Perhitungan 1
Perhitungan 1
Konsep Dasar Sistem Pendukung Keputusan penyediaan air minum, pembuangan sampah,
Turban & Aronson mendefinisikan SPK sebagai tersedianya listrik, telepon, jalan, yang memungkinkan
sistem yang digunakan untuk mendukung dan lingkungan pemukiman berfungsi sebagaimana
membantu pihak manajemen melakukan pengambilan mestinya.
keputusan pada kondisi semi terstruktur dan tidak
D. System Development Life Cycle (SDLC)
terstruktur. Pada dasarnya konsep sistem pendukung
keputusan hanyalah sebatas pada kegiatan membantu System Development Life Cycle (SDLC) atau Siklus
para manajer melakukan penilaian serta menggantikan Hidup Pengembangan Sistem, dalam rekayasa sistem
posisi dan peran seorang atau sekelompok manajer [5]. dan rekayasa perangkat lunak, adalah proses pembuatan
Konsep Pengambilan Keputusan dan pengubahan sistem serta model dan metodologi
Keputusan merupakan kegiatan memilih suatu yang digunakan untuk mengembangkan sistem-sistem
strategi atau tindakan dalam pemecahan masalah. tersebut. Konsep ini umumnya merujuk pada sistem
Tujuan dari keputusan adalah untuk mencapai target komputer atau informasi.
atau aksi tertentu yang harus dilakukan. Kriteria atau SDLC memiliki empat kumpulan fase pokok yaitu:
ciri-ciri dari keputusan adalah [3]: planning, analysis, design dan implementation.
o Banyak pilihan/alternatif E. Simple Multi Atribut Rating Technique (SMART)
o Ada kendala atau syarat SMART merupakan salah satu metode pengambilan
o Mengikuti suatu pola/model tingkah keputusan multi kriteria yang dikembangkan oleh
laku, baik yang terstruktur maupun Edward pada tahun 1976 [1]. Teknik pengambilan
tidak terstruktur keputusan multi kriteria ini didasarkan pada teori bahwa
o Banyak input/variabel setiap alternatif terdiri dari sejumlah kriteria yang
o Ada faktor risiko memiliki nilai-nilai dan setiap kriteria memiliki bobot
o Dibutuhkan kecepatan, ketepatan, dan yang menggambarkan seberapa penting ia dibandingkan
keakuratan dengan kriteria lain. Pembobotan ini digunakan untuk
Fase-fase Proses Pengambilan Keputusan menilai setiap alternatif agar dapat diperoleh alternatif
Menurut Simon, proses pengambilan keputusan yang terbaik.
meliputi tiga fase utama yaitu inteligensi, desain dan
kriteria. Ia Kemudian menambahkan fase keempat yakni III. METODOLOGI
implementasi [5]. Penyelesaian masalah tentang pengambilan
B. Klasifikasi Bayes keputusan investasi perumahan pada penelitian ini
Klasifikasi-klasifikasi Bayes adalah klasifikasi dilakukan dalam 2 tahapan, pertama melakukan
statistik. Klasifikasi-klasifikasi Bayes dapat klasifikasi data perumahan kedalam 4 kategori
memprediksi kelas anggota probabilitas. Klasifikasi minimalis, sederhana, menengah dan mewah. Kemudian
Bayes berdasarkan atas teorema Bayes. Studi-studi pada tahap berikutnya melakukan pembobotan
perbandingan algoritma-algoritma klasifikasi dapat menggunakan metode SMART direct weighting.
menemukan sebuah klasifikasi Bayes sederhana yang
A. Naive Bayes
dikenal sebagai “Naive Bayes Classifier” dapat
diperbandingkan dalam penampilan dengan decision Klasifikasi-klasifikasi Bayes adalah klasifikasi
tree dan neural network classifier. statistik. Klasifikasi-klasifikasi Bayes dapat
Naive Bayes Classifier mengasumsi bahwa efek dari memprediksi kelas anggota berdasarkan probabilitas.
sebuah nilai atribut di sebuah kelas yang diberikan Klasifikasi Bayes berdasarkan atas teorema Bayes.
adalah bebas dari nilai-nilai atribut lain. Asumsi ini Studi-studi perbandingan algoritma-algoritma
disebut class conditional independence. Itu dibuat untuk klasifikasi dapat menemukan sebuah klasifikasi Bayes
memudahkan perhitungan-perhitungan yang dilibatkan sederhana yang dikenal sebagai “Naive Bayes
dan dalam pengertian ini, dianggap “Naive”. Classifier” dapat diperbandingkan dalam penampilan
dengan decision tree dan neural network classifier.
Naive Bayes Classifier Naive Bayes Classifier mengasumsi bahwa efek dari
Naive Bayes Classifier mengestimasi peluang kelas sebuah nilai atribut di sebuah kelas yang diberikan
bersyarat dengan mengasumsikan bahwa atribut adalah adalah bebas dari nilai-nilai atribut lain. Asumsi ini
independen secara bersyarat yang diberikan dengan disebut class conditional independence. Itu dibuat untuk
label kelas y . Asumsi independen bersyarat dapat memudahkan perhitungan-perhitungan yang dilibatkan
dinyatakan dalam bentuk berikut: dan dalam pengertian ini disebut sebagai “Naive”.
...............(1) Proses Naive Bayes terbagi menjadi 2 (dua) proses
dengan tiap set atribut X X1 , X 2 , , X d terdiri dari yaitu Learner dan Classifier. Proses Learner digunakan
untuk mentraining data yang menghasilkan model
d atribut. probabilistik (classifier) dari data set training
perumahan. X adalah variabel perumahan yang akan
C. Perumahan
melalui proses training untuk mendapatkan model
Perumahan adalah kelompok rumah yang berfungsi probabilistik perumahan untuk mendapatkan nilai
sebagai lingkungan tempat tinggal atau hunian yang peluang bersyarat kategori (klasifikasi) perumahan (Y).
dilengkapi dengan prasarana dan sarana lingkungan [4], Proses Classifier digunakan untuk menentukan kategori
yaitu kelengkapan dasar fisik lingkungan, misalnya (klasifikasi) dari data testing perumahan yang
TABEL II
PERHITUNGAN PELUANG SETIAP KATEGORI
P(X|Y)
Variabel Perumahan Input Kriteria
Sederhana Minimalis Menengah Mewah
X1 Luas Tanah 70 2/6 0/3 0/6 0/5
X2 Luas Bangunan 40 1/6 0/3 0/6 0/5
X3 Harga 130.900.000 1/6 0/3 0/6 0/5
X4 Kamar Tidur 2 6/6 2/3 4/6 0/5
X5 Ruang Tamu 1 6/6 3/3 6/6 5/5
X6 Kamar Mandi 1 6/6 1/3 6/6 0/5
X7 Dapur 0 0/6 0/3 0/6 0/5
X8 PDAM 1 6/6 3/3 6/6 5/5
X9 Listrik 1300 6/6 3/3 6/6 0/5
X10 Garasi 0 0/6 0/3 0/6 0/5
X11 Tingkat Rumah 1 6/6 2/3 6/6 1/5
X12 Kolam Renang 0 0/6 0/3 0/6 0/5
X13 IMB 1 6/6 3/3 6/6 5/5
X14 SHM 1 6/6 3/3 6/6 5/5
P(X) 6/20 3/20 6/20 5/20
TABEL III
PERHITUNGAN M-ESTIMATE SETIAP KATEGORI
Kategori
Variabel Perumahan Input Kriteria Sederhana Minimalis Menengah Mewah
m-estimate m-estimate m-estimate m-estimate
X1 Luas Tanah 70 0,2727 0,1667 0,0909 0,1000
X2 Luas Bangunan 40 0,2500 0,1667 0,1111 0,1111
X3 Harga 130.900.000 0,1667 0,1667 0,0833 0,1000
X4 Kamar Tidur 2 0,6364 0,3750 0,4545 0,1000
X5 Ruang Tamu 1 0,8750 0,8000 0,8750 0,8571
X6 Kamar Mandi 1 0,7000 0,2857 0,7000 0,1111
X7 Dapur 0 0,1250 0,2000 0,1250 0,1429
X8 PDAM 1 0,8750 0,8000 0,8750 0,8571
X9 Listrik 1300 0,6364 0,5000 0,6364 0,1000
X10 Garasi 0 0,1250 0,2000 0,1250 0,1429
X11 Tingkat Rumah 1 0,8750 0,6000 0,8750 0,2857
X12 Kolam Renang 0 0,1250 0,2000 0,1250 0,1429
X13 IMB 1 0,8750 0,8000 0,8750 0,8571
X14 SHM 1 0,8750 0,8000 0,8750 0,8571
m-estimate 0,0000032270 0,0000004876 0,0000001707 0,0000000006
TABEL VIII
HASIL PERHITUNGAN MANUAL BOBOT
Variabel Perumahan
Kategori Bobot
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14
77 36 92.000.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana 16
72 36 88.000.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana 16
70 40 30.900.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana 16
70 36 107.900.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana 16
66 36 83.000.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana 15
60 36 99.900.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana 15
TABEL IX
PERBANDINGAN KATEGORI PERUMAHAN BERDASARKAN TRAINING DAN SOFTWARE
Variabel Perumahan Kategori
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 Training Software
77 75 428.500.000 3 1 1 1 1 1300 0 1 0 1 1 Menengah Menengah
75 75 412.500.000 3 1 1 1 1 1300 0 1 0 1 1 Menengah Menengah
75 36 258.000.000 2 1 1 0 1 1300 0 1 0 1 1 Menengah Menengah
72 36 207.350.000 2 1 1 0 1 1300 0 1 0 1 1 Menengah Menengah
84 36 222.350.000 2 1 1 0 1 1300 0 1 0 1 1 Menengah Menengah
257 110 858.600.000 3 1 2 1 1 2200 1 1 0 1 1 Mewah Menengah
324 150 1.329.000.000 5 1 4 1 1 2200 1 2 0 1 1 Mewah Mewah
401 165 1.562.250.000 5 1 4 1 1 2200 1 2 0 1 1 Mewah Mewah
452 150 1.575.000.000 5 1 4 1 1 2200 1 2 0 1 1 Mewah Mewah
720 300 2.147.483.647 5 1 4 1 1 2200 0 2 0 1 1 Mewah Mewah
66 36 83.000.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana Sederhana
72 36 88.000.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana Sederhana
77 36 92.000.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana Sederhana
60 36 99.900.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana Sederhana
70 36 107.900.000 2 1 1 0 1 1300 0 1 0 1 1 Sederhana Sederhana