SISTEM PENDUKUNG KEPUTUSAN PENENTUAN TUJUAN
WISATA MENGGUNAKAN LOGIKA FUZZY DENGAN
METODE CLUSTERING
Studi Kasus Pulau Batam
SKRIPSI
Verdi Septiawan
070823044
PROGRAM STUDI SARJANA MATEMATIKA
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN TUJUAN WISATA
MENGGUNAKAN LOGIKA FUZZY DENGAN
METODE CLUSTERING
Studi Kasus Pulau Batam
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
SKRIPSI
Verdi Septiawan
070823044
PROGRAM STUDI SARJANA MATEMATIKA
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : SISTEM PENDUKUNG KEPUTUSAN PENENTUAN
TUJUAN WISATA MENGGUNAKAN LOGIKA FUZZY DENGAN METODE CLUSTERING STUDI KASUS PULAU BATAM
Kategori : SKRIPSI
Nama : VERDI SEPTIAWAN Nomor Induk Mahasiswaa : 070823044
Program Studi : SARJANA (S1) MATEMATIKA Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, 22 Februari 2010 Komisi Pembimbing :
Pembimbing 2, Pembimbing1,
Drs. Sawaluddin, M.IT. Drs. Suyanto, M.Kom.
NIP. 19591231 199802 1001 NIP. 19590813 198601 1002
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU Ketua,
PERNYATAAN
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN TUJUAN WISATA MENGGUNAKAN LOGIKA FUZZY DENGAN METODE
CLUSTERING STUDI KASUS PULAU BATAM
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 22 Februari 2010
PENGHARGAAN
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Pemurah dan Maha Penyayang, dengan limpahan rahmat dan karunia-Nya skripsi ini berhasil diselesaikan dalam waktu yang telah ditetapkan.
Ucapan terima kasih saya sampaikan kepada Bapak Drs.Suyanto, M.Kom, dan Bapak Drs. Sawaluddin, M.IT, selaku pembimbing pada penyelesaian skripsi ini yang telah memberikan panduan dan penuh kepercayaan kepada saya untuk menyempurnakan skripsi ini. Panduan ringkas, padat dan profesional telah diberikan kepada saya agar penulis dapat menyelesaikan tugas ini. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Departemen Dr. Saib Suwilo, M.Sc. dan Bapak
Drs. Henri Rani Sitepu, M.Si., Koordinator Ekstension Matematika FMIPA Drs. Marwan Harahap, M.Eng., Dekan dan Pembantu Dekan Fakultas Matematika dan
ABSTRAK
Pesatnya perkembangan dunia pariwisata, tidak diiringi dengan perkembangan teknologi yang digunakan. Hal ini berpengaruh terhadap calon wisatawan yang hendak berwisata kesuatu daerah merasa bingung atas kurang jelasnya berita mengenai objek wisata sesuai dengan biaya yang dibutuhkan untuk dapat berliburan ke daerah tersebut. Sehingga nantinya calon wisatawan dapat meminimalkan besarnya biaya yang yang akan dikeluaran. Untuk itu diperlukan suatu metode pengelompokan biaya yang masih fuzzy (kabur) yaitu mahal, murah, dan sedang menurut calon wisatawan.
ABSTRACT
Its quick is formative universalizes tourism, be not been escorted by technology developing that is utilized. It is ascendant to touristed candidate that wants to go to a region perceives is at a loss for less clear news hits that tour's object corresponds to needed cost for gets to get holiday goes to that region. So its prospective following touristed gets big meminimalkan it cost who will at output. Therefore, it is required a costs agglomerated method which be still fuzzy (blur) which is expensive, a bargain, and terminologicaling tourist candidate.
This system is made to be clustering of cost base hotel cost, restaurant and so long holiday by use of fuzzy c Means (FCM). This system built by Visual Basic programming languages 6.0 and Mysql. Process clustering done by parameter, total
DAFTAR ISI
Halaman Judul Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak v
Abstract vi
Daftar Isi vii
Daftar Gambar ix
Daftar Tabel x
BAB I.PENDAHULUAN
1.1 Latar Belakang Masalah 1
1.2 Perumusan Masalah 2
1.3 Pembatasan Masalah 2
1.4 Tujuan Penelitian 3
1.5 Konstribusi Penelitian 3
1.6 Metode Penelitian 3
1.7 Tinjauan Pustaka 4
1.7 Diagram Konsepsi 6
BAB II.LANDASAN TEORI
2.1 Logika Fuzzy 8
2.1.1 Pengertian Logika Fuzzy 8
2.1.2 Fuzzy Clustering 9
2.1.3Algoritma Fuzzy C-Means 9
2.2 Sistem Pendukung Keputusan 11
2.3 Visual Basic 6.0 13
BAB III PEMBAHASAN
3.1 Analisis Kebutusan Perangkat Lunak 18
3.1.1 Data Flow Diagram 18
3.1.2 Flowchart 21
3.1.3 Entity Relational Diagram 28
3.1.4 Halaman Admin 29
3.1.5 Halaman User 29
3.1.6 Halaman Hasil 31
3.2 Analisis Kebutuhan Perangkat Keras 32
3.3 Hasil Analisis 32
3.3.1 Login Administrator dan Memasukan Data Restoran 33 3.3.2 User Biasa Melakukan Konsultasi Wisata 35 BAB IV. KESIMPULAN DAN SARAN
4.1 Kesimpulan 53
4.2 Saran 54
DAFTAR PUSTAKA
DAFTAR GAMBAR
Gambar 1.1.Diagram Konsepsi Sistem Pendukung Keputusan 6 Gambar 1.2.Diagram Konsepsi Proses Penentuan Wisata 7 Gambar 2.1.Diagram Konteks Sistem Pendukung Keputusan Tujuan
Wisata Menggunakan Metode Fuzzy Clustering 13
Gambar 2.2.Diagram Proses SIM Secara Umum 14
Gambar 3.1.Konteks Diagram 19
Gambar 3.2.DFD Level 1 20
Gambar 3.3.Flowchart Menu Awal 21
Gambar 3.4.Flowchart Login Admin 22
Gambar 3.5.Flowchart Tambah Data 23
Gambar 3.6.Flowchart Edit Data 24
Gambar 3.7. Flowchart Hapus Data 25
Gambar 3.8. Flowchart Konsultasi Wisata 26
Gambar 3.9. ERD SPK 28
Gambar 4.0.Halaman awal Admin 29
Gambar 4.1. Halaman awal User 30
Gambar 4.2. Halaman Hasil Konsultasi 31
Gambar 4.3. Halaman Admin 33
Gambar 4.4. Halaman Tambah Data 34
Gambar 4.5. Informasi Tambah Data 34
Gambar 4.6. Informasi Sukses 35
Gambar 4.7. Halaman Konsultasi Wisata 35
DAFTAR TABEL
Judul Tabel Halaman
Tabel 4.1. Perhitungan Pusat Cluster 38
Tabel 4.2.Perhitungan Derajat Keanggotaan 40
Tabel 4.3 Derajat Keanggotaan Tiap Data Pada Tiap Cluster 44 Table 4.4 Data-data tarif hotel, tarif standar restoran dan lama liburan 45
Tabel 4.5 Output Hotel kota Nagoya 48
Tabel 4.6 Output Restoran kota Nagoya 48
Tabel 4.7 Output Wisata kota Nagoya 48
Tabel 4.8 Output Hotel kota Bengkong 49
Tabel 4.9 Output Restoran kota Bengkong 49
Tabel 4.10 Output Wisata kota Bengkong 49
Tabel 4.11 Output Hotel kota Sei Jodoh 50
Tabel 4.12 Output Restoran kota Sei Jodoh 50
Tabel 4.13 Output Wisata kota Sei Jodoh 50
Tabel 4.14 Output Hotel kota Muka Kuning 51
ABSTRAK
Pesatnya perkembangan dunia pariwisata, tidak diiringi dengan perkembangan teknologi yang digunakan. Hal ini berpengaruh terhadap calon wisatawan yang hendak berwisata kesuatu daerah merasa bingung atas kurang jelasnya berita mengenai objek wisata sesuai dengan biaya yang dibutuhkan untuk dapat berliburan ke daerah tersebut. Sehingga nantinya calon wisatawan dapat meminimalkan besarnya biaya yang yang akan dikeluaran. Untuk itu diperlukan suatu metode pengelompokan biaya yang masih fuzzy (kabur) yaitu mahal, murah, dan sedang menurut calon wisatawan.
ABSTRACT
Its quick is formative universalizes tourism, be not been escorted by technology developing that is utilized. It is ascendant to touristed candidate that wants to go to a region perceives is at a loss for less clear news hits that tour's object corresponds to needed cost for gets to get holiday goes to that region. So its prospective following touristed gets big meminimalkan it cost who will at output. Therefore, it is required a costs agglomerated method which be still fuzzy (blur) which is expensive, a bargain, and terminologicaling tourist candidate.
This system is made to be clustering of cost base hotel cost, restaurant and so long holiday by use of fuzzy c Means (FCM). This system built by Visual Basic programming languages 6.0 and Mysql. Process clustering done by parameter, total
BAB 1
PENDAHULUAN
1.1Latar Belakang
Pesatnya perkembangan dunia pariwisata, tidak diiringi dengan perkembangan teknologi yang digunakan. Ditambah lagi dengan kondisi, banyak wisatawan yang tidak mau berwisata karena merasa kurang aman serta kurang jelasnya berita mengenai objek wisata tersebut.
Sehingga hal ini membuat calon wisatawan yang ingin menghabiskan liburannya untuk berwisata merasa bingung dalam memutuskan untuk mengunjungi tempat wisata yang mana yang cocok bagi mereka. Untuk itu diperlukan suatu sistem yang dapat memberikan gambaran mengenai tujuan wisata tersebut. Sehingga nantinya dapat membantu mereka dalam menentukan objek wisata yang cocok bagi para wisatawan tersebut.
Sistem ini merupakan komputerisasi dari sistem manual dalam penentuan tujuan wisata dengan memanfaatkan logika fuzzy untuk mengambil keputusan. Diharapkan dengan sistem ini dapat memberikan informasi yang jelas mengenai tujuan objek wisata kepada para wisatawan. Sistem ini akan memberikan informasi tujuan wisata yang dapat dikunjungi oleh wisatawan sesuai dengan data yang diinputkan.
Metode pengambilan keputusan yang digunakan adalah metode clustering
1.2Perumusan Masalah
Permasalahan yang akan diangkat dalam skripsi ini adalah mengenai tujuan wisata para wisatawan dalam menetukan lokasi wisata yang akan dikunjunginya untuk meminimalkan biaya dari segi lamanya liburan sesuai kebutuhannya dengan cara mengimplementasikannya kedalam sistem pengambilan keputusan menggunakan logika fuzzy dan metoda fuzzy clusteringMeans sebagai pengambil keputusan.
1.3Pembatasan Masalah
Masalah yang dibahas dalam skripsi ini dibatasi atas hal-hal sebagai berikut:
1. Sistem pendukung keputusan digunakan dalam menentukan lokasi tujuan wisata berdasarkan biaya dan lamanya liburan untuk meminimalkan biaya bagi calon wisatawan dalam berliburan khusus untuk pulau Batam.
2. Datanya dikelompokkan menjadi 3 kelompok(cluster).
3. Sistem pendukung keputusan berperan dalam pengambilan keputusan dengan memanfaatkan data lokasi tujuan wisata melalui teknik clustering dalam membagi data menjadi beberapa kelompok untuk memperoleh output yang sesuai dengan kriteria wisatawan.
4. Asumsi perjalan dari kota Medan ke pulau Batam.
5. Skripsi ini hanya membahas biaya total dari hotel dan restoran. Untuk biaya transport dari kota asal khususnya Medan dan biaya transport selama di Batam tidak akan dimasukan dalam sistem pendukung keputusan ini.
6. Variable fuzzy yang digunakan yaitu: biaya dan lama liburan.
1.4Tujuan Penelitian
Penelitian ini bertujuan mempermudah wisatawan dalam menentukan tujuan wisata sesuai dengan biaya dan lama liburannya dengan mengimplemenatasikan logika fuzzy menggunakan fuzzy clustering dalam pengambilan keputusan.
1.5Kontribusi Penelitian
Selain menambah pemahaman dan pengetahuan penulis mengenai sistem pendukung keputusan, hasil penelitian ini juga bermanfaat dalam membantu calon wisatawan untuk menentukan pilihan tujuan wisata berdasarkan biaya dan lama liburannya.
1.6Metode Penelitian
Secara umum, penelitian dilakukan dengan beberapa tahapan, yaitu:
1) Membahas mengenai Sistem Pendukung Keputusan, yaitu sistem berbasis komputer yang dirancang untuk meningkatkan efectivitas pengambilan keputusan dalam memecahkan masalah yang bersifat semiterstruktur. Dalam Hal ini meminimalkan biaya dari segi lamanya liburan.
2) Mengimplementasikan fuzzy C-Means kedalam suatu program sebagai model untuk mengambil keputusan dalam sistem pendukung keputusan ini.
3) Melakukan analisa dari masukan nilai biaya dan lama libur yang dilakukan oleh
1.7Tinjauan Pustaka
Sri Kusumadewi dalam bukunya yang berjudul Aplikasi Logika Fuzzy Untuk Pendukung Keputusan, memberikan penjelasan tentang fuzzy clustering dalam menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap cluster. Pada kondisi awal, pusat cluster masih belum akurat. Tiap titik data memiliki derajat keanggotaan untuk tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap titik data secara berulang maka akan dapat dilihat bahwa pusat
cluster akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Kadarsah Suryadi dalam bukunya yang berjudul Sistem Pendukung Keputusan, memberikan penjelasan mengenai dasar pengambil keputusan merupakan suatu pendekatan sistematis pada hakekat suatu masalah, pengumpulan fakta-fakta, penentuan yang matang dari alternatif yang dihadapi dan pengambilan tindakan yang tepat.
Dhiani Tresna Absari dalam makalahnya menjelaskan bahwa Analisis pengelompokan (clustering) adalah sebuah teknik dari analisis multivariabel yang digunakan untuk mengelompokkan objek-objek (variabel atau data) sehingga dapat menghasilkan suatu informasi untuk membantu pelaksanaan pengujian terhadap objek dan pada akhirnya dapat menyajikan suatu hipotesis berdasarkan relasi yang terjadi. Prinsip yang digunakan adalah memaksimumkan homogenitas (kesamaan) dalam satu kelompok dan juga memaksimumkan heterogenitas (ketidaksamaan) antar kelompok.
Konsep Sistem Pendukung Keputusan (SPK) / Decision Support System (DSS) pertama kali diungkapkan pada tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision System. Sistem tersebut adalah suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambilan keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur. (Saaty, Thomas L. 2001).
Yudi Agusta dalam jurnalnya menjelaskan data Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan(unsupervised). Ada dua jenis data clustering yang sering dipergunakan dalam proses pengelompokan data yaitu
hierarchical (hirarki) data clustering dan non-hierarchical (nonhirarki) data
cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster
yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain. Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster.
Sistem pendukung keputusan (decision support systems) adalah bagian dari sistem informasi berbasis komputer (termasuk sistem berbasis pengetahuan (manajemen pengetahuan)) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan.
Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi-terstruktur yang spesifik. Menurut Moore, SPK dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis ad hoc data, dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat yang tidak biasa. Tahapan SPK:
• Definisi masalah
• Pengumpulan data atau elemen informasi yang relevan
• pengolahan data menjadi informasi baik dalam bentuk laporan grafik maupun tulisan
• menentukan alternatif-alternatif solusi (bisa dalam persentase) Tujuan dari SPK adalah:
• Membantu menyelesaikan masalah semi-terstruktur
• Mendukung manajer dalam mengambil keputusan
• Meningkatkan efektifitas bukan efisiensi pengambilan keputusan
Emha Taufiq dalam makalahnya menjelaskan Clustering merupakan proses pengelompokan obyek atau data kedalam suatu kelas atau cluster dengan objek yang memiliki kesamaan. Fuzzy clustering menggunakan model pengelompokan fuzzy
1.8Diagram Konsepsi
Secara umum, proses yang dilakukan dalam sistem pendukung keputusan ini dapat digambarkan ke dalam diagram konsepsi sebagai berikut:
Gambar 1.1 Diagram Konsepsi Sistem Pendukung Keputusan
akan ditawarkan kepada wisatawan dengan perkiraan biaya dan lamanya liburan untuk meminimalkan biaya dalam berliburan.
Berikut ini gambaran alur proses secara umum mengenai penentuan tujuan wisata yaitu:
Gambar 1.2 Diagram Konsepsi Proses Penentuan Wisata
Diagram diatas menggambarkan secara garis besar proses penentuan tujuan wisata. Dimana calon wisatawan akan memberikan anggaran biaya dan lamanya liburan. faktor biaya dan lamanya liburan akan dijadikan variabel fuzzy dalam proses tersebut. Kemudian dilakukan iterasi perhitungan terhadap data dalam data base
BAB 2
LANDASAN TEORI
2.1 Logika Fuzzy
2.1.1 Pengertian Logika Fuzzy
Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak).
Logika Fuzzy merupakan seuatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy suatu nilai bias bernilai benar atau salah secara bersama. Namun berapa besar keberadaan dan kesalahan suatu tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy
memiliki derajat keanggotaan dalam rentang 0 hingga 1. Berbeda dengan logika digital yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy digunakan untuk menterjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Dan logika fuzzy menunjukan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah. Tidak seperti logika klasik (scrisp)/ tegas, suatu nilai hanya mempunyai 2 kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1 (satu) berarti nilai tersebut adalah anggota himpunan.
Logikafuzzy 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)
Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic reasoning). Sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek yang akan dikendalikan.
2.1.2 Fuzzy Clustering
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. Metode clustering merupakan pengelompokan data beserta parameternya dalam kelompok – kelompok sesuai kecenderungan sifat dari masing-masing data tersebut (kesamaan sifat).
Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy C-Means. Fuzzy C-Means adalah suatu teknik peng-cluster-an yang mana keberadaannya 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
cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi obyektif 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.
2.1.3Algoritma Fuzzy C-Means
Algoritma Fuzzy C-Means adalah sebagai berikut:
2. Tentukan:
o Jumlah cluster = c;
o Pangkat = w;
o Maksimum iterasi = MaxIter;
o Error terkecil yang diharapkan = ; o Fungsi obyektif awal = P0 =0;
o Iterasi awal = t=1;
3. Bangkitkan nilai acak µik, i=1,2,…,n; k=1,2,…,c; sebagai elemen-elemen matriks partisi awal u.
µik adalah derajat keanggotaan yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster. Posisi 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 masuk suatu cluster juga belum akurat.
Hitung jumlah setiap kolom (atribut)
Qj adalah jumlah nilai derajat keanggotaan perkolom = 1 dengan j=1,2,…m
Hitung:
5. Hitung fungsi obyektif pada iterasi ke-t, Pt.
Fungsi obyektif dugunakan sebagai syarat perulangan untuk mendapatkan pusat cluster yang tepat. Sehingga diperoleh kecendrungan data untuk masuk ke cluster mana pada step akhir.
6. Hitung perubahan matriks partisi:
dengan: i=1,2,…n;dan k=1,2,..c. 7. cek kondisi berhenti:
o jika:( |Pt - Pt-1 |< ) atau (t>maxIter) maka berhenti; o jika tidak: t=t+1, ulangi langkah ke-4.
2.2 Sistem Pendukung Keputusan
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 berbagai masalah yang sangat kompleks dan tidak terstruktur.
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 stimulan bagi pengambil keputusan dalam memahami persoalannya, karena mampu menyajikan berbagai alternatif pemecahan.
Jadi dapat dikatakan bahwa SPK dapat memberikan manfaat bagi pengambil keputusan dalam meningkatkan efektifitas dan efisiensi kerja terutama dalam proses pengambilan keputusan.
Di samping berbagai keuntungan dan manfaat seperti dikemukakan diatas, SPK juga memiliki beberapa keterbatasan, diantaranya adalah (Turban, Efraim dan Jay Aronson. 2005):
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.
Komponen Sistem Pendukung Keputusan
Sistem pendukung keputusan terdiri atas tiga komponen utama yaitu: 1. Subsistem pengelolaan data (database).
2. Subsistem pengelolaan model (modelbase). 3. Subsistem pengelolaan dialog (userinterface)
Gambar 2.1. Diagram Konteks Sistem Pendukung Keputusan Tujuan Wisata
Menggunakan Metode Fuzzy Clustering
Perbedaan antara SPK dan website yaitu website dapat diakses dimana saja dengan proses online. Namun SPK dalam tugas akhir ini diakses dengan basis metode
stand alone. Sedangkan perbedaaan antara SPK dengan sistem informasi yaitu SPK memiliki basis model dan basis pengetahuan sebelum proses pengambilan keputusan. Seperti basis pengetahuan berupa fuzzy clustering mengolah fakta yang ada dalam
SPK juga merupakan bagian dari SIM (Sistem Informasi Manajemen) sama hal nya seperti seperti sistem pakar dan sistem pengambil pendukung keputusan eksekutif/ESS. 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.
Perbedaan SIM dan SPK adalah SIM berfokus pada pengorganisasian informasi dari perusahaan, memiliki alur informasi terstruktur dan memiliki aktifitas berupa tanya tawab & penyusunan laporan. Sedangkan SPK mengkhususkan pada pengambilan keputusan dari para manajer tingkat atas, menekankan pada fleksibilitas, adaptibilitas & mampu memberi respon dengan cepat, user memiliki kontrol penuh dalam berinteraksi serta dapat di kembangkan oleh para profesional yang tidak melibatkan prosesan data. Berikut ini gambar dari proses dari SIM.
Gambar 2.2. Diagram proses SIM secara umum
Logika fuzzy merupakan teknik untuk mengolah istilah linguistik. Teknik ini memperluas ide logika lebih dari sekedar benar atau salah untuk memungkinkan kebenaran parsial (bahkan kontinu). Pengetahuan yang tidak pasti dan pertimbangan yang tidak persisi adalah aspek penting keahlian dalam menerapkan akal sehat dalam situasi pengambilan keputusan. Dalam logika fuzzy nilai benar atau salah digantikan dengan derajat himpunan keanggotaan, dalam kasus ini, logika fuzzy yang digunakan adalah Fuzzy clustering.
2.3 Visual Basic 6.0
Basicadalah salah suatu developement tools untuk membangun aplikasi dalam lingkungan Windows. Dalam pengembangan aplikasi, Visual Basic menggunakan pendekatan Visual untuk merancang user interface dalam bentuk form, sedangkan untuk kodingnya menggunakan dialek bahasa Basic yang cenderung mudah dipelajari. Visual Basic telah menjadi tools yang terkenal bagi para pemula maupun para
developer.Visual Basic adalah bahasa pemrograman berbasis Microsoft Windows yang merupakan Object Oriented Programming (OOP), yaitu pemrograman berorientasi objek, Visual Basic menyediakan objek-objek yang sangat kuat, berguna dan mudah.
Dalam lingkungan Windows, User-interface sangat memegang peranan penting, karena dalam pemakaian aplikasi yang kita buat, pemakai senantiasa berinteraksi dengan User-interface tanpa menyadari bahwa dibelakangnya berjalan instruksi-instruksi program yang mendukung tampilan dan proses yang dilakukan.
Pada pemrograman Visual, pengembangan aplikasi dimulai dengan pembentukkan user interface, kemudian mengatur properti dari objek-objek yang digunakan dalam user interface, dan baru dilakukan penulisan kode program untuk menangani kejadian-kejadian (event). Tahap pengembangan aplikasi demikian dikenal dengan istilah pengembangan aplikasi dengan pendekatan Bottom Up.
Ada beberapa hal yang harus dipahami dalam Visual Basic: • Objek
• Properti
Sering disebut atribut, adalah ciri-ciri yang menggambarkan suatu objek.
Misalnya disebut objek mobil jika mempunyai ban, spion, rem, dan lain-lain. • Event
Suatu kejadian yang menimpa objek. Bagaimana jika mobil didorong, ditabrak, dicat, dan sebagainya. meskipun tidak selengkap subset yang menjadi standar seperti PostgreSQL. MySQL dapat dijalankan di banyak platform dan memiliki kemampuan multithreading pada
server UNIX. Pada lingkungan bukan UNIX, MySQL dapat dijalankan sebagai servis
pada Windows NT dan sebagai proses normal pada mesin Windows 95/98. MySQL adalah server DBMS relasional SQL yang mendukung multithreading dan multi-user. MySQL mengimplementasikan client/server yang terdiri dari sebuah daemon server
(servis di server) dan banyak program dan pustaka klien yang berbeda-beda.
MySQL menjamin setiap unit kerja bersifat konsisten. Hal ini dilakukan dengan cara menulis data sebelum dan sesudah transaksi pada sebuah log transaksi. Log tersebut dapat dipakai untuk me-restore database ke keadaan konsisten jika sebuah aplikasi melakukan rollback (membatalkan operasi yang sudah dikerjakan karena transaksi gagal) atau aplikasi akan me-recover data karena kegagalan system.
MySQL juga Relational Database Management System(RDBMS) yang didistribusikan secara gratis dibawah lisensi GPL (General Public License). Dimana setiap orang bebas untuk menggunakan MySQL, namun tidak boleh dijadikan produk turunan yang bersifat closedsource atau komersial.
MySQL memiliki beberapa keistimewaan, antara lain: 1. Portability
MySQL dapat berjalan stabil pada berbagai sistem operasi seperti Windows, Linux,
2. Open Source
MySQL didistribusikan secara open source (gratis), dibawah lisensi GPL sehingga dapat digunakan secara cuma-cuma.
3. Multiuser
MySQL dapat digunakan oleh beberapa user dalam waktu yang bersamaan tanpa mengalami masalah atau konflik.
4. Performancetuning
MySQL memiliki kecepatan yang menakjubkan dalam menangani query sederhana, dengan kata lain dapat memproses lebih banyak SQL per satuan waktu.
5. Columntypes
MySQL memiliki tipe kolom yang sangat kompleks, seperti signed / unsigned integer, float, double, char, text, date, timestamp, dan lain-lain.
6. Command dan functions
MySQL memiliki operator dan fungsi secara penuh yang mendukung perintah
Select dan Where dalam query. 7. Security
MySQL memiliki beberapa lapisan sekuritas seperti level subnetmask, nama host, dan izin akses user dengan sistem perizinan yang mendetail serta password terenkripsi.
8. Scalability dan limits
MySQL mampu menangani database dalam skala besar, dengan jumlah records
lebih dari 50 juta dan 60 ribu tabel serta 5 milyar baris. Selain itu batas indeks yang dapat ditampung mencapai 32 indeks pada tiap tabelnya.
9. Connectivity
MySQL dapat melakukan koneksi dengan client menggunakan protokol TCP/IP,
Unixsoket (UNIX), atau NamedPipes (NT). 10. Localisation
11. Interface
MySQL memiliki interface (antar muka) terhadap berbagai aplikasi dan bahasa pemrograman dengan menggunakan fungsi API (Application Programming Interface).
12. Clients dan tools
MySQL dilengkapi dengan berbagai tool yang dapat digunakan untuk administrasi
BAB 3
PEMBAHASAN
3.1Analisis Kebutuhan Perangkat Lunak
3.1.1 Data Flow Diagram(DFD)
Data Flow Diagram (DFD) adalah gambar aliran informasi yang terlibat dalam suatu proses. DFD mendeskripsikan suatu proses yang umum menjadi proses yang detail dan spesifik. Dalam sistem Pendukung keputusan penentuan tujuan wisata menggunakan logika fuzzy dengan metode clustering, DFD untuk calon wisatawan dan administrator-nya dapat digambarkan sebagai berikut:
Gambar 3. 1Context 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 hotel, data restoran, data tempat wisata, data lokasi, data type kamar dan data tarif hotel
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
3.1.2Flowchart
Flowchart atau diagram alir adalah suatu skema yang menggambarkan urutan kegiatan dari awal sampai akhir. 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 menu awal
Berikut merupakan flowchart yang menggambarkan kegiatan yang dapat dilakukan oleh administrator.
Gambar 3. 4. Flowchart login admin
Dari flowchart tersebut dapat dilihat bahwa administrator dapat melakukan konsultasi wisata, edit data, tambah data dan hapus data. Berikut merupakan flowchart
Gambar 3. 7. Flowchart Hapus data
Berikut flowchart untuk konsultasi wisata user biasa:
Sebelumnya telah ditentukan nilai maximumiterasi dalam kasus ini yaitu 100 iterasi, dengan iterasi awal (t) = 1, jumlah cluster = 3, dan fungsi objektif asal = 0. Selanjutnya data informasi hotel, restoran dan lama liburan diolah bersama dengan nilai yang diinput user berapa lama liburan dan biaya perjalanan. Kemudian proses menentukan nilai matriks partisi awal secara random yaitu nilai derajat keanggotaan suatu datapada suatu cluster (µik) terletak pada interval 0 hingga 1. Dengan kondidi 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 lama liburan 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 hotel, restoran dan tempat wisata. Jika tidak, maka dicek apakah derajat keanggotaan tertentu masuk ke cluster
ke-2. Jika ya, maka dilakukan pencarian data hotel, restoran dan lokasi wisata. 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 hotel, restoran dan lokasi wisata.
3.1.3Entity Relational Diagram
ERD digunakan untuk menggambarkan hubungan antara objek-objek yang ada pada sistem yang dirancang. Adapun diagramnya sebagai berikut:
Gambar 3. 9Entity Relational Diagram (ERD) Sistem Pendukung Keputusan
3.1.4. Halaman Admin
Pada halaman admin terdapat beberapa menu antara lain form untuk melakukan edit dan tambah data hotel, restoran, kamar dan lokasi wisata. Gambar 4 menampilkan halaman admin dari aplikasi sistem pendukung keputusan.
Gambar 4. Halaman awal untuk login admin
3.1.5. Halaman User
Halaman user digunakan untuk memberikan informasi kepada calon wisatawan dalam menetukan tujuan wisata ke pulau Batam berdasarkan biaya dan lama hari yang dibutuhkannya. Pada halaman user ini menggunakan fuzzy dengan metode clustering
3.1.6. Halaman Hasil
Pada halaman hasil user dapat melihat beberapa data hotel, restoran, kamar, dan lokasi wisata. Ini juga merupakan output dari sistem pendukung keputusan. Tapi
output ini bukan otomatisasi dari sistem. Namun output ini hanya sebagai acuan informasi kepada user untuk berliburan. Dan user tetap sebagai pemutus keputusan tersebut.
3.2Analisis Kebutuhan Perangkat Keras
Sistem Pendukung keputusan penentuan tujuan wisata menggunakan logika
fuzzy dengan metode clustering diaplikasikan ke dalam bahasa pemrograman Visual Basic 6.0 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
Aplikasi dari Sistem Pendukung keputusan penentuan tujuan wisata menggunakan logika fuzzy dengan metode clustering ini memberikan penawaran kepada calon wisatawan dengan memberikan pertanyaan biaya yang dimiliki oleh calon wisatawan dan hari yang direncanakan untuk liburan. Sistem ini hanya terfokus pada pulau Batam sebagai tujuan wisatanya. Selanjutnya system akan memberikan beberapa keluaran (output) kepada calon wisata. Dalam sistem ini penentu keputusan tetap calon wiastawan, karna system tidak memberikan hasil sercara otomaisi. Namun
system ini hanya memberikan masukan pilihan hotel, restoran, dan tempat wisata sesuai biaya dan lama liburan yang di inginkan user.
3.3 Hasil Analisis
Hasil dari sistem pendukung keputusan penentuan tujuan wisata menggunakan logika fuzzy dengan metode clustering yang dibangun dapat dilihat dari tampilan-tampilan yang dihasilkan pada saat pengujian dilakukan. Pengujian yang dilakukan meliputi:
3.3.1 Login administrator dan memasukkan data restoran
a. Login administrator
Saat admin melakukan login sebagai administrator maka sistem akan menampilkan form berikut:
Gambar 4. 3 Halaman admin
b. Administrator memasukkan data hotel
Gambar 4. 4. Halaman tambah data
Setelah mengisi data, sistem akan melakukan validasi terhadapat data yang di-input-kan. Kemudian sistem akan memberikan pertanyaan kepada administrator
sebelum proses input dilakukan, seperti pada gambar 4.4 berikut:
Jika administrator memilih tombol yes maka akan tampil seperti pada gambar 4.5. Penambahan data berhasil.
Gambar 4. 6 Halaman informasi data telah berhasil ditambah
Pada gambar tersebut, jika administrator menambahkan Id Hotel yang sama pada data yang telah ada sebelumnya di tabel hotel, maka data tidak tersimpan. Karna Id hotel bersifat unique (tidak boleh sama).
3.3.2User biasa melakukan konsultasi wisata
Saat user login, maka system pendukung keputusan menampilkan form
konsultasi wisata sebagai berikut:
Ketika ditekan tombol submit maka system akan memberikan output seperti tampilan berikut ini:
Gambar 4. 8 Halaman calon wisatawan untuk melakukan konsultasi wisata
Dari pengujian yang dilakukan, dimana user memasukkan input-an fuzzy
sebagai berikut:
o Biaya=Rp.4.000000 o Lama liburan=7 hari
Input-an fuzzy akan dibandingkan dengan data hasil pengelompokkan, untuk biaya akan dibandingkan dengan jumlah semua biaya yang dibutuhkan. Berikut detail prosesnya:
Data yang ada pada database nantinya akan dikelompokkan menjadi 3 kelompok data. Maka untuk melakukan penghitungan dengan metoda clustering dapat ditetapkan nilai awal sebagai berikut:
Jumlah cluster=3; w=2;
maxiter=100; minerr=0.01; t=0;
p[0]=0;
Matriks partisi awal U yang terbentuk secara acak adalah sebagai berikut: 0.11857143 0.11857143 0.42857143
0.7385714 0.27857143 0.7385714 0.42857143 0.38428572 0.42857143 0.11857143 0.11857143 0.7385714 0.42857143 0.27857143 0.42857143 0.7385714 0.38428572 0.7385714 0.11857143 0.11857143 0.42857143 0.7385714 0.27857143 0.7385714 0.42857143 0.38428572 0.42857143 0.11857143 0.11857143 0.7385714 0.42857143 0.27857143 0.42857143 0.7385714 0.38428572 0.7385714 0.11857143 0.11857143 0.42857143 0.7385714 0.27857143 0.7385714 0.42857143 0.38428572 0.42857143 0.11857143 0.11857143 0.7385714 0.42857143 0.27857143 0.42857143 0.7385714 0.38428572 0.7385714 0.11857143 0.11857143 0.42857143 0.7385714 0.27857143 0.7385714
dapat dihitung 3 pusat cluster , Vkj ,dengan k=1,2,3; dan j=1,2,3 sebagai berikut: 251213,792 7 62447,172
252858,117 7 63319,675 257341,623 7 63525,754
Tabel berikut menunjukkan salah satu contoh penghitungan pusat cluster, yaitu menghitung pusat cluster pertama.
Tabel 4. 1 Perhitungan Pusat Cluster
derajat
0.11857143 250000.0 7 50000 0,014059184 3514,795 9,841 702,959
0.7385714 330000.0 7 100000 0,5454877 180010,959 3,818 54548,081
0.42857143 435000.0 7 110000 0,18367347 79893,959 1,285 20204,081
0.11857143 120000 7 80000 0,014059184 1687,102 9,841 1124,734
0.42857143 250000 7 90000 0,18367347 45918,367 1,285 16530,612
0.7385714 330000 7 40000 0,5454877 180010,959 3,818 21819,510
0.11857143 320000 7 30000 0,014059184 4498,938 9,841 421,775
0.7385714 200000 7 70000 0,5454877 109097,551 3,818 38184,142
0.42857143 320000 7 80000 0,18367347 58775,510 1,285 14693,877
0.11857143 320000 7 60000 0,014059184 4498,938 9,841 843,551
0.42857143 250000 7 50000 0,18367347 45918,367 1,285 9183,673
0.7385714 160000 7 40000 0,5454877 87278,040 3,818 21819,510
0.11857143 435000 7 60000 0,014059184 6115,744 9,841 843,551
0.7385714 230000 7 50000 0,014059184 125462,183 3,818 27274,387
0.42857143 220000 7 85000 0,5454877 40408,163 1,285 15612,244
0.11857143 320000 7 80000 0,18367347 4498,938 9,841 1124,734
0.42857143 200000 7 45000 0,014059184 36734,693 1,285 8265,306
0.7385714 350000 7 90000 0,18367347 190920,714 3,818 49093,897
0.11857143 250000 7 55000 0,5454877 3514,795 9,841 773,255
0.7385714 180000 7 40000 0,014059184 98187,795 3,818 21819,510
4,487440492 1306946,51 103,323 324883,389
[(µi1)2* Xi1]/
(µi1)2
Selanjutnya dihitung fungsi obyektif pertama P1 dapat dihitung manggunakan persamaan:
P1 = 5284173807983,55
Perhitungan derajat keanggotaan baru yang terhimpun dalam matriks partisi seperti terlihat pada tabel. Berikut detil perhitungan derajat keanggotaan baru.
Tabel 4. 2 Perhitungan Derajat keanggotaan
µi1 µi2 µi3
1/L1 1/L2 1/L3 LT
(1/L1)/LT (1/L2)/LT (1/L3)/LT
0,639 0,538 0,422 1,599 0,118 0,250 0,196
0,00312 0,0013 0,0015 0,00592 0,240 0,251 0,277
0,00027 0,00028 0,0009 0,00145 0,246 0,250 0,262
0,00057 0,00055 0,0005 0,00162 0,254 0,248 0,232
0,131 0,138 0,132 0,2695 0,241 0,255 0,243
0,149 0,015 0,0017 0,1657 0,242 0,251 0,279
0,0017 0,017 0,0019 0,0206 0,243 0,250 0,278
0,0373 0,0035 0,003 0,0438 0,259 0,244 0,208
0,0019 0,0021 0,023 0,027 0,238 0,251 0,286
0,0021 0,0021 0,0025 0,0067 0,239 0,250 0,287
0,639 0,538 0,422 1,599 0,296 0,250 0,196
0,0011 0,0019 0,0009 0,0039 0,256 0,247 0,226
0,00029 0,0003 0,0003 0,00089 0,246 0,250 0,263
0,165 0,142 0,107 0,414 0,273 0,235 0,177
0,0067 0,0065 0,0053 0,0185 0,255 0,244 0,204
0,002 0,0021 0,02 0,0241 0,238 0,251 0,286
0,0003 0,0032 0,0028 0,0063 0,261 0,244 0,210
0,0009 0,001 0,0012 0,0031 0,242 0,251 0,274
1,756 1,292 0,789 3,837 0,335 0,247 0,151
Berikut hasil perhitungan derajat keanggotaan baru yang terhimpun dalam matriks
Selanjutnya dicek kondisi berhenti, karena P1 – P0 =|5284173807983,55-0|= 5284173807983,55 >> minerr dan iterasi = 1<maxiter(=100). Maka dilanjutkan pada iterasi kedua (t=2).
Pada iterasi kedua dapat dihitung lagi 3 pusat cluster, Vkj ,dengan k=1,2,3; dan j=1,2,3 sebagai berikut:
Fungsi obyektif pada iterasi ke dua P2 sebagai berikut: 13416959479001,9 Kemudian memperbaiki matriks partisi U sebagai berikut:
0,1009 7,8394 0,0594 8,0436 8,6452 9,4677 8,2132 8,4927 8,8612 8,4432 8,0842 7,6473 8,0146 8,2580 7,9815 8,1270 8,6849 9,5380 8,1592 0,0868 9,5188 8,5539 7,6708 9,6378 0,0797 8,7350 9,8472 8,0117 8,7587 9,9066 0,1009 7,8394 0,0594 8,5304 7,9854 7,3822 8,2253 8,5030 8,8846 8,9675 7,0822 5,5380 8,4274 7,5886 6,5585 0,0797 8,7350 9,8472 8,6575 7,7308 6,7932 8,0977 0,0861 9,3412 0,1145 6,9883 4,2719 8,5810 7,8997 0,0717
Selanjutnya dicek kondisi berhenti, karena |P2 – P1| = |13416959479001,9 - 5284173807983,55 | = 8132785671018,35 >> minerr dan iterasi = 2 < maxiter (=100). Maka dilanjutkan pada iterasi berikutnya.
Pada iterasi ke 100 ini, 3 pusat cluster, Vkj ,dengan k=1,2,3; dan j=1,2,3 sebagai berikut:
252408,200 6,999 62053,283 257493,905 7,000 62907,279 260558,613 6,999 63654,399
Informasi yang dapat diperoleh dari ketiga pusat cluster ini adalah:
1. kelompok pertama (cluster ke-1), berisi hotel yang mempunyai tarif hotel sekitar Rp. 252408,200, restoran yang tarif standarnya sekitar Rp. 62053,283 dan lama liburan sekitar 6,999 hari.
2. kelompok kedua (cluster ke-2), berisi hotel yang mempunyai tarif hotel sekitar Rp. 257493,905, restoran yang tarif standarnya sekitar Rp. 62907,279 dan lama liburan sekitar 7,000 hari.
Tabel 4. 3 Derajat Keanggotaan tiap data pada setiap cluster
derajat keanggotaan data pada cluster ke-
Data Cenderung masuk ke Cluster
ke-
data ke-
µi1 µi2 µi3
1 2 3
1 6,0398 3,0737 5,8679 *
2 4,5888 5,5683 4,2814 *
3 4,7214 5,1633 4,5586 *
4 4,9164 4,3854 5,1895 *
5 4,7083 4,6009 4,8592 *
6 4,6300 5,5937 4,2518 *
7 4,6500 5,5730 4,2580 *
8 5,0160 3,8045 5,7645 *
9 4,5258 5,8179 4,1221 *
10 4,5401 5,8475 4,0979 *
11 6,0398 3,0737 5,8679 *
12 4,9763 4,2112 5,3477 *
13 4,7265 5,1751 4,5480 *
14 5,2564 3,0425 6,6743 *
15 4,9611 3,7273 5,8246 *
16 4,5258 5,8179 4,1221 *
17 5,0685 3,8375 5,7217 *
18 4,6266 5,4803 4,3384 *
19 6,8949 2,0654 6,7944 *
Matriks data awal:
Tabel 4. 4 Data-data tarif hotel, tarif standar restoran dan lama liburan
Tarif hotel Tariff standar restoran Lama liburan
250000 50000 7
Dari Tabel 4.3 dan Tabel 4.4 diatas akan dilakukan perhitungan tiap data pada setiap
Biaya total=((7-1)* 220000)+(7*2*85000)+(7*200000)=3910000 Untuk cluster ke-1 seluruh biaya total dari masing-masing data lebih kecil dari biaya yang dimasukan oleh user. Untuk cluster ke-2 biaya total yang lebih kecil dari biaya yang dimasukan oleh user terdapat pada data ke-6 dan 7. Sedangkan untuk cluster ke-3 terdapat pada data ke-4, 8, 12, 14, 15, 17 dan 20.
Sehingga data yang memenuhi syarat tersebut dijadikan sebagai output sytem
sebagai pilihan hotel dan restoran bagi user. Data hotel dan restoran tersebut yaitu: Hotel:
o Hotel Haji Batam, memiliki tarif hotel: 250000; o Novotel, memiliki tarif hotel: 330000, 120000; o Grand Majestic, memiliki tarif hotel: 320000, 200000; o Holiday Hotel, memiliki tarif hotel: 250000, 160000; o Harmoni, memiliki tarif hotel: 230000, 220000; o Hotel Nagoya, memiliki tarif hotel: 200000;
o Golden Virgo Hotel, memiliki tarif hotel: 250000, 180000.
Restoran:
o Restoran Pondok Batam Kuring; o Mak Ateh (RM Padang);
o RM Bundo Kandung (RM Padang); o King's International;
o Shangri-La Food Restaurant; o Batu Merah Seafood;
Form output dari system ini belum userfriendly, dimana lokasi wisata tidak terbagi atas wilayah kota tujuan. Oleh karena itu, berikut ini dijelaskan output dari system
tersebut perwilayah tujuan wisata.
Kota Nagoya
Tabel 4.5 Output Hotel kota Nagoya
No. HOTEL ALAMAT JENIS
KAMAR
TARIF/MALAM
1. HOTEL HAJI BATAM Nagoya Standart Rp. 250.000 2. GRAND MAJESTIC Lantai dasar
nagoya plasa
Standart Rp. 200.000
3. GRAND MAJESTIC Lantai dasar nagoya plasa
Tabel 4.6 Output Restoran kota Nagoya
No. RESTORAN TARIF
STANDART
RESTORAN
ALAMAT
1. D'PEAK CAFE Rp. 50000 Nagoya Hill Bawah
Travelator Lower Ground - B 2. RESTORAN SARI
Rp. 85.000 Jl. Lubuk Baja 1/10 Nagoya
Tabel 4.7 Output Wisata kota Nagoya
No. Nama Objek Wisata
Kota Bengkong
Tabel 4.8 Output Hotel kota Bengkong
No. HOTEL ALAMAT JENIS
KAMAR
TARIF/MALAM
1. GOLDEN VIRGO HOTEL
Jl. Teuku Umar, Seraya No. 1
Ekonomi Rp. 180.000
2. GOLDEN VIRGO HOTEL
Jl. Teuku Umar, Seraya No. 1
Standart Rp. 220.000
Tabel 4.9 Output Restoran kota Bengkong
No. RESTORAN TARIF
STANDART
RESTORAN
ALAMAT
1 BATU MERAH
SEAFOOD
Rp. 55.000 Batu Merah, Batam Island
2. McDONALD Rp. 40.000 Benkong
Tabel 4.10 Output Wisata kota Bengkong
No. Nama Objek Wisata
Kota Sei Jodoh
Tabel 4.11 Output Hotel kota Sei Jodoh
No. HOTEL ALAMAT JENIS
Tabel 4.12 Output Restoran kota Sei Jodoh
No. RESTORAN TARIF
Rp. 80.000 Komp. Hotel Planet Holiday L. II - Jodoh 2. Seoul Garden Rp. 40.000 BCS Mall Lt. Dasar Blok.
C.2 No. 5 3. RM Bundo
Kandoung
Rp. 50.000 Citra Permai Complek Blok A no.4
Tabel 4.13 Output Wisata kota Sei Jodoh
No. Nama Objek Wisata
Kota Muka Kuning
Tabel 4.14 Output Hotel kota Muka Kuning
No. HOTEL ALAMAT JENIS
Tabel 4.15 Output Restoran kota Muka Kuning
Dari hasil output sistem diatas diperoleh hasil yang menjadi acuan bagi user
untuk memilih data hotel, restoran dan lama liburan yang berada di cluster tertentu yang akan menjadi pilihan user. Sebagai catatan, data hotel, restoran dan lama liburan pada cluster tertentu yang jumlah biayanya lebih besar dari biaya yang menjadi input
sistem tidak akan menjadi output bagi user. Misalnya untuk cluster 2 pada data ke-2 dengan jumlah biaya Rp. 4.780.000, data ke-3 dengan jumlah biaya Rp. 5.550.000, data ke-9 dengan jumlah biaya Rp. 4.440.000, data ke-10 dengan jumlah biaya Rp. 4.160.000, data ke-13 dengan jumlah biaya Rp. 4.850.000, data ke-16 dengan jumlah biaya Rp. 4.440.000,, data ke-18 dengan jumlah biaya Rp. 4.760.000. Dan untuk
cluster ke-3 pada data ke-5 dengna jumlah biaya Rp. 4.160.000.
Dalam pengelompokan tersebut memiliki nilai error terkecil yang diharapkan sebagai pembanding sampai kapan iterasi tersebut berhenti yang pada awal algoritma telah ditentukan sebelumnya yaitu 0.01. Fungsi objektif yang digunakan
No. RESTORAN TARIF
Rp. 40.000 Raja Ali Haji Street, Komp. Inti Sakti Blok H 3. SANGRILA FOOD
RESTORAN
sebagai syarat perulangan untuk mendapatkan pusat cluster yang tepat, yaitu harus memiliki nilai lebih kecil dari error yang diharapkan. Dan pada iterasi terakhir tersebut besarnya nilai fungsi objektif yaitu 0,0013591891.
Dengan nilai error yang diharapkan dan nilai fungsi objektif pada iterasi terakhir, pada dasarnya bertujuan untuk meminimalkan variasi di dalam suatu cluster, karena pada kondisi awal pusat cluster masih belum akurat dan fungsi objektif masih lebih besar dari tingkat error yang diharapkan. Serta nilai derajat keanggotaan untuk masuk ke cluster tertentu masih belum tepat.
Untuk tingkat error lainnya yang masih bisa diterima yaitu proses inisialisasi awal nilai derajat keanggotaan yang dibangun secara random yaitu terletak pada interval 0 sampai dengan 1. Dimana hal ini berpengaruh pada kecepatan suatu data masuk pada cluster yang tepat sehingga memakan waktu yang cukup lama yaitu berhenti pada iterasi ke-100. Serta pada proses pengelompokan suatu data untuk dapat masuk ke cluster tertentu berdasarkan kesamaan karakteristiknya yaitu biaya total. Dalam hal ini jumlah biaya total pada data ke-10 di cluster ke-2 dan data ke-4 di
cluster ke-3 yang mempunyai nilai sebesar Rp. 4.160.000. Perpindahan suatu data ke
cluster tertentu dapat menyebabkan kesamaan karakteristik data dalam suatu cluster
menjadi berubah. Namun hal ini dapat diatasi dengan nilai fungsi objektif sebagai acuan untuk memperoleh nilai derajat keanggotaan yang tepat untuk masuk ke cluster
yang tepat pula.
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 tarif hotel, tarif standart restoran dan lama liburan. Untuk nilai bobot memiliki nilai>1 tetapi dalam proses cluster kali ini digunakan nilai bobot sebesar 2 yang umumnya digunakan dari penelitian sebelumnya. Sedangkan dari maximum iterasi = 100 digunakan untuk membatasi iterasi agar proses suatu derajat keanggotaan tepat masuk ke dalam suatu
cluster. Sehingga dapat meminimalkan variasi nilai dalam suatu cluster. Dari proses
cluster ini dengan nilai biaya masukan user sebesar Rp. 4.00.000 dan lama liburan 7 hari menghasilkan output sebanyak 12 data hotel dan restoran yang mungkin dapat menjadi pilihan user. Dan ada 8 buah data hotel dan restoran yang tidak dapat menjadi
.BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Dari penelitian ini dapat disimpulkan bahwa dengan metoda clustering yang dijadikan sebagai metode dalam Sistem Pendukung Keputusan ini sangat membantu untuk pengambilan keputusan untuk meminimalkan biaya perjalan wisata ke pulau Batam 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 dan lama liburan sebesar Rp. 4.000.000 dan 7 hari menghasilkan 12 output data hotel dan restoran. Dengan jumlah biaya yang lebih kecil dari biaya masukan user. Sedangkan 8 data lainnya memiliki jumlah biaya lebih besar dari biaya masukan user. Sehingga user dapat dengan mudah menentukan tujuan wisata di daerah Batam 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 wisata diperluas lagi. Untuk tampilan akhir program output sebaiknya lebih detail lagi berdasarkan kota agar user lebih paham. Serta dari output system program dapat menampilkan informasi biaya yang dibutuhkan seandainya user menginginkan jenis hotel dan restoran yang berbeda dari pasangan biaya hotel yang telah menjadi output
DAFTAR PUSTAKA
Aziefah. 2003. Modul Kuliah Basis Data. Pekanbaru: Politeknik Caltex Riau. Hari dan Kusumadewi. 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan.
Yogyakarta: Graha Ilmu.
Indra Putra. 2004. Visual Basic 6.0. Edisi 1. Yogyakarta: Andi. Kusumadewi. 2003. Artificial Intelligent. Yogyakarta: Graha ilmu. Mahmud. 2009. Tutorial Mysql. www.ilmukomputer.com
Ridwan Sanjaya dan Yoni Eza. 2003. Mysql VB Avi. Jakarta: PT Elex Media Kompotindo.
Saaty, Thomas L. 2001. Decision Making for Leader, Fourth edition, University of Pittsburgh: RWS publication
Suryadi dan Ramadhan. 1998. Sistem Pendukung Keputusan. Bandung.
Taufiq, Ehma. 2007. Fuzzy c-mean untuk clustering data. Seminar Nasional Teknologi: hal. D1-D7.
Turban, Efraim dan Jay Aronson. 2005. Decision Support Systems and Intelligent Systems (Sistem Pendukung Keputusan dan System Cerdas), Jilid 1, Yogyakarta: Andi
LAMPIRAN A
End Sub
Private Sub Combo2_Change() If Combo2.ListIndex = 0 Then Combo2.Text = 2000000 ElseIf Combo2.ListIndex = 1 Then Combo2.Text = 2500000 ElseIf Combo2.ListIndex = 2 Then Combo2.Text = 3000000 ElseIf Combo2.ListIndex = 3 Then Combo2.Text = 3500000 ElseIf Combo2.ListIndex = 4 Then Combo2.Text = 4000000 ElseIf Combo2.ListIndex = 5 Then Combo2.Text = 4500000 ElseIf Combo2.ListIndex = 6 Then Combo2.Text = 5000000 ElseIf Combo2.ListIndex = 7 Then Combo2.Text = 5500000 ElseIf Combo2.ListIndex = 8 Then Combo2.Text = 6000000 ElseIf Combo2.ListIndex = 9 Then Combo2.Text = 6500000
ElseIf Combo2.ListIndex = 10 Then Combo2.Text = 7000000
ElseIf Combo2.ListIndex = 11 Then Combo2.Text = 7500000
ElseIf Combo2.ListIndex = 12 Then Combo2.Text = 8000000
ElseIf Combo2.ListIndex = 13 Then Combo2.Text = 8500000
ElseIf Combo2.ListIndex = 14 Then Combo2.Text = 9000000
MsgBox "Tidak Boleh kosong", vbOKOnly + vbInformation, "info" Combo1.SetFocus
ElseIf Combo2.Text = "" Then
ReDim biayatotal(z) As Double ReDim biayatotal1(z) As Double ReDim biayatotal2(z) As Double ReDim biayatotal3(z) As Double biaya1 = Combo1.Text
mc = 0 lb = 0 clb = 0
sql = "select * from hotel" rs1Open sql
matrikshotel(i, 1) = Rs1.fields("Idlokasi") matrikshotel(i, 2) = Rs1.fields("namahotel") matrikshotel(i, 3) = Rs1.fields("alamat") matrikshotel(i, 4) = Rs1.fields("jenis")
tampung = Rs1.RecordCount
Rs1.MoveNext Next i
sql = "SELECT * FROM test.kamar k,test.hotel h where k.IdH=h.Id;" rs1Open sql sql = "select * from restoran" rs1Open sql
End If Next k Next i
' // Mencari pusat Cluster Do
'// Menampilkan pusat cluster For k = 0 To 3 Step 1
'// memperbaiki matrik partisi U For i = 0 To z Step 1
For k = 0 To 3 Step 1
If (i = (i) And kol = 0) Then
ReDim matrikskamar(z, 4) As String Dim X As Integer
sql = "SELECT * FROM test.kamar k,test.hotel h where k.IdH=h.Id;"
'// Mengambil data restoran untuk perhitungan sql = "SELECT * FROM restoran"
rs1Open sql
FormHasilKonsultasi.ListView1.ListItems.Add = Rs1.fields("NamaRestoran") FormHasilKonsultasi.ListView2.ListItems.Add = Rs1.fields("Alamat")
FormHasilKonsultasi.ListView3.ListItems.Add = Rs1.fields("TarifStandart")
Else End If Rs1.MoveNext Next i
'// mengecek hotel dan kamar yang sesuai
sql = "select * from test.hotel h,test.kamar k where k.IdH=h.Id;" rs1Open sql
FormHasilKonsultasi.ListView4.ListItems.Add = Rs1.fields("namahotel") FormHasilKonsultasi.ListView5.ListItems.Add = Rs1.fields("alamat") FormHasilKonsultasi.ListView6.ListItems.Add = Rs1.fields("JenisKamar") FormHasilKonsultasi.ListView7.ListItems.Add = Rs1.fields("Tarif")
'// mengecek Tempat Wisata yang sesuai yang sesuai
sql = "select DISTINCT * from test.wisata w,test.Hotel h where w.IdTempatWisata=h.Idlokasi;"
If biayatotal(i) < Combo2.Text Then
FormHasilKonsultasi.ListView8.ListItems.Add = Rs1.fields("NamaTempatWisata")
FormHasilKonsultasi.ListView9.ListItems.Add = Rs1.fields("AlamatWisata") 'Me.ListView3.ListItems.Add , , Rs1.fields("NamaTempatWisata")
'Me.ListView3.ListItems.Add , , Rs1.fields("AlamatWisata") Else
End If
Rs1.MoveNext Next i
