05 Metode Optimasi1

11/13/2015
2 Capaian Pembelajaran
Mahasiswa dapat memahami dan mampu

mengaplikasikan beberapa metode untuk
menyelesaikan masalah dengan alternatif-
alternatif dalam jumlah yang relatif kecil.
1
METODE OPTIMASI
N. Tri Suswanto Saptadi
spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015
3 Pokok Bahasan 4 Fokus Masalah

Turban (2005) mengkategorikan model sistem
pendukung keputusan dalam tujuh model, yaitu:
 Fokus Masalah
Model optimasi untuk masalah-masalah dengan
 Metode-metode alternatif-alternatif dalam jumlah relatif kecil.
 Tabel keputusan Model optimasi dengan algoritma.
 Pohon Keputusan Model optimasi dengan formula analitik.
 Multi Attribute Decision Making (MADM) Model simulasi.
Model heuristik.
Model prediktif.
Model-model yang lainnya.
5 Fokus Masalah 6 Tabel Keputusan

Model optimasi untuk masalah-masalah dengan Tabel keputusan merupakan metode
alternatif-alternatif dalam jumlah relatif kecil. pengambilan keputusan yang cukup
Model ini akan melakukan pencarian terhadap sederhana.
solusi terbaik dari sejumlah alternatif. Metode ini menggunakan bantuan tabel
Teknik-teknik untuk penyelesaian masalah ini yang berisi hubungan antara beberapa
antara lain dengan menggunakan tabel atribut yang mempengaruhi atribut tertentu.
keputusan, pohon keputusan, atau beberapa Umumnya, tabel keputusan ini digunakan
metode pada MADM. untuk penyelesaian masalah yang tidak
melibatkan banyak alternatif.
1
11/13/2015
7 Tabel Keputusan 8 Tabel Keputusan

 Pada tabel keputusan, nilai kebenaran suatu kondisi
diberikan berdasarkan nilai logika dari setiap atribut Ek.
Contoh-1:
 Hanya ada dua nilai kebenaran, yaitu Ek = benar atau Jurusan Teknik Informatika akan melakukan
Ek = salah. rekruitmen asisten untuk beberapa
 Secara umum, tabel keputusan berbentuk: laboratorium di lingkungannya.
D = E {E1, E2, ..., EK} Persyaratan untuk menjadi asisten di suatu
dengan D adalah nilai kebenaran suatu kondisi, dan Ei laboratorium ditentukan oleh nilai beberapa
adalah nilai kebenaran atribut ke-i (i = 1, 2, ... K). matakuliah.
Setiap laboratorium dimungkinkan memiliki
syarat nilai yang berbeda.
Tabel Keputusan Tabel Keputusan

9 10
Variabel
Ekspresi Logika Atribut*
Logika No Laboratorium
E1 E2 E3 E4 E5 E6 E7 E8
E1 Memiliki IPK > 3,00 Pemrograman &
1 Y Y Y
E2 Minimal tengah duduk di semester 3 Informatika Teori
E3 Nilai matakuliah algoritma pemrograman = A 2 Y Y Komputasi & Sist. Cerdas

3 Y Y Y Sistem Informasi & RPL
E4 Nilai matakuliah kecerdasan buatan = A
4 Y Y Grafika & Multimedia
E5 Nilai matakuliah basisdata = A 5 Y Y Y Sistem & Jaringan Komp.
E6 Nilai matakuliah grafika komputer = A 6 Y Y Y Informatika Kedokteran
E7 Nilai matakuliah jaringan komputer = A 7 Y Y Y Informatika Kedokteran
E8 Nilai matakuliah informatika kedokteran minimal B 8 Y Y Y Informatika Kedokteran
9 Y Y Y Informatika Kedokteran
11 Tabel Keputusan 12 Tabel Keputusan

 Kombinasi untuk semua E i (i=1,2,...,8) pada aturan tersebut  Contoh-2:
merupakan pengetahuan untuk menentukan pemilihan
asisten laboratorium.
Suatu institusi pendidikan tinggi akan memberikan penilaian
terhadap produktivitas staf pengajarnya dalam waktu 1 tahun.
 Sebagai contoh untuk laboratorium Pemrograman &
Informatika Teori dapat digunakan aturan pertama, yaitu: Ada 5 kriteria yang akan diberikan, yaitu: tidak produktif, kurang
produktif, cukup produktif, produktif, dan sangat produktif.
D  E1  E 2  E 3
Atribut yang digunakan untuk memberikan penilaian adalah
 Untuk laboratorium Informatika Kedokteran dapat
digunakan aturan ke-6, ke-7, ke-8, dan ke-9, yaitu: sebagai berikut.
D  E1  E 3  E 8  E1  E 4  E 8  E1  E 5  E 8  E1  E 6  E 8
C1 = jumlah karya ilmiah yang dihasilkan
dengan adalah operator AND; dan + adalah operator OR. C2 = jumlah diktat (bahan ajar) yang dihasilkan
C3 = jumlah buku referensi yang dihasilkan
2
11/13/2015
Tabel Keputusan
13 14 Tabel Keputusan
Atribut
Kategori Nilai ”Tidak dipertimbangkan” berarti
C1 C2 C3
berapapun nilainya diperbolehkan.
Sangat Produktif >6 >2 1
Sedangkan nilai 0 berarti, tidak menghasilkan.
Produktif 5 atau 6 2 Tidak
dipertimbangkan Misalkan seorang staf bernama Edi, telah
Cukup Produktif 3 atau 4 1 Tidak menghasilkan karya ilmiah sebanyak 3 karya,
dipertimbangkan diktat sebanyak 2 karya, dan tidak
Kurang Produktif 1 atau 2 Tidak Tidak menghasilkan buku referensi, maka Edi
dipertimbangkan dipertimbangkan
termasuk dalam kategori ”Cukup Produktif”.
Tidak Produktif 0 0 0
15 Pohon Keputusan 16 Pohon Keputusan

Pohon keputusan adalah salah satu metode
penyelesaian masalah keputusan dengan cara Contoh:
merepresentasikan pengetahuan dalam bentuk pohon.
Suatu pohon memiliki conditional node yang Untuk kasus pemilihan dosen produktif akan
menunjukkan kebenaran suatu ekspresi atau atribut. dibuat pohon keputusannya.
Conditional node tersebut memberikan beberapa
kemungkinan nilai, dapat berupa nilai boolean (Benar
atau Salah), atau beberapa alternatif nilai yang
mungkin dimiliki oleh suatu atribut, misal untuk atribut
Tekanan Darah (Rendah, Normal, Tinggi).
Pohon Keputusan
17 18 Pohon Keputusan
>6 C1 0
Atribut
Kategori 5 atau 6
3 atau 4
1 atau 2
C1 C2 C3
Sangat Produktif >6 >2 1 Kurang
C2 C2 C2 Produktif
C2
>2
Produktif 5 atau 6 2 Tidak
dipertimbangkan 2 1 0
Cukup Produktif 3 atau 4 1 Tidak C3 Produktif

Cukup
C3
dipertimbangkan Produktif
Kurang Produktif 1 atau 2 Tidak Tidak 1 0
dipertimbangkan dipertimbangkan Sangat Tidak

Produktif Produktif
Tidak Produktif 0 0 0
3
11/13/2015
19 Multi-Attribute Decision Making 20 Multi-Attribute Decision Making

(MADM) (MADM)
Secara umum, model Multi-Attribute Decision  Janko (2005) memberikan batasan tentang adanya
Making (MADM) dapat didefinisikan sebagai berikut beberapa fitur umum yang akan digunakan dalam
MADM, yaitu:
(Zimermann, 1991):
Alternatif, adalah obyek-obyek yang berbeda dan
Misalkan A = {ai | i = 1,...,n} adalah himpunan memiliki kesempatan yang sama untuk dipilih oleh
alternatif-alternatif keputusan dan C = {cj | j = pengambil keputusan.
1,..., m} adalah himpunan tujuan yang Atribut, sering juga disebut sebagai karakteristik,
diharapkan, maka akan ditentukan alternatif x0 komponen, atau kriteria keputusan. Meskipun pada
yang memiliki derajat harapan tertinggi terhadap kebanyakan kriteria bersifat satu level, namun tidak
tujuan–tujuan yang relevan cj. menutup kemungkinan adanya sub kriteria yang
berhubungan dengan kriteria yang telah diberikan.
21 Multi-Attribute Decision Making 22 Multi-Attribute Decision Making (MADM)

(MADM)
 Masalah MADM adalah mengevaluasi m alternatif Ai
 Konflik antar kriteria, beberapa kriteria biasanya mempunyai (i=1,2,...,m) terhadap sekumpulan atribut atau kriteria Cj
konflik antara satu dengan yang lainnya, misalnya kriteria (j=1,2,...,n), dimana setiap atribut saling tidak bergantung satu
keuntungan akan mengalami konflik dengan kriteria biaya. dengan yang lainnya.
 Bobot keputusan, bobot keputusan menunjukkan kepentingan  Kriteria atau atribut dapat dibagi menjadi dua kategori, yaitu:
relatif dari setiap kriteria, W = (w1, w2, ..., wn). Pada MADM akan
Kriteria keuntungan adalah kriteria yang nilainya akan
dicari bobot kepentingan dari setiap kriteria.
dimaksimumkan, misalnya: keuntungan, IPK (untuk kasus
 Matriks keputusan, suatu matriks keputusan X yang berukuran pemilihan mahasiswa berprestasi), dll.
m x n, berisi elemen-elemen xij, yang merepresentasikan rating
Kriteria biaya adalah kriteria yang nilainya akan
dari alternatif Ai (i=1,2,...,m) terhadap kriteria Cj (j=1,2,...,n).
diminimumkan, misalnya: harga produk yang akan dibeli,
biaya produksi, dll.
23 Multi-Attribute Decision Making (MADM) 24 Multi-Attribute Decision Making (MADM)

 Pada MADM, matriks keputusan setiap alternatif
terhadap setiap atribut, X, diberikan sebagai:  Rating kinerja (X), dan nilai bobot (W) merupakan nilai
utama yang merepresentasikan preferensi absolut dari
 x 11 x 12  x 1n  pengambil keputusan.
x x 22  x 2 n   Masalah MADM diakhiri dengan proses perankingan
X   21 untuk mendapatkan alternatif terbaik yang diperoleh
     berdasarkan nilai keseluruhan preferensi yang
  diberikan (Yeh, 2002).
 x m1 x m2  x mn 
 Pada MADM, umumnya akan dicari solusi ideal.
dengan xij merupakan rating kinerja alternatif ke-i
terhadap atribut ke-j.  Pada solusi ideal akan memaksimumkan semua kriteria
 Nilai bobot yang menunjukkan tingkat kepentingan
keuntungan dan meminimumkan semua kriteria biaya.
relatif setiap atribut, diberikan sebagai, W:
W = {w1, w2, ..., wn}
4
11/13/2015
25 Multi-Attribute Decision Making (MADM) 26 Multi-Attribute Decision Making (MADM)

Masalah Ada beberapa metode yang dapat
digunakan untuk menyelesaikan masalah
MADM, antara lain:
Kriteria-1 Kriteria-2 ... Kriteria-m a. Simple Additive Weighting (SAW)
(C1) (C2) (Cm) b. Weighted Product (WP)
c. TOPSIS
d. Analytic Hierarchy Process (AHP)
Alternatif-1 Alternatif-2 ... Alternatif-n
(A1) (A2) (An)
27 Simple Additive Weighting (SAW) 28 Simple Additive Weighting (SAW)

Metode Simple Additive Weighting (SAW) Formula untuk melakukan normalisasi tersebut
sering juga dikenal istilah metode adalah sebagai berikut:
penjumlahan terbobot.
Konsep dasar metode SAW adalah mencari  x ij
 jika j adalah atribut keuntungan (benefit)
penjumlahan terbobot dari rating kinerja  Max
 i
x ij
pada setiap alternatif pada semua atribut rij  

 Min x ij
(Fishburn, 1967)(MacCrimmon, 1968).  i jika j adalah atribut biaya (cost)
 x ij
Metode SAW membutuhkan proses
normalisasi matriks keputusan (X) ke suatu
skala yang dapat diperbandingkan dengan
semua rating alternatif yang ada. 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 (V i) Contoh-1:

diberikan sebagai: Suatu institusi perguruan tinggi akan memilih
n
seorang karyawannya untuk dipromosikan
Vi   w j rij sebagai kepala unit sistem informasi.
j1 Ada empat kriteria yang digunakan untuk
melakukan penilaian, yaitu:
C1 = tes pengetahuan (wawasan) sistem informasi
Nilai Vi yang lebih besar mengindikasikan
C2 = praktek instalasi jaringan
bahwa alternatif Ai lebih terpilih.
C3 = tes kepribadian
C4 = tes pengetahuan agama
5
11/13/2015

Tabel nilai alternatif di setiap kriteria:
Pengambil keputusan memberikan bobot untuk setiap
kriteria sebagai berikut: C1 = 35%; C2 = 25%; C3 = 25%;
dan C4 = 15%. Kriteria
Alternatif
Ada enam orang karyawan yang menjadi kandidat C1 C2 C3 C4
(alternatif) untuk dipromosikan sebagai kepala unit, yaitu: Indra 70 50 80 60
A1 = Indra,
Roni 50 60 82 70
A2 = Roni,
A3 = Putri, Putri 85 55 80 75
A4 = Dani, Dani 82 70 65 85
A5 = Ratna, dan Ratna 75 75 85 74
A6 = Mira.
Mira 62 50 75 80

 Normalisasi:
Hasil normalisasi:
70 70
r11    0,82
max 70;50;85;82;75;62 85 0,82 0,67 0,94 0,71
70 50 0,59 0,80 0,96 0,82 
r21    0,59 
max 70;50;85;82;75;62 85  1 0,73 0,94 0,88 
R 
50 50 0,96 0,93 0,76 1 
r12    0,67
max50;60;55;70;75;50 75 0,88 1 1 0,87 
 
r22 
60

60
 0,80 0,73 0,67 0,88 0,94 
max50;60;55;70;75;50 75
dst

 Proses perankingan dengan menggunakan bobot yang telah  Nilai terbesar ada pada V 5 sehingga
diberikan oleh pengambil keputusan: w = [0,35 0,25 0,25 0,15]
alternatif A5 adalah alternatif yang terpilih
 Hasil yang diperoleh adalah sebagai berikut:
sebagai alternatif terbaik.
V 1  (0,35)(0,82)  (0,25)(0,67 )  (0,25)(0,94)  (0,15)(0,71)  0,796
 Dengan kata lain, Ratna akan terpilih
V 2  (0,35)(0,59)  (0,25)(0,80)  (0,25)(0,96)  (0,15)(0,82)  0,770
sebagai kepala unit sistem informasi.
V 3  (0,35)(1,00)  (0,25)(0,73)  (0,25)(0,94)  (0,15)(0,88)  0,900
V 4  (0,35)(0,96)  (0,25)(0,93)  (0,25)(0,76)  (0,15)(1,00)  0,909
V 5  (0,35)(0,88)  (0,25)(1,00)  (0,25)(1,00)  (0,15)(0,87)  0,939
V 6  (0,35)(0,73)  (0,25)(0,67)  (0,25)(0,88)  (0,15)(0,94)  0,784
6
11/13/2015
Contoh-2:  Beberapa kriteria digunakan sebagai

 Sebuah perusahaan makanan ringan XYZ bahan pertimbangan untuk mengambil
akan menginvestasikan sisa usahanya keputusan, yaitu:
dalam satu tahun.  C1 = Harga, yaitu seberapa besar harga
barang tersebut.
 Beberapa alternatif investasi telah akan
 C2 = Nilai investasi 10 tahun ke depan, yaitu
diidentifikasi. Pemilihan alternatif terbaik
seberapa besar nilai investasi barang dalam
ditujukan selain untuk keperluan investasi, jangka waktu 10 tahun ke depan.
juga dalam rangka meningkatkan kinerja
perusahaan ke depan.
 C3 = Daya dukung terhadap produktivitas  C5 = Ketersediaan atau kemudahan, merupakan

perusahaan, yaitu seberapa besar peranan ketersediaan barang di pasaran. Ketersediaan diberi
barang dalam mendukung naiknya tingkat nilai: 1 = sulit diperoleh, 2 = cukup mudah diperoleh;
produktivitas perusahaan. Daya dukung diberi dan 3 = sangat mudah diperoleh.
nilai: 1 = kurang mendukung, 2 = cukup  Dari pertama dan keempat kriteria tersebut, kriteria
mendukung; dan 3 = sangat mendukung. pertama dan keempat merupakan kriteria biaya,
 C4 = Prioritas kebutuhan, merupakan tingkat sedangkan kriteria kedua, ketiga, dan kelima merupakan
kepentingan (ke-mendesak-an) barang untuk kriteria keuntungan.
dimiliki perusahaan. Prioritas diberi nilai: 1 =  Pengambil keputusan memberikan bobot untuk setiap
sangat berprioritas, 2 = berprioritas; dan 3 = kriteria sebagai berikut: C1 = 25%; C2 = 15%; C3 = 30%; C4
cukup berprioritas. = 25; dan C5 = 5%.

 Nilai setiap alternatif pada setiap kriteria:
 Ada empat alternatif yang diberikan, yaitu:
 A1 = Membeli mobil box untuk distribusi barang ke gudang; Kriteria
 A2 = Membeli tanah untuk membangun gudang baru;
Alternatif C1 C2
 A3 = Maintenance sarana teknologi informasi; C3 C4 C5
(juta Rp) (%)
 A4 = Pengembangan produk baru.
A1 150 15 2 2 3
A2 500 200 2 3 2
A3 200 10 3 1 3
A4 350 100 3 1 2
7
11/13/2015

 Normalisasi:  Hasil normalisasi:
min 150;500;200;350 150
r11   1  1 0,08 0,67 0,50 1 
150 150 0,30 1 0,67 0,33 0,67 
r21 
15

15
 0,075
R
max 15;200;10;100 200
0,75 0,05 1 1 1 
 
2 2 0,43 0,50 1 1 0,67 
r35    0,667
max2;2;3;3 3
min{ 2;3;1;1} 1
r45    0,5
2 2
 dst
45 Simple Additive Weighting (SAW) 46 Weighted Product (WP)

 Proses perankingan dengan menggunakan bobot yang
telah diberikan oleh pengambil keputusan:
w = [0,25 0,15 0,30 0,25 0,05] Metode Weighted Product (WP) menggunakan
 Hasil yang diperoleh adalah sebagai berikut: perkalian untuk menghubungkan rating atribut,
V 1  (0,25)(1)  (0,15)(0,08)  (0,3)(0,67 )  (0,25)(0,5)  (0,05)(1)  0,638 dimana rating setiap atribut harus dipangkatkan
V 2  (0,25)(0,3)  (0,15)(1)  (0,3)(0,67 )  (0,25)(0,33)  (0,05)(0,67 )  0,542 dulu dengan bobot atribut yang bersangkutan.
V 3  (0,25)(0,75)  (0,15)(0,05)  (0,3)(1)  (0,25)(1)  (0,05)(1)  0,795 Proses ini sama halnya dengan proses normalisasi.
V 4  (0,25)(0,43)  (0,15)(0,5)  (0,3)(1)  (0,25)(1)  (0,05)(0,67 )  0,766
 Nilai terbesar ada pada V3 sehingga alternatif A3 adalah
alternatif yang terpilih sebagai alternatif terbaik. Dengan
kata lain, maintenance sarana teknologi informasi akan
terpilih sebagai solusi untuk investasi sisa usaha
47 Weighted Product (WP) 48 Weighted Product (WP)

Contoh:
Preferensi untuk alternatif Ai diberikan sebagai
berikut:  Suatu perusahaan di Sulawesi Selatan ingin
membangun sebuah gudang yang akan
n
digunakan sebagai tempat untuk menyimpan
Si   x ij
wj sementara hasil produksinya.
j1  Ada 3 lokasi yang akan menjadi alternatif,
yaitu:
dengan i=1,2,...,m; dimana wj = 1.  A1 = Maros,
wj adalah pangkat bernilai positif untuk atribut  A2 = Gowa,
keuntungan, dan bernilai negatif untuk atribut biaya.  A3 = Takalar.
8
11/13/2015
 Tingkat kepentingan setiap kriteria, juga dinilai

 Ada 5 kriteria yang dijadikan acuan dalam dengan 1 sampai 5, yaitu:
pengambilan keputusan, yaitu:  1 = Sangat rendah,
 C1 = jarak dengan pasar terdekat (km),  2 = Rendah,
 C2 = kepadatan penduduk di sekitar lokasi  3 = Cukup,
(orang/km2);  4 = Tinggi,
 C3 = jarak dari pabrik (km);  5 = Sangat Tinggi.
 C4 = jarak dengan gudang yang sudah ada (km);  Pengambil keputusan memberikan bobot preferensi
 C5 = harga tanah untuk lokasi (x1000 Rp/m2). sebagai:
W = (5, 3, 4, 4, 2)
 Nilai setiap alternatif di setiap kriteria:  Kategori setiap kriteria:

 Kriteria C2 (kepadatan penduduk di sekitar lokasi) dan C4
Kriteria (jarak dengan gudang yang sudah ada) adalah kriteria
keuntungan;
Alternatif
C1 C2 C3 C4 C5  Kriteria C1 (jarak dengan pasar terdekat), C3 (jarak dari
pabrik), dan C5 (harga tanah untuk lokasi) adalah kriteria
A1 0,75 2000 18 50 500 biaya.
A2 0,50 1500 20 40 450  Sebelumnya dilakukan perbaikan bobot terlebih

dahulu seperti sehingga w = 1, diperoleh w1 = 0,28;
A3 0,90 2050 35 35 800 w2 = 0,17; w3 = 0,22; w4 = 0,22; dan w5 = 0,11.
 Kemudian vektor S dapat dihitung  Nilai vektor V yang akan digunakan untuk perankingan
sebagai berikut: dapat dihitung sebagai berikut:
2,4187
V1   0,3669
     
S1  0,750, 28 2000 0,17 180, 22 50 0, 22 500 0,11  2,4187
2,4187  2,4270  1,7462
2,4270
     
V2   0,3682
S2  0,50, 28 1500 0,17 20 0, 22 40 0, 22 450 0,11  2,4270 2,4187  2,4270  1,7462
1,7462
V3   0,2649
S3  0,9 2050 35 35 800   1,7462
0, 28 0,17 0, 22 0, 22 0,11 2,4187  2,4270  1,7462
 Nilai terbesar ada pada V2 sehingga alternatif A2 adalah
alternatif yang terpilih sebagai alternatif terbaik.
 Dengan kata lain, Kalasan akan terpilih sebagai lokasi
untuk mendirikan gudang baru.
9
11/13/2015
55 TOPSIS 56 TOPSIS
Technique for Order Preference by Similarity to  Langkah-langkah penyelesaian masalah MADM dengan
Ideal Solution (TOPSIS) didasarkan pada konsep TOPSIS:
dimana alternatif terpilih yang terbaik tidak
hanya memiliki jarak terpendek dari solusi ideal Membuat matriks keputusan yang ternormalisasi;
positif, namun juga memiliki jarak terpanjang Membuat matriks keputusan yang ternormalisasi
dari solusi ideal negatif.
terbobot;
TOPSIS banyak digunakan dengan alasan:
 konsepnya sederhana dan mudah dipahami; Menentukan matriks solusi ideal positif & matriks solusi
ideal negatif;
 komputasinya efisien; dan
 memiliki kemampuan untuk mengukur kinerja relatif Menentukan jarak antara nilai setiap alternatif dengan
dari alternatif-alternatif keputusan dalam bentuk matriks solusi ideal positif & matriks solusi ideal negatif;
matematis yang sederhana.
Menentukan nilai preferensi untuk setiap alternatif.
57 TOPSIS 58 TOPSIS
TOPSIS membutuhkan rating kinerja setiap Solusi ideal positif A+ dan solusi ideal negatif
alternatif Ai pada setiap kriteria Cj yang A- dapat ditentukan berdasarkan rating
ternormalisasi, yaitu: bobot ternormalisasi (y ij) sebagai:
x ij y ij  w i rij
rij 
m 
A   y1 , y 2 ,, y n ; 
x
i 1
2
ij

A   y1 , y 2 ,, y n ; 
TOPSIS
59
TOPSIS 60
 Jarak antara alternatif Ai dengan solusi ideal positif

dengan dirumuskan sebagai:
max y ij ; jika j adalah atribut keuntungan

 i
 y  y ij  ;
n
y j   D i  
i
2
min y ij ; jika j adalah atribut biaya j1

 i
 Jarak antara alternatif Ai dengan solusi ideal negatif
dirumuskan sebagai:
min y ij ; jika j adalah atribut keuntungan
 i
 y  y i  ;
n
y j   D i 
2
max y ij ; jika j adalah atribut biaya j1

ij
 i
10
11/13/2015
61 TOPSIS 62 TOPSIS
Contoh:
 Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai:
 Suatu perusahaan di Sulawesi Selatan ingin
membangun sebuah gudang yang akan
digunakan sebagai tempat untuk menyimpan
D i sementara hasil produksinya.
Vi  ;  Ada 3 lokasi yang akan menjadi alternatif,
D i  D i yaitu:
 A1 = Maros,
 Nilai Vi yang lebih besar menunjukkan bahwa alternatif Ai  A2 = Gowa,
lebih dipilih
 A3 = Takalar.
63 TOPSIS 64 TOPSIS
 Tingkat kepentingan setiap kriteria, juga dinilai

 Ada 5 kriteria yang dijadikan acuan dalam dengan 1 sampai 5, yaitu:
pengambilan keputusan, yaitu:
 1 = Sangat rendah,
 C1 = jarak dengan pasar terdekat (km),
 2 = Rendah,
 C2 = kepadatan penduduk di sekitar lokasi (orang/km2);
 3 = Cukup,
 C3 = jarak dari pabrik (km);
 4 = Tinggi,
 C4 = jarak dengan gudang yang sudah ada (km);
 5 = Sangat Tinggi.
 C5 = harga tanah untuk lokasi (x1000 Rp/m2).
 Pengambil keputusan memberikan bobot preferensi
sebagai:
W = (5, 3, 4, 4, 2)
65 TOPSIS 66 TOPSIS
 Nilai setiap alternatif di setiap kriteria:

 Matriks ternormalisasi, R:
0,5888 0,6186 0,4077 0,6852 0,4784 
Kriteria R  0,3925 0,4640 0,4530 0,5482 0,4305 
Alternatif
C1 C2 C3 C4 C5 0,7066 0,6341 0,7928 0,4796 0,7654 
A1 0,75 2000 18 50 500  Matriks ternormalisasi terbobot, Y:

A2 0,50 1500 20 40 450 2,9440 1,8558 1,6309 2,7408 0,9567 
Y  1,9627 1,3919 1,8121 2,1926 0,8611 
A3 0,90 2050 35 35 800
3,5328 1,9022 3,1712 1,9185 1,5308 
11
11/13/2015
67 TOPSIS 68 TOPSIS
 Solusi Ideal Positif (A+):  Solusi Ideal Negatif (A-):
y1  max2,9440; 1,9627; 3,5328  2,9440
y  min 2,9440; 1,9627; 3,5328  1,9627

y 2  min 1,8558; 1,3919; 1,9022  1,3919

1
y 2  max1,8558; 1,3919; 1,9022  1,9022

y 3  max1,6309; 1,8121; 3,1712  3,1712
y  min 1,6309; 1,8121; 3,1712  1,6309

y 4  min 2,7408; 2,1926; 1,9185  1,9185

3
y 4  max2,7408; 2,1926; 1,9185  2,7408

y 5  max0,9567; 0,8611; 1,5308  1,5308
y 5  min 0,9567; 0,8611; 1,5308  0,8611
A   1,9627; 1,9022; 1,6309; 2,7408; 0,8611 A   2,9440; 1,3919; 3,1712; 1,9185; 1,5308
69 TOPSIS 70 TOPSIS
 Jarak antara nilai terbobot setiap alternatif  Kedekatan setiap alternatif terhadap solusi ideal dihitung
terhadap solusi ideal positif, S : sebagai berikut:
i 1,9849
V1   0,6679
0,9871  1,9849
D1  0,9871 D 2  0,7706 D 3  2,4418
2,1991
V2   0,7405
 Jarak antara nilai terbobot setiap alternatif 0,7706  2,1991
terhadap solusi ideal negatif, Si : 0,5104
V3   0,1729
2,4418  0,5104
D1  1,9849 D2   2,1991 D3  0,5104  Dari nilai V ini dapat dilihat bahwa V2 memiliki nilai
terbesar, sehingga dapat disimpulkan bahwa alternatif
kedua yang akan lebih dipilih.
 Dengan kata lain, Kalasan akan terpilih sebagai lokasi
untuk mendirikan gudang baru.
71 Analytic Hierarchy Process (AHP) 72 Analytic Hierarchy Process (AHP)
MASALAH
KRITERIA-1 KRITERIA-2 … KRITERIA-n
Permasalahan pada
KRITERIA-1,1 … KRITERIA-n,1 …
AHP
didekomposisikan ke
dalam hirarki kriteria
dan alternatif ALTERNATIF 1 ALTERNATIF 2 … ALTERNATIF m
12
11/13/2015

Saya ingin membeli HP yang
harganya relatif murah, memorinya Alterna- Harga Memori Warna Kamera Berat
besar, warnanya banyak, ukuran tif (gr)
(juta Rp) (MB) (MP)
piksel pada kamera besar, beratnya
ringan, dan bentuknya unik N70 2,3 35 256 kb 2 126
N73 3,1 42 256 kb 3,2 116

Ada 4 alternatif yang
saya bayangkan, yaitu: N80 3,7 40 256 kb 3,2 134
N70 , N73 , N80
dan N90 N90 4,7 90 16 MB 2 191


Bentuk hirarki dari informasi
yang diperoleh
Ada 3 tahap identifikasi:
TUJUAN
Tentukan tujuan: Membeli HP dengan kriteria Membeli HP
tertentu KRITERIA
Tentukan kriteria: Harga, kapasitas memori,

ukuran warna, ukuran piksel kamera, berat, dan
Harga Memori Warna Kamera Berat Keunikan
keunikan,
N70 N70 N70 N70 N70 N70
Tentukan alternatif: N70, N73, N80, dan N90,
N73 N73 N73 N73 N73 N73
N80 N80 N80 N80 N80 N80
N90 N90 N90 N90 N90 N90
ALTERNATIF

Informasi tersebut dapat
digunakan untuk menentukan
ranking relatif dari setiap atribut
Harga
Memori
Kriteria kuantitatif & kualitatif
dapat digunakan untuk Warna
mempertimbangkan bobot Kamera
Berat
13
11/13/2015
Saya lebih mengutamakan kemurahan

harga, kemudian keunikan bentuk & berat Dengan
HP, sedangkan kriteria lain merupakan menggunakan
prioritas terakhir perbandingan
berpasangan, dapat
diketahui derajat
kepentingan relatif
antar kriteria
Matriks perbandingan
berpasangan adalah 9 : mutlak lebih penting (extreme)
matriks berukuran n x n
dengan elemen aij
merupakan nilai relatif 7 : sangat lebih penting (very)
tujuan ke-i terhadap
tujuan ke-j 5 : lebih penting (strong)
3 : cukup penting (moderate)
1 : sama penting (equal)


Saya lebih mengutamakan kemurahan harga, kemudian
keunikan bentuk & berat HP, sedangkan kriteria lain
merupakan prioritas terakhir
H MW K B U
H  1 5 5 5 3 3 
M 1 / 5 1 1 1 1 / 3 1 / 3 Konsep EIGENVECTOR
 digunakan untuk melakukan
W 1 / 5 1 1 1 1 / 3 1 / 3 proses perankingan prioritas
  setiap kriteria berdasarkan
K 1 / 5 1 1 1 1 / 3 1 / 3 matriks perbandingan
B 1 / 3 3 3 3 1 1  berpasangan (Saaty)
 
U 1 / 3 1 
3 3 3 1
14
11/13/2015

 Apabila A adalah matriks perbandingan berpasangan yang, maka vektor bobot  Uji konsistensi: Misalkan A adalah matriks perbandingan
yang berbentuk: berpasangan, dan w adalah vektor bobot, maka konsistensi
T
(A)( w )  (n )( w )
T
dari vektor bobot w dapat diuji sebagi berikut:
dapat didekati dengan cara:  hitung: (A)(w T)
 menormalkan setiap kolom j dalam matriks A, sedemikian hingga:
1 n  elemen ke - i pada (A)(w T ) 
a ij 1 t 
n i 1  elemen ke - i pada w T 

i
sebut sebagai A’.  hitung: indeks konsistensi:
 untuk setiap baris i dalam A’, hitunglah nilai rata-ratanya:
1 tn
w i   a ij' CI 
n j n 1
dengan w i adalah bobot tujuan ke-i dari vektor bobot.

jika CI=0 maka A konsisten;
H M W K B U
jika CI
 0,1 maka A cukup konsisten; dan
RI n H  1 5 5 5 3  3
M 1 / 5 1 1 1 1 / 3 1 / 3

CI W 1 / 5 1 1 1 1 / 3 1 / 3
jika  0,1 maka A sangat tidak konsisten.
RI n K  
B 1 / 5 1 1 1 1 / 3 1 / 3
1 / 3 3 3 3 1 1   1 5 5 5 3 3 
U    0,2 0,33 0,33
Indeks random RI n adalah nilai rata-rata CI yang 1 / 3 3 3 3 1 1 
 1 1 1
dipilih secara acak pada A dan diberikan  0,2 1 1 1 0,33 0,33
 
sebagai:  0,2 1 1 1 0,33 0,33
n 2 3 4 5 6 7 ... 0,33 0,33 0,33 0,33 1 1 
 
RIn 0 0,58 0,90 1,12 1,24 1,32 ... 0,33 0,33 0,33 0,33 1 1 

 1 5 5 5 3 3  0,4412 0,3571 0,3571 0,3571 0,5000 0,5000
 0,2 1 1 1 0,33 0,33 0,0882 0,0714 0,0714 0,0714 0,0556 0,0556
 
 0,2 1 1 1 0,33 0,33 0,0882 0,0714 0,0714 0,0714 0,0556 0,0556
  0,0882 0,0714 0,0714 0,0714 0,0556 0,0556
 0,2 1 1 1 0,33 0,33 0,1471 0,2143 0,2143 0,2143 0,1667 0,1667
0,33 3 3 3 1 1  0,1471 0,2143 0,2143 0,2143 0,1667 0,1667
 

0,33 3 3 3 1 1  1 1 1 1 1 1
2,26 14 14 14 6 6 Rata2
0,4412 0,3571 0,3571 0,3571 0,5000 0,5000 0,4188
0,0882 0,0714 0,0714 0,0714 0,0556 0,0556 0,0689
0,0882 0,0714 0,0714 0,0714 0,0556 0,0556 0,0689
 1 / 2,26 5 / 14 5 / 14 5 / 14 3/ 6 3/ 6 
 0,2 / 2,26 0,0689
0,33 / 6 0,33 / 6
0,0882 0,0714 0,0714 0,0714 0,0556 0,0556
 1 / 14 1 / 14 1 / 14 0,1872
0,1471 0,2143 0,2143 0,2143 0,1667 0,1667
 0,2 / 2,26 1 / 14 1 / 14 1 / 14 0,33 / 6 0,33 / 6 0,1471 0,2143 0,2143 0,2143 0,1667 0,1667 0,1872
 
 0,2 / 2,26 1 / 14 1 / 14 1 / 14 0,33 / 6 0,33 / 6 1 1 1 1 1 1 1
0,33 / 2,26 0,33 / 14 0,33 / 14 0,33 / 14 1/ 6 1/ 6 

spk/nts/fti/uajm
 11/13/2015 spk/nts/fti/uajm
W = (0,4188; 0,0689; 0,0689; 0,0689; 0,1872; 0,1872)
11/13/2015
0,33 / 2,26 0,33 / 14 0,33 / 14 0,33 / 14 1/ 6 1 / 6 
15
11/13/2015

1 5 5 5 3 3 0,4188 2,5761
0,2 1 1 1 0,33 0,33 0,0689 0,4154 Untuk n=6, diperoleh RI6 = 1,24, sehingga:
0,2 1 1 1 0,33 0,33 0,0689 0,4154
= CI 0,0116
0,2 1 1 1 0,33 0,33 0,0689 0,4154   0,0093  0,1
RI6 1,24
0,33 3 3 3 1 1 0,1872 1,1345
0,33 3 3 3 1 1 0,1872 1,1345
1  2,5761 0,4154 0,4154 0,4154 1,1345 1,1345  KONSISTEN !!!

t         6,0579
6  0,4188 0,0689 0,0689 0,0689 0,1872 0,1872 
6,0579  6
CI   0,0116
5

yang diperoleh
TUJUAN Matriks perbandingan berpasangan untuk harga
Membeli HP
diperoleh dari data harga setiap HP
KRITERIA
Harga Memori Warna Kamera Berat Keunikan

(0,4188) (0,0689) (0,0689) (0,0689) (0,1872) (0,1872) N70 N73 N80 N90
N70 N70 N70 N70 N70 N70 N70  1 3,1 / 2,3 3,7 / 2,3 4,7 / 2,3
N73  2,3 / 3,1 3,7 / 3,1 4,7 / 3,1 
N73 N73 N73 N73 N73 N73
 1
N80 N80 N80 N80 N80 N80
N90
N80  2,3 / 3,7 3,1 / 3,7 1 4,7 / 3,7 
N90 N90 N90 N90 N90
 
N90 2,3 / 4,7 3,1 / 4,7 3,7 / 4,7 1 
ALTERNATIF

0,3505 0,3505 0,3505 0,3505
0,2601 0,2601 0,2601 0,2601 Atau …
0,2179 0,2179 0,2179 0,2179
0,1715 0,1715 0,1715 0,1715
1 1 1 1
Rata2 MinHarga = min(2,3; 3,1; 3,7; 4,7) = 2,3

0,3505 0,3505 0,3505 0,3505 0,3505
0,2601
0,2601 0,2601 0,2601 0,2601
0,2179
• N70 = 2,3/2,3 = 1
0,2179 0,2179 0,2179 0,2179
0,1715 0,1715 0,1715 0,1715 0,1715 • N73 = 2,3/3,1 = 0,74
1 1 1 1
• N80 = 2,3/3,7 = 0,62
• N90 = 2,3/4,7 = 0,49
spk/nts/fti/uajmW = (0,3505; 0,2601; 0,2179; 0,1715) 11/13/2015 spk/nts/fti/uajm 11/13/2015
16
11/13/2015
Normalkan … Matriks perbandingan berpasangan untuk memori

diperoleh dari data memori setiap HP
Total = 1 + 0,74 + 0,62 + 0,49 = 2,85 N70 N73 N80 N90

N70  1 35 / 42 35 / 40 35 / 90 
• N70 = 1/2,85 = 0,350
N73 42 / 35 1 42 / 40 42 / 90 
• N73 = 0,74/2,85 = 0,260 
N80 40 / 35 40 / 42 1 40 / 90 
• N80 = 0,62/2,85 = 0,218  
N90 90 / 35 90 / 42 90 / 40 1 
• N90 = 0,49/2,85 = 0,172
W = (0,1691; 0,2029; 0,1932; 0,4348)
spk/nts/fti/uajm W = (0,350; 0,260; 0,218; 0,172) 11/13/2015 spk/nts/fti/uajm 11/13/2015

Atau …
Matriks perbandingan berpasangan untuk warna

diperoleh dari data warna setiap HP
TotWarna = 256 + 256 + 256 + (16x1024)

= 17152
N70 N73 N80 N90 • N70 = 256/17152 = 0,015
N70
N73


1
1
1
1
1
1
256 /(16 *1026 ) 
256 /(16 *1024 ) 
• N73 = 256/17152 = 0,015

N80  256 /(16 *1024 ) 
N90 
1 1 1
 • N80 = 256/17152 = 0,015
(16 *1024 ) / 256 (16 *1024 ) / 256 (16 *1024 ) / 256 (16 *1024 ) / 256 
• N90 = (16x1024)/17152 = 0,955

W = (0,0149; 0,0149; 0,0149; 0,9552)
spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm W = (0,015; 0,015; 0,015; 0,955) 11/13/2015
Matriks perbandingan berpasangan untuk kamera Atau …
diperoleh dari data kamera setiap HP
TotKamera = 2 + 3,2 + 3,2 + 2 = 10,4

N70 N73 N80 N90
N70  1 2 / 3,2 2 / 3,2 1  • N70 = 2/10,4 = 0,192
N73 3,2 / 2 1 1 3,2 / 2 • N73 = 3,2/10,4 = 0,308

N80 3,2 / 2 1 1 3,2 / 2 • N80 = 3,2/10,4 = 0,308
 
N90  1 2 / 3,2 2 / 3,2 1  • N90 = 2/10,4 = 0,192
W = (0,1932; 0,3077; 0,3077; 0,1932)

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm W = (0,192; 0,308; 0,308; 0,192) 11/13/2015
17
11/13/2015
Atau …
Matriks perbandingan berpasangan untuk berat
diperoleh dari data berat setiap HP
N70 N73 N80 N90 MinBerat = min(1,26; 1,16; 1,34; 1,91) = 1,16
N70  1 1,16 / 1,26 1,34 / 1,26 1,91 / 1,26
N73 1,26 / 1,16 1 1,34 / 1,16 1,91 / 1,16  • N70 = 1,26/1,16 = 0,92

N80 1,26 / 1,34 1,16 / 1,34 1 1,91 / 1,34  • N73 = 1,16/1,26 = 1
 
N90 1,26 / 1,91 1,16 / 1,91 1,34 / 1,91 1  • N80 = 1,16/1,34 = 0,87
• N90 = 1,16/1,91 = 0,61
W = (0,2713; 0,2947; 0,2551; 0,1790)
Normalkan …
Matriks perbandingan berpasangan untuk

keunikan diperoleh secara subyektif dari
persepsi user
TotBerat = 1 + 0,92 + 0,87 + 0,61 = 3,4
• N70 = 1/3,4 = 0,294

N90 lebih unik dibanding N80
• N73 = 0,92/3,4 = 0,271 N80 lebih unik dibanding N73
N73 lebih unik dibanding N70
• N80 = 0,87/3,4 = 0,256
• N90 = 0,61/3,4 = 0,179
spk/nts/fti/uajm
W = (0,271; 0,294; 0,256; 0,179) 11/13/2015 spk/nts/fti/uajm 11/13/2015
yang diperoleh
Matriks perbandingan berpasangan untuk keunikan diperoleh
secara subyektif dari persepsi user
Membeli HP
N70 N73 N80 N90

N70 1 1/ 2 1/ 3 1 / 5 Harga Memori Warna Kamera Berat Keunikan
N73  2 1 1/ 2 1 / 3 (0,4188) (0,0689) (0,0689) (0,0689) (0,1872) (0,1872)
N80
  N70 N70 N70 N70 N70 N70
3 2 1 1 / 3 (0,3505) (0,1691) (0,0149) (0,1932) (0,2713) (0,0860)
N90   N73 N73 N73 N73 N73 N73
5 3 3  (0,2601) (0,2029) (0,0149) (0,3077) (0,2947) (0,1544)
N80
N80 N80 N80 N80 N80
(0,2179) (0,1932) (0,0149) (0,3077) (0,2551) (0,2415)
W = (0,0860; 0,1544; 0,2415; 0,5181) N90spk/nts/fti/uajm N90 N90 N90 N90 N90
spk/nts/fti/uajm 11/13/2015 11/13/2015
(0,1715) (0,4348) (0,9552) (0,1932) (0,1790) (0,5181)
18
11/13/2015
Perankingan: Misalkan ada n tujuan dan m
alternatif pada AHP, maka proses perankingan 0,3505 0,1691 0,0149 0,1923 0,2713 0,0860 0,4188 0,2396
0,2601 0,2029 0,0149 0,3077 0,2947 0,1544 0,0689 0,2292
alternatif dapat dilakukan melalui langkah-langkah 0,2179 0,1932 0,0149 0,3077 0,2551 0,2415 0,0689
=
0,2198
berikut: 0,1715 0,4348 0,9552 0,1923 0,1790 0,5181 0,0689 0,3114
0,1872
 Untuk setiap tujuan i, tetapkan matriks perbandingan 0,1872
berpasangan A, untuk m alternatif. N70 = 0,2396
 Tentukan vektor bobot untuk setiap Ai yang N73 = 0,2292
merepresentasikan bobot relatif dari setiap alternatif
ke-j pada tujuan ke-i (sij ). N80 = 0,2198
 Hitung total skor:
N90 = 0,3114
s j   (s ij )( w i )
 Pilih alternatif dengan skor tertinggi.
i
19

05 Metode Optimasi1

Diunggah oleh

Hak Cipta:

Format Tersedia

Anda mungkin juga menyukai

05 Metode Optimasi1

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

05 Metode Optimasi1

Diunggah oleh

Hak Cipta:

Format Tersedia

11/13/2015

Mahasiswa dapat memahami dan mampu

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015

3 Pokok Bahasan 4 Fokus Masalah

5 Fokus Masalah 6 Tabel Keputusan

7 Tabel Keputusan 8 Tabel Keputusan

Tabel Keputusan Tabel Keputusan

E3 Nilai matakuliah algoritma pemrograman = A 2 Y Y Komputasi & Sist. Cerdas

11 Tabel Keputusan 12 Tabel Keputusan

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015

15 Pohon Keputusan 16 Pohon Keputusan

Cukup Produktif 3 atau 4 1 Tidak C3 Produktif

Kurang Produktif 1 atau 2 Tidak Tidak 1 0

dipertimbangkan dipertimbangkan Sangat Tidak

19 Multi-Attribute Decision Making 20 Multi-Attribute Decision Making

21 Multi-Attribute Decision Making 22 Multi-Attribute Decision Making (MADM)

23 Multi-Attribute Decision Making (MADM) 24 Multi-Attribute Decision Making (MADM)

25 Multi-Attribute Decision Making (MADM) 26 Multi-Attribute Decision Making (MADM)

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015

27 Simple Additive Weighting (SAW) 28 Simple Additive Weighting (SAW)

pada setiap alternatif pada semua atribut rij  

29 Simple Additive Weighting (SAW) 30 Simple Additive Weighting (SAW)

Nilai preferensi untuk setiap alternatif (V i) Contoh-1:

31 Simple Additive Weighting (SAW) 32 Simple Additive Weighting (SAW)

33 Simple Additive Weighting (SAW) 34 Simple Additive Weighting (SAW)

35 Simple Additive Weighting (SAW) 36 Simple Additive Weighting (SAW)

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015

37 Simple Additive Weighting (SAW) 38 Simple Additive Weighting (SAW)

Contoh-2:  Beberapa kriteria digunakan sebagai

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015

39 Simple Additive Weighting (SAW) 40 Simple Additive Weighting (SAW)

 C3 = Daya dukung terhadap produktivitas  C5 = Ketersediaan atau kemudahan, merupakan

41 Simple Additive Weighting (SAW) 42 Simple Additive Weighting (SAW)

43 Simple Additive Weighting (SAW) 44 Simple Additive Weighting (SAW)

45 Simple Additive Weighting (SAW) 46 Weighted Product (WP)

47 Weighted Product (WP) 48 Weighted Product (WP)

wj adalah pangkat bernilai positif untuk atribut  A2 = Gowa,

keuntungan, dan bernilai negatif untuk atribut biaya.  A3 = Takalar.

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015

49 Weighted Product (WP) 50 Weighted Product (WP)

 Tingkat kepentingan setiap kriteria, juga dinilai

51 Weighted Product (WP) 52 Weighted Product (WP)

 Nilai setiap alternatif di setiap kriteria:  Kategori setiap kriteria:

A2 0,50 1500 20 40 450  Sebelumnya dilakukan perbaikan bobot terlebih

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015

53 Weighted Product (WP) 54 Weighted Product (WP)

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015

 Jarak antara alternatif Ai dengan solusi ideal positif

max y ij ; jika j adalah atribut keuntungan

min y ij ; jika j adalah atribut biaya j1

max y ij ; jika j adalah atribut biaya j1

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015

 Tingkat kepentingan setiap kriteria, juga dinilai

 Nilai setiap alternatif di setiap kriteria:

A1 0,75 2000 18 50 500  Matriks ternormalisasi terbobot, Y:

spk/nts/fti/uajm 11/13/2015 spk/nts/fti/uajm 11/13/2015

y 2  min 1,8558; 1,3919; 1,9022  1,3919

y 2  max1,8558; 1,3919; 1,9022  1,9022

y 4  min 2,7408; 2,1926; 1,9185  1,9185