Dalam pengambilan keputusan, terutama dalam bidang pengelolaan dan perencanaan, sering kali diperlukan suatu metode yang dapat membantu mengambil keputusan secara objektif. Salah satu metode yang populer dan mudah digunakan adalah Metode Simple Additive Weighting (SAW).
Metode ini digunakan untuk mengatasi masalah multi-kriteria dengan memberikan bobot pada setiap kriteria yang relevan dan menghitung nilai total untuk setiap alternatif yang ada.
Pada artikel ini akan menjelaskan prinsip dasar dari metode SAW dan memberikan contoh penggunaannya.
Prinsip Dasar Metode Simple Additive Weighting (SAW)
Metode SAW bekerja dengan cara memberikan bobot pada setiap kriteria yang relevan dalam suatu pengambilan keputusan. Bobot ini mencerminkan tingkat kepentingan relatif dari setiap kriteria. Secara umum, langkah-langkah dalam metode SAW adalah sebagai berikut:
- Tentukan kriteria yang relevan dalam pengambilan keputusan. Misalnya, jika Anda ingin memilih smartphone terbaik, kriteria yang relevan mungkin termasuk harga, spesifikasi teknis, kualitas kamera, daya tahan baterai, dan layanan purna jual.
- Berikan bobot pada setiap kriteria. Bobot ini harus ditentukan berdasarkan tingkat kepentingan relatif dari setiap kriteria. Misalnya, jika Anda menganggap harga lebih penting daripada spesifikasi teknis, Anda dapat memberikan bobot yang lebih tinggi pada kriteria harga.
- Berikan skor pada setiap alternatif untuk setiap kriteria. Skor ini mencerminkan sejauh mana setiap alternatif memenuhi kriteria yang diberikan. Misalnya, jika Anda memberikan skala skor dari 1 hingga 10 untuk kriteria harga, Anda dapat memberikan skor 8 pada alternatif dengan harga yang terjangkau dan skor 5 pada alternatif dengan harga yang mahal.
- Hitung nilai total untuk setiap alternatif dengan menggunakan bobot yang diberikan pada langkah kedua. Nilai total ini dapat dihitung dengan menjumlahkan hasil perkalian antara skor kriteria dan bobot kriteria yang relevan. Misalnya, jika bobot kriteria harga adalah 0,4 dan skor alternatif pada kriteria harga adalah 8, maka kontribusi kriteria harga terhadap nilai total adalah 0,4 x 8 = 3,2.
- Pilih alternatif dengan nilai total tertinggi sebagai solusi terbaik.
Contoh Penggunaan Metode Simple Additive Weighting (SAW)
Untuk memberikan gambaran yang lebih jelas tentang penggunaan metode SAW, berikut adalah contoh penggunaannya dalam memilih tempat bimbingan belajar terbaik:
Bobot Kriteria
Dari setiap kriteria yang digunakan, semuanya akan diberikan nilai bobot. Pengambil keputusan memberikan bobot untuk setiap kriteria atas dasar pertimbangan sendiri atau biasanya dari hasil survey/kuisioner.
| Kode Kriteria | Nama Kriteria | Atribut | Bobot |
| C1 | Biaya | Cost | 40 |
| C2 | Lokasi | Cost | 30 |
| C3 | Fasilitas | Benefit | 20 |
| C4 | Kualitas Pengajar | Benefit | 10 |
Dari 4 kriteria tersebut biaya dan lokasi yang menjadi atribut cost, karena semakin besar biaya dan lokasi semakin kecil kesempatan untuk terpilih.
Data Crips (Nilai Kriteria)
Data Crips (nilai kriteria) yang berisi kode kriteira, keterangan, bobot. Crips bersifat optional yaitu sebagai pembatas dari nilai setiap kriteria. Pada studi kali ini, saya akan mengambil range nilai dari 1-5.
| Kode Kriteria | Nama Kriteria | Crips | Nilai |
| C1 | Biaya | <= 1.500.000 | 2 |
| C1 | Biaya | 1.500.000 – 2.500.000 | 3 |
| C1 | Biaya | 2.500.000 – 3.500.000 | 4 |
| C1 | Biaya | >= 3.500.000 | 5 |
| C2 | Lokasi | <= 5 km | 2 |
| C2 | Lokasi | 5 – 10 km | 3 |
| C2 | Lokasi | 10 – 15 km | 4 |
| C2 | Lokasi | >= 15 km | 5 |
| C3 | Fasilitas | Tidak Lengkap | 1 |
| C3 | Fasilitas | Cukup Lengkap | 3 |
| C3 | Fasilitas | Sangat Lengkap | 5 |
| C4 | Pengajar | Lulusan D1/D2/D3 | 3 |
| C4 | Pengajar | Lulusan S1 | 4 |
| C4 | Pengajar | Lulusan S2 | 5 |
Data Alternatif
Data Alternatif merupakan alternatif yang akan dihitung nilainya dan dipilih sebagai alternatif terbaik.
| Kode Alternatif | Nama Alternatif |
| A1 | Ganesha Operation (GO) |
| A2 | Primagama |
| A3 | Neutron |
Data Nilai Alternatif
Nilai Alternatif mencatat nilai setiap alternatif berdasarkan semua data kriteria. Berikut nilai alternatif dari calon tempat bimbingan belajar:
| C1 | C2 | C3 | C4 | |
| A1 | 1.500.000 – 2.500.000 | <= 5 m | Cukup Lengkap | Lulusan S1 |
| A2 | < 1.500.000 | 10 -15 km | Cukup Lengkap | Lulusan D1/D2/D3 |
| A3 | 2.500.000 – 3.500.000 | >= 15 km | Sangat Lengkap | Lulusan S2 |
Perhitungan SAW
1.Tahap Analisa
| C1 | C2 | C3 | C4 | |
| A1 | 3 | 2 | 3 | 4 |
| A2 | 2 | 4 | 3 | 3 |
| A3 | 4 | 5 | 5 | 5 |
2. Tahap Normalisasi
Untuk kriteria C1, karena cost, maka kita cari min (3, 2, 4) = 2. Sehingga untuk:
- A1 = 2/3 = 0,67
- A2 = 2/2 = 1
- A3 = 2/4 = 0,5
Untuk kriteria C2, karena cost, maka kita cari min (2, 4, 5) = 2. Sehingga untuk:
- A1 = 2/2 = 1
- A2 = 2/4 = 0,5
- A3 = 2/5 = 0,4
Untuk kriteria C3, karena benefit, maka kita cari max (3, 3, 5) = 5. Sehingga untuk:
- A1 = 3/5 = 0,6
- A2 = 3/5 = 0,6
- A3 = 5/5 = 1
Untuk kriteria C4, karena benefit, maka kita cari max (4, 3, 5) = 5. Sehingga untuk:
- A1 = 4/5 = 0,8
- A2 = 3/5 = 0,6
- A3 = 5/5 = 1
Sehingga hasil akhirnya seperti berikut:
| C1 | C2 | C3 | C4 | |
| A1 | 0,67 | 1 | 0,6 | 0,8 |
| A2 | 1 | 0,5 | 0,6 | 0,6 |
| A3 | 0,5 | 0,4 | 1 | 1 |
3. Tahap Perangkingan
Pada tahap perangkingan, kita mengalikan bobot kriteria dengan setiap baris matriks nilai normalisasi.
A1= (40 x 0,67) + (30 x 1) + (20 x 0,6) + (10 x 0,8) = 76,8
A2= (40 x 1) + (30 x 0,5) + (20 x 0,6) + (10 x 0,6) = 73
A3= (40 x 0,5) + (30 x 0,4) + (20 x 1) + (10 x 0,1) = 53
Sehingga hasil perangkingannya seperti berikut:
| C1 | C2 | C3 | C4 | |||
| Total | Rank | |||||
| Bobot | 40 | 30 | 20 | 10 | ||
| A1 | 0,67 | 1 | 0,6 | 0,8 | 76,8 | 1 |
| A2 | 1 | 0,5 | 0,6 | 0,6 | 73 | 2 |
| A3 | 0,5 | 0,4 | 1 | 1 | 53 | 3 |
Dari hasil perhitungan A1 mempunyai nilai terbesar maka alternative A1 yaitu Ganesha Operation (GO) yang direkomendasikan untuk dipilih sebagai tempat bimbingan belajar.
Kesimpulan
Metode Simple Additive Weighting (SAW) adalah metode yang efektif dan mudah digunakan dalam pengambilan keputusan multi-kriteria. Dengan memberikan bobot pada setiap kriteria dan menghitung nilai total untuk setiap alternatif, metode SAW membantu mengidentifikasi solusi terbaik berdasarkan preferensi dan prioritas yang telah ditentukan sebelumnya.