Bab 7

Metode Multi Attribute Utility

Theory (MAUT)

7.1 Pendahuluan
Metode MAUT (Multi Attribute Utility Theory) merupakan metode yang
fundamental selain metode MFEP(Multi Factor Evaluation Process). Metode ini
terlihat memiliki proses penyelesaian yang merupakan penggabungan metode
Analythical Hierarchy Process (AHP) dan metode Simple Additive Weighting
(SAW). Adapun algoritma penyelesaian metode ini yaitu:
Multi Attribute Utility Theory (MAUT) merupakan suatu skema yang evaluasi
akhir, v(x), dari suatu objek x didefenisikan sebagai bobot yang dijumlahkan
dengan suatu nilai yang relevan terhadap nilai dimensinya. Ungkapan yang
biasa digunakan untuk menyebutnya adalah nilai utilitas [11]–[14]. MAUT
digunakan untuk merubah dari beberapa kepentingan kedalam nila numerik
dengan skala 0-1 dengan 0 mewakili nilai terburuk dan 1 terbaik. Hal ini
memungkinkan perbandingan langsung yang beragam ukuran [15]–[17]. Untuk
perhitungannya nilai evaluasi seluruhnya dapat didefenisikan dengan beberapa
persamaan, dirumuskan sebagai berikut :
1. Membuat Matriks Keputusan
74 Sistem Pendukung Keputusan- Teori dan Implementasi

𝑋11 𝑋12 ⋯ 𝑋1𝑛

𝑋𝑖𝑗 =[ 𝑋21 𝑋22 … 𝑋2𝑛 ] (1)
𝑋𝑚1 𝑋𝑚2 ⋯ 𝑋𝑚𝑛

Dimana m adalah jumlah alternatif kandidat, n adalah jumlah kriteria evaluasi

dan 𝑋𝑖𝑗 adalah kinerja alternative sehubungan dengan kriteria j.

2. Melakukan normalisasi terhadap matriks keputusan Xij

Untuk kriteria benefit menggunakan persamaan 2, sedangkan kriteria cost
menggunakan persamaan 3

r*ij = 𝑋𝑖𝑗−min (𝑋𝑖𝑗) (2)

max (𝑋𝑖𝑗)−min (𝑋𝑖𝑗)
r*ij = 1 + ( min(𝑋𝑖𝑗)−(Xij) (3)
max (𝑋𝑖𝑗)−min (𝑋𝑖𝑗)

3. Menghitung nilai Utilitas Marjinal (Uij)

Uij = exp(𝑟∗𝑖𝑗)2 −1
1.71 (4)

4. Menghitung nilai Utilitas Akhir (Ui)

𝑛
Ui = ∑ 𝑗 =1 𝑈𝑖𝑗. 𝑊𝑗 (5)

7.2 Contoh Soal Dan Penyelesainnya

Agar lebih memahami berikut ini adalah contoh soal untuk penyelesaian metode
Multi Attribute Utility Theory (MAUT) yaitu: Contoh Soal: Sebuah perusahaan
Bab 7 Metode Multi Attribute Utility Theory (MAUT) 75

akan menon-aktifkan sebagian karyawannya namun mengalami kesulitan

dalam mencari karyawan mana yang layak untuk di non-aktifkan. Untuk itu
diperlukan sistem yang dapat membantu dalam pemilihan karyawan yang layak
di non-aktifkan. Salah satu sistem yang dapat membantu penyelesaian masalah
tersebut yaitu Sistem Pendukung Keputusan.
Sistem Pendukung Keputusan adalah sebuah sistem berbasis komputer yang
interaktif, yang membantu pengambil keputusan memanfaatkan data dan model
untuk menyelesaikan masalah yang tak terstruktur dan semi terstruktur. Metode
MAUT dianggap sesuai dengan seleksi karyawan yang di non-aktifkan, karena
metode MAUT akan melakukan proses perangkingan berdasarkan atribut
dengan bobot yang berbeda-beda sehingga hasilnya lebih optimal.

Tabel 2. Kriteria

Kriteria Keterangan Jenis Bobot

C1 Kinerja Cost 0.457
C2 Umur Benefit 0.257
C3 Lama Bekerja per tahun Benefit 0.157
C4 Pendidikan Cost 0.090
C5 Tanggungan Cost 0.040

Pada tabel 2, nilai bobot di hasilkan dari metode Rank Order

Centroid (ROC). Setelah selesai melakukan pembobotan, maka
akan diperoleh tabel sebagai berikut:
76 Sistem Pendukung Keputusan- Teori dan Implementasi

Tabel 3. Data Alternatif Karyawan

C1 C2 C3 C4 C5
A1 Buruk 34 10 S1 3
A2 Cukup Baik 35 12 D3 3
A3 Buruk 26 4 D3 2
A4 Cukup Baik 27 6 SMA 3
A5 Buruk 24 2 SMA 0
A6 Buruk 27 5 D3 3
A7 Cukup Baik 25 5 SMA 1
A8 Cukup Baik 23 4 S1 1
A9 Cukup Baik 26 3 D3 2
A10 Sangat Buruk 23 2 D3 0

Berikut pembobotan untuk kriteria Kinerja:

Tabel 4. Kriteria Kinerja

Keterangan Bobot
Sangat Buruk 5
Buruk 4
Cukup Baik 3

Berikut pembobotan untuk kriteria Pendidikan terakhir:

Tabel 5 Kriteria Pendidikan terakhir
Keterangan Bobot
SMA 5
D3 4
S1 3
Bab 7 Metode Multi Attribute Utility Theory (MAUT) 77

Berikut tabel kriteria yang telah dilakukan pembobotan

Tabel 6 Rating Kecocokan

Penerapan Metode MAUT

Berikut di bawah ini merupakan tahapan dalam pemrosesan
metode MAUT untuk pengambilan keputusan berdasarkan
data rating kecocokan pada tabel 6 di atas.
Langkah 1: Membuat Matriks Rij
78 Sistem Pendukung Keputusan- Teori dan Implementasi
Bab 7 Metode Multi Attribute Utility Theory (MAUT) 79
80 Sistem Pendukung Keputusan- Teori dan Implementasi
Bab 7 Metode Multi Attribute Utility Theory (MAUT) 81
82 Sistem Pendukung Keputusan- Teori dan Implementasi
Bab 7 Metode Multi Attribute Utility Theory (MAUT) 83
84 Sistem Pendukung Keputusan- Teori dan Implementasi

Dari analisa dan pembahasan yang telah dilakukan, maka dapat

diambil kesimpulan, dalam pemilihan karyawan yang layak
dipekerjakan kembali di masa new normal dengan metode Multi
Attribute Utility Theory (MAUT) dapat membantu pengambilan
keputusan dalam memutuskan alternatif A2 dengan hasil 0,9303, A8
dengan hasil 0,5561, A4 dengan hasil 0,533, A9 dengan hasil 0,4978,
dan A1 dengan hasil 0,4867 adalah 5 alternatif yang layak di
non aktifkan di masa pandemi dengan kriteria yang menjadi
pertimbangan agar mendapatkan satu tujuan yang terbaik