sistem pendukung keputusan pemilihan mentor untuk kegiatan...
TRANSCRIPT
Sistem Pendukung Keputusan Pemilihan Mentor Untuk Kegiatan
Mentoring Pada Fakultas Teknologi Informasi UKSW
Menggunakan Fuzzy Multi-Atribute Decision Making-Simple
Additive Weighting
Artikel Ilmiah
Peneliti:
Chelsea Gracia Diandra Suoth (672014071)
Magdalena A. Ineke Pakereng, M.Kom.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Januari 2018
1
1. Pendahuluan
Dalam kehidupan sehari-hari, pengambilan keputusan sering ditemui.
Sebelum mengambil keputusan, ada beberapa hal yang menjadi pertimbangan
dan ada beberapa pilihan alternatif solusi untuk setiap masalah dengan
harapan keputusan yang diambil adalah yang terbaik. Banyaknya pilihan
alternatif solusi serta pertimbangan lainnya dapat membuat pengambilan
keputusan semakin sulit dilakukan. Seiring berkembangnya zaman, teknologi
semakin berkembang dan digunakan pada setiap aspek kehidupan untuk
mempermudah pekerjaan manusia. Salah satu pemanfaatan teknologi adalah
mempermudah manusia dalam pengambilan keputusan.
Mentoring adalah kegiatan tahunan yang dilaksanakan selama satu
semester di Fakultas Teknologi Informasi. Kegiatan mentoring bertujuan
untuk mengenalkan FTI, UKSW, dan Salatiga terlebih membangun rasa
percaya diri dan membentuk karakter dan etika mahasiswa baru. Kegiatan
mentoring berlaku untuk semua program studi. Mahasiswa baru dibagi ke
dalam kelompok dengan jumlah 8 sampai 12 mahasiswa. Setiap kelompok
didampingi satu mentor yang memenuhi kriteria. Setiap kali pendaftaran
mentor dibuka, banyak sekali mahasiswa yang mendaftar. Koordinator
melakukan seleksi penerimaan mentor yang telah mendaftar menjadi calon
mentor. Ada beberapa kriteria dalam seleksi penerimaan mentor, yaitu
minimal sudah 1 tahun berkuliah di FTI, mahasiswa aktif, IPK minimal 3.00,
test pengetahuan umum mengenai kegiatan mentoring, FTI, UKSW, dan
wawancara. Namun, banyaknya calon mentor yang mendaftar membuat
koordinator membutuhkan waktu yang lama untuk memilih mentor.
Berdasarkan permasalahan tersebut maka perlu dikembangkan sebuah
penelitian dalam proses pengambilan keputusan yang membantu koordinator
mentor dalam menentukan mentor-mentor yang berkompeten bagi para
mahasiswa baru. Sistem pendukung keputusan yang dibangun menggunakan
metode Fuzzy Multi-Atribute Decision Making-Simple Additive Weighting
(FMADM SAW) diharapkan dapat memberikan rekomendasi terbaik kepada
koordinator mentor mengenai pemilihan mentor.
Berdasarkan latar belakang tersebut, maka dilakukan penelitian yang
berjudul "Sistem Pendukung Keputusan Pemilihan Mentor untuk kegiatan
Mentoring Fakultas Teknologi Informasi menggunakan Fuzzy Multi-Atribute
Decision Making-Simple Additive Weighting".
2. Tinjauan Pustaka
Penelitian yang berjudul Penentuan Penerima Beasiswa dengan
menggunakan Fuzzy Multiple Atribute Decission Making membahas tentang
penentuan penerima beasiswa berdasarkan kriteria yang telah ditentukan oleh
lembaga pemberi beasiswa. Pemberian beasiswa dilakukan oleh beberapa
lembaga untuk membantu mahasiswa yang kurang mampu maupun untuk
mahasiswa berprestasi. Penentuan penerima beasiswa menggunakan metode
2
Fuzzy MADM SAW karena mampu menyeleksi alternatif terbaik dari
sejumlah alternatif yang ada. Alternatif yang dimaksud adalah mahasiswa
calon penerima beasiswa berdasarkan kriteria yang ditentukan. Penelitian
dilakukan dengan mencari nilai bobot untuk setiap atribut, lalu dilakukan
proses penentuan ranking alternatif optimal, yaitu mahasiswa terbaik [1].
Penelitian lain yang berjudul Sistem Pendukung Keputusan Pemilihan
Asisten Laboratorium dengan Metode TOPSIS Pada Sistem Informasi
Fakultas Teknik Universitas Muria Kudus membahas tentang pemilihan
asisten laboratorium menggunakan metode TOPSIS. Terdapat beberapa
kriteria dalam pemilihan asisten laboratorium, yaitu IPK, rata-rata nilai
praktikum, penguasaan service komputer, kepribadian, pembuatan program,
pengetahuan hardware dan jaringan dan wawancara. Tim penyeleksi
memberikan bobot untuk masing-masing atribut untuk selanjutnya dilakukan
perhitungan dengan TOPSIS [2].
Penelitian lain yang berjudul Metode Simple Additive Weighting
(SAW) dalam Sistem Pendukung Keputusan menentukan Dosen Pembimbing
Skripsi di STMIK Pringsewu, membahas tentang menentukan dosen
pembimbing untuk mahasiswa dan mahasiswi yang sedang dalam proses
skripsi, namun belum memiliki dosen pembimbing. Oleh karena itu,
permasalahan ini diselesaikan dengan sistem pendukung keputusan
menggunakan metode SAW. Metode ini memberikan pembobotan alternatif
dengan bobot terbesar merupakan alternatif pilihan yang ditetapkan menjadi
dosen pembimbing skripsi STMIK Pringsewu Lampung [3].
Berbeda dari penelitian sebelumnya yang membahas tentang sistem
pendukung keputusan pemberian beasiswa dan penentuan dosen pembimbing
menggunakan metode FMADM SAW dan tentang sistem pendukung
keputusan pemilihan asisten dosen menggunakan metode TOPSIS, maka
penelitian yang dilakukan saat ini menggunakan metode FMADM SAW
berbasis desktop. Selain itu hasil rekomendasi yang dihasilkan oleh sistem
berupa informasi mentor yang terpilih. Tujuan dari penelitian ini yaitu
merancang sebuah aplikasi sistem pendukung keputusan dalam pemilihan
mentor untuk kegiatan mentoring FTI UKSW. Manfaat dari penelitian ini
adalah untuk menghasilkan sebuah aplikasi yang dapat digunakan oleh
koordinator dalam memberikan rekomendasi mentor. Batasan masalah dalam
penelitian ini adalah dibuat berbasis desktop dan digunakan hanya untuk
kegiatan mentoring FTI UKSW.
Sistem pendukung keputusan (SPK) sebagai salah satu sistem berbasis
komputer yang membantu dalam proses pengambilan keputusan. SPK adalah
sistem pendukung keputusan, merupakan sebuah sistem yang menyediakan
kemampuan untuk penyelesaian masalah dan komunikasi untuk permasalahan
yang bersifat semi terstruktur. Konsep Sistem Pendukung Keputusan
diperkenalkan pertama kali oleh Michael S. Scoott Morton pada tahun 1970-
an dengan istilah Management Decision System [4].
Fuzzy Multiple Attribute Decision Making (FMADM) adalah suatu
metode yang digunakan untuk mencari alternatif optimal dari sejumlah
3
alternatif dengan kriteria tertentu. Fuzzy MADM menentukan nilai bobot
untuk setiap atribut, kemudian dilanjutkan dengan proses penentuan ranking
yang menyeleksi alternatif optimal yang sudah diberikan.
Ada beberapa metode yang dapat digunakan untuk menyelesaikan
masalah FMADM antara lain,
a. Simple Additive Weighting Method (SAW)
b. Weighted Product (WP)
c. Elimination Et Choix Traduisant la Realite (ELECTRE)
d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS)
e. Analytic Hierarchy Process (AHP)
Simple Additive Weighting (SAW) atau sering juga dikenal istilah
metode penjumlahan terbobot memiliki konsep dasar mencari penjumlahan
terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode
Simple Additive Weighting membutuhkan proses normalisasi matriks
keputusan ke suatu skala yang dapat diperbandingkan dengan semua rating
alternatif yang ada. Formula untuk melakukan normalisasi tersebut
ditunjukkan pada Rumus 1 [5].
(1)
Langkah selanjutnya adalah dimana r0 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). Nilai Vi yang lebih besar
mengindikasikan bahwa alternatif Ai lebih terpilih, seperti pada Rumus 2 [5].
(2)
3. Metode dan Perancangan Sistem
Tahapan penelitian yang digunakan dalam Sistem Pendukung
Keputusan Pemilihan Mentor untuk kegiatan Mentoring pada Fakultas
Teknologi Informasi UKSW menggunakan Fuzzy Multi-Atribute Decision
Making-Simple Additive Weighting, ditunjukkan pada Gambar 1.
jika j atribut keuntungan (benefit)
jika j atribut biaya (cost)
4
Gambar 1 Tahapan Penelitian
Tahapan Penelitian pada Gambar 1 dijelaskan sebagai berikut, tahap 1
adalah identifikasi masalah, pada tahap ini dilakukan analisis terhadap
permasalahan yang terjadi dalam proses penerimaan mentor. Masalah yang
didapatkan adalah proses seleksi membutuhkan waktu yang cukup lama.
Tidak ada kriteria penilaian yang pasti dalam pemilihan mentor sehingga
pemilihan seringkali subjektif, ada mentor yang dipilih berdasarkan relasi
dengan koordinator mentor. Tahap 2 adalah pengumpulan data seperti data
mahasiswa, kriteria apa saja yang diperlukan untuk menjadi mentor, dilakukan
dengan literatur, jurnal, browsing internet dan selanjutnya diolah dengan
metode FMADM SAW. Kriteria penilaian yang digunakan dalam sistem
adalah: (1) IPK; (2) Test pengetahuan; (3) Wawancara; (4) Pengalaman.
Kriteria penilaian didapat dari hasil wawancara dengan mahasiswa yang
pernah menjabat sebagai koordinator mentor maupun mahasiswa yang sedang
menjabat sebagai koordinator mentor dan literatur dari penelitian terdahulu.
Tahap 3 adalah perancangan sistem, pada tahap ini dibuat perancangan dengan
menggunakan Unified Modeling Language (UML) yaitu use case diagram,
activity diagram dan class diagram terkait sistem yang dibangun yang
meliputi hak akses alur relasi antar kelas dalam proses perancangan sistem.
Tahap 4 adalah implementasi sistem, setelah perancangan selesai kemudian
dilakukan implementasi pada Sistem Pendukung Keputusan Pemilihan Mentor
untuk kegiatan Mentoring pada Fakultas Teknologi Informasi UKSW
menggunakan Fuzzy Multi-Atribute Decision Making-Simple Additive
Weighting. Sistem yang dibangun pada penelitian ini menggunakan bahasa
pemrograman Java serta database yang digunakan adalah MySQL. Output
yang diharapkan dari aplikasi ini adalah rekomendasi calon mentor dari nilai
terendah sampai tertinggi. Calon mentor dengan nilai tertinggi merupakan
prioritas utama yang disarankan sistem. Tahap 5 adalah pengujian sistem.
Pengujian dilakukan oleh koordinator mentor yang melakukan seleksi
penerimaan mentor. Pengujian sistem bertujuan untuk mengetahui apakah
hasil yang direkomendasikan sistem dapat menjawab permasalahan
Identifikasi Masalah
Pengumpulan Data
Perancangan Sistem
Pengujian Sistem
Implementasi Sistem
5
koordinator mentor dalam menyeleksi calon mentor. Pengujian sistem
menggunakan metode blackbox testing.
Proses pada perancangan sistem dilakukan menggunakan diagram
Unified Modelling Language (UML), meliputi use case diagram, activity
diagram dan class diagram.
Gambar 2 Use Case Diagram Sistem
Gambar 2 menunjukkan use case diagram yang digunakan pada
sistem. Terdapat 3 aktor pada sistem yaitu koordinator mentor, calon mentor
(mahasiswa FTI UKSW) dan admin. Koordinator mentor dapat melakukan
penilaian terhadap calon mentor, calon mentor melakukan pendaftaran dan
dapat melihat data calon mentor, sedangkan admin dapat melakukan
maintenance data pada sistem. Koordinator mentor, calon mentor dan admin
mempunyai hak akses untuk melakukan login. Calon mentor mempunyai hak
akses registrasi calon mentor, dan melihat data calon mentor. Koordinator
mentor mempunyai hak akses menambahkan penilaian pada masing-masing
calon mentor sesuai kriteria yang ada dan dapat melihat hasil rekomendasi
mentor terpilih.
6
Gambar 3 merupakan activity diagram pendaftaran yang digunakan
oleh sistem, yaitu untuk calon mentor dan sistem. Calon mentor/mahasiswa
harus login untuk dapat mendaftar sebagai calon mentor, jika proses login
dinyatakan valid maka mahasiswa dapat melanjutkan proses mendaftar
sebagai calon mentor. Setelah melengkapi data calon mentor pada field yang
disediakan, maka sistem menampilkan daftar calon mentor yang sudah
mendaftar. Calon mentor dapat melihat data calon mentor lain yang
mendaftar.
Gambar 3 Activity Diagram Pendaftaran
Calon Mentor Sistem
Login
Menampilkan
tampilan awal
Simpan
database
Mendaftar
calon mentor
Valid
?
7
Activity diagram penilaian dapat dilihat pada Gambar 4. Proses
seleksi dilakukan oleh koordinator mentor. Koordinator mentor melakukan
Gambar 4 Activity Diagram Penilaian
Koordinator Mentor Sistem
Login
Menampilkan
daftar calon mentor
Valid
?
Input penilaian
calon mentor
Submit
Proses SAW
Menampilkan hasil
rekomendasi mentor
Valid?
Simpan
database
Lihat hasil
rekomendasi mentor
8
login, jika valid maka ditampilkan daftar calon mentor. Calon mentor dinilai
sesuai dengan atribut yang disediakan. Jika penilaian selesai dilakukan,
sistem melakukan perhitungan simple additive weighting method dan
memasukkan hasil di kolom rekomendasi. Jika semua calon selesai dinilai,
maka rekomendasi/ranking calon mentor ditampilkan. Koordinator mentor
dapat memilih calon mentor yang diterima.
Gambar 5 Class Diagram Sistem
Gambar 5 merupakan class diagram yang digunakan oleh sistem.
Setiap class pada Gambar 5 menunjukkan setiap komponen yang dibutuhkan
pada sistem yang mana class-class tersebut dijadikan sebagai acuan
pembuatan tabel pada database sistem. Sebagai contoh, class calon mentor
mewakili struktur data calon mentor, class koordinator mentor mewakili
struktur data koordinator mentor dan class admin mewakili struktur data
administrator. Relasi antar class ditunjukkan
oleh Gambar 5, atribut NIM adalah
atribut primary key.
Proses Input Data
Penilaian
Proses SAW
Hasil Rekomendasi
9
Gambar 6 Alur kerja sistem
Gambar 6 merupakan alur kerja sistem dalam proses pemilihan
mentor. Langkah pertama dalam alur kerja sistem adalah admin memasukkan
data kriteria mentor yang digunakan untuk proses perhitungan. Calon mentor
harus memasukkan data calon mentor kemudian koordinator mentor
memberikan penilaian untuk setiap kriteria penilaian. Kemudian data
diproses menggunakan metode SAW. Proses SAW dilakukan saat data calon
mentor dan penilaian sudah selesai dimasukkan. Setiap kriteria penilaian
diberikan rating kecocokan dan tingkat kepentingan. Setelah itu dillakukan
normalisasi dan proses penentuan ranking dihitung menggunakan
rumus . Hasil dari proses SAW adalah penentuan mentor
terpilih melalui pembobotan alternatif sebagai solusi untuk menentukan
mulai dari yang paling layak menjadi mentor sampai yang tidak layak.
4. Pembahasan dan Hasil Pengujian
Penentuan penilaian pada masing-masing kriteria yang dinilai
merupakan langkah awal yang harus dilakukan dalam proses pembahasan
aplikasi. Kriteria penilaian yang digunakan dapat dilihat pada Tabel 1.
Tabel 1 Tabel Kriteria
Kriteria Deskripsi Nilai Keterangan
IPK
< 3.00
3.00 – 3.25
3.26 – 3.50
> 3.50
1
2
3
4
Tidak memenuhi
Kurang memenuhi
Memenuhi
Sangat memenuhi
Nilai Test
Pengetahuan
< 50
50 – 65
66 – 80
> 80
1
2
3
4
Tidak memenuhi
Kurang memenuhi
Memenuhi
Sangat memenuhi
Pengalaman Tidak
Pernah 1 tahun
Pernah 2 tahun
1
2
3
Kurang memenuhi
Memenuhi
Sangat memenuhi
Nilai
Wawancara
< 50
50 – 65
66 – 80
> 80
1
2
3
4
Tidak memenuhi
Kurang memenuhi
Memenuhi
Sangat memenuhi
Tabel 1 merupakan kriteria penilaian yang digunakan pada sistem.
Kriteria penilaian yang digunakan merupakan kesimpulan dari hasil
wawancara dengan koordinator mentor. Proses wawancara menghasilkan
setiap kriteria calon mentor. Kriteria IPK, nilai test pengetahuan, nilai
wawancara diberikan rating kecocokan 1-4. Angka 1 mewakili deskripsi
"Tidak memenuhi", angka 2 mewakili deskripsi "Kurang memenuhi", angka
3 mewakili deskripsi "Memenuhi" dan angka 4 mewakili deskripsi "Sangat
10
memenuhi". Kriteria pengalaman diberikan rating kecocokan 1-3. Angka 1
mewakili deskripsi "Kurang memenuhi", angka 2 mewakili deskripsi
"Memenuhi", dan angka 3 mewakili deskripsi "Sangat memenuhi".
Penggunaan angka 1, 2, 3, dan 4 merupakan cara yang digunakan untuk
mewakili setiap kriteria penilaian dalam proses penilaian menggunakan
FMADM SAW yang mudah dipahami oleh komputer sehingga penggunaan
angka 1, 2, 3, dan 4 bukanlah merupakan keputusan mutlak yang harus
dijalankan untuk setiap proses rekomendasi keputusan menggunakan SAW.
Koordinator mentor memasukkan data calon mentor dan penilaian terhadap
calon mentor kemudian sistem melakukan proses SAW untuk menghasilkan
informasi calon mentor mana saja yang pantas menjadi mentor.
Tabel 2 Data Penerimaan Calon Mentor
Data C1 C2 C3 C4
S1 3.8 65 Tidak Pernah 70
S2 4.00 80 Pernah 1 tahun 80
S3 3.35 82 Pernah 2 tahun 85
S4 2.86 75 Pernah 1 tahun 90
S5 3.23 70 Pernah 1 tahun 75
S6 2.90 92 Pernah 1 tahun 88
S7 3.74 55 Tidak Pernah 72
S8 3.23 88 Tidak Pernah 55
S9 2.75 95 Tidak Pernah 80
S10 3.00 60 Pernah 1 tahun 79
S11 2.86 75 Pernah 2 tahun 90
S12 3.23 88 Tidak Pernah 55
S13 3.35 82 Pernah 2 tahun 85
S14 3.00 60 Pernah 1 tahun 78
S15 4.00 80 Pernah 1 tahun 80
S16 2.90 92 Pernah 1 tahun 88
S17 3.74 55 Tidak Pernah 72
S18 3.8 65 Tidak Pernah 70
S19 4.00 80 Pernah 1 tahun 80
S20 3.35 82 Pernah 2 tahun 85
Tabel 2 merupakan data penerimaan calon mentor dengan penilaian
masing-masing. S1 sampai S20 mewakili sample calon mentor, C1 mewakili
IPK, C2 mewakili nilai test pengetahuan, C3 mewakili pengalaman, C4
mewakili nilai wawancara. Perhitungan SAW dilakukan pada data yang telah
diperoleh pada seleksi mentor tahun ajaran 2017/2018 di FTI UKSW. Pada
pembahasan ini dilakukan dengan menggunakan 20 data sample yang diolah
dan dijadikan patokan dalam Sistem Pendukung Keputusan.
Tabel 3 Rating Kecocokan Dari Setiap Alternatif Pada Setiap Kriteria
Data C1 C2 C3 C4
S1 4 2 1 3
S2 4 3 2 3
11
S3 3 4 3 4
S4 2 3 2 4
S5 2 3 2 3
S6 1 4 2 4
S7 4 2 1 3
S8 2 4 1 2
S9 1 4 1 3
S10 2 2 2 3
S11 1 3 3 4
S12 2 4 1 1
S13 3 4 3 4
S14 2 2 2 3
S15 4 3 2 3
S16 1 4 2 4
S17 4 2 1 3
S18 4 2 1 3
S19 4 3 2 3
S20 3 4 3 4
Tabel 3 merupakan data penerimaan calon mentor yang dikonversikan
menjadi angka 1, 2 dan 3 untuk mewakili setiap kriteria penilaian dalam
proses penilaian menggunakan FMADM SAW yang mudah dipahami oleh
komputer. Bobot kepentingan untuk setiap kriteria diwakili range 1-4, 1
mewakili tidak penting, 2 mewakili kurang penting, 3 mewakili penting dan 4
mewakili sangat penting. Penentuan bobot kepentingan dilakukan
berdasarkan hasil wawancara dengan koordinator mentor yang menjabat.
Sehingga bobot kepentingan setiap kriteria yaitu, W = (4, 2, 3, 2)
Matriks keputusan dibentuk dari tabel kecocokan adalah sebagai berikut:
12
Selanjutnya, dilakukan normalisasi matriks X berdasarkan Rumus 1.
Contoh,
dan seterusnya, sehingga diperoleh matriks ternormalisasi R sebagai berikut:
13
Proses penentuan ranking diperoleh berdasarkan Rumus 2 sebagai berikut:
Seterusnya sehingga diperoleh hasil seperti pada Tabel 4.
Tabel 4 Proses Penentuan Ranking
Data C1 C2 C3 C4 Hasil
Rekomendasi
S1 1 0.5 0.33 0.75 7.5
S2 1 0.75 0.67 0.75 9
S3 0.75 1 1 1 10
S4 0.5 0.75 0.67 1 7.5
S5 0.5 0.75 0.67 0.75 7
S6 0.25 1 0.67 1 7
S7 1 0.5 0.33 0.75 7.5
S8 0.5 1 0.33 0.5 6
S9 0.25 1 0.33 0.75 4
S10 0.5 0.5 0.67 0.75 6.5
S11 0.25 0.75 1 1 7.5
S12 0.5 1 0.33 0.25 5.5
14
Tabel 4 merupakan hasil akhir dari proses penentuan ranking menggunakan
proses SAW. Hasil rekomendasi menunjukkan nilai akhir dari 20 sample calon
mentor. Mentor terpilih adalah mentor dengan hasil rekomendasi nilai terbesar.
Nilai terbesar pada V menunjukkan alternatif yang terbaik. Sehingga, mentor
terpilih diperoleh dari urutan nilai hasil rekomendasi terbesar sampai terkecil, lalu
koordinator mentor memilih mentor sampai batas calon mentor yang dibutuhkan.
Tabel 5 Urutan Hasil Rekomendasi
No. Data Hasil Rekomendasi
1. S3 10.00
2. S13 10.00
3. S20 10.00
4. S2 9.00
5. S15 9.00
6. S19 9.00
7. S1 7.50
8. S4 7.50
9. S7 7.50
10. S11 7.50
11. S17 7.50
12. S18 7.50
13. S5 7.00
14. S6 7.00
S13 0.75 1 1 1 10
S14 0.5 0.5 0.67 0.75 6.5
S15 1 0.75 0.67 0.75 9
S16 0.25 1 0.67 1 7
S17 1 0.5 0.33 0.75 7.5
S18 1 0.5 0.33 0.75 7.5
S19 1 0.75 0.67 0.75 9
S20 0.75 1 1 1 10
15
15. S16 7.00
16. S10 6.50
17. S14 6.50
18. S8 6.00
19. S12 5.50
20. S9 4.00
Jika jumlah calon mentor yang dibutuhkan adalah 10 maka dilakukan
proses penentuan ranking sampai batas calon mentor yang dibutuhkan. Sehingga
mentor terpilih adalah mentor dengan 10 nilai V tertinggi, yaitu, S3, S13, S20, S2,
S15, S19, S1, S4, S7, S11.
Gambar 7 terdapat Tabel Calon Mentor yang menunjukkan data calon
mentor yang mendaftar, Tabel Kriteria yang menunjukkan kriteria penilaian dari
setiap atribut (IPK, Pengalaman, Test Pengetahuan, Wawancara) pada data calon
mentor, Tabel Normalisasi yang menunjukkan hasil dari normalisasi matriks
menggunakan Rumus 1 dan Tabel Rekomendasi yang menunjukkan hasil
rekomendasi mentor terpilih dari nilai tertinggi hingga nilai terendah
menggunakan Rumus 2. Jika jumlah calon mentor yang dibutuhkan adalah 10
maka dilakukan proses penentuan ranking sampai batas calon mentor yang
dibutuhkan. Sehingga yang terpilih adalah mentor dengan 10 nilai tertinggi.
Gambar 7 Halaman Sistem Pendukung Keputusan
16
Kode Program 1 Perintah untuk Perhitungan Normalisasi Simple Additive Weighting 1 String sql2 = "select * from tbkriteria";
2 ResultSet rs2 = st.executeQuery(sql2);
3 tabelmodelnormalisasi();
4 String[] nim2 = new String[99];
5 String[] nama2 = new String[99];
6 float[] c12 = new float[99];
7 float[] c22 = new float[99];
8 float[] c32 = new float[99];
9 float[] c42 = new float[99];
10 int x = 0;
11 while (rs2.next()) {
12 String nim = rs2.getString(1);
13 String nama = rs2.getString(2);
14 float c1 =
rs2.getFloat(3)/Float.valueOf(max.get(0).toString());
15 float c2 =
rs2.getFloat(4)/Float.valueOf(max.get(1).toString());
16 float c3 =
rs2.getFloat(5)/Float.valueOf(max.get(2).toString());
17 float c4 =
rs2.getFloat(6)/Float.valueOf(max.get(3).toString());
18 tbn.addRow(new Object[]{
19 nim,
20 nama,
21 c1,
22 c2,
23 c3,
24 c4
25 });
26 nim2[x] = nim;
27 nama2[x] = nama;
28 c12[x] = c1;
29 c22[x] = c2;
30 c32[x] = c3;
31 c42[x] = c4;
32 x++;
33 }
34 for (int i = 0; i < x; i++) {
35 String masuk = "insert into tbnormalisasi values ('" +
nim2[i] + "','" + nama2[i] + "','" + c12[i] + "','" + c22[i] + "','" +
c32[i] + "','" + c42[i] + "')";
36 st.executeUpdate(masuk);
37 }
Kode Program 1 menunjukkan fungsi untuk perhitungan normalisasi
matriks menggunakan Rumus 1, kemudian dijalankan setelah user koordinator
mentor menilai calon mentor. Perintah pada baris 1 sampai 2 berfungsi untuk
mengambil data dari tbkriteria kemudian diolah menggunakan Rumus 2. Perintah
pada baris 4 sampai 9 adalah deklarasi array untuk menampung hasil perhitungan
normalisasi sebelum disimpan ke database. Perintah pada baris 10 sampai 17
adalah perhitungan Rumus 1. Perintah pada baris 18 sampai 24 digunakan untuk
memasukkan hasil perhitungan normalisasi ke Tabel Normalisasi dalam
interface. Perintah pada baris 26 sampai 32 adalah array yang menampung hasil
perhitungan normalisasi. Perintah pada baris 34 sampai 36 digunakan untuk
menyimpan hasil perhitungan normalisasi ke tbnormalisasi pada database.
Kode Program 2 Perintah untuk Perhitungan Rekomendasi Simple Additive Weighting 1 String sql3 = "select * from tbnormalisasi";
2 ResultSet rs3 = st.executeQuery(sql3);
17
3 tabelmodelrekomendasi();
4 String[] nim2 = new String[99];
5 String[] nama2 = new String[99];
6 float[] nilai = new float[99];
7 int x = 0;
8 while (rs3.next()) {
9 float v = (rs3.getFloat(3) * 4) + (rs3.getFloat(4) * 2) +
(rs3.getFloat(5) * 3) + (rs3.getFloat(6) * 2);
10 tbr.addRow(new Object[]{
11 rs3.getString(1),
12 rs3.getString(2),
13 V
14 });
15 nim2[x] = rs3.getString(1);
16 nama2[x] = rs3.getString(2);
17 nilai[x] = v;
18 x++;
19 }
20 String sql = "delete from tbrekomendasi";
21 st.executeUpdate(sql);
22 for (int i = 0; i<x; i++) {
23 String sql5 = "insert into tbrekomendasi values
('"+nim2[i]+"','"+nama2[i]+"',"+nilai[i]+")";
24 st.executeUpdate(sql5);
25 }
Kode Program 2 menunjukkan fungsi untuk perhitungan rekomendasi
menggunakan Rumus 2, dijalankan setelah mendapatkan hasil normalisasi.
Perintah pada baris 1 sampai 2 berfungsi untuk mengambil data dari tbnormalisasi
dan disimpan pada variabel rs3 untuk diolah menggunakan Rumus 2. Perintah
pada baris 4 sampai 6 adalah deklarasi array untuk menampung hasil
rekomendasi. Perintah pada baris 7 sampai 9 adalah perhitungan Rumus 2 untuk
mendapatkan nilai rekomendasi. Perintah pada baris 10 sampai 13 untuk
menambahkan hasil perhitungan rekomendasi ke Tabel Rekomendasi pada
interface. Perintah pada baris 15 sampai 18 adalah hasil perhitungan rekomendasi
yang ditampung dalam array. Perintah pada baris 20 sampai 21 digunakan untuk
menghapus data pada tbrekomendasi untuk meminimalisir redudansi data.
Perintah pada baris 22 sampai 25 berfungsi untuk menyimpan hasil rekomendasi
ke tbrekomendasi pada database yang sebelumnya ditampung dalam array.
Selanjutnya dilakukan pengujian sistem menggunakan blackbox testing.
Blackbox testing dilakukan untuk menguji fungsi, antarmuka, struktur data dan
fitur sistem untuk mengetahui apakah sistem sudah sesuai dengan yang
diharapkan. Hal yang diuji beserta dengan hasil pengujian terdapat pada Tabel 6.
[6]
Tabel 6 Hasil Black Box Testing
No. Deskripsi Hasil yang Diharapkan Hasil yang Diberikan
Sistem
1. Calon Mentor
dan Koordinator
Mentor
melakukan login
Dapat melakukan login dan
ada peringatan
jika username dan
atau password ada yang salah.
Kalau username dan password
benar maka ditampilkan form
pendaftaran mentor.
Sesuai yang
diharapkan.
18
2. Calon Mentor
melakukan
pendaftaran
Calon Mentor dapat mengisi
data diri sesuai dengan yang
diminta. Hasil dari data yang
sudah diisi disimpan ke dalam
sistem.
Sesuai yang
diharapkan.
3. Koordinator
Mentor
memasukkan
nilai hasil tes
pengetahuan
dan wawancara
calon mentor
tanpa harus
memasukkan
atribut lain,
yaitu IPK dan
pengalaman.
Koordinator Mentor dapat
memasukkan nilai hasil
pengetahuan dan wawancara
ke dalam sistem. Jika nilai
kosong harus ditulis 0, jika
dikosongkan tidak dapat
disimpan dan dilakukan
perhitungan.
Sesuai yang
diharapkan
4. Koordinator
Mentor
melakukan
pengolahan data
Calon Mentor
Koordinator Mentor dapat
melakukan perhitungan
normalisasi dan rekomendasi
setelah memasukkan semua
nilai pada setiap atribut.
Sesuai yang
diharapkan.
5. Koordinator
Mentor
melakukan
pemilihan
mentor
berdasarkan
nilai
rekomendasi
tertinggi.
Tabel rekomendasi diurutkan
dari nilai tertinggi sehingga
mempermudah Koordinator
Mentor dalam menyeleksi
yang tertinggi.
Sesuai yang
diharapkan.
Berdasarkan hasil pengujian pada Tabel 6, maka dapat disimpulkan
bahwa fungsi dan fitur sistem dapat digunakan sesuai dengan yang
diharapkan.
Tabel 7 Tabel Nilai
No. NIM Nama IPK Pengalaman
(tahun)
Nilai Tes
Pengetahuan
Nilai Tes
Wawancara
1. 672014189 Rio Hanni W. 3.68 1 80.00 83.00
2. 672014188 Sterry Fleanry M. 3.85 1 83.00 93.00
3. 672014165 Petriyanto Nua P. 3.65 1 86.00 88.00
4. 672015255 Devina Sariska 3.54 0 82.00 83.00
5. 692015001 Adhika Wibowo 3.42 0 81.00 80.00
6. 672015040 Yesi Arumsari 3.37 0 82.00 86.00
7. 702014005 Tri Susilo 3.23 1 75.00 80.00
19
8. 672014071 Chelsea G. D. S. 3.79 1 90.00 82.00
9. 672014055 Wisnu Setya U. 3.32 1 83.00 89.00
10. 692014074 Banjar Pujo A. 3.50 1 83.00 81.00
11. 672014263 Alief Cahyono 2.89 1 79.00 83.00
12. 602015004 Adinda Geraldine 3.56 0 83.00 87.00
13. 562014032 Ade Buyung 2.96 1 85.00 81.00
14. 602015008 Catherine Cyntia 3.68 0 85.00 86.00
15. 672014232 Revina Dian 3.64 1 85.00 81.00
16. 672014193 Kevin Zefanya 3.85 1 89.00 84.00
17. 682014029 Fanny Alfyani 3.68 1 90.00 87.00
18. 682014047 Aswindo Kristian 3.75 1 86.00 84.00
19. 682014107 Wilhelmus Joel 3.83 1 88.00 80.00
20. 682015069 Prelin Leunupun 3.56 0 79.00 84.00
Tabel 7 merupakan tabel dengan data calon mentor yang mendaftar pada
kegiatan mentoring tahun 2016. Calon mentor yang mendaftar pada tahun
2016 terdiri dari calon mentor yang sudah pernah menjadi mentor pada tahun
2015 dan yang belum pernah menjadi mentor. Data calon mentor yang sudah
maupun belum pernah menjadi mentor dapat dilihat pada kolom kriteria
pengalaman. Calon mentor yang memiliki pengalaman adalah calon mentor
yang diterima pada tahun 2016.
Tabel 8 Tabel Rekomendasi
No. NIM Nama Nilai
1. 672014188 Sterry Fleanry Mulaki 11.000
2. 672014165 Petriyanto Nua Pasha 11.000
3. 672014071 Chelsea Gracia Diandra Suoth 11.000
4. 672014232 Revina Dian Ramadhani 11.000
5. 672014193 Kevin Zefanya Indra Lengkong 11.000
6. 682014029 Fanny Alfyani 11.000
7. 682014047 Aswindo Kristian Wibowo 11.000
8. 682014107 Wilhelmus Joel Darungo 10.500
9. 672014189 Rio Hanni Wowiling 10.250
10. 672015255 Devina Sariska 10.000
11. 672014055 Wisnu Setya Utama 10.000
12. 692014074 Banjar Pujo Ascarya 10.000
13. 602015004 Adinda Geraldine 10.000
14. 602015008 Catherine Cyntia 10.000
15. 682016077 Adi Wiyono 9.250
16. 672016117 Vio Ayu Oktavia Putu 9.000
17. 692015001 Adhika Wibowo 8.500
18. 562014032 Ade Buyung Prakoso 8.000
19. 702016011 Aditya Nur Wahid 7.750
20
20. 672014263 Alief Cahyono 7.250
Tabel 8 adalah tabel rekomendasi penerimaan mentor yang dapat
menjadi pertimbangan koordinator mentor dalam memilih mentor. Hasil
rekomendasi menunjukkan bahwa calon mentor dengan pengalaman pada
kegiatan mentoring periode sebelumnya mendapatkan nilai rekomendasi terbaik
dibandingkan calon mentor yang belum mempunyai pengalaman. Berdasarkan
hasil pemilihan mentor yang dilakukan oleh koordinator mentor tahun 2016, maka
dapat disimpulkan bahwa hasil rekomendasi sistem pendukung keputusan
pemilihan mentor sesuai dengan yang diharapkan.
5. Simpulan
Berdasarkan hasil penelitian dan pembahasan terkait Sistem Pendukung
Keputusan Pemilihan Mentor untuk Kegiatan Mentoring FTI UKSW
menggunakan Fuzzy Multi-Atribute Decision Making-Simple Additive Weighting,
maka dapat disimpulkan bahwa: (1) SPK dengan metode Fuzzy Multi-Atribute
Decision Making-Simple Additive Weighting dapat membantu dalam proses
seleksi mentor di FTI UKSW berdasarkan nilai rekomendasi tertinggi; (2) Sistem
yang dibuat memberikan informasi sebagai pertimbangan dalam pengambilan
keputusan. Saran untuk pengembangan sistem adalah program dibuat dalam versi
web untuk memudahkan akses setiap calon mentor yang mendaftar.
6. Daftar Pustaka
[1] Putra, A., & Hardiyanti, D. Y., 2011. Penentuan Penerima Beasiswa
dengan Menggunakan Fuzzy Multiple Atribute Decission Making.
Palembang: Jurusan Sistem Informasi, Fakultas Ilmu Komputer,
Universitas Sriwijaya.
[2] Ula, A. R., 2013. Sistem Pendukung Keputusan Pemilihan Asisten
Laboratorium dengan Metode TOPSIS pada Sistem Informasi Fakultas
Teknik Universitas Muria Kudus. Kudus: Jurusan Sistem Informasi,
Fakultas Teknik, Universitas Muria Kudus.
[3] Anggraeni, E. Y., 2015. Metode Simple Additive Weighting (SAW)
dalam Sistem Pendukung Keputusan Menentukan Dosen Pembimbing
Skripsi di STMIK Pringsewu. Lampung: STMIK Pringsewu
[4] Raymond McLeod, Jr. 1998. Decision Support System,
http://elisa.ugm.ac.id/user/archive/download/22457/ae968f26205d0797
25048b. Diakses Tanggal 2 November 2017.
[5] Kusumadewi, S., dkk., 2006. Fuzzy Multi-Attribute Decision Making
(Fuzzy MADM). Yogyakarta: Graha Ilmu.
[6] Mustaqbal, M. S., dkk., 2015. Pengujian Aplikasi Menggunakan Black
Box Testing Boundary Value Analysis (Studi Kasus : Aplikasi Prediksi
Kelulusan SNMPTN). Bandung: Universitas Widyatama.