Rekomendasi Lokasi Wisata Kuliner Menggunakan Metode K-Means Clustering Dan Simple Additive Weighting

  

Vol. 2, No. 10, Oktober 2018, hlm. 3835-3842 http://j-ptiik.ub.ac.id

Rekomendasi Lokasi Wisata Kuliner Menggunakan Metode K-Means

  

Clustering Dan Simple Additive Weighting

_{1 2 3} Nugroho Dwi Saksono , Yuita Arum Sari , Ratih Kartika Dewi

  Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Brawijaya,

  

Abstrak

  Melakukan wisata kuliner merupakan salah satu kegiatan yang sering dilakukan ketika mengunjungi suatu kota. Kesalahan dalam memilih sebuah lokasi wisata kuliner yang ingin dikunjungi dikarenakan kurangnya informasi terhadap lokasi apa saja yang tersedia menjadi masalah bagi wisatawan yang ingin merasakan kepuasan berwisata kuliner. Tujuan penelitian ini adalah membantu para wisatawan dalam menentukan lokasi wisata kuliner yang memilki fasilitas yang sesuai dengan yang diinginkan. K-Means

Clustering merupakan sebuah metode yang mengelompokan data sesuai dengan cluster masing-masing.

  

Simple Additive Weighting (SAW) adalah metode yang digunakan untuk proses perangkingan dengan

  menggunakan nilai preferensi. Dalam penelitian ini, metode K-Means Clustering akan membagi lokasi wisata sesuai jarak yang dihitung dari posisi awal user ke alamat lokasi wisata, lalu metode SAW akan mengurutkan lokasi mana yang paling sesuai dengan keinginan user. Data yang digunakan untuk pengujian menggunakan 49 data lokasi. Pengujian yang dilakukan adalah pengujian akurasi dengan membandinkan hasil yang dikeluarkan oleh sistem dengan hasil yang dipilih oleh 30 responden. Pengujian tersebut mendapatkan hasil akurasi sebesar 63,33% untuk kategori sangat dekat, 40% untuk kategori dekat, 46,67% untuk kategori sedang. Sistem ini sudah bisa memberikan rekomendasi untuk kategori sangat dekat dengan cukup akurat walaupun untuk kategori dekat dan sedang masih belum cukup akurat.

  Kata kunci: lokasi, wisata kuliner, pendukung keputusan, K-Means Clustering, SAW

  

Abstract

Culinary tour is one of the activities that are often done when visiting a city. the mistakes often made

because lack of information regarding a location of a culinary tourism can cause a problem for tourists.

  

The purpose of this study is to help the tourists in determining the location of culinary tourism that has

the facilities in accordance with what they desired. K-Means Clustering is a method that groups data

according to their clusters. Simple Additive Weighting (SAW) is a method for the ranking process by

using a preference value. In this study, K-Means Clustering method will divide the location according

to the distance calculated from the initial position of the user to the address of the location, then SAW

method will sort which location best suit the user’s wishes. The testing used 49 location data. The testing

process is a accuracy test by comparing result from the system and results from 30 respondents. The

results of the testing process is obtained an accuracy of 63.33% for very close category, 40% for near

category, and 46,67% for medium category. This system can provide recommendations for very close

categories with fairly accurate although for the near and medium category is still not accurate enough.

  Keywords: location, culinary tourism, decision support, K-Means Clustering, SAW

  pada suatu daerah, hal itu di karenakan dengan 1. majunya sektor pariwisata memacu sektor

   PENDAHULUAN

  ekonomi melalui peningkatan nilai dan Penggunaan teknologi informasi sudah pendapatan masyarakat setempat. Dengan semakin berkembang dan banyak digunakan intensitas yang semakin besar, hal tersebut dalam berbagai bidang, contohnya pada bidang tentunya mampu menciptakan lapangan kerja pariwisata. Semakin besarnya peranan otonomi serta mengurangi angka kemiskinan. (Besra, daerah, perkembangan pada sektor pariwisata 2012). tentu turut serta memicu perkembangan ekonomi

  Fakultas Ilmu Komputer Universitas Brawijaya

3835

  Penulis menggunakan

  merupakan data continue atau bilangan (Masruro & Wibowo, 2016). Proses utama dalam metode SAW adalah jumlah nilai bobot dari tingkat kinerja di tiap alternatif berdasarkan atribut- atribut yang digunakan. Kemudian dilakukan proses normalisasi matriks keputusan (X) ke dalam sebuah skala perbandingan tingkat alternatif yang ada. Tentu sistem pendukung keputusan perlu menentukan bobot tiap atribut terlebih dahulu. Total skor masing-masing alternatif di dapat dari menambahkan semua perkalian rating dan bobot (Daniati & Nugroho, 2016).

  Data diperoleh penulis dari website

  2.1 Pengumpulan Data

  2. METODOLOGI PENELITIAN

  Berdasarkan permasalahan di atas maka diputuskan untuk menerapkan metode K-Means dan SAW untuk menyelesaikan masalah rekomendasi lokasi wisata kuliner. Dengan metode tersebut, diharapkan wisatwan mendapatkan sebuah informasi tentang lokasi wisata kuliner yang sesuai dengan kriteria yang diinginkan.

  dan mengelompokkan data yang ditampilkan pada sebuah list daftar lokasi wisata yang sesuai dengan keinginan user. K-Means berfungsi untuk membuat sub-kelompok nilai kriteria dari kelompok nilai alternatif yang ada, nilai dari pemilahan dalam kelompok nilai alternatf ini yang kemudian digunakan untuk menentukan hasil list alterntif yang akan di proses melalui metode TOPSIS. (Masruro & Wibowo, 2016).

  clustering dan SAW bertujuan untuk memilah

  Terdapat pertimbangan-pertimbangan dalam pemilihan metode tersebut. K-Means dipilih karena kemudahan serta kemampuannya dalam pengklasteran data yang besar. (Ratnawati, et al., 2014).Kelebihan dari metode SAW adalah simpel dan mudah dalam perhitungannya. Kekurangan dari metode SAW adalah pada proses normalisasi metode SAW akan menghasilkan nilai perkiraan yang tidak selalu mencerminkan nilai sebenarnya (Astradanta, et al., 2016). Digabungkannya metode K-Means

  Means clustering dikarenakan kriteria budget

  Salah satu kegiatan yang dapat dilakukan ketika sedang berwisata adalah mencicipi berbagai makanan khas yang ada di suatu daerah atau yang biasa disebut dengan wisata kuliner. Tren wisata pada era kini lebih cenderung pada berburu makanan khas daerah tersebut Perubahan gaya hidup yang terjadi juga menjadi pemicu pergeseran daya tarik seorang wisatawan terhadap sebuah tempat makanan, dimana suasana dan pelayanan menjadi bagian penting dalam penilaian. Sehingga banyak restoran atau tempat makan dibuat dengan ciri khasnya masing-masing. (Astradanta, et al., 2016).

  wisata. Penelitian ini menggunakan kriteria fasilitas dan budget dimana kriteria fasilitas diolah dengan menggunakan metode TOPSIS sedangkan kriteria budget dengan metode K-

  clustering dan TOPSIS untuk menentukan lokasi

  menentukan nilai kriteria dari sebuah nilai alternatif. Pada penelitian yang dilakukan oleh Masruro (2016) menngunakan metode K-Means

  Simple Additive Weighting (SAW). Prinsip dari K-Means clustering digunakan untuk

  Dalam rekomendasi lokasi wisata kuliner ini penulis membuat sebuah sistem pendukung keputusan yang menggunakan metode yaitu gabungan dari metode K-Means clustering dan

  Sistem pendukung keputusan merupakan alat bantu pengambil keputusan, yang disusun dalam sebuah sistem yang menampilkan informasi, manipulasi dan permodelan data, tanpa mengubah penilaian para pengambil keputusan. (Nurzahputra, et al., 2017). Sistem pendukung keputusan juga dapat digunakan untuk menentukan lokasi wisata kuliner yang paling optimal berdasarkan kriteria yang diinginkan oleh wisatawan. Dalam penelitian ini kriteria yang dapat dimasukan oleh wisatawan adalah jarak dan fasilitas restoran, kriteria fasilitias restoran termasuk di dalamnya adalah harga, rating, tempat parkir, dan takeout.

  Masalah yang sering dialami oleh wisatawan yang sedang berkujung ke suatu daerah adalah kurangnya informasi mengenai tempat

• –tempat makan atau restoran yang biasa dijadikan sebagai destinasi wisata kuliner. Kurangnya informasi ini menyebabkan para wisatawan tidak bisa menentukan tempat makan yang sesuai dengan kriteria. Banyak dari para wisatawan yang mengandalkan informasi dari teman atau kerabat terdekat tentang lokasi dari tempat makan, yang terkadang tempat makan yang direkomendasikan tidak sesuai dengan kriteria yang diinginkan. Oleh karena itu, sebagai salah satu alternatif perlu dibuat suatu sistem pendukug keputusan pemilihan tempat kuliner. (Yulianti & Juwita, 2016).

data lokasi restoran, harga, rating, ketersediaan tempat parkir, dan ketersediaan fasilitas wifi di restoran. Data lokasi restoran akan diolah menjadi data jarak dengan menggunakan bantuan Google Maps.

2.2 Perancangan Sistem

  Model perancangan menjelaskan mengenai cara kerja sistem ini. Terdapat beberapa proses utama yaitu input, proses, dan output. User akan menginput data jarak dan bobot kriteria . Data tersebut akan diproses sistem menggunakan metode K-Means Clustering dan SAW. Setelah dilakukan perhitungan, output akan menampilkan rekomendasi lokasi wisata kuliner yang sudah diproses. Perancangan akan dapat dilihat pada Gambar 1.

  Dimana )

  alternatif Normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut sehingga diperoleh matriks

  1. Menghitung normalisasi matriks

  2.2.2.1 Prosedur Metode SAW

  Metode SAW atau disebut juga penjumlahan bobot, cara kerja dari metode ini adalah dengan menjumlahkan bobot dari rating kinerja pada tiap-tiap alternatif pada atribut. Kemudian dilakukan proses normalisasi matriks keputusan (X) pada skala perbandingan dengan rating alternatif yang ada (Pratiwi, et al., 2014).

  2.2.2 Metode Simple Additive Weighting (SAW)

  cluster tetap.

  6. Melakukan kembali langkah 2 ke langkah 5 sampai data di dalam tiap

  banyak data pada cluster _j S .

  N adalah

   t ; dimana _Sj

  iterasi ) 1 (

   = centroid baru pada

   1 ( t _j

  1 )  1 ( (2)

  Gambar 1 Perancangan Sistem

    _{Sj j j Sj j} x N t

   

  diperoleh dengan menghitung rata-rata cluster dengan menggunakan rumus:

  5. Mengubah centroid. centroid baru

  4. Memasukkan setiap data berdasarkan jarak dengan centroid (nilai terkecil).

      (1)

  ) ( ) , ( _{j i j i} x x d

  Menghitung jarak setiap data input terhadap semua centroid memakai rumus Eucledian Distance hingga mendapatkan hasil jarak yang paling dekat dari data dengan centroid. Berikut ini adalah persamaan Eucledian Distance : ₂

  dibutuhkan 3.

  cluster awal(centroid) sebanyak yang

  2. Menentukan nilai awal untuk pusat

  Menentukan banyak cluster yang ingin dibentuk.

  2.2.1.1 Prosedur Metode K-Means Clustering 1.

2.2.1 Metode K-Means Clustering

  Data Clustering merupakan salah satu metode Data Mining yang bersifat (unsupervised) atau tanpa adanya suatu arahan. Ada dua jenis data clustering yang sering digunakan, hierarchical cluster ing dan nonhierarchical clustering. K-Means adalah contoh metode nonhierarchical clustering yang memecah data ke dalam satu atau beberapa cluster yang memiliki karakteristik yang sama dan tidak. Metode ini berupaya meminimalisir variasi data di dalam cluster dan memperbanyak variasi antar cluster (Daniati & Nugroho, 2016).

  No Nama Tempat Makan Jarak Harga Rating Parkir Wifi _{1 Serabi Notosuman 998 Meter $ 4 Ada Tidak Ada 2 Bakso Damas 1171 Meter $ 4 Ada Tidak Ada 3 Bubur Abah Odil 1386 Meter $ 4 Ada Ada 4 Bakso Bakar Trowulan 1603 Meter $$ 4 Ada Tidak Ada 5 Restoran Pangeran Muda 2034 Meter $$ - $$$ 3,5 Ada Ada} ^{No Nama Tempat Makan Jarak Harga Rating Parkir Wifi 1 Bakso President 4049 Meter $ 3,5 Ada Ada 2 Bakso Bakar Pak Man 4104 Meter $ 4 Ada Tidak Ada 3 Bakso Kota Cak Man 2981 Meter $$ - $$$ 4 Ada Tidak Ada 4 Bakso Gondhol 2986 Meter $ 4 Ada Tidak Ada 5 Bakso Bakar Trowulan 1603 Meter $$ 4 Ada Tidak Ada 6 Surabi Imut 4808 Meter $ 3,5 Ada Ada 7 Rawon Rampal 4819 Meter $$ - $$$ 4 Ada Tidak Ada 8 Pangsit Mie Bromo Pojok 4880 Meter $ 4 Ada Ada 9 Bakso Bakar Pahlawan Trip 5495 Meter $ 3,5 Ada Ada 10 Bakso Damas 1171 Meter $ 4 Ada Tidak Ada 11 Ayam Goreng Nelongso 2447 Meter $ 3,5 Ada Ada 12 Sate Pak Sabar 4094 Meter $ 4 Ada Tidak Ada 13 House Of Juminten 5028 Meter $ 3,5 Ada Ada 14 Depot Tahu Lontong Lonceng 3657 Meter $ 4 Ada Tidak Ada 15 Serabi Notosuman 998 Meter $ 4 Ada Tidak Ada 16 Warung Sambal Kocok Mamah Sum Gendut 5072 Meter $$ - $$$ 3,5 Ada Ada 17 Bubur Abah Odil 1386 Meter $ 4 Ada Ada 18 Sop Pak Min Klaten (Ragil) 2 4324 Meter $ 3,5 Ada Tidak Ada 19 Kupang Kraton 2913 Meter $ 4 Ada Tidak Ada 20 Restoran Pangeran Muda 2034 Meter $$ - $$$ 3,5 Ada Ada} Tabel 3 Data Lokasi Kategori Sedang

  3. Mengurutkan nilai preferensi.

  Proses pengujian dilakukan dengan membandingkan hasil peringkat dari sistem dengan hasil yang dipilih oleh responden. Hasil pengujian dapat dilihat pada Tabel 4. ^{No Nama Tempat Makan Jarak Harga Rating Parkir Wifi 1 Bakso Kota Cak Man 2981 Meter $$ - $$$ 4 Ada Tidak Ada 2 Bakso Gondhol 2986 Meter $ 4 Ada Tidak Ada 3 Bakso Bakar Trowulan 1603 Meter $$ 4 Ada Tidak Ada 4 Bakso Damas 1171 Meter $ 4 Ada Tidak Ada 5 Ayam Goreng Nelongso 2447 Meter $ 3,5 Ada Ada 6 Depot Tahu Lontong Lonceng 3657 Meter $ 4 Ada Tidak Ada 7 Serabi Notosuman 998 Meter $ 4 Ada Tidak Ada 8 Bubur Abah Odil 1386 Meter $ 4 Ada Ada 9 Kupang Kraton 2913 Meter $ 4 Ada Tidak Ada 10 Restoran Pangeran Muda 2034 Meter $$ - $$$ 3,5 Ada Ada}

  Dapat dilihat pada 3 tabel di atas bahwa semakin meningkatnya suatu kategori maka jumlah alternatif data semakin bertambah. Setiap kategori yang lebih tinggi juga memasukkan alternatif dari kategori sebelummya. Kategori sangat dekat memiliki 5 alternatif, lalu kategori dekat mempunyai 10 alternatif yaitu 5 alternatif yang didapatkan dari kategori sebelumnya, terakhir adalah kategori sedang yang memiliki 20 alternatif yang menjadikannya kategori dengan alternatif paling banyak.

  Tabel 1 Data Lokasi Kategori Sangat Dekat Tabel 2 Data Lokasi Kategori Dekat

  rekomendasi lokasi wisata kuliner. Setelah dilakukan pengujian, maka dilanjutkan dengan menganalisa hasil dari pengujian tersebut. Data uji yang akan digunakan adalah lokasi wisata yang termasuk kedalam kategori sangat dekat, dekat, dan sedang, dengan total data sebanyak 20 restoran. data lokasi dapat dilihat pada Tabel1; Tabel 2; Tabel 3.

  K-Means clustering dan SAW dalam sistem

  Pada bab ini akan dijelaskan mengenai hasil pengujian dan analisis dari implementasi metode

  3. PENGUJIAN DAN ANALISIS

  = banyaknya data

  ternormalisasi R. Perhitungan normalisasi matriks ditunjukan dengan persamaan berikut:

  (4) Dimana = nilai akhir dari alternative; dimana = nilai bobot; dimana = nilai kriteria ternomalisasi dari masing- masing lokasi; dimana

  =1

  menggunakan persamaan berikut: = ∑

  2. Menghitung nilai preferensi

  (3) Dimana = matriks ternomalisasi [i][j]; dimana = matriks keputusan [i][j]; dimana max = nilai maksimum dari setiap kolom matriks keputusan; dimana min = nilai minimum dari setiap kolom matriks keputusan.

  max min

  {

3.1 Pengujian

  Tabel 4 Hasil Pengujian

  19

  4

  2

  22

  17

  8

  1

  21

  15

  7

  1

  20

  17

  8

  1

  6

  23

  7

  1

  18

  17

  10

  3

  17

  2

  4

  1

  16

  1

  1

  1

  2

  1

  17

  17

  14

  12

  19

  3

  4

  30

  17

  8

  3

  29

  11

  5

  4

  28

  8

  7

  4

  6

  24

  1

  8

  17

  25

  1

  1

  10

  26

  1

  8

  17

  27

  15

  8

  Berdasarkan Tabel 4, didapatkan data yang sesuai dengan hasil perangkingan dari sistem untuk kategori sangat dekat sebanyak 19 buah, kategori dekat 12 buah, dan kategori sedang sebanyak 14 buah. Hal ini disebabkan dari pembobotan masing-masing responden yang mungkin berbeda-beda. Untuk hasil pengujian akurasi didapatkan sebesar:

  17

  1

  5

  17

  8

  1

  4

  6

  3

  1

  3

  17

  8

  1

  2

  8

  1

  Jadi, hasil akurasi yang didapatkan adalah 63,33% untuk kategori sangat dekat, 40% untuk kategori dekat, dan 46,67% untuk kategori sedang.

   Nilai akurasi kategori sangat dekat: Nilai Akurasi =

  19 30 × 100% = 63,33%

   Nilai akurasi kategori dekat: Nilai Akurasi =

  12 30 × 100% = 40%

   Nilai akurasi kategori sedang: Nilai Akurasi =

  14 30 × 100% = 46,67%

  3.2 Analisis

  1

  Hasil pengujian dapat dilihat pada Gambar 2.

  Gambar 2 Grafik Hasil Pengujian

  Dapat dilihat pada Gambar 2, bahwa jumlah data yang sama pada kategori sangat dekat sebanyak 19 buah dengan jumlah yang tidak sama sebanyak 11 buah. Data yang sama pada kategori dekat sebanyak 12 buah dengang jumlah data tidak sama sebanyak 18 buah. Sedangkan untuk kategori sedang jumlah data yang sama sebanyak 14 buah dengan jumlah data yang tidak sama sebanyak 16 buah. Kategori yang memiliki jumlah data sama paling banyak adalah kategori sangat dekat diikuti dengan kategori sedang lalu terakhir kategori dekat mempunyai jumlah data sama paling sedikit.

  Setelah melakukan pengujian maka kita mendapatkan data apakah para responden sudah setuju apakah jarak yang berada dalam kategori sangat dekat sudah memiliki jarak yang sangat dekat. Untuk lebih jelasnya data responden yang setuju dengan kriteria jarak di dalam kategori sangat dekat dapat dilihat pada Tabel 5.

  Responden Sangat Dekat Dekat Sedang

  1

  7

  6

  3

  3

  14

  5

  7

  1

  13

  15

  7

  2

  12

  17

  8

  1

  11

  5

  2

  4

  8

  4

  17

  7

  1

  3

  5

  1

  10

  8

  17

  9

  2

  4

  10

5 Total Benar

  Tabel 5 Hasil Tanggapan Terhadap Kategori Jarak Sangat Dekat

  cluster terdekat, mengecek apakah ada

  24 Tidak Setuju

  8 Respon Jumlah Setuju

  22 Tidak Setuju

  2 Respon Jumlah Setuju

  28 Tidak Setuju

  Respon Jumlah Setuju

  perpindahan cluster. Jika ada perpindahan maka ulangi proses K-Means clustering dan jika tidak ada maka masukkan data kategori jarak untuk dihitung dalam metode SAW. Metode SAW dimulai dengan memberi bobot kriteria, menyeleksi data lokasi sesusai kategori jarak yang dipilih, normalisasi nilai setiap kriteria, menghitung nilai preferensi tiap lokasi, dan terakhir mengurutkan nilai preferensi lokasi untuk direkomendasikan. Nilai akurasi dihitung

  Hasil pengujian yang telah diperoleh dari perancangan, implementasi dan pengujian yang sudah dilakukan maka didapatkan kesimpulan bahwa menerapkan metode K-Means Clustering dan SAW dalam sistem rekomendasi lokasi wisata kuliner tahapan yang perlu dilakukan adalah mendapatkan nilai jarak masing-masing lokasi, menentukan nilai centroid awal secara acak, lalu menghitung nilai eucledian distance masing-masing centroid, memasukkan data jarak lokasi ke cluster masing-masing, lalu menghitung nilai centroid baru, dan memasukkan kembali data jarak lokasi ke

  Selanjutnya adalah lokasi dengan kategori dekat. Data responden yang setuju dengan kriteria jarak di dalam kategori dekat dapat dilihat pada Tabel 6.

  4.1 Kesimpulan

  4. PENUTUP

  Dengan kekurangan sistem yang sudah disebutkan diatas sistem ini juga memiliki kelebihan tersendiri. Kelebihan yang dimiliki oleh sistem ini adalah sistem ini cukup membantu user dalam menentukan sebuah lokasi jika alternatif lokasi yang tersedia lumayan banyak. Seperti pada kasus kategori sedang yang memiliki 20 alternatif.

  Sistem rekomendasi wisata kuliner ini sudah bisa memberikan rekomendasi dalam bentuk peringkat kepada user dengan nilai akurasi yang cukup bagus pada kategori sangat dekat. Namun dalam kategori dekat dan sedang nilai akurasi yang dihasilkan masih rendah. Hal ini disebabkan karena pembobotan yang dimasukan oleh tiap user bisa berbeda-beda tergantung dari keinginan user itu sendiri. Penyebab yang lain adalah sistem akan lebih merekomendasikan lokasi yang memiliki kriteria yang lengkap dibanding lokasi yang tidak memiliki kriteria lengkap. Seperti pada kasus kategori dekat dan sedang bubur abah odil selalu menjadi lokasi peringkat nomor 1 karena memiliki kriteria yang lengkap.

  Dapat dilihat pada Tabel 5 bahwa jumlah responden yang setuju terhadap jarak yang terdapat dalam kategori sangat dekat sebanyak 28 orang sedangkan yang tidak setuju sebanyak 2 orang. Karena di dalam pengujian ini lokasi yang masuk ke dalam kategori sangat dekat adalah lokasi dengan nilai jarak sebesar 2034 meter ke bawah maka sudah banyak responden yang menganggap bahwa jarak sebesar itu memang sudah sangat dekat. Pada Tabel 6, dapat dilihat bahwa jumlah responden yang setuju terhadap jarak yang terdapat pada kategori dekat berkurang menjadi sebanyak 22 orang dengan 8 orang tidak setuju. Hal ini disebabkan karena jarak yang terdapat pada kategori dekat yang ditentukan oleh sistem adalah jarak yang memiliki nilai antara 0 sampai dengan 4000 meter. Pada Tabel 6.13, dapat dilihat bahwa jumlah responden yang setuju bertambah menjadi 24 orang sedangkan 6 orang tidak setuju. Lokasi yang terdapat pada kategori sedang adalah lokasi yang memiliki nilai jarak sebesar sampai 5500 meter. Dalam menentukan kriteria jarak tentunya tergantung kepada pendapat dari masing-masing responden namun dapat dilihat pada tabel di atas bahwa sebagian besar responden sudah setuju dengan kategori jarak yang ditentukan oleh sistem.

  Tabel 7 Hasil Tanggapan Terhadap Kategori Jarak Sedang

  Terakhir adalah lokasi dengan kategori sedang. data responden yang setuju dengan kriteria jarak di dalam kategori dekat dapat dilihat pada Tabel 7.

  Tabel 6 Hasil Tanggapan Terhadap Kategori Jarak Dekat

  6 menggunakan data uji yang didapat dari kuesioner yang disebar ke 30 responden. Perhitungan akurasi dilakukan dengan cara pembagian antara banyak data yang sama dengan yang dihasilkan oleh sistem dengan jumlah seluruh data dikalikan 100%. Pada penelitian ini didapatkan nilai akurasi untuk kategori sangat dekat sebesar 63,33%, kategori dekat sebesar 40%, dan kategori sedang sebesar 46,67%. Nilai kriteria yang dimiliki oleh sebuah lokasi dan nilai bobot yang ditentukan sangat berpengaruh dalam proses pemberian peringkat.

  Berikut merupakan saran yang dari penulis yang dapat digunakan dalam penelitian selanjutnya. Untuk penelitian selanjutnya, peneliti dapat menggunakan atau menambahkan metode lain untuk mengatasi kekurangan metode

  Journal of Advanced Computational Engineering and Networking, 4(1), pp.

  RATNAWATI, D. E., MARJI & LAILIL, M., 2014. PENGEMBANGAN METODE KLASIFIKASI BERDASARKAN K- MEANS DAN LVQ. Jurnal Teknologi

  RAHMAN, A., n.d. sport.detik.com. [Online] Available at: https://sport.detik.com/aboutthegame/u mpan-silang/d-3395922/fenomena- transformasi-posisi-gelandang-serang- di-sepakbola-indonesia [Accessed Selasa April 2017].

  PUTRI, S. R., 2015. Sistem Pendukung Keputusan Penerimaan Pegawai Mikro Kredit Sales (MKS) Menggunakan Metode AHP dan TOPSIS. S1.

  Analisis Perbandingan Menggunakan Metode AHP, TOPSIS,dan AHP- TOPSIS dalam Studi Kasus Sistem Pendukung Keputusan Penerimaan Siswa Program Akselerasi. Jurnal ITSMART, Volume 2, pp. 1-23.

  159. PURNOMO, E. N. S., SIHWI, S. W. & ANGGRAININGSIH, R., 2013.

  Journal of Computer Trends and Technology (IJCTT), 10(3), pp. 153-

  PRATIWI, D., LESTARI, J. P. & AGUSHINTA, D., 2014. Decision Support System to Majoring High School Student Using Simple Additive Weighting Method. International

  NURZAHPUTRA, A., PRANATA, A. R. & PUWINARKO, A., 2017. Sistem Pendukung Keputusan Pemilihan Line- up Pemain Sepak Bola Menggunakan Metode Fuzzy Multiple Attribute Decision Making dan K-Means Clustering. Jurnal Teknologi dan Sistem Komputer, 5(3), pp. 106-109.

  Tingkat Kebugaran Jasmani Pada Pemain Persatuan Sepakbola Indonesia Lumajang. p. 1.

  52-57. NOSA, A. S. & FARUK, M., n.d. Survei

  Intelligent Decision Support System For Tourism Planning Using Integration Model Of K-Means Clustering And TOPSIS. International

  K-Means clustering dan SAW. Peneliti dapat

  MASRURO, A. & WIBOWO, F. W., 2016.

4.2 Saran

  E., 2015. Pemodelan Sistem Pendukung Keputusan Pemilihan Line Up Cabang Olahraga Futsal Dengan Metode AHP- TOPSIS. Volume 6, p. 4.

  JUNIOR, B. F., HIDAYAT, N. & SANTOSO,

  PUTRI, R. R. M., 2013. Sistem Pendukung Keputusan Penentuan Kelayakan Pengisian Bibit Ayam Broiler Dikandang Peternak Menggunakan Metode AHP Dan TOPSIS. Volume 2, p. 10.

  Volume 6, pp. 326-331. EXSHADI, B. Y. I., SOEBROTO, A. A. &

  International Conference on Control System, Computing and Engineering,

  DANIATI, E. & NUGROHO, A., 2016. K- Means Clustering With Decision Support System Using SAW.

  BESRA, E., 2012. Potensi Wisata Kuliner Dalam mendukung Pariwisata Di Kota Padang. Jurnal Riset Akutansi Dan Bisnis, 12(1), pp. 74-101.

  Pengembangan Sistem Penunjang Keputusan Pemilihan Tempat Kuliner Dengan Menggunakan Metode AHP Dan SAW Studi Kasus : Kecamatan Buleleng. Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika, 5(2).

  ASTRADANTA, M., WIRAWAN, I. M. A. & ARTHANA, I. K. R., 2016.

  menambahkan kriteria lain dalam rekomendasi lokasi wisata untuk menambah nilai akurasi. Peneliti dapat menambahkan fitur directions atau arah untuk memudahkan wisatawan dalam mencari lokasi wisata yang paling optimal.

5. DAFTAR PUSTAKA

  Informasi dan Ilmu Komputer (JTIIK), 1(1), pp. 1-4.

  YULIANTI, E. & JUWITA, F., 2016. Sistem Pendukung Keputusan Pemilihan Tempat Kuliner Di Kota Padang Menggunakan Metode Perbandingan Eksponensial (MPE). Jurnal TEKNOIF, 4(2), pp. 51-58.