Sekilas tentang Metode Certainty Factor (plus studi kasus sederhana)

Metode CF

Faktor kepastian merupakan suatu metode yang digunakan untuk mengukur suatu keyakinan seseorang. Inputnya adalah berupa kepastian dari pakar serta kepastian dari user.

Berikut bentuk formal dari CF :

CFevidence (sebagai premis, yaitu kesimpulan yang bersifat umum).

CFhypotesis (sebagai konklusi, yaitu pendapat yang dapat mempengaruhi)

CFCombinasi (kombinasi dari CFevidence dan CFhypotesis)

Untuk menghitung propagation (hitung maju) diperlukan rumus

   1.      CFnew dan CFfold>=0

CFrevised = CFold + CFNew (1-CFold)

   2.      Kedua CFnew dan CFfold <0

CFrevised = -CFrevised(-CFold,-CFNew)

   3.      Salah satu dari CFnew dan CFfold <0

CFrevised = CFold+CFNew/1-min (CFold,CFmin)

Keterangan :

CFrevised = CF dari sistem keseluruhan

CFold = CF yang belum digabungkan dengan CF dari suatu rule

CFNew = CF dari suatu rule

Studi kasus

Menentukan apakah seorang karyawan diterima atau tidak diterima

Rule 1 : Jika tidak lolos psikotes dan tidak lolos wawancara maka ditolak (CF = 0,75)

Rule 2 : Jika tidak lolos psikotes dan lolos wawancara maka cadangan (CF=0,60)

Rule 3 : Jika lolos psikotes dan lolos wawancara maka diterima (CF=-0,80)

Langkah 1, pimpinan perusahaan akan menentukan inisialisasi dengan memberikan nilai CF = 0.

Jika tidak lolos psikotes dan tidak lolos wawancara maka ditolak (CF = 0,95)

Jika tidak lolos psikotes dan lolos wawancara maka cadangan (CF=0,50)

Jika lolos psikotes dan lolos wawancara maka diterima (CF=0,95)

Langkah 2, menentukan CFkombinasi rule 1,2 dan 3 (CFpevidence x CFhypotesis)

CFkombinasi1 = 0,90 x 0,75 = 0,675 = CFNew, CFold =0,0

Karena CFNew dan CFold >0 maka = 0,0 + 0,675 * (1-0,0) = 0,675 (ditolak)

CFkombinasi2 = 0,50 x 0,60 = 0,30 = CFNew, CFold =0,675

Karena CFNew dan CFold >0 maka = 0,675 + 0,30 * (1-0,675) = 0,7725 (ditolak)

CFkombinasi3 = 0,95 x (- 0,80) = - 0,76, CFold = 0,7725

Karena CFNew<0 dan CFold >0 maka = 0,7725 + -0,76/1(l0,30l l-0,76l) = 0,0052 (ditolak)

Kesimpulan : karyawan tidak diterima karena nilainya adalah 0,0052

 Mohon maaf atas ketidaksempurnaan postingan ini dikarenakan ketidakpahaman dan keterdesakan penulis. Semoga bisa diperbaiki pada kesempatan lain.

Read more »

Mengenal Metode AHP (Disertai studi kasus : Pemilihan Mahasiswa Terbaik)

Peralatan utama AHP adalah sebuah hierarki fungsional dengan input utamanya persepsi manusia. Keberadaan hierarki memungkinkan dipecahnya masalah kompleks atau tidak terstruktur dalam sub – sub masalah, lalu menyusunnya menjadi suatu bentuk hierarki (Kusrini, 2007).

Gambar 2. 1 Struktur Hirarki AHP

Konsep dasar AHP adalah penggunaan matriks pairwise comparison (,atriks perbandingan berpasangan) untuk menghasilkan bobot relative antar kriteria maupun alternative. Suatu kriteria akan dibandingkan dengan kriteria lainnya dalam hal seberapa penting terhadap pencapaian tujuan di atasnya (Saaty, 1986).

Tabel 2. 1 Skala dasar perbandingan berpasangan

Tingkat Kepentingan	Definisi	Keterangan
1	Sama Pentingnya	Kedua elemen mempunyai pengaruh yang sama
3	Sedikit lebih penting	Pengalaman dan penilaian sangat memihak satu elemen dibandingkan dengan pasangannya
5	Lebih Penting	Satu elemen sangat disukai dan secara praktis dominasinya sangat nyata, dibandingkan dengan elemen pasangannya.
7	Sangat Penting	Satu elemen terbukti sangat disukai dan secara praktis dominasinya sangat nyata, dibandingkan dengan elemen pasangannya.
9	Mutlak lebih penting	Satu elemen terbukti mutlak lebih disukai dibandingkan dengan pasangannya, pada keyakinan tertinggi.
2,4,6,8	Nilai Tengah	Diberikan bila terdapat keraguan penilaian di antara dua tingkat kepentingan yang berdekatan.

(Sumber : Saaty, 1986)

Penilaian dalam membandingkan antara satu kriteria dengan kriteria yang lain adalah bebas satu sama lain, dan hal ini dapat mengarah pada ketidak konsistensian. Saaty (1990) telah membuktikan bahwa indeks konsistensi dari matrik ber ordo n dapat diperoleh dengan rumus :

CI = (λmaks-n)/(n-1)................................................... (1)

Dimana :

CI = Indeks Konsistensi (Consistency Index)

λmaks = Nilai eigen terbesar dari matrik berordo n

Nilai eigen terbesar didapat dengan menjumlahkan hasil perkalian jumlah kolom dengan eigen vector. Batas ketidak konsistensian di ukur dengan menggunakan rasio konsistensi (CR), yakni perbandingan indeks konsistensi (CI) dengan nilai pembangkit random (RI). Nilai ini bergantung pada ordo matrik n.

Rasio konsistensi dapat dirumuskan :

CR = CI/RI............................................................... (2)

Bila nilai CR lebih kecil dari 10%, ketidak konsistensian pendapat masih dianggap dapat diterima.

Tabel 2. 2 Daftar Indeks random konsistensi (RI)

n	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
RI	0,00	0,00	0,58	0,90	1,12	1,24	1,32	1,41	1,45	1,49	1,51	1,48	1,56	1,57	1,59

Contoh Kasus :

Menentukan prioritas dalam pemilihan mahasiswa terbaik

Langkah Penyelesaian :

1. Tetapkan permasalahan, kriteria dan sub kriteria (jika ada), dan alternative pilihan.

a. Permasalahan : Menentukan prioritas mahasiswa terbaik.

b. Kriteria : IPK, Nilai TOEFL, Jabatan Organisasi,

c. Subkriteria : IPK (Sangat baik : 3,5-4,00; Baik : 3,00-3,49; Cukup : 2,75-2,99)

TOEFL(Sangat baik : 506-600; Baik : 501-505 ; Cukup : 450 - 500)

Jabatan Organisasi (Ketua, Kordinator, Anggota)

CAT : Jumah kriteria dan sub kriteria, minimal 3. Karena jika hanya dua maka akan berpengaruh terhadap nilai CR (lihat tabel daftar rasio indeks konsistensi/RI)

2. Membentuk matrik Pairwise Comparison,kriteria. Terlebih dahulu melakukan penilaian perbandingan dari kriteria.(Perbandingan ditentukan dengan mengamati kebijakan yang dianut oleh penilai) adalah :

a. Kriteria IPK 4 kali lebih penting dari jabatan organisasi, dan 3 kali lebih penting dari TOEFL.

b. Kriteria TOEFL 2 kali lebih penting dari jabatan organisasi.

CAT : Terjadi 3 kali perbandingan terhadap 3 kriteria (IPK->jabatan, IPK->TOEFL, Jabatan->TOEFL). Jika ada 4 kriteria maka akan terjadi 6 kali perbandingan. Untuk memahaminya silahkan coba buat perbandingan terhadap 4 kriteria.

Sehingga matrik matrik Pairwise Comparison untuk kriteria adalah :

	IPK	TOEFL	Jabatan
IPK	1	3	4
TOEFL	1/3	1	2
Jabatan	1/4	1/2	1

Cara mendapatkan nilai-nilai di atas adalah :

Perbandingan di atas adalah dengan membandingkan kolom yang terletak paling kiri dengan setiap kolom ke dua, ketiga dan keempat.

	Perbandingan terhadap dirinya sendiri, akan menghasilkan nilai 1. Sehingga nilai satu akan tampil secara diagonal. (IPK terhadap IPK, TOEFL terhadap TOEFL dan Jabatan terhadap ajabatan)
	Perbandingan kolom kiri dengan kolom-kolom selanjutnya. Misalkan nilai 3, didapatkan dari perbandingan IPK yang 3 kali lebih penting dari TOEFL (lihat nilai perbandingan di atas)
	Perbandingan kolom kiri dengan kolom-kolom selanjutnya. Misalkan nilai ¼ didapatkan dari perbandingan Jabatan dengan IPK (ingat, IPK 4 kali lebih penting dari jabatan sehingga nilai jabatan adalah ¼ dari IPK)

3. Menentukan rangking kriteria dalam bentuk vector prioritas (disebut juga eigen vector ternormalisasi).

a. Ubah matriks Pairwise Comparison ke bentuk desimal dan jumlahkan tiap kolom tersebut.

	IPK	TOEFL	Jabatan
IPK	1,000	3,000	Elemen Kolom 4,000
TOEFL	0,333	1,000	2,000
Jabatan	0,250	0,500	1,000
JUMLAH	1,583	4,500	Jumlah Kolom 7,000

b. Bagi elemen-elemen tiap kolom dengan jumah kolom yang bersangkutan.

	IPK	TOEFL	Jabatan
IPK	0,632	0,667	0,571
TOEFL	0,211	0,222	0,286
Jabatan	0,158	0,111	0,143

Contoh : Nilai 0,632 adalah hasil dari pembagian antara nilai 1,000/1,583 dst.

c. Hitung Eigen Vektor normalisasi dengan cara : jumlahkan tiap baris kemudian dibagi dengan jumlah kriteria. Jumlah kriteria dalam kasus ini adalah 3.

	IPK	TOEFL	Jabatan	Jumlah Baris	Eigen Vektor Normalisasi
IPK	0,632	0,667	0,571	1,870	0,623
TOEFL	0,211	0,222	0,286	0,718	0,239
Jabatan	0,158	0,111	0,143	0,412	0,137

- Nilai 1,870 adalah hasil dari penjumlahan 0,632+0,667+0,571

- Nilai 0,623 adalah hasil dari 1,870/3.

- Dst

d. Menghitung rasio konsistensi untuk mengetahui apakah penilaian perbandingan kriteria bersifat konsisten.

- Menentukan nilai Eigen Maksimum (λmaks).

Λmaks diperoleh dengan menjumlahkan hasil perkalian jumlah kolom matrik Pairwise Comparison ke bentuk desimal dengan vector eigen normalisasi.

Λmaks = (1,583 x 0,623 )+(4,500 x 0,239)+(7,000 x 0,137) = 3,025

- Menghitung Indeks Konsistensi (CI)

CI = (λmaks-n)/n-1 = 0,013

- Rasio Konsistensi =CI/RI, nilai RI untuk n = 3 adalah 0,58 (lihatDaftar Indeks random konsistensi (RI))

CR = CI/RI = 0,013/0,58 = 0,022

Karena CR < 0,100 berari preferensi pembobotan adalah konsisten

4. Untuk matrik Pairwise Comparison sub kriteria, saya asumsikan memiliki nilai yang sama dengan matrik Pairwise Comparison kriteria. Anda bisa mencoba merubah nilai pembobotan jika ingin lebih memahami pembentukan matrik ini.

a. Sub kriteria IPK

	Sangat Baik	Baik	Cukup	Jumlah Baris	Eigen Vektor Normalisasi
Sangat Baik	0,632	0,667	0,571	1,870	0,623
Baik	0,211	0,222	0,286	0,718	0,239
Cukup	0,158	0,111	0,143	0,412	0,137

b. Sub Kriteria TOEFL

	Sangat Baik	Baik	Cukup	Jumlah Baris	Eigen Vektor Normalisasi
Sangat Baik	0,632	0,667	0,571	1,870	0,623
Baik	0,211	0,222	0,286	0,718	0,239
Cukup	0,158	0,111	0,143	0,412	0,137

c. Sub Kriteria Jabatan Organisasi

	Ketua	Koordinator	Anggota	Jumlah Baris	Eigen Vektor Normalisasi
Ketua	0,632	0,667	0,571	1,870	0,623
Koordinator	0,211	0,222	0,286	0,718	0,239
Anggota	0,158	0,111	0,143	0,412	0,137

5. Terakhir adalah menentukan rangking dari alternatif dengan cara menghitung eigen vector untuk tiap kirteria dan sub kriteria.

	IPK	TOEFL	Jabatan Organisasi	HASIL
Ifan	1	3	3	0,440
Rudy	3	3	1	0,204
Anton	1	2	2	0,479

- Nilai bobot diperoleh dari kondisi yang dimiliki oleh alternatif. Contoh pada Ifan, yang memiliki IPK 3,86 (sangat baik), maka diberikan bobot 1 (2 untuk baik dan 3 untuk cukup). Ifan memiliki nilai TOEFL 470 (cukup), sehingga diberikan bobot 3 dan jabatan organisasi adalah anggota dengan bobot 3 (1 untuk ketua dan 2 untuk koordinator).

- Hasil diperoleh dari perkalian nilai vector kriteria dengan vector sub kriteria. Dan setiap hasil perkalian kriteria dan subkriteria masing-masing kolom dijumlahkan. Contoh Ifan, pada kolom IPK (eigen vector : 0,623) dikalikan dengan sub kriteria IPK yaitu sangat baik (eigen vector : 0,623).dst

(IPK x Sangat Baik + TOEFL x Sangat Baik + Jabatan Organisasi x Anggota) = 0,440

Dari hasil di atas, Anton memiliki nilai paling tinggi sehingga layak menjadi mahasiswa terbaik..

Metode AHP bisa digunakan untuk menentukan segala kasus yang membutuhkan output berupa prioritas dari hasil perangkingan. Syarat kriteria yang digunakan adalah data yang "seimbang" (misal data mahasiswa Kampus XYZ bisa dibandingkan dengan kampus ABC, tidak bisa dibandnigkan dengan sekolah XXX).

Read more »