I.2 I.2
OUTLINE
• Metode FIS Sugeno
• Pendahuluan
• Fuzzy Multi Atribute Decision Making
I.4 I.4
Relasi preferensi
• Untuk melakukan agregasi terhadap preferensi para expert ke dalam grup preferensi, dibutuhkan relasi preferensi.
• Pada relasi preferensi, setiap expert menghubungkan nilai preferensi antar setiap alternatif.
• Ada 2 macam relasi preferensi yang sering digunakan, yaitu: relasi preferensi multiplikatif (multiplicative
• Relasi preferensi multiplikatif, A, pada himpunan alternatif X direpresentasikan sebagai matriks A X X X, A = (aij), aij merupakan rasio preferensi
alternatif xi terhadap xj, berarti bahwa xi aij kali lebih baik daripada xj.
I.6 I.6
Relasi preferensi fuzzy
• Relasi preferensi fuzzy biasanya digunakan oleh pengambil keputusan dalam memberikan derajat preferensi alternatif xi terhadap alternatif xj.
• Relasi preferensi fuzzy, P, pada himpunan alternatif X adalah himpunan fuzzy dalam bentuk X X X, yang dicirikan dengan fungsi keanggotaan:
P: X X X [0, 1]
dengan P = (pij), dan pij = P(xi,xj) i,j = {1,2,...,n} adalah
derajat preferensi alternatif xi terhadap alternatif xj. Jika pij = ½ berarti bahwa tidak ada perbedaan antara xi
dibutuhkan suatu properti konsistensi.
• Salah satu properti yang sering digunakan adalah transitivitas.
• Pada properti ini, disebutkan bahwa nilai preferensi yang diperoleh dengan cara membandingkan 2
alternatif secara langsung harus sama atau lebih dari nilai preferensi 2 alternatif dengan pembanding
I.8
Triangle condition pij + pjk pik, i,j,k
Weak transitivity Jika pij 0,5 dan pjk 0,5;
maka pik 0,5; i,j,k
Max-min transitivity pik min(pij, pjk); i,j,k
Max-max transitivity pik max(pij, pjk); i,j,k
Restricted max-min
transitivity maka pJika pij ik 0,5 dan p min(pij, pjkjk); 0,5; i,j,k Restricted max-max
transitivity maka pJika pij ik 0,5 dan p max(pij, pjk jk); 0,5; i,j,k Multiplicative transitivity (pji/pij).(pkj/pjk) = (pki/pik), i,j,k
• Format preferensi adalah:
Ok = (ok(1), ok(2), ..., ok(m))
dengan ok(.) adalah fungsi permutasi pada himpunan
indeks {1,2,...,m} dan ok(i) merepresentasikan
ranking yang diberikan oleh pengambil keputusan ek dari alternatif Si, i=1,2,...,m.
I.10 I.10
• Format preferensi adalah: Uk = (uk
1, uk2, ..., ukm)
dengan ukm[0,1]; dengan 1 ≤ i ≤ m dan ukm adalah nilai utilitas yang diberikan oleh pengambil keputusan ek dari alternatif A
I.12 I.12
• Misalkan seorang pengambil keputusan memberikan preferensinya terhadap 4 alternatif {A1, A2, A3, A4} dengan utilitas untuk setiap alternatif, dia berikan
sebagai berikut A1 = 0,5; A2 = 0,7; A3 = 0,6; dan A4 = 0,3; maka format preferensi yang diberikan,
• Format preferensi adalah: Lk = (lk
1, lk2, ..., lkm)
dengan lk
m merepresentasikan evaluasi yang diberikan
oleh pengambil keputusan ek secara linguistik dari
I.14 I.14
• Misalkan seorang pengambil keputusan memberikan preferensinya secara linguistik terhadap 4 alternatif {A1, A2, A3, A4} masing-masing: A1 = ”Baik”; A2 =
”Sangat Baik”; A3 = ”Cukup”; dan A4 = ”Baik”; maka format preferensi yang diberikan, dinotasikan
sebagai: L1 = {“Baik”, “Sangat Baik”, “Cukup”,
• Format preferensi adalah:
dengan im < m. Alternatif-alternatif yang ada di ekuivalen dan mendominasi dari sisanya yang ada di A A
~
A
,
A
,
,
A
A
I.16 I.16
• Format preferensi adalah:
dengan im < m. dan lk
ij adalah bentuk linguistik.
k
im k
i k
2 i k i k
1 i k i
k
A
,
l
,
A
,
l
,
,
A
,
l
I.18 I.18
• Format ini biasanya diberikan sebagai, seorang
pengambil keputusan lebih memilih Ai daripada Aj, dst.
I.20 I.20
Fuzzy Preference Relation
• Seorang pengambil keputusan memberikan suatu matriks P = {pij | i,j=1,2,..,m}, dengan pij adalah
preferensinya terhadap 4 alternatif {A1, A2, A3, A4}, dan pengambil keputusan tersebut memberikan
preferensi:
– A1 terhadap A2 sebesar 3; – A1 terhadap A3 sebesar 5; – A1 terhadap A4 sebesar 2; – A2 terhadap A3 sebesar 5; – A2 terhadap A4 sebesar 3;
I.22 I.22
– maka matriks relasi preferensi fuzzy dapat diberikan sebagai berikut:
3
/
1
7
/
1
2
/
1
3
5
/
1
5
/
1
7
5
3
/
1
2
5
3
• Pada dasarnya, format preferensi yang ada dapat
ditransformasikan ke dalam bentuk relasi preferensi fuzzy.
• Salah satu kegunaan dari transformasi ini adalah untuk melakukan penyeragaman format preferensi, apabila proses pengambilan keputusan dilakukan dalam bentuk group (Group Decision Making) yang mana setiap
I.24
I.24
Ordered vectors to fuzzy preference
relations
• Transformasi ke relasi preferensi fuzzy antara alternatif Ai dan Aj dirumuskan sebagai:
dengan ok(j) adalah posisi ranking alternatif A
j di Ok,
j=1,2,...,m
m j
i 1
; 1 m
) i ( o 1
m
) j ( o 1
2 1 p
k k
k
ij
pengambil keputusan dalam bentuk vektor urutan: O1 =
{3, 2, 4, 1}; maka format tersebut dapat
ditransformasikan ke dalam bentuk relasi preferensi fuzzy, P1, sebagai berikut
I.26
I.26
Utility vectors to fuzzy preference
relations
• Transformasi ke relasi preferensi fuzzy antara alternatif Ai dan Aj dirumuskan sebagai:
dengan uk
i adalah preferensi yang diberikan oleh ek
terhadap alternatif Si di Uk, i=1,2,...,m
u
u
;
1
i
j
m
u
p
2k j 2
k i
2 k i k
ij
pengambil keputusan dalam bentuk vektor utilitas: U1 = {0,5; 0,7; 0,6; 0,3}.; maka format tersebut
I.28
I.28
Linguistic term vectors to fuzzy
preference relations
• Suatu bentuk linguistik, , diberikan sebagai bilangan fuzzy segitiga dengan derajat keanggotaan:
• Cheng (1999) mendefinisikan bentuk linguistik (ui, i, i) sebagai berikut:
– Sangat Baik (Very Good) = (1; 0,8; 1)
– Baik (Good) = (0,75; 0,6; 0,9) – Cukup (Fair) = (0,5; 0,3; 0,7)
I.30 I.30
• Misal diberikan 2 alternatif Si dan Sj secara linguistik, dan .
Selanjutnya akan digunakan fungsi defuzzy Max g dan transformasi f, sebagai berikut:
• Sehingga:
pengambil keputusan dalam bentuk linguistik :
L1 = {“Baik”, “Sangat Baik”, “Cukup”, “Baik”}; maka
format tersebut dapat ditransformasikan ke dalam relasi preferensi, P1, sebagai berikut:
I.32
I.32
Selected Subsets to fuzzy preference
relations
• Relasi preferensi fuzzy antara 2 alternatif Ai dan Aj dirumuskan sebagai berikut:
m j
i 1 ; lainnya
; 5 , 0
Aˆ / A A
, Aˆ A
jika ;
1
pk i j
ij
pengambil keputusan dalam bentuk himpunan bagian: {A1, A3}; maka format tersebut dapat
ditransformasikan ke dalam relasi preferensi, P1,
sebagai berikut
0 5
, 0 0
1 1
5 , 0
5 , 0 0
0
1 5
, 0 1
I.34
I.34
Fuzzy Selected Subsets to fuzzy
preference relations
• Misalkan lk
i = (ui, i, i) dan lkj = (uj, j, j); maka
relasi preferensi fuzzy antara 2 alternatif Ai dan Aj dirumuskan sebagai:
– Jika Ai dan Aj berada pada , maka:A
~
; 1 i j mu u
u A~
, A~ f g
p 2
j 2
i 2 i j
i k
ij
– Jika Ai dan Aj keduanya tidak berada pada , maka:
– Jika Ai berada pada , sedangkan Aj tidak berada pada , maka
A
A~
A
~
m
j
i
1
;
5
,
0
p
ijk
m
j
i
1
;
u
I.36 I.36
• Misalkan format preferensi diberikan oleh seorang pengambil keputusan dalam bentuk himpunan bagian fuzzy: {(A1, “Baik”); (A3, “Sangat Baik”)}; maka
format tersebut dapat ditransformasikan ke dalam relasi preferensi, P1, sebagai berikut:
I.38 I.38
Gambaran umum
• Misalkan terdapat himpunan X = {X1, ... , Xm} yang
merupakan himpunan alternatif; C = {C1, ... , Cn}, adaah
himpunan kriteria.
• Kinerja setiap alternatif pada setiap kriteria direpresentasikan dalam bentuk bilangan fuzzy, dan terangkum dalam matriks D, sebagai berikut:
• Bobot setiap kriteria yang menunjukkan pengaruh setiap kriteria adalam sistem, juga direpresentasikan dengan
mn 2
m 1
m
n 2 21
n 1 12
11
A A
A
A A
A A
A
D
• Tetapkan matriks keputusan D = (Aij), dan vektor bobot, W = (Wj); i = 1, …, m; dan j = 1, …, n.
• Hitung matriks kekuatan, S = (Sij), sebagai berikut:
J' j
jika A
, A P
J j
jika A
, A P S
ij kj
i k
kj ij
I.40 I.40
dengan
Andaikan J adalah atribut keuntungan (benefit), dan J’ adalah atribut biaya (cost), maka:
J = {1 j n, dan j berada pada atribut keuntungan} J’ = {1 j n, dan j berada pada atribut biaya}
dan
J J’ = {1, ..., n}
Perlu diingat kembali bahwa nilai:
0 A
, A jika
0
0 A
, A jika
A , A A
, A P
kj ij
F
kj ij
F kj
ij F
kj ij
A
,
B
a
1
2
a
2
a
3
b
1
2
b
2
b
3
• Hitung matriks kelemahan, I = (Iij), sebagai berikut:
J' j
jika A
, A P
J j
jika A
, A P I
i k
kj ij
i k
ij kj
I.42 I.42
• Hitung indeks kekuatan terbobot fuzzy:
• Hitung indeks kelemahan terbobot fuzzy:
n
1 j
j ij
i
S
W
S
~
n 1 j
j ij
i
I
W
kelemahan terbobot fuzzy:
• Hitung indeks kelemahan, Ii, dari indeks kekuatan dan kelemahan terbobot fuzzy:
I.44 I.44
• Agregasikan indeks kekuatan dan kelemahan untuk mendapatkan indeks kinerja sebagai berikut:
• Lakukan perankingan berdasarkan indeks kinerja total, ti, 1 i m.
i i
i i
I
S
S
t
• Suatu basis pengetahuan untuk melakukan diagnosis penyakit, berisi sekumpulan aturan yang mendukung dalam pengambilan keputusan. Aturan tersebut diberikan oleh seorang pakar (dokter spesialis).
• Setiap aturan menunjukkan hubungan antara fitur-fitur (gejala, tanda atau ukuran) dengan kategori penyakit tertentu.
• Bentuk aturan ke-r (Rr) dituliskan sebagai:
Rr: IF Cr1 AND Cr2 AND ... AND Crn THEN Ar (dr)
dengan Cri adalah kriteria atau fitur-fitur ke-i yang menjadi sebab munculnya kategori penyakit Ar; sedangkan dr merupakan certainty
I.46 I.46
• Misalkan diberikan himpunan alternatif kategori
penyakit, A = {Migren, Sakit kepala cluster, Hipertensi, Glaukoma}.
• Setiap kategori penyakit tentunya memiliki fitur-fitur
tertentu yang berkaitan dengan tingkat resiko munculnya kategori penyakit tersebut, misalkan, C = {frekuensi
sakit, lama rasa sakit, kualitas rasa sakit, nyeri di satu sisi kepala, nyeri di sekitar mata, mual & muntah}.
• Kinerja setiap alternatif pada setiap kriteria
Kategori penyakit
Fitur-fitur (gejala, tanda atau ukuran)
C1 C2 C3 C4 C5 C6
A1
Sewaktu-waktu Lama Berat Hampir pasti Kadang Sering A2 Sering Singkat Sangat
berat Hampir pasti Kadang Hampir tidak A3 Jarang Cukup Sedang Kadang Hampir
tidak Hampir tidak A4
Sewaktu-waktu Cukup Berat Kadang Hampir pasti Kadang
I.48 I.48
• Bilangan fuzzy pada contoh diberikan memiliki parameter sebagai berikut:
– Fitur C1: sewaktu-waktu = (0; 0,25; 0,5); jarang = (0,25; 0,5; 0,75); dan sering = (0,5; 0,75; 1).
– Fitur C2: singkat = (0; 0,25; 0,5); cukup = (0,25; 0,5; 0,75);
dan lama = (0,5; 0,75; 1).
– Fitur C3: sedang = (0,25; 0,5; 0,75); berat = (0,5; 0,75; 0,9);
dan sangat berat = (0,75; 0,9; 0,9).
– Fitur C4: kadang = (0,25; 0,5; 0,75); dan hampir pasti = (0,75;
0,9; 0,9).
– Fitur C5: hampir tidak = (0,1; 0,1; 0,25); kadang = (0,25; 0,5;
0,75); dan hampir pasti = (0,75; 0,9; 0,9).
– Fitur C6: hampir tidak = (0,1; 0,1; 0,25); kadang = (0,25; 0,5; 0,75); dan sering = (0,5; 0,75; 0,9).
keputusan.
Kategori penyakit
Fitur-fitur (gejala, tanda atau ukuran)
C1 C2 C3 C4 C5 C6
A1 (0; 0,25;
0,5)
(0,5; 0,75; 1)
(0,5; 0,75; 1)
(0,75; 0,9; 0,9)
(0,25; 0,5; 0,75)
(0,5; 0,75; 0,9)
A2 (0,5;
0,75; 1)
(0; 0,25; 0,5)
(0,75; 0,9; 0,9)
(0,75; 0,9; 0,9)
(0,25; 0,5; 0,75)
(0,1; 0,1; 0,25)
A3 (0; 0,25;
0,5) 0,5; 0,75)(0,25; 0,5; 0,75)(0,25; 0,5; 0,75)(0,25; (0,1; 0,1; 0,25) (0,1; 0,1; 0,25)
A4 (0; 0,25;
I.50 I.50
• Menghitung matriks kekuatan
P(A21, A31) dan P(A21, A41) juga bernilai 1.
dan seterusnya, sehingga diperoleh:
I.52 I.52
• Menghitung matriks kelemahan
I.54
dan seterusnya, sehingga diperoleh:
I.58 I.58•
Indeks kekuatan:
• Indeks kelemahan:
kekuatan dan indeks kelemahan:
9892 ,
0 2656
, 0 1281 ,
24
1281 ,
24
t1
8057 ,
0 0875
, 4 95
, 16
95 , 16
t2
0 0875
, 41 0
0
t3
I.60 I.60
• Resiko kategori penyakit (certainty factor) yang paling tinggi adalah:
– Migren (0,9892);
– Sakit kepala cluster (0,8057); – Glaukoma (0,6064); dan
Operator-operator agregasi
untuk Fuzzy Group
I.62 I.62
Fuzzy Quantifier
• Quantifier digunakan untuk merepresentasikan sejumlah item yang memenuhi suatu predikat yang diberikan.
• Pada logika klasik ada 2 quantifier yang digunakan, yaitu untuk setiap (for all), dan terdapat (there exists).
• Namun pada kenyataannya, di dunia ini banyak sekali quantifier yang sebenarnya dapat digunakan, seperti: hampir semua, sebagian besar, banyak, sebanyak
mungkin, dll.
merepresentasikan nilai-nilai yang bersifat mutlak, seperti sekitar 2 (about 2) atau lebih dari 5 (more than 5).
• Biasanya yang menggunakan ini adalah konsep pencacahan atau penjumlahan elemen.
• Zadeh mendefinisikan quantifier absolut sebagai suatu himpunan bagian fuzzy yang berisi bilangan real non negatif, +.
• Quantifier absolut dapat direpresentasikan sebagai himpunan bagian fuzzy, Q, sedemikian hingga untuk setiap r +, derajat keanggotaan r yang terletak di
dalam Q, Q(r), menunjukkan derajat yang mana nilai r
I.64
I.64• Quantifier relatif, seperti paling (most), setidaknya
setengah (at least half), dapat direpresentasikan dengan himpunan bagian fuzzy pada interval [0, 1], yang mana untuk setiap r [0, 1], Q(r), menunjukkan derajat
proporsi r kompatibel terhadap maksud dari quantifier
tersebut.
• Secara fungsional, quantifier relatif fuzzy, biasanya merupakan salah satu dari 3 tipe, yaitu Regular
Increasing Monotone (RIM), Regular Decreasing Monotone (RDM), atau Regular Unimodal (RUM) (Yager, 1996).
• RIM dicirikan dengan hubungan: Q(r1) Q(r2) jika r1 >
r2. Quantifier yang digunakan pada RIM biasanya adalah ”most” dan ”at least half”.
sebagai Q(r) = r , dengan 0. Linguistic quantifer
”most” diberikan dengan parameter = 2.
• Nilai dari fungsi ini senantiasa naik, sehingga apabila kita dihadapkan pada operator yang mana nilai bobot tinggi menunjukkan konsistensi rendah, maka dapat dimodifikasi dengan:
– pengambil keputusan diurutkan berdasarkan kriteria yang berlawanan, atau;
– menggunakan RIM dengan nilai < 1, misal Q(r) = r½
I.66
I.66• Menurut (Zadeh,1983), fuzzy linguistic quantifier, Q,
dapat direpresentasikan dengan pasangan (a,b) sebagai berikut:
dengan a, b, x [0,1].
• Untuk beberapa linguistik, seperti:
– “At least half” = (0; 0,5) – “Most” = (0,3; 0,8)
b x
; 1
b x
a ;
a b
a
x; x a 0
• Operator OWA dari suatu fungsi berdimensi n, yang berhubungan dengan himpunan bobot atau vektor bobot W = (w1,...,wn) dengan wi[0,1] dan serta digunakan untuk mengagregasikan barisan nilai {p1,...,pn}:
I.68 I.68
• Apabila diberikan n kriteria sebagai himpunan bagian fuzzy dari himpunan alternatif X, operator OWA
digunakan untuk mengimplementasikan konsep mayoritas fuzzy pada tahap agregasi dengan menggunakan fuzzy
linguistic quantifier.
• Hal ini digunakan untuk menghitung bobot OWA,
sehingga untuk Q kriteria (atau pakar), ek, pada alternatif x, dapat dihitung bobot-bobot OWA sebagai berikut:
• Apabila fuzzy quantifier Q digunakan untuk menghitung bobot pada OWA, maka operator , dinotasikan dengan Q.
. n , ,
1 i
; n
1 i
Q n
i Q
wi
• Misalkan ada 3 pengambil keputusan (P1, P2, P3), yang memberikan preferensinya dalam bentuk relasi preferensi fuzzy untuk 3 alternatif sebagai berikut:
I.70 I.70
• Apabila digunakan operator agregasi OWA dengan fuzzy linguistic quantifier “most” yang didefinisikan sebagai Q(r) = r1/2, maka vektor bobot yang bersesuaian dapat
dihitung sebagai berikut:
(IOWA)
• Operator IOWA dari suatu fungsi berdimensi n, yang berhubungan dengan himpunan bobot atau vektor bobot W = (w1,...,wn) dengan wi[0,1] dan ; serta
digunakan untuk mengagregasikan argumen-argumen kedua dari barisan 2-tuples sebagai berikut:
• menjadi suatu permutasi sedemikian
hingga ; adalah nilai tertinggi pada himpunan {u1,...,un}. Operator IOWA tidak hanya dapat direpresentasikan secara numeris, melainkan dapat juga direpresentasikan secara linguistik.
I.74 I.74
Contoh
• Misalkan ada 3 pengambil keputusan (P1, P2, P3), yang memberikan preferensinya dalam bentuk relasi preferensi fuzzy untuk 3 alternatif sebagai berikut:
dengan menggunakan linguistic quantifier ”most”; maka akan diperoleh:
I.76
I.76
Importance Induced Ordered Weighted
Averaging
(I-IOWA)
• Operator I-IOWA merupakan operator agregasi yang melibatkan derajat kepentingan dari para pakar, yang digunakan pada
bentuk GSS heterogen.
• Derajat kepentingan dapat diinterpretasikan sebagai himpunan bagian fuzzy, I: E [0, 1] sedemikian hingga
• Apabila pengambil keputusan ke-k memberikan relasi
preferensi alternatif xi terhadap alternatif xj sebagai dengan
derajat kepentingan uk, maka perlu dilakukan transformasi dari
ke melalui suatu fungsi transformasi g, sebagai:
] 1 , 0 [ u
) e
( k k
I
k ij p
k ij
p
k ij
p
k
k
g
p
,
u
eksponensial g(x,y) = x , atau biasanya digunakan operator t-norm.
• Yager (1996) telah mengusulkan suatu prosedur untuk mengevaluasi Q kriteria yang penting (uk) (atau pakar yang penting, ek), pada alternatif x, sebagai berikut:
I.78 I.78
Contoh
• Misalkan ada 3 pengambil keputusan (P1, P2, P3), yang memberikan preferensinya dalam bentuk relasi preferensi fuzzy untuk 3 alternatif sebagai berikut:
berpasangan yang menunjukkan derajat kepentingan dari 3 pengambil keputusan sebagai berikut:
50 , 0 62
, 0 25
, 0
38 , 0 50
, 0 13
, 0
75 , 0 87
, 0 50
I.80 I.80
• Sebelumnya, elemen-elemen pada setiap baris dijumlahkan terlebih dahulu:
• Sehingga I = (2,12; 1,01; 1,37).
12
,
2
75
,
0
87
,
0
5
,
0
I
1
01
,
1
38
,
0
5
,
0
13
,
0
I
2
37
,
1
5
,
0
62
,
0
25
,
0
(1,37); I2 (1,01).
• Selanjutnya nilai bobot dihitung dengan menggunakan
linguistic quantifier ”most” sebagai berikut:
Weighted Averaging
(C-IOWA)
• Jika diberikan himpunan pengambil keputusan E =
{e1, ..., em} yang akan memberikan preferensinya terhadap himpunan alternatif X = {x1, ..., xn} berupa relasi
preferensi fuzzy {P1, ..., Pm}, maka operator C-IOWA
berdimensi n, , adalah operator IOWA yang memiliki nilai urutan yang merupakan himpunan nilai indeks
konsistensi, {1-CI1, ..., 1-CIm}.
I.84 I.84
• Untuk membentuk relasi preferensi fuzzy yang konsisten, , dari relasi preferensi fuzzy yang tidak konsisten Pk,
dapat dilakukan melalui langkah-langkah sebagai berikut:
– Hitung sebagai berikut:
interval [0, 1], namun bisa jadi terletak pada interval [-a, 1+a], dengan
Sehingga diperlukan suatu fungsi transformasi yang
bersifat additive consistency, yaitu f: [-a, 1+a] → [0, 1], yang memenuhi karakteristik sebagai berikut:
– f(-1) = 0
– f(1+a) = 1
– f(x) + f(1-x) = 1; x[-a, 1+a]
– f(x) + f(y) + f(z) = 3/2, x, y, z [-a, 1+a] sedemikian
hingga x + y + z = 3/2.
Oleh karena itu, dapat diperoleh:
pˆ ;pˆ Pˆ
minI.86 I.86
– Relasi preferensi fuzzy yang konsisten, diperoleh dari Jarak antara Pk dan dapat digunakan sebagai ukuran
konsistensi matriks Pk yang diperoleh dari:
Apabila nilai 1 – Cik semakin dekat dengan 1,
mengindikasikan bahwa informasi yang diberikan oleh pengambil keputusan ke-k, ek, lebih konsisten.
P ~
) Pˆ ( f P
~
k
P ~
n
1 i
n
1 j
2 k ij k
ij k
k
k d(P ,P~ ) p p~
• Misalkan kita memiliki 4 alternatif X = {x1, x2, x3, x4} dan 4 pengambil keputusan E = {e1, e2, e3, e4}, dengan relasi
preferensi sebagai berikut:
I.88 I.88
• Relasi preferensi fuzzy yang konsisten dapat diperoleh sebagai berikut:
dan
• Karena nilai minimum untuk maka perlu dilakukan transformasi, dengan:
I.90 I.90
• Selanjutnya dapat dihitung nilai CI, diperoleh CI = (0,6; 0,14; 0,73; 1,29).
• Indeks konsistensi diperoleh dari: 1 – CI = (0,4; 0,86; 0,27; 0,29)
• Apabila nilai tersebut diurutkan menjadi: (0,86; 0,4; 0,29; 0,27).
• Relasi preferensi fuzzy kolektif, diperoleh dengan
menggunakan operator Consistency Induced Ordered Weighted Averaging (C-IOWA) dengan menggunakan
I.92 I.92
• Diperoleh vektor w = (0,69; 0,14; 0,09; 0,08), dan:
• Pendahuluan
• Fuzzy Multi Atribute Decision Making
I.94 I.94
PENDAHULUAN
Pada metode-metode MADM klasik tidak cukup
efisien untuk menyelesaikan masalah-masalah
Salah satu cara yang dapat digunakan untuk untuk
I.96 I.96
PENDAHULUAN
Berdasarkan tipe data yang digunakan pada setiap
kinerja alternatif-alternatifnya, FMADM dapat dibagi menjadi 3 kelompok, yaitu:
semua data yang digunakan adalah data fuzzy; semua data yang digunakan adalah data crisp;
data yang digunakan merupakan campuran antara data
I.98
I.98
Simple Additive Weighting
Method (SAW)
Metode 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.
Metode SAW membutuhkan proses normalisasi
matriks keputusan (X) ke suatu skala yang dapat
dimana r
ij adalah rating kinerja ternormalisasi dari
alternatif Ai pada atribut Cj; i=1,2,...,m dan j=1,2,...,n.
Nilai preferensi untuk setiap alternatif (Vi)diberikan
sebagai:
Nilai V
i yang lebih besar mengindikasikan bahwa
(Persamaan 1)
(Persamaan 2)
(c ost ) bi a ya
a t ri but a da l a h
j
j i ka x
x Mi n r
ij ij i
ij i
ij
n
1 j
ij j
i wr
I.100 I.100
STUDI KASUS 1
Suatu perusahaan di Daerah Istimewa Yogyakarta (DIY) ingin membangun sebuah gedung yang akan digunakan sebagai tempat untuk menyimpan sementara hasil
produksinya. Ada 3 lokasi yang akan menjadi alternatif, yaitu :
Keputusan, yaitu :
C1 = jarak dengan pasar terdekat (km)
C2 = kepadatan penduduk disekitar lokasi (orang/km2)
C3 = jarak dari pabrik (km)
I.102 I.102
Ranting kecocokan setiap alternatif pada setiap kriteria, dinilai dengan 1 sampai 5, yaitu :
1 = Sangat buruk 2 = Buruk 3 = Cukup 4 = Baik 5 = Sangat Baik
Tabel 1. Menunjukkan ranting kecocokan dari setiap alternatif pada setiap kriteria. Sedangkan tingkat
kepentingan setiap kriteria, juga dinilai dengan 1 sampai 5, yaitu :
Alternatif pada setiap kriteria
Alternat if
Kriteria
C1 C2 C3 C4 C5
A1 4 4 5 3 3 A2 3 3 4 2 3 A3 5 4 2 2 2
Karena setiap nilai yang diberikan pada
setiap alternatif di setiap kriteria
I.104 I.104
Pengambilan keputusan memberikan bobot preferensi sebagai :
W = (5, 3, 4, 4, 2)
Matriks keputusan dibentuk dari tabel kecocokan sebagai berikut :
4 4 5 3 3 X = 3 3 4 2 3
1. Lakukan Normalisasi Matrik X, berdasarkan persamaan 1
2. Matrik Ternormalisasi R
3. Proses Perangkingan berdasarkan persamaan 2 (Nilai Vi)
I.106 I.106
PENYELESAIAN DENGAN SAW
1. Lakukan Normalisasi Matrik X, berdasarkan persamaan 1
r11 = 4/max{4;3;5} = 4/5 = 0.8 r21 = 3/max{4;3;5} = 4/5 = 0.6 r31 = 5/max{4;3;5} = 5/5 = 1 r12 = 4/max{4;3;4} = 4/4 = 1
r13 = 5/max{5;4;2} = 5/5 = 1 r23 = 4/max{5;4;2} = 4/5 = 0.8 r33 = 2/max{5;4;2} = 2/5 = 0.4 r14 = 3/max{3;2;2} = 3/3 = 1
I.108 I.108
PENYELESAIAN DENGAN SAW
2. Matrik Ternormalisasi R
0.8 1 1 1 1 R = 0.6 0.75 0.8 0.6667 1
3. Proses Perangkingan berdasarkan persamaan 2 (Nilai Vi)
V1 = (5) (0.8) +(3)(1) + (4)(1)+(4)(1)+(2)(1) = 17
V2 = (5)(0.6)+(3)(0.75)+(4)(0.8)+(4)(0.6667)+(2)(1) = 13,1167 V3 = (5)(1)+(3)(1)+(4)(0.4)+(4)(0.6667)+(2)(0.6667) = 13,6
I.110 I.110
1. Tentukan Kriteria, pembobotan, alternatif 2. Tentukan Himpunan fuzzy tiap kriteria
3. Tentukan fungsi keanggotaan tiap himpunan fuzzy 4. Lakukan Normalisasi Matrik X, berdasarkan
persamaan 1
5. Matrik Ternormalisasi R
I.112 I.112
STUDI KASUS
Suatu perusahaan ingin menginvestasikan uangnya dalam
4 pilihan, yaitu:
A1: membeli tanah di pusat kota;
A2: merenovasi infrastruktur teknologi informasi perusahaan; A3: membangun gudang baru;
A4: membeli alat transportasi pengiriman barang.
Pemilihan alternatif tersebut didasarkan atas 3 kriteria,
yaitu:
C1 = biaya;
setiap atribut diberikan sebagai berikut:
Alternatif
Atribut Harga/
biaya* (C1)
Fluktuasi harga
(C2)
Prioritas kebutuhan
(C3) Membeli tanah
(A1) 1 Tinggi Rendah
Infrastruktur TI
(A2) 0,5 Rendah Tinggi Membangun gudang
I.114
I.114
STUDI KASUS
Bobot setiap atribut atribut diberikan sebagai:
W = [Penting; Cukup; Sangat Penting]
Pada atribut fluktuasi harga dan prioritas kebutuhan,
terbagi atas 3 bilangan fuzzy, yaitu Rendah (R), Sedang (S), dan Tinggi (T) yang dikonversikan ke bilangan crisp: R = 0,1; S = 0,5; dan T = 0,9.
Pada bobot atribut, juga terbagi atas 3 bilangan
fuzzy, yaitu Cukup (C), Penting (P), dan Sangat
Selesaikan Kasus tersebut dengan menggunakan
Metode
a.
Klasik : SAW
b. Cerdas : Fuzzy SAW
I.116 I.116
Penyelesaian dengan SAW
Matriks ternormalisasi R sebagai berikut:
Hasil perankingan diperoleh: V1 = 0,975; V2 =
1,7056; V3 = 1,0903; dan V4 = 1,0556. Nilai terbesar ada pada V2 sehingga alternatif A2 (merenovasi
infrastruktur TI) adalah alternatif yang terpilih sebagai alternatif terbaik.
0,5556 0,1111
0,6667
0,5556 0,5556
0,4167
1,0000 0,1111
1,0000
0,1111 1,0000
0,5000