proposal thesis bab iii

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



34

3. Jurusan Teknik Komputer dan Jaringan

Jumlah Nilai Akhir



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


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


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


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


- Baik

- Sedang

- Rendah

4. Nilai Ujian Akhir Produktif


- 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


TKJ


Gambar 3.6 Tampilan Hasil Nilai SAW Perjurusan

4. Hasil Nilai SAW Keseluruhan


Gambar 3.7 Tampilan Hasil Nilai SAW keseluruhan

proposal thesis bab iii

Data & Analytics