21 KiB

Raw Permalink Blame History

PANDUAN REVISI LANDASAN TEORI DAN FORMULASI METODE AHP & TOPSIS (SINKRONISASI BAB III & BAB IV)

Dokumen ini disusun secara formal dan akademis menggunakan Bahasa Indonesia standar karya ilmiah (Skripsi) untuk menyelaraskan teori, penjelasan, rumus, dan hasil perhitungan numerik metode AHP (Analytic Hierarchy Process) dan TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) pada laporan Tugas Akhir Anda yang berjudul: "PERANCANGAN SISTEM REKOMENDASI KAMERA PADA PERSEWAAN KAMERA DENGAN BERBASIS WEBSITE MENGUNAKAN ALGORITMA TOPSIS (Revisi 5 fix bismillah).pdf"

Sesuai permintaan revisi, dokumen ini dibagi menjadi dua bagian utama:

Metode AHP: Dijabarkan secara mendalam langkah-demi-langkah mulai dari teori, penjelasan rumus (beserta variabelnya), hingga perhitungan riil lengkap kelima skenario dari skripsi Anda.
Metode TOPSIS: Dijabarkan satu-persatu secara detail mulai dari teori, penjelasan rumus (beserta variabelnya) secara teoretis tanpa menyertakan perhitungan angka/tabel.

Seluruh materi didukung oleh kutipan dalam teks (in-text citations) yang merujuk pada jurnal ilmiah nasional asli terbitan 2023–2026 yang memiliki tautan akses langsung dan dapat diunduh (downloadable).

BAGIAN 1: LANDASAN TEORI DAN PERHITUNGAN DETAIL METODE AHP (LENGKAP DENGAN PERHITUNGAN SKRIPSI)

1.1 Teori Dasar AHP & Struktur Hierarki Keputusan

Analytic Hierarchy Process (AHP) merupakan suatu metode pengambilan keputusan multikriteria (MCDM) yang dikembangkan oleh Thomas L. Saaty. Konsep utama metode AHP adalah memecahkan masalah multikriteria yang kompleks menjadi suatu struktur hierarki yang logis, terdiri dari tujuan utama (goal), kriteria, sub-kriteria (jika ada), dan alternatif keputusan (Hutagaol dkk., 2025; Ramiana dkk., 2026). Dalam sistem rekomendasi kamera, AHP digunakan khusus pada tahap pembobotan kriteria (criterion weighting) untuk mengubah penilaian subjektif pakar menjadi bobot kuantitatif kriteria keputusan yang konsisten secara matematis (Sari dkk., 2025).

1.2 Skala Perbandingan Berpasangan Saaty

AHP menggunakan penilaian subjektif pengambil keputusan dengan membandingkan kepentingan satu kriteria terhadap kriteria lainnya secara berpasangan (pairwise comparison). Skala kepentingan yang digunakan merujuk pada skala penilaian Saaty (1 hingga 9) seperti yang disajikan pada Tabel di bawah ini:

Tabel Skala Penilaian Perbandingan Berpasangan Saaty

Nilai Numerik	Definisi Kualitatif Kepentingan	Penjelasan
1	Sama pentingnya (Equal Importance)	Kedua kriteria memberikan kontribusi yang sama terhadap tujuan.
3	Sedikit lebih penting (Moderate Importance)	Pengalaman dan penilaian sedikit memihak satu kriteria dibanding yang lain.
5	Lebih penting (Strong Importance)	Pengalaman dan penilaian sangat memihak satu kriteria dibanding yang lain.
7	Sangat jelas lebih penting (Very Strong Importance)	Satu kriteria sangat didominasi dan nyata lebih penting di lapangan.
9	Mutlak lebih penting (Extreme Importance)	Bukti yang memihak satu kriteria atas kriteria lain memiliki tingkat penegasan tertinggi.
2, 4, 6, 8	Nilai-nilai tengah (Intermediate Values)	Digunakan ketika membutuhkan kompromi di antara dua pilihan nilai yang berdekatan.
Resiprokal (1/$a_{ij}$)	Nilai Kebalikan	Jika kriteria `i` memiliki nilai `a_{ij}` dibandingkan kriteria `j`, maka kriteria `j` memiliki nilai `1/a_{ij}` dibandingkan kriteria `i`.

1.3 Langkah Perhitungan AHP & Pembuktian Numerik 5 Skenario Skripsi

Langkah 1: Penyusunan Matriks Perbandingan Berpasangan ($A$)

Teori & Penjelasan: Matriks perbandingan berpasangan A berukuran n \times n (di mana n adalah jumlah kriteria) dirumuskan berdasarkan skala Saaty. Elemen diagonal bernilai 1 karena kriteria dibandingkan dengan dirinya sendiri, dan elemen di luar diagonal bersifat berkebalikan (resiprokal) (Ramiana dkk., 2026).

Rumus & Variabel:

A = [a_{ij}]_{n \times n} = \begin{bmatrix}
1 & a_{12} & \cdots & a_{1n} \\
a_{21} & 1 & \cdots & a_{2n} \\
\vdots & \vdots & \ddots & \vdots \\
a_{n1} & a_{n2} & \cdots & 1
\end{bmatrix}$$
*   $A$ = Matriks perbandingan berpasangan kriteria berukuran $n \times n$.
*   $n$ = Jumlah kriteria keputusan ($n = 4$, yaitu Price, ISO, AF, dan Sensor).
*   $a_{ij}$ = Skor perbandingan kepentingan kriteria baris ke-$i$ terhadap kriteria kolom ke-$j$ ($a_{ji} = \frac{1}{a_{ij}}$ dan $a_{ii} = 1$).

Penyusunan Matriks Riil 5 Skenario Skripsi:

Skenario 1 (Outdoor Day):

A_{\text{day}} = \begin{bmatrix}
1,0000 & 3,0000 & 1,0000 & 1,0000 \\
0,3333 & 1,0000 & 1,0000 & 0,3333 \\
1,0000 & 1,0000 & 1,0000 & 1,0000 \\
1,0000 & 3,0000 & 1,0000 & 1,0000 
\end{bmatrix} \rightarrow \text{Kolom Sums} = [3,3333;\ 8,0000;\ 4,0000;\ 3,3333]$$

Skenario 2 (Outdoor Night):

A_{\text{night}} = \begin{bmatrix}
1,0000 & 0,3333 & 1,0000 & 0,5000 \\
3,0000 & 1,0000 & 3,0000 & 3,0000 \\
1,0000 & 0,3333 & 1,0000 & 1,0000 \\
2,0000 & 0,3333 & 1,0000 & 1,0000 
\end{bmatrix} \rightarrow \text{Kolom Sums} = [7,0000;\ 2,0000;\ 6,0000;\ 5,5000]$$

Skenario 3 (Indoor Cerah):

A_{\text{cerah}} = \begin{bmatrix}
1,0000 & 2,0000 & 2,0000 & 1,0000 \\
0,5000 & 1,0000 & 1,0000 & 1,0000 \\
0,5000 & 1,0000 & 1,0000 & 1,0000 \\
1,0000 & 1,0000 & 1,0000 & 1,0000 
\end{bmatrix} \rightarrow \text{Kolom Sums} = [3,0000;\ 5,0000;\ 5,0000;\ 4,0000]$$

Skenario 4 (Indoor Gelap):

A_{\text{gelap}} = \begin{bmatrix}
1,0000 & 0,2500 & 1,0000 & 1,0000 \\
4,0000 & 1,0000 & 4,0000 & 4,0000 \\
1,0000 & 0,2500 & 1,0000 & 1,0000 \\
1,0000 & 0,2500 & 1,0000 & 1,0000 
\end{bmatrix} \rightarrow \text{Kolom Sums} = [7,0000;\ 1,7500;\ 7,0000;\ 7,0000]$$

Skenario 5 (Semua Kondisi):

A_{\text{all}} = \begin{bmatrix}
1,0000 & 1,0000 & 1,0000 & 1,0000 \\
1,0000 & 1,0000 & 2,0000 & 1,0000 \\
1,0000 & 0,5000 & 1,0000 & 1,0000 \\
1,0000 & 1,0000 & 1,0000 & 1,0000 
\end{bmatrix} \rightarrow \text{Kolom Sums} = [4,0000;\ 3,5000;\ 5,0000;\ 4,0000]$$

Langkah 2: Normalisasi Matriks Kolom & Perolehan Vektor Bobot ($W$)

Teori & Penjelasan: Setiap elemen pada matriks perbandingan dibagi dengan jumlah kolomnya (normalisasi kolom). Selanjutnya, baris dari matriks ternormalisasi dirata-ratakan untuk menghasilkan vektor bobot kriteria ($W$) (Sari dkk., 2025).
Rumus & Variabel:
```
w_i = \frac{1}{n} \sum_{j=1}^{n} \frac{a_{ij}}{\sum_{k=1}^{n} a_{kj}}
```
- w_i = Bobot kepentingan relatif kriteria ke-i.
- a_{ij} = Nilai perbandingan berpasangan kriteria baris ke-i kolom ke-j.
- \sum_{k=1}^{n} a_{kj} = Jumlah total nilai pada kolom ke-j.
- n = Jumlah kriteria keputusan ($n = 4$).
- Syarat: \sum_{i=1}^{n} w_i = 1,00.

Hasil Komputasi Vektor Bobot ($W$) Riil 5 Skenario Skripsi:

Skenario 1 (Outdoor Day):

W_{\text{day}} = [0,3063;\ 0,1438;\ 0,2438;\ 0,3063]^T

Skenario 2 (Outdoor Night):

W_{\text{night}} = [0,1418;\ 0,4935;\ 0,1645;\ 0,2002]^T

Skenario 3 (Indoor Cerah):

W_{\text{cerah}} = [0,3458;\ 0,2042;\ 0,2042;\ 0,2458]^T

Skenario 4 (Indoor Gelap):

W_{\text{gelap}} = [0,1429;\ 0,5714;\ 0,1429;\ 0,1429]^T

Skenario 5 (Semua Kondisi):

W_{\text{all}} = [0,2464;\ 0,2964;\ 0,2107;\ 0,2464]^T

Langkah 3: Uji Konsistensi Logis

3.a. Menghitung Vektor Jumlah Terbobot ($A \cdot W$)

Teori & Penjelasan: Mengalikan matriks perbandingan berpasangan awal A dengan vektor bobot prioritas kriteria W (Alfiana & Setiadi, 2023).

Rumus & Variabel:

A \cdot W = \text{Matriks perbandingan berpasangan } A \times \text{Vektor bobot kriteria } W

Hasil Perhitungan Riil Skripsi:
- Outdoor Day: A_{\text{day}} \cdot W_{\text{day}} = [1,2878;\ 0,5918;\ 1,0002;\ 1,2878]^T
- Outdoor Night: A_{\text{night}} \cdot W_{\text{night}} = [0,5709;\ 2,0130;\ 0,6710;\ 0,8128]^T
- Indoor Cerah: A_{\text{cerah}} \cdot W_{\text{cerah}} = [1,4084;\ 0,8271;\ 0,8271;\ 1,0000]^T
- Indoor Gelap: A_{\text{gelap}} \cdot W_{\text{gelap}} = [0,5716;\ 2,2856;\ 0,5716;\ 0,5716]^T
- Semua Kondisi: A_{\text{all}} \cdot W_{\text{all}} = [1,0000;\ 1,2100;\ 0,8517;\ 1,0000]^T

3.b. Menghitung Estimasi Nilai Eigen Kriteria ($\lambda_i$)

Teori & Penjelasan: Membagi setiap nilai elemen pada Vektor Jumlah Terbobot (A \cdot W)_i dengan nilai bobot kriteria ke-i ($w_i$) yang bersangkutan (Sari dkk., 2025).
Rumus & Variabel:
```
\lambda_i = \frac{(A \cdot W)_i}{w_i}
```
- \lambda_i = Nilai eigen kriteria ke-i.
- (A \cdot W)_i = Elemen baris ke-i pada Vektor Jumlah Terbobot.
- w_i = Bobot kepentingan relatif kriteria ke-i.
Hasil Perhitungan Riil Skripsi:
- Outdoor Day: \lambda_1 = 4,2044; \lambda_2 = 4,1154; \lambda_3 = 4,1025; \lambda_4 = 4,2044
- Outdoor Night: \lambda_1 = 4,0261; \lambda_2 = 4,0790; \lambda_3 = 4,0790; \lambda_4 = 4,0600
- Indoor Cerah: \lambda_1 = 4,0729; \lambda_2 = 4,0504; \lambda_3 = 4,0504; \lambda_4 = 4,0683
- Indoor Gelap: \lambda_1 = 4,0000; \lambda_2 = 4,0000; \lambda_3 = 4,0000; \lambda_4 = 4,0000
- Semua Kondisi: \lambda_1 = 4,0584; \lambda_2 = 4,0823; \lambda_3 = 4,0422; \lambda_4 = 4,0584

3.c. Menghitung Nilai Eigen Maksimum ($\lambda_{\max}$)

Teori & Penjelasan: Nilai rata-rata dari seluruh estimasi nilai eigen kriteria ($\lambda_i$) yang diperoleh (Sari dkk., 2025).
Rumus & Variabel:
```
\lambda_{\max} = \frac{1}{n} \sum_{i=1}^{n} \lambda_i
```
- \lambda_{\max} = Nilai eigen maksimum.
- n = Jumlah kriteria keputusan ($n = 4$).
Hasil Perhitungan Riil Skripsi:
- Outdoor Day: \lambda_{\max} = \frac{4,2044 + 4,1154 + 4,1025 + 4,2044}{4} = \mathbf{4,1567}
- Outdoor Night: \lambda_{\max} = \frac{4,0261 + 4,0790 + 4,0790 + 4,0600}{4} = \mathbf{4,0610}
- Indoor Cerah: \lambda_{\max} = \frac{4,0729 + 4,0504 + 4,0504 + 4,0683}{4} = \mathbf{4,0605}
- Indoor Gelap: \lambda_{\max} = \frac{4,0000 + 4,0000 + 4,0000 + 4,0000}{4} = \mathbf{4,0000}
- Semua Kondisi: \lambda_{\max} = \frac{4,0584 + 4,0823 + 4,0422 + 4,0584}{4} = \mathbf{4,0607}

3.d. Menghitung Indeks Konsistensi ($CI$)

Teori & Penjelasan: Indeks untuk mengukur tingkat penyimpangan konsistensi matriks perbandingan berpasangan (Hutagaol dkk., 2025).
Rumus & Variabel:
```
CI = \frac{\lambda_{\max} - n}{n - 1}
```
- CI = Indeks Konsistensi.
- n = Jumlah kriteria keputusan ($n = 4$).
Hasil Perhitungan Riil Skripsi:
- Outdoor Day: CI = \frac{4,1567 - 4}{3} = \mathbf{0,0522}
- Outdoor Night: CI = \frac{4,0610 - 4}{3} = \mathbf{0,0203}
- Indoor Cerah: CI = \frac{4,0605 - 4}{3} = \mathbf{0,0202}
- Indoor Gelap: CI = \frac{4,0000 - 4}{3} = \mathbf{0,0000}
- Semua Kondisi: CI = \frac{4,0607 - 4}{3} = \mathbf{0,0202}

3.e. Menghitung Rasio Konsistensi ($CR$)

Teori & Penjelasan: Rasio untuk menentukan validitas pembobotan. Konsistensi dinyatakan valid bila nilai CR < 0,10 (Alfiana & Setiadi, 2023).
Rumus & Variabel:
```
CR = \frac{CI}{RI}
```
- CR = Rasio Konsistensi.
- CI = Indeks Konsistensi.
- RI = Random Index Saaty untuk matriks berorde 4 = 0,90.
Hasil Perhitungan Riil Skripsi:
- Outdoor Day: CR = 0,0522 / 0,90 = \mathbf{0,0580 \text{ (5,80\%)}} (Valid).
- Outdoor Night: CR = 0,0203 / 0,90 = \mathbf{0,0226 \text{ (2,26\%)}} (Valid).
- Indoor Cerah: CR = 0,0202 / 0,90 = \mathbf{0,0224 \text{ (2,24\%)}} (Valid).
- Indoor Gelap: CR = 0,0000 / 0,90 = \mathbf{0,0000 \text{ (0,00\%)}} (Sangat Konsisten).
- Semua Kondisi: CR = 0,0202 / 0,90 = \mathbf{0,0225 \text{ (2,25\%)}} (Valid).

1.4 Hasil Wawancara Kualitatif Pakar (Data Primer)

(Bagian ini memuat tabel deskripsi hasil wawancara kualitatif pakar yang disajikan pada Tabel 4.X).

1.5 Ringkasan Pembobotan & Justifikasi Penyelarasan Bobot (Rounding) di Sistem

(Bagian ini memuat tabel ringkasan perbandingan bobot AHP Terhitung vs Bobot Sistem yang dimuat pada Tabel 4.11).

BAGIAN 2: LANGKAH-LANGKAH METODE TOPSIS SECARA DETAIL (TANPA PERHITUNGAN)

2.1 Tahap Pre-TOPSIS: Homogenisasi & Penyekalaan Skor Kriteria

1. Landasan Teori & Penjelasan

Sebelum menerapkan algoritma TOPSIS, data mentah spesifikasi kamera ditransformasikan terlebih dahulu ke rentang skor homogen (skala 0 s.d. 1). Standardisasi ini bertujuan menyamakan sebaran nilai agar kriteria yang memiliki rentang nominal angka besar tidak mendominasi perhitungan jarak geometris, sehingga masing-masing kriteria dinilai secara proporsional sesuai perannya (Hutagaol dkk., 2025; Sari dkk., 2025).

2. Rumus Matematis & Penjelasan Variabel

Price Score (C_1 - Cost):
```
\text{PriceScore}_i = \frac{\text{Price}_{\max} - \text{Price}_i}{\text{Price}_{\max} - \text{Price}_{\min}} \times 1
```
- \text{Price}_i = Tarif sewa harian mentah untuk alternatif kamera ke-i.
- \text{Price}_{\min} = Tarif sewa harian terendah dalam dataset.
- \text{Price}_{\max} = Tarif sewa harian tertinggi dalam dataset.
ISO Score (C_2 - Benefit):
```
\text{ISOScore}_i = \frac{\text{ISO}_i}{\text{ISO}_{\max}} \times 1
```
- \text{ISO}_i = Batas maksimal ISO untuk alternatif kamera ke-i.
- \text{ISO}_{\max} = Batas maksimal ISO tertinggi dalam dataset.
AF Score (C_3 - Benefit):
```
\text{AFScore}_i = \frac{\text{AFPoint}_i}{\text{AFPoint}_{\max}} \times 1
```
- \text{AFPoint}_i = Jumlah titik fokus otomatis (AF Point) alternatif kamera ke-i.
- \text{AFPoint}_{\max} = Jumlah titik fokus otomatis terbanyak dalam dataset.
Sensor Score (C_4 - Benefit):
Ditetapkan secara ordinal berdasarkan hirarki luas penampang sensor (Full Frame = 1,00, APS-C = 0,70, 1-Inch = 0,50).

2.2 Langkah 1: Normalisasi Matriks Keputusan ($R$)

1. Landasan Teori & Penjelasan

Normalisasi matriks bertujuan untuk mengubah elemen skor kriteria ($C_{ij}$) dari matriks keputusan awal menjadi matriks normalisasi R yang tidak bersatuan dengan rentang nilai 0 s.d. 1. Metode normalisasi yang digunakan adalah normalisasi Euclidean (vector normalization) (Hutagaol dkk., 2025).

2. Rumus Matematis & Penjelasan Variabel

r_{ij} = \frac{C_{ij}}{\sqrt{\sum_{i=1}^{m} C_{ij}^2}}

r_{ij} = Elemen matriks keputusan ternormalisasi baris ke-i kolom ke-j.
C_{ij} = Skor nilai kriteria untuk alternatif ke-i pada kriteria ke-j.
m = Jumlah total alternatif keputusan.
\sqrt{\sum_{i=1}^{m} C_{ij}^2} = Nilai pembagi Euclidean (vector normalizer) untuk kolom kriteria ke-j.

2.3 Langkah 2: Pembentukan Matriks Ternormalisasi Terbobot ($Y$)

1. Landasan Teori & Penjelasan

Matriks normalisasi R dikalikan dengan vektor bobot prioritas kriteria ($w_j$) untuk menghasilkan matriks ternormalisasi terbobot Y. Tahap ini mencerminkan pengaruh tingkat kepentingan relatif kriteria terhadap performa masing-masing alternatif keputusan (Ramiana dkk., 2026).

2. Rumus Matematis & Penjelasan Variabel

y_{ij} = w_j \cdot r_{ij}

y_{ij} = Elemen matriks keputusan ternormalisasi terbobot baris ke-i kolom ke-j.
w_j = Nilai bobot kepentingan kriteria ke-j hasil komputasi AHP.
r_{ij} = Elemen matriks keputusan ternormalisasi.

2.4 Langkah 3: Penentuan Solusi Ideal Positif ($A^+$) dan Solusi Ideal Negatif ($A^-$)

1. Landasan Teori & Penjelasan

Solusi ideal memetakan alternatif hipotesis terbaik dan terburuk yang digunakan sebagai titik acuan keputusan.

Solusi Ideal Positif ($A^+$): Terdiri dari performa terbaik kriteria (nilai maksimum untuk kriteria benefit, dan nilai minimum untuk kriteria cost) (Alfiana & Setiadi, 2023).
Solusi Ideal Negatif ($A^-$): Terdiri dari performa terburuk kriteria (nilai minimum untuk kriteria benefit, dan nilai maksimum untuk kriteria cost).

2. Rumus Matematis & Penjelasan Variabel

Solusi Ideal Positif ($A^+$):

A^+ = (y_1^+,\ y_2^+,\ \dots,\ y_n^+)

y_j^+ = \begin{cases} 
\max_{i} y_{ij}, & \text{jika } j \text{ adalah kriteria benefit } (j \in J^+) \\ 
\min_{i} y_{ij}, & \text{jika } j \text{ adalah kriteria cost } (j \in J^-) 
\end{cases}$$

Solusi Ideal Negatif ($A^-$):

A^- = (y_1^-,\ y_2^-,\ \dots,\ y_n^-)

y_j^- = \begin{cases} 
\min_{i} y_{ij}, & \text{jika } j \text{ adalah kriteria benefit } (j \in J^+) \\ 
\max_{i} y_{ij}, & \text{jika } j \text{ adalah kriteria cost } (j \in J^-) 
\end{cases}$$
*   $y_j^+$ / $y_j^-$ = Elemen solusi ideal positif / negatif untuk kolom kriteria ke-$j$.
*   $J^+$ / $J^-$ = Himpunan kriteria keuntungan (*benefit*) / biaya (*cost*).

2.5 Langkah 4: Perhitungan Jarak Alternatif ke Solusi Ideal (`D_i^+` dan $D_i^-$)

1. Landasan Teori & Penjelasan

Untuk mengevaluasi kedekatan fisik alternatif terhadap solusi acuan, dihitung jarak geometris menggunakan konsep Euclidean Distance (Jarak Euclidean). Jarak ini mewakili seberapa jauh performa suatu kamera terhadap alternatif terbaik hipotesis dan seberapa jauh posisinya dari alternatif terburuk hipotesis (Sari dkk., 2025).

2. Rumus Matematis & Penjelasan Variabel

Jarak ke Ideal Positif ($D_i^+$):

D_i^+ = \sqrt{\sum_{j=1}^{n} (y_{ij} - y_j^+)^2}

Jarak ke Ideal Negatif ($D_i^-$):
```
D_i^- = \sqrt{\sum_{j=1}^{n} (y_{ij} - y_j^-)^2}
```
- D_i^+ / D_i^- = Jarak Euclidean alternatif ke-i terhadap Solusi Ideal Positif / Negatif.
- y_{ij} = Elemen matriks terbobot alternatif ke-i kriteria ke-j.
- y_j^+ / y_j^- = Nilai solusi ideal positif / negatif pada kriteria ke-j.
- n = Jumlah kriteria keputusan.

2.6 Langkah 5: Perhitungan Nilai Preferensi ($V_i$) dan Perangkingan

1. Landasan Teori & Penjelasan

Tahap akhir adalah mengukur koefisien kedekatan relatif atau nilai preferensi ($V_i$). Nilai preferensi berkisar antara 0 s.d. 1. Kamera yang memiliki nilai V_i mendekati 1 diposisikan sebagai alternatif terbaik karena secara geometris berada sangat dekat dengan solusi ideal positif dan sangat jauh dari solusi ideal negatif. Alternatif diurutkan secara menurun (descending) berdasarkan preferensi terbesar untuk memperoleh urutan ranking rekomendasi (Ramiana dkk., 2026).

2. Rumus Matematis & Penjelasan Variabel

V_i = \frac{D_i^-}{D_i^+ + D_i^-}

V_i = Nilai preferensi akhir untuk alternatif ke-i ($0 \le V_i \le 1$).
D_i^+ = Jarak alternatif ke-i terhadap Solusi Ideal Positif.
D_i^- = Jarak alternatif ke-i terhadap Solusi Ideal Negatif.

BAGIAN 3: DAFTAR PUSTAKA JURNAL PENDUKUNG (APA 7th Edition & Downloadable)

(Berikut adalah referensi jurnal ilmiah asli berformat APA terbitan minimal 2021 yang aktif, valid, dan dapat diunduh naskah PDF-nya).

Alfiana, D. N., & Setiadi, A. (2023). Sistem Pendukung Keputusan Untuk Pemilihan Lokasi Tanah Strategis di Kota Mataram Menggunakan Metode AHP–TOPSIS. Jurnal Repositor, 5(1), 591–602.
Tautan Unduh PDF: https://repositor.umm.ac.id/index.php/repositor/article/view/25925
Hutagaol, N. H. I., Hutapea, N., Pasaribu, M., Pakpahan, A., & Silalahi, F. T. R. (2025). Penerapan Metode AHP-TOPSIS sebagai Sistem Pendukung Keputusan untuk Pemilihan Laptop Bagi Mahasiswa Program Studi Manajemen Rekayasa. Jurnal PASTI (Penelitian dan Aplikasi Sistem dan Teknik Industri), 19(2), 268–282.
Tautan Unduh PDF: https://publikasi.mercubuana.ac.id/index.php/pasti/article/view/24700 (DOI: https://doi.org/10.22441/2441/pasti.2025.v19i2.010)
Ramiana, I. K., Sukajaya, I. N., & Budayana, I. N. (2026). Implementasi Metode AHP–Topsis Dalam Sistem Pendukung Keputusan Penentuan Glamping Terbaik Di Kintamani. CITIZEN: Jurnal Ilmiah Multidisiplin Indonesia, 6(2), 530–536.
Tautan Unduh PDF: https://das-institute.com/journal/index.php/citizen-al-manar/article/view/987
Sari, N. D. P., Ibrahim, A., & Fathoni. (2025). Sistem Pendukung Keputusan Pemilihan Karyawan Terbaik Menggunakan Metode AHP dan TOPSIS. Jurnal Sistem Komputer dan Informatika (JSON), 7(2), 691–702.
Tautan Unduh PDF: https://ejurnal.seminar-id.com/index.php/json/article/view/9359 (DOI: https://doi.org/10.30865/json.v7i2.9359)

21 KiB Raw Permalink Blame History Unescape Escape

PANDUAN REVISI LANDASAN TEORI DAN FORMULASI METODE AHP & TOPSIS (SINKRONISASI BAB III & BAB IV)

BAGIAN 1: LANDASAN TEORI DAN PERHITUNGAN DETAIL METODE AHP (LENGKAP DENGAN PERHITUNGAN SKRIPSI)

1.1 Teori Dasar AHP & Struktur Hierarki Keputusan

1.2 Skala Perbandingan Berpasangan Saaty

1.3 Langkah Perhitungan AHP & Pembuktian Numerik 5 Skenario Skripsi

Langkah 1: Penyusunan Matriks Perbandingan Berpasangan ($A$)

Langkah 2: Normalisasi Matriks Kolom & Perolehan Vektor Bobot ($W$)

Langkah 3: Uji Konsistensi Logis

3.a. Menghitung Vektor Jumlah Terbobot ($A \cdot W$)

3.b. Menghitung Estimasi Nilai Eigen Kriteria ($\lambda_i$)

3.c. Menghitung Nilai Eigen Maksimum ($\lambda_{\max}$)

3.d. Menghitung Indeks Konsistensi ($CI$)

3.e. Menghitung Rasio Konsistensi ($CR$)

1.4 Hasil Wawancara Kualitatif Pakar (Data Primer)

1.5 Ringkasan Pembobotan & Justifikasi Penyelarasan Bobot (Rounding) di Sistem

BAGIAN 2: LANGKAH-LANGKAH METODE TOPSIS SECARA DETAIL (TANPA PERHITUNGAN)

2.1 Tahap Pre-TOPSIS: Homogenisasi & Penyekalaan Skor Kriteria

1. Landasan Teori & Penjelasan

2. Rumus Matematis & Penjelasan Variabel

2.2 Langkah 1: Normalisasi Matriks Keputusan ($R$)

1. Landasan Teori & Penjelasan

2. Rumus Matematis & Penjelasan Variabel

2.3 Langkah 2: Pembentukan Matriks Ternormalisasi Terbobot ($Y$)

1. Landasan Teori & Penjelasan

2. Rumus Matematis & Penjelasan Variabel

2.4 Langkah 3: Penentuan Solusi Ideal Positif ($A^+$) dan Solusi Ideal Negatif ($A^-$)

1. Landasan Teori & Penjelasan

2. Rumus Matematis & Penjelasan Variabel

2.5 Langkah 4: Perhitungan Jarak Alternatif ke Solusi Ideal (D_i^+ dan $D_i^-$)

1. Landasan Teori & Penjelasan

2. Rumus Matematis & Penjelasan Variabel

2.6 Langkah 5: Perhitungan Nilai Preferensi ($V_i$) dan Perangkingan

1. Landasan Teori & Penjelasan

2. Rumus Matematis & Penjelasan Variabel

BAGIAN 3: DAFTAR PUSTAKA JURNAL PENDUKUNG (APA 7th Edition & Downloadable)

21 KiB

Raw Permalink Blame History

2.5 Langkah 4: Perhitungan Jarak Alternatif ke Solusi Ideal (`D_i^+` dan $D_i^-$)