sistem pendukung keputusan seleksi siswa unggulan rintisan ...

26 downloads 1000 Views 1MB Size Report
merode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW membutuhkan proses ...
SISTEM PENDUKUNG KEPUTUSAN SELEKSI SISWA UNGGULAN RINTISAN SEKOLAH BERTARAF INTERNASIONAL MENGGUNAKAN METODE SAW (SIMPLE ADDITIVE WEIGHTING) (Studi Kasus SMP Negeri 1 Sumenep) TUGAS AKHIR

Oleh : KHAIFAH 09.04.5.1.1.00024

JURUSAN D3 MANAJEMEN INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO MADURA BANGKALAN 2013

SISTEM PENDUKUNG KEPUTUSAN SELEKSI SISWA UNGGULAN RINTISAN SEKOLAH BERTARAF INTERNASIONAL (RSBI) MENGGUNAKAN METODE SAW (SIMPLE ADDITIVE WEIGHTING) (Studi Kasus SMP Negeri 1 Sumenep)

KHAIFAH Manajemen Informatika (D3) Universitas Trunojoyo Madura

ABSTRAK Perkembangan dunia pendidikan mendorong para siswa untuk mampu bersaing. SMP Negeri 1 Sumenep merupakan satu-satunya SMP yang memiliki standar internasional (RSBI) yang ada di kabupaten Sumenep. Banyaknya siswa yang mendaftar menjadi siswa kelas RSBI ke SMP Negeri 1 Sumenep menyulitkan bagi pihak yang menyeleksi untuk menentukan siswa yang layak diterima karena penyeleksian siswa dilakukan secara manual oleh pihak sekolah. Pada penelitian ini telah dilakukan pemilihan siswa baru untuk kelas RSBI SMP Negeri 1 Sumenep dengan menggunakan Simple Additive Weighting (SAW). Konsep dasar merode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW membutuhkan proses normalisasi matriks keputusan ke suatu skala yang dapat dibandingkan dengan semua rating alternatif yang ada. Dari hasil uji coba yang telah dilakukan, tingkat kecocokan hasil perangkingan metode SAW yaitu 70%. Sehingga sisten ini dapat dijadikan bahan pertimbangan dalam menyeleksi siswa unggul.

Kata

Kunci

Pendukung

:

Simple Additive Weighting (SAW),

Keputusan

Internasional (RSBI)

(SKP),

Rintisan

Sekolah

Sistem Bertaraf

1. PENDAHULUAN Perkembangan dunia pendidikan yang semakin meningkat mendorong para siswa untuk mampu bersaing. SMP (Sekolah Menengah Pertama) Negeri 1 Sumenep merupakan satu-satunya SMP (Sekolah Menengah Pertama)

yang

memiliki standar internasional (RSBI) yang ada di kabupaten Sumenep, sehingga para siswa akan melanjutkan pendidikan dari SD (Sekolah Dasar) ke SMP (Sekolah Menengah Pertama)

banyak memilih SMP (Sekolah Menengah

Pertama) Negeri 1 Sumnenep

sebagai prioritas untuk jenjang pendidikan

selanjutnya. Daya tampung SMP (Sekolah Menengah Pertama) Negeri 1 Sumenep hanya sebanyak ± 408 siswa dibagi menjadi 9 kelas, yakni kelas RSBI ± 120 siswa dan kelas regular (non RSBI) ± 288 siswa Dalam pengajaran kelas RSBI, siswa menggunakan bahasa inggris dan bahasa Indonesia (bilingual) dalam setiap pelajaran. Buku teks pelajaran juga menggunakan buku berbahasa inggris ataupun buku bilingual, sehingga siswa yang diterima dituntut mampu berbahasa inggris dengan baik dan benar. Banyaknya siswa yang mendaftar menjadi siswa baru kelas RSBI ke SMP (Sekolah Menengah Pertama) Negeri 1 Sumenep menyulitkan bagi pihak yang menyeleksi untuk menentukan siswa mana yang diterima dan layak menjadi siswa kelas RSBI SMP (Sekolah Menengah Pertama) Negeri 1 Sumenep karena penyeleksian siswa dilakukan secara manual oleh pihak guru yang terkait. Penulis menggunakan metode SAW. Metode SAW dipilih karena metode ini menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif terbaik dari sejumlah alternatif. Dengan metode perangkingan tersebut, diharapkan penilaian akan menjadi lebih tepat karena didasarkan pada nilai kriteria dan bobot yang sudah ditentukan sehingga akan mendapatkan hasil yang akurat terhadap siapa yang akan menjadi siswa tersebut. Tugas Akhir ini membahas tentang Perancangan dan pembuatan Sistem Pendukung Keputusan untuk seleksi pemilihan siswa kelas RSBI (Rintisan Sekolah Bertaraf Internasional) yang ada SMP (Sekolah Menengah Pertama) Negeri 1 Sumenep. Dalam pembuatannya, sistem pendukung keputusan ini dibuat berdasarkan Metode SAW. Sehingga dapat ditentukan metode yang paling cocok

untuk pengambilan keputusan kelas RSBI di SMP (Sekolah Menengah Pertama) Negeri 1 Sumenep. 2. LANDASAN TEORI 2.1. Sistem Pendukung Keputusan (Inggris: decision support systems disingkat DSS) adalah bagian dari sistem informasi berbasis komputer (termasuk sistem berbasis pengetahuan (manajemen pengetahuan)) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi-terstruktur yang spesifik. Menurut Moore and Chang, SPK dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis ad hoc data, dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat yang tidak biasa. 2.1.1. Tahapan Sistem Pendukung Keputusan (SPK) 

Definisi masalah



Pengumpulan data atau elemen informasi yang relevan



pengolahan data menjadi informasi baik dalam bentuk laporan grafik maupun tulisan



menentukan

alternatif-alternatif

solusi

(bisa

dalam

persentase) 2.1.2. Tujuan dari Sistem Pendukung Keputusan (SPK) 

Membantu menyelesaikan masalah semi-terstruktur



Mendukung manajer dalam mengambil keputusan



Meningkatkan efektifitas bukan efisiensi pengambilan keputusan

Dalam pemrosesannya, SPK dapat menggunakan bantuan dari sistem lain seperti Artificial Intelligence, Expert Systems, Fuzzy Logic, dll. 2.2. Metode Simple Additive Weighting (SAW) Metode SAW sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating

kinerja pada setiap alternatif pada semua atribut (Fishburn, 1967)(MacCrimmon, 1968). Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.

Xi

jika j adalah atribut keuntungan (benefit)

Maxi Xij

(3.3)

rij = Mini Xij

jika j adalah atribut biaya (cost)

Xij dimana rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj ; i=1,2,...,m dan j=1,2,...,n. Nilai preferensi untuk setiap alternatif (Vi)diberikan sebagai:

Vi =

(3.4)

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih Terpilih 2.3. Unified Modeling Language (UML) UML adalah sebuah bahasa untuk menetukan, visualisasi, kontruksi, dan mendokumentasikan artifact (bagian dari informasi yang digunakan atau dihasilkan dalam suatu proses pembuatan perangkat lunak. Artifact dapat berupa model, deskripsi atau perangkat lunak) dari system perangkat lunak, seperti pada pemodelan bisnis dan system non perangkat lunak lainnya. UML merupakan suatu kumpulan teknik terbaik yang telah terbukti sukses dalam memodelkan system yang besar dan kompleks. UML tidak hanya digunakan dalam proses pemodelan perangkat lunak, namun hampir dalam semua bidang yang membutuhkan pemodelan. 3. PERANCANGAN SISTEM 3.1. Analisa Sistem Fungsi perancangan sistem digunakan sebagai gambaran umum mengenai aplikasi yang akan dibuat. Aplikasi perangkat lunak “Sistem Pendukung Keputusan Penerimaan Beasiswa Magang” digunakan untuk membantu dalam pemilihan beasiswa magang yang layak dengan kriteria yang sudah ditentukan. Variable kriteria yang digunakan dalam penelitian ini adalah

indeks prestasi komulatif, semester, penghasilan orang tua, jumlah tanggungan dan daya. Himpunan ini kemudian diperlakukan sebagai input ke dalam sistem FMADM (dalam hal ini disebut sebagi Ci). Variabel yang digunakan dalam penelitian ini adalah indeks prestasi komulatif, semester, penghasilan orang tua, jumlah tanggungan dan daya, dan untuk himpunan fuzzynya adalah Sangat Rendah, Rendah, Sedang, Tinggi, Sangat Tinggi. 3.2. Analisa User Ada satu aktor yang berperan di dalam sistem yaitu admin. Admin yang memiliki hak penuh atas menu-menu sistem baik penginputan data, perubahan/ edit data dan juga penghapusan/delete data yang ada pada setiap menu-menu sistem yang disediakan yakni menu data siswa,kriteria, periode. 3.3.

Analisa Input Data-data yang digunakan dalam sistem ini adalah data-data siswa yang

ada di sekolah. Dimana nantinya akan direalisasikan dengan perhitungan SAW (Simple Additive Weighting) 3.4.

Analisa Proses Proses dalam sistem ini dimulai dari proses (insert, update, delete) data

siswa selanjutnya data tersebut akan di proses dengan perhitungan metode SAW (Simple Additive Weighting). 3.5.

Analisa Output Keluaran yang dihasilkan dari sistem ini adalah sebuah alternatif yang

memiliki nilai tertinggi dibandingkan dengan alternatif lainnya. Hasil keluaran yang diambil dari urutan aternatif tertinggi ke alternatif terendah. Alternatif yang dimaksud adalah siswa. Hasil akhir dari sistem ini menampilkan hasil seleksi siswa unggulan yang dapat ditampilkan dengan bentuk report. 3.6.

Desain Sistem

3.6.1. Usecase Diagram Use case di sini digunakan sebagai pemodelan gambaran sistem di atas. Dengan use case maka dapat digambarkan aktivitas user dan

kebutuhan aplikasi ini. Sebuah use case mempresentasikan sebuah interaksi antar aktor dengan sistem. Use case pada sistem ini ada satu aktor yaitu admin Admin bertugas untuk menginputkan data siswa,kriteria dan periode. gambar 3.1.

Manage Data Master Siswa Penilaian Kriteria

Admin

Login

Perangkingan



Cetak Hasil

Proses SAW

Gambar 3.1. Usecase diagram 4. PERHITUNGAN METODE 4.1. Kriteria yang dibutuhkan Dalam metode penelitian ini ada bobot dan kriteria yang dibutuhkan untuk menentukan siapa yang akan terseleksi sebagai penerima s i s w a u n g g u l a n . Adapun kriterianya adalah: C1= Nilai Rapot C2= Tes Akademik C3= Pisikotes C4= Kuisoner C5= Piagam C6= English Kompetensi Dari masing-masing bobot tersebut, maka dibuat suatu variabelvariabelnya. Dimana dari suatu variabel tersebut akan dirubah ke dalam bilangan fuzzynya. Di bawah ini adalah bilangan fuzzy dari bobot. 1. 2. 3. 4. 5.

Sangat Rendah ( SR ) = 0.1 Rendah ( R ) = 0.25 Cukup ( C ) = 0.5 Tinggi ( T ) = 0.75 SangatTinggi ( St ) = 1

a.

Kriteria Nilai Rapot Variabel nilai rapot dikonversikan dengan bilangan fuzzy di bawah ini. Tabel 3.9. Nilai Rapot Nilai Rapot Nilai Rapot = 85-100 1 Rapot = 75-85 0.75 Rapot = 65-75 0.5 Rapot = 50-65 0.25 Rapot = 0-50 0.1

b. Kriteria Tes Akademik Variabel tes akademik dikonversikan dengan bilangan fuzzy di bawah ini. Tabel 3.10. Tes Akademik Tes Akademik Nilai Tes Akademik = 85-100 1 Tes Akademik = 75-85 0.75 Tes Akademik = 65-75 0.5 Tes Akademik = 50-64 0.25 Tes Akademik = 0-50 0.1 c. Kriteria Pisikotes Variabel pisikotes dikonversikan dengan bilangan fuzzy di bawah ini. Tabel 3. 11. Pisikotes Pisikotes Nilai Pisikotes = 85-100 1 Pisikotes = 75-85 0.75 Pisikotes = 65-75 0.5 Pisikotes = 50-64 0.25 Pisikotes = 0-50 0.1 d. Kriteria Kuisoner Variabel kuisoner dikonversikan dengan bilangan fuzzy di bawah ini. Tabel 3.12. Kuisoner Kuisoner Nilai Kuisoner= 120-150 1 Kuisoner = 90-120 0.75 Kuisoner = 70- 90 0.5 Kuisoner = 50-65 0.25 Kuisoner =0-50 0.1

e.

f.

Kriteria Piagam Variabel tes akademik dikonversikan dengan bilangan fuzzy di bawah ini. Tabel 3.13. Piagam Piagam Nilai Piagam = 85-100 1 Piagam = 75-85 0.75 Piagam = 65-75 0.5 Piagam = 50-65 0.25 Piagam = 0-50 0.1 Kriteria English Komputensi Variabel english komputensi dikonversikan dengan bilangan fuzzy di bawah ini. Tabel 3.13. English Komputensi Piagam Nilai English = 85-100 1 English = 75-85 0.75 English = 65-75 0.5 English = 50-65 0.25 English = 0-50 0.1

4.1.1. Perhitungan Manual Seperti studi kasus Ada tiga pemohon siswa memiliki data sebagai berikut : Tabel 3.14. Data Pemohon

Kriteria

Nama Pemohon Siswa Siswa 1 Siswa 3 2 80 70 70

Rapot Tes 85 73 79 Akademik Pisikotes 90 75 65 Kuisoner 120 120 100 Piagam 60 0 0 English 75 86 70 Berdasarkan data pemohon di atas dapat dibentuk matriks keputusan X yang telah dikonversikan dengan bilangan fuzzy, sebagai berikut: Tabel 3.15. Rating kecocokan dari setiap alternatif pada setiap kriteria Kriteria Alternatif C1 C2 C3 C4 C5 C6 A1 0.75 1 1 1 0.25 0.75 A2 0.5 0.5 0.75 1 0.1 1 A3 0.5 0.75 0.5 0.75 0.1 0.5 Pengambilan keputusan memberikan bobot, berdasarkan kepentingan masing-masing kriteria yang dibutuhkan sebagai berikut :

tingkat

Vektor Bobot : W =[ 1, 0.75, 0.5, 0.25, 0.1, 0.1] Membuat matriks keputusan X, dibuat dari tabel kecocokan sebagai berikut: X=

0.75

1

1

1

0.25

0.75

0.5

0.5

0.75

1

0.1

1

0.75

0.5

0.75

0.1

0.5

0.5

Normalisasi matriks X untuk menghitung nilai masing-masing kriteri berdasarkan kriteria yang diasumsikan sebagai kriteria keuntungan atau biaya sebagai berikut: Jika j adalah atribut keuntungan (benefit) rij = Jika j adalah atribut biaya (cost) A1r11 = 0.75 =1 0.75 A1r12 = 0.5 =0.5 1 A1r13 = 1 =1 1 A1r14 = 0.75 = 0.75 1 A1r15 = 0.25 =1 0.25 A2r26 = 0.5 =0.6

A2r21 = 0.5 =0.6 5 A2r22 = 0.5 = 1 0.5 A2r23 = 0.75 =0.75 1 A2rr4 = 0.75 =0.75 1 A2r25 = 0.1=0.4 0.25 A2r26 = 0.5=0.5 1

0.75

A3r31 = 0.5=0.6 0.75 A3r32 = 0.5 =0.6 0.75 A3r33 = 5 =0.5 10 A3r34 = 0.75 = 1 0.75 A3r35 = 0,1 =0.4 0.25 A3r36 = 0,5 =1 0.5

Membuat normalisas matriksi R yang diperoleh dari hasil normalisasi X sebagai berikut : 1 R = 0.6 0.6

0.5

1

0.75

1

0.6

1

0.75

0.75

0.4

0.5

0.6

0.5

1

0.4

1

V1 = 1x1+0.75x0.5+0.5x1+0.25x0.75+0.1x1+0.1x0.6= 2.2225 V2 = 1x0.6+0.75x1+0.5x0.75+0.25x0.75+0.1x0.4+0.1x0.5= 2.0025 V3 = 1x0.6+0.75x0.6+0.5x0.5+0.25x1+0.1x0.4+0.1x1= 1.69

Hasil perangkingan diperolah : V1 = 2.2225

V3 = 1.69

V2 = 2.0025 Dari perangkingan di atas V1, V2, dan V3 didapatkan nilai terbesar adalah V1 = 2.2225 dengan demikian alternatif A1 (Siswa 1) adalah alternatif terpilih sebagai alternatif terbaik. 5. IMPLEMENTASI Form Login

Form Utama

Form Setting Bobot

Form Setting User

Form Data Siswa

Form Piagam Lomba

Form Tes Akademik

Form Nilai Kriteria

Form Proses Seleksi

Form Cetak Laporan

6. Kesimpulan Setelah menyelesaikan perancangan dan pembuatan aplikasi “Sistem Pendukung Keputusan Penerimaan Beasiswa Magang Menggunakan Metode Simple AdditiveWeighting (SAW) Studi kasus Fakultas Teknik ” dapat diambil beberapa kesimpulan sebagai berikut :

1. Sistem

Pendukung

Keputusan

Penerimaan

Beasiswa

Magang

Menggunakan Metode Simple AdditiveWeighting (SAW) dapat dijadikan sebagai solusi atau bahan pertimbangan dalam penerimaan beasiswa magang 2. Nilai kriteria dari bobot mempengaruhi hasil dari sistem pendukung keputusan ini. Kriteria yang dipakai pada sistem ini diantaranya nilai IPK, semester, penghasilan orang tua, jumlah tanggungan orang tua, dan daya listrik. 3. Pada semester genap 2011/2012 hasil perangkingan metode SAW kecocokannya 70 dari 100 yang terpilih dengan prosentase 70%. DAFTAR PUSTAKA [1]. Wibowo S, Henry., Riska Amalia, Andi Fadlun M, Kurnia Arivanty. 2009. Sistem Pendukung Keputusan Untuk Menentukan Penerima Beasiswa Bank BRI menggunakan FMADM (Studi Kasus: Mahasiswa Fakultas Teknologi Industri Universitas Islam Indonesia). Yogyakarta : Seminar Nasional Aplikasi Teknologi Informasi. [2]. Profil SMP Negeri 1 Sumenep [3].

Kusumadewi,

Sri.,

Hartati,

Sri.,

Harjoko,

Agus.,

dan

Wardoyo,

Retantyo. 2006. Fuzzy Multi-Attribute Decision Making (FUZZY MADM) Yogyakarta: Graha Ilmu. [4]. Nugroho, Adi. 2005. Rational Rose untuk Pemodelan Berorientasi Objek. Bandung: Informatika Bandung. [5]. Wahana Komputer.2009. delphi 2009. Yogyakarta: Penerbit Andi. [6]. Unified Modeling Language (UML) http://fadhlyashary.blogspot.com/2012/06/pengertian-uml-unified-modeling.html, Diakses pada 6 oktober 2012.

[7]. Sistem pendukung Keputusan http://id.wikipedia.org/wiki/Sistem_pendukung_keputusan,

Diakses

pada

6

oktober 2012. [8]. Data Basis http://fathurrohman.staff.ipb.ac.id/2012/02/29/pengenalan-basis-data/, pada 6 oktober 2012.

Diakses