Anda di halaman 1dari 7

Pelita Informatika Budi Darma, Volume : V, Nomor: 1, November 2013 ISSN : 2301-9425

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN


PEMBELIAN RUMAH DENGAN MENGGUNAKAN
METODE FUZZY C-MEANS (FCM) CLUSTERING

Bastiah (0911099)

Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan


Jl. Sisingamangaraja No. 338 Sp. Limun Medan
http : // www.stmik-budidarma.ac.id // Email :Bastiah.sijabat@yahoo.com

ABSTRAK

Perumahan merupakan hal yang tidak bisa diabaikan dan berkaitan erat dengan aktifitas ekonomi,
industrialisasi dan pembangunan. Rumah adalah tempat dimana keluarga berkumpul dan melepas lelah setelah
beraktivitas seharian. Untuk menyikapi hal ini developer perumahan membangun tipe – tipe rumah yang sesuai
dengan kebutuhan masyarakat dan terjangkau.
Kemampuan komputer sebagai perangkat yang membantu untuk mempermudah tugas atau kerja
seseorang menjadi lebih mudah, lebih efektif dan lebih efisien khususnya dalam kecepatan proses dan
keakuratan hasil yang diberikan diharapkan dapat membantu untuk mempermudah dalam pemilihan tipe
perumahan. Penyediaan sistem informasi perumahan secara online yang berbasis sistem pendukung keputusan
dimungkinkan konsumen bisa memilih tipe rumah sesuai dengan dana yang tersedia serta visualisasi model jenis
rumah. Sistem ini dibuat dengan menggunakan algoritma clustering dalam penentuan uang muka, dan angsuran
per bulan. Dengan metode clustering proses pemilihan rumah yang cocok akan lebih mudah dan gampang
karena metode ini melakukan perhitungan pendekatan dengan tujuan sehingga hasil sistem pendukung
keputusan akan sesuai dengan keinginan pembeli.
Diharapkan dengan adanya sistem pendukung keputusan ini pembeli ataupun developer dapat
mendapatkan keuntungan yang baik. Dimana sistem pendukung keputusan yang dibangun akan dapat digunakan
secara online. Sehingga dapat digunakan dimana dan kapan saja dengan media internet.

Kata Kunci : SPK, Pembelian Rumah, Clustering, Online, Developer.

1. Pendahuluan Untuk memudahkan membuat sistem yang


1.1. Latar Belakang Masalah dapat mendukung keputusan penulis mencoba untuk
Perumahan merupakan hal yang tidak bisa merancang sistem yang berbasis web sehingga sistem
diabaikan dan berkaitan erat dengan aktifitas ekonomi, ini dapat digunakan oleh user dimanapun dan
industrialisasi dan pembangunan. Rumah adalah kapanpun dengan fasilitas internet. Salah satu bahasa
tempat dimana keluarga berkumpul dan melepas lelah pemograman yang digunakan untuk membuat sistem
setelah beraktivitas seharian. Untuk menyikapi hal ini yang berbasis internet adalah PHP.
developer perumahan membangun tipe – tipe rumah
yang sesuai dengan kebutuhan masyarakat dan 1.2. Perumusan Masalah
terjangkau. Beberapa masalah yang akan dibahas dan
Metode clustering merupakan pengelompokan diselesaikan dalam skripsi ini adalah sebagai berikut :
data beserta parameternya dalam kelompok–kelompok 1. Bagaimana menentukan kriteria/kelompok data
sesuai kecenderungan sifat dari masing-masing data yang menjadi acuan pembelian rumah seperti
tersebut (kesamaan sifat). Jadi pada awalnya (Harga, kamar dan lain-lain)?
banyaknya cluster sama dengan banyaknya objek. 2. Bagaimana pengumpulan data harga rumah
Objek-objek yang paling mirip dikelompokkan, dan berdasarkan tipenya?
kelompok-kelompok awal ini digabungkan sesuai 3. Bagaimana model angsuran per bulan rumah yang
dengan kemiripannya. Sewaktu kemiripan berkurang, akan dibeli berdasarkan uang muka dan tahun
semua sub kelompok digabungkan menjadi satu pembayaran dengan metode clustering?
cluster tunggal. Hasil-hasil dari clustering dapat 4. Bagaimana merancang sistem pendukung
disajikan secara grafik dalam bentuk dendrogram atau keputusan pembelian rumah secara online
diagram pohon. Cabang-cabang dalam pohon menggunakan PHP?
menyajikan cluster dan bergabung pada node yang
posisinya sepanjang sumbu jarak (similaritas) 1.3. Batasan Masalah
menyatakan tingkat dimana penggabungan terjadi.

Sistem Pendukung Keputusan Untuk Menentukan Pembelian Rumah Dengan 134


Menggunakan
Metode Fuzzy C-Means (Fcm) Clustering. Oleh : Bastiah
Pelita Informatika Budi Darma, Volume : V, Nomor: 1, November 2013 ISSN : 2301-9425

Adapun untuk menghindari pembahasan yang 2.2 Sistem Pendukung Keputusan (Decision
terlalu luas dalam skripsi ini maka diberi batasan Support System)
masalah sebagai berikut : Konsep Decision Support System (DSS)
1. Kriteria atau pengelompokan data dibedakan diperkenalkan pertama kali oleh Michael S. Scoott
berdasarkan harga, uang muka, dan juga jumlah Morton pada tahun 1970-an dengan istilah
kamar. Management Decision System. Definisi sistem adalah
2. Tipe rumah dibedakan menjadi lima tipe yaitu sekumpulan hal atau kegiatan atau elemen atau
Tipe A, B, C, D, dan E. subsistem yang saling bekerja sama atau yang
3. Harga rumah ditentukan Tipe A ( 340 juta), Tipe B dihubungkan dengan cara-cara tertentu sehingga
(562 juta), Tipe C (655 juta), Tipe D ( 726 juta), membentuk satu kesatuan untuk melaksanakan suatu
dan Tipe E (1.042 Miliar). fungsi guna mencapai suatu tujuan. (Turban, 2005).
4. Sistem pendukung keputusan ini dirancang dengan Secara umum, Decision Support System (DSS)
menggunakan database MySQL sebagai adalah sistem berbasis komputer yang interaktif, yang
penyimpanan data. membantu pengambil keputusan memanfaatkan data
5. Sistem pendukung keputusan ini dibantu dengan dan model untuk menyelesaikan masalah-masalah
menggunakan logika Fuzzy C-Means (FCM). yang tak terstruktur dan semi terstruktur.
Sebenarnya definisi awalnya, Decision Support
1.4. Tujuan dan Manfaat Penelitian System adalah sistem berbasis model yang terdiri dari
Adapun tujuan dari penulisan skripsi ini adalah prosedur-prosedur dalam pemrosesan data dan
sebagai berikut : pertimbangannya untuk membantu manajer dalam
1. Menentukan tipe rumah yang berdasarkan kriteria mengambil keputusan. Agar berhasil mencapai
atau kelompok rumah yang terdiri dari uang muka, tujuannya maka sistem tersebut harus sederhana,
jumlah kamar tidur dan gaji/cicilan yang mampu mudah untuk dikontrol, mudah beradaptasi, lengkap
dibayar. pada hal-hal penting, dan mudah berkomunikasi
2. Menentukan harga rumah tersebut berdasarkan tipe dengannya. Decision Support System (DSS) dengan
rumah yang telah dikelompokan. didukung oleh sebuah sistem informasi berbasis
3. Menentukan angsuran rumah berdasarkan uang komputer dapat membantu seseorang dalam
muka yang telah diberikan sebanyak 30 % dari meningkatkan kinerjanya dalam pengambilan
harga rumah. keputusan.
4. Merancang sistem pendukung keputusan yang Seorang manajer di suatu perusahaan dapat
menggunakan bahasa pemograman PHP dan memecahkan masalah semi struktur, dimana manajer
database MySQL penyimpanan data. dan komputer harus bekerja sama sebagai tim
Manfaat dari sistem pendukung keputusan pemecah masalah dalam memecahkan masalah yang
yang dibuat adalah sebagai berikut: berada di area semi struktur. Decision Support System
1. Untuk membantu menentukan rumah yang cocok (DSS) mendayagunakan resources individu-individu
untuk diperjual belikan berdasarkan tipe dan secara intelek dengan kemampuan komputer untuk
kriteria tertentu. meningkatkan kualitas keputusan.
2. Untuk membantu developer mempermudah Decision Support System (DSS) dirancang
penjualan dengan merancang sistem pendukung untuk mendukung seluruh tahap pengambilan
keputusan yang menentukan harga angsuran keputusan mulai dari mengidentifikasi masalah,
berdasarkan uang muka. memilih data yang relevan, dan menentukan
pendekatan yang digunakan dalam proses
2. Landasan Teori pengambilan keputusan, sampai mengevaluasi
2.1. Sistem pemilihan alternatif. Decision Support System (DSS)
Sistem berasal dari bahasa Latin (systēma) dan dapat dikatakan sebagai sistem komputer yang
bahasa Yunani (sustēma) adalah suatu kesatuan yang mengolah data menjadi informasi untuk mengambil
terdiri komponen atau elemen yang dihubungkan keputusan dari masalah semi-terstruktur yang spesifik.
bersama untuk memudahkan aliran informasi, materi
atau energi. Istilah ini sering dipergunakan untuk 2.3. Karakteristik Sistem Pendukung Keputusan
menggambarkan suatu set entitas yang berinteraksi, Sistem pendukung keputusan memiliki beberapa
dimana suatu model matematika seringkali bisa karakteristik sebagai berikut :
dibuat. 1. Interaktif
Jogiyanto, HM (2005). Suatu sistem adalah Sistem Pendukung Keputusan memiliki user
suatu jaringan kerja dari prosedur-prosedur yang interface yang komunikatif sehingga pemakai
saling berhubungan, berkumpul bersama-sama untuk dapat melakukan akses secara cepat ke data dan
melakukan suatu kegiatan atau untuk menyelesaikan memperoleh informasi yang dibutuhkan.
suatu sasaran yang tertentu. 2. Fleksibel
Sistem Pendukung Keputusan memiliki
kemampuan sebanyak mungkin variable masukan,
Sistem Pendukung Keputusan Untuk Menentukan Pembelian Rumah Dengan 135
Menggunakan
Metode Fuzzy C-Means (Fcm) Clustering. Oleh : Bastiah
Pelita Informatika Budi Darma, Volume : V, Nomor: 1, November 2013 ISSN : 2301-9425

kemampuan untuk mengolah dan memberikan menawarkan kemampuannya untuk menyelesaikan


keluaran yang menyajikan 2 alternatif keputusan persoalan yang sama dalam waktu relatif singkat.
kepada pemakai Dalam kedua bidang ilmu di atas, dikenal
3. Data kualitas istilah decision modeling, decision theory, dan
Sistem Pendukung Keputusan memiliki decision analysis – yang pada hakekatnya adalah
kemampuan untuk menerima data kualitas yang merepresentasikan permasalahan manajemen yang
dikuantitaskan yang sifatnya subyektif dari dihadapi setiap hari ke dalam bentuk kuantitatif
pemakainya, sebagai data masukan untuk (misalnya dalam bentuk model matematika). Contoh-
pengolahan data. Misalnya penilaian terhadap contoh klasik dari persoalan dalam bidang ini adalah
kecantikan yang bersifat kualitas, dapat linear programming, games theory, transportation
dikuantitaskan dengan pemberian bobot nilai problem, inventory system, decision tree, dan lain
seperti 75 atau 90. sebagainya.
4. Prosedur pakar Dari sekian banyak problem klasik yang kerap
Sistem Pendukung Keputusan mengandung suatu dijumpai dalam aktivitas bisnis perusahaan sehari-
prosedur yang dirancang berdasarkan rumusan hari, sebagian dapat dengan mudah disimulasikan dan
formal atau berupa prosedur kepakaran seseorang diselesaikan dengan menggunakan formula atau
atau kelompok dalam menyelesaikan suatu bidang rumus-rumus sederhana. Tetapi banyak pula
masalah dengan fenomena tertentu. masalahan yang ada sangat rumit sehingga
membutuhkan kecanggihan komputer.
2.4. Penggunaan Komputer Dalam Sistem Decision Support System sebagai sistem yang
Pendukung Keputusan memiliki lima karakteristik utama antara lain :
Salah satu produk hasil perkembangan 1. Sistem yang berbasis komputer;
teknologi adalah komputer. Komputer mempunyai 2. Dipergunakan untuk membantu para pengambil
kemampuan yang fantastis dalam banyak hal. Dengan keputusan;
kemampuannya itu menyebabkan komputer dapat 3. Untuk memecahkan masalah-masalah rumit yang
diterima di berbagai kalangan, bahkan telah menjadi “mustahil” dilakukan dengan kalkulasi manual;
suatu kebutuhan. 4. Melalui cara simulasi yang interaktif;
Perkembangan komputer dalam menjawab 5. Dimana data dan model analisis sebagai komponen
tantangan dan kebutuhan secara terus menerus utama.
berkembang dengan cepat. Salah satu kemampuan itu, Karakteristik 4 dan 5 merupakan fasilitas baru
adalah dalam pengelolaan data dan komunikasi yang ditawarkan oleh Decision Support System
informasi. belakangan ini sesuai dengean perkembangan terakhir
Informasi dapat diakses dan diperoleh dengan kemajuan perangkat komputer. Dalam hal ini kita bisa
cepat, tepat dan akurat. Selain mampu mengelola data mengambil kesimpulan bahwasanya komputer
atau informasi masih banyak kemampuan lain. merupakan bagian penting dari Decision Support
Diantaranya kesanggupan untuk mengolah data System itu sendiri, yakni sebagai unit pemroses dalam
dengan kecepatan tinggi, ketelitian yang dapat pengambilan suatu keputusan.
dipercaya, memiliki memory (daya ingat) yang tinggi,
ready for use (tidak mengenal lelah). 2.5. Model Decision Support System
Salah satu jenis sistem aplikasi yang sangat Pada gambar yang tertera di bawah, tampak
popular di kalangan manajemen perusahaan adalah bahwa data dan informasi dimasukkan ke dalam
Decision Support System atau disingkat DSS. database dari lingkungan perusahaan.
Decision Support System ini merupakan suatu sistem Database juga berisi data yang disediakan oleh
informasi yang diharapkan dapat membantu sistem informasi akuntansi. Isi database digunakan
manajemen dalam proses pengambilan keputusan. oleh tiga subsistem perangkat lunak.
Hal yang perlu ditekankan disini adalah bahwa 1. Perangkat lunak penulis laporan menghasilkan
keberadaan Decision Support System bukan untuk laporan periodic maupun khusus. Laporan periodic
menggantikan tugas-tugas manajer, tetapi untuk disiapkan sesuai jadwal dan biasanya dihasilkan
menjadi sarana penunjang (tools) bagi mereka. oleh perangkat lunak yang dikodekan dalam suatu
Decision Support System sebenarnya merupakan bahasa procedural seperti COBOL atau PL/I.
implementasi teori-teori pengambilan keputusan yang Laporan khusus disiapkan sebagai jawaban atas
telah diperkenalkan oleh ilmu-ilmu seperti operation kebutuhan informasi yang tak terduga dan
research dan management science. berbentuk database query oleh pemakai yang
Hanya bedanya adalah bahwa jika dahulu menggunakan query language dari DBMS atau
untuk mencari penyelesaian masalah yang dihadapi bahasa komputer generasi ke empat.
harus dilakukan perhitungan literasi secara manual 2. Model matematika menghasilkan informasi
(biasanya untuk mencari nilai minimum, maksimum, sebagai hasil dari simulasi yang melibatkan satu
atau optimum), saat ini komputer PC telah atau beberapa komponen dari sistem fisik
perusahaan, atau berbagai aspek operasinya.
Sistem Pendukung Keputusan Untuk Menentukan Pembelian Rumah Dengan 136
Menggunakan
Metode Fuzzy C-Means (Fcm) Clustering. Oleh : Bastiah
Pelita Informatika Budi Darma, Volume : V, Nomor: 1, November 2013 ISSN : 2301-9425

Model matematika dapat ditulis dalam bahasa Konsep dari Fuzzy C-Means pertama kali
pemrograman procedural apapun. Namun, bahasa adalah menentukan pusat cluster, yang akan menandai
khusus pembuatan model memudahkan tugas dan lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi
memiliki potensi untuk bekerja lebih baik. awal, pusat cluster ini masih belum akurat. Tiap-tiap
3. Groupware memungkinkan beberapa pemecah titik data memiliki derajat keanggotaan untuk tiap-tiap
masalah (problem solver) bekerja sama sebagai cluster. Dengan cara memperbaiki pusat cluster dan
satu kelompok, mencapai solusi. Dalam situasi derajat keanggotaan tiap-tiap titik data secara
tertentu ini, istilah GDSS atau sistem pendukung berulang, maka akan dapat dilihat bahwa pusat cluster
keputusan kelompok (group decision support akan bergerak menuju lokasi yang tepat. Perulangan
system) digunakan. Mungkin pemecah masalah itu ini didasarkan pada minimasi fungsi obyektif yang
mewakili suatu komite atau tim proyek. Para menggambarkan jarak dari titik data yang diberikan
anggota kelompok saling berkomunikasi baik kepusat cluster yang terbobot oleh derajat
secara langsung maupun melalui groupware. keanggotaan titik data tersebut.
Perangkat lunak penulis laporan dan model Output dari Fuzzy C-Means merupakan deretan
matematika selalu dianggap sebagai unsur yang pusat cluster dan beberapa
mutlak dalam Decision Support System. Ketika derajat keanggotaan untuk tiap-tiap titik data.
konsep Decision Support System meluas menjadi Informasi ini dapat digunakan untuk
penyediaan dukungan bagi sejumlah pemecah masalah membangun suatu fuzzy inference system.
yang bekerja sama sebagai satu tim atau komite, 15 Untuk menyelesaikan sistem pendukung
gagasan tentang perangkat lunak khusus yang keputusan dengan metode cluster dengan bantuan
berorientasi kelompok, atau groupware, menjadi suatu logika fuzzy, maka ada beberapa langkah
kenyataan. Selama dekade terakhir, sebagian besar penyelesaian/ analisis clustering antara lain :
usaha Decision Support System diarahkan untuk 1. Input data yang akan dicluster X, berupa matriks
memperbaiki konsep sistem pendukung keputusan berukuran n x m (n=jumlah
kelompok. sample data, m=atribut setiap data). Xij=data
sample ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m).
2.6. Tahap Pemecahan Masalah 2. Tentukan:
Salah satu metode penyelesaian sistem a. Jumlah cluster = c
pendukung keputusan adalah metode clustering dan b. Pangkat = w
salah satu metode clustering yang digunakan dalam c. Maksimum iterasi = MaxIter
sistem pendukung keputusan adalah C-means. Ada d. Error terkecil yang diharapkan = ξ
beberapa algoritma clustering data, salah satu e. Fungsi obyektif awal = Po =0
diantaranya adalah Fuzzy C-Means. Fuzzy C-Means f. Iterasi awal = t =1;
adalah suatu teknik peng-cluster-an yang mana 3. Bangkitkan nilai acak µik, i=1,2,…,n; k=1,2,…,c
keberadaannya tiap-tiap titik data dalam suatu cluster sebagai elemen-elemen matriks partisi awal u. µik
ditentukan oleh derajat keanggotaan. adalah derajat keanggotaan yang merujuk pada
seberapa besar kemungkinan suatu data bisa
2.7. Metode Clustering menjadi anggota ke dalam suatu cluster. Posisi dan
Clustering adalah suatu metode nilai matriks dibangun secara random. Dimana
pengelompokan berdasarkan ukuran kedekatan nilai keangotaan terletak pada interval 0 sampai
(kemiripan). Clustering beda dengan group, kalau dengan 1. Pada posisi awal matriks partisi U masih
group berarti kelompok yang sama, kondisinya kalau belum akurat begitu juga pusat clusternya.
tidak ya pasti bukan kelompoknya.Tetapi kalau cluster Sehingga kecendrungan data untuk masuk suatu
tidak harus sama akan tetapi pengelompokannya cluster juga belum akurat.
berdasarkan pada kedekatan dari suatu karakteristik Hitung jumlah setiap kolom (atribut):
sample yang ada, salah satunya dengan menggunakan C
rumus jarak ecluidean. Aplikasinya cluster ini sangat Q j = ∑U ik
banyak, karena hampir dalam mengidentifikasi K =1
permasalahan atau pengambilan keputusan selalu Keterangan :
tidak sama persis akan tetapi cenderung memiliki C = Jumlah Cluster.
kemiripan saja. Q j = jumlah nilai derajat keanggotaan perkolom
Ada beberapa algoritma clustering data, salah =1 dengan i=1,2,…m
satu diantaranya adalah Fuzzy C-Means. Fuzzy C-
K = atribut ke 1
Means adalah suatu teknik peng-cluster-an yang mana
keberadaannya tiap-tiap titik data dalam suatu cluster µ ik = derajat keanggotaan
ditentukan oleh derajat keanggotaan. Teknik ini Qj adalah jumlah nilai derajat keanggotaan
pertama kali diperkenalkan oleh Jim Bezdek pada perkolom = 1 dengan j=1,2,…m
tahun 1981. Hitung:

Sistem Pendukung Keputusan Untuk Menentukan Pembelian Rumah Dengan 137


Menggunakan
Metode Fuzzy C-Means (Fcm) Clustering. Oleh : Bastiah
Pelita Informatika Budi Darma, Volume : V, Nomor: 1, November 2013 ISSN : 2301-9425

µik Pendukung Keputusan Pemilihan Rumah. Dan untuk


µik = dapat mengakses semua sistem yang ada, seperti yang
Qj terlihat pada gambar 1 dibawah ini:
4. Hitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…c
dan j=1,2,…m.
n

∑((µ
w
ik)
* X ij
Vki = i =1
n

∑(µ
i =1
ik )w
Keterangan:
Vkj = Pusat Cluster Gambar 1 : Menu Utama (Home)
n = Jumlah Sample Data
w = Pangkat b. Tampilan Halaman Input Data Developer
Xij = data sample ke-i (i=1,2,…,n), atribut ke-j Halaman input data developer adalah halaman
(j=1,2,…,m) tempat dilakukannya memasukan data developer yang
Fungsi obyektif dugunakan sebagai syarat ingin mengiklankan rumahnya, seperti yang terlihat
perulangan untuk mendapatkan pada gambar 2 dibawah ini:
pusat cluster yang tepat. Sehingga diperoleh
kecendrungan data untuk masuk
ke cluster mana pada step akhir.
5. Hitung fungsi obyektif pada iterasi ke-t, Pt
n c ⎡ m ⎤
Pt = ∑∑ ⎢(∑ ( X − Vkj ) 2 )( µ ik ) w )⎥
i =1 k =1 ⎣ j =1 ⎦
Keterangan :
Pt = Fungsi Objektif
c = Jumlah Cluster
n = Jumlah Sample Data
Gambar 2 : Halaman Input Data Developer
m = atribut setiap data
Vkj = Pusat Cluster
c. Tampilan Input Data Pembeli
Xij = data sample ke-i (i=1,2,…,n), atribut ke-j
Halaman input data pembeli adalah halaman
(j=1,2,…,m)
tempat dilakukannya memasukan data pembeli yang
Μik = derajat keanggotaan.
ingin mencari rumah impiannya, seperti yang terlihat
6. Hitung perubahan matriks partisi:
−1
pada gambar 3 dibawah ini:
⎡m 2⎤
⎢∑ (X ij − Vkj ) ⎥
w −1

= ⎣ ⎦
i =1
µ ikt 1
⎡m 2⎤
⎢∑ (X ij − Vkj ) ⎥
c w −1

k =1 ⎣ 1=1 ⎦
c = Jumlah Cluster
n= Jumlah Sample Data
m= atribut setiap data
Vkj = Pusat Cluster Gambar 3: Halaman Input Data Pembeli
Xij = data sample ke-i (i=1,2,…,n), atribut ke-j
(j=1,2,…,m) d. Tampilan Halaman Galery/Koleksi Rumah
µik = derajat keanggotaan Halaman koleksi rumah adalah halaman tempat
7. Cek kondisi berhenti: dimana terdapat beberapa koleksi rumah yang dimiliki
a. jika:( |Pt - Pt-1 |< ξ) atau (t>maxIter) maka oleh sistem, untuk lebih jelas dapat dilihat seperti
berhenti. yang terlihat pada gambar 4 dibawah ini:
b. jika tidak: t=t+1, ulangi langkah ke-4.
3. Perancangan Sistem
a. Tampilan Halaman Menu Utama
Halaman menu utama adalah halaman pertama
sekali diwaktu kita menjalankan program Sistem
Sistem Pendukung Keputusan Untuk Menentukan Pembelian Rumah Dengan 138
Menggunakan
Metode Fuzzy C-Means (Fcm) Clustering. Oleh : Bastiah
Pelita Informatika Budi Darma, Volume : V, Nomor: 1, November 2013 ISSN : 2301-9425

memperoleh id dan bisa menggunakan sistem


pendukung keputusan ini, untuk lebih jelas dapat
dilihat seperti yang terlihat pada gambar 7dibawah ini.

Gambar 7 : Halaman Registrasi

h. Tampilan Halaman Data Rumah


Halaman data rumah adalah halaman yang
digunakan untuk memasukan data rumah yang ingin
dijual, untuk lebih jelas dapat dilihat seperti yang
Gambar 4 : Halaman Koleksi Rumah/Galery
terlihat pada gambar 8 dibawah ini:
e. Tampilan Halaman Administrator
Halaman administrator adalah halaman yang
digunakan/halaman awal seorang admin yang telah
memasukan id dan ingin mengelola data sistem
pendukung keputusan seperti data rumah, data
pembeli, data developer dan lain lain, untuk lebih jelas
dapat dilihat seperti yang terlihat pada gambar 5
dibawah ini:

Gambar 8 : Halaman Data Rumah

i. Tampilan Halaman SPK Rumah


Halaman SPK rumah adalah halaman yang
digunakan untuk memasukan data rumah yang ingin
dicari sesuai keinginan pembeli, untuk lebih jelas
dapat dilihat seperti yang terlihat pada gambar 9
dibawah ini:

Gambar 5 : Halaman Menu Administrator

f. Tampilan Halaman Login


Halaman login berfungsi sebagai halaman
agar bisa masuk kedalam sistem bagi admin, dan
konsumen atau developer yang telah memiliki
username di dalam database. Untuk lebih jelas
perhatikan gambar 6 di bawah ini . Gambar 9 : SPK Rumah

4. Kesimpulan dan Saran


4.1. Kesinpulan
Berdasarkan penjelasan dan penjabaran pada
bab-bab sebelumnya akhirnya penulis dapat
menyimpulkan beberapa hal dari pembuatan skripsi
ini yaitu sebagai berikut :
1. Kriteria/kelompok data yang menjadi acuan
Gambar 6: Tampilan Login
pembelian rumah dilakukan survei terhadap
pembeli tentang apa acuan pokok yang menjadi
g. Tampilan Halaman Registrasi
alasan mereka mengambil rumah yang dibeli.
Halaman registrasi adalah halaman yang
2. Data harga rumah berdasarkan tipenya diperoleh
disediakan sistem bagi konsumen dan developer yang
dari media cetak internet maupun data yang
belum memiliki id untuk mengisi biodata agar

Sistem Pendukung Keputusan Untuk Menentukan Pembelian Rumah Dengan 139


Menggunakan
Metode Fuzzy C-Means (Fcm) Clustering. Oleh : Bastiah
Pelita Informatika Budi Darma, Volume : V, Nomor: 1, November 2013 ISSN : 2301-9425

dimasukan oleh developer ke dalam sistem yang


telah dibuat
3. Model angsuran per bulan rumah yang akan dibeli
dilakukan berdasarkan banyaknya Uang Muka
yang diberikan dan juga seberapa lama jangka
cicilan rumah yang diinginkan.
4. Sistem pendukung keputusan pembelian rumah
secara online dilakukan dengan menggunakan
metode Fuzzy C-means (FCM) Clustering dimana
metode ini akan melakukan perhitungan pada
acuan pembelian ke setiap sample rumah dan
mencari nilai mendekati dengan data keuangan
maupun data acuan yang dimiliki pembeli. Agar
mudah di akses oleh pengguna sistem ini dibuat
berbasis online atau berbasis web dengan
menggunakan bahasa pemograman PHP.

4.2 Saran
Untuk kepentingan perkembangan lebih lanjut
dari program ini maka penulis memberikan beberapa
saran antara lain :
1. Sebaiknya sistem pendukung keputusan ini dibuat
dengan metode atau sistem perhitungan lebih
mudah atau dengan metode sistem pendukung
keputusan yang lain seperti SMART.
2. Sistem pendukung keputusan ini seharusnya
bekerja sama dengan suatu instansi developer
rumah tertentu sehingga sistem ini dapat menjadi
sempurna karena dapat melakukan pembayaran
secara langsung.
3. Sebaiknya tampilan sistem ini dibuat lebih
menarik lagi sehingga para user dapat dengan
mudah untuk menggunakan sistem pendukung
keputusan ini.

DAFTAR PUSTAKA

1. Adi Nugroho, “Perancangan Sistem “ 2010,


chap.1
2. Ahmad Muthohirin dan Virgiawan Listianto,
“Pemrogaman Web dengan PHP dan Mysql”, PT.
Prestasi Pustakarya, Jakarta, 2011.
3. http://en.wikipedia.org/wiki/Website.html Tanggal
07 Januari 2013.
4. http://haniif. wordpress. com/2007/ 08/ 01 /23 –
tinjauan – pustaka – sistem - Pendukung -
keputusan-spk/ Tanggal 07 April 2013.
5. http://id.wikipedia.org/wiki/MySQL.html Tanggal
05 Juli 2012.
6. http://id. wikipedia. org/wiki/Rumah, Tanggal 18
April 2013
7. http://pnjtkj2010.wordpress.com/2010/03/13/bab-
1-pengantar-basis-data-dan-dbms/ Tanggal 25
April 2012.
8. Jogiyanto H.M, “Analisa Dan Perancangan
Sistem”, 2005.
9. www.lecturer.eepis-
its.edu/~kangedi/.../clustering.doc
Sistem Pendukung Keputusan Untuk Menentukan Pembelian Rumah Dengan 140
Menggunakan
Metode Fuzzy C-Means (Fcm) Clustering. Oleh : Bastiah