NAMA : Evan Jusephca

NIM :18041149

MATKUL : JARINGAN SYARAF BUATAN (B)

A. Metode SAW (Simple Additive Weighting) bukanlah metode yang digunakan

dalam jaringan syaraf buatan (artificial neural networks), tetapi merupakan
metode pengambilan keputusan yang sederhana dan umum digunakan
dalam analisis keputusan multi-kriteria. Metode ini digunakan untuk
mengatasi masalah pengambilan keputusan dengan mempertimbangkan
beberapa kriteria yang harus dinilai.

Dalam metode SAW, langkah-langkah umum yang dilakukan adalah

sebagai berikut:
1. Identifikasi Kriteria: Tentukan kriteria-kriteria yang relevan untuk
pengambilan keputusan. Misalnya, jika Anda ingin membeli mobil, kriteria yang
relevan bisa termasukharga, kualitas, konsumsi bahan bakar, dan sebagainya.

2. Normalisasi Data: Lakukan normalisasiterhadap data yangada. Hal ini dilakukan

untuk memastikan bahwa semua kriteriamemiliki skala yang serupa. Misalnya, jika
kriteria harga memiliki rentang nilai yang besar dibandingkan dengan kriteria
lainnya, Anda perlu melakukan normalisasi agar semua kriteria memiliki
bobot yang seimbang.

3. Penentuan Bobot: Berikan bobot pada setiap kriteria untuk

menggambarkan tingkat kepentingan relatif dari setiap kriteria tersebut. Bobot
ini menunjukkan sejauh mana kriteria tersebut berkontribusi terhadap keputusan
akhir. Bobot dapat ditentukan berdasarkan penilaian subjektif atau
menggunakan metode analisis hierarki.

4. Perhitungan Nilai Preferensi: Hitung nilai preferensi untuk setiap alternatif

berdasarkan bobot kriteria. Caranya adalah dengan menjumlahkan perkalian antara
nilai kriteria dan bobot kriteriauntuk setiap alternatif.
5. Pemilihan Alternatif Terbaik: Pilih alternatif dengan nilai preferensi tertinggi
sebagai hasil akhir. Alternatif dengan nilai preferensi yang lebih tinggi
dianggap lebih baik sesuai dengan kriteria yang ditetapkan.
Metode SAW dapat digunakan untuk berbagai jenis pengambilan keputusan,
termasuk dalam pemilihan produk, perekrutan karyawan, penilaian kinerja, dan
lain sebagainya. Meskipun metode ini sederhana dan mudah dipahami, namun
dapat memberikan hasilyangcukup memadai dalambanyakkasus.

B. Metode AHP (Analytic Hierarchy Process) danjaringan syarafbuatan (artificial

neural networks) adalah dua teknik yang berbeda dalam analisis data dan
pengambilan keputusan. AHP adalah metode pengambilan keputusan yang
digunakan untuk mengelompokkan dan membandingkan kriteria serta alternatif
berdasarkan tingkat kepentingan relatif. Sementara jaringan syaraf buatan
adalah model matematika yang terinspirasi dari sistem saraf manusia dan
digunakanuntukpembelajaranmesin dan pengenalan pola.
Namun, dalam beberapa kasus, jaringan syarafbuatan dapat digunakan
sebagai alat yang berperan dalam metode AHP. Berikut adalah pendekatan
yang umum digunakan:

1. Identifikasi Kriteria: Tentukan kriteria-kriteria yang relevan

dalam pengambilan keputusan.

2. Perancangan Jaringan Syaraf Buatan: Gunakan jaringan syarafbuatan untuk

mempelajari hubungan antara kriteria dan alternatif berdasarkan data latih yang
ada. Data latih ini dapat berupa pasangan input dan output yang diketahui
sebelumnya. Misalnya, jika Anda ingin memprediksi penjualan suatu produk
berdasarkan beberapa kriteria seperti harga, iklan, dan cuaca, Anda dapat
menggunakan data historis sebagai data latih.

3. Pelatihan Jaringan Syaraf Buatan: Latih jaringan syaraf buatan dengan

menggunakan algoritma pembelajaran yang sesuai, seperti backpropagation,
untuk mengoptimalkan bobot dan parameter jaringan. Tujuannya adalah agar
jaringan dapat mengenali pola dan mempelajari hubungan antara kriteria dan
output yang diinginkan.
 4. Perankingan dan Analisis: Setelah jaringan syaraf buatan terlatih, gunakan
jaringan tersebut untuk memprediksi atau mengevaluasi alternatif berdasarkan
input kriteria yang diberikan. Jaringan syaraf buatan dapat memberikan
skor atau nilai relatif untuk setiap alternatif, yang kemudian dapat digunakan
untuk perankingan atau analisis lebih lanjut.

Dalampendekatan ini, jaringan syarafbuatan berperan sebagai alat untuk membantu

dalam proses evaluasi dan perankingan berdasarkan kriteria yang telah ditentukan
sebelumnya. AHP digunakan untuk mengelompokkan dan membandingkan kriteria serta
memberikan bobot pada setiap kriteria, sementara jaringan syarafbuatan digunakan untuk
mempelajari hubungan antara kriteria dan alternatif berdasarkan data latih.

Perlu dicatat bahwa pendekatan ini bukanlah metode AHP yang murni, tetapi
merupakan integrasi antara AHP danjaringan syarafbuatan untuk meningkatkan
kemampuan analisis dan prediksi.
 C. Metode TOPSIS (Technique for Order of Preference by Similarity to Ideal
Solution) dan jaringan syaraf buatan (artificial neural networks) adalah dua
teknik yang berbeda dalam analisis data dan pengambilan keputusan. TOPSIS
adalah metode pengambilan keputusan multi-kriteria yang digunakan
untuk melakukan perankingan alternatif berdasarkan jarak relatif terhadap
solusi ideal.

Namun, dalam beberapa kasus, jaringan syarafbuatan dapat digunakan sebagai alat yang
berperan dalam metode TOPSIS. Berikut adalah pendekatan umum yang digunakan:

1. Identifikasi Kriteria: Tentukan kriteria-kriteria yang relevan dalam

pengambilan keputusan.

2. Perancangan Jaringan SyarafBuatan: Gunakan jaringan syarafbuatan untuk

mempelajari hubungan antara kriteria dan alternatif berdasarkan data latih yang ada. Data
latih ini dapat berupa pasangan input dan output yang diketahui sebelumnya. Misalnya,
jika Anda ingin memprediksi penjualan suatuproduk berdasarkan beberapa kriteria seperti
harga, iklan, dan cuaca, Anda dapat menggunakan data historis sebagai data latih.

3. Pelatihan Jaringan Syaraf Buatan: Latih jaringan syaraf buatan dengan menggunakan
algoritmapembelajaranyang sesuai, seperti backpropagation, untuk mengoptimalkan bobot
dan parameter jaringan. Tujuannya adalah agar jaringan dapat mengenali pola dan
mempelajari hubungan antara kriteria dan output yang diinginkan.

4. Perolehan Solusi Ideal: Setelah jaringan syarafbuatan terlatih, gunakan jaringan

tersebut untuk memperoleh solusi ideal. Solusi ideal ini dapat diperoleh dengan
mengambil nilai maksimumatau minimum dari setiapkriteria, tergantung pada jenis
kriteria yang digunakan (misalnya, kriteria keuntungan diinginkan maksimum,
sedangkan biaya diinginkan minimum).

5. Perhitungan Jarak Relatif: Hitung jarak relatif setiap alternatif terhadap solusi ideal
menggunakan metode Euclidean distance atau metode jarak lainnya. Jarak ini
menggambarkan sejauh mana alternatif tersebut mendekatiatau menjauhi solusi ideal.

6. Perankingan Alternatif: Urutkan alternatif berdasarkan jarak relatifnya. Alternatif

dengan jarak relatif terkecil atau paling dekat dengan solusi ideal akan mendapatkan
peringkat yang lebih tinggi.
Dalam pendekatan ini, jaringan syaraf buatan digunakan sebagai alat untuk mempelajari
hubungan antara kriteria dan alternatif, sementara metode TOPSIS digunakan
untuk perankingan alternatif berdasarkan jarak relatif terhadap solusi ideal.
Pendekatan ini menggabungkan kekuatan analisis dan pembelajaran dari jaringan
syaraf buatan dengan metode perankingan dari TOPSIS.

Perlu dicatat bahwa pendekatan ini bukan metode TOPSIS yang murni, tetapi
merupakan integrasi antara TOPSIS dan jaringan syaraf buatan untuk meningkatkan
kemampuan
analisis dan perankingan dalam pengambilan keputusan.

Berikut contohmetode TOPSIS :

1. RM Bu Atik merupakan rumah makan terbesar yang ada di Tasikmalaya. Bu

Atik ingin membuka cabang baru untuk memperluas usahanya.

Beberapa kota yang menjadi pertimbangan : Garut, Ciamis, Banjar dan

Pangandaran.
sedangkan beberapa hal yang menjadi pertimbangan : jumlah penduduk, jumlah
tempat wisata, dan Rumah makan pesaing (yang dihitung rumah makan
besar dengan omzet lebih dari 10 jutaperhari).

Jumlah penduduk dikelompokkan kedalam :

. 0 - 0.5 juta (kelompok 1), skor : 1

. 0.51 juta - 1 juta (kelompok 2), skor : 2
. 1.01 juta - 1.5 juta (kelompok 3), skor : 3
. 1.51 juta - 2 juta (kelompok 4), skor : 4
. > 2.01 juta (kelompok 5), skor : 5

Jumlahrumahmakan & jumlah tempat wisata dikelompokkan kedalam :

. 0 - 10 (kelompok 1), skor : 1

. 11 - 20 (kelompok 2), skor : 2
. 21 - 30 (kelompok 3), skor : 3
. 31 - 40 (kelompok 4), skor : 4
. >40 (kelompok 5), skor : 5
RM Bu Atik melakukan survey lokasi pada masing-masing kota dan mendapatkan
hasil berikut :

. Garut, jumlah penduduk 2.6 juta, jumlah tempat wisata 59 , rumah makan pesaing
: 30.
. Ciamis, jumlah penduduk 1.4 juta, jumlah tempat wisata 28, rumah makan pesaing
: 28
. Banjar,jumlah penduduk 0.2 juta, jumlah tempat wisata 22, rumah makan pesaing
: 15
. Pangandaran, jumlah penduduk 0.5 juta, jumlah tempat wisata 15, rumah
makan pesaing : 25

Hasil survey berdasarkan skor :

. Garut, jumlah penduduk 5,jumlah tempat wisata 5 , rumahmakan pesaing : 3.

. Ciamis, jumlah penduduk 3,jumlah tempat wisata 3, rumahmakan pesaing : 3
. Banjar,jumlah penduduk 1,jumlah tempat wisata 3, rumahmakan pesaing : 2
. Pangandaran,jumlah penduduk 1,jumlah tempat wisata 2, rumahmakan pesaing : 3

Menentukan kriteria & alternatif

Alternatif :
. Garut
. Ciamis
. Banjar
. Pangandaran

Kriteria :

. Jumlah penduduk
. Jumlah tempat wisata
. Rumahmakan pesaing

Kriteria perlu ditentukan jenisnya, apakah termasuk kedalam benefit (keuntungan) /

cost (kerugian).
Pada contoh diatas, maka yang termasuk benefit yaitu : jumlah penduduk dan
jumlah tempat wisata. Sedangkanyang termasuk ke dalam cost adalahrumahmakan
pesaing.

Menentukan bobot prefensi untuk setiap kriteria

Bobot prefensi yang akan kita gunakan :

. Sangat Tidak Penting = 1

. Tidak Penting = 2
. Cukup Penting = 3
. Penting = 4
. Sangat Penting = 5
Range bobot yang digunakan berkisar 1 - 5, yang artinya semakin kecil angka
berarti semakintidak penting sedangkan semakin besarberarti semakin penting.

Bobotuntuk setiapkriteria (diisi sesuai dengan asumsi / pertimbangan) :

. jumlah penduduk = penting = 4

. Jumlah tempat wisata = sangat penting = 5
. Rumahmakan pesaing = cukup penting = 3
W = (4, 5, 3).

Membentuk matriks keputusanternormalisasi

Sebelummembentukmatrikskeputusanternormalisasi, makakita perlu membentuk

matriks keputusan dari nilai setiap atribut yang kitamiliki.

. Untuk melakukan normalisasi dari matriks keputusan yang kita buat, maka kita
harus menghitungnya dengan rumus :
Rij merupakan nilai atribut yang telah dinormalisasi

Xij merupakan nilai dari setiap atribut

mmerupakan nilai atribut yang tersediauntuk masing-masing kritera

Untuk lebih mudahkita perlumencari nilai dari :

Berikuthasilnya :

Selanjutnyakita hanya perlumencari Nilai Rij, maka hasilnya sebagai berikut :

Maka matriks keputusan nya menjadi :

Mencari solusi ideal positif (A+) dicari dari nilai maksimal normalisasi terbobot
setiap kriteria untuk alternatif benefit dan nilai minimal normalisasi terbobot setiap
kritera untuk alternatif cost.

Sedangkan solusi ideal negatif (A-) dicari dari nilai minimal normalisasi terbobot untuk
alternatif benefit dan nilai maksimal normalisasi terbobot setiap kriteria untuk alternatif
cost.

Sederhananya :
A+ = (max, benefit) | (min, cost)

A- = (min, benefit) | (max, cost)

Menentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif
dan negatif

Rumus yang digunakan untuk menghitung jarak dari alternatifke solusi ideal postif (D+)
& solusi ideal negatif (D-) adalah :

Hasil perhitungan :
Menentukan nilai preferensi untuk setiap alternatif

Untuk menentukan nilai preferensi setiapalternatif dihitung dengan rumus :

Hasil perhitungan :