pilihan
Algoritma

Metode Simple Additive Weighting (SAW)

Apa itu metode simple additive weighting atau SAW? Yuk pelajari langkah-langkahnya pada tulisan berikut ini.

Ada banyak algoritma sistem pendukung keputusan yang bisa kita gunakan, salah satunya adalah metode simple additive weighting product (SAW) atau dikenal juga dengan istilah metode penjumlahan terbobot.

Tujuan akhir dari metode simple additive weighting, yaitu membandingkan alternatif dengan seimbang, sehingga menghasilkan perhitungan yang lebih baik.

Metode simple additive wighting melakukan penjumlahan terbobot semua atribut di setiap alternatif

Proses metode SAW

Pengertian Metode Simple Additive Weighting (SAW) Menurut Ahli

Pengertian SAW

Sugiyanto (2013) mengungkapkan, pembuat keputusan atau yang menggunakan metode simple additive weighting diharuskan menentukan bobot untuk setiap atribut.

Score total untuk masing-masing alternatif dihasilkan dari seluruh penjumlahan hasil perkalian semua rating dan bobot setiap atribut.

Rating dari setiap atribut diharuskan normalisasi terlebih dahulu, artinya atribut diharuskan bebas dari dimensi.

Kelebihan dan Kekurangan Metode Simple additive Weighting (SAW)

Sebelum Kamu memutuskan untuk menggunakan metode simple additive weighting, alangkah baiknya mengetahui kelebihan dan kekurangannya. Setiap algoritma sistem pendukung keputusan memiliki ke-dua hal ini.


(+) Kelebihan

  • Hasil penilaian dirasa lebih tepat, dikarenakan berdasarkan pada nilai kriteria dan botot prefensi yang telah ditentukan.
  • Memiliki proses yang sederhana.
  • Menentukan nilai bobot dan meranking alternatif.

(-) Kekurangan

  • Perhitungan dilakukan dengaan bilangan crisp atau fuzzy.
  • Metode ini biasanya digunakan pada pembobotan lokal.

Mengetahui kelebihan dan kekurangan akan menjadikan pertimbangan ketika Kita hendak menggunakan metode SAW.

Daftar Istilah Metode Simple Additive Weighting (SAW)

istilah metode simple additive weighting

Terdapat 4 (empat) istilah yang digunakan dalam metode simple additive weighting. Kamu diharuskan mengerti dan mengetahui istilah istilah ini.

  1. Kriteria
  2. Alternatif
  3. Atribut
  4. Data Crips

1. Kriteria

Kriteria adalah ukuran yang digunakan untuk penilaian.

Apa itu kriteria?

Contoh 1: ketika ingin menentukan Mahasiswa yang mendpatkan beasiswa, kriteria yang digunakan yaitu, penghasilan orng tua, IPK, jumlah saudara.

Contoh 2: sebuah perusahaan ingin melakukan rekrutmen pegawi baru untu beberapa posisi, kriteria yang bisa digunakan diantaranya, pengalaman kerja, pendidikan dan usia.

Kriteria pada metode simple additive weighting ini dikategorikan ke dalam dua kategori, yaitu benefit dan cost.

Benfit dan cost ini saling berlawanan atau keterbalikan, dimana semakin tinggi benefit maka semakin baik, sedangkan untuk cost harus semakin kecil.

Misal dalam contoh 1, Mahasiswa dengan benefit IPK tinggi akan memiliki kesempatan atau peluang yang besar mendapatkan beasiswa. Namun apabila cost semakin tinggi, misal dalam hal ini penghasilan orang tua, maka kesempatan mendapatkan beasiswa akan semakin kecil.

Kriteria juga harus memiliki bobot, artinya nilai, bisa dalam bentuk angka 1 sampai dengan 5 atau sekian, bisa juga dalam bentuk persen (%).

2. Alternatif

Alternatif adalah objek atau daftar yang akan dipilih dan diberikan penilaian. Pada kasus beasiswa alternatifnya adalah Mahasiswa. Sedangkan pada kasus perekrutan Pegawai, kriterianya adalah nama calon pegawai itu sendiri.

3. Atribut

Atribut adalah nilai dari kriteria dari alternatif yang ada. Contoh dalam menentukan pegawai baru, atribut adalah nilai dari pengalaman, usia dan pendidikan.

NamaPendidikanUsiaPengalaman
Kanu AlSarjana23Hipwee
KunaSarjana24Traveloka
WahyuSarjana23Bukalapak
NidhomSarjana22Bhineka
Contoh tabel atribut

Tulisan yang diwarnai biru merupakan atribut dari masing-masing alternatif dan kriteria yang ada.

4. Data Crips

Data crips adalah data yang dipakai untuk mengelompokan nilai dari atribut. Tidak semua kasus memiliki data crips.

Sifat dari data cirps sendiri adalah opsional, boleh ada boleh tidak, artinya tidak diwajibkan. Apabali ada, atribut akan dinormalisasi menggunakan data crips, dan apabila tidak ada langsung dihitung dinali atributnya.

Contoh dari data crips rekrutmen Pegawai adalah sebagai berikut.

  • Usia muda : 20 – 22
  • Usia sedang : 23 – 25
  • Usia tua : 26 – 30

Langkah – Langkah Metode SAW (Flowchart)

flowchart metode SAW
Flowchart Metode SAW

Dari flowchart di atas kita dapat dapat diketahui bagaimana langkah-langkah dari metode SAW, yaitu:

  1. Menentukan kriteria dari alternatif.
  2. Memberikan bobot kriteria.
  3. Membuat matriks keputusan.
  4. Perbaikan bobot kriteria.
  5. Melakukan normalisasi.
  6. Kalikan matriks keputusan dengan bobot kriteria.
  7. Berikan prefensi pada tiap laternatif.

Cara Perhitungan Metode SAW (Step by Step)

perhitunga metode simple additive weighting

Metode simple additive weighting atau SAW hanya memiliki 3 (tiga) langkah penting, yaitu proses analisa, normalisasi dan perankingan.

#Tahap 1 : Analisa, menentukan jenis kriteria, apakah itu benefit atau cost. Mengubah seluruh nilai atribut yang ada ke dalam data crips. Apabila atribut tidak memiliki data crips, dapat langsung memasukan data aslinya.

#Tahap 2 : Normalisasi, Merubah nilai setiap atribut ke dalam angka 0 s/d 1. Proses normalisasi ini harus memperhatikan jenis kriteria, apakah itu cost atau benefit. Adapun rumus normalisasi metode simple additive weighting adalah sebagai berikut.

Rumus normalisasi simple additive weighting
Rumus normalisasi simple additive weighting

#Tahap 3 : Perankingan, melakukan perkalian seluruh atribut dengan bobot kriteria pada seluruh alternatif. Berikut rumus yang bisa digunakan.

Rumus ranking metode simple additive weighting atau SAW
Rumus untuk ranking SAW

Contoh Kasus Penyelesaian dengan Metode SAW

Bagian ini akan memperlihatkan contoh / studi kasus penyelesaian dengan menggunakan metode simple additive weighting (SAW) yang tentu saja mengikuti langkah-langkah pada pembahasan sebelumnya.

1. Contoh Studi Kasus

Perguruan tinggi atau Universitas X hendak memberikan beasiswa kepada Mahasiswa kepada 1 (satu) dari 5 (lima). Pemberian beasiwa tersebut didasarkan pada kriteria berikut ini.

  • IPK (Indeks Prestasi Kumulatif).
  • Penghasilan Orang Tua.
  • Jumlah Tanggungan Orang Tua.
  • Prestasi.
  • Lokasi / Jarak Tempuh.

2. Bobot Kriteria

Sebelum masuk pada 3 (tiga) tahapan untuk melakukan perhitungan, terlebih dahulu harus mengetahui bobot dari masing-masing kriteria.

A. IPK

Mahasiswa yang memiliki IPK besar sangat baik, artinya semakin besar IPK yang dimiliki maka semakin baik.

Bobot penilaian kriteria IPK 25%

B. Penghasilan Orang Tua

Penghasilan atau pendapatan orang tua dihitung per bulan dengan pengelompokan sebagai berikut.

PenghasilanPoin
0 s/d 1.000.0001
1.000.001 s/d 3.000.0002
3.000.001 s/d 5.000.0003
> 5.000.0014
Tabel penghasilan orang tua

Penghasilan orang tua akan menjadi baik ketika makin kecil.

Bobot penghasilan orang tua 15%

C. Jumlah Tanggungan Orang Tua

Dari jumlah tanggungan orang tua ini akan terlihat seberapa besar pengeluaran orang tua setiap bulannya. Jumlah tanggungan tidak hanya anak saja, namun bisa kakek, Nenek ataupun saudara yang diurus oleh orang tua. Semakin banyak jumlah tanggungan, maka semakin layak mendapatkan beasiswa.

Bobot penilaian 20%

D. Prestasi

Prestasi dikelompokan menjadi beberapa tingkatan, prestasi yang baik akan mendapatkan poin tinggi. Berikut pengelompokan prestasi berdasarkan beberpa tingkatkan.

  • Kota / Kabupaten – poin 1
  • Provinsi – poin 2
  • Nasional – poin 3
  • Internasiona – poin 4

Bobot penilaian 30%

E. Jarak Rumah dan Kampus

Nilai akan semakin baik, apabila rumah semakin dekat dengan Kampus, karena nantinya akan dilakukan survey lokasi.

Bobot penilaian 10%

3. Data Mahasiswa

Berikut ini merupakan tabel Mahasiswa yang akan dilakukan penilaian sesuai dengan kriteria yang telah disebutkan pada bagian sebelumnya.

Tabel data mahasiswa
Tabel Data Mahasiswa

Dari data di atas dapat diketahui mengenai alternatif, kriteria dan atribut. Pada bagian selanjutnya Kita akan mencari alternatif terbaik yang layak mendapatkan beasiswa sesuai kriteria yang telah dibuat.

4. Penyelesaian

Mencari alternatif terbaik dari data yang ada tidaklah terlalu sulit, hal yang perlu dilakukan adalah analisa, normalisasi dan perankingan.

Setiap tahapan yang ada harus benar-benar diperhatikan dengan baik, agar hasil yang didapatkan maksimal.

A. Analisa

Tahap ini mengharuskan Kita sebagai pembuat keputusan untuk melakukan analisa terhadap kriteria yang telah ditentukan, apakah jenis kriteria berupa cost atau benefit. Apabila kriteria memiliki data crips, maka harus dikonversi terlebih dahulu.

Hasil Analisa

  • IPK – kriteria benefit, tidak memiliki data crips.
  • Penghasilan orang tua – kriteria cost, memiliki data crips.
  • Jumlah tanggungan orang tua – kriteria benefit, tidak memiliki data crips.
  • Prestasi – kriteria benefits, memiliki data crips.
  • Jarak rumah dari kampus – kriteria cost, tidak memiliki data crips.

Untuk mempermudah dalam melakukan analisa, dapat dijadikan sebuah tabel.

KriteriaJenis KriteriaData Crips
IPKBenefit
Penghasilan OrtuCostv
Jumlah TanggunganBenefit
PrestasiCostv
JarakCost
Tabel analisa kriteria

Informasi dari tabel di atas seharusnya lebih mudah untuk dipahami, karena informasinya yang diberikan sangat jelas.

Setelah dilakukan analisa, konversi data mahasiswa yang ada, dan sesuaikan dengan tabel informasi analisa di atas, maka akan menghasilkan data sebagai berikut.

data mahasiswa hasil konversi
Data Mahasiswa yang telah dikonversi

B. Normalisasi

Tahap normalisasi merupakan proses pembagian kriteria, apabila jenis kriteria benefit, dibagi nilai atribut paling besar, dan apabila jenis kriteria cost, dibagi nilai atribut terkecil. Supaya lebih jelas, berikut rumus normalisasi metode simple additive weigting atau SAW.

Rumus normalisasi metode simple additive weighting atau saw
Rumus normalisasi SAW

Arti Rumus Normalisasi

  • Benefit dibagi nilai atribut terbesar.
  • Cost dibagi nilai atribut terkecil.

Proses Normalisasi

  • IPK adalah kriteria jenis benefit, maka dibagi dengan 4 (empat), nilai atribut terbesar yaitu Ponaryo Astaman.
  • Penghasilan orang tua per bulan adalah kriteria jenis cost, maka atribut terkecil adalah 1 (satu) yang merupakan milik dari Robert Lewandowski.
  • Jumlah tanggunagan orang tua adalah kriteria jenis benefit, maka atribut terbesar yaitu 4 (empat) yang merupakan milik Ponaryo Astaman.
  • Prestasi adalah kriteria jenis benefit, maka atribut terbesar adalah Lionel Messi dan Ponaryo Astaman.
  • Jarak rumah adalah kriteria cost, maka atribut terkecil adalah Muhammad Salah.

Berikut proses normalisasi metode simple additive weighting dalam bentuk tabel.

proses normalisasi SAW
Contoh proses normalisasi SAW

Setelah proses normalisasi selesai, selanjutnya buat tabel hasil dari normalisasi itu sendiri, tujuannya tentu untuk memudahkan pada proses selanjutnya, yaitu perankingan.

Hasil normalisasi SAW
Hasil normalisasi SAW

C. Perankingan

Tahap ini merupakan proses terakhir untuk mencari alternatiif terbaik sebelum mengambil keputusan. Data yang telah dinormalisasi pada tahapan sebelumnya, selanjutnya dimasukan ke dalam rumus berikut.

rumus perankingan SAW
Rumus perankingan normalisasi

Arti rumus di atas yaitu mengalikan atribut hasil normalisasi dengan bobot yang telah ditentukan sebelumnya.

Pada kasus ini, kita akan mendapatkan rumus seperti berikit.

(IPK*25%) + (Penghasilan Orang Tua*15%)+ (Jumlah tanggungan*20%)+ (Prestasi*30%)+ (Lokasi rumah*10%) = Hasil akhir.

Hasil Perhitungan

  1. Lionel Messi : (0.98*25%) + (0.50*15%)+ (0.50*20%)+ (1.00*30%)+ (0.70*10%) = 79.00, Ranking = 2
  2. Cristiano Ronaldo : (0.99*25%) + (0.33*15%)+ (0.50*20%)+ (0.75*30%)+ (0.79*10%) = 70.05, Ranking = 3
  3. Muhammad Salah : (0.85*25%) + (0.25*15%)+ (0.75*20%)+ (0.50*30%)+ (1.00*10%) = 65.00, Ranking = 4
  4. Ponaryo Astaman : (1.00*25%) + (0.33*15%)+ (1.00*20%)+ (1.00*30%)+ (0.58*10%) = 85.83, Ranking = 1
  5. Robert Lewandowski : (0.80*25%) + (1.00*15%)+ (0.50*20%)+ (0.25*30%)+ (0.50*10%) = 57.50, Ranking = 5

Dari hasil penilaian di atas, yang paling berhak mendapatkan beasiswa adalah Ponaryo Astaman dengan nilai 85.83.

Metode simple additive weighting atau SAW bisa dijadikan opsi dalam proses pengambilan keputusan. perhitungannya pun dapat dipahami dengan sangat mudah.

Download Contoh Perhitungan Metode SAW dalam Bentuk Excel

Hari ini sangat jarang sekali rasanya sebuah perusahaan menggunakan perhitungan secara manual, dimana-mana Kita mendapati penggunaan Microsoft Excel sebagai alat bantu atau tool perhitunga, yang tentu lebih efisien.

Nah, apabila Kamu membutuhkan contoh penerapan metode simple additive weighting pada excel, silahkan untuk mengunduhnya di bawah ini.

Download Contoh Program Aplikasi Perhitungan Metode SAW

Selain dalam bentuk excel metode simple additive weighting juga telah Kami buat dalam bentuk program aplikasi berbasis web.

Apabila Kamu membutuhkannya untuk pembelajaran atau sebagai contoh penerapan metode ini, silahkan untuk mengunduhnya.

Referensi Metode SAW Jurnal

Ada banyak sekali jurnal yang membahas tentang metode SAW ini, Kamu bisa mengunduhnya di website berbagai Kampus atau website kumpulan jurnal milik dikti, seperti.

  • https://garuda.kemdikbud.go.id/
  • https://sinta.kemdikbud.go.id/journals

Ke 2 situs di atas menyediakan berbagai jurnal, dan dapat diakses tanpa biaya. Kamu akan mendapatkan jurnal yang dicari, yaitu metode simple additive weighting pdf. Artinya jurnal yang ada disajikan dalam format pdf.

Untuk Kamu yang sedang mengerjakan skripsi atau tugas akhir, selamat mengerjakan.

Pasti akan lulus tepat pada waktunya

Semangat-

Penutup

Dari penjelasan di atas dapat disimpulkan, metode simple additive atau penjumlahan terbobot setidaknya harus melalui 3 (tiga) tahapan.

  1. Analisa
  2. Normalisasi
  3. Perankingan

Metode ini sangat bagus untuk menentukan alternatif terbaik.

Referensi

  • Metode SAW oleh Dede Gunawan
  • Contoh Kasus dan penerapan metode SAW (Simple Additive Weighting) oleh Dikut andinata.
  • Penerapan Metode Simple Additive Weight (SAW) Dalam Sistem Pendukung Keputusan Promosi Kenaikan Jabatan oleh Frieyadie pada Jurnal Pilar Nusa Mandiri Vol.XII, No. 1 Maret 2016 
Tags
Posted by
Ahmad Hasan

Ada saatnya ngebut, ada saatnya ngerem. Ada saatnya kerja keras, ada saatnya istirahat.

You might also like

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan.