Contoh Penerapan Metode SAW (Simple Additive Weighting) Pendaftaran Wartawan Online | WIKA NYUBiE

Selamat datang kembali di blog saya :)

Kali ini saya ingin sekali berbagi sedikit ilmu yang saya pelajari saat diperkuliahan. Saya ingin berbagi metode SAW (Simple Additive Weighting) kepada teman - teman yang mungkin masih bingung dan kurang paham dengan metode ini. Seperti namanya, Simple Additive Weighting atau penjumlahan berbobot sederhana, disini kalau teman - teman memiliki data - data yang diperlukan, maka metode ini akan mudah dipahami. Jadi, jika teman - teman mungkin ada yang belum setuju dengan konten tulusan saya, mohon koreksinya.

DEFENISI SAW

Metode SAW merupakan metode yang juga dikenal dengan metode penjumlahan berbobot. Copas dari blog tetangga http://belajarbersamawegi.blogspot.com/2013/06/metode-simple-additive-weighting-saw.html, Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut (Fishburn, 1967) (MacCrimmon, 1968).

Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.  Metode ini merupakan metode yang paling terkenal dan paling banyak digunakan dalam menghadapi situasi MADM (Multiple Attribute Decision Making). MADM itu sendiri merupakan suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu.

Masih dari blog yang sama ada beberapa tahapan untuk menyelesaikan suatu kasus menggunakan metode SAW ini :

1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci. 
2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
3. Membuat matriks keputusan berdasarkan kriteria (Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R.
4. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi.

Agar lebih jelas dalam pengimplementasian algoritma tersebut lebih baik kita langsung dengan studi kasus di bawah ini :

Sesuai judulnya "Penerapan Metode SAW (Simple Additive Weighing) Pendaftaran Wartawan Online" disini diketahui bobot dan kriterianya, yaitu :

Langkah pertama (Kriteria dan himpunan)

Tabel 1. Kriteria Dan Himpunan

Kode	Nama Kriteria	Atribut	Bobot	Himpunan	Nilai
C1	Usia	Cost	1	17 - 40 Tahun	Baik (5)
				41 - 60 Tahun	Cukup (3)
				>60 Tahun	Tidak Baik (2)
C2	Pendidikan	Benefit	4	Lebih dari tamatan SMA	Baik (5)
				Tamatan SMA	Cukup (3)
				Tamatan SD Atau SMP	Tidak Baik (2)
C3	Pengalaman	Benefit	5	Pengalaman menjadi wartawan	Baik (5)
				Pengalaman lain	Cukup (3)
				Belum ada sama sekali	Tidak Baik (2)

Penjelasan :

• C1, C2, C3 = kode kriteria (criteria) disimbolkan dengan Criteria pertama, Criteria kedua, Criteria ketiga.
• Nama Kriteria = hal yang dianggap menjadi syarat bergabung dalam lembaga kewartawanan tersebut.
• Atribut = hal yang dianggap menjadi acuan terpenting dalam bergabung di lembaga kewartawanan tersebut.
• Cost dan Benefit = apakah kriteria (usia) termasuk syarat yang diutamakan? Jika tidak, maka disebut cost. Jika kriteria tersebut termasuk yang diutamakan, maka disebut benefit (keuntungan).
• Bobot = merupakan wujud nilai yang dituju.
• Himpunan = merupakan pembagian dari masing - masing kriteria.
• Nilai = merupakan jumlah berapakah yang dikatakan baik, cukup baik dan tidak baik dalam himpunan.

Langkah kedua (Anggota dan kriteria anggota)

Tabel 2. Anggota Dan Kriteria Anggota

Kode	Nama Pendaftar	Kriteria	Himpunan
C1	Budi	Usia	34 Tahun
		Pendidikan Terakhir	SMA
		Pengalaman	Wartawan
C2	Anto	Usia	47 Tahun
		Pendidikan Terakhir	SMA
		Pengalaman	Wartawan
C3	Putra	Usia	33 Tahun
		Pendidikan Terakhir	SMA
		Pengalaman	Wartawan
C4	Angga	Usia	53 Tahun
		Pendidikan Terakhir	SMA
		Pengalaman	Wartawan
C5	Sandi	Usia	39 Tahun
		Pendidikan Terakhir	SMA
		Pengalaman	Wartawan

Langkah ketiga (Matriks keputusan)

Tabel 3. Matriks Keputusan

Nama Pendaftar	Kriteria
	C1	C2	C3
Budi	5	3	5
Anto	3	3	5
Putra	5	3	5
Angga	3	3	5
Sandi	5	3	5
Nilai Min/Max	3	5	5

Langkah keempat (Matriks ternormalisasi)

Untuk keriteria beratribut cost menggunakan fungsi MIN dan jika beratribut benefit maka menggunakan fungsi MAX. Hasil matriks ternormalisasi dapat dilihat sebagai berikut : 


Rumus mencari nilai MIN
R_ii = ( X_ij / max{X_ij})

Rumus mencari nilai MAX
R_ii = (min{X_ij} /X_ij)

    -----------------------------------------------------
     P11        = 5 / MIN (5; 3; 5; 3; 5; 5; 3; 5; 3)

= 5 / 3 = 1,6667

P12        = 3 / MIN (5; 3; 5; 3; 5; 5; 3; 5; 3)

= 3 / 3 = 1

P13        = 5 / MIN (5; 3; 5; 3; 5; 5; 3; 5; 3)

= 5 / 3 = 1,6667

P14        = 3 / MIN (5; 3; 5; 3; 5; 5; 3; 5; 3)

= 3 / 3 = 1

P15        = 5 / MIN (5; 3; 5; 3; 5; 5; 3; 5; 3)

                   = 5 / 3 = 1,6667
    -----------------------------------------------------

P 21       = 3 / MAX (3; 3; 3; 3; 3; 3; 3; 5; 2)

= 3 / 5 = 0,6

P 22       = 3 / MAX (3; 3; 3; 3; 3; 3; 3; 5; 2)

= 3 / 5 = 0,6

P 23       = 3 / MAX (3; 3; 3; 3; 3; 3; 3; 5; 2)

= 3 / 5 = 0,6

P 24       = 3 / MAX (3; 3; 3; 3; 3; 3; 3; 5; 2)

= 3 / 5 = 0,6

P 25       = 3 / MAX (3; 3; 3; 3; 3; 3; 3; 5; 2)

                   = 3 / 5 = 0,6
    -----------------------------------------------------

P 31       = 5 / MAX (5; 5; 5; 5; 5; 5; 5; 5; 5)

= 5 / 5 = 1

P 32       = 5 / MAX (5; 5; 5; 5; 5; 5; 5; 5; 5)

= 5 / 5 = 1

P 33       = 5 / MAX (5; 5; 5; 5; 5; 5; 5; 5; 5)

= 5 / 5 = 1

P 34       = 5 / MAX (5; 5; 5; 5; 5; 5; 5; 5; 5)

= 5 / 5 = 1

P 35       = 5 / MAX (5; 5; 5; 5; 5; 5; 5; 5; 5)

                   = 5 / 5 = 1

Tabel 4. Matriks Ternormalisasi

Nama Pendaftar	Kriteria
	C1	C2	C3
P1	1,666666667	0.6	1
P2	1	0.6	1
P3	1,666666667	0.6	1
P4	1,666666667	0.6	1
P5	1,666666667	0.6	1

Langkah kelima
Menghitung matriks dengan menjumlahkan matriks kriteria masing - masing alternatif.
Rumus :

 P1         = (1,6667*1) + (0,6*4) + (1*5)
              = 9,0667
P2          = (1*1) + (0,6*4) + (1*5)
              = 8,4
P3          = (1,6667*1) + (0,6*4) + (1*5)
              = 9,0667
P4          = (1,6667*1) + (0,6*4) + (1*5)
              = 9,0667
P5          = (1,6667*1) + (0,6*4) + (1*5)
              = 9,0667

Langkah keenam

Melakukan perhitugan untuk mendapatkan nilai dengan rentang 0 – 100 dengan mencari
presentase nilai rank dibagi dengan total bobot dikali 100.

P1          = (9,0667 / 10) * 100 = 90,667

P2          = (8,4 / 10) * 100 = 84

P3          = (9,0667 / 10) * 100 = 90,667

P4          = (9,0667 / 10) * 100 = 90,667

P5          = (9,0667 / 10) * 100 = 90,667

Langkah ketujuh

Tabel 5. Nilai Dan Ranking

Nilai	Rank
X > 80	A
70 < X <= 80	B
60 < X <= 70	C
X <= 60	D

Tabel 6. Hasil Perangkingan

Nama Pendaftar	Nilai	Rank
Budi	90,667	A
Anto	84	A
Putra	90,667	A
Angga	90,667	A
Sandi	90,667	A

Alhamdulillah.... selesai sudah pembahasan metode SAW ini. Semoga teman - teman paham
dengan pembahasan saya. Terima kasih sudah berkunjung ke blog WIKA NYUBiE. Apabila ada
yang kurang berkenan, saya persilahkan saran dan kritiknya dari teman teman.