Anda di halaman 1dari 67

ANALYTICAL HIERARCHY PROCESS

Agustian Suseno, ST., MM.

Analytical Hierarchy Process digunakan untuk.. menyusun struktur masalah dan.. menyusun prioritas keputusan

dengan didasarkan pada beragamnya kriteria yang ada.

Goal
memahami konsep dasar pengambilan keputusan keputusan dalam setiap organisasi ataupun individu. mengetahui berbagai macam ilustrasi dalam penyelesaian masalah keputusan manajemen. mengidentifikasi terhadap masalah yang dihadapi perusahaan. menyusun masalah secara hierarki. menyusun prioritas keputusan.

Outline
PENDAHULUAN

KONSEP-KONSEP DASAR KEGUNAAN AHP LANGKAH DAN PROSEDUR ANALYTICAL HIERARCHY PROCESS CONTOH PENERAPAN

LATIHAN SOAL

PENDAHULUAN

PENDAHULUAN
Sumber masalah dalam pengambilan keputusan: ketidakpastian ketidaksempurnaan informasi keberagaman kriteria

AHP..
Analytical Hierarchy Process (AHP) adalah suatu metode analisis dikembangkan oleh Thomas L.Saaty untuk menyusun struktur masalah dan mengambil keputusan atas suatu alternatif penerapannya sudah meluas ke berbagai model alternatif; contoh: analisis manfaat biaya, memilih portofolio, peramalan.

AHP..
Merupakan teori umum mengenai pengukuran; Empat macam skala pengukuran yang biasanya digunakan secara berurutan adalah skala nominal, ordinal, interval dan rasio. Skala yang lebih tinggi dapat dikategorikan menjadi skala yang lebih rendah, namun tidak sebaliknya.

AHP..
Contoh: Pendapatan per bulan yang berskala rasio dapat dikategorikan menjadi tingkat pendapatan yang berskala ordinal atau kategori (tinggi, menengah, rendah) yang berskala nominal. Sebaliknya jika pada saat dilakukan pengukuran data yang diperoleh adalah kategori atau ordinal, data yang berskala lebih tinggi tidak dapat diperoleh.

AHP mengatasi sebagian permasalahan ini.

AHP..
AHP digunakan untuk menurunkan skala rasio dari beberapa perbandingan berpasangan yang bersifat diskrit maupun kontinu. Perbandingan berpasangan tersebut dapat diperoleh melalui pengukuran aktual maupun pengukuran relatif dari derajat kesukaan, atau kepentingan atau perasaan. Jadi, metode ini sangat berguna untuk membantu mendapatkan skala rasio dari hal-hal yang semula sulit diukur seperti pendapat, perasaan, perilaku, dan kepercayaan.

KONSEP-KONSEP DASAR

Kegunaan AHP
secara umum: untuk memecahkan perencanaan, berbagai masalah penentuan alternatif, kompleks yang tak penyusunan prioritas, terstruktur pemilihan kebijaksanaan,
alokasi sumber, penentuan kebutuhan, peramalan hasil, perancangan sistem, pengukuran kinerja, optimasi.

Kegunaan AHP
Keunggulan: (1)
Kesatuan. AHP adalah suatu metode terintegrasi yang secara fleksibel dapat digunakan untuk menyelesaikan beragam jenis masalah yang tak terstruktur Kompleksitas. AHP menyatukan pendekatan deduktif dan sistem untuk digunakan secara komprehensif dan rinci, menelaah masalah yang kompleks. Ketergantungan elemen. AHP dapat menyelesaikan masalah dimana elemen-elemennya saling tergantung Penyusunan hierarki. AHP menduplikasi kemampuan manusia menyusun struktur masalah ke dalam hierarki

Kegunaan AHP
Keunggulan: (2)
Pengukuran. AHP menyediakan skala pengukuran untuk elemen-elemen kualitatif dan abstrak Konsistensi. AHP memberikan konsistensi dalam perbandingan prioritas dan penilaian elemen, yang merupakan refleksi atas logika penalaran manusia Sistemis. AHP menghasilkan pertimbangan dan penilaian menyeluruh untuk setiap alternatif

Kegunaan AHP
Kelemahan:
Menuntut partisipasi pihak yang benar-benar mengetahui masalah, khususnya dalam penyusunan hierarki permasalahan. Jika dalam pengambilan keputusan berkelompok terdapat perbedaan yang sangat ekstrim maka AHP tidak dapat langsung diterapkan, sebagai pendahuluan dapat diterapkan metode yang dapat menyatukan pendapat/masalah.

Langkah dan Prosedur Analytical Hierarchy Process...


1. Mendefinisikan masalah dan menentukan tujuan. 2. Menstrukturkan permasalahan ke dalam hierarki yang diawali dengan membuat tujuan umum, dilanjutkan dengan subtujuan, kriteria, dan kemungkinan alternatif-alternatif pada tingkatan kriteria paling bawah. 3. Melakukan pengumpulan data kontribusi relatif tiap elemen. 4. Menghitung perhitungan bobot dan konsistensi. 5. Melakukan langkah 3 dan 4 untuk seluruh tingkatan hierarki kriteria, sub-kriteria. 6. Mensintesis dan mencari solusi permasalahan.

HIERARKI
merupakan identifikasi elemen-elemen suatu masalah yang tersusun secara logis dan sistematik dalam tingkatan/level dimana setiap tingkat merupakan kelompok elemen-elemen yang homogen/sama dan setiap elemen mempunyai tingkatan yang sama harus bersifat bebas/independent.

HIERARKI
Struktur hierarki yang dibuat dalam AHP adalah kumpulan pertimbangan dan alternatif keputusan yang tergambar dalam bentuk tingkatan hierarki (level). Setiap tingkatannya meliputi beberapa elemen (kriteria dan subkriteria).

HIERARKI
2 jenis hierarki: hierarki struktural: hierarki yang menyusun sistem kompleks ke dalam elemen-elemen berdasarkan sifat elemen tersebut.
Struktur: gambaran logika manusia dalam menilai, memilih alternatif, dan menerima informasi

hierarki fungsional: hierarki yang menyusun sistem kompleks ke dalam elemen-elemennya berdasarkan fungsi elemen tersebut.
Misalnya organisasi suatu perusahaan dapat dibagi ke dalam fungsi desain, produksi, dll.

HIERARKI
Pegangan dalam menyusun hierarki: Walaupun suatu hierarki tidak dibatasi dalam jumlah tingkat (level) tetapi sebaiknya dalam setiap sub sistem hierarki tidak terdapat terlalu banyak elemen (sekitar lima sampai sembilan elemen). Karena setiap elemen akan dibandingkan dengan elemen lain dalam suatu sub sistem hierarki yang sama, maka elemen-elemen tersebut haruslah setara dalam kualitas.

HIERARKI
Kriteria-kriteria yang dimasukkan dalam AHP harus: Lengkap; mencakup semua aspek penting dari masalah. Operasional; dapat dianalisis, baik secara kuantitatif maupun kualitatif, dan dapat dikomunikasikan. Independen; kriteria yang satu tidak tergantung dari kriteria yang lain. Minimum; jumlah kriteria harus optimal untuk memudahkan analisis.

HIERARKI
contoh:

PENGUMPULAN DATA
Pengumpulan data perbandingan berpasangan (pairwise comparison) dapat dilakukan dengan metode kuesioner. Kemudian data diterjemahkan ke dalam nilai kontribusi relatif terhadap masing-masing tujuan atau kriteria yang setingkat di atasnya. Metode penilaian & pemilihan alternatif yang umum digunakan adalah Pair-wise Comparison Judgement Matrices (PCJM). Metode lainnya adalah Liberatore. (Dalam perkuliahan ini, yang dibahas hanya PCJM)

PENGUMPULAN DATA
Intensitas kepentingan 1 Keterangan Kedua elemen sama pentingnya Elemen yang satu sedikit lebih penting daripada elemen yang lain Elemen yang satu lebih penting daripada elemen yang lainnya Elemen yang satu sangat penting daripada elemen yang lainnya Penjelasan Dua elemen mempunyai pengaruh yang sama besar terhadap tujuan Penilaian sedikit memihak satu elemen dibandingkan dengan pasangannya Penilaian secara kuat memihak satu elemen dibandingkan dengan pasangannya

Satu elemen lebih disukai dan secara praktis dominasinya 7 sangat nyata dibandingkan dengan elemen pasangannya Satu elemen terbukti mutlak lebih disukai dibandingkan 9 Mutlak lebih penting dengan elemen pasangannya pada tingkat keyakinan tertinggi Nilai tengah di antara Diberikan bila terdapat penilaian 2,4,6,8 dua pendapat yang antara dua penilaian yang berdampingan berdekatan Kebalikan dari nilai di atas: bila elemen i mendapatkan salah satu nilai di atas pada saat dibandingkan dengan elemen j, maka elemen j mempunyai nilai kebalikannya bila dibandingkan dengan elemen i. (aij=1/aji)

PENGUMPULAN DATA
Hasil perbandingan secara berpasangan elemen-elemen operasi akan membentuk matriks perbandingan yang dinyatakan sebagai berikut:
A1 A1 A2 ... An a11 a21 ... an1 A2 a12 a22 ... an2 A3 a13 a23 ... an3 ... ... ... ... An a1n a2n ... Ann

PENGUMPULAN DATA
A1 A2 A3 ... An

A1
A2 ... An

a11 a12 a13


a21 a22 a23 ... ... ...

...
... ...

a1n
a2n ... Ann

an1 an2 an3

Nilai aij adalah nilai perbandingan elemen Ai terhadap Aj yang menyatakan: Seberapa jauh tingkat kepentingan Ai dibandingkan dengan Aj Seberapa banyak kontribusi Ai terhadap kriteria B dibandingkan dengan Aj Seberapa banyak sifat kriteria B terdapat pada Ai dibandingkan dengan Aj Bila diketahui nilai aij, maka aji = 1/aij.

PENGUMPULAN DATA
Penilaian yang melibatkan banyak partisipan (MULTI PARTISIPAN) akan menghasilkan pendapat yang berbeda antara satu partisipan dengan partisipan lainnya. AHP hanya membutuhkan satu jawaban untuk satu matriks berpasangan. Jadi semua jawaban partisipan harus dirataratakan. Untuk mendapatkan satu nilai perbandingan rasio tersebut, Thomas L. Saaty memberikan metode perataan geometris atau Geometric Mean Theory (GM). Perataan geometris menyatakan bahwa jika terdapat n partisipan yang melakukan perbandingan berpasangan, maka terdapat n nilai untuk tiap pasangan.

PENGUMPULAN DATA
Untuk mendapatkan satu nilai tertentu dari semua nilai tersebut, maka masing-masing nilai harus dikalikan satu sama lain kemudian hasil perkalian tersebut dipangkatkan dengan (1/n). Secara matematis, dapat dituliskan sebagai berikut : Aij =(ZI x Z2 x Z3 x ... x Zn)1/n dimana : Aij = nilai rata-rata perbandingan antara kriteria Ai dengan Aj untuk n partisipan Zi = nilai perbandingan antara kriteria Ai dengan Aj untuk partisipan ke- i i = 1,2,3,...,n ; n = jumlah partisipan.

PENGUMPULAN DATA
A1 A1 a11 A2 A3 a13 ... ... An a1n

5
a22
... an2

A2
... An

a21
... an1

a23
... an3

...
...

a2n
... Ann

Dengan metode PCJM, jika a12 = 5 maka artinya elemen 1 lebih penting daripada elemen 2

PERHITUNGAN BOBOT :
Perhitungan bobot dilakukan untuk mengetahui cerminan hasil dari perbandingan (comparison) Bobot masing-masing komponen dinyatakan dengan wi, w2,..., wn. Agar mendapatkan bobot wi untuk setiap judgement aij, dilakukan pengerjaan melalui tiga tahap.

PERHITUNGAN BOBOT (Tahap Pertama)


Dalam kasus ideal (yang didasarkan hasil pengukuran eksak), hubungan antara bobot wi dengan hasil judgment aij adalah sebagai berikut : aij = wi/wj untuk ij =1, 2, ... , n. Bila vektor pembobotan elemen-elemen operasi A1, A2, ..., An tersebut dinyatakan sebagai vektor w = (w1, w2, ..., wn), maka nilai intensitas kepentingan elemen operasi A1 dibandingkan dengan A2 dapat dinyatakan sebagai perbandingan bobot elemen operasi A1 terhadap A2 yaitu w1/w2 yang sama dengan a12 sehingga matrik perbandingan semula dapat diperlihatkan berikut ini:

PERHITUNGAN BOBOT (Tahap Pertama)


A1 A1 A2 ... An A2 ... ... ... ... ... An w1/wn w2/wn ... wn/wn

w1/w1 w1/w2 w2/w1 w2/w2 ... ...

wn/w1 wn/w2

PERHITUNGAN BOBOT (Tahap Pertama)


Kepentingan relatif tiap faktor dari setiap baris pada matrik dapat dinyatakan sebagai bobot relatif yang dinormalkan (normalized relative weight). Bobot relatif yang dinormalkan ini merupakan suatu bobot nilai relatif untuk masing-masing faktor pada setiap kolom, dengan membandingkan masingmasing nilai skala dengan jumlah kolomnya.

PERHITUNGAN BOBOT (Tahap Pertama)


Eigen-vektor utama yang dinormalkan (normalized principal eigenvector) adalah identik dengan menormalkan kolom-kolom dalam matrix perbandingan berpasangan. Ini merupakan bobot nilai rata-rata secara keseluruhan, yang diperoleh dari rata-rata bobot relatif yang dinormalkan masing-masing faktor pada setiap barisnya.

PERHITUNGAN BOBOT (Tahap Kedua)


Tahap ini dilakukan untuk melihat seberapa besar kelonggaran yang pantas diberikan untuk penyimpangan Untuk itu, kita perlu menghitung vektor eigen dengan persamaan:
aijwj = nwi yang eqivalen dengan: i = 1,2,....n

AW = nW
W adalah vektor eigen dari matriks A dengan eigenvalue (n).

PERHITUNGAN BOBOT (Tahap Ketiga)


Pada kasus nyata, nilai aij tidak selalu sama dengan wi/wj.
Untuk selanjutnya nilai n diganti dengan vektor , sehingga persamaan menjadi: AW = W dengan = (1, 2, 3, , n)

Setiap n yang memenuhi persamaan di atas disebut nilai eigen, sedangkan vektor W disebut vektor eigen.

PERHITUNGAN BOBOT (Tahap Ketiga)


Bila matriks A adalah matriks yang konsisten maka semua nilai eigen bernilai 0 kecuali satu yang bernilai sama dengan n.
Bila matriks A adalah matriks yang tak konsisten, variasi kecil atas aij akan membuat nilai eigen value terbesar maks tetap dekat dengan n, dan nilai eigen lainnya mendekati nol.

Nilai maks dapat dicari dari persamaan:


AW=maks.W Atau (A -maksI)W = 0 I adalah matriks identitas dan 0 adalah matriks nol.

PERHITUNGAN KONSISTENSI
Penyimpangan dari konsistensi dinyatakan dengan Indeks Konsistensi (Consistency Index) yang disingkat CI. Nilai CI didapat dari persamaan berikut:

Indeks Konsistensi (CI) matriks random dengan skala penilaian 1 s/d 9 beserta kebalikannya disebut Indeks Random (RI).

PERHITUNGAN KONSISTENSI
Random Index untuk matriks A :

1.98(n 2) RI n

PERHITUNGAN KONSISTENSI
Ukuran Matriks 1,2 3 4 5 6 7 8 9 10 11 12 13 14 15 Indeks Random (Inkonsistensi) 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51 1.48 1.56 1.57 1.59

PERHITUNGAN KONSISTENSI
Perbandingan antara CI dan RI untuk suatu matriks didefinisikan sebagai Ratio Konsistensi (CR).

Menurut Thomas L. Saaty hasil penilaian yang diterima adalah matriks yang mempunyai perbandingan konsistensi lebih kecil atau sama dengan 10% (CR 0.1). Jika lebih besar dari angka 10% berarti penilaian yang telah dilakukan bersifat random dan perlu diperbaiki.

SOLUSI
Dilakukan perhitungan bobot lokal, dan bobot global untuk setiap kriteria, sub-kriteria serta alternatif sehingga dapat diperoleh solusi.

CONTOH PENERAPAN

Sebuah perusahaan ingin menentukan lokasi pembangunan pabriknya di pulau Sumatera. Penentuan lokasi dilakukan oleh decision maker dengan kriteria penilaian, yaitu : posisi geografis, upah buruh, ketersediaan bahan baku, luas wilayah, dan kepadatan penduduk. Alternatif keputusan lokasi yang akan diambil adalah : Aceh, Medan, Batam, Padang, Palembang, Bandar Lampung.

Langkah 1
definisi permasalahan dan Tujuan : memilih lokasi pembangunan pabrik

Langkah 2
Struktur Hierarki
Penentuan lokasi

Luas wilayah

posisi geografis

upah buruh

ketersediaan bahan baku

Kepadatan penduduk

Palembang

Aceh

Medan

Batam

Padang

Bandar Lampung

Langkah 3

membuat matriks perbandingan berpasangan & normalisasi

Langkah 3
PCJM kriteria terhadap tujuan :
matriks perbandingan berpasangan

Posisi Geografis Posisi Geografis 1,00 Upah Buruh 0,20 Ketersediaan 0,33 Bahan Baku Luas Wilayah 0,20 Kepadatan 0,50 Penduduk TOTAL 2,23

KRITERIA

Upah Ketersediaan Luas Kepadatan Buruh Bahan Baku Wilayah Penduduk 5,00 3,00 5,00 2,00 1,00 0,25 4,00 0,50 4,00 0,25 2,00 12,25 1,00 0,20 1,00 5,45 5,00 1,00 2,00 17,00 1,00 0,50 1,00 5,00

Langkah 4
Normalisasi PCJM kriteria terhadap tujuan :
matriks normalisasi Posisi Upah Geografis Buruh
0,45 0,09 0,15 0,09 0,22 1,00 0,41 0,08 0,33 0,02 0,16 1,00

4,00 : 12.25
Ketersediaan Luas Kepadatan Bahan Baku Wilayah Penduduk
0,55 0,05 0,18 0,04 0,18 1,00 0,29 0,24 0,29 0,06 0,12 1,00 0,40 0,10 0,20 0,10 0,20 1,00

0,56 : 5,00
Priority vector
0,42 0,11 0,23 0,06 0,18 1

KRITERIA Posisi Geografis Upah Buruh Ketersediaan Bahan Baku Luas Wilayah Kepadatan Penduduk TOTAL

Jumlah

2,10

0,56 1,15
0,31 0,88 5

Kriteria yang menjadi prioritas utama adalah posisi geografis karena memiliki nilai priority vector terbesar, yaitu 0,42

Langkah 4 Uji Konsistensi

max =

5.3799

CI =

= 0.094977

CR =

= 0.085648
(konsisten)

Langkah 5
Perhitungan yang sama juga dilakukan pada tiap alternatif, dengan membandingkan tiaptiap lokasi terhadap masing-masing kriteria.

Langkah 5
1 : Posisi Geografis
matriks perbandingan berpasangan
Posisi Geografis Aceh Medan Batam Padang Palembang Bandar Lampung 0,25 3,00 0,50 0,33 1,00 1,00 6,08

Aceh Medan Batam


Padang Palembang Bandar Lampung TOTAL

1,00 5,00 4,00


3,00 5,00 4,00 22,00

0,20 1,00 0,20


0,25 0,33 0,33 2,32

0,25 5,00 1,00


0,50 2,00 2,00 10,75

0,33 4,00 2,00


1,00 4,00 3,00 14,33

0,20 3,00 0,50


0,25 1,00 1,00 5,95

Langkah 5
1 : Posisi Geografis
Normalisasi
Posisi Geografis Aceh Medan Batam Padang Aceh 0,05 0,23 0,18 0,14 Medan 0,09 0,43 0,09 0,11 Batam 0,02 0,47 0,09 0,05 Padang 0,02 0,28 0,14 0,07

Palembang 0,03 0,50 0,08


0,04

Bandar Lampung 0,04 0,49 0,08


0,05

Priority vector 0,04 0,40 0,11


0,08

Palembang Bandar Lampung TOTAL

0,23 0,18 1,00

0,14 0,14 1,00

0,19 0,19 1,00

0,28 0,21 1,00

0,17 0,17 1,00

0,16 0,16 1,00

0,19 0,18

Langkah 5
1 : Posisi Geografis
Uji Konsistensi max = 6.289156558 CI = 0.0578313 CR = 0.046638155 (konsisten)

Langkah 5
2 : Upah Buruh
matriks perbandingan berpasangan
Upah Buruh Aceh Aceh 1,00 Medan 2,00 Batam 4,00 Padang 3,00

Palembang 0,33 0,50


0,33 0,33 1,00 0,50 3,00

Bandar Lampung 3,00

Medan
Batam Padang Palembang Bandar Lampung TOTAL

0,50
0,25 0,33 3,00 0,33 5,42

1,00
2,00 0,50 2,00 0,33 7,83

0,50
1,00 0,33 3,00 0,50 9,33

2,00
3,00 1,00 3,00 2,00 14,00

3,00
2,00 0,50 2,00 1,00 11,50

Langkah 5
2 : Upah Buruh
Normalisasi
Upah Buruh Aceh Medan Batam Padang Palem- Bandar bang Lampung Priority vector

Aceh
Medan Batam Padang Palembang Bandar Lampung TOTAL

0,18
0,09 0,05 0,06 0,55 0,06 1,00

0,26
0,13 0,26 0,06 0,26 0,04 1,00

0,43
0,05 0,11 0,04 0,32 0,05 1,00

0,21
0,14 0,21 0,07 0,21 0,14 1,00

0,11
0,17 0,11 0,11 0,33 0,17 1,00

0,26
0,26 0,17 0,04 0,17 0,09 1,00

0,24
0,14 0,15 0,06 0,31 0,09

Langkah 5
3 : Ketersediaan bahan baku
matriks perbandingan berpasangan

Ketersediaan Bahan Baku Aceh Medan Batam Padang Palembang Bandar Lampung TOTAL

Aceh Medan Batam 1,00 2,00 3,00 2,00 4,00 3,00 15,00 0,50 1,00 2,00 0,33 3,00 3,00 9,83 0,33 0,50 1,00 0,33 3,00 2,00 7,17

Padang 0,50 3,00 3,00 1,00 4,00 3,00 14,50

Palembang 0,25 0,33 0,33 0,25 1,00 0,33 2,50

Bandar Lampung 0,33 0,33 0,50 0,33 3,00 1,00 5,50

Langkah 5
3 : Ketersediaan bahan baku
normalisasi

Ketersediaan Bahan Baku Aceh Medan Batam Padang Palembang Bandar Lampung TOTAL

Aceh 0,07 0,13 0,20 0,13 0,27 0,20 1,00

Medan Batam Padang 0,05 0,10 0,20 0,03 0,31 0,31 1,00 0,05 0,07 0,14 0,05 0,42 0,28 1,00 0,03 0,21 0,21 0,07 0,28 0,21 1,00

Palem- Bandar Priority bang Lampung vector 0,10 0,13 0,13 0,10 0,40 0,13 1,00 0,06 0,06 0,09 0,06 0,55 0,18 1,00 0,06 0,12 0,16 0,07 0,37 0,22

Langkah 5
4 : Luas Wilayah
matriks perbandingan berpasangan

Luas Wilayah

Aceh

Medan 0,50 1,00 0,50 0,33 1,00 0,33 3,67

Batam 0,33 2,00 1,00 2,00 2,00 0,50 7,83

Padang 1,00 3,00 0,50 1,00 4,00 0,33 9,83

Aceh 1,00 Medan 2,00 Batam 3,00 Padang 1,00 Palembang 3,00 Bandar Lampung 2,00 TOTAL 12,00

Palembang 0,33 1,00 0,50 0,25 1,00 0,33 3,42

Bandar Lampung 0,50 3,00 2,00 3,00 3,00 1,00 12,50

Langkah 5 4 : Luas Wilayah


normalisasi
Luas Wilayah Aceh Medan Batam Padang Palembang Bandar Lampung TOTAL Aceh 0,08 0,17 0,25 0,08 0,25 0,17 1,00 Medan 0,14 0,27 0,14 0,09 0,27 0,09 1,00 Batam Padang 0,04 0,26 0,13 0,26 0,26 0,06 1,00 0,10 0,31 0,05 0,10 0,41 0,03 1,00 Palem- Bandar bang Lampung 0,10 0,29 0,15 0,07 0,29 0,10 1,00 0,04 0,24 0,16 0,24 0,24 0,08 1,00 Priority vector 0,08 0,26 0,15 0,14 0,29 0,09

Langkah 5

5 : Kepadatan Penduduk
matriks perbandingan berpasangan Kepadatan Penduduk Aceh Medan Batam Padang Palembang Bandar Lampung TOTAL Aceh 1,00 3,00 2,00 0,33 0,50 0,50 7,33 Medan 0,33 1,00 0,33 0,25 0,50 0,33 2,75 Batam 0,50 3,00 1,00 0,25 2,00 2,00 8,75 Padang 3,00 4,00 4,00 1,00 3,00 2,00 17,00 PalemBandar Lampung bang 2,00 2,00 0,50 0,33 1,00 0,33 6,17 2,00 3,00 0,50 0,50 3,00 1,00 10,00

Langkah 5 5 : Kepadatan Penduduk


normalisasi

Kepadatan Penduduk Aceh Medan Batam Padang Palembang Bandar Lampung TOTAL

Aceh 0,14 0,41 0,27 0,05 0,07 0,07 1,00

Medan Batam Padang 0,12 0,36 0,12 0,09 0,18 0,12 1,00 0,06 0,34 0,11 0,03 0,23 0,23 1,00 0,18 0,24 0,24 0,06 0,18 0,12 1,00

Palem- Bandar bang Lampung 0,32 0,32 0,08 0,05 0,16 0,05 1,00 0,20 0,30 0,05 0,05 0,30 0,10 1,00

Priority vector 0,17 0,33 0,15 0,05 0,19 0,11

Langkah 6
Priority vector
Posisi Geografis 0,42 0,04 0,40 0,11 0,08 0,19 0,18 Upah Buruh 0,11 0,24 0,14 0,15 0,06 0,31 0,09 Ketersediaan Bahan Baku 0,23 0,06 0,12 0,16 0,07 0,37 0,22 Luas Wilayah 0,06 0,08 0,26 0,15 0,14 0,29 0,09 Kepadatan Penduduk 0,18 0,17 0,33 0,15 0,05 0,19 0,11

Aceh Medan Batam Padang Palembang Bandar Lampung

Langkah 6
Priority Ranking
Priority ranking Aceh Medan Batam Padang Palembang Bandar Lampung 0,09 0,28 0,14 0,07 0,25 0,16
= + + + + kriteria 0,42 0,11 0,23 0,06 0,18 x x x x x Alt. Aceh 0,04 0,24 0,06 0,08 0,17

LATIHAN SOAL

Soal 1.
Pada matriks perbandingan di bawah ini tentukan prioritas masing-masing kriteria dan tentukan konsistensi matriks perbandingannya?
Learning & Growth

Kriteria

IBP

Financial

Customer

IBP Financial Customer Learning & Growth

1 0.5 3 1

2 1 4 1

0.333 0.25 1 0.333

1 1 3 1

Soal 2.
Pada matriks perbandingan di bawah ini tentukan prioritas masing-masing sub kriteria dari Learn & Growth dan tentukan konsistensi matriks perbandingannya?
Information on Capital 1 5 Organizational Capital 1/5 1 Human capital 1/4 1

Sub Kriteria Information on Capital Organizational Capital

Human capital