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.
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.
1.1 pilihan T Pilihan=hotel Y Tambah data hotel 1.1.1 T Pilhan=restoran Y Tambah data restoran 1.1.2 T Pilihan=tempat wisata Y Tambah data tempat wisata 1.1.3 T Pilihan=lokasi Y Tambah data lokasi 1.1.4 T Pilihan=type kamar Y Tambah data type kamar 1.1.5 T Pilihan=tarif hotel Y Tambah data tarif hotel 1.1.6 T return Gambar 3. 5. flowchart tambah data
1.2 pilihan T Pilihan=hotel Y edit data hotel 1.2.1 T Pilhan=restoran Y edit data restoran 1.2.2 T Pilihan=tempat wisata Y edit data tempat wisata 1.2.3 T Pilihan=lokasi Y edit data lokasi 1.2.4 T return Gambar 3. 6. Flowchart Edit data
1.3 pilihan Pilhan=restoran Y Hapus data restoran 1.3.1 T Pilihan=tempat wisata Y Hapus data tempat wisata 1.3.2 T Pilihan=tarif hotel Y Hapus data tarif hotel 1.3.3 T return 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 (µ ik ) 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 tampilantampilan 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, V kj,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 data yang dicluster keanggotaan pada cluster ke-1 µ 1i Xi1 Xi2 Xi3 (µ i1) 2 (µ i1) 2 X i1 (µ i1) 2 X i2 (µ i1) 2 X i3 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 [(µ i1) 2 X i1]/ 291245,424 23,024 72398,372 (µ i1) 2
persamaan: Selanjutnya dihitung fungsi obyektif pertama P 1 dapat dihitung manggunakan P 1 = 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 µ i1 µ i2 µ i3 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 P 1 P 0 = 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, V kj,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 P 2 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 P 2 P 1 = 13416959479001,9-5284173807983,55 = 8132785671018,35 >> minerr dan iterasi = 2 < maxiter (=100). Maka dilanjutkan pada iterasi berikutnya. Demikian seterusnya hingga P 2 P 1 <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, V kj,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 data ke- derajat keanggotaan data pada cluster ke- µ i1 µ i2 µ i3 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 Data Cenderung masuk ke Cluster ke- 1 2 3
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 libur2tarif standar restoran) + (lama libur taxi). Untuk cluster 1 Data ke-1 Biaya total=((7-1) 250000)+(7250000)+(7200000)=3600000 Data ke-11 Biaya total=((7-1) 250000)+(7250000)+(7200000)=3600000 Data ke-19 Biaya total=((7-1) 250000)+(7255000)+(7200000)=3670000
Untuk cluster ke-2 Data ke-2 Biaya total=((7-1) 330000)+(72100000)+(7200000)=4780000 Data ke-3 Biaya total=((7-1) 435000)+(72110000)+(7200000)=5550000 Data ke-6 Biaya total=((7-1) 330000)+(7240000)+(7200000)=3940000 Data ke-7 Biaya total=((7-1) 320000)+(7230000)+(7200000)=3740000 Data ke-9 Biaya total=((7-1) 320000)+(7280000)+(7200000)=4440000 Data ke-10 Biaya total=((7-1) 320000)+(7260000)+(7200000)=4160000 Data ke-13 Biaya total=((7-1) 435000)+(7260000)+(7200000)=4850000 Data ke-16 Biaya total=((7-1) 320000)+(7280000)+(7200000)=4440000 Data ke-18 Biaya total=((7-1) 350000)+(7290000)+(7200000)=4760000 Untuk cluster ke-3 Data ke-4 Biaya total=((7-1) 120000)+(7280000)+(7200000)=3240000 Data ke-5 Biaya total=((7-1) 250000)+(7290000)+(7200000)=4160000 Data ke-8 Biaya total=((7-1) 200000)+(7270000)+(7200000)=3580000 Data ke-12 Biaya total=((7-1) 160000)+(7240000)+(7200000)=2920000 Data ke-14 Biaya total=((7-1) 230000)+(7250000)+(7200000)=3480000 Data ke-15
Biaya total=((7-1) 220000)+(7285000)+(7200000)=3910000 Data ke-17 Biaya total=((7-1) 200000)+(7245000)+(7200000)=3230000 Data ke-20 Biaya total=((7-1) 180000)+(7240000)+(7200000)=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 Standart Rp. 200.000 nagoya plasa 3. GRAND MAJESTIC Lantai dasar VIP Rp. 320.000 nagoya plasa 4. HOTEL NAGOYA PLASA JL.Imam Bonjol Standart Rp. 220.000 Tabel 4.6 Output Restoran kota Nagoya No. RESTORAN TARIF ALAMAT STANDART RESTORAN 1. D'PEAK CAFE Rp. 50000 Nagoya Hill Bawah Travelator Lower Ground - B 2. RESTORAN SARI Rp. 30.000 Jl. Raden Patah - Nagoya EKO 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 No. HOTEL ALAMAT JENIS TARIF/MALAM KAMAR 1. GOLDEN VIRGO Jl. Teuku Umar, Ekonomi Rp. 180.000 HOTEL Seraya No. 1 2. GOLDEN VIRGO HOTEL Jl. Teuku Umar, Seraya No. 1 Standart Rp. 220.000 Tabel 4.9 Output Restoran kota Bengkong No. RESTORAN TARIF ALAMAT STANDART RESTORAN 1 BATU MERAH SEAFOOD Rp. 55.000 Batu Merah, Batam Island 2. McDONALD Rp. 40.000 Benkong Tabel 4.10 Output Wisata kota Bengkong No. Nama Objek Wisata 1. Nongsa
Kota Sei Jodoh Tabel 4.11 Output Hotel kota Sei Jodoh No. HOTEL ALAMAT JENIS 1. NOVOTEL JL. Duyung Sei Jodoh 2. NOVOTEL JL. Duyung Sei Jodoh 3. HARMONI JL. Imam HOTEL Bonjol 4. HARMONI JL. Imam HOTEL Bonjol KAMAR TARIF/MALAM Ekonomi Rp. 120.000 VIP Rp. 330.000 Ekonomi Rp. 220.000 Standart Rp. 230.000 Tabel 4.12 Output Restoran kota Sei Jodoh No. RESTORAN TARIF 1. B & K STEAK HOUSE STANDART RESTORAN Rp. 80.000 ALAMAT Komp. Hotel Planet Holiday L. II - Jodoh 2. Seoul Garden Rp. 40.000 BCS Mall Lt. Dasar Blok. 3. RM Bundo Kandoung Rp. 50.000 C.2 No. 5 Citra Permai Complek Blok A no.4 Tabel 4.13 Output Wisata kota Sei Jodoh No. Nama Objek Wisata 1. Perkampungan Melayu
Kota Muka Kuning Tabel 4.14 Output Hotel kota Muka Kuning No. HOTEL ALAMAT JENIS 1. HOLIDAY HOTEL 2. HOLIDAY HOTEL JL. HAng Jebat JL. HAng Jebat Tabel 4.15 Output Restoran kota Muka Kuning KAMAR TARIF/MALAM Standart Rp. 250.000 Ekonomi Rp. 160.000 No. RESTORAN TARIF STANDART RESTORAN 1. RESTORAN Rp. 50.000 PONDOK BATAM KURING 2. MAK ATEH (RM Rp. 40.000 Padang) 3. SANGRILA FOOD Rp. 45.000 RESTORAN ALAMAT Jl. Engku Putri - Batam Centre Raja Ali Haji Street, Komp. Inti Sakti Blok H Jl. RE. Martadinata, Sekupang 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
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.