Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
397 - 407
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Perbandingan Metode ARAS dan TOPSIS untuk Menentukan Siswa Penerima Beasiswa Berprestasi Jeperson Hutahaean1*.
Neni Mulyani2.
Masitah Handayani3.
Irianto4.
Novica Irawati5 Fakultas Ilmu Komputer.
Program Studi Sistem Informasi.
Universitas Royal.
Kisaran.
Indonesia Email : 1* jepersonhutahean@gmail.
com, 2neni.
muliani@gmail.
com, 3bungafairuz8212@gmail.
4Irianto2121212@gmail.
com, 5novicairawati11@gmail.
Email Coressponding Author: jepersonhutahean@gmail.
Abstrak-Proses penentuan siswa yang layak menerima beasiswa berprestasi seringkali hanya berdasarkan seleksi berkas, yang memakan waktu lama dan dapat menghasilkan keputusan yang kurang akurat.
Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan yang mempercepat proses seleksi siswa penerima beasiswa berprestasi.
Metode yang digunakan dalam penelitian ini adalah ARAS (Additive Ratio Assessmen.
dan TOPSIS (Technique for Order of Preference by Similarity to Ideal Solutio.
Kedua metode ini dipilih karena mampu menyeleksi alternatif terbaik berdasarkan pembobotan dan memilih tujuan berdasarkan kriteria yang berbeda, yaitu benefit dan cost.
Metode ARAS menghasilkan ranking berdasarkan perbandingan fungsi utilitas alternatif dengan nilai fungsi utilitas optimal, sementara metode TOPSIS menghasilkan ranking berdasarkan jarak terpendek dengan solusi ideal positif dan jarak terpanjang dengan solusi ideal negatif.
Dari nilai-nilai tersebut, alternatif yang memenuhi kriteria ditetapkan sebagai siswa penerima beasiswa berprestasi melalui perhitungan menggunakan metode ARAS dan TOPSIS.
Hasil uji korelasi Rank M Arsya Almusa menunjukkan nilai 1,0546 untuk ARAS dan 0,8739 untuk TOPSIS.
Hasil perhitungan secara manual dan melalui sistem memberikan hasil yang sama, sehingga sistem dapat digunakan untuk menentukan siswa penerima beasiswa berprestasi.
Kata Kunci: SPK.
Beasiswa.
Siswa.
ARAS.
TOPSIS Abstract-The process of selecting outstanding scholarship recipients is typically done solely through file reviews, which can be time-consuming and potentially less accurate.
To address this, research has been conducted to develop a decision support system that accelerates the selection process for outstanding scholarship recipients.
The methods employed are ARAS (Additive Ratio Assessmen.
and TOPSIS (Technique for Order of Preference by Similarity to Ideal Solutio.
These methods were chosen because they effectively filter the best alternatives based on weighting and can select goals according to different criteria, such as benefits and costs.
The ARAS method produces a ranking by comparing the utility functions of alternatives with the optimal utility function In contrast, the TOPSIS method generates a ranking based on the shortest distance to the positive ideal solution and the longest distance to the negative ideal solution.
These calculations yield alternatives that meet the criteria, and the best candidates are identified as scholarship recipients using both the ARAS and TOPSIS methods.
The correlation test results for M Arsya Almusa show values of 1.
0546 for the ARAS method and 0.
8739 for the TOPSIS method.
Both manual and system-based calculations produce consistent results, indicating that the system is reliable for determining outstanding scholarship recipients.
Keywords: SPK.
Scholarship.
Student.
ARAS.
TOPSIS
PENDAHULUAN
Beasiswa prestasi merupakan bantuan Pendidikan yang diberikan kepada siswa yang memiliki prestasi dan bertujuan untuk siswa agar dapat melanjutkan ke jenjang Pendidikan lebih tinggi.
SMA 2 Kisaran merupakan Sekolah menengah atas dalam bidang Pendidikan yang berada di kabupaten Asahan.
Provinsi Sumatera Utara.
Saat ini sekolah sedang mengalami perkembangan yang signifikan sehingga peminat siswa untuk masuk pada sekolah ini sangatlah banyak dengan jumlah peminat kurang lebih 50 siswa setiap tahunnya.
Pemilihan siswa berprestasi dilakukan untuk meningkatkan mutu Pendidikan dan untuk memotivasi siswa didiknya.
Pemilihan siswa berprestasi di sekolah SMA 2 Kisaran masih berdasarkan perundingan untuk menunjuk siswa yang akan dipilih dan cenderung bersifat subyektif sehingga hasil Keputusan dirasa kurang berkualitas dan kurang adil bagi siswa lain karena pemilihannya tidak transparasi dan hanya berdasarkkan kriteria yang dinilai.
Berdasarkan kriteria yang dinilai.
Berdasarkan nilai raport relatif lama dan tidak ada perhitungan kriterianya dalam Dengan Pendidikan yang diberikan kepada siswa yang memiliki prestasi dan bertujuan untuk siswa agar dapat melanjutkan ke jenjang Pendidikan lebih tinggi.
untuk hasil seleksi yang cepat dan efisien, maka untuk mengatasi permasalahan tersebut perlu dibuat sistem untuk membantu pihak sekolah dalam pemilihan siswa berprestasi.
Penilaian dilakukan oleh sistem dengan tetap mengikuti kriteria yang ditentukan.
Metode yang dipakai dalam pengambilan Keputusan penilaian siswa berprestasi salah satunya yang dapat digunakan adalah dengan menggunakan metode aras dan topsis.
Merupakan Solusi pemilihan siswa berprestasi karena merupakan algoritma yang mampu mengakomodasi banyaknya kriteria dan menghasilkan solusi .
, .
Algoritma ini mneghasilkan alternatif dengan memberikan bobot pada masing-masing kriterianya.
Kriteria yang akan digunakan untuk penelitian ini ialah nilai ratarata raport, nilai kedisiplinan, nilai kehadiran, dan nilai non akademik kegiatan.
Oleh karena itu diperlukan pengembangan teknologi berupa sistem.
Sistem pendukung keputusan merupakan sebuah sistem yang tepat untuk instansi dalam penentuan siswa penerima beasiswa berprestasi.
Dengan menyediakan sistem pendukung keputusan berbasis web maka akan meningkatkan kualitas informasi yang tersaji dan meminimalisir kesalahan sasaran penerima beasiswa berprestasi.
Metode ARAS mampu menyaring alternatif terbaik dengan membandingkan nilai semua alternatif optimal terhadap Copyright A 2025 Author .
Page 397 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
397 - 407
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT nilai semua setiap alternatif sedangkan metode TOPSIS mampu menyaring alternatif terbaik berdasarkan pembobotan dan berlandaskan kriteria yang berbeda yaitu benefit dan cost .
, .
Pembuatan sistem ini bertujuan untuk mendukung instansi terutama dalam bidang pendidikan di SMA 2 Kisaran dalam mengambil keputusan, mendukung integritas data, memudahkan pengaksesan, dan memudahkan pengelolaan data siswa sehingga dapat mendukung kelancaran proses seleksi siswa penerima beasiswa berprestasi.
METODOLOGI PENELITIAN
1 Tahapan Penelitian Kerangka penelitian ini berfungsi sebagai dasar konseptual yang membimbing seluruh proses penelitian.
Dalam penelitian ini, kerangka tersebut merinci elemen-elemen utama yang akan dianalisis menggunakan metode ARAS dan TOPSIS untuk menentukan siswa yang layak menerima beasiswa berprestasi.
Kerangka ini mencakup beberapa langkah penting, yaitu identifikasi masalah penelitian, perumusan pertanyaan atau hipotesis, dan penyusunan kerangka konseptual yang menjelaskan variabel-variabel beserta hubungan-hubungannya yang relevan.
Dengan adanya kerangka ini, penelitian memiliki arah dan struktur yang jelas, membantu peneliti memahami konteks penelitian, serta menyediakan landasan teoretis yang mendukung metodologi yang digunakan.
1 Metode Pengumpulan Data Metode yang digunakan dalam pengumpulan data dilakukan dengan mewawancara secara langsung dengan pegawai bagian bidang pendidikan di SMA 2 Kisaran untuk memperoleh informasi tentang proses seleksi penerima beasiswa berupa data alternatif, kriteria dan kendala yang dihadapi.
Serta melakukan pengamatan secara langsung di lokasi sumber informasi yaitu di bagian bidang pendidikan SMA 2 Kisaran.
2 Sumber Data Sumber yang digunakan dalam pengumpulan data adalah sebagai berikut :
Data Primer Data primer diperoleh secara langsung dari sumber data yaitu di bagian bidang pendidikan di SMA 2 Kisaran.
Data primer yang diperoleh adalah data siswa berupa identitas siswa, nilai rapot, nilai akhir, dan surat keterangan lulus.
Data Sekunder Data sekunder tidak diperoleh secara langsung, tetapi melalui referensi buku, jurnal atau website.
Data sekunder yang diperoleh yaitu mengenai sistem pendukung keputusan penentuan beasiswa siswa berprestasi .
, .
3 Alur Penelitian Adapun alur penelitian yang digunakan dapat didefinisikan dengan baik dan jelas pada gambar 1.
Gambar 1.
Kerangka Penelitian Berdasarkan kerangka kerja penelitian yang telah digambarkan di atas, maka dapat diuraikan pembahasan masingmasing tahap dalam penelitian adalah sebagai berikut :
Identifikasi Masalah Copyright A 2025 Author .
Page 398 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
397 - 407
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Identifikasi masalah dalam penelitian ini adalah memudahkan karyawan pada masing-masing divisi serta tim auditor dalam menyelesaikan tugasnya agar kinerja dan hasilnya lebih efektif dan efisien.
Pengumpulan Data Pada tahapan ini peneliti melakukan pengumpulan data yang berhubungan dengan masalah yang di teliti tentang Perbandingan Metode ARAS dan TOPSIS untuk Menentukan Siswa Penerima Beasiswa Berprestasi Analisis Sistem Pada tahap ini dilakukan identifikasi masalah pada sistem yang sedang berjalan.
Dengan demikian, diharapkan peneliti dapat menemukan kendala-kendala dan permasalahan yang terjadi dalam Perbandingan Metode ARAS dan TOPSIS untuk Menentukan Siswa Penerima Beasiswa Berprestasi sehingga peneliti dapat mencari solusi dari permasalahan tersebut.
Perancangan Sistem Pada tahap ini dilakukan perancangan sistem yang baru untuk menyusun kembali maupun memperbaiki sistem yang lama menjadi sistem yang baru dan baik secara sebagian maupun keseluruhan untuk memperbaiki sistem yang selama ini berjalan.
Implementasi Sistem Tahap ini merupakan tahap pelaksanaan dari keputusan yang telah diambil dari analisa dan perancangan sistem.
Pada tahap ini perlu disusun tindakan yang terencana dengan baik, sehingga hasil keputusan dapat lebih bermanfaat dari sistem sebelumnya, dapat pula dipantau dan disesuaikan apabila diperlukan perbaikan-perbaikan karena sistem tidak bersifat absolut namun terus mengalami perubahan sering berubahnya waktu dan kebutuhan demi memperoleh hasil yang lebih efektif dan efisien.
Evaluasi Sistem Tahap ini merupakan tahap proses menggambarkan, memperoleh, menyajikan informasi yang berguna untuk merumuskan suatu alternatif keputusan.
2 Sistem Pendukung Keputusan (SPK) Keputusan adalah suatu kegiatan memilih strategi atau tindakan dalam pemecahan masalah.
Dalam pengambilan keputusan, pengolahan data dan informasi perlu dilakukan yang bertujuan untuk menghasilkan alternatif keputusan yang diambil .
, .
Maka pengambilan keputusan mesti didasarkan kepada pertimbangan-pertimbangan logis sehingga dapat diterima oleh semua pihak yang menjadi sasaran keputusan tersebut.
Sistem pengambilan keputusan merupakan suatu sistem interaktif berbasis komputer yang ditujukan untuk membantu dalam pembuatan keputusan dengan memanfaatkan data dan model untuk menyelesaikan suatu masalah yang bersifat tidak terstruktur .
Ae.
3 Metode ARAS (Additive Ratio Assessmen.
ARAS merupakan metode yang didasarkan pada prinsip intuitif bahwa alternatif harus mempunyai rasio terbesar untuk menghasilkan solusi yang optimal.
Metode ARAS melakukan perangkingan dengan perbandingan nilai setiap kriteria pada masing-masing alternatif dengan melihat bobot masing- masing untuk memperoleh alternatif yang ideal Kelebihan metode Addititive Ratio Assessment (ARAS) yaitu mudah dalam menentukan alternatif terbaik serta menghasilkan solusi atau keputusan yang lebih optimal dalam setiap perhitungan.
Konsep perangkingan yang berdasarkan pada konsep perangkingan Utility Degree, yaitu dengan membandingkan nilai semua alternatif optimal terhadap nilai semua setiap alternatif .
Dalam pendekatan klasik, metode pengambilan keputusan multi-kriteria fokus pada peringkat.
Metode MCDM membandingkan nilai fungsi utilitas solusiyang ada dengan nilai solusi alternatif positif yang ideal atau mengambil jarak kesolusi positif dan ideal negatif yang ideal menjadi pertimbangan.
Sedangkan metode ARAS membandingkan kegunaan dari alternatif dengan nilai kegunaan yang optimal.
Dalam melakukan perangkingan, metode ARAS memiliki beberapa langkah yaitu.
, .
Langkah 1 Pembentukan Decision Making Matrix:
ycu01 A ycu0yc A ycu0ycu
U U U U
ycU = ycu11 A ycuycnyc A ycuycnycu cuycu1 A ycuycoyc A ycuycoycu ] ycn = yco, 0.
yc = 1, ycu Dimana m = jumlah alternatifn = jumlah kriteria xij = nilai performa dari alternatif i terhadap kriteria jx0j = nilai optimum kriteria j Copyright A 2025 Author .
Page 399 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
397 - 407
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Langkah 2
Penormalisasian Decision Making Matrix untuk semua kriteria
i ycuI01 A ycu
i 0yc A 0ycu
U U U U
i ycnyc A ycUI = ycuI11 A ycu i ycu i i .
cu A ycu ycoyc A ycu ycn = yco, 0.
yc = 1, ycu Langkah 3 Menentukan bobot matriks yang sudah dinormalisasi pada tahap 2 Ocycuyc=1 ycyc = 1 Langkah 4 Menentukan nilai dari fungsi optimum ycIycn Ocycuyc=1 ycuyc.
ycn = 0, yco Langkah 5 Menetukan tingkat peringkat ycIycn yaycn ycI0 .
ycn = 0, yco Alternatif dengan nilai K terbesar menghasilkan alternatif terbaik dan berurutan sehingga menghasilkan rangking (Maulana et al.
, 2.
4 Metode TOPSIS Metode TOPSIS menggunakan pendekatan geometris untuk mengukur jarak antara alternatif dengan solusi ideal positif dan solusi ideal negatif.
Jarak ini menunjukkan sejauh mana suatu alternatif memenuhi kriteria yang diinginkan dan menghindari kriteria yang tidak diinginkan.
, .
Metode ini mengasumsikan bahwa bobot untuk setiap kriteria telah ditentukan dan dapat diukur secara akurat.
Walaupun TOPSIS dapat memberikan solusi yang jelas dalam situasi dengan kriteria yang terdefinisi dengan baik, pengguna harus berhati-hati dalam menentukan bobot kriteria dan memastikan bahwa data input yang digunakan benar.
Meskipun demikian.
TOPSIS tetap menjadi alat yang efektif dalam mendukung pengambilan keputusan dengan menyederhanakan evaluasi alternatif berdasarkan beberapa Langkah-langkah dalam menyelesaikan masalah menggunakan metode TOPSIS meliputi membuat rating kinerja setiap alternatif pada setiap kriteria yang ternormalisasi dengan menggunakan rumus tertentu.
, .
, .
Ae .
ycycnyc = ycuycnyc Oo Ocycu yc=1 ycuycnyc Tahap kedua adalah melakukan perkalian untuk membentuk matriks Y, yang dapat ditentukan berdasarkan peringkat bobot yang ternormalisasi dengan menggunakan rumus sebagai berikut:
ycUycnyc = ycOycn ycycnyc Tahap ketiga adalah menentukan matriks solusi ideal positif dan matriks solusi ideal negatif dengan menggunakan rumus sebagai berikut:
ycyc = { ycoycaycu ycycnyc .
ycycnycoyca yc ycoyceycycycyycaycoycaycu ycaycycycnycaycyc ycayceycuyceyceycnyc ycoycnycuycycnyc .
ycycnycoyca yc ycoyceycycycyycaycoycaycu ycaycycycnycaycyc ycaycuycyc ycycOe = { ycoycnycu ycycnyc .
ycycnycoyca yc ycoyceycycycyycaycoycaycu ycaycycycnycaycyc ycayceycuyceyceycnyc ycoycaycuycycnyc .
ycycnycoyca yc ycoyceycycycyycaycoycaycu ycaycycycnycaycyc ycaycuycyc Tahap keempat adalah menghitung jarak antara nilai setiap alternatif dengan matriks solusi ideal positif menggunakan rumus berikut:
yaycn = ocycuyc=1.
cycn Oe ycycnyc ) .
Menghitung jarak antara nilai setiap alternatif dengan matriks solusi ideal negatif menggunakan rumus berikut Copyright A 2025 Author .
Page 400 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
397 - 407
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT yaycnOe = ocycuyc=1.
cycnyc Oe ycycnOe ) .
Langkah kelima adalah menentukan nilai preferensi untuk setiap alternatif menggunakan rumus berikut: .
ycn ycOycn = yaOe ya yc ycn 5 Defenisi Beasiswa Beasiswa adalah bantuan finansial yang diberikan kepada individu, biasanya siswa atau mahasiswa, untuk membantu mereka dalam membiayai pendidikan mereka.
Beasiswa dapat diberikan oleh berbagai pihak, termasuk pemerintah, lembaga pendidikan, perusahaan, atau organisasi nirlaba.
Tujuan utama beasiswa adalah untuk mendukung pendidikan dan mengurangi beban biaya yang harus ditanggung oleh penerima beasiswa.
HASIL DAN PEMBAHASAN
Untuk menghasilkan sebuah keputusan yang tepat dalam menentukan santri penerima beasiswa berprestasi perlu dibutuhkan beberapa data sebagai masukan untuk mengolah data yang akan diproses sehingga dapat menghasilkan sebuah keluaran berupa informasi.
Tabel 1 Tabel data alternatif dan data kriteria Alternatif Umur .
A1 = Muhammad Chairul Hasan A2 = Ahmad Ali Munawar A3 = Allisa Nurul Aini A4 = Sintia Elmawati Pasaribu A5 = Lusiana Fitri Zulaikha A6 = Lutfi Nurrahman A7 = M Abdul Aziz A8 = M Arsya Almusa A9 = M Surya Hamdani A10 = Nafsiah Almukarramah Ratarata Nilai Rapor Tes Kemampuan Dasar Penghasilan Orang Tua .
uta/bula.
Jumlah Sertifikat Tes Wawasan Kebangsaan ARAS Untuk Pemilihan Siswa Penerima Beasiswa Berprestasi Normalisasi Matriks Pengambilan Keputusan untuk semua kriteria Pada tahap ini, nilai-nilai kriteria diubah menjadi skala relatif, biasanya antara 0 hingga 1, untuk memungkinkan perbandingan yang adil antar-kriteria.
Proses ini dilakukan dengan mengurangkan nilai minimum dari setiap nilai asli, lalu membaginya dengan selisih antara nilai maksimum dan minimum.
Pembobotannya adalah sebagai Tabel 2.
Pembobotan masing-masing kriteria Kriteria Keterangan Bobot C1 (Umu.
Cost C2 (Rata Ae rata Nilai Rapo.
Benefit
0,25
C3 (Tes Kemampuan Dasa.
Benefit C4 (Penghasilan Orang Tu.
Cost
0,15
C5 (Jumlah Sertifika.
Benefit C6 (Tes Wawasan Kebangsaa.
Benefit Tabel 2.
Penormalisasian Decision Making Matrix Seluruh Kriteria
Alternatif
0,086
0,1026
0,1021
0,0587
0,1714
0,1039
Copyright A 2025 Author .
Page 401 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
397 - 407
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT A10
0,091
0,097
0,086
0,091
0,097
0,086
0,091
0,097
0,086
0,091
0,0986
0,1003
0,1020
0,0991
0,1026
0,0974
0,0980
0,1009
0,0997
0,1014
0,1010
0,1000
0,1000
0,1021
0,0969
0,0990
0,0990
0,1021
0,1000
0,1000
0,0913
0,1174
0,0822
0,0685
0,1027
0,1370
0,0587
0,0913
0,1174
0,0747
0,0857
0,1143
0,0571
0,1429
0,0286
0,0857
0,1143
0,1714
0,0571
0,1429
0,0983
0,1006
0,0994
0,1017
0,1028
0,0972
0,0961
0,1039
0,0994
0,1006
Menetapkan bobot pada matriks yang telah dinormalisasi Langkah ini melibatkan pemberian tingkat kepentingan relatif untuk setiap kriteria yang tercantum dalam matriks Proses ini biasanya dilakukan setelah nilai-nilai kriteria dinormalisasi, guna mempertimbangkan berbagai faktor yang mungkin mempengaruhi pengambilan keputusan dengan cara yang berbeda.
Bobot dapat ditentukan melalui penilaian subjektif atau analisis lebih mendalam mengenai signifikansi masing-masing kriteria.
Setelah bobot ditetapkan, nilai-nilai dalam matriks normalisasi dikalikan dengan bobot kriteria yang bersangkutan untuk menghitung nilai keseluruhan dari setiap opsi, yang dapat membantu dalam membuat keputusan yang lebih terinformasi.
ycOyc = .
,10 0,25 0,20 0,15 0,10 0,.
Hasil normalisasi yang telah diberi bobot dapat diperoleh dengan menerapkan persamaan 3 sebagai berikut:
ya, yayaynyi ya, yayayeyi ya, yayayya ya, yayayeyi ya, yayayyi ya, yayayeya ya, yayaynyi ya, yayayeye ya, yayayya ya, yayayeyn yc = ya, yayayyi ya, yayayeyi ya, yayaynyi ya, yayayeye ya, yayayya ya, yayayeye ya, yayayyi ya, yayayeya ya, yayaynyi ya, yayayey .
a, yayayya ya, yayayeye Menetapkan hasil dari fungsi optimal ya, yayayaye ya, yayayaya ya, yayayaya ya, yayayaya ya, yayayaye ya, yayayye ya, yayayyn ya, yayayyn ya, yayayaye ya, yayayaya ya, yayayaya ya, yayaynyn ya, yayaycyi ya, yayayiyi ya, yayayayc ya, yayayayc ya, yayayeye ya, yayayaye ya, yayaynyn ya, yayaycyi ya, yayayiyi ya, yayayaya ya, yayayiya ya, yayaynyi ya, yayayaye ya, yayayeyi ya, yayayeyc ya, yayayay ya, yayaynyi ya, yayayaye ya, yayayiya ya, yayayeyi ya, yayayeyc ya, yayayayn ya, yayayyi ya, yayayaya ya, yayayy ya, yayayayc ya, yayayayi ya, yayayye ya, yayayayn ya, yayayy ya, yayayy ya, yayayay.
Langkah ini mencakup penentuan solusi terbaik dari masalah yang telah dimodelkan.
Proses ini melibatkan analisis hasil dari fungsi matematis atau model untuk mencari nilai maksimum, minimum, atau solusi terbaik sesuai dengan kriteria yang telah ditetapkan sebelumnya.
Untuk memperoleh nilai fungsi optimal, gunakan persamaan ke-4.
Tabel 4.
Hasil dari fungsi optimal Alternatif
Jumlah 0,0086 0,0256 0,0204 0,0088 0,0171 0,0208 0,0091 0,0097 0,0086 0,0246 0,0251 0,0255 0,0202 0,0200 0,0200 0,0137 0,0176 0,0123 0,0086 0,0114 0,0057 0,0197 0,0201 0,0199 0,0091 0,0097 0,0086 0,0248 0,0256 0,0244
0,0204
0,0194
0,0198
0,0103
0,0154
0,0205
0,0143
0,0029
0,0086
0,0203
0,0206
0,0194
0,0091
0,0245
0,0198
0,0088
0,0114
0,0192
0,1014
0,0959
0,1039
0,0920
0,0992
0,0935
0,1013
0,0929
A10
0,0097
0,0086
0,0091
0,0252
0,0249
0,0254
0,0204
0,0200
0,0200
0,0137
0,0176
0,0112
0,0171
0,0057
0,0143
0,0208
0,0199
0,0201
0,1069
0,0968
0,1001
Copyright A 2025 Author .
Page 402 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
397 - 407
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Menetapkan nilai peringkat Langkah ini melibatkan identifikasi kriteria, evaluasi relatif, dan perhitungan peringkat keseluruhan untuk memilih opsi terbaik sesuai dengan kriteria yang telah ditentukan.
Perhitungan nilai peringkat dilakukan dengan menggunakan persamaan ke-5.
ya0 = 0,1014 0,1014 ya1 = 0,0959 = 0,0959 0,1014 0,1039 = 0,1039 0,1014 0,0920 ya3 = = 0,0920 0,1014 0,0992 ya4 = = 0,0992 0,1014 0,0935 ya5 = = 0,0935 0,1014 0,1013 ya6 = = 0,1013 0,1014 0,0929 ya7 = = 0,0929 0,1014 0,1069 ya8 = = 0,1069 0,1014 0,0968 ya9 = = 0,0968 0,1014 0,1001 ya10 = = 0,1001 0,1014 ya2 = Tabel 5.
Hasil akhir dan Ranking ARAS
A1 = Muhammad Chairul Hasan
0,9457
Rank
A2 = Ahmad Ali Munawar
A3 = Allisa Nurul Aini A4 = Sintia Elmawati Pasaribu
A5 = Lusiana Fitri Zulaikha
A6 = Lutfi Nurrahman A7 = M Abdul Aziz
A8 = M Arsya Almusa
A9 = M Surya Hamdani A10 = Nafsiah Almukarramah
1,0247
0,9077
0,9784
0,9224
0,9991
0,9157
1,0546
0,9541
0,9869
Berdasarkan perhitungan metode Aras alternatif tertinggi yaitu A8 = M Arsya Almusadengan nilai 1,0546 ,selanjutnya A2 = Ahmad Ali Munawar dengan nilai 1.
0247 dan A6 = Lutfi Nurrahman dengan nilai 0,9991 2 Topsis Untuk Pemilihan Siswa Penerima Beasiswa Berprestasi Menilai kinerja setiap alternatif berdasarkan setiap kriteria yang telah dinormalisasi Dalam tahapan ini menggunakan persamaan .
yc11 = yc11 = Oo172 162 182 172 162 182 172 162 182 172
53,814
Copyright A 2025 Author .
Page 403 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
397 - 407
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT yc11 = 0,316 Berikut ini adalah hasil perhitungan ternormalisasi 0,316 0,297 0,334 0,316 0,297 0,334 0,316 0,297 0,334 0,316 0,312 0,317 0,323 0,313 0,324 0,308 0,310 0,319 0,315 0,321 0,091 0,182 0,273 0,364 0,455 0,182 0,091 0,545 0,364 0,273
0,297
0,231
0,330
0,395
0,264
0,198
0,461
0,297
0,231
0,362
0,249
0,332
0,166
0,415
0,083
0,249
0,332
0,498
0,166
0,415
0,311
0,318
0,314
0,321
0,325
0,307
0,304
0,329
0,314
0,318
Membuat Matriks Ternormalisasi Terbobot Dalam tahapan ini menggunakan persamaan .
ycU11 = 0,316 y 0,1 ycU11 = 0,032 Berikut ini adalah hasil dari perhitungan Matriks Ternormalisasi dengan Bobot
0,032
0,030
0,033
0,032
0,030
0,033
0,078
0,079
0,081
0,078
0,081
0,077
0,018
0,036
0,055
0,073
0,091
0,036
0,044
0,035
0,049
0,059
0,040
0,030
0,025
0,033
0,017
0,042
0,008
0,025
0,062
0,064
0,063
0,064
0,065
0,061
0,032
0,030
0,033
0,032
0,077
0,080
0,079
0,080
0,018
0,109
0,073
0,055
0,069
0,044
0,035
0,054
0,033
0,050
0,017
0,042
0,061
0,066
0,063
0,064
Menghitung Solusi Ideal Positif dan Negatif Langkah berikutnya dalam metode TOPSIS adalah menghitung matriks solusi ideal positif dan matriks solusi ideal negatif menggunakan rumus .
Hasil dari matriks solusi ideal positif dan matriks solusi ideal negatif disajikan dalam tabel 7.
Tabel 7.
Hasil Solusi Ideal Positif dan Negatif
0,030
0,081
0,109
0,030
0,050
0,066
0,033
0,077
0,018
0,069
0,008
0,061
Copyright A 2025 Author .
Page 404 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
397 - 407
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Menghitung Jarak Antara Nilai Setiap Alternatif Langkah berikutnya dalam metode TOPSIS adalah mengukur jarak antara nilai setiap alternatif dengan matriks solusi ideal positif dan negatif menggunakan rumus .
Hasil perhitungan jarak tersebut dapat ditemukan dalam Tabel 8.
Hasil Jarak Antara Nilai Setiap Alternatif
Alternatif
0,096
0,075
0,067
0,048
0,046
0,077
D0,030
0,047
0,042
0,065
0,079
0,047
Menentukan Nilai Preferensi Langkah akhir adalah menentukan nilai preferensi untuk setiap alternatif dengan menggunakan rumus .
ycO1 = 0,030 = 0,2382 0,030 0,096 ycO2 = 0,047 = 0,3840 0,047 0,075 ycO3 = 0,042 = 0,3876 0,042 0,067 ycO4 = 0,065 = 0,5754 0,065 0,048 ycO5 = 0,079 = 0,6295 0,079 0,046 ycO6 = 0,047 = 0,3764 0,047 0,077 Hasil dari penerapan Metode TOPSIS dalam pemilihan siswa untuk beasiswa berprestasi akan menghasilkan urutan alternatif yang paling optimal sesuai dengan kriteria yang telah ditetapkan.
Tabel 9 menunjukkan urutan peringkat berdasarkan data penilaian yang diperoleh.
Tabel 9.
Hasil Ranking A1 = Muhammad Chairul Hasan A2 = Ahmad Ali Munawar A3 = Allisa Nurul Aini A4 = Sintia Elmawati Pasaribu A5 = Lusiana Fitri Zulaikha A6 = Lutfi Nurrahman A7 = M Abdul Aziz Nilai Akhir A8 = M Arsya Almusa A9 = M Surya Hamdani A10 = Nafsiah Almukarramah Nama Alternatif Ranking Copyright A 2025 Author .
Page 405 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
397 - 407
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Berdasarkan perhitungan metode Topsis alternatif tertinggi yaitu A8 = M Arsya Almusa dengan nilai 0,8739, sebagai hasil akhir.
KESIMPULAN
Berdasarkan analisis yang dilakukan dalam penelitian ini, kedua metode, yaitu ARAS dan TOPSIS, telah terbukti efektif dalam menentukan siswa penerima beasiswa berprestasi di Sekolah SMA 2 Kisaran.
Metode ARAS melakukan penormalisasian matriks keputusan dan menentukan bobot untuk setiap kriteria, menghasilkan nilai fungsi optimal yang menempatkan alternatif A8 (M Arsya Almus.
di peringkat tertinggi, diikuti oleh A2 (Ahmad Ali Munawa.
dan A6 (Lutfi Nurrahma.
Sementara itu, metode TOPSIS menggunakan pendekatan geometris untuk mengukur jarak antara nilai setiap alternatif dengan solusi ideal positif dan negatif, menghasilkan peringkat akhir yang juga menempatkan alternatif A8 (M Arsya Almus.
sebagai yang tertinggi, diikuti oleh A5 (Lusiana Fitri Zulaikh.
dan A4 (Sintia Elmawati Pasarib.
Konsistensi hasil dari kedua metode ini menegaskan keunggulan A8 sebagai pilihan terbaik untuk penerima beasiswa, menunjukkan bahwa metode ARAS dan TOPSIS dapat digunakan dengan andal untuk penilaian dan seleksi siswa berprestasi.
Dengan demikian, penerapan sistem pendukung keputusan berbasis web dengan kedua metode ini dapat meningkatkan efisiensi, akurasi, dan transparansi dalam proses seleksi penerima beasiswa, memastikan bahwa bantuan tepat sasaran dan dapat meminimalisir kesalahan data, mendukung peningkatan kualitas informasi di bidang pendidikan di SMA 2 Kisaran.
REFERENCES