MATERI 13: PENGAMBILAN

KEPUTUSAN MULTIKRITERIA

Kasus

Badu ingin membeli mesin cuci dengan kriteria

sebagai berikut :

Setelah pergi ke toko elektronik Badu mengincar 4

merek mesin cuci :

Ramah lingkungan
Memiliki garansi yang baik
Harga murah

LG
Electrolux
Cosmos
Samsung

Masalah Pengambilan Keputusan

Pengambilan Keputusan

Pemilihan suatu alternatif diantara beberapa

alternatif
Masing-masing alternatif memiliki
keuntungan dan resiko tersendiri
Keuntungan dan resiko tidak pasti
Diketahui di masa depan
Proses mengurangi keragu-raguan diantara
tiap alternatif agar dapat dipilih yang terbaik

Faktor yang Berpengaruh

Alternatif keputusan

Informasi mengenai tiap keputusan

Semakin banyak semakin membingungkan

Semakin banyak semakin baik ?

Tipe kepribadian

Risk averse / Risk Taker

Utility Theory

Tipe Pengambilan Keputusan

Berdasarkan jumlah pengambil keputusan

Individual
Grup

Berdasarkan jumlah kriteria

Tunggal
Banyak

Metode Pengambilan Keputusan

Grup Delphi, Borda

Single Criteria Expected Value = P * V

Maximax
Maximin

Multi Criteria Analitic Hierarchy Process

AHP

Dikembangkan oleh Saaty (1970)

Memecahkan masalah pengambilan
keputusan multi-alternatif dan multi-kriteria
Dapat mempertimbangkan informasi
kuantitatif dan kualitatif
Kekurangan Relatif rumit

Metode AHP

Dekomposisi masalah ke dalam Tujuan

(Goal), Kriteria, Sub-kriteria dan Alternatif
Tentukan peringkat antar kriteria, sub-kriteria
dan alternatif sesuai preferensi pengambil
keputusan
Hitung nilai setiap alternatif

Pohon Informasi

Contoh Pohon Informasi

Pemberian Bobot

Tentukan kepentingan setiap kriteria

Tentukan performansi tiap alternatif di tiap

kriteria

Apakah garansi lebih penting dari harga?

Teknologi lebih penting dari garansi ?
Dst..

Seperti apa kecanggihan teknologi mesin cuci

Samsung ?
Berapa harga mesin cuci Electrolux ?

Gunakan Pairwise Comparison

Pairwise Comparison

Bandingkan tiap kriteria relatif terhadap kriteria lainnya

Bandingkan tiap alternatif terhadap alternatif lainnya untuk
tiap kriteria
Hasil akhir matriks pairwise comparison

Contoh Pairwise Comparison

Teknologi Garansi Harga
Teknologi
Garansi
Harga

1/3

1/5

1/6

1
Teknologi Garansi
Teknologi
Garansi
Harga

Harga

5 0.3333

0.2
3

1 0.1667
6
1

Eigen Vector

Pairwise comparison matrix harus dijadikan

peringkat antar kriteria Eigen Vector
v adalah eigen vector dari A jika dan hanya
jika terdapat bilangan sehingga Av = v
adalah eigen value
Terdapat beberapa cara menghitung Eigen
Vector, misal :

Metode Selisih Kuadrat

Metode Akar Pangkat

Metode Selisih Kuadrat

Pangkatkan Matrix Pairwise Comparison untuk

menghasilkan matrix baru, misal matrix A1
Jumlahkan tiap baris dan lakukan normalisasi untuk
menghasilkan eigen vector, misal eigen vector B1
Pangkatkan matrix A1 untuk menghasilkan matrix
A2
Cari eigen vector dari matrix baru eigen vector B2
Cari selisih dari B2 dan B1. Jika selisih = 0, maka
eigen vector terakhir adalah eigen vector dari matrix
awal. Jika selisih belum 0, ulangi terus langkah di
atas hingga selisih = 0

Contoh (1)
1.0000 5.0000 0.3333
0.2000 1.0000 0.1667
3.0000 6.0000 1.0000

3.0000
0.9000
7.2000

12.0000
3.0000
27.0000

1.0000 5.0000 0.3333

0.2000 1.0000 0.1667
3.0000 6.0000 1.0000

1.5000
0.4000
3.0000

16.5000
4.3000
37.2000

Total

58.0000

3.0000 12.0000
0.9000 3.0000
7.2000 27.0000

0.2845
0.0741

Normalisasi

0.6414

1.5000
0.4000
3.0000

Contoh (2)
3.0000 12.0000

1.5000

0.9000

3.0000

0.4000

7.2000 27.0000

3.0000

30.6000 112.5000
8.2800 30.6000
67.5000 248.4000

0.2873

0.0781
0.6346

3.0000 12.0000

1.5000

0.9000

3.0000

0.4000

7.2000 27.0000

3.0000

13.8000
3.7500
30.6000

156.9000
42.6300
346.5000

Total

546.0300

0.2845
0.0741
0.6414

30.6000 112.5000
8.2800 30.6000
67.5000 248.4000

0.2873
0.0781

Normalisasi

0.0029
0.0039
-0.0068

0.6346

Selisih 0
Lanjutkan terus
!

13.8000
3.7500
30.6000

Contoh (3)
30.6000 112.5000 13.8000
8.2800 30.6000

3.7500

30.6000 112.5000 13.8000

67.5000 248.4000 30.6000

2799.3600 10312.9200
759.8610 2799.3600
6187.7520 22795.8300

0.2872

0.0780
0.6348

0.2873
0.0781
0.6346

8.2800 30.6000

3.7500

67.5000 248.4000 30.6000

1266.4350
343.7640
2799.3600

14378.7150
3902.9850
31782.9420

Total

50064.6420

-0.0001

2799.3600 10312.9200 1266.4350

759.8610 2799.3600

6187.7520 22795.8300 2799.3600

0.2872
0.0780

Normalisasi

Selisih 0,
-0.0001 dst....
0.0003

343.7640

0.6348
0.2872
0.0780
0.6348

Eigen Vector

Metode Akar Pangkat

Kalikan setiap baris

Cari akar pangkat ke-n dari hasil perkalian (n
adalah dimensi matrix)
Lakukan normalisasi

Contoh
1.0000

5.0000

0.3333

0.2000

x
x

1.0000

x
x

0.1667

3.0000

6.0000

1.6667

0.0333

= A

18.0000

1.0000

1.1856

0.3218
2.6207

1.1856

0.2872

0.3218

0.0780

2.6207

Normalisasi

0.6348

Eigen Vector

Arti Eigen Vector

Eigen Vector adalah peringkat kepentingan

Harga adalah yang terpenting

Teknologi adalah kedua terpenting
Garansi paling tidak penting
Teknologi Garansi Harga

Teknologi

Garansi
Harga

1
0.2
3

5 0.3333
1 0.1667
6
1

Teknologi

0.2872

Garansi

0.0780
0.6348

Harga

Consistency Index / Consistency

Ratio

Pairwise Comparison bersifat subjektif

Dapat menghasilkan perbandingan yang
tidak konsisten alternatif / kriteria sekecil
mungkin
Consistency Index (CI) dan Consistency
Ratio (CR) mengukur konsistensi Pairwise
matrix
Jika tidak konsisten ulangi perbandingan
antar kriteria / alternatif

Perhitungan CI / CR

Kalikan pairwise matrix dengan eigen vector

untuk menghasilkan matrix baru, misal A
Hitung estimasi max dengan cara membagi tiap
komponen matrix A dengan eigen vector
Hitung rata-rata dari seluruh estimasi untuk
menghasilkan estimasi akhir bagi max

max n ; jika max = n maka perhitungan konsisten

n adalah dimensi matrix

CI = (max - n)/(n-1)

Perhitungan CI/CR

Perhitungan CR bagi CI dengan CI sampel

dari tabel berikut (baris pertama n, baris
kedua nilai CI sampel)

Jika CR > 0.1 perbandingan tidak

konsisten
CR = 0 konsistensi sempurna

Contoh
1.0000

5.0000

0.3333

0.2000

1.0000

0.1667

3.0000

6.0000

1.0000

max =

0.2872

0.0780

1.9642/0.6348

0.6348

0.8886 / 0.2872

0.2412/0.0780

0.8886

3.0940

3.0940

0.2412
1.9642

max = 3.0940

3.0940

CI = (max - n)/(n-1) = (3.0940-3)/(3-1) = 0.047

CR = 0.047/0.59 (lihat tabel)
CR = 0.0810
CR > 0.1 penilaian konsisten

Update Pohon Informasi

Perbandingan Alternatif

Lakukan perbandingan pada setiap alternatif untuk

mendapatkan peringkat (Eigen Vector) dari setiap alternatif
untuk setiap kriteria
Informasi kuantitatif dapat langung dinormalisasi untuk
mendapatkan peringkat
Mencampurkan penilaian kuantitatif dan kualitatif dapat
menimbulkan BIAS

Kriteria Teknologi
LG

Kriteria Garansi

Electrolux Cosmos Samsung

LG

1/4

1/6

Electrolux

1
5

1/5

Cosmos
Samsung

LG
LG
Electrolux

Cosmos
Samsung

Electrolux Cosmos Samsung

1/5
1

1/3

1
4

Contoh

Perbandingan alternatif dalam kategori harga

Misal diketahui harga mesin cuci sebagai berikut :

LG = Rp. 4.127.000,00
Electrolux = Rp. 3.985.000,00
Cosmos = Rp. 2.320.000,00
Samsung = Rp. 3.560.000,00

Maka informasi tersebut dapat langsung

dinormalisasi sebagai berikut :
LG
Electrolux
Cosmos
Samsung

4127000
3985000
2320000
Normalisasi
3560000

0.2949
0.2848
0.1658

0.2544

Contoh hasil akhir

Nilai AHP akhir

Teknologi Garansi

LG

0.116

0.379

0.301

Electrolux

0.247
0.06

0.290

0.239

0.074

0.212

0.577

0.257

0.248

Cosmos
Samsung

Ranking Kriteria

Harga

LG
Electrolux
Cosmos
Samsung

0.2872

Teknologi

0.0780

Garansi

0.6348

Harga

0.2540
0.2453
0.1576
0.3432

Maka yang paling memenuhi kriteria yang telah

ditetapkan adalah mesin cuci Samsung

Subjektivitas dalam AHP

Penilaian perbandingan
Kriteria yang digunakan

Hindari kriteria biaya fokus pada keuntungan

AHP bisa digabungkan dengan teknik-teknik

pengambilan keputusan lainnya

Latihan (1)

Badu ingin membeli mobil baru. Hal-hal yang

diperhatikan Badu saat membeli mobil adalah
faktor-faktor berikut :

Harga
Desain Mobil
Layanan Servis dan Purnajual
Kenyamanan Dipakai

Latihan (2)

Badu memiliki 3 pilihan mobil yang

menurutnya baik, yaitu :

Toyota
Honda
Nissan

Bantulah Badu memilih mobil yang paling

tepat untuknya menggunakan AHP!