Simple Additive Weighting (SAW)

Contoh implementasi DSS (Decision Support System) dengan metode SAW (Simple Additive Weighting) menggunakan PHP dan MySQL untuk pemilihan manajer IT

Metode Simple Additive Weighting (SAW) merupakan salah satu metode untuk menyelesaikan masalah Multi-Attribute Decision Making (MADM) dengan mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut.

[ author : cahya dsn, published on : February 6, 2015 updated on : August 16, 2018 ]

minerva minerva donasi donation

Mau lihat artikel lainya? Dapatkan artikel-artikel lain seputar pemrograman website di sini, dan dapatkan ide-ide baru

Penerapan Metode Simple Additive Weighting (SAW) diharapkan mampu untuk membantu dalam menentukan Manajer IT baru dari beberapa kandidat karyawan yang diajukan, untuk mengelola dan memimpin departemen IT

Sebuah perusahaan IT membutuhkan seorang manager IT yang akan diarahkan untuk mengelola dan memimpin departemen IT. Ada 8 kandidat yang akan dipilih dari hasil interview yang sudah dilakukan oleh tim HRD dan Management yang akan dijadikan alternatif; yaitu A1: Enrico, A2: T. Nina, A3: R. Oscar, A4: L. Carlie, A5: H. Wawan, A6: Gatot R., A7: S. Zaki, dan A8: Kevin R. .

Ada 5 kriteria dasar yang menjadi acuan dalam pengambilan keputusan, yaitu:

  • C1: Penguasaan Aspek Teknis (skala 1-10)
  • C2: Pengalaman Kerja (dalam tahun)
  • C3: Interpersonal Skill (skala 1-10)
  • C4: Usia (dalam tahun)
  • C5: Status Perkawinan (5:blm menikah, 8:menikah tanpa tanggungan, 10: menikah dgn tanggungan)

2.1 Kecocokan Alternatif dan Kriteria

Tabel 1 menunjukkan rating kecocokan dari setiap alternatif dengan setiap kriteria. Nilai setiap alternatif pada setiap atribut diberikan berdasarkan data riil.

TABEL 1: Rating kecocokan dari setiap alternatif pada setiap kriteria
Alternatif Kriteria
C1C2C3C4C5
A1 Enrico758255
A2 T. Nina936.5448
A3 R. Oscar7.5106.5285
A4 L. Carlie996.5348
A5 H. Wawan8564210
A6 Gatot R.71.564210
A7 S. Zaki7.59.57.5325
A8 Kevin R.6.536.52310

2.2. Bobot Kriteria

Pengambil keputusan memberi bobot preferensi dari setiap kriteria sebagai: W=(1.4,2.2,2.3,2.4,3) dengan masing-masing jenisnya (keuntungan/benefit atau biaya/cost) seperti dalam tabel 2 berikut:

TABEL 2: Kriteria yang ditentukan
Kriteria Deskripsi Bobot Atribut
C1 Penguasaan Aspek teknis 1.4 benefit
C2 Pengalaman Kerja 2.2 benefit
C3 Interpersonal Skill 2.3 benefit
C4 Usia 2.4 cost
C5 Status Perkawinan 3 cost

2.3. Perhitungan Manual

Pada bagian ini akan dijelaskan mengenai perhitungan peluang/probabilitas dari data training yang diberikan. Penjelasannya sendiri disajikan secara langkah per langkah agar mudah dipahami.

2.3.1. Matriks Keputusan (X)

Pertama-tama berdasarkan nilai data kecocokan antara alternatif dan kriteria pada TABEL 1 dapat dibuatkan matriks keputusan (X) sebagai berikut:

758255
936.5448
7.5106.5285
996.5348
8564210
71.564210
7.59.57.5325
6.536.52310

2.3.2. Perhitungan Matriks Ternormalisasi (R)

Tahap berikutnya dalah melakukan perhitungan normalisasi untuk mendapatkan matriks nilai ternormalisasi (R), dengan ketentuan :

Untuk normalisai nilai, jika faktor/attribute kriteria bertipe cost maka digunakan rumusan:

Rij = ( min{Xij} / Xij)

sedangkan jika faktor/attribute kriteria bertipe benefit maka digunakan rumusan:

Rij = ( Xij/max{Xij} )

Sehingga dapat dihitung nilai-nilai ternormalisasi-nya (R) untuk tiap kriteria dan alternatif sebagai berikut:

2.3.2.1. Kriteria Penguasaan Aspek teknis

Pada kriteria Penguasaan Aspek teknis mempunyai tipe benefit, maka dicari nilai maksimum-nya (max(Xij)) terlebih dahulu; dalam hal ini diperoleh max(Xij) = 9; yaitu didapat dari nilai tertinggi pada kolom ke-1. Nilai sehingga ternormalisasi-nya adalah dengan membagi nilai masing-masing alternatif dengan nilai maksimum kolom tersebut seperti perhitungan berikut:

R11 = 7/9 = 0.78
R21 = 9/9 = 1
R31 = 7.5/9 = 0.83
R41 = 9/9 = 1
R51 = 8/9 = 0.89
R61 = 7/9 = 0.78
R71 = 7.5/9 = 0.83
R81 = 6.5/9 = 0.72

2.3.2.2. Kriteria Pengalaman Kerja

Pada kriteria Pengalaman Kerja mempunyai tipe benefit, maka dicari nilai maksimum-nya (max(Xij)) terlebih dahulu; dalam hal ini diperoleh max(Xij) = 10; yaitu didapat dari nilai tertinggi pada kolom ke-2. Nilai sehingga ternormalisasi-nya adalah dengan membagi nilai masing-masing alternatif dengan nilai maksimum kolom tersebut seperti perhitungan berikut:

R12 = 5/10 = 0.5
R22 = 3/10 = 0.3
R32 = 10/10 = 1
R42 = 9/10 = 0.9
R52 = 5/10 = 0.5
R62 = 1.5/10 = 0.15
R72 = 9.5/10 = 0.95
R82 = 3/10 = 0.3

2.3.2.3. Kriteria Interpersonal Skill

Pada kriteria Interpersonal Skill mempunyai tipe benefit, maka dicari nilai maksimum-nya (max(Xij)) terlebih dahulu; dalam hal ini diperoleh max(Xij) = 8; yaitu didapat dari nilai tertinggi pada kolom ke-3. Nilai sehingga ternormalisasi-nya adalah dengan membagi nilai masing-masing alternatif dengan nilai maksimum kolom tersebut seperti perhitungan berikut:

R13 = 8/8 = 1
R23 = 6.5/8 = 0.81
R33 = 6.5/8 = 0.81
R43 = 6.5/8 = 0.81
R53 = 6/8 = 0.75
R63 = 6/8 = 0.75
R73 = 7.5/8 = 0.94
R83 = 6.5/8 = 0.81

2.3.2.4. Kriteria Usia

Pada kriteria Usia mempunyai tipe cost, maka dicari nilai minimum-nya (min(Xij)) terlebih dahulu; dalam hal ini diperoleh min(Xij) = 23; yaitu didapat dari nilai terendah pada kolom ke-4. Nilai sehingga ternormalisasi-nya adalah dengan membagi nilai minimum kolom tersebut dengan nilai masing-masing alternatif seperti perhitungan berikut:

R14 = 23/25 = 0.92
R24 = 23/44 = 0.52
R34 = 23/28 = 0.82
R44 = 23/34 = 0.68
R54 = 23/42 = 0.55
R64 = 23/42 = 0.55
R74 = 23/32 = 0.72
R84 = 23/23 = 1

2.3.2.5. Kriteria Status Perkawinan

Pada kriteria Status Perkawinan mempunyai tipe cost, maka dicari nilai minimum-nya (min(Xij)) terlebih dahulu; dalam hal ini diperoleh min(Xij) = 5; yaitu didapat dari nilai terendah pada kolom ke-5. Nilai sehingga ternormalisasi-nya adalah dengan membagi nilai minimum kolom tersebut dengan nilai masing-masing alternatif seperti perhitungan berikut:

R15 = 5/5 = 1
R25 = 5/8 = 0.63
R35 = 5/5 = 1
R45 = 5/8 = 0.63
R55 = 5/10 = 0.5
R65 = 5/10 = 0.5
R75 = 5/5 = 1
R85 = 5/10 = 0.5

Dari hasil-hasil perhitungan tersebut dapat dibuat matirk ternormalisasi (R) sebagai berikut:

0.780.510.921
10.30.810.520.63
0.8310.810.821
10.90.810.680.63
0.890.50.750.550.5
0.780.150.750.550.5
0.830.950.940.721
0.720.30.8110.5

2.3.3. Perhitungan Nilai Preferensi (P)

Nilai preferensi (P) diperoleh dari penjumlahan perkalian nilai ternormalisasi (R) dengan bobot kriteria (W) untuk masing-masing Alternatif (A), sesuai dengan persamaan SAW-03. Perhitungan untuk masing-masing alternatif (A) adalah sebagai berikut:

A1 = 0.78 * 1.4 + 0.5 * 2.2 + 1 * 2.3 + 0.92 * 2.4 + 1 * 3
A1 = 9.7

A2 = 1 * 1.4 + 0.3 * 2.2 + 0.81 * 2.3 + 0.52 * 2.4 + 0.63 * 3
A2 = 7.061

A3 = 0.83 * 1.4 + 1 * 2.2 + 0.81 * 2.3 + 0.82 * 2.4 + 1 * 3
A3 = 10.193

A4 = 1 * 1.4 + 0.9 * 2.2 + 0.81 * 2.3 + 0.68 * 2.4 + 0.63 * 3
A4 = 8.765

A5 = 0.89 * 1.4 + 0.5 * 2.2 + 0.75 * 2.3 + 0.55 * 2.4 + 0.5 * 3
A5 = 6.891

A6 = 0.78 * 1.4 + 0.15 * 2.2 + 0.75 * 2.3 + 0.55 * 2.4 + 0.5 * 3
A6 = 5.967

A7 = 0.83 * 1.4 + 0.95 * 2.2 + 0.94 * 2.3 + 0.72 * 2.4 + 1 * 3
A7 = 10.142

A8 = 0.72 * 1.4 + 0.3 * 2.2 + 0.81 * 2.3 + 1 * 2.4 + 0.5 * 3
A8 = 7.431

2.3.4. Perangkingan

Dari hasil perhitungan nilai preferensi (P) sebelumnya, maka dapat dilakukan perangkingan dengan diurutkan berdasarkan nilai yang terbesar sebagai berikut:

A3 = 10.193
A7 = 10.142
A1 = 9.7
A4 = 8.765
A8 = 7.431
A2 = 7.061
A5 = 6.891
A6 = 5.967

Sehingga diperoleh hasil Alternatif A3 (R. Oscar) dengan nilai 10.193 menjadi yang terpilih sebagai manajer IT karena mempunyai nilai akhir perangkingan yang tertinggi