Metode SAW (Simple Additive Weighting)

Paper-1

Definisi SAW

Metode SAW merupakan metode yang juga dikenal dengan metode penjumlahan berbobot.
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 terkenal dan paling banyak digunakan dalam menghadapi situasi Multiple
Attribute Decision Making (MADM). MADM itu sendiri merupakan suatu metode yang
digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu.

Tahapan untuk menyelesaikan suatu kasus menggunakan metode SAW ADALAH SEPERTI
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.

Agar lebih jelas tentang pengimplementasian algoritma tersebut lebih baik kita belajar
dengan studi kasus, karena saya beranggapan jika studi kasus akan lebh mudah menjawab
semua teori yang sulit dimengerti.

Contoh Kasus :

Sebuah perusahaan akan melakukan rekrutmen pekerja untuk posisi operator mesin. Posisi
yang saat ini luang hanya ada 2 posisi. Sementara itu, calon yang melamar ada 5 orang. Tim
seleksi calon pekerja baru menerapkan metode SAW untuk memilih 2 calon yang terbaik.

Ada 2 kelompok kriteria dalam metode SAW, yaitu kriteria benefit dan kriteria cost. Kriteria
benefit adalah kriteria yang mendukung atau menguntungkan, sedangkan kriteria cost adalah
kriteria yang melemahkan atau merugikan.

Untuk masalah di atas kita tentukan dulu mana yang menjadi kriteria benefit dan kriteria cost

Kriteria benefit-nya adalah:

– Pengalaman kerja (saya simbolkan C1)

– Pendidikan (C2)

– Usia (C3)

Kriteria cost-nya adalah

– Status perkawinan (C4)

– Alamat (C5)

Kriteria dan Pembobotan

Teknik pembobotan pada criteria dapat dilakukan dengan beragai macam cara dan metode
yang absah. Fase 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. Se dangkan 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.

Di tahap ini kita mengisi bobot nilai dari suatu alternatif dengan kriteria yang telah dijabarkan
tadi. Perlu diketahui nilai maksimal dari pembobotan ini adalah ‘1’

Calon Pegawai kriteria

C1 C2 C3 C4 C5
A1 0,5 1 0,7 0,7 0,8
A2 0,8 0,7 1 0,5 1
A3 1 0,3 0,4 0,7 1
A4 0,2 1 0,5 0,9 0,7
A5 1 0,7 0,4 0,7 1

Pembobotan

Pembobotan ini ialah pembobotan tiap-tiap kriteria. Berdasarkan pemahaman saya

pembobotan ini ialah pembobotan atas suatu kriteria. Sebagai contoh, kita memilih komputer
berdasarkan kriteria kinerja dan tampilan. Jika kita harus mengutamakan kinerja, maka
kinerja kita beri bobot lebih tinggi daripada tampilan.

Kriteria Bobot
C1 0,3
C2 0,2
C3 0,2
C4 0,15
C5 0,15
Total 1
Tabel pertama (pembobotan alternatif terhadap kriteria) kita ubah kedalam bentuk matriks.
Nah di bawah ini penampakannya.

0,5 1 0,7 0,7 0,8

0,8 0,7 1 0,5 1
1 0,3 0,4 0,7 1
0,2 1 0,5 0,9 0,7
1 0,7 0,4 0,7 1

Pertama kita ingat-ingat kembali kriteria benefitnya yaitu (C1, C2 dan C3). Untuk normalisai
nilai, jika faktor kriteria benefit digunakan rumus:

Rii = ( Xij / max{Xij})

Dari kolom C1 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C1 dibagi oleh nilai
maksimal kolom C1

R11 = 0,5 / 1 = 0,5

R21 = 0,8 / 1 = 0,8

R31 = 1 / 1 = 1

R41 = 0,2 / 1 = 0,2

R51 = 1 / 1 = 1

Dari kolom C2 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C2 dibagi oleh nilai
maksimal kolom C2

R12 = 1 / 1 = 1

R22 = 0,7/ 1 = 0,7

R32 = 0,3 / 1 = 0,3

R42 = 1 / 1 = 1

R52 = 0,7 / 1 = 0,7

Dari kolom C3 nilai maksimalnya adalah ‘1’ , sehingga tiap baris dari kolom C3 dibagi oleh
nilai maksimal kolom C3.

R13 = 0,7 / 1 = 0,7

R23 = 1/ 1 = 1

R33 = 0,4 / 1 = 0,4

R43 = 0,5 / 1 = 0,5

R53 = 0,4 / 1 = 0,4

Nah sekarang ingat-ingat kembali kriteria costnya yaitu (C4 dan C5). Untuk normalisai nilai,
jika faktor kriteria cost digunakan rumus:

Rii = (min{Xij} /Xij)

Dari kolom C4 nilai minimalnya adalah ‘0,5’ , maka tiap baris dari kolom C5 menjadi
penyebut dari nilai maksimal kolom C5

R14 = 0,5/ 0,7 = 0,714

R24 = 0,5 / 0,5 = 1

R34 = 0,5 / 0,7 = 0,714

R44 = 0,5 / 0,9 = 0,556

R54 = 0,5 / 0,7 = 0,714

Dari kolom C5 nilai minimalnya adalah ‘0,7’ , maka tiap baris dari kolom C5 menyadi
penyebut dari nilai maksimal kolom C5

R15= 0,7/ 0,8 = 0,875

R25 = 0,7 / 1= 0,7

R35 = 0,7 / 1= 0,7

R45 = 0,7 / 0,7 = 1

R55= 0,7/ 1= 0,7

Masukan semua hasil penghitungan tersebut kedalam tabel yang kali ini disebut tabel faktor
ternormalisasi

0,5 1 0,7 0,714 0,875

0,8 0,7 1 1 0,7
1 0,3 0,4 0,714 0,7
0,2 1 0,5 0,556 1
1 0,7 0,4 0,714 0,7

Setelah mendapat tabel seperti itu barulah kita mengalikan setiap kolom di tabel tersebut
dengan bbot kriteria yang telah kita deklarasikan sebelumnya. Rumusnya seperti berikut.
A1 = (0,5 * 0,3) + (1 * 0,2) + (0,7 * 0,2 ) + (0, 714 * 0,15) + (0, 875 * 0,15)

A1 = 0,72835

A2 = (0,8 * 0,3) + (0,7 * 0,2) + ( 1* 0,2 ) + ( 1 * 0,15) + (0,7 * 0,15)

A2 = 0,835

A3 = (1 * 0,3) + ( 0,3* 0,2) + ( 0,4 * 0,2 ) + (0,714 * 0,15) + (0,7 * 0,15)

A3 = 0,6521

A4 = (0,2 * 0,3) + ( 1 * 0,2) + ( 0,5* 0,2 ) + (0,556 * 0,15) + ( 1* 0,15)

A4 = 0,5934

A5 = ( 1 * 0,3) + ( 0,7 * 0,2) + (0,4 * 0,2 ) + (0,714 * 0,15) + ( 0,7 * 0,15)

A5 = 0,7321

Jika dibandingkan nilai akhirnya, maka didapatkan nilai sebagai berikut.

A1 = 0,72835

A2 = 0,835

A3 = 0,6521

A4 = 0,5934

A5 = 0,7321

A2 memiliki nilai tertinggi dan A5 di urutan kedua. Jadi yang dipilih adalah alternatif A2
dengan nilai 0,835 dan alternatif A5 dengan nilai 0,7321.
PAPER-2

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 kasus 2:
Bagian kemahasiswaan telah membuat pengumuman tentang dibukanya kesempatan
memperoleh“BEASISWA”. 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
1) MASALAH: “ seleksi calon penerima beasiswa “
2) 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

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