2.4. Analytic Hierarchy Process AHP
Salah satu alat metode yang dapat dipakai oleh pengambil keputusan untuk bisa memahami kondisi suatu sistem dan membantu didalam
melakukan prediksi dan pengambilan keputusan adalah Analytic Hierarchy Process AHP Fewidarto, 1996. Analytic Hierarchy Process AHP
merupakan suatu teknis analisis keputusan dengan menggunakan perbandingan berpasangan dalam suatu diagram bertingkat yang umumnya
dimulai dari tujuan sasaran, kemudian kriteria level pertama, lalu sub kriteria dan seterusnya Santoso, 2005. Sumber kerumitan masalah
pengambil keputusan bukan hanya ketidakpastian atau ketidaksempurnaan informasi. Penyebab lainnya adalah faktor yang berpengaruh terhadap
pilihan-pilihan yang ada, beragamnya kriteria, pemilihan dan jika pengambilan keputusan lebih dari satu.
Menurut Fewidarto 1996, ada beberapa keuntungan yang didapat dari penerapan AHP, diantaranya adalah:
1. Penyajian sistem secara hirarki dapat digunakan untuk menjelaskan
bagaimana perubahan-perubahan prioritas pada level atas mempengaruhi prioritas elemen-elemen pada leveltingkatan dibawahnya.
2. Hirarki memberikan banyak informasi yang lengkap pada struktur dan
fungsi suatu sistem dalam level yang lebih rendah dan memberikan gambaran tentang pelaku-pelaku dan tujuan-tujuannya pada level yang
lebih tinggi. Elemen-elemen kendala yang terbaik adalah disajikan pada level yang lebih tinggi lagi untuk menjamin bahwa kendala-kendala itu
diperhatikan. 3.
Sistem alamiah disusun secara hirarki, yaitu dengan membangun konstruksi modul dan akhirnya menyusun rakitan modul-modul itu. Hal ini
jauh lebih efisien daripada merakit modul-modul itu secara keseluruhan sekalipun.
4. Hirarki lebih mantap stabil dan lentur fleksibel. Stabil dalam arti bahwa
perubahan yang kecil mempunyai efek yang kecil, dan lentur dalam hal bahwa penambahan untuk mendapatkan suatu hirarki yang terstruktur baik
tidak mengganggu kerjanya.
2.5. Analytic Network Process ANP
Analytical Network Process ANP merupakan alat analisis yang mampu merepresentasikan tingkat kepentingan berbagai pihak dengan
mempertimbangkan hubungan ketergantungan baik antar kriteria maupun subkriteria. ANP memberikan pendekatan yang lebih akurat karena ANP
mampu menangani masalah yang kompleks yang berkaitan dengan ketergantungan dan umpan balik. ANP memberikan bobot dalam pengukuran
kinerja rantai pasok pada masing-masing anggota rantai pasokan. Analytical Hierarchy Process AHP dan Analytical Network Process
ANP berbeda, pada Analytical Hierarchy Process AHP tidak mempertimbangkan hubungan ketergantungan dan hanya mempertimbangkan
hubungan linier dari atas ke bawah. AHP tidak dapat menangani interkoneksi antara faktor-faktor keputusan pada tingkat yang sama karena kerangka
pengambilan keputusan dalam model AHP mengasumsikan hubungan satu arah antara tingkat hirarki keputusan. Pada jaringan AHP terdapat level
tujuan, kriteria, subkriteria, dan alternatif, tetapi dalam ANP level dalam AHP disebut cluster yang dapat memiliki kriteria dan alternatif di dalamnya yang
disebut simpul. Masing-masing skala rasio menunjukkan perbandingan kepentingan
antara elemen di dalam sebuah komponen dengan elemen di luar komponen outer dependence atau di dalam elemen terhadap elemen itu sendiri yang
berada di komponen dalam. Tidak setiap elemen memberikan pengaruh terhadap elemen dari komponen lain. Elemen yang tidak memberikan
pengaruh pada elemen lain akan memberikan nilai nol. Matriks hasil perbandingan direpresentasikan kedalam bentuk vertikal dan horisontal dan
berbentuk matriks yang bersifat stokastik yang disebut sebagai supermatriks. Supermatriks diharapkan dapat menangkap pengaruh dari elemen-elemen
pada elemen-elemen lain dalam jaringan Saaty and Vargas, 2006.
2.5.1 Konsep-konsep dari ANP
Menurut Saaty dalam Susilo 2008, konsep-konsep dari Analytic Network Process ANP meliputi:
1. Feedback, inner, dan outer dependence
2. Pengaruh dengan respek ke sebuah kriteria
3. Kontrol hirarki atau sistem
4. Supermatrix
5. Limiting supermatrix dan limiting prioritie
6. Primitivity, irreducibility, cyclicity
7. Membuat limiting supermatrix stochastic: mengapa cluster harus
dibandingkan 8.
Sintesis untuk kriteria dari sebuah kontrol hirarki atau sebuah kontrol sistem
9. Sintesis untuk keuntungan, biaya, peluang, dan risiko kontrol
hirarki 10.
Formulasi untuk menghitung limit 11.
Hubungkan ke Neural Network Firing-kasus berkelanjutan 12.
Kepadatan dari neural firing dan distribusi serta aplikasinya untuk menghasilkan kembali citra yang dapat dilihat dan komposisi
simponik.
2.5.2 Prosedur ANP
Menurut Izik et at 2011 proses solusi ANP memiliki empat langkah utama yaitu:
1. Mengembangkan Struktur Model Keputusan Pada langkah ini, masalah harus disusun dan model konseptual
harus dibuat. Awalnya, komponen-komponen penting harus diidentifikasi. Elemen paling atas cluster didekomposisi menjadi
sub-komponen dan atribut node. ANP memungkinkan dependensi baik di dalam sebuah cluster ketergantungan dalam dan antar
cluster ketergantungan luar Saaty dalam Izik et al, 2011. Masing-masing variabel pada setiap tingkat harus didefinisikan
bersama dengan hubungannya dengan unsur-unsur lain dalam sistem.
2. Matriks Perbandingan Berpasangan dari Variabel yang Saling Terkait
Pada ANP, perbandingan elemen berpasangan dalam setiap tingkat dilakukan terhadap kepentingan relatif untuk kriteria kontrol
mereka. Matriks korelasi disusun berdasarkan skala rasio 1 - 9. Ketika penilaian dilakukan untuk sepasang, nilai timbal balik secara
otomatis ditetapkan ke perbandingan terbalik dalam matriks. Setelah perbandingan berpasangan selesai, vektor yang sesuai dengan nilai
eigen maksimum dari matriks yang dibangun dihitung dan vektor prioritas diperoleh. Nilai prioritas ditemukan dengan menormalkan
vektor ini. Dalam proses penilaian, masalah dapat terjadi dalam konsistensi dari perbandingan berpasangan. Rasio konsistensi
memberikan penilaian numerik dari seberapa besar evaluasi ini mungkin tidak konsisten. Jika rasio yang dihitung kurang dari 0.10,
konsistensi dianggap memuaskan Meade dalam Izik et al, 2011. 3. Penghitungan Supermatriks
Setelah perbandingan berpasangan selesai, supermatriks dihitung dalam 3 langkah:
a.Unweighted Supermatrix supermatriks tanpa pembobotan, dibuat secara langsung dari semua prioritas lokal yang berasal dari
perbandingan berpasangan antar elemen yang mempengaruhi satu sama lain;
b.Weighted Supermatrix supermatriks berbobot, dihitung dengan mengalikan nilai dari supermatriks-tanpa-pembobotan dengan
bobot cluster yang terkait; c.Komposisi dari Limiting Supermatrix Supermatriks terbatas,
dibuat dengan memangkatkan supermatriks-berbobot sampai stabil. Stabilisasi dicapai ketika semua kolom dalam supermatriks yang
sesuai untuk setiap node memiliki nilai yang sama. Langkah-langkah ini dilakukan dalam software Super
Decisions, yang merupakan paket perangkat lunak yang dikembangkan untuk aplikasi ANP. Setiap subnetwork, prosedur
yang sama diterapkan dan alternatif diberi peringkat.
4. Bobot Kepentingan dari Clusters dan Nodes Penentuan bobot kepentingan dari faktor penentu dengan
menggunakan hasil supermatriks-terbatas dari model ANP. Prioritas keseluruhan dari setiap alternatif dihitung melalui proses sintesis.
Hasil yang diperoleh dari masing-masing subnetwork disintesis untuk memperoleh prioritas keseluruhan dari alternatif.
2.5.3 Prinsip Dasar ANP
Seperti halnya AHP, ANP juga memiliki prinsip-prinsip dasar. Menurut Saaty dalam Susilo 2008 prinsip-prinsip dasar ANP juga ada
tiga, yaitu dekomposisi, penilaian komparasi, dan komposisi hirarkis atau sintesis dari prioritas, sama seperti prinsip dasar AHP. Prinsip
dekomposisi diterapkan untuk menstrukturkan masalah yang kompleks menjadi kerangka hirarki atau jaringan cluster, sub-cluster, sub-sub
cluster, dan seterusnya. Dengan kata lain dekomposisi adalah memodelkan masalah ke dalam kerangka ANP. Prinsip penilaian
komparasi diterapkan untuk membangun pairwise comparison perbandingan pasangan dari semua kombinasi elemen-elemen dalam
cluster dilihat dari cluster induknya. Perbandingan pasangan ini digunakan untuk mendapatkan prioritas lokal dari elemen-elemen
dalam cluster dengan prioritas global seluruh hirarki dan menjumlahkannya untuk menghasilkan prioritas global untuk elemen
level terendah.
2.6. Landasan Matematik Penilaian Risiko
Menurut Halikas et al 2004 dalam Marimin dan Maghfiroh 2010, dua metode utama untuk mengukur risiko rantai pasok adalah metode
pengukuran risiko berdasarkan pendapat pakar bersifat subjektif dan metode pengukuran risiko secara statistik bersifat objektif. Menurut Hadiguna
2010, proses pengambilan keputusan yang melibatkan pendapat berbagai pakar menjadi sangat rumit jika setiap pendapat didasarkan pada kriteria
jamak. Pengambilan keputusan tersebut dikenal dengan istilah Multi-Expert Person Multi Criteria Decision Making atau ME-MCDM. Proses agregasi
rating dan preferensi serta penggabungan pendapat dari setiap pakar
mendukung penyelesaian teknik ME-MCDM, sehingga penyelesaian yang dihasilkan adalah yang paling diterima oleh kelompok secara keseluruhan
Hadiguna, 2010 Operasi agregasi kriteria adalah metode Order Weighted Average
OWA. Operator OWA merupakan operator yang dapat dengan mudah menyesuaikan atau mengagresikan operator “dan” dan operator “atau” dalam
persoalan ME-MCDM Yager 1988 dalam Santoso 2005. Operasi agregasi kriteria dirumuskan oleh Yager dalam Santoso 2005 yaitu:
dimana: P
ik
= Nilai agregasi risiko dari penilai Iq
j
= Nilai kemungkinan terjadinya risiko frekuensi NegIq
j
= Nilai negasi I q
j
P
ik
q
j
= Nilai tingkat kekerasan risiko dari pendapat penilai dampak v
= Notasi maksimum Rumus tersebut menunjukkan bahwa kriteria yang tingkat kepentingannya
rendah mempunyai pengaruh yang kecil terhadap skor keseluruhan. Bobot faktor nilai pengambil keputusan pakar dengan formula:
Q
A
k = S
bk
dimana: Q
A
= Bobot rata-rata penilai pada skala k q
= Jumlah skala penilai risiko 5 r
= Jumlah penilai pakar 3 Agregasi keputusan ahli dengan menggunakan operator Order Weighted
Average OWA dirumuskan sebagai berikut:
dimana: Pi
= Nilai agregasi risiko Q
j
= Bobot kelompok penilai Bj
= Pengurutan nilai dari besar ke kecil = Notasi minimum
P
ik
=Min[NegIq
j
vP
ik
q
j
]......................................1
b
k
= Int [1 + k q – 1 r]…………….……2
Pi =Maxj...r [ Q
j
Bj]...............................3
2.7. Penelitian Terdahulu
Kategori