bab 2 landasan teorirepository.usu.ac.id/bitstream/123456789/33353/4/chapter...beberapa kriteria...
TRANSCRIPT
BAB 2
LANDASAN TEORI
2.1 Multi-Criteria Decision Making (MCDM)
Multi-Criteria Decision Making (MCDM) adalah suatu metode pengambilan
keputusan untuk menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan
beberapa kriteria tertentu. Kriteria biasanya berupa ukuran-ukuran atau aturan-aturan
atau standar yang digunakan dalam pengambilan keputusan. Secara umum dapat
dikatakan bahwa MCDM menyeleksi alternatif terbaik dari sejumlah alternatif.
(Kusumadewi et al, 2006).
Janko (2005) dalam Kusumadewi et al, (2006) menyebutkan terdapat beberapa
fitur umum yang digunakan dalam MCDM, yaitu:
1. Alternatif, alternatif adalah obyek-obyek yang berbeda dan memiliki
kesempatan yang sama untuk dipilih oleh pengambil keputusan.
2. Atribut, atribut sering juga disebut sebagai kriteria keputusan.
3. Konflik antar kriteria, bebrapa kriteria biasanya mempunyai konflik antara satu
dengan yang lainnya, misalnya kriteria keuntungan akan mengalami konflik
dengan kriteria biaya.
4. Bobot keputusan, bobot keputusan manunjukkan kepentingan relatif dari setiap
kriteria, ๐ = (๐ค1, ๐ค2, ๐ค3, โฆ , ๐ค๐).
5. Matriks keputusan, suatu matriks keputusan ๐ yang berukuran ๐ x ๐, berisi
elemen-elemen ๐ฅ๐๐ yang merepesentasikan rating dari alternatif ๐ด๐ ; ๐ =
1,2,3, โฆ , ๐ terhadap kriteria ๐ถ๐ ; ๐ = 1,2,3, โฆ , ๐.
Universitas Sumatera Utara
2.2 Analytic Hierarchy Process (AHP)
Analytic hierarchy process (AHP) dikembangkan oleh Thomas L. Saaty pada awal
tahun 1970. Metode AHP merupakan salah satu metode perbandingan berpasangan
yang paling populer digunakan untuk pengambilan keputusan dalam permasalahan
Multi-Criteria Decision Making (MCDM). Pendekatan AHP didesain untuk
membantu pengambil keputusan untuk menggabungkan faktor kualitatif dan faktor
kuantitatif dari suatu permasalahan yang kompleks. Penggunaan AHP dalam berbagai
bidang meningkat cukup signifikan, hal ini dikarenakan AHP dapat menghasilkan
solusi dari berbagai faktor yang saling bertentangan. AHP diaplikasikan dalam bidang
agrikultur, sosiologi, industri dan lain sebagainya.
Prinsip kerja AHP adalah membentuk suatu struktur permasalahan. Dalam
menyelesaikan permasalahan MCDM, AHP menyusun struktur hirarki masalah mulai
dari yang paling atas yang disebut goal, kemudian dibawahnya disebut variabel
kriteria dan selanjutnya diikuti oleh variabel alternatif. Pengambil keputusan,
selanjutnya memberikan penilaian numerik berdasarkan pertimbangan subjektifitas
terhadap variabel-variabel yang ada untuk menentukan tingkatan prioritas masing-
masing variabel tersebut.
2.2.1 Prinsip-prinsip AHP
Ada beberapa prinsip dasar dalam menyelesaikan persoalan dengan Metode AHP,
yakni (Mulyono, 2004):
1. Decomposition
Prinsip ini merupakan tindakan memecah persoalan-persoalan yang utuh
menjadi unsur-unsurnya. Jika ingin mendapat hasil yang akurat, pemecahan
dilakukan terhadap unsur-unsurnya sampai tidak mungkin dilakukan
pemecahan yang lebih lanjut sehingga didapatkan beberapa tingkatan dari
persoalan yang ada. Karena alasan ini, maka proses analisis ini dinamakan
hirarki (hierarchy). Ada dau jenis hirarki, yaitu lengkap (complete) dan tidak
lengkap (incomplete). Suatu hirarki disebut lengkap (complete) bila semua
elemen pada suatu tingkat memiliki semua elemen pada tingkat berikutnya,
Universitas Sumatera Utara
jika tidak demikian, dinamakan hirarki tidak lengkap (incomplete). Bentuk
struktur decomposition yakni:
Tingkat pertama : Goal (Objektif/ Tujuan keputusan)
Tingkat kedua : Kriteria-kriteria
Tingkat ketiga : Alternatif-alternatif
Gambar 2.1 Hirarki keputusan dari AHP
2. Comparative Judgment
Prinsip ini berarti membuat penilaian tentang kepentingan relatif dua elemen
pada suatu tingkat tertentu dalam kaitannya dengan tingkat yang diatasnya.
Penilaian ini merupakan inti dari metode AHP, karena ia akan berpengaruh
terhadap prioritas elemen-elemen. Hasil dari penilaian ini disajikan dalam
bentuk matriks yang disebut matriks pairwise comparison yaitu matriks
perbandingan berpasangan yang memuat tingkat preferensi pengambil
keputusan terhadap alternatif berdasarkan kriteria-riteria yang ada. Skala yang
digunakan untuk menyatakan tingkat preferensi adalah skala Saaty, di mana
skala 1 menunjukkan tingkat โsama pentingnyaโ, skala 3 menunjukkan
โmoderat pentingnyaโ, skala 5 menunjukkan โkuat pentingnyaโ, skala 7
menunjukkan โsangat kuat pentingnyaโ dan skala 9 yang menunjukkan tingkat
โekstrim pentingnyaโ.
Goal
Kriteria 1 Kriteria 2 Kriteria i
Alternatif 1 Alternatif 2 Alternatif j
Universitas Sumatera Utara
Tabel 2.1 Skala Saaty (Mulyono, 2004)
Tingkat Kepentingan Definisi
1 Sama pentingnya dibanding yang lain
3 Moderat pentingnya dibanding yang lain
5 Kuat pentingnya dibanding yang lain
7 Sangat kuat pentingnya dibanding yang lain
9 Ekstrim pentingnya dibanding yang lain
2,4,6,8 Nilai di antara dua penilaian yang berdekatan
3. Synthesis of Priority
Setelah matriks pairwise comparison diperoleh, kemudian dicari eigen
vektornya untuk mendapatkan local priority. Karena matriks pairwise
comparison terdapat pada setiap tingkat, maka untuk mendapatkan global
priority dapat dilakukan dengan sintesa diantara local priority.
4. Logical Consistency
Konsistensi memiliki dua makna. Pertama adalah bahwa obyek-obyek yang
serupa dapat dikelompokkan sesuai dengan keseragaman dan relevansinya.
Kedua adalah tingkat hubungan antara obyek-obyek yang didasarkan pada
kriteria tertentu.
2.2.2 Tahapan-tahapan AHP
Tahapan-tahapan pengambilan keputusan dengan Metode AHP adalah sebagai berikut:
1. Mendefinisikan masalah dan menentukan solusi yang diinginkan
2. Membuat struktur hirarki yang diawali dengan tujuan umum, dilanjutkan
dengan kriteria-kriteria, sub kriteria dan alternatif-alternatif pilihan yang ingin
di ranking.
Universitas Sumatera Utara
3. Membentuk matriks perbandingan berpasangan yang menggambarkan
kontribusi relatif atau pengaruh setiap elemen terhadap masing-masing tujuan
atau kriteria yang setingkat diatasnya. Perbandingan dilakukan berdasarkan
pilihan atau judgment dari pembuat keputusan dengan menilai tingkat tingkat
kepentingan suatu elemen dibandingkan elemen lainnya.
4. Menormalkan data yaitu dengan membagi nilai dari setiap elemen di dalam
matriks yang berpasangan dengan nilai total dari setiap kolom.
5. Menghitung nilai eigen vector dan menguji konsistensinya, jika tidak konsisten
pengambil data (preferensi) perlu diulangi. Nilai eigen vector yang dimaksud
adalah nilai eigen vector maximum yang diperoleh dengan menggunakan
matlab maupun manual.
6. Mengulangi langkah 3, 4, dan 5 untuk seluruh tingkat hirarki.
7. Menghitung eigen vector dari setiap matriks perbandingan berpasangan. Nilai
eigen vector merupakan bobot setiap elemen. Langkah ini mensintesis pilihan
dan penentuan prioritas elemen-elemen pada tingkat hirarki terendah sampai
pencapaian tujuan.
8. Menguji konsistensi hirarki. Jika tidak memenuhi dengan CR<0,100 maka
penilaian harus diulang kembali.
2.2.3 Hubungan Prioritas Sebagai Eigen Vector Terhadap Konsistensi
Mulyono (2004) menyatakan apabila diketahui elemen-elemen dari suatu tingkat
dalam hirarki adalah ๐ถ1, ๐ถ2, ๐ถ3, โฆ , ๐ถ๐ dengan bobot pengaruh masing-masing adalah
๐ค1, ๐ค2, ๐ค3, โฆ , ๐ค๐ . Misalkan ๐๐๐ =๐ค ๐
๐ค๐ menunjukkan kekuatan ๐ถ๐ dibandingkan dengan
๐ถ๐ , maka matriks yang memuat angka-angka ๐๐๐ ini dinamakan matriks pairwise
comparison (perbandingan berpasangan), diberi simbol ๐ด. Matriks perbandingan
Universitas Sumatera Utara
berpasangan ๐ด merupakan matriks reciprocal, di mana ๐๐๐ =1
๐๐๐. Jika penilaian
tersebut sempurna pada setiap perbandingan, maka ๐๐๐ . ๐๐๐ = ๐๐๐ untuk semua ๐, ๐, ๐
dan matriks ๐ด dinamakan konsisten.
๐ด =
1 ๐12 โฏ ๐1๐
1
๐121 โฏ ๐2๐
โฎ โฎ โฑ โฎ1
๐1๐
1
๐2๐โฏ 1
Nilai-nilai pada matriks perbandingan A dapat dinyatakan kedalam bentuk sebagai
berikut:
๐๐๐ =๐ค ๐
๐ค๐; di mana ๐, ๐ = 1,2,3, โฆ , ๐ (2.1)
karena ciri reciprocal, dapat diuraikan menjadi:
๐๐๐ =๐ค ๐
๐ค๐=
1๐ค๐
๐ค๐
=1
๐๐๐
sehingga
๐๐๐ โ ๐ค๐
๐ค ๐ = 1; di mana ๐, ๐ = 1,2,3, โฆ , ๐ (2.2)
konsekuensinya :
๐๐๐ โ ๐ค๐ โ 1
๐ค ๐ = ๐๐
๐ =1 ; ๐ = 1, 2, 3, โฆ , ๐ (2.3)
๐๐๐ . ๐ค๐ = ๐๐ค๐๐๐ =1 ; ๐ = 1, 2, 3, โฆ , ๐ (2.4)
Persamaan (2.4) dalam bentuk matriks menjadi :
๐ด โ ๐ค = ๐ โ ๐ค (2.5)
Persamaan ini menunjukkan bahwa ๐ค merupakan eigen vector dari matriks ๐ด dengan
eigen value ๐.
Jika ๐๐๐ tidak didasarkan pada ukuran pasti (seperti ๐ค1, ๐ค2, ๐ค3, โฆ , ๐ค๐ ), tetapi
pada penilaian subjektif, maka ๐๐๐ akan menyimpang dari rasio ๐ค ๐
๐ค๐ yang
Universitas Sumatera Utara
sesungguhnya, dan akibatnya ๐ด โ ๐ค = ๐ โ ๐ค tidak terpenuhi lagi. Tetapi ada 2
kenyataan dalam teori matriks yang memberikan kemudahan:
Pertama, jika ๐ง1, ๐ง2, ๐ง3, โฆ , ๐ง๐ adalah angka-angka yang memenuhi
persamaan ๐ด โ ๐ค = ๐ โ ๐ค, di mana ๐ merupakan eigen value dari matriks ๐ด,dan jika
๐๐๐ = 1 untuk ๐, maka :
๐๐ = ๐๐๐=1 (2.6)
karena itu jika ๐ด๐ค = ๐๐ค di penuhi, maka semua nilai eigen value sama dengan nol
kecuali eigen value yang bernilai sebesar ๐. Maka jelas dalam kasus konsistensi, n
merupakan eigen value terbesar.
Kedua, jika salah satu ๐๐๐ dari matriks reciprocal ๐ด berubah sangat kecil, maka
eigen value juga berubah sangat kecil. Kombinasi keduanya menjelaskan bahwa jika
diagonal matriks ๐ด terdiri dari ๐๐๐ = 1 dan jika ๐ด konsisten, maka perubahan kecil
pada ๐๐๐ menahan eigen value terbesar ๐๐๐๐๐ dekat ke ๐ dan eigen value sisanya dekat
ke nol. Karena itu persoalannya adalah jika ๐ด merupakan pairwise comparison matrix,
maka untuk memperoleh vektor prioritas harus dicari ๐ค yang memenuhi :
๐ด๐ค = ๐๐๐๐๐ โ ๐ค (2.7)
Perubahan kecil pada ๐๐๐ menyebabkan perubahan ๐๐๐๐๐ . Penyimpangan ๐๐๐๐ ๐ dari ๐
merupakan ukuran dari konsistensi. Indikator dari konsistensi diukur dengan
menggunakan Consistency Index (CI) yang dirumuskan sebagai berikut :
๐ถ๐ผ =๐๐๐๐๐ โ๐
๐โ1 (2.8)
AHP mengukur seluruh kosistensi penilaian dengan menggunakan Consistency Ratio
(CR), membagikan Consistency Index (CI) terhadap Random Index:
๐ถ๐ =๐ถ๐ผ
๐ ๐ผ (2.9)
Suatu tingkat konsistensi yang tertentu memang diperlukan dalam penentuan
prioritas untuk mendapatkan hasil yang sah. Nilai CR semestinya tidak lebih dari 10%
atau 0,10. Jika tidak maka perlu dilakukan revisi.
Universitas Sumatera Utara
Nilai RI dapat dilihat pada tabel berikut ini :
Tabel 2.2 Random Index (RI)
n 1 2 3 4 5 6 7 8 9 10 11 12 13
RI 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49 1.51 1.54 1.56
2.3 Himpunan Fuzzy
Logika fuzzy pertama kali diperkenalkan oleh Lotfi A. Zadeh, seorang ilmuwan
Amerika Serikat dari universitas California di Berkeley, melalui tulisannya pada tahun
1965 yang berjudul โFuzzy Setsโ. Logika fuzzy umumnya diterapkan pada masalah-
masalah yang mengandung unsur ketidakpastian, ketidakjelasan, ketidaktepatan, dan
kebenaran parsial. Tettamanzi (2001) dalam Kusumadewi et al (2006), menyatakan
bahwa teori fuzzy merupakan kerangka matematis yang digunakan untuk
merepresentasikan ketidakpastian, ketidakjelasan, ketidaktepatan, dan kebenaran
parsial tersebut.
Pada dasarnya, teori himpunan fuzzy merupakan perluasan dari teori himpunan
klasik (crisp). Dalam teori himpunan klasik (crisp), keberadaan suatu elemen pada
suatu himpunan, ๐ด, hanya akan memiliki dua kemungkinan nilai keanggotaan yaitu 0
dan 1. Nilai 0 jika ๐ โ ๐ด dan 1 jika ๐ โ ๐ด.
Misalkan usia "muda" didefinisikan dengan ๐ฅ < 35 tahun. Berdasarkan teori
himpunan klasik (crisp), perubahan kecil untuk usia 35 tahun 1 bulan berakibat usia
tersebut tidak termasuk dalam kategori "muda". Dari kondisi tersebut dapat dilihat
bahwa penggunaan himpunan klasik (crisp) dalam merepresentasikan variabel usia
adalah kurang bijaksana, karena adanya perubahan kecil pada suatu nilai dapat
menyebabkan perbedaan kategori yang sangat signifikan.
Sebagai perluasan dari teori himpunan klasik (crisp), teori himpunan fuzzy
memperluas jangkauan nilai keanggotaannya. Nilai keanggotaan pada himpunan fuzzy
merupakan bilangan real yang berada pada interval [0,1].
Universitas Sumatera Utara
2.3.1 Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu fungsi yang menunjukkan
pemetaan titik-titik data ke dalam nilai keanggotaannya yang memiliki interval [0,1].
Nilai keanggotaan menyatakan derajat kesesuaian titik-titik data dalam suatu
himpunan (sering juga disebut dengan derajat keanggotaan):
Secara matematis, himpunan kabur ๐ด dalam himpunan semesta ๐ dapat
direpresentasikan sebagai pasangan berurutan:
๐ด = ๐ฅ, ๐๐ด ๐ฅ ๐ฅ โ ๐
di mana ๐๐ด adalah derajat keanggotaan dari ๐ฅ, yang merupakan suatu pemetaan dari
himpunan semesta ๐ ke interval [0,1].
2.3.2 Bilangan Fuzzy Triangular (Triangular Fuzzy Numbers/ TFN)
Triangular fuzzy numbers dapat dinyatakan sebagai triplet ๐1, ๐2, ๐3 di mana
๐1, ๐2, ๐3 masing-masing adalah titik kiri, titik tengah dan titik kanan. Fungsi
keanggotaan ๐๐ด ๐ฅ dari TFN adalah sebagai berikut :
๐๐ด ๐ฅ =
๐ฅโ๐1
๐2โ๐1 ; ๐1 โค ๐ฅ โค ๐2
๐3โ๐ฅ
๐3โ๐2 ; ๐2 โค ๐ฅ โค ๐3
0 ; ๐๐๐๐๐๐ฆ๐
(2.10)
Selain dengan fungsi, Triangular fuzzy numbers (TFN) juga dapat
direpresentasikan dengan gambar berikut:
๐1 ๐2 ๐3
Gambar 2.2 Kurva TFN
0 x
๐ด
๐๐ด (๐ฅ)
1
Universitas Sumatera Utara
2.3.3 Level ฮฑ (ฮฑ-Cut)
Level ฮฑ atau ฮฑ-Cut merupakan nilai ambang batas titik-titik data (domain) yang
didasarkan pada nilai keanggotaan untuk tiap-tiap titik-titik data (domain). Bilangan
fuzzy ๐ด , dengan ฮฑ-cut yang ditentukan, merupakan himpunan semua domain dalam ๐ด
yang derajat keanggotaannya lebih besar atau sama dengan ฮฑ. Secara matematis dapat
dinotasikan sebagai berikut:
๐ด ๐ผ = ๐ฅ ๐ฅ โ ๐ด , ๐๐ด ๐ฅ โฅ ฮฑ , โ๐ผ โ [0,1]
Sementara itu, apabila dinyatakan interval konfidensi (interval of confidence)
pada level ฮฑ, triangular fuzzy number (TFN) dapat dikarakteristikkan sebagai berikut
(Cheng et al, 1993):
โ๐ผโ 0,1
๐ด ๐ผ = ๐1 ๐ผ
, ๐3 ๐ผ
๐ด ๐ผ = [ ๐2 โ ๐1 ๐ผ + ๐1, โ ๐3 โ ๐2 ๐ผ + ๐3] (2.11)
2.3.4 Bilangan Fuzzy Segitiga Positif
Bilangan fuzzy ๐ด disebut bilangan fuzzy positif jika derajat keanggotaannya, ๐๐ด ๐ฅ
memenuhi ๐๐ด ๐ฅ = 0, โ๐ฅ < 0. (Nasseri, 2008).
Beberapa operasi pada bilangan fuzzy segitiga positif dengan interval of
confidence diberikan (Cheng et al, 1993):
โ๐1, ๐3, ๐1, ๐3 โ โ+, ๐ด ๐ผ = ๐1 ๐ผ
, ๐3 ๐ผ
, ๐ต ๐ผ = ๐1 ๐ผ
, ๐3 ๐ผ
, โ๐ผโ 0,1
๐ด โ ๐ต = ๐1 ๐ผ
+ ๐1 ๐ผ
, ๐3 ๐ผ
+ ๐3 ๐ผ
, (2.12)
๐ด โ ๐ต = ๐1 ๐ผ
โ ๐1 ๐ผ
, ๐3 ๐ผ
โ ๐3 ๐ผ
, (2.13)
๐ด โ ๐ต = ๐1 ๐ผ
๐1 ๐ผ
, ๐3 ๐ผ
๐3 ๐ผ
, (2.14)
๐ด โ ๐ต = ๐1
๐ผ
๐3 ๐ผ ,
๐3 ๐ผ
๐1 ๐ผ (2.15)
di mana โ,โ,โ, dan โ masing-masing menyatakan operator penjumlahan,
pengurangan, perkalian, dan pembagian pada dua interval of confidence
Universitas Sumatera Utara
2.3.5 Index of Optimism
Index of optimism (ฮป) merupakan metode untuk membandingkan bilangan fuzzy
berdasarkan kombinasi dari memaksimalkan kemungkinan dan meminimalkan
kemungkinan. Index of optimism yang dinotasikan dalam selang tertutup [0,1]
menyatakan sikap pengambil keputusan terhadap risiko (decision makerโs risk taking
attitude). (Kim et al, 1988).
Index of optimism dapat dinyatakan dengan:
๐ ๐๐๐ผ = 1 โ ๐ ๐๐๐๐
๐ผ + ๐๐๐๐๐ข๐ผ , โ๐ โ [0,1] (2.16)
Namun secara umum index of optimism dibagi menjadi 3 bagian:
1. Optimis (optimistic decision makerโs), ๐ = 1
2. Moderat (moderate decision makerโs), ๐ = 0,5
3. Pesimis (pessimist decision makerโs), ๐ = 0
2.4 Fuzzy-Analytic Hierarchy Process (FuzzyโAHP )
Analytic Hierarchy Process (AHP) merupakan salah satu metode Multi-Criteria
Decision Making (MCDM) yang paling sering digunakan. AHP digunakan dalam
perencanaan dan proses pengambilan keputusan, pendekatan sistematis dan logis
digunakan untuk mencapai suatu solusi dari permasalahan. Namun ketidakmampuan
AHP untuk mengatasi ketidakpresisian dan ketidakpastian yang dialami pengambil
keputusan ketika harus menyatakan penilaian yang pasti dalam proses perbandingan
berpasangan menyebabkan metode ini sering dikritisi. Mengakomodasi adanya
ketidakpresisian dan ketidakpastian tersebut, diajukan suatu metode yang merupakan
penggabungan antara metode AHP dengan pendekatan Fuzzy. Fuzzy-AHP
menggunakan nilai interval untuk menanggulangi ketidakpastian dari pengambil
keputusan. Dari nilai interval tersebut pengambil keputusan dapat memilih nilai-nilai
yang sesuai dengan tingkat keyakinannya.
Dalam metode Fuzzy AHP digunakan Triangular Fuzzy Number (TFN) untuk
merepresentasikan penilaian pengambil keputusan dalam matriks perbandingan
Universitas Sumatera Utara
berpasangan. TFN dapat dinyatakan sebagai triplet (๐1, ๐2, ๐3). Tabel berikut
memperlihatkan TFN yang digunakan untuk keperluan perbandingan berpasangan:
Tabel 2.3 Tabel Fungsi Keanggotaan Bilangan Fuzzy
Fuzzy Number Membership Function Definisi
1 (1, 1 ,3) Sama penting
3 (1, 3 ,5) Sedikit lebih penting
5 (3, 5, 7) Lebih penting
7 (5, 7, 9) Sangat penting
9 (7, 9, 9) Mutlak lebih penting
2.4.1 Langkah-langkah Fuzzy-AHP
Langkah-langkah dalam fuzzy-AHP (Cheng, 1997. Entropy-Based Fuzzy-AHP):
1. Bentuk struktur hirarki dari suatu permasalahan.
2. Tentukan Fuzzy Judgment Matrix ๐ . Elemen-elemen pada matriks ini
merupakan nilai perbandingan berpasangan antara masing-masing alternatif
dengan kriteria-kriteria yang ada. Triangular fuzzy numbers 1 , 3 , 5 , 7 , 9
sebagaimana yang terdapat pada Tabel 2.3, digunakan untuk menunjukkan
tingkat kepentingan dari elemen-elemen pada suatu hirarki.
๐ =
๐ฅ 11 ๐ฅ 12 โฏ ๐ฅ 1๐
๐ฅ 21 ๐ฅ 22 โฏ ๐ฅ 2๐
โฎ โฎ โฑ โฎ๐ฅ ๐1 ๐ฅ ๐1 โฏ ๐ฅ ๐๐
3. Tentukan Fuzzy Subjective Weight Vector ๐ untuk tiap kolom dari fuzzy
judgment matrix ๐ . Fuzzy subjective weight vector merupakan penilaian
subjektif dari pengambil keputusan mengenai tingkat kepentingan untuk
seluruh kriteria yang ada.
๐ = ๐ค 1 ๐ค 2 โฏ ๐ค ๐
Universitas Sumatera Utara
4. Bentuk Total fuzzy judgment matrix ๐ด dengan mengalikan subjective weight
vector ๐ dengan kolom yang bersesuaian pada fuzzy judgment matrix ๐ .
Sehingga diperoleh:
๐ด =
๐ค 1 โ ๐ฅ 11 ๐ค 2 โ ๐ฅ 12 โฏ ๐ค ๐ โ ๐ฅ 1๐
๐ค 1 โ ๐ฅ 21 ๐ค 2 โ ๐ฅ 22 โฏ ๐ค ๐ โ ๐ฅ 2๐
โฎ โฎ โฑ โฎ๐ค 1 โ ๐ฅ ๐1 ๐ค 2 โ ๐ฅ ๐1 โฏ ๐ค ๐ โ ๐ฅ ๐๐
5. Berdasarkan operasi perkalian dan penjumlahan pada bilangan fuzzy dengan
interval of confidence, diperoleh:
๐ด ๐ผ = ๐11๐
๐ผ , ๐11๐ข๐ผ โฏ ๐1๐๐
๐ผ , ๐1๐๐ข๐ผ
โฎ โฑ โฎ ๐๐1๐
๐ผ , ๐๐1๐ข๐ผ โฏ ๐๐๐๐
๐ผ , ๐๐๐๐ข๐ผ
di mana ๐๐๐๐๐ผ = ๐ค๐๐
๐ผ๐ฅ๐๐๐๐ผ , ๐๐๐๐ข
๐ผ = ๐ค๐๐ข๐ผ ๐ฅ๐๐๐ข
๐ผ , ๐ข๐๐ก๐ข๐ 0 < ๐ผ โค 1 ๐๐๐ ๐ ๐๐๐ข๐ ๐, ๐
6. Dengan ฮฑ diketahui, index of optimism ฮป akan dibentuk berdasarkan derajat
optimisme dari pengambil keputusan. Semakin besar nilai ฮป menunjukkan
derajat optimisme yang semakin tinggi. Index of optimism dinyatakan sebagai
berikut:
๐ ๐๐๐ผ = 1 โ ๐ ๐๐๐๐
๐ผ + ๐๐๐๐๐ข๐ผ , โ๐ โ [0,1] (2.17)
sehingga diperoleh:
๐ด =
๐ 11๐ผ ๐ 12
๐ผ โฏ ๐ 1๐๐ผ
๐ 21๐ผ ๐ 22
๐ผ โฏ ๐ 2๐๐ผ
โฎ โฎ โฑ โฎ๐ ๐1
๐ผ ๐ ๐2๐ผ โฏ ๐ ๐๐
๐ผ
di mana ๐ด adalah Precise Jugment Matrix.
7. Untuk menghitung entropy, terlebih dahulu tentukan matriks frekuensi relatif
sebagai berikut:
๐น =
๐ 11
๐ผ
๐ 1
๐ 12๐ผ
๐ 1โฏ
๐ 1๐๐ผ
๐ 1
โฎ โฎ โฑ โฎ๐ ๐1
๐ผ
๐ ๐
๐ ๐2๐ผ
๐ ๐โฏ
๐ ๐๐๐ผ
๐ ๐
= ๐11 ๐12 โฏ ๐12
โฎ โฎ โฑ โฎ๐๐1 ๐๐2 โฏ ๐๐๐
(2.18)
di mana
๐ ๐ = ๐ ๐๐๐๐=1
Universitas Sumatera Utara
Selanjutnya gunakan persamaan berikut untuk menghitung entropy:
๐ป1 = โ ๐1๐ log2 ๐1๐ ๐๐=1
๐ป2 = โ ๐2๐ log2 ๐2๐ ๐๐ =1
๐ป3 = โ ๐3๐ log2 ๐2๐ ๐๐ =1
โฎ
๐ป๐ = โ ๐๐๐ log2 ๐๐๐ ๐๐ =1 (2.19)
di mana ๐ป๐ merupakan nilai entropy ke-i.
Bobot entropy dapat ditentukan dengan menggunakan:
๐๐ป๐=
๐ป๐
๐ป๐๐๐=1
, ๐ = 1,2,3, โฆ , ๐ (2.20)
2.5 Delivery
Restoran fast food menyediakan produk dalam bentuk makanan dan minuman,
pelayanan dalam hal ini adalah menyampaikannya kepada pelanggan. Tantangan
operasional yang berbeda akan muncul jika restoran juga menyediakan layanan
delivery. Layanan tertentu dikerahkan karena pelanggan sudah tidak lagi berada pada
lokasi yang sama dengan area produksi. Tantangan bisnis yang rumit di mana
layananan tersebut harus disampaikan dalam suatu lingkup geografis (Macintyre et al,
2011).
Perusahaan-perusahaan tengah bersaing ketat dalam hal waktu tanggap,
delivery atau waktu pengiriman. Diantara perusahaan-perusahaan tersebut banyak
yang menyatakan komitmen waktu delivery maksimalnya dengan tujuan memikat
konsumen, misalnya restoran pizza yang meniadakan ongkos kirimnya jika pizza
pesanan tidak tiba tepat waktu. Dalam menentukan komitmen waktu delivery tersebut,
suatu perusahaan harus mempertimbangkan bukan hanya bagaimana reaksi konsumen
atas komitmen tersebut tetapi juga kemampuan untuk menjalankan layanan tersebut.
Komitment delivery ketat waktu mempunyai keuntungan dan juga harga. Komitmen
ini dapat menarik perhatian konsumen yang tidak suka menunggu, namun kondisi
sistem yang padat dapat memperburuk keadaan. Untuk itu pemilihan komitmen waktu
delivery membutuhkan pertimbangan yang hati-hati, baik dari segi marketing
(konsumen) dan operasional. (Ho, 2003).
Universitas Sumatera Utara
2.6 Pemilihan Rute dalam Delivery
Sebagai bagian dari operasional, masalah pemilihan rute dan penugasan dalam
delivery membutuhkan pertimbangan yang sedemikian rupa untuk dapat memenuhi
komitmen delivery ketat waktu. Ho (2003) dalam penelitiannya menyatakan bahwa
kualitas delivery akan meningkat seiring berkurangnya kemacetan. Sementara itu,
untuk menentukan rute optimum menuju ke suatu tempat ada beberapa hal yang perlu
disesuaikan dengan preferensi pengendara seperti kondisi jalan dan lalu-lintas. (Pang
et al, 1995). Disebutkan terdapat banyak kriteria yang dapat menjadi pertimbangan
dalam menentukan rute optimal, seperti: jarak perjalanan, menghindari kemacetan,
menyukai atau menghindari jalan raya, jumlah belokan, jenis jalan, dan lain
sebagainya. (Pang et al, 2007 ).
Dalam menyelesaikan permasalahan ini, digunakan metode AHP dengan bilangan
fuzzy (Fuzzy-AHP) yang merupakan metode efektif yang dapat diterapkan dalam
pemilihan rute. (Deng et al, 2010). Fuzzy-AHP digunakan untuk merepresentasikan
preferensi pengambil keputusan dan me-ranking seluruh rute yang tersedia sehingga
diperoleh rute yang optimum. Dengan diperolehnya rute optimum, diharapkan
komitmen delivery tepat waktu dapat tercapai. Selain itu delivery yang didasarkan
pada rute optimum juga diharapkan menghasilkan waktu delivery yang minimum,
yang lebih singkat dari yang diekspektasikan oleh pelanggan dengan demikian
kepuasan konsumen tetap terjaga.
Universitas Sumatera Utara