SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PRIORITAS PENGADAAN BUKU PERPUSTAKAAN MENGGUNAKAN METODE K-MEANS DAN ELECTRE
Arifin Tua Purba1), Heru Sugara2), Hengki Mangiring Parulian Simarmata3), Doris Yolanda Saragih4), Erikson Damanik5)
1,4Teknik Komputer, Politeknik Bisnis indonesia
email: arifintuaprb20@gmail.com, dorisyolandasaragih@gmail.com
2,3Sekretari, Politeknik Bisnis indonesia
email: thesugara77@gmail.com, hengkisimarmata.mm@gmail.com
5Komputerisasi Akuntansi, Politeknik Bisnis indonesia email: damanik.1969@gmail.com
Abstract
This study aims to solve the problem of grouping books that are most often borrowed at the library and provide priority recommendations for procuring the right books. Currently the priority for procuring books at the Sekolah Tinggi Akuntansi dan Manajemen Indonesia (STAMI) Library is still done manually. To overcome this problem, two methods are used, namely the K-Means method which functions to group books based on the number of book titles and the ELECTRE method which is used to prioritize books to be purchased. The decision support system built using the ELECTRE method utilizes criteria consisting of the number of books borrowed, copies, book prices, and majors. The results of this study are a web-based decision support system consisting of 11 alternatives grouped, namely: Buku-013, Buku-063, Buku-072, Buku-074, Buku-075, Buku-076, Buku-084, Buku - 092, Book-102, Book-122, and Book-125. With this Decision Support System, the Library of the Indonesian College of Accounting and Management can easily prioritize procuring books in the library.
Keywords: DSS, K-Means, ELECTRE, Priority, Book
1. PENDAHULUAN
Perpustakaan merupakan salah satu aset penting dalam lembaga pendidikan, termasuk di Sekolah Tinggi Akuntansi dan Manajemen Indonesia (STAMI). Pengadaan buku yang tepat dan efisien menjadi faktor krusial dalam meningkatkan kualitas pendidikan. Dalam menjalankan fungsinya, perpustakaan sering dihadapkan pada tantangan dalam mengelola koleksi buku agar tetap relevan dengan kebutuhan pengguna. Penentuan prioritas pengadaan buku yang tepat menjadi hal yang krusial dalam memastikan bahwa perpustakaan memiliki koleksi yang up-to-date dan bervariasi serta sesuai dengan kebutuhan mahasiswa STAMI.
Saat ini Sekolah Tinggi Akuntansi dan Manajemen Indonesia (STAMI) belum memiliki sistem yang digunakan untuk membuat prioritas buku yang harus disediakan. Oleh karena itu,
diperlukan sebuah sistem pendukung keputusan yang dapat membantu perpustakaan dalam menentukan prioritas pengadaan buku dengan efisien dan efektif.
Dalam zaman yang ditandai oleh kemajuan teknologi yang pesat seperti saat ini, berbagai teknologi telah digunakan untuk memfasilitasi penyelesaian berbagai masalah dalam kehidupan sehari-hari [1]–[9], [10]–[13], Salah satu di antaranya adalah penerapan sistem komputer yang mendukung pengambilan keputusan [14]–[21]. Penggunaan sistem pendukung keputusan telah meluas dalam mendukung pengambilan keputusan untuk memecahkan berbagai masalah di berbagai sektor, termasuk pendidikan, kesehatan, dan sektor publik lainnya [22]–[27], [28], [29].
Untuk mengatasi hal tersebut, dirancang sebuah sistem pendukung keputusan untuk menentukan prioritas pengadaan buku untuk
mempermudah penggunanya. Dalam pemecahan masalah ini juga digunakan juga algoritma K- means [30]–[33] untuk menentukan klaster buku terbanyak yang dipinjam. Setelah di klaster, maka dirancang sistem pendukung keputusan dengan menggunakan metode Electre untuk menentukan prioritas buku yang paling perlu untuk di sediakan di perpustakaan Sekolah Tinggi Akuntansi dan Manajemen Indonesia.
Melalui penelitian ini, diperoleh manfaat yang signifikan dalam pengelolaan koleksi buku perpustakaan. Dengan mengintegrasikan kedua metode ini, diharapkan sistem pendukung keputusan ini dapat membantu perpustakaan dalam membuat keputusan yang lebih rasional dan objektif dalam memilih buku yang akan diadakan dalam koleksinya.
2. METODE PENELITIAN Kerangka Kerja Penelitian
Sistem pendukung keputusan penentuan prioritas pengadaan buku perpustakaan menggunakan metode K-Means dan Electre ini dilakukan dengan mengikuti kerangka kerja yang disajikan pada gambar 1.
Analisa Data
Pada tahap ini dilakukan analisa data dari hasil survei dan wawancara yang telah dilakukan sebelumnya. Data-data yang akan dianalisis dengan metode k- means clustering adalah:
a. Data peminjam sesuai dengan Jurusan.
b. Jumlah pengarang.
c. Jumlah buku d. Jumlah sumber e. Jumlah subjek
f. Jumlah kode inventaris g. Tahun penerbit
Selanjutnya data-data tersebut diolah ke dalam sistem sehingga dapat diperoleh gambaran umum dari hasil pengolahan data tersebut.
Data yang akan diolah dalam penelitian ini terdiri dari 163 judul buku yang telah di bersihkan (data cleaning).
Gambar 1 Kerangka Kerja Penelitian
3. HASIL DAN PEMBAHASAN
Tahap awal untuk mendapatkan hasil pengelompokan data, dilakukan pengelompokan data terhadap data yang telah dikumpulkan dengan menggunakan metode K-Means. Proses pengelompokan data dilakukan sampai dengan iterasi keempat. Setelah dilakukan perbandingan data antara iterasi ketiga dan iterasi keempat diperoleh hasil data yang sama antara pusat cluster iterasi ketiga dengan pusat cluster pada iterasi keempat.
Book 001
C1 = √(5 − 1,993007)2+ (3 − 1,342657)2
= 5,753779
C2 = √(5 − 11,45)2+ (3 − 1,3)2
= 9,34
C3 = √(5 − 20,66667)2+ (3 − 4,666667)2
= 18,44445
Book 002
C1 = √(3 − 1,993007)2+ (1 − 1,342657)2
= 1,124407
C2 = √(3 − 11,45)2+ (1 − 1,3)2
= 8,54
C3 = √(3 − 20,66667)2+ (1 − 4,666667)2
= 31,11112
Book 003
C1 = √(1 − 1,993007)2+ (1 − 1,342657)2
= 1,110421
C2 = √(1 − 11,45)2+ (1 − 1,3)2
= 10,54
C3 = √(1 − 20,66667)2+ (1 − 4,666667)2
= 33,11112
Book 004
C1 = √(3 − 1,993007)2+ (1 − 1,342657)2
= 1,124407
C2 = √(3 − 11,45)2+ (1 − 1,3)2
= 8,54
C3 = √(3 − 20,66667)2+ (1 − 4,666667)2
= 31,11112
Pada iterasi keempat ini, diperoleh kelompok data yang terdiri dari 143 data pada cluster 1, 20 data pada cluster 2 dan 3 data pada cluster ke 3. Dari hasil cluster tersebut selanjutnya dipilih data peminjaman buku tertinggi namun memiliki jumlah eksemplar yang paling sedikit, yakni data yang terdapat pada cluster ke 2. Dua puluh (20) data peminjaman buku tersebut terdiri dari 11 judul buku seperti yang disajikan pada tabel 1.
Tabel 1. Data Buku Hasil Pengelompokan Id Pemin-
jaman
Eksem-
plar Harga Buku Jurusan Book-013 11 1 Rp100.000 KA Book-063 11 1 Rp123.900 MAP Book-072 16 1 Rp162.000 MAP
Book-074 13 1 Rp73.350 MAP
Book-075 11 1 Rp106.000 MAP Book-076 16 1 Rp117.000 MAP
Book-084 13 1 Rp71.500 KP
Book-092 15 1 Rp60.000 KA
Book-102 11 1 Rp95.500 TK
Book-122 13 1 Rp130.000 KP
Book-125 12 1 Rp50.000 MAP
Pengolahan data dengan metode Electre Dalam penelitian pengadaan buku di Perpustakaan Sekolah Tinggi Akuntansi dan Manajemen Indonesia ini dapat 11 data judul buku yaitu Akuntansi keuangan lanjutan edisi IFRS (Book-013), Komunikasi Bisnis Ed.3 (Book-063) , Manajemen Koperasi Simpan Pinjam : Panduan Praktis Operasional Manajemen Koperasi Simpan Pinjam di Indonesia (Book-072), Manajemen Pemasaran :Teori & Implementasi (Book-074), Manajemen Perbankan Edisi Revisi (Book-75), Manajemen Perusahaan Koperasi : Pokok-Pokok Pikiran Mengenai Manajemen Dan Kewirausahaan Koperasi (Book-76), Mengelola Kualitas Layanan Perbankan (Book-84), Metodologi Penelitian Bisnis (Book-92), Panduan Praktis Mempelajari Aplikasi Mikrokontroler Dan Pemrogramannya Menggunakan Arduino (Book- 102), Perbankan Dan Masalah Kredit : Suatu Tinjauan Di bidang Yuridis (Book-122), Perpajakan Edisi Revisi (Book-125).
Sebagai alternatif untuk melakukan perhitungan manual dengan metode ELECTRE.
Adapun tahapan-tahapan dalam Proses ELECTRE adalah sebagai berikut:
Tabel di bawah ini menunjukkan range bobot pada tiap kriteria
Tabel 2. Range Peminjaman Range-bobot Peminjaman
1 1-5
2 6-10
3 11-15
4 16"20
Tabel 3. Range Eksemplar Range-bobot Eksemplar
1 1-5
2 6-10
3 11-15
4 16-20
Tabel 4. Range Harga Buku Range-bobot Harga Buku
1 1-50.000
2 50.000-100.000 3 100.000-150.000 4 150.000-200.000
Tabel 5. Range Jurusan Range-bobot Jurusan
1 MAP
2 KA
3 KP
4 TK
Selanjutnya data buku pada tabel 1 disesuaikan dengan range bobot di atas, sehingga diperoleh data-data seperti disajikan pada tabel 6.
Tabel 6. Data disesuaikan dengan range bobot Pemin-
jaman
Eksem- plar
Harga Buku
Juru- san
Book-013 3 1 1 2
Book-063 3 1 3 1
Book-072 4 1 4 1
Book-074 3 1 2 1
Book-075 3 1 3 1
Book-076 4 1 3 1
Book-084 3 1 2 3
Book-092 3 1 2 2
Book-102 3 1 2 3
Book-122 3 1 3 3
Book-125 3 1 1 1
bobot preferensi sebagai berikut:
a. Kriteria Peminjam = 4 b. Kriteria Eksemplar = 3 c. Kriteria Harga buku = 4 d. Kriteria Jurusan = 2 Sehingga W = (4, 3, 4, 2)
Langkah-langkah selanjutnya yang dilakukan adalah:
a. Normalisasi matriks keputusan.
Pada tahap ini dilakukan normalisasi matriks keputusan. Hasil dari normalisasi tersebut disajikan pada tabel 7.
Tabel 7. Normalisasi Matriks Keputusan Pemin-
jaman
Eksem- plar
Harga
Buku Jurusan Book-013 0,2822 0,3015 0,1195 0,3123 Book-063 0,2822 0,3015 0,3586 0,1562 Book-072 0,3763 0,3015 0,4781 0,1562 Book-074 0,2822 0,3015 0,2390 0,1562 Book-075 0,2822 0,3015 0,3586 0,1562 Book-076 0,3763 0,3015 0,3586 0,1562 Book-084 0,2822 0,3015 0,2390 0,4685 Book-092 0,2822 0,3015 0,2390 0,3123 Book-102 0,2822 0,3015 0,2390 0,4685 Book-122 0,2822 0,3015 0,3586 0,4685 Book-125 0,2822 0,3015 0,1195 0,1562
b. Pembobotan pada matriks yang telah dinormalisasi
Setelah di normalisasi, setiap kolom dikalikan dengan bobot W = (4, 3, 4, 2). Hasil dari perkalian matriks dengan bobot disajikan pada tabel 8.
Tabel 8. Pembobotan pada Matriks yang telah dinormalisasi
Pemin- jaman
Eksem- plar
Harga
Buku Jurusan Book-013 1,1289 0,9045 0,4781 0,6247 Book-063 1,1289 0,9045 1,4343 0,3123 Book-072 1,5052 0,9045 1,9124 0,3123 Book-074 1,1289 0,9045 0,9562 0,3123 Book-075 1,1289 0,9045 1,4343 0,3123 Book-076 1,5052 0,9045 1,4343 0,3123 Book-084 1,1289 0,9045 0,9562 0,9370 Book-092 1,1289 0,9045 0,9562 0,6247 Book-102 1,1289 0,9045 0,9562 0,9370 Book-122 1,1289 0,9045 1,4343 0,9370 Book-125 1,1289 0,9045 0,4781 0,3123
Selanjutnya dilakukan penentuan himpunan concordance dan disordance index. Setelah himpunan concordance dan disconcordance index diperoleh, dilanjutkan dengan menghitung matriks concordance dan disconcordance. Hasil perhitungan matriks concordance dan disconcordance disajikan pada tabel 9 dan tabel 10.
Tabel 9. Matriks Concordance
Book-013 0 9 5 9 9 5 7 9 7 7 13
Book-063 11 0 5 13 13 9 11 11 11 11 13
Book-072 11 13 0 13 13 13 11 11 11 11 13
Book-074 11 9 5 0 9 5 11 11 11 7 13
Book-075 11 13 5 13 0 9 11 11 11 11 13 Book-076 11 13 9 13 13 0 11 11 11 11 13
Book-084 13 9 5 13 9 5 0 13 13 9 13
Book-092 13 9 5 13 9 5 11 0 11 7 13
Book-102 13 9 5 13 9 5 13 13 0 9 13
Book-122 13 13 5 13 13 9 13 13 13 0 13
Book-125 11 9 5 9 9 5 7 7 7 7 0
Tabel 10. Matriks Disconcordance
Book-013 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,00 Book-063 0,33 1,00 0,00 0,00 1,00 1,00 0,65 1,00 1,00 0,00 Book-072 0,22 0,00 0,00 0,00 0,00 0,65 0,33 0,65 1,00 0,00 Book-074 0,65 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,00 Book-075 0,33 0,00 1,00 0,00 1,00 1,00 0,65 1,00 1,00 0,00 Book-076 0,33 0,00 1,00 0,00 0,00 1,00 0,65 1,00 1,00 0,00 Book-084 0,00 0,77 1,00 0,00 0,77 0,77 0,00 0,00 1,00 0,00 Book-092 0,00 1,00 1,00 0,00 1,00 1,00 0,00 0,00 1,00 0,00 Book-102 0,00 0,77 1,00 0,00 0,77 0,77 0,00 0,00 1,00 1,31 Book-122 0,00 0,00 0,77 0,00 0,00 0,60 0,00 0,00 0,00 0,00 Book-125 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
e. Menentukan matriks dominan concordance dan disconcordance.
Matriks dominan concordance dan matriks dominan disconcordance dibangun dengan membandingkan setiap nilai elemen matriks dengan nilai threshold. Matriks dominan concordance dan matriks dominan diconscordance disajikan pada tabel 11 dan tabel 12.
Tabel 11. Matriks Dominan Concordance
Book-013 0 0 0 0 0 0 0 0 0 1 Book-063 1 0 1 1 0 1 1 1 1 1 Book-072 1 1 1 1 1 1 1 1 1 1 Book-074 1 0 0 0 0 1 1 1 0 1 Book-075 1 1 0 1 0 1 1 1 1 1 Book-076 1 1 0 1 1 1 1 1 1 1 Book-084 1 0 0 1 0 0 1 1 0 1 Book-092 1 0 0 1 0 0 1 1 0 1 Book-102 1 0 0 1 0 0 1 1 0 1 Book-122 1 1 0 1 1 0 1 1 1 1 Book-125 1 0 0 0 0 0 0 0 0 0
Tabel 12. Matriks Dominan Disconcordance
Book-013 1 1 1 1 1 1 1 1 1 0 Book-063 0 1 0 0 1 1 1 1 1 0 Book-072 0 0 0 0 0 1 0 1 1 0 Book-074 1 1 1 1 1 1 1 1 1 0 Book-075 0 0 1 0 1 1 1 1 1 0 Book-076 0 0 1 0 0 1 1 1 1 0 Book-084 0 1 1 0 1 1 0 0 1 0 Book-092 0 1 1 0 1 1 1 1 1 0 Book-102 0 1 1 0 1 1 0 0 1 0 Book-122 0 0 1 0 0 1 0 0 0 0 Book-125 1 1 1 1 1 1 1 1 1 1
f. Menentukan aggregate dominance matrix.
Menentukan aggregate dominance matrix sebagai matriks E, yang setiap elemennya merupakan perkalian antara elemen matriks F dengan elemen matriks G, sebagai berikut :
Tabel 13. Aggregate Dominance Matrix
Book-013 0 0 0 0 0 0 0 0 0 0
Book-063 0 0 0 0 0 1 1 1 1 0 Book-072 0 0 0 0 0 1 0 1 1 0 Book-074 1 0 0 0 0 1 1 1 0 0 Book-075 0 0 0 0 0 1 1 1 1 0 Book-076 0 0 0 0 0 1 1 1 1 0 Book-084 0 0 0 0 0 0 0 0 0 0 Book-092 0 0 0 0 0 0 1 1 0 0 Book-102 0 0 0 0 0 0 0 0 0 0 Book-122 0 0 0 0 0 0 0 0 0 0 Book-125 1 0 0 0 0 0 0 0 0 0
g. Eliminasi alternatif yang les favourable.
Alternatif terbaik adalah yang mendominasi alternatif lainnya. Hasil perangkingan diperoleh bahwa Book-074 (Manajemen Pemasaran : Teori & Implementasi) merupakan alternatif terbaik dari 11 alternatif lain. Sedangkan alternatif paling bawah adalah Book-122 (Perbankan Dan Masalah Kredit : Suatu Tinjauan Dibidang Yuridis).
Tabel 3.16. Hasil Perangkingan
Book-013 0
Book-063 4
Book-072 3
Book-074 4
Book-075 4
Book-076 4
Book-084 0
Book-092 2
Book-102 0
Book-122 0
Book-125 1
4. KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan, maka dapat diberikan kesimpulan bahwa sistem Rekomendasi Pengadaan Buku di Perpustakaan Sekolah Tinggi Akuntansi dan Manajemen Indonesia dilakukan dengan menggunakan 2 tahapan yakni menggunakan metode K- Means dan metode Electre. Melalui perhitungan k-means clustering diperoleh kelompok buku sebanyak 3 cluster, yaitu cluster peminjaman paling rendah, sedang, dan paling tinggi. Dengan mengintegrasikan kedua metode ini, dapat membantu pihak pengelola
perpustakaan dalam membuat keputusan yang lebih rasional dan objektif dalam menyediakan buku yang sesuai dengan kebutuhan mahasiswa.
5. REFERENSI
[1] P. D. P. Adi and A. Kitagawa,
“Performance evaluation of E32 long range radio frequency 915 MHz based on internet of things and micro sensors data,”
Int. J. Adv. Comput. Sci. Appl., vol. 10, no.
11, pp. 38–49, 2019, doi:
10.14569/IJACSA.2019.0101106.
[2] P. Adi, D. Prasetya, A. Setiawan, N.
Nachrowie, and R. Arifuddin, “Design Of Tsunami Detector Based Sort Message Service Using Arduino and SIM900A to GSM/GPRS Module,” Proc. Proc. 2nd Int. Conf. Adv. Sci. Innov. ICASI 2019, 18 July, Banda Aceh, Indones., 2019, doi:
10.4108/eai.18-7-2019.2288588.
[3] P. Dani Prasetyo Adi and A. Kitagawa, “A performance of radio frequency and signal strength of LoRa with BME280 sensor,”
TELKOMNIKA (Telecommunication Comput. Electron. Control., vol. 18, no. 2, p. 649, Apr. 2020, doi:
10.12928/telkomnika.v18i2.14843.
[4] P. D. P. Adi and A. Kitagawa, “Quality of Service and power consumption optimization on the IEEE 802.15.4 pulse sensor node based on Internet of Things,”
Int. J. Adv. Comput. Sci. Appl., 2019,
[Online]. Available:
http://www.scopus.com/inward/record.ur l?eid=2-s2.0-
85066760495&partnerID=MN8TOARS [5] P. D. P. Adi and A. Kitagawa, “A Study
of LoRa Performance in Monitoring of Patient’s SPO2 and Heart Rate based IoT,” Int. J. Adv. Comput. Sci. Appl., vol.
11, no. 2, 2020, doi:
10.14569/IJACSA.2020.0110232.
[6] P. D. Prasetyo Adi and A. Kitagawa,
“Performance evaluation WPAN of RN- 42 bluetooth based (802.15.1) for sending the multi-sensor LM35 data temperature
and raspBerry pi 3 Model B for the database and internet gateway,” Int. J.
Adv. Comput. Sci. Appl., 2018, doi:
10.14569/IJACSA.2018.091285.
[7] P. D. P. Adi and A. Kitagawa, “ZigBee Radio Frequency (RF) performance on Raspberry Pi 3 for Internet of Things (IoT) based blood pressure sensors monitoring,” Int. J. Adv. Comput. Sci.
Appl., 2019, [Online]. Available:
http://www.scopus.com/inward/record.ur l?eid=2-s2.0-
85066732467&partnerID=MN8TOARS [8] P. D. P. Adi and A. Kitagawa, “A Review
of the Blockly Programming on M5Stack Board and MQTT Based for Programming Education,” 2019 IEEE 11th Int. Conf. Eng. Educ., pp. 102–107,
Nov. 2019, doi:
10.1109/ICEED47294.2019.8994922.
[9] M. Niswar et al., “Performance evaluation of ZigBee-based wireless sensor network for monitoring patients’ pulse status,” in 2013 International Conference on Information Technology and Electrical Engineering (ICITEE), Oct. 2013, pp.
291–294. doi:
10.1109/ICITEED.2013.6676255.
[10] V. M. M. Siregar and N. F. Siagian,
“Implementation of Fingerprint Sensors for Fingerprint Reader Prototypes Using a Microcontroller,” IOTA, vol. 02, no. 1, pp.
47–59, 2022, doi: 10.31763/iota.v2i1.559.
[11] V. M. M. Siregar, K. Sinaga, and M. A.
Hanafiah, “Prototype of Water Turbidity Measurement With Fuzzy Method using Microcontroller,” IOTA, vol. 2, no. 2, pp.
76–97, 2022, doi: 10.31763/iota.v2i2.593.
[12] I. M. Siregar, N. F. Siagian, and V. M. M.
Siregar, “Design of an Electric Light Control Device Using Arduino Uno Microcontroller-Based Short Message Service,” IOTA, vol. 02, no. 2, pp. 98–
110, 2022, doi: 10.31763/iota.v2i2.560.
[13] I. M. Siregar, M. Yunus, and V. M. M.
Siregar, “Prototype of Garbage Picker
Ship Robot Using Arduino Nano Microcontroller,” IOTA, vol. 2, no. 3, pp.
150–168, 2022, doi:
10.31763/iota.v2i3.540.
[14] T. Purnamasari, M. Nasution, and G. J.
Yaris, “Analisis Minat Belajar Mahasiswa Pada Masa Perkuliahan Online Menggunakan Rougt Set,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol.
VII, no. 3, pp. 251–258, 2021, [Online].
Available:
https://jurnal.stmikroyal.ac.id/index.php/j urteksi/article/view/1062
[15] V. Marudut, M. Siregar, S. Sonang, and E.
Damanik, “Sistem Pendukung Keputusan Penentuan Pelanggan Terbaik Menggunakan Metode Weighted Product,” J. TEKINKOM, vol. 4, no. 2, pp.
239–244, 2021.
[16] S. Sumaizar, K. Sinaga, E. D. Siringo- ringo, and V. M. M. Siregar,
“Determining Goods Delivery Priority for Transportation Service Companies Using SAW Method,” J. Comput. Networks, Archit. High Perform. Comput., vol. 3, no.
2, pp. 256–262, Nov. 2021, doi:
10.47709/cnahpc.v3i2.1154.
[17] S. Aisyah and W. Purba, “Aplikasi Sistem Pendukung Keputusan Penilaian Kinerja Karyawan Menggunakan Metode Profile Matching,” J. Mahajana Inf., vol. 4, no. 2, pp. 16–20, 2019.
[18] S. H. Musti, D. Irmayani, and G. J. Yanris,
“ANALYSIS OF THE ELECTRE METHOD IN DECISION SUPPORT SYSTEMS FOR DETERMINING AREAS OF EXPERTISE FOR,”
Infokum, vol. 9, no. 2, pp. 184–190, 2021.
[19] A. T. Purba, “Sistem Pendukung Keputusan Dalam Penerimaan Mahasiswa Baru Dengan Metode Analytical Hierarchy Process (AHP),” J. Tekinkom, vol. 1, no. 1, pp. 1–7, 2018.
[20] S. Parsaoran Tamba, P. Wulandari, M.
Hutabarat, M. Christina, and A. Oktavia,
“Penggunaan Metode Topsis (Technique
for Order Preference By Similarity To Ideal Solution) Untuk Menentukan Kualitas Biji Kopi Terbaik Berbasis Android,” J. Mantik Penusa, vol. 3, no. 1, pp. 73–81, 2019.
[21] H. Hertyana, “Sistem pendukung keputusan penentuan karyawan terbaik menggunakan metode saw studi kasus amik mahaputra riau,” Intra-Tech, vol. 2, no. 1, pp. 74–82, 2018, [Online].
Available:
https://www.journal.amikmahaputra.ac.id /index.php/JIT/article/view/27
[22] S. Sirait et al., “Selection of the Best Administrative Staff Using Elimination Et Choix Traduisant La Realite (ELECTRE) Method,” J. Phys. Conf. Ser., vol. 1933, no. 1, p. 012068, Jun. 2021, doi:
10.1088/1742-6596/1933/1/012068.
[23] V. Sihombing et al., “Additive Ratio Assessment (ARAS) Method for Selecting English Course Branch Locations,” J. Phys. Conf. Ser., vol. 1933, no. 1, p. 012070, Jun. 2021, doi:
10.1088/1742-6596/1933/1/012070.
[24] V. M. M. Siregar et al., “Implementation of ELECTRE Method for Decision Support System,” IOP Conf. Ser. Mater.
Sci. Eng., vol. 1088, no. 1, p. 012027, Feb.
2021, doi: 10.1088/1757- 899x/1088/1/012027.
[25] V. M. M. Siregar, M. R. Tampubolon, E.
P. S. Parapat, E. I. Malau, and D. S.
Hutagalung, “Decision support system for selection technique using MOORA method,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1088, no. 1, p. 012022, Feb. 2021, doi: 10.1088/1757-899X/1088/1/012022.
[26] Fricles Ariwisanto Sianturi, “Analisa metode teorema bayes dalam mendiagnosa keguguran pada ibu hamil berdasarkan jenis makanan,” Tek. Inf. dan Komput., vol. 2, no. 1, pp. 87–92, 2019.
[27] V. M. M. Siregar and N. F. Siagian,
“Sistem Informasi Front Office Untuk Peningkatan Pelayanan Pelanggan Dalam
Reservasi Kamar Hotel,” J. Tek. Inf. dan Komput., vol. 4, no. 1, pp. 77–82, 2021, doi: 10.37600/tekinkom.v4i1.279.
[28] V. M. M. Siregar et al., “Decision support system for selection of food aid recipients using SAW method,” 2022, p. 030019.
doi: 10.1063/5.0094385.
[29] N. A. Sinaga et al., “Decision support system with MOORA method in selection of the best teachers,” in AIP Conference Proceedings, 2022, p. 030020. doi:
10.1063/5.0094437.
[30] Sahat Sonang, “Implementasi K-Means Dalam Evaluasi Kinerja Dosen Politeknik Bisnis Indonesia,” J. Tekinkom, vol. 1, no.
1, pp. 32–40, 2018, doi:
10.1017/CBO9781107415324.004.
[31] W. Purba, W. Siawin, and . H.,
“Implementasi Data Mining Untuk Pengelompokkan Dan Prediksi Karyawan Yang Berpotensi Phk Dengan Algoritma K-Means Clustering,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 2, no. 2, pp. 85–90, 2019, doi:
10.34012/jusikom.v2i2.429.
[32] H. Sugara and M. A. Hanafiah, “Book Data Grouping in the Library Using the K- Means Clustering Method,” Mantik, vol.
4, no. 3, pp. 2225–2231, 2020.
[33] W. Purba, S. Tamba, and J. Saragih, “The effect of mining data k-means clustering toward students profile model drop out potential,” J. Phys. Conf. Ser., vol. 1007, p. 012049, Apr. 2018, doi: 10.1088/1742- 6596/1007/1/012049.
