JuTI “Jurnal Teknologi Informasi”

Fakultas Teknologi Informasi

Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

IMPLEMENTASI METODE SIMPLE ADDITIVE WEIGHTING (SAW)

UNTUK PEMILIHAN BUS TERBAIK PADA PT. TOSCA WISATA
TRANS MENGGUNAKAN JAVA
Muhammad Fakhri Ramadhani Aryandi1

1 Fakultas Teknik dan Ilmu Komputer, Universitas Indraprasta PGRI

Jl. Raya Tengah No.80 Kelurahan Gedong, Pasar Rebo, Indonesia
1 fakhriramadhani2020@gmail.com

Disubmit: 20-02-23; diterima: 20-03-23; dipublikasikan: 20-04-23

Cara mengutip:
M. Fakhri Ramadhani A., "Implementasi Metode Simple Additive Weighting (SAW) Untuk Pemilihan Bus Terbaik pada PT. Tosca Wisata Trans Menggunakan
Java",JuTI "Jurnal Teknologi Informasi", Vol. 1,No. 2, pp.1 – 7, Februari 2023, DOI: 10.26798/juti.v1i2.xxx

Ringkasan

Tujuan dari penelitian ini adalah pengimplementasian metode simple additive weighting (SAW)
sebagai sistem pendukung keputusan dalam memilih bus terbaik pada PT. Tosca Wisata
Trans. Dengan adanya sistem pendukung keputusan ini diharapkan PT. Tosca Wisata Trans
dapat mengambil keputusan untuk memilih bus terbaik dengan lebih cepat dan efisien. Hasil
dari penelitian ini diharapkan dapat memberikan manfaat yang signifikan bagi PT. Tosca Wisata
Trans dalam memilih bus dengan lebih cepat dan efisien. Selain itu, penelitian ini juga
diharapkan dapat memberikan kontribusi terhadap pengembangan dan pengimplementasian
sistem pendukung keputusan dengan metode simple additive weighting (SAW) bagi
perusahaan lainnya

Kata kunci: Pemilihan Bus, Sistem Pendukung Keputusan, SAW, Informatika, JuTI, Artikel

Abstract

The purpose of this research is the implementation of the simple additive weighting (SAW)
method as a decision support system in choosing the best bus at PT Tosca Wisata Trans. With
this decision support system, it is hoped that PT. Tosca Wisata Trans can make decisions to
choose the best bus more quickly and efficiently. The results of this study are expected to
provide significant benefits for PT Tosca Wisata Trans in choosing buses more quickly and
efficiently. In addition, this research is also expected to contribute to the development and
implementation of decision support systems with the simple additive weighting (SAW) method
for other companies.

KeyWords: Bus Selection, Decision Support System, SAW, Informatics, JuTI, Articles

1. Pendahuluan
Pada era teknologi informasi ini, sangat dibutuhkan informasi dalam berbagai bentuk yang
dimana dapat menunjang dalam pengambilan keputusan secara cepat dan efisien. Informasi
yang dibutuhkan haruslah tepat dan valid sehingga dalam pengambilan keputusan akan dapat
dilakukan secara cepat dan efisien dan juga hasilnya sesuai dengan kriteria yang sudah
ditetapkan. Kebutuhan akan informasi saat ini sudah menjadi prioritas utama untuk para
decision maker (pengambil keputusan) dalam mengelola perusahaan.
Berdasarkan hal tersebut, kebutuhan utama pada perusahaan-perusahaan saat ini telah beralih
ke kebutuhan informasi. Dan pada era teknologi informasi kini dan juga dalam sebuah instansi

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
JuTI “Jurnal Teknologi Informasi”
Fakultas Teknologi Informasi
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

saat ini, komputer sudah menjadi sebuah alat atau prasarana yang sangat dibutuhkan untuk
membantu pekerjaan, menyelesaikan pekerjaan maupun memecahkan sebuah masalah pada
perusahaan masing-masing. Karena tidak dapat dipungkiri, dengan menggunakan komputer,
pengerjaan suatu hal dalam suatu perusahaan menjadi lebih cepat dan efisien.
Pada PT. Tosca Wisata Trans misalnya, perusahaan yang berdiri sejak tahun 2021 sebagai
perusahaan yang bergerak di bidang travel. Untuk saat ini, sistem yang berjalan masih memiliki
banyak kekurangan seperti dalam pengambilan keputusan memilih bus terbaik masih secara
manual yang dimana menyebabkan efisiensi waktu berkurang dan dapat menyebabkan kinerja
perusahaan terhambat. Oleh karena itu, cara tradisional dan manual yang biasanya digunakan
untuk mengumpulkan informasi sudah tidak dapat digunakan lagi secara maksimal dalam
memenuhi kebutuhan perusahaan akan informasi yang akurat dan efisien.
Dengan memanfaatkan perkembangan teknologi seperti komputer yang telah banyak
membantu manusia dalam mengerjakan pekerjaan menjadi lebih mudah, cepat, dan efisien.
Penulis mencoba membuat sistematis yang sudah dikomputerisasi dalam pengambilan
keputusan bus terbaik. Maka berdasarkan uraian di atas, sangat menarik untuk melakukan
penelitian terhadap sistem pendukung pengambilan keputusan bus terbaik pada perusahaan
tersebut, sehingga informasi yang ada dapat digunakan dan menghasilkan informasi yang
akurat dan efisien. Oleh karena itu penulis tertarik melakukan penelitian dengan tema
“Implementasi Metode Simple Additive Weighting (SAW) Untuk Pemilihan Bus Terbaik pada PT.
Tosca Wisata Trans Menggunakan Java”

2. Metode Penelitian
Metodologi yang digunakan oleh penulis dalam tugas akhir ini adalah metode Simple Additive
Weighting (SAW) yaitu salah satu metode yang digunakan dalam pengambilan keputusan multi-
kriteria. Metode ini digunakan untuk mengatasi situasi di mana kita perlu memilih alternatif
terbaik dari sejumlah kriteria yang berbeda.
Metode SAW menggunakan pendekatan yang relatif sederhana dan intuitif untuk membantu
pengambil keputusan dalam mengevaluasi alternatif berdasarkan beberapa kriteria. Proses
utama dalam metode ini adalah memberikan bobot kepada setiap kriteria yang relevan dengan
keputusan yang akan diambil. Bobot ini mencerminkan tingkat kepentingan atau preferensi
relatif dari masing-masing kriteria terhadap tujuan yang diinginkan. Berikut adalah langkah-
langkah umum dalam metode Simple Additive Weighting:

2.1. Identifikasi Kriteria

Langkah pertama adalah mengidentifikasi semua kriteria yang relevan untuk pengambilan
keputusan. Dalam kasus memilih busterbaik pada PT. Tosca Wisata Trans, kriteria yang penulis
siapkan antara lain:
1. Maintenance. Memilih unit bus dengan kondisi yang prima menjadi salah satu bahan
pertimbangan dalam memilih bus, semakin dekat jarak antara waktu ketika ingin
mengambil keputusan dan waktu terakhir kali unit bus dilakukan maintenance maka kondisi
unit bus semakin bagus.
2. Frekuensi Unit Digunakan. Selain maintenance, frekuensi berapa kali unit bus digunakan
dalam 1 bulan menjadi bahan pertimbangan selanjutnya. Karena, jika suatu unit bus sering
digunakan dalam satu bulan, maka menandakan bahwa unit bus tersebut dalam keadaan yang
prima. Selain itu juga, semakin sering suatu unit bus dipakai maka semakin sering juga
dilakukan maintenance.
3. Frekuensi Crew ke Tempat Tujuan. Selain frekuensi unit bus digunakan, frekuensi crew ke
tempat tujuan juga menjadi bahan pertimbangan. Semakin sering crew ke tempat tujuan,
maka perjalanan pun akan lebih nyaman dan efisien karena crew sudah hafal akan kondisi
jalan dan berbagai hal lainnya selama di perjalanan menuju tempat tujuan.
4. Fasilitas. Setiap unit bus pasti memiliki fasilitasnya masing-masing. Unit bus yang fasilitas

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
JuTI “Jurnal Teknologi Informasi”
Fakultas Teknologi Informasi
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

nya lengkap lebih berpeluang untuk dipilih dibanding unit bus yang fasilitas nya kurang
lengkap.
5. Harga. Biaya sewa bus termasuk fasilitas yang disediakan. Diluar biaya tambahan seperti
biaya bahan bakar, biaya parkir, atau biaya tol yang mungkin diperlukan selama perjalanan.

2.2. Normalisasi Data

Setelah kriteria diidentifikasi, langkah selanjutnya adalah normalisasi data. Hal ini dilakukan
untuk menghindari bias yang mungkin muncul dari skala atau satuan yang berbeda antara
kriteria. Normalisasi dilakukan dengan mengubah nilai-nilai kriteria ke dalam rentang skala yang
seragam, seperti skala 0 hingga 1.

2.3. Penentuan Bobot

Selanjutnya, kita perlu menentukan bobot untuk setiap kriteria. Bobot ini mencerminkan tingkat
kepentingan relatif dari masing-masing kriteria. Bobot dapat ditentukan melalui diskusi dengan
para ahli atau melalui pendekatan matematis.

2.4. Perhitungan Skor

Setelah bobot ditentukan, langkah selanjutnya adalah mengalikan bobot dengan nilai kriteria
yang telah dinormalisasi. Hasil perkalian ini menghasilkan skor untuk setiap alternatif pada
setiap kriteria. Skor ini mencerminkan tingkat kinerja atau kecocokan alternatif terhadap
masing-masing kriteria.

2.5. Penjumlahan Skor

Setelah skor untuk setiap alternatif dan kriteria dihitung, langkah terakhir adalah menjumlahkan
skor untuk setiap alternatif. Jumlah skor ini menunjukkan tingkat kinerja total atau kecocokan
alternatif terhadap semua kriteria yang dipertimbangkan.

2.6. Pengambilan Keputusan

Setelah penjumlahan skor dilakukan, alternatif dengan total skor tertinggi dianggap sebagai
alternatif terbaik yang dipilih. Secara keseluruhan, metode Simple Additive Weighting (SAW)
adalah metode yang sederhana dan intuitif dalam pengambilan keputusan multi-kriteria.
Meskipun memiliki beberapa kelemahan, metode ini dapat memberikan bantuan yang berguna
dalam memilih alternatif terbaik dari sejumlah kriteria yang berbeda.

3. Hasil dan Pembahasan

Dibawah ini merupakan pemaparan Algoritma untuk aplikasi pendukung keputusan pemilihan
bus terbaik pada PT. Tosca Wisata Trans menggunakan metode Simple Additive Weighting
(SAW). Penjelasan algoritma dari aplikasi yang dibuat dapat dijelaskan pada Gambar 1:

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
JuTI “Jurnal Teknologi Informasi”
Fakultas Teknologi Informasi
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

Gambar 1. Flowchart Metode SAW

3.1. Pembahasan Algoritma

Dibawah ini merupakan pemaparan Algoritma untuk aplikasi pendukung keputusan pemilihan
bus terbaik pada PT. Tosca Wisata Trans menggunakan metode Simple Additive Weighting
(SAW). Berikut ini penjelasan dari Gambar 1, yaitu:
1. Pertama memasukkan data nilai yang dijadikan acuan nilai untuk tiap alternatif dan
kriteria yang ada pada perhitungannya.
2. Selanjutnya memasukkan data bobot yang digunakan sebagai data pertimbangan nilai.
3. Selanjutnya memasukkan data alternatif atau bisa disebut juga data mengenai unit bus
yang ada.
4. Selanjutnya memasukkan data kriteria atau bisa disebut juga data mengenai
pertimbangan nilai berdasarkan unit bus.
5. Selanjutnya proses perhitungan nilai dengan menggunakan SPK metode SAW.
6. Terakhir tampilan nilai hasil akhir pada proses SPK metode SAW, yang nilainya jadi
ranking untuk menentukan mana alternatif yang terbaik.

Analisis penyelesaian dengan menerapkan metode Simple Additive Weighting (SAW) sebagai
berikut: Defi nisi masalah pada PT. Tosca Wisata Trans adalah kesulitan dalam menentukan
unit bus yang optimal untuk disewakan, maka dibuatlah sistem pemilihan unit bus dengan 5
bobot kriteria sebagai penilaian seleksi pemilihan unit bus.

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
JuTI “Jurnal Teknologi Informasi”
Fakultas Teknologi Informasi
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

Pada Tabel 4.1 Data Nilai Preferensi, menjelaskan bahwa nilai untuk tiap-tiap kriteria pada
alternatif yang ada.
Tabel 1. Data Nilai Preferensi

Kode Kriteria Nama Kriteria Atribut Bobot

K1 Maintenance cost 15%

K2 Frekuensi Unit benefit 15%

K3 Frekuensi Crew benefit 10%

K4 Fasilitas benefit 25%

K5 Harga cost 35%

Tabel di atas menyebutkan kriteria yang biasa menjadi bahan pertimbangan dalam memilih bus,
penjelasan dari tiap kriteria adalah sebagai berikut:

1. K1 (Maintenance) adalah selisih dari kapan terakhir kali unit bus dilakukan maintenance
atau perawatan dengan hari keputusan akan diambil, misal terakhir kali unit A1
dilakukan maintenance adalah 10 hari yang lalu, maka nilai A1 untuk K1 adalah 10.
Dan kriteria ini merupakan cost jadi semakin kecil angkanya, semakin baik.
2. K2 (Frekuensi Unit) frekuensi unit yang dimaksud adalah frekuensi unit digunakan
dalam 1 bulan terakhir, misal dalam 1 bulan terakhir unit A1 digunakan sebanyak 5 kali,
maka nilai A1 untuk K2 adalah 5. Kriteria ini merupakan benefit, jadi semakin besar
angkanya, semakin baik.
3. K3 (Frekuensi Crew) frekuensi crew yang dimaksud disini adalah sebarapa sering crew
atau kru ke tempat tujuan, misal kru A1 sudah melakukan perjalanan sebanyak 15 kali
ke tempat tujuan, maka nilai A1 untuk K3 adalah 15. Kriteria ini merupakan benefit, jadi
semakin besar angkanya, semakin baik.
4. K4 (Fasilitas) setiap unit bus pasti memiliki fasilitasnya masing-masing. Terdapat data
crips untuk kriteria 4 yaitu fasilitas, penjelasan mengenai data crips untuk kriteria 4 akan
dibahas pada Tabel 4.2
5. K5 (Harga) adalah faktor selanjutnya yang biasa menjadi bahan pertimbangan dalam
memilih bus, harga yang dimaksud disini adalah harga menyewa bus untuk satu kali
trip. Dan kriteria ini merupakan cost jadi semakin kecil angkanya, semakin baik.

Selanjutnya setelah menentukan data nilai, maka menentukan data crips yang ada, seperti
Tabel 4.2 Data Crips di bawah ini:

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
JuTI “Jurnal Teknologi Informasi”
Fakultas Teknologi Informasi
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

Tabel 2. Data Crips

Kode Kriteria Nama Kriteria Crips Nilai

K4 Fasilitas Hanya ada 1 dari 4 1

fasilitas
K4 Fasilitas Hanya ada 2 dari 4 2
fasilitas
K4 Fasilitas Hanya ada 3 dari 4 3
fasilitas
K4 Fasilitas Fasilitas lengkap 4

Data crips pada kriteria fasilitas mempunyai maksud yaitu, jika hanya terdapat 1 fasilitas dari 4
fasilitas yang hampir wajib ada pada bus pariwisata, maka nilai untuk kriteria adalah 1 dan
seterusnya. Sedangkan 4 fasilitas yang hampir wajib ada di bus pariwisata antara lain:
1. Karaoke
2. TV
3. Dispenser
4. Lampu Disko

Selanjutnya adalah menentukan nilai pada kriteria di setiap kategori-kategori yang ada, seperti
Tabel4.3 Data Alternatif di bawah ini:

Tabel 3. Data Alternatif

Kode Alternatif Nama Alternatif

A1 ARION245

A2 ARION246

A3 ARION247

A4 ARION248

A4 ARION249

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
JuTI “Jurnal Teknologi Informasi”
Fakultas Teknologi Informasi
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

Tabel 4. Data Nilai Alternatif

K1 K2 K3 K4 K5

A1 10 5 15 3 4000000

A2 10 3 10 3 4000000

A3 20 5 20 4 6000000

A4 15 4 16 4 5000000

A5 10 3 15 4 5000000

3.1.1. Tahap Normalisasi

Untuk melakukan normalisasi tabel pada tahap analisa, kita perlu memahami rumus berikut:

X ij
Max X ij
Rij =
Min X ij
X ij

Keterangan:

Rij = Rating kinerja ternormalisasi

Max ij = Nilai maksimum dari setiap baris dan kolom

Minij = Nilai minimum dari setiap baris dan kolom

X ij = Baris dan kolom dari matriks

Benefit adalah setiap elemen matriks dibagi dengan max dari baris matriks dan cost adalah min
dari kolom matriks dibagi dengan setiap elemen matriks.
Misal untuk kriteria K1, karena cost, maka kita cari min (10,10,20,15,10) = 10. Sehingga K1:
A1 = 10/10 = 1
A2 = 10/10 = 1
A3 = 10/20 = 0.5
A4 = 10/15 = 0.667

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
JuTI “Jurnal Teknologi Informasi”
Fakultas Teknologi Informasi
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

A5 = 10/10 = 1
Misal untuk kriteria K2, karena benefit, maka kita cari max (5,3,5,4,3) = 5. Sehingga K2:
A1 = 5/5 = 1
A2 = 3/5 = 0.6
A3 = 5/5 = 1
A4 = 4/5 = 0.8
A5 = 3/5 = 0.6
Misal untuk kriteria K3, karena benefit, maka kita cari max (15,10,20,16,15) = 20. Sehingga K3:
A1 = 15/20 = 0,75
A2 = 10/20 = 0.5
A3 = 20/20 = 1
A4 = 16/20 = 0.8
A5 = 15/20 = 0.75
Misal untuk kriteria K4, karena benefit, maka kita cari max (3,3,4,4,4) = 4. Sehingga K4:
A1 = 3/4 = 0.75
A2 = 3/4 = 0.75
A3 = 4/4 = 1
A4 = 4/4 = 1
A5 = 4/4 = 1
Misal untuk kriteria K5, karena cost, maka kita cari max
(4000000,4000000,6000000,5000000,5000000) = 4000000. Sehingga K5:
A1 = 4000000/4000000 = 1
A2 = 4000000/4000000 = 1
A3 = 4000000/6000000 = 0.67
A4 = 4000000/5000000 = 0.8
A5 = 4000000/5000000= 0.8

Tabel 5. Matriks Kriteria Tahap Normalisasi

K1 K2 K3 K4 K5

A1 1 1 0.75 0.75 1

A2 1 0.6 0.5 0.75 1

A3 0.5 1 1 1 0.667

A4 0.667 0.8 0.8 1 0.8

A5 1 0.6 0.75 1 0.8

3.1.2. Tahap Perankingan

Pada tahap perangkingan, kita mengalikan nilai kepentingan yaitu bobot kriteria/total bobot
kriteria atau dalam kasus ini:
K1 = 15/100 = 0.15
K2 = 15/100 = 0.15
K3 = 10/100 = 0.1
K4 = 25/100 = 0.25

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
JuTI “Jurnal Teknologi Informasi”
Fakultas Teknologi Informasi
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

K5 = 35/100 = 0.35

Lalu dengan setiap baris matriks nilai normalisasi. Contoh:

A1 = (0.15*1)+(0.15*1)+(0.1*0.75)+(0.25*0.75)+(0.35*1) = 0.912
A2 = (0.15*1)+(0.15*0.6)+(0.1*0.5)+(0.25*0.75)+(0.35*1) = 0.827
A3 = (0.15*0.5)+(0.15*1)+(0.1*1)+(0.25*1)+(0.35*0.667) = 0.808
A4 = (0.15*0.667)+(0.15*0.8)+(0.1*0.8)+(0.25*1)+(0.35*0.8) = 0.83
A5 = (0.15*1)+(0.15*0.6)+(0.1*0.75)+(0.25*1)+(0.35*0.8) = 0.845

Tabel 6. Matriks Hasil Perankingan

K1 K2 K3 K4 K5
Alternatif/ 0.15 Total Rank
0.15 0.1 0.25 0.35
Kepentingan
A1 1 1 0.75 0.75 1 0.913 1
A2 1 0.6 0.5 0.75 1 0.828 4
A3 0.5 1 1 1 0.667 0.808 5
A4 0.667 0.8 0.8 1 0.8 0.83 3
A5 1 0.6 0.75 1 0.8 0.845 2

Hasil perankingan unit bus, menjelaskan bahwa hasil perangkingan dapat dilihat alternatif A1
yaitu ARION245 mendapat total nilai terbesar yaitu 0.913 sehingga menjadi ranking 1 (alternatif
terbaik).
Tabel 7. Hasil Akhir

Kriteria
Alternatif Maintenanc Frekuensi Frekuensi Hasil
e Unit Crew Fasilitas Harga
ARION245 1 1 0.75 0.75 1 0.913
ARION246 1 0.6 0.5 0.75 1 0.828
ARION247 0.5 1 1 0.667 0.667 0.808
ARION248 0.667 0.8 0.8 0.8 0.8 0.83
ARION249 1 0.6 0.75 0.8 0.8 0.845

Hasil akhir penilaian, menjelaskan hasil tahapan perhitungan nilai alternatif kriteria pada
implementasi program yang sudah dibuat berdasarkan perhitungan manual dan menjelaskan
bahwa aplikasi menampilkan hasil tahapan akhir yang dimana Alternatif ARION245 memiliki
ranking no 1 dan memiliki nilai sama seperti perhitungan secara manual yaitu 0.913.

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
JuTI “Jurnal Teknologi Informasi”
Fakultas Teknologi Informasi
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

4. Simpulan
Dengan dibuatnya aplikasi pendukung keputusan dalam pemilihan bus ini, semua kegiatan
yang berhubungan dengan pemilihan bus terbaik dapat berjalan dengan baik dan lancar. Pada
aplikasi ini, bagian pengambilan keputusan memilih bus terbaik dapat dengan cepat dan efisien
serta dapat diupdate dengan mudah. Dengan adanya aplikasi ini diharapkan akan
mempermudah kegiatan atau aktivitas pekerjaan yang memerlukan kecepatan dan ketetapan
dalam memilih bus terbaik. Kecepatan dan ketepatan hasil perancangan ini juga membutuhkan
partisipasi aktif dari pemakai sistem, terutama kedisiplinan para pelaksana yang menangani
secara langsung pada sistem yang dirancang. Dengan adanya jasa komputer sebagai alat
bantu, peneliti mempunyai simpulan dengan menggunakan sistem ini berdasarkan perumusan
masalah sebagai berikut:
1. Aplikasi pendukung keputusan lebih efektif dan cepat.
2. Dengan diterapkannya metode Simple Additive Weighting (SAW) dalam pemillihan bus
terbaik mengunakan Java merupakan salah satu langkah maju dan pengembangan dalam
penerapan teknologi informasi. Aplikasi pendukung keputusan yang peneliti buat hanya
sebagai penunjang proses dalam pengambilan keputusan memilih bus terbaik untuk
mengefisienkan waktu, setidaknya dapat membantu bagian pengambilan keputusan pada
aplikasi sistem yang dibuat.

Pustaka

Buku:
Kadir, A. (2015). Belajar sendiri pasti bisa - Pemrograman JAVA. Yogyakarta: ANDI.

Rahmansyah, N., & Armonitha Lusinia, S. (2021). Sistem pendukung keputusan. Padang:

Pustaka Galeri Mandiri.

Sianipar, R. (2015). Pemrograman java untuk programmer. Yogyakarta: ANDI.

Widodo, A. W., & Kurnianingtyas, D. (2017). Sistem basis data. Malang: UB Press.

Jurnal:
Azizah, N., Rahayu, S., & Adhista, N. (2017). Perancangan Sistem Informasi Penilaian Kinerja

Karyawan Spg Berstatus Kontrak Pada PT. Softex Indonesia Menggunakan Metode

Simple Additive Weighting (SAW). Journal Sensi, 3(2), 182–189.

https://doi.org/10.33050/sensi.v3i2.772

Giovani, A. P., Haryanti, T., & Kurniawati, L. (2020). Sistem Pendukung Keputusan Penerimaan

Siswa Baru dengan Metode Simple Additive Weighting (SAW) pada SMP Islam Al-

Azhar 6 Jakapermai Bekasi. SATIN (Sains Dan Teknologi Informasi), 6(1), 70–79.

https://doi.org/10.33372/stn.v6i1.611

Hermanto, H., & Izzah, N. (2018). Sistem pendukung keputusan pemilihan motor dengan

metode Simple Additive Weighting (SAW). Matematika Dan Pembelajaran, 6(2), 184.

https://doi.org/10.33477/mp.v6i2.669

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. 10
JuTI “Jurnal Teknologi Informasi”
Fakultas Teknologi Informasi
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)
DOI: 10.26798/juti.v1i2.xxx vol.1, No.2, Februari, e-ISSN: 2962-4118

Hutahaean, J., & Badaruddin, M. (2020). Sistem Pendukung Keputusan Pemilihan Sekolah

SMK Swasta Penerima Dana Bantuan Menerapkan Metode Simple Additive Weighting

(SAW). Media Informatika Budidarma, 4(2), 466. https://doi.org/10.30865/mib.v4i2.2109

Liesnaningsih, L., Oklawati, O., & Kasoni, D. (2019). Sistem Pendukung Keputusan Penilaian

Karyawan Terbaik Menggunakan Metode Simple Additive Weighting Pada PT. Trans

Retail Indonesia. JIKA (Jurnal Informatika). https://doi.org/10.31000/jika.v3i2.2202

Riyadi, A., Andryana, S., & Winarsih, W. (2021). Pemilihan Transportasi Bus Antar Kota Antar

Provinsi (AKAP) Dengan Metode Simple Additive Weighting (SAW), Weighted Product

(WP), dan Promethee Berbasis Android. Jurnal JTIK (Jurnal Teknologi Informasi Dan

Komunikasi), 5(3), 247. https://doi.org/10.35870/jtik.v5i3.177

Sigit, H. T., & Permana, D. (2017). Sistem pendukung keputusan pemilihan mobil LCGC

menggunakan Simple additive weighting. JSiI (Jurnal Sistem Informasi).

https://doi.org/10.30656/jsii.v4i0.371

Taufiq, R., & Permana, A. A. (2018). Sistem pendukung keputusan penerimaan karyawan

menggunakan simple additive weighting studi kasus PT. Trafoindo Prima Perkasa.

Jurnal Al-Azhar Indonesia: Seri Sains Dan Teknologi (E-journal), 4(4), 186.

https://doi.org/10.36722/sst.v4i4.309

Skripsi:
Aria Utami, F. (2016). Konstruksi Sosial Masyarakat Mengenai Perpustakaan Desa Di

Surabaya (Skripsi). Universitas Airlangga, Surabaya.

Permatasari, I. (2016). Sistem Pendukung Keputusan Untuk Menentukan Jurusan Pada SMK

Islam Kader Bangsa Menggunakan Metode SAW (Skripsi). Sekolah Tinggi Nusa

Mandiri, Jakarta.

Ronny Jatmiko, M. (2013). Sistem Pendukung Keputusan Untuk Pemilihan Lokasi

Pendistribusian Gula Pasir Menggunakan Metode Simple Additive Weighting (SAW)

(Skripsi). Universitas Islam Negeri Maulana Malik Ibrahim, Malang.

Copyright (c) 2023 - R. Kartadie

This Article is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. 11