1. DEFINISI AHP
Analytical Hierarchy Process (AHP) merupakan suatu
model pendukung keputusan yang dikembangkan oleh
Thomas L. Saaty. Model pendukung keputusan ini akan
menguraikan masalah multi faktor atau multi kriteria
yang kompleks menjadi suatu hirarki, menurut Saaty
(1993), hirarki didefinisikan sebagai suatu representasi
dari sebuah permasalahan yang kompleks dalam suatu
struktur multi level dimana level pertama adalah tujuan,
yang diikuti level faktor, kriteria, sub kriteria, dan
seterusnya ke bawah hingga level terakhir dari
alternatif.
2. KELEBIHAN AHP
1. Struktur hierarchy, AHP mengelompokkan elemen sistem ke level
yang berbeda dari masing-masing level berisi elemen serupa
2. Pengukuran, AHP menyediakan skala pengukuran dan metode
untuk mendapatkan prioritas
3. Konsistensi, AHP mempertimbangkan konsistensi logis dalam
penilaian yang digunakan untuk menentukan prioritas
3. KEKURANGAN AHP
1. Penilaian subjektif karena sangat dipengaruhi oleh situasi,
preferensi, persepsi, konsep dasar & sudut pandang partisipan
2. Ketergantungan pada input utamanya, input utama ini berupa
persepsi seorang ahli sehingga dalam hal ini melibatkan
subjektifitas sang ahli
3. Untuk melakukan perbaikan keputusan, maka perhitungan harus
dimulai dari awal
4. ATURAN & RUMUS
1. tentukan nilai bobot (W) per kriteria(C), nilai bobot didapat dari angket dan penilaian angket dilakukan oleh orang atau pihak yang
kredible atau kompeten dibidangnya
2. setelah mendapatkan nilai bobot, lalu disusun kedalam table menjadi matriks perbandingan dan dijumlahkan
3. lalu di-normalisasi dengan cara nilai bobot pada table matriks perbandingan dibagi jumlah nilai matriks perbandingan
4. lalu seluruh nilai normalisasi dijumlahkan
5. mencari nilai rata-rata dengan cara jumlah nilai normalisasi pada kriteria dibagi jumlah kriteria
6. uji konsistensi dengan mencari lamda max terlebih dahulu
λ maks = ((total_per_elemen_kriteria*rata-rata_per_elemen_kriteria)+.......................)
7. nilai n = banyaknya jumlah elemen kriteria
8. mencari nilai Ci = (λ maks - n)/(n-1)
9. mencari nilai Cr = Ci/IR, jika Cr ≥ 0,1 maka dinyatakan tidak konsisten dan harus dihitung ulang
10. ulangi langkah 1-9 untuk bagian alternatif(A)
11. terakhir adalah perankingan, nilai ranking = ((rata-rata_per_kriteria*rata-rata_alternatif_per_kriteria)+..................................)
12. lalu diurutkan dari nilai ranking tertinggi ke nilai ranking terendah
5. CONTOH PENGGUNAAN METODE AHP PADA PENENTUAN
MAHASISWA YANG PALING LAYAK MENDAPATKAN BEASISWA
setelah dilakukan angket, pihak yang kompeten dibidangnya memberikan angka bobot pada kriteria
seperti dibawah ini :
6. Angka yang didapat tadi lalu disusun kedalam table seperti berikut :
Jika matriks perbandingan perbandingan sudah didapat lalu di- normalisasi
7. Jumlah didapat dari menjumlahkan kolom kriteria
Rata2 didapat dari (jumlah/3), dibagi 3 karena kriterianya ada 3
Jika jumlah rata2 = 1 atau 0,9 maka bisa dianggap akurat
tapi jika >1 maka bisa dipastikan ada yang salah
dan jika < 0,9 sebaiknya dihitung lagi krn dikhawatirkan hasil akhirnya akan salah
8. Uji konsistensi dengan cara :
Nilai n = jumlah elemen kriteria = 3
λ maks = (jumlah_baris_ipk*rata_kolom_ipk)+(jumlah_baris_ekonomi*rata_kolom_ekonomi)+(jumlah_baris_keaktifan*rata_kolom_keaktifan)
λ maks = (7*0.142857)+(2.333333*0.428571)+(2.333333*0.428571) = 3.0
Ci = (λ maks - n)/(n-1) = (3-3)/(3-1) = 0
Cr = Ci/IR = 0/0.58 = 0
Jika nilai Cr ≠ ≥ 0.1 maka bisa dianggap konsisten
10. Jumlah didapat dari menjumlahkan kolom kriteria
Rata2 didapat dari (jumlah/3), dibagi 3 karena kriterianya ada 3
Jika jumlah rata2 = 1 atau 0,9 maka bisa dianggap akurat
tapi >1 maka bisa dipastikan ada yang salah
dan jika < 0,9 sebaiknya dihitung lagi krn dikhawatirkan hasil akhirnya akan salah
11. Uji konsistensi dengan cara :
Nilai n = jumlah elemen kriteria = 3
λ maks = (jumlah_baris_budi*rata_kolom_budi)+(jumlah_baris_lutfi*rata_kolom_lutfi)+(jumlah_baris_indah*rata_kolom_indah)
λ maks = (4.333333*0.236447)+(1.458333*0.681563)+(12*0.08199) = 3.002432
Ci = (λ maks - n)/(n-1) = (3.002432 - 3)/(3-1) = 0.001216
Cr = Ci/IR = 0.001216/0.58 = 0.002096
Jika nilai Cr ≠ ≥ 0.1 maka bisa dianggap konsisten
13. Jumlah didapat dari menjumlahkan kolom kriteria
Rata2 didapat dari (jumlah/3), dibagi 3 karena kriterianya ada 3
Jika jumlah rata2 = 1 atau 0,9 maka bisa dianggap akurat
tapi >1 maka bisa dipastikan ada yang salah
dan jika < 0,9 sebaiknya dihitung lagi krn dikhawatirkan hasil akhirnya akan salah
14. Uji konsistensi dengan cara :
Nilai n = jumlah elemen kriteria = 3
λ maks = (jumlah_baris_budi*rata_kolom_budi)+(jumlah_baris_lutfi*rata_kolom_lutfi)+(jumlah_baris_indah*rata_kolom_indah)
λ maks = (11*0.088202)+(4.333333*0.243101)+(1.47619*0.668697) = 3.010785
Ci = (λ maks - n)/(n-1) = (3.010785 - 3)/(3-1) = 0.005392
Cr = Ci/IR = 0.005392/0.58 = 0.009297
Jika nilai Cr ≠ ≥ 0.1 maka bisa dianggap konsisten
16. Jumlah didapat dari menjumlahkan kolom kriteria
Rata2 didapat dari (jumlah/3), dibagi 3 karena kriterianya ada 3
Jika jumlah rata2 = 1 atau 0,9 maka bisa dianggap akurat
tapi >1 maka bisa dipastikan ada yang salah
dan jika < 0,9 sebaiknya dihitung lagi krn dikhawatirkan hasil akhirnya akan salah
17. Uji konsistensi dengan cara :
Nilai n = jumlah elemen kriteria = 3
λ maks = (jumlah_baris_budi*rata_kolom_budi)+(jumlah_baris_lutfi*rata_kolom_lutfi)+(jumlah_baris_indah*rata_kolom_indah)
λ maks = (12*0.082404)+(3.25*0.315124)+(1.642857*0.602471) = 3.00278
Ci = (λ maks - n)/(n-1) = (3.00278 - 3)/(3-1) = 0.00139
Cr = Ci/IR = 0.00139/0.58 = 0.002397
Jika nilai Cr ≠ ≥ 0.1 maka bisa dianggap konsisten
18. PERANGKINGAN
Nilai peringkat didapat dari nilai rata2 per kriteria dikali rata2 per alternatif pada
table normalisasi. misal : nilai peringkat budi adalah 0.106895169 didapat dari
Setelah semua nilai peringkat telah didapat lalu diranking dari nilai terbesar ke
terkecil.
