Metode MFEP: Contoh Perhitungan Manual Lengkap dan Perangkingan
Tutorial ini membahas metode MFEP (Multi Factor Evaluation Process) dan contoh perhitungan manualnya untuk sistem pendukung keputusan. Contoh kasus yang digunakan adalah pemilihan laptop berdasarkan Harga, RAM, Storage, dan Baterai.
Inti perhitungan MFEP adalah memberikan Factor Weight untuk setiap kriteria, menentukan Factor Evaluation setiap alternatif, lalu menghitung Weighted Evaluation dengan mengalikan keduanya. Total Weighted Evaluation digunakan sebagai nilai akhir untuk perangkingan.
Karena data laptop memiliki satuan yang berbeda, tutorial ini terlebih dahulu mengubah data mentah menjadi Factor Evaluation pada skala 0 sampai 1. Langkah tersebut merupakan cara praktis untuk membuat data kuantitatif dapat dibandingkan, bukan ketentuan bahwa semua implementasi MFEP wajib menggunakan normalisasi min-max yang sama.
Daftar Isi
- Pengertian Metode MFEP
- Konsep Dasar MFEP
- Rumus Metode MFEP
- #01 Menentukan Kriteria dan Bobot Awal
- #02 Menghitung Factor Weight
- #03 Menentukan Data Alternatif
- #04 Menghitung Factor Evaluation
- #05 Menghitung Weighted Evaluation
- #06 Menghitung Total Evaluation
- #07 Perangkingan Alternatif
- Perbedaan MFEP dan SAW
- Perbedaan MFEP dan SMART
- Kelebihan dan Keterbatasan MFEP
- Ringkasan
- FAQ MFEP
- Referensi
- Source Code MFEP
Pengertian Metode MFEP
MFEP adalah singkatan dari Multi Factor Evaluation Process. Metode ini merupakan pendekatan kuantitatif untuk mengevaluasi beberapa alternatif berdasarkan sejumlah faktor atau kriteria.
Setiap faktor diberi tingkat kepentingan yang disebut Factor Weight (FW). Setiap alternatif kemudian diberi nilai pada masing-masing faktor yang disebut Factor Evaluation (FE).
Nilai akhir diperoleh dari penjumlahan hasil perkalian Factor Weight dengan Factor Evaluation. Alternatif dengan nilai total terbesar ditempatkan pada ranking tertinggi.
Konsep Dasar MFEP
Tiga istilah utama dalam MFEP adalah:
- Factor Weight (FW): bobot kepentingan masing-masing faktor.
- Factor Evaluation (FE): nilai suatu alternatif pada faktor tertentu.
- Weighted Evaluation (WE): hasil perkalian Factor Weight dan Factor Evaluation.
Secara umum alurnya adalah:
Kriteria → Factor Weight → Factor Evaluation → Weighted Evaluation → Total Evaluation → Ranking.
Rumus Metode MFEP
Normalisasi Factor Weight
Jika bobot awal belum berjumlah 1:
$$ FW_j = \frac{W_j} {\sum_{j=1}^{n}W_j} $$
Factor Evaluation
MFEP membutuhkan nilai evaluasi faktor pada skala yang dapat dibandingkan. Pada contoh ini digunakan fungsi linear 0 sampai 1.
Untuk benefit:
$$ FE_{ij} = \frac{ x_{ij}-x_j^{min} }{ x_j^{max}-x_j^{min} } $$
Untuk cost:
$$ FE_{ij} = \frac{ x_j^{max}-x_{ij} }{ x_j^{max}-x_j^{min} } $$
Weighted Evaluation
$$ WE_{ij} = FW_j \times FE_{ij} $$
Total Evaluation
$$ TE_i = \sum_{j=1}^{n} WE_{ij} $$
atau:
$$ TE_i = \sum_{j=1}^{n} (FW_j \times FE_{ij}) $$
#01 Menentukan Kriteria dan Bobot Awal
Pada contoh ini bobot awal diberikan dalam skala 100.
| Kode | Kriteria | Atribut | Bobot Awal |
|---|---|---|---|
| C1 | Harga | Cost | 30 |
| C2 | RAM | Benefit | 25 |
| C3 | Storage | Benefit | 20 |
| C4 | Baterai | Benefit | 25 |
| Total | 100 | ||
Harga merupakan kriteria cost, sedangkan RAM, Storage, dan Baterai merupakan kriteria benefit.
#02 Menghitung Factor Weight
Total Factor Weight harus sama dengan 1. Karena bobot awal pada contoh berjumlah 100, setiap bobot dibagi dengan total tersebut.
Contoh C1 - Harga
$$ FW_1 = \frac{ 30 }{ 100 } = 0.3 $$
Contoh C2 - RAM
$$ FW_2 = \frac{ 25 }{ 100 } = 0.25 $$
| Kode | Kriteria | Bobot Awal | Factor Weight | Persentase |
|---|---|---|---|---|
| C1 | Harga | 30 | 0.3 | 30% |
| C2 | RAM | 25 | 0.25 | 25% |
| C3 | Storage | 20 | 0.2 | 20% |
| C4 | Baterai | 25 | 0.25 | 25% |
| Total | 1 | 100% | ||
#03 Menentukan 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 |
Data tersebut belum dapat langsung dikalikan dengan bobot karena Harga menggunakan satuan juta, RAM dan Storage menggunakan GB, sedangkan Baterai menggunakan jam.
Oleh karena itu, pada contoh ini data mentah diubah terlebih dahulu menjadi Factor Evaluation pada skala 0 sampai 1.
#04 Menghitung Factor Evaluation
Langkah pertama adalah mencari minimum dan maksimum setiap kriteria.
Contoh C1 - Harga
$$ C1_{min} = 7.5 \qquad C1_{max} = 10 $$
Contoh C2 - RAM
$$ C2_{min} = 8 \qquad C2_{max} = 16 $$
| Kriteria | Atribut | Minimum | Maksimum |
|---|---|---|---|
| C1 - Harga | Cost | 7.5 | 10 |
| C2 - RAM | Benefit | 8 | 16 |
| C3 - Storage | Benefit | 512 | 1024 |
| C4 - Baterai | Benefit | 7 | 10 |
Contoh Factor Evaluation Cost: A1 pada C1
Harga merupakan cost sehingga nilai yang lebih kecil lebih baik.
$$ FE_{11} = \frac{ 10 - 8 }{ 10 - 7.5 } = 0.8 $$
Contoh Factor Evaluation Benefit: A2 pada C2
RAM merupakan benefit:
$$ FE_{22} = \frac{ 16 - 8 }{ 16 - 8 } = 1 $$
Contoh Factor Evaluation Benefit: A1 pada C4
$$ FE_{14} = \frac{ 8 - 7 }{ 10 - 7 } = 0.333333 $$
| Alternatif | C1 | C2 | C3 | C4 |
|---|---|---|---|---|
| A1 - Laptop A | 0.8 | 0 | 0 | 0.333333 |
| A2 - Laptop B | 0.4 | 1 | 0 | 0.666667 |
| A3 - Laptop C | 1 | 0 | 1 | 0 |
| A4 - Laptop D | 0 | 1 | 1 | 1 |
#05 Menghitung Weighted Evaluation
Weighted Evaluation merupakan hasil perkalian Factor Weight dengan Factor Evaluation.
$$ WE_{ij} = FW_j \times FE_{ij} $$
Contoh A1 pada C1
$$ WE_{11} = 0.3 \times 0.8 = 0.24 $$
Contoh A1 pada C4
$$ WE_{14} = 0.25 \times 0.333333 = 0.083333 $$
Contoh A2 pada C2
$$ WE_{22} = 0.25 \times 1 = 0.25 $$
| Alternatif | C1 × FW | C2 × FW | C3 × FW | C4 × FW |
|---|---|---|---|---|
| A1 - Laptop A | 0.24 | 0 | 0 | 0.083333 |
| A2 - Laptop B | 0.12 | 0.25 | 0 | 0.166667 |
| A3 - Laptop C | 0.3 | 0 | 0.2 | 0 |
| A4 - Laptop D | 0 | 0.25 | 0.2 | 0.25 |
#06 Menghitung Total Evaluation
Total Evaluation diperoleh dengan menjumlahkan seluruh Weighted Evaluation pada satu alternatif.
Contoh A1
$$ TE_1 = 0.24 + 0 + 0 + 0.083333 = 0.323333 $$
Contoh A2
$$ TE_2 = 0.12 + 0.25 + 0 + 0.166667 = 0.536667 $$
| Alternatif | Nama | Total Evaluation |
|---|---|---|
| A1 | Laptop A | 0.323333 |
| A2 | Laptop B | 0.536667 |
| A3 | Laptop C | 0.5 |
| A4 | Laptop D | 0.7 |
#07 Perangkingan Alternatif
Alternatif diurutkan berdasarkan Total Evaluation dari nilai terbesar ke terkecil.
| Rank | Alternatif | Nama | Total Evaluation |
|---|---|---|---|
| 1 | A4 | Laptop D | 0.7 |
| 2 | A2 | Laptop B | 0.536667 |
| 3 | A3 | Laptop C | 0.5 |
| 4 | A1 | Laptop A | 0.323333 |
Berdasarkan Factor Weight dan Factor Evaluation pada contoh ini, alternatif dengan Total Evaluation terbesar adalah A4 - Laptop D dengan nilai 0.7.
Hasil ranking dapat berubah apabila bobot faktor, nilai evaluasi, atau cara membentuk Factor Evaluation diubah.
Perbedaan MFEP dan SAW
| Aspek | MFEP | SAW |
|---|---|---|
| Istilah nilai | Factor Evaluation | Matriks keputusan dan normalisasi |
| Istilah bobot | Factor Weight | Bobot kriteria |
| Perhitungan inti | FW × FE lalu dijumlahkan | Bobot × nilai normalisasi lalu dijumlahkan |
| Skala evaluasi | Harus dibuat dapat dibandingkan | Dibentuk melalui aturan normalisasi SAW |
Secara matematis keduanya dapat terlihat sangat mirip apabila Factor Evaluation MFEP dibentuk menggunakan skala normalisasi tertentu. Karena itu, pada penulisan penelitian sebaiknya jelaskan sumber Factor Evaluation dan tahapan metode secara eksplisit, bukan hanya mengganti nama istilah perhitungan.
Perbedaan MFEP dan SMART
MFEP dan SMART sama-sama dapat menggunakan nilai evaluasi yang dikalikan dengan bobot lalu dijumlahkan.
SMART umumnya dibahas melalui fungsi utilitas multiatribut, sedangkan MFEP menggunakan istilah Factor Weight, Factor Evaluation, dan Weighted Evaluation.
Jika nilai evaluasi keduanya dibentuk dengan rumus yang sama, bobotnya sama, dan agregasinya sama, hasil numeriknya dapat identik. Oleh karena itu definisi nilai evaluasi merupakan bagian penting yang harus dijelaskan.
Kelebihan dan Keterbatasan MFEP
Kelebihan MFEP
- Perhitungan relatif sederhana dan mudah diimplementasikan.
- Dapat menangani beberapa faktor sekaligus.
- Bobot faktor mudah diubah sesuai kebijakan pengambil keputusan.
- Hasil akhir langsung dapat digunakan untuk perangkingan.
- Mudah diimplementasikan pada aplikasi berbasis web.
Keterbatasan MFEP
- Hasil sangat bergantung pada kualitas Factor Weight dan Factor Evaluation.
- Jika data memiliki satuan berbeda, skala evaluasi harus dirancang dengan hati-hati sebelum dilakukan agregasi.
- Pembobotan yang diberikan secara subjektif dapat menghasilkan keputusan berbeda antar-pengambil keputusan.
- MFEP dasar tidak memiliki uji konsistensi seperti AHP.
Ringkasan
MFEP menggunakan Factor Weight untuk menyatakan tingkat kepentingan faktor dan Factor Evaluation untuk menyatakan nilai alternatif pada setiap faktor.
Pada contoh ini bobot awal 30, 25, 20, dan 25 dinormalisasi menjadi:
- C1 = 0.3
- C2 = 0.25
- C3 = 0.2
- C4 = 0.25
Data mentah kemudian diubah menjadi Factor Evaluation 0 sampai 1. Weighted Evaluation dihitung dengan \(FW \times FE\), lalu seluruh nilainya dijumlahkan.
Pada contoh pemilihan laptop ini, ranking pertama adalah A4 - Laptop D.
FAQ Metode MFEP
Apa kepanjangan MFEP?
MFEP adalah Multi Factor Evaluation Process.
Apa itu Factor Weight?
Factor Weight adalah bobot yang menunjukkan tingkat kepentingan setiap faktor atau kriteria dalam keputusan.
Apakah total Factor Weight harus sama dengan 1?
Ya. Jika bobot awal belum berjumlah 1, bobot dapat dinormalisasi dengan membaginya terhadap total bobot.
Apa itu Factor Evaluation?
Factor Evaluation adalah nilai suatu alternatif pada faktor tertentu dalam skala yang dapat dibandingkan dengan faktor lain.
Apa itu Weighted Evaluation?
Weighted Evaluation adalah hasil perkalian Factor Weight dengan Factor Evaluation.
Bagaimana rumus nilai akhir MFEP?
Nilai akhir diperoleh dengan menjumlahkan seluruh Weighted Evaluation pada setiap alternatif.
Apakah nilai Factor Evaluation harus 0 sampai 1?
Tidak ada satu fungsi transformasi yang harus selalu digunakan pada semua kasus. Namun, nilai evaluasi harus berada pada skala yang bermakna dan dapat dibandingkan. Tutorial ini menggunakan skala 0 sampai 1 agar data dengan satuan berbeda dapat digabungkan.
Apakah MFEP bisa menangani benefit dan cost?
Bisa, selama cara membentuk Factor Evaluation sudah mengarahkan nilai yang lebih baik menjadi skor evaluasi yang lebih tinggi.
Bagaimana menentukan alternatif terbaik?
Alternatif dengan Total Evaluation terbesar ditempatkan pada ranking tertinggi.
Apa perbedaan MFEP dan SAW?
MFEP menggunakan konsep Factor Weight dan Factor Evaluation. SAW memiliki aturan normalisasi matriks keputusan yang lebih eksplisit. Jika skala evaluasi MFEP dibuat sama dengan suatu normalisasi tertentu, hasil matematis kedua metode dapat terlihat sangat mirip.
Apa perbedaan MFEP dan AHP?
MFEP menggunakan bobot faktor dan nilai evaluasi secara langsung. AHP memperoleh prioritas melalui pairwise comparison dan menyediakan pengujian konsistensi menggunakan CI dan CR.
Apakah MFEP cocok untuk tugas akhir?
MFEP dapat digunakan untuk penelitian SPK selama pemilihan kriteria, sumber bobot, pembentukan Factor Evaluation, dan aturan perangkingan dijelaskan secara jelas dan dapat direplikasi.
Referensi
- Nurhayati, S., Jusmawati, J., & Yunus, R. (2021). Pemilihan Peserta Olimpiade Sains Nasional Menggunakan Metode Multifactor Evaluation Process. Jurnal Sains Komputer dan Teknologi Informasi, 3(2), 64–69. DOI: 10.33084/jsakti.v3i2.2291.
- Implementasi Metode Multi Factor Evaluation Process (MFEP) dalam Membuat Keputusan untuk Memilih Asuransi Kesehatan. Jurnal Ilmiah Matrik, 21(2), 108–117, 2019. DOI: 10.33557/jurnalmatrik.v21i2.574.
Source Code Metode MFEP
Berikut adalah beberapa source code yang menggunakan metode MFEP untuk sistem pendukung keputusan.
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 :).
