Upload
aq-inmessionate-cweetz
View
208
Download
4
Embed Size (px)
Citation preview
32
BAB III
METODE PENELITIAN
3.1 Pengumpulan Data
1. Jenis Data
Data sekunder yaitu data yang diperoleh secara tidak langsung yang dapat berupa
catatan-catatan, laporan-laporan tertulis, dokumen-dokumen dan makalah-
makalah. Jenis data yang digunakan dalam penelitian ini adalah data Sekunder
yang diperoleh penulis secara langsung dari bagian Bimbingan Konseling (BK)
SMK NU Ma’arif Kudus.
2. Sampel Data
Dalam pengambilan sampel, menggunakan teknik sampling Probability Sampling
Probability Sampling yaitu pengambilan sampel yang memberikan peluang yang
sama bagi setiap unsur ( anggota) populasi untuk dipilih menjadi anggota sampel.
Sampel dari penelitian ini adalah data siswa pendaftar penerimaan beasiswa
miskin yang diperoleh dari BK SMK NU Ma’arif Kudus yang diambil dengan
menggunakan metode Dispropottionate stratified random sampling, Dan
menggunakan Dispropottionate stratified random sampling karena teknik ini
digunakan apabila populasi ada yang mempunyai anggota/unsur yang berstrata
tetapi kurang proporsional[11].
Data populasi yang ada adalah 240 siswa dan berdasarkan table penentuan
populasi yang dikembangkan oleh solvin dengan tingkat kesalahan 10%, maka
sampel yang diperlukan dalam penelitian adalah 126 siswa.
Dengan menggunakan rumus sebagai berikut :
𝑛 = 𝑁
1+𝑁(𝑒)2 (3.1)
Keterangan :
n = Ukuran Sampel
N = Ukuran Populasi
33
e = Persen kelonggaran ketidak telitian karena kesalahan pengambilan sampel
yang masih dapat ditelorir atau diinginkan.
Contoh Perhitungan sampel untuk beasiswa
Tabel 3.1. Sampel Data
No Beasiswa Populasi Sampel
1 Beasiswa Miskin 140 78
2 Teknik Kendaraan Ringan 120 54
3 Teknik Komputer dan Jaringan 80 44
Jumlah 78
a. Data Nilai Rata – Rata Siswa Baru
Data nilai yang dimasukkan adalah data nilai Ujian Nasional SMP, Nilai
Wawancara dan Nilai Tes Tulis yang nantinya sebagai dasar diterima atau
tidak.
Sebelum data diolah peneliti menterjemahkan bobot nilai ujian nasional SMP,
nilai wawancara dan nilai tes tulis yang kemudian diolah kedalam metode
Simple Additive Weighting.
Berikut cara perhitungan nilai Siswa Baru berdasarkan siswa yang diterima di
setiap jurusan yang diambil dari panitia PPDB SMK NU Ma’arif Kudus.
1. Jurusan Teknik Sepeda Motor
Jumlah Nilai Akhir
( Nilai Bahasa Indonesia + Matematika + Bahasa Inggris + Nilai Tes Tulis
+ Nilai Wawancara ).
2. Jurusan Teknik Kendaraan Ringan
Jumlah Nilai Akhir
( Nilai Bahasa Indonesia + Matematika + Bahasa Inggris + Nilai Tes Tulis
+ Nilai Wawancara ).
34
3. Jurusan Teknik Komputer dan Jaringan
Jumlah Nilai Akhir
( Nilai Bahasa Indonesia + Matematika + Bahasa Inggris + Nilai Tes Tulis
+ Nilai Wawancara ).
Dan berikut adalah jurusan yang dipilih oleh siswa baru yang masuk di
SMK NU Ma’arif Kudus
1. Teknik Sepeda Motor
2. Teknik Kendaraan Ringan
3. Teknik Komputer dan Jaringan
b. Data rata – rata nilai ujian akhir produktif
Nilai ujian produktif adalah nilai yang diperoleh siswa pada saat ujian akhir
semester yang dilakukan oleh guru produktif, pengujian ini wajib dilalui oleh
siswa karena nilai ini sebagai dasar siswa dalam menempuh pembelajaran
selama satu semester, ada beberapa kompetensi yang diujikan tapi penulis
mengambil nilai rata-rata dari nilai yang ditempuh siswa dalam ujian akhir
produtif yang dilakukan oleh guru produktif.
3.2. Pembobotan Fuzzy
3.2.1 Penentuan Fungsi Keanggotaan
Dalam penelitian ini, setiap variable fuzzy menggunakan fungsi keanggotaan
kurva linier naik, kurva linier turun dan kurva segitiga sebagai pendekatan
untuk memperoleh derajat keanggotaan suatu nilai dalam suatu himpunan
fuzzy.
Bentuk kurva berikut ini adalah kurva default dari beberapa faktor yang
mempengaruhi penentuan pemilihan jurusan.
a. Variabel Nilai bobot per topik
Variabel terdiri dari 6 himpunan fuzzy yaitu : Rendah, Sedang, Tinggi
35
Rendah = domain [ 2 – 6 ]
Sedang = domain [ 4 – 8 ]
Tinggi = domain [ 6 – 10 ]
Gambar 3.1 Fungsi Keanggotaan Pada Variabel Rekapitulasi Nilai Per Bobot
Dan untuk mencari batas bobot setiap domain sebagai berikut :
µ𝑟𝑒𝑛𝑑𝑎ℎ [𝑥] =
{
0, 𝑥 ≤ 2𝑥 − 2
4− 2 , 2 ≤ 𝑥 ≤ 6
6 − 𝑥
4 − 2, 4 < 𝑥 < 6
µ𝑆𝑒𝑑𝑎𝑛𝑔 [𝑥] =
{
0, 𝑥 ≤ 4𝑥 − 4
6− 4 , 4 ≤ 𝑥 ≤ 6
8 − 𝑥
8 − 6, 6 < 𝑥 < 8
Nilai PPDB
2 4 6 8 10
µ [x]
0
1 Rendah Sedang Tinggi
36
µ𝑇𝑖𝑛𝑔𝑔𝑖 [𝑥] =
{
0, 𝑥 ≤ 6𝑥 − 6
8 − 6 , 6 ≤ 𝑥 ≤ 8
10 − 𝑥
10 − 8, 8 < 𝑥 ≤ 10
Dari perhitungan diatas diperoleh angka bobot dalam menentukan nilai
untuk ujian perhitungan ujian nasional dan nilai tes tulis dan wawancara
Berikut tabel bobot nilai
Table 3.2 Bobot Nilai
No Nilai PPDB Bobot Keanggotaan
Rendah Sedang Tinggi
1 4 1.0 1.0
2 4.1 1.1 1.0
3 4.2 1.1 0.9
4 4.3 1.2 0.9
5 4.4 1.2 0.8
6 4.5 1.3 0.8
7 4.6 1.3 0.7
8 4.7 1.4 0.7
9 4.8 1.4 0.6
10 4.9 1.5 0.6
11 5 1.5 0.5
12 5.1 1.6 0.5
13 5.2 1.6 0.4
14 5.3 1.7 0.4
15 5.4 1.7 0.3
16 5.5 1.8 0.3
17 5.6 1.8 0.2
18 5.7 1.9 0.2
19 5.8 1.9 0.1
20 5.9 2.0 0.0
37
b. Rekomendasi Penentuan Pemilihan Jurusan.
Rekomendasi penentuan penjurusan bernilai 2.7 (tidak direkomendasikan)
dan 3.5 ( Rekomendasi penuh ). Variabel output terdiri dari dua himpunan
yaitu Himpunan Tinggi dan Rendah, masing-masing memiliki domain [
2.7 – 3.5 ]
Gambar 3.2. Fungsi Keanggotaan Rekomendasi Penentuan Jurusan
µ𝑟𝑒𝑛𝑑𝑎ℎ [𝑥] = {
1, 𝑥 ≤ 2.63.5 − 𝑥
3.5 − 2.7 , 2.7 ≤ 𝑥 ≤ 3,5
0, 𝑥 ≥ 3,4
µ𝑡𝑖𝑛𝑔𝑔𝑖 [𝑥] = {
0, 𝑥 ≤ 2.7𝑥 – 2.6
3.5 − 2.7 , 2.7 ≤ 𝑥 ≤ 3,5
1, 𝑥 ≥ 3,5
Jika µ𝑟𝑒𝑛𝑑𝑎ℎ [𝑥] = 2.7 sampai < 3.1
µ𝑇𝑖𝑛𝑔𝑔𝑖 [𝑥] = 3.1 sampai 3,5
Rekomendasi Penjurusan
2.7 3.1 3.5
µ [x]
0
1 Rendah Tinggi
38
3.3. Perhitungan Nilai SAW untuk Pemilihan Jurusan
Sebelum siswa mendapat pengumuman terlebih dahulu dilakukan perhitungan
nilai menggunakan metode Simple Additive Weighting. Nilai Ujian Nasional,
nilai tes tertulis, nilai wawancara yang ada kemudian diberikan bobot nilai,
untuk bobot nilai diambilkan dari logika fuzzy dari hasil bobot tersebut
kemudian di jadikan sebuah matrik kemudian dimasukkan rumus SAW, karena
nilai yang diperoleh adalah nilai benefit maka di buat rumus SAW
menggunakan rumus yang max dari hasil itu dijadikan normalisasi matrik
keputusan ke suatu skala yang dapat dibandingkan dengan semua rating
alternative yang ada sehingga dihasilkan nilai terbesar sebagai alternative
terpilih.
3.4. Pengujian
3.4.1 Pengujian Menggunakan Metode SAW
Dengan menggunakan metode Simple Additive Wighting dalam penentuan
jurusan dengan variable nilai Ujian Nasional yaitu Matematika, Bahasa
Indonesia, Bahasa Inggris, IPA dan Nilai Tes Tertulis, Nilai Wawancara
dengan menggunakan data sampel berjumlah 126 siswa di tiga jurusan yaitu
Jurusan Teknik sepeda motor, Teknik kendaraan ringan dan Teknik computer
jaringan di hasilkan akurasi sebesar 85%, adapun Definisi akurat dan tidak
akurat adalah sebagai berikut.
a. Akurat
1. Hasil pemilihan jurusan yang dipilih oleh siswa adalah Teknik Sepeda
Motor sedangkan hasil SAW rekomendasi TINGGI sesuai dengan nilai
yang diperoleh oleh siswa dan Nilai ujian Akhir produktif yang didapat
juga TINGGI maka dikatakan AKURAT
2. Hasil pemilihan jurusan yang dipilih oleh siswa adalah Teknik
Kendaraan Ringan sedangkan hasil SAW rekomendasi RENDAH
sesuai dengan nilai yang diperoleh oleh siswa dan Nilai ujian Akhir
produktif yang didapat juga RENDAH maka dikatakan AKURAT
39
3. Hasil pemilihan jurusan yang dipilih oleh siswa adalah Teknik
Komputer dan Jaringan sedangkan hasil SAW rekomendasi TINGGI
sesuai dengan nilai yang diperoleh oleh siswa dan Nilai ujian Akhir
produktif yang didapat juga TINGGI maka dikatakan AKURAT
b. Tidak Akurat
1. Hasil pemilihan jurusan yang dipilih oleh siswa adalah Teknik Sepeda
Motor sedangkan hasil SAW rekomendasi RENDAH dan Nilai ujian
Akhir produktif yang didapat tinggi maka dikatakan TIDAK
AKURAT
2. Hasil pemilihan jurusan yang dipilih oleh siswa adalah Teknik
Kendaraan Ringan sedangkan hasil SAW rekomendasi TINGGI sesuai
dengan nilai yang diperoleh oleh siswa dan Nilai ujian Akhir produktif
yang didapat RENDAH maka dikatakan TIDAK AKURAT
3. Hasil pemilihan jurusan yang dipilih oleh siswa adalah Teknik
Komputer dan Jaringan sedangkan hasil SAW rekomendasi RENDAH
dan Nilai ujian Akhir produktif yang didapat juga RENDAH maka
dikatakan TIDAK AKURAT.
3.4.2. Pengujian Menggunakan AHP
Sebagai perbandingan dari metode SAW adalah Fuzzy AHP yang di buat oleh
peneliti Fredy Purnomo dalam Analisis dan Perancangan Decision Support
System untuk Rekomendasi Peminatan Berdasarkan 9 Kecerdasan Manusia
dengan Metode Contrained Fuzzy AHP. Adapun nilai akurasi yang dihasilkan
adalah 48,71%.
Adapun untuk bahan pembanding dengan metode SAW peneliti melakukan
experiment data Nilai Ujian Nasional, Nilai Ujian Tulis, Nilai Tes Wawancara
dan Nilai Ujian Akhir Produktif.
Misalkan akan dilakukan Pemilihan Jurusan Teknik Sepeda Motor, Teknik
Kendaraan Ringan, Teknik Komputer dan jaringan kemudian disusun hirarki
dari permasalahan yang dihadapi, sistem pemilihan jurusan digunakan 4 faktor
kriteria yaitu
40
1. Kriteria Nilai Ujian Nasional
Subkriteria : - Bahasa Indonesia
- Bahasa Inggris
- Matematika
- IPA
2. Nilai Tes Wawancara
Subkriteria : - Sangat Baik
- Baik
- Sedang
- Rendah
3. Nilai Tes Tulis
Subkriteria : - Sangat Baik
- Baik
- Sedang
- Rendah
4. Nilai Ujian Akhir Produktif
Subkriteria : - Sangat Baik
- Baik
- Sedang
- Rendah
Tabel Matrik perbandingan berpasangan ( Pairwise Comparison) ditentukan
sebagai berikut :
a. Tabel Kriteria
Tabel. 3.3 Matrik Perbandingan Berpasangan
Nilai Ujian
Nasional
Nilai Tes
Tulis
Nilai
Wawancara
Nilai
Produktif
Nilai Ujian
Nasional 1 8 4 4
Nilai Tes Tulis 0.125 1 0.125 6
Nilai Wawancara 0.25 0.25 1 0.25
Nilai Produktif 0.25 0.25 0.25 1
41
Pada table diatas kemudian dilakukan Matriks Perbandingan Berpasangan
setelah dilakukan Normalisasi sebagai berikut :
Tabel 3.4. Tabel Matrik Normalisasi
Nilai Ujian
Nasional
Nilai Tes Tulis
Nilai Wawancara
Nilai Produktif
Nilai Ujian
Nasional 1.000 8.000 4.000 4.000
Nilai Tes Tulis 0.125 1.000 0.125 6.000
Nilai Wawancara 0.250 0.250 1.000 0.250
Nilai Produktif 0.250 0.250 0.250 1.000
Jumlah 1.625 9.500 5.375 11.250
Tabel 3.5. Tabel Rata – rata Matrik Normalisasi
Nilai Ujian
Nasional
Nilai Tes Tulis
Nilai Wawancara
Nilai Produktif
Nilai Ujian Nasional
0.615 0.842 0.744 0.356
Nilai Tes Tulis 0.077 0.105 0.023 0.533
Nilai Wawancara 0.154 0.026 0.186 0.022
Nilai Produktif 0.154 0.026 0.047 0.089
Tabel 3.6. Tabel Eigen Vektor Normalisasi
Nilai
Ujian Nasional
Nilai Tes Tulis
Nilai Wawancara
Nilai Produktif
Jumlah Baris
Eigen
Vektor Normaliasi
Nilai Ujian Nasional
0.615 0.842 0.744 0.356 2.557 0.639
Nilai Tes Tulis
0.077 0.105 0.023 0.533 0.739 0.185
Nilai Wawancara
0.154 0.026 0.186 0.022 0.388 0.097
Nilai Produktif
0.154 0.026 0.047 0.089 0.316 0.079
42
Menentukan nilai Maksimum adalah sebagai berikut :
= ( 1.625 x 0.639 ) + ( 9.500 x 0.185 ) + ( 5.375 x 0.097 ) + ( 11.250 x 0.079 )
= 4.2029
Menentukan indeks konsitensi
C1 = 4.2029 − 4
4 − 1= 0.068
Jika CI = 0, Maka Konsisten
Jika CI ≤ 0,1 Maka Cukup Konsisten
Jika CI ≥ 0,1 Maka Sangat tidak Konsisten,
Apabila yang kita hitung adalah CI ≤ 0.068, Maka Cukup Konsisten
Untuk Matrik Pairwise Comparison sub kriteria, Peneliti asumsikan memiliki nilai
yang sama dengan matrik pairwise comparison kriteria
b. Tabel Sub ktiteria Ujian Nasional
Tabel 3.7. Sub kriteria Nilai Ujian Nasional
Sangat Baik Baik Sedang rendah Jumlah Baris
Eigen Vektor
Normaliasi
Sangat Baik
0.615 0.842 0.744 0.356 2.557 0.639
Baik 0.077 0.105 0.023 0.533 0.739 0.185
Sedang 0.154 0.026 0.186 0.022 0.388 0.097
rendah 0.154 0.026 0.047 0.089 0.316 0.079
c. Tabel Sub ktiteria Nilai Ujian Tulis
Tabel 3.8. Sub kriteria Nilai Ujian Tulis
Sangat Baik Baik Sedang rendah Jumlah
Baris
Eigen Vektor
Normaliasi
Sangat
Baik 0.615 0.842 0.744 0.356
2.557 0.639
Baik 0.077 0.105 0.023 0.533 0.739 0.185
Sedang 0.154 0.026 0.186 0.022 0.388 0.097
rendah 0.154 0.026 0.047 0.089 0.316 0.079
43
d. Tabel Sub ktiteria Nilai Wawancara
Tabel 3.9. Sub kriteria Nilai Wawancara
Sangat Baik
Baik Sedang rendah Jumlah Baris
Eigen Vektor
Normaliasi
Sangat Baik
0.615 0.842 0.744 0.356 2.557 0.639
Baik 0.077 0.105 0.023 0.533 0.739 0.185
Sedang 0.154 0.026 0.186 0.022 0.388 0.097
rendah 0.154 0.026 0.047 0.089 0.316 0.079
e. Tabel Hasil Nilai Akhir Penentuan Jurusan
Jika Nilai Siswa di jurusan Teknik Kendaraan Ringan adalah
Tabel 3.10 Nilai Siswa Baru Jurusan Teknik Kendaraan Ringan
Nama Siswa
Bahasa Indonesia
Bahasa Inggris
Mate matika
IPA Nilai Tes
tulis
Nilai Wawancara
Nilai Produktif
Kete rangan
HAFID 9.00 9.00 9.00 9.00 9.00 9.00 95 Akurat
Tabel 3.11. Sub kriteria Nilai Akhir Penentuan Jurusan
Nilai
Ujian Nasional
Nilai
Tes Tulis
Nilai Wawancara Nila Produktif
Hasil Nilai Akhir
Teknik
Sepeda Motor
4 4 4 4 0.734013
Teknik
Kendaraan Ringan
1 1 1 1 0.850708
Teknik Komputer
Jaringan
4 4 4 4 0.212368
Keterangan Nilai :
1 adalah Sangat Baik, 2 adalah Baik, 3 adalah Sedang, 4 adalah Rendah
44
Dari perhitungan nilai diatas nilai tertinggi adalah di jurusan Teknik Kendaraan
Ringan dan dari experiment yang dilakukan dengan data yang sama saat dilakukan
menggunakan SAW hasil akurasi menggunakan AHP adalah sebesar 64%,
sedangkan mengunakan metode SAW akurasi yang didapat adalah 85%
3.4.3. Pengujian Aplikasi
1. Pengujian Whitebox
Metode white box ini adalah suatu metode desain test case yang
menggunakan struktur kontrol desain prosedural untuk memperoleh test
case. Dengan menggunakan metode pengujian white box, perekayasaan
sistem dapat melakukan test case yang dapat :
a. Memberikan jaminan bahwa semua jalur independen pada suatu modul
telah digunakan paling tidak satu kali.
b. Menggunakan semua keputusan logis pada sisi true dan false.
c. Mengeksekusi semua loop (perulangan) pada batasan mereka dan pada
batas operasionalnya.
Dalam hal ini, pengujian tidak dilakukan terhadap keseluruhan program
secara utuh, namun dilakukan sampel pengujian terhadap level tertentu yang
dijalankan. Sebagai contoh, akan dibahas pengujian form input nilai siswa
dimana semua field harus terisi.
Secara garis besar, algoritma dari form input nilai sebagai berikut.
1. User menginput semua nilai yang ditampilkan.
2. Jika user menginput semua nilai maka proses input nilai dapat
melanjutkan kemenu selanjutnya, namun jika user tidak menginput
semua nilai maka akan ada perintah untuk melengkapi semua nilai.
3. Setelah semua nilai di input maka user akan memilih masukan
45
Bagan alir pada algoritma diatas sebagai berikut:
Start
Input Nilai
Kelengkapan
Input NIlai
Menu
selanjutnya
Maaf Data
Belum
Lengkap
T
Y
selesai
Gambar 3.3 Bagan Alir Form Input Data Nilai Siswa
2. Pengujian Blackbox
Pengujian selanjutnya dilakukan untuk memastikan bahwa suatu event atau
masukan akan menjalankan proses yang tepat dan menghasilkan output
sesuai dengan rancangan. Untuk contoh pengujian terhadap beberapa
perintah sebagai berikut :
46
Tabel 3.12 Pengujian Blacbox
Input Fungsi Output Hasil Pengujian
Klik tombol
data
Menampilkan menu Tampil menu Sesuai
Klik tombol Input data
inputan data diri dan data nilai siswa
Tampil data diri dan nilai siswa
Sesuai
Klik tombol
Masukkan
Menghitung nilai nilai
PPDB
Tampil nilai rata-rata
PPDB
sesuai
Klik Tombol SAW
Menampilkan menu hasil
Tampilkan menu Sesuai
Klik tombol
hasil SAW siswa
Menampilkan hasil
persiswa
Hasil perhitungan nilai
SAW
Sesuai
Klik Tombol hasil perjurusan
Menampilkan hasil nilai SAW perjurusan
Hasil Nilai SAW per jurusan
Sesuai
Klik Tombol hasil Keseluruhan
Menampilkan hasil Nilai SAW perjurusan
Hasil Nilai SAW keseluruhan
Sesuai
Klik Tombol
Lihat Grafik
Menampilkan grafik
nilai SAW
Hasil nilai akurasi
SAW
sesuai
Dari tabel pengujian blackbox diatas yang meliputi pengujian input, proses, dan
output dengan acuan rancangan perangkat lunak telah terpenuhi dengan hasil
sesuai dengan rancangan.
3.5. Analisis Sistem
Sistem ini merupakan system yang dikembangkan untuk pendukung keputusan
tentang penentuan jurusan, Variabel yang digunakan dalam penentuan jurusan
adalah Nilai Ujian Nasional, Nilai tes tulis, Nilai Wawancara dan nilai Ujian
Akhir Produktif, dari nilai yang sudah di bobot ini dihitung menggunakan
metode Simple Additive Weighting dihasilkan jurusan yang cocok untuk siswa,
selain itu dari aturan yang dihasilkan dapat membantu memberikan informasi
kepada Panitia Penerimaan Siswa Baru untuk memberikan arahan tentang
penentuan jurusan.
Berdasarkan penelitian penulis, mengenai analisis system yang berjalan di
SMK NU Ma’arif Kudus adalah sudah adanya sebuah model yang digunakan
untuk penentuan jurusan namun system tersebut masih kurang sempurna dan
kurang akurat dalam menentukan sebuah jurusan, maka penulis memcoba
47
membuat sebuah system pendukung keputusan menggunakan Simple Additive
Weighting.
Tahapan analisis terhadap suatu system dilakukan sebelum tahapan
perancangan, hal ini agar perangkat lunak yang dirancang sesuai dengan
masalah yang akan diselesaikan. Untuk menghasilkan logika fuzzy yang baik
diperlukan pembuatan basis pengetahuan dan basis aturan yang lengkap dan
baik serta pembuatan mekanisme inferensi yang baik juga, mekanisme
inferensi adalah bagian dari system pakar yang melakukan penalaran dengan
menggunakan isi daftar aturan berdasarkan urutan.
Kemampuan logika fuzzy untuk memecahkan masalah tergantung pada
seberapa luas basis pengetahuannya. Basis pengetahuan ini terutama berasal
dari pengalaman para pakar, yang mana keluarannya berupa kesimpulan dari
kepribadian seseorang.
3.6. Desain Tampilan Program
Dalam pembuatan sistem pendukung keputusan penentuan Jurusan dengan
menggunakan Simple Additive Weighting diperlukan perancangan Desain.
Untuk lebih memudahkan pembuatan suatu sistem, perlu dilakukan terlebih
dahulu perancangan struktur menu program dari sistem yang akan dibangun,
hal ini akan membantu kita dalam merancang bagian-bagian dari sistem yang
sebenarnya dan untuk mengetahui bagian mana yang terlebih dahulu nantinya
yang akan diakses setelah program tersebut selesai.
48
1. Desain Background Input Data Siswa dan Nilai
Gambar 3.4. Form data Siswa dan Nilai
FORM INPUT DATA SISWA DAN NILAI
No. Daftar :
Nama :
Jurusan :
Matematika :
Bahasa Indonesia :
Bahasa Inggris :
IPA :
Tes Tulis :
Wawancara :
Nilai Ujian Akhir :
Masukkan Batal
49
2. Desain Tampilan Hasil SAW
Gambar. 3.4 Tampilan Hasil Nilai SAW
Gambar 3.5. Tampilan hasil penilaian SAW Persiswa
TAMPILAN HASIL SAW
Nis Nama Mtk B. Ind B. Ing IPA Tulis Wawancara
TAMPILAN PEMBOBOTAN
Jurusan Mtk B. Ind B. Ing IPA Tulis Wawancara
TAMPILAN MATRIX
Jurusan Mtk B. Ind B. Ing IPA Tulis Wawancara
HASIL SAW
Jurusan Nilai SAW
50
3. Hasil Nilai SAW Perjurusan
TSM
No.Daft Nama Jurusan Hasil SAW Hasil Ujian Akurat/tdk Akurat
TKR
No.Daft Nama Jurusan Hasil SAW Hasil Ujian Akurat/tdk Akurat
TKJ
No.Daft Nama Jurusan Hasil SAW Hasil Ujian Akurat/tdk Akurat
Gambar 3.6 Tampilan Hasil Nilai SAW Perjurusan
4. Hasil Nilai SAW Keseluruhan
No.Daft Nama Jurusan Hasil SAW Hasil Ujian Akurat/tdk Akurat
Gambar 3.7 Tampilan Hasil Nilai SAW keseluruhan