Tingkat Dasar

SAW

Simple Additive Weighting

Metode Paling Populer untuk MCDM

SAW adalah metode MADM yang paling banyak digunakan karena kesederhanaannya. Cara kerjanya: normalisasi nilai setiap alternatif, kalikan dengan bobot kriterianya, lalu jumlahkan untuk mendapat skor akhir.

DikembangkanMacCrimmon, 1968

Juga dikenalWSM (Weighted Sum Model)

Cocok untukPemula & kasus umum

KelemahanToleran terhadap nilai buruk

Konsep Dasar

SAW bekerja dengan menjumlahkan nilai terbobot dari setiap kriteria untuk setiap alternatif. Sebelum dijumlah, nilai dinormalisasi terlebih dahulu agar dapat dibandingkan secara fair meskipun satuan berbeda.

Normalisasi pada SAW membedakan antara kriteria benefit (semakin besar nilainya semakin baik) dan kriteria cost (semakin kecil nilainya semakin baik).

💡 Analogi sederhana: Bayangkan Anda memberi skor 0–1 untuk setiap faktor pemilihan, di mana 1 adalah yang terbaik. Kemudian skor dikalikan seberapa penting faktor tersebut, lalu dijumlahkan. Alternatif dengan total tertinggi = pilihan terbaik.

Rumus & Formula

1. Normalisasi Matriks

Untuk kriteria Benefit (semakin besar = semakin baik):

r_ij = x_ij / max_i(x_ij) // Bagi nilai dengan nilai maximum di kolom tersebut

Untuk kriteria Cost (semakin kecil = semakin baik):

r_ij = min_i(x_ij) / x_ij // Bagi nilai minimum di kolom dengan nilai alternatif

2. Skor Akhir (Preferensi)

V_i = Σ w_j × r_ij (j = 1 sampai n) Di mana: V_i = nilai preferensi / skor alternatif ke-i w_j = bobot ternormalisasi kriteria j (Σw = 1) r_ij = nilai ternormalisasi alt. i pada kriteria j n = jumlah kriteria

Alternatif dengan nilai V_i tertinggi adalah rekomendasi sistem. Nilai V berkisar antara 0 dan 1.

Langkah-Langkah SAW

Tentukan Alternatif & Kriteria

Identifikasi semua pilihan yang akan dibandingkan dan faktor-faktor penilaiannya. Tandai setiap kriteria sebagai Benefit atau Cost.

Beri Bobot Kepentingan

Tentukan tingkat kepentingan setiap kriteria. Bobot akan dinormalisasi sehingga totalnya = 1. Contoh: [5, 3, 2] → [0.5, 0.3, 0.2].

Buat Matriks Keputusan

Kumpulkan nilai asli setiap alternatif untuk setiap kriteria dalam bentuk tabel m × n (m alternatif, n kriteria).

Normalisasi Matriks

Konversi setiap nilai ke skala 0–1 menggunakan rumus benefit atau cost. Nilai 1 selalu berarti "nilai terbaik pada kriteria tersebut".

Hitung Skor Terbobot

Kalikan setiap nilai ternormalisasi dengan bobot kriterianya, lalu jumlahkan per alternatif untuk mendapat nilai preferensi V_i.

Ranking & Keputusan

Urutkan V_i dari tertinggi ke terendah. Alternatif dengan V_i tertinggi adalah rekomendasi terbaik.

Contoh Kasus: Pemilihan Laptop

Seorang manajer IT harus memilih laptop untuk 50 karyawan. Ada 4 kandidat dengan 4 kriteria penilaian.

Data Kriteria & Bobot

Kriteria	Jenis	Bobot Input	Bobot Norm.
Harga (juta)	Cost ↓	5	0.357
RAM (GB)	Benefit ↑	4	0.286
Storage (GB)	Benefit ↑	3	0.214
Garansi (th)	Benefit ↑	2	0.143

Matriks Keputusan (Nilai Asli)

Alternatif	Harga	RAM	Storage	Garansi
Laptop A	12	16	512	2
Laptop B	9	8	256	1
Laptop C	15	32	1000	3
Laptop D	11	16	512	2

Matriks Ternormalisasi (r_ij)

// Harga (COST): r = min/x → min=9 Laptop A: 9/12 = 0.750 Laptop B: 9/9 = 1.000 ← terbaik (paling murah) Laptop C: 9/15 = 0.600 Laptop D: 9/11 = 0.818 // RAM (BENEFIT): r = x/max → max=32 Laptop A: 16/32 = 0.500 Laptop B: 8/32 = 0.250 Laptop C: 32/32 = 1.000 ← terbaik Laptop D: 16/32 = 0.500

Perhitungan Skor Akhir (V_i)

Alt.	Harga ×0.357	RAM ×0.286	Storage ×0.214	Garansi ×0.143	V_i	Rank
Laptop A	0.750×0.357=0.268	0.500×0.286=0.143	0.512×0.214=0.110	0.667×0.143=0.095	0.616	2
Laptop B	1.000×0.357=0.357	0.250×0.286=0.072	0.256×0.214=0.055	0.333×0.143=0.048	0.532	4
Laptop C	0.600×0.357=0.214	1.000×0.286=0.286	1.000×0.214=0.214	1.000×0.143=0.143	0.857	1 🏆
Laptop D	0.818×0.357=0.292	0.500×0.286=0.143	0.512×0.214=0.110	0.667×0.143=0.095	0.640	3

🏆 Laptop C menjadi rekomendasi terbaik (V = 0.857) karena unggul di RAM, Storage, dan Garansi — mengimbangi harganya yang tertinggi.

Kelebihan & Kekurangan

✓ Kelebihan

Paling mudah dipahami & diimplementasikan
Hasil mudah dijelaskan ke non-teknis
Komputasi ringan, cocok untuk data besar
Menangani benefit & cost sekaligus

✗ Kekurangan

Toleran terhadap nilai buruk (penjumlahan mengimbangi)
Normalisasi bisa menghasilkan skor yang tidak proporsional
Tidak ada validasi konsistensi bobot
Sensitif jika nilai ekstrem sangat berbeda jauh

Kalkulator SAW Interaktif

Masukkan data kasus Anda sendiri. Pilih jumlah kriteria dan alternatif, lalu isi nilainya.

🧮

Kalkulator SAW

Input → Normalisasi → Skor

Jumlah Kriteria

Jumlah Alternatif

Matriks Ternormalisasi

Hasil Skor & Ranking

Uji Pemahaman

← Halaman Sebelumnya Lanjut ke WP →