TESIS
ALI KHUMAIDI
14000122
TESIS
Diajukan sebagai salah satu syarat untuk memperoleh gelar
Magister Ilmu Komputer (M.Kom)
ALI KHUMAIDI
14000122
Dengan ini menyatakan bahwa tesis yang telah saya buat dengan judul:
“Penerapan Case-Based Reasoning dan Algoritma Nearest Neighbor untuk
Penentuan Lokasi Waralaba” adalah hasil karya sendiri, dan semua sumber baik
yang kutip maupun yang dirujuk telah saya nyatakan dengan benar dan tesis
belum pernah diterbitkan atau dipublikasikan dimanapun dan dalam bentuk
apapun.
Ali Khumaidi
HALAMAN PENGESAHAN
DEWAN PENGUJI
KATA PENGANTAR
Serta semua pihak yang terlalu banyak untuk penulis sebutkan satu persatu
sehingga terwujudnya penulisan tesis ini. Penulis menyadari bahwa penulisan
tesis ini masih jauh sekali dari sempurna, untuk itu penulis mohon kritik dan saran
yang bersifat membangun demi kesempurnaan penulisan karya ilmiah yang
penulis hasilkan untuk yang akan datang.
Akhir kata semoga tesis ini dapat bermanfaat bagi penulis khususnya dan bagi
para pembaca yang berminat pada umumnya.
Ali Khumaidi
Penulis
Dengan Hak Bebas Royalti Non-Eksklusif ini pihak STMIK Nusa Mandiri
berhak menyimpan, mengalih-media atau bentuk-kan, mengelolaannya dalam
pangkalan data (database), mendistribusikannya dan menampilkan atau
mempublikasikannya di internet atau media lain untuk kepentingan akademis
tanpa perlu meminta ijin dari kami selama tetap mencantumkan nama kami
sebagai penulis/pencipta karya ilmiah tersebut.
Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak STMIK
Nusa Mandiri, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak
Cipta dalam karya ilmiah saya ini.
Ali Khumaidi
ABSTRAK
Kata kunci:
Case-Based Reasoning, algoritma nearest neighbor, penentuan lokasi waralaba.
ABSTRACT
This study aims to describe the application of CBR and the nearest neighbor
algorithm for determining the location of a franchise. Where the process of
determining the location of an important stage in the process of business
development. In this research, CBR and described the stages nearest neighbor
algorithm in accordance with case studies and includes data storage techniques
and searching kemiripann cases resulting in accordance with the desired solution.
To further generate the correct solution requires the number of cases is very much
on the basis of knowledge.
Keywords:
Case-Based Reasoning, nearest neighbor algorithm, determining the location of a
franchise.
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
10
DAFTAR ISI
Halaman
HALAMAN SAMPUL............................................................................... i
HALAMAN JUDUL................................................................................... ii
HALAMAN PERNYATAAN ORISINALITAS........................................ iii
HALAMAN PENGESAHAN..................................................................... iv
KATA PENGANTAR................................................................................. v
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA
ILMIAH UNTUK KEPENTINGAN AKADEMIS.................................... vii
ABSTRAK.................................................................................................. viii
ABSTRCT................................................................................................... ix
DAFTAR ISI............................................................................................... x
DAFTAR TABEL........................................................................................ xii
DAFTAR GAMBAR................................................................................... xiii
DAFTAR LAMPIRAN............................................................................... xiv
BAB 1. PENDAHULUAN.......................................................................... 1
1.1. Latar Belakang Masalah............................................................ 1
1.2. Rumusan Masalah..................................................................... 2
1.3. Tujuan Penelitian...................................................................... 3
1.4. Manfaat Penelitian.................................................................... 3
1.5. Sistematika Penulisan................................................................ 3
BAB 2. LANDASAN TEORI DAN KERANGKA PEMIKIRAN........... 5
2.1. Tinjauan Pustaka..................................................................... 5
2.2. Tinjauan Studi......................................................................... 6
2.2.1. Franchise....................................................................... 6
2.2.2. Case-Based Reasoning................................................... 20
2.2.3. Algoritma Nearest Neighbor......................................... 26
2.3. Tinjauan Organisasi/Obyek Penelitian.................................... 31
2.4. Kerangka Pemikiran................................................................ 32
BAB 3. METODE PENELITIAN............................................................... 34
3.1. Perancangan Penelitian............................................................. 34
3.1.1. Jenis Penelitian............................................................... 34
3.1.2. Metode Pengumpulan Data............................................ 34
3.2. Tahapan Computing Approach................................................. 35
3.3. Pengembangan Sistem.............................................................. 37
3.3.1. Analisa Kebutuhan......................................................... 38
3.3.1.1. Analisa Kebutuhan Pemakai............................. 38
3.3.1.2. Analisa Kebutuhan Sistem................................ 39
3.3.2. Perancangan Sistem (Design)......................................... 40
3.3.2.1. Sistem (UML Diagram)..................................... 40
3.3.2.2. Database Sistem................................................ 49
3.3.2.3. User Interface..................................................... 52
3.3.3. Konstruksi Sistem............................................................ 57
3.3.4. Pengujian Sistem (Testing).............................................. 59
3.3.4.1 White Box............................................................. 59
3.3.4.2. Black Box.......................................................... 62
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
11
DAFTAR TABEL
Halaman
Tabel 2.1. Analisa Faktor Pemilihan Lokasi Menurut McGoldrick .….. 10
Tabel 2.2. Atribut Penentuan Lokasi.………………………………….. 11
Tabel 2.3. Atribut, Nilai Atribut dan Ukuran Penentuan Lokasi............. 13
Tabel 2.4. Pembobotan Atribut………………………………………… 19
Tabel 2.5. Informasi Sewa Mobil……...……………………………….. 23
Tabel 2.6. Case Representation..……………………………………….. 23
Tabel 2.7. Kasus Siswa..........………………………………………….. 28
Tabel 2.8. Bobot Atribut....…………………………………………….. 29
Tabel 2.9. Kedekatan Bobot Atribut Jenis Kelami…………………….. 29
Tabel 2.10. Kedekatan Bobot Anak Ke-…………………….....……….. 29
Tabel 2.11. Kedekatan Bobot Orang Tua …...………………………….. 30
Tabel 3.1. Tabel Kasus ………………………………………..........….. 49
Tabel 3.2. Tabel Atribut …………………………………………........... 50
Tabel 3.3. Tabel Nilai_Atribut ……………………………………..….. 50
Tabel 3.4. Tabel Perbandingan ……………………………………..….. 50
Tabel 3.5. Hasil Pengujian Sistem ……………………............……….. 62
Tabel 4.1. Pretest dan Postest Pengukuran Kecepatan ……….……….. 67
Tabel 4.2. Pretest dan Postest Pengukuran Keakuratan...……..……….. 68
Tabel 4.3. Hasil Uji Kecepatan t-test: Paired Two Sample for Means..... 72
Tabel 4.4. Hasil Uji Keakuratan t-test: Paired Two Sample for Means... 73
DAFTAR GAMBAR
Halaman
Gambar 2.1. Skema Proses CBR...…………………………………… 22
Gambar 2.2. Ilustrasi Kasus Algoritma Nearest Neigbor..…………… 27
Gambar 2.3. Kerangka Pemikiran..…………………………………… 33
Gambar 3.1. Use Case Diagram Sistem……………………………… 40
Gambar 3.2. Activity Diagram Menambah Data Kasus ……………… 41
Gambar 3.3. Activity Diagram Mengatur Atribut ……….…………… 41
Gambar 3.4. Activity Diagram Mengatur Nilai Atribut ……………… 42
Gambar 3.5. Activity Diagram Membandingkan Bobot Nilai Atribut... 43
Gambar 3.6. Activity Diagram Menguji Lokasi Baru ………………… 43
Gambar 3.7. Sequence Diagram Penambahan Data Kasus.…………… 44
Gambar 3.8. Sequence Diagram Pengaturan Atribut …………….…… 45
Gambar 3.9. Sequence Diagram Pengaturan Nilai Atribut …….……… 45
Gambar 3.10. Sequence Diagram Perbandingan Bobot Nilai Atribut ..… 46
Gambar 3.11. Sequence Diagram Pengujian ………………………….… 47
Gambar 3.12. Class Diagram Sistem …………………………………… 48
Gambar 3.12. ERD Sistem ………………………………...............…… 51
Gambar 3.13. Rancangan Layar Menu Utama ......……………………… 52
Gambar 3.14. Rancangan Layar Data Kasus …………………………… 53
Gambar 3.15. Rancangan Layar Pengaturan Atribut …………………… 54
Gambar 3.16. Rancangan Layar Pengaturan Nilai Atribut ……...……… 55
Gambar 3.17. Rancangan Layar Perbandingan Bobot Nilai Atribut …… 56
Gambar 3.18. Rancangan Layar Pengujian Lokasi Baru …………..…… 57
Gambar 3.19. Bagan Alir Penghitungan Kedekatan …………………… 60
Gambar 4.1. Grafik Hasil Pretest dan Posttest Kecepatan …………… 68
Gambar 4.2. Grafik Hasil Pretest Kesesuaian Penentuan Lokasi...…… 69
Gambar 4.3. Grafik Hasil Posttest Kesesuaian Penentuan Lokasi .....… 70
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Perbandingan Bobot Nilai Atribut …………….........….. 78
Lampiran 2. Data Kasus.............………………….........…………….. 91
Lampiran 3. Kode Program...............................……………………… 115
Lampiran 4. Kuesioner Pretest dan Posttest...…………………….….. 130
Lampiran 5. Sampel Data Kasus.........……………………………….. 134
BAB 1
PENDAHULUAN
Hingga saat ini tercatat tidak kurang dari 900 perusahaan franchise dan
business opportunity (BO) yang menawarkan usahanya untuk dibeli oleh calon
pembeli franchise [2]. Makin banyak suatu pilihan franchise maka akan membuat
semakin rumit dalam menentukan pilihan yang bagus, mana yang tidak. Namun
dalam menentukan keputusan untuk kerjasama franchise harus jeli dan berhati-
hati jangan hanya tergiur dengan keuntungan besar di depan mata, jangan-jangan
bukan untung yang nanti didapat, tetapi buntung, rugi besar. Serta jangan terlalu
emosional dalam menyikapi peluang bisnis seperti franchise karena peluang
untung dan rugi sama besar, mungkin bisa untung, atau mungkin bisa rugi.
yang sudah ada kurang akurat karena dalam membandingkan data kasus baru
dengan data kasus yang dimiliki semuanya secara manual.
Bab I – Pendahuluan
Bab pendahuluan membahas tentang latar belakang masalah, rumusan masalah,
tujuan dan manfaat penelian.
BAB 2
LANDASAN TEORI DAN KERANGKA PEMIKIRAN
Dari beberapa definisi diatas ini dapat ditarik kesimpulan bahwa di Indonesia
dalam franchising [1]:
1. Ada ikatan hukum antara franchisor dan franchisee
2. Franchisor memiliki hak kekayaan intelektual atau penemuan atau ciri
khas usaha
3. Franchisor memberikan franchisee hak dan keistimewaan untuk
memanfaatkan dan/atau menggunakan hak kekayaan intelektual atau
penemuan atau ciri khas usaha milik franchisor
4. Franchisee wajib memenuhi persyaratan (termasuk pembayaran/ imbalan)
yang ditetapkan franchisor
5. Franchisor wajib menyediakan dukungan/konsultasi operasional yang
berkesinambungan untuk franchisee
Pada proses nomor empat (survey lokasi), pemilihan lokasi bisa dicarikan
oleh franchisor atau franchisee memiliki pilihan lokasi sendiri maka akan
dilakukan survey untuk kelayakan usaha. Dalam melakukan survey disiapkan
form survey lokasi sehingga surveyor dapat melakukan survey sesuai yang
diinginkan. Juga dibuat panduan dalam menganalisa hasil survey lokasi sehingga
dapat diambil kesimpulan yang tepat mengenai prospek suatu lokasi. Sebelum
dilakukan servey sebaiknya sudah memiliki beberapa alternatif lokasi untuk
dibandingkan dan dicari yang paling prospektif.
c. Pemilihan Lokasi
Pemilihan suatu lokasi merupakan proses yang cukup penting. Memang tidak
hanya faktor lokasi yang menjadi kunci sukses tapi jika lokasinya bagus sudah
hampir setengah jalan menuju sukses bisnis ini [5]. Setiap bidang bisnis memiliki
karakteristik lokasi yang berbeda-beda. Bisnis restoran berbeda dengan bisnis
pendidikan. Bisnis furnitur berbeda dengan bisnis apotik.
Tahapan selanjutnya yaitu analisis area (area trading analysis). Pada tahapan
analisis area dilakukan analisis terhadap area dari lokasi yang disurvey. Area dari
lokasi dibagi menjadi 3 area yaitu area primer, area sekunder dan area tersier.
Area primer meliputi area geografis suatu toko/outlet mendapat sekitar 60% dari
pelanggannya. Area sekunder meliputi area suatu toko/outlet mendapat sekitar
20% dari pelanggannya. Dan area tersier adalah area dimana pelanggan kadang
berbelanja di toko/outlet karena beberapa alasan tertentu, seperti karena suatu
toko/outlet merupakan satu-satunya yang menjual barang tertentu dan tidak ada
toko lain yang menjual barang sejenis. Dalam pelaksanaan penentuan area
dilakukan penjabaran dari manakah 60% pelanggan di lokasi yang akan dipilih,
dan dari manakah 20% pelanggan serta darimanakah pelanggan tersier yang
mungkin saja mampir ke toko karena beberapa alasan.
Tahapan selanjutnya yaitu analisis tempat (site analysis). Pada tahap ini
dilakukan nalisis yang terkait langsung dengan lokasi yang ingin disewa,
informasi yang dianalisis antara lain: berapa harga sewa, biaya kontruksi/renovasi,
faktor keamanan, kemungkinan mendapatkan tenaga kerja di lokasi tersebut, dll.
atau pusat perbelanjaan dan dekatnya jarak/waktu perjalanan dari para pelanggan
menuju toko atau pusat perbelanjaan tersebut.
8 Pola jalan
9 Kondisi jalan
10 Hambatan ke lokasi
11 Visibilitas
12 Parkir
13 Keramaian
14 Renovasi
15 Arus lalu lintas
16 Keamanan
17 Tenaga kerja
18 Bahan baku
19 Transportasi
20 Daya beli
21 Luas area
22 Usia penduduk
menjual produk
furniture
Komputer dan Waralaba yang
internet menjual produk dan
jasa komputer dan
internet
Hiburan dan Waralaba yang
Hobi menjual produk
hiburan dan hobi
Retail Waralaba yang
menjual produk
retail
Lainnya Waralaba yang
menjual
produk/jasa selain
kategori di atas
2 Tingkat perekonomian Size A1 Lebih 500 KK, Area 360º
rumah tipe 90/70, dalam radius
mobil 3000cc 1-5 km
Size A2 Lebih 500 KK,
rumah tipe 70/45,
mobil 2400cc
Size B Lebih dari 500 KK,
rumah tipe 60/36,
mobil 1500cc
Size C Kurang dari 500
KK, rumah tipe
60/36, mobil
1500cc
3 Tingkat persaingan Tinggi Lebih dari 10 Area 360º
Menengah Antara 5 – 10 dalam radius
Rendah Kurang dari 5 1-5 km, bisnis
yang sama
4 Ukuran populasi Tinggi Lebih dari 1000 Area 360º
KK dalam radius
Menengah Antara 500 – 1000 1-5 km
KK
Rendah Kurang dari 500
KK
5 Industri sekitar Tinggi Lebih dari 50 Area 360º
Menengah Antara 30 – 50 dalam radius
Rendah Kurang dari 30 1-5 km
6 Calon konsumen Primer Lebih dari 60% Area calon
Sekunder Antara 20% - 60% pelanggan
Tersier Kurang dari 10% yang
berbelanja
7 Posisi lokasi Pinggir jalan Lalu lintas ramai
besar
Pusat Dekat pasar, pusat
keramaian perbelanjaan, pusat
perkantoran, dan
lainnya
Lain-lain Selain pinggir jalan
besar dan pusat
keramaian
8 Pola jalan 1 arah Jalan hanya 1 arah
2 arah Jalan dengan 2 arah
9 Kondisi jalan Baik Jalan kondisi baik
dan tidak ada
kendala
Sedang Jalan kondisi baik
dan air dapat
menggenang
Rusak Jalan rusak
10 Hambatan ke lokasi Tinggi Jalan rusak,
transporasi sulit,
jauh dari
perumahan
pencurian, tidak
ada penjaga
keamanan di sekitar
lokasi
17 Tenaga kerja Sulit Sulit mencari
tenaga kerja, harus
dari luar wilayah
Mudah Mudah mencari
tenaga kerja, ada di
wilayah sekitar
18 Bahan baku Sulit Sulit mencari bahan
baku penunjang,
tidak ada di
wilayah sekitar
Mudah Mudah mencari
bahan baku
penunjang, ada di
wilayah sekitar
19 Transportasi Sulit Tidak ada angkutan
umum menuju
lokasi
Sedang Hanya 1 angkutan
umum menuju
lokasi
Mudah Lebih dari 2
angkutan umum
menuju lokasi
20 Daya beli Tinggi Sebagian besar usia Area 360º
produktif, sebagian dalam radius
besar bekerja, 1-5 km
konsumtif
Sedang Sebagian besar
bekerja, agak
konsumtif
2. Reuse
Yaitu proses penggunaan kembali kasus-kasus yang ada (kasus masa lalu)
yang digunakan untuk mencari solusi dari masalah baru (masalah sekarang).
Reuse suatu kasus dalam konteks kasus baru terfokus pada dua aspek yaitu:
perbedaan antara kasus yang ada dengan kasus yang baru dan bagian mana
dari retrieve case yang dapat digunakan pada kasus yang baru. Ada dua cara
yang digunakan untuk me-reuse kasus yang telah ada yaitu: reuse solusi dari
kasus yang telah ada (transformatial reuse) atau reuse metode kasus yang ada
untuk membuat solusi (derivational reuse)
3. Revise
Yaitu proses merubah dan mengadopsi solusi yang ditawarkan jika diperlukan.
Pada tahapan revise ini ada dua tugas utama yaitu:
a. Evaluasi Solusi
Evaluasi solusi yaitu bagaimana hasil yang didapatkan setelah
membandingkan solusi dengan keadaan yang sebenarnya. Pada tahap
evaluasi ini sering memerlukan waktu yang panjang tergantung dari
aplikasi apa yang sedang dikembangkan.
b. Memperbaiki Kesalahan
Perbaikan suatu kasus meliputi pengenalan kesalahan dari solusi yang
dibuat dan mengambil atau membuat penjelasan tentang kesalahan
tersebut.
4. Retain
Pada proses ini tetap menggunakan solusi yang terakhir sebagai bagian dari
kasus baru. Pada tahap ini terjadi suatu proses penggabungan dari solusi kasus
yang baru yang benar ke knowledge yang telah ada. Terdapat tiga tahapan
antara lain: extract, index dan integrate.
Pada gambar 2.1 skema proses CBR terlihat alur proses metodologi CBR
dalam menyelesaikan suatu permasalahan. Pada saat terjadi permasalahan baru,
pertama sistem akan melakukan proses retrieve. Proses retrieve akan melakukan
tiga langkah pemrosesan, yaitu identifikasi masalah, pencocokan, dan
penyeleksian masalah pada database. Setelah proses retrieve dilakukan, sistem
akan melakukan proses reuse. Dalam proses reuse, sistem akan menggunakan
informasi permasalahan sebelumnya yang memiliki kesamaan untuk
menyelesaikan permasalahan yang baru. Selanjutnya proses revise, informasi
tersebut akan dievaluasi, dan diperbaiki kembali untuk mengatasi kesalahan-
kesalahan yang terjadi pada permasalahan baru. Pada proses terakhir, sistem akan
melakukan proses retain. Proses retain akan mengindeks, mengintegrasi, dan
mengekstrak solusi yang baru. Selanjutnya, solusi baru itu akan disimpan ke
dalam knowledge-base untuk menyelesaikan permasalahan yang akan datang.
Tentunya, permasalahan yang akan diselesaikan adalah permasalahan yang
memiliki kesamaan.
Berikut ini merupakan 5 tugas utama pembentukan knowledge dalam CBR [10]:
1. Case Representation
Dalam Case Representation sebuah kasus dapat mewakili berbagai jenis
pengetahuan yang dapat disimpan dalam format representasional. Tujuan
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
37
yang ingin dicapai sistem CBR sangat dipengaruhi oleh apa yang disimpan.
Sistem CBR dapat diarahkan pada perencanaab atau penciptaan desain baru,
diagnosis dari masalah baru. Oleh karena itu dalam sistem CBR, kasus dapat
mewakili sesuatu yang berbeda. Sebagai contoh, kasus-kasus bisa mewakili
manusia, benda, situasi, diagnosis, desain, rencana, keputusan, dan
representasi yang lain. Dalam banyak aplikasi CBR, kasus-kasus biasanya
digambarkan sebagai dua terstruktur set nilai atribut pasangan yang mewakili
masalah dan solusi fitur.
CC 1500
Keterangan A/T
Solusi/Tujuan
HargaSewa 500 Ribu/Hari
2. Case Indexing
Case Indexing merupakan pemberian indeks suatu kasus untuk perbandingan
dan proses retrieval selanjutnya. Pilihan index adalah penting untuk proses
lanjutan yaitu retrieval. Hal ini karena kasus index akan menentukan konteks
yang digunakan. Ada beberapa saran untuk memilih index, index harus
diprediksi dan dipilih dengan cara yang tepat. Berarti index harus
mencerminkan ciri-ciri penting kasus dan atribut yang mempengaruhi hasil
dari kasus, dan menggambarkan keadaan suatu kasus. Ketika kasus diindeks
terlalu abstrak, kasus dapat mengambil terlalu banyak situasi atau terlalu
banyak pengolahan yang diperlukan untuk mencocokkan kasus. Dalam
menetapkan indeks masih merupakan proses manual dan bergantung pada
penggunanya.
Pada tabel 2.3 jika dapat ditentukan indexnya yaitu atribut yang memiliki ciri
penting kasus (misal : atribut Mobil). Maka kasus dapat diklasifikasikan dalam
2 kelas, yaitu kelas toyota avanza dan kelas grand livina. Jika ada data kasus
lain maka nanti akan dikelompokkan ke dalam kedua kelas tersebut tergantung
nilai atribut mobil.
3. Case Retrieval
Case Retrieval adalah proses menemukan, dalam kasus dasar, kasus- kasus
yang merupakan paling dekat dengan kasus saat ini. Menetapkan fungsi
kemiripan yang tepat, dan mengambil kasus-kasus yang mirip dengan kasus
yang sekarang. Untuk melakukan pencarian kasus yang efektif, harus ada
pilihan kriteria yang menentukan bagaimana suatu kasus dinilai cocok untuk
diambil dan sebuah mekanisme untuk mengontrol bagaimana kasus dasar
tersebut dicari. Kriteria seleksi diperlukan untuk menentukan kasus yang
terbaik untuk mengambil, dengan menentukan seberapa dekat kasus saat ini
dengan kasus-kasus disimpan.
Metode Retrieval ada beberapa macam, mulai dari penggunaan simple nearest
neighbor sampai agen cerdas. Retrieval adalah wilayah penelitian utama
dalam CBR. Adapun tekniknya diantaranya, nearest neighbor, pohon
keputusan, dan turunannya. Teknik-teknik ini melibatkan pengembangan
kesamaan metrik yang memungkinkan kedekatan (similarity) di antara kasus-
kasus yang akan diukur.
Misal diberikan kasus (Grand Livina, 2008, 1500cc, A/T, ø), kita ingin
mengetahui harga sewanya. Maka pada case retrieval akan melakukan proses
pencarian harga sewa dengan mencari kasus yang terdekat dengan kasus baru.
4. Case Adaptation
Case Adaptation adalah proses transformasi solusi diambil menjadi solusi
cocok untuk kasus saat ini. Telah dikemukakan bahwa adaptasi merupakan
langkah penting dalam proses CBR karena menentukan pola kesamaan.
Sejumlah pendekatan yang dapat diambil untuk melakukan adaptasi kasus.
Case retrieval dapat digunakan sebagai solusi untuk masalah sekarang tanpa
modifikasi, atau dengan modifikasi dimana solusi tidak sepenuhnya sesuai
dengan situasi saat ini. Melakukan adaptasi yang cocok untuk mendapatkan
solusi yang tepat untuk kasus query. Dari satu kasus telah diambil, solusi
dapat diperoleh dari beberapa kasus atau, sebaliknya, beberapa solusi alternatif
dapat disajikan. Setelah adaptasi telah selesai, maka diharapkan untuk
memeriksa bahwa solusi yang diadaptasi dipertimbangkan perbedaan antara
kasus diambil dan masalah saat ini .
5. Case-Base Maintenance
Ketika CBR digunakan untuk pemecahan masalah, selalu ada trade-off antara
jumlah kasus yang disimpan dalam database dan efisiensi atau menjaga
konsistensi di antara kasus, seperti terjadinya kasus redundant. Semakin besar
kasus dalam database, maka akan menurunkan kinerja sistem jika jumlah
kasus tumbuh tinggi. Maka pada tahap ini akan menghilangkan atau
menghapus kasus-kasus yang sama. Ide utama CBR Maintenance adalah
untuk mengembangkan beberapa tindakan seperti kompetensi, yang
merupakan berbagai masalah dalam sistem CBR dapat dipecahkan.
Ilustrasi pada gambar 2.2 diatas ada pasien baru dan 4 pasien lama (A, B, C,
dan D). Ketika ada pasien baru maka yang diambil solusi adalah solusi dari kasus
pasien lama yang memikili kedekatan terbesar. Misal j1 adalah jarak antara pasien
baru dengan pasien A, j2 adalah jarak antara pasien baru dengan pasien B, j3
adalah jarak antara pasien baru dengan pasien C, j4 adalah jarak antara pasien
baru dengan pasien D. Dari ilustrasi gambar terlihat bahwa j1 yang paling terdekat
dengan kasus baru. Dengan demikian maka solusi dari kasus pasien A yang akan
digunakan sebagai solusi dari pasien baru tersebut.
Keterangan :
p = Kasus baru
q = Kasus yang ada dalam penyimpanan
n = Jumlah atribut dalam tiap kasus
i = Atribut individu antara 1 sampai dengan n
f = Fungsi similarity atribut i antara kasus p dan kasus q
Nilai kedekatan berada antara 0 sampai dengan 1. Nilai 0 artinya kedua kasus
mutlak tidak mirip atau tidak sama, sebaliknya untuk nilai 1 kedua kasus mutlak
mirip atau sama.
Berikut ini adalah data kasus yang penulis ambil dari bimbingan konseling
(BK) SMK Sandikta. Data yang penulis sajikan hanya beberapa atribut serta 3
kasus saja karena hanya sebagai contoh dalam pemahaman kedekatan kasus.
Atribut dalam kasus berikut adalah atribut jenis kelamin, anak ke-, orang tua,
serta keterangan. Atribut keterangan adalah atribut yang dijadikan tujuan dalam
kedekatan antar kasus. Kasus pertama yaitu jika siswa seorang laki-laki, anak
pertama dan tinggal bersama bapak (bercerai) maka siswa tersebut bermasalah
dalam pembelajaran. Kasus kedua jika siswa seorang perempuan, anak kedua dan
diasuh bapak dan ibu maka siswa tersebut tidak bermasalah. Kasus ketiga jika
siswa seorang laki-laki, anak kedua dan diasuh bapak dan ibu maka siswa tersebut
akan bermasalah dalam pembelajaran. Berikut data kasus siswa disajikan pada
tabel 2.7.
Tabel 2.7. Kasus Siswa
No Jenis Kelamin Anak ke- Orang Tua Keterangan
1 Laki-Laki Pertama Bapak Bermasalah
2 Perempuan Kedua Bapak & Ibu Tidak Bermasalah
3 Laki-Laki Kedua Bapak & Ibu Bermasalah
Berikut contoh mengukur kedekatan kasus baru: jika ada calon siswa dengan
atribut laki-laki, anak kedua dan diasuh oleh bapak (cerai), apakah siswa ini
nantinya akan bermasalah dalam pembelajaran.
Untuk memprediksi apakah siswa baru tersebut bermasalah atau tidak, maka
dilakukan perhitungan kedekatan antara kasus baru dibandingkan dengan data
kasus lama. Perhitungan kedekatan dilakukan dengan rumus di atas.
1. Kedekatan kasus baru dengan kasus nomor 1
A : Kedekatan bobot atribut jenis kelamin (laki-laki dengan laki-laki) = 1
B : Bobot atribut jenis kelamin = 0.5
C : Kedekatan bobot anak ke (anak kedua dengan anak pertama) = 0.5
D : Bobot atribut anak ke = 0.8
E : Kedekatan bobot orang tua (diasuh bapak dengan bapak) = 1
F : Bobot atribut orang tua = 1
Perhitungan :
Similarity = ((A*B) + (C*D) + (E*F)) / (B+D+F)
= ((1*0.5) + (0.5*0.8) + (1*1)) / (0.5+0.8+1)
= 1.9 / 2.3
= 0.83
Perhitungan :
Similarity = ((A*B) + (C*D) + (E*F)) / (B+D+F)
= ((1*0.5) + (1*0.8) + (0.5*1)) / (0.5+0.8+1)
= 1.8 / 2.3
= 0.78
Adapun klien dari MBC diantaranya : Bakmi Gila, Nasi Uduk Gondangdia,
Lebanese Kebab. Para pendiri MBC juga telah menerbitkan beberapa buku yang
berdedikasi pada industri franchise di Indonesia. Buku karyanya telah diedarkan
di Gramedia dan beberapa toko buku lainnya.
Secara lebih spesifik, sistem yang menerapkan CBR dan algoritma nearest
neigbor untuk penentuan lokasi waralaba yang prospektif ini melakukan
komputasi terhadap beberapa atribut hasil survey lokasi. Dengan sistem ini proses
penentuan lokasi waralaba dapat dilakukan lebih cepat dan akurat.
BAB 3
METODE PENELITIAN
b. Data Sekunder
Merupakan data yang diperoleh secara tidak langsung, misalnya dari
dokumentasi, literatur, buku, jurnal, dan informasi lainnya yang ada
hubungannya dengan masalah yang diteliti. Data kasus terdapat pada
lampiran 2.
2. Sampel Penelitian
Sampel dari penelitian ini adalah data kasus waralaba yang diperoleh dari
konsultan MBC yang diambil sampelnya secara acak.
Dengan penentuan bobot atribut dan nilai atribut kemudian dapat dilakukan
penghitungan dengan rumus untuk kedekatan atau similarity. Data kasus dengan
kedekatan terbesar menjadi solusi untuk kasus baru. Berikut proses perhitungan
kedekatan/similarity:
𝑛
𝑖=1 𝑓 𝑝𝑖, 𝑞𝑖 𝑋 𝑤𝑖
Similarity (p, q) =
𝑤𝑖
Keterangan :
p = Kasus baru
q = Kasus yang ada dalam penyimpanan
n = Jumlah atribut dalam tiap kasus
i = Atribut individu antara 1 sampai dengan n
f = Fungsi similarity atribut i antara kasus p dan kasus q
w = Bobot yang diberikan pada atribut ke-i
Keterangan:
B1 = Bobot nilai atribut “kategori” perbandingan kasus baru dan kasus lama
B2 = Bobot nilai atribut “tingkat perekonomian” perbandingan kasus baru dan kasus lama
B3 = Bobot nilai atribut “tingkat persaingan” perbandingan kasus baru dan kasus lama
B4 = Bobot nilai atribut “ukuran populasi” perbandingan kasus baru dan kasus lama
B5 = Bobot nilai atribut “Industri sekitar” perbandingan kasus baru dan kasus lama
B6 = Bobot nilai atribut “calon konsumen” perbandingan kasus baru dan kasus lama
B7 = Bobot nilai atribut “posisi lokasi” perbandingan kasus baru dan kasus lama
B8 = Bobot nilai atribut “pola jalan” perbandingan kasus baru dan kasus lama
B9 = Bobot nilai atribut “kondisi jalan” perbandingan kasus baru dan kasus lama
B10 = Bobot nilai atribut “hambatan ke lokasi” perbandingan kasus baru dan kasus lama
B11 = Bobot nilai atribut “visibilitas” perbandingan kasus baru dan kasus lama
B12 = Bobot nilai atribut “parkir” perbandingan kasus baru dan kasus lama
B13 = Bobot nilai atribut “keramaian” perbandingan kasus baru dan kasus lama
B14 = Bobot nilai atribut “renovasi” perbandingan kasus baru dan kasus lama
B15 = Bobot nilai atribut “arus lalu lintas” perbandingan kasus baru dan kasus lama
B16 = Bobot nilai atribut “keamanan” perbandingan kasus baru dan kasus lama
B17 = Bobot nilai atribut “tenaga kerja” perbandingan kasus baru dan kasus lama
B18 = Bobot nilai atribut “bahan baku” perbandingan kasus baru dan kasus lama
B19 = Bobot nilai atribut “transportasi” perbandingan kasus baru dan kasus lama
B20 = Bobot nilai atribut “daya beli” perbandingan kasus baru dan kasus lama
B21 = Bobot nilai atribut “luas area” perbandingan kasus baru dan kasus lama
B22 = Bobot nilai atribut “usia penduduk” perbandingan kasus baru dan kasus lama
Sitem yang akan dibuat diharapkan dapat meningkatkan kecepatan dan keakuratan
dalam penentuan lokasi waralaba.
basis data Interbase 6.5. Spesifikasi tersebut adalah spesifikasi minimal yang
disarankan dan jika lebih tinggi semakin baik.
Pendesainan objek, kelas dan proses pembuatan sistem ini dituangkan dalam
bentuk diagram. Diagram-diagram yang digunakan diantaranya use case diagram,
activity diagram, class diagram, sequence diagram. Adapun penjelasan lebih
lanjut sebagai berikut :
a. Use Case Diagram
Gambar dibawah ini menjelaskan proses konteks mengenai sistem. Setiap
pengguna dapat mengakses fitur-fitur yang telah disediakan. Yakni pengguna
dapat menambah data kasus, mengatur atribut, mengatur nilai atribut,
membandingkan bobot nilai atribut dan menguji kasus baru.
uc Sistem
Menambah Data
Kasus
Mengatur Atribut
Membandingkan
Bobot Nilai Atribut
b. Activity Diagram
Diagram aktifitas dibawah ini menjelaskan urutan-urutan aktifitas untuk
mengakses sistem, mulai dari menjalankan aplikasi serta menjalankan beberapa
fitur sistem yang meliputi: menambah data kasus, mengatur atribut, mengatur nilai
atribut, membandingkan bobot nilai atribut dan menguji kasus baru.
1. Activity Diagram Menambah Data Kasus
act Menambah Data Kasus
Mulai
Selesai
Mulai
pengaturan atribut
tampilkan hasil
pengaturan atribut
Selesai
Mulai
pilih atribut
Selesai
Mulai
pilih atribut
tampilkan hasil
perbandingan nilai atribut
Selesai
Mulai
Selesai
c. Sequence Diagram
Diagram dibawah ini menjelaskan urutan-urutan proses untuk mengakses
sistem. Mulai dari menjalankan aplikasi serta menjalankan beberapa fitur sistem
yang meliputi: menambah data kasus, mengatur atribut, mengatur nilai atribut,
membandingkan bobot nilai atribut dan menguji kasus baru.
1. Sequence Diagram Penambahan Data Kasus
tambah()
tambah()
simpan()
tambah()
tambah()
Verifikasi atribut
simpan()
PilihAtribut()
getnamaatribut
tambah()
tambah()
PilihAtribut()
getnamaatribut
nilai()
nilai()
Verifikasi bobot
simpan()
pilihNilaiAtribut()
getnilaiatribut
hitungNilai()
Hitung kedekatan
Simpan kedekatan
Hasil pengujian
d. Class Diagram
Diagram dibawah ini menggambarkan tentang adanya keterhubungan dari
masing-masing entiti (entity) :
TForm
MenuUtama
+ DataKasus: TMenuItem
+ PengaturanNilai: TMenuItem
+ PengaturanNilaiAtribut: TMenuItem
+ Pengujian: TMenuItem
+ PerbandinganNilaiAtribut: TMenuItem
+ Pilih()
TForm
TForm TFrmPengaturanAtribut
DataKasus
- atribut_aktif: String
- alamat: String - atribut_tujuan: String
- bahan_baku: String - bobot: Numeric
- bisnis_sekitar: String - nama_atribut: String
- dayabeli: String
- hambatan_jalan: String + simpan()
- id_kasus: Integer + tambah()
- investasi: String
- kategori: String
- keamanan: String
- keramaian: String
- kondisi_jalan: String TForm
- konsumen: String TFrmPerbandinganNilaiAtribut
- lalulintas: String
- bobot: Numeric
- luas_area: String
- parkir: String - nama_atribut: TComboBox
- perekomonian: String
- persaingan: String + nilai()
- pola_jalan: String + pilihAtribut()
TForm + simpan()
- populasi: String
- posisi: String TFrmPenguj ian
- prospek: String
+ BPilih: TBitBtn TForm
- renovasi: String
- tenaga_kerja: String + LKeterangan: TLabel TFrmPengaturanNilaiAtribut
- transportasi: String - LKeterangan1: TLabel
+ LVKasusBaru: TListView - nama_atribut: TComboBox
- usia_penduduk: String
+ LVKasusLama: TListView - nilai_atribut: String
- visibilitas: String
- waralaba: String + NilaiAtribut: TComboBox
+ pilihAtribut()
+ HitungNilai() + simpan()
+ simpan()
+ pilihNilaiAtribut() + tambah()
+ tambah()
Persaingan VARCHAR(30)
Populasi VARCHAR(30)
Bisnis_sekitar VARCHAR(30)
Konsumen VARCHAR(30)
Posisi VARCHAR(30)
Pola_jalan VARCHAR(30)
Kondisi_jalan VARCHAR(30)
Hambatan_jalan VARCHAR(30)
Visibilitas VARCHAR(30)
Lalulintas VARCHAR(30)
Parkir VARCHAR(30)
Keamanan VARCHAR(30)
Renovasi VARCHAR(30)
Keramaian VARCHAR(30)
Tenaga_kerja VARCHAR(30)
Bahan_baku VARCHAR(30)
Transportasi VARCHAR(30)
Dayabeli VARCHAR(30)
Luas_area VARCHAR(30)
Usia_penduduk VARCHAR(30)
Prospek VARCHAR(30)
c. Uji Normalisasi
Normalisasi merupakan teknik analisis data yang mengorganisasikan
atribut-atribut data dengan cara mengelompokkan sehingga terbentuk
entitas yang non-redundant, stabil, dan fleksibel. Normalisasi untuk
menguji suatu relasi secara berkelanjutan untuk menentukan apakah
relasi itu sudah baik, yaitu dapat dilakukan proses insert, update,
delete, dan modifikasi pada satu atau beberapa atribut tanpa
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
66
3.3.2.3.User Interface
Keberhasilan implementasi sistem ini juga didukung oleh user interface
yang baik. Semakin baik user interface yang disajikan, kenyamanan dan
kemudahan dalam menggunakan sistem akan dirasakan. Berikut adalah rancangan
user interface yang terdapat pada sistem.
a. Rancangan Layar Menu Utama
Pada tampilan layar menu utama ini pengguna dapat memilih beberapa
tampilan menu, diantaranya menu file, menu pengolahan data, dan menu
bantuan. Pada pilihan menu ada pilihan sub menu, yaitu menu file berisi sub
menu informasi aplikasi dan keluar, menu pengolahan data terdiri sub menu
data kasus, pengaturan atribut, pengaturan nilai atribut, perbandingan bobot
nilai atribut dan pada menu bantuan terdapat sub menu petunjuk penggunaan.
pengeditan data kasus pada tombol navigasi. Untuk keluar dari menu data
kasus pengguna dapat menekan tombol keluar.
Selanjutnya akan dibahas secara singkat beberapa script fungsi penting dalam
game, antara lain:
a. Penghitungan Kedekatan
Script untuk melakukan perhitungan kedekatan kasus adalah sebagai berikut:
with DataModul.Query2 do
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
72
begin
kedekatan := 0;
for i := 0 to jml_atribut-1 do
begin
Close;
SQL.Text := ' select bobot '+' from perbandingan '+' where nama_atribut = :nama
'+' and nilai_kasus_lama = :lama '+' and nilai_kasus_baru = :baru ';
ParamByName('nama').AsString := atribut[i];
ParamByName('lama').AsString :=
DataModul.Query1.Fieldbyname(atribut[i]).AsString;
ParamByName('baru').AsString := LVKasusBaru.Items[i].SubItems[1];
Open;
kedekatan := kedekatan + Fields[0].AsFloat * StrToFloat(bobot_atribut[i]);
end;
kedekatan := kedekatan / total_bobot;
Close;
SQL.Text := 'update kasus set kedekatan = :kedekatan '+' where id_kasus = :id ';
ParamByName('kedekatan').AsFloat := kedekatan;
ParamByName('id').AsInteger :=
DataModul.Query1.FieldbyName('id_kasus').AsInteger;
ExecSQL;
DataModul.Transaksi.CommitRetaining;
Close;
SQL.Text := 'select * from kasus '+' where kedekatan = (select max(kedekatan)
from kasus) ';
Open;
ParamByName('atribut').AsString := CAtribut.Text;
ParamByName('bobotNilai').AsString := DataModul.Query1.Fields[0].AsString;
Open;
while not eof do
begin
SGPerbandinganNAtribut.Cells[kolom, baris] := Fields[0].AsString;
inc(kolom);
Next;
end;
end;
Inc(baris);
Next;
c. Jika pencarian nilai kedekatan terbesar tidak ada atau kedekatan dan i = 0
maka akan dicek jumlah atribut apakah kurang dari i. Jika benar maka
akan dilakukan penambahan atribut.
Mulai
1. Atribut : Daftar atribut yang bukan atribut tujuan/solusi pada tabel atribut
2. Bobot_Atribut : Daftar bobot atribut bukan atribut tujuan/solusi pada tabel atribut
3. Jml_atribut : Jumlah atribut yang bukan atribut tujuan/solusi pada tabel atribut
4. Total_bobot : Jumlah bobot atribut bukan atribut tujuan/solusi pada tabel atribut
5. Query1 : Cari kasus dari tabel kasus
Tidak
Tampilkan
Kedekatan := 0
kasus dan Nilai
I := 0
Kedekatan
Selesai
1. Kedekatan := Kedekatan/Total_bobot
Tidak I < jml_atribut
2. Query1.Next
Ya
1. Query2 : Cari bobot dari tabel perbandingan yang nama_atribut = atribut[i] dan
kasus_lama = Query1.Field(atribut[i]) dan kasus_baru= input dari pengguna
2. Kedekatan := Kedekatan + Query2.Field[bobot] * bobot_atribut[1]
3. Inc(1)
with DataModul.Query2 do
begin
kedekatan := 0;
for i := 0 to jml_atribut-1 do
begin
Close;
SQL.Text := ' select bobot '+' from perbandingan '+' where nama_atribut = :nama '+' and
kasus_lama = :lama '+' and kasus_baru = :baru ';
ParamByName('nama').AsString := atribut[i];
ParamByName('lama').AsString := DataModul.Query1.Fieldbyname(atribut[i]).AsString;
ParamByName('baru').AsString := LVKasusBaru.Items[i].SubItems[1];
Open;
//simpan kedekatan
Close;
SQL.Text := 'update kasus set kedekatan = :kedekatan '+' where id_kasus = :id ';
ParamByName('kedekatan').AsFloat := kedekatan;
ParamByName('id').AsInteger := DataModul.Query1.FieldbyName('id_kasus').AsInteger;
ExecSQL;
end;
Next;
end;
//tampilkan kedekatan terbesar dan hasilnya
DataModul.Transaksi.CommitRetaining;
Close;
SQL.Text := 'select * from kasus '+' where kedekatan = (select max(kedekatan) from kasus) ';
Open;
for i := 0 to jml_atribut-1 do
begin
daftar := LVKasusLama.Items.Add;
Caption := atribut[i];
if UpperCase(atribut[i]) = 'Kategori' then
begin
if FieldByName(atribut[i]).AsString = '1' then SubItems.Add('makanan')
end else SubItems.Add(FieldByName(atribut[i]).AsString);
end;
LKeterangan.Caption := Fieldbyname('prospek').AsString +
' , ( nilai kedekatan: ' + FormatFloat('0.00', fieldByName('kedekatan').asfloat)+')';
LKeterangan2.Caption := 'Sesuai data kasus nomor = ' + fieldByName('id_kasus').AsString;
BPilih.Caption := 'Kosongkan';
BPilih.Enabled := true;
Dari hasil pengujian dapat disimpulkan untuk pengujian white box yang
meliputi check syntax yang diujikan tidak ditemukan adanya error.
Dari hasil pengujian dapat disimpulkan untuk pengujian black box yang
meliputi kondisi yang diujikan, keluaran yang diharapkan dan keluaran yang
diperoleh telah terpenuhi dengan hasil sesuai dengan rancangan.
BAB 4
HASIL PENELITIAN DAN PEMBAHASAN
4.1.2 Waktu
Pelaksanaan implementasi terhadap sistem yang menerapkan CBR dan
algoritma nearest neighbor untuk penentuan lokasi waralaba yang prospektif
dilaksanakan di konsultan MBC pada hari sabtu, 3 April 2010.
Dari ke-20 sampel tersebut akan diuji coba dengan sistem yang menerapkan
CBR dan algoritma nearest neighbor untuk mengukur kecepatan dan keakuratan
dalam memberikan solusi penentuan lokasi. Sebagai pembandingnya ke-20
sampel tersebut juga akan diujikan secara manual kepada konsultan MBC untuk
mencari prospeknya.
dan posttest disajikan dalam dua tabel yaitu pretest dan postest untuk pengukuran
kecepatan dalam penentuan lokasi pada tabel 4.1, pretest dan posttest untuk
pengukuran keakuratan dalam perbandingan kasus pada tabel 4.2.
CBR dan algoritma nearest neighbor untuk penentuan lokasi waralaba seperti
pada gambar 4.1.
10 10 Sesuai Sesuai
11 11 Sesuai Tidak Sesuai
12 12 Tidak Sesuai Sesuai
13 13 Tidak Sesuai Sesuai
14 14 Sesuai Sesuai
15 15 Tidak Sesuai Sesuai
16 16 Sesuai Sesuai
17 17 Sesuai Sesuai
18 18 Tidak Sesuai Sesuai
19 19 Sesuai Sesuai
20 20 Sesuai Sesuai
Rata-rata
70% 95%
Kesesuaian
Dari grafik di atas, terlihat bahwa terjadi perbedaan keakuratan sebelum dan
setelah penggunaan sistem.
diterima. Untuk itu perlu diketahui beberapa variabel yang menjadi parameter
perhitungan pada t-test sebagai berikut:
Derajat kebebasan (df), yaitu suatu angka yang
menjelaskan sekumpulan skor sampel yang bebas dari kesalahan.
Nilai df diperoleh dari jumlah sampel‐1. Jadi dalam hal ini, nilai
df=19 karena jumlah sampel adalah 20.
berikut:
Sx = Sd /
𝐧
t = X- 𝛍 / Sx
Tabel 4.3 Hasil Uji Kecepatan t-test: Paired Two Sample for Means
t-Test: Paired Two Sample for Means
Pretest Posttest
Mean 17,95 1,15
Variance 50,57631579 0,134210526
Observations 20 20
Pearson Correlation 0,689874706
Hypothesized Mean Difference 0
df 19
t Stat 10,94563705
P(T<=t) one-tail 6,02299E-10
t Critical one-tail 1,729132792
P(T<=t) two-tail 1,2046E-09
t Critical two-tail 2,09302405
Dari tabel 4.3 tersebut dapat dilihat bahwa t tabel (t critical one-tail) bernilai
1,729132792 sedangkan t hitung (t Stat) bernilai 10,62833076. Terlihat
perbedaan signifikan, berarti terdapat perbedaan kecepatan yang signifikan
antara sebelum dan sesudah penerapan sistem. Berarti penerapan sistem
membawa efek positif. Dengan melihat nilai probabilitas, P-value adalah
6,02299E-10 lebih kecil dari 0,05 berarti Ho ditolak atau penerapan sistem
meningkatkan kecepatan dalam proses penentuan lokasi waralaba.
Tabel 4.4 Hasil Uji Keakuratan t-test: Paired Two Sample for Means
Dari tabel 4.4 tersebut dapat dilihat bahwa t tabel (t critical one-tail) bernilai
1,729132792 sedangkan t hitung (t Stat) bernilai -2,516611478. Terlihat
perbedaan, berarti terdapat perbedaan kecepatan antara sebelum dan sesudah
penerapan sistem. Dengan melihat nilai probabilitas, P-value adalah 0,010495752
lebih kecil dari 0,05 berarti Ho ditolak atau penerapan sistem meningkatkan
keakuratan dalam proses penentuan lokasi waralaba.
17,95 menit setiap kasus sedangkan dengan menggunakan sistem rata-rata waktu
yang dibutuhkan adalah 1,15 menit. Perbandingan hasil pretest dan posttest
pengukuran keakuratan dalam penentuan lokasi waralaba terhadap 20 sampel
adalah keakuratan hasil yang dilakukan secara manual memiliki tingkat
keakuratan 70% sedangkan dengan menggunakan sistem yang menerapkan CBR
dan algoritma nearest neighbor tingkat keakuratannya mencapai 95%. Dengan
hasil pretest dan posttest tersebut disimpulkan bahwa terjadi peningkatan
kecepatan dan keakuratan setelah menggunakan sistem penentuan lokasi waralaba
yang menerapkan CBR dan algoritma nearest neighbor.
BAB 5
PENUTUP
5.1. Kesimpulan
Dari hasil penelitian yang dilakukan dari tahap awal hingga pengujian
penerapan CBR dan algoritma nearest neighbor untuk proses penentuan lokasi
waralaba, didapatkan kesimpulan bahwa proses penentuan lokasi waralaba
menjadi lebih cepat dan akurat. Hal ini dibuktikan dengan analisis hasil penelitian
yang sebelumnya rata-rata waktu yang dibutuhkan adalah 17,95 menit setiap
kasus sedangkan dengan menggunakan sistem rata-rata waktu yang dibutuhkan
adalah 1,15 menit dan keakuratan hasil rata-rata sebelum menggunakan sistem
adalah 70% sedangkan dengan setelah menggunakan sistem meningkat tingkat
keakuratannya mencapai 90%.
5.1 Saran
Berdasarkan hasil penelitian, penerapan sistem ini dapat membawa efek
positif dalam proses penentuan lokasi waralaba, namun terdapat beberapa hal
yang perlu penulis sarankan bagi pengembangan sistem ini antara lain:
1. Pengembangan tahap CBR pada penelitian ini hanya sampai tahap retrieval,
untuk penelitian selanjutnya mungkin dapat dilanjutkan dengan tahap CBR yang
lainnya.
2. Sistem ini dapat dikembangkan yang berbasis web sehingga dapat digunakan
dalam penentuan lokasi waralaba oleh siapa saja.
3. Pendekatan dalam sistem ini mungkin dapat digunakan sebagai solusi dalam
penentuan lokasi waralaba dengan metode konsultan franchise lainnya.
4. Sistem ini akan menghasilkan hasil yang optimal jika makin banyak data kasus.
DAFTAR REFERENSI
[1] IFBM. (2007). Franchise Manual From Small Drops to Profit. Jakarta:
IFBM
[2] Ramdhan E. Hendry. (2010). Jitu Membeli Franchise. Jakarta: Penebar Plus
[3] Peraturan Pemerintah Republik Indonesia No. 42 tahun 2007
[4] Peraturan Menteri Perdagangan Republik Indonesia nomor 12/M-
DAG/PER/3/2006
[5] Ramdhan E. Hendry. (2009). Franchise untuk Orang Awam. Jakarta:
Gramedia Pustaka Utama
[6] Kusrini & Luthfi Emha T. (2009). Algoritma Data Mining. Jakarta: Penerbit
Andi
[7] Zentes Joachim, Morschett Dirk, & Schramm Hanna. (2007). Strategic
Retail Management. Wilhelm&Adam-Heusenstamm
[8] Armengol, E., Onta, S., & Plaza, E. Explaining similarity in CBR Eva
Armengol, Artificial Intelligence Research Institute (IIIA-CSIC). Campus
UAB, 08193 Bellaterra, Catalonia.
[9] Aamodt A., & Plaza E. Case-Based Reasoning: Foundational Issues,
Methodological Variations, and System Approaches, AICom - Artificial
Intelligence Communications. IOS Press, Vol. 7: 1, pp. 39-59.1994
[10] K. Pal Sankar, & C.K. Shiu Simon. (2004). Foundation of Soft Case-Based
Resoning. John Willey&Sons Publication
[11] Pressman, Roger S. (2001). Software Engineering A Practitioner’s
Approach. New York-McGraw-Hill
[12] Brenna O'roarty, Alastair Adair, Stanley Mcgreal, & David Patterson.
(1996). Determining Retail Rents Through Case-Based Reasoning. RICS
[13] Pachara Pacharavanich, Nitaya Wongpinunwatan, & Peter Rossini. (2000).
The Development of A Case-Based Reasoning System as A Tool for
Residential Valution in Bangkok. Pacific-Rim Real Estate Society (PRRES)
[14] Yip Angela Y.N. (2003). A Hybrid Case-Based Reasoning Approach to
Business Failure Prediction. IOS Press
Minuman Lainnya 0
Kesehatan Makanan 0
Kesehatan Minuman 0
Kesehatan Kesehatan 1
Kesehatan Kecantikan 0,2
Kesehatan Anak 0
Kesehatan Pakaian 0
Kesehatan Laundry dan jasa 0
Kesehatan Otomotif 0
Kesehatan Penginapan 0
Kesehatan Travel 0
Kesehatan Furniture 0
Kesehatan Komputer dan 0
internet
Kesehatan Hiburan dan hobi 0
Kesehatan Retail 0
Kesehatan Lainnya 0
Kecantikan Makanan 0
Kecantikan Minuman 0
Kecantikan Kesehatan 0,2
Kecantikan Kecantikan 1
Kecantikan Anak 0
Kecantikan Pakaian 0
Kecantikan Laundry dan jasa 0
Kecantikan Otomotif 0
Kecantikan Penginapan 0
Kecantikan Travel 0
Kecantikan Furniture 0
Kecantikan Komputer dan 0
internet
Kecantikan Hiburan dan hobi 0
Kecantikan Retail 0
Anak Lainnya 0
Anak Makanan 0
Anak Minuman 0
Anak Kesehatan 0
Anak Kecantikan 0
Anak Anak 1
Anak Pakaian 0
Anak Laundry dan jasa 0
Anak Otomotif 0
Anak Penginapan 0
Anak Travel 0
Anak Furniture 0
Anak Komputer dan 0
internet
Anak Hiburan dan hobi 0
Anak Retail 0
Anak Lainnya 0
Pakaian Makanan 0
Pakaian Minuman 0
Pakaian Kesehatan 0
Pakaian Kecantikan 0
Pakaian Anak 0
Pakaian Pakaian 1
Pakaian Laundry dan jasa 0
Pakaian Otomotif 0
Pakaian Penginapan 0
Pakaian Travel 0
Pakaian Furniture 0
Pakaian Komputer dan 0
internet
Pakaian Hiburan dan hobi 0
Pakaian Retail 0,2
Pakaian Lainnya 0
Laundry dan jasa Makanan 0
Laundry dan jasa Minuman 0
Laundry dan jasa Kesehatan 0
Penginapan Pakaian 0
Penginapan Laundry dan jasa 0
Penginapan Otomotif 0
Penginapan Penginapan 1
Penginapan Travel 0
Penginapan Furniture 0
Penginapan Komputer dan 0
internet
Penginapan Hiburan dan hobi 0
Penginapan Retail 0
Penginapan Lainnya 0
Travel Makanan 0
Travel Minuman 0
Travel Kesehatan 0
Travel Kecantikan 0
Travel Anak 0
Travel Pakaian 0
Travel Laundry dan jasa 0
Travel Otomotif 0
Travel Penginapan 0
Travel Travel 1
Travel Furniture 0
Travel Komputer dan 0
internet
Travel Hiburan dan hobi 0
Travel Retail 0
Travel Lainnya 0
Furniture Makanan 0
Furniture Minuman 0
Furniture Kesehatan 0
Furniture Kecantikan 0
Furniture Anak 0
Furniture Pakaian 0
Furniture Laundry dan jasa 0
Furniture Otomotif 0
Furniture Penginapan 0
Furniture Travel
Furniture Furniture 0
Furniture Komputer dan 0
internet
Furniture Hiburan dan hobi 0
Furniture Retail 0
Furniture Lainnya 0
Furniture Makanan 0
Furniture Minuman 0
Furniture Kesehatan 0
Furniture Kecantikan 0
Furniture Anak 0
Furniture Pakaian 0
Furniture Laundry dan jasa 0
Furniture Otomotif 0
Furniture Penginapan 0
Furniture Travel 0
Furniture Furniture 1
Furniture Komputer dan 0
internet
Furniture Hiburan dan hobi 0
Furniture Retail 0
Furniture Lainnya 0
Komputer dan Makanan 0
internet
Komputer dan Minuman 0
internet
Komputer dan Kesehatan 0
internet
Komputer dan Kecantikan 0
internet
Komputer dan Anak 0
internet
Komputer dan Pakaian 0
internet
Komputer dan Laundry dan jasa 0
internet
Komputer dan Otomotif 0
internet
Komputer dan Penginapan 0
internet
Komputer dan Travel 0
internet
Komputer dan Furniture 0
internet
Komputer dan Komputer dan 1
internet internet
Komputer dan Hiburan dan hobi 0
internet
Komputer dan Retail 0
internet
Komputer dan Lainnya 0
internet
Hiburan dan hobi Makanan 0
Hiburan dan hobi Minuman 0
Hiburan dan hobi Kesehatan 0
Hiburan dan hobi Kecantikan 0
Hiburan dan hobi Anak 0
Hiburan dan hobi Pakaian 0
Hiburan dan hobi Laundry dan jasa 0
Hiburan dan hobi Otomotif 0
Hiburan dan hobi Penginapan 0
Hiburan dan hobi Travel 0
Hiburan dan hobi Furniture 0
Hiburan dan hobi Komputer dan 0
internet
Lainnya Lainnya 1
2 Tingkat Size A1 Size A1 1
perekonomian Size A1 Size A2 0,5
Size A1 Size B 0,3
Size A1 Size C 0,1
Size A2 Size A1 0,5
Size A2 Size A2 1
Size A2 Size B 0,5
Size A2 Size C 0,3
Size B Size A1 0,3
Size B Size A2 0,5
Size B Size B 1
Size B Size C 0,5
Size C Size A1 0,1
Size C Size A2 0,3
Size C Size B 0,5
Size C Size C 1
3 Tingkat Tinggi Tinggi 1
persaingan Tinggi Menengah 0,5
Tinggi Rendah 0,2
Menengah Tinggi 0,5
Menengah Menengah 1
Menengah Rendah 0,5
Rendah Tinggi 0,2
Rendah Menengah 0,5
Rendah Rendah 1
4 Ukuran populasi Tinggi Tinggi 1
dan karakteristik Tinggi Menengah 0,5
Tinggi Rendah 0
Menengah Tinggi 0,5
Menengah Menengah 1
Menengah Rendah 0,5
Rendah Tinggi 0
Rendah Menengah 0,5
Rendah Rendah 1
5 Industri / Bisnis Tinggi Tinggi 1
dilingkungan Tinggi Menengah 0,5
sekitar Tinggi Rendah 0,5
Menengah Tinggi 0,5
Menengah Menengah 1
Menengah Rendah 0,5
Rendah Tinggi 0,5
Rendah Menengah 0,5
Rendah Rendah 1
6 Calon konsumen Primer Primer 1
Primer Sekunder 0,4
Primer Tersier 0
Sekunder Primer 0,4
Sekunder Sekunder 1
Sekunder Tersier 0,2
Tersier Primer 0
Tersier Sekunder 0,2
Tersier Tersier 1
7 Posisi Lokasi Pinggir jalan besar Pinggir jalan besar 1
Pinggir jalan besar Pusat keramaian 0,6
Pinggir jalan besar Lain-lain 0,2
Pusat keramaian Pinggir jalan besar 0,6
Pusat keramaian Pusat keramaian 1
Pusat keramaian Lain-lain 0,2
Lain-lain Pinggir jalan besar 0,2
Lain-lain Pusat keramaian 0,2
Lain-lain Lain-lain 1
8 Pola jalan 1 arah 1 arah 1
1 arah 2 arah 0,5
2 arah 1 arah 0,5
2 arah 2 arah 1
9 Kondisi jalan Baik Baik 1
Baik Sedang 0,5
Baik Rusak 0
Sedang Baik 0,5
Sedang Sedang 1
Sedang Rusak 0,5
Rusak Baik 0
Rusak Sedang 0,5
Rusak Rusak 1
10 Hambatan ke Tinggi Tinggi 1
lokasi Tinggi Rendah 0
Rendah Tinggi 0
Rendah Rendah 1
11 Visibilitas Mudah Mudah 1
Mudah Sulit 0
Sulit Mudah 0
Sulit Sulit 1
12 Parkir Luas Luas 1
Luas Cukup 0,5
Luas Tidak 0
Cukup Luas 0,5
Cukup Cukup 1
Cukup Tidak 0,5
Tidak Luas 0
Tidak Cukup 0,5
Tidak Tidak 1
13 Keramaian Tinggi Tinggi 1
Tinggi Sedang 0,5
Tinggi Rendah 0
Sedang Tinggi 0,5
Sedang Sedang 1
Sedang Rendah 0,5
Rendah Tinggi 0
Rendah Sedang 0,5
Rendah Rendah 1
14 Renovasi Tinggi Tinggi 1
Rendah Tinggi 0
Rendah Sedang 0,5
Rendah Rendah 1
21 Luas area Tinggi Tinggi 1
Tinggi Sedang 0,5
Tinggi Kecil 0
Sedang Tinggi 0,5
Sedang Sedang 1
Sedang Kecil 0,5
Kecil Tinggi 0
Kecil Sedang 0,5
Kecil Kecil 1
22 Usia penduduk Tinggi Tinggi 1
Tinggi Rendah 0,3
Rendah Tinggi 0,3
Rendah Rendah 1
ID_KASUS WARALABA ALAMAT INVESTASI KATEGORI PEREKONOMIAN PERSAINGAN POPULASI BISNIS SEKITAR KONSUMEN
1 Bakmi Gila Iskandar muda, Medan 350 Juta Makanan Size A1 Tinggi Tinggi Tinggi Primer
2 Bakmi Gila Bakti, Medan 250 Juta Makanan Size A2 Tinggi Menengah Tinggi Primer
3 Bakmi Gila Sun plasa, Medan 100 Juta Makanan Size A2 Tinggi Tinggi Tinggi Primer
4 Bakmi Gila Kuala simpang, Aceh 100 Juta Makanan Size A2 Tinggi Menengah Tinggi Primer
5 Bakmi Gila Taman galaxy, Bekasi 100 Juta Makanan Size A1 Tinggi Tinggi Tinggi Primer
6 Bakmi Gila Arif rahman H, Medan 100 Juta Makanan Size A2 Tinggi Tinggi Tinggi Primer
7 Bakmi Gila Depok 50 Juta Makanan Size A2 Tinggi Tinggi Menengah Primer
8 Bakmi Gila Jalan ratna, Bekasi 50 Juta Makanan Size A2 Tinggi Menengah Tinggi Sekunder
9 Bakmi Gila Vila nusa indah, Bekasi 50 Juta Makanan Size B Tinggi Menengah Tinggi Primer
10 Bakmi Gila Kuala simpang 2, Aceh 50 Juta Makanan Size B Tinggi Tinggi Rendah Primer
11 Bakmi Gila Cimanggis, Depok 25 Juta Makanan Size B Tinggi Tinggi Menengah Primer
12 Bakmi Gila Batang hari, Medan 50 Juta Makanan Size C Tinggi Tinggi Tinggi Primer
13 Bakmi Gila Pondok pucung, Banten 35 Juta Makanan Size B Tinggi Tinggi Rendah Primer
14 Bakmi Gila Cimanggis, Depok 15 Juta Makanan Size B Tinggi Rendah Tinggi Tersier
15 Bakmi Gila Cibubur 25 Juta Makanan Size C Tinggi Rendah Menengah Sekunder
16 Bakmi Gila Tb simatupang, Jaksel 15 Juta Makanan Size C Tinggi Rendah Tinggi Sekunder
17 Lebanese Kebab Pedati, Jaktim 30 Juta Makanan Size B Menengah Tinggi Menengah Primer
18 Lebanese Kebab Rawamangun 30 Juta Makanan Size A2 Tinggi Menengah Rendah Primer
19 Lebanese Kebab Jatiwaringin 30 Juta Makanan Size B Tinggi Tinggi Tinggi Primer
20 Lebanese Kebab Mega Bekasi 20 Juta Makanan Size C Tinggi Tinggi Tinggi Primer
21 Lebanese Kebab Pondok bambu, Jaktim 15 Juta Makanan Size A1 Tinggi Rendah Tinggi Sekunder
22 Kebab Baba Rafi Cempaka Putih, jakpus 57,5 Juta Makanan Size A1 Tinggi Tinggi Rendah Primer
23 Kebab Baba Rafi Ahmad Yani, Bogor 57,5 Juta Makanan Size A1 Tinggi Tinggi Menengah Primer
24 Kebab Baba Rafi Fatmawati raya, jaksel 55 Juta Makanan Size A1 Tinggi Tinggi Menengah Primer
ID_KASUS POSISI POLA JALAN KONDISI JALAN HAMBATAN VISIBILITAS PARKIR KERAMAIAN RENOVASI LALU LINTAS KEAMANAN
1 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
2 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
3 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
4 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
5 Pingir Jalan 2 Arah Baik Rendah Mudah Cukup Sedang Rendah Tidak Macet Aman
6 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
7 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
8 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Sedang Rendah Tidak Macet Aman
9 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Sedang Rendah Tidak Macet Aman
10 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Macet Aman
11 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
12 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Sedang Tinggi Tidak Macet Aman
13 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Sedang Tinggi Tidak Macet Aman
14 Pinggir Jalan 1 Arah Rusak Tinggi Sulit Tidak Rendah Rendah Macet Aman
15 Pinggir Jalan 1 Arah Rusak Tinggi Sulit Cukup rendah Rendah Macet Aman
16 Pusat Keramaian 1 Arah Rusak Tinggi Sulit Tidak Rendah Tinggi Macet Aman
17 Pinggir jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
18 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
19 Pinggir Jalan 1 Arah Sedang Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
20 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
21 Pinggir Jalan 1 Arah Sedang Rendah Sulit Tidak Rendah Rendah Macet Aman
22 Pinggir Jalan 2 Arah Sedang Rendah Mudah Sedang Tinggi Rendah Tidak Macet Aman
23 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
24 Pinggir Jalan 2 Arah Baik Rendah Mudah Sedang Tinggi Rendah Tidak Macet Aman
ID_KASUS TENAGA KERJA BAHAN BAKU TRANSPORTASI DAYA BELI LUAS AREA USIA PENDUDUK PROSPEK
ID_KASUS WARALABA ALAMAT INVESTASI KATEGORI PEREKONOMIAN PERSAINGAN POPULASI BISNIS SEKITAR KONSUMEN
25 Kebab Baba Rafi Sarinah, Jakpus 57,5 Juta Makanan Size A2 Tinggi Tinggi Tinggi Primer
26 Kebab Baba Rafi Akses UI kelapa dua,depok 45 Juta Makanan Size A2 Tinggi Tinggi Menengah Primer
27 Kebab Baba Rafi Radar Auri Depok 55 Juta Makanan Size B Tinggi Tinggi Menengah Primer
28 Kebab Baba Rafi Sawangan, depok 60 juta Makanan Size B Tinggi Menengah Menengah Primer
29 Kebab Baba Rafi Pondok Gede, Bekasi 60 juta Makanan Size B Rendah Tinggi Rendah Primer
30 Kebab Baba Rafi Jalan Raya Ciomas, Bogor 60 juta Makanan Size C Tinggi Tinggi Tinggi Primer
31 Kebab Baba Rafi Raden Saleh, Jakpus 60 juta Makanan Size A1 Tinggi Menengah Tinggi Primer
Gandaria 1, Kebayoran Baru,
32 Kebab Baba Rafi Jakpus 60 juta Makanan Size A2 Tinggi Tinggi Rendah Primer
33 Kebab Baba Rafi Syahdan Kemanggisan, Jakbar 57,5 Juta Makanan Size A1 Menengah Tinggi Tinggi Primer
34 Kebab Baba Rafi Rawamangun 1, jaktim 60 juta Makanan Size A1 Tinggi Tinggi Menengah Primer
35 Kebab Baba Rafi Buah Batu, Bandung 60 juta Makanan Size A1 Tinggi Tinggi Rendah Sekunder
36 Kebab Baba Rafi Matraman, Jaktim 45 Juta Makanan Size A1 Tinggi Menengah Tinggi Sekunder
37 Kebab Baba Rafi Kemang, jakarta 57,5 Juta Makanan Size A2 Tinggi Menengah Rendah Primer
38 Kebab Baba Rafi Aria Mangkunegara, Bandung 55 Juta Makanan Size A1 Tinggi Menengah Menengah Primer
39 Kebab Baba Rafi Pangrango 2, Bogor 60 juta Makanan Size A2 Tinggi Menengah Tinggi Primer
40 Kebab Baba Rafi ITC Cibinong 57,5 Juta Makanan Size A1 Tinggi Menengah Rendah Primer
41 Kebab Baba Rafi taman galaxy, bekasi 55 Juta Makanan Size A1 Tinggi Tinggi Tinggi Sekunder
42 Kebab Baba Rafi Cempaka Putih, jakpus 60 juta Makanan Size A2 Tinggi Tinggi Menengah Primer
43 Kebab Baba Rafi Jalan Cibaduyut, Bandung 60 juta Makanan Size A2 Tinggi Tinggi Rendah Primer
44 Kebab Baba Rafi Bintaro sektor 5 45 Juta Makanan Size A2 Tinggi Menengah Rendah Primer
45 Kebab Baba Rafi Kemang Pratama, Bekasi 55 Juta Makanan Size A2 Tinggi Menengah Tinggi Primer
46 Kebab Baba Rafi Antapani, Bandung 60 juta Makanan Size A2 Menengah Tinggi Tinggi Primer
47 Kebab Baba Rafi Tentara Pelajar, Cirebon 57,5 juta Makanan Size B Menengah Tinggi Tinggi Primer
48 Kebab Baba Rafi Kemang Utara 9, jaksel 57,5 Juta Makanan Size A2 Menengah Tinggi Menengah Primer
49 Kebab Baba Rafi Muwardi II, jakbar 45 Juta Makanan Size A2 Menengah Tinggi Rendah Primer
50 Kebab Baba Rafi Hero Slipi, Jakbar 45 Juta Makanan Size B Menengah Tinggi Tinggi Primer
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
109
POLA
ID_KASUS POSISI KONDISI JALAN HAMBATAN VISIBILITAS PARKIR KERAMAIAN RENOVASI LALU LINTAS KEAMANAN
JALAN
25 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
26 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
27 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
28 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
29 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Kurang
30 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
31 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
32 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
33 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
34 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
35 Lain-lain 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
36 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Sedang Rendah Tidak Macet Aman
37 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
38 Pinggir jalan 2 Arah Sedang Rendah Mudah Cukup Sedang Rendah Tidak Macet Aman
39 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
40 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
41 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Kurang
42 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Sedang Rendah Tidak Macet Aman
43 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
44 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
45 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
46 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
47 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
48 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Sedang Rendah Tidak Macet Aman
49 Pusat Keramaian 2 Arah Baik Tinggi Mudah Luas Tinggi Tinggi Tidak Macet Aman
50 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
110
ID_KASUS TENAGA KERJA BAHAN BAKU TRANSPORTASI DAYA BELI LUAS AREA USIA PENDUDUK PROSPEK
ID_KASUS WARALABA ALAMAT INVESTASI KATEGORI PEREKONOMIAN PERSAINGAN POPULASI BISNIS SEKITAR KONSUMEN
51 Kebab Baba Rafi Sarimanah-sariyadi, Bandung 57,5 Juta Makanan Size A2 Menengah Menengah Rendah Primer
52 Kebab Baba Rafi Imdomart Simpang, Depok 45 Juta Makanan Size A2 Menengah Menengah Rendah Primer
53 Kebab Baba Rafi Rajawali 5 Perumnas 1, bekasi 45 Juta Makanan Size B Tinggi Menengah Tinggi Primer
54 Kebab Baba Rafi Jatinangor-Bandung 45 Juta Makanan Size B Tinggi Menengah Rendah Sekunder
55 Kebab Baba Rafi JatiBening Raya, Bekasi 30 Juta Makanan Size B Tinggi Tinggi Menengah Primer
56 Kebab Baba Rafi Tole Iskandar, depok 55 Juta Makanan Size B Tinggi Tinggi Tinggi Primer
57 Kebab Baba Rafi Pondok Cipta, Bkasi 55 Juta Makanan Size B Tinggi Tinggi Rendah Primer
58 Kebab Baba Rafi Sultan Agung, Bandung 45 Juta Makanan Size B Tinggi Menengah Rendah Primer
59 Kebab Baba Rafi Kampus Gunadarna, Bekasi 45 Juta Makanan Size B Tinggi Menengah Menengah Primer
60 Kebab Baba Rafi Arief Rahman Hakim Depok 45 Juta Makanan Size B Menengah Tinggi Tinggi Primer
61 Kebab Baba Rafi Pulo Ribung Raya, Bekasi 60 Juta Makanan Size A2 Tinggi Menengah Tinggi Primer
62 Kebab Baba Rafi Geger Kalong Hilir, Bandung 60 Juta Makanan Size A2 Tinggi Tinggi Rendah Primer
63 Kebab Baba Rafi Taman Narogong, Bekasi 45 Juta Makanan Size C Tinggi Tinggi Rendah Primer
64 Kebab Baba Rafi cimanggis, depok 55 Juta Makanan Size C Tinggi Tinggi Rendah Primer
65 Kebab Baba Rafi Taman Duta Mas, Jakbar 55 Juta Makanan Size B Rendah Rendah Rendah Primer
66 Kebab Baba Rafi Kranggan Permai, Bekasi 45 Juta Makanan Size C Tinggi Tinggi Menengah Primer
67 Kebab Baba Rafi Jati Asih Bekasi 57,5 Juta Makanan Size A2 Tinggi Menengah Rendah Primer
68 Kebab Baba Rafi Margonda Raya, depok 30 Juta Makanan Size A2 Menengah Menengah Tinggi Sekunder
69 Kebab Baba Rafi Gatot Subroto, Bandung 45 Juta Makanan Size B Rendah Tinggi Tinggi Sekunder
70 Kebab Baba Rafi vila nusa indah, bekasi 45 Juta Makanan Size B Tinggi Rendah Tinggi Tersier
71 Kebab Baba Rafi Meruya Hilir, Jakbar 57,5 Juta Makanan Size A2 Rendah Rendah Tinggi Primer
72 Kebab Baba Rafi Apotik Lengkong, Bandung 45 Juta Makanan Size C Tinggi Rendah Tinggi Tersier
73 Kebab Baba Rafi Jati Mekar, Bekasi 30 Juta Makanan Size C Tinggi Menengah Rendah Primer
74 Kebab Baba Rafi Univ. Pakuan, Bogor 45 Juta Makanan Size C Rendah Rendah Rendah Sekunder
75 Kebab Baba Rafi Tanjung Duren, jakbar 45 Juta Makanan Size A1 Tinggi Rendah Tinggi Sekunder
76 Alfamart vila nusa indah, bekasi 380 juta Retail Size B Tinggi Tinggi Menengah Sekunder
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
112
ID_KASUS POSISI POLA JALAN KONDISI JALAN HAMBATAN VISIBILITAS PARKIR KERAMAIAN RENOVASI LALU LINTAS KEAMANAN
51 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
52 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
53 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
54 Pinggir Jalan 2 Arah Baik Tinggi Mudah Cukup Sedang Rendah Tidak Macet Aman
55 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Sedang Rendah Tidak Macet Aman
56 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
57 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
58 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
59 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Kurang
60 Pinggir Jalan 2 Arah Rusak Rendah Mudah Tidak Tinggi Tinggi Tidak Macet Aman
61 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
62 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
63 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Tinggi Rendah Macet Aman
64 Pusat Keramaian 1 Arah Sedang Rendah Mudah Sedang Sedang Tinggi Tidak Macet Aman
65 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
66 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
67 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
68 Pusat Keramaian 1 Arah Rusak Rendah Sulit Tidak Rendah Rendah Macet Aman
69 Lain-lain 1 Arah Rusak Tinggi Mudah Tidak Rendah Rendah Tidak Macet Aman
70 Pinggir Jalan 1 Arah Sedang Tinggi Sulit Tidak Rendah Rendah Macet Aman
71 Pinggir Jalan 1 Arah Sedang Tinggi Sulit Cukup Rendah Tinggi Macet Aman
72 Pusat Keramaian 1 Arah Rusak Rendah Sulit Tidak Rendah Rendah Macet Aman
73 Pinggir Jalan 1 Arah Sedang Tinggi Sulit Tidak Rendah Rendah Macet Aman
74 Lain-lain 1 Arah Sedang Tinggi Mudah Tidak Rendah Rendah Tidak Macet Aman
75 Pinggir Jalan 1 Arah Rusak Tinggi Sulit Tidak Rendah Tinggi Macet Aman
76 Pinggir Jalan 2 Arah Baik Rendah Mudah Sedang Tinggi Tinggi Tidak Macet Aman
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
113
ID_KASUS TENAGA KERJA BAHAN BAKU TRANSPORTASI DAYA BELI LUAS AREA USIA PENDUDUK PROSPEK
ID_KASUS WARALABA ALAMAT INVESTASI KATEGORI PEREKONOMIAN PERSAINGAN POPULASI BISNIS SEKITAR KONSUMEN
77 Alfamart bintaro sektor ii, tangerang 380 juta Retail Size A1 Tinggi Menengah Menengah Primer
78 Alfamart Bintaro 1 380 juta Retail Size A2 Rendah Tinggi Menengah Primer
79 Alfamart Matraman, Jaktim 380 juta Retail Size A2 Rendah Tinggi Tinggi Sekunder
80 Alfamart Meruya Hilir, Jakbar 380 juta Retail Size A1 Rendah Tinggi Rendah Sekunder
81 Alfamart Pamulang permai, tangerang 380 juta Retail Size A2 Tinggi Tinggi Menengah Sekunder
82 Alfamart Taman Cimangging, bgr 380 juta Retail Size A2 Tinggi Tinggi Tinggi Primer
83 Alfamart kemang utara, jaksel 380 juta Retail Size A2 Rendah Tinggi Menengah Primer
84 Alfamart kelapa gading, jakut 330 Juta Retail Size A2 Rendah Tinggi Rendah Sekunder
85 Alfamart Meruya Hilir 2, Jakbar 380 juta Retail Size A2 Rendah Menengah Rendah Primer
86 Alfamart Moncang Kojabaru, Jakut 330 juta Retail Size B Menengah Menengah Tinggi Primer
87 Alfamart Pamulang, tangerang 380 juta Retail Size A2 Rendah Tinggi Menengah Primer
88 Alfamart Pekayon, Bekasi 330 Juta Retail Size B Menengah Menengah Tinggi Primer
89 Alfamart sunter indah, jakut 380 juta Retail Size B Menengah Menengah Menengah Primer
90 Alfamart serpong, tangreng 380 juta Retail Size B Tinggi Tinggi Tinggi Primer
91 Alfamart Tanjung duren, bogor 380 juta Retail Size B Rendah Tinggi Rendah Primer
92 Alfamart Cempaka Putih, jakpus 380 juta Retail Size B Rendah Tinggi Menengah Primer
93 Alfamart Ramawangun 2 380 juta Retail Size A1 Rendah Menengah Menengah Sekunder
94 Alfamart fatmawati, jaksel 380 juta Retail Size A2 Rendah Tinggi Menengah Primer
95 Alfamart Manggarai, Jaksel 380 juta Retail Size A1 Rendah Menengah Tinggi Primer
96 Alfamart Bukit Duri, Jaksel 330 Juta Retail Size A1 Menengah Tinggi Tinggi Primer
97 Alfamart ragunan, jaksel 330 Juta Retail Size A1 Menengah Tinggi Menengah Primer
98 Alfamart cawang, jaktim 330 Juta Retail Size A1 Menengah Tinggi Rendah Primer
99 Alfamart jaticempaka, bekasi 380 juta Retail Size A1 Menengah Tinggi Tinggi Sekunder
100 Alfamart rawamangun, jaktim 380 juta Retail Size A1 Menengah Menengah Menengah Sekunder
101 Alfamart Ahmad Yani, bogor 380 juta Retail Size A2 Rendah Menengah Rendah Primer
102 Alfamart pondok bambu, bekasi 380 juta Retail Size B Menengah Tinggi Rendah Primer
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
115
ID_KASUS POSISI POLA JALAN KONDISI JALAN HAMBATAN VISIBILITAS PARKIR KERAMAIAN RENOVASI LALU LINTAS KEAMANAN
77 Pinggir Jalan 2 Arah Baik Rendah Mudah Sedang Tinggi Rendah Tidak Macet Aman
78 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
79 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
80 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
81 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
82 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
83 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
84 Pinggir Jalan 2 Arah Baik Rendah Mudah Sedang Tinggi Rendah Tidak Macet Aman
85 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
86 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
87 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
88 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
89 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
90 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
91 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
92 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
93 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
94 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Rendah Rendah Tidak Macet Aman
95 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Sedang Rendah Tidak Macet Aman
96 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
97 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
98 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
99 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
100 Lain-lain 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
101 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
102 Lain-lain 1 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
116
ID_KASUS TENAGA KERJA BAHAN BAKU TRANSPORTASI DAYA BELI LUAS AREA USIA PENDUDUK PROSPEK
ID_KASUS WARALABA ALAMAT INVESTASI KATEGORI PEREKONOMIAN PERSAINGAN POPULASI BISNIS SEKITAR KONSUMEN
103 Alfamart jatiwaringin, bekasi 300 juta Retail Size A2 Rendah Tinggi Rendah Sekunder
104 Alfamart Manggarai, jaksel 330 Juta Retail Size A2 Rendah Tinggi Menengah Primer
105 Alfamart daan mogot, tangerang 380 juta Retail Size A2 Rendah Tinggi Menengah Primer
106 Alfamart Manggarai 2, jaksel 380 juta Retail Size A2 Rendah Menengah Rendah Primer
107 Alfamart Gandaria, jakpus 380 juta Retail Size A2 Tinggi Menengah Tinggi Primer
108 Alfamart Mayor Oking, Bgr 380 juta Retail Size B Menengah Menengah Rendah Primer
109 Alfamart Ciledug 330 Juta Retail Size B Menengah Rendah Rendah Primer
110 Alfamart Margonda 1, Depok 380 juta Retail Size A1 Tinggi Menengah Tinggi Primer
111 Alfamart warung buncit, jaksel 380 juta Retail Size B Rendah Tinggi Rendah Primer
112 Alfamart Gunung Batu, bgr 380 juta Retail Size B Rendah Tinggi Rendah Primer
113 Alfamart Jalan Gurameh, Bekasi 300 juta Retail Size B Rendah Tinggi Menengah Primer
114 Alfamart kranggan, bekasi 330 Juta Retail Size B Rendah Tinggi Menengah Primer
115 Alfamart Simpang, depok 380 juta Retail Size B Rendah Tinggi Tinggi Primer
116 Alfamart Cibinong 380 juta Retail Size B Rendah Tinggi Rendah Primer
117 Alfamart Kebon Pedes, bgr 300 juta Retail Size B Rendah Menengah Rendah Primer
118 Alfamart kranggan, bekasi 330 Juta Retail Size B Rendah Menengah Menengah Primer
119 Alfamart Perumnas, Bekasi 330 Juta Retail Size B Rendah Menengah Tinggi Primer
120 Alfamart pasar minggu, jaksel 380 juta Retail Size B Menengah Tinggi Rendah Primer
121 Alfamart Alternatif cibubur, jaktim 380 juta Retail Size B Rendah Menengah Rendah Primer
122 Alfamart ciracas, jaktim 380 juta Retail Size A2 Rendah Tinggi Menengah Primer
123 Alfamart cipulir, tangerang 330 Juta Retail Size C Menegah Tinggi Menengah Primer
124 Alfamart Jambu Raya, bgr 330 Juta Retail Size C Menengah Tinggi Tinggi Sekunder
125 Alfamart Limo, depok 380 juta Retail Size C Menengah Tinggi Rendah Primer
126 Alfamart Jati Asih Bekasi 380 juta Retail Size C Tinggi Menengah Menengah Primer
127 Alfamart Sukamaju baru, depok 380 juta Retail Size A2 Rendah Menengah Rendah Primer
128 Alfamart Gurameh, Bekasi 330 Juta Retail Size C Menengah Menengah Rendah Primer
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
118
ID_KASUS POSISI POLA JALAN KONDISI JALAN HAMBATAN VISIBILITAS PARKIR KERAMAIAN RENOVASI LALU LINTAS KEAMANAN
103 Pusat Keramaian 2 Arah Baik Rendah Mudahn Luas Tinggi Rendah Tidak Macet Aman
104 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
105 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Rendah Rendah Tidak Macet Aman
106 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
107 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
108 Lain-lain 1 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
109 Pinggir Jalan 2 Arah Baik Rendah Sulit Cukup Tinggi Tinggi Tidak Macet Aman
110 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Macet Aman
111 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Sedang Tinggi Tidak Macet Aman
112 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
113 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
114 Pinggir Jalan 2 Arah Baik Tinggi Mudah Cukup Sedang Rendah Tidak Macet Aman
115 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
116 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
117 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
118 Pinggir Jalan 2 Arah Baik Rendah Mudah Tidak Tinggi Tinggi Tidak Macet Aman
119 Pusat Keramaian 1 Arah Baik Rendah Mudah Cukup Sedang Rendah Macet Aman
120 Lain-lain 1 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
121 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
122 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Rendah Rendah Tidak Macet Aman
123 Pusat Keramaian 2 Arah Baik Rendah Sulit Luas Tinggi Tinggi Tidak Macet Aman
124 Pusat Keramaian 2 Arah Sedang Rendah Mudah Luas Rendah Rendah Tidak Macet Aman
125 Pinggir Jalan 1 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
126 Pinggir Jalan 2 Arah Rusak Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
127 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
128 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Rendah Tinggi Tidak Macet Aman
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
119
ID_KASUS TENAGA KERJA BAHAN BAKU TRANSPORTASI DAYA BELI LUAS AREA USIA PENDUDUK PROSPEK
ID_KASUS WARALABA ALAMAT INVESTASI KATEGORI PEREKONOMIAN PERSAINGAN POPULASI BISNIS SEKITAR KONSUMEN
129 Alfamart Ciledug raya, tangerang 330 Juta Retail Size C Rendah Tinggi Menengah Primer
130 Alfamart cipayung, jaktim 380 juta Retail Size C Rendah Tinggi Rendah Primer
131 Alfamart pondok gede, bekasi 380 juta Retail Size A1 Tinggi Menengah Tinggi Primer
132 Alfamart Bintara Raya, Bekasi 380 juta Retail Size C Rendah Tinggi Rendah Primer
133 Alfamart pahlawan revolusi, kelnder, jaktim 380 juta Retail Size C Rendah Tinggi Tinggi Primer
134 Alfamart ciputat, tangerang 330 Juta Retail Size C Rendah Menengah Rendah Primer
135 Alfamart klender, jaktim 380 juta Retail Size C Rendah Menengah Tinggi Primer
136 Alfamart Jatiwarna, Bogor 330 Juta Retail Size A1 Tinggi Rendah Menengah Sekunder
137 Alfamart Harjasari Ciawi, Bogot 330 Juta Retail Size A2 Tinggi Rendah Menengah Sekunder
138 Alfamart Melati mas serpong, tangerang 330 Juta Retail Size A1 Tinggi Rendah Menengah Sekunder
139 Alfamart Meruya Hilir 2, Jakbar 330 Juta Retail Size A2 Tinggi Menengah Tinggi Sekunder
140 Alfamart Parpostel Bekasi 300 juta Retail Size B Rendah Tinggi Tinggi Sekunder
141 Alfamart pondok kelapa raya, jakut 330 Juta Retail Size B Tinggi Rendah Tinggi Sekunder
142 Alfamart cipinang raya, jaktim 330 Juta Retail Size A2 Tinggi Rendah Menengah Sekunder
143 Alfamart tanjung priuk, jakut 330 Juta Retail Size B Menengah Menengah Tinggi Sekunder
144 Alfamart Pamulang, tangerang 330 Juta Retail Size C Menengah Tinggi Tinggi Sekunder
145 Alfamart jatinegara, jaktim 330 Juta Retail Size C Tinggi Rendah Tinggi Sekunder
146 Alfamart Pademangan, jakut 330 Juta Retail Size A1 Tinggi Rendah Menengah Sekunder
147 Alfamart ciputat, tangerang 330 Juta Retail Size B Tinggi Menengah Tinggi Primer
148 Bakso Cak Eko Tol Cipularang 45 Juta Makanan Size B Rendah Tinggi Rendah Primer
149 Bakso Cak Eko Kuningan 110 Juta Makanan Size A2 Menengah Menengah Tinggi Primer
150 Bakso cak Eko Mega Bekasi 75 Juta Makanan Size A1 Rendah Tinggi Tinggi Primer
151 Bakso Cak Eko kelapa gading 110 Juta Makanan Size A1 Rendah Menengah Tinggi Primer
152 Bakso Cak Eko Dadap 75 Juta Makanan Size C Rendah Tinggi Rendah Sekunder
153 Bakso Cak Eko Cibubur 80 Juta Makanan Size B Rendah Tinggi Rendah Primer
154 Bakso Cak Eko Tamini Square 110 Juta Makanan Size A2 Tinggi Menengah Tinggi Primer
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
121
ID_KASUS POSISI POLA JALAN KONDISI JALAN HAMBATAN VISIBILITAS PARKIR KERAMAIAN RENOVASI LALU LINTAS KEAMANAN
129 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
130 Lain-lain 2 Arah Baik Rendah Mudah Cukup Sedang Tinggi Tidak Macet Aman
131 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Macet Aman
132 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Macet Aman
133 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
134 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
135 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
136 Pinggir Jalan 2 Arah Rusak Tinggi Sulit Tidak Rendah Rendah Tidak Macet Aman
137 Lain-lain 1 Arah Rusak Tinggi Sulit Tidak Rendah Rendah Tidak Macet Kurang
138 Pinggir Jalan 2 Arah Rusak Tinggi Sulit Cukup Rendah Rendah Tidak Macet Aman
139 Pinggir Jalan 1 Arah Rusak Tinggi Sulit Tidak Rendah Rendah Macet Aman
140 Pinggir Jalan 1 Arah Rusak Tinggi Sulit Tidak Rendah Tinggi Tidak Macet Aman
141 Lain-lain 2 Arah Rusak Tinggi Sulit Tidak Rendah Tinggi Macet Aman
142 Lain-lain 1 Arah Rusak Tinggi Sulit Cukup Rendah Rendah Macet Kurang
143 Pusat Keramaian 1 Arah Rusak Tinggi Sulit Cukup Sedang Rendah Macet Aman
144 Lain-lain 2 Arah Rusak Tinggi Sulit Cukup Rendah Tinggi Tidak Macet Aman
145 Pinggir Jalan 2 Arah Rusak Tinggi Sulit Tidak Rendah Rendah Macet Aman
146 Pinggir Jalan 2 Arah Rusak Tinggi Sulit Cukup Rendah Rendah Tidak Macet Aman
147 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Sedang Tinggi Macet Aman
148 Pinggir Jalan 2 Arah Baik Rendah Mudah Sedang Tinggi Rendah Tidak Macet Aman
149 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
150 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
151 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
152 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
153 Pinggir Jalan 1 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
154 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
122
ID_KASUS TENAGA KERJA BAHAN BAKU TRANSPORTASI DAYA BELI LUAS AREA USIA PENDUDUK PROSPEK
ID_KASUS WARALABA ALAMAT INVESTASI KATEGORI PEREKONOMIAN PERSAINGAN POPULASI BISNIS SEKITAR KONSUMEN
155 Bakso Cak Eko BSD 80 Juta Makanan Size A1 Rendah Tinggi Tinggi Primer
156 Bakso Cak Eko Gading Serpong 75 Juta Makanan Size A1 Rendah Menengah Rendah Sekunder
157 Bakso Cak Eko depok town square 80 Juta Makanan Size A2 Rendah Tinggi Rendah Primer
158 Bakso Cak Eko ITC Mangga Dua 80 Juta Makanan Size A2 Rendah Tinggi Menengah Primer
159 Bakso Cak Eko Pondok Gede 1 110 Juta Makanan Size A2 Rendah Tinggi Tinggi Primer
160 Bakso Cak Eko ITC Cempaka Mas 80 Juta Makanan Size A2 Rendah Menengah Menengah Primer
161 Bakso Cak Eko Rawamangun 50 Juta Makanan Size B Rendah Tinggi Rendah Primer
162 Bakso Cak Eko ITC Depok 45 Juta Makanan Size B Menengah Menengah Menengah Primer
163 Bakso Cak Eko Ciledug 110 Juta Makanan Size B Menengah Tinggi Menengah Primer
164 Bakso Cak Eko Jatiwarna, Bekasi 75 Juta Makanan Size B Menengah Menengah Tinggi Primer
165 Bakso Cak Eko DTC sawangan 80 Juta Makanan Size C Tinggi Menengah Tinggi Sekunder
166 Bakso Cak Eko Sawangan 50 Juta Makanan Size A2 Rendah Menengah Menengah Primer
167 Bakso Cak Eko Batam 80 Juta Makanan Size A2 Tinggi Rendah Tinggi Primer
168 Bakso Cak Eko Cilegon 50 Juta Makanan Size B Menengah Menegah Tinggi Sekunder
169 Bakso Cak Eko Bogor 80 Juta Makanan Size B Tinggi Rendah Tinggi Sekunder
170 Bakso Cak Eko Kalimalang 50 Juta Makanan Size C Tinggi Menengah Tinggi Sekunder
171 Bakso Cak Eko Klender 45 Juta Makanan Size C Tinggi Rendah Menengah Primer
172 Bakso Cak Eko Cileungsi 45 Juta Makanan Size B Menengah Menegah Tinggi Sekunder
173 Nasi Uduk Gondangdia Menteng, jakpus 150 Juta Makanan Size A1 Rendah Tinggi Rendah Primer
174 Nasi Uduk Gondangdia Kelapa gading 150 Juta Makanan Size A1 Rendah Tinggi Tinggi Sekunder
175 Nasi Uduk Gondangdia Tasbih, Medan 240 Juta Makanan Size A2 Menengah Tinggi Rendah Primer
176 Nasi Uduk Gondangdia Setia Budi, Medan 200 Juta Makanan Size A1 Rendah Tinggi Menengah Primer
177 Nasi Uduk Gondangdia Boulevard, Kelapa gading 240 Juta Makanan Size A1 Rendah Tinggi Rendah Primer
178 Nasi Uduk Gondangdia Manado 240 Juta Makanan Size A2 Menengah Rendah Rendah Primer
179 Nasi Uduk Gondangdia Veteran, Bintaro 100 Juta Makanan Size B Tinggi Menengah Tinggi Sekunder
180 Nasi Uduk Gondangdia Jl. Mangga Besar 150 Juta Makanan Size C Rendah Rendah Tinggi Sekunder
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
124
ID_KASUS POSISI POLA JALAN KONDISI JALAN HAMBATAN VISIBILITAS PARKIR KERAMAIAN RENOVASI LALU LINTAS KEAMANAN
155 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah Macet Aman
156 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
157 Pinggir Jalan 1 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
158 Lain-lain 2 Arah Baik Rendah Sulit Luas Tinggi Rendah Tidak Macet Aman
159 Pinggir Jalan 2 Arah Baik Rendah Mudah Sedang Sedang Tinggi Tidak Macet Aman
160 Lain-lain 2 Arah Baik Rendah Sulit Luas Tinggi Rendah Tidak Macet Aman
161 Pinggir Jalan 1 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
162 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Sedang Rendah Tidak Macet Aman
163 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Macet Aman
164 Pinggir jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
165 Pusat Keramaian 2 Arah Rusak Tinggi Sulit Tidak Rendah Tinggi Macet Aman
166 Lain-lain 2 Arah Baik Rendah Sulit Luas Tinggi Rendah Tidak Macet Aman
167 Pinggir Jalan 1 Arah Sedang Tinggi Sulit Tidak Rendah Rendah Macet Aman
168 Pinggir Jalan 1 Arah Rusak Rendah Mudah Tidak Rendah Rendah Macet Aman
169 Pusat Keramaian 2 Arah Rusak Tinggi Sulit Tidak Rendah Rendah Tidak Macet Aman
170 Pusat Keramaian 2 Arah Rusak Tinggi Sulit Tidak Rendah Tinggi Macet Aman
171 Pinggir Jalan 2 Arah Rusak Rendah Sulit Tidak Rendah Rendah Tidak Macet Aman
172 Pinggir Jalan 1 Arah Rusak Rendah Mudah Tidak Rendah Rendah Macet Aman
173 Pingir Jalan 2 Arah Baik Rendah Mudah Sedang Tingi Tinggi Tidak Macet Aman
174 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Kurang
175 Pinggir Jalan 2 Arah Baik Rendah Mudah Sedang Tinggi Tinggi Tidak Macet Aman
176 Pusat Keramaian 1 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
177 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
178 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
179 Pinggir Jalan 1 Arah Rusak Tinggi Mudah Tidak Rendah Rendah Macet Aman
180 Lain-lain 1 Arah Sedang Tinggi Sulit Tidak Rendah Tinggi Macet Aman
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
125
ID_KASUS TENAGA KERJA BAHAN BAKU TRANSPORTASI DAYA BELI LUAS AREA USIA PENDUDUK PROSPEK
ID_KASUS WARALABA ALAMAT INVESTASI KATEGORI PEREKONOMIAN PERSAINGAN POPULASI BISNIS SEKITAR KONSUMEN
181 Nasi Uduk Gondangdia Taman Galaxy, Bekasi 150 Juta Makanan Size C Tinggi Menengah Tinggi Sekunder
182 Salemba Group akses UI, depok 50 Juta Lainnya Size C Rendah Tinggi Menengah Primer
183 Salemba Group jatijajar 50 Juta Lainnya Size A1 Menengah Tinggi Tinggi Primer
184 Salemba Group cinere 50 Juta Lainnya Size A2 Menengah Menengah Menengah Primer
185 Salemba Group kalisari 50 Juta Makanan Size B Menengah Tinggi Rendah Primer
186 Salemba Group Bogor 50 Juta Lainnya Size A2 Tinggi Menengah Tinggi Tersier
ID_KASUS POSISI POLA JALAN KONDISI JALAN HAMBATAN VISIBILITAS PARKIR KERAMAIAN RENOVASI LALU LINTAS KEAMANAN
181 Pinggir Jalan 2 Arah Rusak Rendah Sulit Cukup Rendah Rendah Tidak Macet Aman
182 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
183 Pinggir Jalan 2 Arah Baik Rendah Mudah Sedang Tinggi Rendah Tidak Macet Aman
184 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Sedang Rendah Macet Aman
185 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
186 Lain-lain 1 Arah Rusak Tinggi Sulit Tidak Rendah Rendah Macet Aman
ID_KASUS TENAGA KERJA BAHAN BAKU TRANSPORTASI DAYA BELI LUAS AREA USIA PENDUDUK PROSPEK
unit MenuUtama;
interface
uses
Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
Dialogs, Menus, StdCtrls;
type
TfrmMenuUtama = class(TForm)
MainMenu: TMainMenu;
mnuFile: TMenuItem;
mnuFileInfo: TMenuItem;
mnuFileKeluar: TMenuItem;
mnuPengolahanData: TMenuItem;
mnuPengDataKasus: TMenuItem;
mnuPengPengaturanAtribut: TMenuItem;
mnuPengNilaiAtribut: TMenuItem;
mnuPengPembobotanAtribut: TMenuItem;
mnuPengPengujian: TMenuItem;
mnuBantuan: TMenuItem;
mnuBantuanPetunjuk: TMenuItem;
Label1: TLabel;
Label2: TLabel;
Label3: TLabel;
Label4: TLabel;
Label5: TLabel;
procedure mnuFileKeluarClick(Sender: TObject);
procedure mnuPengDataKasusClick(Sender: TObject);
procedure mnuPengPengaturanAtributClick(Sender: TObject);
procedure mnuPengNilaiAtributClick(Sender: TObject);
procedure mnuPengPembobotanAtributClick(Sender: TObject);
procedure mnuPengPengujianClick(Sender: TObject);
procedure mnuBantuanPetunjukClick(Sender: TObject);
procedure mnuFileInfoClick(Sender: TObject);
private
{ Private declarations }
public
{ Public declarations }
end;
var
frmMenuUtama: TfrmMenuUtama;
implementation
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
130
{$R *.dfm}
end.
unit UDataKasus;
interface
uses
Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
Dialogs, ExtCtrls, DB, Grids, DBGrids, StdCtrls, Buttons, DBCtrls;
type
TFrmDataKasus = class(TForm)
DBGDataKasus: TDBGrid;
DBNavigasi: TDBNavigator;
BTutup: TButton;
procedure FormShow(Sender: TObject);
procedure FormClose(Sender: TObject; var Action: TCloseAction);
procedure BTutupClick(Sender: TObject);
private
{ Private declarations }
public
{ Public declarations }
end;
var
FrmDataKasus: TFrmDataKasus;
implementation
{$R *.dfm}
DataModul.Transaksi.Commit;
end;
end.
unit UPengaturanAtribut;
interface
uses
Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
Dialogs, StdCtrls, Grids, ExtCtrls, Buttons, ComCtrls, DBGrids, DBCtrls;
type
TFrmSettingAtribut = class(TForm)
DBGAtribut: TDBGrid;
DBNavigasi: TDBNavigator;
BTutup: TButton;
procedure FormShow(Sender: TObject);
procedure FormClose(Sender: TObject; var Action: TCloseAction);
procedure BTutupClick(Sender: TObject);
private
{ Private declarations }
public
{ Public declarations }
end;
var
FrmPengaturanAtribut: TFrmPengaturanAtribut;
implementation
{$R *.dfm}
DataModul.Tabel.TableName := 'Atribut';
DataModul.Tabel.Active := false;
DataModul.Tabel.Active := true;
DataModul.Datasource.DataSet := DataModul.Tabel;
DBGAtribut.DataSource := DataModul.Datasource;
end;
end;
unit UPengaturanNilaiAtribut;
interface
uses
Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
Dialogs, Grids, StdCtrls, Buttons, ExtCtrls;
type
TFrmNilai = class(TForm)
SGNAtribut: TStringGrid;
CAtribut: TComboBox;
TambahNilai: TEdit;
Label1: TLabel;
Label2: TLabel;
BTambah: TButton;
BTutup: TButton;
procedure FormShow(Sender: TObject);
procedure CAtributChange(Sender: TObject);
procedure BTambahClick(Sender: TObject);
procedure BTutupClick(Sender: TObject);
private
{ Private declarations }
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
134
public
{ Public declarations }
end;
var
FrmPengaturanNilaiAtribut: TFrmPengaturanNilaiAtribut;
implementation
{$R *.dfm}
end.
unit UPerbandinganNilaiAtribut;
interface
uses
Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
Dialogs, Grids, StdCtrls, Buttons, ExtCtrls;
type
TFrmPerbandinganNilaiAtribut = class(TForm)
CAtribut: TComboBox;
SGPerbandinganNAtribut: TStringGrid;
Label1: TLabel;
BTutup: TButton;
Label2: TLabel;
BSimpan: TButton;
procedure FormShow(Sender: TObject);
procedure CAtributChange(Sender: TObject);
procedure BSimpanClick(Sender: TObject);
procedure BTutupClick(Sender: TObject);
private
{ Private declarations }
public
{ Public declarations }
end;
var
FrmPerbandinganNilaiAtribut: TFrmPerbandinganNilaiAtribut;
implementation
{$R *.dfm}
Next;
end;
end;
end;
end.
unit UPengujian;
interface
uses
Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
Dialogs, ComCtrls, StdCtrls, ExtCtrls, Buttons;
type
TFrmPengujian = class(TForm)
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
139
LVKasusBaru: TListView;
LVKasusLama: TListView;
TAtribut: TEdit;
CNilaiAtribut: TComboBox;
LKeterangan: TLabel;
BPilih: TBitBtn;
Label1: TLabel;
Label2: TLabel;
BTutup: TButton;
Label3: TLabel;
Label4: TLabel;
procedure FormShow(Sender: TObject);
procedure FormClose(Sender: TObject; var Action: TCloseAction);
procedure BPilihClick(Sender: TObject);
procedure BTutupClick(Sender: TObject);
private
procedure Cari_Nilai(atribut : string);
{ Private declarations }
public
{ Public declarations }
end;
var
FrmPengujian: TFrmPengujian;
jml_var, no_var : integer;
atribut, bobot_atribut, Nilai_Combo, Tampil_Combo : TStringList;
total_bobot : real;
implementation
{$R *.dfm}
begin
if BPilih.Caption = 'Mulai' then
begin
LKeterangan.Caption := '';
LKeterangan2.Caption := '';
with DataModul.Query1 do
begin
//cari daftar atribut
Close;
SQL.Text := 'select nama_atribut, bobot '+' from d_atribut '+' where is_hasil = ''T''
and is_aktif = ''Y''';
Open;
jml_atribut := 0;
while not eof do
begin
atribut.Add(Fields[0].AsString);
bobot_atribut.Add(Fields[1].AsString);
Inc(jml_atribut);
Next;
end;
end;
total_bobot := 0;
for i := 0 to jml_atribut-1 do
total_bobot := total_bobot + StrToFloat(bobot_atribut[i]);
no_var := 0;
TAtribut.Text := atribut[no_var];
LVKasusBaru.Clear;
LVKasusLama.Clear;
BPilih.Caption := 'Selanjutnya';
Cari_Nilai(TAtribut.Text);
exit;
end;
if BPilih.Caption = 'Kosongkan' then
begin
BPilih.Caption:= 'Mulai';
LVKasusBaru.Clear;
LVKasusLama.Clear;;
LKeterangan.Caption := '';
LKeterangan2.Caption := '';
TAtribut.Text := '';
CNilaiAtribut.Clear;
exit;
end;
Inc(no_var);
//masukkan ke listview
with DataModul.Query1, daftar do
begin
daftar := LVKasusBaru.Items.Add;
Caption := TAtribut.Text;
SubItems.Add(CNilaiAtribut.Items[CNilaiAtribut.Itemindex]);
SubItems.Add(Nilai_Combo[CNilaiAtribut.Itemindex]);
Application.ProcessMessages;
if no_var < jml_atribut then
begin
TAtribut.Text := atribut[no_var];
Cari_Nilai(TAtribut.Text);
end else
begin
BPilih.Enabled := false;
//ambil semua kasus
Close;
SQL.Text := ' select * from kasus ';
open;
//simpan kedekatan
Close;
SQL.Text := 'update kasus set kedekatan = :kedekatan '+' where id_kasus = :id ';
ParamByName('kedekatan').AsFloat := kedekatan;
ParamByName('id').AsInteger :=
DataModul.Query1.FieldbyName('id_kasus').AsInteger;
ExecSQL;
end;
Next;
end;
//tampilkan kedekatan terbesar dan hasilnya
DataModul.Transaksi.CommitRetaining;
Close;
SQL.Text := 'select * from kasus '+' where kedekatan = (select max(kedekatan) from
kasus) ';
Open;
for i := 0 to jml_atribut-1 do
begin
daftar := LVKasusLama.Items.Add;
Caption := atribut[i];
if UpperCase(atribut[i]) = 'Kategori' then
begin
end.
Waktu Mulai :
Waktu Berakhir :
BISNIS POLA KONDISI
NO WARALABA KATEGORI PEREKONOMIAN PERSAINGAN POPULASI KONSUMEN POSISI HAMBATAN
SEKITAR JALAN JALAN
1 Kebab Baba Rafi Makanan Size A2 Rendah Rendah Tinggi Primer Pinggir Jalan 1 Arah Sedang Tinggi
Pusat
2 Bakso Cak Eko Makanan Size C Tinggi Menengah Tinggi Sekunder Keramaian 2 Arah Rusak Tinggi
3 Bakso Cak Eko Makanan Size B Menengah Menegah Tinggi Sekunder Pinggir Jalan 1 Arah Rusak Rendah
4 Alfamart Retail Size A1 Tinggi Rendah Menengah Sekunder Pinggir Jalan 2 Arah Rusak Tinggi
5 Alfamart Retail Size A2 Tinggi Rendah Menengah Sekunder Lain-lain 1 Arah Rusak Tinggi
6 Alfamart Retail Size A2 Rendah Tinggi Tinggi Sekunder Pinggir Jalan 2 Arah Baik Rendah
7 Alfamart Retail Size A2 Rendah Tinggi Menengah Primer Pinggir Jalan 2 Arah Baik Rendah
Pusat
8 Alfamart Retail Size B Menengah Menengah Tinggi Primer Keramaian 2 Arah Baik Rendah
Pusat
9 Bakso Cak Eko Makanan Size A2 Menengah Menengah Tinggi Primer Keramaian 2 Arah Baik Rendah
10 Bakmi Gila Makanan Size A2 Tinggi Menengah Tinggi Primer Pinggir Jalan 2 Arah Baik Rendah
11 Bakso Cak Eko Makanan Size B Rendah Tinggi Rendah Primer Pinggir Jalan 1 Arah Baik Rendah
12 Bakso Cak Eko Makanan Size A2 Rendah Menengah Menengah Primer Lain-lain 2 Arah Baik Rendah
13 Kebab Baba Rafi Makanan Size A2 Tinggi Tinggi Rendah Primer Pinggir Jalan 2 Arah Baik Rendah
Pusat
14 Kebab Baba Rafi Makanan Size A2 Tinggi Menengah Rendah Primer Keramaian 2 Arah Baik Rendah
15 Kebab Baba Rafi Makanan Size A2 Tinggi Menengah Tinggi Primer Pinggir Jalan 2 Arah Sedang Rendah
16 Kebab Baba Rafi Makanan Size B Menengah Tinggi Tinggi Primer Pinggir Jalan 2 Arah Baik Rendah
Pusat
17 Alfamart Retail Size A2 Rendah Tinggi Menengah Primer Keramaian 2 Arah Baik Rendah
18 Alfamart Retail Size A2 Rendah Menengah Rendah Primer Pinggir Jalan 2 Arah Sedang Rendah
19 Alfamart Retail Size A1 Tinggi Menengah Tinggi Primer Pinggir Jalan 2 Arah Baik Rendah
20 Alfamart Retail Size B Menengah Tinggi Rendah Primer Lain-lain 1 Arah Baik Rendah
1 Sulit Cukup Rendah Tinggi Macet Aman Sulit Mudah Sulit Rendah Sedang Rendah
2 Sulit Tidak Rendah Tinggi Macet Aman Mudah Mudah Sedang Rendah Sedang Rendah
3 Mudah Tidak Rendah Rendah Macet Aman Mudah Mudah Sulit Rendah Kecil Rendah
4 Sulit Cukup Rendah Rendah Tidak Macet Aman Mudah Mudah Sedang Rendah Sedang Tinggi
5 Sulit Cukup Rendah Rendah Macet Kurang Mudah Mudah Sulit Rendah Sedang Rendah
6 Mudah Luas Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar Tinggi
7 Mudah Cukup Tinggi Tinggi Tidak Macet Aman Mudah Mudah Mudah Sedang Besar Tinggi
8 Mudah Cukup Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Sedang Tinggi
9 Mudah Luas Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar Tinggi
10 Mudah Luas Tinggi Tinggi Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar Tinggi
11 Mudah Cukup Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Sedang Tinggi
12 Sulit Luas Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Sedang Rendah
13 Mudah Cukup Tinggi Tinggi Tidak Macet Aman Sulit Mudah Sedang Tinggi Besar Tinggi
14 Mudah Cukup Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Sedang Tinggi
15 Mudah Luas Tinggi Rendah Tidak Macet Aman Mudah Mudah Sedang Sedang Besar Tinggi
16 Mudah Luas Sedang Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Sedang Tinggi
17 Mudah Cukup Rendah Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar Tinggi
18 Mudah Luas Sedang Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar Rendah
19 Mudah Cukup Tinggi Tinggi Macet Aman Mudah Mudah Mudah Tinggi Besar Tinggi
20 Mudah Luas Sedang Rendah Tidak Macet Aman Mudah Mudah Sedang Sedang Besar Tinggi
Keterangan:
SP = Sangat Prospek
P = Prospek
KP = Kurang Prospek
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
146
KUESIONER PENENTUAN LOKASI WARALABA DENGAN PENERAPAN CBR DAN ALGORITMA NEAREST
NEIGHBOR (POSTTEST)
Waktu Mulai :
Waktu Berakhir :
BISNIS POLA KONDISI
NO WARALABA KATEGORI PEREKONOMIAN PERSAINGAN POPULASI KONSUMEN POSISI HAMBATAN
SEKITAR JALAN JALAN
1 Kebab Baba Rafi Makanan Size A2 Rendah Rendah Tinggi Primer Pinggir Jalan 1 Arah Sedang Tinggi
Pusat
2 Bakso Cak Eko Makanan Size C Tinggi Menengah Tinggi Sekunder Keramaian 2 Arah Rusak Tinggi
3 Bakso Cak Eko Makanan Size B Menengah Menegah Tinggi Sekunder Pinggir Jalan 1 Arah Rusak Rendah
4 Alfamart Retail Size A1 Tinggi Rendah Menengah Sekunder Pinggir Jalan 2 Arah Rusak Tinggi
5 Alfamart Retail Size A2 Tinggi Rendah Menengah Sekunder Lain-lain 1 Arah Rusak Tinggi
6 Alfamart Retail Size A2 Rendah Tinggi Tinggi Sekunder Pinggir Jalan 2 Arah Baik Rendah
7 Alfamart Retail Size A2 Rendah Tinggi Menengah Primer Pinggir Jalan 2 Arah Baik Rendah
Pusat
8 Alfamart Retail Size B Menengah Menengah Tinggi Primer Keramaian 2 Arah Baik Rendah
Pusat
9 Bakso Cak Eko Makanan Size A2 Menengah Menengah Tinggi Primer Keramaian 2 Arah Baik Rendah
10 Bakmi Gila Makanan Size A2 Tinggi Menengah Tinggi Primer Pinggir Jalan 2 Arah Baik Rendah
11 Bakso Cak Eko Makanan Size B Rendah Tinggi Rendah Primer Pinggir Jalan 1 Arah Baik Rendah
12 Bakso Cak Eko Makanan Size A2 Rendah Menengah Menengah Primer Lain-lain 2 Arah Baik Rendah
13 Kebab Baba Rafi Makanan Size A2 Tinggi Tinggi Rendah Primer Pinggir Jalan 2 Arah Baik Rendah
Pusat
14 Kebab Baba Rafi Makanan Size A2 Tinggi Menengah Rendah Primer Keramaian 2 Arah Baik Rendah
15 Kebab Baba Rafi Makanan Size A2 Tinggi Menengah Tinggi Primer Pinggir Jalan 2 Arah Sedang Rendah
16 Kebab Baba Rafi Makanan Size B Menengah Tinggi Tinggi Primer Pinggir Jalan 2 Arah Baik Rendah
Pusat
17 Alfamart Retail Size A2 Rendah Tinggi Menengah Primer Keramaian 2 Arah Baik Rendah
18 Alfamart Retail Size A2 Rendah Menengah Rendah Primer Pinggir Jalan 2 Arah Sedang Rendah
19 Alfamart Retail Size A1 Tinggi Menengah Tinggi Primer Pinggir Jalan 2 Arah Baik Rendah
20 Alfamart Retail Size B Menengah Tinggi Rendah Primer Lain-lain 1 Arah Baik Rendah
KUESIONER PENENTUAN LOKASI WARALABA DENGAN PENERAPAN CBR DAN ALGORITMA NEAREST
NEIGHBOR (POSTTEST)
LALU TENAGA BAHAN TRANS- DAYA USIA WAKTU
NO VISIBILITAS PARKIR KERAMAIAN RENOVASI KEAMANAN PROSPEK
LINTAS KERJA BAKU PORTASI BELI LUAS PENDUDUK (MENIT)
1 Sulit Cukup Rendah Tinggi Macet Aman Sulit Mudah Sulit Rendah Sedang Rendah
2 Sulit Tidak Rendah Tinggi Macet Aman Mudah Mudah Sedang Rendah Sedang Rendah
3 Mudah Tidak Rendah Rendah Macet Aman Mudah Mudah Sulit Rendah Kecil Rendah
4 Sulit Cukup Rendah Rendah Tidak Macet Aman Mudah Mudah Sedang Rendah Sedang Tinggi
5 Sulit Cukup Rendah Rendah Macet Kurang Mudah Mudah Sulit Rendah Sedang Rendah
6 Mudah Luas Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar Tinggi
7 Mudah Cukup Tinggi Tinggi Tidak Macet Aman Mudah Mudah Mudah Sedang Besar Tinggi
8 Mudah Cukup Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Sedang Tinggi
9 Mudah Luas Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar Tinggi
10 Mudah Luas Tinggi Tinggi Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar Tinggi
11 Mudah Cukup Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Sedang Tinggi
12 Sulit Luas Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Sedang Rendah
13 Mudah Cukup Tinggi Tinggi Tidak Macet Aman Sulit Mudah Sedang Tinggi Besar Tinggi
14 Mudah Cukup Tinggi Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Sedang Tinggi
15 Mudah Luas Tinggi Rendah Tidak Macet Aman Mudah Mudah Sedang Sedang Besar Tinggi
16 Mudah Luas Sedang Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Sedang Tinggi
17 Mudah Cukup Rendah Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar Tinggi
18 Mudah Luas Sedang Rendah Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar Rendah
19 Mudah Cukup Tinggi Tinggi Macet Aman Mudah Mudah Mudah Tinggi Besar Tinggi
20 Mudah Luas Sedang Rendah Tidak Macet Aman Mudah Mudah Sedang Sedang Besar Tinggi
Keterangan:
SP = Sangat Prospek
P = Prospek
KP = Kurang Prospek
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
148
NO WARALABA ALAMAT INVESTASI KATEGORI PEREKONOMIAN PERSAINGAN POPULASI BISNIS SEKITAR KONSUMEN
1 Kebab Baba Rafi Meruya Hilir, Jakbar 57,5 Juta Makanan Size A2 Rendah Rendah Tinggi Primer
2 Bakso Cak Eko Kalimalang 50 Juta Makanan Size C Tinggi Menengah Tinggi Sekunder
3 Bakso Cak Eko Cileungsi 45 Juta Makanan Size B Menengah Menegah Tinggi Sekunder
4 Alfamart Pademangan, jakut 330 Juta Retail Size A1 Tinggi Rendah Menengah Sekunder
5 Alfamart cipinang raya, jaktim 330 Juta Retail Size A2 Tinggi Rendah Menengah Sekunder
6 Alfamart Matraman, Jaktim 380 juta Retail Size A2 Rendah Tinggi Tinggi Sekunder
7 Alfamart kemang utara, jaksel 380 juta Retail Size A2 Rendah Tinggi Menengah Primer
8 Alfamart Moncang Kojabaru, Jakut 330 juta Retail Size B Menengah Menengah Tinggi Primer
9 Bakso Cak Eko Kuningan 110 Juta Makanan Size A2 Menengah Menengah Tinggi Primer
10 Bakmi Gila Bakti, Medan 250 Juta Makanan Size A2 Tinggi Menengah Tinggi Primer
11 Bakso Cak Eko Rawamangun 50 Juta Makanan Size B Rendah Tinggi Rendah Primer
12 Bakso Cak Eko Sawangan 50 Juta Makanan Size A2 Rendah Menengah Menengah Primer
13 Kebab Baba Rafi Geger Kalong Hilir, Bandung 60 Juta Makanan Size A2 Tinggi Tinggi Rendah Primer
14 Kebab Baba Rafi Jati Asih Bekasi 57,5 Juta Makanan Size A2 Tinggi Menengah Rendah Primer
15 Kebab Baba Rafi Pulo Ribung Raya, Bekasi 60 Juta Makanan Size A2 Tinggi Menengah Tinggi Primer
16 Kebab Baba Rafi Tentara Pelajar, Cirebon 57,5 Juta Makanan Size B Menengah Tinggi Tinggi Primer
17 Alfamart ciracas, jaktim 380 juta Retail Size A2 Rendah Tinggi Menengah Primer
18 Alfamart Sukamaju baru, depok 380 juta Retail Size A2 Rendah Menengah Rendah Primer
19 Alfamart pondok gede, bekasi 380 juta Retail Size A1 Tinggi Menengah Tinggi Primer
20 Alfamart pondok bambu, bekasi 380 juta Retail Size B Menengah Tinggi Rendah Primer
ID_KASUS POSISI POLA JALAN KONDISI JALAN HAMBATAN VISIBILITAS PARKIR KERAMAIAN RENOVASI LALU LINTAS KEAMANAN
1 Pinggir Jalan 1 Arah Sedang Tinggi Sulit Cukup Rendah Tinggi Macet Aman
2 Pusat Keramaian 2 Arah Rusak Tinggi Sulit Tidak Rendah Tinggi Macet Aman
3 Pinggir Jalan 1 Arah Rusak Rendah Mudah Tidak Rendah Rendah Macet Aman
4 Pinggir Jalan 2 Arah Rusak Tinggi Sulit Cukup Rendah Rendah Tidak Macet Aman
5 Lain-lain 1 Arah Rusak Tinggi Sulit Cukup Rendah Rendah Macet Kurang
6 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
7 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
8 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
9 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
10 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
11 Pinggir Jalan 1 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
12 Lain-lain 2 Arah Baik Rendah Sulit Luas Tinggi Rendah Tidak Macet Aman
13 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
14 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
15 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Tinggi Rendah Tidak Macet Aman
16 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
17 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Rendah Rendah Tidak Macet Aman
18 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
19 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Tinggi Tinggi Macet Aman
20 Lain-lain 1 Arah Baik Rendah Mudah Luas Sedang Rendah Tidak Macet Aman
ID_KASUS TENAGA KERJA BAHAN BAKU TRANSPORTASI DAYA BELI LUAS AREA USIA PENDUDUK PROSPEK