Fuzzy Best-Worst Multi-

Criteria Decision-Making
Method and Its Applications
• DESTRY AULIA H1E016017
• OLGA ADITYA PUTRA H1E016026
• ILHAM MAULANA RAHMAN H1E016029
 Multi Criteria Decision Making
Pengambilan keputusan mengacu pada pemilihan alternatif yang optimal atau
memuaskan dari serangkaian alternatif. Ketika beberapa kriteria
dipertimbangkan, pengambilan keputusan dapat disebut sebagai pembuatan
keputusan multi kriteria. Pembuatan keputusan multi kriteria adalah bagian
penting dari ilmu keputusan modern, rekayasa sistem, dan ilmu manajemen,
yang telah memperoleh berbagai aplikasi di banyak bidang, seperti teknik,
ekonomi, dan manajemen.
Berdasarkan ruang solusi masalah yang diteliti, pembuatan keputusan multi
kriteria dapat dibagi menjadi dua kelas, yaitu pembuatan keputusan multi
atribut (MADM) dan pengambilan keputusan multiobjektif (MODM).
 ✘ Apa itu pembuatan keputusan multi atribut?
variabel keputusan bersifat diskrit, dan jumlah alternatif terbatas, yang juga dapat disebut
sebagai Pembuatan keputusan multi kriteria diskrit, pembuatan keputusan multi atribut
pertama mengevaluasi berbagai alternatif dan daftar alternatif unggul dan inferior

✘ Apa itu pengambilan keputusan multiobjektif?

berisi variabel keputusan yang berkelanjutan dan sejumlah alternatif yang tidak terbatas,
yang juga dapat disebut sebagai pembuatan keputusan multi kriteria berkelanjutan, Namun,
pengambilan keputusan multiobjektif menggunakan teknik optimasi berbasis vektor, yang
merupakan jenis metode pemrograman matematis.
 Fuzzy best worst Multi Criteria Decision
Making method
Pada tahun 1965, Prof. L. A. Zadeh mengusulkan teori himpunan fuzzy. Sebagai perpanjangan
dari teori himpunan klasik, teori himpunan fuzzy dapat memecahkan masalah praktis di bawah
ketidakpastian lingkungan.
 Pengambilan Keputusan Multi Kriteria Terburuk

metode pengambilan keputusan multi kriteria terburuk, diusulkan oleh Rezaei pada tahun 2015,
yang dapat memperoleh bobot kriteria dan alternatif terkait dengan kriteria yang berbeda
berdasarkan perbandingan berpasangan dengan kebutuhan data yang kurang, pengambilan
keputusan multi kriteria terburuk dapat secara efektif memperbaiki ketidakkonsistenan yang
berasal dari perbandingan berpasangan
 Penggunaan Fuzzy

penggunaan informasi fuzzy untuk mencerminkan informasi keputusan dapat menjadi cara
yang lebih baik dalam banyak masalah praktis Pembuatan keputusan multi kriteria (MCDM), .
Sementara itu, banyak metode MCDM berbasis fuzzy telah diusulkan dan banyak digunakan
dalam beberapa tahun terakhir, dan telah digunakan dalam banyak masalah praktis, seperti
evaluasi manajemen darurat, evaluasi pengembangan produk baru, evaluasi perencanaan
sistem distribusi tenaga listrik, dan penilaian situasi.
Langkah-langkah fuzzy BWM
untuk menentukan bobot
fuzzy kriteria (dan penentuan
bobot alternatif fuzzy)
 Langkah 1. Buat sistem kriteria keputusan

✘ Nilai-nilai kriteria keputusan dapat mencerminkan kinerja dari berbagai alternatif.

Anggaplah ada n kriteria keputusan { c 1 , c 2 , , c n }.
Langkah 2. Tentukan kriteria terbaik (paling penting) dan kriteria
terburuk (paling tidak penting)

✘ Berdasarkan sistem kriteria keputusan yang dibangun, kriteria terbaik dan kriteria terburuk
harus diidentifikasi oleh pengambil keputusan. Kriteria terbaik direpresentasikan sebagai cB,
dan kriteria terburuk diberi label sebagai cW
Langkah 3. Lakukan perbandingan referensi fuzzy untuk kriteria
yang terbaik

✘ Satu bagian adalah perbandingan berpasangan 𝑎ത ij dalam kasus bahwa saya adalah
elemen terbaik, dan di sini ci adalah kriteria terbaik cB; yang lain adalah
perbandingan berpasangan 𝑎ത ij dalam kasus bahwa j adalah elemen terburuk, dan di
sini cj adalah kriteria terburuk cW
✘ Kemudian, preferensi fuzzy yang diperoleh ditransformasikan ke TFNs sesuai
dengan aturan transformasi yang ditunjukkan pada Tabel 1. Vektor Best-to-Others
yang diperoleh kabur adalah:
𝐴ሚ B = ( 𝑎෤ B1, 𝑎෤ B2, ... , 𝑎෤ Bn)
✘ Dimana: 𝐴ሚ B = vektor Best-to-Others fuzzy
𝑎෤ Bj = preferensi fuzzy dari kriteria terbaik cB atas kriteria j, j = 1, 2, ···,n.
Dapat diketahui bahwa 𝑎෤ BB= (1, 1, 1)
Langkah 4. Lakukan perbandingan referensi fuzzy untuk kriteria
terburuk
✘ Dengan menggunakan evaluasi linguistik pembuat keputusan yang
tercantum dalam Tabel 1, preferensi fuzzy dari semua kriteria atas kriteria
terburuk dapat ditentukan, dan kemudian mereka ditransformasikan ke
TFNs sesuai dengan aturan transformasi yang tercantum pada Tabel 1

𝐴ሚ w = ( 𝑎෤ 1w, 𝑎෤ 2w, ... , 𝑎෤ nw)

✘ Dimana: 𝐴ሚ w = vektor Fuzzy Others-to-Worst

𝑎෤ 1w = preferensi fuzzy dari kriteria i atas kriteria terburuk cW
i = 1, 2, ···, n. Dapat diketahui bahwa 𝑎෤ ww= (1, 1, 1)
 ෩ 1∗ , W
Langkah 5. Tentukan bobot fuzzy yang optimal (W ෩ 2∗ , … , W
෩ n∗ )

✘ Oleh karena itu, kita dapat memperoleh masalah optimasi terbatas untuk menentukan bobot
fuzzy yang optimal (W ෩ 1∗ , W
෩ 2∗ , … , W
෩ n∗ ) sebagai berikut.

✘ di mana 𝑤 ෥ j= (𝑙jw , 𝑚jw , 𝑢jw ), 𝑤

෥ B= (𝑙Bw , 𝑚Bw , 𝑢Bw ), 𝑤 w , 𝑚w , 𝑢 w ), 𝑎
෥ w= (𝑙w w w ෤ Bj= (lBJ,mBJ,uBJ), 𝑎
෤ jw=
(lJw,mJw,uJw)
✘ Dimana : ξ෨ = (lξ , mξ , uξ )
✘ Dengan lξ ≤ mξ ≤ uξ kemudian kita asumsikan ξ෨* = (k* , k*, k* ), k* ≤ lξ
Maka:
2.3 Rasio konsistensi
untuk fuzzy BWM
✘ Perbandingan fuzzy sepenuhnya konsisten ketika 𝑎ത BJ × 𝑎ത JW = 𝑎ത BW , di mana
𝑎ത BW , 𝑎ത BJ dan 𝑎ത JW adalah preferensi fuzzy dari kriteria terbaik atas kriteria
terburuk, fuzzy preferensi kriteria terbaik atas kriteria j, dan preferensi fuzzy
dari kriteria j atas kriteria terburuk

✘ Menurut Tabel 1, nilai fuzzy maksimum 𝑎ത BW adalah (7/2, 4, 9/2), yang sesuai
dengan istilah linguistik 'Sangat penting (AI)' yang diberikan oleh pembuat
keputusan. Kapan 𝑎ത BJ × 𝑎ത JW ≠ 𝑎ത BW , yang berarti 𝑎ത BJ × 𝑎ത JW mungkin lebih tinggi
atau lebih rendah dari 𝑎ത BW , inkonsistensi dari perbandingan pairwise fuzzy
akan terjadi. Ketika keduanya 𝑎ത BJ dan 𝑎ത JW sama dengan 𝑎ത BW , ketidaksetaraan
akan mencapai yang terbaik, yang menghasilkan ξҧ
✘ Mempertimbangkan terjadinya ketidaksetaraan terbesar, sesuai dengan
relasi kesetaraan (𝑤
ഥB / 𝑤
ഥ j ) × (𝑤
ഥj / 𝑤
ഥW ) = 𝑤
ഥB / 𝑤
ഥ W , persamaan berikut
dapat diperoleh sebagai

✘ Adapun inkonsistensi fuzzy maksimum 𝑎

ത BJ = 𝑎ത JW = 𝑎ത BW , Persamaan. (9)
dapat ditulis sebagai

✘ Diturunkan:
✘ Untuk 𝑎
ത BW = ((lBW,mBW,uBW), nilai fuzzy maksimum yang mungkin adalah
(7/2, 4, 9/2), yang menunjukkan lBW = 7/2, mBW = 4, dan uBW = 9/2. Ini
menunjukkan nilai maksimum lBW, mBW, dan uBW tidak dapat melebihi
9/2. Dalam hal ini, jika kita menggunakan batas atas uBW
✘ Sementara itu, ξҧ bisa juga diwakili oleh nilai yang tajam ξ. Untuk kasus lain seperti
𝑎ത BW = (5/2, 3, 7/2), 𝑎ത BW = (3/2, 2, 5/2), 𝑎ത BW = (2/3, 1, 3 / 2), dan 𝑎ത BW = (1, 1, 1), kita
dapat melakukan proses yang sama. Oleh karena itu, Persamaan. (11) dapat ditransfer
ke

✘ di mana uBW = 1, 3/2, 5/2, 7/2, dan 9/2, masing-masing

3. Studi kasus
3.1 Studi kasus 1
✘ Perusahaan harus memilih moda transportasi yang optimal untuk mengantarkan produk ke
pasar. Karena ambiguitas dan intangibilitas pembuat keputusan ketika dia melakukan
evaluasi, fuzzy BWM digunakan untuk memilih moda transportasi yang optimal.

✘ Tiga kriteria, yaitu 'fleksibilitas beban' (C1), 'aksesibilitas' (C2), dan 'biaya' (C3) dipilih untuk
isu pemilihan mode transportasi yang optimal (Langkah 1). 'Biaya' (C3) dan 'fleksibilitas
beban' (C1) masing-masing merupakan kriteria terbaik dan terburuk berdasarkan pendapat
dari perusahaan (Langkah 2). Kemudian, vektor Best-to-Others fuzzy dapat diperoleh
sesuai dengan Tabel 1 dan Persamaan. (4) sebagai berikut (Langkah 3)

AB=[(7/2,4,9/2),(2/3,1,3/2),(1,1,1)]
✘ Perbandingan referensi fuzzy untuk kriteria terburuk diekspresikan, dan evaluasi linguistik
pengambil keputusan untuk preferensi fuzzy dari semua kriteria atas kriteria terburuk
tercantum dalam Tabel 4. Kemudian, vektor Fuzzy Others-to-Worst dapat diperoleh
menurut Tabel 1 dan Persamaan. (5) sebagai berikut (Langkah 4)

AW=[(1,1,1),(3/2,2,5/2),(7/2,4,9/2)]

✘ Berdasarkan analisis di atas, untuk mendapatkan bobot fuzzy yang optimal dari semua
kriteria, hal-hal berikut ini dibatasi secara tidak linear
masalah optimasi dapat dibangun sesuai dengan Persamaan. (8)
Kemudian, kita dapat memperoleh masalah pengoptimalan nonlinier yang dibatasi yang diwakili oleh
bilangan konkrit.
Bobot fuzzy optimal dari tiga kriteria (‘fleksibilitas beban’, ‘aksesibilitas’, dan ‘biaya’) dapat dihitung dengan:

Kemudian, kita dapat memperoleh bobot yang tajam (yaitu GMIR bobot fuzzy) dari tiga
kriteria ‘fleksibilitas beban’, ‘aksesibilitas’ dan ‘biaya’, yang
✘ Bobot dari tiga kriteria 'fleksibilitas beban', 'aksesibilitas', dan 'biaya' masing-masing
adalah 0,07414, 0,3387, dan 0,5899 dengan menggunakan metode BWM [9]. Dapat
dilihat bahwa urutan preferensi dari tiga kriteria adalah sama antara BWM dan fuzzy
BWM meskipun ada sedikit kesenjangan di antara masing-masing bobot kriteria.
Karena 𝑎ത BW = a31= (7/2, 4, 9/2), indeks konsistensi untuk kasus ini adalah 8,04.

✘ Rasio konsistensi adalah 0,4495 / 8,04 = 0,0559, yang menunjukkan konsistensi yang
sangat tinggi karena rasio konsistensi 0,0559 sangat dekat dengan nol. Dari [9], kita
dapat mempelajari rasio konsistensi untuk kasus yang sama ini dengan menggunakan
BWM adalah 0,058, yang lebih besar daripada BWM fuzzy
3.2. Studi kasus 2
✘ Seorang pembeli menggunakan lima kriteria, yaitu kualitas (C1), harga (C2),
kenyamanan (C3), keamanan (C4), dan gaya (C5) untuk secara komprehensif
mengevaluasi alternatif mobil, dan kemudian membuat keputusan pembelian [ 44]. The
fuzzy BWM digunakan untuk memilih mobil yang optimal yang dapat
mempertimbangkan ambiguitas dan intangibility pembeli ketika dia membuat keputusan
pembelian. Lima kriteria, yaitu 'kualitas' (C1), 'harga' (C2), 'kenyamanan' (C3),
'keselamatan' (C4), dan 'gaya' (C5) dipilih untuk pemilihan mobil yang optimal (Langkah
1). ‘Harga’ (C2) dan ‘gaya’ (C5) masing-masing merupakan kriteria terbaik dan kriteria
terburuk (Langkah 2)
a BW = a 25 = ( 7 / 2 , 4 , 9 / 2 ) Consistensy Index : 8.04 ,Consistency
ratio : 0.0984
 Contoh kasus

✘ Pengembangan supplier adalah bagian penting dari hubungan rantai

pasok.Selain kemampuan pemasok, pemasok ada Hal lain yang
dipertimbangkan . Perusahaan pembeli menggunakan empat kriteria, yaitu
‘kesediaan untuk meningkatkan kinerja’ (C1), ‘kesediaan untuk bagikan
informasi ’(C2),‘ kesediaan untuk bergantung satu sama lain ’(C3), dan
‘kesediaan untuk terlibat dalam hubungan jangka panjang’ (C4) untuk
mengevaluasi kinerja pemasok . keempat kriteria ini dihitung dengan BWM.
Dalam tulisan ini, mereka bobot akan ditentukan oleh BWM fuzzy yang
diusulkan, yang mengambil intangibilitas dan ambiguitas pembuat keputusan
menjadi pertimbangan. Empat kriteria C1, C2, C3, dan C4 digunakan untuk
mengevaluasi pemasok kinerja (Langkah 1). ‘Kesediaan untuk meningkatkan
kinerja’ (C1) adalah dipilih sebagai kriteria terbaik, dan ‘kesediaan untuk
berbagi informasi’ (C2) dianggap sebagai kriteria terburuk (Langkah 2).
Linguistik istilah pembuat keputusan untuk preferensi fuzzy dari kriteria terbaik
atas semua kriteria tercantum dalam Tabel 7. Kemudian, fuzzy Best-to- Vektor
lain dapat diperoleh sebagai
Oleh karena itu, dapat dilihat bahwa ‘kesediaan untuk meningkatkan
kinerja’ (C1) adalah kriteria paling penting. , yang penting berikutnya
kriteria adalah 'kesediaan untuk bergantung satu sama lain' (C3) dan
'kesediaan untuk terlibat dalam hubungan jangka panjang ’(C4), dan
‘Kesediaan untuk berbagi informasi’ (C2) digolongkan sebagai yang
paling tidak penting kriteria.
✘ a BW = a 12 =( 5 / 2 , 3 , 7 / 2 ) , dengan konsistensi Index : 6.69. Konsistensi rasionya yaitu
0.236 Oleh karena itu, itu dapat disimpulkan lagi bahwa BWM fuzzy menunjukkan
perbandingan yang lebih tinggi konsistensi dari BWM. 1/6.69 = 0.0353,
 Keuntungan BWM Fuzzy

• Hasil keputusan dapat diandalkan karena

perbandingan lebih konsisten
• Membantu pembuat keputusan membuat
perbandingan referensi lebih akurat dan dengan
mudah
• Dapat digunakan untuk menyeleseikan masalah
dengan multi-optimalitas
•
THANKS!