Fakultas Ilmu Komputer
Universitas Brawijaya 1617
Implementasi Naïve Bayes dan Weighted Product Dalam Memberi Rekomendasi Hotel Terbaik Saat Berwisata Di Bali
Galih Aulia Rahmadanu1, Edy Santoso2, Sutrisno3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Bali merupakan salah satu destinasi wisata terbaik yang ada di Indonesia. Jumlah wisatawan yang datang ke Bali selalu bertambah 300.00 hingga 500.000 orang setiap tahunnya. Pada tahun 2017 sebesar 62.89%
wisatawan yang berkunjung ke Bali memilih untuk menginap di hotel. Namun berdasarkan salah komentar-komentar yang terdapat disalah satu aplikasi pemesanan hotel terbesar di Indonesia yaitu traveloka masih ditemukan adanya keluhan mengenai hotel yang tidak sesuai dengan ekspektasi wisatawan. Oleh karena itu, pada sistem rekomendasi hotel ini dibuat dengan memperhitungkan nilai untuk setiap poin-poin yang dianggap penting dalam penilaian sebuah hotel. Pada sistem ini digunakan dua metode yaitu Naïve Bayes dan Weighted Product. Metode Naïve Bayes digunakan untuk mengklasifikasikan masukan yang diberikan oleh user kedalam kategori hotel yang ada dan metode Weighted Product digunakan untuk memberikan rekomendasi hotel dengan cara melakukan perangkingan hotel yang paling mendekati kriteria yang diinginkan user. Pada sistem ini terdapat 7 poin penilaian untuk hotel dan hotel dibagi dalam 3 kategori. Hasil pengujian akurasi sistem dengan menggunakan 50 data hotel menghasilkan tingkat akurasi paling baik sebesar 100%.
Kata kunci: hotel, rekomendasi, poin prioritas, Naïve Bayes, Weighted Product Abstract
Bali is one of the best tourist destinations in Indonesia. The number of tourists coming to Bali always increases by 300.00 to 500,000 people every year. In 2017 amounting to 62.89% of tourists visiting Bali chose to stay at the hotel. But based on the wrong comments found in one of the largest hotel booking applications in Indonesia, Traveloka is still found to have complaints about hotels that are not in accordance with tourist expectations. Therefore, the hotel recommendation system is made by calculating the value for each of the points considered important in the assessment of a hotel. In this system two methods are used, namely Naïve Bayes and Weighted Product. The Naïve Bayes method is used to classify the input given by the user into the existing hotel category and the Weighted Product method is used to provide hotel recommendations by doing hotel ranking that is closest to the criteria that the user wants. In this system there are 7 rating points for hotels and hotels divided into 3 categories.
The results of system accuracy testing using 50 hotel data resulted in the best level of accuracy of 100%.
Keywords: Hotels, Recommendations, Priority Points, Naïve Bayes, Weighted Product
1. PENDAHULUAN
Bali merupakan salah satu destinasi wisata terbaik yang ada di Indonesia. Jumlah wisatawan yang datang ke Bali selalu bertambah 300.00 hingga 500.000 orang setiap tahunnya. Pada tahun 2017 sebesar 62.89% wisatawan yang berkunjung ke Bali memilih untuk menginap di hotel. Namun berdasarkan salah komentar- komentar yang terdapat disalah satu aplikasi pemesanan hotel terbesar di Indonesia yaitu
traveloka masih ditemukan adanya keluhan mengenai hotel yang tidak sesuai dengan ekspektasi wisatawan. Oleh karena itu dibutuhkan sebuah sistem rekomendasi hotel yang dapat memberikan rekomendasi hotel dengan memperhitungkan nilai untuk setiap poin-poin yang dianggap penting dalam penilaian sebuah hotel.
Untuk membuat sebuah sistem rekomendasi dibutuhkan pengetahuan mengenai cabang ilmu artificial intelligence khususnya dibidang pendukung keputusan. Sistem
pendukung keputusan atau Decision Support System merupakan sebuah sistem interaktif yang bisa digunakan untuk membantu pengambilan keputusan melalui penggunaan data dan model- model keputusan untuk memecahkan masalah- masalah yang sifatnya semi terstruktur dan tidak terstruktur (Surbakti 2002).
Dengan adanya sistem pendukung keputusan diharapkan dapat membantu masyarakat dalam mengambil keputusan agar mendapatkan hasil yang terbaik dari berbagai pilihan yang ada. Ada banyak metode yang dapat digunakan dalam proses pengolahan data pada sistem pendukung keputusan, salah satunya adalah Weighted Product.
Metode Weighted Product adalah metode yang digunakan dalam menyelesaikan masalah berupa Multiple Atrribute Decision Making (MADM). Dalam hal ini fungsi utama dari MADM adalah untuk menentukan opsi terbaik dari beberapa opsi dengan beberapa parameter yang telah ditentukan (Wicaksono 2013). Dalam penggunaannya metode Weighted Product akan melakukan perkalian untuk menghubungkan rating atribut, setiap rating atribut akan dipangkatkan dengan bobot dari atribut yang berkaitan.
Selain menggunakan metode Weighted Product, digunakan juga Naïve Bayes dalam membantu mengklasifikasikan masukan dari user. Naïve Bayes sendiri merupakan salah satu metode klasifikasi yang efektif dan efisien karena proses pengklasifikasian Naive Bayes bekerja secara independen pada setiap fitur objek yang akan diklasifikasi (Astuti, 2016)
Dalam penelitian ini digunakan dua metode yang telah dijelaskan tadi yaitu, metode pertama adalah Naïve Bayes yang digunakan untuk mengklasifikasikan keinginan user dalam kategori hotel yang diinginkan. Untuk metode kedua adalah Weighted Product untuk melakukan perangkingan hotel terbaik yang sesuai dengan keinginan user.
Metode Weighted Product digunakan karena memilki kelebihan dimana user dapat menentukan hal-hal yang lebih diprioritaskan saat mencari hotel. Tidak seperti sistem filter yang hanya memberi pilihan berdasarkan harga paling murah hingga paling mahal, dengan menggunakan Weighted Product setiap aspek penilaian akan diperhitungkan mulai dari harga, desain kamar, kebersihan, kenyamanan, pelayanan, makanan dan lokasi hotel sehingga hasil yang diberi berupa perangkingan mulai dari hotel yang paling sesuai dengan prioritas user
hingga hotel yang paling jauh dari prioritas user.
Selain itu metode Weighted Product juga digunakan karena metode ini dapat memberikan keluaran berupa perangkingan, sehingga user tetap memiliki beberapa pilihan terbaik dalam memilih hotel yang diinginkan dan tidak terpaku hanya pada satu hotel.
2. LANDASAN KEPUSTAKAAN 2.1 Hotel
Hotel merupakan bangunan berkamar banyak yang disewakan sebagai tempat untuk menginap dan tempat makan orang yang sedang dalam perjalanan, bentuk akomodasi yang dikelola secara komersial, disediakan bagi setiap orang untuk memperoleh pelayanan, penginapan, makan dan minum (kbbi 2016).
Setiap hotel mempunyai pelayanan dan fasilitas yang berbeda-beda, sehingga hotel dapat diklasifikasikan dalam beberapa kategori. Dalam penelitian ini penulis mengklasifikasikan hotel dalam 3 kategori, yaitu :
1. Hotel Standar
Hotel Standar merupakan hotel yang kebanyakan dipilih oleh masyarakat.
Pada umumnya hotel ini berbintang 3 dengan fasilitas yang cukup memadai dan harga yang tidak terlalu mahal berkisar antara Rp.300.000 hingga Rp.500.000. hotel ini cocok untuk wisatawan yang ingin mendapatkan kenyamanan saat menginap namun tidak mengeluarkan biaya terlalu banyak.
2. Hotel Mewah
Hotel mewah merupakan hotel berbintang yang memiliki fasilitas yang luar biasa. Pada umumnya hotel mewah ini berbintang 5 dengan harga diatas Rp.700.000 bahkan hingga jutaan. Hotel ini cocok untuk wisatawan yang ingin merasakan pengalaman menginap yang sangat nyaman dan berkualitas.
3. Hotel Budget
Hotel budget merupakan hotel dengan harga yang terjangkau. Hotel ini biasanya berbintang 3 kebawah namun fasilitas yang ditawarkan hotel ini biasanya kurang lengkap. Hotel ini cocok untuk orang yang ingin berwisata dengan modal terbatas.
Pada penelitian ini setiap hotel dinilai dari 7 poin berdasarkan ulasan dari aplikasi traveloka.
Poin ini yang nantinya akan menjadi masukan bagi user dalam menentukan kriteria hotel yang diinginkannya. Tujuh poin prioritas itu berupa :
1. Harga hotel 2. Desain kamar 3. Kebersihan 4. Kenyamanan 5. Pelayanan 6. Makanan 7. Lokasi
2.2 Sistem Pendukung Keputusan
Sistem pendukung keputusan atau Decision Support System merupakan bagian dari sistem informasi berbasis komputer termasuk sistem berbasis pengetahuan atau manajemen pengetahuan yang dipakai untuk mendukung pengambilan keputusan individu atau dalam suatu organisasi (Antoni 2014).
Dapat dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi- terstruktur yang spesifik sehingga keluaran dari sistem ini dapat digunakan untuk membantu seseorang atau organisasi dalam mengambil keputusan yang terbaik dari opsi-opsi yang ada.
2.3 Naïve Bayes
Naïve Bayes merupakan sebuah metode yang digunakan dalam klasifikasi menggunakan probabilitas dan statistik. Metode ini dikemukakan oleh seorang ilmuan asal Inggris bernama Thomas Bayes. Metode ini salah satu metode yang sangat baik dalam klasifikasi.
Metode ini dapat memprediksi peluang yang ada dimasa depan berdasarkan pengalaman data yang sudah ada sebelumnya. Oleh karena itu Naïve Bayes memiliki asumsi yang sangat kuat akan independensi dari masing-masing kondisi.
Salah satu keunikan dari Naïve Bayes adalah memiliiki fitur independen, hal ini dikarenakan metode Naïve Bayes dapat menjalankan penalaran dengan menggunakan nilai probabilitas, sehingga metode Naïve Bayes tidak membutuhkan fitur lainnya. Hal ini yang menjadi alasan kenapa penulis menggunakan metode Naïve Bayes dalam mengklasifikasikan hotel berdasarkan masukan user yang disesuaikan dengan data latih yang sudah ada sebelumnya.
Rumus Naïve Bayes dapat dilihat pada Persamaan 1
𝑃(𝐻|𝐸) =𝑝(𝐸|𝐻)∗𝑝(𝐻) 𝑝(𝐸) (1) Keterangan :
P(H|E) = Probabilitas berdasarkan kondisi H terjadi jika diserahkan bukti (E) yang terjadi
P(E|H) = Probabilitas berdasarkan suatu bukti (E) yang terjadi akan mempengaruhi suatu kondisi (H)
P(H) = Probabilitas hipotesis atau probabilitas kondisi
P(E) = Probabilitas bukti (Evidence) 2.4 Wighted Product
Weighted Product adalah sebuah metode yang digunakan dalam memecahkan masalah mengenai Multi Attribute Decision Making (MADM). Weighted Product merupakan sebuah metode yang dapat membantu dalam memberikan pilihan terbaik dari berbagai opsi yang ada berdasarkan kriteria yang sudah dimasukkan oleh user. Metode Weighted Product tidak memerlukan proses normalisasi data, dikarenakan metode Weighted Product menggunakan perkalian untuk menghubungkan setiap atribut dimana rating harus dipangkatkan terlebih dahulu dengan bobot atribut yang bersangkutan. Terdapat beberapa langkah dalam mengaplikasi metode Weighted Product yang dapat dilihat pada Persamaan 2, 3 dan 4.
𝑊𝑗 = WInitj
Σj=1W Init j(2) 𝑆𝑖 = Π𝑗=1𝑛 𝑋𝑖𝑖𝑗𝑊𝑗(3)
𝑉𝑗𝑛 = 𝑆𝑖
∑𝑚𝑗=1𝑆𝑖 (4) Keterangan :
W = Bobot dari kriteria S = Nilai preferensi alternatif
diumpamakan dengan vektor S V = Nilai preferensi kriteria berdasarkan
beberapa kriteria di umpamakan dengan vektor V
i = Alternatif j = Kriteria
n = Banyaknya Kriteria x = Data Kriteria
3. PERANCANGAN
Dalam penelitian ini digunakan dua metode dalam mengolah data yang dimasukkan oleh aktor. Metode pertama adalah Naïve Bayes. Pada saat poin prioritas dimasukkan, pertama data akan diproses menggunakan metode Naïve Bayes untuk mengklasifikasikan masukan poin prioritas yang diberikan oleh aktor, berdasarkan hasil klasifikasi tersebut dapat dilihat apakah hotel yang dicari oleh aktor termasuk dalam kategori hotel budget, hotel standar atau hotel mewah. Selanjutnya data masukan akan dibandingkan dengan data latih yang sudah ada menggunakan metode Weighted Product.
Naïve Nayes digunakan untuk melakukan pengklasifikasian terhadap masukan yang sudah diberikan oleh user. Dari poin-poin prioritas yang sudah dimasukkan, sistem akan mengklasifikasikan kedalam 3 kategori hotel.
Untuk lebih jelas mengenai perhitungan Naïve Bayes dapat dilihat pada Gambar 1.
Weighted Product digunakan untuk memberikan rekomendasi terbaik sesuai dengan masukan poin prioritas yang diberikan oleh user.
Hasil yang didapat dari Weighted Product berupa urutan perangkingan rekomendasi hotel.
Untuk lebih jelas mengenai perhitungan Weighted Product dapat dilihat pada Gambar 2.
Gambar 1. Alir Pengklasifikasian Naïve Bayes
Gambar 2. Alir Proses Perhitungan Weighted Product
4. HASIL ANALISIS 4.1 Pengujian Akurasi Sistem
Pengujian hasil akurasi sistem ini dilakukan percobaan sebanyak 3 kali. Pada pengujian akurasi sistem 1 nilai yang dimasukkan untuk setiap poin-poin prioritas adalah P1=2, P2=4, P3=5, P4=5, P5=3, P6=2 dan P7=3.Berdasarkan pengujian yang sudah dilakukan pada pengujian 1, hasil dari analisis dengan membandingkan poin-poin prioritas yang dimasukkan oleh user dengan poin yang dimiliki dari 5 hotel teratas dari hasil perangkingan Weighted Product didapatkan hasil pada rangking pertama sebesar 100%, pada rangking kedua sebesar 85%, pada rangking ketiga sebesar 85%, pada rangking keempat sebesar 85% dan rangking kelima sebesar 85%. Grafik hasil analisis pengujian akurasi sistem pada pengujian 1 dapat dilihat pada Gambar 3.
Gambar 3. Hasil Pengujian Akurasi Sistem 1 Pada pengujian akurasi sistem 2 nilai yang dimasukkan untuk setiap poin-poin prioritas adalah P1=4, P2=2, P3=3, P4=3, P5=1, P6=1 dan P7=3. Sementara pada pengujian 2, hasil dari analisis dengan membandingkan poin-poin prioritas yang dimasukkan oleh user dengan poin yang dimiliki dari 5 hotel teratas dari hasil perangkingan Weighted Product didapatkan hasil pada rangking pertama sebesar 85%, pada rangking kedua sebesar 85%, pada rangking ketiga sebesar 100%, pada rangking keempat sebesar 100% dan rangking kelima sebesar 100%. Grafik hasil analisis pengujian akurasi sistem pada pengujian 1 dapat dilihat pada Gambar 4.
75%
80%
85%
90%
95%
100%
105%
Akurasi
Gambar 4. Hasil Pengujian Akurasi Sistem 2 Pada pengujian akurasi sistem 3 nilai yang dimasukkan untuk setiap poin-poin prioritas adalah P1=5, P2=1, P3=1, P4=2, P5=1, P6=1 dan P7=1. Lalu pada pengujian 3, hasil dari analisis dengan membandingkan poin-poin prioritas yang dimasukkan oleh user dengan poin yang dimiliki dari 5 hotel teratas dari hasil perangkingan Weighted Product didapatkan hasil pada rangking pertama sebesar 85%, pada rangking kedua sebesar 100%, pada rangking ketiga sebesar 100%, pada rangking keempat sebesar 85% dan rangking kelima sebesar 100%.
Grafik hasil analisis pengujian akurasi sistem pada pengujian 1 dapat dilihat pada Gambar 5.
Gambar 5. Hasil Pengujian Akurasi Sistem 3
4.2 Pengujian Akurasi Sistem
Pengujian perbandingan Naïve Bayes dan Weighted Product dilakukan sebanyak 3 kali.
Pada pengujian perbandingan hasil Naïve Bayes dan Weighted Product 1 nilai yang dimasukkan untuk setiap poin-poin prioritas adalah P1=2,
P2=4, P3=5, P4=5, P5=3, P6=2 dan P7=3.
Pada pengujian perbandingan Naïve Bayes dan Weighted Product 2 nilai yang dimasukkan untuk setiap poin-poin prioritas adalah P1=4, P2=2, P3=3, P4=3, P5=1, P6=1 dan P7=3.
Pada pengujian perbandingan Naïve Bayes dan Weighted Product 3 nilai yang dimasukkan untuk setiap poin-poin prioritas adalah P1=5, P2=1, P3=1, P4=2, P5=1, P6=1 dan P7=1.
Berdasarkan 3 pengujian yang telah dilakukan didapatkan hasil analisis yang berbeda-beda. Pada pengujian perbandingan Naïve Bayes dan Weighted Product 1 hasil analisisnya adalah sebesar 100%. Sementara pada pengujian perbandingan Naïve Bayes dan Weighted Product 2 hasil analisisnya hanya sebesar 40%. Dan pada pengujian perbandingan Naïve Bayes dan Weighted Product 3 hasil analisisnya adalah sebesar 80%. Untuk lebih jelasnya hasil analisis perbandingan Naïve Bayes dan Weighted Product pad setiap pengujian dapat dilihat pada Gambar 6.
Gambar 6. Hasil Pengujian Analisis Perbandingan Naïve Bayes dan Weighted Product
5. PEMBAHASAN
Berdasarkan 3 pengujian yang telah dilakukan didapatkan rata-rata akurasi sistem untuk memberi rekomendasi hotel yang sesuai dengan poin-poin prioritas yang dimasukkan oleh user adalah 88%, 94% dan 94%. Grafik hasil rata-rata analisis pengujian akurasi sistem dapat dilihat pada gambar 7. Urutan pengurutan antara 5 hotel teratas tidak menentukan hotel yang berada diurutan pertama selalu memiliki akurasi 100% dan sebaliknya. Hal ini dapat disebabkan oleh berbagai faktor misalnya seperti poin makanan pada hotel yang berada diurutan pertama satu poin lebih rendah dengan poin prioritas yang dimasukkan oleh user, namun untuk poin yang lain hotel diurutan pertama ini jauh lebih baik.
75%
80%
85%
90%
95%
100%
105%
Akurasi
75%
80%
85%
90%
95%
100%
105%
Akurasi
0%
50%
100%
150%
Pengujian 1 Pengujian 2 Pengujian 3
Hasil
Gambar 7 Hasil Rata-Rata Pengujian Akurasi Sistem
Sementara untuk pengujian analisis perbandingan Naïve Bayes dan Weighted Product hasil klasifikasi Naïve Bayes untuk poin prioritas yang dimasukkan oleh user tidak selalu sama dengan hasil 5 perangkingan teratas dari Weighted Product. Dapat diambil kesimpulan bahwa kategori hotel tidak selalu menentukan hasil rekomendasi hotel. Hal ini disebabkan oleh berbagai faktor misalnya hasil klasifikasi Naïve Bayes dari poin prioritas yang diinputkan oleh user adalah kategori standar, namun terdapat hotel X dengan kategori budget yang memiliki nilai lebih bagus dari pada beberapa hotel dengan kategori standar. Hal ini tentu menjadi pertimbangan untuk merekomendasikan hotel X tersebut meskipun memiliki kategori yang berbeda dengan hasil klasifikasi kategori hotel yang dicari oleh user.
6. KESIMPULAN DAN SARAN 6.1 Kesimpulan
Berdasarkan penelitian implementasi Naïve Bayes dan Weighted Product dalam memberi rekomendasi hotel terbaik saat berwisata di Bali dapat diambil kesimpulan yaitu pengujian akurasi sistem dengan membandingkan 7 poin prioritas sebagai masukan dari user dan poin yang dimiliki oleh 5 hotel teratas menghasilkan akurasi rata-rata sebesar 88%, 94% 94%.
Pengujian akurasi sistem tidak selalu mendapatkan hasil 100% dikarenakan berbagai macan faktor diantaranya karena setiap hotel memiliki poin yang berbeda-beda, namun hasil rekomendasi yang diberikan oleh sistem akan selalu mendekati kriteria hotel yang dicari oleh user. Untuk hasil akurasi dengan angka rata-rata 85% hingga 100% dapat disimpulkan bahwa sistem rekomendasi hotel yang dibuat sudah baik.
Selain itu perbandingkan hasil klaisifkasi
Naïve Bayes dengan hasil pengurutan Weighted Product tidak selalu berbanding lurus. Pada 3 pengujian yang telah dilakukan hasil yang didapatkan adalah 100% pada pengujian pertama, 40% pada pengujian kedua dan 80%
pada pengujian ketiga. Hal ini dikarenakan kategori hotel tidak selalu menentukan kualitas dari setiap hotel. Terkadang ada hotel dengan kategori budget namun memiliki fasilitas dan pelayanan yang bagus seperti hotel dengan kategori diatasnya.
6.1 Saran
Jika ada pengembangan mengenai penelitian ini diwaktu yang akan datang penulis menyarankan pengembangan sistem rekomendasi hotel dapat mempertimbangkan jarak antara lokasi hotel dan tempat wisata terdekat sebagai salah satu tambahan poin penilaian dalam pencarian hotel. Pengembangan sistem rekomendasi hotel dapat ditambahkan dengan fitur map agar lebih memudahkan user dalam melihat lokasi hotel. Pengembangan sistem rekomendasi hotel dapat menggunakan metode lain yang mungkin bisa menghasilkan akurasi yang lebih baik.
7. DAFTAR PUSTAKA
Aruan, Antoni. 2014. Sistem Pendukung Keputusan Pemilihan Asuransi Jiwa Menggunakan Metode Fuzzy Multi Criteria Decision Making. Medan. STMIK Budidarma
Chairi, Alfian. Rekyan Regasari Mardi Putri dan Lutfi Fanani. 2018. Rekomendasi Tempat Wisata Kota Malang Menggunakan Metode Profile Matching dan Saran Rute Menggunakan Floyd Warshall Berbasis Android. Malang. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya.
Dinas Pariwisata Pemerintah Provinsi Bali.
2018. Statistik – Dinas Pariwisata.
http://www.disparda.baliprov.go.id/id/Stat istik4. Diakses pada 15 Juli 2018.
Fitria, Yayuk Wiwin Nur. Nurul Hidayat dan Marji. 2018. Implementasi metode Weighted Product – Certainty Factor untuk Diagnosa Penyakit Malaria. Malang.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya.
84%
86%
88%
90%
92%
94%
96%
Pengujian 1 Pengujian 2 Pengujian 3
Hasil
Herli, Audrey Maximillian. Indra Kharisma Raharjana dan Purbandini. 2015. Sistem Pencarian Hotel Berdasarkan Rute Perjalanan Terpendek dengan Mempertimbangkan Daya Tarik Wisata Menggunakan Algoritma Greedy.
Surabaya. Universitas Airlangga.
Kartika, Jodi Irjaya. Edy Santoso dan Sutrisno.
2017. Penentuan Siswa Berprestasi Menggunakan Metode K-Nearest Neighbor dan Weighted Product (Studi Kasus : SMP Negeri 3 Mejayan). Malang.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya.
Manason, Paul. Edy Santoso dan Tibyani. 2018.
Sistem Pakar Diagnosis Penyakit Gigi dan Mulut Menggunakan Metode Naïve Bayes – Weighted Product. Malang. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya.
Pemerintah Provinsi Bali. 2016. Bali &
Pariwisata.
http://www.baliprov.go.id/v1/balipariwisa ta. Diakses pada 15 Juli 2018.
Primanda, Putra Aditya. Edy Santoso dan Tri Afrianto. 2018. Pemilihan Kost di Sekitar Universitas Brawijaya menggunakan Metode Analitycal Hierarchy Process (AHP) dan Simple Additvie Weighting (SAW). Malang. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya.
Rahmi, M. 2014. Sistem Pendukung Keputusan Rekomendasi Pemilihan Hotel dengan Multi Attribute Decision Making (MADM).
Riau. Universitas Islam Negeri Sultan Syarif Kasim.
Rivani, Fauzi. Dahnial Syauqy dan Mochammad Hannast Hanafi. 2017. Implementasi Naïve Bayes pada Embedded System untuk Menentukan Status Gizi Bayi. Malang.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya.
Wulandari, Tawang. Marji dan Lailil Muflikhah.
2018. Klasifikasi Jenis Kanker Berdasarkan Struktur Protein Menggunakan Algoritma Naïve Bayes.
Malang. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya.
Yanuar, Rajif Agung. 2017. Sistem Rekomendasi Pemilihan Hotel dengan Case Based Reasoning. Lampung. Institut Teknologi Sumatera.
