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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
Berikut flowchart untuk konsultasi wisata user biasa:
Gambar 3. 8.Flowchart Konsultasi wisata
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
Gambar 4. 1 Halaman untuk login user dan untuk melakukan konsultasi
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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 ~
Universitas Sumatera Utara
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:
Universitas Sumatera Utara
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
Universitas Sumatera Utara
Selanjutnya dihitung fungsi obyektif pertama P1 dapat dihitung manggunakan
persamaan:
P1 = 5284173807983,55
Kemudian diperbaiki matriks partisi U berdasarkan persamaan:
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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 *
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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;
Universitas Sumatera Utara
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
Standart Rp. 220.000
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
Universitas Sumatera Utara
Kota Bengkong
Tabel 4.8 Output Hotel kota Bengkong
No. HOTEL ALAMAT JENIS
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
Standart Rp. 220.000
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
No. Nama Objek Wisata
1. Nongsa
Universitas Sumatera Utara
Kota Sei Jodoh
Tabel 4.11 Output Hotel kota Sei Jodoh
No. HOTEL ALAMAT JENIS
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
Standart Rp. 230.000
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
No. Nama Objek Wisata
1. Perkampungan Melayu
Universitas Sumatera Utara
Kota Muka Kuning
Tabel 4.14 Output Hotel kota Muka Kuning
No. HOTEL ALAMAT JENIS
KAMAR
TARIF/MALAM
1. HOLIDAY
HOTEL
JL. HAng
Jebat
Standart Rp. 250.000
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
.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.
Universitas Sumatera Utara