Metode PSI (Preference Selection Index) adalah salah satu metode Sistem Pendukung Keputusan (SPK) yang bisa dipakai untuk memilih alternatif terbaik dari beberapa pilihan, berdasarkan beberapa kriteria sekaligus. Keunggulan metode ini adalah kita tidak perlu menentukan bobot kriteria secara manual — bobot dihitung sendiri oleh sistem berdasarkan variasi data yang ada.
Supaya lebih mudah dipahami, artikel ini akan membahas metode PSI dengan studi kasus yang sederhana dan dekat dengan kehidupan sehari-hari: memilih smartphone baru. Semua langkah dihitung manual satu per satu, lengkap dengan penjelasan dari mana setiap angka berasal.
Daftar isi
1. Apa Itu Metode PSI?
PSI singkatan dari Preference Selection Index. Metode ini pertama kali diperkenalkan oleh Kalpesh Maniya dan M.G. Bhatt pada tahun 2010, awalnya untuk membantu memilih material terbaik dalam dunia teknik. Namun karena caranya sederhana, metode ini kemudian banyak dipakai juga untuk kasus pengambilan keputusan sehari-hari: memilih supplier, memilih karyawan terbaik, memilih lokasi usaha, hingga memilih smartphone seperti contoh di artikel ini.
Kenapa metode ini disebut praktis? Karena kita tidak perlu repot menentukan sendiri "kriteria mana yang lebih penting". Bobot setiap kriteria dihitung otomatis dari seberapa besar variasi nilai antar pilihan pada kriteria tersebut. Semakin besar variasi datanya, semakin besar pula bobot yang diberikan.
2. Kapan Metode PSI Cocok Digunakan?
Metode ini cocok dipakai ketika kamu punya:
- Beberapa pilihan/alternatif yang ingin dibandingkan (misal: 3 smartphone, 4 laptop, 5 supplier, dst).
- Beberapa kriteria penilaian yang punya satuan berbeda-beda (harga, kapasitas, skor, dll).
- Kesulitan menentukan kriteria mana yang paling penting secara subjektif.
3. Studi Kasus: Memilih Smartphone Baru
Anggap kamu sedang bingung memilih salah satu dari tiga smartphone berikut, dengan mempertimbangkan empat hal: harga, RAM, kapasitas baterai, dan skor kamera.
| Alternatif | Harga (juta rupiah) | RAM (GB) | Baterai (ribu mAh) | Skor Kamera |
|---|---|---|---|---|
| HP A | 3 | 8 | 5 | 80 |
| HP B | 4 | 6 | 4 | 90 |
| HP C | 2 | 4 | 5 | 70 |
Ada satu hal penting sebelum menghitung: setiap kriteria harus ditandai sebagai Benefit (semakin besar nilainya semakin bagus) atau Cost (semakin kecil nilainya semakin bagus).
| Kriteria | Jenis | Alasan |
|---|---|---|
| Harga | Cost | Semakin murah, semakin disukai |
| RAM | Benefit | Semakin besar, semakin bagus performanya |
| Baterai | Benefit | Semakin besar, semakin awet |
| Skor Kamera | Benefit | Semakin tinggi, semakin bagus hasil fotonya |
4. Langkah-Langkah Perhitungan Metode PSI
4.1 Menyusun Matriks Keputusan
Langkah pertama hanya menyusun ulang tabel data mentah di atas menjadi bentuk matriks (baris = alternatif, kolom = kriteria). Tabel pada studi kasus di atas itulah matriks keputusannya, jadi tidak perlu dihitung ulang.
4.2 Normalisasi Matriks
Normalisasi artinya mengubah semua angka (yang satuannya berbeda-beda: juta rupiah, GB, mAh, skor) menjadi skala 0 sampai 1, agar bisa dibandingkan secara adil. Rumusnya berbeda untuk kriteria Benefit dan Cost.
Rumus normalisasi Benefit:
nilai normal = nilai alternatif ÷ nilai terbesar di kolom itu
Rumus normalisasi Cost:
nilai normal = nilai terkecil di kolom itu ÷ nilai alternatif
Intinya: untuk kriteria Benefit, alternatif dengan nilai tertinggi otomatis mendapat skor normal = 1. Untuk kriteria Cost, alternatif dengan nilai terkecil (paling murah) yang mendapat skor normal = 1.
Contoh perhitungan kolom Harga (Cost): nilai terkecil di kolom Harga adalah 2 (milik HP C). Maka normalisasi HP A = 2 ÷ 3 = 0,6667.
Contoh perhitungan kolom RAM (Benefit): nilai terbesar di kolom RAM adalah 8 (milik HP A). Maka normalisasi HP B = 6 ÷ 8 = 0,75.
Dengan cara yang sama, seluruh matriks dinormalisasi menjadi:
| Alternatif | Harga | RAM | Baterai | Skor Kamera |
|---|---|---|---|---|
| HP A | 0,6667 | 1 | 1 | 0,8889 |
| HP B | 0,5 | 0,75 | 0,8 | 1 |
| HP C | 1 | 0,5 | 1 | 0,7778 |
4.3 Menghitung Rata-Rata Normalisasi
Selanjutnya, hitung nilai rata-rata dari setiap kolom (kriteria) pada matriks yang sudah dinormalisasi.
Contoh kolom Harga: (0,6667 + 0,5 + 1) ÷ 3 = 0,7222.
Kolom lainnya dihitung dengan cara yang sama:
| Harga | RAM | Baterai | Skor Kamera |
|---|---|---|---|
| 0,7222 | 0,75 | 0,9333 | 0,8889 |
4.4 Menghitung Nilai Variasi Preferensi
Tahap ini melihat seberapa jauh setiap nilai menyimpang dari rata-rata kolomnya. Kriteria dengan penyimpangan besar dianggap punya "daya pembeda" yang kuat antar alternatif, sehingga nantinya diberi bobot lebih besar.
Rumus Nilai Variasi Preferensi (PV):
PV = (nilai normal − rata-rata kolom)²
Hasilnya selalu dikuadratkan supaya nilainya tidak ada yang negatif, sama seperti prinsip menghitung varians pada statistik.
Contoh perhitungan HP A pada kolom Harga: (0,6667 − 0,7222)² = (−0,0556)² = 0,0031.
Setelah dihitung untuk semua sel, lalu dijumlahkan per kolom:
| Alternatif | Harga | RAM | Baterai | Skor Kamera |
|---|---|---|---|---|
| HP A | 0,0031 | 0,0625 | 0,0044 | 0 |
| HP B | 0,0494 | 0 | 0,0178 | 0,0123 |
| HP C | 0,0772 | 0,0625 | 0,0044 | 0,0123 |
| Total | 0,1297 | 0,125 | 0,0267 | 0,0247 |
4.5 Menghitung Deviasi dan Bobot Kriteria
Total variasi tiap kolom di atas kemudian diubah menjadi deviasi, lalu dari deviasi itu baru dihitung bobot tiap kriteria.
Rumus Deviasi:
deviasi = 1 − total variasi preferensi kolom itu
Rumus Bobot Kriteria:
bobot = deviasi kriteria itu ÷ total seluruh deviasi
Total dari semua bobot kriteria hasilnya harus tepat 1 (atau 100%) — ini jadi cara mengecek apakah perhitungan sudah benar.
Contoh perhitungan deviasi Harga: 1 − 0,1297 = 0,8703.
Setelah keempat deviasi dihitung, totalnya adalah 0,8703 + 0,875 + 0,9733 + 0,9753 = 3,6939.
Contoh perhitungan bobot Harga: 0,8703 ÷ 3,6939 = 0,2356.
| Harga | RAM | Baterai | Skor Kamera | |
|---|---|---|---|---|
| Deviasi | 0,8703 | 0,875 | 0,9733 | 0,9753 |
| Bobot | 0,2356 | 0,2369 | 0,2635 | 0,2640 |
Menarik untuk dilihat: kriteria Skor Kamera justru mendapat bobot tertinggi (0,2640), bukan Harga. Ini murni hasil hitungan otomatis dari metode PSI — bukan karena kita menganggap kamera "paling penting" secara subjektif.
4.6 Menghitung Nilai PSI dan Perankingan
Ini adalah langkah terakhir. Nilai PSI tiap alternatif dihitung dengan mengalikan nilai normalisasi (dari langkah 4.2) dengan bobot kriteria (dari langkah 4.5), lalu dijumlahkan per baris.
Rumus Nilai PSI:
Nilai PSI = Σ (nilai normal kriteria × bobot kriteria)
Simbol Σ artinya "jumlahkan semuanya" — dalam hal ini, jumlahkan hasil kali dari keempat kriteria pada satu baris alternatif.
Contoh perhitungan lengkap untuk HP A:
(0,6667 × 0,2356) + (1 × 0,2369) + (1 × 0,2635) + (0,8889 × 0,2640)
= 0,1571 + 0,2369 + 0,2635 + 0,2347
= 0,8922
Dengan cara yang sama untuk HP B dan HP C, hasil akhirnya:
| Alternatif | Nilai PSI | Rangking |
|---|---|---|
| HP A | 0,8921 | 1 |
| HP C | 0,8229 | 2 |
| HP B | 0,7703 | 3 |
Hasil akhir: HP A menjadi pilihan terbaik karena punya nilai PSI paling tinggi (0,8921), disusul HP C di posisi kedua, dan HP B di posisi ketiga. Semakin besar nilai PSI, semakin direkomendasikan alternatif tersebut.
5. Bagaimana Jika Ada Kriteria Kualitatif atau Non-Numerik?
Dalam kasus nyata, tidak semua kriteria berbentuk angka yang jelas seperti harga atau RAM. Kadang ada kriteria yang sifatnya kualitatif (penilaian subjektif), misalnya layanan after sales, kualitas desain, atau kenyamanan penggunaan. Pertanyaannya, bagaimana kriteria semacam ini bisa dimasukkan ke dalam perhitungan PSI yang seluruhnya berbasis angka?
Jawabannya sederhana: kriteria kualitatif tidak dihitung dengan rumus khusus, tapi diubah dulu menjadi angka menggunakan skala penilaian, sebelum masuk ke matriks keputusan. Setelah menjadi angka, kriteria tersebut diperlakukan sama seperti kriteria numerik lainnya — tetap ditentukan jenisnya Benefit atau Cost, lalu dihitung dengan langkah-langkah yang sama seperti pada bagian 4.
Skala penilaian yang umum dipakai (mirip skala Likert):
| Penilaian | Nilai |
|---|---|
| Sangat Kurang | 1 |
| Kurang | 2 |
| Cukup | 3 |
| Baik | 4 |
| Sangat Baik | 5 |
Skala 1–5 di atas hanya contoh, boleh juga dipakai skala lain seperti 1–10. Yang penting, skala yang dipilih harus konsisten digunakan untuk menilai semua alternatif pada kriteria yang sama, supaya perbandingannya tetap adil.
Contoh: Menambahkan Kriteria Kelima "Layanan After Sales"
Melanjutkan studi kasus smartphone sebelumnya, sekarang ditambahkan satu kriteria baru yaitu Layanan After Sales (garansi, respons layanan servis, ketersediaan sparepart, dll), bertipe Benefit — semakin baik layanannya, semakin disukai. Setelah disurvei dari ulasan pengguna, penilaiannya sebagai berikut:
| Alternatif | Penilaian After Sales | Dikonversi ke Angka |
|---|---|---|
| HP A | Baik | 4 |
| HP B | Sangat Baik | 5 |
| HP C | Cukup | 3 |
Setelah dikonversi menjadi angka, kriteria ini digabungkan ke matriks keputusan yang sudah ada, sehingga sekarang ada lima kriteria:
| Alternatif | Harga (Cost) | RAM (Benefit) | Baterai (Benefit) | Skor Kamera (Benefit) | After Sales (Benefit) |
|---|---|---|---|---|---|
| HP A | 3 | 8 | 5 | 80 | 4 |
| HP B | 4 | 6 | 4 | 90 | 5 |
| HP C | 2 | 4 | 5 | 70 | 3 |
Karena kriteria After Sales sudah berbentuk angka biasa, langkah-langkah selanjutnya persis sama seperti bagian 4 — normalisasi, rata-rata, variasi preferensi, deviasi, bobot, sampai nilai PSI akhir. Berikut hasil perhitungan ulangnya (dengan lima kriteria):
| Alternatif | Harga | RAM | Baterai | Skor Kamera | After Sales |
|---|---|---|---|---|---|
| HP A | 0,6667 | 1 | 1 | 0,8889 | 0,8 |
| HP B | 0,5 | 0,75 | 0,8 | 1 | 1 |
| HP C | 1 | 0,5 | 1 | 0,7778 | 0,6 |
| Bobot Kriteria | 0,1886 | 0,1896 | 0,2110 | 0,2114 | 0,1994 |
| Alternatif | Nilai PSI | Rangking |
|---|---|---|
| HP A | 0,8738 | 1 |
| HP B | 0,8161 | 2 |
| HP C | 0,7784 | 3 |
Perhatikan sedikit perubahan hasilnya: pada studi kasus sebelumnya (4 kriteria) HP C berada di posisi kedua, tapi setelah kriteria After Sales ditambahkan, HP B naik ke posisi kedua karena penilaian after sales-nya paling baik. Ini menunjukkan salah satu kelebihan metode PSI — begitu ada kriteria baru yang ditambahkan (termasuk kriteria kualitatif yang sudah dikonversi ke angka), bobot dan hasil akhir otomatis dihitung ulang menyesuaikan seluruh data, tanpa perlu mengatur ulang bobot secara manual.
6. Kesimpulan
Metode PSI membantu mengambil keputusan dari beberapa pilihan dengan banyak kriteria, tanpa perlu menebak-nebak kriteria mana yang paling penting. Secara singkat, urutan langkahnya adalah:
- Susun data ke dalam matriks keputusan.
- Normalisasi data (rumus Benefit atau Cost, tergantung jenis kriterianya).
- Hitung rata-rata tiap kolom hasil normalisasi.
- Hitung nilai variasi preferensi (selisih dari rata-rata, dikuadratkan).
- Ubah jadi deviasi, lalu hitung bobot tiap kriteria.
- Kalikan nilai normalisasi dengan bobot, jumlahkan per alternatif, lalu urutkan dari nilai terbesar.
Contoh pada artikel ini sengaja dibuat dengan angka yang sederhana agar mudah dipahami. Untuk kasus nyata dengan data yang lebih banyak, prinsip dan rumusnya tetap sama persis — hanya jumlah baris dan kolomnya yang lebih besar.
7. Referensi Jurnal
Rumus utama metode PSI pada artikel ini mengacu pada jurnal internasional aslinya (Maniya & Bhatt, 2010). Selebihnya, berikut beberapa jurnal nasional yang juga menerapkan metode PSI ini pada berbagai studi kasus SPK di Indonesia:
- Maniya, K., & Bhatt, M. G. (2010). A selection of material using a novel type decision-making method: Preference selection index method. Materials & Design, 31(4), 1785–1789. sciencedirect.com — jurnal internasional yang menjadi dasar seluruh rumus metode PSI pada artikel ini.
- Andari, N. (2024). Sistem Pendukung Keputusan Pemilihan Siswa Berprestasi Paralel Menggunakan Metode Preference Selection Index (Studi Kasus: MTs Nur Iman Mlangi). Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI). ojs.serambimekkah.ac.id
- Aji, W., & Raissa, A. P. (2024). Implementasi Metode Preference Selection Index (PSI) dalam Perekrutan Mitra Kurir J&T. Rabit: Jurnal Teknologi dan Sistem Informasi Univrab, 10(2). doi.org/10.36341/rabit.v10i2.6492
- Tanjung, T. A., Kusuma, A. N., Pratiwi, N. D., Sari, A., Sarudin, & Wulan, N. (2026). Penerapan Metode PSI (Preference Selection Index) dalam Sistem Pendukung Keputusan Pemilihan Ekstrakurikuler. Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI), 4(3), 2231–2239. ejurnal.lkpkaryaprima.id
- Sistem Pendukung Keputusan untuk Menentukan Kelayakan Penerimaan Roaster di Jalan Cerita Coffee dengan Metode Preference Selection Index. Global Research and Innovation Journal. journaledutech.com
 Langkah demi Langkah){kind=link}
Posting Komentar