49
Hasil dan Pembahasan 4.1. Spesifikasi Sistem
Dalam pengerjaan program aplikasi ini, penulis menggunakan jenis hardware dan software sebagai berikut :
4.1.1. Hardware
Dalam perancangan program aplikasi ini, penulis menggunakan komputer dan sistem operasi dengan spesifikasi sebagai berikut :
1. Processor : Intel(R) Core(TM) i3 – 2370M CPU @ 2.40GHz 2.40 GHz 2. Memory : 6,00 GB (5,89 GB usable)
3. Sistem Operasi : Windows 7 Ultimate Service Pack 1
4.1.2. Software
Adapun perangkat lunak yang digunakan sebagai berikut 1. Xampp
2. Notepad++ 3. Browser
4.2. Cara Penggunaan Program
Pada sub bab ini akan dijelaskan bagaimana cara menggunakan program yang telah dibuat, penjelasan setiap menu serta validasi dan ketentuan yang ada.
4.2.1. Menu Home
Pada saat program pertama kali dijalankan maka akan muncul tampilan menu awal yang berisi data penulis dan salam dari penulis. Seperti terlihat pada gambar di bawah ini :
Gambar 4.1. Contoh
Menu Home ini berisi tentang data kalimat pembuka dari program ini.
4.2.2. Menu Kriteria
Pada menu kriteria terdapat inputan jenis kriteria, nilai bobot dari kriteria, dan input nama kriterianya. setelah itu menyimpan data d
inputan kriteria bernilai maksimum 1.
Gambar 4.2. Contoh
Contoh Screenshot program menu home
berisi tentang data-data dari penulis skripsi. Ini hanya berisi tentang kalimat pembuka dari program ini.
ada menu kriteria terdapat inputan jenis kriteria, nilai bobot dari kriteria, dan input nama kriterianya. setelah itu menyimpan data dan memunculan tabel kriterianya. inputan kriteria bernilai maksimum 1. Seperti terlihat pada gambar di bawah ini :
Contoh Screenshot program menu kriteria
data dari penulis skripsi. Ini hanya berisi tentang
ada menu kriteria terdapat inputan jenis kriteria, nilai bobot dari kriteria, dan input an memunculan tabel kriterianya. Seperti terlihat pada gambar di bawah ini :
Pada menu kriteria, pertama kita memilih jenis kriteria, jenis kriteria berisi dua buah pilihan yaitu jenis biaya (untuk minimalisir) atau keuntungan (untuk maksimal), ini mempengaruhi proses perhitungan setiap data awal alternatif untuk proses pembebasan dimensi atau yang kita sebut normalisasi sehingga dapat dihitung proses perangkingan.
Setelah itu kita akan memasukkan nilai bobot kriteria yang memiliki batasan nilaidari 0 hingga 1, disini si pengguna program yang memilki kuasa untuk menentukan berapa besar kriteria tersebut mempengaruhi keputusan. Ketika batasan sudah mencapai angka 1, baru tabel alternatif bisa kita isi.
Menu terakhir dari kriteria adalah memasukan nama kriterianya, lalu kita tekan tombol tambah dan data tersebut akan disimpan dalam session, kemudian akan ditampilkan di tabel data kriteria.
4.2.3 Menu Alternatif
Pada layar alternatif ini terdapat inputan nama alternatif lalu tekan tombol tambah, dan akan muncul inputan baru yaitu mengisi nilai alternatif dari setiap nilai kriteria yang sebelumnya telah kita input diawal. Pada saat kita ingin meng-input data alternatif pastikan dahulu nilai bobot pada menu kriteria telah mencapai angka 1, atau tidak akan bisa input alternatif. Seperti terlihat pada gambar di bawah ini :
Gambar 4.3. Contoh Screenshot program menu alternatif
Pada menu alternatif berisi tentang masukkan nama alternatif kemudia kita tekan tombol tambah, akan memunculkan field-field untuk memasukkan nilai kriteria dari alternatif tersebut. Jika terdapat 3 alternatif dia akan memunculkan 3 field yang berisi inputan nilai dari alternatif tersebut. setelah itu kita tekan tombol simpan data untuk menyimpan data dan memunculkan data di tabel data alternatif.
4.2.4 Menu Tabel Awal
Pada layar menu tabel awal, disini terdapat data tabel nilai awal yang berisi inputan kriteria dan alternatif yang sebelumnya. Data tabel awal ini yang akan diproses untuk mendapatkan perankingan terbaik. Setelah tabel awal ini ada tombol normalisasi untuk mendapatkan hasil vektor S dan vektor V setiap metode. Hasilnya dalam bentuk tabel yang sudah diurutkan rankingnya berdasarkan nilai vektor v terbesarnya.
Pada awalnya, layar menu tabel awal kita harus menekan tombol get wp score, untuk memperbaiki nilai pembobotan kriteria untuk metode Weighted Product. ini dilakukan hanya pada proses perhitungan metode WP.
Setelah itu kita akan mengklik tombol normalisasi, proses yang terjadi disini adalah proses pembebasan dimensi atau yang kita sebut normalisasi, dari setiap data awal agar dapat dilakukan perhitungan perkalian dari setiap data awal.
ini akan menghasilkan data pada vektor S. Setelah data awal sudah bebas dimensi seperti yang terlihat datanya pada tabel vektor S, kita akan melakukan proses perhitungan perangkingan. Data yang telah diproses, akan diinput kedalam tabel vektor V, yang langsung diurutkan berdasarkan nilai vektor V tertinggi hingga terendah.
Dibawah ini terdapat contoh tangkapan layar dari menu awal hingga mendapatkan hasil :
Gambar 4.4.
Setelah itu kita akan mengklik tombol normalisasi, proses yang terjadi disini adalah proses pembebasan dimensi atau yang kita sebut normalisasi, dari setiap data awal agar dapat dilakukan perhitungan perkalian dari setiap data awal.
ini akan menghasilkan data pada vektor S. Setelah data awal sudah bebas dimensi seperti yang terlihat datanya pada tabel vektor S, kita akan melakukan proses perhitungan perangkingan. Data yang telah diproses, akan diinput kedalam tabel vektor V, yang langsung diurutkan berdasarkan nilai vektor V tertinggi hingga
Dibawah ini terdapat contoh tangkapan layar dari menu tabel awal yang berisi kasus awal hingga mendapatkan hasil :
. Contoh Screenshot program menu hasil (Kasus Awal)
Setelah itu kita akan mengklik tombol normalisasi, proses yang terjadi disini adalah proses pembebasan dimensi atau yang kita sebut normalisasi, dari setiap data awal Proses perhitungan ini akan menghasilkan data pada vektor S. Setelah data awal sudah bebas dimensi seperti yang terlihat datanya pada tabel vektor S, kita akan melakukan proses perhitungan perangkingan. Data yang telah diproses, akan diinput kedalam tabel vektor V, yang langsung diurutkan berdasarkan nilai vektor V tertinggi hingga
tabel awal yang berisi kasus
Hasil program pengambilan keputusan dari masalah yang ada menunjukan bahwa dengan metode Weighted Product atau Simple Additive Weight memiliki perbedaan untuk perangkingan alternatif tersebut. Bisa kita lihat pada hasil tersebut hanya alternatif rangking 1 dan alternatif rangking terakhir saja yang memiliki persamaan.
Untuk rangking 1, kita akan memilih jenis pati yang optimal dari singkong Darul Hidayah. Untuk rangking terakhir atau 14 kita akan memilih jenis pati yang paling tidak optimal yaitu Adira-4.
Menurut berbagai sumber proses metode Simple Additive Weighting adalah yang terbaik, karena terdapat proses pembebasan dimensi awal pada data sehingga dapat dilakukan perkalian silang dan penjumlahan dari setiap nilai kriteria pada alternatif - alternatif yang ada.
4.3. Hasil dan Pembahasan dari Perhitungan secara Manual.
Disini penulis akan membandingkan hasil analisis kasus tersebut menggunakan metode Weighted product (WP) dan Simple Additive Weighting (SAW) secara manual.
4.3.1. Hasil dan Pembahasan Metode Weighted Product
Disini Penulis mempunyai contoh kasus yang sama yang telah dikerjakan oleh program. Penulis akan melihat apakah ada data yang berbeda antara penulisan secara manual dan program.
Seorang pengusaha akan memilih jenis ubikayu yang akan ditanam sebagai bahan baku industri edible filmnya. kriteria yang ditanam mengharuskan kadar pati yang terbanyak untuk bahan baku edible filmnya. Si pengusaha tersebut memiliki beberapa kriteria ketentuan dalam memilih jenis ubikayu itu, seperti usia panen yang singkat, hasil panen yang berlimpah dan memiliki kadar pati yang tinggi.
terdapat 3 kriteria yang akan digunakan untuk melakukan penilaian, yaitu :
C1 = Usia Panen (bulan) Cost
C2 = Hasil Panen (ton / ha) Benefit
Pemberi Keputusan akan memberikan bobot kriteria sebagai berikut : C1 = 20% , C2 = 35% , C3 = 45%
Tabel 4.1. Tabel dari nilai bobot kriteria.
Nilai Bobot Keterangan Bobot Kriteria
10 45% Sangat Penting Tertinggi
9 40% Lebih Penting 8 35% Penting 7 30% Lumayan Penting 6 25% Cukup Penting 5 20% Agak Penting 4 15% Kurang penting 3 10% Mungkin Penting
2 5% Mungkin Tidak Penting
1 0% Tidak penting Terendah
Terdapat 14 jenis alternatif yang akan dipilih, tabel awal nya : Tabel 4.2. Tabel awal contoh kasus
No. Varietas Umur (Bulan) Potensi Hasil (Ton/Ha) Kadar Pati (%)
1. Adira-1 7-10 22 45% 2. Adira-2 8-12 21 41% 3. Adira-4 10,5-11,5 35 18%-22% 4. Malang-1 9-10 36,5 32%-36% 5. Malang-2 8-10 31,5 32%-36% 6. Malang-4 9 39,7 25%-32% 7. Malang-6 9 36,41 25%-32% 8. Darul Hidayah 8-10 102,10 25%-31,52% 9. UJ-3 8-10 20-35 20%-27% 10. UJ-5 8-10 25-38 19%-30% 11. Muara 7-10 20-30 26,9% 12. SPP 10-11 20-30 35,4% 13. Valenca 7-10 15-20 33,1% 14. Bogor 8-10 20-30 30,9%
Pada kasus ini kita akan mengambil nilai yang terbesar dan terkecil dikarenakan kita akan mencari yang terbaik (kriteria keuntungan dan biaya),seperti tabel dibawah ini :
Tabel 4.3. Tabel awal yang telah disortir berdasarkan jenis kriterianya. Jenis Kriteria Biaya Keuntungan Keuntungan
Bobot Kriteria 0,2 0,35 0,45
No. Varietas Kriteria
Umur (Bulan)
Potensi Hasil (Ton/Ha) Kadar Pati (%)
1. Adira-1 7 22 45% 2. Adira-2 8 21 41% 3. Adira-4 10,5 35 22% 4. Malang-1 9 36,5 36% 5. Malang-2 8 31,5 36% 6. Malang-4 9 39,7 32% 7. Malang-6 9 36,41 32% 8. Darul Hidayah 8 102,10 31,52% 9. UJ-3 8 35 27% 10. UJ-5 8 38 30% 11. Muara 7 30 26,9% 12. SPP 10 30 35,4% 13. Valenca 7 20 33,1% 14. Bogor 8 30 30,9% Cara pengerjaan :
pertama kita akan melakukan perbaikan bobot kriteria terlebih dahulu,yaitu : nilai bobot total (W) berdasarkan tabel 4.1 = 5 + 8 + 10 = 23.
Perbaikan bobot = C 5 5 8 10 5 23 0,217 C 8 5 8 10 8 23 0,348 C 10 5 8 10 10 23 0,435
kemudian akan dihitung vektor S nya. dengan rumus : Si = ∏X ; dengan i = 1,2,...,m S1 = (7 -0,217) (22 0,348) (0,45 0,435) = 1,358 S2 = (8 -0,217) (21 0,348) (0,41 0,435) = 1,246 S3 = (10,5 -0,217) (35 0,348) (0,22 0,435) = 1,071 S4 = (9 -0,217) (36,5 0,348) (0,36 0,435) = 1,392 S5 = (8 -0,217) (31,5 0,348) (0,36 0,435) = 1,357 S6 = (9 -0,217) (37 0,348) (0,32 0,435) = 1,329 S7 = (9 -0,217) (36,41 0,348) (0,32 0,435) = 1,321 S8 = (8 -0,217) (102,1 0,348) (0,3152 0,435) = 1,928 S9 = (8 -0,217) (35 0,348) (0,27 0,435) = 1,242 S10 = (8 -0,217) (38 0,348) (0,30 0,435) = 1,338 S11 = (7 -0,217) (30 0,348) (0, 2690,435) = 1,209 S12 = (10 -0,217) (30 0,348) (0,3540,435) = 1,261 S13 = (7 -0,217) (20 0,348) (0,3310,435) = 1,149 S14 = (8 -0,217) (30 0,348) (0,3090,435) = 1,248
Nilai Vektor V yang akan digunakan untuk perankingan dapat dihitung berdasarkan persamaan :
V
∏nj1 XijWj ∏nj1 Xij Wj
; dengan i = 1, 2, ..., m
Kita akan mencari nilai pembagi dulu, yaitu dengan penjumlahan dari keseluruhan data ada vektor S.
yaitu ∏ X = 1,358 + 1,246 + 1,071 + 1,392 + 1,357 + 1,329 + 1,321 + 1,928 + 1,242 + 1338 + 1,209 + 1,261 + 1,149 + 1,248 = 18,449
Lalu mencari nilai Vektor V dari setiap alternatif :
V 1,358 18,449 0,074 V 1,246 18,449 0,068 V 1,071 18,449 0,058
V# 1,392 18,449 0,075 V$ 1,357 18,449 0,074 V% 1,329 18,449 0,072 V& 1,321 18,449 0,072 V' 1,928 18,449 0,105 V( 1,242 18,449 0,067 V) 1,338 18,449 0,073 V 1,209 18,449 0,066 V 1,261 18,449 0,068 V 1,149 18,449 0,062 V# 1,248 18,449 0,068
Hasil perangkingannya akan disajikan dalam bentuk tabel di bawah ini : Tabel 4.4. Tabel Hasil Metode WP
No. Varietas Nilai Vektor V Ranking
1. Adira-1 0,074 3 2. Adira-2 0,068 8 3. Adira-4 0,058 14 4. Malang-1 0,075 2 5. Malang-2 0,074 3 6. Malang-4 0,072 6 7. Malang-6 0,072 6 8. Darul Hidayah 0,105 1 9. UJ-3 0,067 11
10. UJ-5 0,073 5
11. Muara 0,066 12
12. SPP 0,068 8
13. Valenca 0,062 13
14. Bogor 0,068 8
Urutan rangkingnya akan digambarkan dalam diagram batang dibawah ini :
Gambar 4.7. Gambar Diagram Batang Hasil metode WP
4.3.2. Hasil dan Pembahasan Metode Simple Additive Weighting (SAW)
Metode ini merupakan metode yang paling dikenal dan paling banyak digunakan orang dalam menghadapi situasi Multi Attribute Decision Making. Metode ini mengharuskan pembuat keputusan menentukan bobot bagi setiap kriteria. Skor total untuk sebuah alternatif diperoleh dengan menjumlahkan seluruh hasil perkalian antara rating (yang dapat dibandingkan lintas kriteria) dan bobot tiap kriteria. rating tiap kriteria haruslah bebas dimensi dalam arti telah melewati proses normalisasi sebelumnya. 0 0.02 0.04 0.06 0.08 0.1 0.12
Hasil Metode WP
Hasil Metode WPTahapan yang dilakukan dalam metode SAW adalah :
1. perbandingan lintas kriteria sehinga penilaian tersebut harus tidak berdimensi dengan jalan melakukan normalisasi linier.
2. dilakukan perkalian di antara bobot tiap kriteria dengan hasil penilaian bebas dimensi tersebut.
3. hasil perkalian tersebut dijumlahkan untuk tiap alternatif.
4. dipilih nilai alternatif yang memiliki nilai total perkalian terbesar sebagai alternatif terbaik.
contoh kasus :
Seorang pengusaha akan memilih jenis ubikayu yang akan ditanam sebagai bahan baku industri edible filmnya. Kriteria yang ditanam mengharuskan kadar pati yang terbanyak untuk bahan baku edible filmnya. Si pengusaha tersebut memiliki beberapa kriteria ketentuan dalam memilih jenis ubikayu itu, seperti usia panen yang singkat, hasil panen yang berlimpah dan memiliki kadar pati yang tinggi.
Tabel 4.5. Tabel awal yang berisi data alternatif dan kriteria.
Jenis Kriteria Biaya Keuntungan Keuntungan
Bobot Kriteria 0,2 0,35 0,45
No. Varietas Kriteria
Umur (Bulan)
Potensi Hasil (Ton/Ha) Kadar Pati (%)
1. Adira-1 7 22 45% 2. Adira-2 8 21 41% 3. Adira-4 11 35 22% 4. Malang-1 9 36,5 36% 5. Malang-2 8 31,5 36% 6. Malang-4 9 39,7 32% 7. Malang-6 9 36,41 32% 8. Darul Hidayah 8 102,10 31,52% 9. UJ-3 8 35 27% 10. UJ-5 8 38 30% 11. Muara 7 30 26,9%
12. SPP 10 30 35,4%
13. Valenca 7 20 33,1%
14. Bogor 8 30 30,9%
.
Ada 3 kriteria yang akan digunakan untuk melakukan penilaian, yaitu :
C1 = Usia Panen (bulan) Cost
C2 = Hasil Panen (ton / ha) Benefit
C3 = Kadar Pati (%) Benefit
Pemberi Keputusan akan memberikan bobot kriteria diawal sebagai berikut : C1 = 20%, C2 = 35%, C3 = 45%
Tabel 4.6. Tabel kode, ketentuan kriteria, tipenya dan nilai bobot. Kode Kriteria Ketentuan kriteria Tipe Kriteria Bobot
C1 Usia panen Biaya 0,2
C2 Hasil panen Keuntungan 0,35
C3 Kadar pati Keuntungan 0,45
Dari masing-masing kriteria tersebut, akan ditentukan bobot-bobotnya. Pada bobot terdiri dari empat bilangan fuzzy karena sesuai dengan rumusnya yaitu n+1, dimana n adalah banyak bilangan, yaitu penting (P), cukup penting (CP), kurang penting (KP) dan tidak penting (TP). Tabelnya seperti ini:
Tabel 4.7. Tabel fuzzy dari 4 kriteria.
Kriteria Bobot (Nilai)
Tidak Penting (TP) Variabel ke 0 / (4-1) = 0 Kurang Penting (KP) Variabel ke 1 / (4-1) = 0,333
Cukup Penting (CP) Variabel ke 2 / (4-1) = 0,666 Penting (P) Variabel ke 3 / (4-1) = 1
Nilai bobot tersebut dibuat dalam sebuah diagram batang supaya lebih jelas, seperti di bawah ini :
Gambar 4.8. Gambar Diagram Batang Fuzzy dari 3 Data Kriteria.
Dibawah ini adalah bilangan fuzzy dari bobot setiap kriteria : 1. Kriteria dan Nilai Bobot Usia panen (dalam bulan)
Tabel 4.8. Tabel fuzzy nilai bobot dari usia panen.
Usia Panen Proses pembobotan Bobot
<7 bulan Variabel ke 0 / (7-1) 0 7 bulan Variabel ke 1 / (7-1) 0,166 8 bulan Variabel ke 2 / (7-1) 0,333 9 bulan Variabel ke 3 / (7-1) 0,5 10 bulan Variabel ke 4 / (7-1) 0,666 11 bulan Variabel ke 5 / (7-1) 0,833 >11 bulan Variabel ke 6 / (7-1) 1 0 0.2 0.4 0.6 0.8 1 1.2
Kurang Penting Cukup Penting Penting
Nilai bobot dari Kriteria
Gambar 4.9. Gambar Diagram Batang Fuzzy dari Tabel Usia Panen
2. Kriteria dan Nilai Bobot Hasil Panen (ton/ha)
Tabel 4.9. Tabel fuzzy nilai bobot dari hasil panen.
Hasil Panen Proses pembobotan Bobot
<=20 ton Variabel ke 0 / (10-1) 0 20,1-30 ton Variabel ke 1 / (10-1) 0,11 30,1-40 ton Variabel ke 2 / (10-1) 0,22 40,1-50 ton Variabel ke 3 / (10-1) 0,33 50,1-60 ton Variabel ke 4 / (10-1) 0,44 60,1-70 ton Variabel ke 5 / (10-1) 0,56 70,1-80 ton Variabel ke 6 / (10-1) 0,67 80,1-90 ton Variabel ke 7 / (10-1) 0,78 90,1-100 ton Variabel ke 8 / (10-1) 0,89 >=100 ton Variabel ke 9 / (10-1) 1 0 0.2 0.4 0.6 0.8 1 1.2 <7 bulan
7 bulan 8 bulan 9 bulan 10 bulan
11 bulan
>11 bulan
Nilai bobot dari Usia Panen
Gambar 4.10. Gambar Diagram Batang Fuzzy dari Tabel Hasil Panen
3. Kriteria dan Nilai Bobot Kadar Pati Ubikayu (%)
Tabel 4.10. Tabel fuzzy nilai bobot dari kadar pati ubikayu.
Kadar pati (%) Proses pembobotan Bobot
<=5% Variabel ke 0 / (11-1) 0 5,1 - 10 % Variabel ke 1 / (11-1) 0,1 10,1 - 15 % Variabel ke 2 / (11-1) 0,2 15,1 - 20 % Variabel ke 3 / (11-1) 0,3 20,1 - 25 % Variabel ke 4 / (11-1) 0,4 25,1 - 30 % Variabel ke 5 / (11-1) 0,5 30,1 - 35 % Variabel ke 6 / (11-1) 0,6 35,1 - 40 % Variabel ke 7 / (11-1) 0,7 40,1 - 45 % Variabel ke 8 / (11-1) 0,8 45,1 - 50 % Variabel ke 9 / (11-1) 0,9 >= 50% Variabel ke 10 / (11-1) 1 0 0.2 0.4 0.6 0.8 1 1.2
Nilai bobot dari Hasil Panen
Gambar 4.11. Gambar diagram batang fuzzy dari tabel kadar pati.
Setelah itu, kita akan menormalisasi nilai awal dari setiap jenis agar bebas dimensi dan bisa dijumlahkan untuk mendapatkan hasil yang terbaik.
Tabel 4.11. Tabel awal normalisasi metode SAW.
Jenis Kriteria Biaya Keuntungan Keuntungan
Bobot Kriteria 0,2 0,35 0,45
No. Varietas Kriteria
Umur (Bulan)
Potensi Hasil (Ton/Ha) Kadar Pati (%)
1. Adira-1 0,166 0,11 0,8 2. Adira-2 0,333 0,11 0,8 3. Adira-4 0,833 0,22 0,4 4. Malang-1 0,5 0,22 0,7 5. Malang-2 0,333 0,22 0,7 6. Malang-4 0,5 0,22 0,6 7. Malang-6 0,5 0,22 0,6 8. Darul Hidayah 0,333 1 0,6 0 0.2 0.4 0.6 0.8 1 1.2
Nilai bobot dari Kadar Pati Ubikayu (%)
Nilai bobot dari Kadar Pati Ubikayu (%)
9. UJ-3 0,333 0,22 0,5 10. UJ-5 0,333 0,22 0,5 11. Muara 0,166 0,22 0,5 12. SPP 0,666 0,22 0,7 13. Valenca 0,166 0,11 0,6 14. Bogor 0,333 0,22 0,6
Matriksnya akan menjadi :
= 6 , 0 22 , 0 333 , 0 6 , 0 11 , 0 166 , 0 7 , 0 22 , 0 666 , 0 5 , 0 22 , 0 166 , 0 5 , 0 22 , 0 333 , 0 5 , 0 22 , 0 333 , 0 6 , 0 1 333 , 0 6 , 0 22 , 0 5 , 0 6 , 0 22 , 0 5 , 0 7 , 0 22 , 0 333 , 0 7 , 0 22 , 0 5 , 0 4 , 0 22 , 0 833 , 0 8 , 0 11 , 0 333 , 0 8 , 0 11 , 0 166 , 0 X
Normalisasi jika kriteria bernilai biaya maka rumusnya adalah : Rii = (min{Xij} /Xij)
Normalisasi jika kriteria bernilai keuntungan maka rumusnya adalah : Rii = ( Xij / max{Xij})
Dari kolom C1 yang jenis kriterianya adalah biaya, maka kita mencari nilai
minimalnya yaitu ‘0,166’, jadi tiap baris dari kolom C1 menjadi penyebut dari nilai
maksimal kolom C1 :
R11 = 0,166 / 0,166 = 1
R31 = 0,166 / 0,833 = 0,2 R41 = 0,166 / 0,5 = 0,33 R51 = 0,166 / 0,333 = 0,5 R61 = 0,166 / 0,5 = 0,33 R71 = 0,166 / 0,5 = 0,33 R81 = 0,166 / 0,333 = 0,5 R91 = 0,166 / 0,333 = 0,5 R101 = 0,166 / 0,333 = 0,5 R111 = 0,166 / 0,166 = 1 R121 = 0,166 / 0,666 = 0,25 R131 = 0,166 / 0,166 = 1 R141` = 0,166 / 0,333 = 0,5
Dari kolom C2 yang jenis kriterianya adalah keuntungan, maka nilai maksimalnya
adalah ‘1’, jadi tiap baris dari kolom C2 dibagi oleh nilai maksimal kolom C2
R12 = 0,11 / 1 = 0,11 R22 = 0,11 / 1 = 0,11 R32 = 0,22 / 1 = 0,22 R42 = 0,22 / 1 = 0,22 R52 = 0,22 / 1 = 0,22 R62 = 0,22 / 1 = 0,22 R72 = 0,22 / 1 = 0,22 R82 = 1/ 1 = 1 R92 = 0,22 / 1 = 0,22 R102 = 0,22 / 1 = 0,22 R112 = 0,22 / 1 = 0,22 R122 = 0,22 / 1 = 0,22 R132 = 0,11 / 1 = 0,11 R142 = 0,22 / 1 = 0,22
Dari kolom C3 yang jenis kriterianya adalah keuntungan, maka nilai maksimalnya adalah '0,8', jadi tiap baris dari kolom C3 dibagi oleh nilai maksimal kolom C3 :
R13 = 0,8 / 0,8 = 1 R23 = 0,8 / 0,8 = 1 R33 = 0,4 / 0,8 = 0,5 R43 = 0,7 / 0,8 = 0,875 R53 = 0,7 / 0,8 = 0,875 R63 = 0,6 / 0,8 = 0,75 R73 = 0,6 / 0,8 = 0,75 R83 = 0,6 / 0,8 = 0,75 R93 = 0,5 / 0,8 = 0,625 R103 = 0,5 / 0,8 = 0,625 R113 = 0,5 / 0,8 = 0,625 R123 = 0,7 / 0,8 = 0,875 R133 = 0,6 / 0,8 = 0,75 R143 = 0,6 / 0,8 = 0,75
Hasilnya akan menjadi tabel faktor ternomalisasi (Vektor S), seperti dibawah ini :
Tabel 4.12. Tabel Vektor S metode SAW.
Jenis Kriteria Biaya Keuntungan Keuntungan
Bobot Kriteria 0,2 0,35 0,45
No. Varietas Kriteria
Usia Panen Hasil Panen Kadar Pati
1. Adira-1 1 0,11 1 2. Adira-2 0,5 0,11 1 3. Adira-4 0,2 0,22 0,5 4. Malang-1 0,33 0,22 0,875 5. Malang-2 0,5 0,22 0,875 6. Malang-4 0,33 0,22 0,75 7. Malang-6 0,33 0,22 0,75 8. Darul Hidayah 0,5 1 0,75
9. UJ-3 0,5 0,22 0,625 10. UJ-5 0,5 0,22 0,625 11. Muara 1 0,22 0,625 12. SPP 0,25 0,22 0,875 13. Valenca 1 0,11 0,75 14. Bogor 0,5 0,22 0,75
setelah mendapat tabel faktor ternomalisasi tersebut, lalu akan mengalikan setiap kolom di tabel tersebut dengan bobot kriteria yang telah kita deklarasikan sebelumnya menggunakan rumus :
Vi = ∑Wj Rij V1 = (1 x 0,2) + (0,11 x 0,35) + (1 x 0,45) = 0,6885 V2 = (0,5 x 0,2) + (0,11 x 0,35) + (1 x 0,45) = 0,5885 V3 = (0,2 x 0,2) + (0,22 x 0,35) + (0,5 x 0,45) = 0,342 V4 = (0,33 x 0,2) + (0,22 x 0,35) + (0,875 x 0,45) = 0,53675 V5 = (0,5 x 0,2) + (0,22 x 0,35) + (0,875 x 0,45) = 0,57075 V6 = (0,33 x 0,2) + (0,22 x 0,35) + (0,75 x 0,45) = 0,4805 V7 = (0,33 x 0,2) + (0,22 x 0,35) + (0,75 x 0,45) = 0,4805 V8 = (0,5 x 0,2) + (1 x 0,35) + (0,75 x 0,45) = 0,7875 V9 = (0,5 x 0,2) + (0,22 x 0,35) + (0,625 x 0,45) = 0,45825 V10 = (0,5 x 0,2) + (0,22 x 0,35) + (0,625 x 0,45) = 0,45825 V11 = (1 x 0,2) + (0,22 x 0,35) + (0,625 x 0,45) = 0,55825 V12 = (0,25 x 0,2) + (0,22 x 0,35) + (0,875x 0,45) = 0,52075 V13 = (1 x 0,2) + (0,11 x 0,35) + (0,75 x 0,45) = 0,576 V14 = (0,5 x 0,2) + (0,22 x 0,35) + (0,75 x 0,45) = 0,5145
Hasil perangkingannya akan disajikan dalam bentuk tabel di bawah ini :
Tabel 4.13. Tabel Hasil Metode WP
No. Varietas Nilai Vektor V Ranking
1. Adira-1 0,6885 2
2. Adira-2 0,5885 3
4. Malang-1 0,5367 7 5. Malang-2 0,57075 5 6. Malang-4 0,4805 10 7. Malang-6 0,4805 10 8. Darul Hidayah 0,7875 1 9. UJ-3 0,45825 12 10. UJ-5 0,45825 12 11. Muara 0,55825 6 12. SPP 0,52075 8 13. Valenca 0,576 4 14. Bogor 0,5145 9
Urutan rangkingnya akan digambarkan dalam diagram batang dibawah ini :
Gambar 4.12. Gambar Hasil Metode SAW
Berdasarkan hasil dari perhitungan secara manual dan dalam program, penulis menyimpulkan bahwa terdapat satu jenis yang terunggul yang diinginkan dari si pengusaha tersebut yaitu Darul Hidayah, sedangkan untuk jenis yang terendah adalah jenis Adira-4. 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
