Copyright © 2023 Dismas Banar Purnandi, Page 529
Penerapan Metode Simple Additive Weighting untuk Meningkatkan Efisiensi pada Pemilihan Mahasiswa Berprestasi
Dismas Banar Purnandi, Ika Nur Fajri, Hendra Kurniawan*
Fakultas Ilmu Komputer, Sistem Informasi, Universitas Amikom Yogyakarta, Yogyakarta, Indonesia Email: 1dismas.purnandi@students.amikom.ac.id, 2ika.nur.fajri@amikom.ac.id, 3,*hendrakurniawan@amikom.ac.id
Correspondence Author Email: hendrakurniawan@amikom.ac.id Submitted 14-03-2023; Accepted 30-04-2023; Published 30-04-2023
Abstrak
Poltekkes Kemenkes Yogyakarta merupakan salah satu lembaga pendidikan tingkat tinggi yang memiliki program Mahasiswa Berprestasi yang memberikan penghargaan kepada mahasiswa berprestasi yang memenuhi syarat berdasarkan kriteria yang telah ditentukan. Pemilihan mahasiswa berprestasi di Poltekkes Kemenkes Yogyakarta selama ini dimulai dengan pengumpulan data mahasiswa, kemudian penghitungan hasil nilai yang diperoleh tiap mahasiswa mulai dari perhitungan nilai kriteria setiap mahasiswa yang akan dikalikan dengan bobot dari setiap kriteria yang telah ditentukan lalu total dari seluruh nilai yang didapatkan dijumlahkan dengan kalkulator atau Microsoft Excel. Hal ini dapat mengakibatkan terjadinya kesalahan dalam perhitungan hasil (human error) seperti kesalahan penginputan data yang akan diolah, untuk melakukan penghitungan membutuhkan waktu yang lama dan tenaga lebih sehingga hasil perhitungan alternatif pilihan yang didapatkan tidak akurat. Pembuatan Sistem Pendukung Keputusan berbasis website yang akan dibangun menggunakan database MySQL, bahasa pemrograman menggunakan Hypertext Preprocessor (PHP) dengan framework CodeIgniter 4 dengan menerapkan metode Simple Additive Weighting (SAW) karena metode SAW dapat menyeleksi mahasiswa terbaik dari sejumlah mahasiswa yang terdaftar untuk menerima penghargaan mahasiswa berprestasi. Selain itu, pengumpulan data yang dilakukan menggunakan metode wawancara dan observasi serta metode dalam pengembangan sistem menggunakan metode waterfall. Hasil perhitungan menggunakan metode SAW secara manual dengan perhitungan sistem memiliki 100% kesamaan hasil dengan Nabilah Fathiyah Rahmah yang memperoleh peringkat pertama dengan nilai 0,986 kemudian Wahyu Adi Pratama dengan nilai 0,943 dan seterusnya hingga peringkat terakhir diperoleh Riska Annisa Putri dengan nilai 0,637.
Kata Kunci: Mahasiswa; Simple Additive Weighting; Sistem Pendukung Keputusan Abstract
Poltekkes Kemenkes Yogyakarta is one of the higher education institutions that has an Mahasiswa Berprestasi program that gives awards to outstanding students who meet the requirements based on predetermined criteria. The Selection of Mahasiswa Berprestasi at the Poltekkes Kemenkes Yogyakarta has so far started with collecting student data, then calculating the results of the scores obtained by each student starting from calculating the value of each student's criteria which will be multiplied by the weight of each predetermined criterion and then the total of all scores obtained is added up with calculator or Microsoft Excel. This can result in errors in the calculation of the results (human error) such as data input errors to be processed, to perform calculations requires a long time and more effort so that the alternative calculation results obtained are inaccurate. Making a website-based Decision Support System that will be built using database MySQL, the programming language using Hypertext Preprocessor (PHP) with the CodeIgniter 4 framework by applying the Simple Additive Weighting (SAW) method because the SAW method can select the best students from a number of students registered to receive student achievement awards. In addition, data collection was carried out using interview and observation methods as well as methods in system development using methods waterfall. The results of calculations using the SAW method manually with system calculations have 100% similarity in results with Nabilah Fathiyah Rahmah who obtained the first stage with a score of 0.986 then Wahyu Adi Pratama with a score of 0.943 and then to the last stage was obtained by Riska Annisa Putri with a score of 0.637.
Keywords: Students; Simple Additive Weighting; Decision Support System
1. PENDAHULUAN
Sumber Daya Manusia (SDM) merupakan salah satu komponen penting dalam sebuah perusahaan, lembaga atau instansi lainnya. Mahasiswa merupakan contoh sumber daya manusia yang dimaksud dalam sebuah perguruan tinggi. Dalam sebuah perguruan tinggi, kualitas mahasiswa menjadi salah satu aset penting yang perlu diperhatikan. Keseimbangan antara kecerdasan dalam bidang utama (hardskill) dan kreativitas untuk mengembangkan kemampuan dalam bidang lain (softskill) dapat meningkatkan kualitas mahasiswa. Maka dari itu, dalam upaya meningkatkan kualitas mahasiswa Poltekkes Kemenkes Yogyakarta memiliki program Mahasiswa Berprestasi. Program ini merupakan kegiatan untuk memilih dan memberikan penghargaan kepada mahasiswa yang berhasil mencapai prestasi tinggi, baik di bidang kurikuler, kokurikuler maupun ekstrakurikuler sesuai dengan kriteria yang telah ditentukan.
Pemilihan Mahasiswa Berprestasi di Poltekkes Kemenkes Yogyakarta selama ini dimulai dengan pengumpulan data mahasiswa. Selanjutnya, melakukan perhitungan hasil nilai yang diperoleh tiap mahasiswa, mulai dari kriteria Indeks Prestasi Kumulatif (IPK), naskah produk inovatif, data capaian unggulan yang membanggakan selama menjadi mahasiswa hingga kemampuan berbahasa inggris. Nilai-nilai tersebut akan dikalikan dengan bobot dari setiap kriteria yang telah ditentukan. Kemudian, total dari seluruh nilai yang didapatkan dijumlahkan menggunakan kalkulator atau Microsoft Excel. Hal ini dapat mengakibatkan terjadinya kesalahan (human error) dalam perhitungan hasil, seperti kesalahan penginputan data yang akan diolah. Proses penghitungan juga membutuhkan waktu yang lama dan tenaga lebih, sehingga hasil perhitungan alternatif pilihan yang didapatkan kurang akurat [1]. Apabila pemilihan mahasiswa prestasi seperti ini terus berlanjut, maka dapat menimbulkan kesalahan dalam pengambilan keputusan.
Berdasarkan masalah yang ditemui diatas, untuk membantu Poltekkes Kemenkes Yogyakarta dalam proses pemilihan mahasiswa berprestasi, maka Sistem Pendukung Keputusan (SPK) berbasis website dengan metode Simple Additive Weighting (SAW) diharapkan dapat menyelesaikan permasalahan di atas. Metode SAW merupakan metode penghitungan berbobot dari peringkat pada setiap alternatif. Metode ini memerlukan proses normalisasi matriks keputusan (X) ke dalam suatu skala yang dapat dibandingkan dengan seluruh alternatif peringkat yang ada. Metode SAW menjadi pilihan karena metode ini dapat menyeleksi alternatif terbaik dengan melakukan perangkingan untuk mengetahui nilai paling tinggi hingga nilai paling rendah dari seluruh alternatif berdasarkan kriteria yang telah ditentukan [2]–[4].
Penelitian terkait penerapan metode Simple Additive Weighting (SAW) dalam pengembangan sistem pendukung keputusan telah banyak dilakukan. Pertama, penelitian yang dilakukan pada tahun 2019 yang memiliki hasil akhir berupa sistem pendukung keputusan berbasis website yang perhitungannya tidak berbeda dengan hasil perhitungan sistem pendukung keputusan dengan cara manual [2]. Alternatif mold B (BODY CH-DB 104) sebagai prioritas pertama untuk perbaikan mold dengan nilai akhir 0,90, kemudian alternatif mold A (BODY G 28) dengan nilai akhir 0,70, lalu mold C (CapTW-CT 28) dengan nilai akhir 0,66 dan mold D (CAP SW-CO 66) sebagai alternatif terakhir dengan nilai akhir 0,50.
Adapun kriteria dan bobot yang digunakan dalam sistem ini yakni Permintaan Waktu Perbaikan (C1) dengan bobot 0,3, Jumlah Produk yang sudah dihasilkan (C2) dengan bobot 0,2, Usia Mold (C3) dengan bobot 0,2, dan yang terakhir Tingkat Kerusakan (C4) dengan bobot 0,3 sehingga total bobot keseluruhan yaitu 1,0.
Kedua, penelitian yang dilakukan pada tahun 2021 berupa penyeleksian untuk menentukan ADRO (A1), BBRI (A2), HMSP (A3), PTBA (A4), dan TLKM (A5) sebagai alternatif yang digunakan [5]. Menentukan kriteria ROA (C1) dengan bobot 0,10, ROE (C2) dengan bobot 0,10, Pendapatan (C3) dengan bobot 0,20, PER (C4) dengan bobot 0,25, dan Harga (C5) dengan bobot 0,35, sehingga total bobot keseluruhan 1,0 yang menjadi acuan. Selanjutnya, memberikan nilai rating kecocokan alternatif pada setiap kriteria, menentukan nilai preferensi setiap kriteria, membuat tabel rating kecocokan dari setiap alternatif pada setiap kriteria, membuat matriks keputusan (X) berdasarkan tabel rating kecocokan, menormalisasikan matriks keputusan dengan menghitung nilai rating kinerja ternormalisasi. Hasil perhitungan rating kinerja ternormalisasi membentuk matriks ternormalisasi (R), dan matriks R ternormalisasi dikalikan dengan a vektor bobot, sehingga HMSP menempati peringkat pertama dengan nilai 0,870. Kemudian, diikuti ADRO dengan nilai 0,670 lalu TLKM dengan nilai 0,567 lalu BBRI dengan nilai 0,540 dan yang terakhir PTBA dengan nilai 0,427.
Ketiga, sistem pendukung keputusan yang dikembangkan pada tahun 2020 merupakan model Prototyping dengan desain sistem menggunakan Unified Modelling Language dan pengujian yang dilakukan menggunakan BlackBox Testing [6]. Selain itu, implementasi sistem menggunakan bahasa pemrograman web Hypertext Preprocessor (PHP), Javascript dan dengan database menggunakan MySQL. Kriteria yang digunakan terdiri dari C1 (Usia) dengan bobot 0,15, C2 (Pendidikan Terakhir) dengan bobot 0,20, C3 (Pengalaman) dengan bobot 0,10, C4 (Motivasi) dengan bobot 0,20, C5 (Wawancara) dengan bobot 0,15 dan yang terakhir C6 (Kemampuan atau Skill) dengan bobot 0,20, sehingga total bobot kriteria keseluruhan 1,00. Berdasarkan 10 data alternatif yang digunakan, alternatif A4 menjadi preferensi utama yang akan diterima sebagai calon petugas di Badan Pusat Statistik Kabupaten Bekasi dalam sistem pendukung keputusan yang dibangun dengan nilai akhir 0,98 kemudian diikuti A3 dan A10 dengan nilai akhir 0,92.
Keempat, pada penelitian yang dilakukan pada tahun 2021 menggunakan 8 kriteria sebagai acuan perhitungan sistem pendukung keputusan dengan metode SAW [7]. Delapan kriteria tersebut antara lain Kedisiplinan (C1) dengan bobot 15, Integritas dan perilaku terhadap nilai-nilai perusahaan (C2) dengan bobot 20, Orientasi terhadap penghargaan dengan bekerja sungguh-sungguh maupun konsistensi untuk mencapai target (C3) dengan bobot 10, Keinginan untuk terus belajar (C4) dengan bobot 10, Kreatifitas untuk berekembang (C5) dengan bobot 10, Orientasi terhadap kualitas dengan mematuhi SOP dan memastikan hasil kerja sesuai dengan standar (C6) dengan bobot 15, Orientasi pelayanan terhadap pelanggan (C7) dengan bobot 10, dan Bekerja dalam tim (C8) dengan bobot 10. Dari 15 alternatif yang ada, sistem berhasil menyeleksi 8 alternatif terbaik dengan nilai akhir sebagai berikut V3 dengan nama Taryono mendapatkan nilai 9,8 sebagai alternatif dengan nilai tertinggi, diikuti oleh V12 dengan nama Vida Lerian mendapatkan nilai 9,8, V9 dengan nama Yuliana memperoleh nilai 9,6, V6 dengan nama Muhamad Rizki Maulana memperoleh nilai 9,5, V7 dengan nama Mujibur Rohman Efendi memperoleh nilai 9,5 dan V4 dengan nama Fathur Rahman memperoleh nilai akhir 9,1.
Kelima, penelitian untuk menentukan kepala biro pada tahun 2020 menggunakan metode SAW terdapat 6 kriteria yang digunakan yakni Tanggung Jawab (C1) dengan bobot yang ditentukan sebesar 30%, Pendidikan Terakhir (C2) dengan bobot yang ditentukan sebesar 20%, Jenjang Kepangkatan (C3) dengan bobot sebesar 15%, Kedisiplinan (C4) dengan bobot 15%, Komunikasi (C5) dengan bobot sebesar 10%, dan Masa Kerja (C6) dengan bobot 10% sehingga total dari semua bobot yang ada sebesar 100% [8]. Selain itu, dalam penelitian ini menggunakan 4 sampel alternatif sebagai kandidat kepala biro V1 menjadi alternatif pertama dan seterusnya hingga V4 sebagai alternatif keempat. Berdasarkan perhitungan dari sistem pendukung keputusan yang dibuat, hasil akhir yang diperoleh dijelaskan sebagai berikut: V4 kandidat 1 dengan nilai akhir 0,975, V1 kandidat 2 dengan nilai akhir 0,925, V2 kandidat 3 dengan nilai akhir 0,8625, dan V3 kandidat 4 dengan nilai akhir 0,8375.
Penelitian penerapan metode Simple Additive Weighting (SAW) untuk pemilihan mahasiswa berprestasi di Poltekkes Kemenkes Yogyakarta menggunakan 4 kriteri, yaitu IPK (C1) dengan bobot 20%, Data Capaian Unggulan (C2) dengan bobot 30%, Naskah Produksi Inovatif (C3) dengan bobot 30%, dan Bahasa Inggris (C4) dengan bobot 20%.
Uji coba penelitian menggunakan 14 alternatif pilihan yang berasal dari berbagai program studi. Melalui penelitian ini diharapkan dapat menghasilkan sistem pendukung keputusan dengan mengadopsi metode SAW, sehingga dapat menghasikan pemilihan mahasiswa berprestasi secara lebih efisien dan akurat.
Copyright © 2023 Dismas Banar Purnandi, Page 531
2. METODOLOGI PENELITIAN
2.1 Alur Penelitian
Alur atau tahapan penelitian implementasi metode Simple Additive Weighting (SAW) ini menerapkan metode waterfall.
Metode ini mempunyai beberapa tahapan, yaitu pengumpulan data, analisis kebutuhan, perancangan sistem, implementasi sistem, pengujian sistem, dan pemeliharaan sistem dan evaluasi. Kelebihan metode waterfall adalah menyediakan struktur yang baik untuk mengontrol proyek pengembangan sistem informasi [9]. Alur penelitian ditunjukkan seperti pada gambar 1.
Gambar 1. Alur penelitian 2.2 Uraian Alur Penelitian
Berikut merupakan uraian dalam alur penelitian:
a. Pengumpulan Data
Pengumpulan data dalam penelitian ini menggunakan teknik observasi dan wawancara. Observasi dilakukan untuk mendapatkan gambaran, data, serta hasil perhitungan program Mahasiswa Berprestasi pada Poltekkes Kemenkes Yogyakarta dengan melihat cara proses perhitungan dalam menentukan alternatif terbaik. Wawancara dilakukan menggunakan beberapa variabel pertanyaan berikut:
1. Apakah pada Poltekkes Kemenkes Yogyakarta terdapat penghargaan bagi dosen, staff, maupun mahasiswa terbaik?
2. Apa maksud dari program Mahasiswa Berprestasi?
3. Kapan program Mahasiswa Berprestasi diadakan?
4. Bagaimana proses dalam program Mahasiswa Berprestasi?
5. Bagaimana proses penyeleksian dalam program Mahasiswa Berprestasi?
6. Apa kendala yang ditemukan saat proses perhitungan dalam program Mahasiswa Berprestasi?
b. Analisis Kebutuhan
Analisis kebutuhan meliputi analisis kebutuhan fungsional dan kebutuhan non fungsional. Analisis kebutuhan fungsional menjelaskan proses atau aktivitas yang akan dilakukan oleh sistem [10]. Analisis ini menjelaskan kebutuhan fungsional terhadap pengguna sistem, yaitu admin agar sistem dapat berfungsi seperti yang diharapkan. Analisis kebutuhan non fungsional menjelaskan kebutuhan perangkan keras (hardware) dan perangkat lunak (software) yang dibutuhkan dalam sistem [11].
c. Perancangan Sistem
Tahap perancangan sistem adalah melakukan pemodelan menggunakan Unified Modelling Language (UML).
Pemodelan UML ini ditujukan untuk menggambarkan secara visual sistem informasi [12][13][14]. Jenis UML yang digunakan adalah Use Case Diagrams, Activity Diagrams, Class Diagrams, dan Sequence Diagrams. Use Case Diagrams untuk menggambarkan fungsional sistem menggunakan aktor dan batas sistem, sedangkan activity diagrams untuk menggambarkan cara kerja dalam sistem [15][16]. Class Diagrams digunakan untuk menggambarkan sistem secara terstruktur dan mendeskripsikan class, atribut, metode, dan hubungan atar objek [17]. Sequence Diagrams digunakan untuk menggambarkan interaksi antar objek yang berada di dalam atau di sekitar sistem [18].
d. Implementasi Sistem
Implementasi sistem merupakan tahap penerapan metode Simple Additive Weighting (SAW) ke dalam kode pemrograman untuk mengembangkan sistem pendukung keputusan (SPK). Langkah awal penerapan metode SAW adalah menentukan prioritas, menentukan kriteria sebagai acuan untuk pengambilan keputusan, menentukan pembobotan pada preferensi dengan persamaan berikut [19]–[25]:
𝑊 = [𝑊1, 𝑊2, … 𝑊𝑗] (1)
Langkah berikutnya merancang tabel rating kecocokan berdasarkan setiap prioritas pada setiap kriteria, merancang matriks keputusan (X) berdasarkan tabel rating kecocokan dari setiap prioritas pada setiap kriteria.
Selanjutnya melakukan normalisasi matriks keputusan (X) dengan menggunakan persamaan di bawah ini:
𝑟𝑖𝑗 = 𝑋𝑖𝑗
𝑀𝐴𝑋𝑖𝑋𝑖𝑗 Jika j merupakan atribut keuntungan (benefit) (2) 𝑟𝑖𝑗 = 𝑀𝐼𝑁𝑖𝑋𝑖𝑗
𝑋𝑖𝑗 Jika j merupakan atribut biaya (cost) (3) Keterangan :
rij : rating kinerja ternormalisasi
maxi : nilai tertinggi dari setiap baris dan kolom mini : nilai terendah dari setiap baris dan kolom Xij : kolom dan baris dari matriks
Normalisasi matriks keputusan (X) menghasilkan matriks ternormalisasi (R) sebagai berikut:
Selanjutnya menghitung nilai bobot prioritas untuk setiap alternatif dengan menggunakan persamaan berikut:
𝑉𝑖 = ∑𝑛𝑗=1 𝑤𝑗 𝑟𝑖𝑗 (4)
Keterangan :
Vi : rangking dari setiap alternatif wj : nilai bobot kriteria
rij : rating kinerja ternormalisasi
Nilai terbesar hasil perhitungan Vi menjadi prioritas terbaik untuk menentukan Ai.
e. Pengujian Sistem
Copyright © 2023 Dismas Banar Purnandi, Page 533 Pengujian sistem ditujukan untuk meminimalisir kesalahan yang dapat terjadi dalam sistem, yaitu menggunakan blackbox testing dan whitebox testing. Blackbox testing merupakan teknik pengujian yang fokus terhadap fungsional sistem [26][27]. Sementara itu, whitebox testing merupakan teknik pengujian yang fokus terhadap logika internal dan struktur kode program [28].
f. Pemeliharaan Sistem dan Evaluasi
Pemeliharaan sistem dan evaluasi ditujukan untuk memperbaiki, menjaga, dan mengembangkan sistem secara berkelanjutan. Tahap ini dilakukan apabila terdapat update fitur maupun restorasi data dalam sistem pendukung keputusan (SPK) untuk pemilihan mahasiswa berprestasi di Poltekkes Kemenkes Yogyakarta.
3. HASIL DAN PEMBAHASAN
3.1 Perhitungan Metode SAW
Sample atau daftar alternatif dalam penelitian ini menggunakan 14 mahasiswa Poltekkes Kemenkes Yogyakarta yang telah lolos dalam seleksi program Mahasiswa Berprestasi seperti yang ditunjukkan pada tabel 1.
Tabel 1. Daftar alternatif
No. Nama Program Studi
1 Wahyu Adi Pratama STr TLM
2 Rahma Ayu Husna Maulida STr Gizi
3 Larra Nuhenita STr Kebidanan
4 Luthfiani Syafa STr Keperawatan
5 Nabilah Fathiyah Rahmah STKA
6 Elok Natania Koko STr Terapi Gigi
7 Salsabila Syifa Kamila Str Sanitasi Ling
8 Arsya Kunkha Yoan D3 TLM
9 Azzahra Neysa Febriyanti D3 Gizi
10 Sri Wulandari D3 Kebidanan
11 Adhe Irma Ayuningtyas D3 Remik
12 Nuraini Vita Rahmawati D3 Keperawatan
13 Riska Annisa Putri D3 Kes. Gigi
14 Zuarifka Ana Aswiba D3 Sanitasi
Mahasiswa yang lolos menjadi alternatif berasal dari berbagai program studi di Poltekkes Kemenkes Yogyakarta.
Masing-masing nama di atas akan dikodekan menjadi A1, A2, A3, ... An. Sebagai contoh: A1 sebagai Wahyu Adi Pratama, A2 sebagai Rahma Ayu Husna Maulida, dan seterusnya.
3.2 Penentukan Tabel Kriteria
Terdapat 4 kriteria yang digunakan dalam penelitian ini yang telah ditentukan oleh pihak Poltekkes Kemenkes Yogyakarta seperti ditunjukkan pada tabel 2.
Tabel 2. Daftar kriteria
No. Kriteria Keterangan Jenis Bobot
1 C1 IPK Benefit 20%
2 C2 Data Capaian Unggulan Benefit 30%
3 C3 Naskah Produksi Inovatif Benefit 30%
4 C4 Bahasa Inggris Benefit 20%
100%
Keempat kriteria di atas digunakan untuk memberikan nilai pada masing-masing alternatif yang telah ditentukan sebelumnya yang berjumlah 14 nama mahasiswa.
3.3 Menentukan Tabel Rating Kecocokan
Tabel rating kecocokan dapat dibuat berdasarkan tabel alternatif dan tabel kriteria yang telah dibuat. Tabel rating kecocokan seperti ditunjukkan pada tabel 3.
Tabel 3. Rating kecocokan Alternatif Kriteria
C1 C2 C3 C4
A1 94 89 100 94
A2 100 20 87 95
A3 96 46 92 96
A4 100 43 87 96
A5 99 100 96 100
A6 88 36 90 94
A7 94 9 85 88
A8 89 67 84 95
A9 96 38 90 99
A10 98 17 99 96
A11 92 24 93 92
A12 93 69 85 96
A13 96 2 85 92
A14 89 32 88 90
Setiap alternatif mempunyai nilai kriteria masing-masing. Sebagai contoh, alternatif A1 mempunyai nilai kriteria C1 sebesar 88, C2 sebesar 36, C3 sebesar 90, dan C4 sebesar 94. Selanjutnya, keseluruhan nilai kriteria ini digunakan untuk menghitung matriks keputusan.
3.4 Membuat Matriks Keputusan (X)
Berdasarkan tabel rating kecocokan, dapat menghasilkan sebuah matriks keputusan (X) seperti ditunjukkan pada matriks X di bawah ini.
X =
[
94 89 100 94
100 20 87 95
96 46 92 96
100 43 87 96
99 100 96 100
88 36 90 94
94 9 85 88
89 67 84 95
96 38 90 99
98 17 99 96
92 24 93 92
93 69 85 96
96 2 85 92
89 32 88 90 ] 3.5 Melakukan Perangkingan
Berdasarkan hasil dari normalisasi keputusan (X) menghasilkan matriks ternormalisasi (R) seperti ditunjukkan pada matriks R di bawah ini.
R =
[
0,94 0,89 1 0,94 1 0,2 0,87 0,95 0,96 0,46 0,92 0,96 1 0,43 0,87 0,96 0,99 1 0,96 1 0,88 0,36 0,9 0,94 0,94 0,09 0,85 0,88 0,89 0,67 0,84 0,95 0,96 0,38 0,9 0,99 0,98 0,17 0,99 0,96 0,92 0,24 0,93 0,92 0,93 0,69 0,85 0,96 0,96 0,02 0,85 0,92 0,89 0,32 0,88 0,9 ]
3.6 Hasil Perangkingan
Berdasarkan perhitungan perangkingan dalam ternormalisasi (R) di atas, maka nenghasilkan perangkingan seperti ditunjukkan pada tabel 4.
Tabel 4. Hasil perangkingan
No Alternatif Nama Nilai
1 A5 Nabilah Fathiyah Rahmah 0,986
2 A1 Wahyu Adi Pratama 0,943
3 A12 Nuraini Vita Rahmawati 0,84
4 A8 Arsya Kunkha Yoan 0,821
5 A3 Larra Nuhenita 0,798
Copyright © 2023 Dismas Banar Purnandi, Page 535
6 A4 Luthfiani Syafa 0,782
7 A9 Azzahra Neysa Febriyanti 0,774
8 A6 Elok Natania Koko 0,742
9 A10 Sri Wulandari 0,736
10 A11 Adhe Irma Ayuningtyas 0,719
11 A14 Zuarifka Ana Aswiba 0,718
12 A2 Rahma Ayu Husna Maulida 0,711 13 A7 Salsabila Syifa Kamila 0,646
14 A13 Riska Annisa Putri 0,637
Tabel di atas menunjukkan bahwa alternatif A5 atas nama Nabilah Fathiyah Rahmah dengan nilai 0,986 berada di peringkat pertama. Selanjutnya, alternatif A1 atas nama Wahyu Adi Pratama dengan nilai 0,943 berada di peringkat kedua.
3.7 Perancangan Sistem
Model perancangan sistem menggunakan Unified Modelling Language (UML). Jenis UML yang digunakan meliputi Use Case Diagrams, Activity Diagrams, Class Diagrams, dan Sequence Diagrams.
3.1.1 Use Case Diagrams
Use Case Diagrams ditujukan untuk menggambarkan interaksi antara aktor dengan sistem pendukung keputusan untuk pemilihan mahasiswa berprestasi di Poltekkes Kemenkes Yogyakarta. Aktor dalam penelitian ini adalah admin seperti ditunjukkan pada gambar 2.
Gambar 2. Model use case diagrams
Hal pertama yang dilakukan oleh Admin adalah Login dengan username dan password. Setelah login, Admin dapat mengakses dan mengolah semua fitur, mulai dari melihat dan mengelola data mahasiswa, melihat dan mengelola data kriteria, melihat dan mengelola data nilai mahasiswa, melihat dan mengelola data jenjang studi, melihat dan mengelola data program studi, melihat hasil perangkingan, dan melihat halaman bantuan.
3.1.2 Activity Diagrams
Activity Diagrams digunakan untuk memodelkan sistem terkait aktivitas Login, Data Mahasiswa, Data Kriteria, Data Jenjang Studi, Data Program Studi, dan Perangkingan. Sebagai contoh, activity diagrams Data Kriteria ditunjukkan seperti pada gambar 3.
Gambar 3. Activity diagrams Data Kriteria
Seorang admin dapat melakukan pemilihan data kriteria pada halaman data kriteria dalam sistem pendukung keputusan. Selanjutnya, admin dapat melakukan manajemen data kriteria yang meliputi manambah, mengubah, dan menghapus data dapat dilakukan melalui menu Kriteria.
3.1.3 Class Diagrams
Class Diagrams dalam penerapan metode Simple Additive Weighting ditunjukkan seperti pada gambar 5.
Gambar 4. Model Class Diagrams
Copyright © 2023 Dismas Banar Purnandi, Page 537 Berdasarkan pada class diagrams di atas, maka terdapat 7 class yang meliputi admin, mengelola jenjang studi, mengelola program studi, mengelola kriteria, mengelola mahasiswa, mengelola nilai mahasiswa, koneksi database.
Masing-masing mempunyai atributnya masing-masing. Sebagai contoh: class admin mempunyai atribut id, email, username, password, dan lain-lain.
3.1.4 Sequence Diagrams
Sequence Diagrams digunakan untuk memodelkan sistem terkait Login, tambah Data Mahasiswa, ubah Data Mahasiswa, hapus Data Mahasiswa, ubah Data Nilai Mahasiswa, tambah Data Kriteria, ubah Data Kriteria, hapus Data Kriteria, tambah Data Jenjang Studi, ubah Data Jenjang Studi, hapus Data Jenjang Studi, tambah Data Program Studi, ubah Data Program Studi, dan hapus Data Program Studi.
Gambar 5. Sequence Diagrams untuk tambah, ubah, dan hapus data kriteria
Seorang admin dapat menambah, mengubah, dan menghapus data kriteria dalam sistem pendukung keputusan untuk pemilihan mahasiswa berprestasi di Poltekkes Kemenkes Yogyakarta.
3.8 Implementasi Antarmuka
Perancangan antarmuka meliputi halaman login, halaman dashboard, halaman data mahasiswa, halaman tambah data mahasiswa, halaman ubah data mahasiswa, halaman ubah nilai mahasiswa, halaman data periode, halaman tambah data periode, halaman ubah data periode, halaman data kriteria, halaman tambah data kriteria, halaman ubah data kriteria, halaman data jenjang studi, halaman tambah data jenjang studi, halaman ubah data jenjang studi, halaman data program studi, halaman tambah data program studi, halaman ubah data program studi, halaman perangkingan, halaman bantuan, dan halaman logout. Sebagai contoh, halaman perangkingan ditunjukkan seperti pada gambar 6.
Gambar 6. Halaman perangkingan
Gambar di atas menunjukkan bahwa mahasiswa yang memperoleh peringkat pertama adalah Nabilah Fathiyah Rahmah, peringkat kedua adalah Wahyu Adi Pratama, dan peringkat ketiga adalah Nuraini Vita Rahmawati.
3.9 Pengujian Black Box dan White Box
Hasil pengujian sistem pendukung keputusan (SPK) dalam penerapan metode Simple Additive Weighting ditunjukkan seperti pada tabel 5.
Tabel 5. Hasil pengujian black box dan white box
No. Fungsi yang diuji Black Box White Box
1 Login Berhasil Berhasil
2 Halaman Dashboard Berhasil Berhasil 3 Halaman Data Mahasiswa Berhasil Berhasil 4 Tambah Data Mahasiswa Berhasil Berhasil 5 Ubah Data Mahasiswa Berhasil Berhasil 6 Hapus Data Mahasiswa Berhasil Berhasil 7 Ubah Data Nilai Mahasiswa Berhasil Berhasil 8 Halaman Data Kriteria Berhasil Berhasil 9 Tambah Data Kriteria Berhasil Berhasil 10 Ubah Data Kriteria Berhasil Berhasil 11 Hapus Data Kriteria Berhasil Berhasil 12 Halaman Data Jenjang Studi Berhasil Berhasil 13 Tambah Data Jenjang Studi Berhasil Berhasil 14 Ubah Data Jenjang Studi Berhasil Berhasil 15 Hapus Data Jenjang Studi Berhasil Berhasil 16 Halmaan Data Program Studi Berhasil Berhasil 17 Tambah Data Program Studi Berhasil Berhasil 18 Ubah Data Program Studi Berhasil Berhasil 19 Hapus Data Program Studi Berhasil Berhasil 20 Halaman Perangkingan Berhasil Berhasil 21 Halaman Bantuan Berhasil Berhasil
22 Logout Berhasil Berhasil
Hasil pengujian black box dan white box menunjukkan bahwa sistem pendukung keputusan telah berjalan dengan baik sesuai dengan yang diharapkan. Fungsi login s/d logout telah berfungsi sebagai mana mestinya berdasarkan pengujian blackbox dan whitebox.
3.10 Perbandingan Perhitungan Sistem dengan Perhitungan Manual
Perbandingan hasil perhitungan sistem pendukung keputusan (SPK) dengan perhitungan manual ditunjukkan seperti pada tabel 6.
Tabel 6. Perbandingan perhitungan sistem dengan perhitungan manual
No. Nama Hasil Perhitungan
Keterangan Sistem Manual
1 Nabilah Fathiyah Rahmah 0,986 0,986 Sesuai
2 Wahyu Adi Pratama 0,943 0,943 Sesuai
3 Nuraini Vita Rahmawati 0,84 0,84 Sesuai
4 Arsya Kunkha Yoan 0,821 0,821 Sesuai
5 Larra Nurhenita 0,798 0,798 Sesuai
6 Luthfiani Syafa 0,782 0,782 Sesuai
7 Azzahra Neysa Febriyanti 0,774 0,774 Sesuai
8 Elok Natania Koko 0,742 0,742 Sesuai
9 Sri Wulandari 0,736 0,736 Sesuai
10 Adhe Irma Ayuningtyas 0,719 0,719 Sesuai
11 Zuarifka Ana Aswiba 0,718 0,718 Sesuai
12 Rahma Ayu Husna 0,711 0,711 Sesuai
13 Salsabila Syifa Kamila 0,646 0,646 Sesuai
14 Riska Annisa Putri 0,637 0,637 Sesuai
Berdasarkan tabel di atas menunjukkan bahwa perhitungan mahasiswa berprestasi menggunakan sistem pendukung keputusan dan perhitungan manual menghasilkan nilai yang sama. Peringkat pertama atas nama Nabilah Fathiyah Rahmah, peringkat kedua atas nama Wahyu Adi Pratama, dan peringkat ketiga atas nama Nuraini Vita Rahmawati.
4. KESIMPULAN
Pelitian penerapan metode Simple Additive Weighting (SAW) untuk pemilihan mahasiswa berprestasi di Poltekkes Kemenkes Yogyakarta dapat disimpulkan bahwa metode SAW mampu mempercepat proses perhitungan nilai akhir mahasiswa dan pemberian peringkat bagi mahasiswa dengan menentuan tipe bobot benefit maupun cost. Sistem pendukung keputusan juga telah berjalan dan dapat digunakan dengan baik. Hasil perhitungan sistem pendukung
Copyright © 2023 Dismas Banar Purnandi, Page 539 keputusan dengan hasil perhitungan manual menggunakan metode SAW memiliki hasil yang sama. Mahasiswa bernama Nabilah Fathiyah Rahmah memperoleh peringkat pertama dengan nilai 0,986, kemudian Wahyu Adi Pratama dengan nilai 0,943, dan seterusnya hingga peringkat terakhir diperoleh Riska Annisa Putri dengan nilai 0,637.
REFERENCES
[1] J. Prayogo, “Sistem Pendukung Keputusan Karyawan Teladan PT. Bank Rakyat Indonesia Dengan Metode Simple Additive Weighting,” J. Ris. Inform., vol. 1, no. 1, pp. 35–42, 2018.
[2] Y. A. Wati and M. Sadikin, “Sistem Pendukung Keputusan Prioritas Perbaikan MOLD Pt. Biggy Cemerlang Dengan Menggunakan Metode SAW (Simple Additive Weighting),” urnal Ilmu Tek. Dan Komput., vol. 3, no. 1, pp. 1–10, 2019.
[3] N. Setiyawati and E. E. Widiyanto, “Sistem Pendukung Keputusan Penentuan Kualitas Benih Bunga Viola Menggunakan Simple Additive Weighting,” J. Sist. Inf., vol. 10, no. 3, pp. 662–675, 2021.
[4] A. Nurfazri, N. N. Ulwan, and R. Priambodo, “Sistem Rekomendasi Untuk Optimalisasi Pemilihan Petak Makam di TPU Menggunakan Metode Simple Additive Weighting Berbasis Web,” J. Sist. Inf. dan Komput., vol. 10, no. 1, pp. 1–9, 2020.
[5] evin S. Hermawan and K. D. Hartomo, “Sistem Pendukung Keputusan Menyeleksi Saham LQ45 untuk Generasi Milenial Menggunakan Metode SAW,” J. Nas. Inform. dan Teknol. Jar., vol. 5, no. 2, pp. 259–264, 2021.
[6] R. R. Londong, A. Nugroho, and A. Rusdi, “Penerapan Metode Simple Additive Weighting Pada Sistem Pendukung Keputusan Penerimaan Petugas Di Badan Pusat Statistik Kabupaten Bekasi,” J. Tek. Elektro, Teknol. Inf. dan Komput., vol. 4, no. 2, pp.
76–86, 2020.
[7] F. Rahman, N. Syarifa, H. Hendri, H. B. Novitasari, and W. Gata, “Decision Support Of Contract Employee Performance Assessment Using SAW Method at PT. Aerofood ACS,” J. PILAR Nusa Mandiri, vol. 17, no. 1, pp. 79–84, 2021.
[8] Hamidah, O. Rizan, D. Wahyuningsih, and Laurentinus, “Sistem Pendukung Keputusan Pemilihan Kepala Biro Menggunakan Metode Simple Additive Weighting (SAW),” J. SISFOKOM (Sistem Inf. dan Komputer), vol. 10, no. 3, pp. 413–418, 2020.
[9] M. Kramer, “Best Practices In Systems Development Lifecycle: An Analyses Based On The Waterfall Model,” Rev. Bus. Financ.
Stud., vol. 9, no. 1, pp. 77–84, 2018.
[10] L. Setiyani and E. Tjandra, “Analisis Kebutuhan Fungsional Aplikasi Penanganan Keluhan Mahasiswa Studi Kasus: STMIK Rosma Karawang,” J. Inov. Pendidik. dan Teknol. Inf., vol. 2, no. 1, pp. 2720–9725, 2021.
[11] Damayanti, H. Sulistiani, and E. F. G. S. Umpu, “Analisis dan Perancangan Sistem Informasi Akuntansi Pengelolaan Tabungan Siswa p ada SD Ar - Raudah Bandarlampung,” J. Teknol. dan Inf., vol. 11, no. 1, pp. 40–50, 2021.
[12] H. Kurniawan and V. Indrianti, “Implementasi Algoritma Knuth Morris Pratt untuk Pencariaan Data Buku Pada Sistem Informasi Perpustakaan,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 3, no. 3, pp. 291–297, 2022.
[13] P. Sulistyorini, “Pemodelan Visual dengan Menggunakan UML dan Rational Rose,” vol. XIV, no. 1, pp. 23–29, 2009.
[14] R. Abdillah, A. Kuncoro, and I. Kurniawan, “Analisis Aplikasi Pembelajaran Matematika Berbasis Android Dan Desain Sistem Menggunakan UML 2.0,” J. THEOREMS, vol. 4, no. 1, pp. 138–146, 2019.
[15] W. Aliman, “Perancangan Perangkat Lunak Untuk Menggambar Diagram Berbasis Android,” Syntax Lit. J. Ilm. Indones., vol.
6, no. 6, pp. 3091–3098, 2021.
[16] D. W. T. Putra and R. Andriani, “Unified Modelling Language (UML) dalam Perancangan Sistem Informasi Permohonan Pembayaran Restitusi SPPD,” J. TEKNOIF, vol. 7, 2019.
[17] A. F. Prasetya, Sintia, and U. L. D. Putri, “Perancangan Aplikasi Rental Mobil Menggunakan Diagram UML (Unified Modelling Language),” J. Ilm. Komput. Terap. dan Inf., vol. 1, no. 1, pp. 14–18, 2022.
[18] T. Arianti, A. Fa’izi, S. Adam, and Mira Wulandari, “Perancangan Sistem Informasi Perpustakaan Menggunakan Diagram UML (Unified Modelling Language),” J. Ilm. Komput. Terap. dan Inf., vol. 1, no. 1, pp. 19–25, 2022.
[19] I. J. T. Situmeang, S. Hummairoh, S. M. Harahap, and Mesran, “Application of SAW (Simple Additive Weighting) for the Selection of Campus Ambassadors,” IJICS (International J. Informatics Comput. Sci., vol. 5, no. 1, pp. 21–28, 2021.
[20] M. R. Ramadhan, M. K. Nizam, and Mesran, “Penerapan Metode SAW (Simple Additive Weighting) Dalam Pemilihan Siswa- Siswi Berprestasi Pada Sekolah SMK Swasta Mustafa,” TIN Terap. Inform. Nusant., vol. 1, no. 9, pp. 459–471, 2021.
[21] M. Mesran and N. K. Daulay, “Implementation of Simple Additive Weighting (SAW) and Weighted Aggregated Sum Product Assessment (WASPAS) Methods in Selection of Young Lecturers with Achievements,” IJISTECH (International J. Inf. Syst.
Technol., vol. 5, no. 1, p. 84, 2021.
[22] S. K. Simanullang and A. G. Simorangkir, “Sistem Pendukung Keputusan Penerimaan Calon Karyawan Menggunakan Metode Simple Additive Weighting,” TIN Terap. Inform. Nusant., vol. 1, no. 9, pp. 472–478, 2021.
[23] R. P. Sari and M. R. Maulana, “Sistem Pendukung Keputusan Penerimaan Calon Karyawan Menggunakan Metode Simple Additive Weighting,” J. Sist. Komput. dan Inform., vol. 2, no. 3, pp. 472–478, 2021.
[24] R. B. I. N. M Mesran, Syefudin, Sarif Surorejo, Muhammad Syahrizal, Aang Alim Murtopo, Zaenul Arif, Nugroho Adhi Santoso, Wresti Andriani, Soeb Aripin, Gunawan, Pengantar Teknologi Informasi. CV. Graha Mitra Edukasi, 2023.
[25] T. Limbong et al., Sistem Pendukung Keputusan: Metode & Implementasi. Medan: Yayasan Kita Menulis, 2020.
[26] S. R. Jan, S. T. U. Shah, Z. U. Johar, Y. Shah, and F. Khan, “An Innovative Approach to Investigate Various Software Testing Techniques and Strategies,” IJSRSET, vol. 2, no. 2, pp. 682–689, 2016.
[27] J. Watkins, Testing IT An Off The Shelf Software Testing Process. 2001.
[28] D. Wintana, D. Pribadi, and M. Y. Nurhadi, “Analisis Perbandingan Efektifitas White-Box Testing dan Black-Box Testing,” J.
Larik, vol. 2, no. 1, pp. 8–16, 2022.
