Jurnal Ilmiah DASI Vol. 15 No.

04 Desember 201, hlm 1 - 5 ISSN: 1411-3201

SISTEM PENUNJANG KEPUTUSAN PENENTUAN LOKASI WISATA

MENGGUNAKAN K-MEANS CLUSTERING DAN TOPSIS
Ahlihi Masruro1), Kusrini2), Emha Taufiq Luthfi3)
1)
Teknik Informatika STMIK AMIKOM Yogyakarta
2,3)
Magister Teknik Informatika STMIK AMIKOM Yogyakarta
1,2,3)
Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281
email : ahlihi.m@amikom.ac.id1), kusrini@amikom.ac.id2), emha.t@amikom.ac.id3)

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.

Pendahuluan Sedangkan Shin dan Sohn (2004) dalam

Penggunaan perangkat teknologi informasi telah
menjadi sebuah kegiatan yang lumrah bagi
masyarakat saat ini. Disatu sisi kebutuhan berwisata
yang semakin tumbuh kurang diiringi dengan
penyediaan informasi yang mendukung minat calon
wisatawan.
Penelitian ini akan mengangkat pemanfaatan
teknologi informatika terutama sistem penunjang
keputusan untuk penentuan lokasi wisata. Penulis
menggunakan teknik data mining yaitu K-Means
dan TOPSIS untuk dapat mengelompokkan data dan
memberikan list daftar lokasi wisata sesuai yang
diinginkan oleh user. K-Means digunakan untuk
menentukan pengelompokan nilai kriteria dari
beberapa kelompok nilai alternatif, nilai dari
pengelompokan ini digunakan untuk menentukan
hasil list alterntif yang akan dihitung lagi
menggunakan TOPSIS. Sehingga data mining hanya
digunakan untuk membantu sistem penunjang
keputusan.
Amir Hossein Azadniaa, Pezhman Ghadimib,
Mohammad Molani-Aghdama (2011) dalam
penelitiannya yang berjudul A Hybrid Model of Data
Mining and MCDM Methods for Estimating
Customer Lifetime Value, menyimpulkan bahwa
penggunaan teknik data mining dan metode DSS
menggunakan MCDM (Multi Creteria Decision
Making) dapat digunakan dalam mengkluster atau
mengelompokkan pelanggan guna efektifitas
penyampaian iklan serta meminimalisasi pengguna-
an sumberdaya [1].
1
penelitiannya menggunakan algoritma KMeans,
SOM, dan Fuzzy C-Means untuk mencari
segmentasi konsumen pasar modal berdasarkan nilai
potensialnya, yaitu berdasarkan total nilai transaksi
yang dilakukan dalam periode tiga bulan. Dari hasil
perbandingan terhadap ketiga metode tersebut,
algoritma K-Means memiliki hasil segmentasi yang
lebih akurat. Selanjutnya dilakukan proses
klasifikasi menggunakan metode aturan berbasis
pohon keputusan, sehingga dihasilkan tiga segmen
konsumen dan setiap segmen konsumen menentukan
besarnya komisi yang harus dibayarkan untuk
broker. Dalam melakukan penelitian ini langkah-
langkah yang dikerjakan adalah:
a. Studi kelayakan (Intelligence)
b. Perancangan (Design)
c. Pemilihan (Choice)
d. Membuat DSS
Diharapkan dengan adanya hasil penelitian ini dapat
memberikan gambaran tentang pemanfaatan
perkembangan teknologi informatika khususnya
sistem penunjang keputusan dalam membantu calon
wisatawan untuk menentukan lokasi tujuan wisata
yang akan dikunjungi.
Tinjauan Pustaka
Penelitian tentang decision support sistem untuk
menentukan lokasi wisata pernah dilakukan oleh
Rodolfo Baggio dan Leonardo Caperarello(2005),
dalam jurnal ilmiah yang berjudul Decision Support
System in a Tourism Destination : Literature Survey
and Model Building. Dalam penelitian tersebut SPK

ditujukan untuk pengambil keputusan dalam
pengembangan wisata. Dalam penelitian ini hanya
membahas manfaat dari DSS untuk penentuan lokasi
wisata. Adapun dalam penelitian ini SPK ditujukan
untuk wisatawan sebagai pengambil keputusan
untuk menentukan lokasi wisata atau paket wisata
yang sesuai dengan kebutuhannya dengan
pengaplikasian methode pengambilan keputusan.
Adapun dari jurnal SFTIS, C.Petropoulos (2006)
yang berjudul A Decision Support System for
Tourism Demand Analysis and Forcasting melaku-
kan penelitian penggunaan SPK untuk penentuan
strategi peramalan untuk pengembangan wisata
berdasarkan besarnya minat wisatawan terhadap
lokasi wisata tersebut. Adapun dalam penelitian ini
tujuan wisata ditentukan berdasarkan kriteria yang
diinputkan oleh calon wisatawan.
Amir Hossein Azadniaa, Pezhman Ghadimib,
Mohammad Molani-Aghdama (2011) dalam
penelitiannya yang berjudul A Hybrid Model of Data
Mining and MCDM Methods for Estimating
Customer Lifetime Value, menyimpulkan bahwa
penggunaan teknik data mining dan metode DSS
menggunakan MCDM (Multi Creteria Decision
Making) dapat digunakan dalam mengkluster atau
mengelompokkan pelanggan guna efektifitas
penyampaian iklan serta meminimalisasi peng-
gunaan sumberdaya[1].
Mir. B. Aryanezhad, M.J. Tarokh, M.N. Mokhtarian
& F. Zaheri (2011), dalam penelitian mereka yang
berjudul A Fuzzy TOPSIS Method Based on Left
and Right Scores, menjelaskan berdasarkan fakta
bahwa MCDM dalam dunia nyata sangat sulit untuk
menentukan kesesuaian kreteria sesuai dengan yang
diinginkan, sehingga mengusulkan penggunaan
methode TOPSIS karena kesesuaian kreteria dinilai
dari yang terdekat sesuai atau yang terjauh dari
kesesuaian[2].
Dalam penelitian yang dilakukan oleh Agus Sasmito
Aribowo, yang berjudul E-learning cerdas dengan
personalisasi menggunakan teknik data mining dan
decision support system, menyimpulkan bahwa
penggunaan teknik data mining dan decision support
system dapat digunakan dalam merekomendasikan
buku, bahan ajar yang sesuai dengan tingkat minat
pengguna. Penelitian ini dipublikasikan dalam
prosiding Seminar Nasional Informatika 2010
(semnasIF 2010)[3].
Sistem Penunjang Keputusan merupakan sebuah
sistem informasi interaktif yang menyediakan
informasi, pemodelan, dan pemanipulasian data.
Sistem itu digunakan untuk membantu pengambilan
keputusan dalam situasi yang semiterstruktur dan
tidak terstruktur, d mana tidak seorangpun tahu
secara pasti bagaimana keputusan seharusnya dibuat
(Kusrini, 2007)[4]. Adapun pengembangan sebuah
sistem penunjang keputusan memiliki tahapan
pendefinisian masalah, pengumpulan data atau
elemen informasi yang relevan, pengolahan data
menjadi informasi baik dalam bentuk laporan grafik
maupun tulisan, menentukan alternatif-alternatif
2
Masruro, Sistem Penunjang Keputusan…
solusi (bisa dalam bentuk prosentase). Langkah-
langkah tersebut adalah :
a. Studi kelayakan (Intelligence)
Dalam langkah ini sasaran ditentukan, dilakukan
pencarian prosedur, pengumpulan data, identifikasi
masalah, identifikasi kepemilikan masalah,
klasifikasi masalah hingga akhirnya terbentuk
sebuah pernyataan masalah. Kepemilikan masalah
berkaitan dengan bagian apa yang akan dibangunkan
DSS, apa tugas dari bagian tersebut sehingga model
tersebut dapat relevan dengan kebutuhan si pemilik
masalah.
b. Perancangan (Design)
Pada tahap ini akan diformulasikan model yang akan
digunakan dan kriteriakriteria ditentukan. Setelah itu
dicari alternatif model yang dapat menyelesaiakan
permasahan tersebut. Langkah selanjutnya adalah
memprediksi keluaran yang mungkin. Kemudian
variabel-variabel model ditentukan.
c. Pemilihan (Choice)
Setelah pada tahap design ditentukan berbagai
alternatif model beserta variabel-variabelnya pada
tahap ini akan dilakukan pemilihan modelnya,
termasuk solusi dari model tersebut. Selanjutnya
dilakukan analisis sensitifitas yaitu dengan
mengganti beberapa variabel.
d. Membuat DSS
Setelah modelnya ditentukan, maka model tersebut
diimplementasikan dalam sebuah aplikasi DSS.
(Kusrini,2007)[4]
Dalam penelitian ini methode yang digunakan
adalah TOPSIS (The Technique for Order of
Preference by Similarity to Ideal Solution). Methode
ini mencari solusi dari data yang dimiliki dengan
menampilkan hasil berdasarkan data terdekat nilai
dengan keinginan dan nilai yang terjauh dari data
yang diharapkan. Tahapan metode TOPSIS :
a. Membuat matriks keputusan yang ternormalisasi
b. Membuat matriks keputusan yang ternormalisasi
terbobot
c. Menentukan matriks solusi ideal positif dan
matriks solusi ideal negatif
d. Menentukan jarak antara nilai setiap alternatif
dengan matriks solusi ideal positif dan negatif
e. Menentukan nilai preferensi untuk setiap
alternatif
K Means Clustering
Data mining merupakan penggabungan dari
berbagai bidang ilmu, antara lain basis data,
information retrieval, statistika, algoritma dan
machine learning. Data mining sebenarnya telah
berkembang sejak lama dan saat ini semakin terasa
pentingnya, seiring dengan munculnya keperluan
untuk mendapatkan informasi yang lebih dari data
transaksi maupun fakta yang terkumpul selama
bertahun-tahun. Data mining adalah cara
menemukan informasi tersembunyi dalam sebuah
basis data dan merupakan bagian dari proses untuk
menemukan informasi dan pola yang berguna dalam
data. Kegiatan data mining biasanya dilakukan pada
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…

dengaan i=1,2,...,m; dan j=1,2,...,nn; Pemilihan tema

a TOPSIS I K-Means TOPSIS II

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

dengaan i=1,2,...,m; Data Wisata

dan j==1,2,...,n; Data Lokasi

terpilih

A+ = ((y1+, y2+, ..., yn+);

Wisata
Selesai

A- = ((y1-, y2-, ..., yn-);

mbar 2. Alur rancangan
Gam r proogram
dimanna :
yij = matriks ternorrmalisasi terboobot [i][j] Pada peneliitian ini, meenggunakan model m sistem
m
wi = vektor bobot[i] dari proses AHP yaitu K-Meaans dan TOP PSIS(Techniquue for Orderr
yj+ = max yij, jika j adalah atribuut keuntungan dan Performancee by Similarity ty to Ideal Solution). Yangg
yj- = min yij, jika j adalah atributt biaya pada peneerapannya metode m K-M
Means akann
j = 1,2,...,n menyediakann nilai yang akan diolah kembali olehh
Jarak antara alternaatif Ai dengan solusi ideal positif
p : TOPSIS.
n Sebagai gam mbaran jalannnya proses mulai darii
∑( y
+
Di+ = i − yij ) 2 pemilihan kreteria
k sampaai dimunculkkan informasii
i =1
lokasi wisataa. Dari data yang
y didapat maka
m langkahh
……… ……………..((4) pertama adallah menentukkan tema dari lokasiwisata..
i=1,22,...,m Setelah temma dipilih makam user diiminta untukk
dimanna : menentukan tingakta keppentingan darri sub-kriteriaa
Di+ = jjarak alternatiif Ai dengan solusi
s ideal po
ositif yang ada, nilai bobot ini digunnakan untukk
yi+ = solusi ideal poositif[i] menentukan nilai dari kreteria terssebut. Dalam m
yij = matriks normalisasi terboboot[i][j] penelitian ini
i hasil perhitungan
p ddidapat darii
Jarak antara alternaatif Ai dengan solusi ideal negatif:
n perhitungan TOPSIS taahap I. Sehhingga padaa
n TOPSIS tahhap I ini buukan menamppilkan urutann
∑( y
−
Di- = ij − yi ) 2 ………
……………..((5) peringkat lokkasi wisata.
j =1 Pada proses yang bersam maan dilakukann perhitungann
i=
=1,2,...,m nilai budg get menggunnakan K-M Means untukk
dimanna : menentukan pengelompo okan budget. Setelah di--
Di- = jjarak alternatiif Ai dengan solusi
s ideal negatif
n dapatkan nilai fasilitas dand budget paada
p prosess
yi- = solusi ideal poositif[i] sebelumnya maka dilanjuutkan dengann menghitungg
yij = matriks normalisasi terboboot[i][j] TOPSIS ke k II untu uk menentuukan urutann
Nilai preferensi unntuk setiap alternatif
a (Vi) dapat rekomendasii lokasi wisataa. Namun sebbelumnya userr
dilihaat pada rumus (2.11). diminta untuuk menentukann bobot kepenntingan antaraa
− budget dan fasilitas. Dalam penelitian ini nilaii
Di
Vi = ……………………..(6) keuntungan dan biaya telah ditentukann oleh sistem..
− +
Di + Di Dengan bud dget sebagai faktor biaya dan fasilitass
i=1,22,...,m sebagai keunntungan. Sehingga sistem akana memilihh
dimanna : range biaya terkecil dann fasilitas memilih
m rangee
Vi = kedekatan tiapp alternatif terrhadap solusi ideal terbesar.
Di+ = jjarak alternatiif Ai dengan solusi
s ideal po
ositif
Di- = jjarak alternatiif Ai dengan solusi
s ideal neegatif Hasil dan Pembahassan
Nilai Vi yang leebih besar menunjukkan
m bahwa Dari perancaangan yang telah
t dibuat sesuai
s dengann
alternnatif Ai lebih dipilih.
d metode peneelitian yang diigambarkan dalam
d Gambarr
2. Maka dapaat dijelaskan alur
a sistem sebbagai berikut:
Metoode Penelittian 1. Memilih tema wisata
Alur dari
d penentuaan lokasi wisaata menggunaakan K- Dalam pennentuan temaa lokasi wisata w hanyaa
Meanns Clustering dan
d TOPSIS adalah(Gamba
a ar 2) : dilakukan seleksi menggunnakan query biasa
b berdasarr
nama tema yang
y diinputkaan oleh user

Gambar 3. Pilih tema

4
Jurnall Ilmiah DASI Vol. 15 No. 04 Desember
D 201, hlm 1 - 5 ISSSN: 1411-3201

2. MMemasukkan niilai bobot subfasilitas 3. Langkah yang dilakuukan untuk menampilkann

Dari ddata yang diddapat dari queery awal (lang gkah 1) pencariann lokasi wisaata dengan menggunakan
m n
di am
mbil data sub fasilitas
f yang dimiliki
d tiap lookasi.
l algoritmaa K-Means daan TOPSIS addalah sebagaii
Kemuudian degan menggunakan
m n rumus no 3 s/d 6, berikut :
dilakuukan penghittungan TOPS SIS tahap pertama
p a. Data yang dimasuk kkan harus memiliki
m temaa
dengaan nilai boboot kepentingaan yang diinnputkan wisataa fasilitas dann budget.
oleh uuser. Dari perrhitungan ini didapatkan
d nilai dari b. Ketik ka memasukk kan data fasillitas terdapatt
kreterria fasilitas lokasi wisatta. TOPSIS hanya sub-faasilitas yangg setiap suubnya haruss
digunnakan untuk menentukan nilai bukan untuk memiiliki nilai meemadai, kuraang memadaii
menenntukan pering gkingan dari lookasi wisata. atau tidak
t memadaai. Nilai rata-raata ketiga subb
tersebbut yang akaan menjadi nilai n fasilitass
untukk lokasi wisataa.
c. Ketik ka user melakuukan pencariaan maka yangg
dilakuukan adalah memilih tem ma, kemudiann
menenntukan bobot kepentingan dari beberapaa
sub kreteria
k fasilitaas untuk mennentukan nilaii
Gambaar 4. Bobot suubfasilitas fasilittas, kemudiann memilih ringg budget darii
3. MMemasukkan niilai bobot darii fasilitas dan biaya hasil pengelompookan K-Meaans, terakhirr
Terdaapat dua pro oses yang terjadi ketika sistem menenntukan bobot kepentingan anataraa
menam mpilkan menuu input bobot budget dan faasilitas. kreterria budget den ngan fasilitas.
Proses yang pertam ma adalah penngelompokan rentang
r Saran
biaya yang dihasillkan pencariaan awal (langgkah 1) Berikut ini adalah kek kurangan dalaam Decisionn
dengaan menggunakkan metode K-Means K Cluustering Support Sysstem yang diharapkan
d daapat menjadii
(rumuus 1 s/d 2), daan ditetapkan bbahwa pilihan n selalu bahan massukan atau saran unttuk penelitii
terletaak pada clusteer 1 dengan asumsi
a pilihann biaya selanjutnya:
selaluu yang terkeecil. Proses selanjutnya adalah 1. Ditambah hkan fasilitas yang bisa interaktif darii
penenntuan tingkat kepentingann antarabudget dan masukan user.
fasilittas yang nilainnya didapat daari proses langgkah 2. 2. Dihubunggkan dengan sistem inform masi geografiss
untuk meenampilkan peeta lokasi wisaata.
3. Bisa mennampilkan hasil pencarian lokasi secaraa
berkelom mpok berasarrkan total budget b yangg
diharapkaan user, yaang diperoleeh dari listt
pencariann fasilitas dan tema.
Gambarr 5. Bobot keppentingan
4. Contoh aplikasi
a hanyya berupa proototype, akann
4. M
Menampilkan hasil
h perhitunggan
lebih baiik bila aplikasi yang sebennarnya dibuatt
dalam beentu aplikasi mobile.
m

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..