Ali Khumaedi - CBR Untuk Penentuan Lokasi Waralaba - MKom Thesis - Nuri - 2010

1
PENERAPAN CASE-BASED REASONING DAN

ALGORITMA NEAREST NEIGHBOR UNTUK
PENENTUAN LOKASI WARALABA
TESIS
ALI KHUMAIDI
14000122
PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
NUSA MANDIRI
JAKARTA
2009
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

2
PENERAPAN CASE-BASED REASONING DAN

ALGORITMA NEAREST NEIGHBOR UNTUK
PENENTUAN LOKASI WARALABA
TESIS
Diajukan sebagai salah satu syarat untuk memperoleh gelar
Magister Ilmu Komputer (M.Kom)
ALI KHUMAIDI
14000122
PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
NUSA MANDIRI
JAKARTA
2009
3
SURAT PERNYATAAN ORISINALITAS
Yang bertanda tangan di bawah ini :
Nama : Ali Khumaidi

NIM : 14000122
Program Studi : Magister Ilmu Komputer
Jenjang : Strata Dua (S2)
Konsentrasi : e-Business
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.
Demikianlah surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila

dikemudian hari ternyata saya memberikan keterangan palsu dan atau ada pihak
lain yang mengklaim bahwa tesis yang telah saya buat adalah hasil karya milik
seseorang atau badan tertentu, saya bersedia diproses baik secara pidana maupun
perdata dan kelulusan saya dari Program Pascasarjana Magister Ilmu Komputer
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri
dicabut/dibatalkan.
Jakarta, 05 April 2010

Yang menyatakan,
Materai Rp. 6.000,-
Ali Khumaidi

4
HALAMAN PENGESAHAN
Tesis ini diajukan oleh :

Nama : Ali Khumaidi
NIM : 14000122
Judul Tesis : “Penerapan Case-Based Reasoning dan Algoritma Nearest
Neighbor untuk Penentuan Lokasi Waralaba”
Telah berhasil dipertahankan dihadapan Dewan Penguji dan diterima sebagai

bagian persyaratan yang diperlukan untuk memperoleh gelar Magister Ilmu
Komputer (M.Kom) pada Program Pascasarjana Magister Ilmu Komputer Sekolah
Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa
Mandiri).

Pascasarjana Magister Ilmu Komputer
STMIK Nusa Mandiri
Direktur
H. Mochamad Wahyudi, MM, M.Kom
DEWAN PENGUJI
Penguji I : DR. Bernadetta Kwintiana Ane .....................................
Penguji II : Sfenrianto, M.Kom .....................................
Penguji III / : DR. Eng Romi Satrio Wahono .....................................

Pembimbing

5
KATA PENGANTAR
Puji syukur alhamdullillah, penulis panjatkan kehadirat Allah, SWT, yang

telah melimpahkan rahmat dan karunia-Nya, sehingga pada akhirnya penulis
dapat menyelesaikan tesis ini tepat pada waktunya. Dimana tesis ini penulis
sajikan dalam bentuk buku yang sederhana. Adapun judul tesis, yang penulis
ambil sebagai berikut “Penerapan Case-Based Reasoning dan Algoritma Nearest
Neighbor untuk Penentuan Lokasi Waralaba”.
Tujuan penulisan tesis ini dibuat sebagai salah satu untuk mendapatkan gelar
Magister Ilmu Komputer (M.Kom) pada Program Pascasarjana Magister Ilmu
Komputer Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri
(STMIK Nusa Mandiri).
Tesis ini diambil berdasarkan hasil penelitian atau riset mengenai sistem
penentuan lokasi yang prospektif dalam pembukaan suatu waralaba dengan
menggunakan case-based reasoning dan algoritma nearest neighbor yang penulis
lakukan pada konsultan franchice, Mandiri Business Consultant (MBC). Penulis
juga lakukan pencarian serta menganalisa berbagai macam sumber referensi, baik
dalam bentuk jurnal ilmiah, buku-buku literatur, internet, dan sebagainya yang
terkait dengan pembahasan pada tesis ini.
Penulis menyadari bahwa tanpa bimbingan dan dukungan dari semua pihak
dalam pembuatan tesis ini, maka penulis tidak dapat menyelesaikan tesis ini tepat
pada waktunya. Untuk itu ijinkanlah penulis kesempatan ini untuk mengucapkan
ucapan terima kasih yang sebesar-besarnya kepada :
1. Bapak DR. Eng Romi Satrio Wahono selaku pembimbing tesis yang telah
menyediakan waktu, pikiran dan tenaga dalam membimbing penulis dalam
menyelesaikan tesis ini.
2. Istriku tercinta yang telah memberikan dukungan material dan moral.
3. Bapak Hendry E. Ramdhan dan Baihaki A.S. selaku pendiri MBC yang telah
mengijinkan penulis melakukan riset untuk mendapatkan data atau informasi
yang penulis butuhkan.

6
4. Orang tua dan mertua yang senantiasa memberikan dukungan.

5. Teman-teman yang telah memberi semangat dan dukungan moral.
6. Seluruh staf pengajar (dosen) Program Pascasarjana Magister Ilmu Komputer
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri yang
telah memberikan pelajaran yang berarti bagi penulis selama menempuh studi.
7. Seluruh staf dan karyawan Program Pascasarjana Magister Ilmu Komputer
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri yang
telah melayani penulis dengan baik selama kuliah.
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

7
SURAT PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya :
Nama : Ali Khumaidi

NIM : 14000122
Program Studi : Magsiter Ilmu Komputer
Jenis Karya : “Penerapan Case-Based Reasoning dan Algoritma Nearest
Demi pengembangan ilmu pengetahuan, dengan ini menyetujui untuk

memberikan ijin kepada pihak Program Pascasarjana Magister Ilmu Komputer
Sekolah Tinggi Manajemen Inbentukika dan Komputer Nusa Mandiri (STMIK
Nusa Mandiri) Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalti-Free
Right) atas karya ilmiah kami yang berjudul : “Penerapan Case-Based Reasoning
dan Algoritma Nearest Neighbor untuk Penentuan Lokasi Waralaba” beserta
perangkat yang diperlukan (apabila ada).
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.
Demikian pernyataan ini saya buat dengan sebenarnya.

Yang menyatakan,
Materai Rp. 6.000,-
Ali Khumaidi

8
ABSTRAK
Nama : Ali Khumaidi

NIM : 14000122
Judul : “Penerapan Case-Based Reasoning dan Algoritma Nearest
Case-Based Reasoning (CBR) adalah teknik penyelesaian masalah berdasarkan

knowledge pengalaman yang lalu. Penerapan CBR bukanlah hal baru melainkan
sudah banyak dipakai dalam pencarian solusi dengan memanfaatkan atau
mengolah data kasus sebelumnya. CBR memiliki lima tugas dalam pembentukan
knowledge yaitu case representation, case indexing, case retrieval, case
adaptation, dan case maintenance. Pada case retrieval merupakan proses
pencarian kasus yang memilki kedekatan paling besar dan pengukuran kedekatan
dengan menggunakan algoritma nearest neighbor.
Penelitian ini bertujuan memaparkan penerapan CBR dan algoritma nearest

neighbor untuk penentuan lokasi waralaba. Dimana proses penentuan lokasi
merupakan tahapan penting dalam proses pengembangan usaha. Dalam penelitian
ini dijelaskan tahapan CBR dan algoritma nearest neighbor sesuai dengan studi
kasusnya dan, meliputi teknik penyimpanan data kasus dan pencarian kemiripann
sehingga menghasilkan solusi sesuai dengan yang diinginkan. Untuk lebih
menghasilkan solusi yang tepat membutuhkan jumlah kasus yang sangat banyak
sebagai dasar pengetahuan.
Kata kunci:
Case-Based Reasoning, algoritma nearest neighbor, penentuan lokasi waralaba.

9
ABSTRACT
Name : Ali Khumaidi

NIM : 14000122
Study of Program : Magsiter Ilmu Komputer
Levels : Strata Dua (S2)
Concentration : e-Business
Titel : “Penerapan Case-Based Reasoning dan Algoritma Nearest
Case-Based Reasoning (CBR) is a problem solving technique based on the

knowledge and experience. Application of CBR is not new but already widely
used in the search for solutions by utilizing or processing data the previous case.
CBR has five tasks in the establishment of a knowledge that is the case
representation, case indexing, case retrieval, case adaptation, and case
maintenance. In the case retrieval is the process of finding cases which have the
greatest intimacy and measurement of closeness with the nearest neighbor
algorithm.
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.
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
11
BAB 4. HASIL PENELITIAN DAN PEMBAHASAN........................... 65

4.1. Implementasi Penelitian........................................................... 65
4.1.1. Targer User.................................................................... 65
4.1.2. Waktu............................................................................ 65
4.1.3. Strategi Implementasi.................................................... 65
4.2. Pengukuran Penelitian............................................................. 66
4.2.1. Analisis Hasil Pretest dan Posttest............................... 66
4.2.2. Uji Statistika................................................................. 70
4.3. Implikasi Penelitian................................................................ 73
BAB 5. PENUTUP..................................................................................... 75
5.1. Kesimpulan............................................................................ 75
5.2. Saran..................................................................................... 75
DAFTAR REFERENSI.............................................................................. 76

12
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

13
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

14
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

15
BAB 1
PENDAHULUAN
1.1. Latar Belakang Masalah

Kata “franchising” berasal dari bahasa Perancis yang artinya “free from
servitude” [1]. Sedangkan menurut the International Franchise Association yaitu:
”a continuing relationship in which the franchisor provides a licensed privilege to
do business, plus assistance in organizing, training, merchandising, and
management in return for a consideration from the franchisee.” (”relasi
berkelanjutan dimana franchisor menyediakan keistimewaan berlisensi untuk
mengoperasikan business, termasuk bantuan dalam pengorganisasian, pelatihan,
penyediaan barang dagangan dan managemen sebagai imbalan dari pembayaran
yang diberikan franchisee) [1].
Franchise dalam bahasa Indonesia dikenal dengan istilah waralaba. Secara

sederhana dapat diartikan menduplikasi kesuksesan suatu usaha kepada pihak lain
[2]. Sedangkan menurut PP 42 tahun 2007, waralaba diartikan hak khusus yang
dimiliki oleh orang perseorangan atau badan usaha terhadap sistem bisnis dengan
ciri khas usaha dalam rangka memasarkan barang dan/atau jasa yang telah terbukti
berhasil dan dapat dimanfaatkan dan/atau digunakan oleh pihak lain berdasarkan
perjanjian waralaba [3].
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.

16
Banyak buku yang menjelakan dan menjabarkan bagaimana kiat sukses

dalam membeli suatu franchise, hampir semuanya menyebutkan bahwa pemilihan
lokasi menjadi salah satu kriteria. Bahkan banyak sumber mengatakan bahwa
yang penting dalam bisnis (ritel) adalah pertama, lokasi, kedua, lokasi, ketiga,
lokasi. Para pebisnis franchise kawakan sekalipun ketika membuka gerai yang
kesepuluh atau yang keseratus, mereka tetap memperhatikan lokasi [1].
Lokasi usaha dapat ditentukan secara sembarang, keberhasilan usaha karena

lokasi yang ditentukan secara sembarang merupakan sebatas keberuntungan.
Namun, para pelaku bisnis yang masih awam seringkali tidak mengetahui
bagaimana menentukan perencanaan lokasi yang prospektif dalam pembukaan
suatu waralaba agar memberikan hasil yang diharapkan. Hal itu menyebabkan
ketidaksiapan bagi para pelaku bisnis awam dalam menghadapi permasalahan-
permasalahan yang ada. Memang tidak hanya faktor lokasi yang menjadi kunci
sukses tapi jika lokasinya bagus sudah hampir setengah jalan menuju sukses bisnis
ini [5]. Oleh karena itu, dibutuhkan suatu solusi yang dapat membantu dalam
pengambilan keputusan untuk mengatasi hal tersebut.
Laporan ini membahas tentang penerapan case-based reasoning (CBR) dan

algoritma nearest neighbor untuk menentukan lokasi waralaba dengan metode
penentuan lokasi yang dimiliki mandiri business consultant (MBC). Proses
penentuan lokasi ini menggunakan pendekatan kesamaan dari data kasus lokasi
yang lama berdasarkan atribut-atribut yang telah ditentukan. Algoritma nearest
neighbor merupakan pendekatan untuk mencari kasus dengan menghitung
kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada
pencocokan bobot dari sejumlah fitur yang ada [6].
1.2. Rumusan Masalah

Proses penentuan lokasi waralaba yang dilakukan oleh konsultan MBC
membutuhkan waktu yang lama serta hasil perbandingan kasus baru dengan kasus

17
yang sudah ada kurang akurat karena dalam membandingkan data kasus baru
dengan data kasus yang dimiliki semuanya secara manual.
1.3. Tujuan Penelitian

Mengembangkan aplikasi yang menerapkan CBR dan algoritma nearest
neighbor untuk menentukan lokasi waralaba sehingga dapat melakukan penentuan
lokasi dengan lebih cepat dan akurat dalam melakukan perbandingan kasus.
1.4. Manfaat Penelitian

a. Manfaat praktis dari hasil penelitian ini adalah diharapkan agar dapat
digunakan oleh konsultan franchise dalam penentuan lokasi waralaba serta
dengan hasil penelitian ini proses penentuan lokasi waralaba tidak lagi
harus dilakukan oleh konsultan langsung karena sistem dapat mencari
kedekatan secara otomatis. Sedangkan sebelumnya proses penentuan
lokasi harus konsultan langsung yang mengerjakan data hasil survey
karena dasar pengetahuan dan penglamannnya.
b. Manfaat teoritis dari hasil penelitian ini diharapkan dapat memberikan
sumbangan bagi konsultan franchise, khususnya untuk proses penentuan
lokasi dalam pembukaan waralaba.
c. Manfaat kebijakan dari hasil penelitian ini dapat digunakan sebagai bahan
pertimbangan bagi konsultan franchise untuk digunakan sebagai
penunjang alat bantu dalam penentuan lokasi waralaba yang prospektif
disamping metode yang sudah digunakan saat ini.
d. Sebagai acuan bagi peneliti selanjutnya, khususnya yang berkaitan dengan
sistem penentuan lokasi waralaba yang prospektif.
1.5. Sistematika Penulisan

Sistematika penulisan ini berisi tentang penjelasan secara umum pada
masing-masing bab, yang terdiri dari bab pendahuluan, landasan teori dan
kerangka pemikiran, metode penelitian, hasil dan pembahasan serta kesimpulan
dan saran.

18
Bab I – Pendahuluan
Bab pendahuluan membahas tentang latar belakang masalah, rumusan masalah,
tujuan dan manfaat penelian.
Bab II – Landasan Teori dan Kerangka Pemikiran

Bab landasan teori dan kerangka pemikiran mengupas tentang tinjuan pustaka dan
tinjauan studi yang digunakan untuk mendukung proses pembangunan sistem, dan
kerangka pemikiran mulai dari memahami masalah penelitian hingga hasil
penelitian.
Bab III – Metode Penelitian

Bab metode penelitian membahas perancangan penelitian, tahapan computing
approach, serta pengembangan sistem.
Bab IV – Hasil dan Pembahasan

Bab hasil dan pembahasan menguraikan tentang implementasi sistem, pengukuran
serta implikasi penelitian.
Bab V – Kesimpulan dan Saran

Bab kesimpulan dan saran berisi tentang kesimpulan temuan penelitian dan saran-
saran yang dibutuhkan guna pengembangan sistem lebih lanjut.

19
BAB 2
LANDASAN TEORI DAN KERANGKA PEMIKIRAN
2.1. Tinjauan Pustaka

Berikut adalah beberapa penelitian terdahulu yang terkait dengan topik CBR
dan algoritma nearest neighbor, secara garis besar tinjauan pustaka dalam tesis ini
meliputi:
a. Penentuan Harga Sewa Apartemen dengan Pendekatan CBR
Pada penelitian yang dilakukan oleh Brenna, Alastair, Stanley dan David
tentang penentuan harga sewa apartemen dengan menggunakan pendekatan
CBR dan algoritma nearest neighbor untuk mendapatkan kejelasan dan
kedekatan antar kasus[12]. Harga sewa di review dengan membuat
perbandingan sifat serupa dengan kasus yang terdahuu. Untuk menentukan
harga sewa yang baru menggunakan data kasus yang lama untuk dicari
kedekatan harga sewa yang paling sesuai. Pengukuran similarity atau
kedekatan antar kasus dan penentuan harga menggunakan algoritma nearest
neighbor.
b. Pengembangan Sistem CBR untuk Penilaian Perumahan di Bangkok

Pada penelitian yang dilakukan oleh Pachara, Nitaya dan Peter yang berjudul
“The Development of A Case-Based Reasoning System as A Tool for
Residential Valution in Bangkok”[13]. Penelitian ini mengimplementasikan
metode CBR untuk melakukan penilaian perumahan di Bangkok. Sistem CBR
ini bisa digunakan sebagai alat bantu untuk menentukan perumahan yang
disukai berdasarkan kriteria yang ditentukan. Sistem CBR menampilkan
beberapa kasus yang memiliki kedekatan dengan ketentuan yang diingikan
oleh pengguna.
c. Prediksi Kegagalan Bisnis dengan Pendekatan CBR

Pada penelitian yang dilakukan oleh Angela yang berjudul “A Hybrid Case-
Based Reasoning Approach to Business Failure Prediction”[14]. Penelitian ini

20
mengimplementasikan pendekatan CBR untuk memprediksi kegagalan suatu

bisnis di Australia. Ketika muncul masalah baru, sistem akan melakukan
pencarian pada basis data kasus untuk dicari yang serupa atau kasus terdekat
yang digunakan sebagai solusi terhadap masalah baru. Sedangkan untuk
mengukur kedekatan antar kasus menggunakan algoritma nearest neighbor.
Pendekatan ini merupakan alternatif yang efektif dan kopetitif dalam
memberikan peringatan dini dari perusahaan sebelum mengalami resiko
kegagalan.
2.2. Tinjauan Studi

2.2.1. Franchise
a. Definisi
Pengertian franchise menurut the International Franchise Association adalah:
”a continuing relationship in which the franchisor provides a licensed privilege to
do business, plus assistance in organizing, training, merchandising, and
management in return for a consideration from the franchisee.” (”relasi
berkelanjutan dimana franchisor menyediakan keistimewaan berlisensi untuk
mengoperasikan business, termasuk bantuan dalam pengorganisasian, pelatihan,
penyediaan barang dagangan dan managemen sebagai imbalan dari pembayaran
yang diberikan franchisee) [1].
Sedangkan berdasarkan Peraturan Menteri Perdagangan Republik Indonesia

nomor 12/M-DAG/PER/3/2006 tentang ketentuan dan tata cara penerbitan surat
tanda pendaftaran usaha waralaba (franchising), dalam Pasal 1 (ayat 1) dijelaskan
bahwa [6]:
“Waralaba (franchise) adalah perikatan antara Pemberi Waralaba (franchisor)

dengan Penerima Waralaba (franchisee); dimana Penerima Waralaba
(franchisee) diberikan hak untuk menjalankan usaha dengan memanfaatkan
dan/atau menggunakan hak kekayaan intelektual atau penemuan atau ciri khas
usaha yang dimiliki Pemberi Waralaba (franchisor); dengan suatu imbalan
berdasarkan persyaratan yang ditetapkan oleh Pemberi Waralaba (franchisor);

21
dengan sejumlah kewajiban menyediakan dukungan konsultasi operasional

yang berkesinambungan oleh Pemberi Waralaba (franchisor) kepada Penerima
Waralaba (franchisee).”
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
b. Tahapan Umum Penjualan Franchise

Dibawah ini adalah proses umum yang berlaku ketika menjual suatu
franchise [1]:
1. Mempromosikan franchise
2. Menerima form aplikasi
3. Memastikan keseriusan calon franchisee
4. Melakukan survey lokasi
5. Memberikan informasi yang rinci dan lebih menjual
6. Melakukan interview & investigasi
7. Review agreement
8. Menandatangani Perjanjian Franchise
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

22
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.
Banyak pendapat dari beberapa ahli tentang atribut-atribut untuk menentukan

lokasi yang baik untuk mendirikan suatu usaha. Menurut Hendry secara garis
besar, dalam menilai lokasi terutama masalah akses jalan kita dapat melihat dari
aspek makro dan mikro. Yang menyangkut aspek makro, meliputi penilaian
terhadap pola jalan, kondisi jalan dan hambatan ke lokasi. Sedangkan dalam aspek
mikro, penilaian dilakukan terhadap visibilitas, arus lalu lintas, parkir, keramaian,
dan jalan masuk ke lokasi atau jalan keluar dari lokasi [5].
Menurut Hendry ada tiga tahapan pemilihan lokasi [5]:

1. Pemilihan pasar (market selection)
2. Analisis area (area trading analysis)
3. Analisis tempat (site analysis)
Tahap pertama, yaitu pemilihan pasar (market selection). Pada tahap

pemilihan pasar beberapa aspek yang perlu dipertimbangkan dan dinilai meliputi:
aspek tingkat perekonomian masyarakat, tingkat persaingan bisnis sekitar, ukuran
populasi dan karakteristiknya, serta industri/bisnis di lingkungan sekitar.

23
Tentunya sebelum melakukan survey dan penentuan lokasi, kita sudah

mengenal bisnis franchise yang akan diambil, misalnya segmen dan target
konsumennya. Sehingga nantinya tidak salah sasaran dalam pemilihan suatu
lokasi. Keempat aspek dalam pemilihan pasar menjadi data dasar dalam
pertimbangan untuk menentukan kelayakan suatu lokasi.
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.
Selain ketiga tahapan diatas dalam pemilihan lokasi perlu dilakukan

pengukuran dan memperkirakan potensi penjualan di lokasi yang akan dipilih.
Ada dua teknik yang biasanya digunakan. Yang pertama yaitu teknik edward
beiner yang merupakan metode analisis persaingan. Metode analisis persaingan
menghitung potensi sales dari toko dengan cara membandingkan sales kompetitor
yang ada di sekitar toko. Teknik kedua yaitu teknik gravitasi huff yang berangkat
dari premis: Probabilitas pelanggan yang ada dan akan berbelanja pada toko atau
pusat perbelanjaan tertentu menjadi lebih besar seiring meningkatnya ukuran toko

24
atau pusat perbelanjaan dan dekatnya jarak/waktu perjalanan dari para pelanggan
menuju toko atau pusat perbelanjaan tersebut.
Menurut pendapat McGoldrick faktor penentu pemilihan lokasi untuk usaha

dipengaruhi beberapa faktor [7], sesuai data pada tabel 2.1.
Tabel 2.1. Analisa Faktor Pemilihan Lokasi Menurut McGoldrick:

Customers Accessbility Competition Cost
(Potential/Actual)
 Numbers by  site visibility  existing retail  purchase price
demographics (  pedestrian activity (direct  building cost
Population size,age flows competitors,  rent cost
profile, household  pedestrian indirect  leasing term
size) entry routes competitors,  site
 income level  barrier such as anchor stores, preparations
 disposanle income railway, cumulative  building
per capita tracks, rivers attraction, restrictions
 employment by  type of compatibility)  development
occupation, industry, location zone  existing retail concessions
trends  car ownership specification  rates payable
 housing density level (selling area,
 refurbishment
 housing age/type  road network ( turnover
needs
 neighbourhood estimates,
conditions,  maintenance
classification driving departement/prod
cost
 home-ownership uct analysis, trade
speeds,  security needs
congestion, areas, age of
levels  staff
 building/demolition restrictions, outlets, standart
availability
plans) of desaign, car
plans  labour rates
 parking parking)
 main employes  delivery cost
 saturation index
 spending platterns (Capasity,  insurance cost
 competitive
 shopping platterns convenience
 promotional
cost, potential (outlet
 population growth, media/costs
potential) expansion,
density and trends  turnover
 public refurbishment,
 lifestyle measures
25
 cultural/ethnic transport vacant sites, loss/other

grouping (types, cost, interception, branches
ease of use, repositioning,
potential) competitor
 visibility policy)
 access for  proximity of key
staff competitors,
 access for traders, brand
transport and leaders)
delivery
d. Metode Penentuan Lokasi Menurut Konsultan MBC

Konsultan MBC dalam menentukan lokasi baru untuk pembukaan waralaba
melakukan survey lokasi terlebih dahulu, yaitu meninjau lokasi dengan mengukur
beberapa faktor/atribut yang menjadi dasar dalam penentuan lokasi. Setelah
semua data didapatkan kemudian dilakukan perbandingan dengan me-review
kasus-kasus yang sudah ada secara manual. Dengan cara kerja yang dilakukan
membutuhkan waktu yang lama serta kemungkinan kesalahan dalam meninjau
serta me-review data kasus yang banyak.
Adapun beberapa faktor/atribut yang menjadi dasar dalam penentuan suatu

lokasi sebagai berikut :
Tabel 2.2. Atribut Penentuan Lokasi
No Atribut
1 Kategori
2 Tingkat perekonomian
3 Tingkat persaingan
4 Ukuran populasi
5 Industri / Bisnis sekitar
6 Calon konsumen
7 Posisi lokasi

26
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
Penentuan prospek suatu lokasi didasarkan pada laporan keuangan waralaba

tersebut. Dalam penentuan prospek suatu lokasi ini dibedakan menjadi 3 ukuran :
a. Sangat prospektif, jika omset harian melebihi target, target BEP (break
event point) investasi lebih cepat serta BEP operasional dapat tercapai
dalam jangka waktu 3 bulan.
b. Prospektif, jika omset harian dan target BEP investasi sesuai dari target
yang ditetapkan.
c. Kurang prospektif, jika target omset harian dan BEP tidak sesuai dari
target yang ditetapkan.
Masing-masing atribut tersebut memiliki nilai atribut yang dijadikan

penentuan dalam pengukuran. Adapun atribut dan skala pengukuran terdapat pada
tabel 2.3.

27
Tabel 2.3. Atribut, Nilai Atribut dan Ukuran Penentuan Lokasi

No Atribut Nilai Atribut Ukuran Keterangan
1 Kategori Makanan Waralaba yang
menjual produk
makanan
Minuman Waralaba yang
menjual produk
minuman
Kesehatan Waralaba yang
menjual produk
dan jasa kesehatan
Kecantikan Waralaba yang
menjual produk dan
jasa kecantikan
Anak Waralaba yang
menjual produk
anak
Pakaian Waralaba yang
menjual produk
pakaian
Laundry dan Waralaba yang
jasa kebersihan menjual jasa
laundry dan
kebersihan
Otomotif Waralaba yang
menjual produk dan
jasa otomotif
Penginapan Waralaba yang
menjual jasa
penginapan
Travel Waralaba yang
menjual jasa
perjalanan
Furniture Waralaba yang

28
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

29
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

30
Rendah Jalan tidak rusak,

transporasi tidak
sulit, tidak jauh dari
perumahan
11 Visibilitas Mudah Mudah terlihat
Sulit Sulit terlihat
12 Parkir Luas Lebih dari 5 mobil
Cukup Kapasitas 1 - 5
mobil
Tidak Tidak ada
13 Keramaian Tinggi Lebih dari 1000 Jumlah orang
Sedang Antara 500 – 1000 yang lewat di
Rendah Kurang dari 500 depan lokasi
dalam sehari (
waktu buka
toko)
14 Renovasi Tinggi Perlu tambahan
bangunan /
perbaikan besar
Rendah Hanya perlu cat
dinding dan
perbaikan kecil
15 Arus lalu lintas Macet Sering terjadi
kemacetan disekitar
lokasi
Tidak Tidak terjadi
kemacetan disekitar
lokasi
16 Keamanan Aman Tidak pernah
terjadi pencurian,
ada penjaga
keamanan di sekitar
lokasi
Kurang Pernah terjadi

31
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

32
Rendah Sebagian besar usia

tidak produktif,
tidak bekerja, dan
tidak konsumtif
21 Luas area Tinggi Pilihan waralaba Sesuai paket
jenis yang paling pilihan
besar waralaba
Sedang Pilihan waralaba
jenis yang paling
Sedang
Kecil Pilihan waralaba
jenis yang paling
kecil
22 Usia penduduk Tinggi Usia target lebih Usia target
dari jumlah produk
setengah populasi waralaba
Rendah Usia target kurang dalam area
dari jumlah 360º dalam
setengah populasi radius 1-5 km
23 Propek Sangat omset harian
prospektif melebihi target,
target BEP
investasi lebih
cepat dan BEP
operasional dapat
tercapai dalam
jangka waktu 3
bulan.
Prospektif omset harian dan
target BEP
investasi sesuai dari
target yang
ditetapkan
Kurang target omset harian
prospektif dan BEP investasi
33
tidak sesuai dari

target yang
ditetapkan
Semua atribut menjadi dasar penentuan prospek suatu lokasi. Ketika

melakukan survey maka akan didata semua hal yang terkait dengan aturan
penentuan lokasi.
d. Pembobotan Atribut dan Perbandingan Nilai Atribut Menurut Konsultan

MBC
Dalam menentukan suatu lokasi yang prospektif dilakukan pengukuran
kedekatan kasus baru dengan data kasus yang telah ada. Untuk pengukuran
kedekatan menggunakan beberapa atribut dan nilai atribut yang terkait. Yang
menjadi atribut tujuan adalah prospek lokasi. Selain atribut tujuan diberikan bobot
dengan nilai antara 0 sampai dengan 1. Nilai 0 artinya jika atribut tersebut tidak
berpengaruh dalam penentuan sebuah lokasi dan sebaliknya nilai 1 jika atribut
sangat berpengaruh dalam menentukan sebuah lokasi. Data pemberian bobot
atribut pada tabel 2.4.
Masing-masing nilai atribut yang terkait diperbandingkan dengan

memberikan bobot nilai antara 0 sampai dengan 1 sesuai dengan kedekatan antar
nilai atribut. Nilai 0 artinya jika antar nilai atribut tidak memiliki
kedekatan/hubungan dan sebaliknya nilai 1 jika antar nilai atribut sangat
berdekatan/berhubungan. Data perbandingan bobot nilai atribut terdapat pada
lampiran 1.
Tabel 2.4. Pembobotan Atribut
No Atribut Bobot
1 Kategori 1
2 Tingkat perekonomian 0,6
3 Tingkat persaingan 0,4
4 Ukuran populasi 0,4
5 Industri sekitar 0,5

34
6 Calon konsumen 0,6

7 Posisi lokasi 0,5
8 Pola jalan 0,7
9 Kondisi jalan 0,5
10 Hambatan ke lokasi 0,7
11 Visibilitas 1
12 Parkir 0,5
13 Keramaian 0,8
14 Renovasi 0,2
15 Arus lalu lintas 0,5
16 Keamanan 0,2
17 Tenaga kerja 0,2
18 Bahan baku 0,2
19 Transportasi 0,5
20 Daya beli 0,8
21 Luas area 0,5
22 Usia penduduk 0,7
2.2.2. Case-Based Reasoning (CBR)

CBR adalah teknik penyelesaian masalah berdasarkan knowledge pengalaman
yang lalu [8]. Aamodt dan Plaza menggambarkan tipe CBR sebagai suatu proses
melingkar yang terdiri dari the four Res[9]:
1. Retrieve
Yaitu proses memperoleh kasus-kasus yang mirip untuk dibandingkan dengan
kumpulan kasus-kasus dimasa lalu. Proses ini dimulai dengan tahapan
pengenalan masalah dan berakhir ketika kasus yang ingin dicari solusinya
telah ditemukan kemiripannya dengan kasus yang telah ada. Adapun tahapan
yang ada pada retrieve ini adalah sebagai berikut:
a. Identifikasi Masalah
b. Memulai Pencocokan
c. Menyeleksi
35
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.

36
Skema CBR ditunjukkan oleh gambar dibawah ini :
Gambar 2.1. Skema Proses CBR
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
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.
Untuk lebih memperdalam pemahaman, berikut diberikan contoh kasus

informasi sewa mobil jika seseorang membutuhkan informasi mengenai harga
sewa mobil. Informasi sewa mobil ini diambil dari “Wit Rencar Online”
(http://www.witrencar.com), sebagai contoh data yang ditampilkan hanya 4
kasus, lebih jelasnya pada tabel 2.5.
Tabel 2.5. Informasi Sewa Mobil

Kasus Mobil Tahun CC Keterangan Harga Sewa (Harian)
1 Toyota 2007 1300 M/T Harian : 300 Ribu
Avanza
2 Toyota 2007 1300 A/T Harian : 350 Ribu
Avanza
3 Grand 2008 1500 A/T Harian : 500 Ribu
Livina
4 Grand 2008 1500 M/T Harian : 425 Ribu
Livina
Pada case representation dapat disajikan seperti tabel 2.6.

Tabel 2.6. Case Representation
Id_kasus : 1
Atribut Masalah
Mobil Grand Livina
Tahun 2008

38
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

39
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

40
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.
2.2.3. Algoritma Nearest Neighbor

Algoritma nearest neigbor merupakan pendekatan untuk mencari kasus
dengan kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada
kecocokan bobot sejumlah fitur yang ada [6]. Metode ini mencari jarak terhadap
tujuan dari data yang telah disimpan sebelumnya. Setelah didapatkan jaraknya
kemudian dicari jarak terdekat. Jarak terdekat tersebut yang digunakan untuk
mencari identitas tujuan. Contoh kasus, misal diinginkan untuk mencari solusi
terhadap masalah seorang pasien baru dengan menngunakan solusi dari pasien
lama. Untuk mencari solusi dari pasien baru tersebut digunakan kedekatan dengan
kasus pasien lama, solusi dari kasus lama yang memiliki kedekatan dengan kasus
baru digunakan sebagai solusinya.
Algoritma nearest neighbor dikelompokkan dalam 2 jenis, yaitu 1-NN dan k-

NN. Jika 1-NN proses klasifikasi dilakukan terhadap 1 label data terdekat
sedangkan jika k-NN proses klasifikasi dilakukan terhadap k label data terdekat (
k > 1 ). Dalam proses pengolahannya keduanya sama-sama menghitung jarak data
baru ke setiap label data kemudian ditentukan label data yang memiliki jarak
terdekat atau paling minimum.

41
Gambar 2.2. Ilustrasi Kasus Algoritma Nearest Neigbor
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.
Adapun rumus yang digunakan dalam perhitungan kedekatan (similarity)

adalah sebagai berikut [6]:
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

42
w = Bobot yang diberikan pada atribut ke-i
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.
Supaya lebih mudah dalam pemahaman tentang kedekatan (similarity)

diberikan contoh kasus sebagai berikut: Kasus berikut adalah bagaimana
kemungkinan seorang calon siswa baru apakah akan bermasalah atau tidak selama
proses pembelajaran. Maksud dari seorang siswa bermasalah jika siswa tersebut
mengalami masalah dalam hal nilai akademik yang kurang bagus. Siswa yang
memiliki nilai akademik yang kurang bagus bisa diakibatkan beberapa hal, misal:
faktor keluarga siswa, kebiasaan siswa, pertemanan diluar sekolah siswa, dan
sebagainya.
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

43
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 mengukur kedekatan, kemudian akan diberikan bobot pada atribut,

bobot antar atribut yang bukan tujuan dapat didefinisikan dengan nilai. Pemberian
bobot nilai ini diberikan antara 0 sampai dengan 1. Nilai 0 artinya jika atribut
tidak berpengaruh dan sebaliknya nilai 1 jika atribut sangat berpengaruh. Berikut
data pembobotan atribut:
Tabel 2.8. Bobot Atribut
Atribut Bobot
Jenis Kelamin 0.5
Anak ke- 0.8
Orang tua 1
Berikutnya kedekatan antar atribut dapat didefinisikan dengan nilai.

Pemberian bobot nilai ini diberikan antara 0 sampai dengan 1. Nilai 0 artinya jika
antar atribut tidak memiliki kedekatan dan sebaliknya nilai 1 jika antar atribut
sangat berdekatan. Kedekatan antar atribut didefinisikan sebagai berikut :
Tabel 2.9. Kedekatan Bobot Atribut Jenis Kelamin

Nilai 1 Nilai 2 Bobot Kedekatan
Laki-Laki Laki-Laki 1
Perempuan Perempuan 1
Laki-Laki Perempuan 0.5
Perempuan Laki-Laki 0.5
Tabel 2.10. Kedekatan Bobot Anak Ke-

Pertama Pertama 1
Kedua Kedua 1

44
Pertama Kedua 0.5

Kedua Pertama 0.5
Tabel 2.11. Kedekatan Bobot Orang Tua

Bapak & Ibu Bapak & Ibu 1
Bapak Bapak 1
Bapak & Ibu Bapak 0.5
Bapak Bapak & Ibu 0.5
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

A : Kedekatan bobot atribut jenis kelamin (laki-laki dengan perempuan)= 0.5
C : Kedekatan bobot anak ke (anak kedua dengan anak kedua) = 1
E : Kedekatan bobot orang tua (diasuh bapak dengan bapak&ibu)= 0.5
45

Perhitungan :
= ((0.5*0.5) + (1*0.8) + (0.5*1)) / (0.5+0.8+1)
= 1.55 / 2.3
= 0.67

A : Kedekatan bobot atribut jenis kelamin (laki-laki dengan laki-laki) = 1
C : Kedekatan bobot anak ke (anak kedua dengan anak kedua) = 1
E : Kedekatan bobot orang tua (diasuh bapak dengan bapak&ibu) = 0.5
Perhitungan :
= ((1*0.5) + (1*0.8) + (0.5*1)) / (0.5+0.8+1)
= 1.8 / 2.3
= 0.78
Setelah dihitung nilai kedekatannya yang tertinggi adalah kasus nomor 1.

Dengan demikian kasus yang terdekat dengan kasus baru adalah kasus nomor 1.
Jadi kemungkinan siswa baru tersebut akan bermasalah dalam pembelajaran.
2.3. Tinjauan Organisasi/Objek Penelitian

Konsultan franchise Mandiri Business Consultant (MBC) telah berdiri sejak
tahun 2008, dan berkantor di Jl. Dahlia no. 88 pondok pucung indah pondok aren
tangerang 15229. Konsultan ini dirintis oleh Baihaki A.S. dan Hendry E.
Ramdhan. Awalnya kedua perintis tersebut bergabung dengan IFBM
(International Franchise Business management). Aktifitas MBC lebih terfokus

46
pada program pengembangan franchise (franchise development) bagi perusahaan-

perusahaan nasional.
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.
2.4. Kerangka Pemikiran

Penelitian ini berawal dari pengamatan akan metode yang digunakan dalam
penentuan lokasi suatu waralaba oleh konsultan MBC. Jika diamati proses
penentuan lokasi waralaba semua tahapan dilakukan secara manual sehingga
membutuhkan waktu yang lama, serta hasil perbandingan kasus baru dengan data
kasus yang ada kurang akurat. Untuk itulah dilakukan pendekatan dengan
penerapan CBR dan algoritma nearest neighbor untuk penentuan lokasi waralaba
yang prospektif.
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.
Berikut adalah kerangka pemikiran dalam bentuk gambar :

47
Gambar 2.3. Kerangka Pemikiran

48
BAB 3
METODE PENELITIAN
3.1. Perancangan Penelitian

3.1.1. Jenis Penelitian
Untuk menganalisa pengaruh kecepatan dan keakuratan dalam penentuan
lokasi waralaba yang prospektif dengan penerapan CBR dan algoritma nearest
neighbor digunakan metode penelitian eksperimen kualitatif, dengan pola one-
group experiment. Desain yang digunakan yaitu one group pretest dan
posttest design atau dikenal sebagai pola “sebelum dan sesudah” dengan
menggunakan satu kelompok.
3.1.2. Metode Pengumpulan Data

Untuk mendukung penelitian dilakukan pengumpulan data sebagai berikut:
1. Sumber Data
a. Data Primer
Adalah data yang diperoleh secara langsung dari sumber, misalnya data-
data hasil wawancara dan diskusi langsung dengan konsultan MBC dan
pengamatan langsung dari konsultan MBC.
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.

49
3. Instrumen Pendukung Penelitian

Dalam melakukan penelitian ini, digunakan alat bantu berupa :
a. Sistem yang menerapkan CBR dan algoritma nearest neighbor untuk
penentuan lokasi waralaba yang prospektif.
b. Angket kuesioner untuk pretest.
c. Angket kuesioner untuk posttest.
Untuk mengetahui atau menguji adanya pengaruh kecepatan dan keakuratan

dalam penentuan lokasi waralaba yang prospektif dengan penerapan CBR dan
algoritma nearest neighbor, digunakan analisis pretest dan posttest dengan
metode t-test. Metode ini digunakan karena t-test dapat digunakan untuk menguji
kecocokan atas perbedaan pada suatu eksperimen yang menggunakan satu
kelompok sampel.
3.2. Tahapan Computing Approach

Untuk menentukan penilaian suatu lokasi waralaba dengan penerapan CBR
dan algoritma nearest neighbor terlebih dahulu menganalisa data kasus kemudian
menentukan atribut yang menjadi dasar dalam penentuan lokasi. Setelah itu
atribut-atribut tersebut ditentukan mana yang termasuk atribut solusi / atribut
tujuan dan atribut yang digunakan dalam penentuan lokasi / atribut aktif. Atribut
yang aktif tersebut kemudian ditentukan bobot nilainya, antara 0 sampai dengan 1.
Nilai 0 artinya jika atribut tersebut tidak berpengaruh dalam penentuan sebuah
lokasi dan sebaliknya nilai 1 jika atribut sangat berpengaruh dalam menentukan
sebuah lokasi. Adapun untuk penentuan atribut dan pembobotan atribut digunakan
metode dan pembobotan dari konsultan MBC. Data atribut terdapat pada tabel 2.2
dan data pembobotan atribut pada tabel 2.4.
Setelah penentuan atribut kemudian penentuan nilai atribut untuk masing-

masing atribut yang telah ditentukan. Adapun untuk penentuan nilai atribut
digunakan metode dari konsultan MBC. Data nilai atribut terdapat pada tabel 2.3.

50
Atribut yang telah ditentukan nilai atributnya kemudian diperbandingkan

antar nilai atributnya, dengan bobot nilai antara 0 sampai dengan 1 sesuai dengan
kedekatan antar nilai atribut. Nilai 0 artinya jika antar nilai atribut tidak memiliki
kedekatan/hubungan dan sebaliknya nilai 1 jika antar nilai atribut sangat
berdekatan/berhubungan. Data perbandingan bobot nilai atribut terdapat pada
lampiran 1.
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
sesuai rumus diatas maka dapat dilakukan perhitungan sebagai berikut:
Similarity = (B1*1) + (B2*0,6) + (B3*0,4) + (B4*0,4) + (B5*0,5) + (B6*0,6)

+ (B7*0,5) + (B8*0,7) + (B9*0,5) + (B10*0,7) + (B11*1) +
(B12*0,5) + (B13*0,8) + (B14*0,2) + (B15*0,5) + (B16*0,2) +
(B17*0,2) + (B18*0,2) + (B19*0,5) + (B20*0,8) + (B21*0,5) +
(B22*0,7) / (1 + 0,6 + 0,4 + 0,4 + 0,5 + 0,6 + 0,5 + 0,7 + 0,5 + 0,7
+ 1 + 0,5 + 0,8 + 0,2 + 0,5 + 0,2 + 0,2 + 0,2 + 0,5 + 0,8 + 0,5 +
0,7)
atau
51
Similarity = (B1*1) + (B2*0,6) + (B3*0,4) + (B4*0,4) + (B5*0,5) + (B6*0,6)

+ (B7*0,5) + (B8*0,7) + (B9*0,5) + (B10*0,7) + (B11*1) +
(B12*0,5) + (B13*0,8) + (B14*0,2) + (B15*0,5) + (B16*0,2) +
(B17*0,2) + (B18*0,2) + (B19*0,5) + (B20*0,8) + (B21*0,5) +
(B22*0,7) / 12
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
3.3. Pengembangan Sistem

Sistem yang akan dikembangkan berupa sistem yang menerapkan CBR dan
algoritma nearest neighbor untuk penentuan lokasi waralaba yang prospektif.

52
Sitem yang akan dibuat diharapkan dapat meningkatkan kecepatan dan keakuratan
dalam penentuan lokasi waralaba.
Sistem yang dikembangkan akan membandingkan data hasil survey (kasus

baru) dengan data kasus yang ada untuk dicari kedekatan antar kasus tersebut.
Kasus dengan kedekatan paling besar akan menjadi solusi dalam penentuan lokasi
waralaba.
3.3.1. Analisa Kebutuhan

3.3.1.1.Analisa Kebutuhan Pemakai
Sebagai tahap awal dalam pengembangan sistem, diperlukan adanya analisa
kebutuhan sistem oleh pemakai. Hal ini sangat diperlukan agar sistem yang akan
dibuat sesuai dengan keinginan dan kebutuhan pemakai yaitu konsultan MBC.
Adapun kegiatan yang dilakukan untuk menganalisa kebutuhan pemakai adalah
sebagai berikut:
a. Melakukan wawancara terhadap responden (konsultan MBC).
Wawancara yang dilakukan untuk mengetahui sekilas tentang metode
penentuan lokasi waralaba serta kendala yang dihadapi. Selain itu juga
untuk mengetahui lamanya waktu dan keakuratan dalam penentuan lokasi
waralaba. Dari hasil wawancara diperoleh hasil bahwa dalam penentuan
lokasi waralaba membutuhkan waktu yang cukup lama serta hasil prediksi
atas perbandingan kasus baru dengan data kasus hasilnya kurang akurat.
Semua proses dalam dalam penentuan lokasi waralaba dilakukan dengan
manual serta mengandalkan kejelian dari konsultan.
b. Melakukan observasi di konsultan MBC.

Observasi dilakukan untuk mengetahui proses dalam melakukan survey
dan analisa hasil survey atau membandingkan hasil survey dengan data
kasus yang ada. Kadang dalam membandingkan kasus para konsultan
merasa kesulitan karena banyaknya data yang harus dibandingkan dengan
jumlah atribut dan nilai nilai atribut yang banyak pula.

53
c. Melakukan analisa data dan dokumen.

Data dan dokumen yang dianalisa adalah data kasus waralaba yang ada di
konsultan MBC. Data kasus dikelompokkan sesuai kategori dan prospek
masing-masing.
Dari hasil wawancara, observasi, dan analisa data, teridentifikasi

kebutuhan pemakai sebagai berikut:
a. Konsultan merasa lama dalam mengolah dan membandingkan data hasil
survey (kasus baru) dengan data kasus yang ada. Karena banyaknya data
yang harus dibandingkan dengan jumlah atribut dan nilai nilai atribut yang
banyak.
b. Hasil penentuan lokasi kadang kurang akurat karena dalam mengolah data
secara manual dengan membandingkan data kasus per kasus. Dalam hal ini
mutlak mengandalkan pengalaman dan kejelian dari konsultan.
c. Penyimpanan data kasus tersebar dalam beberapa file sehingga agak
menyulitkan dalam proses penentuan lokasi waralaba.
Dengan demikian diperlukan sebuah sistem yang memudahkan konsultan

dalam penentuan lokasi waralaba sehingga lebih cepat, akurat, serta data kasus
dapat tersimpan dalam basis data.
3.3.1.2.Analisa Kebutuhan Sistem

Untuk mengembangkan dan menjalankan sistem ini perlu adanya
dukungan sistem perangkat komputer yang memadai baik hardware maupun
software. Adapun perangkat keras atau hardware yang diperlukan dalam
penerapan sistem adalah satu set perangkat komputer spesifikasi sebagai
berikut: Prosesor: Minimum 1 Ghz, Memory : Minimum 128 Mb, Storage
media: Minimum 20 GB, Layar Display: Minimum SVGA 14 inchi, Mouse,
Keyboard dan peripheral pendukung.
Adapun software yang diperlukan sebagai pendukung pengembangan

sistem ini adalah : Sistem Operasi Microsoft Windows XP, Delphi 7 dan

54
basis data Interbase 6.5. Spesifikasi tersebut adalah spesifikasi minimal yang
disarankan dan jika lebih tinggi semakin baik.
3.3.2. Perancangan Sistem (Design)

3.3.2.1.Sistem (UML Diagram)
Keseluruhan proses dalam perancangan sistem ini digambarkan dalam bentuk
pemodelan visual Unified Modelling Language (UML). Merancang adalah
menemukan suatu cara untuk menyelesaikan masalah, salah satu tool / model
untuk merancang pengembangan software yang berbasis object oriented adalah
UML.
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
Mengatur Nilai Atribut

Pengguna
Membandingkan
Bobot Nilai Atribut
Menguj i Lokasi Baru
Gambar 3.1 Use Case Diagram Sistem

55
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
tambah data kasus
simpan data kasus
tampilkan hasil data

kasus
Selesai
Gambar 3.2 Activity Diagram Menambah Data Kasus
Diagram di atas menjelaskan proses penambahan data kasus pada sistem

kemudian menyimpan dalam database.
2. Activity Diagram Mengatur Atribut

act Mengatur Atribut
Mulai
pengaturan atribut
simpan pengaturan atribut
tampilkan hasil
pengaturan atribut
Selesai
Gambar 3.3 Activity Diagram Mengatur Atribut

56
Diagram di atas menjelaskan proses pengaturan atribut pada sistem

kemudian menyimpan dalam database.
3. Activity Diagram Mengatur Nilai Atribut

act mengatur Nilai Atribut
Mulai
pilih atribut
tambahkan nilai atribut
simpan nilai atribut
tampilkan nilai atribut
Selesai
Gambar 3.4 Activity Diagram Mengatur Nilai Atribut
Diagram di atas menjelaskan proses pengaturan atribut pada sistem,

sebelum melakukan penambahan nilai atribut terlebih dahulu memilih
atribut kemudian menyimpan dalam database.

57
4. Activity Diagram Membandingkan Bobot Nilai Atribut

act Membandingkan Bobot Nil...
Mulai
pilih atribut
tambahkan bobot nilai

atribut
simpan perbandingan nilai

atribut
tampilkan hasil
perbandingan nilai atribut
Selesai
Gambar 3.5 Activity Diagram Membandingkan Bobot Nilai Atribut
Diagram di atas menjelaskan proses pembandingan bobot nilai atribut pada

sistem, sebelum melakukan penambahan nilai atribut terlebih dahulu
memilih atribut kemudian menyimpan dalam database.
5. Activity Diagram Menguji Lokasi Baru

act Menguj i Lokasi Baru
Mulai
pilih nilai atribut
tampilkan hasil penguj ian

lokasi baru
Selesai
Gambar 3.6 Activity Diagram Menguji Lokasi Baru

58
Diagram di atas menjelaskan proses pengujian lokasi pada sistem, sebelum

menampilkan hasil pengujian terlebih dahulu memilih nilai atribut.
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
Pengguna FormDataKasus CtrlFormDataKasus Kasus
tambah()
tambah()
Verifikasi data kasus
simpan()
Hasil tambah data kasus
Gambar 3.7 Sequence Diagram Penambahan Data Kasus
Proses penambahan data kasus di awali dengan pengguna memasukkan data

kasus, kemudian dilakukan verifikasi data kasus, jika data kasus benar maka
langsung disimpan dalam database. Pengguna dapat melihat hasil
penambahan data kasus pada layar.

59
2. Sequence Diagram Pengaturan Atribut
Pengguna FormPengaturanAtribut CtrlFormPengaturanAtribut Atribut
tambah()
tambah()
Verifikasi atribut
simpan()
Hasil tambah atribut
Gambar 3.8 Sequence Diagram Pengaturan Atribut
Proses pengaturan atribut di awali dengan pengguna memasukkan data

atribut, kemudian dilakukan verifikasi atribut, jika data atribut benar maka
langsung disimpan dalam database. Pengguna dapat melihat hasil
penambahan atribut pada layar.
3. Sequence Diagram Pengaturan Nilai Atribut
Pengguna FormPengaturanNilaiAtribut CtrlFormPengaturanNilaiAtribut Atribut Nilai_Atribut
PilihAtribut()
getnamaatribut
tambah()
tambah()
Verifikasi nilai atribut

simpan()
Hasil tambah nilai atribut
Gambar 3.9 Sequence Diagram Pengaturan Nilai Atribut

60
Proses pengaturan nilai atribut di awali dengan pengguna memilih atribut,

kemudian pengguna akan memasukkan nilai atribut dan akan dilakukan
verifikasi nilai atribut, jika data nilai atribut benar maka langsung
disimpan dalam database. Pengguna dapat melihat hasil penambahan nilai
atribut pada layar.
4. Sequence Diagram Perbandingan Bobot Nilai Atribut
Pengguna FormPerbandinganNilaiAtribut CtrlFormPerbandinganNilaiAtribut Atribut Perbandingan
PilihAtribut()
getnamaatribut
nilai()
nilai()
Verifikasi bobot
simpan()
Hasil nilai bobot
Gambar 3.10 Sequence Diagram Perbandingan Bobot Nilai Atribut
Proses perbandingan bobot nilai atribut di awali dengan pengguna memilih

atribut, kemudian pengguna akan memasukkan bobot nilai atribut dan
akan dilakukan verifikasi bobot nilai atribut, jika data bobot nilai atribut
benar maka langsung disimpan dalam database. Pengguna dapat melihat
hasil penambahan bobot nilai atribut pada layar.

61
5. Sequence Diagram Pengujian
Pengguna FormPengujian CtrlFormPengujian Nilai_Atribut Kasus
pilihNilaiAtribut()
getnilaiatribut
hitungNilai()
Hitung kedekatan
Simpan kedekatan
Hasil pengujian
Gambar 3.11 Sequence Diagram Pengujian
Proses pengujian di awali dengan pengguna yang menginput dengan

memilih nilai atribut, kemudian akan dilakukan penghitungan kedekatan
antar kasus baru dengan kasus lama dan nilai kedekatan akan disimpan
dalam database kasus. Kasus dengan nilai kedekatan terbesar akan
menjadi solusi atau hasil tampilan.
d. Class Diagram
Diagram dibawah ini menggambarkan tentang adanya keterhubungan dari
masing-masing entiti (entity) :

62
class Aplikasi Waralaba
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()
Gambar 3.12 Class Diagram Sistem

63
3.3.2.2. Database Sistem

a. Susunan Tabel
Database sistem terdiri dari beberapa tabel yaitu tabel kasus, tabel
atribut, tabel nilai_atribut dan tabel perbandingan.
Tabel 3.1 Tabel Kasus

Nama Field Tipe
Id_kasus INTEGER NOT NULL
Waralaba VARCHAR(50) NOT NULL
Kategori VARCHAR(50)
Alamat VARCHAR(255)
Investasi VARCHAR(30)
Perekonomian VARCHAR(30)
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)

64
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)
kedekatan NUMERIC(15,2) DEFAULT 0
Tabel 3.2 Tabel Atribut

Nama Field Tipe
Nama_atribut VARCHAR(30) NOT NULL
Asal_atribut CHAR(1) DEFAULT Y
Tujuan_atribut CHAR(1) DEFAULT T
Bobot NUMERIC(15,2) DEFAULT 1
Tabel 3.3 Tabel Nilai_Atribut

Nama Field Tipe
Nilai_atribut VARCHAR(30) NOT NULL
Tabel 3.4 Tabel Perbandingan

Nama Field Tipe
Kasus_lama VARCHAR(30) NOT NULL
Kasus_baru VARCHAR(30) NOT NULL
Bobot NUMERIC(15,2)

65
b. Entity Relationship Diagram (ERD)

Berdasarkan analisis yang telah dilakukan, data-data yang terkait
dengan sistem yang akan dikembangkan kemudian dimodelkan dengan
menggunakan ERD. Pemodelan tersebut dapat dilihat pada gambar
3.13 .
Gambar 3.13. ERD Sistem
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
66
mempengaruhi integritas data dalam relasi. Pada keempat tabel ditas

telah memenuhi standar normalisasi database pada tingkat 3NF.
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.
Gambar 3.13 Rancangan Layar Menu Utama
b. Rancangan Layar Data Kasus

Pada layar data kasus akan muncul data kasus sesuai data yang ada dalam
database. Pengguna dapat melakukan penambahan, pengapusan dan

67
pengeditan data kasus pada tombol navigasi. Untuk keluar dari menu data
kasus pengguna dapat menekan tombol keluar.
Gambar 3.14 Rancangan Layar Data Kasus
c. Rancangan Layar Pengaturan Atribut

Pada layar pengaturan atribut akan muncul data atribut sesuai data yang ada
dalam database. Pengguna dapat melakukan penambahan, pengapusan dan
pengeditan data atribut pada tombol navigasi. Untuk keluar dari menu
pengaturan atribut dengan menekan tombol keluar.

68
Gambar 3.15 Rancangan Layar Pengaturan Atribut
d. Rancangan Layar Pengaturan Nilai Atribut

Pada layar pengaturan nilai atribut pengguna dapat melakukan penambahan
nilai atribut. Untuk dapat melakukan penambahan nilai atribut maka pengguna
terlebih dahulu memilih atribut kemudian menambah nilai atribut tersebut.
Nilai atribut yang ditambahkan langsung tampil pada layar. Tombol keluar
untuk keluar dari menu.

69
Gambar 3.16 Rancangan Layar Pengaturan Nilai Atribut
e. Rancangan Layar Perbandingan Bobot Nilai Atribut

Pada layar perbandingan bobot nilai atribut pengguna dapat memberi dan
meng-edit bobot antar nilai atribut pada kolom yang tersedia. Untuk
memberikan bobot nilai atribut, pengguna terlebih dahulu memilih atribut.
Untuk menyimpan pembobotan nilai atribut pengguna menekan tombol
simpan dan untuk keluar dari menu ini dengan menekan tombol keluar.

70
Gambar 3.17 Rancangan Layar Perbandingan Bobot Nilai Atribut
f. Rancangan Layar Pengujian Lokasi Baru

Layar pengujian lokasi baru untuk melakukan pengujian terhadap suatu kasus
untuk mengetahui prospek dari lokasi data kasus. Untuk melakukan pengujian
pengguna akan menekan tombol mulai dan memilih nilai atribut yang sesuai
setelah itu menekalan tombol selanjutnya untuk memilih nilai atribut
berikutnya hingga nilai atribut yang terakhir kemudian akan muncul informasi
tentang prospek data kasus. Untuk memulai pengujian lagi dengan menekan
tombol kosongkan kemudian tombol mulai. Untuk keluar dari menu pengujian
lokasi dengan menekan tombol keluar.

71
Gambar 3.18 Rancangan Layar Pengujian Lokasi Baru
3.3.3. Konstruksi Sistem (Coding)

Setelah melakukan penggalian data dan melakukan perancangan sistem,
langkah berikutnya adalah mengimplementasikan hasil rancangan sistem dalam
wujud nyata sebuah perangkat lunak.
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
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;
b. Menyimpan Nilai Kedekatan

Script untuk menyimpan nilai kedekatan adalah sebagai berikut:
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;
c. Pencarian Kedekatan Paling Besar

Script untuk melakukan pencarian kedekatan terbesar adalah sebagai berikut:
DataModul.Transaksi.CommitRetaining;
Close;
SQL.Text := 'select * from kasus '+' where kedekatan = (select max(kedekatan)
from kasus) ';
Open;
d. Perbandingan Bobot Nilai Atribut

Script untuk melakukan perbandingan nilai atribut adalah sebagai berikut:
kolom := 1;
begin
Close;
SQL.Clear;
SQL.Text := 'select bobot '+' from perbandingan '+' where nama_atribut =
:atribut'+ ' and kasus_lama = :bobotNilai ';
73
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;
3.3.4. Pengujian Sistem (Testing)

Setelah pembuatan sisem selesai, tahap berikutnya adalah pengujian
sistem. Pengujian dilakukan dengan teknik pengujian perangkat lunak yaitu white
box testing dan black box testing.
3.3.4.1.Pengujian White Box

White box testing merupakan pengujian software dengan metode pengujian
jalur dasar (basic path), pengujian kondisi, pengujian aliran data dan pengujian
loop. White box testing digunakan untuk memastikan bahwa:
a. Tiap jalur dilalui paling sedikit satu kali.
b. Teruji setiap kondisi percabangan untuk nilai “benar” dan “salah”.
c. Teruji setiap loop pada batasannya dan pada batas operasionalnya.
d. Struktur data internalnya sahih (valid).
Pengujian sistem ini tidak dilakukan terhadap keseluruhan program, tetapi

digunakan sampel dari salah satu tahapan, yaitu penghitungan kedekatan. Secara
garis besar algoritma penghitungan kedekatan adalah sebgai berikut:
a. Pengecekan terhadap atribut, bobot_atribut, jml_atribut, total_bobot pada
atribut yang bukan tujuan/solusi pada tabel atribut. Kemudian mencari
kasus pada tabel kasus.
b. Kemudian melakukan pencarian kasus dengan nilai kedekatan terbesar,
jika ditemukan akan ditampilkan hasilnya.

74
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.
Penghitungan kedekatan dapat digambarkan pada diagram alir seperti yang

ditunjukkan pada gambar 3.19.
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
Query1: Cari kasus

Query1.Eof? Ya dengan nilai kedekatan
terbesar
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)
Gambar 3.19 Bagan Alir Penghitungan Kedekatan
Kode program untuk penghitungan kedekatan adalah sebagai berikut:

while not eof do
begin
//hitung kedekatan
LKeterangan.Caption := FieldByname('id_kasus').AsString;
Application.ProcessMessages;

75
begin
kedekatan := 0;
begin
Close;
SQL.Text := ' select bobot '+' from perbandingan '+' where nama_atribut = :nama '+' and
kasus_lama = :lama '+' and kasus_baru = :baru ';
ParamByName('lama').AsString := DataModul.Query1.Fieldbyname(atribut[i]).AsString;
Open;

end;
//simpan kedekatan
Close;
ParamByName('id').AsInteger := DataModul.Query1.FieldbyName('id_kasus').AsInteger;
ExecSQL;
end;
Next;
end;
//tampilkan kedekatan terbesar dan hasilnya
Close;
SQL.Text := 'select * from kasus '+' where kedekatan = (select max(kedekatan) from kasus) ';
Open;
begin
daftar := LVKasusLama.Items.Add;

76
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.
3.3.4.2.Pengujian Black Box

Metode black-box testing adalah metode pengujian sistem yang terfokus
pada functional requirement sistem, dan bukan pada source code yang
membangun sistem tersebut [11]. Dengan metode black box testing, kita dapat
melakukan pengujian seluruh functional requirements sistem dengan memasukkan
berbagai macam input, dan kemudian melakukan analisis terhadap output yang
dihasilkan oleh sistem. Metode black box testing dilakukan setelah tahapan
implementasi sistem. Metode ini lebih terfokus untuk menganalisis apakah output
yang dihasilkan oleh sistem sesuai dengan yang diharapkan, jadi orang yang
melakukan pengujian tidak perlu tahu cara kerja sistem tersebut. Dengan
demikian, melalui pengujian ini dapat diketahui apakah respon yang diberikan
oleh sistem terhadap input yang dimasukkan sudah benar atau masih mengandung
kesalahan. Berikut contoh hasil pengujian dengan black box testing pada tabel 3.5.
Tabel 3.5 Hasil Pengujian Sistem
Kondisi yang Keluaran yang Keluaran yang

Diujikan Diharapkan Diperoleh
Penambahan data Sistem akan memasukkan Sistem yang

77
baru dengan input tersebut ke dalam dikembangkan telah

memasukkan input database sistem, ke tabel- dapat memasukkan input
yang benar. tabel yang memang ke tabel database yang
dirancang untuk memang dirancang untuk
menyimpan data tersebut. menyimpan input
tersebut.
Link-link menu Setiap link akan Link yang ada pada

yang ada pada membawa pengguna ke sistem yang
interface sistem halaman yang dikembangkan telah
yang dimaksudkan. dapat membawa
dikembangkan. pengguna ke halaman
yang dimaksudkan.
Penambahan data Sistem tidak akan Sistem yang

baru dengan memasukkan input dikembangkan tidak
memasukkan input tersebut ke dalam memasukkan input yang
yang salah. database, dan akan salah ke dalam database.
menampilkan pesan error Dan apabila suatu input
yang menjelaskan yang salah dimasukkan,
penyebab terjadinya sistem telah dapat
kesalahan tersebut. menampilkan pesan
error yang menjelaskan
penyebab terjadinya
kesalahan.
Melakukan Sistem akan menyimpan Sistem yang

perubahan data data yang sudah dirubah dikembangkan mampu
yang sudah dengan benar (sesuai meng-update data pada
tersimpan dalam dengan perubahan yang database sesuai dengan
database. dilakukan) pada database perubahan yang
sistem. dilakukan.
Menghapus data Sistem akan menghapus Sistem yang

yang disimpan data dari database. dikembangkan dapat
dalam database. menghapus data dari
database.
Mengambil data Sistem akan mengambil Sistem yang

dari database dan data dari database dan dikembangkan mampu
kemudian menampilkannya sesuai mengambil data dari
78
menampilkannya. dengan proses yang database dan

dimaksud. menampilkannya sesuai
dengan proses yang
dimaksud.
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.

79
BAB 4
HASIL PENELITIAN DAN PEMBAHASAN
4.1. Implementasi Penelitian

Setelah sistem berhasil dikembangkan berhasil, maka langkah selanjutnya
adalah penerapan sistem tersebut terhadap objek penelitian, yaitu pengujian
terhadap data kasus dari konsultan MBC.
4.1.1 Target User

Pengguna dari sistem yang menerapkan CBR dan algoritma nearest neighbor
untuk penentuan lokasi waralaba adalah konsultan franchise. Jadi sistem ini akan
diuji coba dan digunakan oleh konsultan franchise, khususnya konsultan MBC.
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.
4.1.3 Strategi Implementasi

Proses implementasi sistem yang menerapkan CBR dan algoritma nearest
neighbor untuk penentuan lokasi waralaba dilakukan dengan cara mengujikan 20
sampel data kasus yang diambil secara acak, dengan komposisi 5 kasus data
waralaba yang sangat prospek, 10 kasus data waralaba yang prospek, dan 5 kasus
data waralaba yang kurang prospek.
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.

80
Instrumen yang digunakan untuk mengukur hasil implementasi ini berupa

kuisioner. Ada 2 jenis kuisioner yang diberikan kepada pengguna yaitu kuisioner
pretest dan kuisioner posttest. Kuisioner prestest diberikan kepada pengguna
sebelum implementasi sistem untuk memperoleh nilai awal dan instrument
posttest diberikan setelah impelementasi sistem kepada pengguna untuk
memperoleh informasi mengenai kemanfaatan sistem yang di buat. Adapun
instrumen yang diberikan kepada pengguna pada lampiran 4.
Adapun tahapan implementasi secara ringkas sebagai berikut :

a. Pengguna diberi panduan untuk mengisi kuisioner pretest
b. Pengguna mengisi kuisioner pretest
c. Kuisioner pretest dikumpulkan untuk dianalisa
d. Pengguna diberi panduan untuk menjalankan sistem dan pengisian
instrumen posttest
e. Pengguna menjalankan sistem
f. Kuisioner posttest dikumpulkan untuk dianalisa
4.2 Pengukuran Penelitian

4.2.1 Analisis Hasil Pretest dan Posttest
Secara umum tujuan dari penelitian ini adalah untuk mengetahui adanya
peningkatan kecepatan dan keakuratan penentuan lokasi waralaba secara
manual yang dilakukan konsultan MBC dengan sistem yang menerapkan CBR
dan algoritma nearest neighbor. Data yang dianalisa adalah hasil pretest dan
posttest kuesioner yang diisi oleh konsultan MBC.
Untuk pengukuran variabel kecepatan dan keakuratan dilakukan dengan

cara konsultan MBC diberi tugas untuk mengisi kuesioner penentuan lokasi
waralaba secara manual dan sesudah menggunakan sistem yang menerapkan
CBR dan algoritma nearest neighbor. Setelah itu dilihat hasilnya, apakah
setelah menggunakan sistem itu ada peningkatan waktu dan akurasi yang
lebih baik daripada sebelum menggunakan sistem. Adapun yang dibandingkan
yaitu faktor kecepatan dan keakuratan dalam membandingkan kasus. Hasil pretest

81
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.
Tabel 4.1 Pretest dan Postest Pengukuran Kecepatan

Waktu dalam Menit
No Data Kasus Ke-
Pretest Posttest
1 1 30 2
2 2 30 2
3 3 30 1
4 4 28 2
5 5 25 1
6 6 20 1
7 7 20 1
8 8 20 1
9 9 17 1
10 10 15 1
11 11 15 1
12 12 13 1
13 13 15 1
14 14 15 1
15 15 13 1
16 16 13 1
17 17 10 1
18 18 10 1
19 19 10 1
20 20 10 1
Rata-rata 17,95 1,15
Apabila tabel hasil pretest dan posttest kecepatan digambarkan menjadi

grafik, maka akan tampak perbedaan hasil dari sebelum dan sesudah penerapan
82
CBR dan algoritma nearest neighbor untuk penentuan lokasi waralaba seperti
pada gambar 4.1.
Gambar 4.1 Grafik Hasil Pretest dan Posttest Kecepatan
Dari grafik tersebut, terlihat bahwa terjadi perbedaan kecepatan yang

signifikan terhadap hampir keseluruhan kasus sampel.
Tabel 4.2 Pretest dan Postest Pengukuran Keakuratan

Data Kasus Kesesuaian Solusi
No
Ke- Pretest Posttest
1 1 Sesuai Sesuai
2 2 Tidak Sesuai Sesuai
3 3 Sesuai Sesuai
4 4 Sesuai Sesuai
6 6 Sesuai Sesuai
7 7 Sesuai Sesuai
8 8 Sesuai Sesuai
9 9 Sesuai Sesuai

83
10 10 Sesuai Sesuai
11 11 Sesuai Tidak Sesuai
14 14 Sesuai Sesuai
16 16 Sesuai Sesuai
17 17 Sesuai Sesuai
19 19 Sesuai Sesuai
20 20 Sesuai Sesuai
Rata-rata
70% 95%
Kesesuaian
Apabila tabel hasil pretest dan posttest kesesuaian penentuan lokasi

digambarkan menjadi grafik, maka akan tampak perbedaan hasil dari sebelum dan
sesudah penerapan CBR dan algoritma nearest neighbor untuk penentuan lokasi
waralaba seperti pada gambar 4.2 dan gambar 4.3.
Gambar 4.2. Grafik Hasil Pretest Kesesuaian Penentuan Lokasi

84
Gambar 4.3. Grafik Hasil Posttest Kesesuaian Penentuan Lokasi
Dari grafik di atas, terlihat bahwa terjadi perbedaan keakuratan sebelum dan
setelah penggunaan sistem.
4.2.2 Uji Statistika

Pengujian efektifitas sistem yang menerapkan CBR dan algoritma nearest
neighbor terhadap kecepatan dan keakuratan dalam penentuan lokasi waralaba
dilakukan dengan cara membandingkan waktu dan nilai kesesuaian pretest
posttest. Pada bagian ini akan dilakukan proses pembandingan hasil pengukuran
penelitian yang telah didapatkan sebelumnya. Adapun metode pembandingan ini
adalah dengan analisa t-test. Metode ini digunakan karena t-test dapat digunakan
untuk menguji kecocokan atas perbedaan pada suatu eksperimen yang
menggunakan satu kelompok sampel. Apabila sebelum melakukan eksperimen,
peneliti melakukan pretest, maka peneliti akan mempunyai dua kelompok nilai
yang berasal dari satu kelompok sampel. Apabila eksperimen itu mempunyai
dampak terhadap hasil atau tujuan eksperimen, maka kedua kelompok skor
tersebut akan menunjukkan perbedaan yang signifikan. [6]
T-test akan membandingkan hasil perhitungan perbedaan hipotesa dengan t

tabel. Apabila hasil perhitungan tersebut berbeda secara signifikan, maka hipotesa

85
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.
 Alpha, yaitu tingkat signifikansi pengujian. Besaran nilai yang

umumnya digunakan adalah 0,05.
 Simpangan baku (Sd) yang dapat dihitung dengan rumus

sebagai berikut:
Sd = (𝑥 − 𝑋²) / n-1
 Standard error (Sx) yang dapat dihitung berdasarkan rumus sebagai
berikut:
Sx = Sd /
𝐧
Sedangkan untuk nilai t, dapat dihitung dengan rumus berikut:
t = X- 𝛍 / Sx
Dari hasil perhitungan tersebut, maka t hitung akan dibandingkan dengan t

tabel. Jika perbedaannya signifikan, maka disimpulkan bahwa hipotesa diterima.
Untuk perhitungan ini, dapat disederhanakan dengan menggunakan fungsi dari
Microsoft Excel untuk data analysis.
a. Uji Perbedaan Kecepatan Pretest dan Posttest

Untuk menguji apakah ada perbedaan signifikan antara kecepatan
sebelum dan sesudah menggunakan sistem, maka dapat dilakukan
penyusunan hipotesa dibawah ini:

86
Ho : Tidak terdapat perbedaan antara hasil kecepatan sebelum dan

sesudah implementasi sistem.
Ha : Terdapat terdapat perbedaan antara hasil kecepatan sebelum
dan sesudah implementasi sistem.
Pengujian kecepatan ini menggunakan data pada tabel pengukuran kecepatan

hasil rangkuman dari hasil kuesioner yang sudah dijelaskan. Dari data
tersebut, lalu data di-generate menggunakan fungsi data analysis dari
Microsoft Excel dan akan menghasilkan tabel berikut.
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.
b. Uji Perbedaan Keakuratan Pretest dan Posttest

Untuk menguji apakah ada perbedaan signifikan antara keakuratan
sebelum dan sesudah menggunakan sistem, maka dapat dilakukan
penyusunan hipotesa dibawah ini:
87
Ho : Tidak terdapat perbedaan antara hasil keakuratan sebelum dan

sesudah implementasi sistem.
Ha : Terdapat terdapat perbedaan antara hasil keakuratan sebelum
dan sesudah implementasi sistem.
Pengujian keakuratan ini menggunakan data sampel yang tepat dikerjakan

oleh konsultan MBC dan sistem hasil rangkuman dari hasil kuesioner. Dari
data tersebut, setelah di-generate menggunakan fungsi data analysis dari
Microsoft Excel dan akan menghasilkan tabel berikut.
Tabel 4.4 Hasil Uji Keakuratan t-test: Paired Two Sample for Means
t-Test: Paired Two Sample for Means

Pretest Posttest
Mean 0,7 0,95
Variance 0,221052632 0,05
Observations 20 20
Pearson Correlation 0,350438322
Hypothesized Mean Difference 0
df 19
t Stat -2,516611478
P(T<=t) one-tail 0,010495752
t Critical one-tail 1,729132792
P(T<=t) two-tail 0,020991505
t Critical two-tail 2,09302405
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.
4.3 Implikasi Penelitian

Data hasil perbandingan kecepatan pretest dan posttest dapat diketahui bahwa
penentuan lokasi waralaba secara manual, rata-rata waktu yang dibutuhkan adalah

88
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.
Berdasarkan hasil penelitian dan pengukuran, penerapan sistem ini dapat

membawa efek positif dalam proses penentuan lokasi waralaba yaitu menjadikan
waktu penentuan lokasi lebih cepat dan meningkatkan keakuratan dalam
membandingkan kasus baru dengan data kasus. Dengan demikian adanya
penerapan CBR dan algoritma nearest neighbor mampu memberikan solusi bagi
konsultan MBC untuk penentuan lokasi waralaba.

89
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.

90
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

91
[15] Informasi Sewa Mobil. http://www.witrencar.com. Diakses pada 23 Maret

2010
[16] Sudijono Anas, Prof. (2008). Pengantar Statistika Pendidikan. Jakarta: PT
RajaGrafindo Persada
[17] Irianto Agus, Prof. (2004). Statistik Konsep Dasar dan Aplikasinya. Jakarta:
Kencana

92
Lampiran 1. Perbandingan Bobot Nilai Atribut
No Atribut Nilai Atribut 1 Nilai Atribut 2 Bobot

1 Kategori Makanan Makanan 1
Makanan Minuman 0,6
Makanan Kesehatan 0
Makanan Kecantikan 0
Makanan Anak 0
Makanan Pakaian 0
Makanan Laundry dan jasa 0
Makanan Otomotif 0
Makanan Penginapan 0
Makanan Travel 0
Makanan Furniture 0
Makanan Komputer dan 0
internet
Makanan Hiburan dan hobi 0
Makanan Retail 0,2
Makanan Lainnya 0
Minuman Makanan 0,6
Minuman Minuman 1
Minuman Kesehatan 0
Minuman Kecantikan 0
Minuman Anak 0
Minuman Pakaian 0
Minuman Laundry dan jasa 0
Minuman Otomotif 0
Minuman Penginapan 0
Minuman Travel 0
Minuman Furniture 0
Minuman Komputer dan 0
internet
Minuman Hiburan dan hobi 0
Minuman Retail 0,1

93
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

94
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

95
Laundry dan jasa Kecantikan 0

Laundry dan jasa Anak 0
Laundry dan jasa Pakaian 0
Laundry dan jasa Laundry dan jasa 1
Laundry dan jasa Otomotif 0
Laundry dan jasa Penginapan 0
Laundry dan jasa Travel 0
Laundry dan jasa Furniture 0
Laundry dan jasa Komputer dan 0
internet
Laundry dan jasa Hiburan dan hobi 0
Laundry dan jasa Retail 0
Laundry dan jasa Lainnya 0
Otomotif Makanan 0
Otomotif Minuman 0
Otomotif Kesehatan 0
Otomotif Kecantikan 0
Otomotif Anak 0
Otomotif Pakaian 0
Otomotif Laundry dan jasa 0
Otomotif Otomotif 1
Otomotif Penginapan 0
Otomotif Travel 0
Otomotif Furniture 0
Otomotif Komputer dan 0
internet
Otomotif Hiburan dan hobi 0
Otomotif Retail 0
Otomotif Lainnya 0
Penginapan Makanan 0
Penginapan Minuman 0
Penginapan Kesehatan 0
Penginapan Kecantikan 0
Penginapan Anak 0

96
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

97
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

98
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

99
Hiburan dan hobi Hiburan dan hobi 1

Hiburan dan hobi Retail 0
Hiburan dan hobi Lainnya 0
Retail Makanan 0,2
Retail Minuman 0,1
Retail Kesehatan 0
Retail Kecantikan 0
Retail Anak 0
Retail Pakaian 0,2
Retail Laundry dan jasa 0
Retail Otomotif 0
Retail Penginapan 0
Retail Travel 0
Retail Furniture 0
Retail Komputer dan 0
internet
Retail Hiburan dan hobi 0
Retail Retail 1
Retail Lainnya 0
Lainnya Makanan 0
Lainnya Minuman 0
Lainnya Kesehatan 0
Lainnya Kecantikan 0
Lainnya Anak 0
Lainnya Pakaian 0
Lainnya Laundry dan jasa 0
Lainnya Otomotif 0
Lainnya Penginapan 0
Lainnya Travel 0
Lainnya Furniture 0
Lainnya Komputer dan 0
internet
Lainnya Hiburan dan hobi 0
Lainnya Retail 0

100
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

101
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

102
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

103
Tinggi Rendah 0,5

Rendah Tinggi 0,5
Rendah Rendah 1
15 Arus lalu lintas Macet Macet 1
Macet Tidak 0,5
Tidak Macet 0,5
Tidak Tidak 1
16 Keamanan Aman Aman 1
Aman Kurang 0,5
Kurang Aman 0,5
Kurang Kurang 1
17 Tenaga kerja Sulit Sulit 1
Sulit Mudah 0,7
Mudah Sulit 0,7
Mudah Mudah 1
18 Bahan baku Sulit Sulit 1
Sulit Mudah 0,5
Mudah Sulit 0,5
Mudah Mudah 1
19 Transportasi Sulit Sulit 1
Sulit Sedang 0,5
Sulit Mudah 0
Sedang Sulit 0,5
Sedang Sedang 1
Sedang Mudah 0,5
Mudah Sulit 0
Mudah Sedang 0,5
Mudah Mudah 1
20 Daya beli Tinggi Tinggi 1
Tinggi Sedang 0,5
Tinggi Rendah 0
Sedang Tinggi 0,5
Sedang Sedang 1
Sedang Rendah 0,5

104
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

105
Lampiran 2. Data Kasus
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

106
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
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
8 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

107
ID_KASUS TENAGA KERJA BAHAN BAKU TRANSPORTASI DAYA BELI LUAS AREA USIA PENDUDUK PROSPEK
1 Mudah Mudah Mudah Tinggi Besar Tinggi Sangat Prospek
5 Mudah Mudah Mudah Tinggi Besar Tinggi Prospek
7 Mudah Mudah Sedang Tinggi Sedang Tinggi Prospek
8 Sulit Mudah Mudah Tinggi Sedang Tinggi Prospek
9 Mudah Mudah Mdauh Tinggi Sedang Tinggi Prospek
10 Mudah Mudah Mudah Tinggi Sedang Tinggi Prospek
11 Mudah Mudah Mudah Tinggi Kecil Rendah Prospek
12 Mudah Sulit Mudah Tinggi Sedang Tinggi Prospek
13 Mudah Mudah Mudah Sedang Sedang Tinggi Prospek
14 Mudah Mudah Sulit Rendah Kecil Rendah Kurang Prospek
15 Mudah Mudah Sulit Sedang Sedang Tinggi Kurang Prospek
18 Mudah Mudah Mudah Tinggi Besar Rendah Prospek
20 Mudah Mudah Mudah Tinggi Sedang Rendah Prospek
22 Mudah Mudah Mudah Tinggi Sedang Tinggi Sangat Prospek
24 Mudah Mudah Mudah Tingi Luas Tinggi Sangat Prospek

108
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
109
POLA
ID_KASUS POSISI KONDISI JALAN HAMBATAN VISIBILITAS PARKIR KERAMAIAN RENOVASI LALU LINTAS KEAMANAN
JALAN
29 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Tinggi Rendah Tidak Macet Kurang
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
35 Lain-lain 2 Arah Baik Rendah Mudah Luas Tinggi 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
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
44 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Tinggi Rendah Tidak Macet Aman
49 Pusat Keramaian 2 Arah Baik Tinggi Mudah Luas Tinggi Tinggi Tidak Macet Aman
110
31 Mudah Mudah Mudah Tingig Besar Tinggi Sangat Prospek
32 Sulit Mudah Sedang Tinggi Besar Tinggi Prospek
34 Mudah Mudah Mudah Sedang Besar Tinggi Prospek
39 Mudah Mudah Sedang Sedang Besar Tinggi Prospek
41 Mudah Mudah Sedang Rendah Besar Tinggi Prospek

111
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
112
51 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Tinggi Tinggi Tidak Macet Aman
54 Pinggir Jalan 2 Arah Baik Tinggi Mudah Cukup Sedang 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
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
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
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
113
56 Mudah Mudah Mudah Sedang Besar Rendah Prospek
57 Mudah Mudah Mudah Rendah Besar Tinggi Prospek
58 Mudah Sulit Mudah Tinggi Sedang Tinggi Prospek
63 Mudah Mudah Sedang Sedang Sedang Rendah Prospek
68 Mudah Mudah Sedang Rendah Kecil Rendah Kurang Prospek
69 Mudah Mudah Sulit Rendah Sedang Rendah Kurang Prospek
71 Sulit Mudah Sulit Rendah Sedang Rendah Kurang Prospek
72 Mudah Mudah Sulit Rendah Sedang Tinggi Kurang Prospek

114
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
115
81 Pinggir Jalan 2 Arah Sedang Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
94 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Rendah Rendah 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
116
78 Mudah Mudah Mudah Sedang Besar Tinggi Sangat Prospek
80 Sulit Mudah Mudah Tinggi Besar Tinggi Sangat Prospek

117
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
118
103 Pusat Keramaian 2 Arah Baik Rendah Mudahn Luas Tinggi Rendah Tidak Macet Aman
105 Pusat Keramaian 2 Arah Baik Rendah Mudah Luas Rendah 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
114 Pinggir Jalan 2 Arah Baik Tinggi Mudah Cukup Sedang 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
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
126 Pinggir Jalan 2 Arah Rusak Rendah Mudah Luas Tinggi Tinggi Tidak Macet Aman
128 Pusat Keramaian 2 Arah Baik Rendah Mudah Cukup Rendah Tinggi Tidak Macet Aman
119
103 Mudah Mudah Mudah Tinggi Kecil Tinggi Prospek
112 Mudah Mudah Sedang Tinggi Besar Tinggi Prospek
126 Mudah Mudah Sulit Tinggi Besar Tinggi Prospek

120
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
121
130 Lain-lain 2 Arah Baik Rendah Mudah Cukup Sedang Tinggi 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
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
147 Pinggir Jalan 2 Arah Baik Rendah Mudah Cukup Sedang Tinggi Macet Aman
122
129 Mudah Sulit Sedang Tinggi Sedang Tinggi Prospek
138 Mudah Mudah Sedang Rendah Sedang Tinggi Kurang Prospek
140 Mudah Sulit Sulit Rendah Kecil Rendah Kurang Prospek
145 Mudah Sulit Sulit Sedang Sedang Rendah Kurang Prospek
147 Sulit Mudah Sedang Sedang Sedang Tinggi Kurang Prospek
150 Mudah Sulit Mudah Sedang Besar Tinggi Sangat Prospek
151 Mudah Mudah Mudah Tinggi Besar Sedang Sangat Prospek

123
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
124
155 Pinggir Jalan 2 Arah Baik Rendah Mudah Luas Sedang Rendah 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
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
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
171 Pinggir Jalan 2 Arah Rusak Rendah Sulit Tidak Rendah Rendah Tidak 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
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
125
155 Mudah Mudah Sulit Tinggi Sedang Tinggi Prospek
159 Mudah Mudah Sulit Tinggi Besar Tinggi Prospek
165 Mudah Mudah Sedang Rendah Sedang Rendah Prospek
170 Mudah Mudah Sedang Rendah Sedang Rendah Kurang Prospek
174 Mudah Mudah Sedang Tinggi Sedang Tinggi Sangat Prospek
180 Mudah Muadh Sulit Sedang Sedang Rendah Kurang Prospek

126
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

127
181 Pinggir Jalan 2 Arah Rusak Rendah Sulit Cukup Rendah Rendah Tidak Macet Aman
184 Pinggir Jalan 2 Arah Sedang Rendah Mudah Cukup Sedang Rendah Macet Aman
186 Lain-lain 1 Arah Rusak Tinggi Sulit Tidak Rendah Rendah Macet Aman

128
182 Mudah Mudah Mudah Tinggi Besar Rendah Sangat Prospek

129
Lampiran 3. Kode Program
a. Kode Program Menu Utama
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
130
uses UDataKasus, UPengaturanAtribut, UPengaturanNilaiAtribut,

UPerbandinganNilaiAtribut, Upengujian, UPetunjukPenggunaan, UInfoAplikasi;
{$R *.dfm}
procedure TfrmMenuUtama.mnuFileKeluarClick(Sender: TObject);

begin
close;
end;
procedure TfrmMenuUtama.mnuPengDataKasusClick(Sender: TObject);

begin
frmDataKasus.show;
end;
procedure TfrmMenuUtama.mnuPengPengaturanAtributClick(Sender: TObject);

begin
frmPengaturanAtribut.show;
end;
procedure TfrmMenuUtama.mnuPengNilaiAtributClick(Sender: TObject);

begin
frmPengaturanNilaiAtribut.show;
end;
procedure TfrmMenuUtama.mnuPengPembobotanAtributClick(Sender: TObject);

begin
frmPerbandinganNilaiAtribut.show;
end;
procedure TfrmMenuUtama.mnuPengPengujianClick(Sender: TObject);

begin
frmPengujian.show;
end;
procedure TfrmMenuUtama.mnuBantuanPetunjukClick(Sender: TObject);

begin
frmPetunjukPenggunaan.show;
end;
procedure TfrmMenuUtama.mnuFileInfoClick(Sender: TObject);

begin
frmInfoAplikasi.show;
end;
end.

131
b. Kode Program Data Kasus
unit UDataKasus;
interface
uses
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
public
end;
var
FrmDataKasus: TFrmDataKasus;
implementation
uses UDataModul, IBQuery;
{$R *.dfm}
procedure TFrmDataKasus.FormShow(Sender: TObject);

begin
//Menampilkan tabel kasus
DBGDataKasus.Columns.Clear;
DataModul.Tabel.TableName := 'Kasus';
DataModul.Tabel.Active := false;
DataModul.Tabel.Active := true;
DataModul.Datasource.DataSet := DataModul.Tabel;
DBGDataKasus.DataSource := DataModul.Datasource;
end;
procedure TFrmDataKasus.FormClose(Sender: TObject; var Action: TCloseAction);

begin
IF DataModul.Transaksi.Active = False THEN
DataModul.Transaksi.Active := True;
132
DataModul.Transaksi.Commit;
end;
procedure TFrmDataKasus.BTutupClick(Sender: TObject);

begin
close;
end;
end.
c. Kode Program Pengaturan Atribut
unit UPengaturanAtribut;
interface
uses
Dialogs, StdCtrls, Grids, ExtCtrls, Buttons, ComCtrls, DBGrids, DBCtrls;
type
TFrmSettingAtribut = class(TForm)
DBGAtribut: TDBGrid;
DBNavigasi: TDBNavigator;
BTutup: TButton;
private
public
end;
var
FrmPengaturanAtribut: TFrmPengaturanAtribut;
implementation
uses UDataModul, IBQuery;
{$R *.dfm}
procedure TFrmPengaturanAtribut.FormShow(Sender: TObject);

begin
//Menampilkan tabel Atribut
DBGAtribut.Columns.Clear;
133
DataModul.Tabel.TableName := 'Atribut';
DataModul.Tabel.Active := false;
DataModul.Tabel.Active := true;
DataModul.Datasource.DataSet := DataModul.Tabel;
DBGAtribut.DataSource := DataModul.Datasource;
end;
procedure TFrmPengaturanAtribut.FormClose(Sender: TObject; var Action:

TCloseAction);
begin
IF DataModul.Transaksi.Active = False THEN
DataModul.Transaksi.Active := True;
DataModul.Transaksi.Commit;
end;
procedure TFrmPengaturanAtribut.BTutupClick(Sender: TObject);

begin
close;
end;
end.
d. Kode Program Pengaturan Nilai Atribut
unit UPengaturanNilaiAtribut;
interface
uses
Dialogs, Grids, StdCtrls, Buttons, ExtCtrls;
type
TFrmNilai = class(TForm)
SGNAtribut: TStringGrid;
CAtribut: TComboBox;
TambahNilai: TEdit;
Label1: TLabel;
Label2: TLabel;
BTambah: TButton;
BTutup: TButton;
procedure CAtributChange(Sender: TObject);
procedure BTambahClick(Sender: TObject);
private
134
public
end;
var
FrmPengaturanNilaiAtribut: TFrmPengaturanNilaiAtribut;
implementation
uses UDataModul, DB, IBQuery;
{$R *.dfm}
procedure TFrmPengaturanNilaiAtribut.FormShow(Sender: TObject);

begin
//Menampilkan header dalam string grid
SGNAtribut.Cells[0,0] := 'NILAI ATRIBUT';
//menampilkan nilai atribut

begin
//Menampilkan atribut
Close;
SQL.Clear;
SQL.Add('select nama_atribut'+' from atribut'+' where tujuan_atribut = ''T'' and
asal_atribut = ''Y''');
Open;
CAtribut.Clear;
while not eof do
begin
CAtribut.Items.Add(Fields[0].AsString);
Next;
end;
end;
end;
procedure TFrmPengaturanNilaiAtribut.CAtributChange(Sender: TObject);

var baris : integer;
begin
//Menampilkan nilai atribut
begin
Close;
SQL.Clear;
SQL.Text := 'select nilai_atribut from NilaiAtribut'+' where nama_atribut = :atribut ';
Open;
Last;
SGNAtribut.RowCount := RecordCount + 1;

135
if recordcount > 0 then

begin
SGNAtribut.FixedRows := 1;
end;
First;
baris := 1;
while not Eof do
begin
SGNAtribut.Cells[0, baris] := Fields[0].AsString;
Inc(baris);
Next;
end;
end;
end;
procedure TFrmPengaturanNilaiAtribut.BTambahClick(Sender: TObject);

begin
begin
//Memasukkan nilai atribut baru
Close;
SQL.Clear;
SQL.Text := ' insert into NilaiAtribut values (:atribut, :nilaiAtribut)';
ParamByName('nilaiAtribut').AsString := TambahNilai.Text;
try
ExecSQL;
except
MessageDlg('Nilai atribut sudah ada', mtInformation, [mbOK],0);
exit;
end;
//Tampilkan nilai atribut baru
Close;
SQL.Clear;
SQL.Text := ' select nilai from NilaiAtribut where nama_atribut = :atribut';
Open;
end;
CAtribut.OnChange(Self);
TambahNilai.Text := '';
TambahNilai.SetFocus;
end;
procedure TFrmPengaturanNilaiAtribut .BTutupClick(Sender: TObject);

begin
close;
end;
end.

136
e. Kode Program Perbandingan Bobot Nilai Atribut
unit UPerbandinganNilaiAtribut;
interface
uses
Dialogs, Grids, StdCtrls, Buttons, ExtCtrls;
type
TFrmPerbandinganNilaiAtribut = class(TForm)
CAtribut: TComboBox;
SGPerbandinganNAtribut: TStringGrid;
Label1: TLabel;
BTutup: TButton;
Label2: TLabel;
BSimpan: TButton;
procedure CAtributChange(Sender: TObject);
procedure BSimpanClick(Sender: TObject);
private
public
end;
var
FrmPerbandinganNilaiAtribut: TFrmPerbandinganNilaiAtribut;
implementation
uses UDataModul, DB, IBQuery;
{$R *.dfm}
procedure TFrmPerbandinganNilaiAtribut.FormShow(Sender: TObject);

begin
//Menampilkan atribut
begin
Close;
SQL.Clear;
SQL.Add( 'select nama_atribut '+ ' from atribut '+ ' where tujuan_atribut = ''T'' and
asal_atribut = ''Y''');
Open;
CAtribut.Clear;
137
while not eof do

begin
CAtribut.Items.Add(Fields[0].AsString);
Next;
end;
end;
end;
procedure TFrmPerbandinganNilaiAtribut.CAtributChange(Sender: TObject);

var baris, kolom : integer;
begin
//Menampilkan nilai atribut
begin
Close;
SQL.Clear;
SQL.Text := 'select nilai_atribut from NilaiAtribut '+' where nama_atribut = :atribut ';
Open;
Last;
SGPerbandinganNAtribut.RowCount := RecordCount + 1;
SGPerbandinganNAtribut.ColCount := RecordCount + 1;
SGPerbandinganNAtribut.ColWidths[0] := 80;
First;
baris := 1;
while not Eof do
begin
SGPerbandinganNAtribut.ColWidths[baris] := 15 + length(Fields[0].AsString) * 5;
SGPerbandinganNAtribut.Cells[0, baris] := Fields[0].AsString;
SGPerbandinganNAtribut.Cells[baris, 0] := Fields[0].AsString;
//Menampilkan bobot nilai perbandingan
kolom := 1;
begin
Close;
SQL.Clear;
SQL.Text := 'select bobot '+' from perbandingan '+' where nama_atribut = :atribut'+ '
and kasus_lama = :bobotNilai ';
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);

138
Next;
end;
end;
end;
procedure TFrmPerbandinganNilaiAtribut.BSimpanClick(Sender: TObject);

var i, j : integer;
begin
//simpan bobot perbandingan
with DataModul.Query1, SGPerbandinganNAtribut do
begin
for i := 1 to ColCount-1 do
for j := 1 to RowCount-1 do
if Cells[i,j] <> '' then
begin
Close;
SQL.Text := ' update perbandingan set bobot = :bobotNilai'+' where nama_atribut
= :atribut '+' and kasus_lama = :bobotNilaiLama '+' and kasus_baru = :bobotNilaiBaru ';
ParamByName('bobotNilaiLama').AsString := Cells[0,j];
ParamByName('bobotNilaiBaru').AsString := Cells[i,0];
ParamByName('bobotNilai').AsFloat := StrToFloat(Cells[i,j]);
ExecSQL;
end;
end;
end;
procedure TFrmPerbandinganNilaiAtribut.BTutupClick(Sender: TObject);

begin
close;
end;
end.
f. Kode Program Pengujian
unit UPengujian;
interface
uses
Dialogs, ComCtrls, StdCtrls, ExtCtrls, Buttons;
type
TFrmPengujian = class(TForm)
139
LVKasusBaru: TListView;
LVKasusLama: TListView;
TAtribut: TEdit;
CNilaiAtribut: TComboBox;
LKeterangan: TLabel;
BPilih: TBitBtn;
Label1: TLabel;
Label2: TLabel;
BTutup: TButton;
Label3: TLabel;
Label4: TLabel;
procedure BPilihClick(Sender: TObject);
private
procedure Cari_Nilai(atribut : string);
public
end;
var
FrmPengujian: TFrmPengujian;
jml_var, no_var : integer;
atribut, bobot_atribut, Nilai_Combo, Tampil_Combo : TStringList;
total_bobot : real;
implementation
uses UDM, DB, IBQuery;
{$R *.dfm}
procedure TFrmPengujian.Cari_Nilai(atribut : string);

begin
begin
Nilai_Combo.Clear;
Tampil_Combo.Clear;
CNilaiAtribut.Items.Clear;
Close;
SQL.Text := 'SELECT Nilai from NilaiAtribut '+' where nama_atribut = :atribut ';
ParamByName('atribut').AsString := TAtribut.Text;
Open;
while not DataModul.Query1.eof do

begin
Nilai_Combo.Add(Fields[0].AsString);

140
if UpperCase(TAtribut.Text) = 'Kategori' then

begin
if Fields[0].AsString = '1' then Tampil_Combo.Add('makanan')
end else Tampil_Combo.Add(Fields[0].AsString);
DataModul.Query1.Next;
end;
CNilaiAtribut.Items.Assign(Tampil_Combo);
CNilaiAtribut.ItemIndex := 0;
end;
CNilaiAtribut.SetFocus;
end;
procedure TFrmPengujian.FormShow(Sender: TObject);

begin
Nilai_Combo := TStringList.create;
Tampil_Combo := TStringList.create;
atribut := TStringList.create;
bobot_atribut := TStringList.create;
BPilih.Caption := 'Mulai';
BPilih.Click;
end;
procedure TFrmPengujian.FormClose(Sender: TObject; var Action: TCloseAction);

begin
Nilai_Combo.Free;
Tampil_Combo.Free;
atribut.Free;
bobot_atribut.free;
end;
procedure TFrmPengujian.BPilihClick(Sender: TObject);

var daftar : TListItem;
i : integer;
kedekatan : real;
begin
if BPilih.Caption = 'Mulai' then
begin
LKeterangan.Caption := '';
LKeterangan2.Caption := '';
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

141
begin
atribut.Add(Fields[0].AsString);
bobot_atribut.Add(Fields[1].AsString);
Inc(jml_atribut);
Next;
end;
end;
total_bobot := 0;
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]);
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 ';

142
open;
while not eof do

begin
//hitung kedekatan
LKeterangan.Caption := FieldByname('id_kasus').AsString;
begin
kedekatan := 0;
begin
Close;
SQL.Text := ' select bobot '+' from perbandingan '+' where nama_atribut = :nama
'+' and nilai_kasus_lama = :lama '+' and nilai_kasus_baru = :baru ';
ParamByName('lama').AsString :=
DataModul.Query1.Fieldbyname(atribut[i]).AsString;
Open;

end;
//simpan kedekatan
Close;
ParamByName('id').AsInteger :=
DataModul.Query1.FieldbyName('id_kasus').AsInteger;
ExecSQL;
end;
Next;
end;
//tampilkan kedekatan terbesar dan hasilnya
Close;
SQL.Text := 'select * from kasus '+' where kedekatan = (select max(kedekatan) from
kasus) ';
Open;
begin
daftar := LVKasusLama.Items.Add;
Caption := atribut[i];
if UpperCase(atribut[i]) = 'Kategori' then
begin

143
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;
end;
end;
end;
procedure TFrmPengujian.BTutupClick(Sender: TObject);

begin
close;
end;
end.

144
Lampiran 4. Kuesioner Pretest dan Posttest
KUESIONER PENENTUAN LOKASI WARALABA SECARA MANUAL (PRETEST)
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

145
KUESIONER PENENTUAN LOKASI WARALABA SECARA MANUAL (PRETEST)

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
10 Mudah Luas Tinggi Tinggi Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar 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
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
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

147
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
7 Mudah Cukup Tinggi Tinggi Tidak Macet Aman Mudah Mudah Mudah Sedang Besar Tinggi
10 Mudah Luas Tinggi Tinggi Tidak Macet Aman Mudah Mudah Mudah Tinggi Besar 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
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
148
Lampiran 4. Sampel Data Kasus
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

149
1 Pinggir Jalan 1 Arah Sedang Tinggi Sulit Cukup Rendah Tinggi Macet Aman
5 Lain-lain 1 Arah Rusak Tinggi Sulit Cukup Rendah Rendah Macet Kurang

150
2 Mudah Mudah Sedang Rendah Sedang Rendah Kurang Prospek

Ali Khumaedi - CBR Untuk Penentuan Lokasi Waralaba - MKom Thesis - Nuri - 2010

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ali Khumaedi - CBR Untuk Penentuan Lokasi Waralaba - MKom Thesis - Nuri - 2010

Diunggah oleh

Hak Cipta:

Format Tersedia

1

PENERAPAN CASE-BASED REASONING DAN

PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

PENERAPAN CASE-BASED REASONING DAN

PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER

SURAT PERNYATAAN ORISINALITAS

Yang bertanda tangan di bawah ini :

Nama : Ali Khumaidi

Demikianlah surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila

Jakarta, 05 April 2010

Materai Rp. 6.000,-

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Tesis ini diajukan oleh :

Telah berhasil dipertahankan dihadapan Dewan Penguji dan diterima sebagai

Jakarta, 24 April 2010

H. Mochamad Wahyudi, MM, M.Kom

Penguji I : DR. Bernadetta Kwintiana Ane .....................................

Penguji II : Sfenrianto, M.Kom .....................................

Penguji III / : DR. Eng Romi Satrio Wahono .....................................

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Puji syukur alhamdullillah, penulis panjatkan kehadirat Allah, SWT, yang

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

4. Orang tua dan mertua yang senantiasa memberikan dukungan.

Jakarta, 05 April 2010

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

SURAT PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

Yang bertanda tangan di bawah ini, saya :

Nama : Ali Khumaidi

Demi pengembangan ilmu pengetahuan, dengan ini menyetujui untuk

Demikian pernyataan ini saya buat dengan sebenarnya.

Jakarta, 05 April 2010

Materai Rp. 6.000,-

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Nama : Ali Khumaidi

Case-Based Reasoning (CBR) adalah teknik penyelesaian masalah berdasarkan

Penelitian ini bertujuan memaparkan penerapan CBR dan algoritma nearest

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Name : Ali Khumaidi

Case-Based Reasoning (CBR) is a problem solving technique based on the

BAB 4. HASIL PENELITIAN DAN PEMBAHASAN........................... 65

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

1.1. Latar Belakang Masalah

Franchise dalam bahasa Indonesia dikenal dengan istilah waralaba. Secara

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Banyak buku yang menjelakan dan menjabarkan bagaimana kiat sukses

Lokasi usaha dapat ditentukan secara sembarang, keberhasilan usaha karena

Laporan ini membahas tentang penerapan case-based reasoning (CBR) dan

1.2. Rumusan Masalah

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

1.3. Tujuan Penelitian

1.4. Manfaat Penelitian

1.5. Sistematika Penulisan

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Bab II – Landasan Teori dan Kerangka Pemikiran

Bab III – Metode Penelitian

Bab IV – Hasil dan Pembahasan

Bab V – Kesimpulan dan Saran

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri