Fakultas Ilmu Komputer
Universitas Brawijaya
3835
Rekomendasi Lokasi Wisata Kuliner Menggunakan Metode
K-Means
Clustering
Dan
Simple Additive Weighting
Nugroho Dwi Saksono1, Yuita Arum Sari2, Ratih Kartika Dewi3Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Brawijaya,
Email : nugrohodwi.sony@gmail.com1, yuita@ub.ac.id2, ratihkartikad@ub.ac.id3
Abstrak
Melakukan wisata kuliner merupakan salah satu kegiatan yang sering dilakukan ketika mengunjungi suatu kota. Kesalahan dalam memilih sebuah lokasi wisata kuliner yang ingin dikunjungi dikarenakan kurangnya informasi terhadap lokasi apa saja yang tersedia menjadi masalah bagi wisatawan yang ingin merasakan kepuasan berwisata kuliner. Tujuan penelitian ini adalah membantu para wisatawan dalam
menentukan lokasi wisata kuliner yang memilki fasilitas yang sesuai dengan yang diinginkan. K-Means
Clustering merupakan sebuah metode yang mengelompokan data sesuai dengan cluster masing-masing.
Simple Additive Weighting (SAW) adalah metode yang digunakan untuk proses perangkingan dengan
menggunakan nilai preferensi. Dalam penelitian ini, metode K-Means Clustering akan membagi lokasi
wisata sesuai jarak yang dihitung dari posisi awal user ke alamat lokasi wisata, lalu metode SAW akan mengurutkan lokasi mana yang paling sesuai dengan keinginan user. Data yang digunakan untuk pengujian menggunakan 49 data lokasi. Pengujian yang dilakukan adalah pengujian akurasi dengan membandinkan hasil yang dikeluarkan oleh sistem dengan hasil yang dipilih oleh 30 responden. Pengujian tersebut mendapatkan hasil akurasi sebesar 63,33% untuk kategori sangat dekat, 40% untuk kategori dekat, 46,67% untuk kategori sedang. Sistem ini sudah bisa memberikan rekomendasi untuk kategori sangat dekat dengan cukup akurat walaupun untuk kategori dekat dan sedang masih belum cukup akurat.
Kata kunci: lokasi, wisata kuliner, pendukung keputusan, K-Means Clustering, SAW
Abstract
Culinary tour is one of the activities that are often done when visiting a city. the mistakes often made because lack of information regarding a location of a culinary tourism can cause a problem for tourists. The purpose of this study is to help the tourists in determining the location of culinary tourism that has the facilities in accordance with what they desired. K-Means Clustering is a method that groups data according to their clusters. Simple Additive Weighting (SAW) is a method for the ranking process by using a preference value. In this study, K-Means Clustering method will divide the location according to the distance calculated from the initial position of the user to the address of the location, then SAW
method will sort which location best suit the user’s wishes. The testing used 49 location data. The testing
process is a accuracy test by comparing result from the system and results from 30 respondents. The results of the testing process is obtained an accuracy of 63.33% for very close category, 40% for near category, and 46,67% for medium category. This system can provide recommendations for very close categories with fairly accurate although for the near and medium category is still not accurate enough.
Keywords: location, culinary tourism, decision support, K-Means Clustering, SAW
1. PENDAHULUAN
Penggunaan teknologi informasi sudah semakin berkembang dan banyak digunakan dalam berbagai bidang, contohnya pada bidang pariwisata. Semakin besarnya peranan otonomi daerah, perkembangan pada sektor pariwisata tentu turut serta memicu perkembangan ekonomi
pada suatu daerah, hal itu di karenakan dengan majunya sektor pariwisata memacu sektor
ekonomi melalui peningkatan nilai dan
Salah satu kegiatan yang dapat dilakukan ketika sedang berwisata adalah mencicipi berbagai makanan khas yang ada di suatu daerah atau yang biasa disebut dengan wisata kuliner. Tren wisata pada era kini lebih cenderung pada
berburu makanan khas daerah tersebut
Perubahan gaya hidup yang terjadi juga menjadi pemicu pergeseran daya tarik seorang wisatawan terhadap sebuah tempat makanan, dimana suasana dan pelayanan menjadi bagian penting dalam penilaian. Sehingga banyak restoran atau tempat makan dibuat dengan ciri khasnya masing-masing. (Astradanta, et al., 2016).
Masalah yang sering dialami oleh wisatawan yang sedang berkujung ke suatu daerah adalah
kurangnya informasi mengenai tempat–tempat
makan atau restoran yang biasa dijadikan sebagai destinasi wisata kuliner. Kurangnya informasi ini menyebabkan para wisatawan tidak bisa menentukan tempat makan yang sesuai dengan kriteria. Banyak dari para wisatawan yang mengandalkan informasi dari teman atau kerabat terdekat tentang lokasi dari tempat makan, yang terkadang tempat makan yang direkomendasikan tidak sesuai dengan kriteria yang diinginkan. Oleh karena itu, sebagai salah satu alternatif perlu dibuat suatu sistem pendukug keputusan pemilihan tempat kuliner. (Yulianti & Juwita, 2016).
Sistem pendukung keputusan merupakan alat bantu pengambil keputusan, yang disusun dalam sebuah sistem yang menampilkan informasi, manipulasi dan permodelan data, tanpa mengubah penilaian para pengambil keputusan. (Nurzahputra, et al., 2017). Sistem pendukung keputusan juga dapat digunakan untuk menentukan lokasi wisata kuliner yang paling optimal berdasarkan kriteria yang diinginkan oleh wisatawan. Dalam penelitian ini kriteria yang dapat dimasukan oleh wisatawan adalah jarak dan fasilitas restoran, kriteria fasilitias restoran termasuk di dalamnya adalah harga, rating, tempat parkir, dan takeout.
Dalam rekomendasi lokasi wisata kuliner ini penulis membuat sebuah sistem pendukung keputusan yang menggunakan metode yaitu gabungan dari metode K-Means clustering dan
Simple Additive Weighting (SAW). Prinsip dari
K-Means clustering digunakan untuk
menentukan nilai kriteria dari sebuah nilai alternatif. Pada penelitian yang dilakukan oleh
Masruro (2016) menngunakan metode K-Means
clustering dan TOPSIS untuk menentukan lokasi
wisata. Penelitian ini menggunakan kriteria fasilitas dan budget dimana kriteria fasilitas
diolah dengan menggunakan metode TOPSIS
sedangkan kriteria budget dengan metode
K-Means clustering dikarenakan kriteria budget
merupakan data continue atau bilangan (Masruro & Wibowo, 2016). Proses utama dalam metode SAW adalah jumlah nilai bobot dari tingkat kinerja di tiap alternatif berdasarkan atribut-atribut yang digunakan. Kemudian dilakukan proses normalisasi matriks keputusan (X) ke dalam sebuah skala perbandingan tingkat alternatif yang ada. Tentu sistem pendukung keputusan perlu menentukan bobot tiap atribut terlebih dahulu. Total skor masing-masing alternatif di dapat dari menambahkan semua perkalian rating dan bobot (Daniati & Nugroho, 2016).
Terdapat pertimbangan-pertimbangan dalam
pemilihan metode tersebut. K-Means dipilih
karena kemudahan serta kemampuannya dalam pengklasteran data yang besar. (Ratnawati, et al., 2014).Kelebihan dari metode SAW adalah simpel dan mudah dalam perhitungannya. Kekurangan dari metode SAW adalah pada
proses normalisasi metode SAW akan
menghasilkan nilai perkiraan yang tidak selalu mencerminkan nilai sebenarnya (Astradanta, et
al., 2016). Digabungkannya metode K-Means
clustering dan SAW bertujuan untuk memilah
dan mengelompokkan data yang ditampilkan pada sebuah list daftar lokasi wisata yang sesuai
dengan keinginan user. K-Means berfungsi
untuk membuat sub-kelompok nilai kriteria dari kelompok nilai alternatif yang ada, nilai dari pemilahan dalam kelompok nilai alternatf ini yang kemudian digunakan untuk menentukan hasil list alterntif yang akan di proses melalui metode TOPSIS. (Masruro & Wibowo, 2016).
Berdasarkan permasalahan di atas maka diputuskan untuk menerapkan metode K-Means dan SAW untuk menyelesaikan masalah rekomendasi lokasi wisata kuliner. Dengan
metode tersebut, diharapkan wisatwan
mendapatkan sebuah informasi tentang lokasi wisata kuliner yang sesuai dengan kriteria yang diinginkan.
2. METODOLOGI PENELITIAN
2.1Pengumpulan Data
Data diperoleh penulis dari website
data lokasi restoran, harga, rating, ketersediaan tempat parkir, dan ketersediaan fasilitas wifi di restoran. Data lokasi restoran akan diolah menjadi data jarak dengan menggunakan
bantuan Google Maps.
2.2 Perancangan Sistem
Model perancangan menjelaskan mengenai cara kerja sistem ini. Terdapat beberapa proses utama yaitu input, proses, dan output. User akan menginput data jarak dan bobot kriteria . Data tersebut akan diproses sistem menggunakan
metode K-Means Clustering dan SAW. Setelah
dilakukan perhitungan, output akan
menampilkan rekomendasi lokasi wisata kuliner yang sudah diproses. Perancangan akan dapat dilihat pada Gambar 1.
Gambar 1 Perancangan Sistem
2.2.1 Metode K-Means Clustering
Data Clustering merupakan salah satu metode Data Mining yang bersifat (unsupervised) atau tanpa adanya suatu arahan. Ada dua jenis data clustering yang sering digunakan, hierarchical clustering dan
nonhierarchical clustering. K-Means adalah contoh metode nonhierarchical clustering yang memecah data ke dalam satu atau beberapa
cluster yang memiliki karakteristik yang sama dan tidak. Metode ini berupaya meminimalisir
variasi data di dalam cluster dan memperbanyak variasi antar cluster (Daniati & Nugroho, 2016).
2.2.1.1 Prosedur Metode K-Means Clustering
1. Menentukan banyak cluster yang ingin terhadap semua centroid memakai rumus Eucledian Distance hingga mendapatkan hasil jarak yang paling dekat dari data dengan centroid. Berikut ini adalah persamaan Eucledian Distance:
4. Memasukkan setiap data berdasarkan jarak dengan centroid (nilai terkecil).
5. Mengubah centroid. centroid baru diperoleh dengan menghitung rata-rata
cluster dengan menggunakan rumus:
2.2.2 Metode Simple Additive Weighting (SAW)
Metode SAW atau disebut juga
penjumlahan bobot, cara kerja dari metode ini adalah dengan menjumlahkan bobot dari rating kinerja pada tiap-tiap alternatif pada atribut. Kemudian dilakukan proses normalisasi matriks keputusan (X) pada skala perbandingan dengan rating alternatif yang ada (Pratiwi, et al., 2014).
2.2.2.1 Prosedur Metode SAW
1. Menghitung normalisasi matriks
alternatif Normalisasi matriks
berdasarkan persamaan yang
disesuaikan dengan jenis atribut
No Nama Tempat Makan Jarak Harga Rating Parkir Wifi 1 Serabi Notosuman 998 Meter $ 4 Ada Tidak Ada
2 Bakso Damas 1171 Meter $ 4 Ada Tidak Ada
3 Bubur Abah Odil 1386 Meter $ 4 Ada Ada
4 Bakso Bakar Trowulan 1603 Meter $$ 4 Ada Tidak Ada
5 Restoran Pangeran Muda 2034 Meter $$ - $$$ 3,5 Ada Ada
No Nama Tempat Makan Jarak Harga Rating Parkir Wifi 1 Bakso President 4049 Meter $ 3,5 Ada Ada
2 Bakso Bakar Pak Man 4104 Meter $ 4 Ada Tidak Ada
3 Bakso Kota Cak Man 2981 Meter $$ - $$$ 4 Ada Tidak Ada
4 Bakso Gondhol 2986 Meter $ 4 Ada Tidak Ada
5 Bakso Bakar Trowulan 1603 Meter $$ 4 Ada Tidak Ada
6 Surabi Imut 4808 Meter $ 3,5 Ada Ada
7 Rawon Rampal 4819 Meter $$ - $$$ 4 Ada Tidak Ada
8 Pangsit Mie Bromo Pojok 4880 Meter $ 4 Ada Ada
9 Bakso Bakar Pahlawan Trip 5495 Meter $ 3,5 Ada Ada
10 Bakso Damas 1171 Meter $ 4 Ada Tidak Ada
11 Ayam Goreng Nelongso 2447 Meter $ 3,5 Ada Ada
12 Sate Pak Sabar 4094 Meter $ 4 Ada Tidak Ada
13 House Of Juminten 5028 Meter $ 3,5 Ada Ada
14 Depot Tahu Lontong Lonceng 3657 Meter $ 4 Ada Tidak Ada
15 Serabi Notosuman 998 Meter $ 4 Ada Tidak Ada
16 Warung Sambal Kocok Mamah Sum Gendut 5072 Meter $$ - $$$ 3,5 Ada Ada
17 Bubur Abah Odil 1386 Meter $ 4 Ada Ada
18 Sop Pak Min Klaten (Ragil) 2 4324 Meter $ 3,5 Ada Tidak Ada
19 Kupang Kraton 2913 Meter $ 4 Ada Tidak Ada
20 Restoran Pangeran Muda 2034 Meter $$ - $$$ 3,5 Ada Ada Tabel 3 Data Lokasi Kategori Sedang
ternormalisasi R. Perhitungan
normalisasi matriks ditunjukan dengan persamaan berikut: dari setiap kolom matriks keputusan; dimana min 𝑥𝑖 = nilai minimum dari setiap kolom matriks keputusan.
2. Menghitung nilai preferensi
menggunakan persamaan berikut:
𝑉𝑖 = ∑𝑛𝑗=1𝑤𝑗𝑟𝑖𝑗
(4)
Dimana 𝑉𝑖 = nilai akhir dari alternative; dimana 𝑤𝑗 = nilai bobot; dimana 𝑟𝑖𝑗 = nilai kriteria ternomalisasi dari
masing-masing lokasi; dimana 𝑛 = banyaknya
data
3. Mengurutkan nilai preferensi.
3. PENGUJIAN DAN ANALISIS
3.1 Pengujian
Pada bab ini akan dijelaskan mengenai hasil pengujian dan analisis dari implementasi metode
K-Means clustering dan SAW dalam sistem
rekomendasi lokasi wisata kuliner. Setelah dilakukan pengujian, maka dilanjutkan dengan menganalisa hasil dari pengujian tersebut. Data uji yang akan digunakan adalah lokasi wisata yang termasuk kedalam kategori sangat dekat, dekat, dan sedang, dengan total data sebanyak 20 restoran. data lokasi dapat dilihat pada Tabel1; Tabel 2; Tabel 3.
Tabel 1 Data Lokasi Kategori Sangat Dekat
Tabel 2 Data Lokasi Kategori Dekat
Dapat dilihat pada 3 tabel di atas bahwa semakin meningkatnya suatu kategori maka jumlah alternatif data semakin bertambah. Setiap kategori yang lebih tinggi juga memasukkan alternatif dari kategori sebelummya. Kategori sangat dekat memiliki 5 alternatif, lalu kategori dekat mempunyai 10 alternatif yaitu 5 alternatif yang didapatkan dari kategori sebelumnya, terakhir adalah kategori sedang yang memiliki 20 alternatif yang menjadikannya kategori dengan alternatif paling banyak.
Proses pengujian dilakukan dengan
membandingkan hasil peringkat dari sistem dengan hasil yang dipilih oleh responden. Hasil pengujian dapat dilihat pada Tabel 4.
No Nama Tempat Makan Jarak Harga Rating Parkir Wifi 1 Bakso Kota Cak Man 2981 Meter $$ - $$$ 4 Ada Tidak Ada
2 Bakso Gondhol 2986 Meter $ 4 Ada Tidak Ada
3 Bakso Bakar Trowulan 1603 Meter $$ 4 Ada Tidak Ada
4 Bakso Damas 1171 Meter $ 4 Ada Tidak Ada
5 Ayam Goreng Nelongso 2447 Meter $ 3,5 Ada Ada
6 Depot Tahu Lontong Lonceng 3657 Meter $ 4 Ada Tidak Ada
7 Serabi Notosuman 998 Meter $ 4 Ada Tidak Ada
8 Bubur Abah Odil 1386 Meter $ 4 Ada Ada
9 Kupang Kraton 2913 Meter $ 4 Ada Tidak Ada
Tabel 4 Hasil Pengujian
Berdasarkan Tabel 4, didapatkan data yang sesuai dengan hasil perangkingan dari sistem untuk kategori sangat dekat sebanyak 19 buah, kategori dekat 12 buah, dan kategori sedang sebanyak 14 buah. Hal ini disebabkan dari pembobotan masing-masing responden yang mungkin berbeda-beda. Untuk hasil pengujian akurasi didapatkan sebesar:
Nilai akurasi kategori sangat dekat:
Nilai Akurasi = 1930 × 100%
= 63,33%
Nilai akurasi kategori dekat:
Nilai Akurasi = 1230 × 100%
= 40%
Nilai akurasi kategori sedang:
Nilai Akurasi = 1430 × 100%
= 46,67%
Jadi, hasil akurasi yang didapatkan adalah 63,33% untuk kategori sangat dekat, 40% untuk kategori dekat, dan 46,67% untuk kategori sedang.
3.2 Analisis
Hasil pengujian dapat dilihat pada Gambar 2.
Gambar 2 Grafik Hasil Pengujian
Dapat dilihat pada Gambar 2, bahwa jumlah data yang sama pada kategori sangat dekat sebanyak 19 buah dengan jumlah yang tidak sama sebanyak 11 buah. Data yang sama pada kategori dekat sebanyak 12 buah dengang jumlah data tidak sama sebanyak 18 buah. Sedangkan untuk kategori sedang jumlah data yang sama sebanyak 14 buah dengan jumlah data yang tidak sama sebanyak 16 buah. Kategori yang memiliki jumlah data sama paling banyak adalah kategori sangat dekat diikuti dengan kategori sedang lalu terakhir kategori dekat mempunyai jumlah data sama paling sedikit.
Setelah melakukan pengujian maka kita mendapatkan data apakah para responden sudah setuju apakah jarak yang berada dalam kategori sangat dekat sudah memiliki jarak yang sangat dekat. Untuk lebih jelasnya data responden yang setuju dengan kriteria jarak di dalam kategori sangat dekat dapat dilihat pada Tabel 5.
Responden Sangat Dekat Dekat Sedang
1 1 8 17
2 1 8 17
3 1 3 6
4 1 8 17
5 1 7 1
6 4 4 17
7 1 3 5
8 1 8 17
9 2 4 10
10 2 3 5
11 1 8 17
12 2 7 15
13 1 7 5
14 3 8 17
15 1 1 1
16 1 4 2
17 3 10 17
18 1 7 6
19 1 8 17
20 1 7 15
21 1 8 17
22 2 4 2
23 1 7 6
24 1 8 17
25 4 1 10
26 1 8 17
27 1 8 17
28 4 5 11
29 3 8 17
30 4 3 5
Tabel 5 Hasil Tanggapan Terhadap Kategori Jarak Sangat Dekat
Selanjutnya adalah lokasi dengan kategori dekat. Data responden yang setuju dengan kriteria jarak di dalam kategori dekat dapat dilihat pada Tabel 6.
Tabel 6 Hasil Tanggapan Terhadap Kategori Jarak Dekat
Terakhir adalah lokasi dengan kategori sedang. data responden yang setuju dengan kriteria jarak di dalam kategori dekat dapat dilihat pada Tabel 7.
Tabel 7 Hasil Tanggapan Terhadap Kategori Jarak Sedang
Dapat dilihat pada Tabel 5 bahwa jumlah responden yang setuju terhadap jarak yang terdapat dalam kategori sangat dekat sebanyak 28 orang sedangkan yang tidak setuju sebanyak 2 orang. Karena di dalam pengujian ini lokasi yang masuk ke dalam kategori sangat dekat adalah lokasi dengan nilai jarak sebesar 2034 meter ke bawah maka sudah banyak responden yang menganggap bahwa jarak sebesar itu memang sudah sangat dekat. Pada Tabel 6, dapat dilihat bahwa jumlah responden yang setuju terhadap jarak yang terdapat pada kategori dekat berkurang menjadi sebanyak 22 orang dengan 8 orang tidak setuju. Hal ini disebabkan karena jarak yang terdapat pada kategori dekat yang ditentukan oleh sistem adalah jarak yang memiliki nilai antara 0 sampai dengan 4000 meter. Pada Tabel 6.13, dapat dilihat bahwa jumlah responden yang setuju bertambah menjadi 24 orang sedangkan 6 orang tidak setuju. Lokasi yang terdapat pada kategori sedang adalah lokasi yang memiliki nilai jarak
sebesar 0 sampai 5500 meter. Dalam
menentukan kriteria jarak tentunya tergantung kepada pendapat dari masing-masing responden namun dapat dilihat pada tabel di atas bahwa
sebagian besar responden sudah setuju dengan kategori jarak yang ditentukan oleh sistem.
Sistem rekomendasi wisata kuliner ini sudah bisa memberikan rekomendasi dalam bentuk peringkat kepada user dengan nilai akurasi yang cukup bagus pada kategori sangat dekat. Namun dalam kategori dekat dan sedang nilai akurasi yang dihasilkan masih rendah. Hal ini disebabkan karena pembobotan yang dimasukan oleh tiap user bisa berbeda-beda tergantung dari keinginan user itu sendiri. Penyebab yang lain adalah sistem akan lebih merekomendasikan lokasi yang memiliki kriteria yang lengkap dibanding lokasi yang tidak memiliki kriteria lengkap. Seperti pada kasus kategori dekat dan sedang bubur abah odil selalu menjadi lokasi peringkat nomor 1 karena memiliki kriteria yang lengkap.
Dengan kekurangan sistem yang sudah disebutkan diatas sistem ini juga memiliki kelebihan tersendiri. Kelebihan yang dimiliki oleh sistem ini adalah sistem ini cukup
membantu user dalam menentukan sebuah
lokasi jika alternatif lokasi yang tersedia lumayan banyak. Seperti pada kasus kategori sedang yang memiliki 20 alternatif.
4. PENUTUP
4.1 Kesimpulan
Hasil pengujian yang telah diperoleh dari perancangan, implementasi dan pengujian yang sudah dilakukan maka didapatkan kesimpulan
bahwa menerapkan metode K-Means Clustering
dan SAW dalam sistem rekomendasi lokasi wisata kuliner tahapan yang perlu dilakukan adalah mendapatkan nilai jarak masing-masing lokasi, menentukan nilai centroid awal secara acak, lalu menghitung nilai eucledian distance
masing-masing centroid, memasukkan data
jarak lokasi ke cluster masing-masing, lalu
menghitung nilai centroid baru, dan
memasukkan kembali data jarak lokasi ke
cluster terdekat, mengecek apakah ada
perpindahan cluster. Jika ada perpindahan maka ulangi proses K-Meansclustering dan jika tidak ada maka masukkan data kategori jarak untuk dihitung dalam metode SAW. Metode SAW dimulai dengan memberi bobot kriteria, menyeleksi data lokasi sesusai kategori jarak yang dipilih, normalisasi nilai setiap kriteria, menghitung nilai preferensi tiap lokasi, dan terakhir mengurutkan nilai preferensi lokasi untuk direkomendasikan. Nilai akurasi dihitung
menggunakan data uji yang didapat dari kuesioner yang disebar ke 30 responden. Perhitungan akurasi dilakukan dengan cara pembagian antara banyak data yang sama dengan yang dihasilkan oleh sistem dengan jumlah seluruh data dikalikan 100%. Pada penelitian ini didapatkan nilai akurasi untuk kategori sangat dekat sebesar 63,33%, kategori dekat sebesar 40%, dan kategori sedang sebesar 46,67%. Nilai kriteria yang dimiliki oleh sebuah lokasi dan nilai bobot yang ditentukan sangat berpengaruh dalam proses pemberian peringkat.
4.2 Saran
Berikut merupakan saran yang dari penulis
yang dapat digunakan dalam penelitian
selanjutnya. Untuk penelitian selanjutnya, peneliti dapat menggunakan atau menambahkan metode lain untuk mengatasi kekurangan metode
K-Means clustering dan SAW. Peneliti dapat
menambahkan kriteria lain dalam rekomendasi lokasi wisata untuk menambah nilai akurasi.
Peneliti dapat menambahkan fitur directions
atau arah untuk memudahkan wisatawan dalam mencari lokasi wisata yang paling optimal.
5. DAFTAR PUSTAKA
ASTRADANTA, M., WIRAWAN, I. M. A. & ARTHANA, I. K. R., 2016.
Pengembangan Sistem Penunjang Keputusan Pemilihan Tempat Kuliner Dengan Menggunakan Metode AHP Dan SAW Studi Kasus : Kecamatan
Buleleng. Kumpulan Artikel Mahasiswa
Pendidikan Teknik Informatika, 5(2).
BESRA, E., 2012. Potensi Wisata Kuliner Dalam mendukung Pariwisata Di Kota
Padang. Jurnal Riset Akutansi Dan
Bisnis, 12(1), pp. 74-101.
DANIATI, E. & NUGROHO, A., 2016. K-Means Clustering With Decision Support System Using SAW. International Conference on Control System, Computing and Engineering, Volume 6, pp. 326-331.
EXSHADI, B. Y. I., SOEBROTO, A. A. & PUTRI, R. R. M., 2013. Sistem Pendukung Keputusan Penentuan Kelayakan Pengisian Bibit Ayam Broiler Dikandang Peternak Menggunakan Metode AHP Dan TOPSIS. Volume 2, p. 10.
JUNIOR, B. F., HIDAYAT, N. & SANTOSO, E., 2015. Pemodelan Sistem Pendukung
Keputusan Pemilihan Line Up Cabang Olahraga Futsal Dengan Metode AHP-TOPSIS. Volume 6, p. 4.
MASRURO, A. & WIBOWO, F. W., 2016. Intelligent Decision Support System For Tourism Planning Using
Integration Model Of K-Means
Clustering And TOPSIS. International
Journal of Advanced Computational
Engineering and Networking, 4(1), pp.
52-57.
NOSA, A. S. & FARUK, M., n.d. Survei Tingkat Kebugaran Jasmani Pada Pemain Persatuan Sepakbola Indonesia Lumajang. p. 1.
NURZAHPUTRA, A., PRANATA, A. R. & PUWINARKO, A., 2017. Sistem Pendukung Keputusan Pemilihan Line-up Pemain Sepak Bola Menggunakan Metode Fuzzy Multiple Attribute Decision Making dan K-Means Clustering. Jurnal Teknologi dan
Sistem Komputer, 5(3), pp. 106-109.
PRATIWI, D., LESTARI, J. P. &
AGUSHINTA, D., 2014. Decision Support System to Majoring High School Student Using Simple Additive
Weighting Method. International
Journal of Computer Trends and
Technology (IJCTT), 10(3), pp.
153-159.
PURNOMO, E. N. S., SIHWI, S. W. & ANGGRAININGSIH, R., 2013. Analisis Perbandingan Menggunakan Metode AHP, TOPSIS,dan AHP-TOPSIS dalam Studi Kasus Sistem Pendukung Keputusan Penerimaan
Siswa Program Akselerasi. Jurnal
ITSMART, Volume 2, pp. 1-23.
PUTRI, S. R., 2015. Sistem Pendukung Keputusan Penerimaan Pegawai Mikro Kredit Sales (MKS) Menggunakan
Metode AHP dan TOPSIS. S1.
RAHMAN, A., n.d. sport.detik.com. [Online]
Available at:
https://sport.detik.com/aboutthegame/u mpan-silang/d-3395922/fenomena- transformasi-posisi-gelandang-serang-di-sepakbola-indonesia
[Accessed Selasa April 2017].
RATNAWATI, D. E., MARJI & LAILIL, M., 2014. PENGEMBANGAN METODE KLASIFIKASI BERDASARKAN
Informasi dan Ilmu Komputer (JTIIK), 1(1), pp. 1-4.
YULIANTI, E. & JUWITA, F., 2016. Sistem Pendukung Keputusan Pemilihan Tempat Kuliner Di Kota Padang Menggunakan Metode Perbandingan
Eksponensial (MPE). Jurnal TEKNOIF,