Institutional Repository | Satya Wacana Christian University: Sistem Pendukung Keputusan Pemilihan Mentor untuk Kegiatan Mentoring pada Fakultas Teknologi Informasi UKSW Menggunakan Fuzzy Multi-Atribute Decision Making-Simple Additive Weighting

Sistem Pendukung Keputusan Pemilihan Mentor Untuk Kegiatan

  Mentoring Pada Fakultas Teknologi Informasi UKSW

  Multi-Atribute Decision Making

Menggunakan Fuzzy

• 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

  

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

-Simple Additive Weighting".

  Decision Making 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

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].

  (FMADM) adalah suatu Fuzzy Multiple Attribute Decision Making

metode yang digunakan untuk mencari alternatif optimal dari sejumlah

  

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]. jika j atribut keuntungan (benefit) jika j atribut biaya (cost)

  (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.

  

Identifikasi Masalah

Pengumpulan Data

Perancangan Sistem

Implementasi Sistem

  

Pengujian Sistem

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

  

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.

Calon Mentor Sistem

  Login

Valid Menampilkan Mendaftar tampilan awal calon mentor Simpan

  database

Gambar 3 Activity Diagram Pendaftaran

  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.

Koordinator Mentor Sistem

  

Login Valid

?

  Input penilaian Menampilkan calon mentor daftar calon mentor

  Valid? Submit Proses SAW Simpan database

  Menampilkan hasil Lihat hasil rekomendasi mentor rekomendasi mentor

Gambar 4 Activity Diagram Penilaian

  Activity diagram penilaian dapat dilihat pada Gambar 4. Proses

seleksi dilakukan oleh koordinator mentor. Koordinator mentor melakukan

  

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

. Relasi antar class ditunjukkan administrator

  Proses Input Data

oleh Gambar 5, atribut NIM adalah

atribut primary key.

  Penilaian Proses SAW Hasil Rekomendasi

  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.

  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

  1 Tidak memenuhi

  3.00

  2 Kurang memenuhi

• – 3.25 3.26 – 3.50

  3 Memenuhi > 3.50

  4 Sangat memenuhi Nilai Test < 50

  1 Tidak memenuhi Pengetahuan

  50

  2 Kurang memenuhi

• – 65

  66

  3 Memenuhi

• – 80 > 80

  4 Sangat memenuhi Pengalaman Tidak

  1 Kurang memenuhi Pernah 1 tahun

  2 Memenuhi Pernah 2 tahun

  3 Sangat memenuhi Nilai < 50

  1 Tidak memenuhi Wawancara 50 – 65

  2 Kurang memenuhi 66 – 80

  3 Memenuhi > 80

  4 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

  

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.

  2.90

  3.8

  72 S18

  55 Tidak Pernah

  3.74

  88 S17

  92 Pernah 1 tahun

  80 S16

  70 S19

  80 Pernah 1 tahun

  4.00

  78 S15

  60 Pernah 1 tahun

  3.00

  85 S14

  82 Pernah 2 tahun

  65 Tidak Pernah

  4.00

  55 S13

  4

  2

  3

  4

  3 S2

  1

  2

  Data C1 C2 C3 C4 S1

  80 Pernah 1 tahun

  

Tabel 3 Rating Kecocokan Dari Setiap Alternatif Pada Setiap Kriteria

  

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.

  

masing-masing. S1 sampai S20 mewakili sample calon mentor, C1 mewakili

  85 Tabel 2 merupakan data penerimaan calon mentor dengan penilaian

  82 Pernah 2 tahun

  3.35

  80 S20

  3.35

  88 Tidak Pernah

  

Tabel 2 Data Penerimaan Calon Mentor

  82 Pernah 2 tahun

  70 Pernah 1 tahun

  3.23

  90 S5

  75 Pernah 1 tahun

  2.86

  85 S4

  3.35

  2.90

  80 S3

  80 Pernah 1 tahun

  4.00

  70 S2

  65 Tidak Pernah

  3.8

  Data C1 C2 C3 C4 S1

  75 S6

  92 Pernah 1 tahun

  3.23

  80 S10

  90 S12

  75 Pernah 2 tahun

  2.86

  79 S11

  60 Pernah 1 tahun

  3.00

  95 Tidak Pernah

  88 S7

  2.75

  55 S9

  88 Tidak Pernah

  3.23

  72 S8

  55 Tidak Pernah

  3.74

  3 S3

  3

  2

  1

  3 S16

  2

  3

  4

  3 S15

  2

  2

  2

  4 S14

  3

  4

  3

  1 S13

  4

  4 S17

  4

  3

  4 Tabel 3 merupakan data penerimaan calon mentor yang dikonversikan

  3

  4

  3

  3 S20

  2

  4

  4

  3 S19

  1

  2

  4

  3 S18

  1

  2

  1

  2

  4

  3

  4 S7

  2

  4

  1

  3 S6

  2

  2

  2

  4 S5

  2

  3

  2

  4 S4

  3

  4

  1

  4 S12

  2

  3

  3

  1

  3 S11

  2

  2

  3 S10

  3 S8

  1

  4

  1

  2 S9

  1

  4

  2

  

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:

  Selanjutnya, dilakukan normalisasi matriks X berdasarkan Rumus 1. Contoh, dan seterusnya, sehingga diperoleh matriks ternormalisasi R sebagai berikut:

  

Proses penentuan ranking diperoleh berdasarkan Rumus 2 sebagai berikut:

Seterusnya sehingga diperoleh hasil seperti pada Tabel 4.

  4 S10

  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

  0.5

  7 S7

  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

  1

  1

  

Tabel 4 Proses Penentuan Ranking

  1

  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

  0.67

  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

  5.5 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

  0.33

  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

  0.75

  0.5

  0.67

  1

  1

  1

  0.75

  9 S20

  0.75

  0.75

  7.5 S18

  1

  7.5 S19

  0.75

  0.33

  0.5

  1

  0.67

  0.5

  No. Data Hasil Rekomendasi

  9.00

  7.50

  7. S1

  9.00

  6. S19

  9.00

  5. S15

  4. S2

  7.50

  10.00

  3. S20

  10.00

  2. S13

  10.00

  1. S3

  8. S4

  9. S7

  10 S14

  7.00

  1

  1

  1

  0.75

  7.00 S13

  14. S6

  13. S5

  7.50

  7.50

  12. S18

  7.50

  11. S17

  7.50

  10. S11

  10

  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,

  Gambar 7 Halaman Sistem Pendukung Keputusan 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.

   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);

  3 tabelmodelrekomendasi();

  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

  Hasil yang Diberikan No. Deskripsi Hasil yang Diharapkan

  Sistem

  1. Calon Mentor Dapat melakukan login dan Sesuai yang dan Koordinator ada peringatan diharapkan.

  Mentor jika username dan melakukan login atau password ada yang salah.

  Kalau username dan password benar maka ditampilkan form pendaftaran mentor.

  2. Calon Mentor melakukan pendaftaran

  3.42

  93.00 3. 672014165 Petriyanto Nua P. 3.65

  1

  86.00

  88.00 4. 672015255 Devina Sariska

  3.54

  82.00

  83.00 5. 692015001 Adhika Wibowo

  81.00

  1

  80.00 6. 672015040 Yesi Arumsari

  3.37

  82.00

  86.00 7. 702014005 Tri Susilo

  3.23

  1

  75.00

  83.00

  83.00 2. 672014188 Sterry Fleanry M. 3.85

  Calon Mentor dapat mengisi data diri sesuai dengan yang diminta. Hasil dari data yang sudah diisi disimpan ke dalam sistem.

  5. Koordinator

  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.

  Mentor melakukan pemilihan mentor berdasarkan nilai rekomendasi tertinggi.

  80.00

  

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

  8. 672014071 Chelsea G. D. S.

  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

  86.00

  3.64

  84.00 19. 682014107 Wilhelmus Joel

  3.83

  1

  88.00

  80.00 20. 682015069 Prelin Leunupun

  3.56

  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

  1

  86.00 15. 672014232 Revina Dian

  3.79

  81.00 11. 672014263 Alief Cahyono

  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

  2.89

  85.00

  1

  79.00

  83.00 12. 602015004 Adinda Geraldine 3.56

  83.00

  87.00 13. 562014032 Ade Buyung

  2.96

  1

  85.00

  81.00 14. 602015008 Catherine Cyntia

  3.68

  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. 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