LAPORAN SISTEM PENUJANG KEPUTUSAN UNTUK MENENTUKAN PENERIMAAN BEASIWA BAGI MAHASISWA
Disusun Oleh: ANDY WIJAYA
[14121020]
ASIDIK THAIB
[14121028]
ADRIANUS NOLA PALI
[14121049]
PROGRAM STUDI SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI UNIVERSITAS MERCU BUANA YOGYAKARTA 2016
BAB I 1.1 Latar Belakang Menyadari
bahwa
pendidikan
sangat
penting,
negara
sangat
mendukung setiap warga negaranya untuk meraih pendidikan setinggi-tingginya. Beberapa di antaranya 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, serta lembaga pendidik atau peneliti. Biaya tersebut diberikan kepada yang berhak menerima sesuai dengan kriteria yang ditentukan.
Demikian halnya dengan perguruan tinggi yang telah memiliki program pemberian beasiswa terhadap mahasiswanya. Beasiswa harus diberikan kepada penerima yang layak dan pantas untuk mendapatkannya. Akan tetapi, dalam melakukan seleksi beasiswa tersebut tentu akan mengalami kesulitan karena banyaknya pelamar beasiswa dan adanya beberapa kriteria yang digunakan untuk menentukan siapa penerima beasiswa yang sesuai dengan yang diharapkan. Tidak semua yang mendaftarkan diri sebagai calon penerima beasiswa akan diterima, hanya yang memenuhi kriteria-kriteria saja yang akan memperoleh beasiswa tersebut. Untuk itu diperlukan suatu Sistem Pendukung Keputusan yang dapat guna membantu, mempercepat dan mempermudah proses pengambilan keputusan.
Berdasarkan hal tersebut untuk membantu penentuan dalam menetapkan seorang mahasiswa memperoleh beasiswa, maka dibutuhkan sebuah sistem pendukung keputusan dengan metode yang dapat digunakan yaitu Fuzzy MADM (Multiple Attribute Decission Making).
Fuzzy Multiple Attribute Decision Making Metode Fuzzy MADM adalah metode yang dapat mencari suatu alternatif terbaik dari berbagai alternatif berdasarkan kriteria – kriteria yang telah ditentukan. Intinya bahwa metode tersebut menentukan nilai bobot pada setiap kriteria. Metode tersebut menggunakan SAW (Simple additive weighting) untuk melakukan perhitungan metode FMADM. Alternatif terbaik yang dimaksud adalah yang berhak menerima beasiswa berdasarkan kriteria yang telah ditentukan. Penelitian dilakukan dengan mencari nilai bobot untuk setiap kriteria, kemudian dilakukan proses perangkingan yang akan menentukan alternatif optimal yaitu mahasiswa terbaik yang akan dipertimbangkan oleh pengambil keputusan untuk memperoleh beasiswa. Simple Additive Weighting Metod (SAW) Metode SAW sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metod 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 alternatife yang ada.
Jika j adalah atribut keuntungan (benefit) ………………………(2.1) Jika j adalah atribut biaya (cost)
Atribut
keuntungan
(benefit)
adalah
kriteria
yang
nilainya
akan
dimaksimumkan, misalnya: keuntungan dan IPK (untuk kasus pemilihan mahasiswa berprestasi). Sedangkan atribut biaya (cost) adalah kriteria yang nilainya akan diminimumkan, misalnya: harga produk yang akan dibeli dan biaya produksi. 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= ...... (2.2) . Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih. Langkah penyelesaian Fuzzy MADM menggunakan metode SAW : a) Menentukan kriteria yang dijadikan acuan pengambilan keputusan. b) Menentukan rating kecocokan setiap alternative pada setiap kriteria c) Membuat matriks keputusan berdasarkan criteria, kemudia melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut sehingga diperoleh matriks ternormalisasi R. d) Hasil akhir diperoleh dari proses perangkingan yaitu penjumlahan dari perkalian matrik ternormalisasi R dengan vector bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternative terbaik sebagai solusi. (Kusumadewi, 2006)
1.2 Tujuan Membangun aplikasi sistem pendukung keputusan untuk membantu dalam menentukan siapa saja yang layak mendapatkan beasiswa berdasarkan kriteria yang sudah ditentukan.
1.3 Manfaat Manfaat yang didapat dalam pembuatanaplikasi ini antara lain: Dapat membantu kerja tim penyeleksi beasiswa dalam melakukan penyeleksian beasiswa. Dapat mempercepat proses penyeleksian beasiswa Dapat mengurangi kesalahan dalam menentukan penerima beasiswa. Dapat mempermudah tim penyeleksi dalam menentukan penerima beasiswa
BAB II 2.1 Analis Kebutuhan informasi merupakan kebutuhan yang ada pada sistem dan informasi yang dihasilkan oleh sistem. Kebutuhan informasi pada sistem pendukung keputusan untuk beasiswa yang diusulkan adalah :
Kriteria yang dibutuhkan Berikut merupakan kriteria yang dibutuhkan untuk pengambialan keputusan, berdasarkan persyaratan beasiswa secara umum. Adapun kriteria yang telah ditentukan yaitu Nilai IPK (C1), Penghasilan orang tua (C2), Semester (C3), Jumlah tanggungan orang tua (C4), dan Usia (C5).
Dari kriteria tersebut, maka dibuat suatu tingakat kepentingan kriteria berdasarkan nilai bobot yang telah ditentukan kedalam bilangan fuzzy. Rating kecocokan setiap alternatife pada setiap kriteria sebagai berikut : Sangat Rendah (SR)
=0
Rendah (R)
= 2,5
Cukup (C)
=5
Tinggi (T)
= 7,5
Sangat
= 10
Tinggi (ST)
Nilai bobot tersebut dibuat dalam sebuah grafik supaya lebih jelas, seperti dibawah ini.
SR
R
C
T
ST
0
2,5
5
7,5
10
Keterangan :
SR = Sangat Rendah T = Tinggi R = Rendah ST = Sangat Tinggi C = Cukup Tinggi
Berdasarkan kriteria dan rating kecocokan setiap alternatif pada setiap kriteria yang telah ditentukan, selanjutnya penjabaran bobot setiap kriteria yang telah dikonversikan dengan bilangan fuzzy.
Kriteria Nilai IPK Kriteria IPK merupakan persyaratan yang dibutuhkan untuk pengambilan
keputusan, berdasarkan jumlah nilai IPK yang diperoleh oleh mahasiswa selama studi berlangsung. Berikut interval nilai IPK yang telah dikonversikan dengan bilangan fuzzy dibawah ini.
Tabel IPK Nilai IPK
Nilai
IPK < 2,50
2,5
IPK >= 2,50 – <= 3,00
5
IPK > 3,00 – <= 3,50
7,5
IPK > 3,50
10
Kriteria Penghasilan Orangtua Kriteria penghasilan orangtua merupakan persyaratan yang dibutuhkan untuk
pengambilan keputusan, berdasarkan jumlah penghasilan tetap maupun tidak setiap bulannya. Berikut penjabaran interval jumlah penghasilan orangtua yang telah dikonversikan dengan bilangan fuzzy dibawah ini. Tabel Penghasilan orang tua Penghasilan orang tua (X) X <= 1.000.000
10
X
> 1.000.000 – <= 3.000.000
7,5
X
> 3.000.000 – < 5.000.000
5
X >= 5.000.000
Nilai
2,5
Kriteria Semester
Kriteria semester merupakan persyaratan yang dibutuhkan untuk pengambilan keputusan, berdasarkan semester yang telah ditempuh. Berikut penjabaran interval semester yang telah dikonversikan dengan bilangan fuzzy dibawah ini. Tabel Semester Semester (S)
Nilai
S=2
0
S=3
2
S=4
4
S=5
6
S=6
8
S=7
10
Kriteria Jumlah Tanggungan Orangtua Kriteria jumlah tanggungan orangtua merupakan persyaratan yang
dibutuhkan untuk pengambilan keputusan, berdasarkan jumlah anak yang masih menjadi tanggungan orangtua berupa biaya hidup. Berikut penjabaran jumlah interval anak yang telah dikonversikan dengan bilangan fuzzy dibawah ini. Tabel Jumlah tanggungan orang tua Jumlah tanggungan orang tua
Nilai
1 anak
0
2 anak
2,5
3 anak
5
4 anak
7,5
5 anak
10
Kriteria Usia Kriteria usia merupakan persyaratan yang dibutuhkan untuk pengambilan
keputusan, berdasarkan usia mahasiswa. Berikut penjabaran interval usia yang telah dikonversikan dengan bilangan fuzzy dibawah ini. Tabel Usia Usia
Nilai
Usia = 18 tahun
0
Usia = 19 tahun
2,5
Usia = 20 tahun
5
Usia = 21 tahun
7,5
Usia = 22 tahun
10
2.2 ALGORITMA
Start
Input Nilai Pada Setiap kriteria, Input Vektor Bobot
Transformasi Nilai Kriteria Menjadi Bilangan Fuzzy
Jika Nilai Termasuk Pada Kriteria benefit
Y
Normalisasi =x(j)/max(x(j))
N
Normalisasi =min(x(j))/x(j)
Pembobotan = Vektor Bobot * Nilai Normalisasi
Perangkingan
End
Gambar Flowchart Perhitungan Fuzzy MADM
Berikut perhitungan manual berdasarkan contoh kasus. Tiga calon pemohon beasiswa memiliki data sebagai berikut : Tabel Data pemohon Kriteria
Nama Pemohon Mahasiswa1
Mahasiswa 2
Mahasiswa 3
Nilai IPK
3,50
2,75
3,75
Penghasilan orangtua
750.000
3.500.000
5.500.000
Semester
6
4
3
Jumlah tanggungan
3 orang
3 orang
5 orang
21 tahun
22 tahun
19 tahun
orangtua Usia
Berdasarkan data pemohon diatas dapat dibentuk matriks keputusan X yang telah dikonversikan dengan bilangan fuzzy, sebagai berikut :
Tabel Rating kecocokan dari setiap alternatif pada setiap kriteria. Alternatif
Kriteria C1
C2
C3
C4
C5
A1
7,5
10
8
5
7.5
A2
5
5
4
5
10
A3
10
2,5
2
10
2,5
Pengambil keputusan memberikan bobot, berdasarkan tingkat kepentingan masingmasing kriteria yang dibutuhkan sebagai berikut : Vektor bobot : W = [ 10, 7.5, 5, 2.5, 2.5 ] Membuat matriks keputusan X, dibuat dari tabel kecocokan sebagai berikut:
X=
7,5
10
8
5
7,5
5
5
4
5
10
10
2,5
2
10
2,5
Pertama, dilakukan normalisasis matriks X untuk menghitung nilai masing-masing kriteria berdasarkan kriteria diasumsikan sebagai kriteria keuntungan sebagai berikut : 7,5
7,5
A1). r11 =
=
= 0,75
Max {7,5 ,5, 10}
10
Min {10 ,5, 2,5} r12
2,5
=
=
= 0,25
10
10
8 r13
r14
8
=
=
=1
Max {8, 4, 2}
8
Min {5, 5, 10}
5
=
=
=1
5
5 7,5
r15 =
7,5 =
Max {7,5 ,10, 2,5}
= 0,75 10
5 A2). r21 =
5 =
Max {7.5 ,5, 10}
= 0,5
10
Min {10 ,5, 2,5} r22 =
2,5 =
= 0,5
5
5
4
4
r23 =
=
= 0,5
Max { 8, 4, 2}
8
Min { 5, 5, 10 } r24 =
5 =
5
=1 5
10
10
r25 =
=
=1
Max {7,5 ,10, 2,5 }
10
10
10
A3). r31 =
= Max {7,5 ,5, 10}
=1 10
Min {10 ,5, 2,5}
2,5
r32 =
= 2,5
=1 2,5
2
2
r33 =
=
= 0,25
Max { 8, 4, 2 }
8
Min { 5, 5, 10 }
5
r34 =
= 10
= 0,5 10
2,5
2,5
r35 =
= Max {7,5 ,10, 2,5}
= 0,25 10
Kedua, membuat normalisasi matriks R yang di peroleh dari hasi; normalisasi matrik X sebagai berikut: 07,5 0,25 R=
0,5 1
0,5 1
1
1
0,75
0,5
1
0,25
0,5
1 0,25
Selanjutnya akan dibuat perkalian matriks W * R dan penjumlahan hasil perkalian untuk memperoleh alternatife terbaik dengan melakukan perangkingan nilai terbesar sebagai berikut : V1 = (10)(0,75) + (7,5)(0,25) + (5)(1) + (2,5)(1) + (2,5)(0,75) = 18,50 V2 = (10)(0,5) + (7,5)(0,5) + (5)(0,5) + (2,5)(1) + (2,5)(1) = 15,50 V3 = (10)(1) + (7,5)(1) + (5)(0,25) + (2,5)(0,5) + (2,5)(0,25) = 20,50
Hasil perangkingan diperoleh : V1 = 18,50, V2 = 15,50 dan V3 = 20,50. Nilai terbesar ada pada V3, dengan demikian alternatif A3 (Mahasiswa 3) adalah alternatif yang terpilih sebagai alternatif terbaik
Hasil akhir akan terlihat seperti table berikut: No
Kode Seleksi
NIM
Nama
Jurusan
Tahun
Jenis
Hasil Akhir
1
001
0214xxx
Mhs1
SI
2011
BBM
18,50,
2
002
0214xxx
Mhs2
TI
2011
PPA
15,50
3
003
0214xxx
Mhs3
SI
2011
BBM
20,50
2.3 Database Tabel Akun Nama Field id_akun * username password
Type Integer Varchar Varchar
Length 5 100 100
Primary Primary -
Keterangan Not Null Not Null Not Null
Tabel Prodi Nama Field id_prodi * nama_prodi
Type Varchar Varchar
Length 5 25
Primary Primary -
Keterangan Not Null Not Null
Primary Primary -
Keterangan Not Null Not Null
Tabel Beasiswa Nama Field id_beasiswa * jenis_beasiswa
Type Integer Varchar
Length 5 10
Tabel Pemohon Nama Field nama npm * id_prodi ** id_beasiswa ** tanggal ktm kk semester tanggungan penghasilan total_bobot status
Type Varchar Varchar Integer Integer Date Enum (Ya, Tidak) Enum (Ya, Tidak) Float Float Float Float enum
Length 50 9 5 5
5 5 5 5
Primary -
Keterangan Not Null Not Null Not Null Not Null Not Null Not Null Not Null Not Null Not Null Not Null Not Null
Tabel Modul Nama Field id_modul nama_modul title level
Type Integer Varchar Varchar Varchar
Length 5 50 100 10
Primary Primary -
Keterangan Not Null Not Null Not Null Not Null
Tabel Kuota Nama Field id_kuota * id_prodi ** ppa bbm jumlah
Type Integer Varchar Integer Integer Integer
Length 5 5 3 3 3
Primary Primary -
Keterangan Not Null Not Null Not Null Not Null Not Null
2.4 Peta Situs
2.5 Aplikasi yang digunakan: PHP PHP (akronim dari PHP Hypertext Preprocessor) yang merupakan bahasa pemrogramman berbasis web yang memiliki kemampuan untuk memproses data dinamis. PHP dikatakan sebagai sebuah server-side embedded script language artinya sintaks-sintaks dan perintah yang kita berikan akan sepenuhnya dijalankan oleh server tetapi disertakan pada halaman HTML biasa. Aplikasi-aplikasi yang dibangun oleh PHP pada umumnya akan memberikan hasil pada web browser, tetapi prosesnya secara keseluruhan dijalankan di server. Pada prinsipnya server akan bekerja apabila ada permintaan dari client. Dalam hal ini client menggunakan kode-kode PHP untuk mengirimkan permintaan ke server. Ketika menggunakan PHP sebagai server-side embedded script language maka server akan melakukan hal-hal sebagai berikut : 1. Membaca permintaan dari client/browser 2. Mencari halaman/page di server 3. Melakukan instruksi yang diberikan oleh PHP untuk melakukan modifikasi pada halaman/page. 4. Mengirim kembali halaman tersebut kepada client melalui internet atau intranet.
BAB III 3.1 KESIMPULAN Pembuatan Sistem Pendukung Keputusan untuk melakukan perhitungan sebagai penyeleksi data pemohon dengan hasil perengkingan telah berhasil di bangun. Sistem yang telah dibuat mengacu pada rumusan masalah yang ada yaitu sistem dapat menyeleksi data pemohon sesuai ketentuan dengan melakukan perhitungan berdasarkan metode SAW (Simple Additive Weighting) pada FMADM (Fuzzy Multiple Attribute Decission Making). Beberapa kesimpulan yang dapat 1. System ini bertujuan untuk membatu user dalam mengelola data mahasisawa, pengajuan beasiswa dan laporan-laporan. 2. Perhitungan pada sistem untuk melakukan penyeleksian menggunakan metode SAW (Simple Additive Weighting). 3. Tahap – tahap proses pengembangan sistem dalam penelitian ini adalah identifikasi
masalah,
analisis
sistem,
perancangan,
pengujian
dan
implementasi. 4. Hasil dari perhitungan sistem merupakan perangkingan nilai tertinggi ke rendah dan nilai tertinggi merupakan hasil yang dibutuhkan sebagai bahan pertimbangan oleh user untuk memperoleh beasiswa. 5.
Sistem yang dibangun hanya sebagai alat bantu untuk memberikan informasi kepada user atau pemberi beasiswa sebagai bahan pertimbangan dalam mengambil keputusan.
