Kesimpulan Hasil Pengujian Beta

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM

4.2 Pengujian Sistem

4.2.2 Pengujian Beta

4.2.2.2 Kesimpulan Hasil Pengujian Beta

Hasil dari pengujian beta dapat disimpulkan bahwa sistem pengklasifikasian objek wisata yang telah dibangun dapat membantu pengguna khususnya admin disparbud untuk melakukan proses pengklasifikasian objek wisata berdasarkan kategori ke dalam 8 karakter, selain itu sistem pengklasifikasian objek wisata juga mudah untuk dipelajari dan sangat membantu sekali karena cukup cepat dalam proses pengklasifikasian dimana objek wisata di Jawa Barat sangat banyak sekali.

127

Pada bab ini akan dikemukakan kesimpulan yang dapat diperoleh dari pembahasan bab-bab sebelumnya serta saran untuk perbaikan dan pengembangan sistem yang lebih lanjut.

5.1 Kesimpulan

Berdasarkan hasil yang didapat dalam penelitian dan penyusunan skripsi ini serta disesuaikan dengan tujuannya, maka diperoleh kesimpulan sebagai berikut:

1. Sistem pengklasifikasian pada objek wisata dapat menghasilkan aturan klasifikasi dalam setiap kategori berdasarkan 8 karakter dengan menggunakan metode naïve bayes classifier dengan mencari nilai Vmap kategori yang paling maksimum.

2. Pembangunan sistem pengklasifikasian objek wisata dapat membantu khususnya admin disparbud dalam melakukan pengklasifikasian objek wisata berdasarkan kategori ke dalam 9 karakter.

3. Metode Naïve Bayes Classifier (NVB) dapat diimplementasikan dalam sistem pengklasifikasian objek wisata ke dalam 8 karakter.

5.2 Saran

Dari semua hasil yang telah dicapai saat ini, aplikasi dari Sistem Pengklasifikasian objek wisata perlu dikembangkan lagi agar menjadi sistem yang lebih handal dan akurat dalam melakukan pengklasifikasian, berikut ini adalah beberapa saran yang dapat dilakukan :

2. Perlu adanya penelitian bagaimana cara mengetahui tingkat error naïve bayes classifier melakukan klasifikasi objek wisata.

3. Perlu dikembangkan lagi tidak hanya sistem mengklasifikasikan saja namun perlu ada sistem ada pencarian objek wisata memakai teknik text mining khususnya dalam bidang information retrievalnya (IR).

10108401

1 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

2 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

Karakter

Hutan

Karakter

Pantai

Karakter

Kepurbakalaan

Karakter

Religius

Karakter

Heritage

Karakter

GelarSeni&Ragam Festival

Karakter

Tradisi&

Komunikasi Adat

Karakter

Wisata

Belanja

3 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

4 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

5 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

2 of 23

UNIKOM

JURUSAN

Barat.

• Informasi yang diberikan sistem yaitu berupa identitas objek wisata

(nama objek wisata, karakter, dan kota/kab) dan deskripsi objek wisata.

• Data objek wisata yang digunakan yaitu data objek wisata yang ditulis

dalam bahasa Indonesia, dan tidak dilakukan tahap tagging pada proses

13 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

kategori.

•Data Latih yang digunakan adalah 15 objek wisata yang terdapat pada

buku informasi pariwisata Jawa Barat.

•Algoritma yang akan diimplementasikan pada bahasan mengenai proses

pengklasifikasian objek wisata adalah Naïve Bayes Clasifier.

•Perangkat lunak atau aplikasi ini akan berjalan pada sistem berbasis

website.

13 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

14 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

tools analisis yang merupakan komponen-komponen dalam

data mining yang salah satunya adalah kategorisasi”

15 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

“Tujuan dari Text Mining adalah untuk mendapatkan informasi

yang berguna dari sekumpulan dokumen tetapi

Tujuan utama text mining adalah mendukung proses

16 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

17 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

18 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

Memprediksi probabilitas keanggotaan suatu class”

19 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

1. Pembelajaran(^Learning)

1. Bentuk kosakata pada setiap dokumen data pelatihan. 2. Untuk setiap kategorivj:

a. TentukanDocs j(himpunan dok. Dalam kategori vj).

b.Hitung probabilitas pada setiap kategoriP(vj).

c. HitungP(wk|vj)untuk setiap kata

wkdalam kosakata pada kategorivj.

Klasifikasi(^Classify)

1. HitungP(vj)

II

P(ai | vj) i

untuk setiap kategorivj.

2. Tentukan kategori dengan nilai

P(vj)

II

P(ai | vj)

ᵏ

20 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

21 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

DATA LATIH

2. Kawah Putih.

2. Karakter Perkebunan. 1. Perkebunan Teh Gunung Mas. 2. Perkebunan Kopi pangalengan.

3. Karakter Pantai. 1. Pantai Cimaja Sukabumi.

4. Karakter Unik. 1. Tambang Emas Pongkor.

5. Karakter Tradisi & Komunikasi Adat.

1. Kampung Naga.

6. Karakter Kepurbakalaan. 1. Gua Pawon Cipatat 2. Situs Gunung Padang 7. Karakter Gelar Seni dan

Ragam Festival.

1. Kampung adat cigugur. 2. Atraksi seni domba garut. 8. Karakter Heritage. 1. Keraton Kesepuhan Cirebon.

2. Gedung Sate Jawa Barat.

9. Karakter Wisata Belanja. 1. Pasar Baru Bandung 2. Wisata Belanja Tajur

SISTEM YANG AKAN DIBANGUN

22 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

1. Klasifikasi Naïve Bayes Classifier (NVB) Pembelajaran (Learning)

Untuk data latih objek wisata

2. Klasifikasi Naïve Bayes Classifier (NVB) Untuk Data Uji Objek

23 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

data latih teks

objek wisata ^{Preprocessing}

Pembuatan

indeks keyword

Perhitungan NVB

pembelajaran

(learning) data

latih

Gambar Proses Pembelajaran Data Latih Objek Wisata

24 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

Data Latih

Teks

Objek Wisata

Tokenizing Filtering Stemming

TAHAPAN PREPROCESSING

Gambar Konsep Kerja Proses Text mining

25 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

A. TOKENIZING

Data latih hasil pengubahan teks menjadi huruf kecil

dan menghapus karakter Data latih hasil pemecahan menjadi kata-kata selesai Mengubah semua teks menjadi huruf

keci dan menghapus

karakter

Memecah dokumen data latih menjadi bab-bab, paragraph, kalimat, kata-kata

26 of 23

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

Tokenizing tahap pertama

ATURAN HASIL

Jika inputan data latih

memiliki huruf kapital

[A…..Z] dan karakter

simbol.

Maka akan mengubah

data latih tersebut

menjadi huruf kecil

[a……z] semua dan

membuang karakter

simbol.

Karakter Simbol ^ , : @ ( ; % ) | $ - ] # < } „ > { ~ + \ & = / . ! “

Tabel Daftar Simbol

Deskripsi Data Latih

TahapanTokenizing

Mengubah semua teks data latih menjadi huruf kecil

Input

Kawasan hutan tropis di lereng Gunung Pangrango dan

Gunung Gede. Gunung Gede juga memiliki keanekaragaman ekosistem.

Output

kawasan hutan tropis di lereng gunung

pangrango dan gunung gede gunung gede juga memiliki

keanekaragaman ekosistem

27 of 23

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

Tabel Aturan tahapan Tokenizing tahap kedua

Tabel Ilustrasi Tokenizing tahap pertama

ATURAN HASIL

Jika inputan data latih

bertemu spasi.

Maka akan memecah dari

deskripsi data latih menjadi

bab-bab per bagian kata atau

string.

Deskripsi Data Latih hasil pengubahan teks menjadi huruf kecil semua

Tahapan^Tokenizing

Memecah dokumen data latih menjadi bab-bab, paragraf

Input

kawasan hutan tropis di lereng gunung pangrango dan gunung gede gunung gede juga memiliki

keanekaragaman ekosistem Output kawasan hutan tropis di lereng gunung pangrango dan gunung gede gunung gede juga memiliki keanekaragaman ekosistem

28 of 23

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

B. FILTERING

tokenizing

Data latih hasil penghapusan

kata yang tidak penting

selesai

Cek, apakah data latih objek wisata mempunyai dokumen yg mengandung kata stopword? TIDAK YA Menghapus kata stopword

29 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

Tabel Daftar Stopword

ATURAN HASIL

Jika Inputan data latih mengandung kata pada database stopword

Maka akan menghapus kata atau string

dalam data latih.

Data Stopword

telah Punya mendapatkan dari

untuk Setiap pernah lain

baik Memang lakukan melakukannya

bisa Tetapi sudah karena

jadi Seperti ada antara

juga Hampir semua setelah

di tentang mampu yang

2013

C. STEMMING

Cek kata dalam

database kata dasar

Cek kata “peninggalan” apakah memiliki inflection suffixes Tidak Kata Dasar Ya Hasil kata “peninggalan” tidak memiliki inflection suffixes Cek kata “peninggalan” apakah memiliki derivation suffixes (-an,-i,-kan) Hasil kata “peninggalan” menjadi kata “peninggal”

Cek kata dalam

database kata dasar

Ya Cek kata “peninggalan” apakah memiliki derivation prefixes (pe-) Tidak Melakukan recoding kata “ninggal” dengan aturan tabel 3.8 nomor 27 menjadi kata “tinggal”

Cek kata dalam

database kata dasar

tidak

Cek kata dalam

database kata dasar

Pencarian tidak ditemukan

tidak

33 of 23

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

Awalan (prefix) Akhiran (suffix) yang dilarang

be- -i

di- -an

ke- -i, -kan

me- -an

se- -i, -kan

te- -an

Tabel Kombinasi Awalan Akhiran

yang dilarang

3 berCAerV... ber-CaerV... dimanaC!=‟r‟

4 belajar bel-ajar

5 beC1erC2... be-C1erC2... dimana C1!={‟r‟|‟l‟}

6 terV... ter-V... | te-rV...

7 terCerV... ter-CerV... dimanaC!=‟r‟

8 terCP... ter-CP... dimanaC!=‟r‟danP!=‟er‟

9 teC1erC2... te-C1erC2... dimana C1!=‟r‟

10 me{l|r|w|y}V... me-{l|r|w|y}V...

11 mem{b|f|v}... mem-{b|f|v}...

12 mempe... mem-pe...

13 mem{rV|V}... me-m{rV|V}... |me-p{rV|V}…

14 men{c|d|j|z}... men-{c|d|j|z}...

15 menV... me-nV... | me-tV

16 meng{g|h|q|k}... meng-{g|h|q|k}...

17 mengV... meng-V... | meng-kV...

18 menyV... meny-sV...

19 mempV... mem-pV... denganV!=‟e‟

20 pe{w|y}V... pe-{w|y}V...

21 perV... per-V... | pe-rV...

22 perCAP per-CAP... dimanaC!=‟r‟danP!=‟er‟

23 perCAerV... per-CAerV... dimanaC!=‟r‟

24 pem{b|f|V}... pem-{b|f|V}...

25 pem{rV|V}... pe-m{rV|V}... | pe-p{rV|V}…

26 pen{c|d|j|z}... pen-{c|d|j|z}...

27 penV... pe-nV... | pe-tV...

28 peng{g|h|q}... peng-{g|h|q}...

29 pengV... peng-V... | peng-kV...

30 penyV... peny-sV...

31 pelV... pe-lV... kecuali“pelajar”yang menghasilkan“ajar”

32 peCerV... per-erV... dimana C!={r|w|y|l|m|n}

33 peCP... pe-CP... dimana C!={r|w|y|l|m|n} danP!=‟er‟

2013

Gambar Flowchart pembuatan indeks keyword

Input data latih objek wisata (nama karakter, nama objek wisata, deskripsi Data latih objek wisata hasil Tokenizing ^selesai Tokenizing Filtering Data latih objek wisata hasil Filtering Data latih objek wisata hasil Stemming

Hasil Keyword dari data latih objek wisata disimpan

• Data latih langsung diketik di

form Penambahan atau Pengubahan

Data latih atau menyalin melalui

media lain, seperti Notepad.

• Jika ada poin-poin dalam

deskripsi gunakan tanda “ - “

37 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

Gambar Proses pengklasifikasian NVB (Classify) Data Uji Objek Wisata

Input data uji

teks objek

wisata

Text Mining ^Pembuatan

indeks keyword

Klasifikasi NVB

(classify) data

uji objek wisata

48 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

Data Uji ^{Gedung Sate} ^{Bandung, Jawa} Barat Peninggalan bangunan kuno yang mempunyai nilai sejarah berupa

2. ANALISIS PROSES TEXT MINING PADA DATA UJI

Dokumen Nama objek

wisata

Lokasi Deskripsi Proses Text Miningtahapan preprocessing Tokenizing Filtering Stemming

Data Uji Gedung Sate Bandung, Jawa Barat Peninggalan bangunan kuno yang mempunyai nilai sejarah berupa peninggalan bangunan kuno yang mempunyai nilai sejarah berupa peninggalan bangunan kuno nilai sejarah berupa tinggal bangun kuno sejarah rupa

49 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

Wisata teks Dibuat indeks

Keyword

Data Uji ^{Gedung Sate} ^{Bandung, Jawa} Barat

Peninggalan bangunan kuno yang mempunyai nilai sejarah berupa

tinggal(1), bangun(1), kuno(1), nilai(1), sejarah(1), rupa(1)

4. ANALISIS PERHITUNGAN NVB UNTUK KLASIFIKASI DATA UJI

a. Bentuk Hitung P(vj) II P(ai | vj) untuk setiap kategori vj.

i

b. Tentukan kategori dengan nilai P(vj) II P(ai | vj) maksimalnya

i

50 of 70

UNIKOM

JURUSAN

TEKNIK INFORMATIKA

2013

n Objek Wisata Deskripsi teks Text Mining Dibuat indeks Keyword Kosakata Karakter

TEKNIK INFORMATIKA

2013

Dalam dokumen Implementasi text mining klasifikai objek wisata dengan metode Naive Bayes Classifier di Dinas Pariwisata dan Kebudayaan Jawa Barat (Halaman 138-200)