1 / 61

Pemodelan dan Manajemen Model & Analytic Hierarchy Process ( AHP)

Sistem Pendukung Keputusan / Decision Support System. Pemodelan dan Manajemen Model & Analytic Hierarchy Process ( AHP). Oleh : Imam Cholissodin S.Si., M.Kom. Content. Pemodelan dalam MSS Aspek-Aspek dalam Pemodelan Model Berdasarkan Waktu Analisis Keputusan Forecasting ( Peramalan )

joy-short
Download Presentation

Pemodelan dan Manajemen Model & Analytic Hierarchy Process ( AHP)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. SistemPendukungKeputusan / DecisionSupportSystem PemodelandanManajemen Model &Analytic Hierarchy Process (AHP) Oleh : Imam Cholissodin S.Si., M.Kom

  2. Content • Pemodelandalam MSS • Aspek-AspekdalamPemodelan • Model BerdasarkanWaktu • AnalisisKeputusan • Forecasting (Peramalan) • BahasaPemodelan • Model Base Structure and Management • Analytic Hierarchy Process (AHP) • Case Study • LatihanIndividu + TugasKelompok

  3. Pemodelandalan MSS • Salah satucontoh DSS, yaitudari Frazee Paint, Inc., memiliki 3 jenis model: • Model statistik (analisisregresi), digunakanuntukmencarirelasidiantaravariabel. • Model finansialuntukpengembanganlaporanpemasukandanproyeksi data finansialuntukbeberapatahun. • Model optimasidibuatmenggunakan model management science yang disebutpendekatanLinear Programmingmaupunpendekatanalgoritmikdalamrangkamelakukanoptimasipilihan.

  4. Aspek-AspekdalamPemodelan • BeberapaaspekdalamPemodelan : • Identifikasimasalahdananalisislingkungan. • Identifikasivariabel. • Perkiraan(forecasting). • Model. • Manajemenmodel.

  5. Model BerdasarkanWaktu • Model statis: mengambilsatukejadiansajadalamsuatusituasi, baikwaktunyasingkatmaupun lama. Diasumsikanadanyastabilitasdalamsatu interval waktutersebut. • Model dinamis : digunakanuntukmengevaluasiskenario yang berubahsetiapsaat. Model initergantungpadawaktu. Dapatmenunjukkantrendanpolapadawaktutertentu.

  6. AnalisaKeputusan • AnalisaKeputusan: Analisasituasiyang melibatkansejumlahalternatifkeputusandanumumnyatakterlalubanyakalternatif (bagiandari proses trade-off). • Membuatpendekatan model dimanaalternatif-alternatiftadididaftarkandenganperkiraankontribusiyang berpotensiketujuan. • Beberapamacamanalisiskeputusan : • Satutujuan (single goal) : Kondisiuntuksatutujuanpendekatannyamenggunakantabelkeputusan • Banyaktujuan (multiple goals) : Pendekatannyadenganbeberapateknik.

  7. TabelKeputusan • Terdapatsuatuperusahaaninvestasi yang sedangmempertimbangkaninvestasi yang akandilakukanpada 3 alternatifini: bonds, stocks, atau certificates of deposit (CDs). Perusahaan inihanyamempunyai1 tujuan, yaitumemaksimalkaninvestasi. • Hasilnyatergantungpada status ekonomiberikut : solid growth, stagnation, dan inflation. • Sebagaicatatan: menginvestasikan 50 persen bonds dan 50 persen stocks adalahalternatif lain, danhalinidapatditambahkansebagaialternatifkeempat

  8. TabelKeputusan • Mengatasi Uncertainty : • Tidakmembuatkeputusandalamsituasiketidakpastian • Menggunakanpendekatanoptimistikdenganmelihatkeluaranterbaikdarisetiapalternatif. Pendekatanpesimistik (konservatif) melihatkeluaranterjelek yang mungkinuntuksetiapalternatif. • MengatasiResiko : • Mengasumsikanbahwapeluangdari solid growth diperkirakan 50 persen, stagnation 30 persen, dan inflation 20 persen. ( (12.0%)*(0.5) ) + ( (6.0%)*(0.3) ) + ( (3.0%)*(0.2) ) = 8.4% • Metode yang paling umumuntukmenyelesaikanmasalahanalisisresikoiniadalahmemilih expected value tertinggi.

  9. Multiple Goals • Kasussederhanadarimasalah multiple goal ditunjukkanpadatabelberikutini:3 tujuan yang ingindicapai: yield (hasil), safety (keamanan), dan liquidity (likuiditas). • Harusdipertimbangkanjugabahwabeberapanilaidalamtabelbukanlahnumeriksaja, tetapijugaada yang bernilaikualitatif(misal ; Low, High). • Menggunakanpendekatandenganbeberapateknikpemodelan.

  10. Optimasi • OptimasidenganPemrogramanMatematis: • Membantumenyelesaikanmasalahmanajerial. • Mengalokasikanresources yang terbatas (misaltenagakerja, modal, mesin) diantarasekianbanyakaktivitas. • Mengoptimalkantujuan yang ditetapkan. • Karakteristik: • Pengalokasian resources biasanyadibatasiolehpelbagaibatasandankebutuhan yang disebutdenganconstraints. • Contoh: • (Linear Programming)

  11. Optimasi • Contoh : (Linear Programming) • Dalam membuat cat Berkualitas, dibutuhkan tingkat brilliancepaling tidak 300 derajat dan level huepaling tidak 250 derajat. Note : Level brilliance dan hue ditentukan oleh 2 bahan, yaitu Alpha (x1) dan Beta (x2). • Alpha dan Beta memberikan kontribusi yang sama ke tingkat brilliance, 1 ounce (berat kering) dari keduanya menghasilkan 1 derajat brilliance dalam 1 drum cat. (1x1 + 1x2 ≥ 300 ) • Namun, hue diatur seluruhnya oleh jumlah Alpha; 1 ounce darinya menghasilkan 3 derajat hue dalam 1 drum cat. (3x1 + 0x2 ≥ 250) • Biaya Alpha adalah $45 per ounce, dan biaya Beta adalah $12 per ounce. Diasumsikan bahwa tujuan dari kasus ini adalah meminimalkan biaya resources.(z = 45x1 + 12x2) Tentukan jumlah Alpha dan Beta yang optimal untuk membuat cat tersebut !

  12. Optimasi • Jawab : (Linear Programming)Decision variables : • x1 = jumlah Alpha yang diperlukan, dalam ounces, dalam setiap drum cat • x2 = jumlah Beta yang diperlukan, dalam ounces, dalam setiap drum cat • Temukan x1 dan x2 yang meminimimalkan : z = 45x1 + 12x2 • Permasalahan diatas dapat diformulasikan dengan batasan : 1x1 + 1x2 ≥ 300 (spesifikasi brilliance : kecerahan, brightness) 3x1 + 0x2 ≥ 250 (spesifikasi hue) • Solusi yang dihasilkan komputer :x1 = 83.333x2 = 216.667Biaya total = $63.49854

  13. Linear Programming • Perumusan Umum dan Istilah • Decision Variables. • Cost Coefficients. • Input-Output Coefficients. • Capacities / Requirements. Cost Coefficients 1X1+1X2 ≥ 300 3X1+0X2 ≥ 250 Z = 45X1+12X2 Input-Output Coefficients Capacities or Requirements Decision Variables

  14. DiskusiKelompok • Buatlahcontohkasusoptimasi, danselesaikandengan LP dengantopikbebasdanilmiah.(Optional)

  15. Simulasi • Teknik untuk melakukan percobaan (misalnya “what-if”) dengan komputer digital pada suatu model dari sistem manajemen. • “What-If” : berangkat dari pertanyaan: “Apa yang terjadi jika suatu variabel input, asumsi, atau nilai sebuah parameter berubah?”Contoh: • Apa yang akan terjadi pada biaya inventory total jika biaya pengangkutan ke inventory meningkat 10 persen? • Apa yang akan terjadi pada market share jika biaya iklan meningkat 5 persen? • Simulasi melibatkan testing pada variabel input dengan nilai tertentu dan mengamati akibatnya pada variabel output. • Simulasi digunakan untuk permasalahan yang kompleks/ sulit bila diselesaikan dengan optimasi numerik (misalnya LP). Kompleksitas disini berarti bahwa permasalahan tadi tak bisa dirumuskan untuk optimasinya atau perumusannya terlalu kompleks

  16. Simulasi • MetodologiSimulasi : • Simulasilebihbersifatdeskriptif. Hal inimengijinkanmanajeruntukmenanyakanjenispertanyaan“what-if”. • Tetapi, terkadangbegitumudahditerimaolehmanajersehinggasolusianalitis yang dapatmenghasilkansolusi optimal malahseringdilupakan. Real-World Problem Definisi masalah Evaluasihasil Testing danvalidasi model Desainpercobaan Melakukanpercobaan Membangun model simulasi Implementasi

  17. Pemrograman Heuristic • Pendekatan yang melibatkancara heuristic (role of thumb) yang dapatmenghasilkansolusi yang layakdancukupbaikpadaberbagaipermasalahan yang kompleks. • Akurasi : Cukupbaik (good enough) biasanyadalamjangkauan 90 sampaidengan 99.99 % darisolusi optimal sebenarnya. • Penerapan : Padapermasalahankompleks yang tidakekonomisuntukoptimasiataumemakanwaktuterlalu lama dan heuristic dapatmeningkatkansolusi yang takterkomputerisasi. Akan tetapiharusmempertimbangkansemuakemungkinankombinasipermasalahandansolusinya yang kemungkinanjarangbisadicapai.

  18. Forecasting (Peramalan) • Forecasting digunakanuntukmemperkirakannilaivariabel model, danjugahubunganlogika model, padasuatuwaktutertentu di masamendatang. • Metodeforecasting : • Formal : • Judgment method : Didasarkanpadapertimbangansubyektifdanopinidariseorangpakar. • Counting method : Melibatkanberbagaieksperimenatau survey daricontohdata. • Time-series analysis : Menganalisissekumpulannilaiyang diukurpadaselangwaktutertentu. • Association or causal methods : Menyertakananalisis data untukmencariasosiasi data dan, jikamungkin, menemukanhubungansebab-akibatnya. • Informal : intuisi, dugaan, danprediksi.

  19. BahasaPemodelan • Bahasapemrogramanyang biasadipakaiuntukpenyelesaian Model : • C, C++ • Turunannyaseperti Java, PHP, C#, etc. • Software untuklevel yang lebihsederhanakitabisamenggunakanspreadsheet : • MS Office Excel • Open Office • Libre, etc • Software untuk level yang lebihkhusus, misalnya : • ProModel • Arena • SIMAN, etc

  20. Model Base Structure and Management • Paket software untuk Model Base Management System (MBMS) dengankemampuan yang serupadengankonsep DBMS dalamdatabase. • ContohPaket Software untuk MBMS: • Expert Choice • Decision Master • Decision Aid • Criterium • Orion • Arborist • Lightyear • Decision PAD • Decision AIDE II

  21. DiskusiKelompok • Tentukan Database danBahasaPemrograman yang andagunakanuntuk : • Managemen Data • Managemen Model dalammembangun DSS sesuaidenganTopikAnda. Berikanalasandenganmendeskripsikan support teknologidan feature andalandarikedua Tool tersebut.(Dipresentasikan)

  22. Model Base Structure and Management • Kemampuan yang diinginkandarisuatu MBMS : • Kontrol. Baikuntuksistem yang otomatismaupun manual. • Fleksibelitas. Mudahmenghadapiperubahan. • Umpanbalik. Selalu up-to-date, bersifatkekinian. • Antarmuka. User merasanyamandanmudahmenggunakan. • Penguranganredundansi. Model yang di-share dapatmengurangipenyimpanan data yang redundan. • Peningkatankonsistensi. Mengatasi data yang berbedaatauversi model yang berbeda. • Untukmencapaikemampuan di atas, desain MBMS harusmengijinkan user untuk: • Mengaksesdan me-retrieve model yang ada. • Berlatihdanmemanipulasi model yang ada. • Menyimpan model yang ada. • Mengkonfigurasi model yang ada. • Membangun model baru.

  23. Analytic Hierarchy Process (AHP) • PrinsipDasar AHP (Prof. Thomas L. Saaty, 1980) : • Problem Decomposition (PenyusunanHierarkiMasalah) : • Identifikasitujuankeseluruhandansub-tujuanyang ada. • Mencarikriteriauntukmemperolehsub-tujuandaritujuankeseluruhan. • Menyusun sub-kriteriadarimasing-masingkriteria, dimanasetiapkriteriadansub-kriteriaharusspesifikdanmenunjukkantingkatnilaidariparameter. • Menentukansiapasajapelakuyang terlibatdalamsistemdankebijakandarimasing-masingpelaku. • Menentukanalternatifsebagai output tujuan yang akanditentukanprioritasnya. • Comparative Judgement (PenilaianPerbandinganBerpasangan) : • Prinsip ini dilakukan dengan membuat penilaian perbandingan berpasangan tentang kepentingan relatif dari dua elemen pada suatu tingkat hierarki tertentu dalam kaitannya dengan tingkat di atasnya. • Memberikan bobot numerik berdasarkan perbandingan tersebut. • Menyajikan dalam bentukmatriks yang disebut pairwise comparison.

  24. Analytic Hierarchy Process (AHP) • Prinsip Dasar AHP (Prof. Thomas L. Saaty, 1980) : • Synthesis of Priority (Penentuan Prioritas) : • Tahap untuk mendapatkan bobot bagi setiap elemen hierarki dan elemen alternatif. • Logical Consistensy (Konsistensi Logis) : • Konsistensi data didapat dari rasio konsistensi (CR) yang merupakan hasil bagi antara indeks konsistensi (CI) dan indeks random (RI). • Keunggulan AHP : • Model DSS yang mampu menghasilkan suatu alternatif keputusan secara terstruktur. • Adanya skema hierarki hingga proses kalkulasi yang didasarkan pada konsistensi data yang diberikan. • Menghasilkan suatu alternatif keputusan yang komprehensif, rasional dan optimal.

  25. Analytic Hierarchy Process (AHP) • LangkahdanProsedurdalammemecahkanpermasalahanmenggunakanmetode AHP : • Mendefinisikan permasalahan dan menentukan tujuan. • Menyusunmasalahkedalamsuatustrukturhierarkisehinggapermasalahan yang kompleksdapatditinjaudarisisi yang detail danterukur. • Menghitungnilaiprioritasuntuktiapelemenmasalahpadasetiaphierarki. Prioritasinidihasilkandarisuatumatriksperbandinganberpasanganantaraseluruhelemenpadatingkathierarki yang sama. • Melakukanpengujiankonsistensiterhadapperbandinganantarelemen yang didapatkanpadatiaptingkathierarkiuntukdigunakandalampertimbanganpenghitunganperangkinganakhir. • Skala Perbandingan Berpasangan Penetapan skala kuantitatif digunakan untuk menilai perbandingan tingkat kepentingan suatu elemen terhadap elemen lain dapat dilihat sebagai berikut :

  26. Analytic Hierarchy Process (AHP) • NilaiSkala Perbandingan Berpasangan :

  27. Analytic Hierarchy Process (AHP) • Contoh Logika Penentuan Skala Perbandingan Berpasangan : • Jika terdapat 2 perbandingan berpasangan : • Contoh : Jika anda mengatakan saya “sangat menyukai sekali” Mangga dari pada Durian, maka hasilnya akan ditandai (√) sebagai berikut : • Sehingga hasil matrik perbandingannya adalah sebagai berikut : (Ekstrim) Sangat Begitu Suka Sekali (Ekstrim) Sangat Begitu Suka Sekali Buah Mangga Buah Durian Sangat Suka Sekali Sangat Suka Sekali Sangat Suka Sangat Suka Suka Biasa Suka 9 3 1 7 5 3 5 9 7 reciprocal value actual judgment value Mempertimbangkan nilai aktualnya Mempertimbangkan nilai kebalikannya √

  28. Analytic Hierarchy Process (AHP) • ContohLogikaPenentuanSkala Perbandingan Berpasangan : • Jikaterdapat 3 perbandinganberpasangan : (Ekstrim) Sangat Begitu Suka Sekali (Ekstrim) Sangat Begitu Suka Sekali Buah Mangga Buah Durian Sangat Suka Sekali Sangat Suka Sekali Sangat Suka Sangat Suka Suka Biasa Suka 9 3 1 7 5 3 5 9 7 (Ekstrim) Sangat Begitu Suka Sekali (Ekstrim) Sangat Begitu Suka Sekali Buah Durian Buah Jeruk Sangat Suka Sekali Sangat Suka Sekali Sangat Suka Sangat Suka Suka Biasa Suka 9 3 1 7 5 3 5 9 7 (Ekstrim) Sangat Begitu Suka Sekali (Ekstrim) Sangat Begitu Suka Sekali Buah Mangga Buah Jeruk Sangat Suka Sekali Sangat Suka Sekali Sangat Suka Sangat Suka Suka Biasa Suka 9 3 1 7 5 3 5 9 7

  29. Analytic Hierarchy Process (AHP) • Contoh Logika Penentuan Skala Perbandingan Berpasangan : • Contoh : Jika diketahui hasil yang ditandai (√) adalah sebagai berikut : • Sehingga hasil matrik perbandingannya adalah sebagai berikut : √ √ √

  30. Analytic Hierarchy Process (AHP) • ContohLogikaPenentuanSkala Perbandingan Berpasangan : • Bagaimanajikaterdapat n buahobjekuntukperbandinganberpasangan : • Berapakahbanyakpasanganperbandingannya? • n = 2 n = 4 • Makajikaterdapat n = 25 objekkriteria, makabanyaknyaperbandinganberpasangannyaadalahsebagaiberikut :

  31. Analytic Hierarchy Process (AHP) • Detail Proses AHP : • MembuatMatrikPerbandinganBerpasangan • Normalisasi • Perhitungan Eigen Vektor (BobotKriteria) • Perhitungan Eigen Value (LamdaMaksimum) • MenentukanKonsistensiNilai CR(Consistency Ratio) • PerhitungannilaiBobot Sub-Kriteria (Jikaada) • PerhitunganNilaiBobotAlternatif • PerangkinganAkhir • HirarkiKompleksitasPermasalahan : • Sederhana: Terdapathanyabeberapakriteriasaja. • Kompleks : Terdapatbanyak level kriteriadan sub-kriteria. Proses Awal : MenentukanNilaiBobotKriteriamaupun Sub-Kriteria &MengevaluasiNilaiKonsistensi PengambilanKeputusan

  32. Analytic Hierarchy Process (AHP) • HirarkiKompleksitasPermasalahan : • Sederhana: Terdapathanya 1 level kriteria. • Kompleks: Terdapatbanyak level kriteriadan sub-kriteria. Lulus/Tidak Lulus Test Bidang Prestasi Wawancara Teori Inter-nasional Nasional Regional Akademik Praktek Keterkaitan Kelancaran Sikap Mahasiswa n Mahasiswa 1 Mahasiswa 2 Mahasiswa ..

  33. Contoh Case Study • Pengambilan Keputusan Pemilihan Pembelian Motor :(Case Study 1) • Tujuan/ Goal : PemilihanSepeda Motor Matic. • Kriteria : Model (M), Kehandalan (K), KapasitasBahanBakar (KBB) • KriteriaKualitatif: Model (M), Kehandalan (K) • KriteriaKuantitatif: KapasitasBahanBakar (KBB) • Alternatives : Honda Beat, Yamaha Mio, Suzuki Spin, Honda Vario. • Membuat Hirarki Tree-nya : Pemilihan Motor Kehandalan KapasitasBahanBakar Model Beat Spin Mio Vario

  34. Contoh Case Study • Membuat Hirarki Tree-nya : • MembuatMatrikperbandingan : Pemilihan Motor Level 0 Level 1 Kehandalan KapasitasBahanBakar Model Level 2 Beat Spin Vario Mio

  35. Contoh Case Study • MenghitungBobotKriteria : • Perhatikanpersamaan [Ax = maxx], dimana : • A = MatrikPerbandingandenganukuran n x n, n merupakanbanyakkriteria. • X = Bobotkriteria, atauEigen Vector denganukuran n x 1, jugadisebutsebagai priority vector atau ranking of priorities. • max = Eigen Value, atausebagaikoefisienbobot • Normalisasi : • Normalisasi, yaitutiapnilaidalamkolommatrik A dibagidenganhasilpenjumlahankolomnya (Norm_A). • Menghitung rata-rata per barisdarimatrikNormalisasi (X). Bobot Kriteria 1.00 1.00 1.00 Jumlah per kolom : 3.33 1.75 8.00

  36. Contoh Case Study • Normalisasi : • Normalisasi, yaitutiapnilaidalamkolomdibagidenganhasilpenjumlahankolom. • Menghitung rata-rata per barisdarimatrikNormalisasi. JadiBobotKriterianyaadalahsebagaiberikut : Bobot Kriteria 1.00 1.00 1.00 Jumlah per kolom : 3.33 1.75 8.00 Pemilihan Motor 1.00 Model0.32 KapasitasBahanBakar0.12 Kehandalan0.56

  37. Contoh Case Study • MengecekKonsistensi (HitungNilai CR) : • [Ax = maxx], maka : • Tabel Random Consistency Index (RI) : ( n adalahbanyakkriteria ) A x Ax x Jumlah : 3.33 1.75 8.00

  38. Contoh Case Study • MengecekKonsistensi (HitungNilai CR) : • [Ax = maxx], maka : • Karena CR = 0.016 < 0.1, makadapatdisimpulkanbahwahasilevaluasimatrik A konsisten. A x Ax x Jumlah : 3.33 1.75 8.00

  39. Contoh Case Study • Membuat ranking alternatives base kriteria : • UntukkriteriaModel (M) : • MenghitungBobotsetiapAlternatifpadaKriteriaModel : Priority Vector atau Bobot setiap Alternatif dari KriteriaModel Jumlah per kolom : 11.25 5.50 14.001.62 1.00 1.00 1.00 1.00

  40. Contoh Case Study • Membuat ranking alternatives base kriteria : • UntukkriteriaKehandalan (K) : • MenghitungBobotsetiapAlternatifpadaKriteriaKehandalan : Priority Vector atau Bobot setiap Alternatif dari KriteriaKehandalan Jumlah per kolom : 2.70 3.83 13.004.25 1.00 1.00 1.00 1.00

  41. Contoh Case Study • Membuat ranking alternatives base kriteria : • UntukkriteriaKapasitasBahanBakar (KBB) : • Karena ‘KapasitasBahanBakar’ merupakankriteriakuantitatif, makadapatdigunakanlangsungkapasitasperbandingannyauntukmenentukanrangking alternative-nya, namuninitidakbersifatmutlak, artinyaandadapatjugamembuatdalambentukmatrikperbandingan) Priority Vector atau Bobot setiap Alternatif dari KriteriaKapasitas Bahan Bakar Normalisasi Jumlah per kolom : 20.40

  42. Contoh Case Study • MembuatHirarki Tree & Bobotnya : • Perangkingan Akhir setiap alternatif untuk pengambilan keputusan: Pemilihan Motor Kehandalan0.56 KapasitasBahanBakar 0.12 Model0.32 Kehandalan Kapasitas BahanBakar Model • Sehinggakeputusanakhirpemilihanuntukrekomendasipembelian motor maticadalahHonda Vario. Matrik Prioritas Bobot Kriteria

  43. Contoh Case Study • Pengambilan Keputusan Pemilihan Pembelian Motor :(Case Study 2) • Tujuan/ Goal : PemilihanSepeda Motor Matic. • Kriteria : Model (M), Kehandalan (K), KapasitasBahanBakar (KBB) • KriteriaKualitatif: Model (M), Kehandalan (K) • KriteriaKuantitatif: KapasitasBahanBakar (KBB) • Sub-Kriteria: • Model: Model Konvensional, Model Millenium, Model Standard • Alternatives : Honda Beat, Yamaha Mio, Suzuki Spin, Honda Vario. • Membuat Hirarki Tree-nya : Pemilihan Motor KapasitasBahanBakar Model Kehandalan Standard Konvensional Millenium Beat Spin Mio Vario

  44. Contoh Case Study • Membuat Hirarki Tree-nya : Level 0 Pemilihan Motor Model KapasitasBahanBakar Kehandalan Level 1 Standard Konvensional Millenium Level 2 Beat Spin Mio Vario Level 3

  45. Contoh Case Study • Level 1 (Kriteria) : • MembuatMatrikperbandingan : • MenghitungBobotKriteriaterhadap goal : Bobot Kriteria 1.00 1.00 1.00 3.33 1.75 8.00

  46. Contoh Case Study • Level 1 (Kriteria) : • MengecekKonsistensi (HitungNilai CR) Karena CR = 0.016 < 0.1, makadapatdisimpulkanbahwahasilevaluasimatrik A konsisten. A x Ax x

  47. Contoh Case Study • Level 2 (Sub Kriteria) : • Kriteria Model : Model Konvensional, Model Millenium, Model Standard • MembuatMatrikperbandingan: • MenghitungBobotSub-KriteriaterhadapKriteria : DiketahuaiBobotKriteria Model = 0.32, maka Bobot Kriteria 1.00 1.00 1.00 8.00 1.75 3.33

  48. Contoh Case Study • Level 2 (Sub Kriteria) : • Kriteria Model : Model Konvensional, Model Millenium, Model Standard • MengecekKonsistensi (HitungNilai CR) n adalahbanyak Sub-Kriteria Karena CR = 0.034 < 0.1, makadapatdisimpulkanbahwahasilevaluasimatrik A konsisten. A x Ax x

  49. Contoh Case Study • Level 2 (Sub Kriteria) : • KriteriaKehandalan (Tidakada Sub-Kriteria) • KriteriaKapasitas (Tidakada Sub-Kriteria) • UjiKonsistensiHirarki (CRH_2) : • Index KonsistensiHirarki (CIH_2) Level 2 : • CR_1 = 0.016 • X_1 = [ 0.32 0.56 0.12 ] • CR_2 = [ 0.034 0 0]t karenaKriteriaKehandalandanKriteriaKapasitastidakmemiliki Sub-Kriteria, maka nilai CR_2 darikeduanya= 0 • Index Konsistensi Random Hirarki (RIH_2) Level 2 : • RI_1 = 0.58 • X_1 = [ 0.32 0.56 0.12 ] • RI_2 = [ 0.58 0 0]t

  50. Contoh Case Study • UjiKonsistensiHirarki : • Index Konsistensi Random Hirarki (RIH_2) Level 2 : • RI_1 = 0.58 • X_1 = [ 0.32 0.56 0.12 ] • RI_2 = [ 0.58 0 0]t karena Kriteria Kehandalan dan Kriteria Kapasitas tidak memiliki Sub-Kriteria, maka nilai RI_2 dari keduanya = 0 • RasioKonsistensiHirarki (CRH_2) Level 2 : Karena CRH_2 = 0.035 < 0.1, makadapatdisimpulkanbahwahasilevaluasilevel-level hirarki yang telahdibuatadalahkonsisten.

More Related