Fuzzy AHP

Fuzzy AHP: Contoh Perhitungan Kriteria dan Alternatif Lengkap

Diterbitkan 26 September 2026

Fuzzy AHP (Fuzzy Analytical Hierarchy Process) adalah pengembangan metode AHP yang menggunakan bilangan fuzzy untuk merepresentasikan penilaian perbandingan berpasangan yang tidak selalu dapat dinyatakan secara tegas. Pada metode ini, skala perbandingan AHP diubah menjadi Triangular Fuzzy Number (TFN) sehingga ketidakpastian dalam penilaian dapat dimodelkan dengan lebih fleksibel.

Tutorial ini menggunakan pendekatan Fuzzy Geometric Mean (Buckley). Contoh dibuat lengkap mulai dari kriteria, alternatif, matriks perbandingan berpasangan, uji konsistensi AHP, konversi ke TFN, fuzzy geometric mean, fuzzy weight, defuzzifikasi, normalisasi, sampai perangkingan akhir alternatif.

Studi kasus yang digunakan adalah pemilihan laptop dengan empat kriteria dan empat alternatif.

Daftar Isi

Pengertian Fuzzy AHP

Fuzzy AHP adalah metode pengambilan keputusan multikriteria yang menggabungkan:

AHP
+
Fuzzy Set

AHP digunakan untuk membentuk struktur hierarki dan perbandingan berpasangan, sedangkan fuzzy digunakan untuk menangani ketidakpastian dalam penilaian.

Jika pada AHP nilai perbandingan dinyatakan sebagai:

3

maka pada Fuzzy AHP nilai tersebut dapat direpresentasikan sebagai TFN:

\[ (2,3,4) \]

Artinya penilaian "3 kali lebih penting" tidak dianggap sebagai nilai tunggal, tetapi sebagai rentang fuzzy.

Perbedaan AHP dan Fuzzy AHP

Aspek AHP Fuzzy AHP
Nilai perbandingan Crisp Fuzzy
Representasi Angka tunggal Triangular Fuzzy Number
Ketidakpastian Terbatas Lebih fleksibel
Perhitungan Eigenvector / normalisasi Operasi fuzzy + defuzzifikasi
Konsistensi Menggunakan CR Tetap dapat diuji pada matriks crisp
Hasil Bobot prioritas Bobot fuzzy lalu crisp

Fuzzy AHP tidak menghilangkan struktur AHP. Tahap penyusunan hierarki dan matriks perbandingan tetap digunakan.

Konsep Triangular Fuzzy Number

Triangular Fuzzy Number ditulis:

\[ \tilde{A}=(l,m,u) \]

Keterangan:

  • \(l\) = lower value,
  • \(m\) = middle value,
  • \(u\) = upper value.

Dengan:

\[ l \leq m \leq u \]

Contoh:

\[ \tilde{A}=(2,3,4) \]

menunjukkan nilai utama 3 dengan batas bawah 2 dan batas atas 4.

Kebalikan TFN:

\[ \tilde{A}^{-1} = \left( \frac{1}{u}, \frac{1}{m}, \frac{1}{l} \right) \]

Contoh:

\[ (2,3,4)^{-1} = \left( \frac14, \frac13, \frac12 \right) \]

Skala Fuzzy AHP

Pada tutorial ini digunakan pemetaan skala Saaty ke TFN berikut:

Skala AHP Makna TFN
1 Sama penting (1, 1, 1)
2 Antara sama dan sedikit lebih penting (1, 2, 3)
3 Sedikit lebih penting (2, 3, 4)
4 Antara sedikit dan lebih penting (3, 4, 5)
5 Lebih penting (4, 5, 6)
6 Antara lebih dan sangat penting (5, 6, 7)
7 Sangat penting (6, 7, 8)
8 Antara sangat dan mutlak penting (7, 8, 9)
9 Mutlak lebih penting (9, 9, 9)

Nilai kebalikan diperoleh dengan membalik urutan dan setiap komponennya.

Contoh:

\[ 3=(2,3,4) \]

maka:

\[ \frac13= \left( \frac14, \frac13, \frac12 \right) \]

Metode Fuzzy Geometric Mean

Ada beberapa pendekatan Fuzzy AHP. Artikel ini menggunakan Fuzzy Geometric Mean yang umum dikaitkan dengan pendekatan Buckley.

Untuk baris ke-\(i\):

\[ \tilde{r}_i = \left( \prod_{j=1}^{n} \tilde{a}_{ij} \right)^{1/n} \]

Jika:

\[ \tilde{a}_{ij} = (l_{ij},m_{ij},u_{ij}) \]

maka:

\[ \tilde{r}_i = \left( \left(\prod l_{ij}\right)^{1/n}, \left(\prod m_{ij}\right)^{1/n}, \left(\prod u_{ij}\right)^{1/n} \right) \]

Setelah seluruh fuzzy geometric mean diperoleh:

\[ \tilde{w}_i = \tilde{r}_i \otimes \left( \sum_{i=1}^{n}\tilde{r}_i \right)^{-1} \]

Hasil tersebut kemudian didefuzzifikasi dan dinormalisasi.

Rumus Fuzzy AHP

1. Fuzzy Geometric Mean

\[ \tilde{r}_i = \left( \prod_{j=1}^{n} \tilde{a}_{ij} \right)^{1/n} \]

2. Penjumlahan Fuzzy Geometric Mean

Jika:

\[ \sum_i \tilde{r}_i = (L,M,U) \]

maka inversnya:

\[ (L,M,U)^{-1} = \left( \frac1U, \frac1M, \frac1L \right) \]

3. Fuzzy Weight

\[ \tilde{w}_i = \tilde{r}_i \otimes \left( \sum_i\tilde{r}_i \right)^{-1} \]

4. Defuzzifikasi

Pada tutorial ini digunakan metode centroid:

\[ BNP_i = \frac{l_i+m_i+u_i}{3} \]

5. Normalisasi

\[ W_i = \frac{BNP_i} {\sum BNP_i} \]

Nilai \(W_i\) menjadi bobot crisp yang digunakan pada perhitungan akhir.

Tahapan Perhitungan Fuzzy AHP

Secara umum:

Tentukan Tujuan
↓
Tentukan Kriteria
↓
Tentukan Alternatif
↓
Buat Matriks Perbandingan
↓
Uji Konsistensi
↓
Konversi Crisp ke TFN
↓
Hitung Fuzzy Geometric Mean
↓
Hitung Fuzzy Weight
↓
Defuzzifikasi
↓
Normalisasi
↓
Hitung Bobot Alternatif per Kriteria
↓
Hitung Bobot Global
↓
Perangkingan

Contoh Kasus Fuzzy AHP

Contoh digunakan untuk memilih laptop terbaik.

#01 Menentukan Kriteria

Digunakan empat kriteria:

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

Harga merupakan kriteria cost karena nilai yang lebih rendah lebih disukai.

RAM, Storage, dan Baterai merupakan benefit karena nilai yang lebih tinggi lebih disukai.

#02 Menentukan Alternatif

Digunakan empat alternatif:

Kode Alternatif Harga RAM Storage Baterai
A1 Laptop A Rp8 juta 8 GB 512 GB 8 jam
A2 Laptop B Rp9 juta 16 GB 512 GB 9 jam
A3 Laptop C Rp7,5 juta 8 GB 1024 GB 7 jam
A4 Laptop D Rp10 juta 16 GB 1024 GB 10 jam

Data numerik pada tabel digunakan sebagai konteks dalam membentuk judgment berpasangan. Fuzzy AHP pada contoh ini tetap menggunakan pairwise comparison, bukan langsung melakukan normalisasi data mentah seperti SAW atau TOPSIS.

#03 Matriks Perbandingan Kriteria

Penilaian kriteria:

Kriteria C1 C2 C3 C4
C1 1 2 3 2
C2 1/2 1 2 1
C3 1/3 1/2 1 1/2
C4 1/2 1 2 1

Interpretasi:

  • C1 dinilai 2 kali lebih penting daripada C2.
  • C1 dinilai 3 kali lebih penting daripada C3.
  • C1 dinilai 2 kali lebih penting daripada C4.
  • C2 dan C4 dianggap sama penting.

#04 Uji Konsistensi Matriks Kriteria

Sebelum dikonversi ke fuzzy, matriks crisp dapat diuji konsistensinya.

Rumus:

\[ CI = \frac{\lambda_{max}-n}{n-1} \]

dan:

\[ CR = \frac{CI}{RI} \]

Untuk:

\[ n=4 \]

nilai Random Index:

\[ RI=0.90 \]

Dari matriks kriteria diperoleh:

\[ \lambda_{max}=4.010363 \]

Maka:

\[ CI = \frac{4.010363-4}{3} = 0.003454 \]
\[ CR = \frac{0.003454}{0.90} = 0.003838 \]

Karena:

\[ CR<0.10 \]

maka matriks kriteria konsisten.

#05 Konversi Matriks Kriteria ke TFN

Matriks crisp dikonversi menggunakan skala TFN.

Contoh:

\[ 2\rightarrow(1,2,3) \]
\[ 3\rightarrow(2,3,4) \]

dan:

\[ \frac12 \rightarrow \left( \frac13,\frac12,1 \right) \]

Matriks fuzzy:

Kriteria C1 C2 C3 C4
C1 (1,1,1) (1,2,3) (2,3,4) (1,2,3)
C2 (1/3,1/2,1) (1,1,1) (1,2,3) (1,1,1)
C3 (1/4,1/3,1/2) (1/3,1/2,1) (1,1,1) (1/3,1/2,1)
C4 (1/3,1/2,1) (1,1,1) (1,2,3) (1,1,1)

#06 Menghitung Bobot Fuzzy Kriteria

Geometric Mean C1

Baris C1:

\[ (1,1,1) \otimes (1,2,3) \otimes (2,3,4) \otimes (1,2,3) \]

Komponen bawah:

\[ 1\times1\times2\times1=2 \]

Komponen tengah:

\[ 1\times2\times3\times2=12 \]

Komponen atas:

\[ 1\times3\times4\times3=36 \]

Karena terdapat 4 kriteria:

\[ \tilde{r}_1 = (2^{1/4},12^{1/4},36^{1/4}) \]
\[ \tilde{r}_1 = (1.189207,1.861210,2.449490) \]

Hasil seluruh geometric mean:

Kriteria Fuzzy Geometric Mean
C1 (1.189207, 1.861210, 2.449490)
C2 (0.759836, 1.000000, 1.316074)
C3 (0.408248, 0.537285, 0.840896)
C4 (0.759836, 1.000000, 1.316074)

Jumlah:

\[ \sum \tilde{r}_i = (3.117127,4.398495,5.922534) \]

Invers:

\[ \left(\sum\tilde{r}_i\right)^{-1} = \left( \frac1{5.922534}, \frac1{4.398495}, \frac1{3.117127} \right) \]

Kemudian setiap geometric mean dikalikan dengan invers tersebut.

Hasil fuzzy weight:

Kriteria Fuzzy Weight
C1 (0.200794, 0.423147, 0.785817)
C2 (0.128296, 0.227351, 0.422207)
C3 (0.068931, 0.122152, 0.269767)
C4 (0.128296, 0.227351, 0.422207)

#07 Defuzzifikasi Bobot Kriteria

Gunakan:

\[ BNP_i = \frac{l_i+m_i+u_i}{3} \]

C1

\[ BNP_1 = \frac{ 0.200794+0.423147+0.785817 }{3} \]
\[ BNP_1=0.469919 \]

Hasil seluruh kriteria:

Kriteria BNP Bobot Normalisasi
C1 - Harga 0.469919 0.411450
C2 - RAM 0.259285 0.227023
C3 - Storage 0.153617 0.134503
C4 - Baterai 0.259285 0.227023

Jumlah bobot normalisasi:

\[ 0.411450+0.227023+0.134503+0.227023 \approx1 \]

Jadi bobot kriteria:

Harga   = 41.1450%
RAM     = 22.7023%
Storage = 13.4503%
Baterai = 22.7023%

#08 Alternatif pada Kriteria Harga

Karena harga adalah cost, laptop yang lebih murah dinilai lebih disukai.

Matriks perbandingan:

Alternatif A1 A2 A3 A4
A1 1 2 1/2 3
A2 1/2 1 1/3 2
A3 2 3 1 4
A4 1/3 1/2 1/4 1

Uji konsistensi:

\[ CR=0.011475 \]

Karena:

\[ CR<0.10 \]

maka matriks konsisten.

Setelah konversi TFN dan fuzzy geometric mean:

Alternatif Fuzzy Geometric Mean
A1 (0.903602, 1.316074, 1.861210)
A2 (0.537285, 0.759836, 1.106682)
A3 (1.565085, 2.213364, 2.783158)
A4 (0.359304, 0.451801, 0.638943)

Fuzzy weight:

Alternatif Fuzzy Weight
A1 (0.141409, 0.277590, 0.553063)
A2 (0.084082, 0.160267, 0.328853)
A3 (0.244927, 0.466849, 0.827022)
A4 (0.056229, 0.095295, 0.189864)

Setelah defuzzifikasi dan normalisasi:

Alternatif Bobot Lokal Harga
A1 0.283776
A2 0.167336
A3 0.449225
A4 0.099662

Pada kriteria Harga, A3 memiliki bobot tertinggi karena merupakan alternatif dengan harga paling rendah.

#09 Alternatif pada Kriteria RAM

RAM merupakan benefit.

Matriks:

Alternatif A1 A2 A3 A4
A1 1 1/3 1 1/3
A2 3 1 3 1
A3 1 1/3 1 1/3
A4 3 1 3 1

A2 dan A4 memiliki RAM 16 GB, sedangkan A1 dan A3 memiliki RAM 8 GB.

Uji konsistensi:

\[ CR=0 \]

Fuzzy geometric mean:

Alternatif Fuzzy Geometric Mean
A1 (0.500000, 0.577350, 0.707107)
A2 (1.414214, 1.732051, 2.000000)
A3 (0.500000, 0.577350, 0.707107)
A4 (1.414214, 1.732051, 2.000000)

Bobot lokal setelah defuzzifikasi:

Alternatif Bobot Lokal RAM
A1 0.128807
A2 0.371193
A3 0.128807
A4 0.371193

#10 Alternatif pada Kriteria Storage

Storage merupakan benefit.

A1 dan A2 memiliki 512 GB, sedangkan A3 dan A4 memiliki 1024 GB.

Matriks:

Alternatif A1 A2 A3 A4
A1 1 1 1/3 1/3
A2 1 1 1/3 1/3
A3 3 3 1 1
A4 3 3 1 1

Uji konsistensi:

\[ CR=0 \]

Fuzzy geometric mean:

Alternatif Fuzzy Geometric Mean
A1 (0.500000, 0.577350, 0.707107)
A2 (0.500000, 0.577350, 0.707107)
A3 (1.414214, 1.732051, 2.000000)
A4 (1.414214, 1.732051, 2.000000)

Bobot lokal:

Alternatif Bobot Lokal Storage
A1 0.128807
A2 0.128807
A3 0.371193
A4 0.371193

#11 Alternatif pada Kriteria Baterai

Baterai merupakan benefit.

Matriks:

Alternatif A1 A2 A3 A4
A1 1 1/2 2 1/3
A2 2 1 3 1/2
A3 1/2 1/3 1 1/4
A4 3 2 4 1

Uji konsistensi:

\[ CR=0.011475 \]

Matriks konsisten karena:

\[ CR<0.10 \]

Fuzzy geometric mean:

Alternatif Fuzzy Geometric Mean
A1 (0.537285, 0.759836, 1.106682)
A2 (0.903602, 1.316074, 1.861210)
A3 (0.359304, 0.451801, 0.638943)
A4 (1.565085, 2.213364, 2.783158)

Bobot lokal:

Alternatif Bobot Lokal Baterai
A1 0.167336
A2 0.283776
A3 0.099662
A4 0.449225

#12 Bobot Lokal Alternatif

Gabungkan seluruh bobot lokal alternatif:

Alternatif Harga RAM Storage Baterai
A1 0.283776 0.128807 0.128807 0.167336
A2 0.167336 0.371193 0.128807 0.283776
A3 0.449225 0.128807 0.371193 0.099662
A4 0.099662 0.371193 0.371193 0.449225

Bobot kriteria:

Kriteria Bobot
Harga 0.411450
RAM 0.227023
Storage 0.134503
Baterai 0.227023

#13 Perhitungan Bobot Global

Bobot global alternatif dihitung:

\[ V_i = \sum_{j=1}^{n} W_j \times L_{ij} \]

Keterangan:

  • \(W_j\) = bobot kriteria,
  • \(L_{ij}\) = bobot lokal alternatif \(i\) pada kriteria \(j\).

Alternatif A1

\[ V_1 = (0.411450)(0.283776) + (0.227023)(0.128807) + (0.134503)(0.128807) + (0.227023)(0.167336) \]
\[ V_1 = 0.201316 \]

Alternatif A2

\[ V_2 = (0.411450)(0.167336) + (0.227023)(0.371193) + (0.134503)(0.128807) + (0.227023)(0.283776) \]
\[ V_2 = 0.234869 \]

Alternatif A3

\[ V_3 = (0.411450)(0.449225) + (0.227023)(0.128807) + (0.134503)(0.371193) + (0.227023)(0.099662) \]
\[ V_3 = 0.286628 \]

Alternatif A4

\[ V_4 = (0.411450)(0.099662) + (0.227023)(0.371193) + (0.134503)(0.371193) + (0.227023)(0.449225) \]
\[ V_4 = 0.277187 \]

Validasi:

\[ 0.201316+ 0.234869+ 0.286628+ 0.277187 \approx1 \]

#14 Hasil Perangkingan

Sebelum melihat tabel, nilai akhir:

A1 = 0.201316
A2 = 0.234869
A3 = 0.286628
A4 = 0.277187

Hasil perangkingan:

Rank Alternatif Nilai Akhir
1 A3 - Laptop C 0.286628
2 A4 - Laptop D 0.277187
3 A2 - Laptop B 0.234869
4 A1 - Laptop A 0.201316

Berdasarkan judgment dan bobot pada contoh ini, A3 - Laptop C memperoleh nilai akhir terbesar.

Kemenangan A3 terutama dipengaruhi oleh:

  • bobot Harga yang paling besar,
  • A3 memiliki bobot lokal tertinggi pada Harga,
  • A3 juga memiliki Storage 1024 GB.

A4 berada sangat dekat karena unggul pada RAM, Storage, dan Baterai, tetapi harga yang lebih mahal membuat bobot globalnya sedikit lebih rendah.

Uji Konsistensi Seluruh Matriks

Ringkasan Consistency Ratio:

Matriks CR Status
Kriteria 0.003838 Konsisten
Alternatif - Harga 0.011475 Konsisten
Alternatif - RAM 0.000000 Konsisten
Alternatif - Storage 0.000000 Konsisten
Alternatif - Baterai 0.011475 Konsisten

Seluruh nilai:

\[ CR<0.10 \]

sehingga seluruh matriks perbandingan pada contoh dapat diterima dari sisi konsistensi AHP.

Uji CR dilakukan pada matriks crisp sebelum konversi ke TFN.

Interpretasi Hasil

Fuzzy AHP tidak sekadar mengambil data harga, RAM, storage, dan baterai lalu melakukan normalisasi langsung.

Yang dinilai adalah preferensi perbandingan berpasangan.

Contoh:

C1 dibanding C2 = 2

berarti Harga dinilai lebih penting daripada RAM dengan tingkat preferensi 2 pada skala AHP.

Pada tahap fuzzy, nilai tersebut menjadi:

\[ (1,2,3) \]

sehingga ketidakpastian judgment ikut direpresentasikan.

Karena itu, hasil akhir dapat berubah apabila:

  • judgment kriteria berubah,
  • judgment alternatif berubah,
  • skala TFN yang digunakan berbeda,
  • metode defuzzifikasi berbeda,
  • atau pendekatan Fuzzy AHP yang digunakan berbeda.

Pseudocode Fuzzy AHP

input:
    pairwise_matrix
    fuzzy_scale

1. hitung CR dari pairwise_matrix

2. jika CR > 0.10:
       revisi judgment

3. konversi setiap elemen matrix
   menjadi triangular fuzzy number

4. untuk setiap baris i:
       hitung fuzzy geometric mean ri

5. hitung total:
       sum_r = Σ ri

6. hitung inverse(sum_r)

7. untuk setiap i:
       fuzzy_weight[i]
       = ri × inverse(sum_r)

8. defuzzifikasi:
       BNP[i]
       = (l + m + u) / 3

9. normalisasi:
       weight[i]
       = BNP[i] / Σ BNP

10. ulangi proses untuk:
       - kriteria
       - alternatif pada setiap kriteria

11. hitung nilai global:
       score[alternative]
       = Σ(
           criteria_weight
           × local_alternative_weight
         )

12. urutkan score terbesar

Fuzzy AHP vs AHP

Aspek AHP Fuzzy AHP
Judgment Crisp Fuzzy
Contoh skala 3 3 (2,3,4)
Ketidakpastian Tidak eksplisit Direpresentasikan dengan fuzzy
Perhitungan bobot Eigenvector / normalisasi Fuzzy arithmetic
Defuzzifikasi Tidak diperlukan Diperlukan
Kompleksitas Lebih sederhana Lebih kompleks

Jika penilaian pakar dianggap cukup tegas, AHP dapat digunakan.

Jika terdapat ketidakpastian atau ambiguitas dalam judgment, Fuzzy AHP dapat menjadi pilihan.

Fuzzy AHP vs Fuzzy TOPSIS

Aspek Fuzzy AHP Fuzzy TOPSIS
Fungsi utama Pembobotan dan prioritas hierarki Perangkingan berdasarkan solusi ideal
Input Pairwise comparison Rating alternatif terhadap kriteria
Struktur Hierarki Matriks keputusan
Bobot Dapat dihitung langsung Biasanya diberikan atau dihitung metode lain
Perangkingan alternatif Bisa Sangat umum
Kombinasi Dapat digunakan sendiri Sering dikombinasikan dengan Fuzzy AHP

Contoh kombinasi:

Fuzzy AHP
→ menentukan bobot kriteria

Fuzzy TOPSIS
→ melakukan perangkingan alternatif

Kelebihan dan Kekurangan Fuzzy AHP

Kelebihan Fuzzy AHP

  • Dapat merepresentasikan ketidakpastian judgment.
  • Mempertahankan struktur hierarki AHP.
  • Cocok untuk penilaian pakar yang bersifat linguistik.
  • Bobot kriteria dan alternatif dapat dihitung dalam satu kerangka.
  • Tetap dapat menggunakan uji konsistensi matriks AHP.
  • Hasil mudah dikombinasikan dengan metode SPK lain.

Kekurangan Fuzzy AHP

  • Perhitungan lebih panjang dibanding AHP.
  • Terdapat beberapa varian Fuzzy AHP sehingga metode harus disebutkan dengan jelas.
  • Hasil dapat berbeda tergantung skala fuzzy.
  • Defuzzifikasi dapat memengaruhi hasil akhir.
  • Jumlah pairwise comparison meningkat cepat jika kriteria atau alternatif banyak.
  • Judgment tetap bersifat subjektif jika sumber penilaian berasal dari pakar.

Kapan Fuzzy AHP Cocok Digunakan?

Fuzzy AHP cocok digunakan ketika:

  • terdapat banyak kriteria;
  • penilaian menggunakan pendapat pakar;
  • judgment mengandung ketidakpastian;
  • sulit memberikan nilai crisp yang benar-benar pasti;
  • dibutuhkan pembobotan hierarkis;
  • alternatif juga perlu dibandingkan secara berpasangan;
  • atau penelitian membutuhkan pengembangan dari AHP.

Contoh penerapan:

  • pemilihan supplier,
  • pemilihan laptop,
  • pemilihan lokasi,
  • penentuan prioritas proyek,
  • pemilihan karyawan,
  • evaluasi vendor,
  • pemilihan destinasi,
  • dan berbagai kasus sistem pendukung keputusan.

Kesalahan Umum Implementasi

1. Tidak menyebutkan varian Fuzzy AHP

Fuzzy AHP memiliki beberapa pendekatan.

Artikel, skripsi, atau aplikasi sebaiknya menyebutkan pendekatan yang digunakan.

Pada tutorial ini:

Fuzzy Geometric Mean / pendekatan Buckley

2. Langsung melakukan fuzzifikasi tanpa menguji konsistensi

Jika pairwise comparison awal tidak konsisten, konversi fuzzy tidak otomatis memperbaikinya.

3. Salah membuat reciprocal TFN

Jika:

\[ (a,b,c) \]

maka reciprocal:

\[ \left( \frac1c, \frac1b, \frac1a \right) \]

bukan:

\[ \left( \frac1a, \frac1b, \frac1c \right) \]

4. Tidak menormalisasi hasil defuzzifikasi

Setelah memperoleh BNP, normalisasi diperlukan agar:

\[ \sum W_i=1 \]

5. Mencampur data mentah dengan pairwise comparison

Fuzzy AHP bekerja berdasarkan judgment berpasangan.

Data harga, RAM, dan atribut numerik dapat menjadi dasar judgment, tetapi tidak otomatis menggantikan matriks pairwise.

6. Menggunakan skala TFN tanpa sumber atau definisi

Skala fuzzy harus disebutkan agar perhitungan dapat direplikasi.

7. Tidak menghitung alternatif

Jika Fuzzy AHP digunakan sampai perangkingan alternatif, maka bobot lokal alternatif terhadap setiap kriteria juga harus dihitung.

Hanya menghitung bobot kriteria belum cukup untuk menghasilkan ranking alternatif.

Ringkasan

Pada contoh pemilihan laptop digunakan kriteria:

C1 = Harga
C2 = RAM
C3 = Storage
C4 = Baterai

Bobot Fuzzy AHP:

Kriteria Bobot
Harga 0.411450
RAM 0.227023
Storage 0.134503
Baterai 0.227023

Bobot lokal alternatif:

Alternatif Harga RAM Storage Baterai
A1 0.283776 0.128807 0.128807 0.167336
A2 0.167336 0.371193 0.128807 0.283776
A3 0.449225 0.128807 0.371193 0.099662
A4 0.099662 0.371193 0.371193 0.449225

Nilai global:

Rank Alternatif Nilai
1 A3 0.286628
2 A4 0.277187
3 A2 0.234869
4 A1 0.201316

Sehingga alternatif dengan prioritas tertinggi pada contoh ini adalah:

A3 - Laptop C

FAQ Fuzzy AHP

Apa itu Fuzzy AHP?

Fuzzy AHP adalah pengembangan AHP yang menggunakan fuzzy number untuk merepresentasikan ketidakpastian dalam perbandingan berpasangan.

Apa kepanjangan FAHP?

FAHP adalah singkatan dari Fuzzy Analytical Hierarchy Process.

Apa itu TFN?

TFN adalah Triangular Fuzzy Number yang ditulis dalam bentuk:

\[ (l,m,u) \]

Apakah Fuzzy AHP tetap menggunakan matriks perbandingan?

Ya. Fuzzy AHP tetap menggunakan pairwise comparison seperti AHP.

Apakah Fuzzy AHP membutuhkan uji konsistensi?

Sebaiknya ya. Matriks crisp awal dapat diuji menggunakan Consistency Ratio sebelum dikonversi ke TFN.

Berapa batas CR yang umum digunakan?

Matriks biasanya dianggap konsisten jika:

\[ CR<0.10 \]

Apakah Fuzzy AHP hanya untuk menghitung bobot kriteria?

Tidak. Fuzzy AHP juga dapat digunakan untuk menghitung bobot alternatif pada setiap kriteria dan menghasilkan ranking akhir.

Apa itu defuzzifikasi?

Defuzzifikasi adalah proses mengubah fuzzy number menjadi nilai crisp.

Metode defuzzifikasi apa yang digunakan pada tutorial ini?

Tutorial ini menggunakan centroid:

\[ \frac{l+m+u}{3} \]

Apa metode Fuzzy AHP yang digunakan di artikel ini?

Artikel ini menggunakan pendekatan Fuzzy Geometric Mean yang umum dikaitkan dengan Buckley.

Apa perbedaan AHP dan Fuzzy AHP?

AHP menggunakan nilai crisp, sedangkan Fuzzy AHP menggunakan fuzzy number untuk menangani ketidakpastian judgment.

Apakah Fuzzy AHP sama dengan Fuzzy TOPSIS?

Tidak. Fuzzy AHP berfokus pada pembobotan hierarkis dan pairwise comparison. Fuzzy TOPSIS menggunakan konsep solusi ideal positif dan negatif.

Apakah Fuzzy AHP bisa digabung dengan TOPSIS?

Bisa. Fuzzy AHP sering digunakan untuk menghitung bobot kriteria, kemudian TOPSIS atau Fuzzy TOPSIS digunakan untuk perangkingan alternatif.

Mengapa hasil Fuzzy AHP dapat berbeda antarpenelitian?

Karena hasil dipengaruhi judgment, skala TFN, varian Fuzzy AHP, metode defuzzifikasi, dan struktur hierarki yang digunakan.

Referensi

  1. Saaty, T. L. (1980). The Analytic Hierarchy Process. McGraw-Hill.
  2. Buckley, J. J. (1985). Fuzzy Hierarchical Analysis. Fuzzy Sets and Systems, 17(3), 233–247.
  3. Zadeh, L. A. (1965). Fuzzy Sets. Information and Control, 8(3), 338–353.

Source Code Fuzzy AHP

Berikut source code yang menggunakan metode Fuzzy AHP pada RumahSourceCode.

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.

Pencarian

Produk populer

Source Code Text Mining Metode Naive Bayes Classifier PHP Source Code Text Mining Metode Naive Bayes Classifier PHP
Source Code Sistem Informasi Akuntansi Koperasi Simpan Pinjam Laravel Source Code Sistem Informasi Akuntansi Koperasi Simpan Pinjam Laravel
Source Code SPK Metode AHP Codeigniter + Crisp Source Code SPK Metode AHP Codeigniter + Crisp
Source Code Sistem Pakar Metode Naive Bayes Classifier VB Source Code Sistem Pakar Metode Naive Bayes Classifier VB
Source Code SPK Metode AHP MOORA PHP + Periode Source Code SPK Metode AHP MOORA PHP + Periode