FUZZY MULTI-ATTRIBUTE

DECISION MAKING (FMADM)

KONSEP

 Pada metode-metode MADM klasik tidak cukup

efisien untuk menyelesaikan masalah-masalah
pengambilan keputusan yang melibatkan data-data
yang tidak tepat, tidak pasti, dan tidak jelas.
 Salah satu cara yang dapat digunakan untuk untuk
menyelesaikan permasalahan tersebut adalah
dengan mengunakan fuzzy multi attribute decision
making (FMADM)(Zhang, 2005).
 Berdasarkan tipe data yang digunakan pada
setiap kinerja alternatif-alternatifnya,
FMADM dapat dibagi menjadi 3 kelompok,
yaitu:
 semua data yang digunakan adalah data
fuzzy;
 semua data yang digunakan adalah data
crisp;
 data yang digunakan merupakan campuran
antara data fuzzy dan crisp.
Simple Additive Weighting Method
(SAW)
 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.
 Metode SAW membutuhkan proses
normalisasi matriks keputusan (X) ke suatu
skala yang dapat diperbandingkan dengan
semua rating alternatif yang ada.
  x ij
 jika j adalah atribut keuntungan (benefit)
 Miax x ij

rij  
 M in x ij
 i jika j adalah atribut biaya (cost)
 x ij

 dimana rij adalah rating kinerja ternormalisasi dari alternatif

Ai pada atribut Cj; i=1,2,...,m dan j=1,2,...,n.
 Nilai preferensi untuk setiap alternatif (Vi)diberikan sebagai:

n
Vi   w j rij
j1

 Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai

lebih terpilih
Weighted Product (WP)

 Metode WP menggunakan perkalian untuk

menghubungkan rating atribut, dimana rating
setiap atribut harus dipangkatkan dulu
dengan bobot atribut yang bersangkutan
(Yoon, 1989).
 Proses ini sama halnya dengan proses
normalisasi.
 Preferensi untuk alternatif Ai diberikan sebagai
berikut:
n
Si   xij
wj

j 1

dengan i=1,2,...,m; dimana wj = 1.

 wj adalah pangkat bernilai positif untuk atribut
keuntungan, dan bernilai negatif untuk atribut biaya.
 Preferensi relatif dari setiap alternatif, diberikan
sebagai:
n

 x ij
wj

j1
Vi 
 x 
n
* wj
j
j1
Fuzzy TOPSIS

 TOPSIS didasarkan pada konsep dimana alternatif

terpilih yang terbaik tidak hanya memiliki jarak
terpendek dari solusi ideal positif, namun juga
memiliki jarak terpanjang dari solusi ideal negatif.
 Konsep ini banyak digunakan pada beberapa model
MADM untuk menyelesaikan masalah keputusan
secara praktis.
 Hal ini disebabkan: konsepnya sederhana dan
mudah dipahami; komputasinya efisien; dan
memiliki kemampuan untuk mengukur kinerja relatif
dari alternatif-alternatif keputusan dalam bentuk
matematis yang sederhana.
 Langkah-langkah penyelesaian masalah
MADM dengan TOPSIS:
 Membuat matriks keputusan yang ternormalisasi;
 Membuat matriks keputusan yang ternormalisasi
terbobot;
 Menentukan matriks solusi ideal positif & matriks
solusi ideal negatif;
 Menentukan jarak antara nilai setiap alternatif
dengan matriks solusi ideal positif & matriks solusi
ideal negatif;
 Menentukan nilai preferensi untuk setiap
alternatif.
 TOPSIS membutuhkan rating kinerja setiap
alternatif Ai pada setiap kriteria Cj yang
ternormalisasi, yaitu:

x ij
rij 
m

x
i 1
2
ij
 Solusi ideal positif A+ dan solusi ideal negatif
A- dapat ditentukan berdasarkan rating bobot
ternormalisasi (yij) sebagai:
y ij  w i rij

A   y1 , y 2 ,, y n ; 
A 
 y

1 ,y 
2 ,, y ;

n
dengan

max y ij ; jika j adalah atribut keuntungan

 i
y j  
min y ij ; jika j adalah atribut biaya
 i

min y ij ; jika j adalah atribut keuntungan

  i
yj  
max y ij ; jika j adalah atribut biaya
 i
 Jarak antara alternatif Ai dengan solusi ideal
positif dirumuskan sebagai:

 y 
n
  2
D 
i i  y ij ;
j1

 Jarak antara alternatif Ai dengan solusi ideal

negatif dirumuskan sebagai:

 y ;
n
  2
D  i ij y i
j1
 Nilai preferensi untuk setiap alternatif (Vi)
diberikan sebagai:

D i
Vi   
;
Di  Di

 Nilai Vi yang lebih besar meninjukkan bahwa

alternatif Ai lebih dipilih
Contoh
 Suatu perusahaan ingin menginvestasikan uangnya
dalam 4 pilihan, yaitu:
 A1: membeli tanah di pusat kota;
 A2: merenovasi infrastruktur teknologi informasi
perusahaan;
 A3: membangun gudang baru;
 A4: membeli alat transportasi pengiriman barang.
 Pemilihan alternatif tersebut didasarkan atas 3
kriteria, yaitu:
 C1 = biaya;
 C2 = fluktuasi harga; dan
 C3 = prioritas kebutuhan.
 Derajat keanggotaan setiap alternatif pada
setiap atribut diberikan sebagai berikut:
Atribut
Alternatif Harga/ Fluktuasi Prioritas
biaya* harga kebutuhan
(C1) (C2) (C3)
Membeli tanah
1 Tinggi Rendah
(A1)
Infrastruktur TI
0,5 Rendah Tinggi
(A2)
Membangun gudang
1,2 Sedang Sedang
(A3)
Membeli alat2 tranportasi
0,75 Rendah Sedang
(A4)
*dalam milyar rupiah.
 Bobot setiap atribut atribut diberikan sebagai:
W = [Penting; Cukup; Sangat Penting]
 Pada atribut fluktuasi harga dan prioritas
kebutuhan, terbagi atas 3 bilangan fuzzy,
yaitu Rendah (R), Sedang (S), dan Tinggi (T)
yang dikonversikan ke bilangan crisp: R =
0,1; S = 0,5; dan T = 0,9.
 Pada bobot atribut, juga terbagi atas 3
bilangan fuzzy, yaitu Cukup (C), Penting (P),
dan Sangat Penting (SP) yang dapat
dikonversikan ke bilangan crisp: C = 0,5; P =
0,75; dan SP = 0,9.
Penyelesaian dengan SAW
 Matriks ternormalisasi R sebagai berikut:
0,5000 1,0000 0,1111
1,0000 0,1111 1,0000 
R
0,4167 0,5556 0,5556
 
0,6667 0,1111 0,5556

 Hasil perankingan diperoleh: V1 = 0,975; V2 =

1,7056; V3 = 1,0903; dan V4 = 1,0556. Nilai
terbesar ada pada V2 sehingga alternatif A2
(merenovasi infrastruktur TI) adalah alternatif yang
terpilih sebagai alternatif terbaik.
Penyelesaian dengan WP

 Normalisasi vektor bobot, W, diperoleh:

W = (0,3488; 0,2326; 0,4186)
 Kemudian vektor S diperoleh: S1 = 0,3722; S2 =
0,7133; S3 = 0,5975; dan S4 = 0,4842.
 Vektor V sebagai: V1 = 0,1717; V2 = 0,3291; V3 =
0,2757; dan V4 = 0,2243.
 Nilai terbesar ada pada V2 sehingga alternatif A2
(merenovasi infrastruktur teknologi informasi) adalah
alternatif yang terpilih sebagai alternatif terbaik.
Penyelesaian dengan TOPSIS
 Matriks ternormalisasi R:
0,5545 0,8660 0,0870
0,2772 0,0962 0,7833
R
0,6654 0,4811 0,4352
 
0,4159 0,0962 0,4352

 Matriks Y: 0,4159 0,4330 0,0783

0,2079 0,0481 0,7050
Y
0,4990 0,2406 0,3917
 
0,3119 0,0481 0,3917
 Solusi ideal positif A+:
A+ = (0,2079; 0,4330; 0,7050)
 Solusi ideal negatif A-:
A- = (0,4990; 0,0481; 0,0783)
 Jarak antara nilai terbobot setiap alternatif terhadap
solusi ideal positif, adalah: D1+ = 0,6603; D2+ =
0,3849; D3+ = 0,4690; dan D4+ = 0,5071.
 Jarak antara nilai terbobot setiap alternatif terhadap
solusi ideal negatif, adalah: D1- = 0,3938; D2- =
0,6910; D3- = 0,3677; dan D4- = 0,3650.
 Kedekatan setiap alternatif terhadap solusi
ideal: V1 = 0,3736; V2 = 0,6423; V3 =
0,4395; dan V4 = 0,4185.
 V2 memiliki nilai terbesar, sehingga dapat
disimpulkan bahwa alternatif A2 (merenovasi
infrastruktur teknologi informasi) yang akan
lebih dipilih