- Harga
: 0.427 -
Luas tanah : 0.241
- Luas bangunan
: 0.249 -
Lokasi : 0.084
- Spesifikasi
: 0
5.2.6 Menentukan vektor bobot untuk setiap �
�
yang mempresentasikan bobot dari setiap menggunakan pendekatan subjektif.
Dalam menentukan
vektor bobot
untuk setiap
kriteria yang
mempresentasikan bobot dari setiap alternatif menggunakan pendekatan subjektif yaitu yang pertama menentukan setiap kriteria masuk ke atribut biaya atau
keuntungan.
Source code
sebagai berikut:
kriteria = [ [nama = harga_rumah, atribut = biaya],
[nama = luas_tanah, atribut = keuntungan], [nama = luas_bangunan, atribut = keuntungan],
[nama = nilai_lokasi, atribut = biaya], [nama = nilai_spesifikasi, atribut = keuntungan],
];
Setelah itu memanggil semua nilai data rumah atau yang akan diolah untuk perhitungan.
Source code
sebagai berikut:
datarumah = this-model_spk-getAllRumah-result;
Berikut adalah hasil
source code
di atas berupa data rumah atau yang akan digunakan:
Gambar 5.25 Array Data Rumah
Data rumah yang diperoleh kemudian dicari nilai maksimal dan minimal setiap kriterianya. Kemudian menghitung nilai bobot pada setiap kriteria tergantung
kriteria tersebut masuk ke atribut biaya atau keuntungan yang sudah ditetapkan.
Source code
sebagai berikut:
for baris = 0; baris countdatarumah; baris++ { for kolom = 0; kolom countkriteria; kolom++
{ max = maxarray_mapfunction rumah use
kriteria, kolom { return rumah-{kriteria[kolom][nama]};
}, datarumah; min = minarray_mapfunction rumah use
kriteria, kolom { return rumah-{kriteria[kolom][nama]};
}, datarumah; if kriteria[kolom][atribut] == biaya {
w_krit[baris][kolom] = max - datarumah[baris]-{kriteria[kolom][nama]}
max - min; } elseif kriteria[kolom][atribut] ==
keuntungan { w_krit[baris][kolom] = datarumah[baris]-
{kriteria[kolom][nama]} - min max - min;
} }
}
Berikut adalah hasil
source code
di atas berupa hasil nilai maksimal dan minimal setiap kriteria yang didapatkan dari dan nilai vektor bobot untuk setiap :
Gambar 5.26 Nilai Maksimal Setiap Kriteria Tabel 5.10 Nilai Maksimal Setiap Kriteria
Harga 1366117500
Luas Tanah 127
Luas Bangunan 103
Lokasi 4684.571
Spesifikasi 40
Gambar 5.27 Nilai Minimal Setiap Kriteria Tabel 5.11 Nilai Minimal Setiap Kriteria
Harga 29308000
Luas Tanah 66
Luas Bangunan 27
Lokasi 3156.857
Spesifikasi 35
Gambar 5.28 Array Nilai Vektor Bobot Setiap Kriteria Tabel 5.12 Nilai Vektor Bobot Setiap Kriteria
1 2
3 4
Nama Harga
Luas Tanah
Luas Bangunan
Lokasi Spesifikasi Rumah 1 BTH Blok
B 2 0.000
1.000 1.000
0.466 1.000
1 Rumah 2 Blok A 1 0.529
0.885 0.605
1.000 0.200
2 Rumah 3 Blok C 1 1.000
0.000 0.066
1.000 0.000
3 Rumah 4 Blok D
1H 0.965
0.213 0.000
1.000 0.000
4 Rumah 5 1 0.754
0.836 0.303
0.000 0.200
Setelah itu menghitung normalisasi nilai vektor bobot pada setiap kriteria, yaitu dengan membagi nilai dari setiap vektor bobot pada setiap kriteria dengan
total nilai vektor bobot pada setiap kriteria.
Source code
sebagai berikut:
for baris = 0; baris countw_krit; baris++ { for kolom = 0; kolom countw_krit[baris];
kolom++ { w_total_krit[baris][kolom] =
w_krit[baris][kolom] array_sumarray_columnw_krit, kolom;
} }
Berikut adalah hasil
source code
di atas berupa hasil nilai vektor bobot untuk setiap yang sudah dinormalisasi:
Gambar 5.29 Array Nilai Normalisasi Vektor Bobot Setiap Kriteria Tabel 5.13 Nilai Normalisasi Vektor Bobot Setiap Kriteria
1 2
3 4
Nama Harga
Luas Tanah
Luas Bangunan
Lokasi Spesifikasi
1 Rumah 1 BTH Blok B 2
0.000 0.341
0.507 0.134
0.714
2 Rumah 2 Blok A 1
0.163 0.302
0.307 0.289
0.143
3 Rumah 3 Blok C 1
0.308 0.000
0.033 0.289
0.000
4 Rumah 4 Blok D 1H
0.297 0.073
0.000 0.289
0.000
5 Rumah 5 1 0.232
0.285 0.153
0.000 0.143
5.2.7 Perangkingan dan Hasil Keputusan.