SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN RESTORAN
DI KOTA MEDAN MENGGUNAKAN LOGIKA
FUZZY CLUSTERING MEANS
SKRIPSI
ELY DEFRIYANI TANJUNG
091421006
PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN RESTORAN DI KOTA MEDAN MENGGUNAKAN LOGIKA
FUZZY CLUSTERING MEANS
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer
ELY DEFRIYANI TANJUNG 091421006
PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN RESTORAN DI KOTA MEDAN MENGGUNAKAN LOGIKA FUZZY CLUSTERING MEANS
MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Drs. Agus Salim Harahap, M.Sc Prof. Dr. Muhammad Zarlis
NIP. 195408281981031004 NIP. 195707011986011003
Diketahui/Disetujui oleh
Departemen Ilmu Komputer FMIPA – USU Ketua,
PERNYATAAN
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN RESTORAN DI KOTA MEDAN MENGGUNAKAN LOGIKA
FUZZY CLUSTERING MEANS
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing – masing disebutkan sumbernya.
Medan, Juli 2011
PENGHARGAAN
Puji syukur saya sampaikan kehadirat Allah SWT, yang telah memberikan rahmat dan hidayah-Nya serta segala sesuatunya dalam hidup, sehingga saya dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi Ekstensi Ilmu Komputer Universitas Sumatera Utara.
Ucapan terima kasih saya sampaikan kepada bapak Prof.Dr.Muhammad Zarlis sebagai Dosen Pembimbing I dan Bapak Drs.Agus Salim Harahap sebagai dosen pembimbing II yang telah memberikan bimbingan, saran, dan masukan kepada saya untuk menyempurnakan kajian ini. Panduan ringkas, padat dan profesional telah diberikan kepada saya sehingga saya dapat menyelesaikan tugas ini. Selanjutnya kepada Dosen Penguji Bapak Dr. Poltak Sihombing, M.Kom dan Ibu Maya Silvi Lydia, B.Sc.,M.Sc atas saran dan kritikan yang sangat berguna bagi saya. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi S1 Ilmu Komputer, Bapak Dr. Poltak Sihombing, M.Kom dan Ibu Maya Silvi Lydia, B.Sc.,M.Sc, Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Ilmu Komputer FMIPA USU. Skripsi ini terutama saya persembahkan untuk kedua orang tua dan keluarga saya yang telah memberikan dukungan dan motivasi, ayahanda Rusli Tanjung dan Ibunda Nurhayati Sitompul yang selalu sabar dalam mendidik saya. Untuk semua saudara – saudara saya yang telah memberikan semangat, terutama kakak saya tercinta Siti Mahrani Tanjung. Terima kasih juga buat semangat dan bantuan teman saya Wati Hidayani dan juga sahabat-sahabat di Bandara Polonia yang tidak dapat saya sebutkan namanya satu per satu.
ABSTRAK
Sistem pendukung keputusan didefinisikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan manajerial dalam situasi-situasi tertentu. Implementasi Sistem Pendukung Keputusan dapat juga digunakan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur. Kajian ini akan membahas tentang Sistem Pendukung Keputusan Menentukan Restoran di Kota Medan Dengan Menggunakan Logika Fuzzy C-Means. Sistem Pendukung Keputusan ini sangat membantu untuk pengambilan keputusan meminimalkan biaya pewisata kuliner di Kota Medan sesuai dengan biaya yang disediakan user. Dimana fuzzy C-Means ini membantu dalam mengelompokan data yang terdapat pada database kedalam cluster (kelompok), berdasarkan kesamaan nilai pada pusat cluster-nya. Sistem yang akan dibangun menggunakan bahasa pemrograman PHP dengan database MySQL.
DECISION SUPPORT SYSTEM FOR SELECTION OF RESTAURANTS INMEDAN CITY USING LOGIC FUZZY
CLUSTERING MEANS
ABSTRACT
Decision support system is defined as a system intended to support managerial decision makers in certain situations. Implementation of Decision Support System can also be used to solve problems, especially problems that are complex and unstructured. This review will discuss the Decision Support System for Determining the restaurant in the city of Medan Logic Using Fuzzy C-Means. Decision Support System is very helpful for decision making in minimizing costs pewisata culinary city of Medan in accordance with the cost of providing the user. Fuzzy C-Means where it helps in classifying the data contained in the database into clusters (groups), based on the similarity value at the center of its cluster. The system will be built using programming language PHP with MySQL database.
DAFTAR ISI
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
1.6 Metodologi Penelitian 4
1.7 Sistematika Penulisan 5
Bab 2 Landasan Teori 7
2.1 Sistem Pendukung Keputusan 7
2.2 Logika Fuzzy 10
2.2.1 Pengertian Logika Fuzzy 10
2.2.2 Alasan Digunakan Logika Fuzzy 11
2.2.3 Himpunan Fuzzy 11
2.2.4 Fuzzy C-Means (FCM) 13
2.2.5 Algoritma Fuzzy Clustering Means (FCM) 14
Bab 3 Analisis dan Perancangan Sistem 18
3.1 Analisis Data 18
3.2 Perancangan Flowchart 20
3.3 Perancangan Entity Relational Diagram (ERD) 31
Bab 4 Implementasi Sistem 34
4.1 Implementasi Sistem 34
4.2 Pengujian Sistem 35
4.2.1 Sebagai Administrator 36
4.2.1.1 Proses Login 36
4.2.1.2 Administrator memasukkan data restoran 37 dan menu makanan
Bab 5 Kesimpulan dan Saran 57
5.1 Kesimpulan 57
5.2 Saran 58
DAFTAR TABEL
Halaman
3.1 Penjelasan ERD SPK Pemilihan Restoran 32
4.1 Perhitungan Pusat Cluster 44
4.2 Detil Perhitungan Fungsi Objektif 46
4.3 Detail Penghitungan Derajat Keanggotaan Baru 47
4.4 Detil Perhitungan Fungsi Objektif yang Ke- 100 48 4.5 Detil Perhitungan Derajat Keanggotaan Baru U-100 48 4.6 Derajat Keanggotaan Tiap Data Pada Setiap Cluster 50
4.7 Table Matriks Awal Harga Makanan 52
DAFTAR GAMBAR
Halaman
3.1 Context Diagram 18
3.2 DFD Level 1 19
3.3 Flowchart Konsultasi Kuliner 20
3.4 Flowchart Login Admin 21
3.5 Flowchart Konsultasi Pewisata Kuliner 22
3.6 Flowchart Arsip Data Makanan 23
3.7 Flowchart Input Data Makanan 23
3.8 Flowchart Edit dan Hapus Data Makanan 24
3.9 Flowchart Input Data Restoran 25
3.10 Flowchart Arsip Data Restoran 25
3.11 Flowchart Konfigurasi Analisis 26
3.12 Flowchart Proses Input Makanan Random 27
3.13 Flowchart Proses Matriks Partisi Awal 28
3.14 Flowchart Proses Mendapatkan Fungsi Objektif 30 3.15 Entity Relationship Diagram (ERD) Sistem Pendukung Keputusan 31
4.1 Halaman Admin 36
4.2 Halaman Tambah Data Restoran 37
4.3 Halaman Tambah Data Makanan 38
4.4 Halaman Calon Pewisata Kuliner Melakukan Konsultasi 39 4.5 Halaman Calon Pewisata Kuliner Melakukan Konsultasi 40
4.6 Proses Pencampuran Data Makanan 41
4.7 Data Id Makanan Tercampur Secara Acak 42
ABSTRAK
Sistem pendukung keputusan didefinisikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan manajerial dalam situasi-situasi tertentu. Implementasi Sistem Pendukung Keputusan dapat juga digunakan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur. Kajian ini akan membahas tentang Sistem Pendukung Keputusan Menentukan Restoran di Kota Medan Dengan Menggunakan Logika Fuzzy C-Means. Sistem Pendukung Keputusan ini sangat membantu untuk pengambilan keputusan meminimalkan biaya pewisata kuliner di Kota Medan sesuai dengan biaya yang disediakan user. Dimana fuzzy C-Means ini membantu dalam mengelompokan data yang terdapat pada database kedalam cluster (kelompok), berdasarkan kesamaan nilai pada pusat cluster-nya. Sistem yang akan dibangun menggunakan bahasa pemrograman PHP dengan database MySQL.
DECISION SUPPORT SYSTEM FOR SELECTION OF RESTAURANTS INMEDAN CITY USING LOGIC FUZZY
CLUSTERING MEANS
ABSTRACT
Decision support system is defined as a system intended to support managerial decision makers in certain situations. Implementation of Decision Support System can also be used to solve problems, especially problems that are complex and unstructured. This review will discuss the Decision Support System for Determining the restaurant in the city of Medan Logic Using Fuzzy C-Means. Decision Support System is very helpful for decision making in minimizing costs pewisata culinary city of Medan in accordance with the cost of providing the user. Fuzzy C-Means where it helps in classifying the data contained in the database into clusters (groups), based on the similarity value at the center of its cluster. The system will be built using programming language PHP with MySQL database.
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Fungsi pemasaran sebagai penghubung antara kebutuhan dan keinginan konsumen
dengan produk yang ditawarkan oleh produsen, dirasakan sangat penting. Kebutuhan
manusia yang banyak dan beraneka ragam merupakan tantangan bagi para produsen
untuk mampu memahami keinginan dan kebutuhan konsumen.
Keadaan ini menciptakan suatu kondisi persaingan diantara para pemasar atas
produk yang dipasarkannya. Pemasar sebaiknya mengetahui serta memahami
konsumen dengan baik sehingga produk dan pelayanan yang paling memuaskan akan
diminati oleh konsumen sehingga akan menghasilkan laba dari penjualan dan
pemasaran produk yang dilakukannya.
Konsep tersebut juga berlaku pada bisnis restoran. Bisnis ini merupakan usaha
yang berhubungan langsung dengan pelanggan atau konsumen, sehingga segala
sesuatu yang dilakukan pengelola bisnis restoran disamping untuk memperoleh
keuntungan juga bagaimana pengelola restoran dapat memuaskan konsumen. Karena
dengan adanya kepuasan konsumen maka untuk selanjutnya konsumen akan
memperlihatkan peluang membeli yang lebih tinggi dalam kesempatan berikutnya.
Konsumen yang puas cenderung mengatakan sesuatu yang serba baik tentang restoran
tersebut kepada orang lain. Sehingga orang lain akan berminat membeli pada restoran
Bisnis restoran yang berkembang pesat di kota-kota besar saat ini,
menimbulkan persaingan yang sangat tajam dalam memenuhi macam-macam
kebutuhan. Karena itu tindakan pemasar adalah berupaya menciptakan kekhasan dan
keunggulan dari berbagai faktor yang dapat menarik konsumen untuk membeli produk
-produknya. Faktor-faktor tersebut misalnya fasilitas pelayanan, harga maupun produk
dengan ragam dan kualitas yang lebih unggul dibanding para pesaingnya.
Pelayanan yang baik mampu memberikan kepuasan pada konsumen, di
samping akan mampu mempertahankan konsumen yang lama untuk terus membeli
produk yang ditawarkan, serta akan mampu pula menarik konsumen baru.
Pesatnya perkembangan dunia makanan atau lebih dikenal dengan kuliner dan
juga terdapat banyak restoran dan rumah makan di Medan, tidak diiringi dengan
perkembangan teknologi yang digunakan. Ditambah lagi dengan kondisi banyak
konsumen yang kurang jelas dengan informasi mengenai restoran.
Sehingga hal ini membuat konsumen yang terdiri dari orang yang bertempat
tinggal di Medan maupun pengunjung yang berasal dari luar Kota Medan yang masih
merasa bingung, membutuhkan informasi untuk memutuskan mengunjungi restoran
yang tepat berdasarkan biaya yang dimiliki dan menu yang diinginkan. Untuk itu
diperlukan suatu sistem yang dapat memberikan gambaran mengenai tujuan restoran
yang akan dikunjungi.
Sistem ini merupakan komputerisasi dari sistem manual dalam penentuan
tujuan restoran dengan memanfaatkan logika fuzzy untuk mengambil keputusan.
Diharapkan dengan sistem ini dapat memberikan informasi yang jelas mengenai
tujuan restoran kepada para konsumen. Sistem ini akan memberikan informasi tujuan
restoran yang dapat dikunjungi oleh konsumen sesuai dengan data yang diinputkan.
Metode pengambilan keputusan yang digunakan adalah metode clustering
(pengelompokan). Sistem ini nantinya akan memberikan output berupa
pilihan-pilihan restoran yang dapat dikunjungi oleh konsumen, dimana nantinya ini akan
biaya yang harus dikeluarkan oleh konsumen untuk menentukan restoran mana yang
tepat sesuai dengan biaya yang dimiliki.
1.2 Rumusan Masalah
Rumusan masalah dalam penelitian tugas akhir ini adalah bagaimana membuat suatu
analisis rancangan sistem pendukung keputusan menentukan lokasi restoran yang baik
untuk mendapatkan menu makanan tertentu berdasarkan biaya yang dimiliki sehingga
bisa meminimalkan pengeluaran dengan cara mengimplementasikannya kedalam
sistem pengambilan keputusan menggunakan logika fuzzy dan metoda fuzzy clustering
C-Means sebagai pengambil keputusan.
1.3 Batasan Masalah
Batasan masalah yang menjadi acuan dalam penelitian skripsi ini adalah :
1. Sistem pendukung keputusan digunakan dalam menentukan lokasi restoran
berdasarkan biaya dan menu makanan yang dipesan untuk meminimalkan
biaya bagi konsumen, khusus untuk restoran yang berada di kota Medan.
2. Sistem pendukung keputusan berperan dalam pengambilan keputusan dengan
memanfaatkan data lokasi restoran melalui teknik clustering dalam membagi
data menjadi beberapa kelompok untuk memperoleh output yang sesuai
dengan kriteria konsumen.
3. Skripsi ini hanya membahas biaya dan menu makanan dari yang menu spesial
hingga yang biasa.
4. Variable fuzzy yang digunakan yaitu: biaya dan menu makanan tertentu.
5. Sistem dibangun dan dikembangkan dengan PHP 5.0 sebagai bahasa
1.4 Tujuan Penelitian
Tujuan yang hendak dicapai dalam penelitian skripsi ini adalah untuk memudahkan
pewisata kuliner dalam menentukan lokasi restoran yang cocok dengan biaya yang
dimiliki berdasarkan menu makanan tertentu dengan pengimplementasian logika fuzzy
menggunakan fuzzy clustering dalam pengambilan keputusan.
1.5 Manfaat Penelitian
Manfaat yang diperoleh dalam penelitian skripsi ini adalah selain menambah
pengetahuan penulis mengenai sistem pendukung keputusan, hasil penelitian ini juga
bisa digunakan sebagai media informasi pengambilan keputusan bagi konsumen untuk
memutuskan pilihan restoran yang tepat sesuai dengan menu yang diinginkan dan
biaya yang dimiliki konsumen.
1.6 Metodologi Penelitian
Adapun metode penelitian yang dilakukan penulis dalam penelitian skripsi adalah:
1. Studi Literatur
Mengumpulkan informasi dan mempelajari materi serta sumber-sumber data yang
berhubungan dengan sistem pendukung keputusan dalam pengimplementasian
fuzzy C-Means kedalam suatu program, teknologi internet, maupun materi atau
sumber-sumber lain yang terkait dengan penelitian ini.
2. Pengumpulan data yang berhubungan dengan penelitian.
Melakukan pengumpulan data yang dibutuhkan untuk penelitian ini, yaitu
data-data harga menu makanan yang akan dijadikan sebagai input dari sistem.
Menganalisa system pendukung keputusan yang telah dikumpulkan sebelumnya
Pada tahap ini dilakukan pengujian sistem, apakah implementasi telah sesuai
dengan tujuan penelitian.
6. Dokumentasi Sistem
Melakukan pembuatan dokumentasi sistem mulai dari tahap awal sampai dengan
pengujian sistem.
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama sebagai
berikut:
BAB I PENDAHULUAN
Bab ini akan menjelaskan mengenai latar belakang masalah yang dibahas dalam
skripsi ini, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian,
metode penelitian, dan sistematika penulisan skripsi.
BAB II LANDASAN TEORI
Bab ini merupakan tinjauan teoritis yang berkaitan dengan sistem pendukung
keputusan, metode fuzzy clustering means, serta hal-hal yang berhubungan dengan
BAB III ANALISIS DAN PERANCANGAN SISTEM
Dalam bab ini akan dibahas tentang analisis, analisis kebutuhan perangkat lunak,
Analisis Data Flow Diagram (DFD), perancangan flowchart, perancangan Entity
Relationship Diagram (ERD). Lalu diimplementasikan dalam bahasa pemograman PHP.
BAB IV IMPLEMENTASI DAN PENGUJIAN
Dalam bab ini akan berisi pengujian terhadap program yang sudah diimplementasikan,
lalu dilakukan analisa apakah sistem berhasil meraih hasil sesuai dengan yang
diharapkan.
BAB V KESIMPULAN DAN SARAN
Bab terakhir akan memuat kesimpulan isi dari keseluruhan uraian bab-bab
sebelumnya dan saran-saran dari hasil yang diperoleh yang diharapkan dapat
BAB 2
LANDASAN TEORI
2.1 Sistem Pendukung Keputusan
Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System)
mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
didukung oleh sebuah sistem informasi berbasis komputer dapat membantu seseorang
dalam meningkatkan kinerjanya dalam pengambilan keputusan. Untuk memberikan
pengertian yang lebih mendalam, akan diuraikan beberapa definisi mengenai SPK
yang dikembangkan oleh beberapa ahli, diantaranya oleh Man dan Watson yang
memberikan definisi sebagai berikut, SPK merupakan suatu sistem yang interaktif,
yang membantu pengambil keputusan melalui penggunaan data dan model-model
keputusan untuk memecahkan masalah yang sifatnya semi terstruktur maupun yang
tidak terstruktur.
Sistem pendukung keputusan didefinisikan sebagai sebuah sistem yang
dimaksudkan untuk mendukung para pengambil keputusan manajerial dalam situasi
situasi tertentu. Sistem pendukung keputusan dimaksudkan untuk menjadi alat bantu
bagi para pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak
untuk menggantikan penilaian mereka (Turban et al, 2005) [8].
SPK dapat memberikan berbagai manfaat dan keuntungan. Manfaat yang dapat
diambil dari SPK adalah:
1) SPK memperluas kemampuan pengambil keputusan dalam memproses data /
informasi bagi pemakainya.
2) SPK membantu pengambil keputusan untuk memecahkan masalah terutama
3) SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat
diandalkan.
4) Walaupun suatu SPK, mungkin saja tidak mampu memecahkan masalah yang
dihadapi oleh pengambil keputusan, namun ia dapat menjadi pendorong bagi
pengambil keputusan dalam memahami persoalannya, karena mampu
menyajikan berbagai alternatif pemecahan.
Di samping berbagai keuntungan dan manfaat seperti dikemukakan diatas,
SPK juga memiliki beberapa keterbatasan, diantaranya adalah (Turban, Efraim dan
Jay Aronson. 2005) [8] :
1. Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat
dimodelkan, sehingga model yang ada dalam sistem tidak semuanya
mencerminkan persoalan sebenarnya.
2. Kemampuan suatu SPK terbatas pada perbendaharaan pengetahuan yang
dimilikinya (pengetahuan dasar serta model dasar).
3. Proses-proses yang dapat dilakukan SPK biasanya juga tergantung pada
perangkat lunak yang digunakan.
4. SPK tidak memiliki kemampuan intuisi seperti yang dimiliki manusia. Sistem ini
dirancang hanyalah untuk membantu pengambil keputusan dalam melaksanakan
tugasnya.
Proses pengambilan keputusan terdiri dari tiga fase proses, yaitu :
a. Fase intelligence, fase dimana dilakukan pencarian kondisi-kondisi yang dapat
menghasilkan keputusan.
b. Fase design, fase untuk menemukan, mengembangkan dan menganalisis
materi-materi yang mungkin untuk dikerjakan.
c. Fase choice, terjadi pemilihan dari materi-materi yang tersedia untuk menjadi
Proses-proses yang terjadi pada kerangka kerja Sistem Pendukung Keputusan
dibedakan atas :
a. Terstruktur, mengacu pada permasalahan rutin dan berulang untuk solusi standar
yang ada.
b. Tak terstruktur adalah keadaan yang kabur, permasalahan kompleks dimana tidak
ada solusi yang tepat. Masalah yang tidak terstruktur terjadi akibat tidak adanya
tiga fase proses yang terstruktur.
c. Semi terstruktur, terdapat beberapa keputusan terstruktur, tetapi tak semuanya dari
fase-fase yang ada.
SPK juga merupakan bagian dari SIM (Sistem Informasi Manajemen) sama
hal nya seperti seperti sistem pakar dan sistem pengambil pendukung keputusan. SIM
adalah sistem berbasis komputer yang mengolah informasi bagi beberapa pemakai
dengan keputusan serupa. Dimana dalam sistem informasi mengandung 3 aktivitas
yaitu masukan (input), pemprosesan (processing), dan keluaran (output). Tiga
aktivitas dasar tersebut menghasilkan informasi yang pada umumnya dalam bentuk
laporan untuk pengambilan keputusan, pengendalian operasi, analisa permasalahan
dan menciptakan produk atau jasa baru.
2.2 Logika Fuzzy
2.2.1 Pengertian Logika Fuzzy
Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh, seorang ilmuan
Amerika Serikat berkebangsaan Iran dari universitas California di Barkeley, melalui
tulisannya pada tahun 1965. Meskipun logika fuzzy dikembangkan di Amerika, namun
ia lebih populer dan banyak diaplikansikan secara luas oleh praktisi Jepang dengan
mengadaptasikannya ke bidang kendali (control). Makanya, tidak heran kalau saat ini
banyak dijual produk elektronik buatan Jepang yang menerapkan prinsip logika fuzzy,
seperti mesin cuci, AC, dan lain-lain ( Munir, R. 2005) [5].
yang memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan himpunan tegas
yang memiliki nilai 1 atau 0 (ya atau tidak).
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam
derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu
dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama
(Kusumadewi. 2004) [1].
Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti
"sedikit", "lumayan" dan "sangat".
2.2.2 Alasan Digunakannya Logika Fuzzy
Menurut Cox (1994), ada beberapa alasan mengapa orang menggunakan logika Fuzzy,
antara lain:
1. Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy menggunakan
dasar teori himpunan, maka konsep matematis yang mendasari penalaran fuzzy
tersebut cukup mudah untuk dimengerti.
2. Logika fuzzy sangat fleksibel, artinya mampu beradaptasi dengan
perubahan-perubahan, dan ketidakpastian yang menyertai permasalahan.
3. Logika fuzzy memiliki toleransi terhadap data yang tidak tepat.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat
kompleks.
2.2.3 Himpunan Fuzzy
Pada himpunan tegas (crisp ) , nilai keanggotaan suatu item x dalam suatu himpunan
a. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan,
atau
b. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan.
Himpunan Fuzzy didasarkan pada gagasan untuk memperluas jangkauan
fungsi karakteristik sedemikian sehingga fungsi tersebut akan mencakup bilangan real
pada interval [0,1]. Nilai keanggotaan menunjukkan bahwa suatu item dalam semesta
pembicaraan tidak hanya berada pada 0 atau 1, namun juga nilai yang terletak di
antaranya. Dengan kata lain, nilai kebenaran suatu item tidak hanya bernilai benar dan
salah. Nilai 0 menunjukkan salah, nilai 1 menunujukkan benar, dan masih ada
nilai-nilai yang terletak antar benar dan salah dengan derajat keanggotaan tertentu
(Kusumadewi, 2002) [3].
Himpunan fuzzy memiliki 2 atribut, yaitu:
a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA,
PAROBAYA, TUA.
b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variable seperti: 40, 25, 50, dan sebagainya.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
a. Variabel fuzzy
Variabel fuzzy adalah variabel yang hendakdibahas dalam suatu sistem fuzzy.
Contoh: umur, temperature, permintaan, dsb.
b. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan
tertentu dalam suatu variabel fuzzy.
Contoh: Variabel berat, terbagi menjadi 3 himpunan fuzzy, yaitu: DINGIN,
SEJUK, NORMAL, HANGAT, dan PANAS.
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Contoh: Semesta pembicaraan untuk
variabel berat: [0 , 40]
d. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta
pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.
Contoh domain himpunan fuzzy:
1. DINGIN = [0 , 20]
2. SEJUK = [15 , 25]
3. NORMAL = [20 , 30]
2.2.4 Fuzzy C-Means (FCM)
Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam
suatu ruang vektor yang didasarkan pada bentuk normal euclidian untuk jarak antar
vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam
mengindentifikasi aturan-aturan fuzzy.
Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy
C-Means (FCM). Fuzzy C-Means (FCM) adalah suatu teknik pengclusteran data yang
mana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat
keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun
1981.
Konsep dari Fuzzy C-Means pertama kali adalah menentukan pusat cluster,
yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat
cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat
keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat
minimisasi fungsi objektif yang menggambarkan jarak dari titik data yang diberikan
kepusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.
Output dari Fuzzy C-Means merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk
membangun suatu fuzzy inference system.
2.2.5 Algoritma Fuzzy Clustering Means (FCM)
Algoritma Fuzzy C-Means adalah sebagai berikut:
1. Input data yang akan dicluster X, berupa matriks berukuran n x m (n=jumlah
sample data, m=atribut setiap data). Xij=data sample ke-i (i=1,2,…,n), atribut
dan nilai matriks dibangun secara random. Dimana nilai keangotaan terletak
pada interval 0 sampai dengan 1. Pada posisi awal matriks partisi U masih
belum akurat begitu juga pusat clusternya. Sehingga kecendrungan data untuk
……….(2.1)
……….(2.2)
……….(2.3) Hitung jumlah setiap kolom (atribut):
Keterangan :
C = Jumlah Cluster
Qi = jumlah nilai derajat keanggotaan perkolom =1 dengan i=1,2,…m
k= atribut ke 1
ik = derajat keanggotaan
Hitung:
4. Hitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…c dan j=1,2,…m.
Keterangan:
Vkj = Pusat Cluster
n = Jumlah Sample Data w = Pangkat
Xij = data sample ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m)
Fungsi obyektif dugunakan sebagai syarat perulangan untuk mendapatkan
pusat cluster yang tepat. Sehingga diperoleh kecendrungan data untuk masuk
……….(2.4)
6. Hitung perubahan matriks partisi:
c = Jumlah Cluster
BAB III
DFD menunjukan hubungan antar data pada sistem dan proses pada sistem.
Dalam sistem pendukung keputusan pemilihan restoran menggunakan logika
fuzzy dengan metode clustering, DFD untuk calon wisatawan dan administrator-nya dapat digambarkan sebagai berikut:
Gambar 3.1 Context Diagram
Dalam sistem ini pengguna dibedakan menjadi dua, yaitu:
1. Administrator: memiliki hak akses penuh untuk memasukkan, mengubah dan
menghapus data admin. Data-data admin tersebut adalah data menu pembuka,
data menu utama, data menu penutup.
2. Sedangkan user calon pewisata kuliner: bisa melihat informasi yang disediakan
serta dapat melakukan kosultasi pemilihan restoran. Pada saat melakukan
berupa biaya dan porsi. System akan memproses input-an tersebut dan
memberikan output system yang terdiri dari informasi tentang restoran yang dapat
dikunjungi oleh calon pewisata kuliner.
Dari Context Diagram tersebut dikembangkan menjadi DFD level 1 yang
menjelaskan gambaran proses yang terjadi dalam sistem Pendukung keputusan ini
lebih rinci. Berikut gambaran DFD level 1:
Gambar 3.2 DFD Level 1
DFD level 1 pada Gambar 3.2 menggambarkan beberapa proses yang akan
dilakukan untuk megolah input-an yang dimasukkan oleh administrator dan calon
pewisata kuliner ke sistem, dan akan diperluas menjadi level 2 untuk proses
menentukan tujuan wisata dan mengelola data admin.
3.2 Perancangan Flowcharts
Flowchart adalah penggambaran secara grafik dari langkah-langkah dan urutan-urutan prosedur dari suatu program. Flowchart biasanya mempermudah penyelesaian suatu
Flowchart digunakan untuk menggambarkan suatu algoritma program secara lebih mudah dan sederhana. Proses yang terjadi di sistem ini dapat digambarkan ke dalam
flowchart sebagai berikut :
Gambar 3.3 Flowchart Konsultasi Kuliner
Flowchart diatas menggambarkan halaman awal yaitu halaman konsultasi kuliner yang akan ditemukan oleh pengunjung. Untuk administrator dapat melakukan
login sebagai admin dengan cara mengunjungi halaman admin dan untuk user biasa
dapat mengakses sistem Pendukung keputusan langsung untuk melakukan konsultasi
pemilihan restoran. Berikut merupakan flowchart yang menggambarkan kegiatan yang
Gambar 3.4 Flowchart Login Admin
Dari flowchart tersebut dapat dilihat bahwa administrator dapat melakukan
konsultasi pemilihan restoran, edit data, tambah data, hapus data dan configurasi
analisis. Berikut ini flowchart untuk konsultasi user yang menjelaskan proses
Gambar 3.5 Flowchart Konsultasi Pewisata Kuliner
Sebelum user mendapatkan informasi yang telah disediakan oleh admin,
proses yang dilakukan adalah proses input data semua restoran dan menu makanan,
Gambar 3.6 Flowchart Arsip Data Makanan Berikut ini adalah flowchart input data makanan:
Gambar 3.7 Flowchart Isnput Data Makanan
Gambar 3.8 Flowchart Edit dan Hapus Data Makanan
Gambar 3.9 Flowchart Input Data Restoran Untuk data arsip restoran adalah sebagai berikut :
Gambar 3.10 Flowchart Arsip Data Restoran
Proses analisis data dilakukan dengan cara mengkonfigurasi dan memasukkan
data yang dirandom terlebih dahulu lalu dilanjutkan dengan pengclusteran data
menggunakan metode fuzzy c-means kemudian menyimpan data hasil analisis
Gambar 3.11 Flowchart Konfigurasi Analisis
Setelah proses ini dijalani maka proses selanjutnya yang dilakukan adalah
Gambar 3.12 Flowchart Proses Input Makanan Random
Sebelumnya telah ditentukan nilai maximum iterasi dalam kasus ini yaitu 100
iterasi, dengan iterasi awal (t) = 1, jumlah cluster = 3, dan fungsi objektif pertama = 0.
Selanjutnya data informasi restoran, menu makanan dan porsi diolah bersama dengan
matriks partisi awal secara random yaitu nilai derajat keanggotaan suatu data pada
suatu cluster ( ik) terletak pada interval 0 hingga 1.
Dengan kondisi nilai elemen-elemen matriks partisi awal yaitu 1≤ i ≤ c dan 1≤
k ≤ n. Dimana i merujuk pada data ke-i, k merujuk pada cluster ke-k, dan n adalah
jumlah data. Data dari database, nilai porsi menu dan nilai matriks yang dibangun
tersebut dilakukan proses perhitungan fungsi objektif untuk mendapatkan pusat cluster
yang tepat. Selanjutnya dihitung perubahan matriks partisi dari pusat cluster tersebut.
Jika nilai selisih antara fungsi objektif kedua dengan pertama lebih kecil dari
error terkecil yang diharapkan dan jumlah itersi (t) maximum iterasi yang telah
ditentukan maka iterasi berhenti. Kemudian diperoleh derajat keanggotaan baru yang
akan masuk ke pusat cluster yang tepat. Jika derajat keanggotaan ke-i untuk data ke-n
masuk tepat pada cluster 1 maka dilakukan proses pencarian data menu pembuka,
menu utama dan menu penutup. Jika tidak, maka dicek apakah derajat keanggotaan
tertentu masuk ke cluster ke-2. Jika ya, maka dilakukan pencarian data menu
pembuka, menu utama dan menu penutup. Namun apabila derajat keanggotaan
tersebut bukan terletak pada cluster-1 atau 2 maka dicek derajat keanggotaan tersebut
masuk ke cluster ke-3. Sama seperti hal nya cluster ke-1 dan 2, dalam proses
pencarian data menu pembuka, menu utama dan menu penutup. Setelah semua data
masuk ke clusternya masing-masing berdasarkan kesamaan nilai karakteristiknya.
Maka ditampilkan kepada user pilihan restoran dan lokasi restoran berdasarkan
kondisi biaya dan porsi menu yang diinginkan user.
Setelah semua data masuk ke clusternya masing-masing berdasarkan
kesamaan nilai karakteristiknya. Maka ditampilkan kepada user pilihan restoran dan
lokasi restoran berdasarkan kondisi biaya dan porsi menu yang diijinkan user.
Berikut ini adalah Flowchart proses mendapatkan fungsi objektif yang terakhir dan U
3.3 Perancangan Entity Relationship Diagram (ERD)
ERD diatas terdiri dari 11 tabel, untuk proses dalam algoritma fuzzy clustering
means ini, dan juga menggunakan tabel admin yaitu sessions dan staff. Berikut ini
lebih jelas tabel dan atribut dari ERD di atas.
Tabel 3.1 Penjelasan ERD SPK Pemilihan Restoran
Nama Tabel Uraian 3. keterangan_makanan_random: id_data
makanan_pembuka makanan_utama makanan_penutup id_restoran
4. makanan: id_makanan
harga nama_makanan 6. pusat_cluster_terakhir: id_data
Tabel 3.1 Penjelasan ERD SPK Pemilihan Restoran (Lanjutan)
Nama Tabel Uraian
7. session seshid
userid lastused
8. staff: user_id
password f_name l_name jabatan
9. u_random: id_data
u1 u2 u3
id_restoran
10. u_terakhir: id_data
u1 u2 u3
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan dijelaskan tentang implementasi dan pengujian dari aplikasi yang
telah dirancang pada bab 3. Implementasi dilakukan untuk mengetahui hasil dari
perangkat lunak yang dibangun dan pengujian dilakukan untuk melihat apakah setiap
proses yang ada berjalan dengan baik dan output yang dihasilkan sudah sesuai dengan
yang diharapkan.
4.1 Implementasi Sistem
Implementasi Sistem meliputi kebutuhan minimum hardware komputer dan
kebutuhan perangkat lunak pendukung aplikasi. Tahap implementasi perangkat lunak
merupakan kelanjutan dari tahap perancangan, sehingga implementasi ini harus
didasarkan pada perancangan yang telah dilaksanakan sebelumnya. Sistem Pendukung
keputusan menentukan restoran menggunakan logika fuzzy dengan metode clustering
diaplikasikan ke dalam bahasa pemrograman php sebagai interface dan Mysql sebagai
database dengan spesifikasi perangkat keras sebagai berikut: 1. Procesessor Pentium IV 2,4 GHz
2. Memory 512 MB
3. Harddisk 40 GB
4. Sistem operasi Windows XP
5. Mouse
6. Keyboard
Perangkat lunak yang dibutuhkan untuk pengembangan dan implementasi sistem fuzzy
untuk proses pendukung keputusan menentukan restoran yang dibutuhkan adalah:
1. Windows XP
2. Apache Web Server dan Database MySQL yang telah tergabung dalam aplikasi
3. Web browser (Saat ini Mozilla Firefox direkomendasikan untuk tambilan terbaik).
Aplikasi dari Sistem Pendukung keputusan penentuan restoran menggunakan
logika fuzzy dengan metode clustering ini memberikan penawaran kepada calon
pewisata kuliner dengan memberikan pertanyaan biaya yang dimiliki oleh calon
pewisata kuliner dan porsi yang direncanakan untuk dibeli. Sistem ini hanya terfokus
pada restoran yang ada di Kota Medan sebagai tujuan pewisata kuliner. Selanjutnya
system akan memberikan beberapa keluaran (output) kepada calon pewisata kuliner. Dalam sistem ini penentu keputusan tetap calon pewisata kuliner, karna system tidak
memberikan hasil secara otomaisi. Namun system ini hanya memberikan masukan
pilihan menu pembuka, menu utama, dan menu penutup sesuai biaya dan porsi yang
di inginkan user.
4.2 Pengujian Sistem
Hasil dari sistem pendukung keputusan menentukan restoran yang ada di Kota Medan
ini menggunakan logika fuzzy dengan metode clustering yang dibangun dapat dilihat
dari tampilan yang dihasilkan pada saat pengujian dilakukan. Pengujian yang
dilakukan meliputi:
1. Administrator melakukan login dan memasukkan data menu.
2. User biasa melakukan konsultasi pewisata kuliner
4.2.1 Sebagai Administrator
Administrator memiliki hak akses untuk mengelola informasi yang ada pada system.
Sebelum melakukan pengolahan data, seorang admin harus melakukan login terlebih
4.2.1.1 Proses Login
Saat admin melakukan login sebagai administrator maka sistem akan menampilkan
form berikut:
Gambar 4.1 Halaman Admin
4.2.1.2 Administrator memasukkan data restoran dan menu makanan
a. Administrator Memasukkan data restoran
Untuk dapat memasukkan data restoran administrator harus login terlebih dahulu,
setelah mendapatkan autentikasi maka administrator dapat melakukan penambahan
Gambar 4.2 Halaman Tambah Data Restoran b. Administrator Memasukkan data menu makanan
Untuk dapat memasukkan data restoran administrator harus login terlebih dahulu.
Gambar 4.3 Halaman Tambah Data Makanan
4.2.2 User Biasa Melakukan Konsultasi
Saat user login, maka system pendukung keputusan menampilkan form konsultasi
Gambar 4.4 Halaman Calon Pewisata Kuliner Melakukan Konsultasi
Ketika ditekan tombol submit maka system akan memberikan output seperti tampilan
Gambar 4.5 Halaman Calon Pewisata Kuliner Melakukan Konsultasi
Dari pengujian yang dilakukan, dimana user memasukkan input-an fuzzy sebagai
berikut:
a. Biaya =Rp. 200.000
b. Porsi = 1
Input-an fuzzy akan dibandingkan dengan data hasil pengelompokkan, untuk biaya akan dibandingkan dengan jumlah semua biaya yang dibutuhkan. Berikut detail
prosesnya:
Data yang dicari nantinya akan dikelompokkan menjadi 3 kelompok data. Data
tersebut akan diambil berdasarkan jumlah harga total ketiga campuran menu makanan
Harga=biaya/total
Lalu dilakukan proses pencarian data harga total ketiga campuran menu
tersebut di tabel makanan_random pada database berdasarkan harga yang di minta.
Lalu muncullah output pada gambar 4.5.
Data yang muncul pada gambar 4.5 tersebut sebelumnya telah di configurasi
terlebih dahulu melalui proses input data makanan dan restoran, lalu dilakukan proses
percampuran ketiga makanan tersebut secara random kemudian proses yang terakhir
adalah proses pengclusteran atau pengelompokan data menggunakan metode
clustering dengan algoritma fuzzy c-means.
Gambar 4.7 Data Id Makanan Tercampur Secara Acak
Untuk melakukan penghitungan dengan metode clustering dapat ditetapkan
nilai awal sebagai berikut:
Jumlah cluster = c =3
Pangkat = w =2
Maksimum iterasi = MaxIter =100
Error terkecil yang diharapkan = ξ =0,01
Fungsi objektif awal = P0 =0
Iterasi awal = t =1
Matriks partisi awal U yang terbentuk yang didapat secara acak adalah sebagai
……….(2.3) Gambar 4.8 Output Matrik U random
Untuk perhitungan iterasi pertama menggunakan persamaan:
Keterangan:
Vkj = Pusat Cluster
n = Jumlah Sample Data w = Pangkat
dapat dihitung 3 pusat cluster , Vkj ,dengan k=1,2,3 dan j=1,2,3 sebagai berikut:
v[1][1]:26039.102021 v[1][2]:30370.8133214 v[1][3]:26129.8763999
v[2][1]:23953.0425977 v[2][2]:30314.6527278 v[2][3]:28660.5166723
v[3][1]:23435.2142305 v[3][2]:37963.4434086 v[3][3]:27406.9286089
Tabel berikut menunjukkan salah satu contoh penghitungan pusat cluster, yaitu
menghitung pusat cluster pertama.
Tabel 4.1 Perhitungan Pusat Cluster
Keterangan:
Xi1 = Makanan Pembuka
Xi2 = Makanan Utama
Xi3 = Makanan Penutup
Xij = data sample ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m)
Uik= derajat keanggotaan
∑(Ui12) = 11.8288238835
…….(2.4)
Selanjutnya dihitung fungsi obyektif pertama P1 dapat dihitung manggunakan
persamaan:
Detail penghitungan fungsi objektif ini dapat dilihat pada Tabel 4.2 berikut
……….(2.5) Kemudian diperbaiki matriks partisi U berdasarkan persamaan:
c = Jumlah Cluster
n = Jumlah Sample Data
m = atribut setiap data
Vkj = Pusat Cluster
Xij = data sample ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m)
ik= derajat keanggotaan
Perhitungan derajat keanggotaan baru yang terhimpun dalam matriks partisi seperti
terlihat pada tabel. Berikut detil perhitungan derajat keanggotaan baru.
Detil Perhitungan derajat keanggotaan baru(Matrix Partisi) yang di kalikan dengan 108
untuk memperbesar nilai.
Berikut hasil perhitungan derajat keanggotaan baru yang terhimpun dalam matriks
partisi:
Tabel 4.3
Selanjutnya dicek k
155617418473 >> mi
iterasi ke-100
Detil Perhitungan deraj
untuk memperbesar nil
3 Detail Penghitungan Derajat Keanggotaan
kondisi berhenti, karena P1 – P0 =|
minerr dan iterasi = 1<maxiter(=100). Maka
rajat keanggotaan baru(Matrix Partisi) yang di
nilai.
aan Baru
=|155617418473-0|=
aka dilanjutkan pada
Tabel 4.4 Detil Perhitungan Fungsi Objektif yang Ke- 100
Berikut ini adalah matrik partisi derajat keanggotaan yang baru U-100
Tabel 4.5 Detil Perhitungan Derajat Keanggotaan Baru U-100
Informasi yang dapat diperoleh dari ketiga pusat cluster ini adalah:
Pada iterasi ke 100 ini, 3 pusat cluster, Vkj ,dengan k=1,2,3; dan j=1,2,3 sebagai
Informasi yang dapat diperoleh dari ketiga pusat cluster ini adalah:
1. Kelompok pertama (cluster ke-1), berisi mempunyai makanan pembuka
sekitar Rp. 20247.9399765, makanan utama sekitar Rp. 25379.513021 dan
makanan penutup Rp. 13995.0605445.
2. Kelompok kedua (cluster ke-2), berisi mempunyai makanan pembuka sekitar
Rp. 25063.2226425, makanan utama sekitar Rp. 32559.3413505 dan makanan
penutup Rp. 16497.6053572.
3. Kelompok ketiga (cluster ke-3), berisi mempunyai makanan pembuka sekitar
Rp. 39345.0556847, makanan utama sekitar Rp. 44697.823017dan makanan
penutup Rp. 22554.8914217. keanggotaan hasil partisi dan kecenderungan
data terhadap suatu cluster pada iterasi ke 100 dapat dilihat pada tabel.
Cluser 1 Cluser 2 Cluser 3
20247.9399765 25063.2226425 39345.0556847
25379.513021 32559.3413505 44697.823017
Tabel 4.6 Derajat Keanggotaan Tiap Data Pada Setiap Cluster
No Derajat keanggotaan pada kluster ke-100
Dari hasil output sistem diatas diperoleh hasil yang menjadi acuan bagi user
untuk memilih data makanan pembuka, makanan penutup dan makanan utama di
suatu restoran yang berada di cluster tertentu yang akan menjadi pilihan user.
Dari proses cluster ini dengan nilai biaya masukan user. misalkan sebesar Rp.
100.000 dan jumlah porsi 3 menghasilkan output sebanyak 26 data makanan utama,
makanan pembuka dan makanan penutup yang mungkin dapat menjadi pilihan user
yang semuanya berada pada cluster 1. Dan sisanya ada 56 buah data menu yang tidak
dapat menjadi output bagi user, karena penjumlahan biaya lebih besar dari biaya
masukan user.
Tabel 4.8 Output Bagi User yang Telah Melakukan Konsultasi
Id Makanan
Kacang Hijau Juice Mangga Rp 21500
Restoran koki
Tea Lontong Orange Float Rp 22500
Restoran koki Sunda Medan
25 Moca Mild Kwe Tiau
Tom Yam Juice Melon Rp 32500
Restoran koki Sunda Medan
26 Es Lemon
Tea
Mie Goreng
Indonesia Jus Sirsak Rp 21500
Tabel 4.8 Output Bagi User yang Telah Melakukan Konsultasi (Lanjutan)
27 Fanta Float Nasi Orek Juice Melon Rp 23000 Restoran koki
Sunda Medan
28 Fanta Float Kwe tiau
polos Juice Melon Rp 22000
Restoran koki
Kwe tiau telur Juice Alpukat Rp 21000 Restoran koki Sunda Medan
30 Fanta Float Mie Kuah
Bandung Juice Melon Rp 23000
Restoran koki Sunda Medan
31 Es Lemon
Tea Nasi Peuyem Jus Sirsak Rp 22500
Restoran koki Sunda Medan
32 Cap Cay Ayam
Kremez Puding Telur Rp 29000
Joko Solo Medan
36 Kentang
Goreng Nasi Goreng Puding Telur Rp 23000
Joko Solo
67 gado-gado Fried Chicken Juice Mangga Rp 30500 Tip Top
Medan
72 Tea Manis
Dingin Ayam Penyet Kelapa Gelas Rp 21000
Ayam Penyet Surabaya
73 Trancam lele Penyet tahu tempe
bacam Rp 18000
Ayam Penyet Surabaya
74 Tea Manis
Dingin Embal Gepuk Juice Alpukat Rp 19500
Ayam Penyet Surabaya
75 Sate Usus Bebek Penyet Juice Alpukat Rp 25000 Ayam Penyet
Surabaya
Sebagai catatan, data makanan pembuka, makanan utama dan makanan
penutup pada cluster tertentu yang jumlah biayanya lebih besar dari biaya yang
menjadi input sistem tidak akan menjadi output bagi user.
Proses cluster yang dibangun ini dilakukan dengan parameter, jumlah
cluster=3, pembobot=2, dan maximum iterasi=100. Dari parameter jumlah cluster
dibangun berdasarkan dari kriteria data yang akan dijumlahkan, yaitu harga menu
pembuka, harga menu utama dan harga menu penutup. Untuk nilai bobot memiliki
nilai > 1 tetapi dalam proses cluster kali ini digunakan nilai bobot sebesar 2 yang
100 digunakan untuk membatasi iterasi agar proses suatu derajat keanggotaan tepat
masuk ke dalam suatu cluster. Sehingga dapat meminimalkan variasi nilai dalam
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari penelitian ini dapat disimpulkan bahwa dengan metoda clustering yang dijadikan
sebagai metode dalam Sistem Pendukung Keputusan ini sangat membantu untuk
pengambilan keputusan meminimalkan biaya pewisata kuliner di Kota Medan sesuai
dengan biaya yang disediakan user.
Dimana fuzzy C-Means ini membantu dalam mengelompokan data yang
terdapat pada database kedalam cluster (kelompok), berdasarkan kesamaan nilai pada
pusat cluster-nya.
Dari sistem pendukung keputusan tersebut, sistem tidak menampilkan atau
memberikan hasil secara otomatis kepada user. Sehingga dalam hal ini system hanya
berperan sebagi pendukung keputusan. Dan selanjutnya keputusan tetap user sendiri
yang menentukannya. Untuk proses masukan nilai biaya Rp 100.000 dan porsi
makanan 1 menghasilkan 26 output data menu makanan. Dengan jumlah biaya yang
lebih kecil dari biaya masukan user. Sedangkan 56 data lainnya memiliki jumlah
biaya lebih besar dari biaya masukan user. Sehingga user dapat dengan mudah
menentukan tujuan restoran yang ingin dikunjungi yang biayanya lebih kecil dari
biaya yang disediakan oleh user dengan proses pengclusteran data sebelum menjadi
output sistem.
4.2 Saran
Sebagai saran yang ditujukan kepada pembaca yang ingin membangun atau
mengembangkan Sistem Pendukung Keputusan ini sebabaiknya tujuan restoran yang
lagi berdasarkan kota agar user lebih paham. Serta dari output system program dapat
menampilkan informasi biaya yang dibutuhkan seandainya user menginginkan jenis
menu restoran yang berbeda dari pasangan biaya makanan yang telah menjadi output
program dengan kolaborasi expert system. Serta dapat ditambahkan nilai bobot yang
DAFTAR PUSTAKA
[1] Hari dan Kusumadewi. 2004. Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Yogyakarta: Graha Ilmu.
[2] Kadir, Abdul. 2003. Dasar Pemrograman Web Dinamis Menggunakan PHP.
Yogyakarta : ANDI
[3] Kusumadewi, Sri. 2002. Analisis & Desain Sistem Fuzzy Menggunakan Tool
Box Matlab. Yogyakarta: Graha Ilmu
[4] Kusumadewi, S. (2003). Artificial Intelligence: Teknik dan Aplikasinya.
Yogyakarta: Graha Ilmu.
[5] Munir, Rinaldi. 2005. Matematika Diskrit. Bandung: Informatika
[6] Saaty, Thomas L. 2001. Decision Making for Leader, Fourth edition,
University of Pittsburgh: RWS publication.
[7] Turban, E., Aronson, J. E., dan Liang, T. P. 2005. Sistem Pendukung