359 lines
26 KiB
Markdown
359 lines
26 KiB
Markdown
# REVISI LAPORAN SKRIPSI (HALAMAN 75 DAN 76)
|
|
### PANDUAN COPY-PASTE REVISI DOSEN: RUMUS & PERHITUNGAN DETAIL PERINGKAT OUTDOOR DAY SEBELUM TABEL/GAMBAR
|
|
|
|
> **PANDUAN UNTUK MAHASISWA:**
|
|
> 1. Dokumen ini disusun menggunakan **Bahasa Indonesia Baku** standar karya ilmiah/skripsi nasional.
|
|
> 2. Anda dapat langsung menyalin (copy-paste) bagian di bawah ini ke dalam draf Microsoft Word Laporan Skripsi Anda.
|
|
> 3. **Tips Menyalin Rumus ke MS Word:** Untuk rumus matematika (LaTeX), Anda dapat menekan tombol pintas `Alt` + `=` di Word untuk membuka Equation Editor, lalu salin sintaks LaTeX di bawah ini dan tekan `Enter` untuk mengubahnya secara otomatis.
|
|
|
|
---
|
|
|
|
### REVISI HALAMAN 75-76 (Skenario Perhitungan dan Ranking Outdoor Day)
|
|
|
|
#### 4.1.1.c Proses Perhitungan dan Perangkingan TOPSIS Skenario Outdoor - Day (Siang Hari)
|
|
|
|
Pada tahap ini dilakukan proses perhitungan inti metode TOPSIS untuk skenario **Outdoor - Day (Siang)**. Perhitungan ini bertujuan untuk membuktikan secara transparan bagaimana alternatif kamera diurutkan, khususnya untuk tiga hasil teratas (Top 3) yaitu **Sony A6400**, **Sony A6300**, dan **Fujifilm XT20**.
|
|
|
|
Skenario Outdoor Day menggunakan vektor bobot $W = [0,30;\ 0,15;\ 0,25;\ 0,30]$ dengan jenis kriteria $[cost, benefit, benefit, benefit]$ untuk masing-masing kriteria Price Score ($C_1$), ISO Score ($C_2$), AF Score ($C_3$), dan Sensor Score ($C_4$).
|
|
|
|
Langkah-langkah kalkulasi detailnya dijabarkan sebagai berikut:
|
|
|
|
##### 1. Penghitungan Penyebut Kolom (Euclidean Divider / Denominator Normalisasi)
|
|
|
|
Normalisasi matriks keputusan $X$ menjadi matriks normalisasi $r$ bertujuan untuk menyamakan skala parameter yang berbeda. Langkah ini membutuhkan nilai pembagi Euclidean atau **Euclidean Divider** untuk masing-masing kriteria. Pembagi ini dihitung dengan mengakumulasikan kuadrat skor kriteria dari **seluruh 19 alternatif kamera** yang terdaftar di **Tabel 4.9 (Matriks Skor Kriteria Keputusan TOPSIS)** pada halaman 68-69. Rumus matematis yang digunakan adalah:
|
|
|
|
$$\text{Divider}_j = \sqrt{\sum_{i=1}^{m} C_{ij}^2}$$
|
|
|
|
Keterangan:
|
|
* $C_{ij}$ adalah skor kriteria kamera ke-$i$ pada kriteria ke-$j$ yang diambil langsung dari baris-baris **Tabel 4.9**.
|
|
* $m = 19$ (total jumlah kamera alternatif yang dianalisis dalam sistem).
|
|
|
|
Berikut adalah detail substitusi nilai skor kriteria dari ke-19 kamera ke dalam rumus perhitungan pembagi Euclidean untuk masing-masing kriteria:
|
|
|
|
* **Penyebut Kriteria Price Score ($C_1$):**
|
|
Nilai diambil dari kolom Price Score pada Tabel 4.9 (urutan kamera 1 s.d. 19):
|
|
$$\text{Divider}_1 = \sqrt{8,44^2 + 7,81^2 + 7,19^2 + 6,56^2 + 5,31^2 + 3,75^2 + 8,44^2 + 1,88^2 + 7,81^2 + 8,75^2 + 4,38^2 + 10,00^2 + 7,19^2 + 10,00^2 + 4,69^2 + 8,44^2 + 3,12^2 + 8,75^2 + 0,00^2}$$
|
|
$$\text{Divider}_1 = \sqrt{71,2336 + 60,9961 + 51,6961 + 43,0336 + 28,1961 + 14,0625 + 71,2336 + 3,5344 + 60,9961 + 76,5625 + 19,1844 + 100,00 + 51,6961 + 100,00 + 21,9961 + 71,2336 + 9,7344 + 76,5625 + 0,00}$$
|
|
$$\text{Divider}_1 = \sqrt{931,8548} = 30,5260$$
|
|
|
|
* **Penyebut Kriteria ISO Score ($C_2$):**
|
|
Nilai diambil dari kolom ISO Score pada Tabel 4.9 (urutan kamera 1 s.d. 19):
|
|
$$\text{Divider}_2 = \sqrt{2,50^2 + 2,50^2 + 2,50^2 + 2,50^2 + 5,00^2 + 5,00^2 + 2,50^2 + 5,00^2 + 2,50^2 + 1,25^2 + 5,00^2 + 1,25^2 + 1,25^2 + 1,25^2 + 2,50^2 + 1,25^2 + 10,00^2 + 1,25^2 + 10,00^2}$$
|
|
$$\text{Divider}_2 = \sqrt{6,25 + 6,25 + 6,25 + 6,25 + 25,00 + 25,00 + 6,25 + 25,00 + 6,25 + 1,5625 + 25,00 + 1,5625 + 1,5625 + 1,5625 + 6,25 + 1,5625 + 100,00 + 1,5625 + 100,00}$$
|
|
$$\text{Divider}_2 = \sqrt{353,1250} = 18,7916$$
|
|
|
|
* **Penyebut Kriteria AF Score ($C_3$):**
|
|
Nilai diambil dari kolom AF Score pada Tabel 4.9 (urutan kamera 1 s.d. 19):
|
|
$$\text{Divider}_3 = \sqrt{1,15^2 + 0,59^2 + 1,15^2 + 4,21^2 + 3,36^2 + 10,00^2 + 1,81^2 + 10,00^2 + 1,81^2 + 4,02^2 + 7,65^2 + 0,21^2 + 0,21^2 + 0,21^2 + 1,06^2 + 0,21^2 + 1,44^2 + 0,21^2 + 1,44^2}$$
|
|
$$\text{Divider}_3 = \sqrt{1,3225 + 0,3481 + 1,3225 + 17,7241 + 11,2896 + 100,00 + 3,2761 + 100,00 + 3,2761 + 16,1604 + 58,5225 + 0,0441 + 0,0441 + 0,0441 + 1,1236 + 0,0441 + 2,0736 + 0,0441 + 2,0736}$$
|
|
$$\text{Divider}_3 = \sqrt{318,7612} = 17,8539$$
|
|
|
|
* **Penyebut Kriteria Sensor Score ($C_4$):**
|
|
Nilai diambil dari kolom Sensor Score pada Tabel 4.9 (urutan kamera 1 s.d. 19):
|
|
$$\text{Divider}_4 = \sqrt{7,00^2 + 7,00^2 + 7,00^2 + 7,00^2 + 7,00^2 + 7,00^2 + 7,00^2 + 7,00^2 + 7,00^2 + 5,00^2 + 7,00^2 + 7,00^2 + 7,00^2 + 7,00^2 + 7,00^2 + 7,00^2 + 10,00^2 + 7,00^2 + 10,00^2}$$
|
|
$$\text{Divider}_4 = \sqrt{49 + 49 + 49 + 49 + 49 + 49 + 49 + 49 + 49 + 25 + 49 + 49 + 49 + 49 + 49 + 49 + 100 + 49 + 100}$$
|
|
$$\text{Divider}_4 = \sqrt{1009,00} = 31,7648$$
|
|
|
|
---
|
|
|
|
##### 2. Pembentukan Matriks Ternormalisasi Terbobot ($Y$) dan Penentuan Solusi Ideal ($A^+ / A^-$)
|
|
|
|
Sebelum menentukan Solusi Ideal Positif ($A^+$) dan Solusi Ideal Negatif ($A^-$), matriks keputusan ternormalisasi $R$ harus dikalikan terlebih dahulu dengan bobot kriteria masing-masing. Karena perhitungan ini berada pada skenario **Outdoor - Day (Siang)**, maka digunakan vektor bobot $W$ khusus untuk skenario tersebut.
|
|
|
|
Vektor bobot $W$ ini diambil langsung dari **Tabel 4.8 Kriteria dan Bobot Dinamis** pada Halaman 65:
|
|
$$W = [w_1;\ w_2;\ w_3;\ w_4] = [0,30;\ 0,15;\ 0,25;\ 0,30]$$
|
|
|
|
Keterangan Vektor Bobot $W$:
|
|
* $w_1 = 0,30$ adalah bobot kepentingan untuk kriteria Price Score ($C_1$).
|
|
* $w_2 = 0,15$ adalah bobot kepentingan untuk kriteria ISO Score ($C_2$).
|
|
* $w_3 = 0,25$ adalah bobot kepentingan untuk kriteria AF Score ($C_3$).
|
|
* $w_4 = 0,30$ adalah bobot kepentingan untuk kriteria Sensor Score ($C_4$).
|
|
|
|
Perkalian ini menghasilkan **Matriks Ternormalisasi Terbobot ($Y$)** yang dinotasikan dengan $Y = [y_{ij}]_{m \times n}$. Rumus matematis untuk menentukan setiap elemen nilai di dalam matriks terbobot $y_{ij}$ adalah sebagai berikut:
|
|
|
|
$$y_{ij} = w_j \cdot r_{ij} = w_j \cdot \frac{C_{ij}}{\text{Divider}_j}$$
|
|
|
|
Penjelasan Komponen Rumus:
|
|
* $y_{ij}$ adalah **elemen matriks terbobot** pada baris ke-$i$ (alternatif kamera) dan kolom ke-$j$ (kriteria). Nilai inilah yang dicari dan akan dimasukkan ke dalam **Tabel Pembantu 4.1**.
|
|
* $w_j$ adalah **bobot kriteria ke-$j$** (diambil dari vektor bobot $W$ di atas).
|
|
* $r_{ij}$ adalah **nilai matriks keputusan ternormalisasi** untuk alternatif kamera ke-$i$ dan kriteria ke-$j$. Nilai ini menunjukkan kontribusi relatif alternatif terhadap seluruh kriteria sebelum dikalikan bobot.
|
|
* $\frac{C_{ij}}{\text{Divider}_j}$ adalah **rumus normalisasi Euclidean ($r_{ij}$)** yang disubstitusikan langsung ke dalam persamaan, di mana:
|
|
* $C_{ij}$ adalah nilai skor kriteria kamera ke-$i$ dan kriteria ke-$j$ yang bersumber dari **Tabel 4.9** (Halaman 68-69).
|
|
* $\text{Divider}_j$ adalah penyebut atau pembagi Euclidean untuk kriteria ke-$j$ yang telah dihitung pada langkah sebelumnya (Price = $30,5260$; ISO = $18,7916$; AF = $17,8539$; Sensor = $31,7648$).
|
|
|
|
###### Contoh Perhitungan Elemen Matriks $y_{11}$ (Canon M10 pada Kolom Price)
|
|
Sebagai ilustrasi konkret penerapan rumus di atas untuk baris pertama kolom pertama:
|
|
* Dipilih indeks $i = 1$ (kamera alternatif ke-1 di dataset, yaitu **Canon M10**).
|
|
* Dipilih indeks $j = 1$ (kriteria ke-1, yaitu **Price Score**).
|
|
* Berdasarkan penunjukan indeks tersebut, elemen yang dicari adalah $y_{11}$. Rumus substitusinya adalah:
|
|
|
|
$$y_{11} = w_1 \cdot \frac{C_{11}}{\text{Divider}_1}$$
|
|
|
|
Di mana nilai parameter yang dimasukkan adalah:
|
|
* $w_1 = 0,30$ (bobot Price Score untuk skenario Outdoor Day).
|
|
* $C_{11} = 8,44$ (skor Price untuk Canon M10 yang diambil dari baris 1 kolom Price pada **Tabel 4.9**).
|
|
* $\text{Divider}_1 = 30,5260$ (pembagi Euclidean Price Score).
|
|
|
|
Substitusi angka ke dalam rumus:
|
|
$$y_{11} = 0,30 \times \frac{8,44}{30,5260} = 0,30 \times 0,276486 = 0,082921$$
|
|
|
|
* Angka $0,276486$ merupakan hasil pembagian $r_{11} = \frac{8,44}{30,5260}$ (nilai normalisasi Canon M10 pada kriteria Price).
|
|
* Hasil akhir $0,082921$ merupakan nilai terbobot $y_{11}$ yang dimasukkan ke baris 1 kolom Price pada **Tabel Pembantu 4.1** di bawah ini. Hal yang sama dilakukan pada baris $i$ (1 s.d. 19) dan kolom $j$ (1 s.d. 4) lainnya.
|
|
|
|
Berdasarkan perhitungan di atas pada seluruh 19 alternatif kamera, diperoleh **Tabel Pembantu 4.1** yang menyajikan visualisasi data Matriks Ternormalisasi Terbobot $Y$ secara lengkap:
|
|
|
|
**Tabel Pembantu 4.1 Matriks Ternormalisasi Terbobot ($Y$) Skenario Outdoor Day**
|
|
|
|
| No | Nama Kamera | Kriteria $y_1$ (Price - Cost) | Kriteria $y_2$ (ISO - Benefit) | Kriteria $y_3$ (AF - Benefit) | Kriteria $y_4$ (Sensor - Benefit) |
|
|
| :---: | :--- | :---: | :---: | :---: | :---: |
|
|
| 1 | Canon M10 | 0,082921 | 0,019956 | 0,016144 | 0,066111 |
|
|
| 2 | Sony A5000 | 0,076779 | 0,019956 | 0,008237 | 0,066111 |
|
|
| 3 | Canon M3 | 0,070637 | 0,019956 | 0,016144 | 0,066111 |
|
|
| 4 | Sony A6000 | 0,064494 | 0,019956 | 0,058975 | 0,066111 |
|
|
| 5 | Canon M50 | 0,052210 | 0,039911 | 0,047114 | 0,066111 |
|
|
| **6** | **Sony A6300** | **0,036854** | **0,039911** | **0,140025** | **0,066111** |
|
|
| 7 | Fujifilm XA3 | 0,082921 | 0,019956 | 0,025369 | 0,066111 |
|
|
| **8** | **Sony A6400** | **0,018427** | **0,039911** | **0,140025** | **0,066111** |
|
|
| 9 | Fujifilm XA5 | 0,076779 | 0,019956 | 0,025369 | 0,066111 |
|
|
| **10** | **Nikon J5** | **0,085992** | **0,009978** | **0,056340** | **0,047222** |
|
|
| **11** | **Fujifilm XT20** | **0,042996** | **0,039911** | **0,107078** | **0,066111** |
|
|
| **12** | **Canon 500D** | **0,098277** | **0,009978** | **0,002965** | **0,066111** |
|
|
| 13 | Canon 60D | 0,070637 | 0,009978 | 0,002965 | 0,066111 |
|
|
| **14** | **Canon 1100D** | **0,098277** | **0,009978** | **0,002965** | **0,066111** |
|
|
| 15 | Canon 80D | 0,046067 | 0,019956 | 0,014826 | 0,066111 |
|
|
| 16 | Canon 600D | 0,082921 | 0,009978 | 0,002965 | 0,066111 |
|
|
| **17** | **Canon 6D** | **0,030712** | **0,079823** | **0,020098** | **0,094444** |
|
|
| 18 | Canon 550D | 0,085992 | 0,009978 | 0,002965 | 0,066111 |
|
|
| **19** | **Canon 5D Mark III** | **0,000000** | **0,079823** | **0,020098** | **0,094444** |
|
|
|
|
Berdasarkan sebaran nilai pada **Tabel Pembantu 4.1** di atas, Solusi Ideal Positif ($A^+$) dan Solusi Ideal Negatif ($A^-$) ditentukan dengan memilih nilai ekstrem (maksimum/minimum) kolom sesuai sifat kriterianya:
|
|
|
|
###### A. Penentuan Solusi Ideal Positif ($A^+$):
|
|
Solusi Ideal Positif mewakili kondisi terbaik yang ingin dicapai dari gabungan seluruh alternatif:
|
|
1. **Kriteria Price ($y_1$, Cost):** Dicari nilai **minimum** dari kolom $y_1$ karena harga sewa diharapkan serendah mungkin. Nilai minimum berada pada baris ke-19 (Canon 5D Mark III) dengan nilai **0,000000**.
|
|
2. **Kriteria ISO ($y_2$, Benefit):** Dicari nilai **maksimum** dari kolom $y_2$ karena ISO diharapkan setinggi mungkin. Nilai maksimum berada pada baris ke-17 & 19 (Canon 6D dan Canon 5D Mark III) dengan nilai **0,079823**.
|
|
3. **Kriteria AF ($y_3$, Benefit):** Dicari nilai **maksimum** dari kolom $y_3$ karena jumlah titik fokus diharapkan sebanyak mungkin. Nilai maksimum berada pada baris ke-6 & 8 (Sony A6300 dan Sony A6400) dengan nilai **0,140025**.
|
|
4. **Kriteria Sensor ($y_4$, Benefit):** Dicari nilai **maksimum** dari kolom $y_4$ karena sensor diharapkan seluas mungkin. Nilai maksimum berada pada baris ke-17 & 19 (Canon 6D dan Canon 5D Mark III) dengan nilai **0,094444**.
|
|
Maka, vektor Solusi Ideal Positif adalah:
|
|
$$A^+ = [0,000000;\ 0,079823;\ 0,140025;\ 0,094444]$$
|
|
|
|
###### B. Penentuan Solusi Ideal Negatif ($A^-$):
|
|
Solusi Ideal Negatif mewakili kondisi terburuk dari gabungan seluruh alternatif:
|
|
1. **Kriteria Price ($y_1$, Cost):** Dicari nilai **maksimum** dari kolom $y_1$ karena harga termahal adalah kondisi paling tidak diinginkan. Nilai maksimum berada pada baris ke-12 & 14 (Canon 500D dan Canon 1100D) dengan nilai **0,098277**.
|
|
2. **Kriteria ISO ($y_2$, Benefit):** Dicari nilai **minimum** dari kolom $y_2$ karena kepekaan ISO terendah adalah kondisi paling buruk. Nilai minimum berada pada baris ke-10, 12, 13, 14, 16, 18 dengan nilai **0,009978**.
|
|
3. **Kriteria AF ($y_3$, Benefit):** Dicari nilai **minimum** dari kolom $y_3$ karena titik fokus paling sedikit adalah kondisi paling buruk. Nilai minimum berada pada baris ke-12, 13, 14, 16, 18 dengan nilai **0,002965**.
|
|
4. **Kriteria Sensor ($y_4$, Benefit):** Dicari nilai **minimum** dari kolom $y_4$ karena ukuran sensor terkecil (1-inch) adalah kondisi paling tidak diinginkan. Nilai minimum berada pada baris ke-10 (Nikon J5) dengan nilai **0,047222**.
|
|
Maka, vektor Solusi Ideal Negatif adalah:
|
|
$$A^- = [0,098277;\ 0,009978;\ 0,002965;\ 0,047222]$$
|
|
|
|
Dengan demikian, asal-usul perolehan angka solusi ideal di atas terbukti secara transparan diambil dari nilai minimum/maksimum matriks ternormalisasi terbobot $Y$ yang bersumber dari dataset asli.
|
|
|
|
---
|
|
|
|
---
|
|
|
|
##### 3. Detail Perhitungan Jarak dan Nilai Preferensi Tiga Alternatif Teratas (Top 3)
|
|
|
|
Berikut dipaparkan perhitungan matematis terperinci langkah demi langkah untuk menghasilkan nilai kedekatan relatif (nilai preferensi $V$) pada masing-masing kamera peringkat teratas.
|
|
|
|
*Catatan Indeks Notasi:*
|
|
Dalam perhitungan ini, digunakan indeks baris $i$ yang diselaraskan dengan posisi kamera pada **Tabel 4.9** (Matriks Skor Kriteria Keputusan) dan **Tabel Pembantu 4.1** (Matriks Ternormalisasi Terbobot) agar alur perhitungan konsisten:
|
|
1. **Sony A6400** menempati nomor baris **$i = 8$**. Indeks normalisasi menggunakan $r_{8j}$ dan matriks terbobot menggunakan $y_{8j}$.
|
|
2. **Sony A6300** menempati nomor baris **$i = 6$**. Indeks normalisasi menggunakan $r_{6j}$ dan matriks terbobot menggunakan $y_{6j}$.
|
|
3. **Fujifilm XT20** menempati nomor baris **$i = 11$**. Indeks normalisasi menggunakan $r_{11,j}$ dan matriks terbobot menggunakan $y_{11,j}$.
|
|
|
|
---
|
|
|
|
###### A. Peringkat 1: Sony A6400 (Baris $i = 8$)
|
|
|
|
* **Skor Awal Kriteria ($C_{8j}$):**
|
|
Diambil dari baris ke-8 **Tabel 4.9**:
|
|
* Price Score ($C_{81}$) = $1,88$ (nilai eksak sebelum pembulatan = $1,8750$)
|
|
* ISO Score ($C_{82}$) = $5,00$ (nilai eksak sebelum pembulatan = $5,0000$)
|
|
* AF Score ($C_{83}$) = $10,00$ (nilai eksak sebelum pembulatan = $10,0000$)
|
|
* Sensor Score ($C_{84}$) = $7,00$ (nilai eksak sebelum pembulatan = $7,0000$)
|
|
|
|
* **Normalisasi ($r_{8j}$):**
|
|
Dihitung dengan rumus $r_{ij} = \frac{C_{ij}}{\text{Divider}_j}$, menggunakan nilai pembagi Euclidean yang telah dihitung sebelumnya (Price = $30,5260$; ISO = $18,7916$; AF = $17,8539$; Sensor = $31,7648$):
|
|
* $r_{81}$ (Normalisasi Price) = $\frac{C_{81}}{\text{Divider}_1} = \frac{1,8750}{30,5260} = 0,061423$
|
|
* $r_{82}$ (Normalisasi ISO) = $\frac{C_{82}}{\text{Divider}_2} = \frac{5,0000}{18,7916} = 0,266076$
|
|
* $r_{83}$ (Normalisasi AF) = $\frac{C_{83}}{\text{Divider}_3} = \frac{10,0000}{17,8539} = 0,560101$
|
|
* $r_{84}$ (Normalisasi Sensor) = $\frac{C_{84}}{\text{Divider}_4} = \frac{7,0000}{31,7648} = 0,220370$
|
|
Vektor normalisasi Sony A6400: $r_8 = [0,061423;\ 0,266076;\ 0,560101;\ 0,220370]$
|
|
|
|
* **Normalisasi Terbobot ($y_{8j}$):**
|
|
Dihitung dengan mengalikan nilai normalisasi $r_{8j}$ dengan bobot kriteria skenario Outdoor Day ($W = [0,30;\ 0,15;\ 0,25;\ 0,30]$) menggunakan rumus $y_{8j} = w_j \cdot r_{8j}$:
|
|
* $y_{81}$ (Terbobot Price) = $w_1 \cdot r_{81} = 0,30 \times 0,061423 = 0,018427$
|
|
* $y_{82}$ (Terbobot ISO) = $w_2 \cdot r_{82} = 0,15 \times 0,266076 = 0,039911$
|
|
* $y_{83}$ (Terbobot AF) = $w_3 \cdot r_{83} = 0,25 \times 0,560101 = 0,140025$
|
|
* $y_{84}$ (Terbobot Sensor) = $w_4 \cdot r_{84} = 0,30 \times 0,220370 = 0,066111$
|
|
Vektor terbobot Sony A6400 (lihat baris ke-8 di **Tabel Pembantu 4.1**): $y_8 = [0,018427;\ 0,039911;\ 0,140025;\ 0,066111]$
|
|
|
|
* **Jarak ke Solusi Ideal Positif ($D^+_8$):**
|
|
Dihitung berdasarkan jarak Euclidean dari vektor terbobot $y_8$ ke Solusi Ideal Positif $A^+ = [0,000000;\ 0,079823;\ 0,140025;\ 0,094444]$:
|
|
$$D^+_8 = \sqrt{(y_{81} - A^+_1)^2 + (y_{82} - A^+_2)^2 + (y_{83} - A^+_3)^2 + (y_{84} - A^+_4)^2}$$
|
|
$$D^+_8 = \sqrt{(0,018427 - 0,000000)^2 + (0,039911 - 0,079823)^2 + (0,140025 - 0,140025)^2 + (0,066111 - 0,094444)^2}$$
|
|
$$D^+_8 = \sqrt{0,018427^2 + (-0,039912)^2 + 0,000000^2 + (-0,028333)^2}$$
|
|
Substitusi hasil kuadrat perbedaan kriteria:
|
|
* $(y_{81} - A^+_1)^2 = 0,018427^2 = 0,00033955$
|
|
* $(y_{82} - A^+_2)^2 = (-0,039912)^2 = 0,00159297$
|
|
* $(y_{83} - A^+_3)^2 = 0,000000^2 = 0,00000000$
|
|
* $(y_{84} - A^+_4)^2 = (-0,028333)^2 = 0,00080276$
|
|
$$D^+_8 = \sqrt{0,00033955 + 0,00159297 + 0,00000000 + 0,00080276}$$
|
|
$$D^+_8 = \sqrt{0,00273528} = 0,052300$$
|
|
|
|
* **Jarak ke Solusi Ideal Negatif ($D^-_8$):**
|
|
Dihitung berdasarkan jarak Euclidean dari vektor terbobot $y_8$ ke Solusi Ideal Negatif $A^- = [0,098277;\ 0,009978;\ 0,002965;\ 0,047222]$:
|
|
$$D^-_8 = \sqrt{(y_{81} - A^-_1)^2 + (y_{82} - A^-_2)^2 + (y_{83} - A^-_3)^2 + (y_{84} - A^-_4)^2}$$
|
|
$$D^-_8 = \sqrt{(0,018427 - 0,098277)^2 + (0,039911 - 0,009978)^2 + (0,140025 - 0,002965)^2 + (0,066111 - 0,047222)^2}$$
|
|
$$D^-_8 = \sqrt{(-0,079850)^2 + 0,029933^2 + 0,137060^2 + 0,018889^2}$$
|
|
Substitusi hasil kuadrat perbedaan kriteria:
|
|
* $(y_{81} - A^-_1)^2 = (-0,079850)^2 = 0,00637602$
|
|
* $(y_{82} - A^-_2)^2 = 0,029933^2 = 0,00089599$
|
|
* $(y_{83} - A^-_3)^2 = 0,137060^2 = 0,01878544$
|
|
* $(y_{84} - A^-_4)^2 = 0,018889^2 = 0,00035679$
|
|
$$D^-_8 = \sqrt{0,00637602 + 0,00089599 + 0,01878544 + 0,00035679}$$
|
|
$$D^-_8 = \sqrt{0,02641424} = 0,162525$$
|
|
|
|
* **Nilai Preferensi Kedekatan Relatif ($V_8$):**
|
|
Dihitung berdasarkan rasio perbandingan jarak solusi negatif terhadap total jarak solusi:
|
|
$$V_8 = \frac{D^-_8}{D^+_8 + D^-_8}$$
|
|
$$V_8 = \frac{0,162525}{0,052300 + 0,162525} = \frac{0,162525}{0,214825} = 0,756547$$
|
|
|
|
---
|
|
|
|
###### B. Peringkat 2: Sony A6300 (Baris $i = 6$)
|
|
|
|
* **Skor Awal Kriteria ($C_{6j}$):**
|
|
Diambil dari baris ke-6 **Tabel 4.9**:
|
|
* Price Score ($C_{61}$) = $3,75$ (nilai eksak sebelum pembulatan = $3,7500$)
|
|
* ISO Score ($C_{62}$) = $5,00$ (nilai eksak sebelum pembulatan = $5,0000$)
|
|
* AF Score ($C_{63}$) = $10,00$ (nilai eksak sebelum pembulatan = $10,0000$)
|
|
* Sensor Score ($C_{64}$) = $7,00$ (nilai eksak sebelum pembulatan = $7,0000$)
|
|
|
|
* **Normalisasi ($r_{6j}$):**
|
|
Dihitung dengan rumus $r_{ij} = \frac{C_{ij}}{\text{Divider}_j}$ menggunakan pembagi Euclidean yang sama:
|
|
* $r_{61}$ (Normalisasi Price) = $\frac{C_{61}}{\text{Divider}_1} = \frac{3,7500}{30,5260} = 0,122846$
|
|
* $r_{62}$ (Normalisasi ISO) = $\frac{C_{62}}{\text{Divider}_2} = \frac{5,0000}{18,7916} = 0,266076$
|
|
* $r_{63}$ (Normalisasi AF) = $\frac{C_{63}}{\text{Divider}_3} = \frac{10,0000}{17,8539} = 0,560101$
|
|
* $r_{64}$ (Normalisasi Sensor) = $\frac{C_{64}}{\text{Divider}_4} = \frac{7,0000}{31,7648} = 0,220370$
|
|
Vektor normalisasi Sony A6300: $r_6 = [0,122846;\ 0,266076;\ 0,560101;\ 0,220370]$
|
|
|
|
* **Normalisasi Terbobot ($y_{6j}$):**
|
|
Dihitung dengan mengalikan $r_{6j}$ dengan bobot kriteria skenario Outdoor Day ($W = [0,30;\ 0,15;\ 0,25;\ 0,30]$) menggunakan rumus $y_{6j} = w_j \cdot r_{6j}$:
|
|
* $y_{61}$ (Terbobot Price) = $w_1 \cdot r_{61} = 0,30 \times 0,122846 = 0,036854$
|
|
* $y_{62}$ (Terbobot ISO) = $w_2 \cdot r_{62} = 0,15 \times 0,266076 = 0,039911$
|
|
* $y_{63}$ (Terbobot AF) = $w_3 \cdot r_{63} = 0,25 \times 0,560101 = 0,140025$
|
|
* $y_{64}$ (Terbobot Sensor) = $w_4 \cdot r_{64} = 0,30 \times 0,220370 = 0,066111$
|
|
Vektor terbobot Sony A6300 (lihat baris ke-6 di **Tabel Pembantu 4.1**): $y_6 = [0,036854;\ 0,039911;\ 0,140025;\ 0,066111]$
|
|
|
|
* **Jarak ke Solusi Ideal Positif ($D^+_6$):**
|
|
Dihitung berdasarkan jarak Euclidean dari vektor terbobot $y_6$ ke Solusi Ideal Positif $A^+ = [0,000000;\ 0,079823;\ 0,140025;\ 0,094444]$:
|
|
$$D^+_6 = \sqrt{(y_{61} - A^+_1)^2 + (y_{62} - A^+_2)^2 + (y_{63} - A^+_3)^2 + (y_{64} - A^+_4)^2}$$
|
|
$$D^+_6 = \sqrt{(0,036854 - 0,000000)^2 + (0,039911 - 0,079823)^2 + (0,140025 - 0,140025)^2 + (0,066111 - 0,094444)^2}$$
|
|
$$D^+_6 = \sqrt{0,036854^2 + (-0,039912)^2 + 0,000000^2 + (-0,028333)^2}$$
|
|
Substitusi hasil kuadrat perbedaan kriteria:
|
|
* $(y_{61} - A^+_1)^2 = 0,036854^2 = 0,00135822$
|
|
* $(y_{62} - A^+_2)^2 = (-0,039912)^2 = 0,00159297$
|
|
* $(y_{63} - A^+_3)^2 = 0,000000^2 = 0,00000000$
|
|
* $(y_{64} - A^+_4)^2 = (-0,028333)^2 = 0,00080276$
|
|
$$D^+_6 = \sqrt{0,00135822 + 0,00159297 + 0,00000000 + 0,00080276}$$
|
|
$$D^+_6 = \sqrt{0,00375395} = 0,061269$$
|
|
|
|
* **Jarak ke Solusi Ideal Negatif ($D^-_6$):**
|
|
Dihitung berdasarkan jarak Euclidean dari vektor terbobot $y_6$ ke Solusi Ideal Negatif $A^- = [0,098277;\ 0,009978;\ 0,002965;\ 0,047222]$:
|
|
$$D^-_6 = \sqrt{(y_{61} - A^-_1)^2 + (y_{62} - A^-_2)^2 + (y_{63} - A^-_3)^2 + (y_{64} - A^-_4)^2}$$
|
|
$$D^-_6 = \sqrt{(0,036854 - 0,098277)^2 + (0,039911 - 0,009978)^2 + (0,140025 - 0,002965)^2 + (0,066111 - 0,047222)^2}$$
|
|
$$D^-_6 = \sqrt{(-0,061423)^2 + 0,029933^2 + 0,137060^2 + 0,018889^2}$$
|
|
Substitusi hasil kuadrat perbedaan kriteria:
|
|
* $(y_{61} - A^-_1)^2 = (-0,061423)^2 = 0,00377279$
|
|
* $(y_{62} - A^-_2)^2 = 0,029933^2 = 0,00089599$
|
|
* $(y_{63} - A^-_3)^2 = 0,137060^2 = 0,01878544$
|
|
* $(y_{64} - A^-_4)^2 = 0,018889^2 = 0,00035679$
|
|
$$D^-_6 = \sqrt{0,00377279 + 0,00089599 + 0,01878544 + 0,00035679}$$
|
|
$$D^-_6 = \sqrt{0,02381101} = 0,154308$$
|
|
|
|
* **Nilai Preferensi Kedekatan Relatif ($V_6$):**
|
|
Dihitung berdasarkan rasio perbandingan jarak solusi negatif terhadap total jarak solusi:
|
|
$$V_6 = \frac{D^-_6}{D^+_6 + D^-_6}$$
|
|
$$V_6 = \frac{0,154308}{0,061269 + 0,154308} = \frac{0,154308}{0,215577} = 0,715791$$
|
|
|
|
---
|
|
|
|
###### C. Peringkat 3: Fujifilm XT20 (Baris $i = 11$)
|
|
|
|
* **Skor Awal Kriteria ($C_{11,j}$):**
|
|
Diambil dari baris ke-11 **Tabel 4.9**:
|
|
* Price Score ($C_{11,1}$) = $4,38$ (nilai eksak sebelum pembulatan = $4,3750$)
|
|
* ISO Score ($C_{11,2}$) = $5,00$ (nilai eksak sebelum pembulatan = $5,0000$)
|
|
* AF Score ($C_{11,3}$) = $7,65$ (nilai eksak sebelum pembulatan = $7,6471$)
|
|
* Sensor Score ($C_{11,4}$) = $7,00$ (nilai eksak sebelum pembulatan = $7,0000$)
|
|
|
|
* **Normalisasi ($r_{11,j}$):**
|
|
Dihitung dengan rumus $r_{ij} = \frac{C_{ij}}{\text{Divider}_j}$ menggunakan pembagi Euclidean yang sama:
|
|
* $r_{11,1}$ (Normalisasi Price) = $\frac{C_{11,1}}{\text{Divider}_1} = \frac{4,3750}{30,5260} = 0,143320$
|
|
* $r_{11,2}$ (Normalisasi ISO) = $\frac{C_{11,2}}{\text{Divider}_2} = \frac{5,0000}{18,7916} = 0,266076$
|
|
* $r_{11,3}$ (Normalisasi AF) = $\frac{C_{11,3}}{\text{Divider}_3} = \frac{7,6471}{17,8539} = 0,428315$
|
|
* $r_{11,4}$ (Normalisasi Sensor) = $\frac{C_{11,4}}{\text{Divider}_4} = \frac{7,0000}{31,7648} = 0,220370$
|
|
Vektor normalisasi Fujifilm XT20: $r_{11} = [0,143320;\ 0,266076;\ 0,428315;\ 0,220370]$
|
|
|
|
* **Normalisasi Terbobot ($y_{11,j}$):**
|
|
Dihitung dengan mengalikan $r_{11,j}$ dengan bobot kriteria skenario Outdoor Day ($W = [0,30;\ 0,15;\ 0,25;\ 0,30]$) menggunakan rumus $y_{11,j} = w_j \cdot r_{11,j}$:
|
|
* $y_{11,1}$ (Terbobot Price) = $w_1 \cdot r_{11,1} = 0,30 \times 0,143320 = 0,042996$
|
|
* $y_{11,2}$ (Terbobot ISO) = $w_2 \cdot r_{11,2} = 0,15 \times 0,266076 = 0,039911$
|
|
* $y_{11,3}$ (Terbobot AF) = $w_3 \cdot r_{11,3} = 0,25 \times 0,428315 = 0,107079$
|
|
* $y_{11,4}$ (Terbobot Sensor) = $w_4 \cdot r_{11,4} = 0,30 \times 0,220370 = 0,066111$
|
|
Vektor terbobot Fujifilm XT20 (lihat baris ke-11 di **Tabel Pembantu 4.1**): $y_{11} = [0,042996;\ 0,039911;\ 0,107079;\ 0,066111]$
|
|
|
|
* **Jarak ke Solusi Ideal Positif ($D^+_{11}$):**
|
|
Dihitung berdasarkan jarak Euclidean dari vektor terbobot $y_{11}$ ke Solusi Ideal Positif $A^+ = [0,000000;\ 0,079823;\ 0,140025;\ 0,094444]$:
|
|
$$D^+_{11} = \sqrt{(y_{11,1} - A^+_1)^2 + (y_{11,2} - A^+_2)^2 + (y_{11,3} - A^+_3)^2 + (y_{11,4} - A^+_4)^2}$$
|
|
$$D^+_{11} = \sqrt{(0,042996 - 0,000000)^2 + (0,039911 - 0,079823)^2 + (0,107079 - 0,140025)^2 + (0,066111 - 0,094444)^2}$$
|
|
$$D^+_{11} = \sqrt{0,042996^2 + (-0,039912)^2 + (-0,032946)^2 + (-0,028333)^2}$$
|
|
Substitusi hasil kuadrat perbedaan kriteria:
|
|
* $(y_{11,1} - A^+_1)^2 = 0,042996^2 = 0,00184866$
|
|
* $(y_{11,2} - A^+_2)^2 = (-0,039912)^2 = 0,00159297$
|
|
* $(y_{11,3} - A^+_3)^2 = (-0,032946)^2 = 0,00108544$
|
|
* $(y_{11,4} - A^+_4)^2 = (-0,028333)^2 = 0,00080276$
|
|
$$D^+_{11} = \sqrt{0,00184866 + 0,00159297 + 0,00108544 + 0,00080276}$$
|
|
$$D^+_{11} = \sqrt{0,00532983} = 0,073006$$
|
|
|
|
* **Jarak ke Solusi Ideal Negatif ($D^-_{11}$):**
|
|
Dihitung berdasarkan jarak Euclidean dari vektor terbobot $y_{11}$ ke Solusi Ideal Negatif $A^- = [0,098277;\ 0,009978;\ 0,002965;\ 0,047222]$:
|
|
$$D^-_{11} = \sqrt{(y_{11,1} - A^-_1)^2 + (y_{11,2} - A^-_2)^2 + (y_{11,3} - A^-_3)^2 + (y_{11,4} - A^-_4)^2}$$
|
|
$$D^-_{11} = \sqrt{(0,042996 - 0,098277)^2 + (0,039911 - 0,009978)^2 + (0,107079 - 0,002965)^2 + (0,066111 - 0,047222)^2}$$
|
|
$$D^-_{11} = \sqrt{(-0,055281)^2 + 0,029933^2 + 0,104114^2 + 0,018889^2}$$
|
|
Substitusi hasil kuadrat perbedaan kriteria:
|
|
* $(y_{11,1} - A^-_1)^2 = (-0,055281)^2 = 0,00305599$
|
|
* $(y_{11,2} - A^-_2)^2 = 0,029933^2 = 0,00089599$
|
|
* $(y_{11,3} - A^-_3)^2 = 0,104114^2 = 0,01083973$
|
|
* $(y_{11,4} - A^-_4)^2 = 0,018889^2 = 0,00035679$
|
|
$$D^-_{11} = \sqrt{0,00305599 + 0,00089599 + 0,01083973 + 0,00035679}$$
|
|
$$D^-_{11} = \sqrt{0,01514850} = 0,123079$$
|
|
|
|
* **Nilai Preferensi Kedekatan Relatif ($V_{11}$):**
|
|
Dihitung berdasarkan rasio perbandingan jarak solusi negatif terhadap total jarak solusi:
|
|
$$V_{11} = \frac{D^-_{11}}{D^+_{11} + D^-_{11}}$$
|
|
$$V_{11} = \frac{0,123079}{0,073006 + 0,123079} = \frac{0,123079}{0,196085} = 0,627682$$
|
|
|
|
---
|
|
|
|
*(Catatan Perbandingan Nilai Presisi Sistem vs Pembulatan Manual: Nilai preferensi yang ditampilkan di antarmuka sistem web dibulatkan menjadi 4 angka di belakang koma dari nilai aslinya, yaitu Sony A6400 = 0,7565, Sony A6300 = 0,7158, dan Fujifilm XT20 = 0,6277. Hasil kalkulasi presisi tinggi di atas membuktikan kecocokan matematis yang konsisten).*
|
|
|
|
Proses pemeringkatan untuk skenario Outdoor Day di atas divisualisasikan oleh sistem web pada antarmuka hasil seperti yang ditunjukkan oleh **Gambar 4.19**.
|
|
|
|
*(Tempatkan Gambar 4.19 di bawah ini)*
|
|
**Gambar 4.19 Hasil Ranking TOPSIS pada kondisi Outdoor Day (Siang)**
|
|
|
|
Tiga hasil teratas berdasarkan nilai kedekatan relatif (nilai preferensi $V$) di atas dirangkum dalam **Tabel 4.10**.
|
|
|
|
**Tabel 4.10 Tiga Hasil Teratas Ranking TOPSIS Outdoor Day (Siang)**
|
|
|
|
| Rank | Nama Kamera | Jarak Ideal Positif ($D^+$) | Jarak Ideal Negatif ($D^-$) | Nilai Preferensi ($V$) | Keterangan |
|
|
| :---: | :--- | :---: | :---: | :---: | :--- |
|
|
| 1 | Sony A6400 | 0,052300 | 0,162525 | 0,756547 | Direkomendasikan (Peringkat 1) |
|
|
| 2 | Sony A6300 | 0,061269 | 0,154308 | 0,715791 | Direkomendasikan (Peringkat 2) |
|
|
| 3 | Fujifilm XT20 | 0,073006 | 0,123078 | 0,627681 | Direkomendasikan (Peringkat 3) |
|
|
|
|
---
|