BAB 4 Hasil dan Pembahasan

BAB 4 Hasil dan Pembahasan 4.1. Spesifikasi Sistem Dalam pengerjaan program aplikasi ini, penulis menggunakan jenis hardware dan software sebagai berikut : 4.1.1. Hardware Dalam perancangan program aplikasi ini, penulis menggunakan komputer dan sistem operasi dengan spesifikasi sebagai berikut : 1. Processor : Intel(R) Core(TM) i3 237M CPU @ 2.4GHz 2.4 GHz 2. Memory : 6, GB (5,89 GB usable) 3. Sistem Operasi : Windows 7 Ultimate Service Pack 1 4.1.2. Software Adapun perangkat lunak yang digunakan sebagai berikut 1. Xampp 2. Notepad++ 3. Browser 4.2. Cara Penggunaan Program Pada sub bab ini akan dijelaskan bagaimana cara menggunakan program yang telah dibuat, penjelasan setiap menu serta validasi dan ketentuan yang ada. 4.2.1. Menu Home Pada saat program pertama kali dijalankan maka akan muncul tampilan menu awal yang berisi data penulis dan salam dari penulis. Seperti terlihat pada gambar di bawah ini : 49

5 Gambar 4.1. Contoh Screenshot program menu home Menu Home ini berisi tentang data-data dari penulis skripsi. Ini hanya berisi tentang kalimat pembuka dari program ini. 4.2.2. Menu Kriteria Pada menu kriteria terdapat inputan jenis kriteria, nilai bobot dari kriteria, dan input nama kriterianya. setelah itu menyimpan data dan memunculan tabel kriterianya. inputan kriteria bernilai maksimum 1. Seperti terlihat pada gambar di bawah ini : Gambar 4.2. Contoh Screenshot program menu kriteria

51 Pada menu kriteria, pertama kita memilih jenis kriteria, jenis kriteria berisi dua buah pilihan yaitu jenis biaya (untuk minimalisir) atau keuntungan (untuk maksimal), ini mempengaruhi proses perhitungan setiap data awal alternatif untuk proses pembebasan dimensi atau yang kita sebut normalisasi sehingga dapat dihitung proses perangkingan. Setelah itu kita akan memasukkan nilai bobot kriteria yang memiliki batasan nilaidari hingga 1, disini si pengguna program yang memilki kuasa untuk menentukan berapa besar kriteria tersebut mempengaruhi keputusan. Ketika batasan sudah mencapai angka 1, baru tabel alternatif bisa kita isi. Menu terakhir dari kriteria adalah memasukan nama kriterianya, lalu kita tekan tombol tambah dan data tersebut akan disimpan dalam session, kemudian akan ditampilkan di tabel data kriteria. 4.2.3 Menu Alternatif Pada layar alternatif ini terdapat inputan nama alternatif lalu tekan tombol tambah, dan akan muncul inputan baru yaitu mengisi nilai alternatif dari setiap nilai kriteria yang sebelumnya telah kita input diawal. Pada saat kita ingin meng-input data alternatif pastikan dahulu nilai bobot pada menu kriteria telah mencapai angka 1, atau tidak akan bisa input alternatif. Seperti terlihat pada gambar di bawah ini :

52 Gambar 4.3. Contoh Screenshot program menu alternatif Pada menu alternatif berisi tentang masukkan nama alternatif kemudia kita tekan tombol tambah, akan memunculkan field-field untuk memasukkan nilai kriteria dari alternatif tersebut. Jika terdapat 3 alternatif dia akan memunculkan 3 field yang berisi inputan nilai dari alternatif tersebut. setelah itu kita tekan tombol simpan data untuk menyimpan data dan memunculkan data di tabel data alternatif. 4.2.4 Menu Tabel Awal Pada layar menu tabel awal, disini terdapat data tabel nilai awal yang berisi inputan kriteria dan alternatif yang sebelumnya. Data tabel awal ini yang akan diproses untuk mendapatkan perankingan terbaik. Setelah tabel awal ini ada tombol normalisasi untuk mendapatkan hasil vektor S dan vektor V setiap metode. Hasilnya dalam bentuk tabel yang sudah diurutkan rankingnya berdasarkan nilai vektor v terbesarnya. Pada awalnya, layar menu tabel awal kita harus menekan tombol get wp score, untuk memperbaiki nilai pembobotan kriteria untuk metode Weighted Product. ini dilakukan hanya pada proses perhitungan metode WP.

53 Setelah itu kita akan mengklik tombol normalisasi, proses yang terjadi disini adalah proses pembebasan dimensi atau yang kita sebut normalisasi, dari setiap data awal agar dapat dilakukan perhitungan perkalian dari setiap data awal. Proses perhitungan ini akan menghasilkan data pada vektor S. Setelah data awal sudah bebas dimensi seperti yang terlihatt datanya pada tabel vektor S, kita akan melakukan proses perhitungan perangkingan. Data yang telah diproses, akan diinput kedalam tabel vektor V, yang langsung diurutkan berdasarkan nilai vektor V tertinggi hingga terendah. Dibawah ini terdapat contoh tangkapan layar dari menu tabel awal yang berisi kasus awal hingga mendapatkan hasil : Gambar 4.4.. Contoh Screenshot program menu hasil (Kasus Awal)

54 Gambar 4.5. Contoh Screenshot program menu hasil (metode WP)

55 Gambar 4.6. Contoh Screenshot program menu hasil (metode SAW)

56 Hasil program pengambilan keputusan dari masalah yang ada menunjukan bahwa dengan metode Weighted Product atau Simple Additive Weight memiliki perbedaan untuk perangkingan alternatif tersebut. Bisa kita lihat pada hasil tersebut hanya alternatif rangking 1 dan alternatif rangking terakhir saja yang memiliki persamaan. Untuk rangking 1, kita akan memilih jenis pati yang optimal dari singkong Darul Hidayah. Untuk rangking terakhir atau 14 kita akan memilih jenis pati yang paling tidak optimal yaitu Adira-4. Menurut berbagai sumber proses metode Simple Additive Weighting adalah yang terbaik, karena terdapat proses pembebasan dimensi awal pada data sehingga dapat dilakukan perkalian silang dan penjumlahan dari setiap nilai kriteria pada alternatif - alternatif yang ada. 4.3. Hasil dan Pembahasan dari Perhitungan secara Manual. Disini penulis akan membandingkan hasil analisis kasus tersebut menggunakan metode Weighted product (WP) dan Simple Additive Weighting (SAW) secara manual. 4.3.1. Hasil dan Pembahasan Metode Weighted Product Disini Penulis mempunyai contoh kasus yang sama yang telah dikerjakan oleh program. Penulis akan melihat apakah ada data yang berbeda antara penulisan secara manual dan program. Seorang pengusaha akan memilih jenis ubikayu yang akan ditanam sebagai bahan baku industri edible filmnya. kriteria yang ditanam mengharuskan kadar pati yang terbanyak untuk bahan baku edible filmnya. Si pengusaha tersebut memiliki beberapa kriteria ketentuan dalam memilih jenis ubikayu itu, seperti usia panen yang singkat, hasil panen yang berlimpah dan memiliki kadar pati yang tinggi. terdapat 3 kriteria yang akan digunakan untuk melakukan penilaian, yaitu : C 1 = Usia Panen (bulan) Cost C 2 = Hasil Panen (ton / ha) Benefit C 3 = Kadar Pati (%) Benefit

57 Pemberi Keputusan akan memberikan bobot kriteria sebagai berikut : C 1 = 2%, C 2 = 35%, C 3 = 45% Tabel 4.1. Tabel dari nilai bobot kriteria. Nilai Bobot Keterangan Bobot Kriteria 1 45% Sangat Penting Tertinggi 9 4% Lebih Penting 8 35% Penting 7 3% Lumayan Penting 6 25% Cukup Penting 5 2% Agak Penting 4 15% Kurang penting 3 1% Mungkin Penting 2 5% Mungkin Tidak Penting 1 % Tidak penting Terendah Terdapat 14 jenis alternatif yang akan dipilih, tabel awal nya : Tabel 4.2. Tabel awal contoh kasus No. Varietas Umur (Bulan) Potensi Hasil (Ton/Ha) Kadar Pati (%) 1. Adira-1 7-1 22 45% 2. Adira-2 8-12 21 41% 3. Adira-4 1,5-11,5 35 18%-22% 4. Malang-1 9-1 36,5 32%-36% 5. Malang-2 8-1 31,5 32%-36% 6. Malang-4 9 39,7 25%-32% 7. Malang-6 9 36,41 25%-32% 8. Darul Hidayah 8-1 12,1 25%-31,52% 9. UJ-3 8-1 2-35 2%-27% 1. UJ-5 8-1 25-38 19%-3% 11. Muara 7-1 2-3 26,9% 12. SPP 1-11 2-3 35,4% 13. Valenca 7-1 15-2 33,1% 14. Bogor 8-1 2-3 3,9%

58 Pada kasus ini kita akan mengambil nilai yang terbesar dan terkecil dikarenakan kita akan mencari yang terbaik (kriteria keuntungan dan biaya),seperti tabel dibawah ini : Tabel 4.3. Tabel awal yang telah disortir berdasarkan jenis kriterianya. Jenis Kriteria Biaya Keuntungan Keuntungan Bobot Kriteria,2,35,45 No. Varietas Kriteria Umur Potensi Hasil (Ton/Ha) Kadar Pati (%) (Bulan) 1. Adira-1 7 22 45% 2. Adira-2 8 21 41% 3. Adira-4 1,5 35 22% 4. Malang-1 9 36,5 36% 5. Malang-2 8 31,5 36% 6. Malang-4 9 39,7 32% 7. Malang-6 9 36,41 32% 8. Darul Hidayah 8 12,1 31,52% 9. UJ-3 8 35 27% 1. UJ-5 8 38 3% 11. Muara 7 3 26,9% 12. SPP 1 3 35,4% 13. Valenca 7 2 33,1% 14. Bogor 8 3 3,9% Cara pengerjaan : pertama kita akan melakukan perbaikan bobot kriteria terlebih dahulu,yaitu : nilai bobot total (W) berdasarkan tabel 4.1 = 5 + 8 + 1 = 23. Perbaikan bobot = 5 C 5 8 1 5,217 23 8 C 5 8 1 8,348 23 1 1 C,435 5 8 1 23

59 kemudian akan dihitung vektor S nya. dengan rumus : S i = X ; dengan i = 1,2,...,m S 1 = (7 -,217 ) (22,348 ) (,45,435 ) = 1,358 S 2 = (8 -,217 ) (21,348 ) (,41,435 ) = 1,246 S 3 = (1,5 -,217 ) (35,348 ) (,22,435 ) = 1,71 S 4 = (9 -,217 ) (36,5,348 ) (,36,435 ) = 1,392 S 5 = (8 -,217 ) (31,5,348 ) (,36,435 ) = 1,357 S 6 = (9 -,217 ) (37,348 ) (,32,435 ) = 1,329 S 7 = (9 -,217 ) (36,41,348 ) (,32,435 ) = 1,321 S 8 = (8 -,217 ) (12,1,348 ) (,3152,435 ) = 1,928 S 9 = (8 -,217 ) (35,348 ) (,27,435 ) = 1,242 S 1 = (8 -,217 ) (38,348 ) (,3,435 ) = 1,338 S 11 = (7 -,217 ) (3,348 ) (, 269,435 ) = 1,29 S 12 = (1 -,217 ) (3,348 ) (,354,435 ) = 1,261 S 13 = (7 -,217 ) (2,348 ) (,331,435 ) = 1,149 S 14 = (8 -,217 ) (3,348 ) (,39,435 ) = 1,248 Nilai Vektor V yang akan digunakan untuk perankingan dapat dihitung berdasarkan persamaan : V n j 1 X W j ij n j 1 X ij W j ; dengan i = 1, 2,..., m Kita akan mencari nilai pembagi dulu, yaitu dengan penjumlahan dari keseluruhan data ada vektor S. yaitu X = 1,358 + 1,246 + 1,71 + 1,392 + 1,357 + 1,329 + 1,321 + 1,928 + 1,242 + 1338 + 1,29 + 1,261 + 1,149 + 1,248 = Lalu mencari nilai Vektor V dari setiap alternatif : V 1,358,74 V 1,246,68 V 1,71,58

6 V 1,392,75 V 1,357,74 V 1,329,72 V 1,321,72 V 1,928,15 V 1,242,67 V 1,338,73 V 1,29,66 V 1,261,68 V 1,149,62 V 1,248,68 Hasil perangkingannya akan disajikan dalam bentuk tabel di bawah ini : Tabel 4.4. Tabel Hasil Metode WP No. Varietas Nilai Vektor V Ranking 1. Adira-1,74 3 2. Adira-2,68 8 3. Adira-4,58 14 4. Malang-1,75 2 5. Malang-2,74 3 6. Malang-4,72 6 7. Malang-6,72 6 8. Darul Hidayah,15 1 9. UJ-3,67 11

61 1. UJ-5,73 5 11. Muara,66 12 12. SPP,68 8 13. Valenca,62 13 14. Bogor,68 8 Urutan rangkingnya akan digambarkan dalam diagram batang dibawah ini :.12 Hasil Metode WP.1.8.6.4 Hasil Metode WP.2 Gambar 4.7. Gambar Diagram Batang Hasil metode WP 4.3.2. Hasil dan Pembahasan Metode Simple Additive Weighting (SAW) Metode ini merupakan metode yang paling dikenal dan paling banyak digunakan orang dalam menghadapi situasi Multi Attribute Decision Making. Metode ini mengharuskan pembuat keputusan menentukan bobot bagi setiap kriteria. Skor total untuk sebuah alternatif diperoleh dengan menjumlahkan seluruh hasil perkalian antara rating (yang dapat dibandingkan lintas kriteria) dan bobot tiap kriteria. rating tiap kriteria haruslah bebas dimensi dalam arti telah melewati proses normalisasi sebelumnya.

62 Tahapan yang dilakukan dalam metode SAW adalah : 1. perbandingan lintas kriteria sehinga penilaian tersebut harus tidak berdimensi dengan jalan melakukan normalisasi linier. 2. dilakukan perkalian di antara bobot tiap kriteria dengan hasil penilaian bebas dimensi tersebut. 3. hasil perkalian tersebut dijumlahkan untuk tiap alternatif. 4. dipilih nilai alternatif yang memiliki nilai total perkalian terbesar sebagai alternatif terbaik. contoh kasus : Seorang pengusaha akan memilih jenis ubikayu yang akan ditanam sebagai bahan baku industri edible filmnya. Kriteria yang ditanam mengharuskan kadar pati yang terbanyak untuk bahan baku edible filmnya. Si pengusaha tersebut memiliki beberapa kriteria ketentuan dalam memilih jenis ubikayu itu, seperti usia panen yang singkat, hasil panen yang berlimpah dan memiliki kadar pati yang tinggi. Tabel 4.5. Tabel awal yang berisi data alternatif dan kriteria. Jenis Kriteria Biaya Keuntungan Keuntungan Bobot Kriteria,2,35,45 No. Varietas Kriteria Umur Potensi Hasil (Ton/Ha) Kadar Pati (%) (Bulan) 1. Adira-1 7 22 45% 2. Adira-2 8 21 41% 3. Adira-4 11 35 22% 4. Malang-1 9 36,5 36% 5. Malang-2 8 31,5 36% 6. Malang-4 9 39,7 32% 7. Malang-6 9 36,41 32% 8. Darul Hidayah 8 12,1 31,52% 9. UJ-3 8 35 27% 1. UJ-5 8 38 3% 11. Muara 7 3 26,9%

63 12. SPP 1 3 35,4% 13. Valenca 7 2 33,1% 14. Bogor 8 3 3,9%. Ada 3 kriteria yang akan digunakan untuk melakukan penilaian, yaitu : C 1 = Usia Panen (bulan) Cost C 2 = Hasil Panen (ton / ha) Benefit C 3 = Kadar Pati (%) Benefit Pemberi Keputusan akan memberikan bobot kriteria diawal sebagai berikut : C 1 = 2%, C 2 = 35%, C 3 = 45% Tabel 4.6. Tabel kode, ketentuan kriteria, tipenya dan nilai bobot. Kode Kriteria Ketentuan kriteria Tipe Kriteria Bobot C 1 Usia panen Biaya,2 C 2 Hasil panen Keuntungan,35 C 3 Kadar pati Keuntungan,45 Dari masing-masing kriteria tersebut, akan ditentukan bobot-bobotnya. Pada bobot terdiri dari empat bilangan fuzzy karena sesuai dengan rumusnya yaitu n+1, dimana n adalah banyak bilangan, yaitu penting (P), cukup penting (CP), kurang penting (KP) dan tidak penting (TP). Tabelnya seperti ini: Tabel 4.7. Tabel fuzzy dari 4 kriteria. Kriteria Bobot (Nilai) Tidak Penting (TP) Variabel ke / (4-1) = Kurang Penting (KP) Variabel ke 1 / (4-1) =,333 Cukup Penting (CP) Variabel ke 2 / (4-1) =,666 Penting (P) Variabel ke 3 / (4-1) = 1 Nilai bobot tersebut dibuat dalam sebuah diagram batang supaya lebih jelas, seperti di bawah ini :

64 1.2 Nilai bobot dari Kriteria 1.8.6 Nilai bobot dari Kriteria.4.2 Kurang Penting Cukup Penting Penting Gambar 4.8. Gambar Diagram Batang Fuzzy dari 3 Data Kriteria. Dibawah ini adalah bilangan fuzzy dari bobot setiap kriteria : 1. Kriteria dan Nilai Bobot Usia panen (dalam bulan) Tabel 4.8. Tabel fuzzy nilai bobot dari usia panen. Usia Panen Proses pembobotan Bobot <7 bulan Variabel ke / (7-1) 7 bulan Variabel ke 1 / (7-1),166 8 bulan Variabel ke 2 / (7-1),333 9 bulan Variabel ke 3 / (7-1),5 1 bulan Variabel ke 4 / (7-1),666 11 bulan Variabel ke 5 / (7-1),833 >11 bulan Variabel ke 6 / (7-1) 1

65 1.2 Nilai bobot dari Usia Panen 1.8.6.4 Nilai bobot dari Usia Panen.2 <7 bulan 7 bulan 8 bulan 9 bulan 1 bulan 11 bulan >11 bulan Gambar 4.9. Gambar Diagram Batang Fuzzy dari Tabel Usia Panen 2. Kriteria dan Nilai Bobot Hasil Panen (ton/ha) Tabel 4.9. Tabel fuzzy nilai bobot dari hasil panen. Hasil Panen Proses pembobotan Bobot <=2 ton Variabel ke / (1-1) 2,1-3 ton Variabel ke 1 / (1-1),11 3,1-4 ton Variabel ke 2 / (1-1),22 4,1-5 ton Variabel ke 3 / (1-1),33 5,1-6 ton Variabel ke 4 / (1-1),44 6,1-7 ton Variabel ke 5 / (1-1),56 7,1-8 ton Variabel ke 6 / (1-1),67 8,1-9 ton Variabel ke 7 / (1-1),78 9,1-1 ton Variabel ke 8 / (1-1),89 >=1 ton Variabel ke 9 / (1-1) 1

66 1.2 Nilai bobot dari Hasil Panen 1.8.6.4 Nilai bobot dari Hasil Panen.2 Gambar 4.1. Gambar Diagram Batang Fuzzy dari Tabel Hasil Panen 3. Kriteria dan Nilai Bobot Kadar Pati Ubikayu (%) Tabel 4.1. Tabel fuzzy nilai bobot dari kadar pati ubikayu. Kadar pati (%) Proses pembobotan Bobot <=5% Variabel ke / (11-1) 5,1-1 % Variabel ke 1 / (11-1),1 1,1-15 % Variabel ke 2 / (11-1),2 15,1-2 % Variabel ke 3 / (11-1),3 2,1-25 % Variabel ke 4 / (11-1),4 25,1-3 % Variabel ke 5 / (11-1),5 3,1-35 % Variabel ke 6 / (11-1),6 35,1-4 % Variabel ke 7 / (11-1),7 4,1-45 % Variabel ke 8 / (11-1),8 45,1-5 % Variabel ke 9 / (11-1),9 >= 5% Variabel ke 1 / (11-1) 1

67 1.2 Nilai bobot dari Kadar Pati Ubikayu (%) 1.8.6.4 Nilai bobot dari Kadar Pati Ubikayu (%).2 Gambar 4.11. Gambar diagram batang fuzzy dari tabel kadar pati. Setelah itu, kita akan menormalisasi nilai awal dari setiap jenis agar bebas dimensi dan bisa dijumlahkan untuk mendapatkan hasil yang terbaik. Tabel 4.11. Tabel awal normalisasi metode SAW. Jenis Kriteria Biaya Keuntungan Keuntungan Bobot Kriteria,2,35,45 No. Varietas Kriteria Umur Potensi Hasil (Ton/Ha) Kadar Pati (%) (Bulan) 1. Adira-1,166,11,8 2. Adira-2,333,11,8 3. Adira-4,833,22,4 4. Malang-1,5,22,7 5. Malang-2,333,22,7 6. Malang-4,5,22,6 7. Malang-6,5,22,6 8. Darul Hidayah,333 1,6

68 9. UJ-3,333,22,5 1. UJ-5,333,22,5 11. Muara,166,22,5 12. SPP,666,22,7 13. Valenca,166,11,6 14. Bogor,333,22,6 Matriksnya akan menjadi : X =, 333, 333, 333, 333, 666,166, 333, 833, 5, 5, 5,166,166, 333,11,11, 22, 22, 22, 22, 22 1, 22, 22, 22, 22,11, 22, 8, 8, 4, 7, 7, 6, 6, 6, 5, 5, 5, 7, 6, 6 Normalisasi jika kriteria bernilai biaya maka rumusnya adalah : R ii = (min{x ij } /X ij ) Normalisasi jika kriteria bernilai keuntungan maka rumusnya adalah : R ii = ( X ij / max{x ij }) Dari kolom C 1 yang jenis kriterianya adalah biaya, maka kita mencari nilai minimalnya yaitu,166, jadi tiap baris dari kolom C 1 menjadi penyebut dari nilai maksimal kolom C 1 : R 11 =,166 /,166 = 1 R 21 =,166 /,333 =,5

69 R 31 =,166 /,833 =,2 R 41 =,166 /,5 =,33 R 51 =,166 /,333 =,5 R 61 =,166 /,5 =,33 R 71 =,166 /,5 =,33 R 81 =,166 /,333 =,5 R 91 =,166 /,333 =,5 R 11 =,166 /,333 =,5 R 111 =,166 /,166 = 1 R 121 =,166 /,666 =,25 R 131 =,166 /,166 = 1 R 141` =,166 /,333 =,5 Dari kolom C 2 yang jenis kriterianya adalah keuntungan, maka nilai maksimalnya adalah 1, jadi tiap baris dari kolom C 2 dibagi oleh nilai maksimal kolom C 2 R 12 =,11 / 1 =,11 R 22 =,11 / 1 =,11 R 32 =,22 / 1 =,22 R 42 =,22 / 1 =,22 R 52 =,22 / 1 =,22 R 62 =,22 / 1 =,22 R 72 =,22 / 1 =,22 R 82 = 1/ 1 = 1 R 92 =,22 / 1 =,22 R 12 =,22 / 1 =,22 R 112 =,22 / 1 =,22 R 122 =,22 / 1 =,22 R 132 =,11 / 1 =,11 R 142 =,22 / 1 =,22

7 Dari kolom C3 yang jenis kriterianya adalah keuntungan, maka nilai maksimalnya adalah ',8', jadi tiap baris dari kolom C3 dibagi oleh nilai maksimal kolom C3 : R 13 =,8 /,8 = 1 R 23 =,8 /,8 = 1 R 33 =,4 /,8 =,5 R 43 =,7 /,8 =,875 R 53 =,7 /,8 =,875 R 63 =,6 /,8 =,75 R 73 =,6 /,8 =,75 R 83 =,6 /,8 =,75 R 93 =,5 /,8 =,625 R 13 =,5 /,8 =,625 R 113 =,5 /,8 =,625 R 123 =,7 /,8 =,875 R 133 =,6 /,8 =,75 R 143 =,6 /,8 =,75 Hasilnya akan menjadi tabel faktor ternomalisasi (Vektor S), seperti dibawah ini : Tabel 4.12. Tabel Vektor S metode SAW. Jenis Kriteria Biaya Keuntungan Keuntungan Bobot Kriteria,2,35,45 No. Varietas Kriteria Usia Panen Hasil Panen Kadar Pati 1. Adira-1 1,11 1 2. Adira-2,5,11 1 3. Adira-4,2,22,5 4. Malang-1,33,22,875 5. Malang-2,5,22,875 6. Malang-4,33,22,75 7. Malang-6,33,22,75 8. Darul Hidayah,5 1,75

71 9. UJ-3,5,22,625 1. UJ-5,5,22,625 11. Muara 1,22,625 12. SPP,25,22,875 13. Valenca 1,11,75 14. Bogor,5,22,75 setelah mendapat tabel faktor ternomalisasi tersebut, lalu akan mengalikan setiap kolom di tabel tersebut dengan bobot kriteria yang telah kita deklarasikan sebelumnya menggunakan rumus : V i = V 1 = (1 x,2) + (,11 x,35) + (1 x,45) =,6885 V 2 = (,5 x,2) + (,11 x,35) + (1 x,45) =,5885 V 3 = (,2 x,2) + (,22 x,35) + (,5 x,45) =,342 V 4 = (,33 x,2) + (,22 x,35) + (,875 x,45) =,53675 V 5 = (,5 x,2) + (,22 x,35) + (,875 x,45) =,5775 V 6 = (,33 x,2) + (,22 x,35) + (,75 x,45) =,485 V 7 = (,33 x,2) + (,22 x,35) + (,75 x,45) =,485 V 8 = (,5 x,2) + (1 x,35) + (,75 x,45) =,7875 V 9 = (,5 x,2) + (,22 x,35) + (,625 x,45) =,45825 V 1 = (,5 x,2) + (,22 x,35) + (,625 x,45) =,45825 V 11 = (1 x,2) + (,22 x,35) + (,625 x,45) =,55825 V 12 = (,25 x,2) + (,22 x,35) + (,875x,45) =,5275 V 13 = (1 x,2) + (,11 x,35) + (,75 x,45) =,576 V 14 = (,5 x,2) + (,22 x,35) + (,75 x,45) =,5145 W j R ij Hasil perangkingannya akan disajikan dalam bentuk tabel di bawah ini : Tabel 4.13. Tabel Hasil Metode WP No. Varietas Nilai Vektor V Ranking 1. Adira-1,6885 2 2. Adira-2,5885 3 3. Adira-4,342 14

72 4. Malang-1,5367 7 5. Malang-2,5775 5 6. Malang-4,485 1 7. Malang-6,485 1 8. Darul Hidayah,7875 1 9. UJ-3,45825 12 1. UJ-5,45825 12 11. Muara,55825 6 12. SPP,5275 8 13. Valenca,576 4 14. Bogor,5145 9 Urutan rangkingnya akan digambarkan dalam diagram batang dibawah ini :.9.8.7.6.5.4.3.2.1 Hasil dari metode SAW Hasil dari metode SAW Gambar 4.12. Gambar Hasil Metode SAW Berdasarkan hasil dari perhitungan secara manual dan dalam program, penulis menyimpulkan bahwa terdapat satu jenis yang terunggul yang diinginkan dari si pengusaha tersebut yaitu Darul Hidayah, sedangkan untuk jenis yang terendah adalah jenis Adira-4.