Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425

METODE SIMPLE ADDITIVE WEIGHTING DALAM MENENTUKAN

JUMLAH MENGAJAR PADA LEMBAGA BIMBINGAN BELAJAR
(STUDI KASUS : BT/BS PRESTASI MEDAN)
Noferianto Sitompul

Dosen Tetap Program Studi Manajemen Informatika STMIK Budi Darma Medan
Jl. Sisingamangaraja No. 338 Simpang Limun Medan
www.stmik-budidarma.ac.id // Email:riantompula@gmail.com

ABSTRAK
Dalam proses pembangunan sistem pendukung keputusan untuk menentukan jumlah mengajar menggunakan
Fuzzy Multiple Attribute Decission Making (FMADM) dengan metode Simple Additive Weighting (SAW).
Metode ini dipilih karena mampu menyeleksi alternative terbaik dari sejumlah alternatif, dalam hal ini alternatif
yang dimaksudkan yaitu pembimbing (tentor) yang berhak menerima jumlah mengajar terbanyak berdasarkan
kriteria-kriteria yang ditentukan. Penelitian dilakukan dengan mencari nilai bobot untuk setiap alternatif,
kemudian dilakukan proses perankingan yang akan menentukan alternatif yang optimal, yaitu pembimbing
(tentor) yang terbaik. Berdasarkan hasil pengujian, sistem yang dibangun dapat membantu para pengambil
keputusan dalam menentukan jumlah mengajar, dapat mempercepat proses pendistribusian jumlah mengajar,
dapat mengurangi kesalahan dalam menentukan jumlah mengajar, dan dapat mempermudah para pengambil
keputusan dalam menentukan jumlah mengajar.

Kata Kunci : SPK, FMADM, SAW, Alternatif

1. Pendahuluan suatu sistem yang mendukung proses penentuan

1.1 Latar Belakang Masalah
Setiap lembaga pendidikan khususnya lembaga
pendidikan non formal seperti lembaga bimbingan
belajar atau bimbingan studi masalah pemberian
jumlah mengajar pada seorang pembimbing (tentor)
adalah hal yang sangat penting. Hubungannya
langsung kepada penghasilan (honor) yang diterima
oleh pembimbing tersebut. Salah satu contohnya
adalah Bimbingan Test dan Bimbingan Studi Prestasi.
Penerimaan penghasilan pembimbing (tentor)
pada bimbingan test dan bimbingan studi Prestasi
tergantung kepada berapa jumlah les mengajar yang
dibawakan per minggunya. Jumlah mengajar yang
didapat, tergantung kepada banyaknya jadwal
mengajar setiap minggunya per bidang studi sesuai
dengan jumlah group belajar yang ada pada tiap lokasi
belajar, yang dibagi oleh seorang supervisor untuk
tiap departemen ke beberapa pembimbing (tentor),
salah satu contoh departemennya adalah : Departemen
biologi
Proses pembagian jumlah mengajar dilakukan
masih menggunakan sistem manual, dimana jumlah
mengajar pembimbing (tentor) per minggunya didapat
dari nilai angket (questioner) yang dibagikan kepada
siswa-siswi terhadap pelayanan pengajaran yang
diberikan oleh seorang pembimbing. Masalah yang
muncul adalah bagaimana kalau seorang pembimbing
yang hanya punya 1 les mengajar mendapat nilai
angket yang tinggi, apakah layak mendapatkan les
yang banyak dibanding seorang pembimbing yang
mengajar lebih dari 1 les mengajar setiap minggunya
yang mempunyai angket terendah?
Proses pembagian jadwal mengajar secara manual
masih kurang efektif. Oleh karena itu, perlu adanya
Metode Simple Additive Weighting Dalam Menentukan Jumlah Mengajar Pada Lembaga Bimbingan
Belajar (Studi Kasus : Bt/Bs Prestasi Medan). Oleh : Noferianto Sitompul
jumlah mengajar, sehingga dapat mempersingkat
waktu penyeleksian dan dapat meningkatkan kualitas
keputusan.
Dalam penelitian ini di bangun Sistem Pendukung
Keputusan mengunakan metode Simple Additive
Weighting dalam penentuan jumlah mengajar pada
lembaga bimbingan belajar BT/BS Prestasi Medan.
1.2 Tujuan
Tujuan dari penelitian ini adalah mengaplikasikan
Metode Simple Additive Weighting dalam penentuan
jumlah mengajar pada lembaga bimbingan belajar
BT/BS Prestasi Medan
1.3 Batasan Masalah
Dalam penulisan penelitian ini, penulis
membatasi permasalahan sebagai berikut :
a. Metode SPK yang digunakan dalam penelitian ini
Menggunakan model Simple Additive Weighting
(SAW) dalam proses analisis dan perancangan.
b. Sampel data yang digunakan dalam penelitian ini
diperoleh dari Bimbingan Test dan Bimbingan
Studi Prestasi Medan.
2. Landasan Teori
2.1 Sistem Pendukung Keputusan
Sistem Pendukung Keputusan (Decision Support
System) sebagai sebuah sistem berbasis komputer
yang membantu dalam proses pengambilan keputusan.
Sistem Pendukung Keputusan sebagi sistem informasi
berbasis komputer yang adaptif, interaktif, fleksibel,
yang secara khusus dikembangkan untuk mendukung
solusi dari permasalahan manajemen yang tidak
terstruktur untuk meningkatkan kualitas pengambilan
173
keputusan (Henry Wibowo S, et al, 2009)
Definisi lain Sistem Pendukung Keputusan adalah
(1) sistem tambahan, (2) mampu untuk mendukung
analisis data secara ad hoc dan pemodelan keputusan,
(3) berorientasi pada perencanaan masa depan, dan (4)
digunakan pada interval yang tak teratur atau tak
terencanakan. Ada juga definisi yang menyatakan
bahwa Sistem Pendukung Keputusan adalah sistem
berbasis komputer yang terdiri 3 komponen
interaktif: (1) sistem bahasa mekanisme yang
menyediakan komunikasi diantara user dan
pelbagai komponen dalam Sistem Pendukung
Keputusan, (2) knowledge system- penyimpanan
knowledge domain permasalahan yang ditanamkan
dalam Sistem Pendukung Keputusan, baik sebagai
data ataupun prosedur, dan (3) sistem pemrosesan
permasalahan - link diantara dua komponen,
mengandung satu atau lebih kemampuan
memanipulasi masalah yang dibutuhkan untuk
pengambilan keputusan (Irfan Subakti, 2002).
2.2 Keuntungan Sistem Pendukung Keputusan
Adapun Keuntungan Sistem Pendukung Keputusan
(Irfan Subakti,2002) :
1. Mampu mendukung pencarian solusi dari masalah
yang kompleks.
2. Respon cepat pada situasi yang tak diharapkan
dalam kondisi yang berubah-ubah.
3. Mampu untuk menerapkan pelbagai strategi yang
berbeda pada konfigurasi berbeda secara cepat
dan tepat.
4. Pandangan dan pembelajaran baru.
5. Memfasilitasi komunikasi.
6. Meningkatkan kontrol manajemen dan kinerja.
7. Menghemat biaya.
8. Keputusannya lebih tepat.
9. Meningkatkan efektivitas manajerial, menjadikan
manajer dapat bekerja lebih singkat dan dengan
sedikit usaha.
10. Meningkatkan produktivitas analisis.
2.3 Komponen Sistem Pendukung Keputusan
Adapun Komponen dari Sistem Pendukung
Keputusan adalah:
1. Data Management. Termasuk database, yang
mengandung data yang relevan untuk pelbagai
situasi dan diatur oleh software yang disebut
Database Management Systems (DBMS).
2. Model Management. Melibatkan model finansial,
statistikal, management science, atau pelbagai
model kuantitatif lainnya, sehingga dapat
memberikan ke sistem suatu kemampuan analitis,
dan manajemen software yang diperlukan.
3. Communication(dialog subsystem). User dapat
berkomunikasi dan memberikan perintah pada
DSS melalui subsistem ini. Ini berarti menyediakan
antarmuka.
4. Knowledge Management. Subsistem optional ini
dapat mendukung subsistem lain atau bertindak
sebagai komponen yang berdiri sendiri (Irfan
Metode Simple Additive Weighting Dalam Menentukan Jumlah Mengajar Pada Lembaga Bimbingan
Belajar (Studi Kasus : Bt/Bs Prestasi Medan). Oleh : Noferianto Sitompul
Subakti, 2002)
Untuk dapat lebih jelas memahami model konseptual
SPK, perhatikan gambar 1
Gambar 1. Model Konseptual SPK
(Sumber : Irfan Subakti, 2002)
2.4 Fuzzy Multiple Attribut Decision Making
Fuzzy Multiple Attribute Decision Making
(FMADM) adalah suatu metode yang digunakan
untuk mencari alternatif optimal dan sejumlah
alternatif dengan kriteria tertentu. Inti dari FMADM
adalah menentukan nilai bobot setiap atribut kemudian
dilanjutkan dengan proses perankingan yang akan
menyeleksi alternatif yang sudah diberikan.
Pada dasarnya ada 3 pendekatan untuk mencari
nilai bobot atribut, yaitu pendekatan subyektif,
pendekatan obyektif dan pendekatan integrasi antara
subyektif dan obyektif. Masing-masing pendekatan
memiliki kelebihan dan kelemahan. Pada pendekatan
subyektif, nilai bobot ditentukan berdasarkan
subyektifitas dari para pengambil keputusan sehingga
beberapa factor dalam proses perangkingan alternatif
bisa ditentukan secara bebas. Sedangkan pada
pendekatan obyektif, nilai bobot dihitung secara
matematis sehingga mangabaikan subyektifitas dari
pengambil keputusan (Fitrah Rumaisa, S.T. dan Tanti
Nurafianti, 2010).
Ada beberapa metode yang dapat digunakan untuk
menyelesaikan masalah FADM antara lain :
(Apriansyah Putra dan Dinna Yunika Hardiyanti,
2011)
a. Simple Additive Weighting Method (SAW)
b. Weighted Product (WP)
c. ELECTRE
d. Technique for Order Preference by Similarity
to Ideal Solution (TOPSIS)
e. Analytic Hierarchy Process (AHP)
2.5 Metode Simple Additive Weighting (SAW)
Metode SAW sering juga dikenal istilah metode
penjumlahan terbobot. Konsep dasar metode SAW
adalah mencari penjumlahan terbobot dari rating
kinerja pada setiap alternatif pada semua atribut.
174
Metode SAW membutuhkan proses normalisasi
matriks keputusan (X) ke suatu skala yang dapat 4 C4 Jabatan
diperbandingkan dengan semua rating alternatif
yang ada. 5 C5 Nilai angket

Jika J atribut Jumlah mengajar

6 C6
keuntungan (benefit) sebelumnya

7 C7 Tingkatan Kelas

Jika J atribut Biaya (cost)

3.2 Analisa Kriteria dan Bobot
a. Kriteria Hari Mengajar, dikonversi dengan bilangan
Di mana : fuzzy di bawah ini :
rij = nilai rating kinerja ternormalisasi
xij = nilai atribut yang dimiliki dari setiap kriteria Tabel 2. Hari Mengajar
Max xij = nilai terbesar dari setiap kriteria Hari Bilangan Fuzzy
i Mengajar Bobot
Min xij = nilai terkecil dari setiap kriteria (hari)
i Sangat
benefit = jika nilai terbesar adalah terbaik 6 1
Banyak(SB)
cost = jika nilai terkecil adalah terbaik 5 Banyak (B) 0,75
3-4 Sedang (SD) 0,5
Dimana rij adalah rating kinerja ternormalisasi dari 2 Sedikit (S) 0.25
alternatif Ai pada atribut Cj; i=1,2,...,m dan j=1,2,...,n. Sangat Sedikit
Nilai preferensi untuk setiap alternatif (Vi) diberikan 1 0
(SS)
sebagai:
b. Kriteria Jam Mengajar, dikonversi dengan bilangan
fuzzy di bawah ini :
Tabel 3. Jam Kerja
Jam Kerja Bilangan Fuzzy
Keterangan : Bobot
(Jam)
Vi = rangking untuk setiap alternatif
wj = nilai bobot dari setiap kriteria Sangat
6 1
rij = nilai rating kinerja ternormalisasi Banyak(SB)
Nilai Vi yang lebih besar mengindikasikan bahwa 5 Banyak (B) 0,75
alternatif Ai lebih terpilih.(Heri Sulistiyo, 2009 dan 3-4 Sedang (SD) 0,5
Henry Wibowo S, 2010). 2 Sedikit (S) 0.25
Sangat Sedikit
1 0
3. Pembahasan dan Hasil (SS)
3.1 Analisa Kebutuhan Sistem
Pada proses pembuatan sistem pendukung c. Kriteria Status Pembimbing, dikonversi dengan
keputusan penentuan jumlah mengajar bagi tiap bilangan fuzzy di bawah ini :
pembimbing pada BT/BS Prestasi Medan, dibutuhkan
pembobotan pada setiap kriteria yang ada. Untuk Tabel 4. Status Pembimbing
penentuan jumlah mengajar ini ada 7 kriteria yang Status Bilangan
Bobot
akan digunakan. Dimana Kriteria C1 sampai C7 Pembimbing Fuzzy
adalah kriteria keuntungan (Benefit) Adapun kriteria- Menikah Baik (B) 1
kriteria tersebut yaitu : Belum Cukup
0,5
Menikah (C)
Tabel 1. Kriteria
Kriteri d. Kriteria Jabatan, dikonversi dengan bilangan fuzzy
No Keterangan di bawah ini :
a
Tabel 5. Jabatan
1 C1 Hari mengajar Jabatan Bilangan Fuzzy Bobot
Supervisor Sangat Tinggi (ST) 1
2 C2 Jam mengajar Tentor Tinggi (T)
0,75
Senior
Tentor Sedang (SD)
3 C3 Status pembimbing 0,5
Umum
Tentor Rendah (R) 0,25
Metode Simple Additive Weighting Dalam Menentukan Jumlah Mengajar Pada Lembaga Bimbingan 175
Belajar (Studi Kasus : Bt/Bs Prestasi Medan). Oleh : Noferianto Sitompul
 Jaga Tabel 9. Alternatif dan Kriteria Pembimbing
Altern Kriteria
e. Kriteria Nilai Angket, dikonversi dengan bilangan atif
fuzzy di bawah ini : C1 C2 C3 C4 C5 C6 C7

Ilham 1 1 0.5 1 1 0.25 0.75

Tabel 6. Angket 0.75
Nilai Bilangan Fuzzy Roy 0.5 0.5 0.5 0.25 1 0.25
Bobot 0.75
Angket Merry 0.5 0.5 0.5 0.25 1 0.25
800-1000 Standart (S) 1 0.75
Tidak Standart Paulina 1 0.5 1 0.25 1 0.75
0-799 0,5 0.75
(TS) Hendra 1 1 0.5 0.25 0.5 0.25

f. Kriteria Jumlah Mengajar Sebelumnya, dikonversi 3. Membuat matriks keputusan berdasarkan

dengan bilangan fuzzy di bawah ini : kriteria Ci, kemudian melakukan normalisasi
matriks berdasarkan persamaan yang
Tabel 7. Jumlah Mengajar Sebelumnya disesuaikan dengan jenis atribut sehingga
Jumlah Bilangan diperoleh matriks ternormalisasi R.
Mengajar Fuzzy
Bobot
Sebelumnya Berdasarkan pada tabel 9. di atas, dapat dibentuk
(les) matrik keputusan X dengan data berikut :
Sangat
>=15 1
Banyak (SB)
10-14 Banyak (B) 0,75
6-9 Cukup (C) 0,5
2-5 Sedikit (S) 0.25
Sangat Sedikit
1 0
(SS)

g. Kriteria Tingkatan Kelas, dikonversi dengan Analisa perhitungan matriks ternormalisasi untuk ke-5
bilangan fuzzy di bawah ini : pembimbing di atas :

Tabel 8. Tingkatan Kelas

Tingkatan Bilangan
Bobot
Kelas Fuzzy
4 SD – 12 Sangat Tinggi
SMA + (ST) 1
Intensive
7 SMP- 12 Tinggi (T)
SMA + 0,75
Intensive
4 SD – 9 SMP Sedang (SD) 0,5

3.3 Analisa Pembahasan dan Hasil

Berikut ini akan dilakukan analisa pembahasan Berdasarkan hasil perhitungan normalisasi
dan hasil yang diperoleh berdasarkan algoritma matriks X, maka dapat ditentukan matriks
FMDAM dengan melakukan perhitungan manual ternormalisasi R sebagai berikut :
menentukan jumlah mengajar menggunakan metode
SAW. Hasil akan diperoleh dengan mencari peringkat
prestasi pembimbing. Untuk contoh kasus dibawah ini
diambil contoh pada pembimbing yang mengajar
Kimia. Adapun langkah-langkah penyelesaiannya :
1. Menentukan kriteria-kriteria yang akan
dijadikan acuan dalam pengambilan
keputusan, yaitu Ci
2. Menentukan rating kecocokan setiap Setelah proses normalisasi dilakukan atau matrik
alternatif pada setiap kriteria. ternormalisasi sudah didapatkan, tahap selanjutnya
Untuk ke-2 langkah diatas dijelaskan pada adalah menentukan tingkat kepentingan setiap kriteria
tabel 9. dibawah ini : yang ditentukan oleh pengambil keputusan,
disimbolkan dengan (W):

Metode Simple Additive Weighting Dalam Menentukan Jumlah Mengajar Pada Lembaga Bimbingan 176
Belajar (Studi Kasus : Bt/Bs Prestasi Medan). Oleh : Noferianto Sitompul
 Tabel 10. Tingkat Kepentingan Setiap Kriteria
Kriteria Bilangan Fuzzy Bobot 4.2 Tampilan Form Pembobotan
(C1) Hari mengajar Sangat Penting (SP) 1
Gambar 3. merupakan tampilan form
(C2) Jam Kerja Sangat Penting (SP) 1 pembobotan berfungsi untuk mengubah nilai kriteria
yang diinput pada form input data pembimbing ke
(C3) Status pembimbing Penting (P) 0.75
bilangan fuzzy
(C4) Jabatan Penting (P) 0.75
(C5) Nilai angket Sangat Penting (SP) 1
(C6) Jumlah mengajar Penting(P) 0.75
sebelumnya sebelumnya
(C7) Tingkatan Kelas Penting (P) 0.75

Dari tabel 10, 7 kriteria yang ada diberi bobot

dengan mengubahnya ke bilangan fuzzy yaitu SP
(Sangat Penting) dengan nilai bobot 1, Penting (P)
dengan nilai bobot 0.75 jadi range bobot yang diambil
antara 0.75 – 1. Pembobotan nilai bilangan fuzzy
adalah :

Kemudian tahap terakhir untuk mendapatkan

proses perangkingan yaitu dengan cara mengalikan Gambar 3 Form Pembobotan
bobot (W) dengan matrik yang telah ternormalisasi(R)
seperti yang ada di bawah ini : 4.3 Tampilan Form Hasil Peringkat
Gambar 4. merupakan tampilan form hasil
V1=(1)(1)+(1)(1)+(0.75)(0.5)+(0.75)(1)+(1)(1)+(0.75)(0 peringkat berfungsi untuk menampilkan peringkat
.33)+(0.75)(1) = 5.12 nilai pembimbing berdasarkan proses perangkingan
V2=(1)(0.5)+(1)(0.5)+(0.75)(0.5)+(0.75)(0.25)+(1)(1)+(
0.75)(0.33)+(0.75)(1)= 3.56
V3=(1)(0.5)+(1)(0.5)+(0.75)(0.5)+(0.75)(0.25)+(1)(1)+(
0)(0.33)+(1)(1) = 3.56
V4=(1)(1)+(1)(0.5)+(0.75)(1)+(0.75)(0.25)+(1)(1)+(0.75
)(1)+(0.75)(1) = 4.94
V5=(1)(1)+(1)(1)+(0.75)(0.5)+(0.75)(0.25)+(1)(0.5)+(0.
75)(0.33)+(0.75)(1) = 4.06
Nilai tertinggi yang didapat itulah yang menjadi
prioritas pendistribusian jumlah mengajar terbanyak

4. Implementasi
4.1Tampilan Input Masukan Prestasi Pembimbing
Gambar 2. merupakan tampilan input data
prestasi berupa nilai bobot kriteria dari pembimbing Gambar 4 Form Hasil Peringkat

5. Kesimpulan
Kesimpulan yang dapat diambil setelah
melakukan penelitian penentuan jumlah mengajar
menggunakan metode Simple Additive Weighting
adalah :
1. Metode Simple Additive Weighting
merupakan salah satu metode yang
digunakan untuk pemecahan masalah dalam
penentuan jumlah mengajar pada suatu
Bimbingan Belajar karena proses
penentuannya dengan cara mencari rangking
tertinggi dari alternatif yang ada.
2. Alternatif yang digunakan dalam penentuan
Gambar 2 Form Input Data Prestasi Pembimbing jumlah mengajar menggunakan metode
Simple Additive Weighting adalah nama-
Metode Simple Additive Weighting Dalam Menentukan Jumlah Mengajar Pada Lembaga Bimbingan 177
Belajar (Studi Kasus : Bt/Bs Prestasi Medan). Oleh : Noferianto Sitompul
 nama pembimbing yang ada di setiap
departemen pada Bimbingan Test dan
Bimbingan Studi Medica dan kriteria yang
digunakan adalah : waktu mengajar, jam
mengajar, status pembimbing, jabatan, nilai
angket, jumlah mengajar sebelumnya dan
tingkatan kelas.
3. Penentuan perangkingan alternatif pada
metode Simple Additive Weighting ditentukan
oleh nilai bobot setiap kriteria, semakin
tinggi nilai bobot yang diberikan
kemungkinan atribut akan memperoleh
peringkat perangkingan teratas.

Daftar Pustaka

[1] Apriansyah Putra, Dinna Yunika Hardiyanti.

(2011). “Jurnal Penentuan Penerima Beasiswa
Dengan Menggunakan FUZZY MADM”
[2] Fitrah Rumaisa, S.T., Tanti Nurafianti (2010).
“Jurnal Sistem Pendukung Keputusan Kelulusan
Ujian Saringan Masuk Jalur PMDK Berdasarkan
Nilai Rata-Rata Matematika dan Bahasa
Inggris”
[3] Hery Sulistiyo. (2009). “Jurnal Sistem
Pendukung Keputusan Untuk Menentukan
Penerima Beasiswa Di SMA Negeri 6
Pandeglang”
[4] Irfan Surbakti. (2002). “ Sistem Pendukung
Keputusan”. Surabaya
[5] Sri Kusumadewi. (2006). “Fuzzy Multiple
Atribute Decision Making (FUZZY MADM)”.
Yogyakarta. Graha Ilmu

Metode Simple Additive Weighting Dalam Menentukan Jumlah Mengajar Pada Lembaga Bimbingan 178
Belajar (Studi Kasus : Bt/Bs Prestasi Medan). Oleh : Noferianto Sitompul