BAB II
LANDASAN TEORI
2.1 Studi Literatur
Adapun penelitian sebelumnya yang sejenis dan pernah dilakukan yang digunakan untuk referensi dalam pembuatan laporan pada tugas akhir ini sebagai berikut :
Penelitian Sri Kurniasih dan Muhammad Salman Agustian yaitu “Penerapan Metode AHP dan TOPSIS Untuk Menentukan Rekomendasi Lahan Taman Lingkungan”. Pada penelitian ini dikatakan bahwa ” Penentuan lahan sebagai poin penting untuk selanjutnya dilakukan pembangunan dan pengadaan Taman Lingkungan yang tepat dan sesuai fungsinya
“. Lalu “ Penelitian ini bertujuan untuk meningkatkan proporsi taman lingkungan juga membantu Dinas Perumahan dan Permukiman kota Cimahi (DPKP) dalam menentukan rekomendasi lahan untuk taman lingkungan dari sejumlah alternatif lahan yang berbeda” (Sri Kurniasih, 2019).
Pada poin pertama menjelaskan bahwa penentuan lahan untuk dilakukan pembangunan dan pengadaan taman lingkungan sangat lah penting dikarnakan banyak fungsi dari taman lingkungan tersebut seperti sebagai sarana kegiatan rekreasi, edukasi atau kegiatan lain pada tingkat lingkungan dan juga memiliki peran penting sebagai media beraktifitas bagi masyarakat disekitarnya. Hal ini bisa menjadi alasan kuat untuk penting nya memilih lahan sebagai tempat pengadaan taman lingkungan.
Lalu poin kedua menjelaskan bahwa penelitian ini membantu Dinas Perumahan dan Permukiman dalam menentukan lahan sebagai taman lingkungan dengan menggunkan metode AHP-TOPSIS. Hal tersebut dilakukan nya pemilihan dari beberapa alternatif dengan kriteria- kriteria yang sudah ditentukan.
Sebelum melakukan perankingan menggunakan metode TOPSIS dan melakukan perhitungan menggunakan metode AHP, pembuatan struktur hirarki mempermudah perhitungan AHP dengan menentukan kriteria dan rekomendasi sebagai lahan tempat pengadaan taman lingkungan. Hasil dari penelitian ini, pada metode AHP mendapatk nilai CR = 0.065 yang dimana nilai tersebut lebih kecil dari 0.1 maka perbandingan berpasangan yang dilakukan adalah konsisten, sedanglan pada metdoe TOPSIS mendapatkan nilai 0.9340 pada ranking pertama yang terbilang cukup tinggi.
Tabel 1 : Penelitian terdahulu
No Peneliti Judul Metode Hasil
1 Ahmed e.
Youssef 2020
AN INTEGRATED
MCDM APPROACH FOR CLOUD SERVICE
SELECTION BASED ON TOPSIS AND
BWM
MCDM - TOPSIS
- BWM
Untuk hasil ranking pertama mendapatkan nilai 55.43 dan untuk jumlah total perbandingan yang digunakan oleh metode yang diusulkan = 15 + 117 = 132 sedangkan metode untuk AHP
membutuhkan 54% lebih banyak perbandingan daripada
pendekatan yang diusulkan, rasio perbandingan AHP dengan perbandingan pendekatan yang diusulkan adalah 2.18
2 Mi`rajul Rifqi, Dona,
2020
PEMILIHAN TANAMAN BERDASARKAN KONDISI LAHAN
DAN
Penggabungan antara Metode
AHP dan TOPSIS
Untuk hasil perankingan mendapatkan nilai :A1 0,78914 A2 0,783101
PERSYARATAN TUMBUH TANAMAN MENGGUNAKAN
GABUNGAN METODE AHP
DAN TOPSIS
A3 0,295819 A4 0,463561 A5 0,334242 Berdasarkan pengujian yang telah dilakukan, diperoleh hasil perhitungan sistem yang sesuai dengan hasil perhitungan manual.
3
Hylenarti Hertyana,
2018
SISTEM PENDUKUNG
KEPUTUSAN PENENTUAN KARYAWAN
TERBAIK MENGGUNAKAN
METODE TOPSIS
Metode TOPSIS
Berdasarkan Perhitungan menggunakan metode TOPSIS, maka di dapat keputusan bahwa V5 (Karyawan 5) merupakan karyawan terbaik karena memiliki nilai yang terbaik yaitu 0,7091
4 Ronald Sukwadi,
Ching- Chow Yang,
Benny
INTEGRASI FUZZY AHP- TOPSIS DALAM
EVALUASI
Integrasi Fuzzy AHP-TOPSIS
Hasil evaluasi menunjukkan bahwa laman rumah
2014
KUALITAS LAYANAN ELEKTRONIK RUMAH SAKIT
sakit dr. Sardjito memiliki kinerja E-SQ terbaik dengan nilai tertinggi yaitu 0,3785
5 Agus
Perdana Windarto,
2017
IMPLEMENTASI METODE TOPSIS
DAN SAW DALAM MEMBERIKAN
REWARD PELANGGAN
Metode TOPSIS dan
SAW
Hasil dari penelitian ini Berdasarkan metode SAW, Kode (A2) dengan nilai 0,86 atas nama
ditetapkan
sebagai pelanggan utama di Depot Air Minum . Namun, berdasarkan metode Topsis Nilai V1
ditujukan oleh A1 atas nama
ditetapkan
sebagai pelanggan utama Depot Air Minum dengan nilai 0,8418.
2.2 Landasan Teori
2.2.1 Teknik Pengumpulan Data
Dalam menyusun suatau penelitian diperlukan beberapa tahapan yang harus dilakukan salah satu nya adalah Teknik pengumpulan data. Teknik pengumpulan data merupakan cara yang
digunakan untuk mengumpulkan informasi atau fakta-fakta yang ada di lapangan. Proses pengumpulan data dalam sebuah penelitian bergantung pada jenis penelitian yang dipilih.
Teknik pengumpulan data yang digunakan oleh penulis dalam melakukan pengumpulan data adalah (hertyana, 2018):
a. Observasi (Observation)
Dalam metode observasi, penulis mengumpulkan data dari sumbernya secara langsung yaitu melakukan pengamatan pada sebuah perusahaan property untuk mendapatkan data.
b. Studi Pustaka (Library Research)
Studi pustaka penulis lakukan sebagai penunjang dari data yang telah ada serta sebagai bahan perbandingan. Penulis juga melakukan pendekatan dengan referensi buku-buku yang mengacu pada metode TOPSIS dan yang berkaitan dengan penulisan.
c. Wawancara (interview)
Dalam metode wawancara ini, penulis dapat memperoleh informasi langsung dari perusahaan dengan mewawancarai langsung karyawan dan bagian terkait lainnya di perusahaan tersebut dan melakukan tanya jawab dan bertatap muka secara langsung.
2.2.2 Teknik Pengambilan Data
Teknik Sampling Pengertian teknik pengambilan sampel menurut Margono (2004) adalah: Teknik sampling adalah cara untuk menentukan sampel yang jumlahnya sesuai dengan ukuran sampel yang akan dijadikan sumber data sebenarnya, dengan memperhatikan sifat-sifat dan penyebaran populasi agar diperoleh sampel yang representative (hidayat, 2017).
2.2.3 Sumber Data
Sumber data terbagi menjadi dua yaitu data primer dan data sekunder. Data primer adalah data yang diperoleh peneliti secara langsung (dari tangan pertama), sementara data sekunder adalah data yang diperoleh peneliti dari sumber yang sudah ada. Contoh data primer adalah data yang diperoleh dari responden melalui kuesioner, kelompok fokus, dan panel, atau juga data hasil wawancara peneliti dengan narasumber. Contoh data sekunder misalnya catatan atau dokumentasi perusahaan berupa absensi, gaji, laporan keuangan publikasi perusahaan, laporan pemerintah, data yang diperoleh dari majalah, dan lain sebagainya (harnovinsah).
2.2.4 Sistem Pendukung Keputusan
Pendapat beberapa ahli bahwa Sistem Pendukung Keputusan atau Decision Support System (DSS) dibuat untuk meningkatkan proses dan kualitas hasil pengambilan keputusan, dimana DSS dapat memadukan data dan pengetahuan untuk meningkatkan efektivitas dan efisiensi dalam proses pengambilan keputusan tersebut, disamping itu Sistem Pendukung Keputusan juga memberdayakan resources individu secara intelek dengan kemampuan komputer untuk meningkatkan kualitas keputusan dan berhubungan dengan manajemen pengambilan keputusan serta berhubungan dengan masalah-masalah yang semi terstruktur(11).
Decision Support System (DSS) atau dalam bahasa Indonesia disebut sebagai Sistem Pendukung Keputusan (SPK) merupakan sistem berbasis komputer interaktif yang membantu pengambil keputusan (manajer) memanfaatkan data dan model untuk menyelesaikan permasalahan yang semi/tidak terstruktur. SPK mendayagunakan resource individu-individu secara intelek dengan kemampuan komputer untuk meningkatkan kualiutas keputusan (Safriandono).
Karakteristik dari sistem pendukung keputusan adalah sebagai berikut (Windarto, 2017) : a. Mendukung pengambilan keputusan untuk membahas masalah-masalah terstruktur,
semi struktur, dan tidak terstruktur.
b. Output ditujukan bagi personil organisasi dalam semua tingkatan.
c. Mendukung di semua fase proses pengambilan keputusan: intelegensi, desain, pilihan.
d. Adanya interface manusia atau mesin, dimana manusia (user) tetap mengontrol proses pengambilan keputusan.
e. Menggunakan model-model metematis dan statistik yang sesuai dengan pembahasan.
f. Memiliki kemampuan dialog untuk memperoleh informasi sesuai dengan kebutuhan.
g. Memiliki subsistem-subsistem yang terintegrasi sedemikian rupa sehingga dapat berfungsi sebagai kesatuan sistem.
h. Membutuhkan struktur data komprehensif yang dapat melayani kebutuhan informasi seluruh tingkatan manajemen.
2.2.5 Proses Pengambilan Keputusan
Dalam pengambilan keputusan sebuah sistem harus mampu melewati beberapa fase-fase proses pengambilan keputusan. Menurut Simon (1997), mengatakan bahwa proses tersebut meliputi tiga fase utama yaitu inteligensi, desain, dan kriteria. Ia
kemudian menambahkan fase keempat, yakni implementasi. Monitoring dapat dianggap sebagai fase kelima bentuk umpan balik (Safriandono).
Gambar 1 : Alur pengambilan keputusan (Kusrini, 2008)
(Sumber : Efraim Turban, Jay E. Aronson dan Ting Peng Liang, 2005 : 65)
2.2.6 MCDM
Multiple Criteria Decision Making (MCDM) merupakan suatu metode pengambilan keputusan yang didasarkan atas teori-teori, proses-proses, dan metode analitik yang melibatkan ketidakpastian, dinamika, dan aspek kriteria jamak. Dalam metode optimasi konvensional, cakupan umumnya hanya dibatasi pada satu kriteria pemilihan (mono criteria), dimana pemilihan yang diambil adalah pilihan yang paling memenuhi fungsi obyektif (artana).
MCDM (Multi Criteria Decision Making) merupakan cabang dari model riset operasi yang berhubungan dengan pengambilan keputusan. Implementasi metode ini digunakan untuk menemukan pendapat terbaik dari beberapa alternatif yang ada, yang saling bertentangan berdasarkan kriteria keputusan. Model ini biasanya digunakan untuk melakukan seleksi terhadap beberapa alternatif dalam jumlah terbatas. Metode ini
digunakan untuk membangun model sistem pendukung keputusan menggunakan aplikasi komputer. Rata-rata penelitian tersebut bertujuan untuk melakukan proses seleksi, penilaian, evaluasi kinerja, dan analisis sensitivitas untuk mengukur pengaruh bobot terhadap hasil akhir (saputra, 2017).
MCDM dapat dikelompokkan menjadi 2 kelompok besar, yakni Multiple Objective Decision Making (MODM) dan Multiple Attribute Decision Making (MADM) (artana). Janko (2005) dalam Kusumadewi et al, (2006) menyebutkan terdapat beberapa fitur umum yang digunakan dalam MCDM, yaitu:
1. Alternatif, adalah obyek-obyek yang berbeda dan memiliki kesempatan yang sama untuk dipilih oleh pengambil keputusan.
2. Atribut, atribut sering juga disebut sebagai kriteria keputusan.
3. Konflik antar kriteria, beberapa kriteria biasanya mempunyai konflik antara satu dengan yang lainnya, misalnya kriteria keuntungan akan mengalami konflik dengan kriteria biaya.
4. Bobot keputusan, bobot keputusan menunjukkan kepentingan relatif dari setiap kriteria,
= (1 , 2 , 3 , … , ). 5. Matriks keputusan, suatu matriks keputusan yang berukuran x , berisi elemen-elemen yang merepresentasikan rating dari alternatif ; = 1,2,3, … , terhadap kriteria ; = 1,2,3, … , .
Beberapa metode yang dapat digunakan untuk menyelesaikan masalah MCDM, antara lain sebagai berikut:
1. Simple Additive Weighting Method (SAW)
Merupakan metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua kriteria (Kusumadewi, 2006) (Sembiring, 2017).
Metode SAW membutuhkan proses normalisasi matrik keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Metode SAW mengenal adanya 2 (dua) atribut yaitu kriteria keuntungan (benefit) dan kriteria biaya (cost). Perbedaan mendasar dari kedua kriteria ini adalah dalam pemilihan kriteria ketika mengambil keputusan.
2. Weighted Product Model (WPM)
Weighted Product Method (WPM) merupakan salah satu metode yang digunakan pada
MCDM. Metode ini banyak digunakan dalam berbagai aplikasi sistem pendukung keputusan, WPM dapat membuktikan proses penyeleksian produk berbasis teknologi berupa notebook dengan hasil yang optimal (Diana, 2019)
Menurut Yoon (Kusumadewi, 2006), Metode Weighted Product Model menggunakan Teknik perkalian untuk menghubungkan rating atribut, dimana rating tiap atribut harus dipangkat terlebih dahulu dengan bobot atribut yang bersangkutan. Proses ini sama halnya dengan proses normalisasi.
3. Analytic Hierarchy Process (AHP)
Metode AHP merupakan suatu model pendukung keputusan yang dikembangkan oleh Thomas L. Saaty, seorang ahli matematika pada tahun 1970. Metode AHP ini dipilih karena metode ini menguraikan masalah multi faktor atau multi kriteria yang kompleks menjadi suatu hirarki. Dengan hirarki, suatu masalah yang kompleks dapat diuraikan ke dalam kelompok-kelompoknya yang kemudian diatur menjadi suatu bentuk hirarki sehingga permasalahan akan tampak lebih terstruktur dan sistematis (I Nengah Agus Arimbawa Dwijayadi, 2019).
Pengambilan keputusan jika memiliki sejumlah bobot dari kriteria yang belum diketahui maka dapat ditentukan dengan menggunakan metode AHP yang menerima sejumlah input dari penilai dalam bentuk matriks perbandingan berpasangan. Metode Analytical Hierarchy Process (AHP) Metode ini adalah sebuah kerangka untuk mengambil keputusan dengan efektif atas persoalan yang sangat kompleks dengan menyederhanakan dan mempercepat proses pengambilan keputusan dengan memecahkan persoalan tersebut kedalam bagianbagiannya, menata bagian atau variabel ini dalam suatu susunan hirarki, memberi nilai numerik pada pertimbangan subjektif tentang pentingnya setiap variabel dan mensitensis berbagai pertimbangan untuk menetapkan variabel yang mana yang memiliki prioritas paling tinggi dan bertindak untuk mempengaruhi hasil pada situasi tersebut (suci rahma)
Dalam menyelesaikan permasalahan dengan AHP ada beberapa prinsip yang harus dipahami, diantaranya adalah:
1. Membuat hirarki (Terdapat pada gamabr 2) 2. Penilaian kreteria dan alternative
3. Mentukan Prioritas 4. Konsestensi Logis
Penilaian Kriteria dan alternatif dilakukan dengan perbandingan berpasangan.Menurut Saaty (1988), untuk berbagai persoalan, skala 1 sampai 9 adalah skala terbaik untuk mengekspresikan pendapat. Nilai dan definisi pendapat kualitatif dari skala perbandingan Saaty bisa diukur menggunakan tabel analisis seperti pada Tabel 2 (7).
Tabel 2 : Penilian kreteria dan alternative
Skala Definisi Keterangan
1 Kedua Elemen sama penting
Dua elemen dengan pengaruh yang sama besar dalam pengambilan keputusan.
3 Elemen yang satu sedikit lebih penting daripada elemen yang Lainnya.
Pengalaman dan penilian menyatakan satu elemen sedikit lebih berperan dibandingkan elemen lain nya.
5 Elemen yang satu lebih penting daripada elemen lainnya.
Pengalaman dan penilaian menyatakan satu elemen sangat berperan dibandingkan elemen lain nya.
7 Satu elemen jelas lebih mutlak penting daripada elemen lainnya.
Satu elemen sangat berperan dan dominan terlihat dalam praktik nya.
9 Satu elemen mutlak penting dari pada elemen lainnya.
Bukti yang mendukung satu elemen berada ditingkat tertinggi.
2,4,6,8 Nilai-nilai antara dua nilai pertimbangan yang
berdekatan.
Nilai ini diberikan bila ada dua kompromi diantara dua pilihan.
Menetukan prioritas Untuk setiap kriteria dan alternatif, perlu dilakukan perbandingan berpasangan (pairwise comparison).Nilai-nilai perbandingan relatif dari seluruh alternatif kriteria bisa disesuaikan dengan keputusan yang telah ditentukan untuk menghasilan bobot dan prioritas.Bobot dan prioritas dihitung dengan memanipulasi matriks atau melalui penyelesaian persamaan matematika.
Konsistensi Logis memiliki dua makna.Pertama, objek-objek yang serupa bisa dikelompokkan sesuai dengan keseragaman dan relevansi.Kedua, menyangkut
tingkat hubungan antar objek yang didasarkan pada kriteria tertentu (8)
Rumus Perhitungan AHP sebagai berikut :
1. Melakukan perkalian untuk menjumlahkan nilai-nilai dari setiap kolom pada matriks.
2. Membuat matriks perbandingan berpasangan ternormalisasi untuk mendapatkan nilai eigen dari hasil perhitungan penjumlahan antara baris ke – n dengan jumlah kolam ke – n.
𝑏𝑎𝑟𝑖𝑠 𝑘𝑒−𝑛,𝑘𝑜𝑙𝑜𝑚 𝑘𝑒 .
𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑜𝑙𝑜𝑚 𝑘𝑒−𝑛 Persamaan (1)
3. Menentukan bobot prioritas (rata-rata) dengan menjumlahkan nilai-nilai dari setiap matriks dan membaginya dengan jumlah elemen.
Wj = 𝑎𝑗𝑘
𝑛 Persamaan (2)
4. Menghitung nilai Consistency Index. Consistency Index.
𝐶𝐼 =𝜆𝑚𝑎𝑘𝑠 −𝑛
𝑛−1 Persamaan (3)
5. Menghitung Consistency Ration. Consistency Ratio.
𝐶𝑅 = 𝐶𝐼
𝑅𝐶 Persamaan (4)
6. Memeriksa Konsistensi hierarki, suatu data dikatakan benar apabila memiliki nilai rasio konsistensi kurang atau sama dengan 0.1 (Kusrini 2007).
Keuntungan menggunakan AHP :
a. AHP membuat permasalahan yang luas dan tidak terstruktur menjadi suatu model yang fleksibel dan mudah dipahami.
b. AHP memecahkan permasalahan yang kompleks melalui pendekatan sistem dan
c. AHP menyediakan skala pengukuran dan metode untuk mendapatkan prioritas.
4. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS)
Technique for Order Performance of Similarity to Ideal Solution (TOPSIS) merupakan salah satu sistem pendukung keputusan multikriteria. TOPSIS mempunyai prinsip bahwa alternatif yang terpilih harus mempunyai jarak terdekat dari solusi ideal positif dan mempunyai jarak terjauh dari solusi ideal negatif dari sudut pandang geometris dengan menggunkana jarak Euclidean (jarak antara dua titik) untuk menentukan kedekatan relatif dari suatu alternatif. Metode TOPSIS memiliki keuntungan sebagai berikut (Windarto, 2017) :
a. Metode Topsis merupakan salah satu metode yang simple dan konsep rasional yang mudah dipahami.
b. Metode Topsis mampu untuk mengukur kinerja relatif dalam membentuk form matematika sederhana.
Tahapan metode Topsis:
a. Membuat matriks keputusan yang ternormalisasi.
b. Membuat matriks keputusan yang ternormalisasi terbobot
c. Menentukan matriks solusi ideal positif dan matriks solusi ideal negative.
d. Menentukan jarak antara nilai setiap alternative dengan matriks solusi ideal positif dan negative.
e. Menentukan nilai preferensi untuk setiap alternative.
Topsis membutuhkan rating kinerja setiap alternatif Ai pada setiap kriteria Ci yang ternormalisasi, Adapun langkah-langkah algoritma dari metode Topsis adalah :
a. Menetukan normalisasi matriks keputusan. Nilai ternormalisasi rij dihitung dengan rumus:
𝑟𝑖𝑗 = 𝑥𝑖𝑗
√∑𝑚𝑖=1𝑥2𝑖𝑗
( Persamaan 5 )
Keterangan : i = 1,2,...,m j = 1,2,...,n
b. Menetukan bobot ternormalisasi matriks keputusan. Nilai bobot ternormalisasi yij sebagai berikut:
yij = wi rij ( Persamaan 6 ) Keterangan :
i = 1,2,...,m j = 1,2,...,n
Dengan A+ = (y1+ , y2+, . . . yn+ ) A+ = (y1+ , y2+, . . . yn+ )
( Persamaan 7 ) Dimana :
yj+ = {𝑚𝑖𝑛𝑖 𝑦𝑖𝑗 ; jika j adalah atribut keuntungan 𝑚𝑖𝑛𝑖 𝑦𝑖𝑗 ; jika j adalah atribut biaya }
yj+ = {𝑚𝑖𝑛𝑖 𝑦𝑖𝑗 ; jika j adalah atribut keuntungan 𝑚𝑖𝑛𝑖 𝑦𝑖𝑗 ; jika j adalah atribut biaya } dengan nilai j =1,2, ….,n
1. Jarak antara alternatif Ai dengan solusi ideal positif dirumuskan sebagai : Di+ = √∑𝑛𝑗=1(𝑦𝑗+− 𝑦𝑖𝑗 )2 ( Persamaan 8 )
Keterangan : I = 1,2,…,m
2. Jarak antara alternatif Ai dengan solusi ideal negatif dirumuskan sebagai:
Di- = √∑𝑛𝑗=1(𝑦𝑖𝑗 − 𝑦𝑗+)2 ( Persamaan 9 ) Dengan i = 1,2,..,m
3. Nilai prefensi untuk setiap alternatif (Vi) diberikan sebagai : Vi = 𝐷𝑖
−
𝐷𝑖−+ 𝐷𝑖+ dengan i = 1,2,..,m ( Persamaan 10)
2.2.7 PHP
PHP (Hypertext Preprocesor) adalah suatu server-side scripting yang menyatu dengan HTML (Hyper Text Markup Language) untuk membuat halaman website yang dinamis. Server-side scripting sendiri berarti suatu pemrograman yang pengeksekusiannya berada di sisi server. Seluruh proses di dalam bahasa pemrograman PHP dilakukan disebuah server. Proses dilakukan di server tetapi hasil akan ditampilkan di browser (Ruli Erinton, 2017).
2.2.8 CodeIgniter
CodeIgniter adalah sebuah web application framework yang digunakan untuk membangun aplikasi PHP dinamis yang dibangun menggunakan konsep Model View Controller development pattern. CodeIgniter menyediakan berbagai macam library yang dapat mempermudah dalam pengembangan dan termasuk framework tercepat dibandingkan dengan framework lainnya (Ruli Erinton, 2017).
2.2.9 Evaluasi
Pada penelitian ini menggunakan metode Cross-validasi atau dapat disebut estimasi rotasi adalah sebuah teknik validasi model untuk menilai bagaimana hasil statistik analisis akan menggeneralisasi kumpulan data independen. Teknik ini utamanya digunakan untuk melakukan prediksi model dan memperkirakan seberapa akurat sebuah model prediktif ketika dijalankan dalam praktiknya. Salah satu teknik dari validasi silang adalah k-fold cross validation, yang mana memecah data menjadi k bagian set data dengan ukuran yang sama (6). Hasil dari pengujian dapat dilihat di tabel 22
Accuracy = ∑𝐾𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝑏𝑒𝑛𝑎𝑟
∑𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 × 100% ( Persamaan 11 )
