MAKALAH SEMINAR

“Algoritma TOPSIS (Technique For Order Preference

by Similarity to Ideal Solution)”

Nama : Made Koji Satya Nugraha

NIM : 1413011097

Dosen Pembimbing Prof. Dr. I Made

Candiasa, M.I.Komp. NIP. 19601231
198601 1 004

1
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi dan ilmu pengetahuan pada saat ini sangatlah
pesat. Perkembangan ini dapat dilihat dengan munculnya ilmu-ilmu yang baru,
semakin bertambahnya cabang-cabang dari ilmu tertentu yang telah ada, serta
ditemukannya teori-teori ilmiah dalam berbagai bidang. Berkembangnya
teknologi dan ilmu pengetahuan ini tentunya membawa keuntungan dan
kemudahan bagi kehidupan manusia yaitu banyaknya permasalahan yang dapat
diselesaikan dengan mudah dan tentunya dapat membuat pekerjaan menjadi lebih
ringan dan lebih efisien.
Ilmu pengetahuan diciptakan pastilah untuk menyelesaikan permasalahan
yang ada ataupun untuk memperingan suatu pekerjaan. Permasalahan yang saat
ini sering terjadi adalah kerumitan dalam menentukan sebuah keputusan dari
banyak kriteria yang ada. Sumber kerumitan masalah keputusan hanya karena
faktor ketidakpastian atau ketidaksempurnaan informasi saja. Namun masih
terdapat penyebab lainnya seperti faktor yang mempengaruhi terhadap pilihan-
pilihan yang ada, dengan beragamnya kriteria pemilihan dan juga nilai bobot dari
masing-masing kriteria merupakan suatu bentuk penyelesaian masalah yang
sangat kompleks. Pada zaman sekarang ini, metode-metode pemecahan masalah
mulkriteria telah digunakan secara luas di berbagai bidang. Setelah menetapkan
tujuan masalah, kriteria-kriteria yang menjadi tolak ukur serta alternatif-alternatif
yang mungkin, para pembuat keputusan dapat menggunakan suatu metode atau
lebih untuk menyelesaikan masalah mereka. Adapun metode yang dapat
digunakan untuk mengatasi permasalahan multikriteria yaitu metode TOPSIS
(Technique For Order Preference by Similarity to Ideal Solution). TOPSIS
diperkenalkan pertama kali oleh Yoon dan Hwang pada tahun 1981 untuk
digunakan sebagai salah satu metode dalam memecahkan masalah multikriteria
(Sachdeva, 2009).

2
 TOPSIS adalah salah satu metode pengambilan keputusan multikriteria atau
alternatif pilihan yang merupakan alternatif yang mempunyai jarak terkecil dari
solusi ideal positif dan jarak terbesar dari solusi ideal negatif dari sudut pandang
geometris dengan menggunakan jarak Euclidean. Namun, alternatif yang
mempunyai jarak terkecil dari solusi ideal positif, tidak harus mempunyai jarak
terbesar dari solusi ideal negatif. Maka dari itu, TOPSIS mempetimbangkan
keduanya, jarak terhadap solusi ideal positif dan jarak terhadap solusi ideal
negatif secara bersamaan. Solusi ideal positif didefinisikan sebagai jumlah dari
seluruh nilai terbaik yang dapat dicapai untuk setiap atribut, sedangkan solusi
ideal negatif terdiri dari seluruh nilai terburuk yang dicapai untuk setiap atribut.
Solusi optimal dalam metode TOPSIS didapat dengan menentukan kedekatan
relatif suatu altenatif terhadap solusi ideal positif. TOPSIS akan merangking
alternatif berdasarkan prioritas nilai kedekatan relatif suatu alternatif terhadap
solusi ideal positif. Alternatif-alternatif yang telah dirangking kemudian dijadikan
sebagai referensi bagi pengambil keputusan untuk memilih solusi terbaik yang
diinginkan.
Berdasarkan perbandingan terhadap jarak relatifnya, susunan prioritas
alternatif bisa dicapai. Metode ini banyak digunakan untuk menyelesaikan
pengambilan keputusan secara praktis. Metode ini telah digunakan dalam banyak
aplikasi termasuk keputusan kredit mobil. Hal ini disebabkan karena konsepnya
yang sederhana dan mudah dipahami, komputasinya efisien, serta memiliki
kemampuan mengukur kinerja relatif dari dari alternatif-alternatif keputusan.
Berdasarkan latar belakang diatas, penulis pada kesempatan ini akan
menyajikan informasi tentang algoritma TOPSIS dan penerapan metode TOPSIS
untuk pendukung keputusan terhadap pemberian kredit mobil pada perusahaan A
dalam suatu makalah seminar yang berjudul “Algoritma TOPSIS”.
1.2 Rumusan Masalah
Berdasarkan pemaparan latar belatang diatas, maka dapat dirumuskan
masalah yakni sebagai berikut.
a. Apa yang dimaksud dengan Algoritma TOPSIS?

3
 b. Bagaimanakah penerapan Algoritma TOPSIS untuk pendukung keputusan
terhadap pemberian kredit mobil pada perusahaan A?
1.3 Tujuan Penulisan
Adapun tujuan penulisan makalah ini yaitu untuk mengetahui Algoritma
TOPSIS dan mengetahui bagaimana penerapan Algoritma TOPSIS untuk
pendukung keputusan terhadap pemberian kredit mobil pada perusahaan A.
1.4 Manfaat Penulisan
Adapun manfaat penulisan dari makalah ini adalah sebagai berikut.
a. Memberikan informasi kepada pembaca, mengenai Algoritma TOPSIS.
b. Memberikan informasi kepada pembaca, mengenai proses penerapan
Algoritma TOPSIS untuk pendukung keputusan terhadap pemberian kredit
mobil pada perusahaan A.
c. Sebagai referensi untuk mengembangkan mengenai penerapan Algoritma
TOPSIS dalam bidang ilmu lainnya.
1.5 Batasan Masalah
Adapun batasan masalah dari makalah ini adalah sebagai berikut.
a. Penulisan makalah seminar ini terbatas pada Algoritma TOPSIS.
b. Penulisan makalah ini terbatas pada proses penerapan Algoritma TOPSIS
untuk pendukung keputusan terhadap pemberian kredit mobil pada
perusahaan A.

4
 BAB II
KAJIAN PUSTAKA
2.1 Logika Fuzzy
Logika Fuzzy adalah peningkatan dari logika Boolean yang berhadapan
dengan konsep kebenaran sebagian. Saat logika klasik menyatakan bahwa segala
hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau
tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran.
Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat
keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti
seperti "sedikit", "lumayan", dan "sangat". Logika ini berhubungan dengan set
fuzzy dan teori kemungkinan. Logika fuzzy diperkenalkan oleh Dr. Lotfi Zadeh
dari Universitas California, Berkeley pada 1965.
2.2 Metode MCDM (Multi Criteria Decision Making)
Zimmermann (dalam Kusumadewi dkk, 2006:69) mengemukakan bahwa
Multi criteria decision making (MDMC) adalah suatu metode pengambilan
keutusan untuk menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan
beberapa kriteria tertentu. Kriteria biasanya berupa ukuran-ukuran, aturan-aturan
atau standar yang digunakan dalam pengambilan keputusan. Berdasarkan
tujuannya, MCDM dapat dibagi dua model: Multi Attribute Decision Making
(MADM) dan Multi Objective Decision Making (MODM).
Seringkali MADM dan MODM digunakan untuk menerangkan kelas atau
kategori yang sama. MADM digunakan untuk menyelesaikan masalah-masalah
dalam ruang diskrit. Oleh karena itu, pada MADM biasanya digunakan untuk
melakukan penilaian atau seleksi terhadap beberapa alternatif dalam jumlah yang
terbatas. Sedangkan MODM digunakan untuk menyelesaikan masalah-masalah
pada ruang kontinyu. Secara umum dapat dikatakan bahwa, MADM menyeleksi
alternatif terbaik dari sejumlah alternatif sedangkan MODM merancang alternatif
terbaik.

5
2.2.1 Klasifikasi Metode MCDM
Ada beberapa cara dalam mengklasifikasi metode MCDM. Menurut
tipe data yang digunakan, MCDM dapat dibagi berdasarkan tipe
deterministic, stokastik atau fuzzy. Menurut jumlah pengambil keputusan
yang terlibat dalam proses pengambil keputusan . MCDM dapat dibagi
berdasarkan pengambil keputusan satu orang, atau pengambil keputusan
dalam bentuk grup (kelompok).
2.2.2 Klasifikasi Solusi MDCM
Yoon (dalam Kusumadewi, 2006:71) Masalah MDCM tidak
selalu memberikan solusi Unik, perbedaan tipe bisa jadi akan
memberikan perbedaan solusi.
a. Solusi ideal, kriteria atau atribut dapat dibagi menjadi dua kategori,
yaitu kriteria yang nilainya akan dimaksimumkan (kategori nilai
keuntungan), dan kriteria yang nilainya kan diminimumkan
(kategori kriteria biaya). Solusi ideal kan memaksimumkan semua
kriteria keuntungan dan meminimumkan semua kriteria biaya.
b. Solusi non-dominated, solusi ini sering juga dikenal dengan nama
solusi pareto-optimal. Solusi feasible MDCM dikatakan non-
dominated jika tidak ada solusi feasible yang lain akan
menghasilkan perbaikan terhadap suatu atribut tanpa menyebabkan
degenerasi pada atribut lainnya.
c. Solusi yang memuaskan, solusi yang memuaskan adalah himpunan
bagian dari solusi-solusi feasible dimana setiap alternatif
melampaui semua kriteria yang diharapkan.
d. Solusi yang lebih disukai, solusi yang disukai adalah solusi non-
dominated yang paling banyak memuaskan pengambil keputusan.
2.2.3 Metode–Metode Penyelesaian Masalah MADM
Ada bebebrapa metode yang dapat digunakan untuk
menyelesaikan masalah MADM , antara lain:
a. Simple Additive Weighting Method (SAW)

6
 Metode SAW merupakan metode MADM yang paling
sederhana dan paling banyak digunakan. Metode ini juga metode
yang paling mudah untuk diaplikasikan, karena mempunyai
algoritma yang tidak terlalu rumit. Metode SAW sering juga
dikenal sebagai metode penjumlahan terbobot. Konsep dasar
metode SAW adalah mencari penjumlahan terbobot dari rating
kinerja pada setiap alternatif pada semua atribut. Metode SAW
membutuhkan proses normalisasi matriks keputusan (X) ke suatu
skala yang dapat diperbandingkan dengan semua rating alternatif
yang ada.
b. Weighted Product (WP)
Weighted Product (WP) merupakan salah satu metode yang
digunakan untuk menyelesaikan masalah MADM. WP adalah
suatu metode yang menggunakan perkalian untuk
menghubungkan rating atribut, di mana rating setiap atribut harus
dipangkatkan dulu dengan bobot yang bersangkutan. Proses ini
sama halnya dengan proses normalisasi. Metode WP dapat
membantu dalam mengambil keputusan pemilihan laptop, akan
tetapi perhitungan dengan menggunakan metode WP ini hanya
menghasilkan nilai terbesar yang akan terpilih sebagai alternatif
yang terbaik. Perhitungan akan sesuai dengan metode ini apabila
alternatif yang terpilih memenuhi kriteria yang telah ditentukan.
Metode WP ini lebih efisien karena waktu yang dibutuhkan dalam
perhitungan lebih singkat. Bobot untuk atribut manfaat berfungsi
sebagai pangkat positif dalam proses perkalian, sementara bobot
biaya berfungsi sebagai pangkat negatif.
c. Elimination and Choice Expressing Reality (ELECTRE)
Menurut Janko dan Bernoider (2005:11), Electre merupakan
salah satu metode pengambilan keputusan multikriteria
berdasarkan pada konsep Outranking dengan menggunakan

7
 perbandingan berpasangan dari alternatif-alternatif berdasarkan
setiap kriteria yang sesuai. Metode Electre digunakan pada
kondisi dimana alternatif yang kurang sesuai dengan kriteria
dieliminasi, dan alternatif yang sesuai dapat dihasilkan. Dengan
kata lain, Electre digunakan untuk kasus-kasus dengan banyak
alternatif namun hanya sedikit kriteria yang dilibatkan. Suatu
alternatif dikatakan mendominasi alternatif yang lainnya jika
satuatau lebih kriterianya melebihi (dibandingkan dengan kriteria
dari alternatif yang lain) dan sama dengan kriteria lain yang
tersisa (Kusumadewi dkk, 2006).
d. Technique for Order Preference by Similarity to Ideal Solution
(TOPSIS)
TOPSIS merupakan salah satu metode yang digunakan untuk
menyelesaikan masalah MADM. TOPSIS adalah salah satu
metode pengambilan keputusan multikriteria atau alternatif
pilihan yang merupakan alternatif yang mempunyai jarak terkecil
dari solusi ideal positif dan jarak terbesar dari solusi ideal negatif
dari sudut pandang geometris dengan menggunakan jarak
Euclidean. TOPSIS mempetimbangkan keduanya, jarak terhadap
solusi ideal positif dan jarak terhadap solusi ideal negatif secara
bersamaan. Solusi ideal positif didefinisikan sebagai jumlah dari
seluruh nilai terbaik yang dapat dicapai untuk setiap atribut,
sedangkan solusi ideal negatif terdiri dari seluruh nilai terburuk
yang dicapai untuk setiap atribut. TOPSIS akan merangking
alternatif berdasarkan prioritas nilai kedekatan relatif suatu
alternatif terhadap solusi ideal positif.
e. Analytic hierarchy Process (AHP)
Metode AHP dikembangkan oleh Dr. Thomas L. Saaty dari
Wharton School of Bussines pada tahun 1970-an untuk
mengorganisasikan informasi dan judgement dalam memilih

8
 alternatif yang disukai (Marimin, 2004). Pada dasarnya proses
pengambilan keputusan menggunakan metode AHP adalah
memilih suatu alternatif. Peralatan utama AHP adalah sebuah
hierarki fungsional dengan input utamanya persepsi manusia.
2.3 Sistem Pendukung Keputusan (SPK)
Sistem Pendukung Keputusan (SPK) adalah sebuah sistem yang mampu
memberikan kemampuan pemecahan masalah maupun kemampuan
pengkomunikasian untuk masalah dengan kondisi semi terstruktur dan tak
terstruktur. Sistem ini digunakan untuk membantu pengambilan keputusan
dalam situasi semi terstruktur dan situasi yang tidak terstruktur, dimana tak
seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat
(Turban, 2001). SPK bertujuan untuk menyediakan informasi, membimbing,
memberikan prediksi serta mengarahkan kepada pengguna informasi agar
dapat melakukan pengambilan keputusan dengan lebih baik.
Decision Support Systems (DSS) atau sistem pendukung keputusan
adalah serangkaian kelas tertentu dari system informasi terkomputerisasi
yang mendukung kegiatan pengambilan keputusan bisnis dan organisasi.
Suatu DSS yang dirancang dengan benar adalah suatu system berbasis
perangkat lunak interaktif yang dimaksudkan untuk membantu para
pengambil keputusan mengkompilasi informasi yang berguna dari data
mentah, dokumen, pengetahuan pribadi, danmodel bisnis untuk
mengidentifikasikan dan memecahkan berbagai masalah dan mengambil
keputusan.
2.3.1 Pengertian Sistem Pendukung Keputusan
Sistem pendukung keputusan (SPK) adalah bagian dari sistem
informasi berbasis komputer termasuk sistem berbasis pengetahuan
atau manajemen pengetahuan yang dipakai untuk mendukung
pengambilan keputusan dalam suatu organisasi atau perusahaan. Dapat
juga dikatakan sebagai sistem komputer yang mengolah data menjadi
informasi untuk mengambil keputusan dari masalah semi terstruktur

9
 yang spesifik. Jenis Keputusan yang dibuat pada dasarnya
dikelompokkan dalam dua jenis, antara lain (Herbert A. Simon): a.
Keputusan Terprogram
Keputusan ini bersifat berulang dan rutin, sedemikian hingga
suatu prosedur pasti telah dibuat menanganinya sehingga
keputusan tersebut tidak perlu diperlakukan
b. Keputusan Tak Terprogram
Keputusan ini bersifat baru, tidak terstruktur dan
jarang konsekuen. Tidak ada metode yang pasti untuk menangani
masalah ini karena belum ada sebelumnya atau karena sifat dan
struktur persisnya tak terlihat atau rumit atau karena begitu
pentingnya sehingga memerlukan perlakuan yang sangat khusus.
2.3.2 Konsep DSS
a. Masalah Terstruktur, merupakan suatu masalah yang memiliki
struktur masalah pada 3 tahap pertama, yaitu intelijen, rancangan
dan pilihan.
b. Masalah Tak Terstruktur, merupakan masalah yang sama sekali
tidak memiliki struktur pada 3 tahap diatas.
c. Masalah Semi-Terstruktur, merupakan masalah yang memiliki
struktur hanya pada satu atau dua tahap.
2.3.3 Peran dan Tujuan DSS Dalam Pemecahan Masalah
Adapun peran DSS yaitu dapat memperluas dukungan manajer
dalam pemecahan masalah, karena DSS disesuaikan dengan
kebutuhan-kebutuhan khusus manajer. Sedangkan tujuannya adalah
membantu manajer membuat keputusan untuk memecahkan masalah
semi terstruktur mendukung penilaian manajer bukan mencoba
menggantikannya dan meningkatkan effektifitas pengambilan
keputusan manajer daripada efisiensinya.

10
 BAB III
PEMBAHASAN
3.1 Algoritma TOPSIS
TOPSIS adalah salah satu metode pengambilan keputusan multikriteria
atau alternatif pilihan yang merupakan alternatif yang mempunyai jarak terkecil
dari solusi ideal positif dan jarak terbesar dari solusi ideal negatif dari sudut
pandang geometris dengan menggunakan jarak Euclidean. Namun, alternatif
yang mempunyai jarak terkecil dari solusi ideal positif, tidak harus mempunyai
jarak terbesar dari solusi ideal negatif. Maka dari itu, TOPSIS
mempetimbangkan keduanya, jarak terhadap solusi ideal positif dan jarak
terhadap solusi ideal negatif secara bersamaan. Solusi ideal positif didefinisikan
sebagai jumlah dari seluruh nilai terbaik yang dapat dicapai untuk setiap atribut,
sedangkan solusi ideal negatif terdiri dari seluruh nilai terburuk yang dicapai
untuk setiap atribut. Solusi optimal dalam metode TOPSIS didapat dengan
menentukan kedekatan relatif suatu altenatif terhadap solusi ideal positif.
TOPSIS akan merangking alternatif berdasarkan prioritas nilai kedekatan relatif
suatu alternatif terhadap solusi ideal positif. Alternatif-alternatif yang telah
dirangking kemudian dijadikan sebagai referensi bagi pengambil keputusan
untuk memilih solusi terbaik yang diinginkan.
3.1.1 Langkah-langkah Algoritma TOPSIS
Berikut adalah langkah-langkah dari Algoritma TOPSIS:
a. Membangun Sebuah Matriks Keputusan
Matriks keputusan X mengacu terhadap m alternatif yang akan
dievaluasi berdasarkan n kriteria. Matriks keputusan X dapat dilihat
sebagai berikut:

11
 2
x x x . xn
1 3

ax x . . x 
1  11 12 1n 
x
a2  x21 22 . . x2n 
X . . . . x 
3n 
a . . . .

3
. . x . . 
 m2 x
am  xm1 mn 

Keterangan:
( = 1,2,3, … , ) adalah alternatif-alternatif yang mungkin,

( = 1,2,3, … , ) adalah atribut dimana performansi alternatif diukur,

adalah performansi alternatif dengan acuan atribut .

b. Membuat Matriks Keputusan yang Ternormalisasi

Persamaan yang digunakan untuk mentransformasikan setiap
elemen adalah:
r  x ij

ij
 m
xij
i1

dengan = 1,2,3, … , ; dan = 1,2,3, … , ; (2.2)

Keterangan:
rij adalah elemen dari matriks keputusan yang ternormalisasi R,

xij adalah elemen dari matriks keputusan X

c. Membuat Matriks Keputusan yang Ternormalisasi Terbobot
Dengan bobot wj  w1 , w2 , w3 ,..., wn dimana w j adalah bobot dari
kriteria ke-j dan ∑ = 1, maka normalisasi bobot matriks V adalah:

v ij  w r
j ij
dengan = 1,2,3, … , ; dan = 1,2,3, … , ;

(2.3)

12
 keterangan:
vij adalah elemen dari matriks keputusan yang ternormalisasi
terbobot V,
w j adalah bobot kriteria ke-j

rij adalah elemen dari matriks keputusan yang ternormalisasi R.

d. Menentukan Matriks Solusi Ideal Positif dan Solusi Ideal Negatif.

Solusi ideal positif dinotasikan A  , sedangkan solusi ideal negatif
dinotasikan A  . Berikut ini adalah persamaan dari A  dan A  :

 max v ij j  J , min v ij ,i  1,2,3,..., m

1) A  | |j  J '
(2.4)

 v1 , v2  , v3  ,..., vn 

|j
  , i 1,2,3,..., m
'
2) A
 min v ij | j  J , max v ij (2.5)
J

 v1 , v2  , v3  ,..., vn 
={ =
1,2,3, … , dan merupakan himpunan kriteria keuntungan}
′
= { = 1,2,3, … , dan merupakan himpunan kriteria biaya}

Keterangan:
vij adalah elemen dari matriks keputusan yang ternormalisasi terbobot V,
v  ( j = 1, 2, 3, . . ., n ) adalah elemen matriks solusi ideal positif,
j

v ( j = 1, 2, 3, . . ., n ) adalah elemen matriks solusi ideal negatif.
j

e. Menghitung Separasi
1) S  adalah jarak alternatif dari solusi ideal positif didefinisikan sebagai:

 n 
 vij 2 dengan i = 1, 2, 3, . . . , m
Si j 1
v j



2) S adalah jarak alternatif dari solusi ideal negatif didefinisikan sebagai:

Si    vijn 2
, dengan i = 1, 2, 3, . . . , m
(2.6)

j 1

vj

(2.7)
13
 Keterangan:
Si  adalah jarak alternatif ke-i dari solusi ideal positif,
Si  adalah jarak alternatif ke-i dari solusi ideal negatif,

vij adalah elemen dari matriks keputusan yang ternormalisasi terbobot V,

v j  adalah elemen matriks solusi ideal positif,

v j  adalah elemen matriks solusi ideal negatif.

f. Menghitung Kedekatan Terhadap Solusi Ideal Positif.

Kedekatan relatif dari setiap alternatif dari setiap solusi ideal positif
dapat dihitung dengan menggunakan persamaan berikut:
c s 
,0  c   1
 

s
i
 (2.8)
i  s j
1 1

Dengan i = 1, 2, 3, . . ., m
keterangan:

adalah kedekatan relatif dari alternatif ke-i terhadap solusi ideal
c1
positif,
 adalah jarak alternatif ke-i dari solusi ideal positif,
s
i
 adalah jarak alternatif ke-i dari ideal negatif.
s
i
g. Merangkai Alternatif

+
Alternatif diurutkan dari nilai terbesar ke nilai terkecil. Alternatif

+
dengan nilai terbesar merupakan solusi terbaik.

3.2 Penerapan Algoritma TOPSIS Untuk Pendukung Keputusan Penerima

Kredit Mobil di Perusahaan A.
Salah satu jenis alat transportasi yang digemari oleh banyak orang saat ini
adalah mobil. Banyak orang ingin memiliki mobil dikarenakan lebih nyaman dan
praktis tentunya. Berdasarkan data dari Badan Pusat Statistik (BPS), pengguna

14
mobil penumpang di Indonesia pada tahun 2013 mencapai 11.484.514 unit mobil
dan pertumbuhan pengguna mobil mencapai 1 juta unit per tahunnya.
Untuk memiliki mobil saat ini, setiap orang memiliki banyak cara dan
pilihan. Salah satu cara yang banyak dilakukan banyak orang untuk memiliki
mobil saat ini adalah melalui kredit. Dalam menentukan pemohon kredit yang
layak mendapatkan kredit, perusahaan A tentunya menetapkan kriteria-kriteria
pemohon kredit yang layak diberikan kredit. Untuk memudahkan dalam
menentukan pemohon kredit yang layak mendapatkan kredit, Perusahaan A
menerapkan Algoritma TOPSIS. Penerapan Algoritma TOPSIS untuk pendukung
keputusan terhadap pemberian kredit mobil pada perusahaan A merupakan salah
satu implementasi Algoritma TOPSIS dalam kehidupan sehari-hari. Dalam
menentukan kriteria pemohon kredit, Perusahaan A pemberi kredit ini
menggunakan data fiktif dengan prinsip 5c yaitu character, capital, capacity,
collateral, dan condition. Namun Perusaahaan A menjabarkan prinsip 5c itu
menjadi lebih spesifik lagi menjadi sebagai berikut.
a. Character/Karakter (C1)
b. Capital/Uang Muka (C2)
c. Capacity/Kemampuan Melunasi (C3)
d. Collateral/Jaminan (C4)
e. Condition/Kondisi (C5)
Langkah awal dari Algoritma TOPSIS adalah pemberian bobot dari
masing-masing kriteria.

Tabel 3.1 Kriteria Karakter

Kriteria Bobot
Pemohon
Sangat Baik 5
Baik 4
Cukup 3

15
 Kurang 2
Sangat Kurang 1
Tabel 3.2 Uang muka

Kriteria Pemohon Bobot

Dp > 30% dari harga 5
Dp 26%-30% dari harga 4
Dp 21%-25% dari harga 3
Dp 16%-20% dari harga 2
Dp < 15% dari harga 1
Tabel 3.3 Kemampuan Melunasi

Kriteria Pemohon Bobot

Sangat Baik 5
Baik 4
Cukup 3
Kurang 2
Sangat Kurang 1

Tabel 3.4 Jaminan

Kriteria Bobot
Pemohon

Sertifikat tanah 5
BPKB Mobil 3
BPKB motor 1

16
 Tabel 3.5 Kondisi
Kriteria Bobot
Pemohon

Sangat Baik 5
Baik 4
Cukup 3
Kurang 2
Sangat Kurang 1

Langkah selanjutnya adalah membuat tabel nilai alternatif disetiap

kriteria, hal ini dilakukan untuk melihat pemilihan alternatif dari setiap tabel
karakter yang ada, yaitu sebagai berikut.

Tabel 3.6 Rating Kecocokan Dari Setiap Alternatif Pada Setiap Kriteria
Alternatif C1 C2 C3 C4 C5
Koji 5 4 4 3 5
Bayu 4 2 3 3 1
Aldy 3 5 1 5 2
Djuarna 2 5 4 5 1
Wiyoga 3 4 4 3 4
Wira 5 3 4 3 3
Sudana 3 4 3 3 3
Levi 3 5 5 1 5
Agung F 3 4 3 3 5

Dari tabel rating kecocokan alternatif pada tiap kriteria dapat membentuk
matriks kecocokan, yaitu sebagai berikut.

17
 5 4 4 3 5
 4 2 3 3 1
 
 3 5 1 5 2
 
2 5 4 5 1
X   3 4 4 3 4
 
 5 3 4 3 3
 3 4 3 3 3
 
 3 5 5 1 5
 
 

 3 4 3 3 5
Untuk menentukan pilihan alternatif yang ada, maka langkah-langkah yang
dilakukan dalam metode TOPSIS adalah sebagai berikut.
1) Membuat Matriks Keputusan yang Ternormalisasi
r  x ij

Rumus : ij
 m
xij
i1

Berdasarkan dari data di atas, matriks keputusan ternormalisasi diperoleh dari

perhitungan:
a) Untuk Kriteria 1 (C1)
r  x i1


i1 m
xi1
i 1

   x x x  x x
m 2 2 2 2 2 2 2 2 2 2
x x
 i1
11
x 21 x 31 41 51 61 x 71 81 91
i 1

 52  42  32  22  32  52  32  32  32
 10,724
r  x  5  0,466
11 11

m 10,724
x
i 1 11

r  x 21
 4  0,565
21
 m
x 21
10,724
i 1

18
 r  x 31  3  0,279
31
 m
x 31
10,723
i 1
r  x 41  2  0,187

 10,723
41 m
x 41
i 1

r  x  3  0,279
51 51

m 10,723
x
i 1 51
x
r  61  5  0,466
61 m 10,724
x
i 1
61

r  x 71  3  0,279
 10,723
71 m
x 71
i 1

r  x 81
 3  0,279
81  m x 81 10,723
i 1

r  x 91
 3  0,279
91  m x 91 10,723
i 1

b) Untuk Kriteria 2 (C2)

r  x i2

i2 m
xi 2
i 1
m
x 2
 x 2
x 2
 2
x 2
x 2
 2
x 2
x 2
x 2

 i2
12
22 x 32 42 52 x 62 72 82 92
i 1

 42  22  52  52  42  32  42  52  42
 12,329
 x  4  0,324
r 12
12  12
m
x
12,329

i 1

r  x 22
 2  0,162
22
m 12,329
22
x
i 1

19
 r  x 32  5  0,406
 12,329
32 m
x 32
i 1
r  x 42
 5  0,406

 12,329
42 m
x 42
i 1

r  x  4  0,324
52 52

m 12,329
x
i 1 52
x
r  62  3  0,243
62 m 12,329
x
i 1 62

r  x 72
 4  0,324
 12,329
72 m
x 72
i 1
r  x 82
 5  0,406
82
 m
1
x82 12,329
i

r  x 92  4  0,324

 12,329
92 m
x 92
i 1

c) Untuk kriteria 3 (C3)

ri3  x
i3

x
im1 i3


m
x
i3
2
 x 2
13
x 2
23
x 2
33
x 2
43
x 2
53
x 2
63
x 2
73
x 2
83
x 2
93

i 1

 42  32 12  42  42  42  32  52  32
 10,817
 x  4  0,329
r 13

 10,817
13 m
x13
i 1

r  x 23
 3  0,277
23
m 10,817
x
i 1 23

20
 r  x 33  1  0,092
33  m x 33 10,817
i 1

r  x 43  4  0,329
43  m x 43 10,817
i 1

r  x  4  0,329
53 53

m 10,817
x
i 1 53
x
r  63  4  0,329
63 m 10,817
x
i 1 63

r  x 73
 3  0,277
 10,817
73 m
x73
i 1

r  x 83  5  0,462
83  m x 83 10,817
i 1

r  x 93
 3  0,277
93  m x 93 10,817
i 1

d) Untuk kriteria 4 (C4)

r  x i4

i4 m
xi 4
i 1
m
x 2
 x 2
x 2
 2
x 2
x 2
 2
x 2
x 2
x 2

 i4
14
24 x 34 44 54 x 64 74 84 94
i 1

 32  32  52  52  32  32  32 12  32
 10,247
 x  3  0,293
r 14
14  m 14
10,247
i 1 x
r  x  3  0,293
24 24

m 10,247
24
x
i 1

21
 r  x 34  5  0,488
34  m x 34 10,247
i 1

r  x 44  5  0,488
44  m x 44 10,247
i 1

r  x  3  0,293
54 54

m 10,247
x
i 1 54
x
r  64  3  0,293
64 m 10,247
x
i 1 64

r  x 74
 3  0,293
74
 m
x74 10,247
i 1

r  x 84  1  0,098
84  m x 84 10,247
i 1

r  x 94
 3  0,293
94  m x 94 10,247
i 1

e) Untuk Kriteria 5 (C5)

r  x
i5 i5

x
im1 i5


m
x i5 2  x 2
 x 25 2  x 35
2
 x 45 2  x 55
2
x 65
2
x 75
2
x 85
2
x 2
95
15

i 1

 52 12  22 12  42  32  32  52  52
 10,724
 x  5  0,466
r 15
15
 m
15 10,724
i 1 x

r  x  1  0,093
25 25

m 10,724
x
i 1 25

22
 r  x 35  2  0,187
 10,724
35 m
x 35
i 1
r  x 45
 1  0,093

 10,724
45 m
x 45
i 1
 x  4  0,373
r 55
55  55
m
x
10,724

i 1

r  x 65  3  0,279
65  m x 65 10,724
i 1

r  x 75  3  0,279
75  m x 75 10,724
i 1

r  x 85  5  0,466
85  m x 85 10,724
i 1

r  x 95  5  0,466
95  m x 95 10,724
i 1

Maka diperoleh matriks keputusan ternormalisasi sebagai berikut.

r r r r r 
 11 12 13 14 15 
r r r r r
 21 22 23 24 25 
r r r r r 
 31 32 33 34 35 
r r r r
r41 42 43 44  45

R r r r r r 
 51 52 53 54 55 

r r r r r 
 61 62 63 64 65 
r r r r r
 71 72 73 74  75

r
 81
r 82
r 83
r 84
r  85 

r r r r r 
91 92 93 94 95
 

23
 0,466 0,324 0,369 0,293 0,466
 0,373 0,162 0,277 0,293 0,093 
 
 0,279 0,406 0,092 0,488 0,187 
 
 0,187 0,406 0,369 0,488 0,093
R   0,279 0,324 0,369 0,293 0,373 
 
 0,466 0,243 0,369 0,293 0,279 
 0,279 0,324 0,277 0,293 0,279 
 
 0,279 0,406 0,462 0,098 0,466 
 
 

 0,279 0,324 0,277 0,293 0,466 

2) Membuat Matris Keputusan yang Ternormalisasi Terbobot
Rumus :vij  w j rij
dengan = 1,2,3, … , ; dan = 1,2,3, … , ;

Bobot ( ) untuk masing-masing kriteria:

Tabel 3.7 Pemberian Bobot Pada Masing-masing Kriteria
Kriteria Pemohon Kredit Nilai Bobot

Karakter (C1) Baik 4

Uang Muka (C2) Dp > 30% dari harga 5
Kemampuan Baik 4
Melunasi (C3)

Jaminan (C4) BPKB Mobil 3

Kondisi (C5) Baik 4

Perhitugan matriks keputusan ternormalisasi terbobot adalah sebagai berikut.

a) Untuk Kriteria 1 (C1), diperoleh:
v11  w1  r11  40,466 1,865
v 21  w r  40,373 1,492
1 21
v 31
wr  40,279 1,119
1 11

v 41
 w  r  40,187  0,746
1 41

v51  w1  r51  40,279 1,119

24
 v 61  w  r  40,466 1,865
1 61
v 71  w  r  40,279 1,119
1 71
v 81
wr  40,279 1,119
1 81
v 91  w  r  40,279 1,119
1 91

b) Untuk Kriteria 2 (C2), diperoleh:

v12  w2  r12  50,324
1,622 v22  w2 r22 
50,162  0,811
v 32  w  r  50,406  2,028
2 32

v 42
w r  50,406  2,027
2 42
v 52
 w  r  50,324 1,622
2 52
v 62
 w  r  50,243 1,217
2 62

v72  w2 r72  50,324 1,622

v82  w2  r82  50,405  2,028

v 92
 w  r  50,324 1,622
2 92

c) Untuk Kriteria 3 (C3), diperoleh:

v w r  40,369 1,479
13 3 13
v 23
 w  r  40,277 1,109
3 23
v 33
 w  r  40,092  0,369
3 33
v 43  w  r  40,369 1,479
3 43
v 53  w  r  40,369 1,479
3 53
v 63  w  r  40,369 1,479
3 63

v  w3  r73  40,277 1,109

73

v  w3  r83  40,462 1,849

83

v 93  w  r  40,277 1,109
3 93

d) Untuk Kriteria 4 (C4), diperoleh:

v14  w4 r14  30,293  0,878

25
 v 24
 w  r  30,293  0,878
4 24
v 34
 w  r  30,488 1,464
4 34

v 44
 w r  30,488 1,464
4 44
v 54
w r  30,293  0,878
4 54

v  w4  r64  30,293  0,878

64

v 74  w  r  30,293  0,878
4 74
v 84
 w  r  30,098  0,293
4 84
v 94
w r  30,293  0,878
4 94

e) Untuk Kriteria 5 (5), diperoleh:

v15  w5  r15  40,466
1,865 v25  w5  r25  4
0,093  0,373
v 35  w  r  40,187  0,746
5 35
v 45
w r  4 0,093  0,373
5 45

v55  w5  r55  4 0,373 1,492

v 65
 w  r  40,279 1,119
5 65
v 75
 w  r  40,279 1,119
5 75
v 85
 w  r  40,466 1,865
5 85

v95  w5  r95  40,466 1,865

Maka diperoleh matriks keputusan ternormalisasi terbobot sebagai

berikut.

26
 1,865 1,622 1,479 0,878 1,865 
 1,492 0,811 1,109 0,878 0,373 
 
 1,119 2,028 0,369 1,464 0,746 
 
0,746 2,028 1,479 1,464 0,373
v   1,119 1,622 1,479 0,878 1,492 
 
 1,865 1,217 1,479 0,878 1,119 
 1,119 1,622 1,109 0,878 1,119 
 
 1,119 2,028 1,849 0,293 1,865 
 
 

 1,119 1,622 1,109 0,878 1865 

3) Menentukan Matriks Solusi Ideal Positif dan Matriks Solusi Ideal Negatif.
Solusi ideal ( A  ) positif adalah sebagai berikut.
Tabel 3.8 Solusi Ideal ( A  ) Positif
Kemampuan Uang Kemampuan Jaminan Kondisi
(C1) Muka (C2) Melunasi (C4) (C5)
(C3)

Nilai Maksimum Maksimum Maksimum Maksimum Maksimum

Solusi Ideal positifnya sebagai berikut.

 Max1,865;1,492;1,119;0,746;1,119;1,865;1,119;1,119;1,1191,865

v
1
v 
 Max(1,622;0,811;2,028;2,028;1,622;1,217;1,622;2,028;1,622)  2,028
2

v 
 Max(1,479;1,109;0,369;1,479;1,479;1,479;1,109;1,849;1,109)  2,028
3
v 
 Max(0,878;0,878;1,464;1,464;0,878;0,878;0,878;0,293;0,878) 1,464
4

v5   Max(1,865;0,373;0,746;0,373;1,492;1,119;1,119;1,865;1,865) 1,865
Matriks solusi ideal positifnya sebagai berikut.
A = {1,865 2,028 1,849 1,464 1,865}


Solusi ideal ( A ) negatif adalah sebagai berikut.

27
 Tabel 3.9 Solusi Ideal ( A  ) Negatif
Kemampuan Uang Muka Kemampuan Jaminan Kondisi
(C1) (C2) Melunasi (C3) (C4) (C5)

Nilai Minimum Minimum Minimum Minimum Minimum

Solusi Ideal negatifnya sebagai berikut.

v 
 Min(1,865;1,492;1,119;0,746;1,119;1,865;1,119;1,119;1,119)  0,746
1
v 
 Min(1,622;0,811;2,028;2,028;1,622;1,217;1,622;2,028;1,622)  0,811
2

v 
 Min(1,479;1,109;0,369;1,479;1,479;1,479;1,109;1,849;1,109)  0,369
3
v 
 Min(0,878;0,878;1,464;1,464;0,878;0,878;0,878;0,293;0,878)  0,293
4

v 
 Min(1,865;0,373;0,746;0,373;1,492;1,119;1,119;1,865;1,865)  0,373
5
Matriks solusi ideal negatifnya sebagai berikut.

A
= {0,746 0,811 0,369 0,293 0,373}

4) Menentukan Jarak Antara Nilai Setiap Alternatif Dengan Matriks Solusi Ideal
Positif dan Matriks Solusi Ideal Negatif
a. Jarak Antara Nilai Setiap Alternatif Dengan Matriks Solusi Ideal Positif
S   v  v 
2
Rumus: i  
n
j 1 j ij
, dengan i = 1, 2, 3, . . . , m.

Jarak antara nilai setiap alternatif dengan matriks solusi ideal positif dihitung:
S 1  (1,865 1,865) 2  (2,028 1,622) 2  (1,849 1,479) 2  (1,464  0,878) 2  (1,865 1,865) 2

 0,734

S2   (1,865 1,492) 2  (2,028  0,811) 2  (1,849 1,119) 2  (1,464 1,109) 2  (1,865  0,373) 2

 2,176

S 3

 (1,865 1,119) 2  (2,028  2,028) 2  (1,849  0,369) 2  (1,464 1,464) 2  (1,865  0,746) 2
 1,999

28
S 4

 (1,865  0,746) 2  (2,028  2,028) 2  (1,849 1,479) 2  (1,464 1,464) 2  (1,865  0,373) 2

1,901
S 
 (1,865 1,119) 2  (2,028 1,622) 2  (1,849 1,479) 2  (1,464  0,878) 2  (1,865 1,492) 2

1,157

S6   (1,865 1,865) 2  (2,028 1,217) 2  (1,849 1,479) 2  (1,464  0,878) 2  (1,865 1,119) 2

 1,302

S 7

 (1,865 1,119) 2  (2,028 1,622) 2  (1,849 1,479) 2  (1,464  0,878) 2  (1,865 1,119) 2

 1,472
S 
 (1,865 1,119) 2  (2,028  2,028) 2  (1,849 1,849) 2  (1,464  0,293) 2  (1,865 1,865) 2
8

 1,389

S 
 (1,865 1,119) 2  (2,028 1,622) 2  (1,849 1,109) 2  (1,464 1,109) 2  (1,865 1,865) 2
9

 1,389

Jadi, jarak antara nilai terbobot setiap alternatif terhadap solusi ideal
positifnya adalah sebagai berikut.
+
1 = 0.734
2
+
= 2,176
+
3 = 1,999
+
4 = 1,901
+
5 = 1,157
+
6 = 1,302
+
7 = 0.734
+
8 = 1,389

29
 +
= 1,269
9
b. Jarak Antara Nilai Setiap Alternatif Dengan Matriks Solusi Ideal Negatif
Si   v  2
 
n

Rumus: j1 ij j  , dengan i = 1, 2, 3, . . . , m.

v

Jarak antara nilai setiap alternatif dengan matriks solusi ideal negatif dihitung
sebagai berikut.

S1  (1,865  0,746) 2  1,622  0,8112  1,479  0,3692  0,878  0,2932  1,865  0,3732


 2,389

 (1,492  0,746) 2  0,811 0,811 2  1,109  0,369  0,878  0,293 2  0,373  0,373
2 2
S
2

 1,203

 (1,119  0,746) 2  2,028  0,811 2  0,369  0,369 2  1,464  0,293  0,746  0,373 2
2
S
3

 1,769
S 
 (0,746  0,746) 2  2,028  0,811 2  1,479  0,369 2  1,464  0,293 2  0,373  0,373 2
4

 2,064

S5  (1,119  0,746) 2  1,622  0,8112  1,479  0,3692  0,878  0,2932  1,492  0,3732


 1,949
S 
 (1,865  0,746) 2  1,617  0,811 2  1,479  0,369 2  0,878  0,293 2  1,119  0,373 2
6

 1,883

 (1,119  0,746) 2  1,622  0,811  1,109  0,369 2  0,878  0,293 2  1,119  0,373 2
2
S
7

 1,498

30
 
 (1,119  0,746) 2  2,028  0,811  1,849  0,369  0,293  0,293 2  1,865  0,373 2
2 2
S
8

 2,456

 (1,119  0,746) 2  1,622  0,811 2  1,109  0,369 2  0,878  0,293 2  1,865  0,373
2
S
9

 1,978
Jadi, jarak antara nilai terbobot setiap alternatif terhadap solusi ideal
negatifnya adalah sebagai berikut.
−
1 = 2,389
2
−
= 1,203
−
3 = 1,769
−
4 = 2,064
−
5 = 1,949
−
6 = 1,883
−
7 = 1,498
−
8 = 2,456
−
9 = 1,978

5) Menentukan Nilai Preferensi Untuk Setiap Alternatif

−

+
,0≤ ≤ 1, dengan i = 1, 2, 3, . . ., m
Rumus: +=

( −
+ +
)

Hasil perhitungan nilai preferensinya adalah sebagai berikut.

−
2,389
+= 1

= = 0,765
1

( −
+ +
) (2,389+0,734)

1 1

−
1,203
2

+=
= = 0,356

( −
+ +) (1,203+2,176)
2 2

−
1,769
3

+=
= = 0,469
3

−
( + +) (1,769+1,999)

3 3

−
2,064
4

+=
= = 0,520
4

( −
+ +) (2,064+1,901)
4 4

−
1,949
5

+=
= = 0,627
5

−
( + +) (1,949+1,157)

5 5

−
1,883
6

+=
= = 0,591

− +
( + ) (1,883 +1,302)

6 6

31
 + −
=

= 0,504
1,498 = 0,634
(1,498 +0,734)
2,456 = 0,609
(2,456 +1,389)
1,978
(1,978 +1,269)

=
7

( −
+ +)

7 7

+
= 8

=
8

−
( + +)

8 8

+=
=
9

( −
+ +)

9 9

6) Merangkai Alternatif
+ +
Alternatif diurutkan dari nilai terbesar ke nilai terkecil. Alternatif dengan nilai terbesar merupakan solusi terbaik.
Tabel 3.9 Perankingan Nilai Preferensi
No. Pemohon Nilai Ranking
Kredit Preferensi

1 Koji 0,765 1
2 Levi 0,634 2
3 Wiyoga 0,627 3
4 Agung F 0,609 4
5 Wira 0,591 5
6 Djuarna 0,520 6
7 Sudana 0,504 7
8 Aldy 0,469 8
9 Bayu 0,356 9

Perankingan seperti pada Tabel 3.10 dapat memudahkan Perusahaan A

untuk menentukan pemohon kredit yang layak diberikan kredit.

32
 BAB IV
PENUTUP
4.1 Simpulan
Berdasarkan pembahasan pada bab sebelumnya, dapat disimpulkan hal-
hal sebagai berikut.
a. TOPSIS adalah salah satu metode pengambilan keputusan multikriteria atau
alternatif pilihan yang merupakan alternatif yang mempunyai jarak terkecil
dari solusi ideal positif dan jarak terbesar dari solusi ideal negatif dari sudut
pandang geometris dengan menggunakan jarak Euclidean. Adapun langka-
langkah dari algoritma TOPSIS adalah membangun sebuah matriks
keputusan, membuat matriks keputusan yang ternormalisasi, membuat matriks
keputusan yang ternormalisasi, menentukan matriks solusi ideal positif dan
solusi ideal negatif, menghitung separasi, menghitung kedekatan terhadap
solusi ideal positif, dan merangkai alternatif.
b. Metode TOPSIS untuk pendukung keputusan pemberian kredit mobil dengan
lima kriteria yaitu karakter (character), uang muka (capital), kemampuan
melunasi (capacity), jaminan (collateral), dan kondisi (condition). Dengan
menggunakan proses Algoritma TOPSIS ini akan memudahkan pihak
perusahaan A untuk menentukan pemohon kredit yang layak diajukan
permohonannya.
4.2 Saran
a. Pembahasan yang dikaji dalam seminar ini adalah bagaimana proses dari
Algoritma TOPSIS dan bagaimana penerapan Algoritma TOPSIS untuk
pendukung keputusan terhadap pemberian kredit mobil pada perusahaan A.
Apabila pembaca ingin mengkaji lebih lanjut tentang topik yang serupa,
maka disarankan kembangkanlah mengenai penerapan Algoritma TOPSIS
dalam bidang ilmu lainnya.

33