Contoh Kasus dan penerapan metode SAW (Simple Additive Weighting)


https://trk.adplus.id/jsarticle/zrLEq/script.js
Sebelum saya menuliskan tulisan inti dari post saya ini mungkin saya harus mengaku jika tulisan ini saya tulis untuk keperluan tugas kuliah saya. Jujur sebenarnya saya belum terlalu mengerti dengan metode SAW (Simple Additive Weighting) ini, jadi jika ada yang tidak setuju dengan konten tulisan saya mohon koreksinya.

Definisi SAW

Metode SAW merupakan metode yang juga dikenal dengan metode penjumlahan berbobot. Copas dari blog tetangga(http://belajarbersamawegi.blogspot.com/2013/06/metode-simple-additive-weighting-saw.html) , Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut (Fishburn, 1967) (MacCrimmon, 1968).

Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.  Metode ini merupakan metode yang paling terkenal dan paling banyak digunakan dalam menghadapi situasi Multiple Attribute Decision Making (MADM). MADM itu sendiri merupakan suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu.

Masih dari blog yang sama ada beberapa tahapan untuk menyelesaikan suatu kasus menggunakan metode SAW ini.

1.  Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci.

2.  Menentukan rating kecocokan setiap alternatif pada setiap kriteria.

3.  Membuat matriks keputusan berdasarkan kriteria(Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R.

4.  Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai)sebagai solusi.

Agar lebih jelas tentang pengimplementasian algoritma tersebut lebih baik kita belajar dengan studi kasus, karena saya beranggapan jika studi kasus akan lebh mudah menjawab semua teori yang sulit dimengerti.

Contoh Kasus :

Seorang perusahaan akan melakukan rekrutmen kerja terhadap 5 calon pekerja untuk posisi operator mesin. Posisi yang saat ini luang hanya ada 2 posisi. Nah dengan metode SAW kita diharuskan menentukan calon pekerja tersebut.

Sebelum kita dibingungkan oleh itungan matematika kita tentukan dulu mana yang menjadi kriteria benefit dan kriteria cost

Kriteria benefit-nya adalah

–      Pengalaman kerja (saya simbolkan C1)

–      Pendidikan (C2)

–      Usia (C3)

Sedangkan kriteria cost-nya adalah

–      Status perkawinan (C4)

–      Alamat (C5)

Kriteria dan Pembobotan

Teknik pembobotan pada criteria dapat dilakukan dengan beragai macam cara dan metode yang abash. Pase ini dikenal dengan istilah pra-proses. Namun bisa juga dengan cara secara sederhana dengan memberikan nilai pada masing-masing secara langsung berdasarkan persentasi nilai bobotnya. Se dangkan untuk yang lebih lebih baik bisa digunakan fuzzy logic. Penggunaan Fuzzy logic, sangat dianjurkan bila kritieria yang dipilih mempunyai sifat yang relative, misal Umur, Panas, Tinggi, Baik atau sifat lainnya.

Di tahap ini kita mengisi bobot nilai dari suatu alternatif dengan kriteria yang telah dijabarkan tadi. Perlu diketahui nilai maksimal dari pembobotan ini adalah ‘1’

Calon Pegawai

kriteria

C1

C2

C3

C4

C5

A1 0,5 1 0,7 0,7 0,8
A2 0,8 0,7 1 0,5 1
A3 1 0,3 0,4 0,7 1
A4 0,2 1 0,5 0,9 0,7
A5 1 0,7 0,4 0,7 1

Pembobotan (w)

Pembobotan ini ialah pembobotan tiap-tiap kriteria. Berdasarkan pemahaman saya pembobotan ini ialah pembobotan atas suatu kriteria. Jadi jika kita memilih istri maka berdasarkan agama dan wajah maka kita harus mengutamakan agama maka agama kita beri bobot lebih tinggi daripada wajah. Bingung kan! Saya juga bingung sebenarnya hehehehe J

Kriteria

Bobot

C1 0,3
C2 0,2
C3 0,2
C4 0,15
C5 0,15
Total 1

Tabel pertama (pembobotan alternatif terhadap kriteria) kita ubah kedalam bentuk matriks. Nah dibawah ini penampakannya.

0,5 1 0,7 0,7 0,8
0,8 0,7 1 0,5 1
1 0,3 0,4 0,7 1
0,2 1 0,5 0,9 0,7
1 0,7 0,4 0,7 1

Sampai tahap ini saya sarankan anda mulai membaca doa agar tidak kebingungan nantinya hehehehe

Pertama kita ingat-ingat kembali kriteria benefitnya yaitu (C1, C2 dan C3). Untuk normalisai nilai, jika faktor kriteria benefit digunakanan rumusan

Rii = ( Xij / max{Xij})

Dari kolom C1 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C1 dibagi oleh nilai maksimal kolom C1

R11 = 0,5 / 1 = 0,5

R21 = 0,8 / 1 = 0,8

R31 = 1 / 1 = 1

R41 = 0,2 / 1 = 0,2

R51 = 1 / 1 = 1

Dari kolom C2 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C2 dibagi oleh nilai maksimal kolom C2

R12 = 1 / 1 = 1

R22 = 0,7/ 1 = 0,7

R32 = 0,3 / 1 = 0,3

R42 = 1 / 1 = 1

R52 = 0,7 / 1 = 0,7

Dari kolom C3 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C3 dibagi oleh nilai maksimal kolom C3

R13 = 0,7 / 1 = 0,7

R23 = 1/ 1 = 1

R33 = 0,4 / 1 = 0,4

R43 = 0,5 / 1 = 0,5

R53 = 0,4 / 1 = 0,4

Nah sekarang ingat-ingat kembali kriteria costnya yaitu (C4 dan C5). Untuk normalisai nilai, jika faktor kriteria cost digunakanan rumusan

Rii = (min{Xij} /Xij)

Dari kolom C4 nilai minimalnya adalah ‘0,5’ , maka tiap baris dari kolom C5 menjadi penyebut  dari  nilai maksimal kolom C5

R14 = 0,5/ 0,7 = 0,714

R24 = 0,5 / 0,5 = 1

R34 = 0,5 / 0,7 = 0,714

R44 = 0,5 / 0,9 = 0,556

R54 = 0,5 / 0,7  = 0,714

Dari kolom C5 nilai minimalnya adalah ‘0,7’ , maka tiap baris dari kolom C5 menyadi penyebut dari nilai maksimal kolom C5

R15= 0,7/ 0,8 = 0,875

R25 = 0,7 / 1= 0,7

R35 = 0,7 / 1= 0,7

R45 = 0,7 / 0,7 = 1

R55= 0,7/ 1= 0,7

Masukan semua hasil penghitungan tersebut kedalam tabel yang kali ini disebut tabel faktor ternormalisasi

0,5 1 0,7 0,714

0,875

0,8 0,7 1 1 0,7
1 0,3 0,4 0,714 0,7
0,2 1 0,5 0,556 1

1

0,7 0,4

0,714

0,7

Setelah mendapat tabel seperti itu barulah kita mengalikan setiap kolom di tabel tersebut dengan bbot kriteria yang telah kita deklarasikan sebelumnya. Yah kalo di internet-internet sih rumusnya kayak gini.

d

Nah tambah bingung atau tambah jelas sodara-sodara kalo masih bingung liat aja itung itungan ane dibawah ini.

A1 =  (0,5 * 0,3) + (1 * 0,2) + (0,7 * 0,2 ) + (0, 714 * 0,15) + (0, 875 * 0,15)

A1 = 0,72835

A2 =  (0,8  * 0,3) + (0,7 * 0,2) + (  1* 0,2 ) + ( 1 * 0,15) + (0,7 * 0,15)

A2 =  0,835

A3 =  (1  * 0,3) + ( 0,3* 0,2) + ( 0,4 * 0,2 ) + (0,714 * 0,15) + (0,7 * 0,15)

A3 = 0,6521

A4 =  (0,2  * 0,3) + ( 1 * 0,2) + (  0,5* 0,2 ) + (0,556 * 0,15) + ( 1* 0,15)

A4 =  0,5934

A5 =  ( 1 * 0,3) + ( 0,7 * 0,2) + (0,4 * 0,2 ) + (0,714  * 0,15) + ( 0,7 * 0,15)

A5 =  0,7321

Nah dari perbandingan nilai akhir maka didapatkan nilai sebagai berikut.

A1 =  0,72835

A2 =  0,835

A3 =  0,6521

A4 =  0,5934

A5 = 0,7321

Maka alternatif yang memiliki nilai tertinggi dan bisa dipilih adalah alternatif A2 dengan nilai 0,835 dan alternatif A5 dengan nilai 0,7321.

Wah cukup panjang juga perhitungan tulisan saya kali ini. Jika ada yang kurang berkenan mohon maaf ya pemirsa. Saranya ditunggu jika ada kesalahan atau koreksia dari teman-teman. Wassalam.

13 responses

  1. Untuk hasil akhir apakah 0,8 lebih tinggi dari 0,7

    Thanks for share

  2. untuk hasil akhir nilai tertinggi (A2 0,835) dan alternatif (A5 0,7321). yg inggin saya tanyakan nilainya cuma diambil dua angka dibelakang nol bukan jumlah banyaknya angka dibelakang nol?
    kalu banyaknya angka dibelakang nol yg terbesar adalah A1 = 0,72835 dan A5 = 0,7321.
    Mohon pencerahan

    1. dikut andinata | Reply

      mksud terbesar disini adalah nilai yang tertinggi mas. klo kita mau menyamakan kita sederhanakan dulu sampe berapa angka dibelakang koma, tapi tetap o,835 dan 0,7321 adalah yang tertinggi dari angka2 tersebut

  3. mau tanya mas, gimana penjelasan rumus metode tersebut yang Jika J atribut keuntungan maka akan dipilih yg MAX, begitu juga yang MIN, tlong jawabannya……

    1. maksudnya.. jika J diambil nilai MAX itu berarti J merupakan atribut keuntungan/ atribut yang di dicari,…
      misal : Pendidikan tentunya semakin tinggi lebih baik, penampilan semakin menarik semakin diminati, IPK semakin tinggi semakin diminati, pengalaman kerja semakin berpengalaman semakin dicari.
      sedangkan jika J diambil nilai MIN itu berarti J merupakan atribut yang tidak diminati atau dihindari.
      misalnya : Jarak rumah dg kantor. semakin jauh semakin dihindari, karena bisa menimbulkan keterlambatan, status kawin semakin tinggi nilai kawinnya maka semakin dihindari.

      + say juga kurang paham kenapa usia pada contoh diatas bisa menjadi benefit. apa mungkin semakin tua semakin diminatoi.. bisa Jadi.

  4. mau tanya nie mas, itu pada tabel pembobotan kuq nilainya bisa segitu gmn cara ngitungnya ya mas ?

    1. dikut andinata | Reply

      kita sendiri yang menentukan itu mas

  5. Ini dia referensi yang saya cari, trims ya gan, sangat super membantu sekali, ^_^ jadi ngerti S.A.W sekarang. Lebih nyangkut penyampaian materinya

  6. Min. mau tanya, saya masih bingung dengan pemberian nilai pada tabel pertama. nilai-nilai tersebut didapat dari mana? terima kasih

    1. Table pembobotan itu ya gan. Itu kita sendiri yang menentukana(totalnya harus satu). kriterria yang dianggap penting diberi bobot yang lebih tinggi. CMIIW

  7. anggun.ferlia@yahoo.com | Reply

    mas mau tanya ni contoh suatu kasus dalam metode yang baik itu gimana ya ontohny?

    1. aduh saya ga tau juga ya. lazimnya orang itu memiliki kasus lalu cari metode penyelesaiannya dan bukan kebalikannya.

  8. nice share kunjungi juga ya website saya http://www.bahasbuku.com. website revie buku, review novel, dan review buku-buku komputer

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s

%d bloggers like this: