Oleh
I Wayan Bayu Diarsa
1215051135
DAFTAR ISI
A.
JUDUL PENELITIAN.......................................................................................... 1
B.
C.
D.
E.
F.
G.
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.
J.
ii
DAFTAR GAMBAR
iii
DAFTAR TABEL
iv
IDENTITAS PENELITI
Nama
NIM
: 1215051135
Jurusan
A. JUDUL PENELITIAN
Pengembangan Sistem Pendukung Keputusan dengan Kombinasi Metode Nave Bayes
dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli.
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
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.
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.
No.
10
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
No.
26
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).
11
menjadi salah satu karakteristik yang masuk ke dalam psikografis karena masingmasing wisatawan mempunyai tujuan yang tidak semua sama.
14
Manajemen
Model
Manajemen
Eksternal
Sistem Berbasis
Pengetahuan
Antarmuka
Pengguna
Basis Pengetahuan
Organisasional
Manajer
(Pengguna)
P(X|Y) =
1
2
exp
(x)2
22
......................... (2)
Keterangan :
P(Y|X)
P(Y)
P(Xi |Y)
i=1
X.
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).
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
2 =
(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
= 15,699821
= 15,699821 = 3,9623
= 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
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.6.1)
di mana:
= FOD atau environment.
{1 , 2 , , } = elemen/unsur dalam environment .
19
elemen-elemen
dari
sebuah
environment
yaitu
dengan
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
[0, 1]
m(X) = 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)
22
(1 2 )() =
= 1 ()2 ()
1
(G.6.4)
= 1 ()2 ()
=
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 )
m1 ( X )
m2 (Y )
m2 ({B})= 0,9
m1() = 0,3
m2() = 0,1
(m1 m2)({B})=0.63
(m1 m2)({A,B})=0.07
m1() =0.3
(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.
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
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
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}) =
29
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}) =
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}) =
0,06
= 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, 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
5 ({3}) =
5 ({1}) =
5 ({2}) =
31
5 ({2, 4}) =
5 ({4}) =
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
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
1,3
2 1,2,4 =
2 2,3 =
2 2,4 =
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
1,2,4
1,2,4 = 3 = 1,73
2 2,3 =
(2 3)2 + (4 3)2
= 0,50
21
2 2,4 =
(2 3,5)2 + (5 3,5)2
= 2,375
21
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
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
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
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 Kriteria
Info Wisatawan
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
3.0
Manipulasi
Objek Wisata
Objek Wisata
Info Wisatawan
Data Wisatawan
Info Wisatawan
USER
Info Rekomendasi
4.0
Manipulasi
Wisatawan
5.0
Perhitungan
dan
Rekomendasi
Info Perhitungan
Data Wisatawan
Info Wisatawan
Data Perhitungan
Info Perhitungan
Wisatawan
Hasil
Perhitungan
Info Rekomendasi
6.0
Mencetak
Data
Wisatawan
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
40
3.1.
Menambah
Objek
Wisata
ADMIN
3.2.
Mencari
Objek
Wisata
Objek Wisata
Data Objek Wisata
Info Objek Wisata
3.3.
Mengubah
Objek
Wisata
3.4.
Menghapus
Objek
Wisata
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
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
Rekomendasi
di pilih?
Ya
END
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
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
45
IDENTITAS INSTANSI
Username
Password
LOGIN
FOOTER
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
46
IDENTITAS INSTANSI
MENU
Objek Wisata
CARI
Kriteria
NAMA
Wisatawan
LOKASI
Laporan
KETERANGAN
Tentang
FOTO
Logout
Browse
TAMBAH
FOOTER
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
IDENTITAS INSTANSI
MENU
KUNJUNGAN WISATAWAN
Objek Wisata
CARI
Kriteria
TABEL WISATAWAN
Wisatawan
Laporan
Tentang
Logout
TOTAL Kunjungan
FOOTER
IDENTITAS INSTANSI
MENU
Objek Wisata
CARI
Kriteria
NAMA
Wisatawan
JABATAN
Laporan
USERNAME
Tentang
PASSWORD
Logout
TAMBAH
FOOTER
IDENTITAS INSTANSI
IND
ENG
ENGLISH
FOOTER
49
IDENTITAS INSTANSI
IND
ENG
NAMA
NEGARA
JENIS KELAMIN
Laki-Laki
Perempuan
UMUR
FREKUENSI KUNJUNGAN
TUJUAN
PROSES
FOOTER
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
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
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.
53
Pengajuan Topik
2.
Penyusunan
Bulan ke-2
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
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 2
Hasil Wawancara dengan Kelapa Bidang Pemasaran Wisata Dinas Kebudayaan dan
Pariwisata Kabupaten Bangli.
Saya
Narasumber
Saya
Narasumber
Saya
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
Narasumber
bertugas
untuk
memberikan
bimbingan
dan
Saya
: Baik pak, di sini saya ingin bertanya lebih dalam pada bagian
seksi
analisa
pemasaran.
Misalnya
bagaimana
teknik
Saya
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
Narasumber
Lampiran 3
Hasil Wawancara dengan Seksi Analisa Pemasaran Dinas Kebudayaan dan Pariwisata
Kabupaten Bangli.
Saya
Narasumber
Saya
Narasumber
Saya
Nah
data
nantinya
pada
karakteristik
sistem
ini,
wisatawan
mereka
masing-masing.
Saya
Narasumber
Laki-laki (male)
3
Perempuan (female)
Dewasa (adult)
(.)
Anak (children)
(.)
10
Pekerjaan (occupation)
ini?
Travel Agent
Teman/Kerabat (friend)
11
Visit Geopark
1 hari (1 day)
2 hari atau lebih (2 days or more)
12
Jawaban / Answer:
..
13