AHP

Metode AHP: Contoh Perhitungan dan Perangkingan

Diterbitkan 25 September 2026

Metode AHP

Metode AHP (Analytic Hierarchy Process) adalah metode pengambilan keputusan multikriteria yang digunakan untuk menentukan bobot prioritas dan memilih alternatif berdasarkan perbandingan berpasangan.

Tutorial ini membahas contoh perhitungan AHP secara manual dan lengkap menggunakan kasus pemilihan laptop berdasarkan Harga, RAM, Storage, dan Baterai. Tahapan dimulai dari menyusun struktur hierarki, membuat matriks perbandingan berpasangan menggunakan skala Saaty, menghitung priority vector, menguji konsistensi dengan \(\lambda_{max}\), Consistency Index (CI), dan Consistency Ratio (CR), hingga memperoleh ranking akhir alternatif.

AHP cocok digunakan ketika keputusan melibatkan beberapa kriteria dan pengambil keputusan dapat membandingkan tingkat kepentingan antar-elemen secara berpasangan. Salah satu keunggulan penting AHP adalah adanya uji konsistensi judgement melalui nilai CR.

Untuk membandingkan pendekatan SPK lain, lihat metode TOPSIS dan Fuzzy SAW. Jika perbandingan berpasangan perlu merepresentasikan ketidakpastian, pelajari juga Fuzzy AHP.

Daftar Isi

Pengertian Metode AHP

AHP adalah singkatan dari Analytic Hierarchy Process. Dalam beberapa tulisan berbahasa Indonesia istilah ini juga sering ditulis sebagai Analytical Hierarchy Process. Metode ini digunakan untuk membantu pengambilan keputusan yang melibatkan beberapa kriteria dan alternatif.

AHP memecah masalah keputusan menjadi struktur hierarki, kemudian membandingkan elemen secara berpasangan. Dari hasil perbandingan tersebut dihitung prioritas relatif setiap kriteria dan alternatif.

Salah satu kelebihan penting AHP adalah adanya uji konsistensi. Penilaian pengambil keputusan tidak hanya menghasilkan bobot, tetapi juga dapat diperiksa apakah perbandingan yang diberikan cukup konsisten.

Struktur Hierarki AHP

Struktur hierarki pada contoh ini terdiri dari tiga tingkat:

  1. Tujuan: memilih laptop terbaik.
  2. Kriteria: Harga, RAM, Storage, dan Baterai.
  3. Alternatif: Laptop A, Laptop B, Laptop C, dan Laptop D.
Level Elemen
Level 1 Memilih Laptop Terbaik
Level 2 Harga, RAM, Storage, Baterai
Level 3 Laptop A, Laptop B, Laptop C, Laptop D

Skala Perbandingan Saaty

Perbandingan berpasangan AHP umumnya menggunakan skala fundamental Saaty 1 sampai 9.

Nilai Makna
1 Kedua elemen sama penting.
2 Nilai antara dua tingkat kepentingan yang berdekatan.
3 Satu elemen sedikit atau moderat lebih penting.
4 Nilai antara 3 dan 5.
5 Satu elemen lebih penting secara kuat.
6 Nilai antara 5 dan 7.
7 Satu elemen sangat kuat lebih penting.
8 Nilai antara 7 dan 9.
9 Satu elemen memiliki kepentingan ekstrem terhadap elemen lain.
1/2, 1/3, ..., 1/9 Nilai kebalikan untuk arah perbandingan sebaliknya.

Jika C1 dibandingkan dengan C2 bernilai 2, maka:

$$ a_{12}=2 \qquad a_{21}=\frac{1}{2} $$

Rumus Dasar AHP

Normalisasi Matriks

$$ n_{ij} = \frac{a_{ij}} {\sum_{i=1}^{n}a_{ij}} $$

Priority Vector

$$ w_i = \frac{ \sum_{j=1}^{n}n_{ij} }{n} $$

Weighted Sum Vector

$$ WS_i = \sum_{j=1}^{n} a_{ij}w_j $$

Consistency Vector

$$ \lambda_i = \frac{WS_i}{w_i} $$

Lambda Maksimum

$$ \lambda_{max} = \frac{ \sum_{i=1}^{n}\lambda_i }{n} $$

Consistency Index

$$ CI = \frac{ \lambda_{max}-n }{ n-1 } $$

Consistency Ratio

$$ CR = \frac{CI}{RI} $$

Umumnya matriks dinilai memiliki konsistensi yang dapat diterima jika \(CR \leq 0.10\).

Catatan metode: tutorial ini menghitung priority vector menggunakan normalisasi kolom lalu rata-rata setiap baris. Pendekatan ini mudah dihitung secara manual dan memberikan estimasi priority vector. Pada implementasi lain, priority vector juga dapat diperoleh dari principal eigenvector matriks perbandingan berpasangan.

Cara Kerja Metode AHP

Secara ringkas, tahapan AHP adalah:

  1. Menentukan tujuan keputusan.
  2. Menentukan kriteria dan alternatif.
  3. Menyusun struktur hierarki.
  4. Membuat matriks perbandingan berpasangan.
  5. Menghitung bobot atau priority vector.
  6. Menghitung \(\lambda_{max}\), CI, dan CR untuk memeriksa konsistensi.
  7. Jika AHP digunakan untuk perangkingan penuh, menghitung prioritas alternatif pada setiap kriteria.
  8. Melakukan sintesis untuk memperoleh prioritas global.
  9. Mengurutkan alternatif berdasarkan nilai prioritas global.

AHP untuk Pembobotan dan Perangkingan

AHP dapat digunakan dengan dua pola umum.

AHP hanya untuk menentukan bobot kriteria

Jika tujuan penelitian hanya memperoleh bobot kriteria, proses dapat berhenti setelah bobot kriteria diperoleh dan matriks dinyatakan cukup konsisten. Bobot tersebut kemudian dapat digunakan pada metode lain seperti TOPSIS, Fuzzy SAW, VIKOR, atau metode SPK lainnya.

AHP untuk perangkingan alternatif

Jika AHP digunakan sebagai metode pengambilan keputusan lengkap, proses dilanjutkan dengan menghitung prioritas alternatif pada setiap kriteria, kemudian seluruh prioritas lokal disintesis menjadi prioritas global.

Pada tutorial ini digunakan pola kedua agar seluruh proses AHP dapat dipelajari dari pembobotan sampai perangkingan.

#01 Menentukan Kriteria dan Alternatif

Kriteria yang digunakan:

Kode Kriteria Atribut
C1 Harga Cost
C2 RAM Benefit
C3 Storage Benefit
C4 Baterai Benefit

Data alternatif:

Alternatif Nama C1 - Harga C2 - RAM C3 - Storage C4 - Baterai
A1 Laptop A 8 8 512 8
A2 Laptop B 9 16 512 9
A3 Laptop C 7.5 8 1024 7
A4 Laptop D 10 16 1024 10

#02 Matriks Perbandingan Kriteria

Pada contoh ini digunakan penilaian:

  • C1 dibanding C2 = 2
  • C1 dibanding C3 = 3
  • C1 dibanding C4 = 4
  • C2 dibanding C3 = 2
  • C2 dibanding C4 = 3
  • C3 dibanding C4 = 2

Contoh Nilai Reciprocal

Jika C1 terhadap C3 bernilai 3:

$$ a_{13}=3 $$

maka C3 terhadap C1:

$$ a_{31} = \frac{1}{3} = 0.333333 $$
Kriteria C1 C2 C3 C4
C1 1 2 3 4
C2 0.5 1 2 3
C3 0.333333 0.5 1 2
C4 0.25 0.333333 0.5 1
Jumlah 2.083333 3.833333 6.5 10

#03 Normalisasi Matriks Kriteria

Setiap elemen matriks dibagi dengan jumlah kolomnya.

Contoh C1 terhadap C1

Jumlah kolom C1:

$$ \sum C1 = 1 + \frac{1}{2} + \frac{1}{3} + \frac{1}{4} = 2.083333 $$

Normalisasi:

$$ n_{11} = \frac{ 1 }{ 2.083333 } = 0.48 $$

Contoh C2 terhadap C1

$$ n_{21} = \frac{ 0.5 }{ 2.083333 } = 0.24 $$
Kriteria C1 C2 C3 C4 Priority Vector
C1 0.48 0.521739 0.461538 0.4 0.465819
C2 0.24 0.26087 0.307692 0.3 0.27714
C3 0.16 0.130435 0.153846 0.2 0.16107
C4 0.12 0.086957 0.076923 0.1 0.09597

#04 Menghitung Bobot Kriteria

Priority vector dihitung dari rata-rata nilai normalisasi pada setiap baris.

Contoh Bobot C1

$$ w_1 = \frac{ 0.48 + 0.521739 + 0.461538 + 0.4 }{ 4 } = 0.465819 $$

Contoh Bobot C2

$$ w_2 = \frac{ 0.24 + 0.26087 + 0.307692 + 0.3 }{ 4 } = 0.27714 $$
Kriteria Nama Bobot Persentase
C1 Harga 0.465819 46.58%
C2 RAM 0.27714 27.71%
C3 Storage 0.16107 16.11%
C4 Baterai 0.09597 9.6%
Total 1 100%

#05 Menguji Konsistensi Kriteria

Setelah bobot diperoleh, matriks perlu diuji konsistensinya.

Langkah 1: Weighted Sum Vector

Contoh untuk C1:

$$ WS_1 = (1\times0.465819) + (2\times0.27714) + (3\times0.16107) + (4\times0.09597) = 1.887191 $$

Langkah 2: Consistency Vector

$$ \lambda_1 = \frac{ 1.887191 }{ 0.465819 } = 4.051335 $$
Kriteria Bobot Weighted Sum λi
C1 0.465819 1.887191 4.051335
C2 0.27714 1.1201 4.041634
C3 0.16107 0.646853 4.015971
C4 0.09597 0.38534 4.015218

Langkah 3: Menghitung λmax

$$ \lambda_{max} = 4.03104 $$

Langkah 4: Menghitung CI

Karena jumlah kriteria \(n=4\):

$$ CI = \frac{ 4.03104 - 4 }{ 4-1 } = 0.010347 $$

Langkah 5: Menentukan RI

Untuk matriks berukuran 4 × 4:

$$ RI=0.9 $$

Langkah 6: Menghitung CR

$$ CR = \frac{ 0.010347 }{ 0.9 } = 0.011496 $$

atau sekitar 1.15%.

Karena \(CR \leq 0.10\), matriks perbandingan kriteria dapat diterima secara konsistensi.

Tabel Random Index

n 1 2 3 4 5 6 7 8 9 10
RI 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49

#06 Perbandingan Alternatif pada Setiap Kriteria

Setelah bobot kriteria konsisten, berikutnya adalah menentukan prioritas alternatif pada masing-masing kriteria.

Dalam penelitian AHP, nilai perbandingan alternatif dapat berasal dari judgement ahli menggunakan skala Saaty. Karena contoh ini menggunakan data kuantitatif yang terukur dan memiliki skala rasio, matriks alternatif dibentuk dari rasio data agar perhitungan mudah diverifikasi.

Penggunaan rasio data seperti ini merupakan pendekatan khusus untuk contoh kuantitatif. Jika data tidak memiliki makna rasio atau berasal dari penilaian kualitatif, perbandingan alternatif sebaiknya dibentuk menggunakan judgement yang sesuai.

Untuk benefit:

$$ a_{ik} = \frac{x_i}{x_k} $$

Untuk cost:

$$ a_{ik} = \frac{x_k}{x_i} $$

Matriks rasio tersebut bersifat konsisten secara matematis, sehingga nilai CR setiap matriks alternatif mendekati 0.

#07 Prioritas Alternatif Kriteria Harga

Harga merupakan kriteria cost. Nilai harga yang lebih kecil berarti alternatif lebih disukai.

Contoh A1 terhadap A2

$$ a_{12} = \frac{ x_{A2} }{ x_{A1} } = \frac{ 9 }{ 8 } = 1.125 $$

Contoh A3 terhadap A1 pada Kriteria Harga

$$ a_{31} = \frac{ 8 }{ 7.5 } = 1.066667 $$
Alternatif A1 A2 A3 A4 Prioritas
A1 1 1.125 0.9375 1.25 0.266272
A2 0.888889 1 0.833333 1.111111 0.236686
A3 1.066667 1.2 1 1.333333 0.284024
A4 0.8 0.9 0.75 1 0.213018

Nilai konsistensi matriks Harga:

$$ CR_{C1} = 0 $$

#08 Prioritas Alternatif Kriteria RAM

RAM merupakan benefit sehingga kapasitas yang lebih besar memperoleh prioritas lebih tinggi.

Contoh A2 terhadap A1

$$ a_{21} = \frac{ 16 }{ 8 } = 2 $$
Alternatif A1 A2 A3 A4 Prioritas
A1 1 0.5 1 0.5 0.166667
A2 2 1 2 1 0.333333
A3 1 0.5 1 0.5 0.166667
A4 2 1 2 1 0.333333
$$ CR_{C2} = 0 $$

#09 Prioritas Alternatif Kriteria Storage

Storage merupakan benefit.

Contoh A3 terhadap A1 pada Kriteria Storage

$$ a_{31} = \frac{ 1024 }{ 512 } = 2 $$
Alternatif A1 A2 A3 A4 Prioritas
A1 1 1 0.5 0.5 0.166667
A2 1 1 0.5 0.5 0.166667
A3 2 2 1 1 0.333333
A4 2 2 1 1 0.333333
$$ CR_{C3} = 0 $$

#10 Prioritas Alternatif Kriteria Baterai

Baterai merupakan benefit.

Contoh A4 terhadap A1

$$ a_{41} = \frac{ 10 }{ 8 } = 1.25 $$
Alternatif A1 A2 A3 A4 Prioritas
A1 1 0.888889 1.142857 0.8 0.235294
A2 1.125 1 1.285714 0.9 0.264706
A3 0.875 0.777778 1 0.7 0.205882
A4 1.25 1.111111 1.428571 1 0.294118
$$ CR_{C4} = 0 $$

#11 Matriks Prioritas Alternatif

Setelah semua perbandingan alternatif selesai, priority vector masing-masing kriteria digabungkan.

Contoh Prioritas A1

Prioritas A1 pada Harga: 0.266272, pada RAM: 0.166667, pada Storage: 0.166667, dan pada Baterai: 0.235294.

Alternatif C1 Bobot Kriteria = 0.465819 C2 Bobot Kriteria = 0.27714 C3 Bobot Kriteria = 0.16107 C4 Bobot Kriteria = 0.09597
A1 - Laptop A 0.266272 0.166667 0.166667 0.235294
A2 - Laptop B 0.236686 0.333333 0.166667 0.264706
A3 - Laptop C 0.284024 0.166667 0.333333 0.205882
A4 - Laptop D 0.213018 0.333333 0.333333 0.294118

#12 Sintesis Prioritas Global

Nilai global diperoleh dengan mengalikan prioritas lokal alternatif dengan bobot kriteria, kemudian menjumlahkan seluruh hasilnya.

$$ P(A_i) = \sum_{j=1}^{n} w_jp_{ij} $$

Contoh A1

$$ P(A1) = (0.465819\times0.266272) + (0.27714\times0.166667) + (0.16107\times0.166667) + (0.09597\times0.235294) = 0.219651 $$

Contoh A2

$$ P(A2) = (0.465819\times0.236686) + (0.27714\times0.333333) + (0.16107\times0.166667) + (0.09597\times0.264706) = 0.254882 $$
Alternatif C1 C2 C3 C4 Nilai Global
A1 - Laptop A 0.124035 0.04619 0.026845 0.022581 0.219651
A2 - Laptop B 0.110253 0.09238 0.026845 0.025404 0.254882
A3 - Laptop C 0.132304 0.04619 0.05369 0.019759 0.251942
A4 - Laptop D 0.099228 0.09238 0.05369 0.028226 0.273524

#13 Perangkingan Akhir AHP

Alternatif diurutkan berdasarkan nilai prioritas global dari terbesar ke terkecil.

Rank Alternatif Nama Nilai Prioritas Global
1 A4 Laptop D 0.273524
2 A2 Laptop B 0.254882
3 A3 Laptop C 0.251942
4 A1 Laptop A 0.219651

Berdasarkan perbandingan kriteria dan data alternatif pada contoh ini, alternatif dengan nilai prioritas global terbesar adalah A4 - Laptop D dengan nilai 0.273524.

Ranking dapat berubah apabila judgement pada matriks perbandingan kriteria atau penilaian alternatif diubah.

Cara Membaca Nilai CR

Consistency Ratio digunakan untuk mengevaluasi konsistensi judgement pada matriks perbandingan berpasangan.

  • CR ≤ 0.10: tingkat konsistensi umumnya dapat diterima.
  • CR > 0.10: perbandingan berpasangan sebaiknya ditinjau kembali.

Nilai CR yang kecil bukan berarti keputusan pasti benar. CR hanya mengukur konsistensi internal dari judgement. Kualitas keputusan tetap bergantung pada kriteria, data, ahli, dan struktur hierarki yang digunakan.

Kelebihan dan Kekurangan AHP

Kelebihan AHP

  • Memecah masalah keputusan kompleks menjadi struktur hierarki yang lebih mudah dipahami.
  • Dapat menggabungkan judgement pengambil keputusan dalam bentuk perbandingan berpasangan.
  • Menghasilkan bobot prioritas yang dapat digunakan langsung atau dikombinasikan dengan metode lain.
  • Memiliki pengujian konsistensi menggunakan CI dan CR.
  • Dapat digunakan untuk pembobotan kriteria maupun perangkingan alternatif.

Kekurangan AHP

  • Jumlah perbandingan berpasangan meningkat ketika jumlah elemen bertambah.
  • Hasil sangat dipengaruhi kualitas judgement pengambil keputusan.
  • Perbandingan yang tidak konsisten perlu ditinjau ulang.
  • Penggunaan banyak kriteria dan alternatif dapat membuat proses pairwise comparison cukup panjang.
  • AHP tidak otomatis menjamin keputusan terbaik jika struktur hierarki, data, atau judgement yang digunakan kurang tepat.

Kapan Metode AHP Cocok Digunakan?

AHP cocok digunakan ketika:

  • keputusan memiliki beberapa kriteria;
  • kriteria dapat disusun dalam struktur hierarki;
  • pengambil keputusan mampu membandingkan dua elemen secara berpasangan;
  • dibutuhkan bobot kriteria yang dapat diuji konsistensinya;
  • penelitian membutuhkan metode pembobotan untuk dikombinasikan dengan metode SPK lain;
  • atau diperlukan perangkingan alternatif dengan pendekatan hierarkis.

Contoh penerapan AHP antara lain pemilihan supplier, pemilihan laptop, penentuan prioritas proyek, pemilihan lokasi, pemilihan karyawan, penentuan beasiswa, dan berbagai kasus sistem pendukung keputusan.

Ringkasan

AHP dimulai dengan menyusun tujuan, kriteria, dan alternatif dalam struktur hierarki. Kriteria kemudian dibandingkan secara berpasangan untuk memperoleh bobot prioritas.

Matriks perbandingan harus diuji menggunakan \(\lambda_{max}\), CI, RI, dan CR. Pada contoh ini, CR matriks kriteria adalah 0.011496, sehingga konsistensinya dapat diterima.

Prioritas alternatif dihitung untuk setiap kriteria, kemudian dikalikan dengan bobot kriteria untuk memperoleh prioritas global. Alternatif dengan prioritas global terbesar menjadi ranking tertinggi.

Pada contoh pemilihan laptop ini, ranking pertama adalah A4 - Laptop D.

FAQ Metode AHP

Apa kepanjangan AHP?

AHP adalah Analytical Hierarchy Process.

Apa fungsi matriks perbandingan berpasangan?

Matriks perbandingan berpasangan digunakan untuk menyatakan tingkat kepentingan relatif antara dua elemen pada level hierarki yang sama.

Apa itu skala Saaty?

Skala Saaty adalah skala intensitas perbandingan yang umumnya menggunakan nilai 1 sampai 9 beserta nilai kebalikannya.

Apa itu priority vector?

Priority vector adalah bobot relatif yang diperoleh dari matriks perbandingan berpasangan.

Apa itu lambda max?

Lambda maksimum digunakan dalam pengujian konsistensi matriks AHP. Nilainya diperoleh dari rata-rata consistency vector.

Apa itu Consistency Index?

Consistency Index atau CI mengukur penyimpangan konsistensi matriks berdasarkan lambda maksimum dan ukuran matriks.

Apa itu Random Index?

Random Index atau RI adalah nilai referensi yang digunakan untuk menghitung Consistency Ratio.

Apa itu Consistency Ratio?

Consistency Ratio atau CR adalah perbandingan antara CI dan RI. Nilai ini digunakan untuk mengevaluasi apakah judgement perbandingan berpasangan cukup konsisten.

Berapa batas CR yang diterima?

Aturan praktis yang umum digunakan adalah \(CR \leq 0.10\) atau maksimal sekitar 10%.

Apa yang dilakukan jika CR lebih dari 0.10?

Perbandingan berpasangan perlu ditinjau kembali, terutama nilai judgement yang saling bertentangan.

Apakah semua matriks alternatif harus diuji CR?

Jika matriks alternatif dibentuk dari judgement berpasangan, konsistensinya sebaiknya diuji. Pada contoh ini matriks alternatif dibentuk dari rasio data kuantitatif sehingga secara matematis konsisten dan CR mendekati nol.

Apakah AHP dapat digunakan hanya untuk menentukan bobot?

Ya. AHP sering digunakan hanya untuk memperoleh bobot kriteria, kemudian bobot tersebut digabungkan dengan metode lain seperti TOPSIS, WASPAS, VIKOR, atau metode SPK lainnya.

Apa perbedaan AHP dan SAW?

AHP menggunakan perbandingan berpasangan dan menyediakan uji konsistensi. Fuzzy SAW menggunakan pendekatan fuzzy pada proses penilaian dan perangkingan berbasis SAW.

Apa perbedaan AHP dan TOPSIS?

AHP berfokus pada pembentukan prioritas melalui hierarki dan pairwise comparison. TOPSIS memilih alternatif berdasarkan kedekatannya terhadap solusi ideal positif dan jaraknya dari solusi ideal negatif.

Kapan AHP cocok digunakan?

AHP cocok ketika masalah memiliki struktur hierarki, terdapat beberapa kriteria, dan pengambil keputusan dapat membandingkan tingkat kepentingan elemen secara berpasangan.

Apakah AHP termasuk metode SPK?

Ya. AHP banyak digunakan dalam Sistem Pendukung Keputusan untuk pembobotan kriteria, penentuan prioritas, dan perangkingan alternatif.

Apa perbedaan bobot lokal dan bobot global pada AHP?

Bobot lokal menunjukkan prioritas elemen pada satu level terhadap elemen induknya, sedangkan bobot global menunjukkan kontribusi akhir elemen terhadap tujuan keputusan setelah seluruh level hierarki disintesis.

Mengapa Consistency Ratio penting?

Consistency Ratio membantu memeriksa apakah judgement pairwise comparison cukup konsisten. Nilai CR yang terlalu besar menunjukkan adanya perbandingan yang perlu ditinjau kembali.

Apakah AHP bisa digabungkan dengan TOPSIS atau SAW?

Bisa. AHP sering digunakan untuk menghasilkan bobot kriteria, kemudian bobot tersebut digunakan pada TOPSIS, SAW, MOORA, WASPAS, VIKOR, dan metode MCDM lainnya.

Referensi

  1. Saaty, T. L. (1980). The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. McGraw-Hill.
  2. Saaty, T. L. (2008). Decision Making with the Analytic Hierarchy Process. International Journal of Services Sciences, 1(1), 83–98.
  3. Forman, E. H. & Gass, S. I. (2001). The Analytic Hierarchy Process—An Exposition. Operations Research, 49(4), 469–486.

Source Code Metode AHP

Berikut adalah beberapa source code yang menggunakan metode AHP untuk sistem pendukung keputusan.

Ada yang Ditanyakan?

Jika masih ada kesulitan atau kekeliruan tentang metode di atas, silakan hubungi kami melalui halaman Kontak.

Perhitungan Excel tersedia melalui halaman Download, sedangkan aplikasi terkait dapat dilihat pada halaman Daftar Source Code.

Donasi digunakan untuk biaya server dan mendukung pembuatan tutorial metode atau algoritma lainnya.

Lihat semua

Komentar

Belum ada komentar.

Tulis Komentar

Komentar pengunjung diperiksa sebelum ditampilkan.

Pencarian

Produk populer

Source Code Sistem Pakar Metode Certainty Factor C Sharp (C#) Source Code Sistem Pakar Metode Certainty Factor C Sharp (C#)
Source Code Sistem Informasi Umrah Haji PHP Source Code Sistem Informasi Umrah Haji PHP
Source Code SPK Metode AHP Codeigniter + Crisp Source Code SPK Metode AHP Codeigniter + Crisp
Source Code SPK Rekomendasi Metode AHP PHP Source Code SPK Rekomendasi Metode AHP PHP
Source Code SPK Metode Fuzzy AHP PHP Source Code SPK Metode Fuzzy AHP PHP