BAB 2
TINJAUAN PUSTAKA
2.1. Sistem Pendukung Keputusan
Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support Systems (DSS)
pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision Systems (Tampubolon, 2010).
Sistem pendukung keputusan (SPK) dirancang sedemikian rupa sehingga bersifat interaktif dengan pemakainya. Maksud dan tujuan dari adanya SPK, yaitu untuk mendukung pengambil keputusan memilih alternatif keputusan yang merupakan hasil pengolahan informasi - informasi yang diperoleh/tersedia dengan menggunakan model-model pengambil keputusan serta untuk menyelesaikan masalah-masalah bersifat terstruktur, semi terstruktur dan tidak terstruktur (Mulyono, 1996).
2.1.1. Definisi Sistem Pendukung Keputusan
Sistem Pendukung Keputusan (SPK) secara sederhana adalah sebuah sistem yang digunakan sebagai alat bantu menyelesaikan masalah untuk membantu pengambil keputusan (manajer) dalam menentukan keputusan tetapi tidak untuk menggantikan kapasitas manajer namun hanya memberikan pertimbangan. SPK ditujukan untuk keputusan-keputusan yang memerlukan penilaian atau pada keputusan-keputusan yang sama sekali tidak dapat didukung oleh algoritma (Turban & Jay, 1998).
kebijakan, analisis, pengalaman dan wawasan manajer untuk mengambil keputusan yang lebih baik (Manurung, 2012).
2.2. Metode Decision Tree
Pohon keputusan merupakan salah satu metode klasifikasi yang sangat menarik yang melibatkan konstruksi pohon keputusan yang terdiri dari node keputusan yang dihubungkan dengan cabang-cabang dari simpul akar sampai ke node daun (akhir). Pada node keputusan attribut akan diuji, dan setiap hasil akan menghasilkan cabang. Setiap cabang akan diarahkan ke node lain atau ke node akhir untuk menghasilkan suatu keputusan (Larose, 2005).
Setiap cabang dari Decision Tree menunjukkan kemungkinan keputusan.
Struktur pohon menunjukkan bagaimana satu pilihan mengarah kepada pilihan yang selanjutnya, sehingga penggunaan cabang menunjukkan bahwa setiap pilihan memiliki hubungan mutually exclusive. Cabang-cabang terjauh pada strukur pohon
(leaf) menunjukkan hasil akhir keputusan yang diambil (Hilman & Wibisono, 2012).
Pencarian solusi dengan bantuan Decision Tree dimulai dengan mempersiapkan
sekumpulan kasus. Seluruh kumpulan kasus tersebut akan dibagi menjadi 2 (Podgorelec,Kokol, Stiglic & Rozman, 2002), yaitu :
1. Training set, dimana digunakan untuk menginduksi Decision Tree.
2. Testing set, dimana digunakan untuk mengecek akurasi dari solusi yang telah didapatkan.
Kelebihan dari metode Decision Tree adalah (Simarmata, 2005):
1. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.
2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sampel diuji hanya berdasarkan kriteria atau kelas tertentu.
meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional. 4. Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat
banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.
2.2.1. Manfaat Decision Tree
Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang
kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan (Manurung, 2012).
Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variable target. Pohon keputusan memadukan antara eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja (Manurung, 2012).
2.3. Algoritma Iterative Dichotomiser 3 (ID3)
ID3 adalah algoritma Decision Tree learning (algoritma pembelajaran pohon
diimplementasikan menggunakan fungsi rekursif (fungsi yang memanggil dirinya sendiri) (Suyanto, 2007).
2.3.1. Langkah- langkah Algoritma ID3
Penentuan kelayakan menggunakan Algoritma ID3 dapat dilihat dalam contoh kasus berikut. Diketahui data seperti didalam tabel dibawah ini, permasalahan nya adalah bagaimana mendapatkan ketentuan(rule) untuk mencari kelayakan seseorang dalam membeli sebuah motor.
Tabel 2.1. Contoh Data
Umur Pendapatan Pelajar Pinjaman Membeli
Motor
<=16 Tinggi Tidak Tidak Tidak
<=16 Tinggi Tidak Ya Tidak
17..19 Rendah Ya Ya Ya
17..19 Tinggi Tidak Tidak Ya
>19 Sedang Tidak Tidak Ya
>19 Rendah Ya Tidak Ya
>19 Rendah Ya Ya Tidak
Langkah-langkah untuk menentukan ketentuan(rule) dari tabel diatas menggunakan Algoritma ID3 :
1. Tentukan keadaan yang mungkin terjadi dari setiap atribut yang ada pada data.
2. Hitung Entropy awal dengan rumus (Chahal, 2013):
Entropy (S) = −𝑃𝑦𝑒𝑠 ∗ 𝑙𝑜𝑔2 𝑃𝑦𝑒𝑠 − 𝑃𝑛𝑜 ∗ 𝑙𝑜𝑔2 𝑃𝑛𝑜
Keterangan : S = himpunan atribut
𝑃𝑦𝑒𝑠 = atribut yang bernilai “Ya”
3. Hitung Entropy dan Information Gain dari setiap atribut untuk menentukan
5. Ulangi langkah ketiga untuk menentukan node cabang selanjutnnya hingga
seluruh kriteria keputusan digunakan.
Pendapatan
Entropy (Pendapatan = Tinggi) = 0.915 Entropy (Pendapatan = Sedang) = 0 Entropy (Pendapatan = Rendah) = 0.915 Information Gain(Pendapatan) = 0.202
Pelajar
Entropy (Pelajar = Tidak) = 1 Entropy (Pelajar = Ya) = 0.915 Information Gain(Pelajar) = 0.023
Pinjaman
Entropy (Pinjaman= Tidak) = 0.811 Entropy (Pinjaman= Ya) = 0.915 Information Gain(Pinjaman) = 0.131
Hasil Information Gain dari seluruh atribut = Umur = 0.594
Pendapatan = 0.202 Pelajar = 0.023
Pinjaman = 0.131
Karena atribut Umur memiliki nilai Information Gain paling tinggi maka atribut Umur dijadikan node awal, dan Decision Tree nya sebagai berikut :
Gambar 2.1. Node awal Decision Tree
Kemudian hitung Entropy dan Information Gain per atribut untuk menentukan node
cabang dari edge >19.
Jumlah Instance Ya = 2 Jumah Instance Tidak = 1
Pendapatan
Entropy (Pendapatan = Tinggi) = 0 Entropy (Pendapatan = Sedang) = 0 Entropy (Pendapatan = Rendah) = 1 Information Gain(Pendapatan) = 0.319
Pelajar
Entropy (Pelajar = Tidak) = 1 Entropy (Pelajar = Ya) = 0 Information Gain(Pelajar) = 0.319
Pinjaman
Entropy (Pinjaman= Tidak) = 0.915 Entropy (Pinjaman= Ya) = 0 Information Gain(Pinjaman) = 0.376
Hasil Information Gain dari seluruh atribut = Pendapatan = 0.319
Pelajar = 0.319
Pinjaman = 0.376
Karena atribut Pinjaman memiliki nilai Information Gain paling tinggi maka atribut Pinjaman dijadikan node cabang untuk edge >19. Decision Tree nya sebagai berikut :
Dan didapatkan rules dari pohon keputusan diatas:
IF Umur = <=16 THEN beli = Tidak IF Umur = 17..19 THEN beli = Ya
IF Umur = >19^Pinjaman = Tidak THEN beli = Ya IF Umur = <19^Pinjaman = Ya THEN beli = Tidak
2.4. Android
Android adalah sistem operasi berbasis linux yang digunakan untuk telepon seluler/mobile seperti telepon pintar/smartphone dan komputer tablet (PDA). Android
menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi mereka sendiri yang digunakan oleh bermacam piranti bergerak (Ardhana, 2014).
Android didirikan pada tahun 2003 di Palo Alto, California, USA (Kasman, 2013). Pendiri Android adalah Andy Rubin, Rich Miner, Nick Sears dan Chris White. Sejak didirikan sampai saat ini, Android telah berkembang dan memiliki 13 versi sistem operasi,yaitu:
1. Android Beta 2. Android 1.0 3. Android 1.1
4. Android 1.5 (Cupcake) 5. Android 1.6 (Donut) 6. Android 2.0/2.1 (Éclair)
7. Android 2.2 (Froyo : Frozen Yoghurt) 8. Android 2.3 (Gingerbread)
9. Android 3.0/3.1 (Honeycomb)
10. Android 4.0 (ICS : Ice Cream Sandwich) 11. Android 4.1 (Jelly Bean)
12. Android 4.4 (Kitkat) 13. Android 5.0 (Lollipop)
2.4.1. Arsitektur Aplikasi Android
1. Linux kernel, berperan sebagai abstraction layer antara hardware dan
keseluruhan software.
2. Android Runtime, berisi Core Libraries dan Dalvik Virtual Machine. Core Libraries mencakup serangkaian inti library Java. Dalvik Virtual Machine
member kekuatan pada sistem Android dan di optimalkan untuk telepon seluler.
3. Libraries, berisi satu set library-library dalam bahasa C/C++ yang digunakan
oleh berbagai komponen yang ada pada sistem Android. Di dalamnya
meliputi : System C Library, Media Libraries, Surface Manager,
LibWebCore, SGL, 3D Libraries, FreeType, dan SQL Lite.
4. Application Framework, mencakup program untuk mengatur fungsi-fungsi dasar smartphone. Di dalamnya terdapat servis dan sistem yang meliputi:
satu setViews, Content Providers, Resource Manager, Notification Manager
dan Activity Manager.
