APLIKASI REKOMENDASI SPESIFIKASI KOMPUTER SESUAI KEBUTUHAN CALON PEMBELI DENGAN KOMBINASI METODE AHP DAN K-MEANSSTUDI KASUS : TOKO KOMPUTER HND MAKASSAR Nurul Aini 1, Erfan Hasmin 2 Manajemen Informatika 1, Teknik Informatika 2 STMIK Dipanegara, Makassar nurulaini.m11@gmail.com 1, erfan.hasmin@gmail.com 2 Abstrak HND Computer merupakan salah satu toko komputer terbesar di kota Makassar yang melakukan transaksi penjualan offline maupun penjualan online. Dengan semakin besarnya pasar dari toko tersebut ditunjang dengan tersedia basis data komputer pada database penjualan online, untuk memudahkan calon pembeli untuk memilih spesifikasi komputer yang diingikan yang sesuai dengan kebutuhan dan kemampuannya diperlukan sistem penunjang keputusan yang dapat merekomendasikan komputer yang akan dibeli oleh calon pembeli. Penggunaan metode AHP. Dimaksudkan untuk mendapatkan bobot dari tiap komputer sesuai dengan spesifikasi dari komputer tersebut, disertai dengan kriteria penilaian yang meliputi performa (HDD, VGA, Memory, CPU), harga, ukuran, dan kebutuhan (Office, Game, Desain Grafis). Criteria inilah yang akan digunakan untuk medaptkan rangking dari komputer tersebut. Kekurangan pengunaan metode AHP adalah hasil daftar yang direkomendasikan adalah terurut berdasarkan skor yang tinggi yang serta merta adalah komputer dengan spesifikasi yang lebih tinggi, tentu saja ini mengurangi keberagaman dari spesfikasi yang direkomendasikan sehingga mengurangi ruang untuk memilih calon pembeli. Untuk mengatasi masalah di atas maka digunakan metode K-Means, metode ini berfungsi untuk mengklasifikasikan daftar rangking AHP berdasrkan kecendrungan spesifikasi komputer sehingga akan membentuk beberapa kelompok yang memiliki kecendrungan yang sama. Dari tiap kelompok yang telah terbentuk maka akan di ambil skor komputer tertinggi dari masing masing kelompok untuk di rekomendasikan calon pembeli. Kata kunci : AHP, K-MEANS, SPK Abstract HND Computer is one of the largest computer stores in the city of Makassar to conduct sales transactions offline and online sales. With the growing market size of the store is supported by available computer databases on the database online sales, to allow potential buyers to select the desired computer specifications that suit the needs and abilities needed decision support systems that can recommend a computer that will be bought by the prospective buyer. The use of AHP. Intended to get the weights of each computer in accordance with the specifications of the computer, along with assessment criteria that include the performance (HDD, VGA, Memory, CPU), price, size, and requirements (Office, Game, Graphic Design). Criteria that will be used to get the ranking of the computer. Disadvantages of the use of AHP is a result of the recommended list is ordered based on high scores that necessarily is a computer with higher specs, of course, reduces the diversity of the specification of the recommended thereby reducing space to select potential buyers. To solve the above problem then used the K-Means method, this method serves to classify the ranking list based on those trends AHP computer specifications that will form several groups that have the same tendency. From each group that has been formed and the computer will take the highest score from each group for the recommended prospective buyers. Keyword : AHP, C-Means, DSS
1. PENDAHULUAN 1.1. Latar Belakang Perkembangan teknologi berdampak pada persaingan perusahaan yang cukup ketat. Strategi yang tepat sangat diperlukan dari segala aspek termasuk aspek produk, proses dan jadwal. Permasalahan industry tidak hanya menyangkut seberapa besar investasi yang harus ditanam, system dan prosedur produksi, pemasaran hasil produksi dan lain lain. Produksi yang beragam dan variatif membuat produk komputer memiliki banyak spesifikasi yang berbeda, tentu hal itu akan semakin menyulitkan bagian pemasaran dalam mempromosikan produk komputer dikarenakan banyaknya jenis komputer yang harus mereka hafal disertai spesifikasi yang berbeda-beda. Semakin variatifnya jenis komputer juga akan semakin menyulitkan dan membingungkan calon pembeli dikarenakan harus membandingkan spesifikasi yang begitu banyak dar berbagai merek komputer. Sehingga dibutuhkan sebuah aplikasi yang dapat merekomendasikan komputer dengan spesifikasi yang diingikan oleh calon pembeli, dengan cara menganalisa basis data produk komputer untuk kemudian di klasifikasi berdasarkan karakteristik tertentu. Sebelum di klasifikasi, komputer akan ranking menggunakan pembobotan berdasarkan spesifikasi masing masing komputer, perhitungan ranking menggunakan metode Analisis Hirarki Proses (AHP), AHP akan menghitung pembobotan sesuai spesifikasi masing masing komputer. untuk mengklasifikasikannya dibutuhkan analisis cluster. Analisis cluster atau clustering method adalah teknik untuk mengelompokkan individu atau objek menjadi beberapa kelompok tertentu dimana setiap objek yang beradadalam kluster yang sama mempunyai kemiripan satu dengan yang lain di bandingkan dengan anggota cluster lain. C-Means Cluster adalah analisis statistik yang berguna untuk mengelompokan sejumlah objek kedalam jumlah kelompok yang sudah ditetapkan di mana karakteristik objek hanya dikelompokan berdasarkan variabel tertentu akan tetapi karakteristik latar belakang objek belum diketahui dengan pasti Metode klasterisasi inilah yang akan digunakan peneliti untuk membantu perusahaan dalam memberikan rekomendasi Produk yang akan ditawarkan kepada calon pembeli sesuai degan spesifikasi yang diinginkan oleh calon pembeli. Diharapkan hal ini dapat memberikan keuntungan bagi perusahaan dikarenakan kemudahan untuk pengambilan langkah dalam hal pengeluaran biaya sesuai dengan spesifikasi yang dibutuhkan oleh perusahaan. 2.1. Arsitektur Aplikasi 2. METODE PENELITIAN Database Computer Product AHP Method Ranking C-Means Clustering Computer Recommendation
2.1. Flowchart Tahapan Prores Gambar 1. Arsitektur Aplikasi Gambar 2. Tahapan Proses 2.3. Desain Algoritma AHP Tabel 1. Bobot Prioritas Performace Design usage Total Symbol Bobot Performace 7 0.2 7.2 Wp 0.46 Design 0,142 3 3.142 Wd 0.20 Usage 5 0,333 5.333 Wu 0.34 Total 15.675 Tabel 2. Bobot CPU (Sp 1) Core i7 Core i5 Core i3 Pentium Others Total Bobot Core i7 3 5 7 9 24 0.46 Core i5 0.333 3 5 7 15.33 0.29 Core i3 0.2 0,333 3 5 8.53 0.16 Pentium 0.142 0.2 0.333 3 3.675 0.07 Others 0.11 0.142 0.2 0.333 0.785 0.01
Tabel 3. Bobot GPU(Sp2) GTX600 GTX500 Others Onboard Onboar (CPU) d (NB) Total Bobot GTX600 3 5 7 9 24 0.46 GTX500 0.333 3 5 7 15.33 0.29 Others 0.2 0,333 3 5 8.53 0.16 Onboard (CPU) 0.142 0.2 0.333 3 3.675 0.07 Onboard (NB) 0.11 0.142 0.2 0.333 0.785 0.01 Tabel 4. Bobot Memory (Sp3) >= 16GB 8GB < 4GB < 2GB < 16GB 8GB 4GB < 2GB Total Bobot >= 16GB 3 5 7 9 24 0.46 8GB < 16GB 0.333 3 5 7 15.33 0.29 4GB < 8GB 0.2 0,333 3 5 8.53 0.16 2GB < 4GB 0.142 0.2 0.333 3 3.675 0.07 < 2GB 0.11 0.142 0.2 0.333 0.785 0.01 Tabel 5. Bobot Memory (Sp4) >= 3TB 2TB < 1TB < 500GB 3TB 2TB < 1TB < 500GB Total Bobot >= 3TB 3 5 7 9 24 0.46 2TB < 3TB 0.333 3 5 7 15.33 0.29 1TB < 2TB 0.2 0,333 3 5 8.53 0.16 500GB < 1TB 0.142 0.2 0.333 3 3.675 0.07 < 500GB 0.11 0.142 0.2 0.333 0.785 0.01 Tabel 6. Bobot Usage (Su) PC Design Non-selected 0 Selected 1 Score(Sd) Tabel 7. Bobot Memory (Sd) Game Movie Picture Office Internet Total Bobot Game 3 5 7 9 24 0.46 Movie 0.333 3 5 7 15.33 0.29 Picture 0.2 0,333 3 5 8.53 0.16 Office 0.142 0.2 0.333 3 3.675 0.07 Internet 0.11 0.142 0.2 0.333 0.785 0.01 Ps = (Wp Sp) + (Wd Sd) + (Wu Su)(1)
2.4. Desain Algoritma K-Means 2.4.1. Perhitungan Pusat Jarak Cluster D e = (x i s i ) 2 + (y t i ) 2 (2) 2.4.2. Pusat Cluster baru N i v ij = 1 N i x kj k=0 (3) 3.1. Daftar Rekomendasi 3. HASIL DAN PEMBAHASAN Tabel 8. Daftar Komputer No Komputer Price CPU GPU Mem. HDD Size Usage 1 LuvMachines $9.800 Core i7 HD400 4GB 500GB PC Picture 2 Amphis BTO $10.200 Core i7 HD400 8GB 1TB 3 in 1 Movie 3 NEXTGEAR $8.200 Core i7 GeForce 8GB 1TB PC Games 4 Think Centre $7.300 Core i5 HD250 4GB 1TB PC Picture 5 Pavilion $7.500 Core i5 HD250 8GB 1TB Laptop Movie 6 Compaq Elite $6.700 Core i3 HD250 2GB 500GB Laptop Picture 7 Asus Inspiron $6.850 Core i3 HD2000 4GB 500GB 3 in 1 Picture 8 Asus CP3130 $5.700 Pentium HD 4GB 500GB Laptop Picture 9 ThinkCentre $4.300 Celeron HD 2GB 250GB PC Office 10 EeeBox PC $4.600 Atom Intel GMA 2GB 320GB Laptop Internet Tabel 9. Raking Dengan AHP No Nama Komputer Wp * Sp Wd * Sd Wu * Su Ps 1 NEXTGEAR i620sa7-2377hds-kk 0.138 0.2 0.157 0.495 2 Think Centre M72e Tower 0896CTO 0.089 0.2 0.055 0.446 3 Amphis BTO Di MD7300-Ci7-EX 0.123 0.2 0.097 0.42 4 Pavilion Desktop PC h8-1360jp/ct 0.104 0.2 0.097 0.401 5 LuvMachines Lm-iH532S Windows8 0.098 0.2 0.055 0.326 6 Compaq Elite 8300 MT/CT 0.064 0.2 0.055 0.319 Tabel 10. Daftar Rekomendasi
No Nama Komputer CPU GPU Memory HDD Size Usage 1 2 3 4 LuvMachines Lm-iH532S Windows8 Amphis BTO Di MD7300- Ci7-EX NEXTGEAR i620sa7-2377hds-kk Think Centre M72e Tower 0896CTO ThinkCentre M72e Tower 5 0896CTO EeeBox PC EB1501P 6 B0047 Core i7 HD400 4GB 500GB Tower Picture Core i7 HD400 8GB 1TB Compact Movie Core i7 GeForce GTX500 8GB 1TB Tower Games Core i5 HD250 4GB 1TB Tower Picture Celeron G460 Atom D425 HD 2GB 250GB Tower Office Intel GMA 2GB 320GB All in One Internet Tabel 11. PerbandinganAlgoritma AHP danalgoritma K-Means Algoritma CPU Memory HDD Usage AHP Core i7 3 8GB 3 1TB 4 Games 1 Corei5 2 4GB 2 500GB 2 Picture 3 Corei3 1 2GB 1 Movie 2 K-Means Core i7 3 8GB 2 320GB 1 Games 1 Corei5 1 4GB 2 500GB 1 Picture 2 Celeron 1 2GB 2 250GB 1 Movie 1 Atom 1 320GB 1 Office 1 Internet 1 4. KESIMPULAN Berdasarkan hasil pengujian aplikasi Rekomendasi Pemilihan Komputer Berbasis web dengan metode HAP dan KMeans maka diketahui bahwa: 1. Aplikasi ini dibuat untuk memberikan kemudahan kepada calon pembeli untuk memilih komputer yang sesuai dengan spesifikasi yang dinginkan. 2. Dengan digunakannya Metode Kmeans untuk melakukan pengelompokan, terlihat bahwa Daftar rekomendasi lebih Beragam dari sisi spesifikasi, ini yang tidak terlihat dari perankingan bila hanya menggunakan metode AHP. 5. SARAN Penulis menyadari bahwa penelitian yang dibangun masih membutuhkan penyempurnaan yang lebih baik. Oleh karena itu, penulis menyarankan agar penelitian ini dapat dijadikan sebagai bahan referensi untuk mengembangkan aplikasi metode perankingan dan klasifikasi untuk kasus yang sama ataupun kasus yang berbeda. Dapat juga dilanjutkan dengan menggunakan variable yang lebih beragam. UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada Kementrian Riset Teknologi dan Pendidikan Tinggi Melalui Skema Penelitian Dosen Pemula yang telah member dukungan financial terhadap penelitian ini. DAFTAR PUSTAKA [1] Adi Nugroho, 2005, Analisis dan Perancangan Sistem informasi dengan Metode Berorientasi Objek, Informatika, Bandung. [2] Junjie Wu. 2008. Advance in K-Means Clustering a Data Mining Thingking. Springer
[3] Kusrini, Lutfi Taufik Emha. 2009. Algoritma Data Mining. Yogyakarta : CV. Andi Offset [4] Hermawati Astuti Fajar. 2013. Data Mining. Yogyakarta : CV. Andi Offset. [5] Herlawati. 2011.Menggunakan UML. Bandung. Penerbit Informatika [6] Thomas L. Saaty. 1980. The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. McGraw-Hill [7] Sholiq 2006. Pemodelan Sistem Informasi Berorientasi Objek Dengan UML. Jakarta. Graha Ilmu