Analytical Hierarchy Process (AHP): Matriks Perbandingan Berpasangan dan Uji Konsistensi secara Manual

Penetapan bobot kriteria sering kali menjadi titik paling kritis dalam penelitian sistem pendukung keputusan (SPK). Banyak mahasiswa diuji habis-habisan saat sidang skripsi karena menetapkan bobot secara subjektif tanpa dasar ilmiah yang dapat dipertanggungjawabkan. Di sinilah metode AHP perhitungan manual menjadi jawaban metodologis yang sangat kokoh. Dikembangkan oleh Thomas L. Saaty pada dekade 1970-an, Analytical Hierarchy Process (AHP) memungkinkan para pengambil keputusan menguraikan persoalan multi-kriteria yang rumit ke dalam struktur hierarki bertingkat, lalu mengukur preferensi relatif antarelemen melalui matriks perbandingan berpasangan.

Kelebihan utama AHP dibandingkan metode pembobotan langsung adalah kemampuannya mengukur dan menguji konsistensi logika dari penilai. Manusia bukanlah kalkulator yang selalu konsisten secara mutlak dalam membuat perbandingan. Ketika seorang penilai menyatakan bahwa faktor kualitas lebih penting daripada biaya, dan biaya lebih penting daripada kemudahan sistem, AHP memiliki mekanisme matematis untuk memastikan bahwa preferensi tersebut tidak saling bertentangan secara ekstrem. Nilai rasio konsistensi inilah yang menjadi garansi objektivitas pembobotan di hadapan dewan penguji.

Dalam berbagai tugas akhir mahasiswa informatika dan sistem informasi, AHP sangat populer dikombinasikan dengan metode perangkingan lain. Sebagai contoh, bobot kriteria yang dihitung menggunakan AHP dapat diumpankan ke dalam metode Simple Additive Weighting (SAW) atau disandingkan dengan pendekatan non-linier seperti metode perbandingan eksponensial (MPE). Artikel ini memandu Anda melalui seluruh tahapan matematis AHP secara tuntas: memahami skala Saaty 1 sampai 9, menyusun matriks perbandingan 3 kriteria, menormalisasi data, menghitung bobot prioritas, hingga menguji rasio konsistensi (CR).

Prinsip Hierarki Keputusan dan Skala Perbandingan Berpasangan Saaty

Dalam kerangka kerja AHP, proses pengambilan keputusan diawali dengan menyusun persoalan ke dalam tiga tingkatan hierarki: tujuan utama (goal) di tingkat teratas, kriteria evaluasi di tingkat tengah, dan alternatif pilihan di tingkat terbawah. Untuk menentukan seberapa besar pengaruh setiap kriteria terhadap tujuan, penilai tidak langsung memberikan angka persentase, melainkan membandingkan dua kriteria sekaligus (pairwise comparison).

Saaty (1980) menetapkan skala perbandingan kuantitatif 1 sampai 9 yang telah teruji secara psikologis mampu menangkap preferensi kualitatif manusia secara presisi:

Skala fundamental Saaty 1 sampai 9 untuk perbandingan berpasangan kriteria keputusan. Sumber: diagram oleh Metodika.

Berikut adalah makna operasional dari skala fundamental Saaty:

• Nilai 1 (Sama Penting): Kedua kriteria menyumbang pengaruh yang setara terhadap pencapaian tujuan.
• Nilai 3 (Sedikit Lebih Penting): Pengalaman atau penilaian awal sedikit condong mendukung satu kriteria dibandingkan kriteria lainnya.
• Nilai 5 (Lebih Penting / Kuat): Pertimbangan logis sangat kuat mendukung satu kriteria di atas kriteria pasangannya.
• Nilai 7 (Sangat Lebih Penting): Satu kriteria secara nyata dan dominan terbukti jauh lebih krusial di lapangan.
• Nilai 9 (Mutlak Lebih Penting): Perbedaan tingkat kepentingan berada pada derajat keyakinan tertinggi yang tidak terbantahkan.
• Nilai Genap (2, 4, 6, 8): Digunakan sebagai nilai kompromi apabila penilai merasa ragu di antara dua skala ganjil yang berdekatan.

Kaidah matematika yang tidak boleh dilanggar dalam matriks berpasangan adalah sifat kebalikan (reciprocal property). Jika kriteria \(A\) dinilai 3 kali lebih penting daripada kriteria \(B\) (\(a_{ij} = 3\)), maka secara otomatis kriteria \(B\) bernilai sepertiga dari kriteria \(A\) (\(a_{ji} = \frac{1}{3} \approx 0{,}3333\)). Sementara itu, perbandingan suatu kriteria terhadap dirinya sendiri pada garis diagonal utama selalu bernilai tepat 1 (\(a_{ii} = 1\)).

Langkah Metode AHP Perhitungan Manual pada Tiga Kriteria Evaluasi

Simak simulasi prosedur matematis ini pada studi kasus pemilihan penyedia perangkat lunak (software vendor) pada PT Solusi Teknologi Nusantara (contoh). Manajemen perusahaan menetapkan tiga kriteria kunci untuk memilih sistem manajemen operasional baru:

• Kriteria 1 (\(K_1\)): Kualitas Fitur dan Keandalan
• Kriteria 2 (\(K_2\)): Biaya Pengadaan dan Implementasi
• Kriteria 3 (\(K_3\)): Kemudahan Penggunaan Antarmuka

Alur sistematis pembobotan AHP dari penyusunan matriks berpasangan hingga uji rasio konsistensi. Sumber: diagram oleh Metodika.

Berdasarkan wawancara dengan pakar teknologi informasi internal perusahaan (contoh), diperoleh preferensi perbandingan berpasangan sebagai berikut:

1. Kualitas Fitur (\(K_1\)) dinilai sedikit lebih penting (skala 3) daripada Biaya (\(K_2\)), sehingga \(a_{12} = 3\) dan \(a_{21} = \frac{1}{3} \approx 0{,}3333\).
2. Kualitas Fitur (\(K_1\)) dinilai lebih penting secara kuat (skala 5) daripada Kemudahan Penggunaan (\(K_3\)), sehingga \(a_{13} = 5\) dan \(a_{31} = \frac{1}{5} = 0{,}2000\).
3. Biaya (\(K_2\)) dinilai sedikit lebih penting (skala 2) daripada Kemudahan Penggunaan (\(K_3\)), sehingga \(a_{23} = 2\) dan \(a_{32} = \frac{1}{2} = 0{,}5000\).

Matriks perbandingan berpasangan \(A\) berukuran \(3 \times 3\) disusun dalam format persamaan blok berikut:

\[ A = \begin{bmatrix} 1{,}0000 & 3{,}0000 & 5{,}0000 \\ 0{,}3333 & 1{,}0000 & 2{,}0000 \\ 0{,}2000 & 0{,}5000 & 1{,}0000 \end{bmatrix} \]

dengan baris dan kolom masing-masing merepresentasikan urutan kriteria \(K_1\), \(K_2\), dan \(K_3\). Langkah berikutnya adalah menjumlahkan seluruh nilai pada masing-masing kolom matriks \(A\):

• Jumlah Kolom 1 (\(K_1\)): \(1{,}0000 + 0{,}3333 + 0{,}2000 = 1{,}5333\)
• Jumlah Kolom 2 (\(K_2\)): \(3{,}0000 + 1{,}0000 + 0{,}5000 = 4{,}5000\)
• Jumlah Kolom 3 (\(K_3\)): \(5{,}0000 + 2{,}0000 + 1{,}0000 = 8{,}0000\)

Angka penjumlahan kolom ini bertindak sebagai faktor pembagi pada tahap normalisasi matriks.

Menghitung Bobot Prioritas Kriteria dari Matriks Ternormalisasi

Setelah total nilai setiap kolom diperoleh, matriks ternormalisasi (\(A_{\text{norm}}\)) dibentuk dengan membagi setiap elemen sel \(a_{ij}\) dengan total jumlah kolomnya masing-masing. Rumus normalisasi elemen matriks dituliskan sebagai:

\[ r_{ij} = \frac{a_{ij}}{\sum_{k=1}^{n} a_{kj}} \]

dengan \(r_{ij}\) adalah elemen ternormalisasi baris ke-\(i\) kolom ke-\(j\), dan penyebutnya adalah jumlah seluruh elemen pada kolom ke-\(j\). Berikut kalkulasi seluruh sel baris demi baris:

1. Baris Kriteria \(K_1\) (Kualitas Fitur):

• Kolom 1: \(\frac{1{,}0000}{1{,}5333} \approx 0{,}6522\)
• Kolom 2: \(\frac{3{,}0000}{4{,}5000} \approx 0{,}6667\)
• Kolom 3: \(\frac{5{,}0000}{8{,}0000} = 0{,}6250\)

2. Baris Kriteria \(K_2\) (Biaya Implementasi):

• Kolom 1: \(\frac{0{,}3333}{1{,}5333} \approx 0{,}2174\)
• Kolom 2: \(\frac{1{,}0000}{4{,}5000} \approx 0{,}2222\)
• Kolom 3: \(\frac{2{,}0000}{8{,}0000} = 0{,}2500\)

3. Baris Kriteria \(K_3\) (Kemudahan Penggunaan):

• Kolom 1: \(\frac{0{,}2000}{1{,}5333} \approx 0{,}1304\)
• Kolom 2: \(\frac{0{,}5000}{4{,}5000} \approx 0{,}1111\)
• Kolom 3: \(\frac{1{,}0000}{8{,}0000} = 0{,}1250\)

Vektor bobot prioritas (\(w\)) dihitung dengan mencari nilai rata-rata dari setiap baris pada matriks ternormalisasi tersebut:

\[ w_i = \frac{1}{n} \sum_{j=1}^{n} r_{ij} \]

Perhitungan rata-rata baris menghasilkan bobot prioritas sebagai berikut:

• Bobot \(w_1\) (\(K_1\)): \(\frac{0{,}6522 + 0{,}6667 + 0{,}6250}{3} = \frac{1{,}9439}{3} \approx 0{,}6479\) (\(64{,}79\% \))
• Bobot \(w_2\) (\(K_2\)): \(\frac{0{,}2174 + 0{,}2222 + 0{,}2500}{3} = \frac{0{,}6896}{3} \approx 0{,}2299\) (\(22{,}99\% \))
• Bobot \(w_3\) (\(K_3\)): \(\frac{0{,}1304 + 0{,}1111 + 0{,}1250}{3} = \frac{0{,}3665}{3} \approx 0{,}1222\) (\(12{,}22\% \))

Jumlah seluruh bobot prioritas adalah \(0{,}6479 + 0{,}2299 + 0{,}1222 = 1{,}0000\) (\(100\% \)). Hasil ini menunjukkan bahwa manajemen PT Solusi Teknologi Nusantara (contoh) menempatkan Kualitas Fitur sebagai kriteria paling dominan dengan bobot mencapai \(64{,}79\%\).

Uji Konsistensi Logis: Menghitung Lambda Maksimum, CI, dan CR

Mendapatkan angka bobot prioritas barulah separuh perjalanan. Dewan penguji skripsi selalu memeriksa apakah penilaian perbandingan berpasangan tersebut konsisten atau mengandung kontradiksi logika. Untuk menguji konsistensi matriks, kita wajib menghitung tiga parameter statistik: nilai eigen terbesar (\(\lambda_{\max}\)), Indeks Konsistensi (Consistency Index / CI), dan Rasio Konsistensi (Consistency Ratio / CR).

Evaluasi rasio konsistensi CR dengan batas kritis 0,10 untuk penerimaan bobot kriteria. Sumber: diagram oleh Metodika.

Langkah 1 adalah mengalikan matriks perbandingan awal \(A\) dengan vektor bobot prioritas \(w\) untuk mendapatkan vektor hasil kali (\(A \cdot w\)):

• Baris 1: \((1{,}0000 \times 0{,}6479) + (3{,}0000 \times 0{,}2299) + (5{,}0000 \times 0{,}1222) = 0{,}6479 + 0{,}6897 + 0{,}6110 = 1{,}9486\)
• Baris 2: \((0{,}3333 \times 0{,}6479) + (1{,}0000 \times 0{,}2299) + (2{,}0000 \times 0{,}1222) = 0{,}2159 + 0{,}2299 + 0{,}2444 = 0{,}6902\)
• Baris 3: \((0{,}2000 \times 0{,}6479) + (0{,}5000 \times 0{,}2299) + (1{,}0000 \times 0{,}1222) = 0{,}1296 + 0{,}1150 + 0{,}1222 = 0{,}3668\)

Langkah 2 adalah membagi setiap elemen vektor hasil kali dengan bobot prioritas kriteria masing-masing untuk memperoleh nilai estimasi lambda:

• Elemen 1: \(\frac{1{,}9486}{0{,}6479} \approx 3{,}0076\)
• Elemen 2: \(\frac{0{,}6902}{0{,}2299} \approx 3{,}0022\)
• Elemen 3: \(\frac{0{,}3668}{0{,}1222} \approx 3{,}0016\)

Nilai eigen maksimum (\(\lambda_{\max}\)) dihitung dari nilai rata-rata ketiga angka di atas:

\[ \lambda_{\max} = \frac{3{,}0076 + 3{,}0022 + 3{,}0016}{3} = \frac{9{,}0114}{3} = 3{,}0038 \]

Langkah 3 adalah menghitung Indeks Konsistensi (CI) dengan rumus:

\[ \mathrm{CI} = \frac{\lambda_{\max} - n}{n - 1} \]

dengan \(n\) adalah ordo matriks (pada contoh ini \(n = 3\)). Masukkan nilai \(\lambda_{\max} = 3{,}0038\):

\[ \mathrm{CI} = \frac{3{,}0038 - 3}{3 - 1} = \frac{0{,}0038}{2} = 0{,}0019 \]

Langkah 4 adalah menghitung Rasio Konsistensi (CR) dengan membagi nilai CI terhadap Indeks Acak (Random Index / RI). Saaty telah melakukan simulasi terhadap ribuan matriks acak dan menerbitkan nilai baku RI berdasarkan ukuran matriks \(n\):

Untuk matriks ordo \(n = 3\), nilai \(\mathrm{RI} = 0{,}58\). Maka nilai Rasio Konsistensi (CR) adalah:

\[ \mathrm{CR} = \frac{\mathrm{CI}}{\mathrm{RI}} = \frac{0{,}0019}{0{,}58} \approx 0{,}0033 \]

Dalam persentase, nilai \(\mathrm{CR} = 0{,}33\%\). Aturan baku AHP menetapkan bahwa suatu penilaian dinyatakan konsisten dan dapat diterima bila nilai \(\mathrm{CR} \le 0{,}10\) (\(10\%\)). Karena \(0{,}0033 < 0{,}10\), matriks perbandingan berpasangan PT Solusi Teknologi Nusantara (contoh) terbukti sangat konsisten dan bobot prioritas yang dihasilkan sah digunakan untuk perankingan alternatif.

Tindakan Metodologis Bila Nilai Rasio Konsistensi Melebihi Batas 0,10

Lalu bagaimana jika nilai CR yang Anda peroleh ternyata lebih besar dari 0,10 (misalnya \(0{,}18\) atau \(18\%\))? Situasi ini sangat sering dialami mahasiswa di lapangan ketika pakar atau responden memberikan penilaian yang tidak konsisten secara logika transitif.

Sebagai contoh inkonsistensi logika: seorang penilai menyatakan kriteria \(A\) 5 kali lebih penting dari \(B\), dan \(B\) 4 kali lebih penting dari \(C\). Secara logika matematika transitif, \(A\) seharusnya sekitar 20 kali lebih penting dari \(C\). Namun jika dalam lembar kuesioner penilai tersebut justru mengisi bahwa \(C\) sama pentingnya dengan \(A\) (nilai 1), maka matriks akan mengalami kontradiksi parah yang membuat nilai CR melonjak tinggi.

Bila kondisi CR melebihi \(0{,}10\) terjadi pada naskah skripsi Anda, berikut langkah perbaikan metodologis yang harus ditempuh:

1. Identifikasi Elemen Matriks Paling Inkonsisten: Telusuri sel perbandingan mana yang memiliki selisih paling tajam antara nilai input mentah (\(a_{ij}\)) dengan rasio bobot yang terbentuk (\(\frac{w_i}{w_j}\)). Penyimpangan terbesar biasanya terletak pada sel kriteria yang tidak dibandingkan secara langsung dalam praktik kerja harian pakar.
2. Lakukan Wawancara Klarifikasi Ulang kepada Pakar: Tunjukkan kembali lembar perbandingan tersebut kepada narasumber. Jelaskan secara santun bahwa penilaian pada kriteria tertentu memicu pertentangan logika keputusan, lalu minta narasumber merevisi angka perbandingannya.
3. Gunakan Metode Rata-Rata Geometrik (Geometric Mean) untuk Multi-Pakar: Jika kuesioner AHP diisi oleh lebih dari satu narasumber (misalnya 3 orang manajer), jangan merata-ratakan nilai bobot akhir. Hitung rata-rata geometrik dari setiap sel perbandingan berpasangan antarpakar terlebih dahulu sebelum membentuk matriks konsensus gabungan.

Jangan pernah memanipulasi angka perhitungan di lembar laporan skripsi hanya demi membuat nilai CR tampak kecil secara fiktif. Dosen penguji yang menguasai aljabar linier dapat dengan mudah merekonstruksi matriks Anda dan membongkar kepalsuan data tersebut dalam hitungan menit.

Integrasi Pembobotan AHP dengan Metode SPK Lainnya

Salah satu kekuatan terbesar AHP dalam riset sistem pendukung keputusan modern adalah fleksibilitas integrasinya dengan algoritma multi-kriteria lainnya (metode hibrida). Dalam skema gabungan ini, AHP difokuskan untuk menyelesaikan tugas pembobotan kriteria yang subjektif, sedangkan proses evaluasi alternatif diserahkan kepada algoritma komputasi lain:

• Kombinasi AHP dan SAW: Pembobotan kriteria ditentukan melalui matriks perbandingan AHP untuk menjamin konsistensi pakar, lalu skor preferensi ratusan kandidat alternatif dihitung dengan normalisasi linier Simple Additive Weighting. Kombinasi ini sangat populer pada seleksi penerima beasiswa dan bantuan sosial karena komputasinya efisien.
• Kombinasi AHP dan TOPSIS: Bobot kriteria AHP dikalikan ke dalam matriks keputusan ternormalisasi TOPSIS, lalu dihitung jarak geometrisnya terhadap solusi ideal positif dan solusi ideal negatif. Pendekatan hibrida ini jamak dipakai dalam evaluasi pemilihan lokasi pabrik atau pengadaan infrastruktur bernilai tinggi.
• Kombinasi AHP dan MPE: Pada kasus di mana pengambil keputusan ingin mempertegas jarak perbedaan antarkandidat terbaik, bobot AHP dipadukan dengan pemangkatan skor kriteria pada Metode Perbandingan Eksponensial.

Melalui penguasaan hitungan manual ini, Anda tidak hanya memahami logika di balik pustaka kode program atau perangkat lunak seperti Expert Choice, tetapi juga mampu mempertanggungjawabkan setiap rumus matematika yang tertulis di Bab III dan Bab IV skripsi Anda secara percaya diri.

Bagi Anda yang sedang mengerjakan tugas akhir atau proyek sistem pendukung keputusan dan membutuhkan modul komputasi AHP lengkap dengan pengujian konsistensi otomatis, ekspor laporan matriks, dan integrasi algoritma SPK siap pakai, tim pengembang Source Code Penelitian AI kami siap mendampingi kebutuhan pemrograman sistem Anda.

Referensi

Saaty, T. L. (1980). The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. New York: McGraw-Hill.

Saaty, T. L. (1990). How to make a decision: The analytic hierarchy process. European Journal of Operational Research, 48(1), 9-26.

Vaidya, O. S., & Kumar, S. (2006). Analytic hierarchy process: An overview of applications. European Journal of Operational Research, 169(1), 1-29.

Gambar sampul: ilustrasi oleh Metodika.