MENGGUNAKAN METODE SIMPLE ADDITIVE

WEIGHTING (SAW) UNTUK MENENTUKAN

PESERTA LOMBA KOMPETENSI SISWA

LAPORAN UAS

Diajukan Sebagai Salah Satu Syarat Memenuhi Nilai UAS

Sistem Penunjang Keputusan

Disusun Oleh :
Okky Prasetyo (160101051)
Roma Debrian (160101059)
Riyan Subekti (160101058)
Muhammad Faisal Zuhdi (160101047)
Alvian Abdur Rahman Wahid (160101005)

PROGRAM STUDI TI
PRADITA INSTITUTE

BANTEN

2018
 KATA PENGANTAR

Puji syukur kita panjatkan ke hadirat Tuhan YME, atas limpahan rahmat
dan hidyahnya sehingga kami dapat menyelesaikan penulisan makalah yang
berjudul “MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING
(SAW) UNTUK MENENTUKAN PESERTA LOMBA KOMPETENSI SISWA”
tanpa rintangan yang berarti.
Dalam menyusun makalah ini, tidak sedikit kesulitan dan hambatan yang

penulis alami. Namun, berkat dukungan serta dorongan dan semangat dari semua

pihak akhirnya penulis mampu menyelesaikan makalah ini. Pada kesempatan kali

ini penulis ingin mengucapkan terima kasih yang sebesar – besarnya kepada :

1. Prof. Richardus Eko Indrajit, selaku rektor Pradita Institute.

2. Dosen Pembimbing : Bpk. Budi Sudrajat, S.Kom, M.Kom. yang selalu

membimbing kami.

3. Keluarga Besar kami, khususnya orang tua kami yang selalu mendukung kami

agar kami bisa mengerjakan makalah ini dengan lancar.

4. Dan tak lupa teman - teman kami dari Pradita Institut, yang selalu memberikan

dukungan dan motivasi. Terima kasih atas segala bantuan yang telah diberikan.

Kami menyadari bahwa dalam penyusunan makalah ini jauh dari sempurna, baik

dari segi penulisan ataupun bahasa. Oleh karena itu kami mengharapkan kritik

dan saran yang sifatnya membangun dan menjadi acuan untuk lebih baik dimasa

yang akan datang.

Jakarta 28 Maret 2018

Penyusun

ii
 DAFTAR ISI

Halaman

KATA PENGANTAR............................................................................................. ii

DAFTAR ISI .......................................................................................................... iii

DAFTAR GAMBAR .............................................................................................. v

DAFTAR TABEL .................................................................................................. vi

ABSTRAK ............................................................................................................ vii

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang ............................................................................................ 1

1.2 Identifikasi Masalah .................................................................................... 2

1.3 Maksud dan Tujuan ..................................................................................... 2

1.4 Batasan Masalah .......................................................................................... 2

BAB II LANDASAN TEORI ................................................................................. 3

2.1 Sistem Pendukung Keputusan ..................................................................... 3

2.2 Metode Simple Additive Weighting ........................................................... 4

2.3 Langkah Penyelesaian Metode SAW .......................................................... 6

BAB III PEMBAHASAN ....................................................................................... 8

3.1 Analisa Permasalahan ................................................................................. 8

3.2 Analisis Sistem ............................................................................................ 8

3.2.1 Analisis Hasil dan Pembahasan ........................................................10

BAB IV PENUTUP .............................................................................................. 21

4.1 Kesimpulan................................................................................................ 21

4.2 Saran .......................................................................................................... 21

iii
DAFTAR PUSTAKA ........................................................................................... 23

DAFTAR RIWAYAT HIDUP OKKY PRASETYO............................................ 25

DAFTAR RIWAYAT HIDUP ROMA DEBRIAN .............................................. 26

DAFTAR RIWAYAT HIDUP ALVIAN ABDUR RAHMAN WAHID ............. 27

DAFTAR RIWAYAT HIDUP RIYAN SUBEKTI .............................................. 28

DAFTAR RIWAYAT HIDUP MUHAMMAD FAISAL ZUHDI ....................... 29

iv
 DAFTAR GAMBAR

Gambar 3.1 Bilangan Fuzzy Untuk Bobot .............................................................. 9

v
 DAFTAR TABEL
Tabel 3.1 Nilai Bobot .............................................................................................. 9

Tabel 3.2 Tabel Kriteria ........................................................................................ 10

Tabel 3.3 Peringkat Rangking ............................................................................... 11

Tabel 3.4 Nilai Rata-rata Pemerograman Visual Basic......................................... 11

Tabel 3.5 Nilai Rata-rata Pemerograman Java ...................................................... 12

Tabel 3.6 Nilai Rata-rata Pemerograman WEB .................................................... 12

Tabel 3.7 Nilai Rata-rata Kepribadian .................................................................. 13

Tabel 3.8 Masukan Data Awal Siswa Calon Peserta ............................................ 14

Tabel 3.9 Masukan Data Siswa Calon Peserta ...................................................... 14

Tabel 3.10 Table Bobot Keikteria ......................................................................... 19

Tabel 3.11 Perankingan Siswa Peserta Olimpiade ................................................ 20

vi
 ABSTRAK
Untuk menghasilkan sebuah keputusan, penggunaan metode dapat membuat
pengambilan keputusan menjadi lebih efesien dan lebih tepat, apalagi jika data
yang di perhitungkan berjumlah banyak. Salah satu contohnya adalah dalam
menyeleksi siswa terbaik dari seluruh pendaftar untuk dipilih dan diikutkan
lomba, hasil seleksi siswa dilakukan oleh panitia di bidang kompetisi. Dengan
menggunakan sebuah metode pada suatu sistem, akan menghasilkan sebuah
keputusan yang sesuai untuk penyeleksian data. Metode untuk menentukan hasil
seleksi untuk menentukan peserta lomba adalah metode Simple Additive
Weighting (SAW). Metode SAW adalah metode dengan penjumlahan terbobot.
Metode ini sering digunakan dan merupakan metode yang paling terkenal dalam
menghadapi situasi Multiple Attribute Decision Making (MADM). Dengan
menggunakan metode ini hasil seleksi diharapkan lebih akurat dan sesuai dengan
kriteria yang ditetapkan. Sistem mampu memberikan hasil rekomendasi keputusan
yang tepat berdasarkan persyaratan yang telah ditetapkan. Informasi hasil
perhitungan terhadap sejumlah data seleksi menunjukan pencapaian yang
diharapkan, dalam waktu yang cepat dengan tidak melibatkan banyak faktor.
Dengan demikian sistem ini dapat memberikan kemudahan pengelolaan untuk
pelaksanaan seleksi lomba kompetensi siswa sekolah menengah kejuruan.

Kata Kunci : Simple Additive Weighting, Rumus SAW, metode untuk

menyelesaikan masalah MADM, penyeleksian peserta lomba dengan metode SAW

vii
 1

BAB I
PENDAHULUAN
1.1 Latar Belakang
Dalam kehidupan kita sering mendapatkan keputusan dimana keputusan itu
dapat menentukan masadepan kita, ketika memilih sebuah keputusan kita
mempertimbangkan apakah keputusan tersebut berdampak untung atau tidak.
Dalam berbisnis sangat penting untuk menentukan keputusan yang tepat demi
kesuksesan dalam berbisnis, tidak hanya dalam berbisnis dalam edukasi,
pengadilan, dan perancangan sistem. Kita akan terus di hadapi dengan keputusan.

Dalam mengambil keputusan terdapat banyak metode. Metode dalam

mengambil keputusan di gunakan ketika hal yang di pertimbangkan terdapat
banyak hal, untuk itu digunakanlah metode agar dapat mengambil keputusan
dengan tepat, atau yang sering di sebut MADM (Multi Attribute Decision
Making) yaitu proses pengambilan keputusan terhadap sebuah masalah yang
memiliki beberapa atribut penting untuk dipertimbangkan. MADM itu sendiri
merupakan suatu metode yang digunakan untuk mencari alternatif optimal dari
sejumlah alternatif dengan kriteria tertentu.

Salah satu contoh dalam menggunakan MADM adalah cara menentukan

peserta lomba untuk siswa dengan menggunakan metode Simple Additive
Weighting (SAW). Simple Additive Weighting adalah metode pengambilan
keputusan dengan cara menormalisasi matriks ke suatu sekala yang dapat di
petimbangkan, dengan data – data yang sudah di kumpulkan lalu dibuatkan
krikteria penilaian berdasarkan data – data tersebut.

Dengan menggunakan metode Simple Additive Weighting hasil yang

didapatkan akan terlihat jelas, dengan begitu dapat di tentukan dengan optimal
siapa yang harus dipilih untuk mengikuti lomba berdasarkan bobot terbesar. Oleh
karena itu penggunaan metode dalam memilih keputusan sanggat berguna untuk
kehidupan sehari – hari sesuai dengan kondisi masalah tersebut bagusnya
menggunakan metode apa agar mencapai hasil yang di ingginkan.
1.2 Identifikasi Masalah

Permasalahan Dari latar belakang yang telah ditulis, kami memberikan

identifikasi masalah yang akan dijadikan bahan penelitian sebagai berikut:
• Pemilihan siswa untuk mengikuti lomba kompetensi

1.3 Maksud dan Tujuan

Penelitian ini di lakukan dengan tujuan sebagai berikut :

1. Cara menggunakan Simple Additive Weighting (SAW)

2. Bagimana menentukan peserta lomba dengan metode SAW
3. Sebagai salah satu syarat untuk memperoleh nilai UAS pada mata
kuliah Sistem Penunjang Keputusan

1.4 Batasan Masalah

Agar pembahasan makalah ini dapat terarah dan memiliki fokus dalam
pembahasannya, maka penulis memberikan batasan masalah yang akan diteliti.
Batasan tersebut sebagai berikut :

1. Pengertian Simple Additive Weighting .

2. Pengambilan keputusan menggunakan Simple Additive Weighting.

2
 3

BAB II
LANDASAN TEORI
2.1 Sistem Pendukung Keputusan

Menurut Alter [1] Sistem Pendukung Keputusan (SPK) merupakan sistem

informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian
data. Sistem itu di gunakan untuk membantu pengambilan keputusan dalam
situasi yang semiterstruktur dan situasi yang tidak terstruktur, dimana seorang pun
tahu secara pasti bagaimana keputusan seharusnya dibuat.

Sistem Pendukung Keputusan juga sering juga di kenal Decision Support

System (DSS) adalah sistem informasi interaktif di buat untuk memberikan solusi
suatu masalah atau untuk mengevaluasi suatu peluang. Hal yang diperlukan untuk
membuat sistem pendukung keputusan yaitu data, interface yang mudah dan dapat
menggabungkan pemikiran pengambilan keputusan. Dapat disimpulkan bahwa
sistem pendukung keputusan adalah sistem informasi berbasis komputer yang
menggabungkan model dan data untuk memberikan solusi untuk masalah yang
tidak terstruktur dengan keterlibatan pengguna yang ekstensif melalui interface
yang mudah digunakan.

Dalam melakukan pekerjaan yang bersifat analisa, sistem pendukung

keputusan sangat berguna untuk memanajemen data – data atau situasi yang
kurang terstruktur dengan krikteria yang kurang jelas. Maksud dari sistem
pendukung keputusan adalah untuk memberikan perangkat interaktif yang
memungkinkan pengambil keputusan untuk melakukan berbagai analisis
menggunakan model-model yang tersedia bukan hanya di maksudkan untuk
mengotomatisasikan pengambilan keputusan

Dalam mengambil keputusan untuk menyelesaikan suatu masalah dapat

dilihat dari keterstrukturannya yang bisa di bagi menjadi :

1. Keputusan terstruktur (structured decision) adalah pengambilan

keputusan yang dilakukan secara berulang-ulang dan bersifat rutin,
proses untuk pengambilan keputusan sangatlah jelas, keputusan tersebut
terutama dilakukan pada menajemen tingkat bawah.
 2. Keputusan semiterstruktur (semistructured decision) adalah pengambilan
keputusan yang memiliki dua tipe, tipe yang bisa ditangani oleh
komputer dan tipe yang harus dilakukan oleh pengambil keputusan,
dengan prosedur dalam pengambil keputusan tersebut sudah ada (secara
garis besar), tetapi ada juga hal yang masih memerlukan kebijakan dari
pengambil keputusan. Biasanya, keputusan semacam ini di ambil oleh
manajer level menengah dalam suatuorganisasi.

3. Keputusan tak terstruktur (unstructured decision), adalah keputusan yang

penanganannya rumit karena tidak terjadi beulang-ulang atau tidak selalu
terjadi, keputusan tersebut menuntut pengalaman dan berbagai sumber
yang bersifat eksternal. Keputusan tersebut umumnya terjadi pada
manajemen tingkat atas.

2.2 Metode Simple Additive Weighting

Metode Simple Additive Weighting (SAW), adalah salah satu metode untuk
menghadapi situasi Multi Attribute Decision Making (MADM) yang di gunakan
untuk pengambilan keputusan. Menurut Fishburn 1967, dan MacCimmon 1968
metode Simple Additive Weighting sering juga di kenal dengan istilah metode
penjumlahan berbobot. Konsep dasar metode Simple Additive Weighting adalah
dengan mencari jumlah yang berbobot yang di dapat dari rating kinerja pada
setiap alternatif pada semua atribut.

Metode Simple Additive Weighting disarankan untuk menyelesaikan

masalah penyeleksian dalam sistem pengambilan keputusan multi proses. Metode
Simple Additive Weighting merupakan metode yang banyak digunakan dalam
pengambilan keputusan yang memiliki banyak atribut. Metode Simple Additive
Weighting membutuhkan proses normalisasi matriks keputusan (x) ke suatu skala
yang dapat diperbandingkan dengan semua rating alternatif yang ada. Formula
untuk melakukan normalisasi tersebut adalah sebagai berikut:

4
 𝑿𝑖𝑗
𝑗𝑖𝑘𝑎 𝑗 𝑎𝑡𝑡𝑟𝑖𝑏𝑢𝑡 𝑘𝑒𝑢𝑛𝑡𝑢𝑛𝑔𝑎𝑛 (𝑏𝑒𝑛𝑒𝑓𝑖𝑡)
𝑴𝒂𝒙 𝑿𝑖𝑗
𝒓𝑖𝑗 =
𝑴𝒊𝒏 𝑿𝑖𝑗
𝑗𝑖𝑘𝑎 𝑗 𝑎𝑡𝑡𝑟𝑖𝑏𝑢𝑡 𝑏𝑖𝑎𝑦𝑎 (𝑐𝑜𝑠𝑡)
{ 𝑿 𝑖𝑗

Keterangan:

Max 𝑋𝑖𝑗 = Nilai terbesar dari setiap kriteria i.

Min 𝑋𝑖𝑗 = Nilai terkecil dari setiap kriteria i.
𝑋𝑖𝑗 = Nilai atribut yang dimiliki dari setiap kriteria.
Benefit = Jika nilai terbesar adalah yang terbaik.
Cost = Jika nilai terkecil adalah yang terbaik.

Dimana rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cij
i=1,2,…,n. Nilai preferensi untuk setiap alternatif (Vi) di berikan sebagai:

𝑉1 = ∑ 𝑊𝑗 𝑅𝑖𝑗
𝑗=1

Keterangan:

Vi = Rangking untuk setiap alternatif.

Wj = Nilai bobot rangking (dari setiap kriteria).

rij = Nilai rating kinerja ternormalisasi.

Nilai Vi yang lebih besar mengidentifikasikan bahwa alternatif Ai lebih terpilih.

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif (Ai) lebih

terpilih. Berikut ini adalah tahapan-tahapan menggunakan metode SAW:

a. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam

pengambilan keputusan, yaitu Ci.
b. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.

5
 c. Membuat matriks keputusan berdasarkan kriteria (C1), kemudian melakukan
normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis
atribut sehingga diperoleh matriks ternormalisasi R.
d. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari
perkalian matriks ternormalisasi R dengan bobot vektor sehingga diperoleh
nilai terbesar yang dipilih sebagai alternatif terbaik (A1) sebagai solusi.

2.3 Langkah Penyelesaian Metode SAW

Dalam penelitian ini menggunakan FMDAM metode SAW. Langkah-
langkah pemecahan masalah dalam penelitian ini adalah sebagai berikut:

1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam

menentukan pengambilan keputusan Cj.
2. Memberikan nilai setiap alternatif (Ai) pada setiap kriteria (Cj) yang
sudah ditentukan, dimana nilai i=1,2,……n.
3. Menentukan rating kecocokan setiap alternatifpada setiap kriteria
kemudian memodelkannya ke dalam bilangan fuzzy setelah itu
dikonversikan kebilangan crisp.
4. Memberikan nilai bobot (W) yang juga didapatkan berdasarkan nilai
crisp.
5. Melakukan normalisasi matriks dengan cara menghitung nilai rating
kinerja ternormalisasi (rij) dari alternatif Ai pada atribut Cj berdasarkan
persamaan yang disesuaikan dengan jenis atribut (atribut
keuntungan/benefit = MAXIMUM atau atribut biaya/cost = MINIMUM).
Apabila berupa atribut keuntungan maka crisp (Xi j) dari setiap kolom
atribut dibagi dengan nilai crisp MAX (MAX Xi j) dari setiap kolom,
sedangkan untuk atribut biaya, nilai crisp MIN (MIN Xi j) dari setiap
kolom atribut dibagi dengan nilai crisp (Xij) setiap kolom.
6. Melakukan proses perangkingan untuk setiap alternatif (Vi) dengan cara
mengalikan nilai (Wi) dengan nilai rating kinerja ternormalisasi (rij).
7. Menentukan nilai prefensi untuk setiap alternatif (Vi) dengan cara
menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai
bobot (W). Nilai Vi yang lebih besar mengindikasikan bahwa alternatif
Ai lebih terpilih Nurdin (dalam Dicky, 2012:13).

6
7
 8

BAB III

PEMBAHASAN

3.1 Analisa Permasalahan

Dalam menentukan kadidat untuk disertakan dalam lomba kompetensi siswa

bisa digunakan sistem yang dapat membantu dalam menentukan keputusan yang
optimal. Untuk mempermudah dan mempercepat kinerja guru dan staf yang
bertugas, terlebih lagi untuk panitia dari sekolah yang harus menentukan calon
perseta yang pantas untuk mengikuti lomba kompetensi siswa. Untuk
mendapatkan calon peserta lomba kompetensi tersebut maka harus di tentukan
krikteria-krikterianya terlebih dahulu. Krikteria yang diterapkan dalam studi kasus
ini adalah Peringkat Rangking, Nilai Rata-rata Pemerograman Visual Basic, Nilai
Rata-rata Pemerograman Java, Nilai Rata-rata Pemerograman WEB, dan nilai
Rata-rata Kepribadian. Dalam penentuan peserta lomba kopetensi dengan
menggunakan metode Simple Additive Weighting dibutuhkan krikteria-kerikteria
dan bobot agar dapat di perhitungkan, shingga didapatkanya calon peserta yang
bagus.

3.2 Analisis Sistem

Dalam menentukan penilaian bobot peserta lomba, di butuhkan krikteria –

krikteria yang akan di gunakan untuk meniali peserta yang nantinya akan
dibuatkan alternative peserta lomba, masing-masing kriteria memiliki subkriteria
yang ditentukan berdasarkan rentang nilai penetapan, akan memberikan tingkat
pembatasan data, sehingga penilaian akan lebih ketat dan tepat. Pemberian bobot
nilai dari pendistribusian total 100% terhadap masing-masing kriteria didasarkan
pada skala prioritas, sehingga hasil seleksi data akan lebih tepat dan sesuai dengan
ketentuan. Hasil keputusan akan ditetapkan 5 rangking terdepan dari hasil
rekomendai seluruh data peserta lomba.

Dalam proses penilaian tersebut digunakan metode Simple Additive

Weighting. Bobot krikteria yang akan di gunakan terdiri dari lima bilangan Simple
Additive Weighting, yaitu sangat rendah (SR), Sedang (R), Cukup (C), Tinggi (T),
dan Sangat Tinggi (ST) seperti gambar di bawah ini.
 Gambar 3.1 Bilangan Fuzzy Untuk Bobot

Keterangan :

SR = Sangat Rendah;

R = Rendah;

C = Cukup;

T = Tinggi;

ST = Sangat Tinggi.

Dari gambar 1 diatas, bilangan–bilangan fuzzy dapat dikonversikan kebilangan

crisp untuk lebih jelas data bobot dibentuk dalam tabel dibawah ini:

Bobot Nilai Fuzzy

Sangat Rendah 0,00

Rendah 0,25

Cukup 0,5

Tinggi 0,75

Sangat Tinggi 1,00

Tabel 3.1 Nilai Bobot

9
 Berdasarkan setiap data yang akan diperhitungkan, yang memiliki nilai
kriteria dengan bobot yang berbeda berdasarkan ketentuan yang telah ditentukan.
Sehingga data-data tersebut akan mudah diperhitungkan dengan perhitungan
SAW, dengan begitu bisa ditentukan hasil dari nilai masing masing data, kriteria
dan ranting kecocokan setiap alternatif pada setiap kriteria yang telah ditentukan,
selanjutnya dilakukan penjabaran bobot setiap kriteria yang telah dikonversikan
dengan bilangan Simple Additive Weighting. Pengambilan keputusan berdasarkan
nilai terbesar dari urutan 1 sampai dengan 5 yang merupakan hasil keputusan
akhir peserta lomba.

3.2.1 Analisis Hasil dan Pembahasan

Berdasarkan langkah-langkah untuk memecahkan masalah dengan

mengunakan metode SAW yang telah dijelaskan sebelumnya, pada subbab ini
akan dibahas tentang proses perhitungan dan keluaran yang diharapkan pada
penelitian ini.

1. Untuk menentukan kriteria - kriteria yang akan dijadikan acuan dalam

pengambilan keputusan, yaitu. Dalam metode penelitian ini ada bobot
dan kriteria yang dibutuhkan untuk menentukan siapa yang akan terpilih
sebagai peserta lomba. Adapun kriteria dalam penelitian ini adalah:

Kode Kriteria

C1 Peringkat Rangking

C2 Nilai Rata-rata Pemerograman Visual Basic

C3 Nilai Rata-rata Pemerograman Java

C4 Nilai Rata-rata Pemerograman WEB

C5 Nilai Rata-rata Kepribadian

Tabel 3.2 Tabel Kriteria

10
2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
a. Variabel Peringkat Rangking dikonversikan dengan bilangan fuzzy
dibawah ini.

Peringkat Rangking (C1) Keterangan Bobot

C1 = 1 - 2 Sangat Tinggi (ST) 1,00

C1 = 3 – 4 Tinggi (T) 0,75

C1 = 5 – 6 Cukup (C) 0,5

C1 = 7 – 8 Rendah (R) 0,25

C1 = 9 – 10 Sangat Rendah (SR) 0,00

Tabel 3.3 Peringkat Rangking

b. Variabel Nilai Rata-rata Pemerograman Visual Basic dikonversikan

dengan bilangan fuzzy dibawah ini.

Nilai Rata-rata
Pemerograman Visual Keterangan Bobot
Basic (C2)

C2 = 76 – 100 Sangat Tinggi (ST) 1,00

C2 = 66 – 75 Tinggi (T) 0,75

C2 = 56 – 65 Cukup (C) 0,5

C2 = 46 – 55 Rendah (R) 0,25

C2 = 0 – 45 Sangat Rendah (SR) 0,00

Tabel 3.4 Nilai Rata-rata Pemerograman Visual Basic

11
c. Variabel Nilai Rata-rata Pemerograman Java dikonversikan dengan
bilangan fuzzy dibawah ini.

Nilai Rata-rata
Keterangan Bobot
Pemerograman Java (C3)

C3 = 76 – 100 Sangat Tinggi (ST) 1,00

C3 = 66 – 75 Tinggi (T) 0,75

C3 = 56 – 65 Cukup (C) 0,5

C3 = 46 – 55 Rendah (R) 0,25

C3 = 0 – 45 Sangat Rendah (SR) 0,00

Tabel 3.5 Nilai Rata-rata Pemerograman Java

d. Variabel Nilai Rata-rata Pemerograman WEB dikonversikan dengan

bilangan fuzzy dibawah ini.

Nilai Rata-rata
Keterangan Bobot
Pemerograman WEB (C4)

C4 = 76 – 100 Sangat Tinggi (ST) 1,00

C4 = 66 – 75 Tinggi (T) 0,75

C4 = 56 – 65 Cukup (C) 0,5

C4 = 46 – 55 Rendah (R) 0,25

C4 = 0 – 45 Sangat Rendah (SR) 0,00

Tabel 3.6 Nilai Rata-rata Pemerograman WEB

12
 e. Variabel Nilai Rata-rata Kepribadian dikonversikan dengan bilangan
fuzzy dibawah ini.

Tabel 3.7 Nilai Rata-rata Kepribadian

Selanjutnya adalah membuat matriks keputusan berdasarkan kriteria (Ci),

dan melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan
dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh
matriks ternormalisasi R.

Contoh hasil pendataan dari calon peserta lomba. Dimana data-data yang
dimasukan sesuai dengan data yang sebenarnya dan sesuai dengan kriteria yang
sudah ditentukan melalui proses perhitungan.

13
 Nama
NISN (C21) (C2) (C3) (C4) (C5)
Siswa

8273 Maulana 1 95 93 97 98

1402 Nana 2 93 90 95 74

3689 Fatimah 3 90 70 98 97

8837 Nurhayati 4 90 89 94 94

7383 Leha 5 75 87 92 91

Tabel 3.8 Masukan Data Awal Siswa Calon Peserta

Nama
NISN (C21) (C2) (C3) (C4) (C5)
Siswa

8273 Maulana 1,00 1,00 1,00 1,00 1,00

1402 Nana 1,00 1,00 1,00 1,00 0,75

3689 Fatimah 0,75 1,00 0,75 1,00 1,00

8837 Nurhayati 0,75 1,00 1,00 1,00 1,00

7383 Leha 0,5 0,75 1,00 1,00 1,00

Tabel 3.9 Masukan Data Siswa Calon Peserta

Berdasarkan pada tabel 3.8 diatas, dapat dibentuk matriks keputusan X dengan
data tersebut:

1 1 1 1 1
1 1 1 1 0,75
𝑅 = 0,75 1 0,75 1 1
0,75 1 1 1 1
( 0,5 0,75 1 1 1 )

14
Keterangan :

Max Xij = Nilai terbesar dari setiap kriteria i.

Min Xij = Nilai terkecil dari setiap kriteria i.

Xij = Nilai atribut yang dimiliki dari setiap kriteria.

Benefit = Jika nilai terbesar adalah yang terbaik.

Cost = Jika nilai terkecil adalah yang terbaik.

rij = Nilai rating kinerja ternormalisasi

a. Peringkat Rangking (C1)

1 1
R11 = = =1
max(1; 1; 0,75; 0,75; 0,5) 1
1 1
R12 = = =1
max(1; 1; 1; 1; 0,75) 1
1 1
R13 = = =1
max(1; 1; 0,75; 1; 1) 1
1 1
R14 = = =1
max(1; 1; 1; 1; 1) 1
1 1
R15 = = =1
max(1; 0,75; 1; 1; 1) 1

15
b. Nilai Rata-rata Pemerograman Visual Basic (C2)
1 1
R21 = = =1
max(1; 1; 0,75; 0,75; 0,5) 1
1 1
R22 = = =1
max(1; 1; 1; 1; 0,75) 1
1 1
R23 = = =1
max(1; 1; 0,75; 1; 1) 1
1 1
R24 = = =1
max(1; 1; 1; 1; 1) 1
0,75 0,75
R25 = = = 0,75
max(1; 0,75; 1; 1; 1) 1

c. Nilai Rata-rata Pemerograman Java (C3)

0,75 0,75
R31 = = = 0,75
max(1; 1; 0,75; 0,75; 0,5) 1
1 1
R32 = = =1
max(1; 1; 1; 1; 0,75) 1
0,75 0,75
R33 = = = 0,75
max(1; 1; 0,75; 1; 1) 1
1 1
R34 = = =1
max(1; 1; 1; 1; 1) 1
1 1
R35 = = =1
max(1; 0,75; 1; 1; 1) 1

16
d. Nilai Rata-rata Pemerograman WEB (C4)
0,75 0,75
R41 = = = 0,75
max(1; 1; 0,75; 0,75; 0,5) 1
1 1
R42 = = =1
max(1; 1; 1; 1; 0,75) 1
1 1
R43 = = =1
max(1; 1; 0,75; 1; 1) 1
1 1
R44 = = =1
max(1; 1; 1; 1; 1) 1
1 1
R45 = = =1
max(1; 0,75; 1; 1; 1) 1

e. Nilai Rata-rata Kepribadian (C5)

0,5 0,5
R51 = = = 0,5
max(1; 1; 0,75; 0,75; 0,5) 1
0,75 0,75
R52 = = = 0,75
max(1; 1; 1; 1; 0,75) 1
1 1
R53 = = =1
max(1; 1; 0,75; 1; 1) 1
1 1
R54 = = =1
max(1; 1; 1; 1; 1) 1
1 1
R55 = = =1
max(1; 0,75; 1; 1; 1) 1

17
Hasil Normalisasi:

1 1 1 1 1
1 1 1 1 0,75
𝑅 = 0,75 1 0,75 1 1
0,75 1 1 1 1
( 0,5 0,75 1 1 1 )

3. Untuk mencari nilai prefensi dari setiap alternatif adalah dengan cara
menjumlahkan hasil kali antara matriks ternormalisasi dengan nilai
bobot. Berikut ini merupakan persamaan untuk mencari nilai preferensi
dari setiap alternatif yang telah ditentukan.

Keterangan:

Vi = Rangking untuk setiap alternatif.

Wj = Nilai bobot rangking (dari setiap kriteria).

rij = Nilai ratingkinerja ternormalisasi.

18
 Berikut ini merupakan perhitungan nilai preferensi dari setiap alternatif
yang telah ditentukan. Proses perangkingan dengan menggunakan bobot yang
telah diberikan oleh pengambil keputusan:

Bobot Kriteria

Peringkat Rangking 0,75

Nilai Rata-rata Pemerograman Visual Basic 0,5

Nilai Rata-rata Pemerograman Java 0,5

Nilai Rata-rata Pemerograman WEB 0,5

Nilai Rata-rata Kepribadian 0,25

Tabel 3.10 Table Bobot Keikteria

Maka:

W= [ 0,75 0,5 0,5 0,5 0,25 ]

Hasil yang diperoleh sebagai berikut:

V1 = (0.75 * 1) + (0.5 * 1) + (0.5 * 1) + (0.5 * 1) + (0.25 * 1)

= (0.75 + 0.5 + 0.5 + 0.5 + 0.25)

= 2.5

V2 = (0.75 * 1) + (0.5 * 1) + (0.5 * 1) + (0.5 * 1) + (0.25 * 0.75)

= (0.75 + 0.5 + 0.5 + 0.5 + 0.1875)

= 2.4375

V3 = (0.75 * 0.75) + (0.5 * 1) + (0.5 * 0,75) + (0.5 * 1) + (0.25 * 1)

= (0.5625 + 0.5 + 0,375 + 0.5 + 0.25)

= 2,1875

19
V4 = (0.75 * 0.75) + (0.5 * 1) + (0.5 * 1) + (0.5 * 1) + (0.25 * 1)

= (0.5625 + 0.5 + 0.5 + 0.5 + 0.25)

= 2,3125

V5 = (0.75 * 0.5) + (0.5 * 0,75) + (0.5 * 1) + (0.5 * 1) + (0.25 * 1)

= (0.375 + 0,375 + 0.5 + 0.5 + 0.25)

= 1,5

Sehingga dapat dilihat hasil perangkingan setiap siswa dibawah ini:

NISN Alternatif Nama Siswa Akhir

8273 V1 Maulana 2,5

1402 V2 Nana 2,4375

3689 V3 Fatimah 2,1875

8837 V4 Nurhayati 2,3125

7383 V5 Leha 1,5

Tabel 3.11 Perankingan Siswa Peserta Olimpiade

Dari perhitungan diatas didapat V1 (Maulana) dan alternatif V2 (Nana)

merupakan nilai terbesar sehingga diperoleh sebagai alternatif terbaik.

20
 21

BAB IV

PENUTUP

4.1 Kesimpulan
Berdasarkan hasil analisis yang didapatkan, maka dapat diambil beberapa
kesimpulan diantaranya sebagai berikut:

1. Peringkat rangking tidak menjadi prioritas dalam pemilihan siswa yang

dapat mengikuti lomba kompetensi siswa.
2. Sistem pendukung keputusan ini dapat mempermudah sekolah kejuruan
dalam menentukan peserta lomba kompetensi siswa.
3. Dengan menerapkan metode SAW sistem yang dirancang mampu
menampilkan hasil keputusan pemilihan calon peserta lomba kompetensi
siswa berdasarkan kriteria nilai yang diinputkan.
4. Sistem yang dibuat mampu memberikan hasil rekomendasi keputusan
yang sesuai, berdasarkan kriteria kriteria peringkat rangking , Nilai Rata-
rata Pemerograman Visual Basic, Nilai Rata-rata Pemerograman Java,
Nilai Rata-rata Pemerograman WEB, dan Nilai Rata-rata Kepribadian.
5. Informasi hasil perhitungan sejumlah data menunjukan pencapaian yang
diharapkan dalam waktu yang cepat.
6. Sistem memberikan ketersediaan untuk menambah kriteria dan merubah
bobot tiap kriteria sehingga memberikan peluang pengelola sistem untuk
melakukan pembaharuan.

4.2 Saran
Adapun saran yang dapat diberikan setelah menyusun makalah ini adalah
sebagai berikut:

1. Sistem pendukung keputusan dengan menggunakan metode SAW dapat

diaplikasikan pada kasus lain.
2. Metode dapat dikembangkan menjadi sistem pendukung apa saja yang
mempunyai konsep kerja yang hampir sama dengan konsep awal dari
sistem pendukung keputusan ini.
3. Sistem dapat dikembangkan dengan menggunakna metode Sistem
Pendukung Keputusan yang lain, ataupun hibrit beberapa metode SPK.
4. Sistem dapat dikombinasikan atau dikembangkan dengan metode Fuzzy.

22
 DAFTAR PUSTAKA

[1] Fauziah Zainuddin, Norlin Mohd Ali, Roslina Mohd Sidek, Awanis Romli,
Nooryati Talib & Mohd. Izham Ibrahim (2009) “Conceptual Modeling for
Simulation: Steaming frozen Food Processing in Vending Machine” International
Conference on Computer Science and Information Technology, University
Malaysia Pahang, pp.145-149.

[4] Peter Minns & Ian Elliott, “FSM-based Digital Design using Verilog HDL”,
John Wiley & Sons Ltd 2008.

[5] Zhang Wen & Zhang Xin Long (2010) “Design and Implementation of
automatic vending machine Based on the short massage payment” International
Conference on Information and Communication technology in Electrical
Sciences, Neijiang, Sichuan, China.pp.978-981.

[6] B. Caulfield & M.O Mahony (2005) “Passenger Requirements of a Public

Transport Ticketing System” Proceedings of the 8th International IEEE
Conference on Intelligent Transportation Systems Vienna, Austria, pp-32-37.

[7] M. Zhou, Q. Zhang & Z. Chen (2006), “What Can Be Done to Automate
Conceptual Simulation Modelling?” Proceedings of the 2006 Winter Simulation
Conference, pp. 809 – 814.

[8] Biplab Roy & Biswarup Mukherjee (2010) “Design of Coffee Vending
Machine using Single Electron Devices” Proceedings of 2010 International
Symposium on Electronic System Design. Pp 38-43.
[9] C. J Clement Singh, K Senthil Kumar, Jayanto Gope, Suman Basu & Subir
Kumar Sarkar (2007) “ Single Electron Device based Automatic Tea Vending
Machine” proceedings of International Conference on Information and
Communication Technology in Electrical Sciences (ICTES 2007) , pp
891-896.
[10] P. Smith (1997) “Automatic Hot-food Vending Machine,” Trends in Food
Science & Technology October 1997, Vol. 81, and pp. 349.

23
[11] M. Zhou, Y. J. Son, & Z. Chen, (2004), “Knowledge Representation for
Conceptual Simulation Modeling” Proceedings of the 2004 Winter Simulation
Conference, pp. 450 – 458.
[12] J.Komer (2004) “Digital logic and state machine design”, 2nd ed., Oxford.
[13] Muhammad Ali Qureshi, Abdul Aziz & Hafiz Faiz Rasool “Design and
Implementation of Automatic Ticket System using Verilog HDL” proceedings of
tnternational conference on Information Technology, pp- 707-712.
[14] Steve Kilts,” Advanced FPGA Design: Architecture, Implementation, and
optimization”, Wiley-IEEE press, 2007.
[15] Seyed Bahram Zahir Azami & Mohammad Tanabian “Automatic Mobile
Payment on a non- Connected Vending Machine” proceedings of Canadian
Conference on Electrical and Computer Engineering, 2004, pp- 731-734.

24
 DAFTAR RIWAYAT HIDUP OKKY PRASETYO

A. Biodata mahasiswa
NIM : 160101051
Nama Lengkap : Okky Prasetyo
Tempat & Tanggal Lahir : Depok, 11 Oktober 1998
Alamat lengkap : Perum. Prima sepang permai blok D1/16 Rt/Rw 004/001
Serang - Banten

B. Riwayat pendidikan formal & non-formal

1. SDI Al-Munawwaroh Serang - Banten, Lulus Tahun 2010
2. Madrasah Tsanawiyah Negeri 1 Kota Serang, Lulus Tahun 2013
3. Madrasah Aliyah Negeri 1 Kota Serang, Lulus Tahun 2016

C. Riwayat pengalaman berorganisasi / pekerjaan

1. Anggota pada SILAMBA(Silat Banten) (2014)

Banten 28 Maret 2018

Saya yang bersangkutan.

Okky Prasetyo

25
 DAFTAR RIWAYAT HIDUP ROMA DEBRIAN

A. Biodata mahasiswa
N.I.M : 160101059
Nama Lengkap : Roma Debrian
Tempat & Tanggal Lahir : Jakarta, 04 Desember 1998
Alamat lengkap : Jl.GG.H,Nawi no.17 Rt.6 Rw.13 Jawa Barat

B. Riwayat pendidikan formal & non-formal

1. SD ATTAQWA 27 Pagi, Lulus Tahun 2010
2. SMP ATTAQWA 09 Siang, Lulus Tahun 2013
3. SMK Pembangunan Nasional, Lulus Tahun 2016

C. Riwayat pengalaman berorganisasi / pekerjaan

1. Anggota Osis bagian Informasi di SMK Pembangunan Nasional tahun
akademik 2014/2015

Banten 28 Maret 2018

Saya yang bersangkutan.

Roma Debrian

26
DAFTAR RIWAYAT HIDUP ALVIAN ABDUR RAHMAN
WAHID

A. Biodata mahasiswa
N.I.M : 160101005
Nama Lengkap : Alvian Abdur Rahman Wahid
Tempat & Tanggal Lahir : Jakarta, 24 Maret 1998
Alamat lengkap : Jl. Haji Abu Bakar RT 016/007

B. Riwayat pendidikan formal & non-formal

1. SD Nurul Islam 2, Lulus Tahun 2010
2. SMPN 32 jakarta, Lulus Tahun 2013
3. SMKN 9 jakarta, Lulus Tahun 2016

C. Riwayat pengalaman berorganisasi / pekerjaan

1. PT Angkutan Utama Jakarta

Banten 28 Maret 2018

Saya yang bersangkutan.

Alvian Abdur Rahman Wahid

27
 DAFTAR RIWAYAT HIDUP RIYAN SUBEKTI

A. Biodata mahasiswa
N.I.M : 160101058
Nama Lengkap : Riyan Subekti
Tempat & Tanggal Lahir : Kendal, 14 Juni 1998
Alamat lengkap : Jl.Menteng Jaya RT05/RW08 No.35

B. Riwayat pendidikan formal & non-formal

4. SDN Pegangsaan 01 Pagi, Lulus Tahun 2010
5. SMPN 8 Jakarta, Lulus Tahun 2013
6. SMKN 2 Jakarta, Lulus Tahun 2016

C. Riwayat pengalaman berorganisasi / pekerjaan

2. Mengikuti pelatihan robotik selama 3 hari
3. PKL di Departement Kesehatan bagian pembuatan website selama 3
Bulan

Banten 28 Maret 2018

Saya yang bersangkutan.

Riyan Subekti

28
 DAFTAR RIWAYAT HIDUP MUHAMMAD FAISAL ZUHDI

A. Biodata mahasiswa

Nama : Muhammad Faisal Zuhdi

Tempat, Tanggal Lahir : Jakarta, 15 February 1998
Jenis Kelamin : Laki - Laki
Agama : Islam
Kewarganegaraan : Indonesia
Alamat : Jl. Ismail on 8
Telepon : 085313926448 (HP)

B. Riwayat pendidikan formal & non-formal

2004 – 2010 : SDI AL-FALAH II PAGI

2010 – 2013 : SMP NEGERI 271 JAKARTA
2013 – 2016 : SMK MUHAMMADIYAH 9 JAKARTA

C. Kemampuan
1. Kemampuan Komputer Instalasi, Programer, Troubleshooting, Ms Word.
2. Kemampuan Bahasa : Berbicara Bahasa Ingriss, dan Menulis Bahasa
Inggris

Banten 28 Maret 2018

Saya yang bersangkutan.

Muhammad Faisal Zuhdi

29