Dosen Pembimbing I
Devi Valentino Waas, S.S.Si.,M.Cs.
Dosen Pembimbing II
I Putu Yoga Indrawan, S.Kom.,M.Kom.
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.
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).
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.
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
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).
19
20
Multidocument (banyak
dokumen)
15
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)
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.
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.
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.
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.
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.
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.
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
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.
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.
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.
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
Kriteria Nilai
Tingkat
Kepentingan
= 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
= 4 / 22
= 0,18
= 5/ 22
=0,22
= 4/ 22
= 0,18
39
Tabel 3. 3 Perbaikan Bobot Kriteria
Keterangan :
40
5 = Sangat Penting
4 =Penting
3 = Cukup Penting
2= Tidak Penting
c) Kondisi Anak
41
d) Jumlah Tanggungan Orang Tua/ Wali
42
3.7.5 Tahapan Perhitungan MOORA
a Menentukan Data Alternatif
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
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
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 )
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:
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.
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
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.
65
priority), dapat diperoleh dari hasil perhitungan Moora, Sepeti pada tabel
3.18.
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:
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)
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
Solusi ideal
positif (𝐴− ) 0,0126 0,0094 0,0159 0,0168 0,0306)
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
+
= 0,0398
+
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
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 −
+
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
= 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
74
= 0,0736
−
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
−
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
−
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
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:
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
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.
83
Gambar 3. 5 DFD Level 0
84
Gambar 3. 6 DFD Level 1 Mengelola Data User
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.
86
Gambar 3. 9 DFD Level 1 Data Bobot
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.
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
3.13 Physical Data Model
Physical data model merupakan hasil generate dari conceptual
data model. Berikut adalah hubungan relasi tabel physical data model.
92
3.14 Perancangan Database
Struktur tabel dibawah ini digunakan untuk melihat detail yang
ada pada physical data model.
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)
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.
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.
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.
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.
98
Gambar 3. 22 Perancangan Halaman Data Rekomendasi Beasiswa.
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.
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.
108
Dokementasi Data Laporan
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
Pengalaman Organisasi:
2018 – 2022 : Anggota Kemahkris.
111