MAKALAH PERHITUNGAN METODE SAW

( Simple Additive Weighting )

Disusun Oleh :

Citra Ayu Comaras

Ferli Armansyah

Galih Dewangga

Ilham Bastian

SEKOLAH TINGGI MANAJEMEN

INFORMATIKA DAN KOMPUTER KALIREJO

2020/2021

1
 KATA PENGANTAR

Alhamdulillah, puji syukur kita panjatkan kehadirat Allah swt, Tuhan Yang Maha Esa,
karena dengan izin dan Rahmat-Nya lah sehingga kami bisa menyelesaikan Tugas yang
diamanahkan oleh Dosen pembimbing mata kuliah Machine Learning yang berjudul metode
perhitungan SAW ( Simple Additive Weighting ). Sholawat serta salam semoga senantiasa selalu
tercurahkan kepada Baginda Rasululllah, manusia mulia yang diutus oleh Allah sebagai pelita di
muka bumi ini. Manusia yang membawa kita dari zaman jahiliyah kepada zaman yang luar biasa
terang seperti sekarang ini.

Kami mengucapkan banyak terima kasih, terkhusus kepada dosen pembimbing mata
kuliah Machine Learning yang memberikan banyak masukan sehingga kami dapat
menyelesaikan makalah ini dengan baik, serta kepada beberapa referensi yang juga banyak
memberikan pengetahuan-pengetahuan baru bagi kami. Dan kami memohon maaf jika masih
banyak kekurangan yang terdapat dalam penyusunan makalah ini dan memohon saran agar
dalam penyususnan yang berikutnya dapat jauh lebih baik dari ini. Semoga makalah ini dapat
bermanfaat dalam proses perkuliahan Machine Learning.

Makalah ini berisikan tentang informasi pengertian metode perhitungan SAW ( Simple
Additive Weighting ), contoh dari perhitungan metode SAW (Simple Additive Weighting ) , selain
itu keuntungan dan kerugian dari metode perhitungan ini.

Selasa, 17 November 2020

Penulis

2
 DAFTAR ISI

KATA PENGANTAR........................................................................................................... 2

DAFTAR ISI......................................................................................................................... 3

BAB 1 PENDAHULUAN.................................................................................................... 4

1.1 Latar Belakang……………………………………………………………………....4

1.2 Rumusan Masalah..................................................................................................... 5

1.3 Tujuan....................................................................................................................... 5

1.4 Manfaat..................................................................................................................... 5

BAB 2 PEMBAHASAN....................................................................................................... 6

2.1 Pengertian Metode SAW............................................................................................ 6

2.2 Contoh Perhitungan Metode SAW….............................................................…….…7

2.3 Keuntungan dan Kerugian Metode SAW………..........................................…….…15

BAB 3 PENUTUP................................................................................................................ 16

3.1 Kesimpulan.............................................................................................................. 16

3.2 Saran........................................................................................................................ 16

DAFTAR PUSTAKA........................................................................................................... 17

3
 BAB 1

PENDAHULUAN

1.1.Latar Belakang

Perkembanagan keberadaan dan kebutuhan akan teknologi sangat berpengaruh terhadap

perkembanagn masyarakat. Pemanfaatan komputer sebagai alat bantu tidak diragukan lagi. Baik
sebagai media penerima data, pengolahan data dan penyimpana data. Sistem pendukung
keputusan dirancanag untuk mendukung seluruh tahapan pengambilan keputusan mulai dari
mengidentifikasi masalah, memilih data yang relevan, dan menentukan pendektan yang
digunakan dalam proses pengambilan keputusan msialnya dalam hal memberikan
hasil/keputusan yang diambil agar dapat dipertanggung jawabkan.

Saat ini kebutuhan akan pendidikan yang layak telah mengalami peningkatan. Banyaknya
para pendatang dari daerah lain untuk menempuh pendidikan yang lebih tinggi di Kudus
merupakan salah satu contoh bahwa masyarakat saat ini semakin sadar akan pentingnya
pendidikan. Seiring dengan banyaknya pendatang maka kebutuhan tempat tinggal sementara
(rumah kos) juga semakin meningkat. Terkadang mahasiswa tidak mengetahui daerah Kudus
tentunya akan menemui banyak kesulitan ataupun banyak kendala dalam memilih tempat kos.
Penentuan tempat kos yang harus dipilih oleh mahasiswa dipengaruhi oleh beberapa faktor
terdiri dari lokasi, fasilitas, dan harga. Metode SAW(Simple Additive Weighting) ini
mengharuskan pembuat keputusan menentukan bobot bagi setiap atribut. Skor total untuk
alternatif diperoleh dengan menjumlahkan seluruh hasil perkalian antara rating (yang dapat
dibandingkan lintas atribut) dan bobot tiap atribut.Rating tiap atribut haruslah bebas dimensi
dalam arti telah melewati proses normalisasi matriks sebelumnya.

Langkah Penyelesaian Simple Additive Weighting (SAW), sebagai berikut : menentukan

kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci. Menentukan
rating kecocokan setiap alternatif pada setiap kriteria. Membuat matriks keputusan berdasarkan
kriteria(Ci), kemudia melakukan normalisasi matriks berdasarkan persamaan 2 yang disesuaikan
dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks
ternormalisasi R. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian
matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih
sebagai alternatif terbaik (Ai),sebagai solusi. Berdasarkan urian diatas, maka penulis meakukuan
penelitian dengan judul: “Sistem Pendukung Keputusan Penyewaan Rumah Kost Metode SAW
(Simple Additive Weighting)”

4
 1.2.Rumusan Masalah

1. Pengertian tentang Perhitungan Metode SAW

2. Contoh Perhitungan Metode SAW

3. Keuntungan dan Kerugian Perhitungan Metode SAW

1.3.Tujuan

1. Agar Mahasiswa/i mengetahui pengertian dari Perhitungan Metode SAW

2. Agar Mahasiswa/i mengetahui Contoh Perhitungan Metode SAW

3. Agar Mahasiswa/i mengetahui Keuntungan dan Kerugian Perhitungan Metode SAW

1.4. Manfaat

Manfaat Akademis

1. Untuk menambah pengetahuan penulis serta pembaca dan juga sebagai sumber informasi
yang dapat digunakan untuk membantu pengembangan ilmu pengetahuan tentang Machine
Learning Perhitungan Metode SAW

· Manfaat Praktis

2. Sebagai informasi ilmiah yang dapat menjadi bahan acuan, sumbangan data dan informasi
tentang Perhitungan Metode SAW

5
 BAB 2

PEMBAHASAN

2.1 Pengertian Perhitungan Metode SAW

Algoritma SAW(Simple Additive Weighting) adalah salah satu algoritma yang digunakan
untuk pengambilan keputusan. Algoritma SAW juga dikenal dengan algoritma dengan metode
penjumlahan berbobot. Metode ini membutuhkan proses normalisasi matrix keputusan (x) ke
suatu skala yang dapat dibandingkan dengan semua rating alternatif yang ada. Pada artikel kali ini
saya akan memberikan contoh penerapan algoritma saw untuk pemilihan handphone.

Pertama tama kita akan tentukan dulu kriteria yang akan digunakan antara lain :

 harga (cost)

 ram (benefit)

 memory (benefit)

 processor (benefit)

 camera (benefit)

cost adalah biaya, dan benefit adalah keuntungan.

Selanjutnya tentukan bobot masing masing kriteria misalnya :

 harga = 0.3

6
  ram = 0.3

 memory = 0.15

 processor = 0.15

 camera = 0.1

2.2 Contoh Perhitungan Metode SAW

Data yang dibutuhkan untuk Metode SAW
Sebelum melakukan proses perhitungan, kita perlu menyiapkan data-data sebagai berikut:

1. Data Kriteria
Data Kriteria yang berisi kode, nama, atribut, bobot. Bobot kriteria menentukan seberapa
penting kriteria tersebut. Atribut kriteria terdiri dari benefit atau cost, dimana benefit artinya
semakin besar nilainya semakin bagus, sedangkan cost semakin kecil nilainya semakin bagus.
Kode Kriteria Nama Kriteria Atribut Bobot

C1 Penghasilan Orang Tua cost 25

C2 Semester benefit 20

C3 Tanggungan Orang Tua benefit 15

C4 Saudara Kandung benefit 10

C5 Nilai benefit 30

Berikut adalah contoh data kriteria spk metode saw pemberian beasiswa

Dari 5 kriteria tersebut hanya penghasilan orang tua yang menjadi atribut cost, karena semakin
besar penghasilan orang tua, maka semakin kecil kesempatan terpilih.

7
 2. Data Crips
Data Crips (nilai kriteria) yang berisi kode kriteira, keterangan, bobot. Crips bersifat optional
yaitu sebagai pembatas dari nilai setiap kriteria. Misal jika kriterianya adalah penghasilan, maka
cripsnya adalah:
 <= Rp 1.000.000 (bobot : 1)
 > Rp 1.000.000 dan <= Rp 2.000.000 (bobot: 2)
 > Rp 2.000.000 dan <= Rp 5.000.000 (bobot: 3), dan seterusnya.
Setiap crips memiliki bobot masing-masing seperti di dalam kurung di atas. Jika anda tidak
menggunakan crips, maka nilai gajinya langsung yang akan diproses dalam perhitungan SAW.
Sedangkan jika anda menggunakan crips, maka bobotnya itu yang akan digunakan untuk
perhitungan SAW. Tentunya keduanya bisa digunakan, tergantung kebutuhan dan keinginan
anda.

Perhatikan dalam pemberian bobot untuk setiap crips. Pemberian bobot juga berpengaruh
terhadap atribut dari kriteria. Jangan sampe terbalik dalam pemberian bobot terutama yang ber
atribut “cost”. Misal dalam pemberian kredit, kriteria penghasilan merupakan ” benefit” 
( semakin besar semakin bagus)  pada pemberian bobot crips tersebut sudah sesuai.
Misal dalam kasus SPK pemberian beasiswa, tentunya kriteria penghasilan akan menjadi “cost“
(semakin kecil semakin bagus), dan pemberian bobot crips juga diatas  sudah sesuai. Jangan anda
memberikan nilai bobot seperti berikut:
 <= Rp 1.000.000 (bobot : 3)
 > Rp 1.000.000 dan <= Rp 2.000.000 (bobot: 1)
 > Rp 2.000.000 dan <= Rp 5.000.000 (bobot: 1), dan seterusnya
Dari bobot diatas kalau sesuai pemikiran memang benar yaitu semakin kecil semakin bagus.
Tetapi karena di kriteria anda sudah membuat atribut penghasilan menjadi cost, maka di
pemberian nilai crips tidak usah dibalik lagi.
Kode Kriteria Nama Kriteria Crips Nilai

C1 Penghasilan Orang Tua <= Rp 1.000.000 20

C1 Penghasilan Orang Tua <= Rp 1.500.000 40

C1 Penghasilan Orang Tua <= Rp 3.000.000 60

C1 Penghasilan Orang Tua <= Rp 4.500.000 80

C1 Penghasilan Orang Tua > Rp 4.500.000 100

C2 Semester Semester 4 20

C2 Semester Semester 5 40

C2 Semester Semester 6 60

8
C2 Semester Semester 7 80

C2 Semester Semester 8 100

C3 Tanggungan Orang Tua 1 Orang 20

C3 Tanggungan Orang Tua 2 Orang 40

C3 Tanggungan Orang Tua 3 Orang 60

C3 Tanggungan Orang Tua 4 Orang 80

C3 Tanggungan Orang Tua > 4 Orang 100

C4 Saudara Kandung 1 Orang 20

C4 Saudara Kandung 2 Orang 40

C4 Saudara Kandung 3 Orang 60

C4 Saudara Kandung 4 Orang 80

C4 Saudara Kandung > 4 Orang 100

C5 Nilai < 2,75 20

C5 Nilai <3 40

C5 Nilai < 3,25 60

C5 Nilai < 3,5 80

C5 Nilai >= 3,5 100

Sehingga kesimpulannya jika anda menganggap suatu atribut itu cost, anda boleh mengisikannya
atribut cost di kriteria, atau membalik bobotnya di data crips (tidak keduanya).

9
 3. Data Alternatif
Data Alternatif merupakan alternatif yang akan dihitung nilainya dan dipilih sebagai alternatif
terbaik. Data alternatif biasanya berisi kode dan nama. Hal lainnya bisa menyesuaikan dengan
studi kasus. Misal kalau studi kasusnya adalah pemberian kredit, maka data alternatif adalah data
calon yang mengajukan kredit.
Kode Alternatif Nama Alternatif Keterangan

A1 Davolio

A2 Fuller

A3 Leverling

A4 Peacock

4. Data Nilai Alternatif

Nilai Alternatif mencatat nilai setiap alternatif berdasarkan semua data kriteria. Berikut contoh
nilai alternatif dari calon penerima beasiswa:
C1 C2 C3 C4 C5

A1 <= Rp 4.500.000 Semester 4 1 Orang 1 Orang < 2,75

A2 <= Rp 1.500.000 Semester 5 2 Orang 2 Orang <3

A3 <= Rp 3.000.000 Semester 6 3 Orang 3 Orang >= 3,5

A4 <= Rp 4.500.000 Semester 7 4 Orang 4 Orang < 3,5

A5 <= Rp 1.500.000 Semester 4 2 Orang 3 Orang >= 3,5

Perhitungan SAW

Setelah menyiapkan data, sekarang waktunya melakukan perhitungan SAW yang kita bagi
menjadi 3 langkah yaitu:

1. Tahap Analisa
Pada tahap ini anda mengubah nilai pada alternatif sesuai bobot pada data crips, sehingga
diperoleh data seperti tabel berikut:

10
 C1 C2 C3 C4 C5

A1 80 20 20 20 20

A2 40 40 40 40 40

A3 60 60 60 60 100

A4 80 80 80 80 80

A5 40 20 40 60 100

2. Tahap Normalisasi

Untuk melakukan normalisasi tabel pada tahap analisa, kita perlu memahami rumus berikut:

Penjelasan:

 benefit, setiap elemen matriks dibagi dengan max dari baris matriks
 cost, min dari kolom matriks dibagi dengan setiap elemen matriks.
Misal untuk kriteria C1, karena cost, maka kita cari min (80, 40, 60, 80, 40) = 40. Sehingga
untuk:
A1 = 40 / 80 = 0.5
A2 = 40 / 40 = 1
A3 = 40 / 60 = 0.667
A4 = 40 / 80 = 0.5
A5 = 40 / 80 = 1

Misal untuk kriteria C2, karena benefit, maka kita cari max (20, 40, 60, 80, 20) = 80. Sehingga
untuk:
A1 = 20/ 80 = 0.25
A2 = 40 / 80 = 0.5
A3 = 60/ 80 = 0.75
A4 = 80/ 80 = 1
A5 = 20 / 80 = 0.25

Begitu juga untuk kriteria C3, C4 dan C5 sehingga hasilnya adalah:

11
 C1 C2 C3 C4 C5

A1 0.5 0.25 0.25 0.25 0.2

A2 1 0.5 0.5 0.5 0.4

A3 0.667 0.75 0.75 0.75 1

A4 0.5 1 1 1 0.8

A5 1 0.25 0.5 0.75 1

3. Tahap Perangkingan

Pada tahap perangkingan, kita mengalikan bobot kriteria dengan setiap baris matriks nilai
normalisasi. Contoh untuk alternatif A1

A1 = (0.5 * 25) + (0.25 * 20) + (0.25 * 15) + (0.25 * 10) + (0.2 * 30) = 29,75

dimana 0.5, 0.25, 0.25, 0.25, 0.2 ada hasil normalisasi dari alternatif A1, dan 25, 20, 15, 10, 30
adalah bobot dari masing masing kriteria.

C1 C2 C3 C4 C5

Bobot 25 20 15 10 30 Total Rank

A1 0.5 0.25 0.25 0.25 0.2 29.75 5

A2 1 0.5 0.5 0.5 0.4 59.5 4

A3 0.667 0.75 0.75 0.75 1 80.4167 2

A4 0.5 1 1 1 0.8 81.5 1

A5 1 0.25 0.5 0.75 1 75 3

Sehingga jika dilakukan hal yang sama untuk alternatif yang lain hasilnya akan seperti berikut:

Dari hasil perangkingan dapat dilihat alternatif A3 mendapat nilai terbesar yaitu 80.417sehingga
menjadi rank 1 (alternatif terbaik).

12
 Metode Simple Additive Weighting (SAW) sering juga dikenal dengan istilah metode
Penjumlahan terbobot. Konsep dasar metode SAW adalah mencari Penjumlahan terbobot dari
rating kinerja pada setiap alternatif pada semua atribut. Berikut adalah penyelesain dengan
metode SAW dengan contoh soal seperti ini :
     Sebuah perusahaan akan melakukan rekrutmen  2 calon programmer.  Kriteria yang ada adalah
sebagai berikut. 

a)      Benefit

 Pengalaman kerja (C1)

 Pendidikan (C2)
b)      Cost

 Jarak tempat tinggal (C3)

 
     Ada lima pelamar dengan data seperti berikut :

Calon             Kriteria
C1 C2 C3
Justin 1 0,7 0,7
Indra 0,7 1 0,5
Roy 0,3 0,4 0,7
Merry 1 0,5 0,9
Dinda 0,7 0,3 0,7
Rasya 0,5 0,8 0,1
Robert 0,3 0,7 1
Tono 1 0,3 1

Dari masing-masing kriteria tersebut memiliki bobot seperti berikut ini :

Kriteria Bobot
C1 0,4
C2 0,3
C3 0,3
Total 1

Untuk menentukan pemohon penulis menggunakan metode SAW, berikut pembahasan tersebut
antara lain :

1.      Menghitung benefit dan cost dari kriteria dengan menggunakan rumus sebagai berikut :

  Benefit : Rii = ( Xij / max{Xij})
 Cost : Rii = (min{Xij} /Xij)

13
  

R11 =1/1=1 R21 =0,7/1=0,7 R31 =0,5/0,7=0,714

R12 =0,7/1=0,7 R22 =1/1=1 R32=0,5/0,5=1
R13 =0,3/1=0,3 R23 =0,4/1=0,4 R33=0,5/0,7=0,714
R14 =1/1=1 R24 =0,5/1=0,5 R34=0,5/0,9=0,556
R15 =0,7/1=0,7 R25 =0,3/1=0,3 R35=0,5/0,7=0,714
R16 =0,5/1=0,5 R26 =0,8/1=0,8 R36=0,5/0,5=1
R17 =0,3/1=0,3 R27 =0,7/1=0,7 R37=0,5/1=0,5
R18 =1/1=1 R28 =0,3/1=0,3 R38=0,51=0,5

2.      Kemudian menghitung nilai preferensi, dengan rumus sebagai berikut :

Dengan nilai W =0.4, 0.3, 0.3

Nilai Preferensi Perangkingan

V1 =(0,4*1)+(0,3*0,7)+(0,3*0,714) 2
=0,824
V2 =(0,4*0,7)+(0,3*1)+(0,3*1) 1
=0,880
V3 =(0,4*0,3)+(0,3*0,4)+(0,3*0,714) 8
=0,454
V4 =(0,4*1)+(0,3*0,5)+(0,3*0,556) 4
=0,717
V5 =(0,4*0,7)+(0,3*0,3)+(0,3*0,714) 6
=0,584
V6 =(0,4*0,5)+(0,3*0,8)+(0,3*1) 3
=0,740
V7 =(0,4*0,3)+(0,3*0,7)+(0,3*0,5) 7
=0,480
V8 =(0,4*1)+(0,3*0,3)+(0,3*0,5) 5
=0,640

Dari hasil tersebut, maka perangkingan dari rekruitment programmer adalah sebagai berikut :

Calon Programmer Rangking
Indra 1
Justin 2
Rasya 3
Merry 4
Tono 5
Dinda 6

14
 Robert 7
Roy 8

Maka didapat 2 calon programmer yang akan di rekrut menurut hasil perhitungan dengan

metode SAW antara lain : Indra dan Justin. Jadi itulah langkah-langkah penyelesaian dari
penggunaan metode SAW, sangat mudah bukan ?. Semoga bermamfaat.

2.3 Keuntungan dan Kerugian Metode SAW

Kelebihan dari  Metode SAW

1.      Menentukan nilai bobot untuk setiap atribut kemudian dilanjutkan dengan proses perankingan

yang akan menyeleksi alternatif terbaik dari sejumlah alternatif.

2.      Penilaian akan lebih tepat karena didasarkan pada nilai kriteria dari bobot preferensi yang sudah

ditentukan.

3.      Adanya perhitungan normalisasi matriks sesuai dengan nilai atribut (antara

nilai benefit dan cost).

           Kekurangan dari Metode SAW

1.      Digunakan pada pembobotan lokal.

2.      Perhitungan dilakukan dengan menggunakan bilangan crisp maupun fuzzy.

BAB 3

PENUTUP

3.1.Kesimpulan

15
 Metode Simple Additive Weighting Method (SAW) salah satu metode sistem pendukung
keputusan dalam pemecahan berbagai masalah pengambilan keputusan multi kriteria. Sistem ini
bersifat dinamis terhadap kriteria dan bobot preferensi dalam pengambilan keputusan sehingga
kriteria dan bobot preferensi dapat diubah sesuai dengan ketentuan yang berlaku.

3.2.Saran

Menurut kami Metode Simple Additive Weighting Method (SAW) dalam pemecahan
berbagai masalah pengambilan keputusan multi kriteria, bersifat dinamis,, dan banyak
keuntungan yang dapat di ambil dari metode ini.

DAFTAR PUSTAKA

[1] Anhar. (2010). Panduan Menguasai PHP dan MYSQL Secara Otodidak.

16
Jakarta : Mediakita.

[2] Efraim Turban, Jay E.Aronson dan Ting Peng Liang: Decision Support

Systems and Intelligent Systems, Edisi 7, Jilid 1, New Jersey: Pearson

Education, Inc , 2005, hal.19.

[3] Efraim Turban, Jay E.Aronson dan Ting Peng Liang: Decision Support

Systems and Intelligent Systems, Edisi 7, Jilid 1,New Jersey: Pearson

Education, Inc , 2005, hal.143-145.

[4] Kadarsah, Suryadi dan M. Ali Ramdani, 2002. Sistem Pendukung Keputusan:

Suatu Wacana Struktural Idealisasi dan Implementasi Konsep

Pengambilan Keputusan, Bandung: Remaja Rosdakarya

[5] Turban, Efraim, Jay E Aronson dan Ting Peng Liang, 2005. Decision Support

Systems and Intelligent Systems. 7th Edition. New Jersey: PrenticeHall.

[6] http://elib.unikom.ac.id/files/disk1/521/jbptunikompp-gdl-budinim101-26008-

6-unikom_b-i.pdf

[7] http://www.scribd.com/doc/37763961/Pengertian-MySQL

[8] http://elib.unikom.ac.id/files/disk1/525/jbptunikompp-gdl-sonysaeful-26234-

5-unikom_s-i.p

17