LOGIKA FUZZY

Fuzzy Multiple Atribute

Decision Making (FMADM)
suatu metode yang digunakan untuk mencari
alternatif optimal dari sejumlah alternatif
dengan kriteria tertentu.

Fuzzy :
Metode dalam Fuzzy Multiple Atribute Decision Making
(FMADM) :

Simple Additive Weighting Method (SAW)

Weighted Product (WP)
ELECTRE
Technique for Order Preference by Similarity to Ideal Solution
(TOPSIS)
Analytic Hierarchy Prosess (AHP)

Algoritma FMADM :
1. Memberikan nilai setiap alternatif (A1) pada
kreteria (Cj) yang sudah ditentukan dimana nilai
tersebut diperoleh berdasarkan nilai crisp; i=1,2,.m
dan j = 1,2,.n.
2. Memberikan nilai bobot (w) yang juga didapatkan
berdasarkan nilai Crisp.

Algoritma FMADM :
3. Melakukan normalisasi matriks dengan cara
menghitung nilai rating kinerja ternormalisasi (rij)
dari alternatif Ai pada atribut Cj berdasarkan
persamaan yang disesuaikan dengan jenis atribut
(atribut keunggulan/benefit= MAKSIMUM atau
atribut biaya/cost = MINIMUM). Apabila berupa
atribut keuntungan maka nilai crisp (Xij) dari setiap
kolom atribut dibagi dengan nilai crisp MAX (MAX
Xij) dari tiap kolom, sedangkan untuk atribut biaya,
nilai crisp MIN (MIN Xij) dari tiap kolom atribut
dibagi dengan nilai crisp (Xij) setiap kolom.

Algoritma FMADM :
4. Melakukan proses perankingan dengan cara
mengalikan matriks ternomalisasi (R ) dengan nilai
bobot W

5. Menentukan nilai preferensi untuk setiap

alternatif (Vi) dengan cara menjumlahkan hasil kali
antara matriks ternomalisasi (R) dengan nilai
bobot (W). Nilai Vi terindetifikasi yang lebih besar
dari yang lain maka lebih terpilih.

SIMPLE ADDITIVE WEIGHTING

SIMPLE ADDITIVE WEIGHTING

Metode SAW sering juga dikenal istilah metode
penjumlahan terbobot. Konsep dasar metode SAW
adalah mencari penjumlahan terbobot dari rating
kinerja pada setiap alternatif pada semua atribut

Kriteria

C1 = Nilai tes psikologi untuk kemampuan penalaran analitis

C2 = Nilai tes psikologi untuk analogi verbal
C3 = Nilai tes psikologi untuk ketelitian 1
C4 = Nilai tes psikologi untuk penalaran logis 1

Bobot
C1 = 25%
C2 = 30%
C3 = 25%
C4 = 20%.

Alternatif
A1 = Ahmad
A2 = Dian
A3 = Andi
A4 = Dewi
A5 = Indah

Tabel Kecocokan
Alternatif

Pelamar

A1

Kriteria
C1

C2

C3

C4

Ahmad

80

70

85

75

A2

Dian

75

80

85

80

A3

Andi

65

90

75

85

A4

Dewi

70

75

90

80

A5

Indah

85

75

70

80

Normalisasi Matrik

xij

Max xij
i
rij
Min xij
i
x

ij

jika j adalah atributkeuntungan(benefit)

jika j adalah atributbiaya (cost)

rij adalah ranting kinerja ternomalisasi dari

alternatif Ai pada atribut Cj

Normalisasi Matrik

Matrik Ternomalisasi

Kriteria

C1 = Nilai tes psikologi untuk kemampuan penalaran analitis

C2 = Nilai tes psikologi untuk analogi verbal
C3 = Nilai tes psikologi untuk ketelitian 1
C4 = Nilai tes psikologi untuk penalaran logis 1

Bobot
C1 = 25% ; C2 = 30% ; C3 = 25% ; C4 = 20%.

W = { 0.25 , 0.3 , 0.25 , 0.2 }

Nilai Preferensi untuk setiap alternatif (Vi)

W = { 0.25 , 0.3 , 0.25 , 0.2 }

Nilai Preferensi untuk setiap alternatif (Vi)