SlideShare a Scribd company logo
1 of 35
Simple Additive Weighting (SAW)
 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.
Simple Additive Weighting (SAW)
 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
atribut
adalah
j
jika
x
x
Min
(benefit)
keuntungan
atribut
adalah
j
jika
x
Max
x
r
ij
ij
i
ij
i
ij
ij
Simple Additive Weighting (SAW)
 Nilai preferensi untuk setiap alternatif (Vi)
diberikan sebagai:
 Nilai Vi yang lebih besar mengindikasikan bahwa
alternatif Ai lebih terpilih.



n
1
j
ij
j
i r
w
V
Simple Additive Weighting (SAW)
 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
Simple Additive Weighting (SAW)
 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.
Simple Additive Weighting (SAW)
 Tabel nilai alternatif di setiap kriteria:
Alternatif
Kriteria
C1 C2 C3 C4
Indra 70 50 80 60
Roni 50 60 82 70
Putri 85 55 80 75
Dani 82 70 65 85
Ratna 75 75 85 74
Mira 62 50 75 80
Simple Additive Weighting (SAW)
 Normalisasi:
dst
 
82
,
0
85
70
62
;
75
;
82
;
85
;
50
;
70
max
70
r11 


 
59
,
0
85
50
62
;
75
;
82
;
85
;
50
;
70
max
70
r21 


 
67
,
0
75
50
50
;
75
;
70
;
55
;
60
;
50
max
50
r12 


 
80
,
0
75
60
50
;
75
;
70
;
55
;
60
;
50
max
60
r22 


50
Simple Additive Weighting (SAW)
 Hasil normalisasi:





















94
,
0
88
,
0
67
,
0
73
,
0
87
,
0
1
1
88
,
0
1
76
,
0
93
,
0
96
,
0
88
,
0
94
,
0
73
,
0
1
82
,
0
96
,
0
80
,
0
59
,
0
71
,
0
94
,
0
67
,
0
82
,
0
R
Simple Additive Weighting (SAW)
 Proses perankingan dengan menggunakan
bobot yang telah diberikan oleh pengambil
keputusan: w = [0,35 0,25 0,25 0,15]
 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 




Simple Additive Weighting (SAW)
 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.
Simple Additive Weighting (SAW)
 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.
Simple Additive Weighting (SAW)
 Beberapa kriteria digunakan sebagai bahan
pertimbangan 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.
Simple Additive Weighting (SAW)
 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.
Simple Additive Weighting (SAW)
 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%.
Simple Additive Weighting (SAW)
 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.
Simple Additive Weighting (SAW)
 Nilai setiap alternatif pada setiap kriteria:
Alternatif
Kriteria
C1
(juta Rp)
C2
(%)
C3 C4 C5
A1 150 15 2 2 3
A2 500 200 2 3 2
A3 200 10 3 1 3
A4 350 100 3 1 2
Simple Additive Weighting (SAW)
 Normalisasi:
 dst
  1
150
150
150
350
;
200
;
500
;
150
min
r11 


 
075
,
0
200
15
100
;
10
;
200
;
15
max
15
r21 


 
667
,
0
3
2
3
;
3
;
2
;
2
max
2
r35 


5
,
0
2
1
2
}
1
;
1
;
3
;
2
min{
r45 


Simple Additive Weighting (SAW)
 Hasil normalisasi:













67
,
0
1
1
50
,
0
43
,
0
1
1
1
05
,
0
75
,
0
67
,
0
33
,
0
67
,
0
1
30
,
0
1
50
,
0
67
,
0
08
,
0
1
R
Simple Additive Weighting (SAW)
 Proses perankingan dengan menggunakan bobot yang
telah diberikan oleh pengambil keputusan:
w = [0,25 0,15 0,30 0,25 0,05]
 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 





TOPSIS
 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
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
 TOPSIS membutuhkan rating kinerja setiap
alternatif Ai pada setiap kriteria Cj yang
ternormalisasi, yaitu:



m
1
i
2
ij
ij
ij
x
x
r
TOPSIS
 Solusi ideal positif A+ dan solusi ideal negatif A-
dapat ditentukan berdasarkan rating bobot
ternormalisasi (yij) sebagai:
ij
i
ij r
w
y 
 ;
y
,
,
y
,
y
A n
2
1




 
 ;
y
,
,
y
,
y
A n
2
1




 
TOPSIS
dengan







biaya
atribut
adalah
j
jika
;
y
min
keuntungan
atribut
adalah
j
jika
;
y
max
y
ij
i
ij
i
j







biaya
atribut
adalah
j
jika
;
y
max
keuntungan
atribut
adalah
j
jika
;
y
min
y
ij
i
ij
i
j
TOPSIS
 Jarak antara alternatif Ai dengan solusi
ideal positif dirumuskan sebagai:
 Jarak antara alternatif Ai dengan solusi
ideal negatif dirumuskan sebagai:
  ;
y
y
D
n
1
j
2
ij
i
i 





  ;
y
y
D
n
1
j
2
i
ij
i 





TOPSIS
 Nilai preferensi untuk setiap alternatif (Vi)
diberikan sebagai:
 Nilai Vi yang lebih besar menunjukkan
bahwa alternatif Ai lebih dipilih
;
D
D
D
V
i
i
i
i 




TOPSIS
 Contoh:
 Suatu perusahaan di Daerah Istimewa
Yogyakarta (DIY) ingin membangun sebuah
gudang yang akan digunakan sebagai
tempat untuk menyimpan sementara hasil
produksinya.
 Ada 3 lokasi yang akan menjadi alternatif,
yaitu:
 A1 = Ngemplak,
 A2 = Kalasan,
 A3 = Kota Gedhe.
TOPSIS
 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).
TOPSIS
 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)
TOPSIS
TOPSIS
 Nilai setiap alternatif di setiap kriteria:
Alternatif
Kriteria
C1 C2 C3 C4 C5
A1 0,75 2000 18 50 500
A2 0,50 1500 20 40 450
A3 0,90 2050 35 35 800
 Matriks ternormalisasi, R:
 Matriks ternormalisasi terbobot, Y:
TOPSIS











7654
,
0
4796
,
0
7928
,
0
6341
,
0
7066
,
0
4305
,
0
5482
,
0
4530
,
0
4640
,
0
3925
,
0
4784
,
0
6852
,
0
4077
,
0
6186
,
0
5888
,
0
R











5308
,
1
9185
,
1
1712
,
3
9022
,
1
5328
,
3
8611
,
0
1926
,
2
8121
,
1
3919
,
1
9627
,
1
9567
,
0
7408
,
2
6309
,
1
8558
,
1
9440
,
2
Y
 Solusi Ideal Positif (A+):
TOPSIS
  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-):
TOPSIS
  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, :
TOPSIS

i
S

i
S
9871
,
0
D1

 7706
,
0
D2

 4418
,
2
D3


9849
,
1
D1

 1991
,
2
D2

 5104
,
0
D3


 Kedekatan setiap alternatif terhadap solusi ideal
dihitung sebagai berikut:
 Dari nilai V ini dapat dilihat bahwa V2 memiliki nilai
terbesar, sehingga dapat disimpulkan bahwa
alternatif kedua yang akan lebih dipilih.
 Dengan kata lain, Kalasan akan terpilih sebagai
lokasi untuk mendirikan gudang baru.
TOPSIS
6679
,
0
9849
,
1
9871
,
0
9849
,
1
V1 


7405
,
0
1991
,
2
7706
,
0
1991
,
2
V2 


1729
,
0
5104
,
0
4418
,
2
5104
,
0
V3 



More Related Content

What's hot

Iuw 4 penentuan arah sudut dan luas
Iuw   4 penentuan arah sudut dan luasIuw   4 penentuan arah sudut dan luas
Iuw 4 penentuan arah sudut dan luas
Kharistya Amaru
 
Nilai sosial dan norma sosial
Nilai sosial dan norma sosialNilai sosial dan norma sosial
Nilai sosial dan norma sosial
El Ibrahimy
 
Solusi uji coba olimpiade sains nasional 2012 1
Solusi uji coba olimpiade sains nasional 2012 1Solusi uji coba olimpiade sains nasional 2012 1
Solusi uji coba olimpiade sains nasional 2012 1
Widi Kariyanto
 
Laporan geografi tanah
Laporan geografi tanahLaporan geografi tanah
Laporan geografi tanah
Ricky Ramadhan
 

What's hot (20)

Iuw 4 penentuan arah sudut dan luas
Iuw   4 penentuan arah sudut dan luasIuw   4 penentuan arah sudut dan luas
Iuw 4 penentuan arah sudut dan luas
 
10. Analisis Vektor Menggunakan QGIS 2.4
10. Analisis Vektor Menggunakan QGIS 2.410. Analisis Vektor Menggunakan QGIS 2.4
10. Analisis Vektor Menggunakan QGIS 2.4
 
Nilai sosial dan norma sosial
Nilai sosial dan norma sosialNilai sosial dan norma sosial
Nilai sosial dan norma sosial
 
Kaderisasi
KaderisasiKaderisasi
Kaderisasi
 
Solusi uji coba olimpiade sains nasional 2012 1
Solusi uji coba olimpiade sains nasional 2012 1Solusi uji coba olimpiade sains nasional 2012 1
Solusi uji coba olimpiade sains nasional 2012 1
 
Statistics II (Regression and Correlation)
Statistics II (Regression and Correlation) Statistics II (Regression and Correlation)
Statistics II (Regression and Correlation)
 
Kepemimpinan dan perilaku organisasi
Kepemimpinan dan perilaku organisasiKepemimpinan dan perilaku organisasi
Kepemimpinan dan perilaku organisasi
 
Sistem informasi geografi
Sistem informasi geografiSistem informasi geografi
Sistem informasi geografi
 
EVALUASI DAYA DUKUNG LAHAN UNTUK PARIWISATA PADA TEBING BREKSI DI DESA SAMBIR...
EVALUASI DAYA DUKUNG LAHAN UNTUK PARIWISATA PADA TEBING BREKSI DI DESA SAMBIR...EVALUASI DAYA DUKUNG LAHAN UNTUK PARIWISATA PADA TEBING BREKSI DI DESA SAMBIR...
EVALUASI DAYA DUKUNG LAHAN UNTUK PARIWISATA PADA TEBING BREKSI DI DESA SAMBIR...
 
Integritas Akademik
Integritas AkademikIntegritas Akademik
Integritas Akademik
 
Laporan geografi tanah
Laporan geografi tanahLaporan geografi tanah
Laporan geografi tanah
 
Informasi nomor lembar peta dan menghitung koordinat dari nomor lembar peta
Informasi nomor lembar peta dan menghitung koordinat dari nomor lembar petaInformasi nomor lembar peta dan menghitung koordinat dari nomor lembar peta
Informasi nomor lembar peta dan menghitung koordinat dari nomor lembar peta
 
Mf113 kalkulus
Mf113 kalkulusMf113 kalkulus
Mf113 kalkulus
 
Quantum GIS 3.14 [BASIC TUTORIALS] - Volume 1
Quantum GIS 3.14 [BASIC TUTORIALS] - Volume 1Quantum GIS 3.14 [BASIC TUTORIALS] - Volume 1
Quantum GIS 3.14 [BASIC TUTORIALS] - Volume 1
 
Contoh Soal Matematika Terapan
Contoh Soal Matematika TerapanContoh Soal Matematika Terapan
Contoh Soal Matematika Terapan
 
PERTEMUAN 7 Perencanaan dan Perancangan dalam Arsitektur.ppt
PERTEMUAN 7 Perencanaan dan Perancangan dalam Arsitektur.pptPERTEMUAN 7 Perencanaan dan Perancangan dalam Arsitektur.ppt
PERTEMUAN 7 Perencanaan dan Perancangan dalam Arsitektur.ppt
 
Pertemuan 3 turunan dan aturan rantai
Pertemuan 3   turunan dan aturan rantaiPertemuan 3   turunan dan aturan rantai
Pertemuan 3 turunan dan aturan rantai
 
Double roll crusher
Double roll crusherDouble roll crusher
Double roll crusher
 
Regresi
RegresiRegresi
Regresi
 
Contoh soal dan_pembahasan_persamaan_logaritma
Contoh soal dan_pembahasan_persamaan_logaritmaContoh soal dan_pembahasan_persamaan_logaritma
Contoh soal dan_pembahasan_persamaan_logaritma
 

Similar to saw method aaaaaaaaaaaaaaaaaaaaaaaaaaaaaa

Sistem Penunjang Keputusan [Simple Additive Weighting]
Sistem Penunjang Keputusan [Simple Additive Weighting]Sistem Penunjang Keputusan [Simple Additive Weighting]
Sistem Penunjang Keputusan [Simple Additive Weighting]
Institut Teknologi Sepuluh Nopember Surabaya
 
C. menentukan nilai optimum dari sistem pertidaksamaan linier
C.  menentukan nilai optimum dari sistem pertidaksamaan linierC.  menentukan nilai optimum dari sistem pertidaksamaan linier
C. menentukan nilai optimum dari sistem pertidaksamaan linier
SMKN 9 Bandung
 

Similar to saw method aaaaaaaaaaaaaaaaaaaaaaaaaaaaaa (18)

SAW.pptx
SAW.pptxSAW.pptx
SAW.pptx
 
Pertemuan_Ke-6_MADM.pptx
Pertemuan_Ke-6_MADM.pptxPertemuan_Ke-6_MADM.pptx
Pertemuan_Ke-6_MADM.pptx
 
Simple additive wighting (saw)
Simple additive wighting (saw)Simple additive wighting (saw)
Simple additive wighting (saw)
 
PPT KELOMPOK 2 DSS.pptx
PPT KELOMPOK 2 DSS.pptxPPT KELOMPOK 2 DSS.pptx
PPT KELOMPOK 2 DSS.pptx
 
Ary prasetyo hapzi ali sistem pengambilan keputusan_ut_2017
Ary prasetyo hapzi ali sistem pengambilan keputusan_ut_2017Ary prasetyo hapzi ali sistem pengambilan keputusan_ut_2017
Ary prasetyo hapzi ali sistem pengambilan keputusan_ut_2017
 
Contoh Soal, Hasil Olahan dan Interpretasi Hasil Olahan SPSS
Contoh Soal, Hasil Olahan dan Interpretasi Hasil Olahan SPSSContoh Soal, Hasil Olahan dan Interpretasi Hasil Olahan SPSS
Contoh Soal, Hasil Olahan dan Interpretasi Hasil Olahan SPSS
 
Structural equation-modeling-sem 20121
Structural equation-modeling-sem 20121Structural equation-modeling-sem 20121
Structural equation-modeling-sem 20121
 
Analisis Keputusan
Analisis KeputusanAnalisis Keputusan
Analisis Keputusan
 
04 - Simple Additive Weighting Method.pptx
04 - Simple Additive Weighting Method.pptx04 - Simple Additive Weighting Method.pptx
04 - Simple Additive Weighting Method.pptx
 
Metode_WP.pptx
Metode_WP.pptxMetode_WP.pptx
Metode_WP.pptx
 
evaluasi 2.pptx
evaluasi 2.pptxevaluasi 2.pptx
evaluasi 2.pptx
 
REGRESI LINIER BERGANDA
REGRESI LINIER BERGANDAREGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA
 
Sistem Penunjang Keputusan [Simple Additive Weighting]
Sistem Penunjang Keputusan [Simple Additive Weighting]Sistem Penunjang Keputusan [Simple Additive Weighting]
Sistem Penunjang Keputusan [Simple Additive Weighting]
 
Ukuran Pemusatan 1 - Statistik Deskriptif
Ukuran Pemusatan 1 - Statistik DeskriptifUkuran Pemusatan 1 - Statistik Deskriptif
Ukuran Pemusatan 1 - Statistik Deskriptif
 
Menentukan Nilai Maksimum dan Minimum
Menentukan Nilai Maksimum dan MinimumMenentukan Nilai Maksimum dan Minimum
Menentukan Nilai Maksimum dan Minimum
 
Statistika 2014 Estimasi
Statistika 2014 EstimasiStatistika 2014 Estimasi
Statistika 2014 Estimasi
 
C. menentukan nilai optimum dari sistem pertidaksamaan linier
C.  menentukan nilai optimum dari sistem pertidaksamaan linierC.  menentukan nilai optimum dari sistem pertidaksamaan linier
C. menentukan nilai optimum dari sistem pertidaksamaan linier
 
Big M Methode
Big M MethodeBig M Methode
Big M Methode
 

More from NovaRuwanti (18)

Rubrik Business Decision Making aaaaaaaaaa
Rubrik Business Decision Making aaaaaaaaaaRubrik Business Decision Making aaaaaaaaaa
Rubrik Business Decision Making aaaaaaaaaa
 
RPS MAKRO aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
RPS MAKRO aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaRPS MAKRO aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
RPS MAKRO aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
 
RPS INTRO TO IT & Saaaaaaaaaaaaaaaaaaaaaa
RPS INTRO TO IT & SaaaaaaaaaaaaaaaaaaaaaaRPS INTRO TO IT & Saaaaaaaaaaaaaaaaaaaaaa
RPS INTRO TO IT & Saaaaaaaaaaaaaaaaaaaaaa
 
Konsep_teknologi_informasi aaaaaaaaaaaaa
Konsep_teknologi_informasi  aaaaaaaaaaaaaKonsep_teknologi_informasi  aaaaaaaaaaaaa
Konsep_teknologi_informasi aaaaaaaaaaaaa
 
aaaaaaaassssaaaaaaaaaaaaaaaaaaaaaaaaaaaa
aaaaaaaassssaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaassssaaaaaaaaaaaaaaaaaaaaaaaaaaaa
aaaaaaaassssaaaaaaaaaaaaaaaaaaaaaaaaaaaa
 
Design & pemrograman web basedddd dfffgggggggggg
Design & pemrograman web basedddd dfffggggggggggDesign & pemrograman web basedddd dfffgggggggggg
Design & pemrograman web basedddd dfffgggggggggg
 
1 okt 2023 keduaaa.ppt
1 okt 2023 keduaaa.ppt1 okt 2023 keduaaa.ppt
1 okt 2023 keduaaa.ppt
 
Himpunan Oke.docx
Himpunan Oke.docxHimpunan Oke.docx
Himpunan Oke.docx
 
RPS nora fix.pdf
RPS nora fix.pdfRPS nora fix.pdf
RPS nora fix.pdf
 
pert 3.pdf
pert 3.pdfpert 3.pdf
pert 3.pdf
 
pert I.pdf
pert I.pdfpert I.pdf
pert I.pdf
 
Rps Manajemen bisnis fix.docx
Rps Manajemen bisnis fix.docxRps Manajemen bisnis fix.docx
Rps Manajemen bisnis fix.docx
 
RPS-PENGAMBILAN-KEPUTUSAN.pdf
RPS-PENGAMBILAN-KEPUTUSAN.pdfRPS-PENGAMBILAN-KEPUTUSAN.pdf
RPS-PENGAMBILAN-KEPUTUSAN.pdf
 
Knowledge Management 3.pdf
Knowledge  Management 3.pdfKnowledge  Management 3.pdf
Knowledge Management 3.pdf
 
Pendapatan_Nasional.ppt
Pendapatan_Nasional.pptPendapatan_Nasional.ppt
Pendapatan_Nasional.ppt
 
Macroeconomics.pdf
Macroeconomics.pdfMacroeconomics.pdf
Macroeconomics.pdf
 
8. SISTEM PAKAR.pdf
8. SISTEM PAKAR.pdf8. SISTEM PAKAR.pdf
8. SISTEM PAKAR.pdf
 
6. MINIMAX - ALPA BETA PRUNNING.pdf
6. MINIMAX - ALPA BETA PRUNNING.pdf6. MINIMAX - ALPA BETA PRUNNING.pdf
6. MINIMAX - ALPA BETA PRUNNING.pdf
 

Recently uploaded

082111126033 Jual Obat Cytotec Asli Di Subang Agen Cytotec Original COD
082111126033 Jual Obat Cytotec Asli Di Subang Agen Cytotec Original COD082111126033 Jual Obat Cytotec Asli Di Subang Agen Cytotec Original COD
082111126033 Jual Obat Cytotec Asli Di Subang Agen Cytotec Original COD
ssupi412
 
082111126033 Jual Obat Cytotec Asli Di Garut Agen Cytotec Original COD
082111126033 Jual Obat Cytotec Asli Di Garut Agen Cytotec Original COD082111126033 Jual Obat Cytotec Asli Di Garut Agen Cytotec Original COD
082111126033 Jual Obat Cytotec Asli Di Garut Agen Cytotec Original COD
ssupi412
 
Hub. 085 366 620 009, Jasa Catering Acara Keluarga di Batam Rahayu
Hub. 085 366 620 009, Jasa Catering Acara Keluarga di Batam RahayuHub. 085 366 620 009, Jasa Catering Acara Keluarga di Batam Rahayu
Hub. 085 366 620 009, Jasa Catering Acara Keluarga di Batam Rahayu
syafiraw266
 
EKSKLUSIF!!! WA 0821 7001 0763 (FORTRESS) Pintu Aluminium Modern Kamar Mandi ...
EKSKLUSIF!!! WA 0821 7001 0763 (FORTRESS) Pintu Aluminium Modern Kamar Mandi ...EKSKLUSIF!!! WA 0821 7001 0763 (FORTRESS) Pintu Aluminium Modern Kamar Mandi ...
EKSKLUSIF!!! WA 0821 7001 0763 (FORTRESS) Pintu Aluminium Modern Kamar Mandi ...
FORTRESS
 
obat aborsi Sleman Wa 081225888346 jual obat aborsi cytotec asli di Sleman
obat aborsi Sleman Wa 081225888346 jual obat aborsi cytotec asli di Slemanobat aborsi Sleman Wa 081225888346 jual obat aborsi cytotec asli di Sleman
obat aborsi Sleman Wa 081225888346 jual obat aborsi cytotec asli di Sleman
aureliamarcelin589
 
Toko Obat Kuat Viagra Asli Di Surabaya 081227526446 Jual Viagra USA 100mg Di ...
Toko Obat Kuat Viagra Asli Di Surabaya 081227526446 Jual Viagra USA 100mg Di ...Toko Obat Kuat Viagra Asli Di Surabaya 081227526446 Jual Viagra USA 100mg Di ...
Toko Obat Kuat Viagra Asli Di Surabaya 081227526446 Jual Viagra USA 100mg Di ...
agusmenyut7
 
Obat Aborsi Papua ( Ampuh _ No. 1 ) 082223109953 Klinik Jual Obat Penggugur K...
Obat Aborsi Papua ( Ampuh _ No. 1 ) 082223109953 Klinik Jual Obat Penggugur K...Obat Aborsi Papua ( Ampuh _ No. 1 ) 082223109953 Klinik Jual Obat Penggugur K...
Obat Aborsi Papua ( Ampuh _ No. 1 ) 082223109953 Klinik Jual Obat Penggugur K...
Obat Aborsi Jakarta ( Ampuh _ No. 1 ) Kandungan Jakarta
 

Recently uploaded (20)

082111126033 Jual Obat Cytotec Asli Di Subang Agen Cytotec Original COD
082111126033 Jual Obat Cytotec Asli Di Subang Agen Cytotec Original COD082111126033 Jual Obat Cytotec Asli Di Subang Agen Cytotec Original COD
082111126033 Jual Obat Cytotec Asli Di Subang Agen Cytotec Original COD
 
In &QATAR^*[☎️+2773-7758-557]]@ @# Abortion pills for sale in Doha Qatar/ Dub...
In &QATAR^*[☎️+2773-7758-557]]@ @# Abortion pills for sale in Doha Qatar/ Dub...In &QATAR^*[☎️+2773-7758-557]]@ @# Abortion pills for sale in Doha Qatar/ Dub...
In &QATAR^*[☎️+2773-7758-557]]@ @# Abortion pills for sale in Doha Qatar/ Dub...
 
UNIKBET : Situs Slot Gacor Pragmatic Play Ada Deposit Via Bank BNI 24 Jam Online
UNIKBET : Situs Slot Gacor Pragmatic Play Ada Deposit Via Bank BNI 24 Jam OnlineUNIKBET : Situs Slot Gacor Pragmatic Play Ada Deposit Via Bank BNI 24 Jam Online
UNIKBET : Situs Slot Gacor Pragmatic Play Ada Deposit Via Bank BNI 24 Jam Online
 
082111126033 Jual Obat Cytotec Asli Di Garut Agen Cytotec Original COD
082111126033 Jual Obat Cytotec Asli Di Garut Agen Cytotec Original COD082111126033 Jual Obat Cytotec Asli Di Garut Agen Cytotec Original COD
082111126033 Jual Obat Cytotec Asli Di Garut Agen Cytotec Original COD
 
Memahami Organisasi dan Desain Organisasi-Organisasi Publik (Bagian 3)
Memahami Organisasi dan Desain Organisasi-Organisasi Publik (Bagian 3)Memahami Organisasi dan Desain Organisasi-Organisasi Publik (Bagian 3)
Memahami Organisasi dan Desain Organisasi-Organisasi Publik (Bagian 3)
 
Hub. 085 366 620 009, Jasa Catering Acara Keluarga di Batam Rahayu
Hub. 085 366 620 009, Jasa Catering Acara Keluarga di Batam RahayuHub. 085 366 620 009, Jasa Catering Acara Keluarga di Batam Rahayu
Hub. 085 366 620 009, Jasa Catering Acara Keluarga di Batam Rahayu
 
Business Plan PT. Buana Energy, purpose Nickel trading
Business Plan PT. Buana Energy, purpose Nickel tradingBusiness Plan PT. Buana Energy, purpose Nickel trading
Business Plan PT. Buana Energy, purpose Nickel trading
 
EKSKLUSIF!!! WA 0821 7001 0763 (FORTRESS) Pintu Aluminium Modern Kamar Mandi ...
EKSKLUSIF!!! WA 0821 7001 0763 (FORTRESS) Pintu Aluminium Modern Kamar Mandi ...EKSKLUSIF!!! WA 0821 7001 0763 (FORTRESS) Pintu Aluminium Modern Kamar Mandi ...
EKSKLUSIF!!! WA 0821 7001 0763 (FORTRESS) Pintu Aluminium Modern Kamar Mandi ...
 
Mengenal Lele 4D: Situs Dana Terpercaya Mengenal Lele 4D
Mengenal Lele 4D: Situs Dana Terpercaya Mengenal Lele 4DMengenal Lele 4D: Situs Dana Terpercaya Mengenal Lele 4D
Mengenal Lele 4D: Situs Dana Terpercaya Mengenal Lele 4D
 
obat aborsi Sleman Wa 081225888346 jual obat aborsi cytotec asli di Sleman
obat aborsi Sleman Wa 081225888346 jual obat aborsi cytotec asli di Slemanobat aborsi Sleman Wa 081225888346 jual obat aborsi cytotec asli di Sleman
obat aborsi Sleman Wa 081225888346 jual obat aborsi cytotec asli di Sleman
 
Judul: Mengenal Lebih Dekat Casino Online
Judul: Mengenal Lebih Dekat Casino OnlineJudul: Mengenal Lebih Dekat Casino Online
Judul: Mengenal Lebih Dekat Casino Online
 
UNIKBET : Link Slot Gacor Pragmatic Play Ada Deposit Pakai Bank Maybank Resmi...
UNIKBET : Link Slot Gacor Pragmatic Play Ada Deposit Pakai Bank Maybank Resmi...UNIKBET : Link Slot Gacor Pragmatic Play Ada Deposit Pakai Bank Maybank Resmi...
UNIKBET : Link Slot Gacor Pragmatic Play Ada Deposit Pakai Bank Maybank Resmi...
 
Panda99 Slot: Ragam Permainan yang Menarik
Panda99 Slot: Ragam Permainan yang MenarikPanda99 Slot: Ragam Permainan yang Menarik
Panda99 Slot: Ragam Permainan yang Menarik
 
Toko Obat Kuat Viagra Asli Di Surabaya 081227526446 Jual Viagra USA 100mg Di ...
Toko Obat Kuat Viagra Asli Di Surabaya 081227526446 Jual Viagra USA 100mg Di ...Toko Obat Kuat Viagra Asli Di Surabaya 081227526446 Jual Viagra USA 100mg Di ...
Toko Obat Kuat Viagra Asli Di Surabaya 081227526446 Jual Viagra USA 100mg Di ...
 
UNIKBET : Daftar Slot Pragmatic Play Deposit Bank BCA Promo Bonus Terbesar
UNIKBET : Daftar Slot Pragmatic Play Deposit Bank BCA Promo Bonus TerbesarUNIKBET : Daftar Slot Pragmatic Play Deposit Bank BCA Promo Bonus Terbesar
UNIKBET : Daftar Slot Pragmatic Play Deposit Bank BCA Promo Bonus Terbesar
 
Mengungkap Dunia Perjudian: Panduan Lengkap Kasino Online
Mengungkap Dunia Perjudian: Panduan Lengkap Kasino OnlineMengungkap Dunia Perjudian: Panduan Lengkap Kasino Online
Mengungkap Dunia Perjudian: Panduan Lengkap Kasino Online
 
WA 0821-2636-0569, Kelas Bimbingan Pra Nikah Terbaik Di Tangerang
WA 0821-2636-0569, Kelas Bimbingan Pra Nikah Terbaik Di TangerangWA 0821-2636-0569, Kelas Bimbingan Pra Nikah Terbaik Di Tangerang
WA 0821-2636-0569, Kelas Bimbingan Pra Nikah Terbaik Di Tangerang
 
UNIKBET : Bandar Slot Gacor Pragmatic Play Bisa Deposit Via Seabank Banyak Bonus
UNIKBET : Bandar Slot Gacor Pragmatic Play Bisa Deposit Via Seabank Banyak BonusUNIKBET : Bandar Slot Gacor Pragmatic Play Bisa Deposit Via Seabank Banyak Bonus
UNIKBET : Bandar Slot Gacor Pragmatic Play Bisa Deposit Via Seabank Banyak Bonus
 
TM9- AKUNTANSI TRANSAKSI akad MURABAHAH IsIam
TM9- AKUNTANSI TRANSAKSI akad MURABAHAH IsIamTM9- AKUNTANSI TRANSAKSI akad MURABAHAH IsIam
TM9- AKUNTANSI TRANSAKSI akad MURABAHAH IsIam
 
Obat Aborsi Papua ( Ampuh _ No. 1 ) 082223109953 Klinik Jual Obat Penggugur K...
Obat Aborsi Papua ( Ampuh _ No. 1 ) 082223109953 Klinik Jual Obat Penggugur K...Obat Aborsi Papua ( Ampuh _ No. 1 ) 082223109953 Klinik Jual Obat Penggugur K...
Obat Aborsi Papua ( Ampuh _ No. 1 ) 082223109953 Klinik Jual Obat Penggugur K...
 

saw method aaaaaaaaaaaaaaaaaaaaaaaaaaaaaa

  • 1. Simple Additive Weighting (SAW)  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.
  • 2. Simple Additive Weighting (SAW)  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 atribut adalah j jika x x Min (benefit) keuntungan atribut adalah j jika x Max x r ij ij i ij i ij ij
  • 3. Simple Additive Weighting (SAW)  Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai:  Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih.    n 1 j ij j i r w V
  • 4. Simple Additive Weighting (SAW)  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
  • 5. Simple Additive Weighting (SAW)  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.
  • 6. Simple Additive Weighting (SAW)  Tabel nilai alternatif di setiap kriteria: Alternatif Kriteria C1 C2 C3 C4 Indra 70 50 80 60 Roni 50 60 82 70 Putri 85 55 80 75 Dani 82 70 65 85 Ratna 75 75 85 74 Mira 62 50 75 80
  • 7. Simple Additive Weighting (SAW)  Normalisasi: dst   82 , 0 85 70 62 ; 75 ; 82 ; 85 ; 50 ; 70 max 70 r11      59 , 0 85 50 62 ; 75 ; 82 ; 85 ; 50 ; 70 max 70 r21      67 , 0 75 50 50 ; 75 ; 70 ; 55 ; 60 ; 50 max 50 r12      80 , 0 75 60 50 ; 75 ; 70 ; 55 ; 60 ; 50 max 60 r22    50
  • 8. Simple Additive Weighting (SAW)  Hasil normalisasi:                      94 , 0 88 , 0 67 , 0 73 , 0 87 , 0 1 1 88 , 0 1 76 , 0 93 , 0 96 , 0 88 , 0 94 , 0 73 , 0 1 82 , 0 96 , 0 80 , 0 59 , 0 71 , 0 94 , 0 67 , 0 82 , 0 R
  • 9. Simple Additive Weighting (SAW)  Proses perankingan dengan menggunakan bobot yang telah diberikan oleh pengambil keputusan: w = [0,35 0,25 0,25 0,15]  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     
  • 10. Simple Additive Weighting (SAW)  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.
  • 11. Simple Additive Weighting (SAW)  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.
  • 12. Simple Additive Weighting (SAW)  Beberapa kriteria digunakan sebagai bahan pertimbangan 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.
  • 13. Simple Additive Weighting (SAW)  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.
  • 14. Simple Additive Weighting (SAW)  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%.
  • 15. Simple Additive Weighting (SAW)  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.
  • 16. Simple Additive Weighting (SAW)  Nilai setiap alternatif pada setiap kriteria: Alternatif Kriteria C1 (juta Rp) C2 (%) C3 C4 C5 A1 150 15 2 2 3 A2 500 200 2 3 2 A3 200 10 3 1 3 A4 350 100 3 1 2
  • 17. Simple Additive Weighting (SAW)  Normalisasi:  dst   1 150 150 150 350 ; 200 ; 500 ; 150 min r11      075 , 0 200 15 100 ; 10 ; 200 ; 15 max 15 r21      667 , 0 3 2 3 ; 3 ; 2 ; 2 max 2 r35    5 , 0 2 1 2 } 1 ; 1 ; 3 ; 2 min{ r45   
  • 18. Simple Additive Weighting (SAW)  Hasil normalisasi:              67 , 0 1 1 50 , 0 43 , 0 1 1 1 05 , 0 75 , 0 67 , 0 33 , 0 67 , 0 1 30 , 0 1 50 , 0 67 , 0 08 , 0 1 R
  • 19. Simple Additive Weighting (SAW)  Proses perankingan dengan menggunakan bobot yang telah diberikan oleh pengambil keputusan: w = [0,25 0,15 0,30 0,25 0,05]  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      
  • 20. TOPSIS  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.
  • 21.  Langkah-langkah penyelesaian masalah 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
  • 22.  TOPSIS membutuhkan rating kinerja setiap alternatif Ai pada setiap kriteria Cj yang ternormalisasi, yaitu:    m 1 i 2 ij ij ij x x r TOPSIS
  • 23.  Solusi ideal positif A+ dan solusi ideal negatif A- dapat ditentukan berdasarkan rating bobot ternormalisasi (yij) sebagai: ij i ij r w y   ; y , , y , y A n 2 1        ; y , , y , y A n 2 1       TOPSIS
  • 25.  Jarak antara alternatif Ai dengan solusi ideal positif dirumuskan sebagai:  Jarak antara alternatif Ai dengan solusi ideal negatif dirumuskan sebagai:   ; y y D n 1 j 2 ij i i         ; y y D n 1 j 2 i ij i       TOPSIS
  • 26.  Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai:  Nilai Vi yang lebih besar menunjukkan bahwa alternatif Ai lebih dipilih ; D D D V i i i i      TOPSIS
  • 27.  Contoh:  Suatu perusahaan di Daerah Istimewa Yogyakarta (DIY) ingin membangun sebuah gudang yang akan digunakan sebagai tempat untuk menyimpan sementara hasil produksinya.  Ada 3 lokasi yang akan menjadi alternatif, yaitu:  A1 = Ngemplak,  A2 = Kalasan,  A3 = Kota Gedhe. TOPSIS
  • 28.  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). TOPSIS
  • 29.  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) TOPSIS
  • 30. TOPSIS  Nilai setiap alternatif di setiap kriteria: Alternatif Kriteria C1 C2 C3 C4 C5 A1 0,75 2000 18 50 500 A2 0,50 1500 20 40 450 A3 0,90 2050 35 35 800
  • 31.  Matriks ternormalisasi, R:  Matriks ternormalisasi terbobot, Y: TOPSIS            7654 , 0 4796 , 0 7928 , 0 6341 , 0 7066 , 0 4305 , 0 5482 , 0 4530 , 0 4640 , 0 3925 , 0 4784 , 0 6852 , 0 4077 , 0 6186 , 0 5888 , 0 R            5308 , 1 9185 , 1 1712 , 3 9022 , 1 5328 , 3 8611 , 0 1926 , 2 8121 , 1 3919 , 1 9627 , 1 9567 , 0 7408 , 2 6309 , 1 8558 , 1 9440 , 2 Y
  • 32.  Solusi Ideal Positif (A+): TOPSIS   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  
  • 33.  Solusi Ideal Negatif (A-): TOPSIS   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  
  • 34.  Jarak antara nilai terbobot setiap alternatif terhadap solusi ideal positif, :  Jarak antara nilai terbobot setiap alternatif terhadap solusi ideal negatif, : TOPSIS  i S  i S 9871 , 0 D1   7706 , 0 D2   4418 , 2 D3   9849 , 1 D1   1991 , 2 D2   5104 , 0 D3  
  • 35.  Kedekatan setiap alternatif terhadap solusi ideal dihitung sebagai berikut:  Dari nilai V ini dapat dilihat bahwa V2 memiliki nilai terbesar, sehingga dapat disimpulkan bahwa alternatif kedua yang akan lebih dipilih.  Dengan kata lain, Kalasan akan terpilih sebagai lokasi untuk mendirikan gudang baru. TOPSIS 6679 , 0 9849 , 1 9871 , 0 9849 , 1 V1    7405 , 0 1991 , 2 7706 , 0 1991 , 2 V2    1729 , 0 5104 , 0 4418 , 2 5104 , 0 V3   