Lentera: Studi Multidisiplin
Volume 2 Nomor 1, November , 2023
p- ISSN: 2987-2472 | e-ISSN: 2897-7031
https://lentera.publikasiku.id/index.php
32
RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN
BANTUAN LANGSUNG TUNAI MENGGUNAKAN METODE SIMPLE
ADDITIVE WEIGHTING
Ernest Patrolan
1*
, Geri Kusnanto
2
Fakutas Teknik Universitas 17 Agustus 1945 Surabaya, Indonesia
1,2
Email:
ernestpatrolan@gmail.com
1
, gerikusnanto@untag-sby.ac.id
2
ABSTRAK
Salah satu program bantuan sosial pemerintah untuk warga kurang mampu adalah Bantuan Langsung
Tunai (BLT). Dalam melakukan seleksi warga tentunya harus didukung oleh data yang akurat agar
bantuan dapat tersalurkan dengan baik dan tepat sasaran. Desa XYZ menggunakan aplikasi microsoft
word dan microsoft excel sebagai pengelolah data, dikarena belum adanya database, sehingga keakuratan
hasil ataupun informasi tidak dapat dijamin. Oleh karena itu, dibuat jaringan pilihan yang mendukung
secara emosional bagi penerima BLT dengan menggunakan teknik metode SAW. Tujuan dari metode
SAW adalah untuk menentukan jumlah terbobot dari semua peringkat kinerja atribut (cost atau benefit)
untuk setiap alternatif (warga). Maka oleh karena itu, dalam penelitian ini diperlukan data kriteria
berdasarkan ketentuan dari pemerintah dan data warga setempat untuk menentukan warga yang berhak
mendapatkan BLT. Penerapan kriteria warga kurang mampu di Desa XYZ meliputi Penghasilan,
Pekerjaan, Jenis Rumah, Luas Rumah, dan Jumlah Tanggungan KK. Hasil perhitungan SAW, akan
dilakukan perbandingan data yang diolah tanpa menggunakan metode SAW oleh aparat desa untuk
mengukur keakuratan hasil. Berdasarkan hasil pengujian algoritma SAW dapat disimpulkan bahwa
Dambur memiliki peluang tertinggi mendapatkan BLT dengan nilai 14.67, kemudian diikuti oleh Mikael
dengan nilai 13.67 dan seterusnya berdasarkan perangkingan.
Kata K unci : Desa XYZ, Bantuan Langsung Tunai (BLT), Sistem Pendukung Keputusan (SPK), Simple
Additive Weighting (SAW)
ABSTRACT
One of the government's social assistance programs for the underprivileged is Direct Cash Assistance
(BLT). In selecting residents, of course, it must be supported by accurate data so that assistance can be
distributed properly and on target. XYZ Village uses Microsoft Word and Microsoft Excel applications
as data managers, because there is no database yet, so the accuracy of the results or information cannot
be guaranteed. Therefore, an emotionally supportive choice network was created for BLT recipients
using the SAW method technique. The purpose of the SAW method is to determine the weighted sum of
all attribute performance ratings (cost or benefit) for each alternative (citizen). Therefore, in this study,
criteria data based on provisions from the government and local residents' data are needed to determine
residents who are entitled to receive BLT. The application of the criteria for underprivileged residents in
XYZ Village includes Income, Occupation, Type of House, Size of the House, and Number of Dependents
of the Family Head. The results of SAW calculations will be compared to data processed without using
the SAW method by village officials to measure the accuracy of the results. Based on the results of the
SAW algorithm test, it can be concluded that Dambur has the highest chance of getting BLT with a value
of 14.67, followed by Mikael with a value of 13.67 and so on based on ranking.
Keywords : XYZ Village, Direct Cash Assistance (DCA), Decision Support System (DSS), Simple Addtive
Weighting (SAW)
Karya ini dilisensikan di bawah Creative Commons Attribution-
ShareAlike 4.0 International
Vol. 2, No. 1, 2023
https://lentera.publikasiku.id/index.php
33
PENDAHULUAN
Bantuan Langsung Tunai (BLT) merupakan mekanisme atau program pemerintah untuk
memberikan bantuan dalam bentuk uang tunai kepada masyarakat yang membutuhkan, terutama
yang berada dalam kondisi ekonomi yang rentan atau miskin (Silitonga, Simangunsong, dan
Nusantara, 2020) . Tujuan dari BLT untuk membiayai kehidupan dasar contohnya, pendidikan,
makanan, perawatan kesehatan, dan kebutuhan lainnya yang mendesak. BLT sering kali
digunakan sebagai bagian dari kebijakan pemerintah dalam upaya mengurangi kemiskinan dan
memberikan jaring pengaman sosial bagi masyarakat yang kurang mampu (Prahartiwi dan Rosita,
2021). Program BLT melibatkan proses identifikasi calon penerima bantuan berdasarkan kriteria
tertentu, seperti tingkat pendapatan, tingkat kemiskinan, atau kondisi sosial ekonomi yang lain
(Firmanto, 2017).
Permasalahan yang tengah dihadapi di Desa XYZ terkait proses seleksi calon penerima
Bantuan Langsung Tunai (BLT) adalah kurangnya keakuratan informasi yang diperoleh. Hal ini
mengakibatkan adanya ketidaktepatan dalam pengambilan keputusan serta pengalokasian
bantuan yang tidak tepat sasaran. Selain itu, dalam proses pencatatan data, keputusan yang
diambil didasarkan pada musyawarah antara ketua RT yang bertugas mencatat data warga di
wilayah mereka masing-masing. Lengkong (2021) menyatakan tentang masalah pendataan
masyarakat calon penerima BLT yang terjadi di Desa Sea Kabupaten yang seharusnya mengikuti
aturan yang sudah ditetapkan, tetapi selalu menjadi “Mainan” beberapa individu yang terlibat
dalam situasi ini terlibat dalam evaluasi pendataan, yang merupakan aspek yang paling penting.
Ada beberapa masalah dalam pelaksanaannya, di mana transparansi pendataan menjadi perhatian
utama. Ada banyak keluhan dari masyarakat bahwa mereka yang seharusnya berhak menerima
bantuan tidak terdaftar dalam data yang ada. Sedangkan penelitian lain yang dilakukan oleh
Priatama (2022) menyatakan bahwa di Desa Cintajaya, saat ini sedang dilakukan proses
pemberian bantuan tunai langsung. Namun demikian, pemeliharaan statistik demografi tetap
dilakukan dengan menggunakan prosedur otomatisasi konvensional dengan memanfaatkan
aplikasi Microsoft Excel serta musyawarah berdasarkan pendataan dari masing-masing ketua RW
digunakan untuk memutuskan siapa yang akan menerima bantuan. Hasil dari pengelolaan data
tersebut tentu masih banyak kekurangan. Oleh karena itu, diperlukan suatu sistem yang dapat
memutuskan secara otomatis dan menjamin bahwa bantuan tepat sasaran.
Mengatasi permasalahan tersebut, penulis merancang dan membuat sebuah Sistem
Pendukung Keputusan (SPK) untuk Bantuan Langsung Tunai (BLT) dilakuakan dengan Metode
Simple Additive Weighting (SAW) berdasarkan kriteria warga. Dalam rancangan sistem ini,
metode SAW digunakan sebagai kerangka kerja untuk menghitung bobot dan melakukan
perankingan calon penerima BLT. Metode ini memungkinkan penentuan keputusan yang lebih
objektif dan sistematis dengan mempertimbangkan berbagai kriteria yang relevan. Kriteria-
kriteria tersebut meliputi faktor penghasilan, pekerjaan, jenis rumah, luas rumah dan jumlah
tanggunggan KK (tanggunggan dalam kartu keluarga) yang diterapkan oleh Desa XYZ. Proses
ini dibuat agar seleksi calon penerima BLT dapat dilakukan lebih efisien dan akurat. Selain itu
bisa memudahkan perangkat desa dalam memilih calon penerima bantuan dengan lebih efektif.
Penentuan keputusan akan didasarkan pada perhitungan matematis yang mempertimbangkan
bobot relatif dari setiap kriteria yang ditetapkan. Sehingga, sistem ini akan membantu memastikan
bahwa bantuan BLT dialokasikan kepada warga yang sudah memenuhi persyaratan telah
ditetapkan dengan tepat dan adil.
Penulis memilih metode Simple Additive Weighting (SAW) dikarenakan metode ini dapat
memberikan dukungan dalam pengambilan keputusan yang akurat dengan memberikan bobot
cost dan benefit untuk mencari nilai tertinggi. Dasar konsem metode SAW ialah menentukan
jumlah terbobot dari peringkat kinerja setiap alternatif berdasarkan semua atribut yang relevan.
Teknik SAW termasuk metode yang terlibat dengan normalisasi matriks keputusan kedalam skala
yang memungkinkan pemeriksaan antara evaluasi elektif yang ada. Hal ini dilakukan untuk
memastikan bahwa semua atribut memiliki bobot yang sebanding dalam proses penentuan nilai
Vol. 2, No 1, 2023
[Rancang Bangun Sistem Pendukung Keputusan Penerimaan Bantuan
Langsung Tunai Menggunakan Metode Simple Additive Weighting]
34
Ernest Patrola, Geri Kusnanto
akhir. Dengan melakukan normalisasi, setiap rating pada matriks keputusan diperbandingkan
dengan rating alternatif lainnya secara obyektif. Dengan menggunakan metode SAW, penulis
dapat melakukan analisis komprehensif terhadap semua alternatif yang ada dan menghasilkan
nilai tertinggi berdasarkan penjumlahan bobot yang telah ditentukan. Hal ini memungkinkan
penentuan keputusan yang lebih obyektif dan terukur, serta memperhatikan semua atribut yang
relevan dalam proses pengambilan keputusan.
Tinjauan Pustaka
Sistem Pendukung Keputrusan (SPK)
Sistem Pendukung Keputusan merujuk pada teknologi yang mensimulasikan kemampuan
pengambilan keputusan manusia secara kognitif (Apriliyani, 2019). Teknologi ini menggunakan
metodologi kecerdasan buatan, seperti sistem pakar, penambangan data, pembelajaran mesin,
koneksionisme, dan penalaran logika, untuk memberikan dukungan dalam proses pengambilan
keputusan. (Riyansuni dan Devitra, 2020). Sistem Pendukung keputusan dibuat untuk membantu
pengambil keputusan dalam mengatasi ketidakpastian, kompleksitas, dan keterbatasan sumber
daya yang terkait dengan masalah yang dihadapi. SPK dapat memfasilitasi identifikasi masalah,
pengumpulan dan analisis data, formulasi alternatif, evaluasi konsekuensi keputusan, dan
pemilihan solusi terbaik berdasarkan kriteria yang telah ditetapkan (Putra, Ferdinandus, Bayu,
2019)
Sistem pendukung keputusan atau Decission Support System (DSS) merupakan sistem yang
memproses data menjadi informasi yang kemudian digunakan untuk membantu pengguna dalam
mengambil keputusan dalam masalah tidak terstruktur (Salim, 2018). Tujuan dari sistem
pendukung keputusan adalah memberikan dukungan dalam proses pengambilan keputusan,
membantu pengambilan keputusan untuk masalah yang memiliki struktur, semi-struktur, dan sifat
interaktif, mengintegrasikan subsistem yang beragam agar dapat berfungsi secara terpadu supaya
beroperasi sebagai sistem yang utuh, terdiri dari dua elemen yaitu informasi dan model (Wolo et
al., 2019). Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS)
Pada awal tahun 1970-an, Michael S. Scott Morton memperkenalkan konsep sistem pengambilan
keputusan yang dikenal sebagai Management Decision System. Sistem ini menggunakan
komputer sebagai platformnya dan bertujuan untuk membantu dalam pengambilan keputusan
dengan memanfaatkan data dan model-model khusus guna menyelesaikan berbagai permasalahan
yang dihadapi. (Faisal et al., 2022)
Simple Additive Weighting (SAW)
Riyansuni dan Devitra (2020) menyatakan bahwa metode SAW sering disebut dengan
metode penjumlahan terbobot. Teori dari metode SAW adalah untuk menentukan jumlah terbobot
dari peringkat kinerja setiap alternatif di semua atribut. Normalisasi matriks keputusan (X) ke
skala yang dapat dibandingkan dengan semua peringkat alternatif yang ada diperlukan untuk
metode SAW (Firmanto, 2014). Dalam proses SAW, setiap kriteria pada setiap alternatif dinilai
dan dinormalisasi terlebih dahulu, kemudian bobot yang telah ditetapkan akan digunakan untuk
mengalikan nilai setiap kriteria yang dinormalisasi (Daicy, 2021). Selanjutnya, nilai-nilai yang
telah dihasilkan akan dijumlahkan untuk setiap alternatif, dan alternatif dengan nilai tertinggi akan
dipilih sebagai solusi terbaik. Prinsip dasar dari metode Simple Additive Weighting (SAW)
adalah mencari jumlah terbobot dari nilai kinerja untuk setiap alternatif pada semua atribut.
Metode SAW melibatkan proses normalisasi matriks keputusan (X) ke dalam skala yang dapat
dibandingkan dengan semua rating alternatif yang ada. ( Pratiwi et al.,2019)
Rumus Normalisasi:
xij
Vol. 2, No. 1, 2023
https://lentera.publikasiku.id/index.php
35
rij = Apabila j merupakan atribut keutungan (benefit)…1
Maxixij
Minxij
rij = Apabila j merupakan atribut biaya (cost)…2
xij
Keterangan:
Rij = nilai rating kinerja normalisasi
Xij = nilai atribut yang dimiliki dari setiap kriteria
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
Nilai preferensi untuk setiap alternatif (Vi) :
n
𝑉𝑖 = ∑𝑤𝑗𝑟𝑖𝑗
𝑗=1 n
Keterangan:
vi = rangkin untuk setiap alternatif
wj = nilai bobot dari setiap kriteria
rij = nilai rating kinerja ternormalisasi
Bantuan Langsung Tunai (BLT)
Bantuan Langsung Tunai (BLT) merupakan program bantuan dari pemerintah berupa
pemberian dana secara tunai kepada masyarakat yang memenuhi kriteria tertentu. Dana BLT yang
disalurkan sesuai dengan kebijakan pemerintah pusat (Prahartiwi dan Rosita, 2021). Tujuan dari
BLT adalah mengatasi kesulitan ekonomi sementara, mendorong pertumbuhan ekonomi, dan
meningkatkan kesejahteraan sosial secara keseluruhan. Implementasi BLT memerlukan
penentuan kriteria penerima berdasarkan data sosial ekonomi yang valid, sehingga bantuan dapat
dialokasikan secara efektif dan tepat sasaran. Kriteria yang digunakan pada penelitian ini sesuai
dengan aturan di desa XYZ yakni: Penghasilan, Pekerjaan, Jenis Rumah, Luas Rumah, dan
Jumlah tanggungan KK.
METODE PENELITIAN
Terdapat empat tahap yang dilakukan dalam penelitian, tahap-tahap tersebut adalah
observasi, analisis masalah, desain sistem, implementasi dan pengujian unit.
• Observas: Melakukan pengamatan atau observasi langsung di lokasi. di Desa XYZ dengan
mengumpulkan data, informasi, dan mempelajari catatan dokumen yang tersedia, dapat
diperoleh hasil dari observasi yang memberikan pemahaman tentang suatu hal, bagaimana
aparat desa menentukan calon penerima BLT.
• Analisis dan definisi kebutuhan: Setelah melakukan observasi selanjutnya melakukan analisa
permasalahan serta kebutuhan
• Desain sistem dan perangkat lunak: Melakukan perencanaan sistem yang akan dibuat dan
mengalokasikan persyaratan-persyaratan sis
• tem baik software maupun hardware. Implementasi dan pengujian unit: Melakukan
pengujian setiap unit untuk mengetahui apakah sudah memenuhi spesifikasi
Vol. 2, No 1, 2023
[Rancang Bangun Sistem Pendukung Keputusan Penerimaan Bantuan
Langsung Tunai Menggunakan Metode Simple Additive Weighting]
36
Ernest Patrola, Geri Kusnanto
Skenario Kasus Pengguna
Use Case memodelkan fungsionalitas subjek (seperti sistem) atau disebut sebagai aktor yang
berinteraksi dengan subjek dari perspektif tertentu. Use Case memodelkan fungsionalitas subjek
(seperti sistem) atau Terminologi yang digunakan adalah "aktor" yang berinteraksi dengan subjek
melalui sudut pandang khusus. (Anwar dan Rohpandi, 2018)
Gambar 1 Use Case Diagram
Pada gambar 1 penulis mengelompokkan peran dari aktor terhadap sistem yang saling
berkebutuhan, antara lain:
• Admin: Login, mengakses halaman utama, mengelola data warga, mengelola data kriteria,
mengelola data subkriteri, melakukan klasifikasi, dan melakukan analisis.
• Sistem: Melakukan perhitungan metode SAW dan perangkingan
Perancangan Sistem
Perancangan sistem merupakan proses merencanakan dan mengatur struktur, komponen, dan
fungsi suatu sistem yang akan dibangun yang melibatkan identifikasi kebutuhan, analisis masalah,
perumusan solusi, pemodelan desain, dan penentuan spesifikasi teknis yang dibutuhkan untuk
mengimplementasikan sistem (Teja, Putra, Wibowo, dan Pranoto, 2021). Dalam penelitian
dibutuhkan sebuah flowchart. Flochart adalah diagram yang memperlihatkan cara - cara dan
keputusan untuk melakukan sebuah proses dari suatu program Gambar 2 menggambarkan urutan
langkah-langkah yang terjadi dalam sistem. Awalnya, admin akan melakukan login dengan
memasukkan username dan password yang benar. Jika ada kesalahan dalam penginputan, sistem
akan menampilkan pesan kesalahan dan meminta admin untuk menginput username dan
password dengan benar kembali. Apabila berhasil, sistem akan menampilkan halaman dashboard,
ada beberapa data yang harus diinput oleh admin untuk melakukan perhitungan SAW antara lain:
• Memasukkan data warga: data warga terdiri dari NIK, nama dan alamat
• Memasukan kriteria: data kriteria terdiri dari kode kriteria, nama kriteria, bobot dan
atribut
• Memasukan data subkriteria: data subkriteria terdiri dari nama subkriteria dan nilai
• Input data pembobotan: Didalam data pembobotan admin melakukan input jenis kriteria
menggunakan dropdown
Vol. 2, No. 1, 2023
https://lentera.publikasiku.id/index.php
37
Gambar 2 Flochart
Perhitungan Manual
Perhitungan manual digunakan sebagai perbandingan hasil codingan metode SAW.
Berikut adalah tahap-tahapan perhitungan metode SAW :
Pertama menentukan kriteria yang digunakan
Tabel 1 Data Kriteria
Setelah menetapkan kriteria dan memberikan bobot, langkah selanjutnya adalah menentukan
subkriteria serta bobot setiap subkriteria. Tabel-tabel berikut merupakan penjelasan perincian dari
tabel 1 diatas
Tabel 2 Sukriteria Penghasilan Tabel 3 Subkriteria Pekerjaan
Tabel 4 Subkriteria Jenis Rumah
Kode Kriteria
Nama Kriteria
Atribut
Bobot (W)
C1
Penghasilan
Cost
5
C2
Pekerjaan
Cost
4
C3
Jenis Rumah
Cost
3
C4
Luas Rumah
Cost
1
C5
Jumlah Tanggungan KK
Benefit
2
Pekerjaan (C2)
Bobot
Pengangguran (Tidak Bekerja)
1
Petani/Pekebun
2
Nelayan
3
Wiraswasta
4
PNS
5
Penghasilan (C1)
Bobot
Rp. < 500.000
1
Rp. 500.000-800.000
2
Rp. 800.000-1.100.000
3
Rp. 1.300.000-1.600.000
4
Rp. >1.600.00
5
Jenis Rumah (C3)
Bobot
Belum Punya Rumah/Masih Tinggal Sama
Orang Tua
1
Rumah Panggung; Dinding Kayu; Atap Seng
2
Lantai Semen ; Dinding Kayu; Atap Seng
3
Lantai Semen/Keramik; Dinding Setengah
Tembok ; Atap Seng
4
Lantai Semen/Kramik ; Dinding Tembok ;
Atap Seng
5
Vol. 2, No 1, 2023
[Rancang Bangun Sistem Pendukung Keputusan Penerimaan Bantuan
Langsung Tunai Menggunakan Metode Simple Additive Weighting]
38
Ernest Patrola, Geri Kusnanto
Tabel 5 Luas Rumah Tabel 6
Jumlah Tanggunggan KK
Kedua, menginput data warga atau
alternatif yang telah ditentukan seperti
NIK, nama dan alamat. Sedangkan kode A1, A2, A3, A4, A5, A6, A7, A8, A9, A10, dan A11
yang dimaksud adalah alternatif tujuannya untuk mempermudah penulis saat melakukan
perbandingan metode SAW secara manual. Seperti yang ditunjukkan pada tabel 7
Tabel 7 Data Warga
Kode
Kriteria
NIK
Nama
Warga
Alamat
Penghasilan
Pekerjaan
Jenis
Rumah
Luas
Rumah
Jumlah
Tanggun
gan KK
A1
1234567890123456
Mikael
Kokor
Rp.800.000
Petani/Pekebun
Lantai
Semen;
Dinding
Kayu;
Atap Sen
L 6 x P 8
= 48 m
4 orang
A2
1234567891234567
Jemali
Kokor
Rp.700.000
Petani/Pekebun
Lantai
Semen;
Dinding
Kayu
Atap Sen
L 5 x P 7
= 35 m
2 orang
A3
1234567812345678
Harjo
Kokor
Rp.500.000
Petani/Pekebun
Lantai
Semen;
Dinding
Kayu ;
Atap
Seng
L 7 x P 9
= 62 m
Tidak
Ada
Tanggun
ggan (0)
A4
1234567123456789
Pinas
Kokor
Rp.600.000
Petani/Pekebun
Rumah
Panggun
g;
Dinding
Kayu
L 6 x P 9
= 54 m
Tidak
Ada
Tanggun
ggan (0)
A5
1234561234567890
Sardo
Kokor
Rp.700.000
Petani/Pekebun
Lantai
Semen;
Dinding
Setengah
Tembok;
Atap
Seng
L 7 x P 9
= 62 m
2 orang
A6
1234512345678901
Dortea
Kokor
Rp.800.000
Petani/Pekebun
Lantai
Semen;
Dinding
Tembok
L 7 x P 9
= 62 m
3 orang
Jumlah Tanggungan KK (C5)
Bobot
>9
10
8
9
7
8
6
7
5
6
4
5
3
4
2
3
1
2
Tidak Ada Tanggungan (0)
1
Luas Rumah (C4)
Bobot
<30 m2
1
30-40 m2
2
40-50 m2
3
50-60 m2
4
60-70 m2
5
70-80 m2
6
80-90 m2
7
90-100 m2
8
>100 m2
9
Vol. 2, No. 1, 2023
https://lentera.publikasiku.id/index.php
39
Bata;
Atap
Seng
A7
1234123456789012
Dambur
Kokor
Rp.700.000
Petani/Pekebun
Rumah
Panggun
g;
Dinding
Kayu
L 6 x P 7
= 42 m
4 orang
A8
1231234567890123
Pandu
Kokor
Rp.700.000
Petani/Pekebun
Lantai
Semen;
Dinding
Kayu;
Atap
Seng
L 6 x P 8
= 48 m
1 orang
A9
1212345678901234
Dani
Kokor
Rp.700.000
Petani/Pekebun
Lantai
Semen;
Dinding
Kayu;
Atap
Seng
L 5 x P 7
= 35 m
1 orang
A10
1123456789012345
Rofina
Kokor
Rp.700.000
Petani/Pekebun
Lantai
Semen;
Dinding
Kayu;
Atap
Seng
L 6 x P 8
= 48 m
1 orang
A11
0123456789012345
Daniel
Kokor
Rp.700.000
Petani/Pekebun
Lantai
Semen;
Dinding
Kayu;
Atap
Seng
L 7 x P 9
= 63 m
3 orang
Ketiga, melakukan pembobotan atau penilaian setiap kriteria, seperti yang ditunjukkan
pada tabel 8
Tabel 8 Matriks Keputusan X
Kode
NIK
Nama
Alamat
Penghasilan
Pekerjaan
Jenis Rumah
Luas
Rumah
Jumlah
Tanggungan Anak
A1
1234567890123456
Mikael
Kokor
2
2
3
3
5
A2
1234567891234567
Jemali
Kokor
2
2
3
2
3
A3
1234567812345678
Harjo
Kokor
2
2
3
5
1
A4
1234567123456789
Pinas
Kokor
2
2
2
4
1
A5
1234561234567890
Sardo
Kokor
2
2
4
5
3
A6
1234512345678901
Dortea
Kokor
2
2
5
5
4
A7
1234123456789012
Dambur
Kokor
2
2
2
3
5
A8
1231234567890123
Pandu
Kokor
2
2
3
3
2
A9
1212345678901234
Dani
Kokor
2
2
3
2
2
A10
1123456789012345
Rofina
Kokor
2
2
3
3
2
A11
0123456789012345
Daniel
Kokor
2
2
3
5
4
Setelah melakukan matriks keputusan X, kemudian menentukan cost dan benefit atau
nilai minimum dan maksimum dari setiap bobot kriteria yang ada.
• Penghasilan = cost, min = 2
• Pekerjaan = cost, min = 2
• Jenis Rumah = cost, min = 2
• Luas Rumah = cost, min = 2
• Jumlah Tanggungan = benefit, maks = 5
Vol. 2, No 1, 2023
[Rancang Bangun Sistem Pendukung Keputusan Penerimaan Bantuan
Langsung Tunai Menggunakan Metode Simple Additive Weighting]
40
Ernest Patrola, Geri Kusnanto
Selanjutnya melakukan normalisasi matriks X untuk menghitung nilai masing-masing
kriteria dengan rumus :
xij
rij = Jika j adalah atribut keuntungan (benefit)….(1)
Maxixij
Minxij
rij = Jika j adalah atribut biaya (cost)….(2)
xij
Keempat, melakukan normalisasi (R) menggunakan rumus diatas
A1 =
R 1,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 1,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 1,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 2\ 3\ 3\ 3\ 3)\ }=\frac{2}{3}=0,67
R 1,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{3}=0.67
R 1,5 =\ \frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ )\ }{5}=\frac{5}{5}=1
A2 =
R 2,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 2,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 2,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 2\ 3\ 3\ 3\ 3)\ }=\frac{2}{3}=0.67
R 2,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{2}=1
R 2,5 =\ \frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ )\ }{\ 5}=\frac{3}{5}=0.6
A3 =
R 3,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 3,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 3,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 1\ 3\ 3\ 3\ 3)\ }=\frac{2}{3}=0.67
R 3,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{5}=0.4
R 3,5 =\frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ )\ }{5}=\frac{1}{5}=0.2
A4 =
R 4,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 4,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 4,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 2\ 3\ 3\ 3\ 3)\ }=\frac{2}{2}=1
R 4,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{4}=0.5
R 4,5 =\frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ )\ }{5}=\frac{2}{5}=0.2
A5 =
R 5,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 5,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 5,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 2\ 3\ 3\ 3\ 3)\ }=\frac{2}{4}=0.5
R 5,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{5}=0.4
R 5,5 =\frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ )\ }{5}=\frac{3}{5}=0.6
A6 =
R 6,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 6,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 6,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 2\ 3\ 3\ 3\ 3)\ }=\frac{2}{5}=0.4
Vol. 2, No. 1, 2023
https://lentera.publikasiku.id/index.php
41
R 6,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{5}=0.4
R 6,5 =\frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ )\ }{5}=\frac{4}{5}=0.8
A7 =
R 7,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 7,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 7,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 2\ 3\ 3\ 3\ 3)\ }=\frac{2}{2}=1
R 7,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{3}=0.67
R 7,5 =\frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ }{5}=\frac{5}{5}=1
A8 =
R 8,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 8,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 8,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 2\ 3\ 3\ 3\ 3)\ }=\frac{2}{3}=0.67
R 8,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{3}=0.67
R 8,5 =\frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ )\ }{5}=\frac{2}{5}=0.4
A9 =
R 9,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 9,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 9,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 2\ 3\ 3\ 3\ 3)\ }=\frac{2}{3}=0.67
R 9,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{2}=1
R 9,5 =\frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ )\ }{5}=\frac{2}{5}=0.4
A10 =
R 10,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 10,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 10,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 2\ 3\ 3\ 3\ 3)\ }=\frac{2}{3}=0.67
R 10,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{3}=0.67
R 10,5 =\frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ )\ }{5}=\frac{2}{5}=0.4
A11 =
R 11,1 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ )\ }=\frac{2}{2}=1
R 11,2 =\ \frac{2}{Cost\ (2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2\ 2)\ }=\frac{2}{2}=1
R 11,3 =\ \frac{2}{Cost\ (3\ 3\ 3\ 2\ 4\ 5\ 2\ 3\ 3\ 3\ 3)\ }=\frac{2}{3}=0.67
R 11,4 =\ \frac{2}{Cost\ (3\ 2\ 5\ 4\ 5\ 5\ 3\ 3\ 2\ 3\ 5)\ }=\frac{2}{5}=0.4
R 11,5 =\frac{Benefit\ (5\ 3\ 1\ 1\ 3\ 4\ 5\ 2\ 2\ 2\ 4\ )\ }{5}=\frac{4}{5}=0.8
Kemudian hasil dari penyelesaian diatas dapat dimasukkan kedalam tabel matriks keputusan R
Tabel 9 Matriks Keputusan R
Kode
NIK
Nama
Warga
Alamat
Penghasilan
Pekerjaan
Jenis
Rumah
Luas Rumah
Jumlah
Tanggungan
KK
A1
1234567890123456
Mikael
Kokor
1
1
0.67
0.67
1
A2
1234567891234567
Jemali
Kokor
1
1
0.67
1
0.6
A3
1234567812345678
Harjo
Kokor
1
1
0.67
0.4
0.2
A4
1234567123456789
Pinas
Kokor
1
1
1
0.5
0.2
A5
1234561234567890
Sardo
Kokor
1
1
0.5
0.4
0.6
A6
1234512345678901
Dortea
Kokor
1
1
0.4
0.4
0.8
A7
1234123456789012
Dambur
Kokor
1
1
1
0.67
1
A8
1231234567890123
Pandu
Kokor
1
1
0.67
0.67
0.4
A9
1212345678901234
Dani
Kokor
1
1
0.67
1
0.4
Vol. 2, No 1, 2023
[Rancang Bangun Sistem Pendukung Keputusan Penerimaan Bantuan
Langsung Tunai Menggunakan Metode Simple Additive Weighting]
42
Ernest Patrola, Geri Kusnanto
Kelima, setelah mendapatkan hasil matriks R tahap berikutnya adalah perhitungan pada
matriks normalisasi terbobot yang diperoleh melalui perkalian bobot W dengan hasil normalisasi
(R) setiap kriteria pada alternatif yang sama. Bobot W dapat dilihat pada tabel Data Kriteria 3.7
atau [5 4 3 1 2]. Implementasi perhitungannya sebagai berikut :
A1 = (5 x 1) (4 x 1) (3 x 0.67) + (1 x 0.67) + (2 x 1)
A2 = (5 x 1) (4 x 1) (3 x 0.67) (1 x 1.) (2 x 0.6)
A3 = (5 x 1) (4 x 1) (3 x 0.67) (1 x 0.4) (2 x 0.2)
A4 = (5 x 1) (4 x 1) (3 x 1) (1 x 0.5) (2 x 0.2)
A5 = (5 x 1) (4 x 1) (3 x 0.5) (1 x 0.4) (2 x 0.6)
A6 = (5 x 1) (4 x 1) (3 x 0.4) (1 x 0.4) (2 x 0.8)
A7 = (5 x 1) (4 x 1) (3 x 1) (1 x 0.67) (2 x 1)
A8 = (5 x 1) (4 x 1) (3 x 0.67) (1 x 0.67) (2 x 0.4)
A9 = (5 x 1) (4 x 1) (3 x 0.67) (1 x 1) + (2 x 0.4)
A10 = (5 x 1) (4 x 1) (3 x 0.67) (1 x 0.4) + (2 x 0.2)
A11 = (5 x 1) (4 x 1) (3 x 0.67) (1 x 0.4) + (2 x 0.8)
Hasil perkalian diatas dapat dilihat pada tabel 10 dibawah ini
Tabel 10 Matriks Normalisasi Terbobot
Kode
NIK
Nama
Warga
Alamat
Penghasilan
Pekerjaan
Jenis
Rumah
Luas
Rumah
Jumlah
Tanggunga
n KK
A1
1234567890123456
Mikael
Kokor
1
1
0.67
0.67
1
A2
1234567891234567
Jemali
Kokor
1
1
0.67
1
0.6
A3
1234567812345678
Harjo
Kokor
1
1
0.67
0.4
0.2
A4
1234567123456789
Pinas
Kokor
1
1
1
0.5
0.2
A5
1234561234567890
Sardo
Kokor
1
1
0.5
0.4
0.6
A6
1234512345678901
Dortea
Kokor
1
1
0.4
0.4
0.8
A7
1234123456789012
Dambur
Kokor
1
1
1
0.67
1
A8
1231234567890123
Pandu
Kokor
1
1
0.67
0.67
0.4
A9
1212345678901234
Dani
Kokor
1
1
0.67
1
0.4
A10
1123456789012345
Rofina
Kokor
1
1
0.67
0.67
0.4
A11
0123456789012345
Daniel
Kokor
1
1
0.67
0.4
0.8
Keenam, setelah melakukan matriks normalisasi terbobot tahap berikutnya adalah
menghitung nilai V yang diperloleh dari matriks normalisasi torbobot dengan cara menjumlahan
A10
1123456789012345
Rofina
Kokor
1
1
0.67
0.67
0.4
A11
0123456789012345
Daniel
Kokor
1
1
0.67
0.4
0.8
Vol. 2, No. 1, 2023
https://lentera.publikasiku.id/index.php
43
bobot setiap kriteria pada alternatif yang sama. Nilai preferensi V ini yang akan menen-tukan
warga menerimaan Bantuan Langsung Tunai. Berikut imple-mentasi menghitung nilai V :
A1 = 5+ 4+ 2+ 0.67 + 2
= 13.67
A2 = 5+ 4+ 2+ 1+ 1.2
= 13.2
A3 = 5+ 4+ 2+ 0.4+ 0.4
= 11.8
A4 = 5+ 4+ 3+ 0.5 + 0.4
= 12.9
A5 = 5+ 4+ 1.5+ 0.4+ 1.2
= 12.1
A6 = 5+ 4 + 1.2 + 0.4 + 1.6
= 12.2
A7 = 5 + 4 + 3 + 0.67 + 2
= 14.67
A8 = 5 + 4 + 2 + 0.67 + 0.8
= 12.47
A9 = 5 + 4 + 2 + 1 + 0.8
= 12.8
A10 = 5 + 4 + 2 + 0.4 + 0.4
= 12.47
A11 = 5 + 4 + 2 + 0.4 + 1.6
= 13
Hasil implementasi diatas, kemudian dimasukkan kedalam tabel 11 berikut:
Tabel 11 Hasil Perhitungan SAW
Kode
NIK
Nama Warga
Alamat
Nilai V
A1
1234567890123456
Mikael
Kokor
13.67
A2
1234567891234567
Jemali
Kokor
13.2
A3
1234567812345678
Harjo
Kokor
11.8
A4
1234567123456789
Pinas
Kokor
12.9
A5
1234561234567890
Sardo
Kokor
12.1
A6
1234512345678901
Dortea
Kokor
12.2
A7
1234123456789012
Dambur
Kokor
14.67
A8
1231234567890123
Pandu
Kokor
12.47
A9
1212345678901234
Dani
Kokor
12.8
A10
1123456789012345
Rofina
Kokor
12.47
A11
0123456789012345
Daniel
Kokor
13
Vol. 2, No 1, 2023
[Rancang Bangun Sistem Pendukung Keputusan Penerimaan Bantuan
Langsung Tunai Menggunakan Metode Simple Additive Weighting]
44
Ernest Patrola, Geri Kusnanto
Ketujuh, setelah menormalisasi matrik keputusan X dan R serta menghitung nilai
preferensi V. Tahap berikutnya adalah melakukan perangkingan. Perangkingan ini dimulai dari
urutan dengan nilai V tertinggi. Seperti yang ditunjukkan pada tabel 12
Tabel 12 Hasil Perangkingan
Kode
NIK
Nama Warga
Alamat
Nilai
Rangking
A1
1234123456789012
Dambur
Kokor
14.67
1
A2
1234567890123456
Mikael
Kokor
13.67
2
A3
1234567891234567
Jemali
Kokor
13.2
3
A4
0123456789012345
Daniel
Kokor
13
4
A5
1234567123456789
Pinas
Kokor
12.9
5
A6
1212345678901234
Dani
Kokor
12.8
6
A7
1231234567890123
Pandu
Kokor
12.47
7
A8
1123456789012345
Rofina
Kokor
12.47
8
A9
1234512345678901
Dortea
Kokor
12.2
9
A10
1234561234567890
Sardo
Kokor
12.1
10
A11
1234567812345678
Harjo
Kokor
11.8
11
Berdasarkan hasil perhitungan algoritma SAW dapat disimpulkan yang memiliki peluang
paling besar mendapatkan BLT adalah Dambur dengan nilai 14.67, kemudian di ikuti dengan
Mikael dengan nilai 13.67 dan seterusnya sesuai peringkat perangkingan.
HASIL DAN PEMBAHASAN
Penelitian ini menghasilkan dua jenis hasil, yaitu hasil implementasi sistem dan hasil
pengujian menggunakan metode Black Box
Hasil Implementasi Sistem
Tahap implementasi sistem melibatkan pembangunan sistem sesuai dengan desain mock-up
yang telah dipreparasikan sebelumnya. Gambar 3 menunjukkan admin menggunakan halaman
untuk melakukan login ke dalam sistem. Sedangkan gambar 4 merupakan halaman dashboard
yang muncul paling awal ketika admin suskses melakukan login, dalam halaman meperlihatkan
informasi jumlah data yang memberikan gambaran keseluruhan tentang kinerja atau status sistem
Gambar 3 Halaman Login Gambar 4 Halaman Utama
Gambar 5 menunjukkan halaman data warga yang akan diseleksi, sedangkan gambar 6
ialah halaman yang digunakan untuk melakukan pengelolaan data kriteria dan gambar 7 sebagai
halaman untuk mengelola data subkriteria.
Vol. 2, No. 1, 2023
https://lentera.publikasiku.id/index.php
45
Gambar 5 Halaman Data Warga Gambar 6 Halaman Data Kriteria
Gambar 7 Halaman Data Subkriteria
Gambar 8 merupakan halaman yang digunakan untuk melakukan pengelolaan data
pembobotan. Admin dapat mengiput data kriteria sesuai dengan kriteria warga yang
bersangkutan. Gambar 9 menunjukkan halaman matriks keputusan X
Gambar 8 Data Pembobotan
Gambar 9 Halaman Matriks Keputusan X
Vol. 2, No 1, 2023
[Rancang Bangun Sistem Pendukung Keputusan Penerimaan Bantuan
Langsung Tunai Menggunakan Metode Simple Additive Weighting]
46
Ernest Patrola, Geri Kusnanto
Selanjutnya mencari matriks R dengan cara yaitu melakukan normalisasi matriks keputusan
X seperti yang ditunjukkan pada gambar diatas untuk menghitung nilai masing-masing kriteria
dengan rumus Cost dan benefit seperti yang dibahas pada bab 3.
Gambar 10 Halaman Matriks Normalisasi R
Gambar 11 merupakan halaman hasil perhitungan perkalian bobot W dengan normalisasi
(R). Pada gambar 11 merupakan implementasi bobot preferensi (W), sedangkan gambar 11
menunjukkan hasil perhitungan SAW.
Gambar 11 Bobot Preferensi (W)
Gambar 12 Halaman Data Matriks Normalisasi Terbobot
Halaman ini merupakan hasil penjumlahan setiap kriteri pada alternatif yang sama. Gambar
13 menunjukkan hasil implemetasi nilai V. Sedangkan gambar 14 menunjukkan halaman hasil
perangkingan berdasarkan urutan dari nilai yang terbesar.
Vol. 2, No. 1, 2023
https://lentera.publikasiku.id/index.php
47
Gambar 13 Implementasi Halaman Nilai V
Gambar 14 Implementasi Halaman Hasil Perangkingan
Pengujian Black Box testing
Pengujian black box testing ialah suatu metode dalam domain pengujian perangkat lunak
yang dilakukan tanpa memperhatikan struktur internal atau implementasi internal dari sistem
yang sedang diuji. Pengujian black box bertujuan untuk menguji fungsionalitas sistem dengan
menguji input yang diberikan dan membandingkannya dengan output yang diharapkan. Pengujian
black box testing menggunakan teknik-teknik seperti pengujian fungsional, pengujian batas,
pengujian kesalahan, dan pengujian interoperabilitas untuk mengidentifikasi cacat atau
kekurangan dalam sistem yang diuji. Metode ini berperan penting dalam memverifikasi kualitas
dan kelayakan sistem, serta memastikan bahwa sistem berperilaku sesuai dengan spesifikasi yang
telah ditentukan sebelumnya.
Black Box Testing memiliki kecenderungan untuk mengidentifikasi terjadi kesalahan :
mendeteksi kesalahan pada fungsi, memastika bahwa antar muka sistem dapat berjalan
sebagaimana fungsinya, memastikan tidak ada error pada database, memestikan performa sistem.
memastikan tidak ada kesalahan inisialisasi atau terminasi. (Akhirina, Yulistyanti, Rusmardiana,
dan Pauziah, 2018)
Tabel 13 Hasil Black Box Testing Browser
Test Case
Hasil yang
diharapkan
Hasil Pengujian
Google
Chrome
(Terbuka)
Sistem akan menerima
akses serta tampilan sesuai
VALID
Mozila
Firefox
(Terbuka)
Sistem akan menerima
akses serta tampilan sesuai
VALID
Vol. 2, No 1, 2023
[Rancang Bangun Sistem Pendukung Keputusan Penerimaan Bantuan
Langsung Tunai Menggunakan Metode Simple Additive Weighting]
48
Ernest Patrola, Geri Kusnanto
Tabel 14 Hasil Black Box Testing Halaman Login
Skenario
Pengujian
Test case
Hasil yang
diharapkan
Hasil
Pengujian
Kesimpulan
Username
dan Password
Username :
kosong
Password :
kosong
Sistem akan
menolak login
Sistem
memberitahukan
username dan
password salah
[ ] diterima
[] ditolak
Username
dan Password
Username :
Benar
Password :
Salah
Sistem akan
menolak
Sistem
memberitahukan
username dan
password salah
[ ] diterima
[] ditolak
Username
dan Password
Username :
Salah
Password :
Benar
Sistem akan
menolak
Sistem
memberitahukan
username dan
password salah
[ ] diterima
[] ditolak
Username
dan Password
Username :
Salah
Password :
Salah
Sistem akan
menolak
Sistem
memberitahukan
username dan
password salah
[ ] diterima
[] ditolak
Tabel 15 Hasil Black Box Testing Halaman Admin
Test Case
Hasil yang
diharapkan
Hasil
Pengujian
Admin melakukan Log
In
Sistem dapat menampilkan halaman
dashboard
VALID
Lupa Password
Berhasil mengganti passord baru yang di
kirim melalui email yang terdaftar
VALID
Admin mengelola data
warga
Berhasil menambah, mengedit, dan
menghapus data warga. NIK hanya terdiri
dari 16 angka (tidak boleh kurang atau
lebih) dan nama hanya menggunakan huruf
VALID
Admin melakukan input
data kriteria
Berhasil menambah, mengedit, dan
menghapus data kriteria
VALID
Admin melakukan input
data subkriteria
Berhasil menambah, mengedit, dan
menghapus data subkriteria
VALID
Admin melakukan Input
data pembobotan warga
Berhasil menginput, mengedit, dan
menghapus data
VALID
Sistem melakukan
perhitungan SAW
Berhasil menampilkan perhitungan SAW
dengan syarat data pembobotan sudah diisi
VALID
Sistem melakukan
perangkingan
Berhasil menampilkan data perangkingan
VALID
Mengelola akun
Berhasil menambah, mengedit, dan
menghapus akun
VALID
Melakukan Log Out
Berhasil Log Out dan menampilkan
halaman Log In
VALID
Vol. 2, No. 1, 2023
https://lentera.publikasiku.id/index.php
49
KESIMPULAN
Berdasarkan pembahasan implementasi dan evaluasi yang telah dijelaskan sebelumnya dan
teori yang ada, beberapa kesimpulan dapat diambil sebagai berikut: 1) Metode Simple Additive
Weighting dapat digunakan dalam sistem pendukung keputusan untuk program bantuan langsung
tunai. Sistem ini dapat digunakan oleh Desa XYZ sebagai panduan untuk menentukan penerima
bantuan. 2) Implementasi sistem ini diharapkan akan meningkatkan kinerja aparat Desa XYZ
dalam menentukan warga yang berhak menerima bantuan, serta mengurangi risiko kecurangan.
Berdasarkan hasil pengujian yang telah dilakukan terhadap sistem ini, dapat disimpulkan
bahwa masih terdapat kelemahan dan kekurangan yang perlu diperhatikan. Maka dari itu,
diperlukan upaya pengembangan yang lebih lanjut untuk mengatasi hal tersebut agar sistem ini
dapat mencapai tingkat yang lebih baik lagi. Diharapkan nantinya ada dari pihak lain yang dapat
terlibat dalam pengembangan penelitian ini baik dengan menggunakan metode yang sama
maupun dengan menerapkan pendekatan yang berbeda. Hal ini dapat memberikan perspektif baru
dan solusi inovatif untuk mengatasi kekurangan dan kelemahan yang ditemukan dalam pengujian
sebelumnya.
KESIMPULAN
Akhirina, Tri Yani, Yulistyanti, Dwi, Rusmardiana, Ana, & Pauziah, Ulfa. (2018). Pengujian
Sistem Pendukung Keputusan Penjurusan SMA di Banten menggunakan Metode Black
Box. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 2(3), 800–806.
https://doi.org/10.29207/resti.v2i3.615
Apriliyani, Aflahah. (2019). Sistem Pendukung Keputusan Penerimaan Beasiswa dengan Metode
SAW.
Daicy Lengkong, Florence. (2021a). Di Desa Sea Kabupaten Minahasa Cecelia Helenia
Sasuwuk.
Daicy Lengkong, Florence. (2021b). Implementasi Kebijakan Penyaluran Bantuan Langsung
Tunaidana Desa (BLT-DD) Pada Masa Pandemi Covid-19 Di Desa Sea
Kabupatenminahasa. Minahasa.
Ebenezer Silitonga, Adi, Simangunsong, Agustina, & Pelita Nusantara, Stmik. (2020). Sistem
Pendukung Keputusan Dalam Menentukan Penerima Bantuan Langsung Tunai Dengan
Metode Profile Matching Pada Kantor Kepala Desa Narigunung 1. Jurnal Nasional
Komputasi Dan Teknologi Informasi, 3(3).
Faisal, Ahmad, Rusda, Depi, Ali, Darwan, Berlian, Jalan Batu, Hulu, Mentawa Baru, Ketapang,
Kotawaringin, Timur, Kalimantan, & Tengah, Indonesia. (2022). Sistem Pendukung
Keputusan Penerimaan Bantuan Dana Desa BLT dengan Metode SAW Berbasis WEB.
Jurnal Riset Komputer), 9(1), 2407–389. https://doi.org/10.30865/jurikom.v9i1.3886
Firmanto, Andi. (2017). Sistem Penentuan Penerima Bantuan Langsung Tunai (Blt) Dengan
Metode SAW (Simple Additive Weighting). Retrieved from www.stmikpringsewu.ac.id
MA Salim. (2018). Sistem Pendukung Keputusan Pemilihan Penerima Bantuan Perbaikan
Rumah Menggunakan Metode Simple Additive Wieghting (Saw) Studi Kasus Kelurahan
Tambelan Sampit Kota Pontianak.
Prahartiwi, Lusa Indah, & Rosita, Dede. (2021). Sistem Pendukung Keputusan Penerima Bantuan
Langsung Tunai Menggunakan Simple Additive Weighting (SAW) Di Desa Sukatenang.
https://doi.org/10.31294/jtk.v4i2
Priatama, Candra, & Pratama, Irfan. (2022). Sistem Pendukung Keputusan Penerimaan Blt
Menggunakan Metode Weighted Aggregated Sum Product Assesment (WASPAS) Decision
Support System Receiving Blt Use Method Weighted Aggregated Sum Product Assesment
(WASPAS). In Jurnal Sistem Informasi Dan Bisnis Cerdas (Vol. 15).
Putri Pratiwi, Intan, Ferdinandus, FX, Daniel Limantara, Arthur, Tinggi Teknologi Cahaya Surya
Kediri, Sekolah, & Tinggi Teknik Surabaya, Sekolah. (2019). Sistem Pendukung Keputusan
Vol. 2, No 1, 2023
[Rancang Bangun Sistem Pendukung Keputusan Penerimaan Bantuan
Langsung Tunai Menggunakan Metode Simple Additive Weighting]
50
Ernest Patrola, Geri Kusnanto
Penerima Program Keluarga Harapan (PKH) Menggunakan Metode Simple Additive
Weighting (Vol. 8).
Riyansuni, Iper, & Devitra, Joni. (2020). “Analisis Dan Perancangan Sistem Pendukung
Keputusan Penerima Bantuan Pangan Non Tunai (BPNT) Dengan Simple Additive
Weighting (SAW) Pada Dinas Sosial Kota Jambi.” In Jurnal Manajemen Sistem Informasi
(Vol. 5).
Sulistiya Putra, Irvan, Ferdinandus, FX, Bayu, Muhaji, Tinggi Teknologi Cahaya Surya Kediri,
Sekolah, & Tinggi Teknik Surabaya, Sekolah. (2019). Sistem Pendukung Keputusan
Pemilihan Paket Pernikahan Dengan Metode Saw Berbasis Web (Vol. 8).
Syahrul Anwar, Dede, & Rohpandi, Dani. (2018). Seminar Nasional Sistem Informasi dan
Teknologi Informasi 2018 SENSITEK 2018 STMIK Pontianak (Vol. 12).
Teja, Rehadian, Putra, Sukmana, Wibowo, Suryo Adi, & Pranoto, Yosep Agus. (2021). Sistem
Pendukung Keputusan Penerimaan BLT Di Kecamatan Sampang Menggunakan Metode
Saw Dan Metode AHP Berbasis Web. In Jurnal Mahasiswa Teknik Informatika) (Vol. 5).