PROGRAM STUDI

Sistem Informasi MATA KULIAH

Sistem Pendukung Keputusan

Metode SAW
Erika Devi Udayanti, M.CS
MY Teguh Sulistyono, M.Kom
Wildan Mahmud, S.Kom, MT

2021
 PROGRAM STUDI MATA KULIAH
Sistem Informasi Sistem Pendukung Keputusan

Capaian Pembelajaran

Mahasiswa memiliki kemampuan menerapkan

metode SAW untuk proses pengambilan keputusan
secara matematis

Kemampuan Akhir yang Diharapkan

• Ketepatan dalam mengidentifikasi permasalahan

dan variable
• Ketepatan menerapkan metode SAW dalam
pengambilan keputusan
• Ketepatan membuat kesimpulan
 PROGRAM STUDI MATA KULIAH
Sistem Informasi Sistem Pendukung Keputusan

APA ITU
SAW?
simple

additive

weighting
 Konsep SAW

 Metode Simple Additive Weighting (SAW) sering juga dikenal

istilah metode penjumlahan terbobot.

 Konsep dasar metode SAW adalah mencari penjumlahan

terbobot dari rating kinerja pada setiap alternatif pada semua
atribut (Fishburn, 1967) (MacCrimmon, 1968)

 Metode SAW membutuhkan proses normalisasi matriks

keputusan (X) ke suatu skala yang dapat diperbandingkan
dengan semua rating alternatif yang ada.

 Dalam SAW terdapat 2 jenis aribut yaitu cost dan benefit

 Fungsi SAW

contoh:
• Fungsi untuk melakukan normalisasi tersebut adalah Dalam kasus pemilihan jurusan untuk
sebagai berikut : melanjutkan kuliah, kriteria jurusan yang
digunakan adalah spp terjangkau, di fakultas
 x ij besar, peluang kerja, tidak ada matematika.
 jika j adalah atribut keuntungan (benefit) Dengan kandidat alternatif yang ada yaitu :
 Max
i
x ij dkv, ilkom, sastra inggris, broadcasting

rij  
 Min x ij A1 A2
 i jika j adalah atribut biaya (cost)
 x ij DKV ILKOM

Cj
dengan rij adalah rating kinerja Kriteria
ternormalisasi dari alternatif Ai pada A3 jurusan A4
atribut Cj; i=1,2,...,m dan j=1,2,...,n. SASTRA
BROADCASTING
INGGRIS
 Fungsi SAW

• Nilai preferensi untuk setiap alternatif (Vi) diberikan

n
Vi   w j rij
j1

Nilai Vi yang lebih besar mengindikasikan bahwa

alternatif Ai lebih terpilih.

 Tahapan Metode SAW

Langkah-langkah metode SAW :

1. Menentukan kriteria yang akan dijadikan acuan
2. Memberikan nilai rating kecocokan setiap alternatif
3. Menentukan bobot preferensi atau tingkat kepentingan (w) untuk tiap kriteria
4. Membuat tabel rating kecocokan dari setiap alternative pada setiap kriteria
5. Melakukan normalisasi matrik keputusan dengan menghitung nilai rating kinerja
ternormalisasi
6. Menyusun hasil dari rating nilai rating kinerja teronormalisasi menjadi matriks
ternormalisasi (R)
7. Menghitung nilai preferensi (Vi)
 Contoh Kasus

• Sebuah perusahaan akan memilih karyawan untuk

dipromosikan sebagai kepala bidang TIK.

• Manager menggunakan 4 atribut kriteria yang

digunakan untuk melakukan penilaian karyawan,
yaitu:
• C1 = wawasan teknologi terkini
• C2 = praktek instalasi jaringan
• C3 = kepribadian
• C4 = kemampuan bahasa inggris

• Dalam kasus ini, semua atribut bersifat benefit

karena semua menguntungkan dalam penilaian
• Ada enam orang karyawan yang menjadi kandidat (alternatif) untuk dipromosikan
sebagai kepala bidang, yaitu:

• Manager perusahaan memberikan bobot dari

nilai preferensi (w) untuk setiap kriteria adalah
sebagai berikut:
A1:Edward A2: Ucup A3: Luna A4: Sisilia A5: Norman A6: Bella C1 = 35%;
C2 = 25%;
C3 = 25%;
C4 = 15%.
 PROGRAM STUDI MATA KULIAH
Sistem Informasi Sistem Pendukung Keputusan

Contoh kasus Tabel nilai alternatif di setiap kriteria :

Kriteria
Alternatif
Sebuah perusahaan akan C1 C2 C3 C4
memilih karyawan untuk Edward 70 50 80 60
dipromosikan sebagai kepala Ucup 50 60 82 70
bidang TIK Luna 85 55 80 75
Sisilia 82 70 65 85
Norman 75 75 85 74
Bella 62 50 75 80

 Dengan menggunakan metode SAW, Tentukan kandidat

yang paling bagus diantara kandidat yang ada
 Rumus normalisasi
 Rumus preferensi alternatif
 Penyelesaian 1 - Normalisasi

• Buat tabel untuk penyusunan matrik ternormalisasi (Rij)

dari tabel nilai alternatif di setiap kriteria dengan
menghitung rij

Kriteria Kriteria
Alternatif Alternatif
C1 C2 C3 C4
C1 C2 C3 C4
Edward 70 50 80 60
A1 r11 r12 r13 r14
Ucup 50 60 82 70
A2 r21 r22 r23 r24
Luna 85 55 80 75
A3 r31 r32 r33 r34
Sisilia 82 70 65 85
A4 r41 r42 r43 r44
Norman 75 75 85 74
A5 r51 r52 r53 r54
Bella 62 50 75 80
A6 r61 r62 r63 r64
 Penyelesaian 1 - Normalisasi

• Hitung rating kinerja ternormalisasi dari r11 hingga r64 untuk membentuk
matriks
r11
Kriteria
Alternatif
C1 C2 C3 C4
Edward 70 50 80 60

Ucup 50 60 82 70
70 70
r11    0,82 Luna 85 55 80 75

max70;50;85;82;75;62 85 Sisilia 82 70 65 85

Norman 75 75 85 74

Bella 62 50 75 80

Karena benefit, maka pilih nilai yang

terbesar sebagai pembaginya
 Normalisasi matrik
keputusan

Kriteria
Alternatif
C1 C2 C3 C4 50
70 50
r21    0,59
A1 r11 r12 r13 r14 max70;50;85;82;75;62 85
A2 r21 r22 r23 r24
A3 r31 r32 r33 r34 50 50
r41 r42 r43 r44 r12    0,67
max50;60;55;70;75;50 75
A4
A5 r51 r52 r53 r54
A6 r61 r62 r63 r64
60 60
r22    0,80
Kriteria max50;60;55;70;75;50 75
Alternatif
C1 C2 C3 C4
Edward 70 50 80 60
Ucup 50 60 82 70 • Dan seterusnya
Luna 85 55 80 75 • terus dihitung rating kinerja ternormalisasi
Sisilia 82 70 65 85
Norman 75 75 85 74
hingga r64 untuk membentuk matriks
Bella 62 50 75 80
 Matriks Keputusan

• Hasil normalisasi lalu disusun dalam matriks (R):

Kriteria
Alternatif
C1 C2 C3 C4
0,82 0,67 0,94 0,71
A1 0.82 0.67 0.94 0,71
0,59 0,80 0,96 0,82

A2 0.59 0.80 0.96 0.71
 1 0,73 0,94 0,88
A3 1 0.73 0.94 0.88 R 
A4 0.96 0.93 0.76 1 0,96 0,93 0,76 1 
A5 0.88 1 1 0.87 0,88 1 1 0,87 
 
A6 0.73 0.67 0.88 0.94
0,73 0,67 0,88 0,94
 Menghitung Nilai Preferensi

Proses perankingan dengan menggunakan bobot untuk tiap

kriteria yang telah ditentukan oleh pimpinan :
• C1 = 35%;
• C2 = 25%;
• C3 = 25%;
• C4 = 15%.
w = [0,35 0,25 0,25 0,15]
 Menghitung Nilai Preferensi

0,82 0,67 0,94 0,71

0,59 0,80 0,96 0,82

w = [0,35 0,25 0,25 0,15]  1 0,73 0,94 0,88
R 
0,96 0,93 0,76 1 
0,88 1 1 0,87 
 
0,73 0,67 0,88 0,94

Hasil yang diperoleh adalah :

V 1  (0,35)(0,82)  (0,25)(0,67)  (0,25)(0,94)  (0,15)(0,71)  0,796

V 2  (0,35)(0,59)  (0,25)(0,80)  (0,25)( 0,96)  (0,15)( 0,82)  0,770

V 3  (0,35)(1,00)  (0,25)(0,73)  (0,25)( 0,94)  (0,15)(0,88)  0,900
V 4  (0,35)( 0,96)  (0,25)(0,93)  (0,25)(0,76)  (0,15)(1,00)  0,909
V 5  (0,35)( 0,88)  (0,25)(1,00)  (0,25)(1,00)  (0,15)(0,87)  0,939
V 6  (0,35)(0,73)  (0,25)( 0,67)  (0,25)(0,88)  (0,15)(0,94)  0,784
 Menyusun Ranking

Alternatif Nilai preferensi Ranking

Edward/ V1 0.796 4
Ucup/ V2 0.77 6
Luna/ V3 0.9 3
Sisilia/ V4 0909 2
Norman/ V5 0.939 1
Bella/ V6 0.784 5 A1:Edward A2: Ucup A3: Luna A4: Sisilia A5: Norman A6: Bella

• Nilai terbesar ada pada V5 sehingga alternatif A5 adalah alternatif yang

terpilih sebagai alternatif terbaik.

• Dengan kata lain, Norman menjadi kandidat yang terbaik untuk dipilih
sebagai kepala bagian TIK.
THANKS
ANY QUESTIONS?