Penerapan Algoritma Naïve Bayes Multinomial pada Aplikasi Bandung's Place Suggestion.
ABSTRAK
Banyaknya lokasi wisata di Bandung membuat Bandung menjadi tempat yang menarik untuk dijadikan sebagai tempat untuk berwisata. Berdasarkan data yang dimiliki Badan Pusat Statistik Bandung, pada tahun 2010 terjadi pengingkatan jumlah wisatawan sebesar 3.5% dibandingkan dengan tahun 2009 dan pada tahun 2011 terjadi penngkatan jumlah wisatawan sebesar 26.9% dibandingkan dengan tahun 2010 (Statistik, 2012). Agar pengunjung dapat mencari tempat wisata yang cocok dengan kesukaannya maka penelitian ini dibuat agar pengunjung dapat mencari tempat yang mirip dengan kesukaan pengunjung kota Bandung. Untuk dapat memberikan saran mengenai tempat-tempat yang mirip dengan kesukaan pengguna, aplikasi akan menggunakan metode pembelajaran mesin yaitu Naïve Bayes Multinomial. Data atribut dan bobot awal diambil dari kuisioner, setelah itu pada aplikasi pengguna akan dimintai kesukaannya sesuai dengan atribut yang disediakan. Atribut yang dipilih pengguna akan digunakan sebagai penentuan atribut kelas tujuan dari suatu tempat. Setelah kelas tujuan didapatkan maka perhitungan dengan menggunakan
Naïve Bayes Multinomial dilakukan. Setelah perhitungan dilakukan maka aplikasi akan menampilkan tempat-tempat yang disarankan. Selain itu untuk menghindari pembagian dengan nilai nol maka akan dilakukan Laplacian Smoothing dalam pengoperasiannya. Bahasa pemrograman yang digunakan dalam penelitian ini adalah JAVA dan PHP. Alat-alat yang digunakan dalam pembuatannya adalah Eclips.
Kata kunci : Bandung, pembelajaran mesin, wisata, naïve bayes multinomial,
(2)
vi
Universitas Kristen Maranatha
ABSTRACT
The growth of tourist attraction at Bandung city makes Bandung as a good destination to spend time on the week end. As we can see Bandung’s visitor is increasing every week. Datas from Badan Pusat Statistik Bandung proof that as 2010 the total amount of tourists increased to 3.5% compared to 2009 and for 2011 the total amount of tourists increased to 26.9% compared to 2010. This application was made to help visitor to find places that similar to their favorites. To make it happen, this applicaion will using machine learning method. The method is Naïve Bayes Multinomial. The initial attributes and weights are collected from questionnaire. Application will ask user to choose some of given attributes. The chosen attributes will be used to determine place’s class destination. After Naïve Bayes Multinomial calculation, application will show some places that is suggested or not. This application is using Laplacian Smoothing to avoid division with zero. The programminglanguage used to make this research are JAVA and PHP. The tools that used to make this research is Eclipse
(3)
DAFTAR ISI
LEMBAR PENGESAHAN ... i
PERNYATAAN ORISINALITAS LAPORAN PENELITIAN ... ii
PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ... iii
PRAKATA ... iv
ABSTRAK ... v
ABSTRACT ... vi
DAFTAR ISI ... vii
DAFTAR GAMBAR ... x
DAFTAR TABEL ... xiii
DAFTAR SIMBOL ... xvi
DAFTAR PROGRAM ... xvii
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 1
1.3 Tujuan Pembahasan ... 2
1.4 Batasan Masalah ... 2
1.5 Sistematika Pembahasan ... 3
BAB II LANDASAN TEORI ... 4
2.1 Machine Learning ... 4
2.2 Naïve Bayes Multinomial ... 4
2.3 Perbandingan Algoritma Naïve Bayes ... 5
2.4 Perbandingan dengan Aplikasi Lain ... 7
BAB III ANALISIS DAN DISAIN ... 14
3.1 Analisis ... 14
3.1.1 Perhitungan Algoritma ... 14
3.2 Gambaran Keseluruhan ... 17
3.2.1 Persyaratan Antarmuka Eksternal ... 17
3.2.2 Antarmuka Pengguna ... 17
3.2.3 Antarmuka Perangkat Keras ... 17
(4)
viii
Universitas Kristen Maranatha
3.2.5 Fitur-fitur Produk Perangkat Lunak ... 18
3.3 Disain Perangkat Lunak ... 22
3.3.1 Pemodelan Perangkat Lunak ... 22
3.3.2 Desain Penyimpanan Data ... 45
3.3.3 Desain Antarmuka ... 47
BAB IV PENGEMBANGAN PERANGKAT LUNAK ... 55
4.1 Implementasi Modul ... 55
4.1.1 Implementasi Class Diagram ... 55
4.1.2 Implementasi Method dan Algoritma ... 63
4.2 Implementasi Penyimpanan Data ... 70
4.3 Implementasi Antarmuka ... 73
4.3.1 Form Kesukaan ... 73
4.3.2 Form Utama ... 73
4.3.3 Form Peta ... 74
4.3.4 Form Detail ... 75
4.3.5 Form Daftar Favorit ... 76
4.3.6 FormFeedback ... 77
4.3.7 Form Lapor ... 78
4.3.8 Form Melihat Daftar Tempat ... 79
4.3.9 Form Menambah Tempat ... 79
4.3.10 Form Mengubah Tempat ... 80
4.3.11 Form Melihat Daftar Atribut ... 80
4.3.12 Form Mengubah Atribut ... 81
4.3.13 Form Melihat Daftar Report ... 81
BAB V PEMBAHASAN DAN HASIL UJI COBA PENELITIAN ... 82
5.1 Pengujian Form Kesukaan ... 82
5.2 Pengujian Form Utama ... 82
5.3 Pengujian Form Cari ... 83
5.4 Pengujian Form Peta ... 83
5.5 Pengujian Form Detail Tempat ... 84
5.6 Pengujian Form Daftar Favorit ... 85
(5)
5.8 Pengujian Form Menambah Tempat Baru ... 85
5.9 Pengujian Form Mengubah Tempat ... 86
5.10 Pengujian Menghapus Tempat ... 86
5.11 Pengujian Algoritma Naïve Bayes Multinomial ... 86
5.12 Pengujian Aplikasi ke Pengguna ... 88
5.13 Pengujian Aplikasi ke Pengguna ... 89
BAB VI KESIMPULAN DAN SARAN ... 90
6.1 Kesimpulan ... 90
6.2 Saran ... 90
DAFTAR PUSTAKA ... 91
RIWAYAT HIDUP PENULIS ... 93
(6)
x
Universitas Kristen Maranatha
DAFTAR GAMBAR
Gambar 2.1 Hasil dari perhitungan spam... 6
Gambar 2.2 Fitur Memilih Kategori Tempat Trip Advisor ... 7
Gambar 2.3 Fitur Melihat Detail Tempat Trip Advisor ... 8
Gambar 2.4 Fitur Melihat Saran Tempat Makan Hari Ini pada Aplikasi Makan di Mana ... 9
Gambar 2.5 Fitur Menu Aplikasi Makan di Mana ... 10
Gambar 2.6 Fitur Melihat Detail Tempat Makan di Mana ... 11
Gambar 2.7 Fitur Aplikasi Zomato ... 12
Gambar 2.8 Fitur Aplikasi Zomato ... 13
Gambar 3.1 Use Case Diagram Aplikasi Pengguna ... 23
Gambar 3.2 Use Case Diagram Aplikasi Admin ... 24
Gambar 3.3 Activity Diagram Mencari Lokasi ... 31
Gambar 3.4 Activity Diagram Mencari Lokasi Sesuai dengan Kebiasaan atau Kesukaan Pengguna ... 32
Gambar 3.5 Activity Diagram Melihat Detail Lokasi ... 33
Gambar 3.6 Activity Diagram Menambah Lokasi ke Daftar Favorit ... 34
Gambar 3.7 Activity Diagram Melihat Daftar Favorit ... 35
Gambar 3.8 Activity Diagram Mengurangi Lokasi pada Daftar Favorit ... 35
Gambar 3.9 Activity Diagram Mengirim Feedback... 36
Gambar 3.10 Activity Diagram Mengisi Kebiasaan Pengguna... 37
Gambar 3.11 Activity Diagram Melihat Daftar Tempat ... 38
Gambar 3.12 Activity Diagram Melihat Daftar Report ... 38
Gambar 3.13 Activity Diagram Menambah Tempat ... 39
Gambar 3.14 Activity Diagram Menghapus Tempat ... 40
Gambar 3.15 Activity Diagram Mengubah Tempat ... 41
Gambar 3.16 Activity Diagram Mencari Tempat ... 42
Gambar 3.17 Activity Diagram Mencari Report ... 43
Gambar 3.18 Activity Diagram Melihat Data Kategori ... 44
Gambar 3.19 Activity Diagram Mengubah Atribut ... 44
(7)
Gambar 3.21 Rancangan Desain Antarmuka Utama ... 47
Gambar 3.22 Rancangan Desain Antarmuka Peta ... 48
Gambar 3.23 Rancangan Desain Antarmuka Melihat Detail Tempat ... 49
Gambar 3.24 Rancangan Desain Antarmuka Melihat Detail Lokasi ... 50
Gambar 3.25 Rancangan Desain Antarmuka Mengisi Kesukaan ... 51
Gambar 3.26 Rancangan Desain Antarmuka Memberikan Feedback ... 52
Gambar 3.27 Rancangan Desain Antarmuka Melihat Data Tempat ... 53
Gambar 3.28 Rancangan Desain Antarmuka Menambah Data Tempat ... 53
Gambar 3.29 Rancangan Desain Antarmuka Mengubah Tempat... 54
Gambar 3.30 Rancangan Desain Antarmuka Mengelola Data Report ... 54
Gambar 4.1 Class Diagram Aplikasi Bandung Place Suggestion ... 55
Gambar 4.2 Class Diagram Tempat ... 56
Gambar 4.3 Class Diagram Lapor ... 57
Gambar 4.4 Class Diagram Tempat ... 57
Gambar 4.5 Class DiagramReport... 57
Gambar 4.6 Class Diagram Atribut ... 58
Gambar 4.7 Class Diagram Bobot ... 58
Gambar 4.8 Class Diagram User ... 58
Gambar 4.9 Class Diagram Kesukaan ... 59
Gambar 4.10 Class Diagram DatabaseHelper ... 59
Gambar 4.11 Class Diagram KesukaanAct ... 59
Gambar 4.12 Class Diagram ServiceHandler... 60
Gambar 4.13 Class Diagram FavoriteAct ... 60
Gambar 4.14 Class Diagram KelasStatik ... 60
Gambar 4.15 Class Diagram MapAct ... 61
Gambar 4.16 Class Diagram AlgoNBM ... 61
Gambar 4.17 Class Diagram MainAct ... 61
Gambar 4.18 Class DiagramFeedbackAct... 62
Gambar 4.19 Class Diagram DetailTempatAct ... 62
Gambar 4.20 Class Diagram LaporAct ... 63
Gambar 4.21 Class Diagram JSONParser ... 63
(8)
xii
Universitas Kristen Maranatha
Gambar 4.23 Antarmuka Form Utama ... 74
Gambar 4.24 Antarmuka Form Peta ... 75
Gambar 4.25 Antarmuka Form Detail Tempat ... 76
Gambar 4.26 Antarmuka Form Daftar Favorit ... 77
Gambar 4.27 Antarmuka FormFeedback ... 78
Gambar 4.28 Antarmuka Form Lapor ... 79
Gambar 4.29 Antarmuka Form Melihat Detail Tempat ... 79
Gambar 4.30 Antarmuka Form Menambah Tempat ... 80
Gambar 4.31 Antarmuka Form Mengubah Tempat... 80
Gambar 4.32 Antarmuka Form Melihat Daftar Atribut ... 81
Gambar 4.33 Antarmuka Form Mengubah Atribut ... 81
Gambar 4.34 Antarmuka Form Melihat Daftar Report ... 81
Gambar 5.1 Hasil Perkalian pada Program ... 88
(9)
DAFTAR TABEL
Tabel 3.1 Contoh Data Training ... 14
Tabel 3.2 Contoh Data Training Sesuai dengan Kebiasaan atau Kesukaan Pengguna ... 15
Tabel 3.3 Contoh Hasil Penentuan Kelas Tujuan ... 15
Tabel 3.4 Contoh Kandidat Tempat ... 15
Tabel 3.5 Contoh Hasil Perhitungan Naïve Bayes Multinomial ... 16
Tabel 3.6 Fitur Mencari Lokasi... 18
Tabel 3.7 Fitur Mencari Lokasi Menurut Keuskaan atau Kebiasaan Pengguna ... 18
Tabel 3.8 Fitur Menambah Lokasi ke Daftar Favorit ... 18
Tabel 3.9 Fitur Melihat Daftar Favorit... 19
Tabel 3.10 Fitur Menghapus Lokasi pada Daftar Favorit ... 19
Tabel 3.11 Fitur Memberikan Feedback ... 19
Tabel 3.12 Fitur Mengisi Kebiasaan atau Kesukaan... 20
Tabel 3.13 Fitur Memberikan Laporan Tempat yang Salah ... 20
Tabel 3.14 Fitur Melihat Daftar Tempat ... 20
Tabel 3.15 Fitur Mencari Tempat ... 21
Tabel 3.16 Menambah Tempat Baru ... 21
Tabel 3.17 Fitur Mengubah Tempat ... 21
Tabel 3.18 Fitur Menghapus Tempat ... 21
Tabel 3.19 Fitur Melihat Report ... 22
Tabel 3.20 Fitur Mencari Report... 22
Tabel 3.21 Skenario Mencari Lokasi ... 24
Tabel 3.22 Skenatio Mencari Lokasi Sesuai dengan Kesukaan Pengguna ... 25
Tabel 3.23 Skenario Menlihat Detail Tempat ... 25
Tabel 3.24 Skenario Menambah Lokasi ke Daftar Favorit ... 25
Tabel 3.25 Skenario Mengirimkan Feedback ... 26
Tabel 3.26 Skenario Mengirimkan Laporan ... 26
Tabel 3.27 Skenario Melihat Daftar Tempat Favorit ... 27
Tabel 3.28 Skenario Menghapus Daftar Tempat Favorit ... 27
(10)
xiv
Universitas Kristen Maranatha
Tabel 3.30 Skenario Melihat Daftar Tempat ... 27
Tabel 3.31 Skenario Menambah Tempat ... 28
Tabel 3.32 Skenario Menghapus Data Tempat ... 28
Tabel 3.33 Skenario Mengubah Tempat ... 29
Tabel 3.34 Skenario Mencari Tempat ... 29
Tabel 3.35 Skenatio Melihat Daftar Report ... 29
Tabel 3.36 Skenario Mencari Data Report... 30
Tabel 3.37 Skenario Melihat Data Kategori ... 30
Tabel 3.38 Skenario Mengubah Atribut Kategori ... 30
Tabel 3.39 Tabel Tempat ... 45
Tabel 3.40 Tabel Report ... 46
Tabel 3.41 Tabel Kategori ... 46
Tabel 3.42 Tabel Bobot ... 46
Tabel 4.1 Tabel tbPlaces ... 70
Tabel 4.2 Tabel tbReport ... 71
Tabel 4.3 Tabel tbAtribut ... 71
Tabel 4.4 Tabel tbBobot ... 72
Tabel 4.5 Tabel tbPlaceList ... 72
Tabel 4.6 Tabel Kesukaan ... 72
Tabel 5.1 Hasil Pengujian Form Kesukaan ... 82
Tabel 5.2 Hasil Pengujian Form Utama ... 82
Tabel 5.3 Hasil Pengujian Form Cari ... 83
Tabel 5.4 Hasil Pengujian Form Peta ... 83
Tabel 5.5 Hasil Pengujian Form Detail Tempat ... 84
Tabel 5.6 Hasil Pengujian Form Daftar Favorit ... 85
Tabel 5.7 Hasil Pengujian FormFeedback ... 85
Tabel 5.8 Hasil Pengujian Form Menambah Tempat Baru ... 85
Tabel 5.9 Hasil Pengujian Form Mengubah Tempat ... 86
Tabel 5.10 Hasil Pengujian Menghapus Tempat ... 86
Tabel 5.11 Bobot Data Training ... 87
Tabel 5.12 Bobot Kandidat Tempat ... 87
(11)
Tabel 5.14 Hasil Perkalian McD ... 87 Tabel 5.15 Hasil Perkalian Richeese... 88 Tabel 5.16 Hasil Masukan dari Pengguna ... 89
(12)
xvi
Universitas Kristen Maranatha
DAFTAR SIMBOL
Jenis Notasi/Lambang Nama Arti
Use Case Aktor Mempresentasikan
pengguna yang berinteraksi dengan program.
Use Case Use case Menunjukkan gambaran
fungsionalitas suatu sistem Activity
diagram
Initial activity Digunakan untuk memulai aktifitas diagram
Activity diagram
Activity final node Digunakan untuk mengakhiri aktifitas diagram
Activity diagram
State Digunakan untuk
menunjukkan suatu proses Activity
diagram
Control flow Menunjukkan hubungan antara aksi yagng satu dengan yang lainnya Activity
diagram
Decision Menunjukkan pilihan dalam pengambilan keputusan
Class diagram
Class1 Class Himpunan objek-objek
yang berbagi atribut serta operasi yang sama. Class diagram
1 0..*
Agregasi Relasi yang menunjukkan suatu kelas merupakan bagian dari kelas lain yang tidak wajib
ERD Entitas Menunjukkan sebuah
objek yang dapat dibedakan dengan objek lainnya
Flowchart keputusan Menggambarkan
keputusan yang harus dibuat dalam proses pengolahan data.
(13)
DAFTAR PROGRAM
Program 4.1 Potongan Program untuk GetAllPlaces ... 64
Program 4.2 Potongan Program untuk InsertNewPlace... 64
Program 4.3 Potongan Program untuk UpdatePlace ... 65
Program 4.4 Potongan Program untuk DeletePlace ... 65
Program 4.5 Potongan Program untuk GetAllReports ... 66
Program 4.6 Potongan Program untuk WebService Mengirim Data Tempat... 67
Program 4.7 Potongan Program untuk WebService Mengambil Data Report ... 67
Program 4.8 Potongan Program untuk WebService Menambil Feedback ... 68
Program 4.9 Potongan Program untuk GetAllPlacesfromServer... 68
Program 4.10 Potongan Program untuk UpdateBobot ... 69
Program 4.11 Potongan Program untuk kirimReport ... 69
(14)
1
Universitas Kristen Maranatha
1.
BAB I
PENDAHULUAN
Pada bab ini akan dijelaskan mengenai latar belakang masalah, rumusan masalah, tujuan pembahasan, ruang lingkup kajian, sumber data, dan sistematika penyajian.
1.1 Latar Belakang
Bandung telah menjadi kawasan wisata yang menarik bagi pengunjung dari luar kota maupun warga dalam kota. Pengunjung dari luar kota terus bertambah terutama di akhir minggu (KetengAndi, 2014) (SusantiReni, 2014). Pada tahun 2010 jumlah wisatawan mancanegara dan domestik bertambah sekitar 3.5% dibandingkan tahun 2009, dan pada tahun 2011 kenaikan jumlah wisatawan bertambah sekitar 26.9% dibandingkan tahun 2010 (Statistik, 2012). Tempat-tempat wisata pun terus menerus bertambah.
Bagi wisatawan yang belum mengenal Bandung, atau bahkan baru pertama kali ke Bandung akan merasa kesulitan dalam pencarian tempat wisata. Wisatawan juga terkadang merasa kesulitan dalam pencarian tempat yang sesuai dengan seleranya.
Melihat kesulitan-kesulitan yang dialami para wisatawan, maka dibuatlah sebuah aplikasi untuk menangani masalah-masalah tersebut. Aplikasi ini nantinya dapat mencatat tujuan-tujuan pariwisatawan sebagai trip advisor, penunjuk arah dari lokasi dimana pengguna berada, selain itu aplikasi ini akan memberikan saran-saran mengenai tempat-tempat yang biasanya pengguna lakukan, atau pengguna suka. Untuk memberikan saran mengenai tempat-tempat yang mirip dengan kesukaan pengguna, aplikasi ini akan menerapkan algoritma Naïve Bayes Multinomial.
1.2 Rumusan Masalah
Perumusan masalah yang dikaji dalam proses pembuatan aplikasi ini adalah sebagai berikut :
1. Bagaimana aplikasi dapat memberikan lokasi tempat kepada pengguna? 2. Bagaimana aplikasi dapat memberikan saran mengenai tempat-tempat
(15)
2
3. Bagaimana penentuan atribut dan bobot awal yang nantinya akan digunakan dalam perhitungan naïve bayes?
4. Bagaimana cara kerja perhitungan naïve bayes pada aplikasi yang akan dibuat?
5. Bagaimana algoritma naïve bayes diterapkan pada aplikasi?
1.3 Tujuan Pembahasan
Dari rumusan masalah di atas maka dibuatlah tujuan pembahasan sebagai berikut :
1. Untuk memberikan lokasi tempat kepada pengguna maka data tempat akan diambil dari basis data google yang kemudian disimpan dalam basis data pada server. Setelah itu aplikasi pengguna akan mengambil seluruh data tempat yang ada pada server.
2. Untuk memberikan saran mengenai tempat-tempat yang biasanya dikunjungi atau sesuai dengan selera pengguna, maka aplikasi akan menggunakan algoritma naïve bayes dalam pengoperasiannya.
3. Penentuan atribut didapatkan dari kuisioner yang disebarkan, kemudian dari hasil kuisioner tersebut, jawaban-jawaban diambil sebagai atribut untuk kemudian dijadikan sebagai pilihan dalam kuisioner untuk mendapatkan bobot awal.
4. Cara kerja perhitungan naïve bayes yaitu, setiap tempat yang disarankan akan dihitung menggunakan algoritma naïve bayes dengan tempat-tempat lain selain tempat yang disarankan. Hasil masing-masing perkalian akan dibandingkan dan hasil yang paling besar akan diambil, lalu dilihat kelas tujuan dari hasil tersebut.
5. Algoritma naïve bayes akan diterapkan ketika pengguna memilih salah satu kategori tempat yang disediakan.
1.4 Batasan Masalah
Batasan masalah yang terdapat dalam pembuatan aplikasi Bandung’s Place Suggestion ini adalah sebagai berikut :
1. Aplikasi ini hanya berjalan pada smartphone dengan operating system android.
(16)
3
Universitas Kristen Maranatha 2. Atribut dari data training yang digunakan adalah atribut tempat dan bobot.
Atribut awal dan bobot awal ditentukan dari hasil kuisioner.
1.5 Sistematika Pembahasan
Sistematika laporan yang dipergunakan dalam Tugas Akhir ini adalah: BAB I PENDAHULUAN
Bab ini berisi uraian garis besar yang meliputi latar belakang, perumusan masalah, tujuan, dan batasan masalah yang mengawali pembuatan aplikasi
Bandung Suggestion.
BAB II LANDASAN TEORI
Bab ini berisi dasar-dasar teori yang digunakan dalam pembuatan aplikasi
Bandung’s Place Suggestion
BAB III ANALISIS DAN DISAIN
Bab ini berisi arsitektur perangkat lunak yang digunakan, termasuk penggunaan sistem secara keseluruhan pada aplikasi Bandung’s Place Suggestion
BAB IV PENGEMBANGAN PERANGKAT LUNAK
Bab ini berisi modul-modul yang digunakan pada aplikasi, serta hubungan antar modul.
BAB V TESTING DAN EVALUASI SISTEM
Bab ini berisi laporan mengenai pengujian terhadap aplikasi Bandung’s Place Suggestion dan aplikasi yang telah diselesaikan.
BAB VI KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dari hasil perhitungan dan aplikasi yang telah diselesaikan serta evaluasi yang dapat digunakan untuk pengembangan perhitungan dan aplikasi ke tahap selanjutnya.
(17)
6.
BAB VI
KESIMPULAN DAN SARAN
Bab ini akan membahas kesimpulan dan saran atas aplikasi yang telah dibangun. Berikut kesimpulan dan saran akan dijabarkan pada sub bab-sub bab sebagai berikut.
6.1 Kesimpulan
Dari hasil pembahasan ditariklah kesimpulan sebagai berikut :
1. Aplikasi dapat memberikan lokasi tempat yang berada di sekitar pengguna. 2. Algoritma naïve bayes yang digunakan pada aplikasi sangat bergantung
pada data dari pengguna, hal ini berpengaruh pada keakuratan aplikasi dalam memberikan saran pengguna. Jika pengguna memberikan masukan yang tidak sesuai maka aplikasi kurang mampu untuk memberikan saran yang sesuai dengan kesukaan pengguna.
3. Jawaban-jawaban dari hasil kuisioner diambil sebagai atribut untuk kemudian dijadikan sebagai pilihan dalam kuisioner untuk mendapatkan bobot awal.
4. Setiap tempat yang disarankan akan dihitung menggunakan algoritma naïve bayes dengan tempat-tempat lain selain tempat yang disarankan. Hasil masing-masing perkalian akan dibandingkan dan hasil yang paling besar akan diambil, lalu dilihat kelas tujuan dari hasil tersebut.
5. Algoritma naïve bayes diterapkan ketika pengguna memilih salah satu kategori tempat yang disediakan.
Secara umum , aplikasi ini dapat dikatakan berhasil dalam membantu pengguna dalam mencari tempat yang berada di sekitar pengguna. Namun aplikasi kurang mampu memberikan saran mengenai tempat yang mirip dengan kesukaan pengguna.
6.2 Saran
Saran yang dapat diambil untuk pengembangan aplikasi Bandung’s Place Suggestion adalah :
1. Agar saran yang diberikan lebih akurat dibutuhkan penelitian lebih lanjut, karena keakuratan saran yang diberikan sangat bergantung pada masukan yang diberikan dari pengguna.
(18)
DAFTAR PUSTAKA
Hou, Y., Nie, J.-Y., Sun, L., Wang, B., & Z, P. (2012). Information Retrieval Technology: 8th Asia Information Retrieval Societies Conference. In Y. Hou, J.-Y. Nie, L. Sun, B. Wang, & P. Z, Information Retrieval Technology: 8th Asia Information Retrieval Societies Conference (p. 540). Berlin: Springer,.
Androutsopoulos, I., Paliouras, G., Karkaletsis, V., Sakkis, G., Spyropoulos, C., & Stamatopoulos, P. (n.d.). Learning to Filter Spam E-Mail: A Comparison of a Naive Bayesian and a Memory-Based Approach. Learning to Filter Spam E-Mail: A Comparison of a Naive Bayesian and a Memory-Based Approach, 1-12.
Asri, A., Paryudi, I., & Tjoa, A. (2013). Performance Comparison between Naïve Bayes, Decision Tree and k-Nearest Neighbor in Searching Alternative Design in an Energy Simulation Tool. Performance Comparison between Naïve Bayes, Decision Tree and k-Nearest Neighbor in Searching Alternative Design in an Energy Simulation Tool, 33-39.
Croft, B. W., Metzler, D., & Strohman, T. (2010). Search Engines Information Retrieval in Practice. In Search Engines Information Retrieval in Practice
(p. 520). Boston: Pearson Education, Inc.
Dougherty, J., Kohavi, R., & Sahami, M. (1995). Supervised and Unsupervised Discretization of Continuous Features. Supervised and Unsupervised Discretization of Continuous Features.
Keteng, A. M. (2014, September 18). Liputan6. Retrieved October 28, 2014, from Liputan6: http://news.liputan6.com/read/2106733/kisruh-pelat-b-di-tetangga-ibukota
Marsland, S. (2011). Machine Learning: An Algorithmic Perspective. In S. Marsland, Machine Learning: An Algorithmic Perspective (p. 406). Boca Raton: CRC Press.
Mitchell, T. M. (1997). Machine Learning. In T. M. Mitchell, Machine Learning
(19)
92
Statistik, B. P. (2012). Pariwisata | BPS Kota Bandung. Retrieved January 6,
2015, from BPS Kota Bandung:
http://bandungkota.bps.go.id/subyek/pariwisata
Susanti, R. (2014, October 1). Kompas.com. (H. Liauw, Editor) Retrieved October
28, 2014, from Kompas.com:
http://regional.kompas.com/read/2014/10/01/04402171/80.Persen.Pengunj ung.Hotel.di.Bandung.Orang.Jakarta
(2013). Semantic Web and Web Science. In D. Zhao, H.-T. Zheng, G. Qi, & W. Nejdl, Semantic Web and Web Science (p. 394). London: Springer.
(1)
1.
BAB I
PENDAHULUAN
Pada bab ini akan dijelaskan mengenai latar belakang masalah, rumusan masalah, tujuan pembahasan, ruang lingkup kajian, sumber data, dan sistematika penyajian.
1.1 Latar Belakang
Bandung telah menjadi kawasan wisata yang menarik bagi pengunjung dari luar kota maupun warga dalam kota. Pengunjung dari luar kota terus bertambah terutama di akhir minggu (KetengAndi, 2014) (SusantiReni, 2014). Pada tahun 2010 jumlah wisatawan mancanegara dan domestik bertambah sekitar 3.5% dibandingkan tahun 2009, dan pada tahun 2011 kenaikan jumlah wisatawan bertambah sekitar 26.9% dibandingkan tahun 2010 (Statistik, 2012). Tempat-tempat wisata pun terus menerus bertambah.
Bagi wisatawan yang belum mengenal Bandung, atau bahkan baru pertama kali ke Bandung akan merasa kesulitan dalam pencarian tempat wisata. Wisatawan juga terkadang merasa kesulitan dalam pencarian tempat yang sesuai dengan seleranya.
Melihat kesulitan-kesulitan yang dialami para wisatawan, maka dibuatlah sebuah aplikasi untuk menangani masalah-masalah tersebut. Aplikasi ini nantinya dapat mencatat tujuan-tujuan pariwisatawan sebagai trip advisor, penunjuk arah dari lokasi dimana pengguna berada, selain itu aplikasi ini akan memberikan saran-saran mengenai tempat-tempat yang biasanya pengguna lakukan, atau pengguna suka. Untuk memberikan saran mengenai tempat-tempat yang mirip dengan kesukaan pengguna, aplikasi ini akan menerapkan algoritma Naïve Bayes Multinomial.
1.2 Rumusan Masalah
Perumusan masalah yang dikaji dalam proses pembuatan aplikasi ini adalah sebagai berikut :
1. Bagaimana aplikasi dapat memberikan lokasi tempat kepada pengguna? 2. Bagaimana aplikasi dapat memberikan saran mengenai tempat-tempat
(2)
2
Universitas Kristen Maranatha 3. Bagaimana penentuan atribut dan bobot awal yang nantinya akan
digunakan dalam perhitungan naïve bayes?
4. Bagaimana cara kerja perhitungan naïve bayes pada aplikasi yang akan dibuat?
5. Bagaimana algoritma naïve bayes diterapkan pada aplikasi?
1.3 Tujuan Pembahasan
Dari rumusan masalah di atas maka dibuatlah tujuan pembahasan sebagai berikut :
1. Untuk memberikan lokasi tempat kepada pengguna maka data tempat akan diambil dari basis data google yang kemudian disimpan dalam basis data pada server. Setelah itu aplikasi pengguna akan mengambil seluruh data tempat yang ada pada server.
2. Untuk memberikan saran mengenai tempat-tempat yang biasanya dikunjungi atau sesuai dengan selera pengguna, maka aplikasi akan menggunakan algoritma naïve bayes dalam pengoperasiannya.
3. Penentuan atribut didapatkan dari kuisioner yang disebarkan, kemudian dari hasil kuisioner tersebut, jawaban-jawaban diambil sebagai atribut untuk kemudian dijadikan sebagai pilihan dalam kuisioner untuk mendapatkan bobot awal.
4. Cara kerja perhitungan naïve bayes yaitu, setiap tempat yang disarankan akan dihitung menggunakan algoritma naïve bayes dengan tempat-tempat lain selain tempat yang disarankan. Hasil masing-masing perkalian akan dibandingkan dan hasil yang paling besar akan diambil, lalu dilihat kelas tujuan dari hasil tersebut.
5. Algoritma naïve bayes akan diterapkan ketika pengguna memilih salah satu kategori tempat yang disediakan.
1.4 Batasan Masalah
Batasan masalah yang terdapat dalam pembuatan aplikasi Bandung’s Place Suggestion ini adalah sebagai berikut :
1. Aplikasi ini hanya berjalan pada smartphone dengan operating system android.
(3)
3
2. Atribut dari data training yang digunakan adalah atribut tempat dan bobot. Atribut awal dan bobot awal ditentukan dari hasil kuisioner.
1.5 Sistematika Pembahasan
Sistematika laporan yang dipergunakan dalam Tugas Akhir ini adalah: BAB I PENDAHULUAN
Bab ini berisi uraian garis besar yang meliputi latar belakang, perumusan masalah, tujuan, dan batasan masalah yang mengawali pembuatan aplikasi
Bandung Suggestion.
BAB II LANDASAN TEORI
Bab ini berisi dasar-dasar teori yang digunakan dalam pembuatan aplikasi
Bandung’s Place Suggestion
BAB III ANALISIS DAN DISAIN
Bab ini berisi arsitektur perangkat lunak yang digunakan, termasuk penggunaan sistem secara keseluruhan pada aplikasi Bandung’s Place Suggestion
BAB IV PENGEMBANGAN PERANGKAT LUNAK
Bab ini berisi modul-modul yang digunakan pada aplikasi, serta hubungan antar modul.
BAB V TESTING DAN EVALUASI SISTEM
Bab ini berisi laporan mengenai pengujian terhadap aplikasi Bandung’s Place Suggestion dan aplikasi yang telah diselesaikan.
BAB VI KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dari hasil perhitungan dan aplikasi yang telah diselesaikan serta evaluasi yang dapat digunakan untuk pengembangan perhitungan dan aplikasi ke tahap selanjutnya.
(4)
90
Universitas Kristen Maranatha
6.
BAB VI
KESIMPULAN DAN SARAN
Bab ini akan membahas kesimpulan dan saran atas aplikasi yang telah dibangun. Berikut kesimpulan dan saran akan dijabarkan pada sub bab-sub bab sebagai berikut.
6.1 Kesimpulan
Dari hasil pembahasan ditariklah kesimpulan sebagai berikut :
1. Aplikasi dapat memberikan lokasi tempat yang berada di sekitar pengguna. 2. Algoritma naïve bayes yang digunakan pada aplikasi sangat bergantung
pada data dari pengguna, hal ini berpengaruh pada keakuratan aplikasi dalam memberikan saran pengguna. Jika pengguna memberikan masukan yang tidak sesuai maka aplikasi kurang mampu untuk memberikan saran yang sesuai dengan kesukaan pengguna.
3. Jawaban-jawaban dari hasil kuisioner diambil sebagai atribut untuk kemudian dijadikan sebagai pilihan dalam kuisioner untuk mendapatkan bobot awal.
4. Setiap tempat yang disarankan akan dihitung menggunakan algoritma naïve bayes dengan tempat-tempat lain selain tempat yang disarankan. Hasil masing-masing perkalian akan dibandingkan dan hasil yang paling besar akan diambil, lalu dilihat kelas tujuan dari hasil tersebut.
5. Algoritma naïve bayes diterapkan ketika pengguna memilih salah satu kategori tempat yang disediakan.
Secara umum , aplikasi ini dapat dikatakan berhasil dalam membantu pengguna dalam mencari tempat yang berada di sekitar pengguna. Namun aplikasi kurang mampu memberikan saran mengenai tempat yang mirip dengan kesukaan pengguna.
6.2 Saran
Saran yang dapat diambil untuk pengembangan aplikasi Bandung’s Place Suggestion adalah :
1. Agar saran yang diberikan lebih akurat dibutuhkan penelitian lebih lanjut, karena keakuratan saran yang diberikan sangat bergantung pada masukan yang diberikan dari pengguna.
(5)
DAFTAR PUSTAKA
Hou, Y., Nie, J.-Y., Sun, L., Wang, B., & Z, P. (2012). Information Retrieval Technology: 8th Asia Information Retrieval Societies Conference. In Y. Hou, J.-Y. Nie, L. Sun, B. Wang, & P. Z, Information Retrieval Technology: 8th Asia Information Retrieval Societies Conference (p. 540). Berlin: Springer,.
Androutsopoulos, I., Paliouras, G., Karkaletsis, V., Sakkis, G., Spyropoulos, C., & Stamatopoulos, P. (n.d.). Learning to Filter Spam E-Mail: A Comparison of a Naive Bayesian and a Memory-Based Approach. Learning to Filter Spam E-Mail: A Comparison of a Naive Bayesian and a Memory-Based Approach, 1-12.
Asri, A., Paryudi, I., & Tjoa, A. (2013). Performance Comparison between Naïve Bayes, Decision Tree and k-Nearest Neighbor in Searching Alternative Design in an Energy Simulation Tool. Performance Comparison between Naïve Bayes, Decision Tree and k-Nearest Neighbor in Searching Alternative Design in an Energy Simulation Tool, 33-39.
Croft, B. W., Metzler, D., & Strohman, T. (2010). Search Engines Information Retrieval in Practice. In Search Engines Information Retrieval in Practice
(p. 520). Boston: Pearson Education, Inc.
Dougherty, J., Kohavi, R., & Sahami, M. (1995). Supervised and Unsupervised Discretization of Continuous Features. Supervised and Unsupervised Discretization of Continuous Features.
Keteng, A. M. (2014, September 18). Liputan6. Retrieved October 28, 2014, from Liputan6: http://news.liputan6.com/read/2106733/kisruh-pelat-b-di-tetangga-ibukota
Marsland, S. (2011). Machine Learning: An Algorithmic Perspective. In S. Marsland, Machine Learning: An Algorithmic Perspective (p. 406). Boca Raton: CRC Press.
Mitchell, T. M. (1997). Machine Learning. In T. M. Mitchell, Machine Learning
(6)
92
Universitas Kristen Maranatha Statistik, B. P. (2012). Pariwisata | BPS Kota Bandung. Retrieved January 6,
2015, from BPS Kota Bandung:
http://bandungkota.bps.go.id/subyek/pariwisata
Susanti, R. (2014, October 1). Kompas.com. (H. Liauw, Editor) Retrieved October
28, 2014, from Kompas.com:
http://regional.kompas.com/read/2014/10/01/04402171/80.Persen.Pengunj ung.Hotel.di.Bandung.Orang.Jakarta
(2013). Semantic Web and Web Science. In D. Zhao, H.-T. Zheng, G. Qi, & W. Nejdl, Semantic Web and Web Science (p. 394). London: Springer.