Mata Kuliah Sistem Pendukung Keputusan
Dosen Pengampu: Ir. Denny Jean Cross Sihombing, S.T., M.Kom., M.T.
AHP, dikembangkan oleh Thomas L. Saaty, membantu menyusun prioritas dalam keputusan dengan banyak kriteria. Masalah diurai menjadi tujuan → kriteria → alternatif, dengan subkriteria bila diperlukan. Penilaian kuantitatif dan kualitatif diolah menjadi bobot relatif.
Tanyakan: seberapa penting kriteria pada baris dibanding kolom? Skala Saaty menyatakan intensitas preferensi. Jika A terhadap B = 3, maka B terhadap A = 1/3. Perbandingan dengan dirinya sendiri selalu 1.
Consistency Ratio (CR) membandingkan indeks inkonsistensi dengan Random Index (RI). CR ≤ 0,10 berarti inkonsistensi masih dapat diterima; nilai di atasnya memerlukan peninjauan. Konsistensi tidak otomatis menjamin keputusan benar atau bebas bias.
| Nilai | Makna |
|---|---|
| 1 | Sama penting |
| 3 | Cukup lebih penting |
| 5 | Jauh lebih penting |
| 7 | Sangat jauh lebih penting |
| 9 | Mutlak lebih penting |
| 2, 4, 6, 8 | Nilai kompromi di antara intensitas |
| 1/2 … 1/9 | Kriteria kolom lebih penting dari baris |
Simulasi ini berfokus pada pembobotan kriteria dan uji konsistensinya (tahap 1–4). Bobot kriteria belum merupakan peringkat alternatif.
Dalam MCDA, pengambil keputusan menghadapi tujuan yang dapat saling bertentangan, satuan pengukuran berbeda, serta kombinasi data dan preferensi. Pilih kriteria yang relevan dan hindari tumpang tindih agar satu aspek tidak mendapat bobot berulang.
Bandingkan Throughput, Konsistensi ACID, dan Skalabilitas menggunakan a₁₂ = 2, a₁₃ = 4, a₂₃ = 3. Hitung bobot dan uji CR, lalu cocokkan dengan fitur Contoh basis data.
Diskusi: jika A/B = 2 dan B/C = 3, berapa A/C agar konsisten sempurna? Mengapa nilai 1/6 bermakna berbeda?
Kasus Cloud Service Provider memiliki 5 kriteria dan 3 alternatif. Ada 10 perbandingan kriteria dan 15 perbandingan alternatif (3 pada setiap kriteria), sehingga totalnya 25.
Untuk seleksi payment gateway pada lembar soal, lanjutkan bobot kriteria dengan prioritas lokal alternatif, lalu hitung P = S × w. Periksa CR pada setiap matriks sebelum sintesis.
Metode rata-rata baris adalah aproksimasi eigenvector, sesuai panduan kuliah. Aplikasi mempertahankan presisi penuh dan membulatkan tampilan menjadi 4 desimal. Selisih kecil dengan jawaban yang membulatkan setiap tahap dapat terjadi.
Bagian ini siap diisi catatan, ilustrasi, atau instruksi kelas tambahan melalui elemen HTML dengan id materi-dosen.
Gunakan 3 hingga 5 kriteria yang berbeda. Mulai dari contoh atau tulis kriteria sendiri.
Baca baris terhadap kolom. Pilih 3 jika baris cukup lebih penting; pilih 1/3 jika kolom cukup lebih penting. Hanya segitiga atas yang perlu diisi.
Pilih sebuah nilai untuk melihat interpretasinya.
Jumlahkan kolom, normalisasi setiap sel, lalu rata-ratakan setiap baris.
Bobot prioritas w merupakan aproksimasi eigenvector. Total bobot = 1; total tiap kolom normalisasi = 1. Tampilan dibulatkan, perhitungan tidak.