Fuzzy Simple Additive Weighting

Contoh perhitungan Sistem Pendukung Keputusan (SPK) metode Fuzzy Simple Additive Weighting (SAW).

Daftar Isi

Menyiapkan Data

Data Kriteria

Berikut adalah data kriteria penilaian.

Kode Nama Atribut Bobot
C1 Penjualan Produk Merek benefit 0.1
C2 Sales Revenue benefit 0.3
C3 Distribution Development benefit 0.2
C4 Ketidakhadiran cost 0.25
C5 Keluhan Toko benefit 0.15

Atribut benefit artinya, semakin besar nilainya semakin bagus, sedangkan atribut cost artinya semakin kecil nilainya semakin bagus.

Data Crisp

Crisp merupakan pilihan nilai setiap kriteria. Crisp dalam kriteria bisa sama, bisa berbeda. Dalam kasus ini, crisp dibuat sama untuk setiap kriteria. Setiap crisp memiliki 3 nilai himpunan fuzzy yaitu Low (L), Medium (M), dan High (U).

Masing-masing nilai fuzzy untuk crisp sebagai berikut.

Kode L M U
SK 0.1 0.1 0.25
K 0.1 0.25 0.5
C 0.25 0.5 0.75
B 0.75 1 1

Data Nilai Alternatif

Berikut adalah contoh data penilaian alternatif untuk masing-masing kriteria.

Kode Nama Penjualan Produk Merek Sales Revenue Distribution Development Ketidakhadiran Keluhan Toko
A1 Hanna SK K B K K
A2 Laurence K B K C SK
A3 Elizabeth K B SK C C
A4 Victoria SK SK C SK C
A5 Patricio K C K K C

Perhitungan Fuzzy SAW

Menampilkan Nilai Alternatif Dalam LMU

Tahap ini adalah menampilkan nilai alternatif dalam bentuk lmu sesuai data crisp. Hasilnya sebagai berikut.

Kode C1 C2 C3 C4 C5
  L M U L M U L M U L M U L M U
A1 0.1 0.1 0.25 0.1 0.25 0.5 0.75 1 1 0.1 0.25 0.5 0.1 0.25 0.5
A2 0.1 0.25 0.5 0.75 1 1 0.1 0.25 0.5 0.25 0.5 0.75 0.1 0.1 0.25
A3 0.1 0.25 0.5 0.75 1 1 0.1 0.1 0.25 0.25 0.5 0.75 0.25 0.5 0.75
A4 0.1 0.1 0.25 0.1 0.1 0.25 0.25 0.5 0.75 0.1 0.1 0.25 0.25 0.5 0.75
A5 0.1 0.25 0.5 0.25 0.5 0.75 0.1 0.25 0.5 0.1 0.25 0.5 0.25 0.5 0.75

Menghitung Nilai Min & Max

Tahap ini adalah mencari nilai terkecil (min) dan nilai terbesar (max) dari LMU setiap nilai alternatif pada setiap kriteria. Perhitungannya seperti berikut.

  • Kriteria Penjualan Produk Merek
    • Max nilai L : max(0.1, 0.1, 0.1, 0.1, 0.1) = 0.1
      Min nilai L : min(0.1, 0.1, 0.1, 0.1, 0.1) = 0.1
    • Max nilai M : max(0.1, 0.25, 0.25, 0.1, 0.25) = 0.25
      Min nilai M : min(0.1, 0.25, 0.25, 0.1, 0.25) = 0.1
    • Max nilai U : max(0.25, 0.5, 0.5, 0.25, 0.5) = 0.5
      Min nilai U : min(0.25, 0.5, 0.5, 0.25, 0.5) = 0.25
  • Kriteria Sales Revenue
    • Max nilai L : max(0.1, 0.75, 0.75, 0.1, 0.25) = 0.75
      Min nilai L : min(0.1, 0.75, 0.75, 0.1, 0.25) = 0.1
    • Max nilai M : max(0.25, 1, 1, 0.1, 0.5) = 1
      Min nilai M : min(0.25, 1, 1, 0.1, 0.5) = 0.1
    • Max nilai U : max(0.5, 1, 1, 0.25, 0.75) = 1
      Min nilai U : min(0.5, 1, 1, 0.25, 0.75) = 0.25
  • Kriteria Distribution Development
    • Max nilai L : max(0.75, 0.1, 0.1, 0.25, 0.1) = 0.75
      Min nilai L : min(0.75, 0.1, 0.1, 0.25, 0.1) = 0.1
    • Max nilai M : max(1, 0.25, 0.1, 0.5, 0.25) = 1
      Min nilai M : min(1, 0.25, 0.1, 0.5, 0.25) = 0.1
    • Max nilai U : max(1, 0.5, 0.25, 0.75, 0.5) = 1
      Min nilai U : min(1, 0.5, 0.25, 0.75, 0.5) = 0.25
  • Kriteria Ketidakhadiran
    • Max nilai L : max(0.1, 0.25, 0.25, 0.1, 0.1) = 0.25
      Min nilai L : min(0.1, 0.25, 0.25, 0.1, 0.1) = 0.1
    • Max nilai M : max(0.25, 0.5, 0.5, 0.1, 0.25) = 0.5
      Min nilai M : min(0.25, 0.5, 0.5, 0.1, 0.25) = 0.1
    • Max nilai U : max(0.5, 0.75, 0.75, 0.25, 0.5) = 0.75
      Min nilai U : min(0.5, 0.75, 0.75, 0.25, 0.5) = 0.25
  • Kriteria Keluhan Toko
    • Max nilai L : max(0.1, 0.1, 0.25, 0.25, 0.25) = 0.25
      Min nilai L : min(0.1, 0.1, 0.25, 0.25, 0.25) = 0.1
    • Max nilai M : max(0.25, 0.1, 0.5, 0.5, 0.5) = 0.5
      Min nilai M : min(0.25, 0.1, 0.5, 0.5, 0.5) = 0.1
    • Max nilai U : max(0.5, 0.25, 0.75, 0.75, 0.75) = 0.75
      Min nilai U : min(0.5, 0.25, 0.75, 0.75, 0.75) = 0.25

Hasilnya seperti berikut.

Kode C1 C2 C3 C4 C5
  L M U L M U L M U L M U L M U
Min 0.1 0.1 0.25 0.1 0.1 0.25 0.1 0.1 0.25 0.1 0.1 0.25 0.1 0.1 0.25
Max 0.1 0.25 0.5 0.75 1 1 0.75 1 1 0.25 0.5 0.75 0.25 0.5 0.75

Normalisasi

Rumus normaliasi metode SAW adalah:

$$ r_{ij}= \begin{cases} \frac{x_{ij}}{\text{max } x_{ij}} \text{ jika benefit } \\ \frac{\text{min } x_{ij}}{x_{ij}}\text{ jika cost } \end{cases} $$

Untuk metode fuzzy SAW dengan LMU, maka LMU dibandingkan dengan max(U) untuk benefit dan min (L) untuk cost. Detail seperti berikut.

  • Alternatif A1 (Hanna)
    • Kriteria Penjualan Produk Merek
      • Karena benefit, maka rij = A1_C1_L / max_C1_U = 0.1 / 0.5 = 0.2
      • Karena benefit, maka rij = A1_C1_M / max_C1_U = 0.1 / 0.5 = 0.2
      • Karena benefit, maka rij = A1_C1_U / max_C1_U = 0.25 / 0.5 = 0.5
    • Kriteria Sales Revenue
      • Karena benefit, maka rij = A1_C2_L / max_C2_U = 0.1 / 1 = 0.1
      • Karena benefit, maka rij = A1_C2_M / max_C2_U = 0.25 / 1 = 0.25
      • Karena benefit, maka rij = A1_C2_U / max_C2_U = 0.5 / 1 = 0.5
    • Kriteria Distribution Development
      • Karena benefit, maka rij = A1_C3_L / max_C3_U = 0.75 / 1 = 0.75
      • Karena benefit, maka rij = A1_C3_M / max_C3_U = 1 / 1 = 1
      • Karena benefit, maka rij = A1_C3_U / max_C3_U = 1 / 1 = 1
    • Kriteria Ketidakhadiran
      • Karena cost, maka rij = min_C4_L / A1_C4_L = 0.1 / 0.1 = 1
      • Karena cost, maka rij = min_C4_L / A1_C4_M = 0.1 / 0.25 = 0.4
      • Karena cost, maka rij = min_C4_L / A1_C4_U = 0.1 / 0.5 = 0.2
    • Kriteria Keluhan Toko
      • Karena benefit, maka rij = A1_C5_L / max_C5_U = 0.1 / 0.75 = 0.1333
      • Karena benefit, maka rij = A1_C5_M / max_C5_U = 0.25 / 0.75 = 0.3333
      • Karena benefit, maka rij = A1_C5_U / max_C5_U = 0.5 / 0.75 = 0.6667
  • Alternatif A2 (Laurence)
    • Kriteria Penjualan Produk Merek
      • Karena benefit, maka rij = A2_C1_L / max_C1_U = 0.1 / 0.5 = 0.2
      • Karena benefit, maka rij = A2_C1_M / max_C1_U = 0.25 / 0.5 = 0.5
      • Karena benefit, maka rij = A2_C1_U / max_C1_U = 0.5 / 0.5 = 1
    • Kriteria Sales Revenue
      • Karena benefit, maka rij = A2_C2_L / max_C2_U = 0.75 / 1 = 0.75
      • Karena benefit, maka rij = A2_C2_M / max_C2_U = 1 / 1 = 1
      • Karena benefit, maka rij = A2_C2_U / max_C2_U = 1 / 1 = 1
    • Kriteria Distribution Development
      • Karena benefit, maka rij = A2_C3_L / max_C3_U = 0.1 / 1 = 0.1
      • Karena benefit, maka rij = A2_C3_M / max_C3_U = 0.25 / 1 = 0.25
      • Karena benefit, maka rij = A2_C3_U / max_C3_U = 0.5 / 1 = 0.5
    • Kriteria Ketidakhadiran
      • Karena cost, maka rij = min_C4_L / A2_C4_L = 0.1 / 0.25 = 0.4
      • Karena cost, maka rij = min_C4_L / A2_C4_M = 0.1 / 0.5 = 0.2
      • Karena cost, maka rij = min_C4_L / A2_C4_U = 0.1 / 0.75 = 0.1333
    • Kriteria Keluhan Toko
      • Karena benefit, maka rij = A2_C5_L / max_C5_U = 0.1 / 0.75 = 0.1333
      • Karena benefit, maka rij = A2_C5_M / max_C5_U = 0.1 / 0.75 = 0.1333
      • Karena benefit, maka rij = A2_C5_U / max_C5_U = 0.25 / 0.75 = 0.3333
  • Alternatif A3 (Elizabeth)
    • Kriteria Penjualan Produk Merek
      • Karena benefit, maka rij = A3_C1_L / max_C1_U = 0.1 / 0.5 = 0.2
      • Karena benefit, maka rij = A3_C1_M / max_C1_U = 0.25 / 0.5 = 0.5
      • Karena benefit, maka rij = A3_C1_U / max_C1_U = 0.5 / 0.5 = 1
    • Kriteria Sales Revenue
      • Karena benefit, maka rij = A3_C2_L / max_C2_U = 0.75 / 1 = 0.75
      • Karena benefit, maka rij = A3_C2_M / max_C2_U = 1 / 1 = 1
      • Karena benefit, maka rij = A3_C2_U / max_C2_U = 1 / 1 = 1
    • Kriteria Distribution Development
      • Karena benefit, maka rij = A3_C3_L / max_C3_U = 0.1 / 1 = 0.1
      • Karena benefit, maka rij = A3_C3_M / max_C3_U = 0.1 / 1 = 0.1
      • Karena benefit, maka rij = A3_C3_U / max_C3_U = 0.25 / 1 = 0.25
    • Kriteria Ketidakhadiran
      • Karena cost, maka rij = min_C4_L / A3_C4_L = 0.1 / 0.25 = 0.4
      • Karena cost, maka rij = min_C4_L / A3_C4_M = 0.1 / 0.5 = 0.2
      • Karena cost, maka rij = min_C4_L / A3_C4_U = 0.1 / 0.75 = 0.1333
    • Kriteria Keluhan Toko
      • Karena benefit, maka rij = A3_C5_L / max_C5_U = 0.25 / 0.75 = 0.3333
      • Karena benefit, maka rij = A3_C5_M / max_C5_U = 0.5 / 0.75 = 0.6667
      • Karena benefit, maka rij = A3_C5_U / max_C5_U = 0.75 / 0.75 = 1
  • Alternatif A4 (Victoria)
    • Kriteria Penjualan Produk Merek
      • Karena benefit, maka rij = A4_C1_L / max_C1_U = 0.1 / 0.5 = 0.2
      • Karena benefit, maka rij = A4_C1_M / max_C1_U = 0.1 / 0.5 = 0.2
      • Karena benefit, maka rij = A4_C1_U / max_C1_U = 0.25 / 0.5 = 0.5
    • Kriteria Sales Revenue
      • Karena benefit, maka rij = A4_C2_L / max_C2_U = 0.1 / 1 = 0.1
      • Karena benefit, maka rij = A4_C2_M / max_C2_U = 0.1 / 1 = 0.1
      • Karena benefit, maka rij = A4_C2_U / max_C2_U = 0.25 / 1 = 0.25
    • Kriteria Distribution Development
      • Karena benefit, maka rij = A4_C3_L / max_C3_U = 0.25 / 1 = 0.25
      • Karena benefit, maka rij = A4_C3_M / max_C3_U = 0.5 / 1 = 0.5
      • Karena benefit, maka rij = A4_C3_U / max_C3_U = 0.75 / 1 = 0.75
    • Kriteria Ketidakhadiran
      • Karena cost, maka rij = min_C4_L / A4_C4_L = 0.1 / 0.1 = 1
      • Karena cost, maka rij = min_C4_L / A4_C4_M = 0.1 / 0.1 = 1
      • Karena cost, maka rij = min_C4_L / A4_C4_U = 0.1 / 0.25 = 0.4
    • Kriteria Keluhan Toko
      • Karena benefit, maka rij = A4_C5_L / max_C5_U = 0.25 / 0.75 = 0.3333
      • Karena benefit, maka rij = A4_C5_M / max_C5_U = 0.5 / 0.75 = 0.6667
      • Karena benefit, maka rij = A4_C5_U / max_C5_U = 0.75 / 0.75 = 1
  • Alternatif A5 (Patricio)
    • Kriteria Penjualan Produk Merek
      • Karena benefit, maka rij = A5_C1_L / max_C1_U = 0.1 / 0.5 = 0.2
      • Karena benefit, maka rij = A5_C1_M / max_C1_U = 0.25 / 0.5 = 0.5
      • Karena benefit, maka rij = A5_C1_U / max_C1_U = 0.5 / 0.5 = 1
    • Kriteria Sales Revenue
      • Karena benefit, maka rij = A5_C2_L / max_C2_U = 0.25 / 1 = 0.25
      • Karena benefit, maka rij = A5_C2_M / max_C2_U = 0.5 / 1 = 0.5
      • Karena benefit, maka rij = A5_C2_U / max_C2_U = 0.75 / 1 = 0.75
    • Kriteria Distribution Development
      • Karena benefit, maka rij = A5_C3_L / max_C3_U = 0.1 / 1 = 0.1
      • Karena benefit, maka rij = A5_C3_M / max_C3_U = 0.25 / 1 = 0.25
      • Karena benefit, maka rij = A5_C3_U / max_C3_U = 0.5 / 1 = 0.5
    • Kriteria Ketidakhadiran
      • Karena cost, maka rij = min_C4_L / A5_C4_L = 0.1 / 0.1 = 1
      • Karena cost, maka rij = min_C4_L / A5_C4_M = 0.1 / 0.25 = 0.4
      • Karena cost, maka rij = min_C4_L / A5_C4_U = 0.1 / 0.5 = 0.2
    • Kriteria Keluhan Toko
      • Karena benefit, maka rij = A5_C5_L / max_C5_U = 0.25 / 0.75 = 0.3333
      • Karena benefit, maka rij = A5_C5_M / max_C5_U = 0.5 / 0.75 = 0.6667
      • Karena benefit, maka rij = A5_C5_U / max_C5_U = 0.75 / 0.75 = 1

Hasilnya seperti berikut.

Kode C1 C2 C3 C4 C5
  L M U L M U L M U L M U L M U
A1 0.2 0.2 0.5 0.1 0.25 0.5 0.75 1 1 1 0.4 0.2 0.1333 0.3333 0.6667
A2 0.2 0.5 1 0.75 1 1 0.1 0.25 0.5 0.4 0.2 0.1333 0.1333 0.1333 0.3333
A3 0.2 0.5 1 0.75 1 1 0.1 0.1 0.25 0.4 0.2 0.1333 0.3333 0.6667 1
A4 0.2 0.2 0.5 0.1 0.1 0.25 0.25 0.5 0.75 1 1 0.4 0.3333 0.6667 1
A5 0.2 0.5 1 0.25 0.5 0.75 0.1 0.25 0.5 1 0.4 0.2 0.3333 0.6667 1

Normalisasi Terbobot

Normalisasi terbobot diperoleh dengan mengalikan normalisasi dengan bobot kriteria. Perhitungannya sebagai berikut

  • Alternatif A1 Hanna
    • Kriteria C1 Penjualan Produk Merek
      • L = 0.2 * 0.1 = 0.02
      • M = 0.2 * 0.1 = 0.02
      • U = 0.5 * 0.1 = 0.05
    • Kriteria C2 Sales Revenue
      • L = 0.1 * 0.3 = 0.03
      • M = 0.25 * 0.3 = 0.075
      • U = 0.5 * 0.3 = 0.15
    • Kriteria C3 Distribution Development
      • L = 0.75 * 0.2 = 0.15
      • M = 1 * 0.2 = 0.2
      • U = 1 * 0.2 = 0.2
    • Kriteria C4 Ketidakhadiran
      • L = 1 * 0.25 = 0.25
      • M = 0.4 * 0.25 = 0.1
      • U = 0.2 * 0.25 = 0.05
    • Kriteria C5 Keluhan Toko
      • L = 0.1333 * 0.15 = 0.02
      • M = 0.3333 * 0.15 = 0.05
      • U = 0.6667 * 0.15 = 0.1
  • Alternatif A2 Laurence
    • Kriteria C1 Penjualan Produk Merek
      • L = 0.2 * 0.1 = 0.02
      • M = 0.5 * 0.1 = 0.05
      • U = 1 * 0.1 = 0.1
    • Kriteria C2 Sales Revenue
      • L = 0.75 * 0.3 = 0.225
      • M = 1 * 0.3 = 0.3
      • U = 1 * 0.3 = 0.3
    • Kriteria C3 Distribution Development
      • L = 0.1 * 0.2 = 0.02
      • M = 0.25 * 0.2 = 0.05
      • U = 0.5 * 0.2 = 0.1
    • Kriteria C4 Ketidakhadiran
      • L = 0.4 * 0.25 = 0.1
      • M = 0.2 * 0.25 = 0.05
      • U = 0.1333 * 0.25 = 0.0333
    • Kriteria C5 Keluhan Toko
      • L = 0.1333 * 0.15 = 0.02
      • M = 0.1333 * 0.15 = 0.02
      • U = 0.3333 * 0.15 = 0.05
  • Alternatif A3 Elizabeth
    • Kriteria C1 Penjualan Produk Merek
      • L = 0.2 * 0.1 = 0.02
      • M = 0.5 * 0.1 = 0.05
      • U = 1 * 0.1 = 0.1
    • Kriteria C2 Sales Revenue
      • L = 0.75 * 0.3 = 0.225
      • M = 1 * 0.3 = 0.3
      • U = 1 * 0.3 = 0.3
    • Kriteria C3 Distribution Development
      • L = 0.1 * 0.2 = 0.02
      • M = 0.1 * 0.2 = 0.02
      • U = 0.25 * 0.2 = 0.05
    • Kriteria C4 Ketidakhadiran
      • L = 0.4 * 0.25 = 0.1
      • M = 0.2 * 0.25 = 0.05
      • U = 0.1333 * 0.25 = 0.0333
    • Kriteria C5 Keluhan Toko
      • L = 0.3333 * 0.15 = 0.05
      • M = 0.6667 * 0.15 = 0.1
      • U = 1 * 0.15 = 0.15
  • Alternatif A4 Victoria
    • Kriteria C1 Penjualan Produk Merek
      • L = 0.2 * 0.1 = 0.02
      • M = 0.2 * 0.1 = 0.02
      • U = 0.5 * 0.1 = 0.05
    • Kriteria C2 Sales Revenue
      • L = 0.1 * 0.3 = 0.03
      • M = 0.1 * 0.3 = 0.03
      • U = 0.25 * 0.3 = 0.075
    • Kriteria C3 Distribution Development
      • L = 0.25 * 0.2 = 0.05
      • M = 0.5 * 0.2 = 0.1
      • U = 0.75 * 0.2 = 0.15
    • Kriteria C4 Ketidakhadiran
      • L = 1 * 0.25 = 0.25
      • M = 1 * 0.25 = 0.25
      • U = 0.4 * 0.25 = 0.1
    • Kriteria C5 Keluhan Toko
      • L = 0.3333 * 0.15 = 0.05
      • M = 0.6667 * 0.15 = 0.1
      • U = 1 * 0.15 = 0.15
  • Alternatif A5 Patricio
    • Kriteria C1 Penjualan Produk Merek
      • L = 0.2 * 0.1 = 0.02
      • M = 0.5 * 0.1 = 0.05
      • U = 1 * 0.1 = 0.1
    • Kriteria C2 Sales Revenue
      • L = 0.25 * 0.3 = 0.075
      • M = 0.5 * 0.3 = 0.15
      • U = 0.75 * 0.3 = 0.225
    • Kriteria C3 Distribution Development
      • L = 0.1 * 0.2 = 0.02
      • M = 0.25 * 0.2 = 0.05
      • U = 0.5 * 0.2 = 0.1
    • Kriteria C4 Ketidakhadiran
      • L = 1 * 0.25 = 0.25
      • M = 0.4 * 0.25 = 0.1
      • U = 0.2 * 0.25 = 0.05
    • Kriteria C5 Keluhan Toko
      • L = 0.3333 * 0.15 = 0.05
      • M = 0.6667 * 0.15 = 0.1
      • U = 1 * 0.15 = 0.15

Hasilnya seperti berikut.

Kode C1 C2 C3 C4 C5
  L M U L M U L M U L M U L M U
A1 0.02 0.02 0.05 0.03 0.075 0.15 0.15 0.2 0.2 0.25 0.1 0.05 0.02 0.05 0.1
A2 0.02 0.05 0.1 0.225 0.3 0.3 0.02 0.05 0.1 0.1 0.05 0.0333 0.02 0.02 0.05
A3 0.02 0.05 0.1 0.225 0.3 0.3 0.02 0.02 0.05 0.1 0.05 0.0333 0.05 0.1 0.15
A4 0.02 0.02 0.05 0.03 0.03 0.075 0.05 0.1 0.15 0.25 0.25 0.1 0.05 0.1 0.15
A5 0.02 0.05 0.1 0.075 0.15 0.225 0.02 0.05 0.1 0.25 0.1 0.05 0.05 0.1 0.15

Rata-Rata LMU Terbobot

Tahap ini adalah menghitung rata-rata LMU dari setiap nilai alternatif setiap kriteria normalisasi terbobot. Langkahnya sebagai berikut.

  • Alternatif A1 Hanna
    • Kriteria C1 Penjualan Produk Merek = avg(0.02, 0.02, 0.05) = (0.02, 0.02, 0.05) / 3 = 0.03
    • Kriteria C2 Sales Revenue = avg(0.03, 0.075, 0.15) = (0.03, 0.075, 0.15) / 3 = 0.085
    • Kriteria C3 Distribution Development = avg(0.15, 0.2, 0.2) = (0.15, 0.2, 0.2) / 3 = 0.1833
    • Kriteria C4 Ketidakhadiran = avg(0.25, 0.1, 0.05) = (0.25, 0.1, 0.05) / 3 = 0.1333
    • Kriteria C5 Keluhan Toko = avg(0.02, 0.05, 0.1) = (0.02, 0.05, 0.1) / 3 = 0.0567
  • Alternatif A2 Laurence
    • Kriteria C1 Penjualan Produk Merek = avg(0.02, 0.05, 0.1) = (0.02, 0.05, 0.1) / 3 = 0.0567
    • Kriteria C2 Sales Revenue = avg(0.225, 0.3, 0.3) = (0.225, 0.3, 0.3) / 3 = 0.275
    • Kriteria C3 Distribution Development = avg(0.02, 0.05, 0.1) = (0.02, 0.05, 0.1) / 3 = 0.0567
    • Kriteria C4 Ketidakhadiran = avg(0.1, 0.05, 0.0333) = (0.1, 0.05, 0.0333) / 3 = 0.0611
    • Kriteria C5 Keluhan Toko = avg(0.02, 0.02, 0.05) = (0.02, 0.02, 0.05) / 3 = 0.03
  • Alternatif A3 Elizabeth
    • Kriteria C1 Penjualan Produk Merek = avg(0.02, 0.05, 0.1) = (0.02, 0.05, 0.1) / 3 = 0.0567
    • Kriteria C2 Sales Revenue = avg(0.225, 0.3, 0.3) = (0.225, 0.3, 0.3) / 3 = 0.275
    • Kriteria C3 Distribution Development = avg(0.02, 0.02, 0.05) = (0.02, 0.02, 0.05) / 3 = 0.03
    • Kriteria C4 Ketidakhadiran = avg(0.1, 0.05, 0.0333) = (0.1, 0.05, 0.0333) / 3 = 0.0611
    • Kriteria C5 Keluhan Toko = avg(0.05, 0.1, 0.15) = (0.05, 0.1, 0.15) / 3 = 0.1
  • Alternatif A4 Victoria
    • Kriteria C1 Penjualan Produk Merek = avg(0.02, 0.02, 0.05) = (0.02, 0.02, 0.05) / 3 = 0.03
    • Kriteria C2 Sales Revenue = avg(0.03, 0.03, 0.075) = (0.03, 0.03, 0.075) / 3 = 0.045
    • Kriteria C3 Distribution Development = avg(0.05, 0.1, 0.15) = (0.05, 0.1, 0.15) / 3 = 0.1
    • Kriteria C4 Ketidakhadiran = avg(0.25, 0.25, 0.1) = (0.25, 0.25, 0.1) / 3 = 0.2
    • Kriteria C5 Keluhan Toko = avg(0.05, 0.1, 0.15) = (0.05, 0.1, 0.15) / 3 = 0.1
  • Alternatif A5 Patricio
    • Kriteria C1 Penjualan Produk Merek = avg(0.02, 0.05, 0.1) = (0.02, 0.05, 0.1) / 3 = 0.0567
    • Kriteria C2 Sales Revenue = avg(0.075, 0.15, 0.225) = (0.075, 0.15, 0.225) / 3 = 0.15
    • Kriteria C3 Distribution Development = avg(0.02, 0.05, 0.1) = (0.02, 0.05, 0.1) / 3 = 0.0567
    • Kriteria C4 Ketidakhadiran = avg(0.25, 0.1, 0.05) = (0.25, 0.1, 0.05) / 3 = 0.1333
    • Kriteria C5 Keluhan Toko = avg(0.05, 0.1, 0.15) = (0.05, 0.1, 0.15) / 3 = 0.1

Hasilnya seperti berikut.

Kode C1 C2 C3 C4 C5
A1 0.03 0.085 0.1833 0.1333 0.0567
A2 0.0567 0.275 0.0567 0.0611 0.03
A3 0.0567 0.275 0.03 0.0611 0.1
A4 0.03 0.045 0.1 0.2 0.1
A5 0.0567 0.15 0.0567 0.1333 0.1

Mencari Total Alternatif

Tahap ini adalah menjumlahkan nilai rata-rata setiap alternatif. Langkahnya sebagai berikut.

  • Alternatif A1 Hanna = 0.03 + 0.085 + 0.1833 + 0.1333 + 0.0567 = 0.4883
  • Alternatif A2 Laurence = 0.0567 + 0.275 + 0.0567 + 0.0611 + 0.03 = 0.4794
  • Alternatif A3 Elizabeth = 0.0567 + 0.275 + 0.03 + 0.0611 + 0.1 = 0.5228
  • Alternatif A4 Victoria = 0.03 + 0.045 + 0.1 + 0.2 + 0.1 = 0.475
  • Alternatif A5 Patricio = 0.0567 + 0.15 + 0.0567 + 0.1333 + 0.1 = 0.4967

Alternatif kemudian dirangking berdasarkan total terbesar, hasilnya seperti berikut.

Rank Kode Nama Total
1 A3 Elizabeth 0.5228
2 A5 Patricio 0.4967
3 A1 Hanna 0.4883
4 A2 Laurence 0.4794
5 A4 Victoria 0.475

Berdasarkan perhitungan, maka alternatif yang terpilih adalah Elizabeth dengan total nilai 0.5228.

Source Code Metode Fuzzy SAW

Berikut adalah beberapa source-code yang menggunakan metode Fuzzy SAW baik berbasis web maupun desktop.

Ada yang Ditanyakan?

Jika anda masih ada kesulitan atau kekeliruan tentang penjelasan metode di atas, bisa menghubungi kami lewat WA/Email sesuai halaman Kontak.

Jika ingin memiliki file excel dari metode di atas bisa melihat cara download di halaman Download.

Jika ingin memiliki source code dari metode di atas, baik berbasis web maupun desktop bisa melihat daftar harga donasi di halaman Daftar Source Code.

Donasi ini digunakan oleh penulis untuk membayar server dan membeli kopi sembari membuat tutorial Metode/Algoritma lainnya :).

PENCARIAN

PRODUK POPULER

Source Code Text Mining Metode Naive Bayes Classifier PHP
Source Code Text Mining Metode Naive Bayes Classifier PHP

Source Code Text Mining Metode Naive Bayes Clasifier PHP, Kasus Sentimen, Kasus Skripsi, Kasus Hoax.

Source Code Sistem Informasi Akuntansi Koperasi Simpan Pinjam Laravel
Source Code Sistem Informasi Akuntansi Koperasi Simpan Pinjam Laravel

Source Code Sistem Informasi Akuntansi Koperasi Simpan Pinjam Berbais Web Laravel, SHU, Pinjaman, Simpanan, Laba Rugi, Neraca

Source Code SPK Metode AHP Codeigniter + Crisp
Source Code SPK Metode AHP Codeigniter + Crisp

Source code sistem pendukung keputusan (SPK) metode Analytical Hierarkhi Process (AHP) berbasis web dengan Codeigniter dan MySQL dengan Crisp.

Source Code Sistem Pakar Metode Naive Bayes Classifier VB
Source Code Sistem Pakar Metode Naive Bayes Classifier VB

Source Code Sistem Pakar Metode Naive Bayes Classifier dengan VB.Net dan Microsoft Access.

Source Code SPK Metode AHP MOORA PHP + Periode
Source Code SPK Metode AHP MOORA PHP + Periode

Source code SPK (Sistem Pendukung Keputusan) metode AHP (Analitical Hierarchy Process) MOORA (Multi-Objective Optimization on the basic of Ratio Analysis) + Periode dengan PHP dan MySQL.

       

Link Lainnya

Hubungi Kami

Tentang Kami

RumahSourceCode.com merupakan website media online yang menyediakan source code program aplikasi gratis dan berbayar. Selain menyediakan source code program aplikasi, kami juga menerima jasa pembuatan dan pengembangan aplikasi.