Sistem Pendukung Keputusan

Pertemuan 6
Metode Multiple Atribute
Decision Making
(MADM)
Metode Penyelesaian Masalah Pendukung
Keputusan Menggunakan MADM

Multiple Atribute Decision Making

Overview
 Multiple Attribute Decision Making (MADM) adalah suatu metode yang
digunakan untuk mencari alternatif optimal dari sejumlah alternatif
dengan kriteria tertentu.
 Inti dari MADM adalah menentukan nilai bobot untuk setiap atribut,
kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi
alternatif yang sudah diberikan.
 Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut, yaitu
pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi
antara subyektif & obyektif.
 Pada pendekatan subyektif, nilai bobot ditentukan berdasarkan
subyektifitas dari para pengambil keputusan, sehingga beberapa faktor
dalam proses perankingan alternatif bisa ditentukan secara bebas.
 Sedangkan pada pendekatan obyektif, nilai bobot dihitung secara
matematis sehingga mengabaikan subyektifitas dari pengambil keputusan.
Metode Dalam MADM
1. Metode Simple Additive Weighting (SAW)
2. Weighted Product (WP)
3. ELECTRE (ELimination Et Choix Traduisant la
realitE)
4. Technique for Order Preference by Similarity of
Ideal Solution (TOPSIS)
5. Analytic Hierarchy Process (AHP)
SIMPLE ADDITIVE WEIGHTING METHOD
(SAW)
SIMPLE ADDITIVE WEIGHTING METHOD
(SAW)

 Dikenal dengan metode penjumlahan

 Mencari penjumlahan terbobot dari rating kinerja pada
setiap alternatif pada semua atribut.

6
LANGKAH-LANGKAH METODE SAW

 Tahap pertama
 Menentukan Alternatif (A) dan Kriteria (C)
 Menentukan derajat kecocokan alternatif kriteria

 Tahap kedua
 Menentukan bobot masing-masing kriteria (W)
 Menentukan bobot atribut untuk masing-masing
kriteria
 Membentuk tabel keputusan

7
LANGKAH-LANGKAH METODE SAW
 Tahap ketiga
 Membentuk matriks keputusan (X) berdasarkan
tabel keputusan
 Normalisasi matriks keputusan (R)
 Melakukan perangkingan terhadap alternatif (V)

8
Metode Simple Additive Weighting (SAW)
Sering disebut dengan istilah metode penjumlahan
terbobot.
Konsep dasarnya adalah mencari penjumlahan terbobot
dari rating kinerja pada setiap alternatif pada semua
atribut.
Metode ini membutuhkan proses normalisasi matriks
keputusan (X) ke suatu skala yang dapat diperbandingkan
dengan semua rating alternatif yang ada.
Metode Simple Additive Weighting (SAW)
Formula untuk melakukan normalisasi tersebut adalah
sebagai berikut:

 xij
jika j adalah atribut keuntungan (benefit)
 Max xij
rij   Min
i
xij
 i

 xij
jika j adalah atribut biaya (cost)

Dengan rij adalah rating kerja ternormalisasi dari alternatif

Ai pada atribut Cj ; i = 1, 2, 3 ... m; dan j = 1, 2 ,3 .. n
Metode Simple Additive Weighting (SAW)
Nilai preferensi untuk setiap alternatif (Vi) diberikan
sebagai:

n
Vi   w j rij
j 1

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai

lebih terpilih.
Metode Simple Additive Weighting (SAW)
Kasus - 1:
Suatu institusi perguruan tinggi akan memilih seorang
karyawannya untuk dipromosikan sebagai kepala unit sistem
informasi.
Ada empat kriteria yang digunakan untuk melakukan
penilaian, yaitu:
C1 = tes pengetahuan (wawasan) sistem informasi
C2 = praktek instalasi jaringan
C3 = tes kepribadian
C4 = tes pengetahuan agama
Metode Simple Additive Weighting (SAW)
Pengambil keputusan memberikan bobot untuk setiap
kriteria sebagai berikut: C1 = 35%; C2 = 25%; C3 = 25%; dan
C4 = 15%.
 Ada enam orang karyawan yang menjadi kandidat
(alternatif) untuk dipromosikan sebagai kepala unit, yaitu:
 A1 = Indra,
 A2 = Roni,
 A3 = Putri,
 A4 = Dani,
 A5 = Ratna, dan
 A6 = Mira.
Metode Simple Additive Weighting (SAW)
Tabel nilai alternatif di setiap kriteria:
Metode Simple Additive Weighting (SAW)
Langkah 1 : Lakukan Normalisasi

 xij
 Max xij
rij   Min
i
xij
 i

 xij

Gunakan Persamaan
Pertama Untuk Melakukan
normalisasi
Metode Simple Additive Weighting (SAW)
Langkah 1 : Lakukan Normalisasi
Hasil Normalisasi :
Metode Simple Additive Weighting (SAW)
 Langkah 2 : Lakukan Perangkingan sesuai dengan nilai bobot yang
telah ditentukan.
n
Gunakan Persamaan Pertama Untuk
Vi   w j rij Melakukan Perangkingan
j 1

Proses perankingan dengan menggunakan bobot yang telah diberikan oleh

pengambil keputusan: w = [0,35 0,25 0,25 0,15]. Hasil yang diperoleh adalah
sebagai berikut:
Kelebihan dan Kekurangan SAW
Kelebihan :
1. Menentukan nilai bobot untuk setiap atribut kemudian
dilanjutkan dengan proses perankingan yang akan menyeleksi
alternatif terbaik dari sejumlah alternatif.
2. Penilaian akan lebih tepat karena didasarkan pada nilai kriteria
dari bobot preferensi yang sudah ditentukan.
3. Adanya perhitungan normalisasi matriks sesuai dengan nilai
atribut (antara nilai benefit dan cost).

Kekurangan :
1. Digunakan pada pembobotan lokal.
2. Perhitungan dilakukan dengan menggunakan bilangan fuzzy.
Any Question??
Metode Simple Additive Weighting (SAW)

Kasus - 1:

Suatu perusahaan di DIY ingin membangun sebuah gudang

yang akan digunakan sebagai tempat untuk menyimpan
sementara hasil produksinya. Ada 3 lokasi yang akan menjadi
alternatif, yaitu A1 = Ngemplak, A2 = Kalasan, A3= Kota
Gedhe. Ada 5 kriteria yang dijadikan acuan dalam pengambilan
keputusan yaitu :

10
Metode Simple Additive Weighting (SAW)
MENENTUKAN KRITERIA
 C1 = jarak dengan pasar terdekat (km)
 C2 = kepadatan penduduk disekitar lokasi (orang/km2)

 C3 = jarak dari pabrik (km)

 C4 = jarak dengan gudang yang sudah ada (km)

 C5 = harga tanah untuk lokasi (x1000 Tp/m2)

21
Metode Simple Additive Weighting (SAW)
MENENTUKAN RATING KECOCOKAN
 Rating kecocokan setiap alternatif pada setiap
kriteria, dinilai dengan 1 sampai 5, yaitu :
 1 = sangat buruk
 2 = buruk
 3 = cukup
 4 = baik
 5 = sangat baik

22
Metode Simple Additive Weighting (SAW)
MENENTUKAN BOBOT KRITERIA

• Pengambil keputusan memberikan bobot

preferensi sebagai berikut :
W = (5,3,4,4,2)

23
Metode Simple Additive Weighting (SAW)
TABEL RATING KECOCOKAN
Alternat Kriteria
if
C1 C2 C3 C4 C5

A1 4 4 5 3 3
A2 3 3 4 2 3
A3 5 4 2 2 2

24
Metode Simple Additive Weighting (SAW)
CONTOH

 Matrik keputusan yang dibentuk dari tabel

kecocokan :
4 4 5 3 3
X = 3 3 4 2 3
5 4 2 2 2
Metode Simple Additive Weighting (SAW)
CONTOH
 Pertama dilakukan normalisasi matriks X,
sehingga dihasilkan:
0.8 1 1 1 1
R= 0.6 0.75 0.8 0.7 1
1 1 0.4 0.7 0.7

26
Metode Simple Additive Weighting (SAW)
CONTOH

 Proses perangkingan :
 V1 = (5)(0.8) + (3)(1) + (4)(1) + (2)(1) = 17
 V2 = (5)(0.6) + (3)(0.75) + (4)(0.667) + (2)(1)
= 13.1167
 V3 = (5)(1) + (3)(1) + (4)(0.4) + (4)(0.667) +
(2)(0.667)
= 13.6
 Nilai terbesar adalah V1 sehingga A1 adalah
alternatif yang dipilih sebagai alternatif terbaik.
27
Metode Simple Additive Weighting (SAW)
Kasus - 3:
Sebuah perusahaan makanan ringan XYZ akan
menginvestasikan sisa usahanya dalam satu tahun.
Beberapa alternatif investasi telah akan diidentifikasi.
Pemilihan alternatif terbaik ditujukan selain untuk
keperluan investasi, juga dalam rangka meningkatkan
kinerja perusahaan ke depan.
Beberapa kriteria digunakan sebagai bahan pertimbangan
untuk mengambil keputusan, yaitu:
 C1 = Harga, yaitu seberapa besar harga barang tersebut.
 C2 = Nilai investasi 10 tahun ke depan, yaitu seberapa besar
nilai investasi barang dalam jangka waktu 10 tahun ke depan.
Metode Simple Additive Weighting (SAW)
Kasus - 3:
 C3 = Daya dukung terhadap produktivitas perusahaan, yaitu
seberapa besar peranan barang dalam mendukung naiknya
tingkat produktivitas perusahaan. Daya dukung diberi nilai:
 1 = kurang mendukung,
 2 = cukup mendukung; dan
 3 = sangat mendukung.
 C4 = Prioritas kebutuhan, merupakan tingkat kepentingan
(ke-mendesak-an) barang untuk dimiliki perusahaan.
Prioritas diberi nilai:
 1 = sangat berprioritas,
 2 = berprioritas; dan
 3 = cukup berprioritas.
Metode Simple Additive Weighting (SAW)
Kasus - 3:
 C5 = Ketersediaan atau kemudahan, merupakan
ketersediaan barang di pasaran. Ketersediaan diberi nilai:
 1 = sulit diperoleh,
 2 = cukup mudah diperoleh; dan
 3 = sangat mudah diperoleh.
 Dari pertama dan keempat kriteria tersebut, kriteria
pertama dan keempat merupakan kriteria biaya, sedangkan
kriteria kedua, ketiga, dan kelima merupakan kriteria
keuntungan.
 Pengambil keputusan memberikan bobot untuk setiap
kriteria sebagai berikut: C1 = 25%; C2 = 15%; C3 = 30%; C4 =
25%; dan C5 = 5%.
Metode Simple Additive Weighting (SAW)
Kasus - 3:
Ada empat alternatif yang diberikan, yaitu:
A1 = Membeli mobil box untuk distribusi barang ke
gudang;
A2 = Membeli tanah untuk membangun gudang baru;
A3 = Maintenance sarana teknologi informasi;
A4 = Pengembangan produk baru.
Metode Simple Additive Weighting (SAW)
Kasus - 3:
Nilai setiap alternatif pada setiap kriteria:

Tentukan alternatif apa yang harus di ambil perusahaan untuk keperluan

investasi, juga dalam rangka meningkatkan kinerja perusahaan ke depan?
Multiple Atribute Decission Making

Metode Weighted Product (WP)

Weighted Product (WP)
Tentang Weighted Product (WP) :
 Metode WP merupakan salah satu metode penyelesaian yang
ditawarkan untuk menyelesaikan masalah Multi Attribute Decision
Making (MADM).
 Metode WP mirip dengan Metode Weighted Sum (WS), hanya saja
metode WP terdapat perkalian dalam perhitungan matematikanya.
 Metode WP juga disebut sebagai analisis berdimensi karena
struktur matematikanya menghilangkan satuan ukuran suatu objek
data.
 Tidak melakukan proses normalisasi data.

 Definisi :
 Metode Weighted Product (WP) adalah himpunan berhingga dari
alternatif keputusan yang dijelaskan dalam beberapa hal kriteria
keputusan.
Weighted Product (WP)
Langkah – langkah menggunakan metode WP :
1. Menentukan tingkat prioritas bobot setiap kriteria (W_Initj) kemudian
dilakukan perbaikan bobot (Wj) menggunakan rumus berikut.
W_Init j
Wj  n Keterangan :
 W_Init j n menyatakan banyak kriteria
j1

2. Membuat tabel bobot kriteria yang akan dipilih.

Alternatif (Ai)
Kriteria Misal :
C1 C2 .. Cn C1 = Harga
Item 1 X11 .. .. .X1n
C2 = Diskon, etc
Item 2 .. .. .. ..
.. .. .. .. ..
Item m Xm1 .. .. Xmn m mewakili banyak Item.
3. Menghitung vektor Si, dimana setiap data (Xij) akan dikalikan tetapi
sebelumnya dilakukan
kW
pemangkatan dengan bobot dari kriterianya.
Si   nj1 X ij j
, dengan i  1,2,.., m n

W j 1
dimana j1
, k=1
untuk atribut keuntungan, k=-1 untuk atribut biaya.
Weighted Product (WP)
Langkah – langkah menggunakan metode WP :
2. Membuat tabel bobot kriteria yang akan dipilih.
Kriteria
Alternatif Misal :
C1 C2 .. Cn
Item 1 .. ..
C1 = Harga
X11 .X1n
Item 2 .. .. .. .. C2 = Diskon, etc
.. .. .. .. ..
Item m Xm1 .. .. Xmn m mewakili banyak Item.
3. Menghitung vektor Si, dimana setiap data (Xij) akan dikalikan tetapi
sebelumnya dilakukan pemangkatan dengan bobot dari kriterianya.
kWj n
Si   nj1 X ij , dengan i  1,2,.., m dimana  Wj  1 , k=1
j1
untuk atribut keuntungan, k=-1 untuk atribut biaya.
4. Menghitung vektor Vi kemudian memilih nilai tertinggi sebagai alternatif
terbaik dalam pengambilan keputusan.
Si
Vi  m
, dengan i  1,2,.., m
S
i 1
i
 Weighted Product (WP)

CONTOH KASUS
“Menentukan pilihan restoran berdasarkan nilai
bobot yang diberikan pembanding”
Kriteria yang digunakan sebagai acuan dalam pemilihan
pada contoh ini ada 3 restoran yang akan menjadi restoran ada 5 yaitu :
alternatif pilihan

R1 : Made’s Warung C1 : Kualitas Makanan

R2 : Warisan Restaurant & Bar C2 : Harga Makanan
R3 : Gabah Restaurant & Bar C3 : Pelayanan
C4 : Suasana
C5 : Jarak (m)

Pengambil keputusan memberikan “bobot preferensi”

W = (5, 3, 4, 4, 2)
Weighted Product (WP)
Tahapan metode weighted product

1. Menentukan kategori yang membedakan kriteria

2. Melakukan perbaikan bobot

3. Menentukan nilai vector S

4. Menentukan Nilai vector yang akan digunakan Menghitung

Preferensi (Vi) untuk perengkingan
Weighted Product (WP)
1. Menentukan kategori yang membedakan
kriteria

Terdapat 2 kategori yang membedakan kriterai-kriteria diatas

antara lain.
1. Kriteria keuntungan :
Kriteria C1 (kualitas makanan), C3 (pelayanan) dan C4
(suasana)
2. Kriteria biaya :
Kriteria C2 (harga makanan), C5 (jarak restoran) adalah. (Semakin
besar nilainya akan semakin buruk)
Weighted Product (WP)
2. Melakukan
perbaikan bobot
Sebelumnya dilakukan perbaikan bobot terlebih dahulu, sehingga total
bobot ∑wj = 1 dengan cara :

Dari bobot preferensi sebelumnya yaitu W = (5, 3, 4, 4, 2)

Wj merupakan W index ke j. Jadi untuk W1 yaitu 5, W2 yaitu 3 dan
seterusnya.
Dan ∑wj merupakan jumlah dari W yaitu 5+3+4+4+2

Jadi untuk perbaikan bobot W1 menjadi:

Weighted Product (WP)
3. Menentukan nilai vector S

nilai-nilai kriteria dari setiap alternative restoran

Menentukan Nilai Vektor S dengan

formula berikut

Pada baris R1, Masing-masing kriteria memiliki nilai

sebagai berikut:
C1 = 42 Pangkatkan dan kalikan nilai masing-masing kriteria tersebut
dengan bobot yang sudah diperbaiki sebelunya.
C2 = 66.000
C3 = 60
C2 dan C5 merupakan kriteria biaya. Jadi bobot yang
C4 = 75 dipangkatkan akan bernilai minus (-).

C5 = 2.355
Weighted Product (WP)
4. Menentukan Nilai vector yang akan digunakan
Menghitung Preferensi (Vi) untuk perengkingan

Formula

Jadi Hasil dari Menghitung Preferensi (Vi) adalah

Dari hasil perhitungan disamping, Nilai sebagai berikut:
V3 menunjukkkan nilai terbesar sehingga
dengan kata lain V3 merupakan pilihan
alternatif yang terbaik, Gabah Restaurant
& Bar layak menjadi pilihan restoran
terbaik sesuai dengan pembobotan yang
diberikan oleh pengambil keputusan.
Weighted Product (WP)
KELEBIHAN

1. Terdapat variable cost dan

benefit, yang berguna untuk
menentukan kriteria yang
berpengaruh terhadap
keputusan.
2. Metode ini lebih simpel
dibandingkan dengan metode
MCDM (Multiple Criteria
KEKURANGAN
Decision Making) lainnya.
Metode ini hanya untuk
3. Perhitungannya tidak begitu
digunakan pada proses yang
kompleks
memiliki “nilai rentang”
4. Lebih mudah dipahami
Weighted Product (WP)

Latihan Individu
Metode Weighted Product (WP) :
 Diketahui tingkat prioritas bobot setiap kriteria smartphone adalah Harga
= 25, Web Akses = 20, Prosesor = 15, Bobot = 10, Ukuran Layar = 5, RAM =
10, Resolusi Kamera = 15, Memori = 25. Dengan tabel bobot kriteria produk
smartphone yang akan dipilih di bawah ini :
Kriteria
Alternatif Hp
(Ai)
C1 C2 C3 C4 C5 C6 C7 C8

Samsung 6100000 7200 800 150 3,5 256 3 6

LG 5000000 7200 600 155 3,7 512 5 4
Nokia 7000000 7200 1200 135 3,7 512 5 4

Hitunglah vektor Vi yang memiliki nilai tertinggi dan menunjuk kepada

smartphone apa?