Simple Additive Weighting (SAW): Normalisasi Matriks dan Perangkingan dengan Contoh Hitung Manual

Ketika Anda membangun sistem pendukung keputusan untuk menyeleksi kandidat terbaik, metode SAW (Simple Additive Weighting) sering menjadi algoritma pertama yang diajukan ke dosen pembimbing. Pendekatan ini dikenal luas karena konsep perhitungannya yang sederhana: mencari penjumlahan terbobot dari kinerja setiap alternatif pada seluruh atribut kriteria yang telah dinormalisasi.

Meskipun terkesan mudah, banyak mahasiswa justru tersandung saat ujian skripsi karena salah membedakan kriteria keuntungan (benefit) dan kriteria biaya (cost), atau keliru menetapkan bobot preferensi. Berbeda dengan pendekatan non-linier seperti metode perbandingan eksponensial (MPE) yang melipatgandakan selisih nilai lewat pemangkatan, SAW bertumpu pada perataan skala matriks agar semua atribut dapat dijumlahkan secara adil.

Artikel ini menyajikan panduan teknis yang lugas dan runtut: memahami pemetaan jenis kriteria, menerapkan rumus normalisasi matriks secara benar, menyimulasikan hitungan manual empat alternatif data riil, hingga menghindari kesalahan fatal yang sering membuat penguji meragukan validitas sistem Anda.

Membedakan Kriteria Benefit dan Cost pada Metode SAW

Inti dari metode SAW bertumpu pada normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Sebelum melakukan kalkulasi, langkah pertama yang wajib Anda lakukan adalah menentukan sifat dari setiap kriteria:

Alur komputasi metode SAW dari matriks keputusan mentah hingga perangkingan akhir. Sumber: diagram oleh Metodika.

• Kriteria Keuntungan (Benefit): Kriteria yang nilainya memberikan keuntungan jika semakin besar. Contohnya: jumlah tanggungan keluarga penerima bantuan, IPK mahasiswa, masa kerja pegawai, atau omzet penjualan. Semakin tinggi angkanya, semakin tinggi prioritas alternatif tersebut.
• Kriteria Biaya (Cost): Kriteria yang justru menguntungkan pengambil keputusan jika nilainya semakin kecil. Contohnya: tingkat pendapatan (pada bantuan sosial warga miskin), harga barang pengadaan, atau rasio keterlambatan kerja. Semakin rendah nilainya, semakin diprioritaskan alternatif bersangkutan.

Rumus Normalisasi Matriks Keputusan

Setiap elemen \(r_{ij}\) pada matriks ternormalisasi \(R\) dihitung dengan dua rumus yang berbeda tergantung sifat kriterianya:

Perbandingan rumus normalisasi kriteria keuntungan dan kriteria biaya pada SPK. Sumber: diagram oleh Metodika.

1. Untuk Kriteria Benefit:

\[ r_{ij} = \frac{x_{ij}}{\max_i x_{ij}} \]

Hasil normalisasi kriteria benefit menunjukkan seberapa dekat nilai alternatif tersebut terhadap nilai terbaik (nilai tertinggi) pada kelompoknya.

2. Untuk Kriteria Cost:

\[ r_{ij} = \frac{\min_i x_{ij}}{x_{ij}} \]

Pada kriteria cost, nilai minimum bertindak sebagai pembilang. Tujuannya adalah membalik nilai: alternatif dengan angka mentah paling kecil justru akan memperoleh nilai normalisasi paling mendekati \(1{,}00\).

Setelah matriks ternormalisasi \(R\) terbentuk, nilai preferensi akhir (\(V_i\)) dihitung dengan rumus penjumlahan terbobot berikut:

\[ V_i = \sum_{j=1}^{n} w_j\, r_{ij} \]

dengan \(r_{ij}\) adalah nilai rating kinerja ternormalisasi dari alternatif ke-\(i\) pada kriteria ke-\(j\), \(x_{ij}\) adalah nilai atribut alternatif ke-\(i\) pada kriteria ke-\(j\), \(\max_i x_{ij}\) adalah nilai terbesar kriteria ke-\(j\), \(\min_i x_{ij}\) adalah nilai terkecil kriteria ke-\(j\), \(w_j\) adalah bobot preferensi kriteria ke-\(j\), dan \(V_i\) adalah nilai preferensi akhir alternatif ke-\(i\).

Simulasi Hitung Manual Seleksi Penerima Bantuan Usaha Mikro

berikut pengujian rumus di atas pada studi kasus nyata: seleksi penerima bantuan modal usaha pada Komunitas Wirausaha Mandiri X (nama samaran). Terdapat 4 alternatif pelaku usaha mikro yang dinilai berdasarkan 4 kriteria.

1. Penetapan Kriteria dan Bobot

Panitia seleksi menetapkan empat kriteria evaluasi beserta bobot kepentingannya:

• \(C_1\): Pendapatan Usaha Bulanan (Juta) - Sifat: Cost (Bobot \(w_1 = 0{,}30\)). Usaha dengan pendapatan lebih rendah lebih diprioritaskan menerima subsidi modal.
• \(C_2\): Jumlah Tanggungan Keluarga (Orang) - Sifat: Benefit (Bobot \(w_2 = 0{,}25\)). Semakin banyak tanggungan, semakin layak dibantu.
• \(C_3\): Nilai Aset Usaha Saat Ini (Juta) - Sifat: Cost (Bobot \(w_3 = 0{,}20\)). Pelaku usaha dengan aset terbatas paling membutuhkan bantuan peralatan.
• \(C_4\): Lama Usaha Berjalan (Tahun) - Sifat: Benefit (Bobot \(w_4 = 0{,}25\)). Usaha yang sudah bertahan lebih lama dinilai lebih stabil mengelola dana bantuan.

Perhatikan bahwa total seluruh bobot adalah tepat 1,00 (\(0{,}30 + 0{,}25 + 0{,}20 + 0{,}25 = 1{,}00\)).

2. Matriks Keputusan Mentah (X)

Empat alternatif yang dinilai adalah Usaha Kue A (nama samaran), Bengkel B (nama samaran), Konveksi C (nama samaran), dan Kios D (nama samaran):

3. Proses Normalisasi Matriks (R)

kita hitung nilai ternormalisasi baris demi baris:

• Kolom \(C_1\) (Cost, \(\min = 2\)):
  \(r_{11} = \frac{2}{3} \approx 0{,}667\)
  \(r_{21} = \frac{2}{4} = 0{,}500\)
  \(r_{31} = \frac{2}{2} = 1{,}000\)
  \(r_{41} = \frac{2}{5} = 0{,}400\)
• Kolom \(C_2\) (Benefit, \(\max = 5\)):
  \(r_{12} = \frac{4}{5} = 0{,}800\)
  \(r_{22} = \frac{3}{5} = 0{,}600\)
  \(r_{32} = \frac{5}{5} = 1{,}000\)
  \(r_{42} = \frac{2}{5} = 0{,}400\)
• Kolom \(C_3\) (Cost, \(\min = 6\)):
  \(r_{13} = \frac{6}{8} = 0{,}750\)
  \(r_{23} = \frac{6}{10} = 0{,}600\)
  \(r_{33} = \frac{6}{6} = 1{,}000\)
  \(r_{43} = \frac{6}{12} = 0{,}500\)
• Kolom \(C_4\) (Benefit, \(\max = 5\)):
  \(r_{14} = \frac{3}{5} = 0{,}600\)
  \(r_{24} = \frac{5}{5} = 1{,}000\)
  \(r_{34} = \frac{2}{5} = 0{,}400\)
  \(r_{44} = \frac{4}{5} = 0{,}800\)

Jika kriteria dan alternatif pada penelitian Anda jauh lebih kompleks serta memerlukan kalkulasi otomatis berulang pada data riil, bagian ini biasanya kami kerjakan bersama klien.

4. Perhitungan Nilai Preferensi (V) dan Perangkingan

Kalikan setiap elemen baris ternormalisasi dengan bobot kriteria, lalu jumlahkan:

• \(V(A_1)\): \((0{,}30 \times 0{,}667) + (0{,}25 \times 0{,}800) + (0{,}20 \times 0{,}750) + (0{,}25 \times 0{,}600) = 0{,}2001 + 0{,}200 + 0{,}150 + 0{,}150 = 0{,}700\)
• \(V(A_2)\): \((0{,}30 \times 0{,}500) + (0{,}25 \times 0{,}600) + (0{,}20 \times 0{,}600) + (0{,}25 \times 1{,}000) = 0{,}150 + 0{,}150 + 0{,}120 + 0{,}250 = 0{,}670\)
• \(V(A_3)\): \((0{,}30 \times 1{,}000) + (0{,}25 \times 1{,}000) + (0{,}20 \times 1{,}000) + (0{,}25 \times 0{,}400) = 0{,}300 + 0{,}250 + 0{,}200 + 0{,}100 = 0{,}850\)
• \(V(A_4)\): \((0{,}30 \times 0{,}400) + (0{,}25 \times 0{,}400) + (0{,}20 \times 0{,}500) + (0{,}25 \times 0{,}800) = 0{,}120 + 0{,}100 + 0{,}100 + 0{,}200 = 0{,}520\)

Hasil di atas memperlihatkan bahwa Konveksi C (\(A_3\)) menduduki peringkat teratas dengan skor \(0{,}850\) karena memiliki pendapatan terendah (unggul di \(C_1\)), tanggungan terbanyak (unggul di \(C_2\)), dan aset paling kecil (unggul di \(C_3\)), meskipun dari segi lama usaha (\(C_4\)) nilainya paling minim.

Analisis Sensitivitas Bobot: Menguji Ketahanan Keputusan SPK

Dalam sidang skripsi sistem pendukung keputusan, dewan penguji kerap mengajukan pertanyaan kritis: 'Bagaimana jika bobot kriteria \(C_1\) dinaikkan \(10\%\) dan kriteria \(C_2\) diturunkan \(10\%\), apakah ranking penerima bantuan akan berubah?' Pertanyaan ini menuntut mahasiswa melakukan analisis sensitivitas (sensitivity analysis) untuk membuktikan apakah model keputusan bersifat kokoh (robust) atau justru terlalu rentan terhadap perubahan preferensi pembuat keputusan.

Langkah melakukan uji sensitivitas pada metode SAW mencakup tiga prosedur analitik berikut:

1. Variasikan Bobot Satu Kriteria Secara Sistematis: Ubah bobot kriteria utama (misalnya \(w_1\)) dari rentang \(0{,}20\) hingga \(0{,}40\) dengan interval \(0{,}05\), lalu lakukan normalisasi proporsional pada bobot kriteria lainnya agar total penjumlahan bobot tetap bernilai \(1{,}00\).

2. Hitung Ulang Vektor Preferensi (\(V\)): Masukkan bobot baru ke dalam matriks ternormalisasi \(R\) yang sudah ada tanpa perlu mengulang proses normalisasi matriks dari awal.

3. Amati Pergeseran Peringkat Alternatif: Sajikan perubahan urutan peringkat dalam bentuk tabel atau grafik garis. Jika Konveksi C (\(A_3\)) tetap menempati peringkat teratas pada berbagai skenario bobot, Anda memiliki argumen ilmiah yang sangat meyakinkan bahwa keputusan sistem memang objektif dan tidak bergantung semata pada bias subjektivitas angka bobot awal.

Perbandingan Karakteristik Metode SAW dan TOPSIS

Untuk memperkaya pembahasan pada naskah Bab IV, ada baiknya Anda membandingkan karakteristik metode SAW dengan metode multi-kriteria lainnya, seperti TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution):

• Pendekatan Geometris vs Penjumlahan Linier: SAW bekerja berdasarkan penjumlahan linier langsung dari skala ternormalisasi, sementara TOPSIS menggunakan konsep jarak geometris Euclidean terhadap solusi ideal positif dan solusi ideal negatif.
• Kompleksitas Komputasi: SAW memiliki beban komputasi yang jauh lebih ringan dan transparan untuk dijelaskan kepada pengguna awam, sedangkan TOPSIS membutuhkan tahapan matriks ternormalisasi terbobot dan jarak pemisah ruang dimensi.
• Sensitivitas Data: SAW sangat efektif pada masalah keputusan dengan kriteria independen, namun jika terdapat nilai nol pada kriteria cost, rumus pembagian akan menghasilkan nilai tak terhingga (division by zero) yang harus ditangani secara khusus dalam kode program.

Empat Kesalahan Umum Mahasiswa Saat Menerapkan SAW

Dalam berbagai ujian sidang skripsi informatika, ada dua kekeliruan fatal yang paling sering ditemukan penguji:

• 1. Jumlah Bobot Tidak Sama dengan 1,00: Mahasiswa sering memberikan bobot asal-asalan (misalnya 3, 4, 5, 2) tanpa menormalisasinya terlebih dahulu ke bentuk desimal yang berjumlah \(1{,}00\) atau 100 persen. Hal ini merusak skala perbandingan skor akhir.
• 2. Tertukar Rumus Antara Benefit dan Cost: Memperlakukan kriteria biaya (seperti harga atau utang) dengan rumus benefit akan menghasilkan keputusan yang terbalik: alternatif yang paling boros atau paling mahal justru yang menjadi pemenang. Pastikan logika bisnis kriteria diuji ulang sebelum diaplikasikan ke kode program.
• 3. Terjadinya Nilai Pembagian Nol pada Kriteria Cost: Jika salah satu alternatif memiliki nilai nol pada kriteria biaya, rumus normalisasi \(\min / x_{ij}\) akan memicu kesalahan komputasi pembagian dengan nol. Berikan nilai dasar (baseline offset) kecil seperti \(0{,}001\) atau ubah skala pengukuran agar terhindar dari nilai nol mutlak.
• 4. Menganggap Skor Preferensi Sebagai Persentase Mutlak: Nilai preferensi \(V_i = 0{,}850\) adalah indeks urutan relatif, bukan persentase mutlak kelayakan \(85\%\). Skor ini hanya bermakna jika diperbandingkan dengan alternatif lain dalam kumpulan dataset pengujian yang sama.

Dari Hitungan Manual ke Program

Mengerjakan perhitungan di atas kertas untuk empat alternatif memang terlihat sederhana. Tetapi ketika sistem dihubungkan dengan basis data dinamis yang menampung ratusan pendaftar bantuan, arsitektur perangkat lunak Anda harus dirancang fleksibel.

Sistem nyata menuntut adanya validasi otomatis agar bobot kriteria yang dimasukkan oleh admin selalu berjumlah \(1{,}00\), modul pengelolaan jenis kriteria yang dapat diubah sewaktu-waktu tanpa harus mengubah kode sumber (hardcode), serta antarmuka laporan ekspor PDF/Excel yang siap ditandatangani oleh pemangku kepentingan.

def normalisasi_saw(matriks, tipe_kriteria):
    R = np.zeros_like(matriks, dtype=float)
    for j, tipe in enumerate(tipe_kriteria):
        if tipe == 'benefit':
            R[:, j] = matriks[:, j] / np.max(matriks[:, j])
        else:
            R[:, j] = np.min(matriks[:, j]) / matriks[:, j]
    return R

Keterangan: Potongan kode di atas hanya menunjukkan implementasi logika inti normalisasi matriks SAW, bukan keseluruhan sistem program aplikasi.

Penutup

Metode Simple Additive Weighting tetap menjadi salah satu metode SPK yang paling andal, efisien, dan mudah dipahami oleh pengguna awam. Kunci utama keberhasilan implementasinya ada pada ketelitian membedakan kriteria benefit dan cost serta kedisiplinan pembobotan. Dengan menyajikan alur perhitungan yang transparan, naskah skripsi Anda akan mudah dipertahankan di hadapan dewan penguji.

Bagi Anda yang sedang menyelesaikan skripsi atau riset dan membutuhkan implementasi algoritma keputusan yang siap uji lengkap dengan pengujian akurasi dan penjelasan alurnya untuk Bab IV, layanan Source Code Penelitian AI kami siap membantu menyiapkan modul siap pakai sesuai kebutuhan dataset Anda.

Referensi

Fishburn, P. C. (1967). Additive utilities with incomplete product set: Application to priorities and assignments. Operations Research, 15(3), 537-542.

MacCrimmon, K. R. (1968). Decisionmaking Among Multiple-Attribute Alternatives: A Survey and Consolidated Approach. Santa Monica: RAND Corporation.

Gambar sampul: Scott Graham, unsplash.com, lisensi Unsplash.