Sistem Penunjang Keputusan (SPK)

Decision Support System (DSS)

Oleh;
HALIFIA HENDRI, S.Pd., M.Kom.
NIDN: 1010058703
2
3
 The Syllabus:
• 1 st : Introducing, What is Decision Support System (DSS)?
• 2 nd : Simple Additive Weighting (SAW) Method
• 3 rd : Weighted Sum Model (WSM) Method
• 4 th : Weighted Product (WP) Method
• 5 th : Analytical Hierarchy Process (AHP) Method
• 6 th : Analytical Hierarchy Process (AHP) Method with Sub
Criteria
• 7 th : Profile Matching Method
• 8 th : Quiz 1
• 9 th : Mid Semester Test (UTS)

4
Halifia Hendri, S.Pd., M.Kom. / Sistem Penunjang Keputusan (SPK)
 The Syllabus:
• 10 st : Remedial UTS
• 11 nd : Elimination et Choix Traduisant la Realite (ELECTRE)
Method
• 12 rd : Preference Ranking Organization Method for Enrich
Evaluation (PROMETHEE) Method
• 13 th : Group Presentation 1-4
• 14 th : Group Presentation 5-8
• 15 th : Review 2
• 16 th : Quiz 2
• 17 th : Final Semester Test (UAS)

5
Halifia Hendri, S.Pd., M.Kom. / Sistem Penunjang Keputusan (SPK)
 INFORMATION SYSTEM (SI)
COMPUTER SCIENCE FACULTY (FILKOM)
2 nd Meeting:
Simple Additive Weighting (SAW) Method

UNIVERSITAS PUTRA INDONESIA “YPTK”

PADANG
2021
 Simple Additive Weighting (SAW)
• Metode Simple Additive Weighting (SAW) sering juga dikenal istilah
metode penjumlahan terbobot. Konsep dasar metode SAW adalah
mencari penjumlahan terbobot dari rating kinerja pada setiap
alternatif pada semua atribut (Fishburn, 1967) (Mac Crimmon,
1968).
• Metode SAW membutuhkan proses normalisasi matriks keputusan
(X) ke suatu skala yang dapat dibandingkan dengan semua rating
alternatif yang ada. Metode ini merupakan metode yang paling
terkenal dan paling banyak digunakan dalam menghadapi situasi
Multiple Attribute Decision Making (MADM).
• Konsep dasar metode SAW adalah mencari penjumlahan terbobot
dari rating kinerja pada setiap alternatif pada semua kriteria.
Metode SAW membutuhkan proses normalisasi matrik keputusan
(X) ke suatu skala yang dapat diperbandingkan dengan semua rating
alternatif yang ada. 7
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Weighting (SAW)
• Formula untuk melakukan normalisasi adalah :

• Keterangan :
a. Dikatakan kriteria keuntungan apabila nilai 𝑋𝑖𝑗 memberikan
keuntungan bagi pengambil keputusan (jika nilai terbesar adalah nilai
yang terbaik), sebaliknya kriteria biaya apabila 𝑋𝑖𝑗 menimbulkan biaya
bagi pengambil keputusan (jika nilai terkecil adalah nilai terbaik).
b. Apabila berupa kriteria keuntungan maka nilai 𝑋𝑖𝑗 dibagi dengan nilai
𝑀𝑎𝑥 𝑥𝑖 𝑋𝑖𝑗 dari setiap kolom, sedangkan untuk kriteria biaya, nilai
𝑀𝑖𝑛 𝑥𝑖 𝑋𝑖𝑗 dari setiap kolom dibagi dengan nilai 𝑋𝑖𝑗 .
8
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Weighting (SAW)
• Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai :
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• Keterangan :
• Vi = ranking untuk setiap alternatif
• wj = nilai bobot dari setiap kriteria
• rij = nilai rating kinerja ternormalisasi
• Nilai Vᵢ yang lebih besar mengindikasikan bahwa alternatif Aᵢ
merupakan alternatif terbaik.

9
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Weighting (SAW)
• Langkah Metode Simple Additive Weighting (SAW)
1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam
pengambilan keputusan, yaitu Cj.
2. Menentukan alternatif-alternatif yang akan dipilih menjadi
keputusan, yaitu Aj.
3. Menentukan bobot preferensi atau tingkat kepentingan (W) setiap
kriteria. 𝑊 = 𝑊1 𝑊2 … … 𝑊𝑗
4. Membuat tabel rating kecocokan setiap alternatif pada setiap
kriteria
5. Membuat matrik keputusan X yang dibentuk dari tabel rating
kecocokan dari setiap alternatif pada setiap kriteria. nilai {x} setiap
alternatif (Ai) pada setiap kriteria (Cj) yang sudah ditentukan
dimana, i = 1,2,...,m dan j = 1,2,...,n

10
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Weighting (SAW)
6. Melakukan normalisasi matrik keputusan X dengan cara
menghitung nilai rating kinerja ternormalisasi (rij) dari alternatif
(Ai) pada kriteria (Cj).
7. Hasil dari nilai rating kinerja ternormalisasi (rij) membentuk matrik
ternormalisasi (R).
𝑟11 𝑟12 … 𝑟1𝑗
𝑅= … … … …
𝑟𝑖1 𝑟𝑖2 … 𝑟𝑖𝑗
8. Menghitung nilai akhir preferensi. Hasil akhir nilai preferensi (Vi)
diperoleh dari penjumlahan dari perkalian elemen baris matrik
ternormalisasi (R) dengan bobot preferensi (W) yang bersesuaian
elemen kolom matrik (W).

11
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Weighting (SAW)
• Contoh Kasus 1:
• Suatu Perusahaan akan melakukan pemilihan karyawan terbaik terhadap seluruh
karyawan yang bekerja pada perusahaan tersebut. Karyawan terbaik akan
mendapatkan promosi jabatan menjadi Manajer cabang. Kriteria (Cj) yang
digunakan dan bobot preferensi (W) kriteria untuk memilih karyawan terbaik
tersebut yaitu:
No Kriteria Kode Bobot Preferensi (W) Bobot Preferensi (W) %
1 Prestasi Kerja C1 0,20 20 %
2 Kepribadian C2 0,20 20 %
3 Sosial C3 0,20 20 %
4 Spiritual C4 0,15 15 %
5 Networking C5 0,10 10 %
6 Keterlambatan Kerja C6 0,10 10 %
7 Menerima Hukuman C7 0,05 5%
• Kriteria yang merupakan kriteria keuntungan (benefit) adalah kriteria C1, C2, C3,
C4 dan C5 sedangkan kriteria yang merupakan kriteria biaya (cost) adalah kriteria
C6 dan C7. 12
 Simple Additive Weighting (SAW)
• Tabel Konversi nilai yang tidak berbentuk angka:
Kriteria Kepribadian (C2) Nilai Bobot Kriteria Sosial (C3)
No Nilai Kepribadian Nilai Angka No Nilai Bersosialisasi Nilai Angka
1 Sangat Baik 5 1 Sangat Peduli 5
2 Baik 4 2 Peduli 4
3 Cukup Baik 3 3 Cukup Peduli 3
4 Kurang Baik 2 4 Kurang Peduli 2
5 Tidak Baik 1 5 Tidak Peduli 1

Nilai Bobot Kriteria Spiritual (C4) Nilai Bobot Kriteria Networking (C5)
No Nilai Kerajinan Beribadah Nilai Angka No Nilai Luas Networking Nilai Angka
1 Sangat Rajin 5 1 Sangat Luas 5
2 Rajin 4 2 Luas 4
3 Cukup Rajin 3 3 Sedang 3
4 Kurang Rajin 2 4 Sedikit 2
5 Tidak Rajin 1 5 Tidak Ada 1 13
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Wighting (SAW)
• Untuk melakukan pemilihan karyawan terbaik maka dikumpulkanlah data-data
penilaian terhadap 10 karyawan/Alternatif (Aj) yaitu:
Kriteria
No Nama Kode Prestasi Keterlamb Menerima
Kepribadian Sosial Spiritual Networking
Kerja atan Kerja Hukuman
1 Andre A1 5 Baik Sangat Peduli Rajin Luas 1 2
2 Budi A2 4 Sangat Baik Sangat Peduli Rajin Tidak Ada 1 1
3 Cici A3 5 Baik Peduli Sangat Rajin Sedang 1 1
4 Dedi A4 4 Sangat Baik Peduli Sangat Rajin Sangat Luas 1 1
5 Emil A5 5 Baik Sangat Peduli Rajin Sedang 2 2
6 Fani A6 4 Sangat Baik Sangat Peduli Rajin Sedang 2 2
7 Gigi A7 5 Baik Peduli Sangat Rajin Sedang 2 1
8 Hari A8 4 Sangat Baik Peduli Sangat Rajin Tidak Ada 2 1
9 Ina A9 5 Baik Sangat Peduli Rajin Luas 1 1
10 Jeni A10 5 Sangat Baik Sangat Peduli Rajin Sedikit 1 2
11 Kiki A11 5 Baik Peduli Rajin Luas 2 1
12 Leni A12 4 Sangat Baik Sangat Peduli Sangat Rajin Luas 1 2
• Hitunglah siapa diantara 12 orang karyawan tersebut diatas yang akan menjadi kepala
14
cabang dengan metoda SAW!!
 Simple Additive Weighting (SAW)
• Langkah 1: Membuat tabel rating kecocokan setiap alternatif pada setiap kriteria
berdasarkan data yang telah dikumpulkan terhadap semua karyawan.
No Alternatif C1 C2 C3 C4 C5 C6 C7
1 A1 5 4 5 4 4 1 2
2 A2 4 5 5 4 1 1 1
3 A3 5 4 4 5 3 1 1
4 A4 4 5 4 5 5 1 1
5 A5 5 4 5 4 3 2 2
6 A6 4 5 5 4 3 2 2
7 A7 5 4 4 5 3 2 1
8 A8 4 5 4 5 1 2 1
9 A9 5 4 5 4 4 1 1
10 A10 5 5 5 4 2 1 2
11 A11 5 4 4 4 4 2 1
12 A12 4 5 5 5 4 1 2

15
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Weighting (SAW)
• Langkah 2 : Membuat matrik keputusan X yang dibentuk dari tabel rating
kecocokan dari setiap alternatif pada setiap kriteria. nilai {x} setiap alternatif (Ai)
pada setiap kriteria (Cj) yang sudah ditentukan dimana, i = 1, 2, ..., m dan j = 1, 2,
..., n.

𝑥11 𝑥12 𝑥13 𝑥14 𝑥15 𝑥16 𝑥17

𝑥21 𝑥22 𝑥23 𝑥24 𝑥25 𝑥26 𝑥27
𝑥31 𝑥32 𝑥33 𝑥34 𝑥35 𝑥36 𝑥37
𝑥41 𝑥42 𝑥43 𝑥44 𝑥45 𝑥46 𝑥47
𝑥51 𝑥52 𝑥53 𝑥54 𝑥55 𝑥56 𝑥57
𝑥61 𝑥62 𝑥63 𝑥64 𝑥65 𝑥66 𝑥67
• 𝑋𝑖𝑗 =
𝑥71 𝑥72 𝑥73 𝑥74 𝑥75 𝑥76 𝑥77
𝑥81 𝑥82 𝑥83 𝑥84 𝑥85 𝑥86 𝑥87
𝑥91 𝑥92 𝑥93 𝑥94 𝑥95 𝑥96 𝑥97
𝑥101 𝑥102 𝑥103 104 𝑥105 𝑥106 𝑥107
𝑥111 𝑥112 𝑥113 𝑥114 𝑥115 𝑥116 𝑥117
𝑥121 𝑥122 𝑥123 𝑥124 𝑥125 𝑥126 𝑥127
16
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Weighting (SAW)
• Sehingga matrik keputusannya menjadi:

5 4 5 4 4 1 2
4 5 5 4 1 1 1
5 4 4 5 3 1 1
4 5 4 5 5 1 1
5 4 5 4 3 2 2
4 5 5 4 3 2 2
• 𝑋𝑖𝑗 =
5 4 4 5 3 2 1
4 5 4 5 1 2 1
5 4 5 4 4 1 1
5 5 5 4 2 1 2
5 4 4 4 4 2 1
4 5 5 5 4 1 2

17
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Weighting (SAW)
• Langkah 3: Melakukan normalisasi matrik keputusan X dengan cara menghitung
nilai rating kinerja ternormalisasi (rij) dari alternatif (Ai) pada kriteria (Cj).
• Berdasarkan tabel nilai bobot pada setiap kriteria maka dapat diketahui bahwa
kriteria C1, C2, C3, C4 dan C5 adalah kriteria keuntungan (benefit) dan kriteria C6
dan C7 adalah kriteria biaya (Cost).
• Untuk melakukan normalisasi nilai Kriteria C1, C2, C3, C4 dan C5 yang termasuk
benefit digunakan rumus dibawah ini:
𝑥𝑖𝑗
• 𝑟𝑖𝑗 = 𝑀𝑎𝑥 𝑗 (𝑥𝑖𝑗)

18
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Weighting (SAW)
• Perhitungan Normalisasi Kriteria Prestasi Kerja (C1)
𝑥11 5 5
• 𝑟11 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00
4 5 4 5 4 5 4 5 5 5 4}
𝑥21 4 4
• 𝑟21 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 0,80
4 5 4 5 4 5 4 5 5 5 4}
𝑥31 5 5
• 𝑟31 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00
4 5 4 5 4 5 4 5 5 5 4}
𝑥41 4 4
• 𝑟41 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 0,80
4 5 4 5 4 5 4 5 5 5 4}
𝑥51 5 5
• 𝑟51 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 4 5 4 5 4 5 4 5 5 5 4}
= 5 = 1,00
𝑥61 4 4
• 𝑟61 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 0,80
4 5 4 5 4 5 4 5 5 5 4}
𝑥71 5 5
• 𝑟71 = = = = 1,00
𝑀𝑎𝑥 1 (𝑥𝑖𝑗) 𝑀𝑎𝑥 {5 4 5 4 5 4 5 4 5 5 5 4} 5
𝑥81 4 4
• 𝑟81 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 0,80
4 5 4 5 4 5 4 5 5 5 4}
𝑥91 5 5
• 𝑟91 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00
4 5 4 5 4 5 4 5 5 5 4}
𝑥101 5 5
• 𝑟101 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00
4 5 4 5 4 5 4 5 5 5 4}
𝑥111 5 5
• 𝑟111 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00
4 5 4 5 4 5 4 5 5 5 4}
𝑥121 4 4
• 𝑟121 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 0,80 19
4 5 4 5 4 5 4 5 5 5 4}
 Simple Additive Weighting (SAW)
• Perhitungan Normalisasi Kriteria Kepribadian (C2)
𝑥12 4 4
• 𝑟12 = 𝑀𝑎𝑥 2 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
5 4 5 4 5 4 5 4 5 4 5}
𝑥22 5 5
• 𝑟22 = 𝑀𝑎𝑥 2 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 1,00
5 4 5 4 5 4 5 4 5 4 5}
𝑥32 4 4
• 𝑟32 = 𝑀𝑎𝑥 2 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
5 4 5 4 5 4 5 4 5 4 5}
𝑥42 5 5
• 𝑟42 = 𝑀𝑎𝑥 2 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 1,00
5 4 5 4 5 4 5 4 5 4 5}
𝑥52 4 4
• 𝑟52 = 𝑀𝑎𝑥 2 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 5 4 5 4 5 4 5 4 5 4 5}
= 5 = 0,80
𝑥62 5 5
• 𝑟62 = 𝑀𝑎𝑥 2 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 1,00
5 4 5 4 5 4 5 4 5 4 5}
𝑥72 4 4
• 𝑟72 = = = = 0,80
𝑀𝑎𝑥 2 (𝑥𝑖𝑗) 𝑀𝑎𝑥 {4 5 4 5 4 5 4 5 4 5 4 5} 5
𝑥82 5 5
• 𝑟82 = 𝑀𝑎𝑥 2 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 1,00
5 4 5 4 5 4 5 4 5 4 5}
𝑥92 4 4
• 𝑟92 = 𝑀𝑎𝑥 2 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
5 4 5 4 5 4 5 4 5 4 5}
𝑥102 5 5
• 𝑟102 = 𝑀𝑎𝑥 2 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 1,00
5 4 5 4 5 4 5 4 5 4 5}
𝑥112 5 4
• 𝑟112 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
5 4 5 4 5 4 5 4 5 4 5}
𝑥122 4 5
• 𝑟122 = 𝑀𝑎𝑥 1 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00 20
4 5 4 5 4 5 4 5 5 5 4}
 Simple Additive Weighting (SAW)
• Perhitungan Normalisasi Kriteria Sosial (C3)
𝑥13 5 5
• 𝑟13 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00
5 4 4 5 5 4 4 5 5 4 5}
𝑥23 5 5
• 𝑟23 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00
5 4 4 5 5 4 4 5 5 4 5}
𝑥33 4 4
• 𝑟33 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 0,80
5 4 4 5 5 4 4 5 5 4 5}
𝑥43 4 4
• 𝑟43 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 0,80
5 4 4 5 5 4 4 5 5 4 5}
𝑥53 5 5
• 𝑟53 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 5 4 4 5 5 4 4 5 5 4 5}
= 5 = 1,00
𝑥63 5 5
• 𝑟63 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00
5 4 4 5 5 4 4 5 5 4 5}
𝑥73 4 4
• 𝑟73 = = = = 0,80
𝑀𝑎𝑥 3 (𝑥𝑖𝑗) 𝑀𝑎𝑥 {5 5 4 4 5 5 4 4 5 5 4 5} 5
𝑥83 4 4
• 𝑟83 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 0,80
5 4 4 5 5 4 4 5 5 4 5}
𝑥93 5 5
• 𝑟93 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00
5 4 4 5 5 4 4 5 5 4 5}
𝑥103 5 5
• 𝑟103 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00
5 4 4 5 5 4 4 5 5 4 5}
𝑥113 4 4
• 𝑟113 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 0,80
5 4 4 5 5 4 4 5 5 4 5}
𝑥123 5 5
• 𝑟123 = 𝑀𝑎𝑥 3 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {5 = 5 = 1,00 21
5 4 4 5 5 4 4 5 5 4 5}
 Simple Additive Weighting (SAW)
• Perhitungan Normalisasi Kriteria Spiritual (C4)
𝑥14 4 4
• 𝑟14 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
4 5 5 4 4 5 5 4 4 4 5}
𝑥24 4 4
• 𝑟24 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
4 5 5 4 4 5 5 4 4 4 5}
𝑥34 5 5
• 𝑟34 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 1,00
4 5 5 4 4 5 5 4 4 4 5}
𝑥44 5 5
• 𝑟44 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 1,00
4 5 5 4 4 5 5 4 4 4 5}
𝑥54 4 4
• 𝑟54 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 4 5 5 4 4 5 5 4 4 4 5}
= 5 = 0,80
𝑥64 4 4
• 𝑟64 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
4 5 5 4 4 5 5 4 4 4 5}
𝑥74 5 5
• 𝑟74 = = = = 1,00
𝑀𝑎𝑥 4 (𝑥𝑖𝑗) 𝑀𝑎𝑥 {4 4 5 5 4 4 5 5 4 4 4 5} 5
𝑥84 5 5
• 𝑟84 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 1,00
4 5 5 4 4 5 5 4 4 4 5}
𝑥94 4 4
• 𝑟94 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
4 5 5 4 4 5 5 4 4 4 5}
𝑥104 4 4
• 𝑟104 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
4 5 5 4 4 5 5 4 4 4 5}
𝑥114 4 4
• 𝑟114 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
4 5 5 4 4 5 5 4 4 4 5}
𝑥12,4 5 5
• 𝑟124 = 𝑀𝑎𝑥 4 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 1,00 22
4 5 5 4 4 5 5 4 4 4 5}
 Simple Additive Weighting (SAW)
• Perhitungan Normalisasi Kriteria Networking (C5)
𝑥15 4 4
• 𝑟15 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
1 3 5 3 3 3 1 4 2 4 4}
𝑥25 1 1
• 𝑟25 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,20
1 3 5 3 3 3 1 4 2 4 4}
𝑥35 3 3
• 𝑟35 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,60
1 3 5 3 3 3 1 4 2 4 4}
𝑥45 5 5
• 𝑟45 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 1,00
1 3 5 3 3 3 1 4 2 4 4}
𝑥55 3 3
• 𝑟55 = = = = 0,60
𝑀𝑎𝑥 5 (𝑥𝑖𝑗) 𝑀𝑎𝑥 {4 1 3 5 3 3 3 1 4 2 4 4} 5
𝑥65 3 3
• 𝑟65 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,60
1 3 5 3 3 3 1 4 2 4 4}
𝑥75 3 3
• 𝑟75 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,60
1 3 5 3 3 3 1 4 2 4 4}
𝑥85 1 1
• 𝑟85 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,20
1 3 5 3 3 3 1 4 2 4 4}
𝑥95 4 4
• 𝑟95 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
1 3 5 3 3 3 1 4 2 4 4}
𝑥105 2 2
• 𝑟105 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,40
1 3 5 3 3 3 1 4 2 4 4}
𝑥115 4 4
• 𝑟115 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 = 5 = 0,80
1 3 5 3 3 3 1 4 2 4 4}
𝑥125 4 4
• 𝑟125 = 𝑀𝑎𝑥 5 (𝑥𝑖𝑗) = 𝑀𝑎𝑥 {4 1 3 5 3 3 3 1 4 2 4 4}
= 5 = 0,80 23
 Simple Additive Weighting (SAW)
• Kriteria C6 dan C7 termasuk kriteria biaya (cost) digunakan rumus normalisasi:
𝑀𝑖𝑛 𝑗 (𝑥𝑖𝑗)
• 𝑟𝑖𝑗 =
𝑥𝑖𝑗

24
Halifia Hendri, S.Pd., M.Kom. / Sistem Pendukung Keputusan
 Simple Additive Weighting (SAW)
• Perhitungan Normalisasi Kriteria Keterlambatan Kerja (C6)
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟16 = = = 1 = 1,00
𝑥16 1
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟26 = = = 1 = 1,00
𝑥26 1
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟36 = = = 1 = 1,00
𝑥36 1
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟46 = = = 1 = 1,00
𝑥46 1
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟56 = 𝑥56 = = = 0,50
2 2
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟66 = 𝑥66 = = = 0,50
2 2
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟76 = 𝑥76 = = = 0,50
2 2
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟86 = 𝑥86 = = = 0,50
2 2
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟96 = 𝑥96 = 1
= 1
= 1,00
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟106 = 𝑥106 = = = 1,00
1 1
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟116 = = = = 0,50
𝑥116 2 2
𝑀𝑖𝑛 6 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {1 1 1 1 2 2 2 2 1 1 2 1} 1
• 𝑟126 = = = = 1,00
𝑥126 1 1
25
 Simple Additive Weighting (SAW)
• Perhitungan Normalisasi Kriteria Menerima Hukuman (C7)
𝑀𝑖𝑛 7 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2 1 2} 1
• 𝑟17 = = = 2 = 0,50
𝑥17 2
𝑀𝑖𝑛 7 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟27 = = = 1 = 1,00
𝑥27 1
𝑀𝑖𝑛 7 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟37 = = = 1 = 1,00
𝑥37 1
𝑀𝑖𝑛 7 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟47 = = = 1 = 1,00
𝑥47 1
𝑀𝑖𝑛 7 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟57 = = = 2 = 0,50
𝑥57 2
𝑀𝑖𝑛 7 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟67 = = = 2 = 0,50
𝑥67 2
𝑀𝑖𝑛 7 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟77 = = = = 1,00
𝑥77 1 1
𝑀𝑖𝑛 7 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟87 = 𝑥87 = = = 1,00
1 1
𝑀𝑖𝑛 7 (𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟97 = 𝑥97 = 1
= 1
= 1,00
𝑀𝑖𝑛 7(𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟107 = 𝑥107 = = = 0,50
2 2
𝑀𝑖𝑛 7(𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟117 = = = = 0,50
𝑥117 2 2
𝑀𝑖𝑛 7(𝑥𝑖𝑗) 𝑀𝑖𝑛 {2 1 1 1 2 2 1 1 1 2} 1
• 𝑟127 = = = 2 = 0,50
𝑥127 2
26
 Simple Additive Weighting (SAW)
• Langkah 4: Hasil dari nilai rating kinerja ternormalisasi (rij) membentuk matrik
ternormalisasi (R) sebagai berikut:

𝑟11 𝑟12 𝑟13 𝑟14 𝑟15 𝑟16 𝑟17

𝑟21 𝑟22 𝑟23 𝑟24 𝑟25 𝑟26 𝑟27
𝑟31 𝑟32 𝑟33 𝑟34 𝑟35 𝑟36 𝑟37
𝑟41 𝑟42 𝑟43 𝑟44 𝑟45 𝑟46 𝑟47
𝑟51 𝑟52 𝑟53 𝑟54 𝑟55 𝑟56 𝑟57
𝑟61 𝑟62 𝑟63 𝑟64 𝑟65 𝑟66 𝑟67
• 𝑟𝑖𝑗 =
𝑟71 𝑟72 𝑟73 𝑟74 𝑟75 𝑟76 𝑟77
𝑟81 𝑟82 𝑟83 𝑟84 𝑟85 𝑟86 𝑟87
𝑟91 𝑟92 𝑟93 𝑟94 𝑟95 𝑟96 𝑟97
𝑟101 𝑟102 𝑟103 𝑟104 𝑟105 𝑟106 𝑟107
𝑟111 𝑟112 𝑟113 𝑟114 𝑟115 𝑟116 𝑟117
𝑟121 𝑟122 𝑟123 𝑟124 𝑟125 𝑟126 𝑟127

27
 Simple Additive Weighting (SAW)
• Sehingga tabel matriks ternormalisasi menjadi:

1,00 0,80 1,00 0,80 0,80 1,00 0,50

0,80 1,00 1,00 0,80 0,20 1,00 1,00
1,00 0,80 0,80 1,00 0,60 1,00 1,00
0,80 1,00 0,80 1,00 1,00 1,00 1,00
1,00 0,80 1,00 0,80 0,60 0,50 0,50
0,80 1,00 1,00 0,80 0,60 0,50 0,50
• 𝑟𝑖𝑗 =
1,00 0,80 0,80 1,00 0,60 0,50 1,00
0,80 1,00 0,80 1,00 0,20 0,50 1,00
1,00 0,80 1,00 0,80 0,80 1,00 1,00
1,00 1,00 1,00 0,80 0,40 1,00 0,50
1,00 0,80 0,80 0,80 0,80 0,50 0,50
0,80 1,00 1,00 1,00 0,80 1,00 0,50

28
 Simple Additive Weighting (SAW)
• Langkah 5. Hasil akhir nilai preferensi (Vi) diperoleh dari penjumlahan dari
perkalian elemen baris matrik ternormalisasi (R) dengan bobot preferensi (W)
yang bersesuaian elemen kolom matrik (W) dengan rumus:
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• Perhitungan preferensi alternatif 1 (A1):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉1 = 0,20 x 1,00 + 0,20 x 0,80 + 0,20 x 1,00 + 0,15 x 0,80 +
0,10 x 0,80 +(0,10 x 1,00)+ 0,05 x 0,50
• 𝑉1 = 0,20 + 0,16 + 0,20 + 0,12 + 0,08 + 0,025
• 𝑉1 = 0,785
• Perhitungan preferensi alternatif 2 (A2):
• 𝑉2 = 0,20 x 0,80 + 0,20 x 1,00 + 0,20 x 1,00 + 0,15 x 0,80 +
0,10 x 0,20 +(0,10 x 1,00) + 0,05 x 1,00
• 𝑉2 = 0,16 + 0,20 + 0,20 + 0,12 + 0,02 + 0,10 + 0,05
• 𝑉2 = 0,850

29
 Simple Additive Weighting (SAW)
• Perhitungan preferensi alternatif 3 (A3):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉3 = 0,20 x 1,00 + 0,20 x 0,80 + 0,20 x 0,80 + 0,15 x 1,00 +
0,10 x 0,60 +(0,10x 1,00) + 0,05 x 1,00
• 𝑉3 = 0,20 + 0,16 + 0,16 + 0,15 + 0,06 + 0,10 + 0,05
• 𝑉3 = 0,880
• Perhitungan preferensi alternatif 4 (A4):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉4 = 0,20 x 0,80 + 0,20 x 1,00 + 0,20 x 0,80 + 0,15 x 1,00 +
0,10 x 1,00 +(0,10x 1,00) + 0,05 x 1,00
• 𝑉4 = 0,16 + 0,20 + 0,16 + 0,15 + 0,10 + 0,10 + 0,05
• 𝑉4 = 0,920

30
 Simple Additive Weighting (SAW)
• Perhitungan preferensi alternatif 5 (A5):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉5 = 𝑉4 = 0,20 x 1,00 + 0,20 x 0,80 + 0,20 x 1,00 + 0,15 x 0,80 +
0,10 x 0,60 +(0,10 x 0,50) + 0,05 x 0,50
• 𝑉5 = 0,20 + 0,16 + 0,20 + 0,12 + 0,06 + 0,05 + 0,025
• 𝑉5 = 0,815
• Perhitungan preferensi alternatif 6 (A6):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉6 = 𝑉4 = 0,20 x 0,80 + 0,20 x 1,00 + 0,20 x 1,00 + 0,15 x 0,80 +
0,10 x 0,60 +(0,10 x 0,50) + 0,05 x 0,50
• 𝑉6 = 0,16 + 0,20 + 0,20 + 0,12 + 0,06 + 0,05 + 0,025
• 𝑉6 = 0,815

31
 Simple Additive Weighting (SAW)
• Perhitungan preferensi alternatif 7 (A7):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉7 = 𝑉4 = 0,20 x 1,00 + 0,20 x 0,80 + 0,20 x 0,80 + 0,15 x 1,00 +
0,10 x 0,60 +(0,10x 0,50) + 0,05 x 1,00
• 𝑉7 = 0,20 + 0,16 + 0,16 + 0,15 + 0,06 + 0,05 + 0,05
• 𝑉7 = 0,830
• Perhitungan preferensi alternatif 8 (A8):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉8 = 𝑉4 = 0,20 x 0,80 + 0,20 x 1,00 + 0,20 x 0,80 + 0,15 x 1,00 +
0,10 x 0,20 +(0,10x 0,50) + 0,05 x 1,00
• 𝑉8 = 0,16 + 0,20 + 0,16 + 0,15 + 0,02 + 0,05 + 0,05
• 𝑉8 = 0,790

32
 Simple Additive Weighting (SAW)
• Perhitungan preferensi alternatif 9 (A9):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉9 = 𝑉4 = 0,20 x 1,00 + 0,20 x 0,80 + 0,20 x 1,00 + 0,15 x 0,80 +
0,10 x 0,80 +(0,10 x 1,00) + 0,05 x 1,00
• 𝑉9 = 0,20 + 0,16 + 0,20 + 0,12 + 0,08 + 0,10 + 0,05
• 𝑉9 = 0,910
• Perhitungan preferensi alternatif 10 (A10):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉10 = 𝑉4 = 0,20 x 1,00 + 0,20 x 1,00 + 0,20 x 1,00 + 0,15 x 0,80 +
0,10 x 0,40 +(0,10x 1,00) + 0,05 x 0,50
• 𝑉10 = 0,20 + 0,20 + 0,20 + 0,12 + 0,04 + 0,1 + 0,025
• 𝑉10 = 0,885

33
 Simple Additive Weighting (SAW)
• Perhitungan preferensi alternatif 11 (A11):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉11 = 𝑉4 = 0,20 x 1,00 + 0,20 x 0,80 + 0,20 x 0,80 + 0,15 x 0,80 +
0,10 x 0,80 +(0,10x 0,50) + 0,05 x 0,50
• 𝑉11 = 0,20 + 0,16 + 0,16 + 0,12 + 0,08 + 0,05 + 0,025
• 𝑉11 = 0,795
• Perhitungan preferensi alternatif 12 (A12):
• 𝑉𝑖 = σ 𝑊𝑗. 𝑟𝑖𝑗
• 𝑉12 = 𝑉4 = 0,20 x 0,80 + 0,20 x 1,00 + 0,20 x 1,00 + 0,15 x 1,00 +
0,10 x 0,80 +(0,10 x 1,00) + 0,05 x 0,50
• 𝑉12 = 0,16 + 0,20 + 0,20 + 0,15 + 0,08 + 0,10 + 0,025
• 𝑉12 = 0,915

34
 Simple Additive Weighting (SAW)
• Sehingga nilai akhir preferensi pada setiap alternatif yaitu:
No Alternatif Nama Nilai Akhir Preferensi
1 A1 Andre 0,785
2 A2 Budi 0,850
3 A3 Cici 0,880
4 A4 Dedi 0,920
5 A5 Emil 0,815
6 A6 Fani 0,815
7 A7 Gigi 0,830
8 A8 Hari 0,790
9 A9 Ina 0,910
10 A10 Jeni 0,885
11 A11 Kiki 0,795
12 A12 Leni 0,915
• Berdasarkan nilai akhir preferensi diatas dapat diketahui bahwa Alternatif 4 (A4) bernama Dedi
dengan total nilai 0,920 terpilih menjadi karyawan terbaik sehingga di promosikan menjadi kepala
cabang baru. 35