Anda di halaman 1dari 16

MAKALAH

MULTI CRITERIA DECISION MAKING

MODEL RELASIONAL GREY, ROUGH SETS, MODEL STRUKTURUAL

HARLY STEVEN HALAWANE 2017 – 72 – 077

PROGRAM STUDI TEKNIK INDUSTRI

JURUSAN TEKNIK INDUSTRI

FAKULTAS TEKNIK

UNIVERSITAS PATTIMURA

AMBON

2020
RINGKASAN

Multi Criteria Decision Making adalah salah satu metode yang membantu
proses pengambilan keputusan yang memiliki banyak kriteria. Ada model
relasional grey, rough sets, dan model strukturual yang membantu agar bisa
berjalannya Multi Criteria Decision Making dengan lancar.
Selama proses pengambilan keputusan, pengambil keputusan selalu
mencoba menggunakan setiap jenis metode, seperti investigasi, kuesioner,
pemeriksaan, pengambilan sampel, dll., Untuk mengumpulkan informasi
praktis sebanyak mungkin, dengan harapan bahwa keputusan terbaik dari
tingkat yang diinginkan / diinginkan dapat dicapai. Sekalipun upaya-upaya
semacam itu telah dilakukan, harapan untuk mendapatkan semua informasi
yang diperlukan untuk pengambilan keputusan tetap mustahil. oleh karena itu,
para pengambil keputusan sering kali dipaksa untuk mencapai keputusan
mereka dalam proses abu-abu.
Rough Set menentukan teorinya menggunakan perkiraan, yaitu yang
ditentukan oleh fungsi keanggotaan. Rough Set bisa juga menentukan teorinya
tanpa menggunakan perkiraan. Karena fungsi keanggotaan bukanlah konsep
primitif dalam pendekatan yang dalam hal ini kedua defenisi tidak setara. (Jian,
dkk 2011), Fungsi keanggotaan merupakan pemetaan titik-titik yang didapat
dari himpunan fuzzy kedalam keanggotaan yang memiliki interval antara 0
sampai dengan 1. Salah satu cara untuk mendapatkan nilai keanggotaan adalah
dengan pendekatan fungsi.
Independensi utilitas atau keterpisahan utilitas biasanya merupakan asumsi
dasar metode pengambilan keputusan atribut ganda (MADM) untuk
menggunakan fungsi aditif untuk mewakili preferensi pembuat keputusan.
Oleh karena itu, menarik untuk mengklarifikasi struktur di antara kriteria
dan kemudian kita dapat menentukan metode MADM yang tepat berdasarkan
hasil model struktural.
DAFTAR ISI
COVER DEPAN
RINGKASAN
DAFTAR ISI
BAB I PENDAHULUAN

1.1 Latar Belakang


1.2 Rumusan Masalah
1.3 Tujuan Makalah
1.4 Manfaat Makalah

BAB II ISI

2.1 Model Relasional Gray (GRA)


2.2 Rough Sets
2.3 Model Strukturual

BAB II PENUTUP

3.1 Kesimpulan

REFERENSI
BAB I
PENDAHULUAN
1.1 Latar Belakang
Multi Criteria Decision Making adalah salah satu metode yang membantu
proses pengambilan keputusan yang memiliki banyak kriteria. Menurut
Mulliner, Malys, dan Maliene (2016), Multi Criteria Decision Making adalah
seperangkat metode yang berhubungan dengan evaluasi serangkaian alternatif
yang banyak, sering bertentangan, dan berbagai kriteria. Tujuan dari Multi
Criteria Decision Making adalah untuk memberikan pilihan, peringkat,
deskripsi, klasifikasi, pengelompokan, dan untuk mengurutkan alternatif dari
yang paling disukai hingga opsi yang paling tidak disukai. Terdapat tiga tahap
yang diikuti oleh semua metode Multi Criteria Decision Making yaitu:

1. Menentukan kriteria dan alternatif yang relevan;


2. Melampirkan ukuran numerik untuk kepentingan relatif dari kriteria dan
dampak terhadap alternatif dari kriteria tersebut;
3. Memproses nilai numerik untuk menentukan peringkat dari masing-
masing alternatif.

Menurut Asadabadi (2018) metode-metode Multi-Criteria Decision-Making


pada saat ini sudah banyak dikembangkan untuk memfasilitasi penyeleksian
terhadap alternatif yang memiliki banyak kriteria. Di antaranya terdapat
beberapa metode MCDM yang telah banyak digunakan seperti berikut:

1. Analytical Hierarchy Process (AHP)


2. Analytical Network Process (ANP)
3. Preference Ranking Organization Method for Enrichment of
Evaluations (PROMETHEE)
4. Vlsekriterijumska Optimizacija I Kompromisno Resenje (Multi-criteria
optimation and compromise solution or VIKOR)
5. Elimination Et Choix Traduisant la Realite (Elemination and Choise
Expressing Reality or ELECTRE)
6. Best Worst Method (BWM)
7. Technique for Order of Preference by Similarity to Ideal Solution
(TOPSIS)
8. Decision Making Trial and Evaluation Laboratory (DEMATEL).

Dikutip dari jurnal Rezaei (2015), terdapat beberapa perkembangan terbaru


dari MCDM seperti metode-metode berikut:

1. Superiority and Inferiority Ranking (SIR)


2. Step-Wise Weight Assessment Ratio Analysis (SWARA)
3. Subjective Weighting Method Using Continuous Interval Scale
4. Multi-Attribute Evaluation using Imprecise Weight Estimates (IMP)

Dalam makalah ini akan membahas tentang model relasional grey, rough
sets, dan model strukturual.

1.2 Rumusan Masalah


Adapun masalah yang dipecahkan dalam makalah ini adalah sebagai berikut
:
1. Bagaimana konsep filosofi, rumus perhitungan dari model
relasional gray?
2. Bagaimana konsep filosofi, rumus perhitungan dari rough sets?
3. Bagaimana konsep filosofi, rumus perhitungan dari model
strukturual?
1.3 Tujuan Makalah
Sesuai dengan rumusan masalah diatas, maka makalah ini bertujuan
memiliki tujuan sebagai berikut :
1. Untuk mengetahui konsep filosofi, rumus perhitungan dari
model relasional gray.
2. Untuk mengetahui konsep filosofi, rumus perhitungan dari
rough sets.
3. Untuk mengetahui konsep filosofi, rumus perhitungan dari
model strukturual.
1.4 Manfaat Makalah
Adapun manfaat yang bisa diharapkan dalam penulisan makalh ini adalah
sebagai berikut :
1. Sebagai pemenuhan nilai tugas makalah yang telah diberikan
dalam mata kuliah Multi Criteria Decision Making (MCDM).
2. Dapat menambah pengetahuan mahasiswa tentang model
relasional grey, rough sets, dan model strukturual dalam mata
kuliah multi criteria decision making (MCDM).
BAB II

ISI

2.1 Model Relasional Gray (GRA)


Karena ada banyak sistem abstrak yang tidak dapat secara khusus dijelaskan
dalam dunia yang realistis ini, kita hanya dapat mengatasinya melalui logika.
Kemudian, ide-ide tertentu dari kesadaran atau kriteria untuk penilaian
dieksploitasi untuk memperkuat karakteristik struktural dari sistem seperti itu,
yang kemudian akan ditampilkan melalui berbagai model. Sistem abstrak jenis
ini disebut "sistem abu-abu."
Model hubungan abu-abu adalah sejenis model pengukuran dampak yang
mengambil pengukuran hubungan yang berubah dalam dua sistem atau antara
dua elemen dalam suatu sistem dalam waktu, yang disebut tingkat hubungan.
Selama proses pengembangan sistem, jika tren perubahan antara dua elemen
konsisten, ia kemudian menikmati tingkat sinkronisasi yang lebih tinggi dan
dapat dianggap memiliki tingkat hubungan yang lebih tinggi; jika tidak, tingkat
hubungan akan lebih kecil. Dengan demikian, metode analisis, yang
mempertimbangkan tingkat hubungan, ditetapkan dengan menggunakan tingkat
kesamaan atau perbedaan tren perkembangan antar unsur untuk mengukur
tingkat hubungan antar unsur.
Selama proses pengambilan keputusan, pengambil keputusan selalu
mencoba menggunakan setiap jenis metode, seperti investigasi, kuesioner,
pemeriksaan, pengambilan sampel, dll., Untuk mengumpulkan informasi
praktis sebanyak mungkin, dengan harapan bahwa keputusan terbaik dari
tingkat yang diinginkan / diinginkan dapat dicapai. Sekalipun upaya-upaya
semacam itu telah dilakukan, harapan untuk mendapatkan semua informasi
yang diperlukan untuk pengambilan keputusan tetap mustahil. oleh karena itu,
para pengambil keputusan sering kali dipaksa untuk mencapai keputusan
mereka dalam proses abu-abu.
GRA, dikembangkan oleh Deng (1982), adalah salah satu metode MCDM
yang diterapkan secara luas, juga merupakan alat analisis kuantitatif teori sistem
abu-abu, yang dapat mengatasi informasi yang tidak tepat dan tidak lengkap
(Deng 1988). Prinsip GRA adalah untuk menganalisis hubungan kesamaan
antara seri referensi dan seri alternatif. Seri alternatif yang dipilih, yang
memiliki kemiripan paling tertutup dengan seri referensi, adalah skema terbaik
dari masalah keputusan.
Langkah-langkah terperinci dari metode GRA adalah sebagai berikut
(Hamzaçebi dan Pekkaya, 2011; Wu dan Peng, 2016).
Misalkan matriks keputusan awal adalah sebagai berikut:
𝑋11 𝑋12 ⋯ 𝑋1𝑛
𝑋 𝑋22 ⋯ 𝑋2𝑛
𝑅 = [ 21 ] (1 ≤ 𝑖 ≤ 𝑚, 1 ≤ 𝑗 ≤ 𝑛)
⋮ ⋮ ⋯ ⋮
𝑋𝑚1 𝑋𝑚2 ⋯ 𝑋𝑚𝑛

1) Langkah 1 : Dapatkan matriks keputusan terstandarisasi R′. Matriks


keputusan awal R dapat distandarisasi sebagai berikut:
𝑋′11 𝑋′12 ⋯ 𝑋′1𝑛
𝑋′ 𝑋′22 ⋯ 𝑋′2𝑛 ]
𝑅′ = [ 21 (1 ≤ 𝑖 ≤ 𝑚, 1 ≤ 𝑗 ≤ 𝑛)
⋮ ⋮ ⋯ ⋮
𝑋′𝑚1 𝑋′𝑚2 ⋯ 𝑋′𝑚𝑛
2) Langkah 2 : Tentukan seri referensi 𝑥′0 ∶
𝑋′0 = (𝑋′0 (1), 𝑋′0 (2), ⋯ , 𝑋′0 (𝑛))
𝑋′0 (𝑗) adalah nilai standar dan terbesar di jth faktor.
3) Langkah 3 : Hitung perbedaannya ∆0𝑖 (𝑗) antara seri referensi dan seri
alternatif :
∆0𝑖 (𝑗) = |𝑋′0 (𝑗) − 𝑋′𝑖𝑗 |

∆01 (1) ∆01 (2) ⋯ ∆01 (𝑛)


∆ (1) ∆02 (2) ⋯ ∆02 (𝑛) ]
𝑅 = [ 02 (1 ≤ 𝑖 ≤ 𝑚, 1 ≤ 𝑗 ≤ 𝑛)
⋮ ⋮ ⋮ ⋮
∆0𝑚 (1) ∆0𝑚 (2) ⋯ ∆0𝑚 (𝑛)

4) Langkah 4 : Hitung koefisien relasional abu – abu 𝑟𝑜𝑖 (𝑗)

𝑚𝑖𝑛𝑚𝑖𝑛∆𝑜𝑖 (𝑗) + 𝛿𝑚𝑎𝑥𝑚𝑎𝑥∆𝑜𝑖 (𝑗)


𝑖 𝑗 𝑖 𝑗
𝑟𝑜𝑖 (𝑗) =
𝛿𝑚𝑎𝑥𝑚𝑎𝑥∆0𝑖 (𝑗)
∆𝑜𝑖 (𝑗) +
𝑖 𝑗
dimana 𝛿 adalah koefisien identifikasi. Secara umum, nilai 𝛿 diatur ke 0,5
untuk memberikan stabilitas yang baik. Koefisien relasional abu-abu adalah
indikator kesamaan antara seri referensi dan seri alternatif.
5) Langkah 5 : Hitung derajat hubungan abu – abu 𝑏𝑖 :
𝑛

𝑏𝑖 = ∑ 𝑊𝑗 𝑟0𝑖 (𝑗)
𝑗=1
dimana 𝑊𝑗 adalah kriteria bobot dan ∑𝑛𝑗=1 𝑊𝑗 . Nilai derajat relasional abu-
abu dapat diterapkan untuk menentukan peringkat alternatif oleh kesamaan
antara seri referensi dan seri alternatif. Semakin tinggi 𝑏𝑖 , semakin baik
alternatif yang dipilih.
2.2 Rough Sets
Teori Rough set sampai saat ini pendekatan lain untuk ketidakjelasan
(Pawlak, 1982). Demikian pula untuk teori himpunan fuzzy bukan merupakan
alternatif untuk teori himpunan klasik tetapi tertanam di dalamnya. Teori Rough
Set dapat dilihat sebagai implementasi khusus dari gagasan G. Frege (1983)
tentang ketidakjelasan, yaitu ketidaktepatan dalam pendekatan ini dinyatakan
oleh batas wilayah dari suatu himpunan, dan bukan oleh keanggotaan parsial,
seperti dalam teori himpunan fuzzy. Konsep Rough Set dapat didefinisikan
cukup umum dengan cara operasi topologi, interior dan penutupan, yang disebut
pendekatan.
Tujuan analisis Rough Set adalah untuk mendapatkan rule yang klasifikasi
setelah dilakukan pengumpulan data (Maharani, 2008). Rule disini sudah
dikalsifikasikan setelah mendapatkan reduct. Sebagai contoh, pasien yang
menderita penyakit flu, memiliki gejala yang sama tetapi tak terlihat dan dapat
dianggap sebagai unit penyakit pengetahuan medis. Pengetahuan medis ini
disebut set dasar (konsep). Konsep dasar ini dapat dikombinasikan menjadi
konsep majemuk, yaitu konsep yang unik ditentukan dalam hal konsep dasar
pengetahuan. Set dasar disebut set renyah (set awal), dan set selain set dasar
disebut set kasar (samar-samar, tidak tepat). Perbeadaan set dasar dan set kasar
adalah dilihat dari batas wilayahnya, set dasar merupakan eleman yang ada
didalam set yang pasti milik set, sementara set kasar adalah elemen yang berada
diluar set yang mungkin milik set.
Rough Set menentukan teorinya menggunakan perkiraan, yaitu yang
ditentukan oleh fungsi keanggotaan. Rough Set bisa juga menentukan teorinya
tanpa menggunakan perkiraan. Karena fungsi keanggotaan bukanlah konsep
primitif dalam pendekatan yang dalam hal ini kedua defenisi tidak setara. (Jian,
dkk 2011), Fungsi keanggotaan merupakan pemetaan titik-titik yang didapat
dari himpunan fuzzy kedalam keanggotaan yang memiliki interval antara 0
sampai dengan 1. Salah satu cara untuk mendapatkan nilai keanggotaan adalah
dengan pendekatan fungsi.
Data awal yang didapatkan dalam Rough Set adalah data yang disusun
didalam tabel atau bisa disebut juga sebagai database atau sistem informasi.
Dasar-dasar untuk menentukan Rough Set adalah menentukan perkiraan atas
dan perkiraan bawah data yang berada didalam tabel tersebut sehingga
diklasifikasikan sehingga membentuk data yang lebih kecil inilah merupakan
konsep Rough Set yang diharapkan. Secara umum Algoritma Rough Set adalah
sebagai berikut: (Hasherni, dkk, 1997).
• Langkah 1- Mengurangi sistem informasi vertikal dan horizontal (sistem
reduksi).
• Langkah 2- Menghasilkan bagian dan klasifikasi.
• Langkah 3- Menghasilkan ruang perkiraan bawah dan atas.
• Langkah 4- Ekstrak aturan lokal (tertentu, mungkin, dan perkiraan).
• Langkah 5- End.

Sistem informasi yang didapat dari database akan diinformasikan menjadi


Rough Set. Dan sistem informasi ada dua, yaitu conditional attribute dan
decision system. Tiaptiap baris dikatakan object sedangkan tiap kolom
dikatakan attribute. Dimana U adalah set terhingga yang tidak kosong dari
objek yang disebut dengan universe dan A set terhingga tidak kosong dari
atribut dimana (Nurhayati, 2014):

IS = {U,A}

Untuk tiap 𝛼 ∈ 𝐴. Set V𝛼 disebut Value set dari a.

Dimana : IS adalah information system

U = {𝑥1 , 𝑥2 , … , 𝑥𝑚 }, yang merupakan sekumpulan


example.
A = {𝑎1 , 𝑎2 , … , 𝑎𝑛 }, sekumpulan atribut kondisi
secara berurutan

Penjelasan dapat dilihat pada tabel berikut :

Tempat
Mahasiswa Kategori Jurusan
Lahir
1 Phd History Detroit
2 Ms Chemistry Akron
3 Ms History Detroit
4 Bs Math Detroit
5 Bs Chemistry Akron
6 Phd Computing Cleveland
7 Bs Chemistry Cleveland
8 Phd Computing Akron

Tiap-tiap baris mempresentasikan objek, terdiri dari m example,


seperti E1, E2, ..., Em. Sedangkan kolom mempresentasikan atribut, terdiri
dari kategori, Jurusan, dan Tempat_Lahir.
Dalam penggunaan Information System terdapat outcome dari
klasifikasi yang telah diketahui yang disebut dengan atribut keputusan.
Information System tersebut dapat disebut dengan decision system.

Decision system dapat dilihat sebagai :


IS = {U,{A,C})

Untuk tiap 𝛼 ∈ 𝐴. Set V𝛼 disebut Value set dari a.

Dimana : IS adalah information system

U = {𝑥1 , 𝑥2 , … , 𝑥𝑚 }, yang merupakan sekumpulan


example.

A = {𝑎1 , 𝑎2 , … , 𝑎𝑛 }, sekumpulan atribut kondisi


secara berurutan

C = decision attribute (keputusan)


Penjelasan dapat dilihat :

Tempat
Mahasiswa Kategori Jurusan Nilai
Lahir
1 Phd History Detroit A
2 Ms Chemistry Akron A
3 Ms History Detroit C
4 Bs Math Detroit B
5 Bs Chemistry Akron C
6 Phd Computing Cleveland A
7 Bs Chemistry Cleveland C
8 Phd Computing Akron A

Tiap-tiap baris mempresentasikan objek, terdiri dari m example,


seperti E1, E2, ..., Em. Sedangkan kolom mempresentasikan atribut, terdiri
dari kategori, Jurusan, Tempat_Lahir, dan Nilai.

Menetapkan Teori Rough Set harus dikalsifikasikan kedalam satu


set dan membuatnya menjadi bagian dari himpunan. Pendekatan yang lebih
rendah, pendekatan atas, wilayah negatif, dan batas set X tentang I, masing-
masing adalah :

𝑎𝑝𝑟𝑝 (𝑋) = ∪ {𝑥 ∈ 𝑈 ∶ 𝐼 (𝑥 ) ⊆ 𝑋}

𝑎𝑝𝑟𝑝 (𝑋) = ∪ {𝑥 ∈ 𝑈 ∶ 𝐼 (𝑥 ) ∩ 𝑋 ≠ ∅}

𝐵𝑛𝑑𝑃 (𝑋) = 𝑎𝑝𝑟𝑝 (𝑋) − 𝑎𝑝𝑟𝑝 (𝑋)

Keterangan :

𝑎𝑝𝑟𝑝 (𝑋) adalah Pendekatan yg lebih rendah dari set X sehubungan

dengan P (X tentu sehubungan dengan P)

𝑎𝑝𝑟𝑝 (𝑋) adalah Pendekatan yg lebih tinggi dari set X sehubungan


dengan P (yang mungkin X dalam p P)

𝐵𝑛𝑑𝑃 (𝑋) adalah diklasifikasikan baik sebagai X atau tidak X


sehubungan dengan P
2.3 Model Strukturual
Independensi utilitas atau keterpisahan utilitas biasanya merupakan asumsi
dasar metode pengambilan keputusan atribut ganda (MADM) untuk
menggunakan fungsi aditif untuk mewakili preferensi pembuat keputusan.
Namun, dalam masalah realistis, asumsi independensi utilitas atau pemisahan
utilitas tampaknya tidak rasional. Oleh karena itu, menarik untuk
mengklarifikasi struktur di antara kriteria dan kemudian kita dapat menentukan
metode MADM yang tepat berdasarkan hasil model struktural.

MetHoD MoDeling struKtural interPretif

Pemodelan struktural interpretatif (ISM), yang diusulkan oleh


Warfield (1974a, 1974b, 1976), adalah metodologi yang dibantu komputer
untuk membangun dan memahami hubungan mendasar unsur-unsur dalam
sistem atau situasi yang kompleks. Teori ISM didasarkan pada matematika
diskrit, teori graf, ilmu sosial, pengambilan keputusan kelompok, dan
bantuan komputer (Warfield 1974a, 1974b, 1976). Prosedur ISM dimulai
melalui model mental individu atau kelompok untuk menghitung matriks
biner, juga disebut matriks relasi, untuk menyajikan hubungan unsur-unsur.
Konsep-konsep ISM dapat diringkas sebagai berikut.
Matriks relasi dapat dibentuk dengan mengajukan pertanyaan
“Apakah fitur e saya infleksi fitur e j? "Jika jawabannya" Ya "maka π ij =
1, jika tidak π ij = 0. Bentuk umum dari matriks relasi dapat disajikan
sebagai berikut:
𝑒2 ⋯ 𝑒𝑛
𝑒1 𝑒1 𝜋12 ⋯ 𝜋1𝑛
𝑒 0
𝐷 = 2 𝜋21 0 ⋯ 𝜋2𝑛 ,

𝑒𝑛 ⋮ ⋮ ⋱ ⋮
[𝜋𝑛1 𝜋𝑛2 ⋯ 0 ]
Dimana e adalah I elemen ke dalam sistem, π aku j menunjukkan
hubungan antara ith dan elemen jth ( aku j ∈ {1, 2, ..., n}), dan D adalah
matriks relasi.j ∈ {1, 2, ..., n}), dan D adalah matriks relasi.
Setelah membangun matriks relasi, kita dapat menghitung matriks
reachability menggunakan persamaan-persamaan berikut :
𝑴 =𝑫+𝟏
𝑴∗ = 𝑴𝑲 = 𝑴𝒌+𝟏 𝒌 > 𝟏
Perhatikan bahwa dimana I adalah matriks satuan, k menunjukkan
kekuatan, dan M * adalah matriks reachability. Matriks reachability berada
di bawah operator perkalian dan penambahan Boolean (yaitu, 1 × 1 = 1, 1 +
1 = 1, 1 + 0 = 0 + 1 = 1, 1 × 0 = 0 × 1 = 0, 0 + 0 = 0, 0 × 0 = 0).+ 1 = 1, 1 ×
0 = 0 × 1 = 0, 0 + 0 = 0, 0 × 0 = 0).
Sebagai contoh :
1 1 1 1
𝑀= ( ) , 𝑀2 = ( ),
1 0 1 0
Selanjutnya kita dapat menghitung set keterjangkauan dan prioritas
berdasarkan Persamaan menggunakan persamaan berikut
𝑅 (𝑡𝑖 ) = {𝑒𝑖 |𝑚 ∗𝑗𝑖 = 1}
dan
𝐴(𝑡𝑖 ) = {𝑒𝑖 |𝑚 ∗𝑗𝑖 = 1}
dimana 𝑚𝑖𝑗 menunjukkan nilai dari i baris ke dan j kolom matriks
jangkauan. Lalu, menurut kedua Persamaan kedua diatas level dan
hubungannya antara elemen dapat ditentukan dan struktur hubungan elemen
juga dapat diekspresikan menggunakan persamaan berikut:
𝑅 (𝑡𝑖 ) ∩ 𝐴 (𝑡𝑖 ) = 𝑅(𝑡𝑖 )
BAB III
PENUTUP
4.1 Kesimpulan
Model Relasional Gray (GRA), dikembangkan oleh Deng (1982), adalah
salah satu metode MCDM yang diterapkan secara luas, juga merupakan alat
analisis kuantitatif teori sistem abu-abu, yang dapat mengatasi informasi yang
tidak tepat dan tidak lengkap (Deng 1988). Prinsip GRA adalah untuk
menganalisis hubungan kesamaan antara seri referensi dan seri alternatif. Seri
alternatif yang dipilih, yang memiliki kemiripan paling tertutup dengan seri
referensi, adalah skema terbaik dari masalah keputusan.
Tujuan analisis Rough Set adalah untuk mendapatkan rule yang klasifikasi
setelah dilakukan pengumpulan data (Maharani, 2008). Rule disini sudah
dikalsifikasikan setelah mendapatkan reduct. Sebagai contoh, pasien yang
menderita penyakit flu, memiliki gejala yang sama tetapi tak terlihat dan dapat
dianggap sebagai unit penyakit pengetahuan medis. Pengetahuan medis ini
disebut set dasar (konsep).
Pemodelan struktural interpretatif (ISM), yang diusulkan oleh Warfield
(1974a, 1974b, 1976), adalah metodologi yang dibantu komputer untuk
membangun dan memahami hubungan mendasar unsur-unsur dalam sistem atau
situasi yang kompleks. Teori ISM didasarkan pada matematika diskrit, teori
graf, ilmu sosial, pengambilan keputusan kelompok, dan bantuan komputer
(Warfield 1974a, 1974b, 1976).
REFERENSI
• Tzeng Gwo-Hshiung , Huang Jih-jeng 2011Multi Atribute Decision Making
– Methods and Applications London New York : Taylor & Prancis Group
• Asadabadi, M. R. (2018). The Stratified Multi-Criteria Decision-Making
Method. Knowledge-Based Systems, 162, 115-123.
• Mulliner, E., Malys, N., & Maliene, V. (2016). Comparative Analysis of
MCDM Methods for the Assessment of Sustainable Housing
Affordability. Omega, 146-156.
• Rezaei, J. (2015). Best-Worst Multi-Criteria Decision-Making
Method. Omega, 53, 49-57.
• Chen, S. J., & Hwang, C. L. (1992). Fuzzy Multiple Attribute Decision
Making: Methods and Applications. SpringerVerlag, Berlin.
• Deng, J. (1982). Control problems of grey systems. Systems and Control
Letters, 1(5), 288-294.

Anda mungkin juga menyukai