Penerapan Metode Simple Additive Weighting (SAW) dalam Pemberian Reward Bagi Pegawai Honorer Menggunakan

(1)

**Penerapan Metode Simple Additive Weighting (SAW) dalam Pemberian Reward Bagi Pegawai Honorer Menggunakan**

Pembobotan Rank Order Centroid

Tongam Panggabean^1,*, Mesran², Yessika Floriana Manalu²

1 Prodi Sistem Informasi, STMIK Methodist Binjai, Binjai, Indonesia

2 Prodi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia

Email: ^1,*[email protected], ²[email protected], ³[email protected] Email Penulis Korespondensi: [email protected]

Abstrak−Pemberian reward kepada pegawai merupakan salah satu cara untuk meningkatkan semangat kerja serta meningkatkan kinerja bagi pegawai yang berprestasi. Pada Badan Pengelola Keuangan dan Aset Kab. Deli Serdang dalam memilih pegawai terbaik, beban kerja tidak dapat dijadikan acuan satu-satunya untuk pemberian reward tersebut. Namun ada beberapa kriteria yang turut dipertimbangkan dalam pemberian reward. Sehingga dibutuhkan suatu sistem pendukung keputusan untuk membantu pemilihan pegawai terbaik tersebut. Dalam penelitian ini dipilih metode Simple Additive Weighting (SAW) yang dilakukan dengan memberikan pembobotan pada setiap kriteria yang dinilai per individu pegawai tersebut menggunakan metode Rank Order Centroid(ROC). Kriteria yang turu dinilai dalam penelitian ini adalah beban kerja, jumlah kehadiran, kedisiplinan dan etika kerja pegawai. Nantinya 3 pegawai yang memperoleh nilai terbaik berhak mendapatkan reward.

Kata Kunci: SAW; Simple Additive Weighting; ROC; Pegawai Honorer; Reward

Abstract−Giving rewards to employees is one way to increase morale and improve performance for employees who excel. At the District Financial and Asset Management Agency. Deli Serdang in selecting the best employees, the workload cannot be used as the only reference for the awarding of these rewards. However, there are several criteria that are also considered in giving rewards. So we need a decision support system to help the selection of the best employees. In this study, the Simple Additive Weighting (SAW) method was chosen which was carried out by giving weighting to each criterion that was assessed per individual employee using the Rank Order Centroid (ROC) method. The criteria that are also assessed in this study are workload, attendance, discipline and work ethic of employees. Later, 3 employees who get the best score will be entitled to a reward.

Keywords: SAW; Simple Additive Weighting; ROC; Honorary Employee; Reward

1. PENDAHULUAN

Sebagai salah satu instansi pemerintahan, Badan Pengelola Keuangan dan Aset (BPKA) Kab. Deli Serdang memiliki tujuan untuk mengelola adminstrasi keuangan yang akuntable dan transparan. Untuk mewujudkan hal tersebut, maka para pegawai yang berada di dalam Instansi Pemerintahan diharapkan mampu bekerja dengan maksimal sehingga diharapkan mampu berkontribusi dalam pencapaian visi dan misi pemerintah Kabupaten Deli Serdang. Pegawai yang berada di dalam naungan Badan Pengelola Keuangan dan Aset Kab. Deli Serdang terbagi menjadi dua yaitu, Pegawai Negeri Sipil (PNS) dan Pegawai Kontrak Waktu Tertentu (PKWT) atau biasanya disebut Pegawai Honorer.

Pegawai honorer yang berada di lingkungan BPKA Kab. Deli Serdang memiliki persentase 10% dari jumlah keseluruhan pegawai yang terdaftar. Setiap tahunnya, pegawai honorer melakukan perbaharuan surat kontrak untuk melanjutkan pekerjaannya. Sehingga diharapkan pegawai honorer mampu menunjukkan kontribusi dalam bekerja. Hal ini menjadi dasar dalam pemberian reward ataupun bonus sehingga para pegawai honorer terpacu untuk bekerja dan memberikan hasil yang terbaik dalam mengemban dan membantu tugas para PNS di lingkungan pemerintahan Kab. Deli Serdang. Proses pemberian reward ini sebelumnya dilaksanakan dengan cara manual yaitu hanya berdasarkan satu kriteria saja yaitu hanya dari kehadiran. Hal ini membuat sulitnya mengambil keputusan terhadap pegawai honorer terbaik yang berhak mendapatkan reward. Proses pertimbangan seperti ini dianggap kurang efektif dikarenakan adanya perbedaan beban kerja setiap pegawai honorer yang berbeda-beda.

Untuk mengatasi permasalahan yang ada, dibutuhkan suatu sistem berupa sistem pendukung keputusan (SPK).

Sistem Pendukung Keputusan (SPK) merupakan sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan manajerial dalam situasi keputusan semi terstruktur. Sistem pendukung keputusan dimaksudkan untuk menjadi alat bantu bagi para pengambil keputusan untuk memperluas kapabilitas seorang manajer, namun tidak untuk menggantikan penilaian seorang manajer atau pengambil keputusan[1]–[3]. Agar informasi yang dihasilkan menjadi subjektif, SPK membutuhkan metode-metode dalam pengolahan datanya seperti metode Simple Additive Weighting (SAW), WP, ELECTRE, EXPROM II, PROMETHEE [4], [5] . Metode Simple Additive Weighting (SAW) atau dikenal dengan metode penjumlahan terbobot merupakan metode yang memiliki konsep dasar yaitu nilai ternormalisasi kriteria untuk alternatif harus dikalikan dengan bobot kriteria.

Kemudian alternatif yang memiliki nilai tertinggi dipilih sebagai alternatif yang lebih terbaik [6]. Penerapan SPK telah banyak dilakukan untuk penyelesaian masalah, seperti yang dilakukan oleh Ridho dkk dalam penelitiannya terhadap Penerapan SAW dalam Sistem Pendukung Keputusan untuk menentukan Penerima Beasiswa menghasilkan sebuah aplikasi yang membantu pihak universitas dalam memilih mahasiswa yang berhak mendapat

(2)

Tongam Panggabean, Copyright ©2021, MIB, Page 1668 beasiswa[7]. Penelitian selanjutnya yang dilakukan oleh Iman Judi Situmeang pada tahun 2021 menerapkan metode SAW dalam pemilihan duta kampus pada Universitas Budi Darma. Metode yang digunakan mampu memberikan efektifitas informasi yang dibutuhkan juri dalam keputusan duta kampus [8].

Dari pembahasan di atas, dalam penelitian ini penulis menggunakan metode SAW dalam menghasilkan perangkingan dan metode ROC untuk mendapatkan nilai bobot dalam perhitungan seleksi pemberian reward kepada pegawai honorer. Diharapkan penelitian ini nantinya dapat menentukan tiga pegawai terbaik yang berhak mendapatkan reward yang sesuai dengan kriteria kinerja dengan menghitung setiap bobot kriteria yang telah ditetapkan.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Dalam melakukan penelitian pada Badan Pengelola Keuangan dan Aset Daerah Kab. Deli Serdang, peneliti melakukan beberapa tahapan diantaranya, yaitu:

1. Tahap Studi Pustaka, pada tahapan ini peneliti melakukan pengumpulan referensi pustaka dan pemahaman yang berkaitan dengan metode SAW, ROC dan jurnal-jurnal penelitian terkait.

2. Tahap Pengumpulan Data, pada tahapan ini peneliti dengan mempelajari data-data pegawai honorer pada Badan Pengelola Keuangan dan Aset Kab. Deli Serdang berdasarkan persyaratan yang telah ditentukan. Dan data ini akan menjadi variabel input dalam penelitian.

3. Tahap Analisa dan Pengujian, pada tahapan ini penulis melakukan analisa terhadap data pegawai honorer.

4. Tahap Penetapan Hasil dan Resume Penelitian, pada tahap ini penulis mendapatkan hasil 3 pegawai honorer yang berhak mendapat reward.

Dari tahapan diatas dapat digambarkan sebagai berikut:

Gambar 1. Tahap Metode Penelitian 2.2 Sistem Pendukung Keputusan

Sistem Pendukung Keputusan (SPK) atau biasa disebut Decision Support System (DSS) merupakan sebuah sistem yang mampu memberi kemampuan dalam pemecahan masalah atau kemampuan pengkomunikasian dalam masalah dengan kondisi semi terstruktur dan tidak terstruktur. Hal yang perlu di tekankan adalah SPK bukanlah suatu tool pengambil keputusan melainkan sebagai tool pendukung[1].

SPK adalah implementasi teori pengambilan keputusan yang sudah diperkenalkan oleh beberapa ilmu seperti operation research dan menegement science. Bedanya hanya jika dahulu pencarian atau penyelesaian masalah dilakukan dengan perhitungan iterasi dengan cara manual, biasanya untuk mencari nilai yang minimum, maksimum atau optimum. Sedangkan sekarang komputer menawarkan kemampuannya untuk menyelesaikan persoalan yang sama dalam waktu yang relatif singkat [9].

2.3 Metode SAW (Simple Additive Weighting)

Model SAW dikenal juga dengan istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Metode ini merupakan metode yang paling terkenal dan paling banyak digunakan dalam menghadapi Multiple Attribute Decision Making (MADM). MADM itu sendiri merupakan suatu metode yang

Tahap Studi Pustaka

Peneliti mengumpulkan referensi pustaka

Tahap Pengumpulan Data

Mengumpulkan data pegawai honorer di BPKA

Tahap Analisa dan Pengujian 1. Penetapan Alternatif dan Rating 2. Menormalisasikan Matriks Keputusan 3. Menghitung Preferensi

4. Perangkingan Pegawai

Tahap Hasil dan Resume Penelitian 1. Penetapan Pegawai Terbaik 2. Penulisan Laporan

(3)

Tongam Panggabean, Copyright ©2021, MIB, Page 1669 digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Metode SAW ini mengharuskan pembuat keputusan menentukan bobot sebagai atribut [10]–[15]. Adapun tahapan dengan menggunakan Metode Simple Additive Weighting (SAW) sebagai berikut:

1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci 2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria

3. Membuat matriks keputusan berdasarkan kriteria (Ci)

𝑥

_𝑖𝑗

=

[

𝑥_1.1 𝑥_1.2 𝑥_1.𝑛 𝑥_2.1 𝑥_2.2 𝑥_2.𝑛 𝑥_𝑚.1 𝑥_𝑚.2 𝑥_𝑚.𝑛

] (1)

Keterangan :

𝑋_𝑖𝑗 : Matriks keputusan 𝑖 : Alternatif (Baris) 𝑗 : Kriteria (Kolom) 𝑛 : Jumlah Atribut/ Kriteria 𝑚 : Jumlah Alternatif/ Baris

4. Melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut sehingga diperoleh matriks ternormalisasi R.

𝑟_𝑖𝑗= ^𝑥^𝑖𝑗

𝑚𝑎𝑥 𝑥_𝑖𝑗 jika j adalah atribut keuntungan (benefit) (2)

𝑟_𝑖𝑗=^{𝑚𝑖𝑛 𝑥}^𝑖𝑗

𝑥_𝑖𝑗 jika j adalah atribut biaya (cost) (3)

Kriteria keuntungan dimana semakin nilai matriks keputusannnya semakin tinggi maka hasilnya akan semakin baik. Sedangkan kriteria biaya (cost) dimana semakin nilai matriks keputusannya semakin rendah maka hasilnya akan semakin baik

5. Hasil akhir diperoleh dari proses perangkingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi.

Vi

= ∑ 𝑤_𝑗

𝒏

𝒋=𝟎 + 𝑟_𝑖𝑗 (4)

Keterangan:

Vi : Nilai Preferensi 𝑤_𝑗 : Bobot

𝑟_𝑖𝑗 : Matrik yang ternormalisasi j : Kriteria/Atribut

n : Jumlah Kriteria/Atribut

3. HASIL DAN PEMBAHASAN

3.1 Penerapan Metode Simple Additive Weighting (SAW)

Pegawai honorer yang berhak mendapatkan reward adalah pegawai terbaik yang memiliki kinerja baik dan kedisiplinan yang baik sesuai dengan kriteria yang telah ditentukan. Pemilihan pegawai honorer terbaik merujuk pada kriteria individu dengan menggunakan beberapa unsur yaitu beban kerja, kehadiran, kedisiplinan dan etika kerja. Berdasarkan tahapan metode SAW (Simple Additive Weighting), adalah sebagai berikut :

1. Penentuan kriteria (𝐶_𝑖)

Tabel 1. Kriteria

Kriteria Keterangan Jenis Bobot

𝐶₁ Beban Kerja Benefit 0.52

𝐶₂ Jumlah Kehadiran Benefit 0.27 𝐶₃ Kedisiplinan Benefit 0.15

𝐶₄ Etika Kerja Benefit 0.06

Dari tabel 1 dapat dilihat kriteria dan bobot masing-masing kriteria. Untuk nilai bobot pada tabel tersebut diperoleh dari metode Rank Order Centroid (ROC) [16], [17]. Adapun keterangan dari kriteria di atas adalah:

a. Beban Kerja : merupakan berat atau tidaknya tanggung jawab seorang pegawai diukur berdasarkan

(4)

b. Jumlah Kehadiran : merupakan jumlah kehadiran yang dilakukan oleh pegawai sesuai dengan data absensi yang ada pada Bagian Umum BPKA Kab. Deli Serdang

c. Kedisiplinan : diukur berdasarkan tepat atau tidaknya seorang pegawai mulai bekerja sesuai dengan jam masuk yang berlaku dan pulang sesuai dengan peraturan yang berlaku.

d. Etika Kerja : diukur berdasarkan pengamatan oleh penulis yang meliputi tingkat inisiatif pekerja dan kesopanan terhadap pegawai lainnya.

Dimana alternatif yang ada akan dibandingkan dengan krieria diatas. Alternatif nya adalah sebagai berikut : Tabel 2. Tabel Alternatif

Alternatif Nama Pegawai Honorer

C1 C2 C3 C4

A1 Ayu Berat 75% Cukup Baik

A2 Budi Ringan 100% Sangat Baik Sangat Baik

A3 Binsar Ringan 85% Baik Baik

A4 Daud Sangat Ringan 100% Sangat Baik Sangat Baik

A5 Ira Ringan 75% Cukup Cukup

A6 Julianto Cukup 95% Baik Baik

A7 Mentari Berat 70% Cukup Cukup

A8 Toha Sangat Berat 50% Buruk Sangat Buruk

A9 Yuni Sangat Ringan 70% Cukup Cukup

A10 Yolanda Berat 85% Sangat Buruk Cukup

Nilai setiap alternatif Ai pada setiap kriteria sudah ditentukan. Dimana nilai tersebut diperoleh berdasarkan nilai crisp : i = 1, 2, ..., m dan j = 1, 2, ..., n. Adapun kriteria pembobotan yang dilakukan penulis dalam penelitian ini yaitu :

a. Beban Kerja, variabelnya adalah : Sangat Ringan : 1

Ringan : 2

Cukup : 3

Berat : 4

Sangat Berat : 5 b. Kedisiplinan, variabelnya adalah :

Sangat buruk : 1

Buruk : 2

Cukup : 3

Baik : 4

Sangat Baik : 5 c. Etika Kerja, variabelnya adalah :

Sangat buruk : 1

Buruk : 2

Cukup : 3

Baik : 4

Sangat Baik : 5 2. Penentuan rating kecocokan

Pada tahap ini yaitu menentukan bobot setiap alternatif pada setiap kriteria yang telah ditentukan. Dapat dilihat pada tabel 3.

Tabel 3. Tabel Rating Kecocokan

Alternatif C1 C2 C3 C4

A1 4 75 3 4

A2 2 100 5 5

A3 2 85 4 4

A4 1 100 5 5

A5 2 75 3 3

A6 3 95 4 4

A7 4 70 3 3

A8 5 50 2 3

A9 1 70 3 3

A10 4 85 1 3

(5)

Adapun matriks keputusan berdasarkan tabel 3 dari data rating kecocokan, yaitu :

𝑋𝑖𝑗 =

[

4 75 3 4 2 100 5 5 2 85 4 4 1 100 5 5 2 75 3 3 3 95 4 4 4 70 3 3 5 50 2 3 1 70 3 3 4 85 1 3]

Max = 5 100 5 5 4. Menghitung Matriks Normalisasi (Rij)

Tahap selanjutnya adalah menghitung normalisasi berdasarkan matriks keputusan, yaitu : Perhitungan kriteria C1

R1,1 = 4/5 = 0.8 R2,1 = 2/5 = 0.4 R3,1 = 2/5 = 0.4 R4,1 = 1/5 = 0.2 R5,1 = 2/5 = 0.4 R6,1 = 3/5 = 0.6 R7,1 = 4/5 = 0.8 R8,1 = 5/5 = 1 R9,1 = 1/5 = 0.2 R10,1 = 4/5 = 0.8 Perhitungan kriteria C2

R1,2 = 75/100 = 0.75 R2,2 = 100/100 = 1 R3,1 = 85/100 = 0.85 R4,1 = 100/100 = 1 R5,2 = 75/100 = 0.75 R6,2 = 95/100 = 0.95 R7,2 = 70/100 = 0.70 R8,2 = 50/100 = 0.50 R9,2 = 70/100 = 0.70 R10,2 = 85/100 = 0.85 Perhitungan kriteria C3

R1,3 = 3/5 = 0.6 R2,3 = 5/5 = 1 R3,3 = 4/5 = 0.8 R4,3 = 5/5 = 1 R5,3 = 3/5 = 0.6 R6,3 = 4/5 = 0.8 R7,3 = 3/5 = 0.6 R8,3 = 2/5 = 0.4 R9,3 = 3/5 = 0.6 R10,3 = 1/5 = 0.2 Perhitungan kriteria C4

R1,4 = 4/5 = 0.8 R2,4 = 5/5 = 1 R3,4 = 4/5 = 0.8 R4,4 = 5/5 = 1 R5,4 = 3/5 = 0.6 R6,4 = 4/5 = 0.8 R7,4 = 3/5 = 0.6 R8,4 = 3/5 = 0.6

(6)

R10,4 = 3/5 = 0.6

Kemudian, data di atas dibuat ke dalam matriks yaitu Matriks Normalisasi

𝑅_𝑖,𝑗=

[

0.8 0.75 0.6 0.8 0.4 1.0 1.0 1.0 0.4 0.85 0.8 0.8 0.2 1.0 1.0 1.0 0.4 0.75 0.6 0.6 0.6 0.95 0.8 0.8 0.8 0.70 0.6 0.6 1.0 0.50 0.4 0.6 0.2 0.70 0.6 0.6 0.8 0.85 0.2 0.6]

5. Menghitung Preferensi, menggunakan persamaan 3

V1 = ∑ (0.52 * 0.8 ) + (0.27 * 0.75) + (0.15 * 0.6) + (0.06 * 0.8) = 0.757 V2 = ∑ (0.52 * 0.4 ) + (0.27 * 1.0) + (0.15 * 1.0) + (0.06 * 1.0) = 0.688 V3 = ∑ (0.52 * 0.4 ) + (0.27 * 0.85) + (0.15 * 0.8) + (0.06 * 0.8) = 0.606 V4 = ∑ (0.52 * 0.2 ) + (0.27 * 1.0) + (0.15 * 1.0) + (0.06 * 1.0) = 0.584 V5 = ∑ (0.52 * 0.4 ) + (0.27 * 0.75) + (0.15 * 0.6) + (0.06 * 0.6) = 0.537 V6 = ∑ (0.52 * 0.6 ) + (0.27 * 0.95) + (0.15 * 0.8) + (0.06 * 0.8) = 0.737 V7 = ∑ (0.52 * 0.8 ) + (0.27 * 0.70) + (0.15 * 0.4) + (0.06 * 0.6) = 0.731 V8 = ∑ (0.52 * 1.0 ) + (0.27 * 0.50) + (0.15 * 0.4) + (0.06 * 0.6) = 0.751 V9 = ∑ (0.2 * 0.2 ) + (0.27 * 0.70) + (0.15 * 0.6) + (0.06 * 0.6) = 0.419 V10 = ∑ (0.52 * 0.8 ) + (0.27 * 0.85) + (0.15 * 0.2) + (0.06 * 0.6) = 0.712

Hasil akhir Dari perhitungan diatas maka dapat dibuat tabel berdasarkan rangking sebagai berikut : Tabel 4. Tabel Ranking

Alternatif Nama Vi Peringkat

A1 Ayu 0.757 1

A2 Budi 0.688 6

A3 Binsar 0.606 7

A4 Daud 0.584 8

A5 Ira 0.537 9

A6 Julianto 0.737 3

A7 Mentari 0.731 4

A8 Toha 0.751 2

A9 Yuni 0.419 10

A10 Yolanda 0.712 5

Berdasarkan tabel hasil di atas maka didapatkan 3 pegawai honorer terbaik yang berhak mendapatkan reward adalah :

1. A1, atas nama Ayu 2. A8, atas nama Toha 3. A6, atas nama Julianto

4. KESIMPULAN

Dari penelitian yang dilakukan dapat disimpulkan, bahwa metode pembobotan yang digunakan dalam penelitian yaitu Rank Order Centroid (ROC) memberikan hasil menjadi lebih efektif terhadap perangkingan yang dilakukan.

Hasil perangkingan menjadi lebih objektif. Penelitian yang dilakukan mampu memberikan hasil bahwa A1, A8 dan A6 merupakan 3 alternatif terbaik dari pegawai honorer yang akan diberikan reward.

REFERENCES

[1] T. Limbong et al., Sistem Pendukung Keputusan: Metode & Implementasi. Medan: Yayasan Kita Menulis, 2020.

[2] D. Nofriansyah, Multi Criteria Decision Making. Yogyakarta: Deepublish, 2017.

[3] D. Nofriansyah, Konsep Data Mining Vs Sistem Pendukung Keputusan. 2015.

[4] M. Mesran, R. Rusiana, and M. Sianturi, “Decision Support System for Termination of Employment using Elimination

(7)

[5] N. Nurlela, M. Syahrizal, F. Fadlina, and A. Karim, “Sistem Pendukung Keputusan Pemilihan Kepala Desa Terbaik Menerapkan Metodethe Extended Promethee II (EXPROM II),” J. Sist. Komput. dan Inform., vol. 1, no. 3, p. 200, 2020.

[6] S. H. Sahir, R. Rosmawati, and K. Minan, “Simple Additive Weighting Method to Determining Employee Salary Increase Rate,” Int. J. Sci. Res. Sci. Technol., vol. 3, no. 8, pp. 42–48, 2017.

[7] R. T. Subagio, M. T. Abdullah, and Jaenudin, “Penerapan Metode SAW (Simple Additive Weighting) dalam Sistem Pendukung Keputusan untuk Menentukan Penerima Beasiswa,” Pros. SAINTIKS FTIK UNIKOM, vol. 2, pp. 61–68, 2017.

[8] 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.

[9] E. Turban, J. E. Aronson, and T. Liang, “Decision Support Systems and Intelligent Systems.”

[10] 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.

[11] 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.

[12] R. Y. Simanullang, Melisa, and Mesran, “Sistem Pendukung Keputusan Penerima Bantuan Covid-19 Menggunakan Metode Simple Additive Weighting (SAW),” TIN Terap. Inform. Nusant., vol. 1, no. 9, pp. 2–9, 2021.

[13] R. T. Utami, D. Andreswari, and Y. Setiawan, “Implementasi Metode Simple Additive Weighting (SAW) dengan pembobotan Rank Order Centroid(ROC) Dalam Pengambilan Keputusan Untuk Seleksi Jasa Leasing Mobil,” J. Rekursif, vol. 4, no. 2, pp. 209–221, 2016.

[14] R. Rahim, “Study Approach of Simple Additive Weighting For Decision Support System,” 2017.

[15] K. Bin Sumardi, M. Simaremare, and A. P. U. Siahaan, “Decision Support System in Selecting The Appropriate Laptop Using Simple Additive Weighting,” IJRTER, 2016.

[16] M. Mesran, T. M. Diansyah, and F. Fadlina, “Implemententasi Metode Rank Order Cendroid (ROC) dan Operational Competitiveness Rating Analysis (OCRA) dalam Penilaian Kinerja Dosen Komputer Menerapkan (Studi Kasus: STMIK Budi Darma),” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. 0, p. 822, Sep. 2019.

[17] M. Mesran, J. Afriany, and S. H. Sahir, “Efektifitas Penilaian Kinerja Karyawan Dalam Peningkatan Motivasi Kerja Menerapkan Metode Rank Order Centroid (ROC) dan Additive Ratio Assessment (ARAS),” Pros. Semin. Nas. Ris. Inf.

Sci., vol. 1, no. 0, pp. 813–821, Sep. 2019.