Metode Sistem Pendukung Keputusan

Simple Additive Weighting (SAW)

Sistem Pendukung Keputusan [SIN 6402]

Tujuan pembelajaran
• Memahami mengenai Simple Additive Weighting (SAW)
• Memahami perhitungan Simple Additive Weighting (SAW)
• Dapat menyelesaikan contoh soal menggunakan metode
Simple Additive Weighting (SAW)
Simple Additive Weighting (SAW)
• Simple Additive Weighting (SAW) merupakan metode
penjumlahan bobot dari rating kinerja pada setiap alternatif
pada semua atribut.

• Simple Additive Weighting (SAW) memerlukan proses

normalisasi matriks keputusan (X) ke suatu skala yang dapat
dibandingkan dengan semua rating alternatif yang ada.
Simple Additive Weighting (SAW)
• Formula untuk melakukan normalisasi tersebut adalah
sebagai berikut:

 xij
 jika j adalah atribut keuntungan (benefit)
 Maxi xij
rij  
 Mini xij
 jika j adalah atribut biaya (cost)
 xij
Simple Additive Weighting (SAW)
Dimana:
xij : nilai atribut yang dimiliki setiap kriteria.
Maxi xij : nilai terbesar dari setiap kriteria i.
Mini xij : nilai terkecil dari setiap kriteria j.
benefit : jika nilai terbesar adalah terbaik.
cost : jika nilai terkecil adalah terbaik.

dengan rij adalah rating kinerja ternormalisasi dari alternatif Ai

pada atribut Cj , dimana i=1,2,3,…m dan j=1,2,3,…n
Simple Additive Weighting (SAW)
• Nilai preferensi untuk setiap alternatif (Ai ) diberikan sebagai berikut:

n
Vi   w j rij
j 1

dimana:
Vi : ranking untuk setiap alternatif.
wj : nilai bobot dari setiap kriteria.
rij : nilai rating kinerja ternormalisasi.

• Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih

terpilih.
Simple Additive Weighting (SAW)
Langkah-langkah dalam perhitungan metode Simple Additive Weighting (SAW)
adalah sebagai berikut:
1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan
keputusan, yaitu Ci .
2. Menentukan jenis atribut (atribut benefit ataupun atribut cost) pada seluruh
atribut (kriteria).
3. Membuat matriks keputusan berdasarkan kriteria Ci , kemudian melakukan
normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut
(atribut benefit ataupun atribut cost) sehingga diperoleh matriks ternormalisasi r
4. Hasil akhir diperoleh dari proses perhitungan yaitu penjumlahan dari perkalian
matriks ternormalisasi r dengan bobot sehingga diperoleh suatu nilai. Nilai
terbesar dari semua alternatif yang ada, dipilih sebagai alternatif terbaik (Ai)
sebagai solusi.
Contoh Simple Additive Weighting (SAW)
• Seseorang ingin membeli mobil baru pada Dealer XYZ dengan
kriteria-kriteria yang harus memenuhi keinginannya.
• Ada 6 kriteria yang digunakan untuk melakukan penilaian,
yaitu:
• C1 = Harga
• C2 = Kapasitas mesin
• C3 = Kapasitas mobil
• C4 = Jenis bahan bakar
• C5 = Jenis transmisi
• C6 = Ukuran mobil
Contoh Simple Additive Weighting (SAW)
Berikut ini beberapa penjelasan mengenai kriteria-kriteria yang
ada.
• Harga
merupakan atribut cost, sehingga jika nilai atau harga
semakin kecil (minimum) maka nilai tersebut yang terbaik.
• Kapasitas mesin
merupakan atribut benefit, sehingga jika nilai kapasitas mesin
semakin besar (maksimum) maka nilai tersebut yang terbaik.
Contoh Simple Additive Weighting (SAW)
Berikut ini beberapa penjelasan mengenai kriteria-kriteria yang
ada.
• Kapasitas mobil
merupakan atribut benefit, sehingga jika nilai kapasitas mobil
semakin besar (maksimum) maka nilai tersebut yang terbaik.
• Jenis bahan bakar
Jenis bahan bakar yang dimaksud adalah 1. Pertalite dan
2. Pertamax, dengan keterangan bahwa harga bahan bakar
pertalite lebih murah daripada harga pertamax.
Sehingga jenis bahan bakar merupakan atribut cost, jika nilai
semakin kecil (minimum) maka nilai tersebut yang terbaik.
Contoh Simple Additive Weighting (SAW)
Berikut ini beberapa penjelasan mengenai kriteria-kriteria yang
ada.
• Jenis transmisi
Jenis transmisi yang dimaksud adalah 1. AT (Automatic
Transmission) dan 2. MT (Manual Transmission). Dalam
contoh ini jenis MT lebih baik daripada AT.
Sehingga jenis transmisi merupakan atribut benefit, jika nilai
semakin besar (maksimum) maka nilai tersebut yang terbaik.
• Ukuran mobil
merupakan atribut benefit, sehingga jika nilai ukuran mobil
semakin besar (maksimum) maka nilai tersebut yang terbaik.
Contoh Simple Additive Weighting (SAW)
• Berikut ini ringkasan mengenai atribut pada setiap kriteria.
Kriteria Keterangan Atribut
C1 Harga Cost
C2 Kapasitas mesin Benefit
C3 Kapasitas mobil Benefit
C4 Jenis bahan bakar Cost
C5 Jenis transmisi Benefit
C6 Ukuran mobil Benefit
Contoh Simple Additive Weighting (SAW)
• Pengambil keputusan (pembeli) memberikan bobot untuk
setiap kriteria sebagai berikut: C1 = 30%; C2 = 10%;
C3 = 15%; dan C4 = 15%; C5 = 15%; C6 = 15%.
Contoh Simple Additive Weighting (SAW)
• Tabel nilai alternatif di setiap kriteria:
Kriteria
Alternatif C1
C2 C3 C6
(satuan juta C4 C5
(satuan CC) (satuan kg) (satuan cm)
rupiah)
A1 190 1500 2500 2 2 330
A2 89 1000 1600 1 2 310
A3 150 1300 1600 2 2 310
A4 350 1800 3000 2 1 370
A5 130 1800 3500 1 1 370
A6 210 1500 3500 1 1 380
A7 197 1500 3500 1 1 380
A8 210 2100 2000 2 2 380
Contoh Simple Additive Weighting (SAW)
• Matriks keputusan berdasarkan kriteria Ci :
190 1500 2500 2 2 330
 89 1000 1600 1 2 310

150 1300 1600 2 2 310
 
350 1800 3000 2 1 370
130 1800 3500 1 1 370
 
210 1500 3500 1 1 380
197 1500 3500 1 1 380
 
210 2100 2000 2 2 380
Contoh Simple Additive Weighting (SAW)
• Normalisasi
Min {190;89;150;350;130;210;197;210} 89
r11    0,47
190 190
Min {190;89;150;350;130;210;197;210} 89
r21   1
89 89
Min {190;89;150;350;130;210;197;210} 89
r31    0,59
150 150
Min {190;89;150;350;130;210;197;210} 89
r41    0,25
350 350
Contoh Simple Additive Weighting (SAW)
• Normalisasi
Min {190;89;150;350;130;210;197;210} 89
r51    0,68
130 130
Min {190;89;150;350;130;210;197;210} 89
r61    0,42
210 210

Min {190;89;150;350;130;210;197;210} 89
r71    0,45
197 197
Min {190;89;150;350;130;210;197;210} 89
r81    0,42
210 210
Contoh Simple Additive Weighting (SAW)
• Lanjutkan mencari semua nilai matriks sampai selesai.
r12  
r22  

rij  
Contoh Simple Additive Weighting (SAW)
• Hasil normalisasi
0,47 0,71 0,71 0,50 1 0,87 
 1 0,48 0,46 1 1 
0,82 

0,59 0,62 0,46 0,50 1 0,82 
 
r  0,25 0,86 0,86 0,50 0,50 0,97 
0,68 0,86 1 1 0,50 0,97 
 
0,42 0,71 1 1 0,50 1 
0,45 0,71 1 1 0,50 1 
 
0,42 1 0,57 0,50 1 1 
Contoh Simple Additive Weighting (SAW)
• Bobot yang telah diberikan oleh pengambil keputusan:
W  0,30 0,10 0,15 0,15 0,15 0,15
• Hasil perhitungan setiap alternatif:
V1  (0,30 * 0,47)  (0,10 * 0,71)  (0,15 * 0,71)  (0,15 * 0,50)  (0,15 *1)  (0,15 * 0,87)  0,674361

V2  (0,30 *1)  (0,10 * 0,48)  (0,15 * 0,46)  (0,15 *1)  (0,15 *1)  (0,15 * 0,82)  0,838559

V3  (0,30 * 0,59)  (0,10 * 0,62)  (0,15 * 0,46)  (0,15 * 0,50)  (0,15 *1)  (0,15 * 0,82)  0,655845

V4  (0,30 * 0,25)  (0,10 * 0,86)  (0,15 * 0,86)  (0,15 * 0,50)  (0,15 * 0,50)  (0,15 * 0,97)  0,586624

V5  (0,30 * 0,68)  (0,10 * 0,86)  (0,15 *1)  (0,15 *1)  (0,15 * 0,50)  (0,15 * 0,97)  0,812152

V6  (0,30 * 0,42)  (0,10 * 0,71)  (0,15 *1)  (0,15 *1)  (0,15 * 0,50)  (0,15 *1)  0,723571

V7  (0,30 * 0,45)  (0,10 * 0,71)  (0,15 *1)  (0,15 *1)  (0,15 * 0,50)  (0,15 *1)  0,731962

V8  (0,30 * 0,42)  (0,10 *1)  (0,15 * 0,57)  (0,15 * 0,50)  (0,15 *1)  (0,15 *1)  0,687857
Contoh Simple Additive Weighting (SAW)
• Hasil perhitungan perankingan:
Alternatif Nilai Akhir (V)
A1 0,674361
A2 0,838559
A3 0,655845
A4 0,586624
A5 0,812152
A6 0,723571
A7 0,731962
A8 0,687857
Contoh Simple Additive Weighting (SAW)
• Nilai terbesar dari semua alternatif adalah V2 yaitu 0,838559,
sehingga alternatif A2 adalah alternatif yang terpilih sebagai
alternatif yang terbaik.