Kajian Analisis Sensitivitas Pada Metode Analytic Hierarchy Process (Ahp)

1
KAJIAN ANALISIS SENSITIVITAS PADA METODE ANALYTIC
HIERARCHY PROCESS (AHP)
SKRIPSI
JENHERY PURBA
070823046
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2010
Universitas Sumatera Utara

2
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Sains
JENHERY PURBA
070823046
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2010

3
PERSETUJUAN
Judul : KAJIAN ANALISIS SENSITIVITAS PADA METODE

ANALYTIC HIERARCHY PROCESS (AHP)
Kategori : SKRIPSI
Nama : JENHERY PURBA
NIM : 070823046
Program Studi : S1 MATEMATIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM
(FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, Oktober 2010
Komisi pembimbing :
Pembimbing II Pembimbing I
Dr. Sutarman, M.Sc Prof. DR. Drs. Iryanto, M.Si

NIP. 1963130261991031001 NIP. 194604041971071001
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU
Ketua,
Dr. Saib Suwilo, M.Sc

NIP. 196401091988031004

4
PERNYATAAN

SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing–masing disebutkan sumbernya.
Medan, Oktober 2010
JENHERY PURBA
070823046

5
PENGHARGAAN
Puji dan syukur penulis ucapkan kepada Tuhan Yang Maha Pemurah dan
Maha Penyayang, atas kasih dan berkat-Nya penulis dapat menyelesaikan skripsi ini
dalam waktu yang telah ditetapkan.
Dalam kesempatan ini, penulis ingin menucapkan terima kasih yang sebesar –
besarnya kepada semua pihak yang telah membantu dan membimbing penulis dalam
penyusunan skripsi ini, ucpan terima kasih saya sampaikan kepada :
1. Bapak Prof. DR. Drs. Iryanto, M.Si, selaku pembimbing I dan Dr.
Sutarman, M.Sc selaku pembimbing II, yang telah memberikan
bimbingan dan pengarahan kepada saya sehingga skripsi ini dapat saya
selesaikan.
2. Bapak Drs. Faigiziduhu Bu’ulolo, M.Si, dan Dra. Mardiningsih, M.Si
selaku dosen pembanding.
3. Bapak Dr. Saib Suwilo, M.Sc dan Drs. Henri Rani Sitepu, M.Si, Selaku
Ketua dan Sekretaris Departemen Matematika.
4. Dekan dan Pembantu Dekan Fakultas matematika dan Ilmu
Pengetahuan Alam Universitas Sumatera Utara.
5. Semua dosen pada Departemen Matematika FMIPA USU, pegawai di
FMIPA USU.
6. Seluruh teman – teman kuliah dan juga adek – adek saya Juleonard
Purba, Hotman, Hannaria sinaga, Beny, Evi, yang telah memberikan
semangat, dorongan dan saran dalam pengerjaan skripsi ini.
7. Ayahanda Abel Purba, Ibunda Nurmanti Siahaan serta seluruh keluarga
saya yang selama ini memberikan bantuan dan dorongan yang
diperlukan.
Penulis memanjatkan doa kepada Tuhan Yang Maha Esa semoga segala
kebaikan dan bantuan yang telah diberikan kepada penulis dapat dibalas oleh Tuhan.

6
ABSTRAK
Metode Analytic Hierarchy Process (AHP) merupakan suatu metode yang digunakan
dalam pengambilan keputusan terhadap masalah penentuan prioritas pilihan dari
berbagai alternative. Metode ini diawali dengan membentuk struktur hirarki dari
permasalah yang ingin dipecahkan, struktur hirarki ini terdiri dari tujuan yang ingin
dicapai atau goal, criteria dan alternative pilihan dari criteria tersebut. Kemudian
membuat matriks perbandingan berpasangan (pair-wise comparison matrix) untuk
mengetahui hubungan tingkat kepentingan antara elemen yang satu dengan yang lain.
Pada matrikd tersebut akan dicari bobot dari tiap criteria atau alternative dengan cara
menormalkan rata-rata geometric dari penilian decision maker. Bobot prioritas global
diperoleh dengan mengalikan bobot prioritas local dari criteria dengan bobot prioritas
local dari alternative keputusan. Analisis sensitivitas dalam AHP dengan mengubah
bobot prioritas dari criteria keputusan. Bobot prioritas criteria tersebut diubah lebih
kecil dan lebih besar dari bobot sebelumnya, sehingga diperoleh hasil terjadinya
perubahan urutan prioritas.

7
SENSITIVITY ANALYSIS IN ANALYTIC HIERARCHY PROCESS (AHP)
ABSTRACT
Analytic Hierarchy Process (AHP) method is a decision making method on

determining the priority alternative of any alternative. This method is begin by making
hierarchy structure of the studied problem to solve, this hierarchy structure consist of
goal, criteria, alternative. Then making pair wise comparison matrix to know how
inmportance element with others. In this matrix, the weight of each criteria is
determined by normalization of geometric mean from decision maker opinion. Weight
global priority determined of cross weight local priority criteria with weight local
priority alternative. Sensitivity analysis in AHP with change weight priority of
criteria. Weight priority changed less and more from weight priority before, then
result determined the global priority will change.

8
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak v
Abstract vi
Daftar Isi vii
Daftar Tabel viii
Daftar Gambar ix
BAB 1 PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Perumusan Masalah 3
1.3 Tinjauan Pustaka 3
1.4 Tujuan Penelitian 6
1.5 Kontribusi Penelitian 6
1.6 Metode Penelitian 7
BAB 2 LANDASAN TEORI 8

2.1 Analytic Hierarchy Process 8
2.2 Prinsip Dasar Analytic Hierarchy Process 11
2.2.1 Penyusunan Prioritas 13
2.2.2 Eigen value dan Eigen vector 16
2.2.3 Uji Konsistensi Indeks Rasio 21
2.3 Analisis Sensitivitas Pada Analytical Hierarchy Proses 23
2.3.1 Analisis Sensitivitas Pada Bobot Prioritas Dari
Kriteria Keputusan 28
BAB 3 PEMBAHASAN 29
3.1 Perhitungan Faktor Pembobotan Hirarki Untuk Semua Kriteria 29
3.2 Perhitungan Faktor Evaluasi Untuk Kriteria Hardware 31
3.3 Perhitungan Faktor Evaluasi Untuk Kriteria Software 34
3.4 Perhitungan Faktor Evaluasi Untuk Kriteria Purnajual 36
3.5 Perhitungan Faktor Evaluasi Untuk Kriteria Daya Tarik 38
3.6 Perhitungan Total Ranking/Prioritas Global 40
3.6.1 Faktor Evaluasi Total 40
3.6.2 Total Rangking / Prioritas Global 40
3.7 Analisa Sensitivitas AHP Pada Prioritas Kriteria Keputusan 41
3.7.1 Analisa Sensitivitas Terhadap Kriteria Hardware 41
3.7.2 Analisis Sensitivitas Terhadap Kriteria Software 46
3.7.3 Analisis Sensitivitas Terhadap Kriteria Purnajual 50
3.7.4 Analisis Sensitivitas Terhadap Kriteria Daya Tarik 54

9
BAB 4 KESIMPULAN DAN SARAN 58

4.1 Kesimpulan 58
4.2 Saran 60
Daftar Pustaka 61
Lampiran

10
DAFTAR TABEL
Halaman
Tabel 2.1 Matriks Perbandingan Berpasangan 13

Tabel 2.2 Skala Penilaian Perbandingan Berpasangan 14
Tabel 2.3 Biaya Pengiriman Barang dari Pabrik ke Kota 16
Tabel 2.4 Nilai Random Indeks (RI) 23
Tabel 2.5 Matriks Perbandingan Berpasangan Pada Level Dua 25
Tabel 2.6 Matriks Perbandingan Berpasangan Terhadap HW 25
Tabel 2.7 Matriks Perbandingan Berpasangan Terhadap SW 26
Tabel 2.8 Matriks Perbandingan Berpasangan Terhadap PJ 26
Tabel 2.9 Matriks Perbandingan Berpasangan Terhadap DT 27
Tabel 2.10 Prioritas Global 27
Tabel 3.1 Matriks Faktor Pembobotan Hirarki Untuk Semua Kriteria 29
Tabel 3.2 Matriks Faktor Pembobotan Hirarki Untuk Semua Kriteria
Yang disederhanakan 30
Yang Dinormalkan 30
Tabel 3.4 Matriks Evaluasi Untuk Kriteria Hardware 32
Tabel 3.5 Matriks Evaluasi Untuk Kriteria Proses Hardware
Yang Disederhanakan 32
Tabel 3.6 Matriks Faktor Evaluasi Untuk Kriteria Hardware
Yang Dinormalkan 32
Tabel 3.7 Matriks Faktor Evaluasi Untuk Kriteria Software 34
Tabel 3.8 Matriks Evaluasi Untuk Kriteria Software
Tabel 3.9 Matriks Faktor Evaluasi Untuk Kriteria Software
Yang Dinormalkan 35
Tabel 3.10 Matriks Faktor Evaluasi Untuk Kriteria Purnajual 36
Tabel 3.11 Matriks Evaluasi Untuk Kriteria Purnajual
Tabel 3.12 Matriks Faktor Evaluasi Untuk Kriteria Purnajual
Yang Dinormalkan 37
Tabel 3.13 Matriks Faktor Evaluasi Untuk Kriteria Daya Tarik 38
Tabel 3.14 Matriks Evaluasi Untuk Kriteria Daya Tarik
Tabel 3.15 Matriks Faktor Evaluasi Untuk Kriteria Daya Tarik
Yang Dinormalkan 39
Tabel 3.16 Matriks Faktor Evaluasi Total 40
Tabel 3.17 Prioritas Global Pemilihan Komputer Terbaik 41
Tabel 3.18 Analisis Sensitivitas Pada Kriteria Hardware
Dengan Bobot 0,2842 46
Tabel 3.19 Analisis Sensitivitas Pada Kriteria Software Dengan Bobot 0,0593 50
Tabel 3.20 Analisis Sensitivitas Pada Kriteria Purnajual Dengan Bobot 0,5712 53
Tabel 3.21 Analisis Sensitivitas Pada Kriteria Daya Tarik
Dengan Bobot 0,0853 57

11
DAFTAR GAMBAR
Halaman
Gambar 2.1 Struktur Hirarki 11

Gambar 2.2 Struktur Hirarki Pemilihan Komputer Terbaik 24

6
ABSTRAK
Metode Analytic Hierarchy Process (AHP) merupakan suatu metode yang digunakan
dalam pengambilan keputusan terhadap masalah penentuan prioritas pilihan dari
berbagai alternative. Metode ini diawali dengan membentuk struktur hirarki dari
permasalah yang ingin dipecahkan, struktur hirarki ini terdiri dari tujuan yang ingin
dicapai atau goal, criteria dan alternative pilihan dari criteria tersebut. Kemudian
membuat matriks perbandingan berpasangan (pair-wise comparison matrix) untuk
mengetahui hubungan tingkat kepentingan antara elemen yang satu dengan yang lain.
Pada matrikd tersebut akan dicari bobot dari tiap criteria atau alternative dengan cara
menormalkan rata-rata geometric dari penilian decision maker. Bobot prioritas global
diperoleh dengan mengalikan bobot prioritas local dari criteria dengan bobot prioritas
local dari alternative keputusan. Analisis sensitivitas dalam AHP dengan mengubah
bobot prioritas dari criteria keputusan. Bobot prioritas criteria tersebut diubah lebih
kecil dan lebih besar dari bobot sebelumnya, sehingga diperoleh hasil terjadinya
perubahan urutan prioritas.

7
SENSITIVITY ANALYSIS IN ANALYTIC HIERARCHY PROCESS (AHP)
ABSTRACT
Analytic Hierarchy Process (AHP) method is a decision making method on

determining the priority alternative of any alternative. This method is begin by making
hierarchy structure of the studied problem to solve, this hierarchy structure consist of
goal, criteria, alternative. Then making pair wise comparison matrix to know how
inmportance element with others. In this matrix, the weight of each criteria is
determined by normalization of geometric mean from decision maker opinion. Weight
global priority determined of cross weight local priority criteria with weight local
priority alternative. Sensitivity analysis in AHP with change weight priority of
criteria. Weight priority changed less and more from weight priority before, then
result determined the global priority will change.

12
BAB I
PENDAHULUAN
1.1. Latar Belakang
Dalam membuat keputusan sumber kerumitan masalah keputusan bukan hanya

dikarenakan faktor ketidakpastian atau ketidaksempurnaan informasi saja. Namun
masih terdapat penyebab lainnya seperti banyaknya faktor yang berpengaruh terhadap
pilihan-pilihan yang ada. Ketika membuat keputusan, ada suatu proses yang terjadi
pada otak manusia yang akan menentukan kualitas keputusan yang akan dibuat.
Ketika keputusan yang akan dibuat sederhana seperti memilih warna pakaian, manusia
dapat dengan mudah membuat keputusan. Akan tetapi jika keputusan yang akan
diambil bersifat kompleks dengan risiko yang besar seperti perumusan kebijakan,
pengambil keputusan sering memerlukan alat bantu dalam bentuk analisis yang
bersifat ilmiah, logis, dan terstruktur/konsisten. Salah satu alat analisis tersebut adalah
berupa decision making model (model pembuatan keputusan) yang memungkinkan
untuk membuat keputusan untuk masalah yang bersifat kompleks.
Metode Analytical Hierarchy Process (AHP) merupakan salah satu model

pengambilan keputusan yang sering digunakan untuk mengatasi permasalahan
multikriteria. Sebagai contoh, Pemilihan berbagai alat transportasi dengan
menggunakan AHP dilakukan oleh Teknomo (1999). AHP umumnya digunakan
dengan tujuan untuk menyusun prioritas dari berbagai alternatif/pilihan yang ada dan
pilihan-pilihan tersebut bersifat kompleks atau multikriteria. Secara umum, dengan
menggunakan AHP, prioritas yang dihasilkan akan bersifat konsisten dengan teori,
logis, transparan, dan partisipatif. AHP akan sangat cocok digunakan untuk
penyusunan prioritas kebijakan publik yang menuntut transparansi dan partisipasi.

13
Untuk pertama kali metode AHP diperkenalkan oleh Thomas L Saaty pada
periode 1971 – 1975 ketika di Warston School. Pengembangannya mendasarkan pada
kemampuan “judgment” manusia untuk mengkonstruksi persepsi secara hirarkis dari
sebuah persoalan keputusan multikriteria. Struktur yang hirarkis ini mempresentasikan
tipe hubungan ketergantungan fungsional yang paling sederhana dan berurutan
sehingga mempermudah mendekomposisikan persoalan multikriteria yang kompleks
menjadi elemen – elemen keputusannya. Hirarki bersifat linear dan distrukturkan
mulai dari elemen keputusan yang bersifat umum (misalnya goals, objektif, kriteria
dan subkriteria) sampai ke variabel atau faktor yang paling konkrit dan mudah
terkontrol pada level hirarki terbawah yaitu alternatif keputusan.
Dalam suatu hirarki yang lengkap, setiap elemen keputusan dihubungkan

dengan elemen lain pada level yang lebih atas atau level yang dibawahnya. Pada level
hirarki pertama adalah objektif (goal) keputusan yang ingin dicapai. Elemen
keputusan pada hirarki di level kedua adalah sejumlah atribut atau kriteria untuk
evaluasi preferensi keputusan. Pada level ini kita membuat “judgment” perbandingan
“preferensi” mana yang lebih besar tingkat kepentingannya antara kriteria yang satu
dengan yang lain untuk mencapai goal yang sudah ditetapkan. Skala perbandinagn
“judgment” yang berpasangan (pairwaise comparison matrix) untuk masing – masing
elemen dapat diperoleh. Pada level hirarki terbawah alternatif keputusan mengacu
pada kriteria pada level di atasnya, pengambil keputusan diminta lagi menetapkan
perbandingan “judgment” – nya dan preferensi untuk aternatif keseluruhan secara
berpasangan. Objektif dari penggunaan metode multikriteria AHP adalah untuk
menetapkan bobot kepentingan relatif masing – masing kriteria, kemudian kriteria ini
akan digunakan sebagai dasar acuan untuk evaluasi penetapan prioritas relatif pada
level hirarki dibawahnya (alternatif keputusan).
Umumnya pada saat pengambil keputusan menetapkan pembobotan relatif

antar elemen keputusan dalam metode AHP dilakukan dalam evaluasi lingkungan
keputusan yang samar dan subyektif, misalnya saat harus menetapkan identitas
pembobotan kualitatif kriteria seperti “sama” penting, “cukup” penting, “lebih” dan
“sangat” penting. Pada praktiknya metode yang paling umum dipakai untuk

14
melakukan estimasi bobot prioritas relatif dalam AHP adalah pendekatan eigen vector
seperti yang dikembangkan pertama kali oleh Saaty.
Dalam menganalisis suatu permasalahan yang bersifat kompleks dengan risiko

yang besar seperti perumusan kebijakan, pengambilan keputusan. Seorang analis perlu
mengamati pengaruh perubahan alternatif/pilihan yang ada, untuk melihat berapa
besar perubahan dapat ditolerir sebelum solusi optimal mulai kehilangan
optimalitasnya.
Analisis sensitivitas dapat dipakai untuk memprediksi keadaan apabila terjadi

perubahan terhadap parameter ataupun alternatif/pilihan yang ada, misalnya terjadi
perubahan bobot prioritas atau urutan prioritas dan kriteria karena adanya perubahan
kebijaksanaan. Berubahnya bobot prioritas menyebabkan berubahnya urutan prioritas
yang baru dan tindakan apa yang perlu dilakukan.
Dengan latar belakang inilah penulis memilih judul “Kajian Analisis

Sensitivitas Pada Metode Analitic Hierarchy Process (AHP)”
1.2 Perumusan Masalah
Yang menjadi permasalahan dalam penelitian ini adalah menganalisis perubahan

bobot prioritas kriteria keputusan dan pengaruhnya terhadap urutan prioritas
1.3 Tinjauan Pustaka
Thomas L Saaty [1] menguraikan metode AHP dan menjelaskan penggunaan

metode AHP ini bagi para pemimpin dan pengambil keputusan dalam situasi yang
kompleks. Masalah kompleks dapat diartikan bahwa pemimpin dihadapkan pada
situasi untuk secepatnya mengambil keputusan dan kriteria yang begitu banyak.

15
Siti Latifah [10] menjelaskan tentang keputusan dan prinsip – prinsipnya yang
terdiri dari : Decomposition, Comporative judgment, Synthesis of Priority, Local
Consistensy
Haryono Sukarto [8] menguraikan tentang pemilihan transportasi di DKI

Jakarta dengan metode AHP. Hasil analisa menunjukkan bahwa pembenahan
angkutan umum (biskota) menjadi prioritas utama dalam upaya menurunkan tingkat
kepadatan lalu lintas bermotor (22%), kemudian Sistem Angkutan Umum Massal
(SAUM) (18,1%), Pembatasan mobil pribadi (16,7%), Konsep Pembatasan
Penumpang 3 in 1 (13,5%), Penambahan Jaringan Jalan, Fly Over dan Underpass
(10,6%), dan Pembatasan Kendaraan Umum (5,9%).
Lucia Breierova dan Mark Choudari [7] menguraikan sebuah pengantar untuk
memahami bagaimana memilih parameter yang seharusnya digunakan dalam sebuah
analisis sensitivitas dari sebuah model multikriteria yang dibuat menjadi tiga bagian
yaitu : Lemonade Stand Model, Coffeehouse Model dan Epidemics Model. Kemudian
melakukan test sensitivitas untuk melihat analisis sensitivitas.
Sandy Kosasi [2] menguraikan masalah pemilihan sekolah dengan

menggunakan metode AHP. Hasil simulasi menunjukkan bahwa yang menjadi
prioritas pertama pada level dua adalah Proses Belajar Mengajar sebesar 0,32 disusul
kualifikasi yang diminta sekolah sebesar 0,24, Lingkungan Pergaulan sebesar 0,14,
Pendidikan Kejuruan 0,13, dan Pendidikan Sekolah Secara Umum 0,03. Secara umum
urutan prioritas sekolah B merupakan sekolah yang paling tinggi prioritas globalnya
dan disusul sekolah A dengan bobot prioritas 0,37, sedangkan sekolah C sebesar 0,25.
Kemudian dilakukan analisis sensitivitas pada kriteria proses belajar mengajar dari
0,32 diturunkan 0,2 dan keadaan berubah dimana A mempunyai prioritas global
tertinggi menggeser B, sebaliknya apabila prioritas PBM dinaikkan maka perbedaan
bobot prioritas B dengan A akan semakin besar dengan B tetap menjadi prioritas
global tertinggi.

16
Udisubakti Ciptomulyono dan DOU Henry [6] menggunakan model Fuzzy

Goal Programming untuk menetapkan pembobotan prioritas dalam metode AHP.
Penggunaan pendekatan fuzzy goal programming sebagai alternatif estimasi
pembobotan prioritas dari metode AHP yang lazimnya dipakai, seperti metode
eigenvector atau metode lain. Model ini mengambil asumsi dan memperhatikan aspek
fuzzy yang hanya pada penetapan level aspirasi toleransi pencapain goal, bukan pada
penentuan prioritas fungsi goal – nya.
Wayan R Susila dan Ernawati Munadi [4] menggunakan AHP untuk

penyusunan prioritas proposal penelitian. Dari dekomposisi masalah disusun
prioritasnya, diperoleh gambaran bahwa ada lima proposal penelitian yang akan
dipilih atau disusun prioritasnya. Ada lima kriteria yang digunakan yaitu waktu, biaya,
efektivitas, kemudahan dan urgensi. Melalui suatu analisis dengan teknik AHP, maka
dapat disusun prioritas untuk kelima proposal tersebut dengan urutan: Kajian dampak
peraturan perijinan perdagangan dalam negeri terhadap keinginan melakukan bisnis
di Indonesia (perijinan), Dampak penurunan tarif impor di sektor perikanan,
Kehutanan dan Produk – produk kimia (Tarif), Kajian pengembangan pasar distribusi
regional untuk produk agro (Distribusi Regional), Kajian minuman beralkohol asal
import (Alkohol), Kajian tentang strategi yang kompetitif dalam pemasaran hasil
industri kerajinan tangan di Indonesia (Kerajinan Tangan).
Supriyono, Wisnu Arya Wardhana dan Sudaryo [9] menggunakan AHP dalam
sistem pemilihan pejabat struktural. Hasil simulasi menunjukkan bahwa untuk
pemilihan calon pejabat struktural Kepala Sub Bagian Perlengkapan, urutannya
adalah: Semar SST nilai 0,357741801, Srikandi, SE skor 0,342234743 dan Gareng,
A.md skor 0,342234743. Pemilihan calon pejabat Kepala Sub Bagian Persuratan dan
Kepegawaian, urutannya adalah : Gareng, A,md skor 0,400834260, Dewi, SH skor
0.303295196 dan Srikandi, SE skor 0,295870544. Pemilihan calon pejabat struktural
Kepala Sub Keuangan, urutannya adalah : Srikandi, SE skor 0,379755402, Bimo, SE
skor 0,368120130 dan Dewi, SH skor 0,252124468.

17
Kardi Teknomo, Hendro Siswanto dan Sebastinus Ari Yudhanto [3]

menggunakan AHP dalam menganalisis faktor – faktor yang mempengaruhi moda ke
kampus. Hasil analisis menunjukkan bahwa alternatif Jalan Kaki dari Pondokan
merupakan alternatif terbaik dan yang paling diminati oleh responden yaitu sebesar
(33,2%), kemudian Mobil Pribadi (18,6%), Carpool (16,2%), Angkutan Kampus
(12,4%), dan yang terakhir adalah Angkutan Umum (4,5%).
Mudrajad Kuncoro [5] menguraikan tentang daya tarik investasi di DIY

dengan metode AHP. Hasil analisis menunjukkan bahwa investasi daerah untuk DIY
dipengaruhi oleh faktor non ekonominya terutama Kelembagaan (25%), kemudian
Infrastruktur Fisik (24%), Sosial Fisik (23%), Ekonomi Daerah (12%), dan Tenaga
Kerja (12%).
F. Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk menyelesaikan problema analisis sensitivitas
terhadap perubahan bobot prioritas kriteria keputusan serta pengaruhnya pada urutan
prioritas dalam metode AHP.
G. Kontribusi Penelitian
Dengan diketahuinya pengaruh perubahan bobot prioritas kriteria keputusan pada

urutan prioritas dalam metode AHP, maka dapat dilihat sejauh mana pengaruh
perubahan tersebut berada pada pengambilan keputusan. Disamping itu diharapkan
sebagai dasar pemecahan persoalan untuk dasar penelitian bagi penulis, pembaca, dan
pengambil keputusan baik pemerintah maupun perusahaan swasta atau instansi yang
lain yang menggunakan AHP dalam memecahkan masalah pembangunan atau
pengembangan kelembagaan.

18
H. Metode Penelitian
Secara umum, Penelitian dilakukan dengan beberapa langkah sebagai berikut :
1. Menguraikan masalah AHP dan menjelaskan landasan aksiomatik, tahapan -

tahapan dalam pengambilan keputusan dan prinsip-prinsip dasar AHP
2. Menjelaskan analasis sensitivitas pada AHP dan pengaruhnya terhadap urutan
prioritas
3. Menyelesaikan contoh permasalahan pengambilan keputusan AHP dan melakukan
analisis sensitivitas pada keputusan sementara,
4. Menarik kesimpulan dari hasil penelitian

19
BAB 2
LANDASAN TEORI
2.1 Analytic Hierarchy Process (AHP)
Metode Analytic Hierarchy Process (AHP) dikembangkan oleh Thomas L. Saaty

pada tahun 70 – an ketika di Warston school. Metode AHP merupakan salah satu
metode yang dapat digunakan dalam sistem pengambilan keputusan dengan
memperhatikan faktor – faktor persepsi, preferensi, pengalaman dan intuisi. AHP
menggabungkan penilaian – penilaian dan nilai – nilai pribadi ke dalam satu cara yang
logis.
Analytic Hierarchy Process (AHP) dapat menyelesaikan masalah

multikriteria yang kompleks menjadi suatu hirarki. Masalah yang kompleks dapat di
artikan bahwa kriteria dari suatu masalah yang begitu banyak (multikriteria),struktur
masalah yang belum jelas, ketidakpastian pendapat dari pengambil keputusan,
pengambil keputusan lebih dari satu orang, serta ketidakakuratan data yang tersedia.
Menurut Saaty, hirarki didefinisikan sebagai suatu representasi dari sebuah
permasalahan yang kompleks dalam suatu struktur multi level dimana level pertama
adalah tujuan, yang diikuti level faktor, kriteria, sub kriteria, dan seterusnya ke bawah
hingga level terakhir dari alternatif. Dengan hirarki, suatu masalah yang kompleks
dapat diuraikan ke dalam kelompok-kelompoknya yang kemudian diatur menjadi
suatu bentuk hirarki sehingga permasalahan akan tampak lebih terstruktur dan
sistematis.

20
Metode ini adalah sebuah kerangka untuk mengambil keputusan dengan

efektif atas persoalan dengan menyederhanakan dan mempercepat proses pengambilan
keputusan dengan memecahkan persoalan tersebut kedalam bagian – bagiannya,
menata bagian atau variabel ini dalam suatu susunan hirarki, memberi nilai numerik
pada pertimbangan subjektif tentang pentingnya tiap variabel dan mensintesis
berbagai pertimbangan ini untuk menetapkan variabel yang mana yang memiliki
prioritas paling tinggi dan bertindak untuk mempengaruhi hasil pada situasi tersebut.
Metode ini juga menggabungkan kekuatan dari perasaan dan logika yang
bersangkutan pada berbagai persoalan, lalu mensintesis berbagai pertimbangan yang
beragam menjadi hasil yang cocok dengan perkiraan kita secara intuitif sebagaimana
yang dipersentasikan pada pertimbangan yang telah dibuat.
Analytic Hierarchy Process (AHP) mempunyai landasan aksiomatik yang

terdiri dari :
1. Reciprocal Comparison, yang mengandung arti si pengambil

keputusan harus bisa membuat perbandingan dan menyatakan
preferensinya. Preferensinya itu sendiri harus memenuhi syarat
resiprokal yaitu kalau A lebih disukai dari B dengan skala x, maka B
lebih disukai dari A dengan skala .
2. Homogenity, yang mengandung arti preferensi seseorang harus dapat
dinyatakan dalam skala terbatas atau dengan kata lain elemen-
elemennya dapat dibandingkan satu sama lain. Kalau aksioma ini tidak
dapat dipenuhi maka elemen-elemen yang dibandingkan tersebut tidak
homogenous dan harus dibentuk suatu’cluster’ (kelompok elemen-
elemen) yang baru.
3. Independence, yang berarti preferensi dinyatakan dengan
mengasumsikan bahwa kriteria tidak dipengaruhi oleh alternatif-
alternatif yang ada melainkan oleh objektif secara keseluruhan. Ini
menunjukkan bahwa pola ketergantungan atau pengaruh dalam model
AHP adalah searah keatas, Artinya perbandingan antara elemen-elemen

21
dalam satu level dipengaruhi atau tergantung oleh elemen-elemen

dalam level di atasnya.
4. Expectations, artinya untuk tujuan pengambilan keputusan, struktur
hirarki diasumsikan lengkap. Apabila asumsi ini tidak dipenuhi maka si
pengambil keputusan tidak memakai seluruh kriteria dan atau objektif
yang tersedia atau diperlukan sehingga keputusan yang diambil
dianggap tidak lengkap.
Tahapan – tahapan pengambilan keputusan dalam metode AHP pada dasarnya

adalah sebagai berikut :
1. Mendefenisikan masalah dan menentukan solusi yang diinginkan

2. Membuat struktur hirarki yang diawali dengan tujuan umum, dilanjutkan
dengan kriteria-kriteria dan alternatif - alternatif pilihan yang ingin di
rangking.
3. Membentuk matriks perbandingan berpasangan yang menggambarkan
kontribusi relatif atau pengaruh setiap elemen terhadap masing-masing tujuan
atau kriteria yang setingkat diatas. Perbandingan dilakukan berdasarkan
pilihan atau judgement dari pembuat keputusan dengan menilai tingkat-tingkat
kepentingan suatu elemen dibandingkan elemen lainnya.
4. Menormalkan data yaitu dengan membagi nilai dari setiap elemen di dalam
matriks yang berpasangan dengan nilai total dari setiap kolom.
5. Menghitung nilai eigen vector dan menguji konsistensinya, jika tidak konsisten
maka pengambilan data (preferensi) perlu diulangi. Nilai eigen vector yang
dimaksud adalah nilai eigen vector maksimum yang diperoleh dengan
menggunakan matlab maupun dengan manual.
6. Mengulangi langkah, 3, 4, dan 5 untuk seluruh tingkat hirarki.
7. Menghitung eigen vector dari setiap matriks perbandingan berpasangan. Nilai
eigen vector merupakan bobot setiap elemen. Langkah ini untuk mensintetis
pilihan dalam penentuan prioritas elemen pada tingkat hirarki terendah sampai
pencapaian tujuan.
8. Menguji konsistensi hirarki. Jika tidak memenuhi dengan CR < 0,100 maka
penilaian harus diulangi kembali.

22
2.2 Prinsip Dasar Analytic Hierarchy Process (AHP)
Dalam menyelesaikan persoalan dengan metode AHP ada beberapa prinsip dasar
yang harus dipahami antara lain :
1. Decomposition
Pengertian decomposition adalah memecahkan atau membagi problema yang
utuh menjadi unsur – unsurnya ke bentuk hirarki proses pengambilan
keputusan, dimana setiap unsur atau elemen saling berhubungan. Untuk
mendapatkan hasil yang akurat, pemecahan dilakukan terhadap unsur – unsur
sampai tidak mungkin dilakukan pemecahan lebih lanjut, sehingga didapatkan
beberapa tingkatan dari persoalan yang hendak dipecahkan. Struktur hirarki
keputusan tersebut dapat dikategorikan sebagai complete dan incomplete.
Suatu hirarki keputusan disebut complete jika semua elemen pada suatu tingkat
memiliki hubungan terhadap semua elemen yang ada pada tingkat berikutnya,
sementara hirarki keputusan incomplete kebalikan dari hirarki complete.
Bentuk struktur dekomposisi yakni :
Tingkat pertama : Tujuan keputusan (Goal)
Tingkat kedua : Kriteria – kriteria
Tingkat ketiga : Alternatif – alternatif
Tujuan
Kriteria I Kriteria II Kriteria III Kriteria N
Alternatif I Alternatif II Alternatif M
Gambar 2.1 Struktur Hirarki

23
Hirarki masalah disusun untuk membantu proses pengambilan keputusan

dengan memperhatikan seluruh elemen keputusan yang terlibat dalam sistem.
Sebagian besar masalah menjadi sulit untuk diselesaikan karena proses pemecahannya
dilakukan tanpa memandang masalah sebagai suatu sistem dengan suatu struktur
tertentu.
2. Comparative Judgement
Comparative judgement dilakukan dengan penilaian tentang kepentingan
relatif dua elemen pada suatu tingkat tertentu dalam kaitannya dengan
tingkatan diatasnya. Penilaian ini merupakan inti dari AHP karena akan
berpengaruh terhadap urutan prioritas dari elemen – elemennya. Hasil dari
penilaian ini lebih mudah disajikan dalam bentuk matriks pairwise
comparisons yaitu matriks perbandingan berpasangan memuat tingkat
preferensi beberapa alternatif untuk tiap kriteria. Skala preferensi yang
digunakan yaitu skala 1 yang menunjukkan tingkat yang paling rendah (equal
importance) sampai dengan skala 9 yang menujukkan tingkatan paling tinggi
(extreme importance).
3. Synthesis of Priority
Synthesis of priority dilakukan dengan menggunakan eigen vector method
untuk mendapatkan bobot relatif bagi unsur – unsur pengambilan keputusan.
4. Logical Consistency
Logical consistency merupakan karakteristik penting AHP. Hal ini dicapai
dengan mengagresikan seluruh eigen vector yang diperoleh dari berbagai
tingkatan hirarki dan selanjutnya diperoleh suatu vektor composite tertimbang
yang menghasilkan urutan pengambilan keputusan.

24
2.2.1 Penyusunan Prioritas
Setiap elemen yang terdapat dalam hirarki harus diketahui bobot relatifnya
satu sama lain. Tujuan adalah untuk mengetahui tingkat kepentingan pihak – pihak
yang berkepentingan dalam permasalahan terhadap kriteria dan struktur hirarki atau
sistem secara keseluruhan.
Langkah pertama dilakukan dalam menentukan prioritas kriteria adalah

menyusun perbandingan berpasangan, yaitu membandingkan dalam bentuk
berpasangan seluruh kriteria untuk setiap sub sistem hirarki. Perbadingan tersebut
kemudian ditransformasikan dalam bentuk matriks perbandingan berpasangan untuk
analisis numerik.
Misalkan terhadap sub sistem hirarki dengan kriteria C dan sejumlah n

alternatif dibawahnya, sampai . Perbandingan antar alternatif untuk sub sistem
hirarki itu dapat dibuat dalam bentuk matris n x n, seperti pada dibawah ini.
Tabel 2.1 Matriks Perbandingan Berpasangan

C …
…
…
: : : … :
…
Nilai adalah nilai perbandingan elemen (baris) terhadap (kolom)

yang menyatakan hubungan :
a. Seberapa jauh tingkat kepentingan (baris) terhadap kriteria C
dibandingkan dengan (kolom) atau
b. Seberapa jauh dominasi (baris) terhadap (kolom) atau
c. Seberapa banyak sifat kriteria C terdapat pada (baris) dibandingkan
dengan (kolom).

25
Nilai numerik yang dikenakan untuk seluruh perbandingan diperoleh dari skala
perbandingan 1 sampai 9 yang telah ditetapkan oleh Saaty, seperti pada tabel
berikut ini :
Tabel 2.2 Skala Penilaian Perbandingan Berpasangan

Tingkat Definisi Keterangan
Kepentingan
1 Sama Kedua elemen mempunyai pengaruh yang sama.
Pentingnya
3 Agak lebih Pengalaman dan penilaian sangat memihak satu
penting yang
elemen dibandingkan dengan pasangannya.
satu
atas lainnya
5 cukup penting Pengalaman dan keputusan menunjukkan kesukaan
atas satu aktifitas lebih dari yang lain
7 Sangat penting Pengalaman dan keputusan menunjukkan kesukaan
yang kuat atas satu aktifitas lebih dari yang lain
9 Mutlak lebih Satu elemen mutlak lebih disukai dibandingkan
penting dengan pasangannya, pada tingkat keyakinan
tertinggi.
2,4,6,8 nilai tengah Bila kompromi dibutuhkan
diantara dua
nilai keputusan
yang
berdekatan
Resiprokal Kebalikan Jika elemen i memiliki salah satu angka dari skala
perbandingan 1 sampai 9 yang telah ditetapkan oleh
Saaty ketika dibandingkan dengan elemen j, maka j
memiliki kebalikannya ketika dibandingkan dengan
elemen i
rasio rasio yang
didapat
langsung
dari
pengukuran

26
Seorang decision maker akan memberikan penilaian, mempersepsikan ataupun

memperkirakan kemungkinan dari suatu hal/peristiwa yang dihadapi. Penilaian
tersebut akan dibentuk kedalam matriks berpasangan pada setiap level hirarki.
Contoh Pair – Wise Comparison Matrix pada suatu level of hierarchy, yaitu :
[ ]
Baris 1 kolom 2 : Jika K dibandingkan L, maka K sedikit lebih penting/cukup penting

dari L yaitu sebesar 3, artinya K moderat pentingnya daripada L,
dan seterusnya.
Angka 3 bukan berarti bahwa K tiga kali lebih besar dari L, tetapi K moderat
importance dibandingkan dengan L, sebagai ilustrasi perhatikan matriks resiprokal
berikut ini :
[ ]
Membacanya/membandingkannya, dari kiri ke kanan. Jika K dibandingkan dengan L,

maka L very strong importance daripada K dengan nilai judgement sebesar 7. Dengan
demikian pada baris 1 kolom 2 diisi dengan kebalikan dari 7 yakni . Artinya, K
dibanding L maka L lebih kuat dari K.

Jika K dibandingkan dengan M, maka K extreme importance daripada M dengan nilai
judgement sebesar 9. Jadi baris 1 kolom 3 diisi dengan 9, dan seterusnya.

27
2.2.2 Eigen value dan Eigen vector
Apabila pengambil keputusan sudah memasukkan persepsinya atau penilaian

untuk setiap perbandingan antara kriteria – kriteria yang berada dalam satu level
(tingkatan) atau yang dapat diperbandingkan maka untuk mengetahui kriteria mana
yang paling disukai atau paling penting, disusun sebuah matriks perbandingan disetiap
level (tingkatan).
Untuk melengkapi pembahasan tentang eigen value dan eigen vector maka
akan diberikan definisi – definisi mengenai matriks dan vector.
1. Matriks
Matriks adalah sekumpulan elemen berupa angka/simbol tertentu yang

tersusun dalam baris dan kolom berbentuk persegi. Suatu matriks biasanya
dinotasikan dengan huruf kapital ditebalkan (misal matriks A, dituliskan dengan A).
Sebagai contoh matriks, perhatikan tabel yang memuat informasi biaya pengiriman
barang dari 3 pabrik ke 4 kota berikut ini:
Tabel 2.3 Biaya Pengiriman Barang dari Pabrik ke Kota
Kota
Pabrik Kota Kota Kota Kota
1 2 3 4
Pabrik 1 5 2 1 4
Pabrik 2 2 3 6 5
Pabrik 3 7 6 3 2
Tabel ini jika disajikan dalam bentuk matriks akan menjadi seperti berikut:

28
[ ]
Matriks A memiliki tiga baris yang mewakili informasi Pabrik (1, 2, dan 3)
dan empat kolom yang mewakili informasi Kota (1, 2, 3, dan 4). Sedangkan informasi
biaya pengiriman dari masing – masing pabrik ke tiap – tiap kota, diwakili oleh
perpotongan baris dan kolom. Sebagai contoh, perpotongan baris 1 dan kolom 1
adalah 5, angka 5 ini menunjukkan informasi biaya pengiriman dari pabrik 1 ke kota
1, dan seterusnya.
Secara umum, bentuk matriks A dapat dituliskan seperti berikut:
[ ]
dimana, pada notasi elemen matriks, angka sebelah kiri adalah informasi baris
sedangkan angka di kanan adalah informasi kolom, contoh a23 berarti nilai yang
diberikan oleh baris ke dua dan kolom ke tiga. Jika informasi baris dinotasikan dengan
m dan informasi kolom dengan n maka matriks tersebut berukuran (ordo) .
Matriks dikatakan bujur sangkar (square matrix) jika Dan skalar – skalarnya
berada di baris ke-i dan kolom ke-j yang disebut (ij) matriks entri.
2. Vektor dari n dimensi
Suatu vector dengan n dimensi merupakan suatu susunan elemen – elemen

yang teratur berupa angka – angka sebanyak n buah, yang disusun baik menurut baris,
dari kiri ke kanan (disebut vektor baris atau Row Vector dengan ordo ) maupun
menurut kolom, dari atas ke bawah (disebut vektor kolom atau Colomn Vector dengan
ordo ). Himpunan semua vektor dengan n komponen dengan entri riil
dinotasikan dengan .

29
3. Eigen value dan Eigen Vector
Definisi : Jika A adalah matriks maka vector tak nol x di dalam dinamakan
Eigen Vector dari A jika Ax kelipatan skalar , yakni
Ax =
Skalar λ dinamakan eigen value dari A dan x dikatakan eigen vektor yang
bersesuaian dengan λ. Untuk mencari eigen value dari matriks A yang berukuran n x n
maka dapat ditulis pada persamaan berikut :
Ax =
Atau secara ekivalen
(λI – A)x = 0
Agar λ menjadi eigen value, maka harus ada pemecahan tak nol dari
persamaan ini. Akan tetapi, persamaan diatas akan mempunyai pemecahan tak nol jika
dan hanya jika :
det(λI – A)x = 0
Ini dinamakan persamaan karakteristik A, skalar yang memenuhi persamaan

ini adalah eigen value dari A.
Bila diketahui bahwa nilai perbandingan elemen terhadap elemen adalah
, maka secara teoritis matriks tersebut berciri positif berkebalikan, yakni = .
Bobot yang dicari dinyatakan dalam vektor ( , ). Nilai

menyatakan bobot kriteria An terhadap keseluruhan set kriteria pada sub sistem
tersebut.
Jika mewakili derajat kepentingan i terhadap faktor j dan menyatakan

kepentingan dari faktor j terhadap faktor k, maka agar keputusan menjadi konsisten,
kepentingan I terhadap k harus sama dengan atau jika = untuk
semua i, j, k maka matriks tersebut konsisten. Untuk suatu matriks konsisten dengan
vektor , maka elemen dapat ditulis menjadi :
; (1)

30
Jadi matriks konsisten adalah :
(2)
Seperti yang di uraikan diatas, maka untuk pair –wise comparison matrix diuraikan
seperti berikut ini :
(3)
Dari persamaan tersebut di atas dapat dilihat bahwa :
(4)
Dengan demikian untuk pair-wise comparison matrix yang konsisten menjadi :
Persamaan diatas ekivalen dengan bentuk persamaan matriks di bawah ini :
(7)
Dalam teori matriks, formulasi ini diekspresikan bahwa adalah eigen vector dari
matriks A dengan eigen value n. Perlu diketahui bahwa n merupakan dimensi matriks
itu sendiri. Dalam bentuk persamaan matriks dapat ditulis sebagai berikut :
[ ] [ ]
[ ]

31
Pada prakteknya, tidak dapat dijamin bahwa :
Salah satu factor penyebabnya yaitu karena unsur manusia (decision maker ) tidak
selalu dapat konsisten mutlak (absolute consistent) dalam mengekspresikan
preferensinya terhadap elemen – elemen yang dibandingkan. Dengan kata lain, bahwa
judgement yang diberikan untuk setiap elemen persoalan pada suatu level hierarchy
dapat saja inconsistent.
Jika :
1). Jika adalah bilangan – bilangan yang memenuhi persamaan :
Ax = (10)
Dengan eigen value dari matriks A dan jika ; i = 1,2,…,n; maka dapat
ditulis :
Miasalkan kalau suatu pair –wise comparison matrix bersifat ataupun

memenuhi kaidah konsistensi seperti pada persamaan (2), maka perkalian elemen
matriks sama dengan satu.
[ ] maka (12)
Eigen value dari matriks A,
| | (13)
Kalau diuraikan lebih jauh untuk persamaan (13), hasilnya menjadi :
| |

32
Dari persamaan (14) kalau diuraikan untuk mencari harga eigen value maximum
( ) yaitu :
Dengan demikian matriks pada persamaan (12) merupakan matriks yang konsisten,
dengan nilai sama dengan harga ordo matriksnya.
Jadi untuk n , maka semua harga eigen value – nya sama dengan nol dan hanya
ada satu eigen value yang sama dengan n (konstan dalam kondisi matriks konsisten).
2). Bila ada perubahan kecil dari elemen matriks maka eigen value – nya akan
berubah semakin kecil pula.
Dengan menggabungkan kedua sifat matriks (aljabar linier), jika :

a. Elemen diagonal matriks A
b. Dan untuk matriks A yang konsiten, maka variasi kecil dari

akan membuat harga eigen value yang lain
mendekati nol.
2.2.3 Uji Konsistensi Indeks dan Rasio
Salah satu utama model AHP yang membedakannya dengan model – model
pengambilan keputusan yang lainnya adalah tidak adanya syarat konsistensi mutlak.
Dengan model AHP yang memakai persepsi decision maker sebagai inputnya maka
ketidakkonsistenan mungkin terjadi karena manusia memiliki keterbatasan dalam
menyatakan persepsinya secara konsisten terutama kalau harus membandingkan

33
banyak kriteria. Berdasarkan kondisi ini maka decision maker dapat menyatakan
persepsinya tersebut akan konsisten nantinya atau tidak.
Pengukuran konsistensi dari suatu matriks itu sendiri didasarkan atas eigen
value maksimum. Thomas L. Saaty telah membuktikan bahwa indeks konsistensi dari
matriks berordo n dapat diperoleh dengan rumus sebagai berikut :
CI = Rasio Penyimpangan (deviasi) konsistensi (consistency indeks)
Nilai eigen terbesar dari matriks berordo n
= Orde matriks
Apabila CI bernilai nol, maka matriks pair wise comparison tersebut konsisten.
Batas ketidakkonsistenan (inconsistency) yang telah ditetapkan oleh Thomas L. Saaty
ditentukan dengan menggunakan Rasio Konsistensi (CR), yaitu perbandingan indeks
konsistensi dengan nilai Random Indeks (RI) yang didapatkan dari suatu eksperimen
oleh Oak Ridge National Laboratory kemudian dikembangkan oleh Wharton School
dan diperlihatkan seperti tabel 2.3. Nilai ini bergantung pada ordo matriks n. Dengan
demikian, Rasio Konsitensi dapat dirumuskan sebagai berikut :
Rasio Konsitensi
Indeks Random

34
Tabel 2.4 Nilai Random Indeks (RI)
n 1 2 3 4 5 6 7 8 9
RI 0,00 0,00 0,58 0,90 1,12 1,24 1,32 1,41 1,45
n 10 11 12 13 14 15
RI 1,49 1,51 1,48 1,56 1,57 1,59
Bila matriks pair - wise comparison dengan nilai CR lebih kecil dari 0,100
maka ketidakkonsistenan pendapat dari decision maker masih dapat diterima jika tidak
maka penilaian perlu diulang.
2.3 Analisis Sensitivitas Pada Analytical Hierarchy Proses (AHP)
Analisa sensitivitas pada AHP dapat dipakai untuk memprediksi keadaan

apabila terjadi perubahan yang cukup besar, misalnya terjadi perubahan bobot
prioritas atau urutan prioritas dan kriteria karena adanya perubahan kebijaksanan
sehingga muncul usulan pertanyaan bagaimana urutan prioritas alternatif yang baru
dan tindakan apa yang perlu dilakukan. Dalam suatu hirarki tiga level, level dua dan
hirarki tersebut dapat disebut sebagai variabel eksogen sedangkan level tiganya adalah
variabel endogen. Analisa sensitivitas dan hirarki tersebut adalah melihat pengaruh
dan perubahan pada variabel eksogen terhadap kondisi variabel endogen.
Apabila dikaitkan dengan suatu periode waktu maka dapat dikatakan bahwa
analisa sensitivitas adalah unsur dinamis dari sebuah hirarki. Artinya penilaian yang
dilakukan pertama kali dipertahankan untuk suatu jangka waktu tertentu dan adanya
perubahan kebijaksanaan atau tindakan yang cukup dilakukan dengan analisa
sensitivitas untuk melihat efek yang terjadi. Analisa sensitivitas ini juga akan
menentukan stabil tidaknya sebuah hirarki. Makin besar deviasi atau perubahan

35
prioritas yang terjadi maka makin tidak stabil hirarki tensebut. Meskipun begitu, suatu
hirarki yang dibuat haruslah tetap mempunyai sensitivitas yang cukup, artinya kalau
ada perubahan pada variabel eksogen, minimal ada perubahan bobot prioritas pada
variabel endogen meskipun tidak terlalu besar.
Sebagai contoh, seorang mahasiswa ingin membeli komputer dimana terdapat

tiga pilihan merek komputer. Mahasiswa tersebut akan mengalami kesulitan dalam
memilih satu dari tiga komputr yang akan dibeli nya. Untuk membantu menemukan
jalan keluar maka masalah tersebut dapat dipecahkan dengan membuat suatu hirarki.
Pada level pertama berupa tujuan membeli computer dan level kedua berupa kriteria
yang terdiri dari hardware (HW), software (SW), purnajual (PJ), dan daya tarik (DY).
Pada level ketiga berupa alternatif yang terdiri dari komputer A, B, dan C.
Adapun struktur hirarki dari permasalahan ini adalah sebagai berikut :
Tujuan
HW SW PJ DT
A B C
Gambar 2.2 Struktur Hirarki Pemilihan Komputer Terbaik
Dari struktur hirarki tersebut dibentuk matriks perbandingan berpasangan pada

setiap level hirarki. Matriks perbandingan berpasangan pada level kedua adalah
sebagai berikut :

36
Tabel 2.5 Matriks Perbandingan Berpasangan Pada Level Dua
Tujuan HW SW PJ DT Bobot prioritas

HW
SW
PJ
DT
Dimana :
bobot prioritas HW bobot prioritas SW
bobot prioritas PJ bobot prioritas DT
Matriks perbandingan berpasangan pada level ketiga adalah sebagai berikut :
a). Matriks perbandingan berpasangan terhadap HW
Tabel 2.6 Matriks Perbandingan Berpasangan Terhadap HW
HW A B C Bobot prioritas
A
Dimana :
bobot prioritas alternatif A terhadap HW
bobot prioritas alternatif B terhadap HW
bobot prioritas alternatif C terhadap HW

37
b). Matriks perbandingan berpasangan terhadap SW
Tabel 2.7 Matriks Perbandingan Berpasangan Terhadap SW
SW A B C Bobot prioritas
A
Dimana :
bobot prioritas alternatif A terhadap SW
bobot prioritas alternatif B terhadap SW
bobot prioritas alternatif C terhadap SW
c). Matriks perbandingan berpasangan terhadap PJ
Tabel 2.8 Matriks Perbandingan Berpasangan Terhadap PJ
PJ A B C Bobot prioritas
A
Dimana :
bobot prioritas alternatif A terhadap PJ
bobot prioritas alternatif B terhadap PJ
bobot prioritas alternatif C terhadap PJ

38
d). Matriks perbandingan berpasangan terhadap DT
Tabel 2.9 Matriks Perbandingan Berpasangan Terhadap DT
DT A B C Bobot prioritas
A
Dimana :
bobot prioritas alternatif A terhadap DT
bobot prioritas alternatif B terhadap DT
bobot prioritas alternatif C terhadap DT
Untuk menentukan bobot prioritas global dapat diperoleh dengan melakukan

perkalian bobot prioritas local pada level dua dan level tiga seperti pada tabel berikut :
Tabel 2.10 Prioritas Global
Kriteria Prioritas
Global
Bobot
A X
B Y
C Z
Dimana :
X = prioritas global komputer A
Y = prioritas global komputer B
Z = Prioritas global komputer C

39
2.3.1 Analisis Sensitivitas Pada Bobot Prioritas Dari Kriteria Keputusan
Analisis sensitivitas pada kriteria keputusan dapat terjadi karena ada informasi
tambahan sehingga pembuat keputusan mengubah penilaiannya. Akibat terjadinya
perubahan penilaian menyebabkan berubahnya urutan prioritas. Dari tabel prioritas
global dapat dirumuskan persamaan urutan prioritas global sebagai berikut :
(17)
Apabila dilakukan perubahan terhadap penilian dimana bobot prioritas kriteria

maka urutan prioritas berubah. Bobot prioritas Kriteria dapat diubah lebih kecil
dari atau lebih besar dari . Analisis sensitivitas ini juga dapat dilakukan terhadap
kriteria-kriteria lainnya yaitu kriteria , dan . Sehingga analisis ini
menunjukkan perubahan terhadap urutan prioritas.

40
BAB 3
PEMBAHASAN
Pada bab ini akan dibahas secara khusus tentang penetapan prioritas
menggunakan metode Analytic Hierarchy Prosess (AHP) dan anlasis sensitivitas serta
pengaruhnya terhadap urutan prioritas.
3.1 Perhitungan Faktor Pembobotan Hirarki Untuk Semua Kriteria
Pada gambar 2.2 mengilustrasikan struktur hirarki permasalahan pemilihan

sekolah terbaik. Setelah penyusunan maka langkah selanjutnya adalah melakukan
perbandingan antara elemen dengan memperhatikan pengaruh elemen pada level di
atasnya. Pembagian pertama dilakukan untuk elemen – elemen pada level dua terdiri
dari kriteria Hardware (HW), Software (SW), Purnajual (PJ), dan Daya Tarik (DT).
Pembandingan dilakukan dengan menggunakan skala satu sampai sembilan dan
memenuhi aksioma – aksioma pada metode AHP. Matriks perbandingan berpasangan
dari level dua dengan memperhatikan level satu adalah :
HW SW PJ DT
HW
1 5 5
SW
1
PJ
3 7 1 7
DT
2 1

41
Perhitungan matriks untuk semua kriteria :
Tabel 3.2 Matriks Faktor Pembobotan Hirarki Untuk Semua Kriteria Yang
Disederhanakan
HW SW PJ DT
HW 1,0000 5,0000 0,3333 5,0000
SW 0,2000 1,0000 0,1429 0,5000
PJ 3,0000 7,0000 1,0000 7,0000
DT 0,2000 2,0000 0,1429 1,0000
∑ 4,4000
15,0000 1,6190 13,5000
Dengan unsur-unsur pada tiap kolom dibagi dengan jumlah kolom yang
bersangkutan, akan diperoleh bobot relatif yang dinormalkan. Nilai vektor eigen
dihasilkan dari rata - rata nilai bobot relatif untuk setiap baris. Hasilnya dapat dilihat
pada tabel sebagai berikut :
Tabel 3.3 Matriks Faktor Pembobotan Hirarki Untuk Semua Kriteria Yang
Dinormalkan
Vektor Eigen (yang

HW SW PJ DT
dinormalkan
HW 0,2273 0,3333 0,2059 0,3704 0,2842
SW 0,0455 0,0667 0,0882 0,0370 0,0593
PJ 0,6818 0,4667 0,6176 0,5185 0,5712
DT 0,0455 0,1333 0,0882 0,0741 0,0853
∑ 1,0000 1,0000 1,0000 1,0000 1,0000

42
Selanjutnya nilai eigen maksimum ( ) diperoleh dengan menjumlahkan

hasil perkiraan antara jumlah entri – entri kolom pada matriks faktor pembobotan
yang disederhanakan dengan vektor eigen maksimum yang diperoleh adalah sebagai
berikut :
Karena matriks berordo 4 (yakni terdiri dari 4 kriteria ), nilai indeks

konsistensi yang diperoleh :
Untuk n = 3, RI = 0,58 (tabel Saaty) maka :
Karena CR < 0,1000 berarti preferensi penilaian adalah konsisten.
Dari hasil perhitungan pada tabel diatas menunjukkan kriteria Purnajual (PJ)
merupakan kriteria yang paling penting dalam menentukan komputer terbaik dengan
nilai bobot 0,5712 atau 57,12%, berikutnya kriteria Hardware (SW) dengan bobot
0,2842 atau 28,42% , kriteria Daya Tarik (DT) dengan nilai bobot 0,0853 atau 8,5
dan kriteria Software (SW) dengan nilai bobot 0,0593 atau 5,93%.
3.2 Perhitungan Faktor Evaluasi Untuk Kriteria Hardware
Perbandingan berpasangan untuk kriteria proses Hardware pada tiga komputer

yaitu perbandingan berpasangan antara komputer A dengan komputer B, komputer
A dengan komputer C. Perbandingan komputer B dengan komputer A, komputer B
dengan komputer C. Perbandingan komputer C dengan komputer B. Maka matriks
perbandingan berpasangan preferensi diatas adalah sebagai berikut :

43
Tabel 3.4 Matriks Evaluasi Untuk Kriteria Hardware
HW A B C
A 1 3 9
B 1 6
C 1
Perhitungan matriks untuk kriteria Hardware
Tabel 3.5 Matriks Evaluasi Untuk Kriteria Proses Hardware Yang

Disederhanakan
HW A B C
A 1,000 3,000 9,000
B 0,333 1,000 6,000
C 0,111 0,167 1,000
∑ 1,444 4,167 16,000
Dengan unsur – unsur pada tiap kolom dibagi dengan jumlah kolom yang
bersangkutan, akan diperoleh bobot yang dinormalkan. Nilai vektor eigen dihasilkan
dari rata – rata nilai bobot relatif untuk setiap baris. Hasilnya dapat dilihat pada tabel
berikut ini :
Tabel 3.6 Matriks Faktor Evaluasi Untuk Kriteria Hardware Yang Dinormalkan
Vektor eigen (yang
HW A B C
dinormalkan)
A 0,6923 0,7200 0,5625 0,6583
B 0,2308 0,2400 0,3750 0,2819
C 0,0769 0,0400 0,0625 0,0598
∑ 1,0000 1,0000 1,0000 1,0000

44

hasil perkalian antara entri – entri kolom pada matriks faktor pembobotan yang
disederhanakan dengan vektor eigen. Nilai eigen maksimum yang diperoleh sebagai
berikut :
= (1,4444 x 0,6583) + (4,1667 x 0,2819) + (16,0000 x 0,0598)

= 0,9508 + 1,1746 + 0,9568
= 3,0822
Karena matriks berordo 3 (yakni terdiri dari 3 alteratif ), maka nilai indeks
konsistensi yang diperoleh adalah :
Untuk n = 3, RI = 0,580 (tabel skala saaty), maka :
Dari hasil perhitungan pada tabel 3.6 diperoleh urutan prioritas lokal untuk
kriteria Hardware yaitu komputer A menjadi prioritas pertama dengan nilai bobot
0,6583 atau 65,83%, kemudian komputer B menjadi priotas ke – 2 dengan nilai bobot
0,2819 atau 28,19%, komputer C menjadi prioritas ke – 3 dengan nilai bobot 0,0598
atau 5,98%.

45
3.3 Perhitungan Faktor Evaluasi Untuk Kriteria Software

Tabel 3.7 Matriks Faktor Evaluasi Untuk Kriteria Software
SW A B C
A 1
B 2 1
C 8 5 1
Perhitungan matriks untuk kriteria Software :
Tabel 3.8 Matriks Evaluasi Untuk Kriteria Software Yang Disederhanakan
SW A B C
A 1,0000 0,5000 0,1250
B 2,0000 1,0000 1,2000
C 8,0000 5,0000 1,0000
∑ 11,0000 6,5000 1,3250
Dengan unsur –unsur pada tiap kolom dibagi dengan jumlah kolom yang
dihasilkan dari rata - rata nilai bobot relatif setiap baris. Hasilnya dapat dilihat pada
tabel berikut ini :

46
Tabel 3.9 Matriks Faktor Evaluasi Untuk Kriteria Software Yang Dinormalkan
SW A B C Vektor eigen (yang

dinormalkan
A 0,0909 0,0769 0,0943 0,0874
B 0,1818 0,1539 0,1510 0,1622
C 0,7273 0,7692 0,7547 0,7504
∑ 1,0000 1,0000 1,0000 1,0000

hasil perkalian jumlah entri – entri kolom pada matriks faktor pembobotan yang
disederhanakan dengan vektor eigen. Nilai maksimum yang diperoleh adalah sebagai
berikut :
= (11,0000 x 0,0873) + (6,5000 x 0,1622) + (1,3250 x 0,7504)

= 0,9603 + 1,0543 + 0,9943
= 3,0089
Karena matriks berordo 3 (yakni terdiri dari 3 alternatif) maka nilai indeks
Dari hasil perhitungan pada tabel diatas diperoleh untuk prioritas lokal untuk
kriteria Software yaitu komputer C menjadi prioritas pertama dengan nilai bobot

47
0,7504 atau 75,04%, kemudian komputer B menjadi prioritas ke – 2 dengan nilai

bobot 0,1622 atau 16,22%, komputer A menjadi prioritas ke – 3 dengan nilai bobot
0,0874 atau 8,74%.
3,4 Perhitungan Faktor Evaluasi Untuk Kriteria Purnajual

Tabel 3.10 Matriks Faktor Evaluasi Untuk Kriteria Purnajual
PJ A B C
A 1 1 6
B 1 1 3
C 1
Perhitungan matriks untuk kriteria Purnajual :
Tabel 3.11 Matriks Evaluasi Untuk Kriteria Purnajual Yang Disederhanakan
PJ A B C
A 1,0000 1,0000 6,0000
B 1,0000 1,0000 3,0000
C 0,1667 0,3333 1,0000
∑ 2,1667 2,3333 10,0000
tabel berikut ini :

48
Tabel 3.12 Matriks Faktor Evaluasi Untuk Kriteria Purnajual Yang

Dinormalkan
Vektor eigen (yang

PJ A B C
dinormalkan
A 0,4615 0,4286 0,6000 0,4967
B 0,4615 0,4286 0,3000 0,3967
C 0,0769 0,1429 0,1000 0,1066
∑ 1,0000 1,0000 1,0000 1,0000

disederhanakan dengan vektor eigen. Nilai maksimum yang diperoleh adalah sebagai
berikut :
= (2,1667 x 0,4967) + (2,3333 x 0,3967) + (10,0000 x 0,1066)
= 1,0762 + 0,9256 + 1,066
= 3,0678

kriteria Purnajual yaitu komputer A menjadi prioritas pertama dengan nilai bobot

49
0,4967 atau 49,67%, kemudian komputer B menjadi prioritas ke – 2 dengan nilai

bobot 0,3967atau 39,67%, komputer C menjadi prioritas ke – 3 dengan nilai bobot
0,1066 atau 10,66%
3.5 Perhitungan Faktor Evaluasi Untuk Kriteria Daya Tarik
Tabel 3.13 Matriks Faktor Evaluasi Untuk Kriteria Daya Tarik
DT A B C
A 1 2
B 4 1 6
C 1
Perhitungan matriks untuk kriteria Daya Tarik:
Tabel 3.14 Matriks Evaluasi Untuk Kriteria Daya Tarik Yang Disederhanakan
DT A B C
A 1,0000 0,2500 2,0000
B 4,0000 1,0000 6,0000
C 0,5000 0,1667 1,0000
∑ 5,5000 1,4167 9,0000
tabel berikut ini :

50
Tabel 3.15 Matriks Faktor Evaluasi Untuk Kriteria Daya Tarik yang
Dinormalkan
Vektor eigen (yang

DT A B C
dinormalkan
A 0,1818 0,1765 0,2222 0,1935
B 0,7273 0,7059 0,6667 0,6999
C 0,0909 0,1176 0,1111 0,1066
∑ 1,0000 1,0000 1,0000 1,0000

disederhanakan dengan vektor eigen. Nilai eigen maksimum yang diperoleh adalah
sebagai berikut :
= (5,5000 x 0,1935) + (1,4167 x 0,6999) + (9,0000 x 0,1066)

= 1,0643 + 0,9915 + 0,9594
= 3,0152

51
kriteria Daya Tarik yaitu komputer B menjadi prioritas pertama dengan nilai bobot
0,6999 atau 69,99%, kemudian komputer A menjadi prioritas ke – 2 dengan nilai bobot
0,1935 atau 19,35%, komputer C menjadi prioritas ke – 3 dengan nilai bobot 0,1066
atau 10,66%.
3.6 Perhitungan Total Ranking/Prioritas Global
3.6.1 Faktor Evaluasi Total
Dari seluruh evaluasi yang dilakukan terhadap faktor – faktor hardware,

software, purnajual dan daya tarik diporoleh faktor evaluasi total sebagai berikut :
Tabel 3.16 Matriks Faktor Evaluasi Total
Faktor HW SW PJ DT
A 0,6583 0,0874 0,4967 0,1935
B 0,2819 0,1622 0,3967 0,6999
C 0,0598 0,7504 0,1066 0,1066
3.6.2 Total Rangking / Prioritas Global
Total rangking / prioritas global diperoleh dengan mengalikan matriks faktor

evaluasi total dengan matriks pembobotan hirarki, yaitu :
[ ]x [ ]=[ ]

52
Dari hasil perhitungan diatas diperoleh urutan prioritas global yaitu Komputer
A menjadi prioritas utama ( 49,25 %), kemudian Komputer B ( 37, 81%) dan
Komputer C ( 13,5%).
3.7 Analisa Sensitivitas AHP Pada Prioritas Kriteria Keputusan

Untuk menentukan total rangking /prioritas global, matriks diatas dapat juga
ditunjukkan seperti tabel berikut :
Tabel 3.17 Prioritas Global Pemilihan Komputer Terbaik
Kriteria HW SW PJ DT Prioritas
Bobot 0,2842 0,0593 0,5712 0,0853 Global
A 0,6583 0,0874 0,4967 0,1935 0,4925
B 0,2819 0,1622 0,3967 0,6999 0,3781
C 0,0598 0,7504 0,1066 0,1066 0,1315
3.7.1 Analisa Sensitivitas Terhadap Kriteria Hardware
Model prioritas global komputer A, B dan C dinyatakan pada persamaan 17,

sehingga prioritas global tersebut diperoleh sebagai berikut :
A = (0,2842) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,4925
B = (0,2842) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999 )
A = 0,3781
C = (0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066 )
D = 0,1315

53
Dari kondisi diatas terlihat bobot prioritas HW adalah 0,2842 dan pada kondisi
tersebut prioritas global komputer A adalah prioritas yang paling utama yaitu 0,4925
kemudian prioritas global komputer B adalah 0,3781 dan komputer C dengan bobot
prioritas global 0,1315.
Apabila bobot prioritas HW diturunkan ke 0,1000 maka urutan prioritas global

A =(0,1000) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0.3712
B = (0,1000) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999)
A = 0.3241
C = (0,1000) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066)
D = 0.1205
Urutan prioritas tidak berubah, komputer A tetap menjadi urutan prioritas

global tertinggi dengan bobot 0,3712 atau 37,12% disusul B dengan bobot 0,3241 atau
32,41% dan C dengan bobot 0,1205 atau 12,05%.
Apabila bobot prioritas HW diturunkan ke 0,0900 maka urutan prioritas

global adalah sebagai berikut :
A =(0,0900) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0.3647
B = (0,0900) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999)
A = 0.3213
C = (0,0900) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066)
D = 0.1199

tertinggi dengan bobot 0,3647 atau 36,47% disusul B dengan bobot 0,3213 atau

54

A =(0,0100) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)
A = 0.3120
B = (0,0100) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999)
A = 0,2987
C = (0,0100) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066)
D = 0.1151


A =(0,0090) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,3113
B = (0,0090) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999)
A = 0,2985
C = (0,0090) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066)
D = 0,1150


55

A =(0,0010) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,3061
B = (0,0010) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999)
A = 0,2961
C = (0,0010) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066)
D = 0,1145
Urutan prioritas tidak berubah, komputer A menjadi urutan prioritas tertinggi

dengan bobot 0,3061 atau 30,61% disusul B dengan bobot 0,2961 atau 29,61% dan C
dengan bobot 0,1145 atau 11,4%.
Apabila bobot prioritas HW naik menjadi 0,4000 maka urutan prioritas global
A =(0,4000) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,5687
B = (0,4000) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999)
A = 0,4087
C = (0,4000) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066)
D =0,1384


56
A =(0,5000) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,6346
B = (0,5000) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999)
A = 0,4369
C = (0,5000) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066)
D =0,1444

A =(0,9000) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,8979
B = (0,9000) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999)
A = 0,5496
C = (0,9000) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066)
D =0,1683

Analisis sensitivitas pada kriteria Hardware dengan menurunkan dan

menaikkan bobot prioritas hingga enam kali perlakuan untuk mewakili banyak
perlakuan, dapat dilihat pada table berikut:

57
Tabel 3.18 Analisis Sensitivitas Pada Kriteria Hardware Dengan Bobot 0,2842
Prioritas Global Prioritas Global
Diturunkan Dinaikkan
A B C A B C
0,1000 0,3712 0,3241 0,1205 0,4000 0,5687 0,4087 0,1384
0,0900 0,3647 0,3213 0,1199 0,5000 0,6346 0,4369 0,1444
0,0800 0,3581 0,3185 0,1193 0,6000 0,7004 0,4651 0,1504
0,0100 0,3120 0,2987 0,1151 0,7000 0,7662 0,4932 0,1563
0,0090 0,3113 0,2985 0,1150 0,8000 0,8320 0,5214 0,1623
0,0010 0,3061 0,2962 0,1145 0,9000 0,8979 0,5496 0,1683
Dari tabel dapat diketahui apabila bobot prioritas HW diturunkan hingga

0,0010 dan dinaikkan hingga 0,9000 tidak mengalami perubahan urutan prioritas
dimana prioritas global komputer A adalah prioritas yang paling utama kemudian
disusul komputer B dan prioritas terakhir adalah komputer C.
3.7.2 Analisis Sensitivitas Terhadap Kriteria Software
Pada keadaan bobot prioritas SW adalah 0,0593 dan pada keadaan tersebut
prioritas global komputer A adalah yang paling utama yaitu 0,4925, kemudian
prioritas global komputer B adalah 0,3781 dan komputer C dengan bobot prioritas
global 0,1315
Apabila bobot prioritas SW diturunkan ke 0,0400 maka urutan prioritas global

A = (0,2842) (0,6583) + (0,0400) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,4908
B = (0,2842) (0,2819) + (0,0400) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999 )
A = 0,3729
C = (0,2842 ) (0,0598) + (0,0400) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066 )
D = 0,1170

58


A =(0,2842) (0,6583) + (0,0300) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,4899
B =(0,2842) (0,2819) + (0,0300) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999 )
A = 0,3713
C =(0,2842 ) (0,0598) + (0,0300) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066 )
D = 0,1095


A =(0,2842) (0,6583) +(0,0200 ) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,4891
B =(0,2842) (0,2819) + (0,0200) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999 )
A = 0,3697
C = (0,2842 ) (0,0598) + (0,0200) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066 )
D = 0,1020


59
Apabila bobot prioritas SW dinaikkan ke 0,0700 maka urutan prioritas global

A =(0,2842) (0,6583) + (0,0700) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,4934
B =(0,2842) (0,2819) + (0,0700) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999 )
A = 0,3778
C = (0,2842 ) (0,0598) + (0,0700) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066 )
D = 0,1395


A =(0,2842) (0,6583) + (0,1000) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,4960
B =(0,2842) (0,2819) + (0,1000) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999 )
A = 0,3826
C = (0,2842 ) (0,0598) + (0,1000) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066 )
D = 0,1620



60
A =(0,2842) (0,6583) + (0,3000) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,5135
B =(0,2842) (0,2819) + (0,3000) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999 )
A = 0,4151
C = (0,2842 ) (0,0598) + (0,3000) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066 )
D = 0,3121

41,51% dan C dengan bobot 0,3121 atau31,21%.

A =(0,2842) (0,6583) + (0,5000) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)

A = 0,5310
B =(0,2842) (0,2819) + (0,5000) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999 )
A = 0,4475
C = (0,2842 ) (0,0598) + (0,5000) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066 )
D = 0,4622
Urutan prioritas berubah, komputer A tetap menjadi urutan prioritas tertinggi

dengan bobot 0,5310 atau 53,10% kemudian disusul C dengan bobot 0,4622 atau
46,22% menggeser B dengan bobot 0,4475 atau 44,75%.

A =(0,2842) (0,6583) + (0,7000) (0,0874) + (0,5712) (0,4967) + (0,0853) (0,1935)
A = 0,5485
B =(0,2842) (0,2819) + (0,7000) (0,1622) + (0,5712) (0,3967) + (0,0853) (0,6999 )
A = 0,4800
C = (0,2842 ) (0,0598) + (0,7000) (0,7504) + (0,5712) (0,1066) + (0,0853) (0,1066 )
D = 0,6123

61
Urutan prioritas berubah, komputer C menjadi urutan prioritas tertinggi

dengan bobot 0,6123 atau 61,23% disusul A dengan bobot 0,5485 atau 54,85% dan B
dengan bobot 04800 atau 48,00%.
Analisis sensitivitas pada kriteria Software dengan menurunkan dan

Tabel 3.19 Analisis Sensitivitas Pada Kriteria Software Dengan Bobot 0,0593
A B C A B C
0,0400 0,4908 0,3729 0,1170 0,0700 0,4934 0,3778 0,1395
0,0300 0,4899 0,3713 0,1095 0,0800 0,4943 0,3794 0,1470
0,0200 0,4891 0,3697 0,1020 0,1000 0,4960 0,3826 0,1620
0,0100 0,4882 0,3680 0,0945 0,3000 0,5135 0,4151 0,3121
0,0090 0,4881 0,3679 0,0937 0,5000 0,5310 0,4475 0,4622
0,0080 0,4880 0,3677 0,0930 0,7000 0,5485 0,4800 0,6123
Dari tabel analisis sensitivitas dapat diketahui bahwa bobot prioritas SW

sensitive ketika diubah dari 0,0593 menjadi 0,5000 dan 0,7000.
3.7.3 Analisis Sensitivitas Terhadap Kriteria Purnajual
Pada keadaan bobot prioritas PJ adalah 0,5712 dan pada keadaan tersebut
global 0,1315.
Apabila bobot prioritas PJ diturunkan ke 0,4000 maka urutan prioritas global

A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,4000) (0,4967) + (0,0853) (0,1935)
A = 0,4075

62
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,4000) (0,3967) + (0,0853) (0,6999 )

A = 0,3081
C = (0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,4000) (0,1066) + (0,0853) (0,1066 )
D = 0,1132


A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,1000) (0,4967) + (0,0853) (0,1935)

A = 0,2584
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,1000) (0,3967) + (0,0853) (0,6999 )
A = 0,1891
C =(0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,1000) (0,1066) + (0,0853) (0,1066 )
D = 0,0812


A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,0100) (0,4967) + (0,0853) (0,1935)
A = 0,2137
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,0100) (0,3967) + (0,0853) (0,6999 )
A = 0,1534
C = (0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,0100) (0,1066) + (0,0853) (0,1066 )
= 0,0717

63

Apabila bobot prioritas PJ dinaikkan ke 0,7000 maka urutan prioritas global

A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,7000) (0,4967) + (0,0853) (0,1935)

A = 0,5565
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,7000) (0,3967) + (0,0853) (0,6999 )
A = 0,4271
C =(0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,7000) (0,1066) + (0,0853) (0,1066 )
D = 0,1452


A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,8000) (0,4967) + (0,0853) (0,1935)

A = 0,6061
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,8000) (0,3967) + (0,0853) (0,6999 )
A = 0,4668
C =(0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,8000) (0,1066) + (0,0853) (0,1066 )
D = 0,1559

46,68% dan C dengan bobot 0,1559atau 15,59%.

64

A =(0,2842) (0,6583) + (0,0593) (0,0874) + (1,0000) (0,4967) + (0,0853) (0,1935)
A = 0,7055
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (1,0000) (0,3967) + (0,0853) (0,6999 )
A = 0,5461
C =(0,2842 ) (0,0598) + (0,0593) (0,7504) + (1,0000) (0,1066) + (0,0853) (0,1066 )
D = 0,1772

Analisis sensitivitas pada kriteria Purna Jual dengan menurunkan dan

Tabel 3.20 Analisis Sensitivitas Pada Kriteria Purnajual Dengan Bobot 0,5712
A B C A B C
0,4000 0,4075 0,3081 0,1132 0,7000 0,5565 0,4271 0,1452
0,1000 0,2584 0,1891 0,0812 0,8000 0,6061 0,4668 0,1559
0,0800 0,2485 0,1812 0,0791 0,9000 0,6558 0,5065 0,1665
0,0600 0,2306 0,1732 0,0770 1,0000 0,7055 0,5461 0,1772
0,0400 0,2286 0,1852 0,0749 2,0000 1,2022 0,9428 0,2838
0,0100 0,2137 0,1534 0,0717 3,0000 1,6989 1,3395 0,3904
Dari tabel dapat diketahui apabila bobot prioritas PJ diturunkan hingga 0,0100
dan dinaikkan hingga 3,0000 tidak mengalami perubahan urutan prioritas.

65
3.7.4 Analisis Sensitivitas Terhadap Kriteria Daya Tarik
Pada keadaan bobot prioritas DT adalah 0,0853 dan pada keadaan tersebut
global 0,1315.
Apabila bobot prioritas DT diturunkan ke 0,0700 maka urutan prioritas global

A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0700) (0,1935)

A = 0,4895
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0700) (0,6999 )
A = 0,3653
C =(0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0700) (0,1066 )
D = 0,1298


A = (0,2842) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,01) (0,1935)

A = 0,4779
B = (0,2842) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,01) (0,6999 )
A = 0,3233
C = (0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,01) (0,1066 )
D = 0,1234

66


A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,0010) (0,1935)

A = 0,4762
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,0010) (0,6999 )
A = 0,3170
C =(0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,0010) (0,1066 )
D = 0,1225

Apabila bobot prioritas DT dinaikkan ke 0,1000 maka urutan prioritas global

A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,1000) (0,1935)

A = 0,4953
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,1000) (0,6999 )
A = 0,3863
C =(0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,1000) (0,1066 )
D = 0,1330


67

A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,3000) (0,1935)

A = 0,5340
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,3000) (0,6999 )
A = 0,5263
C =(0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,3000) (0,1066 )
D = 0,1544

52,63% dan C dengan bobot 0,1544atau15,44%.

A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,4000) (0,1935)

A = 0,5534
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,4000) (0,6999 )
A = 0,5963
C =(0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,4000) (0,1066 )
D = 0,1650
Urutan prioritas berubah, komputer B menjadi urutan prioritas tertinggi dengan

bobot 0,5963 atau 59,63% disusul A dengan bobot 0,5534 atau 55,34% dan C dengan
bobot 0,1650 atau16,50%.

68

A =(0,2842) (0,6583) + (0,0593) (0,0874) + (0,5712) (0,4967) + (0,5000) (0,1935)

A = 0,5727
B =(0,2842) (0,2819) + (0,0593) (0,1622) + (0,5712) (0,3967) + (0,5000) (0,6999 )
A = 0,6663
C =(0,2842 ) (0,0598) + (0,0593) (0,7504) + (0,5712) (0,1066) + (0,5000) (0,1066 )
D = 0,1757
Urutan prioritas berubah, komputer B menjadi urutan prioritas tertinggi dengan

bobot 0,6663 atau 66,63% disusul A dengan bobot 0,5727 atau 57,27% dan C dengan
bobot 0,1757 atau17,57%.
Analisis sensitivitas pada kriteria Daya Tarik dengan menurunkan dan

Tabel 3.21 Analisis Sensitivitas Pada Kriteria Daya Tarik Dengan Bobot 0,0853
A B C A B C
0,0700 0,4895 0,3653 0,1298 0,1000 0,4953 0,3863 0,1330
0,0400 0,4837 0,3443 0,1266 0,2000 0,5147 0,4563 0,1437
0,0100 0,4779 0,3233 0,1234 0,3000 0,5340 0,5263 0,1544
0,0070 0,4773 0,3212 0,1231 0,4000 0,5534 0,5963 0,1650
0,0040 0,4768 0,3191 0,1228 0,5000 0,5727 0,6663 0,1757
0,0010 0,4762 0,3170 0,1225 0,6000 0,5921 0,7363 0,1863
Dari tabel analisis sensitivitas dapat diketahui bahwa bobot prioritas DT

sensitif ketika diubah dari 0,0853 menjadi 0,4000 dan 0,5000.

69
BAB 4
KESIMPULAN DAN SARAN
Berdasarkan pembahasan pada bab sebelumnya dalam menentukan urutan

prioritas dengan menggunakan metode Analytic Hierarchy Process (AHP) dan
analisis sensitivitas terhadap kriteria keputusan, maka diperoleh :
4.1 Kesimpulan
1. Secara global, komputer A merupakan prioritas pertama dengan bobot 0,4925 atau
49,25% , kemudian komputer B dengan bobot 0,3781 atau 37,81% dan prioritas
terakhir adalah komputer C dengan bobot 0,1315 atau 13,15%.
2. Apabila bobot prioritas Hardware diturunkan hingga 0,0010 dan dinaikkan hingga
0,9000 tidak mengalami perubahan urutan prioritas dimana prioritas global
komputer A adalah prioritas yang paling utama kemudian disusul komputer B dan
prioritas terakhir adalah komputer C. Sehingga dapat disimpulkan bahwa bobot
prioritas Hardware tidak sensitif.
3. Apabila bobot prioritas Software diturunkan hingga 0,0080 tidak mengalami

perubahan urutan prioritas. Apabila bobot prioritas dinaikkan hingga 0,3000 tidak
mengalami perubahan urutan prioritas. Apabila bobot prioritas dinaikkan menjadi
0,5000, urutan prioritas berubah dimana komputer A tetap menjadi urutan prioritas
tertinggi dengan bobot 0,5310 atau 53,10% disusul komputer C dengan bobot
0,4622 menggeser komputer B dengan bobot 0,4475 atau 44,75%. Apabila bobot
prioritas dinaikkan menjadi 0,7000 maka diperoleh keadaan urutan prioritas
berubah dimana komputer C menjadi prioritas tertinggi dengan bobot 0,6123 atau
61,23% disusul komputer A dengan bobot 0,5485 atau 54,85% dan prioritas
terakhir komputer B dengan bobot 0,4800 atau 48,00%. Sehingga dapat

70
disimpulkan bahwa bobot prioritas Software sensitif ketika diubah dari 0,0593
menjadi 0,5000 dan 0,7000.
4. Apabila bobot prioritas Purnajual diturunkan hingga 0,0100 dan dinaikkan hingga
3,0000 tidak mengalami perubahan urutan prioritas dimana prioritas global
komputer A adalah prioritas yang paling utama kemudian disusul komputer B dan
prioritas terakhir adalah komputer C. Sehingga dapat disimpulkan bahwa bobot
prioritas PJ tidak sensitif.
5. Apabila bobot prioritas Daya Tarik diturunkan hingga 0,0010 tidak mengalami
perubahan urutan prioritas. Apabila bobot prioritas dinaikkan hingga 0,3000 tidak
mengalami perubahan urutan prioritas. Apabila bobot prioritas dinaikkan menjadi
0,4000, urutan prioritas berubah dimana komputer B menjadi urutan prioritas
tertinggi dengan bobot 0,5963 atau 59,63% disusul komputer A dengan bobot
0,5534 dan komputer C tetap menjadi urutan prioritas terakhir dengan bobot
0,1650 atau 16,50%. Sehingga dapat disimpulkan bahwa bobot prioritas SW
sensitif ketika diubah dari 0,0593 menjadi 0,4000, 0,5000 dan 0,6000.
Berdasarkan analisis sensitivitas pada setiap kriteria, diperoleh kesimpulan

umum bahwa melakukan analisis sensitivitas pada bobot prioritas kriteria keputusan
dengan mengubah bobot prioritas lebih besar atau lebih kecil dapat mengubah urutan
prioritas dan menentukan kriteria yang sensitif pada model prioritas global.

71
4.2 Saran
1. Disarankan kepada pembaca agar mengembangkan analisis sensitivitas

terhadap bobot prioritas alternatif keputusan.
2. Diharapkan kepada pembaca agar kajian perlu dikembangkan lebih lanjut
untuk menetapkan batasan seberapa besar bobot prioritas dari kriteria
diturunkan dan dinaikkan sehingga menyebabkan terjadinya perubahan urutan
prioritas.

72
DAFTAR PUSTAKA
[1] Saaty, T. Lorie. 1993. Pengambilan Keputusan Bagi Para Pemimpin, Proses
Hirarki Analitik untuk Pengambilan Keputusan dalam Situasi yang Kompleks.
Pustaka Binama Pressindo.
[2] Kosasi, Sandy. 2002. Sistem penunjang keputusan (decision support system).
Proyek Peningkatan Penelitian Pendidikan Tinggi Direktorat Jendral
Pendidikan Tinggi Departemen Pendidikan Nasional.
[3] Teknomo, K. Siswanto, H. dan Yudhanto, A. 1999. Penggunaan metode

Analytic Hierarchy Process (AHP) dalam menganalisa faktor-faktor yang
mempengaruhi pemilihan moda ke kampus. Jurnal Teknik Sipil, Vol 1, No. 1
Maret 1999, Universitas Kristen Petra, Surabaya.
[4] Susila, R. Wayan. dan Munadi, E. 2007. Penggunaan Analytic Hierarchy

Proses untuk penyusunan urutan prioritas proposal penelitian. Jurnal
Informatika Pertanian, Vol 16, No. 2 . Departemen Pertanian.
[5] Kuncoro, Mudrajad. 2005. Daya tarik investasi dan pungli di DIY. Jurnal
Ekonomi Pembangunan, Vol 10, No. 2, Agustus 2005. Universitas Gajah
Mada, Yogyakarta.
[6] Ciptomulyono, U. dan Henry, DOU. 2000. Model fuzzy goal programming
untuk penetapan pembobotan prioritas dalam metode analisis hirarki proses
(AHP). Jurnal IPTEK, Februari, pp.19-29.
[7] Breierova, L. Choudari, M. 1996. An introduction To Sensitivity Analysis .

Massachusetts Institute Of Technology.
[8] Sukarto, Haryono. 2006. Pemilihan model transportasi di DKI Jakarta dengan
analisis kebijakan proses hirarki analitik. Jurnal Teknik Sipil, Vol 3, No. 1,
Januari 2006, Universitas Pelita Harapan, Karawaci, Tangerang.

73
[9] Supriyono, Wardhana, Aryu Wusnu dan Sudaryo. 2007. Sistem pemilihan
pejabat struktural dengan metode AHP. Jurnal STTN BATAN, Yogyakarta.
[10] Latifah, Siti. Prinsip-prinsip dasar analytic hierarchy process. Jurnal Studi
Kasus Fakultas Pertanian, Universitas Sumatera Utara (USU), Medan.

Kajian Analisis Sensitivitas Pada Metode Analytic Hierarchy Process (Ahp)

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kajian Analisis Sensitivitas Pada Metode Analytic Hierarchy Process (Ahp)

Diunggah oleh

Hak Cipta:

Format Tersedia

1

KAJIAN ANALISIS SENSITIVITAS PADA METODE ANALYTIC

HIERARCHY PROCESS (AHP)

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

Universitas Sumatera Utara

KAJIAN ANALISIS SENSITIVITAS PADA METODE ANALYTIC

HIERARCHY PROCESS (AHP)

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

Universitas Sumatera Utara

Judul : KAJIAN ANALISIS SENSITIVITAS PADA METODE

Dr. Sutarman, M.Sc Prof. DR. Drs. Iryanto, M.Si

Dr. Saib Suwilo, M.Sc

Universitas Sumatera Utara

KAJIAN ANALISIS SENSITIVITAS PADA METODE ANALYTIC

Medan, Oktober 2010

Universitas Sumatera Utara

Universitas Sumatera Utara

Universitas Sumatera Utara

SENSITIVITY ANALYSIS IN ANALYTIC HIERARCHY PROCESS (AHP)

Analytic Hierarchy Process (AHP) method is a decision making method on

Universitas Sumatera Utara

BAB 2 LANDASAN TEORI 8

Universitas Sumatera Utara

BAB 4 KESIMPULAN DAN SARAN 58

Universitas Sumatera Utara

Tabel 2.1 Matriks Perbandingan Berpasangan 13

Universitas Sumatera Utara

Gambar 2.1 Struktur Hirarki 11

Universitas Sumatera Utara

Universitas Sumatera Utara

SENSITIVITY ANALYSIS IN ANALYTIC HIERARCHY PROCESS (AHP)

Analytic Hierarchy Process (AHP) method is a decision making method on

Universitas Sumatera Utara

1.1. Latar Belakang

Dalam membuat keputusan sumber kerumitan masalah keputusan bukan hanya

Metode Analytical Hierarchy Process (AHP) merupakan salah satu model

Universitas Sumatera Utara

Dalam suatu hirarki yang lengkap, setiap elemen keputusan dihubungkan

Umumnya pada saat pengambil keputusan menetapkan pembobotan relatif

Universitas Sumatera Utara

Dalam menganalisis suatu permasalahan yang bersifat kompleks dengan risiko

Analisis sensitivitas dapat dipakai untuk memprediksi keadaan apabila terjadi

Dengan latar belakang inilah penulis memilih judul “Kajian Analisis

1.2 Perumusan Masalah

Yang menjadi permasalahan dalam penelitian ini adalah menganalisis perubahan

1.3 Tinjauan Pustaka

Thomas L Saaty [1] menguraikan metode AHP dan menjelaskan penggunaan

Universitas Sumatera Utara

Haryono Sukarto [8] menguraikan tentang pemilihan transportasi di DKI

Sandy Kosasi [2] menguraikan masalah pemilihan sekolah dengan

Universitas Sumatera Utara

Udisubakti Ciptomulyono dan DOU Henry [6] menggunakan model Fuzzy

Wayan R Susila dan Ernawati Munadi [4] menggunakan AHP untuk

Universitas Sumatera Utara

Kardi Teknomo, Hendro Siswanto dan Sebastinus Ari Yudhanto [3]

Mudrajad Kuncoro [5] menguraikan tentang daya tarik investasi di DIY

Dengan diketahuinya pengaruh perubahan bobot prioritas kriteria keputusan pada

Universitas Sumatera Utara

Secara umum, Penelitian dilakukan dengan beberapa langkah sebagai berikut :

1. Menguraikan masalah AHP dan menjelaskan landasan aksiomatik, tahapan -

Universitas Sumatera Utara