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

Metode Simple Additive Weighting merupakan salah satu metode sistem pendukung keputusan dan termasuk dalam metode Multiple Attibute Decision Making (MADM) yaitu salah satu metode MADM klasik untuk menentukan pejumlahan terbobot pada setiap atribut.

Untuk bisa mengaplikasikan motode SAW kamu harus memahami terlebih metode SAW lebih jauh, mengetahui proses, rumus dan penerapannya.

Defenisi 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.

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.

Keterangan :

• rij = nilai rating kinerja ternormalisasi.
• xij = nilai atribut yang dimiliki dari setiap kriteria.
• Max xij = nilai terbesar dari setiap kriteria i.
• Min xij = nilai terkecil dari setiap kriteria i.
• benefit = jika nilai terbesar adalah terbaik.
• cost = jika nilai terkecil adalah terbaik dari rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i = 1,2,…m dan j = 1,2,..,n.

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.

Keterangan :

1. Vi = rangking untuk setiap alternatif.
2. Wj = nilai bobot dari setiap kriteria.
3. rij = nilai rating kinerja ternormalisasi.

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

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.

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)

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 artikel belajar Kecerdasan Buatan dan jika ada ide topik yang mau kami bahas silahkan komen di bawah ya..