ANALISIS KEPUTUSAN DECISION MAKING (MCDM)

IRA PRASETYANINGRUM, S.Si,M.T

Pengertian Keputusan
Pembuatan keputusan adalah mencari alternatif terbaik dari lebih dari satu alternatif yang mungkin Pemilihan alternatif ini untuk mencapai suatu problem yang didefinisikan atau mencapai suatu objektif yang telah dirumuskan sesuai dengan aspirasi dan kriteria evaluasinya Problem adalah objektif yang diinginkan tidak sama dengan keadaan yang dihadapi Setiap masalah memerlukan solusi : perlu keputusan Dipengaruhi oleh perumusan berbagai variabel keputusan/alternatif

FORMULASI PROBLEMATIK ruang lingkup belum dikethui bentuk penyelesaiannya penggambaran kondisi awal dan akhir

ANALISIS PERMASALAHAN formulasi tujuan, sasaran, target, kendala variabel keputusan kriteria keputusan

MENCARI ALTERNATIF kreatifitas mendapatkan solusi evaluasi alternatif langkah berhenti kalau ada alternatif terbaik PEMILIHAN ALTERNATIF pengukuran performance membandingkan dengan kriteria standart pilih alternatif terbaik

PROSEDUR PENGAMBILAN KEPUTUSAN

Pemahaman Problem

ALTERNATIF

Alternatif Layak

Model Representasi Problem

Kriteria Keputusan

Outcome Alternatif

Pemelihan Alternatif

Flow Chart Proses Pengambilan Keputusan

Jenis Keputusan
1.Berdasar Level Manajemen
Penuh ketidak pastian Bersifat informasi strategis Orientasi jangka panjang Dampak ke total organisasi
Implementasi rencana startegis Alokasi sumber daya Informasi taktis Proses operasional Terstruktur ,repetitif Informasi operasional

Stra tegis

Taktis

Operasional

Jenis Keputusan
2.Berdasar Tersedianya Solusi Problem
S trategIs

NonProgram able

Non Terstruktur
TaktIs

Terstruktur
Program able solution

OperasIonal

Keputusan Terpogram Berkaitan dengan kebiasaan, prosedur, aturan, kondisi kepastian Keputusan Non Programmable Tidak ada aturan/standart baku, prosedur tergantung pada problem keputusan Keputusan Tidak Terstruktur Aturannya tidak diketahui, problem kompleks

Jenis Keputusan
3.Berdasar Kepastian Out-Come Keputusan dalam Keadaan Pasti (Certainty Condition) Semua informasi dalam kondisi lengkap dan sem sempurna, sifat : deterministik Keputusan Beresiko (Under Risk) Diketahui probabilistik hasil keputusan tersebut tingkat rasional tertentu Keputusan Dalam Ketidak Pastian (Uncertainty Condition) Hasil keputusan tidak diketahui sama sekali, informasi yang kurang lenghkap, tidak ada referensi Keputusan Dalam Situasi Konflik (Confliktual Decision) Situasi konflik terjadi pada pengambil keputusan atau kriteria evaluasinya (intra/intra-personal)

Jenis Keputusan
4.Berdasar Konsep Dasar Yang Dipakai Keputusan Berdasar Logika (Rationalism) Didasari hubungan sebab-akibat yang logis sesuai dengan espitomologis Keputusan Berdasar Data Empirik (Empirism) Didukung oleh bukti dan data pendukung yang proved dan bukti statistik maupun judgment pakar Keputusan Berdasar Perasaan, feeling Menggunakan subjektivitas dan pengalaman personal Keputusan Berdasar intuisi, insting, indra ke-enam Memanfaatkan naluri, ilham, firasat dengan metoda naif yang dimiliki oleh pengambil keputusan

Perspektif Keputusan
Pendekatan yang teoritis/akademis bisa merumitkan dan Menyederhanakan pengambilan keputusan Pandangan Terhadap Masalah dan Solusi Optimasi atau Best Solution Reduksionisme Keandalan Model Kuantifikasi Objektivitas Persepsi terhadap Waktu Preferensi Pengambil Keputusan

Kategori Persoalan Keputusan

1. Keputusan dengan Resiko (Decision Under Risk) Informasi mengenai konsekuensi dari alternatif keputusan terbatas Dapat ditetapkan probabilitas dari beberapa kemungkinan hasil / outcome dari alternatif Matrix out come Keputusan
Kondisi yang akan terjadi N1 N2 N3. . . . . . . . . . . . . . . . . . Nn
Probabilitas kondisi Diatas P1 P2 P3. . . . . . . . . . . . . . . . . . Pn A1 A2 X11 X21 X12 X22 X13. . . . . . . . . . . . . X23 . . . . . . . . . . . . X1n X2n

Alternatif

Am

Xm1

Xm2

Xm3 . . . . . . . . .

. Xmn

Dimana Xij: hasil dari pilihan I (i= 1, ...m) bila keadaan j(j= 1, ..n).
Hasil yang diharap pada setiap alternatif A(HD):
HD(A1)= X11P1+X12P2+X13P3+. . . . . . . . . . X1nPn HD(A2)= X21P1+X22P2+X23P3+. . . . . . . . . . .X2nPn HD(Am)= Xm1P1+Xm2P2+Xm3P3+. . . . . . . . .XmnPn

Pilihan alternatif terbaik= pilihan hasil yang diharapkan

HD terbaik= Max(HD(A1), HD(A2). . . . . . . . .. HD(Am))

2. Keputusan dengan ketidakpastian (Tanpa probabilitas)

Informasi terbatas Outcome keputusan tidak pasti. Probabilitas tidak bisa ditetapkan sikap pengambil keputusan (Pesimisme / optimisme).

a) Kriteria pesimisme
Fokus pada outcome terburuk yang mungkin terjadi. Pilih alternatif yang terbaik dari yang terburuk.

Kriteria Maksimin:
Alternatif terbaik yang memiliki outcome terbesar diantara Outcome terkecil (maksimum dari minimum)

Kriteria Minimaks:
Alternatif terbaik adalah pilihan yangg memiliki outcome terkecil diantara alternatif besar (dalam hal biaya)

Contoh:
Suatu lembaga kursus komputer mempertimbangkan untuk membeli suatu sistem komputer. Tabel pay off untuk rencana pembelian seperti dalam Tabel Payoff pembelian komputer:
Alternatif
Membeli sistem komputer kecil (D1) Membeli sistem komputer sedang(D2)

Peminat Kursus Banyak(S1)

Rp 12 Juta

Peminat kursus sedikit(S2)

Rp 6 Juta

Rp 15 Juta

Rp 2 juta

Membeli sistem komputer besar(D3)

Rp 20 Juta

- Rp 3 juta

Min (Rp 12 Jt , Rp 3 Jt) : Max(Min) = Rp 12 Jt Max(Rp 20 Jt, Rp 6 Jt): Min (Max) = Rp 6 Jt. Alternatif terbaik pada alternatif D1

b)

Kriteria Optimisme
Fokus masa depan: lebih baik (sesuai harapan) Keputusan outcome terbaik (hasil dari maksimum dari pay off minimum: pembiayaan.

c)

Kriteria penyesalan (minimax regret)

Pilih alternatif Yg memiliki kerugian paling minimum dari kemungkinan kerugian karena kehilangan kesempatan maksimum (Opportunity loss) Opportunity loss Minimax regret

R (di, Sj)= V*(Sj) V(di, Sj)

R (di, Sj) = kesempatan yang hilang sehubungan pilihan alternatif di dan situasi yg terjadi Sj V*(Sj) = payoff tinggi berdasar situasi yang terjadi Sj. V(di, Sj) = payoff alternatif berdasar situasi yang akan terjadi Sj.

Tabel Opportunity Loss Regret(R(di, Sj)

Alternatif Keputusan Membeli sistem komputer kecil(D1) Membeli sistem komputer sedang (D2) Membeli sistem komputer besar (D3) Peminat kursus banyak Rp 8 Jt Rp 5 Jt Rp0 Jt Peminat kursus sedikit Rp 0 Jt Rp 4 Jt Rp 9 Jt

Kriteria minimax regret : nilai payoff maksimum untuk alternatif

Tabel Nilai Maksimum Opportunity Loss

Alternatif Keputusan
Membeli sistem komputer kecil(d1) Membeli sistem komputer sedang (d2) Membeli sistem komputer besar (d3)

Oppurtunity Loss
Rp 8 Jt Rp 5 Jt Rp 9 Jt

Konsep minimax : nilai paling kecil dari nilai maksimum opportunity (pilih alternatif d2)

d.Kriteria Hurwich
Pengambil keputusan tidak pada posisi ekstrim (pesimis / optimis): diantara kedua titik Diperlakukan indeks Hurwich : koefisien Opt/. / pest. 0 : pengambil keputusan pesimist 1 ; pengambil keputusan optimist NE = MaxPij + (1 - ) Min Pij
Untuk : NE MaxPij Min Pij = nilai ekspektasi = koefisisen Hurwich ( 0 < < 1) = nilai payoff maksimum untuk suatu alternatif keputusan = nilai payoff minimum untuk suatu alternatif keputusan tertentu

Alternatif Ke[utusan A B C

Situasi yang Terjadi S1 Rp 20 Juta Rp 25 Juta Rp 30 Juta S2 Rp 12 Juta Rp 10 Juta Rp 8 Juta S3 Rp 8 Juta Rp 1 Juta - Rp 4 Juta

Untuk Koefisien Hurwich = 0,6 diperoleh alternatif terbaik :

NE(A) = 0, 6 Rp 20 Juta + (1 0, 6) Rp 8 Juta = Rp 15, 2 Juta NE(B) = 0, 6 Rp 25 Juta + (1 0, 6) Rp Juta = Rp 15, 4 Juta NE(C) = 0, 6 Rp 30 Juta + (1 0, 6) ( - Rp 4 Juta) = Rp 16, 4 Juta Pilih

NE, nilai ekspektasi yang paling besar Lakukan analisis sensitivitas terhadap perubahan koefisien Hurwich

3. Keputusan dengan ketidakpastian probabilitas Informasi tidak pasti : nilai probabilistik dapat diperoleh Informasi ketidakpastian : dasar pengambilan keputusan a.Expected Monetary Value (EMV) EMV: perkiraan nilai moneter Yg diperoleh dari probabilitas terjadinya situasi masa depan dalam pemilihan alternatif2 keputusan. EMV (Dj)= P(Sj) (diSj) Dimana:
P(Sj)= probabilitas terjadinya situasi Sj (diSj)= nilai pay off

b. Expected Opportunity Loss(EQL) Perkiraan nilai Yg hilang dari keputusan Yg dibuat dengan menggunakan informasi probabilitas situasi masa depan.

EOL (di) = P(Sj) R (di, Sj)

R(di, Sj)= opportunity loss untuk alternatif di dan situasi Sj R (ai, Sj)= V*(Sj) V(di, Sj) V*(Sj)= pay off tertinggi berdasar situasi masa depan Sj

Contoh:
Terdapat 3 alternatif pembelian komputer untuk sebuah kursus. Perolehan pendapatannya akan sangat tergantung pada jumlah peminatnya. Bila peminatnya tinggi dan pihak penyelenggara menyediakan fasilitas yang cukup besar akan memberikan keuntungan yang besar pula, dan sebaliknya.

Pembelian Komputer
Alternatif Keputusan Peminat kursus banyak (S1)
Rp 12 Jt

Peminat kursus sedikit (S2)

Rp 6 Jt

Membeli sistem komputer kecil(D1)

Membeli sistem komputer sedang (D2)

Membeli sistem komputer besar (D3)

Rp 15 Jt

Rp 2 Jt

Rp20 Jt

- Rp 3 Jt

Oppurtunity Loss/Regret Pembelian Komputer

Alternatif Keputusan
Membeli sistem komputer kecil(D1) Membeli sistem komputer sedang (D2) Membeli sistem komputer besar (D3)

Peminat kursus banyak- Peminat kursus tinggi (S1) sedikit-rendah (S2)

Rp 8 Jt Rp 0 Jt

Rp 5 Jt

Rp 4 Jt

Rp 0 Jt

Rp 9 Jt

Jika probabilitas kemungkinan terjadi S1 dan S2 adalah 0,4 dan 0,6

Nilai Expected Loss (EOL)

EOL(D1) = 0.4(Rp8jt) + 0.6 (Rp 0 jt) = Rp 3.2 juta EOL(D2) = 0.4(Rp5jt) + 0.6 (Rp 4 jt) = Rp 4.4 juta EOL(D3) = 0.4(Rp0 jt) + 0.6 (Rp 9 jt) = Rp 5.4 juta

Agar OL atau regret dalam pembuatan keputusan ini bisa diminalisasikan maka pilihan yang tepat adalah memilih yang memiliki EOL terkecil, yaitu pada pilihan untuk membeli sistem komputer yang kecil (D1)

Decision Tree (Pohon Keputusan)

Keputusan adalah pemilihan alternatif yang merupakan suatu kumpulan alternatif tindakan yang akan diikuti dengan kejadian yang tidak pasti Decision tree menggambarkan pemilihan alternatif secara sistimatis dan komprehensif dan menyeluruh tentang kejadian apa yang mungkin yang terjadi sebagai akibat suatu keputusan Model ini berguna untuk melakukan evaluasi alternatif dugaan dampak yang tidak pasti dikemudian hari Penerapannya memerlukan imajinasi hubungan variabel serta data nilai kemungkinan untuk setiap kejadian tak pasti serta memuat hasil keputusan berupa nilai pay-off atau losses Hasil keputusan bisa dinyatakan secara kuantitatif atau kualitatif.

Notasi atau simbol yang dipergunakan adalah sebagai berikut :

Tanda empat persegi panjang, sebagai simpul keputusan (Decision node) Tanda lingkaran, sebagai cabang (Event fork)

Tahapan dalam Penggambaran Pohon Keputusan :

Ada beberapa tahapan dalam penggambaran pohon keputusan yaitu sebagai berikut :

1. Tentukan terlebih dahulu kumpulan alternatif tindakan

2. Tentukan kejadian tak pasti yang merupakan akibat dari alternatif tindakan utama 3. Tentukan alternatif tindakan lanjutan yang merupakan cabang keputusan dari alternatif tindakan utama 4. Tentukan kejadian tak pasti yang melingkupi tindakan lanjutan

Contoh: Seorang spekulator pedagang Valas akan memutuskan membeli dolar US sekarang atau besok pagi apabila membeli barang sekarang, kursnya sudah pasti (diketahui 1 US$=Rp 10000) Tetapi bila pembelian dilakukan besok pagi ada kemungkinan harga kursnya turun menjadi Rp 9000 (per 1 US$) atau naik menjadi Rp 10500. kemungkinan terjadinya perubahan kurs= 0, 5.

Diagram Pohon Keputusan

Beli sekarang Rp. 14.000

Harga turun Beli besok 0.5 Harga naik 0.5 Rp. 10.000

Rp. 20.000

Simpul keputusan (Decision node)

Cabang kejadian tak pasti (Event fork)

Hasil (Outcome)

Keputusan Perlunya Perluasan Pabrik

Mendirikan Pabrik kecil t1
tinggi k1 0.4 sedang k2

10

6 B

0.4 rendah k3
0.2 Perl. besar t3

A Mendirikan Pabrik kecil t2

8 9 4 9 4

tinggi k4

9 D

Perl. Kecil t4 Tanpa perl. t5 Perl. kecil t6 Tanpa perl. t7

0.4

sedang k5 0.4

9 E

C
rendah k6 0.2

Simpul keputusan tahap pertama

Simpul keputusan tahap kedua

METODE GROUP DECISION MAKING

FUNGSI Komunikasi Kolaborasi Kompromi Group Thinking Group Decision Making

Brain Storming Delphi Method Voting AHP (Analytical Hierarchy Process) Multi Decider Multi Criteria Nominal Group Technique

KONSEP DASAR METODA DELPHI

Teknik pengambilan keputusan

kelompok (Group Decision Making) dengan panel pakar Proses terstruktur untuk pengumpulan opini dan mengkomunikasikan pengetahuan antar respondens dan anggota panel Dinamika keputusan dikembangkan melalui quesionier dengan umpan balik yang terkendali Menstrukturkan komunikasi dan opini secara dinamis sehingga membentuk opini kelompok
Two heads (n) are better than one

Problem

Nara sumber Anggota Panel Delphi

Pemaparan Problematika Panel Delphi

Anggota Panel Menjawab dan Memberi pendapat

Moderator panel mengumpulkan pendapat (kompilasi), membuat revisi Mendistribusikan : feed back ulang

Pertukaran ide Informasi diantara Anggota panel

Tidak ada Konsensus

Anggota panel memberikan ide, komentar, definisi dan Objektif/kriteria baru

Tahapan Metodologi Delphi

Ada konvergensi pendapat

Ada konsensus

SOLUSI

Keuntungan Metode Delphi

Tidak harus tatap muka secara langsung Minimasi munculnya bias dalam diskusi (effek dominasi) Partisipant panel dapat merubah pendapat secara bebas (anonim) Partisipant terlibat aktif sejak awal proses sampai kompromi kelompok dicapai

Delapan Langkah Metode Delphi 1. Menetapkan keputusan atau masalah 2. Tim panel memberi masukan pada round I 3. Menyimpulkan pada round I meminta masukan untuk round ke II 4. Tim panel memberi masukan pada round II 5. Menyimpulkan round ke II meminta masukan round ke III 6. Tim panel memberi masukan pada round III 7. Menyimpulkan round ke III 8. Menutup sesion Delphi bila telah diambil kesepakatan diantara para anggouta panel

Metode Nominal Group Teknik

Metode Berbeda dengan Delphi dalam metode Brain Storming Pakar/anggota panel bisa saling berdebat
Kelompok kecil diberi Instruksi untuk suatu problem

Partisipan menulis ide atau model penyelesaian problem

Partisipan mempresentasi model/ide pada anggota panel yang lain

Setiap ide dari model didiskusikan diperjelas dan dievaluasi secara umum oleh peserta

Secara individu parisipan menyusun urutan ide yang dikembangkan dari model

Ide dari model dengan urutan tertinggi ditetapkan sebagai ide/model group

MULTICRITERIA DECISION MAKING (MCDM) Pendekatan untuk proses pengambilan

keputusan yang memiliki suatu situasi problem keputusan dengan kriteria, objektif maupun atribut majemuk Persoalan pemilihan alternatif dalam AMDAL: multi kriteria in nature karena pertimbangan evaluasinya holistik Karekteristik Persoalan Multikriteria 1. Terdapat lebih 2 atribut dan kriteria yang saling konfliktual : pemenuhan kepuasan yang satu menyebabkan pengurangan kepu tusan yang lain (trade off) 2. Terdapat lebih 2 alternatif solusi keputusan 3. Konfliktual : Intrapersonal dan Interpersonal

TERMINOLOGI PADA PENDEKATAN MCDM Atribut Sifat yang dipergunakan untuk menjelaskan suatu objek keputusan tertentu Objektif/Tujuan Sebagai aspirasi yang menunjukkan arah perbaikan untuk pencapaian atribut terpilih dna tertentu Goal/Target Suatu tingkat aspirasi dengan level atribut yang diinginkan untuk dicapai Kriteria Suatu aturan dan ukuran dan standart relevant untuk suatu situasi pengambilan keputusan

Pemaparan Problem Multikriteria Untuk Suatu Alternataif Contoh.1

Tujuan/Objektif: Mengurangi kandungan mineral radio aktif pada konsentrat Sasaran/Target Berkurang sedikitnya 30% pada akhir tahun ke 5 setelah beroperasi Kriteria Kandungan mineral radio aktif Atribut Mg mineral

Contoh 2:
Tujuan/Objektif: Mengurangi kejadian ledakan saat pembakaran Sasaran/Target Berkurangnya ledakan paling banyak 2 kali dalam seminggu Kriteria Ledakan Atribut Kualitas fisik/kebisingan

Kemudian setiap alternatif dirinci serta berdasarkan kriteria evaluasi yang sama di diberikan penilaian dan ditampilkan dalam matriks keputusan MCDM

MATRIK KEPUTUSAN PADA MCDM A : Set variabel alternatif keputusan ( a1,a2, a3 . . . .an) C : Set kriteria keputusan (c1, c2, c3, . . . . . .cm) Vij: Nilai alternatif i (i=1, ..n) di-evaluasi dengan kriteria j (j=1, 2 . . . m) c1 c2 c3 . . . . . cm a1 V11 V12 V13 . . . . . V
1m

a2 a3 an
. . .

V21 V31 . . Vn1

V22 V32 . . Vn2

V23

. . . . V2m V3m . . Vnm

V33 . . . . . . . Vn3 . . . . .

SKALA PENGUKURAN KRITERIA

Kepentingan relatif antar kriteria Pembobotan Penilaian untuk membedakan kepentingan kriteria dalam prioritas yang sama Prioritas Urutan dari kriteria menurut tingkat kepentingan Skala Nominal Menunjukkan pe-labelan/indikasi Skala Ordinal (vs Cardinal) Transformasi meningkat scr. kualitatif dari (purely raking) Skala Interval Menggunakan standart unit skala pembanding positif Skala Ratio Pengukuran dengan perbandingan (transformasi similar)

KONSEP PEMBOBOTAN MODM/MCDM : tingkat kepentingan relatif (numerik) Pembobotan dapat diturunkan dari skala ordinal/kardinal Model wl = bobot kriteria l ( l = 1, 2 . . . . . . . . . k) 0 < wl < 1

wl 1
l 1

Wl > Wh ; kriteria l lebih penting dibanding kriteria h

Tingkatan preferensi a > b : strict/strong preference a > b : weak preference (quasi preference) a ~ b : indiference Nilai rata-rata pembobotan untuk skala ordinal tidak memberikan pengertian

Teknik Penilaian Dengan Metoda Score

Pendekatan untuk membuat keputusan (kelompok/individual) yaitu memilih alternatif dengan menggunakan kriteria yang didefinisikan dengan jelas Tim pengambil keputuan harus menentukan pilihan dari serangkaian alternatif yang sudah ditetapkan alasannya pemilihannya Memastikan bahwa tim membuat keputusan secara objektif dengan gagasan yang kuat Keputusan didukung oleh anggota tim dan berdasar rasional

Teknik Penilaian Metoda Skore

1. 2. 3. 4. Memulai pertemuan dengan mendaftar alternatif yang ada Melakukan sumbang saran kriteria keputusan Menentukan bobot kepentingan relatif masing-masing Menetapkan skala penilaian, kemudian memberikan penilaian nilai alternatif yang ada Menghitung skore akhir Memilih alternatif terbaik Menutup session Teknik Penilaian Metode skore

5. 6. 7.

Pendekatan MCDM DEngan Skore

Skala Penilaian: 1(rendah). . . . . . . . 10 (tinggi).

Alternatif Aktivitas

Kriteria Evaluasi

Bobot (%)
15%

Lokasi A Lokasi B

Lokasi C Lokasi D

Ekonomis
Teknis Sikap Masy
Dampak Lingkungan

3 (0.45)

6 (0.9)

2 (0.3)

8 (1,2)

20%

8 (1,6)

3 (0.6)

5 (1.0)

4 (0.8)

30%

5 (1.5)

2 (0.6)

8 (1.8)

3 (0.9)

35%

6 (2,1)

8 (2,6)

3 (1.05)

5 (1,75)

Nilai Total

5.06

4.7

4.15

4.65

Evaluasi Teknik Pembobotan Sederhana

Sensitivitas perubahan /transformasi satuan kriteria Contoh : Terdapat 3 alternatif keputusan : A, B, C yang dinilai berdasarkan evaluasi 2 kriteria : - Biaya (Rp) - Buangan limbah (Ton)
Biaya (Rp jt) Ranking 3 2 Alternatif Bobot 4/5 A B 100.000 80.000 Bobot 1/5 5.000 10.000 81.000 66.000 Limbah (Ton) Skor Terbobot

40.000

20.000

36.000

- BIla satuan limbah diubah dalam satuan kg perubahan ranking - Skor pembobotan sama tidak dilakukan perubahan

Biaya (Rp jt) Ranking 1 2 3 Alternatif Bobot 4/5 A B C 100.000 80.000 40.000

Limbah (Kg) Skor Terbobot Bobot 1/5 5.000.000 10.000.000 20.000.000 1.080.000 2.064.000 4.032.000

Urutan pilihan terbaik berubah, pilihan alternatif A menjadi Terbaik.

Evaluasi Perubahan Skala Rating Kriteria

-Agregasi total informasi setiap kriteria -Perubahan skor agregasi kriteria perubahan ranking
Kriteria Non Dimensiona l Nilai skor-alternatif Bobot A B C A B C Nilai skor Terbobot-Alternatif

1 2 3 4

40% 25% 25% 10%

4 3 2 2

3 3 4 3

4 2 3 1

1.6 0.75 1.5 0.2

1.2 0.75 1.0 0.3

1.6 0.50 0.75 0.10

Jumlah 100%

3.05

3.25

2.95

Ranking

Skore diberikan dengan rating dan bobot kriteria

Nilai skor-alternatif Kriteria Bobot A B C

Nilai skor Terbobot-Alternatif

1 2 3 4

40% 25% 25% 10%

8 3 2 2

6 3 4 3

8 2 3 1

3.20 0.75 1.5 0.2

2.40 0.75 1.0 0.3

3.20 0.50 0.75 0.10

Jumlah 100%

4.65

4.45

4.55

Ranking

Ternyata dengan perubahan skala rating menyebabkan pilihan alternatif terbaik juga berubah

TEKNIK-MCDM BERDASARKAN NILAI RANKING Penilain kepentingan objektif/kriteria Ranking >Yang paling penting pada urutan 1 > Kurang penting pada urutan ranking berikutnya 2 > Ranking 1 diubah menjadi ranking terbobot m-1 > Ranking 2 diubah menjadi ranking terbobot m-2 > Ranking ke m menjadi ranking terbobot m= 0
Rl Rlj
j 1 n

> Bobot diperoleh sebagai :

Wl Rl

Rl
l=1

Rl= penjumlahan ranking terbobot untuk seluruh kriteria l Rlj = ranging yang dievaluasi oleh j untuk kriteria l Wl = bobot kriteria l untuk evaluator n

Contoh : Misal ada 20 evaluator KriteAMDAL yang membuat ria ranking terhadap tingkat kepentingan kriteria C1 Kesehatan (C1), Drainase (C2) dan Vegetasi Alam C2 (C3)

Ran king 1

Ranki Ranng 2 king 3

10
6 4

10
8 6

0
6 10

C3
kepentingannya.

Pertanyaannya: Kriteria mana yang paling penting dan berapa bobot

Jawaban: Hitung penjumlahan total frekuensi dan bobot rangking Rl=[(10)(2) + (10)(1)+ 0] + [(6)(2)] + (8)(1) + 0 ] + [ (4)(2) +(6)(1) + 0 ] = 64 W1 = [(10)(2) + (10)(1)+ 0] : Rl = 0.47 W1 = [(6)(2)] + (8)(1) + 0 ] : Rl = 0.31 W1 = [ (4)(2) +(6)(1) + 0 ] : Rl = 0.22

Bobot untuk kepentingan kriteria kesehatan yang utama

FUNGSI CONDORCET (philosof, France, 1743-94)

Ambil fC(X) = Min S (i:x Pi y), y E A\ (x) Alternatif diranking menurut order yang diperoleh oleh fC(X) fC(X) : nilai terburuk yang diperoleh bila x dipasangkan dengan alternatif lain Ambil dan urutkan sesuai dengan nilai terbaiknya : problem Maximin (maksimumkan dari pilihan terburuknya) Contoh : Terdapat 60 evaluator untuk meranking 3 alternatif: a, b, c 23 orang meranking :a Pb Pc 17 orang meranking :b Pc Pa 2 orang meranking b Pa Pc 10 orang meranking :c Pa Pb 8 orang meranking : c Pb Pa

EFEK GONDORCET

Penetapan berdasar intensitas/frekuensi untuk perangkingan Pilihan terbaik pada voting tertinggi (majoritas) pada preferensi > hasilnya berbeda dengan perbandingan yang lengkap
Contoh:

60 evaluator melakukan perankingan dari 3 alternatif, A,B, C 23 orang meranking: A>C>B 19 orang meranking B>C>A 16 orang meranking C>B>A 2 orang meranking C>A>B Secara perbandingan berpasangan dan voting A/B A>B : 23 +2 =25 B > A : pilih B B>A : 19 + 16=35

A/C A>C : 23 C>A : 19+16+2= 37 B/C B>C : 19 C>B: 23+16+2= 41

C > A : pilih C

C > B : pilih C
A

A B B

Solusi : C >B >A

Solusi : A >B >C

Kedua

solusi non siklis tetapi tidak konsistent

 Perbandingan Berpasangan S(i: aPb) = 33 S(i: bPa) = 27 S(i: aPc) = 25 S(i: cPa) = 35 S(i: bPc) = 42 S(i: cPb) = 18

Terdapat majoritas siklis : aPb, cPa, bPc

Perhitungkan Nilai fC a b c fC

a b 27

33
-

25
42

25
27

35 18

18

Sesuai fungsi Condorcet, perankingan adalah bPaPc

PENDEKATAN MCDM DENGAN METODA AHP KONSEP DASAR METODE ANALYSIS HIERARCHY PROCES
Sebagai

metoda pengambilan keputusan Multikriteria

(MDCM) Dikembangkan dari teori pengukuran dengan kriteria keputusan kompleks serta intangible Memperhatikan proses pengembangan langkah dan dialektika manusia saat menyelesaikan suatu problem Mengakomodasi faktor logika, pengalaman, emosi, intuisi dan subjektifitas secara sistimatis

Ciri dan Sifat Penggunaan AHP

Model untuk problem kompleks, tanpa struktur yang jelas Data dan informasi problem minim Data kualitatif didasari : persepsi, pengalaman, pengamatan, Pengalaman, pengamatan dan intuisi Data kuantitatif tidak mendukung dibuatkan model

Prinsip Pokok
Dikembangkan dengan meniru proses pengembangan model pemecahan masalah oleh manusia: o Penyusunan struktur hirarkhi masalah o Penentuan prioritas o Konsistensi logis

PROSEDUR PENYELESAIAN METODA AHP

1. Menyusun hierarki elemen keputusan Mendifinisikan problematika Merinci elemen keputusan secara hierarkhis 2. Mengumpulkan data preferensi antar elemen keputusan dengan perbandingan berpasangan (tolok ukur perbandingan dengan skala Saaty: 1-9) 3. Menentukan prioritas dan bobot kepentingan setiap elemen keputusan (kriteria) dari data matriks berpasangan pada setiap level hierarki yang sama 4. Membuat pengujian konsistensi terhadap perbandingan setiap elemen berpasangan di setiap tingkat hierarkhi 5. Membuat sintesis dan agregasi setiap elemen keputusan pada seluruh tingkat hierarki yang ada

Menstrukturkan Hierarkis AHP Hierarki disusun dalam struktur/fungsi tertentu Hierarki sebagai kumpulan elemen yang disusun dalam tingkat yang homogen Ultimate goal ditempatkan pada level yang paling tinggi sampai ke tingkat yang rendah: Goal, kriteria, alternatif Goal, kriteria, sub kriteria, alternatif Goal, aktor,kriteria, level intensitas keputusan

Membuat Struktur Hierarki

Pemilihan Lokasi TPA
Kriteria

Ekonomis

Teknis

Sosial

Lingkungan

Pertumbuhan Pengurangan Pendapatan Biaya

Realibilitas

Kelayakan

Penerimaan Penggusuran Masyarakat

regional

Lokal

Sub Kriteria

Lokasi A

Lokasi B

Alternatif

Menetapkan Pembobotan Prioritas Pada Setiap Tingkat

Nilai bobot relatif terhadap elemen keputusan/kriteria yang berada disetiap tingkat Bobot prioritas relatif pada setiap hierarkhi hierarki yang lebih tinggi
Pemilihan Projek W1

W2

W3

Goal

C1 1 X21

C2 X12 1

C3

Biologis (C1) Fisik/Kimia(C2) Kualitas Air(C3) w2A w2B w1A Alternatif A w1B Alternatif B w3A w3B

C1 C2

X13 w1 X23 w2

C3

X31

X32

w3

C1 A B

A 1

B XAB

w
w1A

C2 A B

A 1

B XAB

w
w2A

C3
A B

A
1

B
XAB

w
w3A

XBA 1

w1B

XBA 1

w2B

XBA 1

w3B

Menetapkan Agregasi dan Sintesis AHP

Menghitung skore sintesis dari nilai bobot dari setiap tingkat Hierarkis pada elemen keputusan yang terkait Pemilihan Projek
W1 W2 W3

Biologis (C1)
w1A

Fisik/Kimia(C2)
w2A w2B w1B Alternatif A w3A

Kualitas Air(C3)
w3B

Alternatif B

Alternati A = (w1)(w1A) + (w2)(w2A) + (w3)(w3A)

Alternatif B = (w1)(w1B) + (w2)(w2B) + (w3)(w3B)

Evaluasi matrik perbandingan berpasangan : tolok ukur/intensitas Skala Saaty (1-9)

TABEL SKALA AHP

Skala
1

Definisi
Sama sama penting/disukai Cukup penting/disukai

Keterangan
Bobot kepentingan elemen matriks yang satu dinilai sama penting dibandingkan elemen yang lain Bobot kepentingan elemen matriks yang satu dinilai cukup penting dibandingkan elemen yang lain Bobot kepentingan elemen matriks yang satu dinilai lebih penting dibandingkan elemen yang lain Bobot kepentingan elemen matriks yang satu dinilai sangat penting dibandingkan elemen yang lain Bobot kepentingan elemen matriks yang satu dinilai mutlak penting dibandingkan elemen yang lain

Lebih penting/disukai

Sangat penting/disukai

Mutllak penting/disukai

Nilai 2,4, 5 ; Nilai kompromi diantara dua nilai perbandingan terdekat

Contoh Pemilihan Alternatif 3 Kriteria dan 3 Alternatif

Pemilihan Projek
W1 W2 W3

Biologis (C1)
w1C

Fisik/Kimia(C2)
w2A w2B w2C

Kualitas Air(C3)
w3A
w3B

w1A

w1B

w3C

Alternatif A

Alternatif B

Alternatif C

Alternati A = (w1)(w1A) + (w2)(w2A) + (w3)(w3A) Alternatif B = (w1)(w1B) + (w2)(w2B) + (w3)(w3B) Alternati C = (w1)(w1A) + (w2)(w2C) + (w3)(w3C)

aPenetapan jumlah kolom berpandingan berpasangan

Ultimate Goal Kriteria1 (C1) Kriteria2 (C2) Kriteria3 (C3) Jumlah (Kolom)

Kriteria1 (C1) 1 1/3 1/5 1,533

Kriteria 2 (C2) 3 1 1/3 4,333

Kriteria 2 (C3) 5 3 1 9,0

b. Matriks Perbandingan Hasil Normalisasi

Goal (Ultimate) Kriteria 1 (C1) Kriteria 2 (C2) Kriteria 3 Jumlah (C3) (Baris)

Rata-rata Bobot (wi)

Kriteria 1 (C1) Kriteria 2 (C2) Kriteria 3 (C3)

0,652

0,692

0,555

1,900

W1=0,633

0,217

0,230

0,333

0,781

W2 =0,260

0,130

0,077

0,111

0,318

W3 =0,106

c. Matriks Perkalian Bobot x Nilai Matrix Perbandingan Awal

Goal (Ultimate)

Kriteria 1 (C1)

Kriteria 2 (C2)

Kriteria 3 Jumlah (C3) (Baris)

Kriteria 1 (C1)
Kriteria 2 (C2) Kriteria 3 (C3)

0,633

0,781

0,530

1,946

0,211

0,260

0,318

0,790

0,127

0,086

0,106

0,320

d. Kolom Jumlah Matriks Dibagi Bobot

Goal (Ultimate) Jumlah Matriks Bobot Hasil Bagi (L maks)

Kriteria 1 (C1) Kriteria 2 (C2) Kriteria 3 (C3)

1,946

0,633

3,072

0,790

0,260

3,033

0,320

0,106

3,011

Dicari nilai L maks pada hasil bagi

e. Dicari Nilai Consistensi Indeks

CI

maks n Lmaks n n 1 n 1

Diperoleh CI = ( 3,072 3 ) : ( 3 1 ) = 0,072/2 = 0,036

f. Dicari Nilai Consistency Ratio

CR = CI/RI Nilai RI (Random Index): fungsi order matriks
Oder Matriks RI
1 2 3 4 5 6 7 8 9 10

0,58

0,90

1,12

1,24

1,32

1,41

1,45

1,49

TERMINOLOGI PADA PENDEKATAN MCDM Atribut Sifat yang dipergunakan untuk menjelaskan suatu objek keputusan tertentu Objektif/Tujuan Sebagai aspirasi yang menunjukkan arah perbaikan untuk pencapaian atribut terpilih dna tertentu Goal/Target Suatu tingkat aspirasi dengan level atribut yang diinginkan untuk dicapai Kriteria Suatu aturan dan ukuran dan standart relevant untuk suatu situasi pengambilan keputusan

MULTICRITERIA DECISION MAKING (MCDM) Pendekatan untuk proses pengambilan keputusan yang memiliki suatu situasi problem keputusan dengan kriteria, objektif maupun atribut majemuk MADM (Multi Atribut) dan MODM (Multi Objektif) Karekteristik 1. Terdapat lebih 2 atribut dan kriteria yang saling konfliktual : pemenuhan kepuasan yang satu menyebabkan pengurangan kepu tusan yang lain (trade off) 2. Terdapat lebih 2 alternatif solusi keputusan 3. Konflik : Intrapersonal dan Interpersonal

MATRIK KEPUTUSAN PADA MCDM A : Set variabel alternatif keputusan ( a1,a2, a3 . . . .an) C : Set kriteria keputusan (c1, c2, c3, . . . . . .cm) Vij: Nilai alternatif i (i=1, ..n) di-evaluasi dengan kriteria j (j=1, 2 . . . m) c1 c2 c3 . . . . . cm a1 V11 V12 V13 . . . . . V
1m

a2 a3 an
. . .

V21 V31 . . Vn1

V22 V32 . . Vn2

V23

. . . . V2m V3m . . Vnm

V33 . . . . . . . Vn3 . . . . .

PERBANDINGAN METODA MADM DAN MODM

Faktor Evaluasi Metoda MADM Kriteria Atribut

Objektif Atribut Alternatif Interaksi DM Penggunaan Implisit Explisit Terbatas dan Diskrit Kurang Problem Pemilihan dan Evaluasi

Metoda MODM Objektif

Eksplisit Implisit Aktif Kontinus Lebih sering Problem Design dan Rekayasa

Fungsi Kendala Tidak Aktif

TAKSONOMI MCDM (Perspektif Anglo Saxon) Informasi Keputusan

Tidak Perlu Preferensi Kardinal

Data Preferensi

Metoda Penyelesaian
Kiteria Global

Fungsi Utility MODM

Preferensi A priori
Ordinal dan Kardinal

Objektif Terbatas/Kendala

Lexicograph Goal Prog. Goal Attain.

TAKSONOMI MCDM (Perspektif Anglo Saxon) Informasi Keputusan

Preferensi Progresif

Data Preferensi
Trade off Explisit

Metoda Penyelesaian
Geoffrian Meth. G. Prog. Interact. Zionts-W. Methd.

implisit Trade Off

Steur Method.
STEM Displaced Parametric Prog. MOLP Adaptive

MODM
Preferensi Posteriori
Implisit Trade Off

TAKSONOMI MCDM (Perspektif Anglo Saxon) Informasi Keputusan

Tidak Perlu Preferensi

Data Preferensi
Standart

Metoda Penyelesaian
Maximin Minimax Conjuctive Lexicograph Permutasi ELECTRE Promethee AHP Interaktiv Ideal points

Atribut MADM

Ordinal Kardinal

Pairwise

Alternatif
Urutan Berpasangan

ELEMENTS DU SYSTEME DAIDE A LA DECISION

Decision Maker
Q R

Modle

Statistique

Optimisation

DATA-DATA

Lingkungan Keputusan
Source: LITTLE[1989]
Udi CIPTOMULYONO

Q = Questions R = Rsponse

MCDM: ALAT BANTU PENGAMBILAN KEPUTUSAN Akomodasi Objektivitas Vs Subjektivitas Meningkatkan proses keputusan Memperjeles fungsi komponen DM
Analist Modelling (Homme detude) MCDM (Decision Aids) Validasi

Sistem Riel
Subsistem Action

Legitimasi

Preferensi

Decision Maker

Subsistem Pengambil Keputusan

Negosiasi

TERIMA KASIH ATAS PERHATIANNYA