DSS MAUT Method

Decision Support System Series

Multi Attribute Utility Theory

Contoh implementasi DSS (Decision Support System) dengan metode MAUT menggunakan PHP dan MySQL untuk Seleksi Penerima Karyawan

Metode Multi Attribute Utility Theory (MAUT) adalah suatu metode perbandingan kuantitatif yang biasanya mengkombinasikan pengukuran atas biaya resiko dan keuntungan yang berbeda.

author : cahya dsn, published on : June 11th, 2019 updated on : October 19th, 2020

minerva minerva donasi donation

Mau lihat artikel lainya? Dapatkan artikel-artikel lain seputar pemrograman website di sini, dan dapatkan ide-ide baru

Dalam Multi Attribute Utility Theory (MAUT) evaluasi keseluruhan v(x) dari suatu objek x didefinisikan sebagai penjumlahan bobot dengan suatu nilai yang relevan terhadap nilai dimensinya(Schäfer, 2001) Ungkapan yang biasa digunakan untuk menyebutnya adalah nilai utilitas.

Multi Attribute Utility Theory (MAUT) adalah metode untuk secara efektif mengintegrasikan data subjektif dan objektif ke skala umum atau indeks (Garre 1992) yang dapat digunakan untuk pengambilan keputusan. Literatur umum yang menggambarkan MAUT mengungkapkan bahwa itu adalah sebuah metode untuk pengambilan keputusan

Teknik ini menggunakan data yang dikumpulkan dengan sistem pembobotan spesifik dan sensitif untuk menilai keputusan diberikan mengenai berbagai atribut (variabel atau hasil), untuk menemukan keputusan yang optimal diberi seperangkat kriteria yang spesifik (Barron & Barrett 1996; Herrmann & Code 1996)

Dalam Metode Multi Attribute Utility Theory (MAUT) diperlukan pembangunan multi-attribute utility model, yaitu penspesifikasian dimensi dari permasalahan evaluasi dan keputusan secara spesifik.

Metode Multi Attribute Utility Theory(MAUT) adalah suatu metode perbandingan kuantitatif yang biasanya mengkombinasikan pengukuran atas biaya resiko dan keuntungan yang berbeda. Setiap kriteria yang ada memiliki beberapa alternatif yang mampu memberikan solusi. Untuk mencari alternatif yang mendekati dengan keinginan user maka untuk mengidentifikasikannya dilakukan perkalian terhadap skala prioritas yang sudah ditentukan. Sehingga hasil yang terbaik dan paling mendekati dari alternatif-alternatif tersebut yang akan diambil sebagai solusi (Anugerah 2008).

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

1.1. Perhitungan MAUT

MAUT digunakan untuk mengubah dari beberapa kepentingan ke dalam nilai numerik dengan skala 0-1 dengan 0 mewakili pilihan terburuk dan 1 terbaik. Hal ini memungkinkan perbandingan langsung yang beragam ukuran(Gusdha et.al 2010). Untuk mendapatkan nilai dalam skala 0 s.d. 1 digunakan normalisasi nilai dengan menggunakan persamaan berikut ini:

$U(x)=\frac{x-x^{-}_i}{x^{+}_i+x^{-}_i}$
.. [MAUT-01]

Keterangan:

  • $U(x)$ : Normalisasi bobot alternative
  • $x$ : Bobot alternatif
  • $x^{-}_i$ : Bobot terburuk (minimum) dari kriteria ke-x
  • $x^{+}_i$ : Bobot terbaikk (maksimum) dari kriteria ke-x

Hasil akhirnya adalah urutan peringkat dari evaluasi alternatif yang menggambarkan pilihan dari para pembuat keputusan. Nilai evaluasi seluruhnya dapat didefinisikan dengan persamaan :

$v(x)=\sum_{i=1}^n w_i*u_i(x)$
.. [MAUT-02]

Dimana $u_i(x)$ merupakan nilai evaluasi dari sebuah objek ke $i$ dan $w_i$ merupakan bobot yang menentukan nilai dari seberapa penting elemen ke $i$ terhadap elemen lainnya. Sedangkan $n$ merupakan jumlah elemen. Total dari bobot adalah 1, seperti yang ditunjukkan dalam persamaan berikut :

$\sum_{i=1}^n w_i=1$
.. [MAUT-03]

1.2. Langkah-langkah MAUT

Secara ringkas langkah-langkah dalam metode MAUT adalah sebagai berikut (Puspitasari et.al. 2013) :

  1. Pecah sebuah keputusan ke dalam dimensi yang berbeda.
  2. Tentukan bobot alternatif pada masing-masing dimensi.
  3. Daftar semua alternatif
  4. Masukkan utility untuk masing-masing alternatif sesuai atributnya.
  5. Kalikan utility dengan bobot untuk menentukan nilai masing-masing alternatif.

1.3. Kelebihan dan Kekurangan Metode MAUT

Metode Multi Attribute Utility Theory (MAUT) memliki beberapa kelebihan dan kekurangan, antara lain :

1.3.1 Kelebihan

  • Dapat megetahui dengan cepat tentang status akhir atau hasil
  • Dapat memberikan alternatif terbaik dengan hasil terbaik

1.3.2. Kekurangan

  • Range nilai pada variabel masih bersifat statis
  • Pada Penentuan Bobot
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 calon alternatif ditampilkan secara acak/random antara 10 s.d 20

PT. Lintas Dinamika merupakan penyedia jasa transportasi dan wisata yang selalu berhubungan erat dengan masyarakat, karena merupakan produk yang selalu dibutuhkan masyarakat untuk keperluan sehari – hari. Dari berbagai layanan yang ditawarkan PT. Lintas Dinamika misalnya penyewaan angkutan umum, penyewaan angkutan barang, penyewaan angkutan pariwisata, jasa antar jemput, jasa pengawalan, jasa booking hotel dan perjalanan wisata, serta lain-lainnya.

Untuk membangun perusahaan yang maju maka PT. Lintas Dinamika harus memiliki karyawan yang bermutu atau berkualitas.

Pengadaan adalah proses penarikan, seleksi, penempatan, orientasi, dan induksi untuk mendapatkan karyawan yang efektif dan efisien membantu tercapainya tujuan perusahaan (Hasibuan 2007).Untuk mendapatkan karyawan yang berkualitas PT. Lintas Dinamika memiliki kriteria yang sudah ditetapkan dalam penyeleksian karyawan.

Pada kasus penerimaan karyawan ini telah ditentukan 5 buah kriteria yang diperhitungkan, yaitu Usia, Pendidikan, Pengalaman Kerja, Tes Kecakapan, dan Tes Wawancara dengan rincian bobot penilaian seperti pada TABEL 1 berikut :

TABEL 1 : Kriteria dan Bobot
KodeNamaBobot
C1Usia50
C2Pendidikan25
C3Pengalaman Kerja5
C4Tes Kecakapan20
C5Tes Wawancara20

TABEL 2 : Data Calon Karyawan
KodeNamaKriteria
UsiaPendidikanPengalaman KerjaTes KecakapanTes Wawancara
A1Bella R.24126471
A2Nina L.273110077
A3A. Oscar23129590
A4S. Dewi20129993
A5Wawan25328784
A6N. Yuna24139095
A7Zaki M.25319372
A8Vicky M.24228474
A9Intan H.20139784
A10James D.19238885
A11A. Usman22129377
A12Pandu20116870
A13D. Enrico27137065
A14Reza A.28207471
A15A. Hilmi23226075

Uraian diberikan secara langkah per langkah agar memudahkan pemahaman dalam pembuatan aplikasinya. Dimulai dari rancangan schema database-nya hingga langkah-langkah implemantasi proses sesuai Metode MAUT yang sudah dijelaskan sebelumnya, dengan menggunakan data sesuai dengan contoh kasus yang diberikan.

Untuk menyimpan data-data kriteria, alternatif dan data sample ; disini digunakan database bernama db_dss yang dibuat dengan sintak SQL sebagai berikut:

CREATE DATABASE IF NOT EXISTS db_dss;
USE db_dss;

Awalnya membuat dulu database dengan nama db_dss jika belum ada database dengan nama tersebut, kemudian gunakan database tersebut dengan memakai sintak USE db_dss;

Dalam hal ini, pembuatan database memakai command console dari database server yang bersangkutan

Data-data kriteria seperti dalam Tabel 1 direpresentasikan dalam bentuk table database sebagai berikut:

-- menghapus tabel maut_criterias jika sudah ada
DROP TABLE IF EXISTS maut_criterias;
-- membuat tabel maut_criterias jika tidak ada
CREATE TABLE IF NOT EXISTS maut_criterias(
  id_criteria TINYINT(3) UNSIGNED AUTO_INCREMENT,
  criteria VARCHAR(100) NOT NULL,
  weight FLOAT NOT NULL,
  PRIMARY KEY(id_criteria)
)ENGINE=MyISAM;

-- memasukkan data-data kriteria
INSERT INTO maut_kriteria(id_criteria,criteria,weight)
VALUES
(1,'Usia','50'),
(2,'Pendidikan','25'),
(3,'Pengalaman Kerja','5'),
(4,'Tes Kecakapan','20'),
(5,'Tes Wawancara','20');

Data-data alternatif yang terdapat dalam contoh kasus (Tabel 2) dibuatkan script SQL-nya seperti ini:

DROP TABLE IF EXISTS maut_alternatives;
CREATE TABLE IF NOT EXISTS maut_alternatives(
  id_alternative TINYINT(3) UNSIGNED AUTO_INCREMENT,
  alternative VARCHAR(100) NOT NULL,
  PRIMARY KEY(id_alternatif)
)ENGINE=MyISAM;

INSERT INTO moo_alternatif(id_alternative,alternative)
VALUES
(2,'Bella R.'),
(3,'Nina L.'),
(4,'A. Oscar'),
(5,'S. Dewi'),
(6,'Wawan'),
(7,'N. Yuna'),
(8,'Zaki M.'),
(9,'Vicky M.'),
(10,'Intan H.'),
(11,'James D.'),
(12,'A. Usman'),
(13,'Pandu'),
(14,'D. Enrico'),
(15,'Reza A.'),
(16,'A. Hilmi');

Beberapa simpulan yang bisa diperoleh adalah

  • Penggunaan metode MAUT dapat membantu proses seleksi dan menentukan karyawan berdasarkan kriteria yang telah ditetapkan dan diberi bobot oleh pengambil keputusan.

  • Anugerah, Sandy. (2008). Rancang Bangun Aplikasi Panduan Modifikasi Kendaraan Roda Empat Pada Mobile Device Dengan Metode Multi-Attribute Utility Theory (Maut). Surabaya: Institut Teknologi Sepuluh Nopember (ITS).
  • Barron, F.H. & Barrett, B.E. (1996). Decision Quality Using Ranked Attribute Weights. Management Science, 42(11), 1515-1522.
  • Garre, P.P. (1992). Multiattribute utility theory in decision-making. Nursing Management, 23(5), 33-35.
  • Hasibuan, Drs. H. Malayu, S.P. (2007).Manajemen Sumber Daya Manusia. Jakarta : Cetakan 9. PT. Bumi Aksara
  • Herrmann, M. & Code, C. (1996). Weightings of items on the Code-Muller Protocols: The effects of clinical experience of aphasia therapy. Disability and Rehabilitation, 18(10), 509-514.
  • M Gusdha, Eka Andrita, dkk, (2010) Sistem Promosi Jabatan Karyawan dengan Metode Analytical Hierarchy Process (AHP) dan Multi-Attribute Utility Theory (MAUT) (Studi Kasus pada PT. Ginsa Inti Pratama), Universitas Indonesia
  • Puspitasari, Nia Budi, dkk. (2013) Pemilihan Strategi Bisnis Dengan Menggunakan QSPM (Quantitative Strategic Planning Matrix) dan Model MAUT (Multi Attribute Utility Theory) (Studi Kasus Pada Sentra Industri Gerabah Kasongan, Bantul, Yogyakarta): Jati Undip, Vol. VIII, No 3.
  • Schäfer, R. (2001). Rules for using multi-attribute utility theory for estimating a user’s interests. In Ninth Workshop Adaptivität und Benutzermodellierung in Interaktiven Softwaresystemen (pp. 8–10).