31 BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Tinjauan Home Industry
Rif’ah Convection and Fashion dirintis pertama kali oleh Ibu Rif’ah pada tahun 2011. Berlokasi di Desa Karangtalun RT 01 / RW 04 , Kec.Kalidawir , Tulungagung, Jawa Timur, Indonesia. Home industry ini memproduksi kebaya dengan target pasar nasional. Produk kebaya sendiri dibuat dengan kain khusus , yaitu kain brokat.
Visi
Membuat produk kebaya yang mampu bersaing secara nasional dengan harga yang kompetitif, serta memberikan lapangan pekerjaan bagi masyarakat sekitar homeindustry.
Misi
Mengadakan bahan baku yang memiliki kualitas terbaik. Melalukan proses produksi serta pengendalian mutu yang terstruktur.Mengadakan proses produksi yang efektif serta efisien dana man bagi lingkungan maupun pekerja.Menghasilkan produk yang berkualitas.
Tenaga Kerja
Rif’ah Convection and Fashion home industry mempunyai total kurang lebih 11 orang pekerja untuk melakukan produksi kebaya.
32 4.1.1 Proses Pengadaan Bahan Baku
Bahan baku yang digunakan adalah kain brokat. Aktifitas yang dilakukan pihak home industry dalam proses pengadaan bahan baku kain brokat dapat dilihat pada gambar 4.1.
Gambar 4.1 Proses Pengadaan Bahan Baku 4.2 Pengumpulan Data
Data yang diambil adalah data terkait supplier bahan baku pembuatan kebaya , yaitu kain brokat. Pengumpulan data dilakukan dengan beberapa cara, yaitu wawancara dan kuisoner. Pada proses pengambilan data dengan teknik wawancara, dilakukan dengan cara berdiskusi. Diskusi ini dilakukan dengan pemilik home industry, yaitu Ibu Rif’ah. Diskusi yang dilakukan terkait dengan informasi supplier yang dipakai, informasi bahan baku yang digunakan, masalah yang biasanya dihadapi terkait supplier , Serta diskusi perihal kriteria yang digunakan untuk supplier. Kemudian cara kedua adalah dengan kuisoner pembobotan kriteria.Kuisoner ini diisi langsung oleh Ibu Rif’ah selaku orang yang faham perihal pengadaan bahan baku kain brokat.
4.2.1 Supplier yang digunakan oleh pihak Rif’ah Convection and Fashion
Untuk saat ini , pihak home industry memiliki 8 supplier bahan baku untuk kain brokat. Supplier terkait belum memiliki kontrak (hubungan) jangka panjang.Tabel 4.1 merupakan daftar supplier yang ada di Rif’ah Convection and Fashion.
Bagian Pengadaan Bahan Baku
Membuat Nota Detail Belanja Bahan Baku
Membuat Purchase Order (PO)
Memeriksa Kesesuaian Barang
Konfirmasi Kedatangan Barang
Kirim PO Ke Supplier Survey Harga
Pembayaran
33
Tabel 4.1 Daftar Supplier
Kode Nama Supplier Alamat
A1 Arena Tekstil Jl. Simpang Sumatra No.32, Sananwetan, Kec.
Sananwetan, Kota Blitar, Jawa Timur 66137 A2 Alin Jaya Textil Jln. Kh Abdul Fattah, Winong, Kec.
Kedungwaru, Kabupaten Tulungagung A3 Mumbai Tekstil Jln. Veteran No.64, Kepanjen Kidul, Kec.
Kepanjenkidul, Kota Blitar
A4 Cemerlang Tekstil
Jln. Pangeran Diponegoro No.102 - 112, Tamanan, Kec. Tulungagung, Kabupaten Tulungagung
A5 Warna Jaya Tekstil Jln. Merdeka No.25, Kel, Kepanjen Lor, Kec.
Kepanjenkidul, Kota Blitar
A6 Wijaya Tekstil Jln. Teuku Umar No.47, Kutoanyar, Kec.
Tulungagung
A7 Rahayu Tekstil Jln.Teuku Umar No.61, Kutoanyar, Kec.
Tulungagung, Kabupaten Tulungagung
A8 Dewa Dewi Tekstil Jln. Mastrip No.60, Kepanjen Kidul, Kec.
Kepanjenkidul, Kota Blitar
4.2.2 Identifikasi Kriteria
Kriteria yang telah ditetapkan berdasarkan hasil diskusi dengan pemilik Home Industry dapat dilihat pada tabel 3.2 . Dalam penentuan kriteria dilakukan juga studi pustaka terkait kriteria apa saja yang bisa dipakai dalam proses pemilihan supplier.
34 4.2.3 Hasil Penyebaran Kuisoner AHP
Pada awal penelitian dibuat sebuah kuisoner perbandingan berpasangan untuk tahap pengerjaan. Kuisoner ini diolah kemudian akan menghasilkan matriks perbandingan berpasangan untuk kriteria serta sub-kriteria. Tampilan matriks perbandingan berpasangan dapat dilihat pada tabel 4.2 sampai dengan 4.8 berikut ini.
Tabel 4.2 Matriks Perbandingan Kriteria
Kriteria C D Q CP S E
C 1 2 2 5 5 7
D 1 3 4 4 7
Q 1 5 3 5
CP 1 3 5
S 1 3
E 1
Jumlah
Tabel 4.3 Matriks Perbandingan Sub-Kriteria Cost
Sub-Kriteria C1 C2 C3 C4
C1 1 4 4 2
C2 1 1 1
C3 1 2
C4 1
Jumlah
35
Tabel 4.4 Matriks Perbandingan Sub-Kriteria Delivery
Sub-Kriteria D1 D2 D3
D1 1 1 3
D2 1 3
D3 1
Jumlah
Tabel 4.5 Matriks Perbandingan Sub-Kriteria Quality
Sub-Kriteria Q1 Q2
Q1 1 2
Q2 1
Jumlah
Tabel 4.6 Matriks Perbandingan Sub-Kriteria Company Profile
Sub-Kriteria CP1 CP2
CP1 1 3
CP2 1
Jumlah
Tabel 4.7 Matriks Perbandingan Sub-Kriteria Service
Sub-Kriteria S1 S2
S1 1 1
S2 1
Jumlah
36
Tabel 4.8 Matriks Perbandingan Sub-Kriteria Environment
Sub-Kriteria E1 E2
E1 1 1
E2 1
Jumlah
Tabel 4.2 merupakan matriks kriteria yang didasarkan pada hasil penilaian kriteria menggunakan skala penilaian perbandingan berpasangan. Sedangkan tabel 4.3 sampai dengan tabel 4.8 merupakan matriks perbandingan berpasangan untuk sub-kriteria.
37 4.2.4 Penyebaran Kuisoner MOORA
Tabel 4.9 Hasil Kuisoner Untuk MOORA
Alterna-
tif C1 C2 C3 C4 D1 D2 D3 Q1 Q2 CP1 CP2 S1 S2 E1 E2
A1 65.300 218.000 Sangat Baik
0,1 Cukup Baik 30 Sangat Baik
Cukup Cukup Baik Cukup Cukup Kurang Kurang
A2 60.500 120.000 Cukup 0 Sangat Baik
Baik 20 Cukup Cukup Cukup Cukup Cukup Cukup Kurang Kurang
A3 68.300 122.000 Baik 0,15 Cukup Cukup 22 Baik Cukup Baik Baik Baik Baik Kurang Kurang A4 59.000 120.000 Baik 0 Baik Baik 19 Baik Cukup Baik Baik Sangat
Baik
Baik Kurang Kurang
A5 63.700 195.000 Baik 0,15 Baik Cukup 30 Sangat Baik
Cukup Cukup Baik Cukup Sangat Baik
Kurang Kurang
A6 60.000 125.000 Cukup 0,15 Baik Baik 20 Baik Sangat Baik
Cukup Baik Baik Baik Kurang Kurang
A7 64.000 115.000 Baik 0 Sangat Baik
Cukup 22 Cukup Cukup Baik Baik Baik Baik Kurang Kurang
A8 62.500 210.000 Baik 0 Cukup Baik 31 Baik Baik Cukup Cukup Baik Cukup Kurang Kurang
38
Tabel 4.10 Hasil kuisoner untuk MOORA setelah di rubah ke bentuk nominal
Alternatif C1 C2 C3 C4 D1 D2 D3 Q1 Q2 CP1 CP2 S1 S2 E1 E2
A1 65.300 218.000 5 0,1 3 4 30 5 3 3 4 3 3 2 2
A2 60.500 120.000 3 0 5 4 20 3 3 3 3 3 3 2 2
A3 68.300 122.000 4 0,15 3 3 22 4 3 4 4 4 4 2 2
A4 59.000 120.000 4 0 4 4 19 4 3 4 4 5 4 2 2
A5 63.700 195.000 4 0,15 4 3 30 5 3 3 4 3 5 2 2
A6 60.000 125.000 3 0,15 4 4 20 4 5 3 4 4 4 2 2
A7 64.000 115.000 4 0 5 3 22 3 3 4 4 4 4 2 2
A8 62.500 210.000 4 0 3 4 31 4 4 3 3 4 3 2 2
39
Tabel 4.9 dan 4.10 merupakan hasil yang diperoleh dari pengisian kuisoner untuk MOORA. Pengisian dilakukan oleh Ibu Rif’ah selaku pemilik home industry. Sub- kriteria C1 dan C2 dalam satuan Rupiah (Rp). Harga yang tertera pada sub-kriteria C1 untuk 1 meter kain, sedangkan C2 merupakan ketetapan harga dari supplier. Sub- kriteria D3 merupakan jarak supplier dengan lokasi home industry (Km). Penilaian disesuaikan dengan ketentuan skala likert, yaitu : Sangat kurang (1) , Kurang (2), Cukup (3), Baik (4), Sangat Baik (5). Untuk kriteria C3 , penilaian disesuaikan dengan pengalaman yang dialami oleh pengambil keputusan ( pemilik home industry)
4.3 Pengolahan Data
4.3.1 Analytical Hierarchy Process (AHP)
4.3.1.1 Pengolahan Data Analytical Hierarchy Process (AHP) Manual
Pengolahan data terkait dengan metode Analytical Hierarchy Process (AHP) dilakukan dengan menggunakan bantuan software Expert Choice. Untuk memperjelas dan sebagai pembanding , tentunya terlebih dahulu akan dilakukan perhitungan secara manual. Perhitungan ini bertujuan untuk mengetahui bobot global yang nantinya dipakai dalam menentukan peringkat supplier pada metode MOORA. Berikut ini dapat dilihat contoh perhitungan secara manual.
1. Identifikasi Kriteria Evaluasi Supplier
Dalam proses mengidentifikasi kriteria, digunakan referensi jurnal penelitian terdahulu yang dapat dilihat pada table 4.2 . Kriteria-kriteria yang digunakan untuk mengevaluasi kinerja supplier yaitu Company Profile, Quality, Cost, Delivery, Service, Environment. Dari 6 kriteria tersebut , masih dibagi lagi sehingga menghasilkan total 15 sub-kriteria.
2. Menyusun Hierarki Kriteria
Dalam proses pemilihan supplier , penyusunan hierarki tentunya berdasarkan kriteria dan sub-kriteria yang sudah disetujui sebelumnya. Untuk lebih jelasnya perihal kriteria dan sub-kriteria apa saja yang digunakan, dapat dilihat pada tabel 4.2. dan untuk data supplier yang digunakan dapat dilihat pada table 4.1. Berikut merupakan hierarki kriteria yang telah disusun.
40
Gambar 4.2 Hierarki Kriteria
41
Empat level hierarki dihasilkan berdasarkan data terkait kriteria dan sub-kriteria yang digunakan dalam pemilihan supplier.
Level I
Level paling atas dari hierarki merupakan elemen tujuan yang ingin dicapai. Elemen ini berupa pemilihan supplier bahan baku kain brokat
Level II
Pada level ini menyatakan kriteria yang digunakan dalam proses pemilihan supplier.
Kriteria – kriteria tersebut diperoleh dari studi literatur dan diskusi (brainstorming).
Kriteria yang digunakan untuk proses pemilihan supplier yaitu Company Profile, Quality, Cost, Delivery, Service, dan Environment.
Level III
Pada level ini menyatakan sub-kriteria yang digunakan dalam proses pemilihan supplier. Sub-kriteria tersebut diperoleh dari studi literatur dan diskusi (brainstorming). Untuk informasi lebih jelas terkait sub-kriteria yang digunakan dapat dilihat pada tabel 3.2.
Level IV
Level ini menunjukkan supplier yang akan dipilih berdasarkan kriteria dan sub-kriteria dari level II dan III, setiap supplier mempunyai keterkaitan antar sub-kriteria sedangkan setiap sub-kriteria mempunyai keterkaitan dengan kriteria. Terdapat 8 supplier bahan baku kain brokat yang akan dipilih, Arena Tekstil (A1), Alin Jaya Textil (A2), Mumbai Tekstil (A3), Cemerlang Tekstil (A4), Warna Jaya Tekstil (A5), Wijaya Tekstil (A6), Rahayu Tekstil (A7), dan Dewa Dewi Tekstil (A8).
42
3. Membuat Matriks Perbandingan Berpasangan
Berdasarkan tabel 4.2 sampai dengan tabel 4.8, maka dilakukan perhitungan matriks perbandingan berpasangan. Untuk lebih jelasnya bisa dilihat tabel 4.11 serta tabel 4.12 berikut ini.
Tabel 4.11 Matriks Perbandingan Berpasangan Kriteria
Kriteria C D Q CP S E
C 1 2 2 5 5 7
D 0,50 1 3 4 4 7
Q 0,50 0,33 1 5 3 5
CP 0,20 0,25 0,20 1 3 5
S 0,20 0,25 0,33 0,33 1 3
E 0,14 0,14 0,20 0,20 0,33 1
Jumlah 2,54 3,98 6,73 15,53 16,33 28
Tabel 4.12 Matriks Perbandingan Berpasangan Sub-Kriteria Company Profile
Sub-Kriteria CP1 CP2
CP1 1 3
CP2 0,33 1
Jumlah 1,33 4
Tabel 4.11 merupakan matriks kriteria yang didasarkan pada hasil penilaian kriteria menggunakan skala penilaian perbandingan berpasangan yang bisa dilihat pada tabel 3.1. Pada tabel 4.11 dapat dilihat bahwa kriteria Cost (C) dibanding dengan kriteria Delivery (D) memiliki nilai 2 , sedangkan kebalikannya memiliki nila 1/2 (0,50). Hal ini sebagai indikasi bahwa kriteria Cost (C) lebih penting daripada kriteria Delivery (D). Dengan kata lain kriteria Cost (C) lebih mendapatkan prioritas daripada keriteria Delivery (D). Hal yang sama juga berlaku untuk Matriks Sub-Kriteria (Tabel 4.12).
43
4. Normalisasi Matriks Untuk Mendapatkan Bobot
Berikutnya dilakukan proses normalisasi dari matriks perbandingan berpasangan.
Proses ini dilakukan untuk dapat mengetahui bobot dari masing-masing kriteria.
Matriks yang telah dinormalisasikan kemudian akan dibagi dengan jumlah elemen dengan maksud mendapatkan nilai rata-rata sehingga mendapatkan bobot kriteria.
Sebagai contoh, pada tabel 4.13 normalisasi dilakukan terhadap matriks kriteria , prosedur yang sama juga berlaku untuk matriks sub-kriteria.
Tabel 4.13 Normalisasi Matriks dan Bobot Kriteria
Kriteria C D Q CP S E Bobot
C 0,39 0,50 0,30 0,32 0,31 0,25 0,345
D 0,20 0,25 0,45 0,26 0,24 0,25 0,274
Q 0,20 0,08 0,15 0,32 0,18 0,18 0,191
CP 0,08 0,06 0,03 0,06 0,18 0,18 0,100
S 0,08 0,06 0,05 0,02 0,06 0,11 0,063
E 0,06 0,04 0,03 0,01 0,02 0,04 0,032
Jumlah 1.00 1.00 1,00 1,00 1,00 1,00 1,00
Tabel 4.14 Normalisasi Matriks dan Bobot Sub-Kriteria Company Profile Sub-Kriteria CP1 CP2 Bobot
CP1 0.75 0.75 0.75
CP2 0.25 0.25 0.25
Jumlah 1 1 1
Penjelasan untuk Tabel 4.13. Berdasarkan persamaan 1, nilai 0,39 (pada baris ke- 1 kolom ke-1) didapatkan dengan membagi nilai matriks perbandinagn berpasangan baris ke-1 kolom ke-1 dengan total nilai matriks untuk kriteria Cost (3,09) yang ada pada tabel 4.11 ( 1 / 2,54). Semua Matriks kriteria dihitung melalui prosedur yang sama.
Hasil normalisasi matriks digunakan untuk menentukan bobot kriteria. Bobot kriteria didasarkan rata-rata nilai normalisasi matriks pada tiap baris. Langkah serupa dilakukan untuk perhitungan matriks sub-kriteria (Tabel 4.14).
44 5. Uji Konsistensi
Pada tahap ini dilakukan pengujian terhadap data kuisoner untuk mengetahui apakah data benar-benar konsisten. Jika nilai CR yang diperoleh lebih dari 10% (0,10), penilaian responden harus diperbaiki atau diulang. Namun apabila nilai CR kurang atau sama dengan 10% (0,10) maka data kuisoner dapat diterima. Berikut langkah – langkahnya.Pertama-tama dilakukan perhitungan untuk menentukan nilai Eigen Vector.
Tabel 4.15 Tabel Hasil Eigen Vector (Kriteria)
Tabel 4.16 Tabel Hasil Eigen Vector (Sub-Kriteria Company Profil)
Sub-Kriteria CP1 CP2 Eigen Vector
CP1 1.33 12.05 13.38
CP2 0.44 4.02 4.45
Penjelasan untuk Tabel 4.15. Untuk mencari Eigen Vector, terlebih dahulu matriks pada tabel 4.11 dikalikan dengan bobot yang telah didapatkan pada tabel 4.13. Dengan ketentuan kolom kriteria dikalikan dengan bobot kriteria yang sama. Sebagai contoh,nilai 0,35 (baris ke-1 kolom ke-1) pada tabel 4.15 diperoleh dari perkalian matriks 1 (baris ke-1 kolom 1 pada tabel 4.11) dengan bobot kriteria Cost (0,346) pada tabel 4.13. Hal serupa diterapkan pada semua matriks. Kemudian, nilai Eigen Vector diperoleh dari hasil penjumlahan nilai matriks ditiap baris. Begitu juga dengan sub-
Kriteria C D Q CP S E Eigen Vector
C 0,35 0,55 0,37 0,50 0,32 0,22 2,30
D 0,17 0,27 0,56 0,40 0,25 0,22 1,88
Q 0,17 0,09 0,19 0,50 0,19 0,16 1,30
CP 0,07 0,07 0,04 0,10 0,19 0,16 0,62
S 0,07 0,07 0,06 0,03 0,06 0,10 0,39
E 0,05 0,04 0,04 0,02 0,02 0,03 0,20
45
kriteria (tabel 4.16), cara yang digunakan sama. Setelah itu, dilanjutkan dengan mecari nilai λ (Lamda) dan λ Maks (Lamda Maks).
Tabel 4.17 Rekapitulasi λ (Kriteria)
Eigen Vector Bobot Kriteria λ
2,30 0,35 6,67
1,88 0,27 6,85
1,30 0,19 6,99
0,62 0,10 6,26
0,39 0,06 6,17
0,20 0,03 6,24
Tabel 4.18 Rekapitulasi λ (Sub-Kriteria Company Profile)
Eigen Vector Bobot Sub Kriteria λ
13.38 0.75 17.81
4.45 0.25 17.89
Penjelasan untuk Tabel 4.17. Nilai λ diperoleh dari Eigen Vector tiap kriteria dibagi dengan bobot kriteria. Sebagai contoh, nilai λ (Lamda) 6,67 pada baris ke 1 (tabel 4.17) didapatkan dari 2,30 / 0,35 . Setelah seluruh λ (Lamda) diketahui, maka dilakukan penghitungan λ Maks (Lamda Maks). Besarnya λ Maks (Lamda Maks) diperoleh dari rata-rata nilai λ (lamda). Nilai λ Maks (Lamda Maks) adalah 6,53.
Perhitungan dilanjutkan kembali untuk mendapatkan nilai CI ( Consistency Index ). Nilai CI didapatkan dari λ Maks dikurangi banyaknya kriteria (n), kemudian dibagi banyaknya kriteria dikurangi 1 (n-1). Dalam kasus ini (6,53-6) / (6-1) = 0,106. Setelah nilai CI ( Consistency Index ) didapatkan, dilanjutkan dengan menghitung nilai CR ( Consistency Ratio ) dengan cara membagi nilai CI ( Consistency Index ) dengan RI ( Random Index ).
Nilai RI ( Random Index ) untuk 6 kriteria adalah 1,24 ( dapat dilihat pada tabel 2.4 ). Nilai CR yang didapatkan untuk kriteria adalah 0,086 (0,106 / 1,24).
46
Dengan cara yang sama, nilai CR dari Sub-kriteria Company Profile adalah 0 (15,84 / 0).
Karena semua nilai CR dibawah 0,10 (10%) , maka data dapat dikatakan konsisten. Langkah serupa juga berlaku untuk sub-kriteria yang lain. Tabel Rekapitulasi hasil Uji konsistensi dapat dilihat pada tabel 4.19 berikut ini.
Tabel 4.19 Rekapitulasi Uji Konsistensi
No Kriteria n sub-
kriteria Hasil Uji Inconsistency Keterangan
1 Cost 4 0,02 Konsisten
2 Delivery 3 0 Konsisten
3 Quality 2 0 Konsisten
4 Company Profile 2 0 Konsisten
5 Service 2 0 Konsisten
6 Environment 2 0 Konsisten
47
4.3.1.2 Pengolahan Data Analytical Hierarchy Process (AHP) dengan Bantuan Software Expert Choice
Perhitungan lebih lanjut dalam menentukan bobot sub-kriteria dilakukan menggunakan software Expert Choice dengan rekapitulasi perhitungan pada tabel 4.20.
Tabel 4.20 Rekapitulasi Perhitungan Bobot dengan Expert Choice
Bobot yang digunakan dalam perhitungan MOORA adalah bobot global. Untuk memperoleh bobot global dilakukan perkalian antara bobot kriteria dengan bobot sub- kriteria. Sebagai contoh, bobot global untuk sub-kriteria C1 ( 0,177 ) didapatkan dari 0,345 x 0,506.
No Kriteria Bobot Sub
Kriteria
Bobot Sub kriteria
Bobot Global
1 Cost (C) 0,345
C1 0,506 0,177
C2 0,153 0,053
C3 0,126 0,044
C4 0,215 0,075
2 Delivery (D) 0,274
D1 0,429 0,115
D2 0,429 0,115
D3 0,143 0,038
3 Quality (Q) 0,186
Q1 0,667 0,126
Q2 0,333 0,063
4 Company Profil
(CP) 0,100
CP1 0,25 0,025
CP2 0,75 0,075
5 Service (S) 0,063
S1 0,50 0,030
S2 0,50 0,030
6. Environment (E) 0,032
E1 0,50 0,015
E2 0,50 0,015
48
4.3.2 Metode Multi-Objective Optimization on The Basis of Ratio Analysis (MOORA)
Dalam penelitian ini , setelah bobot sub-kriteria diketahui dengan menggunakan metode AHP. Kemudian akan dilakukan penentuan peringkat dengan menggunakan metode MOORA. Berikut merupakan langkah-langkah penyelesaian dengan menggunakan metode MOORA.
1. Deklarasi Sub-Kriteria , Bobot Sub-Kriteria dan Jenis Sub Kriteria.
Dalam perhitungan MOORA dibutuhkan data terkait sub-kriteria apa saja yang digunakan beserta bobotnya. Dalam kasus ini kita menggunakan bobot global yang telah didapatkan dari proses perhitungan AHP. Selain itu, penentuan jenis sub kriteria juga diperlukan guna memaksimalkan proses perhitungan. Jenis “Benefit” merupakan sub-kriteria yang bernilai menguntungkan, sedangkan “Cost” merupakan sub-kriteria yang bernilai merugikan dari sudut pandang customer. Tabel 4.21 merupakan tabel deklarasi sub-kriteria yang akan digunakan.
Tabel 4.21 Tabel Sub-kriteria yang digunakan untuk perhitungan MOORA
No. Sub-Kriteria Bobot Global Jenis
1 C1 0,177 Cost
2 C2 0,053 Cost
3 C3 0,044 Benefit
4 C4 0,075 Benefit
5 D1 0,115 Benefit
6 D2 0,115 Benefit
7 D3 0,038 Cost
8 Q1 0,126 Benefit
9 Q2 0,063 Benefit
10 CP1 0,025 Benefit
11 CP2 0,075 Benefit
12 S1 0,030 Benefit
49
13 S2 0,030 Benefit
14 E1 0,015 Cost
15 E2 0,015 Benefit
2. Membuat Matriks Keputusan MOORA
Tahap berikutnya adalah pembuatan matriks keputusan MOORA berdasarkan data kuisoner pada tabel 4.10. Gambar 4.3 merupakan Matriks keputusan MOORA yang telah dibuat.
X =
Gambar 4.3 Matriks Keputusan MOORA 3. Normalisasi Matriks MOORA
Setelah matriks dibuat, berikutnya dilakukan normalisasi terhadap matriks tersebut.
Prosedur normalisasi dilakukan sesuai persamaan 9. Tabel 4.22 merupakan hasil normalisasi matriks MOORA. Untuk lebih jelas memahami bagaimana langkah melakukan normalisasi terhadap matriks MOORA , bisa dilihat penjelasan di bawah tabel 4.21.
65300 218000 5 3 3 4 30 4 3 4 4 3 3 2 2 60500 120000 3 3 5 4 20 3 5 4 3 3 3 2 2 68300 122000 4 3 3 3 22 5 3 3 4 4 4 2 2 59000 120000 4 3 4 4 19 3 4 4 4 5 4 2 2 63700 195000 5 3 4 3 30 4 4 3 4 3 5 2 2 60000 125000 4 5 4 4 20 3 4 4 4 4 4 2 2 64000 115000 3 3 5 3 22 4 5 3 4 4 4 2 2 62500 210000 4 4 3 4 31 3 3 4 3 4 3 2 2
50
Tabel 4.22 Matriks Normalisasi MOORA
X=
Penjelasan Untuk Tabel 4.22. Perhitungan dilakukan dengan cara membagi nilai setiap matriks keputusan MOORA dengan akar jumlah kuadrat ditiap kolom. Nilai 0,366 ( baris ke-1 kolom ke-1 ) didapatkan dari 65300 dibagi dengan akar jumlah kuadrat semua matriks yang berada pada kolom 1 ( 6500 / √653002+ 605002 + 683002… + 625002 ), prosedur sama untuk matriks baris 2,3,4,dst.
0,366 0,485 0,435 0,307 0,275 0,386 0,429 0,383 0,268 0,386 0,374 0,294 0,286 0,353 0,353 0,339 0,267 0,261 0,307 0,458 0,386 0,286 0,287 0,447 0,386 0,281 0,294 0,286 0,353 0,353 0,383 0,271 0,348 0,307 0,275 0,290 0,314 0,478 0,268 0,290 0,374 0,392 0,381 0,353 0,353 0,331 0,267 0,348 0,307 0,366 0,386 0,271 0,287 0,357 0,386 0,374 0,490 0,381 0,353 0,353 0,357 0,434 0,435 0,307 0,366 0,290 0,429 0,383 0,357 0,290 0,374 0,293 0,476 0,353 0,353 0,336 0,278 0,348 0,513 0,366 0,386 0,286 0,287 0,357 0,386 0,374 0,392 0,381 0,353 0,353 0,359 0,256 0,261 0,307 0,458 0,290 0,314 0,383 0,447 0,290 0,374 0,392 0,381 0,353 0,353 0,350 0,467 0,348 0,410 0,275 0,386 0,443 0,287 0,268 0,386 0,281 0,392 0,286 0,353 0,353
51 4. Menghitung Nilai Optimasi Multiobjektif MOORA
Tabel 4.23 Hasil perhitungan Optimalisasi nilai Atribut
C1 C2 C3 C4 D1 D2 D3 Q1 Q2 CP1 CP2 S1 S2 E1 E2
A1 0,065 0,026 0,019 0,023 0,032 0,044 0,016 0,048 0,017 0,010 0,028 0,009 0,009 0,005 0,005 A2 0,060 0,014 0,011 0,023 0,053 0,044 0,011 0,036 0,028 0,010 0,021 0,009 0,009 0,005 0,005 A3 0,068 0,014 0,015 0,023 0,032 0,033 0,012 0,060 0,017 0,007 0,028 0,012 0,011 0,005 0,005 A4 0,059 0,014 0,015 0,023 0,042 0,044 0,010 0,036 0,023 0,010 0,028 0,015 0,011 0,005 0,005 A5 0,063 0,023 0,019 0,023 0,042 0,033 0,016 0,048 0,023 0,007 0,028 0,009 0,014 0,005 0,005 A6 0,060 0,015 0,015 0,038 0,042 0,044 0,011 0,036 0,023 0,010 0,028 0,012 0,011 0,005 0,005 A7 0,064 0,014 0,011 0,023 0,053 0,033 0,012 0,048 0,028 0,007 0,028 0,012 0,011 0,005 0,005 A8 0,062 0,025 0,015 0,031 0,032 0,044 0,017 0,036 0,017 0,010 0,021 0,012 0,009 0,005 0,005 MIN MIN MAX MAX MAX MAX MIN MAX MAX MAX MAX MAX MAX MIN MAX
52
Optimasi multiobjektif MOORA biasa disebut juga sebagai optimalisasi nilai Atribut. Dalam prosedur ini , Nilai matriks yang sudah didapatkan setelah proses normalisasi (tabel 4.22) akan dikalikan dengan bobot global masing-masing sub- kriteria yang ada pada tabel 4.21.
Pada tabel 4.23 dapat dilihat hasil perhitungan optimalisasi nilai atribut. Keterangan Min dan Max pada tiap kolom sub-kriteria sebagai tanda apakah sub-kriteria tersebut berjenis Benefit ataukah Cost. Sub-kriteria dengan jenis Benefit akan mendapatkan keterangan Max , sedangkan sub-kriteria berjenis Cost akan mendapatkan keterangan Min . Nilai 0,065 (baris ke-1 kolom ke-1, tabel 4.23) didapatkan dari proses perkalian matriks ternormalisasi baris ke 1 kolom ke 1 (tabel 4.22) dengan bobot global untuk kriteria C1 (tabel 4.20) (0,366 x 0,177). Prosedur yang sama berlaku untuk kolom matriks lainnya.
5. Menentukan Ranking Alternatif
Proses akhir adalah penentuan peringkat (Rank) untuk tiap alternatif (supplier).
Tabel 4.24 merupakan tabel Ranking dari Alternatif yang diperoleh.
Tabel 4.24 Ranking dari Alternatif
Alternatif Max Min Yi (Max – Min) Rank
A1 0,244 0,112 0,132 7
A2 0,250 0,090 0,159 4
A3 0,244 0,100 0,145 5
A4 0,253 0,088 0,165 3
A5 0,252 0,108 0,144 6
A6 0,265 0,091 0,175 1
A7 0,261 0,094 0,167 2
A8 0,232 0,109 0,123 8
Berdasarkan tabel 4.24, nilai Max didapatkan dari penjumlahan baris matriks dengan tipe Max ( C1+C3+C4+D1+D2+Q1+Q2+CP1+CP2+S1+S2+E2 ). Sedangkan
53
Nilai Min didapatkan dari penjumlahan baris matriks dengan tipe Min ( C2+D3+E1 ).
Nilai Yi tertinggi akan mendapatkan peringkat tertinggi, begitu juga sebaliknya. Nilai Yi didapatkan dari selisih nilai Max dan nilai Min. Sebagai contoh, untuk Alternatif A1 memiliki nilai Max 0,244 dan nilai Min 0,112. Maka, nilai Yi pada Alternatif A1 adalah 0,244 – 0,112 = 0,132. Perhitungan serupa dilakukan untuk alternatif lain, sehingga diperoleh hasil akhir berupa peringkat (rank) alternatif.
