a. Kalikan setiap nilai pada kolom pertama dengan prioritas relatif elemen
pertama, nilai pada kolom kedua dengan prioritas relatif elemen kedua dan seterusnya.
b. Jumlahkan setiap baris.
c. Hasil dari penjumlahan baris dibagi dengan elemen prioritas relatif yang
bersangkutan. d.
Jumlahkan hasil bagi di atas dengan banyaknya elemen yang ada, hasilnya disebut λ maks.
5. Hitung Consistency Index CI dengan rumus:
CI = λ
maks
–nn Dimana n = banyaknya elemen.
6. Hitung Rasio KonsistensiConsistency RatioCR dengan rumus:
CR = CIRC Dimana CR = Connsistency Index
IR = Index Random Consistency 7.
Memeriksa konsistensi hierarki. Jika nilainya lebih dari 10, ,maka penilaian data judjement
harus di perbaiki. Namun jika konsistensi CICR kurang atau sama dengan 0,1 maka hasil perhitungan bisa dinyatakan benar .
Dimana RI : random index yang nilainya dapat dilihat pada tabel di bawah ini.
Tabel 2.2 Indeks Random N
1 2
3 4
5 6
7 8
9 10
RI 0.00
0.00 0.58
0.90 1.12
1.24 1.32
1.41 1.45
1.49
2.5.2 Simple Additive Weighting SAW
Algoritma SAW merupakan penjumlahan terbobot. Konsep dasar algoritma SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua kriteria .
Algoritma SAW membutuhkan proses normalisasi matriks keputusan X ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Algoritma SAW mengenal
adanya 2 dua atribut yaitu kriteria keuntungan benefit dan kriteria biaya cost. Perbedaan mendasar dari kedua kriteria ini adalah dalam pemilihan kriteria ketika mengambil
keputusan Usito, 2013. Adapun langkah penyelesaian dalam menggunakannya adalah:
Universitas Sumatera Utara
1. Menentukan alternatif, yaitu A
i
2. Menentukan kriteria yang akan dijadikan acuan dalam pengambilan keputusan,
yaitu C
j
3. Memberikan nilai rating kecocokan setiap alternatif pada setiap kriteria.
4. Menentukan bobot preferensi atau tingkat kepentingan W setiap kriteria.
5. Membuat tabel rating kecocokan dari setiap alternatif pada setiap kriteria.
6. Membuat matriks keputusan X yang dibentuk dari tabel rating kecocokan dari
setiap alternatif pada setiap kriteria. 7.
Melakukan normalisasi matriks keputusan dengan cara menghitung nilai rating kinerja ternormalisasi r
ij
dari alternatif Ai pada kriteria C
j.
Jika
j
adalah atribut keuntungan benefit: =
Jika
j
adalah atribut biaya cost: =
Keterangan: r
ij
= nilai rating kinerja ternormalisasi x
ij
= nilai atribut yang dimiliki dari setiap kriteria max x
ij
= nilai terbesar dari setiap kriteria min x
ij
= nilai terkecil dari setiap kriteria benefit
= jika nilai terbesar adalah terbaik cost
= jika nilai terkecil adalah terbaik 8.
Hasil dari nilai rating kinerja ternormalisasi r
ij
membentuk matriks ternormalisasi
9. Hasil akhir nilai preferensi Vi diperoleh dari penjumlahan dari perkalian elemen
baris matriks ternormalisasi R dengan bobot preferensi W yang bersesuaian dengan elemen kolom matriks W.
Vi =
=1
r
ij
Universitas Sumatera Utara
Keterangan: V
i
= nilai untuk setiap alternatif W
j
= nilai bobot dari setiap kriteria r
ij
= nilai rating kinerja ternormalisasi
Hasil perhitungan nilai Vi yang lebih besar mengindikasikan bahwa alternatif A
i
merupakan alternatif terbaik.
2.6 Undifield Modeling Language UML
