Sistem Pendukung Keputusan Pemilihan Restoran Di Kota Medan Menggunakan Logika Fuzzy Clustering Means

(1)

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN RESTORAN

DI KOTA MEDAN MENGGUNAKAN LOGIKA

FUZZY CLUSTERING MEANS

SKRIPSI

ELY DEFRIYANI TANJUNG

091421006

PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2011

(2)

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN RESTORAN DI KOTA MEDAN MENGGUNAKAN LOGIKA

FUZZY CLUSTERING MEANS

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer

ELY DEFRIYANI TANJUNG 091421006

PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2011

(3)

PERSETUJUAN

Judul :

Kategori :

Nama :

Nomor Induk Mahasiswa :

Program Studi :

Departemen :

Fakultas :

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN RESTORAN DI KOTA MEDAN MENGGUNAKAN LOGIKA FUZZY CLUSTERING MEANS

SKRIPSI

ELY DEFRIYANI TANJUNG 091421006

SARJANA (S1) ILMU KOMPUTER ILMU KOMPUTER

MATEMATIKA DAN ILMU PENGETAHUAN

ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Diluluskan di

Medan, Juli 2011 Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Drs. Agus Salim Harahap, M.Sc Prof. Dr. Muhammad Zarlis

NIP. 195408281981031004 NIP. 195707011986011003

Diketahui/Disetujui oleh

Departemen Ilmu Komputer FMIPA – USU Ketua,

Dr. Poltak Sihombing, M.Kom NIP. 196203171991021001

(4)

PERNYATAAN

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN RESTORAN DI KOTA MEDAN MENGGUNAKAN LOGIKA

FUZZY CLUSTERING MEANS

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing – masing disebutkan sumbernya.

Medan, Juli 2011

ELY DEFRIYANI TANJUNG 091421006

(5)

PENGHARGAAN

Puji syukur saya sampaikan kehadirat Allah SWT, yang telah memberikan rahmat dan hidayah-Nya serta segala sesuatunya dalam hidup, sehingga saya dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi Ekstensi Ilmu Komputer Universitas Sumatera Utara.

Ucapan terima kasih saya sampaikan kepada bapak Prof.Dr.Muhammad Zarlis sebagai Dosen Pembimbing I dan Bapak Drs.Agus Salim Harahap sebagai dosen pembimbing II yang telah memberikan bimbingan, saran, dan masukan kepada saya untuk menyempurnakan kajian ini. Panduan ringkas, padat dan profesional telah diberikan kepada saya sehingga saya dapat menyelesaikan tugas ini. Selanjutnya kepada Dosen Penguji Bapak Dr. Poltak Sihombing, M.Kom dan Ibu Maya Silvi Lydia, B.Sc.,M.Sc atas saran dan kritikan yang sangat berguna bagi saya. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi S1 Ilmu Komputer, Bapak Dr. Poltak Sihombing, M.Kom dan Ibu Maya Silvi Lydia, B.Sc.,M.Sc, Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Ilmu Komputer FMIPA USU. Skripsi ini terutama saya persembahkan untuk kedua orang tua dan keluarga saya yang telah memberikan dukungan dan motivasi, ayahanda Rusli Tanjung dan Ibunda Nurhayati Sitompul yang selalu sabar dalam mendidik saya. Untuk semua saudara – saudara saya yang telah memberikan semangat, terutama kakak saya tercinta Siti Mahrani Tanjung. Terima kasih juga buat semangat dan bantuan teman saya Wati Hidayani dan juga sahabat-sahabat di Bandara Polonia yang tidak dapat saya sebutkan namanya satu per satu.

Saya menyadari bahwa skripsi ini masih jauh dari kesempurnaan, oleh karena itu saya menerima saran dan kritik yang bersifat membangun demi kesempurnaan skripsi ini. Sehingga dapat bermanfaat bagi kita semuanya.

(6)

ABSTRAK

Sistem pendukung keputusan didefinisikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan manajerial dalam situasi-situasi tertentu. Implementasi Sistem Pendukung Keputusan dapat juga digunakan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur. Kajian ini akan membahas tentang Sistem Pendukung Keputusan Menentukan Restoran di Kota Medan Dengan Menggunakan Logika Fuzzy C-Means. Sistem Pendukung Keputusan ini sangat membantu untuk pengambilan keputusan meminimalkan biaya pewisata kuliner di Kota Medan 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. Sistem yang akan dibangun menggunakan bahasa pemrograman PHP dengan database MySQL.

Kata kunci : Sistem Pendukung Keputusan, Logika fuzzy, Restoran, Pengelompokan, Biaya

(7)

DECISION SUPPORT SYSTEM FOR SELECTION OF RESTAURANTS INMEDAN CITY USING LOGIC FUZZY

CLUSTERING MEANS

ABSTRACT

Decision support system is defined as a system intended to support managerial decision makers in certain situations. Implementation of Decision Support System can also be used to solve problems, especially problems that are complex and unstructured. This review will discuss the Decision Support System for Determining the restaurant in the city of Medan Logic Using Fuzzy C-Means. Decision Support System is very helpful for decision making in minimizing costs pewisata culinary city of Medan in accordance with the cost of providing the user. Fuzzy C-Means where it helps in classifying the data contained in the database into clusters (groups), based on the similarity value at the center of its cluster. The system will be built using programming language PHP with MySQL database.

(8)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak v

Abstract vi

Daftar Isi vii

Daftar Tabel ix

Daftar Gambar x

Bab 1 Pendahuluan 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 4

1.6 Metodologi Penelitian 4

1.7 Sistematika Penulisan 5

Bab 2 Landasan Teori 7

2.1 Sistem Pendukung Keputusan 7

2.2 Logika Fuzzy 10

2.2.1 Pengertian Logika Fuzzy 10

2.2.2 Alasan Digunakan Logika Fuzzy 11

2.2.3 Himpunan Fuzzy 11

2.2.4 Fuzzy C-Means (FCM) 13

2.2.5 Algoritma Fuzzy Clustering Means (FCM) 14

Bab 3 Analisis dan Perancangan Sistem 18

3.1 Analisis Data 18

3.2 Perancangan Flowchart 20

3.3 Perancangan Entity Relational Diagram (ERD) 31

Bab 4 Implementasi Sistem 34

4.1 Implementasi Sistem 34

4.2 Pengujian Sistem 35

4.2.1 Sebagai Administrator 36

4.2.1.1 Proses Login 36

4.2.1.2 Administrator memasukkan data restoran 37 dan menu makanan

(9)

Bab 5 Kesimpulan dan Saran 57

5.1 Kesimpulan 57

5.2 Saran 58

Daftar Pustaka Lampiran

(10)

DAFTAR TABEL

Halaman

3.1 Penjelasan ERD SPK Pemilihan Restoran 32

4.1 Perhitungan Pusat Cluster 44

4.2 Detil Perhitungan Fungsi Objektif 46

4.3 Detail Penghitungan Derajat Keanggotaan Baru 47

4.4 Detil Perhitungan Fungsi Objektif yang Ke- 100 48 4.5 Detil Perhitungan Derajat Keanggotaan Baru U-100 48 4.6 Derajat Keanggotaan Tiap Data Pada Setiap Cluster 50

4.7 Table Matriks Awal Harga Makanan 52

(11)

DAFTAR GAMBAR

Halaman

3.1 Context Diagram 18

3.2 DFD Level 1 19

3.3 Flowchart Konsultasi Kuliner 20

3.4 Flowchart Login Admin 21

3.5 Flowchart Konsultasi Pewisata Kuliner 22

3.6 Flowchart Arsip Data Makanan 23

3.7 Flowchart Input Data Makanan 23

3.8 Flowchart Edit dan Hapus Data Makanan 24

3.9 Flowchart Input Data Restoran 25

3.10 Flowchart Arsip Data Restoran 25

3.11 Flowchart Konfigurasi Analisis 26

3.12 Flowchart Proses Input Makanan Random 27

3.13 Flowchart Proses Matriks Partisi Awal 28

3.14 Flowchart Proses Mendapatkan Fungsi Objektif 30 3.15 Entity Relationship Diagram (ERD) Sistem Pendukung Keputusan 31

4.1 Halaman Admin 36

4.2 Halaman Tambah Data Restoran 37

4.3 Halaman Tambah Data Makanan 38

4.4 Halaman Calon Pewisata Kuliner Melakukan Konsultasi 39 4.5 Halaman Calon Pewisata Kuliner Melakukan Konsultasi 40

4.6 Proses Pencampuran Data Makanan 41

4.7 Data Id Makanan Tercampur Secara Acak 42

(12)

ABSTRAK

Kata kunci : Sistem Pendukung Keputusan, Logika fuzzy, Restoran, Pengelompokan, Biaya

(13)

DECISION SUPPORT SYSTEM FOR SELECTION OF RESTAURANTS INMEDAN CITY USING LOGIC FUZZY

CLUSTERING MEANS

ABSTRACT

(14)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Fungsi pemasaran sebagai penghubung antara kebutuhan dan keinginan konsumen dengan produk yang ditawarkan oleh produsen, dirasakan sangat penting. Kebutuhan manusia yang banyak dan beraneka ragam merupakan tantangan bagi para produsen untuk mampu memahami keinginan dan kebutuhan konsumen.

Keadaan ini menciptakan suatu kondisi persaingan diantara para pemasar atas produk yang dipasarkannya. Pemasar sebaiknya mengetahui serta memahami konsumen dengan baik sehingga produk dan pelayanan yang paling memuaskan akan diminati oleh konsumen sehingga akan menghasilkan laba dari penjualan dan pemasaran produk yang dilakukannya.

Konsep tersebut juga berlaku pada bisnis restoran. Bisnis ini merupakan usaha yang berhubungan langsung dengan pelanggan atau konsumen, sehingga segala sesuatu yang dilakukan pengelola bisnis restoran disamping untuk memperoleh keuntungan juga bagaimana pengelola restoran dapat memuaskan konsumen. Karena dengan adanya kepuasan konsumen maka untuk selanjutnya konsumen akan memperlihatkan peluang membeli yang lebih tinggi dalam kesempatan berikutnya. Konsumen yang puas cenderung mengatakan sesuatu yang serba baik tentang restoran tersebut kepada orang lain. Sehingga orang lain akan berminat membeli pada restoran yang bersangkutan.

(15)

Bisnis restoran yang berkembang pesat di kota-kota besar saat ini, menimbulkan persaingan yang sangat tajam dalam memenuhi macam-macam kebutuhan. Karena itu tindakan pemasar adalah berupaya menciptakan kekhasan dan keunggulan dari berbagai faktor yang dapat menarik konsumen untuk membeli produk -produknya. Faktor-faktor tersebut misalnya fasilitas pelayanan, harga maupun produk dengan ragam dan kualitas yang lebih unggul dibanding para pesaingnya.

Pelayanan yang baik mampu memberikan kepuasan pada konsumen, di samping akan mampu mempertahankan konsumen yang lama untuk terus membeli produk yang ditawarkan, serta akan mampu pula menarik konsumen baru.

Pesatnya perkembangan dunia makanan atau lebih dikenal dengan kuliner dan juga terdapat banyak restoran dan rumah makan di Medan, tidak diiringi dengan perkembangan teknologi yang digunakan. Ditambah lagi dengan kondisi banyak konsumen yang kurang jelas dengan informasi mengenai restoran.

Sehingga hal ini membuat konsumen yang terdiri dari orang yang bertempat tinggal di Medan maupun pengunjung yang berasal dari luar Kota Medan yang masih merasa bingung, membutuhkan informasi untuk memutuskan mengunjungi restoran yang tepat berdasarkan biaya yang dimiliki dan menu yang diinginkan. Untuk itu diperlukan suatu sistem yang dapat memberikan gambaran mengenai tujuan restoran yang akan dikunjungi.

Sistem ini merupakan komputerisasi dari sistem manual dalam penentuan tujuan restoran dengan memanfaatkan logika fuzzy untuk mengambil keputusan. Diharapkan dengan sistem ini dapat memberikan informasi yang jelas mengenai tujuan restoran kepada para konsumen. Sistem ini akan memberikan informasi tujuan restoran yang dapat dikunjungi oleh konsumen sesuai dengan data yang diinputkan.

Metode pengambilan keputusan yang digunakan adalah metode clustering (pengelompokan). Sistem ini nantinya akan memberikan output berupa pilihan-pilihan restoran yang dapat dikunjungi oleh konsumen, dimana nantinya ini akan mempermudah konsumen dalam mengambil keputusan akhir dan meminilmalkan

(16)

biaya yang harus dikeluarkan oleh konsumen untuk menentukan restoran mana yang tepat sesuai dengan biaya yang dimiliki.

1.2 Rumusan Masalah

Rumusan masalah dalam penelitian tugas akhir ini adalah bagaimana membuat suatu analisis rancangan sistem pendukung keputusan menentukan lokasi restoran yang baik untuk mendapatkan menu makanan tertentu berdasarkan biaya yang dimiliki sehingga bisa meminimalkan pengeluaran dengan cara mengimplementasikannya kedalam sistem pengambilan keputusan menggunakan logika fuzzy dan metoda fuzzy clustering C-Means sebagai pengambil keputusan.

1.3 Batasan Masalah

Batasan masalah yang menjadi acuan dalam penelitian skripsi ini adalah :

1. Sistem pendukung keputusan digunakan dalam menentukan lokasi restoran berdasarkan biaya dan menu makanan yang dipesan untuk meminimalkan biaya bagi konsumen, khusus untuk restoran yang berada di kota Medan. 2. Sistem pendukung keputusan berperan dalam pengambilan keputusan dengan

memanfaatkan data lokasi restoran melalui teknik clustering dalam membagi data menjadi beberapa kelompok untuk memperoleh output yang sesuai dengan kriteria konsumen.

3. Skripsi ini hanya membahas biaya dan menu makanan dari yang menu spesial hingga yang biasa.

4. Variable fuzzy yang digunakan yaitu: biaya dan menu makanan tertentu.

5. Sistem dibangun dan dikembangkan dengan PHP 5.0 sebagai bahasa pemrograman script server side dan MySQL 5.0 sebagai database-nya.

(17)

1.4 Tujuan Penelitian

Tujuan yang hendak dicapai dalam penelitian skripsi ini adalah untuk memudahkan pewisata kuliner dalam menentukan lokasi restoran yang cocok dengan biaya yang dimiliki berdasarkan menu makanan tertentu dengan pengimplementasian logika fuzzy menggunakan fuzzy clustering dalam pengambilan keputusan.

1.5 Manfaat Penelitian

Manfaat yang diperoleh dalam penelitian skripsi ini adalah selain menambah pengetahuan penulis mengenai sistem pendukung keputusan, hasil penelitian ini juga bisa digunakan sebagai media informasi pengambilan keputusan bagi konsumen untuk memutuskan pilihan restoran yang tepat sesuai dengan menu yang diinginkan dan biaya yang dimiliki konsumen.

1.6 Metodologi Penelitian

Adapun metode penelitian yang dilakukan penulis dalam penelitian skripsi adalah: 1. Studi Literatur

Mengumpulkan informasi dan mempelajari materi serta sumber-sumber data yang berhubungan dengan sistem pendukung keputusan dalam pengimplementasian fuzzy C-Means kedalam suatu program, teknologi internet, maupun materi atau sumber-sumber lain yang terkait dengan penelitian ini.

2. Pengumpulan data yang berhubungan dengan penelitian.

Melakukan pengumpulan data yang dibutuhkan untuk penelitian ini, yaitu data-data harga menu makanan yang akan dijadikan sebagai input dari sistem.

(18)

Menganalisa system pendukung keputusan yang telah dikumpulkan sebelumnya melalui studi literatur.

4. Implementasi Sistem

Pada tahap ini dilakukan pembuatan sistem sesuai dengan analisis dan perancangan yang telah dilakukan.

5. Pengujian Sistem.

Pada tahap ini dilakukan pengujian sistem, apakah implementasi telah sesuai dengan tujuan penelitian.

6. Dokumentasi Sistem

Melakukan pembuatan dokumentasi sistem mulai dari tahap awal sampai dengan pengujian sistem.

1.7 Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama sebagai berikut:

BAB I PENDAHULUAN

Bab ini akan menjelaskan mengenai latar belakang masalah yang dibahas dalam skripsi ini, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan skripsi.

BAB II LANDASAN TEORI

Bab ini merupakan tinjauan teoritis yang berkaitan dengan sistem pendukung keputusan, metode fuzzy clustering means, serta hal-hal yang berhubungan dengan data-data yang akan digunakan yang berasal dari harga menu makanan.

(19)

BAB III ANALISIS DAN PERANCANGAN SISTEM

Dalam bab ini akan dibahas tentang analisis, analisis kebutuhan perangkat lunak, Analisis Data Flow Diagram (DFD), perancangan flowchart, perancangan Entity Relationship Diagram (ERD). Lalu diimplementasikan dalam bahasa pemograman PHP.

BAB IV IMPLEMENTASI DAN PENGUJIAN

Dalam bab ini akan berisi pengujian terhadap program yang sudah diimplementasikan, lalu dilakukan analisa apakah sistem berhasil meraih hasil sesuai dengan yang diharapkan.

BAB V KESIMPULAN DAN SARAN

Bab terakhir akan memuat kesimpulan isi dari keseluruhan uraian bab-bab sebelumnya dan saran-saran dari hasil yang diperoleh yang diharapkan dapat bermanfaat dalam pengembangan selanjutnya.

(20)

BAB 2

LANDASAN TEORI

2.1 Sistem Pendukung Keputusan

Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan didukung oleh sebuah sistem informasi berbasis komputer dapat membantu seseorang dalam meningkatkan kinerjanya dalam pengambilan keputusan. Untuk memberikan pengertian yang lebih mendalam, akan diuraikan beberapa definisi mengenai SPK yang dikembangkan oleh beberapa ahli, diantaranya oleh Man dan Watson yang memberikan definisi sebagai berikut, SPK merupakan suatu sistem yang interaktif, yang membantu pengambil keputusan melalui penggunaan data dan model-model keputusan untuk memecahkan masalah yang sifatnya semi terstruktur maupun yang tidak terstruktur.

Sistem pendukung keputusan didefinisikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan manajerial dalam situasi situasi tertentu. Sistem pendukung keputusan dimaksudkan untuk menjadi alat bantu bagi para pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak untuk menggantikan penilaian mereka (Turban et al, 2005) [8].

SPK dapat memberikan berbagai manfaat dan keuntungan. Manfaat yang dapat diambil dari SPK adalah:

1) SPK memperluas kemampuan pengambil keputusan dalam memproses data / informasi bagi pemakainya.

2) SPK membantu pengambil keputusan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur.

(21)

3) SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan.

4) Walaupun suatu SPK, mungkin saja tidak mampu memecahkan masalah yang dihadapi oleh pengambil keputusan, namun ia dapat menjadi pendorong bagi pengambil keputusan dalam memahami persoalannya, karena mampu menyajikan berbagai alternatif pemecahan.

Di samping berbagai keuntungan dan manfaat seperti dikemukakan diatas, SPK juga memiliki beberapa keterbatasan, diantaranya adalah (Turban, Efraim dan Jay Aronson. 2005) [8] :

1. Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat dimodelkan, sehingga model yang ada dalam sistem tidak semuanya mencerminkan persoalan sebenarnya.

2. Kemampuan suatu SPK terbatas pada perbendaharaan pengetahuan yang dimilikinya (pengetahuan dasar serta model dasar).

3. Proses-proses yang dapat dilakukan SPK biasanya juga tergantung pada perangkat lunak yang digunakan.

4. SPK tidak memiliki kemampuan intuisi seperti yang dimiliki manusia. Sistem ini dirancang hanyalah untuk membantu pengambil keputusan dalam melaksanakan tugasnya.

Proses pengambilan keputusan terdiri dari tiga fase proses, yaitu :

a. Fase intelligence, fase dimana dilakukan pencarian kondisi-kondisi yang dapat menghasilkan keputusan.

b. Fase design, fase untuk menemukan, mengembangkan dan menganalisis materi-materi yang mungkin untuk dikerjakan.

c. Fase choice, terjadi pemilihan dari materi-materi yang tersedia untuk menjadi keputusan akhir.

(22)

Proses-proses yang terjadi pada kerangka kerja Sistem Pendukung Keputusan dibedakan atas :

a. Terstruktur, mengacu pada permasalahan rutin dan berulang untuk solusi standar yang ada.

b. Tak terstruktur adalah keadaan yang kabur, permasalahan kompleks dimana tidak ada solusi yang tepat. Masalah yang tidak terstruktur terjadi akibat tidak adanya tiga fase proses yang terstruktur.

c. Semi terstruktur, terdapat beberapa keputusan terstruktur, tetapi tak semuanya dari fase-fase yang ada.

SPK juga merupakan bagian dari SIM (Sistem Informasi Manajemen) sama hal nya seperti seperti sistem pakar dan sistem pengambil pendukung keputusan. SIM adalah sistem berbasis komputer yang mengolah informasi bagi beberapa pemakai dengan keputusan serupa. Dimana dalam sistem informasi mengandung 3 aktivitas yaitu masukan (input), pemprosesan (processing), dan keluaran (output). Tiga aktivitas dasar tersebut menghasilkan informasi yang pada umumnya dalam bentuk laporan untuk pengambilan keputusan, pengendalian operasi, analisa permasalahan dan menciptakan produk atau jasa baru.

2.2 Logika Fuzzy

2.2.1 Pengertian Logika Fuzzy

Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh, seorang ilmuan Amerika Serikat berkebangsaan Iran dari universitas California di Barkeley, melalui tulisannya pada tahun 1965. Meskipun logika fuzzy dikembangkan di Amerika, namun ia lebih populer dan banyak diaplikansikan secara luas oleh praktisi Jepang dengan mengadaptasikannya ke bidang kendali (control). Makanya, tidak heran kalau saat ini banyak dijual produk elektronik buatan Jepang yang menerapkan prinsip logika fuzzy, seperti mesin cuci, AC, dan lain-lain ( Munir, R. 2005) [5].

Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotaan

(23)

yang memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak).

Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi. 2004) [1].

Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan" dan "sangat".

2.2.2 Alasan Digunakannya Logika Fuzzy

Menurut Cox (1994), ada beberapa alasan mengapa orang menggunakan logika Fuzzy, antara lain:

1. Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy menggunakan dasar teori himpunan, maka konsep matematis yang mendasari penalaran fuzzy tersebut cukup mudah untuk dimengerti.

2. Logika fuzzy sangat fleksibel, artinya mampu beradaptasi dengan perubahan-perubahan, dan ketidakpastian yang menyertai permasalahan.

3. Logika fuzzy memiliki toleransi terhadap data yang tidak tepat.

4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.

2.2.3 Himpunan Fuzzy

Pada himpunan tegas (crisp ) , nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA(x), memiliki dua kemungkinan, yaitu:

(24)

a. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau

b. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Himpunan Fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian sehingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaan menunjukkan bahwa suatu item dalam semesta pembicaraan tidak hanya berada pada 0 atau 1, namun juga nilai yang terletak di antaranya. Dengan kata lain, nilai kebenaran suatu item tidak hanya bernilai benar dan salah. Nilai 0 menunjukkan salah, nilai 1 menunujukkan benar, dan masih ada nilai-nilai yang terletak antar benar dan salah dengan derajat keanggotaan tertentu (Kusumadewi, 2002) [3].

Himpunan fuzzy memiliki 2 atribut, yaitu:

a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, TUA.

b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variable seperti: 40, 25, 50, dan sebagainya.

Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu: a. Variabel fuzzy

Variabel fuzzy adalah variabel yang hendakdibahas dalam suatu sistem fuzzy. Contoh: umur, temperature, permintaan, dsb.

b. Himpunan fuzzy

Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.

Contoh: Variabel berat, terbagi menjadi 3 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.

(25)

Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh: Semesta pembicaraan untuk variabel berat: [0 , 40]

d. Domain

Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.

Contoh domain himpunan fuzzy: 1. DINGIN = [0 , 20]

2. SEJUK = [15 , 25] 3. NORMAL = [20 , 30]

2.2.4 Fuzzy C-Means (FCM)

Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal euclidian untuk jarak antar vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengindentifikasi aturan-aturan fuzzy.

Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy C-Means (FCM). Fuzzy C-Means (FCM) adalah suatu teknik pengclusteran data yang mana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981.

Konsep dari Fuzzy C-Means pertama kali adalah menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada

(26)

minimisasi fungsi objektif yang menggambarkan jarak dari titik data yang diberikan kepusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.

Output dari Fuzzy C-Means merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference system.

2.2.5 Algoritma Fuzzy Clustering Means (FCM)

Algoritma Fuzzy C-Means adalah sebagai berikut:

1. Input data yang akan dicluster X, berupa matriks berukuran n x m (n=jumlah sample data, m=atribut setiap data). Xij=data sample ke-i (i=1,2,…,n), atribut

ke-j (j=1,2,…,m). 2. Tentukan:

a. Jumlah cluster = c

b. Pangkat = w

c. Maksimum iterasi = MaxIter d. Error terkecil yang diharapkan = ξ

e. Fungsi obyektif awal = Po =0

f. Iterasi awal = t =1

3. Bangkitkan nilai acak ik, i=1,2,…,n; k=1,2,…,c sebagai elemen-elemen

matriks partisi awal u.

ik adalah derajat keanggotaan yang merujuk pada seberapa besar

kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster. Posisi dan nilai matriks dibangun secara random. Dimana nilai keangotaan terletak pada interval 0 sampai dengan 1. Pada posisi awal matriks partisi U masih belum akurat begitu juga pusat clusternya. Sehingga kecendrungan data untuk masuk suatu cluster juga belum akurat.

(27)

……….(2.1)

……….(2.2)

……….(2.3) Hitung jumlah setiap kolom (atribut):

Keterangan :

C = Jumlah Cluster

Qi = jumlah nilai derajat keanggotaan perkolom =1 dengan i=1,2,…m

k= atribut ke 1

ik = derajat keanggotaan

Hitung:

4. Hitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…c dan j=1,2,…m.

Keterangan:

Vkj = Pusat Cluster

n = Jumlah Sample Data w = Pangkat

Xij = data sample ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m)

Fungsi obyektif dugunakan sebagai syarat perulangan untuk mendapatkan pusat cluster yang tepat. Sehingga diperoleh kecendrungan data untuk masuk ke cluster mana pada step akhir.

(28)

……….(2.4)

……….(2.5) 5. Hitung fungsi obyektif pada iterasi ke-t, Pt

Keterangan :

Pt = Fungsi Objektif

c = Jumlah Cluster n= Jumlah Sample Data m= atribut setiap data Vkj = Pusat Cluster

Xij = data sample ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m)

ik= derajat keanggotaan

6. Hitung perubahan matriks partisi:

c = Jumlah Cluster n= Jumlah Sample Data m= atribut setiap data Vkj = Pusat Cluster

Xij = data sample ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m)

ik= derajat keanggotaan

7. Cek kondisi berhenti:

a) jika:( |Pt - Pt-1 |< ξ) atau (t>maxIter) maka berhenti. b)jika tidak: t=t+1, ulangi langkah ke-4.

(29)

BAB III

ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Data

Data Flow Diagram (DFD) adalah suatu model logika data atau proses yang dibuat untuk menggambarkan dari mana asal data dan kemana tujuan data yang keluar dari sistem, dimana data disimpan, proses apa yang menghasilkan data tersebut dan interaksi antara data yang tesimpan serta proses yang dikenakan pada data tersebut. DFD menunjukan hubungan antar data pada sistem dan proses pada sistem.

Dalam sistem pendukung keputusan pemilihan restoran menggunakan logika fuzzy dengan metode clustering, DFD untuk calon wisatawan dan administrator-nya dapat digambarkan sebagai berikut:

Gambar 3.1 Context 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 menu pembuka, data menu utama, data menu penutup.

2. Sedangkan user calon pewisata kuliner: bisa melihat informasi yang disediakan serta dapat melakukan kosultasi pemilihan restoran. Pada saat melakukan konsultasi pemilihan restoran, calon pewisata kuliner memberikan input-an fuzzy

(30)

berupa biaya dan porsi. System akan memproses input-an tersebut dan memberikan output system yang terdiri dari informasi tentang restoran yang dapat dikunjungi oleh calon pewisata kuliner.

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 pewisata kuliner ke sistem, dan akan diperluas menjadi level 2 untuk proses menentukan tujuan wisata dan mengelola data admin.

3.2 Perancangan Flowcharts

Flowchart adalah penggambaran secara grafik dari langkah-langkah dan urutan-urutan prosedur dari suatu program. Flowchart biasanya mempermudah penyelesaian suatu masalah khususnya masalah yang perlu dipelajari dan dievaluasi lebih lanjut.

(31)

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 Konsultasi Kuliner

Flowchart diatas menggambarkan halaman awal yaitu halaman konsultasi kuliner yang akan ditemukan oleh pengunjung. Untuk administrator dapat melakukan login sebagai admin dengan cara mengunjungi halaman admin dan untuk user biasa dapat mengakses sistem Pendukung keputusan langsung untuk melakukan konsultasi pemilihan restoran. Berikut merupakan flowchart yang menggambarkan kegiatan yang dapat dilakukan oleh administrator.

(32)

Gambar 3.4 Flowchart Login Admin

Dari flowchart tersebut dapat dilihat bahwa administrator dapat melakukan konsultasi pemilihan restoran, edit data, tambah data, hapus data dan configurasi analisis. Berikut ini flowchart untuk konsultasi user yang menjelaskan proses mendapatkan informasi yang sudah dilakukan oleh admin yang tersimpan di database:

(33)

Gambar 3.5 Flowchart Konsultasi Pewisata Kuliner

Sebelum user mendapatkan informasi yang telah disediakan oleh admin, proses yang dilakukan adalah proses input data semua restoran dan menu makanan, berikut flowchart arsip data makanan :

(34)

Gambar 3.6 Flowchart Arsip Data Makanan Berikut ini adalah flowchart input data makanan:

Gambar 3.7 Flowchart Isnput Data Makanan

(35)

Gambar 3.8 Flowchart Edit dan Hapus Data Makanan

(36)

Gambar 3.9 Flowchart Input Data Restoran Untuk data arsip restoran adalah sebagai berikut :

Gambar 3.10 Flowchart Arsip Data Restoran

Proses analisis data dilakukan dengan cara mengkonfigurasi dan memasukkan data yang dirandom terlebih dahulu lalu dilanjutkan dengan pengclusteran data menggunakan metode fuzzy c-means kemudian menyimpan data hasil analisis tersebut kedalam database, berikut ini adalah flowchart proses analisis configurasi.

(37)

Gambar 3.11 Flowchart Konfigurasi Analisis

Setelah proses ini dijalani maka proses selanjutnya yang dilakukan adalah proses input data makanan random. Berikut flowchart nya:

(38)

Gambar 3.12 Flowchart Proses Input Makanan Random

Sebelumnya telah ditentukan nilai maximum iterasi dalam kasus ini yaitu 100 iterasi, dengan iterasi awal (t) = 1, jumlah cluster = 3, dan fungsi objektif pertama = 0. Selanjutnya data informasi restoran, menu makanan dan porsi diolah bersama dengan nilai yang diinput user berapa porsi dan biaya. Kemudian proses menentukan nilai

(39)

matriks partisi awal secara random yaitu nilai derajat keanggotaan suatu data pada suatu cluster ( ik) terletak pada interval 0 hingga 1.

(40)

Dengan kondisi 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 porsi menu 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 menu pembuka, menu utama dan menu penutup. Jika tidak, maka dicek apakah derajat keanggotaan tertentu masuk ke cluster ke-2. Jika ya, maka dilakukan pencarian data menu pembuka, menu utama dan menu penutup. 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 menu pembuka, menu utama dan menu penutup. Setelah semua data masuk ke clusternya masing-masing berdasarkan kesamaan nilai karakteristiknya. Maka ditampilkan kepada user pilihan restoran dan lokasi restoran berdasarkan kondisi biaya dan porsi menu yang diinginkan user.

Setelah semua data masuk ke clusternya masing-masing berdasarkan kesamaan nilai karakteristiknya. Maka ditampilkan kepada user pilihan restoran dan lokasi restoran berdasarkan kondisi biaya dan porsi menu yang diijinkan user.

Berikut ini adalah Flowchart proses mendapatkan fungsi objektif yang terakhir dan U sebagai iterasi ke-100.

(41)

(42)

3.3 Perancangan Entity Relationship Diagram (ERD)

(43)

ERD diatas terdiri dari 11 tabel, untuk proses dalam algoritma fuzzy clustering means ini, dan juga menggunakan tabel admin yaitu sessions dan staff. Berikut ini lebih jelas tabel dan atribut dari ERD di atas.

Tabel 3.1 Penjelasan ERD SPK Pemilihan Restoran

Nama Tabel Uraian

1. id_random: id_data

id_x1 id_x2 id_x3 id_restoran

2. jenis_menu: id_jenis_menu

nama_menu 3. keterangan_makanan_random: id_data

makanan_pembuka makanan_utama makanan_penutup id_restoran

4. makanan: id_makanan

harga nama_makanan gambar

id_jenis_menu id_restoran 5. makanan_random: id_data

x1 x2 x3 total cluster id_restoran 6. pusat_cluster_terakhir: id_data

cluster_1 cluster_2 cluster_3

(44)

Tabel 3.1 Penjelasan ERD SPK Pemilihan Restoran (Lanjutan)

Nama Tabel Uraian

7. session seshid

userid lastused

8. staff: user_id

password f_name l_name jabatan

9. u_random: id_data

u1 u2 u3

id_restoran

10. u_terakhir: id_data

u1 u2 u3

(45)

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Pada bab ini akan dijelaskan tentang implementasi dan pengujian dari aplikasi yang telah dirancang pada bab 3. Implementasi dilakukan untuk mengetahui hasil dari perangkat lunak yang dibangun dan pengujian dilakukan untuk melihat apakah setiap proses yang ada berjalan dengan baik dan output yang dihasilkan sudah sesuai dengan yang diharapkan.

4.1 Implementasi Sistem

Implementasi Sistem meliputi kebutuhan minimum hardware komputer dan kebutuhan perangkat lunak pendukung aplikasi. Tahap implementasi perangkat lunak merupakan kelanjutan dari tahap perancangan, sehingga implementasi ini harus didasarkan pada perancangan yang telah dilaksanakan sebelumnya. Sistem Pendukung keputusan menentukan restoran menggunakan logika fuzzy dengan metode clustering diaplikasikan ke dalam bahasa pemrograman php 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 5. Mouse

6. Keyboard

Perangkat lunak yang dibutuhkan untuk pengembangan dan implementasi sistem fuzzy untuk proses pendukung keputusan menentukan restoran yang dibutuhkan adalah: 1. Windows XP

2. Apache Web Server dan Database MySQL yang telah tergabung dalam aplikasi XAMPP.

(46)

3. Web browser (Saat ini Mozilla Firefox direkomendasikan untuk tambilan terbaik).

Aplikasi dari Sistem Pendukung keputusan penentuan restoran menggunakan logika fuzzy dengan metode clustering ini memberikan penawaran kepada calon pewisata kuliner dengan memberikan pertanyaan biaya yang dimiliki oleh calon pewisata kuliner dan porsi yang direncanakan untuk dibeli. Sistem ini hanya terfokus pada restoran yang ada di Kota Medan sebagai tujuan pewisata kuliner. Selanjutnya system akan memberikan beberapa keluaran (output) kepada calon pewisata kuliner. Dalam sistem ini penentu keputusan tetap calon pewisata kuliner, karna system tidak memberikan hasil secara otomaisi. Namun system ini hanya memberikan masukan pilihan menu pembuka, menu utama, dan menu penutup sesuai biaya dan porsi yang di inginkan user.

4.2 Pengujian Sistem

Hasil dari sistem pendukung keputusan menentukan restoran yang ada di Kota Medan ini menggunakan logika fuzzy dengan metode clustering yang dibangun dapat dilihat dari tampilan yang dihasilkan pada saat pengujian dilakukan. Pengujian yang dilakukan meliputi:

1. Administrator melakukan login dan memasukkan data menu. 2. User biasa melakukan konsultasi pewisata kuliner

4.2.1 Sebagai Administrator

Administrator memiliki hak akses untuk mengelola informasi yang ada pada system. Sebelum melakukan pengolahan data, seorang admin harus melakukan login terlebih dahulu dengan memberikan username dan password yang benar.

(47)

4.2.1.1 Proses Login

Saat admin melakukan login sebagai administrator maka sistem akan menampilkan form berikut:

Gambar 4.1 Halaman Admin

4.2.1.2 Administrator memasukkan data restoran dan menu makanan

a. Administrator Memasukkan data restoran

Untuk dapat memasukkan data restoran administrator harus login terlebih dahulu, setelah mendapatkan autentikasi maka administrator dapat melakukan penambahan data restoran. Berikut merupakan contoh penambahan data restoran.

(48)

Gambar 4.2 Halaman Tambah Data Restoran b. Administrator Memasukkan data menu makanan

Untuk dapat memasukkan data restoran administrator harus login terlebih dahulu. Berikut merupakan contoh penambahan data menu makanan.

(49)

Gambar 4.3 Halaman Tambah Data Makanan

4.2.2 User Biasa Melakukan Konsultasi

Saat user login, maka system pendukung keputusan menampilkan form konsultasi sebagai berikut:

(50)

Gambar 4.4 Halaman Calon Pewisata Kuliner Melakukan Konsultasi

Ketika ditekan tombol submit maka system akan memberikan output seperti tampilan berikut ini:

(51)

Gambar 4.5 Halaman Calon Pewisata Kuliner Melakukan Konsultasi

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

a. Biaya =Rp. 200.000 b. Porsi = 1

Input-an fuzzy akan dibandingkan dengan data hasil pengelompokkan, untuk biaya akan dibandingkan dengan jumlah semua biaya yang dibutuhkan. Berikut detail prosesnya:

Data yang dicari nantinya akan dikelompokkan menjadi 3 kelompok data. Data tersebut akan diambil berdasarkan jumlah harga total ketiga campuran menu makanan yang lebih kecil sama dengan total biaya. Dengan perhitungan :

(52)

Harga=biaya/total

Lalu dilakukan proses pencarian data harga total ketiga campuran menu tersebut di tabel makanan_random pada database berdasarkan harga yang di minta. Lalu muncullah output pada gambar 4.5.

Data yang muncul pada gambar 4.5 tersebut sebelumnya telah di configurasi terlebih dahulu melalui proses input data makanan dan restoran, lalu dilakukan proses percampuran ketiga makanan tersebut secara random kemudian proses yang terakhir adalah proses pengclusteran atau pengelompokan data menggunakan metode clustering dengan algoritma fuzzy c-means.

(53)

Gambar 4.7 Data Id Makanan Tercampur Secara Acak

Untuk melakukan penghitungan dengan metode clustering dapat ditetapkan nilai awal sebagai berikut:

Jumlah cluster = c =3

Pangkat = w =2

Maksimum iterasi = MaxIter =100

Error terkecil yang diharapkan = ξ =0,01

Fungsi objektif awal = P0 =0

Iterasi awal = t =1

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

(54)

……….(2.3) Gambar 4.8 Output Matrik U random

Untuk perhitungan iterasi pertama menggunakan persamaan:

Keterangan:

Vkj = Pusat Cluster

n = Jumlah Sample Data w = Pangkat

(55)

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

v[1][1]:26039.102021 v[1][2]:30370.8133214 v[1][3]:26129.8763999 v[2][1]:23953.0425977 v[2][2]:30314.6527278 v[2][3]:28660.5166723 v[3][1]:23435.2142305 v[3][2]:37963.4434086 v[3][3]:27406.9286089

Tabel berikut menunjukkan salah satu contoh penghitungan pusat cluster, yaitu menghitung pusat cluster pertama.

Tabel 4.1 Perhitungan Pusat Cluster

Keterangan:

Xi1 = Makanan Pembuka

Xi2 = Makanan Utama

Xi3 = Makanan Penutup

Xij = data sample ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m)

Uik= derajat keanggotaan

∑(Ui12) = 11.8288238835

(56)

…….(2.4) ∑ (Ui12) * (Xi2) = 359251.001978

∑ (Ui12)*(Xi3) = 309085.706032

∑ [(Ui12) * (Xi1)]/ ∑ (Ui12) = 26039.102021

∑ [(Ui12) * (Xi2)]/ ∑ (Ui12) = 30370.8133214

∑ [(Ui12) * (Xi3)]/ ∑ (Ui12) = 26129.8763999

Selanjutnya dihitung fungsi obyektif pertama P1 dapat dihitung manggunakan persamaan:

Keterangan :

Pt = Fungsi Objektif

c = Jumlah Cluster n= Jumlah Sample Data m= atribut setiap data Vkj = Pusat Cluster

Xij = data sample ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m)

ik= derajat keanggotaan

P1= 155617418473

Detail penghitungan fungsi objektif ini dapat dilihat pada Tabel 4.2 berikut

(57)

……….(2.5) Kemudian diperbaiki matriks partisi U berdasarkan persamaan:

c = Jumlah Cluster n = Jumlah Sample Data m = atribut setiap data Vkj = Pusat Cluster

Xij = data sample ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m)

ik= derajat keanggotaan

Perhitungan derajat keanggotaan baru yang terhimpun dalam matriks partisi seperti terlihat pada tabel. Berikut detil perhitungan derajat keanggotaan baru.

Detil Perhitungan derajat keanggotaan baru(Matrix Partisi) yang di kalikan dengan 108 untuk memperbesar nilai.

Berikut hasil perhitungan derajat keanggotaan baru yang terhimpun dalam matriks partisi:

(58)

Tabel 4.3

Selanjutnya dicek k 155617418473 >> mi iterasi ke-100

Detil Perhitungan deraj untuk memperbesar nil

3 Detail Penghitungan Derajat Keanggotaan

kondisi berhenti, karena P1 – P0 =|

minerr dan iterasi = 1<maxiter(=100). Maka

rajat keanggotaan baru(Matrix Partisi) yang di nilai.

aan Baru

=|155617418473-0|= aka dilanjutkan pada

(59)

Tabel 4.4 Detil Perhitungan Fungsi Objektif yang Ke- 100

Berikut ini adalah matrik partisi derajat keanggotaan yang baru U-100 Tabel 4.5 Detil Perhitungan Derajat Keanggotaan Baru U-100

Informasi yang dapat diperoleh dari ketiga pusat cluster ini adalah:

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

(60)

Informasi yang dapat diperoleh dari ketiga pusat cluster ini adalah:

1. Kelompok pertama (cluster ke-1), berisi mempunyai makanan pembuka sekitar Rp. 20247.9399765, makanan utama sekitar Rp. 25379.513021 dan makanan penutup Rp. 13995.0605445.

2. Kelompok kedua (cluster ke-2), berisi mempunyai makanan pembuka sekitar Rp. 25063.2226425, makanan utama sekitar Rp. 32559.3413505 dan makanan penutup Rp. 16497.6053572.

3. Kelompok ketiga (cluster ke-3), berisi mempunyai makanan pembuka sekitar Rp. 39345.0556847, makanan utama sekitar Rp. 44697.823017dan makanan penutup Rp. 22554.8914217. keanggotaan hasil partisi dan kecenderungan data terhadap suatu cluster pada iterasi ke 100 dapat dilihat pada tabel.

Cluser 1 Cluser 2 Cluser 3

20247.9399765 25063.2226425 39345.0556847

25379.513021 32559.3413505 44697.823017

(61)

Tabel 4.6 Derajat Keanggotaan Tiap Data Pada Setiap Cluster

No Derajat keanggotaan pada kluster ke-100

Data Cenderung masuk ke Cluster

kedata

U1 U2 U3 1 2 3

1 0.312450688 0.336101744 0.351447568 * 2 0.318675428 0.329740602 0.351583971 * 3 0.314752475 0.335595746 0.349651779 * 4 0.315090722 0.335036124 0.349873154 * 5 0.257431164 0.348879866 0.39368897 * 6 0.320505354 0.324121004 0.355373642 * 7 0.22254697 0.317130063 0.460322967 * 8 0.477624012 0.324620705 0.197755283 * 9 0.421690613 0.347788347 0.23052104 * 10 0.485173812 0.322283784 0.192542404 * 11 0.478250589 0.322533649 0.199215762 * 12 0.450271062 0.361702241 0.188026697 * 13 0.493565621 0.325897829 0.18053655 * 14 0.38421984 0.39056397 0.22521619 * 15 0.326649958 0.451299801 0.222050242 * 16 0.28021997 0.397933642 0.321846388 * 17 0.433112366 0.340004333 0.226883302 * 18 0.467699085 0.327621411 0.204679504 * 19 0.44263741 0.337956514 0.219406075 * 20 0.456991299 0.331789704 0.211218997 * 21 0.448785027 0.338147115 0.213067859 * 22 0.421404709 0.336753426 0.241841865 * 23 0.415182979 0.339626343 0.245190677 * 24 0.423344585 0.338135988 0.238519428 * 25 0.426782791 0.34902256 0.224194649 * 26 0.415841196 0.340363133 0.243795671 * 27 0.423344585 0.338135988 0.238519428 * 28 0.41524302 0.340472398 0.244284582 * 29 0.425556444 0.33833878 0.236104776 * 30 0.415786833 0.341280001 0.242933166 * 31 0.425443223 0.337368863 0.237187914 * 32 0.422581446 0.347662946 0.229755609 * 33 0.421105977 0.349442667 0.229451356 * 34 0.42651085 0.342182743 0.231306406 * 35 0.445129639 0.335334195 0.219536166 * 36 0.47680057 0.31987237 0.20332706 * 37 0.250521242 0.318939068 0.430539689 * 38 0.146993719 0.22704136 0.625964921 *

(62)

Tabel 4.6 Derajat Keanggotaan Tiap Data Pada Setiap Cluster (Lanjutan)

39 0.246942321 0.30934061 0.44371707 * 40 0.275913387 0.321640756 0.402445857 * 41 0.361625023 0.301842366 0.336532611 * 42 0.154807786 0.237864891 0.607327323 * 43 0.248671072 0.311850996 0.439477932 * 44 0.249047065 0.319100652 0.431852282 * 45 0.103678044 0.159043174 0.737278782 * 46 0.31635805 0.310979757 0.372662193 * 47 0.31635805 0.310979757 0.372662193 * 48 0.315228972 0.310955531 0.373815497 * 49 0.304753332 0.311847024 0.383399644 * 50 0.301605904 0.31274072 0.385653376 * 51 0.303757821 0.31199358 0.384248599 * 52 0.301795797 0.302337792 0.39586641 * 53 0.316133761 0.312537337 0.371328902 * 54 0.298366913 0.321539648 0.38009344 * 55 0.288058601 0.320697128 0.391244271 * 56 0.33660279 0.306693108 0.356704102 * 57 0.404843387 0.371864169 0.223292445 * 58 0.418892837 0.359936025 0.221171138 * 59 0.420626688 0.3709539 0.208419411 * 60 0.444344797 0.353289908 0.202365294 * 61 0.434642337 0.362302678 0.203054985 * 62 0.426689191 0.344014374 0.229296435 * 63 0.441285209 0.347574344 0.211140447 * 64 0.446500746 0.334702709 0.218796545 * 65 0.444977881 0.340499843 0.214522276 * 66 0.454773853 0.323515785 0.221710362 * 67 0.428290699 0.336067407 0.235641894 * 68 0.435129087 0.342926449 0.221944464 * 69 0.441835383 0.345373266 0.212791351 * 70 0.443541357 0.337688478 0.218770165 * 71 0.441563853 0.339347214 0.219088933 * 72 0.423977585 0.341475035 0.234547379 * 73 0.421737641 0.340778739 0.237483621 * 74 0.419142032 0.339738646 0.241119322 * 75 0.416216281 0.347648916 0.236134802 * 76 0.407553673 0.34132985 0.251116477 * 77 0.406856912 0.342499051 0.250644036 * 78 0.42048652 0.339018999 0.240494481 *

(63)

Tabel 4.7 Tabel Matriks Awal Harga Makanan

id_data

Makan

Pembuka Makanan Utama

Makanan

Penutup total

1 18760 174200 30150 223110

2 167500 187600 30150 385250

3 21440 194300 30150 245890

4 30150 201000 30150 261300

5 21440 58960 30150 110550

6 167500 65660 30150 263310

7 30150 43550 30150 103850

8 17000 17000 8500 42500

9 5000 15000 8500 28500

10 18000 18000 8500 44500

11 17000 16000 9000 42000

12 15000 25000 8500 48500

13 17000 20000 10000 47000

14 8000 30000 8500 46500

15 18000 35000 8500 61500

16 10000 50000 17000 77000

17 12000 15000 4000 31000

18 16000 16000 8000 40000

19 12000 15000 6500 33500

20 16000 16500 6000 38500

21 12000 16000 8000 36000

22 6500 6000 8000 20500

23 3500 6000 8500 18000

24 6500 8000 8000 22500

25 7000 17000 8000 32000

26 3500 7000 8500 19000

27 6500 8000 8000 22500

28 3500 7000 8000 18500

29 7000 9000 8000 24000

30 3500 8000 8000 19500

31 7000 8000 8500 23500

32 5000 15000 9000 29000

33 5000 16000 8500 29500

34 11000 15000 3000 29000

35 11000 13000 9000 33000

36 18000 15000 8500 41500

37 32000 45000 35000 112000

38 36000 45000 21000 102000

(64)

Tabel 4.7 Tabel Matriks Awal Harga Makanan (Lanjutan)

40 45000 70000 42000 157000

41 40000 23000 35000 98000

42 36000 46000 21000 103000

43 34000 45000 35000 114000

44 32000 46000 35000 113000

45 36000 39000 15000 90000

46 87000 30150 34000 151150

47 87000 30150 34000 151150

48 87000 31490 34000 152490

49 87000 46000 34000 167000

50 87000 52000 33500 172500

51 87000 47570 33500 168070

52 67500 35510 33500 136510

53 92450 32000 33500 157950

54 87000 88440 33500 208940

55 67500 84000 33500 185000

56 67500 15000 34000 116500

57 4000 25000 13500 42500

58 4000 21000 16000 41000

59 7000 25000 18000 50000

60 8500 21000 18000 47500

61 8500 23000 13500 45000

62 4000 13000 18000 35000

63 8000 18000 13000 39000

64 9500 12000 13500 35000

65 8500 15000 13500 37000

66 13500 8000 17000 38500

67 8000 8000 8600 24600

68 8500 15000 8600 32100

69 8000 17000 13000 38000

70 8000 13000 17000 38000

71 8000 13500 13500 35000

72 6000 11000 8000 25000

73 6000 10000 7000 23000

74 6000 8500 6000 20500

75 4000 14000 7000 25000

76 4000 7000 2000 13000

77 3500 8000 2000 13500

(65)

Dari hasil output sistem diatas diperoleh hasil yang menjadi acuan bagi user untuk memilih data makanan pembuka, makanan penutup dan makanan utama di suatu restoran yang berada di cluster tertentu yang akan menjadi pilihan user.

Dari proses cluster ini dengan nilai biaya masukan user. misalkan sebesar Rp. 100.000 dan jumlah porsi 3 menghasilkan output sebanyak 26 data makanan utama, makanan pembuka dan makanan penutup yang mungkin dapat menjadi pilihan user yang semuanya berada pada cluster 1. Dan sisanya ada 56 buah data menu yang tidak dapat menjadi output bagi user, karena penjumlahan biaya lebih besar dari biaya masukan user.

Tabel 4.8 Output Bagi User yang Telah Melakukan Konsultasi

Id Makanan

Pembuka

Makanan Utama

Makanan

Penutup Harga

Nama Restoran

8 Cap Cay Mercon

Daging Sapi

Es Cincau

Hijau Rp 32500

Warung Nenek

11 Cap Cay Ikan Mas

Bakar

Es Jeruk

Lemon Rp 32500

Warung Nenek

19 Bihun Polos Ayam Bakar Lemon Ice

Cream Tea Rp 30500

Restoran bumbu desa

21 Bihun Polos Ayam Cabe

Hijau Tahu Bacem Rp 29000

Restoran bumbu desa

22 Moca Mild Bubur

Kacang Hijau Juice Mangga Rp 21500

Restoran koki Sunda Medan

23 Es Lemon

Tea

Bubur Ketan

Hitam Juice Mangga Rp 20500

Restoran koki Sunda Medan

24 Es Lemon

Tea Lontong Orange Float Rp 22500

Restoran koki Sunda Medan

25 Moca Mild Kwe Tiau

Tom Yam Juice Melon Rp 32500

Restoran koki Sunda Medan

26 Es Lemon

Tea

Mie Goreng

Indonesia Jus Sirsak Rp 21500

Restoran koki Sunda Medan

(66)

Tabel 4.8 Output Bagi User yang Telah Melakukan Konsultasi (Lanjutan)

27 Fanta Float Nasi Orek Juice Melon Rp 23000 Restoran koki

Sunda Medan

28 Fanta Float Kwe tiau

polos Juice Melon Rp 22000

Restoran koki Sunda Medan 29 Telur Setengah Matang

Kwe tiau telur Juice Alpukat Rp 21000 Restoran koki Sunda Medan

30 Fanta Float Mie Kuah

Bandung Juice Melon Rp 23000

Restoran koki Sunda Medan

31 Es Lemon

Tea Nasi Peuyem Jus Sirsak Rp 22500

Restoran koki Sunda Medan

32 Cap Cay Ayam

Kremez Puding Telur Rp 29000

Joko Solo Medan

36 Kentang

Goreng Nasi Goreng Puding Telur Rp 23000

Joko Solo Medan

65 Cappucino

Float

Barbequed Chicken with Coconut Milk

Pudding Rp 31600 Tip Top

Medan

66 Avocado

Float

Chicken

Curry Juice Mangga Rp 29500

Tip Top Medan

67 gado-gado Fried Chicken Juice Mangga Rp 30500 Tip Top

Medan

72 Tea Manis

Dingin Ayam Penyet Kelapa Gelas Rp 21000

Ayam Penyet Surabaya

73 Trancam lele Penyet tahu tempe

bacam Rp 18000

Ayam Penyet Surabaya

74 Tea Manis

Dingin Embal Gepuk Juice Alpukat Rp 19500

Ayam Penyet Surabaya

75 Sate Usus Bebek Penyet Juice Alpukat Rp 25000 Ayam Penyet

Surabaya

76 Tea Manis

Dingin Tahu Penyet

Juice Terung

Belanda Rp 18000

Ayam Penyet Surabaya

Sebagai catatan, data makanan pembuka, makanan utama dan makanan penutup pada cluster tertentu yang jumlah biayanya lebih besar dari biaya yang menjadi input sistem tidak akan menjadi output bagi user.

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 harga menu pembuka, harga menu utama dan harga menu penutup. 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 =

(67)

100 digunakan untuk membatasi iterasi agar proses suatu derajat keanggotaan tepat masuk ke dalam suatu cluster. Sehingga dapat meminimalkan variasi nilai dalam suatu cluster.

(68)

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari penelitian ini dapat disimpulkan bahwa dengan metoda clustering yang dijadikan sebagai metode dalam Sistem Pendukung Keputusan ini sangat membantu untuk pengambilan keputusan meminimalkan biaya pewisata kuliner di Kota Medan 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 Rp 100.000 dan porsi makanan 1 menghasilkan 26 output data menu makanan. Dengan jumlah biaya yang lebih kecil dari biaya masukan user. Sedangkan 56 data lainnya memiliki jumlah biaya lebih besar dari biaya masukan user. Sehingga user dapat dengan mudah menentukan tujuan restoran yang ingin dikunjungi 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 restoran yang diinginkan diperluas lagi. Untuk tampilan akhir program output sebaiknya lebih detail

(69)

lagi berdasarkan kota agar user lebih paham. Serta dari output system program dapat menampilkan informasi biaya yang dibutuhkan seandainya user menginginkan jenis menu restoran yang berbeda dari pasangan biaya makanan 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.

(70)

DAFTAR PUSTAKA

[1] Hari dan Kusumadewi. 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.

[2] Kadir, Abdul. 2003. Dasar Pemrograman Web Dinamis Menggunakan PHP. Yogyakarta : ANDI

[3] Kusumadewi, Sri. 2002. Analisis & Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta: Graha Ilmu

[4] Kusumadewi, S. (2003). Artificial Intelligence: Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu.

[5] Munir, Rinaldi. 2005. Matematika Diskrit. Bandung: Informatika

[6] Saaty, Thomas L. 2001. Decision Making for Leader, Fourth edition, University of Pittsburgh: RWS publication.

[7] Turban, E., Aronson, J. E., dan Liang, T. P. 2005. Sistem Pendukung Keputusan dan Sistem Cerdas. Terjemahan Dwi Prabantini. Yogyakarta : ANDI

(1)

Tabel 4.8 Output Bagi User yang Telah Melakukan Konsultasi

Id Makanan

Pembuka

Makanan Utama

Makanan

Penutup Harga

Nama Restoran

8 Cap Cay Mercon

Daging Sapi

Es Cincau

Hijau Rp 32500

Warung Nenek

11 Cap Cay Ikan Mas

Bakar

Es Jeruk

Lemon Rp 32500

Warung Nenek 19 Bihun Polos Ayam Bakar Lemon Ice

Cream Tea Rp 30500

Restoran bumbu desa 21 Bihun Polos Ayam Cabe

Hijau Tahu Bacem Rp 29000

Restoran bumbu desa

22 Moca Mild Bubur

Kacang Hijau Juice Mangga Rp 21500

Restoran koki Sunda Medan

23 Es Lemon

Tea

Bubur Ketan

Hitam Juice Mangga Rp 20500

Restoran koki Sunda Medan

24 Es Lemon

Tea Lontong Orange Float Rp 22500

Restoran koki Sunda Medan

25 Moca Mild Kwe Tiau

Tom Yam Juice Melon Rp 32500

Restoran koki Sunda Medan

26 Es Lemon

Tea

Mie Goreng

Indonesia Jus Sirsak Rp 21500

Restoran koki Sunda Medan

(2)

Tabel 4.8 Output Bagi User yang Telah Melakukan Konsultasi (Lanjutan)

27 Fanta Float Nasi Orek Juice Melon Rp 23000 Restoran koki Sunda Medan 28 Fanta Float Kwe tiau

polos Juice Melon Rp 22000

Restoran koki Sunda Medan 29 Telur Setengah Matang

Kwe tiau telur Juice Alpukat Rp 21000 Restoran koki Sunda Medan 30 Fanta Float Mie Kuah

Bandung Juice Melon Rp 23000

Restoran koki Sunda Medan

31 Es Lemon

Tea Nasi Peuyem Jus Sirsak Rp 22500

Restoran koki Sunda Medan

32 Cap Cay Ayam

Kremez Puding Telur Rp 29000

Joko Solo Medan

36 Kentang

Goreng Nasi Goreng Puding Telur Rp 23000

Joko Solo Medan

65 Cappucino

Float

Barbequed Chicken with Coconut Milk

Pudding Rp 31600 Tip Top Medan

66 Avocado

Float

Chicken

Curry Juice Mangga Rp 29500

Tip Top Medan 67 gado-gado Fried Chicken Juice Mangga Rp 30500 Tip Top

Medan

72 Tea Manis

Dingin Ayam Penyet Kelapa Gelas Rp 21000

Ayam Penyet Surabaya 73 Trancam lele Penyet tahu tempe

bacam Rp 18000

Ayam Penyet Surabaya

74 Tea Manis

Dingin Embal Gepuk Juice Alpukat Rp 19500

Ayam Penyet Surabaya 75 Sate Usus Bebek Penyet Juice Alpukat Rp 25000 Ayam Penyet

Surabaya

76 Tea Manis

Dingin Tahu Penyet

Juice Terung

Belanda Rp 18000

Ayam Penyet Surabaya

(3)

100 digunakan untuk membatasi iterasi agar proses suatu derajat keanggotaan tepat masuk ke dalam suatu cluster. Sehingga dapat meminimalkan variasi nilai dalam suatu cluster.

(4)

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dimana fuzzy C-Means ini membantu dalam mengelompokan data yang terdapat pada database kedalam cluster (kelompok), berdasarkan kesamaan nilai pada pusat cluster-nya.

4.2 Saran

(5)

(6)

DAFTAR PUSTAKA

[1] Hari dan Kusumadewi. 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.

[2] Kadir, Abdul. 2003. Dasar Pemrograman Web Dinamis Menggunakan PHP. Yogyakarta : ANDI

[3] Kusumadewi, Sri. 2002. Analisis & Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta: Graha Ilmu

[4] Kusumadewi, S. (2003). Artificial Intelligence: Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu.

[5] Munir, Rinaldi. 2005. Matematika Diskrit. Bandung: Informatika

[6] Saaty, Thomas L. 2001. Decision Making for Leader, Fourth edition, University of Pittsburgh: RWS publication.

[7] Turban, E., Aronson, J. E., dan Liang, T. P. 2005. Sistem Pendukung Keputusan dan Sistem Cerdas. Terjemahan Dwi Prabantini. Yogyakarta : ANDI

Sistem Pendukung Keputusan Pemilihan Restoran Di Kota Medan Menggunakan Logika Fuzzy Clustering Means