Pengertian Metode Simple Additive Weighting (SAW)

Pengertian Metode Simple Additive Weighting (SAW)

  07.55    Unknown

---

Metode SAW sering dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar metode SAW (Simple Additive Weighting) adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut(Fishburn, 1967) (MacCrimmon, 1968).

Metode SAW dapat membantu dalam pengambilan keputusan suatu kasus, akan tetapi perhitungan dengan menggunakan metode SAW ini hanya yang menghasilkan nilai terbesar yang akan terpilih sebagai alternatif yang terbaik. Perhitungan akan sesuai dengan metode ini apabila alternatif yang terpilih memenuhi kriteria yang telah ditentukan. Metode SAW ini lebih efisien karena waktu yang dibutuhkan dalam perhitungan lebih singkat.

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 Multiple Attribute Decision Making (MADM).

MADM itu sendiri merupakan suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Metode SAW ini mengharuskan pembuat keputusan menentukan bobot bagi setiap atribut. Skor total untuk alternatif diperoleh dengan menjumlahkan seluruh hasil perkalian antara rating (yang dapat dibandingkan lintas atribut) dan bobot tiap atribut.Rating tiap atribut haruslah bebas dimensi dalam arti telah melewati proses normalisasi matriks sebelumnya.

Langkah Penyelesaian Simple Additive Weighting (SAW)   Langkah Penyelesaian SAW sebagai berikut :

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.

Formula untuk melakukan normalisasi tersebut adalah :

r_ij= Nilai rating kinerja

x_ij= Nilai kinerja dari setiap rating

Max x_ij = Nilai terbesar dari tiap kriteria

Min x_ij = Nilai terkecil dari tiap kriteria

Contoh Kasus :

Pada pemilihan kinerja Dosen yang baik harus memenuhi 4 kriteria yaitu

T1 = Kepribadian

T2 = Pedagogik

T3 = Profesional

T4 = Sosial

Pengambilan keputusan untuk kriteria dosen dengan kinerja terbaik adalah

Variable	Keterangan	Bobot
T1	Kepribadian	10
T2	Pedagogik	35
T3	Profesional	35
T4	Sosial	20

Ada 6 dosen yang dinilai yaitu

A1 : Ade

A2 : Budi

A3 : Cica

A4 : Dewi

A5 : Edi

A6 : Fitri

	Kriteria
Alternatif	T1	T2	T3	T4
Ade	60	80	70	70
Budi	70	90	70	80
Cica	80	80	80	80
Dewi	90	80	70	80
Edi	95	90	70	80
Fitri	70	90	80	80

Dari kriteria nilai diatas masing masing dihitung dengan bobotnya kemudian disort descending.

Hasil akhir sebagai berikut :

	Kriteria
Alternatif	T1	T2	T3	T4	Bobot
Fitri	70	90	80	80	82,5
Edi	95	90	70	80	81,5
Cica	80	80	80	80	80
Budi	70	90	70	80	79
Dewi	90	80	70	80	77,5
Ade	60	80	70	70	72,5

Keputusan yang didapatkan adalah Fitri sebagai dosen terbaik dengan nilai 82,5