Abstraksi
Penggunaan sistem penunjang keputusan pada saat ini sudah semakin jamak digunakan tidak hanya saja oleh
para pakar pengambil keputusan tetapi juga oleh masyarakat dalam penentuan pilihan terhadap suatu hal.
Mengunjungi tempat wisata bagi masyarakat sekarang telah menjadi sebuah kebutuhan. Informasi yang relevan
dan akurat tentang tempat wisata perlu disajikan lebih interaktif, agar pengguna informasi merasa terbantu.
Karena itu dibutuhkan sebuah metode untuk dapat menyajikan informasi yang disampaikan, karena itu data
diolah menggunakan metode sistem penunjang keputusan yang memberikan layanan interaksi dengan pengguna
dengan menentukan nilai bobot kepentingan untuk setiap kriteria. Metode yang digunakan dalam penentuan
informasi yang disajiakan adalah Techniqeu for Order Preference by Similarity to Ideal Solution (TOPSIS).
Namun data nilai yang digunakan dalam TOPSIS tersebut ada yang disusun dengan menggunakan teknik data
mining K-Means Clustering. Dari kedua metode tersebut dihasilkan sebuah informasi berupa daftar tempat
wisata yang sesuai dengan tingkat kepentingan yang diharapkan oleh pengguna dari kriteria yang telah
ditentukan terlebih dahulu.
Kata Kunci :
DSS, Data Mining, K-Means Clustering, TOPSIS.
ditujukan untuk pengambil keputusan dalam solusi (bisa dalam bentuk prosentase). Langkah-
pengembangan wisata. Dalam penelitian ini hanya langkah tersebut adalah :
membahas manfaat dari DSS untuk penentuan lokasi a. Studi kelayakan (Intelligence)
wisata. Adapun dalam penelitian ini SPK ditujukan Dalam langkah ini sasaran ditentukan, dilakukan
untuk wisatawan sebagai pengambil keputusan pencarian prosedur, pengumpulan data, identifikasi
untuk menentukan lokasi wisata atau paket wisata masalah, identifikasi kepemilikan masalah,
yang sesuai dengan kebutuhannya dengan klasifikasi masalah hingga akhirnya terbentuk
pengaplikasian methode pengambilan keputusan. sebuah pernyataan masalah. Kepemilikan masalah
Adapun dari jurnal SFTIS, C.Petropoulos (2006) berkaitan dengan bagian apa yang akan dibangunkan
yang berjudul A Decision Support System for DSS, apa tugas dari bagian tersebut sehingga model
Tourism Demand Analysis and Forcasting melaku- tersebut dapat relevan dengan kebutuhan si pemilik
kan penelitian penggunaan SPK untuk penentuan masalah.
strategi peramalan untuk pengembangan wisata b. Perancangan (Design)
berdasarkan besarnya minat wisatawan terhadap Pada tahap ini akan diformulasikan model yang akan
lokasi wisata tersebut. Adapun dalam penelitian ini digunakan dan kriteriakriteria ditentukan. Setelah itu
tujuan wisata ditentukan berdasarkan kriteria yang dicari alternatif model yang dapat menyelesaiakan
diinputkan oleh calon wisatawan. permasahan tersebut. Langkah selanjutnya adalah
Amir Hossein Azadniaa, Pezhman Ghadimib, memprediksi keluaran yang mungkin. Kemudian
Mohammad Molani-Aghdama (2011) dalam variabel-variabel model ditentukan.
penelitiannya yang berjudul A Hybrid Model of Data c. Pemilihan (Choice)
Mining and MCDM Methods for Estimating Setelah pada tahap design ditentukan berbagai
Customer Lifetime Value, menyimpulkan bahwa alternatif model beserta variabel-variabelnya pada
penggunaan teknik data mining dan metode DSS tahap ini akan dilakukan pemilihan modelnya,
menggunakan MCDM (Multi Creteria Decision termasuk solusi dari model tersebut. Selanjutnya
Making) dapat digunakan dalam mengkluster atau dilakukan analisis sensitifitas yaitu dengan
mengelompokkan pelanggan guna efektifitas mengganti beberapa variabel.
penyampaian iklan serta meminimalisasi peng- d. Membuat DSS
gunaan sumberdaya[1]. Setelah modelnya ditentukan, maka model tersebut
Mir. B. Aryanezhad, M.J. Tarokh, M.N. Mokhtarian diimplementasikan dalam sebuah aplikasi DSS.
& F. Zaheri (2011), dalam penelitian mereka yang (Kusrini,2007)[4]
berjudul A Fuzzy TOPSIS Method Based on Left Dalam penelitian ini methode yang digunakan
and Right Scores, menjelaskan berdasarkan fakta adalah TOPSIS (The Technique for Order of
bahwa MCDM dalam dunia nyata sangat sulit untuk Preference by Similarity to Ideal Solution). Methode
menentukan kesesuaian kreteria sesuai dengan yang ini mencari solusi dari data yang dimiliki dengan
diinginkan, sehingga mengusulkan penggunaan menampilkan hasil berdasarkan data terdekat nilai
methode TOPSIS karena kesesuaian kreteria dinilai dengan keinginan dan nilai yang terjauh dari data
dari yang terdekat sesuai atau yang terjauh dari yang diharapkan. Tahapan metode TOPSIS :
kesesuaian[2]. a. Membuat matriks keputusan yang ternormalisasi
Dalam penelitian yang dilakukan oleh Agus Sasmito b. Membuat matriks keputusan yang ternormalisasi
Aribowo, yang berjudul E-learning cerdas dengan terbobot
personalisasi menggunakan teknik data mining dan c. Menentukan matriks solusi ideal positif dan
decision support system, menyimpulkan bahwa matriks solusi ideal negatif
penggunaan teknik data mining dan decision support d. Menentukan jarak antara nilai setiap alternatif
system dapat digunakan dalam merekomendasikan dengan matriks solusi ideal positif dan negatif
buku, bahan ajar yang sesuai dengan tingkat minat e. Menentukan nilai preferensi untuk setiap
pengguna. Penelitian ini dipublikasikan dalam alternatif
prosiding Seminar Nasional Informatika 2010
(semnasIF 2010)[3]. K Means Clustering
Sistem Penunjang Keputusan merupakan sebuah Data mining merupakan penggabungan dari
sistem informasi interaktif yang menyediakan berbagai bidang ilmu, antara lain basis data,
informasi, pemodelan, dan pemanipulasian data. information retrieval, statistika, algoritma dan
Sistem itu digunakan untuk membantu pengambilan machine learning. Data mining sebenarnya telah
keputusan dalam situasi yang semiterstruktur dan berkembang sejak lama dan saat ini semakin terasa
tidak terstruktur, d mana tidak seorangpun tahu pentingnya, seiring dengan munculnya keperluan
secara pasti bagaimana keputusan seharusnya dibuat untuk mendapatkan informasi yang lebih dari data
(Kusrini, 2007)[4]. Adapun pengembangan sebuah transaksi maupun fakta yang terkumpul selama
sistem penunjang keputusan memiliki tahapan bertahun-tahun. Data mining adalah cara
pendefinisian masalah, pengumpulan data atau menemukan informasi tersembunyi dalam sebuah
elemen informasi yang relevan, pengolahan data basis data dan merupakan bagian dari proses untuk
menjadi informasi baik dalam bentuk laporan grafik menemukan informasi dan pola yang berguna dalam
maupun tulisan, menentukan alternatif-alternatif data. Kegiatan data mining biasanya dilakukan pada
2
Jurnal Ilmiah DASI Vol. 15 No. 04 Desember 201, hlm 1 - 5 ISSN: 1411-3201
sebuah data warehouse yang menampung data Step3 : Menghitung jarak setiap data input terhadap
dalam jumlah besar dari suatu organisasi. Proses masing-masing centroid menggunakan
pencarian informasi baru yang berharga dan berguna rumus jarak Eucledian (Eucledian
di dalam sekumpulan data bervolume besar dalam Distance) hingga ditemukan jarak yang
data mining melibatkan komputer dan manusia serta paling dekat dari setiap data dengan
bersifat iteratif baik melalui proses otomatis ataupun centroid.
manual. Berikut adalah persamaan Eucledian Distance:
Data Clustering merupakan salah satu metode Data d ( xi , μ j ) = ( xi − μ j ) 2
Mining yang ber-sifat tanpa arahan (unsupervised). .................................(1)
Ada dua jenis data clustering yang sering Step 4 : Mengklasifikasikan setiap data verdasarkan
dipergunakan dalam proses pengelompokan data kedekatannya dengan centroid (jarak ter-
yaitu hierarchical (hirarki) data clustering dan non- kecil).
hierarchical (non-hirarki) data clustering. K-Means Step 5 : Mengupdate nilai centroid. Nilai centroid
merupakan salah satu metode data clustering non baru diperoleh dari rata-rata cluster yang
hirarki yang berusaha mempartisi data yang ada ke bersangkutan dengan menggunakan rumus:
1
dalam bentuk satu atau lebih cluster/kelompok yang
memiliki karakteristik yang sama dikelompokkan ke
μ j ( t + 1) =
N Sj
∑x
j∈Sj
j
.....................................(2)
dalam satu cluster yang sama dan data yang dimana:
mempunyai karakteristik yang berbeda μ j (t+1) = centroid baru pada iterasi ke (t+1),
dikelompokkan ke dalam kelompok yang lain.
Adapun tujuannya adalah untuk meminimalisasikan NSj = banyak data pada cluster Sj
objective function yang diset dalam proses Step 6 : Melakukan perulangan dari langkah 2
clustering, yang pada umumnya berusaha hingga 5 hingga anggota tiap cluster tidak
meminimalisasikan variasi di dalam suatu cluster ada yang berubah.
dan memaksimalisasikan variasi antar cluster. Step 7 : Jika langkah 6 telah terpenuhi, maka nilai
Beberapa alternatif penerapan Kmeans dengan rata-rata pusat cluster ( μ j) pada iterasi
beberapa pengembangan teori-teori penghitungan terakhir akan digunakan sebagai parameter
terkait telah diusulkan. Hal ini termasuk pemilihan: untuk Radial Basis Function yang ada di
1. Distance space untuk menghitung jarak di antara hidden layer.
suatu data dan centroid.
2. Metode pengalokasian data kembali ke dalam TOPSIS
setiap cluster. Didasarkan pada konsep dimana alternatif terpilih
3. Objective function yang digunakan. yang terbaik tidak hanya memiliki jarak terpendek
dari solusi ideal positif, namun juga memiliki jarak
terpanjang dari solusi ideal negatif (Kusumadewi,
2006:87)[5]. Konsep ini banyak digunakan pada
beberapa model MADM untuk menyelesaikan
masalah keputusan secara praktis. Hal ini
disebabkan konsepnya sederhana dan mudah
dipahami, komputasinya efisien, dan memiliki
kemampuan untuk mengukur kinerja relatif dari
alternatif-alternatif keputusan dalam bentuk
matematis yang sederhana. Secara umum, prosedur
TOPSIS mengikuti langkah-langkah sebagai berikut:
1. Membuat matriks keputusan yang ternormalisasi;
2. Membuat matriks keputusan yang ternormalisasi
terbobot;
1 μ j (t + 1) ≠ μ j
μ j ( t + 1) =
N Sj
∑x
j∈ Sj
j 3. Menentukan matriks solusi ideal positif dan
matriks solusi ideal negatif;
4. Menentukan jarak antara nilai setiap alternatif
dengan matriks solusi ideal positif dan matriks
solusi ideal negatif;
Gambar 1. Flowchart Kmeans Clustering 5. Menentukan nilai preferensi untuk setiap
alternatif.
Adapun langkah penghitungan atau pengelompokan TOPSIS membutuhkan rating kerja setiap alternatif
menggunakan metode K-Means Clustering seperti Ai pada setiap kriteria Cj yang ternormalisasi
terlihat pada gambar 1. x i j
Step1 : Menentukan banyak K-cluster yang ingin rij = …………………….(3)
m
dibentuk.
∑
2
Step2 : Membangkitkan nilai random untuk pusat x ij
i=1
cluster awal (centroid) sebanyak k.
3
Masruro, Sistem Penunjanng Keputusan…
dimanna : Start
Bobot
K-Means Kepentingan
rij = m
matriks ternorm malisasi [i][j] Budget
xij = m
matriks keputuusan [i][j] Bobot kepentingan
Solusi ideal positif A+ dan sollusi ideal neg gatif A- Pemilihan tema
TOPSIS
Penentuan lokasi
wisata
wisata Data Wisata
dapat ditentukann berdasarkan rating bobot TOPSIS
terpilih
Sub kreteria
ternorrmalisasi (yij) sebagai : fasilitas
yij = w
wi.rij ; Data Wisatta
terpilih List Lokasi
wisata
Daftar Pu
ustaka
[1] Amir Hossein Azadn niaa, Pezhmaan Ghadimib,,
Mohammaad Molani- Agghdama, A Hyybrid Model off
Data Min ning and MCD DM Methods for f Estimating
g
Gambarr 6. Hasil periingkingan Customer Lifetime Valuue, Proceedinggs of the 41stt
Internationnal Conferencee on Computerrs & Industriall
Kesiimpulan da
an Saran Engineerinng, 2011
Kesim
mpulan [2] Mir. B. Arryanezhad, M.JJ. Tarokh, M.N.. Mokhtarian &
Setelaah melakukann identifikasi masalah,
m peraancang- F. Zaheri, A Fuzzy TOPSSIS Method Bassed on Left and d
an, immplementasi, dan pengujiaan sistem dipperoleh Right Scoores, Internatiional Journal Of Industriall
beberapa kesimpulaan sebagai berrikut: Enginering g & Production
n Research, 2011
[3] Agus Sasm mito Aribowo, E-Elearning Cerdas
C Dengann
1. Allgoritma K-M Means hanya bisa
b digunakann untuk
Personalissasi Menggunakkan Teknik Daata Mining Dan n
peenghitungan penentuan
p penngelompokan budget,
b Decision Support Sysstem, Semiinar Nasionall
haal ini dikarennakan dari keetiga kreteria (tema, Informatikka 2010 (semnnasIF 2010)C.P Petropoulos, A
fasilitas dan budget)
b yangg menjadi variabel
v Decision Support Systtem for Tourism Demand d
peenelitian hanyya budget yaang merupakaan data Analysis and
a Forcasting, 2005
coontinue atau biilangan. [4] Kusrini, Konsep
K dan Aplikasi
A Sisteem Pendukung g
2. Daalam penggu unaan algorittma K-Meanns dan Keputusann, ANDI Yogyaakarta, 2007
TO OPSIS kreteriia yang digunnakan apabilaa bukan [5] Sri Kusummadewi, Sri Harrtati, Agus Harrjoko, Retantyo o
daata continue maka harus dilakukan konfersi
k Wardoyo, Fuzzy Multii-Attribut Decision Making,,
Graha Ilmmu Yogyakarta, 2006
terrlebih dahulu..