Pengambilan Keputusan
Multi Kriteria
Program Tujuan (Goal Programming) Interpretasi Grafik dari Program Tujuan
Solusi Komputer untuk Masalah Program Tujuan Proses Analisis Bertingkat
Studi masalah dengan beberapa kriteria, multiple kriteria, bukan hanya satu tujuan dalam pengambilan keputusan
Dua teknik akan dibahas: goal programming, dan analytical hierarchy process (AHP)
Goal programming adalah sebuah variasi pemrograman linier yang mempertimbangkan lebih dari satu tujuan
(goals) pada fungsi tujuan
Analytical hierarchy process (AHP) mengembangkan sebuah penilaian untuk setiap alternatif keputusan didasarkan pada perbandingan masing-masing saat pengambil keputusan memiliki beberapa tujuan, atau kriteria, untuk mengambil keputusan tertentu
Contoh Beaver Creek Pottery Company :
Maksimalkan Z = $40x1 + 50x2 Terbatas pada:
x1 + 2x2 40 jam tenaga kerja 4x1 + 3x2 120 pon tanah liat x1, x2 0
dimana: x1 = jumlah mangkok yang diproduksi x2 = jumlah cangkir yang diproduksi
Program Tujuan
Penambahan tujuan (goals) berdasarkan tingkat kepentingan perusahaan:
1. Menghindari penggunaan waktu tenaga kerja kurang dari 40 jam per hari
2. Mencapai tingkat keuntungan yang memuaskan sebesar $1,600 per hari.
3. Lebih memilih tidak menyimpan tanah liat lebih dari 120 pon per hari.
4. Berusaha meminimumkan waktu lembur
Program Tujuan
Semua batasan tujuan merupakan persamaan yang
menyertakan variabel penyimpangan (deviational variables) d- dan d+.
Sebuah variabel penyimpangan positif (d+) menunjukkan
jumlah dimana tingkat tujuan tertentu telah terlampaui
Sebuah variabel penyimpangan negatif (d-) menunjukkan
jumlah dimana tingkat tujuan tertentu tidak tercapai
Paling tidak satu atau kedua variabel penyimpangan pada batasan tujuan harus bernilai nol
Fungsi tujuan dalam model program tujuan adalah
meminimumkan penyimpangan dari tujuan sesuai dengan prioritasnya
Program Tujuan
Batasan tujuan tenaga kerja (1, kurang dari 40 jam tenaga kerja; 4, lembur minimum):
Minimalkan P1d1-, P
4d1+
Menambah batasan tujuan keuntungan (2, mencapai keuntungan sebesar $1,600):
Minimalkan P1d1-, P
2d2-, P4d1+
Menambah batasan tujuan bahan baku (3, menghindari menyimpan lebih dari 120 pon tanah liat):
Minimalkan P1d1-, P
2d2-, P3d3+, P4d1+
Program Tujuan
Model Program Tujuan Lengkap:
Minimalkan P1d1-, P
2d2-, P3d3+, P4d1+
Terbatas pada:
x1 + 2x2 + d1- - d
1+ = 40
40x1 + 50 x2 + d2 - - d
2 + = 1,600
4x1 + 3x2 + d3 - - d
3 + = 120
x1, x2, d1 -, d
1 +, d2 -, d2 +, d3 -, d3 + 0
Program Tujuan
Merubah tujuan prioritas keempat, lembur sampai 10 jam, selain meminimumkan jam lembur:
d1+ + d
4 - - d4+ = 10
Minimalkan P1d1 -, P
2d2 -, P3d3 +, P4d4 +
Penambahan tujuan prioritas kelima “pencapaian tujuan cangkir merupakan pilihan pertama”:
x1 + d5 - = 30 mangkok
x2 + d6 - = 20 cangkir
Minimalkan P1d1 -, P
2d2 -, P3d3 -, P4d4 -, 4P5d5 -+ 5P5d6 -
Program Tujuan
Program Tujuan
Bentuk Alternatif Batasan Tujuan (2 of 2)
Model Lengkap dengan Tujuan Baru:
Minimalkan P1d1-, P
2d2-, P3d3-, P4d4-, 4P5d5-+ 5P5d6
-Terbatas pada:
x1 + 2x2 + d1- - d
1+ = 40
40x1 + 50x2 + d2- - d
2+ = 1,600
4x1 + 3x2 + d3- - d
3+ = 120
d1+ + d
4- - d4+ = 10
x1 + d5- = 30
x2 + d6- = 20
x1, x2, d1-, d
Minimalkan P1d1-, P
2d2-, P3d3+,
P4d1+
Terbatas pada:
x1 + 2x2 + d1- - d
1+ = 40
40x1 + 50 x2 + d2 - - d
2 + = 1,600
4x1 + 3x2 + d3 - - d
3 + = 120
x1, x2, d1 -, d
1 +, d2 -, d2 +, d3 -, d3 + 0
Batasan Tujuan
Program Tujuan
Prioritas Tujuan Pertama:
Minimalkan P1d1-, P
2d2-, P3d3+,
P4d1+
Terbatas pada:
x1 + 2x2 + d1- - d
1+ = 40
40x1 + 50 x2 + d2 - - d
2 + = 1,600
4x1 + 3x2 + d3 - - d
3 + = 120
x1, x2, d1 -, d
1 +, d2 -, d2 +, d3 -, d3 + 0
Program Tujuan
Prioritas Tujuan Kedua: Minimalkan
Minimalkan P1d1-, P
2d2-, P3d3+,
P4d1+
Terbatas pada:
x1 + 2x2 + d1- - d
1+ = 40
40x1 + 50 x2 + d2 - - d
2 + = 1,600
4x1 + 3x2 + d3 - - d
3 + = 120
x1, x2, d1 -, d
1 +, d2 -, d2 +, d3 -, d3 + 0
Program Tujuan
Prioritas Tujuan Ketiga: Minimalkan
Minimalkan P1d1-, P
2d2-, P3d3+,
P4d1+
Terbatas pada:
x1 + 2x2 + d1- - d
1+ = 40
40x1 + 50 x2 + d2 - - d
2 + = 1,600
4x1 + 3x2 + d3 - - d
3 + = 120
x1, x2, d1 -, d
1 +, d2 -, d2 +, d3 -, d3 + 0
Program Tujuan
Prioritas Tujuan Keempat: Minimalkan
Minimalkan P1d1-, P
2d2-, P3d3+,
P4d1+
Terbatas pada:
x1 + 2x2 + d1- - d
1+ = 40
40x1 + 50 x2 + d2 - - d
2 + = 1,600
4x1 + 3x2 + d3 - - d
3 + = 120
x1, x2, d1 -, d
1 +, d2 -, d2 +, d3 -, d3 + 0
Program Tujuan
Solusi program tujuan tidak selalu memenuhi semua tujuan dan solusi ini tidak optimal, tetapi kemungkinan solusi yang paling memuaskan.
Metode Simpleks yang Dimodifikasi
Formulasi Model
Minimalkan P
1d
1-, P
2
d
2-, P
3d
3+, P
4d
1+Terbatas pada:
x
1+ 2x
2+ d
1-- d
1+
= 40
40x
1+ 50 x
2+ d
2-- d
2+
= 1,600
4x
1+ 3x
2+ d
3-- d
3+
= 120
x
1, x
2, d
1-, d
Metode Simpleks yang Dimodifikasi
Langkah Penyelesaian (1 of 2)
Menetapkan tabel awal menggunakan
variabel penyimpangan untuk permulaan
variabel-variabel solusi dasar yang layak. Hitung Zj-Pj
Tentukan kolom pemutar (memasukkan variabel
non-dasar) dengan memilih kolom yang
mempunyai nilai positif maksimum pada tingkat
prioritas tertinggi yang belum diperoleh secara
keseluruhan
Menentukan baris pemutar (variabel yang diganti)
dengan membagi nilai kolom kuantitas dengan
Metode Simpleks yang Dimodifikasi
Langkah Penyelesaian (2 of 2)
Hitung nilai baris pemutar dengan rumus
Nilai baris pemutar baru = (nilai baris pemutar lama/nomor pemutar)Hitung semua nilai baris lainnya dengan
menggunakan formula
Nilai baris tabel baru = nilai baris tabel lama – (koefisien kolom pemutar yang berhubungan x nilai baris pemutar tabel baru yang berhubungan)
Hitung baris Zj-Pj yang baru
Metode Simpleks yang Dimodifikasi
Tabel Simpleks Pertama
Pj Vari abel
Kuantit as
P1 P2 P4 P3 x1 x2 d1- d2- d3- d1+ d2+ d3+ P1 d1- 40 1 2 1 0 0 -1 0 0 P2 d2- 160 4 5 0 1 0 0 -1 0 d3- 120 4 3 0 0 1 0 0 -1 Zj-Pj P4 0 0 0 0 0 0 -P4 0 0
Metode Simpleks yang Dimodifikasi
Tabel Simpleks Kedua
Pj Varia bel
Kuan titas
P1 P2 P4 P3 x1 x2 d1- d2- d3- d1+ d2+ d3+ x2 20 ½ 1 ½ 0 0 -1/2 0 0 P2 d2- 60 3/2 0 -5/2 1 0 5/2 -1 0 d3- 60 5/2 0 -3/2 0 1 3/2 0 -1 Zj-Pj P4 0 0 0 0 0 0 -P4 0 0
Metode Simpleks yang Dimodifikasi
Tabel Simpleks Ketiga
Pj Varia bel
Kuan titas
P1 P2 P4 P3 x1 x2 d1- d2- d3- d1+ d2+ d3+ x2 32 4/5 1 0 1/5 0 0 -1/5 0 P4 d1+ 24 3/5 0 -1 2/5 0 1 -2/5 0 d3- 24 8/5 0 0 -3/5 1 0 3/5 -1 Zj-Pj P4 24P4 3P4/5 0 -P4 2P4/5 0 0 -2P4 /5 0
Metode Simpleks yang Dimodifikasi
Tabel Simpleks Keempat
Pj Varia bel
Kuan titas
P1 P2 P4 P3 x1 x2 d1- d2- d3- d1+ d2+ d3+ X2 20 0 1 0 ½ -1/2 0 -1/2 ½ P4 d1+ 15 0 0 -1 5/8 -3/8 1 -5/8 3/8
X1 15 1 0 0 -3/8 5/8 0 3/8 -5/8 Zj-Pj P4 15P4 0 0 -P4 5P4/8 -3P4 /8 0 -5P4 /8 3P4/8
Minimalkan P1d1-, P
2d2-, P3d3+, P4d1+
Terbatas pada:
x1 + 2x2 + d1- - d
1+ = 40
40x1 + 50 x2 + d2 - - d
2 + = 1,600
4x1 + 3x2 + d3 - - d
3 + = 120
x1, x2, d1 -, d
1 +, d2 -, d2 +, d3 -, d3 + 0
Program Tujuan
Program Tujuan
Program Tujuan
4
Program Tujuan
5
Program Tujuan
6
Program Tujuan
AHP merupakan sebuah metode untuk membuat urutan alternatif keputusan dan memilih yang terbaik pada saat pengambil keputusan memiliki beberapa tujuan, atau kriteria, untuk mengambil keputusan tertentu
Pengambil keputusan biasanya memiliiki beberapa
alternatif yang dapat dipilih saat mengambil keputusan
Pengambil keputusan akan memilih alternatif terbaik yang dapat memenuhi kriterianya
AHP merupakan sebuah proses menghitung nilai angka untuk merangking tiap alternatif keputusan berdasarkan
sejauh mana alternatif tersebut memenuhi kriteria pembuat keputusan
Pemilihan lokasi Southcorp Development Company shopping mall
Tiga lokasi potensial: Atlanta
Birmingham Charlotte
Kriteria perbandingan lokasi: Pangsa pasar pelanggan Tingkat pendapatan
Infrastruktur
Puncak hirarki: tujuan (memilih lokasi terbaik).
Level kedua: bagaimana kontribusi keempat kriteria dalam pencapaian tujuan.
Level ketiga: bagaimana setiap alternatif lokasi memberikan kontribusi pada tiap kriteria.
Secara matematis, penetapan preferensi pada tiap tingkat hirarki.
Secara matematis, tetapkanlah preferensi untuk kriteria (mengurut tingkat kepentingan).
Penggabungan dua set preferensi yang secara matematis memberikan nilai (score) bagi tiap lokasi.
Pilih nilai tertinggi sebagai lokasi terbaik.
Pada perbandingan berpasangan, dua alternatif dibandingkan berdasarkan kriteria tertentu dan mengindikasikan suatu preferensi.
Sebuah skala preferensi digunakan memberikan angka numerik untuk tiap tingkat preferensi.
Analytical Hierarchy Process
Perbandingan Berpasangan (2 of 2)
Tingkat Preferensi Nilai Angka
Sama disukai 1
Sama hingga cukup disukai 2
Cukup disukai 3
Cukup hingga sangat disukai 4
Sangat disukai 5
Sangat disukai hingga amat sangat disukai 6
Amat sangat disukai 7
Amat sangat disukai hingga luar biasa disukai 8
Analytical Hierarchy Process
Matriks Perbandingan Berpasangan
Pangsa Pasar
Analytical Hierarchy Process
Mengembangkan Preferensi dalam Kriteria (1 of 3)
Matriks Normalisasi dengan Rata-rata Baris
Analytical Hierarchy Process
Matriks Preferensi Kriteria
Analytical Hierarchy Process
Criteria Market Income Infrastructure Transportation
Matriks Normalisasi untuk Kriteria dengan Rata-rata Baris
Analytical Hierarchy Process
Merangking Kriteria (1 of 2)
Analytical Hierarchy Process
Merangking Kriteria (2 of 2)
Vektor Preferensi:
Market
Income
Skor Keseluruhan:
Skor lokasi A = .1993(.5012) + .6535(.2819) + .0860(.1790) + .0612(.1561) = .3091
Skor lokasi B = .1993(.1185) + .6535(.0598) + .0860(.6850) + .0612(.6196) = .1595
Skor lokasi C = .1993(.3803) + .6535(.6583) + .0860(.1360) + .0612(.2243) = .5314
Rangking Keseluruhan:
Site Score
Charlotte Atlanta Birmingham
0.5314 0.3091 0.1595 1.0000
Analytical Hierarchy Process
Analytical Hierarchy Process
Ringkasan Tahap Matematis
Mengembangkan matriks perbandingan berpasangan untuk tiap alternatif keputusan (lokasi) berdasarkan tiap kriteria.
Sintesis
Menjumlahkan nilai tiap kolom pada matriks perbandingan berpasangan.
Membagi nilai tiap kolom dalam matriks perbandingan berpasangan dengan jumlah kolom yang bersangkutan (normalisasi).
Rata-rata nilai tiap baris pada matriks normalisasi (vektor prefernsi) Gabungkan vektor preferensi tiap kriteria menjadi satu matriks
preferensi berdasarkan tiap kriteria.
Membuat matriks perbandingan berpasangan untuk kriteria. Hitung matriks normalisasi.
Membuat vektor preferensi.
Masing-masing nilai tersebut dibagi dengan
bobot terkait yg diperoleh dari vektor preferensi
kreteria :
0,8328 : 0,1993 = 4,1786
2,8524 : 0,6535 = 4,3648
0,3474 : 0,0860 = 4,0401
0,2474 : 0,0612 = 4,0422
---
Jumlah = 16,6257
Jika CI = 0, maka pengambilan keputusan yg sangat konsisten, sedangkan CI > 0, maka pengambilan keputusan yang tidak konsisten (inkonsisten).
CI/RI = 0,0521/0,90 = 0,0580 (5,8 %)
Secara umum, tingkat konsistensi adalah sangat
memuaskan (CI/RI
≤
0,10), tetapi sebaliknya jika
12
14
15
Setiap alternatif keputusan diberi bobot sesuai dengan
tingkat kepentingan dan seberapa jauh dapat memuaskan kriteria, berdasarkan rumus:
Si = gijwj dimana:
wj = suatu bobot antara 0 dan 1.00 yang diberikan
pada kriteria j; 1.00 penting, 0 tidak penting; jumlah bobot total sama dengan 1.
gij = suatu nilai antara 0 dan 100 mengindikasikan
seberapa jauh alternatif keputusan i memuaskan kriteria j; 100 kepuasan sangat inggi, 0 tidak puas.
Pemilihan mal dengan empat alternatif dan 5 kriteria:
S1 = (.30)(40) + (.25)(75) + (.25)(60) + (.10)(90) + (.10)(80) = 62.75 S2 = (.30)(60) + (.25)(80) + (.25)(90) + (.10)(100) + (.10)(30) = 73.50 S3 = (.30)(90) + (.25)(65) + (.25)(79) + (.10)(80) + (.10)(50) = 76.00 S4 = (.30)(60) + (.25)(90) + (.25)(85) + (.10)(90) + (.10)(70) = 77.75 Mall 4 disukai karena skor tertinggi, diikuti dengan mall 3, 2, 1.
Nilai untuk Alternatif (0 to 100)
Kriteria Keputusan
Bobot
(0 - 1.00) Mall 1 Mall 2 Mall 3 Mall 4 Kedekatan sekolah
16