Metode Simple Additive Weighting (SAW)

1.1 Pengertian Metode Simple Additive Weighting (SAW)

Metode Simple Additive Weighting (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 (Fishburn, 1967) (MacCrimmon, 1968).
Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala
yang dapat diperbandingkan dengan semua rating alternatif yang ada. Metode ini
merupakan metode yang paling terkenal dan paling banyak digunakan dalam
menghadapi situasi Multiple Attribute Decision Making (MADM). MADM itu sendiri
merupakan suatu metode yang digunakan untuk mencari alternatifoptimal dari sejumlah
alternatif dengan kriteria tertentu.
Metode SAW ini mengharuskan pembuat keputusan menentukan bobot bagi setiap
atribut. Skor total untuk alternatif diperoleh dengan menjumlahkan seluruh hasil
perkalian antara rating (yang dapat dibandingkan lintas atribut) dan bobot tiap atribut.
Rating tiap atribut haruslah bebas dimensi dalam arti telah melewati proses normalisasi
matriks sebelumnya.

1.2 Langkah Penyelesaian Simple Additive Weighting (SAW)

Langkah Penyelesaian SAW sebagai berikut :
1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan
keputusan, yaitu Ci.
2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
3. Membuat matriks keputusan berdasarkan kriteria(Ci), kemudian melakukan
normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut
(atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R.
4. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks
ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih
sebagai alternatif terbaik (Ai)sebagai solusi.

Formula untuk melakukan normalisasi tersebut adalah :

Dimana :
rij = rating kinerja ternormalisasi
Maxij = nilai maksimum dari setiap baris dan kolom
Minij = nilai minimum dari setiap baris dan kolom
Xij = baris dan kolom dari matriks
Dengan 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 :

Dimana :
Vi = Nilai akhir dari alternatif
wj = Bobot yang telah ditentukan
rij = Normalisasi matriks
Nilai Viyang lebih besar mengindikasikan bahwa alternatifAi lebih terpilih

Contoh kasus1:
Bagian kemahasiswaan telah membuat pengumuman tentang dibukanya kesempatan
memperolehBEASISWA. Beasiswa ini diperuntukkan untuk tiga Mahasiswa. Jumlah
pendaftar sampai pada tanggal terakhir terkumpul 50 mahasiswa.
Tugas Kita, adalah membangun Sistem Pendukung Keputusan untuk menentukan
calon penerima beasiswa bagi mahasiswa.
Langkah-Langkah
MASALAH
seleksi calon penerima beasiswa
Kriteria
Usia, jumlah penghasilan orangtua, semester, jumlah tanggungan orangtua, dan
jumlah saudara kandung.
Penentuan criteria yang dapat digolongkan ke dalam criteria benefit
Jumlah tanggungan orangtua,
jumlah saudara kandung, dan
IPK

Penentuan criteria yang dapat digolongkan ke dalam criteria cost

Usia
Jumlah penghasilan orangtua
semester
Pembuatan table,

No KRITERIA KETERANGAN
1 C1 Usia
2 C2 Jumlah Penghasilan Orangtua
3 C3 Semester
4 C4 Jumlah Tanggungan Orangtua
5 C5 Jumlah saudara kandung
6 C6 IPK

Kriteria dan Pembobotan

Teknik pembobotan pada criteria dapat dilakukan dengan beragai macam cara dan
metode yang abash. Pase ini dikenal dengan istilah pra-proses. Namun bisa juga
dengan cara secara sederhana dengan memberikan nilai pada masing-masing secara
langsung berdasarkan persentasi nilai bobotnya. Sedangkan untuk yang lebih lebih baik
bisa digunakan fuzzy logic. Penggunaan Fuzzy logic, sangat dianjurkan bila kritieria
yang dipilih mempunyai sifat yang relative, misal Umur, Panas, Tinggi, Baik atau sifat
lainnya.

Contoh Pembobotan criteria

Pembobotan (W)
No KRITERIA Nilai bobot
1 C1 0.15
2 C2 0.30
3 C3 0.10
4 C4 0.20
5 C5 0.10
6 C6 0.15

Total
1 Keterangan
A : Calon yang diseleksi
C : Kriteria

Diubah ke dalam matrik keputusan sebagai berikut:

Penghitungan Normalisasi
Untuk normalisai nilai, jika faktor kriteria cost digunakanan rumusan
Rii = ( min{Xij} / Xij)
Maka nilai-nilai normalisasi cost menjadi:
R11 = min{1;0.75;0.5} / 1 = 0.5 / 1 = 0.5
R21 = min{1;0.75;0.5} / 0.75 = 0.5 / 0.75 = 0.67
R31 = min{1;0.75;0.5} / 1 = 0.5 / 0.5 = 1

R12 = min{0.5;0.5;0.5} / 0.5 = 0.5 / 0.5 = 1

R22 = min{0.5;0.5;0.5} / 0.5 = 0.5 / 0.5 = 1
R32 = min{0.5;0.5;0.5} / 0.5 = 0.5 / 0.5 = 1

R13 = min{0.8;0.6;0.6} / 0.8 = 0.6 / 0.8 = 0.75

R23 = min{0.8;0.6;0.6} / 0.6 = 0.6 / 0.6 = 1
R33 = min{0.8;0.6;0.6} / 0.6 = 0.6 / 0.6 = 1

Untuk normalisai nilai, jika faktor kriteria benefit digunakanan rumusan

Rii = ( Xij / max{Xij})

Maka nilai-nilai normalisasi benefit menjadi:

R14 = 1.00 / max{1; 0.5;0.25} = 1 / 1 = 1
R24 = 0.50 / max{1; 0.5;0.25} = 0.5 / 1 = 0.5
R34 = 0.25 / max{1; 0.5;0.25} = 0.25 / 1 = 0.25

R15 = 1.00 / max{1; 0.5;0.25} = 1 / 1 = 1

R25 = 0.50 / max{1; 0.5;0.25} = 0.5 / 1 = 0.5
R35 = 0.25 / max{1; 0.5;0.25} = 0.25 / 1 = 0.25

R16 = 0.50 / max{0.5; 0.75;0.25} = 0.5 / 0.75 = 0.67

R26 = 0.75 / max{0.5; 0.75;0.25} = 0.75 / 0.75 = 1
R36 = 0.25 / max{0.5; 0.75;0.25} = 0.25 / 0.75 = 0.33

Tabel faktor ternormalisasi

Perangkingan

Keterangan:
Vi = rangking untuk setiap alternatif
wj = nilai bobot dari setiap kriteria
rij = nilai rating kinerja ternormalisasi

V1 = 0,8505
V2 = 0,8005
V3 = 0,6745

Kesimpulan
Berdasarkan nilai perankingan maka dapat direkomendasikan prioritas calon penerima
beasiswa adalah V1, V2, dan V3

Contoh kasus 2
Suatu institusi perguruan tinggi akan memilih seorang karyawannya untuk dipromosikan
sebagai kepala unit sistem informasi.
Ada empat kriteria yang digunakan untuk melakukan penilaian, yaitu:

C1 = tes pengetahuan (wawasan) sistem informasi

C2 = praktek instalasi jaringan
C3 = tes kepribadian
C4 = tes pengetahuan agama

Pengambil keputusan memberikan bobot untuk setiap kriteria sebagai berikut: C1 =

35%; C2 = 25%; C3 = 25%; dan C4 = 15%. Ada enam orang karyawan yang menjadi
kandidat (alternatif) untuk dipromosikan sebagai kepala unit, yaitu:
A1 = Indra,
A2 = Roni,
A3 = Putri,
A4 = Dani,
A5 = Ratna, dan
A6 = Mira.

Tabel nilai alternatif di setiap kriteria:

Alternatif Kriteria
C1 C2 C3 C4
Indra 70 50 80 60
Roni 50 60 82 70
Putri 85 55 80 75
Dani 82 70 65 85
Ratna 75 75 85 74
Mira 62 50 75 80
 (Metode) Weighted Product (WP)

Weigthted Product adalah metode penyelesaian dengan

menggunakan perkalian untuk menghubungkan rating atribut,
dimana rating harus dipangkatkan terlebih dahulu dengan bobot
atribut yang bersangkutan. Proses ini sama halnya dengan proses
normalisasi.

Rumus diatas digunakan untuk menormalisasikan nilai yang akan

di gunakan.

rumus diatas digunakan untuk mencari nilai akhir.

Contoh Kasus

Suatu perusahaan di Daerah Pekanbaru ingin membangun sebuah

gudang yang akan digunakan sebagai tempat untuk menyimpan
sementara hasil produksinya.

Ada 3 lokasi yang akan menjadi alternatif, yaitu:

A1 = Panam,
A2 = Marpoyan,
A3 = Rumbai.

Ada 5 kriteria yang dijadikan acuan dalam

pengambilan keputusan, yaitu:
C1 = jarak dengan pasar terdekat (km),
C2 = kepadatan penduduk di sekitar lokasi(orang/km2);
C3 = jarak dari pabrik (km);
C4 = jarak dengan gudang yang sudah ada (km);
C5 = harga tanah untuk lokasi (x1000 Rp/m2).
Nilai setiap alternatif di setiap kriteria:

Tingkat kepentingan setiap kriteria, juga dinilai

dengan 1 sampai 5, yaitu:
1 = Sangat rendah,
2 = Rendah,
3 = Cukup,
4 = Tinggi,
5 = Sangat Tinggi.
Pengambil keputusan memberikan bobot
preferensi sebagai:
W = (5, 3, 4, 4, 2)

Kategori setiap kriteria:

Kriteria C2 (kepadatan penduduk di sekitar lokasi)

dan C4 (jarak dengan gudang yang sudah ada)
adalah kriteria keuntungan;

Kriteria C1 (jarak dengan pasar terdekat), C3

(jarak dari pabrik), dan C5 (harga tanah untuk
lokasi) adalah kriteria biaya.

Sebelumnya dilakukan perbaikan bobot terlebih

dahulu seperti sehingga w = 1, diperoleh w1 =
0,28; w2 = 0,17; w3 = 0,22; w4 = 0,22; dan w5 =
0,11.

Kemudian vektor S dapat dihitung sebagai

berikut:
Nilai vektor V yang akan digunakan untuk perankingan
dapat dihitung sebagai berikut:

Nilai terbesar ada pada V2 sehingga alternatif A2 adalah

alternatif yang terpilih sebagai alternatif terbaik.

Dengan kata lain, Marpoyan akan terpilih sebagai lokasi

untuk mendirikan gudang baru.