PENGAMBILAN

KEPUTUSAN DENGAN
PROSES HIRARKI ANALITIK
(Analytical Hierarchy Process-AHP)
DECISION MAKING
Kita harus memprioritaskan kriteria tangible dan
i t
intangible
ibl
| Dalam sebagian besar keputusan, intangibles seperti
- political factors and
- social factors
tangibles seperti
- economic factors and
- technical factors
| Ini bukan pengukuran presisi tertentu pada faktor yang
menentukan validitas dari sebuah keputusan, tetapi
pentingnya
ti kit pasang untuk
kita t k faktor-faktor
f kt f kt yang terlibat
t lib t
| Bagaimana kita menetapkan pentingnya semua faktor
dan mempersatukan beragam informasi ini untuk
membuat keputusan yang terbaik?
AHP MAIN FEATURES
AHP MAIN FEATURES
| Yang perlu diperhatikan aspek kesatuan.
| Complexity: AHP ini memang kompleks problem, mereduksi
persoalan
| Interdependence: saling bergantungan antar level. Misal: sistem
di
dinamikik
| Measurement: mengukur , seringkali alat ukurnya banyak
sekali. Misal: mengukur tinggi badan (cm), mengukur suhu (ºC).
Apapun yang diukur unitnya hanya satu.
satu Misal: mengukur
tinggi badan, berat badan maka unitnya itu satu.
| Consistency: AHP bisa mendeteksi konsistensinya, dimana
apakah suatu penilaian itu konsistensi atau tidak.
| Synthesis: salah satu tool yang mendukung sintesis adalah AHP.
AHP lebih banyak dari adjustment/ pendugaan, tetapi
kelemahannya adalah tidak bisa mendeteksi konsensus. Misal: 3
dengan 3 jadi rata-ratanya 3, 1 dengan 9 jadi rata-ratanya 3
juga.
THE ANALYTIC HIERARCHY PROCESS
(AHP) IS THE METHOD OF PRIORITIZATION
| AHP menangkapg pp prioritas dari p
paired comparison
p
judgments dari elemen-elemen keputusan
sehubungan dengan masing-masing kriteria
| Paired comparison judgments dapat diatur dalam
matriks
| Prioritas yang berasal dari matriks sebagai pokok
eigenvector yang mendefinisikan rasio skala.
eigenvector, skala Dengan
demikian, eigenvector adalah konsep intrinsik yang
benar prioritas proses. Hal ini juga memungkinkan
untuk pengukuran yang konsisten dalam judgment
| skala prioritas berdasarkan preferensi adalah cara
untuk membakukan AHP non-skala unik untuk
menggabungkan
b k beberapa
b b k i i
kriteria
NONMONOTONIC RELATIVE NATURE OF
ABSOLUTE SCALES

Good for preserving food 100 Bad for comfort

Bad for preserving food Bad for comfort

Good for preserving food 0 Bad for comfort

temperature
Misal: 26
26ºC
C bisa berarti lain jika dalam keadaan yang
berbeda
RELATIVE MEASUREMENT
| Dalam ppengukuran
g relatif p
preferensi jjudgment
g dinyatakan
y
pada setiap pasangan sehubungan dengan unsur-unsur
yang umum milik mereka berbagi
| Pada prakteknya ini berarti bahwa sepasang elemen di
tingkat dari hirarki adalah untuk dibandingkan dengan
orang tua mereka elemen yang terkait di tingkat atas
| Mi l
Misalnya, jik kita
jika kit membandingkan
b di k dua d apell menurutt
berat kami bertanya:
Apel mana yang lebih besar?
| Berapa banyak yang lebih besar adalah yang lebih besar
dari pada apel yang kecil?
Gunakan yang kecil sebagai unit dan memperkirakan
berapa kali lebih besar dari yang lebih besar
COMPARISON MATRIX
g apel
Diberikan : tiga p y yang
g berbeda ukuran

Apel A Apel B Apel C

kami nilai ukuran relatif mereka dengan pembentukan

rasio
Size Comparison Apel A Apel B Apel C
Apel A S1/S1 S1/S2 S1/S3
Apel B S2/S1 S2/S2 S2/S3
Apel C S3/S1 S3/S2 S3/S3
SKALA PERBANDINGAN AHP (SAATY)
Nilai Keterangan
1 A Sama
S penting
ti (Equal)
(E l) Dengan
D B
3 A Sedikit lebih penting (Moderate) dari B
5 A Jelas lebih penting (Strong) dari B
7 A Sangat jelas penting (Very Strong) dari B
9 A Mutlak lebih penting (Extreme) dari B
2,4,6,8 Apabila ragu
ragu-ragu
ragu antara 2 nilai yang berdekatan
1/(1-9) Kebalikan nilai tingkat kepentingan dari skala 1-9
PAIRWISE COMPARISONS

Size Apel Apel Apel Resulting Relati

Comprison A B C priority ve size
eigenvect of apel
or
Apel A 1 2 6 6/10 A
Apel
p B 1/2 1 3 3/10 B
Apel C 1/6 1/3 1 1/10 C

judgment konsisten,
konsisten karena di sini,
sini setiap kolom
normalized memberikan prioritas
PRINSIP KERJA AHP
1. Penentuan Komponenp Keputusan
p
- Tujuan/Sasaran
- Kriteria
- Alternatif
2. Penyusunan hirarki dari komponen keputusan
3. Penilaian Alternatif dan Kriteria
4. Pemeriksaan Konsistensi Penilaian
5 P
5. Penentuan
t P
Prioritas
i it Kriteria
K it i d
dan Alt
Alternatif
tif
CONTOH 1:
CONTOH 2:
CONTOH 3:
CONTOH 4:
GAMBAR : HUBUNGAN SASARAN, KRITERIA
DAN ALTERNATIF DALAM AHP
 MISALNYA HASIL PERBANDINGAN BERPASANGAN
UNTUK CONTOH DIATAS ADALAH:
E1 Kegagalan komponen Pelatihan Fleksibilitas
Kegagalan komponen 1/1 ½ 3/1
Pelatihan 2/1 1/1 4/1
Fleksibilitas 1/3 ¼ 1/1

Penyelesaian untuk contoh diatas (misalnya dengan

syaratt nilai
il i eigen
i sudah
d h tid
tidak
kbberubah
b h sampaii 4
angka dibelakang koma):
Ubah matrik menjadij bilangan
g desimal:
 1,000 0,500 3,000 

 
 2,000 1,000 4,000

 0,333 0,250 1,000 

 PENYELESAIAN :
| Iterasi ke I :
Kuadratkan matrik diatas
 1,000 0,500 3,000   1,000 0,500 3,000   3,000 1,750 8,000 

  
 2,000 1,000 4,000  ×  2,000 1,000 4,000  =  5,333 3,000 14,000 
     
 0,333 0,250 1,000   0,333 0,250 1,000   1,166 0,667 3,000 
   


Jumlahkan nilai setiap baris matrik dan hitung nilai

hasil normalisasinya:
jml baris Hasil Normalisasi
3,0000 1,7500 8,0000 12,7500 12,7500/39,9166 = 0,3194
5,3333 3,0000 14,0000 22,3333 22,3333/39,9166 = 0,5595
1 1666 0,6667
1,1666 0 6667 3,0000
3 0000 4,8333
4 8333 4 8333/39 9166 = 0,1211
4,8333/39,9166 0 1211
Jumlah 39,9166 1,0000
 LANJUTAN PENYELESAIAN :
| Iterasi ke II :
Kuadratkan kembali matrik diatas
 3,0000 1,7500 8,0000   3,0000 1,7500 8,0000   27,6658 15,8330 72,4984 

  
 5,3333 3,0000 14,0000  ×  5,3333 3,0000 14,0000  =  48,3311 27,6662 126,6642
     
 1,1666 0,6667 3,0000   1,1666 0,6667 3,0000  10,5547 6,0414 24,6653 
     

Jumlahkan nilai setiap baris matrik dan hitung nilai

hasil normalisasinya:
Jml Baris Hasil Normalisasi
27,6658 15,8330 72,4984 115,9967 0,3196
48,3311 27,6662 126,6642 202,6615 0,5584
10,5547 6,0414 24,6653 44,2614 0,1210
Jumlah 362,9196 1,0000
| Hitung
g Perbedaan nilai eigen
g sebelum dan
sesudah nilai eigen sekarang:
0,3194 − 0,3196 = −0,0002
0,5595 − 0,5584 = 0,0011
0,1211− 0,1210 = −0,0009
| Terlihat
T lih t b
bahwa
h perbedaan
b d ttersebut
b t tid
tidak
k tterlalu
l l
besar sampai dengan 4 desimal
| Iterasi ke III :
Bila kita melakukan iterasi satu kali lagi, maka
syarat akan terpenuhi (nilai eigen sudah tidak
b b d sampaii 4 desimal)
berbeda d i l)
Jadi nilai eigen yang diperoleh adalah : 0.3196,
0.5584, 0.1220
| Berikut ini adalah matrik berpasangan berserta
dengan nilai eigennya:
Kegagalan Pelatihan Fleksibilitas Nilai Eigen
komponen
Kegagalan komponen 1.000 0.500 3.000 0.3196
Pelatihan
P l ih 2 000
2.000 1 000
1.000 4 000
4.000 0 5584
0.5584
Fleksibilitas 0.333 0.250 1.000 0.1220
Berdasarkan nilai eigen maka kita tahu bahwa kriteria
yang paling penting adalah Pelatihan,
Pelatihan kemudian
Kegagalan komponen dan terakhir Fleksibilitas.

Gambar : Hasil Perhitungan Bobot Kriteria

 PEMBOBOTAN ALTERNATIF
Susunlah matrik berpasangan untuk alternatif-alternatif
alternatif alternatif
bagi setiap kriteria, misalnya untuk kriteria kegagalan
komponen adalah :
Kegagalan komponen Predictive CBM Preventive RCM
maintenance maintenance
Predictive maintenance 1/1 1/4 4/1 1/6
CBM 4/1 1/1 4/1 1/4
Preventive maintenance 1/4 1/4 1/1 1/5
RCM 6/1 4/1 5/1 1/1

Misalnya untuk kriteria Pelatihan adalah :

Pelatihan
ea a Predictive
ed c ve CBM
C Preventive
eve ve RCM
C
maintenance maintenance
Predictive maintenance 1/1 2/1 5/1 1/1
CBM 1/2 1/1 3/1 2/1
Preventive maintenance 1/5 1/3 1/1 1/4
RCM 1/1 1/2 4/1 1/1
GAMBAR : HASIL AKHIR SELURUH BOBOT
 Dari hasil analisa di atas,, maka jawaban
j dapat
p
kita peroleh dengan jalan mengalikan matrik
nilai eigen dari alternatif dengan matrik bobot
matrik:
Kegagalan Pelatihan Fleksibilitas Bobot
komponen criteria
Predictive 0,1160 0,3790 0,3010 0,3196
maintenance
CBM 00,2470
2470 00,2900
2900 00,2390
2390 00,5584
5584
Preventive 0,0600 0,0740 0,2120 0,1220
maintenance
RCM 0,5770 0,2570 0,2480
HASILNYA :
Predictive maintenance : 0,3060
,
Conditional based maintenance : 0,2720
Preventive maintenance : 0,0940
Reliability centered maintenance : 0,3280

Jadi rangking yang diperoleh :

Reliability centered maintenance : 0,3280
P di ti maintenance
Predictive i t : 0,3060
0 3060
Conditional based maintenance : 0,2720
Preventive maintenance :00,0940
0940
CONSISTENCY
| Dalam contoh ini Apel B adalah 3 kali lebih besar daripada Apel
C. Kita dapat memperoleh nilai ini langsung dari perbandingan
dengan Apel A dengan Apel B & C sebanyak 6/2 = 3. Tetapi jika
k i menggunakan
kami k pertimbangan,
ti b k i mungkin
kami ki adad dugaan
d
sebagai 4. Dalam hal ini kita sudah tidak konsisten
| Sekarang tebakan 4 adalah bukan tebakan buruk seperti tebakan
5 atau lebih. Kita lebih jjauh dari nilai y
yangg lebih benar konsisten
kita. AHP menyediakan teori untuk memeriksa ketidaksesuaian
sepanjang matriks dan memungkinkan tingkat tertentu secara
keseluruhan, namun tidak lebih konsisten
| Konsistensi sendiri adalah kondisi yang diperlukan untuk lebih
memahami hubungan di dunia tetapi tidak cukup. Misalnya kita
dapat jugment ketiga dari apel menjadi ukuran yang sama dan
kami akan sangat konsisten, namun sangat salah
| Kit juga
Kita j perlu
l meningkatkan
i k tk validitas
lidit berlebihan
b l bih dengan
d
menggunakan informasi
| Adalah beruntung bahwa pikiran tidak diprogram, selalu
p mengintegrasikan
konsisten. Jika tidak, ia tidak dapat g g informasi
baru dengan mengubah hubungan lama
CONSISTENCY RATIO (CR)
| Consistency Ratio merupakan parameter yang digunakan untuk
memeriksa apakah perbaikan berpasangan telah dilakukan
d
dengan k
konsekwen
k atau tidak.
id k
| Penentuan parameter ini dapat dilakukan dengan proses sebagai
berikut, misalnya kita akan menghitung CR untuk kriteria
b h baku
bahan b k pada d contohh diatas:
di
kegagalan Predictive Conditional Preventive Reliability
komponen
p maintenance based maintenance centered
maintenance maintenance
Predictive 1/1 1/4 4/1 1/6
maintenance
CBM 4/1 1/1 4/1 1/4
Preventive 1/4 1/4 1/1 1/5
maintenance
RCM 6/1 4/1 5/1 1/1
Dari nilai faktor (nilai eigen) dari kriteria kegagalan
komponen adalah:
Predictive maintenance : 0,1160
,
Conditional based maintenance : 0,2470
Preventive maintenance : 0,0600
Reliability centered maintenance : 0,5570

Kita d
Ki dapat WWeighted
i h d Sum
S V
Vector d
dengan jjalan
l
mengalikan ke dua matrik tsb.
1/1 1/4 4/1 1/6 0 1160
0,1160 00,5139
5139
4/1 1/1 4/1 1/4 0,2470 1,0953
1/4 1/4 1/1 1/5 * 0,0600 = 0,2662
6/1 4/1 5/1 1/1 0 5770
0,5770 2 5610
2,5610
Kemudian kita menghitung Consistency Vector dengan
menentukan
t k nilai
il i rata-rata
t t dari
d i weighted
i ht d sum vector:
t
0,5139/0,1160 4,4303
1,0953/0,2470 4,4342
0,2662/0,0600 = 4,4358
2,5610/0,5770 4,4385

Nilai rata-rata dari Consistency Vector adalah :

π = (4.4303 + 4.4342 + 4.4358 + 4.4385) / 4 = 4.4347

Nilai Consistency Index dapat dihitung dengan

menggunakan rumus :
CI = ((π - n)) / (n
( – 1)) ; n : banyak
y alternatif
= (4.4347 – 4) / (4 – 1) = 0.1449
Untuk menghitung
g g Consistency
y Ratio,, dibutuhkan
nilai RI, yaitu indeks random yang didapat dari
tabel berikut:
n RI
2 0,00
3 0 58
0,58
4 0,90
5 1,12
6 1 24
1,24
7 1,32
8 ,
1,41