METODE SAW SPK SESI 9.

Slides:



Advertisements
Presentasi serupa
Metode-metode Optimasi dengan Alternatif Terbatas
Advertisements

MASALAH PENUGASAN (ASSIGNMENT PROBLEM)
Angga Kesuma S2MPSI Pendahuluan  Membantu direktur AKBID Abdurrahman menilai kinerja dosen  Memanfaatkan data histori kinerja yang tidak.
MODEL PENUGASAN Bentuk khusus transportasi
SISTEM PENDUKUNG KEPUTUSAN MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) UNTUK MENENTUKAN JURUSAN PADA SMK BAKTI PURWOKERTO Nandang Hermanto Teknik.
PENGAMBILAN KEPUTUSAN DALAM KONDISI KONFLIK
TEORI PERMAINAN BAB 8.
PENGAMBILAN KEPUTUSAN DECISION MAKING
Aplikasi AHP.
SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN BEASISWA MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGTING DI UNIVERSITAS PANCA MARGA.
SISTEM PENDUKUNG KEPUTUSAN UNTUK PENENTUAN CALON PELAMAR KERJA DAN PERUSAHAAN DENGAN MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (Studi Kasus : STIKOM.
Operations Management
Rika yunitarini Teknik Informatika
Metode-metode Optimasi dengan Alternatif Terbatas
Pengertian Teori permainan adalah suatu pendekatan matematis untuk merumuskan situasi dan pertentangan (konfleks) antar berbagai kepen- tingan. Teori.
Multi Expert-Multi Criteria Decision Making
LINEAR PROGRAMMING Pertemuan 05
TABEL KEPUTUSAN,SAW,TOPSIS,WP
ANALISIS POSISI & PILIHAN STRATEGI
Solusi Optimal – MODI Riset Operasi I.
SAW,WP,TOPSIS Sistem Pendukung Keputusan.
PENGAMBILAN KEPUTUSAN DALAM KONDISI KONFLIK
Metode-metode Optimasi dengan Alternatif Terbatas
ANALYTICAL HIERARCHY PROCESS
D0104 Riset Operasi I Kuliah VIII - X
ANALITYCAL HIERARCHY PROCESS (AHP)
ANALYTICAL HIERARCHY PROCESS
Assignment (Penugasan)
Sistem Pendukung Keputusan Untuk Menentukan Calon Mahasiswa Penerima Beasiswa PPA Dengan Metode SAW (Study Kasus Undiksha) Oleh I Putu Adi Juni Suantara.
Penugasan (Assigment) - Minimalisasi Sapta Candra Miarsa,ST.,MT.
PROSES PEMBUATAN KEPUTUSAN
Analitycal Hierarchy Process By: Kelompok 5
KULIAH 5: MERANCANG JARINGAN SUPPLY CHAIN (LANJUTAN)
WEIGHTED PRODUCT SPK SESI 10.
Masalah PL dgn Simpleks Pertemuan 3:
METODE SIMPLEK.
Antarmuka User/ Pengguna & Simple Additive Weighting (SAW)
UNIVERSITAS MERCUBUANA
1. AHP DAN TOPSIS -- Bagian 2 2. ENTROPY-- Bagian 1
Kode MK :TIF , MK : Fuzzy Logic
TOPSIS SPK SESI 12.
Multi-Attribute Decision Making (MADM)
Penerapan AHP dalam Pengukuran Kinerja
GAME THEORY.
FUZZY WEIGHT PRODUCT (F WP)
Operations Management
FUZZY SIMPLE ADDITIVE WEIGHTING (FSAW)
FMDAM (2) Charitas Fibriani.
SMART (Simple Multi Attribute Rating Technique) Part #2
SMART (Simple Multi Attribute Rating Technique)
Profil Matching Maksud dari pencocokan profil (profile matching) adalah sebuah mekanisme pengambilan keputusan dengan mengasumsikan bahwa terdapat tingkat.
DSS - Wiji Setiyaningsih, M.Kom
Sigit Setyowibowo, St., MMSI: STMIK PPKIA Pradnya Paramita
Metode Penyelesaian Masalah MADM
Multi Expert-Multi Criteria Decision Making
Multi Expert-Multi Criteria Decision Making
Program Linear dengan Metode Simpleks
RELASI REFERENSI & FUZZY MULTI ATRIBUT DECESION MAKING (FMADM)
SAW, WP,TOPSIS Sistem Pendukung Keputusan.
Jenis data penentuan lokasi pabrik : Data kualitatif, seperti kualitas sarana transportasi, iklim dan kebijakan pemerintah. Data kuantitatif, seperti.
Pertemuan 4 Penyelesaian PL Metode Simpleks (2) Big M dan Dua Fasa
Analisis Klastering K-Means Model Datamining Kelompok 1 Eko Suryana
Operations Management
Reviewer Eko Budi Setiawan, S.Kom
Pemodelan Programasi Linier dan Solusi Manual Model Assignment week 09
METODE PENGAMBILAN KEPUTUSAN
PERSOALAN PENUGASAN.
METODE TOPSIS & CONTOH IMPLEMENTAS I SISTEM PENDUKUNG KEPUTUSAN (SPK) Cokorda Gde Wahyu Pramana/
Metode TOPSIS Oleh : Tessy Badriyah Referensi :
Simple Additive Weighting (SAW)
Transcript presentasi:

METODE SAW SPK SESI 9

SIMPLE ADDITIVE WEIGHTING (saw) Metode SAW sering juga dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar 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. Metode ini merupakan metode yang paling terkenal dan paling banyak digunakan dalam menghadapi situasi Multiple Attribute Decision Making (MADM). MADM itu sendiri merupakan suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Metode SAW ini mengharuskan pembuat keputusan menentukan bobot bagi setiap atribut. Skor total untuk alternatif diperoleh dengan menjumlahkan seluruh hasil perkalian antara rating (yang dapat dibandingkan lintas atribut) dan bobot tiap atribut. Rating tiap atribut haruslah bebas dimensi dalam arti telah melewati proses normalisasi matriks sebelumnya

Langkah Penyelesaian SAW sebagai berikut : Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci. Menentukan rating kecocokan setiap alternatif pada setiap kriteria. Membuat matriks keputusan berdasarkan kriteria(Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai)sebagai solusi.

Formula untuk melakukan normalisasi tersebut adalah: Dimana : rij = rating kinerja ternormalisasi Maxij = nilai maksimum dari setiap baris dan kolom Minij = nilai minimum dari setiap baris dan kolom Xij = baris dan kolom dari matriks Dengan rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i =1,2,…m dan j = 1,2,…,n.

Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai : Dimana : Vi = Nilai akhir dari alternatif wj = Bobot yang telah ditentukan rij = Normalisasi matriks Nilai Vi yang lebih besar mengindikasikan bahwa alternatifAi lebih terpilih

Contoh kasus SAW Suatu sekolah akan menyeleksi siswa yang terbaik Ada 4 Kriteria yang akan di seleksi yaitu  C1 = Nilai Prestasi Akademik C2 = Nilai Prestasi Siswa C3 = Nilai Prestasi Kepribadian C4 = Nilai Prestasi Pendidikan Yang masing-masing setiap kriteria di beri bobot 25 %  C1 = 25 % = 0.25 C2 = 25 % = 0.25 C3 = 25 % = 0.25 C4 = 25 % = 0.25 Ket : Bobot kriteria di sesuaikan untuk kasus di atas agar mempermudah perhitungan

Data yang akan di seleksi adalah sebagai berikut :

LANGKAH PENYELESAIAN SAW : Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan,yaitu Ci. Menentukan rating kecocokan setiap alternative pada setiap kriteria. Membuat matriks keputusan berdasarkan kriteria (Ci), kemudian melakukan normalisasi  matriks berdasarkan  persamaan  yang  disesuaikan  dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R. Mencari  nilai  alternatif  yaitu  penjumlahan  dari  perkalian  matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai alternatif (Ai).

Step 1 Langkah pertama dalam metode SAW adalah membuat matriks keputusan setiap alternative terhadap setiap atribut X. sbb

Dimana Xij merupakan rating kinerja alternative ke-i terhadap atribut ke-j, sehingga di peroleh matriknya

Step 2 Menentukan  nilai  bobot  yang  menunjukkan  tingkat kepentingan relatife setiap atribut,diberikan sebagai, W : W =  [W1 W2  …..  Wn] 

Step 3 Melakukan proses  normalisasi  matriks keputusan(X)  ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Matriks ternormalisasi R diperoleh dari persamaan : Rij =                                xij                         (Max xij) jika j adalah atribut keuntungan 

Dari forumula di atas dapat di peroleh matrik ternormalisasi R, sebagai berikut :

Ai = (Rij * w1) + (Rij * w2) + (Rij * wn) Step 4 Langkah keempat proses perangkingan dengan menjumlahkan setiap alternatif dari matriks ternormalisasi R setiap baris di kalikan bobot W  Ai = (Rij * w1) + (Rij * w2) + (Rij * wn)

A1 ={(0,944)(0,25)+(0,943)(0,25)+(0,987)(0,25)+(1,000)(0,25)} = 0,968 A2 ={(0,944)(0,25)+(0,932)(0,25)+(0,987)(0,25)+(0,965)(0,25)} = 0,957 A3 ={(0,922)(0,25)+(0,943)(0,25)+(0,975)(0,25)+(0,953)(0,25)} = 0,948 A4 ={(0,922)(0,25)+(0,932)(0,25)+(0,975)(0,25)+(0,935)(0,25)} = 0,945 A5 = {(0,88)(0,25)+(0,921)(0,25)+(0,975)(0,25)+(0,953)(0,25)} = 0,934 A6 = {(0,933)(0,25)+(0,966)(0,25)+(0,987)(0,25)+(0,965)(0,25)} = 0,963 A7 = {(0,933)(0,25)+(0,966)(0,25)+(0,987)(0,25)+(0,953)(0,25)} = 0,963 A8 = {(0,911)(0,25)+(0,977)(0,25)+(0,987)(0,25)+(0,965)(0,25)} = 0,960 A9 = {(0,955)(0,25)+(0,943)(0,25)+(0,975)(0,25)+(0.976)(0,25)} = 0,962 A10 = {(1,00)(0,25)+(1,000)(0,25)+(0,987)(0,25)+(1,000)(0,25)} = 0,991 A11 = {(0,966)(0,25)+(0,943)(0,25)+(0,987)(0,25)+(0,988)(0,25)} = 0,985 A12 = {(0,955)(0,25)+(0,943)(0,25)+(0,987)(0,25)+(0,976)(0,25)} = 0,965 A13 = {(0,933)(0,25)+(0,943)(0,25)+(0,987)(0,25)+(0,965)(0,25)} = 0,960 A14 = {(0,888)(0,25)+(0,955)(0,25)+(0,987)(0,25)+(0,953)(0,25)} = 0,937 A15 = {(0,977)(0,25)+(0,898)(0,25)+(1,000)(0,25)+(0,987)(0,25)} = 0,966

Kesimpulan Jadi dari data  dapat di putuskan siswa terbaik dengan nilai 0.991257.

Sekian dan Terimakasih