LAPORAN UAS SISITEM PENDUKUNG KEPUTUSAN
DOSEN PENGAMPU :Lutfi Hakim, S.Pd., M.T.
Disusun Oleh
Fitri Widya Handayani (362155401021)
PROGRAM STUDI TEKNOLOGI REKAYASA PERANGKAT LUNAK JURUSAN BISNIS DAN INFORMATIKA
POLITEKNIK NEGERI BANYUWANGI
TAHUN 2024
1. Pada topik Project-based learning (PBL), anda diminta untuk mengerjakan proyek berkaitan dengan sistem pendukung keputusan berdasarkan data masing-masing kelompok. Dengan menggunakan data tersebut, Anda diminta untuk merancang sebuah sistem pendukung
keputusan yang dapat membantu dalam mengoptimalkan permasalahan yang terjadi. Deskripsikan langkah-langkah yang akan Anda ambil dalam membangun sistem pendukung keputusan ini, termasuk tahapan pengumpulan data, pemrosesan, pemilihan model dan pengujiannya.
Penjelasan tersebut lengkap dengan syntax kode dan hasil pengujiannya. Jelaskan juga bagaimana Anda akan mengevaluasi keefektifan dan kehandalan sistem pendukung keputusan yang telah Anda bangun!
2. Kembangkan sebuah sistem klasifikasi atau klasaterisasi dengan ketentuan sebagai berikut:
a. Sistem harus dapat menerima data input
b. Data input yang digunakan dengan mengambil data pada atau pada situs lainnya (dimungkinkan dengan data yang dimiliki sendiri) dengan topik pada bidang kesehatan, pertanian, pariwisata atau tata Kelola kota dengan tipe data CSV
c. Dilakukan pre-processing data sesuai dengan kebutuhan data dan output sistem d. Sistem harus menampilkan hasil atau output dari metode yang dipilih
e.
Jika dibutuhkan, sistem dapat menampilkan visualisasi data pendukung output
f. Bisa menggunakan metode k-NN (klasifikasi) atau K-Means clustering (Klasterisasi) atau metode lain yang dirasa bagus dengan menggunakan source code native (tidak pakai library) g. Adanya evaluasi sistem menggunakan metode cross validation (nilai tambah)
JAWABAN :
1. Tahapan Pengumpulan data yang saya gunakan :
a. Pada tahapan pertama saya mengambil data dan menghitungnya dengan menggunakan excel terlebih dahulu kemudian setelah itu saya mengimplementasikan ke dalam phyton menggunakan anaconda.
Berikut adalah data yang saya hitung dan saya kumpulkan pada excel :
Analisa :
Gambar diatas adalah metode perhitungan moora data PBL dengan menggunakan excel, yang pertama adalah menentukan normalisasi dari metode moora dengan menggunakan rumus SQRT (nilai kriteria) mulai dari C1 di pangkatkan 2 kemudian di tambah di
pangkatkan lagi sama seperti cara sebelumnya sampai nilai kriteria A6 apabila sudah maka
hasil akan muncul, kemudian setelah itu mencari nilai yi dan perankingan dengan rumus
mencari yi yaitu dengan menambahkan nilai normalisasi C1 sampai C4 maka akan muncul hasil otomatis, selanjutnya setelah itu mencari nilai perankingan dengan rumus RANK dengan menghitung nilai MAX dan MIN nya menggunakan rumus
=RANK(L16,$L$16:$L$21,0) maka akan muncul hasil ranking seperti pada gambar diatas, setelah itu tinggal diimplementasikan ke dalam phyton.
b. Langkah – Langkah pengumpulan data : a. Data Understanding
Secara garis besar, data understanding dipakai untuk memeriksa data sehingga dapat mengidentifikasi masalah pada data yang kita dapatkan. Tahapan ini memberikan pondasi analitik untuk sebuah penelitian dengan membuat ringkasan (summary) dan mengidentifikasi potensi masalah dalam data.
Proses data understanding antara lain:
1. Identifikasi “titik sentuh” data dengan proses bisnis 2. Penentuan sumber utama data dan cara aksesnya 3. Asesmen nilai tambah bisnis dari data
4. Identifikasi sumber data tambahan untuk perbaikan
b. Data Preparation
Data preparation atau data preprocessing adalah proses mengumpulkan,
menggabungkan, menyusun, dan mengatur data sehingga bisa dipakai dalam aplikasi business intelligence (BI), analitik, dan visualisasi data. Komponen data preparation seringkali melibatkan pengumpulan data dari sistem internal dan sumber eksternal yang berbeda.
Secara sederhana, data preparation adalah teknik yang digunakan untuk mengubah data mentah dalam format yang berguna dan efisien. Hal ini diperlukan karena data mentah sering kali tidak lengkap dan memiliki format yang tidak konsisten, apalagi jika berasal dari kumpulan yang berbeda.
Tahap Persiapan Data Setiap perusahaan perlu menyaring wawasan yang diperoleh dari proses ekstraksi data yang dikumpulkan.
Agar proses penyaringan dapat berjalan maksimal, data harus disiapkan terlebih dahulu melalui beberapa tahap.
Ada banyak variasi dalam tahap persiapan data oleh ilmuwan data profesional dan vendor perangkat lunak, namun prosesnya biasanya mencakup:
1. Pengumpulan Data Tahap persiapan data pertama adalah pengumpulan data yang relevan dari sistem operasi.
2. Penemuan dan Pembuatan Data Data Langkah selanjutnya adalah memeriksa data yang dikumpulkan untuk lebih memahami informasi yang dikandungnya.
3. Pembersihan Data Selanjutnya, perbaiki data yang tidak akurat dan bermasalah untuk menghasilkan kumpulan data yang lengkap dan akurat.
4. Memformat Data Format model data Anda dan atur data Anda untuk memenuhi kebutuhan analisis Anda.
5. Kombinasi dan Analisis Data Selain organisasi terstruktur, data biasanya perlu diubah menjadi bentuk yang dapat digunakan dengan menggabungkan, memisahkan, atau mengumpulkan kumpulan masukan.
6. Validasi dan Penerbitan Data Pada tahap akhir persiapan data ini, rutinitas otomatis diterapkan pada data untuk memverifikasi konsistensi, kelengkapan, dan
keakuratannya.
c. Metode pengumpulan data yang saya gunakan :
Pada metode pengumpulan data yang saya guankan saya mengambil metode moora sebagai pengujian data saya karena pada metode tersebut lebih akurat dengan project pbl saya, berikut adalah source kode pengimplementasian pengumpulan data saya menggunakan phyton dengan aplikasi anaconda beserta penjelasan analisanya :
3. Metode Moora
➢ Metode moora dengan perhitungan menggunakan excel
- Analisa :
Gambar diatas adalah metode perhitungan moora data PBL dengan menggunakan excel, yang pertama adalah menentukan normalisasi dari metode moora dengan menggunakan rumus SQRT (nilai kriteria) mulai dari C1 di pangkatkan 2 kemudian di tambah di pangkatkan lagi sama seperti cara sebelumnya sampai nilai kriteria A6 apabila sudah maka hasil akan muncul, kemudian setelah itu mencari nilai yi dan perankingan dengan rumus mencari yi yaitu dengan menambahkan nilai normalisasi C1 sampai C4 maka akan muncul hasil otomatis, selanjutnya setelah itu mencari nilai perankingan dengan rumus RANK dengan menghitung nilai MAX dan MIN nya menggunakan rumus =RANK(L16,$L$16:$L$21,0) maka akan muncul hasil ranking seperti pada gambar diatas, setelah itu tinggal diimplementasikan ke dalam phyton.
Pengimplementasian metode moora ke dalam phyton menggunakan data PBL
➢ Membuat label untuk benefit dan cost
- Analisa : Gambar diatas mendefinisikan bahwa membuat label untuk benefit dan cost dengan menggunakan matriks pada phyton dengan memasukkan data benefit, cost, serta label yang
berisi banyaknya kriteria, kemudian memasukkan Numpy untuk membuat nilai array kemudia nilai tersebut di print atau di cetak untuk mengetahui hasil bilangan matriks tadi, dan setelah berhasil di run akan menampilkan hasil seperti output pada gambar dibawah ini.
Output :
- Analisa : Gambar diatas adalah output dari hasil print bilangan matriks yang sebelumnya sudah dihitung benefit,cost serta label yang berisi kriteria menggunakan phyton dan
menampilkan bilangan seperti pada gambar di atas.
➢ Normalisasi matrix sesuai dengan persamaan
- Analisa : Selanjutnya setelah mengetahui hasil bilangan matriks kemudian menormalisasi bilangan matriks tersebut sesuai dengan persamaan, dengan membuat fungsi untuk menerima parameter berupa 2d array, kemudian fungtion tersebut di normalization agar menerima matriks sebagai input untuk mengembalikan matriks yang telah di normalisasi, dan kemudia melakukan looping pada nilai kriteria per baris, kemudian menghitung jumlah nilai kuadrat untuk setiap baris dalam matriks, dan kemudian membagi nilai asli bilangan matrix dengan hasil akar dari penjumlahan tadi, setelah itu hasilnya dicetak bersama dengan matrix yang sudah di normalisasi atau hasil normalisasi matrix pada nilai moora, ketika berhasil akan menampilkan output seperti pada gambar di bawah ini.
Output :
- Analisa : Gambar di atas adalah hasil output dari hasil penjumlahan, pembagian bilangan asli matrix dengan kuadrat yang berhasil diprint.
➢ Kalkulasi skor normalisasi
- Analisa : Gambar diatas mendefinisikan kalkulasi skor normalisasi terbobot artinya yaitu dari hasil normalisasi matriks tadi akan dihitung skor normalisasi terbobotnya sesuai dengan setiap alternatif, kemudian hasilnya di cetak bersama dengan matriks keputusan yang dinormalisasi, nilai moora, dan jumlah nilai kuadrat per baris.
Output :
Analisa : Gambar di atas adalah output dari hasil menghitung jumlah
nilai yang dinormalisasikan dengan terbobot untuk setiap alternatif nya.
➢ Implementasi menghitung nilai
- Analisa : Pada gambar diatas terdapat code “def optimize_value yang artinya adalah
mengambil nilai matrix berbobot w_matrix dan daftar label untuk setiap kriteria, yang mana kriteria tersebut menormalisasikan matrix, dan menentukan apakah setiap kriteria
berkontribusi pada nilai benefit berdasarkan nilai moora, hasilnya mencakup nilai dan label moora yang telah di tentukan, dan aka menampilkan output seperti pada gambar di bawah ini. Output :
- Analisa : Gambar diatas adalah hasil output dari pengambilan nilai berbobot dan daftar label untuk setiap kriteria yang mana setiap kriteria mencakup nilai benefit berdasarkan nilai moora.
➢ Menentukan perankingan pada metode moora
- Analisa : Gambar diatas mendefinisikan bahwa code yang telah ditentukan atau di optimalkan sebelumnya dimasukkan kedalam library phyton, selanjutnya memasukkan data- data study kasus pada code label seperti kriteria, cost,benefit serta nilai bobot nya, kemudian membuat sebuah fungtion yang berguna untuk menerima parameter berupa array 2d, fungtion tersebut akan melakukan looping nilai kriteria per baris yang dijumlahkan dan di akar pankat 2, melakukan looping nilai alternatif per kolom yang dibagi dan di akar pangkat 2 dari hasil penjumlahan nilai kriteria, dan memasukkan hasil normalisasi nilai matriks.
- Analisa : Setelah memasukkan nilai normalisasi matriks selanjutnya adalah menentukan perankingan dengan menghitung nilai benefit dan cost dengan rumus max-min seperti code pada gambar di atas dan setelah di ru maka akan menampilkan hasil rangking dari metode moora hasil output nya seperti pada gambar di bawah ini.
Output :
- Analisa : Gambar diatas adalah hasil perhitungan jumlah rangking alternatif pada data pbl saya yang berhasil di hitung.
- Pembahasan :
Multi-Objective Optimization by Ratio Analysis (MOORA) adalah salah satu metode yang dapat digunakan untuk membantu proses pengambilan keputusan dalam SPK. Metode MOORA dikembangkan pertama kali oleh Brauers yang menerapkannya dalam proses pengambilan keputusan dengan multi- kriteria.
MOORA dikembangkan oleh Belkhir dan Zighed dari Universitas Pierre Mendes di Prancis dan digunakan untuk mengatasi masalah multi-kriteria dan memberikan solusi yang optimal dengan menggabungkan analisis ratio dan metode optimisasi.
kombinasi metode MOORA dengan metode lain dapat meningkatkan akurasi dan keandalan hasil analisis dalam mengambil keputusan.
• Kelebihan Moora :
a. Berikutnya yang harus anda ketahui adalah beberapa hal yang menjadi kelebihan dari metode kompleks yang satu ini, Adapun beberapa kelebihan dari metode ini adalah sebagai berikut:
b.
c. Metode ini memerlukan banyak data yang akurat dan valid.
d. Metode ini memerlukan waktu yang cukup lama untuk menentukan bobot kriteria dan alternatif terbaik.
e. Metode ini memerlukan bantuan dari pakar untuk menentukan bobot kriteria dan skor alternatif.
f. Metode ini kadang-kadang kurang efektif dalam mengatasi ketidakpastian yang ada dalam data.
g. Nah jadi itu adalah beberapa hal yang menjadi kelebihan dari Metode MOORA dan dengan menggabungkan metode yang satu ini dengan beberapa rekomendasi metode yang sebelumnya juga telah admin sebutkan dapat membuat hasil pengambilan keputusan anda menjadi lebih mampu diandalkan.
• Kekurangan Moora :
a. Metode ini memerlukan waktu yang cukup lama untuk menentukan bobot kriteria dan mengevaluasi alternatif.
b. Metode ini memerlukan biaya yang cukup tinggi untuk melakukan analisis.
c. Metode ini tidak dapat digunakan untuk mengatasi masalah yang memiliki kriteria yang sangat subjektif.
d. Metode ini juga tidak dapat mengatasi masalah yang memiliki kriteria yang sangat kompleks.
• Langkah – langkah metode moora
a. Identifikasi kriteria: Dalam langkah ini, kita harus menentukan kriteria yang akan digunakan untuk mengevaluasi alternatif. Kriteria yang digunakan harus sesuai dengan masalah yang akan dipecahkan.
b. Bobotkan kriteria: Langkah ini dilakukan untuk memberikan bobot pada setiap kriteria yang telah ditentukan. Bobot yang diberikan akan digunakan untuk menentukan nilai ratio setiap alternatif.
c. Hitung nilai ratio: Dalam langkah ini, kita akan menghitung nilai ratio setiap alternatif untuk setiap kriteria yang telah ditentukan.
d. Nilai ratio ini akan digunakan untuk menentukan alternatif terbaik.
e. Hitung nilai total ratio: Langkah ini dilakukan untuk
menjumlahkan nilai ratio setiap alternatif dari setiap kriteria.
Hasil dari penjumlahan ini akan digunakan untuk mengurutkan alternatif.
f. Urutkan alternatif: Langkah ini dilakukan untuk mengurutkan alternatif berdasarkan nilai total ratio yang telah dihitung sebelumnya. Alternatif dengan nilai total ratio tertinggi akan dianggap sebagai alternatif terbaik.
g. Evaluasi hasil: Langkah ini dilakukan untuk mengevaluasi hasil yang didapat dari metode MOORA. Jika diperlukan, lakukan iterasi untuk mengevaluasi hasil dan perbaiki bobot kriteria sesuai kebutuhan.
h. Ambil keputusan: Langkah terakhir adalah untuk mengambil keputusan berdasarkan alternatif terbaik yang telah dipilih.
2.
Metode Klasterisasi
Data yang saya ambil adalah data set dari rasio saran kesehatan mulai dari tahun 2019 sampai tahun 2020
- Klasterisasi menggunakan excel dengan dataset rasio Kesehatan :
- Implementasi metode klasifikasi kedalam phyton
Pada gambar dibawah ini saya mengimplementasikan metode
klasifikasi menggunakan phyton, menggunakan Euclidean distance,
Euclidean sering digunakan sebagai metrik jarak dalam algoritma
clustering (pengelompokan) atau dalam algoritma k-nearest
neighbors (K-NN) untuk menentukan keanggotaan suatu data
terhadap kelas atau kelompok tertentu berdasarkan jaraknya
terhadap data pelatihan.
- Implementasi klasteriasi kedalam phyton Klasterisasi :
Gambar dibawah adalah hasil implementasi menggunakan phyton dari hasil perhitungan data set yang sebelumnya telah saya hitung pada excel menggunakan rumus SQRT kemudian data-data tersebut saya masukkan kedalam phyton dan hasilnya seperti pada gambar dibwah ini :
Hasil :
Gambar diatas adalah hasil dari implementasi metode klasterisasi.
