SISTEM PENDUKUNG KEPUTUSAN SISWA TERBAIK DI

SMPN 7 DEPOK DENGAN METODE SAW

Tugas Akhir
diajukan untuk melengkapi
persyaratan mencapai
gelar sarjana

NAMA : SATYA IHSAN ALI MA’RUF

NPM : 202043501515

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS INDRAPRASTA PGRI
2024
 BAB I

PENDAHULUAN

A. Latar Belakang Masalah

Perkembangan teknologi saat ini telah menunjukkan kemajuan yang

luar biasa. Bersamaan dengan perkembangan kebutuhan akan teknologi, baik

itu teknologi informasi maupun teknologi telekomunikasi sangat tinggi dari

mulai golongan atas sampai golongan tengah dan golongan menengah ke

bawah. Salah satu perkembangan yang penting semakin dibutuhkan

penggunaan alat pengolahan data yang berfungsi untuk menghasilkan

informasi yang dibutuhkan. Hal ini mendorong manusia untuk memanfaatkan

dan menggunakan teknologi dengan sebaik-baiknya.

Kemajuan teknologi memberikan banyak manfaat dan kemudahan

dalam membantu pekerjaan sehari-hari seperti dalam dunia akademik atau

pendidikan. Salah satu bentuk kemajuan teknologi yang dapat dirasakan

adalah membantu para tenaga pengajar atau guru dalam melakukan proses

pemilihan siswa terbaik, begitupun dengan SMP Negeri 7 Depok, sebagai

Sekolah Standar Nasional untuk sekolah menengah pertama yang memiliki

program siswa terbaik.

SMP Negeri 7 Depok merupakan sekolah berstandar nasional, SMP

Negeri 7 Depok memiliki banyak prestasi mulai dari tingkat kabupaten

sampai nasional. Sekolah ini ingin memberikan predikat kepada siswa terbaik

yang memenuhi kriteria. Penetapan dan pemilihan siswa terbaik di SMP

Negeri 7 Depok masih dilakukan cara konvensional, dimana setiap tahun

Kepala Sekolah mengadakan rapat pemilihan siswa terbaik. Dalam penetapan

dan pemilihan siswa terbaik harus mempunyai kriteria penilaian dilihat dari

nilai akademik dan non akademik bahkan penilaian akhlak siswa yang lebih

penting, tetapi di SMP Negeri 7 Depok kriteria penilaian hanya dilihat

berdasarkan akademik saja dan cenderung bersifat subyektif. Hal ini

memungkinkan terpilihnya siswa yang tertuju ke sasaran yang tidak akurat,

dikarenakan nilai akhir satu siswa dengan siswa lainnya bisa dimungkinkan

sama sehingga pemilihan siswa terbaik tidak dengan kriteria yang ada.

Dengan cara penetapan dan pemilihan siswa terbaik seperti ini dapat

dikatakan rumit dan membutuhkan waktu yang lama, sehingga hasil

keputusan pemilihan siswa terbaik kurang efisien.

Berdasarkan uraian diatas, maka penulis akan membangun sebuah

sistem pendukung keputusan yang digunakan untuk menyelesaikan

permasalahan dalam pemilihan siswa terbaik. Sistem Pendukung Keputusan

(SPK) dirancang untuk mendukung pengambilan keputusan dari tahap

mengidentifikasi masalah, memilih data yang relevan dan menentukan

pendekatan yang digunakan dalam proses pengambilan keputusan, sampai

mengevaluasi pemilihan alternatif, sehingga berguna untuk memilih siswa

terbaik berdasarkan prestasi yang tercapai dan sesuai dengan kriteria yang

ada. Dalam penelitian ini, penulis menggunakan metode Simple Additive

Weighting (SAW) dalam sistem pendukung keputusan siswa terbaik,

dikarenakan metode ini merupakan salah satu metode penyelesaian masalah

 Multi Attribute Decision Making (MADM) yang paling sederhana dan paling

banyak digunakan. Selain itu, metode ini juga merupakan metode yang paling

mudah diaplikasikan, karena mempunyai algoritma yang tidak terlalu rumit

(Adi & Windarto, 2019).

Berdasarkan latar belakang masalah tersebut, penulis ingin membuat

sebuah sistem yang berjudul “SISTEM PENDUKUNG KEPUTUSAN

SISWA TERBAIK DI SMP NEGERI 7 DEPOK DENGAN METODE

SAW”.

B. Identifikasi Masalah

Berdasarkan uraian latar belakang masalah, maka dapat diidentifikasi

masalah-masalah sebagai berikut:

1. Penetapan dan pemilihan siswa terbaik masih dilakukan secara

konvensional.

2. Kriteria yang digunakan dalam pemilihan siswa terbaik hanya berdasarkan

penilaian akademik.

3. Pembobotan yang ditetapkan kurang jelas dalam penetapan dan pemilihan

siswa terbaik.

4. Proses penilaian dan perhitungan masih kurang tepat, cepat dan akurat.

5. Hasil keputusan dalam pemilihan siswa terbaik masih dikatakan kurang

tepat pada sasaran.

6. Sistem pendukung keputusan belum terkomputerisasi dan dikatakan masih

kurang efektif dan efisien.

C. Batasan Masalah

Pembatasan suatu masalah digunakan untuk menghindari adanya

penyimpangan maupun pelebaran pokok masalah supaya penelitian tersebut

lebih terarah dan memudahkan dalam pembahasan sehingga tujuan penelitian

akan tercapai. Beberapa batasan masalah dalam penelitian ini adalah sebagai

berikut:

1. Objek penelitian yang diambil adalah penetapan dan pemilihan siswa

terbaik di SMP Negeri 7 Depok.

2. Metode yang digunakan adalah metode Simple Additive Weighting (SAW)

untuk penetapan dan pemilihan siswa terbaik.

3. Kriteria yang digunakan dalam penetapan dan pemilihan siswa terbaik

diantaranya nilai raport, kepribadian, ekstrakulikuler, dan kehadiran.

4. Data yang digunakan adalah data siswa atau siswi SMP Negeri 7 Depok.

5. Sistem yang dibuat berupa aplikasi desktop dengan bahasa pemrograman

Java dan penyimpanan data dengan menggunakan MySQL.

D. Rumusan Masalah

Berdasarkan uraian pada identifikasi masalah, maka dirumuskan

masalah sebagai berikut:

1. Bagaimana merancang dan membangun sistem pendukung keputusan

dalam penetapan dan pemilihan siswa terbaik?

 2. Bagaimana menerapkan metode Simple Additive Weighting (SAW) dalam

penetapan dan pemilihan siswa terbaik dengan kriteria dan bobot yang

telah ditetapkan?

3. Bagaimana mengimplementasi sistem pendukung keputusan dengan

menerapkan metode Simple Additive Weighting (SAW) dalam penetapan

dan pemilihan siswa terbaik?

E. Tujuan Penelitian

Tujuan dari penelitian ini adalah sebagai berikut:

1. Untuk merancang dan membangun sistem pendukung pemilihan siswa

terbaik agar dapat membantu SMP Negeri 7 Depok dalam pengambilan

keputusan siswa terbaik secara tepat dan akurat.

2. Untuk menerapkan metode Simple Additive Weighting (SAW) agar

memiliki bobot yang jelas dalam penilaian dan perhitungan untuk

penetapan dan pemilihan siswa terbaik.

3. Untuk implementasi sistem pendukung keputusan dengan menerapkan

metode Simple Additive Weighting (SAW) dalam penetapan dan pemilihan

siswa terbaik.
F. Manfaat Penelitian

Didalam suatu penelitian terdapat dua manfaat, yaitu manfaat teoritis

dan praktis. Adapun manfaat teroritis dan praktis dalam penelitian ini sebagai

berikut:

1. Manfaat Teoritis

Manfaat penelitian teoritis dalam menerapkan metode Simple Additive

Weighting (SAW) dalam sistem pendukung keputusan pemilihan siswa

terbaik diharapkan dapat memberikan wawasan akademik berupa referensi

penelitian bagi mahasiswa sebagai pengetahuan tambahan dan bahan

masukan, selain itu penelitian ini diharapkan menjadi acuan atau sumber

bacaan serta informasi mengenai sistem pendukung keputusan khususnya

dengan metode Simple Additive Weighting (SAW).

2. Manfaat Praktis

a. Bagi Peneliti

Diharapkan dapat menambah wawasan peneliti terhadap konsep kerja

sistem pendukung keputusan. Selain itu, dapat memperoleh

keterampilan dalam mengambil keputusan berdasarkan metode

khususnya dengan metode Simple Additive Weighting (SAW).

b. Bagi Universitas Indraprasta PGRI

Diharapkan dapat menjadi bahan pertimbangan dalam pengembangan

mata kuliah yang berkaitan dengan bahasan penelitian ini, agar dapat

lebih meningkatkan pemahaman mahasiswa mengenai pengembangan

 sistem pendukung keputusan dengan menerapkan metode Simple

Additive Weighting (SAW).

c. Bagi SMP Negeri 7 Depok

Diharapakan dapat memberikan kemudahan untuk pengambilan

keputusan dalam pemilihan siswa terbaik, serta mengetahui daftar

siswa yang berpotensi menjadi siswa terbaik. Dan memacu semangat

siswa dalam meningkatkan prestasi dalam belajar.

 BAB II

TINJAUAN PUSTAKA

A. Landasan Teori

1. Sistem Pendukung Keputusan

Menurut (Turban dan Aronson, 2001, dalam Andani & Kholiq,

2020, h. 36) berpendapat bahwa Sistem Pendukung Keputusan atau

Decision Support System (DSS) adalah sebuah sistem yang mampu

memberikan kemampuan pemecahan masalah maupun kemampuan

pengkomunikasian untuk masalah dengan kondisi semi terstruktur dan

tak terstruktur. Sistem ini digunakan untuk membantu pengambilan

keputusan dalam situasi semi terstruktur dan situasi tidak terstruktur,

dimana tak seorang pun tahu secara pasti bagaimana keputusan

seharusnya dibuat. Sedangkan menurut (Setiadi dkk., 2018, h. 104)

bahwa sistem pendukung keputusan merupakan sistem berbasis komputer

yang menyajikan dan memproses informasi yang memungkinkan

pembuatan keputusan menjadi lebih produktif, dinamis, dan inovatif.

Di dalam sistem pendukung keputusan terdapat beberapa

karakteristik yaitu mendukung proses pengambilan keputusan suatu

organisasi adanya interface manusia atau mesin dimana manusia tetap

memegang kontrol proses suatu keputusan, mendukung pengambilan

keputusan untuk membahas masalah terstruktur, memiliki kapasitas

dialog untuk memperoleh informasi sesuai dengan kebutuhan, memiliki

 subsistem-subsistem yang terintegrasi sedemikian rupa sehingga dapat

berfungsi sebagai ksesatuan sistem, dan memiliki dua komponen utama

yaitu data dan model (Adi & Windarto, 2019, h. 535).

Menurut (Adi & Windarto, 2019, h. 535), komponen-komponen

yang terdapat pada sistem pendukung keputusan diantaranya yaitu data

management, model management, communication (dialog subsistem),

dan knowledge management. Dibawah ini adalah model konseptual

sistem pendukung keputusan.

Gambar 2.1
Konseptual Sistem Pendukung Keputusan
Sumber: (Pratiwi, 2016)

2. Simple Additive Weighting (SAW)

Simple Additive Weighting adalah salah satu metode yang paling

populer digunakan pada sistem pendukung keputusan, pemilihan kriteria

untuk kasus yang akan diselesaikan dengan berbantuan sistem

pendukung keputusan memerlukan penajaman yang berkaitan erat

dengan masalah yang dihadapi. Hal-hal yang menjadi acuan untuk

memilih kriteria hendaknya mempunyai urgensi kuat dengan masalah

yang hendak dicari solusinya. Jumlah kriteria yang diambil untuk

dianalisa tidak ada ketentuan yang pasti, namun semakin banyak variasi

kriteria yang dipilih maka semakin bagus hasil yang didapatkan. Pada

metode SAW, ada kriteria yang dipersepsikan sebagai kriteria benefit dan

cost. Kategori kriteria benefit atau keuntungan, jika kriteria tersebut

mempunyai nilai semakin besar maka semakin baik, sedangkan kriteria

cost atau biaya semakin kecil nilainya maka semakin baik (Adi &

Windarto, 2019, h. 535).

Metode Simple Additive Weighting sering juga dikenal dengan

istilah metode penjumlahan berbobot. Konsep dasar metode Simple

Additive Weighting adalah mencari penjumlahan terbobot dari rating

kinerja pada setiap alternatif pada semua atribut. Metode Simple Additive

Weighting disarankan untuk menyelesaikan masalah penyeleksian dalam

sistem pengambilan keputusan multi proses. Metode Simple Additive

Weighting merupakan metode yang banyak digunakan dalam

pengambilan keputusan yang memiliki banyak atribut. Metode Simple

Additive Weighting membutuhkan proses normalisasi matriks keputusan

(x) ke suatu skala yang dapat diperbandingkan dengan semua rating

alternatif yang ada (Situmorang, 2015, h. 25)

 Menurut (Shalludin, 2020, h. 71) langkah-langkah penyelesaian

metode Simple Additive Weighting (SAW) sebagai berikut:

a. Memberikan nilai setiap alternatif (Ai) pada setiap kriteria (Cj) yang

sudah ditentukan, dimana nilai i=1,2,…m dan j=1,2,…n.

b. Memberikan nilai bobot (W) yang juga didapatkan berdasarkan nilai

crisp.

c. Melakukan normalisasi matriks dengan cara menghitung nilai rating

kinerja ternormalisasi (rij) dari alternatif (Ai) pada atribut (Cj)

berdasarkan persamaan yang disesuaikan dengan jenis atribut

(atribut keuntungan/benefit atau atribut biaya/cost). Apabila berupa

atribut keuntungan maka nilai crisp (Xij) dari setiap kolom atribut

dibagi dengan nilai crisp Max (Max Xij) dari tiap kolom, sedangkan

untuk atribut biaya, nilai crisp Min (Min Xij) dari tiap kolom atribut

dibagi dengan nilai crisp (Xij) setiap kolom.

d. Melakukan proses perangkingan untuk setiap alternatif (Vi) dengan

cara mengalikan nilai bobot (wi) dengan nilai rating kinerja

ternormalisasi (rij).

Menurut (Setiadi dkk., 2018, h. 105), rumus metode Simple

Additive Weighting (SAW) sebagai berikut:

{
Xij
Jika J Benefit
Max i Xij
Rij=
Mini Xij
Jika J Cost
Xij

Keterangan:
Rij = Nilai rating kinerja ternormalisasi

Xij = Nilai atribut yang dimiliki

Max Xij = Nilai terbesar dari setiap kriteria

Min Xij = Nilai Terkecil dari setiap kriteria

Benefit = Jika nilai terbesar adalah terbaik

Cost = Jika nilai terkecil adalah terbaik

n
Vi=∑ W j Rij
j=1

Keterangan:

Vi = Ranking untuk setiap alternatif

Wj = Nilai Bobot dari setiap kriteria

Menurut (Adi & Windarto, 2019, h. 536), Adapun kelebihan dan

kekurangan metode Simple Additive Weighting, sebagai berikut:

a. Kelebihan Metode SAW

1) Mengumpulkan data kriteria untuk menentukan nilai bobot pada

setiap kriteria

2) Menentukan atribut kriteria memilih perhitungan yang digunakan

dalam proses normalisasi

3) Kemudian merubah data menjadi bobot himpunan agar dapat

dilakukan perhitungan normalisasi

4) Setelah dilakukan perhitungan normalisasi, dilanjutkan dengan

proses perangkingan yang akan menyeleksi alternatif terbaik dari

sejumlah alternatif
 5) Penilaian akan lebih tepat karena didasarkan pada nilai kriteria

dan bobot preferensi yang sudah ditentukan.

b. Kekurangan Metode SAW

1) Digunakan pembobotan local

2) Perhitungan dilakukan dengan menggunakan nilai secara manual

3) Adanya perbedaan perhitungan normalisasi matriks sesuai

dengan nilai atribut (antara lain nilai benefit dan cost).

3. Siswa

Siswa sebagai orang yang menghendaki untuk mendapatkan ilmu

pengetahuan, keterampilan, pengalaman dan kepribadian yang baik

sebagai bekal hidupnya agar bahagia dunia dan akhirat dengan jalan

belajar sungguh-sungguh. Siswa adalah komponen manusiawi yang

menempati posisi sentral dalam suatu proses belajar, dimana dalam

proses belajar siswa sebagai pihak yang ingin meraih cita-cita dan

memiliki tujuan ingin mencapainya secara optimal (Vidaryono & Diana,

2019, h. 415). Menurut (Srikandri, 2008, dalam Fajar, 2016) berpendapat

bahwa siswa adalah komponen masukan dalam proses pendidikan

sehingga menjadi manusia yang berkualitas sesuai dengan tujuan

pendidikan nasional.

4. Siswa Terbaik

Siswa terbaik adalah siswa yang berprestasi dalam melaksanakan

tugasnya selama periode tertentu sesuai standar kompetensi dan kriteria

 yang telah ditetapkan. Siswa terbaik juga selalu mengikuti aturan-aturan

yang telah ditetapkan oleh sekolah atau guru yang mendidinya.

Ada beberapa hal yang harus diperhatikan dalam menyusun standar

penilaian siswa terbaik yang baik dan benar, yaitu:

a. Validity, adalah keabsahan standar sesuai dengan kriteria yang

dinilai. Keabsahan yang dimaksud adalah standar tersebut memang

benar-benar sesuai dengan kewajiban siswa untuk menjalankannya.

b. Agreement, yaitu standar penilaian tersebut disetujui dan diterima

oleh semua siswa yang akan mendapat penilaian.

c. Realism, berarti standar penilaian tersebut bersifat realistis, dapat

dicapai oleh seluruh siswa dan sesuai dengan kemampuan siswa.

d. Objectivity, berarti standar penilaiannya harus bersifat obyektif yaitu

adil, mampu mencerminkan keadaan yang sebenarnya tanpa

menambah atau mengurangi kenyataan dan sulit untuk dipengaruhi

oleh bias-bias penilaian (Adi & Windarto, 2019, h. 536).

5. Unified Modelling Language (UML)

UML (Unified Modelling Language) adalah salah satu tool/model

untuk merancang pengembangan software yang berbasis object-oriented.

UML sendiri juga memberikan standar penulisan sebuah sistem

blueprint, yang meliputi konsep proses bisnis, penulisan kelas-kelas

dalam bahasa program yang spesifik, skema database, dan komponen

yang diperlukan dalam sistem software (Sonata & Sari, 2019, h. 23).
Menurut (Ropianto, 2016, h. 43), Unified Modelling Language (UML)

adalah suatu alat untuk memvisualisasikan dan mendokumentasikan hasil

analisa dan desain yang berisi sintak dalam memodelkan sistem secara

visual, juga merupakan suatu kumpulan konvensi pemodelan yang

digunakan untuk menentukan atau menggambarkan sebuah sistem

software yang terkait dengan objek.

Pada UML terdapat jenis-jenis diagram untuk menggambarkan

sebuah alur atau proses dari sistem, diantaranya yaitu:

a. Use Case Diagram

Use Case Diagram merupakan pemodelan untuk kelakukan

(behavior) sistem informasi yang akan dibuat. Use Case

mendeskripsikan sebuah interaksi antar satu atau lebih aktor dengan

sistem informasi yang akan dibuat (Andaraputri dkk., 2023, h. 5745).

b. Activity Diagram

Activity Diagram menggambarkan workflow dari sistem, yang perlu

diperhatikan disini adalah bahwa diagram aktivitas menggambarkan

aktivitas sistem bukan apa yang dilakukan aktor, jadi aktivitas yang

dapat dilakukan oleh sistem (Andaraputri dkk., 2023, h. 5745).

c. Sequence Diagram

Sequence Diagram adalah diagram yang menggambarkan interaksi

antar objek. Sequence Diagram secara khusus menjabarkan behavior

sebuah skenario tunggal. Diagram tersebut menunjukkan sejumlah

objek contoh dan pesan-pesan yang melewati objek ini dalam sebuah
 use case, menampilkan interaksi-interaksi antar objek didalam

sistem yang disusun pada sebuah urutan atau rangkaian waktu,

interaksi antar objek tersebut termasuk pengguna display dan

sebagainya berupa pesan (Andhika dkk., 2022, h. 138).

d. Class Diagram

Class Diagram merupakan kumpulan dari beberapa class dan

relasinya. Class identik dengan entity yang direpresentasikan dalam

bentuk persegi dimana pada bagian atas ditulis nama class,

kemudian ke bawah ditulis attribute yang terdapat pada class,

kemudian ke bawah lagi ditulis metode yang ada pada class. Class

Diagram adalah sebuah spesifikasi yang jika diinstansiasi akan

menghasilkan sebuah objek dan merupakan inti dari pengembangan

dan desain berorientasi objek (Andhika dkk., 2022, h. 138).

6. Java

Bahasa pemrograman Java merupakan bahasa komputer yang

dikenalkan pada pertengahan tahun 1990-an oleh Sun Microsystem. Sun

Microsystem memberikan nama Java yang artinya sekumpulan teknologi

untuk membangun dan menjalankan perangkat lunak dalam lingkungan

komputer atau jaringan yang berdiri sendiri (Musfikar dkk., 2023, h. 2).

Java adalah bahasa pemrograman yang fenomenal. Sebagian ahli

mengklaim bahwa kelebihan-kelebihan pada bahasa pemrograman

sebelumnya telah diadopsi oleh Java. Dalam hal kepopuleran, Java

 berada di peringkat dua besar (bergantian dengan C yang menjadi

peringkat pertama) dalam tiga tahun terakhir. Java bisa digunakan pada

berbagai keperluan. Pemrograman berbasis teks seperti Clipper atau

FoxPro for DOS yang biasa kita temui di kasir-kasir minimarket bisa

dilakukan dengan Java. Pemrograman berbasis GUI desktop seperti yang

dikenal pada Visual Basic, Visual FoxPro, atau Delphi juga bisa

dilakukan dengan Java. Pemrograman untuk piranti mikro seperti ponsel

atau tablet PC mudah dilakukan dengan Java. Tidak ketinggalan,

pemrograman web bisa menggunakan Java Server Pages (JSP) atau

Servlet (Hudaya, 2015, h. 1).

7. MySQL

MySQL adalah DBMS yang open source dengan dua bentuk

lisensi, yaitu free software (perangkat lunak bebas) dan shareware

(perangkat lunak berpemilik yang penggunanya terbatas). Jadi MySQL

adalah database server yang gratis dengan lisensi GNU dan General

Public License (GPL) sehingga dapat digunakan untuk keperluan pribadi

atau komersial tanpa harus membayar lisensi yang ada (Pitrawati &

Sanjaya, 2021, h. 158).

Sedangkan menurut (Supriadi dkk., 2018, h. 31), MySQL

merupakan software RDBMS (atau server database) yang dapat

mengelola database dengan cepat, dapat menampung data dalam jumlah

 sangat besar, dapat diakses oleh banyak user (multi user), dan dapat

melakukan suatu proses secara sinkron atau berbarangan.

Berdasarkan pengertian diatas, dapat disimpulkan bahwa MySQL

merupakan DBMS open source yang dapat mengelola database secara

cepat, menampung jumlah data yang sangat besar, diakses oleh banyak

pengguna dan dapat melakukan proses secara sinkron atau berbarengan.

8. XAMPP

Xampp merupakan paket software yang didalamnya terdapat

server MySQL dan didukung oleh PHP sebagai bahasa pemrograman

untuk membuat wesite dinamis serta terdapat web server apache yang

dapat dijalankan di beberapa platform seperti OS X, Windows, Linux,

Mac, dan Solaris. Web server ini adalah tempat dimana kita menyimpan

aplikasi web yang kemudian diakses melalui internet. Setiap perubahan,

kecil maupun besar, ketika meng-upload ke web server baru setelah itu

dapat diperiksa apakah perubahan itu sudah sesuai dengan yang

diinginkan atau belum. Web server ini dibutuhkan karena untuk web

server-side script seperti PHP, pemeriksaan baru akan tampil jika

menggunakan web server. Berbeda dengan client-side script seperti

HTML, CSS, Javascript cukup dengan browser sudah bisa tahu apakah

script sudah sesuai keinginan atau belum (Hidayatullah, 2021, h. 161).

B. Penelitian yang Relevan

Tabel 2.1
Penelitian Relevan

No Peneliti Judul Metode Hasil

(Tahun) Penelitian Penelitian Penelitian

1 Jerry Prabu Pendukung Keputusan Simple Hasil dari penelitian ini

Setya Adi dan Pemilihan Siswa Additive bahwa metode Simple

Windarto Terbaik Pada SMA Weighting Additive Weighting (SAW)

(2019) Cenderawasih 2 (SAW) bisa diterapkan dalam

Dengan Menggunakan sistem pendukung

Metode Simple keputusan sehingga dapat

Additive Weighting memilih siswa terbaik

Berbasis Web dengan cepat dan diperoleh

nilai tertinggi yaitu Aditya

Maulana dengan nilai 97,1

2 Ahmad Setiadi, Penerapan Metode Simple Dari perhitungan dengan

Yunita, dan Simple Additive Additive menggunakan metode

Anisa Ratna Weighting (SAW) Weighting Simple Additive Weighting

Ningsih Untuk Pemilihan Siswa (SAW) (SAW), maka terpilih

(2018) Terbaik siswa terbaik pertama yang

bernama Sarwindah

dengan nilai yang

diperoleh sebesar 1,00

3 Gandung Pemodelan Sistem Simple Hasil dari model yang

Triyono Pendukung Keputusan Additive dibangun menggunakan

 (2020) Penentuan Siswa Weighting metode Simple Additive

Terbaik Menggunakan (SAW) Weighting (SAW) untuk

Metode Simple menentukan siswa terbaik,

Additive Weighting dapat memberikan hasil

(SAW) penentuan siswa terbaik

yang efektif yaitu

diperoleh Alternatif 3 (A3)

dengan nilai 0,825

4 Feni Yulianti, Sistem Pendukung Simple Berdasarkan hasil

Nahar Keputusan Untuk Additive perhitungan menggunakan

Mardiyantoro, Menentukan Siswa Weighting metode Simple Additive

Erna Dwi Terbaik di SMP Pelita (SAW) Weighting (SAW)

Astuti, Adi Al-Quran Dengan diperoleh Alternatif 1 (A1)

Suwondo, dan Metode Simple dengan nilai tertinggi yaitu

Sukowiyono Additive Weighting 0,93

(2023)

5 Rida Utami Sistem Pendukung Simple Dari hasil peniliain ini

(2020) Keputusan Dalam Additive menunjukkan bahwa nilai

Menentukan Siswa Weighting terbesar ada pada

Terbaik Menggunakan (SAW) Alternatif 28 (A28) dengan

Metode Simple perolehan hasil akhir 1,00

Additive Weighting

Sumber: Dokumen Pribadi

 BAB III

METODE PENELITIAN

A. Waktu dan Tempat Penelitian

1. Waktu Penelitian

Penelitian ini akan dilaksanakan dalam waktu 5 (lima) bulan pada

bulan Maret sampai dengan bulan Juli 2024 pada semester genap tahun

ajaran 2023/2024. Adapun perincian jadwal penelitian dapat dilihat pada

tabel 3.1 di bawah ini.

Tabel 3.1
Jadwal Penelitian

Maret April Mei Juni Juli

NO Kegiatan 2024 2024 2024 2024 2024
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Pengumpulan
Data
2 Studi
Literatur
3 Perancangan
Sistem
4 Pengkodean
Sistem
5 Pengujian
Sistem
6 Penulisan
Laporan
Sumber: Penulis, 2024

2. Tempat Penelitian

Penentuan lokasi penelitian ini dianggap sangat penting karena

berhubungan dengan data-data yang akan dicari oleh peneliti sesuai

dengan fokus penelitian yang telah ditentukan. Pemilihan tempat

 penelitian ini dengan maksud menemukan sumber data dari penelitian

dan penelitian ini berlokasi di SMP Negeri 7 Depok yang berlokasi di

Jalan Radar Auri, Kecamatan Mekarsari, Cimanggis, Kota Depok, Jawa

Barat. Adapun sebagai suatu bentuk dalam mendukung berjalannya

proses penelitian, peneliti memasukkan foto dari SMP Negeri 7 Depok

yang terlihat pada gambar 3.1 dibawah ini.

Gambar 3.1
SMP Negeri 7 Depok
Sumber: SMP Negeri 7 Depok, 2024

B. Tahapan Penelitian

Dalam langkah pelaksanaan penelitian ini, berisikan penjabaran

bagaimana peneliti dalam menyelesaikan tugas akhir. Pada penelitian ini

menggunakan diagram alir yang dijadikan sebagai acuan dalam penyelesaian

pelaksanaan yang terbagi menjadi beberapa tahapan. Diagram alir penelitian

dapat dilihat pada gambar 3.2 di bawah ini.

Gambar 3.2
Tahapan Penelitian
Sumber: Dokumen Pribadi

Berdasarkan pada gambar 3.2 di atas, dapat dijelaskan alur dari

penelitian tersebut sebagai berikut:

1. Identifikasi Masalah

Salah satu tahap awal dari penelitian, dimana peneliti menentukan

identifikasi masalah terhadap permasalahan yang terjadi di SMP Negeri 7

Depok, yang dimana kendala yang terjadi adalah penetapan dan pemilihan

siswa terbaik masih dilakukan dengan cara konvensional. Cara ini

dilakukan dengan mengharuskan Kepala Sekolah mengadakan rapat

pemilihan siswa terbaik. Dalam penetapan dan pemilihan siswa terbaik

harus memiliki kriteria penilian yang dilihat seperti nilai akademik dan

non akademik bahkan penilaian akhlak siswa yang lebih penting, namun

kriteria penilaian yang ditentukan di SMP Negeri 7 Depok hanya

berdasarkan akademik saja dan cenderung bersifat subyektif. Cara

penetapan dan pemilihan siswa terbaik tersebut dapat dikatakan rumit dan
 membutuhkan waktu yang lama, sehingga hasil keputusan pemilihan siswa

terbaik kurang efisien.

2. Studi Literatur

Pada penelitian ini, dilakukannya studi literatur yakni dengan membaca

referensi-referensi yang relevan untuk membantu peneliti memperdalam

konsep pemahaman terkait sistem pendukung keputusan siswa terbaik

dengan menggunakan metode Simple Additive Weighting.

3. Pengumpulan Data

Pada tahapan ini, pengumpulan data-data yang diperlukan menjadi sumber

solusi dalam menyelesaikan permasalahan penelitian. Adapun metode

pengumpulan data yang dilakukan oleh peneliti diantaranya yaitu:

a. Metode Observasi

Pada tahapan ini, peneliti melakukan observasi atau pengamatan

langsung proses pengambilan keputusan dalam menentukan siswa

terbaik serta mengamati proses penilaian dalam menentukan siswa

terbaik.

b. Metode Wawancara

Pada tahapan ini, penulis melakukan serangkaian tanya jawab terhadap

narasumber yaitu Kepala Sekolah SMP Negeri 7 Depok terkait dalam

proses penilaian dan pengambilan keputusan dalam menentukan siswa

terbaik di SMP Negeri 7 Depok.

 4. Analisis Data

Pada tahapan ini, peneliti melakukan analisis data terhadap data-data yang

telah dikumpulkan melalui observasi dan wawancara. Data-data tersebut

akan dianalisis dan diolah menggunakan metode Simple Additive

Weighting (SAW).

5. Implementasi Perangkat Lunak

Pada tahapan ini, peneliti melakukan implementasi terhadap perangkat

lunak yaitu dengan merancang dan membangun aplikasi sistem pendukung

keputusan dengan menggunakan bahasa pemrograman Java dan

penyimpanan data menggunakan MySQL serta perancangan alur terhadap

sistem menggunakan Unified Modelling Language (UML).

6. Penarikan Kesimpulan

Pada tahapan ini, peneliti menyimpulkan uraian masalah dalam penetapan

dan pemilihan siswa terbaik di SMP Negeri 7 Depok berdasarkan hasil

perhitungan metode Simple Additive Weighting (SAW). Selanjutnya

merumuskan saran agar bisa digunakan untuk penelitian selanjutnya.

C. Algoritma

Algoritma Simple Additive Weighting merupakan salah satu algoritma

yang digunakan dalam pengambilan keputusan. Adapun tahapan-tahapan

perhitungan dalam menggunakan algoritma Simple Additive Weighting

sebagai berikut:
1. Menentukan kriteria pembobotan untuk masing-masing kriteria. Kemudian

pembobotan dari semua kriteria harus sama dengan 100%.

2. Menentukan nilai terbaik dari setiap kriteria dalam pemilihan siswa

terbaik berdasarkan nilai raport, kepribadian, ekstrakulikuler, dan

kehadiran.

3. Menghitung nilai matriks normalisasi.

4. Menghitung nilai akhir untuk setiap input-an data dengan cara perkalian

antara matriks normalisasi dengan matriks bobot data yang terpilih adalah

data dengan nilai akhir yang paling besar.

Dari penjelasan di atas, dapat dibuatkan kerangka kerja algoritma

Simple Additive Weighting, yang dapat dilihat pada gambar 3.3 dibawah ini:

Gambar 3.3
Kerangka Kerja Algoritma Simple Additive Weighting (SAW)
Sumber: Penulis, 2024