SEMINAR PROPOSAL TUGAS AKHIR

PERBANDINGAN METODE MOORA DAN

TOPSIS DALAM SELEKSI PENERIMAAN
BANTUAN SISWA MISKIN (BSM) PADA SD
NEGERI LANCANG

MARIA FATIMA HANASURTI

NIM. 18103291

Dosen Pembimbing I
Devi Valentino Waas, S.S.Si.,M.Cs.

Dosen Pembimbing II
I Putu Yoga Indrawan, S.Kom.,M.Kom.

POGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI DAN INFORMATIKA
INSTITUT BISNIS DAN TEKNOLOGI INDONESIA
DENPASAR 2023

i
 KATA PENGANTAR
Puji syukur yang berlimpah penulis panjatkan kehadirat Tuhan
Yang Maha Esa karena atas berkat dan rahmat-Nya, laporan seminar yang
berjudul “Seleksi Penerimaan Bantuan Siswa Miskin (BSM) pada SD
Negeri Lancang menggunakan metode Multi-Objective Optimization
on The Basic of Ratio Analysis (MOORA) dan Technique for Order
Preference by Similarity (Topsis)” ini bisa diselesaikan tepat pada
waktunya.
Penyusunan laporan ini merupakan salah satu syarat untuk dapat
menyelesaikan Pendidikan strata 1 (S1) jurusan Teknik Informatika
Institut Bisnis Dan Teknologi Indonesia. Dengan selesainya laporan ini
tidak terlepas dari campur tangan berbagai pihak yang telah membantu
dalam membimbing dan membantu baik secara moral, materi, dan ilmu
pengetahuan. Untuk itu penulis menyampaikan terimakasih kepada :
1. Bapak I Dewa Made Krisna Muku S.T. M.T. selaku sebagai Rektor
Institut Bisnis dan Teknologi Indonesia.
2. Bapak Komang Kurniawan Widiartha, S.Kom., M.Cs. sebagai Dekan
Program Studi Teknik Informatika Institut Bisnis dan Teknologi
Indonesia.
3. Bapak Devi Valentino Waas, S.S.Si.,M.Cs. selaku pembimbing I
yang senantiasa meluangkan waktu memimbing, serta memberikan
masukan sehingga laporan seminar tugas akhir ini dapat diselesaikan.
4. Bapak I Putu Yoga Indrawan, S.Kom.,M.Kom. selaku pembimbing
II yang juga senantiasa meluangkan waktu memimbing, serta
memberikan masukan sehingga laporan seminar tugas akhir ini dapat
diselesaikan.
5. Bapak Antonius Supriadi,S.Pd,Gr selaku kepala sekolah yang telah
mengijinkan penulis melakukan penelitian di SD Negeri Lancang.
6. Kedua Orang tua yang selalu memberikan dukungan dan dorongan
bagi penulis.
7. Semua pihak yang telah membantu penulis dalam menyelesaikan
seminar ini yang tidak bisa disebutkan namanya satu persatu.
Akhir kata penulis mengharapkan semoga laporan ini bermanfaat dan
memberikan kontribusi lebih pada perkembangan ilmu pengetahuan bagi
kita semua.
Denpasar, 5 Januari 2022

Penulis
ii
 DAFTAR ISI

JUDUL.……………………………………………………………………...i
KATA PENGANTAR .................................................................................. ii
DAFTAR ISI ............................................................................................... iii
DAFTAR TABEL ...................................................................................... vii
DAFTAR GAMBAR ................................................................................... ix
DAFTAR LAMPIRAN ................................................................................ x
BAB I PENDAHULUAN ........................................................................... 1
1.1. Latar Belakang .................................................................................. 1
1.2. Rumusan Masalah ............................................................................. 3
1.3. Batasan Masalah ................................................................................ 3
1.4. Tujuan Penelitian............................................................................... 4
1.5. Manfaat Penelitian............................................................................. 4
1.6. Sitematika Penulisan ......................................................................... 4
BAB II TINJAUAN PUSTAKA ................................................................. 6
2.1 Penelitian Terdahulu ......................................................................... 6
2.2 Sistem .............................................................................................. 13
2.3 Perancangan Sistem......................................................................... 13
2.4 Sistem Pendukung Keputusan ......................................................... 13
2.5 Bantuan Siswa Miskin ..................................................................... 15
2.6 Multi-Objektive Optimization on The Basic of Ratio Analysis
(MOORA)” ............................................................................................ 15
2.7 Metode Technique Foe Other Peference by Similarity To Ideal
Solutioon (TOPSIS) ............................................................................... 18
2.8 Flowchart ........................................................................................ 19
2.9 Even List .......................................................................................... 21
2.10 Context Diagram ....................................................................... 22
iii
 2.11 Data Flow Diagram .................................................................. 22
2.12 Basis Data ................................................................................. 24
2.13 MySql........................................................................................ 25
2.12.1 Kelebihan MySQL ..................................................................... 25
2.14 Conceptual Data Model (CDM) ............................................... 25
2.15 Physical Data Model (PDM) .................................................... 28
2.16 Statement Of Purpose (SOP) ..................................................... 29
2.17 Metode Waterfall....................................................................... 29
2.18 Black Box Testing...................................................................... 30
BAB III ANLISIS DAN PERANCANGAN ............................................. 33
3.1 Tempat dan Waktu Penelitian ......................................................... 33
3.2 Metode Pengumpulan Data ............................................................. 33
3.2.1 Sumber Data Primer ............................................................. 33
3.2.2 Sumber Data Sekunder ......................................................... 33
3.3 Instrumen Perangkat Lunak............................................................. 34
3.4 Instrumen Perangkat Keras ............................................................. 34
3.5 Gambaran Umum Sistem ................................................................ 34
3.5.1 Analisis Sistem Yang Sedang Berjalan ............................ 35
3.5.2 Analisis Sistem Yang Diusulkan ...................................... 36
3.6 Analisis kebutuhan sistem ............................................................... 37
3.7 Perancangan Metode MOORA........................................................ 37
3.7.1 Menentukan Kriteria......................................................... 38
3.7.2 Penentuan Bobot Setiap Kriteria ...................................... 38
3.7.3 Perbaikan Bobot Setiap Kriteria ....................................... 38
3.7.4 Menentukan Tingkat Kepentingan Masing-Masing Kriteria
40
3.7.5 Tahapan Perhitungan MOORA ........................................ 43
3.8 Perancangan Metode Topsis ............................................................ 58
iv
 3.9.1 Tahap Perhitungan Metode Topsis ........................................... 59
3.9 Even List .......................................................................................... 82
3.10 Context Diagram ....................................................................... 83
3.11 Data Flow Diagram .................................................................. 83
3.11.1 Data Flow Diagram Level 0 ............................................. 83
3.11.2 DFD Level 1 Mengelola Data User .................................. 84
3.11.3 DFD Level 1 Mengelola Data Siswa ................................ 85
3.11.4 DFD Level 1 Mengelola Data Kriteria ............................. 86
3.11.5 DFD Level 1 Mengelolah Data Bobot .............................. 86
3.11.6 DFD Level 1 Mengelola Data Perhitungan ...................... 87
3.11.7 DFD Level 1 Mengelola Data Rekomendasi Beasiswa .... 88
3.11.8 DFD Level 1 Mengelola Data Validasi ............................ 88
3.11.9 DFD Level 1 Mengelola Data Laporan ............................ 89
3.12 Conceptual Data Model............................................................. 90
3.13 Physical Data Model ................................................................. 92
3.14 Perancangan Database............................................................... 93
3.14.1 Struktur Tabel User .......................................................... 93
3.14.2 Struktur Tabel Siswa ........................................................ 93
3.14.3 Struktur Tabel Orang Tua ................................................. 93
3.14.4 Struktur Tabel Kriteria ..................................................... 94
3.14.5 Struktur Tabel Bobot ........................................................ 94
3.14.6 Struktur Tabel Perhitungan............................................... 95
3.15 Perancangan User Interface ...................................................... 95
3.15.1 Perancangan Halaman Login Admin ................................ 95
3.15.2 Perancangan Halaman Utama........................................... 96
3.15.3 Perancangan Halaman Data Siswa ................................... 96
3.15.4 Perancangan Halaman Data Kriteria ................................ 97

v
 3.15.5 Perancangan Halaman Data Bobot ................................... 97
3.15.6 Perancangan Halaman Data Perhitungan ......................... 98
3.15.7 Perancangan Halaman Data Rekomendasi ....................... 98
3.15.8 Perancangan Halaman Data Validasi ............................... 99
3.15.9 Perancangan Halaman Data Laporan ............................. 100
3.16 Skenario Pengujian ................................................................. 100
DAFTAR PUSTAKA ............................................................................... 105
DAFTAR LAMPIRAN ............................................................................ 107
BIODATA PENULIS ............................................................................... 111

vi
 DAFTAR TABEL
Tabel 2. 1 Perbandingan Penelitian Terdahulu ............................................. 9
Tabel 2. 2 Simbol-simbol flowchart ........................................................... 19
Tabel 2. 3 Data Flow Diagram ................................................................... 22
Tabel 2. 4 Conceptual Data Model (CDM) ................................................ 27
Tabel 2. 5 Physical Data Model ................................................................. 28
Tabel 3. 1 Menetukan kriteria ..................................................................... 38
Tabel 3. 2 Penentuan Bobot Setiap Kriteria ............................................... 38
Tabel 3. 3 Perbaikan Bobot Kriteria ........................................................... 40
Tabel 3. 4 Parameter Nilai Ukur Jumlah Penghasilan Orang Tua/ Wali (C1)
.................................................................................................................... 40
Tabel 3. 5 Parameter Nilai Ukur Berdasarkan Pekerjaan Orang Tua/ Wali
(C2) ............................................................................................................. 41
Tabel 3. 6 Parameter Nilai Ukur Berdasarkan Kondisi Anak(C3).............. 41
Tabel 3. 7 Parameter Nilai Ukur Berdasarkan Jumlah Tanggungan Orang
Tua/ Wali (C5). .......................................................................................... 42
Tabel 3. 8 Parameter Nilai Ukur Berdasarkan Nilai Rapor (C6) ................ 42
Tabel 3. 9 Data Alternatif ........................................................................... 43
Tabel 3. 10 Ranting Kecocokan Alternatif ................................................. 44
Tabel 3. 11 Daftar Yi .................................................................................. 56
Tabel 3. 12 Menentukan Perangkingan ...................................................... 57
Tabel 3. 13 Matriks Keputusan ................................................................... 58
Tabel 3. 14 Data Seleksi Penerima BSM .................................................... 60
Tabel 3. 15 Matriks kecocokan Rangking Setiap Altenatif ........................ 61
Tabel 3. 16 Matriks Keputusan Ternormalisasi R ...................................... 65
Tabel 3. 17 Matriks Kriteria Berpasangan Metode MOORA ..................... 66
Tabel 3. 18 Hasil Perhitungan Ternormalisasi Terbobot ........................... 69
Tabel 3. 19 Matriks Solusi Ideal Positif Dan Solusi Ideal Negatif ............ 71
Tabel 3. 20 Jarak Solusi Ideal Positif dan Solusi Ideal Negatif ................. 76
Tabel 3. 21 Hasil Perhitungan Kedekatan Positif ....................................... 78
Tabel 3. 22 Menentukan Perangkingan TOPSIS ........................................ 79
Tabel 3. 23 Tabel Perbandingan Nilai Metode MOORA &TOPSIS .......... 80
Tabel 3. 24 Perangkingan ........................................................................... 81
Tabel 3. 25 Tabel User ............................................................................... 93
Tabel 3. 26 Tabel Siswa ............................................................................. 93
Tabel 3. 27 Tabel Orang Tua ..................................................................... 94
Tabel 3. 28 Tabel Kriteria........................................................................... 94
Tabel 3. 29 Tabel Bobot ............................................................................. 94
vii
Tabel 3. 30 Tabel Data Perhitungan ........................................................... 95
Tabel 3. 31 Skenario Pengujian ................................................................ 100

viii
 DAFTAR GAMBAR
Gambar 2. 1 Metode Waterfall ................................................................... 29
Gambar 3. 1 Sistem Yang Berjalan ............................................................ 35
Gambar 3. 2 Sistem yang diusulkan ........................................................... 36
Gambar 3. 3 Flowchar Metode Moora ....................................................... 37
Gambar 3. 4 Context Diagram .................................................................... 83
Gambar 3. 5 DFD Level 0 .......................................................................... 84
Gambar 3. 6 DFD Level 1 Mengelola Data User ....................................... 85
Gambar 3. 7 DFD Level 1 Mengelola Data Siswa ..................................... 85
Gambar 3. 8 DFD Level 1 Mengelolah Data Kriteria ................................ 86
Gambar 3. 9 DFD Level 1 Data Bobot ....................................................... 87
Gambar 3. 10 DFD Level 1 Mengelola Data Perhitungan .......................... 87
Gambar 3. 11 DFD Level 1 Mengelola Data Rekomendasi Beasiswa ....... 88
Gambar 3. 12 DFD Level 1 Mengelola Data Validasi ................................ 89
Gambar 3. 13 DFD Level 1 Mengelola Data Laporan ................................ 90
Gambar 3. 14 Conceptual Data Model ....................................................... 91
Gambar 3. 15 Physical Data Model ........................................................... 92
Gambar 3. 16 Perancangan Halaman Login Admin ................................... 95
Gambar 3. 17 Perancangan Halaman Menu Utama .................................... 96
Gambar 3. 18 Perancangan Halaman Data Siswa. ...................................... 96
Gambar 3. 19 Perancangan Halaman Data Kriteria. ................................... 97
Gambar 3. 20 Perancangan Halaman Data Bobot. ..................................... 97
Gambar 3. 21 Perancangan Halaman Data Perhitungan. ............................ 98
Gambar 3. 22 Perancangan Halaman Data Rekomendasi Beasiswa........... 99
Gambar 3. 23 Perancangan Halaman Data Siswa. ...................................... 99
Gambar 3. 24 Perancangan Halaman Laporan. ........................................ 100

ix
 DAFTAR LAMPIRAN
Lampiran 1 Data wawancara .................................................................... 107
Lampiran 2 Data Dokumentasi ................................................................. 108

x
Halaman Ini Sengaja Dikosongkan

xi
 BAB I
PENDAHULUAN
1.1. Latar Belakang
Menyadari bahwa pendidikan sangat penting, negara sangat
mendukung warga negaranya untuk meraih pendidikan setinggi-tinginya.
Beberapa diantaranya melakukan program pendidikan gratis dan program
beasiswa. Beasiswa dapat dikatakan sebagai pembiayaan yang tidak
bersumber dari pendanaan sendiri atau orang tua, akan tetapi diberikan
oleh pemerintah, perusahaan swasta, kedutaan, universitas, sertalembaga
penelitian atau peneliti. Biaya tersebut diberikan kepada orang yang
berhak sesuai dengan kriteria yang ditentukan. (Ardiansyah dan Industri,
2018).
SD Negeri Lancang merupakan salah satu sekolah penerima
Bantuan Siswa Miskin (BSM) dari Dinas Pendidikan dan kebudayaan
Kabupaten Manggarai Barat. SD Negeri Lancang memiliki jumlah siswa
212 orang (yang terdiri dari kelas 1 hingga kelas 6). Didirikan pada tahun
20008 dan mendapatkan kuota penyaluran dana BSM (Bantuan Siswa
Miskin) dari kementrian pendidikan sejak tahun 20009 sampai sekarang,
dan di SD Negeri Lancang mendapatkan kuota program bantuan siswa
miskin (BSM) yang tidak menentu setiap tahunnya. Anggaran dana BSM
(Bantuan Siswa Miskin) untuk tingkat Sekolah Dasar sebesar
Rp.1.000.000-/tahun untuk setiap siswa yang menerima bantuan. Dana
BSM disalurkan per semester, dengan jangka waktu pengambilan oleh
siswa penerima BSM selama tiga bulan setelah dana disalurkan.
Penerima BSM ditetapkan oleh pihak sekolah berdasarkan
mekanisme yang ditetapkan oleh Kementrian Pendidikan dan
Kebudayaan Republik Indonesia yaitu dengan mendistribusikan kuota ke
sekolah-selolah calon penerima Bantuan Siswa Miskin masing-masing
jenjang dengan mempertimbangkan Kondisi masyarakat tidak mampu,
Jumlah siswa miskin di sekolah, Pemerataan dan Prinsip keadilan.
Pemberian BSM ini dilakukan untuk membantu siswa yang orang tuanya
kurang mampu dalam membiayai pendidikan anaknya, orang tua miskin
atau rumah tangga miskin sesuai kriteria yang ada. Dalam menentukan
siapa yang layak menerima BSM ini perlu dilakukan pengolahan data
yang tepat agar diharapkan siswa yang benar-benar membutuhkan BSM
ini tercapai. Dalam penentuan penerimaan BSM ini siswa harus
memenuhi beberapa kriteria-kriteria seperti: Penghasilan orang tua atau
wali, pekerjaan orang tua atau wali, kondisi anak, jumlah tanggungan
orang tua atau wali dan nilai rapor. Proses seleksi dilakukan khusus untuk
siswa baru yang mendaftar sedangkan untuk siswa/siswi kelas dua dan
1
tiga tidak perlu melakukan seleksi lagi.
Pemilihan calon penerima BSM dan pembuatan laporan di SD
Negeri Lancang dilakukan dengan melakukan pengumpulan data dari
kelas satu yang akan diseleksi dan melakukan pencatatan dalam satu
laporan, setelah itu proses pemilihan calon penerima secara konversional
dengan membandingkan data siswa satu per satu sehingga tidak efisien
waktu dan memungkinkan terjadinya kesalahan dalam pencatatan data.
Selain itu pemilihan calon penerima beasiswa bersifat subjektif
berdasarkan asumsi dari tim penyeleksi BSM. Dalam penilaian setiap
kriteria belum menggunakan sebuat metode pendukung keputusan,
sehingga penilaian antar calon penerima masih menggunakan prediksi
atau perkiraan. Hal tersebut dikhawatirkan dapat menimbulkan kesalahan
dalam pemberian bantuan beasiswa miskin (BSM), dimana penelitian
dimana penilaian dilakukan berdasarkan kepentingan pribadi sehingga
menimbulkan kurang tepatnya penyaluran beasiswa Bantuan Siswa
Miskin (BSM). Oleh karena itu diperlukan teknologi berupa sebuah
sistem yang dapat membantu memberikan solusi untuk permasalahan
tersebut. Dengan dibangunya sebuah sistem pendukung keputusan yang
terkomputerisasi, maka kesalahan dalam pengambilan keputusan dapat
dikurangi dan diganti dengan pelaksanaan kriteria-kriteria yang telah
ditentukan.
Pembuatan sistem pendukung keputusan ini (SPK) ini diharapkan
dapat menyelesaikan permasalahan yang dihadapi dan sistem yang
dibangun nantinya mengunakan kriteria-kriteria yang relevan sehingga
hasil akhirnya siswa yang terpilih merupakan hasil penyeleksian dari
siswa yang paling tepat untuk siswa SD N Lancang. Adapun metode yang
digunakan dalam pengambilan keputusan seleksi beasiswa adalah Multi-
Objective Optimization on The Basic of Ratio Analysis (MOORA) dan
Technique for Order Preference by Similarity (Topsis). Metode MOORA
ini adalah sebuah metode sistem pengambilan keputuan yang
diperkenalkan oleh Brauers dan Zavadskas pada tahun 2006, diterapkan
untuk memecahkan banyak permasaahan ekonomi, manajerial dan
konstruksi dengan perhitungan rumus matematika dengan hasil yang
tepat (Sains dkk., 2018). Sedangkan metode TOPSIS (Technique For
Others Reference by Similarity to IdealSolution) adalah salah satu
metode pengambilan keputusan multikriteria yang pertama kali
diperkenalkan oleh Yoon dan Hwang pada tahun 1981. Metode ini
merupakan salah satu metode yang banyak digunakan untuk
menyelesaikan pengambilan keputusan secara praktis. TOPSIS memiliki
konsep dimana alternatif yang terpilih merupakan alternatif yang terbaik
yang memiliki jarak terpendek dari solusi ideal positif. Semakin banyak
2
faktor yang harus dipertimbangkan dalam proses pengambilan
keputusan, maka semakin relatif sulit juga untuk mengambil keputusan
pada suatu permasalahan (Siregar, 2021) .
Berdasarkan permaslahan yang telah diuraikan, maka penulis
tertarik untuk melakukan perbandingan dalam melakukan seleksi
penerimaan bantuan siswa miskin pada SD Negeri Lancang dengan
menggunakan metode Sistem Pendukung Keputusan Moora dan Topsis.
Dengan membandingkan 2 metode sistem pendukung keputusan ini
diharapkan dapat menghasilkan keputusan yang meningkatkan kualitas
alternatif dan solusi yang dihasilkan sehingga memudahkan pihak
sekolah dalam penyaluran beasiswa kepada siswa yang benar-benar
membutuhkan. Di dalam penelitian ini akan dilakukan analisis
perbandingan antara metode MOORA dan TOPSIS dengan melakukan
uji sensitivitas, kedua metode ini juga digabungkan untuk memperoleh
hasil keputusan yang akurat.

1.2. Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan di atas dapat
dirumuskan permasalahan sebagai berikut:
1) Bagaimana merancang dan membangun sistem yang akan membantu
pihak SD N Lancang dalam pengambilan keputusan untuk menentukan
siapa yang layak menerima beasiswa.
2) Bagaimana menerapkan Sistem Pendukung Keputusan pada penentuan
penerimaan Bantuan Siswa Miskin (BSM) pada siswa SD N Lancang
dengan mengunakan metode Multi-Objective Optimization on The
Basic of Ratio Analysis (MOORA) dan Technique for Order Preference
by Similarity (Topsis).
1.3. Batasan Masalah
Adapun batasan-batasan masalah dalam penelitian ini adalah
sebagai berikut :
1) Ktriteria hanya diperuntungkan untuk bantuan siswa miskin (BSM)
yang diselenggarakan di SD N Lancang antara lain, Penghasilan orang
tua atau wali, pekerjaan orang tua atau wali, kondisi anak, jumlah
tanggungan orang tua atau wali dan nilai rapor.
2) Sistem yang dapat digunakan oleh pihak sekolah untuk penyeleksian
Bantuan Siswa Miskin Pada SD Negeri Lancang.
3) Pembuatan SPK pada SD Negeri Lancang menggunakan metode
MOORA dan TOPSIS dari kedua metode ini akan melakukan
perbandingan untuk mengetahui dari gabungan kedua metode ini lebih
baik atau sebaliknya.
3
1.4. Tujuan Penelitian
Adapun yang menjadi tujuan penulisan dalam penyusunan
penelitian adalah sebagai berikut:
1) Untuk merancang dan membangun sistem pendukung keputusan seleksi
penerima beasiswa bantuan siswa miskin (BSM) pada SD N Lancang.
2) Membantu menyelesaikan permasalahan dalam melakukan seleksi
penerimaan bantuan mengunakan metode Multi-Objective
Optimization on The Basic of Ratio Analysis (MOORA) dan
Technique for Order Preference by Similarity (Topsis) dalam membuat
Sistem Pendukung Keputusan pada SD N Lancang.
1.5. Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah sebahai berikut :
1) Sebagai salah satu alternatif untuk membantu proses seleksi penerimaan
beasiswa BSM pada SD N Lancang.
2) Membantu pihak tim seleksi agar dapat menghasilkan keputusan seleksi
yang efektif dan proses selesksi yang efisien.
1.6. Sitematika Penulisan
Dalam sistematika penulisan ini, akan diuraikan gambaran yang
lebih terperinci mengenai hal-hal yang akan diuraikan lebih lanjut yaitu
sebagai berikut:
BAB I PENDAHULUAN
Mengulas tentang latar belakang, masalah, batasan masalah, tujuan,
manfaat, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Pada bab ini mengulas tentang penelitian serupa yang pernah dilakukan
serta teori-teori terkait usability dan perancangan website
BAB III ANALISIS DAN PERANCANGAN
Pada bab ini mengulas mengenai metode yang dilakukan selama proses
penelitian, mulai dari pengumpulan data, perancangan.

4
Halaman Ini Sengaja Dikosongkan

5
 BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terdahulu
Terdapat beberapa penelitian terkait dengan sistem pendukung
keputusan tentang penerimaan beasiswa diantaranya:
Pertama, Suginam,dkk (2018) yang berjudul “Sitem pendukung
keputusan penerimaan bantuan siswa miskin mengunakan metode WASPAS
dan “Multi-Objektive Optimization on The Basic of Ratio Analysis
(MOORA)” dalam hal ini penulis mengidentifikasikan permasalahan yang
dihadapi yaitu Penelitian dari setiap kriteria belum menggunkan prediksi
atau perkiraan yan dapat menimbulkan kurang tepatnya penyaluran beasiswa
BSM (Bantuan Siswa Miskin). Kriteria yang digunakan adalah Penghasila
orang tua, tanggungan, absensi kehadiran dan nilai rapor. Metode yang
digunakan adalah metode Multi-Objektive Optimization on The Basic of
Ratio Analysis (MOORA)”. Sistem ini menghasilkan sebuah sistem yang
dapat membantu dalam penyaluran bantuan yang tepat sasaran dan juga
diterima oleh orang yang berhak (Sains dkk., 2018).
Kedua, Regina Ainaya, dkk (2021) yang berjudul “Sistem
pendukung keputusan calon penerima program Indonesia Pintar pada siswa
sekolah dasar menggunakan metode TOPSIS”. Pada latar belakang
menjelaskan pihak sekolah masih kesulitan dalam menentukan siswa-siswi
yang berhak mendapatkan Program Indonesia Pintar (PIP). Seperti tidak
semua siswa-siswi yang berasal dari keluarga tidak mampu yang mendapat
bantuan program ini. Permasalahan tersebut dikarenakan banyaknya
kesamaan kriteria dari setiap siswa. Oleh karena itu, pada penelitian ini
dibuat sebuah Sistem Pendukung Keputusan (SPK) agar dapat membantu
pihak sekolah dalam menentukan calon penerima PIP agar tepat sasaran.
Metode yang dibandingkan adalah metode Simple Additive Weighting
(SAW) dan Technique for Order Performance by Similarity to Ideal Solution
(TOPSIS) dalam menentukan Calon Penerima Bantuan Pendidikan Siswa
Kurang Mampu di Yayasan Pendidikan Islam (YPI) Sirnamiskin Bandung.
Metode TOPSIS menghasilkan 73,3% lebih baik dibandingkan dengan
metode SAW dengan hasil 20%. TOPSIS lebih di rekomendasikan karena
lebih akurat dibandingkan SAW. Dari perbandingan metode Analytical
Hierarchy Process (AHP) dan TOPSIS dalam pemilihan asisten
laboratorium di FKOM UNIKU, didapatkan hasil pengukuran nilai akurasi
metode AHP sebesar 45% sedangkan metode TOPSIS sebesar 73% (Ainaya
dan Gustian, 2021).
Ketiga, Prasetyanti Devi Madyaratri Madyaratri, dkk (2021) yang
berjudul “Sistem pendukung keputusan Batuan Siswa Miskin (BSM)
6
Kabupaten Tulungagung dengan metode Analytical Hierarchy Prosess
(AHP) dan Multi-Objektive Optimization on The Basic of Ratio Analysis
(MOORA)” dalam hal ini penulis mengidentifikasi permasalahan yang
dihadapi oleh Kabupaten Tulungagung yaitu bantuan dana sering kali salah
sasaran sehingga tidakditerima oleh siswa/siswi yang berhak. Penentuan
juga tidak didasarkan pada kriteria pemerintah namun hanya ditentukan oleh
petugas atau guru yang ditunjuk sekolah dasar pada kabupaten Tulungagug.
Kriteria yang digunakan adalah penghasilan orang tua, fotocopy rapor,
jamkesmas, dan surat keterangan tidak mampu. Metode yang digunakan
adalah Multi-Objektive Optimization on The Basic of Ratio Analysis
(MOORA)”.Sistem ini menghasilkan sistem yang dapat membantu dalam
menentukan proses penerimaan beasiswa BSM dengan optimal dan tepat
sasaran kepada yang membutuhkan (Sd dkk., 2021).
Keempat, Gede Surya Mahendra, dkk (2020) yang berjudul “Metode
AHP-TOPSIS Pada Sistem Pendukung Keputusan Penentuan Penempatan
Automated Teller Machine”. Permasalahan yang beresiko timbul dalam
penempatan ATM yang berdampak pada kerusakan mesin dan bangunan
ATM, serta kejahatan digital seperti card traping dan card skimming. Hal ini
dapat menimbulkan kerugian bagi nasabah, dan bank kehilangan
kepercayaan nasabah sehingga dibuat sistem pendukung keputusan
Penentuan Penempatan Automated Teller Machine .Berdasarkan penelitian
yang telah dilakukan mengenai Metode AHP-TOPSIS penentuan
penempatan ATM diperoleh kesimpulan bahwa SPK dapat membantu
decision maker dalam mengambil keputusan untuk penempatan ATM.
Terdapat 70 data alternatif deployement ATM dan 38 alternatif yang
dilakukan realisasi. Terdapat 3 decision maker yang menghasilkan
pembobotan kriteria, dan dapat dihitung geometric average sebagai rata-rata
dilakukan perhitungan untuk mencari nilai preferenci sebagai hasil
rekomendasi. Akurasi dari decision maker sebesar 84,47% decision maker 2
sebesar73,68%, decision maker 3 sebesar 86,84% dan berdasarkan
geometric average mendapatkan akurasi sebesar 84,21% (Mahendra dan
Indrawan, 2020a).
Kelima, Khoirul, dkk (2018) yang berjudul “Perancangan Sistem
Pendukung Keputusan Penentuan Prioritas Produk Unggulan Daerah
Menggunakan Metode Vikor”. Dalam hal ini penulis mengidentifikasikan
masalah bahwa pemerintah daerah kesulitan menentukan produk unggulan
dari setiap daerah atau yang disebut PUD (Produk Unggulan Daerah). Untuk
menentukan suatu produk termasuk dalam kategori produk unggulan, hal ini
ditentukan oleh pemerintah daerah. Oleh karena itu penulis membuat sistem
pendukung keputusan penentuan prioritas produk unggulan daerah dengan
metode Vikor. Metode vikor adalah salah satu metode pengambilan

7
keputusan multikriteria atau yang lebih dikenal dengan istilah Multi Criteria
Decision Making (MCDM). MCDM digunakan untuk menyelesaikan
masalah dengan kriteria yang bertentangan dan tidak sepadan. Metode ini
lebih fokus ke peringkat dan pemilihan dari sekumpulan alternatif kriteria
yang saling bertentangan untuk dapat mengambil keputusan untuk mencapai
keputusan akhir. Terdapat beberapa kriteria yang harus diantarannya: omset
perbulan, tenaga kerja, target pasar, asal bahan baku, teknologi, spesifikasi
kekhasan dan kuantitas bahan baku. Sistem ini dapat menghasilkan sebuah
sistem yang dapat membantu dalam penentuan produk unggulan prioritas
atau (PUD) (Umam dkk., 2018).

Perbandingan penelitian yang akan dilakukan dengan penelitian

terdahulu dapat dilihat pada tabel 2.1

8
 Tabel 2. 1 Perbandingan Penelitian Terdahulu
Penelitian
Indikator Penelitian I Penelitian II. Penelitian III Penelitian IV Penelitian V Yang akan
dilakukan
Peneliti (Sains dkk., (Ainaya dan (Sd dkk., 2021) (Mahendra dan (Umam dkk., Maria
2018) Gustian, 2021) Indrawan, 2020b) 2018) Fatima
Hanasurti
(2022)
Topik Sistem Sistem pendukung Sistem pendukung “Metode AHP- Perancangan Seleksi
pendukung keputusan calon keputusan Bantuan TOPSIS Pada Sistem Penerimaa
keputusan penerima program Siswa Miskin (BSM) Sistem Pendukung n Bantuan
penerima Indonesia Pintar Kabupaten Pendukung Keputusan Siswa
bantuan pada siswa sekolah Tulungagung dengan Keputusan Penentuan Miskin
siswa miskin dasar menggunakan Metode Analytical Penentuan Prioritas (BSM) di
menggunaka metode TOPSIS” Hierarchy Process Penempatan Produk SD N
n metode (AHP) Automated Teller Unggulan Lancang
WASPAS dan Multi-objective Machine” Daerah Mengguna
dan Multi- optimization on the Menggunaka kan Metode
objective basis ofratio analysis n Metode Multi-
optimization (MOORA). Vikor” objective
on the basis optimizatio
of n on the
ratio analysis basis of
(MOORA)” ratio
9
 analysis
(MOORA).
Objek SMP N 4 Yayasan Kabupaten Data penempatan Produk SD Negeri
Penelitian Ciamis Pendidikan Islam Tulungagung ATM tahun 2017 Unggulan Lancang
(YPI) Sirnamiskin pada PT Bank Daerah
Bandung Negara (PUD)
Metode Multi- Technique for Metode Analytical Technique for Visekriteriju Multi-
Penelitian Objective Order Preference Hierarchy Prosess Order Preference msko Objective
Optimization by Similarity (AHP) dan Multi- by Similarity Kompromisn Optimization
on The Basic (Topsis) Objective Optimization (Topsis) o Rangiranje on The
ofRatio on The Basic of Ratio (VIKOR) Basic of
Analysis Analysis (MOORA). Ratio
(MOORA). Analysis
(MOORA).
Skala ukur Penghasilan Presensi Kehadiran, • Siswa yang orang Ketersediaan Omset Penghasilan
usabilitas orang tua, Prestasi Siswa, tuanya penerima ATM, Keamanan, Perbulan, orang tua
Tanggungan, Penghasilan Orang Kartu Perlindungan Harga Lahan, Tenaga atau wali,
Absensi Tua, Prilaku Sosial (KPS) Permintaan Kerja, pekerjaan
Kehadiran, • Siswa penerima Nasabah Target Pasar, orang tua
dan Nilai rata- Kartu Calon Asal Bahan atau wali,
rata Rapor. Peneriman Bantuan Baku, kondisi anak,
Siswa Miskin khusus Spesifikasi jumlah
untuk SD dan SMP Kekhasan, tanggungan
• Orang tua siswa Kuantitas orang tua
terdaftar sebagai Bahan Baku. atau wali dan
peserta Program nilai rapor.
10
 Keluarga Harapan
(PKH
• Siswa terancam
putus sekolah karena
kesulitan biaya
• Siswa yatim, piatu
atau yatim piatu
• Siswa berasal dari
korban musibah,
kelainan fisik,
korban PHK dari
Rumah Tangga
sangat Miskin
Hasil Sistem ini Sistem ini Sistem ini Sistem ini Hasil Sistem ini
menghasilkan menghasilkan sistem menghasilkan sistem menghasilkan penelitian menghasilka
sebuah sistem pendukung informasi yang dapat sebuah sistem menunjukan n sebuah
yang dapat keputusan dengan membantu dalam pendukung bahwa sistem yang
membantu metode Technique menentukan proses keputusan (SPK) penggunaan dapat
dalam for Order penerimaan beasiswa yang dapat metode membantu
penyaluran Performance by BSM dengan optimal memberikan vikor dapat menyelesaik
bantuan yang Similarity to Ideal dan tepat sasaran rekomendasi membantu an
tepat sasaran Solution (TOPSIS) kepada yang penentuan proses permasalaha
dan juga agar memberikan membutuhkan. penempatan menentukan n yang
diterima oleh keputusan yang tepat Automated Teller produk dihadapi dan
orang yang sasaran dan efisien. Machine (ATM) unggulan sistem yang
berhak. Dalam penilaian dengan dibangun
11
siswa penerima menggunakan derah nantinya
bantuan yang kombinasi dari berdasarkan menggunaka
memilik 4 kriteria metode Analytical kriteria yang n Kriteria
yaitu presensi Hierarchy telah di yang
kehadiran, prestasi Process (AHP) tetapkan dan ditentukan
siswa, penghasilan dan Technique for di beri bobot sehingga
orang tua dan prilaku Order Preference yaitu: hasil
siswa. Penilaian ini by Similarity to Omset akhirnya
terhadap 15 Ideal Solution Perbulan, siswa yang
alternatif dengan (TOPSIS). Data Tenaga terpilih
hasil tertinggi 0,667 penelitian yang Kerja, merupakan
yaitu kode alternatif digunakan adalah Target Pasar, hasil
A12 layak 76 data alternatif Asal Bahan penyeleksian
direkomendasikan penempatan ATM Baku, dari siswa
dan hasil terakhir dan dicari 38 yang paling
Teknologi,
yaitu kode alternatif alternatif yang tepat
Spesifikasi
A1 dengan nilai akan untuk
Kekhasan,
0,362 direalisasikan. penerimaan
Kuantitas
Beasiswa
Bahan Baku. BSM pada
SD N
Lancang.

12
 Dari kelima penelitian diatas dan juga permasalahan yang dihadapi
terdapat kemiripan, maka konsep sistem yang akan dibuat adalah bebrbasis
desktop dan sistem yang dibuat oleh penulis sekarang menggunakan kriteria-
kriteria Penghasilan orang tua atau wali, pekerjaan orang tua atau wali,
kondisi anak, jumlah tanggungan orang tua atau wali dan nilai rapor agar
nantinya dapat membantu pihak sekolah dalam menentukan kelayakan atau
tidak layaknnya untuk penerima bantuan BSM. Jadi dengan pertimbangan
tersebut, penulis mengambil judul “Seleksi Penerimaan Bantuan Siswa
Miskin Pada SD Negeri Lancang Menggunakan Metode Multi-Objective
Optimization on The Basic of Ratio Analysis (MOORA) dan Technique for
Order Preference by Similarity (Topsis)”. Dimana sistem ini dapat
membantu menentukan siswa mana saja yang berhak untuk mendapatkan
bantuan BSM bersasarkan kriteria-kriteria yang telah ditentukan.
2.2 Sistem
Dari beberapa definisi sistem diatas dapat disimpulkan bahwa Sistem
adalah suatu kesatuan, baik obyek nyata atau abstrak yang saling
berhubungan antara elemen dan komponen-komponen yang berbeda demi
mencapai suatu tujuan tertentu.
Sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling
berhubungan, berkumpul bersama-sama untuk melakukan kegiatan atau
menyelesaikan suatu sasaran tertentu. Berdasarkan definisi tersebut, dapat
disimpulkan bahwa pengertian sistem merupakan gabungan dari berbagai
elemen yang bekerja sama untuk mencapai suatu target atau tujuan
(Heriyanto, 2018).
2.3 Perancangan Sistem
Perancangan sistem adalah penentuan proses dan data yang
diperlukan oleh sistem baru. Tujuan dari perancancangan sistem adalah
untuk memenuhi kebutuhan pemakai sistem serta untuk memberikan
gambaran yang jelas dan rancang bangun yang lengkap. Dari penjelasan
diatas dapat disimpulkan rancang bangun sistem merupakan kegiatan
menerjemahkan hasil analisa ke dalam bentuk paket perangkat lunak
kemudian menciptakkan sistem tersebut atau memperbaiki sistem yang ada
(Novianti dan Putra, 2021).
2.4 Sistem Pendukung Keputusan
Sistem pendukung keputusan adalah sistem berbasis komputer yang
membantu para pengambil keputusan mengatasi berbagai masalah melalui
interaksi langsung dengan sejumlah database dan perangkat lunak
(Kurniawan dkk., 2021)
Sistem Pendukung Keputusan (SPK) digunakan sebagai alat bantu
bagi para pengambil keputusan untuk memperluas kapabilitas para
pengambil keputusan, namun tidak untuk menggantikan penilaian para
13
pengambil keputusan. SPK ditujukan untuk keputusan yang memerlukan
penilaian atau untuk keputusan-keputusan yang sama sekali tidak dapat
didukung oleh algoritma. SPK meluas dengan cepat, dari sekedar alat
pendukung personal menjadi komoditas yang dipakai bersama.
Sistem pendukung keputusan (SPK) lebih ditujukan untuk
mendukung manajemen dalam melakukan pekerjaan yang bersifat analitis
dalam situasi yang kurang terstruktur dan kriteria yang kurang jelas. SPK
juga tidak dimaksud untuk mengotomatisasi pengambilan keputusan, tetapi
memberikan perangkat interaktif yang memungkinkan pengambilan
keputusan untuk melakukan berbagai analisis menggunakan model-model
yang tersedia. Tujuan dari sistem pendukung keputusan (SPK) adalah
sebagai berikut :
1. Membantu manajer dalam pengambilan keputusan atas masalah semi
terstruktur.
2. Memberikan dukungan atas pertimbangan manajer dan bukan
dimaksud untuk mengganti fungsi dari manajer.
3. Meningkatkan efektivitas keputusan yang diambil manajer lebih dari
pada perbaikan efisiennya
4. Kecepatan komputasi. Komputer memungkinkan para pengambil
keputusan untuk melakukan banyak komputasi secara cepat dengan
biaya yang rendah.
5. Peningkatan produktivitas. Membangun satu kelompok pengambil
keputusan, terutama para pakar, bisa sangat mahal. Pendukung
komputerisasi bisa mengurangi ukuran kelompok dan memungkinkan
para anggotanya untuk berada diberbagai lokasi yang berbeda-beda.
6. Dukungan kualitas. Komputer bisa meningkatkan kualitas keputusan
yang dibuat.
7. Berdaya saing. Manajemen dan pemberdayaan sumber daya
perusahaan.
8. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan.

Keputusan yang diambil dalam menyelesaikan suatu masalah dilihat

dari kestrukturannya bisa dibagi menadi 3, yaitu:
1. Keputusan terstruktur (structured decision)
Keputusan terstruktur adalah keputusan yang dilakukan secara
berulang-ulang dan bersifat rutin. Misalnya, keputusan memesan
barang dan keputusan penagihan piutang.
2. Keputusan semiterstruktur (semistructured decision)
Keputusan semiterstruktur adalah keputusan yang memiliki dua sifat.
Sebagian keputusan bisa ditangani oleh komputer dan yang lain tetap
harus dilakukan oleh pengambil keputusan. Contohnya,

14
 pengevaluasian kredit, penjadwalan produksi, pengendalian sediaan.
3. Keputusan tak terstruktur (unstructured decision).
Keputusan tak terstruktur adalah keputusan yang penanganannya
rumit, karena tidak terjadi berulang-ulang atau tidak selalu terjadi.
Contohnya, pengembangan teknologi baru, keputusan untuk bergabung
dengan perusahaan lain, perekrutan eksekutif.
2.5 Bantuan Siswa Miskin
Bantuan siswa miskin (BSM) merupakan kebijakan pembangunan
pendidikan yang bertujuan untuk memperluas akses pendidikan dasar dan
menengah yang bermutu bagi siswa dari keluarga tidak mampu/miskin.
Keberhasilan program pemberian bantuan ini diharapkan mampu menaikkan
pencapaian angka partisipasi kasar (APK) dan angka partisipasi murni
(APM) yang menjadi indikator keberhasilan program wajib belajar
pendidikan dua belas tahun (Kurniawan dkk., 2021).
Adapun tujuan dari program bantuan siswa miskin (BSM) adalah :
1. Menghilangkan halangan siswa miskin untuk akses pelayanan
pendidikan.
2. Mencegah angka putus sekolah dan menarik siswa miskin untuk
kembali.
3. Membantu siswa miskin untuk memenuhi kebutuan personal dalam
kegiatan pembelajaran.
4. Mendukung penuntasan wajib belajar pendidikan dasar 9 tahun,
pendidikan menengah dan pendidikan menengah universal.
2.6 Multi-Objektive Optimization on The Basic of Ratio Analysis
(MOORA)”
(Sains dkk., 2018) Multi-objective optimization on the basis of ratio
analysis (MOORA) adalah multi objektif sistem mengoptimalkan dua atau
lebih atribut yang saling bertentangan secara bersamaan. Metode ini
diterapkan untuk memecahkan masalah dengan perhitungan matematika
yang kompleks. Multi-objective optimization on the basis of ratio analysis
(MOORA) diperkenalkan oleh Brauers pada tahun 2006 sebagai “Multi-
Objective Optimization” yang dapat digunakan untuk memecahkan berbagai
masalah pengambilan keputusan yang rumit pada lingkungan pabrik.
Metode Multi-objective optimization on the basis of ratio analysis
(MOORA) diterapkan untuk memecahkan banyak permasalahan ekonomi,
manajerial dan konstruksi pada sebuah perusahaan maupun proyek.
Adapun langkah-lanngkah penyelesaian dari metode Multi- objective
optimization on the basis of ratio analysis (MOORA) yaitu:
1. Menginputkan nilai kriteria yaitu menentukan tujuan,
mengidentifikasikan dan mengevaluasi atribut, dan menginputkan
kriteria pada suatu alternatif.
15
2. Membuat matriks keputusan.
Mewakili semua informasi tersedia untuk setiap atribut dalam bentuk
matriks keputusan. Data persamaan mempresentasikan sebuah matriks
Xm x n di mana xij adalah pengukuran kinerja dari alternative ke-i pada
atribut ke-j, dimana m adalah jumlah alternative dan n adalah jumlah
atribut per-kriteria. Kemudian sistem ratio dikembangkan dimana
setiap kinerja dari sebuah alternative pada sebuah atribut dibandingkan
dengan penyebut yang merupakan wakil untuk semua alternative dari
atribut tersebut.
Berikut yaitu perubahan nilai kriteria menjadi sebuah matriks
keputusan:
𝑋11 … 𝑋1𝑖 … 𝑋1𝑛
⋮ ⋱ ⋮ ⋱ ⋮
𝑋 = 𝑋𝑗1 … 𝑋𝑖𝑗 … 𝑋𝑗𝑛
⋮ ⋱ ⋮ ⋱ ⋮
[𝑋𝑚1 … 𝑋𝑚𝑖 … 𝑋𝑚𝑛 ]
Keterangan:
xij : respon alternatif j pada kriteria i
i : 1,2,3,..., n adalah nomor urutan atribut atau kriteria
j: 1,2,3,..., m adalah nomor urutan alternatif
X: Matriks keputusan.
a) Matriks normalisasi
Matriks normalisasi bertujuan untuk menyatukan setiap elemen
matriks sehingga memiliki nilai yang seragam. Braures menyimpulkan
bahwa untuk penyebut, pilihan terbaik adalah akar kuadrat dari jumlah
kuadrat dan setiap alternatif per atribut. Rasionya dapat dinyatakan
dalam rumus dibawah ini :
𝑥𝑖𝑗
𝑋𝑖𝑗∗ =
𝑚
√[∑𝑗=1 𝑥2𝑖𝑗 ]
Keterangan:
X*ij: Matriks Normalisasi alternative j pada kriteria i
Xij: Respon alternative j pada kriteria i
i : 1,2,3,..., n adalah nomor urutan atribut atau kriteria
j: 1,2,3,..., m adalah nomor urutan alternative
b) Menghitung Nilai Optimasi
a. Jika atribut atau kriteria pada masing-masing alternatif tidak
diberikan nilai bobot. Ukuran yang dinormalisasikan
ditambahkan dalam kasus maksimasi (untuk atribut yang
menguntungkan) dan dikurangi dalam minimisasi (untuk atribut
16
 yang tidak menguntungkan) atau dengan kata lain mengurangi
nilai maximum dan minimum pada setiap baris untuk
mendapatkan rangking pada setiap baris, jadi dirumuskan
menjadi :
𝑖=𝑔 𝑖=𝑛
𝑦𝑗∗ = ∑ 𝑥𝑖𝑗 ∗
−∑ ∗
𝑥𝑖𝑗′
𝑖−1 𝑖=𝑔+1
Keterangan:
i : 1,2,3,…,g adalah atribut atau kriteria dengan status maximized
j : g+1, g+2, g+3,…, n adalah atribut atau kriteria dengan status
minimized
y*j : Matriks normalisasi max-min alternative j
b. Jika atribut atau kriteria pada masing-masing alternatif
diberikan nilai bobot kepentingan. Pemberian nilai bobot pada
kriteria, dengan ketentuan nilai bobot jenis kriteria maximum
lebih besar dari nilai bobot jenis kriteria minimum. Untuk
menandakan bahwa sebuah atribut lebih penting itu bisa
dikalikan dengan bobot yang sesuai (koefisien signifikasi).
Berikut rumus menghitung nilai optimasi Multi- objective
optimization on the basis of ratio analysis (MOORA), perkalian
bobot kriteria terhadap nilai atribut maximum dikurang
perkalian kriteria terhaap nilai atribut minimum, maka
dirumuskan sebagai berikut:

𝑔 𝑛
∗ ∗
𝑦𝑖 = ∑ 𝑤𝑗 𝑥𝑖𝑗 − ∑ 𝑤𝑗 𝑥𝑖𝑗
𝑗=1 𝑗=𝑔+1

Keterangan:
i : 1,2,3,…,g adalah atribut atau kriteria dengan status maximized
j : g + 1, g+2, g+3,…,n adalah atau kriteria dengan status minimized
wj : bobot terhadap alternative j
y*j : Nilai penilaian yang sudah dinormalisasi dari alternative j
terhadap semua atribut.
c) Perangkingan
Nilai yi dapat menjadi positif atau negativ tergantung dari total
maksimal (atribut yang menguntungkan) dalam matriks keputusan.
Sebuah urutan peringkat dari yi menunjukkan pilihan terakhir. Dengan
demikian alternatif terburuk memiliki nilai yi terendah.

17
2.7 Metode Technique Foe Other Peference by Similarity To Ideal
Solutioon (TOPSIS)
(Religia dan Triyono, 2019) metode TOPSIS ( Technique For
Others preference by Similarity to Ideal Solution ) merupakan bagian
dari Multi-Atribut Decision Making (MADM). Metode TOPSIS
diperkenalkan pertama sekali oleh Yoon Hwang pada tahun 1981.
Metode TOPSIS memiliki konsep, bahwa alternatif yang terpilih tidak
memiliki jarak terkecil dari solusi terbaik (solusi ideal positif) namun
juga memiliki jarak terjauh dari solusi yang terburuk (solusi ideal
negatif). Solusi ideal positif didefinisikan seabagi jumlah dari seluruh
nilai terbaik yang dapat dicapai untuk setiapatribut, sedangkan solusi
ideal negatif terdiridari selurh nilai terburuk yang dicapai unuk setiap
atribut (Perwira, 2022).
Adapun langka penyelesaian dari metode TOPSIS

1. Menggambarkan alternatif (m) dan kriteria (n) ke dalam sebuah matriks,

dimana Xij adalah pengukuran pilihan dari alternatif ke- i dan kriteria
ke-j Matriks ini dapat dilihat pada persamaan:

𝑋11 𝑋12 𝑋13

D= [𝑋21 𝑋22 𝑋23 ]
𝑋𝑖3 𝑋𝑖3 𝑋𝑖3
2. Membuat matriks R yaitu matriks keputusan ternormalisasi Setiap
normalisasi dari nilai rij dapat dilakukan dengan perhitungan menggunakan
persamaan:
𝑥𝑖𝑗
𝑟𝑖𝑗 = 𝑚
∑
√ 𝑖=1 𝑥𝑖𝑗
3. Membuat pembobotan pada matriks yang telah dinormalisasi Setelah
dinormalisasi, setiap kolom pada matriks R dikalikan dengan bobotbobot
(wj) untuk menghasilkan matriks pada persamaan:

𝑊1 𝑟11 𝑊1 𝑟12 𝑊𝑛 𝑟𝑛
𝐷 = [ 𝑊2 𝑟2 ⋯ ⋯ ]
𝑊𝑗 𝑚1 𝑊𝑗 𝑚2 𝑊𝑗 𝑟𝑚𝑚
4. Menentukan nilai solusi ideal positif dan solusi ideal negatif. Solusi ideal
dinotasikan A+, sedangkan solusi ideal negatif dinotasikan A. Persamaan
untuk menentukan solusi ideal dapat dilihat pada persamaan:
• 𝐴+= {(max𝑉𝑖𝑗| j ϵ j),(min𝑉𝑖𝑗| j ϵ j)
I = 1,2,3,…,𝑀} = 𝑉1 + 𝑉2+,…,𝑉 𝑛+)

18
 • 𝐴+= {(max𝑉𝑖𝑗| j ϵ j),(min𝑉𝑖𝑗| j ϵ j)
I = 1,2,3,…,𝑀} = 𝑉1 − 𝑉2−,…,𝑉 𝑛−)
• J = { 𝑗 = 1,2,3,,𝑛 dan j merupakan 𝑏𝑒𝑛𝑒𝑓𝑖𝑡 𝑐𝑟𝑖𝑡𝑟𝑖𝑎}
J′ = {j = 1,2,3,,n dan j merupakan 𝑐𝑜𝑠𝑡 𝑐𝑟𝑖𝑡𝑒𝑟𝑖𝑎
5. Menghitung separation measure. Separation measure ini merupakan
pengukuran jarak dari suatu alternatif ke solusi ideal positif dan solusi ideal
negatif:
• Perhitungan solusi ideal positif dapat dilihat pada persamaan
si+ =√∑ (𝑉𝑖𝑗 - 𝑊𝑗 )2 Dengan i=1,2,3,…,m
• Perhitungan solusi ideal negatif dapat dilihat pada persamaan
si+ = √∑𝑛𝑖=1 𝑉𝑖𝑗 - 𝑊𝑗 )2 Dengan i=1,2,3,…,m

2.8 Flowchart
Bagan alir program (flowchart) merupakan bagan yang menjelaskan
secara rinci langkah-langkah dari proses program. Bagan alir program dibuat
dari derivikasi bagan alir sistem. Bagan alir program terdiri dari dua macam,
yaitu bagan alir program logika (program logic flowchart) dan bagan alir
program komputer terinci (detailed computer program flowchart).

Tabel 2. 2 Simbol-simbol flowchart

No Simbol Keterangan
1 Simbol start atau End yang
mendefinisikan awal atau akhir dari
sebuah flowchart.

2 Simbol pemrosesan yang terjadi

pada sebuah alur kerja.

3 Simbol yang menyatakan bagian

dari program (sub program).

19
20
 Multidocument (banyak
dokumen)
15

Delay (penundaan atau

kelambatan)
16

2.9 Even List

Event List merupakan daftar kejadian digambarkan dalam
bentuk kalimat sederhana dan berfungsi untuk memodelkan kejadian
yang terjadi dalam lingkungan sehari-hari dan membutuhkan
tanggapan atau respon dari sistem. Suatu kejadian mewakili satu aliran
data atau proses dalam diagram konteks serta deskripsi penyimpanan
yang digunakan untuk memodelkan data harus diperhatikan dalam
kaitannya dengan daftar kejadian (Onainor, 2019).
Adapun cara-cara mendeskripsikan daftar kejadian adalah
sebagai berikut:
a) Pelaku adalah entiti luar, jadi bukan sistem.
b) Menguji setiap entiti luar dan mencoba mengevaluasi setiap entiti
luar yang terjadi pada sistem.
c) Hati-hati dengan kejadian yang spesifik, yang tak sengaja
menyatu dalam paket yang sama.
d) Harus diingat bahwa kejadian yang dimodelkan bukan hanya
interaksi normal antara sistem dengan entiti luar, karena itu harus
dievaluasi kebutuhan sistem untuk menanggapi kejadian yang
gagal.
e) Setiap aliran keluaran sebaiknya merupakan respondari kejadian.
f) Setiap kejadian yang tidak berorientasi pada waktu dalam daftar
kejadian sebaiknya mempunyai masukan sehingga sistem dapat
mendeteksi kejadian yang berlangsung. Setiap kejadian sebaiknya
menghasilkan keluaran langsung sebagai respon atau disimpan
dalam berkas untuk bahan masukan. dimana data tersebut
mengalir atau lingkungan fisik dimana data tersebut akan
disimpan (Sirait dkk., 2021).

21
2.10 Context Diagram
Context diagram adalah gambaran umum tentang hubungan
input atau output antara sistem dengan dunia luarnya (kesatuan luar).
Context diagram merupakan diagram yang pertama kali digambarkan
dengan level teratas (top level), sedangkan overview diagram (level 0)
adalah diagram yang menggambarkan proses DFD (Onainor, 2019)
Simbol yang digunakan di dalam context diagram hampir sama
dengan simbol yang ada pada DFD, beberapa simbol digunakan di
DFD untuk maksud mewakili.
2.11 Data Flow Diagram
Data flow diagram (DFD) adalah pengembangan diagram
konteks yang terdiri atas proses-proses dimana setiap prosesnya diberi
nomor bilangan bulat, umunya di mulai dari sudut kiri atas diagram dan
mengarah ke sudut sebelah kanan bawah. DFD sering digunakan untuk
menggambarkan suatu sistem baru yang akan dkembangkan secara
logika tanpa mempertimbangkan lingkungan fisik dimana data tersebut
mengalir atau lingkungan fisik dimana data tersebut akan disimpan
(Sirait dkk., 2021).
Tabel 2. 3 Data Flow Diagram
Notasi Notasi Gane &
No Yourdon/De Sarson Deskripsi
Marco
Simbol
Entitas/Terminato
r
menggambarkan
asal atau tujuan
data di luar sistem.
Entitas eksternal
menggambarkan
dari mana data
berasal (input) atau
menuju kemana
hasil pemrosesan
data tersebut
(output).

22
 Simbol proses
2 menggambarkan
pemrosesan
dimana aliran data
masuk
(input)
ditransformasikan
menjadi aliran
data keluar
(output)

Simbol aliran data

3 yang
menggambarkan
data mengalir
darimana dan
menuju kemana
Simbol File
4 menggambarkan
tempat data
disimpan dan
diambil.

Pada pembuatan DFD juga harus memperhatikan tahap-

tahapnya. Adapun tahapan didalam proses pembuatan DFD adalah
sebagai berikut:
1. Diagram Konteks
Diagram ini menggambarkan mengenai sistem secara global.
Dalam hal ini ditetapkan entitas-entitas eksternal yang terlibat
dalam proses, baik sebagai sumber maupun tujuan. Diagram
konteks menggambarkan sistem dalam satu lingkaran dan
hubungan dengan entitas luar. Lingkaran tersebut
menggambarkan keseluruhan proses dalam sistem.
2. Diagram Level 0
Diagram yang memberikan gambaran mengenai proses-proses
apa saja yang akan dilakukan dan melibatkan entitas-entitas

23
 eksternal yang ada serta data strore tertentu. Diagram level 0 juga
menggambarkan tahapan-tahapan proses yang ada pada diagram
konteks.
3. Diagran Level 1
Diagram yang digunakan untuk menggambarkan arus data secara
detail dari tahapan-tahapan proses pada diagram level 0. Dalam
menggambarkan diagram detail ini perlu diperhatikan konsistensi
jumlah input dan output yang ada pada diagram 0. Level
berikutnya akan didefinisikan sesuai dengan keadaan dari level
sebelumnya, dengan harapan diagram ini akan memberikan
pemahaman secara detail atau rinci mengenai sistem yang akan
dikerjakan.

Adapun beberapa fungsi DFD antara lain :

1. Sebagai pembuatan model yang memungkinkan professional
sistem sebagai suatu jaringan proses fungsional yang di
hubungkan satu sama lain dengan alur data, baik secara manual
maupun komputerisasi.
2. Salah satu alat pembuatan model yang sering di gunakan,
khususnya jika fungsi-fungsi sistem merupakan bagian yang
lebih dan kompleks dari data yang di manipulasi oleh sistem.
Dengaan kata lain, DFD adalah alat pembuatan model yang
memberikan penekanan hanya pada fungsi sistem. Menyusun
dokumentasi untuk sistem informasi yang baru dan membuat
dokumentasi dari sistem informasi yang ada.
2.12 Basis Data
Basis data merupakan kumpulan dari data yang saling
berhubungan antara satu dengan yang lain. Basis data atau data base
merupakan salah satu komponen yang penting dalam sistem informasi,
karena berfungsi sebagai basis penyedia informasi bagi pemakainya.
Sistem basis data adalah suatu sistem informasi yang mengintegrasikan
kumpulan dari data yang saling berhubungan dengan yang lainnya dan
untuk membuatnya tersedia beberapa aplikasi yang bermacam-macam
dalam suatu sistem organisasi.
Sistem basis data adalah suatu sistem yang menyusun dan
mengelola record-record menggunakan komputer untuk menyimpan
atau merekam serta memelihara data operasional lengkap sebuah
organisasi atau perusahaan sehingga mampu menyediakan informasi

24
yang optimal yang diperlukan pemakai untuk proses mengambil
keputusan (Sutopo dkk., 2016).

2.13 MySql
MySQL adalah salah satu jenis database server yang sangat
terkenal. Kepopulerannya disebabkan MySQL menggunakan SQL
sebagai bahasa dasar untuk mengakses databasenya. MySQL termasuk
jenis RDBMS (Relational database management system). Pada
MySQL, sebuah database mengandung satu atau sejumlah tabel. Tabel
terdiri atas sejumlah baris dan setiap baris mengandung satu atau
beberapa kolom (Sutopo dkk., 2016).
2.12.1 Kelebihan MySQL
MySQL adalah sebuah database server, dapat juga berperan
sebagai client sehingga sering disebut database client/server, yang open
source dengan kemampuan dapat berjalan di OS Windows maupun
Linux.
Beberapa kelebihan database ini, diantaranya:
1. MySQL sebagai database management system (DBMS)
2. MySQL sebagai relation database management system (RDBMS)
3. MySQL adalah sebuah software database yang Open Source, artinya
program ini bersifat free atau bebas digunakan oleh siapa saja.
4. MySQL merupakan sebuat database server.
5. MySQL merupakan sebuah database client.

2.14 Conceptual Data Model (CDM)

CDM atau model konsep data merupakan gambaran dari data
yang akan dijadikan basis data. CDM dibuat dalam bentuk tabel beserta
dengan keterhubungannya dengan tabel lain tetapi tidak menggunakan
tipe data (Kumbang dan Kusumawati, 2019).
Conceptual Data Model menjabarkan konsep yang berkaitan
dengan pandangan pemakai terhadap data yang disimpan dalam basis
data, CDM dibuat sudah dalam bentuk tabel-tabel tanpa tipe data yang
menggambarkan relasi antar tabel untuk keperluan implementasi ke
basis data.
Conceptual database design adalah pembuatan dari model data
yang digunakan pada perusahaan, terlepas dari pertimbangan fisikal.
Pembuatan Conceptual database design melalui beberapa tahapan
yaitu:

25
1. Mengidentifikasi tipe entity langkah utama untuk membuat data
model conceptual adalah dengan menjelaskan objek utama yang
menarik bagi user. Objek-objek ini disebut tipe entity untuk
model yang ada. Salah satunya metode untuk mengidentifikasi
entity adalah dengan memeriksa spesifikasi kebutuhan user.
2. Mengidentifikasi tipe relasi setelah mengidentifikasi tipe entity,
maka langkah selanjutya adalah mengidentifikasi semua relasi
yang ada. Mengidentifikasi tipe relasi dapat dilakukan dengan
melihat spesifikasi kebutuhan user yang merupakan noun (kata
benda).
3. Mengidentifikasi dan menghubungkan atribut dengan entity
metode yang digunakan adalah dengan cara mencari noun dan
noun phase pada spesifikasi kebutuhan perusahaan.
4. Memeriksa redudancy model pada langkah ini, terjadi
pemeriksaan data model konseptual lokal dengan tujuan utama
untuk mengidentifikasi apakah ada redudancy dan menghapus
redudancy yang ada.
5. Memvalidasi konseptual model dengan transaksi user langkah
terakhir telah didapatkan data model konseptual lokal yang
merepresentasikan kebutuhan data pada perusahaan. Tujuan dari
langkah ini adalah untuk memeriksa model dan memastikan
apakah model tersebut mendukung transaksi yang dibutuhkan.

26
Tabel 2. 4 Conceptual Data Model (CDM)

27
 banyak data dari entity
lain. Dimana primary
key dari setiap entity
yang berelasi akan
menjadi foreign key di
entity baru antara entity
yang berelasi.

2.15 Physical Data Model (PDM)

PDM merupakan model yang menggunakan tabel yang
menggambarkan basis data dan hubungan antar tabel. PDM merupakan
bentuk fisik perancangan basis data yang sudah siap
diimplementasikan (Kumbang dan Kusumawati, 2019).
PDM menjelaskan model yang menggunakan sejumlah tabel
untuk menggambarkan data serta hubungan antar data. Dimana setiap
tabel mempunyai sejumlah kolom dimana setiap kolom memiliki nama
yang unik beserta tipe data.
Tabel 2. 5 Physical Data Model
Simbol Deskripsi

Tabel yang menyimpan data

dalam basis data

Simbol Deskripsi
Relasi antar tabel yang terdiri
dari persamaan antar primary
key (kunci primer) tabel yang
diacu dengan kunci yang
menjadi referensi acuan ditabel
lain

28
2.16 Statement Of Purpose (SOP)
Statement Of Purpose atau standar operasional adalah pedoman
yang berisi prosedur-prosedur operasional standar yang ada didalam suatu
organisasi yang digunakan untuk memastikan bahwa semua keputusan atau
tindakan, serta penggunaan fasilitas-fasilitas proses yang dilakukan orang-
orang didalam organisasi yang merupakan anggota organisasi agar berjalan
efektif dan efisien, konsisten, standar dan sistematis.

2.17 Metode Waterfall

Metode pengembangan sistem yang diterapkan pada penelitian ini
adalah dengan pengembangan Metode Waterfall. Metode Waterfall
merupakan model pengembangan sistem informasi yang sistematik dan
sekuensial (Sasmito, 2017).

Gambar 2. 1 Metode Waterfall

Berikut adalah penjelasan tentang tahapan-tahapan dari Metode
Waterfall:
1. Analisis Kebutuhan Perangkat Lunak
Proses pengumpulan kebutuhan dilakukan secara intensif untuk
menspesifikasikan kebutuhan perangkat lunak agar dapat
dipahami perangkat lunak seperti apa yang dibutuhkan oleh user.
Spesifikasi kebutuhan perangkat lunak pada tahap ini perlu untuk
didokumentasikan.

2. Desain-Desain perangkat lunak

29
 Tahapan perancangan sistem mengalokasikan kebutuhan-
kebutuhan sistem baik perangkat keras maupun perangkat lunak
dengan membentuk arsitektur sistem secara keseluruhan.
Perancangan perangkat lunak melibatkan identifikasi dan
penggambaran abstraksi sistem dasar perangkat lunak dan
hubungannya.
3. Pembuatan Kode Program
Pembuatan kode program desain harus ditranslasikan kedalam
program peragkat lunak. Hasil dari tahap ini adalah program
komputer sesuai dengan desain yang telah dibuat pada tahap
desain.
4. Pengujian-pengujian
Pengujian fokus pada perangkat lunak dari segi segi logic dan
fungsional dan memastikan bahwa semua bagian diuji. Hal ini
dilakukan untuk meminimalisir kesalahan (error) dan memastikan
keluaran yang dihasikan sesuai dengan yang diinginkan.
5. Pendukung atau pemeliharaan (maintenance)
Pemeliharaan (maintenance) tidak menutup kemungkinan sebuah
perangkat lunak mengalami perubahan ketika sudah dikirimkan
ke user. Perubahan bisa terjadi karena adanya kesalahan yang
muncul dan tidak terdeteksi saat pengujian atau perangkat lunak
harus beradaptasi dengan lingkungan baru. Tahap pendukung atau
pemeliharaan dapat mengulangi proses pengembangan mulai dari
analisis spesifikasi untuk perubahan perangkat lunak yang sudah
ada, tapi tidak untuk membuat perangkat lunak baru.

2.18 Black Box Testing

Pengujian dilakukan dengan mengeksekusi data uji dan mengecek
apakah fungsional perangkat lunak bekerja dengan baik. Data uji
dibangkitkan dari spesifikasi perangkat lunak, yang dalam hal ini
menjelaskan fungsional perangkat lunak (Keputusan dkk., 2020).
Pengujian yang dimaksud untuk mengetahui fungsi-fungsi, masukan dan
keluaran dari perangkat lunak sesuai dengan spesifikasi yang dibutuhkan
dan pengujian dengan metode Black Box Testing memungkinkan
pengembangan software untuk membuat himpunan kondisi input yang
akan melatih seluruh syarat-syarat fungsional suatu program.

30
 Adapun beberapa kategori kesalahan yang diuji oleh Black Box
Testing, diantaranya:
1. Fungsi yang salah atau hilang
2. Kesalahan pada interface
3. Kesalahan struktur data dan basis data
4. Kesalahan fungsi
5. Kesalahan deklarasi dan terminasi

31
Halaman Ini Sengaja Dikosongkan

32
 BAB III
ANLISIS DAN PERANCANGAN
3.1 Tempat dan Waktu Penelitian
Tempat penelitian dilakukan di SD Negeri Lancang. SD Negeri
Lancang berada di Jl. Raya Lancang. Penelitian ini dilakukan mulai dari
tanggal 5 November sampai dengan 5 Desember 2022.

3.2 Metode Pengumpulan Data

Berikut adalah beberapa teknik yang penulis gunakan untuk
membantu penyusunan laporan ini, penulis menggunakan dua metode,
yaitu metode pengumpulan data primer dan metode pengumpulan
sekunder.

3.2.1 Sumber Data Primer

Data primer dalam melakukan rancang bangun sistem pendukung
keputusan ini menggunakan metode wawancara.
a. Metode wawancara
Wawancara dilakukan melalui kegiatan tatap muka dan tanya jawab
terhadap narasumber. Untuk itu penulis melakukan wawancara secara
langsung dengan Kepala Sekolah SD N Lancang Antonius Supriadi,
SPd,Gr. Hasil yang dilakukan penulis menghasilkan gambaran
mengenai proses penerimaan Bantuan Siswa Miskin yang telah
berlangsung di SD N Lancang dari setiap periode.
b. Metode Observasi
Penulis melakukan pengamatan untuk menunjang laporan yang akan
dibuat. Adapun hal-hal yang penulis amati adalah bagaimana proses
perekapan data siswa, data orang tua serta bagaimana menentukan
pembagian bantuan terhadap siswa kurang mampu dan berprestasi
dengan tepat sasaran.
3.2.2 Sumber Data Sekunder
Data sekunder merupakan sumber data penelitian yang diperoleh
secara tidak langsung atau melalui media perantara. Data sekunder
umumnya berupa bukti catatan atau laporan histori yang tersusun dalam
arsip yang dipublikasikan dan tidak dipublikasikan. Sumber data sekunder
yang digunakan peneliti berupa:
1) Dokumentasi
Metode dokumentasi adalah suatu metode pengumpulan, melihat atau
menganalisis dokumen-dokumen yang dibuat oleh subjek itu sendiri

33
 atau orang lain oleh subjek. Dokumentasi merupakan salah satu cara
yang dapat dilakukan peneliti utuk mendapatkan gambaran dari sudut
pandang subjek melalui suatu media tertulis dan dokumentasi lainnya
yang ditulis atau dibuat langsung oleh subjek yang bersangkutan.
2) Studi Pustaka
Studi pustaka yang digunakan pada penelitian ini adalah karya-karya
ilmiah, buku-buku, jurnal dan literatur internet yang memiliki
hubungan dengan permasalahan yang dibahas yaitu tentang sistem
pendukung keputusan dengan menggunakan metode MOORA.
3.3 Instrumen Perangkat Lunak
Perangkat lunak yang digunakan untuk membangun sistem ini yaitu
:
1. Sublime Text
2. Xampp

3.4 Instrumen Perangkat Keras

Perangkat keras yang digunakan untuk membangun sistem ini
adalah:
1. Laptop
3.5 Gambaran Umum Sistem
Gambaran umum dari sistem yang akan dibuat pada SD N Lancang,
dimana pada sistem ini memiliki 2 atribut yaitu operator atau admin dan
kepala sekolah. Untuk mengakses sistem harus melakukan login terlebih
dahulu. Login berfungsi untuk mengecek hak akses sebagai operator dalam
menggunakan sistem.
Jika hak aksesnya sebagai operator atau admin, artinya proses yang
dapat dilakukan terhadap sistem adalah dapat mengatur data master yang
terdiri dari data user, data siswa, data kriteria, data bobot, data perhitungan
dan data rekomendasi. Yang terdiri dari proses insert, delete dan search
data. Operator juga dapat menghasilkan informasi dalam bentuk laporan
dari data yang di proses. Dengan kata lain, hak akses sebagai operator
memiliki hak akses penuh dalam mengatur atau mengerjakan data dalam
sistem. Jika hak akses sebagai kepala sekolah, proses yang dapat dilakukan
hanya memvalidasi dan membuat laporan, tanpa mengupdate data karena
update data hanya dapat dilakukan oleh user yang hak aksesnya sebagai
operator.

34
3.5.1 Analisis Sistem Yang Sedang Berjalan
Analisis sistem yang berjalan pada SD Negeri Lancang dimulai dari
Siswa yang mengisi form pendaftaran Beasiswa dan melengkapi berkas.
Setelah itu admin akan memeriksa kelengkapan persyaratan dan akan
menginput data sesuai dengan kriteria yang ada. Jika sudah diinput maka
akan melakukan proses penyeleksian dan akan menghasilkan output data
siswa yang lulus selesai. Analisis sistem yang diusulkan dapat dilihat pada
gambar 3.1.

Gambar 3. 1 Sistem Yang Berjalan

35
3.5.2 Analisis Sistem Yang Diusulkan
Analisis sistem yang diusulkan pada SD Negeri Lancang dimulai
dari admin melakukan input data siswa selanjutnya memberika penilaian
berdasarkan kriteria-kriteria yang telah ditentukan. Setelah itu admin akan
melakukan penyeleksian kelayakan setiap calon siswa penerima beasiswa
BSM. Jika sudah melakukan penyeleksian maka sistem akan melakukan
proses perhitungan dan akan menghasilkan output hasil proses
penyeleksian data siswa calon penerima bantua siswa miskin. Hasil dari
penyeleksian tersebut disimpan dan dapat diakses atau dilihat oleh kepala
sekolah. Analisis sistem yang diusulkan dapat dilihat pada gambar 3.2.

Gambar 3. 2 Sistem yang diusulkan

36
3.6 Analisis kebutuhan sistem
Analisis kebutuhan sistem merupakan analisis yang dibutuhkan
untuk menentukan spesifikasi kebutuhan sistem. Spesifikasi ini juga
membutukan elemen atau komponen – komponen apa saja yang
dibutuhkan untuk sistem yang akan dibangun sampai sistem tersebut di
implementasikan. Analisis kebutuhan ini juga membutuhkan spesifikasi
masukan yang diperlukan sistem, keluaran yang akan dihasilkan sistem dan
proses yang dibutuhkan untuk mengolah masukan sehingga menghasilkan
suatu keluaran yang dihasilkan. Sistem pendukung keputusan untuk
penerima Bantuan Siswa Miskin (BSM) dibuat menggunakan kriteria.
Untuk mengukur tingkat kepentingan atau bobot dari masing-masing
kriteria yang sesuai dengan sistem yang berjalan di SD N Lancang.
3.7 Perancangan Metode MOORA
Pada gambar dibawah ini ditunjukan flowchart dari alur Penerimaan
Bantuan Siswa Miskin (BSM) Pada SD Negeri Lancang.

Gambar 3. 3 Flowchar Metode Moora

37
3.7.1 Menentukan Kriteria
Di tabel menentukan kriteria berisikan kriteria dan keterangan.
Adapun kriteria yang ditentukan yaitu : Penghasilan orang tua atau wali,
pekerjaan orang tua atau wali, kondisi anak, jumlah tanggungan orang tua
atau wali dan nilai rapor.
Tabel 3. 1 Menetukan kriteria
Kriteria Keterangan
Penghasilan Orang Tua /Wali C1
Pekerjaan Orang Tua/ Wali C2
Kondisi Anak C3
Jumlah Tanggungan Orang Tua/ Wali C4
Nilai Rapor C5

3.7.2 Penentuan Bobot Setiap Kriteria

Penentuan bobot setiap kriteria akan dipilih langsung oleh
pengguna sistem. Berikut contoh pilihan dari pengguna.
Tabel 3. 2 Penentuan Bobot Setiap Kriteria

Kriteria Nilai
Tingkat
Kepentingan

Penghasilan Orang Tua/ Wali Sangat Penting 5

Pekerjaan Orang Tua/ Wali Penting 4
Kondisi Anak Penting 4
Jumlah Tanggungan Orang Tua/ Sangat Penting 5
Wali
Nilai Rapor Penting 4
3.7.3 Perbaikan Bobot Setiap Kriteria
Langkah berikut yaitu melakukan perbaikan bobot dalam setiap
kriteria mengunakan rumus:
Penghasilan orang tua atau wali= Bobot penghasilan orang tua
atau wali/ Total seluruh kriteria
= 5 / (5+4+4+5+4)

= 5 / 22

38
 = 0,22

Pekerjaan orang tua atau wali= Bobot pekerjaan orang tua atau
wali/ Total seluruh kriteria
=4 / (5+4+4+5+4)

=4 / 22

= 0,18

Kondisi Anak= Bobot Kondisi Anak / Total seluruh kriteria

= 4 / (5+4+4+5+4)

= 4 / 22

= 0,18

Jumlah tanggungan orang tua atau wali= Bobot jumlah

tanggungan orang tua atau wali / Total seluruh kriteria
= 5 / (5+4+4+5+4)

= 5/ 22

=0,22

Nilai rapor= Bobot nilai rapor / Total seluruh kriteria

= 4/ (5+4+4+5+4)

= 4/ 22

= 0,18

Setelah melakukan perbaikan bobot terhadap semua kriteria,

didapatkan hasilnya pada tabel dibawah ini.

39
 Tabel 3. 3 Perbaikan Bobot Kriteria

Kriteria Perbaikan Cost/ Benefit

Bobot

Penghasilan Orang Tua / Wali 0,22 Cost

Pekerjaan Orang Tua / Wali 0,18 Benefit
Kondisi Anak 0,18 Benefit
Jumlah Tanggungan Orang Tua 0,22 Cost
/ Wali
Nilai Rapor 0,18 Benefit

3.7.4 Menentukan Tingkat Kepentingan Masing-Masing Kriteria

a) Penghasilan Orang Tua/ Wali

Tabel 3. 4 Parameter Nilai Ukur Jumlah Penghasilan Orang Tua/

Wali (C1)

Penghasilan Orang Tua/ Wali Nilai

C1<1.000.000 5
Rp. 1.000.000<C2<=Rp. 1.500.000 4
Rp. 1.500.000<C2<=Rp. 2.000.000 3
Rp. 2.000.000<C2<=Rp. 2.500.000 2
C1 > Rp.2.500.000 1
Berdasarkan tabel diatas, parameter ukur jumlah penghasilan
orang tua/ wali dapat dilihat bahwa untuk nilai 5 diberikan untuk orang tua
siswa berpenghasilan dibawah Rp. 1000.000, untuk nilai 4 diberikan untuk
orang tua siswa berpenghasilan Rp. 1.000.000 kurang atau lebih dari sama
dengan Rp. 1.500.000, untuk nilai 3 diberikan untuk orang tua siswa
berpenghasilan Rp. 1.500.000 kurang atau lebih dari sama dengan Rp.
2.000.000, untuk nilai 2 diberikan untuk orang tua siswa berpenghasilan
diatas Rp. 2.000.000 untuk orang tua siswa berpenghasilan diatas Rp.
2.500.000.

Keterangan :

40
 5 = Sangat Penting

4 =Penting

3 = Cukup Penting

2= Tidak Penting

1 = Sangat tidak peting

b) Pekerjaan Orang Tua/ Wali

Tabel 3. 5 Parameter Nilai Ukur Berdasarkan Pekerjaan Orang Tua/

Wali (C2)

Pekerjaan Orang Tua/ Wali Nilai

Wiraswasta 5
Swasta 4
PNS 1
Berdasarkan tabel diatas, parameter ukur pekerjaan orang tua/
wali dapat dilihat bahwa untuk nilai 5 diberikan untuk orang tua siswa
sebagai Wiraswasta, nilai 4 diberikan untuk orang tua siswa sebagai
swasta, nilai 1 diberikan untuk orang siswa sebagai Pegawai Negeri Sipil
(PNS).

c) Kondisi Anak

Tabel 3. 6 Parameter Nilai Ukur Berdasarkan Kondisi Anak(C3)

Kondisi Anak Nilai

Yatim Piatu 5
Yatim 4
Piatu 3
Lengkap 1
Berdasarkan tabek diatas, parameter ukur untuk kondisi anak
dibagi ke beberapa sub kriteria yaitu Yatim Piatu, Yatim, Piatu, Lengkap.
untuk nilai 5 diberikan kepada siswa yang memiliki status yatim piatu, nilai
4 diberikan untuk siswa yang memiliki status yatim, nilai 3 diberikan untuk
siswa yang memiliki status piatu dan nilai 1 diberikan untuk siswa yang
masih memilki kedua orang tua.

41
 d) Jumlah Tanggungan Orang Tua/ Wali

Tabel 3. 7 Parameter Nilai Ukur Berdasarkan Jumlah Tanggungan

Orang Tua/ Wali (C5).

Tanggungan Orang Tua/ Wali Nilai

>5 5
4 anak 4
3 anak 3
2 anak 2
1 anak 1
Berdasarkan tabel 3.8, parameter ukur jumlah tanggungan orang
tua/ wali, untuk orang tua yang memiliki lebih dari 5 anak di berikan nilai
5, untuk 4 anak diberikan nilai 4, untuk 3 anak diberikan nilai 3, untuk 2
anak diberikan nilai 2 dan untuk orang tua yang memiliki 1 anak diberikan
nilai 1.
e) Nilai Rapor

Tabel 3. 8 Parameter Nilai Ukur Berdasarkan Nilai Rapor (C6)

Nilai Rapor Nilai
C6 > 90 5
80 < C6 <=90 4
70 < C6 <=80 3
60 < C6 <= 70 2
C6 <= 50 1
Berdasarkan tabel 3.9, dapat dilihat bahwa untuk nilai rapor diatas
90 diberikan nilai 5, untuk nilai rapor diatas 80 kurang atau sama dengan
90 diberikan nilai 4, untuk nilai rapor diatas 70 kurang atau sama dengan
80 diberikan nilai 3, untuk nilai rapor diatas 60 kurang atau sama dengan
70 diberikan nilai 2 dan untuk nilai rapor dibawah 50 diberikan nilai 1.

42
3.7.5 Tahapan Perhitungan MOORA
a Menentukan Data Alternatif

Tabel 3. 9 Data Alternatif

C1 C2 C3 C4 C5
Alternatif Cost Benefit Benefit Cost Benefit
A1 Margareta Adelen Putri Rp. 900.000 Wiraswasta Lengkap 3 80
A2 Elisabet Aura Kasih Arca Rp. 1.000.000 Swasta Yatim 2 85
A3 Wiliams Sua Tapoona Rp. 1.200.000 Wiraswasta Piatu 4 84
A4 Oktaviano Rizky Padua Rp. 900.000 Wiraswasta Yatim Piatu 3 90
A5 Maria Aprilia Hasa Rp. 1.500.000 Wiraswasta Lengkap 1 79
A6 Iqnasio Alfaro Ama Rp. 1.700.000 Swasta Lengkap 2 85
A7 Yosef Falno Friligius Kendri Rp. 2000.000 PNS Yatim 4 89
A8 Fransiskus Alvaro Rp. 850.000 Wiraswasta Piatu 2 80
A9 Losia Olif Kesuna Rp. 1.300.000 Wiraswasta Yatim 3 87
A10 Anastacius Apriliano Rp. 850.000 Wiraswasta Lengkap 4 80
Gervano
A11 Angelia Gesia Anum Rp. 900.000 Wiraswasta Lengkap 2 75
A12 Maria Yusinar Putri Halu Rp.1000.000 Swasta Lengkap 1 90
A13 Fitriani Padua Rp. 600.000 Wiraswasta Lengkap 3 85

43
A14 Natalia Velcynta Arca Rp.2000.000 PNS Yatim 4 80
A15 Atika Leoni Stalia Rp. 1500.000 Swasta Lengkap 2 95
A16 Yohanes Dikaprio Keo Rp. 1.200.000 Swasta Lengkap 5 85
A17 Luciana Gracia Kumat Rp. 3000.000 PNS Lengkap 3 79
A18 Yosefito Efendi Rp.2.500.000 Swasta Lengkap 3 83
A19 Egnesius Sebastian Rp.900.000 Wiraswasta Lengkap 2 80
A20 Sekar Yayu Chona Rp.1.800.000 Swasta Piatu 1 80

b Memberikan Nilai Kecocokan Rating Setiap Alternatif pada setiap Kriteria

Tabel 3. 10 Ranting Kecocokan Alternatif

C1 C2 C3 C4 C5
Alternatif Cost Benefit Benefit Cost Benefit
A1 Margareta Adelen Putri 5 5 1 3 4
A2 Elisabet Aura Kasih Arca 4 4 4 2 4
A3 Wiliams Sua Tapoona 4 5 3 4 4
A4 Oktaviano Rizky Padua 5 5 5 3 5
A5 Maria Aprilia Hasa 3 5 1 1 3
A6 Iqnasio Alfaro Ama 3 4 1 2 4

44
 A7 Yosef Falno Friligius 2 1 4 4 4
Kendri
A8 Fransiskus Alvaro 5 5 3 2 4
A9 Losia Olif Kesuna 4 5 4 3 4
A10 Anastacius Apriliano 5 5 1 4 4
Gervano
A11 Angelia Gesia Anum 5 5 1 2 3
A12 Maria Yusinar Putri Halu 4 4 1 1 4
A13 Fitriani Padua 5 5 1 3 3
A14 Natalia Velcynta Arca 2 1 4 4 4
A15 Atika Leoni Stalia 3 4 1 2 5
A16 Yohanes Dikaprio Keo 4 4 1 5 4
A17 Luciana Gracia Kumat 1 1 1 3 3
A18 Yosefito Efendi 2 4 1 3 4
A19 Egnesius Sebastian 5 5 1 2 4
A20 Sekar Yayu Chona 3 4 3 1 4

Berdasaekan tabel 3.11 diatas, dapat dilihat bahwa nilai siswa telah di konferensikan berdasarkan bobot yang
sudah ditentukan sebelumnya.

45
 c Matriks Keputusan
Matriks keputusan (X) yang dibentuk dari tabel rating kecocokan
alternatif pada setiap keriteria. Nilai X setiap alternatif (Ai) pada
setiap krtiteria (Cj) yang sudah ditentukan.

5 5 1 3 4
4 4 4 2 4
4 5 3 4 4
5 5 5 3 5
3 5 1 1 3
3 4 1 2 4
2 1 4 4 4
5 5 3 2 4
4 5 4 3 4
𝑋𝑖𝑗 = 5 5 1 4 4
5 5 1 2 3
4 4 1 1 4
5 5 1 3 3
2 1 4 4 4
3 4 1 2 5
4 4 1 5 4
1 1 1 3 3
2 4 1 3 4
5 5 1 2 4
(3 4 3 1 4 )
d Normalisasi Matriks
1. Normalisasi Matriks Kolom 1 (Penghasilan Orang Tua/ Wali)
𝐶1 = √52 + 42 + 42 + 52 + 32 + 32 + 22 + 52 + 42 + 52 + 52 + 42
+ 52 + 22 + 32 + 42 + 12 + 22 + 52 + 32
𝐶1 = √301
𝐶1 = 17.34
5
𝐴1,1 = = 0.2883
17.34
4
𝐴2,1 = = 0.2306
17.34

46
 4
𝐴3,1 = = 0.2306
17.34
5
𝐴4,1 = = 0.2883
17.34
3
𝐴5,1 = = 0.1730
17.34
3
𝐴6,1 = = 0.1730
17.34
2
𝐴7,1 = = 0.1153
17.34
5
𝐴8,1 = = 0.2883
17.34
4
𝐴9,1 = = 0.2306
17.34
5
𝐴10,1 = = 0.2883
17.34
5
𝐴11,1 = = 0.2883
17.34
4
𝐴12,1 = = 0.2306
17.34
5
𝐴13,1 = = 0.2883
17.34
2
𝐴14,1 = = 0.1153
17.34
3
𝐴15,1 = = 0.1730
17.34
4
𝐴16,1 = = 0.2306
17.34
1
𝐴17,1 = = 0.0576
17.34
2
𝐴18,1 = = 0.1153
17.34
5
𝐴19,1 = = 0.2883
17.34
3
𝐴20,1 = = 0.1730
17.34

2. Normalisasi Matriks Kolom 2 (Pekerjaan Orang Tua/ Wali)

𝐶2 = √52 + 42 + 52 + 52 + 52 + 42 + 12 + 52 + 52 + 52 + 52 + 42
+ 52 + 12 + 42 + 42 + 12 + 42 + 52 + 42
𝐶2 = √365
𝐶2 = 19.10
5
𝐴1.2 = = 0.2617
19.10
4
𝐴2,2 = = 0.2094
19.10
5
𝐴3,2 = = 0.2617
19.10

47
 5
𝐴4,2 = = 0.2617
19.10
5
𝐴5,2 = = 0.2617
19.10
4
𝐴6,2 = = 0.2094
19.10
1
𝐴7,2 = = 0.0523
19.10
5
𝐴8,2 = = 0.2617
19.10
5
𝐴9,2 = = 0.2617
19.10
5
𝐴10.2 = = 0.2617
19.10
5
𝐴11,2 = = 0.2617
19.10
4
𝐴12,2 = = 0.2094
19.10
5
𝐴13,2 = = 0.2617
19.10
1
𝐴14,2 = = 0.0523
19.10
4
𝐴15,2 = = 0.2094
19.10
4
𝐴16,2 = = 0.2094
19.10
1
𝐴17,2 = = 0.0523
19.10
4
𝐴18,2 = = 0.2094
19.10
5
𝐴19,2 = = 0.2617
19.10
4
𝐴20,2 = = 0.2094
19.10
3. Normalisasi Matriks Kolom 3 (Kondisi Anak)
𝐶2 = √12 + 42 + 32 + 52 + 12 + 12 + 42 + 32 + 42 + 12 + 12
+ 12 + 12 + 42 + 12 + 12 + 12 + 12 + 12 + 32
C3 = √127
C3 = 11.26
1
𝐴1,3 = = 0.0888
11.26
4
𝐴2,3 = = 0.3552
11.26
3
𝐴3,3 = = 0.2664
11.26
5
𝐴4,3 = = 0.4440
11.26

48
 1
𝐴5,3 = = 0.0888
11.26
1
𝐴6,3 = = 0.0888
11.26
4
𝐴7,3 = = 0.3552
11.26
3
𝐴8,3 = = 0.2664
11.26
4
𝐴9,3 = = 0.3552
11.26
1
𝐴10,3 = = 0.0888
11.26
1
𝐴11,3 = = 0.0888
11.26
1
𝐴12,3 = = 0.0888
11.26
1
𝐴13,3 = = 0.0888
11.26
4
𝐴14,3 = = 0.3552
11.26
1
𝐴15,3 = = 0.0888
11.26
1
𝐴16,3 = = 0.0888
11.26
1
𝐴17,3 = = 0.0888
11.26
1
𝐴18,3 = = 0.0888
11.26
1
𝐴19,3 = = 0.0888
11.26
3
𝐴20,3 = = 0.2664
11.26
4. Normalisasi Matriks Kolom 4 (Jumlah Tanggungan Orang Tua/
Wali)
C = √32 + 22 + 42 + 32 + 12 + 22 + 42 + 22 + 32 + 42 +
22 + 12 + 32 + 42 + 22 + 52 + 32 + 32 + 22 + 12 4
C5 = √170
C5 = 13.03
3
𝐴1,4 = = 0.2302
13.03
2
𝐴2,4 = = 0.1534
13.03
4
𝐴3,4 = = 0.3069
13.03
3
𝐴4,4 = = 0.2302
13.03
1
𝐴5,4 = = 0.0767
13.03

49
 2
𝐴6,4 = = 0.1534
13.03
4
𝐴7,4 = = 0.3069
13.03
2
𝐴8,4 = = 0.1534
13.03
3
𝐴9,4 = = 0.2302
13.03
4
𝐴10,4 = = 0.3069
13.03
2
𝐴11,4 = = 0.1534
13.03
1
𝐴12,4 = = 0.0767
13.03
3
𝐴13,4 = = 0.2302
13.03
4
𝐴14,4 = = 0.3069
13.03
2
𝐴15,4 = = 0.1534
13.03
5
𝐴16,4 = = 0.3837
13.03
3
𝐴17,4 = = 0.2302
13.03
3
𝐴18,4 = = 0.2302
13.03
2
𝐴19,4 = = 0.1534
13.03
1
𝐴20,4 = = 0.0767
13.03
5. Normalisasi Matriks Kolom 5 (Nilai Rapor)
C5 = √42 + 42 + 42 + 52 + 32 + 42 + 42 + 42 + 42 + 42 +
32 + 42 + 32 + 42 + 52 +42 + 32 + 42 + 42 +42
C5 = √310
C5= 17.60
4
𝐴1,5 = = 0.2272
17.60
4
𝐴2,5 = = 0.2272
17.60
4
𝐴3 ,5 = = 0.2272
17.60
5
𝐴4,5 = = 0.2880
17.60
3
𝐴5,5 = = 0.1704
17.60
4
𝐴6,5 = = 0.2272
17.60
4
𝐴7,5 = = 0.2272
17.60

50
 4
𝐴8,5 = = 0.2272
17.60
4
𝐴9,5 = = 0.2272
17.60
4
𝐴10,5 = = 0.2272
17.60
3
𝐴11,5 = = 0.1704
17.60
4
𝐴12 ,5 = = 0.2272
17.60
3
𝐴13,5 = = 0.1704
17.60
4
𝐴14,5 = = 0.2272
17.60
5
𝐴15,5 = = 0.2880
17.60
4
𝐴16,5 = = 0.2272
17.60
3
𝐴17,5 = = 0.1704
17.60
4
𝐴18,5 = = 0.2272
17.60
4
𝐴19,5 = = 0.2272
17.60
4
𝐴20,5 = = 0.2272
17.60

51
 Berdasarkan perhitungan normalisasi di atas , maka diperoleh nilai
normalisasi matriks (X * ij) :
0.2883 0.2617 0.0888 0.2302 0.2272
0.2306 0.2094 0.3552 0.1534 0.2272
0.2306 0.2617 0.2664 0.3069 0.2272
0.2883 0.2617 0.4440 0.2302 0.2880
0.1730 0.2617 0.0888 0.0767 0.1704
0.1730 0.2094 0.0888 0.1534 0.2272
0.1153 0.0523 0.3552 0.3069 0.2272
0.2883 0.2617 0.2664 0.1534 0.2272
0.2306 0.2617 0.3552 0.2302 0.2272
𝑋𝑖𝑗 = 0.2883 0.2617 0.0888 0.3069 0.2272
∗
0.2883 0.2617 0.0888 0.1534 0.1704
0.2306 0.2094 0.0888 0.0767 0.2272
0.2883 0.2617 0.0888 0.2302 0.1704
0.1153 0.0523 0.3552 0.3069 0.2272
0.1730 0.2094 0.0888 0.1534 0.2880
0.2306 0.2094 0.0888 0.3837 0.2272
0.0576 0.0523 0.0888 0.2302 0.1704
0.1153 0.2094 0.0888 0.2302 0.2272
0.2883 0.2617 0.0888 0.1534 0.2272
( 0.1730 0.2094 0.2664 0.0767 0.2272 )

a. Menghitung Nilai Optimasi

1. Perhitungan Nilai Optimasi pada alternatif 1

C1 =>A11= 0.2883 𝑥 0.22 = 0.0634

A21 = 0.2306 𝑥 0.22 = 0.0507
𝐴31 = 0.2306 𝑥 0.22 = 0.0507
𝐴41 = 0.2883 𝑥 0.22 = 0.0634
𝐴51 = 0.1730 𝑥 0.22 = 0.0380
𝐴61 = 0.1730 𝑥 0.22 = 0.0380
𝐴71 = 0.1153 𝑥 0.22 = 0.0253
𝐴81 = 0.2883 𝑥 0.22 = 0.0634
𝐴91 = 0.2306 𝑥 0.22 = 0.0507
A101= 0.2883 𝑥 0.22 = 0.0634
A111 = 0.2883 𝑥 0.22 = 0.0634
𝐴121 = 0.2306𝑥 0.22 = 0.0507

52
 𝐴131 = 0.2883𝑥 0.22 = 0.0634
𝐴141 = 0.1153𝑥 0.22 = 0.0253
𝐴151 = 0.1730 𝑥 0.22 = 0.0380
𝐴161 = 0.2306𝑥 0.22 = 0.0507
𝐴171 = 0.0576𝑥 0.22 = 0.0126
𝐴181 = 0.1153 𝑥 0.22 = 0.0253
𝐴191 = 0.2883𝑥 0.22 = 0.0634
𝐴201 = 0.1730 𝑥 0.22 = 0.0380
C2=>𝐴12 = 0.2617 𝑥 0.18 = 0.0471
𝐴22 = 0.2094 𝑥 0.18 = 0.0376
𝐴32 = 0.2617𝑥 0.18 = 0.0471
𝐴42 = 0.2617 𝑥 0.18 = 0.0471
𝐴52 = 0.2617𝑥 0.18 = 0.0471
𝐴62 = 0.2094 𝑥 0.18 = 0.0376
𝐴72 = 0.0523 𝑥 0.18 = 0.0094
𝐴82 = 0.2617 𝑥 0.18 = 0.0471
𝐴92 = 0.2617 𝑥 0.18 = 0.0471
𝐴102 = 0.2617 𝑥 0.18 = 0.0471
𝐴112 = 0.2617 𝑥 0.18 = 0.0471
𝐴122 = 0.2094𝑥 0.18 = 0.0376
𝐴132 = 0.2617 𝑥 0.18 = 0.0471
𝐴142 = 0.0523𝑥 0.18 = 0.0094
𝐴152 = 0.2094 𝑥 0.18 = 0.0376
𝐴162 = 0.2094 𝑥 0.18 = 0.0376
𝐴172 = 0.0523 𝑥 0.18 = 0.0094
𝐴182 = 0.2094 𝑥 0.18 = 0.0376
𝐴192 = 0.2617 𝑥 0.18 = 0.0471
𝐴202 = 0.2094 𝑥 0.18 = 0.0471
C3=>A13 = 0.0888 𝑥 0,18 = 0.0159
𝐴23 = 0.3552 𝑥 0,18 = 0.0639
𝐴33 = 0.2664 𝑥 0,18 = 0.0479
𝐴43 = 0.4440 𝑥 0,18= 0.0799
𝐴53 = 0.0888 𝑥 0,18 = 0.0159
𝐴63 = 0.0888𝑥 0,18 = 0.0159
𝐴73 = 0.3552 𝑥 0,18 = 0.0639
𝐴83 = 0.2664 𝑥 0,18 = 0.0479

53
 𝐴93 = 0.3552 𝑥 0,18 = 0.0639
A103 = 0.0888 𝑥 0,18 = 0.0159
𝐴113 = 0.0888 𝑥 0,18 = 0.0159
𝐴123 = 0.0888𝑥 0,18 = 0.0159
𝐴133 = 0.0888 𝑥 0,18= 0.0159
𝐴143 = 0.3552 𝑥 0,18 = 0.0639
𝐴153 = 0.0888 𝑥 0,18 = 0.0159
𝐴163 = 0.0888 𝑥 0,18 = 0.0159
𝐴173 = 0.0888 𝑥 0,18 = 0.0159
𝐴183 = 0.0888 𝑥 0,18 = 0.0159
𝐴193 = 0.0888 𝑥 0,18 = 0.0159
𝐴203 = 0.2664 𝑥 0,18 = 0.0479
C4=> 𝐴14 = 0.2302 𝑥 0,22 = 0.0506
𝐴24 = 0.1534 𝑥 0,22 = 0.0337
𝐴34 = 0.3069 𝑥 0,22 = 0.0675
𝐴44 = 0.2302 𝑥 0,22 = 0.0506
𝐴54 = 0.0767𝑥 0,22 = 0.0168
𝐴64 = 0.1534 𝑥 0,22 = 0.0337
𝐴74 = 0.3069 𝑥 0,22 = 0.0675
𝐴84 = 0.1534 𝑥 0,22 = 0.0337
𝐴94 = 0.2302 𝑥 0,22 = 0.0506
𝐴104 = 0.3069𝑥 0,22 = 0.0675
𝐴114 = 0.1534 𝑥 0,22 = 0.0337
𝐴124 = 0.0767𝑥 0,22 = 0.0168
𝐴134 = 0.2302 𝑥 0,22 = 0.0506
𝐴144 = 0.3069𝑥 0,22 = 0.0675
𝐴154 = 0.1534 𝑥 0,22 = 0.0337
𝐴164 = 0.3837 𝑥 0,22 = 0.0844
𝐴174 = 0.2302 𝑥 0,22 = 0.0506
𝐴184 = 0.2302 𝑥 0,22 = 0.0506
𝐴194 = 0.1534 𝑥 0,22 = 0.0337
𝐴204 = 0.0767 𝑥 0,22 = 0.0168

54
C5=> 𝐴15 = 0.2272 𝑥 0,18 = 0.0408
𝐴25 = 0.2272 𝑥 0,18 = 0.0408
𝐴35 = 0.2272 𝑥 0,18 = 0.0408
𝐴45 = 0.2880 𝑥 0,18 = 0.0518
𝐴55 = 0.1704 𝑥 0,18 = 0.0306
𝐴65 = 0.2272 𝑥 0,18 = 0.0408
𝐴75 = 0.2272 𝑥 0,18 = 0.0408
𝐴85 = 0.2272 𝑥 0,18 = 0.0408
𝐴95 = 0.2272 𝑥 0,18 = 0.0408
𝐴105 = 0.2272 𝑥 0,18 = 0.0408
𝐴115 = 0.1704 𝑥 0,18 = 0.0306
𝐴125 = 0.2272 𝑥 0,18 = 0.0408
𝐴135 = 0.1704 𝑥 0,18 = 0.0306
𝐴145 = 0.2272 𝑥 0,18 = 0.0408
𝐴155 = 0.2880 𝑥 0,18 = 0.0408
𝐴165 = 0.2272𝑥 0,18 = 0.0408
𝐴175 = 0.1704 𝑥 0,18 = 0.0306
𝐴185 = 0.2272 𝑥 0,18 = 0.0408
𝐴195 = 0.2272 𝑥 0,18 = 0.0408
𝐴205 = 0.2272 𝑥 0,18 = 0.0408

55
2. Mengoptimalkan atribut menyertakan bobot dalam pencarian yang
ternormalisasi :
0.0634 0.0471 0.0159 0.0506 0.0408
0.0507 0.0376 0.0639 0.0337 0.0408
0.0507 0.0471 0.0479 0.0675 0.0408
0.0634 0.0471 0.0799 0.0506 0.0518
0.0380 0.0471 0.0159 0.0168 0.0306
0.0380 0.0376 0.0159 0.0337 0.0408
0.0253 0.0094 0.0639 0.0675 0.0408
0.0634 0.0471 0.0479 0.0337 0.0408
0.0507 0.0471 0.0639 0.0506 0.0408
0.0634 0.0471 0.0159 0.0675 0.0408
𝑊𝑗 =
0.0634 0.0471 0.0159 0.0337 0.0306
0.0507 0.0376 0.0159 0.0168 0.0408
0.0634 0.0471 0.0159 0.0506 0.0306
0.0253 0.0094 0.0639 0.0675 0.0408
0.0380 0.0376 0.0159 0.0337 0.0408
0.0507 0.0376 0.0159 0.0844 0.0408
0.0126 0.0094 0.0159 0.0506 0.0306
0.0253 0.0376 0.0159 0.0506 0.0408
0.0634 0.0471 0.0159 0.0337 0.0408
(0.0380 0.0471 0.0479 0.0168 0.0408)

Selanjutnya kita menghitung nilai Yi, yang dapat kita liat pada tabel
berikut :

Tabel 3. 11 Daftar Yi
Yi
Alternatif MAXIMUM MINIMUM (Max-
Min)
(C2+C3+C5) (C1+C4)
A1 0.1038 0.114 -0.0102
A2 0.1423 0.0844 0.0579
A3 0.5669 0.1182 0.4487
A4 0.1788 0.114 0.0648
A5 0.0936 0.0686 0.025

56
 A6 0.0943 0.0717 0.0226
A7 0.1141 0.0928 0.0213
A8 0.1358 0.0971 0.0387
A9 0.1518 0.1182 0.0336
A10 0.1038 0.1309 -0.0271
A11 0.0936 0.0971 -0.0035
A12 0.0943 0.0675 0.0268
A13 0.0936 0.114 -0.0204
A14 0.1141 0.0928 0.0213
A15 0.0943 0.0717 0.0226
A16 0.094 0.1351 -0.0411
A17 0.0559 0.0632 -0.0073
A18 0.0943 0.0759 0.0184
A19 0.1038 0.0971 0.0067
A20 0.1358 0.058 0.0778

b. Menentukan Rangking
Berdasarkan hasil perhitungan nilai optimasi sebelumnya, hasil
dapat diurutkan dari yang terbesar sampai yang terkecil, yang dimana
alternatif yang mempunyai nilai optimasi terbesar merupakan alternatif
yang terpilih. Dapat kita lihat pada tabel berikut ini:

Tabel 3. 12 Menentukan Perangkingan

Alternatif Nilai Rangking

A1 -0.0102 17
A2 0.0579 4
A3 0.4487 1
A4 0.0648 3
A5 0.025 8
A6 0.0229 9
A7 0.0210 12
A8 0.0387 5
A9 0.0336 6

57
 A10 -0.0271 19
A11 -0.0035 15
A12 0.0268 7
A13 -0.0204 18
A14 0.0213 11
A15 0.0226 10
A16 -0.0411 20
A17 -0.0073 16
A18 0.0184 13
A19 0.0067 14
A20 0.0778 2
3.8 Perancangan Metode Topsis
Setelah bobot untuk setiap kriteria diperoleh, proses selanjutnya yaitu
dilakukan perangkingan dengan menggunakan metode Technique for
Order Preference By Similarity To Ideal Solution. Tahapan-tahapan yang
dilakukan pada metode Topsis, yaitu membuat sebuah matriks keputusan.
Matriks keputusan yang berisikan pada kolom matriksnya adalah
kriteria-kriteria yang telah ditentukan pada baris matriksnya adalah sebuah
alternatif yaitu nama-nama siswa. Matriks keputusan mengacu pada m
alternatif dan n kriteria. Berikut dapat dilihat pada tabel berikut :
Tabel 3. 13 Matriks Keputusan
C1 C2 C3 C4 C5
A1 X11 X21 X31 X41 X51
A2 X12 X22 X32 X42 X52
A3 X13 X23 X33 X43 X53
A4 X14 X24 X34 X44 X54
A5 X15 X25 X35 X45 X55
A6 X16 X26 X36 X46 X56
A7 X17 X27 X37 X47 X57
A8 X18 X28 X38 X48 X58
A9 X19 X29 X39 X49 X59
A10 X110 X210 X310 X410 X510
A11 X111 X211 X311 X411 X512
A12 X112 X212 X312 X412 X513
A13 X113 X213 X313 X413 X514
A14 X114 X214 X314 X414 X515

58
 A15 X115 X215 X315 X415 X516
A16 X116 X216 X316 X416 X516
A17 X117 X217 X317 X417 X517
A18 X118 X218 X318 X418 X518
A19 X119 X219 X319 X419 X519
A20 X120 X220 X320 X420 X520
Pada tabel 3.4 matriks keputusan dengan rumus X11,…,…X520
menyatakan performasi alternatif dengan acuan kriteria adalah data scor
kriteria untuk setiap alternatif dimana :
Xij adalah performasi altenatif ke I untuk kriteria ke j
XIj (i=1,2,3,...m) adalah alternatif-altenatif yang mungkin
Xj (i=1,2,3,...,,n) adalah kriteria dimana performasi alternatif
diukur.
Rangking kecocokan untuk setiap alternatif pada kriteria dinilai dengan
scor 1 sampai 5, dimana:
1 = Sangat tidak penting
2 = Tidak penting
3 = Cukup penting
4 = Penting
5 = Sangat penting
3.9.1 Tahap Perhitungan Metode Topsis
Tahapan perhitungan metode topsis dibagi menjadi 6 tahapan.
Berikut data siswa pada SD Negeri Lancang, dengan rangking
kecocokannya. Berikut dapat dilihat pada tabel 3

59
a. Menentukan Data Alternatif
Tabel 3. 14 Data Seleksi Penerima BSM
C1 C2 C3 C4 C5
Alternatif Cost Benefit Benefit Cost Benefit
A1 Margareta Adelen Putri Rp. 900.000 Wiraswasta Lengkap 3 80
A2 Elisabet Aura Kasih Arca Rp. 1.000.000 Swasta Yatim 2 85
A3 Wiliams Sua Tapoona Rp. 1.200.000 Wiraswasta Piatu 4 84
A4 Oktaviano Rizky Padua Rp. 900.000 Wiraswasta Yatim Piatu 3 90
A5 Maria Aprilia Hasa Rp. 1.500.000 Wiraswasta Lengkap 1 79
A6 Iqnasio Alfaro Ama Rp. 1.700.000 Swasta Lengkap 2 85
A7 Yosef Falno Friligius Kendri Rp. 2000.000 PNS Yatim 4 89
A8 Fransiskus Alvaro Rp. 850.000 Wiraswasta Piatu 2 80
A9 Losia Olif Kesuna Rp. 1.300.000 Wiraswasta Yatim 3 87
A10 Anastacius Apriliano Rp. 850.000 Wiraswasta Lengkap 4 80
Gervano
A11 Angelia Gesia Anum Rp. 900.000 Wiraswasta Lengkap 2 75
A12 Maria Yusinar Putri Halu Rp.1000.000 Swasta Lengkap 1 90
A13 Fitriani Padua Rp. 600.000 Wiraswasta Lengkap 3 85
A14 Natalia Velcynta Arca Rp.2000.000 PNS Yatim 4 80
A15 Atika Leoni Stalia Rp. 1500.000 Swasta Lengkap 2 95
60
 A16 Yohanes Dikaprio Keo Rp. 1.200.000 Swasta Lengkap 5 85
A17 Luciana Gracia Kumat Rp. 3000.000 PNS Lengkap 3 79
A18 Yosefito Efendi Rp.2.500.000 Swasta Lengkap 3 83
A19 Egnesius Sebastian Rp.900.000 Wiraswasta Lengkap 2 80
A20 Sekar Yayu Chona Rp.1.800.000 Swasta Piatu 1 80

1. Berdasarkan data diatas yang telah disesuaikan dengan rangking kecocokan dari setiap kriteria, dapat dibuat
matrikks keputusan seperti pada tabel 3.15.

Tabel 3. 15 Matriks kecocokan Rangking Setiap Altenatif

C1 C2 C3 C4 C5
Alternatif Cost Benefit Benefit Cost Benefit
A1 Margareta Adelen Putri 5 5 1 3 4
A2 Elisabet Aura Kasih Arca 4 4 4 2 4
A3 Wiliams Sua Tapoona 4 5 3 4 4
A4 Oktaviano Rizky Padua 5 5 5 3 5
A5 Maria Aprilia Hasa 3 5 1 1 3
A6 Iqnasio Alfaro Ama 3 4 1 2 4
A7 Yosef Falno Friligius 2 1 4 4 4
Kendri
61
A8 Fransiskus Alvaro 5 5 3 2 4
A9 Losia Olif Kesuna 4 5 4 3 4
A10 Anastacius Apriliano 5 5 1 4 4
Gervano
A11 Angelia Gesia Anum 5 5 1 2 3
A12 Maria Yusinar Putri Halu 4 4 1 1 4
A13 Fitriani Padua 5 5 1 3 3
A14 Natalia Velcynta Arca 2 1 4 4 4
A15 Atika Leoni Stalia 3 4 1 2 5
A16 Yohanes Dikaprio Keo 4 4 1 5 4
A17 Luciana Gracia Kumat 1 1 1 3 3
A18 Yosefito Efendi 2 4 1 3 4
A19 Egnesius Sebastian 5 5 1 2 4
A20 Sekar Yayu Chona 3 4 3 1 4
Keterangan : C1,C2,C3,C4,C5 : Kriteria yang ditentukan
A1,A2,A3,A4,A5,A6,A7,A8,A9 Dst : Data Siswa

62
2. Setelah matriks keputusan dibuat, selanjutnya adalah membuat matriks
keputusan ternormalisasi R yang fungsinya untuk memperkecil range data,
dengan tujuan untuk mempermudah perhitungan Topsis. Berikut ini adalah
perhitungan matriks keputusan ternormalisasi sebagai berikut :
a) Mencari Nilai [𝑋11 ]

[𝑋11 ] = √52 + 42 + 42 + 52 + 32 + 32 + 22 + 52 + 42 + 52 +
5 2 + 42 + 52 + 22 + 3 2 + 42 + 12 + 22 + 5 2 + 32
[𝑋11 ] = √301
[𝑋11 ] = 17.34
𝑋11 5
𝑟11 = = = 0.2883
𝑋11 17.34
𝑋12 4
𝑟21 = = = 0.2306
𝑋11 17.34
𝑋13 4
𝑟31 = = = 0.2306
𝑋11 17.34
𝑋14 5
𝑟41 = = = 0.2883
𝑋11 17.34
𝑋15 3
𝑟51 = = = 0.1730
𝑋11 17.34
𝑋16 3
𝑟61 = = = 0.1730
𝑋11 17.34
𝑋17 2
𝑟71 = = = 0.1153
𝑋11 17.34
𝑋18 5
𝑟81 = = = 0.2883
𝑋11 17.34
𝑋19 4
𝑟91 = = = 0.2306
𝑋11 17.34
𝑋110 5
𝑟101 = = = 0.2883
𝑋11 17.34
𝑋111 5
𝑟111 = = = 0.2883
𝑋11 17.34
𝑋112 4
𝑟121 = = = 0.2306
𝑋11 17.34
𝑋113 5
𝑟131 = = = 0.2883
𝑋11 17.34
𝑋114 2
𝑟141 = = = 0.1153
𝑋11 17.34
𝑋115 3
𝑟151 = = = 0.1730
𝑋11 17.34
𝑋116 4
𝑟161 = = = 0.2306
𝑋11 17.34
𝑋117 1
𝑟171 = = = 0.0576
𝑋11 17.34

63
 𝑋11 2
𝑟181 = = = 0.1153
𝑋11 17.34
𝑋119 5
𝑟191 = = = 0.2883
𝑋11 17.34
𝑋120 3
𝑟201 = = = 0.1730
𝑋11 17.34

b) Mencari Nilai [𝑋12 ]

[𝑋12 ] = √52 + 42 + 52 + 52 + 52 + 42 + 12 + 52 + 52 + 52 + 52
+ 42 + 52 + 12 + 42 + 42 + 12 + 42 + 52 + 42
[𝑋12 ] = √365
[𝑋12 ] = 19.10
𝑋21 5
𝑟12 = = = 0.2617
𝑋21 19.10
𝑋22 4
𝑟22 = = = 0.2094
𝑋21 19.10
𝑋23 5
𝑟32 = = = 0.2617
𝑋21 19.10
𝑋24 5
𝑟42 = = = 0.2617
𝑋21 19.10
𝑋25 5
𝑟52 = = = 0.2617
𝑋21 19.10
𝑋26 4
𝑟62 = = = 0.2094
𝑋21 19.10
𝑋27 1
𝑟72 = = = 0.0523
𝑋21 19.10
𝑋29 5
𝑟82 = = = 0.2617
𝑋21 19.10
𝑋29 5
𝑟92 = = = 0.2617
𝑋21 19.10
𝑋210 5
𝑟102 = = = 0.2617
𝑋21 19.10
𝑋212 5
𝑟112 = = = 0.2617
𝑋21 19.10
𝑋212 4
𝑟122 = = = 0.2094
𝑋21 19.10
𝑋213 5
𝑟132 = = = 0.2617
𝑋21 19.10
𝑋214 1
𝑟142 = = = 0.0523
𝑋21 19.10
𝑋215 4
𝑟152 = = = 0.2094
𝑋21 19.10
𝑋216 4
𝑟162 = = = 0.2094
𝑋21 19.10

64
 𝑋217 1
𝑟172 = = = 0.0523
𝑋21 19.10
𝑋218 4
𝑟182 = = = 0.2094
𝑋21 19.10
𝑋219 5
𝑟192 = = = 0.2617
𝑋21 19.10
𝑋220 4
𝑟202 = = = 0.2094
𝑋21 19.10
Hasil dari matriks keputusan ternormalisasi tersebut dapat dilihat
pada tabel 3.17.

Tabel 3. 16 Matriks Keputusan Ternormalisasi R

C1 C2 C3 C4 C5
A1 0.2883 0.2617 0.0888 0.2302 0.2272
A2 0.2306 0.2094 0.3552 0.1534 0.2272
A3 0.2306 0.2617 0.2664 0.3069 0.2272
A4 0.2883 0.2617 0.4440 0.2302 0.2880
A5 0.1730 0.2617 0.0888 0.0767 0.1704
A6 0.1730 0.2094 0.0888 0.1534 0.2272
A7 0.1153 0.0523 0.3552 0.3069 0.2272
A8 0.2883 0.2617 0.2664 0.1534 0.2272
A9 0.2306 0.2617 0.3552 0.2302 0.2272
A10 0.2883 0.2617 0.0888 0.3069 0.2272
A11 0.2883 0.2617 0.0888 0.1534 0.1704
A12 0.2306 0.2094 0.0888 0.0767 0.2272
A13 0.2883 0.2617 0.0888 0.2302 0.1704
A14 0.1153 0.0523 0.3552 0.3069 0.2272
A15 0.1730 0.2094 0.0888 0.1534 0.2880
A16 0.2306 0.2094 0.0888 0.3837 0.2272
A17 0.0576 0.0523 0.0888 0.2302 0.1704
A18 0.1153 0.2094 0.0888 0.2302 0.2272
A19 0.2883 0.2617 0.0888 0.1534 0.2272
A20 0.1730 0.2094 0.2664 0.0767 0.2272

3. Membuat Matriks Ternormalisasi Terbobot

Setelah membuat matriks keputusan ternormalisasi, selanjutnya
membuat matriks ternormalisasi terbobot V. Berdasarkan rumus W (bobot

65
priority), dapat diperoleh dari hasil perhitungan Moora, Sepeti pada tabel
3.18.

Tabel 3. 17 Matriks Kriteria Berpasangan Metode MOORA

Kriteria C1 C2 C3 C4 C5
W 0,22 0,18 0,18 0,22 0,18

a) Pembobotan Ternormalisasi C1
C1 =>𝑊1 𝑅11= 0.2883 𝑥 0.22 = 0.0634
𝑊1 𝑅12 == 0.2306 𝑥 0.22 = 0.0507
𝑊1 𝑅13 = 0.2306 𝑥 0.22 = 0.0507
𝑊1 𝑅14 = 0.2883 𝑥 0.22 = 0.0634
𝑊1 𝑅15 = 0.1730 𝑥 0.22 = 0.0380
𝑊1 𝑅16 = 0.1730 𝑥 0.22 = 0.0380
𝑊1 𝑅17 = 0.1153 𝑥 0.22 = 0.0253
𝑊1 𝑅18 = 0.2883 𝑥 0.22 = 0.0634
𝑊1 𝑅19 = 0.2306 𝑥 0.22 = 0.0507
𝑊1 𝑅110 = 0.2883 𝑥 0.22 = 0.0634
𝑊1 𝑅111 = 0.2883 𝑥 0.22 = 0.0634
𝑊1 𝑅112 = 0.2306𝑥 0.22 = 0.0507
𝑊1 𝑅113 = 0.2883𝑥 0.22 = 0.0634
𝑊1 𝑅114 = 0.1153𝑥 0.22 = 0.0253
𝑊1 𝑅115 = 0.1730 𝑥 0.22 = 0.0380
𝑊1 𝑅116 = 0.2306𝑥 0.22 = 0.0507
𝑊1 𝑅117 = 0.0576𝑥 0.22 = 0.0126
𝑊1 𝑅118 = 0.1153 𝑥 0.22 = 0.0253
𝑊1 𝑅119 = 0.2883𝑥 0.22 = 0.0634
𝑊1 𝑅120 = 0.1730 𝑥 0.22 = 0.0380
b) Pembobotan Ternormalisasi C2
C2=>𝑊2 𝑅21 = 0.2617 𝑥 0.18 = 0.0471
𝑊2 𝑅22 = 0.2094 𝑥 0.18 = 0.0376
𝑊2 𝑅23 = 0.2617𝑥 0.18 = 0.0471
𝑊2 𝑅24 = 0.2617 𝑥 0.18 = 0.0471
𝑊2 𝑅25 = 0.2617𝑥 0.18 = 0.0471
𝑊2 𝑅26 = 0.2094 𝑥 0.18 = 0.0376
𝑊2 𝑅27 = 0.0523 𝑥 0.18 = 0.0094
𝑊2 𝑅28 = 0.2617 𝑥 0.18 = 0.0471

66
 𝑊2 𝑅29 = 0.2617 𝑥 0.18 = 0.0471
𝑊2 𝑅210 = 0.2617 𝑥 0.18 = 0.0471
𝑊2 𝑅211 = 0.2617 𝑥 0.18 = 0.0471
𝑊2 𝑅212 0.2094𝑥 0.18 = 0.0376
𝑊2 𝑅213 = 0.2617 𝑥 0.18 = 0.0471
𝑊2 𝑅214 = 0.0523𝑥 0.18 = 0.0094
𝑊2 𝑅215 = 0.2094 𝑥 0.18 = 0.0376
𝑊2 𝑅216 = 0.2094 𝑥 0.18 = 0.0376
𝑊2 𝑅217 = 0.0523 𝑥 0.18 = 0.0094
𝑊2 𝑅218 = 0.2094 𝑥 0.18 = 0.0376
𝑊2 𝑅219 = 0.2617 𝑥 0.18 = 0.0471
𝑊2 𝑅220 = 0.2094 𝑥 0.18 = 0.0471
c) Pembobotan Ternormalisasi C3
C3=>𝑊3 𝑅31 = 0.0888 𝑥 0,18 = 0.0159
𝑊3 𝑅32 = 0.3552 𝑥 0,18 = 0.0639
𝑊3 𝑅33 = 0.2664 𝑥 0,18 = 0.0479
𝑊3 𝑅34 = 0.4440 𝑥 0,18= 0.0799
𝑊3 𝑅35 = 0.0888 𝑥 0,18 = 0.0159
𝑊3 𝑅36 = 0.0888𝑥 0,18 = 0.0159
𝑊3 𝑅37 = 0.3552 𝑥 0,18 = 0.0639
𝑊3 𝑅38 = 0.2664 𝑥 0,18 = 0.0479
𝑊3 𝑅39 = 0.3552 𝑥 0,18 = 0.0639
𝑊3 𝑅310= 0.0888 𝑥 0,18 = 0.0159
𝑊3 𝑅311 = 0.0888 𝑥 0,18 = 0.0159
𝑊3 𝑅312 = 0.0888𝑥 0,18 = 0.0159
𝑊3 𝑅313 = 0.0888 𝑥 0,18= 0.0159
𝑊3 𝑅314 = 0.3552 𝑥 0,18 = 0.0639
𝑊3 𝑅315 = 0.0888 𝑥 0,18 = 0.0159
𝑊3 𝑅316 = 0.0888 𝑥 0,18 = 0.0159
𝑊3 𝑅317 = 0.0888 𝑥 0,18 = 0.0159
𝑊3 𝑅3118 = 0.0888 𝑥 0,18 = 0.0159
𝑊3 𝑅319 = 0.0888 𝑥 0,18 = 0.0159
𝑊3 𝑅320 = 0.2664 𝑥 0,18 = 0.0479
d) Pembobotan Ternormalisasi C4
C4=> 𝑊4 𝑅41 = 0.2302 𝑥 0,22 = 0.0506
𝑊4 𝑅42 = 0.1534 𝑥 0,22 = 0.0337

67
 𝑊4 𝑅43 = 0.3069 𝑥 0,22 = 0.0675
𝑊4 𝑅44 = 0.2302 𝑥 0,22 = 0.0506
𝑊4 𝑅45 = 0.0767𝑥 0,22 = 0.0168
𝑊4 𝑅46 = 0.1534 𝑥 0,22 = 0.0337
𝑊4 𝑅47 = 0.3069 𝑥 0,22 = 0.0675
𝑊4 𝑅48 = 0.1534 𝑥 0,22 = 0.0337
𝑊4 𝑅49 = 0.2302 𝑥 0,22 = 0.0506
𝑊4 𝑅410 = 0.3069𝑥 0,22 = 0.0675
𝑊4 𝑅411 = 0.1534 𝑥 0,22 = 0.0337
𝑊4 𝑅412 = 0.0767𝑥 0,22 = 0.0168
𝑊4 𝑅413 = 0.2302 𝑥 0,22 = 0.0506
𝑊4 𝑅414 = 0.3069𝑥 0,22 = 0.0675
𝑊4 𝑅415 = 0.1534 𝑥 0,22 = 0.0337
𝑊4 𝑅416 = 0.3837 𝑥 0,22 = 0.0844
𝑊4 𝑅417 = 0.2302 𝑥 0,22 = 0.0506
𝑊4 𝑅418 = 0.2302 𝑥 0,22 = 0.0506
𝑊4 𝑅419 = 0.1534 𝑥 0,22 = 0.0337
𝑊4 𝑅420 = 0.0767 𝑥 0,22 = 0.0168
e) Pembobotan Ternormalisasi C5
C5=> 𝑊5 𝑅51 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅52 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅53 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅54 = 0.2880 𝑥 0,18 = 0.0518
𝑊5 𝑅55 = 0.1704 𝑥 0,18 = 0.0306
𝑊5 𝑅56 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅57 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅58 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅59 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅510 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅511 = 0.1704 𝑥 0,18 = 0.0306
𝑊5 𝑅512 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅513 = 0.1704 𝑥 0,18 = 0.0306
𝑊5 𝑅514 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅515 = 0.2880 𝑥 0,18 = 0.0408
𝑊5 𝑅516 = 0.2272𝑥 0,18 = 0.0408

68
 𝑊5 𝑅517 = 0.1704 𝑥 0,18 = 0.0306
𝑊5 𝑅518 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅519 = 0.2272 𝑥 0,18 = 0.0408
𝑊5 𝑅520 = 0.2272 𝑥 0,18 = 0.0408
Dari rumus perhitungan diatas, maka didapatkan hasil matriks
ternormalisasi terbobot seperti pada tabel 3.18 berikut ini:

Tabel 3. 18 Hasil Perhitungan Ternormalisasi Terbobot

C1 C2 C3 C4 C5
A1 0.0634 0.0471 0.0159 0.0506 0.0408
A2 0.0507 0.0376 0.0639 0.0337 0.0408
A3 0.0507 0.0471 0.0479 0.0675 0.0408
A4 0.0634 0.0471 0.0799 0.0506 0.0518
A5 0.0380 0.0471 0.0159 0.0168 0.0306
A6 0.0380 0.0376 0.0159 0.0337 0.0408
A7 0.0253 0.0094 0.0639 0.0675 0.0408
A8 0.0634 0.0471 0.0479 0.0337 0.0408
A9 0.0507 0.0471 0.0639 0.0506 0.0408
A10 0.0634 0.0471 0.0159 0.0675 0.0408
A11 0.0634 0.0471 0.0159 0.0337 0.0306
A12 0.0507 0.0376 0.0159 0.0168 0.0408
A13 0.0634 0.0471 0.0159 0.0506 0.0306
A14 0.0253 0.0094 0.0639 0.0675 0.0408
A15 0.0380 0.0376 0.0159 0.0337 0.0408
A16 0.0507 0.0376 0.0159 0.0844 0.0408
A17 0.0126 0.0094 0.0159 0.0506 0.0306
A18 0.0253 0.0376 0.0159 0.0506 0.0408
A19 0.0634 0.0471 0.0159 0.0337 0.0408
A20 0.0380 0.0471 0.0479 0.0168 0.0408

4. Menentukan matriks solusi ideal positif dan solusi ideal negatif

Selanjutnya menentukan matriks solusi ideal positif (A+) yang merupakan
benefit criteria, untuk mencari nilai ideal positif yaitu dengan cara
menentukan nilai tertinggi untuk setiap kriteria dan solusi ideal negatif (A-
) yang merupakan cost criteria dengan cara mencari nilai terendah untuk
setipa kriteria.

69
a) Solusi ideal positif (𝐴+ )
Sehingga jarak antara nilai terbobot adalah setiap alternatif terhadapap
solusi ideal positif (𝐴+ ) dihitung sebagai berikut:
0,0634; 0,0507; 0,0507; 0,0634; 0,0380; 0,0380;
0,0253; 0,0634; 0,0507; 0,0634; 0,0634; 0,0507;
(𝑌1+ ) = 𝑀𝑎𝑥 ( )
0,0634; 0,0253; 0,0380; 0,0507; 0,0126; 0,0253;
0,0634; 0,0380
= 0,0634
0,0471; 0,0376; 0,0471; 0,0471; 0,0471; 0,0376;
+ 0,0094; 0,0471; 0,0471; 0,0471; 0,0471; 0,0376;
(𝑌2 ) = 𝑀𝑎𝑥 ( )
0,0471; 0,0094; 0,0376; 0,0376; 0,0094; 0,0376;
0,0471; 0,0471
= 0,0471
0,0159; 0,0639; 0,0479; 0,0799; 0,0159; 0,0159;
0,0639; 0,0479; 0,0639; 0,0159; 0,0159; 0,0159;
(𝑌3+ )= 𝑀𝑎𝑥 ( )
0,0159; 0,0639; 0,0159; 0,0159; 0,0159; 0,0159;
0,0159; 0,0479
=0,0799
0,0506; 0,0337; 0,0675; 0,0506; 0,0168; 0,0337;
+ 0,0675; 0,0337; 0,0506; 0,0675; 0,0337; 0,0168;
(𝑌4 )= 𝑀𝑎𝑥 ( )
0,0506; 0,0675; 0,0337; 0,0844; 0,0506; 0,0506;
0,0337; 0,0168
= 0,0844
0,0408; 0,0408; 0,0408; 0,0518; 0,0306; 0,0408;
0,0408; 0,0408; 0,0408; 0,0408; 0,0306; 0,0408;
(𝑌5+ ) = 𝑀𝑎𝑥 ( )
0,0306; 0,0408; 0,0408; 0,0408; 0,0306; 0,0408;
0,0408; 0,0408
= 0,0518
(𝑨+ ) = (0,0634; 0,0471; 𝟎, 𝟎𝟕𝟗𝟗; 𝟎, 𝟎𝟖𝟒𝟒; 𝟎, 𝟎𝟓𝟏𝟖)

b) Solusi ideal positif (𝐴− )

0,0634; 0,0507; 0,0507; 0,0634; 0,0380; 0,0380;
− 0,0253; 0,0634; 0,0507; 0,0634; 0,0634; 0,0507;
(𝑌1 ) = 𝑀𝑖𝑛 ( )
0,0634; 0,0253; 0,0380; 0,0507; 0,0126; 0,0253;
0,0634; 0,0380
= 0,0126

70
 0,0471; 0,0376; 0,0471; 0,0471; 0,0471; 0,0376;
0,0094; 0,0471; 0,0471; 0,0471; 0,0471; 0,0376;
(𝑌2− ) = 𝑀𝑖𝑛 ( )
0,0471; 0,0094; 0,0376; 0,0376; 0,0094; 0,0376;
0,0471; 0,0471
=0,0094

0,0159; 0,0639; 0,0479; 0,0799; 0,0159; 0,0159;

0,0639; 0,0479; 0,0639; 0,0159; 0,0159; 0,0159;
(𝑌3− ) = 𝑀𝑖𝑛 ( )
0,0159; 0,0639; 0,0159; 0,0159; 0,0159; 0,0159;
0,0159; 0,0479
= 0,0159
0,0506; 0,0337; 0,0675; 0,0506; 0,0168; 0,0337;
− 0,0675; 0,0337; 0,0506; 0,0675; 0,0337; 0,0168;
(𝑌4 ) = 𝑀𝑖𝑛 ( )
0,0506; 0,0675; 0,0337; 0,0844; 0,0506; 0,0506;
0,0337; 0,0168
= 0,0168
0,0408; 0,0408; 0,0408; 0,0518; 0,0306; 0,0408;
− 0,0408; 0,0408; 0,0408; 0,0408; 0,0306; 0,0408;
(𝑌5 ) = 𝑀𝑖𝑛 ( )
0,0306; 0,0408; 0,0408; 0,0408; 0,0306; 0,0408;
0,0408; 0,0408
= 0,0306
(𝑨− ) = (𝟎, 𝟎𝟏𝟐𝟔; 𝟎, 𝟎𝟎𝟗𝟒; 𝟎, 𝟎𝟏𝟓𝟗; 𝟎, 𝟎𝟏𝟔𝟖; 𝟎, 𝟎𝟑𝟎𝟔)

Tabel 3. 19 Matriks Solusi Ideal Positif Dan Solusi Ideal Negatif

C1 C2 C3 C4 C5
Solusi ideal
positif (𝐴+ ) 0,0634 0,0471 0,0799 0,0844 0,0518

Solusi ideal
positif (𝐴− ) 0,0126 0,0094 0,0159 0,0168 0,0306)

5. Menghitung jarak alternatif solusi ideal positif (𝐴+ )

Selanjutnya menghitung jarak alternatif dari solusi ideal positif (D+) dan
jarak alternatif dari solusi ideal negeatif (D-).
Dihitung dengan persamaan: (𝐷1+ ) = √∑𝑛𝑗=1(𝑦1+ -𝑦𝑖𝑗 )2

71
𝐷1+ = √(0,0634 − 0,0634)2 + (0,0471 − 0,0471)2 + (0,0799 −
0,01592 ) +( 0,0844 − 0,05062 ) + (0,0518 − 0,0408)2
= 0,1250
𝐷2 = √(0,0634 − 0,0507)2 + (0,0471 − 0,03762 ) + (0,0799
+

−0,0639)2 + (0,0844 − 0,03372 ) + (0,0518 − 0,04082 )

= 0,03011

𝐷3+ = √(0,0634 − 0,0507)2 + (0,0471 − 0,0471)2 + (0,0799 −

0,0479 + (0,0844 − 0,06752 ) + (0,0518 − 0,0408)2
2)

= 0,0398
+
𝐷4 = √(0,0634 − 0,0634)2 + (0,0471 − 0,0471)2 ) + (0,0799 −
0,0799)2 +(0,0844 − 0,0506)2 ) + (0,0518 − 0,0518)2
= 0,0338
𝐷5+ = √(0,0634 − 0,0380)2 + ( 0,0471 − 0,0471)2 + (0,0799 −
0,0158)2 +(0,0844 − 0,0168)2 + (0,0518 − 0,0306)2
= 0,0988

𝐷6+ = √(0,0634 − 0,0380)2 + (0,0471 − 0,0376)2 + (0,0799 −

0,0159)2 + (0,0844 − 0,0337)2 + (0,0518 − 0,0408)2
= 0,0867
𝐷7 = √(0,0634 − 0,0253)2 + (0,0471 − 0,0094)2 + (0,0799
+

−0,0639)2 + (0,0844 − 0,0675)2 + (0,0518 − 0,0408)2

= 0,1277

𝐷8+ = √(0,0634 − 0,0634)2 + (0,0471 − 0,0471)2 + (0,0799

−0,0479)2 + (0,0844-0,0337)2 + (0,0518 − 0,0408)2
= 0,0609

𝐷9+ = √(0,0634 − 0,0507)2 + (0,0471 − 0,0471)2 + (0,0799

−0,0639)2 + (0,0844 − 0,0506)2 + (0,0518 − 0,0408)2
= 0,0624
+
𝐷10 = √(0,0634 − 0,06342 + (0,0471 − 0,0471)2 + (0,0799
−0,0159)2 + (0,0844 − 0,0675)2 + (0,0518 − 0,04082

72
 =0,0671
+
𝐷11 = √(0,0634 − 0,0634)2 + (0,0471 − 0,0471)2 + (0,0799
−0,0159)2 + (0,0844 − 0,0337)2 + (0,0518 − 0,03062 )
= 0,0843
+
𝐷12 = √(0,0634 − 0,0507)2 +(0,0471 − 0,0376)2 + (0,0799
−0,0159)2 + (0,0844 − 0,0168)2 + (0,0518 − 0,0408)2
= 0,1006

+
𝐷13 = √(0,0634 − 0,0634)2 + (0,0471 − 0,0471)2 ) + (0,0799
−0,0159)2 + (0,0844 − 0,0506)2 + (0,0518 − 0,0306)2
= 0,0765
𝐷14 = √(0,0634 − 0,0256)2 +(0,0471 − 0,0094)2 + (0,0799 −
+

0,0639)2 + (0,0844 − 0,0675)2 + (0,0518 − 0,0408)2

= 0,0588
+
𝐷15 = √(0,0634 − 0,0380)2 + (0,0471 − 0,0376)2 + (0,0799
−0,0159)2 + (0,0844 − 0,0337)2 + (0,0518 − 0,0408)2
= 0,0911
+
𝐷16 = √(0,0634 − 0,0507)2 + (0,0471 − 0,03762 ) + (0,0799
−0,0159)2 + (0,0844 − 0,0844)2 + (0,0518 − 0,0408)2
= 0,0668
+
𝐷17 = √(0,0634 − 0,0126)2 + (0,0471 − 0,0094)2 + (0,0799
−0,0159)2 + (0,0844 − 0,0506)2 + (0,0518 − 0,0306)2
=0,0856
+
𝐷118 = √(0,0634 − 0,0253)2 + (0,0471 − 0,0376)2 + (0,0799
−0,0159 + (0,0844 − 0,0506)2 + (0,0518 − 0,0408)2
=0,0830
𝐷119 = √(0,0634 − 0,06342 + (0,0471 − 0,0471)2 + (0,0799
+

−0,0159)2 + (0,0844 − 0,0337)2 + (0,0518 − 0,04082

= 0,0823

73
 +
𝐷120 = √(0.0634 − 0,0380)2 + (0,0471 − 0,0471)2 + (0,0799
−0,0479)2 + 0,0844 − 0,0168)2 + (0,0518 − 0,0408)2
= 0,0791
6. Menghitung jarak alternatif solusi ideal (𝐴− )
Mencari jarak antara nilai terbobot setiap alternatif terhadap solusi ideal
(𝐴+ ) dapat dihitung dengan rumus =: (𝐷1− ) = √∑𝑛𝑗=1(𝑦1+ -𝑦𝑖𝑗 )2

𝐷1− = √(0,0126 − 0,0634)2 + (0,0094 − 0,0471)2 + (0,0159 −

0,01592 ) +( 0,0168 − 0,05062 ) + (0,0306 − 0,0408)2
= 0, 0731
𝐷2− = √(0,0126 − 0,0507)2 + (0,0094 − 0,03762 ) + (0,0159
−0,0639)2 + (0,0168 − 0,03372 ) + (0,0306 − 0,04082 )
= 0,07033

𝐷3− = √(0,0126 − 0,0507)2 + (0,0094 − 0,0471)2 + (0,0159 −

0,0479 + (0,0168 − 0,06752 ) + (0,0306 − 0,0408)2
2)

= 0,08535
−
𝐷4 = √(0,0126 − 0,0634)2 + (0,0094 − 0,0471)2 ) + (0,0159 −
0,0799) +(0,0168 − 0,0506)2 ) + (0,0306 − 0,0518)2
2

= 0,0747
−
𝐷5 = √(0,0126 − 0,0380)2 + ( 0,0094 − 0,0471)2 + (0,0159 −
0,0158)2 +(0,0168 − 0,0168)2 + (0,0306 − 0,0306)2
= 0,0291

𝐷6− = √(0,0126 − 0,0380)2 + (0,0094 − 0,0376)2 + (0,0159 −

0,0159)2 + (0,0168 − 0,0337)2 + (0,0306 − 0,0408)2
= 0,0427
𝐷7− = √(0,0126 − 0,0253)2 + (0,0094 − 0,0094)2 + (0,0159
−0,0639)2 + (0,0168 − 0,0675)2 + (0,0306 − 0,0408)2
= 0,0510

𝐷8− = √(0,0126 − 0,0634)2 + (0,0094 − 0,0471)2 + (0,0159

−0,0479)2 + (0,0168 -0,0337)2 + (0,0306 − 0,0408)2

74
 = 0,0736

𝐷9− = √(0,0126 − 0,0507)2 + (0,0094 − 0,0471)2 + (0,0159

−0,0639)2 + (0,0168 − 0,0506)2 + (0,0306 − 0,0408)2
= 0,0801
−
𝐷10 = √(0,0126 − 0,06342 + (0,0094 − 0,0471)2 + (0,0159
−0,0159)2 + (0,0168 − 0,0675)2 + (0,0306 − 0,04082
=0,0817
−
𝐷11 = √(0,0126 − 0,0634)2 + (0,0094 − 0,0471)2 + (0,0159
−0,0159)2 + (0,0168 − 0,0337)2 + (0,0306 − 0,03062 )
= 0,01307
−
𝐷12 = √(0,0126 − 0,0507)2 +(0,0094 − 0,0376)2 + (0,0159
−0,0159)2 + (0,0168 − 0,0168)2 + (0,0306 − 0,0408)2
= 0,0484

−
𝐷13 = √(0,0126 − 0,0634)2 + (0,0094 − 0,0471)2 ) + (0,0159
−0,0159)2 + (0,0168 − 0,0506)2 + (0,0306 − 0,0306)2
= 0,0697
−
𝐷14 = √(0,0126 − 0,0256)2 +(0,0094 − 0,0094)2 + (0,0159 −
0,0639)2 + (0,0168 − 0,0675)2 + (0,0306 − 0,0408)2
= 0,0613
−
𝐷15 = √(0,0126 − 0,0380)2 + (0,0094 − 0,0376)2 + (0,0159
−0,0159)2 + (0,0168 − 0,0337)2 + (0,0306 − 0,0408)2
= 0,0427
𝐷16 = √(0,0126 − 0,0507)2 + (0,0094 − 0,03762 ) + (0,0159
−

−0,0159)2 + (0,0168 − 0,0844)2 + (0,0306 − 0,0408)2

= 0,0831
𝐷17 = √(0,0126 − 0,0126)2 + (0,0094 − 0,0094)2 + (0,0159
−

−0,0159)2 + (0,0168 − 0,0506)2 + (0,0306 − 0,0306)2

=0,0106
𝐷118 = √(0,0126 − 0,0253)2 + (0,0094 − 0,0376)2 + (0,0159
−

75
 −0,0159 + (0,0168 − 0,0506)2 + (0,0306 − 0,0408)2
=0,0506
𝐷119 = √(0,0126 − 0,06342 + (0,0094 − 0,0471)2 + (0,0159
−

−0,0159)2 + (0,0168 − 0,0337)2 + (0,0306 − 0,04082

= 0,0662
𝐷120 = √(0.0126 − 0,0380)2 + (0,0094 − 0,0471)2 + (0,0159
−

−0,0479)2 + (0,0168 − 0,0168)2 + (0,0306 − 0,0408)2

= 0,0565
Tabel 3. 20 Jarak Solusi Ideal Positif dan Solusi Ideal Negatif
𝐴+ 𝐴−
A1 0,1250 0,0731
A2 0,0301 0,0703
A3 0,0398 0,0853
A4 0,0338 0,0747
A5 0,0988 0,0291
A6 0,0867 0,0427
A7 0,1277 0,0510
A8 0,0609 0,0736
A9 0,0624 0,0801
A10 0,0671 0,0817
A11 0,0843 0,0130
A12 0,1006 0,0484
A13 0,0765 0,0697
A14 0,0588 0,0613
A15 0,0911 0,0427
A16 0,0668 0,0831
A17 0,0856 0,0106
A18 0,0830 0,0506
A19 0,0823 0,0662
A20 0,0791 0,0565

7. Mencari kedekatan setiap alternatif terhadap salusi ideal

𝐷𝑖−
Dihitung dengan rumus : 𝑉𝑖 = −
𝐷 +𝐷 +
𝑖 𝑖
Kedekatan alternatif terhadap solusi ideal dapat dihitung sebagai berikut :

76
 0,0731
𝑉1 = = 0,3690
0,0731 + 0,1250
0,0703
𝑉2 = = 0,7001
0,0703 + 0,0301

0,0853
𝑉3 = = 0,6818
0,0853 + 0,0398
0,0747
𝑉4 = = 0,6884
0,0747 + 0,0338
0,0291
𝑉5 = = 0,2275
0,0291 + 0,0988
0,0427
𝑉6 = = 0,3299
0,0427 + 0,0867
0,0510
𝑉7 = = 0,2853
0,0510 + 0,1277
0,0736
𝑉8 = = 0,5472
0,0736 + 0,0609
0,0801
𝑉9 = = 0,5621
0,0801 + 0,0624
0,0817
𝑉10 = = 0,5490
0,0817 + 0,0671
0,0130
𝑉11 = = 0,1336
0,0130 + 0,0843
0,0484
𝑉12 = = 0,3248
0,0484 + 0,1006
0,0697
𝑉13 = = 0,4767
0,0697 + 0,0765
0,0613
𝑉14 = = 0,5104
0,0613 + 0,0588
0,0427
𝑉15 = = 0,3191
0,0427 + 0,0911
0,0831
𝑉16 = = 0,5543
0,0831 + 0,0668
0,0106
𝑉17 = = 0,1101
0,0106 + 0,0856

77
 0,0506
𝑉18 = = 0,3787
0,0506 + 0,0830
0,0662
𝑉19 = = 0,4457
0,0662 + 0,0823
0,0565
𝑉20 = = 0,4166
0,0565 + 0,0791

Setelah menentukan nilai preferensi untuk setiap alternatif, maka

langkah selanjutnya adalah mengurutkan nilai dari yang terbesar ke
terkecil. Adapun hasil akhir dari metode TOPSIS dapat dilihat pada Tabel
berikut.

Tabel 3. 21 Hasil Perhitungan Kedekatan Positif

Alternatif Nilai

A1 0,3690
A2 0,7001
A3 0,6818
A4 0,6884
A5 0,2275
A6 0,3299
A7 0,2853

A8 0,5472
A9 0,5621
A10 0,5490
A11 0,1336
A12 0,3248
A13 0,4767
A14 0,5104
A15 0,3191
A16 0,5543
A17 0,1101
A18 0,3787

78
 A19 0,4457
A20 0,4166
Berdasarkan hasil perhitungan nilai optimasi sebelumnya, hasil
dapat diurutkan dari yang terbesar sampai yang terkecil, yang dimana
alternatif yang mempunyai nilai optimasi terbesar merupakan alternatif
yang terpilih. Dapat kita lihat pada tabel berikut ini:

Tabel 3. 22 Menentukan Perangkingan TOPSIS

Alternatif Nilai Rangking

A1 0,3690 13
A2 0,7001 1
A3 0,6818 3
A4 0,6884 2
A5 0,2275 18
A6 0,3299 14
A7 0,2853 17

A8 0,5472 7
A9 0,5621 4
A10 0,5490 6
A11 0,1336 19
A12 0,3248 15
A13 0,4767 9
A14 0,5104 8
A15 0,3191 16
A16 0,5543 5
A17 0,1101 20
A18 0,3787 12
A19 0,4457 10
A20 0,4166 11

79
b. Perbandingan Metode MOORA dan TOPSIS
Nilai terbesar untuk metode MOORA ada pada V3 dan untuk
metode TOPSIS terdapat pada V4. Sehingga alternatif V3 dan V4 adalah
alternatif yang terpilih sebagai alternatif terbaik. Dari perbandingan
perhitungan untuk metode MOORA dan TOPSIS maka akan diurut
berdasarkan nilai dari masing-masing alternatif dapat dilihat pada tabel
berikut:
Tabel 3. 23 Tabel Perbandingan Nilai Metode MOORA &TOPSIS
No MOORA TOPSIS Rentang Nilai

A1 V1=-0.0102 V1=0,3690 0,471 untuk nilai TOPSIS

A2 V2=0.0579 V2=0,7001 0,6422 untuk nilai TOPSIS
A3 V3=0.4487 V3=0,6818 0,63693 untuk nilai TOPSIS
A4 V4=0.0648 V4=0,6884 0,6236 untuk nilai TOPSIS
A5 V5=0.025 V5=0,2275 0,0225 untuk nilai MOORA
A6 V6=0.0229 V6=0,3299 0,307 untuk nilai TOPSIS
A7 V7=0.0210 V7=0,2853 0,2643 untuk nilai TOPSIS
A8 V8=0.0387 V8=0,5472 0,2643 untuk nilai TOPSIS
A9 V9=0.0336 V9=0,5621 0,5285 untuk nilai TOPSIS
A10 V10=-0.0271 V10=0,5490 0,5761 untuk nilai TOPSIS
A11 V11=-0.0035 V11=0,1336 0,1371 untuk nilai TOPSIS
A12 V12=0.0268 V12=0,3248 0,298 untuk nilai TOPSIS
A13 V13=-0.0204 V13=0,4767 0,4971 untuk nilai TOPSIS
A14 V14=0.0213 V14=0,5104 0,4891 untuk nilai TOPSIS
A15 V15=0.0226 V15=0,3191 0,2965 untuk nilai TOPSIS
A16 V16=-0.0411 V16=0,5543 0,5954 untuk nilai TOPSIS
A17 V17=-0.0073 V17=0,1101 0,1174 untuk nilai TOPSIS
A18 V18=0.0184 V18=0,3787 0,3603 untuk nilai TOPSIS
A19 V19=0.0067 V19=0,4457 0,439 untuk nilai TOPSIS
A20 V20=0.0778 V20=0,4166 0,3388 untuk nilai TOPSIS
Dari hasil uji pada tabel diatas menghasilkan nilai perbandingan
antara metode MOORA dan TOPSIS yaitu total perubahan metode
TOPSIS lebih banyak dibandingkan dengan total perubahan untuk metode
MOORA. Untuk nilai terbesar pada alternatif dilakukan perangkingan
seperti pada tabel berikut:

80
 Tabel 3. 24 Perangkingan
Rangking Bobot MOORA TOPSIS
Alternatif
1 V3= 0.4487 V2= 0,7001
2 V20= 0.0778 V3= 0,6884
3 V4= 0.0648 V4= 0,6818
4 V5= 0.0579 V9= 0,5621
5 V8=0.0387 V16= 0,5543
6 V9=0.0336 V10= 0,5490
7 V12= 0.0268 V8= 0,5472
8 V5= 0.025 V14= 0,5104
9 V6= 0.0229 V13= 0,4767
10 V15= 0.0226 V19=0,4457
11 V14= 0.0213 V20= 0,4166
12 V7= 0.0210 V18= 0,3787
13 V18 = 0.0184 V1= 0,3690
14 V19= 0.0067 V6=0,3299
15 V11= -0.0035 𝑉12 = 0,3248
16 V17= -0.0073 V15= 0,3191
17 A1= -0.0102 V7= 0,2853
18 V13= -0.0204 V5= 0,2275
19 V10= -0.0271 V11= 0,1336
20 V16= -0.0411 V17= 0,1101

81
3.9 Even List
Event list adalah daftar kejadian yang terjadi dalam lingkungan
sistem dan mempunyai hubungan dengan respon yang diberikan sistem.
Berdasarkan hasil analisis sistem, maka dapat dijabarkan event list yang
ada pada sistem pendukung keputusan penentuan penerima bantuan BSM
yaitu:
1. Login
2. Mengelola data user
2.1 Tambah data user
2.2 Ubah data user
2.3 Hapus data user
3. Mengelola data siswa
3.1 Tambah data siswa
3.2 Cari data siswa
3.3 Ubah data siswa
3.4 Hapus data siswa
4. Mengelola data kriteria
4.1 Tambah data kriteria
4.2 Ubah data kriteria
4.3 Hapus data kriteria
5. Mengelola data bobot
5.1 Tambah data bobot setiap kriteria
5.2 Ubah data bobot setiap kriteria
5.3 Hapus data bobot setiap kriteria
6. Mengelola data perhitungan MOORA & TOPSIS
6.1 Tambah data perhitungan
6.2 Hapus data perhitungan
6.3 Simpan data perhitungan
7. Mengelola data rekomendasi beasiswa MOORA & TOPSIS
7.1 Cari data rekomendasi
7.2 Hapus data rekomendasi
8. Mengelola data validasi MOORA & TOPSIS
8.2 Cari data validasi
8.3 Proses Validasi
9. Mencetak hasil laporan MOORA & TOPSIS
9.1 Cari data laporan
9.2 Mencetak laporan

82
3.10 Context Diagram
Diagram konteks akan menggambarkan tentang bagaimana
proses keseluruhan dokumentasi data, yang dipresentasikan dengan
lingkaran tunggal yang mewakili keseluruhan sistem dan entitas yang
terkait dalam sistem, yaitu operator, siswa serta kepala sekolah, bisa dilihat
pada gambar 3.4.

Gambar 3. 4 Context Diagram

3.11 Data Flow Diagram

Data Flow Diagram (DFD) adalah diagram yang menggunakan
notasi-notasi untuk menggambarkan arus dari data sistem, yang
penggunaanya membantu untuk memahami sistem secara logika,
terstruktur dan jelas.
3.11.1 Data Flow Diagram Level 0
DFD level 0 merupakan pengembangan dari diagram konteks
yang terdiri dari pengelolahan kriteria, data bobot, data perhitungan , data
rekomendasi beasiswa, data validasi dan data laporan, bisa kita lihat pada
gambar 3.5.

83
 Gambar 3. 5 DFD Level 0

3.11.2 DFD Level 1 Mengelola Data User

DFD Level 1 menggambarkan proses yang terjadi dalam
mengelola data user, alur sistem dan tempat penyimpanan data. Entitas
yang terlibat dalam mengelolah data user adalah operator atau admin.
Dalam mengelola data user, sistem memiliki tiga proses yaitu tambah data
user, ubah data user dan hapus data user. Dan memiliki satu data
penyimpanan (Data Store) yaitu tabel user.

84
 Gambar 3. 6 DFD Level 1 Mengelola Data User

3.11.3 DFD Level 1 Mengelola Data Siswa

Pada DFD level 1 data siswa ini menggambarkan proses yang
terjadi dalam mengelola data siswa, alur sistem dan tempat penyimpanan
data. Entitas yang terlibat dalam mengelola data siswa adalah operator atau
admin. Dalam mengelola data siswa, sistem memiliki tiga proses yaitu
tambah data siswa, ubah data siswa dan cari data siswa. Dan memiliki satu
data penyimpanan (Data Store) yaitu tabel siswa.

Gambar 3. 7 DFD Level 1 Mengelola Data Siswa

85
3.11.4 DFD Level 1 Mengelola Data Kriteria
DFD Level 1 Mengelola Data Kriteria menggambarkan proses
yang terjadi dalam mengelola data kriteria, alur sistem dan tempat
penyimpanan data. Entitas yang dapat mengelola data kriteria adalah
operator atau admin. Dalam mengelola data kriteria, sistem memiliki dua
proses yaitu tambah data kriteria dan ubah data kriteria. Dan memilki satu
data penyimpanan (Data Store) yaitu tabel kriteria.

Gambar 3. 8 DFD Level 1 Mengelolah Data Kriteria

3.11.5 DFD Level 1 Mengelolah Data Bobot

Pada gambar 3.9 DFD Level 1 data bobot ini menggambarkan
proses yang terjadi dalam mengelola data bobot, alur sistem dan tempat
penyimpanan data. Entitas yang terlibat dalam mengelola data bobot
adalah operator atau admin. Dalam mengelola data bobot, sistem memiliki
satu proses yaitu cari data bobot. Dan memiliki satu data penyimpanan
(Data Store) yaitu tabel bobot.

86
 Gambar 3. 9 DFD Level 1 Data Bobot

3.11.6 DFD Level 1 Mengelola Data Perhitungan

Pada gambar 3.10 DFD Level 1 data perhitungan ini
menggambarkan proses yang terjadi dalam mengelola data perhitungan,
alur sistem dan tempat penyimpanan data. Entitas yang terlibat dalam
mengelola data perhitungan adalah operator atau admin. Dalam mengelola
data perhitungan, sistem memiliki tiga proses yaitu tambah, hapus dan
simpan data perhitungan. Dan memiliki satu data penyimpanan (Data
Store) yaitu tabel perhitungan.

Gambar 3. 10 DFD Level 1 Mengelola Data Perhitungan

87
3.11.7 DFD Level 1 Mengelola Data Rekomendasi Beasiswa
Pada gambar 3.11 DVD Level 1 data laporan ini menggambarkan
proses yang terjadi dalam mengelola data rekomendasi beasiswa, alur
sistem dan tempat penyimpanan data. Entitas yang terlibat dalam
mengelola data rekomendasi beasiswa adalah operator atau admin. Dalam
mengelola data rekomendasi, sistem memiliki satu proses yaitu cari data
rekomendasi.

Gambar 3. 11 DFD Level 1 Mengelola Data Rekomendasi Beasiswa

3.11.8 DFD Level 1 Mengelola Data Validasi

Pada gambar 3.12 DFD level 1 data laporan ini menggambarkan
proses yang terjadi dalam mengelola data validasi, alur sistem dan tempat
penyimpanan data. Entitas yang terlibat dalam mengelola data validasi
adalah operator atau admin. Dalam mengelola data validasi, sistem
memiliki satu proses yaitu mencetak data validasi.

88
 Gambar 3. 12 DFD Level 1 Mengelola Data Validasi

3.11.9 DFD Level 1 Mengelola Data Laporan

Pada gambar 3.13 DFD level 1 data laporan ini menggambarkan
proses yang terjadi dalam mengelolah data laporan, alur sistem dan tempat
penyimpanan data. Entitas yang berperan dalam mengelola data adalah
operator atau admin. Dalam mengelola data laporan, sistem memiliki satu
proses yaitu mencetak data laporan.

89
 Gambar 3. 13 DFD Level 1 Mengelola Data Laporan

3.12 Conceptual Data Model

Conceptual data model menggambarkan tabel-tabel apa saja yang
diperlukan dan bagaimana hubungannya antara satu tabel dengan tabel
lainnya. Pada gambar 3.14 menggambarkan tentang conceptual data model
yang memiliki entitas yaitu login, siswa, orang tua, data kriteria, data bobot
dan data perhitungan.

90
Gambar 3. 14 Conceptual Data Model

91
3.13 Physical Data Model
Physical data model merupakan hasil generate dari conceptual
data model. Berikut adalah hubungan relasi tabel physical data model.

Gambar 3. 15 Physical Data Model

92
3.14 Perancangan Database
Struktur tabel dibawah ini digunakan untuk melihat detail yang
ada pada physical data model.

3.14.1 Struktur Tabel User

Tabel data user digunakan untuk menyimpan data user yang ada
di dalam sistem. Setiap tabel user memilki kategori yang berbeda sehingga
Id_user dijadikan primary key dari tabel data user.
Tabel 3. 25 Tabel User
Field Tipe Data Keterangan
Id__user Varchar (15) Primary key
Nama_user Varchar (40)
Jabatan Varchar (35)
Username Varchar (30)
Passwoard Varchar (30)

3.14.2 Struktur Tabel Siswa

Tabel data siswa digunakan untuk menyimpan data siswa yang
ada dalam sistem. Setiap tabel siswa memiliki kategori yang berbeda
sehingga Id_siswa dijadikan Primary key dari tabel data siswa.

Tabel 3. 26 Tabel Siswa

Field Tipe Data Keterangan
Id_siswa Varchar (15) Primary key
NISN Varchar (15)
Nama_siswa Varchar (40)
Jenis_kelamin Varchar (35)
Alamat Varchar (30)

3.14.3 Struktur Tabel Orang Tua

Tabel data orang tua digunakan untuk menyimpan data orang tua
yang ada dalam sistem. Setiap tabel orang tua memiliki kategori yang
berbeda sehingga Id_orang tua dijadikan Primary key dari tabel data orang
tua.

93
 Tabel 3. 27 Tabel Orang Tua
Field Tipe Data Keterangan
Id_orang tua Varchar (10) Primary key
Nama_orang_tua Varchar (30)
Jumlah_tanggungan Varchar (20)
No_telepon Number
Alamat Varchar (40)

3.14.4 Struktur Tabel Kriteria

Tabel data kriteria digunankan untuk menyimpan data kriteria
yang ada di dalam sistem. Setiap tabel kriteria memilki kategori yang
berbeda sehingga Id_kriteria dijadikan Primary key dari tabel data kriteria.

Tabel 3. 28 Tabel Kriteria

Field Tipe Data Keterangan
Id_kriteria Varchar (15) Primary key
Id_bobot Varchar (50)
Nama_kriteria Varchar (30)
Nilai_kriteria Varchar (30)

3.14.5 Struktur Tabel Bobot

Tabel data bobot digunakan untuk menyimpan data bobot yang
ada di dalam sistem. Setiap tabel bobot memilki kategori yang berbeda
sehingga Id_bobot dijadikan primary key dari tabel data bobot.

Tabel 3. 29 Tabel Bobot

Field Tipe Data Keterangan
Id_bobot Varchar (15) Primary key
Kriteria_bobot Varchar (50)
Nilai_bobot Number
Keterangan Varchar (30)

94
3.14.6 Struktur Tabel Perhitungan
Tabel data perhitungan digunakan untuk menyimpan data
perhitungan yang ada di dalam sistem. Setiap tabel perhitungan memiliki
kategori yang berbeda sehingga Id_perhitungan dijadikan primary key dari
tabel data perhitungan.

Tabel 3. 30 Tabel Data Perhitungan

Field Tipe Data Keterangan
Id_Perhitungan Varchar (15) Primary key
Id_Siswa Varchar (20)

3.15 Perancangan User Interface

Adapun perancangan antarmuka (user interface) yang akan
digunakan pada pembuatan Seleksi Penerimaan Bantuan Siswa Miskin
(BSM) pada SD Negeri Lancang.

3.15.1 Perancangan Halaman Login Admin

Pada halaman 3.16 merupakan tampilan awal yang dapat diakses
oleh admin. Pada halaman ini admin dapat memasukkan username dan
password.

Gambar 3. 16 Perancangan Halaman Login Admin

95
3.15.2 Perancangan Halaman Utama
Gambar 3.17 adalah tampilan awal ketika sistem berhasil
dijalankan. Menu utama terdiri dari user, data siswa, data kriteria, data
bobot, data perhitungan data rekomendasi beasiswa validasi dan data
laporan.

Gambar 3. 17 Perancangan Halaman Menu Utama

3.15.3 Perancangan Halaman Data Siswa
Form data siswa adalah form yang diakses untuk melihat,
mengubah, menghapus dan menyimpan data siswa.

Gambar 3. 18 Perancangan Halaman Data Siswa.

96
3.15.4 Perancangan Halaman Data Kriteria
Pada gambar 3.19 merupakan tampilan data kriteria. Dimana pada
halaman ini terdapat 6 master data, yaitu: Penghasilan orang tua, Pekerjaan
orang tua, yatim piatu, Surat keterangan tidak mampu, jumlah tanggungan
dan nilai rapor.

Gambar 3. 19 Perancangan Halaman Data Kriteria.

3.15.5 Perancangan Halaman Data Bobot

Pada tabel 3.20 merupakan halaman yang diakses untuk melihat,
mengubah, menghapus dan menyimpan bobot kriteria.

Gambar 3. 20 Perancangan Halaman Data Bobot.

97
3.15.6 Perancangan Halaman Data Perhitungan
Pada gambar 3.21 merupakan halaman data perhitungan dimana
halaman ini dapat diakses untuk memproses analisis perhitungan metode
MOORA dan TOPSIS dari data siswa yang sudah diinputkan.

Gambar 3. 21 Perancangan Halaman Data Perhitungan.

3.15.7 Perancangan Halaman Data Rekomendasi

Halaman data rekomendasi beasiswa adalah halaman yang
digunakan untuk melihat data yang sedang di rekomendasikan untuk
mendapatkan beasiswa.

98
 Gambar 3. 22 Perancangan Halaman Data Rekomendasi Beasiswa.

3.15.8 Perancangan Halaman Data Validasi

Pada gambar 3.23 merupakan halaman data validasi dimana
halaman ini dapat diakses untuk memvalidasi data yang sudah di inputkan.

Gambar 3. 23 Perancangan Halaman Data Siswa.

99
3.15.9 Perancangan Halaman Data Laporan
Berikut ini merupakan halaman data laporan, dimana pada
halaman ini admin dapat melihat serta mencetak hasil dari data yang sudah
di inputkan.

Gambar 3. 24 Perancangan Halaman Laporan.

3.16 Skenario Pengujian

Tabel 3. 31 Skenario Pengujian
Kelas Uji Pengujian Hasil yang Hasil
Diharapkan Pengujian
Login Masukan User masuk ke Berhasil
Username dan sistem masuk ke
password, sistem.
kemudian klik Sistem akan
button Login menampilkan
home sesuai
jenis user
Memasikan Tidak dapat masuk Gagal Login.
username dan ke sitem Username
password yang dan
tidak sesuai,

100
 kemudian klik Password
button login tidak cocok.
untuk masuk
ke sistem.
Tambah Data Mengisi data Menampilkan Sukses “Data
User user kemudian pesan “Data berhasil di
klik button tersimpan” simpan”
tambah untuk
tambah data
user
Tidak mengisi Menampilkan Gagal
salah satu data pesan “Masih menampilkan
user terdapat data yang data user
kosong”
Ubah Data Mengubah data Menampilkan Sukses “Data
User pada field yang pesan “Data berhasil di
diinginkan berhasil disimpan” simpan”
dengan format kemudian data akan
yang benar muncul pada
gridview data yang
sudah diubah.
Mengubah data Sistem Gagal
pada field menampilkan “password
dengan “password tidak tidak boleh
mengosongkan boleh kosong” kosong”
field
Tambah Data Mengisi data Menampilkan Sukses “Data
Siswa siswa pesan “Data berhasil di
kemudian klik berhasil di simpan” simpan”
button tambah
untuk tambah
data siswa.
Tidak mengisi Menampilkan Gagal
salah satu data pesan “Masih menampilkan
siswa terdapat data siswa data siswa.
yang kosong”

101
Ubah Data Mengubah data Menampilkan Sukses “Data
Siswa pada field yang pesan “Data berhasil di
diinginkan berhasil disimpan” simpan.
dengan format kemudian data akan
yang benar muncul pada
gridvie data yang
sudah diubah.
Mengubah data Sistem Gagal
pada field menampilkan mengubah
dengan “password tidak data siswa
mengosongkan boleh kosong”
field.
Cari Data Input data Menampilkan hasil Data berhasil
Siswa berdasarkan yang dicari pada di cari
yang ingin textbox
dicari pada
kolom textbox
Mencari Tidak dapat Data kosong
dengan menampilkan hasil
keyword yang pencarian
salah
Tambah Data Mengklik Menampilan pesan Sukses “Data
Kriteria button tambah “Data Tersimpan” berhasil
data kriteria disimpan”
lalu mengisi
data.
Tidak mengisi Menampilkan Gagal
salah satu data pesan “Masih menampilkan
kriteria terdapat Data yang data kriteria
kosong”
Ubah Data Mengubah data Menampilkan Sukses “Data
Kriteria field dengan pesan “Data berhasil di
format yang Berhasil Disimpan” simpan”
benar Kemudian data
akan muncul pada
gridview yang
sudah diubah.

102
 Mengubah data Sistem Gagal
field dengan menampilkan pesan mengubah
mengosongkan “Masih terdapat data kriteria
field data yang kosong”
Cari Data Input data Menampilkan hasil Data berhasil
Kriteria berdasarkan yang dicari pada dicari
data yang ingin gridview
dicari pada
kolom textbox
Mencari data Tidak dapat Data kosong
dengan menampilkan hasil
keyword yang pencarian
salah satunya
tidak
menginpukan
data
berdasarkan
yang dicari
pada kolom
textbox
Cari Data Input data Menampilkan hasil Data berhasil
Bobot berdasarkan yang dicari pada dicari
data yang ingin gridview
dicari pada
kolom textbox
Mencari data Tidak dapat Data kosong
dengan menampilkan hasil
keyword yang pencarian
salah satunya
atau tidak
menginputkan
data
berdasarkan
yang dicari
pada kolom
textbox

103
Tambah Data Klik button Menampilkan Sukses “Data
Perhitungan tambah data pesan “Data berhasil
untuk tersimpan “ disimpan”
menambah
data
perhitungan
Tidak mengisi Menampilkan Gagal
salah satu data pesan “Masih menampilkan
perhitungan terdapat data yang data
kosong” perhitungan
Hapus Data User Menampilkan Berhasil di
Pergitungan menghapus pesan “Yakin hapus hapus
semua isi field data ini ?”
data
perhitungan
yang sudah
tersedia
Menu Tampilan Memasukan Berhasil
Rekomendasi halaman tanggal lalu klik menampilkan
Beasiswa rekomendasi cari data
beasiswa rekomendasi
Tidak Tidak dapat melihat Gagal
memasukan data rekomendasi menampilkan
tanggal data
rekomendasi
Klik Menu Tampilan Memasukkan Berhasil
Data halaman data tanggal, klik detail memvalidasi
Validasi validasi lalu pilih validasi
Tidak Tidak terjadi Gagal
memasukan perubahan pada menampilkan
tanggal status data validasi data validasi
Laporan Data User memiliki Menampilkan data Laporan data
Penerimaan data laporan laporan penerima
Bantuan ditampilkan bantuan
Siswa Miskin lalu klik pilih, siswa miskin
kemudian klik berhasil di
cari tampilkan.

104
 DAFTAR PUSTAKA
Ainaya, R., dan Gustian, D. 2021. "SISTEM PENDUKUNG
KEPUTUSAN CALON PENERIMA PROGRAM INDONESIA
PINTAR PADA SISWA SEKOLAH DASAR MENGGUNAKAN
METODE TOPSIS", 197–208.
Ardiansyah, S., dan Industri, F. T. 2018. "SISITEM PENDUKUNG
KEPUTUSAN PEMBERIAN BAESISWA BANTUAN bSISWA
MISKIN ( BSM ) KEPADA SISWA SMAN 1 LUNYUK NTB
DENGAN", 2(1), 460–466.
Heriyanto, Y. 2018. "Perancangan Sistem Informasi Rental Mobil
Berbasis Web Pada PT.APM Rent Car". Jurnal Intra-Tech, 2(2),
64–77.
Kumbang, A., dan Kusumawati, A. 2019. "Sistem Informasi Penjualan
PT Surya Multi Cipta", 6(1).
Kurniawan, M. A., Kanedi, I., dkk. 2021. "SISTEM PENDUKUNG
KEPUTUSAN DENGANMETODE SIMPLE ADDITIVE
WEIGHTING ( SAW ) DALAM MENENTUKAN BANTUAN
SISWA MISKIN PADA SD NEGERI 36 KOTA BENGKULU
MENGGUNAKAN VISUAL STUDIO", 17(2), 1–7.
Mahendra, G. S., dan Indrawan, I. P. Y. 2020a. "METODE AHP-TOPSIS
PADA SISTEM PENDUKUNG KEPUTUSAN", 9(2).
Mahendra, G. S., dan Indrawan, I. P. Y. 2020b. "Metode Ahp-Topsis
Pada Sistem Pendukung Keputusan Penentuan Penempatan
Automated Teller Machine". JST (Jurnal Sains dan Teknologi),
9(2), 130–142. https://doi.org/10.23887/jst-undiksha.v9i2.24592.
Novianti, E., dan Putra, F. A. 2021. "Rancang Bangun Sistem Informasi
Pencatatan Barang Masuk dan Barang Keluar Pada PT. Sahabat
Langit Indonesia". Paper Knowledge . Toward a Media History
of Documents, 11(1), 40–51.
Perwira, Y. 2022. "Sistem Pendukung Keputusan Untuk Evaluasi
Karyawan Menggunakan Metode Technique For Others Reference
By Similarity To Ideal Solution". Journal Information
Technology …, 1, 73–82. diambil dari https://e-
jurnal.pelitanusantara.ac.id/index.php/jitsinet/article/view/827%0A
https://e-
jurnal.pelitanusantara.ac.id/index.php/jitsinet/article/download/827/
499.
Sains, S. N., Nasution, E. S., dkk. 2018. "Sistem Pendukung Keputusan
Penerima Bantuan Siswa Miskin Menerapkan Metode WASPAS

105
 dan MOORA", 719–727.
Sd, B. S. M., Ulungagung, K. A. B. T., dkk. 2021. "Bsm sd k", 15(1), 18–
29.
Sirait, A. S., Safii, M., dkk. 2021. "Implementasi Moora Berbasis Web
pada Penentuan Kelayakan Penerima Bantuan Siswa Miskin", 1(1),
7–14.
Siregar, Y. S. 2021. "Analisis Penerima Bantuan Beasiswa Program Studi
Teknik Informatika Menggunakan Metode Moora Dan Topsis".
JiTEKH, 9(1), 58–64. https://doi.org/10.35447/jitekh.v9i1.399.
Sutopo, P., Cahyadi, D., dkk. 2016. "SISTEM INFORMASI
EKSEKUTIF SEBARAN PENJUALAN KENDARAAN
BERMOTOR RODA 2 DI KALIMANTAN TIMUR BERBASIS
WEB", 11(1).
Umam, K., Sulastri, V. E., dkk. 2018. "Perancangan Sistem Pendukung
Keputusan Penentuan Prioritas Produk Unggulan Daerah
Menggunakan Metode VIKOR". Jurnal Riset Komputer
(JURIKOM), 5(1), 43–49.

106
 DAFTAR LAMPIRAN
Lampiran 1 Data wawancara

107
Lampiran 2 Data Dokumentasi

Dokumentasi Wawancara.

Dokumentasi Bersama Para Guru

108
 Dokementasi Data Laporan

Dokumentasi Kondisi Kelas & Proses Belajar.

109
Dokumentasi Pengambilan Data.

110
 BIODATA PENULIS
Nama : Maria Fatima Hanasurti
Alamat : Jl. Tukad Pancoran IV AI
TTL : Ndiheng, 05 Mei 1999
Telepon : 082 266 407 238
Email : mariahanasurti@gmail.com
Angkatan : 2018
Moto : Jatuh 7x Bangkit 8x

Latar Belakang Pendidikan:

2006 – 2012 : SDK Waemedu, Labuan Bajo

2012 – 2015: SMP Negeri 1 Komodo, Labuan Bajo

2015 – 2018 : SMA Negeri 1 Komodo, Labuan Bajo

2018 – 2022 : Institut Bisnis dan Teknologi Indonesia

Pengalaman Organisasi:
2018 – 2022 : Anggota Kemahkris.

111