CRITERION WEIGHTING

CRITERION WEIGHTING
• • • • Ranking Methods Rating Methods Pairwise Comparison Method Trade-off Analysis Method

PAIRWISE COMPARISON METHOD
• Pairwise Comparison Method di kembangkan oleh Saaty (1980) dalam konteks analytic hierarchy process (AHP). • Metoda ini melibatkan pairwise comparison untuk membuat sebuah matriks rasio (ratio matrix) • Matriks rasio ini menjadi input dan outputnya berupa bobot relatif (relative weights). • Secara spesifik, bobotnya ditentukan oleh normalisasi eigenvactor yang berhubungan dengan nilai maksimum eigenvalue dari matriks rasio.

Prosedur
• Pembentukan matriks pairwise comparison (development of the pairwise comparison matrix) • Perhitungan pembobotan kriteria (computation of the criterion weights) • Perhitungan rasio konsistensi (estimation of the consistency ratio)

Pembentukan Matriks Pairwise Comparison (development of the pairwise comparison matrix)
• Menggunakan skala 1 – 9 untuk tingkatan skala kepentingan.

Development Of The Pairwise Comparison Matrix

Contoh: masalah site-suitability Kriteria yang di pergunakan: • Price (p) • Slope (s) • View (v)

Price (p)  kepentinganya moderate – strongly preferred Slope (s)  nilai 4 Price (p)  kepentinganya very strongly View (v)  nilai 7 Slope (s)  kepentinganya strongly preffered  View (v) nilai 5 Dan seterusnya untuk setiap kriteria Maka hasilnya dalam bentuk matriks pairwise comparison seperti berikut:

Perhitungan pembobotan kriteria (computation of the criterion weights)
• Jumlahkan setiap kolom dalam matriks matriks pairwise comparison • Bagi setiap elemen dalam matriks dengan jumlah total seluruh elemen (menjadi matriks normalized pairwise caomparison) • Hitung rata-rata setiap baris pada normalized matrix dengan menjumlahkan nilai setiap baris kemudian dibagi 3

Berdasarkan perhitungan maka price adalah kriteria yang paling penting

Perhitungan Rasio Konsistensi (estimation of the consistency ratio)
• Pada tahapan ini kita akan menentukan jika perbandingan kita telah cocok/sesuai. Tahapannya: • Menentukan jumlah bobot vektor dengan mengkalikan bobot kriteria pertama (price) dengan kolom pertama dari matriks pairwise comparison yang asli, kemudian kalikan bobot kriteria kedua (slope) dengan kolom kedua, bobot kriteria ketiga (view) dengan kolom ketiga, terakhir jumlahkan nilai ini dalam satu baris • Menentukan vektor konsistensi dengan membagi jumlah vektor bobot dengan bobot-bobot kriteria yang sudah di nilai sebelumnya

• Untuk menghitung vektor konsistensi, kita masih membutuhkan beberapa parameter, yaitu: lamda (λ) dan indeks konsistensi (CI). • Nilai lamda merupakan nilai rata-rata dari vektor konsistensi • Perhitungan CI berdasar pada λ ≥ n positif, dan λ = n merupakan matrik yang konsisten dan λ – n dapat disebut sebagai derajat inkonsistensi. Dapat di normalisasi dengan persamaan: • Selanjutnya dapat dihitung rasio konsistensi (CR) dengan persamaan berikut: • Dimana RI merupakan indeks random , CI yang telah di acak menghasilkan matriks pairwise comparison, RI bergantung pada jumlah elemen yang dibandingkan

• Selanjutnya dapat dihitung rasio konsistensi (CR) dengan persamaan berikut: • Dimana RI merupakan indeks random , CI yang telah di acak menghasilkan matriks pairwise comparison, RI bergantung pada jumlah elemen yang dibandingkan

• CR < 0.10 , RI merupakan level reasonable dari konsistensi dalam pairwise comparison • CR ≥ 0.10, nilai rasio menunjukan penilaian yang inkonsistensi

Dikarenakan CR ≥ 0.10 maka matriks pairwise comparison yang asli harus direvisi dan prosedur pengerjaannya harus diulang
Untuk lebih memudahkan pengerjaan maka dapat digunakan perangkat lunak seperti EXSPERT CHOICE dan IDRISI

MULTIPLE DECISION MAKING
Pengambilan keputusan dapat dilakukan oleh lebih dari satu pengambil keputusan. Salah satu metodenya adalah multiple comparison Contoh: Kriteria yang di pergunakan: • Price (p) • Slope (s) • View (v) Ditentukan oleh 10 pembuat keputusan

• 6 dari 10 pengambil keputusan menyatakan bahwa price lebih penting dari slope, 4 dari 10 pengambil keputusan menyatakan bahwa slope lebih penting dari price, dan seterusnya untuk setiap pasangan kriteria • Rank adalah jumla setiap kolom, n adalah jumlah kriteria, dan k adalah jumlah pengambil keputusan denan nilai n=10, nk=30 dan range nk-n=20

• Dengan adanya nilai range, kita dapat menghitung bobot dari ketiga kriteria. • Pertama, setiap rank dibagi oleh range dan hasilnya dijumlahkan. Bobot nya ditentukan dengan cara membagi setiap (rank/range) dengan total 1.50

DEALING WITH UNCERTAINTIES
• Setiap pengambil keputusan memiliki nilai yang berbeda untuk mengekspresikan nilai “tepat”. Pada suatu situasi kadang kala pengambil keputusan sulit untuk menghasilkan penilaianyang tepat dikarenakan keterbatan pengetahuan dan informasi. • Ada beberapa metoda yang dapat digunakan, salah satunya adalah sensitivity analysis . Analisa ini meneliti sensitifitas dari outcome kriteria ke perubahan kecil dalam nilai dari bobot kriteria

Contoh: Kriteria yang di pergunakan: • Price (p) • Slope (s) • View (v) Kita asumsikan bahwa pengambil keputusan tidak yakin akan tingkatan pentingnya ketiga kriteria.

• Dapat di ekspresikan dengan wv=penting, ws=sangat penting, dan wp=sangat penting sekali • Setiap bobot dapat direpresentaikan dengan menggunakan linear membership fuzzy number, contohnya adalah trapezoidal number, yang kemudian dirubah menggunakan numerical approximation system menjadi fuzzy number. • Hasilnya: wv=(0, 0, 0.2, 4) ws=(0.2, 0.5, 0.5, 0.8) wv=(0.6, 0.8, 1, 1)

Master your semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master your semester with Scribd & The New York Times

Cancel anytime.