SPK 456 2020 Bambang

Turban, Aronson, and Liang
Decision Support Systems and Intelligent Systems,

Seventh Edition
1
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
1. Introduction –
8. MID TEST MSS Overview
9. DSS Development
(ch 6)
2. Decision Making- System
Modeling and Support (ch 2)
10. Group Decision

Support System &
Executive Information
System (ch 7 & 8)
3. Decision Support
System (ch 3)
DSS
11. Knowledge Management
(ch 9)
4, 5 & 6 . Modeling &

Analysis (ch 4)
12-14 PRESENTATION
7. Business Intellegence : Data

warehouse, Data Acquisition,
15.FINAL TEST Data Mining (ch 5)
MK. DSS Bambang S,S.Kom, MM, M.Kom

2
1
MSS Modeling
 Elemen utama dalam DSS
 Berbagai jenis model
 Setiap model memiliki teknik yang berbeda
 Memungkinkan adanya pengkajian ulang
untuk alternatif solusi
 Seringkali sebuah DSS melibatkan Multiple
models
 Trend menuju transparansi
 Multidimensional modeling ditunjukkan seperti
halnya spreadsheet
Simulasi
 Menelusuri masalah
 Mengidentifikasi alternatif solusi
 Dapat berorientasi obyek
 Meningkatkan proses pengambilan
keputusan
 Memberikan gambaran dampak dari
alternatif keputusan
2
DSS Models
 Algorithm-based models
 Statistic-based models
 Linear programming models
 Graphical models
 Quantitative models
 Qualitative models
 Simulation models
Identifikasi Masalah
 Memahami dan menganalisa lingkungan
luar
 Business intelligence
 Mengidentifikasi variable dan hubungan
 Influence diagrams
 Cognitive maps
 Forecasting
 Ditingkatkan dengan e-commerce
 Meningkatkan jumlah informasi yang
tersedia melalui teknologi
3
Kategori Model
Static Models
 Gambaran sederhana dari situasi
 Single interval
 Time can be rolled forward, a photo at a
time
 Biasanya berulang
 Steady state
 Optimal operating parameters
 Continuous
 Unvarying
 Primary tool for process design
Contoh : solusi Inventory, Banking, Pos
4
Dynamic Model
 Merepresentasikan situasi yang kerap
berubah
 Time dependent
 Kondisi yang beragam
 Generate dan menggunakan trends
 Suatu kejadian mungkin saja tak
berulang
Contoh : solusi terkait pasar Modal, uang, investasi

Decision-Making
 Certainty (Kepastian)
 Diasumsikan sebagai knowledge utuh
 Dapat mengetahui semua hasil yang
potensial
 Mudah digunakan
 Dapat menentukan solusi ulang dengan
mudah
 Sangat kompleks
Contoh : solusi Inventory, Banking, Pos

5
Decision-Making
 Uncertainty (Ketidak pastian)
 Beberapa hasil untuk setiap keputusan
 Kemungkinan yang terjadi untuk setiap hasil
tidak dapat diketahui
 Informasi yang tidak mencukupi
 Membutuhkan resiko dan keinginan untuk
mengambil resiko
 Pendekatan Pessimistic/optimistic

Decision-Making
 Probabilistic Decision-Making
 Keputusan yang beresiko
 Probabilitas dari beberapa hasil yang
memungkinkan bisa saja terjadi
 Analisa Resiko
○ Menghitung nilai untuk setiap alternatif
○ Memilih nilai terbaik

6
Influence Diagrams
 Model disajikan dengan grafis
 Menyediakan relationship framework
 Menguji ketergantungan antar variabel
 Semua level disajikan detail
 Menunjukkan dampak perubahan
 Menunjukkan what-if analysis
Influence Diagrams
Variables:
Intermediate Result atau
Decisi atau outcome
uncontrollable (intermediate atau
on final)
Tanda panah mengindikasikan jenis hubungan dan

arah dari pengaruh
Amount Interest
Certain in CDs earned
ty
Sales
Uncertai Price
nty
7
Influence Diagrams
~
Random Demand
Sales
(risk)
Sleep all
Place tilde above day
variable’s name
Graduate Get job
Preference University
(double line arrow) Ski all
day
Anak panah bisa satu atau dua arah,

tergantung pada arah dari pengaruh
An Influence Diagram For Profit Model
8
Modeling dengan Spreadsheets

 Fleksibel dan mudah
 End-user modeling tool
 Memungkinkan penggunaan linear
programming dan analisa regresi
 Meliputi what-if analysis, data
management, macros
 Sempurna dan transparan
 Memasukkan Model Statis dan Dinamis
9
Decision Tables
 Analisa keputusan untuk multi kriteria
 Meliputi:
 Decision variables (alternatif)
 Uncontrollable variables (Variabel tak
terkontrol)
 Result variables (Variabel Hasil)
 Menerapkan prinsip-prinsip certainty,
uncertainty, and risk
Decision Tree
 Penggambaran dari beberapa hubungan
 Pendekatan multi kriteria
 Menunjukkan hubungan yang kompleks
 Tidak praktis, bila terlalu banyak
alternatif
10
MSS Mathematical Models

 Menyatukan decision variables,
uncontrollable variables, parameters, dan
result variables
 Decision variables menggambarkan alternatif
pilihan.
 Uncontrollable variables adalah sesuatu yang
berada diluar kemampuan decision-maker.
 Faktor tetap adalah parameter.
 Intermediate outcomes adalah intermediate
result variables.
 Result variables tergantung pada solusi terpilih
dan uncontrollable variables.
MSS Mathematical Models
 Nonquantitative models
 Hubungan Simbolis
 Hubungan Kualitatif
 Hasil akan tergantung pada
○ Keputusan yang dipilih
○ Faktor-faktor diluar kemampuan decision
maker
○ Hubungan antar variabel
11
Gambaran Umum Quantitative Model
Variabel Hasil (Result Variables)

Variabel ini merefleksikan efektivitas dari sistem. Variabel hasil tergantung
pada variabel keputusan dan variabel tak terkontrol.
Variabel Keputusan (Decision Variables)

Menggambarkan alternatif tindakan/aksi. Harga dari variabel ini ditentukan
oleh pengambil keputusan.
Variabel tak terkontrol (Uncontrollable Variables or Parameters)

Faktor yang mempengaruhi variabel hasil tapi tidak dalam kendali pengambil
keputusan. Faktor ini bisa tetap -> parameter, juga bisa bervariasi -> variabel.
Variabel Antara (Intermediate Variables)

Variabel yang menghubungkan variabel keputusan dengan variabel hasil.
Sebagai contoh:
Gaji atau penghasilan (variabel keputusan), kepuasan karyawan (variabel
antara) dan tingkat produktivitas (Variabel hasil)
12
QUIZ
AREA Decision Result Uncontrollable

Variable Variable Variable
IT
Purchasing
Penjualan
Mathematical Programming
 Tools untuk menyelesaikan masalah
manajerial
 Decision-maker harus mengalokasikan
sumber daya
 Optimisasi tujuan tertentu
 Linear programming
 Terdiri dari decision variables, objective function
and coefficients, uncontrollable variables
(constraints), capacities, input and output
coefficients
13
Multiple Goals
 Seringkali manajemen menginginkan
tujuan yang dapat saling menimbulkan
konflik
 Sulit menentukan ukuran efektifitas
 Metode Penanganan:
 Utility theory
 Goal programming
 Linear programming with goals as constraints
 Point system
Sensitivity, What-if, and Goal Seeking

Analysis
 Sensitivity
 Mengkaji dampak dari perubahan input atau parameter terhadap
solusi
 Dapat disesuaikan dan fleksibel
 Mengurangi variabel
 Otomatis atau trial and error
 What-if
 Mengkaji solusi berdasarkan pada perubahan variabel atau
asumsi
 Struktur : “What will happen to the solution if an input variable, an
assumption, or a parameter value is changed?”
 Goal seeking
 Pendekatan mundur (Backwards approach), dimulai dengan
tujuan
 Menentukan nilai input yang diperlukan untuk mencapai tujuan
MK. DSS Contoh: PenentuanBambang
break-even
S,S.Kom, point
MM, M.Kom
14
Search Approaches
 Teknik Analisis (algoritma) untuk masalah
terstruktur
 General, step-by-step search
 Mencapai solusi yang optimal
 Blind search
 Complete enumeration
○ Semua alternatif dipertimbangkan dan sehingga
solusi optimal dapat ditemukan.
 Incomplete/Partial search
○ Dikerjakan sampai menemukan solusi yang “good
enough”.
 Mencapai tujuan tertentu
MK. DSS Mungkin mencapai tujuan yang optimal
Bambang S,S.Kom, MM, M.Kom
Search Approaches
 Heurisitic
 Repeated, step-by-step searches
 Rule-based, hanya digunakan untuk situasi
tertentu
 Solusi yang “Good enough” , tetapi, akhirnya
mencapai tujuan yang optimal
 Contoh heuristics
○ Tabu search
 Mengingat dan mengarahkan pada pilihan yang lebih
berkualitas
○ Genetic algorithms
 Menjalankan solusi dan mutasi secara random
15
Simulations
 Bentuk imitasi dari kenyataan
 Memungkinkan eksperimentasi dan waktu yang lebih singkat
 Deskriptif, bukan normatif
 Mencakup kompleksitas, tetapi membutuhkan keterampilan
khusus
 Menangani masalah tidak terstruktur
 TIdak menjamin tercapainya solusi optimal
 Metodologi
 Mendefinisikan masalah
 Membuat model
 Testing dan validasi
 Merancang eksperimen
 Eksperimentasi
 Evaluasi
 Implementasi
16
Simulations
 Probabilistic independent variables
 Discrete or continuous distributions
 Time-dependent atau time-independent
 Visual interactive modeling
 Grafis
 Decision-makers berinteraksi dengan
simulated model
 Dapat digunakan dengan artificial
intelligence
 Dapat berorientasi obyek
Proses Simulasi
17
Model-Based Management System
 Software yang memungkinkan pengaturan

model dengan transparent data
processing
 Kemampuan
 DSS user memiliki kontrol
 Fleksibel dalam merancang
 Memberikan feedback
 GUI based
 Pengurangan redundancy
 Meningkatkan konsistensi
MK. DSS
 Komunikasi antar model kombinasi
Model-Based Management System
 Relational model base management

system
 Virtual file
 Virtual relationship
 Object-oriented model base management
system
 Logical independence
 Database and MIS design model systems
 Data diagram, ERD diagrams managed by
CASE tools
18
Metode-metode DSS
 Decision Table (Table Keputusan)
 Decision Tree (Pohon Keputusan)
 ANP (Analytical Network Process)
 AHP (Analytical Hirarcy Process)
 CPI (Composite Performance Index)
 Electre
 GAP
 Promethee (Preference Ranking Organization METHod for
Enrichment Evaluation)
 SAW
 TOPSIS (T echnique for Order of Preference by Similarity
to Ideal Solution)
 WP (Weighted Product)

37
Tabel Keputusan
 Tabel keputusan merupakan metode
pengambilan keputusan yang cukup
sederhana.
 Metode ini menggunakan bantuan tabel yang
berisi hubungan antara beberapa atribut yang
mempengaruhi atribut tertentu.
 Umumnya, tabel keputusan ini digunakan
untuk penyelesaian masalah yang tidak
melibatkan banyak alternatif.
19
Tabel Keputusan
 Pada tabel keputusan, nilai kebenaran suatu
kondisi diberikan berdasarkan nilai logika dari
setiap atribut Ek.
 Hanya ada dua nilai kebenaran, yaitu Ek =
benar atau Ek = salah.
 Secara umum, tabel keputusan berbentuk:
D = E {E1, E2, ..., EK}
dengan D adalah nilai kebenaran suatu
kondisi, dan Ei adalah nilai kebenaran atribut
ke-i (i = 1, 2, ... K).
Tabel Keputusan
 Contoh-1:
 Jurusan Teknik Informatika akan melakukan
rekruitmen asisten untuk beberapa laboratorium
di lingkungannya.
 Persyaratan untuk menjadi asisten di suatu
laboratorium ditentukan oleh nilai beberapa
matakuliah.
 Setiap laboratorium dimungkinkan memiliki syarat
nilai yang berbeda.
20
Tabel Keputusan
Variabel
Ekspresi Logika
Logika
E1 Memiliki IPK > 3,00
E2 Minimal tengah duduk di semester 3
E3 Nilai matakuliah algoritma pemrograman = A
E4 Nilai matakuliah kecerdasan buatan = A
E5 Nilai matakuliah basisdata = A
E6 Nilai matakuliah grafika komputer = A
E7 Nilai matakuliah jaringan komputer = A
E8 Nilai matakuliah informatika kedokteran minimal B
A. Budi, Smster 5, E3=B, E4=A ?
Tabel Keputusan B.
C.
Dian, Smster 3, E3=C, E5=A?
Faida, smtsr 2, E3=A, E4=A ?
D. Fadhel , smtsr 6, E3=C, E8=A ?
Atribut*
No Laboratorium
E1 E2 E3 E4 E5 E6 E7 E8
Pemrograman &
1 Y Y Y
Informatika Teori
2 Y Y Komputasi & Sist. Cerdas
3 Y Y Y Sistem Informasi & RPL
4 Y Y Grafika & Multimedia
5 Y Y Y Sistem & Jaringan Komp.
6 Y Y Y Informatika Kedokteran
21
Tabel Keputusan
 Kombinasi untuk semua Ei (i=1,2,...,8) pada aturan
tersebut merupakan pengetahuan untuk menentukan
pemilihan asisten laboratorium.
 Sebagai contoh untuk laboratorium Pemrograman &
Informatika Teori dapat digunakan aturan pertama, yaitu:
 Untuk laboratorium Informatika Kedokteran dapat

digunakan aturan ke-6, ke-7, ke-8, dan ke-9, yaitu:
dengan adalah operator AND; dan + adalah operator OR.
Tabel Keputusan
 Contoh-2:
 Suatu institusi pendidikan tinggi akan memberikan penilaian
terhadap produktivitas staf pengajarnya dalam waktu 1 tahun.
 Ada 5 kriteria yang akan diberikan, yaitu: tidak produktif, kurang
produktif, cukup produktif, produktif, dan sangat produktif.
 Atribut yang digunakan untuk memberikan penilaian adalah
sebagai berikut.
○ C1 = jumlah karya ilmiah yang dihasilkan
○ C2 = jumlah diktat (bahan ajar) yang dihasilkan
○ C3 = jumlah buku referensi yang dihasilkan
22
Budi, C1=4, C2=3, C3=1

Tabel Keputusan Fadhel, C1=2, C2=1,C3=0
Atribut
Kategori
C1 C2 C3
Sangat Produktif >6 >2 1
Produktif 5 atau 6 2 Tidak
dipertimbangkan
Cukup Produktif 3 atau 4 1 Tidak
dipertimbangkan
Kurang Produktif 1 atau 2 Tidak Tidak
dipertimbangkan dipertimbangkan
Tidak Produktif 0 0 0
Tabel Keputusan
 Nilai ”Tidak dipertimbangkan” berarti berapapun
nilainya diperbolehkan.
 Sedangkan nilai 0 berarti, tidak menghasilkan.
 Misalkan seorang staf bernama Edi, telah
menghasilkan karya ilmiah sebanyak 3 karya,
diktat sebanyak 2 karya, dan tidak menghasilkan
buku referensi, maka Edi termasuk dalam
kategori ”Cukup Produktif”.
 Jawab :
 D = (C1 > 6 * C2>2 * C3>=1) + (C1 = 5 or 6 * C2>=2 * C3>=0 ) +
 (C1 = 3 or 4 * C2 >=1 * C3 >= 0) + dst……
23
Pohon Keputusan
 Pohon keputusan adalah salah satu metode
penyelesaian masalah keputusan dengan cara
merepresentasikan pengetahuan dalam bentuk
pohon.
 Suatu pohon memiliki conditional node yang
menunjukkan kebenaran suatu ekspresi atau
atribut.
 Conditional node tersebut memberikan beberapa
kemungkinan nilai, dapat berupa nilai boolean
(Benar atau Salah), atau beberapa alternatif nilai
yang mungkin dimiliki oleh suatu atribut, misal
untuk atribut Tekanan Darah (Rendah, Normal,
Tinggi).
Pohon Keputusan
 Contoh:
 Untuk kasus pemilihan dosen produktif akan
dibuat pohon keputusannya.
24
Pohon Keputusan
Atribut
Kategori C1
(Pengajaran C2 (PKM) C3 (Penelitian)
)
Sangat Produktif >6 >2 1
Produktif 5 atau 6 2 Tidak
dipertimbangkan
Cukup Produktif 3 atau 4 1 Tidak
dipertimbangkan
Kurang Produktif 1 atau 2 Tidak Tidak
dipertimbangkan dipertimbangkan
Tidak
MK. DSS Produktif 0 0 0
Budi, C1=4, C2=3, C3=1

Pohon Keputusan Fadhel, C1=2, C2=1,C3=0
25
Simple Additive Weighting (SAW)

 Metode Simple Additive Weighting (SAW) sering
juga dikenal istilah metode penjumlahan
terbobot.
 Konsep dasar metode SAW adalah mencari
penjumlahan terbobot dari rating kinerja pada
setiap alternatif pada semua atribut (Fishburn,
1967)(MacCrimmon, 1968).
 Metode SAW membutuhkan proses normalisasi
matriks keputusan (X) ke suatu skala yang
dapat diperbandingkan dengan semua rating
alternatif yang ada.

 Formula untuk melakukan normalisasi tersebut
adalah sebagai berikut:
dengan rij adalah rating kinerja ternormalisasi

dari alternatif Ai pada atribut Cj; i=1,2,...,m dan
j=1,2,...,n. (i=baris, j=kolom)
26

Catatan :
Cara menentukan Benefit dan Cost adalah sbb:
Benefit : Jika kriteria ini mempunyai nilai yg lebih besar maka lebih baik
Cost : Jika kriteria ini mempunyai nilai lebih kecil maka lebih baik
Contoh : Kriteria Nilai, Daya Dukung, Prioritas, Kecepatan, Kebersihan
Nilai (Benefit) Daya Dukung (Benefit) Prioritas (cost) Kecepatan (?) Kebersihan (?)
Nilai A =80-100 1 = Kurang mendukung 1 = Sangat Prioritas 1=Kurang Cepat 1=Sangat Bersi
Nilai B =70-79 2 = Cukup Mendukung 2 = Prioritas 2 = Cepat 2=Bersih
Nilai C=60-69 3 = Sangat mendukung 3=Cukup Prioritas 3 = Sangat cepat 3=Cukup bersih
Nilai D=50-59 4=Kotor
Nilai E < 50

 Nilai preferensi untuk setiap alternatif (Vi)
diberikan sebagai:
 Nilai Vi yang lebih besar mengindikasikan

bahwa alternatif Ai lebih terpilih.
27

 Contoh-1:
 Suatu institusi perguruan tinggi akan memilih seorang
karyawannya untuk dipromosikan sebagai kepala unit
sistem informasi.
 Ada empat kriteria yang digunakan untuk melakukan
penilaian, yaitu:
○ C1 = tes pengetahuan (wawasan) sistem informasi
○ C2 = praktek instalasi jaringan
○ C3 = tes kepribadian
○ C4 = tes kepemimpinan

 Pengambil keputusan memberikan bobot untuk setiap
kriteria sebagai berikut: C1 = 35%; C2 = 25%; C3 = 25%;
dan C4 = 15%.
 Ada enam orang karyawan yang menjadi kandidat
(alternatif) untuk dipromosikan sebagai kepala unit, yaitu:
○ A1 = Indra,
○ A2 = Roni,
○ A3 = Putri,
○ A4 = Dani,
○ A5 = Ratna, dan
○ A6 = Mira.
28

 Tabel nilai alternatif di setiap kriteria:
Kriteria
Alternatif
C1 C2 C3 C4
Indra 70 50 80 60
Roni 50 60 82 70
Putri 85 55 80 75
Dani 82 70 65 85
Ratna 75 75 85 74
Mira 62 50 75 80

 Normalisasi:
dst
29

 Hasil normalisasi:

 Proses perankingan dengan menggunakan bobot
yang telah diberikan oleh pengambil keputusan: w
= [0,35 0,25 0,25 0,15]
 Hasil yang diperoleh adalah sebagai berikut:
30

 Nilai terbesar ada pada V5 sehingga alternatif A5
adalah alternatif yang terpilih sebagai alternatif
terbaik.
 Dengan kata lain, Ratna akan terpilih sebagai
kepala unit sistem informasi.

 Contoh-2:
 Sebuah perusahaan makanan ringan XYZ akan
menginvestasikan sisa usahanya dalam satu
tahun.
 Beberapa alternatif investasi telah akan
diidentifikasi. Pemilihan alternatif terbaik ditujukan
selain untuk keperluan investasi, juga dalam
rangka meningkatkan kinerja perusahaan ke
depan.
31

 Beberapa kriteria digunakan sebagai bahan
pertimbangan untuk mengambil keputusan, yaitu:
○ C1 = Harga, yaitu seberapa besar harga barang
tersebut. (cost)
○ C2 = Nilai investasi 10 tahun ke depan, yaitu
seberapa besar nilai investasi barang dalam
jangka waktu 10 tahun ke depan. (benefit)

○ C3 = Daya dukung terhadap produktivitas
perusahaan, yaitu seberapa besar peranan
barang dalam mendukung naiknya tingkat
produktivitas perusahaan. Daya dukung diberi
nilai: 1 = kurang mendukung, 2 = cukup
mendukung; dan 3 = sangat mendukung. (benefit)
○ C4 = Prioritas kebutuhan, merupakan tingkat
kepentingan (ke-mendesak-an) barang untuk
dimiliki perusahaan. Prioritas diberi nilai: 1 =
sangat berprioritas, 2 = berprioritas; dan 3 = cukup
berprioritas. (cost)
32

○ C5 = Ketersediaan atau kemudahan, merupakan
ketersediaan barang di pasaran. Ketersediaan diberi
nilai: 1 = sulit diperoleh, 2 = cukup mudah diperoleh;
dan 3 = sangat mudah diperoleh. (benefi)
 Dari pertama dan keempat kriteria tersebut, kriteria
pertama dan keempat merupakan kriteria biaya,
sedangkan kriteria kedua, ketiga, dan kelima
merupakan kriteria keuntungan.
 Pengambil keputusan memberikan bobot untuk
setiap kriteria sebagai berikut: C1 = 25%; C2 =
15%; C3 = 30%; C4 = 25; dan C5 = 5%.

 Ada empat alternatif yang diberikan, yaitu:
○ A1 = Membeli mobil box untuk distribusi barang ke
gudang;
○ A2 = Membeli tanah untuk membangun gudang
baru;
○ A3 = Maintenance sarana teknologi informasi;
○ A4 = Pengembangan produk baru.
33

 Nilai setiap alternatif pada setiap kriteria:
Kriteria
Alternatif C1 C2
C3 C4 C5
(juta Rp) (%)
A1 150 15 2 2 3
A2 500 200 2 3 2
A3 200 10 3 1 3
A4 350 100 3 1 2

 Normalisasi:
 dst
34

 Hasil normalisasi:

 Proses perankingan dengan menggunakan bobot yang
telah diberikan oleh pengambil keputusan:
w = [0,25 0,15 0,30 0,25 0,05]
 Hasil yang diperoleh adalah sebagai berikut:
 Nilai terbesar ada pada V3 sehingga alternatif A3 adalah

alternatif yang terpilih sebagai alternatif terbaik. Dengan
kata lain, maintenance sarana teknologi informasi akan
terpilih sebagai solusi untuk investasi sisa usaha
35
Metode AHP (Analytical Hyrarcy Process)

 Dikembangkan oleh oleh Prof. Thomas L. Saaty
 Algoritma pengambilan keputusan untuk
permasalahan multikriteria (Multi Criteria Decision
Making atau MCDM).
 Konsep dasar AHP adalah penggunaan
matriks pairwise comparison (Matriks
perbandingan berpasangan) untuk menghasilkan
bobot relative antar kriteria maupun alternative.

71

Tingkat Kepentingan Definisi Keterangan
Kedua elemen mempunyai pengaruh yang sama
1 Sama Pentingnya
Pengalaman dan penilaian sangat memihak satu elemen dibandingkan dengan
3 Sedikit lebih penting pasangannya
Satu elemen sangat disukai dan secara praktis dominasinya sangat nyata,
5 Lebih Penting dibandingkan dengan elemen pasangannya.
Satu elemen terbukti sangat disukai dan secara praktis dominasinya sangat nyata,
7 Sangat Penting dibandingkan dengan elemen pasangannya.
Satu elemen terbukti mutlak lebih disukai dibandingkan dengan pasangannya, pada
9 Mutlak lebih penting keyakinan tertinggi.
Diberikan bila terdapat keraguan penilaian di antara dua tingkat kepentingan yang
2,4,6,8 Nilai Tengah berdekatan.
Tabel Skala dasar perbandingan berpasangan (Saaty, 1986)

•Penilaian dalam membandingkan antara satu kriteria dengan kriteria yang
lain adalah bebas satu sama lain, dan hal ini dapat mengarah pada ketidak
konsistensian.

72
36

f. Hitung bobot
a. Mendifinisikan g. Perangkingan
alternatif pilihan
Masalah kedalam berdasarkan
berdasarkan Kriteria
Hirarki Alternatif “X”
“X”
Dilakukan
berulang sampai
b. Menyusun kriteria- semua kriteria
kriteria dengan e. Susunan hierarki
yang baru (lengkap dihitung
matrik Pairwase
dengan bobot kriteria
Comparison
d. Cek Ratio
c. Hitung bobot
Konsistensi /
kriteria (priority
Consitency Ratio Tahapan perhitungan metode
vector)
(CR) AHP
1. nilai setiap 2. Hitung nilai 1. Menentukan

2. Hitung Indeks 3. Hitung Rasio
kolom matrik rata-rata dari nilai Eigen
Maksimum Konsistensi (CI) Konsistensi
Pairwase penjumlahan (CR) =CI/RI
comparison setiap baris matrik (λmaks).

73

•Saaty (1990) telah membuktikan bahwa indeks konsistensi dari matrik ber ordo
n dapat diperoleh dengan rumus :
CI = (λmaks-n)/(n-1)................................................... (1)
Dimana :
CI = Indeks Konsistensi (Consistency Index)
λmaks = Nilai eigen terbesar dari matrik berordo n
•Nilai eigen terbesar didapat dengan menjumlahkan hasil perkalian jumlah kolom
dengan eigen vector.
•Batas ketidak konsistensian di ukur dengan menggunakan rasio konsistensi (CR),

yakni perbandingan indeks konsistensi (CI) dengan nilai pembangkit random (RI).
Nilai ini bergantung pada ordo matrik n.

74
37

•Batas ketidak konsistensian di ukur dengan menggunakan rasio konsistensi (CR),
yakni perbandingan indeks konsistensi (CI) dengan nilai pembangkit random (RI).
Nilai ini bergantung pada ordo matrik n.
Rasio konsistensi dapat dirumuskan :
CR = CI/RI............................................................... (2)
Bila nilai CR lebih kecil dari 10%, ketidak konsistensian pendapat masih dianggap
dapat diterima.
Tabel . Daftar Indeks random konsistensi (RI)

75

 Permasalahan multikriteria dalam AHP
disederhanakan dalam bentuk hierarki
yang terdiri dari 3 komponen utama :
 Goal / Tujuan
 Kriteria Penilaian
 Alternatif pilihan

76
38
Langkah Metode AHP :

Problem :
Fadhel ingin membeli mobil. Adapun alterntif pilihan mobil yang akan dibeli
Fadhel adalah Toyota, Honda, Daihatsu, dan Suzuki. Sedangkan kriteria
penilaian yang dipertimbangkan Fadhel untuk membeli mobil adalah style,
reliability, fuel economy.
Langkah-2 Penyelesaian Masalah :

a.Mendefinisikan Masalah
Mendefinisikan masalah dan menentukan solusi yang diinginkan, lalu

menyusun hirarki dari permasalahan yang dihadapi.

77

a.Mendefinisikan Masalah (lanjutan)
Goal
Kriteria
Toyota Honda Daihatsu Suzuki Alternatif pilihan

78
39

b. Menyusun kriteria-kriteria dengan matrik perbandingan berpasangan
(matrik Pairwise Comparison) (skala Saaty).
Style Reliability Fuel

Economy
Style 1 1/2 3
Reliabilty 2 1 4
Fuel Economy 1/3 1/4 1
Kriteria :
•Reliability 2 x lebih utama/ penting dibandingkan style
•Reliability 4 x lebih utama/ penting dari fule economy
•Style 3 x lebih utama/ penting dari Fuel economy

79

c. Hitung bobot kriteria (priority vector) dengan cara :
1) Normalisasi nilai setiap kolom matrik perbandingan berpasangan
dengan membagi setiap nilai pada kolom matrik dengan hasil
penjumlahan kolom yang bersesuaian.
Style Reliability Fuel

Economy
Style 1/3,33 =0,3 0,5/1.75=0,29 3/8=0,38
Reliabilty 2/3,33 = 0,6 1/1,75 =0,57 4/8 = 0,5
Fuel Economy 0,33/3,33=0,1 0,25/1,75=0,14 1/8 = 0,1
Colums Sums 1,00 1,00 1,00

80
40

c. Hitung bobot kriteria (priority vector) dengan cara (lanjutan) :
2) Hitung nilai rata-rata dari penjumlahan setiap baris matrik
Style Reliability Fuel Economy Rows Average (X)
Style 1/3,33 =0,3 0,5/1.75=0,29 3/8=0,38 0,32

Reliabilty 2/3,33 = 0,6 1/1,75 =0,57 4/8 = 0,5 Row 0,56
Average
Fuel Economy 0,33/3,33=0,1 0,25/1,75=0,14 1/8 = 0,1 0,11
Colums 1,00 1,00 1,00 1,00
Sums
X=Priority Vektor
(Eignen Veoktor
Normalisasi)
81

d. Cek Ratio Konsistensi / Consitency Ratio (CR) dari matrik
perbandingan berpasangan kriteria. Jika CR > 0.1 maka harus diulang
kembali perbandingan berpasangan sampai didapat CR <= 0.1.
1. Menentukan nilai Eigen Maksimum (λmaks).
λmaks diperoleh dengan menjumlahkan hasil perkalian jumlah kolom matrik Pairwise
Comparison ke bentuk desimal dengan vector eigen normalisasi.
λmaks = (3,33 * 0,32) + ( 1, 75 * 0,56) + ( 8,00 * 0,11) = 1,07 + 0,98 + 0,88 = 2,93
2. Menghitung Indeks Konsistensi (CI)
CI = (λmaks-n)/(n-1) = (2,93 – 3) / (3-1) = - 0,035
3. Rasio Konsistensi (CR) =CI/RI, nilai RI untuk n = 3 adalah 0,58 (lihatDaftar Indeks
random konsistensi (RI))
CR = - 0,035 / 0,58 = - 0,0603
Karena CR (-0,0603) < 0,100 berarti pembobotan adalah konsisten
82
41

e. Susunan hierarki yang baru (lengkap dengan bobot kriteria)
Criteria Weight
Style 0,3
Reliabilty 0,6
Fuel Economy 0,1
Didapat dari poin c) (pembualatan bobot Kriteria)

83

1. Perhitungan bobot alternatif untuk kriteria Style
Style Toyota Honda Daihatsu Suzuki
Toyota 1 1/4 4 1/6

Toyota 1,00 0,25 4,00 0,166
1 Honda 4 1 4 ¼ 2 Honda 4,00 1,00 4,00 0,25
Daihatsu 1/4 1/4 1 1/5 Daihatsu 0,25 0,25 1,00 0,20

Suzuki 6 4 5 1 Suzuki 6,00 4,00 5,00 1,00
Columns Sum 11,25 5,50 14 1,616
Kriteria Style (kita tentukan – bebas):
•Honda 4 x lebih style dari Toyota, & Daihatsu
•Suzuki 6 x lebih style dari Toyota, 4 x lebih style dari Honda Normalized column sum
3
•Toyota 4 x lebih style dari Daihatus

* Suzuki 5 x lebih style dari Daihatus,
Toyota 1/11,25=0,088 0,25/5,5=0,045 4/14=0,285 0,166/1,616= 0,103

Honda 4/11,25=0,355 1/5,5=0,181 4/14=0,285 0,25/1,616=0,154
Daihatsu 0,25/11,25=0,022 0,25/5,5=0,045 1/14=0,071 0,20/ 1,616 =0,124
Suzuki 6/11,25=0,533 4/5,5=0,727 5/14=0,357 1/1,616 =0,618
Columns Sum 1,00 1,00 1,00 1,00

84
42

1. Perhitungan bobot alternatif untuk kriteria Style (lanjutan)
Style Toyota Honda Daihatsu Suzuki Average Rows

(Priority Vektor)
Toyota 1/11,25=0,088 0,25/5,5=0,045 4/14=0,285 0,166/1,616= 0,13
0,103
Honda 4/11,25=0,355 1/5,5=0,181 4/14=0,285 0,25/1,616=0, 0,24
154
Daihatsu 0,25/11,25 0,25/5,5=0,045 1/14=0,071 0,20/ 1,616 0,07
=0,022 =0,124
Suzuki 6/11,25=0,533 4/5,5=0,727 5/14=0,357 1/1,616 0,56
=0,618
Columns Sum 1,00 1,00 1,00 1,00 1,00

85

2. Perhitungan bobot alternatif untuk kriteria Reliability
Reliability Toyota Honda Daihatsu Suzuki Average Rows

(Priority Vektor)
Toyota 1 2 5 1 0,38
Honda ½ 1 3 2 0,29
Daihatsu 1/5 1/3 1 ¼ 0,07
Suzuki 1 ½ 4 1 0,26
Colums Sum 1,00
3. Perhitungan bobot alternatif untuk kriteria Fuel Economy
Fuel Economy Mill / Galon Average Rows

(Priority Vektor)
Catatan :
Toyota 34 0,30
Untuk mendapatkan nilai
Honda 27 0,24
diatas , dilakukan proses
Daihatsu 24 0,21
yg sama dgn langkah
Suzuki 28 0,25
perhitungan bobot
Colums Sum 113 1,00
MK. DSS alternatif 1  2 3
86
43

4. Perangkingan Alternatif
Reliability Style Reliability Fuel Criteria Weight Sum of (S R

Economy (CW) F) ) * CW
Toyota 0,13 0,38 0,30 0,30 0,297
Honda 0,24 0,29 0,24 0,60 0,27
Daihatsu 0,07 0,07 0,21 X 0,10 0,084
Suzuki 0,56 0,26 0,25 0,349
Colums 1,00 1,00 1,00 1,00
Sum
Toyota =(0,13*0,3) + (0,38*0,60)+(0,30*0,1) = 0,297 2

Honda = (0,24*0,3) + (0,29*0,60)+(0,24*0,10)=0,27 3
Daihatsu =(0,07*0,3) + (0,07*0,60)+(0,21*0,1) = 0,064 4
Suzuki =(0,56*0,3) + (0,26*0,60)+(0,25*0,1) = 0,349 1
Kesimpulan
 Metode AHP bisa digunakan untuk
menentukan segala kasus yang
membutuhkan output berupa prioritas
dari hasil perangkingan.
 Penyempurnaan dari Metode AHP
adalah Metode ANP

88
44

89

90
45
Terima Kasih,
Wassalam,
Thanks,
Matur Nuwun,
Tse-se,
Arigato

91
46

SPK 456 2020 Bambang

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

SPK 456 2020 Bambang

Diunggah oleh

Hak Cipta:

Format Tersedia

Turban, Aronson, and Liang

Decision Support Systems and Intelligent Systems,

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

10. Group Decision

4, 5 & 6 . Modeling &

7. Business Intellegence : Data

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

MK. DSS Bambang S,S.Kom, MM, M.Kom

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

Contoh : solusi terkait pasar Modal, uang, investasi

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

Contoh : solusi Inventory, Banking, Pos

Contoh : solusi terkait pasar Modal, uang, investasi

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

Contoh : solusi terkait pasar Modal, uang, investasi

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

Tanda panah mengindikasikan jenis hubungan dan

Anak panah bisa satu atau dua arah,

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

An Influence Diagram For Profit Model

MK. DSS Bambang S,S.Kom, MM, M.Kom

Modeling dengan Spreadsheets

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

MK. DSS Bambang S,S.Kom, MM, M.Kom

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

MK. DSS Bambang S,S.Kom, MM, M.Kom

MSS Mathematical Models

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

MSS Mathematical Models

MK. DSS Bambang S,S.Kom, MM, M.Kom

Gambaran Umum Quantitative Model

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

Variabel Hasil (Result Variables)

Variabel Keputusan (Decision Variables)

Variabel tak terkontrol (Uncontrollable Variables or Parameters)

Variabel Antara (Intermediate Variables)

MK. DSS Bambang S,S.Kom, MM, M.Kom

AREA Decision Result Uncontrollable

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

MK. DSS Bambang S,S.Kom, MM, M.Kom

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

Sensitivity, What-if, and Goal Seeking

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

MK. DSS Bambang S,S.Kom, MM, M.Kom

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

MK. DSS Bambang S,S.Kom, MM, M.Kom

Model-Based Management System

 Software yang memungkinkan pengaturan

Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)

Model-Based Management System