Disusun Oleh :
Ferli Armansyah
Galih Dewangga
Ilham Bastian
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.
Penulis
2
DAFTAR ISI
KATA PENGANTAR........................................................................................................... 2
DAFTAR ISI......................................................................................................................... 3
BAB 1 PENDAHULUAN.................................................................................................... 4
1.3 Tujuan....................................................................................................................... 5
1.4 Manfaat..................................................................................................................... 5
BAB 2 PEMBAHASAN....................................................................................................... 6
BAB 3 PENUTUP................................................................................................................ 16
3.1 Kesimpulan.............................................................................................................. 16
3.2 Saran........................................................................................................................ 16
DAFTAR PUSTAKA........................................................................................................... 17
3
BAB 1
PENDAHULUAN
1.1.Latar Belakang
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.
4
1.2.Rumusan Masalah
1.3.Tujuan
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
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)
harga = 0.3
6
ram = 0.3
memory = 0.15
processor = 0.15
camera = 0.1
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
C2 Semester benefit 20
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
C2 Semester Semester 4 20
C2 Semester Semester 5 40
C2 Semester Semester 6 60
8
C2 Semester Semester 7 80
C5 Nilai <3 40
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
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
11
C1 C2 C3 C4 C5
A4 0.5 1 1 1 0.8
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
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
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
Untuk menentukan pemohon penulis menggunakan metode SAW, berikut pembahasan tersebut
antara lain :
13
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
Calon Programmer Rangking
Indra 1
Justin 2
Rasya 3
Merry 4
Tono 5
Dinda 6
14
Robert 7
Roy 8
1. Menentukan nilai bobot untuk setiap atribut kemudian dilanjutkan dengan proses perankingan
2. Penilaian akan lebih tepat karena didasarkan pada nilai kriteria dari bobot preferensi yang sudah
ditentukan.
nilai benefit dan cost).
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
[3] Efraim Turban, Jay E.Aronson dan Ting Peng Liang: Decision Support
[4] Kadarsah, Suryadi dan M. Ali Ramdani, 2002. Sistem Pendukung Keputusan:
[5] Turban, Efraim, Jay E Aronson dan Ting Peng Liang, 2005. Decision Support
[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