APLIKASI FUZZY AHP UNTUK MENETUKAN FAKTOR

PRIORITAS MAHASISWI DALAM MEMILIH MATA KULIAH

STATISTIKA DENGAN KALKULUS

1. Pendahuluan
Sebelum memulai perkuliahan, mahasiswi diwajibkan untuk memilih
matakuliah yang akan ditempuh dalam satu semester kedepan. Tidak jarang
mahasiswi sering mendapati kebingunan dalam penentuan matakuliah apa yang akan
diambil pada semester yang akan dijalaninya. Proses memilih matakuliah dan jadwal
matakuliah membuat mahasiswi terkadang bingung dan berpikir untuk mengambil
matakuliah mana yang harus diambil terlebih dahulu. Kesalahan dalam menentukan
matakuliah yang diambil akan menghambat waktu kelulusan mahasiswi, hal ini
dikarenakan matakuliah yang seharusnya diambil semester sekarang tetapi tidak
diambil, dan merupakan matakuliah syarat bagi matakuliah lain. Hal ini akan
berdampak buruk jika semester berikutnya matakuliah tersebut tidak ditawarkan dan
tidak dapat mengambil matakuliah berikutnya karena matakuliah prerequest belum
ditempuh, maka harus menunggu semester berikutnya lagi untuk dapat mengambil
matakuliah tersebut. Oleh karena itu, lewat penelitian ini diharapkan masalah yang
dihadapi mahasiswi dalam penentuan memprioritaskan pemilihan mata kuliah
Statistika atau Kalkulus dapat teratasi.
Salah satu cara untuk mengetahui faktor prioritas dalam memilih mata kuliah
statistika atau Kalkulus adalah Analisis Hierarchy Proses (AHP) menurut Marimin
(2004), AHP memiliki banyak keunggulan dalam menjelaskan proses pengambilan
keputusan, karena dapat digambarkan secara grafis sehingga mudah dipahami oleh
semua pihak yang terlibat dalam pengambilan keputusan.
Dalam AHP pengambilan keputusan dengan banyak kriteria bersifat subjektif.
Selain itu para pengambil keputusan lebih yakin menentukan pilihannya terhadap
tingkat kepentingan antar kriteria dengan memakai penilaian dalam interval
dibandingkan penilaian dengan angka eksak. Untuk mengatasi permasalah tersebut
maka dikembangkan teknik memodifikasi dan teknik himpunan fuzzy dalam AHP
yang disebut Fuzzy AHP. ( Chang, 1996)
2.

Tinjauan Pustaka

2.1 Definisi Analisis Hierarchy Proses

Metode analisis hierarchy proses adalah teknik terstruktur untuk mengorganis

ir dan menganalisa keputusan yang kompleks, berdasarkan matematika dan psikologi
. Ini dikembangkan oleh Thomas L. Saaty pada tahun 1970 dan telah diteliti secara
luas dan disempurnakan sejak saat itu. memiliki aplikasi tertentu dalam pengambilan
keputusan kelompok, dan digunakan di seluruh dunia dalam berbagai macam situasi
keputusan, di bidang seperti pemerintahan, bisnis, industri, kesehatan, galangan
kapal dan pendidikan.
Pengguna dari AHP pertama terurai masalah keputusan mereka dalam hirarki
sub-masalah yang lebih mudah dipahami, yang masing-masing dapat dianalisis
secara independen. Unsur-unsur hirarki dapat berhubungan dengan setiap aspek dari
keputusan atau tidak berwujud, diukur dengan hati-hati atau kasar diperkirakan, baik
atau kurang dipahami-apa saja yang nyata-masalah berlaku untuk keputusan di
tangan.
2.2 Prinsip Prinsip Dasar AHP
Menurut Saaty (1993), ada beberapa prinsip yang harus dipahami dalam
menyelesaikan permasalahan menggunakan AHP, yaitu:
1. Penyusunan Hierarki
2. Menentukan Prioritas
3. Konsitensi logis
a) Pemikiran atau objek yang serupa dikelompokkan menurut homogenitas
dan relevansi
b) Relasi antar objek yang didasarkan pada kriteria tertentu, saling
membenarkan secara logis.
2.3 Hierarki
Menurut Saaty (1994) Hierarki adalah gambaran dari permasalahan yang
kompleks salam struktur banyak tingkat dimana tingkat paling atas adalah tujuan dan
tingkat paling bawah adalah tingkat alternatif.
2.4 Matriks Perbandingan Berpasangan
Langkah pertama dalam menentukan prioritas elemen adalah dengan
menyusun perbandingan berpasangan.
Tingkat
Kepentingan
1
3

Definisi

Keterangan

Kedua
elemen
sama Dua
elemen
mempunyai
pentingnya
pengaruh sama besar
Elemen satu yang sedikit
Pengalaman
dan
penilaian
lebih penting dari pada
sedikit menyokong satu elemen
elemen yang lainnya
2

Pengalaman
dan
penilaian
Elemen satu yang lebih
dengan kuat menyokong satu
5
penting dari pada elemen
elemen
dibanding
elemen
yang lainnya
lainnya
Satu elemen yang kuat disokong
Satu elemen jelas lebih
7
dan dominan terlihat dalam
penting dari elemen lainnya
kenyataan
Bukti yang mendukung elemen
Satu elemen mutlak lebih yang satu terhadap elemen lain
9
penting dari elemen lainnya
memiliki tingkat penegasan
tertinggi yang menguatkan
Nilai ini diberikan bila ada dua
2,4,6,8
komponen diantara dua pilihan
Jika untuk aktifitas ke I
mendapat suatu angka bila
Kebalikan ij=1/ji
dibandingkan dengan aktivitas
ke j maka j mempunyai nilai
kebalikan dibandingkan dengan i
2.5 Konsistensi Matriks Perbandingan Berpasangan
Apabila B adalah matriks perbandingan berpasangan yang konsisten maka
semua nilai eigen bernilai nol kecuali yang bernilai sama dengan n. Tetapi bila B
adalah matriks tak konsisten, variasi kecil atas ij akan membuat nilai eigen terbesar
selalu lebih besar atau sama dengan n yaitu n. Perbedaan antara dengan n dapat
digunakan untuk meneliti seberapa besar ketidakkonsistenan yang ada dalam B,
dimana rata-ratanya dinyatakan sebagai berikut (Saaty, 2002) :

suatu matriks perbandingan berpasangan dinyatakan konsisten apabila nilai

consistency ratio (CR)10%. CR dapat dihitung menggunakan rumus sebagai berikut
:

Ratio Indeks (RI) yang umum digunakan untuk setiap ordo matriks adalah sebagai
berikut:
Urutan
Matrkis
RI

0,00

0,00

0,58

0,90

1,12

1,24

1,32

1,41

10

1,45 1,49
3

2.6 Triangular Fuzzy Number (TFN)

Bilangan triangular fuzzy (TFN) merupakan teori himpunan fuzzy membantu
dalam pengukuran yang berhubungan dengan penilaian subjektif manusia memakai
bahasa atau linguistik. Inti dari fuzzy AHP terletak pada perbandingan berpasangan
yang digambarkan dengan skala rasio yang berhubungan dengan skala fuzzy.
Bilangan triangular fuzzy disimbolkan
dan berikut ketentuan fungsi keanggotaan
untuk 5 skala variabel linguistik
Tabel Skala perbandingan tingkat kepentingan fuzzy
Tingkat
Skala
Fuzzy
(1,1,1)
1 = (1/2, 1, 3/2)
3 = (1, 3/2, 2)

Invers Skala
Fuzzy
(1,1,1)
(2/3, 1, 2)
(1/2, 2/3, 1)

5 = (3/2, 2, 5/2)

(2/5, 1/2, 2/3)

7 = (2, 5/2, 3)

(1/3, 2/5, 1/2)

9 = (5/2, 3, 7/2)

(2/7, 1/3, 2/5)

Definisi VariabelLinguistik
Perbandingan dua kriteria yang sama
Dua elemen mempunyai kepentingan yang
sama
Satu elemen sedikit lebih penting dari yang
lain
Satu elemen lebih penting dari yang lain
Satu elemen sangat lebih penting dari yang
yang lain
Satu elemen mutlak lebih penting dari yang
lain

2.7 Nilai Fuzzy Synthetic Extent

Chang (1996) memperkenalkan metode extent analysis untuk nilai sintesis
pada perbandingan berpasangan pada fuzzy AHP. Nilai fuzzy synthetic extent dipakai
untuk memperoleh perluasan suatu objek. Sehingga dapat diperoleh nilai extent
analysis m yang dapat ditujukan sebagai

= 1, 2, ..., n, dimana (

(j= 1,2, ..., m) adalah bilangan triangular fuzzy.

Langkah-langkah model extent analysis dari Chang dalam (Kulak dan Kahraman,
2005) yaitu :
1. Nilai fuzzy synthetic extent untuk i- objek didefinisikan sebagai berikut :

Untuk memperoleh

, maka dilakukan operasi penjumlahan nilai fuzzy

extent analysis m untuk matrix sebagian dimana menggunakan operasi

penjumlahan pada tiap-tiap bilangan triangular fuzzy dalam setiap baris
seperti berikut :

Dimana :
M = bilangan triangular fuzzy number
m = jumlah kriteria
.j = kolom
i = baris
g = paramater (l, m, u)
sedangkan untuk memperoleh nilai
penjumlahan

untuk

keseluruhan

dilakukan operasi
bilangan

triangular

fuzzy

dalam matriks keputusan (n x m) sebagai berikut :

Sehingga untuk menghitug invers dari persamaan (7.24) yaitu :

2. Perbandingan tingkat kemungkinan antara bilangan fuzzy.

Perbandingan tingkat kemungkinan ini digunakan untuk nilai bobot pada
masing-masing kriteria. Untuk dua bilangan triangular fuzzy
dan

dengan tingkat kemungkinan

dapat didefinisikan sebagai berikut :

Tingkat kemungkinan untuk bilangan fuzzy konveks dapat diperoleh dengan

persamaan berikut :

3. Tingkat kemungkinan untuk bilangan fuzzy convex M lebih baik

dibandingkan sejumlah k bilangan fuzzy convex

dapat

ditentukan dengan menggunakan operasi max dan min sebagai berikut:

Dengan i = 1, 2, ...,k.
Jika diasumsikan bahwa d

= min V

untuk k = 1, 2, ..., n; k

Maka vektor bobot didefenisikan:

W =

Dimana

adalah nilai yang menggambarkan pilihan relatif

masing masing atribut keputusan.

4. Normalisasi
Jika vektor bobot tersebut di atas dinormalisasi maka akan diperoleh
defenisi vektor Bobot sebagai berikut:
W=
Perumusan normalisasinya adalah:
D

= Normalisasi bobot ini akan dilakukakan agar nilai dalam vektor

diperbolehkan menjadi analog bobot dan terdiri dari bilangan yang nonfuzzy
3. Metode Penelitian
6

3.1 Populasi dan Sampel

Populasi dalam penelitian ini adalah mahasiswi Universitas Sumatera Utara
Fak MIPA yang Mengambil Mata Kuliah Statistika Dan Kalukulus. Dalam penelitian
ini sampel yang digunakan adalah mahasiswi Universitas Sumatera Utara Fak MIPA
yang mengambil Mata Kuliah Statistika dan Kalkulus karena mereka dianggap
memiliki informasi yang baik dan benar (Ferdinand, 2006).
3.2 Penyusunan Hirarki
Faktor Penentu keputusan Mahasiswi dalam memilih Mata Kuliah Statistika
Atau Kalkulus digunakan 4 kriteria utama sebagai berikut :
a) Dosen (D)
Kriteria Dosen meliputi 3 sub kriteria, yaitu Lulusan (D1), Usia (D2), dan
Pengetahuan (D3).
b) Hari (H)
Kriteria hari meliputi 3 sub kriteria, yaitu Senin (H1), Rabu (H2), dan Jumat
(H3).
c) Jam (J)
Kriteria Jam meliputi 3 sub kriteria, yaitu Pagi (J1), Siang (J2), dan Malam
(J3).
d) Pengaruh Ajakan Teman (P)
Kriteria pelayanan meliputi 3 sub kriteria, Inisatif Sendiri (P1), Keharusan
(P2), dan Diajak Teman (P3).

3.3 Metode Analisis

Langkah-langkah dalam melakukan penelitian ini adalah :
1. Mendefinisikan dan penguraian masalah yaitu faktor-faktor yang menjadi
prioritas mahasiswi dalam memilih Mata Kuliah.
2. Pembuatan hirarki. Untuk kriteria keputusan mahasiswi dalam memilih Mata
kuliah Statistka atau Kalkulus diambil empat kriteria utama yaitu Dosen,
Hari, Jam, dan Pengaruh Teman.
3. Melakukan survei untuk mengambil data menggunakan kuesioner, sebanyak
10 responden dengan metode purposive sampling.
4. Menyusun matriks perbandingan berpasangan tiap data responden pada setiap
level kriteria.

5. Menghitung vektor prioritas elemen-elemen pada tiap kriteria dalam hirarki.

Penghitungan vektor prioritas dilakukan dengan penghitungan vektor eigen.
6. Menghitung nilai eigen maksimum.
7. Melakukan uji konsistensi pada setiap matriks perbandingan berpasangan.

Menghitung CI

Menghitung CR. Jika CR10% maka matriks tersebut konsisten.

Jika terdapat matriks perbandingan berpasangan yang tidak konsisten maka
dilakukan perbaikan perbandingan berpasangan.
8. Pengambilan Keputusan

Menghitung rata-rata geometrik untuk setiap kriteria dan sub kriteria.

Hasil penghitungan tiap kriteria dari seluruh hirarki kemudian dibuat

perbandingan berpasangan lagi yang diperoleh dari hasil perhitungan
pembulatan rata-rata geometrik.

9. Mengubah bobot penilaian perbandingan berpasangan ke dalam bilangan

triangular fuzzy.
10. Dari matriks tersebut ditentukan nilai fuzzy synthetic extent untuk tiap-tiap
kriteria dan sub kriteria.
11. Membandingkan nilai fuzzy synthetic extent.
12. Dari hasil perbandingan nilai fuzzy synthetic extent maka diambil nilai
minimumnya.
13. Perhitungan normalitas vektor bobot dan nilai minimum.

4. Hasil dan Analisis

4.1 Matriks Perbandingan Berpasangan Antar Kriteria Utama
Dalam hirarki terdapat empat kriteria utama yaitu kriteria Dosen (D), Hari
(H), Jam (J), dan Pengaruh Teman (P), sehingga terdapat empat elemen yang harus
dibandingkan. Perhitungan dan penetapan konsistensi untuk perbandingan
berpasangan antar kriteria utamanya adalah sebagai berikut :
Langkah 1. Menyusun matriks perbandingan berpasangan.
Kriteria
D
H
J
P

D
1.00
0.20
0.14
0.14

H
5.00
1.00
1.00
3.00

J
7.00
1.00
1.00
7.00

P
3.00
0.33
0.14
1.00

Langkah 2. Menghitung vektor prioritas untuk kriteria utama

a. Nilai yang terdapat dalam satu kolom dijumlahkan dan diberi nama total kolom.
8

Kriteria
D
H
J
P

D
1.00
0.20
0.14
0.14

H
5.00
1.00
1.00
3.00

J
7.00
1.00
1.00
7.00

P
3.00
0.33
0.14
1.00

J
0.437
0.062
0.062
0.437
1.000

P
0.671
0.073
0.031
0.223
1.000

b. Setiap entri matriks dibagi dengan total kolomnya.

Kriteria
D
H
J
P
T.Kolom

D
0.675
0.135
0.094
0.094
1.000

H
0.500
0.100
0.100
0.300
1.000

T.Baris
2.283
0.370
0.287
1.054
4.000

a. Rata-rata dari entri-entri matriks yang terdapat dalam satu baris dihitung dan
dinyatakan hasilnya sebagai vektor prioritas.
Kriteria
D
H
J
P

D
0.675
0.135
0.094
0.094

H
0.500
0.100
0.100
0.300

J
0.437
0.062
0.062
0.437

P
0.671
0.073
0.031
0.223

T.Baris
2.283
0.370
0.287
1.054

V.Prioritas
0.570
0.092
0.071
0.263

Langkah 3. Menghitung rasio konsistensi (CR)

a. Matriks perbandingan berpasangandikalikan dengan vektor prioritas. Vektor
baru tersebut dinyatakan sebagai vektor bobot.
1.00
0.14
0.14
0.14

5.00
1.00
1.00
3.00

7.00
1.00
1.00
7.00

3.00
0.33
0.14
1.00

0.570
0.092 =
0.071
0.263

2.3160
0.3276
0.2796
1.1158

b. Entri dari vektor jumlah bobot dibagi dengan entri yang berpasangan dari
vektor prioritas dan dinyatakan hasilnya sebagai bobot prioritas.
=
=

2.3160/0.570
0.3276/0.092
1.1158/0.263
4.0631
3.5608
3.9380

0.2796/0.071
4.2425

c. Menghitung rata rata dari nilai pada langkah b di atas dan hasilnya
dinotasikan dengan

d. Menghitung Consistensi Indeks (CI)

e. Menghitung Consistensi Ratio (CR)

Menurut Saaty, Jika CR 10% maka matriks perbandingan berpasangan tersebut

konsisten yang berarti semua elemen telah dikelompokkan secara homogen.

4.2 Pembobotan Dengan Fuzzy AHP

Langkah langkahnya sebagai berikut:
a) Matriks perbandingan berpasangan fuzzy
Kriteria
D
H
J
P

D
111
0.57 0.8 1.33
0.5 0.67 1
0.67 1 2

H
0.75 1.25 1.75
111
0.5 1 1.49
0.67 1 2

b) Menghitung nilai

J
1, 1.5 2
0.67 1 2
111
0.67 1 2

P
0.5 1 1.5
0.5 1 1.5
0.5 1 1.5
111
dengan operasi

penjumlahan pada tiap tiap bilangan TFN dalam setiap baris.

l
3.250
2.920
2.500
3.010

m
4.750
3.800
3.670
4.000

c) Menghitung nilai

u
6.250
5.830
4.990
7.000
dengan operasi penjumlahan untuk

keseluruhan bilangan TFN dalam matriks perbandingan berpasangan

l
11.680

m
16.220

u
24.070
10

d) Dari matrik perbandingan berpasangan selanjutnya dihitung nilai Fuzzy

Syntethic Extent untuk tiap criteria utama:
S
S1
S2
S3
S4

l
0.1350
0.1213
0.1041
0.1250

m
0.2928
0.2342
0.2262
0.2466

u
0.5351
0.4991
0.4272
0.5993

e) Dilakukan perbandingan tingkat kemungkinan antar Fuzzy synethic extent

dengan nilai Minimum nya.
V(S1S2) = V(S1S3) = V(S1S4) = 1
V(S2S1) =
V(S2S3) = V(S2S4 )= 1
V(S3S1) =

V(S3S2) =
V(S3S4) =1
V(S4S1 )=

V(S4S2) =

V(S4S3) =
d(A1) = Min V(S1S2S3S4) = Min =1
d(A2) =Min V (S2S1S3S4) = Min = 0.8613
d (A3) Min V(S3S1S2S4) Min = 0.4160

11

d (A4) Min V (S4S1S2S3) Min = 0.9095

f) Dilakukan perhitungan bobot dan normalisasi vector bobot sehingga

diketahui nilai bobot criteria utama.
w

d(A1)
1

d(A2)
0.8613

d(A3)
0.4160

d(A4)
0.9095

Total
3.1868

Tabel bobot antar kriteria utama

(A1)
0.3137

(A2)
0.2702

(A3)
0.1305

(A4)
0.2853

Table normalisasi vector bobot antara criteria utama

Kesimpulan
Dalam proses pengambilan keputusan yang melibatkan banyak kriteria,
metode Fuzzy AHP dapat digunakan untuk menentukan bobot prioritas pada masingmasing kriteria yang menjadi dasar untuk analisa keputusan yang tepat. Kriteria
Utama Terdiri dari empat sub criteria, yaitu : Dosen (D), Hari (H), Jam (J), dan
Pengaruh Teman (P), dengan demikian matriks yang terbentuk berordo 4x4. Dari uji
konsistensi dapat dilihat bahwa matriks tersebut konsisten. Bobot prioritas pada
criteria utama yaitu Dosen (D) Pengaruh Teman (P) Hari (H) dan Jam (J) berturut turut 0.3137, 0.2853, 0.2702 dan 0.1305. Berdasarkan hasil analisis bobot prioritas
pada kriteria utama dengan Fuzzy AHP, kriteria Dosen (K) mempunyai pengaruh
paling besar bagi Mahasiswi dalam Pengambilan Keputusan memilih Matakuliah
Statistika atau Kalkulus Pada KRS nya sebesar 31.37%. Kriteria kedua adalah
pengaruh teman (P) sebesar 28.53%. Kriteria ketiga adalah Hari (H) sebesar 27.02%
dan yang terakhir adalah Jam Masuk (J) sebesar 13.05%.

12

Daftar Pustaka

Chang, D. Y. 1996. Aplication Of The Extent Analisis Methode on Fuzzy AHP.

European Jurnal Of Operation Research 95 649 655
Setiawan W , Pujiastutik R. 2015 Penerapan Metode Fuzzy Analytical Hierarchi
Process untuk Pemilihan Supplier Batik Madura jurnal. ftumj.ac.id/index.php/
semnastek
Radhakrishnan R, Kalaichelvi A. 2014 selection of the best school for the childrena
decision making model using extent analysis method on fuzzy analytic
hierarchy process Vol. 3, Issue 5, May 2014
Yu-Cheng Tang and Malcolm, J. Beynon., Application and Development of a Fuzz
Analytic Hierarchy Process within a Capital Investment Study Journal of
Economics and Management, Vol. 1, No. 2, pp. 207-230, 2005.
Ke-yu Zhu, Jennifer Shangc, and Shan-lin Yang, The Triangular Fuzzy AHP:
Fallacy of the Popular Extent Analysis Method, DOI:10.2139/ssrn.2078576,
2012
Tang, Y.C & Lin, T.W, 2011. Application of the fuzzy analytic
hierarchy process to the lead-free equipment selection
decision, Int. J. Business and Systems Research, Vol. 5, No. 1,
2011, pp 35 -56.
Noviandri R. M, Tama I Pambudi, Yuniarti R. 2015 Supplier Selection Analysis Of
Metallic Box Using Fuzzy Analytic Hierarchy Process (AHP) jurnal
rekayasa dan manajemen sistem industri vol. 3 no. 3
Mardhikawarih. D. A, Jauhari W A, dan Rosyidi C Nur. 2012. Pemilihan Pemasok
Drum Pelumas Industri Menggunakan Fuzzy Analytical Hierarchy Process
Performa (2012) Vol. 11, No. 1: 67 74
Salahuddin, Hartati Sri.2012. Sistem Pendukung Keputusan Dalam Menentukan
Supplier Jeruk Pontianak Berbasis Fuzzy-AHP IJCCS, Vol.6, No.1, January
2012, pp. 67~78

13