Penerimaan Bantuan Pangan Non Tunai (BPNT) Menggunakan Metode ARAS
Juniar Hutagalung*, Dicky Nofriansyah, Mufthi Adi Syahdian Sistem Informasi, STMIK Triguna Dharma, Medan, Indonesia
Email: 1juniarhutagalung991@gmail.com, 2dickynofriansyah@ymail.com, 3mufthiadisyahdian61@gmail.com Email Penulis Korespondensi: juniarhutagalung991@gmail.com
Abstrak−Bantuan Pangan Non Tunai (BPNT) adalah bantuan pangan sosial yang dibayarkan dalam bentuk non tunai setiap bulan oleh pemerintah. Namun masalah untuk mengidentifikasi penerima BPNT belum teridentifikasi dengan tepat dan tidak bisa dipastikan benar-benar miskin layak menerima BPNT. Selama ini sistem yang ada belum optimal untuk menyeleksi penerima BPNT dengan kriteria yang ada. Pengelolaan data masih menggunakan sistem manual dan tidak efektif dalam menentukan siapa yang berhak menerima BPNT dan siapa yang tidak. Solusi kreatif untuk menyelesaikan masalah tersebut dengan penggunaan sistem pendukung keputusan (SPK) metode Additive Ratio Assessment (ARAS) berbasis web. Sebuah sistem yang didasarkan pada kecerdasan manusia dan komputer yang menciptakan berbagai pilihan untuk meningkatkan pengambilan keputusan. Tujuan dari penelitian ini adalah untuk mengembangkan sistem yang membantu pengambilan keputusan dalam memutuskan penerimaan BPNT pada keluarga miskin. Ini memudahkan untuk menentukan mana yang layak menerima dan tidak memenuhi syarat untuk mendapatkan bantuan. Metode ini mudah diterapkan untuk pemeringkatan dengan membandingkannya dengan metode lain sehingga hasil yang lebih tepat dan akurat. Proses perhitungan metode ARAS menggunakan sistem berbasis web yang sangat kompleks sangat memudahkan dan mempercepat dalam menentukan penerimaan BPNT. Untuk kemudahan implementasi digunakan 10 data dengan 5 kriteria sebagai data sampel. Berdasarkan hasil perhitungan calon penerima bantuan atas nama Selamat dan Prayogi yang lebih diprioritaskan mendapatkan bantuan dengan nilai akhir < 0,07.
Kata Kunci: ARAS; BPNT; Kriteria; SPK; Web
Abstract−Non-Cash Food Assistance (BPNT) is social food assistance that is paid in non-cash form every month by the government. However, the problem of identifying BPNT recipients has not been identified properly and it is not certain that the poor really deserve to receive BPNT. So far, the existing system has not been optimal for selecting BPNT recipients with the existing criteria. Data management still uses a manual system and is not effective in determining who is entitled to receive BPNT and who is not. A creative solution to overcome this problem is the use of a web-based decision support system (DSS) using the Additive Ratio Assessment (ARAS) method. A system based on human and computer intelligence that creates options to improve decision making. The purpose of this research is to develop a system that helps decision making in deciding the acceptance of BPNT in poor families. This makes it easy to determine who is eligible and who is not eligible for assistance.
This method is easy to apply for ranking by comparing it with other methods so that the results are more precise and accurate.
The calculation process for the ARAS method using a very complex web-based system greatly facilitates and speeds up the determination of BPNT receipts. To facilitate implementation, 10 data with 5 criteria were used as sample data. Based on the calculation results of the potential beneficiaries on behalf of Selamat and Prayogi, the priority is getting assistance with a final score of < 0.07.
Keywords: ARAS; BPNT; Criteria; DSS; Web
1. PENDAHULUAN
Kemiskinan masih menjadi masalah yang dihadapi beberapa negara di dunia, khususnya Indonesia. Kemiskinan adalah suatu keadaan dimana individu dan masyarakat tidak mampu memenuhi kebutuhan hidupnya. Faktor-faktor seperti kekurangan sumber daya dikarenakan kemiskinan [1].
Pada saat pandemi covid19 yang terjadi di Indonesia pada tahun 2020, jumlah penduduk miskin pada Maret 2020 sebanyak 26,42 juta, meningkat 1,63 juta dibandingkan September 2019 [2]. Mengingat kemiskinan yang semakin meningkat setiap tahunnya, pemerintah telah mencanangkan program yang disebut BPNT (Bantuan Pangan Non Tunai) untuk membantu masyarakat meringankan kebutuhan dalam kehidupan sehari-hari. Program BPNT bertujuan untuk memberikan kesempatan kepada pemerintah meningkatkan ketahanan pangan dan memberikan nilai gizi seimbang kepada keluarga miskin [3]. Sistem yang dibangun digunakan untuk menangani mekanisme sistem pendukung keputusan penerima BPNT bagi warga miskin sesuai kriteria [4].
Bahkan ada yang mengalami kendala dalam mengidentifikasi penerima BPNT, namun masih ada masyarakat miskin yang belum teridentifikasi dan terverifikasi bahwa warga tersebut benar-benar warga miskin yang layak menerima BPNT. Selama ini sistem yang ada belum optimal dalam menyeleksi penerimaan BPNT dengan kriteria yang ada. Pengelolaan data masih menggunakan sistem manual dan tidak efektif dalam menentukan siapa yang berhak menerima BPNT dan siapa yang tidak. Solusi kreatif untuk masalah ini ditemukan dengan menerapkan metode ARAS berbasis web untuk mengoptimalkan pengambilan keputusan, dapat mengatasi permasalahan yang ada dan memberikan hak-hak masyarakat miskin.
Penerapan metode ARAS telah diuji oleh beberapa peneliti diantaranya: termasuk pemilihan personel layanan keamanan [5], pemilihan permainan game untuk anak-anak di bawah 5-10 tahun [6], dan sistem yang direkomendasikan untuk kunjungan pasien yang sehat [7]. Penilaian kinerja karyawan untuk memotivasi kerja [8],
ARAS digunakan untuk mengukur kinerja manajemen rantai pasokan untuk usaha kecil dan menengah [9], Menentukan mutasi pegawai menghasilkan keputusan yang efektif dengan mudah di implementasikan [10].
Penelitian sejenis tentang Bantuan Pangan Non Tunai (BPNT), diantaranya: Penerimaan BPNT dengan menerapkan metode AHP untuk memilih bobot kriteria dan SAW untuk perangkingan [11]. Metode SAW mempermudah dalam memberikan alternatif keputusan siapa peserta yang lebih berhak menerima BPNT [12].
Dengan metode SAW dapat memberikan hasil perangkingan secara akurat dalam seleksi penerima BPNT [13].
Penerimaan BPNT menggunakan metode WP sehingga menjadi lebih akurat dan cepat [14]. AHP dapat membantu pengelolaan data calon penerima BPNT [15].
Additive Ratio Assessment (ARAS) adalah metode yang digunakan untuk kriteria peringkat. Secara konseptual, metode ARAS digunakan bersama dengan metode lain yang menggunakan konsep ranking [16].
Metode ARAS menggunakan konsep komputasi berupa orde nilai utilitas tinggi ke rendah [17]. Pemeringkatan ARAS membantu perusahaan mendapatkan informasi tentang rekomendasi pemasok [18]. Untuk menghitung suplemen dalam sistem pendukung keputusan secara komprehensif dan mempertimbangkan aspek kualitatif dan kuantitatif, metode ini menggunakan kriteria pembelian suplemen untuk keluarga miskin, profesi, pendapatan, jumlah keluarga, jenis dan usia rumah, biasanya sangat berbeda, jadi pendapatan mereka berbeda.
Tujuan dari penelitian ini adalah untuk mengembangkan perangkat lunak/sistem yang membantu dalam pengambilan keputusan dalam menentukan pendapatan BPNT keluarga miskin. Ini memudahkan untuk mengidentifikasi siapa yang memenuhi syarat untuk menerima dan siapa yang tidak. mendukung. Metode ini lebih sederhana dan metode yang digunakan untuk peringkat adalah membandingkannya dengan opsi lain untuk hasil yang lebih efektif dan akurat. Proses evaluasi dengan menggunakan metode ARAS memberikan tingkat evaluasi yang akurat dan lebih cepat dalam proses perhitungannya.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Pada gambar 1 merupakan tahapan penelitian yang dilakukan sebagai berikut :
Gambar 1. Tahapan Penelitian Penjelasan tahap penelitian pada gambar 1:
Survei langsung ke Kantor Dusun Anggrek Baru di Perkebunan Ramnia, mewawancarai para kepala seksi dan pihak-pihak yang terkait dalam mendukung penyelidikan ini, dan mengumpulkan data dengan sampel 10 KK.
Selain itu juga dilakukan penelusuran literatur tentang metode ARAS dan program BPNT. Menganalisis masalah penerimaan BPNT untuk mengetahui formulasi mana yang perlu disiapkan dan bagaimana pemecahannya.
Selanjutnya menerapkan metode ARAS, mengimplementasikan perhitungan yang dihasilkan menggunakan sistem berbasis web, dan menarik kesimpulan dari hasil survei yang dilakukan.
2.2 Additive Ratio Assessment (ARAS)
ARAS merupakan metode pengambilan keputusan multi kriteria berdasarkan konsep pemeringkatan derajat utilitas dengan membandingkan nilai indeks total dari setiap opsi dengan nilai indeks total alternatif yang optimal [19]. ARAS didasarkan pada argumen bahwa masalah yang kompleks dapat dengan mudah dipahami dengan perbandingan relatif [20]. Metode pengambilan keputusan multi kriteria didasarkan pada konsep rangking berdasarkan derajat keuntungan [21]. Metode ARAS memiliki A0. A0 tidak hanya merupakan nilai, tetapi juga sebagai alternatif dari proses normalisasi hingga proses penentuan nilai fungsional yang optimal digunakan sebagai dasar untuk menentukan nilai akhir [22].
Dalam melakukan pemeringkatan, metode ARAS memiliki beberapa langkah, yaitu [23]:
1. Matriks Keputusan, dengan persamaan (1).
X =
𝑥01… 𝑥0𝑗… 𝑥𝑜𝑛 ⋮ ⋱ ⋮ ⋱ ⋮
𝑥𝑖𝑗⋯ 𝑥𝑖𝑗… 𝑥𝑛𝑗 (1)
⋮ ⋱ ⋮ ⋱ ⋮ 𝑥𝑛1 𝑥𝑚𝑗 𝑥𝑚𝑛
2. Penormalisasian Matriks, dengan persamaan (2).
Pengumpulan Data dan Studi Literatur
Analisa Masalah
Implementasi Sistem Hasil dan
Pembahasan
Kesimpulan
x =
𝑥̅01… 𝑥̅0𝑗… 𝑥̅𝑜𝑛 ⋮ ⋱ ⋮ ⋱ ⋮
𝑥̅𝑖𝑗⋯ 𝑥̅𝑖𝑗… 𝑥̅𝑛𝑗
(2)
⋮ ⋱ ⋮ ⋱ ⋮ 𝑥̅𝑛1 𝑥̅𝑚𝑗 𝑥̅𝑚𝑛
3. Menentukan bobot matriks yang sudah dinormalisasi, dengan persamaan (3).
∑𝑛𝑗=1𝑤𝑗= 1 (3) 4. Menentukan nilai dari fungsi optimum, dengan persamaan (4).
𝑠𝑖∑𝑛𝑗=1𝑥̂𝑖𝑗; 𝑖 = 0, 𝑚̅̅̅̅̅̅ (4) 5. Menentukan tingkatan peringkat, dengan persamaan (5).
𝐾𝑖𝑆𝑖
𝑆0; 𝑖 = 0, 𝑚̅̅̅̅̅̅ (5)
3. HASIL DAN PEMBAHASAN
3.1 Data Primer
Data primer yang didapatkan dari hasil penelitian, sesuai dengan tabel 1 sebagai berikut.
Tabel 1. Data penerimaan BPNT
No Kepala Rumah Tangga NIK Alamat
1 Sutriman 1207320606760000 Dusun Kantil
2 Prayogi 1207320603810000 Dusun Kantil
3 Rajiman 1207322001620000 Dusun Teratai
4 Syanto 1207321108680000 Dusun Teratai
5 Tukiman 1207321506500000 Dusun Melati
6 Selamat 1207321708780000 Dusun Anggrek Baru
7 Sutresno 1207321404610000 Dusun Anggrek Baru
8 Amaran 1207320205560000 Dusun Kenanga
9 Poni 1207324406540000 Dusun Melati
10 Amin 1207324204410000 Dusun Kantil
3.2 Deskripsi Data Kriteria Calon Penerimaan
Pengambilan keputusan berdasarkan pada kriteria yang menjadi penentu dalam melakukan seleksi calon penerima BPNT, berikut tabel 2 adalah kriteria yang digunakan:
Tabel 2. Bobot kriteria penilaian
No Kode Kriteria Kriteria Jenis Bobot
1 C1 Pekerjaan Cost 30%
2 C2 Penghasilan Cost 10%
3 C3 Jumlah Anggota Keluarga Benefit 15%
4 C4 Jenis Rumah Cost 25%
5 C5 Usia Benefit 20%
Berdasarkan data yang didapat tersebut perlu dilakukan konversi setiap kriteria untuk dapat dilakukan proses metode ARAS. Berikut ini adalah tabel konversi dari 5 kriteria yang digunakan terlihat pada tabel 3 s/d tabel 7.
Tabel 3. Kriteria pekerjaan (C1)
No Range Bobot
1 Pengangguran 4
2 Wiraswasta 3
3 PKWT (Pekerja Kontrak Waktu Tertentu) 2
4 Pekerja Tetap 1
Tabel 4. Kriteria penghasilan (C2)
No Range Bobot
1 Rp. 0 – 500,000 4
No Range Bobot
2 Rp. 500,000 – 1,000,000 3
3 Rp. 1,000,000 – 1,500,000 2
4 > Rp. 1,500,000 1
Tabel 5. Kriteria jumlah anggota keluarga (C3)
No Range Bobot
1 > 4 Orang 5
2 4 Orang 4
3 4 Orang 3
4 1 Orang 2
5 1 Orang 1
Tabel 6. Kriteria jenis rumah (C4)
No Range Bobot
1 Rumah Bambu 3
2 Rumah Kayu 2
3 Rumah Beton 1
Tabel 7. Kriteria usia (C5)
No Range Bobot
1 > 40 Tahun 5
2 36 – 40 Tahun 4
3 31 – 35 Tahun 3
4 26 – 30 Tahun 2
5 < 26 Tahun 1
3.3 Penyelesaian Masalah Dengan Metode ARAS
Dalam menentukan penerimaan program BPNT pada Kantor Dusun Anggrek Baru Perkebunan Ramunia, menggunakan metode ARAS. Adapun tahapan dalam penyelesaian perhitungan adalah sebagai berikut:
1. Membentuk Matriks Keputusan
Hasil konversi data calon penerima BPNT, seperti yang terlihat pada tabel 8 di bawah ini.
Tabel 8. Hasil konversi data calon penerima BPNT
No Kode Nama Calon Penerima C1 C2 C3 C4 C5
0 A0 - 1 1 5 1 5
1 A1 Sutriman 3 2 5 1 5
2 A2 Prayogi 4 4 3 3 3
3 A3 Rajiman 1 1 5 1 5
4 A4 Syanto 3 1 5 1 5
5 A5 Tukiman 2 2 2 1 5
6 A6 Selamat 4 4 4 3 3
7 A7 Sutresno 1 1 1 3 3
8 A8 Amaran 3 1 1 2 5
9 A9 Poni 2 2 2 1 2
10 A10 Amin 4 4 4 1 3
Matriks Keputusan sebagai berikut:
X =
[
1 1 5 1 5
3 2 5 1 5
4 4 3 3 3
1 1 5 1 5
3 1 5 1 5
2 2 2 1 5
4 4 4 3 3
1 1 1 3 3
3 1 1 2 5
2 2 2 1 2
4 4 4 1 3]
2. Normalisasi Matriks
Jika pada kriteria Beneficial (max), maka normalisasinya yaitu:
𝑋𝑖𝑗∗ = 𝑋𝑖𝑗
∑𝑚𝑖=0𝑋𝑖𝑗
Jika pada kriteria NonBeneficial, maka normalisasinya 2 tahap yaitu:
𝑋𝑖𝑗∗ = 1
𝑋𝑖𝑗 𝑅 = ∑ 𝑋𝑖𝑗
𝑋𝑖𝑗 𝑚𝑖=0
Matriks keputusan ARAS normalisasi kolom 1 (kolom Cost kriteria Jenis Pekerjaan) sebagai berikut:
X0,1 * = 1
𝑋0,1 = 11= 1,0000 X1,1 * = 1
𝑋1,1 = 1
3= 0,3333 X2,1 * = 1
𝑋2,1 = 14= 0,2500 X3,1 * = 1
𝑋3,1 = 1
1= 1,0000 X4,1 * = 1
𝑋4,1 = 1
3= 0,3333 X5,1 * = 1
𝑋5,1 = 1
2= 0,5000 X6,1 * = 1
𝑋6,1 = 1
4= 0,2500 X7,1 * = 1
𝑋7,1 = 11= 1,0000 X8,1 * = 1
𝑋8,1 = 1
3= 0,3333 X9,1 * = 𝑋9,11 = 12= 0,5000 X10,1 * = 1
𝑋10,1 = 1
4= 0,2500
R0,1 = X0,1
𝑋0,1+𝑋1,1+𝑋2,1+𝑋3,1+𝑋4,1+𝑋5,1+𝑋6,1+𝑋7,1+𝑋8,1+𝑋9,1+𝑋10,1
= 1,0000
1,0000+0,3333+0,2500+1,0000 +0,3333+0,5000+0,2500+1,0000+0,3333+0,5000+0,2500
=1,0000
5,7499= 0,1739
Begitu seterusnya hingga di R10,1 dapat dilihat hasilnya sebagai berikut:
R10,1 = X10,1
𝑋0,1+𝑋1,1+𝑋2,1+𝑋3,1+𝑋4,1+𝑋5,1+𝑋6,1+𝑋7,1+𝑋8,1+𝑋9,1+𝑋10,1
= 0,2500
1,0000+0,3333+0,2500+1,0000 +0,3333+0,5000+0,2500+1,0000+0,3333+0,5000+0,2500
=0,2500
5,7499= 0,0435
Matriks keputusan ARAS normalisasi kolom 2 (kolom Cost kriteria Penghasilan), sebagai berikut:
X0,2 * = 1
𝑋0,2 = 1
1= 1,0000 X1,2 * = 1
𝑋1,2 = 1
2= 0,5000 X2,2 * = 1
𝑋2,2 = 14= 0,2500 X3,2 * = 1
𝑋3,2 = 1
1= 1,0000 X4,2 * = 1
𝑋4,2 = 11= 1,0000 X5,2 * = 1
𝑋5,2 = 1
2= 0,5000 X6,2 * = 1
𝑋6,2 = 14= 0,2500 X7,2 * = 1
𝑋7,2 = 1
1= 1,0000 X8,2 * = 1
𝑋8,2 = 11= 1,0000 X9,2 * = 1
𝑋9,2 = 12= 0,5000 X10,2 * = 1
𝑋10,2 = 1
4= 0,2500
R0,2 = X0,2
𝑋0,2+𝑋1,2+𝑋2,2+𝑋3,2+𝑋4,2+𝑋5,2+𝑋6,2+𝑋7,2+𝑋8,2+𝑋9,2+𝑋10,2
= 1,0000
1,0000+0,5000+0,2500+1,0000+1,0000+0,5000+0,2500+1,0000+1,0000+0,5000+0,2500
=1,0000
7,25 = 0,1379
Begitu seterusnya hingga di R10,2 dapat dilihat hasilnya sebagai berikut:
R10,2 = X10,2
𝑋0,2+𝑋1,2+𝑋2,2+𝑋3,2+𝑋4,2+𝑋5,2+𝑋6,2+𝑋7,2+𝑋8,2+𝑋9,2+𝑋10,2
= 0,2500
1,0000+0,5000+0,2500+1,0000+1,0000+0,5000+0,2500+1,0000+1,0000+0,5000+0,2500
=0,2500
7,25 = 0,0345
Matriks keputusan ARAS normalisasi kolom 3 (kolom Benefit kriteria Jumlah Dalam Satu Keluarga), sebagai berikut:
R0,3 = X0,1
𝑋0,3+𝑋1,3+𝑋2,3+𝑋3,3+𝑋4,3+𝑋5,3+𝑋6,3+𝑋7,3+𝑋8,3+𝑋9,3+𝑋10,3
= 5
5 + 5 + 3 + 5 + 5 + 2 + 4 + 1 + 1 + 2 + 4 = 5
37= 0,1351
Begitu seterusnya hingga di R10,3 dapat dilihat hasilnya sebagai berikut:
R10,3 = X10,1
𝑋0,3+𝑋1,3+𝑋2,3+𝑋3,3+𝑋4,3+𝑋5,3+𝑋6,3+𝑋7,3+𝑋8,3+𝑋9,3+𝑋10,3
= 4
5 + 5 + 3 + 5 + 5 + 2 + 4 + 1 + 1 + 2 + 4 = 4
37= 0,1081
Matriks keputusan ARAS normalisasi kolom 4 (kolom Cost kriteria Jenis Rumah), sebagai berikut:
X0,4 * = 1
𝑋0,4 = 1
1= 1,0000 X1,4 * = 1
𝑋1,4 = 11= 1,0000 X2,4 * = 1
𝑋2,4 = 1
3= 0,3333 X3,4 * = 1
𝑋3,4 = 1
1= 1,0000 X4,4 * = 1
𝑋4,4 = 1
1= 1,0000 X5,4 * = 1
𝑋5,4 = 1
1= 1,0000 X6,4 * = 1
𝑋6,4 = 13= 0,3333 X7,4 * = 1
𝑋7,4 = 1
3= 0,3333 X8,4 * = 1
𝑋8,4 = 12= 0,5000 X9,4 * = 1
𝑋9,4 = 1
1= 1,0000 X10,4 * = 1
𝑋10,4 = 11= 1,0000
R0,4 = X0,4
𝑋0,4+𝑋1,4+𝑋2,4+𝑋3,4+𝑋4,4+𝑋5,4+𝑋6,4+𝑋7,4+𝑋8,4+𝑋9,4+𝑋10,4
= 1,0000
1,0000+1,0000+0,3333+1,0000+1,0000+1,0000+0,3333+0,3333+0,5000+1,0000+1,0000
=1,0000
8,4999= 0,1176
Begitu seterusnya hingga di R10,4 dapat dilihat hasilnya sebagai berikut:
R10,4 = X10,4
𝑋0,4+𝑋1,4+𝑋2,4+𝑋3,4+𝑋4,4+𝑋5,4+𝑋6,4+𝑋7,4+𝑋8,4+𝑋9,4+𝑋10,4
= 1,0000
1,0000+1,0000+0,5000+1,0000+1,0000+0,5000+1,0000+0,5000+0,5000+1,0000+1,0000
=1,0000
8,4999= 0,1176
Matriks keputusan ARAS normalisasi kolom 5 (kolom Benefit kriteria Usia), sebagai berikut:
R0,5 = X0,5
𝑋0,5+𝑋1,5+𝑋2,5+𝑋3,5+𝑋4,5+𝑋5,5+𝑋6,5+𝑋7,5+𝑋8,5+𝑋9,5+𝑋10,5
= 5
5 + 5 + 3 + 5 + 5 + 5 + 3 + 3 + 5 + 2 + 3 = 5
44= 0,1136
Begitu seterusnya hingga di R10,5 dapat dilihat hasilnya sebagai berikut:
R10,5 = X10,5
𝑋0,5+𝑋1,5+𝑋2,5+𝑋3,5+𝑋4,5+𝑋5,5+𝑋6,5+𝑋7,5+𝑋8,5+𝑋9,5+𝑋10,5
= 3
5 + 5 + 3 + 5 + 5 + 5 + 3 + 3 + 5 + 2 + 3 = 3
44= 0,0682
Maka dari perhitungan diatas menghasilkan matriks ternormalisasi R, yaitu sebagai berikut:
R =
[
0,1739 0,1379 0,1351 0,1176 0,1136 0,0580 0,0690 0,1351 0,1176 0,1136 0,0435 0,0345 0,0811 0,0392 0,0682 0,1739 0,1379 0,1351 0,1176 0,1136 0,0580 0,1379 0,1351 0,1176 0,1136 0,0870 0,0690 0,0541 0,1176 0,1136 0,0435 0,0345 0,1081 0,0392 0,0682 0,1739 0,1379 0,0270 0,0392 0,0682 0,0580 0,1379 0,0270 0,0588 0,1136 0,0870 0,0690 0,0541 0,1176 0,0455 0,0435 0,0345 0,1081 0,1176 0,0682]
3. Menentukan Bobot Matriks
Selanjutnya menghitung bobot matriks yang telah dinormalisasikan. Berikut proses penghitungan untuk menentukan bobot matriks dengan menggunakan persamaan yaitu:
𝐷 = [𝑑𝑖𝑗] 𝑚𝑋𝑛 = 𝑟𝑖𝑗. 𝑤𝑗
Dimana w (bobot kriteria) adalah {0.30 ; 0.10 ; 0.15 ; 0.25 ; 0.20 }
Bobot matriks keputusan kolom 1 (kolom kriteria “Jenis Perkejaan” sebagai berikut:
𝐷0,1= 𝑟0,1. 𝑤1 = 0,1739 ∗ 0,30 = 0,0522
Begitu seterusnya hingga di D10,1 dapat dilihat hasilnya sebagai berikut:
𝐷10,1= 𝑟10,1. 𝑤1 = 0,0435 ∗ 0,30 = 0,0130
Bobot matriks keputusan kolom 2 (kolom kriteria “Penghasilan” sebagai berikut:
𝐷0,2= 𝑟0,2. 𝑤2 = 0,1379 ∗ 0,10 = 0,0138
Begitu seterusnya hingga di D10,2 dapat dilihat hasilnya sebagai berikut:
𝐷10,2= 𝑟10,2. 𝑤2 = 0,0345 ∗ 0,10 = 0,0034
Bobot matriks keputusan kolom 3 (kolom kriteria “Jumlah Dalam Satu Keluarga” sebagai berikut:
𝐷0,3= 𝑟0,3. 𝑤3 = 0,1351 ∗ 0,15 = 0,0203
Begitu seterusnya hingga di D10,3 dapat dilihat hasilnya sebagai berikut:
𝐷10,3= 𝑟10,3. 𝑤3 = 0,1081 ∗ 0,15 = 0,0162
Bobot matriks keputusan kolom 4 (kolom kriteria “Jenis Rumah” sebagai berikut:
𝐷0,4= 𝑟0,4. 𝑤4 = 0,1176 ∗ 0,25 = 0,0294
Begitu seterusnya hingga di D10,4 dapat dilihat hasilnya sebagai berikut:
𝐷10,4= 𝑟10,4. 𝑤4 = 0,1176 ∗ 0,25 = 0,0294
Bobot matriks keputusan kolom 5 (kolom kriteria “Usia” sebagai berikut:
𝐷0,5= 𝑟0,5. 𝑤5 = 0,1136 ∗ 0,20 = 0,0227
Begitu seterusnya hingga di D10,5 dapat dilihat hasilnya sebagai berikut:
𝐷10,5= 𝑟10,5. 𝑤5 = 0,0682 ∗ 0,20 = 0,0136
Maka dari perhitungan bobot matriks keputusan dapat diperoleh hasil matriks sebagai berikut:
D =
[
0,0522 0,0138 0,0203 0,0294 0,0227 0,0174 0,0069 0,0203 0,0294 0,0227 0,0130 0,0034 0,0123 0,0098 0,0136 0,0522 0,0138 0,0203 0,0294 0,0227 0,0174 0,0138 0,0203 0,0294 0,0227 0,0261 0,0069 0,0081 0,0294 0,0227 0,0130 0,0034 0,0162 0,0098 0,0136 0,0522 0,0138 0,0041 0,0098 0,0136 0,0174 0,0138 0,0041 0,0147 0,0227 0,0261 0,0069 0,0081 0,0294 0,0091 0,0130 0,0034 0,0162 0,0294 0,0136]
4. Menentukan Nilai Fungsi Optimum
Selanjutnya menentukan nilai fungsi optimum, dengan menjumlahkan nilai dari hasil perhitungan bobot matriks sebelumnya pada setiap alternatif, yaitu:
𝑆𝑖= ∑ = 1
𝑛
𝑗 𝑑𝑖𝑗 (i = 1, 2, . . . m ∶ j = 1, 2, . . . , n)
𝑆0 = 0,0522 + 0,0138 + 0,0203 + 0,0294 + 0,0227 = 0,1384 𝑆1 = 0,0174 + 0,0069 + 0,0203 + 0,0294 + 0,0227 = 0,0967 𝑆2 = 0,0130 + 0,0034 + 0,0122 + 0,0098 + 0,0136 = 0.0521 𝑆3 = 0,0522 + 0,0138 + 0,0203 + 0,0294 + 0,0227 = 1,1384 𝑆4 = 0,0174 + 0,0138 + 0,0203 + 0,0294 + 0,0227 = 0,1036 𝑆5 = 0,0261 + 0,0069 + 0,0081 + 0,0294 + 0,0227 = 0,0932 𝑆6 = 0,0130 + 0,0034 + 0,0162 + 0,0098 + 0,0136 = 0,0561 𝑆7 = 0,0522 + 0,0138 + 0,0041 + 0,0098 + 0,0136 = 0,0935 𝑆8 = 0,0174 + 0,0138 + 0,0041 + 0,0147 + 0,0227 = 0,727 𝑆9 = 0,0261 + 0,0069 + 0,0081 + 0,0294 + 0,0091 = 0,0796 𝑆10 = 0,0130 + 0,0034 + 0,0161 + 0,0294 + 0,0136 = 0,0758 5. Menentukan Tingkatan Peringkat/Prioritas Kelayakan
Langkah terakhir yaitu menentukan tingkatan peringkat/kelayakan dari hasil perhitungan metode ARAS seperti dijelaskan di bawah ini.
𝐾𝑖= 𝑆𝑖 𝑆0 Dimana : 𝐾0=0,1384
0,1384= 1,0000 𝐾1=0,0967
0,1384= 0,6988 𝐾2=0,0521
0,1384= 0,3765 𝐾3=0,1384
0,1384= 1,0000 𝐾4=0,1036
0,1384= 0,7486 𝐾5=0,0932
0,1384= 0,6737 𝐾6=0,0561
0,1384= 0,4058 𝐾7=0,0935
0,1384= 0,6754 𝐾8=0,0727
0,1384= 0,5252 𝐾9=0,0796
0,1384= 0,5752 𝐾10=0,0758
0,1384= 0,5475
Hasil keputusan dalam menentukan kelayakan calon penerimaan, sesuai dengan tabel 9 sebagai berikut : Tabel 9. Hasil Perangkingan
No Kode Calon Penerima BPNT Nilai
Optimal (S)
Nilai Akhir (K)
Hasil Perangkingan Fungsi Optimal (S0) 0,1384 1,0000 -
1 A3 Rajiman 0,1384 1,0000 1
2 A4 Syanto 0,1036 0,7486 2
3 A1 Sutriman 0,0967 0,6988 3
4 A7 Sutresno 0,0935 0,6754 4
5 A5 Tukiman 0,0932 0,6737 5
6 A9 Poni 0,0796 0,5752 6
7 A10 Amin 0,0758 0,5475 7
8 A8 Amaran 0,0727 0,5252 8
9 A6 Selamat 0,0561 0,4058 9
10 A2 Prayogi 0,0521 0,3765 10
Berdasarkan tabel di atas, yang berhak mendapatkan BPNT ialah Selamat dan Prayogi, dengan Nilai Akhir < 0,07 dalam ketentuan penerimaan BPNT pada kantor Dusun Anggrek Baru Perkebunan Ramunia.
3.4 Implementasi
Form Proses ARAS berisi perhitungan metode ARAS. Data perhitungan berfungsi sebagai media menampilkan hasil perhitungan untuk penerimaan BPNT dan hanya dapat dilihat oleh Kabag Desa karena bersifat rahasia.
Tampilan form proses dapat dilihat pada gambar 2 di bawah ini.
Gambar 2. Form Proses ARAS
4. KESIMPULAN
Proses perhitungan metode ARAS menggunakan sistem berbasis web yang sangat kompleks sangat memudahkan dan mempercepat Pengambilan keputusan tentang penerimaan BPNT. Untuk mengidentifikasi penerima BPNT atas nama Selamat dan Prayogi dengan nilai akhir < 0,07. Untuk memudahkan implementasi, 10 data dengan 5 kriteria digunakan sebagai data sampel. Metode ARAS menggunakan utilitas terbaik (Ki) untuk membuat pilihan terbaik dan dapat diterapkan pada berbagai masalah keputusan untuk mendapatkan hasil keputusan yang lebih optimal dan akurat. Berdasarkan temuan, dapat disimpulkan bahwa sistem ini cocok untuk menangani mekanisme sistem pendukung keputusan penerima BPNT sesuai kriteria.
UCAPAN TERIMAKASIH
Terima kasih disampaikan kepada STMIK Triguna Dharma dan pihak-pihak yang telah mendukung terlaksananya penelitian ini.
REFERENCES
[1] E. Yulianti and M. Farina, “SISTEM PENDUKUNG KEPUTUSAN PENERIMA BANTUAN PANGAN NON TUNAI ( BPNT ) UNTUK KELUARGA MISKIN MENGGUNAKAN METODE SIMPLE MULTI ATTRIBUTE RATING TECHNIQUE ( SMART ),” vol. 8, no. 1, pp. 7–13, 2020, doi: 10.21063/JTIF.2020.V8.1.
[2] https://www.bps.go.id/pressrelease/2020/07/15/1744/persentase-penduduk-miskin-maret-2020-naik-menjadi-9-78- persen.html
[3] K. Nabila, P. Suharso, and W. Hartanto, “IMPLEMENTASI PROGRAM BANTUAN PANGAN NON TUNAI ( BPNT ) DI DESA,” vol. 15, no. 63, pp. 303–309, 2021, doi: 10.19184/jpe.v15i2.21327.
[4] I. Riyansuni and J. Devitra, “‘ Analisis Dan Perancangan Sistem Pendukung Keputusan Penerima Bantuan Pangan Non Tunai ( BPNT ) Dengan Simple Additive Weighting ( SAW ) Pada Dinas Sosial Kota Jambi ,’” vol. 5, no. 1, pp. 151–
163, 2020.
[5] S. Pendukung, K. Seleksi, and T. Kerja, “UNTUK SECURITY SERVICE MENGGUNAKAN METODE ARAS,” vol.
2, no. 1, pp. 1–9, 2018.
[6] N. K. Dewi, S. Aripin, R. K. Hondro, and A. Fau, “Sistem Pendukung Keputusan Pemilihan Game Untuk Anak Usia 5- 10 Tahun Menggunakan Metode ARAS,” pp. 635–642, 2019.
[7] J. N. H. S et al., “Coding : Jurnal Komputer dan Aplikasi Volume 07 , No . 03 ( 2019 ), Hal 109-119 ISSN 2338-493X IMPLEMENTASI METODE ADDITIVE RATIO ASSESMENT ( ARAS ) UNTUK REKOMENDASI PASIEN KUNJUNGAN SEHAT PADA FASILITAS KESEHATAN TINGKAT PERTAMA Coding : Jurnal Komputer dan Aplikasi ISSN 2338-493X Keterangan : m = jumlah alternative , n = jumlah kriteria , x ij = nilai kriteria dari alternatif i , x 0j = nilai optimum dari kriteria j . Jika kriteria merupakan kriteria yang bersifat biaya maka dinormalisasikan dengan rumus :,” vol. 07, no. 03, 2019.
[8] 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 ),” no. September, pp. 813–821, 2019.
[9] A. S. Nia, J. Saparauskas, and M. K. Ghorabaee, “A FUZZY ARAS METHOD FOR SUPPLY CHAIN MANAGEMENT PERFORMANCE MEASUREMENT IN SMEs,” vol. 16, no. 2, pp. 319–348, 2017.
[10] S. D. Handayani, “Sistem Pendukung Keputusan Penentuan Mutasi Pegawai Pada Kantor Gubernur Sumatera Utara Dengan Menggunakan Metode Additive Ratio Assessment ( Aras ),” vol. 1, no. 1, pp. 27–34, 2020.
[11] P. Non et al., “Sistem Pendukung Keputusan Penerima Bantuan,” J. Transform., vol. 17, no. 2, pp. 200–208, 2020.
[12] M. G. Resmi, M. R. Muttaqin, and M. Defriani, “Penentuan Penerimaan Bantuan Pangan Nontunai Dengan Metode Simple Additive Weighted,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 4, no. 1, pp. 40–46, 2021, doi:
10.31539/intecoms.v4i1.2102.
[13] S. I. R. Sarmidi, “Jurnal manajemen dan teknik informatika,” Ranc. Bangun Sist. Inf. Pengolah. Bank Sampah Puspasari Kec. Purbaratu Kota Tasikmalaya, vol. 02, no. 01, pp. 181–190, 2018.
[14] A. Hanipah, Djamaludin, and S. Syam, “Sistem Pendukung Keputusan Pengolahan Data Penerima Bantuan Pangan Non Tunai (BPNT) Warga Miskin Menggunakan Metode Weighted Product (WP) Pada Kelurahan Batusari Kota Tangerang,” JIMTEK J. Ilm. Fak. Tek., vol. 1, no. November, pp. 2020–238, 2020.
[15] Jadiaman Parhusip, “Penerapan Metode Analytical Hierarchy Process (AHP) Pada Desain Sistem Pendukung Keputusan Pemilihan Calon Penerima Bantuan Pangan Non Tunai (BPNT) Di Kota Palangka Raya,” J. Teknol. Inf. J.
Keilmuan dan Apl. Bid. Tek. Inform., vol. 13, no. 2, pp. 18–29, 2019, doi: 10.47111/jti.v13i2.251.
[16] M. Aras and C. Waspas, “Pemilihan Dosen Penguji Skripsi Menggunakan,” vol. 10, pp. 354–367, 2021.
[17] J. Khatib, S. Dalam, and K. Kunci, “Indonesian Journal of Computer Science,” vol. 10, no. 1, pp. 425–435, 2021.
[18] V. No, “Edumatic : Jurnal Pendidikan Informatika,” vol. 5, no. 1, pp. 31–40, 2021, doi: 10.29408/edumatic.v5i1.3252.
[19] B. Satria, C. Engineering, and S. Program, “IMPLEMENTATION OF ADDITIVE RATIO ASSESSMENT ( ARAS ) METHOD ON DECISION SUPPORT SYSTEM FOR RECIPIENT OF,” vol. 6, no. 1, pp. 121–128, 2020, doi:
10.33480/jitk.v6i1.1389.
[20] D. M. Midyanti, R. Hidyati, S. Bahri, and U. T. Pontianak, “RUMAH DI KOTA PONTIANAK,” vol. 4, no. 2, pp. 119–
124, 2019.
[21] U. I. Gorontalo, “METODE ARAS,” vol. 4, no. 1, pp. 40–46, 2019.
[22] R. Sistem, K. M. Electre, and A. Dalam, “JURNAL RESTI,” vol. 1, no. 10, pp. 109–116, 2021.
[23] C. Maulana, A. Hendrawan, A. Praba, and R. Pinem, “PEMODELAN PENENTUAN KREDIT SIMPAN PINJAM MENGGUNAKAN METODE ADDITIVE RATIO ASSESSMENT ( ARAS ),” vol. 15, no. 1, pp. 7–11, 2019.
