Turban , DSS, 2005 Dr. Sri Kusumadewi, S.Si., MT , SPK Alasan perlunya pemodelan: Proses membuat suatu keputusan bukanlah sebuah proses yang mudah. Beberapa tahap harus dilalui untuk mendapatkan keputusan yang tepat. Turban (2005) mengusulkan empat tahapan yang harus dilalui dalam membentuk suatu keputusan Permasalahan di dunia nyataIDENTIFIKASI MASALAHPERANCANGANPEMILIHANIMPLEMENTASIPenyederhanaan,Asumsi-asumsiPernyataan masalahAlternatif-alternatifSolusiSukses?YATIDAKValiditas modelVerifikasi,Pengujian solusi Pada tahap ini akan dilakukan identifikasi terhadap permasalahan yang ada terkait dengan: kebutuhan-kebutuhan untuk menyelesaikan masalah, beberapa peluang yang ditemukan dalam penyelesaian masalah. Secara lebih detil, pada tahap ini dilakukan serangkaian aktivitas sebagai berikut. 1. Mengidentifikasi tujuan organisasi atau tujuan pencapaian masalah. 2. Mengidentifikasi prosedur-prosedur yang perlu disiapkan dalam mencari atau melacak adanya permasalahan. 3. Melakukan pengumpulan data. Ada beberapa kendala yang dimungkinkan akan ditemui selama proses koleksi data ini, antara lain (Turban, 2005: 54). Ketaktersediaan data. Hal ini mengakibatkan model yang akan dibentuk akan memberikan hasil yang tidak akurat. Biaya yang dikeluarkan untuk mendapatkan data cukup mahal. Data yang diperoleh tidak cukup akurat dan tepat. Estimasi sering kali bersifat subyektif. Data dimungkinkan tidak aman. Data-data penting yang mempengaruhi hasil adakalanya bersifat kualitatif. Data yang ada sangat banyak. Terkadang diasumsikan bahwa data yang akan datang memiliki karakteristik yang sama dengan data saat ini. Oleh karena itu, apabila hal ini tidak terjadi, maka perlu adanya suatu metode untuk memprediksi adanya perubahan tersebut.4. Melakukan klasifikasi permasalahan. Klasifikasi dilakukan untuk menentukan kategori permasalahan. 5. Melakukan dekomposisi permasalahan. Aktivitas ini diperlukan apabila permasalahan yang timbul terlalu kompleks sehingga perlu dipecah lagi menjadi beberapa sub permasalahan. 6. Kepemilikan masalah, artinya permasalahan dianggap ada apabila ada seseorang atau sekelompok orang yang tanggap untuk mengatasi permasalahan tersebut dan organisasi merasa mampu untuk menyelesaikan masalah tersebut. Hasil akhir dari tahap ini adalah pernyataan masalah secara formal (formal problem statement). Aktivitas yang dilakukan: 1. Formulasi model (normatif atau deskriptif). 2. Pemilihan kriteria-kriteria. Kriteria adalah hal-hal apa saja yang menjadi bahan pertimbangan bagi pengambil keputusan untuk memutuskan alternatif terbaik. 3. Pencarian beberapa alternatif.4. Mengukur dan memprediksi terhadap hasil yang terjadi. Hasil akhir dari tahap ini adalah alternatif-alternatif. Pada tahap ini akan dilakukan pencarian cara yang paling tepat untuk melakukan aksi, melakukan evaluasi dan pemilihan terhadap solusi yang paling cocok. Untuk melakukan pencarian cara yang paling tepat untuk melakukan aksi dapat dilakukan melalui: teknik-teknik analitik; menggunakan algoritma. Proses evaluasi pada pemilihan alternatif dapat dilakukan dengan berbagai cara. Apabila suatu alternatif dimungkinkan memiliki beberapa tujuan, maka perlu ada pembandingan antar tujuan yang dicapai tersebut. Proses pembandingan ini dapat dilakukan melalui analisis sensitivitas atau analisis what-if. Analisis sensitivitas umumnya digunakan untuk menentukan tingkat robustness apabila diberikan beberapa alternatif. Sedangkan analisis what-if digunakan untuk melihat adanya perubahan mayor pada parameter-parameter. Secara rinci, pada tahap pemilihan ini akan dilakukan beberapa aktivitas antara lain: Menghasilkan solusi dari model yang diformulasikan pada tahap perancangan. Melakukan analisis sensitivitas. Menyeleksi alternatif-alternatif yang terbaik. Melakukan perencanaan untuk tahap implementasi. Hasil akhir dari tahap ini adalah solusi. Pada tahap ini akan diimplementasikan hasil (solusi) yang telah diperoleh dalam tahap pemilihanPokok bahasan untuk pertemuan kali ini adalah menindaklanjuti sisa usaha perusahaan dalam tahun 2008 SIAP DIREKTUR Wa Direktur Mj. TI Mj. Produksi Mj. PemasaranMj. InventoryKeuangan Divisi keuangan, bisa diinformasikan berapa sisa usaha kita akhir tahun ini? Setelah dikurangi dengan perkiraan biaya operasional pada bulan terakhir, sisa usaha kita sekitar 500 jt rupiah. DIREKTUR Keuangan Sebenarnya kita juga masih memiliki deposito, namun kami tidak ingin deposito tsb dicairkan dalam waktu dekat.Namun sepertinya kita membutuhkan dana segar untuk peningkatan produktivitas perusahaan kita Pak DIREKTUR Wakil Direktur Untuk apa misalnya???Sepertinya pimpinan perusahaan membutuhkan mobil baru. Mobil lama yang kita miliki nampaknya sudah mulai harus diupgrade. DIREKTUR Wakil Direktur Ok, betul juga. Tapi, menurut saya, upgrading mobil belum terlalu penting Mungkin ada masukan lain? Dari divisi inventory, mengingat kapasitas produksi kita yang nampaknya akan bertambah pada tahun-tahun mendatang, kami membutuhkan sarana transportasi tambahan. Jika dimungkinkan, kami juga membutuhkan lahan untuk mendirikan gudang baru DIREKTUR Mj. Inventory Ide bagus, perlu dipertimbangkan. Namun perlu dipikirkan juga, apakah budget kita cukup untuk pemenuhan kebutuhan tersebut. Dari divisi produksi, mengingat persaingan produk makanan ringan di pasaran semakin banyak, kiranya kita perlu berinisiatif untuk mengembangkan produk baru yang lebih bernilai jual DIREKTUR Mj. Produksi Baik, alternatif pengembangan produk baru memang perlu diperhitungkan. Saya mendukung usulan dari divisi produksi. DIREKTUR Mj. Pemasaran Boleh juga, nampaknya maintenance sarana teknologi informasi di perusahaan kita tidak memerlukan biaya tinggi. Saya kira maintenance sarana teknologi informasi juga perlu dipertimbangkan. Beberapa fasilitas mulai diperbaiki, mengingat kebutuhan akses informasi pada saat ini semakin tinggi. DIREKTUR Mj. TI Baiklah, kita telah memiliki beberapa alternatif yang perlu kita pertimbangkan dalam memanfaatkan sisa usaha kita. Namun demikian kita perlu mempertimbangkan beberapa aspek, seperti: harga dan daya dukung terhadap produktivitas perusahaan DIREKTUR Wa Direktur Baiklah. Pertemuan kali ini kita akhiri terlebih dahulu. Kami harapkan adanya alternatif terbaik untuk investasi sisa dana pada pertemuan yang akan datang. Selain itu perlu dipertimbangkan pula nilai investasi barang setidaknya dalam 10 tahun ke depan. Dan jangan lupa, masalah tender dan ketersediaan barang juga perlu dipikirkan. DIREKTUR Mj. Pemasaran Turban (2005) mengkategorikan model sistem pendukung keputusan dalam tujuh model, yaitu: Model optimasi untuk masalah-masalah dengan alternatif-alternatif dalam jumlah relatif kecil. Model optimasi dengan algoritma. Model optimasi dengan formula analitik. Model simulasi. Model heuristik. Model prediktif. Model-model yang lainnya. Model optimasi untuk masalah-masalah dengan alternatif-alternatif dalam jumlah relatif kecil. Model ini akan melakukan pencarian terhadap solusi terbaik dari sejumlah alternatif. Teknik-teknik untuk penyelesaian masalah ini antara lain dengan menggunakan tabel keputusan atau pohon keputusan. Model optimasi dengan algoritma. Model ini akan melakukan pencarian terhadap solusi terbaik dari banyak alternatif. Proses pencarian dilakukan tahap demi tahap. Teknik-teknik untuk penyelesaian masalah ini antara lain dengan menggunakan linear programming atau model matematika yang lainnya, atau menggunakan model jaringan. Model optimasi dengan formula analitik. Model ini akan melakukan pencarian terhadap solusi hanya dengan satu langkah melalui rumus tertentu. Model seperti ini banyak dijumpai pada masalah-masalah inventory. Model simulasi. Model ini akan melakukan pencarian terhadap solusi cukup baik atau solusi terbaik pada beberapa alternatif yang akan diuji dalam penelitian. Model ini lebih banyak digunakan untuk beberapa tipe simulasi. Model heuristik. Model ini akan melakukan pencarian terhadap solusi yang cukup baik melalui serangkaian aturan (rules). Model ini lebih banyak direpresentasikan dengan menggunakan pemrograman heuristik atau sistem pakar Model prediktif. Model ini akan melakukan prediksi untuk masa depan apabila diberikan skenario tertentu. Model ini lebih banyak direpresentasikan dengan menggunakan model peramalan (forecasting) atau analisis Makov Model-model yang lainnya. Model ini akan menyelesaikan kasus what-if menggunakan formula tertentu. Model ini lebih banyak digunakan pada pemodelan keuangan atau konsep antrian. Pemodelan merupakan suatu upaya untuk melakukan analisis sistem pendukung keputusan (SPK) dengan cara meniru bentuk nyata-nya daripada melakukannya pada sistem nyata. Manipulasi model (seperti mengubah variabel) akan lebih mudah dilakukan daripada melakukannya pada sistem nyata. Model dapat menghemat waktu. Biaya untuk menganalisis model jauh lebih murah jika dibandingkan dengan mengaplikasikannya pada sistem nyata. Resiko kesalahan pada bentuk model dengan melakukan trial & error (coba-coba) jauh lebih rendah jika dibandingkan dengan melakukannya pada sistem nyata. Lingkungan bisnis yang banyak mengandung ketidakpastian. Model matematika dapat menganalisis kemungkinan solusi dalam jumlah yang lebih banyak bahkan tidak terbatas. Model meningkatkan pembelajaran & pelatihan. Model-model dan metode-metode untuk mendapatkan solusi telah tersedia di web. Ada beberapa Java applet (atau pemrograman web lainnya) yang tersedia untuk menyelesaikan model-model tersebut. Pemodelan pada SPK mencakup tujuh permasalahan: Identifikasi masalah dan analisis lingkungan. Identifikasi variabel Peramalan (forecasting). Penggunaan beberapa model keputusan. Seleksi kategori model yang sesuai. Manajemen model. Pemodelan berbasis pengetahuan Pada tahap ini akan dilakukan pengawasan, pelacakan, dan interpretasi terhadap informasi-informasi yang telah terkumpul. Analisis dilakukan terhadap domain dan dinamika dari lingkungan yang ada. Pada bagian ini perlu juga diidentifikasi budaya organisasi dan proses pengambilan keputusan. Dapat digunakan business intelligence tools untuk keperluan tersebut. Pada tahap ini akan diidentifikasi variabel-variabel yang relevan. Variabel tersebut meliputi variabel keputusan, variabel intermediate (tak terkontrol), dan variabel hasil. Untuk kepentingan tersebut, dapat digunakan influence diagram untuk menunjukkan relasi antar variabel-variabel tersebut. Apabila suatu SPK diimplemantasikan, maka akibatnya akan dirasakan di kemudian hari. Oleh karena itu, peramalan mutlak diperlukan. Suatu sistem pendukung keputusan dapat terdiri-atas beberapa model. Masing-masing model merepresentasikan bagian yang berbeda dari masalah pengambilan keputusan. Ada tujuh kategori model SPK sebagaimana telah dijelaskan pada bagian terdahulu. Setiap kategori memiliki beberapa teknik-teknik tertentu. Pada dasarnya, teknik-teknik tersebut dapat diaplikasikan baik dalam model statis maupun model dinamis. Model statis umumnya memberikan asumsi adanya operasi perulangan dengan menggunakan kondisi yang identik. Model dinamik (time-dependent) merepresentasikan skenario yang senantiasa berubah dari waktu ke waktu. Fokus Masalah Metode-metode Tabel keputusan Pohon Keputusan Multi Attribute Decision Making (MADM) Turban (2005) mengkategorikan model sistem pendukung keputusan dalam tujuh model, yaitu: Model optimasi untuk masalah-masalah dengan alternatif-alternatif dalam jumlah relatif kecil. Model optimasi dengan algoritma. Model optimasi dengan formula analitik. Model simulasi. Model heuristik. Model prediktif. Model-model yang lainnya. Model optimasi untuk masalah-masalah dengan alternatif-alternatif dalam jumlah relatif kecil. Model ini akan melakukan pencarian terhadap solusi terbaik dari sejumlah alternatif. Teknik-teknik untuk penyelesaian masalah ini antara lain dengan menggunakan tabel keputusan, pohon keputusan, atau beberapa metode pada MADM. Tabel keputusan merupakan metode pengambilan keputusan yang cukup sederhana. Metode ini menggunakan bantuan tabel yang berisi hubungan antara beberapa atribut yang mempengaruhi atribut tertentu. Umumnya, tabel keputusan ini digunakan untuk penyelesaian masalah yang tidak melibatkan banyak alternatif. Pada tabel keputusan, nilai kebenaran suatu kondisi diberikan berdasarkan nilai logika dari setiap atribut Ek. Hanya ada dua nilai kebenaran, yaitu Ek = benar atau Ek = salah. Secara umum, tabel keputusan berbentuk: D = E {E1, E2, ..., EK} dengan D adalah nilai kebenaran suatu kondisi, dan Ei adalah nilai kebenaran atribut ke-i (i = 1, 2, ... K). Contoh-1: Jurusan Teknik Informatika akan melakukan rekruitmen asisten untuk beberapa laboratorium di lingkungannya. Persyaratan untuk menjadi asisten di suatu laboratorium ditentukan oleh nilai beberapa matakuliah. Setiap laboratorium dimungkinkan memiliki syarat nilai yang berbeda.Variabel Logika Ekspresi Logika E1Memiliki IPK > 3,00 E2Minimal tengah duduk di semester 3 E3Nilai matakuliah algoritma pemrograman = A E4Nilai matakuliah kecerdasan buatan = A E5Nilai matakuliah basisdata = A E6Nilai matakuliah grafika komputer = A E7Nilai matakuliah jaringan komputer = A E8Nilai matakuliah informatika kedokteran minimal B No Atribut* Laboratorium E1E2E3E4E5E6E7E8 1YYY Pemrograman & Informatika Teori 2YYKomputasi & Sist. Cerdas 3YYYSistem Informasi & RPL 4YYGrafika & Multimedia 5YYYSistem & Jaringan Komp. 6YYYInformatika Kedokteran 7YYYInformatika Kedokteran 8YYYInformatika Kedokteran 9YYYInformatika Kedokteran Kombinasi untuk semua Ei (i=1,2,...,8) pada aturan tersebut merupakan pengetahuan untuk menentukan pemilihan asisten laboratorium. Sebagai contoh untuk laboratorium Pemrograman & Informatika Teori dapat digunakan aturan pertama, yaitu: Untuk laboratorium Informatika Kedokteran dapat digunakan aturan ke-6, ke-7, ke-8, dan ke-9, yaitu: denganadalah operator AND; dan + adalah operator OR.3 2 1E E E D - - =8 6 1 8 5 1 8 4 1 8 3 1E E E E E E E E E E E E D - - + - - + - - + - - = Contoh-2: Suatu institusi pendidikan tinggi akan memberikan penilaian terhadap produktivitas staf pengajarnya dalam waktu 1 tahun. Ada 5 kriteria yang akan diberikan, yaitu: tidak produktif, kurang produktif, cukup produktif, produktif, dan sangat produktif. Atribut yang digunakan untuk memberikan penilaian adalah sebagai berikut. C1 = jumlah karya ilmiah yang dihasilkan C2 = jumlah diktat (bahan ajar) yang dihasilkan C3 = jumlah buku referensi yang dihasilkanKategori Atribut C1C2C3 Sangat Produktif> 6> 2> 1 Produktif5 atau 6> 2Tidak dipertimbangkan Cukup Produktif3 atau 4> 1Tidak dipertimbangkan Kurang Produktif1 atau 2Tidak dipertimbangkan Tidak dipertimbangkan Tidak Produktif000 Nilai Tidak dipertimbangkan berarti berapapun nilainya diperbolehkan. Sedangkan nilai 0 berarti, tidak menghasilkan. Misalkan seorang stafbernama Edi, telah menghasilkan karya ilmiah sebanyak 3 karya, diktat sebanyak 2 karya, dan tidak menghasilkan buku referensi, maka Edi termasuk dalam kategori Cukup Produktif. Free delivery for cust who live within 15 km and have ordered more than $150 of goods or who have ordered before. $5 delivery for cust. Who live outside 15 km and ordered more than $150 of goods. $10 delivey for cust who live outside 15 km and orderedless than $150 of goods and no have ordered before. Pohon keputusan adalah salah satu metode penyelesaian masalah keputusan dengan cara merepresentasikan pengetahuan dalam bentuk pohon. Suatu pohon memiliki conditional node yang menunjukkan kebenaran suatu ekspresi atau atribut. Conditional node tersebut memberikan beberapa kemungkinan nilai, dapat berupa nilai boolean (Benar atau Salah), atau beberapa alternatif nilai yang mungkin dimiliki oleh suatu atribut, misal untuk atribut Tekanan Darah (Rendah, Normal, Tinggi). Contoh: Untuk kasus pemilihan dosen produktif akan dibuat pohon keputusannya. Kategori Atribut C1C2C3 Sangat Produktif> 6> 2> 1 Produktif5 atau 6> 2Tidak dipertimbangkan Cukup Produktif3 atau 4> 1Tidak dipertimbangkan Kurang Produktif1 atau 2Tidak dipertimbangkan Tidak dipertimbangkan Tidak Produktif000 C1C2C3> 6> 2Sangat Produktif> 1C25 atau 6C23 atau 4C21 atau 20Produktif> 2Cukup Produktif> 1Kurang ProduktifC30Tidak Produktif0 Secara umum, model Multi-Attribute Decision Making (MADM) dapat didefinisikan sebagai berikut (Zimermann, 1991): Misalkan A = {ai | i = 1,...,n} adalah himpunan alternatif-alternatif keputusan dan C = {cj | j = 1,..., m} adalah himpunan tujuan yang diharapkan, maka akan ditentukan alternatif x0 yang memiliki derajat harapan tertinggi terhadap tujuantujuan yang relevan cj. Janko (2005) memberikan batasan tentang adanya beberapa fitur umum yang akan digunakan dalam MADM, yaitu: Alternatif, adalah obyek-obyek yang berbeda dan memiliki kesempatan yang sama untuk dipilih oleh pengambil keputusan. Atribut, sering juga disebut sebagai karakteristik, komponen, atau kriteria keputusan. Meskipun pada kebanyakan kriteria bersifat satu level, namun tidak menutup kemungkinan adanya sub kriteria yang berhubungan dengan kriteria yang telah diberikan. Konflik antar kriteria, beberapa kriteria biasanya mempunyai konflik antara satu dengan yang lainnya, misalnya kriteria keuntungan akan mengalami konflik dengan kriteria biaya. Bobot keputusan, bobot keputusan menunjukkan kepentingan relatif dari setiap kriteria, W = (w1, w2, ..., wn). Pada MADM akan dicari bobot kepentingan dari setiap kriteria. Matriks keputusan, suatu matriks keputusan X yang berukuran m x n, berisi elemen-elemen xij, yang merepresentasikan rating dari alternatif Ai (i=1,2,...,m) terhadap kriteria Cj (j=1,2,...,n). Masalah MADM adalah mengevaluasi m alternatif Ai (i=1,2,...,m) terhadap sekumpulan atribut atau kriteria Cj (j=1,2,...,n), dimana setiap atribut saling tidak bergantung satu dengan yang lainnya. Kriteria atau atribut dapat dibagi menjadi dua kategori, yaitu: Kriteria keuntungan adalah kriteria yang nilainya akan dimaksimumkan, misalnya: keuntungan, IPK (untuk kasus pemilihan mahasiswa berprestasi), dll. Kriteria biaya adalah kriteria yang nilainya akan diminimumkan, misalnya: harga produk yang akan dibeli, biaya produksi, dll. Pada MADM, matriks keputusan setiap alternatif terhadap setiap atribut, X, diberikan sebagai: dengan xij merupakan rating kinerja alternatif ke-i terhadap atribut ke-j. Nilai bobot yang menunjukkan tingkat kepentingan relatif setiap atribut, diberikan sebagai, W: W = {w1, w2, ..., wn}(((((

=mn 2 m 1 mn 2 22 21n 1 12 11x x xx x xx x xX Rating kinerja (X), dan nilai bobot (W) merupakan nilai utama yang merepresentasikan preferensi absolut dari pengambil keputusan. Masalah MADM diakhiri dengan proses perankingan untuk mendapatkan alternatif terbaik yang diperoleh berdasarkan nilai keseluruhan preferensi yang diberikan (Yeh, 2002). Pada MADM, umumnya akan dicari solusi ideal. Pada solusi ideal akan memaksimumkan semua kriteria keuntungan dan meminimumkan semua kriteria biaya.Masalah Kriteria-1 (C1) Kriteria-2 (C2) Kriteria-m (Cm) . . . Alternatif-1 (A1) Alternatif-2 (A2) Alternatif-n (An) . . . Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah MADM, antara lain: a. Simple Additive Weighting (SAW) b.Weighted Product (WP) c. TOPSIS d.Analytic Hierarchy Process (AHP) Metode Simple Additive Weighting (SAW) sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut (Fishburn, 1967)(MacCrimmon, 1968). Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Formula untuk melakukan normalisasi tersebut adalah sebagai berikut: dengan rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i=1,2,...,m dan j=1,2,...,n.=(cost) biaya atributadalahj jikaxx Min(benefit) keuntungan atributadalahj jikax Maxxrijijiijiijij Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai: Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih.==n1 jij j ir w V Contoh-1: Suatu institusi perguruan tinggi akan memilih seorang karyawannya untuk dipromosikan sebagai kepala unit sistem informasi. Ada empat kriteria yang digunakan untuk melakukan penilaian, yaitu: C1 = tes pengetahuan (wawasan) sistem informasi C2 = praktek instalasi jaringan C3 = tes kepribadian C4 = tes pengetahuan agama Pengambil keputusan memberikan bobot untuk setiap kriteria sebagai berikut: C1 = 35%; C2 = 25%; C3 = 25%; dan C4 = 15%. Ada enam orang karyawan yang menjadi kandidat (alternatif) untuk dipromosikan sebagai kepala unit, yaitu: A1 = Indra, A2 = Roni, A3 = Putri, A4 = Dani, A5 = Ratna, dan A6 = Mira. Tabel nilai alternatif di setiap kriteria: Alternatif Kriteria C1C2C3C4 Indra70508060 Roni50608270 Putri85558075 Dani82706585 Ratna75758574 Mira62507580 Normalisasi: dst { }82 , 0857062 ; 75 ; 82 ; 85 ; 50 ; 70 max70r11= = ={ }59 , 0855062 ; 75 ; 82 ; 85 ; 50 ; 70 max70r21= = ={ }67 , 0755050 ; 75 ; 70 ; 55 ; 60 ; 50 max50r12= = ={ }80 , 0756050 ; 75 ; 70 ; 55 ; 60 ; 50 max60r22= = = Hasil normalisasi: (((((((((

=94 , 0 88 , 0 67 , 0 73 , 087 , 0 1 1 88 , 01 76 , 0 93 , 0 96 , 088 , 0 94 , 0 73 , 0 182 , 0 96 , 0 80 , 0 59 , 071 , 0 94 , 0 67 , 0 82 , 0R Proses perankingan dengan menggunakan bobot yang telah diberikan oleh pengambil keputusan: w = [0,350,250,250,15] Hasil yang diperoleh adalah sebagai berikut:796 , 0 ) 71 , 0 )( 15 , 0 ( ) 94 , 0 )( 25 , 0 ( ) 67 , 0 )( 25 , 0 ( ) 82 , 0 )( 35 , 0 ( V1= + + + =770 , 0 ) 82 , 0 )( 15 , 0 ( ) 96 , 0 )( 25 , 0 ( ) 80 , 0 )( 25 , 0 ( ) 59 , 0 )( 35 , 0 ( V2= + + + =900 , 0 ) 88 , 0 )( 15 , 0 ( ) 94 , 0 )( 25 , 0 ( ) 73 , 0 )( 25 , 0 ( ) 00 , 1 )( 35 , 0 ( V3= + + + =909 , 0 ) 00 , 1 )( 15 , 0 ( ) 76 , 0 )( 25 , 0 ( ) 93 , 0 )( 25 , 0 ( ) 96 , 0 )( 35 , 0 ( V4= + + + =939 , 0 ) 87 , 0 )( 15 , 0 ( ) 00 , 1 )( 25 , 0 ( ) 00 , 1 )( 25 , 0 ( ) 88 , 0 )( 35 , 0 ( V5= + + + =784 , 0 ) 94 , 0 )( 15 , 0 ( ) 88 , 0 )( 25 , 0 ( ) 67 , 0 )( 25 , 0 ( ) 73 , 0 )( 35 , 0 ( V6= + + + = Nilai terbesar ada pada V5 sehingga alternatif A5 adalah alternatif yang terpilih sebagai alternatif terbaik. Dengan kata lain, Ratna akan terpilih sebagai kepala unit sistem informasi. Contoh-2: Sebuah perusahaan makanan ringan XYZ akan menginvestasikan sisa usahanya dalam satu tahun. Beberapa alternatif investasi telah akan diidentifikasi. Pemilihan alternatif terbaik ditujukan selain untuk keperluan investasi, juga dalam rangka meningkatkan kinerja perusahaan ke depan. Beberapa kriteria digunakan sebagai bahanpertimbangan untuk mengambil keputusan, yaitu: C1 =Harga, yaitu seberapa besar harga barang tersebut. C2 =Nilai investasi 10 tahun ke depan, yaitu seberapa besar nilai investasi barang dalam jangka waktu 10 tahun ke depan. C3 =Daya dukung terhadap produktivitas perusahaan, yaitu seberapa besar peranan barang dalam mendukung naiknya tingkat produktivitas perusahaan. Daya dukung diberi nilai: 1 = kurang mendukung, 2 = cukup mendukung; dan 3 = sangat mendukung. C4 =Prioritas kebutuhan, merupakan tingkat kepentingan (ke-mendesak-an) barang untuk dimiliki perusahaan. Prioritas diberi nilai: 1 = sangat berprioritas, 2 = berprioritas; dan 3 = cukup berprioritas. C5 =Ketersediaan atau kemudahan, merupakan ketersediaan barang di pasaran. Ketersediaan diberi nilai: 1 = sulit diperoleh, 2 = cukup mudah diperoleh; dan 3 = sangat mudah diperoleh. Dari pertama dan keempat kriteria tersebut, kriteria pertama dan keempat merupakan kriteria biaya, sedangkan kriteria kedua, ketiga, dan kelima merupakan kriteria keuntungan. Pengambil keputusan memberikan bobot untuk setiap kriteria sebagai berikut: C1 = 25%; C2 = 15%; C3 = 30%;C4 = 25; dan C5 = 5%. Ada empat alternatif yang diberikan, yaitu: A1=Membeli mobil box untuk distribusi barang ke gudang; A2=Membeli tanah untuk membangun gudang baru; A3=Maintenance sarana teknologi informasi; A4=Pengembangan produk baru. Nilai setiap alternatif pada setiap kriteria:Alternatif Kriteria C1 (juta Rp) C2 (%) C3C4C5 A115015223 A2500200232 A320010313 A4350100312 Normalisasi: dst { }1150150150350 ; 200 ; 500 ; 150 minr11= = ={ }075 , 020015100 ; 10 ; 200 ; 15 max15r21= = ={ }667 , 0323 ; 3 ; 2 ; 2 max2r35= = =5 , 0212} 1 ; 1 ; 3 ; 2 min{r45= = = Hasil normalisasi: (((((

=67 , 0 1 1 50 , 0 43 , 01 1 1 05 , 0 75 , 067 , 0 33 , 0 67 , 0 1 30 , 01 50 , 0 67 , 0 08 , 0 1R Proses perankingan dengan menggunakan bobot yang telah diberikan oleh pengambil keputusan:w = [0,250,150,300,250,05] Hasil yang diperoleh adalah sebagai berikut: Nilai terbesar ada pada V3 sehingga alternatif A3 adalah alternatif yang terpilih sebagai alternatif terbaik. Dengan kata lain, maintenance sarana teknologi informasi akan terpilih sebagai solusi untuk investasi sisa usaha

638 , 0 ) 1 )( 05 , 0 ( ) 5 , 0 )( 25 , 0 ( ) 67 , 0 )( 3 , 0 ( ) 08 , 0 )( 15 , 0 ( ) 1 )( 25 , 0 ( V1= + + + + =542 , 0 ) 67 , 0 )( 05 , 0 ( ) 33 , 0 )( 25 , 0 ( ) 67 , 0 )( 3 , 0 ( ) 1 )( 15 , 0 ( ) 3 , 0 )( 25 , 0 ( V2= + + + + =795 , 0 ) 1 )( 05 , 0 ( ) 1 )( 25 , 0 ( ) 1 )( 3 , 0 ( ) 05 , 0 )( 15 , 0 ( ) 75 , 0 )( 25 , 0 ( V3= + + + + =766 , 0 ) 67 , 0 )( 05 , 0 ( ) 1 )( 25 , 0 ( ) 1 )( 3 , 0 ( ) 5 , 0 )( 15 , 0 ( ) 43 , 0 )( 25 , 0 ( V4= + + + + = Metode Weighted Product (WP) menggunakan perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot atribut yang bersangkutan. Proses ini sama halnya dengan proses normalisasi. Preferensi untuk alternatif Ai diberikan sebagai berikut: dengan i=1,2,...,m; dimana wj = 1. wj adalah pangkat bernilai positif untuk atribut keuntungan, dan bernilai negatif untuk atribut biaya. [==n1 jwij ijx S Contoh: Suatu perusahaan di Kabupaten Malang, ingin membangun sebuah gudang yang akan digunakan sebagai tempat untuk menyimpan sementara hasil produksinya. Ada 3 lokasi yang akan menjadi alternatif, yaitu: A1 = Singosari, A2 = Lawang, A3 =Turen. Ada 5 kriteria yang dijadikan acuan dalam pengambilan keputusan, yaitu: C1 = jarak dengan pasar terdekat (km), C2 = kepadatan penduduk di sekitar lokasi (orang/km2); C3 = jarak dari pabrik (km); C4 = jarak dengan gudang yang sudah ada (km); C5 = harga tanah untuk lokasi (x1000 Rp/m2). Tingkat kepentingan setiap kriteria, juga dinilai dengan 1 sampai 5, yaitu: 1 = Sangat rendah, 2 = Rendah, 3 = Cukup, 4 = Tinggi, 5 = Sangat Tinggi. Pengambil keputusan memberikan bobot preferensi sebagai: W = (5, 3, 4, 4, 2) Nilai setiap alternatif di setiap kriteria: Alternatif Kriteria C1C2C3C4C5 A10,7520001850500 A20,5015002040450 A30,9020503535800 Kategori setiap kriteria: Kriteria C2 (kepadatan penduduk di sekitar lokasi) danC4(jarakdengangudangyangsudahada) adalah kriteria keuntungan; KriteriaC1(jarakdenganpasarterdekat),C3 (jarakdaripabrik),danC5(hargatanahuntuk lokasi) adalah kriteria biaya. Sebelumnya dilakukan perbaikan bobot terlebih dahulu seperti sehingga w = 1, diperoleh w1 = 0,28; w2 = 0,17; w3 = 0,22; w4 = 0,22; dan w5 = 0,11. Kemudian vektor S dapat dihitung sebagai berikut: ( )( )( )( )( ) 4187 , 2 500 50 18 2000 75 , 0 S11 , 0 22 , 0 22 , 0 17 , 0 28 , 01= = ( )( )( )( )( ) 4270 , 2 450 40 20 1500 5 , 0 S11 , 0 22 , 0 22 , 0 17 , 0 28 , 02= = ( )( )( )( )( ) 7462 , 1 800 35 35 2050 9 , 0 S11 , 0 22 , 0 22 , 0 17 , 0 28 , 03= = Nilai vektor V yang akan digunakan untuk perankingan dapat dihitung sebagai berikut: Nilai terbesar ada pada V2 sehingga alternatif A2 adalah alternatif yang terpilih sebagai alternatif terbaik. Dengan kata lain, Alasan akan terpilih sebagai lokasi untuk mendirikan gudang baru.3669 , 07462 , 1 4270 , 2 4187 , 24187 , 2V1=+ +=3682 , 07462 , 1 4270 , 2 4187 , 24270 , 2V2=+ +=2649 , 07462 , 1 4270 , 2 4187 , 27462 , 1V3=+ += Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) didasarkan pada konsep dimana alternatif terpilih yang terbaik tidak hanya memiliki jarak terpendek dari solusi ideal positif, namun juga memiliki jarak terpanjang dari solusi ideal negatif. TOPSIS banyak digunakan dengan alasan: konsepnya sederhana dan mudah dipahami; komputasinya efisien; dan memiliki kemampuan untuk mengukur kinerja relatif dari alternatif-alternatif keputusan dalam bentuk matematis yang sederhana. Langkah-langkah penyelesaian masalah MADM dengan TOPSIS: Membuat matriks keputusan yang ternormalisasi; Membuat matriks keputusan yang ternormalisasi terbobot; Menentukan matriks solusi ideal positif & matriks solusi ideal negatif; Menentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif & matriks solusi ideal negatif; Menentukan nilai preferensi untuk setiap alternatif. TOPSIS membutuhkan rating kinerja setiap alternatif Ai pada setiap kriteria Cj yang ternormalisasi, yaitu:==m1 i2ijijijxxr Solusi ideal positif A+ dan solusi ideal negatif A- dapat ditentukan berdasarkan rating bobot ternormalisasi (yij) sebagai: ij i ijr w y =( ); y , , y , y An 2 1+ + + += ( ); y , , y , y An 2 1 = dengan =+biaya atributadalahj jika ; y minkeuntungan atributadalahj jika; y maxyijiijij=biaya atributadalahj jika ; y maxkeuntungan atributadalahj jika; y minyijiijijTOPSIS Jarak antara alternatif Ai dengan solusi ideal positif dirumuskan sebagai: Jarak antara alternatif Ai dengan solusi ideal negatif dirumuskan sebagai: ( ) ; y y Dn1 j2ij i i =+ + =( ) ; y y Dn1 j2i ij i = = Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai: Nilai Vi yang lebih besar menunjukkan bahwa alternatif Ai lebih dipilih;D DDVi iii+ += Contoh: Suatu perusahaan di Kota Malang, ingin membangun sebuah gudang yang akan digunakan sebagai tempat untuk menyimpan sementara hasil produksinya. Ada 3 lokasi yang akan menjadi alternatif, yaitu: A1 = Singosari, A2 = Lawang, A3 = Turen. Ada 5 kriteria yang dijadikan acuan dalam pengambilan keputusan, yaitu: C1 = jarak dengan pasar terdekat (km), C2 = kepadatan penduduk di sekitar lokasi (orang/km2); C3 = jarak dari pabrik (km); C4 = jarak dengan gudang yang sudah ada (km); C5 = harga tanah untuk lokasi (x1000 Rp/m2). Tingkat kepentingan setiap kriteria, juga dinilai dengan 1 sampai 5, yaitu: 1 = Sangat rendah, 2 = Rendah, 3 = Cukup, 4 = Tinggi, 5 = Sangat Tinggi. Pengambil keputusan memberikan bobot preferensi sebagai: W = (5, 3, 4, 4, 2) Nilai setiap alternatif di setiap kriteria: Alternatif Kriteria C1C2C3C4C5 A10,7520001850500 A20,5015002040450 A30,9020503535800 Matriks ternormalisasi, R: Matriks ternormalisasi terbobot, Y: ((((

=7654 , 0 4796 , 0 7928 , 0 6341 , 0 7066 , 04305 , 0 5482 , 0 4530 , 0 4640 , 0 3925 , 04784 , 0 6852 , 0 4077 , 0 6186 , 0 5888 , 0R((((

=5308 , 1 9185 , 1 1712 , 3 9022 , 1 5328 , 38611 , 0 1926 , 2 8121 , 1 3919 , 1 9627 , 19567 , 0 7408 , 2 6309 , 1 8558 , 1 9440 , 2Y Solusi Ideal Positif (A+): { } 9627 , 1 5328 , 3 ; 9627 , 1 ; 9440 , 2 min y1= =+{ } 9022 , 1 9022 , 1 ; 3919 , 1 ; 8558 , 1 max y2= =+{ } 6309 , 1 1712 , 3 ; 8121 , 1 ; 6309 , 1 min y3= =+{ } 7408 , 2 9185 , 1 ; 1926 , 2 ; 7408 , 2 max y4= =+{ } 8611 , 0 5308 , 1 ; 8611 , 0 ; 9567 , 0 min y5= =+{ } 8611 , 0 ; 7408 , 2 ; 6309 , 1 ; 9022 , 1 ; 9627 , 1 A =+ Solusi Ideal Negatif (A-): { } 9440 , 2 5328 , 3 ; 9627 , 1 ; 9440 , 2 max y1= ={ } 3919 , 1 9022 , 1 ; 3919 , 1 ; 8558 , 1 min y2= ={ } 1712 , 3 1712 , 3 ; 8121 , 1 ; 6309 , 1 max y3= ={ } 9185 , 1 9185 , 1 ; 1926 , 2 ; 7408 , 2 min y4= ={ } 5308 , 1 5308 , 1 ; 8611 , 0 ; 9567 , 0 max y5= ={ } 5308 , 1 ; 9185 , 1 ; 1712 , 3 ; 3919 , 1 ; 9440 , 2 A = Jarak antara nilai terbobot setiap alternatif terhadap solusi ideal positif, : Jarak antara nilai terbobot setiap alternatif terhadap solusi ideal negatif, : +iSiS9871 , 0 D1=+7706 , 0 D2=+4418 , 2 D3=+9849 , 1 D1=1991 , 2 D2=5104 , 0 D3= Kedekatansetiapalternatifterhadapsolusi ideal dihitung sebagai berikut: Dari nilai V ini dapat dilihat bahwa V2 memiliki nilaiterbesar,sehinggadapatdisimpulkan bahwa alternatif kedua yang akan lebih dipilih. Dengan kata lain, Kalasan akan terpilih sebagai lokasi untuk mendirikan gudang baru.6679 , 09849 , 1 9871 , 09849 , 1V1=+=7405 , 01991 , 2 7706 , 01991 , 2V2=+=1729 , 05104 , 0 4418 , 25104 , 0V3=+=Permasalahan pada AHP didekomposisikan ke dalam hirarki kriteria dan alternatif MASALAH KRITERIA-1KRITERIA-2KRITERIA-n KRITERIA-1,1KRITERIA-n,1 ALTERNATIF 1ALTERNATIF 2ALTERNATIF m Saya ingin membeli HP yang harganya relatif murah, memorinya besar, warnanya banyak, ukuran piksel pada kamera besar, beratnya ringan, dan bentuknya unikAda 4 alternatif yang saya bayangkan, yaitu: N70 , N73, N80 dan N90 Alterna-tif Harga(juta Rp) Memori (MB) WarnaKamera (MP) Berat (gr) N70 2,335256 kb2126 N73 3,142256 kb3,2116 N80 3,740256 kb3,2134 N90 4,79016 MB2191 Ada 3 tahap identifikasi: Tentukan tujuan: Membeli HP dengan kriteria tertentu Tentukan kriteria: Harga, kapasitas memori, ukuran warna, ukuran piksel kamera, berat, dan keunikan, Tentukan alternatif: N70, N73, N80, dan N90, Bentuk hirarki dari informasi yang diperoleh Membeli HP HargaMemori TUJUAN Warna KameraBeratKeunikan N70 N73 N80 N90 N70 N73 N80 N90 N70 N73 N80 N90 N70 N73 N80 N90 N70 N73 N80 N90 N70 N73 N80 N90 KRITERIA ALTERNATIF Informasi tersebut dapat digunakan untuk menentukan ranking relatif dari setiap atribut Kriteria kuantitatif & kualitatif dapat digunakan untuk mempertimbangkan bobot Harga Memori Warna Kamera Berat Saya lebih mengutamakan kemurahan harga, kemudian keunikan bentuk & berat HP, sedangkan kriteria lain merupakan prioritas terakhir Dengan menggunakan perbandingan berpasangan, dapat diketahui derajat kepentingan relatif antar kriteria Matriks perbandingan berpasangan adalah matriks berukuran n x n dengan elemen aij merupakan nilai relatif tujuan ke-i terhadap tujuan ke-j1 : sama penting (equal) 3 : cukup penting (moderate) 5 : lebih penting (strong) 7 : sangat lebih penting (very) 9 : mutlak lebih penting (extreme) Saya lebih mengutamakan kemurahan harga, kemudian keunikan bentuk & berat HP, sedangkan kriteria lain merupakan prioritas terakhir (((((((((

1 1 3 3 3 3 / 11 1 3 3 3 3 / 13 / 1 3 / 1 1 1 1 5 / 13 / 1 3 / 1 1 1 1 5 / 13 / 1 3 / 1 1 1 1 5 / 13 3 5 5 5 1 H M WK BU H M W K B U Konsep EIGENVECTOR digunakan untuk melakukan proses perankingan prioritas setiap kriteria berdasarkan matriks perbandingan berpasangan (Saaty) Apabila A adalah matriks perbandingan berpasangan yang, maka vektor bobot yang berbentuk: dapat didekati dengan cara: menormalkan setiap kolom j dalam matriks A, sedemikian hingga: sebut sebagai A. untuk setiap baris i dalam A, hitunglah nilai rata-ratanya: dengan wi adalah bobot tujuan ke-i dari vektor bobot. =iij1 a) w )( n ( ) w )( A (T T==j'ij ian1w Uji konsistensi: Misalkan A adalah matriks perbandingan berpasangan, dan w adalah vektor bobot, maka konsistensi dari vektor bobot w dapat diuji sebagi berikut: hitung: (A)(wT) hitung: indeks konsistensi:=||.|

\|=n1 iTT w pada i - ke elemen ) (A)(w pada i - ke elemen n1t1 nn tCI= jika CI=0 maka A konsisten; jika maka A cukup konsisten; dan jika maka A sangat tidak konsisten. Indeks random RIn adalah nilai rata-rata CI yang dipilih secara acak pada A dan diberikan sebagai: 1 , 0RICIns1 , 0RICIn>n234567... RIn00,580,901,121,241,32... (((((((((

1 1 3 3 3 3 / 11 1 3 3 3 3 / 13 / 1 3 / 1 1 1 1 5 / 13 / 1 3 / 1 1 1 1 5 / 13 / 1 3 / 1 1 1 1 5 / 13 3 5 5 5 1 H M W K BU H M W K B U (((((((((

1 1 33 , 0 33 , 0 33 , 0 33 , 01 1 33 , 0 33 , 0 33 , 0 33 , 033 , 0 33 , 0 1 1 1 2 , 033 , 0 33 , 0 1 1 1 2 , 033 , 0 33 , 0 1 1 1 2 , 03 3 5 5 5 1(((((((((

1 1 3 3 3 33 , 01 1 3 3 3 33 , 033 , 0 33 , 0 1 1 1 2 , 033 , 0 33 , 0 1 1 1 2 , 033 , 0 33 , 0 1 1 1 2 , 03 3 5 5 5 12,26 14141466 (((((((((

6 / 1 6 / 1 14 / 33 , 0 14 / 33 , 0 14 / 33 , 0 26 , 2 / 33 , 06 / 1 6 / 1 14 / 33 , 0 14 / 33 , 0 14 / 33 , 0 26 , 2 / 33 , 06 / 33 , 0 6 / 33 , 0 14 / 1 14 / 1 14 / 1 26 , 2 / 2 , 06 / 33 , 0 6 / 33 , 0 14 / 1 14 / 1 14 / 1 26 , 2 / 2 , 06 / 33 , 0 6 / 33 , 0 14 / 1 14 / 1 14 / 1 26 , 2 / 2 , 06 / 3 6 / 3 14 / 5 14 / 5 14 / 5 26 , 2 / 111 1 1 1 1 Rata2 0,4188 0,0689 0,0689 0,0689 0,1872 0,1872 0,44120,35710,35710,35710,50000,5000 0,08820,07140,07140,07140,05560,0556 0,08820,07140,07140,07140,05560,0556 0,08820,07140,07140,07140,05560,0556 0,14710,21430,21430,21430,16670,1667 0,14710,21430,21430,21430,16670,1667 11 1 1 1 1 1 0,44120,35710,35710,35710,50000,5000 0,08820,07140,07140,07140,05560,0556 0,08820,07140,07140,07140,05560,0556 0,08820,07140,07140,07140,05560,0556 0,14710,21430,21430,21430,16670,1667 0,14710,21430,21430,21430,16670,1667 W = (0,4188; 0,0689; 0,0689; 0,0689; 0,1872; 0,1872)0579 , 61872 , 01345 , 11872 , 01345 , 10689 , 04154 , 00689 , 04154 , 00689 , 04154 , 04188 , 05761 , 261t = |.|

\|+ + + + + =0,4188 0,0689 0,0689 0,0689 0,1872 0,1872 = 2,5761 0,4154 0,4154 0,4154 1,1345 1,1345 1 1 3 3 3 33 , 01 1 3 3 3 33 , 033 , 0 33 , 0 1 1 1 2 , 033 , 0 33 , 0 1 1 1 2 , 033 , 0 33 , 0 1 1 1 2 , 03 3 5 5 5 10116 , 056 0579 , 6CI ==Untuk n=6, diperoleh RI6 = 1,24, sehingga:1 , 0 0093 , 024 , 10116 , 0RICI6s = =KONSISTEN !!! Bentuk hirarki dari informasi yang diperoleh Membeli HP Harga (0,4188) Memori (0,0689) TUJUAN Warna (0,0689) Kamera (0,0689) Berat (0,1872) Keunikan (0,1872) N70 N73 N80 N90 N70 N73 N80 N90 N70 N73 N80 N90 N70 N73 N80 N90 N70 N73 N80 N90 N70 N73 N80 N90 KRITERIA ALTERNATIF Matriks perbandingan berpasangan untuk harga diperoleh dari data harga setiap HP (((((

1 7 , 4 / 7 , 3 7 , 4 / 1 , 3 7 , 4 / 3 , 27 , 3 / 7 , 4 1 7 , 3 / 1 , 3 7 , 3 / 3 , 21 , 3 / 7 , 4 1 , 3 / 7 , 3 1 1 , 3 / 3 , 23 , 2 / 7 , 4 3 , 2 / 7 , 3 3 , 2 / 1 , 3 1 N70N73N80N90 N70 N73 N80 N90 11 1 1 Rata2 0,3505 0,2601 0,2179 0,1715 0,35050,35050,35050,3505 0,26010,26010,26010,2601 0,21790,21790,21790,2179 0,17150,17150,17150,1715 W = (0,3505;0,2601;0,2179;0,1715)11 1 1 0,35050,35050,35050,3505 0,26010,26010,26010,2601 0,21790,21790,21790,2179 0,17150,17150,17150,1715 MinHarga = min(2,3; 3,1; 3,7; 4,7) = 2,3 N70 = 2,3/2,3 = 1 N73 = 2,3/3,1 = 0,74 N80 = 2,3/3,7 = 0,62 N90 = 2,3/4,7 = 0,49 Atau Total = 1 + 0,74 + 0,62 + 0,49 = 2,85 N70= 1/2,85 = 0,350 N73= 0,74/2,85= 0,260 N80= 0,62/2,85= 0,218 N90= 0,49/2,85= 0,172Normalkan W = (0,350;0,260;0,218;0,172)Matriks perbandingan berpasangan untuk memori diperoleh dari data memori setiap HP (((((

1 40 / 90 42 / 90 35 / 9090 / 40 1 42 / 40 35 / 4090 / 42 40 / 42 1 35 / 4290 / 35 40 / 35 42 / 35 1 N70N73N80N90 N70 N73 N80 N90 W = (0,1691;0,2029;0,1932;0,4348)Matriks perbandingan berpasangan untuk warna diperoleh dari data warna setiap HP (((((

256 / ) 1024 * 16 ( 256 / ) 1024 * 16 ( 256 / ) 1024 * 16 ( 256 / ) 1024 * 16 () 1024 * 16 /( 256 1 1 1) 1024 * 16 /( 256 1 1 1) 1026 * 16 /( 256 1 1 1 N70N73N80N90 N70 N73 N80 N90 W = (0,0149;0,0149;0,0149;0,9552)TotWarna= 256 + 256 + 256 + (16x1024)= 17152 N70= 256/17152= 0,015 N73= 256/17152 = 0,015 N80= 256/17152 = 0,015 N90= (16x1024)/17152= 0,955Atau W = (0,015;0,015;0,015;0,955)Matriks perbandingan berpasangan untuk kamera diperoleh dari data kamera setiap HP (((((

1 2 , 3 / 2 2 , 3 / 2 12 / 2 , 3 1 1 2 / 2 , 32 / 2 , 3 1 1 2 / 2 , 31 2 , 3 / 2 2 , 3 / 2 1 N70N73N80N90 N70 N73 N80 N90 W = (0,1932;0,3077;0,3077;0,1932)TotKamera = 2 + 3,2 + 3,2 + 2 = 10,4 N70= 2/10,4= 0,192 N73= 3,2/10,4= 0,308 N80= 3,2/10,4= 0,308 N90= 2/10,4 = 0,192Atau W = (0,192;0,308;0,308;0,192)Matriks perbandingan berpasangan untuk berat diperoleh dari data berat setiap HP (((((

1 91 , 1 / 34 , 1 91 , 1 / 16 , 1 91 , 1 / 26 , 134 , 1 / 91 , 1 1 34 , 1 / 16 , 1 34 , 1 / 26 , 116 , 1 / 91 , 1 16 , 1 / 34 , 1 1 16 , 1 / 26 , 126 , 1 / 91 , 1 26 , 1 / 34 , 1 26 , 1 / 16 , 1 1 N70N73N80N90 N70 N73 N80 N90 W = (0,2713;0,2947; 0,2551;0,1790)MinBerat = min(1,26; 1,16; 1,34; 1,91) = 1,16 N70 = 1,26/1,16 = 0,92 N73 = 1,16/1,26 = 1 N80 = 1,16/1,34 = 0,87 N90 = 1,16/1,91 = 0,61 Atau TotBerat= 1 + 0,92 + 0,87 + 0,61 = 3,4 N70= 1/3,4= 0,294 N73= 0,92/3,4= 0,271 N80= 0,87/3,4= 0,256 N90= 0,61/3,4= 0,179Normalkan W = (0,271;0,294;0,256;0,179)Matriks perbandingan berpasangan untuk keunikan diperoleh secara subyektif dari persepsi user N90 lebih unik dibanding N80 N80 lebih unik dibanding N73 N73 lebih unik dibanding N70 Matriks perbandingan berpasangan untuk keunikan diperoleh secara subyektif dari persepsi user (((((

3 3 53 / 1 1 2 33 / 1 2 / 1 1 25 / 1 3 / 1 2 / 1 1 N70N73N80N90 N70 N73 N80 N90 W = (0,0860;0,1544;0,2415;0,5181)Bentuk hirarki dari informasi yang diperoleh Membeli HP Harga (0,4188) Memori (0,0689) Warna (0,0689) Kamera (0,0689) Berat (0,1872) Keunikan (0,1872) N70 (0,3505) N73 (0,2601)N80 (0,2179)N90 (0,1715) N70 (0,1691) N73 (0,2029)N80 (0,1932)N90 (0,4348) N70 (0,0149) N73 (0,0149)N80 (0,0149)N90 (0,9552) N70 (0,1932) N73 (0,3077)N80 (0,3077)N90 (0,1932) N70 (0,2713) N73 (0,2947)N80 (0,2551)N90 (0,1790) N70 (0,0860) N73 (0,1544)N80 (0,2415)N90 (0,5181) Perankingan: Misalkan ada n tujuan dan m alternatif pada AHP, maka proses perankingan alternatif dapat dilakukan melalui langkah-langkah berikut: Untuk setiap tujuan i, tetapkan matriks perbandingan berpasangan A, untuk m alternatif. Tentukan vektor bobot untuk setiap Ai yang merepresentasikan bobot relatif dari setiap alternatif ke-j pada tujuan ke-i (sij). Hitung total skor: Pilih alternatif dengan skor tertinggi. =ii ij j) w )( s ( s 0,35050,16910,01490,19230,27130,0860 0,26010,20290,01490,30770,29470,1544 0,21790,19320,01490,30770,25510,2415 0,17150,43480,95520,19230,17900,5181 0,4188 0,0689 0,0689 0,0689 0,1872 0,1872 = 0,2396 0,2292 0,2198 0,3114 N70 = 0,2396 N73 = 0,2292 N80 = 0,2198 N90 = 0,3114