WHAT IS

MULTIPLE CRITERIA
ANALYSIS?

Bahan kajian MK. Metode Penelitian

PM PSLP PPSUB 2011
Soemarno
MULTIPLE CRITERIA DECISION MAKING (MCDM)

Decision making situations:

1. Involving a single decision criteria ( SINGLE
OBJECTIVE)
2. Involves several conflicting objectives (MULTIPLE
OBJECTIVE)

Analysis of Decision Making:

1. A decision maker
2. An array of feasible choices
3. A well defined criteria, such as utility or profit: SINGLE or
MULTIPLE

………………… what is objective? …..

MULTIPLE CRITERIA DECISION MAKING (MCDM)

Economic vs. Technological Decisions.

Technological decision: a single criterion

Economic decision: a multiple criteria

Technological problems: Search and measurement

Scarce Economic Technological

means problems problems

No scarce No problems
problem

Several Single
criteria criterion
MULTIPLE CRITERIA DECISION MAKING (MCDM)

Ilustrasi:
1. Ke supermarket untuk MEMILIH produk sirup yang
Paling Murah
2. Mencari pola tanam yang memaksimumkan the gross
margin

(1) dan (2) : a technological problem

Untuk menyelesaikannya: ONLY SEARCHES.

Decision Making does not really

…. What is decision making? ………

MULTIPLE CRITERIA DECISION MAKING (MCDM)

Ilustrasi:
Pola tanam yang:
Max gross margin
Min Risk Conflicting objectives
Min Indebtedness

Solution this problem:

Economic decision ………. Optimal solution

e.g. Development of a small rural region 1000 ha arable land:

Two crops: A and B

Water requirement: 4000 and 5000 m3/ha
Water available : 4.200.000 m3
Syarat rotasi tanaman: Luas tanam B <= luas tanam A
X1 = luas tanam A
X2 = luas tanam B

X1 + X2 <= 1000
4000 X1 + 5000 X2 <= 4.200.000
-X1 + X2 <= 0 ………….. X2 <= X1
MULTIPLE CRITERIA DECISION MAKING (MCDM)

X2 (ha)
4000X1+5000X2 = 4200000 -X1+X2 = 0

X1+X2=1000
A
466.66
E

200 B

0 466.66 800 C (1000)

X1 (ha)

Added value: A = 1000 /ha

B = 3000/ha 1000X1 + 3000X2 = AE (Isovalue line)

Employment: A = 500 HOK/ha 500X1 + 200X2 = CE (Iso employment line

B = 200 HOK/ha
MULTIPLE CRITERIA DECISION MAKING (MCDM)

Kriteria added value:

Optimum solution: A(466.6 ; 466.6)
Added value = 1.866.640

Kriteria Employment:
Optimum solution: C(1000,0) ……employment = 500000 HOK

Solusi Optimum: Garis ABC

Optimum Point ?

Multiple goals
Multiple objectives
MULTIPLE CRITERIA DECISION MAKING (MCDM)

MULTIPLE GOALS IN AGRICULTURE

Farm Level:
Goals in agriculture DM:
1. Maximum gross margin
2. Minimum seasonal cash exposure
3. Provision od stable employment for the permanent
labor

Ranch planning:
1. Red meat production
2. Use of fossil fuel energy
3. Profits

Land allocation problems:

1. Money income
2. Environmental benefits

…… what is GOAL? …………..

MULTIPLE CRITERIA DECISION MAKING (MCDM)

ATRIBUTES, OBJECTIVE, GOAL

Atribute: Nilai DM yang berhubungan dengan realita objektif

A = f(Xi) ……….. Xi = peubah keputusan

e.g. Added value (economic yield) : V = 1000X1 + 3000X2

Employment : E = 500X1 + 200X2

Objective: direction of improvement of the attributes

Maximization (or minimization) of the function of atributes

Max f(x) : Max w1f1(X) + w2 f2(X)

w : weight
f(X): atributes function
MULTIPLE CRITERIA DECISION MAKING (MCDM)

TARGET = as aspiration level

an acceptable level of achievement for any one of the attributes

GOAL: combining an attribute with a target

1000X1 + 2000X2 >= 2.000.000 atau X1 + X2 = 1000

Goal: f(X) >< t atau f(X) = t (target)

Tipe I : gross margin, added value

Tipe II : Limited resources…………. Air irigasi, tenaga kerja,

kendala teknis, constraint

………….. What is constraint? …………..

MULTIPLE CRITERIA DECISION MAKING (MCDM)

Farm planning problem

Atribute: Gross margin

Objective: Gross margin minimize
Goal : to achieve a gross margin of at least a certain target
Kriteria : adalah atribut, objective, atau goal yang dianggap
relevan dengan situasi pengambilan keputusan yang sedang
dikaji

MCDM = paradigma yang melibatkan beberapa atribute, objective

atau goal.
MULTIPLE CRITERIA DECISION MAKING (MCDM)

GOAL and CONSTRAINT

Goal: RHS-nya = Target (dapat tercapai atau tidak tercapai)

Constraint: RHS-nya harus terpenuhi

eg. 1000X1 + 3000X2 >= 2.000.000 …. Bisa goal, bisa constraint

Kalau sebagai GOAL, hanya didekati, sehingga ada simpangan

positif atau negatif:

1000X1 + 3000X2 + n – p = 2.000.000

Dimana: n = simpangan negatif (d-)

p = simpangan positif (d+)

Goal function : f(X) + n – p = t (target)

MULTIPLE CRITERIA DECISION MAKING (MCDM)

PARETO OPTIMALITY

Efficient of Pareto Optimal solution:

a feasible solution for which an increase in the value of one
criterion can only be achieved by degrading the value of at least
one other criterion

e.g. Farm planning involving three criteria

Gross margin Labor Indeptedness

Sol I 200.000 500 50.000
Sol II 200.000 600 50.000
Sol III 300.000 700 60.000

DM wants:
1. Gross margin,……….. As large as possible
2. Labor and indeptedness ……….. As small as possible
MULTIPLE CRITERIA DECISION MAKING (MCDM)

Gross margin Labor Indeptedness

Sol I Rendah Rendah Rendah ………. efisien
Sol II Rendah Tinggi Rendah ………. Tdk efisien
Sol III Tinggi Tinggi Tinggi ………. Optimal Pareto

Bagaimana memilih di antara Sol I dan III ?

It is an economic problem, ……. Preference of the DM for each of the

three attributes

Feasible solution ………….. Efficient or Not-efficient

DM preference for each of criteria …………. (pembobotan)

MULTIPLE CRITERIA DECISION MAKING (MCDM)

Trade-off amongst decision making criteria

Trade off between two criteria:

fj(X’) – fj(X”)
Tjk = ------------------------ ……….. fj(X) dan fk(X) adalah dua fungsi tujuan
fk(X’) – fk(X”)

e.g. Trade-off antara margin dan labor untuk Sol III dan Sol I:

T12 = (300.000 – 200.000) / (700-500) = 500

Settiap peningkatan labor 1 jam berakibat penurunan margin 500,

Opportunity cost 1 jam labor = 500 unit marjin

TRADE-OFF --------- OPPORTUNITY COST

MULTIPLE CRITERIA DECISION MAKING (MCDM)

MCDM APPROACH

1. Multiple goals …………. GP : Goal Programming

2. Multiple Objectives ……… MOP: Multi Objective Program
3. Multi Attributes Utility Theory (MAUT):

Decision problems with a discrete number of feasible solutions

Very strong assumptions about the preference of Decision Maker

MOP : Efficient set of solutions

Pareto Optimal Non-Pareto Optimal

Feasible solution feasible solution

Optimum Compromize

Decision Maker Preferences

GOAL PROGRAMMING: GP

GP : Simultaneous optimization of several goals .

Minimized deviation

d-
. : Goal 1

d+
: Goal 2

d+
: Goal 3

Minimization process:
1. Lexicographic Goal Programming (LGP)
2. Weighted Goal Programming (WGP)

LGP: Prioritas (p) goals

Pembobot (w) , absolute weight …………. Deviasi
Prioritas tinggi dupenuhi dulu, baru prioritas lebih rendah

WGP: Relative weight

Deviasi diberi pembobot sesuai dengan kepentingan relatif masing-
masing goal
GOAL PROGRAMMING: Farm Planning Model

Data Hipotetik: Usahatani.

1. Decision variables Pear tree (X1 ha) Peach tree (X2 ha)

2. NPV (Rp/ha) 6250 5000

3. Resources Uses:
Capital Year 1 550 400
Year 2 200 175
Year 3 300 250
Year 4 325 200
4. Annual labor Prunning 120 180
Harvest 400 450

5. Mesin pengolahan (jam/ha) 35 35

Ketersediaan sumberdaya:

1. Kapital tahun 1 : 15.000

tahun 2 s/d 4 : 7.000 per tahun
2. TK prunning : 4000 jam/ musim
TK panen : 2000
3. Max. tractor hours : 1000
4. Periode panen dua macam tanaman berbeda.
GOAL PROGRAMMING: Farm Planning Model

Tujuan Usahatani:
1. Maximize NPV
2. Minimize pinjaman kapital selama 4 tahun
3. Minimize TK musiman untuk prunning dan panen
4. Minimize sewa traktor
(these are conflicting interests)

Strategi dengan Linear Programming biasa:

1. NPV ------------- dimaksimumkan
2. Tujuan lain --------- sebagai kendala sumberdaya
3. Cash resources: Surplus tahun 1 dimasukkan sebagai tambahan tahun
berikutnya

Max Z = f(X1,X2) = 6250 X1 + 5000 X2

Subject to:
500X1 + 400X2 <= 15.000
750X1 + 575X2 <= 22.000
1050X1 + 825X2 <= 29.000
1375X1 + 1025X2 <= 36.000
120X1 + 180 X2 <= 4000
400X1 <= 2000
450X2 <= 2000
35X1 +35X2 <= 1000
X1 >= 0
X2 >= 0
GOAL PROGRAMMING: Farm Planning Model

Solusinya:
X1 = 5 ha
X2 = 4.44 ha
NPV = 53.450
Tenaga kerja panen digunakan semua
Sumberdaya lainnya tidak habis digunakan, ada sisa sumberdaya

Menurut LP ini optimal karena:

1. Objectives yang diformulasikan sebagai kendala dipenuhi dulu
sebelum NPV
2. Setiap solusi yang layak harus memenuhi fungsi kendala

Pendekatan tujuan tunggal dengan banyak fungsi kendala seperti ini

lazimnya menghasilkan solusi yang tidak memuaskan, sehibngga
muncullah pendekatan MULTIPLE CRITERIA

GOALS PROGRAMMING
The role of d+ and d- in GP

Dalam model GP, formula ketidak-samaan seperti di atas dianggap sebagai

goal (g) dan bukan sebagai kendala
RHS merupakan target yg dapat tercapai atau hanya dapat didekati
Untuk setiap fungsi goal diberi dua macam variabel ( n dan p) untuk
mengubahnya menjadi persamaan:

6250X1 + 5000X2 + n1 – p1 = 200.000 …………… g1

500X1 + 400X2 + n2 – p2 = 15.000 …………….. g2
750X1 + 575X2 + n3 – p3 = 22.000 …………….. g3
1050X1 + 825X2 + n4 – p4= 29.000 …………….. g4
1375X1 + 1025X2 +n5 – p5 = 36.000 …………….. g5
120X1 + 180 X2 + n6 – p6 = 4000 .…………….. g6
400X1 + n7 – p7 = 2000 …………….. g7
450X2 + n8 – p8 = 2000 …………….. g8
35X1 +35X2 + n9 – p9 = 1000 …………….. g9

DM --------------- to maximize NPV

Simpangan negatif (n) : Under achievement of goal
Simpangan positif (p) : Goal has surpassed (Over achievement)

n = d-
p = d+ d- = 0, atau d+ = 0, atau d- = d+ = 0

Min Σ di- + di+ ------------- Min Σ ni + pi : Tujuan GP: minimize deviation

LGP : Lexicographic Goal Programming

DM: Mendefine semua tujuan (goal) yang relevan dengan situasi

perencanaan
Menetapkan prioritas goals: Qi >>>> Qj
Prioritas tinggi dipenuhi lebih dahulu: Lexicographic order

e.g. Q1 : untuk g2, g3, g4, g5 adalah p2, p3, p4, p5

Q2 : untuk g9 : p9
Q3 : untuk g1: n1
Q4 : untuk g6, g7, g8: p6, p7, p8

Min A = [ (p2+p3+p4+p5), (p9), (n1), (p6+p7+p8)] …… The achievement

function
Model LGP nya:

.
Min A = [ (p2+p3+p4+p5), (p9), (n1), (p6+p7+p8) ]

Subjected to:

Q3 : 6250X1 + 5000X2 + n1 – p1 = 200.000 …………… g1

Q1 500X1 + 400X2 + n2 – p2 = 15.000 …………….. g2

750X1 + 575X2 + n3 – p3 = 22.000 …………….. g3
1050X1 + 825X2 + n4 – p4= 29.000 …………….. g4
1375X1 + 1025X2 +n5 – p5 = 36.000 …………….. g5

Q4 120X1 + 180 X2 + n6 – p6 = 4000 .…………….. g6

400X1 + n7 – p7 = 2000 …………….. g7
450X2 + n8 – p8 = 2000 …………….. g8

Q2: 35X1 +35X2 + n9 – p9 = 1000 …………….. g9

Xi >= 0; nj >= 0, pj >= 0

i = 1, 2
j = 1, ……, 9
LGP : Optimum Solution

Optimum solution: X1 = 19.18 X2 = 9.38

Deviation variable:
n1 = 33.250 p1 = 0
n2 = 699 p2 = 0
n3 = 2.221 p3 = 0
n4 = 1.122 p4 = 0
n5 = n6 = 0 p5 = p6 = 0
n7 = 0 p7 = 5672
n8 = 0 p8 = 2211
n9 = 0 p9 = 0

Prioritas I (Q1) ---------------- g5 tercapai

Prioritas II (Q2) --------------- g9 tercapai
Prioritas IV (Q4) -------------- g6 tercapai

Dibandingkan dengan penyelesaian LP di atas, maka:

NPV lebih tinggi
Sumberdaya ----------- habis dipakai, … kurang
Modal ------------------- ada sisa
LGP : Sensitivity Analysis

Kelemahan LGP: memerlukan banyak informasi dari Decision Maker, a.l.

Target
Weight
Priority ordered
Preferences
Kalau informasi ini tidak ada, maka harus dilakukan analisis sensitivitas:
Pengaturan kembali prioritas
Nilai-nilai target
Pembobot

Alternatif strategi perencanaan --------------- SKENARIO

MISALNYA: Mengubah kembali prioritas

Dalam contoh di atas ada 4 prioritas, maka permutasinya ada 4 ! =

4x3x2x1 = 24 macam kombinasi

.
LGP : Solusi

Enam macam solusi di antaranya adalah sbb:

SOLUSI X1 X2 NPV g7+g8 g9 g2 g5

I 19.18 9.38 33.250 7.893 0 0

II 5 4.44 146.55 0 0 0

III 0 35.12 24.400 16.125 229 0

IV 28.57 0 21.437 9.428 0 3.284

V 0 40 0 19.20 400 5000

VI 32 0 0 10.800 120 8000

Solusi I: Kalau urutan dari dua prioritas pertama saling dipertukarkan

Solusi II: Optimal untuk 12 dari 24 alternatif prioritas
Solusi III: Kalau prioritas III digabungkan dengan prioritas II
Dst.
LGP :

Pengubahan nilai target dari beberapa goal, misalnya:

1. Kalau target g1 diturunkan menjadi 166.775, maka solusi optimum

tidak berubah, tetapi kalau diturunkan lagi, maka nilai NPV akan
merosot dan simpangan dari g6, g7, g8 menurun

2. Kalau target g9 dikurangi, maka solusi optimum berubah, NPV

menurun
Kalau g9 ditingkatkan, maka solusi optimum dapat berubah dan
NPV naik

3. Kalau target g6, g7, g8 berubah, maka:

Nilai solusi optimum tidak berubah
Simpangan berubah terhadap g6, g7, g8.
WGP : Weighted Goal Programming

Semua goals masuk ke dalam fungsi tujuan komposit

Simpangan diberi pembobot sesuai dengan kepentingan relatif dari masing-

masing goal

Misalnya: g2, g3, g4, dan g5, sebagai rigid constraint yang harus dipenuhi,
……………. Sebagai kendala (constraint)

g1, g6, g7, g8, dan g9, sebagai goals, ada lima macam simpangan yang
perlu pembobotan

Target NPV = 175.600 …………. Max NPV sesuai dg cash-flow - constraint

Variabel fungsi tujuan: mencerminkan persentase simpangan dari target,

bukan simpangan absolut.

Model: Minimize the sum of the percentage deviations from targets

WGP :

Minimize:
n1
W1 ------------------ x 100/1 +
175.600

p6
W2 ------------------ x 100/1 +
4000

p7
W3 ------------------ x 100/1 +

p8
W4 = --------------- x 100/1 +
2000

p9
W5 = -------------- x 100/1
1000

Subjected to:
WGP :

Subject to:
500X1 + 400X2 <= 15.000
750X1 + 575X2 <= 22.000
1050X1 + 825X2 <= 29.000
1375X1 + 1025X2 <= 36.000

6250X1 + 5000X2 +n1 – p1 = 175.000

120X1 + 180 X2 +n6 – p6 = 4000
400X1 + n7 - p7 = 2000
450X2 + n8 – p8 = 2000
35X1 +35X2 + n9 – p9 = 1000
X1 , X2 >= 0 nj, pj >= 0
j = 1 and j = 6, ……, 9

Dimana: w1, …………, w5 = pembobot bagi simpangan deviasi

Pembobot ini dapat sama, atau dapat berbeda nilainya

Misalnya: Petani lebih mementingkan pendapatan atau penghasilannya

daripada sewa TK dan sewa traktor
GP : A critical assessment of GP

Penerapannya harus dilandasi oleh logika ilmiah yang kuat dan

benar

Lima situasi dimana GP tidak bagus:

1. Apabila solusi optimal dengan menggunakan GP identik

dengan solusi optimal yang diperoleh dnegan LP biasa
2. Trade-off antar goal dalam prioritas tertentu dapat
dilakukan, tetapi trade-off lintas prioritas tidak dapat
dilakukan
3. Kepekaan GP untuk menghasilkan situasi optimal --------
inferior
4. Maksimisasi dari “Achievement Function” dari GP tidak
sama dengan “optimizing the utility function” dari decision
maker
5. Apabila prioritas terlalu banyak.
Some extension of GP : LGP & WGP

Fractional GP:
Apabila beberapa goals (misalnya struktur biaya usahatani) harus
diintroduksi sebagai ratios atau sebagai fractional goals

Minmax GP :
Minimize the maximum of deviations

Achievement of all goals must be greater than or equal to their targets

e.g. Min. d ………………. max deviations

s.t. nj <= d

fj(X) + nj – pj = tj ………….. (target)

X € F ……….. (feasible set)

MOP: Multiple Objective Programming

DM a multiple objective environment

the define goals mungkin tidak ada

MOP

Membedakan antara:
Solusi layak yang Pareto Optimal,

Solusi layak yang Non Pareto Optimal

Konsep tradisional tentang optimal diganti dengan idea efisiensi dan / atau
Non-dominansi
Approximation of the MOP Problem

MOP: Problem optimasi simultan beberapa objektif yang menghadapi

seperangkat kendala (biasanya linear)

Mencoba mengidentifikasi “the set” yang mengandung solusi efisien (non-

dominated dan Pareto Optimal)

To generate the efficient set:

Eff. Z(X) = [ Z1(X), Z2(X), …………. Zq(X) ]

Subject to: X € F

Eff ………….. Mencari solusi efisien

F ………… Feasible set
MOP :

Misalnya : Petani mempunyai tua tujuan:

1. Memaksimumkan NPV investasinya dalam pengembangan kebun

2. Meminimumkan jumlah jam kerja TK-upahan dalam panen.

Kendala luas kebun minimum 10 ha

Modelnya adalah:

Eff. Z(X) = [ Z1(X), Z2(X) ]

Dimana: Z1(X) : 6250 X1 + 5000 X2

Z2(X) : - 400 X1 – 450 X2

Subject to:
550X1 + 400X2 <= 15.000
750X1 + 575X2 <= 22.000
1050X1 + 825X2 <= 29.000
1375X1 + 1025X2 <= 36.000
120X1 + 180 X2 <= 4000
35X1 +35X2 <= 1000
X1 + X2 >= 10
X >= 0
MOP :

X2

1375X1 + 1025X2 = 36000

35X1 + 35X2 = 1000

C
E X1 + X2 >= 10

F
120X1 + 180X2 = 4000

A B
X1

Feasible set of F adalah Poligon ABCDE

Deskripsi untuk kelima titik ekstrim adalah sbb:

LGP : ………… bersambung ….