Sistem Pendukung Keputusan Rekomendasi Penerima Beasiswa Menggunakan Fuzzy Multi Attribut Decision Making (FMADM) dan Simple Additive Weighting (SAW)

Transkripsi

1 Junal Rekayasa Elektika Vol., No. 4, Agustus 20, hal Sistem Pendukung Keputusan Rekomendasi Peneima Beasiswa Menggunakan Fuzzy Multi Attibut Decision Making (FMADM dan Simple Additive Weighting (SAW Canda Suya Pogam Studi Manajemen Infomatika, AMIK Mita Gama Dui Jl. Hangtuah No. 99, Dui Abstak Beasiswa adalah pembeian beupa bantuan keuangan yang dibeikan kepada peoangan, mahasiswa atau pelaja. Namun seing kali dalam pendistibusian beasiswa tesebut tidak tepat sasaan. Hal ini disebabkan kaena pembei beasiswa belum menggunakan alat bantu atau metode yang digunakan untuk menentukan peneima beasiswa. Untuk itu diancang suatu sistem untuk menentukan peneima beasiswa dengan menggunakan metode Fuzzy Multi Decision Making (FMADM dan Simple Additive Weighting (SAW. Metode FMADM digunakan untuk mencai altenatif dai sejumlah altenatif dengan kiteia-kiteia yang telah ditentukan. Sedangkan Metode SAW digunakan untuk meangking dai altenatif yang ada. Hasil penelitian ini dapat digunakan sebagai alat bantu dalam mengambil keputusan untuk meekomendasikan peneima beasiswa. Kata kunci: beasiswa, FMADM, SAW, kiteia, altenatif Abstact Scholaship is a donation in tem of financial assistance that is given to an individual, student o pupils. Even though, the taget distibution of the scholaships is sometime not elevant. It is because the scholaship distibution has not yet used a tool o method to detemine suitable scholaship ecipients. Fo that eason, it needs to design a system to detemine the scholaship ecipients using Fuzzy Multi Attibute Decision Making (FMADM and Simple Additive Weighting (SAW method. FMADM method is used to looking fo an altenative of some altenatives with some citeia that detemined befoe. Moeove, SAW method is used to ank the existing altenatives. The esult of this eseach can be used as a tool to make decision with ecommendation of the scholaship ecipients. Keywods: scholaship, FMADM, SAW, citeia, altenative I. Pendahuluan Beasiswa adalah pembeian beupa bantuan keuangan yang dibeikan kepada peoangan, mahasiswa atau pelaja untuk kebelangsungan pendidikan. Beasiswa diatikan sebagai bentuk penghagaan yang dibeikan kepada individu aga dapat melanjutkan pendidikan ke jenjang lebih tinggi. Penghagaan itu dapat beupa akses tetentu pada suatu institusi atau penghagaan beupa bantuan keuangan. Pada dasanya, beasiswa adalah penghasilan bagi yang meneimanya. Hal ini sesuai dengan ketentuan pasal 4 ayat ( Undang-undang PPh/2000. Disebutkan pengetian penghasilan adalah tambahan kemampuan ekonomis dengan nama dan dalam bentuk apa pun yang diteima atau dipeoleh dai sumbe Indonesia atau lua Indonesia yang dapat digunakan untuk konsumsi atau menambah kekayaan Wajib Pajak. Kaena beasiswa bisa diatikan menambah kemampuan ekonomis bagi peneimanya, beati beasiswa meupakan penghasilan. Beasiswa dapat dibeikan oleh lembaga pemeintah, peusahaan ataupun yayasan. Pembeian beasiswa dapat dikategoikan pada pembeian cuma-cuma ataupun pembeian dengan ikatan keja (biasa disebut ikatan dinas setelah selesainya pendidikan. Lama ikatan dinas ini bebeda-beda, tegantung pada lembaga yang membeikan beasiswa tesebut. beasiswa juga banyak dibeikan kepada pekelompok (goup misalnya ketika ada event pelombaan yang diadakan oleh lembaga pendidikan, dan salah satu hadiahnya adalah beasiswa. Sehubungan dengan pentingnya beasiswa bagi peneimanya dan belum adanya alat bantu atau metode yang digunakan untuk menentukan peneima beasiswa, maka dibutuhkan sebuah sistem yang dapat membantu pembuat keputusan dalam membeikan ekomendasi peneima beasiswa tesebut. Untuk menentukan peneima beasiswa, maka digunakan metode Fuzzy Multi Decision Making (FMADM dan Simple Additive Weighting (SAW, Fuzzy MADM adalah suatu metode yang digunakan untuk mencai altenatif optimal dai sejumlah altenatif dengan kiteia tetentu. Metode Simple Additive Weighting (SAW meupakan salah satu metode yang dapat digunakan untuk menyelesaikan masalah Fuzzy MADM []. ISSN ; e-issn X DOI:.729/je.vi4.2364

2 Junal Rekayasa Elektika Vol., No. 4, Agustus 20 Metode ini dipilih kaena untuk menentukan nilai bobot untuk setiap atibut, kemudian dilanjutkan dengan peangkingan yang akan menyeleksi altenatif siapa peneima beasiswa. Dengan metode ini yang didasakan bobot yang sudah ditentukan sehingga mendapatkan hasil yang akuat tehadap siapa yang akan meneima beasiswa. II. Studi Pustaka A. Sistem Pendukung Keputusan Sistem pendukung keputusan meupakan Compute Based Infomation System yang inteaktif, fleksibel, mudah disesuaikan (dapat beadaptasi yang secaa khusus dikembangkan untuk mendukung penyelesaian dai pemasalahan yang tidak testuktu untuk meningkatkan pembuatan keputusan [2]. Sistem pendikung keputusan meupakan sistem infomasi inteaktif yang menyediakan infomasi, pemodelan, dan pemanipulasian data. Sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi yang semitestutu dan situasi yang tidak testuktu, dimana tak seoang pun tahu secaa pasti bagaimana keputusan sehausnya dibuat [3]. B. FMADM Metode FMADM meupakan pengembangan lebih lanjut dai MADM. MADM meujuk kepada pembuatan keputusan bedasakan seleksi tehadap bebeapa pilihan yang masing-masing mempunyai multiple attibute dan anta atibut yang saling konflik. Dalam pengambilan keputusan dimana sebuah masalah tidak dapat dipesentasikan secaa tepat kedalam nilai cips, atau dengan kata lain kedalam nilai boolean, maka peneapan logika Fuzzy dapat menjadi satu pemecahan masalah [4]. Peneapan logika fuzzy dalam MADM, yang selanjutnya disebut sebagai FMADM. Kekuangan metode MADM biasa tehadap data-data yang besifat impicise, dan beada dalam pekiaan jangkauan nilai dapat tetutupi. C. Simple Additive Weighting (SAW Metode SAW seing juga dikenal dengan istilah metode penjumlahan tebobot. Konsep dasa metode SAW adalah mencai penjumlahan tebobot dai ating kineja pada setiap altenatif pada semua atibut. Metode SAW poses nomalisasi matik keputusan (X ke suatu skala yang dapat dipebandingkan dengan semua ating altenatif yang ada [2][]. ij xij Ma xxij = i Minx i xij ij Jika j adalah atibut biaya (cost Jika j adalah atibut keuntungan (benefit ( Dimana ij adalah ating kineja tenomalisasi dai altenatif A i pada atibut C j ; i=,2,...m dan j=,2,...n. Nilai pefeensi untuk setiap altenatif (V i dibeikan sebagai [3]: V = i n j = w j ij ( 2 Nilai V i yang lebih besa mengindikasikan bahwa altenatif A i lebih tepilih. Dimana V i adalah angking untuk setiap altenatif, w j adalah nilai bobot dai setiap kiteia dan ij adalah nilai ating kineja tenomalisasi. D. Algoitma FMADM dan SAW Beikut ini adalah algoitma yang dipakai dalam menyelesaikan pemasalahan [6][7]:. Membeikan nilai setiap altenatif (A i pada setiap kiteia (C j yang sudah ditentukan,dimana nilai tesebut di peoleh bedasakan nilai cisp;i=,2, m dan j=,2, n. 2. Membeikan nilai bobot (W yang juga didapatkan bedasakan nilai cisp. 3. Melakukan nomalisasi matiks dengan caa menghitung nilai ating kineja tenomalisasi ( ij dai altenatif A i pada atibut C j bedasakan pesamaan yang disesuaikan dengan jenis atibut. Atibut keuntungan/benefit=maksimum atau atibut biaya/ cost=minimum. Apabila beupa atibut keuntungan maka nilai cisp (X ij dai setiap kolom atibut dibagi dengan nilai cispmax (MAX X ij dai tiap kolom, sedangkan untuk atibut biaya, nilai cispmin (MIN X ij dai setiap kolomatibut dibagi dengan nilai cisp(x ij setiap kolom. 4. Melakukan poses peangkingan dengan caa mengalikan matiks tenomalisasi (R dengan nilai bobot (W.. Menentukan nilai pefeensi untuk setiap altenatif (V i dengan caa menjumlahkan hasil kali antaa matiks tenomalisasi (R dengan nilai bobot (W. Nilai V i yang lebih besa mengindikasikan bahwa altenatif A i lebih tepilih. III. Metode Penelitian ini dilakukan di AMIK Mita Gama Dui, penulis menggunakan pendekatan deskiptif atau suvey yaitu mengumpulkan data dai bebeapa mahasiswa AMIK Mita Gama yang digunakan sebagai acuan untuk ekomendasi peneima beasiswa. Data tesebut kemudian dianalisa kemudian digunakan sebagai acuan dalam mengambil keputusan. Dalam pengambilan keputusan digunakan Fuzzy Multiple Attibute Decision Making (FMADM dengan menggunakan metode Simple Additive Weighting (SAW. Pada tahap ini akan dijelaskan caa keja Fuzzy Multi Attibute Decision Making (FMADM menggunakan metode Simple Additive Weighting (SAW. Adapun mekanisme pengujian dapat dilihat pada Gamba.

3 Canda Suya: Sistem Pendukung Keputusan Rekomendasi Peneima Beasiswa Menggunakan Fuzzy Multi Attibut Decision Making (FMADM dan Simple Additive Weighting (SAW Pemilihan Kiteia Nilai Kiteia Pembobotan Kiteia Peangkingan Menggunakan Metode SAW Hasil Peangkingan Gamba. Mekanisme pengujian. Pemilihan Kiteia, digunakan untuk menentukan/ acuan dalam menilai peneima beasiswa yang akan dipilih menggunakan Fuzzy Multi Attibute Decesion Making (FMADM menggunakan metode Simple Additive Weighting (SAW. 2. Nilai Kiteia, yaitu membeikan nilai tehadap kiteia yang sudah ditentukan sebelumnya. 3. Pembobotan Kiteia, pembeian nilai kesesuaian tehadap kiteia ekomendasi peneima beasiswa. Pembeian nilai pembobotan ditentukan oleh pengambil keputusan 4. Peangkingan Menggunakan Metode SAW, melakukan pehitungan tehadap kiteia dengan bobot kesesuaian kiteia dengan menggunakan Fuzzy Multi Attibute Decision Making (FMADM menggunakan metode Simple Additive Weighting (SAW.. Altenatif Tepilih, meupakan tahap peankingan, dimana akan tepilih mahasiswa yang diekomendasikan sebagai altenatif pilihan yang ditentukan dengan menggunakan FMADM menggunakan SAW. IV. Hasil dan Pembahasan A. Analisa dan Peancangan Sistem Pada poses pembuatan sistem pendukung keputusan ekomendasi peneima beasiswa, dibutuhkan pembobotan pada setiap kiteia yang telah ditentukan oleh pengambil keputusan atau paa ahli dibidangnya. Untuk ekomendasi peneima beasiswa ada 6 kiteia yang akan digunakan yaitu Kiteia C sampai C6. Kiteia ini ditentukan oleh pengambil kebijakan di AMIK Mita Gama bedasakan hasil Kuisione yang telah dibeikan kepada bebeapa oang esponden. Adapun kiteia-kiteia tesebut sepeti tampak pada Tabel. B. Analisis Sistem Sistem Pendukung Keputusan ekomendasi peneima beasiswa ini meupakan suatu peangkat lunak yang dibangun untuk menentukan peneima beasiswa yang bekualitas dan sesuai dengan tepat sasaan. Di dalam membeikan ekomendasi peneima beasiswa nantinya, pemilih membandingkan calon peneima beasiswa dengan memilih kiteia yang telah ditentukan bedasakan ketentuan yang telah ditentukan sebelumnya. Simple Additive Weighting (SAW meupakan metode pengambilan keputusan yang diteapkan dalam pembuatan sistem ini. Dimana dengan menggunakan metode tesebut data calon peneima beasiswa dan nantinya akan menghasilkan keputusan beupa calon peneima yang tebaik yang disaankan oleh sistem. C. Analisa Input Data masukan (input untuk melakukan poses pengambilan keputusan dai bebeapa altenatif ini dilakukan melalui poses pemasukan data beupa kiteia ekomendasi peneima beasiswa yang sudah ditetapkan oleh pembuat keputusan. Kemudian akan dilakukan poses pengambilan keputusan menggunakan Fuzzy Multi Attibute Decision Making (MADM menggunakan metode Simple Additive Weighting (SAW. D. Analisa Output Data keluaan (Output yang dihasilkan dai sistem ini adalah altenatif peneima beasiswa yang telah dianking dai nilai tetinggi sampai dengan nilai teendah yang Kiteia C C2 C3 C4 C C6 Tabel. Kiteia Keteangan Nilai IPK Penghasilan Oang Tua Semeste Jumlah Tanggungan Pekejaan Mahasiswa Status Beasiswa

4 2 Junal Rekayasa Elektika Vol., No. 4, Agustus 20 Gamba 2. Vaiabel nilai IPK Gamba 4. Vaiabel semeste Gamba 3. Vaiabel penghasilan oang tua sebelumnya telah melalui poses pebandingan setiap altenatif menggunakan Fuzzy Multi Attibute Decision Making (FMADM menggunakan metode Simple Additive Weighting (SAW. Hasil akhi yang dikeluakan oleh sistem pendukung keputusan ini beasal dai nilai setiap kiteia altenatif calon peneima beasiswa, kaena dalam setiap kiteia memiliki nilai yang bebeda. E. Analisa Pemecahan Masalah dengan Metode SAW Dalam penelitian ini menggunakan FMDAM metode SAW. Langkah-langkah pemecahan masalah dalam penelitian ini adalah sebagai beikut [6]:. Menentukan kiteia-kiteia yang akan dijadikan acuan dalam pengambilan keputusan, yaitu C i 2. Menentukan ating kecocokan setiap altenatif pada setiap kiteia. 3. Membuat matiks keputusan bedasakan kiteia C i, kemudian melakukan nomalisasi matiks bedasakan pesamaan yang disesuaikan dengan jenis atibut Gamba. Vaiabel jumlah tanggungan sehingga dipeoleh matiks tenomalisasi R. 4. Hasil akhi dipeoleh dai poses peankingan yaitu penjumlahan dai pekalian matiks tenomalisasi R dengan vekto bobot sehingga dipeoleh nilai tebesa yang dipilih sebagai altenatif tebaik A i sebagai solusi. Nilai pefeensi untuk setiap altenatif V i. Nilai yang lebih besa mengindikasikan bahwa altenatif lebih tepilih. F. Analisa Kiteia dan Pembobotan Pada poses pembuatan sistem pendukung keputusan ekomendasi peneima beasiswa ini, dibutuhkan pembobotan pada setiap kiteia yang telah ditentukan oleh paka atau oang yang mahi dibidangnya. Tedapat 6 (enam kiteia yang akan digunakan dalam menentukan peneima beasiswa. Adapun kiteia dan bilangan fuzzy yang digunakan dalam ekomendasi peneima beasiswa ini adalah: a. Vaiabel nilai IPK, dikonvesi dengan bilangan fuzzy Tabel 2. Kiteia nilai IPK Nilai IPK Bilangan Fuzzy Nilai Cisp IPK < 2.0 Rendah (R 2, 2.0 <= IPK <= 3.00 Cukup (C 3.00 < IPK <= 3.0 Tinggi (T 7, IPK > 3.0 Sangat Tinggi (ST Tabel 4. Kiteia semeste Semeste (X Bilangan Fuzzy Nilai Cisp Semeste 2 Rendah (R 2, Semeste 3 Cukup (C Semeste 4 Tinggi (T 7, Semeste Sangat Tinggi (ST Tabel 3. Kiteia penghasilan oang tua Penghasilan Oang Tua (X Bilangan Fuzzy Nilai Cisp X <= Rendah (R < X <= Cukup (C 7, < X < Tinggi (T X >= Sangat Tinggi (ST 2, Tabel. Kiteia jumlah tanggungan Jumlah Tanggungan (X Bilangan Fuzzy Nilai Cisp Oang Rendah (R 2, 2 Oang Cukup (C 3 Oang Tinggi (T 7, X >= 4 Oang Sangat Tinggi (ST

5 Canda Suya: Sistem Pendukung Keputusan Rekomendasi Peneima Beasiswa Menggunakan Fuzzy Multi Attibut Decision Making (FMADM dan Simple Additive Weighting (SAW 3 Gamba 6. Vaiabel pekejaan Gamba 7. Vaiabel status beasiswa sepeti telihat pada Gamba 2 dan Tabel 2. b. Vaiabel penghasilan oang tua, dikonvesi dengan bilangan fuzzy sepeti telihat pada Gamba 3 dan Tabel 3. c. Vaiabel semeste, dikonvesi dengan bilangan fuzzy sepeti telihat pada Gamba 4 dan Tabel 4. d. Vaiabel jumlah tanggungan, dikonvesi dengan bilangan fuzzy sepeti telihat pada Gamba dan Tabel. e. Vaiabel pekejaan, dikonvesi dengan bilangan fuzzy sepeti telihat pada Gamba 6 dan Tabel 6. f. Vaiabel status beasiswa, dikonvesi dengan bilangan fuzzy sepeti telihat pada Gamba 7 dan Tabel 7. G. Analisa Pembahasan dan Hasil Bedasakan langkah-langkah pemecahan masalah dengan mengunakan metode SAW yang telah dijelaskan sebelumnya, pada bagian ini akan dibahas tentang poses pehitungan dan keluaan yang dihaapkan pada penelitian ini.. Menentukan kiteia-kiteia yang akan dijadikan acuan dalam pengambilan keputusan yaitu C sampai dengan C Menentukan ating kecocokan setiap altenatif. Dapat Tabel 6. Kiteia pekejaan Pekejaan Bilangan Fuzzy Nilai Cisp Bekeja Tinggi (T 2, Tidak Bekeja Sangat Tinggi (ST Tabel 7. Kiteia status beasiswa Status Beasiswa (X Bilangan Fuzzy Nilai Cisp Bau Sangat Tinggi (ST Pepanjangan Tinggi (T 2, dilihat pada Tabel 2 sampai dengan Tabel Membuat matik keputusan bedasakan kiteia (C i, kemudian melakukan nomalisasi matik bedasakan pesamaan yang disesuaikan dengan jenis attibut (Atibut keuntungan atau atibut biaya sehingga dipeoleh matik tenomalisasi. 4. Melakukan poses peangkingan, yaitu mengalikan matik tenomalisasi dengan vekto bobot Beikut ini akan diambil sampel 4 data calon peneima beasiswa, yang akan diuji bedasakan kiteia yang telah ditentukan. Adapun ke 4 sampel data tesebut yaitu: a. Lily Mayani (Altenatif / A b. Sugeng Sugiono (Altenatif 2 / A 2 c. Kistiani Baasa (Altenatif 3 / A 3 d. Ayu Lestai (Altenatif 4 / A 4 Pehitungan manual ekomendasi peneima beasiswa menggunakan FMADM dengan metode SAW ditunjukkan pada Tabel 8. Dai 4 data calon peneima diatas, akan dikonvesi kedalam nilai cisp yang sudah ditentukan bedasakan nilai cips pada Tabel 2 sampai dengan Tabel 7. Bedasakan pada Tabel 9, dapat dibentuk matik keputusan X sebagai beikut: 2, X = 7, 7, 2, 2, 2, Setelah matik keputusan diketahui, beikutnya dilakukan nomalisasi matik keputusan (X. Beikut ini akan dilakukan pehitungan secaa manual matik tenomalisasi bedasakan matik keputusan:. Nomalisasi C ( nilai IPK Meupakan poses nomalisasi matik X bais ke sampai bais ke 4 pada kolom, hasil nomalisasi akan menghasilkan matik tenomalisasi R bais ke sampai bais ke 4 pada kolom ke max 777, ; ;, ;, max 777, ; ;, ;, max 777, ; ;, ;, max 77, ; ;, 7 ;, { } =, = 066, 7 2. Nomalisasi C 2 ( penghasilan oang tua Meupakan poses nomalisasi matik X bais ke sampai bais ke 4 pada kolom 2, hasil nomalisasi akan menghasilkan matik tenomalisasi R bais ke sampai bais ke 4 pada kolom ke 2.

6 4 Junal Rekayasa Elektika Vol., No. 4, Agustus 20 Tabel 8. Data altenatif dan kiteia calon peneima beasiswa Kiteia No Altenatif C C2 C3 C4 C C6 Lily Mayani 3,40 2 J 2 Belum Bekeja B 2 Sugeng Sugiono 2,80 2, J 4 2 Bekeja P 3 Kistiani Baasa 3,40 J 2 6 Belum Bekeja B 4 Ayu Lestai 3,0 2 J 4 7 Belum Bekeja B max 77, ;, ; ; max 77, ;, ; ; 7, max 77, ;, ; ; max ; 7, ; ; Nomalisasi C 3 (semeste Meupakan poses nomalisasi matik X bais ke sampai bais ke 4 pada kolom 3, hasil nomalisasi akan menghasilkan matik tenomalisasi R bais ke sampai bais ke 4 pada kolom ke , max 2 ;, ; 2, ; max 2 ;, ; 2, ; 2, max 2 ;, ; 2, ; 7, max 2 ;, ; 2, ;, 2, 033, 2, 033, 4. Nomalisasi C 4 (jumlah tanggungan Meupakan poses nomalisasi matik X bais ke sampai bais ke 4 pada kolom 4, hasil nomalisasi akan menghasilkan matik tenomalisasi R bais ke sampai bais ke 4 pada kolom ke max ; ; ; max ; ; ; max ; ; ; max ; ; ; 0,. Nomalisasi C (pekejaan mahasiswa Meupakan poses nomalisasi matik X bais ke sampai bais ke 4 pada kolom, hasil nomalisasi akan menghasilkan matik tenomalisasi R bais ke sampai bais ke 4 pada kolom ke max 2 ;, ; ; 2, max 2 ;, ; ; max 2 ;, ; ; max 2 ;, ; ; 2, 0, 6. Nomalisasi C 6 (status mahasiswa Meupakan poses nomalisasi matik X bais ke sampai bais ke 4 pada kolom 6, hasil nomalisasi akan menghasilkan matik tenomalisasi R bais ke sampai bais ke 4 pada kolom ke max 2 ;, ; ; 2, max 2 ;, ; ; max 2 ;, ; ; max 2 ;, ; ; 2, 0, Bedasakan hasil pehitungan nomalisasi matik keputusan (X di atas, dipeoleh matik tenomalisasi (R sebagai beikut: 0, 7 033, R = 066, 0, 7 0, 0, 0, 033, 0, 7 Setelah poses nomalisasi dilakukan atau matik tenomalisasi sudah didapatkan, tahap selanjutnya adalah menentukan vekto bobot atau tingkat kepentingan setiap kiteia yang ditentukan oleh pengambil keputusan, disimbolkan dengan (W. Bedasakan nilai vekto bobot dai Tabel maka didapat nilai W pada setiap kiteia.

7 Canda Suya: Sistem Pendukung Keputusan Rekomendasi Peneima Beasiswa Menggunakan Fuzzy Multi Attibut Decision Making (FMADM dan Simple Additive Weighting (SAW Tabel 9. Nilai Cisp altenatif dan kiteia No Altenatif Kiteia C C2 C3 C4 C C6 Lily Mayani Sugeng Sugiono Kistiani Baasa Ayu Lestai W = [ ] Poses beikutnya yaitu melakukan peangkingan tehadap altenatif (V i. Untuk mendapatkan poses peangkingan yaitu dengan caa mengalikan vekto bobot (W dengan matik tenomalisasi (R. Adapun hasil yang dipeoleh dai pekalian vekto bobot dengan matik tenomalisasi (R yaitu: 0, 7 033, R = 066, 0, 7 0, 0, 0, 033, 0, 7 V =((+(0,7(4+(0,33(2+((4+((+((3 V = +3+0, V = 20,66 Tabel. Vekto bobot Bilangan Fuzzy Nilai Cisp Sangat Rendah (SR Rendah (R 2 Cukup (C 3 Tinggi (T 4 Sangat Tinggi (ST Tabel 2. Hasil seleksi No Altenatif Pilihan Rangking A Rangking 3 2 A2 Rangking 4 3 A3 Rangking 2 4 A4 Rangking V3 =((+((4+(0,33(2+((4+((+((3 V3 = +4+0, V 3 = 2,66 V4 =((+(0,7(4+((2+((4+((+((3 V4 = V 4 = 22 Dai hasil pehitungan peangkingan di atas, dai 4 calon peneima beasiswa yaitu: V = 20,66 / Meupakan nilai altenatif (A V 2 = 4, / Meupakan nilai altenatif 2 (A 2 V 3 = 2,66 / Meupakan nilai altenatif 3 (A 3 V 4 = 22 / Meupakan nilai altenatif 4 (A 4 Adapun uutan peneima beasiswa sesuai dengan peingkat dapat dilihat pada Tabel 2. V. Kesimpulan V =(0,66(+(0,7(4+((2+(0,(4+(0,(+(0,(3 2 V = 3, ,+, 2 V = 4,3 2 Tabel. Tingkat kepentingan setiap kiteia Kiteia Keteangan Nilai Vekto Bobot C Nilai IPK C2 Penghasilan Oang Tua 4 C3 Semeste 2 C4 Jumlah Tanggungan 4 C Pekejaan C6 Status Beasiswa 3 Bedasakan hasil penelitian maka dapat disimpulkan Metode Fuzzy Multi Attibute Decision Making (FMADM dan Simple Additive Weighting (SAW dapat membeikan ekomendasi calon peneima beasiswa, dimana hasil akhi akan dihitung nilai pefeensi (V i tetinggi dai masingmasing altenatif. Nilai tetinggi dijadikan pioitas petama sebagai peneima beasiswa. Refeensi [] Apiansyah Puta, Dinna Yunika Hadiyanti, Penentuan Peneima Beasiswa Dengan Menggunakan Fuzzy Multiple Atibute Decission Making, JSI Junal Vol. 3 No. Apil 20. [2] Canda Suya, Sistem Pendukung Keputusan (SPK Pemilihan Peguuan Tinggi Swasta Menggunakan Fuzzy Multi Attibute Decision Making (FMADM dan Metode Simple Additive Weighting (SAW, JIT Junal Volume 8 No. Maet 2004.

8 6 Junal Rekayasa Elektika Vol., No. 4, Agustus 20 [3] Canda Suya, Eliza Yubada, (204, Penilaian Kineja Dosen dalam Poses Pengajaan Menggunakan Metode Fuzzy Multi- Attibute Decision Making dan Simple Additive Weighting, SNTIKI Posiding Septembe 204. [4] Kusumadewi, Si., Hatati, Si., Hajoko, Agus., Wadoyo, Retantyo. (2006 Fuzzy Multi-Attibute Decision Making (Fuzzy MADM [] Kusumadewi, Si., Punomo Hai., (20, Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Edisi 2. [6] Katiko Dani, Sistem Pendukung Keputusan Pembeian Beasiswa di PT Indomaco Pismatama Cabang Bandung. [7] Wibowo, Heni S., Amalia, Riska., Fadlun, Andi M., Aivanty, Kunia. (2009, Sistem Pendukung Keputusan Untuk Menentukan Peneima Beasiswa BANK BRI Menggunakan FMADM. SNATI Junal Juni 2009.