6.5 KiB

Raw Permalink Blame History

PANDUAN PENEMPATAN DAN DRAF DOKUMEN REVISI SKRIPSI

BAGIAN 1: REKOMENDASI PENEMPATAN PADA LAPORAN SKRIPSI

Draf narasi penjelasan asal-usul angka di bawah ini sebaiknya diletakkan di BAB III (Metode Kegiatan / Metode Penelitian), tepatnya pada:

Sub-bab: 3.5.2 Requirement (Analisis Kebutuhan).
Posisi Paste: Tepat sebelum pemaparan kelima skenario perhitungan AHP (sebelum tulisan "1. Kondisi Penggunaan: Outdoor – Day (Siang)" pada halaman 81).
Tujuan: Paragraf ini berfungsi sebagai pengantar metodologi pembobotan agar dosen penguji memahami landasan pengisian matriks perbandingan berpasangan ($A$) dan pembentukan vektor bobot ($W$) sebelum melihat angka hasil perhitungan.

BAGIAN 2: DRAF NARASI UNTUK DI-COPY KE SKRIPSI

(Silakan salin seluruh teks di bawah ini ke laporan skripsi Anda).

3.5.2.X Asal-Usul Penentuan Nilai Matriks Perbandingan Berpasangan (A) dan Vektor Bobot (W)

Sebelum memaparkan hasil perhitungan bobot untuk kelima skenario penggunaan kamera, sub-bab ini menjelaskan secara metodologis asal-usul perolehan nilai numerik pada Matriks Perbandingan Berpasangan ($A$) dan Matriks Normalisasi Kolom beserta Vektor Bobot ($W$). Penyelarasan ini penting untuk menjamin transparansi data komputasi yang diimplementasikan pada sistem pendukung keputusan.

1. Asal-Usul Nilai Matriks Perbandingan Berpasangan (A)

Nilai numerik pada Matriks Perbandingan Berpasangan ($A$) untuk setiap skenario tidak ditentukan secara acak, melainkan diturunkan dari dua instrumen utama:

Data Primer Hasil Wawancara Pakar: Data diperoleh dari wawancara terstruktur dengan pemilik (owner) Jember Kamera Mangli (transkrip kualitatif termuat pada Tabel 4.X). Pernyataan pakar mengenai kriteria mana yang lebih penting pada kondisi tertentu menjadi acuan dasar perbandingan.
Skala Perbandingan Berpasangan Saaty: Keterangan kualitatif dari pakar dikonversikan menjadi nilai kuantitatif menggunakan skala kepentingan Saaty (rentang 1 sampai 9).

Sebagai ilustrasi, pada skenario Outdoor – Day (Siang) di halaman 81, pakar menilai kriteria Price ($C_1$) dan kriteria Sensor ($C_4$) sama penting ($1$). Kedua kriteria tersebut dinilai sedikit lebih penting ($3$) dibandingkan kriteria ISO ($C_2$). Adapun kriteria AF ($C_3$) dinilai memiliki kepentingan yang setara ($1$) terhadap Price ($C_1$) dan Sensor ($C_4$). Berdasarkan penilaian ini, baris kriteria Price ($C_1$) disusun sebagai berikut:

Price vs Price ($a_{11}$) = 1,0000 (kriteria dibandingkan dengan dirinya sendiri).
Price vs ISO ($a_{12}$) = 3,0000 (Price sedikit lebih penting dibanding ISO).
Price vs AF ($a_{13}$) = 1,0000 (Price sama pentingnya dengan AF).
Price vs Sensor ($a_{14}$) = 1,0000 (Price sama pentingnya dengan Sensor).

Sehingga terbentuk baris pertama matriks: [1,0000;\ 3,0000;\ 1,0000;\ 1,0000]. Nilai pada baris di bawah diagonal utama diisi menggunakan asas resiprokal Saaty, yaitu a_{ji} = \frac{1}{a_{ij}}. Contohnya, karena Price vs ISO ($a_{12}$) bernilai 3,0000, maka nilai ISO vs Price ($a_{21}$) adalah kebalikannya:

a_{21} = \frac{1}{a_{12}} = \frac{1}{3} \approx 0,3333

Mekanisme penskalaan konseptual ini diterapkan secara analog untuk menyusun seluruh matriks perbandingan berpasangan ($A$) pada kelima skenario penggunaan.

2. Metode Komputasi Vektor Bobot (W) melalui Normalisasi Kolom

Vektor bobot kriteria ($W$) yang berisi nilai bobot prioritas relatif ($w_1, w_2, w_3, w_4$) didapatkan melalui metode perhitungan Column-Normalization (Normalisasi Kolom) dengan 3 tahapan matematis sebagai berikut:

Tahap A: Menghitung Akumulasi Jumlah Kolom

Seluruh nilai elemen pada setiap kolom j dijumlahkan secara vertikal menggunakan rumus:

\text{Kolom Sum}_j = \sum_{i=1}^{n} a_{ij}

Contoh pada Skenario 1 Kolom 1 (Price):

\text{Kolom Sum}_1 = a_{11} + a_{21} + a_{31} + a_{41} = 1,0000 + 0,3333 + 1,0000 + 1,0000 = \mathbf{3,3333}

Contoh pada Skenario 1 Kolom 2 (ISO):

\text{Kolom Sum}_2 = a_{12} + a_{22} + a_{32} + a_{42} = 3,0000 + 1,0000 + 1,0000 + 3,0000 = \mathbf{8,0000}

Tahap B: Pembentukan Matriks Normalisasi Kolom ($R_{\text{norm}}$)

Setiap nilai elemen pada matriks A dibagi dengan hasil penjumlahan kolomnya masing-masing menggunakan persamaan:

r_{ij}^{\text{norm}} = \frac{a_{ij}}{\text{Kolom Sum}_j}

Contoh Elemen Baris 1 Kolom 1 ($r_{11}^{\text{norm}}$):

r_{11}^{\text{norm}} = \frac{a_{11}}{\text{Kolom Sum}_1} = \frac{1,0000}{3,3333} \approx \mathbf{0,3000}

Contoh Elemen Baris 1 Kolom 2 ($r_{12}^{\text{norm}}$):

r_{12}^{\text{norm}} = \frac{a_{12}}{\text{Kolom Sum}_2} = \frac{3,0000}{8,0000} = \mathbf{0,3750}

Melalui pembagian ini untuk seluruh elemen, diperoleh matriks ternormalisasi kolom R_{\text{norm}}:

R_{\text{norm}} = \begin{bmatrix}
0,3000 & 0,3750 & 0,2500 & 0,3000 \\
0,1000 & 0,1250 & 0,2500 & 0,1000 \\
0,3000 & 0,1250 & 0,2500 & 0,3000 \\
0,3000 & 0,3750 & 0,2500 & 0,3000 
\end{bmatrix}$$

##### **Tahap C: Perhitungan Nilai Rata-rata Baris untuk Vektor Bobot ($W$)**
Nilai elemen matriks $R_{\text{norm}}$ pada setiap baris dijumlahkan, kemudian dibagi dengan total kuantitas kriteria ($n = 4$) untuk memperoleh rata-rata baris yang merepresentasikan vektor bobot kriteria ($W$):
$$w_i = \frac{1}{n} \sum_{j=1}^{n} r_{ij}^{\text{norm}}$$
*   **Perolehan Bobot Price ($w_1$):**
    $$w_1 = \frac{r_{11}^{\text{norm}} + r_{12}^{\text{norm}} + r_{13}^{\text{norm}} + r_{14}^{\text{norm}}}{4} = \frac{0,3000 + 0,3750 + 0,2500 + 0,3000}{4} = \frac{1,2250}{4} = \mathbf{0,3063}$$
*   **Perolehan Bobot ISO ($w_2$):**
    $$w_2 = \frac{r_{21}^{\text{norm}} + r_{22}^{\text{norm}} + r_{23}^{\text{norm}} + r_{24}^{\text{norm}}}{4} = \frac{0,1000 + 0,1250 + 0,2500 + 0,1000}{4} = \frac{0,5750}{4} = \mathbf{0,1438}$$
*   **Perolehan Bobot AF ($w_3$):**
    $$w_3 = \frac{r_{31}^{\text{norm}} + r_{32}^{\text{norm}} + r_{33}^{\text{norm}} + r_{34}^{\text{norm}}}{4} = \frac{0,3000 + 0,1250 + 0,2500 + 0,3000}{4} = \frac{0,9750}{4} = \mathbf{0,2438}$$
*   **Perolehan Bobot Sensor ($w_4$):**
    $$w_4 = \frac{r_{41}^{\text{norm}} + r_{42}^{\text{norm}} + r_{43}^{\text{norm}} + r_{44}^{\text{norm}}}{4} = \frac{0,3000 + 0,3750 + 0,2500 + 0,3000}{4} = \frac{1,2250}{4} = \mathbf{0,3063}$$

Maka, diperoleh Vektor Bobot kepentingan kriteria Outdoor Day sebesar:
$$W = [0,3063;\ 0,1438;\ 0,2438;\ 0,3063]^T$$

Mekanisme perhitungan normalisasi kolom ini diterapkan secara berulang dan konsisten untuk menemukan nilai vektor bobot ($W$) pada skenario-skenario lainnya yang disajikan pada halaman 84 s.d. 91.

6.5 KiB Raw Permalink Blame History Unescape Escape