Proposal Ppas 1
Proposal Ppas 1
NIP:11.120.0404
NIP:11.220.1202
Irmayansyah, M.Kom
NIP:11.120.0404
TENTANG PENYUSUN
PERNYATAAN KEASLIAN PENELITIAN
Karya tulis penelitian ini benar merupakan hasil karya dan pemikiran sendiri, bukan merupakan
hasil penjiplakan dan pengambil alihan dari hasil karya dan pemikiran orang lain yang di akui
sebagai hasil karya dan pemikiran sendiri. Penelitian yang diambil dari sumber lain telah
dicantumkan dengan mencantumkan penulisnya. Apabila dikemudian hari terbukti atau dapat
dibuktikan bahwa skripsi ini merupakan hasil penjiplakan atau pengambil alihan dari hasil karya
dan pemikiran orang lain maka penyusun bersedia menerima sanksi atas perbuatannya.
Lutfi Herlambang
NPM: 15160040
KATA PENGANTAR
Puji syukur saya panjatkan kehadirat Allah SWT yang sudah melimpahkan rahmat,
taufik, dan hidayah-Nya sehingga saya dapat menyelesaikan penulisan proposal penelitian
dengan judul “Perbandingan Algoritma A*(Star) Dengan Dijkstra Untuk Menentukan Jalur
Terpendek Pada Sebuah Game berbasis Pathfinding”.
Maksud dan tujuan pembuatan proposal skripsi ini adalah untuk memenuhi salah satu
syarat kelulusan dalam jenjang perkuliahan Strata 1 STIKOM BINANIAGA program studi
TEKNIK INFORMATIKA. Dalam penulisan proposal penelitian ini cukup sering saya temui
berbagai hambatan dan rintangan, tapi berkat bimbingan, pertolongan, nasihat serta saran dari
semua pihak akhirnya saya dapat menyelesaikan pembuatan proposal skripsi ini.
Walaupun begitu, saya tahu masih terdapat banyak keterbatasan dan kekurangan
dalam penulisan proposal skripsi ini, maka dari itu saya menerima berbagai saran dan kritik
yang membangun agar dimasa yang akan datang tulisan ini dapat menjadi lebih baik lagi. Pada
kesempatan ini saya juga mengucapkan terima kasih yang sebesar-besarnya kepada:
1. selaku pembimbing I
2. selaku pembimbing II
3. Orang tua tercinta yang telah memberi doa dan dukungan kepada saya baik dari segi
moril maupun materil.
4. Teman-teman serta sahabat seperjuangan yang tak henti memberikan dukungan dan
support motivasi untuk saya.
5. Semua pihak yang tidak bisa saya sebutkan satu per satu
Semoga proposal skripsi ini bisa memberikan manfaat bagi saya dan bagi yang
lainnya.
Penyusun
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
BAB I PENDAHULUAN
A. Latar Belakang
Menurut Alan Shiu Ho Kwan (2000), setidaknya ada enam faktor yang melatari
seseorang bermain games: adanya tawaran kebebasan, keberagaman pilihan, daya
tarik elemen-elemen gam, antarmuka (interface), tantangan dan aksesibilitasnya.
Berdasarkan pengertian di atas, dapat kita simpulkan bahwa hampir seluruh manusia
pasti pernah bahkan menyukai games. Games sebenarnya sangat penting untuk
perkembangan otak manusia. Seorang manusia akan mulai berpikir jika sudah
dihadapkan dengan sebuah masalah. Sedangkan, pada sebuah games, kita
dihadapkan dengan berbagai macam masalah dan kita dituntut untuk memecahkannya
sedemikian rupa sehingga kita dapat menyelesaikan atau bahkan kita dapat
memenangkan permainan/games yang kita mainkan.
Berdasarkan latar belakang di atas, maka kami tertarik membuat makalah dengan judul
“Perkembangan Aplikasi Game” guna menyelesaikan tugas pembuatan makalah
Perkembangan Teknologi Komputer dan Informasi 1C tahun ajaran 2012/2013.
Game merupakan jenis hiburan yang disukai oleh semua orang dari usia anak-
anak, dewasa maupun tua. Selain digunakan untuk menghilangkan kepenatan dalam
beraktivitas, sebuah game juga dapat berfungsi untuk melatih pola pikir seseorang
untuk mencari solusi memecahkan suatu permasalahan yang ada di sebuah game
(Singh, Sharma, & Talwar, 2012). Dahulu game dimainkan secara tradisional seperti
permainan kartu, catur, ular tangga, petak umpet, dan lainnya. Seiring dengan
berkembangnya teknologi, permainan tersebut dikembangkan ke dalam teknologi yang
lebih modern. Sekarang banyak game baru yang memanfaatkan teknologi modern
dalam pembuatannya dan penggunaannya.
Banyaknya jumlah dari jenis game yang muncul, menyebabkan adanya
pengelompokan genre dari game. Genre game juga bertambah mengikuti
perkembangan zaman, ada genreaction games, strategy games, role playing games,
sport games, vehicle simulations, construction and management simulations,
adventure games, serta artificial life, board and puzzle. (Adams, 2010:390).
Path Finding merupakan salah satu materi yang sangat penting didalam
Artificial Intelligence. Path Findingbiasanya digunakan untuk menyelesaikan masalah
pada sebuah graph. Dalam matematika graphmerupakan himpunan titik-titikatau biasa
disebut dengan nodeyang tehubung oleh edge. Edge yang menghubungkan setiap
nodemerupakan suatu vektor yang memiliki arah dan besaran tertentu.Untuk dapat
menemukan jalan dari Node Awalmenuju Node Tujuan, dilakukan penelusuran
terhadap graphtersebut. Penelusuran biasanya dilakukan dengan mengikuti arah
edgeyang menghubungkan antar node.
Suatu graph dengan Node Awal𝑆𝑁 dan Node Tujuan 𝐺𝑁 terhubung dengan
node-node lain oleh edge-edge yang memiliki besaran yang berbeda. Jika ditelusuri,
terdapat banyak kombinasi rute yang dapat dilalui untuk menuju no detujuan. Bisa
dikatakan dari graph tersebut, setiap node akan memberikan solusi arah menuju node
tujuan.
Shortest Path atau rute terpendek merupakan suatu upaya optimalisasi dari path finding. Setiap
rute yang ditemukan pada path findingakan dicari rute terpendeknya. Pencarian rute terpendeknya di
tentukan dengan akumulasi besaran vektor yang dilalui untuk mencapai node tujuan. Akumulasi
costyang memiliki nilai minimummerupakan rute terpendek dari graph tersebut.Ada beberapa macam
persoalan lintasan terpendek, antara lain:
1.Lintasan terpendek antara dua buah simpul tertentu (a pair shortest path).
2.Lintasan terpendek antara semua pasangan simpul (all pair shortest path).
3.Lintasan terpendek dari simpul tertentu ke semua simpul yang lain (single-source shortest
path).
4.Lintasan terpendek antara dua buah simpul yang melalui beberapa simpul tertentu
(intermediate
shortest path).(Ulva, 2014)
Algoritma A Star atau A* adalah salah satu algoritma pencarian yang menganalisa input,
mengevaluasi sejumlah jalur yang mungkin dilewati dan menghasilkan solusi. Algoritma A* adalah
algoritma komputer yang digunakan secara luas dalam graphtraversal dan penemuan jalur serta proses
perencanaan jalur yang bisa dilewati secara efisien di sekitar titik-titik yang disebut node(Reddy,
2013).Karakteristik yang menjelaskan algoritma A* adalah pengembangan dari “daftar tertutup” untuk
merekam area yang dievaluasi. Daftar tertutup ini adalah sebuah daftar untuk merekam area berdekatan
yang sudah dievaluasi, kemudian melakukan perhitungan jarak yang dikunjungi dari “titik awal” dengan
jarak diperkirakan ke “titik tujuan”(Reddy, 2013).Algoritma A* menggunakan pathdengan costpaling
rendah ke nodeyang membuatnya sebagai algoritma pencarian nilai pertama yang terbaik atau best first
search. Menggunakan rumus𝑓(𝑥)=𝑔(𝑥)+ℎ(𝑥)..........................(1)dimana:𝑔(𝑥)adalah jarak total dari
posisi asal ke lokasi sekarang.ℎ(𝑥)adalahfungsi heuristik yang digunakan untuk memperkirakan jarak
dari lokasi sekarang ke lokasi tujuan. Fungsi ini jelas berbeda karena ini adalah perkiraan semata
dibandingkan dengan nilai aslinya. Semakin tinggi keakuratan heuristik, semakin cepat dan bagus lokasi
tujuan ditemukan dan dengan tingkat keakuratan yang lebih baik. Fungi (𝑥)=𝑔(𝑥)+ℎ(𝑥)ini adalah
perkiraan saat ini dari jarak terdekat ke tujuan(Lubis, 2016).Algoritm A* juga menggunakan 2 (dua)
senarai Open List dan Closed Listsama seperti algoritma dasar Best First Search. Terdapat 3 (tiga)
kondisi bagi setiap suksesor yang dibangkitkan, yaitu sudah berada pada di Open, sudah berada di
Closed, dan tidak berada di Openmaupun Closed. Pada ketiga kondisi tersebut diberikan penanganan
yang berbeda-beda (Suyanto, 2014).Jika suksesor sudah pernah berada di Open, maka dilakukan
pengecekan apakah perlu pengubahan parentatau tidak tergantung pada nilai 𝑔-nya melalui parentlama
atau parentbaru. Jika melalui parent baru memberikan nilai 𝑔yang lebih kecil, maka dilakukan
pengubahan parent. Jika pengubahan parentdilakukan, maka dilakukan pula updatenilai 𝑔dan 𝑓pada
suksesor tersebut. Dengan perbaharuan ini, suksesor tersebut memiliki kesempatan yang lebih besar
untuk terpilih sebagai simpul terbaik (best node)(Suyanto, 2014).Jika suksesor sudah pernah berada di
Closed, maka dilakukan pengecekan apakah perlu pengubahan parentatau tidak, jika ya, maka dilakukan
perbaharuan nilai 𝑔dan 𝑓pada suksesor tersebut serta pada semua “anak cucunya” yang sudah pernah
berada di Open. Dengan perbaharuan ini, maka semua anak cucunya tersebut memiliki kesempatan lebih
besar untuk terpilih sebagai simpul terbaik (best node) (Suyanto, 2014).Jika suksesor tidak berada di
Openmaupun Closed, maka suksesor tersebut dimasukkan kedalam Open. Tambahkan suksesor tersebut
sebagai suksesornya best node. Hitung costsuksesor tersebut dengan menggunakan persamaan 1
(Suyanto, 2014).
Pada sebuah game, biasanya terdapat implementasi dari algoritma kecerdasan buatan untuk
mendukung gameplay gametersebut. Salah satu algoritma tersebut adalah Algoritma A* (A Bintang).
Algoritma A* biasanya digunakan untuk mendukung metode pathfinding yang ada pada game.
Pathfinding adalah proses pemindahan posisi karakter game dari lokasi awal ke lokasi tujuan yang
diinginkan (David M. Broug dan Glenn Seemann, 2004).Pathfinding adalah salah satu masalah paling
dasar dari kecerdasan buatan (Artificial Intelligence / AI) yang ada pada game. Pathfinding yang buruk
dapat membuat karakter yang ada pada game terlihat brainless (bodoh). Penanganan masalah pathfinding
secara efektif dapat membuat game lebih menyenangkan dan memberikan pengalaman bermainyang
mendalam bagi player (David M. Broug dan Glenn Seemann, 2004).Algoritma A* memberikan solusi
efektif untuk masalah pathfinding. Algoritma ini merupakan algoritma Best First Searchyang
menggabungkan Uniform Cost Searchdan Greedy Best-First Search. Algoritma A* memberikan hasil
keluaran yang complete dan optimal (Suyanto, 2007).
Dijkstra, (sesuai penemunya Edsger Dijkstra), adalah sebuah algoritma yang dipakai dalam
memecahkan permasalahan jarak terpendek (shortest path problem) untuk sebuah graf berarah (directed
graph). Algoritma ini dioublikasikan pada tahun 1959 jurnal Numerische Mathematik yang berjudul “A
Note on Two Problems in Connexion with Graphs” dan dianggap sebagai algoritma greedy.
Permasalahan rute terpendek dari sebuah titik ke akhir titik lain adalah sebuah masalah klasik optimasi
yang banyak digunakan untuk menguji sebuah algoritma yang diusulkan. Permasalahan rute terpendek
dianggap cukup baik untuk mewakili masalah optimisasi, karena permasalahannya mudah dimengerti
(hanya menjumlahkan seluruh edge yang dilalui) namun memiliki banyak pilihan solusi.
Menurut Andrew Goldberg peneliti Microsoft Research Silicon Valley, mengatakan ada banyak
alasan mengapa peneliti terus mempelajari masalah pencarian jalan terpendek. “Jalan terpendek adalah
masalah optimasi yang relevan untuk berbagai macam aplikasi, seperti jaringan routing, game, desain
sirkuit, dan pemetaan”. Diskripsi matematis untuk grafik dapat diwakili G = {V. E}, yang berarti sebuah
grafik (G) didefenisikan oleh satu set simpul (Vertex = V) dan koleksi Edge (E).
Algoritma Dijkstra bekerja dengan membuat jalur ke satu simpul optimal pada setiap langkah.
Jadi pada langkah ke n, setidaknya ada n node yang sudah kita tahu jalur terpendek. Langkah-langkah
algoritma Dijkstra dapat dilakukan dengan langkah-langkah berikut:
1. Tentukan titik mana yang akan menjadi node awal, lalu beri bobot jarak pada node pertama ke
node terdekat satu per satu, Dijkstra akan melakukan pengembangan pencarian dari satu titik ke
titik lain dan ke titik selanjutnya tahap demi tahap.
2. Beri nilai bobot (jarak) untuk setiap titik ke titik lainnya, lalu set nilai 0 pada node awal dan
nilai tak hingga terhadap node lain (belum terisi) 2.
3. Set semua node yang belum dilalui dan set node awal sebagai “Node keberangkatan”
4. Dari node keberangkatan, pertimbangkan node tetangga yang belum dilalui dan hitung jaraknya
dari titik keberangkatan. Jika jarak ini lebih kecil dari jarak sebelumnya (yang telah terekam
sebelumnya) hapus data lama, simpan ulang data jarak dengan jarak yang baru
5. Saat kita selesai mempertimbangkan setiap jarak terhadap node tetangga, tandai node yang telah
dilalui sebagai “Node dilewati”. Node yang dilewati tidak akan pernah di cek kembali, jarak
yang disimpan adalah jarak terakhir dan yang paling minimal bobotnya.
6. Set “Node belum dilewati” dengan jarak terkecil (dari node keberangkatan) sebagai “Node
Keberangkatan” selanjutnya dan ulangi langkah e.
B. Rumusan Masalah
1. Identifikasi Masalah
a. Belum tepatnya persediaan barang berdasarkan produk yang sedang
popular yang sesuai dengan permintaan pelanggan.
b. Belum efektifnya dalam proses memprediksikan penjualan baju muslim
pria.
2. Pernyataan Masalah / Problem Statement
Berdasarkan identifikasi masalah maka dapat disimpulkan pokok masalah
yaitu Belum tepat dan efektif dalam memprediksi penjualan baju muslim pria
yang berdasarkan dengan trend.
D. Signifikasi Penelitian
Dalam rangka penelitian ini adalah menemukan teknik komputasi dengan pendekatan
Algoritma C4.5 untuk prediksi penjualan berdasarkan trend
Manfaat yang diperoleh dalam penelitian ini adalah:
F. Pentingnya Pengembangan
Dalam rangka penelitian ini adalah menemukan teknik komputasi dengan
pendekatan Algoritma C4.5 untuk prediksi penjualan berdasarkan trend.Aplikasi yang
akan dikembangkan dapat merekomendasi produk yang tepat. Sehingga diharapkan
dapat meningkatkan kepuasaan pelanggan yang tentunya akan memberikan
peningkatan produktivitas dan pendapatan profit. Adapun manfaat yang diperoleh
dengan adanya penelitian ini yaitu:
Teoritis : Sumbangan pengetahuan dalam penerapan algoritma c4.5 untuk
prediksi penjualan berdasarkan trend
Praktis : Memudahkan owner untuk melakukan prediksi penjualan baju muslim
dengan berdasarkan trend
Kebijakan : Dapat dijadikan acuan dalam pengambilan keputusan khususnya
dalam prediksi penjualan
A. Tinjauan Pustaka
Penelitian rujukan merupakan acuan yang dibutuhkan seorang peneliti untuk
melakukan penelitian. Penelitian rujukan pada penelitian ini diambil berdasarkan
kesamaan metode yang digunakan yaitu Algoritma C4.5. Banyak penelitian yang
menggunakan metode ini dalam berbagai kasus. Antara lain :
A. Penerapan Algoritma C4.5 untuk Memprediksi Penjualan Motor Pada PT.Cappela
Dinamik Nusantara Cabang Muka Kuning (Nurul Azwanti Program Studi Sistem
Informatika, Fakultas Teknik, Universitas Putera Batam 2018)
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa
Algoritma C4.5 dapat digunakan sebagai metode klasifikasi dalam memprediksi
penjualan motor oleh PT. Capella Dinamik Nusantara Cabang Muka Kuning
dengan memperhatikan nilai gain (penguatan) tertinggi dari empat atribut seperti
Semester, Warna, Tahun Produksi, Segmen dan Harga. Algoritma C4.5 dengan
metode pohon keputusan dapat memberikan informasi rule prediksi untuk
menggambarkan proses yang terkait dengan prediksi penjualan motor. Dari pohon
keputusan yang telah terbentuk, variabel tertinggi dalam memprediksi penjualan
adalah variabel penjualan via, artinya pendistribusian motor dari berbagai tempat
sangat mempengaruhi terhadap penjualan motor. Harga dalam range Sangat
Terjangkau Sekali (STS) yaitu harga dibawah Rp 17.699.000,00 masih
mendominasi motor matic. Artinya, matic masih menguasai pasar penjualan. 4.
Pengujian dengan WEKA lebih efektif dan fleksibel karena pohon keputusan yang
terbentuk hampir sama dengan perhitungan yang dilakukan dengan manual. Oleh
karena itu, penggunaan WEKA juga sangat membantu dalam pengujian yang
dilakukan.
B. Penerapan Data Mining dalam Memprediksi Pembelian Cat (Fitriana Harahap
Program Studi Sistem Informasi, STMIK POTENSI UTAMA 2015)
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa
pembelian cat dengan menggunakan metode Data Mining khususnya Algoritma
C4.5 akan bermanfaat sekali dalam proses pengambilan keputusan dalam
pembelian cat pada Home Smart Medan. Yang menjadi faktor tertinggi yang
mempengaruhi pembelian cat pada Home Smart adalah faktor kompetisi supplier
dalam memasarkan produknya. Faktor kedua yang mempengaruhi pembelian cat
Home Smart adalah Kualitas cat dan Animo Masyarakat untuk mengetahui dan
membeli produk cat yang dipasarkan dengan berbagai cara yang dilakukan pihak
produsen cat tersebut. Faktor Harga tidak mempengaruhi pembelian pada
Departement Penjualan Home Smart Medan, karena cat dengan harga mahal
ternyata masih diminati oleh pelanggan Home Smart Medan.
C. Pengembangan Aplikasi Perhitungan Prediksi Stock Motor Menggunakan
Algoritma C4.5 Sebagai Bagian dari Sistem Pengambilan Keputusan pada
Saudara Motor (Pandu Pratama Putra, Andi Supriadi Chan, Program Studi Sistem
Informasi,Fakultas Komputer STMIK Amik Riau, Program Studi Sistem Informasi,
Fakultas Teknik Dan Komputer Universitas Putera Batam, 2018)
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa Hasil
dari perhitungan nilai entropy telah memberikan nilai.Berdasarkan proses
perhitungan yang telah dilakukan melalui beberapa langkah pada proses
penerapan Data Mining menggunakan algoritma C4.5 maka diperoleh pohon
keputusan tersebut diperoleh 12 aturan-aturan (rule) dalam menentukan prediksi
jumlah persediaan stock motor pada dealer Saudara Motor.
D. Penerapan Data Mining untuk Prediksi Penjualan Wallpaper Menggunakan
Algoritma C4.5 ( Juna Eska, Program Studi Sistem Informasi, STMIK Royal,
Ksiaran 2016)
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa
pembelian wallpaper dengan menggunakan metode Data Mining khususnya
Algoritma C4.5 akan bermanfaat sekali dalam proses pengambilan keputusan
dalam pembelian wallpaper.Yang menjadi faktor tertinggi yang mempengaruhi
penjualan adalah faktor jumlah motif wallpaper.Faktor Harga, Ukuran, Kualitas
Bahan, dan Warna tidak mempengaruhi pembelian karena wallpaper dengan
harga mahal, ukuran yang kecil, kualitas bahan yang baik, dan warna yang sedikit
ternyata masih diminati oleh pelanggan
E. Analisis dan Prediksi Penjualan Produk Terlaris Distro “’Root Shoes’’ Dengan
Aplikasi Android (Anjar Dimas Winata Jurusan Sistem Informasi, Fakultas
Komunikasi dan Informatika Universitas Muhammadiyah Surakarta 2017)
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa .
Aplikasi rekomendasi berbasis android menggunakan metode Algoritma C4.5
yang dapat membantu user untuk analisis dan memprediksi produk sepatu terlaris
atau tidak terlaris Pada perekomendasian ialah dengan memastikan tingkatan
confidence tertinggi yang dicapai setiap variabel pada semua produk, pemenuhan
dan prioritas variabel untuk menganalisis dan memprediksi.
F. Analisìs Data Mining Penjualan Ban Menggunakan Algoritma C4.5 (Sandrawira
Anggraini, Sarjon Defit, Gunadi Widi Nurcahyo, Program Studi Teknik Informatika,
Universitas Putra Indonesia YPTK Padang, 2018)
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa hasil
pengujian dan implementasi Data Mining menggunakan algoritma C4.5 dalam
melakukan pengklasifikasian data penjualan Ban di CV. RODA INTI MAS, maka
didapatkan kesimpulan bahwa proses pengujian pada data tes, dilakukan
sebanyak 3 kali pengujian yaitu terhadap 60 data, 90 data, dan 100 data, dengan
tingkat akurasi antara 74% – 76%, dengan atribut akar (root) adalah kategori, dan
antribut yang menjadi cabang adalah satuan, sedangkan atribut yang menjadi
ranting adalah banyak dan sedikit.
G. Implementasi Data Mining untuk Memprediksi Pola Pembelian Sepeda Motor Pada
Showroom CV.Viva Mas Motors dengan Metode Algoritma C4.5 (Purwadi,
Program Studi Sistem Informasi, STMIK Triguna Dharma, 2018)
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa Hasil
dari analisa yang diperoleh dari data mining Teknik Klasifikasi dengan metode
Decision Tree mengenai pola pembelian sepeda motor dapat membantu CV. VIVA
MAS Motors mengetahui merk dan tahun sepeda motor yang laku dipasaran. Dan
juga ditemukan pola yang saling berkaitan erat antara atribut merk, tahun dan
harga sepeda motor terhadap penjualan sepeda motor.Hasil analisa yang didapat
dengan menggunakan aplikasi Rapid Miner dalam memprediksi penjualan sepeda
motor di CV. VIVA MAS Motors memperoleh hasil yang akurat bila dibandingkan
dengan proses perhitungan manual. Dan menghasilkan rull atau aturan yang tepat
sesuai dengan proses manualnya
H. Penerapan Algoritma C4.5 untuk Penentuan Tingkat Konsumsi Konsumen Pada
Medan Solusindo (Mardi Turnip, Charles Wijaya, Program Studi S1 Sistem
Informasi Fakultas Teknologi dan Ilmu Komputer, Universitas Prima Indonesia,
2016)
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa
Setelah menyelesaikan Penerapan Algoritma C4.5 untuk Penentuan Tingkat
Konsumsi Konsumen pada Medan Solusindo, penulis menarik beberapa
kesimpulan sebagai berikut: Sistem usulan menyediakan informasi yang
diperlukan oleh pihak manajemen perusahaan dalam waktu yang singkat dan
akurat untuk mengurangi penumpukan stok. Sistem mengusulkan pengelompokan
paket penjualan dari hasil klasifikasi tingkat konsumsi konsumen untuk
mempermudah pengambilan keputusan manajemen perusahaan untuk mengatasi
barang yang akan terjadi penumpukan stok.
I. Memprediksi Minat Pelanggan Membeli Produk Sepatu Menggunakan Metode
Algoritma C4.5 Pada PT. Zoelindo Elite Anugerah (Hendri, M.Kom, Yana Iqbal
Maulana, M.Kom, Jurusan Sistem Informasi, Fakultas Ilmu Komputer, 2018)
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa
model algoritma C4.5 memberikan nilai akurasi yang lebih tinggi yaitu 73.88%. Dari
hasil tersebut didapatkan selisih antara kedua model yaitu 4,28%. Sementara
untuk evalusai menggunakan ROC curve untuk kedua model yaitu, untuk model
algoritma C4.5 nilai AUC adalah 0.764 dengan tingkat diagnosa Fair classification,.
Dari evaluasi ROC curve tersebut terlihat bahwa model algoritma C4.5 cukup baik
Sehingga dapat disimpulkan bahwa algoritma C4.5 cukup akurat dalam
memprediksi minat beli prodak sepatu.
J. Implementasi Data Mining dengan Metode Algoritma C4.5 untuk Menentukan
Tingkat Kelayakan Sepeda Motor Bekas Yang Akan Dijual pada UD. NISA
MOTOR (Muhammad Fadli, Program Studi Teknik Informatika, STMIK Budi
Darma, 2019)
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa
metode data mining khususnya algoritma C4.5 akan bermanfaat sekali dalam
pembelian sepeda motor bekas pada UD. Nisa Motor. Maka dapat disimpulkan
bahwa: 1. Yang menjadi faktor tertinggi yang menentukan tingkat kelayakan motor
bekas adalah kriteria Aki, faktor kedua yaitu pada kriteria Rangka, faktor ketiga
yaitu pada kriteria Bodi, dan faktor keempat yaitu pada kriteria Cat. 2. Kriteria
Mesin, Aksesoris, dan Harga tidak mempengaruhi penentuan kelayakan sepeda
motor bekas. 3. Pengujian yang telah dilakukan dapat disimpulkan bahwa data
mining classification dengan menggunakan metode pohon keputusan algoritma
C4.5 untuk membentuk pohon keputusan kelayakan sepeda motor bekas dapat
diterapkan menggunakan weka dan mendapatkan hasil yang maksimal.
B. Landasan Teori
1. Metode Algoritma C4.5
Gender
Pria Wanita
Gambar 2.1 Syarat pengujian fitur biner
Yang menjadi hal penting dalam induksi decision tree adalah bagaimana
menyatakan syarat pengujian pada node. Ada 3 kelompok penting dalam syarat
pengujian node:
a. Fitur biner
Fitur yang hanya mempunyai dua nilai berbeda disebut dengan fitur biner.
Syarat pengujian ketika fitur ini menjadi node (akar maupun internal) hanya
punya dua pilihan cabang. Contoh pemecahannya disajikan pada Gambar
2.1.
b. Fitur bertipe kategorikal
Untuk fitur yang nilainya bertipe kategorikal (nominal atau ordinal) bisa
mempunyai beberapa nilai berbeda. Contohnya adalah fitur ‘cuaca’
mempunyai 3 nilai berbeda dan ini bisa mempunyai banyak kombinasi syarat
pengujian pemecahan. Secara umum ada 2, yaitu pemecahan biner (binary
splitting) dan (multi splitting). Kombinasinya disajikan seperti pada Gambar
2.2. Untuk pemecahan yang hanya membolehkan pemecahan biner, seperti
algoritma CART, maka akan memberikan kemungkinan jumlah kombinasi
pemecahan sebanyak 2𝑘−1 , dimana k adalah jumlah nilai berbeda dalam fitur
tersebut. Contoh pemecahannya disajikan pada Gambar 2.2 dan Gambar
2.3.
c. Fitur bertipe numerik
Untuk fitur bertipe numerik, syarat pengujian dalam node (akar maupun
internal) dinyatakan dengan pengujian perbandingan (A < v) atau (A ≥ v)
dengan hasil biner, atau untuk multi dengan hasil berupa jangkauan nilai
dalam bentuk 𝑣𝑖 ≤ 𝐴 < 𝑣𝑖+1, untuk i = 1, 2, ….. k. Untuk kasus pemecahan
biner, maka algoritma akan memeriksa semua kemungkinan posisi
pemecahan v dan memilih posisi v terbaik. Untuk cara multi, maka algoritma
harus memeriksa semua kemungkinan jangkauan nilai kontinyu. Contoh
pemecahan pada fitur numerik disajikan pada Gambar 2.4.
Cuaca Cuaca
Cuaca Cuaca
Ukuran Ukuran
Baju Baju
Ukuran Ukuran
Baju Baju
Kriteria yang paling banyak digunakan untuk memilih fitur sebagai pemecah dalam
algoritma C4.5 adalah rasio gain, yang diformulasikan oleh persamaan berikut:
𝐺𝑎𝑖𝑛(𝑠, 𝑗)
𝑅𝑎𝑠𝑖𝑜𝐺𝑎𝑖𝑛(𝑠, 𝑗) =
𝑆𝑝𝑙𝑖𝑡𝐼𝑛𝑓𝑜(𝑠, 𝑗)
Persamaan diatas menyatakan nilai rasio gain pada fitur ke-j. SplitInfo(s,j) didapat
dari 𝑆𝑝𝑙𝑖𝑡𝐼𝑛𝑓𝑜(𝑠, 𝑗) = − ∑𝑘𝑖−1 𝑝(𝑣𝑖 |𝑠) log 2 𝑝(𝑣𝑖 |𝑠) dimana k menyatakan jumlah
pemecahan.
2. Pengembangan Sistem SDLC
Pendekatan sistem merupakan sebuah metodologi. Metodologi adalah satu
cara yang direkomendasikan dalam melakukan sesuatu. Pendekatan sistem adalah
metodologi dasar dalam memecahkan segala jenis masalah. Siklus hidup
pengembangan sistem (System Development Life Cycle – SDLC) adalah aplikasi
dari pendekatan sistem bagi pengembangan suatu sistem informasi (Raymond
McLeod 2007: 199).
Terdapat beberapa tahapan pekerjaan pengembangan yang perlu dilakukan
jika suatu proyek ingin memiliki kemungkinan berhasil yang besar. Tahapan-
tahapan tersebut adalah:
a. Perencanaan
b. Analisis
c. Desain
d. Implementasi
e. Penggunaan
Proyek dan sumber daya yang dibutuhkan untuk melakukan pekerjaan
direncanakan kemudian disatukan. Sistem yang ada juga dianalisis untuk
memahami masalah dan menentukan persyaratan fungsional dari sistem yang
baru. Sistem baru ini kemudian dirancang dan diimplementasikan. Setelah
implementasi, sistem kemudian digunakan, idealnya untuk jangka waktu yang lama.
Karena pekerjaan-pekerjaan di atas mengikuti satu pola yang teratur dan
dilaksanakan dengan cara dari atas ke bawah, SDLC tradisional sering kali disebut
sebagai pendekatan air terjun (waterfall approach). Aktivitas ini memiliki aliran satu arah
menuju ke penyelesaian proyek.
Gambar 2.5 berikut rnengilustrasikan sifat melingkar dari siklus hidup. Ketika
sebuah sistem telah melampaui masa manfaatnya dan harus diganti, satu siklus hidup
baru akan dimulai dengan diawali oleh tahap perencanaan.
Mudah bagi kita untuk melihat bagaimana SDLC tradisional dapat dikatakan
sebagai suatu aplikasi dari pendekatan sistem. Masalah akan didefinisikan dalam tahap-
tahapan perencanaan dan analisis. Solusi-solusi alternatif diidentifikasi dan dievaluasi
dalam tahap desain. Lalu, solusi yang terbaik diimplementasikan dan digunakan. Selama
tahap penggunaan, umpan balik dikumpulkan untuk melihat seberapa baik sistem mampu
memecahkan masalah yang telah ditentukan.
Gambar 2.5 Pola Melingkar dari Siklus Hidup Sistem
(Sumber: Raymond McLeod 2007: 199)
3. Kerangka Pemikiran
Berikut adalah kerangka pemikiran untuk memecahkan masalah penelitian ini yang
digambarkan pada gambar berikut:
A. Model Pengembangan
Dasar untuk mendapatkan sebuah hasil yang diharapkan adalah model
pengembangan. Dalam pengembangan sistem ini, peneliti mengacu pada model
pengembangan prosedural. Model prosedural adalah model yang bersifat deskriptif
menunjukan langkah-langkah yang harus diikuti untuk menghasilkan produk. Model
pengembangan yang digunakan adalah Prototype.
Metode prototype adalah metode yang dimulai dengan pengumpulan
kebutuhan pengguna, dalam hal ini pengguna dari perangkat yang dikembangkan
adalah peserta didik. Kemudian membuat sebuah rancangan kilat yang selanjutnya
akan dievaluasi kembali sebelum diproduksi secara benar. Prototype bukanlah
merupakan sesuatu yang lengkap, tetapi sesuatu yang harus dievaluasi dan
dimodifikasi kembali. Segala perubahan dapat terjadi pada saat prototype dibuat untuk
memenuhi kebutuhan pengguna dan pada saat yang sama memungkinkan
pengembang untuk lebih memahami kebutuhan pengguna secara lebih baik
(Pressman, 2012).
B. Prosedur Pengembangan
D. Jenis Data
1. Sumber Penelitian
a) Data Primer
Pengertian data primer menurut Umi Narimawati (2008: 98) dalam
bukunya “Metodologi Penelitian Kualitatif dan Kuantitatif: Teori dan Aplikasi”
bahwa: “Data primer ialah data yang berasal dari sumber asli atau pertama.
Data ini tidak tersedia dalam bentuk terkompilasi ataupun dalam bentuk file-
file. Data ini harus dicari melalui narasumber atau dalam istilah
teknisnya responden, yaitu orang yang kita jadikan objek penelitian atau orang
yang kita jadikan sebagai sarana mendapatkan informasi ataupun data.
Pada penelitian ini, peneliti akan menyebarkan kuesioner kepada
pengguna dalam rangka memperoleh tanggapan pengguna mengenai kualitas
produk ditinjau dari fitur – fitur dan fungsionalitas sistem/perangkat lunak
secara keseluruhan.
b) Data Sekunder
Sugiyono, (2014: 224) dalam bukunya “Metode Penelitian Pendidikan
Pendekatan Kuantitatif, Kualitatif dan R&D” menyatakan bahwa data sekunder
adalah data yang telah di kumpulkan oleh pihak lain, peneiliti dapat mencari
sumber data ini melalui sumber data lain yang berkaitan dengan data yang
ingin dicari. Data sekunder yang digunakan antara lain : Data penjualan pada
setiap bulan, serta Data stok barang pada setiap bulan
2. Variabel penelitian
2.
F. Teknik Analisis Data
G. Penjadwalan
H. Rencana Anggaran
I. Sistematika Penulisan
BAB I PENDAHULUAN
Bab I pendahuluan terdiri atas sub bab latar belakang masalah, rumusan masalah,
maksud dan tujuan penelitian, spesifikasi produk yang diharapkan, pentingnya
pengembangan, asumsi dan keterbatasan pengembangan, dan definisi istilah atau
definisi operasional.