Seleksi Penerima Bantuan Pangan Istimewa Menggunakan Metode Simple Multi Attribute Rating Technique
Gellysa Urva*, Welly Desriyati
Teknik Informatika, Sekolah Tinggi Teknologi Dumai, Dumai, Indonesia Email: 1,*[email protected], 2[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Bantuan Pangan Istimewa (BPI) merupakan program rutin yang disalurkan PT Amandika Permana setiap setahun sekali kepada para pekerja dengan kriteria yang ditentukan oleh perusahaan. Jumlah pekerja yang semakin banyak membuat pihak perusahaan kesulitan dalam memilih pekerja yang layak mendapatkan bantuan pangan. Agar pendistribusian bantuan pangan tersalurkan dengan tepat sasaran maka perusahaan membutuhkan sebuah analisis dan perhitungan yang cepat dalam proses seleksi. Implementasi metode SMART (Simple Multi Attribute Rating Technique) dengan jumlah kriteria yang banyak mampu menyelesaikan permasalahan yang ada. Penerapan metode SMART ditentukan dengan menerapkan sepuluh kriteria berupa status pekerjaan, penghasilan, jumlah tanggungan, status kepemilikan rumah, status lahan tempat tinggal,luas bangunan, asset bergerak, sumber air minum, sumber penerangan rumah dan kartu program bantuan lainnya. Hasil akhir penelitian menunjukkan bahwa penggunaan metode SMART mampu membantu pihak pengguna dalam menentukan penerima BPI. Hasil keputusan terbagi menjadi tiga kategori, dimana nilai 0.5 – 0.8 direkomendasi, 0.3 – 0.4 jadi pertimbangan, serta nilai 0.1 – 0.2 tidak direkomendasikan. Lampiran data hasil seleksi memudahkan pengguna untuk mengambil keputusan dengan efisien dan efektif. Berdasarkan hasil yang diperoleh, penerima yang paling berhak mendapatkan bantuan yang juga menduduki posisi pertama dengan nilai 0.75. Penentuan nilai bobot yang sesuai pada setiap kriteria mempengaruhi hasil seleksi untuk mendapatkan hasil terbaik.
Kata Kunci: Seleksi; BPI ; Sistem Pendukung Keputusan; Metode SMART; Kriteria
Abstract−BPI is a routine program distributed by PT Amandika Permana once a year to workers with criteria determined by the company. The increasing number of workers makes it difficult for companies to select workers who are eligible for food assistance. In order for the distribution of food aid to be channeled on target, the company needs an analysis and quick calculations in the selection process. The implementation of the SMART (Simple Multi Attribute Rating Technique) method with a large number of criteria is able to solve existing problems. The implementation of the SMART method is determined by applying ten criteria in the form of employment status, income, number of dependents, home ownership status, residential land status, building area, movable assets, sources of drinking water, sources of house lighting and other assistance program cards.
The final results of the study show that the use of the SMART method is able to assist users in determining BPI beneficiaries.
The decision results are divided into three categories, where values 0.5 – 0.8 are recommended, 0.3 – 0.4 are considered, and values 0.1 – 0.2 are not recommended. Attachments to the selected data make it easy for users to make decisions efficiently and effectively. Based on the results obtained, the beneficiary who is most entitled to assistance also occupies the first position with a value of 0.75. Determining the appropriate weight value for each criterion affects the selection results to get the best results.
Keywords: Selection; BPI; Decision Support System; SMART Method; Criteria
1. PENDAHULUAN
Bantuan Pangan Istimewa (BPI) merupakan program rutin yang dilakukan oleh PT Amandika Permana, sebuah perusahaan kebun kelapa sawit. Program BPI ini sebagai bentuk kepedulian perusahaan terhadap pekerja guna menunjang kehidupan yang sejahtera. Program BPI ini dilaksanakan setiap 1 tahun sekali. Para penerima bantuan ini merupakan para karyawan yang bekerja di perusahaan dengan kategori yang memang layak dibantu untuk menunjang kebutuhan hidup. Sejauh ini, seleksi penerima BPI ini berjalan dengan pemilihan secara manual yang dilakukan secara random saja oleh petugas di perusahaan. Hal ini menyebabkan terjadi ketidakadilan antar pekerja.
Sebab, banyak pekerja yang seharusnya layak mendapatkan bantuan menjadi tidak dapat begitu juga sebaliknya.
Keterbatasan anggaran dana perusahaan untuk program BPI ini juga menjadi salah satu faktor yang sangat mempengaruhi dalam menseleksi karyawan yang berhak mendapatkan bantuan. Untuk mengatasi permasalahan pendistribusian BPI yang tepat sasaran dan terstruktur, dibutuhkan sebuah analisis dan perhitungan yang tepat sesuai dengan kriteria-kriteria yang ditentukan perusahaan terhadap calon penerima bantuan.
Sistem pendukung keputusan yang baik merupakan sistem yang dapat menerapkan pertimbangan yang matang dan terstruktur berdasarkan kriteria-kriteria yang ditentukan untuk hasil yang optimal [1]. Keputusan terbaik dalam seleksi harus berlandaskan pendekatan yang logis dengan banyaknya kriteria [2]. Multi Criteria Decission Making (MCDM) memiliki peran penting pada pemilihan suatu keputusan yang optimal [3]. MCDM digunakan secara integrasi dan memanfaatkan kumpulan data yang objektif [4]. MCDM terdiri dari dua model yaitu Multi Atribute Decision Making (MADM) dan Multi Objective Decision Making (MODM). MADM umumnya digunakan untuk untuk menyelesaikan permasalahan dalam seleksi pada beberapa pilihan dengan jumlah terbatas sedangkan MODM seringnya digunakan untuk persoalan dalam ruang kontinyu [5]. Multi Attribute Decision Making (MADM) merupakan suatu metode untuk menentukan keputusan dengan menetapkan alternatif atau pilihan terbaik dari beberapa pilihan berdasarkan kriteria-kriteria yang ditentukan [6][7]. Terdapat beberapa metode pada MADM, seperti metode AHP (Analitycal Hierarchy Process), SAW (Simple Additive
Weighting), TOPSIS (Technique for Order Preference by Similarity to Ideal Solution), WP (Weighted Product), Electre dan lain sebagainya [8][9][10].
Penggunaan metode Analitycal Hierarchy Process (AHP) dalam evaluasi dan seleksi pemilihan supplier penyedia bahan bangunan sangat efektif untuk memutuskan supplier yang sesuai dengan kriteria-kriteria yang ditentukan[11]. Melalui penerapan metode AHP mampu menentukan kinerja supplier yang terbaik dan sesuai kebutuhan. Penggunaan metode ini juga mampu menangani parameter kriteria yang beraneka ragam. Sebuah keputusan yang tepat sasaran dapat dihasilkan dengan adanya implementasi metode AHP [12]. Klasterisasi penerima Bantuan Langsung Tunai (BLT) di kelurahan suatu desa dengan menggunakan metode SAW (Simple Additive Weighting) menghasilkan penerima BLT yang tepat sasaran dan sesuai kriteria [13]. Penelitian selanjutnya tentang sistem pendukung keputusan penerima rumah bantuan layak huni menggunakan metode SMART (Simple Multi Attribute Rating Technique) dengan empat kriteria yang terdiri dari kondisi fisik rumah, luas rumah, jumlah anggota keluarga, pendapatan kepala keluarga. Hasil penelitian tersebut menyatakan yang berhak mendapatkan bantuan dengan nilai akhir 0,725 sebagai peringkat 1 dari 10 data alternatif [14]. Penggunaan metode SMART sangat membantu untuk mendapatkan penerima yang benar-benar layak berdasarkan kriteria tertentu. Selanjutya, penelitian tentang penerima bantuan sosial masyarakat yang terkena dampak covid 19 menggunakan metode SMART dengan tujuh kriteria yang ditentukan dan nilai keputusan ada 3 rentang nilai, yaitu 0 – 0,45 tidak direkomendasikan, 0,46 – 0,65 dipertimbangkan, 0,66 -1 direkomendasikan. Penentuan bobot yang tepat pada setiap kriteria sangat mempengaruhi hasil perhitungan terhadap rekomendasi pemberian bantuan dana sosial bagi masyarakat terdampak Covid-19 [15]. Penelitian terkait tentang penerima bantuan sosial yang juga menggunakan metode SMART dengan lima kriteria memudahkan untuk mendapatkan penerima sesuai kriteria yang dibutuhkan[16]. Sistem Pendukung Keputusan pemberian kredit pinjaman dengan metode SMART dengan Sembilan kriteria dengan nilai bobot kriteria diantara 50 – 90, menghasilkan nasabah yang benar-benar layak untuk diproses pinjamannya oleh koperasi [17].
Metode SMART merupakan metode pengambilan keputusan yang bertujuan untuk mengumpulkan informasi tentang semua data yang berkaitan dengan beberapa atribut (multi atribut) dan beberapa kriteria (multi kriteria) [18]. Pada alternatif solusi yang dirumuskan merupakan kumpulan atribut. Setiap atribut mempunyai nilai.
Selanjutnya nilai tersebut dicari nilai rata-rata dengan perbandingan tertentu. Setiap atribut mempunyai bobot adapun tujuannya untuk menggambarkan seberapa krusial atribut tersebut jika dibandingkan dengan atribut lain [19]. Metode ini merupakan metode yang paling tepat untuk merekomendasikan pilihan yang tepat berdasarkan fleksibelitas dari metode ini [20]. Secara teknis sebuah keputusan dengan multiatribut ini merupakan sebuah prosedur perhitungan matematis untuk menentukan keputusan dalam mengevaluasi serta merangking secara otomatis pada banyaknya alternatif [21]. Penggunaan metode SMART pada seleksi BPI ini diharapkan mampu memecahkan masalah yang dihadapi oleh perusahaan. Penentuan bobot dan perangkingan metode SMART ini berguna untuk menilai setiap pilihan atau alternatif solusi untuk memperoleh preferensi terbaik secara efektif dan dapat membantu pihak perusahaan dalam mengambil keputusan terbaik berdasarkan hasil seleksi.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Adapun tahapan- tahapan penelitian yang dilakukan sebagai berikut : 1. Analisis Permasalahan
Langkah awal penelitian ini dimulai dengan mencari informasi terkait tentang kebutuhan pengguna di PT Amandika Permana. Pencarian informasi dilaksanakan dengan melakukan wawancara maupun observasi di perusahaan tersebut. Hasil dari wawancara dan observasi dapat diketahui segala kendala-kendala yang saat ini berjalan dengan sistem yang ada serta keinginan pengguna untuk mendapatkan solusi terbaik pada permasalahan yang ada.
2. Studi Literatur
Selanjutnya mencari berbagai referensi terkait yang sesuai dengan permasalahan yang terjadi untuk menjadi landasan teori secara ilmiah baik penelitian terdahulu, buku dan jurnal-jurnal imiah yang mendukung.
3. Analisis Data
Memahami pola dari data-data terkait yang dibutuhkan untuk penelitian seperti data karyawan dan data kriteria- kriteria yang ditentukan untuk penerima BPI.
4. Implementasi Metode SMART
Penggunaan metode SMART merupakan pilihan yang ditentukan untuk menemukan solusi dari permasalahan yang ada.
5. Hasil Seleksi
Pengolahan data dengan menggunakan metode SMART menghasilkan data seleksi karyawan yang layak untuk mendapatkan bantuan. Selanjutnya pihak pengguna, tinggal menentukan jumlah penerima BPI sesuai dengan ketersediaan anggaran yang ada.
Uraian penjelasan tahapan penelitian tersebut digambarkan pada gambar 1 berikut ini:
Gambar 1. Tahapan Penelitian 2.2 Metode SMART
Adapun langkah-langkah proses perhitungan menggunakan metode SMART adalah : 1. Menentukan jumlah kriteria yang digunakan
2. Penentuan skala secara default0-100, berdasarkan prioritas selanjutnya proses normalisasi dengan rumus : 𝑁𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖 = 𝑤𝑗
∑ 𝑤𝑗 (1)
Keterangan :
𝑤𝑗 = Bobot suatu kriteria
∑ 𝑤𝑗 = Total bobot seluruh kriteria
3. Menentukan nilai kriteria pada setiap alternatif 4. Menghitung nilai utility pada setiap kriteria
𝑢𝑖 (𝑎𝑖) = ( 𝐶𝑜𝑢𝑡 𝑖−𝐶𝑚𝑖𝑛)
( 𝐶𝑚𝑎𝑥−𝐶𝑚𝑖𝑛) (2)
Keterangan :
𝑢𝑖 (𝑎𝑖) = Nilai utility kriteria ke 1, pada kriteria ke -i 𝐶𝑚𝑎𝑥 = Nilai kriteria maksimal
𝐶𝑚𝑖𝑛 = Nilai kriteria minimal 𝐶𝑜𝑢𝑡 𝑖 = Nilai kriteria ke -i
5. Menghitung nilai akhir masing-masing kriteria
𝑢(𝑎𝑖) = ∑𝑚𝑗=1 𝑤𝑗 ∗ 𝑢𝑖 (𝑎𝑖) (3)
Keterangan :
u(aj) = Nilai total alternatif ke - i
wj = Nilai bobot kriteria ke - j (sudah normalisasi) ui(ai) = Nilai utility kriteria ke - j pada alternatif ke – i
3. HASIL DAN PEMBAHASAN
Penerima BPI ditentukan dengan beberapa kriteria yang dibuat oleh perusahaan. Terdapat 10 jenis kriteria yang menjadi penentu penerima BPI. Adapun kriteria penerima BPI dapat dilihat pada Tabel 1 berikut ini :
Tabel 1. Kriteria Penerima No Kriteria
Jenis Kriteria (C)
1 C1 Status Pekerjaan
2 C2 Penghasilan
3 C3 Jumlah Tanggungan
4 C4 Status Kepemilikan Rumah
5 C5 Status Lahan tempat tinggal yang ditinggali Analisis Permasalahan
Studi Literatur
Analisis Data
Metode SMART
Hasil Seleksi
No Kriteria
Jenis Kriteria (C)
6 C6 Luas bangunan rumah
7 C7 Aset Bergerak
8 C8 Sumber air minum
9 C9 Sumber Penerangan Rumah
10 C10 Mempunyai Kartu Program Lainnya
Selanjutnya menentukan nilai bobot dari setiap kriteria yang ditentukan. Nilai bobot kriteria dapat dilihat pada Tabel 2 dibawah ini :
Tabel 2. Nilai Bobot Kriteria Kriteria
Jenis Kriteria Bobot
(C)
C1 Status Pekerjaan 15
C2 Penghasilan 15
C3 Jumlah Tagungan 15
C4 Kepemilikan Rumah 5
C5 Status Lahan tempat tinggal yang ditinggali 5
C6 Luas bangunan rumah 5
C7 Aset Bergerak/Tidak Bergerak 10
C8 Sumber air minum 10
C9 Sumber Penerangan Rumah 10
C10 Mempunyai Kartu Program Lainnya 10
Total Bobot 100
Setelah menentukan bobot masing-masing kriteria, maka langkah selanjutnya menentukan parameter kriteria yang disebut sub kriteria beserta nilai bobotnya. Sub kriteria dan nilai bobotnya dapat dilihat pada Tabel 3 berikut ini:
Tabel 3. Nilai Bobot Sub Kriteria
No Kriteria Sub Kriteria Nilai
1 Status Pekerjaan Karyawan (SKU) 1
Buruh Harian Lepas (BHL) 2 2 Penghasilan
> 4.2jt/bulan 1
3.7 - 4.1 jt/bulan 2
1.3jt - 3.6 jt/bulan 3
< 1.2jt/bulan 4
3 Jumlah
Tanggungan
1 atau tidak ada tanggungan 1
2 anak 2
3 anak 3
4 anak atau lebih 4
4
Status Kepemilikan
Rumah
Milik Sendiri 1
Milik Orang Lain 2
Tanah negara 3
5
Status lahan / tempat tinggal yang ditempati
Milik Sendiri 1
Milik Orang Lain 2
Tanah Negara 3
6 Luas Bangunan Rumah
100m2-<200 m2 1
90 m2 - < 100 m2 2
40 m2 - < 90 m2 3
10 m2 <- 40 m2 4
7
Aset Bergerak dan Tidak
Bergerak
Tabung gas 5,5 kg atau lebih 2
Lemari es/kulkas 3
Pemanas air (water heater) 3
AC 2
Emas/perhiasan & tabungan (senilai 10 gram emas)
1
Televisi 3
Sepeda 3
Komputer/laptop 1
Sepeda Motor 2
No Kriteria Sub Kriteria Nilai
Tanah 1
Perahu 1
Kapal 1
Telepon rumah (PSTN) 1
8
Sumber air minum
Air kemasan bermerk 1
Air isi ulang 3
Leding meteran 3
Sumur bor/pompa 2
Sumur Terlindung 4
Mata air terlindung 4
Mata air tak terlindung 5
Air sungai/waduk/danau 5
Air hujan 5
9
Sumber Penerangan
Rumah
Listrik 900 PLN 1
Listrik 400 PLN 2
Bukan Listrik 3
10 Mempunyai Kartu Program Lainnya
KKS/KPS 2
KIP/BSM 2
KIS/BPJS/JAMKESMAS 2
BPJS Kesehatan Peserta
Mandiri 2
JAMSOSTEK/BPJS
Ketenagakerjaan 2
Asuransi Kesehatan Lainnya 2
PKH 2
Raskin 2
KUR 2
Tidak Memiliki 3
Tahapan selanjutnya, menentukan normalisasi bobot kriteria. Hasil normalisasi bobot kriteria dapat dilihat pada Tabel 4 berikut ini:
Tabel 4. Normalisasi Kriteria
Jenis Kriteria Bobot
Kriteria Normalisasi (C)
C1 Jenis Pekerjaan 15 15/100 = 0.15
C2 Penghasilan 15 15/100 = 0.15
C3 Jumlah Tanggungan 15 15/100 = 0.15
C4 Kepemilikan Rumah 5 5/100 = 0.05
C5 Status Lahan tempat tinggal yang
ditinggali 5 5/100 = 0.05
C6 Luas bangunan rumah 5 5/100 = 0.05
C7 Aset Bergerak 10 10/100 = 0.1
C8 Sumber air minum 10 10/100 = 0.1
C9 Sumber Penerangan Rumah 10 10/100 = 0.1
C10 Memiliki Kartu Program Lainnya 10 10/100 = 0.1
Jumlah Bobot 100 1
Tahap selanjutnya membuat transfer alternatif data penerima bantuan. Data penerima BPI dapat kita lihat pada Tabel 5 berikut ini :
Tabel 5. Transfer Alternatif Data Penerima BPI
No Nama C1 C2 C3 C4 C5 C6 C7 C8 C9 C10
1 Dafsah Sibutar 4 4 4 1 1 4 3 3 1 2
2 Samsidar Lubis 3 4 2 1 1 3 3 4 1 2
3 Pujo Mujiono 4 4 2 1 1 3 3 3 2 2
4 Handini 3 4 2 1 1 3 3 3 1 2
5 Erni 3 4 2 1 1 3 3 3 1 2
6 Wati 3 3 2 1 1 3 3 3 1 2
7 Karni 4 4 1 2 2 3 3 3 1 3
8 Wiwit 4 4 2 1 1 4 3 3 1 2
Tahap berikutnya menentukan nilai utility dari masing-masing kriteria. Setiap kriteria dicari nilai utilitynya. Proses perhitungan nilai utility dimulai dengan mencari nilai kriteria max (Cmax) dan nilai kriteria minimal (Cmin) dengan rumus yang sudah dijelaskan sebelumnya.
Cmax (Jenis Pekerjaan)
{4,3,4,3,3,3,4,4,5,5,4,4,3,3,3,3,3,3,3,4,5,3,3,3,3,3,2,5,2,4,4,4,2,4,4,3,3,3,3,2,2,3,4,2,2,3,3,3,4,3} = 5 Cmin (Jenis Pekerjaan))
{4,3,4,3,3,3,4,4,5,5,4,4,3,3,3,3,3,3,3,4,5,3,3,3,3,3,2,5,2,4,4,4,2,4,4,3,3,3,3,2,2,3,4,2,2,3,3,3,4,3} = 2 UJumlah Jenis Pekerjaan (𝑎1) = ( 𝐶𝑜𝑢𝑡−𝐶𝑚𝑖𝑛)
( 𝐶𝑚𝑎𝑥−𝐶𝑚𝑖𝑛) = ( 4 −2)
( 5−2) = 0,6667 UJumlah Jenis Pekerjaan (𝑎50) = ( 𝐶𝑜𝑢𝑡−𝐶𝑚𝑖𝑛)
( 𝐶𝑚𝑎𝑥−𝐶𝑚𝑖𝑛) = ( 4−2)
( 5−2) = 0,333
Proses perhitungan nilai utility dilakukan untuk masing-masing kriteria sebanyak data yang ada. Pada penelitian ini ada 50 calon data penerima BPI yang akan diseleksi. Hasil nilai utility untuk masing-masing kriteria ditampilkan pada Tabel 6 berikut ini :
No Nama C1 C2 C3 C4 C5 C6 C7 C8 C9 C10
9 Sogiyem 5 5 2 1 1 4 3 4 1 2
10 Norma 5 5 1 1 1 3 3 3 1 2
11 Magdalena Martiani 4 4 1 1 1 4 3 3 1 2
12 Dwi Melisa 4 4 2 1 1 4 3 3 1 3
13 Nukman 3 3 4 1 1 3 3 3 1 2
14 Sumo 3 4 3 1 1 3 2 3 1 2
15 Fitri Sintia 3 3 2 1 1 3 3 3 1 3
16 Efni Hakim 3 3 2 1 1 3 2 3 1 2
17 Sri Linda 3 4 2 1 1 3 3 3 1 3
18 Meri Yani 3 4 2 1 1 4 3 3 1 3
19 Binaria Lumban 3 4 2 1 1 3 2 3 1 2
20 Dewi Sartika Lumban 4 4 2 1 1 4 3 3 1 3
21 Rosmaidah Simbolon 5 5 1 1 1 3 3 3 1 2
22 Rismawati Tambunan 3 4 2 1 1 3 3 3 1 3
23 Jon Kenedi 3 4 2 1 1 3 2 3 1 2
24 Lia Waroka 3 4 2 1 1 2 3 3 1 2
25 Yani 3 3 2 2 2 3 3 3 1 2
26 Gusmiarti 3 4 2 1 1 4 3 3 1 3
27 Linca Br Sidabalok 2 4 2 1 1 3 3 3 1 2
28 Gusrini 5 5 2 1 1 3 3 3 1 2
29 Prayekti 2 3 2 1 1 3 2 3 1 3
30 Anna Br Nainggolan 4 4 3 1 1 2 3 3 1 2
31 Sicilia Ronauli Sipahutar 4 4 1 1 1 3 3 4 1 2
32 Liawati 4 4 3 1 1 3 3 4 1 2
33 Azlina 2 4 2 1 1 3 3 4 1 2
34 Jumiati 4 4 1 1 1 3 3 3 1 2
35 Wina 4 4 3 1 1 3 3 1 1 2
36 Evi Susanti 3 4 2 1 1 3 3 3 1 2
37 Nengsih 3 4 2 1 1 3 3 3 1 2
38 Dahniar 3 4 3 2 2 3 3 3 1 2
39 Sugiarti 3 4 1 1 1 3 3 3 1 2
40 Sariamah Saragih 2 3 2 1 1 3 3 3 1 2
41 Evi Setiya Wiyandari 2 3 3 1 1 3 3 3 1 2
42 Nerwati 3 3 2 1 1 3 3 3 1 2
43 Supiah 4 4 1 1 1 3 3 3 1 3
44 Norhayati 2 3 2 1 1 3 2 3 1 3
45 Saniah 2 3 2 1 1 3 2 3 1 3
46 Arie Koesni Yati 3 4 4 2 2 3 3 3 1 2
47 Susiati 3 3 2 1 1 3 3 3 1 3
48 Eka Martalinda 3 4 4 1 1 3 3 3 1 2
49 Neni Marlina 4 4 2 1 1 4 2 3 1 3
50 Siti Rokiyah 3 4 2 1 1 3 3 3 1 2
Tabel 6. Nilai Utility
No Nama C1 C2 C3 C4 C5 C6 C7 C8 C9 C10
1 Dafsah Sibutar 0.667 0.5 1 0 0 1 1 0.667 0 0
2 Susilawati 0.667 0.5 1 1 1 0.5 1 1 0 1
3 Pujo Mujiono 0.667 0.5 0.333 0 0 0.5 1 0.667 1 0
4 Handini 0.333 0.5 0.333 0 0 0.5 1 0.667 0 0
5 Erni 0.333 0.333 0.333 0.333 0.333 0.333 0.333 0.333 0.333 0.333
6 Wati 0.333 0 0.333 0 0 0.5 1 0.667 0 0
7 Karni 0.667 0.5 0 1 1 0.5 1 0.667 0 1
8 Wiwit 0.667 0.5 0.333 0 0 1 1 0.667 0 0
9 Sogiyem 1 1 0.333 0 0 1 1 1 0 0
10 Norma 1 1 0 0 0 0.5 1 0.667 0 0
11 Magdalena Martiani 0.667 0.5 0 0 0 1 1 0.667 0 0
12 Dwi Melisa 0.667 0.5 0.333 0 0 1 1 0.667 0 1
13 Nukman 0.333 0 1 0 0 0.5 1 0.667 0 0
14 Sumo 0.333 0.5 0.6667 0 0 0.5 0.5 0.667 0 0
15 Fitri Sintia 0.333 0 0.333 0 0 0.5 1 0.667 0 1
16 Efni Hakim 0.333 0 0.333 0 0 0.5 0.5 0.667 0 0
17 Sri Linda 0.333 0.5 0.333 0 0 0.5 1 0.667 0 1
18 Meri Yani 0.333 0.5 0.333 0 0 1 1 0.667 0 1
19 Binaria Lumban 0.333 0.5 0.333 0 0 0.5 0.5 0.667 0 0
20 Dewi Sartika Lumban 0.6667 0.5 0.333 0 0 1 1 0.667 0 1
21 Rosmaidah Simbolon 1 1 0 0 0 0.5 1 0.667 0 0
22 Rismawati Tambunan 0.333 0.5 0.333 0 0 0.5 1 0.667 0 1
23 Jon Kenedi 0.333 0.5 0.333 0 0 0.5 0.5 0.667 0 0
24 Lia Waroka 0.333 0.5 0.333 0 0 0 1 0.667 0 0
25 Yani 0.333 0 0.333 1 1 0.5 1 0.667 0 0
26 Gusmiarti 0.333 0.5 0.333 0 0 1 1 0.667 0 1
27 Linca Br Sidabalok 0 0.5 0.333 0 0 0.5 1 0.667 0 0
28 Gusrini 1 1 0.333 0 0 0.5 1 0.667 0 0
29 Prayekti 0 0 0.333 0 0 0.5 0.5 0.667 0 1
30 Anna Br Nainggolan 0.667 0.5 0.667 0 0 0 1 0.667 0 0
31 Sicilia Ronauli Sipahutar 0.667 0.5 0 0 0 0.5 1 1 0 0
32 Liawati 0.667 0.5 0.667 0 0 0.5 1 1 0 0
33 Azlina 0 0.5 0.333 0 0 0.5 1 1 0 0
34 Jumiati 0.667 0.5 0 0 0 0.5 1 0.667 0 0
35 Wina 0.667 0.5 0.667 0 0 0.5 1 0 0 0
36 Evi Susanti 0.333 0.5 0.333 0 0 0.5 1 0.667 0
37 Nengsih 0.333 0.5 0.333 0 0 0.5 1 0.667 0 0
38 Dahniar 0.333 0.5 0.667 1 1 0.5 1 0.667 0 0
39 Sugiarti 0.333 0.5 0 0 0 0.5 1 0.667 0 0
40 Sariamah Saragih 0 0 0.333 0 0 0.5 1 0.667 0 0
41 Evi Setiya Wiyandari 0 0 0.667 0 0 0.5 1 0.667 0 0
42 Nerwati 0.333 0 0.333 0 0 0.5 1 0.667 0
43 Supiah 0.667 0.5 0 0 0 0.5 1 0.667 0 1
44 Norhayati 0 0 0.333 0 0 0.5 0.5 0.667 0 1
45 Saniah 0 0 0.333 0 0 0.5 0.5 0.667 0 1
46 Arie Koesni Yani 0.333 0.5 1 1 1 0.5 1 0.667 0 0
47 Susiati 0.333 0 0.333 0 0 0.5 1 0.667 0 1
48 Eka Martalinda 0.333 0.5 1 0 0 0.5 1 0.667 0 0
49 Neni Marlina 0.667 0.5 0.333 0 0 1 0.5 0.667 0 1
50 Siti Rokiyah 0.333 0.5 0.333 0 0 0.5 1 0.667 0
Setelah mendapatkan nilai utility dari masing-masing kriteria, tahapan berikutnya mencari nilai akhir keputusan. Proses menetukan nilai akhir dari masing masing kriteria yaitu dengan mengalikan nilai yang didapat dari normalisasi nilai kriteria data baku dengan normalisasi bobot kriteria. Kemudian jumlahkan nilai dari perkalian tersebut. Proses perhitungan dilakukan pada setiap data dengan masing-masing kriteria.
1. Dafsah Sibutar
C1 = 0,66666666666667 x 0,15 = 0,1 C2 = 0,5 x 0,15 = 0,075 C3 = 1 x 0,15 = 0,15 C4 = 0 x 0,05 = 0
C5 = 0 x 0,05 = 0 C6 = 1 x 0,05 = 0,05 C7 = 1 x 0,1 = 0,1
C8 = 0,6667 x 0,1 = 0,066666666666667 C9 = 0 x 0,1 = 0
C10 = 0 x 0,1 = 0
A1 = 0,1 + 0,075 + 0,15 + 0 + 0 + 0,05 + 0,1 + 0 ,066666666666667+ 0 + 0 = 0,54166666666667
Proses perhitungan dengan cara yang sama dilakukan terhadap data berikutnya, setiap data dicari nilai per masing-masing kriteria. Nilai akhir perhitungan dapat kita lihat pada Tabel 7 berikut ini :
Tabel 7. Nilai Akhir
No Nama Kriteri
a Nilai Kriteria Bobot
Normalisasi
bobot * Nilai
Kriteria Nilai Akhir 1 Dafsah
Sibutar
C1 0.667 0.15 0.1
0.542
C2 0.5 0.15 0.075
C3 1 0.15 0.15
C4 0 0.05 0
C5 0 0.05 0
C6 1 0.05 0.05
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 0 0.1 0
2 Susilawati C1 0.667 0.15 0.1
0.75
C2 0.5 0.15 0.075
C3 1 0.15 0.15
C4 1 0.05 0.05
C5 1 0.05 0.05
C6 0.5 0.05 0.025
C7 1 0.1 0.1
C8 1 0.1 0.1
C9 0 0.1 0
C10 1 0.1 0.1
3 Pujo
Mujiono
C1 0.667 0.15 0.1
0.517
C2 0.5 0.15 0.075
C3 0.333 0.15 0.05
C4 0 0.05 0
C5 0 0.05 0
C6 0.5 0.05 0.025
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 1 0.1 0.1
C10 0 0.1 0
4 Handini
C1 0.333 0.15 0.05
0.367
C2 0.5 0.15 0.075
C3 0.333 0.15 0.05
C4 0 0.05 0
C5 0 0.05 0
C6 0.5 0.05 0.025
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 0 0.1 0
5 Erni
C1 0.333 0.15 0.05
0.367
C2 0.5 0.15 0.075
C3 0.333 0.15 0.05
C4 0 0.05 0
C5 0 0.05 0
C6 0.5 0.05 0.025
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 0 0.1 0
6 Wati
C1 0.333 0.15 0.05
0.292
C2 0 0.15 0
C3 0.333 0.15 0.05
C4 0 0.05 0
C5 0 0.05 0
C6 0.5 0.05 0.025
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 0 0.1 0
No Nama Kriteri
a Nilai Kriteria Bobot
Normalisasi
bobot * Nilai
Kriteria Nilai Akhir
7 Karni
C1 0.667 0.15 0.1
0.15
C2 0.5 0.15 0.075
C3 0 0.15 0
C4 1 0.05 0.05
C5 1 0.05 0.05
C6 0.5 0.05 0.025
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 1 0.1 0.1
8 Wiwit
C1 0.667 0.15 0.1
0.567
C2 0.5 0.15 0.075
C3 0.333 0.15 0.05
C4 0 0.05 0
C5 0 0.05 0
C6 1 0.05 0.05
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 0 0.1 0
9 Sogiyem
C1 1 0.15 0.15
0.6
C2 1 0.15 0.15
C3 0.333 0.15 0.05
C4 0 0.05 0
C5 0 0.05 0
C6 1 0.05 0.05
C7 1 0.1 0.1
C8 1 0.1 0.1
C9 0 0.1 0
C10 0 0.1 0
10 Norma
C1 1 0.15 0.15
0.492
C2 1 0.15 0.15
C3 0 0.15 0
C4 0 0.05 0
C5 0 0.05 0
C6 0.5 0.05 0.025
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 0 0.1 0
11
Magdalena Martiani Manao
C1 0.667 0.15 0.1
0.392
C2 0.5 0.15 0.075
C3 0 0.15 0
C4 0 0.05 0
C5 0 0.05 0
C6 1 0.05 0.05
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 0 0.1 0
12 Dwi Melisa
C1 0.667 0.15 0.1
0.542
C2 0.5 0.15 0.075
C3 0.333 0.15 0.05
C4 0 0.05 0
C5 0 0.05 0
C6 1 0.05 0.05
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 1 0.1 0.1
13 Nukman
C1 0.333 0.15 0.05
0.392
C2 0 0.15 0
C3 1 0.15 0.15
C4 0 0.05 0
C5 0 0.05 0
C6 0.5 0.05 0.025
No Nama Kriteri
a Nilai Kriteria Bobot
Normalisasi
bobot * Nilai
Kriteria Nilai Akhir
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 0 0.1 0
14 Sumo
C1 0.333 0.15 0.05
0.367
C2 0.5 0.15 0.075
C3 0.667 0.15 0.1
C4 0 0.05 0
C5 0 0.05 0
C6 0.5 0.05 0.025
C7 0.5 0.1 0.05
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 0 0.1 0
15 Fitri Sintia
C1 0.333 0.15 0.05
0.392
C2 0 0.15 0
C3 0.333 0.15 0.05
C4 0 0.05 0
C5 0 0.05 0
C6 0.5 0.05 0.025
C7 0.667 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 1 0.1 0.1
…
…
…
50 Siti Rokiyah
C1 0.333 0.15 0.05
0.367
C2 0.5 0.15 0.075
C3 0.333 0.15 0.05
C4 0 0.05 0
C5 0 0.05 0
C6 0.5 0.05 0.025
C7 1 0.1 0.1
C8 0.667 0.1 0.667
C9 0 0.1 0
C10 0 0.1 0
Berdasarkan hasil nilai akhir yang didapatkan, maka dapat dilihat tabel interval hasil seleksi pada Tabel 8 berikut ini :
Tabel 8. Interval Hasil Keputusan Nomor Interval Keterangan 1 0.5 – 0.8 Direkomendasi 2 0.3 – 0. 4 Jadi Pertimbangan 3 0.1 – 0.2 Tidak Direkomendasi
Selanjutnya, hasil dari perhitungan nilai akhir dapat diurutkan dari nilai yang terbesar hingga terkecil.
Seleksi hasil penerima BPI dapat dilihat pada Tabel 9 berikut ini : Tabel 9. Hasil Seleksi
Ranking Nama Nilai Akhir Kesimpulan
1 Susilawati 0.75 Direkomendasi
2 Fatmawati 0.742 Direkomendasi
3 Jenap 0.742 Direkomendasi
4 Norani 0.725 Direkomendasi
5 Murni 0.692 Direkomendasi
6 Yusridah 0.65 Direkomendasi
7 Adih 0.65 Direkomendasi
8 Sogini 0.642 Direkomendasi
9 Katinah 0.642 Direkomendasi
10 Aminah 0.642 Direkomendasi
11 Misni 0.642 Direkomendasi
12 Eni 0.642 Direkomendasi
Ranking Nama Nilai Akhir Kesimpulan
13 Rita 0.642 Direkomendasi
14 Sogiyem 0.6 Direkomendasi
15 Siti Aminah 0.592 Direkomendasi
16 Karni 0.562 Direkomendasi
17 Sarmiah 0.562 Direkomendasi
18 Musalmah 0.562 Direkomendasi
19 Arie Koesni Yati 0.562 Direkomendasi
20 Hasnawiyah 0.562 Direkomendasi
21 Sariah 0.542 Direkomendasi
22 Dafsah Sibutar 0.542 Direkomendasi
23 Radiana Lubis 0.542 Direkomendasi
24 Dewi Sartika Lumban 0.542 Direkomendasi
25 Sumiati 0.542 Direkomendasi
26 Dwi Melisa 0.542 Direkomendasi
27 Ainun 0.542 Direkomendasi
28 Gusrini 0.542 Direkomendasi
29 Rosmaini 0.525 Direkomendasi
30 Maimunah 0.517 Direkomendasi
31 Dahniar 0.517 Direkomendasi
32 Nani 0.517 Direkomendasi
33 Abdul Rahman 0.517 Direkomendasi
34 Ani 0.517 Direkomendasi
35 Pujo mujiono 0.517 Direkomendasi
36 Liawati 0.5 Direkomendasi
37 Rosmaidah Simbolon 0.492 Jadi Pertimbangan
38 Norma 0.492 Jadi Pertimbangan
39 Patimah 0.492 Jadi Pertimbangan
40 Meri Yani 0.492 Jadi Pertimbangan
41 Ida Sukarnis 0.492 Jadi Pertimbangan
42 Gusmiarti 0.492 Jadi Pertimbangan
43 Nursiah 0.492 Jadi Pertimbangan
44 Masridawati Harahap 0.492 Jadi Pertimbangan
45 Neni Marlina 0.492 Jadi Pertimbangan
46 Sri Linda 0.467 Jadi Pertimbangan
47 Umi Kalsum 0.467 Jadi Pertimbangan
48 Saripah 0.467 Jadi Pertimbangan
49 Nurhalimah Nasution 0.467 Jadi Pertimbangan 50 Lilis Maryati Manurung 0.467 Jadi Pertimbangan
Berdasarkan hasil perhitungan dengan menggunakan metode SMART , dapat dilihat dari 50 data yang ada dengan kategori hasil sesuai dengan interval yang berlaku. Terdapat 36 orang menjadi kandidat atau calon yang direkomendasikan sebagai penerima BPI. Sedangkan 14 orang sisanya menjadi pertimbangan untuk mendapatkan bantuan. Skor tertinggi dengan nilai 0.75 diperoleh oleh Susilawati. Hasil seleksi ini hanya menjadi pedoman yang membantu dalam mengambil keputusan. Namun penentu keputusan tetap diserahkan kepada pengguna yang memiliki wewenang di perusahaan.
4. KESIMPULAN
Penggunaan metode Simple Multi Attribute Rating Technique (SMART) dalam seleksi penerima Bantuan Pangan Istimewa (BPI) sangat membantu pihak pengguna dalam menentukan keputusan untuk penerima bantuan yang berhak mendapatkan bantuan sesuai dengan kriteria yang ditentukan. Rekomendasi penerima yang sangat layak untuk mendapatkan bantuan dengan nilai tertinggi 0.75 berada pada rangking pertama. Penentuan nilai bobot yang tepat pada setiap kriteria tentunya mempengaruhi hasil seleksi terhadap penerima BPI. Guna mendapatkan kriteria yang lebih sesuai dengan keperluan dalam seleksi penerima BPI dibutuhkan uji validitas terhadap kriteria-kriteria yang diterapkan.
REFERENCES
[1] G. Urva and S. Aminah, “Implementasi Metode Analytic Hierarchy Process dalam Pemilihan Proyek Kontruksi,” vol.
15, no. 2, pp. 2580–2582, 2022.
[2] N. K. Geetha and P. Bridjesh, “Materials Today : Proceedings Combinatorial rough neutrosophic multi attribute decision making approach for selection of waste plastic oil – Diesel blends,” Mater. Today Proc., vol. 37, pp. 979–981, 2021.
[3] A. Selcuk, H. Selcuk, and D. Delen, “Technological Forecasting & Social Change The use of multi-criteria decision- making methods in business analytics : A comprehensive literature review,” Technol. Forecast. Soc. Chang., vol. 174, no. December 2020, p. 121193, 2022.
[4] A. Karbassi, P. Fernandes, T. Hanne, and F. Abdi, “Socio-Economic Planning Sciences Supplier selection in the oil &
gas industry : A comprehensive approach for Multi-Criteria Decision Analysis,” Socioecon. Plann. Sci., vol. 79, no.
March 2020, p. 101142, 2022.
[5] A. Hussain, K. Ullah, M. Yang, and D. Pamucar, “Aczel-Alsina Aggregation Operators on T-Spherical Fuzzy ( TSF ) Information With Application to TSF Multi-Attribute Decision Making,” IEEE Access, vol. 10, pp. 26011–26023, 2022.
[6] M. Akanni, O. M. Popoola, and T. Rapheal, “Selection of waste-to-energy technology for distributed generation using IDOCRIW-Weighted TOPSIS method : A case study of the City of Johannesburg , South Africa,” Renew. Energy, vol.
178, pp. 162–183, 2021.
[7] M. R. Khan and K. Ullah, “Performance Measure Using a Multi-Attribute Decision-Making Approach Based on Complex T-Spherical Fuzzy Power Aggregation Operators,” vol. 1, no. February, pp. 138–146, 2022.
[8] Z. Said et al., “Multi-attribute optimization of sustainable aviation fuel production-process from microalgae source,”
Fuel, vol. 324, no. PC, p. 124759, 2022.
[9] V. Chodha, R. Dubey, R. Kumar, S. Singh, and S. Kaur, “Materials Today : Proceedings Selection of industrial arc welding robot with TOPSIS and Entropy MCDM techniques,” Mater. Today Proc., no. xxxx, 2021.
[10] S. Chakraborty, “TOPSIS and Modified TOPSIS : A comparative analysis,” Decis. Anal. J., vol. 2, no. September 2021, p. 100021, 2022.
[11] E. Budiman and R. Ramadhan, “Implementation of the Analytical Hierarchy Process Method and Multi Objective Optimization on the Basis of Ratio Analysis in the Selection of Insurance Products,” vol. 1, no. 9, pp. 41–50, 2022.
[12] D. Sivanagaraju, M. Hussaian, and D. Govardhan, “Materials Today : Proceedings A review on multi attribute decision making for evaluation and selection of supplier for materials,” Mater. Today Proc., vol. 39, pp. 296–300, 2021.
[13] D. Librado et al., “Klasterisasi penerima bantuan sosial menggunakan metode simple additive weighting,” vol. 7, no. 1, pp. 30–36, 2023.
[14] Y. I. Purwanti and B. S. Ginting, “Sistem Pendukung Keputusan Penerima Bantuan Rumah Tak Layak Huni ( RTLH ) Di Kota Binjai Dengan Metode Simplemultiple Attribute Rating Technique ( SMART ) ( STUDI KASUS : DINAS SOSIAL BINJAI ),” vol. 3, pp. 1–9, 2021.
[15] B. T. J. Hutagalung, E. T. Siregar, and J. H. Lubis, “Penerapan Metode SMART dalam Seleksi Penerima Bantuan Sosial Warga Masyarakat Terdampak COVID-19,” vol. 5, pp. 174–185, 2021.
[16] J. Prima, J. Sistem, I. Komputer, and V. No, “BANTUAN SEMBAKO COVID-19 PADA DESA UJUNG SERDANG,”
vol. 5, no. 2, 2022.
[17] W. M. Ardana, I. R. Wulandari, Y. Astuti, L. D. Farida, and W. Widayani, “Implementasi Metode SMART ( Simple Multi Attribute Rating Technique ) Pada Sistem Pendukung Keputusan Pemberian Kredit Pinjaman,” vol. 6, pp. 1756–
1766, 2022.
[18] T. Online, M. Awiet, W. Prasetyo, D. Yunita, and A. Trisetya, “Jurnal Politeknik Caltex Riau Penentuan Penerima Bantuan Sosial Dana Desa Dengan Sistem Pendukung Keputusan Menggunakan Simple Additive Weighting Method,”
vol. 8, no. 2, pp. 296–306, 2022.
[19] M. H. Botutihe and R. A. Wijaya, “Metode Smart Untuk Sistem Pendukung Keputusan Penerimaan Bantuan Bibit Tanaman Kakao,” vol. 5, no. 6, pp. 856–867, 2022.
[20] H. Hasugian and A. U. Hamdani, “Penerapan Metode SMART Pada Sistem Pendukung Keputusan Rekrutmen Karyawan Baru,” vol. 7, pp. 189–198, 2023.
[21] R. Yanto and V. Amalia, “Analisa Penentuan Reward Berbasis Kinerja Dosen Menggunakan Metode Simple Multi Atribute Rating Technique Analysis of Reward Determination Based on Lecturer Performance Using the Simple Multi Attribute Rating Technique Metode,” 2022.
