Tampilkan postingan dengan label Analisis Data. Tampilkan semua postingan
Tampilkan postingan dengan label Analisis Data. Tampilkan semua postingan

Jumat, 19 Juli 2019

Jenis Multi Dimensional Scalling Berdasarkan Pendekatan (skripsi dan tesis)

Pendekatan dalam membuat Perceptual Map
MDS dikenal sebagai pemetaan persepsi data non atribut.
Berdasarkan pendekatannya, MDS dibedakan atas:
  1. Pendekatan turunan
Pendekatan yang mengumpulkan data persepsi dengan pendekatan berbasis
pada atribut.
Keuntungannya:
-Untuk mengidentifikasi atau mengenali responden dengan persepsi yang
homogen.
-Responden dikelompokkan berdasarkan penilaian atribut.
-Memudahkan pembuatan nama pada dimensi.
Kelemahannya:
-Peneliti harus mengidentifikasi semua atribut yang penting
-Peta spasial yang diperoleh tergantung pada atribut yang dikenali.
  1. Pendekatan Langsung
Pendekatan yang mengumpulkan data persepsi dengan pendekatan berbasis
pada non atribut.
Keuntungannya:
-Peneliti tidak harus mengenali/mengidentifikasi suatu set atribut yang
penting.
-Responden membuat pertimbangan kemiripan dengan kriterianya sendiri,
seperti dalam situasi normal.
Kelemahannya:
-Kriteria tersebut sangat dipengaruhi oleh merek atau stimulus yang sedang
dievaluasi.
-Sulit dalam pemberian nama pada dimensi peta spasial.
Pendekatan langsung lebih sering dipergunakan daripada pendekatan berbasis atribut. Namun demikian, mungkin lebih baik menggunakan keduanya sebagai suatau komplemen (Supranto,2004)

Konsep Multi Dimensional Scalling/MDS (skripsi dan tesis)


MDS atau penetapan skala multidimensi merupakan sebuah kelas prosedur untuk merepresentasikan persepsi dan preferensi responden secara spasial dengan menggunakan sebuah tampilan visual. MDS juga dikenal sebagai pemetaan persepsi, yaitu berhubungan dengan pembuatan map untuk menggambarkan posisi sebuah obyek dengan obyek lainnya berdasarkan kemiripan obyek–obyek tersebut. MDS dapat juga diaplikasikan ke dalam rating subyektif dalam perbedaan (dissimilarity) antara obyek atau konsep. Lebih lanjut teknik ini dapat mengolah data yang berbeda dari berbagai sumber yang berasal dari responden. Teknik MDS dapat digunakan untuk mengidentifikasi dimensi-dimensi yang menggambarkan persepsi konsumen (Malhotra, 2004).
Analisis multidimensional scaling (MDS) adalah suatu kelas prosedur untuk menyajikan persepsi dan preferensi pelanggan secara spasial dengan menggunakan tayangan yang biasa dilihat. Analisis penskalaan multidimensional scaling dipergunakan di dalam pemasaran untuk mengenali (mengidentifikasi) hal-hal berikut(Supranto,2004):
  1. Banyaknya dimensi dan sifat/cirinya yang dipergunakan untuk mempersepsikan merek yang berbeda di pasar.
  2. Penempatan (positioning) merek yang diteliti dalam dimensi ini.
  3. Penempatan merek ideal dari pelanggan dalam dimensi ini.
Informasi sebagai hasil analisis penskalaan MDS telah dipergunakan untuk berbagai aplikasi pemasaran, antara lain sebagai berikut:
  1. Ukuran citra (image measurement).
Membandingkan persepsi pelanggan dan bukan pelanggan dari perusahaan dengan persepsi perusahaan sendiri.
  1. Segmentasi pasar (market segmentation).
  2. Pengembangan produk baru (new product development). Melihat adanya celah (gap) dalam peta spasial yang menunjukkan adanya peluang untuk penempatan produk baru.
  3. Menilai keefektifan iklan (assesing advertising effectiveness).
Peta spasial digunakan untuk menentukan apakah iklan/advertensi telah berhasil di dalam mencapai penempatan merek yang diinginkan.
  1. Analisis harga (pricing analysis).
Peta spasial dikembangkan dengan dan tanpa informasi harga dapat dibandingkan untuk menentukan dampak yang ditimbulkan harga.
  1. Keputusan saluran (channel decisions).
Pertimbangan pada kecocokan dari merek toko dengan eceran yang berbeda dapat mengarah ke peta spasial yang berguna untuk keputusan saluran.
  1. Pembentukan skala sikap (attitude scale construction).
Teknik MDS dapat dipergunakan untuk mengembangkan dimensi yang cocok dan pengaturan ruang sikap.

Senin, 11 Februari 2019

Model Garch (skripsi dan tesis)


GARCH ialah Sebuah istilah yang diciptakan oleh ekonom Robert Engle pada tahun 1982 untuk menggambarkan kompleksperhitungan yang digunakan untuk memperkirakan harga fluktuasi pasar keuangan dan untuk memprediksi inflasi .Proses ini melibatkan membandingkan satu set variabel untuk mereka sendiri perilaku masa lalu melalui serangkaian waktuinterval untuk mengidentifikasi korelasi dan hasil yang tak terduga. Para Tujuannya adalah untuk menggunakan kesalahan masa lalu dalam peramalan untuk menciptakan akurasi yang lebih besar dalam peramalan saat ini.
Metode  GARCH diaplikasikan melalui 2 proses : proses mean dan proses variance. Proses mean pertama kali dikemukakan oleh Box-Jenkin (1976) dengan melakukan analisa  time series dengan kombinasi  autoregressive  (AR) dan moving average  (MA). Metode ini kemudian diintegrasikan menjadi ARMA untuk mendapatkan time series yang stasioner.
Pada (1,1) dalam GARCH (1,1) mengacu pada adanya istilah orde pertama GARCH (istilah yang pertama dalam tanda kurung) dan orde pertama jangka ARCH (istilah kedua dalam kurung). Sebuah biasa Model ARCH adalah kasus khusus dari spesifikasi GARCH di mana tidak ada perkiraan tertinggal varians dalam persamaan varians bersyarat.
Model ARCH dalam EViews diperkirakan dengan metode kemungkinan maksimum di bawah asumsi bahwa kesalahan yang bersyarat terdistribusi normal.

Minggu, 20 Januari 2019

Pengertian Konsep MDS (skripsi dan tesis)


MDS atau penetapan skala multidimensi merupakan sebuah kelas prosedur untuk merepresentasikan persepsi dan preferensi responden secara spasial dengan menggunakan sebuah tampilan visual. MDS juga dikenal sebagai pemetaan persepsi, yaitu berhubungan dengan pembuatan map untuk menggambarkan posisi sebuah obyek dengan obyek lainnya berdasarkan kemiripan obyek–obyek tersebut. MDS dapat juga diaplikasikan ke dalam rating subyektif dalam perbedaan (dissimilarity) antara obyek atau konsep. Lebih lanjut teknik ini dapat mengolah data yang berbeda dari berbagai sumber yang berasal dari responden. Teknik MDS dapat digunakan untuk mengidentifikasi dimensi-dimensi yang menggambarkan persepsi konsumen (Malhotra, 2004).
Analisis multidimensional scaling (MDS) adalah suatu kelas prosedur untuk menyajikan persepsi dan preferensi pelanggan secara spasial dengan menggunakan tayangan yang biasa dilihat. Analisis penskalaan multidimensional scaling dipergunakan di dalam pemasaran untuk mengenali (mengidentifikasi) hal-hal berikut(Supranto,2004):
1.      Banyaknya dimensi dan sifat/cirinya yang dipergunakan untuk mempersepsikan merek yang berbeda di pasar.
2.      Penempatan (positioning) merek yang diteliti dalam dimensi ini.
3.      Penempatan merek ideal dari pelanggan dalam dimensi ini.
Informasi sebagai hasil analisis penskalaan MDS telah dipergunakan untuk berbagai aplikasi pemasaran, antara lain sebagai berikut:
1.        Ukuran citra (image measurement).
Membandingkan persepsi pelanggan dan bukan pelanggan dari perusahaan dengan persepsi perusahaan sendiri.
2.        Segmentasi pasar (market segmentation).
3.        Pengembangan produk baru (new product development). Melihat adanya celah (gap) dalam peta spasial yang menunjukkan adanya peluang untuk penempatan produk baru.
4.        Menilai keefektifan iklan (assesing advertising effectiveness).
Peta spasial digunakan untuk menentukan apakah iklan/advertensi telah berhasil di dalam mencapai penempatan merek yang diinginkan.
5.        Analisis harga (pricing analysis).
Peta spasial dikembangkan dengan dan tanpa informasi harga dapat dibandingkan untuk menentukan dampak yang ditimbulkan harga.
6.        Keputusan saluran (channel decisions).
Pertimbangan pada kecocokan dari merek toko dengan eceran yang berbeda dapat mengarah ke peta spasial yang berguna untuk keputusan saluran.
7.        Pembentukan skala sikap (attitude scale construction).
Teknik MDS dapat dipergunakan untuk mengembangkan dimensi yang cocok dan pengaturan ruang sikap.

Selasa, 08 Januari 2019

Klasifikasi Teknik Prakiraan/Perkiraan/Forecasting (skripsi dan tesis)

Pada umumnya teknik prakiraan dapat dibedakan menjadi beberapa jenis tergantung dari cara melihatnya, yaitu :
1. Dilihat dari sifat penyusunannya
a. Prakiraan yang subjektif, yaitu prakiraan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan orang yang menyusunnya sangat menentukan baik tidaknya hasil prakiraan tersebut.
b. Prakiraan yang objektif, yaitu prakiraan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode-metode dalam penganalisaannya.
2. Dilihat dari jangka waktu prakiraannya
a. Prakiraan jangka pendek (short term forecasting), yaitu prakiraan yang dilakukan untuk penyusunan hasil prakiraan yang jangka waktunya harian hingga setiap jam.
b. Prakiraan jangka menengah (mid term forecasting), yaitu prakiraan yang dilakukan untuk penyusunan hasil prakiraan yang jangka waktunya mingguan hingga bulanan.
c. Prakiraan jangka panjang (long term forecasting), yaitu prakiraan yang
dilakukan untuk penyusunan hasil prakiraan yang jangka waktunya tahunan atau beberapa tahun kedepan. Biasanya dapat digunakan untuk mempersiapkan ketersediaan unit pembangkitan, sistem transmisi, serta distribusi.
3. Dilihat dari sifat prakiraan yang telah disusun
a. Prakiraan kualitatif, yaitu prakiraan yang didasarkan atas kualitatif pada masa lalu. Hasil prakiraan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil prakiraan tersebut ditentukan berdasarkan pemikiran yang berfsifat intuisi, judgement atau pendapat dan pengetahuan serta pengalaman dari penyusunnya
b. Prakiraan kuantitatif, yaitu prakiraan yang didasarkan atas data kuantitatif pada masa lalu. Hasil prakiraan yang dibuat sangat tergantung pada metode yang digunakan dalam prakiraan tersebut. Dengan metode yang berbeda akan diperoleh hasil prakiraan yang berbeda, adapun yang perlu diperhatikan dari penggunaan metode tersebut, adalah baik tidaknya metode yang digunakan, sangat ditentukan oleh perbedaan atau penyimpangan antara hasil prakiraan dengan kenyataan yang terjadi.
Metode yang baik adalah metode yang memberikan nilai-nilai perbedaanatau penyimpangan yang mungkin. Prakiraan kuantitatif hanya dapat digunakan apabila; adanya informasi tentang keadaan lain, informasitersebut dapat dituliskan dalam bentuk data, dan dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.

Pengertian Peramalan/Perkiraan/Forecasting (skripsi dan tesis)

Prakiraan pada dasarnya merupakan suatu dugaan atau prediksi mengenai terjadinya suatu kejadian atau peristiwa di masa yang akan datang. Prakiraan dapat disebut juga dengan peramalan yang ilmiah (educated guess). Setiap pengambilan keputusan yang menyangkut keadaan di masa yang akan datang, maka pasti ada prakiraan yang melandasi pengambilan keputusan tersebut (Assauri, 1984). Prakiraan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Asumsi dasar dalam penerapan teknik prakiraan adalah: 
“if we can predict what the future will be like we can modify our behaviour now to be in a better position, than we otherwise would have been, when the future arrives”.
 Artinya, jika kita dapat memprediksi apa yang terjadi di masa depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya dalam masa mendatang yang relatif dekat (Murahartawaty, 2009)

Tipe Data Dalam Time Series (skripsi dan tesis)

Dalam time series terdapat empat macam tipe pola data, yaitu: 
1) Horizonta
 Tipe data horizontal ialah ketika data observasi berubah-ubah di sekitar tingkatan atau rata-rata yang konstan. Sebagai contoh penjualan tiap bulan suatu produk tidak meningkat atau menurun secara konsisten pada suatu waktu.
 2) Musiman (Seasonal)
 Tipe data seasonal ialah ketika observasi dipengaruhi oleh musiman, yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari 10 tahun ke tahun. Sebagai contoh adalah pola data pembelian buku baru pada tahun ajaran baru
 3) Trend 
Tipe data trend ialah ketika observasi naik atau menurun pada perluasan periode suatu waktu. Sebagai contoh adalah data populasi. 
4) Cyclical Tipe 
data cyclical ditandai dengan adanya fluktuasi bergelombang data yang terjadi di sekitar garis trend. Sebagai contoh adalah data-data pada kegiatan ekonomi dan bisnis. 

Konsep Dasar Time Series (skripsi dan tesis)

Time series adalah suatu rangkaian atau seri dari nilai-nilai suatu variabel atau hasil observasi, dalam hal ini adalah nilai indeks harga saham, yang dicatat dalam jangka waktu yang berurutan (Atmaja, 2009: 29). Metode time series adalah metode peramalan dengan menggunakan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu atau analisis time series, antara lain: 
1. Metode Smoothing
 2. Metode Box–Jenkins (ARIMA) 
3. Metode Proyeksi trend dengan Regresi. 
Hal yang perlu diperhatikan dalam melakukan peramalan adalah pada galat (error), yang tidak dapat dipisahkan dalam metode peramalan. Untuk mendapatkan hasil yang mendekati data asli, maka seorang peramal berusaha membuat error-nya sekecil mungkin. Dengan adanya data time series, maka pola gerakan data dapat diketahui. 
Dengan demikian, data time series dapat dijadikan sebagai dasar untuk:
 a. Pembuatan keputusan pada saat ini.
 b. Peramalan keadaan perdagangan dan ekonomi pada masa yang akan datang. 
c. Perencanaan kegiatan untuk masa depan. Analisa data time series adalah analisa yang menerangkan dan mengukur berbagai perubahan atau perkembangan data selama satu periode (Hasan, 2002: 184). 

Analisis time series dilakukan untuk memperoleh pola data time series dengan menggunakan data masa lalu yang akan digunakan untuk meramalkan suatu nilai pada masa yang akan datang.

Sifat Peramalan (skripsi dan tesis)

Berdasarkan sifatnya, peramalan dibedakan menjadi: 
1. Peramalan Kualitatif 
Peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan kualitatif didasarkan pada pengamatan kejadian–kejadian di masa sebelumnya digabung dengan pemikiran dari penyusunnya. 
2. Peramalan Kuantitatif 
Peramalan yang didasarkan atas data kuantitatif masa lalu yang diperoleh dari pengamatan nilai–nilai sebelumnya. Hasil peramalan yang dibuat tergantung pada metode yang digunakan, menggunakan metode yang berbeda akan diperoleh hasil peramalan yang berbeda.

Pengertian Peramalan (skripsi dan tesis)

Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling, 2001: 8). Peramalan bertujuan mendapatkan ramalan yang dapat meminimumkan kesalahan meramal yang dapat diukur dengan Mean Absolute Percent Error (MAPE) (Pangestu, 1986: 1). Peramalan pada umumnya digunakan untuk memprediksi sesuatu yang kemungkinan besar akan terjadi misalnya kondisi permintaan, banyaknya curah hujan, kondisi ekonomi, dan lain-lain. Atas dasar logika, langkah dalam metode peramalan secara umum adalah mengumpulkan data, menyeleksi dan memilih data, memilih model peramalan, menggunakan model terpilih untuk melakukan peramalan, evaluasi hasil akhir. 

Kelemahan Dalam Analytic Hierarchy Process (AHP) (skripsi dan tesis)

kelemahan metode AHP adalah sebagai berikut :
1.       Ketergantungan model AHP pada input utamanya. Input utama ini berupa persepsi seorang ahli sehingga dalam hal ini melibatkan subjektifitas sang ahli selain itu juga model menjadi tidak berarti jika ahli tersebut memberikan penilaian yang keliru.
2.       Metoda AHP ini hanya metoda matematis tanpa ada pengujian secara statistik sehingga tidak ada batas kepercayaan dari kebenaran model yang terbentuk.

Keuntungan Dalam Analytic Hierarchy Process (AHP) (skripsi dan tesis)

Keuntungan dari AHP sebagai berikut :
1.       Unity
 AHP menyediakan model tunggal, mudah dipahami, fleksibel untuksuatu cakupan luas tentang permasalahan tidak tersusun
2.       Complexity
 AHP mengunakan pendekatan dedukatif dan sistem dalam memecahkan masalah yang rumit.
3.       Interndependence
 AHP dapat berhadapan dengan saling ketergantungan unsur-unsur di dalam suatu sistem dan tidak meminta dengan tegas atas pemikiran linier.
4.       Hierarchi structuring
AHP mencerminkan kecenderungan alami dari pikiran ke unsur-unsur jenis dari sautu sistem ke dalam tingkat yang berbeda danuntuk mengolongkan seperti unsur-unsur pada setiap tingkatan
5.       Measurement
 AHP menyediakan suatu skala untuk mengukur yang tak terukur dan suatu metoda untuk menetapkan prioritas.
6.       Consistency
 AHP taksiran pada konsistensi keputusan yang logis digunakan dalam hal yang menentukan
7.       Synthesis
 AHP memimpin ke arah suatu keseluruhan perkiraan yang menyangkut suatu keinginan dari tiap alternatif
8.       Trade offs
 AHP mempertimbangkan dengan seksama prioritas relatif faktor dalam suatu sistem dan memungkinkan orang untuk memilih alternatif yangterbaik yang berdasar atas tujuan.
9.        Judgement and consensus
 AHP tidak meminta dengan tegas atas konsensus tetapi menyatukan suatu hasil bagian dari keputusan berbeda
10.   Process repetition
 AHP memungkinkan orang untuk memerinci definisi mereka dari suatu masalah dan untuk meningkatkan pemahaman dan pertimbangan mereka dengan melakukan pengulangan

Prinsip Dasar Analytic Hierarchy Process (AHP) (skripsi dan tesis)

Dalam menyelesaikan persoalan dengan metode AHP ada beberapa prinsip dasar yang harus dipahami antara lain.
(1)    Decomposition
Decomposition adalah memecahkan atau membagi problema yang utuh menjadi unsur — unsurnya ke bentuk hirarki proses pengambilankeputusan, dimana setiap unsur atau elemen saling berhubungan. Strukturhirarki keputusan tersebut dapat dikategorikan sebagai complete danincomplete. Suatu hirarki keputusan disebut complete jika semua elemenpada suatu tingkat memiliki hubungan terhadap semua elemen yang adapada tingkat berikutnya, sementara hirarki keputusan incompletekebalikan dari hirarki yang complete. Hirarki masalah disusun digunakan untuk membantu prosespengambilan keputusan dalam sebuah sistem dengan memperhatikanseluruh elemen keputusan yang terlibat
(2)    Comparative Judgement
Comparative Judgement adalah penilaian yang dilakukan berdasarkan kepentingan relatif dua elemen pada suatu tingkat tertentudalam kaitannya dengan tingkatan di atasnya. Comparative Judgement merupakan inti dari penggunaan AHP karena akan berpengaruh terhadapurutan prioritas dari elemen — elemennya. Hasil dari penilaian tersebutakan diperlihatkan dalam bentuk matriks pairwise comparisons yaitumatriks perbandingan berpasangan memuat tingkat preferensi beberapaalternatif untuk tiap kriteria. Skala preferensi yang digunakan yaitu skala 1yang menunjukkkan tingkat yang paling rendah (equal importance) sampaidengan skala 9 yang menunjukkan tingkatan yang paling tinggi (extremeimportance).
(3)    Synthesis of Priority
Synthesis of Priority dilakukan dengan menggunakan eigen vektormethod untuk mendapatkan bobot relatif bagi unsur—unsur pengambilankeputusan.
(4)    Logical Consistency
Logical Consistency dilakukan dengan mengagresikan seluruheigen vektor yang diperoleh dari berbagai tingkatan hirarki dan selanjutnya diperoleh suatu vektor composite tertimbang yang menghasilkan urutanpengambilan keputusan

Tahapan Dalam Analytic Hierarchy Process (AHP) (skripsi dan tesis)

Tahapan—tahapan pengambilan keputusan dalam metode AHP pada dasarnya adalah sebagai berikut:
a.       Mendefinisikan masalah dan menentukan solusi yang diinginkan
b.       Membuat struktur hirarki yang diawali dengan tujuan umum, dilanjutkandengan kriteria-kriteria dan alternaif-alternatif pilihan yang ingindirangking.
c.       Membentuk matriks perbandingan berpasangan yang menggambarkankontribusi relatif atau pengaruh setiap elemen terhadap masing-masingtujuan atau kriteria yang setingkat diatasnya. Perbandingan dilakukanberdasarkan pilihan atau judgement dari pembuat keputusan denganmenilai tingkat tingkat kepentingan suatu elemen dibandingkan elemenlainnya
d.       Menormalkan data yaitu dengan membagi nilai dari setiap elemen didalam matriks yang berpasangan dengan nilai total dari setiap kolom.
e.       Menghitung nilai eigen vector dan menguji konsistensinya, jika tidakkonsisten maka pengambilan data (preferensi) perlu diulangi. Nilai eigenvector yang dimaksud adalah nilai eigen vector maximum yang diperolehdengan menggunakan matlab maupun dengan manual.
f.        Mengulangi langkah 3, 4, dan 5 untuk seluruh tingkat hirarki.
g.       Menghitung eigen vector dari setiap matriks perbandingan berpasangan.Nilai eigen vector merupakan bobot setiap elemen. Langkah ini untukmensintesis pilihan dalam penentuan prioritas elemen-elemen pada tingkathirarki terendah sampai pencapaian tujuan.
h.       Menguji konsistensi hirarki. Jika tidak memenuhi dengan CR < 0, 100maka penilaian harus diulang kembali

Landasan Aksiomatik Analytic Hierarchy Process (AHP) (skripsi dan tesis)

Analytic Hierarchy Process (AHP) mempunyai landasan aksiomatik yang terdiri dari :
(1)Resiprocal Comparison, yang mengandung arti bahwa matriksperbandingan berpasangan yang terbentuk harus bersifat berkebalikan.Misalnya, jika A adalah f kali lebih penting dari pada B maka B adalah1/fkali lebih penting dari A.
(2) Homogenity, yaitu mengandung arti kesamaan dalam melakukanperbandingan. Misalnya, tidak dimungkinkan membandingkan jerukdengan bola tenis dalam hal rasa, akan tetapi lebih relevan jikamembandingkan dalam hal berat
(3) Dependence, yang berarti setiap level mempunyai kaitan (completehierarchy) walaupun mungkin saja terjadi hubungan yang tidak sempurna(incomplete hierarchy)
(4) Expectation, yang berarti menonjolkon penilaian yang bersifat ekspektasidan preferensi dalam pengambilan keputusan. Penilaian dapat merupakandata kuantitatif maupun yang bersifat kualitatif.

Pengertian Metode Analytic Hierarchy Process (AHP) (skripsi dan tesis)

Metode Analytic Hierarchy Process (AHP) merupakan teori umum mengenai pengukuran. Empat macam skala pengukuran yang biasanya digunakan secara berurutan adalah skala nominal, ordinal, interval dan rasio. Skala yang lebih tinggi dapat dikategorikan menjadi skala yang lebih rendah, namun tidak sebaliknya. Pendapatan per bulan yang berskala rasio dapat dikategorikan menjad itingkat pendapatan yang berskala ordinal atau kategori (tinggi, menengah, rendah) yang berskala nominal. Sebaliknya jika pada saat dilakukan pengukuran data yangdiperoleh adalah kategori atau ordinal, data yang berskala lebih tinggi tidak dapatdiperoleh. AHP mengatasi sebagian permasalahan itu. (Saaty,2001) AHP digunakan untuk menurunkan skala rasio dari beberapa perbandingan berpasangan yang bersifat diskrit maupun kontinu. Perbandingan berpasangan tersebut dapat diperoleh melalui pengukuran aktual maupun pengukuran relatif dari derajat kesukaan, atau kepentingan atau perasaan. Dengan demikian metode ini sangatberguna untuk membantu mendapatkan skala rasio dari hal-hal yang semula sulit diukur seperti pendapat, perasaan, prilaku dan kepercayaan. (Saaty,2001) Penggunaan AHP dimulai dengan membuat struktur hirarki atau jaringan daripermasalahan yang ingin diteliti. Di dalam hirarki terdapat tujuan utama, kriteria-kriteria, sub kriteria-sub kriteria dan alternatif-alternatif yang akan dibahas.
Perbandingan berpasangan dipergunakan untuk membentuk hubungan di dalamstruktur. Hasil dari perbandingan berpasangan ini akan membentuk matrik dimanaskala rasio diturunkan dalam bentuk eigen vektor utama atau fungsi-eigen. Matriktersebut berciri positif dan berbalikan, yakni aij = 1/ aji. (Saaty,2001)Sebagai studi kasus, dilakukan pengumpulan data tentang nilaikepentingan faktor-faktor yang berpengaruh dalam hal melakukan perjalananmenuju tempat kuliah. Data tersebut berupa data perbandingan berpasangandengan skala 1-9. Data yang terkumpul tersebut diolah dengan metode AHP yangsebelumnya dilakukan perhitungan geometrik rerata untuk mendapatkan matriksperbandingan berpasangan, kemudian diuji nilai consistency ratio (CR)-nya yaitudata yang CR-nya kurang dari 10% yang dianggap konsisiten. Untukmendapatkan hasil yang diharapkan, dilakukan analisa sensitivitas terhadapprioritas pemilihan alternatif moda yang ada. Analisa ini dilakukan dengan caratrial dan error pada masing-masing faktor. Dengan cara ini dapat dilihatkecenderungannya sehingga dapat diketahui pengaruhnya terhadap pergeseranprioritas pemilihan alternatif moda

Teori Efisiensi dalam metode DEA (skripsi dan tesis)

Efisiensi adalah kemampuan untuk menyelesaikan suatu pekerjaan dengan benar atau dalam pandangan matematika didefinisikan sebagai perhitungan rasio output (keluaran) dan atau input (masuk) atau jumlah keluaran yang dihasilkan dari suatu input yang digunakan.nDalam Kamus Besar Bahasa Indonesia, efisiensi diterjemahkan dengan daya guna. Ini menunjukkan bahwa efisiensi selain menekankan pada hasilnya, juga ditekankan pada daya atau usaha/pengorbanan untuk mencapai hasil tersebut agar tidak terjadi pemborosan. Sedangkan menurut Ghiselli dan Brown The term efficiency has a very exact definition, It is expessed as the ratio of output to input. Jadi, menurut Ghiselli dan Brown istilah efisiensi mempunyai pengertian yang sudah pasti, yaitu menunjukkan adanya perbandingan antara output dan input.
Farrel mengemukakan bahwa efisiesi perusahaan terdiri dari dua komponen, yaitu:18
1. Efisiensi Teknis
Efisiensi ini mencerminkan kemampuan untuk memproduksi output semaksimal mungkin dari input yang ada. Efisien secara teknis bukan berarti efisien dalam hal efisiensi harga atau alokatif.
2. Efisiensi Alokatif/Harga
Allocative efficiency menggambarkan kemampuan perusahaan untuk menggunakan input dalam proporsi yang optimal yang juga memasukkan perhitungan biaya. Dicision Making Unit (DMU) dianggap efisien alokatif jika DMU menghasilkan outputnya dengan biaya seminimal mungkin dengan menggunakan minimal input.
Kedua komponen ini kemudian dikombinasikan untuk menghasilkan ukuran efisiensi total atau efisiensi ekonomis (economic efficiency). 

Model VRS (Variabel Return to Scale) (skripsi dan tesis)

 Model ini dikembangkan oleh Banker, Charnes, dan Cooper (model BCC) pada tahun 1984 dan merupakan pengembangan dari model CCR. Model ini beranggapan bahwa perusahaan tidak atau belum beroperasi pada skala yang optimal. Asumsi dari model ini adalah bahwa rasio antara penambahan input dan output tidak sama (variable return to scale). Artinya, penambahan input sebesar x kali tidak akan menyebabkan output meningkat sebesar x kali, bisa lebih kecil atau lebih besar dari x kali. Peningkatan proporsi bisa bersifat increasing return to scale (IRS) atau bisa juga bersifat decreasing return to scale (DRS). Hasil model ini menambahkan kondisi convexity bagi nilai-nilai bobot

Model Constant Return to Scale (CRS) (skripsi dan tesis)

Model constant return to scale dikembangkan oleh Charnes, Cooper dan Rhodes (Model CCR) pada tahun 1978. Model ini mengasumsikan bahwa rasio antara penambahan input dan output adalah sama (constant return to scale). Artinya, jika ada tambahan input sebesar x kali, maka output akan meningkat sebesar x kali juga. Asumsi lain yang digunakan dalam model ini adalah bahwa setiap perusahaan atau Dicision Making Unit (DMU) beroperasi pada skala yang optimal. Nilai efisiensi selalu kurang atau sama dengan 1. DMU yang nilai efisiensinya kurang dari 1 berarti inefisiensi sedangkan DMU yang nilai efisiensinya sama dengan 1 berarti DMU tersebut efisien.

Teori Metode Data Envelopment Analysis (DEA) (skripsi dan tesis)

Data Envelopment Analysis (DEA) merupakan sebuah metode optimasi program matematika yang mengukur efisiensi teknik suatu Dicision Making Unit (DMU), dan membandingkan secara relatif terhadap DMU yang lain. Teknik analisis DEA didesain khusus untuk mengukur efisiensi relatif suatu DMU dalam kondisi banyak input maupun output. Efisiensi relatif suatu DMU adalah efisiensi suatu DMU dibanding dengan DMU lain dalam sampel yang menggunakan jenis input dan output yang sama. DEA memformulasikan DMU sebagai program linear fraksional untuk mencari solusi, apabila model tersebut ditransformasikan ke dalam program linear dengan nilai bobot dari input dan output.
Efisiensi relatif DMU dalam DEA juga didefinisikan sebagai rasio dari total output tertimbang dibagi total input tertimbang (total weighted output/total weighted input). Setiap DMU diasumsikan bebas menentukan bobot untuk setiap variabel-variabel input maupun output yang ada, asalkan mampu memenuhi dua kondisi yang disyaratkan, yakni:
1. Bobot tidak boleh negatif
2. Bobot harus bersifat universal. Hal ini berarti setiap DMU dalam sampel
harus dapat menggunakan seperangkat bobot yang sama untuk mengevaluasi rasionya (total weighted output/total weighted input) dan rasio tersebut tidak lebih dari 1 (total weighted output/total weighted input ≤ 1 ).
DEA berasumsi bahwa setiap DMU akan memiliki bobot yang memaksimumkan rasio efisiensinya (maximize total weighted output/total weighted input). Asumsi maksimisasi rasio efisiensi ini enjadikan penelitian DEA ini menggunakan orientasi output dalam menghitung efisiensi teknik.
Orientasi lainnya adalah meminimalisasi input, namun kedua asumsi tersebut akan diperoleh hasil yang sama. Suatu DMU dikatakan efisien secara relatif apabila nilai dualnya sama dengan 1 (nilai efisiensi 100 persen), sebaliknya apabila nilai dualnya kurang dari 1 maka DMU bersangkutan dianggap tidak efisien secara relatif atau mengalami inefisiensi.1