Multi-Attribute Decision Making

Transkripsi

1 Materi Kuliah [05] SPK & Business Intelligence Multi-Attribute Decision Making Dr. Sri Kusumadewi Lizda Iswari Magister Teknik Informatika Program Pascasarjana Fakultas Teknologi Industri Universitas Islam Indonesia

2 Kompetensi Dasar Mahasiswa dapat menyelesaikan masalah pengambilan keputusan dengan metode-metode pada model MADM. Mahasiswa dapat membedakan karakteristik permasalahan yang diselesaikan dengan metode-metode pada model MADM. 2 4/27/2016 2

3 Referensi Utama Turban E, Aronson JE, Liang Ting- Peng. (2005). Decision Support Systems and Intelligent Systems. International Edition, Edisi 7. New Jersey: Pearson Prentice-Hall Education International. Kusumadewi S, Hartati S, Retantyo W & Harjoko A. (2006). Fuzzy Multi- Attribute Decision Making. Yogyakarta: Graha Ilmu. 3

4 Definisi Multi-Attribute Decision Making (MADM) Secara umum, model Multi-Attribute Decision Making (MADM) dapat didefinisikan sebagai berikut (Zimermann, 1991): Misalkan A = {a i i = 1,...,n} adalah himpunan alternatif keputusan, C = {c j j = 1,..., m} adalah himpunan tujuan (atribut) yang diharapkan, Akan ditentukan alternatif a i yang memiliki derajat harapan tertinggi terhadap tujuan tujuan yang relevan c j. 4

5 Fitur MADM Janko (2005) memberikan batasan tentang adanya beberapa fitur umum digunakan dalam MADM, yaitu: Alternatif Kriteria/atribut Konflik Antar Kriteria (jenis kriteria) Bobot Keputusan Matriks Keputusan 5

6 Penjelasan Fitur MADM Alternatif, adalah obyek-obyek yang berbeda dan memiliki kesempatan yang sama untuk dipilih oleh pengambil keputusan. Kriteria (dikenal juga sbg karakteristik, komponen, atau atribut), kebanyakan kriteria bersifat satu level, namun tidak menutup kemungkinan adanya sub kriteria yang berhubungan dengan kriteria yang telah diberikan. 6

7 Penjelasan Fitur MADM Jenis kriteria, terbagi 2 yaitu: Kriteria keuntungan (benefit) adalah kriteria yang nilainya akan dimaksimumkan, misal: laba, IPK (untuk kasus pemilihan mahasiswa berprestasi), dll. Kriteria biaya (cost) adalah kriteria yang nilainya akan diminimumkan, misal: harga produk yang akan dibeli, biaya produksi, dll. 7

8 Penjelasan Fitur MADM Bobot keputusan, bobot keputusan menunjukkan kepentingan relatif dari setiap kriteria, W = (w 1, w 2,..., w n ). Pada MADM akan dicari bobot kepentingan dari setiap kriteria. Matriks keputusan, suatu matriks keputusan X yang berukuran m x n, berisi elemen-elemen x ij, yang merepresentasikan rating dari alternatif A i (i=1,2,...,m) terhadap kriteria C j (j=1,2,...,n). 8

9 Konsep Dasar MADM Masalah MADM adalah mengevaluasi m alternatif A i (i=1,2,...,m) terhadap sekumpulan atribut atau kriteria C j (j=1,2,...,n), dimana setiap atribut saling tidak bergantung satu dengan yang lainnya. Pada MADM, matriks keputusan setiap alternatif terhadap setiap kriteria, X, diberikan sebagai: X x x x m1 x x x m2 dengan x ij merupakan rating kinerja alternatif ke-i terhadap kriteria ke-j. x x x 1n 2n mn 9

10 Konsep Dasar MADM Bobot keputusan, nilai yang menunjukkan tingkat kepentingan relatif setiap kriteria, diberikan sebagai, W: W = {w 1, w 2,..., w n } Rating kinerja (X), dan nilai bobot (W) merupakan nilai utama yang merepresentasikan preferensi absolut dari pengambil keputusan. Masalah MADM diakhiri dengan proses perankingan untuk mendapatkan alternatif terbaik yang diperoleh berdasarkan nilai keseluruhan preferensi yang diberikan (Yeh, 2002). Pada MADM, umumnya akan dicari solusi ideal, yaitu: memaksimumkan semua kriteria keuntungan dan meminimumkan semua kriteria biaya. 10

11 Bagan Solusi MADM Masalah Kriteria-1 (C 1 ) Kriteria-2 (C 2 )... Kriteria-m (C m ) Alternatif-1 (A 1 ) Alternatif-2 (A 2 )... Alternatif-n (A n ) 11

12 Metode MADM Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah MADM, antara lain: a. Simple Additive Weighting (SAW) b. Weighted Product (WP) c. TOPSIS d. Analytic Hierarchy Process (AHP) 12

13 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. 13

14 Simple Additive Weighting (SAW) Formula untuk melakukan normalisasi tersebut adalah sebagai berikut: r ij x ij Maxx i Minx i x ij ij ij jika jika j adalah atribut keuntungan j adalah atribut biaya (cost) (benefit) dengan r ij adalah rating kinerja ternormalisasi dari alternatif A i pada atribut C j ; i=1,2,...,m dan j=1,2,...,n. 14

15 Simple Additive Weighting (SAW) Nilai preferensi untuk setiap alternatif (V i ) diberikan sebagai: V i n j1 w j r ij Nilai V i yang lebih besar mengindikasikan bahwa alternatif A i lebih terpilih. 15

16 Tahapan Penyelesaian SAW 1. Tentukan kriteria keputusan. 2. Tentukan bobot tiap kriteria. 3. Tentukan alternatif beserta nilainya untuk tiap kriteria. 4. Buat matriks keputusan. 5. Normalisasi matriks keputusan. 6. Hitung nilai preferensi (V) untuk setiap alternatif. 7. Urutkan nilai V dan V yang terbesar merupakan rekomendasi keputusan. 16

17 Contoh-1 SAW 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 17

18 Contoh-1 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. 18

19 Contoh-1 SAW Tabel nilai alternatif di setiap kriteria (matriks keputusan): Kriteria Alternatif C1 C2 C3 C4 Indra Roni Putri Dani Ratna Mira

20 Contoh-1 SAW Normalisasi: r 11 max 70 70;50;85;82;75; ,82 r 21 max 50 70;50;85;82;75; ,59 r 12 max 50 50;60;55;70;75; ,67 dst r 22 max 60 50;60;55;70;75; ,80 20

21 Contoh-1 SAW Hasil normalisasi: 0,94 0,88 0,67 0,73 0, ,88 1 0,76 0,93 0,96 0,88 0,94 0,73 1 0,82 0,96 0,80 0,59 0,71 0,94 0,67 0,82 R 21

22 Contoh-1 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: V 1 (0,35)(0,82) (0,25)(0,67) (0,25)(0,94) (0,15)(0,71) 0,796 V 2 (0,35)(0,59) (0,25)(0,80) (0,25)(0,96) (0,15)(0,82) 0,770 V 3 (0,35)(1,00) (0,25)(0,73) (0,25)(0,94) (0,15)(0,88) 0,900 V 4 (0,35)(0,96) (0,25)(0,93) (0,25)(0,76) (0,15)(1,00) 0,909 V 5 (0,35)(0,88) (0,25)(1,00) (0,25)(1,00) (0,15)(0,87) 0,939 V 6 (0,35)(0,73) (0,25)(0,67) (0,25)(0,88) (0,15)(0,94) 0,784 22

23 Contoh-1 SAW Nilai terbesar ada pada V 5 sehingga alternatif A 5 adalah alternatif yang terpilih sebagai alternatif terbaik. Dengan kata lain, Ratna akan terpilih sebagai kepala unit sistem informasi. 23

24 Contoh-2 SAW 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. 24

25 Contoh-2 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. 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. 25

26 Contoh-2 SAW 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. C5 = Ketersediaan atau kemudahan, merupakan ketersediaan barang di pasaran. Ketersediaan diberi nilai: 1 = sulit diperoleh, 2 = cukup mudah diperoleh; dan 3 = sangat mudah diperoleh. Pengambil keputusan memberikan bobot untuk setiap kriteria sebagai berikut: C1 = 25%; C2 = 15%; C3 = 30%; C4 = 25; dan C5 = 5%. 26

27 Contoh-2 SAW Dari seluruh kriteria ditentukan: kriteria pertama dan keempat merupakan kriteria biaya. Sedangkan kriteria kedua, ketiga, dan kelima merupakan kriteria keuntungan. 27

28 Contoh-2 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. 28

29 Contoh-2 SAW Nilai setiap alternatif pada setiap kriteria: Kriteria Alternatif C1 (juta Rp) C2 (%) C3 C4 C5 A A A A

30 Normalisasi: r 11 r min Contoh-2 SAW 150;500;200; max 15;200;10; r max 3 2;2;3; ,075 r 14 min{2;3;1;1} ,5 dst 30

31 Hasil normalisasi: Contoh-2 SAW R 1 0,30 0,75 0,43 0,08 1 0,05 0,50 0,67 0, ,50 0, ,67 1 0,67 31

32 Contoh-2 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: (0,25)(1) (0,15)(0,08) (0,3)(0,67) (0,25)(0,5) (0,05)(1) V 1 V 2 V 3 V 4 0,638 (0,25)(0,3) (0,15)(1) (0,3)(0,67) (0,25)(0,33) (0,05)(0,67) 0,542 (0,25)(0,75) (0,15)(0,05) (0,3)(1) (0,25)(1) (0,05)(1) 0,795 (0,25)(0,43) (0,15)(0,5) (0,3)(1) (0,25)(1) (0,05)(0,67) 0,766 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 32

33 Weighted Product (WP) Metode Weighted Product (WP) menggunakan perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot atribut yang bersangkutan. Proses ini sama halnya dengan proses normalisasi. 33

34 Weighted Product (WP) Preferensi untuk alternatif A i diberikan sebagai berikut: S i n j1 x w ij j dengan i=1,2,...,m; dimana w j = 1. w j adalah pangkat bernilai positif untuk atribut keuntungan, dan bernilai negatif untuk atribut biaya. 34

35 Contoh: Weighted Product (WP) 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. 35

36 Weighted Product (WP) 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). 36

37 Weighted Product (WP) 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) 37

38 Weighted Product (WP) Nilai setiap alternatif di setiap kriteria: Alternatif Kriteria C 1 C 2 C 3 C 4 C 5 A 1 0, A 2 0, A 3 0,

39 Weighted Product (WP) Kategori setiap kriteria: Kriteria C2 (kepadatan penduduk di sekitar lokasi) dan C4 (jarak dengan gudang yang sudah ada) adalah kriteria keuntungan; Kriteria C1 (jarak dengan pasar terdekat), C3 (jarak dari pabrik), dan C5 (harga tanah untuk lokasi) adalah kriteria biaya. Sebelumnya dilakukan perbaikan bobot terlebih dahulu seperti sehingga w = 1, diperoleh w 1 = 0,28; w 2 = 0,17; w 3 = 0,22; w 4 = 0,22; dan w 5 = 0,11. 39

40 Weighted Product (WP) Kemudian vektor S dapat dihitung sebagai berikut: S S S 0,28 0,17 0,22 0,22 0, , , ,28 0,17 0,22 0,22 0, , , ,28 0,17 0,22 0,22 0, , ,

41 Weighted Product (WP) Nilai vektor V yang akan digunakan untuk perankingan dapat dihitung sebagai berikut: V 1 V 2 V 3 2,4187 2,4187 2,4270 1,7462 0,3669 2,4270 0,3682 2,4187 2,4270 1,7462 1,7462 0,2649 2,4187 2,4270 1,7462 Nilai terbesar ada pada V2 sehingga alternatif A2 adalah alternatif yang terpilih sebagai alternatif terbaik. Dengan kata lain, Kalasan akan terpilih sebagai lokasi untuk mendirikan gudang baru. 41

42 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. 42

43 TOPSIS Langkah-langkah penyelesaian masalah MADM 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. 43

44 TOPSIS TOPSIS membutuhkan rating kinerja setiap alternatif A i pada setiap kriteria C j yang ternormalisasi, yaitu: r ij x m i1 ij x 2 ij 44

45 TOPSIS Solusi ideal positif A + dan solusi ideal negatif A - dapat ditentukan berdasarkan rating bobot ternormalisasi (y ij ) sebagai: y w ij i r ij A A y, y,, y ; 1 2 y, y,, y ; 1 2 n n 45

46 TOPSIS dengan y j max i min i y y ij ij ; ; jika jika j j adalah atribut keuntungan adalah atribut biaya y j min i max i y y ij ij ; ; jika jika j j adalah atribut keuntungan adalah atribut biaya 46

47 Jarak antara alternatif A i dengan solusi ideal positif dirumuskan sebagai: D i n j1 2 y y ; j TOPSIS ij Jarak antara alternatif A i dengan solusi ideal negatif dirumuskan sebagai: D i n j1 2 y y ; ij j 47

48 TOPSIS Nilai preferensi untuk setiap alternatif (V i ) diberikan sebagai: V i D i D i D i ; Nilai V i yang lebih besar menunjukkan bahwa alternatif A i lebih dipilih 48

49 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 49

50 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). 50

51 TOPSIS Kategori setiap kriteria: Kriteria C2 (kepadatan penduduk di sekitar lokasi) dan C4 (jarak dengan gudang yang sudah ada) adalah kriteria keuntungan; Kriteria C1 (jarak dengan pasar terdekat), C3 (jarak dari pabrik), dan C5 (harga tanah untuk lokasi) adalah kriteria biaya. 51

52 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) 52

53 TOPSIS Nilai setiap alternatif di setiap kriteria: Alternatif Kriteria C 1 C 2 C 3 C 4 C 5 A 1 0, A 2 0, A 3 0,

54 TOPSIS Matriks ternormalisasi, R: 0,5888 0,6186 0,4077 0,6852 R 0,3925 0,4640 0,4530 0,5482 0,7066 0,6341 0,7928 0,4796 Matriks ternormalisasi terbobot, Y: 0,4784 0,4305 0,7654 Y 2,9440 1,9627 3,5328 1,8558 1,3919 1,9022 1,6309 1,8121 3,1712 2,7408 2,1926 1,9185 0,9567 0,8611 1,

55 TOPSIS Solusi Ideal Positif (A + ): y 1 y 2 y 3 y 4 y 5 min max min max min 2,9440; 1,9627; 3,5328 1, ,8558; 1,3919; 1,9022 1, ,6309; 1,8121; 3,1712 1, ,7408; 2,1926; 1,9185 2, ,9567; 0,8611; 1,5308 0, 8611 A 1,9627; 1,9022; 1,6309; 2,7408; 0,

56 TOPSIS Solusi Ideal Negatif (A - ): 2,9440;1,9627; 3,5328 3, ,8558; 1,3919; 1,9022 1, ,6309; 1,8121; 3,1712 3, ,7408; 2,1926; 1,9185 1, ,9567; 0,8611; 1,5308 1, 5308 y1 max y 2 y 3 y 4 y 5 min max min max A 3,5328;1,3919; 3,1712;1,9185;1,

57 TOPSIS Jarak antara nilai terbobot setiap alternatif terhadap solusi ideal positif, : D 1 0,9871 D 2 0, 7706 D 3 2, 4418 S i Jarak antara nilai terbobot setiap alternatif terhadap solusi ideal negatif, S i : D 1 1,9849 D 2 2, 1991 D 3 0,

58 TOPSIS Kedekatan setiap alternatif terhadap solusi ideal dihitung sebagai berikut: V 1 V 2 V 3 1,9849 0,6679 0,98711,9849 2,1991 0,7405 0,7706 2,1991 0,5104 2,4418 0,5104 0,1729 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. 58