Anda di halaman 1dari 30

BAB I

PENDAHULUAN

1.1 Latar Belakang


Untuk membuat suatu sistem untuk membantu mengambil keputusan yang diharapkan dapat menghasilkan
keputusan yang tepat, akurat, dan objektif. Ada beberapa metode yang digunakan sebagai alat bantu dalam
pendukung keputusan. Salah satu metode yang dipakai untuk mendukung keputusan adalah metode Analytic
Hierarchy Process (AHP). Menurut Yance Sonatha dan Meri Azmi (2010), dijelaskan bahwa AHP memiliki
keunggulan dalam menjelaskan proses pengambilan keputusan[1]. Salah satunya adalah dapat digambarkan
secara grafis dan terstruktur. AHP merupakan metode yang memperhatikan faktor-faktor subyektifitas seperti
persepsi,preferensi,pengalaman dan intuisi. AHP adalah prosedur yang berbasis matematis untuk mengevaluasi
kriteria-kriteria tersebut. AHP juga memperhitungkan validitas data dengan adanya batas toleransi inkonsistensi
berbagai kriteria yang dipilih.

Walaupun metode AHP telah banyak digunakan untuk membantu dalam pengambilan keputusan, tetapi metode
AHP tak luput dari kritikan dalam penggunaannya karena dianggap tidak seimbang dalam skala penilaian
perbandingan berpasangan. Skala AHP yang berbentuk bilangan kurang mampu menangani ketidakpastian.
Olehnya itu, skala AHP orisinal harus dekati dengan metode yang lain. Salah satu pendekatan yang patut
dipertimbangkan adalah dengan menggunakan pendekatan logika fuzzy.

Logika Fuzzy merupakan sebuah logika yang memiliki nilai kekaburan atau kesamaran (Fuzzyness) antara dua
nilai. Pendekatan fuzzy khususnya triangular fuzzy number terhadap skala AHP diharapkan mampu untuk
meminimalisasi ketidakpastian sehingga diharapkan hasil yang diperoleh lebih akurat. Dari masing-masing
kelebihan dan kekurangan dari metode fuzzy dan AHP maka dicetuskanlah metode Fuzzy-AHP.
Beberapa penelitian telah dilakukan menggunakan F-AHP untuk penyeleksian diantaranya : penerapan F-AHP
dalam seleksi karyawan dengan model pembobotan non-additive Yudhistira, F-AHP juga digunakan untuk proses
pemilihan alternative perusahaan pemberi jasa layanan dalam tahap pra-negoisasi. Sedangkan Penggunaan AHP
menggunakan model Chang antara lain : pemilihan layanan perusahaan catering menggunakan F-AHP dan
penggunaan F-AHP untuk menentukan model evaluasi nilai intelektual untuk mengetahui kontribusinya terhadap
performansi kampus.

1.2 Tujuan
Tujuan dari penuliasan makalah ini adalah untuk mengetahui tentang fuzzy AHP.
Mulai dari pengertian, langkah-langkah menggunakannya dan contoh dari penggunaan
fuzzy Ahp itu sendiri
1.3 Manfaat Penulisan
Manfaat penulisan makalah ini agar mahasiswa dapat mengetahui tentang
pengertian fuzzy AHP, tahu cara penerapan fuzzy AHP, dan dapat mencontohkan
penggunaan fuzzy AHP

BAB 2
LANDASAN TEORI

2.1 Analytic Hierarchy Process (AHP)


Analytic Hierarchy Process (AHP) adalah salah satu metode khusus dari Multi
Criteria Decision Making (MCDM) yang diperkenalkan oleh Thomas L. Saaty. AHP
sangat berguna sebagai alat dalam analisis pengambilan keputusan dan telah banyak
digunakan dengan baik dalam berbagai bidang seperti peramalan, pemilihan karyawan,
pemilihan konsep produk, dan lain-lain.
Pada dasarnya, metode AHP memecah-mecah suatu situasi yang kompleks dan
tak terstruktur ke dalam bagian-bagian komponennya. Kemudian menata bagian atau
variabel ini dalam suatu susunan hirarki dan memberi nilai numerik pada pertimbangan
subjektif tentang relatif pentingnya setiap variabel. Setelah itu mensintesis berbagai
pertimbangan ini untuk menetapkan variabel mana yang memiliki prioritas paling tinggi
dan bertindak untuk mempengaruhi hasil pada situasi tersebut. (Saaty, 1993)
2.1.1

Landasan Aksiomatik

AHP memiliki landasan aksiomatik yang terdiri dari:


a. Resiprocal Comparison, yang mengandung arti bahwa matriks perbandingan
berpasangan yang terbentuk harus bersifat berkebalikan. Misalnya, jika A adalah
k kali lebih penting dari pada B maka B adalah 1/k kali lebih penting dari A.
b. Homogenity, yaitu mengandung arti kesamaan dalam melakukan perbandingan.
Misalnya, tidak dimungkinkan membandingkan jeruk dengan bola tenis dalam
hal rasa, akan tetapi lebih relevan jika membandingkan dalam hal berat.
c. Dependence, yang berarti setiap level mempunyai kaitan (complete hierarchy)
walaupun mungkin saja terjadi hubungan yang tidak sempurna (incomplete
hierarchy).
d. Expectation, yang berarti menonjolkon penilaian yang bersifat ekspektasi dan
preferensi dari pengambilan keputusan. Penilaian dapat merupakan data
kuantitatif maupun yang bersifat kualitatif.

2.1.2

Prinsip Dasar AHP

Dalam menyelesaikan persoalan dengan Metode AHP, ada beberapa prinsip dasar
yang harus dipahami, yakni:
a. Decomposition (prinsip menyusun hirarki)
Pengertian decomposition adalah memecahkan atau membagi problem yang utuh
menjadi unsurunsurnya ke dalam bentuk hirarki proses pengambilan keputusan,
dimana setiap unsur atau elemen saling berhubungan. Untuk mendapatkan hasil
yang akurat, pemecahan dilakukan terhadap unsur-unsur sampai tidak mungkin
dilakukan pemecahan lebih lanjut, sehingga didapatkan beberapa tingkatan dari
persoalan yang hendak dipecahkan. Struktur hirarki keputusan tersebut dapat
dikategorikan sebagai complete dan incomplete. Suatu hirarki keputusan disebut
complete jika semua elemen pada suatu tingkat memiliki hubungan terhadap
semua elemen yang ada pada tingkat berikutnya (Gambar 2.1), sementara pada
hirarki keputusan incomplete tidak semua unsur pada masing-masing jenjang
mempunyai hubungan. Pada umumnya problem nyata mempunyai karakteristik
struktur yang incomplete.
Objektif

Kriteria 1

Kriteria 2

Kriteria i

Alternatif 1

Alternatif 2

Alternatif j

Gambar 2.1. Struktur Hirarki AHP Complete


b. Comparative Judgement
Comparative Judgement dilakukan dengan penilaian tentang kepentingan relatif dua
elemen pada suatu tingkat tertentu dalam kaitannya dengan tingkatan di atasnya.
Penilaian ini merupakan inti dari AHP karena akan berpengaruh terhadap urutan
prioritas dari elemen-elemennya. Hasil dari penilaian ini lebih mudah disajikan
dalam bentuk matriks pairwise comparison yaitu matriks perbandingan berpasangan
memuat tingkat preferensi beberapa alternatif untuk tiap kriteria. Skala preferensi
yang digunakan yaitu skala 1 yang menunjukkan tingkat yang paling rendah (equal
importance) sampai dengan skala 9 yang menunjukkan tingkatan yang paling tinggi
(extreme importance).

c. Synthesis of Priority
Synthesis of Priority dilakukan dengan menggunakan eigen vector method untuk
mendapatkan bobot relatif bagi unsur-unsur pengambilan keputusan.
d. Logical Consistency
Logical Consistency merupakan karakteristik penting AHP. Hal ini dicapai dengan
mengagresikan seluruh eigen vector yang diperoleh dari berbagai tingkatan hirarki
dan selanjutnya diperoleh suatu vector composite tertimbang yang menghasilkan
urutan pengambilan keputusan.
2.1.3

Tahapan-tahapan AHP

Tahapan-tahapan pengambilan keputusan dengan Metode AHP adalah


sebagai
berikut:
a. Mendefinisikan masalah dan menentukan solusi yang diinginkan.
b. Membuat struktur hirarki yang diawali dengan tujuan umum, dilanjutkan dengan
kriteria-kriteria, sub kriteria dan alternatif-alternatif pilihan yang ingin di
ranking.
c. Membentuk matriks perbandingan berpasangan yang menggambarkan kontribusi
relatif atau pengaruh setiap elemen terhadap masing-masing tujuan atau kriteria
yang setingkat diatasnya. Perbandingan dilakukan berdasarkan pilihan atau
judgement dari pembuat keputusan dengan menilai tingkat tingkat kepentingan
suatu elemen dibandingkan elemen lainnya.
d. Menormalkan data yaitu dengan membagi nilai dari setiap elemen di dalam
matriks yang berpasangan dengan nilai total dari setiap kolom.
e. Menghitung nilai eigen vector dan menguji konsistensinya, jika tidak konsisten
pengambil data (preferensi) perlu diulangi. Nilai eigen vector yang dimaksud
adalah nilai eigen vector maximum yang diperoleh dengan menggunakan matlab
maupun manual.
f. Mengulangi langkah c, d, dan e untuk seluruh tingkat hirarki.
g. Menghitung eigen vector dari setiap matriks perbandingan berpasangan. Nilai
eigen vector merupakan bobot setiap elemen. Langkah ini mensintesis pilihan
dan penentuan prioritas elemen-elemen pada tingkat hirarki terendah sampai
pencapaian tujuan.
h. Menguji konsistensi hirarki. Jika tidak memenuhi dengan CR<0,100 maka
penilaian harus diulang kembali.

2.1.4

Menetapkan Prioritas

Langkah pertama dalam menetapkan prioritas elemen-elemen dalam suatu


persoalan keputusan adalah dengan membuat perbandingan berpasangan (pairwise
comparison), yaitu elemen-elemen dibandingkan secara berpasangan terhadap suatu
kriteria yang ditentukan . Perbandingan berpasangan ini dipresentasikan dalam bentuk
matriks. Skala yang digunakan untuk mengisi matriks ini adalah 1 sampai dengan 9
(skala Saaty) dengan penjelasan pada tabel di bawah ini:
Tabel 2.1 Skala untuk Perbandingan Berpasangan
Intensitas Kepentingan

Defenisi

Equally important (sama penting)

Moderately more important (sedikit lebih penting)

Strongly more important (lebih penting)

Very strongly more important (sangat penting)

Extremely more important (mutlak lebih penting)

2, 4, 6, 8

Intermediate values (nilai yang berdekatan)

Setelah keseluruhan proses perbandingan berpasangan dilakukan, maka bentuk


matriks perbandingan berpasangannya adalah seperti pada Tabel 2.2. Apabila dalam
suatu subsistem operasi terdapat n elemen operasi yaitu A1, A2,A,nmaka hasil
perbandingan dari elemen-elemen operasi tersebut akan membentuk matriks A
berukuran n n sebagai berikut:
Tabel 2.2 Matriks Perbandingan Berpasangan
A1

A2

.......

An

A1

a12

a1n

A2

a21

a2n

an1

an2

.........
An

Matriks Ann merupakan matriks reciprocal yang diasumsikan terdapat n


elemen yaitu w1, w2,wn, yang akan dinilai secara perbandingan. Nilai perbandingan
secara berpasangan antara wi dan wj yang dipresentasikan dalam sebuah matriks.
dengan i, j = 1, 2, n sedangkan, aij merupakan nilai matriks hasil
perbandingan yang mencerminkan nilai kepentingan Ai terhadap Aj bersangkutan
sehingga diperoleh matriks yang dinormalisasi. Untuk i = j, maka nilai aij = 1
(diagonal matriks), atau apabila antara elemen operasi Ai dengan Aj memiliki tingkat
kepentingan yang sama maka aij = aji = 1. Data dari matriks perbandingan
berpasangan ini merupakan dasar untuk menyusun vektor prioritas dalam AHP. Bila
vektor pembobotan elemen-elemen operasi dinyatakan dengan W, dengan W = (w1, w2,
w), n maka intensitas kepentingan elemen operasi A1 terhadap A2 adalah
, sehingga matriks perbandingan berpasangan dapat dinyatakan sebagai berikut:
Tabel 2.3 Matriks Perbandingan Intensitas Kepentingan Elemen Operasi

Berdasarkan matriks perbandingan berpasangan tersebut


dilakukan normalisasi
dengan langkah-langkah sebagai berikut:
a.

Menjumlahkan nilai setiap kolom dalam matriks perbandingan berpasangan:


untuk i, j = 1,n. 2,,

b.

Membagi nilai aij pada setiap kolom dengan jumlah nilai pada kolom:

untuk i, j = 1,n . 2,,

c. Menjumlahkan semua nilai setiap baris dari matriks yang telah dinormalisasi
dan membaginya dengan elemen tiap baris. Hasil pembagian tersebut
menunjukkan nilai prioritas untuk masing-masing elemen.
2.1.5

Konsistensi

Dalam penilaian perbandingan berpasangan sering terjadi ketidakkonsistenan dari


pendapat/preferensi yang diberikan oleh pengambil keputusan. Konsistensi dari penilaian
berpasangan tersebut dievaluasi dengan menghitung Cosistensi Rasio (CR)/ saaty
menerapkan apabila CR 0,1 , maka hasil penilaian tersebut dikatakan konsistensi.
Formulasi untuk menghitung adalah: CR = CI/RI dimana, CI = Consistency Indeks dan RI
= Random Consistency Index.
Formula CI adalah
; dimana lambda max = nilai maksimum dari
eigen value berordo n. Eigen value maksimum didapat dengan menjumlahkan hasil
perkalian matriks perbandingan dengan eigen vector utama (vektor prioritas) dan
membaginya dengan jumlah elemen. Nilai CI tidak akan berarti bila tidak terdapat acuan
untuk menyatakan apakah CI menunjukkan suatu matriks yang konsisten atau tidak
konsisten. Saaty mendapatkan nilai rata-rata Random Index (RI) seperti pada tabel berikut:
Tabel 2.4 Tabel Nilai Random Indeks (RI)
Ordo
1,2

10

11

12

13

Matriks
RI

0,52 0,89 1,11 1,25 1,35 1,4 1,45 1,49 1,51 1,54 1,56

2.1.6

Nilai Eigen dan Vektor Eigen

Defenisi. Misalkan A adalah sebarang matriksbujur sangkar. Skalar disebut sebagai nilai eigen
dari A jika terdapat vektor (kolom) bukan-nol v sedemikian rupa sehingga:
Av = v
Sebarang vektor yang memenuhi hubungan ini disebut sebagai vektor eigen dari A
yang termasuk dalam nilai eigen .
Dicatat bahwa setiap kelipatan skalar kv dari vektor eigen v yang termasuk dalam juga
adalah vektor eigen karena:
A(kv) = k(Av) = k(v) = (kv)
Untuk mencapai nilai eigen dari matriks A yang berukuran n n, maka dapat ditulis
pada persamaan berikut:
Av = v
Atau secara ekuivalen: (l A) v = 0
Agar menjadi nilai eigen, maka harus ada pemecahan tak nol dari persamaan ini. Akan
tetapi, persamaan di atas akan mempunyai pemecahan tak nol jika dan hanya jika:
Det (l A) = 0
Ini dinamakan persamaan karakteristik A, skalar yang memenuhi persamaan ini adalah
nilai eigen dari A.
Bila diketahui bahwa nilai perbandingan elemen Ai terhadap elemen Aj adalah
aij, maka secara teoritis matriks tersebut berciri positif berkebalikan, yakni
aij = 1/aij. . bobot yng dicari dinyatakan dalam vektor w = (W 1, W2, W3, ....... , Wn). Nilai Wn
menyatakan bobot kriteria An terhdapa keseluruhan set kriteria pada subsistem
tersebut.
Jika aij mewakili derajat kepentingan faktor i terhadap faktor j dan aik
menyatakan derajat kepentingan dari faktor j terhadap faktor k, maka agar keputusan
Menjadi konsisten, kepentingan t terhadap faktor k harus sama dengan aij , aik atau jika
aij , ajk = aik untuk semua i, j, k

Jadi, matriks konsistennya adalah:

Seperti yang diuraikan di atas, maka untuk pairwise comparison matrix diuraikan
menjadi:

Dari persamaan tersebut di atas dapat dilihat bahwa:

Dengan demikian untuk matriks perbandingan berpasangan yang konsisten menjadi:

Persamaan tersebut ekuivalen dengan bentuk persamaan matriks di bawah ini:


A . w = n .w
Dalam teori matriks, formulasi ini diekspresikan bahwa w adalah eigen vektor dari
matriks A dengan nilai eigen n. Perlu diketahui bahwa n merupakan dimensi matriks
itu sendiri. Dalam bentuk persamaan matriks dapat ditulis sebagai berikut:

Tetapi pada prakteknya tidak dapat dijamin bahwa:

Salah satu penyebabnya yaitu karena unsur manusia (decision maker) tidak
selalu dapat konsisten mutlak dalam mengekspresikan preferensi terhadap elemenelemen yang dibandingkan. Dengan kata lain, bahwa penilaian yang diberikan untuk
setiap elemen persoalan pada suatu level hirarki dapat saja tidak konsisten
(inconsistent).

2.2 Himpunan Fuzzy


Pada tahun 1965, Zadeh memodifikasi teori himpunan dimana setiap anggotanya
memiliki derajat keanggotaan yang bernilai kontinu antara 0 dan 1. Himpunan ini
disebut dengan Himpunan Kabur (Fuzzy Set). Himpunan Fuzzy didasarkan pada

gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian hingga fungsi


tersebut akan mencakup bilangan real pada interval [0, 1]. Nilai keanggotaannya
menunjukkan bahwa suatu item dalam semesta pembicaraan tidak hanya berada pada
0 atau 1, namun juga nilai yang berada diantaranya. Sedangkan dalam himpunan Crips
, nilai keanggotaan hanya 2 kemungkinan yaitu 0 dan 1. Jika a himpunan A, maka nilai
yang berhubungan dengan a adalah 1. Namun, jika a bukan himpunan A, maka nilai
yang berhubungan dengan a adalah 0.
Misalkan diketahui klasifikasi sebagai berikut:
MUDA

umur < 35 tahun

SETENGAH BAYA

35 umur 55 tahun

TUA

umur > 55 tahun

Dengan menggunakan pendekatan crisp, amatlah tidak adil untuk menetapkan


nilai SETENGAH BAYA. Pendekatan ini bisa saja dilakukan untuk hal-hal yang
bersifat diskontinu. Misalkan umur klasifikasi 55 tahun dan 56 tahun sangat jauh
berbeda, umur 55 tahun termasuk SETENGAH BAYA, sedangkan umur 56 tahun
sudah termasuk TUA. Demikian pula untuk kategori TUA dan MUDA. Dengan
demikian pendekatan crisp ini sangat tidak cocok untuk diterapkan pada hal-hal yang
bersifat kontinu, seperti umur. Selain itu, untuk menunjukkan suatu unsur pasti
termasuk SETENGAH BAYA atau tidak, dan menunjukkan suatu nilai kebenaran 0
atau 1, dapat digunakan nilai pecahan, dan menunjuk 1 atau nilai yang dekat dengan 1
untuk umur 45 tahun, kemudian perlahan menurun menuju ke 0 untuk umur dibawah
35 tahun dan diatas 55 tahun.
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas
menimbulkan kerancuan. Keduanya memiliki interval [0, 1], namun interpretasi
nilainya sangat berbeda. Keanggotaan fuzzy memberikan suatu ukuran terhadap
pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap
keseringan suatu hasil bernilai besar dalam jangka panjang. (Kusumadewi, 2004)
2.2.1

Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan


pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut
dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Atau dapat
dinotasikan sebagai berikut :

2.2.2

Bilangan Fuzzy Triangular

Fungsi keanggotaannya adalah sebagai berikut:

Berikut akan ditampilkan gambar bilangan fuzzy segitiga (Triangular):

A(x)
1

a-

a+

Gambar 2.2 Bilangan Fuzzy Triangular


2.2.3

Bilangan Fuzzy Trapezoidal

Fungsi keanggotaannya adalah sebagai berikut:

Berikut akan ditampilkan gambar bilangan fuzzy trapezoidal:

A(x)
1

a a

a+

Gambar 2.3 Bilangan Fuzzy Trapezoidal

2.2.4

Himpunan Penyokong (Support Set)

Terkadang bagian tidak nol dari suatu himpunan fuzzy ditampilkan dalam domain.
Sebagai contoh, domain untuk BERAT adalah 40 kg hingga 60 kg, namun kurva yang ada
dimulai dari 42 kg hingga 60 kg. Daerah ini disebut dengan himpunan penyokong
(support set). Hal ini penting untuk menginterpretasikan dan mengatur daerah fuzzy yang
dinamis.
2.2.5

Nilai Ambang Alfa-Cut

Salah satu teknik yang erat hubungannya dengan himpunan penyokong adalah himpunan
level-alfa-cut ). (Level-alfa ini merupakan nilai ambang batas domain yang didasarkan
pada nilai keanggotaan untuk tiap-tiap domain. Himpunan ini berisi semua nilai domain
yang merupakan bagian dari himpunan fuzzy dengan nilai
keanggotaan lebih besar atau sama dengan .

2.2.6

Operasi-operasi pada Himpunan Fuzzy

Seperti halnya himpunan konvensional, ada beberapa operasi yang didefenisikan


secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Berikut ini
ada beberapa operasi logika fuzzy yang didefinisikan oleh Zadeh, yaitu:

Karena himpunan fuzzy tidak dapat dibagi dengan tepat seperti halnya dalam
himpunan crisp, maka operasi-operasi ini diaplikasikan pada tingkat keanggotaan.
Suatu elemen dikatakan menjadi anggota himpunan fuzzy jika:
a. Berada pada domain himpunan tersebut.
b. Nilai kebenaran keanggotaannya 0.
c. Berada di -atascutyangberlakuambang.
Untuk interval [a, b] dan [d, e], maka operasi aritmetik untuk bilangan fuzzy adalah:
a. Penjumlahan : [a, b] + [d, e] = [a + d, b + e]
b. Perkalian

: [a, b] . [d, e] = [min(ad, ae, bd, be), max(ad, ae, bd, be)]

c. Pembagian

: [a, b] / [d, e] = [min(a/d, a/e, b/d, b/e), max(a/d, a/e, b/d, b/e)]

2.3 Fuzzy-Analytic Hierarchy Process (FAHP)


Pada dasarnya langkah-langkah dalam Metode fuzzy-AHP adalah hampir sama dengan
Metode AHP. Penggunaan AHP dalam problem Multi Criteria Decision Making
(MCDM) sering dikritisi sehubungan dengan kurang mampunya pendekatan ini untuk
mengatasi faktor ketidakpresisian yang dialami oleh pengambil keputusan ketika harus
memberikan nilai yang pasti dalam pairwise comparison. Untuk menangani
ketidakpresisian ini diajukan dengan menggunakan teori fuzzy set. Tidak seperti dalam
metode AHP orisinil yang menggunakan skala 1-9 dalam pairwise comparison, fuzzy
AHP menggunakan fuzzy numbers. Dengan kata lain fuzzy-AHP adalah metode analisis
yang dikembangkan dari Metode AHP orisinil.
Dalam pendekatan fuzzy AHP digunakan Triangular Fuzzy Number (TFN) atau
Bilangan Fuzzy Segitiga (BFS) untuk proses fuzzyfikasi dari matriks perbandingan
yang bersifat crisp. Data yang kabur akan dipresentasikan dalam TFN. Setiap fungsi
keanggotaan didefenisikan dalam 3 parameter yakni, l, m, dan u, dimana l adalah nilai
kemungkinan terendah, m adalah nilai kemungkinan tengah dan u adalah nilai
kemungkinan teratas pada interval putusan pengambil keputusan. Nilai l, m, dan u
dapat juga ditentukan oleh pengambil keputusan itu sendiri. Tulisan ini mengajukan
tiga parameter bilangan fuzzy untuk merepresentasikan skala Saaty (1-9) sesuai dengan
tingkat kepentingannya, yakni (Alias, 2009):

Bilangan kabur segitiga (TFN) dapat menunjukkan kesubjektifan perbandingan


berpasangan atau dapat menunjukkan derajat yang pasti dari kekaburan
(ketidakpastian). Dalam hal ini variabel linguistik dapat digunakan oleh pengambil
keputusan untuk merepresentasikan kekaburan data seandainya ada ketidaknyamanan
dengan TFN. TFN dan variabel linguistiknya sesuai dengan skala Saaty ditunjukkan
pada tabel berikut (Alias, 2009)

19
Tabel 2.5 Tabel Fungsi Keanggotaan Bilangan Fuzzy

Skala Saaty

TFN

(1, 1, 1)

(2, 3, 4)

(4, 5, 6)

(6, 7, 8)

(9, 9, 9)

Defenisi
Equally important (sama
penting)
Moderately more
important (sedikit lebih
penting)
Strongly more important
(lebih penting)
Very strongly more
important (sangat
penting)
Extremely more
important (mutlak lebih
penting)
Intermediate Values

(1, 2, 3), (3, 4, 5), (5, 6,7)


2, 4, 6, 8

(nilai yang berdekatan)

dan (7, 8, 9)

Untuk melakukan prioritas lokal dari matriks fuzzy pairwise comparison sudah banyak metode
yang dikembangkan oleh para ahli sebelumnya. Dengan mengkombinasikan prosedur AHP
dengan operasi aritmetik untuk bilangan fuzzy, prioritas lokal dapat diperoleh dengan
menggunakan persamaan berikut (Febransyah, 2006):

Dimana gi = goal set (i = 1, 2,n) 3, ,


= bilangan kabur segitiga (j = 1, 2, 3, ... , m)

Yang memuat persamaan-persamaan berikut:

Perhatikan urutan l, m, u, bahwa letak l selalu berada di bagian kiri, m berada di


tengah dan u berada di bagian kanan. Dan l < m < u, sehingga persamaan (3) menjadi:

Sehingga persamaan (1) menjadi:

Untuk:

l = nilai batas bawah (kemungkinan terendah)


m = nilai yang paling menjanjikan (kemungkinan tengah)
u = nilai batas atas (kemungkinan teratas)

Dimana operasi aritmetik untuk bilangan fuzzy dapat dilihat dari persamaan berikut:

Sedangkan prioritas global diperoleh dengan mengalikan bobot setiap kriteria wj


dengan nilai evaluasi. Persamaan dapat dituliskan sebagai berikut:

Dimana vij adalah prioritas lokal untuk alternatif i relatif terhadap kriteria j. Nilai
defuzzyfikasi diperoleh dengan cara defuzzifying terhadap prioritas global. Untuk TFN
, nilai defuzzyfikasinya dapat diperoleh dari persamaan berikut:

Dimana: DPi = nilai defuzzyfikasi


= bilangan fuzzy segitiga dari prioritas global
Nilai defuzzyfikasi dinormalkan dengan membaginya dengan nilai penjumlahan semua
nilai defuzzyfikasi.
2.4 Proses Pengembangan Produk
Kesuksesan ekonomi sebuah perusahaan tergantung pada kemampuan untuk
mengidentifikasi kebutuhan pelanggan, kemudian secara tepat menciptakan produk
yang dapat memenuhi kebutuhan tersebut dengan biaya yang rendah. Hal ini bukan
merupakan tanggung jawab bagian pemasaran atau bagian desain, melainkan tanggung
jawab yang melibatkan banyak fungsi dalam suatu perusahaan, sehingga membentuk
suatu tim gabungan dari berbagai fungsi untuk bekerja sama dalam proses
pengembangan produk. Pengembangan produk merupakan serangkaian aktivitas yang
dimulai dari analisis persepsi dan peluang pasar, kemudian diakhiri dengan tahap
produksi, penjualan dan pengiriman produk.
Salah satu cara berpikir tentang pengembangan produk adalah sebagai kreasi
pendahuluan dari sekumpulan alternatif konsep produk dan kemudian mempersempit
alternatif-alternatif dan menambah spesifikasi produk sehingga produk dapat
diandalkan dan diproduksi ulang dalam sistem produksi. Konsep adalah uraian dari
bentuk, fungsi, dan tampilan suatu produk dan biasanya dibarengi dengan sekumpulan
spesifikasi, analisis produk-produk pesaing serta pertimbangan ekonomis proyek.
Konsep produk adalah perkiraan gambaran dari teknologi, prinsip kerja dan bentuk
dari produk. Konsep produk yang dimaksud merupakan gambaran singkat bagaimana
produk dapat memuaskan kebutuhan pelanggan yang biasanya diekspresikan sebagai
sebuah sketsa/ model atau bentuk dari produk. Sebagai catatan, kebanyakan fase
pengembangan didefenisikan berdasarkan keadaan produk, meskipun proses produksi
dan rencana pemasaran, yang merupakan output-output berwujud yang lain, juga turut
berproses mengikuti kemajuan pengembangan. Enam fase dalam proses
pengembangan secara umum adalah:

a.

Fase 0: Perencanaan Produk


Kegiatan perencanaanzerofaseseringkarenadirujukkegias
mendahului persetujuan proyek dan proses peluncuran
pengembangan produk aktual.

b.

Fase 1: Pengembangan Konsep


Pada fase pengembangan konsep, kebutuhan pasar target
diidentifikasi, alternatif konsep-konsep produk dibangkitkan
dan dievaluasi, dan satu atau lebih konsep dipilih untuk
pengembangan dan percobaan lebih jauh.

c.

Fase 2: Perancangan Tingkatan Sistem


Fase perancangan tingkatan sistem mencakup defenisi arsitektur
produk dan uraian produk menjadi subsistem-subsistem serta
komponen-komponen.

d.

Fase 3: Perancangan Detail


Fase perancangan detail mencakup spesifikasi lengkap dari
bentuk, material, dan toleransi-toleransi dari seluruh komponen
unik pada produk dan identifikasi seluruh komponen standar
yang dibeli dari pemasok.

e.

Fase 4: Pengujian dan Perbaikan


Fase pengujian dan perbaikan melibatkan kontruksi dan evaluasi
dari bermacam-macam versi produksi awal produk.

f.

Fase 5: Produksi Awal


Pada fase produksi awal, produk dibuat dengan menggunakan
sistem produksi yang sesungguhnya. Tujuan dari produksi awal
ini adalah untuk melatih tenaga kerja dalam memecahkan
permasalahan yang mungkin timbul pada proses produksi
sesungguhnya. Peralihan dari produksi awal menjadi produksi
sesungguhnya biasanya tahap demi tahap. Pada beberapa titik
pada masa peralihan ini, produk diluncurkan dan mulai
disediakan untuk didistribusikan.

Inti dari pengembangan poduk adalah pengembangan konsep. Fase


pengembangan konsep membutuhkan integrasi yang sangat baik di antara fungsifungsi yang berbeda pada tim pengembangan. Proses pengembangan konsep
mencakup kegiatan-kegiatan sebagai berikut:
a.

Identifikasi kebutuhan pelanggan


Sasaran kegiatan ini adalah untuk memahami kebutuhan konsumen dan
mengkomunikasikannya secara efektif kepada tim pengembangan. Output dari
langkah ini adalah sekumpulan pernyataan kebutuhan pelanggan yang tersusun
rapi, diatur dalam hirarki, dengan bobot-bobot kepentingan untuk tiap
kebutuhan. Tujuan identifikasi kebutuhan pelanggan adalah:
1. Meyakinkan bahwa produk telah difokuskan terhadap kebutuhan
konsumen.
2. Mengidentifikasikan kebutuhan pelanggan yang tersembunyi dan tidak
terucapkan (latent needs) seperti halnya kebutuhan yang eksplisit.
3. Menjadi basis untuk menyusun spesifikasi produk.
4. Menjamin tidak adanya kebutuhan konsumen penting yang terlupakan.
5. Menanamkan pemahaman yang sama mengenai kebutuhan pelanggan di
antara anggota tim pengembangan.

b.

Penetapan spesifikasi target


Spesifikasi memberikan uraian yang tepat mengenai bagaimana produk
bekerja. Spesifikasi merupakan terjemahan dari kebutuhan pelanggan menjadi
kebutuhan secara teknis. Output dari langkah ini adalah suatu daftar spesifikasi
target yang terdiri dari suatu metrik (besaran), serta nilai-nilai batas dan ideal
untuk besaran tersebut.
c. Penyusunan konsep
Sasaran penyusunan konsep adalah menggali lebih jauh area konsep-konsep
produk yang mungkin sesuai dengan kebutuhan pelanggan. Penyusunan konsep
mencakup gabungan dari penelitian eksternal, proses pemecahan masalah secara
kreatif oleh tim dan penelitian sistematis dari bagian-bagian solusi yang dihasilkan
oleh tim. Hasil dari kegiatan ini biasanya terdiri dari 10 sampai 20 konsep.
d. Pemilihan konsep
Pemilihan konsep merupakan kegiatan di mana berbagai konsep dianalisis dan
secara berturut-turut dieliminasi untuk mengidentifikasi konsep yang paling
menjanjikan. Proses ini biasanya membutuhkan beberapa iterasi dan mungkin
diajukannya tambahan penyusunan dan perbaikan konsep.
e. Pengujian konsep
Satu atau lebih konsep diuji untuk mengetahui apakah kebutuhan pelanggan
telah terpenuhi, memperkirakan potensi pasar dari produk, dan mengidentifikasi
beberapa kelemahan yang harus diperbaiki selama proses pengembangan
selanjutnya.

f. Penentuan spesifikasi akhir


Spesifikasi target yang telah ditentukan diawal proses ditinjau kembali setelah
proses dipilih dan diuji. Pada tahap ini, tim harus konsisten dengan nilai-nilai
besaran spesifik yang mencerminkan batasan-batasan pada konsep produk itu
sendiri, batasan-batasan yang diidentifikasi melalui pemodelan secara teknis, serta
pilihan antara biaya dan kinerja.
g. Perencanaan proyek
Pada kegiatan akhir pengembangan konsep ini, tim membuat suatu jadwal
pengembangan secara rinci, menentukan strategi untuk meminimisasi waktu
pengembangan, dan mengidentifikasi sumber daya yang digunakan untuk
menyelesaikan proyek.
h. Analisis ekonomi
Tim pengembang sering didukung oleh analis keuangan untuk membuat model
ekonomis untuk produk baru. Analisis ekonomi digunakan uuntuk memastikan
kelanjutan program pengembangan menyeluruh dan memecahkan tawar- menawar
spesifik, misalnya antara biaya manufaktur dan biaya
pengembangan.
i. Analisa produk-produk pesaing
Pemahaman pengenai produk-produk pesaing adalah penting untuk
menentukan posisi produk baru yang berhasil dan dapat menjadi sumber ide yang
kaya untuk rancangan produk dan proses produksi.
j. Pemodelan dan pembuatan prototype
Pemodelan dan pembuatan proptotipe mencakup model pembuktian konsep,
yang akan membantu tim pengembangan dalam menunjukkan kelayakan model
hanya bentuk dapat ditunjuk mengevaluasi keergonomisan dan gaya, sedangkan
model lembar kerja adalah untuk pilihan teknis. (Ulrich, 2001)
2.5 Pemilihan Konsep Produk Sebagai Bagian Penting dari
Proses Pengembangan Produk
Setelah mengidentifikasikan serangkaian kebutuhan pelanggan, lalu tim
pengembangan produk menghasilkan konsep solusi alternatif sebagai respons terhadap
kebutuhan tersebut. Pemilihan konsep merupakan proses menilai konsep dengan
memperhatikan kebutuhan pelanggan dan kriteria lain, membandingkan kekuatan dan
kelemahan relatif dari konsep, dan memilih satu atau lebih konsep untuk penyelidikan,
pengujian dan pengembangan selanjutnya. Seleksi konsep merupakan proses berulang
yang berhubungan erat dengan penyusunan dan pengujian konsep. Metode
penyaringan dan penilaian konsep membantu tim menyaring dan memperbaiki konsep
lalu menetapkan satu atau lebih konsep yang lebih menjanjikan yang akan menjadi
fokus dalam pengujian lebih lanjut dalam kegiatan pengembangan.
Metode pemilihan konsep sangat bervariasi dilihat dari
efektivitasnya. Beberapa metode tersebut adalah:
a. Keputusan eksternal, yakni konsep-konsep dikembalikan kepada pelanggan,
klien, atau beberapa lingkup eksternal lainnya untuk diseleksi.

b. Produk juara, yakni seorang anggota yang berpengaruh dari tim pengembangan
produk memilih sebuah konsep atas dasar pilihan pribadi.
c.

Intuisi, yakni konsep dipilih berdasarkan perasaan. Kriteria eksplisit atau


analisis pertentangan tidak digunakan. Konsep yang dipilih semata-mata yang
kelihatan lebih baik.
d. Multivoting, yakni tiap anggota tim memilih beberapa konsep. Konsep yang
paling banyak dipilih yang akan digunakan.
e. Pro dan kontra, yakni tim mendaftar kekuatan dan kelemahan dari tiap konsep
dan membuat sebuh pilihan berdasarkan pendapat konsep.
f. Prototype dan pengujian, yakni organisasi membuat dan menguji prototype
dari tiap konsep, lalu menyeleksi berdasarkan data pengujian.

g.

Matriks keputusan, yakni tim menilai masing-masing konsep berdasarkan


kriteria penyeleksian yang yang telah ditetapkan sebelum yang dapat diberi bobot.
Karena dalam pemilihan konsep produk banyak ditemukan ketidakpastian.
Salah satu metode yang paling efektif selain metode-metode di atas untuk menangani
masalah ketidakpastian ini adalah metode fuzzy-AHP. Dengan menggunakan metode
ini diharapkan dapat memilih konsep produk mana yang layak untuk dikembangkan.
Oleh karena itu, metode yang dipakai dalam tulisan ini adalah metode fuzzy-AHP.
(Febransyah,2006)

STUDI KASUS: SELEKSI KARYAWAN


Dalam kasus ini, dilakukan seleksi terhadap tiga orang calon karyawan,
dimana seleksi didasarkan atas beberapa aspek atau alternatif kriteria level
pertama, yaitu: (1) intelegensia, (2) kepribadian, (3) sikap, (4) fisik, (5) teknis, dan
(6) manajerial.
Selanjutnya dari masing-masing alternatif kriteria level pertama ini terdapat
beberapa alternatif kriteria level kedua. Aspek atau kriteria intelegensia, terdapat 7
alternatif kriteria level dua, yaitu (1) IQ, (2) konkrit pasti, (3) logis, (4) konsep
bahasa, (5) konsep hitung (6) abstraksi, kemempuan berfikir tanpa kata atau
bilangan, dan (7) analisis sintesis. Aspek atau kriteria kepribadian, terdapat 7
alternatif kriteria level dua, yaitu (1) percaya diri, (2) kedewasaan, (3) sosialisasi,
(4) hubungan personal, (5) motivasi berprestasi, (6) stabilitas emosi, dan (7)
komunikasi.Aspek atau kriteria sikap, terdapat 6 alternatif kriteria level dua, yaitu
(1) adaptasi, (2) tanggung jawab, (3) tekun, (4) disiplin, (5) kreatif, dan (6) kehatihatian. Aspek atau kriteria fisik, terdapat 3 alternatif kriteria level dua, yaitu (1)
kesehatan, (2) jenis kelamin, dan (3) tinggi badan. Aspek atau kriteria teknis,
terdapat 8 alternatif kriteria level dua, yaitu (1) kecepatan, (2) ketelitian, (3)
konsisten, (4) keandalan, (5) trouble shooting, (6) pengetahuan teknis, (7)
keahlian, dan (8) pengalaman teknis. Dan akhirnya aspek atau kriteria manajerial,
terdapat 4 alternatif kriteria level dua, yaitu (1) perencanaan, (2) pengorganisasian,
(3) kepemimpinan, dan (4) pengawasan.

4. PENGOLAHAN DAN ANALISA DATA


Dalam bagian ini ditampilkan data, pengolahan data dengan AHP dan Fuzzy AHP serta
analisa hasil pengolahannya.
Pada Tabel 1 dipaparkan hasil penilaian masing-masing calon karyawan untuk semua
criteria yang diuji.
Tabel 1. Nilai Calon Karyawan untuk Setiap Alternatif Kriteria
Calon
Karyawan

Calon Karyawan
Kriteria
IQ
Konkrit Praktis
Logis
Konsep Bahasa
Konsep Hitung
Abstrak
Analisa Sintesis
Percaya diri
Kedewasaan

Kriteria
A
107
7
3
4
5
6
7
6
5

B
114
7
4
6
4
6
7
7
6

C
98
4
6
8
5
7
8
7
7

Kreatif
Kehati-hatian
Kesehatan
Jenis Kelamin
Tinggi Badan
Kecepatan
Ketelitian
Kekonsistenan
Keandalan

A
5
4
6
1
1
6
7
6
6

B
7
5
7
1
1
8
7
6
7

C
6
7
4
1
1
7
7
5
7

Sosialisa
Trouble
si
5
6
6 Shooting
5
6
6
Hub. Personal
5
6
7 Peng. Teknis
8
7
5
Motiv. Beprestasi
7
4
5 Keahlian
5
7
6
Stabilitas Emosi
6
4
5 Pengalaman
6
7
5
Komunikasi
7
6
6 Perencanaan
6
7
6
Adaptasi
5
7
8 Pengorganisasian
7
7
7
Tanggung Jawab
8
7
7 Kepemimpinan
5
7
8
Tekun
8
6
5 Pengawasan
4
8
8
Disiplin
7
5
6
Pada Tabel 2 sampai dengan Tabel 8 ditampilkan perbandingan berpasangan antar
alternatif kriteria level satu maupun level dua yang dilakukan oleh penilai atau penguji
sebagai penseleksi calon karyawan

Tabel 2. Perbandingan Berpasangan antar Alternatif Kriteria Level Satu


Intelegensia Kepribadian
Intelegensia
1
2
Kepribadian

1
Sikap
3
4
Fisik
1
1
Teknis
4
3
Manajerial
5
4

Sikap
1/3
1/4
1
1/3
2
3

Fisik
1
1
3
1
3
5

Teknis
1/4
1/3
1/2
1/3
1
1

Manajerial
1/5
1/4
1/3
1/5
1
1

Tabel 3. Perbandingan Berpasangan antar Alternatif Kriteria Level Dua dari


Kriteria Intelegensia
IQ
IQ
Konkrit Praktis
Logis
Konsep Bahasa
Konsep Hitung
Abstrak
Analisa
Sintesis

Logis

1
2
3
1
1
2

Konkrit
Praktis
1/2
1
2

1/3
1

1/3
1/2
1
1/3
1/3

Konsep
Bahasa
1
2
3
1
4
4

Konsep
Hitung
1
3
3
1/4
1
3

1/4

1/4

Abstrak Analisa
Sintesis
1/2

1
4
2
4
1/4
1/5
1/3

1
1
1

Tabel 4. Perbandingan Berpasangan antar Alternatif Kriteria Level Dua dari Kriteria
Kepribadian
Sosialisas
Percaya Kede- i
Hub.
Motiv. Stabilitas Komudiri wasaan
Personal Beprestasi Emosi nikasi
Percaya diri
1
1/3
1/5
1/6
1/4
1/3
1/4
Kedewasaan
3
1
1/3
1/2
1/4
1/3
1/2
Sosialisasi
5
3
1
1
1/3
1/2
2
Hub. Personal
6
2
1
1
1
1/2
1/3
Motiv.
prestasi
4
4
3
1
1
2
1
Stab. Emosi
3
3
2
2

1
1/2
Komunikasi
4
2
1/2
3
1
2
1

Tabel 5. Perbandingan Berpasangan antar Alternatif Kriteria Level Dua dari Kriteria
Sikap
AdaptasiTanggung Tekun
Jawab
1
1/4
1/3

Adaptasi
Tanggung
Jawab
Tekun
Disiplin
Kreatif
Kehati-hatian

4
3
5
4
3

1
3
3

2
1
2
3
2

Disiplin

KehatiKreatif hatian

1/5

1/4

1/3

1
1/2
1
2
1/2

1/3
1/3
1/2
1
1/2

1/3
1/2
2
2
1

Tabel 6. Perbandingan Berpasangan antar Alternatif Kriteria Level Dua dari Kriteria
Fisik
Jenis
Kelamin
3
1
1

Kesehatan
1
1/3
1/5

Kesehatan
Jenis Kelamin
Tinggi Badan

Tinggi
Badan
5
1
1

Tabel 7. Perbandingan Berpasangan antar Alternatif Kriteria Level Dua dari Kriteria
Teknis

Kecepatan
Ketelitian
Kekonsisten
an
Keandalan
Tro.
Shooting
Peng. Teknis
Keahlian
Pengalaman

Kece- Kete- Kekon- Kean- Trouble


patan litian sistenan dalan Shooting
1
1/3
1/3
1/5
1/3
3
1
1/2
1/2
1

Peng.
Teknis
1/2
1/2

Keah- Pengalian laman


1/3
1/2
1/2
1

3
5

2
2

1
2

1/2
1

1/3
1

1/2
1/2

1/4
1/2

1/3
1/3

3
2
3
2

1
2
2
1

3
2
4
3

1
2
2
3

1
1

1/2

1
1
1/3
1

2
3
1
2

2
1
1/2
1

Tabel 8. Perbandingan Berpasangan antar Alternatif Kriteria Level Dua dari Kriteria
Manajerial

Perencanaan
Pengorganisasi
an
Kepemimpinan
Pengawasan

Pengorganisasi
Perencanaan an
1
1/2
2
1
2

1
1/3
1/3

Kepemimpina
n
1

Pengawasan
1/2

3
1
1/2

3
2
1

Pada Tabel 9 dimuat hasil perhitungan bobot masing-masing alternatif kriteria level satu
dan dua dengan AHP.

Tabel 9. Bobot Setiap Kriteria Level Satu dan Dua dengan AHP
Alternatif
Kriteria

Level I
0.0752 0.0620
Intelegensi
a
0.0842 0.1891
Kepribadia
n
0.0373 0.0710
Sikap

0.0473 0.1388

Fisik

0.6586 0.1852

Teknis

0.0453 0.0926

Manajerial 0.1596 0.4649

3
0.178
8
0.285
8
0.155
3
0.100
1
0.156
2
0.076
7
0.204
0

Bobot dari Kriteria


ke4
5

0.0703 0.2705

0.3432

0.0497 0.0828

0.1713 0.1369

0.1363 0.2369

0.1689 0.1943

0.2078 0.3241

0.1819

0.1217 0.1787

0.1852 0.1358 0.1639

0.1715

Selanjutnya, Tabel 10 menampilkan hasil perhitungan nilai masing-masing calon


karyawan dari Tabel 1 menggunakan fungsi keanggotaan fuzzy triangular.

Tabel 10. Nilai Calon Karyawan untuk Setiap Alternatif Kriteria dalam Bilangan
Fuzzy Triangular
Calon Karyawan
Kriteria
A
B
C
0.7000 0.6000 0.8000 Kreatif

Kriteria
IQ
Konkrit
Praktis
Logis
Konsep
Bahasa
Konsep
Hitung

0.6667 0.6667 0.6667 Kehati-hatian 0.3333 0.5000 0.7500


0.3333 0.6667 0.5000 Kesehatan
0.6667 0.7500 0.5000
0.6667 0.6667 1.0000 Jenis Kelamin 1.0000 1.0000 1.0000
0.7500 1.0000 0.7500 Tinggi Badan 1.0000 1.0000 1.0000

Abstrak
An. Sintesis
Percaya diri
Kedewasaan
Sosialisasi
Hub. Personal
Motiv.
prestasi
Stabil. Emosi
Komunikasi
Adaptasi
Tang. Jawab
Tekun
Disiplin

Calon Karyawan
A
B
C
0.5000 0.7500 0.6667

0.6667
0.5000
0.7500
0.7500
0.5000
0.5000

0.6667
0.5000
1.0000
1.0000
0.6667
0.3333

1.0000
0.6667
1.0000
0.7500
0.6667
0.6667

Kecepatan
Ketelitian
Kekonsistenan
Keandalan
Tro. Shooting
Peng. Teknis

0.6667 0.8000 0.6667 Keahlian


0.6667 0.6667 1.0000 Pengalaman
0.8000 0.6667 0.6667 Perencanaan
Pengorganisas
0.5000 0.6667 0.8000 i
Kepemimpina
0.8000 0.6667 0.6667 n
0.3333 0.6667 0.7500 Pengawasan
0.6667 0.5000 0.6667

0.6667
0.6667
0.6667
0.6667
0.5000
0.8000

0.8000
0.6667
0.6667
0.7500
0.6667
0.7500

0.7500
0.6667
0.7500
0.7500
0.6667
0.5000

0.5000 0.6667 0.6667


0.6667 0.7500 0.5000
0.6667 0.7500 0.8000
0.5000 0.5000 0.5000
0.7500 0.7500 0.8000
0.5000 0.8000 0.8000

Akhirnya pada Tabel 11 dan 12 ditampilkan hasil perhitungan bobot-bobot prior dan
informasional yang dihitung dengan Fuzzy AHP.
Tabel 11. Bobot Prior Setiap Kriteria Level Satu dan Dua dengan Fuzzy AHP
Alternatif
Kriteria
Level I
Intelegensia
Kepribadian
Sikap
Fisik
Teknis
Manajerial

1
0.0752
0.0842
0.0373
0.0473
0.6586
0.0453
0.1596

2
0.0620
0.1891
0.0710
0.1388
0.1852
0.0926
0.4649

Bobot Prior dari Kriteria ke3


4
5
6
7
8
0.1788 0.0703 0.2705 0.3432
0.2858 0.0497 0.0828 0.1713 0.1369
0.1553 0.1363 0.2369 0.1689 0.1943
0.1001 0.2078 0.3241 0.1819
0.1562
0.0767 0.1217 0.1787 0.1852 0.1358 0.1639
0.2040 0.1715

Tabel 12. Bobot Informasional Setiap Kriteria Level Dua dengan Fuzzy AHP
Alternatif
Kriteria
Intelegensi
a
Kepribadia
n
Sikap
Fisik
Teknis
Manajerial

Bobot Informasional dari


Kriteria ke3
4
5

0.0733 0.2034 0.2888 0.0590 0.0775 0.1556 0.1424


0.1332
0.0335
0.7002
0.0334
0.1775

0.0521
0.1256
0.1564
0.0967
0.4553

0.1223
0.0998
0.1434
0.0667
0.2446

0.1225 0.2554 0.1554 0.1591


0.2335 0.3225 0.1851
0.1334 0.1455 0.1889 0.1336 0.2218
0.1226

Tabel 13 menampilkan hasil perhitungan bobot total dari masing-masing alternative


calon karyawan menggunakan AHP dan Fuzzy AHP. Dan, dari perhitungan CR (Consistency
Ratio), kedua hasil perhitungan menunjukkan hasil yang konsisten.
Tabel 13. Bobot Total Setiap Calon Karyawan dengan AHP dan Fuzzy AHP
Alternatif
AHP
Calon Karyawan Bobot total
Consistency
Ratio (CR)
A
0.1596
B
0.6349
0.0636
C
0.2055

Fuzzy AHP
Bobot Total
Consistency
Ratio (CR)
0.4869
0.3561
0.0534
0.1570

Calon karyawan dengan nilai bobot total terbesar menunjukkan calon karyawan terbaik
untuk dipilih. Jadi dengan perhitungan AHP, maka pilihan calon karyawan dari nilai tertinggi
sampai terendah adalah calon B, C, dan A. Sedangkan dengan perhitungan Fuzzy AHP,
didapatkan urutan A, B, dan C.

BAB III
KESIMPULAN

Dari hasil pengujian sistem yang telah dilakukan, maka dapat diberikan beberapa kesimpulan sebagai
berikut :

Dengan penerapan metode Fuzzy Analytical Hierarcy Process ( Fuzzy-AHP ), sistem pengambilan
keputusan untuk menentukan kandidat siswa berprestasi menjadi lebih mudah, efektif dan cepat.

Analytic Hierarchy Process (AHP) adalah salah satu metode khusus dari Multi Criteria
Decision Making (MCDM) yang sangat berguna sebagai alat dalam analisis pengambilan
keputusan dan telah banyak digunakan dengan baik dalam berbagai bidang seperti peramalan,
pemilihan karyawan, pemilihan konsep produk, dan lain-lain.
Tahapan-tahapan yang ada di AHP
a. Mendefinisikan masalah dan menentukan solusi yang diinginkan.
b. Membuat struktur hirarki
c. Membentuk matriks perbandingan berpasangan
d. Menormalkan data
e. Menghitung nilai eigen vector dan menguji konsistensinya