BAB 3 PEMBAHASAN 3.1 Analisis Kebutuhan Perangkat · PDF fileDFD level 1 pada Gambar 3.2 menggambarkan beberapa ... ERD digunakan untuk menggambarkan hubungan antara ... Berikut merupakan

BAB 3

PEMBAHASAN

3.1 Analisis Kebutuhan Perangkat Lunak

3.1.1 Data Flow Diagram(DFD)

Data Flow Diagram (DFD) adalah gambar aliran informasi yang terlibat dalam

suatu proses. DFD mendeskripsikan suatu proses yang umum menjadi proses yang

detail dan spesifik. Dalam sistem Pendukung keputusan penentuan tujuan wisata

menggunakan logika fuzzy dengan metode clustering, DFD untuk calon wisatawan

dan administrator-nya dapat digambarkan sebagai berikut:

Gambar 3. 1Context Diagram

Dalam sistem ini pengguna dibedakan menjadi dua, yaitu:

1. Administrator: memiliki hak akses penuh untuk memasukkan, mengubah

dan menghapus data admin. Data-data admin tersebut adalah data hotel,

data restoran, data tempat wisata, data lokasi, data type kamar dan data

tarif hotel

2. Sedangkan user atau calon wisatawan: bisa melihat informasi yang

disediakan serta dapat melakukan kosultasi wisata. Pada saat melakukan

konsultasi wisata, calon wisata memberikan input-an fuzzy berupa lama

liburan dan biaya. System akan memproses input-an tersebut dan

memberikan output system yang terdiri dari informasi tentang hotel,

restoran dan tempat wisata yang dapat dikunjungi oleh calon wisata.

Universitas Sumatera Utara

Dari Context Diagram tersebut dikembangkan menjadi DFD level 1 yang

menjelaskan gambaran proses yang terjadi dalam sistem Pendukung keputusan ini

lebih rinci. Berikut gambaran DFD level 1:

Gambar 3. 2. DFD level 1

DFD level 1 pada Gambar 3.2 menggambarkan beberapa proses yang akan

dilakukan untuk megolah input-an yang dimasukkan oleh administrator dan calon

wisatawan ke sistem, dan akan diperluas menjadi level 2 untuk proses menentukan

tujuan wisata dan mengelola data admin


3.1.2 Flowchart

Flowchart atau diagram alir adalah suatu skema yang menggambarkan urutan

kegiatan dari awal sampai akhir. Flowchart digunakan untuk menggambarkan suatu

algoritma program secara lebih mudah dan sederhana. Proses yang terjadi di sistem ini

dapat digambarkan ke dalam flowchart sebagai berikut :

Gambar 3. 3. Flowchart menu awal

Flowchart diatas menggambarkan menu awal yang akan ditemukan oleh

pengunjung. Untuk administrator dapat melakukan login sebagai admin dan

untuk user biasa dapat mengakses sistem Pendukung keputusan langsung untuk

melakukan konsultasi wisata.


Berikut merupakan flowchart yang menggambarkan kegiatan yang dapat

dilakukan oleh administrator.

Gambar 3. 4. Flowchart login admin

Dari flowchart tersebut dapat dilihat bahwa administrator dapat melakukan

konsultasi wisata, edit data, tambah data dan hapus data. Berikut merupakan flowchart

tambah data, edit data dan hapus data.


pilihan

Pilihan=hotel

Pilhan=restoran

Pilihan=tempat

wisata

Pilihan=lokasi

Pilihan=type

kamar

Pilihan=tarif

hotel

Tambah data

hotel

Tambah data

restoran

Tambah data

tempat wisata

Tambah data

lokasi

Tambah data

type kamar

Tambah data

tarif hotel

return

Y

T

T

T

T

T

T

T

Y

Y

Y

Y

Y

1.1.1

1.1.2

1.1.3

1.1.4

1.1.5

1.1.6

1.1

Gambar 3. 5. flowchart tambah data


pilihan

Pilihan=hotel

Pilhan=restoran

Pilihan=tempat

wisata

Pilihan=lokasi

edit data

hotel

edit data

restoran

edit data

tempat wisata

edit data

lokasi

return

Y

T

T

T

T

T

Y

Y

Y

1.2

1.2.1

1.2.2

1.2.3

1.2.4

Gambar 3. 6. Flowchart Edit data


pilihan

Pilhan=restoran

Pilihan=tempat

wisata

Pilihan=tarif

hotel

Hapus data

restoran

Hapus data

tempat wisata

Hapus data

tarif hotel

return

T

T

T

Y

Y

Y

1.3.1

1.3

1.3.2

1.3.3

Gambar 3. 7. Flowchart Hapus data

Untuk flowchart lebih rinci dari tambah data admin, edit data admin dan hapus

data admin terlampir.


Berikut flowchart untuk konsultasi wisata user biasa:

Gambar 3. 8.Flowchart Konsultasi wisata


Sebelumnya telah ditentukan nilai maximum iterasi dalam kasus ini yaitu 100

iterasi, dengan iterasi awal (t) = 1, jumlah cluster = 3, dan fungsi objektif asal = 0.

Selanjutnya data informasi hotel, restoran dan lama liburan diolah bersama dengan

nilai yang diinput user berapa lama liburan dan biaya perjalanan. Kemudian proses

menentukan nilai matriks partisi awal secara random yaitu nilai derajat keanggotaan

suatu datapada suatu cluster (µik) terletak pada interval 0 hingga 1. Dengan kondidi

nilai elemen-elemen matriks partisi awal yaitu 1 ≤ i ≤ c dan 1 ≤ k ≤ n. Dimana i

merujuk pada data ke-i, k merujuk pada cluster ke-k, dan n adalah jumlah data. Data

dari database, nilai lama liburan dan nilai matriks yang dibangun tersebut dilakukan

proses perhitungan fungsi objektif untuk mendapatkan pusat cluster yang tepat.

Selanjutnya dihitung perubahan matriks partisi dari pusat cluster tersebut. Jika nilai

selisih antara fungsi objektif kedua dengan pertama lebih kecil dari error terkecil

yang diharapkan dan jumlah itersi (t) maximum iterasi yang telah ditentukan maka

iterasi berhenti. Kemudian diperoleh derajat keanggotaan baru yang akan masuk ke

pusat cluster yang tepat. Jika derajat keanggotaan ke-i untuk data ke-n masuk tepat

pada cluster 1 maka dilakukan proses pencarian data hotel, restoran dan tempat

wisata. Jika tidak, maka dicek apakah derajat keanggotaan tertentu masuk ke cluster

ke-2. Jika ya, maka dilakukan pencarian data hotel, restoran dan lokasi wisata. Namun

apabila derajat keanggotaan tersebut bukan terletak pada cluster-1 atau 2 maka dicek

derajat keanggotaan tersebut masuk ke cluster ke-3. Sama seperti hal nya cluster ke-1

dan 2, dalam proses pencarian data hotel, restoran dan lokasi wisata.

Setelah semua data masuk ke clusternya masing-masing berdasarkan

kesamaan nilai karakteristiknya. Maka ditampilkan kepada user pilihan hotel restoran

dan lokasi wisata berdasarkan kondisi biaya dan lamanya liburan yang diijinkan user.


3.1.3 Entity Relational Diagram

ERD digunakan untuk menggambarkan hubungan antara objek-objek yang ada

pada sistem yang dirancang. Adapun diagramnya sebagai berikut:

Gambar 3. 9Entity Relational Diagram (ERD) Sistem Pendukung Keputusan

ERD diatas terdiri dari 5 tabel yaitu lokasi, wisata, restoran, hotel dan kamar.

Untuk proses dalam algoritma fuzzy clustering means ini, lama liburan tidak dijadikan

dalam 1 tabel. Namun data restoran dan kamar dari database diolah bersama dengan

data lama liburan dari pilihan user.


3.1.4. Halaman Admin

Pada halaman admin terdapat beberapa menu antara lain form untuk

melakukan edit dan tambah data hotel, restoran, kamar dan lokasi wisata. Gambar 4

menampilkan halaman admin dari aplikasi sistem pendukung keputusan.

Gambar 4. Halaman awal untuk login admin

3.1.5. Halaman User

Halaman user digunakan untuk memberikan informasi kepada calon wisatawan dalam

menetukan tujuan wisata ke pulau Batam berdasarkan biaya dan lama hari yang

dibutuhkannya. Pada halaman user ini menggunakan fuzzy dengan metode clustering

untuk mendapatkan informasi mengenai hotel, kamar, restoran dan lokasi wisata

kepada user.


Gambar 4. 1 Halaman untuk login user dan untuk melakukan konsultasi


3.1.6. Halaman Hasil

Pada halaman hasil user dapat melihat beberapa data hotel, restoran, kamar,

dan lokasi wisata. Ini juga merupakan output dari sistem pendukung keputusan. Tapi

output ini bukan otomatisasi dari sistem. Namun output ini hanya sebagai acuan

informasi kepada user untuk berliburan. Dan user tetap sebagai pemutus keputusan

tersebut.

Gambar 4. 2 Halaman hasil konsultasi wisata


3.2 Analisis Kebutuhan Perangkat Keras

Sistem Pendukung keputusan penentuan tujuan wisata menggunakan logika

fuzzy dengan metode clustering diaplikasikan ke dalam bahasa pemrograman Visual

Basic 6.0 sebagai interface dan Mysql sebagai database dengan spesifikasi perangkat

keras sebagai berikut:

1. Procesessor Pentium IV 2,4 GHz

2. Memory 512 MB

3. Harddisk 40 GB

4. Sistem operasi Windows XP

Aplikasi dari Sistem Pendukung keputusan penentuan tujuan wisata

menggunakan logika fuzzy dengan metode clustering ini memberikan penawaran

kepada calon wisatawan dengan memberikan pertanyaan biaya yang dimiliki oleh

calon wisatawan dan hari yang direncanakan untuk liburan. Sistem ini hanya terfokus

pada pulau Batam sebagai tujuan wisatanya. Selanjutnya system akan memberikan

beberapa keluaran (output) kepada calon wisata. Dalam sistem ini penentu keputusan

tetap calon wiastawan, karna system tidak memberikan hasil sercara otomaisi. Namun

system ini hanya memberikan masukan pilihan hotel, restoran, dan tempat wisata

sesuai biaya dan lama liburan yang di inginkan user.

3.3 Hasil Analisis

Hasil dari sistem pendukung keputusan penentuan tujuan wisata menggunakan

logika fuzzy dengan metode clustering yang dibangun dapat dilihat dari tampilan-

tampilan yang dihasilkan pada saat pengujian dilakukan. Pengujian yang dilakukan

meliputi:

1. Administrator melakukan login dan memasukkan data hotel.

2. User biasa melakukan konsultasi wisata


3.3.1 Login administrator dan memasukkan data restoran

a. Login administrator

Saat admin melakukan login sebagai administrator maka sistem akan

menampilkan form berikut:

Gambar 4. 3 Halaman admin

b. Administrator memasukkan data hotel

Untuk dapat memasukkan data hotel administrator harus login terlebih dahulu,

setelah mendapatkan autentikasi maka administrator dapat melakukan

penambahan data hotel. Berikut merupakan contoh penambahan data hotel.


Gambar 4. 4. Halaman tambah data

Setelah mengisi data, sistem akan melakukan validasi terhadapat data yang

di-input-kan. Kemudian sistem akan memberikan pertanyaan kepada administrator

sebelum proses input dilakukan, seperti pada gambar 4.4 berikut:

Gambar 4. 5 Halaman informasi untuk menambah data


Jika administrator memilih tombol yes maka akan tampil seperti pada gambar

4.5. Penambahan data berhasil.

Gambar 4. 6 Halaman informasi data telah berhasil ditambah

Pada gambar tersebut, jika administrator menambahkan Id Hotel yang sama

pada data yang telah ada sebelumnya di tabel hotel, maka data tidak tersimpan. Karna

Id hotel bersifat unique (tidak boleh sama).

3.3.2 User biasa melakukan konsultasi wisata

Saat user login, maka system pendukung keputusan menampilkan form

konsultasi wisata sebagai berikut:

Gambar 4. 7 Halaman calon wisatawan untuk melakukan konsultasi wisata


Ketika ditekan tombol submit maka system akan memberikan output seperti tampilan

berikut ini:

Gambar 4. 8 Halaman calon wisatawan untuk melakukan konsultasi wisata

Dari pengujian yang dilakukan, dimana user memasukkan input-an fuzzy

sebagai berikut:

o Biaya=Rp.4.000000

o Lama liburan=7 hari

Input-an fuzzy akan dibandingkan dengan data hasil pengelompokkan, untuk biaya

akan dibandingkan dengan jumlah semua biaya yang dibutuhkan. Berikut detail

prosesnya:

Data yang ada pada database nantinya akan dikelompokkan menjadi 3

kelompok data. Maka untuk melakukan penghitungan dengan metoda clustering dapat

ditetapkan nilai awal sebagai berikut:

Jumlah cluster=3;

w=2;

Nilai bobot (w)>1, dengan interval 2 sampai dengan ~


maxiter=100;

minerr=0.01;

t=0;

p[0]=0;

Matriks partisi awal U yang terbentuk secara acak adalah sebagai berikut:

0.11857143 0.11857143 0.42857143

0.7385714 0.27857143 0.7385714

0.42857143 0.38428572 0.42857143

0.11857143 0.11857143 0.7385714

0.42857143 0.27857143 0.42857143

0.7385714 0.38428572 0.7385714

0.11857143 0.11857143 0.42857143

0.7385714 0.27857143 0.7385714

0.42857143 0.38428572 0.42857143

0.11857143 0.11857143 0.7385714

0.42857143 0.27857143 0.42857143

0.7385714 0.38428572 0.7385714

0.11857143 0.11857143 0.42857143

0.7385714 0.27857143 0.7385714

0.42857143 0.38428572 0.42857143

0.11857143 0.11857143 0.7385714

0.42857143 0.27857143 0.42857143

0.7385714 0.38428572 0.7385714

0.11857143 0.11857143 0.42857143

0.7385714 0.27857143 0.7385714

Untuk iterasi pertama menggunakan persamaan:


dapat dihitung 3 pusat cluster , Vkj ,dengan k=1,2,3; dan j=1,2,3 sebagai berikut:

251213,792 7 62447,172

252858,117 7 63319,675

257341,623 7 63525,754

Tabel berikut menunjukkan salah satu contoh penghitungan pusat cluster, yaitu

menghitung pusat cluster pertama.

Tabel 4. 1 Perhitungan Pusat Cluster

derajat

keanggotaan

pada cluster

ke-1

data yang dicluster

µ1i Xi1 Xi2 Xi3

(µi1)2 (µi1)

2* Xi1 (µi1)2* Xi2 (µi1)

2* Xi3

0.11857143 250000.0 7 50000 0,014059184 3514,795 9,841 702,959

0.7385714 330000.0 7 100000 0,5454877 180010,959 3,818 54548,081

0.42857143 435000.0 7 110000 0,18367347 79893,959 1,285 20204,081

0.11857143 120000 7 80000 0,014059184 1687,102 9,841 1124,734

0.42857143 250000 7 90000 0,18367347 45918,367 1,285 16530,612

0.7385714 330000 7 40000 0,5454877 180010,959 3,818 21819,510

0.11857143 320000 7 30000 0,014059184 4498,938 9,841 421,775

0.7385714 200000 7 70000 0,5454877 109097,551 3,818 38184,142

0.42857143 320000 7 80000 0,18367347 58775,510 1,285 14693,877

0.11857143 320000 7 60000 0,014059184 4498,938 9,841 843,551

0.42857143 250000 7 50000 0,18367347 45918,367 1,285 9183,673

0.7385714 160000 7 40000 0,5454877 87278,040 3,818 21819,510

0.11857143 435000 7 60000 0,014059184 6115,744 9,841 843,551

0.7385714 230000 7 50000 0,014059184 125462,183 3,818 27274,387

0.42857143 220000 7 85000 0,5454877 40408,163 1,285 15612,244

0.11857143 320000 7 80000 0,18367347 4498,938 9,841 1124,734

0.42857143 200000 7 45000 0,014059184 36734,693 1,285 8265,306

0.7385714 350000 7 90000 0,18367347 190920,714 3,818 49093,897

0.11857143 250000 7 55000 0,5454877 3514,795 9,841 773,255

0.7385714 180000 7 40000 0,014059184 98187,795 3,818 21819,510

∑ 4,487440492

1306946,51

103,323

324883,389

∑[(µi1)2* Xi1]/

∑(µi1)2

291245,424 23,024 72398,372


Selanjutnya dihitung fungsi obyektif pertama P1 dapat dihitung manggunakan

persamaan:

P1 = 5284173807983,55

Kemudian diperbaiki matriks partisi U berdasarkan persamaan:


Perhitungan derajat keanggotaan baru yang terhimpun dalam matriks partisi seperti

terlihat pada tabel. Berikut detil perhitungan derajat keanggotaan baru.

Tabel 4. 2 Perhitungan Derajat keanggotaan

µi1 µi2 µi3 1/L1 1/L2 1/L3 LT

(1/L1)/LT (1/L2)/LT (1/L3)/LT

0,639

0,538 0,422 1,599 0,118 0,250 0,196

0,00312 0,0013 0,0015 0,00592

0,240 0,251 0,277

0,00027 0,00028 0,0009 0,00145

0,246 0,250 0,262

0,00057 0,00055 0,0005 0,00162

0,254 0,248 0,232

0,131 0,138 0,132 0,2695

0,241 0,255 0,243

0,149 0,015 0,0017 0,1657

0,242 0,251 0,279

0,0017 0,017 0,0019 0,0206

0,243 0,250 0,278

0,0373 0,0035 0,003 0,0438

0,259 0,244 0,208

0,0019 0,0021 0,023 0,027

0,238 0,251 0,286

0,0021 0,0021 0,0025 0,0067

0,239 0,250 0,287

0,639 0,538 0,422 1,599

0,296 0,250 0,196

0,0011 0,0019 0,0009 0,0039

0,256 0,247 0,226

0,00029 0,0003 0,0003 0,00089

0,246 0,250 0,263

0,165 0,142 0,107 0,414

0,273 0,235 0,177

0,0067 0,0065 0,0053 0,0185

0,255 0,244 0,204

0,002 0,0021 0,02 0,0241

0,238 0,251 0,286

0,0003 0,0032 0,0028 0,0063

0,261 0,244 0,210

0,0009 0,001 0,0012 0,0031

0,242 0,251 0,274

1,756 1,292 0,789 3,837

0,335 0,247 0,151

1,793 1,708 1,530 5,031 0,258 0,246 0,220


Berikut hasil perhitungan derajat keanggotaan baru yang terhimpun dalam matriks

partisi:

0,118 0,250 0,196

0,240 0,251 0,277

0,246 0,250 0,262

0,254 0,248 0,232

0,241 0,255 0,243

0,242 0,251 0,279

0,243 0,250 0,278

0,259 0,244 0,208

0,238 0,251 0,286

0,239 0,250 0,287

0,296 0,250 0,196

0,256 0,247 0,226

0,246 0,250 0,263

0,273 0,235 0,177

0,255 0,244 0,204

0,238 0,251 0,286

0,261 0,244 0,210

0,242 0,251 0,274

0,335 0,247 0,151

0,258 0,246 0,220

Selanjutnya dicek kondisi berhenti, karena P1 – P0 =|5284173807983,55-0|=

5284173807983,55 >> minerr dan iterasi = 1<maxiter(=100). Maka dilanjutkan pada

iterasi kedua (t=2).

Pada iterasi kedua dapat dihitung lagi 3 pusat cluster, Vkj ,dengan k=1,2,3; dan

j=1,2,3 sebagai berikut:

252246,628 7 62105,336

256681,945 7 62897,863

260034,807 7 63624,906


Fungsi obyektif pada iterasi ke dua P2 sebagai berikut: 13416959479001,9

Kemudian memperbaiki matriks partisi U sebagai berikut:

0,1009 7,8394 0,0594

8,0436 8,6452 9,4677

8,2132 8,4927 8,8612

8,4432 8,0842 7,6473

8,0146 8,2580 7,9815

8,1270 8,6849 9,5380

8,1592 0,0868 9,5188

8,5539 7,6708 9,6378

0,0797 8,7350 9,8472

8,0117 8,7587 9,9066

0,1009 7,8394 0,0594

8,5304 7,9854 7,3822

8,2253 8,5030 8,8846

8,9675 7,0822 5,5380

8,4274 7,5886 6,5585

0,0797 8,7350 9,8472

8,6575 7,7308 6,7932

8,0977 0,0861 9,3412

0,1145 6,9883 4,2719

8,5810 7,8997 0,0717

Selanjutnya dicek kondisi berhenti, karena |P2 – P1| = |13416959479001,9

- 5284173807983,55 | = 8132785671018,35 >> minerr dan iterasi = 2 < maxiter

(=100). Maka dilanjutkan pada iterasi berikutnya.

Demikian seterusnya hingga |P2 – P1|<miner atau t>maxiter. Pada percobaan

ini, proses berhenti pada iterasi ke 100 dengan nilai fungsi objekjektif < error terkecil

yang diharapkan yaitu 0,0013591891.


Pada iterasi ke 100 ini, 3 pusat cluster, Vkj ,dengan k=1,2,3; dan j=1,2,3

sebagai berikut:

252408,200 6,999 62053,283

257493,905 7,000 62907,279

260558,613 6,999 63654,399

Informasi yang dapat diperoleh dari ketiga pusat cluster ini adalah:

1. kelompok pertama (cluster ke-1), berisi hotel yang mempunyai tarif hotel

sekitar Rp. 252408,200, restoran yang tarif standarnya sekitar Rp. 62053,283

dan lama liburan sekitar 6,999 hari.

2. kelompok kedua (cluster ke-2), berisi hotel yang mempunyai tarif hotel sekitar

Rp. 257493,905, restoran yang tarif standarnya sekitar Rp. 62907,279 dan

lama liburan sekitar 7,000 hari.

3. kelompok ketiga (cluster ke-3), berisi hotel yang mempunyai tarif hotel sekitar

Rp. 260558,613, restoran yang tarif standarnya sekitar Rp. 63654,399 lama

liburan sekitar 7,000 hari. Derajat keanggotaan hasil partisi dan kecenderungan

data terhadap suatu cluster pada iterasi ke 100 dapat dilihat pada tabel.


Tabel 4. 3 Derajat Keanggotaan tiap data pada setiap cluster

derajat keanggotaan data pada cluster ke-

Data Cenderung

masuk ke Cluster

ke- data

ke-

µi1 µi2 µi3 1 2 3

1 6,0398 3,0737 5,8679 *

2 4,5888 5,5683 4,2814 *

3 4,7214 5,1633 4,5586 *

4 4,9164 4,3854 5,1895 *

5 4,7083 4,6009 4,8592 *

6 4,6300 5,5937 4,2518 *

7 4,6500 5,5730 4,2580 *

8 5,0160 3,8045 5,7645 *

9 4,5258 5,8179 4,1221 *

10 4,5401 5,8475 4,0979 *

11 6,0398 3,0737 5,8679 *

12 4,9763 4,2112 5,3477 *

13 4,7265 5,1751 4,5480 *

14 5,2564 3,0425 6,6743 *

15 4,9611 3,7273 5,8246 *

16 4,5258 5,8179 4,1221 *

17 5,0685 3,8375 5,7217 *

18 4,6266 5,4803 4,3384 *

19 6,8949 2,0654 6,7944 *

20 5,0128 4,0770 5,4764 *


Matriks data awal:

Tabel 4. 4 Data-data tarif hotel, tarif standar restoran dan lama liburan

Tarif hotel Tariff standar restoran Lama liburan

250000 50000 7

330000 100000 7

435000 110000 7

120000 80000 7

250000 90000 7

330000 40000 7

320000 30000 7

200000 70000 7

320000 80000 7

320000 60000 7

250000 50000 7

160000 40000 7

435000 60000 7

230000 50000 7

220000 85000 7

320000 80000 7

200000 45000 7

350000 90000 7

250000 55000 7

180000 40000 7

Dari Tabel 4.3 dan Tabel 4.4 diatas akan dilakukan perhitungan tiap data pada setiap

cluster sebagai berikut:

biaya total = ((lama liburan -1)*tarif hotel) + (lama libur*2*tarif standar restoran) +

(lama libur * taxi).

Untuk cluster 1

Data ke-1

Biaya total=((7-1)* 250000)+(7*2*50000)+(7*200000)=3600000

Data ke-11

Biaya total=((7-1)* 250000)+(7*2*50000)+(7*200000)=3600000

Data ke-19

Biaya total=((7-1)* 250000)+(7*2*55000)+(7*200000)=3670000


Untuk cluster ke-2

Data ke-2

Biaya total=((7-1)* 330000)+(7*2*100000)+(7*200000)=4780000

Data ke-3

Biaya total=((7-1)* 435000)+(7*2*110000)+(7*200000)=5550000

Data ke-6

Biaya total=((7-1)* 330000)+(7*2*40000)+(7*200000)=3940000

Data ke-7

Biaya total=((7-1)* 320000)+(7*2*30000)+(7*200000)=3740000

Data ke-9

Biaya total=((7-1)* 320000)+(7*2*80000)+(7*200000)=4440000

Data ke-10

Biaya total=((7-1)* 320000)+(7*2*60000)+(7*200000)=4160000

Data ke-13

Biaya total=((7-1)* 435000)+(7*2*60000)+(7*200000)=4850000

Data ke-16

Biaya total=((7-1)* 320000)+(7*2*80000)+(7*200000)=4440000

Data ke-18

Biaya total=((7-1)* 350000)+(7*2*90000)+(7*200000)=4760000

Untuk cluster ke-3

Data ke-4

Biaya total=((7-1)* 120000)+(7*2*80000)+(7*200000)=3240000

Data ke-5

Biaya total=((7-1)* 250000)+(7*2*90000)+(7*200000)=4160000

Data ke-8

Biaya total=((7-1)* 200000)+(7*2*70000)+(7*200000)=3580000

Data ke-12

Biaya total=((7-1)* 160000)+(7*2*40000)+(7*200000)=2920000

Data ke-14

Biaya total=((7-1)* 230000)+(7*2*50000)+(7*200000)=3480000

Data ke-15


Biaya total=((7-1)* 220000)+(7*2*85000)+(7*200000)=3910000

Data ke-17

Biaya total=((7-1)* 200000)+(7*2*45000)+(7*200000)=3230000

Data ke-20

Biaya total=((7-1)* 180000)+(7*2*40000)+(7*200000)=3040000

Dari Penjumlahan setiap data diatas diperoleh biaya total dari setiap cluster.

Untuk cluster ke-1 seluruh biaya total dari masing-masing data lebih kecil dari biaya

yang dimasukan oleh user. Untuk cluster ke-2 biaya total yang lebih kecil dari biaya

yang dimasukan oleh user terdapat pada data ke-6 dan 7. Sedangkan untuk cluster ke-

3 terdapat pada data ke-4, 8, 12, 14, 15, 17 dan 20.

Sehingga data yang memenuhi syarat tersebut dijadikan sebagai output sytem

sebagai pilihan hotel dan restoran bagi user. Data hotel dan restoran tersebut yaitu:

Hotel:

o Hotel Haji Batam, memiliki tarif hotel: 250000;

o Novotel, memiliki tarif hotel: 330000, 120000;

o Grand Majestic, memiliki tarif hotel: 320000, 200000;

o Holiday Hotel, memiliki tarif hotel: 250000, 160000;

o Harmoni, memiliki tarif hotel: 230000, 220000;

o Hotel Nagoya, memiliki tarif hotel: 200000;

o Golden Virgo Hotel, memiliki tarif hotel: 250000, 180000.

Restoran:

o D`Peak Café;

o B & K Steak House;

o Seoul Garden;

o Restoran Sari Eco;

o Resto Kediri;

o Restoran Pondok Batam Kuring;

o Mak Ateh (RM Padang);

o RM Bundo Kandung (RM Padang);

o King's International;

o Shangri-La Food Restaurant;

o Batu Merah Seafood;

o McDonald;


Form output dari system ini belum userfriendly, dimana lokasi wisata tidak terbagi

atas wilayah kota tujuan. Oleh karena itu, berikut ini dijelaskan output dari system

tersebut perwilayah tujuan wisata.

Kota Nagoya

Tabel 4.5 Output Hotel kota Nagoya

No. HOTEL ALAMAT JENIS

KAMAR

TARIF/MALAM

1. HOTEL HAJI BATAM Nagoya Standart Rp. 250.000

2. GRAND MAJESTIC Lantai dasar

nagoya plasa

Standart Rp. 200.000

3. GRAND MAJESTIC Lantai dasar

nagoya plasa

VIP Rp. 320.000

4. HOTEL NAGOYA

PLASA

JL.Imam

Bonjol


Tabel 4.6 Output Restoran kota Nagoya

No. RESTORAN TARIF

STANDART

RESTORAN

ALAMAT

1. D'PEAK CAFE Rp. 50000 Nagoya Hill Bawah

Travelator Lower Ground - B

2. RESTORAN SARI

EKO

Rp. 30.000 Jl. Raden Patah - Nagoya

3. RESTO KEDIRI Rp. 70.000

Jl. Engku Putri - Batam

Centre

4. King`s

INTERNATIONAL

Rp. 85.000 Jl. Lubuk Baja 1/10 Nagoya

Tabel 4.7 Output Wisata kota Nagoya

No. Nama Objek Wisata

1. Pantai Panau

2. Rempang


Kota Bengkong

Tabel 4.8 Output Hotel kota Bengkong


KAMAR

TARIF/MALAM

1. GOLDEN VIRGO

HOTEL

Jl. Teuku Umar,

Seraya No. 1

Ekonomi Rp. 180.000

2. GOLDEN VIRGO

HOTEL

Jl. Teuku Umar,

Seraya No. 1


Tabel 4.9 Output Restoran kota Bengkong

No. RESTORAN TARIF

STANDART

RESTORAN

ALAMAT

1 BATU MERAH

SEAFOOD

Rp. 55.000 Batu Merah, Batam

Island

2. McDONALD Rp. 40.000 Benkong

Tabel 4.10 Output Wisata kota Bengkong


1. Nongsa


Kota Sei Jodoh

Tabel 4.11 Output Hotel kota Sei Jodoh


KAMAR

TARIF/MALAM

1. NOVOTEL JL. Duyung

Sei Jodoh

Ekonomi Rp. 120.000

2. NOVOTEL JL. Duyung

Sei Jodoh

VIP Rp. 330.000

3. HARMONI

HOTEL

JL. Imam

Bonjol

Ekonomi Rp. 220.000

4. HARMONI

HOTEL

JL. Imam

Bonjol


Tabel 4.12 Output Restoran kota Sei Jodoh

No. RESTORAN TARIF

STANDART

RESTORAN

ALAMAT

1. B & K STEAK

HOUSE

Rp. 80.000 Komp. Hotel Planet

Holiday L. II - Jodoh

2. Seoul Garden Rp. 40.000 BCS Mall Lt. Dasar Blok.

C.2 No. 5

3. RM Bundo

Kandoung

Rp. 50.000 Citra Permai Complek

Blok A no.4

Tabel 4.13 Output Wisata kota Sei Jodoh


1. Perkampungan Melayu


Kota Muka Kuning

Tabel 4.14 Output Hotel kota Muka Kuning


KAMAR

TARIF/MALAM

1. HOLIDAY

HOTEL

JL. HAng

Jebat


2. HOLIDAY

HOTEL

JL. HAng

Jebat

Ekonomi Rp. 160.000

Tabel 4.15 Output Restoran kota Muka Kuning

Dari hasil output sistem diatas diperoleh hasil yang menjadi acuan bagi user

untuk memilih data hotel, restoran dan lama liburan yang berada di cluster tertentu

yang akan menjadi pilihan user. Sebagai catatan, data hotel, restoran dan lama liburan

pada cluster tertentu yang jumlah biayanya lebih besar dari biaya yang menjadi input

sistem tidak akan menjadi output bagi user. Misalnya untuk cluster ke-2 pada data ke-

2 dengan jumlah biaya Rp. 4.780.000, data ke-3 dengan jumlah biaya Rp. 5.550.000,

data ke-9 dengan jumlah biaya Rp. 4.440.000, data ke-10 dengan jumlah biaya Rp.

4.160.000, data ke-13 dengan jumlah biaya Rp. 4.850.000, data ke-16 dengan jumlah

biaya Rp. 4.440.000,, data ke-18 dengan jumlah biaya Rp. 4.760.000. Dan untuk

cluster ke-3 pada data ke-5 dengna jumlah biaya Rp. 4.160.000.

Dalam pengelompokan tersebut memiliki nilai error terkecil yang

diharapkan sebagai pembanding sampai kapan iterasi tersebut berhenti yang pada awal

algoritma telah ditentukan sebelumnya yaitu 0.01. Fungsi objektif yang digunakan

No. RESTORAN TARIF

STANDART

RESTORAN

ALAMAT

1. RESTORAN

PONDOK BATAM

KURING

Rp. 50.000 Jl. Engku Putri - Batam

Centre

2. MAK ATEH (RM

Padang)

Rp. 40.000 Raja Ali Haji Street,

Komp. Inti Sakti Blok H

3. SANGRILA FOOD

RESTORAN

Rp. 45.000 Jl. RE. Martadinata,

Sekupang


sebagai syarat perulangan untuk mendapatkan pusat cluster yang tepat, yaitu harus

memiliki nilai lebih kecil dari error yang diharapkan. Dan pada iterasi terakhir

tersebut besarnya nilai fungsi objektif yaitu 0,0013591891.

Dengan nilai error yang diharapkan dan nilai fungsi objektif pada iterasi

terakhir, pada dasarnya bertujuan untuk meminimalkan variasi di dalam suatu cluster,

karena pada kondisi awal pusat cluster masih belum akurat dan fungsi objektif masih

lebih besar dari tingkat error yang diharapkan. Serta nilai derajat keanggotaan untuk

masuk ke cluster tertentu masih belum tepat.

Untuk tingkat error lainnya yang masih bisa diterima yaitu proses

inisialisasi awal nilai derajat keanggotaan yang dibangun secara random yaitu terletak

pada interval 0 sampai dengan 1. Dimana hal ini berpengaruh pada kecepatan suatu

data masuk pada cluster yang tepat sehingga memakan waktu yang cukup lama yaitu

berhenti pada iterasi ke-100. Serta pada proses pengelompokan suatu data untuk dapat

masuk ke cluster tertentu berdasarkan kesamaan karakteristiknya yaitu biaya total.

Dalam hal ini jumlah biaya total pada data ke-10 di cluster ke-2 dan data ke-4 di

cluster ke-3 yang mempunyai nilai sebesar Rp. 4.160.000. Perpindahan suatu data ke

cluster tertentu dapat menyebabkan kesamaan karakteristik data dalam suatu cluster

menjadi berubah. Namun hal ini dapat diatasi dengan nilai fungsi objektif sebagai

acuan untuk memperoleh nilai derajat keanggotaan yang tepat untuk masuk ke cluster

yang tepat pula.

Proses cluster yang dibangun ini dilakukan dengan parameter, jumlah

cluster=3, pembobot=2, dan maximum iterasi=100. Dari parameter jumlah cluster

dibangun berdasarkan dari kriteria data yang akan dijumlahkan, yaitu tarif hotel, tarif

standart restoran dan lama liburan. Untuk nilai bobot memiliki nilai>1 tetapi dalam

proses cluster kali ini digunakan nilai bobot sebesar 2 yang umumnya digunakan dari

penelitian sebelumnya. Sedangkan dari maximum iterasi = 100 digunakan untuk

membatasi iterasi agar proses suatu derajat keanggotaan tepat masuk ke dalam suatu

cluster. Sehingga dapat meminimalkan variasi nilai dalam suatu cluster. Dari proses

cluster ini dengan nilai biaya masukan user sebesar Rp. 4.00.000 dan lama liburan 7

hari menghasilkan output sebanyak 12 data hotel dan restoran yang mungkin dapat

menjadi pilihan user. Dan ada 8 buah data hotel dan restoran yang tidak dapat menjadi

output bagi user, karena penjumlahan biaya lebih besar dari biaya masukan user.


.BAB 4

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Dari penelitian ini dapat disimpulkan bahwa dengan metoda clustering yang

dijadikan sebagai metode dalam Sistem Pendukung Keputusan ini sangat membantu

untuk pengambilan keputusan untuk meminimalkan biaya perjalan wisata ke pulau

Batam sesuai dengan biaya yang disediakan user.

Dimana fuzzy C-Means ini membantu dalam mengelompokan data yang

terdapat pada database kedalam cluster (kelompok), berdasarkan kesamaan nilai pada

pusat cluster-nya.

Dari sistem pendukung keputusan tersebut, sistem tidak menampilkan atau

memberikan hasil secara otomatis kepada user. Sehingga dalam hal ini system hanya

berperan sebagi pendukung keputusan. Dan selanjutnya keputusan tetap user sendiri

yang menentukannya. Untuk proses masukan nilai biaya dan lama liburan sebesar Rp.

4.000.000 dan 7 hari menghasilkan 12 output data hotel dan restoran. Dengan jumlah

biaya yang lebih kecil dari biaya masukan user. Sedangkan 8 data lainnya memiliki

jumlah biaya lebih besar dari biaya masukan user. Sehingga user dapat dengan mudah

menentukan tujuan wisata di daerah Batam yang biayanya lebih kecil dari biaya yang

disediakan oleh user dengan proses pengclusteran data sebelum menjadi output

sistem.

4.2 Saran

Sebagai saran yang ditujukan kepada pembaca yang ingin membangun atau

mengembangkan Sistem Pendukung Keputusan ini sebabaiknya tujuan wisata

diperluas lagi. Untuk tampilan akhir program output sebaiknya lebih detail lagi

berdasarkan kota agar user lebih paham. Serta dari output system program dapat

menampilkan informasi biaya yang dibutuhkan seandainya user menginginkan jenis

hotel dan restoran yang berbeda dari pasangan biaya hotel yang telah menjadi output

program dengan kolaborasi expert system. Serta dapat ditambahkan nilai bobot yang

berbeda dalam hal ini ditentukan oleh user untuk melihat output dari system.


Documents

BAB 3 PEMBAHASAN 3.1 Analisis Kebutuhan Perangkat · PDF fileDFD level 1 pada Gambar 3.2 menggambarkan beberapa ... ERD digunakan untuk menggambarkan hubungan antara ... Berikut merupakan