ANALYTIC
NETWORK
PROCESS
UNTUK PENGAMBILAN KEPUTUSAN DALAM LINGKUNGAN BISNIS YANG KOMPLEKS
ANALYTIC
NETWORK
PROCESS
UNTUK PENGAMBILAN KEPUTUSAN DALAM LINGKUNGAN BISNIS YANG KOMPLEKS
ANALYTIC
NETWORK
PROCESS
UNTUK PENGAMBILAN KEPUTUSAN DALAM LINGKUNGAN BISNIS YANG KOMPLEKS
BAB ..
KATA PENGANTAR
nalytic Network Process (ANP) adalah kerangka analitis
komprehensif yang tersedia saat ini bagi pengambil keputusan untuk menganalisis keputusan masyarakat, pemerintah, dan perusahaan. ANP memungkinkan seorang analis memasukkan semua faktor dan kriteria, baik yang berwujud maupun tidak, berkenaan dengan pengambilan keputusan terbaik. ANP memungkinkan adanya ketergantungan dan umpan balik antar elemen dalam klaster (inner dependence) dan antar klaster (outer dependence). Umpan balik mampu menangkap dengan baik pengaruh interaksi, utamanya ketika pengambil keputusan dihadapkan pada risiko dan ketidakpastian dalam lingkungan bisnis yang kompleks. ANP menggunakan system of pairwise comparisons untuk mengukur bobot komponen struktur, dan pada gilirannya membuat peringkat alternatif pilihan terbaik yang mesti diambil. Tujuan utama buku ini adalah untuk membantu pengambil keputusan menjadi pemimpin yang memiliki tekad dan tekun, kreatif, negosiator efektif, rujukan pengambilan keputusan yang krusial, dan sebagai pelaku sekaligus pelaksana sebuah ide dan rencana program.
ANP yang dikembangkan oleh Thomas L. Saaty, menyediakan cara memasukkan penilaian dan pengukuran guna mendapatkan prioritas skala rasio untuk distribusi pengaruh antar faktor-faktor dan kelompok faktor dalam keputusan. Skala rasio memungkinkan analis membuat alokasi sumber daya sebanding, sesuai dengan prioritas yang dihasilkan. Teori
A
keputusan dari Saaty yang telah lebih dahulu terkenal, yakni Analytic Hierarchy Process (AHP) merupakan kasus khusus dari ANP. AHP dan ANP menghasilkan prioritas skala rasio dengan membuat perbandingan berpasangan elemen pada kriteria atau indikator reflektif. Meskipun banyak masalah keputusan dapat dipelajari dengan baik melalui ANP, tetapi analis mungkin tetap saja ingin membandingkan antara hasil yang diperoleh dengan teknik ANP dan AHP atau pendekatan pengambilan keputusan lain, utamanya dalam hal alokasi waktu yang dibutuhkan untuk memperoleh hasil, besarnya upaya dalam membuat penilaian, serta relevansi dan akurasi hasil.
Model ANP memiliki tiga bagian keputusan, yaitu (a) strategic criteria dalam hal keputusan mana yang dievaluasi sesuai dengan kepantasan (merit) Benefits, Opportunities, Costs and Risk (BOCR); (b) control criteria dan mungkin control subcriteria; (c) decision network untuk menentukan prioritas alternatif keputusan. Prioritas kepantasan dan control criteria tersebut kemudian digunakan untuk mensintesis prioritas alternatif sehingga diperoleh jawaban final terbaik. Supermatrix dengan segala kelebihannya merupakan alat dasar yang dibutuhkan dalam ANP.
ANP telah diaplikasikan dalam berbagai macam keputusan, seperti: pemasaran, kesehatan, politik, militer, sosial, lingkungan, dan prediksi. Akurasi prediksinya yang mengesankan dimanfaatkan untuk mengamati kecenderungan ekonomi, olahraga, dan kejadian lainnya. Aplikasi ANP lintas berbagai isu strategis disertakan dalam buku ini.
Buku teks ini tidak mungkin hadir tanpa banyak pribadi mulia yang berperan penting dalam kehidupan profesional dan pribadi penulis. Penghargaan terdalam penulis sampaikan kepada Dr.T.Olviana, Dr.G.N. Wiratanaya, Dr.N.W.S.Astiti, I D.G.R.Sarjana, MMA, dan D.N.P.M.Sentanu,SP yang menginspirasi penulis untuk mewujudkan draft awal tulisan menjadi buku teks.
Akhirnya, penghargaan khusus penulis persembahkan kepada istri tercinta, Dra. Ni Made Rahadi, kedua putra kami, dr.Aditya Prabawa,Sp.OG. & keluarga dan Dwitya Aribawa,MBA,Ph.D atas segala
pengertian dan dukungan yang tiada henti, tanpa semua itu buku teks ini tidak akan selesai.
Denpasar, 25 Desember 2017 Penulis Email: [email protected]
BAB ..
DAFTAR ISI
KATA PENGANTAR v
DAFTAR ISI ix
BAB 1 PENGANTAR 1
1.1 Model Hirarkis Versus Network 1
1.2 Literatur dan Komunitas ANP 2
BAB 2 SOFTWARE SUPER DECISIONS 5
2.1 Saaty Sang Kreator ANP & Super Decisions 5
2.2 Creative Decisions Foundation (CDF) 6
2.3 Super Decisions 8
BAB 3 PENGEMBANGAN MODEL AHP 3
3.1 Layar Pembukaan Super Decisions V.3.0 3
3.2 Perintah Menu Utama 14
3.3 Model Keputusan Relatif 14
3.4 Tiga-level hirarki untuk Memilih Tempat Liburan 15 Terbaik
3.5 Membangun Hirarki Keputusan 15
3.6 Lebih Lanjut tentang Judgements 20 3.7 Memasukkan Penilaian (Matrix Mode) 23
3.8 Matrix Setelah Peningkatan Penilaian 25
3.9 Limit Supermatrix 27
BAB 4 STABILITAS MODEL 33
4.1 Studi Sensitivitas pada Model 33 4.2 Menghasilkan Grafik Sensitivitas 34
4.3 Interpretasi Sensitivitas 35
BAB 5 DARI MODEL HIERARKIS KE MODEL JEJARING 37
5.1 Berfikir Hirarkis dan Pembentukan Model Hirarkis 37 dengan Super Decisions V.3.0
5.2 Berfikir Hirarkis 37
5.3 Menetapkan Prioritas untuk Kriteria 39
5.4 Membuat Perbandingan 40
5.5 Unweighted Supermatrix 41
5.6 Limit Supermatrix 42
5.7 Perubahan Prioritas dari Model AHP ke ANP 43
BAB 6 MODEL RATINGS 45
6.1 Demo Model Ratings 45
6.2 Prosedur Membuat Model Ratings Menggunakan 47 Super Decisions V.3.0
6.3 Empat Langkah Pemeringkatan 48
6.4 Evaluasi Alternatif pada Ratings Table 51
BAB 7 TINJAUAN LITERATUR APLIKASI ANP 53
BAB 8 SELEKSI STRATEGI PEMBERDAYAAN KELOMPOK 61
USAHA DENGAN ANP
BAB 9 MODEL ANP DENGAN BOCR 67
9.1 Pilihan Sistem Produksi PLAB 67
9.2 Model Kompleks Multilayer ANP with BOCR 68 9.3 Aplikasi Model Pilihan Sistem Produksi 74 Menggunakan Super Decisions V.3.0
9.4 Prioritas Ratings untuk BOCR 76
9.5 Control Criteria Networks 78 9.6 Decision Networks 79
9.7 Sintesis Model Keseluruhan 80
9.8 Stabilitas Model 89
BAB 10 MEMBUAT PETA STRATEGI DENGAN PENDEKATAN 93
HYBRID ISM DAN ANP
10.1 Pendekatan Hybrid ISM dan ANP dalam Format BSC 93 10.2 ISM dan Rekayasa Tujuan Strategis Organisasi 95
10.3 Membuat Peta Strategi 101
DAFTAR PUSTAKA 105
GLOSARIUM 115
BAB 1
PENGANTAR
nalytic Network Process (ANP) yang digunakan dalam analisis
keputusan multikriteria (multi-criteria decision analysis) merupakan bentuk yang lebih umum dari Analytic Hierarchy
Process (AHP) yang telah populer lebih dahulu. Dalam AHP, masalah
keputusan disusun ke dalam sebuah hierarki, meliputi tujuan, kriteria keputusan, dan alternatif, sementara ANP menyusunnya menjadi sebuah jejaring (network). Kedua model keputusan tersebut menggunakan sistem perbandingan berpasangan (system of pairwise comparisons) untuk mengukur bobot (weights) komponen struktur, dan pada gilirannya membuat peringkat alternatif pilihan terbaik yang mesti diambil.
1.1 Model Hirarkis Versus Network
Dalam AHP, sebuah elemen dalam hirarki dianggap independen terhadap elemen yang lain; kriteria keputusan dianggap independen satu sama lain, demikian pula alternatifnya. Namun, dalam banyak kasus dunia nyata (real
life), terdapat hubungan saling ketergantungan antar butir kriteria dan
alternatifnya (Contoh sederhana model ANP real life disajikan pada bab 7 buku ini). ANP tidak mensyaratkan adanya independensi antar elemen, sehingga, dalam kasus ini, dapat dijadikan sebuah effective tool.
Sebagai ilustrasi, pertimbangkan kasus klasik yang sering digunakan Saaty (Saaty, 1996; Saaty, 2003), yakni: model keputusan sederhana untuk membeli mobil sebagai berikut.
a. Pembeli ingin membeli mobil sedan dengan harga yang terjangkau. Pembeli mendasarkan keputusan pembeliannya hanya pada tiga faktor, yakni harga beli, keamanan, dan kenyamanan.
b. AHP dan ANP menyediakan kerangka (frameworks) yang bermanfaat dalam pengambilan keputusan tersebut. AHP berasumsi bahwa harga beli, keamanan, dan kenyamanan tidak tergantung satu sama lain, dan mengevaluasi masing-masing merk sedan secara independen pada kriteria tersebut. Sementara ANP memungkinkan adanya saling ketergantungan, baik antar harga, keamanan, maupun kenyamanan. c. Jika seorang pembeli dapat lebih aman atau nyaman meskipun dengan
membayar lebih (apa lagi memperoleh potongan harga) untuk mobil yang dikehendaki, maka untuk kasus ini, ANP dapat menanganinya dengan baik. ANP memungkinkan decision criteria dipengaruhi oleh karakteristik merk sedan yang sedang dipertimbangkan. Jika, pilihan jenis sedan sangat aman, maka pentingnya keamanan sebagai kriteria keputusan secara gradual dikurangi sampai level yang sewajarnya.
1.2 Literatur dan Komunitas ANP
Artikel akademis tentang ANP muncul di jurnal yang membahas ilmu keputusan. Beberapa buku telah ditulis oleh Saaty mengenai masalah ini (Saaty, 1996; Saaty, 2005; Saaty dan Vargas, 2006; Saaty dan Cillo, 2009). Literatur dan artikel Saaty tersebut berisi ratusan contoh proses rumit yang dikembangkan oleh para eksekutif, manajer, insinyur, mahasiswa MBA dan Ph.D. dari berbagai negara, seperti United States, Brazil, Chile, Czech Republic, Germany, India, Indonesia, Italy, Korea, Poland, Russia, Spain, Taiwan, dan Turkey. Kontribusi ratusan penulis aplikasi ANP diilustrasikan dan dibahas dalam The Encyclicon yang merupakan sebuah kamus keputusan dengan ketergantungan dan umpan balik (Saaty dan Orzarmir, 2009). Akademisi dan praktisi bertemu setiap dua tahun pada
meski namanya mengandung AHP, tetapi mencurahkan perhatian lebih pada ANP.
Mempelajari beragam model ANP, termasuk model hybrid dengan teknik MCDM lain (lihat bab 10 buku ini) dapat menjadi referensi berguna bagi para analis untuk mengembangkan model, termasuk model ANP pada berbagai bidang yang diminati (Olviana et al. 2014; Darmawan et al., 2017). Ada banyak aplikasi praktis ANP, satu di antaranya adalah model keputusan kompleks multilayer berkenaan dengan kepantasan (merit) BOCR (Benefits, Opportunities, Costs and Risks) a.k.a ANP with BOCR (Saaty, 2001; Saaty & Vargas, 2006; Wiratanaya et al., 2015).
Pemahaman terbaik tentang ANP diperoleh dengan menggunakan Super Decisions V.3.0, the only free educational software, untuk mengapresiasi model-model keputusan yang telah selesai dianalisis sebelumnya. Pada Super Decisions, aplikasi praktis ANP disajikan pada perintah Help, Sample Models (terdapat 10 folder, termasuk folder Tutorial_Models). File model keputusan sederhana pembelian mobil yang ada dalam folder tersebut juga merupakan referensi buku ini.
BAB 2
SOFTWARE
SUPER DECISIONS
2.1 Saaty Sang Kreator ANP & Super Decisions
homas L. Saaty (1926 – 2017) membuat dampak yang belum pernah terjadi sebelumnya (unprecedented) pada dunia pengambilan keputusan. Professor Thomas Saaty lahir di Mosul, di Irak yang dikelola Inggris pada tahun 1926 menyelesaikan pendidikan PhD bidang Matematika, di Universitas Yale, pada 1953. Saaty memegang kursi Distinguished University Professor, Katz School of Business, University of Pittsburgh, Pittsburgh, Pennsylvania, USA.
Thomas L. Saaty adalah kreator Analytic Hierarchy Process (AHP), sebuah metode untuk mengukur hal-hal yang tidak berwujud (intangibles) dalam pengambilan keputusan dengan membuat penilaian pada pasangan elemen sehubungan dengan properti yang dimiliki bersama. Dalam masalah multi-kriteria, langkah-langkah ini digabungkan menggunakan struktur hirarkis atau jejaring (hierarchical or network structure) untuk memilih yang terbaik dari beberapa alternatif. Dengan menggunakan AHP, ukuran kinerja multi-kriteria dapat dikembangkan untuk mengukur potensi manfaat projek dan inisiatif sehingga sumberdaya dapat digunakan di tempat yang paling mungkin untuk mencapai tingkat pengembalian terbesar.
Kekuatan metode Saaty terletak pada kemampuannya untuk mengukur yang tidak berwujud dan metode ini membawa ketepatan keputusan dan sains matematika untuk menjawab persoalan yang kabur, kompleks, dan multidimensi (murky, complex, multidimensional), dalam kondisi yang terus berubah. Intinya, metode Saaty ini mengkuantifikasi nilai pilihan yang berbeda, dan menciptakan kerangka kerja sehingga analis dapat memprioritaskan faktor dalam sebuah keputusan tanpa merasa terbebani oleh timbal balik.
AHP yang diciptakan Saaty mencapai prestasi besar melalui penataan, penentuan prioritas, analisis skenario, dan alokasi sumberdaya (structuring, prioritization, scenario analysis, and resource allocation). Proses ini membantu memprioritaskan atribut keputusan dengan menggunakan perbandingan berpasangan yang unik yang menghasilkan nilai numerik untuk alternatif dalam sebuah keputusan, memprioritaskan dan membuat peringkat (ranking). Saaty selalu memperhatikan validasi karyanya, dan sampai pada akhirnya, dia telah menghasilkan ratusan contoh validasi untuk menunjukkan bahwa pendekatan perbandingan berpasangan (pairwise comparison approach) adalah metode penentuan prioritas yang lebih akurat daripada hanya menetapkan nomor urut (simply assigning
ordinal numbers). Thomas L. Saaty kemudian membuat generalisasi AHP
yang berbasis pemodelan hierarkis menjadi Analytic Network Process (ANP) untuk pengambilan keputusan dengan ketergantungan dan umpan balik, dan Neural Network Process (NNP) untuk pemrosesan keputusan saraf.
2.2 Creative Decisions Foundation (CDF)
Creative Decisions Foundation (CDF) didirikan pada tahun 1996 oleh Thomas
L. Saaty dan istrinya, Rozann Whitaker Saaty. Yayasan ini adalah yayasan pribadi dengan tujuan mendidik orang-orang di dunia untuk membantu mereka membuat keputusan yang lebih rasional. Yayasan ini mensponsori pengembangan pendidikan, penelitian, dan perangkat lunak berkenaan dengan metode pengambilan keputusan lanjutan yang melibatkan AHP. Hal yang menarik dalam konteks ini adalah pengambilan keputusan kelompok tentang masalah masyarakat, resolusi konflik, dan optimalisasi
alokasi sumberdaya untuk organisasi swasta dan pemerintah. Yayasan ini merekognisi dan mendukung pendidik, penulis, dan praktisi yang bekerja di bidang keputusan kreatif.
2.3 Super Decisions
Super Decisions v.3.0 adalah satu-satunya perangkat lunak pendidikan
gratis (the only free educational software) yang menerapkan AHP dan ANP dan dikembangkan oleh pencipta metode ini, Thomas L. Saaty. SuperDecisions merupakan perangkat lunak pendukung keputusan yang mengimplementasikan AHP dan ANP. AHP/ANP adalah metodologi sintesis yang paling kuat untuk menggabungkan penilaian dan data (combining judgment & data) untuk menentukan peringkat pilihan secara efektif dan memprediksi hasil (rank options & predict outcomes). Perkembangan dan perawatannya disponsori oleh Creative Decisions
Foundation (CDF).
Perangkat lunak Super Decisions V.3.0 diperoleh dengan cara berikut: lakukan register, masuk ke bagian Downloads, pilih menu sebelah kiri versi dan sistem operasi dan klik download. Dengan melakukan itu, analis menunjukkan persetujuan untuk mematuhi lisensi perangkat lunak. Panduan ringkasnya (quick start guide) sebagai berikut.
a. Login atau mendaftar ke situs ini, jika memiliki akun untuk situs web: creativedecisions.net, analis dapat menggunakan informasi tersebut untuk masuk. Contohnya, User:dwi_darmawan, Password: 610t0n9_prof).
b. Pilih sistem operasi dan versi yang diinginkan dari menu sisi kiri. c. Klik link download di halaman versi untuk memulai download.
d. Jangan meninggalkan halaman sebelum menyalin nomor seri personal untuk menjalankan SuperDecisions.
e. Sebagai contoh, pada Account Super Decisions V.3.0 SerialKey, muncul pernyataan: V3.0 Beta Serial number. This is your personal serial number: 377A-73B7P-CA6Y.This key expires on: June 2018. To renew go to your account page and click "Your SuperDecisions Serial Keys") (jika lupa menyalin nomor seri, analis dapat selalu masuk ke situs ini dan membuka user page (tautan dengan nama pengguna di menu bar paling atas) dan ambil kembali atau perpanjang jika sudah kedaluwarsa).
Pada menu Help terdapat informasi designer produk Super Decisions V.3.0, yaitu Bill Adams & Elena Rokou dan the Creative Decisions Foundation (CDF). Windows 3.0 Beta adalah versi beta terbaru dari perangkat lunak SuperDecisions yang menyediakan interface baru dan fitur yang disempurnakan sebagai berikut: (a) single window experience; (b) kreasi dan pengeditan komponen yang cepat; (c) tampilan kompak model BOCR (Benefits-Opportunities-Costs-Risks) kompleks dan multi-level; (d) proses yang disederhanakan untuk membuat rating models.
Sangat dihargai jika analis menyampaikan pertanyaan atau bug ke Creative Decisions Foundation, lewat layanan: Bugs & Support. Jika terjadi masalah pada saat penginstalan, lihat halaman pemecahan masalah (link). Super Decisions V.3.0 menyediakan halaman tutorials untuk presentasi dan video yang bermanfaat terkait cara menggunakan perangkat lunak. Super
Decisions juga menyediakan sample models untuk contoh model pada subyek yang berbeda.
Mengingat bahwa Super Decisions V.3.0 merupakan satu-satunya software pendidikan gratis yang diberikan sebagai hadiah kepada dunia, maka materi-materi yang disediakan Super Decisions 3.0 (diunduh gratis pada situs web: http://www.creativedecisions.net) dijadikan rujukan dalam pengoperasian Super Decisions V.3.0 pada bab 3-6 berikut, agar diperoleh gambar besar aplikasi sekaligus apr
BAB 3
PENGEMBANGAN MODEL AHP
3.1 Layar Pembukaan Super Decisions V.3.0
anel informasi digunakan untuk memasukkan informasi node dan klaster, serta membuat koneksi model Analytic Hierarchy Procsss (AHP) a.k.a model hirarkis. Jika network tab yang dipilih, maka akan muncul kanvas/layar area kerja untuk membuat klaster, node, dan koneksi yang dipertimbangkan.
3.2 Perintah Menu Utama
Super Decisions V.3.0 memiliki lima perintah menu utama, yakni File, Design, Assess/Compare, Computations, sanity check, dan Help dengan penjelasan sebagai berikut.
File. Perintah file, seperti biasa, terdiri atas ekspor
Super-matrices ke file.txt dan laporan model Print. File Super Decisions yang lama memiliki ekstensi .mod, sedangkan file baru (Super Decisions V.3.0) memiliki ekstensi .sdmod.
Design. Perintah Design digunakan untuk membuat dan
menghapus subnetwork, membuat koneksi node (metode alternatif), dan bekerja dengan rumus untuk menggabungkan hasil dari subnet.
Assess/Compare. Perintah ini untuk melakukan
perbandingan berpasangan (pairwise compaisons), masukkan prioritas langsung dan meningkatkan konsistensi.
Computations. Perintah Computations ini mensintesis
(synthesize) hasil, tampilan supermatrices, melakukan analisis sensitivitas, dan untuk sanity check (bermanfaat untuk mencari perbandingan yang tidak lengkap).
Help. Perintah ini memberikan informasi tentang versi Super
Decisions yang digunakan, membuat tautan secara online ke menu Help, serta model-model contoh dan tutorial.
3.3 Model Keputusan Relatif
Buku ini dirancang sebagai panduan aplikasi sekaligus apresiasi model hirarkis menggunakan software Super Decisions V.3.0. Dalam upaya tersebut, digunakan ilustrasi model keputusan hirarkis sederhana, yakni memilih yang terbaik dari tiga tempat liburan dengan view pantai di Bali. Alternatif tersebut dibandingkan secara berpasangan (pairwise compared) terhadap kriteria, sehingga disebut pula model “relative”.
3.4 Tiga‐level hirarki untuk Memilih Tempat Liburan
Terbaik
Semua tautan (link) model hirarkis adalah dari node ke node. Sebuah link dari satu klaster ke klaster yang lain secara otomatis muncul jika beberapa node dalam sebuah klaster terhubung ke beberapa node dalam klaster lain. Super Decisions V.3.0 menyertakan file pendidikan: Tutorial_1_Acura_Relative_Model.sdmod (diperoleh melalui menu Help>Sample Models>Tutorial Models. Selanjutnya, sampel model itu dapat digunakan sebagai contoh kasus exercise untuk memperjelas prinsip-prinsip dan aplikasi ANP, serta penyesuaian pengoperasian dari Super Decisions yang lama ke Super Decisions V.3.0.
3.5 Membangun Hirarki Keputusan
Cara mengkreasi model hirarkis sebagai berikut: pada perintah File>New, dipilih nama sebuah simple network atau masukkan sebuah nama untuk model yang akan disimpan dalam folder dokumen secara default atau pilih folder lain. (Cara yang lain adalah dengan membangun pada kanvas kosong, dengan memilih File>Save As dan masukkan sebuah nama untuk file dengan ekstensi .sdmod).
Klik “+” Menu Icon untuk membuat klaster baru
Klaster baru dibuat dengan mengklik ikon menu “+” dan panel Create/Edit
Details yang merupakan tempat memasukkan nama dan deskripsi akan
terbuka.
Memasukkan rician informasi klaster
Berikut adalah cara memasukkan detail informasi klaster.
a. Klik ikon menu “+” untuk membuka panel Create/Edit untuk memasukkan informasi klaster baru.
b. Masukkan nama klaster dan deskripsinya. c. Klik Save untuk menyimpan klaster.
Menambahkan Goal Node ke dalam Goal Cluster
Klik “Add Node” untuk memasukkan nama node dan deskripsinya secara rinci pada panel Create/Edit.
Mnambahkan klaster dan node lainnya
Mengawali nama klaster dan node dengan angka akan memudahkan analis dalam mengontrol urutan-urutan dalam supermatriks yang muncul sesuai dengan urutan alfabetik. Mengklik ikon minimize akan mengecil-besarkan tampilan klaster. Perhatikan bahwa klaster yang mengandung node alternatif harus diberi nama Alternative untuk menunjukkan hasil dalam perintah Synthesize (dimungkinkan pula kalau analis ingin mengawalinya dengan angka).
Mengubungkan Goal Node dengan Criteria Nodes
Berikut adalah cara mengubungkan goal node dengan criteria nodes. a. Klik Goal Node untuk memilih node itu.
b. Buka panel Make/Show Connections
c. Goal akan muncul sebagai parent (from) node d. Klik node kriteria untuk menghubungkannya.
Catatan: Jika analis belum memilih node induk (parent node), tanda anak panah tidak muncul (bidang akan kosong). Klik dan pilih node yang
diinginkan untuk parent node. Klik di bawah panel untuk firmly record (berwarna biru) checked box terakhir.
Menghubungkan Criterion Node dengan Alternative Node
Berikut ini didemonstrasikan jalan pintas (shortcut) untuk membuat koneksi. Klik ikon Make/Show Connection, kemudian klik-kiri node induk dan klik-kanan pada masing-masing node anak.
Membuat beberapa koneksi sekaligus
Koneksi dapat dibuat sekaligus dengan cara mengklik shortcut mode Connection, kemudian Shift dan klik-kiri untuk memilih seluruh node induk. Shift dan klik-kanan seluruh node anak dari seluruh node induk tersebut.
Menempatkan subkriteria ke dalam Model hirarkis
Penempatan subkriteria ke dalam model hirarkis sebagai berikut: buat klaster terpisah untuk subkriteria dari kriteria yang memiliki subkriteria (Catatan: keempat kriteria tempat liburan kebetulan tidak memiliki subkriteria dan terhubung langsung ke alternatif).
Menghapus Loop link yang tidak diinginkan
Sebuah loop link akan muncul pada klaster ketika sebuah node atau beberapa node terhubung ke node yang lain dalam klaster yang sama. Untuk menghilangkan loop yang tidak dikehendaki, lakukan klik-kiri pada latar belakang klaster, kemudian pilih remove loop dari menu
Menunjukkan Node Induk yang terhubung
Klik pada icon Make/Show Connections, kemudian pilih sebuah node. Node yang terhubung akan dikelilingi batas garis berwarna merah.
Unweighted supermatrix sebelum membuat perbandingan berpasangan (pairwise comparisons)
Semua node terhubung dari sebuah parent node memiliki prioritas pada kolom di bawah node itu. Sebagai contoh, node dalam klaster Criteria terhubung dari node Goal dengan bobot merata, masing-masing sebesar 0.25 sebelum memasuki penilaian. Prioritas node pada setiap klaster dalam kolom jumlahnya adalah 1.0. Supermatrices berbentuk persegi serta memiliki kolom dan baris untuk setiap node. Node tersebut dikelompokkan menurut klaster di mana node tersebut berada.
(Kiat: Untuk menampilkan unweighted supermatrix dari menu, pilih
Computations> UnweightedSuperMatrix>Graphical. Kemudian, pilih
File>Export> Unweighted SuperMatrix untuk mengekspornya sebagai sebuah file .txt)
Menyembunyikan panel informasi dan meminimalkan klaster
Panel informasi disembunyikan dari tampilan Super Decisions V.3.0 dengan cara mengklik ikon Show/Hide. Untuk mengecil-besarkan sebuah klaster, klik tombol minimize.
Berpindah ke pembuatan putusan
Klik Node Goal untuk memilihnya. Kemudiaan, klik tab Judgments untuk masuk ke mode assessments (tersedia 5 mode perbandingan berpasangan), dilanjutkan membuat perbandingan berpasangan. Mode Questionnaire terbuka secara default untuk model baru dengan node terpilih (dalam hal ini node Goal) sebagai parent node. Pada model lain, akan terbuka mode terakhir yang digunakan untuk node tersebut. Berikut perbandingan berpasangan wrt Goal node dalam 2Criteria Cluster pada mode Questionnaire
3.6 Lebih Lanjut tentang Judgements
Ada lima kemungkinan mode menginput penilaian. Penilaian yang telah diinput ke dalam salah satu modus akan muncul sebagai penilaian ekivalen dalam modus lain, kecuali untuk mode questionnaire yang merupakan penilaian pembulatan (rounds off judgments).
Tahapannya adalah sebagai berikut.
a. Pilihan tab menunjukkan apakah pembandingan node atau klaster (perhatikan, pembadingan klaster tidak dimungkinkan dalam model hirarkis).
b. Pilih node induk untuk pembandingan.
c. Pilih klaster yang mengandung node anak untuk dibandingkan dengan memperhatikan node induk.
d. Seluruh penilaian secara otomatis disimpan ketika analis kembali ke jejaring atau ke pembandingan set yang lain.
e. Tombol Restore akan membawa kembali ke penilaian awal jika analis
mengunjungi kembali (revisit) dan membuat perubahan pada penilaian asli untuk kelompok yang sedang dipertimbangkan.
Matriks perbandingan berpasangan pada Super Decisions V.3.0 versus AHP tradisional
Matriks perbandingan berpasangan pada Super Decisions V.3.0 lebih efektif dibandingkan AHP tradisional.
a. Software Super Decisions V.3.0, misalnya, hanya dibutuhkan 3 penilaian vis-à-vis 9 pada yang tradisional.
b. AHP reciprocals pada Super Decisions V.3.0 ditunjukkan dengan warna merah. Misalnya, angka 4 berwarna merah artinya angka ¼ dan ujung anak panah merah menunjukkan elemen dominan (double-click untuk membalikkan arahnya).
c. Dalam teori AHP (lihat matriks diagonal dengan 9 penilaian), elemen diagonal selalu bernilai 1, sehinggatidak perlu ditunjukkan. Elemen di bawah diagonal selalu merupakan kebalikan penilaian padaa sel reciprocal di atasnya, sehingga tidak perlu ditampilkan pula (contohnya 1/8 ↔ 8), diekspresikan dengan rumus:
1
1
j ija
a
.Mulai Membuat Penilaian
Pembuatan penilaian diawali dengan melakukan klik-kiri pada node Goal untuk memilihnya kemudian klik pada tab Judgements untuk memperoleh mode penilaian Questionnaire. Analis dapat beralih ke modus
Matrix dengan cara mengklik tab matrix. Mengubah frase komparatif dengan klik-kiri di atas frase dan memilih importance. Copy ke clipboard, kemudian Paste ke Excel atau Word. Berikut perbandingan setiap node dalam 2Criteria Cluster pada 3Alternative Cluster.
3.7 Memasukkan Penilaian (Matrix Mode)
Mode matrix diinput dengan cara memasukkan penilaian dalam sel dengan mengetikkan nomor dari Fundamental 1-9 Scale. Arah anak panah (direction of the arrow) menunjukkan kriteria mana yang lebih penting. Klik dua kali (double-click) anak panah untuk mengubah elemen yang dominan. Dalam frase di atas matriks, elemen pertama adalah yang dominan. Anak panah yang mengarah ke atas (up arrow) berwarna merah dan menunjukkan elemen kolom, anak panah yang mengarah ke samping (side arrow) berwarna biru dan menunjukkan elemen baris. Parent node di sini adalah node Goal dan beberapa node Criteria yang sedang dibandingkan berkenaanan dengan Goal. Inconsistency harus kurang dari 0.10 (atau <10%).
Mengubah kata perbandingan dalam frase verbal
Frase perbandingan yang asli, misalnya, kriteria1Aktivitas sebanyak empat kali lebih disukai (preferable) dibandingkan dengan kritera 3Tamasya. Dalam konteks ini, lebih baik jika analis menggunakan kata penting (importance) untuk membandingkan kriteria dengan memperhatikan (with respect to, wrt) tujuan. Kemudian, lakukan klik-kanan pada preference dan pilih importance. Importance sekarang merupakan frase pembanding verbal.
Menunjukkan lengkapnya penilaian
Penilaian diakhiri dengan mengklik ikon Make/Display Connections dan pilih goal. Lengkapnya penilaian analis ditunjukkan dengan munculnya garis merah di sekitar klaster. Kelengkapan set penilaian yang diperoleh dengan cara mengklik ikon Make/Display Connections dan pilihan tujuan akan menunjukkan sebuah “red outline” di sekeliling klaster apabila penilaian analis telah lengkap.
Meningkatkan konsistensi (fasilitas ini hanya tersedia melalui Matrix Mode)
Konsistensi dapat ditingkatkan dengan cara mengklik tombol
Inconsistency (di sudut kiri atas matrix).
a. Pilih basis inconsistency Report.
b. Data pada sel baris 1Aktivitas, kolom 2Dunia malam menunjukkan Current Val. adalah 3 (warna merah) yang menunjukkan lebih penting daripada 1Aktivitas. Namun, nilai terbaiknya adalah sebesar 1.3736
(Best Val.) Jika keputusan tersebut direvisi, maka inkonsistensinya berubah lebih fit, dari 0.044 menjadi 0.017.
c. Untuk kembali ke sel dalam mode Matrix, lakukan klik-kiri pada salah satu sel nilai eksisting atau nilai terbaik. Analis dapat menggunakan nilai yang disarankan, atau nilai lainnya, atau membiarkan seperti apa adaanya dan lanjut ke baris 2. Jika nilai pada baris pertama telah diubah, maka analis harus kembali ke mode Matrix untuk update tabel dan memulai lagi proses perbaikan kesesuaian inkonsistensi cut-off value (<10%).
3.8 Matrix Setelah Peningkatan Penilaian
Meskipun nilai inkonsistensi yang original telah melewati batas cut-off value (<10%), tetapi nilai konsistensi tersebut tetap masih bisa ditingkatkan. Prioritas baru yang dihitung muncul pada unweighted Supermatrix.
Mode Perbandingan Lainnya
Mode perbandingan lainnya adalah mode Graphical dan verbal. Pada mode grafis ini, klik dan seret lingkaran (bukan pada bars) untuk mengubah penilaian. Penilaian seperti ini biasanya melibatkan angka desimal.
Tracking triangle menunjukkan, analis berasda pada sel mana. Untuk beranjak ke penilaian lain, klik sel selanjutnya. Pada mode Verbal, klik tombol pada sudut kiri atas untuk membalikkan (invert) dominansi. Analis dapat mengakhiri elemen dominansi.
Mode Questionnaire
Perintah Assessment/Compare secara default membuka mode questionnaire. Pilih penilaian di sisi kiri atau kanan dari angka nol pada questionnaire line yang terdekat dengan node “more important, more preferred, atau more likely”. Jika perlu, frase verbal dapat diubah sehingga terbaca dengan benar.
Tampilan questionnaire dibuka dengan kata dominansi yang salah, “moderately to strongly more Preference”. Klik-kiri pada frase dominansi itu untuk mendapatkan menu pilihan kata yang dimungkinkan dan yang paling tepat (dalam hal ini kata preference diganti dengan importance).
Mode Direct Data Assessment
Memasukkan data secara langsung dapat dilakukan melalui mode Direct. Data yang dimasukkan mungkin sudah dinormalkan (seperti yang ditunjukkan di sini) atau mungkin berupa angka yang mewakili biaya atau jarak yang akan dinormalkan oleh software Super Decisions V.3.0 untuk memperoleh vektor prioritas.
Klik Invert box ketika prioritas berbanding terbalik dengan data. Sebagai contoh, jika analis memasukkan biaya aktual (US dollar) ke tiga alternatif pilihan tempat vakasi untuk data kriteria, prioritas harus terbalik (inverted) karena biaya yang lebih rendah lebih disukai. Selanjutnya, akan muncul kalimat pengingat “Ini merupakan area input data langsung”. Ketik data baru di dalamnya dan/atau mengklik kotak prioritas Invert (di bagian bawah) yang akan membalikkan (invert) prioritas untuk data langsung ini. Perhatikan bahwa setiap perubahan yang dilakukan dalam data berdampak langsung dan menindih data yang telah dimasukkan menggunakan mode yang lainnya.
Data mungkin tidak sebagus penilaian personal seorang analis dalam menentukan prioritas. Biasanya, analis akan lebih baik menggunakan penilaiannya tentang berapa biaya liburan di suatu tempat bermakna, alih-alih menggunakan data secara langsung.
Supermatrices
a. Computations>UnweightedSupermatrix merupakan matriks yang berisi prioritas dari perbandingan berpasangan. Unweighted Supermatrix diperoleh dari nilai eigen vektor (yakni vektor kolom bukan nol yang bila dikalikan dengan matriks berukuran n*n akan
menghasilkan vektor lain yang memiliki nilai kelipatan dari eigen vektor itu sendiri) yang telah dihitung sebelumnya pada matriks perbandingan berpasangan antar node.
b. Computations>Weighted Supermatrix dihitung dengan cara mengalikan nilai unweighted supermatrix dengan nilai cluster matrix. Dalam model hirarkis, tidak ada bobot klaster dan weighted supermatrix adalah sama dengan unweighted.
c. Computations>Limit Supermatrix. Limit matrix diperoleh dengan menaikkan nilai (bobot) dari weighted supermatrix dengan cara mengalikan weighted supermatrix dengan dirinya sendiri sampai beberapa kali. Ketika nilai pada setiap kolom memiliki angka yang sama, maka limit matrix dikatakan telah stabil dan proses perkalian matriks tersebut dihentikan. Dalam kasus ini, stabilitas dicapai ketika semua kolom dalam supermariks yang sesuai dalam setiap node memiliki nilai yang sama (converges), meskipun tidak selalu demikian (in this case all columns are the same, though not always true).
Unweighted Supermatrix
Prioritas dari set perbandingan berpasangan dimasukkan ke dalam kolom dari parent node. (misalnya, prioritas Criteria di kolom Goal Node). Prioritas dari tempat vakasi berkenaan dengan kriteria berada di kolom Criteria yang relevan.
3.9 Limit Supermatrix
Hasil akhir diperoleh dari Limit Supermatrix. Dalam perangkat lunak Super Decisions V.3.0, limit supermatrix (dalam konteks model hirarkis)
diperoleh dengan cara mengalikan nilai dari weighted supermatrix dengan dirinya sendiri hingga setiap kolom pada satu baris pada matriks memiliki nilai yang sama. Limit Supermatrix diperoleh melalui perintah Computations>Limit matrix> Graphical.
Mengekspor Supermatrices
File-file berikut ini dapat diekspor sebagai file .txt menggunakan perintah File>Export.
Unweighted Supermatrix Weighted Supermatrix Limit Supermatrix Cluster Matrix
File .txt diimpor ke Excel menggunakan perintah File>Open. Pastikan analis memilih All Files untuk jenis file dengan perintah Open sehingga file .txt yang diekspor akan muncul. Klik yes melalui wizard untuk membukanya di Excel.
Tip: Umumnya lebih mudah untuk memilih angka desimal untuk menampilkan dan mengatur border styles di Excel sebelum mengcopynya.
Sintesis untuk mendapatkan hasil keseluruhan
Pilih Computations>Synthesis dan Normals untuk mendapatkan hasil, yakni yang merupakan nilai/prioritas dari klaster alternatives. Analis
harus memberi nama klaster Alternatives dengan beberapa variasi nama
alternatif untuk mendapatkan penyelesaian.
Raw values berasal dari Limit Supermatrix. Normalized values
masing-masing dengan nilai totalnya itu sendiri. Ideals diperoleh dengan membagi setiap Normals value dengan Normals value yang terbesar (largest Normals value). Prioritas sintesis keseluruhan menunjukkan bahwa pilihan terbaik tempat liburan menggunakan model hirarkis/AHP adalah 2Sanur, diikuti 3Kuta, dan 1Lovina.
Laporan
perintah Computations>Full Report dan perintah File>Print menghasilkan laporan file HTML yang sama tentang model. Analis dapat menggunakan versi Print Preview atau save as file .html. Laporan tersebut memberi nama dan deskripsi node dan cluster, serta prioritas penting (Catatan: hindarkan menggunakan laporan ini untuk membuat penugasan).
Sanity Check
Computations>Sanity Check mengungkapkan perbandingan yang tidak lengkap (incomplete comparisons) dan tujuan duplikat (duplicate goals) satu sama lain. Setiap kali analis menyelesaikan satu set perbandingan, analis harus menandainya sebelum melanjutkan ke set berikutnya. Perbandingan yang tanpa sengaja terlewatkan (unintentionally skipped comparisons) akan terdeteksi dengan perintah Sanity Check.
Pesan kesalahan akan muncul jika tidak menggunakan nama klaster khusus untuk versi kata Alternative (perhatikan: in English). Nama klaster yang diawali dengan angka, seperti 3alternatives, merupakan nama yang dapat diterima. Software Super Decisions V.3.0. memproses nama seperti itu dan menemukan node yang mana harus memberikan prioritas sintesis terekstraksi dari raw values dalam limit supermatrix. Prioritas sintesis pada setiap node, dapat dilihat pada limit supermatrix, yakni pada raw
values serta nilainya yang telah dinormalkan (Normals). Disebutkan pula
bahwa nilai Normals merupakan nilai masing-masing raw value dibagi dengan total raw value, sedangkan nilai Ideals adalah raw values dibagi dengan largest raw value.
Raw Values dari Limit Supermatrix
Sensitivitas Grafis
Analisis sensitivitas secara grafis (graphical sensitivity) dapat dilakukan melalui perintah Computations>Sensitivity. Pilih Edit>Independent Variable mengarahkan analis ke kotak Sensitivity input dan ubah Independent Variable untuk Goal. Grafik pertama yang muncul memiliki node pertama sesuai dengan urutan abjad dan terpilih sebagai node “with respect” (umumnya hal ini bukanlah yang diinginkan oleh para analis).
Selanjutnya, pilih Edit>Independent Variable dan pilih Goal sebagai variabel independen.
Mendapatkan Backup
Software Super Decisions V.3.0 tidak memiliki sistem backup otomatis, atau perintah un-do. Oleh karena itu, seorang analis perlu menyimpan secara teratur (frequently) destinasi liburan yang dikembangkannya. Sebagai contoh, analis dapat menyimpan modelnya dengan menggunakan urut-urutan atau versi sebagai berikut: Bali_Vacation1.sdmod, Bali_Vacation2.sdmod, dan seterusnya.
BAB 4
STABILITAS MODEL
4.1 Studi Sensitivitas pada Model
tudi sensitivitas, misalnya pada model hirarkis/ AHP, maknanya adalah menganalisis stabilitas prioritas alternatif dengan membuat simulasi variasi pada prioritas kriteria pada model hirarkis. Misalnya, jika aktivitas dianggap jauh lebih penting dibandingkan kriteria yang lain, apakah pilihan terbaik untuk vacation places di Bali akan berubah? Pilihan jatuh pada tempat yang mana? Dengan proporsi aktivitas berapa banyak?
Analisis sensitivitas dapat dilakukan, baik untuk kriteria maupun subkriteria. Untuk melakukan sensitivitas grafis, dipilih perintah Comput-ations>Sensitivity (Ctrl-U). Perintah Edit>Independent Variable untuk memunculkan kotak pilihan input Sensitivitas dan menggganti Independent Variable menjadi Goal. Grafik pertama yang muncul adalah node pertama sesuai dengan urutan abjad (alphabetically), selanjutnya terpilih sebagai node wrt (with respect to).
Umumnya, variabel independen 1Aktivitas yang muncul bukanlah yang diinginkan oleh analis. Dalam konteks ini, yang perlu dipilih sebagai variabel independen adalah Goal, bukan 3Kuta. Langkah-langkah sensitivitas grafis sebagai berikut.
a. Pilih perintah Edit> Independent Variable.
b. Pada kotak Selected Node sorot node yang tampil (dalam hal ini 3Kuta) kemudian klik Edit.
c. Pada Input Parameter Box pilih Parameter Type: Supermatrix, Wrt Node: Node Goal, kemudian pilih salah satu kriteria sebagai 1st other node (misalnya, pilih 1Aktivitas). Klik pada tombol di sebelah kanan untuk memunculkan kotak drop down dengan pilihan lainnya.
4.2 Menghasilkan Grafik Sensitivitas
Sensitivity Graph untuk 1Aktivitas diperoleh dengan langkah-langkah sebagai berikut.
a. Menunjukkan Selected Node Box b. Mengatur Parameters Box
c. Memperbarui (updated) Parameters d. Sensitivity Graph untuk node 1Aktivitas.
(a) (b)
(c) (d)
Prioritas 1Aktivitas diberikan pada sumbu X. Garis vertikal yang muncul dimulai pada prioritas 1Aktivitas sebesar 50%. Prioritas tempat vakasi untuk 1Aktivitas 50%, ditunjukkan oleh interseksi dengan garis vertikal.
4.3 Interpretasi Sensitivitas
Interpretasi hasil simulasi adalah: jika prioritas yang dihasilkan untuk 1Aktivitas kurang dari 40%, maka 2Sanur (nilai prioritas asli 0.4927) adalah tempat yang akan dipilih. Namun, 1Aktivitas yang di atas 40%, maka 3Kuta adalah tempat liburan terbaik.
Interpretasi stabilitas odel di atas lazim digunakan dalam berbagai artikel ilmiah (lihat Saaty, 2001). Meskipun demikian, software Super Decisions V.3.0 juga menyediakan fasilitas Node Sensitivity dengan pilihan: Plot, Barchart, PieChart, dan Horz Barchart.
BAB 5
DARI MODEL HIERARKIS KE MODEL JEJARING
5.1 Berfikir Hirarkis dan Pembentukan Model Hirarkis
dengan Super Decisions V.3.0
alam AHP, masalah keputusan disusun secara hirarkis. Sebagai contoh model hierarkis “relative” vakasi di Bali yang fokus pada klaster Goal Kriteria, dan alternatif dan setiap elemen dalam klaster dianggap independen satu sama lainnya. Dalam ANP, persoalan disusun dalam jejaring analitis dan, dalam konteks di atas, hanya dalam klaster kriteria dan alternatif.
5.2 Berfikir Hirarkis
D
Model hirarkis dengan Super Decisions V.3.0
Perubahan dari model hierarchical ke model network
Dari ilustrasi di atas, tampak bahwa sebuah model jejaring memiliki klaster Criteria dan klaster Alternatives, tetapi tidak memiliki klaster Goal seperti pada model hirarkis. Berikut ini langkah-langkah perubahan dari model hirarkis/ AHP ke model jejaring/ANP.
a. Membandingkan klaster Alternatives berkenaan dengan (with respect
to, wrt) setiap node dalam klaster Criteria (seperti yang biasa dilakukan
b. Membandingkan Criteria berkenaan dengan masing-masing pilihan vakasi dalam klaster Alternatives untuk mendapatkan profil tentang betapa pentingnya criteria untuk setiap vakasi.
c. Proses sintesis (synthesize) untuk memperoleh prioritas keseluruhan (overall priorities) untuk memilih vakasi.
5.3 Menetapkan Prioritas untuk Kriteria
Dalam AHP, seseorang menjawab pertanyaan: “Seberapa penting Criterion1 dibandingkan dengan Criterion2 berkenaan dengan tujuan?” Kadangkala pertanyaan ini terlalu abstrak untuk dijawab oleh calon pembeli. Dalam ANP, kriteria diprioritaskan melalui pertanyaan: betapa penting kriteria tersebut dalam alternatif yang dipertimbangkan. Biasanya pertanyaan tersebut lebih mudah dijawab oleh seseorang ketika melihat secara kasat mata pilihan vakasi yang memiliki sifat-sifat (properties) yang ditanyakan tersebut. Berikut ini adalah profil dari kriteria yang muncul dalam destinasi vakasi di Bali (1Lovina, 2Sanur, dan 3Kuta). Sebagai contoh, a
5.4 Membuat Perbandingan
Untuk setiap alternatif pilihan vakasi, yakni di 1Lovina, 2Sanur, dan 3Kuta calon konsumen membandingkan secara berpasangan kriteria penting untuk menetapkan prioritas kriteria pilihan vakasi, yakni 1Aktivitas, 2Dunia malam, 3Tamasya, dan 4Biaya. Proses ini kemudian menghasilkan vektor prioritas dari kriteria (vector of priorities of the criteria) untuk setiap vakasi. Hasil untuk alternatif tempat liburan, adalah sebagai berikut. Berikut prioritas (normalized by luster) untuk destinasi vokasi dan kriteria (diperoleh dengan mengklik menu Computations, Priorities (Ctrl-P) dan
overall sinthesized priorities untuk alternatif tempat vakasi untuk model Bali_Vacation_Network.
5.5 Unweighted Supermatrix
Unweighted supermatrix diperoleh melalui perintah Computations, Unweighted Super Matrix, Graphical (Ctrl-U). Sebagai contoh, prioritas di kolom 5 dihasilkan dari proses membandingkan kriteria berkenaan dengan 3Kuta. Artinya, apa yang value most tentang 3Kuta adalah 1Aktivitas.
5.6 Limit Supermatrix
Limit supermatrix diperoleh dengan menaikkan weighted supermatrix sampai batas kekuatan untuk mencapai konvergen (raising the weighted
supermatrix to powers until it converges) (dalam hal ini, semua kolom adalah
sama, meskipun tidak selalu demikian). Jawaban atau sintesis berikut diperoleh dengan cara menormalisasi raw values alternatif pada limit supermatrix (pada Super Decision Limit Super Matrix dihasilkan dengan mengklik Computations, Limit Matrix, Graphical (Ctrl-L)).
5.7 Perubahan Prioritas dari Model AHP ke ANP
Results
Name AHP ANP
1Lovina 0.3225 0.1735 2Sanur 0.3327 0.3960
3Kuta 0.3448 0.4305
Hasil analisis di atas menunjukkan bahwa, meskipun perubahan prioritas utama (best vacation place) konsumen dari model AHP ke ANP tetap, yakni 3Kuta, tetapi terjadi penajaman prioritas dengan model ANP, menjadi 0.4305.
Mengapa Hasilnya Berbeda?
Dalam AHP, seorang konsumen akan membuat perbandingan top-down ketika ia ditanya tanpa ada umpan balik dari alternatif pilihan tempat vakasi yang dipertimbangkan dalam model, sehingga terjadi estimasi berlebih (over) dalam hal pentingnya elemen biaya. Namun, dalam ANP, konsumen memperoleh pelajaran melalui perbandingan umpan balik (feedback) bahwa prioritas biaya untuk 2Sanur, misalnya bukanlah sinyal kualitas tempat vakasi yang diperkirakan ketika konsumen ditanyakan sebuah pertanyaan yang abstrak, dan pada gilirannya, 1Aktivitas yang memperoleh bobot lebih (gets more weight).
Itulah sebabnya mengapa calon konsumen, katakanlah pasangan suami-istri, ketika searching dan memperoleh umpan balik tempat vakasi berharga murah yang dianggapnya "masuk akal", kemudian ternyata
mereka menjatuhkan pilihan vakasi yang berbeda, bahkan jauh lebih mahal. Ketika mereka memperoleh hasil searching & feedback tempat vakasi pada situs online vacation places di Bali, suami-istri tersebut merevisi prioritasnya.
Outer Dependence dan Inner Dependence
Disebut Outer dependence, jika node induk dan node yang dibandingkan berada dalam klaster yang berbeda dan sebuah directed link muncul dari klaster node induk ke klaster lain. Dikatakan Inner dependence, kalau node induk dan node yang dibandingkan berada dalam klaster yang sama. Klaster ini terkait dengan dirinya sendiri dan sebuah loop link muncul.
BAB 6
MODEL RATINGS
6.1 Demo Model Ratings
rang sering menilai alternatif menggunakan kata, seperti: High, Medium, dan Low; atau Excellent, Very Good, Good, Fair, dan Poor dengan memperhatikan beberapa karakteristik yang dimiliki. Saaty menggunakan gagasan yang sama dan menilai alternatif dengan memperhatikan kriteria. Saaty menambahkan satu twist teknis dan memprioritaskan kata-kata itu sendiri sehingga ratings “High”, misalnya, adalah dua kali lebih baik dari rating “Medium” (Saaty, 2003).
Model relative hirarki pilihan tempat liburan di Bali dikonversi menjadi model ratings hirarki (Bali_Vacation_ Hierarchy_ratings_model). Pada model ratings ini, tempat liburan di Bali (1Lovina, 2Sanur, dan 3Kuta) tidak muncul dalam main model, tetapi berada dalam modul rating yang menempel pada model (in the rating module attached to the model) (analis juga dapat melihat pada title bar bahwa yang dijalankan adalah model tipe ratings: *.smod:ratings). Keunggulan (adventage) model ratings adalah bahwa struktur evaluasi telah diatur (set up) dan setiap alternatif dievaluasi sesuai dengan kinerjanya pada kriteria (1Aktivitas, 2Kehidupan malam, 3Tamasya, dan 4Biaya). Tampilan main dan ratings screens seperti pada Gambar 6.1 dan 6.2.
Gambar 6.1 Main Screen Model Tempat Liburan di Bali
Gambar 6.2 Ratings Screen Model Tempat Liburan di Bali
Gambar 6.3 Prioritas Sintesis Alternatif
Hal ini secara dramatis mengurangi jumlah judgment yang dibutuhkan. Namun, model ratings hanya cocok untuk setting evaluasi
bagi yang mengerti; di sini hanya para pakar (expert) yang cocok memberikan struktur evaluasi.
Hasil total alternatif tempat hiburan yang pada modul ratings (Gambar 6.2, kolom 3) diinterpretasikan dengan cara berikut: 3Kuta dengan prioritas 0.8130 adalah destinasi liburan terbaik, meskipun tetap hanya 81.30% vis-à-vis tempat liburan sempurna (perfect), sementara 2Sanur 78.34%.
Prioritas sintesis keseluruhan untuk alternatif destinasi liburan terbaik, disajikan pada Gambar 6.2 (kolom 2) juga Gambar 6.3. Jumlah prioritas (normals) untuk sistem rating adalah 1.0.
6.2 Prosedur Membuat Model Ratings Menggunakan Super
Decisions V.3.0
Aplikasi model rating memilih destinasi vakasi di atas sengaja disajikan di awal agar langsung diperoleh pemahaman mengapa Saaty perlu mengkreasi model ratings. Selanjutnya, diuraikan prosedur ringkas pembuatan model ratings.
a. Buatlah sebuah model hirarkis (Gambar 6.1) dan masukkan penilaian seperti sebelumnya, tetapi jangan menyertakan alternatif di layar utama model.
b. Klik tab Ratings untuk membuka kanvas/layar Ratings.
6.3 Empat Langkah Pemeringkatan
a. Pilih covering criteria. Covering criteria adalah level kriteria terendah yang terhubung dengan alternatif.
b. Buat skala kinerja untuk masing-masing kriteria yang dipilih. c. Tambahkan alternatif yang ingin ditingkatkan.
d. Beri nilai setiap alternatif untuk kinerjanya pada setiap kriteria pada tabel Ratings.
Perhatikan bahwa analis dapat lebih mudah menilai banyak alternatif daripada jika dilakukan pembandingan berpasangan. Ini memang membutuhkan lebih banyak pengalaman dan keahlian untuk menilai alternatif berdasarkan kriteria daripada membandingkannya secara berpasangan.
Langkah 1. Memilih covering criteria
a. Klik dua kali kriteria untuk menambahkannya. Gulirkan dengan mouse (atau gunakan panah bawah dan atas pada keyboard). Kriteria yang telah ditambahkan muncul dalam daftar kedua (second list) dan yang berwarna biru pada daftar pertama (first list).
b. Untuk menghapus kriteria pilih pada daftar kedua dan klik tombol Remove Criterion.
Langkah 2. Menambahkan Alternative
a. Ketik nama Alternative di sebelah kiri. b. Klik tombol Create Alternative.
c. Untuk menghapus alternatif, pilih dan klik Delete Alternative.
d. Untuk mengedit alternatif, klik dua kali dalam daftar alternatif saat ini (current) dan buat hasil yang diedit, lalu Save Edited Alternative.
e. Copy Alternatives and Paste Alternatives untuk menyalin (copy) semua alternatif ke clipboard kemudian ditempelkan (paste) dari sana. Ini bermanfaat untuk pengembangan model kompleks yang memiliki banyak subnetwork.
Langkah 3. Membuat Intensitas Rating
a. Pilih kriteria.
b. Klik tombol "Add New" untuk membuat nama intensitas untuk skala penilaian kriteria.
c. Klik tombol Comparison untuk melakukan pembandingan berpasangan intensitas untuk menentukan prioritasnya. Prioritas ideal yang dihasilkan dapat digunakan untuk Ratings. Intensitas terbesar, dengan demikian menerima prioritas sebesar 1.0. Sebuah alternatif yang mendapatkan peringkat teratas pada setiap kriteria mendapat 1,0 sebagai keseluruhan skor (sempurna).
d. Jika analis ingin menggunakan kembali intensitas dan prioritas ini, klik tombol " Save to File" dan simpan file * .rcp untuk digunakan pada kriteria lain.
Langkah 3. Memprioritaskan intensitas rating
a. Klik tombol Comparison untuk menampilkan layar perbandingan berpasangan.
b. Klik area kata perbandingan yang disorot putih dan ubah dari Importance ke Preferable.
Langkah 3. Menyimpan dan gunakan kembali Intensitas
Perhatikan tombol berikut.
a. Add new. Tambahkan intensitas baru ke dalam daftar. b. Move Up. Pilih intensitas dan tarik ke atas.
c. Move Down. Pilih intensitas dan tarik ke bawah.
d. Load from file. Klik untuk menampilkan daftar intensitas yang telah ditentukan. Klik dua kali untuk memuat rangkaian intensitas untuk kriteria saat ini. Intensitas file memiliki ekstensi .rcp dan disimpan dalam direktori contoh.
e. Save to file. Klik tombol dan pilih direktori untuk menyimpannya. Saat ini perangkat lunak Super Decisions v.3.0 belum menyediakan layanan untuk penyimpanan dalam direktori Sampel.
6.4 Evaluasi Alternatif pada Ratings Table
Arahkan mouse ke sel dan saat ikon edit muncul, klik ikon tersebut untuk menampilkan intensitas kriteria tersebut. Klik salah satu yang paling menggambarkan alternatif untuk memilihnya.
Opsi Ratings Table
Rating table Super Decisions V.30 memiliki 4 fasilitas berikut. a. Display Options terdiri atas:
1) Category Names untuk menunjukkan hanya nama intensitas saat mengklik sel di meja untuk mengevaluasi alternatif. Pilih satu.
2) Category Priorities untuk menunjukkan hanya prioritas intensitas. 3) Both untuk menunjukkan kedua nama dan prioritas intensitas saat
sebuah sel diklik di tabel. b. Show/hide meliputi
1) Column Priorities dapat ditampilkan atau disembunyikan (prioritas diperoleh dengan menormalisasi total menjadi 1.0).
2) Totals Column juga dapat ditampilkan atau disembunyikan. Nilai Total diperoleh dengan mengalikan prioritas intensitas yang dipilih dikalikan dengan prioritas kriteria dan menjumlahkannya dalam baris. Nilai itu adalah angka rasio. Angka rasio seperti itu berguna dalam konteks optimisasi alokasi sumberdaya.
c. Calculations
1) Synthesize untuk mendapatkan hasil hanya untuk jejaring yang dipertimbangkan dalam model multi-jejaring. Perhatikan bahwa analis dapat menyalin nilai ke clipboard dengan tombol "Copy
Values " pada di bagian bawah layar.
2) Sintesis keseluruhan mode untuk menyintesis hasil pada semua jejaring.
3) Prioritas kolom menunjukkan kriteria prioritas untuk "copy to
clipboard".
d. Manage Ratings
1) Copy Rating Table to Clipboard. Analis kemudian dapat menempelkannya (paste) ke Excel atau ke Word.
2) Clear Ratings Judgments berguna kalau analis ingin menggunakan peringkat dengan pengguna yang berbeda.
3) Revert to Relative Model akan menghapus semua pekerjaan yang telah dilakukan dalam ratings dan mengembalikan analis ke layar jejaring dari kluster, node, dan koneksi.
BAB 7
TINJAUAN LITERATUR APLIKASI ANP
paya yang sistematis telah dilakukan untuk meninjau literatur secara kritis, baik dalam hal aplikasi AHP/ANP sendiri maupun integrasinya dengan MDCM lain, seperti Goal Programming (GP),
Interpretive Structural Modeling (ISM), Balanced Scorecard (BSC), lintas bidang
kajian. Meskipun survei literatur yang dilakukan ini belum memadai, kegiatan tinjauan literatur berfungsi penting dalam meletakkan fondasi yang kuat dan panduan yang jelas bagi analis dalam mengembangkan, mendefinisikan, dan mengidentifikasi research agenda terkait dengan aplikasi metodologi AHP/ANP secara sistematis dan meyakinkan (Lee dan Kim, 2000; Wey dan Wu, 2007; Kheljani et al., 2009; Lino dan Kao, 2010; Polat, 2010; Thakkar et al., 2007).
Bagian ini mengulas literatur terseleksi, mulai dari literatur klasik sampai yang terbaru dalam hal teori dan aplikasi AHP/ANP dan model hybridnya. Tujuan utama dari tinjauan literatur ini adalah untuk men-daftar, mengklasifikasikan, dan mengkaji literatur yang mengaplikasikan metodologi AHP/ANP sehingga mudah dilacak dan diringkas. Aplikasi AHP/ANP dalam literatur dan artikel lintas para penulis, tahun publikasi, dan isu strategis disajikan pada Tabel 7.1.
Tabel 7.1 Aplikasi AHP/ANP dalam Literatur Lintas Penulis dan Isu Strategis
yang Disusun Secara Kronologis
Penulis Tahun Isu Strategis
Saatya 1980 Konsep AHP
Saatyb 1980 Konsep perencanaan, seting prioritas, dan
alokasi sumber daya Saaty & M.
Takizawa
1986 Teori mulai dari hiraki linear sampai
jejaring nonlinear
Harkera 1987 Model alternatif AHP yang dipertanyakan
Harkerb 1987 Model matematis perbandingan
berpasangan tidak lengkap pada AHP
Golden et al. 1989 Konsep AHP
Forman 1990 Indeks acak untuk perbandingan
berpasangan tidak lengkap Marc &
Wilson 1991 ANP-GP untuk memilih projek SI
Weber et al. 1991 Metode dan kriteria seleksi vendor
Dyer 1992 Pengambilan keputusan kriteria ganda
Kaplan & Norton
1992 Mengukur indikator pemicu kinerja dengan
BSC Kaplan &
Norton
1993 Aplikasi BSC di tempat kerja
Saaty & Vargas
1994 Pengambilan keputusan dalam bidang
ekonomi, politik, sosial, dan teknologi Meade &
Sarkis 1998 SCM dan logistik dengan ANP
Degraeve &
Roodhooft 1999 Memilih pemasok secara efektif
Meade &
Sarkis 1999 ANP untuk memperlancar proses manufaktur
Saatya 1999 Konsep cara kerja otak manusia
Tabel 7.1 Aplikasi AHP/ANP dalam Literatur Lintas Penulis dan Isu Strategis
yang Disusun Secara Kronologis (Lanjutan)
Penulis Tahun Isu Strategis
Kaplan & Norton
2000 Membuat peta strategi untuk menetapkan
langkah awal pengembangan organisasi
Lee & Kim 2000 Model integrasi ANP-GP untuk menyeleksi
projek SI Petroni &
Braglia 2000 Memilih vendor menggunakan PCA
Saaty 2000 Konsep pengambilan keputusan dalam
lingkungan yang kompleks dengan ANP
Chen et al. 2001 Seleksi mitra usaha dalam rangka aliansi
strategis Flala &
Jablonsky 2001 Pendekatan ANP untuk sistem produksi
Kaplan &
Norton 2001
BSC untuk menerjemahkan strategi menjadi aksi
Saatya 2001 Konsep berpikir kreatif, penyelesaian
masalah, dan pengambilan keputusan
Saatyb 2001 Konsep Pengambilan keputusan bagi para
pemimpin
Saatyc 2001 Konsep pengembilan keputusan dalam
lingkungan yang kompleks menggunakan ANP
Saatyd 2001 Pengambilan keputusan dengan ANP with
BOCR menggunakan software Super Decision dengan contoh kasus National
Missile Defense
Saatye 2001 Teori ANP
Saatyf 2001 Konsep pengambilan keputusan dengan
dependensi dan umpan balik
Taji et al. 2001 Konsep ANP untuk informasi yang tidak
Tabel 7.1 Aplikasi AHP/ANP dalam Literatur Lintas Penulis dan Isu Strategis
yang Disusun Secara Kronologis (Lanjutan)
Penulis Tahun Isu Strategis
Sarkis & Talluri
2002 Model ANP pemilihan pemasok
Yurdakul 2002 Mengukur kinerja sistem manufaktur
Kahraman et
al.
2003 Pemilihan pemasok dengan fuzzy AHP
Karsak et al. 2003 ANP-GP dalam perencanaan produk
Saaty 2003 Pengambilan keputusan dalam lingkungan
yang kompleks
Yurdakul 2003 Mengukur kinerja jangka panjang
Cheragi et al. 2004 Kriteria penting pemilihan pemasok.
Kaplan & Norton
2004 Membuat peta strategi
Nakagawa & Sekitani
2004 ANP untuk penguatan SCM
Narasimhan 2004 Seleksi pemasok multi produk dengan multi kriteria yang mempertimbangkan product
life-cicle
Niemira &
Saaty 2004 ANP untuk meramalkan krisis finansial
Saaty 2005 Teori dan aplikasi ANP berkenaan dengan
pengambilan keputusan dengan BOCR Saaty &
Özermir 2005 Kamus keputusan dengan dependensi dan umpan balik
Thakkar et al. 2005 Seleksi 3PL dengan pendekatan hybrid
ISM-ANP Saaty &
Vargas
2006 Teori dan aplikasi ANP pada berbagai
bidang, mempertimbangkan merit BOCR
Tabel 7.1 Aplikasi AHP/ANP dalam Literatur Lintas Penulis dan Isu Strategis
yang Disusun Secara Kronologis (Lanjutan)
Penulis Tahun Isu Strategis
Taslicali & Ercan
2006 Studi komparatif pengambilan keputusan
dengan AHP Araz &
Orkarahan
2007 Memilih pemasok berbasis prosedur
multikriteria
Thakkar et al. 2007 Integrasi ISM-ANP untuk mengembangkan
kerangka BSC
Wey et al. 2007 ANP-GP untuk alokasi sumber daya
transportasi
Chan et al. 2008 Memilih pemasok global
Chen et al. 2008 Seleksi mitra untuk aliansi strategis
Kirytopolous
et al. 2008 Seleksi pemasok untuk industri farmasi
Percin 2008 ANP untuk memilih sistem ERP
Perera et al. 2008 Usulan indeks strategis untuk seleksi
portofolio pada perusahaan elektronik Tahriri et al. 2008 Pendekatan AHP untuk mengevaluasi dan
memilih pemasok pada perusahaan manufaktur baja
Chang et al. 2009 Meggunakan ANP yang diurut dengan
Goal programming untuk membuat strategi revitalisasi forest railway
Kasirian &
Yusuff 2009 Interdependensi antar kriteria seleksi pemasok
Kheljani et al. 2009 Mengoptimalkann manfaat keseluruhan SC
vs manfaat pembeli melalui seleksi pembeli Kokangul &
Suzus 2009 Integrasi ANP-GP untuk menyelesaikan masalah seleksi pemasok
Li 2009 Seleksi vendor dengan pendekatan berbasis
algoritme ANN pruning
‘Tabel 7.1 Aplikasi AHP/ANP dalam Literatur Lintas Penulis dan Isu Strategis yang Disusun Secara Kronologis (Lanjutan)
Penulis Tahun Isu Strategis
Liao & Kao 2009 Seleksi pemasok dengan AHP-GP
menggunakan integrasi Taguchi loss fuction dan AHP-GP
Luo et al. 2009 Seleksi pemasok pada SCM
Saaty & Cillo 2009 Kamus keputusan kompleks dengan ANP
Wu 2009 Seleksi pemasok menggunakan model
hybrid dea, decision tree, dan neural network
Polat 2010 Mengunakan ANP-GP untuk optimasi
sumber daya pemasaran Polat &
Donmez
2010 Model ANP seleksi kegiatan pemasaran
perusahaan konstruksi
Saen 2010 Keputusan seleksi pemasok
Sanayei et al. 2010 Pemilihan pemasok dengan VIKOR pada fuzzy
Darmawan 2013 Decisions science dan AHP menggunakan
Expert Choice
Olviana et al. 2014 Pembuatan strategy map menggunakan pendekatan hybrid ISM-ANP-BSC sebagai basis manajemen pengukuran kinerja agroindustri sapi potong
Astiti et al. 2014 Prioritas strategi pemberdayaan perempuan
melalui pengembangan industri kerajinan Wiratanaya
et al. 2015 Seleksi sistem produksi daging sapi beku menggunakan model ANP dengan merit BOCR
Keterangan:
3PL = Third-Party Logistic ANN = Artificial Neural Network
ANP/AHP = Analytic Network/Hierarchy Process BOCR = Benefit, Opportunity, Cost, Risk BSC = Balanced Scorecard
ERP = Enterprise Rosource Planning GP = Goal Programming
ISM = Interpretive Structural Modeling MCDM = Multi-Criteria Decision Making PCA = Principal Component Analysis SCM = Supply Chain Management SI = Sistem Informasi
VICOR = Visekriterijumsko Kompromisno Rangiranye
Pada bab selanjutnya, dibahas secara komprehensif tiga aplikasi ANP real world menggunakan Super Decisions V.3.0, yakni seleksi strategis, model ANP dengan BOCR, dan pembuatan peta strategi dengan sedikit adaptasi dan modifikasi, mengikuti the morphological box (Fritz Swicky) dan SCAMPER (Bob Erle) agar diperoleh pemahaman mendalam, tanpa terhalang detail dan teori yang tidak perlu (Stagliano, 2004; Krogerus dan Tscapeller, 2017).
BAB 8
SELEKSI STRATEGI PEMBERDAYAAN
KELOMPOK USAHA DENGAN ANP
erbasis indepth interview tentang lingkungan bisnis internal dan eksternal, teridentifikasi 5 masalah dalam pemberdayaan kelompok usaha Unit Pengolahan Hasil (UPH). Analisis SWOT untuk menemukan right solution berhasil merumuskan 6 alternatif strategi pemberdayaan. Model Analytic Network Process (ANP) seleksi strategi pemberdayaan seperti Gambar 8.1.
Gambar 8.1 Model ANP Seleksi Strategi Pemberdayaan
Model ANP tersebut memiliki empat buah klaster, yaitu tujuan, lingkungan bisnis (memiliki 2 elemen), masalah (5 elemen), dan alternatif strategi (5 elemen). Data diperoleh dari ekspresi preferensi pembandingan berpasangan stakeholders dalam sesi Interactive Management (IM) diolah menggunakan Super Decisions v.3.0. Gambar 8.2 adalah contoh paired comparison setiap node pada klaster 3Masalah dengan memperhatikan (wrt) node 2penguatan kapabilitas SDM. Prioritas strategis pemberdayaan disajikan pada Gambar 8.3 dan Tabel 8.1 (normalized by cluster).
Gambar 8.2 Mode Questionnaire Pembandingan Node pada Klaster
Dari Gambar 8.3 dan Tabel 8.1. diperoleh informasi bahwa prioritas strategi pemberdayaan kelompok usaha UPH adalah (a) Kemitraan strategis (bobot 0.13), (b) Penguatan kapabilitas SDM (0.39), (c) Kelembagaan sosiobisnis (0.16), (d) Fungsi pemasaran inti (0.16), dan (e) teknologi tepat guna (0.160). Dengan demikian, prioritas strategi pember-dayaan kelompok usaha adalah penguatan kapabilitas SDM karena memiliki bobot tertinggi (lihat baris alternatif dengan tanda shading).
Gambar 8.3 Prioritas Strategi Pemberdayaan Tabel 8.1 Prioritas Strategi Pemberdayaan
Klaster dan Elemen Prioritas
(1) (2) Lingkungan bisnis 1. Internal 0.54 2. Eksternal 0.46 Masalah 1. Kapabilitas SDM 0.34
2. Investasi alat dan mesin 0.10
3. Sikap SDM 0.16 4. Pemasaran 0.21 5. Keandalan SDM 0.19 Alternatif strategi 1. Kemitraan strategis 0.13 2. Penguatan kapabilitas SDM 0.39 3. Kelembagaan sosiobisnis 0.16
4. Fungsi pemasaran inti 0.16
