Simple Additive Weighting (SAW): Defenisi, Cara Kerja dan Penerapannya

Metode Simple Additive Weighting (SAW) adalah salah satu metode populer dalam Sistem Pendukung Keputusan (SPK) yang digunakan untuk menentukan alternatif terbaik berdasarkan beberapa kriteria. Metode ini bekerja dengan cara menghitung nilai preferensi melalui penjumlahan terbobot dari setiap atribut, sehingga sangat cocok digunakan dalam proses pengambilan keputusan berbasis data seperti pemilihan laptop, karyawan terbaik, hingga rekomendasi produk.

Dalam dunia teknologi dan data, SAW termasuk dalam kategori Multiple Attribute Decision Making (MADM) yang paling sederhana namun efektif. Keunggulan metode ini terletak pada proses normalisasi dan pembobotan yang mudah dipahami, sehingga sering digunakan dalam berbagai sistem berbasis web, aplikasi, maupun penelitian akademik. Dengan memahami konsep, rumus, dan cara perhitungan SAW, kamu bisa mengimplementasikannya secara langsung dalam berbagai kasus nyata.

Apa Itu Simple Additive Weighting (SAW)?

Metode Simple Additive Weighting (SAW) sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut.

Simple Additive Weighting membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Selain itu, metode pejumlahan terbobot juga mengharuskan pembut keputusan untuk menentukan bobot untuk tiap atribut. Nilai total tiap alternatif didapatkan dengan menjumlahkan semua hasil perkalian antara bobot setiap atribut dan rating.

Baca Juga: Belajar Sistem Pendukung Keputusan (SPK): Pengertian, Komponen dan Cara Kerja Sistem Pendukung Keputusan

Langkah-langkah Simple Additive Weighting (SAW)

Adapun langka-langkah dalam penyelesaian SAW sebagai berikut.

1. Menetapkan kriteria-kriteria yang akan dipakai sebagai acuan dalam pengambilan keputusan, yaitu Ci.
2. Menentukan rating kecocokan setiap atribut di tiap kriteria.
3. Membuat matriks keputusan berdasarkan Ci, selanjutnya melakukan normalisasi matriks berdasarkan persamaan yang sesuai dengan tipe atribut (atribut cost maupun benefit). Dengan demikian, matriks normalisasi R akan diperoleh.
4. Hasil akhir didapat dari proses perangkingan yang dilakukan dengan cara menjumlahkan perkalian vektor bobot dan matriks ternomalisasi R dan demikian, nilai terbesar akan diperoleh. Nilai terbesar inilah yang akan dipilih sebagai alternatif (Ai) atau solusi.

Perhitungan Simple Additive Weighting (SAW)

Metode SAW memerlukan proses normalisasi matriks keputusan x ke skala yang bisa dibandingkan dengan rating alternatif yang ada. Metode SAW dirumuskan dengan rumus berikut.

$$r_{ij}= \begin{cases} \displaystyle\frac{x_{ij}}{\max(x_{ij})}, & \text{jika kriteria } j \text{ bertipe benefit} \\ \displaystyle\frac{\min(x_{ij})}{x_{ij}}, & \text{jika kriteria } j \text{ bertipe cost} \end{cases}$$

Keterangan:

• $r_{ij}$​ = nilai rating kinerja ternormalisasi alternatif ke-$i$ pada kriteria ke-$j$
• $x_{ij}$​ = nilai atribut asli
• $\max(x_{ij})$ = nilai maksimum pada kriteria $j$
• $\min(x_{ij})$ = nilai minimum pada kriteria $j$

Setelah nilai normalisasi R telah diperoleh, maka pembuat keputusan perlu mengaplikasikan rumus dibawah untuk mengalikan bobot dengan kriteria dan mendapatkan nilai preferensi untuk setiap alternatif.

$$V_i=\sum_{j=1}^{n} w_{j}\,r_{ij}$$

Keterangan:

• $V_i$​ = nilai preferensi (ranking) untuk alternatif ke-$i$
• $w_{j}$​ = bobot untuk kriteria ke-$j$
• $r_{ij}$​ = nilai rating kinerja ternormalisasi yang diperoleh dari rumus normalisasi
• $n$ = jumlah kriteria

Nilai Vi yang lebih besar mengidentifikasi bahwa alternatif (AI) atau solusi lebih terpilih.

Baca Juga: Sistem Pakar Adalah: Pengertian, Cara Kerja dan Contoh

Contoh Perhitungan Simple Additive Weighting (SAW)

Mari kita ilustrasikan metode SAW dengan contoh sederhana:

Kriteria:

• Kinerja (Bobot: 40%)
• Harga (Bobot: 30%)
• Desain (Bobot: 20%)
• Ukuran Layar (Bobot: 10%)

Alternatif:

1. Laptop A: Kinerja = 90, Harga = $1000, Desain = 8, Ukuran Layar = 15 inci
2. Laptop B: Kinerja = 85, Harga = $900, Desain = 9, Ukuran Layar = 14 inci
3. Laptop C: Kinerja = 95, Harga = $1100, Desain = 7, Ukuran Layar = 15 inci

Langkah-langkahnya adalah sebagai berikut:

1. Berikan bobot kepada setiap kriteria.
   • Kinerja = 0,4
   • Harga = 0,3
   • Desain = 0,2
   • Ukuran Layar = 0,1
2. Normalisasi data, misalnya dengan mengubah harga ke dalam rentang 0-100.
   • Laptop A: Harga = (1000 – 900) / (1100 – 900) = 0,5
   • Laptop B: Harga = (900 – 900) / (1100 – 900) = 0
   • Laptop C: Harga = (1100 – 900) / (1100 – 900) = 1
3. Menghitung nilai terbobot untuk setiap alternatif:
   • Laptop A: (0,4 * 90) + (0,3 * 0,5) + (0,2 * 8) + (0,1 * 15) = 36 + 0,15 + 1,6 + 1,5 = 39,25
   • Laptop B: (0,4 * 85) + (0,3 * 0) + (0,2 * 9) + (0,1 * 14) = 34 + 0 + 1,8 + 1,4 = 37,2
   • Laptop C: (0,4 * 95) + (0,3 * 1) + (0,2 * 7) + (0,1 * 15) = 38 + 0,3 + 1,4 + 1,5 = 41,2
4. Jumlahkan nilai terbobot untuk setiap alternatif:
   • Laptop A: 39,25
   • Laptop B: 37,2
   • Laptop C: 41,2

Dalam contoh ini, Laptop C memiliki nilai tertinggi, sehingga akan menjadi pilihan yang optimal berdasarkan metode SAW.

Baca Juga: Belajar Jaringan Syaraf Tiruan (JST): Pengertian, Arsitektur, Cara Kerja dan Jenis-Jenisnya

Kelebihan Simple Additive Weighting (SAW)

SAW memiliki beberapa kelebihan diantaranya sebagai berikut.

• Penilaian akan lebih tepat karena didasarkan pada nilai kriteria dari bobot preferensi yang sudah ditentukan.
• Adanya perhitungan normalisasi matriks sesuai dengan nilai atribut (antara nilai benefit dan cost).
• Menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perangkingan yang akan meyeleksi alternatif terbaik dari sejumlah alternatif.

Kekurangan Simple Additive Weighting (SAW)

Adapun kekurangan yang dimiliki metode SAW sebagai berikut.

• Perhitungan dilakukan menggunakan bilangan crisp maupun fuzzy.
• Digunakan pada pembobotan lokal.
• Adanya perbedaan perhitungan normalisasi matriks sesuai dengan nilai atribut (antara nilai benefit dan cost)

Baca Juga: Belajar Logika Fuzzy: Pengertian, Cara Kerja dan Contoh Penerapan Logika Fuzzy

Kesimpulan

Pada pembelajaran kita di atas dapat kita simpulkan metode Simple Additive Weighting (SAW) sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut dan memiliki empat langkah umum dalam penyelesaian SAW.

Artikel ini merupakan bagian dari seri Kecerdasan Buatan KantinIT.com. Jika artikel ini bermanfaat, jangan lupa bagikan ke media sosial atau ke teman kamu.