JURNAL TEKNOLOGI INDUSTRI, 1999, VOL. III, NO. 4, hal.

235 – 244
ISSN 1410-5004

ANALISIS PENGAMBILAN KEPUTUSAN

DENGAN BANYAK PERSYARATAN (MCDM)

Baju Bawono

ABSTRACT
Multicriteria decision making (MCDM) is concerned with the processes and techniques
whereby multiple objectives are incorporated into the decision making process. The field of
MCDM can be subdevided into multiobjetive decision making (MODM) and multiattribute
decision making (MADM). The field of MCDM has envolved rapidly over the last four
decades. Early contribrutions to the field were made by Koopmans, Kuhn-Tucker and
others in 1950s. The 1960s saw the introduction of goal programming by Charnes and
Cooper. The first international research conference devoted entirely to MCDM took place
in 1972. The proceeding of numerous subsequent conference have appeared in the
literature.

1. PENDAHULUAN
Pengambilan keputusan dengan banyak persyaratan (MCDM) dimaksudkan
sebagai pemrosesan dan tata cara untuk banyak tujuan yang dipersatukan dalam proses
pengambilan keputusan. Bidang pembahasan MCDM dapat dibagi lagi dalam sistem
pengambilan keputusan dengan banyak tujuan (MODM) dan pengambilan keputusan
dengan banyak atribut (MADM). MODM memberi perhatian utama terhadap situasi
permasalahan yang melibatkan sebuah bilangan besar (mungkin sampai tak hingga)
dari beberapa pilihan yang memungkinkan Strategi penyelesaian hal ini melibatkan
penggunaan dasar-dasar teknik pemrograman matematis.
MADM menaruh perhatian dengan permasalahan yang melibatkan sebuah
bilangan yang relatif kecil dari beberapa alternatif perlakuan yang memiliki
ketidakpastian. Keeney dan Raiffa menganjurkan perlakuan khusus dari MADM.
Penelusuran dari tulisan tentang MADM dan MODM dapat dilakuan masing-masing di
dalam karya Hwang dan Yoon serta Hwang dan Masud. Fokus utama dalam bidang
penulisan adalah tetap pada MODM.
Bidang MCDM telah berkembang secara cepat selama lebih dari 4 dasawarsa.
Pada mulanya orang yang mengembangkan adalah Koopmans, Kuhn dan Tucker, dan
lainnya pada awal 1970an. Hal itu kemudian diikuti dengan pengenalan pemrograman
tujuan oleh Charnes dan Cooper. Penulisan pertama kali yang secara khusus membahas
pada pemrograman tujuan ini disampaikan di awal 1970an, dan hal itu diikuti dengan
penulisan dan penerapan angka dalam berbagai literatur. Konferensi pertama tingkat
internasional yang membahas khusus mengenai MCDM mengambil tempat di tahun
1972. Pemrosesan dari bilangan mengambil tempat khusus dari berbagai literatur. Teks
mengenai MODM mulai dikenalkan di akhir 1970an oleh Cohon, Goicochea, Hansen
dan Duckstein, Zeleny, Chankong dan Haimes, Yu dan Steuer. Setelah beberapa waktu
kemudian, terjadilah perkembangan teori serta penerapan secara kuantitatif MCDM
236 Baju Bawono

yang cukup pesat Penelitian literatur dan pencarian dan penulisan MCDM ini
dilakukan juga oleh Evans dan Stadler.

2. DEFINISI MCDM
MCDM melibatkan banyak tanda, banyak tujuan atau keduanya. Alternatif
keputusan memiliki tanda atau atribut. Atribut adalah karakteristik atau kualitas dari
beberapa alternatif. Pengambilan keputusan dengan multiatribut melibatkan pemilahan
alternatif terbaik dari beberapa macam alternatif. Tujuannya adalah menghadirkan
penerapan dari atribut. Tujuan akhir yang betul-betul diinginkan adalah sebagai tingkat
sasaran atribut. Sementara sebuah ciri khas dari sebuah pilihan keputusan adalah sebuah
atribut. Maksimasi atau minimasi yang merupakan ciri khas dari sebuah tujuan dan
tujuan sasaran akhir dari untuk ciri khas sebuah tujuan akhir. Pengambilan keputusan
dengan banyak tujuan membuat perhatian dengan pemilihan yang optimis datau
pemecahan terbaik yang merupakan tujuan dari pengambil keputusan. Tujuan yang
banyak biasanya saling bertentangan dan atau tidak dapat diukur secara sama atau
sejenis. Jadi konsep alternatif terbaik biasanya tidak tepat dalam konteks banyak tujuan,
sehingga mungkin tidak ada pilihan yang layak dengan optimasi simultan semua tujuan
Sebuah permasalahan optimasi dengan satu kendala dan satu tujuan dapat dirumuskan :
Max [ f(x) = z ]
xS … (1)
dengan x adalah vektor variabel keputusan, f(x) adalah adalah fungsi tujuan, dan S
adalah daerah jawaban. Kerangka kerja ini dapat diperluas untuk masuk ke dalam
banyak tujuan seperti di bawah ini :
Max [ f1(x) = z1 ]
Max [ f2(x) = z2 ]
Max [ f3(x) = z3 ]
:
Max [ fk(x) = zk ]
xS …(2)
Problem ini juga dikenal dengan sebagai permasalahan vektor maksimum. Variabel
keputusan dapat dilanjutkan atau dinyatakan dalam fungsi tujuan dan kendala dapat
dilinearkan atau non linear. Jika semua variabel keputusan dilanjutkan, dan semua
fungsi tujuan dan kendala adalah linear (hal yang terpenting dari kasus khusus MODM)
permasalahan menjadi pemrograman linear dengan banyak tujuan dapat dituliskan :
Max [c1x = z1 ]
Max [c2x = z2 ]
Max [c3x = z3 ]
:
Max [ckx = zk ]
xS …(3)
dengan S= { x  Rn Ax  b, x  0, b Rm } untuk menandai ruang keputusan dan Z=
{ z  Rk z = Cx , x  S } merupakan daerah kemungkinan dalam ruang keputusan.
Sebuah jawaban optimum untuk sebuah permasalahan MODM adalah satu yang
paling optimum dari semua fungsi tujuan simultan. Sebuah titik x* adalah sebuah
jawaban optimum untuk pemasalahan MOLP pada pers.(3) (biasanya ditujukan sebagai
jawaban ideal dalam konteks banyak). Jawaban ini adalah jika dan hanya jika x*  S
dan Cx*  Cx untuk semua x  S. Biasanya, permasalahan MODM memiliki tujuan
 Analisis Pengambilan Keputusan dengan Banyak Persyaratan 237

yang saling bertentangan, dan sebuah jawaban yang optimum mungkin tidak ada
(jawaban ideal mungkin tidak ada)
Konsep pengoptimalan dalam konteks sebuah tujuan ditempatkan dengan
sebuah konsep efesiensi dan nondominan dalam MODM. Sebuah titik dalam ruang
keputusan x  S adalah efisien jika dan hanya jika di sana tidak ada keberadaan hal
yang lain x  S juga untuk Cx  Cx dan Cx  Cx. Keterhubungan sebuah titik dalam
ruang tujuan z Z bahwa untuk z  z dan z  z . Dengan kata lain sebuah titik adalah
efisien atau tidak mendominasi jika tidak mungkin untuk membuktikan suatu nilai dari
sebuah tujuan tunggal tanpa mengetahui nilai yang paling kecil pada tujuan lainnya.
Sebuah faktor yang komplikatif dalam MODM banyak menghasilkan banyak jawaban
yang lebih efisien. Sebuah jawaban biasanya dipilih dengan sebuah pengambilan
keputusan yang kadang-kadang ditujukan sebagai sebuah tujuan terbanyak atau jawaban
paling kompromis yang terbaik.
Ditentukan sebuah contoh :
Max z1 = 4x1- x2
Max z2 = -2x2 + 3x2
dengan 2x1 –x2  8
x1 + x2  9
x1  5
x2  6
x1  0, x2  0 … (4)
Daerah kemungkinan untuk permasalahan ini dalam ruang keputusan dan ruang
tujuan diberikan dalam gambar 1 dan gambar 2. Titik ekstrim dari masalah ini akan
dijelaskan secara numeris dalam tabel 1. Setelah tujuan dikonflikkan, suatu masalah
tidak memiliki jawaban optimum biasa atau tujuan tunggal. Bagaimanapun titik ekstrim
C, D, E, F adalah efisien dalam ruang keputusan (ruang tujuan bukan dominasi). Batas
dari daerah kemungkinan dalam ruang tujuan dari titik ekstrim C ke titik ekstrim F
merupakan tapal batas efisien (efficient frontier). Penentuan titik-titik sepanjang tapal
batas efisien dari penentuan efisien. Untuk titik-titik di dalam pengaturan efisien, tidak
memungkinkan untuk membuktikan nilai tujuan yang lain. Titik ekstrim A dan B tidak
efisien (dominasi), sebagai semua titik kemungkinan asal bukan tapal batas efisien. Jadi
meskipun hal itu membuat rasa pelarangan pencarian untuk kebanyakan jawaban yang
paling diinginkan ke penentuan efisien, penentuan penyelesaian yang paling diiinginkan
akan mencapai tak hingga dan setiap penentuan penyelesaian titik ekstrim efisien, dalam
sejumlah besar latihan.
F E
6

A B

4
Gambar 1. Permasalahan Ruang Keputusan
238 Baju Bawono

Tabel 1. Nilai dari Variabel Keputusan dan Tujuan

Titik var., var., tuj., tuj.,

ekstrim x1 x2 z1 z2
A 0 0 0 0
B 4 0 16 -8
C 5 2 18 -4
D 5 4 16 2
E 3 6 6 12
F 0 6 -6 18

Tabel 2. Jangkauan Pembobotan untuk Titik Ekstrim Efisien

Titik Jangkauan jangkauan

ekstrim bobot, w1 bobot ,w2
C (0.75 ,1 ) (0 ,0.25)
D (0.50 ,0.75) (0.25 ,0.50)
E (0.33 ,0.50) (0.50 ,0.67)
F (0 ,0.33) (0.67 ,1 )

z2
F

D
A

z1

Gambar 2. Permasalahan Ruang Keputusan

3. TEKNIK UNTUK PENGAMBILAN KEPUTUSAN BANYAK TUJUAN

Teknik untuk pengambilan keputusan dengan banyak tujuan dapat
diklasifikasikan persetujuan untuk informasi yang diingikan dimintakan dari pengambil
keputusan dalam perintah untuk membantu proses penyelesaian secara keseluruhan
melalui pengambilan keputusan penyelesaian yang paling diinginkan. Informasi yang
lebih baik dapat diminta dari seorang pengambil keputusan dengan sebuah analisis
sesudah, sebelum, atau selama proses penyelesaian. Teknik ini akan dikenal sebagai
posterior, prior, dan progresive (atau interaktif) teknik yang lebih baik.
3.1. Teknik Pembangkitan Akhir (Posterior Generating Techniques)
Teknik pembangkitan akhir mencoba atau membangkitkan sebuah kepastian
atau pendekatan dari penentuan penyelesaian untuk permasalahan MODM sebelum
 Analisis Pengambilan Keputusan dengan Banyak Persyaratan 239

diminta informasi yang lebih baik dari seorang pengambil keputusan. Teknik ini
mempunyai keuntungan dari masukan permintaan minimasi dari pengambil keputusan
lebih dulu ke penyelesaian. Bagaimanapun, ada dua kerugian dari teknik pembangkitan
ini yaitu :
1. Mereka dapat membutuhkan sejumlah besar perhitungan untuk membangkitkan
kemampuan bilangan besar dari penyelesaian sampai proses penyelesaian.
2. Hal itu dapat menjadi kesulitan untuk pengambil keputusan hasil akhir
penyelesaian bilangan-bilangan besar ke dalam sebuah penyelesaian yang
diinginkan. Katagori utama dari teknik pembangkitan termasuk metode
pembobotan, metode kendala metode simpleks banyak tujuan.
3.1.1. Metode Pembobotan
Metode pembobotan merupakan salah satu yang tertua dan metode yang
tersederhana dari MODM. Hal itu terdiri dari pembentukan sebuah gabungan tujuan
sebagai sebuah kombinasi pembobotan linear dari tujuan permasalahan asli,
penyelesaian permasalahan optimasi.
Max Z = w1z1 + w2z2 +…+ wkzk
xS …(5)
Sebuah penyelesaian optimum dari permasalahan pembobotan dari pers.(5) dapat
menjadi jawaban efisien dari permasalahan banyak tujuan dari pers.(2), membuktikan
bahwa semua pembobotan adalah positif. Metode yang mengikuti secara langsung dari
kodisi Kuhn-Tucker untuk penyelesaian efisien. Zadeh orang adalah yang pertama
merekomendasikan penggunaan pembobotan untuk membangkitkan penentuan efisien.
Jika permasalahan MOLP yang termasuk dua tujuan, Gass dan Saaty menunjukkan
untuk semua titik ekstrim dapat digenerasikan dengan variasi pembobotan.
Permasalahan yang memiliki lebih dari dua tujuan, maka bagaimanapun juga
proses pembangkitan secara lengkap akan menjadi lebih rumit. Untuk kasus ini, metode
pembobotan adalah paling sering digunakan untuk membangkitkan sebuah pendekatan,
lebih dari sebuah kenyataan, menghadirkan titik efisien. Isu utama dari dalam penerapan
metode pembobotan adalah pengubahan pembobotan. Jika terlalu banyak kombinasi
bobot yang dipilih, perhitungan akan menghasilkan beberapa titik ekstrim efisien yang
mungkin dibangkitkan lebih dari sekali. Jika terlalu sedikit kombinasi bobot dipilih
beberapa titik ekstrim.
3.1.2. Metode Kendala
Metode kendala memperlakukan semua tetapi satu dari tujuan MODM
permasalahan maksimasi sebagai subjek untuk batas lebih rendah dan kemudian tujuan
kebutuhan optimis melalui suatu daerah kemungkinan.
Max zt
xS
zi  Li i = 1, 2, … ,l-1, l+1, …, k. …(6)
Ketika Li adalah batas lebih rendah pada tingkat memungkinkan dari kendala tujuan.
Secara sistematis batas dan penyelesaian pers.(6) adalah sebuah pendekatan dari
penentuan jawaban efisien yang dapat dibangkitkan. Marglin adalah salah satu yang
menggunakan metode pendekatan ini. Metode kendala, seperti juga metode pembobotan
adalah paling praktis sebagai sebuah pendekatan, Lebih dari sebuah hasil nyata yang
merupakan teknik pembangkitan. Sebuah penyelesaian yang paling optimal untuk
permasalahan kendala. Pers.(6) akan menjadi penyelesaian optimum yang termasuk
penyelesaian permasalahan banyak tujuan. Pers.(2) membuktikan keterkaitan pada
kendala tujuan adalah bentuk khusus meskipun tidak membutuhkan titik ekstrim efisien.
240 Baju Bawono

3.1.3. Metode Simpleks Banyak Tujuan

Metode Simpleks dengan banyak tujuan adalah pengembangan dari metode
simpleks dengan satu tujuan pemrograman linear yang dapat menangani permasalahan
pemrograman linear dengan banyak tujuan seperti pada pers.(3). Hal itu berhubungan
langsung tujuan permasalahan tujuan permasalahan masing-masing dalam bentuk dasar
simpleks tanpa membutuhkan spesifikasi atau beberapa bobot atau menuju suatu tujuan.
Beberapa penelitian telah memberi kontribusi pada teori Pemrograman Linear dengan
Banyak Tujuan (MOLP). Algoritma MOLP sendiri terdiri dari 3 fase :
1. Temukan sebuah dasar awal titik ekstrim kemungkinan
2. Temukan sebuah titik ekstrim dasar awal efisien
3. Temukan semua titik ekstrim efisien yang dibutuhkan
Fase 1 dalam MOLP adalah identik dengan fase 1 dalam Pemrograman Linear
satu tujuan. Fase 2 didasarkan pada fakta jika permasalahan MOLP mempunyai sebuah
penyelesaian efisien, kemudian di sana mempunyai sebuah titik ekstrim efisien yang
efisien. Fase 2 terdiri dari sebuah titik ekstrim dasar awal kemungkinan ke titik ekstrim
efisien awal sepanjang tapal batas daerah kemungkinan melalui rangkaian operasi poros
simpleks (simplex pivot operation). Ada beberapa metode untuk menemukan sebuah
titik ekstrim efisien awal termasuk metode pembobotan yang disebutkan awal
sebelumnya.
Fase 3 yang terdiri dari penemuan dari semua titik ekstrim efisien, didasarkan
fakta penentuan terhubungnya semua titik ekstrim efisien. Meskipun metode simpleks
dengan banyak tujuan dapat digunakan untuk penentuan semua titik ekstrim efisien
dengan sebuah teori MOLP, dengan perkembangan teori komputasi dari fase 3 dibatasi
ukuran dari permasalahan untuk penentuan secara efisien. Steuer telah mengembangkan
sebuah paket perhitungan MOLP yang dikenal dengan ADBASE. Untuk memperkecil
kebutuhan komputasi dari fase 3 interval bobot dapat dispesifikasi untuk beberapa atau
semua tujuan lebih dulu untuk penyelesaian. Hal ini berarti sebuah kompromi antara
pendekatan pembobotan murni yang dibuat hanya sebuah penyelesaian efisien dan
sebuah MOLP murni tanpa bobot berdasar pembangkitan pembangkitan yang dibuat
untuk penyelesaian semua titik ekstim efisien. ADBASE mengandung jawaban akhir
yang menyaring penjaluran pemrosesan bilangan besar dari jawaban efisien ke dalam
bilangan yang lebih mudah diatur untuk mengurangi kebutuhan pemrosesan informasi
pengambil keputusan.
3.2. Metode Teknik Lebih Suka Dulu (Preference Prior Technique)
Metode ini mencoba untuk menimbulkan pengambilan keputrusan yang lebih
suka dengan memandang tujuan yang lebih dulu untuk jawaban yang termasuk
permasalahan MODM dan untuk mengakui informasi ini ke dalam proses penyelesaian.
Pengambil keputusan mungkin tidak dapat memilih jawaban yang paling baik dari
teknik pembangkitan dengan mengabaikan pengambilan keputusan yang lebih baik.
Pada saat yang sama pengambil keputusan mungkin tidak dapat menyebutkan dengan
lengkap dan informasi akurat yang lebih baik untuk menyelesaikan permasalahan.
Bagaimanapun jika pengambilan keputusan dapat diucapkan dengan beberapa derajat
keakuratan penyelesaian untuk mereduksi identifikasi bilangan penyelesaian.
3.2.1. Metode Fungsi Perlengkapan
Metode fungsi perlengkapan mencari untuk menempatkan kembali
permasalahan MODM dalam pers.(2) dengan
Max U(Z) = U(z1, z2, … , zk)
xS ...(7)
 Analisis Pengambilan Keputusan dengan Banyak Persyaratan 241

dengan U(Z) adalah fungsi perlengkapan multiatribut yang ditentukan melalui tujuan
permasalahan. Keuntungan utama metode ini bahwa pengambil keputusan fungsi
perlengkapan U ini dapat diperkirakan benar, kemudian jawaban pers.(7) akan
menghasilkan penyelesaian yang paling diinginkan pengambil keputusan. Sedangkan
kerugiannya adalah dari metode ini fungsi perlengkapan dapat menyulitkan pengambil
keputusan dalam melakukan prakiraan. Beberapa dari asumsi dari teotri perlengkapan
bahwa pengambilan keputusan adalah rasional dan konsisten. Atau singkatnya dapat
ditanyakan validitas dalam berbagai situasi praktis. Fungsi perlengkapan dapat
dituliskan dalam berbagai bentuk.
k
U(z) =  Ui (zi) …(8)
i 1
Diikuti bentuk jamak (multiplicative)
k
U(z) =  Ui (zi ) …(9)
i 1
Kasus khusus yang paling penting dari penambahan secara terpisah dari pers.(8)
bobot perlengkapan Ui(zi) = wi zi untuk mengindikasikan kepentingan dari masing-
masing tujuan seperti dalam pers.(5). Sedangkan pers.(9) digunakan untuk
menghasilkan optimasi permasalahan nonlinear.

3.2.2. Pemrograman Tujuan

Pemrogran tujuan adalah salah satu perlengkapan paling luas dan paling populer
dari teknik MODM. Permasalahan MODM secara umum pers.(2) atau permasalahan
MOLP per bagian dapat diubah ke dalam format Pemrograman Tujuan.. Kendala dalam
sebuah konteks MOLP x  S dihubungkan sebagai sebuah sistem atau kendala sukar
dalam pemrograman tujuan.. Tujuan MOLP dapat diubah ke dalam tujuan atau kendala
lunak dalam pemrograman tujuan melalui penambahan variabel deviasi atau tingkat
sasaran tujuan.
cix +di - - di+= ti i = 1,…,k … (10)
dengan ti adalah tingkat sasaran untuk kendala tujuan ke i , variabel deviasi di - dan di+
mengukur kekurangan hasil atau kelebihan hasil dari sasaran. Variabel di – analog
dengan variabel pelambat (slack variable) dan variabel di+ analog dengan variabel
surplus. Bentuk umum pemrograman linear daat dirumuskan sebagai
Min f(d-, d+)
dengan :
cix + di - - di+ = ti i = 1,…,k
x  S dan d-, d+  0 … (11)
dengan memberi perhatian pada tujuan tunggal, sebuah pengambil keputusan dapat
mencoba untuk :
1. Datang dan sama tertutup mungkin
2. Tidak kekurangan hasil
3. Tidak kelebihan hasil sebuah tingkat sasaran tunggal dengan minimasi
Ada dua bentuk utama dari pemrograman tujuan dalam pers.(11) yaitu jumlah
pembobotan dan prioritas. Bentuk jumlah pembobotan pengambil keputusan mencari
minimasi jumlah pembobotan tunggal dari variabel pembeda
k

Min  wi- di-+ wi+ di+

i 1 … (12)
Dihasilkan dalam pemrograman linear satu tujuan. Sedangkan bentuk yang
lebih terkenal dalan pemrograman tujuan adalah
242 Baju Bawono

r k


j 1 i 1
Pj (wi- di-+ wi+ di+) … (13)

dengan Pj adalah tingkat prioritas lebih dulu, dan wj bobot, yang menandai tingkat
deviasi dari tujuan i ke tingkat prioritas j.

4. CONTOH KASUS
Berikut ini adalah contoh permasalahan pengambilan keputusan dengan banyak
persyaratan dari (Hwang dan Masud, 1979)
Variabel tujuan :
Min z1 = 0.025x1 + 2.2x2 + 0.8x3 + 0.1x4 + 0.05x5 + 0.26x6
Min z2 = 10x1 + 20x2 + 120x3
Min z3 = 24x1 + 27x2 + 15x4 + 1.1x5 + 52x6
dengan batasan :
720x1 + 107x2 + 7080x3 + 134x5 + 1000x6  5000
0.2x1 + 10.1x2 + 13.2x3 + 0.75x4 + 0.15x5 + 1.2x6  12.5
344x1 + 460x2 + 1040x3 + 75x4 + 17.4x5 + 240x6  2500
18x1 + 151x2 + 78x3 + 2.5x4 + 0.2x5 + 4x6  63
0  x1 6, 0  x2 1, 0  x3 0.25
0  x4 6, 0  x5 10, 0  x6 4

Variabel keputusan yang diberikan adalah enam dasar kelompok makanan yang
termasuk ke dalam program diet yaitu : sebotol susu, satu pon daging sapi, 1 dozen
telur, satu ounce roti, satu ounce selada dan sebotol jus. Kendalanya adalah kebutuhan
minimum harian vitamin (5000 unit), mineral (12.5 gram), kalori (2500 kal), dan
protein 63 gram. Ada juga batasan mengenai jumlah masing-masing enam kelompok
dasar makanan yang termasuk ke dalam program diet.. Tujuanya adalah biaya
minimum, jumlah kolesterol dan karbohidrat.
Permasalahan ini adalah cukup sederhana dari penerapan titik berdiri untuk
mempermudah pengertian dan ketidaksesuaian penyelesaian potensial. Pendekatan
penyelesaian permasalahan ini akan digambarkan ke dalam tiga kelompok utama teknik
MODM yaitu posterior, prior, dan progresif.
Pendekatan posterior atau teknik pembangkitan permasalahan ini adalah cukup
kecil untuk penyelesaian semua titik ekstrim efisien yang dapat dibangkitkan sejumlah
besar dengan menggunakan kode simpleks dengan banyak tujuan. Ada sejumlah 20 titik
ekstrim efisien untuk penyelesaian permasalahan ini. Hubungan tujuan (ukuran vektor
nondominasi) nilai untuk penyelesaian akan disajikan dalam tabel 4.

5. PENYELESAIAN
Jangkauan biaya berkisar dari $ 2.26 sampai $ 3.95, kolesterol dari 17.9 sampai
100.4 unit, dan karbohidrat dari 150 sampai 413.1 gram di atas penentuan titik efisien
dari penyelesaian. Untuk penyelesaian yang lebih besar dan lebih kompleks mungkin
tidak praktis untuk mencoba atau membangkitkan penyelesaian titik ekstrim efisien.
Interval bobot dapat dispesifikasikan untuk beberapa atau semua tujuan utama untuk
mengurangi bilangan dari titik ekstrim efisien yang dibangkitkan. Sebagai contoh jika
interval bobot 0,2< w1<0,7, 0,3< w2<0,6, dan 0,1< w3<0,4 dipilih sebagai tujuan biaya,
kolesterol, dan karbohidrat masing-masing daengan dengan w1=1 sebuah pengurangan
dari hanya penentuan enam titik efisien yang dibangkitkan. Enam jawaban ini
 Analisis Pengambilan Keputusan dengan Banyak Persyaratan 243

menghubungkan vektor ukuran nondominasi 11, 14, 15, 17, 18, dan 19 seperti pada
tabel 4. Interval bobot lainnya juga memberi hasil akhir pada penentuan bilangan
berbeda penyelesaian titik ekstrim efisien.

Tabel 4. Penyelesaian Kasus dengan Vektor Ukuran Nondominasi

titik z1, z2, koles z3, karbo

ekstrim biaya terol hidrat
1 2.26 67.8 281.7
2 2.30 71.5 264.7
3 2.36 72.9 253.5
4 2.40 70.3 253.3
5 2.50 79.0 234.0
6 2.52 70.0 245.0
7 2.53 24.7 404.5
8 2.54 23.8 409.5
9 2.56 23.0 413.1
10 2.56 64.2 256.1
11 2.78 28.8 356.9
12 2.80 55.5 263.2
13 2.82 23.0 389.0
14 2.93 39.9 305.2
15 2.94 17.9 412.0
16 3.19 100.4 152.2
17 3.31 94.4 151.8
18 3.55 63.9 207.4
19 3.88 74.1 168.3
20 3.95 96.7 150.0

Metode kendala dan pembobotan juga dapat diterapkan pada penyelesaian

permasalahan ini. Dari tabel 5 diperoleh tiga masukan pertama dengan bobot masing-
masing masukan untuk setiap tujuan dalam belokan adalah penyelesaian ideal. Titik
ekstrim 1 adalah biaya minimum pada $ 2.26, titik ekstrim 15 adalah kolesterol
minimum, dan titik ekstrim 20 adalah karbohidrat minimum. Tiga masukan berikutnya
bobot masing-masing tujuan dalam belokan kedua adalah seberat lainnya, sementara
masukan terakhir untuk semua tujuan adalah sama.

Tabel 5. Penyelesaian Kasus dengan Metode Pembobotan

w1 w2 w3 Titik z1 z2 z3
244 Baju Bawono

ekstrim
1.0 0.0 0.0 1 2.26 67.8 281.7
0.0 1.0 0.0 15 2.94 17.9 412.0
0.0 0.0 1.0 20 3.95 96.7 150.0
0.5 0.25 0.25 19 3.88 74.1 168.3
0.25 0.5 0.25 19 3.88 74.1 168.3
0.25 0.25 0.5 20 3.95 96.7 150.0
0.33 0.33 0.33 19 3.88 74.1 168.3

Sedangkan untuk menggambarkan metode kendala, tujuan kolesterol dan

karbohidrat akan ditunjukkan menuju atas dan diperlakukan sebagai kendala,
meninggalkan tujuan biaya untuk diminimasikan. Penyelesaian biaya minimum untuk
beberapa kombinasi dari kolesterol dan karbohidrat seperti tertulis dalam tabel 6.

Tabel 6. Penyelesaian Kasus dengan Metode Kendala

titik z2, koles z3, karbo z1,
ekstrim terol hidrat biaya
1 75 300 2.26
2 75 250 2.38
3 75 200 3.20
4 75 150 -
5 50 300 2.62
6 50 250 -
7 25 300 -

4. KESIMPULAN
Banyak pembahasan dalam kasus ini yang difokuskan pada MOLP dan MODM.
Hal ini disebabkan karena permasalahan linear programing dengan satu atau banyak
tujuan adalah lebih mudah diselesaikan daripada nonlinear programing atau bagian balik
pemrograman integer. Teknik MODM dapat dan telah diterapkan untuk menyelesaikan
variabel keputusan diskret dan tujuan nonlinear, dan atau fungsi kendala, meskipun
secara umum dapat menuju untuk mempermudah penyelesaian dan tantangan dalam
proses penyelesaian Pengembangan khusus dari topik dalam bab ini adalah untuk
membandingkan akibat dari pengambil keputusan pada proses MODM.. Tantangan lain
termasuk bagaimana menghadirkan keluaran dari proses penyelesaian MODM dapat
akan diproses secara efektif oleh pengambil keputusan.

6. DAFTAR PUSTAKA
Hodson, W.K., 1971, Maynard’s Industrial Engineering Handbook Multicriteria
Decision Making, McGraw-Hill, New York.
Hwang, C.L and A. Masud, 1979, Multiple Objective Decision Making, Springer-
Verlag, Berlin
Keeney R.L. and Haffa, 1976, Decision with Multiple Objective, Willey, NewYork
Kuhn, H.W., and A.W. Tucker, 1951, Nonlinear Programming, University California
Press, Berkeley