METODE SAW DALAM SISTEM PENDUKUNG KEPUTUSAN DAN KASUS PENERAPANNYA

1. Pengertian dan Konsep

Metode dalam Sistem Pendukung Keputusan salah satunya bisa menggunakan metodeSAW ( Simple Additive Weighting Method ), metode ini dikenal sebagai metode penjumlahan terbobot.

• Metode ini memiliki konsep dasar dalam mencari penjumlahan terbobot dari rating kinerja pada setiap  alternatif dari semua atribut.
• Metode SAW membutuhkan proses normalisasi matriks keputusan (X) kesuatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.
• Formula untuk melakukan normalisasi tersebut adalah sebagai berikut:
  
  
  
• dengan rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj;
  i=1,2,...,m dan j=1,2,...,n.
• Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai berikut
  
• Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih

2. 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 masin 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 :

1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan,yaitu Ci.
2. Menentukan rating kecocokan setiap alternative pada setiap kriteria.
3. 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.
4. 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 :

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

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

Ya seperti itulah untuk metode SAW dalam sistem pendukung keputusan, untuk implementasinya kdelam program akan di bahas di artikel berikutnya.

Sekian dan terima kasih.......