BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 Analisa Perbandingan Metode MAUT dan WASPAS Dalam Menentuan Tempat Pelatihan Kursus Computer Terbaik Mochamad Dedy Subekti Rahardjo Fakultas Teknik dan Ilmu Komputer, Program Studi Teknik Informatika, Universitas Indraprasta PGRI, Jakarta, Indonesia Email: dedy.subekti@yahoo.com Email Penulis Korespondensi: dedy.subekti@yahoo.com Abstrak–Penelitian ini bertujuan untuk menganalisis perbandingan dua metode pengambilan keputusan multi-kriteria, yaitu MultiAttribute Utility Theory (MAUT) dan Weighted Aggregated Sum Product Assessment (WASPAS) dalam menentukan tempat pelatihan kursus komputer terbaik. Latar belakang penelitian ini didasari oleh kebutuhan untuk memilih tempat pelatihan yang sesuai den gan berbagai kriteria penting seperti kualitas pengajar, fasilitas, biaya, dan reputasi lembaga, yang seringkali menimbulkan kesulitan dalam pengambilan keputusan. Permasalahan utama yang dihadapi adalah bagaimana memilih metode yang paling efektif dan efisien dalam memberikan hasil yang akurat sesuai dengan preferensi pengguna. Untuk itu, dua metode tersebut dibandingkan berdasarkan kemampuan mereka dalam memproses data multi-kriteria dengan mempertimbangkan bobot dan utilitas masing-masing alternatif. Penelitian ini menggunakan pendekatan kuantitatif dengan mengumpulkan data dari beberapa tempat kursus komputer di wilayah tertentu dan mengaplikasikan kedua metode tersebut untuk menilai performa masing-masing tempat.Dengan demikian, hasil peringkat akhir menunjukkan konsistensi dalam memilih alternatif terbaik. alternatif Multiicom (AT5) menempati peringkat pertama pada kedua metode, dengan nilai 0,940 pada Metode MAUT dan 0,962 pada WASPAS. Kata Kunci : Metode MAUT; Metode WASPAS; SPK; Kursus Komputer Abstract–This study aims to analyze the comparison of two multi-criteria decision-making methods, namely Multi-Attribute Utility Theory (MAUT) and Weighted Aggregated Sum Product Assessment (WASPAS) in determining the best computer course training place. The background of this study is based on the need to choose a training place that is in accordance with various important criteria such as teacher quality, facilities, costs, and institutional reputation, which often cause difficulties in decision making. The main problem faced is how to choose the most effective and efficient method in providing accurate results according to user preferences. For this reason, the two methods are compared based on their ability to process multi-criteria data by considering the weight and utility of each alternative. This study uses a quantitative approach by collecting data from several computer course places in a certain area and applying both methods to assess the performance of each place. Thus, the final ranking results show consistency in choosing the best alternative. The Multiicom alternative (AT5) is ranked first in both methods, with a value of 0.940 in the MAUT Method and 0.962 in WASPAS. Keywords: MAUT Method; WASPAS Method; SPK; Computer Course 1. PENDAHULUAN Pelatihan kursus komputer telah menjadi kebutuhan penting di era digital, di mana keterampilan teknologi informasi sangat dibutuhkan dalam berbagai sektor industri. Semakin banyak lembaga pendidikan, baik formal maupun non-formal, yang menawarkan program pelatihan komputer dengan beragam fasilitas, kurikulum, dan tingkat keahlian yang berbedabeda. Program-program ini menawarkan pelatihan dalam berbagai bidang seperti pemrograman, desain grafis, administrasi jaringan, dan pengolahan data. Namun, banyaknya pilihan sering kali menimbulkan kebingungan bagi calon peserta kursus dalam menentukan tempat pelatihan yang paling sesuai dengan kebutuhan mereka. Tidak jarang, calon peserta kursus menghadapi kesulitan dalam mempertimbangkan faktor-faktor seperti kualitas pengajar, kelengkapan fasilitas, biaya pelatihan, serta reputasi lembaga. Kondisi ini menuntut adanya sebuah alat bantu yang dapat memberikan rekomendasi terbaik berdasarkan berbagai kriteria yang telah ditetapkan [1][2]. Permasalahan utama dalam memilih tempat pelatihan kursus komputer adalah banyaknya kriteria yang harus diperhitungkan secara objektif. Pengambilan keputusan secara subjektif, seperti hanya mengandalkan reputasi atau biaya yang terjangkau, sering kali tidak memberikan hasil yang optimal. Pemilihan tempat pelatihan yang kurang tepat dapat berdampak pada kualitas pembelajaran yang diperoleh peserta, bahkan mempengaruhi keberhasilan mereka di masa depan. Untuk mengatasi masalah ini, diperlukan pendekatan yang lebih sistematis dan objektif dalam pengambilan keputusan. Salah satu solusi yang dapat diterapkan adalah penggunaan Sistem Pendukung Keputusan (SPK). Dengan bantuan SPK, calon peserta dapat menentukan tempat pelatihan terbaik berdasarkan bobot kriteria yang mereka anggap penting, seperti kualitas pengajar, fasilitas, lokasi, dan biaya. Sistem Pendukung Keputusan (SPK) merupakan sistem berbasis komputer yang dirancang untuk membantu individu atau organisasi dalam proses pengambilan keputusan. SPK bekerja dengan mengumpulkan informasi terkait alternatif-alternatif yang tersedia, kemudian memproses data tersebut menggunakan metode-metode tertentu untuk menghasilkan rekomendasi yang objektif [3]. SPK sangat efektif digunakan dalam situasi di mana terdapat banyak pilihan dan kriteria yang harus dipertimbangkan. Dalam konteks pemilihan tempat kursus komputer, SPK dapat membantu calon peserta kursus dalam menilai dan membandingkan berbagai alternatif lembaga pelatihan secara sistematis, sehingga keputusan yang diambil lebih tepat dan didasarkan pada analisis yang menyeluruh. Dengan menggunakan SPK, setiap alternatif tempat pelatihan akan dievaluasi berdasarkan kriteria-kriteria yang relevan, dan alternatif terbaik akan direkomendasikan kepada pengguna [4][5]. Copyright Β© 2024 The Author, Page 41 This Journal is licensed under a Creative Commons Attribution 4.0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 Dalam penelitian ini, dua metode yang digunakan dalam SPK untuk membantu proses pengambilan keputusan adalah Multi-Attribute Utility Theory (MAUT) dan Weighted Aggregated Sum Product Assessment (WASPAS). MAUT merupakan metode yang didasarkan pada teori utilitas, di mana setiap alternatif dievaluasi berdasarkan nilai utilitasnya terhadap kriteria yang ada. Metode ini memproses bobot dari setiap kriteria, lalu menghitung nilai utilitas dari masingmasing alternatif untuk mendapatkan peringkat akhir. MAUT memiliki keunggulan dalam mempertimbangkan preferensi pengguna terhadap kriteria yang dianggap paling penting, sehingga hasil keputusan lebih sesuai dengan kebutuhan individual [6][7]. Sedangkan Metode WASPAS adalah metode gabungan yang mengkombinasikan dua pendekatan berbeda, yaitu metode penjumlahan bobot WSM (Weighted Sum Model) dan metode perkalian bobot WPM (Weighted Product Model). Pada WSM, setiap alternatif dinilai berdasarkan penjumlahan dari nilai kriteria yang diberikan bobot, sedangkan pada WPM, nilai alternatif dihitung dengan cara mengalikan bobot dari setiap kriteria. Dengan menggabungkan kedua pendekatan ini, WASPAS menawarkan fleksibilitas dalam mengakomodasi berbagai tipe kriteria, sehingga memberikan hasil yang lebih seimbang dan komprehensif. Kedua metode ini akan dibandingkan dalam penelitian untuk mengetahui mana yang lebih efektif dan efisien dalam menilai serta memilih tempat pelatihan kursus komputer terbaik [8][9][10]. Berdasarkan penelitian terdahulu yang diteliti oleh Juanda Dkk yang diteliti pada tahun 2023 yang membahas tentang penentuan bimbingan belajar terbaik dengan menggunakan metode WASPAS. Dalam penelitian tersebut menyimpulkan bahwa Untuk memilih lembaga bimbingan belajar yang paling tepat, metode WASPAS dapat membantu siswa dalam mengambil keputusan di antara berbagai opsi yang tersedia. Sebagai lembaga, bimbingan belajar terbaik harus memenuhi kriteria yang ditetapkan sebagai bahan pertimbangan. Metode ROC memungkinkan untuk memperoleh pembobotan yang lebih optimal karena kriteria disusun berdasarkan tingkat kepentingannya dari yang paling utama [6]. Selanjutnya penelitian kedua yang diteliti oleh Alpenda Dkk yang diteliti pada tahun 2022. Yang dimana penelitian tersebut membahas tentang pemilihan murid terbaik pada tempat kursus bahasa inggris dengan menerapkan metode AHP. Pada penelitian tersebut menyimpulkan bahwa Sistem yang dikembangkan menggunakan metode Analytical Hierarchy Process (AHP) untuk mempermudah pemilihan murid terbaik serta menghasilkan perhitungan otomatis berdasarkan kriteria yang diperoleh dari nilai siswa. Dalam penelitian ini, kriteria yang digunakan meliputi nilai akademis, absensi, dan perilaku [11]. Berikutnya pada penelitian yang diteliti oleh Ayu Ulfa Dkk pada tahun 2023 yang membahas tentang pemilihan tempat kursus dengan menerapkan metode SWARA dan ROC. Pada penelitian tersebut menyimpulkan bahwa Dengan mengombinasikan keunggulan metode SWARA untuk analisis bobot kriteria dan SAW untuk peringkat alternatif, pendekatan ini memberikan hasil yang lebih akurat dan transparan dalam menentukan tempat kursus yang paling sesuai dengan kebutuhan dan preferensi pengguna. Hasil peringkat menunjukkan bahwa Victoria menempati urutan pertama dengan total nilai 0,925, disusul oleh Berlian di posisi kedua dengan nilai 0,9047, Anisya di urutan ketiga dengan nilai 0,8708, dan Zalia berada di peringkat terakhir dengan nilai 0,8531 [12]. Berdasarkan penjelasan di atas, penulis berharap penelitian ini memberikan wawasan tambahan mengenai perbandingan dua metode SPK, yang dapat menjadi acuan bagi pengembangan sistem serupa di bidang lain, sehingga dapat meningkatkan efektivitas pengambilan keputusan dalam situasi yang melibatkan banyak alternatif dan kriteria. 2. METODOLOGI PENELITIAN 2.1 Tahapan Penelitian Dalam penelitian ini, terdapat beberapa tahapan yang dilakukan untuk mencapai tujuan penelitian. Tahapan-tahapan tersebut adalah sebagai berikut: a. Analisis Masalah Pada tahap ini, peneliti melakukan identifikasi dan analisis terhadap masalah utama yang menjadi fokus penelitian. Peneliti juga memeriksa penyebab masalah serta menentukan metode yang paling tepat untuk menyelesaikannya. Hal ini penting untuk memastikan bahwa penelitian dilakukan berdasarkan pemahaman yang mendalam terhadap isu yang ada. b. Pengumpulan Data Peneliti melakukan observasi lapangan untuk mendapatkan data yang relevan dengan penelitian. Observasi ini bertujuan untuk memahami proses dan prosedur pengumpulan data secara menyeluruh, sehingga informasi yang diperoleh akurat dan dapat diandalkan sebagai dasar analisis lebih lanjut. c. Studi Kepustakaan Pada tahap ini, peneliti mencari dan mempelajari berbagai referensi dan literatur yang relevan dengan topik penelitian. Studi pustaka ini bertujuan untuk mendapatkan landasan teoritis yang kuat serta mendukung validitas metode dan pendekatan yang digunakan dalam penelitian. d. Penerapan Metode Peneliti kemudian menerapkan metode Multi-Attribute Utility Theory (MAUT) dan Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). Penerapan metode ini bertujuan untuk mengevaluasi data yang telah dikumpulkan dan melakukan analisis untuk memperoleh hasil yang sesuai dengan tujuan penelitian. e. Kesimpulan Copyright Β© 2024 The Author, Page 42 This Journal is licensed under a Creative Commons Attribution 4.0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 Pada tahap akhir, peneliti menyusun kesimpulan berdasarkan hasil analisis yang telah dilakukan. Kesimpulan ini akan memaparkan temuan utama penelitian serta memberikan rekomendasi atau solusi atas masalah yang diidentifikasi di awal penelitian. Dari Tahapan-tahapan diatas dapat digambarkan pada bagan berikut ini: Mulai Analisis Masalah Proses Data Penerapan 2 Metode Studi Pustaka Kesimpulan Selesai Gambar 1. Kerangka Kerja Penelitian 2.2 Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) adalah sebuah sistem berbasis komputer yang dirancang untuk membantu proses pengambilan keputusan dengan menyediakan informasi, model analisis, atau alat bantu yang relevan. SPK mengumpulkan dan mengolah data dari berbagai sumber, kemudian memprosesnya menggunakan algoritma atau metode tertentu untuk menghasilkan rekomendasi yang objektif dan terstruktur [13]. Sistem ini biasanya digunakan dalam situasi yang melibatkan banyak pilihan atau kriteria, di mana keputusan yang diambil membutuhkan analisis yang kompleks dan sistematis. Tujuannya adalah untuk meningkatkan kualitas keputusan dengan mengurangi subjektivitas dan mempercepat proses pengambilan keputusan [14]. 2.3 Metode MAUT Metode MAUT merupakan salah satu pendekatan yang diterapkan dalam Sistem Pendukung Keputusan (SPK) untuk membantu pengambil keputusan dalam menangani situasi yang rumit dengan memperhitungkan sejumlah kriteria atau atribut yang relevan. Metode ini berasumsi bahwa pengambil keputusan memiliki preferensi yang jelas terhadap berbagai atribut yang dipertimbangkan [15][16][17]. MAUT berupaya untuk mengevaluasi preferensi tersebut melalui proses penilaian dan analisis yang terstruktur. Berikut adalah langkah-langkah dalam melakukan perhitungan menggunakan metode MAUT : a. Pembentukan matriks keputusan xij π‘₯11 π‘₯12 … π‘₯1𝑛 π‘₯21 π‘₯22 … π‘₯2𝑛 π‘₯𝑖𝑗 = [ … (1) … … … ] π‘₯π‘š1 π‘₯π‘š2 … π‘₯π‘šπ‘› b. Normalisasi matriks keputusan xij π‘₯𝑖𝑗 βˆ’min(π‘₯𝑖𝑗 ) π‘Ÿπ‘–π‘—βˆ— = π‘šπ‘Žπ‘₯(π‘₯ )βˆ’min(π‘₯ ) (Benefit) 𝑖𝑗 π‘Ÿπ‘–π‘—βˆ— = 1 + ( 𝑖𝑗 min(π‘₯𝑖𝑗 ) π‘šπ‘Žπ‘₯(π‘₯𝑖𝑗 )βˆ’min(π‘₯𝑖𝑗 ) ) (Cost) (2) (3) c. Mencari nilai utilitas marjinal βˆ— (π‘Ÿ )2 𝑒π‘₯𝑝 𝑖𝑗 βˆ’1 𝑒𝑖𝑗 = 1.71 d. Mencari nilai utilitas Akhir 𝑒𝑖 = βˆ‘π‘›π‘—=1 𝑒𝑖𝑗 . 𝑀𝑗 (4) (5) 2.4 Metode WASPAS Metode WASPAS (Weighted Aggregated Sum Product Assessment) adalah pendekatan pengambilan keputusan multikriteria yang mengintegrasikan penjumlahan tertimbang (Weighted Sum Model) dan perkalian tertimbang (Weighted Product Model) untuk mengevaluasi dan memilih alternatif terbaik berdasarkan kriteria yang telah ditentukan, dengan mempertimbangkan bobot masing-masing kriteria guna menghasilkan keputusan yang lebih akurat dan stabil [18][19]. Berikut proses penyelesaian metode WASPAS : a. Matriks Keputusan 𝑋𝑖𝑗 𝑋11 𝑋12 β‹― 𝑋1𝑛 𝑋 𝑋22 β‹― 𝑋2𝑛 ] 𝑋𝑖𝑗 = [ 21 (6) β‹― β‹― … … π‘‹π‘š1 π‘‹π‘š2 β‹― π‘‹π‘šπ‘› Copyright Β© 2024 The Author, Page 43 This Journal is licensed under a Creative Commons Attribution 4.0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 b. Normalisasi terhadap matrik𝑋𝑖𝑗 Rumus Untuk kriteria yang termasuk Benefit π‘₯𝑖𝑗 R ij = π‘šπ‘Žπ‘‹ π‘₯ (7) Rumus Untuk kriteria yang termasuk Cost π‘šπ‘Žπ‘‹π‘–π‘—βˆ’ 𝑋𝑖𝑗 R ij = π‘₯ (8) π‘–βˆ’ 𝑖𝑗 𝑖𝑗 c. Mencari nilai Qi 𝑄𝑖 = 0.5 βˆ‘π‘›π‘—=1 rij 𝑀𝑗 + 0.5 βˆπ‘›π‘—=1(rij )𝑀𝑗 (9) Berdasarkan rumus diatas simbol Qi merupakan Nilai dari Q ke i. Selanjutnya keterangan untuk simbol π‘₯𝑖𝑗 𝑀 = Perkalian nilai π‘₯𝑖𝑗 dengan bobot (w). Sedangkan nilai 0.5merupakan Ketetapan Alternatif yang terbaik merupakan alternatif yang memiliki nilai Qi tertinggi [20]. 3. HASIL DAN PEMBAHASAN Dalam penelitian ini, dilakukan analisis komparatif antara Metode MAUT dan Metode TOPSIS untuk pemilihan tempat Kursus Komputer terbaik. Data yang berkaitan dengan kriteria yang relevan dikumpulkan dan dianalisis. Kemudian, pembobotan ROC digunakan untuk menentukan bobot relatif masing-masing kriteria dalam kedua metode. Setelahnya, keputusan diambil dengan menerapkan Metode MAUT dan Metode WASPAS pada data yang tersedia. 3.1 Penentuan Alternatif Pemilihan alternatif terbaik dalam sistem pendukung keputusan (SPK) didasarkan pada evaluasi dan peringkat relatif setiap opsi. Hasil evaluasi ini memandu pengambil keputusan untuk memilih opsi yang paling sesuai dengan tujuan, preferensi, atau kriteria yang telah ditentukan. Dalam hal ini, alternatif yang dipertimbangkan melibatkan enam calon kepala desa. Tabel 1. Alternatif Kode AT1 AT2 AT3 AT4 AT5 AT6 AT7 AT8 AT9 AT10 Nama Alternatif Rayni Compuer Anur Computer Nasya Compuer Course Net Multiicom Inticom Binu Center Nusa IT Itcom Almatra Computer 3.2 Penentuan Kriteria Pemilihan kriteria yang tepat dan relevan sangat krusial dalam sistem pendukung keputusan (SPK), karena dapat mempengaruhi hasil akhir serta kesimpulan dari proses pengambilan keputusan. Kriteria yang efektif harus mencakup faktor-faktor paling penting atau esensial dalam konteks masalah yang dihadapi dan sejalan dengan tujuan yang hendak dicapai. Tabel 2. Kriteria Pemilihan Kode C_1 C_2 C_3 C_4 Nama Kriteria Akreditasi Jadwal dan Fleksibilitas Pengalaman Instruktur Peluang Magang dan Kerja Jenis Benefit Benefit Benefit Benefit Setelah kriteria ditetapkan, langkah selanjutnya adalah menentukan nilai bobot kepentingan untuk masing-masing atribut kriteria. Nilai bobot ini dapat dilihat pada Tabel 3 berikut: Tabel 3. Bobot kepentingan Kriteria 1 Akreditasi A B C Skala Bobot 3 2 1 Copyright Β© 2024 The Author, Page 44 This Journal is licensed under a Creative Commons Attribution 4.0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 Tabel 4. Bobot kepentingan Kriteria 2 Jadwal dan Fleksibilitas Memiliki pilihan Waktu Kelas Offline & online Hanya pilihan Kelas Ofline Skala Bobot 2 1 Tabel 5. Bobot kepentingan Kriteria 4 Peluang Magang dan Kerja Memiliki Jaminan Peluang Tempat Kerja setelah Lulus Tidak Memiliki Jaminan Skala Bobot 2 1 Selanjutnya, pada Tabel 6 dilakukan penentuan bobot preferensi untuk setiap kriteria. Bobot preferensi ini diperoleh melalui perhitungan menggunakan metode ROC, yang memastikan setiap kriteria memiliki bobot yang sesuai dengan tingkat kepentingannya. Proses ini bertujuan untuk meningkatkan akurasi dalam pengambilan keputusan, sehingga hasil yang diperoleh lebih objektif dan relevan dengan konteks permasalahan. Tabel 6. Bobot preferensi Kode C_1 C_2 C_3 C_4 Kriteria Akreditasi Jadwal dan Fleksibilitas Pengalaman Instruktur Peluang Magang dan Kerja Jenis Benefit Benefit Benefit Benefit Bobot 0,520 0,270 0,145 0,062 Selanjutnya, data alternatif dan kriteria yang telah ditetapkan dapat dilihat pada Tabel 7 di bawah ini. Tabel tersebut menyajikan informasi yang relevan sebagai dasar untuk proses analisis dan pengambilan keputusan." Tabel 7. Data Alternatif dan Kriteria Kode AT1 C_1 A AT4 Alternatif Rayni Compuer Anur Computer Nasya Compuer Course Net AT5 Multiicom A AT6 Inticom A AT7 Binu Center B AT8 Nusa IT A AT9 Itcom B AT10 Almatra Computer A AT2 AT3 B B B C_2 Memiliki pilihan Waktu Kelas Offline & online Hanya pilihan Kelas Ofline Memiliki pilihan Waktu Kelas Offline & online Hanya pilihan Kelas Ofline Memiliki pilihan Waktu Kelas Offline & online Hanya pilihan Kelas Ofline Memiliki pilihan Waktu Kelas Offline & online Hanya pilihan Kelas Ofline Memiliki pilihan Waktu Kelas Offline & online Hanya pilihan Kelas Ofline C_3 5 Tahun 6 Tahun 4 Tahun 7 tahun 7 tahun 6 tahun 5 Tahun 5 Tahun 6 Tahun 6 Tahun C_4 Memiliki Jaminan Peluang Tempat Kerja setelah Lulus Memiliki Jaminan Peluang Tempat Kerja setelah Lulus Memiliki Jaminan Peluang Tempat Kerja setelah Lulus Tidak Memiliki Jaminan Tidak Memiliki Jaminan Memiliki Jaminan Peluang Tempat Kerja setelah Lulus Tidak Memiliki Jaminan Memiliki Jaminan Peluang Tempat Kerja setelah Lulus Memiliki Jaminan Peluang Tempat Kerja setelah Lulus Tidak Memiliki Jaminan Setelah data alternatif dan kriteria ditentukan sesuai dengan tabel 5, maka berikutnya pada tabel 6 menentukan data rating kecocokan : Tabel 8. Data Rating Kecocokan Kode AT1 AT2 AT3 AT4 AT5 AT6 AT7 AT8 AT9 Nama Alternatif Rayni Compuer Anur Computer Nasya Compuer Course Net Multiicom Inticom Binu Center Nusa IT Itcom C_1 3 2 2 2 3 3 2 3 2 C_2 2 1 2 1 2 1 2 1 2 C_3 5 6 4 7 7 6 5 5 6 C_4 2 2 2 1 1 2 1 2 2 Copyright Β© 2024 The Author, Page 45 This Journal is licensed under a Creative Commons Attribution 4.0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 Kode AT10 Nama Alternatif Almatra Computer C_1 3 C_2 1 C_3 6 C_4 1 3.3 Penerapan Metode MAUT Pada tahapan penerapan metode MAUT akan dilakukan perhitungan berdasarkan metode tersebut. Perhitungan metode MAUT tersebut berdasarkan data Alternatif dan Kriteria yang telah ditetapkan sebelumnya. Adapun langkah-langkah perhitungannya dapat dilihat sebagai berikut : a. Bentuk Matrik Keputusan 3 2 5 2 2 1 6 2 2 2 4 2 2 1 7 1 3 2 7 1 𝑋𝑖𝑗 = 3 1 6 2 2 2 5 1 3 1 5 2 2 2 6 2 [3 1 6 1] b. Melakukan Normalisasi Langkah Normalisasi Kriteria 1 π‘Ÿβˆ—11 = π‘Ÿβˆ—21 = π‘Ÿβˆ—31 = 3βˆ’2 3βˆ’2 2βˆ’2 3βˆ’2 2βˆ’2 = 1,000 = 0,000 = 0,000 3βˆ’2 2βˆ’2 βˆ— π‘Ÿ41 = = 0,000 3βˆ’2 3βˆ’2 βˆ— π‘Ÿ51 = = 1,000 3βˆ’2 3βˆ’2 π‘Ÿβˆ—61 = = 1,000 3βˆ’2 2βˆ’2 π‘Ÿβˆ—71 = = 0,000 3βˆ’2 3βˆ’2 π‘Ÿβˆ—81 = = 1,000 3βˆ’2 2βˆ’2 π‘Ÿβˆ—91 = = 0,000 3βˆ’2 3βˆ’2 π‘Ÿβˆ—101 = = 1,000 3βˆ’2 "Selanjutnya, lakukan perhitungan C_2, C_3 , dan C_4 dengan mengikuti langkah-langkah yang telah diterapkan pada C_1. Pastikan setiap tahap perhitungan dilakukan dengan cermat dan sesuai prosedur yang telah ditentukan. Setelah seluruh perhitungan selesai dilakukan, data matriks yang dihasilkan dapat digunakan untuk analisis lebih lanjut, sehingga memberikan gambaran yang lebih lengkap mengenai hasil perhitungan keseluruhan." Tabel 9. Matrik Hasil perhitungan Normalisasi Alternatif AT1 AT2 AT3 AT4 AT5 AT6 AT7 AT8 AT9 AT10 C1 1,000 0,000 0,000 0,000 1,000 1,000 0,000 1,000 0,000 1,000 C2 1,000 0,000 1,000 0,000 1,000 0,000 1,000 0,000 1,000 0,000 C3 0,333 0,667 0,000 1,000 1,000 0,667 0,333 0,333 0,667 0,667 C4 1,000 1,000 1,000 0,000 0,000 1,000 0,000 1,000 1,000 0,000 c. Mencari Nilai Marginal Utilitas (Uij) Marginal Utilitas Kriteria 1 2 U11 = 𝑒(1,000) βˆ’1 1.71 (0.000)2 U21 = 𝑒 1.71 βˆ’1 = 1,005 = 0,000 Copyright Β© 2024 The Author, Page 46 This Journal is licensed under a Creative Commons Attribution 4.0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 2 U31 = 𝑒(0,000) βˆ’1 1.71 (0,000)2 U41 = 𝑒 (1,000)2 U51 = 𝑒 𝑒 𝑒 𝑒 βˆ’1 1.71 (0,000)2 U91 = βˆ’1 1.71 (1,000)2 U81 = βˆ’1 1.71 (0,000)2 U71 = βˆ’1 1.71 (1,000)2 U61 = βˆ’1 1.71 𝑒 U101 = βˆ’1 1.71 𝑒 (1,000)2 1.71 = 0,000 = 0,000 = 1,005 = 1.005 = 0.000 = 1.005 = 0.000 βˆ’1 = 1.005 Selanjutnya, dalam perhitungan C_2, C_3, dan C_4, langkah-langkahnya disesuaikan dengan perhitungan yang telah dilakukan pada C1. Setelah proses perhitungan selesai, diperoleh data matriks yang dihasilkan dari keseluruhan perhitungan tersebut, yang kemudian dapat digunakan untuk analisis lebih lanjut." Tabel 10. Hasil Uij cAlternatif AT1 AT2 AT3 AT4 AT5 AT6 AT7 AT8 AT9 AT10 C1 1,005 0,000 0,000 0,000 1,005 1,005 0,000 1,005 0,000 1,005 C2 1,005 0,000 1,005 0,000 1,005 0,000 1,005 0,000 1,005 0,000 C3 0,069 0,327 0,000 1,005 1,005 0,327 0,069 0,069 0,327 0,327 C4 1,005 1,005 1,005 0,000 0,000 1,005 0,000 1,005 1,005 0,000 d. Menentukan Nilai Utilitas Akhir (Ui) U1 = (1,005 βˆ— 0,520) + ( 1,005 βˆ— 0,270) + (0,069 βˆ— 0,145) + (1,005 βˆ— 0,062) = 0,533 U2 = (0,000 βˆ— 0,520) + ( 0,000 βˆ— 0,270) + (0,327 βˆ— 0,145) + (1,005 βˆ— 0,062) = 0,557 U3 = (0,000 βˆ— 0,520) + ( 1,005 βˆ— 0,270) + (0,000 βˆ— 0,145) + (1,005 βˆ— 0,062) = 0,828 U4 = (0,000 βˆ— 0,520) + ( 0,000 βˆ— 0,270) + (1,005 βˆ— 0,145) + (0,000 βˆ— 0,062) = 0,950 U5 = (1,005 βˆ— 0,520) + ( 1,005 βˆ— 0,270) + (1,005 βˆ— 0,145) + (0,000 βˆ— 0,062) = 0,585 U6 = (1,005 βˆ— 0,520) + ( 0,000 βˆ— 0,270) + (0,327 βˆ— 0,145) + (1,005 βˆ— 0,062) = 0,146 U6 = (0,000 βˆ— 0,520) + ( 1,005 βˆ— 0,270) + (0,069 βˆ— 0,145) + (0,000 βˆ— 0,062) = 0,146 U6 = (1,005 βˆ— 0,520) + ( 0,000 βˆ— 0,270) + (0,069 βˆ— 0,145) + (1,005 βˆ— 0,062) = 0,146 U6 = (0,000 βˆ— 0,520) + ( 1,005 βˆ— 0,270) + (0,327 βˆ— 0,145) + (1,005 βˆ— 0,062) = 0,146 U6 = (1,005 βˆ— 0,520) + ( 0,000 βˆ— 0,270) + (0,327 βˆ— 0,145) + (0,000 βˆ— 0,062) = 0,146 Berdasarkan perhitungan yang telah dilakukan, maka di dapatkan hasil sebagai berikut : Tabel 11. Hasil Kode AT1 AT2 AT3 AT4 AT5 AT6 AT7 AT8 AT9 AT10 Alternatif Rayni Computer Anur Computer Nasya Compuer Course Net Multiicom Inticom Binu Center Nusa IT Itcom Almatra Computer Peringkat 2 10 7 9 1 3 8 4 6 5 Nilai 0,866 0,110 0,334 0,146 0,940 0,632 0,281 0,595 0,381 0,570 Copyright Β© 2024 The Author, Page 47 This Journal is licensed under a Creative Commons Attribution 4.0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 3.4 Penerapan Metode WASPAS Metode Weighted Aggregated Sum Product Assessment (WASPAS) merupakan salah satu teknik dalam Sistem Pendukung Keputusan (SPK) yang berfungsi untuk membantu dalam proses pengambilan keputusan yang rumit. Metode ini dirancang khusus untuk situasi di mana beberapa alternatif perlu dievaluasi berdasarkan berbagai kriteria yang ada. WASPAS memungkinkan evaluasi dan peringkat alternatif dengan mempertimbangkan bobot yang diberikan pada setiap kriteria. Metode ini menjadi alat yang efektif dalam pengambilan keputusan kompleks, terutama ketika banyak alternatif dan kriteria yang harus dianalisis. Dengan penentuan bobot yang tepat dan evaluasi yang cermat, metode ini dapat membantu individu atau organisasi membuat keputusan yang lebih baik dan terinformasi. Langkah-langkah perhitungan metode ini dapat dijelaskan sebagai berikut : Tahap 1: Bentuk Matrik Keputusan 3 2 5 2 2 1 6 2 2 2 4 2 2 1 7 1 3 2 7 1 𝑋𝑖𝑗 = 3 1 6 2 2 2 5 1 3 1 5 2 2 2 6 2 [3 1 6 1] Tahap 2: Melakukan normalisasi Matrik Xij Untuk melakukan normalisasi matriks keputusan dengan menggunakan persamaan 2, karena seluruh kriteria yang digunakan bersifat benefit, setiap elemen dalam matriks akan dibagi dengan nilai maksimum pada kolom yang bersesuaian. Normalisasi ini bertujuan untuk mengubah nilai-nilai dari masing-masing alternatif menjadi skala yang seragam, sehingga memudahkan dalam proses perbandingan dan evaluasi. Normalisasi dengan asumsi kriteria benefit ini memastikan bahwa semakin tinggi nilai suatu alternatif pada kriteria tertentu, semakin baik alternatif tersebut dalam hal kriteria tersebut. Kriteria 1 (C_1) 3 R11 = 3 = 1,000 2 R 21 = 3 = 0,667 2 R 31 = 3 = 0,667 2 R 41 = 3 = 0,667 3 R 51 = 3 = 1,000 3 R 61 = 3 = 1,000 2 R 71 = 3 = 0,667 3 R 81 = 3 = 1,000 R 91 = 2 = 0,667 3 3 R101 = 3 = 1,000 Kriteria 2 (C_2) 2 R12 = 2 = 1,000 1 R 22 = 2 = 0,500 2 R 32 = 2 = 1,000 1 R 42 = 2 = 0,500 2 R 52 = 2 = 1,000 1 R 62 = 2 = 0,500 2 R 72 = 2 = 1,000 R 82 = R 92 = 1 2 2 = 0,500 = 1,000 2 1 R102 = 2 = 0,500 Selanjutnya Lakukan Langkah perhitungan C_3 dan C_4 mengikuti Langkah C_1 dan C_2. Setelah dilakukan perhitungan tersebut, maka di dapatkan hasil sebagai berikut : Copyright Β© 2024 The Author, Page 48 This Journal is licensed under a Creative Commons Attribution 4.0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 Tabel 12. Data Nilai Matriks yang ternormalisasi Alternatif Rayni Computer Anur Computer Nasya Compuer Course Net Multiicom Inticom Binu Center Nusa IT Itcom Almatra Computer C1 1,000 0,667 0,667 0,667 1,000 1,000 0,667 1,000 0,667 1,000 C2 1,000 0,500 1,000 0,500 1,000 0,500 1,000 0,500 1,000 0,500 C3 0,714 0,857 0,571 1,000 1,000 0,857 0,714 0,714 0,857 0,857 C4 1,000 1,000 1,000 0,500 0,500 1,000 0,500 1,000 1,000 0,500 Tahap 3: Melakukan Perhitungan Qi Q1 = 0,5 βˆ‘((1,000 βˆ— 0,520) + (1,000 βˆ— 0,270) + (0,714 βˆ— 0,145) + (1,000 βˆ— 0,062)) + 0.5 ∏((1,0000,520 ) βˆ— (1,0000.270 ) βˆ— (0,7140.145 ) βˆ— (1,0000.062 )) = 0.5 βˆ‘(0,956) + 0.5 ∏(0,952) = 0,954 Q 2 = 0,5 βˆ‘((0,667 βˆ— 0,520) + (0,500 βˆ— 0,270) + (0,857 βˆ— 0,145) + (1,000 βˆ— 0,062)) + 0.5 ∏((0,6670,520 ) βˆ— (0,5000.270 ) βˆ— (0,8570.145 ) βˆ— (1,0000.062 )) = 0.5 βˆ‘(0,668) + 0.5 ∏(0,657) = 0,662 Q 3 = 0,5 βˆ‘((0,667 βˆ— 0,520) + (1,000 βˆ— 0,270) + (0,571 βˆ— 0,145) + (1,000 βˆ— 0,062)) + 0.5 ∏((0,6670,520 ) βˆ— (1,0000.270 ) βˆ— (0,5710.145 ) βˆ— (1,0000.062 )) = 0.5 βˆ‘(0,762) + 0.5 ∏(0,747) = 0,754 Q 4 = 0,5 βˆ‘((0,667 βˆ— 0,520) + (0,500 βˆ— 0,270) + (1,000 βˆ— 0,145) + (0,500 βˆ— 0,062)) + 0.5 ∏((0,6670,520 ) βˆ— (0,5000.270 ) βˆ— (1,0000.145 ) βˆ— (0,5000.062 )) = 0.5 βˆ‘(0,658) + 0.5 ∏(0,643) = 0,651 Q 5 = 0,5 βˆ‘((1,000 βˆ— 0,520) + (1,000 βˆ— 0,270) + (1,000 βˆ— 0,145) + (0,500 βˆ— 0,062)) + 0.5 ∏((1,0000,520 ) βˆ— (1,0000.270 ) βˆ— (1,0000.145 ) βˆ— (0,5000.062 )) = 0.5 βˆ‘(0,966) + 0.5 ∏(0,958) = 0,962 Q 6 = 0,5 βˆ‘((1,000 βˆ— 0,520) + (0,500 βˆ— 0,270) + (0,857 βˆ— 0,145) + (1,000 βˆ— 0,062)) + 0.5 ∏((1,0000,520 ) βˆ— (0,5000.270 ) βˆ— (0,8570.145 ) βˆ— (1,0000.062 )) = 0.5 βˆ‘(0,841) + 0.5 ∏(0,811) = 0,826 Q 7 = 0,5 βˆ‘((0,667 βˆ— 0,520) + (1,000 βˆ— 0,270) + (0,714 βˆ— 0,145) + (0,500 βˆ— 0,062)) + 0.5 ∏((0,6670,520 ) βˆ— (1,0000.270 ) βˆ— (0,7140.145 ) βˆ— (0,5000.062 )) = 0.5 βˆ‘(0,751) + 0.5 ∏(0,739) = 0,745 Q 8 = 0,5 βˆ‘((1,000 βˆ— 0,520) + (0,500 βˆ— 0,270) + (0,714 βˆ— 0,145) + (1,000 βˆ— 0,062)) + 0.5 ∏((1,0000,520 ) βˆ— (0,5000.270 ) βˆ— (0,7140.145 ) βˆ— (1,0000.062 )) = 0.5 βˆ‘(0,821) + 0.5 ∏(0,790) = 0,805 Q 9 = 0,5 βˆ‘((0,667 βˆ— 0,520) + (1,000 βˆ— 0,270) + (0,857 βˆ— 0,145) + (1,000 βˆ— 0,062)) + 0.5 ∏((0,6670,520 ) βˆ— (1,0000.270 ) βˆ— (0,8570.145 ) βˆ— (1,0000.062 )) = 0.5 βˆ‘(0,803) + 0.5 ∏(0,792) = 0,797 Q10 = 0,5 βˆ‘((1,000 βˆ— 0,520) + (0,500 βˆ— 0,270) + (0,857 βˆ— 0,145) + (0,500 βˆ— 0,062)) + 0.5 ∏((1,0000,520 ) βˆ— (0,5000.270 ) βˆ— (0,8570.145 ) βˆ— (0,5000.062 )) = 0.5 βˆ‘(0,810) + 0.5 ∏(0,792) = 0,794 Berdasarkan perhitungan yang telah dilakukan, maka di dapatkan hasil sebagai berikut : Copyright Β© 2024 The Author, Page 49 This Journal is licensed under a Creative Commons Attribution 4.0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 Tabel 13. Hasil Kode AT1 AT2 AT3 AT4 AT5 AT6 AT7 AT8 AT9 AT10 Alternatif Rayni Computer Anur Computer Nasya Compuer Course Net Multiicom Inticom Binu Center Nusa IT Itcom Almatra Computer Peringkat 2 9 7 10 1 3 8 4 5 6 Nilai 0,954 0,662 0,754 0,651 0,962 0,826 0,745 0,805 0,797 0,794 3.5 Analisa Perbandingan Metode TOPSIS dan WASPAS Berikut adalah tabel perbandingan hasil penilaian dan peringkat alternatif berdasarkan metode MAUT dan WASPAS. Tabel ini menunjukkan peringkat masing-masing alternatif berdasarkan nilai yang diperoleh dari kedua metode tersebut. Setiap alternatif memiliki nilai dan peringkat berbeda pada kedua metode, di mana perbedaan ini mencerminkan pendekatan yang berbeda dari metode MAUT dan WASPAS dalam menilai alternatif : Tabel 14. Perbandingan Hasil Metode MAUT dan WASPAS Kode Alternatif AT1 AT2 AT3 AT4 AT5 AT6 AT7 AT8 AT9 AT10 Nama Alternatif Rayni Computer Anur Computer Nasya Compuer Course Net Multiicom Inticom Binu Center Nusa IT Itcom Almatra Computer Nilai MAUT 0,866 0,110 0,334 0,146 0,940 0,632 0,281 0,595 0,381 0,570 Rank MAUT 2 10 7 9 1 3 8 4 6 5 Nilai WASPAS 0,954 0,662 0,754 0,651 0,962 0,826 0,745 0,805 0,797 0,794 Rank WASPAS 2 9 7 10 1 3 8 4 5 6 Tabel ini memperlihatkan bagaimana setiap alternatif dinilai dan diberi peringkat berdasarkan metode MAUT dan WASPAS, dengan peringkat tertinggi menunjukkan alternatif terbaik sesuai dengan masing-masing metode. 4. KESIMPULAN Berdasarkan analisis perbandingan antara metode MAUT dan WASPAS, dapat disimpulkan bahwa kedua metode ini sama-sama efektif dalam mendukung proses pengambilan keputusan multi-kriteria, terutama dalam pemilihan Pelatihan Kursus terbaik. Meskipun keduanya memiliki pendekatan yang berbeda, hasil peringkat akhir menunjukkan konsistensi dalam memilih alternatif terbaik. alternatif Multiicom (AT5) menempati peringkat pertama pada kedua metode, dengan nilai 0,940 pada Metode MAUT dan 0,962 pada WASPAS. Perbedaan penilaian pada beberapa alternatif lainnya, seperti Anur Computer (AT2) dan Course Net (AT4), menunjukkan bahwa setiap metode memiliki sensitivitas yang berbeda terhadap kriteria yang digunakan. Oleh karena itu, baik MAUT maupun WASPAS dapat digunakan secara komplementer untuk menghasilkan keputusan yang lebih obyektif dan terukur, tergantung pada kebutuhan dan prioritas dalam proses pengambilan keputusan. REFERENCES [1] [2] [3] [4] [5] [6] R. Dewi, β€œSistem Pendukung Keputusan Pemilihan Lembaga Bimbingan Belajar Bagi Calon Peserta SBMPTN Menggunakan Metode Promethee II,” J. Semin. Nas. Teknol. Komput. dan Sains, pp. 539–551, 2019, [Online]. Available: https://prosiding.seminar-id.com/index.php/sainteks/article/view/198/193. J. H. Lubis and F. N. Hakim, β€œPenerapan Metode WASPAS (Weighted Aggregated Sum Product) dan ROC (Rank Oder Centroid) Dalam Penentuan Bimbingan Belajar Terbaik,” KLIK Kaji. Ilm. Inform. dan Komput. , vol. 3, no. 6, pp. 1031–1039, 2023, doi: 10.30865/klik.v3i6.945. N. Hadinata, β€œImplementasi Metode Multi Attribute Utility Theory (MAUT) Pada Sistem Pendukung Keputusan dalam Menentukan Penerima Kredit,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 7, no. 2, pp. 87–92, 2018, doi: 10.32736/sisfokom.v7i2.562. D. Maharani and A. Nata, β€œPerbandingan Metode Mfep Dan Maut Dalam Seleksi Calon Peserta Olimpiade Sains Nasional (OSN),” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 6, no. 3, pp. 247–252, 2020. N. D. Puspa, M. Mesran, and A. F. Siregar, β€œPenerapan Metode Maut Dengan Pembobotan Entropy Dalam Sistem Pendukung Keputusan Penilaian Kinerja Guru Honor,” J. Inf. Syst. Res., vol. 5, no. 1, pp. 24–33, 2023. J. H. Lubis, S. Esabella, M. Mesran, D. Desyanti, and D. M. Simanjuntak, β€œPenerapan Metode Multi Attribute Utility Theory Copyright Β© 2024 The Author, Page 50 This Journal is licensed under a Creative Commons Attribution 4.0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Online) Vol 5, No 1, Desember 2024 | Hal 41-51 https://hostjournals.com/bulletincsr DOI: 10.47065/bulletincsr.v5i1.379 (MAUT) Dalam Pemilihan Karyawan yang di Non-Aktifkan di Masa Pandemi,” J. Media Inform. Budidarma, vol. 6, no. 2, p. 969, 2022, doi: 10.30865/mib.v6i2.3909. [7] I. R. Munthe, B. H. Rambe, R. Pane, D. Irmayani, and M. Nasution, β€œSistem Pendukung Keputusan Pemilihan Pimpinan Dengan Metode Multi Attribute Utility Theory (MAUT) di PT. Sagami Indonesia,” J. Mantik, vol. 3, no. January, pp. 31–38, 2019. [8] J. Hutagalung, A. F. Boy, and D. Nofriansyah, β€œPemilihan Komandan Komando Distrik Militer Menggunakan Metode WASPAS,” J. Comput. Syst. Informatics, vol. 3, no. 4, pp. 420–429, 2022. [9] S. Barus, V. M. Sitorus, D. Napitupulu, M. Mesran, and S. Supiyandi, β€œSistem Pendukung Keputusan Pengangkatan Guru Tetap Menerapkan Metode Weight Aggregated Sum Product Assesment (WASPAS),” J. Media Inform. Budidarma, vol. 2, no. 2, 2018. [10] M. Salim, β€œSistem Pendukung Keputusan Penerimaan Calon Guru Honor di SMK Gotong Royong Gorontalo Menggunakan Metode Topsis,” J. Inform. Upgris, vol. 4, no. 1, 2018. [11] A. Yuda Utama and Y. Yulmaini, β€œSistem Pendukung Keputusan Pemilihan Murid Terbaik Pada Tempat Kursus Bahasa Inggris Mr. Bob Menggunakan Metode AHP,” Semin. Nas. Has. Penelit. dan Pengabdi. Masy., pp. 184–197, 2022. [12] A. Ulfa and Romindo, β€œSistem Pendukung Keputusan Untuk Memilih Tempat Kursus Bahasa Inggris Dikota Medan Dengan Penerapan Metode Analitycal Hierarchy Process ( AHP ),” Ris. dan E-Jurnal Manaj. Inform. Komput., vol. 1, no. 2, pp. 7–13, 2017. [13] S. Sunardi, R. Umar, and D. S. Nasution, β€œAnalisis Penilaian Kinerja Karyawan Menggunakan Metode WASPAS,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 3, pp. 697–704, 2022. [14] R. Y. Simanullang and M. Mesran, β€œPenerapan Metode Multi-Objective Optimization on the Basis of Ratio Analysis (MOORA) dengan Pembobotan Rank Order Centroid (ROC) Dalam Sistem Pendukung Keputusan Pemilihan Guru Terbaik,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 3, no. 5, pp. 466–475, 2023. [15] R. N. Sari and R. S. Hayati, β€œPenerapan Metode Multi Attribute Utility Theory (MAUT) Dalam Pemilihan Rumah Kost,” JSAKTI (Jurnal Sains Komput. dan Inform., vol. 3, no. 2, p. 243, 2019, doi: 10.30645/j-sakti.v3i2.144. [16] A. Halawa, A. M. R. Zega, E. F. Telaumbanua, and M. Syahrizal, β€œSistem Pendukung Keputusan Rekomendasi Aplikasi Editing Foto Dengan Menerapkan Metode MAUT Dan Pembobotan ROC,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 6, no. 1, pp. 783–790, 2023. [17] I. I. Ramadani, P. Pristiwanto, and Y. Hasan, β€œKombinasi Metode ROC dan Metode MAUT dalam Pemilihan Guru pada Madrasah Ibtidaiyah,” Bull. Data Sci., vol. 2, no. 1, pp. 1–7, 2022. [18] S. Hanum, M. Syaifuddin, and S. Yakub, β€œSistem Pendukung Keputusan Menentukan Sales Marketing Terbaik di Tangin Ponsel Menggunakan Metode Weighted Aggregated Sum Product Assesment …,” J. Cyber Tech, vol. 3, no. 9, pp. 1485–1492, 2020, [19] N. K. Daulay, β€œPenerapan Metode Waspas Untuk Efektifitas Pengambilan Keputusan Pemutusan Hubungan Kerja,” J. Sist. Komput. dan Inform., vol. 2, no. 2, pp. 196–201, 2021, doi: 10.30865/json.v2i2.2773. [20] S. Damanik and D. P. Utomo, β€œImplementasi Metode ROC (Rank Order Centroid) Dan Waspas Dalam Sistem Pendukung Keputusan Pemilihan Kerjasama Vendor,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 4, no. 1, 2020. Copyright Β© 2024 The Author, Page 51 This Journal is licensed under a Creative Commons Attribution 4.0 International License