BAB III METODOLOGI PENELITIAN Metode penelitian mengenai sistem rekomendasi kuliner untuk mahasiswa Universitas Sebelas Maret Surakarta menggunakan metode Apriori Positif Negatif dan Binary Hamming Distance dapat dibuat suatu alur kegiatan metode kerja sepeti pada dibawah ini: 3.1 Tahap Pengumpulan Data Gambar 2. 1 Metode Penelitian 3.1.1. Wawancara Dalam proses wawancara, dilakukan suatu deep interview dengan sampel mahasiswa Universitas Sebelas Maret dari sembilan fakultas, laki-laki dan perempuan, serta yang kos maupun tidak kos untuk mendapatkan suatu gambaran parameter-parameter yang digunakan mahasiswa dalam memilih tempat makan. Daftar pertanyaan yang diajukan dalam deep interview ini adalah sebagai berikut: 1. Apakah Anda kost? 2. Dimana lokasi kost Anda? 3. Dengan siapa biasanya Anda sarapan saat di lingkungan kampus? 4. Apakah Anda mengalami kesulitan saat menentukan tempat makan di lingkungan kampus saat sarapan? Apa alasannya? 5. Dimana biasanya Anda sarapan? 6. Faktor apa yang membuat Anda memilih makan disitu saat sarapan? 16
16 7. Dengan siapa biasanya Anda makan siang saat di lingkungan kampus? 8. Apakah Anda mengalami kesulitan saat menentukan tempat makan di lingkungan kampus saat makan siang? Apa alasannya? 9. Dimana biasanya Anda makan siang? 10. Faktor apa yang membuat Anda memilih makan disitu saat makan siang? 11. Dengan siapa biasanya Anda makan malam saat di lingkungan kampus? 12. Apakah Anda mengalami kesulitan saat menentukan tempat makan di lingkungan kampus saat makan malam? Apa alasannya? 13. Dimana biasanya anda makan malam? 14. Faktor apa yang membuat anda memilih makan disitu saat makan makan malam? Dari proses deep interview ini, selain diperoleh parameter-parameter yang dipertimbangkan mahasiswa dalam memilih tempat makan, juga didapatkan data tempat-tempat kuliner yang sering dikunjungi mahasiswa. Dari sekian banyak parameter yang disebutkan, diambil parameter-parameter yang disebutkan oleh 70% responden untuk proses selanjutnya. Setelah menemukan parameterparameter itu, dilakukan scoring tempat makan melalui kuisioner. 3.1.2 Kuisioner Setelah diseleksi, diperoleh parameter-parameer apa saja yang banyak menjadi pertimbangan bagi mahasiswa dalam memilih tempat makan. Parameterparameter ini kemudian digunakan untuk menilai data tempat makan yang biasa dikunjungi mahasiswa melalui kuisioner. Data tempat makan juga diperoleh dari deep interview sebelumnya, dan juga tambahan beberapa data yang dicari penulis sendiri. Proses scoring dilakukan dengan memberi nilai yes atau no dari setiap kriteria di suatu tempat makan. Jika tempat makan dirasa memenuhi kriteria yang disebutkan maka diberi nilai yes, jika tidak maka diberi nilai no. Seperti proses seleksi parameter tadi, penilaian untuk suatu tempat makan juga berdasarkan banyaknya score yang diberikan. Jika lebih dari 50% mengatakan no, maka suatu krieria diberi nilai 0, demikian sebaliknya hingga akhirnya setiap tempat makan memiliki penilaian dalam bentuk matriks 0 dan 1.
17 Penilaian kuisioner dilakukan dengan mengisi Google form yang disebarkan ke mahasiswa Universitas Sebelas Maret angkatan 2010-2014 melalui link di jejaring sosial. Setiap pengisi kuisioner diwajibkan mencantumkan nama, jurusan, dan angkatan agar data yang diolah menjadi lebih terpercaya. Dari proses deep interview dan penilaian kuisioner ini kita sudah mendapatkan parameter yang digunakan dan matriks tempat makan yang akan direkomendasikan. Data-data ini kemudian digunakan untuk proses selanjutnya, yaitu penerapan metode. 3.2 Tahap Penerapan Metode Pada tahap ini dilakukan penerapan dua metode yang akan digunakan, yaitu algoritma Apriori positif negatif dan Binary Hamming Distance. Setelah didapatkan data parameter-parameter yang akan digunakan dalam sistem, maka dilakukan proses pembentukan rule dengan algoritma Apriori. Algoritma ini akan mencari keterkaitan antar parameter terpilih yang disebutkan responden pada deep interview. Kemudian akan ditemukan suatu pola asosiasi antar parameter dari hasil deep interview dengan responden sebelumnya. Kaidah asosiasi yang terbentuk kemudian dipilih yang memiliki nilai confident paling tinggi. Aturanaturan ini juga dikombinasikan antara yang mengandung unsur positif maupun negatif. Rule yang didapatkan kelak digunakan untuk memproses inputan dari user mengenai kriteria-kriteria yang ditetapkannya. 3.2.1 Proses Pembentukan Rule Dalam proses pembentukan rule dengan algoritma Apriori digunakan ilustrasi seperti pada tabel Tabel 3. 1 Transaksi Item User Kriteria 1 Kenyamanan, Harga, Rasa, Porsi 2 Harga, Rasa, Porsi 3 Pelayanan, Pilihan Menu 4 Kenyamanan, Rasa, Kebersihan 5 Harga, Porsi Dari data transaksi diatas, kemudian dihitung munculnya untuk masingmasing item dalam bentuk tabular seperti pada Tabel 3.2
18 Tabel 3. 2 Perhitungan Kriteria T Kenya manan Harga Rasa Kebers ihan Porsi Pelayan an Pilihan Menu 1 1 1 1 0 1 0 0 2 0 1 1 0 1 0 0 3 0 0 0 0 0 1 1 4 1 0 1 1 0 0 0 5 0 1 0 0 1 0 0 2 3 3 1 3 1 1 Kemudian dilakukan perhitungan support (persentase kemunculan kriteria dalam keseluruhan transaksi) untuk masing-masing item, sehingga didapatkan hasil seperti tabel 3.3 Tabel 3. 3 Perhitungan Support Item Support Kenyamanan 2 2/5=0.4 Harga 3 3/5=0.6 Rasa 3 3/5=0.6 Kebersihan 1 1/5=0.2 Porsi 3 3/5=0.6 Pelayanan 1 1/5=0.2 Pilihan Menu 1 1/5=0.2 Ditentukan minimum support (min-sup) 0.4 dan minimum confidence (min-conf) 0.7 Jika ada item yang memiliki support di bawah min-sup 0.4 maka akan dihapus (pruned/pangkas). Kemudian selanjutnya dengan item-item yang tersisa, dilakukan penggabungan (join) item sebanyak 2 buah (k=2) untuk membentuk candidate C2. Item yang tersisa setelah proses pemangkasan adalah Kenyamanan, Harga, rasa, dan Porsi. Kemudian dilakukan perhitungan kembali support masing-masing itemset seperti pada tabel 3.4 Tabel 3. 4 Perhitungan Frequent Itemset Kriteria Support Kenyamanan, Harga 1 1/5=0.2 Kenyamanan, Rasa 2 2/5=0.4 Kenyamanan, Porsi 1 1/5=0.2
19 Harga, Rasa 2 2/5=0.4 Harga, Porsi 3 3/5=0.6 Rasa, Porsi 2 2/5=0.4 Kemudian dengan langkah yang sama, lakukan pemangkasan untuk itemset yang supportnya berada di bawah 0.4, dan itemset yang tersisa menjadi list itemset ke- 3. Lanjutkan dengan pembentukan 3-itemset untuk item yang tersisa, dan lakukan perhitungan support seperti pada tabel 3.5 Tabel 3. 5 Perhitungan Frequent Itemset 3 Item Support Kenyamanan, Harga, Rasa 1 1/5=0.2 Kenyamanan, Harga, Porsi 1 1/5=0.2 Harga, Rasa, Porsi 2 2/5=0.4 Dilihat dari hasil diatas, ternyata itemset yang tersisa, adalah (Harga, Rasa, Porsi) yang selanjutnya dapat dinyatakan sebagai frequent itemset. Langkah selanjutnya adalah dengan membentuk association rule yang kuat berdasarkan frequent itemset yang dihasilkan tersebut berdasarkan nilai confidence. 1. Rule 1: {Harga, Rasa Porsi} c = s ({Harga, Rasa, Porsi}) / s ({Harga,Rasa}) = 2/2 = 100% 2. Rule 2: {Harga, Porsi Rasa} c = s ({Harga, Rasa, Porsi }) / s ({Harga, Porsi }) = 2/3 = 67% 3. Rule 3: {Rasa, Porsi Harga} c = s ({Harga, Rasa, Porsi }) / s ({Rasa, Porsi }) = 2/2 = 100% 4. Rule 4: {Harga Rasa, Porsi } c = s ({Harga, Rasa, Porsi}) / s ({Harga}) = 2/3 = 67% 5. Rule 5: {Rasa Harga, Porsi} c = s ({Harga, Rasa, Porsi}) / s ({Rasa}) = 2/3 = 67% 6. Rule 6: {Porsi Harga, Rasa} c = s ({Harga, Rasa, Porsi }) / s ({Porsi}) = 2/3 = 67%
20 Dikarenakan minimum confidence yang diinginkan adalah 70% maka rule yang dapat diterima adalah rule 1 dan rule 3. Proses ini juga yang nanti akan dilakukan pada item pertimbangan mahasiswa dalam memilih tempat makan. 3.2.2 Matching Binary Hamming Distance Setelah algoritma Apriori selesai digunakan untuk menghasilkan matriks hasil input user, maka kemudian dilakukan proses matching dengan metode Binary Hamming Distance. Matriks input user tadi dicocokkan dengan matriks data tempat makan, diukur yang memiliki jarak paling dekat, kemudian direkomendasikan ke user. 3.3 Tahap Pengembangan Aplikasi 3.3.1 Analisis Pada tahap ini dilakukan analisis terhadap kebutuhan fungsional dan nonfungsional sistem, Use Case Diagram dan Use Case Scenario menggambarkan proses dari sistem yang dibuat. 3.3.2 Perancangan yang Merupakan tahap yang difokuskan pada perancangan sistem yakni perancangan database dan perancangan antar muka aplikasi. 3.3.3 Implementasi Merupakan tahap menterjemahkan model atau desain yang telah ditetapkan ke dalam bahasa yang dimengerti komputer. Sistem akan dibangun berbasis web dengan menggunakan bahasa pemrograman PHP dengan framework CodeIgniter (CI), dengan basis data MySQL sebagai penyimpan data. Ruang lingkup pembangunan aplikasi antara lain sebagai berikut: a. Perangkat keras Processor : Asus X43U AMD C-50 RAM Graphic b. Perangkat Lunak : 2GB Programming Package : : Radeon Graphics Bahasa Pemrograman : PHP 5.5.11 Web Server : Apache 2.4.9
21 Database Server : MySQL 5.6.16 Database Administrator : phpmyadmin 4.1.12 Framework : CodeIgniter 2.0, Bootstrap v3.0.1 Editing Tool : Sublime Text 2.0 Supporting Tools : Microsoft Word 2010 StarUML 5.0.2.157 Operating System Testing Tool : Microsoft Windows 7 Home Basic : Google Chrome 37.0.2062.124 m 3.3.4 Pengujian Pengujian terhadap sistem yang telah dibangun menggunakan black box testing yaitu teknik yang digunakan untuk menguji fungsional sistem menggunakan teknik equivalence partitioning, dimana teknik ini input pada masing-masing fungsi dibagi menjadi beberapa kelas, satu nilai dipilih dari masing-masing kelas untuk testing (Perry, 2006). Selain itu juga dilakukan evaluasi untuk mengetahui tingkat kepuasan user terhadap penggunaan sistem. Evaluasi ini mencakup segi kemudahan penggunaan, penggunaan bahasa, tampilan, hasil rekomendasi, dan manfaat sistem. User juga dapat memberikan masukan bagi sistem berupa saran. Untuk evaluasi tingkat kepuasan pengguna atau user acceptance digunakan penilaian dengan menggunakan Skala Likert melalui kuisioner yang diisi oleh mahasiswa sebagai sasaran pengguna. Penilaian kuisioner ini dengan menggunakan skala penilaian 1 sampai dengan 5, dengan rincian dalam tabel 3.6. Tabel 3. 6 Skala Likert Skor Keterangan 1 Sangat Tidak Setuju 2 Tidak Setuju 3 Cukup Setuju 4 Setuju 5 Sangat Setuju
22 Hasil dari evaluasi dengan menggunakan kuisioner diambil menurut keanggotaannya dimana jika hasil banyak yang mengarah ke penilaian 3, 4, dan 5 (gabungan sangat setuju, setuju dan cukup setuju) maka memberikan penilaian setuju, sedangkan jika mengarah ke penilaian 1 dan 2 (gabungan sangat tidak setuju, tidak setuju dan cukup setuju) maka memberikan penilaian tidak setuju terhadap masing-masing pertanyaan.