Menaklukkan Konsep SAW Contoh Soal Simple Additive Weighting dan Pembahasannya

Pendahuluan

Dalam dunia pengambilan keputusan, kita sering dihadapkan pada berbagai alternatif yang harus dipilih berdasarkan sejumlah kriteria. Misalnya, memilih karyawan terbaik, menentukan lokasi usaha, atau memilih laptop yang paling sesuai dengan kebutuhan. Untuk membantu proses pengambilan keputusan seperti ini, terdapat berbagai metode Multi Criteria Decision Making (MCDM), dan salah satu yang paling populer adalah Simple Additive Weighting (SAW).

Metode SAW dikenal sebagai metode penjumlahan terbobot yang sederhana namun efektif. Melalui metode ini, setiap alternatif akan dievaluasi berdasarkan kriteria tertentu dengan bobot yang telah ditentukan. Artikel ini akan membahas secara lengkap tentang pengertian SAW, langkah-langkah menghitungnya, serta contoh soal Simple Additive Weighting (SAW) beserta pembahasannya agar mudah dipahami.

Baca juga : Kuasai Soal Kumer! Contoh Soal Dijamin Mudah Dipahami

Pengertian Simple Additive Weighting (SAW)

Simple Additive Weighting (SAW) adalah metode pengambilan keputusan dengan memberikan penilaian terhadap beberapa alternatif berdasarkan sejumlah kriteria yang memiliki bobot (tingkat kepentingan) tertentu.

Konsep dasar dari SAW adalah normalisasi nilai kriteria, kemudian mengalikan hasil normalisasi dengan bobot masing-masing, dan menjumlahkannya untuk memperoleh skor akhir. Alternatif dengan nilai tertinggi dianggap sebagai pilihan terbaik.

Metode ini sangat cocok digunakan untuk sistem pendukung keputusan, seperti:

• Pemilihan calon karyawan,
• Penerimaan beasiswa,
• Penentuan lokasi usaha,
• Seleksi produk terbaik, dan banyak lagi.

Langkah-Langkah Menghitung SAW

Untuk menerapkan metode SAW, terdapat beberapa tahapan utama yang harus dilakukan:

1. Menentukan Alternatif dan Kriteria
   Tentukan alternatif yang akan dievaluasi (misalnya A1, A2, A3) serta kriteria yang digunakan (C1, C2, C3, dst).
2. Menentukan Bobot Kriteria (W)
   Setiap kriteria memiliki bobot yang menunjukkan tingkat kepentingannya. Misalnya, total bobot harus sama dengan 1.
3. Membuat Matriks Keputusan (X)
   Matriks ini berisi nilai dari setiap alternatif terhadap kriteria yang telah ditentukan.
4. Normalisasi Nilai Matriks
   Nilai dinormalisasi agar dapat dibandingkan secara proporsional. Rumus normalisasi tergantung pada jenis kriteria:
   • Untuk kriteria keuntungan (benefit):
     rij=xijmax(xj)r_{ij} = \frac{x_{ij}}{max(x_j)}rij​=max(xj​)xij​​
   • Untuk kriteria biaya (cost):
     rij=min(xj)xijr_{ij} = \frac{min(x_j)}{x_{ij}}rij​=xij​min(xj​)​
5. Menghitung Nilai Preferensi (Vi)
   Nilai akhir dihitung dengan menjumlahkan hasil perkalian antara nilai normalisasi dan bobot masing-masing kriteria:
   Vi=∑(wj×rij)V_i = \sum (w_j \times r_{ij})Vi​=∑(wj​×rij​)
6. Menentukan Alternatif Terbaik
   Alternatif dengan nilai Vi tertinggi dianggap sebagai pilihan terbaik.

Contoh Soal Simple Additive Weighting (SAW)

Kasus: Pemilihan Calon Karyawan Terbaik

Sebuah perusahaan ingin memilih 1 dari 3 calon karyawan (A1, A2, dan A3) berdasarkan 3 kriteria, yaitu:

• C1 = Pengalaman kerja (benefit)
• C2 = Nilai tes kemampuan (benefit)
• C3 = Gaji yang diminta (cost)

Bobot masing-masing kriteria adalah:

• W = [0,4; 0,35; 0,25]

Tabel nilai calon karyawan:

Langkah 1: Normalisasi Matriks Keputusan

Untuk Kriteria Benefit

• C1 (Pengalaman kerja)
  max(C1)=5max(C1) = 5max(C1)=5
  A1 = 4/5 = 0,8
  A2 = 3/5 = 0,6
  A3 = 5/5 = 1
• C2 (Nilai Tes)
  max(C2)=90max(C2) = 90max(C2)=90
  A1 = 80/90 = 0,89
  A2 = 90/90 = 1
  A3 = 70/90 = 0,78

Untuk Kriteria Cost

• C3 (Gaji diminta)
  min(C3)=6min(C3) = 6min(C3)=6
  A1 = 6/6 = 1
  A2 = 6/7 = 0,86
  A3 = 6/8 = 0,75

Maka matriks normalisasi menjadi:

Langkah 2: Menghitung Nilai Preferensi (Vi)

Vi=(W1×C1)+(W2×C2)+(W3×C3)V_i = (W1×C1) + (W2×C2) + (W3×C3)Vi​=(W1×C1)+(W2×C2)+(W3×C3)

• A1:
  V1=(0.4×0.8)+(0.35×0.89)+(0.25×1)V1 = (0.4×0.8) + (0.35×0.89) + (0.25×1)V1=(0.4×0.8)+(0.35×0.89)+(0.25×1)
  V1=0.32+0.3115+0.25=0.8815V1 = 0.32 + 0.3115 + 0.25 = 0.8815V1=0.32+0.3115+0.25=0.8815
• A2:
  V2=(0.4×0.6)+(0.35×1)+(0.25×0.86)V2 = (0.4×0.6) + (0.35×1) + (0.25×0.86)V2=(0.4×0.6)+(0.35×1)+(0.25×0.86)
  V2=0.24+0.35+0.215=0.805V2 = 0.24 + 0.35 + 0.215 = 0.805V2=0.24+0.35+0.215=0.805
• A3:
  V3=(0.4×1)+(0.35×0.78)+(0.25×0.75)V3 = (0.4×1) + (0.35×0.78) + (0.25×0.75)V3=(0.4×1)+(0.35×0.78)+(0.25×0.75)
  V3=0.4+0.273+0.1875=0.8605V3 = 0.4 + 0.273 + 0.1875 = 0.8605V3=0.4+0.273+0.1875=0.8605

Langkah 3: Menentukan Hasil Akhir

Kesimpulan:
Nilai tertinggi terdapat pada A1 (0.8815), sehingga A1 adalah calon karyawan terbaik berdasarkan metode Simple Additive Weighting.

Keunggulan Metode SAW

1. Sederhana dan Efisien
   Perhitungannya mudah dan cepat, cocok untuk berbagai kasus pengambilan keputusan.
2. Fleksibel
   Dapat digunakan untuk berbagai jenis kriteria, baik benefit maupun cost.
3. Transparan
   Setiap langkah perhitungan dapat dilacak dengan jelas.
4. Cocok untuk Sistem Pendukung Keputusan (SPK)
   Banyak digunakan dalam aplikasi SPK berbasis web, Excel, dan sistem otomatis.

Kelemahan Metode SAW

1. Sensitif terhadap Bobot
   Perubahan kecil pada bobot dapat mengubah hasil akhir.
2. Mengasumsikan Linearitas
   SAW menganggap hubungan antar variabel linear, padahal kenyataannya bisa kompleks.
3. Tidak Memperhitungkan Ketidakpastian Data
   Jika data tidak pasti atau tidak lengkap, hasil bisa kurang akurat.

Baca juga : Purnama Wulan Sari Mirza: Duta Teknokrat Wujud Investasi Bangsa untuk Generasi Muda

Kesimpulan

Metode Simple Additive Weighting (SAW) merupakan salah satu metode yang paling mudah dan praktis digunakan dalam pengambilan keputusan dengan banyak kriteria. Dengan mengikuti langkah-langkah seperti normalisasi dan pemberian bobot, kita dapat menentukan alternatif terbaik secara objektif dan terukur.

Melalui contoh soal di atas, terlihat bagaimana metode SAW dapat digunakan dalam kasus pemilihan karyawan terbaik berdasarkan beberapa aspek seperti pengalaman, nilai tes, dan gaji.

Dengan memahami konsep dan penerapannya, siapa pun dapat menggunakan metode ini, baik di dunia pendidikan, bisnis, maupun penelitian, untuk mengambil keputusan yang lebih tepat dan terukur.

Penulis : adilah az-zahra