DAFTAR LAMPIRAN
II. TINJAUAN PUSTAKA
7) Internal Consulting Firms
3.2 Metode Penelitian
3.2.3 Pengolahan dan Analisis Data
Seluruh informasi dan data yang dikumpulkan dari pihak manajemen seperti kegiatan promosi IT Consultant, identifikasi faktor-faktor penyusun strategi promosi, aktor dan tujuan penentuan altematif strategi promosi kemudian akan dianalisis dengan metode AHP. Metode AHP adalah suatu metode yang memungkinkan pengambilan keputusan dengan mengkombinasikan pertimbangan dan nilai-nilai pribadi secara logik. AHP memiliki beberapa keuntungan, seperti mempertimbangkan prioritas-prioritas relatif dari berbagai faktor sistem dan memungkinkan pemilihan alternatif terbaik berdasarkan tujuan-tujuan yang ada, menangani saling ketergantungan unsur-unsur dalam suatu sistem dan tak memaksakan pemikiran liniar. mencerminkan kecenderungan alami pikiran untuk memisahkan unsur-unsur suatu sistem dalam berbagai tingkat berlainan dan mengelompokan unsur yang serupa dalam setiap tingkat, serta melacak konsistensi logis dari pertimbangan-pertimbangan yang digunakan dalam menerapkan berbagai prioritas (Saaty, 1993).
Oleh karena itu, metode AHP diperlukan untuk penentuan bobot bagi unsur di satu level yang akan berpengaruh terhadap bobot unsur pada level di bawahnya dan pada akhirnya metode AHP dapat
digunakan untuk menghitung bobot pada setiap level untuk penilaian tujuan seluruhnya. Metode AHP ini memasukkan aspek kualitatif dan kuantitatif pikiran manusia. Aspek kualitatif mendefinisikan persoalan dan hirarkinya, serta aspek kuantitatif yang mengekspresikan penilaian dan preferensi secara ringkas dan padat. Proses ini dengan jelas menunjukkan bahwa demi pengambilan keputusan yang sehat dalam situasi kompleks diperlukan penetapan prioritas dan melakukan trade off. Dalam menerapkan metode AHP, yang diutamakan adalah mutu responden, bukan terletak pada kuantitasnya.
Data yang diperoleh dari kuesioner responden akan diproses dengan menggunakan program komputer Expert Choice 2000 dan Microsoft Excel. Hasil pengolahan ini kemudian dianalisis dan disajikan dalam bentuk uraian, gambar dan tabel.
Dalam metode AHP ini, terdapat kerangka kerja yang terdiri dari delapan langkah utama (Saaty, 1993). Penjelasan rinci dari setiap langkah adalah :
1. Mendefinisikan persoalan dan merinci pemecahan persoalan yang diinginkan. Hal yang perlu diperhitungkan dalam langkah ini adalah penguasaan masalah secara mendalam, karena yang menjadi perhatian adalah pemilihan tujuan, kriteria dan unsur-unsur yang menyusun struktur hirarki.
2. Membuat struktur hirarki dari sudut pandang manajemen secara menyeluruh. Hirarki merupakan abstraksi struktur suatu sistem yang mempelajari fungsi interaksi antar komponen dan dampaknya terhadap sistem. Abstraksi ini mempunyai bentuk yang saling berkaitan, tersusun dari sasaran utama, sub-sub tujuan, faktor-faktor pendorong yang mempengaruhi sub-sub sistem tujuan tersebut, pelaku-pelaku yang memberi dorongan, tujuan-tujuan pelaku dan akhirnya ke altematif strategi, pilihan atau skenario. 3. Menyusun matriks banding berpasangan. Matriks banding
berpasangan dimulai dari puncak hirarki, yang merupakan dasar untuk melakukan perbandingan berpasangan antar unsur yang
terkait di bawahnya. Pembandingan berpasangan pertama dilakukan, pada unsur tingkat kedua terhadap fokus yang ada di puncak hirarki. Menurut perjanjian, suatu unsur yang ada di sebelah kiri diperiksa perihal dominasi atas yang di sebelah kanan suatu elemen di puncak matriks.
4. Mengumpulkan semua pertimbangan yang diperlukan dari hasil melakukan perbandingan berpasangan antar unsur pada langkah ketiga. Setelah matriks perbandingan berpasangan antar unsur dibuat, dilakukan perbandingan berpasangan antar setiap unsur pada kolom ke-i dengan setiap unsur pada baris ke-j. Untuk mengisi matriks banding berpasangan. digunakan skala banding yang tertera pada Tabel 1. Angka-angka yang tertera menggambarkan relatif pentingnya suatu unsur dibanding unsur lainnya sehubungan dengan sifat atau kriteria tertentu. Pengisian matriks hanya dilakukan untuk bagian di atas garis diagonal dari kiri-ke kanan bawah.
Tabel 2. Nilai skala banding berpasangan Intensitas
Pentingnya
Definisi Penjelasan
1 Kedua unsur sama pentingnya Dua unsur menyumbang sama besar pada sifat itu
3 Unsur yang satu sedikit lebih penting daripada unsur yang lainnya
Pergalaman dan pertimbangar dengan kuat menyokong satu unsur atas unsur yang lainnya. 5 Unsur yang satu sangat penting
daripada unsur yang lainnya.
Pengalaman dan pertimbangan dengan kuat menyokong satu 7 Satu unsur jelas lebih penting
daripada unsur yang lainnya
Satu unsur dengan kuat
disokong dan dominannya telah terlihat dalam praktek
Lanjutan Tabel 2. Intensits Pentingnya
Definisi Penjelasan
9 Satu unsur mutlak Iebih penting daripada unsur yang lainnya
Bukti yang menyokong unsur yang satu atas yang lainnya memiliki tingkat penegasan tertinggi yang mungkin menguatkan
2,4,6,8 Nilai-nilai di antara dua pertimbangan yang berdekatan
Kompromi diperhatikan di antara dua pertimbangan
Kebalikan Jika untuk aktifitas i mendapat satu angka bila dibandingkan dengan aktivitas j, maka j memiliki nilai kebalikannya bila dibandingkan dengan i
Sumber : Saaty, 1993.
5. Memasukkan nilai-nilai kebalikannya beserta bilangan 1 sepanjang diagonal utama. Angka 1 - 9 digunakan, bila Fi lebih mendominasi atau mempengaruhi sifat fokus hirarki (X) dibandingkan dengan Fj. Sedangkan bila Fi mendominasi atau kurang mempengaruhi sifat X dibandingkan Fj, maka digunakan angka kebalikannya. Matriks di bawah garis diagonal utama diisi dengan nilai-nilai kebalikannya.
6. Melaksanakan langkah 3, 4 dan 5 untuk semua tingkat dan gugusan dalam hirarki tersebut. Pembandingan dilanjutkan untuk semua unsur pada setiap tingkat keputusan yang terdapat pada hirarki, berkenaan dengan kriteria unsur di atasnya. Matriks pembandingan dalam individu PHA dibedakan menjadi (1) Matriks Pendapat Individu (MPI) dan (2) Matriks Pendapat Gabungan (MPG). Matriks Pendapat Individu adalah matriks hasil pembandingan yang dilakukan individu. Matriks Pendapat Individu memiliki unsur yang disimbolkan dengan aij, yaitu unsur matriks pada baris ke-i dan kolom ke-j. Matriks Pendapat Individu dapat dilihat pada Tabel 2.
Tabel 3. Matriks pendapat individu X A1 A2 A3 … An A1 a11 a21 a31 … a1n A2 a12 a22 a32 … a2n A3 a13 a23 a33 … a3n … … … An an1 an2 an3 … a4n Sumber : Saaty, 1993.
Matriks Pendapat Gabungan adalah susunan matriks baru yang unsur (gij) berasal dari rataan geometrik pendapat-pendapat individu yang rasio inkonsistensinya lebih kecil atau sama dengan 10% dan setiap unsur pada baris dan kolom yang sama dari MPI yang satu dengan MPI yang lain tidak terjadi konflik. Matriks Pendapat Gabungan dapat dilihat pada Tabel 4.
Tabel 4. Matriks pendapat gabungan
X G1 G2 G3 … Gn G1 g11 g21 g31 … g1n G2 g12 g22 g32 … g2n G3 g13 g23 g33 … g3n … … … Gn gn1 gn2 gn3 … g4n Sumber : Saaty, 1993.
Rumus matematika yang digunakan untuk memperoleh rataan geometrik adalah
m m k k ij ij
a
g ∏
==
1)
(
………(1) ijg = unsur MPG baris ke-i kolom ke-j
ij
a
= unsur baris ke-i kolom ke-j dari MPI ke-k m = jumlah MPI yang memenuhi persyaratan∏
=
m
k1
= perkalian dari unsur k = 1 sampai k = n
7. Mensintesis prioritas untuk melakukan pembobotan vektor-vektor prioritas. Menggunakan komposisi secara hirarki untuk membobotkan vektor-vektor prioritas itu dengan bobot kriteria-kriteria dan menjumlahkan semua nilai prioritas terbobot yang bersangkutan dengan nilai prioritas dari tingkat bawah berikutnya, dan seterusnya.
Pengolahan matriks pendapat terdiri dari dua tahap, yaitu (1) pengolahan horizontal dan (2) pengolahan vertikal. Kedua jenis pengolahan tersebut dapat dilakukan untuk MPI dan MPG diolah secara horizontal, dimana MPI dan MPG harus memenuhi persyaratan Rasio Inkonsistensi. Rinciannya sebagai berikut :
Pengolahan Horizontal, terdiri dari tiga bagian, yaitu penentuan Vektor Prioritas (Vektor Eigen), uji konsistensi dan revisi MPI dan MPG yang memiliki Rasio Inkonsistensi tinggi.
a. Penentuan Vektor Prioritas (Vektor Eigen) Vektor Prioritas dapat dicari dengan metode berikut:
1) Jumlahkan setiap unsur dalam masing-masing kolom Matriks Pembandingan Berpasangan (MPB) yang telah terisi dan dapatkan vektor baris Cj, dengan Cj = [cj] dan Cj = ∑ aij ………...(2) dimana cj – unsur faktor baris Cj pada kolom j ; aij = unsur MPB yang diolah pada baris ke-i dan kolom ke-j. Ilustrasi Pengolahan MPB pada langkah pertama dapat dilihat pada Tabel 5.
Tabel 5. Ilustrasi pengolahan mpb pada langkah pertama
G A1 A2 … An A1 a11 a21 … a1n A2 a12 a22 … a2n … … … An an1 an2 … a4n C1 c1 c2 … cn Sumber : Saaty, 1993.
MPB yang ada dinormalisasi dengan cara membagi setiap unsur matriks pada setiap kolom dengan unsur vektor baris Cj pada kolom tersebut yang telah didapat dari pengolahan pada langkah
sebelumnya. Diperoleh matriks normalisasi. Dij dengan
cj aij dij= dimana dij = unsur MPB setelah dinormalisasi pada baris, ke-i kolom ke-j. Ilustrasi pengolahan MPB yang telah dinormalisasi dapat dilihat pada Tabel 6.
Tabel 6. Ilustrasi pengolahan mpb yang telah dinormalisasi
G A1 A2 … An A1 d11 d21 … d1n A2 d12 d22 … d2n … … … An dan1 dn2 … d4n Sumber : Saaty, 1993.
2) Unsur-unsur matriks normalisasi yang berada dalam satu baris dijumlahkan dan didapat vektor kolom Ei dengan ei scbagai unsurnya, dengan ei = unsur vektor kolom Ei pada baris ke-i.
3) Membagi masing-masing unsur pada vektor kolom Ei dengan jumiah baris MPB atau jumlah kolomnya, untuk mendapatkan vektor Eigen bagi setiap komponen yang diperbandingkan dalam
MPB, dengan n ei
fi= dengan Fi = (fi), diman Fi = vektor proritas dalam bentuk vektor kolom dengan fi sebagai unsur vektor pada baris ke-1 ; ei = unsur baris ke-i dari vektor kolom ei : n = jumlah baris atau kolom MPB.
Tabel 7. Ilustrasi pengolahan matriks normalisasi pada langkah berikutnya G A1 A2 … An Ei Fi A1 d11 d21 … d1n e1 f1 A2 d12 d22 … d2n e2 f2 … … … An dan1 dn2 … dnn en fn Sumber : Saaty, 1993.
Pengolahan MPB hingga langkah ini memberikan hasil bahwa prioritas bagi An adalah fn. Untuk lebih jelas, dapat dilihat ilustrasinya pada Tabel 7.
Uji Konsistensi.
Rasio Inkonsistens dari suatu MPB dapat dicari terlebih dahulu dengan mencari nilai Eigen (Eigen value), serta menentukan indeks rasio konsistensinya. Nilai Eigen ditentukan dengau cara berikut
a. Lihat kembali MPB dengan aij sebagai unsur-unsurnya dan vektor kolom Fi (vektor prioritas) dengan fi sebagai unsur-unsur pada setiap barisnya. Lakukan perkalian antara unsur vektor kolom Fi pada baris tertentu dengan unsur-unsur MPB pada kolom tertentu, yang nomor kolomnya sama dengan nomor baris fi (i pada aij harus sama dengan i pada fi), didapatkan gij sebagai unsur dari suatu matriks baru Gij, dengan gij = fj.aij, dimana gij = unsur baris ke-i dan kolom ke-j dari matriks baru; aij = unsur baris ke-i dan kolom ke-j dari MPB awal; fi - unsur vektor pada baris ke-i. Ilustrasi penentuan Eigen Value pada dua langkah pertama dapat dilihat pada Tabel 8.
Tabel 8. Ilustrasi penentuan eigen value pada dua langkah pertama
G A1 A2 … An H1 A1 g11 g12 … g1n h1 A2 g12 G22 … g2n H2 … … … An gn1 gn2 … gmn hn Sumber : Saaty, 1993.
b. Menjumlahkan unsur-unsur dalam matriks eigen pada baris yang sama, kemudian diperoleh vektor kolom Hi dengan hi sebagai unsur-unsur pada baris ke-I, dengan hi = ∑ gij, dimana hi = unsur baris ke-i dari vektor kolom Hi.
c. Membagi unsur baris ke-i dari vektor kolom Hi dengan unsur ke-i dari vektor prioritas (vektor Eigen) Fi, dan diperoleh vektor kolom
li, dengan fi hi
ii = , dimana ii = unsur baris ke-i vektor kolom Ii. d. Menjumlahkan semua unsur vector kolom Ii dan mencari
rata-ratanya kemudian didapat nilai Eigen (Eigen Value), dengan λmax =
∑
nii, dimana, λmax = Eigen Value ; n = jumlah unsur matriks kolom Ii.
Dengan nilai Eigen yang telah didapatkan, maka Indeks Konsistensi (CI) didapat dengan formulasi :
1 max − − = n n CI λ ………(3) Dimana CI = Indeks Konsistensi, λma.x - nilai Eigen, n = jumlah baris atau kolom dari MPB. Rasio Konsistensi (CR) diperoieh dengan membagi CI dengan suatu Index Random (Ri) tertentu. Indeks ini menyatakan rata-rata konsistensi dari suatu matriks pembandingan acak berukuran n (n = ordo matriks) yang
didapatkan dari suatu eksperimen oleh Oak Ridge National
Laboratory dan dilanjutkan oleh Wharton School. Hasil eksperimen menunjukkan bahwa semakin besar ordo matriks pembandingan maka semakin tinggi pula tingkat inkonsistensinya yang ditunjukkan oleh nilai RI yang semakin besar. Daftar RI dapat dilihat pada Tabel 9. CR ditentukan dengan
CR CI
CR= ………(4)
Batasan diterima atau tidaknya konsistensi suatu matriks sebenarnya tidak ada yang baku, hanya saja menurut beberapa eksperimen dan pengalaman, tingkat inkonsistensi (CR) 10% ke bawah adalah tingkat yang masih dapat diterima, maka harus ada revisi pendapat akibat tingkat inkonsistensi yang terlalu besar dapat menjurus pada suatu kesalahan.
Tabel 9. Daftar nilai indeks random
Ordo Matriks (n) Indeks Random (RI)
1 0 2 0 3 0,58 4 0,90 5 1,12 6 1,24 7 1,32 8 1,41 9 1,45 10 1,19 11 1,51 12 1,48 13 1,56 14 1,57 15 1,59 Sumber : Oak Ridge Laboratory dalam Fewidarto, 1996.
Pengolahan Vertikal bertujuan untuk mendapatkan suatu prioritas pengaruh setiap unsur pada level tertentu dalam suatu hirarki terhadap fokus atau tujuan utamanya. Hasil akhir pengolahan vertikal adalah mendapatkan suatu bobot prioritasnya setiap unsur pada level terakhir dalam suatu hirarki terhadap sasarannya. Prioritas-prioritas yang diperoleh dalarn pengolahan horizontal sebelumnya disebut Prioritas Lokal, karena berkenaan dengan sebuah kriteria pembanding yang merupakan anggota unsur-unsur level di atasnya. Apabila Xij merupakan nilai prioritas pengaruh unsur ke-j pada level ke-i dari suatu hirarki keputusan terhadap fokusnya, maka diforrnulasikan berikut :
) 1 ( ) 1 . (
.
{
− −∑
=
t i i t ij ijY Z
X
………(5)untuk i = 1,2,..., p; j = 1,2,..., r;t =1,2,..., s; dengan Yij = nilai prioritas pengaruh unsur ke-j pada level ke-i berkenaan dengan unsur ke-t pada level di atasnya (i-1) yang menjadi sifat pembanding (sama dengan prioritas
lokal unsur ke-j pada level ke-i); Zt = nilai prioritas pengaruh unsur ke-t pada level ke (i-1) terhadap sasaran utama (fokus), didapat dari hasil pcngolahan vertikal; p = jumlah level keputusan dalam hirarki; r = jumlah unsur pada level ke-I; s = jumlah unsur pada level ke (i-1). Bila nilai Z, belum didapatkan maka lakukan dahulu pengolahan vertikal dengan cara sama seperti cara mendapatkan Xij di atas.
8. Mengevaluasi inkonsistensi untuk seluruh hirarki. Langkah ini dilakukan dengan mengalikan setiap indeks inkonsistensi dengan prioritas-prioritas kinerja yang bersangkutan dan menjumlahkan hasil kalinya. Hasil ini dibagi dengan pernyataan sejenis yang menggunakan inkonsistensi acak, yang sesuai dengan dimensi masing-masing matriks. Untuk memperoleh hasil yang baik, maka Rasio Inkonsistensi hirarki harus bernilai kurang dari atau sama dengan 10%. Rasio Inkonsistensi diperoleh setelah matriks diolah secara
horizontal dengan menggunakan program komputer Expert Choice
2000. Jika Rasio Inkonsistensi mempunyai nilai lebih besar dari 10%, maka mutu informasi harus ditinjau kembali dan diperbaiki, antara lain dengan memperbaiki pertanyaan, melakukan pengisian ulang kuesioner dan lebih mengarahkan responden dalam mengisi kuesioner.