Informatica, 2013, Vol. 24, No.

1, 103-118 103
© 2013 Universitas Vilnius

Multi-Atribut Pengambilan Keputusan Model Berdasarkan

Jarak dari Preferensi Keputusan Maker

Dragisa STANUJKIC, Nedeljko MAGDALINOVIC, Rodoljub

Jovanovic
Fakultas Manajemen Zajecar, megatrend University Park Suma
“Kraljevica” bb, 19000 Zajecar, Serbia e-mail:
dragisa.stanujkic@fmz.edu.rs

Menerima: Juli 2010; diterima: Janyary 2012

Abstrak. Makalah ini mengusulkan multi-atribut prosedur peringkat baru berdasarkan jarak dari preferensi pengambil keputusan.
Metode ini memiliki dua fase. Pada tahap pertama fi, pembuat keputusan diminta untuk mendefinisikan kinerja yang lebih disukai
untuk setiap atribut. Pada tahap kedua, metode Sum tertimbang dan prosedur normalisasi berdasarkan jarak baru yang
digunakan untuk menentukan peringkat kinerja keseluruhan alternatif.

Kata kunci: multi-atribut, pengambilan keputusan, kinerja yang lebih disukai, metode jumlah tertimbang, pendekatan titik ideal.

1. Perkenalan

Multi-atribut pengambilan keputusan (MADM) mengacu pada skrining, memprioritaskan, peringkat, atau memilih satu
set alternatif biasanya di bawah independen, tidak seimbang atau saling bertentangan atribut (Saremi et al., 2009;
Hwang dan Yoon, 1981). Masalah MADM dapat ringkas dinyatakan dalam format matriks seperti berikut:

C1C2 ··· Cn
••••• •••••,
SEBUAH 1 x 11 x 12 ··· x1n

D= SEBUAH 2 x 12 x 22 ··· x2n

. . . . .
. . . . .
. . . . .
SEBUAH m x1nx2n· xMN

W = [w 1, w 2, . . . . w n],

dimana SEBUAH 1, SEBUAH 2, . . . . SEBUAH m alternatif layak, C 1, C 2, . . . . C n adalah atribut (kriteria),

x aku j adalah rating kinerja saya Alternatif th sehubungan dengan j th atribut, dan w j adalah berat badan (signifikansi) dari
j th atribut.
Dalam evaluasi MADM khas, atribut dapat diklasifikasikan ke dalam dua kategori utama: atribut biaya dan
manfaat t atribut. Dalam kasus diuntungkan atribut, skor yang lebih tinggi ditugaskan untuk alternatif yang
peringkat kinerja lebih tinggi, yaitu, lebih merupakan maksimum j th atribut. Berbeda dengan sebelumnya, dalam
kasus atribut biaya, lebih tinggi
104 D. Stanujkic et al.

skor ditugaskan untuk alternatif yang peringkat kinerja lebih rendah, yaitu, minimal j th atribut adalah lebih baik.

Selain kasus di mana pengambil keputusan lebih memilih peringkat kinerja yang lebih tinggi atau lebih rendah, ada juga
kasus di mana para pengambil keputusan mengekspresikan preferensi mereka menggunakan peringkat kinerja yang lebih
disukai. Misalnya, dalam kasus pemilihan komputer spesialis TI dapat memberikan beberapa rekomendasi dalam kaitannya
dengan karakteristik komputer,
yaitu, untuk mendefinisikan karakteristik yang diperlukan atau diinginkan dari komputer. Dalam kasus ini, alternatif,
yaitu, komputer, yang pertunjukan yang sama dengan pertunjukan diinginkan, dibandingkan dengan semua atribut,
berpotensi alternatif terbaik. Namun, dalam kasus dunia nyata evaluasi, peringkat kinerja alternatif nyata biasanya
berbeda dari peringkat kinerja yang diperlukan atau diinginkan, setidaknya dalam kaitannya dengan satu atribut.

Atribut yang digunakan untuk evaluasi alternatif kadang-kadang bisa saling tergantung, sampai batas
tertentu. Akibatnya, alternatif yang peringkat kinerja dalam beberapa cara menyimpang dari peringkat kinerja
yang lebih disukai mungkin lebih diterima. Sebagai contoh, alternatif bisa jauh lebih dapat diterima jika ada
penilaian kinerja, menurut atribut diuntungkan, melebihi disukai peringkat kinerja tanpa peningkatan yang
signifikan dari peringkat kinerja beberapa atribut biaya atau sedikit lebih buruk peringkat kinerja dari t atribut
manfaat yang secara signifikan mempengaruhi penurunan peringkat kinerja atribut biaya.

Solusi terbaik, yaitu, alternatif yang paling dapat diterima, merupakan alternatif yang kinerjanya
memberikan kompromi terbaik antara peringkat kinerja diuntungkan dan atribut biaya.

Sisa kertas ini disusun sebagai berikut. Dalam Bagian 2 metode Sum tertimbang disajikan; dalam Bagian
3, dua prosedur normalisasi karakteristik dijelaskan secara rinci; dalam Bagian 4 prosedur normalisasi,
berdasarkan peringkat kinerja disukai dan pendekatan kami, diusulkan. Sebuah contoh ilustratif diberikan dan
dibahas dalam Bagian 5. Akhirnya, Bagian 6 berisi kesimpulan dari kertas.

2. Weighted SumMethod

The Weighted Sum (WS) metode, lebih sering dikenal sebagai Aditif Simple tertimbang (SAW) metode
(MacCrimmon, 1968), mungkin yang paling dikenal dan paling banyak digunakan MADMmethod (Hwang dan Yoon,
1981; Chou, Chen dan Hwang, 1992 et al., 2008). Logika dasar dari metode WS adalah untuk mendapatkan jumlah
tertimbang dari peringkat kinerja setiap alternatif atas semua atribut (MacCrimmon, 1968; Hwang dan Yoon, 1981;
Chen dan Hwang, 1992; Yoon dan Hwang, 1995). Oleh karena itu, peringkat kinerja keseluruhan dari setiap
alternatif diperoleh dengan menggunakan rumus berikut:

Σn
Si= w j · r aku j, (1)
j=1

dimana S saya adalah rating kinerja keseluruhan saya alternatif th; w j adalah berat j th atribut; dan r aku j adalah rating
kinerja ternormalisasi dari saya Alternatif th sehubungan dengan j th atribut.
 Multi-Atribut Pengambilan Keputusan Model 105

Seperti dapat dilihat dari rumus (1), kita harus memiliki peringkat kinerja dinormalisasi untuk menghilangkan

masalah-masalah komputasi yang dapat disebabkan oleh penggunaan unit yang berbeda dari langkah-langkah dalam matriks

pengambilan keputusan.

Sejumlah metode normalisasi, dengan kompleksitas yang berbeda, telah diusulkan. Beberapa metode
MADM memerlukan penggunaan metode normalisasi tertentu. Sebagai contoh, metode COPRAS (Zavadskas et
al., 1994) didasarkan pada penggunaan transformasi linear - metode Sum, sedangkan penulis metode Moora
(Brauers dan Zavadskas, 2006) berpendapat bahwa akar kuadrat dari jumlah kuadrat dari setiap alternatif per
atribut, juga dikenal sebagai Vector normalisasi metode, adalah satu-satunya metode normalisasi sesuai untuk
metode ini.

Bertentangan dengan kelompok di atas metode MADM, beberapa metode MADM lain memiliki metode
normalisasi dianjurkan mereka, tetapi mereka juga dapat digunakan dengan metode normalisasi lainnya. Sebagai
contoh, metode TOPSIS (Hwang dan Yoon, 1981) didasarkan pada penggunaan metode vektor normalisasi, tetapi
juga dapat digunakan dengan beberapa metode normalisasi lainnya (Wang dan Chang, 2007; Mahdavi et al., 2008;
Wu et al., 2009), terutama ketika evaluasi dilakukan dalam lingkungan kabur.

Metode WS dapat digunakan dengan berbagai metode normalisasi. Namun, fungsi agregatif, digunakan
dalam metode WS, tidak membuat perbedaan antara manfaat t dan jenis biaya atribut, itu sebabnya prosedur
normalisasi digunakan dengan metode WS harus pada saat yang sama mengubah peringkat kinerja biaya
jenis atribut ke dalam bene memadai fi t peringkat kinerja.

3. Prosedur Normalisasi

Dalam metode MADM, prosedur normalisasi digunakan untuk menghilangkan unit yang berbeda dari ukuran
yang peringkat kinerja atribut dinyatakan. Banyak penulis menyarankan penggunaan berbagai prosedur
normalisasi. Dua prosedur normalisasi karakteristik:

• Linear Skala Transformasi, Metode Max; dan

• Linear Skala Transformasi, Cara MAXMIN, disajikan di
bawah ini.

3.1. Linear Skala Transformasi, Max Cara

Metode ini memberikan prosedur normalisasi yang paling sederhana. Dalam Linear Skala Transformasi - Max
(LST-Max) metode, peringkat kinerja setiap alternatif dibagi dengan rating performa maksimal untuk atribut
tersebut.
Untuk memperoleh manfaat atribut peringkat kinerja ternormalisasi dihitung (Zavadskas dan Turskis, 2008;
Van Delft dan Nijkamp, ​1977) menggunakan rumus berikut:

r ij = x aku j . (2)
x+j
106 D. Stanujkic et al.

Gambar. 1. normalisasi berbasis kinerja, metode LST-Max.

dimana x aku j adalah peringkat kinerja saya Alternatif th sehubungan dengan j th atribut; dan x + j

adalah rating kinerja terbesar j th atribut.

Ini cara normalisasi, di mana peringkat kinerja alternatif digunakan sebagai nominator dari rasio Δ n / Δ dn, dapat
diklasifikasikan sebagai prosedur normalisasi berbasis kinerja (lihat Gambar. 1).

Dalam rangka untuk mengubah biaya untuk memperoleh manfaat jenis fi t pertunjukan, peringkat kinerja ternormalisasi dihitung

dengan menggunakan rumus berikut:

r ij = x - j/ x aku j, (3)

dimana x - j adalah peringkat kinerja terkecil dari atribut dipertimbangkan. Selain prosedur yang dibahas di atas,

prosedur normalisasi berbasis kinerja juga termasuk yang terkenal:

• Linear Skala Transformasi - Metode Sum (LST-Sum); dan

• Vektor normalisasi (VN),
di mana peringkat kinerja juga digunakan sebagai nominator.
Berbeda dengan prosedur yang dibahas di atas, di Linear Skala Transformasi - Summethod (4) jumlah semua
peringkat kinerja, sehubungan dengan atribut dipertimbangkan, digunakan sebagai penyebut, sedangkan Vector
normalisasi (5) menggunakan akar kuadrat dari jumlah kuadrat dari peringkat kinerja sebagai nominator yang (Van
Delft dan Nijkamp, ​1977).

/n Σ
r ij = x aku j x aku j, (4)
i=1

/(n Σ ) 1/2

r ij = x aku j x 2 aku j . (5)

i=1

Nominator, yang digunakan dalam (4) dan (5), memiliki efek pada nilai-nilai peringkat kinerja normal, tetapi tidak

mengubah apa pun secara fundamental dalam kaitannya dengan rumus (2).

Menggunakan prosedur normalisasi ini, yang termasuk dalam prosedur normalisasi berbasis kinerja,
penilaian kinerja diubah menjadi nilai-nilai berdimensi yang
 Multi-Atribut Pengambilan Keputusan Model 107

berada di interval [0,1], atau lebih tepatnya di interval [ x - j / Δ dn j, x + j / Δ dn j], sementara

alternatif dengan yang terbaik peringkat kinerja memiliki nilai tertinggi dari rating kinerja ternormalisasi.

Seperti dapat dilihat dari (2), (4) dan (5), prosedur normalisasi berbasis kinerja tidak mengizinkan
masuknya preferensi pengambil keputusan dalam proses normalisasi.

3.2. Linear Skala Transformasi, MAXMIN Cara

Metode normalisasi ini menganggap kedua peringkat maksimum dan minimum kinerja atribut selama
perhitungan (Zavadskas dan Turskis, 2008; Weitendorf, 1976). Nilai dinormalisasi r aku j diperoleh dengan
menggunakan rumus:

j
r ij = x aku j - x - . (6)
x+ j- x- j

untuk memperoleh manfaat atribut dan dengan menggunakan rumus berikut:

j- x aku j
r ij = x + . (7)
x+
j- x- j

untuk atribut biaya.

Dalam Linear Skala Transformasi - MAXMIN metode (LST-MAXMIN), alih-alih menggunakan peringkat
kinerja sebagai nominator, jarak antara peringkat kinerja alternatif dan titik referensi yang tepat digunakan; Oleh
karena itu, jenis ini normalisasi dapat diklasifikasikan sebagai prosedur normalisasi berdasarkan jarak (lihat
Gambar. 2).
Ketika metode LST-MAXMIN digunakan untuk manfaat t atribut, jarak dihitung sebagai perbedaan antara
nilai kinerja alternatif dipertimbangkan dan peringkat kinerja terburuk dari semua alternatif sesuai dengan
atribut dianggap ( Δ n = x aku j - x -

j); atau untuk atribut biaya, sebagai perbedaan antara yang terbaik perfor-

Peringkat Mance dari semua alternatif dan rating kinerja alternatif dianggap

Gambar. 2. normalisasi berdasarkan jarak, metode LST-MAXMIN.

108 D. Stanujkic et al.

(Δn=x+ j- x aku j). Menggunakan prosedur yang diuraikan, jarak yang diperoleh lebih besar dari atau sama dengan nol Δ n
0.
Penyebut yang digunakan di (6) dan (7), Δ dn j = x + j- x- j, mengubah diperoleh
jarak ke berdimensi nilai-nilai yang termasuk ke dalam interval [0,1], dimana kinerja ternormalisasi dari
alternatif dengan peringkat kinerja terbaik untuk atribut dianggap memiliki nilai 1, dan terburuk memiliki nilai 0.

Selain prosedur normalisasi dibahas, metode LST-MAXMIN, dalam prosedur normalisasi berdasarkan
jarak dapat juga dimasukkan, lebih sering digunakan, Juttler (1966) dan Juttler-Korth (Korth, 1969) prosedur
normalisasi.
Untuk normalisasi Juttler (Zavadskas dan Turskis, 2008; Brauers et al., 2008; Juttler,
1966) mengusulkan rumus berikut:

j- x aku j
r ij = x + . (8)
x+
j

untuk manfaat t attributs. Sebuah formula yang sama diusulkan oleh Korth (1969):

||||.
j- x aku j
r ij = 1 - |||| x + (9)
x+
j

Beberapa kelemahan dari prosedur normalisasi Juttler dan Juttler-Korth sedang dibahas di Zavadskas dan
Turskis (2008) dan Brauers et al. ( 2008).

4. Model Usulan untuk Alternatif Ranking Berdasarkan Preferred Penilaian Kinerja

Untuk menyorot keuntungan yang dapat dicapai dengan menggunakan peringkat kinerja disukai atribut selama
evaluasi alternatif, kami mengusulkan penggunaan metode theWeighted Sum, yang meliputi langkah-langkah
berikut:

• mendefinisikan rating kinerja yang lebih disukai untuk setiap atribut;

• menormalkan peringkat kinerja;
• menerapkan prosedur agregasi untuk menentukan indeks peringkat keseluruhan untuk setiap alternatif; dan

• pilih yang paling dapat diterima alternatif atau peringkat alternatif.

Langkah 1. De fi ne peringkat kinerja yang lebih disukai untuk setiap atribut

Setelah membuat matriks pengambilan keputusan awal, langkah pertama dalam metodologi kami adalah
pembentukan alternatif maya SEBUAH * = { x * 1, x * 2, . . . . x * n}, yang unsur-unsurnya x * j adalah peringkat kinerja disukai
atribut.
peringkat kinerja disukai ditugaskan oleh pembuat keputusan menurut / nya preferensi nya. Jika rating
kinerja disukai dari atribut apapun tidak ditetapkan, dapat ditentukan dengan menggunakan rumus berikut
(Zavadskas dan Turskis, 2010):

|| j ∈ J max) ( min || j ∈ J min)}

x * j = {( max . . (10)
saya x aku j saya x aku j
 Multi-Atribut Pengambilan Keputusan Model 109

Gambar. 3. normalisasi berdasarkan jarak, sehubungan dengan peringkat kinerja disukai.

dimana x * j adalah peringkat kinerja yang disukai j th atribut; J max dikaitkan dengan manfaat t atribut; dan J min dikaitkan
dengan atribut biaya.

Langkah 2. peringkat kinerja Menormalkan

Langkah kedua dalam metodologi kami adalah normalisasi elemen matriks pengambilan keputusan, dan
juga normalisasi peringkat kinerja disukai atribut.

Memperhatikan peringkat kinerja disukai atribut, dalam rangka untuk menghitung peringkat kinerja normal,
kami menggabungkan Weitendorf (1976) dan Juttler (1966) pendekatan. Mengganti nominator dalam formula
(6) oleh nominator yang mewakili jarak antara penilaian kinerja saya alternatif th dan rating kinerja disukai j th
atribut (. lihat Gambar 3), kita memiliki rumus berikut:

r ij = x aku j - x * j . (11)
x+ j- x- j

yang dapat digunakan dalam kasus diuntungkan atribut. Dalam rumus sebelumnya x * j merupakan peringkat kinerja
yang disukai j th atribut.
Dalam cara yang sama, dengan mengganti nominator dalam formula (7), kita bisa mendapatkan rumus untuk
normalisasi atribut biaya, dalam bentuk berikut:

r ij = x * j - x aku j . (12)
x+j- x- j

Selain normalisasi, rumus (11) dan (12) juga melakukan transformasi berikut:

• Dalam kasus t atribut manfaat, yaitu, arah optimasi adalah maksimalisasi, peringkat kinerja normalisasi
adalah:

• positif, r ij> 0, jika peringkat kinerja x aku j dari saya alternatif th lebih tinggi dari rating kinerja disukai j th
atribut;
110 D. Stanujkic et al.

• negatif, r ij < 0, apabila peringkat kinerja saya alternatif th lebih rendah dari yang disukai.

• Dalam kasus atribut biaya, yaitu, arah optimasi adalah minimalisasi, peringkat kinerja ternormalisasi r aku
j adalah:

• positif, r ij> 0, jika peringkat kinerja x aku j dari saya alternatif th lebih rendah dari rating kinerja disukai
j th atribut;
• negatif, r ij < 0, jika kinerja rating saya alternatif th lebih tinggi dari yang disukai.

• Dan akhirnya, terlepas dari jenis atribut, peringkat kinerja ternormalisasi memiliki nilai nol, r ij = 0, ketika
peringkat kinerja adalah sama dengan disukai Peringkat kinerja, karena jarak antara kinerja dan
performa yang lebih disukai adalah sama dengan nol.

Setelah normalisasi, langkah berikutnya dalam metodologi kami adalah penentuan peringkat kinerja secara keseluruhan untuk

alternatif yang dipertimbangkan.

Langkah 3. fase Agregasi

The peringkat kinerja secara keseluruhan untuk alternatif yang dipertimbangkan dihitung dengan menggunakan rumus (1),

yang ditunjukkan lagi di bawah untuk membuat presentasi ini lebih jelas:

Σn
Si= w j · r aku j. (13)
j=1

Menggunakan rumus (13) kita mendapatkan nilai-nilai yang dimiliki interval S saya ∈ [- 1, 1]. Peringkat kinerja
keseluruhan aternatives yang memiliki peringkat kinerja sama dengan peringkat kinerja disukai adalah sama
dengan nol, S i = 0.
Dalam masalah MADM dunia nyata khas beberapa peringkat kinerja alternatif biasanya menyimpang dari
pertunjukan yang disukai. Prosedur normalisasi yang diusulkan memungkinkan kompensasi antara peringkat
kinerja yang lebih baik dan lebih buruk dari alternatif.
Alternatif, yang beberapa secara signifikan peringkat kinerja yang lebih baik berhasil mengimbangi dampak
dari peringkat kinerja buruk yang dicapai sehubungan dengan atribut yang tersisa, Σ

r ij> 0 w j r aku j - Σ r ij < 0 w j r ij> 0, memiliki keseluruhan yang lebih besar peringkat kinerja
dari nol, S i> 0.
Bertentangan dengan kasus yang disebutkan di atas, alternatif, yang kinerjanya lebih baik dicapai atas
dasar beberapa atribut tidak dapat mengimbangi dampak dari peringkat kinerja buruk yang dicapai
sehubungan dengan atribut yang tersisa, Σ
Σ r ij> 0 w j r aku j -

r ij < 0 w j
r ij < 0, memiliki keseluruhan peringkat kinerja kurang dari nol, S i < 0.
Dan akhirnya, alternatif yang lebih baik pertunjukan peringkat benar-benar dibatalkan oleh peringkat
kinerja buruk, Σ
r ij> 0 w j r aku j - Σ r ij < 0 w j r ij = 0, memiliki keseluruhan
Peringkat kinerja sama dengan nol, S i = 0.
Dengan menggunakan metode Sum tertimbang dan prosedur normalisasi berdasarkan jarak yang diusulkan, yakni dengan

menerapkan (13), (11) dan (12), kita mendapatkan prosedur untuk menghitung peringkat kinerja keseluruhan alternatif yang

mirip dengan prosedur yang digunakan dalam metode Moora baru yang diusulkan (Brauers dan Zavadskas, 2006), di mana

dalam rangka untuk menghitung

 Multi-Atribut Pengambilan Keputusan Model 111

peringkat kinerja keseluruhan alternatif (Brauers dan Zavadskas, 2009) rumus berikut digunakan:

i=g
Σ Σ
yÿ j* = s saya x * aku j - i = n s saya x * aku j, (14)
i=1 j=g+1

dimana ¨ y j adalah rating kinerja keseluruhan j alternatif th; s saya adalah signifikansi koefisien dari saya th atribut, x *
aku j adalah kinerja normalized j Alternatif th sehubungan dengan
saya th atribut; i = 1, 2, . . . . g mewakili diuntungkan dan i = g + 1, g + 2, . . . . n mewakili atribut biaya.

Prosedur yang diusulkan juga mirip dengan prosedur yang digunakan oleh Kalibatas dan Turskis (2008).

Langkah 4. Pemilihan alternatif yang paling dapat diterima atau alternatif Peringkat

Sesuai dengan pertimbangan sebelumnya, dalam kasus alternatif peringkat berdasarkan peringkat kinerja
disukai atribut, alternatif yang paling dapat diterima adalah alternatif dengan nilai tertinggi S saya, dan alternatif
terbaik, SEBUAH *, ditentukan sebagai

Σn
SEBUAH * = max w j · r aku j. (15)
saya S i = max saya
j=1

5. Numerical Contoh

Pada bagian ini, kita mempertimbangkan contoh numerik untuk menjelaskan secara akurat metodologi yang diusulkan.
Setelah itu, sebagai analisis komparatif, kita membandingkan hasil dari metodologi dan hasil yang diperoleh dengan
menggunakan metode MADM terkenal diusulkan: SAW dan TOPSIS.

5.1. Contoh Ilustrasi

Misalkan manajemen perusahaan berencana untuk mengganti komputer karyawan di departemen. Misalkan
juga bahwa, berdasarkan karakteristik dari kegiatan usaha yang dilakukan di departemen, IT spesialis
merekomendasikan pembelian model HP Compaq 6730b PC Notebook dengan karakteristik yang disukai
berikut:

• CPU (speed) sekitar 2,4 GHz;

• RAM (kapasitas) sekitar 4 GB;
• HDD (kapasitas) sekitar 250 GB.
Selain karakteristik yang disebutkan di atas, yaitu, atribut, harga dan periode garansi juga
dipertimbangkan, sehingga daftar lengkap atribut di mana seleksi akan dibuat berisi atribut berikut: Harga, CPU
(kecepatan), RAM ( kapasitas), HDD (kapasitas) dan Garansi.
112 D. Stanujkic et al.

Tabel 1

Pentingnya dan bobot atribut

Atribut Harga CPU RAM HDD Garansi

pentingnya ( 1 - 10) 7 7 5 3 1

Berat 0,304 0,304 0,217 0.130 0,043

Meja 2

Awal pengambilan keputusan matriks - Karakteristik HP Compaq 6730b model PC Notebook

atribut C1 C2 C3 C4 C5

Harga CPU RAM HDD Jaminan

Kecepatan Kapasitas Kapasitas Waktu

Unit langkah-langkah $ GHz GB GB Tahun (s)

Tersedia 1; 2; 4 120 - 500 1; 3

jenis optimasi min max max max max

peringkat disukai 1200,00 2,40 4 250 3

berat ( w j) 0,304 0,304 0,217 0.130 0,043

No Model

SEBUAH 1 FH008AW 1,549.00 2,53 2 160 3

SEBUAH 2 NQ281AW 1,499.00 2,53 2 250 3

SEBUAH 3 FH005AW 1,379.00 2,40 2 160 3

SEBUAH 4 KS183UT 1,259.00 2,40 4 500 3

SEBUAH 5 KS181UT 1,129.00 2,40 2 320 3

SEBUAH 6 KS179UT 1,049.00 2,40 4 320 1

SEBUAH 7 KS180UT 989,00 2,40 2 250 3

Misalkan juga bahwa spesialis IT, menggunakan nilai-nilai pada skala 1-10, menetapkan pentingnya untuk atribut
ini. nilai-nilai yang ditetapkan dan bobot atribut yang sesuai ditunjukkan pada Tabel 1.

Beberapa karakteristik yang paling penting dari HP Compaq 6730b model PC Notebook tertentu (atribut),
atribut bobot, jenis optimasi dan peringkat kinerja disukai atribut ditunjukkan pada Tabel 2. 1

Setelah membuat matriks pengambilan keputusan awal, normalisasi yang dilakukan. Efek normalisasi
dicapai dengan menerapkan (11) dan (12), ditunjukkan pada Tabel 3.
Pada langkah berikutnya, tertimbang normalisasi pengambilan keputusan matriks dibentuk dengan mengalikan elemen

di kolom normalisasi matriks pengambilan keputusan oleh bobot yang sesuai. Tertimbang dinormalisasi pengambilan

keputusan matriks ditunjukkan pada Tabel 4.

1 Sumber: http://h10010.www1.hp.com/wwpc/us/en/en/WF25a/321957-32195764295-321838-3955547-3687777.html ( 2009/12/02).

 Multi-Atribut Pengambilan Keputusan Model 113

Tabel 3 Efek

normalisasi

Tidak. model atribut

C1 C2 C3 C4 C5

SEBUAH 1 FH008AW - 0,623 1.000 - 1.000 - 0,265 0.000

SEBUAH 2 NQ281AW - 0,534 1.000 - 1.000 0.000 0.000

SEBUAH 3 FH005AW - 0,304 0.000 - 1.000 - 0,265 0.000

SEBUAH 4 KS183UT - 0,105 0.000 0.000 0,735 0.000

SEBUAH 5 KS181UT 0,127 0.000 - 1.000 0,206 0.000

SEBUAH 6 KS179UT 0.270 0.000 0.000 0,206 - 1.000

SEBUAH 7 KS180UT 0,377 0.000 - 1.000 0.000 0.000

tabel 4

Tertimbang normalisasi matriks pengambilan keputusan

Tidak. model atribut

C1 C2 C3 C4 C5

min max max max max

SEBUAH 1 FH008AW - 0,190 0,304 - 0,217 - 0,035 0.000

SEBUAH 2 NQ281AW - 0,163 0,304 - 0,217 0.000 0.000

SEBUAH 3 FH005AW - 0,092 0.000 - 0,217 - 0,035 0.000

SEBUAH 4 KS183UT - 0.032 0.000 0.000 0.096 0.000

SEBUAH 5 KS181UT 0.039 0.000 - 0,217 0,027 0.000

SEBUAH 6 KS179UT 0,082 0.000 0.000 0,027 - 0,043

SEBUAH 7 KS180UT 0.115 0.000 - 0,217 0.000 0.000

Setelah itu, peringkat kinerja secara keseluruhan untuk salah satu alternatif dianggap dapat akhirnya ditentukan.

hasil peringkat, serta jumlah dari peringkat tertimbang kinerja ternormalisasi dari alternatif yang diperoleh pada dasar
atribut dengan secara signifikan lebih baik atau peringkat kinerja yang lebih buruk dibandingkan dengan peringkat kinerja
yang lebih disukai, ditunjukkan pada Tabel 5.
Berdasarkan hasil yang ditunjukkan pada Tabel 5, dapat dengan mudah dilihat bahwa yang terbaik peringkat
adalah alternatif A6 (Model: KS179UT), dengan rating kinerja keseluruhan 0,065. Runner alternatif adalah alternatif A4
(Model: KS183UT), dengan rating kinerja secara keseluruhan sedikit lebih rendah, yang 0,064.

5.2. Studi Perbandingan

Untuk memverifikasi metodologi yang diusulkan, di bawah ini menunjukkan perbandingan hasil yang diperoleh oleh
aplikasi dan serta hasil yang diperoleh dengan menerapkan dua MADMmethods signifikan fi, dan juga dikenal
prosedur normalisasi.
114 D. Stanujkic et al.

Tabel 5 Hasil alternatif

peringkat

Tidak. model atribut

Σ w j r aku j S Pangkat

r ij> 0 r ij < 0

SEBUAH 1 FH008AW 0,304 - 0,442 - 0,137 5

SEBUAH 2 NQ281AW 0,304 - 0,380 - 0,076 3

SEBUAH 3 FH005AW 0.000 - 0,344 - 0,344 7

SEBUAH 4 KS183UT 0.096 - 0.032 0,064 2

SEBUAH 5 KS181UT 0,065 - 0,217 - 0,152 6

A6 KS179UT 0,109 - 0,043 0,065 1

SEBUAH 7 KS180UT 0.115 - 0,217 - 0,103 4

tabel 6

Kinerja keseluruhan dan peringkat urutan alternatif

model Metode SAW ( LST-Max)

SAW ( LST-MAXMIN) TOPSIS TOPSIS ( M) WS

saya II AKU AKU AKU IV V

S Pangkat S Pangkat S rank S rank S Pangkat

FH008AW 0.693 7 0,348 5 0,121 7 0,063 7 - 0,137 5

NQ281AW 0,723 5 0.410 3 0,191 5 0,094 6 - 0,076 3

FH005AW 0,702 6 0,141 7 0,182 6 0,099 5 - 0,344 7

KS183UT 0,919 1 0,549 2 0.777 1 0,286 2 0,064 2

KS181UT 0,791 4 0,333 6 0,409 4 0,216 4 - 0,152 6

KS179UT 0,891 2 0,551 1 0,708 2 0,287 1 0,065 1

KS180UT 0.810 3 0.382 4 0,423 3 0,249 3 - 0,103 4

Hasil, diperoleh dengan menggunakan SAWmethod dengan metode LSTMax, ditunjukkan pada kolom I Tabel 6,
dan hasil yang diperoleh dengan menggunakan metode yang sama dengan metode LSTMax-Min dalam kolom II.
Kolom III dari Tabel 6 berisi hasil yang diperoleh dengan menerapkan metode TOPSIS.

Urutan peringkat alternatif, yang diperoleh dengan menggunakan metode MADM yang berbeda, dirangkum dalam Tabel

7.

Seperti dapat dilihat dari Tabel 6 dan 7, dengan menggunakan metode SAW dengan prosedur normalisasi
LST-Max serta metode TOPSIS, alternatif SEBUAH 4 terpilih sebagai alternatif terbaik, sedangkan alternatif SEBUAH 6 mengambil
posisi kedua. Namun, dengan menggunakan SAWmethod dengan prosedur normalisasi LST-MAXMIN kami memiliki
urutan terbalik dari dua alternatif terbaik ditempatkan.

Dalam metode TOPSIS, solusi positif-ideal terbentuk ot dasar penilaian kinerja yang paling diinginkan
tertimbang dinormalisasi dalam kasus atribut diuntungkan, dan
 Multi-Atribut Pengambilan Keputusan Model 115

Tabel 7 Ranking agar

perbandingan

metode urutan peringkat

GERGAJI( LST-Max) SEBUAH 4 SEBUAH 6 SEBUAH 7 SEBUAH 5 SEBUAH 2 SEBUAH 3 SEBUAH 1

SAW ( LST-MAXMIN) SEBUAH 6 SEBUAH 4 SEBUAH 2 SEBUAH 7 SEBUAH 1 SEBUAH 5 SEBUAH 3

TOPSIS SEBUAH 4 SEBUAH 6 SEBUAH 7 SEBUAH 5 SEBUAH 2 SEBUAH 3 SEBUAH 1

TOPSIS ( M) SEBUAH 6 SEBUAH 4 SEBUAH 7 SEBUAH 5 SEBUAH 3 SEBUAH 2 SEBUAH 1

WS SEBUAH 6 SEBUAH 4 SEBUAH 2 SEBUAH 7 SEBUAH 1 SEBUAH 5 SEBUAH 3

paling tidak diinginkan dalam kasus biaya atribut, seperti yang ditunjukkan oleh rumus berikut:

} = {( max ( min || j ∈ J min)}

A + = {v + 1, v + 2, . . . . v + n . . (16)
saya v ij | j ∈ J max) saya v aku j

dimana v aku j adalah tertimbang peringkat kinerja normalized saya alternatif th menurut
j th atribut; J max dikaitkan dengan t atribut manfaat; dan J min dikaitkan dengan atribut biaya.

Dalam rangka untuk melakukan perbandingan yang lebih realistis, kami juga melakukan peringkat alternatif
menggunakan metode TOPSIS, dimana solusi positif-ideal terbentuk dari peringkat kinerja yang lebih disukai, seperti
yang ditunjukkan oleh rumus berikut:

} = { v* || j ∈ 1, . . . . n},
A + = {v + 1, v + 2, . . . . v + n j (17)

dimana v * j adalah peringkat kinerja disukai tertimbang normalized j th atribut. Hasil yang diperoleh dengan

menerapkan metode TOPSIS, di mana solusi positif-ideal dibentuk dengan menggunakan rumus (17), ditunjukkan
dalam kolom IV dari Tabel 6. urutan peringkat yang sama dari pertama dua alternatif terbaik-peringkat seperti dalam
kasus menggunakan prosedur peringkat kami tercapai. Ini con fi rms ketepatan metodologi kami dan juga
menunjukkan bahwa peringkat alternatif berdasarkan peringkat disukai kinerja dengan tingkat yang lebih tinggi
memuaskan preferensi pengambil keputusan.

Tabel 8 menunjukkan penampilan dari dua model terbaik-peringkat komputer, serta peringkat kinerja
disukai atribut yang digunakan untuk evaluasi.
alternatif SEBUAH 4 memiliki peringkat kinerja sama dengan peringkat kinerja yang lebih disukai untuk atribut C
2, C 3 dan C 5, dan peringkat kinerjanya melebihi yang lebih disukai untuk atribut C 1 dan C 4. Namun, atribut C 1 adalah
atribut biaya yang kinerjanya lebih besar dari yang disukai dan memiliki efek negatif pada kinerja secara
keseluruhan.
Alternatif A 6 telah peringkat kinerja yang sama yang lebih disukai untuk atribut C 2 dan
C 3. Rating kinerja melebihi kinerja yang diinginkan untuk atribut C 4, dan tidak mencapai kinerja lebih disukai
untuk atribut C 1 dan C 5.
Dengan menggunakan metodologi yang diusulkan alternatif SEBUAH 6 Peringkat kinerjanya sedikit lebih buruk diperoleh
dalam kaitannya dengan atribut C 5 berhasil mengimbanginya dengan rating kinerja yang lebih disukai diperoleh dalam
kaitannya dengan atribut C 1. Oleh karena itu, alternatif
SEBUAH 6 lebih dekat memenuhi preferensi pengambil keputusan dan dipilih sebagai yang paling dapat diterima, yaitu,
yang paling tepat dari set alternatif yang ditawarkan.
116 D. Stanujkic et al.

tabel 8

karakteristik komparatif dari dua alternatif terbaik-peringkat

atribut C1 C2 C3 C4 C5

Harga CPU RAM HDD Garansi

Memilih. arah min max max max max

berat 0,304 0,304 0,217 0.130 0,043

Pilihan 1200,00 2,40 4 250 3

Tidak. Model

SEBUAH 4 KS183UT 1,259.00 2,40 4 500 3

SEBUAH 6 KS179UT 1,049.00 2,40 4 320 1

6. Kesimpulan

Peringkat satu set alternatif berdasarkan jarak mereka dari titik ideal adalah sangat aktual multi-atribut pengambilan
keputusan pendekatan, dan itu diimplementasikan dalam metode TOPSIS sering digunakan.

Dalam metode TOPSIS, konsep tempat ideal juga telah diperpanjang oleh jarak dari titik negatif-ideal,
sehingga metode ini menggunakan dua titik ideal, titik positiveideal, yang berisi peringkat kinerja paling
diinginkan atribut, dan titik negatif-ideal , yang berisi peringkat kinerja yang paling tidak diinginkan.

Makalah ini menyajikan metodologi yang memungkinkan peringkat alternatif atas dasar jarak mereka dari titik
ideal, di mana tempat ideal dibentuk sesuai dengan preferensi pengambil keputusan. Metodologi yang diusulkan jauh
lebih sederhana dibandingkan dengan metodologi yang digunakan oleh TOPSIS, dan juga menyediakan hasil yang
dapat diterima.

Ucapan Terima Kasih. Makalah ini adalah hasil parsial dari fi TR33023 proyek didanai oleh Departemen Ilmu
dan Pengembangan Teknologi Republik Serbia. Komentar yang konstruktif dari wasit hargai.

Referensi

Brauers, WKM, Zavadskas, EK (2006). TheMOORAmethod dan aplikasi untuk privatisasi dalam transisi
ekonomi. Kontrol dan Sibernetika, 35 (2), 443-468.
Brauers, WKM, Zavadskas, EK (2009). Ketahanan dari metode Moora multi-tujuan dengan tes untuk
sektor fasilitas. Teknologi dan Pembangunan Ekonomi Ekonomi, 15 (2), 352-375. Brauers, WKM, Zavadskas, EK, Peldschus, F., Turskis.
Z. (2008). Multi-tujuan pengambilan keputusan untuk jalan
Desain. Mengangkut, 23 (3), 183-193. Chen, SJ, Hwang, CL (1992). Fuzzy Multiple Attribute Decision Making: Metode dan Aplikasi.

Springer, New York.

Chou, S., Chang, H., Shen, C. (2008). Sebuah sistem aditif pembobotan sederhana kabur di bawah kelompok pengambilan keputusan

untuk fasilitas pemilihan lokasi dengan atribut objektif / subjektif. European Journal of Operational Research, 189 (1), 132-145.
 Multi-Atribut Pengambilan Keputusan Model 117

Hwang, CL, Yoon, K. (1981). Beberapa Attribute Decision Making: Metode dan Aplikasi. Springer, New
York. Juttler, H. (1966). Untersuchungen zur Fragen der Operationsforschung und ihrer Anwendungsmoglichkeiten

auf okonomische Problemstellungen unter besonderer Berucksichtigung der Spieltheorie. Disertasi A an der Wirtschaftswissenschaftlichen
Fakultät der Humboldt-Universitat, Berlin, Kalibatas, D., Turskis, Z. (2008). evaluasi multikriteria iklim batin dengan menggunakan metode
Moora. INFORMATION
tion Technology dan Control, 37 (1), 79-83.
Korth, H. (1969). Zur Berucksichtigung mehrerer Zielfunktionen bei der Optimierung von Produktionsplanen.
Jamelbenammou und Wirtschaft, 6, 184-201.
MacCrimon, KR (1968). Keputusan Menandai antara Alternatif Multiple-Atribut: Sebuah Survei dan Consoli-
Pendekatan tanggal. RAND memorandum, RM-4823-ARPA.
Mahdavi, I., Mahdavi-Amiri, N., Heidarzade, A., Nourifar, R. (2008). Merancang model TOPSIS fuzzy dalam
beberapa kriteria pengambilan keputusan. Matematika Terapan dan Komputasi, 206 (2), 607-617. Saremi, M., Mousavi, SF, Sanayei, A.
(2009). TQM seleksi konsultan di UKM dengan TOPSIS bawah kabur
lingkungan Hidup. Sistem Pakar dengan Aplikasi, 36, 2742-2749.
Van Delft, A., Nijkamp, ​P. (1977). Analisis Multi-Kriteria dan Regional Pengambilan Keputusan. Dalam: Nijkamp, ​P.
(Ed.), Leiden.
Wang, TC, Chang, TH (2007). Penerapan TOPSIS dalam mengevaluasi pesawat pelatihan awal di bawah kabur
lingkungan Hidup. Sistem Pakar dengan Aplikasi, 33 (4), 870-880. Weitendorf, D. (1976). Beitrag zur Optimierung der raumlichen Struktur
eines Gebäude. Disertasi A,
bulu Hochschule Architektur und Bauwesen, Weimar.
Wu, HY, Tzeng, GH, Chen YH (2009). Pendekatan fuzzy MCDM untuk kinerja perbankan mengevaluasi berdasarkan
pada balanced scorecard. Sistem Pakar dengan Aplikasi, 36 (6), 10.135-10.147. Yoon, KP, Hwang, CL (1995). Beberapa Attribute Decision
Making: An Introduction. Sage, London. Zavadskas, EK, Turskis, Z. (2008). Sebuah metode normalisasi logaritmik baru dalam teori
permainan. Informatica,
19 (2), 303-314.
Zavadskas, EK, Turskis, Z. (2010). Sebuah penilaian rasio aditif baru (ARAS) metode dalam multikriteria keputusan
pembuatan. Teknologi dan Pembangunan Ekonomi Ekonomi, 16 (2), 159-172. Zavadskas, EK, Kaklauskas, A., Sarka, V. (1994). Metode
baru proporsional kompleks multikriteria
penilaian proyek. Teknologi dan Pembangunan Ekonomi Ekonomi, 1 (3), 131-139.
118 D. Stanujkic et al.

D. Stanujki' c lahir di Zajecar, Serbia, pada tahun 1964. Ia menerima gelar BSc di saya-
chanical rekayasa dari Fakultas Teknis Bor, Serbia, pada tahun 1988, dan gelar MSc dalam sistem informasi
dari Fakultas Ilmu Organisasi, Universitas Belgrade, pada tahun 1993. Ia menerima gelar PhD dari University
of Belgrade, juga di
2008. Dia saat ini bekerja sebagai pemandu di Departemen Teknologi Informasi di Fakultas Manajemen di
Zajecar, megatrend Universitas Belgrade, Serbia. kepentingan penelitian saat ini meliputi teori pengambilan
keputusan, sistem pakar dan sistem pendukung keputusan cerdas.

N. Magdalinovi' c adalah dekan Fakultas Manajemen Zajecar, Megatrend Uni-

hayati Belgrade, Serbia. Dia memiliki gelar PhD dalam teknologi mineral, yang diperoleh pada tahun 1979. Dia
adalah anggota biasa dari Balkan Academy of Sciences of Mineral Technologies dan anggota dari Academy of
Engineering Sciences dari Serbia. kepentingan penelitian saat ini meliputi teori pengambilan keputusan,
manajemen proyek dan proses teknologi mempersiapkan dan berkonsentrasi bahan baku mineral.

R. Jovanovi' c lahir di Zajecar, Serbia, pada tahun 1946. Ia menerima gelar BSc di mineral
teknologi di Fakultas Pertambangan dan Metalurgi dari Bor, Serbia, pada tahun 1973, dan gelar MSc di bidang
ekonomi di megatrend University - Belgrade, pada tahun 2005. Ia menerima gelar PhD juga di megatrend
University, pada tahun 2007. Dia saat ini bekerja sebagai pemandu di Departemen Manajemen Produksi di
Fakultas Manajemen di Zajecar, megatrend Universitas Belgrade, Serbia. kepentingan penelitian saat ini
meliputi manajemen produksi dalam sistem manufaktur yang kompleks, dengan minat khusus dalam produksi
konsentrat bijih tembaga.

Daugiatikslis sprendim ↪ u Pri emimo modelis, pagr ↪ Istas artumo

sprendim ↪ u Pri em ejo pageidaujamiems rezultatams nustatymu

Dragisa STANUJKIC, Nedeljko MAGDALINOVIC, Rodoljub Jovanovic

Šiame straipsnyje si uloma daugiatiksl˙ nauja e rangavimo proced ura, pagr ↪ ista artumo sprendim ↪ u
Pri em ejo pageidaujamiems rezultatams nustatymu. Š ↪ i metod ↪ sebuah sudaro du etapai. Pirmajame etape
sprendim ↪ u Pri em ejas YRA prašomas apibr˙ pageidaujam ežti ↪ sebuah kiekvieno kriterijaus rezultat ↪ Sebuah. Antra-

jame pasvertos etape sumos metodas ir nauja atstumo nustatymu pagr ↪ ista normalizavimo proced ura
alternatyv naudojami ↪ u bendrajam efektyvumo reitingui nustatyti.