2.4 Simple Additive Weighting SAW
Metode SAW adalah metode penjumlahan terbobot yang digunakan dalam memecahkan masalah multi kriteria. Konsep dasar metode ini adalah mencari
penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut[10]. Churchman dan Ackoff 1954 pertama sekali menggunakan metode SAW ini untuk
mengatasi masalah penyeleksian portofolio. Metode ini mungkin yang paling populer dan sering digunakan dalam penyelesaian masalah multiple attribute decision making
MADM [15]. Metode SAW membutuhkan proses normalisasi matriks keputusan X ke
suatu skala yang dapat dibandingkan dengan semua rating alternatif yang ada. Hasil akhir metode SAW didapatkan dari ranking nilai utilitas terbesar dari semua alternatif.
Rumus untuk mencari nilai utilitas setiap alternatif adalah[15] :
= w
j
............ 5
Keterangan : = nilai utilitas alternatif
w
j
= nilai bobot preferensi kriteria = rating kinerja ternormalisasi dari alternatif
pada kriteria .
Dalam Penentuan matriks pada setiap kriteria dari alternatif-alternatif yang ada
perlu diketahui atribut keuntungan dan atribut biaya terlebih dahulu. Jika dalam suatu kriteria nilai yang dicari adalah nilai terbesar maka atribut keuntunganlah yang
digunakan, dan jika yang dicari adalah nilai yang paling minimum maka atribut biaya yang digunakan. Berikut adalah rumus untuk menghitung atribut keuntungan dan
biaya[15].
Universitas Sumatera Utara
= ⎩
⎪ ⎨
⎪ ⎧
............6
Keterangan : = rating kinerja ternormalisasi dari alternatif
pada kriteria . Max
= Nilai maks jika yang dicari adalah atribut keuntungan atau nilai tertinggi. Min
= Nilai min jika yang dicari adalah atribut biaya atau nilai terendah. Hasil akhir diperoleh dari setiap proses perangkingan yaitu penjumlahan dari
perkalian matriks ternormalisasi dengan bobot prefrensi sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik u
i
sebagai solusi. Contoh perhitungan dengan kasus penilaian ketua OSIS :
Tabel 2.6 Tabel Skala Penilaian Nilai Bobot
Nilai
Sangat Baik 5
Baik 4
Cukup 3
Kurang 2
Buruk 1
Tabel 2.7 Tabel Data Kandidat Pemilihan :
Nama Kerja sama
Prestasi Tanggung jawab
Fanny Anggara 3
3 3
Muhammad Fadhli 2
3 2
Jesades Berlin 4
4 3
Hidayat Syahputra 3
4 4
Universitas Sumatera Utara
Tabel 2.8 Tabel Rating Kecocokan
Nama C1
C2 C3
Fanny Anggara 3
3 3
Muhammad Fadhli 2
3 2
Jesades Berlin 4
4 3
Hidayat Syahputra 2
4 4
Vektor bobot W = [ 4 , 3 , 4] Matriks keputusan X berdasarkan kriteria bobot :
3 3 3 2 3 2
4 4 3 2 4 4
Normalisasi Matrik Keputusan :
Alternatif A
1
Alternatif A
2
r
11
= 3
= 0.75 r
21
= 2
= 0.5 Max 3;2;4;3
Max 3;2;4;3 r
12
= 3
= 0.75 r
22
= 3
= 0.75 Max 3;3;4;4
Max 3;3;4;4 r
13
= 3
= 0.75 r
23
= 2
= 0.5 Max 3;2;3;4
Max 3;2;3;4
Alternatif A
3
Alternatif A
4
r
31
= 4
= 1 r
41
= 2
= 0.5 Max 3;2;4;3
Max 3;2;4;3 r
32
= 4
= 1 r
42
= 4
= 1 Max 3;3;4;4
Max 3;3;4;4 X =
Universitas Sumatera Utara
r
33
= 3
= 0.75 r
43
= 4
= 1 Max 3;2;3;4
Max 3;2;3;4 D
Dari hasil perhitungan diatas didapat matriks ternormalisasi sebagai berikut : 0.75 0.75 0.75
R = 0.5 0.75 0.5 1
1 0.75
0.5 1
1 Mencari nilai utilitas alternatif terbaik dengan persamaan[12] :
= w
j
............ 6
u1
= 0,75 x 4 + 0,75x3 + 0.75x 4 = 8.25 u
2
= 0,5x4 + 0.75x3 + 0,5x4 = 6.25 u
3
= 1x4 + 1x3 + 0,75x4 = 10 u
4
= 0,5x4 + 1x3 + 1x4 = 9 u
3
merupakan nilai preferensi dari alternatif A3, sehingga A3 atau dalam kasus ini Jesades berlin menjadi alternatif terbaik.
Universitas Sumatera Utara
2.5 Penelitian Terdahulu
Kategori