Sistem Pendukung Keputusan / Decision Support System Pemodelan dan Manajemen Model & Analytic Hierarchy Process (AHP)

Pemodelan dan Manajemen Model

&

Analytic Hierarchy Process (AHP)

Oleh : Imam Cholissodin S.Si., M.Kom

Sistem Pendukung Keputusan /

Decision Support System

Content

1.

 

Pemodelan dalam MSS (manajemen support

system)

2.

 

Aspek-Aspek dalam Pemodelan

3.

 

Model Berdasarkan Waktu

4.

 

Analisis Keputusan

5.

 

Forecasting (Peramalan)

6.

 

Bahasa Pemodelan

7.

 

Model Base Structure and Management

8.

  Analytic Hierarchy Process (AHP)

9.

 

Case Study

Pemodelan dalam MSS

•  Salah satu contoh DSS, yaitu dari Frazee Paint, Inc.,

memiliki 3 jenis model:

1.  Model statistik (analisis regresi), digunakan untuk

mencari relasi diantara variabel.

2.  Model finansial untuk pengembangan laporan

pemasukan dan proyeksi data finansial untuk beberapa

tahun.

3.  Model optimasi dibuat menggunakan model

management science yang disebut pendekatan Linear

Programming maupun pendekatan algoritmik dalam

rangka melakukan optimasi pilihan.

Aspek-Aspek dalam Pemodelan

•  Beberapa aspek dalam Pemodelan :

– Identifikasi masalah dan analisis lingkungan.

– Identifikasi variabel.

– Perkiraan (forecasting).

– Model.

Model Berdasarkan Waktu

•  Model statis : mengambil satu kejadian saja

dalam suatu situasi, baik waktunya singkat

maupun lama. Diasumsikan adanya stabilitas

dalam satu interval waktu tersebut.

•  Model dinamis : digunakan untuk mengevaluasi

skenario yang berubah setiap saat. Model ini

tergantung pada waktu. Dapat menunjukkan tren

dan pola pada waktu tertentu.

Analisa Keputusan

•  Analisa Keputusan : Analisa situasi yang melibatkan

sejumlah alternatif keputusan dan umumnya tak terlalu

banyak alternatif (bagian dari proses trade-off).

•  Membuat pendekatan model dimana alternatif-alternatif

tadi didaftarkan dengan perkiraan kontribusi yang

berpotensi ke tujuan.

•  Beberapa macam analisis keputusan :

–  Satu tujuan (single goal) : Kondisi untuk satu tujuan

pendekatannya menggunakan tabel keputusan

–  Banyak tujuan (multiple goals) : Pendekatannya

dengan beberapa teknik.

Tabel Keputusan

•  Terdapat suatu perusahaan investasi yang sedang

mempertimbangkan investasi yang akan dilakukan pada

3 alternatif ini: bonds, stocks, atau certificates of deposit

(CDs). Perusahaan ini hanya mempunyai 1 tujuan, yaitu

memaksimalkan investasi.

•  Hasilnya tergantung pada status ekonomi berikut : solid

growth, stagnation, dan inflation.

•  Sebagai catatan: menginvestasikan 50 persen bonds

dan 50 persen stocks adalah alternatif lain, dan hal ini

dapat ditambahkan sebagai alternatif keempat

Alternative

 

Solid Growth

 

Stagnation

 

Inflation

 

Bonds / obligasi

 

12.0%

 

6.0%

 

3.0%

 

Stocks / saham

 

15.0%

 

3.0%

 

-2.0%

 

Tabel Keputusan

•  Mengatasi Uncertainty :

–  Tidak membuat keputusan dalam situasi ketidakpastian

–  Menggunakan pendekatan optimistik dengan melihat keluaran

terbaik dari setiap alternatif. Pendekatan pesimistik (konservatif)

melihat keluaran terjelek yang mungkin untuk setiap alternatif.

•  Mengatasi Resiko :

–  Mengasumsikan bahwa peluang dari solid growth diperkirakan

50 persen, stagnation 30 persen, dan inflation 20 persen.

( (12.0%)*(0.5) ) + ( (6.0%)*(0.3) ) + ( (3.0%)*(0.2) ) = 8.4%

–  Metode yang paling umum untuk menyelesaikan masalah

analisis resiko ini adalah memilih expected value tertinggi.

Alternative

 

Solid Growth_0.50

 

Stagnation_0.30

 

Inflation_0.20

 

Expected_Value

 

Bonds

 

12.0%

 

6.0%

 

3.0%

 

8.4% (Maximum)

 

Stocks

 

15.0%

 

3.0%

 

-2.0%

 

8.0%

 

CDs

 

6.5%

 

6.5%

 

6.5%

 

6.5%

 

Multiple Goals

•  Kasus sederhana dari masalah multiple goal ditunjukkan

pada tabel berikut ini:

3 tujuan yang ingin dicapai: yield (hasil), safety

(keamanan), dan liquidity (likuiditas).

•  Harus dipertimbangkan juga bahwa beberapa nilai

dalam tabel bukanlah numerik saja, tetapi juga ada yang

bernilai kualitatif (misal ; Low, High).

•  Menggunakan pendekatan dengan beberapa teknik

pemodelan.

Alternative

 

Yield

 

Safety

 

Liquidity

 

Bonds

 

8.4%

 

High

 

High

 

Stocks

 

8.0%

 

Low

 

High

 

Optimasi

•  Optimasi dengan Pemrograman Matematis :

–  Membantu menyelesaikan masalah manajerial.

–  Mengalokasikan resources yang terbatas (misal tenaga kerja, modal,

mesin) diantara sekian banyak aktivitas.

–  Mengoptimalkan tujuan yang ditetapkan.

•  Karakteristik :

–  Pengalokasian resources biasanya dibatasi oleh pelbagai batasan dan

kebutuhan yang disebut dengan constraints.

•  Contoh :

Optimasi

•  Contoh : (Linear Programming)

–  Dalam membuat cat Berkualitas, dibutuhkan tingkat

brilliance

paling

tidak 300 derajat dan level

hue

paling tidak 250 derajat.

Note : Level brilliance dan

hue

ditentukan oleh 2 bahan, yaitu Alpha (x₁) dan Beta (x₂).

–  Alpha dan Beta memberikan kontribusi yang sama ke tingkat

brilliance

, 1 ounce (berat kering) dari keduanya menghasilkan 1

derajat brilliance dalam 1 drum cat.

(1x

₁

+ 1x

₂

≥ 300 )

–  Namun,

hue

diatur seluruhnya oleh jumlah Alpha; 1 ounce darinya

menghasilkan 3 derajat hue dalam 1 drum cat.

(3x

₁

+ 0x

₂

≥ 250)

–  Biaya Alpha adalah $45 per ounce, dan biaya Beta adalah $12 per

ounce. Diasumsikan bahwa tujuan dari kasus ini adalah meminimalkan

biaya resources.

(z = 45x

₁

+ 12x

₂

)

Optimasi

•  Jawab

: (Linear Programming)

Decision variables :

–  x1 = jumlah Alpha yang diperlukan, dalam ounces, dalam setiap drum cat –  x2 = jumlah Beta yang diperlukan, dalam ounces, dalam setiap drum cat

•  Temukan x

₁

dan x

₂

yang meminimimalkan :

z = 45x

₁

+ 12x

₂

•  Permasalahan diatas dapat diformulasikan dengan batasan :

1x

₁

+ 1x

₂

≥ 300 (spesifikasi brilliance : kecerahan, brightness)

3x

₁

+ 0x

₂

≥ 250 (spesifikasi hue)

•  Solusi yang dihasilkan komputer :

x

₁

= 83.333

x

₂

= 216.667

Linear Programming

•  Perumusan Umum dan Istilah

–  Decision Variables.

–  Cost Coefficients.

–  Input-Output Coefficients.

–  Capacities / Requirements.

Z = 45X

₁

+12X

₂ Cost Coefficients Decision Variables

1X

₁

+1X

₂

≥ 300

3X

₁

+0X

₂

≥ 250

Input-Output Coefficients Capacities or Requirements

Diskusi Kelompok

•  Buatlah contoh kasus optimasi, dan selesaikan

dengan LP dengan topik bebas dan ilmiah.

Simulasi

•  Teknik untuk melakukan percobaan (misalnya “what-if”) dengan

komputer digital pada suatu model dari sistem manajemen.

•  “What-If” : berangkat dari pertanyaan: “Apa yang terjadi jika suatu

variabel input, asumsi, atau nilai sebuah parameter berubah?”

Contoh:

1.  Apa yang akan terjadi pada biaya inventory total jika biaya

pengangkutan ke inventory meningkat 10 persen?

2.  Apa yang akan terjadi pada market share jika biaya iklan meningkat 5

persen?

•  Simulasi melibatkan testing pada variabel input dengan nilai tertentu

dan mengamati akibatnya pada variabel output.

•  Simulasi digunakan untuk permasalahan yang kompleks/ sulit

bila diselesaikan dengan optimasi numerik (misalnya LP).

Kompleksitas disini berarti bahwa permasalahan tadi tak bisa

dirumuskan untuk optimasinya atau perumusannya terlalu kompleks

•  Metodologi Simulasi :

•  Simulasi lebih bersifat deskriptif. Hal ini mengijinkan manajer untuk

menanyakan jenis pertanyaan “what-if”.

•  Tetapi, terkadang begitu mudah diterima oleh manajer sehingga

solusi analitis yang dapat menghasilkan solusi optimal malah sering

dilupakan.

Simulasi

Real-World Problem Definisi masalah Membangun model simulasi Testing dan validasi model Desain

percobaan Melakukan percobaan

Evaluasi

Forecasting (Peramalan)

•  Forecasting digunakan untuk memperkirakan nilai

variabel model, dan juga hubungan logika model, pada

suatu waktu tertentu di masa mendatang.

•  Metode forecasting :

–  Formal :

•  Judgment method : Didasarkan pada pertimbangan subyektif dan

opini dari seorang pakar.

•  Counting method : Melibatkan berbagai eksperimen atau survey

dari contoh data.

•  Time-series analysis : Menganalisis sekumpulan nilai yang diukur

pada selang waktu tertentu.

•  Association or causal methods : Menyertakan analisis data untuk

mencari asosiasi data dan, jika mungkin, menemukan hubungan

sebab-akibatnya.

Bahasa Pemodelan

•  Bahasa pemrograman yang biasa dipakai untuk

penyelesaian Model :

–  C, C++

–  Turunannya seperti Java, PHP, C#, etc.

•  Software untuk level yang lebih sederhana kita bisa

menggunakan spreadsheet :

–  MS Office Excel

–  Open Office

–  Libre, etc

•  Software untuk level yang lebih khusus, misalnya :

–  ProModel

–  Arena

Model Base Structure and Management

•  Paket software untuk Model Base Management System

(MBMS) dengan kemampuan yang serupa dengan

konsep DBMS dalam database.

•  Contoh Paket Software untuk MBMS:

–  Expert Choice

–  Decision Master

–  Decision Aid

–  Criterium

–  Orion

–  Arborist

–  Lightyear

–  Decision PAD

–  Decision AIDE II

Diskusi Kelompok

•  Tentukan Database dan Bahasa Pemrograman

yang anda gunakan untuk :

– Managemen Data

– Managemen Model

dalam membangun DSS sesuai dengan Topik

Anda. Berikan alasan dengan mendeskripsikan

support teknologi dan feature andalan dari

kedua Tool tersebut.

(Dipresentasikan)

Model Base Structure and Management

•  Kemampuan yang diinginkan dari suatu MBMS :

1.  Kontrol. Baik untuk sistem yang otomatis maupun manual. 2.  Fleksibelitas. Mudah menghadapi perubahan.

3.  Umpan balik. Selalu up-to-date, bersifat kekinian.

4.  Antarmuka. User merasa nyaman dan mudah menggunakan.

5.  Pengurangan redundansi. Model yang di-share dapat mengurangi

penyimpanan data yang redundan.

6.  Peningkatan konsistensi. Mengatasi data yang berbeda atau versi model

yang berbeda.

•  Untuk mencapai kemampuan di atas, desain MBMS

harus mengijinkan user untuk:

1.  Mengakses dan me-retrieve model yang ada. 2.  Berlatih dan memanipulasi model yang ada. 3.  Menyimpan model yang ada.

4.  Mengkonfigurasi model yang ada. 5.  Membangun model baru.

Analytic Hierarchy Process (AHP)

•  Prinsip Dasar AHP (Prof. Thomas L. Saaty, 1980) :

1.  Problem Decomposition (Penyusunan Hierarki Masalah) :

o  Identifikasi tujuan keseluruhan dan sub-tujuan yang ada.

o  Mencari kriteria untuk memperoleh sub-tujuan dari tujuan keseluruhan.

o  Menyusun sub-kriteria dari masing-masing kriteria, dimana setiap kriteria

dan sub-kriteria harus spesifik dan menunjukkan tingkat nilai dari parameter.

o  Menentukan siapa saja pelaku yang terlibat dalam sistem dan kebijakan

dari masing-masing pelaku.

o  Menentukan alternatif sebagai output tujuan yang akan ditentukan

prioritasnya.

2.  Comparative Judgement (Penilaian Perbandingan Berpasangan) :

o  Prinsip ini dilakukan dengan membuat penilaian perbandingan

berpasangan tentang kepentingan relatif dari dua elemen pada suatu

tingkat hierarki tertentu dalam kaitannya dengan tingkat di atasnya. o  Memberikan bobot numerik berdasarkan perbandingan tersebut.

Analytic Hierarchy Process (AHP)

•  Prinsip Dasar AHP (Prof. Thomas L. Saaty, 1980) :

3.  Synthesis of Priority (Penentuan Prioritas) :

o  Tahap untuk mendapatkan bobot bagi setiap elemen hierarki dan elemen alternatif.

4.  Logical Consistensy (Konsistensi Logis) :

o  Konsistensi data didapat dari rasio konsistensi (CR) yang merupakan

hasil bagi antara indeks konsistensi (CI) dan indeks random (RI).

•  Keunggulan AHP :

o  Model DSS yang mampu menghasilkan suatu alternatif keputusan secara terstruktur.

o  Adanya skema hierarki hingga proses kalkulasi yang didasarkan pada konsistensi data yang diberikan.

o  Menghasilkan suatu alternatif keputusan yang komprehensif, rasional dan optimal.

Analytic Hierarchy Process (AHP)

•  Langkah dan Prosedur dalam memecahkan permasalahan

menggunakan metode AHP :

1.  Mendefinisikan permasalahan dan menentukan tujuan.

2.  Menyusun masalah ke dalam suatu struktur hierarki sehingga permasalahan

yang kompleks dapat ditinjau dari sisi yang detail dan terukur.

3.  Menghitung nilai prioritas untuk tiap elemen masalah pada setiap hierarki.

Prioritas ini dihasilkan dari suatu matriks perbandingan berpasangan antara seluruh elemen pada tingkat hierarki yang sama.

4.  Melakukan pengujian konsistensi terhadap perbandingan antar elemen yang

didapatkan pada tiap tingkat hierarki untuk digunakan dalam pertimbangan

penghitungan perangkingan akhir.

•  Skala Perbandingan Berpasangan Penetapan skala kuantitatif

digunakan untuk menilai perbandingan tingkat kepentingan suatu

elemen terhadap elemen lain dapat dilihat sebagai berikut :

Analytic Hierarchy Process (AHP)

•  Nilai Skala Perbandingan Berpasangan :

Intensitas Kepentingan Keterangan

1 _{Kedua elemen sama pentingnya}

3 _{Elemen yang satu sedikit lebih penting daripada elemen lainnya} 5 _{Elemen yang satu lebih penting daripada elemen lainnya} 7 _{Satu elemen jelas lebih mutlak penting daripada elemen lainnya}

9 _{Satu elemen mutlak penting daripada elemen lainnya}

2, 4, 6, 8 _{Nilai-nilai antara/ Nilai Tengah dua nilai pertimbangan yang berdekatan}

Kebalikan

Nilai kebalikan, A(i,j)=1/A(j,i).

Dimana A adalah matrik perbandingan berpasangan antar elemen baik kriteria, sub-kriteria maupun alternatif tujuan.

Analytic Hierarchy Process (AHP)

•  Contoh Logika Penentuan Skala Perbandingan Berpasangan :

–  Jika terdapat 2 perbandingan berpasangan :

–  Contoh : Jika anda mengatakan saya “sangat menyukai sekali” Mangga dari pada Durian, maka hasilnya akan ditandai (√) sebagai berikut :

–  Sehingga hasil matrik perbandingannya adalah sebagai berikut :

Sangat Suka Sekali Buah Mangga Buah Durian 9 7 5 3 1 3 5 7 9 (Ekstrim) Sangat Begitu Suka Sekali Sangat Suka Sekali Sangat Suka Suka Biasa Suka Sangat Suka (Ekstrim) Sangat Begitu Suka Sekali

√

Durian Mangga Durian 1 1/7 Mangga 7 1

actual judgment value reciprocal value

Analytic Hierarchy Process (AHP)

•  Contoh Logika Penentuan Skala Perbandingan Berpasangan :

–  Jika terdapat 3 perbandingan berpasangan :

Sangat Suka Sekali Buah Mangga Buah Durian 9 7 5 3 1 3 5 7 9 (Ekstrim) Sangat Begitu Suka Sekali Sangat Suka Sekali Sangat Suka Suka Biasa Suka Sangat Suka (Ekstrim) Sangat Begitu Suka Sekali Sangat Suka Sekali Buah Jeruk Buah Durian 9 7 5 3 1 3 5 7 9 (Ekstrim) Sangat Begitu Suka Sekali Sangat Suka Sekali Sangat Suka Suka Biasa Suka Sangat Suka (Ekstrim) Sangat Begitu Suka Sekali Sangat Suka Sekali 9 7 5 3 1 3 5 7 9 (Ekstrim) Sangat Begitu Suka Sekali Sangat Suka Sekali Sangat Suka Suka Biasa Suka Sangat Suka (Ekstrim) Sangat Begitu Suka Sekali Buah Jeruk Buah Mangga

Analytic Hierarchy Process (AHP)

•  Contoh Logika Penentuan Skala Perbandingan Berpasangan :

–  Contoh : Jika diketahui hasil yang ditandai (√) adalah sebagai berikut :

–  Sehingga hasil matrik perbandingannya adalah sebagai berikut :

Durian Mangga Jeruk

Durian 1 1/7 5 Mangga 7 1 2 Jeruk 1/5 1/2 1

√

√

√

Analytic Hierarchy Process (AHP)

•  Contoh Logika Penentuan Skala Perbandingan Berpasangan :

–  Bagaimana jika terdapat n buah objek untuk perbandingan berpasangan : •  Berapakah banyak pasangan perbandingannya?

•  n = 2 n = 4

•  Maka jika terdapat n = 25 objek kriteria, maka banyaknya perbandingan berpasangannya adalah sebagai berikut :

Banyak Objek (n) 1 2 3 4 5 .. n Banyaknya Perbandingan (p) 0 1 3 6 10 …

(

)

2 1 n n −

(

)

(

)

₃₀₀ 2 600 2 1 25 25 2 1 n n p₌ − ₌ − _{= =} A B A 1 5 B ₁ A B C D A 1 5 7 2 B _{1 2 3} C _{1 5} D ₁

Analytic Hierarchy Process (AHP)

•  Detail Proses AHP :

1.  Membuat Matrik Perbandingan Berpasangan

2.  Normalisasi

3.  Perhitungan Eigen Vektor (Bobot Kriteria)

4.  Perhitungan Eigen Value (Lamda Maksimum)

5.  Menentukan Konsistensi Nilai CR

(Consistency Ratio)

6.  Perhitungan nilai Bobot Sub-Kriteria (Jika ada)

7.  Perhitungan Nilai Bobot Alternatif

8.  Perangkingan Akhir

•  Hirarki Kompleksitas Permasalahan :

• 

Sederhana : Terdapat hanya beberapa kriteria saja.

• 

Kompleks : Terdapat banyak level kriteria dan sub-kriteria.

Proses Awal :

Menentukan Nilai

Bobot Kriteria

maupun Sub-Kriteria

&

Mengevaluasi Nilai

Konsistensi

Pengambilan

Keputusan

Analytic Hierarchy Process (AHP)

•  Hirarki Kompleksitas Permasalahan :

• 

Sederhana : Terdapat hanya 1 level kriteria.

• 

Kompleks : Terdapat banyak level kriteria dan sub-kriteria.

Prestasi

Inter-nasional Nasional Regional Akademik

Wawancara Test Bidang

Lulus/Tidak Lulus

Keterkaitan Kelancaran Sikap Praktek Teori

Contoh Case Study

•  Pengambilan Keputusan Pemilihan Pembelian Motor :

(

Case Study 1

)

–

 

Tujuan/ Goal

: Pemilihan Sepeda Motor Matic.

–

 

Kriteria

: Model (M), Kehandalan (K), Kapasitas Bahan Bakar (KBB)

•  Kriteria Kualitatif : Model (M), Kehandalan (K)

•  Kriteria Kuantitatif : Kapasitas Bahan Bakar (KBB)

–

 

Alternatives

: Honda Beat, Yamaha Mio, Suzuki Spin, Honda Vario.

•  Membuat Hirarki Tree-nya :

Model

Beat Mio Spin Vario Kehandalan _{Bahan Bakar} Kapasitas

Pemilihan Motor

Contoh Case Study

•  Membuat Hirarki Tree-nya :

•  Membuat Matrik perbandingan :

Model Kehandalan Kapasitas

Model 1 ½ 3

Kehandalan 2 1 4

Kapasitas 1/3 1/4 1

Model

Beat Mio Spin Vario Kehandalan Kapasitas Bahan Bakar Pemilihan Motor

Level 0

Level 1

Level 2

Contoh Case Study

•  Menghitung Bobot Kriteria :

–  Perhatikan persamaan [Ax = λ

_max

x], dimana :

•  A = Matrik Perbandingan dengan ukuran n x n, n merupakan

banyak kriteria.

•  X = Bobot kriteria, atau Eigen Vector dengan ukuran n x 1, juga

disebut sebagai priority vector atau ranking of priorities.

•  λ

max

= Eigen Value, atau sebagai koefisien bobot

–  Normalisasi :

•  Normalisasi, yaitu tiap nilai dalam kolom matrik A dibagi dengan

hasil penjumlahan kolomnya (Norm_A).

•  Menghitung rata-rata per baris dari matrik Normalisasi (X).

Jumlah per kolom : 3.33 1.75 8.00

Bobot Kriteria 1.00 1.00 1.00

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

1

0.25

0.33

4

1

2

3

0.5

1

A

⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 0.13 0.14 0.10 0.50 0.57 0.60 0.38 0.29 30 . 0 Norm_A 0.30 3.33 1 ) 1 , 1 ( Norm_A = = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 12 . 0 56 . 0 32 . 0 X 0.32 3 38 . 0 29 . 0 30 . 0 ) 1 , 1 ( X = + + =

Contoh Case Study

–  Normalisasi :

•  Normalisasi, yaitu tiap nilai dalam kolom dibagi dengan hasil

penjumlahan kolom.

•  Menghitung rata-rata per baris dari matrik Normalisasi.

Jadi Bobot Kriterianya adalah sebagai berikut :

Jumlah per kolom : 3.33 1.75 8.00

Bobot Kriteria 1.00 1.00 1.00

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

1

0.25

0.33

4

1

2

3

0.5

1

A

⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 0.13 0.14 0.10 0.50 0.57 0.60 0.38 0.29 30 . 0 Norm_A 0.30 3.33 1 ) 1 , 1 ( Norm_A = = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 12 . 0 56 . 0 32 . 0 X 0.32 3 38 . 0 29 . 0 30 . 0 ) 1 , 1 ( X = + + = Model 0.32 Kehandalan _0.56

Kapasitas Bahan Bakar 0.12

Pemilihan Motor 1.00

Contoh Case Study

•  Mengecek Konsistensi (Hitung Nilai CR) :

–  [Ax = λ

max

x], maka :

–  Tabel Random Consistency Index (RI) :

( n adalah banyak kriteria )

( )

0

.

01

1

-3

3

-3.02

1

n

n

λ

CI

Index

y

Consistenc

max

=

=

−

−

=

02

.

3

3

01

.

3

03

.

3

02

.

3

12

.

0

37

.

0

,

56

.

0

69

.

1

,

32

.

0

97

.

0

average

λ

_max

₌

+

+

₌

⎭

⎬

⎫

⎩

⎨

⎧

=

A x Ax x

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

12

.

0

56

.

0

32

.

0

λ

37

.

0

69

.

1

97

.

0

12

.

0

56

.

0

32

.

0

1

0.25

0.33

4

1

2

3

0.5

1

max Jumlah :

3.33 1.75 8.00

n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RI 0 0 0.58 0.9 1.12 1.24 1 1.41 1.45 1.49 1.51 1.48 1.56 1.57 1.59

Contoh Case Study

•  Mengecek Konsistensi (Hitung Nilai CR) :

–  [Ax = λ

max

x], maka :

–  Karena CR = 0.016 < 0.1, maka dapat disimpulkan bahwa hasil

evaluasi matrik A konsisten.

( )

0.016

58

.

0

0.01

RI

CI

CR

Ratio

y

Consistenc

₌

₌

₌

( )

0

.

01

1

-3

3

-3.02

1

n

n

λ

CI

Index

y

Consistenc

max

=

=

−

−

=

02

.

3

3

01

.

3

03

.

3

02

.

3

12

.

0

37

.

0

,

56

.

0

69

.

1

,

32

.

0

97

.

0

average

λ

_max

₌

+

+

₌

⎭

⎬

⎫

⎩

⎨

⎧

=

A x Ax x

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

12

.

0

56

.

0

32

.

0

λ

37

.

0

69

.

1

97

.

0

12

.

0

56

.

0

32

.

0

1

0.25

0.33

4

1

2

3

0.5

1

max Jumlah :

3.33 1.75 8.00

Contoh Case Study

•  Membuat ranking alternatives base kriteria :

–  Untuk kriteria Model (M) :

•  Menghitung Bobot setiap Alternatif pada Kriteria Model :

Model Beat Mio Spin Vario

Beat 1 1 / 4 = 0.25 4 1 / 6 = 0.17

Mio 4 1 4 1 / 4 = 0.25

Spin 1 / 4 = 0.25 1 / 4 = 0.25 1 1 / 5 = 0.20

Vario _{6 4 5 1}

11.25 5.50 14.00 1.62

Priority Vector atau Bobot setiap Alternatif dari Kriteria Model 1.00 1.00 1.00 1.00

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

1

5

4

6

20

.

0

1

25

.

0

25

.

0

25

.

0

4

1

4

0.17

4

0.25

1

A

_m 0.09 11.25 1 ) 1 , 1 ( Norm_A_m = = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = 56 . 0 07 . 0 24 . 0 13 . 0 X_m 0.13 4 10 . 0 29 . 0 05 . 0 09 . 0 ) 1 , 1 ( X_m = + + + =

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

62

.

0

36

.

0

73

.

0

53

.

0

12

.

0

07

.

0

05

.

0

02

.

0

15

.

0

29

.

0

0.18

0.36

0.10

0.29

0.05

0.09

Norm_A

_m Jumlah per kolom :

Contoh Case Study

•  Membuat ranking alternatives base kriteria :

–  Untuk kriteria Kehandalan (K) :

•  Menghitung Bobot setiap Alternatif pada Kriteria Kehandalan :

Kehandalan Beat Mio Spin Vario

Beat 1 2 5 1

Mio 1 / 2 = 0.50 1 3 2

Spin 1 / 5 = 0.20 1 / 3 = 0.33 1 1 / 4 = 0.25

Vario _{1 1 / 2 = 0.50 4 1}

2.70 3.83 13.00 4.25

Priority Vector atau Bobot setiap Alternatif dari Kriteria Kehandalan

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

1

4

50

.

0

1

25

.

0

1

33

.

0

20

.

0

2

3

1

0.5

1

5

2

1

A

_k 0.37 2.70 1 ) 1 , 1 ( Norm_A_k = = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = 26 . 0 07 . 0 29 . 0 38 . 0 X_k 0.38 4 24 . 0 38 . 0 52 . 0 37 . 0 ) 1 , 1 ( X_k = + + + =

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

24

.

0

31

.

0

13

.

0

37

.

0

06

.

0

08

.

0

09

.

0

07

.

0

47

.

0

23

.

0

0.26

0.19

0.24

0.38

0.52

0.37

Norm_A

_k Jumlah per kolom : 1.00 1.00 1.00 1.00

Contoh Case Study

•  Membuat ranking alternatives base kriteria :

–  Untuk kriteria Kapasitas Bahan Bakar (KBB) :

•  Karena ‘Kapasitas Bahan Bakar’ merupakan kriteria kuantitatif, maka dapat digunakan langsung kapasitas perbandingannya untuk menentukan rangking alternative-nya, namun ini tidak bersifat mutlak, artinya anda dapat juga membuat dalam bentuk matrik perbandingan)

Kapasitas

Bahan Bakar (Liter)

Beat 4.4

Mio 4.7

Spin 5.5

Vario _5.8

Priority Vector atau Bobot setiap Alternatif dari Kriteria Kapasitas Bahan Bakar ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = 28 . 0 27 . 0 23 . 0 22 . 0 X_kbb 20.40 Jumlah per kolom : Normalisasi

Contoh Case Study

•  Membuat Hirarki Tree & Bobotnya :

•  Perangkingan Akhir setiap alternatif untuk pengambilan

keputusan:

⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 28 . 0 27 . 0 23 . 0 22 . 0 Vario Spin Mio Beat ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 26 . 0 07 . 0 29 . 0 38 . 0 Vario Spin Mio Beat ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 56 . 0 07 . 0 24 . 0 13 . 0 Vario Spin Mio Beat ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 0.36 0.09 0.27 0.28 0.12 0.56 0.32 28 . 0 26 . 0 56 . 0 27 . 0 07 . 0 07 . 0 23 . 0 29 . 0 24 . 0 22 . 0 38 . 0 13 . 0 Vario Spin Mio Beat Model 0.32 Kehandalan

0.56 Kapasitas Bahan Bakar 0.12 Pemilihan Motor

Matrik Prioritas Bobot Kriteria

•  Sehingga keputusan akhir pemilihan untuk rekomendasi pembelian motor matic adalah

Contoh Case Study

•  Pengambilan Keputusan Pemilihan Pembelian Motor :

(

Case Study 2

)

–  Tujuan/ Goal : Pemilihan Sepeda Motor Matic.

–  Kriteria : Model (M), Kehandalan (K), Kapasitas Bahan Bakar (KBB)

•  Kriteria Kualitatif : Model (M), Kehandalan (K) •  Kriteria Kuantitatif : Kapasitas Bahan Bakar (KBB)

–  Sub-Kriteria :

•  Model : Model Konvensional, Model Millenium, Model Standard

–  Alternatives : Honda Beat, Yamaha Mio, Suzuki Spin, Honda Vario.

•  Membuat Hirarki Tree-nya :

Model

Beat Mio Spin Vario

Kehandalan

Kapasitas Bahan Bakar Pemilihan Motor

Contoh Case Study

•  Membuat Hirarki Tree-nya :

Level 0

Level 1 Model

Beat Mio Spin _Vario

Kehandalan Kapasitas Bahan _Bakar Pemilihan Motor

Konvensional Millenium Level 2

Level 3 Standard

Contoh Case Study

•  Level 1 (Kriteria) :

–  Membuat Matrik perbandingan :

–  Menghitung Bobot Kriteria terhadap goal :

Model Kehandalan Kapasitas

Model 1 2 3 Kehandalan 1/2 1 4 Kapasitas 1/3 1/4 1 3.33 1.75 8.00 Bobot Kriteria 1.00 1.00 1.00

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

1

0.25

0.33

4

1

2

3

0.5

1

A

⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 0.13 0.14 0.10 0.50 0.57 0.60 0.38 0.29 30 . 0 Norm_A ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 12 . 0 56 . 0 32 . 0 X Bobot Terhadap Goal Model 0.32 Kehandalan 0.56 Kapasitas 0.12

Contoh Case Study

•  Level 1 (Kriteria) :

–  Mengecek Konsistensi (Hitung Nilai CR)

Karena CR = 0.016 < 0.1,

maka dapat disimpulkan bahwa hasil evaluasi matrik A konsisten.

( )

0.016

58

.

0

0.01

RI

CI

CR

Ratio

y

Consistenc

₌

₌

₌

01

.

0

1

-3

3

-3.02

1

n

n

λ

CI

max

=

=

−

−

=

02

.

3

12

.

0

37

.

0

,

56

.

0

69

.

1

,

32

.

0

97

.

0

average

λ

_max

=

⎭

⎬

⎫

⎩

⎨

⎧

=

A x Ax x

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

12

.

0

56

.

0

32

.

0

λ

37

.

0

69

.

1

97

.

0

12

.

0

56

.

0

32

.

0

1

0.25

0.33

4

1

2

3

0.5

1

max

Contoh Case Study

•  Level 2 (Sub Kriteria) :

–  Kriteria Model :

Model Konvensional, Model Millenium, Model Standard •  Membuat Matrik perbandingan :

•  Menghitung Bobot Sub-Kriteria terhadap Kriteria :

Diketahuai Bobot Kriteria Model = 0.32, maka

Model Konvensional Millenium Standard

Konvensional 1 1/4 1/3 Millenium 4 1 2 Standard 3 1/2 1 Bobot Terhadap Kriteria Bobot Terhadap Goal Konvensional 0.12 0.12*0.32 = 0.04 Millenium 0.56 0.56*0.32 = 0.18 Standard 0.32 0.32*0.32 = 0.10 8.00 1.75 3.33 Bobot Kriteria 1.00 1.00 1.00

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

1

0.5

3

2

1

4

0.33

0.25

1

A

⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 0.30 0.29 0.38 0.60 0.57 0.50 0.10 0.14 13 . 0 Norm_A ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 32 . 0 56 . 0 12 . 0 X

Contoh Case Study

•  Level 2 (Sub Kriteria) :

–  Kriteria Model :

Model Konvensional, Model Millenium, Model Standard •  Mengecek Konsistensi (Hitung Nilai CR)

n adalah banyak Sub-Kriteria

Karena CR = 0.034 < 0.1,

maka dapat disimpulkan bahwa hasil evaluasi matrik A konsisten.

( )

0.034

58

.

0

0.02

RI

CI

CR

Ratio

y

Consistenc

₌

₌

₌

02

.

0

1

-3

3

-3.03

1

n

n

λ

CI

max

=

=

−

−

=

03

.

3

32

.

0

96

.

0

,

56

.

0

68

.

1

,

12

.

0

37

.

0

average

λ

_max

=

⎭

⎬

⎫

⎩

⎨

⎧

=

A x Ax x

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

=

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎣

⎡

32

.

0

56

.

0

12

.

0

λ

96

.

0

68

.

1

37

.

0

32

.

0

56

.

0

12

.

0

1

0.5

3

2

1

4

0.33

0.25

1

max

Contoh Case Study

•  Level 2 (Sub Kriteria) :

–  Kriteria Kehandalan (Tidak ada Sub-Kriteria)

–  Kriteria Kapasitas (Tidak ada Sub-Kriteria)

•  Uji Konsistensi Hirarki (CRH_2) :

–  Index Konsistensi Hirarki (CIH_2) Level 2 :

•  CR_1 = 0.016

•  X_1 = [ 0.32 0.56 0.12 ] •  CR_2 = [ 0.034 0 0]t

karena Kriteria Kehandalan dan Kriteria Kapasitas tidak memiliki Sub-Kriteria, maka nilai CR_2 dari keduanya = 0

–  Index Konsistensi Random Hirarki (RIH_2) Level 2 :

•  RI_1 = 0.58 •  X_1 = [ 0.32 0.56 0.12 ] •  RI_2 = [ 0.58 0 0]t

(

)

[

]

0.016 0.011 0.027 0 0 034 . 0 12 . 0 56 . 0 32 . 0 016 . 0 CR_2 * X_1 CR_1 CIH_2 = + = ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎝ ⎛ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ + = + =

Contoh Case Study

•  Uji Konsistensi Hirarki :

–  Index Konsistensi Random Hirarki (RIH_2) Level 2 :

•  RI_1 = 0.58

•  X_1 = [ 0.32 0.56 0.12 ] •  RI_2 = [ 0.58 0 0]t

karena Kriteria Kehandalan dan Kriteria Kapasitas tidak memiliki Sub-Kriteria, maka nilai RI_2 dari keduanya = 0

–  Rasio Konsistensi Hirarki (CRH_2) Level 2 :

Karena CRH_2 = 0.035 < 0.1,

maka dapat disimpulkan bahwa hasil evaluasi level-level hirarki yang telah

dibuat adalah konsisten.

(

)

[

]

0.58 0.186 0.766 0 0 58 . 0 12 . 0 56 . 0 32 . 0 58 . 0 RI_2 * X_1 RI_1 RIH_2 = + = ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎝ ⎛ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ + = + = 035 . 0 766 . 0 027 . 0 RIH_2 CIH_2 CRH_2= = =

Contoh Case Study

•  Berikut Hasil Pembobotan Kriteria dan Sub-Kriteria dari

perhitungan sebelumnya :

•  Note : diasumsikan bahwa ranking alternatives semua

sub-kriteria sama dengan hasil ranking kriterianya.

Level 0

Level 1 Model

(32%)

Beat Mio Spin _Vario

Kehandalan (56%) Kapasitas Bahan Bakar (12%) Pemilihan Motor (100%) Konvensional (4%) Millenium (18%) Level 2 Level 3 Standard (10%)

Contoh Case Study

•  Membuat ranking alternatives base sub-kriteria :

–  Untuk sub-kriteria Konvensional dari Kriteria Model (M) :

•  Menghitung Bobot setiap Alternatif pada sub-Kriteria Konvensional :

Konvensional Beat Mio Spin Vario

Beat 1 1 / 4 = 0.25 4 1 / 6 = 0.17

Mio 4 1 4 1 / 4 = 0.25

Spin 1 / 4 = 0.25 1 / 4 = 0.25 1 1 / 5 = 0.20

Vario _{6 4 5 1}

11.25 5.50 14.00 1.62

Priority Vector atau Bobot setiap Alternatif dari Sub-Kriteria Konvensional dari Kriteria Model 1.00 1.00 1.00 1.00

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

1

5

4

6

20

.

0

1

25

.

0

25

.

0

25

.

0

4

1

4

0.17

4

0.25

1

A

_mk 0.09 11.25 1 ) 1 , 1 ( Norm_A_mk = = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = 56 . 0 07 . 0 24 . 0 13 . 0 X_mk 0.13 4 10 . 0 29 . 0 05 . 0 09 . 0 ) 1 , 1 ( X_mk = + + + =

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

62

.

0

36

.

0

73

.

0

53

.

0

12

.

0

07

.

0

05

.

0

02

.

0

15

.

0

29

.

0

0.18

0.36

0.10

0.29

0.05

0.09

Norm_A

_mk Jumlah per kolom :

Contoh Case Study

•  Membuat ranking alternatives base sub-kriteria :

–  Untuk sub-kriteria Millenium dari Kriteria Model (M) :

•  Menghitung Bobot setiap Alternatif pada sub-Kriteria Millenium :

Millenium Beat Mio Spin Vario

Beat 1 1 / 4 = 0.25 4 1 / 6 = 0.17

Mio 4 1 4 1 / 4 = 0.25

Spin 1 / 4 = 0.25 1 / 4 = 0.25 1 1 / 5 = 0.20

Vario _{6 4 5 1}

11.25 5.50 14.00 1.62

Priority Vector atau Bobot setiap Alternatif dari Sub-Kriteria Millenium dari Kriteria Model 1.00 1.00 1.00 1.00

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

1

5

4

6

20

.

0

1

25

.

0

25

.

0

25

.

0

4

1

4

0.17

4

0.25

1

A

_mm 0.09 11.25 1 ) 1 , 1 ( Norm_A_mm = = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = 56 . 0 07 . 0 24 . 0 13 . 0 X_mm 0.13 4 10 . 0 29 . 0 05 . 0 09 . 0 ) 1 , 1 ( X_mm = + + + =

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

62

.

0

36

.

0

73

.

0

53

.

0

12

.

0

07

.

0

05

.

0

02

.

0

15

.

0

29

.

0

0.18

0.36

0.10

0.29

0.05

0.09

Norm_A

_mm Jumlah per kolom :

Contoh Case Study

•  Membuat ranking alternatives base sub-kriteria :

–  Untuk sub-kriteria Standard dari Kriteria Model (M) :

•  Menghitung Bobot setiap Alternatif pada sub-Kriteria Standard :

Standard Beat Mio Spin Vario

Beat 1 1 / 4 = 0.25 4 1 / 6 = 0.17

Mio 4 1 4 1 / 4 = 0.25

Spin 1 / 4 = 0.25 1 / 4 = 0.25 1 1 / 5 = 0.20

Vario _{6 4 5 1}

11.25 5.50 14.00 1.62

Priority Vector atau Bobot setiap Alternatif dari Sub-Kriteria Standard dari Kriteria Model 1.00 1.00 1.00 1.00

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

1

5

4

6

20

.

0

1

25

.

0

25

.

0

25

.

0

4

1

4

0.17

4

0.25

1

A

_ms 0.09 11.25 1 ) 1 , 1 ( Norm_A_ms = = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = 56 . 0 07 . 0 24 . 0 13 . 0 X_ms 0.13 4 10 . 0 29 . 0 05 . 0 09 . 0 ) 1 , 1 ( X_ms = + + + =

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

62

.

0

36

.

0

73

.

0

53

.

0

12

.

0

07

.

0

05

.

0

02

.

0

15

.

0

29

.

0

0.18

0.36

0.10

0.29

0.05

0.09

Norm_A

_ms Jumlah per kolom :

Contoh Case Study

•  Membuat ranking alternatives base kriteria :

–  Untuk kriteria Kehandalan (K) :

•  Menghitung Bobot setiap Alternatif pada Kriteria Kehandalan :

Kehandalan Beat Mio Spin Vario

Beat 1 2 5 1

Mio 1 / 2 = 0.50 1 3 2

Spin 1 / 5 = 0.20 1 / 3 = 0.33 1 1 / 4 = 0.25

Vario _{1 1 / 2 = 0.50 4 1}

2.70 3.83 13.00 4.25

Priority Vector atau Bobot setiap Alternatif dari Kriteria Kehandalan

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

1

4

50

.

0

1

25

.

0

1

33

.

0

20

.

0

2

3

1

0.5

1

5

2

1

A

_k 0.37 2.70 1 ) 1 , 1 ( Norm_A_k = = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = 26 . 0 07 . 0 29 . 0 38 . 0 X_k 0.38 4 24 . 0 38 . 0 52 . 0 37 . 0 ) 1 , 1 ( X_k = + + + =

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

24

.

0

31

.

0

13

.

0

37

.

0

06

.

0

08

.

0

09

.

0

07

.

0

47

.

0

23

.

0

0.26

0.19

0.24

0.38

0.52

0.37

Norm_A

_k Jumlah per kolom : 1.00 1.00 1.00 1.00

Contoh Case Study

•  Membuat ranking alternatives base kriteria :

–  Untuk kriteria Kapasitas Bahan Bakar (KBB) :

•  Karena ‘Kapasitas Bahan Bakar’ merupakan kriteria kuantitatif, maka dapat digunakan langsung kapasitas perbandingannya untuk menentukan rangking alternative-nya, namun ini tidak bersifat mutlak, artinya anda dapat juga membuat dalam bentuk matrik perbandingan)

Kapasitas

Bahan Bakar (Liter)

Beat 4.4

Mio 4.7

Spin 5.5

Vario _5.8

Priority Vector atau Bobot setiap Alternatif dari Kriteria Kapasitas Bahan Bakar ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = 28 . 0 27 . 0 23 . 0 22 . 0 X_kbb 20.40 Jumlah per kolom : Normalisasi

Contoh Case Study

•  Membuat Hirarki Tree & Bobotnya :

•  Perangkingan Akhir setiap alternatif untuk pengambilan

keputusan:

⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 28 . 0 27 . 0 23 . 0 22 . 0 Vario Spin Mio Beat ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 26 . 0 07 . 0 29 . 0 38 . 0 Vario Spin Mio Beat ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 56 . 0 07 . 0 24 . 0 13 . 0 Vario Spin Mio Beat Model (32%) Kehandalan (56%) Kapasitas Bahan Bakar (12%) Pemilihan Motor (100%) Konvensional (4%) Millenium (18%) Standard (10%) ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 56 . 0 07 . 0 24 . 0 13 . 0 Vario Spin Mio Beat ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 56 . 0 07 . 0 24 . 0 13 . 0 Vario Spin Mio Beat ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 0.36 0.09 0.27 0.28 0.12 0.56 0.10 0.18 0.04 28 . 0 26 . 0 56 . 0 56 . 0 56 . 0 27 . 0 07 . 0 07 . 0 07 . 0 07 . 0 23 . 0 29 . 0 24 . 0 24 . 0 24 . 0 22 . 0 38 . 0 13 . 0 13 . 0 13 . 0 Vario Spin Mio Beat

Matrik Prioritas Bobot Kriteria

•  Sehingga keputusan akhir pemilihan untuk rekomendasi pembelian motor matic dengan adanya penambahan sub-kriteria Model didapatkan nilai tertinggi pada Honda Vario.

Latihan Individu

•  Berdasarkan Case Study 1, tentang sistem pengambilan keputusan

pemilihan untuk rekomendasi pembelian motor Matic pada contoh,

jika seorang user menambahkan lagi satu kriteria yaitu ”Harga”

dengan spesifikasi berikut :

–  Tujuan/ Goal : Pemilihan Sepeda Motor Matic.

–  Kriteria : Model (M), Kehandalan (K), Kapasitas Bahan Bakar (KBB), Harga (H)

•  Kriteria Kualitatif : Model (M), Kehandalan (K)

•  Kriteria Kuantitatif : Kapasitas Bahan Bakar (KBB), Harga (H)

–  Alternatives : Honda Beat, Yamaha Mio, Suzuki Spin, Honda Vario.

Tentukan hasil keputusan akhir pemilihan untuk rekomendasi

pembelian motor Matic dari kasus tersebut !

Model Kehandalan Kapasitas Harga

Model 1 3 2 3

Kehandalan 1/3 1 2 2

Kapasitas 1/2 1/2 1 3

Harga 1/3 1/2 1/3 1

Harga Motor Rupiah

( @ x 100000 )

Beat 138

Mio 137

Spin 128

Vario ₁₄₇

Tugas Kelompok

•  Bedah Paper II

•  Dalam semester ganjil ini, Prodi TIF ingin memilih 2

mahasiswa PTIIK UB untuk menjadi Asisten Praktikum

MK Pemrograman Dasar :

–

 

Tujuan/ Goal

: Pemilihan Asisten praktikum

–

 

Kriteria

: Nilai Pemograman Dasar Mahasiswa yang

bersangkutan (N), Wawancara (W), Tes koding (TK) dan Test

Tulis (TT).

–

 

Alternatif/ Mahasiswa

: Mhs 1, Mhs 2, Mhs 3, Mhs 4, Mhs 5.

Tentukan hasil akhir Pengambilan Keputusan Pemilihan

Asisten Praktikum tersebut!

Note : Buat matrik perbandingan bebas, namun harus tetap

logis dan ilmiah sesuai dengan kreatifitas kelompok anda.

Final Project

•

 

Minggu Ke-9 :

–

  Fix

Judul

•

 

Minggu Ke-10

–

 

Contoh Template Dokumentasi