1

PRESENTASI ANALISIS INFORMASI GEOSPASIAL

Topik 7
Decision Rules
Multi Attribute Decision Rules
1. Kamal Nur Fauzan
2. Dzun Nurwinas
3. Fathan Mubinan
4. Renando
5. Dimas Candika
6. Gunawan Yasin
7. Sena Andhika
8. Muhammad Abror H
9. Saga Maulana
EDUNEX ITB
2

Decision Rule
Prosedur yang memungkinkan untuk mendapatkan solusi alternatif
terbaik.

Proses ini membutuhkan integrasi dari data dan informasi terhadap

keputusan dalam solusi alternatif yang didapatkan.

EDUNEX ITB
3

Secara khusus, aturan keputusan mengatur ruang keputusan melalui hubungan

satu-ke-satu atau satu-ke-banyak hasil dengan alternatif keputusan.

Ini berarti bahwa tindakan yang diberikan (alternatif) memiliki konsekuensi tertentu
yang sesuai (hubungan satu-ke-satu) atau konsekuensi yang tidak pasti (hubungan
satu-ke-banyak).
EDUNEX ITB
4

Multiattribute Decision Rules

Tujuan dari analisis Multiattribute Decision Making adalah untuk memilih alternatif
terbaik atau yang paling disukai, untuk memilah alternatif yang tampaknya “baik”
dan/atau untuk menentukan peringkat alternatif dalam urutan preferensi.

beberapa metode dalam mengatasi masalah dalam MADM diantaranya

• Metode Aditif: Simple additive weighting method, value/utility function
approaches, and the analytic hierarchy process.
• Metode ideal point & Concordance
• Metode Probabilistik, Deterministik, dan Fuzzy
• Metode pengambilan keputusan secara kelompok ataupun mandiri.

EDUNEX ITB
5

Simple Additive
Weighting Method

EDUNEX ITB
6

Simple Additive Weighting Method

Simple additive weighting (SAW) atau biasa dikenal dengan metode
scoring. Score pada sebuah cell (A) dapat dihitung dengan rumus:

𝐴𝑖 = Σ𝑗 𝑤𝑗 ∙ 𝑥𝑖𝑗

Dengan w adalah bobot dan x adalah nilai pada elemen cell kriterianya.
Sementara j adalah banyaknya kriteria dan i adalah elemen cell. Perlu
dicatat bahwa:
Σ𝑤𝑗 = 1
EDUNEX ITB
7

Contoh Kasus
Akan ditentukan lokasi paling optimal untuk pembangunan reactor
nuklir dengan pertimbangan harga lahan dan dampak lingkungannya.

Lokasi dengan harga lahan paling murah dan dampak lingkungan

paling minimum adalah lokasi yang cocok.

EDUNEX ITB
8
Harga Lahan (makin tinggi makin mahal)
112 120 111 118 110 0.888 0.444 0.944 0.555 1

113 126 111 123 128 0.833 0.111 0.944 0.277 0

110 121 118 118 117 Standardized 1 0.388 0.555 0.555 0.611 Dikali bobot 0.45

120 115 126 122 114 0.444 0.722 0.111 0.333 0.777

124 123 123 122 113 0.222 0.277 0.277 0.333 0.833

Dampak Lingkungan (makin tinggi makin buruk)

5 2 4 3 2 0 0.75 0.25 0.5 0.75
2 4 1 5 2 0.75 0.25 1 0 0.75
3 1 4 2 4 Standardized 0.5 1 0.25 0.75 0.25 Dikali bobot 0.55

1 1 2 5 5 1 1 0.75 0 0
2 4 1 2 5 0.75 0.25 1 0.75 0

EDUNEX ITB
9

0.4 0.2 0.425 0.25 0.45

0.375 0.05 0.425 0.125 0

Dikali bobot 0.45 0.45 0.175 0.25 0.25 0.275

0.2 0.325 0.05 0.15 0.35

0.1 0.125 0.125 0.15 0.375

0.4 0.613 0.563 0.525 0.863 8 16 14 13 23
0.788 0.188 0.975 0.125 0.413 22 3 25 1 9
Dijumlahkan 0.725 0.725 0.388 0.663 0.413 Rank 19 19 7 17 9
0.75 0.875 0.463 0.15 0.35 21 24 11 2 5
0 0.413 0.138 0.275 0.413
0.513 0.263 0.675 0.563 0.375 12 4 18 14 6
0.413 0.138 0.55 0 0.413
Dikali bobot 0.55 0.275 0.55 0.138 0.413 0.138

0.55 0.55 0.413 0 0

0.413 0.138 0.55 0.413 0

EDUNEX ITB
10

Value/Utility Function
Approaches

EDUNEX ITB
11

Value/Utility FunctionApproaches
• Pendekatan fungsi nilai/utilitas merupakan sebuah cara untuk mengubah kriteria
peta ke skala umum. Dalam hal ini nilai utilitas akan dirubah kedalam nilai angka
agar mempermudah analis dalam menghubungkan dan memutuskan kesimpulan
dari sebuah data sehingga fungsi dijadikan sebuah ekspresi yang menghasilkan
nilai skala standar untuk setiap nilai rentang data atribut.
• Dalam penggunaannya Fungsi nilai dan Utilitas diaplikasikan dalam situasi yang
berbeda, Fungsi nilai diaplikasikan untuk situasi yang memiliki kepastian
sedangkan untuk situasi yang memiliki ketidakpastian fungsi utilitas dianggap
lebih cocok
• Fungsi nilai dan utilitas, dibagi menjadi tiga bagian, yaitu: deterministic,
Probabilistic, dan fuzzy

EDUNEX ITB
12

Attribute Value/Utility Function

• Pendekatan fungsi nilai/utilitas melibatkan dua elemen besar dalam
pengambilan keputusan individu :
• Fungsi nilai/utilitas atribut tunggal digunakan untuk mengubah
tingkatan atribut menjadi nilai-interval
• Kemudian dalam menentukan kepentingan relatif dari atribut dipilih
analisis trade off, maksudnya agar data bisa diperhitungkan dalam
fungsi utilitas multi atribut

EDUNEX ITB
13

Attribute Value/Utility Function

• Model Fungsi nilai juga dapat dirumuskan seperti metode SAW atau biasa
dikenal dengan simple additive weighting dengan rumusan seperti dibawah ini :

• Dengan nilai Vij sebagai skor alternatif ke-i sehubungan dengan atribut j,dan Wj
merupakan bobot yang ternormalisasi,dalam hal ini bobot mewakili kepentingan
relatif dari suatu atribut.dengan Vi adalah nilai keseluruhan dari alternatif ke-i
yang bisa juga menjadi model fungsi utilitas dengan mengganti notasi Vi dan Vij
menjadi Ui dan Uij dengan Ui merupakan utilitas keseluruhan dari alternatif ke-i

EDUNEX ITB
14

Attribute Value/Utility Function

• Prefential independence dan utility independence merupkan asumsi
yang mendasari aturan keputusan nilai/utilitas
• Pengertian mengenai Preferential independence adalah preferensi
relatif terhadap atribut-atribut yang tidak dipengaruhi oleh
perubahan atribut - atribut lainnya.
• Sedangkan pengertian Utility independence dapat diartikan bahwa
fungsi utilitas atribut tidak saling bergantungan terhadap atribut
lainnya.

EDUNEX ITB
15

Group Value/Utility
Function

EDUNEX ITB
16

Group Value/Utility Function

• Group Value/Utility Function dapat dibuat berdasarkan multiatribut value
• Overall utility merupakan fungsi gabungan dari individual utility function (Keeney
and Raiffa, 1976) atau merupakan jumlah dari utilitas individu

Overall utility,

➢λg = konstanta penskalaan positif atau bobot yang diberikan kepada individu ke-g
➢ug = fungsi utilitas untuk orang ke-g atas alternatif keputusan x (skala 0-1)

EDUNEX ITB
17

Pendekatan Fungsi Utilitas Kelompok

berdasarkan GIS, melibatkan tahap sebagai
berikut
1. Menghasilkan peta overall utility untuk setiap individu yang bersangkutan;
2. Menurunkan konstanta penskalaan(g)
3. Mengkalikan konstanta penskalaan dengan peta nilai keseluruhan (overall value) yang
sesuai untuk mendapatkan layer peta overall utility yang memiliki bobot.
4. Gabungkan masing-masing utilitas dengan menjumlahkan layer peta yang diperoleh dan
diberi bobot sebelumnya
5. Beri peringkat alternatif menurut layer peta Group Value; alternatif dengan utilitas
tertinggi adalah alternatif yang paling diutamakan

EDUNEX ITB
18

Konstanta Penskalaan (λ)

Konstanta penskalaan dapat ditentukan oleh pembuat keputusan dengan 2 cara:
1. Mengasumsikan bahwa ada suatu individu/orang yang dapat menentukan
bobot untuk grup berdasarkan kepentingan dari org yg terlibat dalam
pembuatan keputusan
2. Berdasarkan kesepakatan bersama, seluruh anggota kelompok secara kolektif
memilih seperangkat parameter (Goicoechea et al. 1982).

Diasumsikan bahwa setiap orang memegang tanggung jawab untuk pemilihan

konstanta penskalaan, dan tidak ada kesepakatan awal tentang nilai yang akan
ditetapkan ke konstanta penskalaan

EDUNEX ITB
19
Contoh kasus (penentuan lokasi pembangkit
listrik tenaga nuklir/PLTN)
1. Pembuat keputusan Terdiri dari 3 grup (G1,G2, dan G3) dan bertujuan untuk Menentukan
lokasi yg layak untuk pencarian lokasi terbaik pembangkit listik tenaga nuklir berdasarkan
kriteria pembebasan lahan dan dampak ligkungan
2. Output yang dikeluarkan adalah layer peta dari masing-masing kelompok (g1,g2, dan g3)
3. Konstanta penskalaan harus diturunkan dan ditetapkan ke layer-layer peta tersebut
(menggunakan proses “delegasi”)
4. Proses delegasi : prosesnya didasarkan pada asumsi bahwa setiap kelompok (individu)
merancang bobot voting dalam subkelompok delegasi yang terdiri dari anggota kelompok lain

EDUNEX ITB
20

Contoh kasus (penentuan lokasi PLTN)

1. Berdasarkan tabel, konstanta diperoleh dengan memecahkan persamaan berikut

• Karena bobot pada diagonal utama pada Tabel 7.2 sama dengan nol, maka konstanta
penskalaan dapat ditentukan dengan memecahkan:

Sehingga dihasilkan
λ1= 0.4, λ2= 0.3, dan λ3 = 0.3.

EDUNEX ITB
21
Konstanta Penskalaan diturunkan dan
ditetapkan pada tiap layer peta

• Group Value Function [G1, G2, dan G3

masing-masing mewakili kelompok
kepentingan 1, 2, dan 3)
• Layer peta dikalikan dengan konstanta
penskalaan λ1= 0.4, λ2= 0.3, dan λ3 =
0.3. kemudian layer peta dijumlahkan
• Cell yang mengandung nilai tertinggi
(0,81) adalah lokasi yang paling
diutamakan

EDUNEX ITB
22

Probabilistic Additive
Weighting

EDUNEX ITB
23

Probabilistic Additive Weighting

• Sebuah pendekatan untuk menggabungkan data atribut dan preferensi
pembuat keputusan sebagai “the expected value decision rule”
• Berkaitan dengan ketidakpastian yang terkait dengan variabilitas hasil
keputusan
• Variabilitas ini dapat dinyatakan dalam hal distribusi probabilitas yang
terkait dengan konsekuensi keputusan alternatif
• Nilai yang diharapkan pusat dari aturan keputusan bobot aditif
probabilistik ini
• Nilai yang diharapkan adalah rata-rata terbobot (rata-rata) dari
kemungkinan hasil suatu variabel acak, dengan hasil probabilitas digunakan
sebagai bobot

EDUNEX ITB
24

Probabilistic Additive Weighting

Nilai yang diharapkan dihitung dengan mengalikan setiap nilai atribut
yang terkait dengan alternatif dengan probabilitas yang sesuai untuk
terjadinya tingkat atribut tersebut

𝐸𝑉𝑖𝑗 =nilai yang diharapkan dari atribut j untuk alternatif I

∑𝑘=jumlah dari seluruh kemungkinan hasil (outcomes)
𝑝𝑖𝑗𝑘 dan 𝑣𝑖𝑗𝑘 = nilai probabilitas dan hasil masing-masing dari 𝑘 tingkat atribut 𝑗 untuk alternatif 𝑖

EDUNEX ITB
25

Probabilistic Additive Weighting

Setelah nilai yang diharapkan diperoleh, skor untuk alternatif dapat
dihitung dengan aturan pembobotan aditif probabilistik

Semakin tinggi suatu nilai yang diharapkan, semakin diinginkan

alternatifnya

EDUNEX ITB
26

Analytical Hierarchy
Process

EDUNEX ITB
27

Analytical Hierarchy Process

Metode analitis hirarki proses (AHP),
yang dikembangkan oleh Saaty
(1980), didasarkan pada tiga prinsip:
1. Dekomposisi
2. Penilaian komparatif
3. Sintesis prioritas.

EDUNEX ITB
28

Tahapan AHP
Berdasarkan prinsip-prinsip AHP, prosedur AHP melibatkan
tiga langkah utama:

Membandingkan Membuat rasio

Mengembangkan
elemen keputusan prioritas
hierarki AHP
pada pairwise base keseluruhan

EDUNEX ITB
29

1. Mengembangkan hierarki AHP

• Langkah pertama dalam prosedur AHP adalah menguraikan masalah
keputusan menjadi sebuah hierarki yang terdiri dari elemen-elemen
terpenting dari masalah keputusan.

a. Goal, objectives, subobjectives, attributes, alternatives

b. Goal, scenarios, objectives, attributes, alternatives
c. Goal, interests groups, objectives, attributes, alternatives
d. Goal, interest groups, objectives (subobjectives), attributes, alternatives

EDUNEX ITB
30

2. Membandingkan elemen
keputusan pada pairwise base
• Perbandingan berpasangan adalah mode pengukuran dasar yang
digunakan dalam prosedur AHP.

a. Pengembangan matriks perbandingan di setiap tingkat hierarki,

mulai dari atas dan turun ke bawah
b. Perhitungan bobot untuk setiap elemen dari hierarki
c. Estimasi rasio konsistensi

EDUNEX ITB
31

3. Membuat rasio prioritas

keseluruhan
• Langkah terakhir adalah mengagregasi bobot relatif dari level yang
diperoleh pada langkah kedua untuk menghasilkan bobot komposit.

• Skor keseluruhan R, dari alternatif ke-i adalah jumlah total peringkatnya

di setiap level dan dengan demikian dihitung dengan cara berikut:

EDUNEX ITB
32

Studi Kasus AHP

• Permasalahan melibatkan evaluasi tiga lokasi (bidang tanah: A, B, dan C)
untuk pembangunan berdasarkan tujuan ekonomi dan lingkungan.
• Tujuan keseluruhannya adalah untuk mengidentifikasi bidang tanah yang
terbaik.

EDUNEX ITB
33

EDUNEX ITB
34

Ideal Point Methods

EDUNEX ITB
35

Metode Titik Ideal

• Metode Titik Ideal (IPM)
mengevaluasi dan mengurutkan
alternatif keputusan berdasarkan:
penyimpangan atau jarak mereka dari
titik ideal
• Tujuan keseluruhan dari metode ini
adalah untuk menemukan alternatif
yang sedekat mungkin dengan
alternatif ideal (Karni dan • Balioti et al., 2018;Suder and
Werczberger, 1995; Zeleny, 1982). Kahraman, 2018

EDUNEX ITB
36

Metode Titik Ideal

• Si+ adalah pemisahan alternatif dari titik ideal

• wi adalah bobot ditetapkan ke kriteria
• Xij adalah nilai kriteria yang dinormalisasi dari
alternatif
• X+i adalah nilai ideal untuk kriteria
• p adalah peringkat faktor daya dari 1 hingga ∞

EDUNEX ITB
37

Metode Titik Ideal

• Keuntungan penggunaan pendekatan Titik Ideal untuk masalah
kesesuaian lahan adalah bahwa pendekatan ini menghasilkan
kumpulan bobot dan peringkat yang lengkap untuk setiap atribut.
• Ini mengatasi beberapa kelemahan yang terkait dengan saling
ketergantungan antara kriteria di bawah pendekatan seperti
Analytical Hierarchy Process (AHP) dan Weighted Liner Combination
approaches (Zeleny 1982, Pereira dan Duckstein 1993, Malczewski
1996).

EDUNEX ITB
38

Concordance Method

EDUNEX ITB
39

Definisi Concordance Method

Concordance Method merupakan bagian dari kelompok MADM (Multi
Attribute Decision Making). (Pinem & Pungkasanti, 2017)

DEFINISI CONCORDANCE METHOD:

“Metode pengambilan keputusan multikriteria berdasarkan pada
konsep outranking dengan menggunakan perbandingan berpasangan
dari alternatif pada kriteria yang sesuai”
(Suprihatini et al., 2013)

EDUNEX ITB
40

Langkah-langkah Menggunakan
Concordance Method
Langkah-langkah yang dilakukan yaitu:
1. Normalisasi Matrik Keputusan
2. Pembobotan Pada Matrik Yang Telah Di Normalisasi
3. Menentukan Nilai Concordance Dan Nilai Discordance
4. Menentukan Matrik Dominan Concordance Dan Discordance
5. Menentukan Aggregate Dominance Matrik
6. Eliminasi Alternatif Yang Less Favourable

EDUNEX ITB
41
Contoh Menggunakan Concordance
Method
Keterangan:
C1= Harga
C2= Jenis Bangunan
C3= Luas
C4= Fasilitas

Pembobotan Nilai

Alternatif Kos-kosan Diubah kedalam

Bentuk Matriks
Keputusan
D i ketahui B o b o t P referens i :
C 1= 1
C 2=2
C 3= 3
C 4= 3
EDUNEX ITB
42
Contoh Menggunakan Concordance
Method
1. Normalisasikan Matrik Keputusan (R) dengan rumus:

Nilai Matriks Keputusan (X)

N i l a i M a t r i ks R

EDUNEX ITB
43

Contoh Menggunakan Concordance

Method
2. Pembobotan pada matrik yang telah di normalisasi/ Weighted Normalized Matrix
(V) dengan rumus:

Maka, nilai V sebagai berikut:

Dijadikan kedalam
bentuk matrik

EDUNEX ITB
44

Contoh Menggunakan Concordance

Method
3. Menentukan nilai concordance dan nilai discordance dan Matriksnya
dengan rumus:

Rumus concordance: Diubah kedalam Matrik

Rumus discordance : Diubah kedalam Matrik

EDUNEX ITB
45
Contoh Menggunakan Concordance
Method
4. Menentukan matrik dominan concordance dan discordance:

“Untuk membangun matriks dominan pada concordance dan

discordance dapat menggunakan bantuan nilai threshold”
(Suprihatini et al., 2013)
Rumus Threshold Concordance Rumus Threshold Discordance

EDUNEX ITB
46

Contoh Menggunakan Concordance

Method
5. Menentukan aggregate dominance (E) matrik dengan rumus:

EDUNEX ITB
47

Contoh Menggunakan Concordance

Method
6. Eliminasi Alternatif Yang Less Favourable

Matrik aggregate dominance (E) memberikan urutan pilihan dari setiap

alternatif, yaitu:
✓ Bila baris pada matrik E (e k i = 1) paling sedikit, maka alterntif tersebut
dapat tereleminasi.
✓ Bila baris pada matrik E (e k i = 1) paling banyak, maka alterntif tersebut
adalah yang terbaik dari alternatif yang lain
✓ Bila semua baris pada matrik E (e k i = 0), maka untuk pemilihan
alternatif yang terbaik menggunakan Weighted Normalized Matrix (V)

Alternatif
terbaik:
1. A1
2. A3
3. A2 EDUNEX ITB
48

Fuzzy Aggregation
Method

EDUNEX ITB
49
Fuzzy Aggregation Operation
Bilangan Fuzzy
Pengaplikasian Fuzzy set dalam pengambilan keputusan
atau decision making mengambil peran penting dalam Domain bilangan real

proses “fuzzification“ di tahap metodologi analisis Contoh:

Fungsi Segitiga
keputusan klasik.
Fungsi Trapesium, dll

Menurut Bellman dan Zadeh (1970), model generic fuzzy

dikembangkan dari analogi penentuan masalah klasik.
Fuzzy Set Membership

Yang masalah didefinisikan sebagai optimalisasi fungsi

Unit spatial yang mewakili suatu tingkat
kriteria kepada sekumpulan constraint (Kendala). Curam, Landai, Panjang, Besar
Suitable, Moderate
Dalam Keputusan Fuzzy dibutuhkannya penggabungan
kriteria fuzzy dan constraint fuzzy untuk membentuk
suatu keputusan.

Variable Fuzzy Linguistik

(Eastman 1997) s (Klir dan Yuan 1995) EDUNEX ITB
21/09/2021 49
50
Fuzzy Additive Weighting Method

Ide dibalik Fuzzy Additive Weighting (FSAW) menggunakan metode

yang sama dengan Simple Additive Weighting (SAW), keduanya
menggunakan pembobotan rerata sebagai aggregation operator yang
membedakan kedua metode ini pada penggunaan data fuzzy dalam
operasinya

EDUNEX ITB
51
Fuzzy Additive Weighting Method
Evaluasi nilai tanah untuk
Two Term Conversion Scale

pembangunan perumahan masa

depan
Terbagi 3 Area
2 Kriteria :
Kondisi
- Slope
Slope : Medium
- Aksesibilitas
Accessbilitas : High

Kriteria: Kriteria:

EDUNEX ITB
21/09/2021
52
Fuzzy Additive Weighting Method
w1 = (0.4,0.6, 0.6, 0.8) w2 = (0.6,0.8, 0.8, 1.0)

1. Tahap pertama lakukan operasi perkalian

1 individual komponen dari nilai fuzzy dikalikan
dengan koresponden pembobotannya.

2. Tahap kedua dilakukannya penjumlahan antar

kriteria pada masing masing area

3. Tahap ketiga lakukan rangking dari hasil ketiga

alternatif tersebut untuk mempresentasikan

2 area mana yang terbaik

Ranking 1

3 Ranking 3
Ranking 2 EDUNEX ITB
53
Ordered Weighted Average

Model Bellman-Zadeh dapat diperluas ke berbagai

operasi untuk menggabungkan fuzzy set. Ada tiga
operator penggabungan fuzzy (atau fungsi agregasi):
(1) operator untuk perpotongan himpunan fuzzy, (2)
operator untuk gabungan himpunan fuzzy, dan (3)
operator rata-rata.

EDUNEX ITB
54
Ordered Weighted Average
3 Kriteria harus diminimalkan

3 Kriteria :

- Cost

- Jarak ke Sungai

- Slope

Ranking Kriteria Berdasarkan

alternatifnya

Urutan pembobotannya

W*= [1,0,0]
W = [0.5,0.3,0.2]
W. = [0,0,1]

EDUNEX ITB
55
Ordered Weighted Average

EDUNEX ITB
56

Thank You!

EDUNEX ITB