Senin, 28 April 2014

Sistem Penunjang Keputusan Dengan Menggunakan Metode AHP

Metode AHP dikembangkan oleh Thomas L. Saaty, seorang ahli matematika. Metode ini adalah sebuah kerangka untuk mengambil keputusan dengan efektif atas persoalan yang kompleks dengan menyederhanakan dan mempercepat proses pengambilan keputusan dengan memecahkan persoalan tersebut kedalam bagian-bagiannya, menata bagian atau variabel ini dalam suatu susunan hirarki, member nilai numerik pada pertimbangan subjektif tentang pentingnya tiap variabel dan mensintesis berbagai pertimbangan ini untuk menetapkan variabel yang mana yang memiliki prioritas paling tinggi dan bertindak untuk mempengaruhi hasil pada situasi tersebut. 

Contoh Kaskus
Adi berulang tahun yang ke-17, Kedua orang tuanya janji untuk membelikan sepeda motor sesuai yang di inginkan Adi. Adi memiliki pilihan yaitu motor Ninja, Tiger dan Vixsion . Adi memiliki criteria dalam pemilihan sepeda motor yang nantinya akan dia beli yaitu : sepeda motornya memiliki desain yang bagus, berkualitas serta irit dalam bahan bakar.
Penyelesaian :1.     Tahap pertama
Menentukan botot dari masing – masig kriteria.
Desain lebih penting 2 kali dari pada Irit
Desain lebih penting 3 kali dari pada Kualitas
Irit lebih penting 1.5 kali dari pada kualitas





Dari gambar diatas, Prioity Vector (kolom paling kanan) menunjukan bobot dari masing-masing kriteria, jadi dalam hal ini Desain merupakan bobot tertinggi/terpenting menurut Adi, disusul Irit dan yang terakhir adalah Kualitas.
Cara membuat table seperti di atas
  1. Untuk perbandingan antara masing – masing kriteria berasal dari bobot yang telah di berikan ADI pertama kali.
  2. Sedangkan untuk Baris jumlah, merupakan hasil penjumalahan vertikal dari masing – masing kriteria.
  3. Untuk Priority Vector  di dapat dari  hasil penjumlahan dari semua sel disebelah Kirinya (pada baris yang sama) setelah terlebih dahulu dibagi dengan  Jumlah yang ada dibawahnya, kemudian hasil penjumlahan tersebut dibagi dengan angka 3.
  4. Untuk mencari Principal Eigen Value (lmax)
Rumusnya adalah menjumlahkan  hasil perkalian antara sel pada baris jumlah dan sel pada kolom Priority Vector
  1. Menghitung Consistency Index (CI) dengan rumus
CI = (lmax-n)/(n-1)
  1. Sedangkan untuk menghitung nilai  CR
  2. Menggunakan rumuas CR = CI/RI , nilai RI didapat dari

2.     Tahap Kedua
Kebetulan teman ADI memiliki teman yang memiliki motor yang sesuai dengan pilihan ADI. Setelah Adi mencoba motor temannya tersebut adi memberikan penilaian ( disebut sebagai pair-wire comparation)
Desain lebih penting 2 kali dari pada Irit
Desain lebih penting 3 kali dari pada Kualitas
Irit lebih penting 1.5 kali dari pada kualitas
Ninja  4 kali desainnya lebih baik daripada tiger
Ninja  3 kali desainnya lebih baik dari pada vixsion
tiger 1/2 kali desainnya lebih baik dari pada Vixsion
Ninja 1/3 kali lebih irit daripada tiger
Ninja 1/4 kali  lebih irit dari pada vixsion
tiger 1/2 kali lebih irit dari pada Vixsion
Berdasarkan penilaian tersebut maka dapat di buat table (disebut Pair-wire comparation matrix)














3.     
Tahap ketiga
Setelah mendapatkan bobot untuk ketiga kriteria dan skor untuk masing-masing kriteria bagi ketiga motor pilihannya, maka langkah terakhir adalah menghitung total skor untuk ketiga motor tersebut.  Untuk itu ADI akan merangkum semua hasil penilaiannya tersebut dalam bentuk tabel yang disebut Overall composite weight, seperti berikut.

  • Kolom Weight diambil dari kolom Priority Vektor dalam matrix Kriteria.
  • Ketiga kolom lainnya (Ninja, Tiger dan Vixsion) diambil dari kolom Priority Vectorketiga matrix DesainIrit dan Kualitas.
  • Baris Composite Weight diperoleh dari jumlah hasil perkalian sel diatasnya dengan weight.
Berdasarkan table di atas maka dapat di ambil kesimpulan bahwa yang memiliki skor paling tinggi adalah Ninja yaitu 0,3751 , sedangkan disusul tiger dengan skor 0,3260 dan yang terakhir adalah Vixsion dengan skor 0,2989. Akhirnya Adi akan membeli motor Ninja
Kesimpulan
Kesimpulan yang dapat diambil adalah sebagai berikut:

Penerapan Metode Naive Bayes untuk Sistem Pendukung Keputusan

Sistem Pendukung Keputusan Metode Naive Bayes merupakan metode spk yang mudah untuk digunakan karena metode tersebut menggunakan data yang sudah ada sebagai acuan untuk melakukan keputusan. Metode Naive Bayes sendiri tidak memerlukan bobot untuk melakukan perhitungan, namun hanya menggunakan probabilitas data yang sudah ada.

Contoh mengenai Sistem pendukung Keputusan Resiko Obesitas pada anak, berikut adalah contoh data yang sudah ada :





Data Tersebut merupakan data yang harus ada dalam sistem sebelum nantinya digunakan untuk melakukan tes pengujian sistem pendukung Keputusan. Dari data tersebut kita akan mencoba menyelesaikan masalah tingkat resiko obesitas pada anak dengan aturan :
Obesitas Ayah : Normal
Obesitas Ibu : Obesitas
Aktifitas Fisik : Ringan
Asupan Makanan : Lebih
Tentukan kesimpulan yang dapat diambil dengan metode Naive Bayes?

Jawab :
Untuk menyelesaikan pertanyaan tersebut, kita hitung probabilitas Kemunculan dari Kesimpulan, dari data tersebut hanya terdapat 2 kesimpulan yakni : Tinggi dan Sedang jadi
Probabilitas (PTinggi = Banyaknya tinggi/Jumlah Data = 4/6 = 0.67)
Probabilitas (PSedang= Banyaknya Sedang / Jumlah Data = 2/6 = 0.3
Setalah mencari Probabilitas Kesimpulan, tahap selanjutnya kita hitung data kemunculan dari tiap Pertanyaan :
  1. Pertanyaan Obesitas Ayah = Normal
    pObesitasAyahTinggi = Banyaknya data Normal / Banyaknya data Tinggi pada Kesimpulan = 2 / 4 = 0.5
    PObsitasAyahSedang = Banyaknya data Normal / Banyaknya data Sedang pada Kesimpulan =  1 / 2 = 0.5
  2. Pertanyaan Obesitas Ibu = Obesitas
    pObesitasIbuTinggi = Banyaknya data Obesitas / Banyaknya data Tinggi pada Kesimpulan = 1 / 4 = 0.25
    PObsitasAyahSedang = Banyaknya data Obesitas / Banyaknya data Sedang pada Kesimpulan =  0 / 2 = 0
  3. Pertanyaan Aktifitas Fisik = RinganpAktifitasTinggi = Banyaknya data Ringan / Banyaknya data Tinggi pada Kesimpulan = 1 / 4 = 0.25
    pAktifitasSedang = Banyaknya data Ringan / Banyaknya data Sedang pada Kesimpulan =  0 / 2 = 0
  4. Pertanyaan Asupan Makanan = LebihpAsupanTinggi = Banyaknya data Lebih / Banyaknya data Tinggi pada Kesimpulan = 2 / 4 = 0.5
    pAsupanSedang = Banyaknya data Lebih / Banyaknya data Sedang pada Kesimpulan =  0 / 2 = 0
Setelah mencari data kemunculan dari masing-masing kesimpulan Tinggi dan Sedang, langkah selanjutnya adalah mengalikan sebuah sesuai dengan Kesimpulanya :
nTinggi = pObesitasAyahTinggi * pObesitasIbuTinggi * pAktifitasTInggi * pAsupanTInggi = 0.5 * 0.25 * 0.25 * 0.5 = 0.015
nSedang = pObesitasAyahSedang* pObesitasIbuSedang * pAktifitasSedang * pAsupanSedang = 0.5 * 0 * 0 * 0 = 0.
Langkah terakhir adalah membandingkan nTinggi dan nSedang, karena nTinggi lebih besar maka kesimpulan pertanyaan tersebut adalah Tinggi.
By :Muhamad Burhanudin S.Kom

http://burhanudin.web.id/programing/penerapan-metode-naive-bayes-untuk-sistem-pendukung-keputusan#axzz30Aq95AWb

Kamis, 17 April 2014

Sistem Pendukung Keputusan Weighted Product (WP)

MODUL 4
WEIGHTED PRODUCT (WP)
ƒ
Metode WP menggunakan perkalian untuk menghubungkan rating atribut,
dimana rating setiap atribut harus dipangkatkan terlebih dahulu dengan bobot
atribut yang bersangkutan (Yoon, 1989).
ƒ
Proses ini sama halnya dengan Normalisasi.
ƒ
Preferensi untuk alternatif Ai diberikan sebagai berikut:








ƒ   dengan i=1,2,...,m; dimana _wj = 1.
wj adalah pangkat bernilai positif untuk atribut keuntungan, dan bernilai negatif
untuk atribut biaya.
Preferensi relatif dari setiap alternatif, diberikan sebagai berikut : 





Contoh:
Contoh-1:
Suatu institusi perguruan tinggi akan
memilih seorang  karyawannya untuk
dipromosikan sebagai kepala Laboratorium Komputer.
Ada empat kriteria yang digunakan untuk melakukan penilaian,  yaitu:
C1 = tes pengetahuan (wawasan) sistem informasi  : Sangat baik
C2 = praktek instalasi jaringan : Baik
C3 = tes kepribadian : Baik 
C4 = tes Manjemen Server : Cukup
Pengambil keputusan memberikan bobot untuk setiap kriteria  sebagai berikut :
C1 = 35%; C2 = 25%; C3 = 25%; dan C4 =  15%.

    Total : 100%







Ada enam orang karyawan yang menjadi kandidat (alternatif) untuk dipromosikan
sebagai kepala unit, yaitu:
A1 = Alex,
A2 = Harvei,
A3 = Berto,
A4 = Paska,
A5 = Zekson
A6 = Mhd Iqbal
A7 = Yasir























Perbaikan Bobot :











Menghitung Vektor S :















Menghitung Prefensi (Vi) untuk Perangkingan :




















Nilai Prefensi Terbesar adalah Vs atau karyawan yang bernama Zekson yang
layak untuk Kepala Laboratorium Kamputer.

Penerbit Jurnal : Tonni Limbong, S.Kom, M.kom
http://s3.amazonaws.com/academia.edu.documents/31357815/Sistem_Pendukung_Keputusan_-_Weighted_Product_%28WP%29-libre.pdf?AWSAccessKeyId=AKIAJ56TQJRTWSMTNPEA&Expires=1397752710&Signature=jH62PfolZj0r4GOIo3YyYqDxqdE%3D