1(1):e2(1-6)
c 2013 Departemen Statistika FMIPA IPB
Ringkasan—Many methods on Multi-Criteria Decision bawah aturan seleksi tertentu ([2]). Individu dalam populasi
Analysis (MCDA) are used to rank the m alternatives dipilih secara acak dan banyaknya terbatas. Pengacakan ini
A1 , A2 , . . . , Am based on the n criteria C1 , C2 , . . . , Cn . MCDA memberikan peluang yang sama terhadap setiap individu un-
data can be presented in a decision matrix [Am×n ] containing
aij , the value in the i-th alternative and j-th criterion. The tuk masuk ke dalam populasi. Selain itu, konsep pengacakan
solution on MCDA methods is obtained by giving wj , weighted juga dilakukan pada proses pindah silang (crossover) dan
value on the j-th criterion which is suitable with its role. mutasi terhadap populasi untuk membentuk generasi baru.
The optimization concept of Spearman’s correlation in every Individu terbaik pada generasi terakhir inilah yang nantinya
pairs of solution candidate with all of criterias as a measure menjadi solusi dalam algoritma genetika.
of goodness of the solution using genetic algorithm seems to
be an alternative solution method for MCDA, even though, Pada implementasi algoritma genetika, individu dapat
it is assumed that each criterion vector on matrix A should direpresentasikan oleh bilangan biner atau pun bilangan
be positively correlated. It is indicated from the results of the real ([2]). Penelitian ini akan menelaah representasi indi-
simulation against 30 alternatives with 15 criterias, genetic al- vidu dalam bentuk peringkat pada algoritma genetika dan
gorithm provides a solution that is high correlated with a result memanfaatkan koefisien korelasi Spearman untuk kriteria
using the AHP method, the correlation of 0.94. Besides the
treatment of missing value will be much simpler to use genetic optimumnya sebagai alternatif pilihan dalam mencari solusi
algorithms and the result will be a high correlation between the pada data MCDA baik data lengkap maupun ada data
ranking of alternative simulation from the complete data with kosong. Implementasi algoritma tersebut dilakukan pada
alternative rankings contained missing value as much as 10% software R dengan ilustrasinya menggunakan data simulasi
to 40%; all correlations were worth more than 0.85. A case dan aplikasinya dalam menentukan pilihan terbaik merek
study of 29 automobile brands with 11 criteria and contains
20% of missing value resulting Model-Y, Model-1, and Model-3 mobil berdasarkan berbagai kriteria selera konsumen.
as the best sequence of three consumer preferred brands.
II. T INJAUAN P USTAKA
Keywords-correlation; genetic algorithm; MCDA; missing A. Multi-Criteria Decision Analysis (MCDA)
value;
Misalkan A1 , A2 , ..., Am adalah himpunan m buah alter-
I. P ENDAHULUAN natif yang akan ditentukan peringkatnya atau urutannya ber-
dasarkan pada penilaian terhadap himpunann buah kriteria
Berbagai masalah dalam bidang sains, teknik, ilmu kom- C1 , C2 , ..., Cn . Hasil penilaian terhadap n kriteria tersebut
puter, ekonomi, bisnis, dan manajemen seringkali dihadapk- dapat direpresentasikan dalam matriks [A = [aij ]m×n ]
an pada pengambilan keputusan untuk menentukan satu atau berordo m × n dengan aij menyatakan nilai alternatif ke-
beberapa pilihan terbaik di antara m pilihan berdasarkan n i, Ai , untuk kriteria ke-j, Cj ; matriks ini dikenal sebagai
parameter. Hal ini dapat diselesaikan dengan berbagai me- matriks keputusan ([3]).
tode pada Multi-Criteria Decision Analysis (MCDA) yang Menurut Triantaphyllou et al. ([4]), ada 6 metode yang
menggunakan konsep pembobotan pada setiap parameter dapat digunakan pada MCDA, yaitu Weighted Sum Model
berdasarkan peranannya. (WSM), Weighted Product Model (WPM), Analytic Hie-
Adakalanya data kosong dijumpai pada gugus data rarchy Process (AHP), Revised Analytic Hierarchy Process
MCDA. Metode yang biasa digunakan untuk menangani (RAHP), ELECTRE Method, dan TOPSIS Method. Keenam
kondisi tersebut melalui hot-deck imputation, subtitution, metode tersebut memanfaatkan wi sebagai bobot kriteria ke-
cold deck imputation, unconditional mean/ median/ mode i, i = 1, ..., n, dalam penyelesaiannya. Bobot ini mencer-
imputation dan multiple imputation. Pilihan metode apa yang minkan tingkat kepentingan kriteria dalam menentukan per-
tepat ketika ada data kosong disesuaikan dengan karakteris- ingkat alternatif dan didefinisikan oleh pembuat keputusan
tik parameternya agar terhindar dari bias ([1]).
P
dengan batasan wi > 0 dan wi = 1; i = 1, 2, ..., n.
Algoritma genetika merupakan metode pengoptimuman
berdasarkan pada prinsip-prinsip genetika dan seleksi alam. B. Algoritma Genetika
Kaidah dalam algoritma ini merefleksikan sebuah populasi Algoritma genetika mengikuti perilaku dalam proses evo-
yang dibentuk dari banyak individu yang berkembang di lusi yang dialami makhluk hidup dari generasi ke generasi,
2 Xplore, 2013, Vol. 1(1):e2(1-6) Rahardiantoro et al.
Tabel V
an bahwa algoritma genetika dengan menggunakan konsep H ASIL PERINGKAT MEREK MOBIL BERDASARKAN PENILAIAN
korelasi terandalkan sebagai solusi masalah MCDA dengan KONSUMEN
data lengkap maupun ada data kosong tak lebih dari 40%.
Peringkat Merek Mobil Peringkat Merek Mobil
D. Pilihan Mobil Berdasarkan Selera Konsumen 1 Model-Y 16 Model-Q
Data primer penilaian 7654 konsumen terhadap 29 merek 2 Model-1 17 Model-B
3 Model-3 18 Model-6
mobil berdasarkan pada 11 kriteria diolah dengan algoritma 4 Model-T 19 Model-U
genetika untuk memperoleh peringkat mobil dari yang paling 5 Model-S 20 Model-X
disukai sampai yang paling tidak disukai. Data ini bersifat 6 Model-4 21 Model-7
7 Model-5 22 Model-L
kategorik dengan 3 jenis skala penilaian, dari 1-5, 1-7, 8 Model-J 23 Model-V
dan 1-10. Nilai tertinggi dari ketiga jenis skala penilaian 9 Model-M 24 Model-W
tersebut menyatakan bahwa mobil paling disukai. Persepsi 10 Model-C 25 Model-R
11 Model-P 26 Model-H
tingkat selera konsumen terhadap merek mobil yang paling 12 Model-O 27 Model-N
disukai terwakili pada matriks keputusan A=[aij ]29×11 , 13 Model-G 28 Model-Z
yang ditetapkan dengan aij merupakan persentase responden 14 Model-K 29 Model-A
15 Model-2
yang memilih 0.4 sampai 0.5 bagian tertinggi dari setiap
jenis skala kriteria seperti tercantum pada Tabel IV. Matriks
keputusan ini memiliki sekitar 20% data kosong, serta me-
miliki nilai korelasi positif untuk setiap pasang kriteria. ukuran kebaikan solusinya, tentunya dengan asumsi bahwa
semua korelasi tersebut positif atau tidak ada kriteria yang
Tabel IV saling bertolak belakang. Model-Y, Model-1, dan Model-3
S KALA KRITERIA MOBIL adalah tiga urutan mobil terbaik pilihan konsumen di antara
29 merek yang dinilai berdasarkan 11 kriteria dengan data
No. Jangkauan Nilai Skala Persentase Skala
Kriteria untuk Terpilih (%)
kosong sekitar 20%.
1 1-5 4 dan 5 40 P USTAKA
2 1-7 5, 6, dan 7 43
3 1-10 7, 8, 9, dan 10 40 [1] Nardo M, Saisana M, Saltelli A, Tarantola S, Hoffman A,
Giovannini E.2005. Handbook on Constructing Composite
Indicators: Methodology and User Guide. OECD Statistics
Pada matriks keputusan A, dapat dilihat Model-Y, Model- Working Paper. STD/DOC(2005)3:12-30
1 dan Model-3 memiliki nilai yang cenderung besar di
semua kriteria, sedangkan Model-A memiliki nilai yang [2] Haupt RL, Haupt SE. 2004. Practical Genetic Algorithms
Second Edition. New Jersey(US) : John Wiley and Sons, Inc
cenderung kecil di semua kriteria. Dugaan sementara bahwa
Model-Y, Model-1 dan Model-3 berada peringkat teratas, [3] Steele K, Carmel Y, Cross J, Wilcox C. 2008. Uses and
sedangkan Model-A berada pada peringkat terbawah. Pe- Misuses of Multi-Criteria Decision Analysis (MCDA) in
ngolahan data tersebut dengan fungsi GENMCDA diperoleh Environmental Decision-Making. Australian Centre of Exce-
hasil urutan alternatifnya yang dapat dilihat pada Tabel llence for Risk Analysis.1-19
V. Hasilnya sesuai dengan dugaan awal bahwa Model-Y, [4] Triantaphyllou E, Shu B, Sanchez SN, Ray T. 1998.
Model-1 dan Model-3 berada pada tiga peringkat teratas, Multi-Criteria Decision Making: An Operations Resear-
dan Model-A berada pada peringkat terbawah. ch Approach. Encyclopedia of Electrical and Electronics
Engineering.15:175-186
IV. SIMPULAN
[5] Sivanandam SN, Deepa SN. 2008. Introductions to Genetic
Melalui simulasi terungkap adanya konsistensi solusi ma- Algorithms. New York(US) : Springer
salah MCDA dengan metode AHP dan solusinya dengan
algoritma genetika. Indikatornya ialah koefisien korelasi [6] Linkov I, Varghese A, Jamil S, Seager TP, Kiker G, Bridges
Spearman kedua solusi ini sebesar 0.94 atau plotnya ham- T. 2004. Multi-Criteria Decision Analysis: A Framework
pir linear. Selain itu tampak pula algoritma genetika juga for Structuring Remedial Decisions at Contaminated Sites.
Comparative Risk Assessment and Environmental Decision
terandalkan untuk mengatasi adanya data kosong hingga Making. 15-54
40% dalam masalah MCDA, sebagaimana diindikasikan
oleh tingginya rataan korelasi Spearman solusi data lengkap
dengan solusi ada data kosong maupun di antara solusi yang
ada data kosongnya; nilainya lebih dari 0.85. Algoritma
genetika dapat digunakan sebagai metode alternatif untuk so-
lusi MCDA melalui pengoptimuman korelasi Spearman se-
tiap pasangan kandidat solusi dengan semua kriteria sebagai