Cara Menentukan Hero Marksman Mobile Legend Terbaik Menggunakan Metode SAW

Melanjutkan postingan sebelumnya tentang materi metode Simple Additive Weighting (SAW). Pada postingan ini kita akan membuat contoh kasus perhitungan metode SAW. Supaya lebih relate dengan kalian para anak muda maka contoh judul dari projectnya adalah “Menentukan Hero Marksman Mobile Legend Terbaik menggunakan metode SAW”. Kebetulan gua boleh nemu datanya dari sini https://www.kaggle.com/christina0512/mobile-legends-bang-bang-mlbb-hero-dataset .

Untuk contoh kasusnya gua gak akan pakai semua data. Gua akan ambil sedikit supaya kalian lebih mudah pahami. Sekarang perhatikan data yang akan kita hitung dibawah ini:

Tahap Pertama : Menentukan Atribut dan Bobot Kriteria

Dari data tersebut kita bisa lihat bahwa kita memiliki 6 Alternatif dan 4 Kriteria. Setiap Alternatif telah terisi nilai kriterianya. Pada tahap ini kita juga perlu menetukan atribut dan bobot dari setiap kriteria. Saat menentukan atribut dan bobot kriteria ini harus disesuaikan dengan kasus pada project kalian ya, jadi penentuan pada project ini bisa saja berbeda dengan project milik kalian.

Kriteria TINGKAT KESULITAN, untuk atributnya itu cost karena semakin rendah nilai tingkat kesulitannya maka semakin baik. Lalu untuk bobotnya adalah 10%.

Kriteria WIN RATE, untuk atributnya itu benefit karena semakin tinggi nilai win rate (nilai kemenangan) maka semakin baik. Lalu untuk bobotnya adalah 40%.

Kriteria PICK RATE, untuk atributnya itu benefit karena semakin tinggi nilai pick rate (seringnya hero tersebut dimainkan) maka semakin baik. Lalu untuk bobotnya adalah 30%.

Kriteria BAN RATE, untuk atributnya itu cost karena semakin rendah nilai ban rate (seringnya hero tersebut dilarang untuk mainkan) maka semakin baik. Lalu untuk bobotnya adalah 20%.

Tahap Kedua : Normalisasi

Setelah mengetahui atribut dan bobot dari setiap kriteria. Tahap selanjutnya adalah melakukan perhitungan normalisasi terhadap seluruh nilai kriteria milik alternatif. Sebagai contoh ayo kita hitung normalisasi dari nilai milik A1 C1. Yaitu Alternatif “Hanabi” pada kriteria “Tingkat Kesulitan”, yang bernilai 0,6.

Sesuai rumus normalisasi. Kriteria “Tingkat Kesulitan” memiliki atribut cost. Maka rumusnya adalah Min x_ij/x_ij. Nilai terendah C1 (Min x_ij) dibagi dengan nilai kriteria A1 (x_ij). Nilai terendah C1 adalah 0.4.

= (Min x_ij)/x_ij

= 0.4/0.6

= 0.66666666666667

Lakukan perhitungan normalisasi pada seluruh nilai. Sehingga menghasilkan tabel normalisasi seperti dibawah ini.

Tahap Ketiga : Menghitung Nilai Preferensi

Setelah me-normalisasi seluruh data, langkah selanjutnya adalah menghitung nilai preferensi dengan cara mengkalikan nilai normalisasi dengan bobot milik kriteria. Contoh perhitungan untuk A1 C1. Yaitu nilai normalisasi milik Alternatif “Hanabi” pada kriteria “Tingkat Kesulitan”, yang bernilai 0,666666667. Dan bobot dari kriteria "Tingkat Kesulitan" adalah 10%.

= w_j r_ij

= 10% x 0,666666667

= 0,066666667

Lakukan perhitungan preferensi pada seluruh nilai. Sehingga menghasilkan tabel preferensi seperti dibawah ini.

Tahap Keempat : Menjumlahkan Seluruh Nilai Preferensi Milik Alternatif

Untuk mendapatkan nilai akhir untuk dasar perangkingan kita perlu menjumlahkan seluruh nilai preferensi milik alternatif dari seluruh kriterianya. Contoh perhitungan nilai akhir dari alternatif A1 "Hanabi".

Nilai Akhir Hanabi

= 0,066666667 + 0,378958785 + 0,219354839 + 0,2

= 0,864980291

Lakukan perhitungan seluruh nilai hingga seperti dibawah ini. Jika sudah data bisa langsung diurutkan berdasaran nilai terbesar.