Sistem Pendukung Keputusan
Sistem pendukung keputusan adalah suatu kumpulan prosedur
berbasis model untuk memproses data dan keputusan untuk membantu manager dalam
membuat atau mengambil sebuah keputusan. Dikatakan bahwa untuk suksesnya sebuah
sistem harus bersifat sederhana, mudah dikendalikan, lengkap dan yang paling
penting dan mudah dikomunikasikan. Sistem pendukung keputusan itu sendiri terdiri dari banyak metode, tetapi pada bahasan kali ini saya akan membahan tentang Simple Addictive Weighting (SAW). Secara tidak langsung dapat diambil
kesimpulan bahwa sistem pendukung keputusan berbasis komputer dapat memberikan
solusi dan alternative terbaik kepada pemakai (Lanay, 2006).
Konsep dasar pengambilan keputusan:
Menurut (Lanay, 2006)
dalam proses pengambilan keputusan terdapat model pengambilan keputusan yang
terdiri dari 4 fase yaitu:
1.
Penelusuran (intelligence)
Tahap ini adalah tahap proses penelusuran dan pendektesian
dari lingkup problematika serta proses pengenalan masalah. Data-data yang telah
dikumpulkan kemudian diproses dan diuji untuk mengidentifikasi masalah.
2.
Perancangan (design)
Merupakan tahap proses menemukan, mengembangkan dan
menganalisis alternatif tindakan yang dapat dilakukan. Tahap ini meliputi
proses untuk mengerti masalah, menurunkan solusi, dan menguji kelasakan solusi.
3.
Pemilihan (choice)
Tahap ini terdapat proses pemilihan dari berbagai alternatif
yang telah ditawarkan. Hasil dari pemilihan tersebut kemudian diimplementasikan
dalam proses pengambilan keputusan.
4.
Implementasi (implementation)
Merupakan tahap yang paling terakhir dan tahap dimana
dilakukan pengambilan keputusan.
Simple Addictive Weighting (SAW)
Menurut (Sulistiyo, 2010) Metode SAW biasa juga disebut dengan
istilah metode pembobotan karena metode ini menggunakan penjumlahan yang
terbobot. Konsep dasar dari metode ini adalah mencari penjumlahan terbobot yang
mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada
semua atribut. Metode ini membutuhkan proses normalisasi matriks keputusan (X)
ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang
ada.
Keterangan:
rij = nilai rating kinerja ternormalisasi
xij = nilai atribut yang dimiliki dari setiap kriteria
Max xij = nilai terbesar dari setiap kriteria i
Min xij = nilai terkecil dari setiap kriteria i
Benefit =
jika nilai terbesar adalah terbaik
Cost = jika nilai terkecil adalah terbaik dimana rij adalah
rating kinerja ternormalisasi
dari alternatif Ai pada atribut Cj;i=1,2,...,m dan j=1,2,...,n. Nilai
preferensi untuk setiap alternatif (Vi) diberikan sebagai:
Keterangan :
Vi = rangking untuk setiap
alternatif
wj = nilai bobot dari setiap
kriteria
rij = nilai rating kinerja
ternormalisasi
Nilai Vi yang lebih
besar mengindikasikan bahwa alternatif Ai lebih terpilih.
Langkah Langkah SAW
Menurut (Sulistiyo, 2010) ada beberapa tahapan yang harus dilalui
ketika kita memilih metode SAW dalam sistem pendukung keputusan kita. Diantara
langkah-langkahnya adalah:
1.
Memberikan nilai untuk
setiap alternatif (Ai) pada setiap kriteria (Cj) yang sudah ditentukan, dimana
nilai i=1,2,…m dan j=1,2,…n.
2. Memberikan nilai bobot (W) yang didapatkan dari nilai crisp.
3. Membuat normalisasi pada matriks dengan cara melakukan
perhitungan untuk nilai rating kinerja ternormalisasi (rij) dari setiap
alternatif Ai pada atribut Cj
berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan/benefit = maksimum atau atribut biaya/cost = minimum). Jika beruba atribut keuntungan
maka nilai crisp (Xij) dari setiap
kolom atribut dibagi dengan nilai crisp max (max Xij) dari setiap kolom, sedangkan untuk
atribut biaya, nilai crisp min (min
Xij) dari tiap kolom atribut dibagi dengan nilai crisp (Xij) setiap kolom
4. Melakukan perankingan untuk setiap alternatif (Vi) dengan
cara mengalikan nilai bobot (wi) dengan nilai rating kinerja ternormalisasi
(rij).
