Abstract:Abstract: The advancement of information technology and knowledge has facilitated the production of quality information. The use of information technology has penetrated all fields, especially in the teaching domain at higher…
igher education institutions, aiding in valuable decision-making processes. This research focuses on STMIK Royal Kisaran, which faces challenges in increasing the number of doctoral-educated lecturers. To address this limitation, the study explores the implementation of a Decision Support System (DSS) using the Profile Matching method. Lecturers in higher education play a crucial role in providing education, conducting research, and contributing to society. In an effort to enhance the qualifications of lecturers, this research designs a Decision Support System using the Profile Matching method. The aim of this research is to provide recommendations for prospective lecturer candidates to pursue a Doctoral degree based on criteria factors such as length of service, functional position, research score, dedication score, age, and recognition score. Data from 46 lecturers at STMIK Royal Kisaran who meet the criteria are used to test the validity and effectiveness of the Decision Support System (DSS). Through structured analysis, it is demonstrated that the Decision Support System using the Profile Matching method successfully provides recommendations for suitable lecturer candidates to pursue doctoral studies.
Keywords : decision support systems; higher education; information Technology; lecturer qualifications; profile matching.
Abstrak: Kemajuan teknologi informasi dan ilmu pengetahuan telah menghadirkan kemudahan dalam menghasilkan informasi yang berkualitas, penggunaan teknologi informasi sudah memasuki segala bidang terutama bidang pengajaran pada perguruan tinggi dan membantu pengambilan keputusan yang bernilai. Penelitian ini berfokus pada STMIK Royal Kisaran yang mengalami kendala dalam meningkatkan jumlah dosen berpendidikan Doktor. Untuk mengatasi keterbatasan tersebut, penelitian ini mengeksplorasi penerapan Sistem Pendukung Keputusan (DSS) dengan menggunakan metode Profile Matching. Dosen pada pendidikan tinggi mempunyai peran penting dalam memberikan pendidikan, melakukan penelitian, dan memberikan kontribusi kepada masyarakat. Dalam upaya meningkatkan kualifikasi dosen, penelitian ini merancang Sistem Pendukung Keputusan dengan menggunakan metode Profile Matching. Penelitian ini bertujuan untuk memberikan rekomendasi kandidat calon dosen untuk mengejar gelar Doktor dengan berlandaskan faktor kriteria seperti lama kerja, jabatan fungsional, nilai penelitian, nilai pengabdian, umur, dan nilai rekognisi. Data dari 46 dosen STMIK Royal Kisaran yang memenuhi kriteria digunakan untuk menguji validitas dan efektivitas Sistem Pendukung Keputusan (SPK). Melalui analisis terstruktur, menunjukkan bahwa Sistem Pendukung Keputusan menggunakan metode Profile Matching berhasil memberikan rekomendasi calon dosen yang layak direkomendasikan untuk melanjutkan studi ke jenjang Doktor.
Kata Kunci : kualifikasi dosen; pencocokan profil; pendidikan yang lebih tinggi; sistem pendukung keputusan; teknologi Informasi.
Abstract:Abstract: There are a great number of academics that are now conducting research on sentiment analysis by employing supervised and machine learning techniques. The research can be carried out with the assistance of a variety…
iety of sources, including reviews of movies, reviews of Twitter, reviews of online products, blogs, discussion forums, and other social networks. With the progress of technology, individuals may now effortlessly utilize social media platforms to access and share information, as well as express their viewpoints to the general public, without any constraints of distance or time. Twitter is a social media network that serves as a repository for opinions. Diverse techniques are employed to provide optimal and realistically precise pressure detection. The analysis and discussion affirm that the Support Vector Machine (SVM) was effectively employed in this study, utilizing public opinion data on television program reviews in Indonesia. An SVM classifier is employed to examine the Twitter data set by utilizing various parameters. The study successfully completed the preprocessing process by collecting a total of 400 data points, consisting of 320 reviews from 4 television shows for training data and 80 reviews for testing. The data was filtered and classified using SVM, with 200 positive and 200 negative data points for comparison. The experiment utilized the SVM method using TF-IDF to achieve the most accurate test results. The test accuracy was 80%, while the training data accuracy reached 100%.
Keywords: Sentiment Analysis; Support Vector Machine; Television Shows Review, TF-IDF,
Abstrak: Saat ini, banyak akademisi sedang menyelidiki analisis sentimen melalui pemanfaatan teknik yang diawasi dan pembelajaran mesin. Kajian dapat dilakukan dengan menggunakan beberapa sumber seperti review film, review Twitter, review produk online, blog, forum diskusi, atau jejaring sosial lainnya. Dengan kemajuan teknologi, masyarakat kini dapat dengan mudah memanfaatkan platform media sosial untuk mengakses dan berbagi informasi, serta menyampaikan pandangan mereka kepada masyarakat umum, tanpa batasan jarak dan waktu. Twitter adalah jaringan media sosial yang berfungsi sebagai gudang opini. Beragam teknik digunakan untuk menghasilkan deteksi tekanan yang optimal dan presisi secara realistis. Analisis dan pembahasan menegaskan bahwa Support Vector Machine (SVM) efektif digunakan dalam penelitian ini, memanfaatkan data opini publik tentang review program televisi di Indonesia. Pengklasifikasi SVM digunakan untuk memeriksa kumpulan data Twitter dengan memanfaatkan berbagai parameter. Penelitian berhasil menyelesaikan proses preprocessing dengan mengumpulkan total 400 titik data yang terdiri dari 320 review dari 4 acara televisi untuk data pelatihan dan 80 review untuk pengujian. Data disaring dan diklasifikasikan menggunakan SVM, dengan 200 titik data positif dan 200 titik data negatif sebagai perbandingan. Percobaan ini menggunakan metode SVM dengan menggunakan TF-IDF untuk mencapai hasil pengujian yang paling akurat. Akurasi pengujiannya mencapai 80%, sedangkan akurasi data pelatihan mencapai 100%.
Kata kunci: Analisis Sentimen, Review Tayangan Televisi, TF-IDF, Support Vector Machine
Abstract:Abstract: The service dramatically affects the number of guests staying at the hotel. Bali is the most visited tourist area by foreign tourists. Therefore, improved service is crucial for determining the rating level of…
a hotel. This research aims to combine two data mining algorithms: clustering and classification. This research is expected to contribute to hospitality in improving the best services for tourists, especially in the City of Bali. Clustering algorithms are used to group the best number of hotels based on the four clusters selected from the k-means clustering algorithm. The classification algorithm using C4.5 determines the factors most dominant in determining the hotel rating level based on the gain ratio. The data used in this study results from observations on the website agoda.com in Bali of 51 data. The results of this study explained that cluster_0 is the highest-rated cluster, with a total number of 19 hotels found in claster_0. Data cluster0 is used for classification analysis using a decision tree, and the most dominant factor is the service factor, with an accuracy of 80%.
Keywords: data mining; kmeans; decision tree; hotel; bali;
Abstrak: Pelayanan sangat mempengaruhi jumlah pengunjung yang menginap dihotel. Bali merupakan daerah wisata paling banyak dikunjungi oleh wisatawan mancanegara. Oleh karena itu, peningkatan pelayanan sangat penting untuk penentuan level rating dari hotel. Tujuan dari penelitian ini untuk menggabungkan dua algoritma data mining yaitu clustering dan klasifikasi. Dengan penelitian ini diharapkan dapat memberikan kontribusi bagi perhotelan dalam meningkatkan pelayanan yang terbaik bagi wisatawan khususnya di Kota Bali. Algoritma Clustering digunakan untuk mengelompokkan dari jumlah hotel yang terbaik berdasarkan empat cluster yang dipilih dari algoritma clustering berupa k-means. Algoritma klasifikasi menggunakan C4.5 digunakan untuk mengetahui faktor apa yang paling dominan dalam menentukan level rating hotel berdasarkan gain ratio. Data yang digunakan dalam penelitian ini hasil observasi di website agoda.com di bali sebanyak 51 data. Hasil dari penelitian ini menjelaskan dataset cluster_0 merupakan cluster rating tertinggi dengan jumlah 19 hotel yang terdapat di cluster_0. Data cluster_0 digunakan untuk analisis klasifikasi menggunakan decesion tree, didapat faktor yang paling dominan adalah faktor layanan dengan nilai akurasi sebesar 80%.
Kata kunci: data mining; kmeans; decision tree; hotel; bali;
Abstract:Abstract: Basically, this region experiences growth every year. The negative impact of uncontrolled population growth will cause social inequality and poverty and affect the progress and prosperity of the region. Judging…
from the number of residents registered with the Population and Civil Registration Service, Siantar Martoba District has a fairly high population growth rate, so it is necessary to predict the future population. In making a prediction, a good method is needed to solve a problem. In this research, a backpropagation algorithm was used using five architectures, namely architecture 4-71-1, 4-31-1, 4-16-1, 4-72-1, 4-83-1. From the results of tests carried out using data on the population of Siantar Martoba, the best architecture was obtained, namely architecture 4-31-1 with a mean squared error for training of 0.00009960 and a mean squared error for testing of 0.000099957 and obtained an epoch of 14012 iterations with a time of 01 minutes 40 seconds. It was concluded that this method can predict the population of Siantar Martoba in the future using Matlab R2011a, thus obtaining a population of Siantar Martoba of 36470 people.
Keywords: architecture; backpropagation; pematangsiantar; population; welfare
Abstrak: Pada dasarnya, wilayah ini mengalami pertumbuhan setiap tahunnya. Dampak negatif pertumbuhan penduduk yang tidak terkendali akan menyebabkan kesenjangan sosial dan kemiskinan dan mempengaruhi kemajuan, kesejahteraan daerah tersebut. Dilihat dari jumlah penduduk yang terdaftar pada Dinas Kependudukan dan Pencatatan Sipil Kecamatan siantar martoba mempunyai laju pertumbuhan penduduk yang cukup tinggi, sehingga perlu dilakukan prediksi jumlah penduduk masa depan. Dalam melakukan sebuah prediksi dibutuhkan sebuah metode yang baik dalam menyelesaikan sebuah permasalahan, dalam penelitian ini digunakan algoritma backpropagation dengan menggunakan lima arsitektur yaitu arsitektur 4-71-1, 4-31-1, 4-16-1, 4-72-1, 4-83-1. Dari hasil pengujian yang telah dilakukan dengan menggunakan data jumlah penduduk siantar martoba diperoleh arsitektur terbaik yaitu arsitektur 4-31-1 dengan nilai mean squared error pelatihan 0.00009960 dan mean squared error pengujian 0.000099957 dan memperoleh epoch 14012 iterations dengan waktu 01 menit 40 detik. Disimpulkan bahwa metode ini dapat memprediksi jumlah penduduk Siantar Martoba di masa depan dengan menggunakan Matlab R2011a, sehingga memperoleh jumlah penduduk siantar martoba sebanyak 36470 Jiwa.
Kata kunci: arsitektur; backpropagation; pematangsiantar; kependudukan; kesejahteraan
Abstract:Abstract: Indonesia is included in the category of developing countries and is a country with a relatively large population. According to data from the Pematang Siantar City Population and Civil Registration Service, West…
t Siantar District is one of the sub-districts in Pematang Siantar City whose population continues to increase and this will lead to an increase in poverty and unemployment rates. To overcome the above problems, a method is needed to analyze the population growth of West Siantar, one of which is using the Backpropagation method. This research will use training data starting from 2017-2021 and test data from 2018-2022. The results carried out using MATLAB R2011a software show the best architecture 4-19-1 with an accuracy of 100 with an MSE number of 0.00010031375 and an epoch value of 124777. Based on the research carried out, the population of West Siantar in the next year is 86067 people. It is concluded that backpropagation can be used as a method that makes it easier to search for predictions and the level of accuracy obtained depends on the architecture used.
Keywords: Birth; Growth; Matlab; Predictions; Resident
Abstrak: Indonesia termasuk dalam kategori negara berkembang dan merupakan negara dengan jumlah penduduk yang relatif besar. Menurut data Dinas Kependudukan dan Catatan Sipil Kota Pematang Siantar, Kecamatan Siantar Barat merupakan salah satu kecamatan di Kota Pematang Siantar yang jumlah penduduknya terus meningkat dan hal ini akan berdampak pada peningkatan angka kemiskinan dan pengangguran. Untuk mengatasi permasalahan diatas diperlukan suatu metode untuk menganalisis pertumbuhan penduduk Siantar Barat, salah satunya adalah dengan menggunakan metode Backpropagation. Penelitian ini akan menggunakan data latih mulai tahun 2017-2021 dan data uji 2018-2022. Hasil yang dilakukan dengan menggunakan software MATLAB R2011a menunjukkan arsitektur terbaik 4-19-1 dengan akurasi 100 dengan angka MSE 0.00010031375 dan nilai epoch 124777. Berdasarkan penelitian yang dilakukan, populasi Siantar Barat di tahun berikutnya sebanyak 86067 orang. Disimpulkan bahwa backpropagation dapat digunakan sebagai metode yang memudahkan pencarian prediksi dan tingkat akurasi yang diperoleh tergantung pada arsitektur yang digunakan.
Keywords: Kelahiran; Matlab; Pertumbuhan; Penduduk; Prediksi
Abstract:Abstract : In Semester 6 students are required to choose mainstream elective courses at the STMIK Royal campus. In this study, researchers chose 2 mainstraim elective courses, namely Logic and Programming, and Database and…
nd Information Management. The purpose of choosing this elective course is for students to focus more on their majors. The process of selecting the data, researchers carry out an analysis process of student learning outcomes. This research data is semester 1 to semester 5 grades. All data on the value of student learning outcomes are divided into 2 parts, namely theory and practice and divided into the number of courses. For many uses, a data mining method using K-means cluster is needed. K-Means Clustering is a data analysis method or Data Mining method that performs an unsupervised learning modeling process and uses methods that group data from various partitions. The results of the k means clutering grouping with 2 clusters, namely cluster 0 of the mainstream group of logic and programming courses with a total of 28 students, and cluster 1 of the mainstream group of informatics database and management courses with a total of 72 students with a total of 100 students.
Keywords: data; K-means; student
Abstrak : Mahasiswa semester 6 diwajibkan memilih mainstream matakuliah pilihan yang ada di kampus STMIK Royal. Pada penelitian ini, peneliti memilih 2 mainstraim matakuliah pilihan yaitu Logika dan Pemprograman, serta Basis Data dan Manajemen Informatika. Tujuan pemilihan matakuliah pilihan ini adalah agar mahasiswa lebih terfokus pada jurusannya. Proses pemilihan datanya, peneliti melakukan proses analisa dari hasil belajar mahasiswa. Data penelitian ini nilai semester 1 sampai semester 5. Seluruh data nilai hasil belajar mahasiswa dibagi menjadi 2 bagian yaitu teori dan praktek serta dibagi jumlah banyaknya matakuliah. untuk penggunaan yang banyak, maka dperlukan metode data mining dengan menggunakan k-means cluster. K-Means Clustering adalah metode analisis data atau metode Data Mining yang melakukan proses pemodelan pembelajaran tanpa pengawasan dan menggunakan metode yang mengelompokkan data dari berbagai partisi. Hasil pengelompokan k means clutering dengan 2 cluster yaitu cluster 0 kelompok mainstream matakuliah logika dan pemprograman dengan jumlah mahasiswa 28 orang, dan cluster 1 kelompok mainstream matakuliah basis data dan manajemen informatika dengan jumlah mahasiswa 72 orang dengan total keseluruhan 100 mahasiswa.
Keyword : data; K-means; mahasiswa;
Abstract:Abstract: Covid-19 cases started showing up in Indonesia in early March 2020, and they have since spread to several other areas. The number of corona virus infections from different Indonesian provinces plays a significant…
nt role in the decision-making process based on this data visualization. By creating a Business Intelligence system to display the results of the number of confirmed cases, deaths, and recoveries from various provinces in Indonesia, the goal of this project is to visualize data on corona virus cases. The Corona Virus Dataset in Indonesia from www.kaggle.com is processed using Grafana in this article. The findings of this article are presented as dashboard reports that include data on confirmed cases, fatalities, and recoveries in different Indonesian provinces. These reports can be utilized to help make decisions. With Grafana's interactive dashboard features, the data display resulting from routine analysis results can be engaging.
Keywords: Business Intelligence, OLAP, Covid 19
Abstrak: Kasus Covid-19 mulai muncul di Indonesia pada awal Maret 2020, dan sejak itu menyebar ke beberapa daerah lain. Keputusan berdasarkan visualisasi data sering kali mencakup statistik jumlah kasus virus corona dari berbagai provinsi di Indonesia. Dengan membuat sistem Business Intelligence untuk menampilkan temuan jumlah kasus terkonfirmasi, kematian, dan pemulihan dari berbagai provinsi di Indonesia, tujuan penelitian ini adalah untuk memvisualisasikan data kasus virus corona. Postingan ini menggunakan Grafana untuk menangani dataset virus corona Indonesia dari www.kaggle.com. Temuan artikel ini disajikan sebagai laporan dalam bentuk dasbor yang mencakup data jumlah kasus terkonfirmasi, kematian, dan pemulihan di berbagai provinsi di Indonesia. Dengan pengaturan dashboard interaktif Grafana, mungkin akan menarik untuk melihat data yang dihasilkan dari hasil analisis standar yang ditampilkan.
Kata kunci: Business Intelligence, OLAP, Covid 19
Abstract:Abstract: Stunting is one of the nutritional problems that the world pays the most attention to and a major nutritional problem in Indonesia. Stunting is a problem in toddler growth which is characterized by a toddler's…
height that is too short compared to toddlers of his age. In the research location, namely Asahan Regency, the mapping of areas prone to increased stunting rates has not been carried out optimally. The process of exploring the stunting data warehouse is useful for adding information that can assist the government in making policies. Therefore, the aim of this research is to map stunting-prone areas in Asahan district based on the number of stunting cases in Asahan district using the machine learning-based K-Means clustering model. Based on previous research reviews, the k-means clustering method used has not used the normalization process. In addition, distance measurement only uses Euclidean Distance. Meanwhile, in this research, clustering performance analysis was carried out using a more in-depth process, namely by applying data normalization at the beginning, using the elbow method to determine the best number of clusters (K), measuring distance using Euclidean Distance, Manhattan Distance and Minkowski Distance to obtain comparison results. better clusters. The analysis results show that the best number of clusters is cluster 2 which shows the mapping results into 2 groups with a DBI of 0.51290 and a silhouette_score of 0.71432.
Keywords: stunting; k-means clustering; machine learning
Abstrak: Stunting menjadi salah satu permasalahan gizi yang paling diperhatikan dunia dan permasalahan gizi yang utama di Indonesia. Stunting merupakan masalah pada pertumbuhan balita yang ditandai dengan tinggi badan balita yang terlalu pendek dibanding balita seusianya. Pada lokasi penelitian yaitu Kabupaten Asahan, pemetaan daerah rawan peningkatan angka stunting belum dilakukan dengan optimal. Proses eksplorasi gudang data stunting ini berguna untuk menambah informasi yang dapat membantu pemerintah dalam mengambil kebijakan. Maka dari itu, tujuan dari penelitian ini adalah pemetaan daerah rawan stunting di kabupaten Asahan berdasarkan jumlah kasus stunting di Kabupaten Asahan menggunakan model clustering metode K-Means berbasis machine learning. Berdasarkan tinjauan penelitian terdahulu, metode k-means clustering yang digunakan belum menggunakan proses normalisasi. Selain itu, pengukuran jarak hanya menggunakan Euclidean Distance. Sedangkan dalam penelitian ini, analisis kinerja clustering yang dilakukan dengan proses yang lebih mendalam yaitu dengan penerapan normalisasi data di awal, penggunaan elbow method untuk penentuan jumlah cluster (K) terbaik, pengukuran jarak dengan Euclidean Distance, Manhattan Distance dan Minkowski Distance untuk mendapatkan hasil perbandingan cluster yang lebih baik. Hasil analisis menunjukkan bahwa jumlah cluster terbaik yaitu cluster 2 yang menunjukkan hasil pemetaan menjadi 2 kelompok dengan DBI 0.51290 dan silhouette_score sebesar 0.71432.
Kata kunci: stunting; k-means clustering; machine learning
Abstract:Abstract: that the number of catches obtained by fishermen is more optimal. With secondary data based on the type of cultivation developed by fishing communities, the authors intend to explore this data so that they can…
examine more deeply the most effective types of cultivation using analysis of variance to find out the differences between each type of cultivation and cluster analysis using the complete linkage method. to find out the grouping of marine culture production based on the types developed by fishing communities in Indonesia. The correlation between the observed variables is 0.008, so it can be said that there is no relationship between the observed variables. In addition, the sig. and t-test. sig value is obtained. > α (5% = 0.05). This means that there is a significant average difference in fish production results based on the type of cultivation developed by fishing communities. With the grouping of types of marine cultivation developed by the Wesleyan community using the complete-linkage method, they are divided into 3 groups based on the degree of similarity in the production results obtained. Cluster 1 consists of Floating Nets, and Pools; Cluster 2 consists of other seas, seaweed, cages, and fishing nets; and Cluster 3 consists of Fresh Floating Nets, Minapadi, and Ponds.
Keywords: Complete-Linkage; Fish Production; Mariculture; Multivariate Analysis; T-test;
Abstrak: Berdasarkan penelitian sebelumnya pada analisis variansi untuk menguji perbedaan rata-rata pada masing-masing perlauan peletakan sudut jarring agar jumlah tangkapan yang diperoleh nelayan lebih optimal. Dengan adanya data sekunder berdasarkan jenis budidaya yang dikembangkan masyarakat nelayan, penulis bermasksud untuk melakukan eksplorasi pada data tersebut agar dapat mengkaji lebih dalam terhadap jenis budidaya yang paling efektif dengan analisis variansi untuk mengetahu perbedaan dari masing-masing jenis budidaya serta analisis cluster dengan metode complate linkage untuk mengetahui adanya pengelompokan hasil produksi bududaya laut berdasarkan jenis yang dikembangkan oleh masyarakat nelayan di Indonesia. Korelasi antar variabel yang diamati sebesar 0.008, maka dapat dikatakan bahwa tidak ada hubungan antara variabel yang diamati. Selain itu, hasil uji sig. dan uji t. diperoleh nilai sig. > α (5% = 0.05). Artinya, terdapat perbedaan rata-rata secara signifikan hasil produksi ikan berdasarkan jenis budidaya yang dikembangkan oleh masyarakat nelayan. Dengan adanya pengelompokan jenis budidaya laut yang dikembangkan oleh masyarakat neleyan dengan metode complete-linkage terbagi atas 3 kelompok berdasarkan tingkat kemiripan hasil produksi yang diperoleh. Cluster 1 terdiri dari Jaring Apung, Kolam; Cluster 2 terdiri dari Laut lainnya, Rumput laut, Keramba, Jaring Tancap; dan Cluster 3 terdiri dari Jaring Apung Tawar, Minapadi, Tambak.
Kata kunci: Analisis Multivariate; Budidaya Laut; Complate-Linkage; Produksi Ikan; Uji-t;
Abstract:Abstract: Decision support systems (DSS) have become an important tool in various fields, including the selection of fish seeds. Selecting the right fish seeds is a crucial step in successful fish farming. In this context,…
t, the Weight Sum Model (WSM) method can be used as an approach in decision making. This research aims to develop a Decision Support System for selecting fish seeds using the Weight Sum Model (WSM) method. This method allows a systematic assessment of various criteria that are relevant in selecting fish seeds. The first step in this research is to identify the criteria that will be evaluated in selecting fish seeds. Each fish seed is assessed based on each criterion using the appropriate scale. In the WSM method, the values given to each criterion are multiplied by the weight of the corresponding criterion, and the results are added up for each fish seed. The fish seeds that have the highest number will be considered the best choice based on predetermined evaluation criteria. This Decision Support System can help fish farming farmers in making more informative and data-based decisions in selecting fish seeds that suit their needs.
Keywords: Decision Support Systems, Fish Seeds, Criteria, Weight Sum Model (WSM), Fish Cultivation.
Abstract: Sistem pendukung keputusan (SPK) telah menjadi alat penting dalam berbagai bidang, termasuk dalam pemilihan bibit ikan. Memilih bibit ikan yang tepat merupakan langkah krusial dalam budidaya ikan yang sukses. Dalam konteks ini, metode Weight Sum Model (WSM) dapat digunakan sebagai pendekatan dalam pengambilan keputusan. Penelitian ini bertujuan untuk mengembangkan Sistem Pendukung Keputusan untuk pemilihan bibit ikan menggunakan metode Weight Sum Model (WSM). Metode ini memungkinkan penilaian yang sistematis terhadap berbagai kriteria yang relevan dalam memilih bibit ikan. Langkah pertama dalam penelitian ini adalah mengidentifikasi kriteria-kriteria yang akan dievaluasi dalam pemilihan bibit ikan. Setiap bibit ikan dinilai berdasarkan setiap kriteria menggunakan skala yang sesuai. Dalam metode WSM, nilai-nilai diberikan pada setiap kriteria akan dikalikan dengan bobot kriteria terkait, dan hasilnya dijumlahkan untuk setiap bibit ikan. Bibit ikan yang memiliki jumlah tertinggi akan dianggap sebagai pilihan terbaik berdasarkan evaluasi kriteria yang telah ditentukan. Sistem Pendukung Keputusan ini dapat membantu para petani budidaya ikan dalam mengambil keputusan yang lebih informatif dan berdasarkan data dalam memilih bibit ikan yang sesuai dengan kebutuhan.
Kata kunci: Sistem Pendukung Keputusan, Bibit Ikan, Kriteria, Weight Sum Model (WSM), Budidaya Ikan.