PROPOSAL SKRIPSI

PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN DENGAN

KOMBINASI METODE NAVE BAYES DAN DEMPSTER-SHAFER UNTUK
MEMBERIKAN REKOMENDASI OBJEK WISATA DI BANGLI

Oleh
I Wayan Bayu Diarsa
1215051135

JURUSAN PENDIDIKAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN KEJURUAN
UNIVERSITAS PENDIDIKAN GANESHA
TAHUN 2016

DAFTAR ISI

A.

JUDUL PENELITIAN.......................................................................................... 1

B.

LATAR BELAKANG MASALAH ..................................................................... 1

C.

RUMUSAN MASALAH ...................................................................................... 3

D.

TUJUAN PENELITIAN ....................................................................................... 4

E.

BATASAN MASALAH ....................................................................................... 4

F.

MANFAAT HASIL PENELITIAN ...................................................................... 4

G.

KAJIAN TEORI ................................................................................................... 5

G.1. Pariwisata Bangli .......................................................................................... 5
G.1.1. Kepariwisataan dan Perhotelan ......................................................... 5
G.2. Objek Wisata atau Daya Tarik Wisata .......................................................... 5
G.3. Wisatawan ..................................................................................................... 9
G.3.1. Pengertian Wisatawan ....................................................................... 9
G.3.2. Karakteristik Wisatawan ................................................................... 9
G.4. Sistem Pendukung Keputusan ..................................................................... 12
G.5. Nave Bayes Classifier ................................................................................ 15
G.6. Dempster-Shafer Theory ............................................................................. 19
G.7. Penelitian Terkait ........................................................................................ 24

H.

METODE PENELITIAN.................................................................................... 26
H.1. Analysis ....................................................................................................... 27
H.2. Design ......................................................................................................... 37
H.3. Development ............................................................................................... 51
H.4. Implementation ........................................................................................... 52
H.5. Evaluation ................................................................................................... 53

I.

JADWAL DAN WAKTU................................................................................... 53

J.

DAFTAR PUSTAKA ......................................................................................... 55

ii

DAFTAR GAMBAR

Gambar G.1. Arsitektur Sistem Pendukung Keputusan............................................... 15

Gambar G.2 Pola subset dari evidence ........................................................................ 20
Gambar H.1. Model ADDIE ........................................................................................ 27
Gambar H.2. Diagram Konteks ................................................................................... 38
Gambar H.3. DFD Level 0 ........................................................................................... 39
Gambar H.4. DFD Level 1 Proses Manipulasi Data Admin........................................ 40
Gambar H.5. DFD Level 1 Proses Manipulasi Data Objek Wisata ............................. 41
Gambar H.6. DFD Level 1 Proses Manipulasi Data Wisatawan ................................. 42
Gambar H.7. Flowchart System ................................................................................... 43
Gambar H.8. Form Login Administrator ..................................................................... 46
Gambar H.9. Form Manipulasi Objek Wisata ............................................................. 46
Gambar H.10. Form Tambah Objek Wisata ................................................................ 47
Gambar H.11. Form Manipulasi Kriteria ..................................................................... 47
Gambar H.12. Form Kunjungan Wisata ...................................................................... 48
Gambar H.13. Form Tambah Administrator................................................................ 48
Gambar H.14. Form User untuk Tampilan Awal ........................................................ 49
Gambar H.15. Form User untuk Memasukan Identitas ............................................... 50
Gambar H.16. Form User untuk Menampilkan Hasil Rekomendasi ........................... 51
Gambar J.1. Wawancara dengan Seksi Analisa Pemasaran ........................................ 58

iii

DAFTAR TABEL

Tabel G.1. Daftar Nama Daya Tarik Wisata Kabupaten Bangli.................................... 7

Tabel G.2. Atribut penetapan lokasi perumahan ......................................................... 17
Tabel G.3. Probabilitas kemunculan nilai atribut dipilih untuk angkutan umum (C3) 18
Tabel G.4. Probabilitas kemunculan nilai atribut dipilih untuk perumahan (C4) ........ 18
Tabel G.5 Perhitungan evidence .................................................................................. 23
Tabel H.1. Data Kunjungan Wisatawan di Kabupaten Bangli .................................... 28
Tabel H.2. Kode Objek Wisata .................................................................................... 28
Tabel H.3. Perhitungan evidence (m1 dan m2)............................................................ 30
Tabel H.4. Perhitungan evidence (m3 dan m4)............................................................ 31
Tabel H.5. Tabel perhitungan evidence (m5 dan m6) .................................................. 35
Tabel H.6. Tabel Admin .............................................................................................. 44
Tabel H.7. Tabel Objek Wisata.................................................................................... 44
Tabel H.8. Tabel Kriteria ............................................................................................. 45
Tabel H.9. Tabel Wisatawan ........................................................................................ 45
Tabel I.1. Jadwal Kegiatan........................................................................................... 54

iv

IDENTITAS PENELITI
Nama

: I Wayan Bayu Diarsa

NIM

: 1215051135

Jurusan

: Pendidikan Teknik Informatika

A. JUDUL PENELITIAN
Pengembangan Sistem Pendukung Keputusan dengan Kombinasi Metode Nave Bayes
dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli.

B. LATAR BELAKANG MASALAH

Bali merupakan primadona pariwisata di Indonesia yang sudah terkenal hampir
di seluruh dunia dan mempunyai banyak daya tarik di bidang pariwisata. Selain terkenal
di seluruh dunia, Bali juga terkenal dengan keindahan alam, kesenian, dan budayanya
yang unik dan menarik. Pada tahun 2015 majalah Travel and Leisure mengatakan
bahwa Bali menempati posisi ke dua di dunia sebagai Worlds Best Islands (Travel and
Leisure, 2015). Dan bahkan masuk tiga besar berturut-turut sejak tahun 2009 (Kompas
Travel, 2016). Hal tersebut tidak lepas dari peran pariwisata di Bali, karena wisatawan
yang berkunjung juga berasal dari berbagai negara di dunia. Jumlah kunjungan
wisatawan mancanegara ke Bali tahun 2004-2014 secara umum mengalami
pertumbuhan yang sangat pesat. Pertumbuhan terbesar terjadi pada tahun 2007 yaitu
sebesar 32,16% (BPS Bali, 2015). Setelah itu berturut-turut mengalami kenaikan setiap
tahunnya. Perkembangan pariwisata di Bali tidak lepas juga dari peran masing-masing
kabupaten di Bali. Salah satunya adalah kabupaten Bangli yang terletak di tengahtengah pulau Bali. Sehingga kabupaten Bangli satu-satunya kabupaten di Bali yang
tidak memiliki pantai.
Kabupaten Bangli memiliki keunikan daya tarik wisata dan mengandalkan
sektor pariwisata sebagai sektor andalan selain sektor pertanian dan sektor industri
kecil. Berdasarkan data kunjungan wisatawan dari Dinas Kebudayaan dan Pariwisata
Kabupaten Bangli selama lima tahun terakhir yaitu sejak tahun 2010 sampai 2014
terlihat adanya peningkatan kunjungan wisatawan dalam kurun waktu 2010 ke tahun
2011 yaitu sebesar 138.474 orang atau sebesar 33% (Disbudpar Bangli, 2015). Ini
disebabkan oleh pulihnya kondisi ekonomi global dan gencarnya promosi yang
1

dilakukan pemerintah pusat dan daerah. Tetapi pada tahun 2012 terjadi penurunan
jumlah kunjungan yaitu sebesar 18.465 orang atau 3,2% (Disbudpar Bangli, 2015). Hal
ini disebabkan karena beberapa hal, salah satunya adalah belum optimalnya promosi
Pemerintah Daerah. Meskipun setelah tahun 2012 terjadi tren kenaikan kunjungan
wisatawan sampai tahun 2014. Jumlah objek wisata atau daya tarik wisata di Bangli
berdasarkan data dari Dinas Kebudayaan dan Pariwisata Kabupaten Bangli adalah 42
buah (Disbudpar Bangli, 2015). Daya tarik wisata tersebut terdiri dari Daya Tarik
Wisata (DTW) yang dikembangkan dan yang dikenakan retribusi.
Untuk lebih meningkatkan kunjungan wisatawan, berbagai jenis usaha sudah
dilakukan oleh Pemerintah Daerah Bangli melalui Dinas Kebudayaan dan Pariwisata,
salah satu usaha yang sudah dilakukan antara lain adalah menyediakan informasiinformasi objek wisata melalui media website, memanfaatkan sosial media, dan bahkan
melakukan analisa pemasaran wisata. Namun dari berbagai usaha yang sudah dilakukan
tersebut, tidak luput juga dari beberapa kekurangan yaitu jika informasi yang
disebarkan melalui website dan sosial media, informasi yang disajikan masih secara
umum dan tidak mengkhusus berdasarkan minat dan karakteristik wisatawan. Selain itu
Dinas Kebudayaan dan Pariwisata mempunyai sub bagian analisa pemasaran yang
bertugas melakukan analisa kunjungan wisatawan. Namun analisa tersebut masih
sebatas menghasilkan data persentase atau baru sebatas deskripsi kunjungan saja, tidak
sampai memprediksi tempat kunjungan atau objek wisata yang akan dikunjungi
wisatawan.
Memprediksi atau dalam hal ini untuk meningkatkan kunjungan wisatawan
dapat diperoleh dari karakteristik masing-masing wisatawan. Menurut Subhikshu
(dalam Wirawan, 2013) mengatakan bahwa karakteristik dari kunjungan wisatawan di
masa lampau dapat digunakan dalam meningkatkan kegiatan pemasaran dan promosi
secara cermat dan terarah. Di Disbudpar Bangli untuk lebih meningkatkan kegiatan
pemasaran dan promosi dilakukan oleh bagian Pemasaran Wisata yang salah satu sub
bagiannya adalah Analisa Pemasaran yang bertugas melakukan analisa karakteristik
wisatawan. Di mana untuk melakukan analisa karakteristik wisatawan, dapat dilakukan
dengan cara mentabulasi silang variabel-variabel karakteristik dengan preferensi
wisatawan (Dwiputra, 2013:40). Porteus (dalam Dwiputra, 2013:39) mengatakan
bahwa preferensi adalah bagian dari komponen pembuatan keputusan dari seorang
individu. Sehingga dalam penentuan keputusan, preferensi wisatawan sangat
2

berpengaruh. Untuk mengimplementasikan penentuan keputusan tersebut tentunya

diperlukan metode yang cara perhitungannya menyilangkan karakteristik atau
preferensi wisatawan.
Salah satu metode yang dapat digunakan adalah Dempster-Shafer (Wirawan,
2013). Dalam penelitian tersebut membahas mengenai penggunaan metode DempsterShafer dalam menentukan rekomendasi objek wisata di Kabupaten Buleleng. Penelitian
lain juga menggunakan metode Dempster-Shafer dalam sistem pendukung keputusan
(Mau, 2014). Penelitian tersebut membahas tentang penentuan seleksi beasiswa yang
diterapkan dalam sistem pendukung keputusan. Namun dalam kedua penelitian tersebut
untuk penentuan probabilitasnya tetap menggunakan Teorema Bayes di mana untuk
Teorema Bayes sebenarnya menggunakan atribut yang dikategorikan meskipun atribut
tersebut adalah atribut kontinu. Untuk membedakan antara atribut kategori dan kontinu
dapat digunakan dengan metode Nave Bayes. Jadi jika ada data kontinu maka dalam
perhitungannya menggunakan rumus densitas gauss (Saleh, 2015:210).
Sehingga berdasarkan pemaparan tersebut, peneliti ingin mengembangkan
sebuah Sistem Pendukung Keputusan dengan Kombinasi Metode Nave Bayes dan
Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli.

C. RUMUSAN MASALAH
Berdasarkan latar belakang dia atas, maka dapat dirumuskan beberapa masalah
yaitu sebagai berikut:
1. Bagaimana rancang bangun Pengembangan Sistem Pendukung Keputusan
dengan Kombinasi Metode Nave Bayes dan Dempster-Shafer untuk
Memberikan Rekomendasi Objek Wisata di Bangli?
2. Bagaimana uji akurasi dari Pengembangan Sistem Pendukung Keputusan
dengan Kombinasi Metode Nave Bayes dan Dempster-Shafer untuk
Memberikan Rekomendasi Objek Wisata di Bangli?
3. Bagaimana uji respons dari Pengembangan Sistem Pendukung Keputusan
dengan Kombinasi Metode Nave Bayes dan Dempster-Shafer untuk
Memberikan Rekomendasi Objek Wisata di Bangli?

D. TUJUAN PENELITIAN
Tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut:
1. Memahami rancang bangun Pengembangan Sistem Pendukung Keputusan
dengan Kombinasi Metode Nave Bayes dan Dempster-Shafer untuk
Memberikan Rekomendasi Objek Wisata di Bangli?
2. Memahami uji akurasi dari Pengembangan Sistem Pendukung Keputusan
dengan Kombinasi Metode Nave Bayes dan Dempster-Shafer untuk
Memberikan Rekomendasi Objek Wisata di Bangli?
3. Memahami uji respons dari Pengembangan Sistem Pendukung Keputusan
dengan Kombinasi Metode Nave Bayes dan Dempster-Shafer untuk
Memberikan Rekomendasi Objek Wisata di Bangli?

E. BATASAN MASALAH
Batasan masalah yang dibahas dengan latar belakang yang diuraikan adalah
atribut atau karakteristik yang digunakan hanya sebatas asal negara, jenis kelamin,
tujuan wisata, umur, dan frekuensi kunjungan.

F. MANFAAT HASIL PENELITIAN

1. Teoritis
Dapat menambah wawasan ilmu mengenai pembuatan sistem pendukung
keputusan terutama dalam hal memberikan rekomendasi objek wisata kepada
wisatawan.
2. Praktis
a. Bagi Peneliti
Dapat mengimplementasikan ilmu yang diperoleh di bangku perkuliahan
mengenai pembuatan sistem pendukung keputusan berbasis website, yang
nantinya dapat bermanfaat bagi masyarakat khususnya wisatawan ataupun
Dinas Kebudayaan dan Pariwisata.
b. Bagi Dinas Kebudayaan dan Pariwisata
Dapat membantu Dinas Kebudayaan dan Pariwisata Bangli dalam memperoleh
data wisatawan dan menentukan strategi promosi objek wisata yang tepat sesuai
dengan karakteristik wisatawan yang pernah berkunjung.
4

c. Bagi Wisatawan
Dapat membantu wisatawan dalam menentukan pilihan untuk mengunjungi
objek wisata yang ada di Kabupaten Bangli berdasarkan kecocokan
karakteristik yang dimiliki dengan kunjungan wisatawan sebelumnya.

G. KAJIAN TEORI
G.1. Pariwisata Bangli
G.1.1. Kepariwisataan dan Perhotelan
Kepariwisataan diharapkan menjadi sektor andalan Kabupaten Bangli yang
mampu lebih menggalakkan kegiatan ekonomi, mengatrol sektor lain yang berkaitan,
membuka lapangan kerja dan meningkatkan pendapatan masyarakat daerah. Potensi
kepariwisataan Kabupaten Bangli adalah objek wisata berupa keindahan alam,
keunikan, dan seni budaya yang bersumber dari Agama Hindu. Dari banyaknya objek
wisata, disajikan jumlah kunjungan wisatawan pada beberapa objek wisata yang cukup
berpotensi di daerah ini. Berdasarkan data dari Dinas Kebudayaan dan Pariwisata
Kabupaten Bangli selama lima tahun terakhir yaitu sejak tahun 2010 sampai 2014
terlihat adanya peningkatan kunjungan wisatawan dalam kurun waktu 2010 ke tahun
2011 yaitu sebesar 138.474 orang atau sebesar 33%. Tetapi pada tahun 2012 terjadi
penurunan jumlah kunjungan yaitu sebesar 18.465 orang atau 3,2%. Namun setelah
tahun 2012 terjadi tren kenaikan kunjungan wisatawan yaitu tahun 2013 sebesar 68.485
orang atau sebesar 12%. Dan pada tahun 2014 terjadi kenaikan kunjungan sebesar
30.970 orang atau sebesar 5% (Disbudpar Bangli, 2015:3).
Jumlah akomodasi hotel di Bangli sangat terbatas, pada tahun 2012 hanya ada
27 hotel non bintang yang sebagian besar terdapat di Kecamatan Kintamani. Pada tahun
2013 terjadi penurunan hotel non bintang menjadi 25 hotel (BPS Bangli, 2015:195).
Beberapa tempat usaha non bintang tutup akibat lesunya perekonomian dan akses jalan
yang semakin bagus ke Bangli sehingga wisatawan yang berkunjung sedikit yang
memilih menginap di Bangli melainkan lebih memilih di luar Bangli.
G.2. Objek Wisata atau Daya Tarik Wisata
Daya tarik wisata atau objek wisata menurut Undang-undang Nomor 10 Tahun
2009 tentang kepariwisataan adalah segala sesuatu yang memiliki keunikan, keindahan,
dan nilai yang berupa keanekaragaman alam, budaya, dan hasil buatan manusia yang
5

menjadi sasaran atau tujuan kunjungan wisatawan. Sehingga daerah tujuan pariwisata
disebut dengan destinasi pariwisata. Destinasi Pariwisata adalah kawasan geografis
yang berada dalam satu atau lebih wilayah administratif yang di dalamnya terdapat daya
tarik wisata, fasilitas umum, fasilitas pariwisata, aksebilitas serta masyarakat yang
saling terkait dan melengkapi terwujudnya kepariwisataan.
Daya tarik wisata sebenarnya adalah kata lain dari objek wisata, tetapi sesuai
dengan Peraturan Pemerintah (PP) pada tahun 2009, kata objek wisata selanjutnya tidak
lagi digunakan untuk menyebutkan suatu daerah tujuan para wisatawan, dan untuk
mengganti kata objek wisata digunakanlah kata Daya Tarik Wisata. Untuk bisa
memahami pengertian dan makna dari kata daya tarik wisata, berikut ini adalah
beberapa pengertian dari berbagai sumber (Warman, 2014).
a. Menurut A. Yoeti dalam bukunya yang berjudul Pengantar Ilmu Pariwisata
pada tahun 1985, menyatakan bahwa daya tarik wisata atau tourist attraction
merupakan istilah yang lebih sering digunakan, yaitu segala sesuatu yang
menjadi daya tarik bagi wisatawan untuk mengunjungi suatu daerah tertentu.
b. Nyoman S. Pendit dalam bukunya yang berjudul Ilmu Pariwisata pada tahun
1994, menyatakan bahwa daya tarik wisata bisa berperan sebagai segala sesuatu
yang menarik dan mempunyai nilai untuk dikunjungi dan dilihat.
Sesuai dengan beberapa pengertian tersebut tentang daya tarik wisata, maka
dapat disimpulkan bahwa yang dimaksud dengan daya tarik wisata adalah segala
sesuatu di suatu tempat yang memiliki keunikan, keindahan, kemudahan, dan nilai yang
berwujud keanekaragaman kekayaan alam maupun buatan manusia yang menarik dan
mempunyai nilai untuk dikunjungi dan dilihat oleh wisatawan (Warman, 2014).
Suatu daya tarik tujuan wisata, bisa menarik untuk dikunjungi oleh wisatawan
ketika bisa memenuhi syarat-syarat untuk pengembangan daerahnya, syarat-syarat
tersebut adalah sebagai berikut (Warman, 2014) :
a) What to see, pada tempat tersebut harus ada objek dan traksi wisata yang
berbeda dengan yang dipunyai di daerah lain.
b) What to do, di tempat wisata, selain banyak yang bisa dilihat dan disaksikan,
tentunya juga harus disediakan fasilitas rekreasi yang bisa membuat para
wisatawan betah untuk tinggal lebih lama di tempat tujuan wisata itu.

c) What to buy, tempat tujuan wisata harus ada beberapa fasilitas penunjang untuk
berbelanja terutama barang souvenir dan kerajinan rakyat yang berfungsi
sebagai oleh-oleh.
d) What to arrived, ada yang termasuk aksesibilitas, yaitu bagaimana kita
mengunjungi daerah daya tarik tujuan wisata tersebut.
e) What to stay, bagaimana wisatawan akan bisa tinggal untuk sementara selama
dia berlibur.
Ada beberapa hal yang bisa dipakai dalam patokan keberhasilan suatu tempat
wisata hingga tercapainya kawasan wisata bisa sangat tergantung pada 3A, yaitu
Atraksi atau Attraction, Mudah dicapai atau Accessibility, dan Fasilitas atau Amenities.
Berikut ini adalah data objek wisata atau daya tarik wisata yang ada di
Kabupaten Bangli berdasarkan Surat Keputusan Bupati Bangli Nomor 556/202/2014
mengenai penetapan daya tarik wisata yang dikembangkan dan daya tarik wisata yang
dikenakan retribusi di Kabupaten Bangli.
Tabel G.1. Daftar Nama Daya Tarik Wisata Kabupaten Bangli
(SK Bupati Bangli Nomor 556/202/2014)
No.

Nama Daya Tarik Wisata

I. Daya Tarik Wisata yang dikenakan Retribusi

Daya Tarik Wisata Khusus Kintamani

Daya Tarik Wisata Terunyan

Daya Tarik Wisata Pura Penulisan

Daya Tarik Wisata Desa Wisata Penglipuran

Daya Tarik Wisata Pura Kehen

Daya Tarik Wisata Pendakian Gunung Batur

II. Daya Tarik Wisata yang Sedang Dikembangkan

Daya Tarik Wisata Dalem Jawa (Pura Langgar)

Daya Tarik Wisata Desa Tradisional Bayung Gede

Daya Tarik Wisata Taman Bali Raja

Daya Tarik Wisata Desa Adat Pengotan

Daya Tarik Wisata Museum Gunung Api Batur

Daya Tarik Wisata Agro Kopi Arabika dan Jeruk

7

No.

Nama Daya Tarik Wisata

Daya Tarik Wisata Ekowisata Bukit Bangli

Daya Tarik Wisata Desa Wisata Taman Sari Undisan

Daya Tarik Wisata Bukit Jati

10

Daya Tarik Wisata Pendakian Gunung Abang

III. Daya Tarik Wisata yang Akan Dikembangkan

Daya Tarik Wisata Taman Sari

Daya Tarik Wisata Air Terjun Dusun Kuning

Daya Tarik Wisata Bukit Demulih

Daya Tarik Wisata Bukit Serokadan

Daya Tarik Wisata Pura Tirta Payuk

Daya Tarik Wisata Pura Dalem Bangun Lemah

Daya Tarik Wisata Peninggalan Lesung

Daya Tarik Wisata Bukit Pulasari

Daya Tarik Wisata Pura Pusar Tasik

10

Daya Tarik Wisata Lembah Pantunan

11

Daya Tarik Wisata Candi Tebing

12

Daya Tarik Wisata Panorama Desa Jehem

13

Daya Tarik Wisata Goa dan Mata Air Pulasari

14

Daya Tarik Wisata Desa Batukaang

15

Daya Tarik Wisata Dalem Balingkang

16

Daya Tarik Wisata Agro Wisata Jeruk dan Sirsak

17

Daya Tarik Wisata Air Terjun Kutuh

18

Daya Tarik Wisata Air Terjun Yeh Mampeh

19

Daya Tarik Wisata Air Terjun Desa Bunutin

20

Daya Tarik Wisata Desa Songan

21

Daya Tarik Wisata Hutan Wisata Suter

22

Daya Tarik Wisata Kolam Renang Seganing

23

Daya Tarik Wisata Pura Pucak Sari

24

Daya Tarik Wisata Desa Wisata Br. Guliang Kangin (Tracking)

25

Daya Tarik Wisata Tirta Sudamala

8

No.
26

Nama Daya Tarik Wisata

Daya Tarik Wisata Air Terjun Kubu Salya

G.3. Wisatawan
G.3.1. Pengertian Wisatawan
Wisatawan merupakan orang yang melakukan kegiatan wisata, atau orang yang
bepergian ke suatu tempat dengan tujuan untuk berwisata, melihat daerah lain,
menikmati sesuatu, mempelajari sesuatu, menambah ilmu pengetahuan, dan juga
menambah pengalaman, atau melepas penat, serta bersenang-senang. Wisatawan juga
sering disebut dengan turis (tourist). Tujuan wisatawan ketika melakukan aktivitas
wisata bermacam-macam, seperti wisatawan yang ingin mengenal kebudayaan, ada
yang dilakukan dalam rangka kunjungan kerja, ada yang dilakukan untuk melakukan
penelitian di objek wisata tertentu. Objek wisata yang dipilih para wisatawan pun
beragam (Warman, 2015).
G.3.2. Karakteristik Wisatawan
Gambaran tentang wisatawan biasanya dapat dibedakan berdasarkan
karakteristik perjalanannya atau trip descriptor dan karakteristik wisatawannya atau
tourist descriptor (Warman, 2015).
1. Trip Descriptor
Wisatawan dalam trip descriptor bisa dibagi ke dalam berbagai kelompok
berdasarkan jenis perjalanan yang dilakukan. Pada umumnya, jenis perjalanan
dibedakan menjadi perjalanan rekreasi, mengunjungi teman atau keluarga, VFR
atau Visiting Friends and Relatives, perjalanan bisnis dan kelompok perjalanan
yang lain. Selain itu, bisa juga dengan menambah jenis perjalanan yang digunakan
untuk kesehatan dan keagamaan tetapi di luar kelompok lain. Selanjutnya, jenisjenis perjalanan ini juga bisa dibedakan berdasarkan lama perjalanan atau jarak
yang ditempuh, waktu melakukan perjalanan tersebut, jenis akomodasi, alat
transportasi yang digunakan dalam perjalanan, pengorganisasian perjalanan, dan
besar pengeluaran yang dikeluarkan untuk berwisata (Warman, 2015).
2. Tourist Descriptor
Tourist descriptor merupakan karakter yang memfokuskan pada
wisatawannya, biasanya digambarkan dengan "who, wants, what, why, when,
9

where, and how much?" Agar bisa menjelaskan hal-hal tersebut, bisa menggunakan
beberapa karakteristik, di antaranya adalah sebagai berikut (Menuh, 2016:179).
a. Karakteristik Sosio-Demografis
Karakteristik Sosio-Demografis merupakan karakter yang digunakan untuk
mencoba menjawab pertanyaan who, wants, dan what. Pembagian pertanyaan
itu berdasar pada karakteristik yang paling sering dilakukan untuk kepentingan
analisis pariwisata, perencanaan, dan pemasaran, karena hal itu sudah sangat
jelas definisinya dan relatif mudah pembagiannya (Kottler, 1990:129).
Karakteristik yang termasuk dalam karakteristik sosio-demografis di antaranya
adalah jenis kelamin, umur, status perkawinan, tingkat pendidikan, pekerjaan,
kelas sosial, ukuran keluarga, dan jumlah anggota keluarga yang dielaborasi
dari karakteristik tersebut.
b. Karakteristik Geografis
Karakteristik geografis bisa membagi wisatawan berdasar pada lokasi tempat
tinggalnya, biasanya hal itu dibedakan menjadi desa, kota, provinsi, atau dari
negara asalnya.
c. Karakteristik Psikografis
Karakteristik psikografis bisa membagi wisatawan ke dalam kelompokkelompok yang berdasar pada kelas sosial, life style, dan karakteristik personal.
Wisatawan pada kelompok demografis yang sama, bisa saja mempunyai profil
psikografis yang cukup berbeda (Smith & Wheeler, 2002:81).

Berdasarkan teori yang telah dijelaskan tersebut mengenai karakteristik

wisatawan, serta hasil wawancara dengan Seksi Analisa Pemasaran Dinas Kebudayaan
dan Pariwisata Bangli terkait karakteristik wisatawan berdasarkan angket yang telah
disebar oleh seksi analisa pemasaran terdapat kesamaan karakteristik wisatawan dari
kedua sumber tersebut. Sehingga dengan berpedoman pada kedua sumber tersebut,
peneliti akan menggunakan karakteristik wisatawan sebagai berikut.
1. Asal negara
Asal negara merupakan salah satu karakteristik wisatawan yang ingin digunakan
peneliti dalam penelitian ini. Berdasarkan teori di atas, asal negara tergolong dalam
karakteristik geografis wisatawan. Karakteristik geografis wisatawan sangat
berpengaruh terhadap jenis wisata yang akan mereka kunjungi. Selain itu,
10

Disbudpar juga menggunakan asal negara sebagai salah satu karakteristik

wisatawan yang ingin mereka tahu dalam angket. Hal tersebut dilakukan dengan
tujuan agar mereka bisa mengetahui wisatawan asal negara apa saja yang banyak
berkunjung ke Bangli. Dengan demikian, asal negara menjadi salah satu
karakteristik yang akan digunakan oleh peneliti dalam mengembangkan sistem ini.
2. Jenis kelamin
Jenis kelamin termasuk ke dalam salah satu karakteristik wisatawan ditinjau dari
karakteristik sosio-demografis. Jenis kelamin merupakan salah satu karakteristik
wisatawan yang paling sering digunakan dalam menganalisis pemasaran objek
wisata, karena jenis kelamin juga menentukan jenis wisata yang akan dipilih oleh
wisatawan. Selain itu angket yang disebarkan oleh Disbudpar juga menggunakan
jenis kelamin sebagai salah satu kriteria dalam menganalisis pemasaran objek
wisata di Bangli. Sehingga jenis kelamin menjadi karakteristik wisatawan kedua
yang digunakan peneliti dalam penelitian ini.
3. Umur
Umur juga menjadi salah satu dalam karakteristik wisatawan berdasarkan sosiodemografis. Sama seperti jenis kelamin, umur juga menjadi salah satu karakteristik
yang menentukan jenis kunjungan wisatawan selama berlibur. Kriteria ini juga
sangat relevan digunakan, karena umur dari wisatawan sangat berpengaruh
terhadap jenis kunjungan yang akan dipilih oleh wisatawan ketika berkunjung ke
Bangli.
4. Frekuensi Kunjungan
Frekuensi kunjungan juga menjadi salah satu kriteria penting dalam menentukan
analisa strategi pemasaran objek wisata. Karena dari frekuensi kunjungan ini kita
dapat mengetahui pola dari kunjungan wisatawan. Frekuensi kunjungan juga
terdapat pada angket yang digunakan Disbudpar. Sehingga kriteria ini sangat
relevan digunakan sebagai salah satu kriteria dalam menganalisis strategi promosi
objek wisata.
5. Tujuan Wisata
Tujuan wisata merupakan salah satu karakteristik yang cukup penting untuk
dijadikan kriteria dalam menganalisis strategi promosi objek wisata. Pihak
Disbudpar juga menggunakan tujuan wisata dalam angket yang disebarkan. Hal ini

11

menjadi salah satu karakteristik yang masuk ke dalam psikografis karena masingmasing wisatawan mempunyai tujuan yang tidak semua sama.

G.4. Sistem Pendukung Keputusan

1. Pengertian dan Tujuan
Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS)
adalah sistem informasi interaktif yang menyediakan informasi, pemodelan, dan
pemanipulasian data (Kusrini, 2007:15). Alter (dalam Kusrini, 2007:16) menyebutkan
bahwa sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi
yang semi terstruktur dan situasi tidak terstruktur, di mana tak seorang pun tahu secara
pasti bagaimana keputusan seharusnya dibuat.
DSS biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk
mengevaluasi suatu peluang. DSS yang seperti itu disebut aplikasi DSS. Aplikasi DSS
digunakan dalam pengambilan keputusan dan menggunakan CBIS (Computer Based
Information Systems) yang fleksibel, interaktif, dan dapat diadaptasi, yang
dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak
terstruktur. Aplikasi DSS juga menggunakan data, memberikan antarmuka pengguna
yang mudah, dan dapat menggabungkan pemikiran pengambilan keputusan. DSS tidak
dimaksudkan untuk mengotomatisasikan pengambilan keputusan, tetapi memberikan
perangkat interaktif yang memungkinkan pengambil keputusan untuk melakukan
berbagai analisis menggunakan model-model yang tersedia.
Turban (dalam Kusrini, 2007:16) menyebutkan bahwa tujuan dari DSS adalah
sebagai berikut :
a. Membantu manajer dalam pengambilan keputusan atas masalah semi
terstruktur.
b. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan
untuk menggantikan fungsi manajer.
c. Meningkatkan efektivitas keputusan yang diambil manajer lebih dari pada
perbaikan efisiennya.
d. Kecepatan komputasi. Komputer memungkinkan pengambil keputusan untuk
melakukan banyak komputasi secara cepat dengan biaya yang rendah.
e. Peningkatan produktivitas. Bisa lebih menghemat biaya.
12

f. Dukungan kualitas. Komputer bisa meningkatkan kualitas keputusan yang

dibuat.
g. Berdaya saing. Manajemen dan pemberdayaan sumber daya perusahaan.
h. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan.
2. Keputusan dalam Sistem Pendukung Keputusan
Keputusan yang diambil untuk menyelesaikan suatu masalah dilihat dari
keterstrukturannya dapat dibagi menjadi (Kusrini, 2007:19-20) :
a. Keputusan Terstruktur
Keputusan terstruktur adalah keputusan yang dilakukan secara berulang-ulang
dan bersifat rutin.
b. Keputusan Semi Terstruktur
Keputusan semi terstruktur adalah keputusan yang memiliki dua sifat. Sebagian
keputusan bisa ditangani komputer dan yang lain tetap harus dilakukan oleh
pengambil keputusan.
c. Keputusan Tak Terstruktur
Keputusan tak terstruktur adalah keputusan yang penanganannya rumit karena
tidak terjadi berulang-ulang atau tidak selalu terjadi.
3. Karakteristik dalam Sistem Pendukung Keputusan
Tidak ada konsensus mengenai apa sebenarnya DSS, jelas tidak ada
kesepakatan mengenai karakteristik standar DSS (Kusrini, 2007:20). Namun menurut
Turban dkk. (dalam Kusrini, 2007:20) ada beberapa karakteristik yang diharapkan ada
pada DSS yaitu :
a. Dukungan kepada pengambil keputusan, terutama pada situasi semi terstruktur
dan tak terstruktur, dengan menyertakan penilaian manusia dan informasi
terkomputerisasi.
b. Dukungan untuk semua level manajerial, dari eksekutif puncak sampai manajer
lini.
c. Dukungan untuk individu dan kelompok.
d. Dukungan di semua fase proses pengambilan keputusan: intelegensi, desain,
pilihan, dan implementasi.
e. Dukungan di berbagai proses dan gaya pengambilan keputusan.
f. Adaptivitas sepanjang waktu.
g. Pengguna merasa seperti di rumah.
13

h. Peningkatan efektivitas pengambilan keputusan (akurasi, timelines, kualitas)

ketimbang pada efisiensi biayanya.
i. Kontrol penuh oleh pengambil keputusan terhadap semua langkah proses
pengambilan keputusan dalam memecahkan suatu masalah.
j. Pengguna akhir bisa mengembalikan dan memodifikasi sendiri sistem sderhana.
k. Biasanya, model-model digunakan untuk menganalisis situasi pengambilan
keputusan.
l. Akses disediakan untuk berbagai sumber data, format, dan tipe.
m. Dapat digunakan sebagai alat standalone oleh seorang pengambil keputusan
pada satu lokasi atau didistribusikan di suatu organisasi secara keseluruhan dan
di beberapa organisasi sepanjang rantai persediaan.
4. Arsitektur Sistem Pendukung Keputusan
Aplikasi sistem pendukung keputusan bisa terdiri dari beberapa sub sistem,
yaitu (Kusrini, 2007:25-26) :
a. Sub sistem manajemen data
Memasukkan satu basis data yang berisi data relevan untuk suatu situasi dan
dikelola oleh perangkat lunak yang disebut sistem manajemen basis data
(DBMS).
b. Sub sistem manajemen model
Merupakan paket perangkat lunak yang memasukkan model keuangan, statistik,
ilmu manajemen, atau model kuantitatif yang lainnya yang memberikan
kapasitas analitik dan manajemen perangkat lunak yang tepat.
c. Sub sistem antarmuka pengguna
Pengguna berkomunikasi dengan dan memerintahkan SPK melalui sub sistem
tersebut. Pengguna adalah bagian yang dipertimbangkan dari sistem. Para
peneliti menegaskan bahwa beberapa kontribusi unik dari SPK berasal dari
interaksi yang intensif antara komputer dan pembuat keputusan.
d. Sub sistem manajemen berbasis pengetahuan
Sub sistem tersebut mendukung semua sub sistem lain atau bertindak sebagai
suatu komponen independen yang bersifat opsional. Selain memberikan
intelegensi untuk memperbesar pengetahuan si pengambil keputusan. Sub
sistem tersebut bisa diinterkoneksikan dengan repositori pengetahuan

14

perusahaan (bagian dari sistem manajemen pengetahuan), yang kadang-kadang

disebut basis pengetahuan organisasional.
Berdasarkan definisi, sistem pendukung keputusan harus mencangkup tiga
komponen utama dari DBMS, MBMS, dan antarmuka pengguna. Sub sistem
manajemen berbasis pengetahuan adalah opsional, tetapi bisa memberikan banyak
manfaat karena memberikan intelegensi bagi ketiga komponen utama tersebut. Seperti
pada semua sistem informasi manajemen, pengguna bisa dianggap sebagai komponen
sistem pendukung keputusan. Komponen-komponen tersebut membentuk sistem
aplikasi sistem pendukung keputusan yang bisa dikoneksikan ke intranet perusahaan,
ekstranet, atau Internet. Berikut ini adalah arsitektur dari sistem pendukung keputusan
ditunjukkan pada gambar di bawah ini :
Internet,
Intranet,
Ekstranet

Sistem lainnya yang

berbasis komputer
Data Eksternal
dan Internal
Manajemen
Data

Manajemen
Model

Manajemen
Eksternal

Sistem Berbasis
Pengetahuan

Antarmuka
Pengguna

Basis Pengetahuan
Organisasional

Manajer
(Pengguna)

Gambar G.1. Arsitektur Sistem Pendukung Keputusan

(Kusrini, 2007:26)

G.5. Nave Bayes Classifier

Nave Bayes Classifier (NBC) adalah salah satu metode yang digunakan dalam
data mining yang didasarkan pada teori keputusan Bayes. Nave Bayes memiliki
kemampuan klasifikasi seperti metode decision tree dan neural network. Metode ini
15

dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class (Kusrini,

Emha, & Luthfi, 2009:189). Berikut ini formula untuk klasifikasi Nave Bayes
Classifier (Prasetyo, 2012:61).
q
P(Y) i=1 P(Xi |Y) ......................... (1)
P(Y|X) =
P(X)

Sedangkan NBC dengan fitur kontinu memiliki formula (densitas gauss) :

P(X|Y) =

1
2

exp

(x)2
22

......................... (2)

Keterangan :
P(Y|X)

probabilitas data dengan vektor X pada kelas Y.

P(Y)

probabilitas awal kelas Y.

probabilitas independen kelas Y dari semua fitur dalam vektor

P(Xi |Y)

i=1

X.

Mean atau nilai rata-rata dari atribut dengan fitur kontinu.

Deviasi standar

Nave Bayes (NBC) membutuhkan jumlah record data yang sangat besar untuk
mendapat hasil yang baik. Jika kategori predictor tidak ada dalam data training, maka
NBC mengasumsikan bahwa record baru dengan predictor memiliki probabilitas nol
(Muktamar, 2013:3).

Contoh perhitungan Nave Bayes :

Misalnya ingin diketahui apakah suatu objek masuk dalam kategori dipilih untuk
perumahan atau tidak dengan algoritma Nave Bayes Classifier. Untuk menetapkan
suatu daerah akan dipilih sebagai lokasi untuk mendirikan perumahan, telah dihimpun
10 aturan. Ada 4 atribut yang digunakan seperti terlihat pada tabel G.1.
a. Harga tanah per meter persegi (C1).
b. Jarak daerah tersebut dari pusat kota (C2).
c. Ada atau tidaknya angkutan umum di daerah tersebut (C3).
d. Keputusan untuk memilih daerah tersebut sebagai lokasi perumahan (C4).
16

Tabel G.2. Atribut penetapan lokasi perumahan

Aturan

Harga tanah

Jarak dari

Ada angkutan

Dipilih untuk

ke-

(C1)

pusat kota

umum

perumahan

(C2)

(C3)

(C4)

100

Tidak

Ya

200

Tidak

Ya

500

Tidak

Ya

600

20

Tidak

Tidak

550

Tidak

Tidak

250

25

Ada

Tidak

75

15

Ada

Tidak

80

10

Tidak

Ya

700

18

Ada

Tidak

10

180

Ada

Ya

a. Mean dan deviasi standar untuk atribut harga tanah (C1)

=

2 =

100 + 200 + 500 + 80 + 180

= 212
5
600 + 550 + 250 + 75 + 700
=
= 435
5

(100 212)2 + (200 212)2 + (500 212)2 + (80 212)2 + (180 212)2
51

= 28520,015

= 28520,015 = 168,8787

2 =

(600 435)2 + (550 435)2 + (250 435)2 + (75 435)2 + (700 435)2
51

= 68624,98

= 68624,98 = 261,9637
b. Mean dan varian untuk atribut jarak dari pusat kota (C2)
=

2 + 1 + 3 + 10 + 8
= 4,8
5
17

2 =

20 + 8 + 25 + 15 + 18
= 17,2
5

(2 4,8)2 + (1 4,8)2 + (3 4,8)2 + (10 4,8)2 + (8 4,8)2

51

= 15,699821

= 15,699821 = 3,9623

(20 17,2)2 + (8 17,2)2 + (25 17,2)2 + (15 17,2)2 + (18 17,2)2

=
51
= 39,700081

= 39,700081 = 6,3008
Sedangkan untuk probabilitas atribut angkutan umum dan dipilih untuk perumahan
terlihat pada tabel G.3 dan tabel G.4.
Tabel G.3. Probabilitas kemunculan nilai atribut dipilih untuk angkutan umum
(C3)
Jumlah kejadian dipilih

Angkutan

Probabilitas

umum

Ya

Tidak

Ya

Tidak

Ada

1/5

3/5

Tidak

4/5

2/5

Jumlah

Tabel G.4. Probabilitas kemunculan nilai atribut dipilih untuk perumahan (C4)
Jumlah kejadian dipilih

Dipilih untuk

Probabilitas

perumahan

Ya

Tidak

Ya

Tidak

Jumlah

1/2

1/2

Dari data di atas apabila diberikan C1 = 300, C2 = 17, C3 = Tidak, maka :

P(C1 = 33|Ya) =

1
2 168,8787

P(C1 = 33|Tidak) =
P(C2 = 17|Ya) =

(300212)2
exp 228520,015

1
2 261,9637
1

2 3,9623

= 0,0021

(300435)2
exp 268624,98

(174,8)2
239,700081
exp

= 0,0013

= 0,00633
18

P(C2 = 17|Tidak) =

1
2 6,3008

(1717,2)2
239,700081
exp

= 0,0633

Sehingga :
4 5
Nilai = (0,0021) (0,0009)
= 0,000000756
5 10
2 5
Nilai = (0,0012) (0,0633)
= 0,000016458
5 10
Nilai probabilitas dapat dihitung dengan melakukan normalisasi terhadap nilai Ya dan
Tidak tersebut sehingga :
Probabilitas =

0,000000756
= 0,439
0,000000756 + 0,000016458

0,000016458
Probabilitas =
= 0,9561
0,000000756 + 0,000016458

Klasifikasi :
TIDAK

G.6. Dempster-Shafer Theory

Dempster-Shafer Theory (DST) pertama kali diperkenalkan oleh Dempster,
yang melakukan percobaan model ketidakpastian menggunakan range probability
daripada probabilitas tunggal. Kemudian pada tahun 1976 Shafer memperhalus serta
mempublikasikan teori Dempster tersebut pada sebuah buku yang berjudul
Mathematical Theory of Evident. DST adalah teori matematika dari evidence yang juga
disebut evidential reasoning yang dapat menangani informasi yang tidak pasti, tidak
tepat dan tidak akurat. DST juga dapat digunakan dalam data mining untuk
mengekstrak pengetahuan (Giarratano & Riley, 2005:279).
1. Frame of Discernmnet.
Pada teori Dempster-Shafer Theory juga dikenal adanya Frame Of Discernment
(FOD) atau yang juga disebut environment yang dinotasikan dengan Greek
(Giarratano & Riley, 2005:280) :
= {1 , 2 , , }

(G.6.1)

di mana:
= FOD atau environment.
{1 , 2 , , } = elemen/unsur dalam environment .
19

Environment adalah istilah lain dari semesta pembicaraan (universe of discourse)

dari sekumpulan objek yang bersifat mutually exclusive. Salah satu cara untuk
menentukan

elemen-elemen

dari

sebuah

environment

yaitu

dengan

menginterpretasikan sebuah konsep pertanyaan dan jawaban. Sebagai contoh

semua himpunan objek wisata di Bangli:
= {Desa Penglipuran, Desa Bayung Gede, Museum Gunung Api Batur}
Jika diberikan sebuah pertanyaan Yang termasuk objek wisata tradisional
adalah?, maka jawaban yang mungkin dari subset adalah:
{1 , 2 } = {Desa Penglipuran, Desa Bayung Gede}
Demikian juga dengan pertanyaan Objek wisata tradisional yang banyak
dikunjungi wisatawan asing?, maka jawaban yang mungkin dari subset adalah:
{1 } = {Desa Penglipuran}
Subset ini disebut dengan singleton set karena hanya memiliki satu elemen pada .
Tentunya tidak semua pertanyaan dapat diinterpretasi ke dalam subset dan disebut
sebagai subset empty = {}. Semua subset dari environment dapat menghasilkan
pola sebanyak 2N jumlah subset yang terbentuk dari sampai , dimana N adalah
jumlah elemen pada . Berikut contoh pola dari semua subset pada environment
objek wisata di Kabupaten Bangli = {A, B, C} dapat dilihat pada gambar berikut:
A= Desa Penglipuran
B = Desa Bayung Gede
C = Museum Gunung Api Batur

Gambar G.2 Pola subset dari evidence

(Giarratano & Riley, 2005:281)

Berdasarkan pada gambar tersebut, salah satu pola dapat diekspresikan ke dalam
subset hierarki relasional antara parent dan child, contoh:
{} {A} {A, B} {A, B, C}
20

Himpunan {A} merupakan himpunan bagian dari {A, B} dan himpunan {A, B}
merupakan himpunan bagian dari {A, B, C}. Sehingga dapat disimpulkan
XY
dimana semua elemen dari X merupakan elemen dari Y, sehingga dapat di
ekspresikan sebagai berikut:
X Y berarti x X x Y
Pada gambar G.2 jumlah subset yang terbentuk sebanyak 23 = 8 buah subset.
Kumpulan dari seluruh subset ini mendefinisikan power set atau P( )={, {A},
{B}, {C}, {A, B}, {A, C}, {B, C}, }.
2. Mass Function dan Ignorance
Dalam DST tingkat kepercayaan dari suatu evidence disebut degree of belief dan
diasumsikan sebagai mass (direpresentasikan dengan m) dari objek atau juga
disebut Basic Probability Assigment (BPA) (Giarratano & Riley, 2005:282). Basic
belief assignment dapat diperoleh dari probabilitas prior untuk node awal. Pada
DST tidak memaksakan suatu kepercayaan untuk diberikan kepada ketidaktahuan
atau sanggahan pada sebuah hipotesa, namun nilai mass hanya diberikan kepada
subset didalam environment yang diyakini untuk diberikan tingkat kepercayaan.
Subset yang tidak diberikan tingkat kepercayaan dianggap sebagai nonbelief ().
Nonbelief dapat diartikan sebagai reserving judgment dari disbelief dan keyakinan
tambahan pada suatu evidence (Wirawan, 2013). Sebagai contoh, sekumpulan objek
wisata di Kabupaten Bangli ={A, B, C}. Diasumsikan wisatawan yang berasal
dari Negara X memiliki tingkat keyakinan untuk mengunjungi objek wisata ({A,
B}) sebesar 0,7 atau m({A, B})=0,7. Sedangkan nonbelief dari objek wisata ({A,
B}) adalah m()= 1 0,7 = 0,3. Penentuan nilai m({A, B}) =0,7 diperoreh dari
probabilitas objek wisata A dan B yang dikunjungi oleh wisatawan dari Negara X.
Perbedaan antara DST dengan teori probabilitas, pada DST nilai mass diberikan
kepada subset dari satu set himpunan, sedangkan pada teori probabilitas dikaitkan
dengan elemen elemen yang ada didalam satu set himpunan, sebagai contoh Saya
memastikan berlibur ke Kabupaten Bangli, namun saya tidak memiliki informasi
mengenai nama objek wisata yang saya kunjungi. Dari contoh kasus tersebut nilai
mass function pada DST dapat diperoleh, m({A})=m({B})=m({C})= 0 dan nilai m
( ) = 1, dimana = {A,B,C}. Dari nilai mass ini dapat menginduksikan belief
function, Bel ({A})=Bel ({B})= Bel ({C})= 0 dan Bel() = 1. Namun pada teori
21

probabilitas, dapat dihasilkan fungsi probabilitas (p) dari masing-masing elemen

adalah p(A)=0.33, p(B)=0.33, p(C)=0.33, di mana S1+S2+S3 = 1. Setiap mass dapat
dinyatakan sebagai fungsi yang memetakan setiap elemen dari power set ke
bilangan real antara interval 0 hingga 1 (Giarratano & Riley, 2005:285).
m: P()

[0, 1]

dan mass kosong didefinisikan:

m() = 0;
sedangkan jumlah dari keseluruhan mass untuk setiap subset X dari power set
adalah 1.
(G.6.2)

m(X) = 1
XP()

Berdasarkan pada contoh kunjungan objek wisata yang telah dipaparkan

sebelumnya, maka dapat dihitung nilai dari power set.
m(X) = m({A , B}) + m() = 0,7 + 0,3 = 1
XP()

3. Combining Evidence.
Combining Evidence adalah proses penting dalam merangkum informasi dari
berbagai sumber. Di mana sumber yang berbeda (misalnya ahli) memberikan
penilaian yang berbeda untuk satu set peristiwa, sehingga diperlukan suatu
kombinasi penilaian dari masing-masing sumber dalam merangkum informasi.
Untuk mengatasi hal tersebut, digunakan suatu aturan yang lebih dikenal dengan
Dempsters Rule of Combination pada DST (Giarratano & Riley, 2005:286).
(1 2 )() = 1 ()2 ()

(G.6.3)

Pada proses kombinasi evidence memungkinkan untuk terjadinya suatu konflik

antar evidence. Konflik evidence terjadi ketika tidak adanya elemen yang dihasilkan
pada cross product antar evidence, sebagai contoh kombinasi antara evidence
m({A}) dan m({B}) yang tidak menghasilkan elemen (). Untuk mengatasi
permasalahan ini, diperlukan proses normalisasi evidence dengan mendefinisikan
evidential conflict (k) ke dalam Dempsters Rule of Combination pada persamaan
G.6.3. Sehingga dapat diturunkan menjadi persamaan G.6.4 berikut adalah
(Giarratano & Riley, 2005:292) :

22

(1 2 )() =

= 1 ()2 ()
1

(G.6.4)

Di mana evidential conflict (k) dirumuskan dengan:

(G.6.5)

= 1 ()2 ()
=

Sehingga persamaan (G.6.5) disubstitusikan ke dalam persamaan (G.6.4) akan

menjadi:

m (X)m (Y )
(m m )(Z) =
1- m (X)m (Y )
1

XY =Z

(G.6.6)

XY =q

Di mana:

(m1 m2 )( Z )

= mass function dari evidence (Z), yang merupakan hasil

dari kombinasi evidence (X) dan evidence (Y)

m1 ( X )

= mass function dari evidence (X)

m2 (Y )

= mass function dari evidence (Y)

= mass evidential conflict

= operator direct sum

Sebagai contoh perhitungan combination evidence pada kasus kunjungan objek

wisata. Dimisalkan seorang wisatawan dengan jenis kelamin Y yang memiliki
tingkat kepercayaan untuk mengunjungi objek wisata B sebesar 0,9, maka nilai
mass dari masing-masing evidence dapat ditentukan sebagai berikut:
m1({A,B})= 0,7

m2 ({B})= 0,9

m1() = 0,3

m2() = 0,1

Masing-masing evidence direpresentasikan ke dalam sebuah tabel, dimana kolom

pertama diisi dengan gejala yang pertama (m1), sedangkan kolom kedua diisi
dengan gejala yang kedua (m2). Dengan menggunakan cross-multiplying mass
product, dapat diperoleh nilai kombinasi antara evidence m1 dan m2 seperti pada
tabel G.5.
Tabel G.5 Perhitungan evidence
m2
m1
m1({A,B})=0.7

(m1 m2)({B})=0.63

(m1 m2)({A,B})=0.07

m1() =0.3

(m1 m2)({B})= 0.27

(m1 m2)()=0.03

m2({B})=0.9

m2() =0.1

23

Nilai yang dihasilkan pada tabel G.5, dapat dijelaskan sebagai berikut:
1. (m1m2)({B})= 0,63 pada kolom ke-1 dan baris ke-1, didapat dari proses
kombinasi mass evidence antara m1({A,B})= 0,7 dengan m2 ({B})= 0,9.
2. (m1m2)({B})= 0,27 pada kolom ke-1 dan baris ke-2, didapat dari proses
kombinasi mass evidence antara m1()= 0,3 dengan m2 (B)= 0,9.
3. (m1m2)({A,B})= 0,07 pada kolom ke-2 dan baris ke-1, didapat dari proses
kombinasi mass evidence antara m1({A,B})= 0,7 dengan m2 ()= 0,1.
4. (m1m2)()= 0,03 pada kolom ke-2 dan baris ke-2, didapat dari proses
kombinasi mass evidence antara m1()= 0,3 dengan m2 ()= 0,1.
Hasil dari proses kombinasi evidence ini, selanjutnya dikalkulasi menggunakan
persamaan G.6.6 untuk menghasilkan evidence baru (m3).
m3 ({B}) = (m1m2) ({B}) = 0.63 +0.27 = 0.90
m3 ({A,B})= (m1m2) ({A,B}) = 0.07
m3 ()=(m1m2) () = 0.03
Perhitungan pada tabel G.1 tidak terjadi konflik evidence (), sehingga nilai k = 0.
Berdasarkan pada kombinasi di atas, nilai m3 ({B}) = 0,9, yang menyatakan bahwa
tingkat kepercayaan wisatawan tersebut untuk mengunjungi objek wisata ({B})
sebesar 0,9. Sedangkan m3 ({A, B}) dan m3 () disebut sebagai nonbelief (disbelief
dan informasi tambahan dari B), dengan tingkat keyakinan sebesar 0,07 + 0,03 =
0,1.

G.7. Penelitian Terkait

Berdasarkan beberapa referensi yang telah dikaji, terdapat penelitian-penelitian
yang terkait dengan topik penelitian ini, di antaranya adalah penelitian yang dilakukan
oleh (Mau, 2014) dengan judul Sistem Pendukung Keputusan Seleksi Beasiswa
Menggunakan Teorema Bayes dan Dempster Shafer dikatakan bahwa hasil rangking
dari kedua metode tersebut mempunyai hasil sama untuk kasus penerima beasiswa yang
pada tabel penilaiannya sudah ditentukan belief-nya berdasarkan range yang sudah
dibuat sebelumnya. Secara umum pada penelitian ini semua data dikategorikan untuk
setiap range yang sudah ditentukan lebih dulu belief-nya berdasarkan pada setiap
24

variabel. Sehingga dalam mencari probabilitas tidak melakukan perhitungan untuk

mencari belief secara keseluruhan data. Hal yang dapat dikaji dari penelitian ini adalah
mengenai penggunaan aturan Bayes dan Dempster-Shafer Theory dalam Sistem
Pendukung Keputusan.
(Wirawan, 2013) mengenai Sistem CBR Berbasis Mobile menggunakan
Dempster-Shafer Theory dengan rule yang sudah dimodifikasi untuk memberikan
rekomendasi objek wisata di Kabupaten Buleleng. Pada penelitian ini dapat
menghasilkan rekomendasi objek wisata berdasarkan data wisatawan sebelumnya.
Kriteria yang digunakan adalah jenis kelamin, negara, umur, pekerjaan, pendapatan
per-bulan, serta frekuensi kunjungan. Namun, terdapat beberapa kekurangan dari
penelitian ini yaitu untuk penentuan probabilitasnya tetap menggunakan Teorema
Bayes di mana untuk Teorema Bayes sebenarnya menggunakan atribut yang
dikategorikan meskipun atribut tersebut adalah atribut kontinu. Dan juga pada
penelitian ini data wisatawan belum terintegrasi dengan web server. Sehingga data
belum bisa dianalisis langsung. Hal yang dapat dikaji dalam penelitian ini adalah
penggunaan metode Dempster-Shafer untuk memberikan rekomendasi objek wisata.
(Saleh, 2015) dengan judul Implementasi Metode Klasifikasi Nave Bayes
dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga membahas tentang
pengklasifikasian besarnya penggunaan listrik rumah tangga dengan persentase
keakuratan 78 persen. Dalam penentuan data training dikatakan bahwa antara data
numerik dan bukan numerik itu dibedakan cara perhitungannya. Untuk bukan numerik
(huruf) menggunakan rumus NBC pada umumnya, sedangkan untuk numerik (angka)
atau data kontinu menggunakan rumus densitas gauss. Sehingga hal yang dapat dikaji
dari penelitian ini adalah penggunaan rumus densitas gauss untuk data kontinu.
(Indraswari, 2015) dengan judul Sistem Pendukung Keputusan Deteksi Dini
Penyakit Stroke Menggunakan Metode Dempster-Shafer. Membahas tentang
penggunaan metode Dempster-Shafer dapat diterapkan pada sistem pendukung
keputusan dan memang cocok diterapkan untuk kasus tidak pasti atau tidak konsisten.
Hal yang dapat dikaji dari penelitian ini adalah mengenai penggunaan metode
Dempster-Shafer dalam sistem pendukung keputusan.
(Yusnita, 2012) dengan judul Sistem Pendukung Keputusan Menentukan
Lokasi Rumah Makan yang Strategis Menggunakan Metode Naive Bayes. Dikatakan
bahwa sistem yang dibuat dapat menentukan lokasi rumah makan yang strategis atau
25

kurang strategis berdasarkan nilai akhir dari probabilitas ya dan tidak. Jika nilai
probabilitas ya lebih besar dari probabilitas tidak maka lokasinya dikatakan strategis.
Begitu juga sebaliknya. Hal yang dapat dikasi dari penelitian ini adalah penggunaan
Naive Bayes dalam menentukan probabilitas yang diterapkan pada sistem pendukung
keputusan.
Dengan mempertimbangkan penelitian-penelitian yang sudah ada, baik itu
mengenai memberikan rekomendasi objek wisata, sistem pendukung keputusan
menggunakan DST, dan penggunaan metode NBC dalam klasifikasi. Namun demikian,
belum ada penelitian yang membahas secara khusus mengenai pengembangan Sistem
Pendukung Keputusan dengan Menggunakan Kombinasi Metode Nave Bayes dan
Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli.

H. METODE PENELITIAN
Sistem Pendukung Keputusan dengan Kombinasi Metode Nave Bayes dan
Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli ini
menggunakan metode pengembangan ADDIE. Model ADDIE adalah model
perancangan instruksional yang berupa proses umum yang secara tradisional digunakan
oleh perancang instruksional ataupun pengembangan pelatihan. Model ADDIE juga
disebut inti perancangan instruksional dan menjadi dasar sistem perancangan
instruksional (Instructional System Design-ISD). Ulasan yang dibuat Zulrahmat Togala
untuk buku Instructional Design: The ADDIE Approach, menjelaskan aktivitas yang
dilakukan pada masing-masing tahap adalah dari analisis, desain, pengembangan,
implementasi, dan evaluasi (Tanjung, 2014:129). Berikut ini penjelasan dari masingmasing tahap tersebut.

26

Analysis

Design

Development

Implementation

Evaluation

Gambar H.1. Model ADDIE

(Tanjung, 2014:129)
Berikut ini penjelasan dari masing-masing tahap atau fase.
H.1. Analysis
Pada fase analisis, dilakukan pendefinisian permasalahan instruksional, tujuan
instruksional, dan sasaran. Fase ini juga merupakan fase untuk mengumpulkan
kebutuhan secara lengkap kemudian menganalisis dan mendefinisikan kebutuhan yang
harus dipenuhi oleh program yang akan dibangun. Peneliti mencari informasi terkait
dengan sistem yang akan dibangun, baik melalui wawancara dengan kepala bidang
yang terdapat di Dinas Kebudayaan dan Pariwisata, mencari referensi teori tentang
metode Nave Bayes dan Dempster-Shafer yang akan diterapkan dalam membangun
sistem ini. Setelah semua data terkumpul, kemudian dilakukan analisis kebutuhan
sistem dan menentukan batasan masalah dari sistem yang akan dibuat, sehingga
pengembangan sistem bisa lebih jelas dan bisa diselesaikan sesuai dengan waktu yang
tersedia.
a. Kriteria dan contoh perhitungan kombinasi metode Nave Bayes dan DempsterShafer.
Kriteria-kriteria atau karakteristik yang digunakan dalam penentuan
rekomendasi objek wisata di Kabupaten Bangli bagi wisatawan ini adalah asal
negara, jenis kelamin, frekuensi kunjungan, tujuan wisata, dan umur. Kriteria
tersebut diperoleh dari kajian teori yang telah dipaparkan dan angket yang
27

disebarkan oleh Disbudpar Bangli setiap tahunnya kepada wisatawan yang

berkunjung ke Kabupaten Bangli. Di sini peneliti memadukan kriteria atau
karakteristik yang terdapat dalam teori dengan angket yang digunakan. Agar
menghasilkan data yang relevan bagi wisatawan dalam memberikan rekomendasi
objek wisata, dan relevan juga bagi Disbudpar Bangli dalam menganalisis strategi
promosi objek wisata.
Sedangkan untuk objek wisata yang digunakan dalam sistem ini adalah data
objek wisata yang sesuai dengan SK Bupati Bangli tentang Penetapan Objek dan
Daya Tarik Wisata Kabupaten Bangli. Dan apabila SK Bupati diperbaharui, maka
petugas dapat memperbaharui data objek wisata melalui sistem. Berikut ini contoh
data yang digunakan dalam perhitungan kombinasi metode Nave Bayes Classifier
dan Dempster-Shafer Theory.
Tabel H.1. Data Kunjungan Wisatawan di Kabupaten Bangli
No. Nama
1 Erick
2 Jhon Lee

Negara
Prancis
Cina

JK
L
L

Tujuan
Berlibur
Penelitian

Umur
32
25

Kunjungan
1
1

Objek Wisata
W1,W3
W1,W2,W4

3 Sofia

Amerika

Berlibur

21

W2,W3

4 Andi

Indonesia

Berlibur

24

W1,W3

5 Merry

Prancis

Berlibur

35

W1,W3

6 Kevin

Amerika

Mengunjungi kerabat

49

W1,W2,W4

7 Lee Young

Cina

Penelitian

26

W2,W3

8 Coi Dae

Cina

Berlibur

31

W1,W2,W4

9 Ahmad

Indonesia

Mengunjungi kerabat

38

W2,W4

10 West

Prancis

Berlibur

26

W2,W4

11 Bent

Prancis

Berlibur

33

???

Keterangan:
Tabel H.2. Kode Objek Wisata
Kode
W1
W2
W3
W4

Nama Objek Wisata

Penglipuran
Penulisan
Pura Kehen
Trunyan

28

Data wisatawan 1-10 dengan identitas serta data kunjungan yang dimiliki, bisa
dianalisis dengan menggunakan kombinasi metode NBC dan DST, agar bisa
memberikan rekomendasi objek wisata yang akan dikunjungi oleh wisatawan ke-11
berdasarkan kesamaan identitas yang mereka miliki. Awalnya ditentukan dulu datanya
apakah data numerik atau bukan. Jika data numerik (angka) maka untuk menghitung
probabilitasnya menggunakan rumus Nave Bayes Classifier. Tapi jika data tidak
numerik (huruf) yang berupa kategori-kategori maka untuk menghitung probabilitasnya
menggunakan Teorema Bayes yang biasa digunakan dalam DST. Adapun
penyelesaiannya adalah sebagai berikut.
1. Menghitung mass function dari kriteria pertama yaitu asal negara dengan
menggunakan rumus prior probability.
2
= 0,67
3
1
1 ({2, 4}) = = 0,33
3
1 ({1, 3}) =

1 ()= 1 (0,66 + 0,33) = 0

2. Menghitung mass function dari kriteria kedua yaitu jenis kelamin dengan
menggunakan rumus prior probability.
2
= 0,33
6
2
2 ({1, 2, 4}) = = 0,33
6
1
2 ({2, 3}) = = 0,17
6
1
2 ({2, 4}) = = 0,17
6
2 ({1, 3}) =

2 ()= 1 (0,33 + 0,33 + 0,17 + 0,17) = 0

3. Melakukan perhitungan combination evidence.

29

Tabel H.3. Perhitungan evidence (m1 dan m2)

m2
m1

2 ({1, 3})

2 ({1, 2, 4})

2 ({2, 3})

2 ({2, 4})

= 0,33

= 0,33

= 0,17

= 0,17

2 ({1, 3})

({1, 3})

= 0,67

= 0,22

1 ({2, 4})

({1}) = 0,22

= 0,11

= 0,11

= 0,11

= 0,33
1 ()= 0

({3})

2 ()= 0
({1, 3})
= 0,00

({2, 4})

({4})

({2, 4})

({2, 4})

= 0,11

= 0,06

= 0,06

= 0,00

({1, 3})

({1, 2, 4})

({2, 3})

({2, 4})

= 0,00

= 0,00

= 0,00

= 0,00

= 0,00

4. Hasil dari proses kombinasi evidence ini selanjutnya dikalkulasi dengan rumus di
bawah ini.

m (X)m (Y )
(m m )(Z) =
1- m (X)m (Y )
1

XY =Z

XY =q

3 ({1, 3}) =

0,22 + 0,00 + 0,00

= 0,29
1 (0,11 + 0,11)

3 ({1}) =

0,22
= 0,29
1 (0,11 + 0,11)

3 ({3}) =

0,11
= 0,14
1 (0,11 + 0,11)

3 ({2, 4}) =
3 ({4}) =

0,11 + 0,06 + 0,00 + 0,00

= 0,21
1 (0,11 + 0,11)

0,06
= 0,07
1 (0,11 + 0,11)

3 ({1, 2, 4}) =
3 ({2, 3}) =
3 () =

0,00
= 0,00
1 (0,11 + 0,11)

0,00
= 0,00
1 (0,11 + 0,11)

0,00
= 0,00
1 (0,11 + 0,11)

5. Menghitung mass function dari kriteria ketiga yaitu tujuan dengan menggunakan
rumus prior probability.
4 ({1, 3}) =

3
= 0,50
6
30

4 ({1, 2, 4}) =

1
= 0,17
6

1
= 0,17
6
1
4 ({2, 4}) = = 0,17
6
4 ({2, 3}) =

4 ()= 1 (0,50 + 0,17 + 0,17 + 0,17) = 0

6. Melakukan perhitungan combination evidence.
Tabel H.4. Perhitungan evidence (m3 dan m4)
m4
m3

4 ({1, 3})

4 ({1, 2, 4})

4 ({2, 3})

4 ({2, 4})

= 0,50

= 0,17

= 0,17

= 0,17

4 ()= 0

3 ({1, 3})

({1, 3})

({1})

({3})

= 0,29

= 0,14

= 0,05

= 0,05
= 0,05

= 0,05

({1}) = 0,00

({3})

= 0,02

({3}) = 0,00

({2, 4})

3 ({1})

({1})

({1})

= 0,29

= 0,14

= 0,05

3 ({3})

({3})

= 0,02

= 0,14

= 0,07

3 ({2, 4})

= 0,11

= 0,21
3 ({4})

= 0,04

= 0,07

({1, 3})

= 0,05

= 0,00

= 0,02
({2, 4})

({2})

({2, 4})

= 0,04

= 0,04

= 0,04

({4})

= 0,01

({4})

= 0,01

= 0,00
({4}) = 0,00

= 0,01

3 ({1, 2, 4})

({1})

({12, 4})

({2})

({2, 4})

= 0,00

= 0,00

= 0,00

= 0,00

= 0,00

3 ({2, 3})

({3})

({2}) = 0,00

({2, 3})

({2})

({2, 3})

= 0,00

= 0,00

= 0,00

= 0,00

= 0,00

({2, 4})

3 ()= 0

({1, 3})

({1, 2, 4})

({2, 3})

= 0,00

= 0,00

= 0,00

({1, 2, 4})
= 0,00

= 0,00

= 0,00

7. Hasil dari proses kombinasi evidence ini selanjutnya dikalkulasi.

5 ({1, 3}) =

0,14 + 0,00 + 0,00

= 0,22
1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02)

5 ({3}) =

0,07 + 0,05 + 0,02 + 0,00

= 0,22
1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02)

5 ({1}) =

0,14 + 0,00 + 0,05 + 0,05 + 0,00

= 0,36
1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02)

5 ({2}) =

0,00 + 0,04 + 0,00 + 0,00

= 0,05
1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02)

31

5 ({2, 4}) =
5 ({4}) =

0,04 + +0,04 + 0,00 + 0,00 + 0,00

= 0,11
1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02)

0,01 + 0,01 + 0,00

= 0,04
1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02)

5 ({1, 2, 4}) =
5 ({2, 3}) =
5 () =

0,00
= 0,00
1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02)

0,00 + 0,00 + 0,00

= 0,00
1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02)

0,00
= 0,00
1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02)

8. Menghitung mass function dari kriteria data kontinu. Dapat dilihat pada data yang
merupakan data kontinu adalah umur dan frekuensi kunjungan jadi di sini
digunakan perhitungan menggunakan rumus densitas gauss dari Nave Bayes
Classifier.
(|) =

1
2

()2
22

a. Tentukan mean dan deviasi untuk atribut Umur (c1)

32 + 24 + 35
= 30,33
3
25 + 49 + 31
1,2,4 =
= 35
3
21 + 26
2,3 =
= 23,5
2
38 + 26
2,4 =
= 32
2
1,3 =

1,3

(32 30,33)2 + (24 30,33)2 + (35 30,33)2

=
= 52,78
31

1,3 = 52,78 = 7,26

2 1,2,4 =

(25 30,33)2 + (49 30,33)2 + (31 30,33)2

= 303
31

1,2,4 = 303 = 17,41

2 2,3 =

(21 30,33)2 + (26 30,33)2

= 8,38
21
32

2,3 = 8,38 = 2,89

2 2,4 =

(38 30,33)2 + (26 30,33)2

= 53
21

2,4 = 53 = 7,28
b. Tentukan mean dan deviasi untuk atribut Frekuensi Kunjungan (c2)
1+4+2
= 2,33
3
1+1+4
1,2,4 =
=2
3
2+4
2,3 =
=3
2
2+5
2,4 =
= 3,5
2
1,3 =

1,3

(1 2,33)2 + (4 2,33)2 + (2 2,33)2

=
= 3,61
31

1,3 = 3,61 = 1,90

1,2,4

(1 2)2 + (1 2)2 + (4 2)2

=
=3
31

1,2,4 = 3 = 1,73

2 2,3 =

(2 3)2 + (4 3)2
= 0,50
21

2,3 = 0,50 = 0,71

2 2,4 =

(2 3,5)2 + (5 3,5)2
= 2,375
21

2,4 = 2,375 = 1,54

9. Menghitung menggunakan rumus densitas gauss.

33

Dari data baru pada kolom umur adalah 33 dan kolom frekuensi kunjungan adalah
2, jadi hitung menggunakan rumus densitas gauss, sehingga hasilnya adalah seperti
di bawah ini.
( = 33|1, 3) =

1
2 7,26
1

( = 33|1, 2, 4) =
( = 33|2, 3) =
( = 33|2, 4) =

2 17,41
1

2 2,89
1
2 7,28

( = 2|1, 3) =

(3330,33)2
252,78

1
2 7,26

( = 2|1, 2, 4) =

(3335)2
2303

(3323,50)2
28,38

= 0,0513495799

(3332)2
253

= 0,0006302650

= 0,0542981616

(3330,33)2
252,78

1
2 17,41

= 0,0227736286

= 0,0513495799

(3335)2
2303

= 0,0227736286
( = 2|2, 3) =
( = 2|2, 4) =

1
2 2,89
1
2 7,28

(3323,50)2
28,38
(3332)2
253

= 0,0006302650

= 0,0542981616

Kemudian antara probabilitas data kategori dan kontinu dihitung bersama, dengan
berdasarkan data baru, sehingga :
1, 2 = 0,67 0,33 0,50 0,05135 0,20678 = 0,001180
1, 2, 4 = 0 0,33 0,17 0,0227 0,23039 = 0
2, 3 = 0 0,17 0,17 0,00063 0,20761 = 0
2, 4 = 0,33 0,17 0,17 0,05430 0,16124 = 0,000081

Sehingga nilai probabilitas akhir untuk umur dan frekuensi kunjungan dilakukan
normalisasi menjadi probabilitas 6 .
1, 2 =

0,001180
= 0,935708
0,001180 + 0 + 0 + 0,000081

1, 2, 4 =

0
=0
0,001180 + 0 + 0 + 0,000081
34

 2, 3 =

0
=0
0,001180 + 0 + 0 + 0,000081

2, 4 =

0,000081
= 0,064292
0,00,001180 + 0 + 0 + 0,000081

10. Melakukan perhitungan combination evidence.

Tabel H.5. Tabel perhitungan evidence (m5 dan m6)
m6
m5
5 ({1, 3})

6 ({1, 3})

6 ({1, 2, 4})

6 ({2, 3})

6 ({2, 4})

= 0,9357

= 0,0000

= 0,0000

= 0,0643

({1, 3})

({1})

({3})

= 0,2024

=0

=0

({3})

=0

({3})

= 0,22
5 ({3})
= 0,22

= 0,2024

5 ({1})
5 ({2})

= 0, 0140

({3}) = 0

=0

= 0, 0234

({1, 3}) = 0

({2}) = 0

({1})

= 0,3403

=0

= 0,0510

({2})

({2})

({2})

=0

=0

= 0, 0035

({2, 4})

({2})

({2, 4})

=0

=0

= 0, 0070

({4})

=0

({4})

= 0,1021

= 0,11
5 ({4})

({1}) = 0

=0

= 0,05
5 ({2, 4})

= 0,0140

({1})

= 0,36

= 0,0340

= 0,04

=0

5 ({1, 2, 4})

({1, 2, 4})

({2})

({2, 4})

=0

=0

=0

=0

({3})

({2})

({2, 3})

({2})

=0

=0

=0

=0

({1, 3})

({1, 2, 4})

({2, 3})

({2, 4})

=0

=0

=0

=0

5 ({2, 3})
= 0,00
5 ()= 0

({2, 4}) = 0

({4}) = 0

= 00023

({1})

= 0,00

6 ()= 0

({1, 2, 4})
=0
({2, 3}) = 0

=0

11. Hasil dari proses kombinasi evidence ini selanjutnya dikalkulasi.

7 ({1, 3}) =

0,2040 + 0 + 0
1 (0,0510 + 0,1021 + 0,0340 + 0 + 0 + 0 + 0,0140 + 0,0140 + 0,0234)

= 0,2681

7 ({1}) =

0,3403 + 0 + 0 + 0 + 0
(0,0510
1
+ 0,1021 + 0,0340 + 0 + 0 + 0 + 0,0140 + 0,0140 + 0,0234)
= 0,4469

35

7 ({3}) =

0,2042 + 0 + 0 + 0 + 0
1 (0,0510 + 0,1021 + 0,0340 + 0 + 0 + 0 + 0,0140 + 0,0140 + 0,0234)
= 0,2681

7 ({2}) =

0 + 0 + 0 + 0 + 0 + 0,0035 + 0 + 0
1 (0,0510 + 0,1021 + 0,0340 + 0 + 0 + 0 + 0,0140 + 0,0140 + 0,0234)
= 0,0046

7 ({2, 4}) =

0 + 0,0070 + 0 + 0 + 0
1 (0,0510 + 0,1021 + 0,0340 + 0 + 0 + 0 + 0,0140 + 0,0140 + 0,0234)

= 0,0092

7 ({4}) =

0 + 0,0023 + 0
1 (0,0510 + 0,1021 + 0,0340 + 0 + 0 + 0 + 0,0140 + 0,0140 + 0,0234)
= 0,0031

7 ({1, 2, 4})
=

0+0+0
= 0,00
1 (0,0510 + 0,1021 + 0,0340 + 0 + 0 + 0 + 0,0140 + 0,0140 + 0,0234)

7 ({2, 3}) =

0+0+0
1 (0,0510 + 0,1021 + 0,0340 + 0 + 0 + 0 + 0,0140 + 0,0140 + 0,0234)

= 0,00

7 () =

0
= 0,00
(0,0510
1
+ 0,1021 + 0,0340 + 0 + 0 + 0 + 0,0140 + 0,0140 + 0,0234)

Berdasarkan hasil kalkulasi evidence terakhir, ternyata nilai terbesar terdapat pada
7 ({1}). Sehingga hasil rekomendasi objek wisata untuk wisatawan ke-11 adalah
Penglipuran dengan kode W1.

36

b. Kebutuhan Fungsional
Berdasarkan hasil analisa kebutuhan terhadap Sistem Pendukung Keputusan
dengan Kombinasi Metode Nave Bayes dan Dempster-Shafer untuk Memberikan
Rekomendasi Objek Wisata di Bangli, proses-proses yang dapat dilakukan sistem
ini adalah sebagai berikut.
1. Sistem dapat menerima masukkan atau input dari objek wisata di Kabupaten
Bangli.
2. Sistem dapat melakukan perubahan atau update dan delete data objek wisata.
3. Sistem dapat menampilkan data objek wisata.
4. Sistem dapat menyimpan data objek wisata dan data wisatawan pada basis data.
5. Sistem dapat melakukan proses perhitungan kombinasi metode NBC dan DST.
6. Sistem dapat menampilkan rekomendasi objek wisata bagi wisatawan sesuai
karakteristik yang dimasukkan.
7. Sistem dapat menampilkan fasilitas lain seperti detail objek wisata dan fitur
Google Maps.
Pada tahap ini akan diperoleh suatu konsep secara matang tentang sistem yang
akan dikembangkan agar keluaran atau output yang dihasilkan nanti sesuai dengan
yang diharapkan. Secara umum, alur sistem ini awalnya menerima input berupa
karakteristik dari wisatawan, kemudian dilakukan perhitungan kombinasi NBC dan
DST sehingga dapat memberikan rekomendasi objek wisata yang sesuai bagi
wisatawan. Dan data karakteristik yang dimasukkan oleh wisatawan otomatis
disimpan dalam basis data sehingga memudahkan dalam mencari data wisatawan.
H.2. Design
Pada tahapan atau fase desain ini dilakukan secara sistematis dan spesifik.
Tahap ini dilakukan setelah tahap analisis dan pendefinisian kebutuhan sistem sudah
lengkap. Pada tahap ini merupakan tahapan perancangan sistem agar sistem yang akan
dikembangkan bisa menyelesaikan seluruh aktivitas yang menjadi tujuan sistem
tersebut dikembangkan. Sistem ini dibangun dengan gambaran dan desain yang jelas
agar pengembang sistem bisa lebih terstruktur dalam mengembangkannya. Beberapa
gambaran yang dibuat pada tahapan ini adalah sebagai berikut.
a. Diagram Konteks

37

Diagram konteks adalah sebuah diagram sederhana yang menggambarkan proses

secara keseluruhan antara sistem dengan lingkungan/entity luar sistem. Adapun
diagram konteks yang dimaksud seperti di bawah ini.
Data Kriteria

Data Objek Wisata

Data Lain Tentang Objek Wisata

Data Login

Data Wisatawan

Pengembang Sistem
Pendukung Keputusan
dengan Kombinasi Metode
Naive Bayes dan DempsterShafer untuk Memberikan
Rekomendasi Objek Wisata
di Bangli

Admin

User

Info Wisatawan
Info Rekomendasi Objek Wisata

Info Login
Info Objek Wisata

Info Lain Tentang Objek Wisata

Info Kriteria
Info Wisatawan

Info Perhitungan NBC dan DST

Gambar H.2. Diagram Konteks

Diagram konteks di atas menggambarkan seluruh proses yang terjadi antara
admin, sistem, dan user. Admin memberikan masukan ke sistem berupa data login,
data objek wisata, dan data kriteria. Setelah data diproses oleh sistem dan berhasil
login, maka admin akan mendapat keterangan informasi login, info objek wisata,
info kriteria, info wisatawan, dan info perhitungan data sehingga dapat melakukan
manipulasi data pada sistem. Kemudian jika dilihat dari user atau pengguna yang
berperan di sini adalah wisatawan awalnya akan memberikan masukkan berupa data
wisatawan dan data lain tentang objek wisata. Data lain tentang objek wisata di sini
maksudnya adalah data lain selain hasil rekomendasi seperti halnya data detail
objek wisata. Kemudian keluaran yang diberikan sistem berupa info wisatawan,
rekomendasi objek wisata, dan info lain mengenai objek wisata.

b. DFD (Data Flow Diagram)

DFD adalah diagram aliran data yang menggambarkan aliran data mulai dari asal
data tersebut, ke mana tujuan data tersebut setelah keluar dari sistem, di mana data

38

tersebut tersimpan, hingga interaksi yang terjadi antar data. Berikut ini merupakan
DFD level 0 dari pengembangan sistem ini.
1. DFD Level 0
Data Login

Data Login

Info Login

1.0
Login

Info Login

Data Admin

ADMIN

Info Admin

2.0
Manipulasi
Admin

Data Admin
Info Admin

Admin

Data Objek Wisata

Info Objek Wisata

3.0
Manipulasi
Objek Wisata

Data Objek Wisata

Info Objek Wisata

Objek Wisata

Info Wisatawan

Data Wisatawan
Info Wisatawan

USER

Info Rekomendasi

4.0
Manipulasi
Wisatawan

5.0
Perhitungan
dan
Rekomendasi

Info Perhitungan

Hasil Cetak Data Wisatawan

Data Wisatawan
Info Wisatawan

Data Perhitungan
Info Perhitungan

Wisatawan

Hasil
Perhitungan

Info Rekomendasi

6.0
Mencetak
Data
Wisatawan

Gambar H.3. DFD Level 0

DFD Level 0 di atas menggambarkan proses aliran data yang berawal dari
admin dan user. Data-data tersebut diolah oleh sistem sampai menghasilkan output
39

atau keluaran yang sesuai tujuan. Seperti contoh proses login untuk admin, awalnya
admin memasukkan data yang diperlukan, kemudian data diproses, maka muncul
informasi login baik itu berupa berhasil login ataupun gagal. Begitu juga dengan
proses yang lainnya.

2. DFD Level 1
2.1. DFD Level 1 Proses Manipulasi Admin
Data Admin
Info Admin

Data Admin
2.1.
Menambah
Admin

ADMIN

Info Admin

Data Admin

Info Admin

Data Admin

2.2.
Mencari
Admin

Info Admin

Admin
Data Admin
Info Admin

2.3.
Mengubah
Admin

Data Admin
Info Admin

Data Admin
Data Admin
Info Admin

2.4.
Menghapus
Admin

Info Admin

Gambar H.4. DFD Level 1 Proses Manipulasi Data Admin

Pada DFD level ini menggambarkan alur proses manipulasi data admin seperti
menambah data, mencari data, mengubah data, dan menghapus data admin.

2.2. DFD Level 1 Proses Manipulasi Data Objek Wisatawan

40

Data Objek Wisata

Info Obje k Wisa ta

3.1.
Menambah
Objek
Wisata

ADMIN

Data Objek Wisata

Info Objek Wisata

Data Objek Wisata

Info Objek Wisata

3.2.
Mencari
Objek
Wisata

Data Objek Wisata

Info Objek Wisata

Objek Wisata
Data Objek Wisata
Info Objek Wisata

3.3.
Mengubah
Objek
Wisata

Data Objek Wisata

Info Objek Wisata

Data Objek Wisata

Data Objek Wisata
Info Objek Wisata

3.4.
Menghapus
Objek
Wisata

Info Objek Wisata

Gambar H.5. DFD Level 1 Proses Manipulasi Data Objek Wisata

Pada DFD level ini menggambarkan alur proses manipulasi data objek wisata
seperti menambah data, mencari data, mengubah data, dan menghapus data
objek wisata.
2.3. DFD Level 1 Proses Manipulasi Data Wisatawan

41

Data Wisatawan
Info Wisatawan

Data Wisatawan
4.1.
Menambah
Wisatawan

USER

Info Wisatawan

Data Wisatawan
Info Wisatawan

ADMIN

4.2.
Mengubah
Wisatawan

Data Wisatawan
Info Wisatawan

Data Wisatawan

Info Wisatawan

Wisatawan

4.3.
Melihat
Wisatawan

Data Wisatawan
Info Wisatawan

Gambar H.6. DFD Level 1 Proses Manipulasi Data Wisatawan

Pada DFD level ini menggambarkan alur proses manipulasi data wisatawan
seperti menambah data dan mengubah data bagi wisatawan. Melihat data
wisatawan bagi admin.

c. Flowchart
Flowchart merupakan suatu bagan dengan simbol tertentu yang menggambarkan
urutan proses secara mendetail dan hubungan antara suatu proses dengan proses
lainnya dalam suatu program. Berikut ini merupakan gambaran flowchart dari
sistem ini.

42

START

Input Data
Wisatawan

Apakah data
numerik?

Tidak

Ya
Mean dan
Standar Deviasi
Tiap Parameter

Mass Function

Densitas Gauss
Probabilitas
Normalisasi

Probabilitas
Matriks

Combination
Evidence

Rekomendasi
Objek Wisata

Rekomendasi
di pilih?

Tidak

Objek Wisata lain

Ya
Tidak

Rekomendasi
di pilih?

Ya

END

Gambar H.7. Flowchart System

Berdasarkan flowchart tersebut, dapat dilihat alur sistem ini yaitu dimulai ketika
user atau wisatawan memasukkan data karakteristik mereka. Kemudian ditentukan
dahulu oleh sistem apakah data numerik atau tidak berdasarkan data wisatawan
sebelumnya. Jika tidak, maka untuk menentukan probabilitas, langsung dihitung
43

mass function-nya menggunakan teorema bayes biasa. Tapi jika data numerik atau
berupa angka kontinu, maka dihitung dahulu mean dan standar deviasi pada tiap
parameter, kemudian dihitung menggunakan rumus densitas gauss, lalu
dinormalisasi sehingga menghasilkan sebuah probabilitas. Selanjutnya dihitunglah
masing-masing probabilitas menggunakan matriks combination evidence. Sehingga
menghasilkan sebuah rekomendasi objek wisata bagi wisatawan. Kemudian jika
rekomendasi dipilih atau menurut wisatawan cocok, maka perhitungan selesai.
Namun jika rekomendasi tidak dipilih atau dirasa tidak cocok bagi wisatawan, maka
wisatawan boleh memilih objek wisata lain. Objek wisata yang dipilih terakhirlah
yang disimpan ke sistem sebagai data baru.
d. Perancangan Tabel
Dalam pengembangan sistem ini dibutuhkan beberapa tabel, di antaranya adalah
sebagai berikut.
1. Tabel Admin, adalah tabel yang menyimpan data administrator selaku operator
sistem yang berisi beberapa field atau kolom.
Tabel H.6. Tabel Admin
Nama Field

Tipe Data

Ukuran Field

Username

Varchar

20

Password

Varchar

30

Nama

Varchar

50

Jabatan

Varchar

30

2. Tabel Objek Wisata, adalah tabel yang menyimpan seluruh data objek wisata
yang ada di Kabupaten Bangli yang terdiri dari beberapa kolom.
Tabel H.7. Tabel Objek Wisata
Nama Field

Tipe Data

Ukuran Field

IdObjekWisata

Integer

NamaObjekWisata Varchar

30

Lokasi

Varchar

50

Keterangan

Text

Foto

Varchar

50

JmlKunj

Integer

10
44

3. Tabel Kriteria, adalah tabel yang menyimpan data kriteria yang digunakan
untuk memberikan rekomendasi objek wisata pada wisatawan.
Tabel H.8. Tabel Kriteria
Nama Field

Tipe Data

Ukuran Field

IdKriteria

Integer

NamaKriteria

Varchar

30

Status

Enum

4. Tabel Wisatawan, adalah tabel yang menyimpan data wisatawan sekaligus

menyimpan hasil perhitungan rekomendasi objek wisata
Tabel H.9. Tabel Wisatawan
Nama Field

Tipe Data

Ukuran Field

IdWisatawan

Integer

10

Nama

Varchar

50

Negara

Varchar

20

JK

Enum

Umur

Integer

PeriodeKunjungan

Integer

Tujuan

Varchar

50

TanggalBerkunjung Date

Rekomendasi

30

Varchar

e. Perancangan Input dan Output

1. Form Admin, Login
Form ini adalah form pertama kali muncul ketika administrator ingin mengakses
sistem. Untuk dapat melakukan manipulasi data, administrator harus masuk
menggunakan username dan password yang sudah dibuat.

45

IDENTITAS INSTANSI

Username

Password

LOGIN

FOOTER

Gambar H.8. Form Login Administrator

2. Form Admin, Objek Wisata
Form ini adalah form untuk menampilkan data objek wisata yang tersimpan
dalam basis data. Admin dapat melakukan menambah, mencari, mengubah, dan
menghapus data objek wisata.

IDENTITAS INSTANSI
MENU

OBJEK WISATA

Objek Wisata

CARI
TAMBAH

Kriteria
OBJEK WISATA 1

UBAH

HAPUS

OBJEK WISATA 2

UBAH

HAPUS

OBJEK WISATA 3

UBAH

HAPUS

Wisatawan
Laporan
Tentang
Logout

FOOTER

Gambar H.9. Form Manipulasi Objek Wisata

46

3. Form Admin, Tambah Objek Wisata

Form ini adalah form khusus untuk menambahkan data objek wisata ke dalam
sistem.

IDENTITAS INSTANSI
MENU

TAMBAH OBJEK WISATA

Objek Wisata

CARI

Kriteria

NAMA

Wisatawan

LOKASI

Laporan

KETERANGAN

Tentang

FOTO

Logout

Browse

TAMBAH

FOOTER

Gambar H.10. Form Tambah Objek Wisata

4. Form Admin, Kriteria
Form ini adalah form untuk menampilkan data kriteria yang tersimpan pada
basis data. Admin dapat melakukan menambah, mencari, mengubah, dan
menghapus data kriteria.

IDENTITAS INSTANSI
MENU

KRITERIA

Objek Wisata

CARI
TAMBAH

Kriteria
KRITERIA 1

UBAH

HAPUS

KRITERIA 2

UBAH

HAPUS

KRITERIA 3

UBAH

HAPUS

Wisatawan
Laporan
Tentang
Logout

FOOTER

Gambar H.11. Form Manipulasi Kriteria

47

5. Form Admin, Kunjungan Wisatawan

Form ini adalah form untuk menampilkan data wisatawan dan kunjungan
wisatawan yang tersimpan pada basis data. Admin di sini dapat mencetak data
wisatawan yang dapat digunakan untuk analisa pemasaran.

IDENTITAS INSTANSI
MENU

KUNJUNGAN WISATAWAN

Objek Wisata

CARI

Kriteria
TABEL WISATAWAN

Wisatawan
Laporan
Tentang
Logout

TOTAL Kunjungan

FOOTER

Gambar H.12. Form Kunjungan Wisata

6. Form Admin, Tambah Admin Baru
Form ini adalah form khusus yang digunakan untuk menambah administrator
baru.

IDENTITAS INSTANSI
MENU

TAMBAH ADMIN BARU

Objek Wisata

CARI

Kriteria
NAMA

Wisatawan
JABATAN

Laporan
USERNAME

Tentang
PASSWORD

Logout

TAMBAH

FOOTER

Gambar H.13. Form Tambah Administrator

48

7. Form User, Awal

Form ini adalah tampilan awal user atau wisatawan selaku yang menggunakan
sistem. Karena dalam sistem dibuat menggunakan dua bahasa, maka wisatawan
akan memilih bahasa dahulu untuk dapat melanjutkan menggunakan sistem.

IDENTITAS INSTANSI
IND

ENG

Selamat Datang di Website Resmi

Welcome to Official Website

Sistem Pendukung Keputusan Rekomendasi Objek Wisata

Decision Support System Tourist Spots Recommendation

Kabupaten Bangli - Bali

Bangli Regency - Bali

Silakan Pilih Bahasa

Chose Your Language
INDONESIA

ENGLISH

FOOTER

Gambar H.14. Form User untuk Tampilan Awal

8. Form User, Identitas
Form ini adalah tampilan untuk wisatawan mengisi identitas mereka masingmasing untuk nantinya dihitung sehingga menghasilkan rekomendasi objek
wisata.

49

IDENTITAS INSTANSI
IND

ENG

NAMA

NEGARA
JENIS KELAMIN

Laki-Laki

Perempuan

UMUR
FREKUENSI KUNJUNGAN
TUJUAN

PROSES

FOOTER

Gambar H.15. Form User untuk Memasukan Identitas

9. Form User, Rekomendasi
Form ini adalah tampilan hasil perhitungan berupa rekomendasi objek wisata
sesuai dengan identitas wisatawan yang sudah dimasukkan sebelumnya.
Wisatawan juga dapat menentukan apakah memang rekomendasi sesuai atau
tidak.

50

IDENTITAS INSTANSI
IND

NAMA

ROJAK

NEGARA

INDONESIA

JENIS KELAMIN

LAKI-LAKI

UMUR

23

FREKUENSI KUNJUNGAN

2 KALI

TUJUAN

BERLIBUR

HASIL REKOMENDASI

PENGLIPURAN

INFO

YA

PENGANYUNGAN

INFO

YA

BALIWOSO

INFO

YA

ENG

YANG LAIN

FOOTER

Gambar H.16. Form User untuk Menampilkan Hasil Rekomendasi

H.3. Development
Pada tahap development ini dilakukan pengembangan terhadap desain yang
sudah dibuat sebelumnya yang diterjemahkan ke dalam kode-kode bahasa
pemrograman. Dalam proses pengembangan, pembuatan akan dipecah menjadi modulmodul yang lebih kecil, yang nantinya akan digabungkan pada tahap berikutnya. Dalam
pembuatan kode-kode bahasa pemrograman tersebut, tentunya peneliti membutuhkan
beberapa perangkat yang akan digunakan dalam mengimplementasikannya. Adapun
kebutuhan tersebut dapat dikategorikan ke dalam kebutuhan perangkat keras dan
perangkat lunak. Berikut ini adalah detail dari kebutuhan tersebut.
a. Kebutuhan Perangkat Lunak
Berdasarkan analisa yang telah dilakukan, kebutuhan perangkat lunak yang
dibutuhkan untuk mengembangkan sistem adalah sebagai berikut.
1. XAMPP sebagai wew server penyedia Apache, MySQL, dan PHP.
2. Notepad++ sebagai text editor.
3. Google Chrome sebagai web browser untuk berinteraksi dengan sistem.
51

4. Adobe Photoshop untuk membuat desain grafis.

b. Kebutuhan Perangkat Keras
1. Laptop Lenovo ThinkPad E431.
2. RAM 4 GB dan Hardisk 500GB.
3. Processor Intel Core i5.

H.4. Implementation
Pada tahap ini semua tahap diimplementasikan berdasarkan tahapan-tahapan
yang sudah dilakukan sebelumnya. Agar dapat mengetahui semua modul-modul yang
dibuat berfungsi sesuai dengan kebutuhan. Semua modul yang sudah dibuat akan
digabungkan menjadi suatu sistem utuh yang selanjutnya akan dilakukan pengujian
secara keseluruhan atau pengujian sistem. Pengujian sistem akan dilakukan dengan
menggunakan dua jenis pengujian, yaitu White Box testing dan Black Box Testing.
a. White Box Testing
White box testing adalah pengujian yang didasarkan pada pengecekan terhadap
detail perancangan, menggunakan struktur kontrol dari desain program secara
prosedural untuk membagi pengujian ke dalam beberapa kasus pengujian.
Penentuan kasus uji disesuaikan dengan struktur sistem, pengetahuan mengenai
program digunakan untuk mengidentifikasikan kasus uji tambahan. Pengujian
dilakukan berdasarkan bagaimana suatu software menghasilkan suatu output dari
input yang diberikan. Pengujian white box ini dilakukan berdasarkan kode
program.
b. Black Box Testing
Black box testing adalah pengujian yang dilakukan hanya untuk mengamati hasil
eksekusi melalui data uji dan memeriksa fungsional dari perangkat lunak.
Pengujian ini hanya mengevaluasi dari tampilan luarnya saja (interface), serta
fungsionalitasnya, tanpa mengetahui apa sesungguhnya yang terjadi dalam proses
detailnya (hanya mengetahui input dan output). Metode uji dapat diterapkan pada
semua tingkat pengujian perangkat lunak seperti pengujian unit, integrasi,
fungsional, sistem dan penerimaan.

52

H.5. Evaluation
Pada tahap ini merupakan tahapan yang digunakan untuk mengevaluasi seluruh
tahap berdasarkan tahan-tahapan yang sudah dilewati. Jadi tahapan ini dapat dilakukan
di seluruh tahap atau evaluasi secara keseluruhan apabila ada yang kurang sesuai
dengan analisa, desain, pengembangan, dan implementasinya. Sehingga nantinya
sistem ini benar-benar siap diimplementasikan di Dinas Kebudayaan dan Pariwisata
Bangli. Dan sistem ini benar-benar sesuai dengan kebutuhan yang terdapat di lapangan.

I. JADWAL DAN WAKTU

Pelaksanaan penelitian ini direncanakan berlangsung selama enam bulan dari
bulan Februari 2016 sampai dengan Juli 2016, dengan pengalokasian waktu untuk
masing-masing tahapan kegiatan dapat dilihat seperti tabel berikut.

53

Tabel I.1. Jadwal Kegiatan

No. Nama Kegiatan
Bulan ke-1
1 2 3 4
1.

Pengajuan Topik

2.

Penyusunan

Bulan ke-2
1 2 3 4

Waktu Kegiatan (Tahun 2015-2016)

Bulan ke-3
Bulan ke-4
Bulan ke-5
Bulan ke-6
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

Bulan ke-7
1 2 3 4

Bulan ke-8
1 2 3 4

Proposal
3.

Seminar Proposal

4.

Analysis

5.

Design

6.

Development

7.

Implementation

8.

Penyusunan
Laporan Skripsi

9.

Ujian Skripsi

54

J. DAFTAR PUSTAKA
BPS Bali. (2015). Jumlah Wisatawan Mancanegara ke Provinsi Bali 2004-2015.
Dipetik Februari 1, 2016, dari Badan Pusat Statistik Provinsi Bali:
http://bali.bps.go.id/linkTabelStatis/view/id/184
BPS Bangli. (2015). Bangli Dalam Angka 2015. Dipetik Februari 28, 2016, dari
Badan Pusat Statistik Kabupaten Bangli:
http://banglikab.bps.go.id/website/pdf_publikasi/Kabupaten-Bangli-DalamAngka-2015.pdf
Disbudpar Bangli. (2015). Analisa Pemasaran Wisata Kabupaten Bangli Tahun
Anggaran 2015. Bangli: Dinas Kebudayaan dan Pariwisata Bangli.
Dwiputra, R. (2013). Preferensi Wisatawan Terhadap Sarana Wisata di Kawasan
Wisata Alam Erupsi Merapi. Jurnal Perencanaan Wilayah dan Kota, Vol. 24
No. 1, April 2013, 35-48.
Giarratano, J., & Riley, G. (2005). Expert Systems Principles and Programming Fouth
Edition. Canada: Thomson Course Technology.
Indraswari, D. P. (2015). Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke
Menggunakan

Metode

Dempster-Shafer.

Journal

of

Environmental

Engineering & Sustainable Technology Vol. 02 No. 02, November 2015, 97104.
Kompas Travel. (2016, Januari 4). Kompas Travel. Dipetik Februari 27, 2016, dari
Bali, Pulau Terbaik Kedua di Dunia:
http://travel.kompas.com/read/2016/01/04/173936827/Bali.Pulau.Terbaik.Ked
ua.di.Dunia
Kottler, P. (1990). Manajemen Pemasaran: Analisa, Perancangan, Implementasi, dan
Pengendalian. Jilid II Edisi Kelima. Jakarta: Erlangga.
Kusrini. (2007). Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: CV.
ANDI Offset.
Kusrini, Emha, & Luthfi, T. (2009). Algoritma Data Mining. Yogyakarta: Andi.
Mau, S. D. (2014). Sistem Pendukung Keputusan Seleksi Beasiswa Menggunakan
Teorema Bayes dan Dempster-Shafer. Jurnal Pekommas, Vol. 17 No. 1, April
2014.
Menuh, N. N. (2016). Karakteristik Wisatawan Backpacker dan Dampaknya Terhadap
Pariwisata Kuta, Bali. JUMPA Volume 2 Nomor 2, Januari 2016, 179-180.
55

Muktamar, B. A. (2013). Implementasi Data Mining dengan Naive Bayes Classifier

untuk Mendukung Strategi Pemasaran di Bagian Humas STMIK AMIKOM
Yogyakarta. Naskah Publikasi, 3.
Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan Matlab.
Yogyakarta: Andi.
Saleh, A. (2015). Implementasi Metode Klasifikasi Nave Bayes Dalam Memprediksi
Besarnya Penggunaan Listrik Rumah Tangga. Citec Journal, Vol. 2, No. 3, Mei
2015 Juli 2015.
SK Bupati Bangli Nomor 556/202. (2014).
Smith, S., & Wheeler, J. (2002). Managing The Customer Experience . New York:
Prentice Hall.
Tanjung, M. R. (2014). Pengembangan Aplikasi Multimedia Pengenalan dan
Pembelajaran Origami dengan Pendekatan ADDIE. Seminar Nasional
Informatika 2014, 129.
Travel and Leisure. (2015). World's Best Islands, Travel + Leisure World's Best
Awards 2015. Dipetik Februari 28, 2016, dari Travel + Leisure:
http://www.travelandleisure.com/worlds-best/islands#
Warman, S. (2014, Oktober). Daya Tarik Daerah Tujuan Wisata. Dipetik Februari 29,
2016, dari sandywarman.com: http://www.sandywarman.com/2014/10/dayatarik-daerah-tujuan-wisata.html
Warman, S. (2015, Januari). Berbagai Karakter dan Jenis Wisatawan Domestik dan
Mancanegara.

Dipetik

Februari

29,

2016,

dari

sandywarman.com:

http://www.sandywarman.com/2015/01/pembelajaran-3-berbagai-karakterdan.html
Wirawan, I. M. (2013). Mobile-based CBR System using Dempster-Shafer
Modification Rule for Tourist Spots Recommendations in Buleleng Regency .
International Journal of Computer Applications (0975 8887) Volume 83 No
7, December 2013.
Yusnita, A. (2012). Sistem Pendukung Keputusan Menentukan Lokasi Rumah Makan
yang Strategis Menggunakan Metode Naive Bayes. Seminar Nasional
Teknologi Informasi & Komunikasi Terapan 2012, 290-294.

56

LAMPIRAN

57

Lampiran 1 Dokumentasi Wawancara

Gambar J.1. Wawancara dengan Seksi Analisa Pemasaran

Lampiran 2

Hasil Wawancara dengan Kelapa Bidang Pemasaran Wisata Dinas Kebudayaan dan
Pariwisata Kabupaten Bangli.

Saya

: Selamat siang pak, mohon maaf mengganggu sebentar. Saya

mahasiswa dari UNDIKSHA Jurusan Pendidikan Teknik
Informatika ingin melakukan wawancara dengan bapak mengenai
Pariwisata Kabupaten Bangli.

Narasumber

: Iya silakan dik.

Saya

: Sebelumnya, saya ingin mengetahui dahulu seperti apa organisasi

di Disbudpar Bangli? Atau terdiri dari berapa bagian?

Narasumber

: Baik dik. Secara umum organisasi di Disbudpar Bangli terdiri dari

4 bidang yaitu Bidang Kesenian, Bidang Tradisi Sejarah dan
Kepurbakalaan, Bidang Bina Objek, dan terakhir Bidang
Pemasaran Wisata. Kebetulan saya di sini sebagai Kepala Bidang
Pemasaran Wisata.

Saya

: Di bidang pemasaran wisata ini terdiri dari berapa bagian lagi

pak?

Narasumber

: Terdiri dari 3 sub bagian dik, yang disebut seksi. Antara lain
adalah Seksi Promosi, Seksi Bimbingan dan Penyuluhan, dan
terakhir Seksi Analisa Pemasaran.

Saya

: Kalau tugas masing-masing seksi itu bagaimana pak?

Narasumber

: Kalau secara umum tugas masing-masing seksi adalah untuk seksi

promosi bertugas mempromosikan objek wisata melalui website,
media sosial, dan lain sebagainya. Untuk seksi bimbingan dan
penyuluhan

bertugas

untuk

memberikan

bimbingan

dan

penyuluhan kepada masyarakat yang secara langsung terlibat

dengan objek wisata. Dan terakhir untuk seksi analisa pemasaran
bertugas untuk melakukan analisa pemasaran wisata terutama
jumlah kunjungan wisatawan berdasarkan karakteristiknya,
kemudian dituangkan dalam buku yang diterbitkan setiap tahun.

Saya

: Baik pak, di sini saya ingin bertanya lebih dalam pada bagian
seksi

analisa

pemasaran.

Misalnya

bagaimana

teknik

pengambilan data dan pengolahannya?

Narasumber

: Nah, kalau seksi analisa pemasaran biasanya memperoleh data

wisatawan melalui penyebaran angket. Namun, tidak semua
wisatawan diberikan angket, hanya wisatawan tertentu saja yang
diberikan angket. Kemudian hasil angket tersebut diolah sampai
menghasilkan data baru yaitu seperti jumlah kunjungan
wisatawan, asal negara, jenis kelamin, dan lain sebagainya.

Saya

: Maksud dari wisatawan tertentu itu bagaimana pak? Kemudian

hasil analisa tersebut apakah sampai memberikan rekomendasi
objek wisata bagi wisatawan?

Narasumber

: Kalau adik ingin tahu lebih lanjut, adik bisa langsung bertanya ke
seksi analisa pemasaran yaitu Ibu Ni Wayan Sarmiani. Sebentar
bapak panggilkan ibunya.

Saya

: Baik pak, terima kasih atas informasinya.

Narasumber

: Iya, sama-sama dik.

Kepala Bidang Pemasaran Wisata

Dinas Kebudayaan dan Pariwisata Bangli

I Wayan Merta, S.Sos., MM

NIP. 196601061986021010

Lampiran 3

Hasil Wawancara dengan Seksi Analisa Pemasaran Dinas Kebudayaan dan Pariwisata
Kabupaten Bangli.

Saya

: Selamat siang ibu, mohon maaf mengganggu sebentar. Saya

mahasiswa dari UNDIKSHA Jurusan Pendidikan Teknik
Informatika. Sebelumnya saya sudah melakukan wawancara
bersama Bapak Ketua Bidang Pemasaran, kemudian sekarang
saya ingin melakukan wawancara lebih mengkhusus dengan ibu
selaku bagian analisa pemasaran.

Narasumber

: Iya dik, silakan.

Saya

: Tadi kan sudah dijelaskan secara umum mengenai teknik

pengambilan data dan pengolahan data wisatawan. Kemudian
saya ingin menanyakan lagi apakah data hasil analisa tersebut
dapat memberikan rekomendasi objek wisata yang sesuai
karakteristik wisatawan?

Narasumber

: Tidak dik, data yang kami hasilkan tidak sampai menghasilkan

rekomendasi objek wisata bagi wisatawan. Jadi kami hanya
menghasilkan data baru secara umum seperti jumlah kunjungan
wisatawan, alas negara, dan jenis kelamin. Kalau mengkhusus
seperti itu kami belum bisa. Karena untuk memperoleh data
wisatawan, kami langsung turun ke lapangan menyebarkan
angket. Angket tersebut diberikan untuk wisatawan yang hanya
mau mengisi saja. Jadi kami minta izin terlebih dahulu. Biasanya
kami menyebar angket ke hotel-hotel yang ramai dikunjungi
wisatawan. Sebelumnya kami juga meminta pihak hotel mengisi
angket. Jadi kami menyebar 2 angket. Selain menyebar angket,
kami juga memperoleh data kunjungan wisatawan dari data
penjualan tiket pada masing-masing objek wisata. Atau pihak
yang mengelola objek wisata menyetor data kunjungan wisatawan
ke kami.

Saya

: Kalau kasusnya memang seperti itu, di sini saya ingin

memberikan sebuah solusi bu. Saya akan membuatkan sebuah
sistem berbentuk website yang bernama Sistem Pendukung
Keputusan.
memasukkan

Nah
data

nantinya

pada

karakteristik

sistem

ini,

wisatawan

mereka

masing-masing.

Kemudian akan ada timbal balik berupa rekomendasi objek wisata

yang sesuai dengan karakteristik wisatawan sebelumnya. Sistem
ini menggunakan kombinasi metode Naive Bayes dan Dempster
Shafer yang memang cocok untuk kasus seperti ini. Sehingga
selain bermanfaat untuk wisatawan, sistem ini juga bermanfaat
untuk Disbudpar dalam pengambilan data wisatawan. Jadi tidak
perlu repot-repot lagi menyebar angket manual atau tulis tangan.
Nanti angket tersebut bisa diisi melalui website. Wisatawan akan
lebih mudah menggunakan, dan pihak Disbudpar lebih mudah
juga mendapatkan data wisatawan.
Narasumber

: Kalau memang adik berniat membuat sistem seperti itu untuk

mengatasi permasalahan kami, kami dari pihak Disbudpar sangat
setuju sekali dik. Jadi akan lebih memudahkan pekerjaan kami.

Saya

: Baik bu, mungkin untuk wawancara hari ini saya cukupkan

sampai di sini dulu bu. Nanti kalau ada yang diperlukan lagi, saya
akan kesini. Terima kasih atas informasinya bu.

Narasumber

: Iya dik, sama-sama.

Seksi Analisa Pemasaran

Dinas Kebudayaan dan Pariwisata Bangli

Ni Wayan Sarmiani, S.Sos

NIP. 196901281992022002

Lampiran 4 Contoh Angket

PEMERINTAH KABUPATEN BANGLI

DINAS KEBUDAYAAN DAN PARIWISATA

KABUPATEN BANGLI
Jln. Lettu Lila No. 9 Bangli
Bapak Ibu yang saya hormati,
Kami mohon kepada saudara untuk mengisi angket kunjungan wisatawan ini sebagai
bahan pembaharuan data kunjungan wisatawan Kabupaten Bangli.
Terima kasih atas partisipasinya.
Dear Sirs,
Please fill out this questionnaire as a renewal of the data of tourists visit in Bangli
Thank you for your participation.
Location :

Mohon diisi tanda ( ) atau ( X ) pada jawaban Anda.

Please fill an ( ) or (X) on your answer.
No. Pertanyaan / Question

No. Pertanyaan / Question

Nama (name) : ........................................................... 9

Berapa orang berkunjung bersama Anda? (How

Jenis Kelamin (sex) :

many person traveling with you?)

Laki-laki (male)
3

Perempuan (female)

Pendidikan (education background)

Dewasa (adult)

(.)

Anak (children)

(.)

Orang tua (parents/old) (..)

SMU (Senior High School)

Diploma (Degree)
Universitas (University)
4

10

Dari mana Anda mendapat informasi objek wisata

Pekerjaan (occupation)

ini?

(resources of information of this tourism object?)

Internet

Negara Asal (Country of origin)

Travel Agent

Teman/Kerabat (friend)

Tujuan kunjungan (purpose of the visit)

Berlibur (vacation)
Penelitian (research)
Mengunjungi kerabat (visiting relatives)

Jenis Objek Wisata (Attraction type conducted)

11

Wisata Alam (nature)

Berapa lama Anda berada di objek wisata ini

(Length of stay in this object)

Wisata Budaya (culture)

1-4 jam (1-4 hours)

Visit Geopark

1 hari (1 day)
2 hari atau lebih (2 days or more)

Aktivitas yang dilakukan di objek wisata

(Activities at the tourism object)

12

Jika lebih dari 1 hari, di manakah Anda menginap?

Mendaki Gunung (Tracking/Cycling)

(if more than 1 day, which hotel did you stay?)

Makan Siang/Malam (Lunch or Dinner)

Jawaban / Answer:

Menikmati Pemandangan (Enjoy the view)

..

13

Berapa kali berkunjung ke objek ini?

(How many times visit this object?)
Sekali setahun (once a year)
Dua kali setahun (twice a year)
Lebih dari dua kali setahun (more than twice a
year)

Kesan dan Pesan :

Please fill in your comment:
......................
......................
......................