Mohon tunggu...
Abdullah Isbarul Fahmi
Abdullah Isbarul Fahmi Mohon Tunggu... Programmer - Mahasiswa Universitas Islam Negeri Walisongo Semarang

Saya seorang IT Enthusiast yang sedang menempuh pendidikan S1 di Universitas Islam Negeri Walisongo Semarang. Anda bisa menemukan detail pribadi diri saya dengan mengunjungi link: https://www.linkedin.com/in/aisaif.

Selanjutnya

Tutup

Ilmu Alam & Tekno

Sistem Pendukung Keputusan untuk Pengoptimalan Seleksi Giveaway pada Platform Youtube Menggunakan Pendekatan AHP-SAW

13 Juni 2024   18:20 Diperbarui: 13 Juni 2024   19:56 267
+
Laporkan Konten
Laporkan Akun
Kompasiana adalah platform blog. Konten ini menjadi tanggung jawab bloger dan tidak mewakili pandangan redaksi Kompas.

Pendahuluan

Platform YouTube telah berkembang menjadi salah satu saluran utama bagi pembuat konten untuk berinteraksi dengan penonton mereka, memperluas publik, dan membentuk komunitas yang kuat. Mengadakan giveaway adalah salah satu metode yang populer yang digunakan oleh kreator untuk meningkatkan keterlibatan dan kesetiaan pengikut mereka. Senjata yang paling ampuh untuk meningkatkan keterlibatan pelanggan adalah giveaway. Namun, kreator seringkali menghadapi kesulitan dalam menentukan penerima yang paling layak dengan cara yang lebih adil dan efisien.

Penulis menggunakan kombinasi antara metode Analytical Hierarchy Process (AHP) dan Simple Additive Weighting (SAW) untuk mengoptimalkan pemilihan penerima giveaway di YouTube dalam merancang sistem pendukung keputusan. Pengambil keputusan menggunakan sistem pendukung keputusan untuk memilih alternatif terbaik dari sejumlah alternatif dan melanjutkannya sebagai solusi suatu masalah. Metode Analytical Hierarchy Process (AHP) akan memberikan penilaian bobot relatif dari setiap kriteria dan subkriteria berdasarkan preferensi relatif dari pengambil keputusan. Sementara, metode Simple Additive Weighting (SAW) akan menilai alternatif yang tersedia berdasarkan kriteria dan bobotnya yang telah ditetapkan sehningga didapatkan nilai akhir atau skor kinerja.

Metodologi

Metode AHP

Metode Analytical Hierarhical Process dikembangkan oleh Thomas L Saaty dari Universitas Pittsburg yang merupakan seorang ahli matematika. Metode ini dimaksudkan untuk mengumpulkan persepsi orang tentang masalah tertentu dengan menggunakan prosedur yang dirancang sampai pada skala preferensi di antara berbagai set alternatif. Hirarki memungkinkan masalah kompleks diuraikan ke dalam kelompok-kelompok yang diatur secara hirarki sehingga lebih sistematis dan terstruktur.

Analisis Hierarki Pilihan (AHP) adalah metode pengambilan keputusan yang memanfaatkan kriteria ganda, baik kuantitatif maupun kualitatif, nyata maupun tidak nyata, dan juga mempertimbangkan konflik dan perbedaan.

Secara umum, metode ini dibagi menjadi tiga proses utama, yaitu pembuatan struktur hirarki, kompilasi evaluasi matriks dan penyortiran hirarki dan pengecekan konsistensi. Berikut merupakan tahapan-tahapan pembobotan kriteria menggunakan metode AHP .

Pembentukan Matriks Berpasangan

Tabel Matriks Perbandingan Berpasangan
Tabel Matriks Perbandingan Berpasangan

Nilai elemen-elemen pada matriks harus berdasarkan terhadap skala penilaian perbandingan berpasangan. Untuk rinciannya, dapat dilihat pada tabel di bawah ini.

Tabel Skala Penilaian Perbandingan Berpasangan
Tabel Skala Penilaian Perbandingan Berpasangan

Untuk menghitung matriks perbandingan berpasangan (Mi), masing-masing elemen diperkalikan pada masing-masing baris matriks perbandingan, seperti yang ditunjukkan dalam persamaan berikut:

Menghitung Nilai Mi
Menghitung Nilai Mi

Menghitung Prioritas Vektor

Selanjutnya, hitung nilai n akar pangkat dari Mi yang persamaanya dapat dilihat sebagai berikut.

Menghitung Nilai Ŵi
Menghitung Nilai Ŵi

Lalu lakukan normalisasi nilai terhadap  atau ini disebut juga dengan nilai Eigenvector yang merupakan nilai bobot kriteria yang akan digunakan, dengan persamaan sebagai berikut.

Menghitung Nilai Wi
Menghitung Nilai Wi

Uji Konsistensi Index dan Rasio

Dibutuhkan nilai CR < 0.1 untuk dinilai telah konsisten pada matriks perbandingan berpasangan sehingga nilai bobot prioritas ini bisa digunakan untuk menghitung nilai akhir alternatif. Nilai CR (Consistency Ratio) didapat dari persamaan berikut.

Menghitung Nilai CR
Menghitung Nilai CR

Nilai CI (Concistency Index) didapat dari persamaan berikut.

Menghitung Nilai CI
Menghitung Nilai CI

Untuk nilai dari atau lamda maks didapat dari persamaan berikut.

Menghitung Nilai Lamda Maks
Menghitung Nilai Lamda Maks

Untuk nilai RI (Random Index) disesuaikan dengan jumlah kriteria (n) yang dimiliki berbanding terhadap level yang sedang diuji. Untuk nilainya sendiri dapat dilihat pada tabel berikut.

Tabel Random Consistency Index
Tabel Random Consistency Index

Metode SAW

Metode Simple Additive Weighting menggunakan pembobotan untuk masing-masing kriteria untuk menghasilkan hasil perankingan. Metode ini memiliki dua atribut: benefit dan cost. Agar metode ini dapat mempertimbangkan semua opsi yang tersedia, proses normalisasi keputusan (x) harus dilakukan.

Normalisasi dapat dilakukan dengan formula sebagai berikut.

Normalisasi Matrik
Normalisasi Matrik

Selanjutnya nilai preferensi untuk setiap alternatif (Vi) didapatkan dengan formula sebagai berikut.

Perhitungan Nilai Preferensi
Perhitungan Nilai Preferensi

Alternatif yang memiliki nilai  yang lebih besar, mengindikasikan bahwa alternatif tersebut yang direkomendasikan.

Studi Kasus

Penentuan Kriteria dan Hirarkinya

Diperoleh penetapan kriteria dari hasil observasi dan analisis data pada platform youtube. Struktur hirarki dari permasalahan yang ingin diteliti, yaitu pemilihan penerima giveaway terbaik berdasarkan beberapa kriteria yang digambarkan sebagai berikut.

Hirarki Kriteria Penerima Giveaway
Hirarki Kriteria Penerima Giveaway

Goal atau tujuan berdasarkan pada gambar di atas memiliki tiga kriteria utama dalam menentukan urutan rekomendasi pemenang. Kriteria pertama adalah memastikan calon penerima giveaway apakah dia telah berlangganan terhadap saluran.

Hirarki dan Nilai Kriteria
Hirarki dan Nilai Kriteria

Pada level 1 kriteria pertama (C1) dan ketiga (C3), didapatkan dua nilai kriteria, yaitu “Ya” dan “Tidak”. Masing-masing rating kecocokan setiap nilai adalah sebagai berikut.

Rating Kecocokan Setiap Nilai Kriteria C1 dan C3
Rating Kecocokan Setiap Nilai Kriteria C1 dan C3

Kriteria kedua (C2) merupakan keaktifan calon penerima giveaway. Pada level kedua kriteria ini (C2) memiliki tiga subkriteria, yaitu persentase calon penerima giveaway dari total video yang ditonton, dikomentari dan disukai terhadap saluran. Masing-masing nilai subkriteria tersebut dibagi menjadi tiga nilai yang terhimpun, yaitu rentang dari 0% <= x < 33%, 33% <= x < 66% dan x >= 66%; dimana, x merupakan nilai persentasenya. Masing-masing rating kecocokan setiap nilai kriteria adalah sebagai berikut.

Rating Kecocokan Setiap Nilai Subkriteria C2
Rating Kecocokan Setiap Nilai Subkriteria C2

Penerapan Metode AHP dalam Penentuan Bobot Kriteria

Dilakukan proses pembobotan dua level kriteria berdasarkan pembentukan kriteria dan hirarkinya. Tahap pertama pada analisis perhitungan pembobotan untuk semua level kriteria adalah melakukan pembentukan matriks berpasangan yang ditunjukkan pada 2 tabel berikut.

Tabel Matriks Perbandingan Berpasangan Level Pertama
Tabel Matriks Perbandingan Berpasangan Level Pertama

Tabel Matriks Perbandingan Berpasangan Level Kedua (C2)
Tabel Matriks Perbandingan Berpasangan Level Kedua (C2)

Sesuai dengan rumus yang digunakan, didapatkan bobot atau prioritas vektor per-kriteria (Wi) dengan rincian pada dua tabel di bawah ini.

Prioritas Vektor
Prioritas Vektor

Selanjutnya, nilai dari CR ditetapkan berdasarkan jumlah kriteria (n) pada masing-masing level yang dimiliki. Berhubung jumlah kriteria memiliki nilai yang sama, yaitu 3, maka masing-masing level memiliki nilai CR sebesar 0.58. nilai dan RI dihitung sesuai rumus. Didapatkan nilai yang sama juga pada level pertama dan kedua. Untuk rinciannya, dapat dilihat pada tabel di bawah ini.

Tabel Uji Konsistensi Index dan Rasio pada Level Pertama dan Level Kedua (C2)
Tabel Uji Konsistensi Index dan Rasio pada Level Pertama dan Level Kedua (C2)

Nilai pada CR menunjukkan <= 0,1, sehingga dapat dikatakan konsisten. Dari hasil pembobotan pada masing-masing level yang telah diproses menggunakan AHP dapat dilihat detailnya pada gambar di bawah.

Hasil Pembobotan pada Setiap Kriteria
Hasil Pembobotan pada Setiap Kriteria

Penerapan Metode SAW dalam Penentuan Nilai Preferensi

Misal untuk data alternatif, terdapat 5 calon penerima giveaway dengan rincian pada tabel berikut.

Tabel Data Alternatif Calon Penerima Giveway
Tabel Data Alternatif Calon Penerima Giveway

Selanjutnya dilakukan Rating kecocokan pada setiap alternatif di setiap kriteria yang dapat dilihat pada tabel berikut.

Tabel Pemberian Rating Kecocokan pada Alternatif
Tabel Pemberian Rating Kecocokan pada Alternatif

Setelah didapatkan masing-masing bobot pada setiap level, dilakukan penghitungan nilai preferensi menggunakan metode SAW pada masing-masing level dan dimulai pada level 2 pada C2 untuk mendapatkan nilai kriteria ‘Keaktifan’ dari nilai preferensi untuk setiap alternatifnya.

Pada level kedua pada kriteria ‘Keaktifan’ atau C2 diambil nilai-nilai kriterianya dan dibentuk matrik keputusan. Detail matrik dapat dilihat pada gambar berikut.

Nilai Alternatif diubah Menjadi Matrik
Nilai Alternatif diubah Menjadi Matrik

Selanjutnya, dilakukan normalisasi pada matrik keputusan menggunakan formula yang telah digunakan. Karena semua kriteria bersifat benefit, maka digunakan rumus  untuk mendapatkan nilai normalisasi pada setiap elemennya. Sehingga, didapatkan matrik normalisasi keputusan yang dapat dilihat pada persamaan berikut.

Matrik yang Telah Ternormalisasi
Matrik yang Telah Ternormalisasi

Didapatkan nilai preferensi untuk setiap alternatif (Vi) pada kriteria ‘Keaktifan’ pada tabel berikut.

Tabel Nilai C2 untuk Setiap Alternatif
Tabel Nilai C2 untuk Setiap Alternatif

Terjadi perubahan data kriteria setiap alternatif pada level 1. Data perubahan dapat dilihat pada berikut ini.

Tabel Nilai Kriteria pada Alternatif Terbaru
Tabel Nilai Kriteria pada Alternatif Terbaru

Seperti yang dilakukan oleh level kedua pada C2, dilakukan penghitungan menggunakan metode SAW pada Alternatif (tabel di atas) untuk mendapatkan nilai preferensi. Berikut merupakan hasil nilai preferensi dan perankingan yang dapat dilihat pada tabel berikut.

Tabel Nilai Preferensi untuk Setiap Alternatif
Tabel Nilai Preferensi untuk Setiap Alternatif

Berdasarkan tabel nilai preferensi diatas, dapat dikatakan bahwa A3 > A4 > A2 > A5 > A1. Nilai terbesar dimiliki oleh A3 sehingga dapat dijadikan sebagai alternatif terbaik.

Kesimpulan

Dari analisa yang telah dilakukan sebelumnya, maka kombinasi AHP dan SAW bisa dijadikan salah satu metode kombinasi dalam perancangan sistem pendukung keputusan, khususnya dalam pemilihan calon pemenang giveaway pada platform youtube. Metode SAW sangat mudah dalam pengkalkulasian sehingga jika diterapkan pada pemrograman tidak membutuhkan kode dengan kompleksitas yang tinggi. Sedangkan untuk metode AHP sangat bisa digunakan dalam menyelesaikan permasalahan dalam sistem pendukung keputusan yang memiliki kriteria dan alternatif dari berbagai tingkatan.

Baca konten-konten menarik Kompasiana langsung dari smartphone kamu. Follow channel WhatsApp Kompasiana sekarang di sini: https://whatsapp.com/channel/0029VaYjYaL4Spk7WflFYJ2H

HALAMAN :
  1. 1
  2. 2
  3. 3
  4. 4
  5. 5
  6. 6
Mohon tunggu...

Lihat Konten Ilmu Alam & Tekno Selengkapnya
Lihat Ilmu Alam & Tekno Selengkapnya
Beri Komentar
Berkomentarlah secara bijaksana dan bertanggung jawab. Komentar sepenuhnya menjadi tanggung jawab komentator seperti diatur dalam UU ITE

Belum ada komentar. Jadilah yang pertama untuk memberikan komentar!
LAPORKAN KONTEN
Alasan
Laporkan Konten
Laporkan Akun