P9-Metode Topsis
P9-Metode Topsis
Pertemuan 9-10
Materi
• Pengertian Topsis
• Konsep Perhitungan Topsis
• Contoh Studi Kasus Menggunakan Topsis
Pengertian Topsis
TOPSIS adalah salah satu metode pengambilan
keputusan multikriteria yang pertama kali
diperkenalkan oleh Yoon dan Hwang (1981)
Keterangan :
(i = 1,2,3,….m) adalah
alternatif- alternatif yang
mungkin
(j = 1,2,3,….n) adalah atribut ,
dimana performansi alternatif
diukur
adalah performansi alternatif
dengan acuan atribut
Membuat matriks keputusan yang
ternormalisasi 2
TOPSIS membutuhkan rating kinerja setiap alternatif Ai
pada setiap kriteria xj yang ternormalisasi, yaitu :
Dengan i = 1, 2, 3, …, ., m; dan j = 1, 2, 3, … n
Keterangan :
adalah elemen dari matriks keputusan ternormalisasi
Membuat matriks keputusan
yang ternormalisasi terbobot
Solusi ideal positif A+ dan solusi ideal negatif A- dapat ditentukan
3
berdasarkan rating bobot ternormalisasi (yij). Dengan bobot wi =
( w1,w2 ,w3 , . . . ,wn ), dimana wi adalah bobot dari kriteria ke-j dan ∑
sebagai :
Dengan
Keterangan:
yij adalah elemen dari matriks keputusan yang ternormalisasi terbobot y,
yj+ = ( j = 1, 2, 3, . . . , n ) adalah elemen matriks solusi ideal positif,
yj- = ( j = 1, 2, 3, . . . , n ) adalah elemen matriks solusi ideal negatif
Menentukan jarak antara alternatif
Ai dengan solusi ideal positif 5
Jarak antara alternatif Ai • Jarak antara alternatif Ai dengan
dengan solusi ideal positif solusi ideal negatif dirumuskan
dirumuskan sebagai : sebagai :
Keterangan:
Di+ adalah jarak alternative ke-I dari solusi ideal positif,
Di- adalah jarak alternative ke-I dari solusi ideal negatif,
yij adalah elemen dari matriks keputusan yang ternormalisasi terbobot V,
yj+ adalah elemen matriks solusi ideal positif,
yj- adalah elemen matriks solusi ideal negatif
Menentukan nilai preferensi
untuk setiap alternatif (Vi) 6
Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai
Pininta 4 4 5 3 3 2
Asriati 4 3 4 3 1 2
Richard 3 2 3 4 2 1
Nilai Pembagi 6,403 5,385 7,071 5,381 3,742 3
Contoh Perhitungan :
=
Untuk membuat matriks ternormalisasi setiap nilai kriteria dibagi
dengan bobot pembaginya. Berikut perhitungannya :
Dan seterusnya sampai didapat nilai matriks ternormalisasi
seperti tabel 3 berikut ini
Sedangkan beberapa hal yang menjadi pertimbangan : jumlah penduduk, jumlah tempat
wisata, dan Rumah makan pesaing (yang dihitung rumah makan besar dengan omzet lebih
dari 10 juta perhari).
RM Pak Panjul melakukan survey lokasi pada masing-masing kota dan mendapatkan
hasil berikut :
Medan, jumlah penduduk 2.4 juta, jumlah tempat wisata 59 , rumah makan pesaing : 30.
Siantar, jumlah penduduk 1.4 juta, jumlah tempat wisata 28, rumah makan pesaing : 28
Binjai, jumlah penduduk 0.2 juta, jumlah tempat wisata 22, rumah makan pesaing : 15
Sibolga., jumlah penduduk 0.5 juta, jumlah tempat wisata 15, rumah makan pesaing : 25
Hasil survey berdasarkan skor :
Garut, jumlah penduduk 5, jumlah tempat wisata 5 , rumah makan pesaing : 3.
Ciamis, jumlah penduduk 3, jumlah tempat wisata 3, rumah makan pesaing : 3
Ganjar, jumlah penduduk 1, jumlah tempat wisata 3, rumah makan pesaing : 2
Pangandaran, jumlah penduduk 1, jumlah tempat wisata 2, rumah makan pesaing : 3
-Jumlah penduduk
-Jumlah tempat wisata
-Rumah makan pesaing
Pada contoh diatas, maka yang termasuk benefit yaitu : jumlah penduduk dan
jumlah tempat wisata. Sedangkan yang termasuk ke dalam cost adalah rumah
makan pesaing.
Menentukan bobot prefensi untuk setiap kriteria
W = (4, 5, 3)
Membentuk matriks keputusan ternormalisasi
Sebelum membentuk matriks keputusan ternormalisasi, maka
kita perlu membentuk matriks keputusan dari nilai setiap atribut
yang kita miliki.
Berikut hasilnya :
Selanjutnya kita hanya perlu mencari Nilai Rij, maka hasilnya sebagai berikut :
Nilai rij
Maka matriks keputusan nya menjadi :