Anda di halaman 1dari 6

Buletin Ilmiah Math. Stat.

dan Terapannya (Bimaster)


Volume 07, No. 4 (2018), Hal 277-282.

REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN METODE SIMPLE


ADDITIVE WEIGHTING

Novi Sri Wulandari, Shantika Martha, Hendra Perdana

INTISARI

Metode Simple Additive Weighting (SAW) merupakan metode yang digunakan untuk mencari penjumlahan
terbobot dari rating alternatif setiap kriteria. Metode tersebut merupakan salah satu dari Fuzzy Multi
Attribute Decision Making (FMADM). Data yang digunakan dalam penelitian ini adalah data primer yaitu
data yang diperoleh dari brosur-brosur yang ada di toko komputer dan diambil sebanyak 72 data laptop
merek Acer dan 80 data laptop merek Asus. Kriteria-kriteria dan bobot yang digunakan dalam rekomendasi
pemilihan laptop antara lain harga laptop dengan bobot murah, ukuran layar dengan bobot kecil, kapasitas
RAM dengan bobot sedang, HDD dengan bobot sedang dan prosesor dengan bobot besar. Hasil perhitungan
dengan menggunakan metode SAW menunjukkan pemilihan laptop dari 72 data laptop merek Acer yang
direkomendasikan adalah tipe ES1-132-C72S/C4BM/C44T dengan harga Rp 3.200.000,00 dan dari 80 data
brosur laptop merek Asus yang direkomendasikan adalah tipe X441NA dengan harga Rp 3.799.000,00.

Kata Kunci: Logika Fuzzy, Fuzzy MADM, Metode SAW.

PENDAHULUAN
Laptop merupakan salah satu teknologi yang menjadi suatu kebutuhan dalam kegiatan sehari-hari
untuk memudahkan pekerjaan. Setiap orang sering dihadapi pada suatu keadaan dimana setiap orang
harus memutuskan untuk memilih satu dari beberapa pilihan yang ada, banyaknya pilihan yang
tersedia di pasaran tentunya membuat bingung dan kesulitan dalam menentukan pilihan yang sesuai
dengan kebutuhan. Suatu masalah dalam kehidupan dapat diselesaikan dengan berbagai cara yang
memberikan pemecahan masalah secara langsung atau memberikan beberapa solusi alternatif untuk
pemecahan masalah, oleh karena itu dibutuhkan suatu metode dalam merekomendasikan pemilihan
laptop. Salah satu metode yang dapat digunakan untuk melakukan rekomendasi pemilihan laptop
adalah dengan metode SAW.
Metode SAW merupakan salah satu metode yang ada didalam FMADM selain dari Weighted
Product (WP), ELECTRE, Technoque for Order Preference by Similarity to Ideal Solution (TOPSIS),
Analytic Hierarchy Process (AHP). FMADM adalah suatu penyelesaian masalah yang digunakan
untuk mencari alternatif dengan kriteria tertentu, dimana setiap kriteria tidak saling bergantungan satu
dengan yang lainnya lalu menentukan nilai bobot untuk setiap kriteria. kemudian dilanjutkan dengan
proses perangkingan untuk menyeleksi alternatif yang sudah diberikan untuk mendapat alternatif
terbaik[1].
Pada FMADM terdapat beberapa fitur umum yang digunakan seperti alternatif, atribut dan bobot.
Dimana alternatif adalah objek-objek yang berbeda dan memiliki kesempatan yang sama untuk dipilih
oleh pengambil keputusan, atribut atau kriteria dari objek atau solusi yang akan dinilai sesuai
kebutuhan dan bobot keputusan yang menunjukkan kepentingan relatif dari setiap, pada FMADM
bobot dicari berdasarkan kepentingan dari setiap kriteria[1].
Penelitian ini bertujuan untuk membantu memudahkan dalam pemilihan laptop sesuai dengan
kebutuhan dengan melihat kriteria-kriteria dan menerapkan metode SAW untuk membantu
memberikan alternatif terbaik dalam pemilihan laptop. Kriteria yang digunakan biasanya berupa
ukuran-ukuran yang diperoleh dari nilai keanggotaan fuzzy, aturan-aturan atau standar yang digunakan
dalam pengambilan keputusan.

277
278 N. S. WULANDARI, S. MARTHA, H. PERDANA

METODE SIMPLE ADDITIVE WEIGHTING


Metode SAW sering juga dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar
metode SAW adalah menghitung penjumlahan terbobot dari rating kinerja pada setiap alternatif pada
semua atribut. Metode SAW dapat diselesaikan dengan cara mencari nilai keanggotaan, rating
kecocokan, menentukan bobot, normalisasi dan perangkingan. Nilai keanggotaan diperoleh
berdasarkan suatu kurva yang menunjukkan pemetaan nilai-nilai input kedalam nilai keanggotaannya
yang memiliki interval [0,1] kemudian dibuat rating kecocokannya. Pembobotan adalah proses
menyeleksi sekumpulan alternatif atau kriteria yang didasarkan atas beberapa atribut[1].
Metode SAW membutuhkan proses normalisasi keputusan (x) ke suatu skala yang dapat di
bandingkan dengan semua rating alternatif yang ada. Langkah-langkah metode SAW adalah sebagai
berikut:
1. Menentukan alternatif ( ) atau kriteria-kriteria ( ) dalam metode SAW.
2. Nilai keanggotaan berdasarkan suatu kurva yang menunjukkan pemetaan nilai-nilai input
kedalam nilai keanggotaannya yang memiliki interval [0,1] kemudian dibuat rating
kecocokannya. Salah satu cara yang dapat digunakan untuk mendapat nilai keanggotaan adalah
dengan melalui pendekatan fungsi yang bisa digunakan yaitu kurva representasi linear dan
kurva representasi segitiga[2].
Kurva representasi linear naik mengalami kenaikan dari domain yang memiliki derajat
keanggotaan 0 bergerak kekanan menuju ke nilai domain yang memiliki derajat keanggotaan 1.
Kurva representasi linear naik dapat dilihat pada Gambar 1.
1
Nilai
Keanggotaan
( )

0 a Domain(x) b
Gambar 1. Kurva Representasi Linear Naik
Fungsi keanggotaan dari kurva representasi linear naik ditunjukkan pada persamaan berikut
 0 ; x  a
x  a (1)
 (x)   ; a  x  b
b  a
 1 ; x  b
Kurva representasi linear turun merupakan kebalikan dari kurva representasi naik, garis lurus
kurva representasi linear turun dimulai dari nilai domain dengan nilai keanggotaan 1 pada sisi
kiri, kemudian bergerak menurun kenilai domain yang memiliki nilai keanggotaan lebih
rendah. Kurva representasi linear turun dapat dilihat pada Gambar 2.
1
Nilai
Keanggotaan
( )
0 a Domain(x) b
Gambar 2. Kurva Representasi Linear Turun
Fungsi keanggotaan dari kurva representasi linear turun ditunjukkan pada persamaan berikut.
 1 ; xa
b  x (2)
 ( x)   ; a xb
b a
 0 ; xb
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti terlihat
pada Gambar 3.
Rekomendasi Pemilihan Laptop … . 279

1
Nilai
Keanggotaan
( )
Domain (x)
0 a b c
Gambar 3. Kurva Representasi Segitiga
Fungsi keanggotaan dari kurva representasi segitiga ditunjukkan pada persamaan berikut.

 0 ; x a atau x c
 x  a (3)
 (x)   ; a xb
b  a
c  x
; b x c
 c  b
3. Menentukan rating kecocokan didapat dari nilai setiap alternatif ( ) pada setiap kriteria ( )
yang telah dicari pada nilai keanggotaan dengan pendekatan fungsi kurva representasi linear dan
kurva representasi segitiga.
4. Menghitung normalisasi untuk membandingkan rating kecocokan yang didapat dari nilai
keanggotaan pada setiap kriteria, dengan menggunakan rumus yang ditunjukkan pada
Persamaan 4 sebagai berikut:
 x ij
 , jika j adalah atribut keuntungan ( benefit )
 Max i ( x ij )
rij   (4)
Min i ( x ij )
 , jika j adalah atribut biaya (cos t )
 x ij
: Nilai rating kinerja ternormalisasi
: Nilai atribut yang dimiliki dari setiap kriteria
Max i x ij : Nilai terbesar dari setiap kriteria
Mini x ij : Nilai terkecil dari setiap kriteria

Benefit : Jika nilai terbesar adalah terbaik


Cost : Jika nilai terkecil adalah terbaik
5. Menentukan nilai bobot (W) dari masing-masing kriteria berdasarkan nilai bobot yang telah
diberikan penulis.
W  ( w1 , w2 , w3 ,..., w j ) dengan j  1, 2 ,..., n (5)
6. Proses perankingan dilakukan dengan cara mengalikan matriks normalisasi dengan nilai bobot.
Hasil perkalian tersebut dijumlahkan sehingga di dapat nilai yang lebih besar yang
mengindikasikan bahwa alternatif lebih terpilih dengan menggunakan rumus yang ditunjukkan
pada Persamaan 6 sebagai berikut[1].
n
V i
  j 1 w r j ij

 wr 1 11
 w r 2 12
 w r 3 13
 w r
4 14
 w r
5 15
 ...  w r
n mn (6)
Keterangan : Rangking untuk setiap alternatif ke-i
: Nilai bobot dari setiap kriteria ke-j
: Nilai rating kinerja ternormalisasi
280 N. S. WULANDARI, S. MARTHA, H. PERDANA

HASIL DAN PEMBAHASAN


Data pada penelitian ini menggunakan data primer yang diperoleh langsung dari toko-toko laptop
yang ada di Pontianak. Data tersebut merupakan brosur-brosur laptop dan diperoleh sebanyak 152 data
yang terdiri dari 72 data merek Acer dan 80 data merek Asus, dari brosur laptop pada bulan Oktober
tahun 2017. Langkah awal dalam penelitian ini adalah dengan menentukan kriteria-kriteria yang
dijadikan sebagai pemilihan laptop. Kriteria yang digunakan dalam rekomendasi pemilihan laptop ada
lima kriteria yaitu harga laptop ( c 1 ) dengan kategori “murah”, “normal” dan “mahal”, ukuran layar
(c2 ) dengan kategori “kecil” dan “besar”, Random Access Memory (RAM) ( c 3 ) dengan kategori
“kecil”, “sedang” dan “besar”, Hard Disk Drive (HDD) ( c 4 ) dengan kategori kecil”, “sedang” dan
“besar” dan prosesor ( c 5 ) dengan kategori “kecil” dan “besar”.
Nilai keanggotaan dari masing-masing kriteria diperoleh berdasarkan fungsi keanggotaan yang bisa
digunakan yaitu kurva representasi linear naik dan turun dan kurva representasi segitiga. Pada kriteria
harga laptop dengan kategori “murah” menggunakan Persamaan 2, kategori “normal” menggunakan
Persamaan 3 dan kategori “mahal” menggunakan Persamaan 1 dengan fungsi keanggotaan sebagai
berikut:
 1 ; x  3 . 000 . 000 , 00
 10 . 000 . 000 , 00  x
 (x)   ; 3 . 000 . 000 , 00  x  10 . 000 . 000 , 00
 7 . 000 . 000 , 00
MURAH

 0 ; x  10 . 000 . 000 , 00
 0 ; x  10 . 000 . 000 , 00
 x  10 . 000 . 000 , 00
 (x)   ; 10 . 000 . 000 , 00  x  20 . 000 . 000 , 00
 10 . 000 . 000 , 00
MAHAL

 1 ; x  20 . 000 . 000 , 00

 0 ; x  3 .000 .000 ,00 atau x  20 .000 .000 ,00

 x  3 .000 .000 ,00
 ( x)   ; 3 .000 .000 ,00  x  10 .000 .000 ,00
 7 .000 .000 ,00
NORMAL

 20 .000 .000 ,00  x ; 10 .000 .000 ,00  x  20 .000 .000 ,00


 10 . 000 .000 ,00
Pada kriteria ukuran layar dengan kategori “kecil” menggunakan Persamaan 2 dan kategori “besar”
menggunakan Persamaan 1 dengan fungsi keanggotaan sebagai berikut:
 1 ; x  10
 20  x
 (x)   ; 10  x  20
 10
KECIL

 0 ; x  20
 0 ; x  20
 x  10
 (x)   ; 10  x  20
 10
BESAR

 1 ; x  10
Pada kriteria RAM dengan kategori “kecil” menggunakan Persamaan 2, kategori “sedang”
menggunakan Persamaan 3 dan kategori “besar” menggunakan Persamaan 1 dengan fungsi
keanggotaan sebagai berikut:
 0 ; x  4
x  4
 (x)   ; 4  x 8
 4
BESAR

 1 ; x  8
 1 ; x  2
4  x
 KECIL
(x)  
2
; 2 x  4

 0 ; x  4
Rekomendasi Pemilihan Laptop …. 281


 0 ; x2 atau x8
 x  4
 ( x)   ; 2 x4
 2
SEDANG

8  x ; 4 x8
 4
Pada kriteria HDD dengan kategori “kecil” menggunakan Persamaan 2, kategori “sedang”
menggunakan Persamaan 3 dan kategori “besar” menggunakan Persamaan 1 dengan fungsi
keanggotaan sebagai berikut:
 1 ; x  100
 600  x
 (x)   ; 100  x  600
 500
KECIL

 0 ; x  600
 0 ; x  600
 x  600
 (x)   ; 600  x  1200
 600
BESAR

 1 ; x  1200

 0 ; x  100 atau x  1200
 x  100
 (x)   ; 100  x  600
 500
SEDANG

 1200  x ; 600  x  1200


 600
Pada kriteria HDD dengan kategori “kecil” menggunakan Persamaan 2, kategori “sedang”
menggunakan Persamaan 3 dan kategori “besar” menggunakan Persamaan 1 dengan fungsi
keanggotaan sebagai berikut:
 1 ; x 2
4  x
 KECIL
(x)  
2
; 2 x  4

 0 ; x 4

 0 ; x  2 atau x8
x 2
 SEDANG ( x)   2 ; 2 x4

8  x ; 4 x8
 4
 0 ; x  4
x  4
 BESAR ( x )   ; 4  x 8
 4
 1 ; x 8
Hasil dari nilai keanggotaan yang telah ditentukan berdasarkan fungsi keanggotaan kemudian
dibuat rating kecocokan berdasarkan matriks A adalah rating kecocokan untuk merek laptop Acer
dengan 72 data laptop dan matriks B adalah rating kecocokan untuk merek laptop Asus dengan 80 data
laptop.
0,97 0,84 1 0,80 0,80 0,81 0,99 1 0,95 0,92
0,90 0,84 1 0,80 0,80 0,96 0,84 1 0,80 0,75
A72;5   B80;5  
             
   
0,84 0,99 1 0,86 0,92 0,61 0,56 1 1 0,60

Untuk matrik A dan matrik B dilakukanlah normalisasi matrik dengan menggunakan rumus pada
Persamaan 4, maka diperolehlah hasil normalisasi yang ditunjukkan dalam matrik berikut.
282 N. S. WULANDARI, S. MARTHA, H. PERDANA

0,52 0,85 1 0,85 0,80 0,63 1 1 0,95 0,92


0,58 0,85 1 0,85 0,80 0,53 0,85 1 0,80 0,75
C72;5   D80;5 
             
   
0,62 1 1 0,91 0,92 0,84 0,57 1 1 0,60
Berdasarkan hasil yang ditunjukkan dalam matrik C dan matrik D, maka dilanjutkan dengan
proses perangkingan yang merupakan langkah terakhir untuk mengetahui laptop mana yang di jadikan
rekomendasi sebagai pemilihan laptop. Untuk proses perhitungan perangkingan dengan menggunakan
Persamaan 6 dengan masing-masing bobot yang diberikan yaitu bobot harga laptop diberi bobot
murah dengan nilai 0,33, ukuran layar diberi bobot kecil dengan nilai 0,33, kapasitas RAM diberi
bobot sedang dengan nilai 0,66, HDD diberi bobot sedang dengan nilai 0,66 dan prosesor diberi bobot
besar dengan nilai 1, diperoleh w  ( 0,33, 0,33, 0,66 , 0,66 , 1) .
Perhitungan untuk perangkingan merek Acer
V 1  ( 0 , 54 )( 0 , 33 )  ( 0 ,85 )( 0 , 33 )  (1)( 0 , 66 )  ( 0 ,85 )( 0 , 66 )  ( 0 ,8 )( 1)  3 , 48
V 2  ( 0 , 58 )( 0 , 33 )  ( 0 ,85 )( 0 , 33 )  (1)( 0 , 66 )  ( 0 ,85 )(( 0 , 66 )  ( 0 ,8 )(1)  2 , 49

V 72  ( 0 , 62 )( 0 , 33 )  (1 )( 0 , 33 )  (1)( 0 , 66 )  ( 0 , 91 )( 0 , 66 )  ( 0 , 92 )( 1 )  2 , 72
Perhitungan untuk perangkingan merek Asus
V 1  ( 0 , 63 )( 0 , 33 )  (1)( 0 , 33 )  (1)( 0 , 66 )  ( 0 ,95 )( 0 , 66 )  ( 0 , 92 )(1)  2 , 74
V 2  ( 0 , 53 )( 0 , 33 )  ( 0 ,85 )( 0 ,33 )  (1)( 0 , 66 )  ( 0 ,8 )(( 0 , 66 )  ( 0 , 75 )(1)  2 ,39

V 80  ( 0 ,84 )( 0 , 33 )  ( 0 , 57 )( 0 , 33 )  (1 )( 0 , 66 )  (1 )( 0 , 66 )  ( 0 , 6 )( 1 )  2 , 38
Hasil perhitungan merek Acer diperoleh dengan nilai perhitungan tertinggi yaitu 3,48 sedangkan
hasil perhitungan merek Asus diperoleh dengan nilai perhitungan tertinggi yaitu 3,09.

KESIMPULAN
Berdasarkan hasil analisis diperoleh bahwa rekomendasi pemilihan laptop menggunakan FMADM
metode SAW dapat diterapkan dalam mencari alternatif laptop terbaik. Laptop merek Acer dengan
tipe ES1-132- C72S/C4BM/C44T harga Rp 3.200.000,00 dengan bobot murah, ukuran layar 11.6”
dengan bobot kecil, kapasitas RAM DDR3 2GB dengan bobot kecil, HDD 500 GB dengan bobot
sedang, prosesor Intel Celeron N3350 2.4 Ghz dengan bobot kecil yang dapat dibeli di toko klinik
kanan komputer Jl. Hijas No.22. Sedangkan laptop merek Asus dengan tipe X441NA harga Rp
3.799.000,00 dengan bobot murah, ukuran layar 14” dengan bobot kecil, RAM DDR3 2GB dengan
bobot kecil, HDD 500 GB dengan bobot sedang, prosesor Intel Celeron N3350 2.4 Ghz dengan bobot
kecil yang dapat dibeli di Toko Smart Komputer Jl. Setiabudi No.83.

DAFTAR PUSTAKA
[1]. Kusumadewi S, Hartati S, Harjoko A dan Wardoyo R. Fuzzy Multi Attribute Decision Making
(Fuzzy MADM). Edisi ke-1. Yogyakarta: Graha Ilmu; 2006.
[2]. Kusumadewi S dan Purnomo H. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Edisi ke-2.
Yogyakarta: Graha Ilmu; 2010.

NOVI SRI WULANDARI : Jurusan Matematika FMIPA Untan, Pontianak,


novi.arsy@yahoo.com
SHANTIKA MARTHA : Jurusan Matematika FMIPA Untan, Pontianak,
shantika.martha@math.untan.ac.id
HENDRA PERDANA : Jurusan Matematika FMIPA Untan, Pontianak,
hendra.perdana@math.untan.ac.id