1. Pendahuluan

PROMETHEE adalah metodologi untuk mengevaluasi alternatif dengan kriteria yang diberikan dan membuat peringkat alternatif untuk keputusan akhir. Dugaan dari dominasi kriteria yang digunakan dalam PROMETHEE adalah penggunaan nilai dalam hubungan outranking, outranking merupakan metode yang dapat menangani kriteria kualitatif dan kuantitatif secara bersamaan. Metode ini mampu memperhitungkan alternatif-alternatif berdasarkan karakteristik yang berbeda.

Metode outranking membandingkan beberapa kemungkinan alternatif (pada kriteria) dengan kriteria dasar. Mereka pada dasarnya menghitung indeks untuk setiap pasangan alternatif yang memenuhi syarat atau antara peringkat satu relatif dengan alternatif lain. Semua parameter yang terlibat mempunyai pengaruh nyata menurut pandangan ekonomi (Brans and Vincke, 1985).

Pre-requisites

Pemahaman terhadap dasar-dasar Sistem Pengambilan Keputusan
Pemahaman terhadap dasar-dasar teknologi web,HTML dan CSS
Pemahaman terhadap dasar-dasar basis data/database, terutama query SQL pada MySQL/mariaDB
Pemahaman terhadap dasar-dasar pemrograman PHP, terutama fungsi-fungsi koneksi database dan pengelolaan tipe data array

Metode PROMETHEE merupakan salah satu yang paling dikenal dan merupakan metode outranking yang diterapkan secara luas, terdiri dari pembangunan relasi outranking melalui perbandingan berpasangan alternatif diperiksa di setiap kriteria terpisah.

PROMETHEE menyediakan kepada user untuk menggunakan data secara langsung dalam bentuk tabel multikriteria sederhana. PROMETHEE mempunyai kemampuan untuk menangani banyak perbandingan, pengambil keputusan hanya mendefinisikan skala ukurannya sendiri tanpa batasan, untuk mengindikasi prioritasnya dan preferensi untuk setiap kriteria dengan memusatkan pada nilai (value). Penggunaan metode PROMETHEE dapat dijadikan metode untuk pengambilan keputusan dibidang pemasaran, sumber daya manusia, pemilihan lokasi, atau bidang lain yang berhubungan dengan pemilihan alternatif.

1.1. Teori Dasar

1.1.1. Dominasi Kriteria

Nilai f merupakan nilai nyata dari suatu kriteria, f : K → Я (Real Word) dan tujuannya berupa prosedur optimasi untuk setiap alternatif yang akan diseleksi, a ε K, f(a) merupakan evaluasi dari alternatif yang akan diseleksi tersebut untuk setiap kriteria. Pada saat dua alternatif dibandingkan a,b ε K, harus dapat ditentukan perbandingan preferensinya.

Perbandingan nilai intensitas (P) dari preferensi alternatif a terhadap alternatif b sedemikian rupa dapat dinyatakan sebagai:

P(a,b) = 0, berarti tidak ada beda antara a dan b, atau tidak ada preferensi a lebih baik dari b.
P(a,b) ≈ 0, berarti preferensi a lebih baik dari b-nya lemah.
P(a,b) ≈ 1, berarti preferensi a lebih baik dari b-nya kuat.
P(a,b) = 1, berarti mutlak preferensi a lebih baik dari b.

Keterkaitan fungsi preferensi P(a,b) dari a yang berhubungan dengan b dapat didefiniskan sebagai:

$P_{(a,b)}=\begin{cases} 0& \text{if f(a)} \leq \text{f(b)},\\ p[f(a),f(b)]& \text{if f(a) > f(b)}. \end{cases}$

.. [PRO-01]

Untuk kasus konkret, tampaknya masuk akal untuk memilih fungsi p(.) dari jenis berikut:

$p[f(a),f(b)]=p[f(a)-f(b)]$

.. [PRO-02]

tergantung dari perbedaan nilai dari fungsi f(a) dengan f(b)

Untuk menunjukkan dengan jelas daerah indifference di lingkungan f(b), kita dapat tuliskan:

$x=f(a)-f(b)$

.. [PRO-03]

dan representasi grafis fungsi H(x) dinyatakan sebagai berikut

$H_{(x)}=\begin{cases} P(a,b)& \text{x} \geq \text{0},\\ P(b,a)& \text{x} \leq \text{0}. \end{cases}$

.. [PRO-04]

Dalam metode ini fungsi preferensi seringkali menghasilkan nilai fungsi yang berbeda antara dua evaluasi, sehingga : P(a,b) = P(f(a)-f(b)). Untuk semua kriteria, suatu obyek akan dipertimbangkan memiliki nilai kriteria yang lebih baik ditentukan nilai f dan akumulasi dari nilai ini menentukan nilai preferensi atas masing–masing obyek yang akan dipilih.

Setiap kriteria boleh memiliki nilai dominasi kriteria atau bobot kriteria yang sama atau berbeda, dan nilai bobot tersebut harus di atas 0 (Nol). Sebelum menghitung bobot untuk masing-masing kriteria, maka dihitung total bobot dari seluruh kriteria terlebih dahulu.

1.1.2 Tipe-tipe Kriteria Dasar Fungsi Preferensi

Untuk setiap kriteria, fungsi preferensi menerjemahkan perbedaan antara dua alternatif menjadi derajat preferensi mulai dari nol sampai satu. Struktur preferensi PROMETHEE berdasarkan perbandingan berpasangan. Semakin kecil nilai deviasi maka semakin kecil nilai preferensinya, semakin besar deviasi semakin besar preferensinya. Dalam rangka memfasilitasi pemilihan fungsi preferensi tertentu, Brans dan Vincke, mengusulkan 6 (enam) tipe dasar sebagai berikut (Brans and Vincke, 1985):

Kriteria Biasa (Usual Criterion)
Tipe Usual adalah tipe dasar, yang tidak memiliki nilai threshold atau kecenderungan dan tipe ini jarang digunakan. Secara matematis dapat dituiskan dalam notasi berikut:

$p(x)=\begin{cases} 0& \forall\text{x} \leq \text{0}\\ 1& \forall\text{x} > \text{0} \end{cases}$

.. [PRO-05]

Pada tipe ini dianggap tidak ada beda antara alternatif a dan alternatif b jika a=b atau f(a)=f(b) , maka niliai preferensinya benilai 0 (Nol) atau P(x)=0. Apabila nilai kriteria pada masing-masing alternatif memiliki nilai berbeda, maka pembuat keputusan membuat preferensi mutlak benilai 1 (Satu) atau P(x)=1 untuk alternatif yang memiliki nilai lebih baik.

Gambar 1 : Usual Criterion
Kriteria Quasi (Quasi Criterion atau U-Shape)
Tipe Quasi sering digunakan dalam penilaian suatu data dari segi kwalitas atau mutu, yang mana tipe ini menggunakan Satu threshold atau kecenderungan yang sudah ditentukan, dalam kasus ini threshold itu adalah indifference. Indifference ini biasanya dilambangkan dengan karakter m atau q, dan nilai indifference harus diatas 0 (Nol).

$p(x)=\begin{cases} 0& \text{x} \leq \text{m}\\ 1& \text{x} > \text{m} \end{cases}$

.. [PRO-06]

Suatu alternatif memiliki nilai preferensi yang sama penting selama selisih atau nilai P(x) dari masing-masing alternatif tidak melebihi nilai threshold. Apabila selisih hasil evaluasi untuk masing-masing alternatif melebihi nilai m atau q maka terjadi bentuk preferensi mutlak, jika pembuat memutuskan menggunakan kriteria ini, maka decision maker tersebut harus menentukan nilai m atau q, dimana nilai ini dapat menjelaskan pengaruh yang signifikan dari sutau kriteria.

Gambar 2 : Quasi Criterion
Kriteria dengan preferensi Linier (Criterion with Linear Preference atau V-Shape)
Tipe Linier acapkali digunakan dalam penilaian dari segi kuantitatif atau banyaknya jumlah, yang mana tipe ini juga menggunakan Satu threshold atau kecenderungan yang sudah ditentukan, dalam kasus ini threshold itu adalah preference.

$p(x)=\begin{cases} \frac{x}{n}& \text{x} \leq \text{n}\\ 1& \text{x} > \text{n} \end{cases}$

.. [PRO-07]

Preference ini biasanya dilambangkan dengan karakter n atau p, dan nilai preference harus diatas 0 (Nol). Kriteria ini menjelaskan bahwa selama nilai selisih memiliki nilai yang lebih rendah dari n atau p, maka nilai preferensi dari pembuat keputusan meningkat secara linier dengan nilai x, jika nilai x lebih besar dibandingkan dengan nilai n atau p, maka terjadi preferensi mutlak.

Gambar 3 : Linear Criterion
Kriteria dengan preferensi Linier dan area yang tidak berbeda -- Linear Quasi (Criterion with Linear Preference and Indifference Area)
Tipe Linear Quasi juga mirip dengan tipe Linear yang acapkali digunakan dalam penilaian dari segi kuantitatif atau banyaknya jumlah. Tipe ini juga menggunakan threshold preference (n atau p) tetapi ditambahkan Satu threshold lagi yaitu indifference (m atau q).

$p(x)=\begin{cases} 0& \text{x}\leq \text{m}\\ \frac{x}{n-m}& m < \text{x} \leq \text{n}\\ 1& \text{x} > \text{n} \end{cases}$

.. [PRO-08]

Nilai indifference serta preference harus diatas 0 (Nol) dan nilai indifference harus di bawah nilai preference. Pengambilan keputusan mempertimbangkan peningkatan preferensi secara linier dari tidak berbeda hingga preferensi mutlak dalam area antara dua kecenderungan m dan n (atau q dan p)

Gambar 4 : Linear Quasi Criterion
Kriteria Level (Level Criterion)
Tipe ini mirip dengan tipe Quasi yang sering digunakan dalam penilaian suatu data dari segi kwalitas atau mutu. Tipe ini juga menggunakan threshold indifference (m atau q) tetapi ditambahkan Satu threshold lagi yaitu preference (n atau p).

$p(x)=\begin{cases} 0& \text{x}\leq \text{m}\\ \frac{1}{2}& m < \text{x} \leq \text{n}\\ 1& \text{x} > \text{n} \end{cases}$

.. [PRO-09]

Nilai indifference serta preference harus diatas 0 (Nol) dan nilai indifference harus di bawah nilai preference. Apabila alternatif tidak memiliki perbedaan (x), maka nilai preferensi sama dengan 0 (Nol) atau P(x)=0. Jika x berada diatas nilai m(atau q) dan dibawah nilai n(atau p), hal ini berarti situasi preferensi yang lemah P(x)=0.5. Dan jika x lebih besar atau sama dengan nilai n(atau p) maka terjadi preferensi mutlak P(x)=1

Gambar 5 : Level Criterion
Kriteria Gaussian (Gaussian Criterion)
Tipe Gaussian sering digunakan untuk mencari nilai aman atau titik aman pada data yang bersifat continue atau berjalan terus.(Tien-Yin Chou, 2004)

$p(x)=\begin{cases} 0& \text{x}\leq \text{0}\\ 1-e^{-\frac{x^2}{2\sigma^2}}& \text{x} > \text{0} \end{cases}$

.. [PRO-10]

Tipe ini memiliki nilai threshold yaitu Gaussian threshold yang berhubungan dengan nilai standar deviasi atau distribusi normal dalam statistik.

Gambar 6 : Gaussion Criterion

1.1.3. Nilai threshold atau kecenderungan

Enam tipe dari penyamarataan kriteria bisa dipertimbangkan dalam metode PROMETHEE, tiap-tiap tipe bisa lebih mudah ditentukan nilai kecenderungannya atau parameternya karena hanya Satu atau Dua parameter yang mesti ditentukan. Hanya tipe Usual saja yang tidak memiliki nilai parameter.

Dalam fungsi-fungsi preferensi tersebut terdapat threshold preferensi m dan n (atau q dan p). Threshold pengabaian m atau q adalah deviasi terbesar yang dianggap dapat diabaikan oleh pengambil keputusan, sedangkan threshold preferensi n atau p adalah deviasi terkecil yang dianggap cukup untuk menghasilkan preferensi penuh.

Indifference threshold yang biasa dilambangkan dalam karakter m atau q. Jika nilai perbedaan (x) di bawah atau sama dengan nilai indifference x ≤ m maka x dianggap tidak memiliki nilai perbedaan x = 0.
Preference threshold yang biasa dilambangkan dalam karakter n atau p. Jika nilai perbedaan (x) di atas atau sama dengan nilai preference x ≥ n maka perbedaan tersebut memiliki nilai mutlak x = 1.
Gaussian threshold yang biasa dilambangkan dalam karakter σ atau s serta diketahui dengan baik sebagai parameter yang secara langsung berhubungan dengan nilai standar deviasi pada distribusi normal.(Tzeng 2003)

1.3. Langkah-langkah PROMETHEE

Tahapan prosedur untuk pelaksanaan PROMETHEE adalah sebagai berikut (Ignatius J, dkk, 2012) :

Penentuan deviasi berdasarkan perbandingan berpasangan

$d_j(a,b)=f(a_j)-f(b_j)\ dimana\ j=1,2,3,...,k$

.. [PMT-01]

dimana d_j(a,b) menunjukan perbedaan antara evaluasi alternatif dari a dan b pada kriteria ke j, dan k menunjukan kriteria berhingga
Penerapan fungsi preferensi

$P_j(a,b)=F_j(d_j(a,b))\ dimana\ j=1,2,3,...,k$

.. [PMT-02]

dimana P_j(a,b) sebagai fungsi d_j(a,b) menunjukan preferensi alternatif a yang berkaitan dengan alternatif b pada setiap kriteria
Perhitungan indeks preferensi global

$\phi(a,b)=\displaystyle\sum_{n=1}^j P_j(a,b)w_j(a,b), \forall a, b\in A$

.. [PMT-03]

dimana φ(a,b) dengan a lebih besar dari b (antara nol hingga satu) didefinisikan sebagai jumlah bobot P(a,b) pada setiap kriteria, dan w_j adalah bobot yang berhubungan dengan kriteria ke-j
Perhitungan aliran perangkingan dan peringkat parsial

Dalam tahapan ini dihitung nilai-nilai leaving flow dan entering flow pada setiap alternatif

$\Phi^{+}=\frac{1}{n-1}\sum_{x\in A}\varphi(a,x)$

.. [PMT-04]

Dari persamaan [PMT-04] di atas, ϕ⁺(a) adalah nilai leaving flow pada setiap alternatif a; sedangkan untuk mengitung nilai entering flow-nya atau nilai ϕ^-(a) didapat dari persamaan berikut :

$\Phi^{-}=\frac{1}{n-1}\sum_{x\in A}\varphi(x,a)$

.. [PMT-05]
Perhitungan aliran perangkingan bersih dan peringkat lengkap

$\Phi(a)=\Phi{+}(a)-\Phi^{-}(a)$

.. [PMT-06]

dimana ϕ(a) adalah net flow, digunakan untuk menghasilkan keputusan akhir penentuan urutan dalam menyelesaikan masalah sehingga menghasilkan urutan lengkap.

1.3. Tahapan Penyeleksian dengan Metode PROMETHEE

Langkah-langkah perhitungan dengan Algoritma PROMETHEE adalah sebagai berikut:

Diperlukan tahapan-tahapan yang harus dilakukan oleh pembuat keputusan untuk mendapatkan hasil penyeleksian dengan metode PROMETHEE.

Menentukan beberapa alternatif Alternatif disini bisa di artikan dengan obyek yang akan diseleksi (obyek seleksi). Pada perhitungan penyeleksian dengan PROMETHEE diperlukan penentuan beberapa obyek yang akan diseleksi (minimal 2 obyek). Dimana antara obyek yang satu dengan obyek lainnya akan dibandingkan.
Menentukan beberapa kriteria
Setelah melakukan penentuan obyek yang akan diseleksi, maka dalam perhitungan penyeleksian PROMETHEE juga diperlukan penentuan beberapa kriteria, penentuan kriteria disini sebagai syarat atau ketentuan dalam penyeleksian.
Menentukan dominasi kriteria
Ketika menentukan kriteria, decision maker harus menentukan bobot atau dominasi kriteria dari kriteria lainnya. Setiap kriteria boleh memiliki nilai bobot yang sama atau berbeda.
Menentukan tipe preferensi untuk setiap kriteria yang paling cocok didasarkan pada data dan pertimbangan dari decision maker. Tipe preferensi ini berjumlah Enam (Usual, Quasi, Linier, Level, Linear Quasi dan Gaussian).
Memberikan nilai threshold atau kecenderungan untuk setiap kriteria berdasarkan preferensi yang telah dipilih. Nilai kecenderungan tersebut adalah nilai indifference, preference, dan Gaussian.
Perhitungan Entering Flow, Leaving Flow dan Net Flow.
1. Nilai Entering Flow adalah jumlah dari yang memiliki arah mendekat dari node a dan hal ini merupakan karakter pengukuran outranking.
2. Leaving flow adalah jumlah dari yang memiliki arah menjauh dari node a.dan hal ini merupakan pengukuran outrangking.
3. Nilai Net Flow adalah penilaian secara lengkap. Lengkap disini adalah penilaian yang didapat dari nilai Entering Flow yang dikurangi nilai Leaving Flow. Jadi bisa di artikan, nilai Net Flow adalah nilai akhir atau hasil yang didapat dari nilai positif yang dikurangi nilai negatif dari sebuah node.

2. Contoh Kasus dan Perhitungan

Contoh perhitungan untuk menentukan Harddisk External yang terbaik dari 6 alternatif yang diberikan

This document using Dynamic Content Technology ^™ for enrichment sample case and reading experience

Data yang digunakan BUKAN merupakan data real, tapi data yang digenerate secara otomatis dari sistem
Data dan Nilai Perhitungan yang ditampilkan akan SELALU BERBEDA jika halaman di refresh/reload
Jumlah dan Nama produk alternatif ditampilkan secara acak/random antara 4 s.d 8

2.1. Latar Belakang Masalah

Hardisk merupakan ruang simpan utama dalam sebuah komputer. Bukan hanya dokumen, tapi juga gambar, musik, dan video. Program-program komputer, sistem operasi semuanya disimpan dalam hardisk komputer. Hardisk merupakan media penyimpan yang didesain untuk dapat digunakan menyimpan data dalam kapasitas yang besar.

Pada artikel ini hanya akan membahas mengenai hardisk eksternal. Hardisk eksternal adalah hardisk yang berdiri sendiri, terhubung dengan kabel ke port USB (Universal Serial Bus) ke unit komputer, sama seperti hardisk internal (Vermaat, 2008). Selain itu volume serta desainnya yang simpel memudahkan untuk dibawa dan disimpan tanpa menghabiskan ruang dan tempat. Permasalahannya ialah bagaimana cara user memilih hardisk eksternal yang sesuai diantara hardisk eksternal yang ada sehingga penggunaan terhadap hardisk eksternal sesuai dengan kebutuhan user.

Memilih hardisk eksternal yang tepat sesuai dengan kebutuhan user bukan hal yang mudah, banyaknya pilihan tersedia dipasaran bisa jadi membuat user sulit untuk memilihnya. Masalah utama yang di angkat dari penelitian ini adalah bagaimana mengimplementasikan Algoritma Preference Ranking Organization For Enrichment Evaluation (PROMETHEE) untuk memecahkan permasalahan Sistem Pendukung Keputusan untuk Pemilihan Hardisk Eksternal

2.2. Batasan Masalah

Dalam artikel ini kriteria yang digunakan ialah Kapasitas, Kecepatan Transfer, Dimensi dan Tipe USB (Universal Serial Bus) dari Hardisk eksternal. Di sini kriteria dibagi menjadi sub kriteria, antara lain: Kriteria Kapasitas dibagi menjadi menjadi sub kriteria Kapasitas Hardisk dan System Requirements, kriteria Kecepatan Transfer dibagi menjadi sub kriteria Write Speed dan Read Speed, kriteria Dimensi dibagi menjadi sub kriteria Height dan Width, dan kriteria Tipe USB dibagi menjadi sub kriteria Interface dan FileSystem.

Sedangkan alternatif yang diperhitungkan dalam artikel ini hanya meliputi 6 Hardisk Eksternal; yaitu : WD My Passport (A₁), Lacie Rugged Triple (A₂), Toshiba Canvio Simple (A₃), Spectra Flash RapidStore (A₄), A-Data DashDrive (A₅), dan Buffalo Mini Station (A₆)

2.3. Contoh Nilai Data

Contoh nilai data dari bobot kriteria/sub-kriteria, tipe kriteria, dan nilai preferensinya ditunjukkan pda Tabel 1 berikut ini:

**Tabel 1** : Contoh Data
Kriteria	Min/Max	Alternatif						Tipe	Threshold
Kriteria	Min/Max	A₁	A₂	A₃	A₄	A₅	A₆	Tipe	p	q	s
*Kapasitas*
HDD Capacity	Max	7	7	7	7	7	7	Linear Quasi	7	1	0
System Requirement	Max	7	7	7	6	7	6	Quasi	7	5	0
*Kecepatan Transfer*
Write Speed	Max	4	7	2	4	4	6	Linear Quasi	7	1	0
Read Speed	Max	2	7	2	2	4	6	Linear	7	0	0
*Dimensi*
Height	Max	7	6	7	7	6	7	Level	7	1	0
Width	Max	4	5	7	6	5	6	Level	7	1	0
*Tipe USB*
Interface	Max	6	7	6	6	6	5	Gaussian	0	0	1
File System	Max	7	7	7	7	7	7	Usual	0	0	0
*Lain-lain*
Harga	Min	4	7	4	6	6	6	Linear	7	0	0

)* Pada Tabel 1 tersebut nilai Min/Max menunjukkan kecenderungan data, dimana jika kecenderungannya Min maka menunjukkan nilai yang semakin kecil adalah semakin baik, sedangkan jika Max maka nilainya semakin baik jika nilainya semakin tinggi.

)** Pada kasus ini diasumsikan nilai bobot preferensinya semua sama yaitu 1 (satu) atau w_j=1, sehingga dalam Tabel 1 untuk nilai bobot-nya tidak dicantumkan, demikian pun dalam perhitungan nantinya tidak diperhitungkan.

2.4. Perhitungan Manual

Berdasarkan data yang disajikan dalam Tabel 1, dilakukan perhitungan dengan menggunakan metoda PROMETHEE sebagai berikut:

2.4.1. Penentuan Nilai Deviasi berdasarkan Perbandingan Berpasangan `d_j(a,b)`

Berdasarkan persamaan [PMT-01] dapat dihitung nilai deviasi berdasarkan perbandingan berpasangan antara dua alternatif untuk suatu kriteria.

Sebagai contoh nilai deviasi perbandingan antara alternatif A₂ dengan alternatif A₄ yaitu d_j(2,4) dapat dicari sebagai berikut:

Rincian perhitungannya adalah sebagai berikut :

Nilai Deviasi d_j(1,2)

d_{HDD Capacity}(1,2) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(1,2) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(1,2) = 4 - 7 = -3 -> linear quasi -> H(d)= 0
d_{Read Speed}(1,2) = 2 - 7 = -5 -> linear -> H(d)= 0.714
d_Height(1,2) = 7 - 6 = 1 -> level -> H(d)= 0
d_Width(1,2) = 4 - 5 = -1 -> level -> H(d)= 0.5
d_Interface(1,2) = 6 - 7 = -1 -> gaussian -> H(d)= 0.393
d_{File System}(1,2) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(1,2) = 4 - 7 = -3 -> linear -> H(d)= 0.429
H(d_j(1,2)) = 1/9 * (0+0+0+0.714+0+0.5+0.393+0+0.429) = 2.036

Nilai Deviasi d_j(1,3)

d_{HDD Capacity}(1,3) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(1,3) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(1,3) = 4 - 2 = 2 -> linear quasi -> H(d)= 0.333
d_{Read Speed}(1,3) = 2 - 2 = 0 -> linear -> H(d)= 0
d_Height(1,3) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(1,3) = 4 - 7 = -3 -> level -> H(d)= 0.5
d_Interface(1,3) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(1,3) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(1,3) = 4 - 4 = 0 -> linear -> H(d)= 0
H(d_j(1,3)) = 1/9 * (0+0+0.333+0+0.5+0.5+0+0+0) = 1.333

Nilai Deviasi d_j(1,4)

d_{HDD Capacity}(1,4) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(1,4) = 7 - 6 = 1 -> quasi -> H(d)= 0
d_{Write Speed}(1,4) = 4 - 4 = 0 -> linear quasi -> H(d)= 0
d_{Read Speed}(1,4) = 2 - 2 = 0 -> linear -> H(d)= 0
d_Height(1,4) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(1,4) = 4 - 6 = -2 -> level -> H(d)= 0.5
d_Interface(1,4) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(1,4) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(1,4) = 4 - 6 = -2 -> linear -> H(d)= 0.286
H(d_j(1,4)) = 1/9 * (0+0+0+0+0.5+0.5+0+0+0.286) = 1.286

Nilai Deviasi d_j(1,5)

d_{HDD Capacity}(1,5) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(1,5) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(1,5) = 4 - 4 = 0 -> linear quasi -> H(d)= 0
d_{Read Speed}(1,5) = 2 - 4 = -2 -> linear -> H(d)= 0.286
d_Height(1,5) = 7 - 6 = 1 -> level -> H(d)= 0
d_Width(1,5) = 4 - 5 = -1 -> level -> H(d)= 0.5
d_Interface(1,5) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(1,5) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(1,5) = 4 - 6 = -2 -> linear -> H(d)= 0.286
H(d_j(1,5)) = 1/9 * (0+0+0+0.286+0+0.5+0+0+0.286) = 1.071

Nilai Deviasi d_j(1,6)

d_{HDD Capacity}(1,6) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(1,6) = 7 - 6 = 1 -> quasi -> H(d)= 0
d_{Write Speed}(1,6) = 4 - 6 = -2 -> linear quasi -> H(d)= 0
d_{Read Speed}(1,6) = 2 - 6 = -4 -> linear -> H(d)= 0.571
d_Height(1,6) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(1,6) = 4 - 6 = -2 -> level -> H(d)= 0.5
d_Interface(1,6) = 6 - 5 = 1 -> gaussian -> H(d)= 0.393
d_{File System}(1,6) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(1,6) = 4 - 6 = -2 -> linear -> H(d)= 0.286
H(d_j(1,6)) = 1/9 * (0+0+0+0.571+0.5+0.5+0.393+0+0.286) = 2.251

Nilai Deviasi d_j(2,1)

d_{HDD Capacity}(2,1) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(2,1) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(2,1) = 7 - 4 = 3 -> linear quasi -> H(d)= 0.5
d_{Read Speed}(2,1) = 7 - 2 = 5 -> linear -> H(d)= 0.714
d_Height(2,1) = 6 - 7 = -1 -> level -> H(d)= 0.5
d_Width(2,1) = 5 - 4 = 1 -> level -> H(d)= 0
d_Interface(2,1) = 7 - 6 = 1 -> gaussian -> H(d)= 0.393
d_{File System}(2,1) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(2,1) = 7 - 4 = 3 -> linear -> H(d)= 0.429
H(d_j(2,1)) = 1/9 * (0+0+0.5+0.714+0.5+0+0.393+0+0.429) = 2.536

Nilai Deviasi d_j(2,3)

d_{HDD Capacity}(2,3) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(2,3) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(2,3) = 7 - 2 = 5 -> linear quasi -> H(d)= 0.833
d_{Read Speed}(2,3) = 7 - 2 = 5 -> linear -> H(d)= 0.714
d_Height(2,3) = 6 - 7 = -1 -> level -> H(d)= 0.5
d_Width(2,3) = 5 - 7 = -2 -> level -> H(d)= 0.5
d_Interface(2,3) = 7 - 6 = 1 -> gaussian -> H(d)= 0.393
d_{File System}(2,3) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(2,3) = 7 - 4 = 3 -> linear -> H(d)= 0.429
H(d_j(2,3)) = 1/9 * (0+0+0.833+0.714+0.5+0.5+0.393+0+0.429) = 3.37

Nilai Deviasi d_j(2,4)

d_{HDD Capacity}(2,4) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(2,4) = 7 - 6 = 1 -> quasi -> H(d)= 0
d_{Write Speed}(2,4) = 7 - 4 = 3 -> linear quasi -> H(d)= 0.5
d_{Read Speed}(2,4) = 7 - 2 = 5 -> linear -> H(d)= 0.714
d_Height(2,4) = 6 - 7 = -1 -> level -> H(d)= 0.5
d_Width(2,4) = 5 - 6 = -1 -> level -> H(d)= 0.5
d_Interface(2,4) = 7 - 6 = 1 -> gaussian -> H(d)= 0.393
d_{File System}(2,4) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(2,4) = 7 - 6 = 1 -> linear -> H(d)= 0.143
H(d_j(2,4)) = 1/9 * (0+0+0.5+0.714+0.5+0.5+0.393+0+0.143) = 2.751

Nilai Deviasi d_j(2,5)

d_{HDD Capacity}(2,5) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(2,5) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(2,5) = 7 - 4 = 3 -> linear quasi -> H(d)= 0.5
d_{Read Speed}(2,5) = 7 - 4 = 3 -> linear -> H(d)= 0.429
d_Height(2,5) = 6 - 6 = 0 -> level -> H(d)= 0.5
d_Width(2,5) = 5 - 5 = 0 -> level -> H(d)= 0.5
d_Interface(2,5) = 7 - 6 = 1 -> gaussian -> H(d)= 0.393
d_{File System}(2,5) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(2,5) = 7 - 6 = 1 -> linear -> H(d)= 0.143
H(d_j(2,5)) = 1/9 * (0+0+0.5+0.429+0.5+0.5+0.393+0+0.143) = 2.465

Nilai Deviasi d_j(2,6)

d_{HDD Capacity}(2,6) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(2,6) = 7 - 6 = 1 -> quasi -> H(d)= 0
d_{Write Speed}(2,6) = 7 - 6 = 1 -> linear quasi -> H(d)= 0.167
d_{Read Speed}(2,6) = 7 - 6 = 1 -> linear -> H(d)= 0.143
d_Height(2,6) = 6 - 7 = -1 -> level -> H(d)= 0.5
d_Width(2,6) = 5 - 6 = -1 -> level -> H(d)= 0.5
d_Interface(2,6) = 7 - 5 = 2 -> gaussian -> H(d)= 0.865
d_{File System}(2,6) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(2,6) = 7 - 6 = 1 -> linear -> H(d)= 0.143
H(d_j(2,6)) = 1/9 * (0+0+0.167+0.143+0.5+0.5+0.865+0+0.143) = 2.317

Nilai Deviasi d_j(3,1)

d_{HDD Capacity}(3,1) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(3,1) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(3,1) = 2 - 4 = -2 -> linear quasi -> H(d)= 0
d_{Read Speed}(3,1) = 2 - 2 = 0 -> linear -> H(d)= 0
d_Height(3,1) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(3,1) = 7 - 4 = 3 -> level -> H(d)= 0.5
d_Interface(3,1) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(3,1) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(3,1) = 4 - 4 = 0 -> linear -> H(d)= 0
H(d_j(3,1)) = 1/9 * (0+0+0+0+0.5+0.5+0+0+0) = 1

Nilai Deviasi d_j(3,2)

d_{HDD Capacity}(3,2) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(3,2) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(3,2) = 2 - 7 = -5 -> linear quasi -> H(d)= 0
d_{Read Speed}(3,2) = 2 - 7 = -5 -> linear -> H(d)= 0.714
d_Height(3,2) = 7 - 6 = 1 -> level -> H(d)= 0
d_Width(3,2) = 7 - 5 = 2 -> level -> H(d)= 0.5
d_Interface(3,2) = 6 - 7 = -1 -> gaussian -> H(d)= 0.393
d_{File System}(3,2) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(3,2) = 4 - 7 = -3 -> linear -> H(d)= 0.429
H(d_j(3,2)) = 1/9 * (0+0+0+0.714+0+0.5+0.393+0+0.429) = 2.036

Nilai Deviasi d_j(3,4)

d_{HDD Capacity}(3,4) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(3,4) = 7 - 6 = 1 -> quasi -> H(d)= 0
d_{Write Speed}(3,4) = 2 - 4 = -2 -> linear quasi -> H(d)= 0
d_{Read Speed}(3,4) = 2 - 2 = 0 -> linear -> H(d)= 0
d_Height(3,4) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(3,4) = 7 - 6 = 1 -> level -> H(d)= 0
d_Interface(3,4) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(3,4) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(3,4) = 4 - 6 = -2 -> linear -> H(d)= 0.286
H(d_j(3,4)) = 1/9 * (0+0+0+0+0.5+0+0+0+0.286) = 0.786

Nilai Deviasi d_j(3,5)

d_{HDD Capacity}(3,5) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(3,5) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(3,5) = 2 - 4 = -2 -> linear quasi -> H(d)= 0
d_{Read Speed}(3,5) = 2 - 4 = -2 -> linear -> H(d)= 0.286
d_Height(3,5) = 7 - 6 = 1 -> level -> H(d)= 0
d_Width(3,5) = 7 - 5 = 2 -> level -> H(d)= 0.5
d_Interface(3,5) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(3,5) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(3,5) = 4 - 6 = -2 -> linear -> H(d)= 0.286
H(d_j(3,5)) = 1/9 * (0+0+0+0.286+0+0.5+0+0+0.286) = 1.071

Nilai Deviasi d_j(3,6)

d_{HDD Capacity}(3,6) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(3,6) = 7 - 6 = 1 -> quasi -> H(d)= 0
d_{Write Speed}(3,6) = 2 - 6 = -4 -> linear quasi -> H(d)= 0
d_{Read Speed}(3,6) = 2 - 6 = -4 -> linear -> H(d)= 0.571
d_Height(3,6) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(3,6) = 7 - 6 = 1 -> level -> H(d)= 0
d_Interface(3,6) = 6 - 5 = 1 -> gaussian -> H(d)= 0.393
d_{File System}(3,6) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(3,6) = 4 - 6 = -2 -> linear -> H(d)= 0.286
H(d_j(3,6)) = 1/9 * (0+0+0+0.571+0.5+0+0.393+0+0.286) = 1.751

Nilai Deviasi d_j(4,1)

d_{HDD Capacity}(4,1) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(4,1) = 6 - 7 = -1 -> quasi -> H(d)= 0
d_{Write Speed}(4,1) = 4 - 4 = 0 -> linear quasi -> H(d)= 0
d_{Read Speed}(4,1) = 2 - 2 = 0 -> linear -> H(d)= 0
d_Height(4,1) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(4,1) = 6 - 4 = 2 -> level -> H(d)= 0.5
d_Interface(4,1) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(4,1) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(4,1) = 6 - 4 = 2 -> linear -> H(d)= 0.286
H(d_j(4,1)) = 1/9 * (0+0+0+0+0.5+0.5+0+0+0.286) = 1.286

Nilai Deviasi d_j(4,2)

d_{HDD Capacity}(4,2) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(4,2) = 6 - 7 = -1 -> quasi -> H(d)= 0
d_{Write Speed}(4,2) = 4 - 7 = -3 -> linear quasi -> H(d)= 0
d_{Read Speed}(4,2) = 2 - 7 = -5 -> linear -> H(d)= 0.714
d_Height(4,2) = 7 - 6 = 1 -> level -> H(d)= 0
d_Width(4,2) = 6 - 5 = 1 -> level -> H(d)= 0
d_Interface(4,2) = 6 - 7 = -1 -> gaussian -> H(d)= 0.393
d_{File System}(4,2) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(4,2) = 6 - 7 = -1 -> linear -> H(d)= 0.143
H(d_j(4,2)) = 1/9 * (0+0+0+0.714+0+0+0.393+0+0.143) = 1.251

Nilai Deviasi d_j(4,3)

d_{HDD Capacity}(4,3) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(4,3) = 6 - 7 = -1 -> quasi -> H(d)= 0
d_{Write Speed}(4,3) = 4 - 2 = 2 -> linear quasi -> H(d)= 0.333
d_{Read Speed}(4,3) = 2 - 2 = 0 -> linear -> H(d)= 0
d_Height(4,3) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(4,3) = 6 - 7 = -1 -> level -> H(d)= 0.5
d_Interface(4,3) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(4,3) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(4,3) = 6 - 4 = 2 -> linear -> H(d)= 0.286
H(d_j(4,3)) = 1/9 * (0+0+0.333+0+0.5+0.5+0+0+0.286) = 1.619

Nilai Deviasi d_j(4,5)

d_{HDD Capacity}(4,5) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(4,5) = 6 - 7 = -1 -> quasi -> H(d)= 0
d_{Write Speed}(4,5) = 4 - 4 = 0 -> linear quasi -> H(d)= 0
d_{Read Speed}(4,5) = 2 - 4 = -2 -> linear -> H(d)= 0.286
d_Height(4,5) = 7 - 6 = 1 -> level -> H(d)= 0
d_Width(4,5) = 6 - 5 = 1 -> level -> H(d)= 0
d_Interface(4,5) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(4,5) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(4,5) = 6 - 6 = 0 -> linear -> H(d)= 0
H(d_j(4,5)) = 1/9 * (0+0+0+0.286+0+0+0+0+0) = 0.286

Nilai Deviasi d_j(4,6)

d_{HDD Capacity}(4,6) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(4,6) = 6 - 6 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(4,6) = 4 - 6 = -2 -> linear quasi -> H(d)= 0
d_{Read Speed}(4,6) = 2 - 6 = -4 -> linear -> H(d)= 0.571
d_Height(4,6) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(4,6) = 6 - 6 = 0 -> level -> H(d)= 0.5
d_Interface(4,6) = 6 - 5 = 1 -> gaussian -> H(d)= 0.393
d_{File System}(4,6) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(4,6) = 6 - 6 = 0 -> linear -> H(d)= 0
H(d_j(4,6)) = 1/9 * (0+0+0+0.571+0.5+0.5+0.393+0+0) = 1.965

Nilai Deviasi d_j(5,1)

d_{HDD Capacity}(5,1) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(5,1) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(5,1) = 4 - 4 = 0 -> linear quasi -> H(d)= 0
d_{Read Speed}(5,1) = 4 - 2 = 2 -> linear -> H(d)= 0.286
d_Height(5,1) = 6 - 7 = -1 -> level -> H(d)= 0.5
d_Width(5,1) = 5 - 4 = 1 -> level -> H(d)= 0
d_Interface(5,1) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(5,1) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(5,1) = 6 - 4 = 2 -> linear -> H(d)= 0.286
H(d_j(5,1)) = 1/9 * (0+0+0+0.286+0.5+0+0+0+0.286) = 1.071

Nilai Deviasi d_j(5,2)

d_{HDD Capacity}(5,2) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(5,2) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(5,2) = 4 - 7 = -3 -> linear quasi -> H(d)= 0
d_{Read Speed}(5,2) = 4 - 7 = -3 -> linear -> H(d)= 0.429
d_Height(5,2) = 6 - 6 = 0 -> level -> H(d)= 0.5
d_Width(5,2) = 5 - 5 = 0 -> level -> H(d)= 0.5
d_Interface(5,2) = 6 - 7 = -1 -> gaussian -> H(d)= 0.393
d_{File System}(5,2) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(5,2) = 6 - 7 = -1 -> linear -> H(d)= 0.143
H(d_j(5,2)) = 1/9 * (0+0+0+0.429+0.5+0.5+0.393+0+0.143) = 1.965

Nilai Deviasi d_j(5,3)

d_{HDD Capacity}(5,3) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(5,3) = 7 - 7 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(5,3) = 4 - 2 = 2 -> linear quasi -> H(d)= 0.333
d_{Read Speed}(5,3) = 4 - 2 = 2 -> linear -> H(d)= 0.286
d_Height(5,3) = 6 - 7 = -1 -> level -> H(d)= 0.5
d_Width(5,3) = 5 - 7 = -2 -> level -> H(d)= 0.5
d_Interface(5,3) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(5,3) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(5,3) = 6 - 4 = 2 -> linear -> H(d)= 0.286
H(d_j(5,3)) = 1/9 * (0+0+0.333+0.286+0.5+0.5+0+0+0.286) = 1.905

Nilai Deviasi d_j(5,4)

d_{HDD Capacity}(5,4) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(5,4) = 7 - 6 = 1 -> quasi -> H(d)= 0
d_{Write Speed}(5,4) = 4 - 4 = 0 -> linear quasi -> H(d)= 0
d_{Read Speed}(5,4) = 4 - 2 = 2 -> linear -> H(d)= 0.286
d_Height(5,4) = 6 - 7 = -1 -> level -> H(d)= 0.5
d_Width(5,4) = 5 - 6 = -1 -> level -> H(d)= 0.5
d_Interface(5,4) = 6 - 6 = 0 -> gaussian -> H(d)= 0
d_{File System}(5,4) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(5,4) = 6 - 6 = 0 -> linear -> H(d)= 0
H(d_j(5,4)) = 1/9 * (0+0+0+0.286+0.5+0.5+0+0+0) = 1.286

Nilai Deviasi d_j(5,6)

d_{HDD Capacity}(5,6) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(5,6) = 7 - 6 = 1 -> quasi -> H(d)= 0
d_{Write Speed}(5,6) = 4 - 6 = -2 -> linear quasi -> H(d)= 0
d_{Read Speed}(5,6) = 4 - 6 = -2 -> linear -> H(d)= 0.286
d_Height(5,6) = 6 - 7 = -1 -> level -> H(d)= 0.5
d_Width(5,6) = 5 - 6 = -1 -> level -> H(d)= 0.5
d_Interface(5,6) = 6 - 5 = 1 -> gaussian -> H(d)= 0.393
d_{File System}(5,6) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(5,6) = 6 - 6 = 0 -> linear -> H(d)= 0
H(d_j(5,6)) = 1/9 * (0+0+0+0.286+0.5+0.5+0.393+0+0) = 1.679

Nilai Deviasi d_j(6,1)

d_{HDD Capacity}(6,1) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(6,1) = 6 - 7 = -1 -> quasi -> H(d)= 0
d_{Write Speed}(6,1) = 6 - 4 = 2 -> linear quasi -> H(d)= 0.333
d_{Read Speed}(6,1) = 6 - 2 = 4 -> linear -> H(d)= 0.571
d_Height(6,1) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(6,1) = 6 - 4 = 2 -> level -> H(d)= 0.5
d_Interface(6,1) = 5 - 6 = -1 -> gaussian -> H(d)= 0.393
d_{File System}(6,1) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(6,1) = 6 - 4 = 2 -> linear -> H(d)= 0.286
H(d_j(6,1)) = 1/9 * (0+0+0.333+0.571+0.5+0.5+0.393+0+0.286) = 2.584

Nilai Deviasi d_j(6,2)

d_{HDD Capacity}(6,2) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(6,2) = 6 - 7 = -1 -> quasi -> H(d)= 0
d_{Write Speed}(6,2) = 6 - 7 = -1 -> linear quasi -> H(d)= 0
d_{Read Speed}(6,2) = 6 - 7 = -1 -> linear -> H(d)= 0.143
d_Height(6,2) = 7 - 6 = 1 -> level -> H(d)= 0
d_Width(6,2) = 6 - 5 = 1 -> level -> H(d)= 0
d_Interface(6,2) = 5 - 7 = -2 -> gaussian -> H(d)= 0.865
d_{File System}(6,2) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(6,2) = 6 - 7 = -1 -> linear -> H(d)= 0.143
H(d_j(6,2)) = 1/9 * (0+0+0+0.143+0+0+0.865+0+0.143) = 1.15

Nilai Deviasi d_j(6,3)

d_{HDD Capacity}(6,3) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(6,3) = 6 - 7 = -1 -> quasi -> H(d)= 0
d_{Write Speed}(6,3) = 6 - 2 = 4 -> linear quasi -> H(d)= 0.667
d_{Read Speed}(6,3) = 6 - 2 = 4 -> linear -> H(d)= 0.571
d_Height(6,3) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(6,3) = 6 - 7 = -1 -> level -> H(d)= 0.5
d_Interface(6,3) = 5 - 6 = -1 -> gaussian -> H(d)= 0.393
d_{File System}(6,3) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(6,3) = 6 - 4 = 2 -> linear -> H(d)= 0.286
H(d_j(6,3)) = 1/9 * (0+0+0.667+0.571+0.5+0.5+0.393+0+0.286) = 2.917

Nilai Deviasi d_j(6,4)

d_{HDD Capacity}(6,4) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(6,4) = 6 - 6 = 0 -> quasi -> H(d)= 0
d_{Write Speed}(6,4) = 6 - 4 = 2 -> linear quasi -> H(d)= 0.333
d_{Read Speed}(6,4) = 6 - 2 = 4 -> linear -> H(d)= 0.571
d_Height(6,4) = 7 - 7 = 0 -> level -> H(d)= 0.5
d_Width(6,4) = 6 - 6 = 0 -> level -> H(d)= 0.5
d_Interface(6,4) = 5 - 6 = -1 -> gaussian -> H(d)= 0.393
d_{File System}(6,4) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(6,4) = 6 - 6 = 0 -> linear -> H(d)= 0
H(d_j(6,4)) = 1/9 * (0+0+0.333+0.571+0.5+0.5+0.393+0+0) = 2.298

Nilai Deviasi d_j(6,5)

d_{HDD Capacity}(6,5) = 7 - 7 = 0 -> linear quasi -> H(d)= 0
d_{System Requirement}(6,5) = 6 - 7 = -1 -> quasi -> H(d)= 0
d_{Write Speed}(6,5) = 6 - 4 = 2 -> linear quasi -> H(d)= 0.333
d_{Read Speed}(6,5) = 6 - 4 = 2 -> linear -> H(d)= 0.286
d_Height(6,5) = 7 - 6 = 1 -> level -> H(d)= 0
d_Width(6,5) = 6 - 5 = 1 -> level -> H(d)= 0
d_Interface(6,5) = 5 - 6 = -1 -> gaussian -> H(d)= 0.393
d_{File System}(6,5) = 7 - 7 = 0 -> usual -> H(d)= 0
d_Harga(6,5) = 6 - 6 = 0 -> linear -> H(d)= 0
H(d_j(6,5)) = 1/9 * (0+0+0.333+0.286+0+0+0.393+0+0) = 1.013

2.4.2. Perhitungan Nilai Leaving Flow

Perhitungan Leaving Flow A₁

$\phi^{+}_{1}=\frac{1}{(6-1)}*(2.036+1.333+1.286+1.071+2.251)\\\phi^{+}_{1}=\frac{1}{5}*(7.977)\\\phi^{+}_{1}=1.595$

Perhitungan Leaving Flow A₂

$\phi^{+}_{2}=\frac{1}{(6-1)}*(2.536+3.37+2.751+2.465+2.317)\\\phi^{+}_{2}=\frac{1}{5}*(13.439)\\\phi^{+}_{2}=2.688$

Perhitungan Leaving Flow A₃

$\phi^{+}_{3}=\frac{1}{(6-1)}*(1+2.036+0.786+1.071+1.751)\\\phi^{+}_{3}=\frac{1}{5}*(6.644)\\\phi^{+}_{3}=1.329$

Perhitungan Leaving Flow A₄

$\phi^{+}_{4}=\frac{1}{(6-1)}*(1.286+1.251+1.619+0.286+1.965)\\\phi^{+}_{4}=\frac{1}{5}*(6.406)\\\phi^{+}_{4}=1.281$

Perhitungan Leaving Flow A₅

$\phi^{+}_{5}=\frac{1}{(6-1)}*(1.071+1.965+1.905+1.286+1.679)\\\phi^{+}_{5}=\frac{1}{5}*(7.906)\\\phi^{+}_{5}=1.581$

Perhitungan Leaving Flow A₆

$\phi^{+}_{6}=\frac{1}{(6-1)}*(2.584+1.15+2.917+2.298+1.013)\\\phi^{+}_{6}=\frac{1}{5}*(9.962)\\\phi^{+}_{6}=1.992$

2.4.3. Menghitung Nilai Entering Flow

Perhitungan Entering Flow A₁

φ^-₁=1/(6-1)*(2.536+1+1.286+1.071+2.584)
φ^-₁=1/5*(8.477)
φ^-₁=1.6954829742102

Perhitungan Entering Flow A₂

φ^-₂=1/(6-1)*(2.036+2.036+1.251+1.965+1.15)
φ^-₂=1/5*(8.439)
φ^-₂=1.6877084155826

Perhitungan Entering Flow A₃

φ^-₃=1/(6-1)*(1.333+3.37+1.619+1.905+2.917)
φ^-₃=1/5*(11.144)
φ^-₃=2.2288163075435

Perhitungan Entering Flow A₄

φ^-₄=1/(6-1)*(1.286+2.751+0.786+1.286+2.298)
φ^-₄=1/5*(8.406)
φ^-₄=1.6811972599245

Perhitungan Entering Flow A₅

φ^-₅=1/(6-1)*(1.071+2.465+1.071+0.286+1.013)
φ^-₅=1/5*(5.906)
φ^-₅=1.1811972599245

Perhitungan Entering Flow A₆

φ^-₆=1/(6-1)*(2.251+2.317+1.751+1.965+1.679)
φ^-₆=1/5*(9.962)
φ^-₆=1.9924703203445

2.4.4. Menghitung Nilai Net Flow

Perhitungan Net Flow A₁

φ₍₁₎ = φ⁺₍₁₎ - φ^-₍₁₎
φ₍₁₎ = 1.595 - 1.695
φ₍₁₎ = -0.1

Perhitungan Net Flow A₂

φ₍₂₎ = φ⁺₍₂₎ - φ^-₍₂₎
φ₍₂₎ = 2.688 - 1.688
φ₍₂₎ = 1

Perhitungan Net Flow A₃

φ₍₃₎ = φ⁺₍₃₎ - φ^-₍₃₎
φ₍₃₎ = 1.329 - 2.229
φ₍₃₎ = -0.9

Perhitungan Net Flow A₄

φ₍₄₎ = φ⁺₍₄₎ - φ^-₍₄₎
φ₍₄₎ = 1.281 - 1.681
φ₍₄₎ = -0.4

Perhitungan Net Flow A₅

φ₍₅₎ = φ⁺₍₅₎ - φ^-₍₅₎
φ₍₅₎ = 1.581 - 1.181
φ₍₅₎ = 0.4

Perhitungan Net Flow A₆

φ₍₆₎ = φ⁺₍₆₎ - φ^-₍₆₎
φ₍₆₎ = 1.992 - 1.992
φ₍₆₎ = -0

2.4.5. Perangkingan

rangking 1 : A₂ = 1
rangking 2 : A₅ = 0.4
rangking 3 : A₆ = -0
rangking 4 : A₁ = -0.1
rangking 5 : A₄ = -0.4
rangking 6 : A₃ = -0.9

Sehingga dipilih alternatif Harddisk External A₂(Lacie Rugged Triple) dengan nilai Net Flow sebesar 1.

Sebagai bahan pembelajaran aplikasi PROMETHEE ini; dibuat database bernama db_dss(dalam hal ini menggunakan MySQL/MariaDB Database server) sebagai berikut:

CREATE DATABASE IF NOT EXISTS db_dss;
USE db_dss;

3.1. Membuat Data Tabel Alternatif

Tabel alternatif (pro_alternatives) digunakan untuk menyimpan data-data alternatif dari kasus yang akan dihitung. Struktur tabel dasarnya adalah sebagai berikut :

DROP TABLE IF EXISTS pro_alternatives;
CREATE TABLE IF NOT EXISTS pro_alternatives (
  id_alternative smallint(5) unsigned NOT NULL AUTO_INCREMENT,
  name varchar(30) NOT NULL,
  code char(1) NOT NULL,
  PRIMARY KEY (id_alternative)
);
INSERT INTO pro_alternatives(id_alternative,name,code)
VALUES
(1,'WD My Passport','A1'),
(2,'Lacie Rugged Triple','A2'),
(3,'Toshiba Canvio Simple','A3'),
(4,'Spectra Flash RapidStore','A4'),
(5,'A-Data DashDrive','A5'),
(6,'Buffalo Mini Station','A6');

Pada tabel pro_alternatives tersebut hanya disimpan nilai attribute name, dan code saja secara praktis, untuk pengembangannya dapat ditambahkan atribut-atribut lainnya; semisal spesifikasi teknis, harga dan sebagainya.

3.2. Membuat Data Tabel Kriteria

Tabel kriteria pro_criterias berisi data nama kriteria-kriteria utama yang akan dibandingkan. Dalam contoh ini, seperti data yang ada dalam [Tabel 1] ada 4 kriteria yang ada (Kapasitas, Kecepatan Transfer, Dimensi, dan Tipe USB). Struktur tabel dan data yang dimasukkan adalah sebagai berikut:

DROP TABLE IF EXISTS pro_criterias;
CREATE TABLE IF NOT EXISTS pro_criterias (
  id_criteria smallint(5) unsigned NOT NULL AUTO_INCREMENT,
  criteria varchar(30) NOT NULL,
  PRIMARY KEY (id_criteria)
);

INSERT INTO pro_criterias(id_criteria,criteria)
VALUES
(1,'Kapasitas'),
(2,'Kecepatan Transfer'),
(3,'Dimensi'),
(4,'Tipe USB'),
(5,'Lain-lain');

3.3. Membuat Data Tabel Tipe Preferensi

Berdasarkan Tipe-tipe Kriteria Dasar Fungsi Preferensi yang dijelaskan di atas, dibuat tabel tipe preferensi pro_types sebagai berikut:

DROP TABLE IF EXISTS pro_types;
CREATE TABLE IF NOT EXISTS pro_types (
  id_type smallint(5) unsigned NOT NULL AUTO_INCREMENT,
  type varchar(30) NOT NULL,
  PRIMARY KEY (id_type)
);
INSERT INTO pro_types(id_type,type)
VALUES
(1,'Usual'),
(2,'Linear'),
(3,'Quasi'),
(4,'Linear Quasi'),
(5,'Level'),
(6,'Gaussian');

3.4. Membuat Data Tabel Sub Kriteria

Dari data pada Tabel 1 dibuatkan tabel sub kriteria pro_sub_criterias yang berisi data sub kriteria secara lebih detail, sebagai berikut :

DROP TABLE IF EXISTS pro_sub_criterias;
CREATE TABLE IF NOT EXISTS pro_sub_criterias (
  id_sub_criteria smallint(11) unsigned NOT NULL AUTO_INCREMENT,
  id_criteria smallint(5) unsigned NOT NULL,
  nama varchar(30) NOT NULL,
  id_type tinyint(2) NOT NULL,
  min_max SET('min','max') DEFAULT 'max',
  p double,
  q double,
  s double,
  PRIMARY KEY (id_sub_criteria)
);
INSERT INTO pro_sub_criterias(id_sub_criteria,id_criteria,nama,id_type,min_max,p,q,s)
VALUES
(1,1,'HDD Capacity',4,'max',7,1,0),
(2,1,'System Requirement',3,'max',7,5,0),
(3,2,'Write Speed',4,'max',7,1,0),
(4,2,'Read Speed',2,'max',7,0,0),
(5,3,'Height',5,'max',7,1,0),
(6,3,'Width',5,'max',7,1,0),
(7,4,'Interface',6,'max',0,0,1),
(8,4,'File System',1,'max',0,0,0),
(9,5,'Harga',2,'min',7,0,0);

3.5. Membuat Data Tabel Evaluasi

Pemetaan nilai data-data dari data alternatif yang akan dihitung dimasukkan dalam tabel pro_evaluations sebagai berikut:

DROP TABLE IF EXISTS pro_evaluations;
CREATE TABLE IF NOT EXISTS pro_evaluations (
  id_alternative smallint(5) unsigned NOT NULL,
  id_sub_criteria smallint(5) unsigned NOT NULL,
  value tinyint(2) NOT NULL,
  PRIMARY KEY (id_alternative,id_sub_criteria)
);
INSERT INTO pro_evaluations(id_alternative,id_sub_criteria,value)
VALUES
(1,1,7),(1,2,7),(1,3,4),(1,4,2),(1,5,7),(1,6,4),(1,7,6),(1,8,7),(1,9,4),
(2,1,7),(2,2,7),(2,3,7),(2,4,7),(2,5,6),(2,6,5),(2,7,7),(2,8,7),(2,9,7),
(3,1,7),(3,2,7),(3,3,2),(3,4,2),(3,5,7),(3,6,7),(3,7,6),(3,8,7),(3,9,4),
(4,1,7),(4,2,6),(4,3,4),(4,4,2),(4,5,7),(4,6,6),(4,7,6),(4,8,7),(4,9,6),
(5,1,7),(5,2,7),(5,3,4),(5,4,4),(5,5,6),(5,6,5),(5,7,6),(5,8,7),(5,9,6),
(6,1,7),(6,2,6),(6,3,6),(6,4,6),(6,5,7),(6,6,6),(6,7,5),(6,8,7),(6,9,6);

4.1. Koneksi ke Database Server

Dari databse yang sudah dibuat, kita bisa membuat script php untuk membuat koneksi ke database server dengan extension mysqli secara sederhana sebagai berikut:

<?php //-- database configurations $dbhost='localhost'; $dbuser='root'; $dbpass=''; $dbname='db_dss'; //-- database connections $db=new mysqli($dbhost,$dbuser,$dbpass,$dbname); //-- halt and show error message if connection fail if ($db->connect_error) { die('Connect Error ('.$db->connect_errno.')'.$db->connect_error); } ?>;

Sesuaikan nilai-nilai $dbhost,$dbuser,$dbpass dan $dbname dengan konfigurasi database yg digunakan.

PHP Reference Manual : MySQLi Extension http://php.net/manual/en/book.mysqli.php

4.2. Menyiapkan Data yang Akan Diolah

Sebelum melangkah ke pemrograman yang lebih lanjut, disiapkan dulu data-data yang akan diolah. Data-data tersebut diambil dari database yang sudah dibuat sebelumnya. Data-data yang disiapkan adalah data alternatif, sub-kriteria dan data nilai untuk tiap-tiap alternatif (data evaluasi). Data-data tersebut dimasukkan ke dalam variable array untuk selanjutnya akan digunakan dipemrograman berikutnya.

<?php $sql="SELECT a.id_alternative,c.name AS alternative, c.code, a.id_sub_criteria,a.value, b.id_criteria, b.id_type, b.p,b.q,b.s FROM pro_evaluations a JOIN pro_sub_criterias b USING(id_sub_criteria) JOIN pro_alternatives c USING(id_alternative) ORDER BY a.id_alternative,a.id_sub_criteria"; $result=$db->query($sql); $data=array(); $alternative=''; $alternatives=array(); $sub=''; $subs=array(); while($r=$result->fetch_object()){ if($sub!=$r->id_sub_criteria){ $subs[$r->id_sub_criteria]=array( 'type'=>$r->id_type, 'p'=>$r->p, 'q'=>$r->q, 's'=>$r->s ); } if($alternative!=$r->code){ $alternative=$r->code; $alternatives[$r->code]=$r->alternative; $data[$r->code]=array(); } $data[$r->code][$r->id_sub_criteria]=$r->value; } ?>

PHP Reference Manual : Arrays http://php.net/manual/en/language.types.array.php

4.3. Penentuan Deviasi Berdasarkan Perbandingan Berpasangan

Dengan menggunakan persamaan [PMT-01], ditentukan nilai deviasi dari masing-masing kriteria/subkriteria dari suatu alternatif terhadap alternatif yang lainnya.

<?php $d=array(); foreach($alternatives as $code_A=>$name_A){ $d[$code_A]=array(); foreach($alternatives as $code_B=>$name_B){ if($code_A!=$code_B){ $d[$code_A][$code_B]=array(); foreach($subs as $sub=>$v){ $d[$code_A][$code_B][$sub]=abs($data[$code_A][$sub]-$data[$code_B][$sub]); } } } } ?>

PHP Reference Manual : Foreach http://php.net/manual/en/control-structures.foreach.php

4.4 Penerapan Fungsi Preferensi

Dari hasil perhitungan nilai deviasi pada langkah sebelumnya, dan mengacu pada persamaan [PMT-02] serta mengaplikasikan fungsi preferensi yang sesuai (lihat: Tipe-tipe Kriteria Dasar Fungsi Preferensi] maka dapat dihitung nilai-nilai preferensinya.

Untuk keperluan penghitungan nilai preferensi dibuat satu fungsi preference(), dengan parameter masukan berupa nilai dan data sesuai tipe preferensinya, sebagai berikut:

<?php function preference($value,$sub){ if($sub['type']==1){ //-- usual` return $value==0?0:1; }elseif($sub['type']==2){ //-- linear return $value==0?0:($value>$sub['p']?1:abs($value/$sub['p'])); }elseif($sub['type']==3){ //-- quasi return $value<=$sub['q']?0:1; }elseif($sub['type']==4){ //-- linear quasi return $value<$sub['q']?0:($value>$sub['p']?1:abs($value/($sub['p']-$sub['q']))); }elseif($sub['type']==5){ //-- level return $value==$sub['q']?0:($value>$sub['p']?1:0.5); }elseif($sub['type']==6){ //-- gaussian return $value==0?0:1-exp(-1*pow($value,2)/(2*pow($sub['s'],2))); } } ?>

Sehingga dapat ditentukan nilai-nilai preferensi sebagai berikut :

<?php $P=array(); foreach($alternatives as $code_A=>$name_A){ $P[$code_A]=array(); foreach($alternatives as $code_B=>$name_B){ if($code_A!=$code_B){ $P[$code_A][$code_B]=array(); foreach($subs as $sub=>$v){ $P[$code_A][$code_B][$sub]=preference($d[$code_A][$code_B][$sub],$subs[$sub]); } } } } ?>

4.5. Perhitungan Indeks Preferensi Global

Karena dalam kasus ini nilai semua bobot preferensinya dianggap sama dengan 1 (satu) maka dapat diabaikan, sehingga nilai Indeks Preferensi Global-nya sesuai persamaan [PMT-03] dapat dihitung sebagai berikut:

<?php $j=count($subs); $sigma=array(); foreach($alternatives as $code_A=>$name_A){ $sigma[$code_A]=array(); foreach($alternatives as $code_B=>$name_B){ if($code_A!=$code_B){ $sigma[$code_A][$code_B]=array_sum($P[$code_A][$code_B])/$j; } } } ?>

PHP Reference Manual : array_sum() http://php.net/manual/en/function.array-sum.php

4.6. Perhitungan Aliran Perangkingan dan Peringkat Parsial (PROMETHEE I)

Langkah berikutnya adalah menghitung aliran perangkingan dan peringkat parsialnya, dalam hal ini akan dihitung nilai leaving flow [PMT-04 dan nilai entering flow [PMT-05]

<?php //-- menghitung Leaving Flow $leaving_flow=array(); $devider=count($sigma)-1; foreach($sigma as $code_A=>$value_A){ $leaving_flow[$code_A]=array_sum($value_A)/$devider; } //-- menghitung Entering Flow $entering_flow=array(); foreach($sigma as $code_A=>$item_A){ foreach($item_A as $code_B=>$value_B){ if(!isset($entering_flow[$code_B])) $entering_flow[$code_B]=0; $entering_flow[$code_B]+=$value_B; } } foreach($sigma as $code_A=>$value_A){ $entering_flow[$code_A]/=$devider; } ?>

4.7. Perhitungan Aliran Perangkingan Bersih dan Peringkat Lengkap (PROMETHEE II)

Langkah terakhir adalah menghitung Net-FLow (Aliran perangkingan bersih) dan peringkat lengkap-nya

<?php //-- Menghitung Net-Flow $net_flow=array(); foreach($leaving_flow as $code_A=>$value_A){ $net_flow[$code_A]=$value_A - $entering_flow[$code_A]; } //-- Menentukan peringkat lengkapnya arsort($net_flow); ?>

Dan (bagi) orang-orang yang menerima (mematuhi) seruan Tuhannya dan mendirikan shalat sedang urusan mereka (diputuskan) dengan musyawarat antara mereka dan mereka menafkahkan sebagian dari rezeki yang Kami berikan kepada mereka.

QS Asy Syuura (42) : 38

Brans, J.P. & Vincke, Ph., (1985) A preference ranking organization method: The PROMETHEE method. Management Science 31: 647–656.
Brans, Jean-Pierre. (1998) Promethee Method. Centrum Voor Statistiek Operationeel Onderzoek, Brussel University.Belgia.
Brans, J.P. & Mareschal, B., (2005) PROMETHEE Method, Multiple Criteria Decision Analysis: State of the Art Surveys, Springer pp 163-186
Ignatius, J. , dkk. (2012) Financial Performance of Iran’s Automotive Sector based on PROMETHEE II. Malaysia : IEEE ICMIT
Kusrini. (2007). Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: Penerbit Andi.
Kusumadewi, S., Hartati, S., Harjoko, A., dan Wardoyo, R. (2006). Fuzzy Multi-Atribute Decision Making (FUZZY MADM). Yogyakarta: Penerbit Graha Ilmu.
Mateo, J.R.S.C. (2012) Multi-Criteria Analysis in the Renewable Energy Industry , Springer
Tien-Yin Chou, Wen-Tzu Lin, Chao-Yuan Lin, Wen-Chieh Choud dan Pi-Hui Huang, (2004), Application of the PROMETHEE technique to determine depression outlet location and flow direction in DEM, Journal of Hydrology, 287:49–61.
Tzeng, Gwo-Hshiung , (2003) Fuzzy MCDM in Past, Present, and Future, Management of Technology, 1:12-18
Vermaat, Shelly Cashman. (2008) Discovering Computers "Menjelajah Dunia Komputer" FUNDAMENTAL. Third Edition. Salemba Infotek.

Decision Support System Series

Preference Ranking Organization METHod for Enrichment Evaluation

Contoh implementasi DSS (Decision Support System) dengan metode PROMETHEE menggunakan PHP dan MySQL untuk pemilihan hardisk eksternal.

1. Pendahuluan

Pre-requisites

1.1. Teori Dasar

1.1.1. Dominasi Kriteria

1.1.2 Tipe-tipe Kriteria Dasar Fungsi Preferensi

1.1.3. Nilai threshold atau kecenderungan

1.3. Langkah-langkah PROMETHEE

1.3. Tahapan Penyeleksian dengan Metode PROMETHEE

2. Contoh Kasus dan Perhitungan

2.1. Latar Belakang Masalah

2.2. Batasan Masalah

2.3. Contoh Nilai Data

2.4. Perhitungan Manual

2.4.1. Penentuan Nilai Deviasi berdasarkan Perbandingan Berpasangan dj(a,b)

Nilai Deviasi dj(1,2)

Nilai Deviasi dj(1,3)

Nilai Deviasi dj(1,4)

Nilai Deviasi dj(1,5)

Nilai Deviasi dj(1,6)

Nilai Deviasi dj(2,1)

Nilai Deviasi dj(2,3)

Nilai Deviasi dj(2,4)

Nilai Deviasi dj(2,5)

Nilai Deviasi dj(2,6)

Nilai Deviasi dj(3,1)

Nilai Deviasi dj(3,2)

Nilai Deviasi dj(3,4)

Nilai Deviasi dj(3,5)

Nilai Deviasi dj(3,6)

Nilai Deviasi dj(4,1)

Nilai Deviasi dj(4,2)

Nilai Deviasi dj(4,3)

Nilai Deviasi dj(4,5)

Nilai Deviasi dj(4,6)

Nilai Deviasi dj(5,1)

Nilai Deviasi dj(5,2)

Nilai Deviasi dj(5,3)

Nilai Deviasi dj(5,4)

Nilai Deviasi dj(5,6)

Nilai Deviasi dj(6,1)

Nilai Deviasi dj(6,2)

Nilai Deviasi dj(6,3)

Nilai Deviasi dj(6,4)

Nilai Deviasi dj(6,5)