Upload
phungdien
View
265
Download
7
Embed Size (px)
Citation preview
1
FMDAM (2)
Charitas Fibriani
TOPSIS
� Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) didasarkan pada konsep dimanaalternatif terpilih yang terbaik tidak hanya memilikijarak terpendek dari solusi ideal positif, namun jugamemiliki 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 matematisyang sederhana.
� Langkah-langkah penyelesaian masalahMADM dengan TOPSIS:� Membuat matriks keputusan yang ternormalisasi;
� Membuat matriks keputusan yang ternormalisasi terbobot;
� Menentukan matriks solusi ideal positif & matriks solusiideal negatif;
� Menentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif & matriks solusi ideal negatif;
� Menentukan nilai preferensi untuk setiap alternatif.
TOPSIS
� TOPSIS membutuhkan rating kinerja setiap alternatif Ai pada setiap kriteria Cj yang ternormalisasi, yaitu:
∑=
=m
1i
2
ij
ij
ij
x
xr
TOPSIS
2
� Solusi ideal positif A+ dan solusi ideal negatif A-
dapat ditentukan berdasarkan rating bobot ternormalisasi (yij) sebagai:
ijiij rwy =
( );y,,y,yA n21
++++= L
( );y,,y,yA n21
−−−−= L
TOPSIS
dengan
=+
biayaatribut adalah j jika;ymin
keuntunganatribut adalah j jika;ymax
y
iji
iji
j
=−
biayaatribut adalah j jika;ymax
keuntunganatribut adalah j jika;ymin
y
iji
iji
j
TOPSIS
� Jarak antara alternatif Ai dengan solusi ideal positif dirumuskan sebagai:
� Jarak antara alternatif Ai dengan solusi ideal negatif dirumuskan sebagai:
( ) ;yyDn
1j
2
ijii ∑=
++−=
( ) ;yyDn
1j
2
iiji ∑=
−−−=
TOPSIS
� Nilai preferensi untuk setiap alternatif (Vi)
diberikan sebagai:
� Nilai Vi yang lebih besar menunjukkan bahwa alternatif Ai lebih dipilih
;DD
DV
ii
ii +−
−
+=
TOPSIS
3
� 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
� 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).
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)
TOPSIS TOPSIS
� Nilai setiap alternatif di setiap kriteria:
Alternatif
Kriteria
C1 C2 C3 C4 C5
A1 0,75 2000 18 50 500
A2 0,50 1500 20 40 450
A3 0,90 2050 35 35 800
4
� Matriks ternormalisasi, R:
� Matriks ternormalisasi terbobot, Y:
TOPSIS
=
7654,04796,07928,06341,07066,0
4305,05482,04530,04640,03925,0
4784,06852,04077,06186,05888,0
R
=
5308,19185,11712,39022,15328,3
8611,01926,28121,13919,19627,1
9567,07408,26309,18558,19440,2
Y
� Solusi Ideal Positif (A+):
TOPSIS
{ } 9627,15328,3;9627,1;9440,2miny1 ==+
{ } 9022,19022,1;3919,1;8558,1maxy2 ==+
{ } 6309,11712,3;8121,1;6309,1miny3 ==+
{ } 7408,29185,1;1926,2;7408,2maxy 4 ==+
{ } 8611,05308,1;8611,0;9567,0miny5 ==+
{ }8611,0;7408,2;6309,1;9022,1;9627,1A =+
� Solusi Ideal Negatif (A-):
TOPSIS
{ } 9440,25328,3;9627,1;9440,2maxy1 ==−
{ } 3919,19022,1;3919,1;8558,1miny2 ==−
{ } 1712,31712,3;8121,1;6309,1maxy3 ==−
{ } 9185,19185,1;1926,2;7408,2miny4 ==−
{ } 5308,15308,1;8611,0;9567,0maxy5 ==−
{ }5308,1;9185,1;1712,3;3919,1;9440,2A =−
� Jarak antara nilai terbobot setiap alternatif
terhadap solusi ideal positif, :
� Jarak antara nilai terbobot setiap alternatif
terhadap solusi ideal negatif, :
TOPSIS
+i
S
−iS
9871,0D1
=+7706,0D
2=+ 4418,2D
3=+
9849,1D1
=− 1991,2D2
=− 5104,0D3
=−
5
� Kedekatan setiap alternatif terhadap solusi ideal dihitung sebagai berikut:
� 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.
TOPSIS
6679,09849,19871,0
9849,1V1 =
+=
7405,01991,27706,0
1991,2V2 =
+=
1729,05104,04418,2
5104,0V3 =
+=
Permasalahan padaAHP
didekomposisikan kedalam hirarki kriteria
dan alternatif
Analytic Hierarchy Process (AHP)
MASALAH
KRITERIA-1 KRITERIA-2 KRITERIA-n
KRITERIA-1,1 KRITERIA-n,1
ALTERNATIF 1 ALTERNATIF 2 ALTERNATIF m
…
… …
…
Analytic Hierarchy Process (AHP)
Saya ingin membeli HP yang harganya relatif murah, memorinyabesar, warnanya banyak, ukuran
piksel pada kamera besar, beratnyaringan, dan bentuknya unik
Ada 4 alternatif yang saya bayangkan, yaitu: N70 , N73 , N80
dan N90
Analytic Hierarchy Process (AHP)
6
Alterna-tif
Harga
(juta Rp)
Memori
(MB)
Warna Kamera
(MP)
Berat(gr)
N70 2,3 35 256 kb 2 126
N73 3,1 42 256 kb 3,2 116
N80 3,7 40 256 kb 3,2 134
N90 4,7 90 16 MB 2 191
Analytic Hierarchy Process (AHP)Analytic Hierarchy Process (AHP)
� Ada 3 tahap identifikasi:
� Tentukan tujuan: Membeli HP dengan kriteria
tertentu
� Tentukan kriteria: Harga, kapasitas memori,
ukuran warna, ukuran piksel kamera, berat, dan
keunikan,
� Tentukan alternatif: N70, N73, N80, dan N90,
Bentuk hirarki dari informasiyang diperoleh
Membeli HP
Harga Memori
TUJUANTUJUAN
Warna Kamera Berat Keunikan
N70
N73
N80
N90
N70
N73
N80
N90
N70
N73
N80
N90
N70
N73
N80
N90
N70
N73
N80
N90
N70
N73
N80
N90
KRITERIAKRITERIA
ALTERNATIFALTERNATIF
Analytic Hierarchy Process (AHP)
Informasi tersebut dapatdigunakan untuk menentukan
ranking relatif dari setiap atribut
Kriteria kuantitatif & kualitatifdapat digunakan untuk
mempertimbangkan bobot
Analytic Hierarchy Process (AHP)
7
Harga
Memori
Warna
Kamera
Berat
Analytic Hierarchy Process (AHP)
Saya lebih mengutamakan kemurahanharga, kemudian keunikan bentuk & berat HP, sedangkan kriteria lain merupakan prioritas terakhir
Analytic Hierarchy Process (AHP)
Dengan menggunakanperbandingan
berpasangan, dapatdiketahui derajatkepentingan relatif
antar kriteria
Analytic Hierarchy Process (AHP)
Matriks perbandingan berpasangan adalah
matriks berukuran n x n dengan elemen aij
merupakan nilai relatif tujuan ke-i terhadap
tujuan ke-j
Analytic Hierarchy Process (AHP)
8
11 : sama penting (equal)
33 : cukup penting (moderate)
55 : lebih penting (strong)
77 : sangat lebih penting (very)
99 : mutlak lebih penting (extreme)
Analytic Hierarchy Process (AHP)
Saya lebih mengutamakan kemurahan harga, kemudiankeunikan bentuk & berat HP, sedangkan kriteria lain
merupakan prioritas terakhir
113333/1
113333/1
3/13/11115/1
3/13/11115/1
3/13/11115/1
335551
H M W K B UH M W K B U
HH
MM
WW
KK
BB
UU
Analytic Hierarchy Process (AHP)
Konsep EIGENVECTOREIGENVECTORdigunakan untuk melakukanproses perankingan prioritassetiap kriteria berdasarkanmatriks perbandinganberpasangan (Saaty)
Analytic Hierarchy Process (AHP)
� Apabila A adalah matriks perbandingan berpasangan yang, maka vektor bobot yang berbentuk:
dapat didekati dengan cara:
� menormalkan setiap kolom j dalam matriks A, sedemikian hingga:
sebut sebagai A’.
� untuk setiap baris i dalam A’, hitunglah nilai rata-ratanya:
dengan wi adalah bobot tujuan ke-i dari vektor bobot.
∑ =i
ij 1a
)w)(n()w)(A( TT=
∑=j
'
iji an
1w
Analytic Hierarchy Process (AHP)
9
Analytic Hierarchy Process (AHP)
� Uji konsistensi: Misalkan A adalah matriks perbandingan berpasangan, dan w adalah vektor bobot, maka konsistensi dari vektor bobot w dapat diuji sebagi berikut:� hitung: (A)(wT)
� hitung: indeks konsistensi:
∑=
=
n
1iT
T
wpada i-keelemen
)(A)(w pada i-keelemen
n
1t
1n
ntCI
−
−=
Analytic Hierarchy Process (AHP)
� jika CI=0 maka A konsisten;
� jika maka A cukup konsisten; dan
� jika maka A sangat tidak konsisten.
� Indeks random RIn adalah nilai rata-rata CI
yang dipilih secara acak pada A dan diberikan sebagai:
1,0RI
CI
n
≤
1,0RI
CI
n
>
n 2 3 4 5 6 7 ...
RIn 0 0,58 0,90 1,12 1,24 1,32 ...
113333/1
113333/1
3/13/11115/1
3/13/11115/1
3/13/11115/1
335551
H M W K B UH M W K B U
HH
MM
WW
KK
BB
UU
1133,033,033,033,0
1133,033,033,033,0
33,033,01112,0
33,033,01112,0
33,033,01112,0
335551
Analytic Hierarchy Process (AHP)
1133333,0
1133333,0
33,033,01112,0
33,033,01112,0
33,033,01112,0
335551
2,26 14 14 14 6 6
6/16/114/33,014/33,014/33,026,2/33,0
6/16/114/33,014/33,014/33,026,2/33,0
6/33,06/33,014/114/114/126,2/2,0
6/33,06/33,014/114/114/126,2/2,0
6/33,06/33,014/114/114/126,2/2,0
6/36/314/514/514/526,2/1
Analytic Hierarchy Process (AHP)
10
1 1 1 1 1 1
Rata2Rata2
0,41880,4188
0,06890,0689
0,06890,0689
0,06890,0689
0,18720,1872
0,18720,1872
0,4412 0,3571 0,3571 0,3571 0,5000 0,5000
0,0882 0,0714 0,0714 0,0714 0,0556 0,0556
0,0882 0,0714 0,0714 0,0714 0,0556 0,0556
0,0882 0,0714 0,0714 0,0714 0,0556 0,0556
0,1471 0,2143 0,2143 0,2143 0,1667 0,1667
0,1471 0,2143 0,2143 0,2143 0,1667 0,1667
1 1 1 1 1 1 1
0,4412 0,3571 0,3571 0,3571 0,5000 0,5000
0,0882 0,0714 0,0714 0,0714 0,0556 0,0556
0,0882 0,0714 0,0714 0,0714 0,0556 0,0556
0,0882 0,0714 0,0714 0,0714 0,0556 0,0556
0,1471 0,2143 0,2143 0,2143 0,1667 0,1667
0,1471 0,2143 0,2143 0,2143 0,1667 0,1667
W = (0,4188; 0,0689; 0,0689; 0,0689; 0,1872; 0,1872) W = (0,4188; 0,0689; 0,0689; 0,0689; 0,1872; 0,1872)
Analytic Hierarchy Process (AHP)
0579,61872,0
1345,1
1872,0
1345,1
0689,0
4154,0
0689,0
4154,0
0689,0
4154,0
4188,0
5761,2
6
1t =
+++++=
0,4188
0,0689
0,0689
0,0689
0,1872
0,1872
=
2,5761
0,4154
0,4154
0,4154
1,1345
1,13451133333,0
1133333,0
33,033,01112,0
33,033,01112,0
33,033,01112,0
335551
0116,05
60579,6CI =
−=
Analytic Hierarchy Process (AHP)
Untuk n=6, diperoleh RI6 = 1,24, sehingga:
1,00093,024,1
0116,0
RI
CI
6
≤==
KONSISTEN !!!KONSISTEN !!!
Analytic Hierarchy Process (AHP)
Bentuk hirarki dari informasiyang diperoleh
Membeli HP
Harga(0,4188)
Memori(0,0689)
TUJUANTUJUAN
Warna(0,0689)
Kamera(0,0689)
Berat(0,1872)
Keunikan(0,1872)
N70
N73
N80
N90
N70
N73
N80
N90
N70
N73
N80
N90
N70
N73
N80
N90
N70
N73
N80
N90
N70
N73
N80
N90
KRITERIAKRITERIA
ALTERNATIFALTERNATIF
Analytic Hierarchy Process (AHP)
11
Matriks perbandingan berpasangan untuk hargahargadiperoleh dari data harga setiap HP
17,4/7,37,4/1,37,4/3,2
7,3/7,417,3/1,37,3/3,2
1,3/7,41,3/7,311,3/3,2
3,2/7,43,2/7,33,2/1,31
N70 N73 N80 N90N70 N73 N80 N90
N70N70
N73N73
N80N80
N90N90
Analytic Hierarchy Process (AHP)
1 1 1 1
Rata2Rata2
0,35050,3505
0,26010,2601
0,21790,2179
0,17150,1715
0,3505 0,3505 0,3505 0,3505
0,2601 0,2601 0,2601 0,2601
0,2179 0,2179 0,2179 0,2179
0,1715 0,1715 0,1715 0,1715
W = (W = (0,3505; 0,2601; 0,2179; 0,17150,3505; 0,2601; 0,2179; 0,1715) )
1 1 1 1
0,3505 0,3505 0,3505 0,3505
0,2601 0,2601 0,2601 0,2601
0,2179 0,2179 0,2179 0,2179
0,1715 0,1715 0,1715 0,1715
Analytic Hierarchy Process (AHP)
MinHarga = min(2,3; 3,1; 3,7; 4,7) = 2,3
•• N70 = N70 = 2,3/2,3 = 12,3/2,3 = 1
•• N73 = N73 = 2,3/3,1 = 0,742,3/3,1 = 0,74
•• N80 = N80 = 2,3/3,7 = 0,622,3/3,7 = 0,62
•• N90 = N90 = 2,3/4,7 = 0,492,3/4,7 = 0,49
Atau …
Analytic Hierarchy Process (AHP)
Total = 1 + 0,74 + 0,62 + 0,49 = 2,85
•• N70 N70 = = 1/2,85 1/2,85 == 0,3500,350
•• N73 N73 = = 0,74/2,85 0,74/2,85 == 0,2600,260
•• N80 N80 = = 0,62/2,85 0,62/2,85 == 0,2180,218
•• N90 N90 = = 0,49/2,85 0,49/2,85 == 0,172 0,172
Normalkan …
W = (0,350; 0,260; 0,218; 0,172)W = (0,350; 0,260; 0,218; 0,172)
Analytic Hierarchy Process (AHP)
12
Matriks perbandingan berpasangan untuk memorimemoridiperoleh dari data memori setiap HP
140/9042/9035/90
90/40142/4035/40
90/4240/42135/42
90/3540/3542/351
N70 N73 N80 N90N70 N73 N80 N90
N70N70
N73N73
N80N80
N90N90
W = (W = (0,1691; 0,2029; 0,1932; 0,43480,1691; 0,2029; 0,1932; 0,4348) )
Analytic Hierarchy Process (AHP)
Matriks perbandingan berpasangan untuk warnawarnadiperoleh dari data warna setiap HP
256/)1024*16(256/)1024*16(256/)1024*16(256/)1024*16(
)1024*16/(256111
)1024*16/(256111
)1026*16/(256111
N70 N73 N80 N90N70 N73 N80 N90N70N70
N73N73
N80N80
N90N90
W = (W = (0,0149; 0,0149; 0,0149; 0,95520,0149; 0,0149; 0,0149; 0,9552) )
Analytic Hierarchy Process (AHP)
TotWarna = 256 + 256 + 256 + (16x1024) = 17152
•• N70 N70 = = 256/17152 256/17152 == 0,0150,015
•• N73 N73 = = 256/17152 256/17152 == 0,0150,015
•• N80 N80 = = 256/17152 256/17152 == 0,0150,015
•• N90 N90 = = (16x1024)/17152 (16x1024)/17152 == 0,955 0,955
Atau …
W = (0,015; 0,015; 0,015; 0,955)W = (0,015; 0,015; 0,015; 0,955)
Analytic Hierarchy Process (AHP)
Matriks perbandingan berpasangan untuk kamerakameradiperoleh dari data kamera setiap HP
12,3/22,3/21
2/2,3112/2,3
2/2,3112/2,3
12,3/22,3/21
N70 N73 N80 N90N70 N73 N80 N90
N70N70
N73N73
N80N80
N90N90
W = (W = (0,1932; 0,3077; 0,3077; 0,19320,1932; 0,3077; 0,3077; 0,1932) )
Analytic Hierarchy Process (AHP)
13
TotKamera = 2 + 3,2 + 3,2 + 2 = 10,4
•• N70 N70 = = 2/10,4 2/10,4 == 0,1920,192
•• N73 N73 = = 3,2/10,4 3,2/10,4 == 0,3080,308
•• N80 N80 = = 3,2/10,4 3,2/10,4 == 0,3080,308
•• N90 N90 = = 2/10,4 2/10,4 == 0,192 0,192
Atau …
W = (0,192; 0,308; 0,308; 0,192)W = (0,192; 0,308; 0,308; 0,192)
Analytic Hierarchy Process (AHP)
Matriks perbandingan berpasangan untuk beratberatdiperoleh dari data berat setiap HP
191,1/34,191,1/16,191,1/26,1
34,1/91,1134,1/16,134,1/26,1
16,1/91,116,1/34,1116,1/26,1
26,1/91,126,1/34,126,1/16,11
N70 N73 N80 N90N70 N73 N80 N90
N70N70
N73N73
N80N80
N90N90
W = (W = (0,2713; 0,2947; 0,2551; 0,17900,2713; 0,2947; 0,2551; 0,1790) )
Analytic Hierarchy Process (AHP)
MinBerat = min(1,26; 1,16; 1,34; 1,91) = 1,16
•• N70 = N70 = 1,26/1,16 = 0,921,26/1,16 = 0,92
•• N73 = N73 = 1,16/1,26 = 11,16/1,26 = 1
•• N80 = N80 = 1,16/1,34 = 0,871,16/1,34 = 0,87
•• N90 = N90 = 1,16/1,91 = 0,611,16/1,91 = 0,61
Atau …
Analytic Hierarchy Process (AHP)
TotBerat = 1 + 0,92 + 0,87 + 0,61 = 3,4
•• N70 N70 = = 1/3,4 1/3,4 == 0,2940,294
•• N73 N73 = = 0,92/3,4 0,92/3,4 == 0,2710,271
•• N80 N80 = = 0,87/3,4 0,87/3,4 == 0,2560,256
•• N90 N90 = = 0,61/3,4 0,61/3,4 == 0,179 0,179
Normalkan …
W = (0,271; 0,294; 0,256; 0,179)W = (0,271; 0,294; 0,256; 0,179)
Analytic Hierarchy Process (AHP)
14
Matriks perbandingan berpasanganuntuk keunikankeunikan diperoleh secarasubyektif dari persepsi user
N90 lebih unik dibanding N80 N80 lebih unik dibanding N73N73 lebih unik dibanding N70
Analytic Hierarchy Process (AHP)
Matriks perbandingan berpasangan untuk keunikankeunikandiperoleh secara subyektif dari persepsi user
335
3/1123
3/12/112
5/13/12/11
N70 N73 N80 N90N70 N73 N80 N90
N70N70
N73N73
N80N80
N90N90
W = (W = (0,0860; 0,1544; 0,2415; 0,51810,0860; 0,1544; 0,2415; 0,5181) )
Analytic Hierarchy Process (AHP)
Bentuk hirarki dari informasiyang diperoleh
Membeli HP
Harga(0,4188)
Memori(0,0689)
Warna(0,0689)
Kamera(0,0689)
Berat(0,1872)
Keunikan(0,1872)
N70(0,3505) N73(0,2601) N80(0,2179) N90(0,1715)
N70(0,1691) N73(0,2029) N80(0,1932) N90(0,4348)
N70(0,0149) N73(0,0149) N80(0,0149) N90(0,9552)
N70(0,1932) N73(0,3077) N80(0,3077) N90(0,1932)
N70(0,2713) N73(0,2947) N80(0,2551) N90(0,1790)
N70(0,0860) N73(0,1544) N80(0,2415) N90(0,5181)
Analytic Hierarchy Process (AHP) Analytic Hierarchy Process (AHP)
� Perankingan: Misalkan ada n tujuan dan m alternatif
pada AHP, maka proses perankingan alternatif dapat
dilakukan melalui langkah-langkah berikut:
� Untuk setiap tujuan i, tetapkan matriks perbandingan berpasangan A, untuk m alternatif.
� Tentukan vektor bobot untuk setiap Ai yang merepresentasikan bobot relatif dari setiap alternatif ke-j
pada tujuan ke-i (sij).
� Hitung total skor:
� Pilih alternatif dengan skor tertinggi.∑=i
iijj )w)(s(s
15
0,3505 0,1691 0,0149 0,1923 0,2713 0,08600,2601 0,2029 0,0149 0,3077 0,2947 0,15440,2179 0,1932 0,0149 0,3077 0,2551 0,24150,1715 0,4348 0,9552 0,1923 0,1790 0,5181
0,41880,06890,06890,06890,18720,1872
=
0,23960,22920,21980,3114
N70N70 = 0,2396
N73N73 = 0,2292
N80N80 = 0,2198
N90 = 0,3114
Analytic Hierarchy Process (AHP)