Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 74 dari 96
DECISION SUPPORT SYSTEM DEVELOPMENT FOR
DETERMINING THE PRECEPTOR LECTURES IN PROPOSING
INTERNSHIP ESSAY, THESIS AND FINAL PROJECT BY USING
SAW (SIMPLE ADDITIVE WEIGHTING) METHOD IN
DEPARTMENT OF COMPUTER SCIENCE, FACULTY OF
MATHEMATIC AND NATURAL SCIENCE, UNIVERSITAS
LAMPUNG
1 Anie Rose Irawati, dan 2 Harry Saptomo, 1,2Jurusan Ilmu Komputer FMIPA Unila
Email: 1 [email protected], 2 [email protected]
Abstract
Paper or essay is one of graduation’s requirements for the students of Department of Computer Science,
Faculty of Mathematics and Natural Science, Universitas Lampung. Papers are including Thesis (for
Bachelor Degree), Final Assignment or Final Project (for Vocational Degree) and Internship Essay (for
all students). In the Academic Rules of Universitas Lampung, each college student who will make a
paper must be guided by a group of lectures for each type of paper that will be made. Annually, the
Department of Computer Science, Universitas Lampung accepts at least 250 students for Bachelor
Degree and Vocational Degree, while active lecturers teach only 20 people. This matter causes an
imbalance in ratio of the number of the lectures with the number of students in Computer Science
Department of Universitas Lampung and the process of assigning the lecturers as preceptor is also not
easy. Therefore, to make the process of assigning lecturers for students easier, it is necessary to built a
Decision Support System (DSS) using SAW or Simple Additive Weighting Method.
Keywords :Decision Support System (DSS), Simple Additive Weighting (SAW)
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 75 dari 96
1. Pendahuluan Laporan Kerja Praktik, Skripsi, dan Tugas Akhir merupakan suatu karya tulis ilmiah dari hasil
penelitian yang telah dilakukan melalui beberapa prosedur penelitian yang sistematis. Universitas
Lampung (Unila) merupakan salah satu lembaga pendidikan yang menerapkan karya tulis sebagai salah
satu syarat kelulusan bagi mahasiswa dengan tingkat pendidikan Strata Satu dan Ahli Madya. Adapun
beberapa fakultas dan jurusan yang terdapat di Unila salah satunya adalah Jurusan Ilmu Komputer
FMIPA (Fakultas Matematika dan Ilmu Pengetahuan Alam) yang memiliki program studi strata satu
(S1) Ilmu Komputer dan ahli madya atau D3 Manajemen Informatika. Berdasarkan peraturan akademik
Unila bahwa mahasiswa yang hendak lulus harus melakukan kerja praktik dan membuat laporan hasil
kerja praktik serta melakukan penelitian berupa skripsi untuk mahasiswa S1 dan Tugas Akhir untuk
mahasiswa D3.
Namun berdasarkan kondisi yang ada yaitu jumlah mahasiswa yang akan mengajukan skripsi, tugas
akhir dan kerja praktik selalu lebih banyak dibandingkan dengan jumlah dosen. Berdasarkan data
jumlah dosen pada jurusan Ilmu Komputer terdapat 17 dosen dan terdapat 297 mahasiswa yang
terdaftar, aktif pada periode tahun 2015 yang terdiri dari 218 mahasiswa S1 Ilmu Komputer dan 79
mahasiswa D3 Manajemen Informatika. Berdasarkan jumlah tersebut diketahui terdapat kesenjangan
antara banyaknya dosen pengajar dengan jumlah mahasiswa.Pihak program studi juga harus mengkaji
satu persatu pemenuhan kriteria dari setiap dosen untuk dipilih menjadi dosen pembimbing. Kriteria
akan diselesaikan dengan perhitungan metode yang akan digunakan dengan menggunakan metode
Simple Additive Weighting.
Simple Additive Weighting (SAW) sering juga dikenal dengan istilah metode penjumlahan terbobot.
Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap
alternatif dari semua atribut. Dalam mengadaptasi metode SAW peneliti juga menggunakan referensi
dari beberapa penelitian yang terdahulu dengan perancangan sistem serupa, Sistem Pendukung
Keputusan Dengan Metode Simple Additive Weighting Untuk Menentukan Dosen Pembimbing Skripsi
[1], menyelesaikan pemilihan dosen pembimbing dengan cara menentukan rating kriteria- kriteria dan
matriks normalisasi lalu perhitungan penjumlahan terbobot. Sehingga dapat dihasilkan nilai bobot
alternative tertinggi.
1. Landasan Teori
1.1 Sistem Pendukung Keputusan (SPK) Secara umum sistem pendukung keputusan didefiniskan sebagai bagian dari sistem informasi berbasis
komputer yang berisi pengetahuan atau manajemen pengetahuan yang dipakai untuk mendukung
pengambilan keputusan dalam suatu perusahaan, dapat dikatakan sebagai sistem komputer yang
mengolah data menjadi informasi untuk mengambil keputusan dari masalah semiterstruktur yang
spesifik. SPK atau dikenal dengan Decision Support System (DSS) pada tahun 1970-an sebagai
pengganti istilah Management information system (MIS) [2].
1.1.1 Definisi Sistem Sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling berhubungan, berkumpul
bersama-sama untuk melakukan suatu kegiatan atau untuk menyelesaikan suatu sasaran yang
tertentu[3].
1.1.2 Definisi Keputusan Keputusan merupakan kegiatan memilih suatu strategi atau tindakan dalam pemecahan masalah
tersebut. Tindakan memilih strategi atau aksi yang diyakini manajer akan memberikan solusi terbaik
atas sesuatu itu disebut pengambilan keputusan [2].
1.1.3 Komponen Sistem Pendukung Keputusan
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 76 dari 96
Sistem Pendukung Keputusan terdiri atas tiga komponen penting menurut [4].
1. Manajemen Data
Data management melakukan pengambilan data yang diperlukan baik dari database yang
berisi data internal maupun database yang berisi data eksternal. Jadi, fungsi komponen data
ini sebagai pengatur data-data yang diperlukan oleh Sistem Pendukung Keputusan (SPK).
2. Manajemen Model
Model Management melalui Model Base Management melakukan interkasi baik dengan
User Interface untuk mendapatkan perintah maupun Data Management untuk mendapatkan
data yang akan diolah. Jadi, tujuan dari model management adalah untuk mengubah data
yang ada pada database menjadi informasi yang berguna dalam pengambilan keputusan.
3. Antarmuka Pengguna
User interface digunakan untuk berinteraksi antara user dengan DSS, baik untuk
memasukkan informasi ke sistem maupun menampilkan informasi ke user. Karena begitu
pentingnya komponen user interface bagi suatu sistem DSS, maka harus bisa merancang
suatu user interface yang bisa mudah dipelajari dan digunakan user dan laporan yang bisa
digunakan user serta pelaporan yang bisa secara mudah dimengerti oleh pengguna.
1.2 Simple Additive Weighting (SAW) Metode Simple Additive Weigthing (SAW) sering juga dikenal sebagai istilah metode penjumlahan
terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada
setiap alternatif pada semua atribut. Menurut Kusumadewi (2006), konsep dasar metode SAW adalah
mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua kriteria. Metode
SAW membutuhkan proses normalisasi matrik keputusan (X) ke suatu skala yang dapat
diperbandingkan dengan semua rating alternatif yang ada.
Adapun langkah penyelesaian dalam menggunakannya adalah.
1. Menentukan alternatif, yaitu Ai.
2. Menentukan kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Cj.
3. Memberikan nilai rating kecocokan setiap alternatif pada setiap kriteria.
4. Menentukan bobot preferensi atau tingkat kepentingan (W) setiap kriteria. W = [ W1,W2,W3,…,WJ]
5. Membuat tabel rating kecocokan dari setiap alternatif pada setiap kriteria.
6. Membuat matriks keputusan (X) yang dibentuk dari tabel rating kecocokan dari setiap
alternatif pada setiap kriteria. Nilai X setiap alternatif (Ai) pada setiap kriteria (Cj) yang
sudah ditentukan, dimana, i=1,2,…m dan j=1,2,…n.
𝑋 = [
𝑥11 𝑥12⋯ 𝑥1𝑗⋮ ⋮ ⋮𝑥𝑖1 𝑥𝑖2⋯ 𝑥𝑖𝑗
]
7. Melakukan normalisasi matrik keputusan dengan cara menghitung nilai rating kinerja
ternormalisasi (𝑟𝑖𝑗) dari alternatif Ai pada kriteria Cj.
𝑟𝑖𝑗 =
{
𝑥𝑖𝑗𝑀𝑎𝑥𝑥𝑖𝑗𝑖
𝑀𝑖𝑛𝑥𝑖𝑗𝑖𝑥𝑖𝑗
8. Hasil dari nilai rating kinerja ternormalisasi (𝑟𝑖𝑗) membentuk matrik ternormalisasi (R).
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 77 dari 96
𝑅 = [
𝑟11 𝑟12 𝑟13⋮ ⋮ ⋮𝑟𝑖1 𝑟𝑖2 𝑟𝑖3
]
9. Hasil akhir nilai preferensi (𝑉𝑖) diperoleh dari penjumlahan dari perkalian elemen baris
matrik ternormalisasi (R) dengan bobot preferensi (W) yang bersesuaian eleman kolom
matrik (W).
𝑉𝑖 = ∑𝑊𝑗 𝑟𝑖𝑗
𝑛
𝑗=1
Keterangan:
Vi = Nilai akhir dari alternatif
wj = Bobot yang telah ditentukan
rij = Normalisasi matriks
Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih. Hasil perhitungan nilai
Vi yang lebih besar mengindikasikan bahwa alternatif Ai merupakan alternatif terbaik [5].
2. Metodologi Penelitian
2.1 Tempat dan Waktu Penelitian
Penelitian dilakukan di Jurusan Ilmu Komputer, Fakultas Matematika Ilmu Pengetahuan Alam,
Universitas Lampung. Waktu penelitian dilakukan pada semester genap tahun ajaran 2016-
2017.
2.2 Konsep Implementasi Metode SAW
Studi Kasus I : Implementasi Perhitungan Manual Metode SAW pada Skripsi
Dimisalkan mahasiswaS1 dari program studi Ilmu Komputer yang akan menentukan dosen
pembimbing skripsi telah mengajukan temanya melalui sistem informasi pengajuan tema
skripsi (Sistem Informasi Monita). Dari data yang dimasukan diperoleh data sebagai berikut: Npm : 1117032030
Nama : Harisa Eka Septiarani
Tema : Sistem Infromasi
Judul : Pengembangan Sistem Informasi Kuliah
Kerja Nyata (KKN) denganAlgoritma
Greedyuntuk Menentukan
Pengelompokan Peserta KKN(Studi
Kasus: Universitas Lampung)
Dari data tersebut, akan ditentukan tiga dosen terbaik untuk menjadi dosen 1, dosen pembimbing 2 dan
pembahas.
Terdapat 5 variabel kriteria pada pemilihan dosen pembimbing, kriteriadibagi menjadi 5 (lima)
kriteria Kriteria Pendidikan, Kriteria Golongan, Kriteria Bidang, Kriteria Pengalaman
Pembimbing dan Kriteria Beban Bimbingan. Adapun pembobotan pada tiap 5 kriteria dalam
penentuan dosen pembimbinga skripsi seperti ditunjukan pada table 3.1 dibawah ini :
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 78 dari 96
Pada Tabel 3.1 C1 diinisiasikan sebagai kriteria yang telah ditentukan.
Tabel 3.1 Kriteria Dosen Skripsi
No Kriteria Bobot (%)
C1 Pendidikan 10
C2 Golongan 10
C3 Bidang 30%
C4 Pengalaman
Pembimbing 10%
C5 Beban Bimbingan 40%
Setelah melakukan pembobotan kriteria, maka menentukan nilai himpunan pada kriteria,
Tabel 3.2. Himpunan Pendidikan Terakhir (C1)
No Himpunan Nilai
1 Strata 3/ Doktor ( S-3) 5
2 Strata 2/ Magister (S-2) 2,5
Tabel 3.3 Himpunan Golongan
No Himpunan Nilai
1 IV a > IV a 5
2 III d 4
3 III c 3
4 III b 2
5 III a 1
Tabel 3.4 Bidang Skripsi
No Nilai Bidang Skripsi
5 4 3 2 1
1. SC K RPL SI JAR
2. K RPL SI JAR SC
3. SI JAR K SC RPL
4. RPL SI JAR K SI
5. JAR SC K RPL SI
Tabel 3.4 merupakan tabel kriteria pendekatan NilaiBidang Skripsi dengan bobot 30%. Pada Tabel
3.4terdapat 5 kriteria pendekatan Bidang Skripsi, sebagai berikut :
Kriteria bidang pertama (C31), dengan Sistem Cerdas bernilai 5, Komputasi bernilai 4,
Rekayasa Perangkat Lunak bernilai 3, Sistem Informasi bernilai 2, dan Jaringan bernilai 1.
Kriteria bidang kedua (C32), dengan Komputasi bernilai 5, Rekayasa Perangkat Lunak
bernilai 4, Sistem Informasi bernilai 3, Jaringan bernilai 2, dan Sistem Cerdas bernilai 1.
Kriteria bidang ketiga (C33), dengan Sistem Informasi bernilai 5, dan Jaringan bernilai 4,
Komputasi bernilai 3, Sistem Cerdas bernilai 2, dan Rekayasa Perangkat Lunak bernilai 1.
Kriteria bidang keempat (C34), dengan Rekayasa Perangkat Lunak bernilai 5, Sistem
Informasi bernilai 4, dan Jaringan bernilai 3, Komputasi bernilai 2, dan Sistem Informasi
bernilai 1.
Kriteria bidang kelima (C35), dengan Jaringan bernilai 5, Sistem Cerdas bernilai 4,
Komputasi bernilai 3, Rekayasa Perangkat Lunak bernilai 2, dan Sistem Informasi bernilai 1.
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 79 dari 96
Tabel 3.5 Pengalaman Pembimbing
No Himpunan Nilai
1 x ≤ 5 thn 5
2 5 < x ≤ 10 thn 3
3 x >10thn 1
Tabel 3.6 Beban Bimbingan
No Himpunan Nilai
1 x ≤ 5 Orang 5
2 5< x ≤ 15 Orang 3
3 x >15 Orang 1
Menentuakan rating kecocokan setiap alternatif tiap kriteria, pada alternatif ini dosen di inisiasikan A1
sampai A12.
1. Kurnia Muludi (A1)
2. Rd. Irwan Pribadi (A2)
3. Machudor Yusman (A3)
4. Dwi Sakethi (A4)
5. Anie Rose Irawati (A5)
6. Rangga Firdaus (A6)
7. Didik Kurniawan
8. Admi Syarif
9. Aristoteles
10. Astria Hijriani
11. Febi Eka F
12. Rico Andrian
Tabel 3.7 Data Penilaian Calon Dosen Pembimbing
Dosen C1 C2 C31 C32 C33 C34 C35 C4 C5
A1 S3 IV/a Nilai
5 Nilai 4 Nilai 2 Nilai 3 Nilai 1 >10thn 5< x ≤ 15 Org
A2 S2 III/c Nilai
2 Nilai 3 Nilai 5 Nilai 1 Nilai 4 >10 thn 5< x ≤ 15 Org
A3 S2 III/d Nilai
1 Nilai 5 Nilai 3 Nilai 4 Nilai 2 >10 thn 5< x ≤ 15 Org
A4 S2 III/b Nilai
1 Nilai 2 Nilai 4 Nilai 5 Nilai 3 >10 thn 5< x ≤ 15 Org
A5 S2 III/b Nilai
2 Nilai 3 Nilai 5 Nilai 1 Nilai 4 5 < x ≤ 10 thn 5< x ≤ 15 Org
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 80 dari 96
A6 S2 III/c Nilai
4 Nilai 3 Nilai 1 Nilai 2 Nilai 5 5 < x ≤ 10 thn 5< x ≤ 15 Org
A7 S2 III/b Nilai
2 Nilai 3 Nilai 5 Nilai 1 Nilai 4 >10 thn >15Org
A8 S3 III/d Nilai
5 Nilai 4 Nilai 2 Nilai 3 Nilai 1 >10 thn 5< x ≤ 15 Org
A9 S2 III/c Nilai
1 Nilai 2 Nilai 4 Nilai 5 Nilai 3 5 < x ≤ 10 thn 5< x ≤ 15 Org
A10 S2 III/b Nilai
3 Nilai1 Nilai 5 Nilai 2 Nilai 4 5 < x ≤ 10 thn 5< x ≤ 15 Org
A11 S2 III/a Nilai
1 Nilai 5 Nilai 3 Nilai 4 Nilai 2 5 < x ≤ 10 thn 5< x ≤ 15 Org
A12 S2 III/a Nilai
5 Nilai 4 Nilai 2 Nilai 3 Nilai 1 >10 thn 5< x ≤ 15 Org
Tabel 3.8 Penilaian Kriteria Tiap Calon Dosen Pembimbing Skripsi
DOSEN C1 C2 Nilai Bidang
C4 C5
C31 C32 C33 C34 C35
A1 5 5 5 4 2 3 1 1 3
A2 2,5 3 2 3 5 1 4 1 3
A3 2,5 4 1 5 3 4 2 1 3
A4 2,5 2 1 2 4 5 3 1 3
A5 2,5 2 2 3 5 1 4 3 3
A6 2,5 3 4 3 1 2 5 3 3
A7 2,5 2 2 3 5 1 4 1 1
A8 5 4 5 4 2 3 1 1 3
A9 2,5 3 1 2 4 5 3 3 3
A10 2,5 2 3 1 5 2 4 3 3
A11 2,5 1 1 5 3 4 2 3 3
A12 2,5 1 5 4 2 3 1 1 3
Tabel 3.9 Faktor Ternormalisasi
DOSEN C1 C2 Nilai Bidang C4 C5
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 81 dari 96
C31 C32 C33 C34 C35
A1 5/5 5/5 5/5 4/5 2/5 3/5 1/5 1/3 3/3
A2 2,5/5 3/5 2/5 3/5 5/5 1/5 4/5 1/3 3/3
A3 2,5/5 4/5 1/5 5/5 3/5 4/5 2/5 1/3 3/3
A4 2,5/5 2/5 1/5 2/5 4/5 5/5 3/5 1/3 3/3
A5 2,5/5 2/5 2/5 3/5 5/5 1/5 4/5 3/3 3/3
A6 2,5/5 3/5 4/5 3/5 1/5 2/5 5/5 3/3 3/3
A7 2,5/5 2/5 2/5 3/5 5/5 1/5 4/5 1/3 1/3
A8 5/5 4/5 5/5 4/5 2/5 3/5 1/5 1/3 3/3
A9 2,5/5 3/5 1/5 2/5 4/5 5/5 3/5 3/3 3/3
A10 2,5/5 2/5 3/5 1/5 5/5 2/5 4/5 3/3 3/3
A11 2,5/5 1/5 1/5 5/5 3/5 4/5 2/5 3/3 3/3
A12 2,5/5 1/5 5/5 4/5 2/5 3/5 1/5 1/3 3/3
pada Tabel 3.9 Faktor Ternormalisasi berisi nilai maksimal dari setiap dosen berdasarakan kriteria (Ci)
Tabel 3.10 Hasil Ternormalisasi
DOSEN C1 C2
Nilai Bidang
C4 C5
C31 C32 C33 C34 C35
A1 5/5 5/5 5/5 4/5 2/5 3/5 1/5 1/3 3/3
A2 2,5/5 3/5 2/5 3/5 5/5 1/5 4/5 1/3 3/3
A3 2,5/5 4/5 1/5 5/5 3/5 4/5 2/5 1/3 3/3
A4 2,5/5 2/5 1/5 2/5 4/5 5/5 3/5 1/3 3/3
A5 2,5/5 2/5 2/5 3/5 5/5 1/5 4/5 3/3 3/3
A6 2,5/5 3/5 4/5 3/5 1/5 2/5 5/5 3/3 3/3
A7 2,5/5 2/5 2/5 3/5 5/5 1/5 4/5 1/3 1/3
A8 5/5 4/5 5/5 4/5 2/5 3/5 1/5 1/3 3/3
A9 2,5/5 3/5 1/5 2/5 4/5 5/5 3/5 3/3 3/3
A10 2,5/5 2/5 3/5 1/5 5/5 2/5 4/5 3/3 3/3
A11 2,5/5 1/5 1/5 5/5 3/5 4/5 2/5 3/3 3/3
A12 2,5/5 1/5 5/5 4/5 2/5 3/5 1/5 1/3 3/3
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 82 dari 96
Proses perangkingan penentuan calon dosen pembimbing yaitu dari hasil akhir yang diperoleh dari
proses perangkingan dengan penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot
sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi.
Perangkingan dilakukan dengan menggunakan persamaan berikut ini:
𝑉𝑖 = ∑ 𝑊𝑗 𝑅𝑖𝑗𝑛𝑗=1
Keterangan:
Vi = Rangking untuk setiap alternatif
Wj = Nilai bobot dari setiap kriteria
Rij = Nilai ternormalisasi
Hasil alternatife untuk untuk calon dosen pembing bidang Sistem Informasi (C33)
A1 = (10 x 1) + (10 x 1) + (30 x0,4) + (10 x 0,333) + (40 x 1) = 75,33
A2 = (10 x 0,5) + (10 x 0,6) + (30 x 1) + (10 x 0,333) + (40 x 1) = 84,33
A3 = (10 x 0,5) + (10 x 0,8) + (30 x 0,6) + (10 x 0,333) + (40 x 1) = 74,33
A4 = (10 x 0,5) + (10 x 0,4) + (30 x 0,8) + (10 x 0,333) + (40 x 1)= 76,33
A5 = (10 x 0,5) + (10 x 0,4) + (30 x 1) + (10 x 1) + (40 x 1)= 89
A6 = (10 x 0,5) + (10 x 0,6) + (30 x0,2) + (10 x 1) + (40 x 1)= 67
A7 = (10 x 0,5) + (10 x 0,4) + (30 x 1) + (10 x 0,333) + (40 x 0,333)= 55,65
A8 = (10 x 1) + (10 x 0,8) + (30 x 0,4) + (10 x 0,333) + (40 x 1)= 73,33
A9 = (10 x 0,5) + (10 x 0,6) + (30 x0,8) + (10 x 1) + (40 x 1)= 85
A10 = (10 x 0,5) + (10 x 0,4) + (30x1) + (10 x 1) + (40 x 1) = 89
A11 = (10 x 0,5) + (10 x 0,2) + (30x0,6) + (10 x 1) + (40 x 1) = 75
A12 = (10 x 0,5) + (10 x 0,2) + (30x0,4) + (10 x 0,333) +(40 x 1) = 62,33
Maka mahasiswa dengan nama Harisa Eka Septiarani direkomendasikan sesuai dengan perhitungan
diperoleh tiga nilai tertinggi yaitu A5 dengan nilai 85, A10 dengan nilai 89, dan A9 dengan nilai 85.
Sehingga dosen-dosen pembimbing yang terpilih untuk menjadi pembimbing skripsi dengan tema
Sistem Informasi adalahAnie Rose Irawati sebagai,Astria Hijriani, dan Aristoteles.
3. Pembahasan
3.1. Implementasi Hasil implementasi penelitian berupa sistem pendukung keputusan penentuan dosen pembimbing kerja
praktik, tugas akhir, dan skripsi. halaman antarmuka sistem informasi yang terdiri dari:
a. Halaman beranda
Halaman beranda merupakan tampilan awal dari sistem informasi.
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 83 dari 96
Gambar 1. Halaman Beranda
b. Halaman Data Kriteria
Halaman data kriteria berfungsi untuk mengelola data kriteria yang ditentukan.
Gambar 2. Halaman Data Kriteria
c. Halaman Data Himpunan
Halaman data himpunan adalah halaman untuk mengelola data himpunan yang berisikan
informasi nilai dari kriteria yang telah dibuat.
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 84 dari 96
Gambar 3. Halaman Data Himpunan
d. Halaman Data Dosen
Halaman data dosen digunakan untuk mengolah data dosen untuk SPK pemilihan dosen
pembimbing.
Gambar 4. Halaman Data Dosen
e. Halaman Perhitungan SPK
Halaman Perhitungan SPK merupakan halaman yang menampilkan hasil perhitungan SPK
penentuan dosen pembimbing dalam pelaksanaan judul kerja praktik, tugas akhir dan skripsi
dengan menggunakan metode SAW (simple additive Weighting).
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 85 dari 96
Gambar 5. Halaman Perhitungan
f. Halaman Hasil Seleksi
Halaman hasil seleksi merupakan halaman dimana setelah proses seleksi pemilihan
pembimbing dilakukan dan disimpan.
Gambar 6. Halaman Hasil Seleksi
3.2. Pengujian
Pada penelitian ini dilakukan pengujian fungsional antara lain dengan menggunakan metode
Black Box Equivalence Partitioning. Dengan dilakukan pengujian, kemampuan program dalam
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 86 dari 96
memenuhi kebutuhan pengguna dapat diukur sekaligus dapat diketahui kesalahannya
berdasarkan keluaran (output) yang dihasilkan.
Hasil pengujian yang dilakukan dengan metode black box testing menggunakan equivalent partitioning
diketahui bahwa Sistem Pendukung Keputusan Pemilihan Dosen Pembimbing menggunakan metode
Simple Additive Weighting di Universitas Lampung FMIPA, Jurusan Ilmu Komputer telah berhasil
berjalan dengan baik. Semua fungsi yang diujikan tidak menglami kendala pada sistem.
Fungsi-fungsi sistem berjalan dengan baik. Berdasarkan pada Tabel 4.1 Pengujian Equivalen
Partitioning didapatkan hasil sebagai berikut.
1. Sistem dapat menampilkan hasil dari seleksi dengan menggunakan metode Sistem
Pendukung Keputusan menggunakan metode Simple additive Weighting(SAW).
2. Sistem dapat menampilkan hasil data dari seleksi yang telah di inputkan sebelumnya.
3. Sistem dapat mengolah data kriteria berupa tambah, ubah, dan hapus.
4. Sistem dapat mengolah data himpunan berupa tambah, ubah, dan hapus.
5. Sistem dapat mengolah data data dosen berupa tambah, ubah, dan hapus.
Pengujian sistem dengan cara mencocokan perhitungan manual dengan perhitungan hasil sistem
menghasilkan rekomendasi dosen pembimbing yang sesuai dalam perhitungan manual dan sistem
4 .Kesimpulan dan Saran
4.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan maka didapatkan kesimpulan sebagai berikut :
1. Sistem pendukung keputusan pemilihan dosen pembimbing menggunakan metode Simple
Additive Weighting di lingkungan Universitas Lampung Jurusan Ilmu Komputer telah
berhasil dibangun untuk membantu menyelesaikan permasalahan dalam menentukan dosen
pembimbing yang sesuai kebutuhan dengan Jurusan Ilmu Komputer.
2. Metode Simple Additive Weighting (SAW) dapat diimplementasikan sebagai salah satu alternatif
dalam proses pengambilan keputusan.
3. Sistem ini sedapat mungkin menjalankan proses seleksi secara objektif berdasarkan kriteria
yang ada sebagai berikut:
Skripsi dengan kriteria Pendidikan, Golongan, Bidang, Pengalaman Pembimbing, dan
Beban Bimbingan.
Tugas Akhir dengan kriteria Pendidikan, Golongan, Bidang, dan Beban Bimbingan.
Kerja Praktik dengan Kriteria Pendidikan, Golongan, Pengalaman pembimbing, dan
Beban Bimbingan.
4.2 Saran
Saran yang diberikan setelah dilakukan penelitian ini untuk pengembangan lebih lanjut
adalah memberikan detail perhitungan Sistem Pendukung Keputusan (SPK).
Referensi
[1]Pristiwanto. 2014. Sistem Pendukung Keputusan Dengan Metode Simple Additive
Weighting. STIMK Budi Dharma Medan. Medan.
[2]Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta.ANDI
Yogyakarta.
Vol 6 No.2 , 2018 Jurnal Komputasi
© Ilmu Komputer Unila Publishing Network all right reserve
Hal 87 dari 96
[3]Jogiyanto, H.M. 2005. Analisa dan Desain Sistem Informasi: Pendekatan Terstruktur Teori
dan Praktik Aplikasi Bisnis.ANDI. Yogyakarta.
[4]Turban. 2005. Decision Support Systems and Intelliget Systems (Sistem Pendukung
Keputusan dan Sistem Cerdas). Penerbit Andi.Yogyakarta.
[5]Kusumadewi. 2006.Fuzzy Multi-Attribute Decision Making (Fuzzy MADM). Graha Ilmu.
Yogyakarta.