungan Sosial), KKS (Kartu
Keluarga Sejahtera), PKH (Program Keluarga Harapan), KIP (Kartu Indonesia Pintar), SKTM (Surat Keterangan Tidak
Mampu)
1 4
2 Anak Yatim/Piatu/Yatim Piatu 0,75 3
3 Tidak memiliki keterangan tidak mampu 0,5 0
2. Penghasilan orang tua
Tabel 3. Nilai Bobot Kriteria Penghasilan Orang Tua
No Besar Gaji Bobot (SAW) Profil Kriteria
(PM)
1 Gaji< Rp.500.000 1 4
2 Rp. 500.000 <= Gaji < Rp. 1.000.000 0,75 3
3 Rp. 1.000.000 <= Gaji < Rp. 2.000.000 0,5 2
4 >= Rp. 2.000.000 0,25 1
3. Jumlah tanggungan orang tua
Tabel 4. Nilai Bobot Kriteria Jumlah Tanggungan Orang Tua No Jumlah Tanggungan Bobot (SAW) Profil Kriteria (PM)
1 >4 1 4
2 3-4 0,75 3
3 2 0,5 2
4 1 0,25 1
4. Nilai rata-rata raport
Tabel 5. Nilai Bobot Kriteria Nilai Rata-Rata Raport
No Nilai Rata-Rata Raport Bobot (SAW) Profil Kriteria (PM)
1 Nilai <= 60 0,25 1
2 60 < Nilai <=70 0,5 2
3 70 < Nilai <=80 0,75 3
4 >80 1 4
3.2 Perhitungan Metode Simple Additive Weighting (SAW) 1. Pembobotan SAW
Tabel 6. Nilai Konversi Sesuai Pembobotan SAW
No Nama C1 C2 C3 C4
A1 Ni Komang Yuli Lestari 1 1 0.75 0.75
A2 I Ketut Ova Krisna 1 1 0.75 0.75
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
A80 Ni Luh Gishcea Puspita Dewi 0.5 0.25 0.75 0.5
Pada tabel 6 menampilkan nilai bobot kriteria masing-masing alternatif disesuaikan dengan ketentuan nilai bobot kriteria pada tabel 2-5.
2. Normalisasi
Tabel 7. Normalisasi
No Nama C1 C2 C3 C4
A1 Ni Komang Yuli Lestari 1 1 1 0.75
A2 I Ketut Ova Krisna 1 1 1 0.75
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
A80 Ni Luh Gishcea Puspita Dewi 0.5 0.25 1 0.5
Pada tabel 7 menampilkan nilai normalisasi menggunakan rumus (1).
3. Nilai Preferensi
Tabel 8. Nilai Preferensi
No Nama Nilai akhir preferensi
A1 Ni Komang Yuli Lestari 0.975
A2 I Ketut Ova Krisna 0.975
⋮ ⋮ ⋮
A80 Ni Luh Gishcea Puspita Dewi 0.525
Pada tabel 8 menampilkan nilai preferensi menggunakan rumus (3).
3.3 Perhitungan Metode Profile Matching
Sebelum melakukan perhitungan menggunakan metode profile matching, adapun hal yang harus diketahui adalah bobot nilai gap pada tabel berikut ini:
Tabel 9. Bobot Nilai GAP No Selisih
(GAP)
Nilai Bobot
Keterangan
1 0 5 Tidak ada selisih (Kompetensi sesuai dengan yang dibutuhkan) 2 1 4,5 Kompetensi individu kelebihan 1 tingkat/level
3 -1 4 Kompetensi individu kekurangan 1 tingkat/level 4 2 3,5 Kompetensi individu kelebihan 2 tingkat/level 5 -2 3 Kompetensi individu kekurangan 2 tingkat/level 6 3 2,5 Kompetensi individu kelebihan 3 tingkat/level 7 -3 2 Kompetensi individu kekurangan 3 tingkat/level 8 4 1,5 Kompetensi individu kelebihan 4 tingkat/level 9 -4 1 Kompetensi individu kekurangan 4 tingkat/level Skoring Kriteria :
Core Factor : terdiri dari aspek keterangan tidak mampu, penghasilan orang tua memiliki persentase nilai sebesar 70%.
Secondary Factor : terdiri dari aspek jumlah tanggungan orang tua dan nilai rata-rata raport memiliki persentase nilai sebesar 30%.
1. Pembobotan Profile Matching
Tabel 10. Pembobotan Profile Matching
No Nama C1 C2 C3 C4
A1 Ni Komang Yuli Lestari 4 4 3 3
A2 I Ketut Ova Krisna 4 4 3 3
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
A80 Ni Luh Gishcea Puspita Dewi 0 1 3 2
Pada tabel 10 menampilkan nilai profil kriteria masing-masing alternatif disesuaikan dengan ketentuan nilai profil kriteria pada tabel 2-5.
2. Selisih GAP
Tabel 11. Selisih GAP
No Nama C1 C2 C3 C4
A1 Ni Komang Yuli Lestari 0 0 -1 -1
A2 I Ketut Ova Krisna 0 0 -1 -1
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
A80 Ni Luh Gishcea Puspita Dewi -4 -3 -1 -2
Pada tabel 12 menampilkan selisih GAP yang didapat dari profil alternatif dikurangi dengan profile kriteria.
3. Mapping GAP
Tabel 12. Mapping GAP
No Nama C1 C2 C3 C4
A1 Ni Komang Yuli Lestari 5 5 4 4
A2 I Ketut Ova Krisna 5 5 4 4
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
A80 Ni Luh Gishcea Puspita Dewi 1 2 4 3
Pada tabel 12 menampilkan nilai mapping GAP dengan mencocokkan selisih GAP pada tabel 12 dengan tabel nilai bobot GAP pada tabel 9.
4. Menghitung Core Factor, Secondary Factor, dan Nilai Total
Tabel 13. Core Factor dan Secondary Factor
No Nama Core
Factor
Secondary
Factor Nilai Total
A1 Ni Komang Yuli Lestari 5 4 4.7
A2 I Ketut Ova Krisna 5 4 4.7
No Nama Core Factor
Secondary
Factor Nilai Total
⋮ ⋮ ⋮ ⋮ ⋮
A80 Ni Luh Gishcea Puspita Dewi 1.5 3.5 2.1
Pada tabel 14 menampilkan hasil nilai core factor menggunakan rumus (4) dan nilai secondary factor menggunakan rumus (5). Untuk nilai total didapatkan dengan menggunakan rumus (6).
3.4 Hasil Perbandingan 1. Perbandingan Perangkingan
Tabel 14. Perbandingan Perangkingan Metode SAW dan Profile Matching
No SAW Nilai akhir
preferensi Profile Matching Nilai Total 1 Ni Komang Yuli Lestari 0.975 Ni Komang Yuli Lestari 4.7
2 I Ketut Ova Krisna 0.975 I Ketut Ova Krisna 4.7
3 I Gusti Nyoman Putri
Antari 0.975 I Gusti Nyoman Putri
Antari 4.7
4 Ni Made Lia Darmayanti 0.975 Ni Made Lia Darmayanti 4.7 5 Ni Kadek Indah lestari 0.975 Ni Kadek Indah lestari 4.7
⋮ ⋮ ⋮ ⋮ ⋮
27 Ni Kadek Githa Cahyani 0.9 Ni Kadek Githa Cahyani 4.35
Hasil perangkingan metode SAW dan profile matching bisa dikatakan sama. Hanya terdapat perbedaan posisi untuk siswa nomor 6 dan nomor 7.
2. Perbandingan Hasil Sekolah dengan Hasil Menggunakan Metode
Tabel 15. Perbandingan Hasil Tanpa Metode dan Menggunakan Metode
No Hasil Sekolah Hasil Menggunakan Metode
1 Ni Kadek Githa Cahyani Ni Komang Yuli Lestari
2 Ni Putu Desi Riani I Ketut Ova Krisna
3 Ni Made Cahyani I Gusti Nyoman Putri Antari
4 I Putu Wrastiya Aprinata Yasa Ni Made Lia Darmayanti
5 Ni Kadek Ayu Amelia Putri Ni Kadek Indah lestari
⋮ ⋮ ⋮
27 I Kadek Dwi Tirtayasa Ni Kadek Githa Cahyani
Dari tabel di atas dapat dilihat perbandingan antara hasil sekolah dengan hasil menggunakan metode SAW dan Profile Matching. Dari 27 nama siswa yang merupakan hasil pihak sekolah terdapat hanya 6 nama siswa yang cocok dengan hasil yang menggunakan metode antara lain Ni Kadek Githa Cahyani, I Ketut Dedi Setia Edi, I Made Edi Setiadi, I Komang Agus Pardiarta, I Nyoman Suantara, dan Ni Kadek Trisna Ayu Dewi Yanti. Ini membuktikan bahwa pihak sekolah belum akurat dalam menyeleksi penerima beasiswa berdasarkan kriteria yang telah ditentukan. Dibuktikan dengan metode SAW (Simple Aditive Weighting) dan metode Profile Matching menghasilkan hasil yang sama, namun memiliki perbedaan yang sangat jauh dengan hasil penerima beasiswa dari pihak sekolah.
3.5 Uji Senstivitas
Tabel 16. Nilai Akhir Pembobotan Awal Tiap Metode
No SAW Profile Matching
1 0.975 4.7
2 0.975 4.7
3 0.975 4.7
4 0.975 4.7
5 0.975 4.7
⋮ ⋮ ⋮
27 0.9 4.35
Max 0.975 4.7
Dimulai dari kriteria C1 dengan menaikkan bobot 0,5 sehingga sekarang bobot (w) menjadi 0.9, 0.3, 0.2, 0.1.
Selanjutnya kriteria C1 dengan menaikkan bobot 1 sehingga sekarang bobot (w) menjadi 1,4, 0.3, 0.2, 0.1. Tahapan tersebut diterapkan pada semua kriteria dengan menambah bobot nilai 0,5 dan 1, sehingga mendapatkan hasil uji sensitivitas sebagai berikut:
Tabel 19. Perbandingan Persentase Uji Sensitivitas
No SAW Profile Matching
Kriteria 1 +(0.5) 0.5 2.5
Kriteria 1 +(1) 1 5
Kriteria 2 +(0.5) 0.5 2.5
Kriteria 2 +(1) 1 5
Kriteria 3 +(0.5) 0.5 2
Kriteria 3 +(1) 1 4
Kriteria 4 +(0.5) 0.4583 2
Kriteria 4 +(1) 0.9583 4
Jumlah (%) 5.9166 27
Hasil uji sensitivitas pada tabel di atas memperlihatkan bahwa hasil persentase sensitivitas dari metode SAW adalah 5,9166% atau dibulatkan menjadi 6% sedangkan pada metode Profile Matching adalah 27% yang dapat disimpulkan bahwa metode yang unggul dalam kasus ini adalah metode Profile Matching karena metode ini memiliki nilai sensitivitas yang lebih tinggi daripada metode SAW (Simple Additive Weighting). Adapun yang membuat hasil uji sensitivitas dari metode Profile Matching lebih tinggi daripada metode SAW, serta menjadikan metode Profile Matching lebih unggul antara lain:
1. Nilai bobot kriteria yang digunakan pada metode Profile Matching lebih besar dibandingkan nilai bobot SAW. Dimana Profile Matching menggunakan rentang angka 4,3,2,1 sedangkan untuk SAW menggunakan bobot dengan rentang angka 1, 0.75, 0.5, 0.25, sehingga otomatis pada uji sensitivitas metode Profile Matching menghasilkan nilai yang lebih tinggi.
2. Langkah-langkah proses perhitungan dari kedua metode juga berbeda, dalam perhitungan SAW terdapat tahapan normalisasi rating kinerja dan yang nantinya dilakukan penjumlah terbobot masing-masing kriteria. Sedangkan pada Profile Matching terdapat tahapan melakukan selisih GAP yang nantinya dicocokkan dengan tabel mapping GAP.
Semakin kecil selisih GAP yang dihasilkan maka semakin besar nilai mapping GAP yang didapatkan atau bisa dikatakan semakin bagus.
4. KESIMPULAN
Berdasarkan dari analisis perhitungan yang telah dilakukan oleh penulis dengan menggunakan metode SAW (Simple Additive Weighting) dan metode Profile Matching, maka dapat disimpulkan dari 80 data siswa diseleksi menjadi 27 siswa yang merupakan hasil pihak sekolah namun terdapat hanya 6 nama siswa yang cocok dengan hasil yang menggunakan metode. Ini membuktikan bahwa pihak sekolah belum akurat dalam menyeleksi penerima beasiswa berdasarkan kriteria yang telah ditentukan. Dibuktikan dengan metode SAW (Simple Aditive Weighting) dan metode Profile Matching menghasilkan hasil yang sama, namun memiliki perbedaan yang sangat jauh dengan hasil penerima beasiswa dari pihak sekolah. Dari uji sensitivitas yang telah dilakukan, didapatkan hasil persentase sensitivitas dari metode SAW adalah 5,9166% atau dibulatkan menjadi 6% sedangkan pada metode Profile Matching adalah 27% yang dapat disimpulkan bahwa metode yang unggul dalam kasus ini adalah metode Profile Matching karena metode ini memiliki nilai sensitivitas yang lebih tinggi daripada metode SAW (Simple Additive Weighting).
REFERENCES
[1] F. N. Khasanah and S. Rofiah, “Sistem Seleksi Penerimaan Beasiswa Menggunakan Metode Pendukung Keputusan Simple Additive Weighting,” Semin. Nas. APTIKOM, p. 2019, 2019.
[2] C. dan W. P. Nadziroh, “Hak Warga Negara Dalam Memperoleh Pendidikan,” J. Konstitusi, vol. 7, no. 1, pp. 181–212, 2018.
[3] M. Graciana and G. G. Adrian, Sukses Raih Beasiswa Dalam dan Luar Negri. Gramedia Widiasarana Indonesia, 2018.
[4] A. P. Wicaksono, A. Syukur, and Suprapedi, “Komparasi Simple Additive Weighting Dan Analytical Hierarchy Process Terhadap Penentuan Pengelompokan Desa,” vol. 15, pp. 28–44, 2019.
[5] E. Ermin, S. Sunardi, and A. Fadil, “Metode Simple Additive Weighting Pada Penentuan Penerimaan Karyawan,” Format J.
Ilm. Tek. Inform., vol. 8, no. 2, p. 125, 2020.
[6] Lumadi and Prihandoko, “ANALISIS METODE PROFILE MATCHING DAN METODE SIMPLE ADDITIVE WEIGHTING DALAM PENGAMBILAN KEPUTUSAN PEMILIHAN RT BERSIH DI KABUPATEN MALINAU,” vol. 2, no. 2, pp. 58–64, 2018.
[7] S. Aminah, F. Sari, and M. Pratiwi, “Penerapan Metode Profil Matching Pada Sistem Pendukung Keputusan Untuk Pemberian Beasiswa Kurang Mampu Dan Beasiswa Berprestasi Di SMA Muhammadiyah Dumai,” J. Unitek, vol. 13, no. 1, pp. 49–59, 2020.
[8] A. Rijali, “Analisis data kualitatif,” Alhadharah J. Ilmu Dakwah, vol. 17, no. 33, pp. 81–95, 2019.
[9] H. Abijono and K. Kusrini, “Analisis Perbandingan Metode Simple Additive Weighting dan Profile Matching dalam Sistem Pendukung Keputusan,” Gener. J., vol. 2, no. 2, pp. 1–12, 2018.
[10] L. V. Aprilian and M. H. K. Saputra, Belajar cepat metode SAW. Kreatif, 2020.
[11] F. Sari, Metode dalam Pengambilan Keputusan. Deepublish, 2018.
[12] E. Tangganu and S. Hansun, “Pengembangan Aplikasi Rekomendasi Hotel di Bali Dengan Metode Simple Additive Weighting,”
Fountain Informatics J., vol. 4, no. 1, p. 24, 2019.
[13] J. Parhusip, “Implementasi metode simple adaptive weighted pada spk ukt universitas palangka raya 1,” 2018.
[14] D. I. Puspitasari and A. F. R. Kholdani, “Analisis GAP untuk pemilihan mahasiswa berprestasi tingkat fakultas,” Technologia, vol. 8, no. 1, pp. 1–9, 2017.
[15] B. W. Sari, “Perbandingan Metode Profile Matching Dan Simple Additive Weighting Pada Penentuan Jurusan Siswa Kelas X SMA N 2 Ngaglik,” Data Manaj. dan Teknol. Inf., vol. 16, no. 1, p. 16, 2015.
[16] M. D. Pratiwi, “Sistem Pendukung Keputusan Pemilihan Penerima Beasiswa Dengan Metode Profile Matching ( Studi Kasus Di Pkpu Jawa Tengah ),” 2015.
[17] M. Anindita, “Perbandingan Metode Profile Matching dan Simple Additive Weighting(SAW) Dalam Sistem Pendukung Pengambilan Keputusan Penyeleksian Anggota Baru Paduan Suara Cantus Firmus,” 2020.
