pendekatan teori utilitas atribut ganda untuk ranking dan seleksi
TRANSCRIPT
PENDEKATAN TEORI UTILITAS ATRIBUT GANDA
UNTUK RANKING DAN SELEKSI
TESIS
Oleh
FAUZIAH HASIBUAN
067021015/MT
SEKOLAH PASCASARJANA
UNIVERSITAS SUMATERA UTARA
MEDAN
2008
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
PENDEKATAN TEORI UTILITAS ATRIBUT GANDA
UNTUK RANKING DAN SELEKSI
T E S I S
Untuk Memperoleh Gelar Magister Sains Dalam
Program Studi Magister Matematika Pada Sekolah Pascasarjana
Universitas Sumatera Utara
Oleh
FAUZIAH HASIBUAN
067021015/MT
SEKOLAH PASCASARJANAUNIVERSITAS SUMATERA UTARA
MEDAN
2008
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
Judul Tesis : PENDEKATAN TEORI UTILITAS ATRIBUT GANDAUNTUK RANKING DAN SELEKSI
Nama Mahasiswa : Fauziah HasibuanNomor Pokok : 067021015Program Studi : Magister Matematika
Menyetujui,
Komisi Pembimbing
(Dr. Sutarman, M.Sc) (Prof. Dr. Herman Mawengkang)Ketua Anggota
Ketua Program Studi Direktur
(Prof. Dr. Herman Mawengkang) (Prof. Dr. Ir. T.Chairun Nisa. B,M.Sc)
Tanggal lulus: 4 Juni 2008
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
Telah diuji pada
Tanggal 4 Juni 2008
PANITIA PENGUJI TESIS
Ketua : Dr. Sutarman, M.Sc
Anggota : Prof. Dr. Herman Mawengkang
Drs. Marwan Harahap, M.Eng
Dr. Saib Suwilo, M.Sc
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
ABSTRAK
Manajer projek industri besar sering mengukur kinerja dengan atribut ganda.Sebagai contoh, tesis ini dimotivasi dengan simulasi projek industri besar yangdisebut dengan survey gempa bumi. Kinerja projeknya diperhitungkan berdasar-kan waktu, biaya dan sumber utilitas. Dalam tesis ini dibangun prosedur rankingdan seleksi (R&S) untuk membuat sistem perbandingan (konfigurasi projek) yangmempunyai ukuran kinerja ganda. Prosedur ini mengkombinasikan teori utilitasatribut ganda dengan statistika ranking dan seleksi untuk memilih konfigurasiyang terbaik dari himpunan konfigurasi yang mungkin menggunakan zona pen-dekatan yang biasa. Kemudian prosedur tersebut diaplikasikan untuk hasil yangdibangun dengan simulasi survey gempa bumi yang memiliki enam ukuran kinerja.
Kata Kunci : Simulasi, Ranking dan Seleksi dan MAUT
i
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
ABSTRACT
Managers of large industrial projects often measure performance by multiple at-tributes. For example, our thesis is motivated by the simulation of a large indus-trial project called a land seismic survey, in which project performance is basedon duration, cost and resource utilization. To address these types of problems,we developed a ranking and selection procedure for making comparisons of sys-tems (e.g. project configurations) that have multiple performance measures. Theprocedure combines multiple attribute utility theory with statistical ranking andselection to select the best configuration from a set of possible configurations usingthe indifference-zone approach. We apply our procedure to results generated bythe simulator for a land seismic survey that has six performance measures.
Keyword : Simulation, Ranking and Selection and MAUT
ii
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
KATA PENGANTAR
Alhamdulillah puji syukur kehadirat Allah SWT atas berkat dan ridhoNya
penulis dapat menyelesaikan penulisan tesis ini, yang berjudul ”Pendekatan
Teori Utilitas Atribut Ganda Untuk Ranking dan Seleksi”. Tesis ini
merupakan tugas akhir pada Sekolah Pascasarjana Program Studi Magister Ma-
tematika, Universitas Sumatera Utara.
Pada kesempatan ini, penulis juga menyempaikan ucapan terima kasih dan
penghargaan yang sebesar-besarnya kepada : Kepala Bappeda Propinsi Su-
matera Utara beserta stafnya yang telah memberikan beasiswa kepada penulis,
Kepala Dinas Pendidikan Kota Medan yang telah memberi izin mengikuti
perkuliahan Program Pascasarjana di Universitas Sumatera Utara. Prof. dr.
Chairuddin P. Lubis, DTM&H, Sp.Ak selaku Rektor Universitas Sumatera
Utara dan Prof. Dr. Ir. T. Chairun Nisa B, M.Sc selaku Direktur Sekolah
Pascasarjana Universitas Sumatera Utara beserta Stafnya yang telah memberi
kesempatan kepada penulis untuk mengikuti perkuliahan pada Angkatan ke II
Program Educator Tahun 2006.
Prof. Dr. Herman Mawengkang, selaku Ketua Program Studi Matematika
SPs USU dan juga sebagai anggota komisi pembimbing pada penulisan tesis ini
yang berkat dorongan dan bantuan beliau sehingga penulisan tesis ini dapat di-
rampungkan.
Dr. Saib Suwilo, M.Sc, selaku Sekretaris Program Studi Matematika SPs USU
dan pembanding yang banyak memberikan kritik dan saran sebagai pembanding
penulis, serta bantuan dan motivasinya selama perkuliahan sehingga penulis dapat
menyelesaikan perkuliahan ini.
iii
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
Dr. Sutarman M.Sc, selaku ketua komisi pembimbing berkat saran dan ban-
tuannya kepada penulis sehingga perkuliahan dan penulisan tesis ini dapat dise-
lesaikan.
Drs. Marwan Harahap M.Eng selaku pembanding atas saran dan bantuan-
nya untuk kesempurnaan penulisan tesis ini serta bimbingan selama perkuliahan
berlangsung.
Dr. Iryanto M.Si, Dr. Tulus M.Si, Drs. Sawaluddin MIT, Drs. Open
Darnius Sembiring M.Sc, Dra. Mardiningsih M.Si, Drs. Suwarno Ar-
riswoyo M.Si, Drs. Opim Salim S, MIKom, PhD sebagai staf pengajar
pada SPs Program Studi Matematika atas bimbingan dan bantuannya selama
perkuliahan.
Seluruh Staf Administrasi SPs USU dan Ibu Misiani, S.Si serta Saudari
Sri Rayani Tanjung, S.Si selaku asisten Dosen yang telah memberikan bantuan
dan pelayanan yang baik kepada penulis.
Juandi Sidabutar dan Farawiati Adrianti selaku ketua kelas dan sahabat
sejati serta rekan-rekan seperjuangan, mahasiswa angkatan kedua (Tahun 2006)
Program Educator, atas kebersamaan dan bantuan dalam mengatasi masalah
selama perkuliahan berlangsung.
Drs. Ramly selaku Kepala Sekolah SMAN 11 Medan yang telah memberikan
kesempatan dan dorongan kepada penulis hingga penulisan tesis ini selesai tepat
waktu.
Kepada orang tua penulis ayahanda (Alm) H. Abd. Rahim Hasibuan dan
(Alm) Syamsiah Lubis ; mertua : (Alm) Kanaruddin Sitompul dan Hj.
iv
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
Hayatun Niswa Sihombing atas dorongan dan doanya, semoga Allah meridhoi-
Nya, suami tercinta Irsan Sitompul atas dorongan yang penuh kesabaran dan
anak-anak tercinta Putri Sitompul, Lumongga Sitompul dan Dea Syafira
Sitompul semoga lebih berprestasi dari orang tua, serta keluarga besar Hasibuan
khususnya kakak-kakak dan abang-abangku. Semua pihak yang telah turut mem-
bantu perkuliahan dan penulisan tesis ini hingga selesai. Semoga kiranya tesis ini
bermanfaat.
Serta semua pihak yang telah turut membantu perkuliahan dan penulisan tesis
ini hingga selesai. Kiranya tesis ini bermanfaat, semoga.
Medan, 20 Juni 2008
Penulis,
Fauziah Hasibuan
v
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
RIWAYAT HIDUP
Fauziah Hasibuan dilahirkan di Medan pada tanggal 03 Agustus 1969. Meru-
pakan anak kesepuluh dari sepuluh bersaudara dari ayahanda (Alm) H. Abd.
Rahim Hasibuan dan (Alm) Syamsiah Lubis. Masuk sekolah dasar di SD Negeri
060806 Medan tahun 1976 dan tamat tahun 1982, melanjutkan ke SMP Negeri
11 Medan tamat tahun 1985 kemudian melanjutkan ke SMA Negeri 8 Medan
dan tamat tahun 1988. Pada tahun 1988 masuk ke FMIPA Universitas Sumatera
Utara yang merupakan program Ikatan Dinas DIII tamat bulan oktober tahun
1991. Pada tahun 1992 diangkat menjadi guru PNS di SMAN 5 Padang Sidim-
puan. Pada tahun 1994 pindah tugas ke SMAN 10 (sekarang SMAN 11 Medan).
Pada tahun 1998 melanjutkan kuliah di FMIPA IKIP Medan untuk menyelesaikan
Program Strata 1 selesai tahun 1999. Dan tahun 2006 diperkenankan mengikuti
pendidikan Program Studi Magister Matematika di Sekolah Pascasarjana Univer-
sitas Sumatera Utara dengan program beasiswa dari Bappeda Provinsi Sumatera
Utara.
vi
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
DAFTAR ISI
Halaman
ABSTRAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
KATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . iii
RIWAYAT HIDUP . . . . . . . . . . . . . . . . . . . . . . . . . . vi
DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
DAFTAR TABEL . . . . . . . . . . . . . . . . . . . . . . . . . . . ix
DAFTAR GAMBAR . . . . . . . . . . . . . . . . . . . . . . . . . x
BAB 1 PENDAHULUAN . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Perumusan Masalah . . . . . . . . . . . . . . . . . . . . 4
1.3 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . 5
1.4 Kontribusi . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Metodologi Penelitian . . . . . . . . . . . . . . . . . . . 5
BAB 2 TINJAUAN PUSTAKA . . . . . . . . . . . . . . . . . . . . 7
BAB 3 LANDASAN TEORI . . . . . . . . . . . . . . . . . . . . . 10
3.1 Pengambilan Keputusan Kriteria Ganda . . . . . . . . . . 10
3.2 Utility . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2.1 Kurva Utility . . . . . . . . . . . . . . . . . . . . 13
3.2.2 Ekspektasi Utility . . . . . . . . . . . . . . . . . . 16
vii
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
3.3 MAUT . . . . . . . . . . . . . . . . . . . . . . . . . . 18
BAB 4 PENDEKATAN TEORI UTILITAS ATRIBUT GANDA UNTUKRANKING DAN SELEKSI . . . . . . . . . . . . . . . . . . 25
4.1 Ranking dan Seleksi (R&S) . . . . . . . . . . . . . . . . 25
4.1.1 Prosedur Zona Biasa . . . . . . . . . . . . . . . . 25
4.1.2 Prosedur Seleksi Subhimpunan . . . . . . . . . . . 28
4.1.3 Pendekatan R&S yang Lain . . . . . . . . . . . . . 30
4.2 Seleksi δ∗ . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.1 Pendekatan Pertukaran Utilitas . . . . . . . . . . . 31
4.2.2 Validitas dari Pendekatan Pertukaran Utilitas . . . . 34
4.2.3 Pembangunan Zona Biasa . . . . . . . . . . . . . . 35
4.2.4 Karakteristik Zona Biasa untuk Semua Ukuran Kinerja 36
4.3 Contoh Pemakaian . . . . . . . . . . . . . . . . . . . . 37
4.3.1 Gambaran Tentang Survey Gempa Bumi . . . . . . 38
4.3.2 Pengadaan Percobaan . . . . . . . . . . . . . . . . 41
4.3.3 Hasil Penelitian . . . . . . . . . . . . . . . . . . . 43
BAB 5 KESIMPULAN & SARAN . . . . . . . . . . . . . . . . . . 47
5.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . 47
5.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . 49
viii
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
DAFTAR TABEL
Nomor Judul Halaman
3.1 Produk yang Dapat Dihasilkan . . . . . . . . . . . . . . . . 13
3.2 Distribusi Kemungkinan Tingkat Penjualan . . . . . . . . . . 14
4.1 Hasil Tahap Pertama dari Prosedur R&S . . . . . . . . . . . 44
4.2 Hasil Tahap Kedua dari Prosedur R&S . . . . . . . . . . . . 45
ix
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
DAFTAR GAMBAR
Nomor Judul Halaman
3.1 Diagram Keputusan . . . . . . . . . . . . . . . . . . . . . 14
3.2 Kurva Utility pada Contoh 3.1 . . . . . . . . . . . . . . . . 15
3.3 Diagram Keputusan dengan Memasukkan Utility . . . . . . . 16
3.4 Kurva Utility bagi Penghindar Resiko . . . . . . . . . . . . 19
3.5 Kurva Utility bagi Pengambil Resiko . . . . . . . . . . . . . 19
3.6 Kurva Utility bagi Sikap Normal . . . . . . . . . . . . . . . 20
3.7 Diagram Pohon Keputusan untuk Alternatif A dan B . . . . 23
4.1 Contoh Zona Biasa-Zona Pilihan dalam Dua Dimensi . . . . . 37
4.2 Tugas Masing-Masing Personel pada Survey Gempa Bumi . . 40
4.3 Fungsi Utilitas untuk Biaya Projek dengan A=1,064, B=0,0195dan RT=50.000 . . . . . . . . . . . . . . . . . . . . . . . 42
x
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Meranking suatu subjek (individu, pilihan keputusan, organisasi, bisnis, dan
lain-lain) sering ditemui dalam kehidupan sehari-hari. Biasanya hal ini berkai-
tan dengan memilih salah satu dari beberapa subjek tersebut. Sebagai contoh
ketika hendak memilih satu projek dari beberapa alternatif projek yang tersedia.
Sebelum melakukan pilihan atas alternatif projek tersebut maka disusun atau
diranking menurut keutamaan berdasarkan kriteria tertentu.
Ranking adalah penyusunan beberapa subjek dari yang ”terbaik” hingga
”terburuk” atau sebaliknya berdasarkan satu kriteria atau lebih. Kriteria dalam
kaitan ini merupakan satu landasan atau asas penetapan ranking. Manakala ter-
baik atau terburuk merupakan suatu keadaan, persyaratan, atau skala yang telah
ditetapkan dengan jelas secara kualitatif dan kuantitatif.
Terdapat beberapa metode untuk meranking, salah satunya adalah Prose-
dur R&S. Prosedur ini adalah metode statistika yang secara khusus dibangun
untuk memilih sistem terbaik atau himpunan dari k alternatif yang bersaing.
Pada umumnya, metode ini menjamin probabilitas dari seleksi yang benar pada
beberapa pengguna pada tingkat yang khusus. Prosedur perbandingan ganda
mengkhususkan penggunaan dari sepasang perbandingan untuk membuat kesim-
pulan dalam bentuk interval kepercayaan (Fu, 1994) tentang hubungan diantara
semua desain. Dengan perkataan lain, prosedur R&S menyediakan percobaan
1
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
2
dengan desain sistem terbaik ketika prosedur perbandingan ganda menyediakan
informasi tentang hubungan diantara desain. Prosedur demikian ini banyak diper-
gunakan dalam penelitian simulasi (lihat antara lain Bechofer et al, (1995), Tsai
dan Nelson, (2006)).
Morrice et al. (1997) telah membangun sebuah model simulasi projek yang
terdiri dari input parameter dan ukuran kinerja ganda. Penelitian ini menun-
jukkan bagaimana menggunakan simulasi, Ranking dan Seleksi (R&S) untuk me-
milih konfigurasi projek yang terbaik dari konfigurasi k(> 1) yang mungkin. Kon-
figurasi k disusun berdasarkan letak yang berbeda dari input parameter. Penilaian
konfigurasi projek dengan ukuran kinerja ganda menyulitkan analisis Ranking
dan Seleksi (R&S). Banyak literature Ranking dan Seleksi (R&S) memfokuskan
pada prosedur yang didesain untuk ukuran skalar kinerja. Bechhofer, Santner
and Goldsman (1995) memberikan contoh yang berhubungan dengan problema
tersebut.
Pada kenyataannya, beberapa hasil multivariate telah ada. Gupta dan Pan-
chapakesan (1979) menggambarkan prosedur yang berdasarkan fungsi skalar dari
rata-rata dan matriks kovarians dari populasi multivariate. Dengan perkataan
lain, prosedur ini mengurangi problema ukuran kinerja multivariat pada problema
ukuran kinerja skalar. Andijani (1998) menggunakan proses analitik hirarki un-
tuk memilih alokasi yang paling disukai. Penelitian tersebut menyediakan contoh
yang baik untuk metode pada objek yang bertentangan ketika menganalisis output
dari sistem simulasi termasuk analisis sensitivitas. Sejalan dengan hal tersebut
Kim dan Lin (1999) menggunakan pendekatan maksimin dan fungsi yang disukai
(desirability) untuk mengoptimalkan karakteristik.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
3
Dalam bidang bisnis, pendekatan yang berbeda sering digunakan yaitu meng-
konversi kinerja projek melebihi ukuran ganda pada ukuran skalar menggunakan
biaya. Meskipun ukuran kinerja mempunyai banyak manfaat yang nyata tetapi
juga memiliki beberapa kelemahan. Sebagai contoh biaya data yang akurat
mungkin tidak ada karena sumber tidak cukup. Kemudian mungkin sulit mem-
berikan nilai yang akurat untuk hal yang abstrak (kualitas hidup, keinginan dan
harapan yang baik, dll) meskipun sumbernya tersedia.
Salah pendekatan lain untuk mengatasi problema ini yaitu mengkonversi
ukuran kinerja ganda menggunakan Utilitas Teori Atribut Ganda (Multi Attribute
Utility Theory / MAUT). MAUT dapat digunakan sebagai pengganti dari pen-
dekatan biaya ketika data biaya yang baik tidak tersedia atau ketika biaya tidak
sesuai sebagai ukuran kinerja. Sebagai alternatif MAUT dapat digunakan untuk
membubuhi informasi biaya yang dianggap tidak lengkap.
MAUT adalah perluasan dari teori klasik utilitas. Bertujuan untuk menggam-
barkan pilihan pengambil keputusan melalui fungsi utilitas u(g). Kumpulan se-
mua kriteria pengujian : u(g) = u(g1, g2, . . . , gn). Dimana g adalah vektor dari
kriteria pengujian g1, g2, . . . , gn. Umumnya, fungsi utilitas multi-kriteria boleh
berkurang pada fungsi yang nyata u1, u2, . . . , un mengenai kriteria yang bebas.
Sehingga model fungsi utilitas yang berbeda diperoleh. Pada dasarnya alternatif
utilitas ditentukan melalui fungsi utilitas yang dibangun, pengambil keputusan da-
pat meranking dari alternatif terbaik ke alternatif yang buruk, mengklasifikasikan
mereka pada klas yang tepat, atau memilih alternatif dengan utilitas tertinggi
dari alternatif terbaik.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
4
Penelitian ini mengkombinasi MAUT dengan R&S menggunakan zona pen-
dekatan yang berbeda. Tujuannya adalah memilih konfigurasi projek terbaik dari
himpunan konfigurasi k ketika kinerja projek ditentukan dengan n > 1 ukuran
kinerja (Morrice et al. (1998), Morrice et al. (1999)).
Simulasi optimisasi menyediakan pendekatan struktur untuk menentukan in-
put parameter yang optimal. Dimana optimaliti diukur dengan fungsi dari output
ukuran kinerja yang diasosiasikan dengan model simulasi. Pada tahun 1970an dan
1980an banyak teknik simulasi optimisasi yang dapat dipakai ketika input para-
meter yang dioptimisasi adalah kontinu. Teknik ini adalah berdasarkan pencarian
jalur, meliputi teknik simulasi gradien yang termasuk dalam algoritma approksi-
masi stokastik (Jacobson and Schruben, 1989). Setelah beberapa decade, dua
teknik statistika yaitu R&S dan prosedur perbandingan ganda yang diperoleh
popularitasnya pada simulasi optimisasi. Teknik ini dapat diaplikasikan ketika
input parameter adalah diskrit dan jumlah desain yang dibandingkan keduanya
diskrit dan kecil. Metode khusus yang dapat diaplikasikan tipe perbandingan de-
ngan analisis dan propertis dari simulasi output data. Jacobson and Schruben
(1989), Fu (1994) dan Jacobson et al. (1999) juga menyediakan gambaran yang
luas dari teknik simulasi optimisasi tidak terbatas pada R&S dan prosedur per-
bandingan ganda.
1.2 Perumusan Masalah
Prosedur R&S hanya direkomendasikan apabila jumlah alternative ranca-
ngannya kecil dan rancangannya tidak berkaitan secara fungsional. MAUT yang
pada umumnya dipergunakan untuk membuat suatu urutan (ranking) berdasar-
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
5
kan utilitas dipandang dapat diterapkan dalam prosedur R&S setelah mengkon-
versikan ukuran kinerja dengan utilitas. Dalam penelitian ini prosedur MAUT
diterapkan pada sistem konfigurasi projek yang mempunyai ukuran kinerja ganda.
Adapun permasalahan dalam penelitian ini adalah bagaimana membangun
prosedur Ranking dan Seleksi (R&S) untuk perbandingan system (konfigurasi
projek) yang mempunyai ukuran kinerja ganda dengan pendekatan MAUT.
1.3 Tujuan Penelitian
Adapun tujuan dalam penelitian ini adalah untuk mengembangkan kom-
binasi prosedur Ranking dan Seleksi (R&S) dengan pendekatan MAUT untuk
memilih konfigurasi terbaik dari konfigurasi yang mungkin menggunakan zona
pendekatan yang berbeda.
1.4 Kontribusi
Manajer projek dari industri yang besar sering mengukur kinerja dengan
atribut ganda. Sebagai contoh, penelitian ini termotivasi pada simulasi dari pro-
jek industri besar yaitu survey gempa bumi dimana kinerja projek berdasarkan
waktu, biaya, dan pemanfaatan sumber untuk menyelesaikan problema ini.
1.5 Metodologi Penelitian
Penelitian ini merupakan penelitian literature, melalui penelusuran terhadap
jurnal-jurnal yang terkait tentang R&S serta MAUT. Oleh karena itu tahapan
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
6
pengkajian penelitian ini dilakukan sebagai berikut:
1. Dibahas tentang pengambilan keputusan ganda untuk memperoleh gam-
baran tentang penggunaan fungsi utilitas dan MAUT.
2. Dikaji tentang utilitas, dalam hal ini dapat diperoleh mengenai pengertian
konversi dari suatu kondisi menjadi pemanfaatan (utilitas) dan bagaimana
memperoleh fungsi utilitas yang diperlukan dalam MAUT.
3. Pembahasan tentang MAUT sebagai tahap awal untuk melakukan ranking
4. Penerapan MAUT dalam R&S.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
BAB 2
TINJAUAN PUSTAKA
Berikut beberapa gambaran umum dari R&S, prosedur perbandingan ganda,
dan MAUT. Di bawah ini disampaikan beberapa pendekatan sebagai suatu kajian
literatur.
Law and Kelton (1991) mengutarakan pengenalan yang baik dari R&S de-
ngan referensi yang cocok pada perlakuan yang intensif secara matematika. De-
mikian juga, Sanchez (1997) memberikan gambaran dari R&S dengan beberapa
sampel skenario dan daftar referensi yang banyak. Goldsman (1983) menyedia-
kan perspektif dari R&S dan hubungannya pada simulasi. Wen and Chen (1994)
menjelaskan prosedur pengambilan sampel tahap tunggal untuk prosedur perban-
dingan ganda yang berbeda.
Goldsman and Nelson (1994,1998) memberikan penggambaran ulang se-
cara komperhensif dari R&S dan prosedur perbandingan ganda pada simulasi.
Mereka mencoba meyatukan perspektif antara R&S dengan prosedur perbandi-
ngan ganda. Goldsman et al. (1991) membandingkan R&S pada prosedur per-
bandingan ganda dan analisis interaktif. Bechhofer et al. (1995) menjelaskan
secara detail R&S dan menyediakan petunjuk praktis untuk praktisi sama hal-
nya dengan Hsu (1996) menjelaskan secara detail teori dan aplikasi dari prosedur
perbandingan ganda.
Elfeky, Sarker and Essam (2007) menjelaskan analisis proses R&S seder-
hana untuk optimisasi dengan kendala. Banyak masalah optimisasi yang meliputi
7
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
8
aplikasi praktis yang mempunyai fungsi kendala, dan beberapa kendala tersebut
aktif. Sehingga solusi optimal biasanya tidak tampak pada batas dari daerah yang
layak. Oleh sebab itu, penelitian ini menggunakan pendekatan R&S.
Goldsman et al. (2000) menjelaskan R&S untuk simulasi steady-state. Peneli-
tian ini menjelaskan dan mengevaluasi prosedur R&S pada percobaan simulasi
steady-state ketika tujuan ditemukan diantara sejumlah sistem alternatif terhingga
yang memiliki rata-rata kinerja. Kedua prosedur tersebut memperluas kebera-
daan metode untuk pengamatan distribusi normal identik dan bebas dan untuk
mengeneralisasi output proses stationer.
Morrice et al. (1998) membangun prosedur ranking dan seleksi untuk mem-
buat perbandingan ganda dari sistem ukuran kinerja ganda. Prosedur tersebut
mengkombinasi MAUT dengan ranking dan seleksi untuk memilih konfigurasi ter-
baik dari himpunan K menggunakan zona pendekatan yang berbeda. Butler et
al. (2001) mengembangkan kombinasi prosedur Ranking dan Seleksi (R&S) de-
ngan pendekatan MAUT untuk memilih konfigurasi terbaik dari konfigurasi yang
mungkin menggunakan zona pendekatan yang berbeda.
Schfer (2002) menjelaskan tentang aturan-aturan penggunaan MAUT untuk
mengestimasi ketertarikan pengguna. Selanjutnya Sedighizadeh and Rezazadeh
(2007) menjelaskan sebuah interval berdasarkan pendekatan pengambilan kepu-
tusan multi-atribut dalam mendukung proses keputusan. Diajukan metodologi
keputusan berdasarkan pada model dari fungsi utilitas aditif linier tetapi mem-
perluas formulasi problema dengan ukuran utilitas varians.
Selanjutnya Kojadinovic (2006) menggunakan MAUT berdasarkan integral
choquet sebuah gambaran praktis dan teori. Sama halnya dengan Ma et al.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
9
(2001) menggunakan pendekatan pengambil keputusan atribut ganda berdasar-
kan pada pilihan informasi dan alternatif. Sedangkan Wallenius et al. (2007)
menjelaskan perluasan dari pendekatan pengambil keputusan kriteria ganda dan
dikombinasikan dengan MAUT.
Tsai dan Nelson (2006) mengajukan prosedur R&S dengan memakai Kendali-
Variate (KV). Dalam kebanyakan prosedur R&S mean sampel dari respon dipakai
sebagai estimator terhadap ekspektasi kinerja. Mereka membuktikan bahwa es-
timator Kendali-Variate dari rata-rata populasi µ secara statistika lebih efesien
daripada rata-rata sampel.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
BAB 3
LANDASAN TEORI
3.1 Pengambilan Keputusan Kriteria Ganda
Problema pengambilan keputusan biasanya terlalu kompleks dan struktur
yang buruk harus melalui pengujian dari kriteria tunggal, atribut, atau titik pan-
dang yang menuju pada keputusan optimal. Banyak pendekatan menarik yang se-
cara simultan dikembangkan dari semua faktor yang berhubungan pada problema.
Bagaimanapun dengan pendekatan ini beberapa isu yang sangat penting timbul,
peneliti dari berbagai disiplin ilmu mencoba menyelesaikan dengan menggunakan
pendekatan statistik, teknik artificial intelligence dan metodelogi operasi riset.
Diantara metode dan alat pengambilan keputusan kriteria ganda, beberapa pen-
dekatan dan disiplin teori dapat didefinisikan. Meskipun perbedaaan dan batasan
mereka sulit untuk ditentukan.
Pardalos et al. ( ) Membedakan dalam empat kategori :
1. Program matematika multi-objective
2. MAUT
3. Pendekatan relasi ranking yang lebih tinggi
4. Pendekatan pilihan disaggregasi
Program matematika multi-objective adalah perluasan dari kerangka kerja
dari program matematika single-objective, meliputi optimisasi dari himpunan ob-
jektif yang digambarkan dalam bentuk fungsi linier dan nonlinier dari beberapa
10
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
11
variabel keputusan. Optimisasi dari objektif ini dilakukan dengan kendala. Ob-
jektif yang bersaing pada problema keputusan membuat tidak mungkin diopti-
misasi secara simultan. Sehingga pengambil keputusan tidak memperoleh solusi
yang optimum, tetapi harus mempertimbangkan kelayakan. Untuk menentukan
solusi yang layak tergantung pada pilihan, keputusan, dan kebijkan pengambil
keputusan. Teknik ini dibangun dengan tujuan menentukan inisial himpunan dari
solusi yang efesien kemudian mengidentifikasi solusi khusus pada pilihan pengam-
bil keputusan melalui prosedur interaktif dan iteratif.
Pendekatan relasi ranking yang lebih tinggi dibangun di Eropa dengan peng-
gambaran dari metode ELECTRE (Elimination Et Choix Traduisant La Reallite)
oleh Roy. Relasi ini menyimpulkan bahwa alternatif a rankingnya lebih tinggi
dari alternatif b jika terdapat argumen yang cukup untuk mengkonfirmasi bahwa
alternatif a lebih baik dari alternatif b, tidak terdapat alasan yang penting untuk
menolak pernyataan tersebut. Untuk membangun relasi ini pengambil keputu-
san berkolaborasi dengan analisis keputusan, harus mengkhususkan bobot dari
evaluasi kriteria dan beberapa teknik parameter. Definisi dari parameter ini me-
mungkinkan pengujian apakah terdapat kriteria yang cukup dimana a lebih baik
dari b. Selanjutnya melalui prosedur model, hal ini memungkinkan untuk mengi-
dentifikasi kasus dimana kinerja dari dua alternatif pada evaluasi kriteria berbeda
secara signifikan.
Pendekatan pilihan disaggregasi lebih memilih analisis pilihan yang umum
dari pengambil keputusan serta mengidentifikasi model kriteria aggregasi yang
mendasari hasil pilihan (ranking atau sorting). Sama halnya dengan MAUT,
analisis pilihan disaggregasi menggunakan bentuk dekomposisi utilitas untuk me-
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
12
modelkan pilihan pengambil keputusan. Namun, penggunaan prosedur langsung
untuk penaksiran global dari model utilitas (MAUT) pada analisis pilihan dis-
aggregasi menggunakan teknik regresi. Analisis pilihan disaggregasi parameter
utilitas model dekomposisinya ditaksir melalui analisis pembuat keputusan ke-
seluruhan pilihan pada beberapa alternatif. Pembuat keputusan akan meranking
atau mengklasifikasikan pilihan alternatif berdasarkan kebijaksanaannya. Ke-
mudian menggunakan teknik regresi sehingga ranking oleh pembuat keputusan
dibuat ulang secara konsisten melalui model keputusan yang dibangun.
3.2 Utility
Untuk kejadian tak pasti yang masih sederhana, penetapan nilai ekivalen
tetap tidak sulit untuk dilakukan. Tetapi bila kejadian tak pasti yang terlibat se-
makin rumit, maka penetapan nilai ekivalen tetap secara langsung menjadi sulit.
Karena itu, untuk menghitung nilai ekivalen tetap-nya tidak bisa dilakukan se-
cara langsung, tetapi dengan melakukan penjajagan terhadap preferensi pembuat
keputusan dalam menghadapi resiko terlebih dahulu.
Utility adalah preferensi pembuat keputusan terhadap suatu nilai dengan
mempertimbangkan faktor resiko. Hasil penjajagan preferensi pembuat keputusan
terhadap suatu nilai dengan mempertimbangkan faktor resiko tersebut dikodekan
dalam suatu kurva yang disebut kurva preferensi atau kurva utility. Kurva utility
memberikan sebuah cara untuk mengkonversikan suatu satuan (misalnya mata
uang Rupiah) menjadi unit utility.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
13
3.2.1 Kurva Utility
Kurva utility menggambarkan bagaimana utility atau preferensi suatu nilai
bagi pembuat keputusan. Pada umumnya skala utility dinyatakan antara 0 dan
1, dimana skala utility=1 menyatakan keadaan atau nilai yang paling disukai dan
0 menyatakan keadaan atau nilai yang paling tidak disukai.
Individu yang takut pada resiko atau yang sensitif terhadap resiko, dise-
but penghindar resiko (risk averse). Sikap penghindar resiko dapat dilihat pada
sederetan fungsi utility yang melengkung dan membuka ke bawah (kurva dengan
bentuk seperti ini disebut concave).
Contoh 3.1 Pengambilan Keputusan Menggunakan Nilai Ekspektasi
Seorang manajer produksi diharapkan untuk memilih satu di antara tiga jenis
produk baru yang akan dipasarkan. Produksi pendahuluan untuk ketiga produk
tersebut telah selesai dilakukan, demikian pula studi tentang harganya. Hasil-
nya dapat dilihat pada Tabel 3.1. Selanjutnya dari penelitian pasar dapat pula
diketahui distribusi kemungkinan tingkat penjualan yang mungkin dicapai untuk
masing-masing produk seperti yang terlihat pada Tabel 3.2. Dan selain itu pim-
pinan perusahaan telah memutuskan bahwa hanya satu produk baru yang dapat
dipasarkan.
Tabel 3.1 : Produk yang Dapat Dihasilkan
Produk Harga (Unit) Ongkos (Unit) Kontribusi (Unit)A Rp. 2500 Rp. 1500 Rp. 1000B Rp. 6000 Rp. 4000 Rp. 2000C Rp. 3750 Rp. 2250 Rp. 1500
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
14
Tabel 3.2 : Distribusi Kemungkinan Tingkat Penjualan
Tingkat Penjualan KemungkinanA B C
0 0 0,1 0,11000 0 0,2 0,32000 0,1 0,2 0,33000 0,1 0,4 0,24000 0,2 0,1 0,15000 0,6 0 0
Informasi ini dapat dituangkan dalam suatu diagram keputusan sebagai
berikut:
Gambar 3.1 : Diagram Keputusan
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
15
Untuk contoh di atas, nilai ekspektasi untuk masing-masing produk adalah:
Produk A
Nilai ekspektasi = (0,1)x(Rp. 2000) + (0,1)x(Rp. 3000) + (0,2)x(Rp. 4000) +
(0,6)x(Rp. 5000) = Rp. 4300
Produk B
Nilai ekspektasi = (0,1)x(0) + (0,2)x(Rp. 2000) + (0,2)x(Rp. 4000) +
(0,4)x(Rp. 6000) + (0,1)x(Rp. 8000) = Rp. 4400
Produk C
Nilai ekspektasi = (0,1)x(0) + (0,3)x(Rp. 1500) + (0,3)x(Rp. 3000) +
(0,2)x(Rp. 4500) + (0,1)x(Rp. 6000) = Rp. 2850
Dengan membandingkan nilai ekspektasi ini, maka produk B yang dipilih,
karena produk B mempunyai nilai ekspektasi yang tertinggi. Untuk contoh ini,
dapat langsung dibuat penjajagannya yang dikodekan dalam kurva utility dibawah
ini. Pada kurva utility ini, titik-titik jumlah rupiah (x) di sumbu mendatar. Jika
ditarik garis lurus dari titik x di sumbu mendatar ke atas ke arah kurva, kemudian
jika setelah menyentuh kuva ditarik garis lurus ke arah sumbu vertikal, akan
didapati nilai utility (U(x)).
Gambar 3.2 : Kurva Utility pada Contoh 3.1
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
16
3.2.2 Ekspektasi Utility
Karena utility merupakan pencerminan dari preferensi pembuat keputusan,
maka untuk melakukan pemilihan, pembuat keputusan mendasarkan pada ekspek-
tasi utility dari alternatif-alternatif yang ada, dan memilih berdasarkan ekspektasi
utilityyang tertinggi.
Sebagai contoh, dalam menghadapi situasi keputusan seperti pada contoh
3.1 di atas, dapat dihitung ekspektasi utility(EU) dari masing-masing alternatif
(lihat diagram pohon keputusan berikut), sehingga didapatkan :
Gambar 3.3 : Diagram Keputusan dengan Memasukkan Utility
Alternatif A
EUA = (0, 1) × (0, 45) + (0, 1) × (0, 64) + (0, 2) × (0, 78) + (0, 6) × (0, 87) = 0, 79
Alternatif B
EUB = (0, 1)×(0)+(0, 2)×(0, 45)+(0, 2)×(0, 78)+(0, 4)×(0, 94)+(0, 1)×(1) =
0, 72
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
17
Alternatif C
EUC = (0, 1)×(0)+(0, 3)×(0, 31)+(0, 3)×(0, 64)+(0, 2)×(0, 83)+(0, 1)×(0, 94) =
0, 55
Berdasarkan ekspektasi utility ini, dapat diambil keputusan bahwa alternatif
yang terbaik adalah alternatif A, karena memberi utility yang paling tinggi di
antara ketiga alternatif yang ada.
Dengan menggunakan kurva utility pada gambar 3.2 dapat juga diperoleh
nilai ekivalen tetap bagi masing-masing alternatif, yaitu dengan mencari jumlah
kontribusi rupiah yang berkorespondensi dengan ekspektasi utility masing-masing
alternatif.
Alternatif A : EUA = 0, 79, ETA = Rp.4100
Alternatif B : EUB = 0, 72, ETA = Rp.3500
Alternatif C : EUC = 0, 55, ETA = Rp.2500
Pembuat keputusan biasanya akan lebih mudah melihat alternatif yang di-
nyatakan dalam bentuk ekivalen tetap, daripada dalam bentuk ekspektasi utility,
karena biasanya untuk mengerti besaran yang telah dikenal dengan baik seperti ru-
piah, akan lebih mudah dibandingkan dengan ukuran utility. Sehingga, meskipun
ekspektasi utility dapat digunakan sebagai kriteria pemilihan, biasanya ekspek-
tasi utility ini akan diubah dulu kedalam bentuk ekivalen tetap baru kemudian
dilakukan pemilihan berdasarkan nilai ekivalen tetap tersebut.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
18
3.3 MAUT
MAUT (Keeney and raiffa, 1976) adalah salah satu alat analisis yang dia-
sosiasikan dengan field dari analisis keputusan ( contoh, Clemen 1991). Analisis
utilitas atribut ganda secara eksplisit mengidentifikasi ukuran yang digunakan un-
tuk mengevaluasi alternatif, dan membantu mengidentifikasi alternative tersebut
yang dibentuk dengan baik pada ukuran yang besar dengan perhatian khusus
pada ukuran yang dianggap relatif lebih penting.
Langkah pertama dalam analisis MAUT adalah membentuk matriks dengan
baris yang sesuai untuk alternative dan kolom untuk menggambarkan ukuran
kinerja. Sel dalam matriks berisi estimasi kinerja dari tiap alternative pada tiap
ukuran. Ketika estimasi ini tidak baik, estmasi ini sering tepat untuk mengukur
dengan range atau distribusi peluang ditentukan menggunakan metode analisis
resiko (simulasi) (Clemen, 1991; Keeney and Von Winterfeldt, 1991).
Langkah berikutnya membangun fungsi utilitas atribut tunggal yang terdiri
dari skala dari 0 sampai 1 yang merupakan bobot untuk tiap ukuran dan fungsi
utilitas atribut ganda diturunkan dari fungsi utilitas atribut tunggal. Fungsi utili-
tas atribut tunggal adalah fungsi penskoran yang memetakan ukuran kinerja dari
rangenya (nilai yang mungkin [0,1]). Bentuk umum dari fungsi ini terdiri dari
konkaf pada resiko yang menolak behavior, konveks pada resiko yang melihat
behavior, linier pada resiko yang netral terhadap behavior, dan S untuk bentuk
hybrid pada fungsi konveks dan konkaf. Berikut grafiknya sebagai berikut:
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
19
Gambar 3.4 : Kurva Utility bagi Penghindar Resiko
Gambar 3.5 : Kurva Utility bagi Pengambil Resiko
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
20
Gambar 3.6 : Kurva Utility bagi Sikap Normal
Untuk alasan teori dan praktis, sebuah bentuk yang popular dari fungsi
utilitas atribut tunggal adalah :
U(X) = A− Be−(X/RT ) (3.1)
Jumlah A,B, dan RT adalah parameter yang harus di bentuk dengan pem-
buat keputusan. Beberapa teknik taksiran tersedia untuk mendapatkan fungsi
utilitas dari pembuat keputusan (Logical decision, 1996) dan terdapat juga be-
berapa metode untuk memberikan bobot pada ukuran kinerja (Schoemaker and
waid, 1982), dan metode lainnya yang popular adalah Analytical Hierarchy Pro-
cess (AHP) (Saaty, 1988).
Metodologi dari utilitas atribut ganda untuk mengevaluasi alternatif terdiri
dari langkah berikut :
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
21
a. Mengidentifikasi alternatif dan ukuran
b. Mengestimasi kinerja dari alternative dengan mengacu kepada ukuran
c. Membangun utilitas ukuran dan bobot ukuran
d. Mengevaluasi alternatif
MAUT berguna untuk menentukan bagaimana kinerja tiap ukuran mem-
pengaruhi keseluruhan kinerja berhadapan dengan himpunan dari bobot yang
ditaksir. Terdapat banyak bentuk dari fungsi MAU yang valid. Fungsi utilitas
multilinier merupakan bentuk paling umum yang digunakan dengan aplikasi MAU
secara teratur (Butler et al, 2001).
U(X) =n∑
i=1
wiui(Xi) +n∑
i=1
∑
j>1
wijui(Xi)uj(Xj)
+n∑
i=1
∑
j>1
∑
m>j>1
wijmui(Xi)uj(Xj)um(Xm)
+ · · · + w123u1(X1)u2(X2) · · · unX(n)
(3.2)
dengan X = (X1,X2, . . . ,Xn) adalah vektor variabel acak dari ukuran ki-
nerja, ui(·) adalah fungsi utilitas atribut tunggal dari ukuran i yang diskalakan
antara 0 dan 1, wi adalah bobot ukuran i dimana 0 ≤ wi ≤ 1 untuk semua i,
dan wijm adalah skala konstanta yang menggambarkan pengaruh yang kuat dari
interaksi diantara atribut pilihan ke i, j dan m.
Untuk menentukan apakah pilihan pengambil keputusan sesuai pada kondisi
sehingga pers (3.2) boleh digunakan untuk merebut pilihan, dan dibutuhkan pen-
definisian konsep utilitas yang bebas. Ketika hanya terdapat dua ukuran kinerja,
atribut Xi merupakan utilitas bebas dari Xj jika pilihan diundi dari Xi dengan
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
22
Xj = xj tidak tergantung pada tingkat xj (Keeney and Raiffa, 1976). Konsep
utilitas bebas menganggap fungsi utilitas untuk akibat atribut Xi bebas dari Xj .
Utilitas bebas yang saling bersama ketika Xi adalah utilitas bebas dari Xj dan
Xj adalah utilitas bebas dari Xi . ketika terdapat lebih dari dua dimensi, utilitas
bebas yang saling bersama untuk X1,X2, . . . ,Xn, setiap himpunan bagian dari
Xi adalah utilitas bebas dari komplemennya.
Diberikan X = (X1,X2, . . . ,Xn), n ≥ 2, jika Xi adalah utilitas bebas dari
Xj untuk semua j 6= i, maka model multilinier dari per (3.2) tepat (Keeney and
Raiffa, 1976). Jika utilitas bebas yang saling bersama maka pilihan yang benar
adalah model perkalian MAU, 1 + wu(X) = Πni=1[1 + wwiui(Xi)]. Jika diperluas
bentuk kompaknya dari model perkalian (Butler et al, 2001), maka diperoleh :
U(X) =n∑
i=1
wiui(Xi) +n∑
i=1
∑
j>1
wwiwjui(Xi)uj(Xj)
+n∑
i=1
∑
j>1
∑
m>j>1
w2wiwiwmui(Xi)uj(Xj))
× um(Xm) + · · · + wn−1
n∏
i=1
wiui(X1)
(3.3)
dimana 0 ≤ wi ≤ 1 dan −1 ≤ w ≤ ∞. Catatan tidak ada subskrip pada w
umum, sehingga bentuk perkalian ini merupakan kasus khusus dari model multi-
linier pers (3.2), dimana kekuatan dari semua interaksi diantara kriteria adalah
sama. Akhirnya, jika kondisi pilihan lebih terbatas maka yang digunakan adalah
bebas aditif. Model MAU aditif adalah sebagai berikut :
U(X) =
n∑
i=1
wiui(Xi) (3.4)
dimana 0 ≤ wi ≤ 1 dan∑n
i=1 wi = 1. Pemeriksaaan pers (3.2), (3.3), dan
(3.4) menyatakan bentuk pertama dari model multilinier dan perkalian adalah
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
23
model aditif. Dengan perkataan lain, ketika interaksi yang istimewa mempunyai
pengaruh yang kuat pada pilihan, sebagai contoh jika bentuk interaksi semuanya
nol, model aditif merupakan kasus khusus dari skema aggregasi yang umum.
Model aditif (3.4) mengandalkan asumsi yang tepat dipilih sebagai bebas
aditif. Andaikan pengambil keputusan diberikan pilihan anatara dua alternatif
berikut :
A(x1∗, x2∗) dengan probabilitas 0,5
(x∗1, x
∗2) dengan probabilitas 0,5
B(x1∗, x∗2) dengan probabilitas 0,5
(x∗1, x2∗) dengan probabilitas 0,5
Diagram pohon keputusannya dapat digambarkan sebagai berikut:
Gambar 3.7 : Diagram Pohon Keputusan untuk Alternatif A dan B
dimana x1∗ dan x∗1 menggambarkan output yang dipilih dari ukuran i, berturut-
turut, dan (y, z) digunakan untuk menggambarkan penerimaan bersama dari y
dan z. Catatan bahwa A dan B memberikan output terbaik pada tiap ukuran
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
24
dengan probabilitas 0,5 dan memberikan output terburuk pada tiap ukuran de-
ngan probabilitas 0,5. perbedaaan diantara A dan B adalah jika pilihan A akan
mendapatkan semua output terbaik dan terburuk , tetapi pilihan B akan men-
dapatkan campuran dari terbaik dan terburuk. Jika pengambil keputusan tidak
berbeda antara A dan B, maka dsiebut marjinal tidak bersama-sama, distribusi
ukuran kinerja menentukan semua pilihan. Dengan perkataan lain, pilihan untuk
suatu ukuran bebas dari tingkatan ukuran lainnya, dan dapat menyederhanakan
kinerja tambahan pada tiap ukuran untuk mencapai semua ukuran kinerja. Pola
pilihan ini konsisten dengan bebas aditif. Jika terdapat lebih dari dua ukuran,
maka dapat mengulang analisis untuk semua pasangan ukuran.
Bagaimanapun model aditif pers (3.4) sangat tegar, menyediakan approksi-
masi pilihan yang baik dan tidak menyukai bebas aditif. Dengan perkataan lain,
model aditif selalu mengidentifikasi alternative dengan kinerja yang tingginya
sama sebagai kesatuan model dan tidak menyukai bebas aditif. Lebih lanjut,
Butler et al. (1997) menyediakan pendekatan Monte Carlo yang memperluas
pengaruh yang kuat dengan menggunakan model aggregasi perkalian pers (3.3)
dan model aditif pers (3.4) yang ditaksir.
Beberapa metode juga ada untuk pemberian bobot pada ukuran kinerja
(Shoemaker and Waid (1982), Logical Deciosions (1996)). Sebagai contoh sebuah
prosedur disebut metode pertukaran termasuk semua n ukuran kinerja pada n−1
pasangan pertukaran. Pada tiap pertukaran, pengambil keputusan mendefinisikan
hipotesis yang sama dengan alternative yang dipilih (Clemen, 1991). Metode pe-
naksiran bobot lainnya yang terkenal adalah analisis hirarki proses (Saaty, 1988).
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
BAB 4
PENDEKATAN TEORI UTILITAS ATRIBUT GANDA UNTUKRANKING DAN SELEKSI
4.1 Ranking dan Seleksi (R&S)
R&S adalah metode yang ditetapkan secara umum untuk memilih sistem
terbaik diantara himpunan alternatif yang bersaing. Dasar R&S diajukan per-
tama kali oleh Becchofer (1954). Keutamaan R&S dapat diklasifikasikan kedalam
tiga pendekatan umum : seleksi zona biasa dan seleksi subhimpunan serta pen-
dekatan R&S yang lain.
4.1.1 Prosedur Zona Biasa
Bechhofer (1954) memperkenalkan konsep R&S. Dia menggambarkan pro-
blema yang tujuannya untuk memilih populasi dengan rata-rata yang besar untuk
beberapa populasi statsitik dari himpunan k populasi normal. Populasi ini dipi-
lih sebagai terbaik. Secara khusus, peneliti mengambil sejumlah pengamatan
dari tiap populasi (Yij) dan memilih populasi terbaik menggunakan statistik dari
pengamatan. Karena pengamatan direalisasikan dari variabel acak, hal ini me-
mungkinkan peneliti sulit untuk memilih populasi terbaik. Tetapi apabila populasi
terbaik telah terpilih, maka peneliti telah melakukan seleksi yang benar.
Peneliti sering menjumpai populasi yang hampir sama ketika dilakukan
proses seleksi. Jika µ[k]−µ[k−1] adalah sangat kecil maka peneliti menggambarkan
populasi pada kepentingan yang sama dan tidak memilih diantara keduanya. Un-
25
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
26
tuk mengukur hal ini, definisikan δ pada zona biasa. Jika µ[k]−µ[k−1] < δ, peneliti
tidak berbeda memilih µ[k] atau µ[k−1]. Definisikan probabilitas dari seleksi yang
benar sebagai P{CS} = P{µ[k] > µ[i],∀i 6= k|µ[k] − µ[i] ≥ δ} ≥ P ∗ dimana
{δ, P ∗} adalah spesifikasi awal. Karena PCS = 1/k dapat dicapai dengan pilihan
sederhana populasi acak, 1/k < P ∗ < 1 dibutuhkan.
Prosedur asli R&S pada zona biasa yang diajukan Bechhofer (1954) menga-
sumsikan rata-rata populasi yang tidak diketahui, µ1, . . . , µk, dan varians σ2 yang
diketahui untuk semua populasi i(i = 1, . . . , k). Prosedur Bechhofer merupakan
prosedur tahap tunggal yaitu sejumlah pengamatan (N) dibutuhkan dan diten-
tukan prior dengan pilihan peneliti dari {δ, P ∗}. Khususnya, N =⌈(ck,P ∗σ/δ)2⌉
dimana ck,P ∗ adalah constanta yang didefinisikan, dan dxe merupakan batas ter-
tinggi fungsi dari x. Dengan mengambil N pengamatan bebas dari k populasi
dengan rata-rata sampel yang besar dipilih sebagai yang terbaik.
Prosedur R&S pada zona biasa tidak membutuhkan tahap tunggal. Tentu
saja berdasarkan Bechhofer (1954), beberapa pendekatan problema sebagai pro-
blema multi tahap. Yaitu, peneliti menggunakan sejumlah pengamatan yang
khusus, mencek perhentian kriteria kemudian melanjutkan pengambilan sample
atau berhenti dan memilih sistem terbaik. Paulson (1964) dan Bechhofer et
al. (1968) mempresentasikan beberapa metodologi. Kelemahan utama dari pen-
dekatan ini adalah dilanjutkan syarat varians populasi diketahui. Ketika analisis
simulasi memodelkan sistem yang secara fisik ada. Pemodelan dalam sistem masih
mengijinkan analis untuk mengetahui output varians ukuran kinerja karena biaya
potensial yang tinggi atau koleksi data yang dikerjakan secara praktis. Lebih lan-
jut, varians diketahui menjamin varians umum melewati desain sistem yang sulit.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
27
Untuk alasan ini, prosedur R&S pada zona modern secara khusus membutuhkan
hampir sama dengan varians yang diketahui.
Meskipun sejumlah artikel (Zinger and Pierre, 1958, dan Zinger, 1961) men-
jelaskan prosedur yang tidak sama tetapi varains diketahui, tidak ada artikel
yang menjelaskan metodologi pada zona biasa yang harus sama dan varians dike-
tahui sampai Dudewicz and Dalal (1975). Penelitian tersebut menjelaskan langkah
utama ke depan dalam metodologi R&S, membuat aplikasi teknik zona biasa se-
cara khusus sesuai pada simulasi diskrit, dan menjelaskan prosedur tahap kedua
yang peneliti memilih δ, P ∗ dan n0 dimana n0 adalah jumlah pengamatan dibuat
selama tahap pertama prosedur. Varians taha[p pertama kemudian harus menen-
tukan jumlah pengamatan yang dibutuhkan pada tahap kedua. Rata-rata bobot
dari rata-rata sample pada tahap pertama dan kedua kemudian harus memilih
sistem terbaik. Dudewicz (1976) menjelaskan beberapa prosedur dengan meng-
gunakan aplikasi simulasi. Rinott (1978) menjelaskan modifikasi tahap kedua
darui Dudewicz and Dalal (1975) dalam beberapa kasus menghasilkan P{CS}
yang baik, tetapi menentukan pengmatan total.
Koening and Law (1985) memperluas pendekatan zona biasa untuk meng-
gunakan prosedur penyaringan. Penelitian tersebut menjelaskan metode untuk
pemilihan subhimpunan ukuran m dari k sistem sehingga dengan probabilitas P ∗
dapat terpilih subhimpunan yang berisi sistem terbaik. Prosedur untuk metode
ini, hanya membutuhkan seleksi konstanta tabel yang berbeda ketika perhitungan
ukuran sample pada tahap kedua dibandingkan dengan Dudewicz and Dalal (1975).
Prosedur ini membutuhkan modifikasi δ dan P ∗ untuk implementasi.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
28
4.1.2 Prosedur Seleksi Subhimpunan
Berlawanan dengan prosedur zona biasa, Gupta (1956) menjelaskan sebuah
prosedur untuk pembuatan subhimpunan ukuran acak yang berisi sistem terbaik,
dengan probabilitas P ∗ tanpa spesifikasi dari zona biasa. (δ = 0). prosedur
iini dikenal sebagai prosedur seleksi subhimpunan. Aplikasi prosedur ini untuk
data kematian pengguna kenderaan motor ditemukan Gupta and Hsu (1977).
Gupta and Santner (1973) dan Santner (1975) memperluas metodologi untuk
spesifikasi pengguna dari ukuran subhimpunan maksimum. Sama halnya dengan
zona biasa, prosedur seleksi subhimpunan ini juga mengharuskan varians yang
sama dan diketahui diantara desain alternatif.
Untuk alasan ini, prosedur R&S seleksi subhimpunan jarang diaplikasikan
pada simulasi diskrit. Bagaimanapun, Sullivan & Wilson (1989) menjelaskan
prosedur yang mensyaratkan varians tidak diketahui dan tidak sama sebagai spesi-
fikasi dari zona biasa. Meskipun prosedur ini membuat seleksi subhimpunan lebih
atraktif untuk simulasi, tetapi prosedur zona biasa masih lebih popular. Pada
banyak kasus, seorang analis menentukan sistem terbaik tetapi tidak mengidenti-
fikasi subhimpunan yang terbaik.
Untuk prosedur Ranking dan Seleksi (R&S), diasumsikan bahwa terdapat
konfigurasi projek K ≥ 2. Untuk 2 ≤ I ≤ K, andaikan Xi = (Xi1,Xi2, . . . ,Xin)
dinotasikan sebagai vector dari variabel acak yang merepresentasikan ukuran ki-
nerja untuk konfigurasi i. Andaikan E[u(Xi)] dinotasikan sebagai utilitas harapan
untuk konfigurasi i dan andaikan
E[u(X[1])] ≤ E[u(X[2])] ≤ · · · ≤ E[u(X[K])] (4.1)
dinotasikan sebagai urutan nilai utilitas harapan. Tujuan utama adalah memilih
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
29
konfigurasi projek dengan utilitas harapan yang besar E[u(X[K])]. Jika prosedur
Ranking dan Seleksi (R&S) mencapai tujuan utama maka pengambil keputusan
telah melakukan seleksi yang benar (correct selection).
Karena estimasi dari urutan ranking pada persamaan (4.1) menggambarkan
fluktuasi acak pada konfigurasi kinerja. Hal ini menjamin seleksinya benar. Jika
E[u(X[K])] ∼= E[u(X[K−1])], identifikasi akhir dari E[u(X[K])] atau E[u(X[K−1])]
sebagai konfigurasi terbaik adalah dengan kritis yang kecil. Oleh karena itu,
pengambil keputusan mengkhususkan beberapa tingkatan δ∗ sehingga E[u(X[K])]−
E[u(X[K−1])] ≥ δ∗ secara praktis adalah signifikan. Pada batasan keadaan yang
paling sulit adalah harus mengidentifikasi konfigurasi terbaik yaitu E[u(X[1])] =
E[u(X[2])] = · · · = E[u(X[K−1])] = E[u(X[K])] − δ∗. Ketika digambarkan dengan
konfigurasi hampir baik dan melekat gangguan pada proses simulasi, prosedur
R&S tahap kedua menjamin bahwa probabilitas dari seleksi yang benar P{CS}
lebih atau sama dengan P ∗, walaupun E[u(X[K])] − E[u(X[K−1])] = δ∗ untuk be-
berapa P ∗ dikhususkan oleh pengambil keputusan. Pada umumnya prosedur R&S
didesain untuk menyetujui syarat probabilitas berikut :
P{CS} ≥ P ∗whenever E[u(X[K])]− E[u(X[K−1])] ≥ δ∗ (4.2)
dengan (1/K) < P ∗ < 1 dan 0 < δ∗ < 1. Jika E[u(X[K])] − E[u(X[K−1])] < δ∗
maka prosedur akan memilih konfigurasi dengan δ∗ pada probabilitas terbaik P ∗.
Dalam penelitian ini akan digunakan prosedur R&S tahap kedua pada zona
biasa mengacu pada Rinott (1978). Pada tahap pertama N0 pengamatan dicon-
tohkan dari tiap konfigurasi dan dihitung rata-rata sampel dan varians, S2k dari
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
30
u(Xk) untuk tiap konfigurasi k. Pada tahap kedua ditentukan
Nk = max
{N0,
⌈(h
δ∗
)2
S2k
⌉}(4.3)
dan sampel Nk −N0 merupakan pengamatan tambahan dari konfigurasi k. Jum-
lah h adalah konstanta yang ditentukan sehingga persamaan ke (4.2) memenuhi
dengan persamaan untuk konfigurasi yang baik. Nilai untuk h yang diperoleh dari
K,P ∗, dan N0 dapat ditemukan menggunakan tabel atau algoritma (Bechhofer et.
al. 1995). Notasi dxe adalah bilangan bulat terkecil≥ x. Pada penyelesaian tahap
kedua, konfigurasi dengan kinerja rata-rata sample terbaik atas semua Nk penga-
matan yang dipilih. Pendekatan ini dijabarkan tanpa mengandalkan keistimewaan
dari prosedur Rinott (1978), keistimewaan yang akan ditunjukkan adalah proses
pengembangan.
4.1.3 Pendekatan R&S yang Lain
Prosedur R&S sudah lebih dikenal, beberapa peneliti telah mencoba me-
modelkan problema dengan cara yang berbeda. Chen (1988) memfokuskan pada
subhimpunan seleksi problema menggunakan model ini, ketika Goldsman (1984a,
1984b) memfokuskan zona problema biasa. Goldsman (1985) memperluas peng-
gunaan teori standarisasi deret waktu untuk menentukan varians estimator untuk
metodologi R&S.
Akhir-akhir ini, Chen (1995) dan Chen et al (1996) telah memformulasikan
problema R&S sebagai problema optimisasi multi tahap yang mempunyai mutu
yang rendah dibuang pada tahap awal. Mereka menggunakan batas chernoff un-
tuk mengestimasi informasi gradient kemudian mengaplikasikan metode steepest
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
31
descent untuk memecahkan problema. Chen et al (1997) memperluas dengan
mempresentasikan metode yang berbeda untuk mengestimasi gradient. Chick
(1997) memperkenalkan analisis bayes dari penseleksian system simulasi terbaik.
Inoue dan Chick (1998) membandingkan analisis bayes dan pendekatan keseringan
untuk penseleksian system terbaik.
4.2 Seleksi δ∗
Dalam prakteknya, seleksi δ∗ berdasarkan keputusan dari pembuat kepu-
tusan. Biasanya, hal ini ditandai secara menarik dalam perubahan praktek dari
perbedaan skala rata-rata antara yang terbesar dan kedua terbesar dalam penger-
tian fisika. Sebagai contoh, studi yang diadakan oleh Goldsman et. al. (1991),
empat sistem tiket bandar udara dibandingkan berdasarkan waktu tunda ke-
berangkatan pesawat mereka. Pada contoh ini, δ∗ dipilih dari waktu tunda. Ketika
R&S berdasarkan utilitas yang diperoleh, seleksi dari δ∗ dapat diperoleh. Karena
δ∗ memiliki hubungan fisik secara langsung dalam skala utilitas.
Pendekatan seleksi δ∗ dapat dilakukan dengan 4 cara yaitu: pendekatan
pertukaran utilitas, validitas dari pendekatan pertukaran utilitas, pembangunan
zona biasa dan karakteristik zona biasa untuk semua ukuran kinerja.
4.2.1 Pendekatan Pertukaran Utilitas
Pada bagian ini, akan dipilih salah satu criteria dalam standar pengukuran
dan utilitas pertukaran dalam ukuran hasil untuk utilitas dalam ukuran standar.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
32
Sekarang tugas pengambil keputusan telah sederhana. Ketika semua kendaraan
dalam keadaan level yang sama, criteria tersebut dapat diabaikan ketika keputu-
san dibuat. Hal ini berarti tidak ada diskriminasi dalam pengambilan alternatif.
Kita dapan menggunakan fungsi berat dan utilitas untuk membentuk prosedur
secara intuitif.
Hal yang penting adalah ketika perjalanan pengambil keputusan melalui pe-
motongan prosedur dalam mengubah alternatif asli terhadap hipotesis yang sama
tidak dibutuhkan untuk membuat asumsi dari bentuk MAUT yang telah ada.
Dengan kata lain, pemotongan prosedur berguna untuk semua MAUT, karena
pengambil keputusan menggunakan fungsi utilitas sendiri untuk meningkatkan
jumlah yang dibutuhkan.
Langkah pertama dalam pembentukan hipotesis sama dengan alternatif yang
dibutuhkan dalam memilih ukuran dari pertukaran atau ukuran standard (seperti
harga dalam contoh sebelumnya). Tanpa kehilangan bentuk umumnya, andaikan
ukuran standar adalah ukuran pelaksanaan 1. Selanjutnya, dipilih level utilitas
yang umum ci untuk kriteria yang lain i, 2 ≤ i ≤ n. Dengan kata lain, spesifik
x′ki sedemikian hingga ui(x
′ki) untuk semua i > 1 dan k, 1 ≤ k ≤ K. Langkah
akhir adalah menentukan level ukuran 1, x′ki sedemikian hingga dua alternatif
yang dipilih sama.
Proposisi 1 Untuk fungsi utilitas multilinier pers (2), ekspresi untuk menghitung
tingkatan dari x′k1 adalah :
x′k1 = u−1
1
(u(xk) −Q1
Q2
)
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
33
dimana
Q1 =n∑
i>1
wici +n∑
i>1
∑
j>1
wijcicj +n∑
j>1
∑
j>i
∑
m>j>i
wijmcicjcm
+ · · · +n∑
j>1
∑
j>1
· · ·∑
n−1>···>m>i>j>1
wijm···n−1cicjcm · · · cn−1
(4.4)
dan
Q2 =w1 +∑
j>1
w1jcj +∑
j>1
∑
m>j>1
w1jmcjcm
+ · · · + w123···nc2 · · · cn
(4.5)
Bukti : Himpunan u(x′k) = u(x′
k1, x′k2, . . . , x
′kn) = u(xk1, xk2, . . . , xkn) = u(xk).
Sebelah kiri dapat disusun sebagai berikut:
u(x′k) =w1u1(x
′k1) +
∑
j>1
w1ju1(x′k1)cj
+∑
j>1
∑
m>j>1
w1jmu1(x′k1)cjcm
+ · · · + w123···nu1(x′k1)c2 · · · cn + Q1
sehingga :
w1u1(x′k1) +
∑
j>1
w1ju1(x′k1)cj +
∑
j>1
∑
m>j>1
w1jmu1(x′k1)cjcm
+ · · · + w123···nu1(x′k1)c2 · · · cn + Q1 = u(xk)
atau
u1(x′k1)
[w1 +
∑
j>1
w1jcj +∑
j>1
∑
m>j>1
w1jmcjcm + w123···nc2 · · · cn
]= u(xk) − Q1
x′k1 = u−1
1
(u(xk) −Q1
Q2
)(4.6)
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
34
hasil dari pers (4.6) diperoleh dengan menginverskan fungsi utilitas.
4.2.2 Validitas dari Pendekatan Pertukaran Utilitas
Proposisi kedua berikut membangun kesamaan prosedur R&S yang ditetap-
kan pada persamaan (4.1) dan (4.2). Catatan bahwa hasil mengaplikasikan untuk
model multi linier, perkalian dan aditif. Karena model yang lain adalah kasus
yang khusus dari multi linier.
Proposisi 2 Diberikan hubungan berikut :
var(u1(X′k1)) =
var(u(Xk))
Q22
(4.7)
untuk ukuran standard 1 dan konfigurasi k, k = 1, 2, . . . ,K, untuk fungsi MAU
pada pers (3.2).
Bukti.Dari pers (4.6)
var(u1(X′k1)) = var
(u(xk) − Q1
Q2
)
yang menghasilkan pers (4.7) karena Q1 dan Q2 adalah konstanta.
Proposisi 3
E[u(X[K])] − E[u(X[K−1])] ≥ δ∗ jika E[u(X ′[K]1)]− E[u(X ′
[K−1]1)] ≥ δ/Q2 = δ∗1
Bukti. dari pers (4.6) diketahui bahwa E[u(X[K])] = Q2E[u(XK−1)] + Q1 untuk
model multilinier. Sehingga,
δ∗ ≤ E[u(X[K])]− E[u(X[K−1])]
= Q2E[u1(X′[K]1)] + Q1 − (Q2E[u1(X
′[K−1]1)] + Q1)
= Q2(E[u1(X′[K]1)]− E[u1(X
′[K−1]1)]).
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
35
4.2.3 Pembangunan Zona Biasa
Untuk membangun zona biasa, direkomendasikan menggunakan taksiran δ∗1
pada unit dari ukuran kinerja kemudian mengkonversinya sejumlah dari utilitas,
skala (0,1). Untuk membangun zona biasa dalam diagram zona pilihan pada
ukuran kinerja digunakan definisi ekuivalen yang pasti dari fungsi utilitas atribut
tunggal. Untuk fungsi utilitas atribut tunggal, ekivalen yang pasti adalah sama
dengan invers dari fungsi utilitas yang dievaluasi pada utilitas yang diharapkan
(Clemen, 1991). Andaikan CE[K]1 dinotasikan sebagai ekivalen yang pasti sesuai
kepada E[u1(X[K]1)]. Kemudian definisikan:
E[u1(X[K]1)] = E[u1(CE[K]1)] (4.8)
dari (4.8), zona biasa didefinisikan oleh u1(X[K]1) − u1(CE[K−1]1) ≥ δ∗1. Un-
tuk membangun zona biasa dalam zona pilihan pada ukuran kinerja dapat diba-
likkan u1(X[K]1) dan u1(CE[K−1]1) membangun zona biasa berdasarkan CE[K]1
dan CE[K−1]1.
Hal ini penting untuk catatan bahwa sebuah nilai konstanta parameter δ∗1
dalam zona biasa pada ukuran utilitas, zona biasa tersebut akan menjadi variabel
kecuali fungsi utilitasnya adalah linier. Sebagai contoh, anggaplah zona biasa
dalam zona pilihan untuk CE[K]1 dan CE[K−1]1 ketika fungsi utilitas pada pers
(3.1) digunakan. Kurva pembagi dari zona biasa dalam zona pilihan dibangun
dengan u1(X[K]1) − u1(CE[K−1]1) = δ∗1 dan penyelesaian untuk CE[K]1. Ekspresi
hasil untuk kurva pembagi zona biasa dari zona pilihan adalah :
CE[K]1 = CE[K−1]1 + RT1 ln
{−
(δ∗1B1
)e
−CE[K−1]1RT1
}
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
36
4.2.4 Karakteristik Zona Biasa untuk Semua Ukuran Kinerja
Ketika δ∗1 telah ditentukan, Proposisi 3 dapat digunakan untuk perhitungan
hasil dari δ∗1 pada 2 ≤ i ≤ n, jika ukuran kinerja ke-i digunakan sebagai standar.
Ini diikuti bobot yang diasumsikan diketahui dari prosedur penaksiran MAU, δ∗1
dapat digunakan untuk menghitung δ∗1 kemudian dapat digunakan untuk menghi-
tung δ∗1 lainnya. Dengan membalikkan ui(·), dapat dibangun zona biasa dalam
diagram zona pilihan untuk semua ukuran kinerja lainnya oleh implikasi δ∗1, bobot
dan fungsi utilitas atribut tunggal. Zona biasa dalam diagram zona pilihan mem-
bantu untuk mengecek konsistensi dari pilihan pengambil keputusan diekspresikan
dalam bobot dan kurva utilitas atribut tunggal.
Proposisi 1 dan 3 dapat digunakan untuk menurunkan dimensi ganda dalam
zona biasa melewati semua ukuran kinerja. Untuk mengilustrasikan, anggap ka-
sus dari model aditif pada pers (3.4). Kontribusi rata-rata perbedaaan utilitas
antara dua konfigurasi yang sesuai terhadap ukuran kinerja adalah linier. Un-
tuk ukuran standard ke i , koefisien kontribusi adalah wi/w1 untuk 2 ≤ I ≤ n.
Sebagai contoh, andaikan n = 2, ukuran 1 dipilih sebagai standart ukuran, δ∗1
ditaksir menjadi 0,1, dan w1 = 1 − w2 = 0, 4. Gambar 1 menggambarkan zona
biasa untuk contoh dua dimensi ini. Sumbu vertical dilabel dengan D1 menje-
laskan E[u1(X[K]1)]−E[u1(X[K−1]1)] dan sumbu horizontal dilabel D2 menjelaskan
E[u2(X[K]2)]−E[u2(X[K−1]2)]. Garis pemisah zona biasa dari zona pilihan adalah
D1 = 0, 1 − (3/2)D2.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
37
Gambar 4.1 : Contoh Zona Biasa-Zona Pilihan dalam Dua Dimensi
Pada dimensi yang tinggi, zona biasa dipisahkan dari zona pilihan oleh hy-
perplane. Untuk model pada pers (3.2) dan (3.3), fungsi pembagi zona biasa dari
zona pilihan, contoh pers (4.6) untuk model pers (3.2) tidak akan linier karena
pers (3.2) dan (3.3) berisi bentuk interaksi dari fungsi utilitas atribut tunggal.
4.3 Contoh Pemakaian
Pada bagian ini akan diilustrasikan suatu contoh. Meskipun data yang di-
gunakan dalam contoh ini tidak nyata akan tetapi telah mewakili. Simulator
membangun hasil pada survey gempa bumi yang realistic pada ukuran dan struk-
tur. Fungsi utilitas dan bobot ditaksir berdasarkan diskusi informal dengan per-
sonel yang mempunyai pengalaman manajemen. Dari diskusi tersebut ditentukan
bahwa model aditif Pers (4.1) sudah cukup sehingga pada bab ini akan terus
menggunakan Pers (4.1).
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
38
Pendekatan dalam penelitian ini mempunyai beberapa manfaat :
1. Penggunaan MAUT menghasilkan biaya yang tepat dari kriteria lain.
2. Pendekatan ini berhubungan erat pada praktek bisnis yang umum dari biaya
atau penentuan pilihan untuk ukuran kinerja yang berbeda.
3. Metode ini tidak membutuhkan langkah yang rumit dari estimasi matriks co-
varians. Pendekatan R&S yang digunakan adalah sederhana untuk mengim-
plementasikan dan propertis dari prosedur klasnya lebih mudah dipahami.
4. Dengan membangun prosedur R&S, disediakan sebuah pendekatan bahwa
mengestimasi sejumlah simulasi diharuskan untuk memilih konfigurasi ter-
baik dengan tingkat probabilitas yang tinggi.
5. Pendekatan ini dapat mengatasi keputusan yang tidak layak karena sepenuh-
nya sebagai teknik pengganti. Dengan perkataan lain, pendekatan ini mengi-
jinkan kinerja yang baik pada kriteria untuk mengimbangi kinerja yang bu-
ruk pada kriteria lainnya dan ditaksir kepentingan relatif pada tiap kri-
teria. Sebelumnya R&S multivariat telah dibatasi oleh kekurangan dari
mekanisme yang timbul dan mengkombinasi ukuran kinerja yang berbeda
secara eksplisit (Gupta and Panchapakesan. 1979). Salah satu tujuan dari
penelitian ini adalah untuk meralat kelemahan pada literatur R&S dengan
menyediakan teknik pengganti sepenuhnya.
4.3.1 Gambaran Tentang Survey Gempa Bumi
Penelitian ini menggunakan metode yang dibentuk pada tulisan ini untuk
menganalisis hasil umum dari simulasi yang terdapat pada Morrice et.al. (1997).
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
39
Model simulasi adalah operasi outdoor yang lebih besar yang disebut survey
gempa bumi. Survei gempa bumi memberikan informasi geofisika yang digunakan
untuk explorasi minyak dan gas. (Dobrin and Savit 1988). Mereka memeriksa area
geografi yang luas ( 10-100 meter persegi). Proyek ini memakan waktu beberapai
hari hingga beberapa tahun, pekerja dari 20-1000 orang, dibutuhkan peralatan
pemerintah dengan harga 10 juta dollar dan nilai pajak yang jutaan dollar. Si-
mulator didesain untuk mendukung pemerintah, perencanaan dan keuntungan
lain untuk memperoleh untung yang lebih besar.
Sasaran utama berhubungan dengan model survey gempa bumi adalah un-
tuk karakter dari beragam pencapaian, operasi interaktif dengan cara yang re-
alistic. Pencapaian sasaran ini adalah sulit dengan beberapa factor : daerah,
kesalahan peralatan, alam (menyebabkan kerusakan pada peralatan), cuaca, izin
(yakni izin untuk mengadakan survey pada property public atau perseorangan),
masalah karyawan, relasi komunikasi, faktor budaya dan keabsahan izin. Dengan
banyaknya masalah operasional dan ketidakpastian yang berhubungan dengan
beberapa factor, simulasi dapat diidentifikasi sebagai alat pendukung keputusan
yang penting untuk pemanfaatan pemahaman, pengukuran, dan improvisasi ope-
rasi survey gempa bumi.
Lahan yang digunakan untuk survey membutuhkan koordinasi dari 5 tipe
pekerja. (lihat gambar 4.2). Secara ringkas, pekerja pencari mengirimkan sig-
nal (gerakan yang dibuat ke bumi) dari beberapa lokasi geografis. Pekerja pen-
catat mencatat lokasi yang ditunjukkan dibawah permukaan bumi. Pekerja layout
menempatkan peralatan penerima (atau monitoring) pada beberapa lokasi geo-
grafis sehingga dapat pekerja pencatatan dapat meyusun signal yang diberikan.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
40
Pekerja transportasi menyiapkan peralatan yang dibutuhkan. Pekerja pemaketan
menyiapkan hal-hal yang dibutuhkan dari signal yang diterima yang dikirim oleh
pekerja source. Gambar 4.2 memberikan ringkasan dari kegiatan operasi diatas.
Diagram menunjukkan bahwa setiap pekerja bekerja sepanjang dari langkah ope-
rasinya sendiri. (sebagai contoh pekerja transportasi membawa dan meletakkan
peralatan) digambarkan oleh lingkaran kecil dari setiap pekerja. Setiap pekerja
membentuk langkah dari perputaran operasi yang lebih besar yang menunjukkan
peningkatan dari lahan survey gempa bumi. Untuk lebih detail mengenai operasi
survey gempa bumi, lihat Morrice et.al. (1997).
Gambar 4.2 : Tugas Masing-Masing Personel pada Survey Gempa Bumi
Selama lahan survey gempa bumi actual, manager proyek akan memonito-
ring beberapa kinerja pengukuran. Hal ini termasuk dalam biaya proyek, lama
proyek dan penggunaan dari semua tipe pekerja. Biaya proyek merepresentasikan
hal yang mendasar dan dianggap sebagai ukuran kinerja yang paling penting.
Lama proyek, yang merupakan berkorelasi positif dengan biaya proyek sejak
variabel biaya seperti peningkatan pekerja dengan lama pekerjaan, termasu hal
yang penting seperti reputasi dalam menyelesaikan pekerjaan dengan tepat waktu
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
41
merupakan hal yang mahal.
Kegunaan pekerja adalah memonitor untuk menjamin bahwa pekerja tidak
kelebihan. Pekerja bekerja dengan kondisi dibawah tekanan pada banyak lahan
survey gempa bumi. Ketidakgunaan pekerja dapat menyebabkan hasil kerja yang
buruk, erosi dan kondisi kerja yang tidak aman. Sekali lagi, kerajinan pekerja dan
kualitas asil dari pekerjaan sangat sulit untuk dibiayai. Oleh karena itu, ukuran
ini dimonitor dalam penambahan biaya.
Untuk kenyataan yang sulit, alat simulasi ini membentuk statistic dari biaya,
jangka waktu, dan kegunaan semua pekerja. Kita mengguakan simulator untuk
membandingkan konfigurasi proyek (sebagai contoh design survey berbeda atau
level sumberdaya berbeda). Sejak evaluasi dari konfigurasi proyek yang berbeda
harus berdasarkan korelasi kemungkinan, ukuran, kita membutuhkan untuk mem-
bangun metodologi dalam penyelesaian masalah ini. Untuk lebih detail tentang
simulator, lihat Morrice et.al. (1997).
4.3.2 Pengadaan Percobaan
Konfigurasi berdasarkan sumber level dua dimensi adalah jumlah kru dan
jumlah unit alat penerimaan. Sumber keputusan dua dimensi ini dianggap paling
penting pada survey gempa bumi. Andaikan empat konfigurasi satu dan dua sum-
ber kru pada 1100 dan 1300 unit alat penerimaan. Semua sumber yang lain dan
parameter dianggap konstan. Ukuran kinerja meliputi biaya, durasi, dan kegu-
naan dari empat kru berikut yaitu bahan, tata letak, transportasi dan pengepakan.
Bagaimanapun pilihan pembuat keputusan untuk biaya dan durasi boleh berbeda
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
42
karena biaya tidak boleh digunakan pada hal yang abstrak. Sehingga pilihan
digunakan pada penaksiran utilitas dari durasi pekerjaan.
Fungsi utilitas untuk biaya dan durasi didefinisikan melebihi batas dianggap
layak untuk ukuran dan keragaman. Khususnya, biaya didefinisikan melebihi
batas $60.000 sampai $200.000 dengan fungsi utilitas sebagai berikut (Gambar
4.3).
Gambar 4.3 : Fungsi Utilitas untuk Biaya Projek dengan A=1,064, B=0,0195dan RT=50.000
1, 064 − (0, 0195)e(x/50000)
Durasi pekerjaan didefinisikan melebihi batas 240 sampai 550 jam dengan fungsi
utilitas sebagai berikut :
1, 021 − (0, 00106)e(x/80)
Fungsi utilitas untuk penggunaan kru didefinisikan melebihi batas 0 sampai
1,0. Fungsi utilitas untuk penggunaaan harus menggunakan kepuasan pekerja.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
43
Hal ini dilakukan dengan membuat fungsi utilitas tetap tinggi sampai kegunaan
mencapai tingkatan/level tertentu. Aspek ini digunakan pada fungsi utilitas se-
bagai berikut :
1 − (2, 061E − 0, 9)e(x/0,05)
Fungsi utilitas yang sama digunakan untuk seluruh penggunaan empat kru. Ca-
tatan bahwa setiap fungsi utilitas diatas, toleransi resiko parameter dipilih ber-
dasarkan diskusi dari hasil pengalaman personel.
Fungsi MAUT dibangun dari jumlah bobot pada enam fungsi utilitas at-
tribut tunggal. Bobot yang ditaksir adalah sebagai berikut : biaya (0,4), durasi
pekerjaan (0,2) dan kepuasan pekerja untuk tiap kegunaan (0,1).
4.3.3 Hasil Penelitian
Biaya merupakan ukuran standarisasi dalam penelitian ini. Prosedur dua
tahap Rinoth (1978) menggunakan parameter sebagai berikut : δ∗1 = 0, 00434,
P = 0, 75. Pada penaksiran δ∗1 dua titik pada ukuran kinerja dapat digunakan di-
lanjutkan dengan prosedur pada subbab 4.2.3 kemudian ditanyakan pada pembuat
keputusan mengenai scenario berikut : konfigurasi A dan B sama untuk seluruh
ukuran kecuali biaya. Jika konfigurasi A diharapkan pada biaya $120.000, be-
rapakah biaya maksimum pada konfigurasi B yang dapat mengakibatkan atau
menyimpulkan bahwa B lebih signifikan dari pada A? pembuat keputusan meres-
pon bahwa biaya maksimum akan menjadi $199.000. Menggunakan fungsi utilitas
biaya dapat dilihat pada Gambar 4.3, δ∗1 = u(119.000) − u(120.000) = 0, 00434.
Akhirnya, keputusan level kinerja terbaik sebagai level yang umum untuk ukuran
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
44
yang lain.
Tahap pertama dari prosedur Rinott, 100 simulasi yang berjalan dibuat
untuk tiap konfigurasi. Karena skala utilitas tidak berdistribusi normal, rata-
rata nilai dihitung berdasarkan ukuran 10 (contoh M = 10), menghasilkan 10
replikasi makro tiap konfigurasi. Hipotesis dari normalitas ditolak untuk sample
berdasarkan uji khi kuadrat, kolmogorov-smirnov dan Anderson-darling (Palisade,
1996).
Tabel 4.1 berikut berisi hasil dari tahap pertama prosedur R&S, konfigurasi
dijumlahkan sebagai berikut: sumber tunggal kru dengan 1100 unit peralatan (I),
sumber tunggal kru dengan 1300 unit peralatan (II), sumber dua kru dengan 1100
unit peralatan (III) dan sumber dua kru dengan 1300 unit peralatan (IV). Jum-
lah penambahan replikasi makro dihitung menggunakan ukuran dan tabel pada
Bechhofer et al. (1995, pp. 61-63).
Tabel 4.1 : Hasil Tahap Pertama dari Prosedur R&S
Konfigurasi Rata-rata Skala Standart PenambahanSkala Utilitas Deviasi Replikasi Makro
I 0,571 0,0102 15II 0,960 0,0011 0III 0,542 0,0108 18IV 0,861 0,0036 0
Tabel 4.1 terlihat bahwa konfigurasi II adalah unggul berdasarkan nilai
rata-rata skala utilitasnya yang tinggi dengan standart deviasi yang kecil dari
seluruh konfigurasi. Pada kenyataannya, pengujian pers (4.3) menyatakan bahwa
mekanisme tahap kedua untuk menentukan jumlah tambahan simulasi didasarkan
pada varians (standart deviasi) dari sample yang ditaksir. Catatan bahwa stan-
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
45
dart deviasi yang besar pada tabel 4.1, penambahan lebih membutuhkan simulasi.
Konservatisme ini adalah hasil prosedur Rinott dan tidak mengacu pada MAU
dan prosedur R&S.
Tabel 4.2 berikut berisi hasil tahap kedua, dan konfigurasi II merupakan
yang terbaik yang terletak pada nilai rata-rata sample yang tertinggi. Hasil ini
menyatakan bahwa 200 penambahan unit peralatan lebih bermanfaat daripada
penambahan sumber kru. Penambahan kedunya secara bersama tidak membu-
rukkan penambahan biaya. Inspeksi pendekatan data A menyatakan bahwa 1100
unit peralatan sehingga penambahan kru tanpa peralatan ekstra tidak menyedia-
kan perkembangan. Kenyataannya, biaya pada penambahan kru menjadi kerugian
(konfigurasi I dan III), dan rata-rata skala utilitasnya menurun. Dengan 1300 unit,
tata letak kru menjadi macet (rata-rata penggunaan lebih kurang 94%). Ternyata,
penambahan kru meningkatkan biaya tanpa meningkatkan produksi dan rata-rata
skala utilitas menurun (konfigurasi II dan IV).
Tabel 4.2 : Hasil Tahap Kedua dari Prosedur R&S
Konfigurasi Rata-rata Skala Rata-rata Rata-rataSkala Standart Biaya Biaya
Utilitas Deviasi EkivalenI 0,5759 0,0113 $112.354 $160.947II 0,9595 0,0011 $68.551 $84.261III 0,5403 0,0102 $151.197 $164.490IV 0,8607 0,0036 $93.507 $117.275
Sebagai ilustrasi, konfigurasi II dan III merupakan alokasi unggul berdasar-
kan rata-rata skala utilitas dan biaya ekivalen memberikan hasil yang konsisten.
Perbedaaan antara biaya ekivalen dengan rata-rata biaya adalah jumlah yang
akan dibayarkan pembuat keputusan terhadap perubahan kinerja pada criteria
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
46
nonbiaya dari level kinerja yang terbaik. Pengujian konfigurasi III memiliki lebih
kurang $13.300 (164.490-151.197) terhadap perubahan kinerja dari level yang ter-
pilih. Untuk konfigurasi II, menghasilkan sekitar $15.700 ($84.261-$68.551), me-
ngakibatkan konfigurasi III lebih dekat pada level kinerja terbaik pada kriteria
nonbiaya dari pada konfigurasi II. Bagaimanapun, keuntungan ini sangat mahal;
rata-rata biaya konfigurasi III sekitar 35% lebih tinggi dibandingkan rata-rata
biaya konfigurasi II. Sehingga konfigurasi II tetap lebih dipilih.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
BAB 5
KESIMPULAN & SARAN
5.1 Kesimpulan
Pada penelitian ini dibangun prosedur R&S diaplikasikan pada konfigurasi
projek ganda yang dievaluasi dengan ukuran kinerja ganda. Prosedur ini meng-
gunakan ide dan teknik pada teori utilitas attribut ganda. Penggunaan MAUT
secara esensial menyediakan mekanisme resmi untuk strategi yang intuitif. Peneli-
tian ini difokuskan pada prosedur Rinott (1978) untuk meredakan ekposisi. Prose-
dur perubahan utilitas dijelaskan pada subbab 4.1.1 menghasilkan ukuran kinerja
scalar yang merangkumkan kinerja pada kriteria ganda, termasuk fungsi pilihan
nonlinier dan ukuran kepentingan relatif. Setelah pertukaran tersebut dibentuk
dan pendekatan ranking dan seleksi dapat digunakan untuk memilih alternative
kinerja tertinggi.
Sebagai contoh, pada penelitian yang akan datang secara alami akan dikom-
binasikan dengan penelitian Chen et al. (1998, 2000a,b) yang mengkontrol per-
hitungan dana alokasi pada konfigurasi yang berbeda. Bobot tambahan pada di-
mensi yang lain pada analisis ini dipengaruhi ukuran kinerja dengan kepentingan
relatif. Ide yang berhubungan dipresentasikan oleh Chick dan Inoue (1998, 2001)
yang menggunakan pendekatan teori keputusan. Ketika pendekatan memfokuskan
pada criteria tunggal, dapat diperluas meliputi teknik Bayes dan secara potensial
mengganti beberapa perhitungan pokok yang diasosiasikan dengan prosedur R&S.
47
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
48
5.2 Saran
Penelitian ini merupakan penelitian yang menarik untuk dikombinasikan
dengan prosedur R&S dan didesain untuk fasilitas reduksi varians melalui peng-
gunaan jumlah acak yang umum.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
DAFTAR PUSTAKA
Andijani, A. A. 1998. A Multi-Criterion Approach for Kanban Allocations.Omega26(4):483-493
Bechhofer, R. E., T. J. Santner, D. M. Goldsman. 1995. Design and Analysis ofExperiments for Statistical Selection, Screening, and Multiple Comparisons.New York: John Wiley & Sons, Inc.
Butler et al. 1997. Simulation Techniques for The Sensitivity Analysis of Multi-Criteria Decision Model. Eur. J. Oper .Res. 103:531-545
Chen, C. H. et al. 2000a. Simulation Budget Allocation for Further EnhancingThe Effeciency of Ordinal Optimization. Discrete Event Dynamic Systems :Theory and Appl. 10:251-270.
.2000b. Computing Effort Allocation for Ordinal Optimization and Dis-crete Event Simulation. IEEE Transactions on Automatic Control. 45:960-964.
Chick, S. E. and Inoue, K. 1998. Sequential Allocations that Reduce the Risk forMultiple Comparison. Eds. Proc. 1998 Winter Simulation Conf. 669-976.
, .2000. New Two-Stage and Sequential Procedures for Selecting the BestSimulated Sytem. Oper. Res. Forthcoming.
Clemen, R. T. 1991. Making Hard Decisions. Boston: PWS Kent Publishing.
Elfeky, E. Z., et al. 2008. Analyzing the Simple Ranking and Selection Process forConstrained Evolutionary Optimization. Journal of Computer Science andTechnology 23(1):19-34.
Goldsman, D., et al. 2000. Ranking and Selection for Steady-State Simulation.Proceeding of the 2000 Winter Simulation Conference: 544-553.
Gupta, S. S., S. Panchapakesan. 1979. Multiple Decision Procedues; Theory andMethodology of selecting and Ranking Populations. New York:Wiley
Keeney, R. L. and H. Raiffa. 1976. Decision with Multiple Objectives. NewYork:Wiley.
and D. von Winterfeldt. 1991. Eliciting Probabilities from Experts in Com-plex Technical problems. IEEE Transactions on Engineering Management38:191-201
Ma, J., et al. 2001. An Approach to Multiple Attribute Decision Making Basedon Preference Information and Alternatives. Proceeding of the 34th HawaiiInternational Conference on System Sciences : 1-7.
49
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008
50
Morrice, D. J., P. W. Mullarkey, A. S. Kenyon, H. Schwetman, J. Zhou. 1997.Simulation of a Signal Quality Survey. In Proceedings of The 1997 WinterSimulation Conference, ed. S. Andradottir, K. J. Healey, D. H. Withers, andB. L. Nelson, 1265-1272. Institute of Electrical and Electronics Engineers,Piscataway, New Jersey.
, , J. C. Butler. 1998. An Approach to Ranking and Selection for Mul-tiple Performance Measures. D. J. Medieros, E. F. Watson, J. S. Carson, M.S. Manivannan, eds. Proc. 1998 Winter Simulation Conf. The Institute ofElectrical and Electronics Engineers, Piscataway, NJ., 719-725.
, , , S. Gaverneni. 1999. Sensitivity Analysis in Ranking and Selec-tion for Multiple Performance Measures. P. A. Farrington, H. B. Nembhard,D. T. Sturrock, G. W. Evans, Eds. Proc. 1999 Winter Simulation Conf. TheInstitute of Electrical and Electronic Engineers, Pistacaway, NJ., 618-624.
Saaty, T. 1988. The Analytical HierarchyProcess. New York: McGraw-Hill, Inc.
Schoemaker, P. J. and C. C. Waid. 1982. An Experimental Comaprison Of DifferentApproaches to Determining Weights in Additive Utility Models. ManagementScience, 28:182-196
Schfer, R. 2002. Rules for Using Multi-Attribute Utility Theory for Estimating aUsers Interest. DFKI GmbH, Stuhlsatzenhausweg 3,66123 Saarbrcken.
Sedighizadeh, M. and Rezazadeh, A. 2007. An Interval-Based Multi-Attribute de-cision Making Approach for Electric Utility Resource planning. Proceeedingof world Acadeny of Scienc, Enginering, and Technology : 757-761.
Swisher, R. J. and Jacobson, S. H. 1999. A Survey of Ranking, Selection, andMultiple Comparison Prosedur for Discrete-Event Simulation. Proceeding ofthe 1999 Winter Simulation Conference :492-501.
Von Winterfeldt, D. and Edwards, W. 1986. Decisional Analysis and BehavioralReasearch. New York: Cambridge University Press.
Fauziah Hasibuan: Pendekatan Teori Utilitas Atribut Ganda Untuk Rangking Dan Seleksi, 2008. USU e-Repository © 2008