Nama : MURNI ARDINIGSIH PUTRI YALI

Kelas : B
NIM : 19120072

No.
1. METODE SIMPLE ADDITIVE WEIGHTING (SAW)

Metode Simple Additive Weighting (SAW) dikenal dengan istilah metode

penjumlahan terbobot. Konsep dasar pada metode SAW adalah mencari
penjumlahan terbobot dari rating kinerja pada setiap alternatif di
semua atribut. 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:

 rij = nilai rating kinerja ternormalisasi

 xij = nilai atribut yang dimiliki dari setiap kriteria
 Max xij = nilai terbesar dari setiap kriteria ᵢ
 Min xij = nilai terkecil dari setiap kriteria ᵢ
 benefit = jika nilai terbesar adalah terbaik
 cost = jika nilai terkecil adalah terbaik dimana rij adalah rating
kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i=1,2,
…,m dan j=1,2,…,n.
Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai:
 Keterangan :
1. Vi = rangking untuk setiap alternatif
2. wj = nilai bobot dari setiap kriteria
3. rij = nilai rating kinerja ternormalisasi
Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih.

2. Kelebihan dan kekurangan WP

 Kelebihan
1. Terdapat variabel Cost dan Benefit, yang berguna untuk
menentukan kriteria yang berpengaruh terhadap keputusan
2. Metode ini lebih simpel di bandingkan dengan metode MCDM lainya
3. Perhitungannya tidak begitu kompleks
4. Lebih mudah dipahami

 Kekurangan
1. Metode ini hanya untuk digunakan pada proses nilai yang memiliki
nilai rentang
2. Dibanding dengan metode Pengambil Keputusan lainya, hal belum
seakurat dengan metode peambil keputusan dengan ketidak pastian.

3. Tipe prefrensi dalam metode promethea

Dalam Promethee disajikan enam bentuk fungsi preferensi kriteria.
Enam preferensi tersebut adalah sebagai berikut:
1. Tipe Biasa (Usual Criterion)
Tipe Usual adalah tipe dasar, yang tidak memiliki nilai threshold
atau kecenderungan. Pada tipe ini dianggap tidak ada beda antara alternatif a
dan alternatif b jika a=b atau f(a)=f(b) , maka niliai preferensinya benilai 0
(Nol) atau P(x)=0. Apabila nilai kriteria pada masing-masing alternatif
memiliki nilai berbeda, maka pembuat keputusan membuat preferensi
mutlak benilai 1 (Satu) atau P(x)=1 untuk alternatif yang memiliki nilai
lebih baik.
Pola dari tipe biasa ditunjukkan seperti gambar 2.1.

Gambar 2.1 Bentuk Preferensi Tipe Biasa

2. Tipe Quasi (Quasi Criterion atau U-Shape)

Tipe Quasi sering digunakan dalam penilaian suatu data dari segi
kualitas atau mutu, yang mana tipe ini menggunakan satu threshold atau
kecenderungan yang sudah ditentukan, dalam kasus ini threshold itu adalah
indifference. Indifference ini biasanya dilambangkan dengan karakter m atau
q, dan nilai indifference harus diatas 0 (Nol). Suatu alternatif memiliki nilai
preferensi yang sama penting selama selisih atau nilai P(x) dari masing-
masing alternatif tidak melebihi nilai threshold. Apabila selisih hasil
evaluasi untuk masing-masing alternatif melebihi nilai m maka terjadi
bentuk preferensi mutlak, jika pembuat memutuskan menggunakan kriteria
ini, maka decision maker tersebut harus menentukan nilai m, dimana nilai
ini dapat dijelaskan pengaruh yang signifikan dari sutau kriteria.

3. Tipe Linier (Linear Criterion atau V-Shape)

Tipe Linier acapkali digunakan dalam penilaian dari segi kuantitatif
atau banyaknya jumlah, yang mana tipe ini juga menggunakan Satu
threshold atau kecenderungan yang sudah ditentukan, dalam kasus ini
threshold itu adalah preference. Preference ini biasanya dilambangkan
dengan karakter n atau p, dan nilai preference harus diatas 0 (Nol). Kriteria
ini menjelaskan bahwa selama nilai selisih memiliki nilai yang lebih rendah
dari n, maka nilai preferensi dari pembuat keputusan meningkat secara linier
dengan nilai x, jika nilai x lebih besar dibandingkan dengan nilai n, maka
terjadi preferensi mutlak.

4. Tipe Tingkatan ( Level Criteria)

 Tipe ini mirip dengan Tipe Quasi yang sering digunakan dalam
penilaian suatu data dari segi kwalitas atau mutu. Tipe ini juga
menggunakan threshold indifference
(m) tetapi ditambahkan satu threshold lagi yaitu preference (n).

5. Tipe Linear Quasi (Linear Criterion with Indifference)

Tipe Linear Quasi juga mirip dengan tipe Linear yang seringkali
digunakan dalam penilaian dari segi kuantitatif atau banyaknya jumlah. Tipe
ini juga menggunakan threshold preference (n) tetapi ditambahkan Satu
threshold lagi yaitu indifference (m).

6. Tipe Gaussian

Tipe Gaussian sering digunakan untuk mencari nilai aman atau titik
aman pada data yang bersifat continue atau berjalan terus. Tipe ini memiliki
nilai threshold yaitu Gaussian threshold yang berhubungan dengan nilai
standar deviasi atau distribusi normal dalam statistik.

4. Langkah-langkah metode Promethee

Diperlukan tahapan-tahapan yang harus dilakukan oleh pembuat keputusan
untuk mendapatkan hasil penyeleksian dengan metode PROMETHEE
1. Menentukan beberapa alternatif Alternatif disini bisa diartikan dengan
objek yang akan diseleksi (objek seleksi). Pada perhitungan
penyeleksian dengan PROMETHEE diperlukan penentuan beberapa
objek yang akan diseleksi (minimal 2 objek) yaitu antara objek yang satu
dengan objek lainnya akan dibandingkan.
2. Menentukan beberapa kriteria Setelah melakukan penentuan objek yang
akan diseleksi, maka dalam perhitungan penyeleksian PROMETHEE
juga diperlukan penentuan beberapa kriteria, penentuan kriteria disini
sebagai syarat atau ketentuan dalam penyeleksian.
3. Menentukan bobot kriteria Ketika menentukan kriteria, decision maker
harus menentukan bobot setiap kriteria. Setiap kriteria boleh memiliki
nilai bobot yang sama atau berbeda.
4. Menentukan tipe penilaian, yaitu minimum dan maksimum.
5. Menentukan tipe preferensi Untuk setiap kriteria yang paling cocok
didasarkan pada data dan pertimbangan dari decision maker. Tipe
preferensi ini berjumlah Enam (Usual, Quasi, Linear, Level, Linear
Quasi dan Gaussian).
6. Menghitung nilai preferensi.
7. Menghitung indeks preferensi multikriteria.
8. Perhitungan Entering Flow, Leaving Flow dan Net Flow.