�Syntax Literate : Jurnal Ilmiah
Indonesia p�ISSN: 2541-0849
������
e-ISSN : 2548-1398
������
Vol.4, No.6 Juni 2019
SISTEM
PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN SISWA BERPRESTASI DENGAN MENGGUNAKAN
PERBANDINGAN� METODE AHP-TOPSIS DAN SAW-TOPSIS (STUDI KASUS : SMKN 1 KEDAWUNG CIREBON)
Harry Gunawan
Program
Teknik Informatika,
Fakultas Teknik, Universitas Muhammadiyah Cirebon
Email:
[email protected]
�
Abstrak
SMK N 1 Kedawung merupakan salah satu sekolah
di Kabupaten Cirebon yang setiap tahunnya melaksanakan pemilihan siswa
berprestasi bagi siswanya. Siswa berprestasi ini dimaksudkan agar nati siswa
dapat memotivasi dalam proses belajar. Proses pemilihan siswa berprestasi ini
memiliki kelemahan diantaranya membutuhkan waktu yang cukup lama dan juga hasil
yang didapat jurang akurat karena proses yang masih manual. Untuk mengatasi
masalah tersebut maka dibuatkan sistem pendukung keputusan untuk membantu pihak
sekolah dalam menentukan siswa berprestasi. Dalam penelitian ini menggunakan
perbandingan metode AHP-TOPSIS dan SAW-TOPSIS. Adapun kriteria yang digunakan
dalam penelitian ini adalah Prestasi akademik atau non akademik, Nilai Rapot,
dan Sikap. Hasil akhir dari penelitian ini didapatkan bahwa sistem pendukung
keputusan dengan perbandingan metode AHP-TOPSIS dan SAW-TOPSIS mampu mengatasi
permasalahan dalam proses pemilihan siswa berprestasi di SMK N 1 Kedawung.
Kata Kunci
: Sistem Pendukung Keputusan, AHP,SAW, dan TOPSIS.
Pendahuluan
Perkembangan teknologi
informasi sakarang ini berkembang sangat pesat, sehingga segala bentuk arus
informasi dapat dengan mudah diperoleh. Pengambilan keputusan merupakan salah
satu aktivitass teknologi informasi, ada beberapa metode yang dapat digunakan
dalam pengambilan keputusan antara lin SAW, AHP, TOPSIS, WD dan lain-lain.
Motode AHP merupakan salah satu model untuk pengambilan keputusan yang dapat
membantu kerangka berfikir manusia. Metode ini awal mula dikembangkan oleh
Thomas L. Saaty pada tahun 70-an. Dasar berfikirnya metode AHP adalah proses
membentuk skor secara numerik untuk menyusun rangking setiap alternatif
keputusan berbasis pada bagaimana sebaiknya alternatif itu dicocokkan dengan
kriteria pembuat keputusan. Metode SAW sering juga dikenal istilah metode penjumlahan
terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari
rating kinerja pada setiap alternatif pada semua atribut.
Metode SAW membutuhkan proses
normalisasi matriks keputusan (X) ke
suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.
SMK N 1 Kedawung merupakan salah satu sekolah kejuaruan yang berada diwilayah
Kabupaten Cirebon yang setiap tahunnya menyeleksi siswa berprestasi. Dalam
setiap tahunnya penyeleksian siswa berprestasi masih menggunakan perhitungan
manual, sehingga proses pemilihan siswa berprestasi tersebut masih memiliki
kelemahan diantaranya membutuhkan waktu yang sangat panjang dan juga hasil yang
didapat kurang akurat karena bisa saja terjadi banyak kekeliruan karena belum
tersedianya sistem untuk mendukung perhitungan tersebut.
Metode
Penelitian
Metodologi
penelitian dengan mendesktripsikan masalah yang dilengkapi dengan penyajian
diagram alur pelaksanaan penelitian untuk
memudahkan
dalam memahami tahapan penelitian.
Hasil
dan Pembahasan
Perhitungan
AHP-TOPSIS
1.
Perhitungan
Metode AHP
Perhitungan Metode AHP disini untuk
menentukan tiap-tiap bobot (TPV) kriteria dan subkriteria, serta menentukan
rasio konsistensi diterima atau tidaknya kriteria ataupuun subkriteria.
Adapun langkah-langkah perhitngan
metode AHP seperti dibawah ini :
Tabel
1 Menentukan matriks berpasangan
untuk
kriteria pemilihan siswa berprestasi
Kriteria |
Prestasi |
Rapot |
Sikap |
Prestasi |
1 |
2 |
5 |
Rapot |
0.5 |
1 |
3 |
Sikap |
0.2 |
0.33 |
1 |
∑kolom |
1.7 |
3.33 |
9 |
a.
Menghitung matriks normalisasi yaitu membagi setiap
elemen pada kolom dengan jumlah perkolom yang sesuai.
Kriteria |
Prestasi |
Rapot |
Sikap |
∑Baris |
Prestasi |
0.5882 |
0.6060 |
0.5555 |
1.7497 |
Rapot |
0.2941 |
0.3030 |
0.3333 |
0.9304 |
Sikap |
0.1176 |
0.0909 |
0.1111 |
0.3196 |
b.
Membagi jumlah baris
dengan jumlah kriteria tiga (3) sehingga menghasilakan rata-rata dari setiap
kriteria (TPV).
Kriteria |
TPV (∑baris/n kriteria) |
Prestasi |
1.7497
/ 3 = 0.58323 |
Rapot |
0.9304
/ 3 = 0.31013 |
Sikap |
0.3196
/ 3 = 0.10653 |
c.
Selanjutnya perkalian
TPV dengan nilai perbandingan matriks
kriteria dan dijumlahkan tiap baris.
Kriteria |
Prestasi |
Rapot |
Sikap |
∑Baris |
Prestasi |
0.58323 |
0.62026 |
0.52765 |
1.73114 |
Rapot |
0.291615 |
0.31013 |
0.31659 |
0.918335 |
Sikap |
0.116646 |
0.09304 |
0.10653 |
0.315216 |
d.
Kemudian pembagian
antara jumlah kolom baris dengan jumlah kolom baris TPV untuk mendapatkan nilai
lamda maks
2.9682 2.9611 2.9589 0.58323.
�0.31013 0.10653 1.73114 0.918335
0.315216
������������ [���������������� ] /� [ �������������������] ����=� �[����� ��������������]
������������� ���
��������������� Lamda
maks = 2.9682 + 2.9611 + 2.9589 / 3 = 8.8882 / 2 = 2.96273
e.
Setelah
mendapatkan lamda maks, kemudian mencari Consistency
Index (CI)
CI
= �������������������� ��=� ����������������� ����= -
0.018635
f.
Kemudian mencari Consistency Ratio (CR) dengan mengacu
pada nilai Indeks random atau Random
Index (RI) yang dapat diambil dengan ketentuan sesuai dengan jumlah
kriteria yang diambil,
CR
=������������������� = - 0.03213
Rasio konsistensi matriks kriteria bernilai -0.03213
(-0.03213 ≤ 0.1) yang menunjukkan konsistensi baik atau diterima.
g.
Setelah mendapatkan TPV
kriteria dan CR yang menunjukan konsistensi baik pada tiap-tiap kriteria,
selanjutnya menghitung TPV dan CR pada masing-masing subkriteria. Dimana
perhitungannya sama dengan perhitungan mencari TPV kriteia dana CR pada
kriteria.
a. Setelah
bobot setiap sub kriteria pada suatu kriteria dan nilai rasio konsistensi
didapatkan, maka langkah selanjutnya adaah membuat nilai intensitas untuk
masing-masing sub kriteria, terdapat 5 intensitas yang terdiri dari sangat
baik, baik, cukup, sedang, dan kurang. Untuk menghitung intensitas dari
masing-masing sub kriteria pada kriteria prestasi, contoh untuk perhitungan sub
kriteria prestasi.
Kriteria |
Sangat
baik |
Baik |
Cukup |
Sedang |
Kurang |
Sangat
Baik |
1 |
2 |
3 |
5 |
7 |
Baik |
0.5 |
1 |
3 |
4 |
5 |
Cukup |
0.33 |
0.33 |
1 |
2 |
3 |
Sedang |
0.2 |
0.25 |
0.5 |
1 |
5 |
Kurang |
0.1428 |
0.2 |
0.33 |
0.2 |
1 |
�
2.
Perhitungan
Metode TOPSIS
Setalah nilai TPV kriteria dan TPV
subkriteria sudah didapat dan masing-masing menunjukkan konsistensi yang baik,
kemudian menghitung matriks
keputusan. Proses selanjutnya yaitu dilakukan perangkinan dengan menggunakan
metode TOPSIS. �
Tahapan-tahapan
yang dilakukan pada metode TOPSIS sebagai berikut :
a.
Membuat matriks keputusan yang ternormalisasi
�������� X1 = √(5)2
+ (4)2 + (5)2 + (4)2 + (4)2 + (3)2
= 10, 33408
�������� R11 = ������������������������������������������� =
0,483836
4 10,33408
R21 =����������������������������������������� = 0,3870696
��������� R31 =������� ����������������������� ���������� = 0,483836�
4 10,33408
��������� R41 =������������������������������������������� =
0,3870696
4 10,33408
���������� R51 = ����� ����������������������� �����������= 0,3870696
���������� R61 = ����������������������������� �����������= 0,290302
��������� X2 = √(4)2
+ (5)2 + (5)2 + (4)2 + (5)2 + (5)2
= 11,48912
���������� R12 =������������������ ����������������������� = 0,348155
���������� R22 =������������������������������������������ =
0,435194
��������� R32 =������������������������������������������� =
0,435194
�������� R42 = ������������������������������������������� =
0,348155
�������� R52 = ������������������������������� �����������= 0,435194
5 11,48912
������� R62 =��������������������������������������������� � = 0,435194
������� X3 = √(5)2
+ (4)2 + (4)2 + (4)2 + (5)2 + (5)2
= 11,09054
������� ����������R13 = �������������������������������������������� ���= 0,450835
4 10,33408
������� R23 =��������������������������������������������� �� = 0,360668
������� R23 = �������������������������������������������� ���= 0,360668
���� R33 = ����������������������������������������������� ���= 0,360668
����� R43 = ���������������������������������������������� ���= 0,360668
����� R53 = ���������������������������������������������� ���= 0,450835
����� R63 = ���������������������������������������������� ���= 0,450835
b.
Membuat matriks keputusan yang ternormalisasi
terbobot
Y11
= (0,58323) x (0,483836) = 0,2822
Y21 =
(0,58323) x (0,387069) = 0,2258
Y31
= (0,58323) x (0,483836) = 0,2822
Y41
= (0,58323) x (0,387069) = 0,2258
Y51
= (0,58323) x (0,387069) = 0,2258
Y61
= (0,58323) x (0,290302) = 0,1693
Y12 = (0,31013) x (0,348155) = 0,10797
Y22
= (0,31013) x (0,435194) = 0,13497
Y32
= (0,31013) x (0,435194) = 0,13497
Y42
= (0,31013) x (0,348155) = 0,10797
Y52
= (0,31013) x (0,435194) = 0,13497
Y62
= (0,31013) x (0,435194) = 0,13497
Y13 = (0,10653) x (0,450835) = 0,0408
Y23
= (0,10653) x (0,360668) = 0,0384
Y33
= (0,10653) x (0,360668) = 0,0384
Y43
= (0,10653) x (0,360668) = 0,0384
Y53
= (0,10653) x (0,450835) = 0,0408
Y63
= (0,10653) x (0,450835) = 0,0408
c.
Menentukan matriks solusi ideal postif (A+) dan matriks solusi� ideal negatif (A-)
Y |
Elemen Solusi Ideal |
A+ |
A- |
Y1 |
0,2822;
0,2258; 0,2822; 0,2258; 0,1693 |
0,28222 |
0,1693 |
Y2 |
0,10797;
0,13497; 0,13497; 0,10797; 0,13497; 0,13497; |
0,13497 |
0,10797 |
Y3 |
0,048; 0,0384;
0,0384; 0,0384; 0,048; 0,048; |
0,048 |
0,0384 |
d.
Menentukan jarak antara
nilai setiap alternatif dengan matriks
solusi ideal posistf dan negatif
D1+
= √(0,2822-0,2822)2 + (0,10797-0,13497)2 +
(0,048-0,048)2
���� �� = √(-0,02693)2� = √0,00073 = 0,02702
D2+
= √(0,2258-0,2822)2 + (0,13497-0,13497)2 +
(0,0384-0,048)2
���� �� = √(-0,0564)2
+ (-0,0096)2� =
√0,00320092 = 0,05658
D3+
= √(0,2822-0,2822)2 + (0,13497-0,13497)2 +
(0,0384-0,048)2
���� �� =
√(-0,0096)2� =
√0,00009216 = 0,0096
D4+
= √(0,2258-0,2822)2 + (0,10797-0,13497)2 +
(0,0384-0,048)2
���� �� = √(0.0032) +
(0,00073) + (0,000092)� = √0,004022
= 0,0634
D5+
= √(0,2258-0,2822)2 + (0,13497-0,13497)2 +
(0,048-0,048)2
���� �� = √(-0,0564)2� = √0,0032 = 0,05657
D6+
= √(0,1693-0,2822)2 +(0,13497-0,13497)2 +
(0,048-0,048)2
���� �� = √(-0,1129)2� = √0,0127 = 0,1127
D1+
= 0,02702
D2+
= 0,05658
D3+
= 0,0096
D4+
= 0,0634
D5+
= 0,05657
D6+
= 0,1127
D1-
= √(0,2822-0,1693)2 + (0,10797-0,10797)2 +
(0,048-0,0384)2
���� �� = √(0,012746) +
(0,000092)� = √0,012838 = 0,1133
D2-
= √(0,2258-0,1693)2 + (0,13497-0,10797)2 +
(0,048-0,048)2
���� �� = √(0,0565)2
+ (0,027)2� = √0,00393 =
0,0627
D3-
= √(0,0384-0,0384)2 + (0,13497-0,10797)2 +
(0,2822-0,1693)2
���� �� = √(0,027)2
+ (0,1129)2� = √0,013479
= 0,1161
D4-
= √(0,2258-0,1693)2 + (0,10797-0,10797)2 +
(0,0384-0,0384)2
���� �� = √(0,0565)2� = √0,0032 = 0,05657
D5-
= √(0,2258-0,1693)2 + (0,13497-0,10797)2 +
(0,048-0,0384)2
���� �� = √(0,0565)2
+ (0,027)2 + (0,0096)2�
= √0,004022 = 0,06342
D6-
= √(0,1693-0,1693)2 + (0,13497-0,10797)2 +
(0,048-0,0384)2
�� = √(0,027)2 + (0,0096)2� = √0,000822 = 0,02867
D1-
= 0,1133
D2-
= 0,0627
D3-
= 0,1161
D4-
= 0,05657
D5-
= 0,06342
D6-
= 0,02867
e.
Menentukan nilai
preferensi untuk setiap alternatif
V1
=������������������������������ =��������������������������������� = 0,8064
�������������������������������������� �
V2
=������������������������������ =��������������������������������� = 0,5392
V3 =������������������������������ =��������������������������������� = 0,9236
V4 =������������������������������ =��������������������������������� = 0,4715
V5
=������������������������������ =��������������������������������� = 0,5285
V6 =������������������������������ =��������������������������������� = 0,2028
Dari nilai V ini dapat
dilihat bahwa V3 memiliki nilai terbesar, sehingga dapat disimpulkan bahwa
siswa berprestasi menurut metode AHP-TOPSIS adalah siswa ketiga sebagai siswa
berprestasi.
Perhitungan
SAW-TOPSIS
1.
Perhitungan
SAW
������������� Implementasi
metode SAW pada sistem ini digunakan untuk menentukan bobot kriteria dalam
penilaian siswa. Sedangkan metode TOPSIS digunakan untuk menghitung matriks ternormalisasi dan mencari nilai
matriks terbobot sehingga
menghasilkan...
Terdapat 3 (tiga) kriteria yang
diberikan sekolah dalam penentuan siswa berprestasi yaitu : C1 = Nilai
rata-rata raport, C2 = Prestasi, dan C3 = Sikap
Ranting
kecocokan untuk� setiap alternatif pada
setiap kriteria dinilai dengan 1 sampai 5, yaitu :
1 : Sangat Buruk
2 : Buruk
3 : Cukup
4 : Baik
5 : Sangat Baik
Begitupun tingkat kepentingan untuk
setiap kriteria juga dinilai dengan 1 sampai 5, yaitu :
1 : Sangat
Rendah
2 : Rendah
3 : Cukup
4 : Tinggi
5 : Sangat
Tinggi
Kriteria |
Range Nilai |
Nilai
Konversi |
Kriteria |
Range
Nilai |
Nilai
Konversi |
Nilai
Raport |
100-90 |
5 |
Nilai Raport |
100-90 |
5 |
|
89-80 |
4 |
89-80 |
4 |
|
|
79-70 |
3 |
79-70 |
3 |
|
|
69-60 |
2 |
69-60 |
2 |
|
|
59-0 |
1 |
59-0 |
1 |
|
Prestasi |
1-2 |
5 |
Prestasi |
1-2 |
5 |
|
3-4 |
4 |
|
|
|
|
5 |
3 |
|
|
|
|
6-10 |
2 |
|
|
|
|
>10 |
1 |
|
|
|
Sikap |
A |
5 |
|
|
|
|
B |
4 |
|
|
|
|
C |
3 |
|
|
|
|
D |
2 |
|
|
|
|
E |
1 |
|
|
|
Kerterangan untuk kriteria prestasi
juara 1-2 tingkat kab/kota,provinsi,nasional yaitu sangat baik, juara 3-4
(harapan 1) tingkat kab/kota,provinsi,nasional yaitu baik, juara harapan 2
(peringkat 5) tingkat kab/kota,provinsi,nasional yaitu cukup, peringkat 6-10
tingkat kab/kota,provinsi,nasional yaitu buruk, dan peringkat keluar dari 10
besar� tingkat kab/kota,provinsi,nasional
yaitu sangat buruk.
Alternatif |
Kriteria |
||
C1 |
C2 |
C3 |
|
A1 |
5 |
4 |
4 |
A2 |
4 |
5 |
3 |
A3 |
4 |
4 |
5 |
A4 |
3 |
5 |
4 |
A5 |
5 |
4 |
3 |
A6 |
4 |
3 |
4 |
Pengambil keputusan memberikan bobot
preferensi sebagai berikut : C1 = 20%, C2 = 30%, dan C3 = 50%, sehingga
diperoleh :
W = { 0.2, 03,
0.5 }
1)
Metode
SAW
X11 X12......
X1n X21 X22......
X2n� Xn1 Xn2......
Xnn�
Langkah 1 : Membuat matrik keputusan X,
dengan persamaan :
X =[
��������������������������]
5
����4���� 4 4���� 5����
3 4���� 4����
5 3���� 5����
4 5���� 4����
3 4���� 3����
4
Sehingga diperoleh :
X = [���� �������������������������],
Langkah 2 : Melakukan
proses normalisasi matriks :
a.
Untuk Alternatif 1 (A1)
r11 =������������������������������� = 5/5 = 1.0
r12 =������������������������������� = 4/5 = 0.8
r13 =������������������������������ = 4/5 = 0.8
b.
Untuk Alternatif 2 (A2)
r21 =������������������������������� = 4/5 = 0,8
r22 =������������������������������� = 5/5 = 1.0
r23 =������������������������������� = 4/5 = 0.8
c.
Untuk
Alternatif 3 (A3)
r31 =������������������������������� = 4/5 = 0,8
r32 =������������������������������� = 4/5 = 0.8
r33 =������������������������������� = 5/5 = 1.0
d.
Untuk
Alternatif 4 (A4)
r41 =������������������������������� = 4/5 = 0.8
r42 =������������������������������� = 5/5 = 1.0
r43
=������������������������������� = 3/5 =
0,6
e.
Untuk
Alternatif 5 (A5)
r51
=������������������������������� = 5/5 =
1,0
r52
=������������������������������� = 4/5 =
0,8
r53 =������������������������������� = 5/5 = 1,0
f.
Untuk
Alternatif 6 (A6)
r61 =������������������������������� = 4/5 = 0,8
r62 =������������������������������� = 5/5 = 1,0
r63 =������������������������������� = 4/5 = 0,8
1.0�� ��� 0.8���� � 0.8 0.8�� ��� 1.0���� � 0.8 0.8�� ��� 0.8���� � 1,0 0.6�� ��� 1.0���� � 0.8 1.0�� ��� 0.8���� � 0.6 0.8�� ��� 0.6���� � 0.8
Sehingga memperoleh matriks ternormalisasi R :
�R = [�������� ������������������� ����������]
Setelah
matriks ternormalisasi R diperoleh
kemudian dilanjutkan dengan mencari nilai matriks
terbobot Y dengan menggunakan metode topsis.
2)
Metode
TOPSIS
Langkah
1 : Normalisasi matriks terbobot Y
berdasarkan nilai setiap elemen pada matriks
ternormalisasi R yang diperoleh pada metode SAW, dengan menggunakan persamaan :
Yij = wi
rij
Sehingga diperoleh :
Y11 = 0.2 x
1,0 � = 0.2
Y12 = 0.3 x
0,8 � = 0.24
Y13 = 0.5 x
0,8 � = 0.4
Y21 = 0.2 x
0,8 � = 0.16
Y22 =
0.3� x 1,0 = 0.3
Y23 =
0.5� x 0,8 = 0.4
Y31 =
0.2� x 0,8 = 0.16
Y32 =
0.3� x 0,8 = 0.24
Y33 =
0.5� x 1,0 = 0.5
Y41 =
0.2� x 0,6 = 0.18
Y42 =
0.3� x 1,0 = 0.3
Y43 =
0.5� x 0,8 = 0.4
Y51 =
0.2� x 1,0 = 0.2
Y52 =
0.3� x 0,8 = 0.24
Y53 =
0.5� x 0,6 = 0.3
Y61 =
0.2� x 0,8 = 0.16
Y62 =
0.3� x 0,6 = 0.18
Y63 =
0.5� x 0,8 = 0.4
Sehingga diperoleh :
0.2������ 0.24����� 0.4 0.16���� 0.3������� 0.4 0.16���� 0.24����� 0.5 0.12���� 0.3������� 0.4 0.2������ 0.24����� 0.3 0.16���� 0.16����� 0.4
Y = [� ��������������� ����������� �����������]
Langkah
2 : Menentukan solusi ideal positif (A+), dengan persamaan sebagai
berikut :
A+� = ( y1+, y2+,......,
yn+ )
y1+� = max {0.2, 0.16, 0.16, 0.12, 0.2, 0.16} = 0.2
y2+� = max {0.24, 0.3, 0.24, 0.3, 0.24, 0.16} = 0.3
y3+� = max {0.4, 0.4, 0.5, 0.4, 0.3, 0.4} � = 0.5
sehingga
diperoleh :
A+
= { 0.2, 0.3, 0.5 }
Langkah
3 : Menentukan solusi ideal negatif (A-), dengan persamaan sebagai
berikut :
A-� = ( y1-, y2-,......,
yn- )
y1-�� = min {0.2, 0.16, 0.16, 0.12, 0.2, 0.16} = 0.12
y2-�� = min {0.24, 0.3, 0.24, 0.3, 0.24, 0.16} = 0.16
y3-�� = min {0.4, 0.4, 0.5, 0.4, 0.3, 0.4} = 0.3
sehingga
diperoleh :
A- = { 0.18,
0.24, 0.32 }
Langkah
4 : Menentukan jarak terbobot setiap alternatif terhadap solusi ideal positif
(S1+), dengan persamaan sebagai berikut :
D1+ =
√(0.2-0.2)2 + (0.3 - 0.24)2 + (0.5 - 0.4)2 =
0,1166
D2+
= √(0.2 - 0.16)2 + (0.3 - 0.3)2 + (0.5 - 0.4)2
= 0.1077
D3+
= √(0.2 - 0.16 )2 + (0.3 - 0.24)2 + (0.5 - 0.5)2
= 0.0721
D4+
= √(0.2 - 0.12)2 + (0.3 - 0.3)2 + (0.5 - 0.4)2
= 0.1280
D5+
= √(0.2 - 0.2)2 + (0.3 - 0.24)2 + (0.5 - 0.3)2
= 0.2088
D6+
= √(0.2 - 0.16)2 + (0.3 - 0.16)2 + (0.5 - 0.4)2
= 0.1766
Sehingga
diperoleh :
D1+
������� = 0.1166
D2+�������� = 0.1077
D3+�������� = 0.0721
D4+����������� = 0.1280
D5+
������� = 0.2088
D6+
������� = 0.1766
Langkah 5 : Menentukan
jarak terbobot setiap altenatif terhadap solusi ideal negatif (S1-),
dengan persamaan sebagai berikut :
D1- = √(0.12
� 0.2)2 +
(0.16 � 0.24)2 + (0.3 � 0.4)2
= 0.1509
D2-
= √(0.12 � 0.16)2 + (0.16 � 0.3)2 + (0.3 � 0.4)2
= 0.1766
D3-
= √(0.12 � 0.16)2 + (0.16 � 0.24)2 + (0.3 � 0.5)2
= 0.2190
D4-
= √(0.12 � 0.12)2 + (0.16 � 0.3)2 + (0.3 � 0.4)2
= 0.1720
D5-
= √(0.12 � 0.2)2 + (0.16 � 0.24)2 + (0.3 � 0.3)2
= 0.1131
D6-
= √(0.12 � 0.16)2 + (0.16 � 0.16)2 + (0.3 � 0.4)2
= 0.1077
Sehingga
diperoleh :
D1-
�������� = 0.150996
D2-��������� = 0.1766
D3-��������� = 0.2190
D4-������������ = 01720
D5-
�������� = 0.1131
D6-
�������� = 0.1077
Langkah 6 : Menentukan
nilai preferensi untuk setiap alternatif, dengan persamaan sebagai berikut :
Vi = Di-
� ��������Di-
+ Di+
V1 �������� = �������������������������������� =
0.1509/0.2675 = 0.5641
V2
�������� = �������������������������������� = 0.1766/0.2843= 0.6212
V3 �������� = �������������������������������� =
0.2190/0.2911 = 0.7523
V4
�������� =��������������������������������� =
0.1720/0.3��� = 0.5733
V5 �������� =��������������������������������� =
0.1131/0.3211= 0.3522
V6 �������� =��������������������������������� =
0.1077/0.2843= 0.3788
Hasil
akhir nilai preferensi (Vi) diperoleh nilai V3 adalah
nilai terbesar sehingga alternatif A3 adalah alternatif yang terpilih sebagai
alternatif terbaik. Dengan kata lain, A3 akan terpilih sebagai siswa
berprestasi.
2. Implementasi Sistem�������� ����������� ����������� ����������� ����������� ����������� ����������� ����������� ����������� Pada
gambar 1 dibawah ini, proses awal masuk sistem dengan memasukkan username dan password. Pada proses ini user menggunakan username dan password yang
telah dimiliki dan sesuai dengan level user.
Gambar 1. Tampilan Halaman
login
Setelah
masuk kedalam sistem, proses selanjutnya adalah masuk ke halama admin seperti
gambar 2.
Gambar 2. Tampilan Halaman
Admin
Pada
proses ini, sistem akan menampilkan halaman utama admin dengan pilihan menu
diantaranya adalah menu pengguna, daftar simak prestasi, dan aspek penilaian.
Setelah masuk ke halaman admin, proses selanjutnya adalah masuk ke halaman olah
data AHP dan SAW, seperti pada gambar 3 dan gambar 4.
Gambar 3. Tampilan Halaman olah Data AHP
Gambar 4. Tampilan Halaman olah Data SAW
Setelah olah data dengan
metode AHP dan metode SAW, proses selanjutnya adalah perangkinan dengan
menggunakan metode TOPSIS seperti gambar 5 dan gambar 6.
Gambar 5. Tampilan
Halaman Hasil olah Data AHP
Gambar 6. Tampilan
Halaman Hasil olah Data SAW
Kesimpulan
Dari
hasil penelitian yang dilakukan maka dapat diambil kesimpulan sebagai berikut :
1.
Letak perbedaan antara metode AHP-TOPSIS dan SAW-TOPSIS terdapat pada proses
perhitungan nilai prioritas kriteria. Pada AHP-TOPSIS penyelesaiannya dilakukan
perbandingan berpasangan antara kriteria satu dengan kriteria lain, dan pada
SAW-TOPSIS dilakukan penilaian secara sederhana yaitu� penilaian kriteria terhadap keadaan
alternatif yang kemudian hasil tersebut dinormalisasikan, sedangkan proses
akhir perangkingan kedua metode tersebut sama-sama menggunakan metode TOPSIS.
2.
Sistem pendukung keputusan dalam menentukan siswa berprestasi dengan
menggunakan metode AHP-TOPSIS dan SAW-TOPSIS terbukti mampu memberikan
prioritas siswa yang tepat sesuai dengan kriteria, subkriteria, dan alternatif
yang diinginkan.
3.
Sistem pendukung keputusan dalam menentukan siswa berprestasi terbukti
dapat membantu atau memberikan kemudahan pada pihak sekolah dalam menentukan
siswa berprestasi yang sesuai dengan harapan pihak sekolah.
BLIBIOGRAFI
Djalal, 1986. Penilaian Dalam Pengajaran Bahasa Asing.
Malang : P3T IKIP Malang.
Hamalik, 2001. Proses Belajar Mengajar. Bandung: Bumi
Aksara.
Kusrini,
2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta : Andi
Yogyakarta.
Kusumadewi,
Sri. 2006. �Fuzzy Multi Attribute
Decisison Making (Fuzzy MADM)�, Yogyakarta.
Riyanto,
2011. Sistem Pendukung Keputusan
Pemilihan Asisten Praktikum dengan Metode AHP.
Saaty,
T.L. 1998. Multicriteria Decision Maaking : The Analytic Hierarchy Proses, University of Pittsburgh, RWS
Publication, Pittsburgh.
Saaty,
T.L. 2008. Decision Making with the Analytic Hierarchy Proses�,Int. J. Services
Sciences, Vol. 1.
Sprague,
Ralph H and Watson, Hugh J. 1993. Decision Support System, Putting Theory into
Practice, Prentice Hall, Inc. 3rd-ed.
Syah,
Muhibbin. 2008. �Psikologi Belajar�. Hal 91 Bandung : Remaja Rosdakarya.
Turban,
E. Aroson, J. 2001. Decision Support System and Intelligence System. New Jersey:
Pretice Hall.
Turban,
E. 1995. Decision Support System and Intelligence System : Fourth Edition,
Prentice Hall.
Turban,
E. dkk. 2005. Decision Support System and
Intelligence System : Yogyakarta : Penerbit Andi.
Winkel. 1987. Bimbingan dan
Konseling di Institusi Pendidikan. Jakarta:
Gramedia.
Yoon,
K., dan Hwang, C. L. 1981. Multiple
Attribute Decision Making : Methods
and Applications. Berlin : Springer.