TOPSIS

Technique for Order of Preference by Similarity to Ideal Solution

 History Metode TOPSIS
Technique for Order of Preference by Similarity to Ideal Solution

Dipaparkan oleh Hwang, Ching-Lai dan Yoon, Kwangsun pada paper dengan judul
“TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) - A Multiple
Attribute Decision Making” pada tahun 1980.

Prinsip dasar dari Metode TOPSIS adalah alternatif

terpilih harus memiliki jarak terdekat dengan
solusi Ideal Positif dan terjauh dengan solusi Ideal
Negatif.

TOPSIS menggunakan Jarak Euclidean untuk

menentukan kedekatan relatif dari suatu alternatif
dengan solusi optimal
 Metode TOPSIS
o TOPSIS adalah salah satu metode
pengambilan keputusan yang bertujuan
untuk menentukan solusi ideal positif dan Kriteria/Atribut
solusi ideal negatif. Solusi ideal positif
Kualitas Trend/
memaksimalkan kriteria manfaat (benefit Harga Beli Fitur Harga Jual
Hardware Popularity
criteria) dan meminimalkan kriteria biaya
(cost criteria), sedangkan solusi ideal negatif 7000 5 5 4 5
memaksimalkan kriteria biaya dan 10000 5 5 5 5
meminimalkan kriteria manfaat (Fan dan 4000 4 5 3 3
Cheng, 2009 : 4). 2000 3 4 3 2
o Kriteria manfaat merupakan kriteria dimana min max max max max
ketika nilai kriteria tersebut semakin besar
maka semakin layak pula untuk di pilih.
Sedangkan kriteria biaya merupakan
kebalikan dari kriteria manfaat, semakin kecil
nilai dari kriteria tersebut maka akan cost criteria benefit criteria
semakin layak untuk dipilih.
 Tahapan Menggunakan Metode TOPSIS
Langkah 1 Langkah 2 Langkah 3 Langkah 4 Langkah 5

Menentukan jarak
Menentukan matriks antara setiap alternatif
Membuat matriks
Membuat matriks solusi ideal positif dengan matriks solusi Menghitung nilai
keputusan yang
keputusan yang & ideal positif preferensi untuk setiap
ternormalisasi
ternormalisasi matriks solusi ideal & alternatif
terbobot
negatif matriks solusi ideal
negatif

Menghitung rating kinerja Menghitung rating bobot Solusi ideal positif A+ dan Jarak antara alternatif Ai Nilai preferensi untuk setiap
setiap alternatif Ai pada ternormalisasi (yij) sebagai: solusi ideal negatif A- dapat dengan solusi ideal positif alternatif (Vi) diberikan
setiap criteria Cj yang ditentukan berdasarkan dirumuskan sebagai: sebagai:
ternormalisasi, yaitu: rating bobot ternormalisasi
(yij) sebagai:
dengan i=1,2…,m dan
j=1,2,…,n. Jarak antara alternatif Ai Nilai Vi yang lebih besar
dengan solusi ideal negatif mengindikasikan bahwa
Untuk setiap j=1,2,…,n dirumuskan sebagai: alternatif Ai lebih dipilih
dimana i=1,2…,m dan dengan i=1,2…,m dan
j=1,2,…,n
 Studi Kasus
Seorang Mahasiswa berencana membeli Smartphone yang dapat digunakan sebagai alat untuk
mendukung perkuliahan daring dan kegiatan organisasi/sosialnya.

Beberapa brand smartphone dan kriteria untuk menentukan brand mana yang akan dipilih dijelaskan
dalam matriks berikut ini:
Kriteria Alternatif
Alternatif
Predefined Weight
5
Kualitas Trend/ Harga
Harga Beli Fitur
Hardware Popularity Jual
Nilai bobot pemilihan:
Brand
Kode C1 C2 C3 C4 C5 • C1 : harga beli = 20%
Smartphone
SAMSUNG A1 7000 5 5 4 5 • C2 : Kualitas Hardware = 20%
IPHONE A2 10000 5 5 5 5 • C3 : Fitur = 30%
XIAOMI A3 4000 4 5 3 3 • C4 : Trend/Popularity = 20%
OPPO A4 2000 3 4 3 2 • C5 : Harga Jual = 10%
Tipe min max max max max

`max` menandakan lebih besar lebih baik (Benefit Criteria)

`min` menandakan lebih kecil lebih baik (Cost Criteria)
 Langkah 1 – Matriks Keputusan Ternormalisasi
Formula: Contoh:
!!"
r32 =
(! ! $"# ! ! " "#! ! !" # ! ! %")
, , ,
%
r32 =
(&! # &! #%! # '! )
, ,
Dimana nilai:
m = nilai alternative r32 = 0.462 6
i = alternative ke-i
j = attribute ke-j
Matriks C1 C2 C3 C4 C5 Matriks C1 C2 C3 C4 C5
A1 7000 5 5 4 5 A1 0.538 0.577 0.524 0.521 0.630
A2 10000 5 5 5 5 A2 0.769 0.577 0.524 0.651 0.630
A3 4000 4 5 3 3 A3 0.308 0.462 0.524 0.391 0.378

A4 2000 3 4 3 2 A4 0.154 0.346 0.419 0.391 0.252

 Langkah 2 – Matriks Keputusan Ternormalisasi Terbobot
Formula:
Dimana nilai Pembobotan
• C1 : harga beli = 20%
• C2 : Kualitas Hardware = 20%
• C3 : Fitur = 30%
• C4 : Trend/Popularity = 20% 7

• C5 : Harga Jual = 10%

Matriks C1 C2 C3 C4 C5 Matriks C1 C2 C3 C4 C5
A1 0.538 0.577 0.524 0.521 0.630 A1 0.108 0.115 0.157 0.104 0.063
A2 0.769 0.577 0.524 0.651 0.630 A2 0.154 0.115 0.157 0.130 0.063
A3 0.308 0.462 0.524 0.391 0.378 A3 0.062 0.092 0.157 0.078 0.038

A4 0.154 0.346 0.419 0.391 0.252 A4 0.031 0.069 0.126 0.078 0.025
 Langkah 3 – Solusi Ideal Positif dan Ideal Negatif
Solusi Ideal Positif (A+) merupakan nilai optimum maksimum (terbesar) dari suatu Formula:
kriteria untuk beberapa nilai alternatif solusi dalam satu kriteria.

Solusi Ideal Negatif (A-) merupakan nilai optimum minimum (terkecil) dari suatu
kriteria untuk beberapa nilai alternatif solusi dalam satu kriteria.

Matriks Keputusan Ternormalisasi Terbobot

C1 C2 C3 C4 C5
8
0,108 0,115 0,157 0,104 0,063
0,154 0,115 0,157 0,130 0,063
0,062 0,092 0,157 0,078 0,038
0,031 0,069 0,126 0,078 0,025

Solusi Ideal

Attribute Min Max Max Max Max

Ideal Positif (A+) 0.031 0.115 0.157 0.130 0.063
Ideal Negatif (A-) 0.154 0.069 0.126 0.078 0.025
Attribute Max Min Min Min Min
 Langkah 4 – Menghitung Jarak antara Alternatif dengan Solusi Ideal
Jarak Solusi Ideal (D) adalah jarak euclidean (euclidean distance) antara nilai alternatif dengan nilai solusi ideal
untuk setiap kriteria
C1 C2 C3 C4 C5
0,108 0,115 0,157 0,104 0,063
0,154 0,115 0,157 0,130 0,063
0,062 0,092 0,157 0,078 0,038
0,031 0,069 0,126 0,078 0,025
9

Attribute Min Max Max Max Max

Ideal Positif (A+) 0.031 0.115 0.157 0.130 0.063
Ideal Negatif (A-) 0.154 0.069 0.126 0.078 0.025
Attribute Max Min Min Min Min
Formula:
0.081
Jarak Solusi Ideal Positif (D+) merupakan jarak
0.123
Jarak Solusi Ideal Positif (D+) euclidean antara nilai alternatif dengan nilai
0.069 solusi ideal positif untuk setiap kriteria
0.085
0.086
Jarak Solusi Ideal Negatif (D-) merupakan jarak
0.085
Jarak Solusi Ideal Negatif (D-) euclidean antara nilai alternatif dengan nilai
0.101 solusi ideal negatif untuk setiap kriteria
0.123
 Langkah 5 – Menghitung Nilai Preferensi
Perhitungan Nilai Preferensi (V) menggunakan formula ini:

kemudian hasil perhitungan diurutkan dari yang terbesar sampai yang terkecil, sehingga nilai preferensi
dari alternatif yang terbesar merupakan alternatif terbaik dan yang terpilih, sedangkan alternatif
dengan nilai preferensi terendah adalah yang terburuk. 10

0.081 Nilai
Jarak Solusi Ideal Positif (D+) Alternatif Best Worst
Preferensi
Ideal Positif 0.123 merupakan jarak euclidean antara nilai
(D+) 0.069 alternatif dengan nilai solusi ideal SAMSUNG 0.5137 - -
positif untuk setiap kriteria
0.085
IPHONE 0.4091 - IPHONE
0.086 Jarak Solusi Ideal Negatif (D-)
Ideal Negatif 0.085 merupakan jarak euclidean antara nilai XIAOMI 0.5925 XIAOMI -
(D-) 0.101 alternatif dengan nilai solusi ideal
negatif untuk setiap kriteria OPPO 0.5909 - -
0.123
 Rangkuman Metode TOPSIS
TOPSIS merupakan suatu bentuk metode pendukung keputusan yang didasarkan
pada konsep bahwa alternatif yang terbaik tidak hanya memiliki jarak terpendek dari
solusi ideal positif tetapi juga memiliki jarak terpanjang dari solusi ideal negatif.

Konsep ini banyak digunakan untuk menyelesaikan masalah keputusan secara praktis.
11
Konsepnya sederhana dan mudah dipahami, komputasinya efisien dan memiliki
kemampuan untuk mengukur kinerja relatif dari alternatif–alternatif keputusan
dalam bentuk matematis yang sederhana.
 Kelebihan dan Kekurangan Metode TOPSIS
Kelebihan
o Konsepnya sederhana dan mudah dipahami.
Kesedarhanaan ini dilihat dari alur proses metode
TOPSIS yang tidak begitu rumit, karena
menggunakan indikator kriteria dan variabel
alternatif sebagai pembantu untuk menentukan
keputusan;
o Komputasinya efisien, perhitungan komputasinya
lebih efisien dan dan cepat;
o Mampu dijadikan sebagai pengukur kinerja
alternatif dan juga alternatif keputusan dalam
sebuah bentuk output komputasi yang sederhana;
o Dapat digunakan sebabai metode pengambilan
keputusan yang lebih cepat.
Kekurangan
o Belum adanya penentuan bobot prioritas yang
menjadi prioritas hitungan terhadap kriteria,
yang berguna untuk meningkatkan validitas nilai
bobot perhitungan kriteria;
o Belum adanya bentuk linguistik untuk penilaian
alternatif terhadap kriteria;
o Belum adanya mediator seperti hirarki jika di
proses secara mandiri maka dalam ketepatan
pengambilan keputusan cenderung belum
menghasilkan keputusan yang sempurna.