BAB 4 Hasil dan Pembahasan 4.1.
Spesifikasi Sistem
Dalam pengerjaan program aplikasi ini, penulis menggunakan jenis hardware dan software sebagai berikut :
4.1.1. Hardware Dalam perancangan program aplikasi ini, penulis menggunakan komputer dan sistem operasi dengan spesifikasi sebagai berikut : 1.
Processor : Intel(R) Core(TM) i3 – 2370M CPU @ 2.40GHz 2.40 GHz
2.
Memory : 6,00 GB (5,89 GB usable)
3.
Sistem Operasi : Windows 7 Ultimate Service Pack 1
4.1.2. Software Adapun perangkat lunak yang digunakan sebagai berikut 1.
Xampp
2.
Notepad++
3.
Browser
4.2.
Cara Penggunaan Program
Pada sub bab ini akan dijelaskan bagaimana cara menggunakan program yang telah dibuat, penjelasan setiap menu serta validasi dan ketentuan yang ada.
4.2.1.
Menu Home
Pada saat program pertama kali dijalankan maka akan muncul tampilan menu awal yang berisi data penulis dan salam dari penulis. Seperti terlihat pada gambar di bawah ini :
49
50
Gambar 4.1. Contoh Screenshot program menu home
Menu Home ini berisi tentang data-data data data dari penulis skripsi. Ini hanya berisi tentang kalimat pembuka dari program ini.
4.2.2. Menu Kriteria Pada ada menu kriteria terdapat inputan jenis kriteria, nilai bobot dari kriteria, dan input nama kriterianya. setelah itu menyimpan data dan dan memunculan tabel kriterianya. inputan kriteria bernilai maksimum 1. Seperti terlihat pada gambar di bawah ini :
Gambar 4.2. Contoh Screenshot program menu kriteria
51
Pada menu kriteria, pertama kita memilih jenis kriteria, jenis kriteria berisi dua buah pilihan yaitu jenis biaya (untuk minimalisir) atau keuntungan (untuk maksimal), ini mempengaruhi proses perhitungan setiap data awal alternatif untuk proses pembebasan dimensi atau yang kita sebut normalisasi sehingga dapat dihitung proses perangkingan.
Setelah itu kita akan memasukkan nilai bobot kriteria yang memiliki batasan nilaidari 0 hingga 1, disini si pengguna program yang memilki kuasa untuk menentukan berapa besar kriteria tersebut mempengaruhi keputusan. Ketika batasan sudah mencapai angka 1, baru tabel alternatif bisa kita isi.
Menu terakhir dari kriteria adalah memasukan nama kriterianya, lalu kita tekan tombol tambah dan data tersebut akan disimpan dalam session, kemudian akan ditampilkan di tabel data kriteria.
4.2.3 Menu Alternatif Pada layar alternatif ini terdapat inputan nama alternatif lalu tekan tombol tambah, dan akan muncul inputan baru yaitu mengisi nilai alternatif dari setiap nilai kriteria yang sebelumnya telah kita input diawal. Pada saat kita ingin meng-input data alternatif pastikan dahulu nilai bobot pada menu kriteria telah mencapai angka 1, atau tidak akan bisa input alternatif. Seperti terlihat pada gambar di bawah ini :
52
Gambar 4.3. Contoh Screenshot program menu alternatif
Pada menu alternatif berisi tentang masukkan nama alternatif kemudia kita tekan tombol tambah, akan memunculkan field-field untuk memasukkan nilai kriteria dari alternatif tersebut. Jika terdapat 3 alternatif dia akan memunculkan 3 field yang berisi inputan nilai dari alternatif tersebut. setelah itu kita tekan tombol simpan data untuk menyimpan data dan memunculkan data di tabel data alternatif.
4.2.4 Menu Tabel Awal Pada layar menu tabel awal, disini terdapat data tabel nilai awal yang berisi inputan kriteria dan alternatif yang sebelumnya. Data tabel awal ini yang akan diproses untuk mendapatkan perankingan terbaik. Setelah tabel awal ini ada tombol normalisasi untuk mendapatkan hasil vektor S dan vektor V setiap metode. Hasilnya dalam bentuk tabel yang sudah diurutkan rankingnya berdasarkan nilai vektor v terbesarnya.
Pada awalnya, layar menu tabel awal kita harus menekan tombol get wp score, untuk memperbaiki nilai pembobotan kriteria untuk metode Weighted Product. ini dilakukan hanya pada proses perhitungan metode WP.
53
Setelah itu kita akan mengklik tombol normalisasi, proses yang terjadi disini adalah proses pembebasan dimensi atau yang kita sebut normalisasi, dari setiap data awal agar dapat dilakukan perhitungan perkalian dari setiap data awal. Proses perhitungan ini akan menghasilkan data pada vektor S. Setelah data awal sudah bebas dimensi seperti yang terlihat datanya pada tabel vektor S, kita akan melakukan proses perhitungan perangkingan. Data yang telah diproses, akan diinput kedalam tabel vektor V, yang langsung diurutkan berdasarkan nilai vektor V tertinggi hingga terendah.
Dibawah ini terdapat contoh tangkapan layar dari menu tabel awal yang berisi kasus awal hingga mendapatkan hasil :
Gambar 4.4.. Contoh Screenshot program menu hasil (Kasus Awal)
54
Gambar 4.5. Contoh Screenshot program menu hasil (metode metode WP) WP
55
Gambar 4.6.. Contoh Screenshot program menu hasil (metode SAW)
56
Hasil program pengambilan keputusan dari masalah yang ada menunjukan bahwa dengan metode Weighted Product atau Simple Additive Weight memiliki perbedaan untuk perangkingan alternatif tersebut. Bisa kita lihat pada hasil tersebut hanya alternatif rangking 1 dan alternatif rangking terakhir saja yang memiliki persamaan.
Untuk rangking 1, kita akan memilih jenis pati yang optimal dari singkong Darul Hidayah. Untuk rangking terakhir atau 14 kita akan memilih jenis pati yang paling tidak optimal yaitu Adira-4.
Menurut berbagai sumber proses metode Simple Additive Weighting adalah yang terbaik, karena terdapat proses pembebasan dimensi awal pada data sehingga dapat dilakukan perkalian silang dan penjumlahan dari setiap nilai kriteria pada alternatif alternatif yang ada.
4.3. Hasil dan Pembahasan dari Perhitungan secara Manual. Disini penulis akan membandingkan hasil analisis kasus tersebut menggunakan metode Weighted product (WP) dan Simple Additive Weighting (SAW) secara manual.
4.3.1. Hasil dan Pembahasan Metode Weighted Product Disini Penulis mempunyai contoh kasus yang sama yang telah dikerjakan oleh program. Penulis akan melihat apakah ada data yang berbeda antara penulisan secara manual dan program. Seorang pengusaha akan memilih jenis ubikayu yang akan ditanam sebagai bahan baku industri edible filmnya. kriteria yang ditanam mengharuskan kadar pati yang terbanyak untuk bahan baku edible filmnya. Si pengusaha tersebut memiliki beberapa kriteria ketentuan dalam memilih jenis ubikayu itu, seperti usia panen yang singkat, hasil panen yang berlimpah dan memiliki kadar pati yang tinggi.
terdapat 3 kriteria yang akan digunakan untuk melakukan penilaian, yaitu : C1 = Usia Panen (bulan)
Cost
C2 = Hasil Panen (ton / ha)
Benefit
C3 = Kadar Pati (%)
Benefit
57
Pemberi Keputusan akan memberikan bobot kriteria sebagai berikut : C1 = 20% , C2 = 35% , C3 = 45% Tabel 4.1. Tabel dari nilai bobot kriteria. Nilai
Bobot
Keterangan
Bobot Kriteria
10
45%
Sangat Penting
Tertinggi
9
40%
Lebih Penting
8
35%
Penting
7
30%
Lumayan Penting
6
25%
Cukup Penting
5
20%
Agak Penting
4
15%
Kurang penting
3
10%
Mungkin Penting
2
5%
Mungkin Tidak Penting
1
0%
Tidak penting
Terendah
Terdapat 14 jenis alternatif yang akan dipilih, tabel awal nya : Tabel 4.2. Tabel awal contoh kasus No.
Varietas
Umur (Bulan)
Potensi Hasil (Ton/Ha)
Kadar Pati (%)
1.
Adira-1
7-10
22
45%
2.
Adira-2
8-12
21
41%
3.
Adira-4
10,5-11,5
35
18%-22%
4.
Malang-1
9-10
36,5
32%-36%
5.
Malang-2
8-10
31,5
32%-36%
6.
Malang-4
9
39,7
25%-32%
7.
Malang-6
9
36,41
25%-32%
8.
Darul Hidayah
8-10
102,10
25%-31,52%
9.
UJ-3
8-10
20-35
20%-27%
10.
UJ-5
8-10
25-38
19%-30%
11.
Muara
7-10
20-30
26,9%
12.
SPP
10-11
20-30
35,4%
13.
Valenca
7-10
15-20
33,1%
14.
Bogor
8-10
20-30
30,9%
58
Pada kasus ini kita akan mengambil nilai yang terbesar dan terkecil dikarenakan kita akan mencari yang terbaik (kriteria keuntungan dan biaya),seperti tabel dibawah ini :
Tabel 4.3. Tabel awal yang telah disortir berdasarkan jenis kriterianya.
No.
Jenis Kriteria
Biaya
Keuntungan
Keuntungan
Bobot Kriteria
0,2
0,35
0,45
Varietas
Kriteria Umur
Potensi Hasil (Ton/Ha)
Kadar Pati (%)
(Bulan) 1.
Adira-1
7
22
45%
2.
Adira-2
8
21
41%
3.
Adira-4
10,5
35
22%
4.
Malang-1
9
36,5
36%
5.
Malang-2
8
31,5
36%
6.
Malang-4
9
39,7
32%
7.
Malang-6
9
36,41
32%
8.
Darul Hidayah
8
102,10
31,52%
9.
UJ-3
8
35
27%
10.
UJ-5
8
38
30%
11.
Muara
7
30
26,9%
12.
SPP
10
30
35,4%
13.
Valenca
7
20
33,1%
14.
Bogor
8
30
30,9%
Cara pengerjaan : pertama kita akan melakukan perbaikan bobot kriteria terlebih dahulu,yaitu : nilai bobot total (W) berdasarkan tabel 4.1 = 5 + 8 + 10 = 23. Perbaikan bobot = 5 5 0,217 5 8 10 23 8 8 C 0,348 5 8 10 23 10 10 C 0,435 5 8 10 23 C
59
kemudian akan dihitung vektor S nya. dengan rumus : Si = ∏ X ; dengan i = 1,2,.....,m S1
= (7 -0,217)
(22 0,348)
(0,45 0,435)
= 1,358
S2
= (8 -0,217)
(21 0,348)
(0,41 0,435)
= 1,246
S3
= (10,5 -0,217) (35 0,348)
(0,22 0,435)
= 1,071
S4
= (9 -0,217)
(36,5 0,348)
(0,36 0,435)
= 1,392
S5
= (8 -0,217)
(31,5 0,348)
(0,36 0,435)
= 1,357
S6
= (9 -0,217)
(37 0,348)
(0,32 0,435)
= 1,329
-0,217
= (9
S8
= (8 -0,217)
(102,1 0,348)
(0,3152 0,435) = 1,928
S9
= (8 -0,217)
(35 0,348)
(0,27 0,435)
= 1,242
S10
= (8 -0,217)
(38 0,348)
(0,30 0,435)
= 1,338
S11
= (7 -0,217)
(30 0,348)
(0, 2690,435)
= 1,209
S12
= (10 -0,217)
(30 0,348)
(0,3540,435)
= 1,261
S13
= (7
S14
= (8 -0,217)
(36,41
)
(20
0,348
)
)
(0,32
0,435
S7
-0,217
)
0,348
(0,331
(30 0,348)
)
0,435
= 1,321
)
= 1,149
(0,3090,435)
= 1,248
Nilai Vektor V yang akan digunakan untuk perankingan dapat dihitung berdasarkan persamaan :
V
∏n j1
W Xij j
∏n
j1 Xij
Wj
; dengan i = 1, 2, ......., m
Kita akan mencari nilai pembagi dulu, yaitu dengan penjumlahan dari keseluruhan data ada vektor S. yaitu ∏ X
= 1,358 + 1,246 + 1,071 + 1,392 + 1,357 + 1,329 + 1,321 +
1,928 + 1,242 + 1338 + 1,209 + 1,261 + 1,149 + 1,248 = 18,449 Lalu mencari nilai Vektor V dari setiap alternatif : V
1,358 0,074 18,449
V
1,246 0,068 18,449
V
1,071 0,058 18,449
60
V#
1,392 0,075 18,449
V$
1,357 0,074 18,449
V%
1,329 0,072 18,449
V&
1,321 0,072 18,449
V'
1,928 0,105 18,449
V(
1,242 0,067 18,449
V)
1,338 0,073 18,449
V
1,209 0,066 18,449
V
1,261 0,068 18,449
V
1,149 0,062 18,449
V#
1,248 0,068 18,449
Hasil perangkingannya akan disajikan dalam bentuk tabel di bawah ini : Tabel 4.4. Tabel Hasil Metode WP No.
Varietas
Nilai Vektor V
Ranking
1.
Adira-1
0,074
3
2.
Adira-2
0,068
8
3.
Adira-4
0,058
14
4.
Malang-1
0,075
2
5.
Malang-2
0,074
3
6.
Malang-4
0,072
6
7.
Malang-6
0,072
6
8.
Darul Hidayah
0,105
1
9.
UJ-3
0,067
11
61
10.
UJ-5
0,073
5
11.
Muara
0,066
12
12.
SPP
0,068
8
13.
Valenca
0,062
13
14.
Bogor
0,068
8
Urutan rangkingnya akan digambarkan dalam diagram batang dibawah ini :
Hasil Metode WP 0.12 0.1 0.08 0.06 0.04
Hasil Metode WP
0.02 0
Gambar 4.7. Gambar Diagram Batang Hasil metode WP
4.3.2. Hasil dan Pembahasan Metode Simple Additive Weighting (SAW) Metode ini merupakan metode yang paling dikenal dan paling banyak digunakan orang dalam menghadapi situasi Multi Attribute Decision Making. Metode ini mengharuskan pembuat keputusan menentukan bobot bagi setiap kriteria. Skor total untuk sebuah alternatif diperoleh dengan menjumlahkan seluruh hasil perkalian antara rating (yang dapat dibandingkan lintas kriteria) dan bobot tiap kriteria. rating tiap kriteria haruslah bebas dimensi dalam arti telah melewati proses normalisasi sebelumnya.
62
Tahapan yang dilakukan dalam metode SAW adalah : 1.
perbandingan lintas kriteria sehinga penilaian tersebut harus tidak berdimensi dengan jalan melakukan normalisasi linier.
2.
dilakukan perkalian di antara bobot tiap kriteria dengan hasil penilaian bebas dimensi tersebut.
3.
hasil perkalian tersebut dijumlahkan untuk tiap alternatif.
4.
dipilih nilai alternatif yang memiliki nilai total perkalian terbesar sebagai alternatif terbaik.
contoh kasus : Seorang pengusaha akan memilih jenis ubikayu yang akan ditanam sebagai bahan baku industri edible filmnya. Kriteria yang ditanam mengharuskan kadar pati yang terbanyak untuk bahan baku edible filmnya. Si pengusaha tersebut memiliki beberapa kriteria ketentuan dalam memilih jenis ubikayu itu, seperti usia panen yang singkat, hasil panen yang berlimpah dan memiliki kadar pati yang tinggi.
Tabel 4.5. Tabel awal yang berisi data alternatif dan kriteria.
No.
Jenis Kriteria
Biaya
Keuntungan
Keuntungan
Bobot Kriteria
0,2
0,35
0,45
Varietas
Kriteria Umur
Potensi Hasil (Ton/Ha)
Kadar Pati (%)
(Bulan) 1.
Adira-1
7
22
45%
2.
Adira-2
8
21
41%
3.
Adira-4
11
35
22%
4.
Malang-1
9
36,5
36%
5.
Malang-2
8
31,5
36%
6.
Malang-4
9
39,7
32%
7.
Malang-6
9
36,41
32%
8.
Darul Hidayah
8
102,10
31,52%
9.
UJ-3
8
35
27%
10.
UJ-5
8
38
30%
11.
Muara
7
30
26,9%
63
12.
SPP
10
30
35,4%
13.
Valenca
7
20
33,1%
14.
Bogor
8
30
30,9%
. Ada 3 kriteria yang akan digunakan untuk melakukan penilaian, yaitu : C1 = Usia Panen (bulan)
Cost
C2 = Hasil Panen (ton / ha)
Benefit
C3 = Kadar Pati (%)
Benefit
Pemberi Keputusan akan memberikan bobot kriteria diawal sebagai berikut : C1 = 20%, C2 = 35%, C3 = 45% Tabel 4.6. Tabel kode, ketentuan kriteria, tipenya dan nilai bobot. Kode Kriteria
Ketentuan kriteria
Tipe Kriteria
Bobot
C1
Usia panen
Biaya
0,2
C2
Hasil panen
Keuntungan
0,35
C3
Kadar pati
Keuntungan
0,45
Dari masing-masing kriteria tersebut, akan ditentukan bobot-bobotnya. Pada bobot terdiri dari empat bilangan fuzzy karena sesuai dengan rumusnya yaitu n+1, dimana n adalah banyak bilangan, yaitu penting (P), cukup penting (CP), kurang penting (KP) dan tidak penting (TP). Tabelnya seperti ini:
Tabel 4.7. Tabel fuzzy dari 4 kriteria. Kriteria
Bobot (Nilai)
Tidak Penting (TP)
Variabel ke 0 / (4-1) = 0
Kurang Penting (KP)
Variabel ke 1 / (4-1) = 0,333
Cukup Penting (CP)
Variabel ke 2 / (4-1) = 0,666
Penting (P)
Variabel ke 3 / (4-1) = 1
Nilai bobot tersebut dibuat dalam sebuah diagram batang supaya lebih jelas, seperti di bawah ini :
64
Nilai bobot dari Kriteria 1.2
1
0.8
0.6 Nilai bobot dari Kriteria 0.4
0.2
0 Kurang Penting
Cukup Penting
Penting
Gambar 4.8. Gambar Diagram Batang Fuzzy dari 3 Data Kriteria.
Dibawah ini adalah bilangan fuzzy dari bobot setiap kriteria : 1. Kriteria dan Nilai Bobot Usia panen (dalam bulan)
Tabel 4.8. Tabel fuzzy nilai bobot dari usia panen. Usia Panen
Proses pembobotan
Bobot
<7 bulan
Variabel ke 0 / (7-1)
0
7 bulan
Variabel ke 1 / (7-1)
0,166
8 bulan
Variabel ke 2 / (7-1)
0,333
9 bulan
Variabel ke 3 / (7-1)
0,5
10 bulan
Variabel ke 4 / (7-1)
0,666
11 bulan
Variabel ke 5 / (7-1)
0,833
>11 bulan
Variabel ke 6 / (7-1)
1
65
Nilai bobot dari Usia Panen 1.2 1 0.8 0.6 Nilai bobot dari Usia Panen 0.4 0.2 0 <7 7 bulan 8 bulan 9 bulan 10 bulan bulan
11 bulan
>11 bulan
Gambar 4.9. Gambar Diagram Batang Fuzzy dari Tabel Usia Panen
2. Kriteria dan Nilai Bobot Hasil Panen (ton/ha)
Tabel 4.9. Tabel fuzzy nilai bobot dari hasil panen. Hasil Panen
Proses pembobotan
Bobot
<=20 ton
Variabel ke 0 / (10-1)
0
20,1-30 ton
Variabel ke 1 / (10-1)
0,11
30,1-40 ton
Variabel ke 2 / (10-1)
0,22
40,1-50 ton
Variabel ke 3 / (10-1)
0,33
50,1-60 ton
Variabel ke 4 / (10-1)
0,44
60,1-70 ton
Variabel ke 5 / (10-1)
0,56
70,1-80 ton
Variabel ke 6 / (10-1)
0,67
80,1-90 ton
Variabel ke 7 / (10-1)
0,78
90,1-100 ton
Variabel ke 8 / (10-1)
0,89
>=100 ton
Variabel ke 9 / (10-1)
1
66
Nilai bobot dari Hasil Panen 1.2 1 0.8 0.6 Nilai bobot dari Hasil Panen
0.4 0.2 0
Gambar 4.10. Gambar Diagram Batang Fuzzy dari Tabel Hasil Panen
3. Kriteria dan Nilai Bobot Kadar Pati Ubikayu (%)
Tabel 4.10. Tabel fuzzy nilai bobot dari kadar pati ubikayu. Kadar pati (%)
Proses pembobotan
Bobot
<=5%
Variabel ke 0 / (11-1)
0
5,1 - 10 %
Variabel ke 1 / (11-1)
0,1
10,1 - 15 %
Variabel ke 2 / (11-1)
0,2
15,1 - 20 %
Variabel ke 3 / (11-1)
0,3
20,1 - 25 %
Variabel ke 4 / (11-1)
0,4
25,1 - 30 %
Variabel ke 5 / (11-1)
0,5
30,1 - 35 %
Variabel ke 6 / (11-1)
0,6
35,1 - 40 %
Variabel ke 7 / (11-1)
0,7
40,1 - 45 %
Variabel ke 8 / (11-1)
0,8
45,1 - 50 %
Variabel ke 9 / (11-1)
0,9
>= 50%
Variabel ke 10 / (11-1)
1
67
Nilai bobot dari Kadar Pati Ubikayu (%) 1.2 1 0.8 0.6 Nilai bobot dari Kadar Pati Ubikayu (%)
0.4 0.2 0
Gambar 4.11. Gambar diagram batang fuzzy dari tabel kadar pati.
Setelah itu, kita akan menormalisasi nilai awal dari setiap jenis agar bebas dimensi dan bisa dijumlahkan untuk mendapatkan hasil yang terbaik.
Tabel 4.11. Tabel awal normalisasi metode SAW.
No.
Jenis Kriteria
Biaya
Keuntungan
Keuntungan
Bobot Kriteria
0,2
0,35
0,45
Varietas
Kriteria Umur
Potensi Hasil (Ton/Ha)
Kadar Pati (%)
(Bulan) 1.
Adira-1
0,166
0,11
0,8
2.
Adira-2
0,333
0,11
0,8
3.
Adira-4
0,833
0,22
0,4
4.
Malang-1
0,5
0,22
0,7
5.
Malang-2
0,333
0,22
0,7
6.
Malang-4
0,5
0,22
0,6
7.
Malang-6
0,5
0,22
0,6
8.
Darul Hidayah
0,333
1
0,6
68
9.
UJ-3
0,333
0,22
0,5
10.
UJ-5
0,333
0,22
0,5
11.
Muara
0,166
0,22
0,5
12.
SPP
0,666
0,22
0,7
13.
Valenca
0,166
0,11
0,6
14.
Bogor
0,333
0,22
0,6
Matriksnya akan menjadi :
X
=
0 , 166 0 , 333 0 , 833
0 , 11 0 , 11 0 , 22
0 ,8 0 ,8 0 ,4
0 ,5 0 , 333 0 ,5
0 , 22 0 , 22 0 , 22
0 ,7 0 ,7 0 ,6
0 ,5 0 , 333 0 , 333
0 , 22 1 0 , 22
0 ,6 0 ,6 0 ,5
0 , 333 0 , 166 0 , 666
0 , 22 0 , 22 0 , 22
0 ,5 0 ,5 0 ,7
0 , 166 0 , 333
0 , 11 0 , 22
0 ,6 0 ,6
Normalisasi jika kriteria bernilai biaya maka rumusnya adalah : Rii = (min{Xij} /Xij) Normalisasi jika kriteria bernilai keuntungan maka rumusnya adalah : Rii = ( Xij / max{Xij}) Dari kolom C1 yang jenis kriterianya adalah biaya, maka kita mencari nilai minimalnya yaitu ‘0,166’, jadi tiap baris dari kolom C1 menjadi penyebut dari nilai maksimal kolom C1 : R11
=
0,166 / 0,166
=1
R21
=
0,166 / 0,333
= 0,5
69
R31
=
0,166 / 0,833
= 0,2
R41
=
0,166 / 0,5
= 0,33
R51
=
0,166 / 0,333
= 0,5
R61
=
0,166 / 0,5
= 0,33
R71
=
0,166 / 0,5
= 0,33
R81
=
0,166 / 0,333
= 0,5
R91
=
0,166 / 0,333
= 0,5
R101
=
0,166 / 0,333
= 0,5
R111
=
0,166 / 0,166
=1
R121
=
0,166 / 0,666
= 0,25
R131
=
0,166 / 0,166
=1
R141` =
0,166 / 0,333
= 0,5
Dari kolom C2 yang jenis kriterianya adalah keuntungan, maka nilai maksimalnya adalah ‘1’, jadi tiap baris dari kolom C2 dibagi oleh nilai maksimal kolom C2 R12
=
0,11 / 1
= 0,11
R22
=
0,11 / 1
= 0,11
R32
=
0,22 / 1
= 0,22
R42
=
0,22 / 1
= 0,22
R52
=
0,22 / 1
= 0,22
R62
=
0,22 / 1
= 0,22
R72
=
0,22 / 1
= 0,22
R82
=
1/ 1
=1
R92
=
0,22 / 1
= 0,22
R102
=
0,22 / 1
= 0,22
R112
=
0,22 / 1
= 0,22
R122
=
0,22 / 1
= 0,22
R132
=
0,11 / 1
= 0,11
R142
=
0,22 / 1
= 0,22
70
Dari kolom C3 yang jenis kriterianya adalah keuntungan, maka nilai maksimalnya adalah '0,8', jadi tiap baris dari kolom C3 dibagi oleh nilai maksimal kolom C3 :
R13
=
0,8 / 0,8
=1
R23
=
0,8 / 0,8
=1
R33
=
0,4 / 0,8
= 0,5
R43
=
0,7 / 0,8
= 0,875
R53
=
0,7 / 0,8
= 0,875
R63
=
0,6 / 0,8
= 0,75
R73
=
0,6 / 0,8
= 0,75
R83
=
0,6 / 0,8
= 0,75
R93
=
0,5 / 0,8
= 0,625
R103
=
0,5 / 0,8
= 0,625
R113
=
0,5 / 0,8
= 0,625
R123
=
0,7 / 0,8
= 0,875
R133
=
0,6 / 0,8
= 0,75
R143
=
0,6 / 0,8
= 0,75
Hasilnya akan menjadi tabel faktor ternomalisasi (Vektor S), seperti dibawah ini :
Tabel 4.12. Tabel Vektor S metode SAW.
No.
Jenis Kriteria
Biaya
Keuntungan
Keuntungan
Bobot Kriteria
0,2
0,35
0,45
Varietas
Kriteria Usia Panen
Hasil Panen
Kadar Pati
1.
Adira-1
1
0,11
1
2.
Adira-2
0,5
0,11
1
3.
Adira-4
0,2
0,22
0,5
4.
Malang-1
0,33
0,22
0,875
5.
Malang-2
0,5
0,22
0,875
6.
Malang-4
0,33
0,22
0,75
7.
Malang-6
0,33
0,22
0,75
8.
Darul Hidayah
0,5
1
0,75
71
9.
UJ-3
0,5
0,22
0,625
10.
UJ-5
0,5
0,22
0,625
11.
Muara
1
0,22
0,625
12.
SPP
0,25
0,22
0,875
13.
Valenca
1
0,11
0,75
14.
Bogor
0,5
0,22
0,75
setelah mendapat tabel faktor ternomalisasi tersebut, lalu akan mengalikan setiap kolom di tabel tersebut dengan bobot kriteria yang telah kita deklarasikan sebelumnya menggunakan rumus : Vi = ∑ Wj Rij V1
= (1 x 0,2)
+ (0,11 x 0,35)
+ (1 x 0,45)
= 0,6885
V2
= (0,5 x 0,2) + (0,11 x 0,35)
+ (1 x 0,45)
= 0,5885
V3
= (0,2 x 0,2) + (0,22 x 0,35)
+ (0,5 x 0,45)
= 0,342
V4
= (0,33 x 0,2) + (0,22 x 0,35)
+ (0,875 x 0,45)
= 0,53675
V5
= (0,5 x 0,2) + (0,22 x 0,35)
+ (0,875 x 0,45)
= 0,57075
V6
= (0,33 x 0,2) + (0,22 x 0,35)
+ (0,75 x 0,45)
= 0,4805
V7
= (0,33 x 0,2) + (0,22 x 0,35)
+ (0,75 x 0,45)
= 0,4805
V8
= (0,5 x 0,2) + (1 x 0,35)
+ (0,75 x 0,45)
= 0,7875
V9
= (0,5 x 0,2) + (0,22 x 0,35)
+ (0,625 x 0,45)
= 0,45825
V10
= (0,5 x 0,2) + (0,22 x 0,35)
+ (0,625 x 0,45)
= 0,45825
V11
= (1 x 0,2)
+ (0,22 x 0,35)
+ (0,625 x 0,45)
= 0,55825
V12
= (0,25 x 0,2) + (0,22 x 0,35)
+ (0,875x 0,45)
= 0,52075
V13
= (1 x 0,2)
+ (0,11 x 0,35)
+ (0,75 x 0,45)
= 0,576
V14
= (0,5 x 0,2) + (0,22 x 0,35)
+ (0,75 x 0,45)
= 0,5145
Hasil perangkingannya akan disajikan dalam bentuk tabel di bawah ini :
Tabel 4.13. Tabel Hasil Metode WP No.
Varietas
Nilai Vektor V
Ranking
1.
Adira-1
0,6885
2
2.
Adira-2
0,5885
3
3.
Adira-4
0,342
14
72
4.
Malang-1
0,5367
7
5.
Malang-2
0,57075
5
6.
Malang-4
0,4805
10
7.
Malang-6
0,4805
10
8.
Darul Hidayah
0,7875
1
9.
UJ-3
0,45825
12
10.
UJ-5
0,45825
12
11.
Muara
0,55825
6
12.
SPP
0,52075
8
13.
Valenca
0,576
4
14.
Bogor
0,5145
9
Urutan rangkingnya akan digambarkan dalam diagram batang dibawah ini :
Hasil dari metode SAW 0.9 0.8 0.7 0.6 0.5 0.4 0.3
Hasil dari metode SAW
0.2 0.1 0
Gambar 4.12. Gambar Hasil Metode SAW
Berdasarkan hasil dari perhitungan secara manual dan dalam program, penulis menyimpulkan bahwa terdapat satu jenis yang terunggul yang diinginkan dari si pengusaha tersebut yaitu Darul Hidayah, sedangkan untuk jenis yang terendah adalah jenis Adira-4.
