PROPOSAL SKRIPSI PENGEMBANGAN PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN DENGAN KOMBINASI METODE NAÏVE BAYES DAN DEMPSTER-SHAFER UNTUK MEMBERIKAN MEMBERIKAN REKOMENDASI OBJEK WISATA DI BANGLI
Oleh I Wayan Bayu Diarsa 1215051135
JURUSAN PENDIDIKAN TEKNIK INFORMATIKA FAKULTAS TEKNIK DAN KEJURUAN UNIVERSITAS PENDIDIKAN GANESHA TAHUN 2016
i
DAFTAR ISI
A.
JUDUL PENELITIAN............... PENELITIAN...................................... ............................................. ............................................. .............................. .......1
B.
LATAR BELAKANG MASALAH .......................................... ................................................................. ........................... .... 1
C.
RUMUSAN MASALAH................................................ ....................................................................... ...................................... ...............3
D.
TUJUAN PENELITIAN...................................... ............................................................ ............................................. ........................... ....4
E.
BATASAN MASALAH ......................................................... ................................................................................ .............................. ....... 4
F.
MANFAAT HASIL PENELITIAN........................................... .................................................................. ........................... .... 4
G.
KAJIAN TEORI ........................................... ................................................................. ............................................ .................................. ............ 5 G.1. Pariwisata Bangli ......................................... ............................................................... ............................................. ........................... .... 5 G.1.1. Kepariwisataan dan Perhotelan ....................... .............................................. .................................. ........... 5 G.2. Objek Wisata atau Daya Tarik Wisata ........................................... .......................................................... ............... 5 G.3. Wisatawan ......................................... ............................................................... ............................................ ...................................... ................ 9 G.3.1. Pengertian Wisatawan ..................................... ........................................................... .................................. ............ 9 G.3.2. Karakteristik Wisatawan ................................................ ................................................................... ................... 9 G.4. Sistem Pendukung Keputusan............................................ ................................................................... ......................... .. 12 G.5. Naïve Bayes Classifier ................................................ ....................................................................... ................................ ......... 15 G.6. Dempster-Shafer Theory .............................. .................................................... ............................................. ......................... .. 19 G.7. Penelitian Terkait ........................................................ ............................................................................... ................................ ......... 24
H.
METODE PENELITIAN............... PENELITIAN..................................... ............................................ ............................................. ......................... ..26 H.1. Analysis................................................. ....................................................................... ............................................ ................................ ..........27 H.2. Design ........................................... .................................................................. ............................................. ....................................... ................. 37 H.3. Development ............................................. ................................................................... ............................................ ............................ ...... 51 H.4. Implementation ............................................ .................................................................. ............................................ ......................... ... 52 H.5. Evaluation ......................................... ............................................................... ............................................ .................................... .............. 53
I.
JADWAL DAN WAKTU........................................ WAKTU.............................................................. ........................................... ..................... 53
J.
DAFTAR PUSTAKA .......................................... ................................................................ ............................................ ......................... ... 55
ii
DAFTAR GAMBAR
Gambar G.1. Arsitektur Sistem Pendukung Keputusan............................................... Keputusan............................................... 15 Gambar G.2 Pola subset dari evidence ............................................ ................................................................... ............................ ..... 20 Gambar H.1. Model ADDIE .......................... ................................................. .............................................. ....................................... ................ 27 Gambar H.2. Diagram Konteks ............................................ ................................................................... ....................................... ................ 38 Gambar H.3. DFD Level 0............................................ .................................................................. ............................................ ......................... ... 39 Gambar H.4. DFD Level 1 Proses Manipulasi Data Admin........................................ Admin........................................ 40 Gambar H.5. DFD Level 1 Proses Manipulasi Data Objek Wisata ............................. ............................. 41 Gambar H.6. DFD Level 1 Proses Manipulasi Data Wisatawan ................................. ................................. 42 Gambar H.7. Flowchart System ............................................ ................................................................... ....................................... ................ 43 Gambar H.8. Form Login Administrator ......................................... ............................................................... ............................ ...... 46 Gambar H.9. Form Manipulasi Mani pulasi Objek Wisata ............................................... ............................................................. .............. 46 Gambar H.10. Form Tambah Objek Wisata Wi sata ....................................... ............................................................. ......................... ... 47 Gambar H.11. Form Manipulasi Kriteria ............................................ ................................................................... ......................... .. 47 Gambar H.12. Form Kunjungan Wisata Wi sata ........................................................ ...................................................................... .............. 48 Gambar H.13. Form Tambah Administrator........................................... ................................................................ ..................... 48 Gambar H.14. Form User untuk Tampilan Awal ........................................................ ........................................................ 49 Gambar H.15. Form User untuk Memasukan Identitas .................................. ............................................... ............. 50 Gambar H.16. Form User untuk Menampilkan Hasil Rekomendasi ........................... ........................... 51 Gambar J.1. Wawancara dengan Seksi Analisa Pemasaran ........................................ ........................................ 58
iii
DAFTAR TABEL
Tabel G.1. Daftar Nama Daya Tarik Wisata Kabupaten Bangli .................................... 7 Tabel G.2. Atribut penetapan lokasi perumahan .........................................................17 Tabel G.3. Probabilitas kemunculan nilai atribut dipilih untuk angkutan umum (C3) 18 Tabel G.4. Probabilitas kemunculan nilai atribut dipilih untuk perumahan (C4) ........ 18 Tabel G.5 Perhitungan evidence ..................................................................................23 Tabel H.1. Data Kunjungan Wisatawan di Kabupaten Bangli .................................... 28 Tabel H.2. Kode Objek Wisata ....................................................................................28 Tabel H.3. Perhitungan evidence (m1 dan m2)............................................................ 30 Tabel H.4. Perhitungan evidence (m3 dan m4)............................................................ 31 Tabel H.5. Tabel perhitungan evidence (m5 dan m6).................................................. 35 Tabel H.6. Tabel Admin .............................................................................................. 44 Tabel H.7. Tabel Objek Wisata.................................................................................... 44 Tabel H.8. Tabel Kriteria ............................................................................................. 45 Tabel H.9. Tabel Wisatawan ........................................................................................45 Tabel I.1. Jadwal Kegiatan........................................................................................... 54
iv
IDENTITAS PENELITI Nama
: I Wayan Bayu Diarsa
NIM
: 1215051135
Jurusan
: Pendidikan Teknik Informatika
A. JUDUL PENELITIAN Pengembangan Sistem Pendukung Keputusan dengan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli .
B. LATAR BELAKANG MASALAH Bali merupakan primadona pariwisata di Indonesia yang sudah terkenal hampir di seluruh dunia dan mempunyai banyak daya tarik di bidang pariwisata. Selain terkenal di seluruh dunia, Bali juga terkenal dengan keindahan alam, kesenian, dan budayanya yang unik dan menarik. Pada tahun 2015 majalah Travel and Leisure mengatakan bahwa Bali menempati posisi ke dua di dunia sebagai World’s Best Islands (Travel and Leisure, 2015). Dan bahkan masuk tiga besar berturut-turut seja k tahun 2009 (Kompas Travel, 2016). Hal tersebut tidak lepas dari peran pariwisata di Bali, karena wisatawan yang berkunjung juga berasal dari berbagai negara di dunia. Jumlah kunjungan wisatawan mancanegara ke Bali tahun 2004-2014 secara umum mengalami pertumbuhan yang sangat pesat. Pertumbuhan terbesar terjadi pada tahun 2007 yaitu sebesar 32,16% (BPS Bali, 2015). Setelah itu berturut-turut mengalami kenaikan setiap tahunnya. Perkembangan pariwisata di Bali tidak lepas ju ga dari peran masing-masing kabupaten di Bali. Salah satunya adalah kabupaten Bangli yang terletak di tengahtengah pulau Bali. Sehingga kabupaten Bangli satu-satunya kabupaten di Bali yang tidak memiliki pantai. Kabupaten Bangli memiliki keunikan daya tarik wisata dan mengandalkan sektor pariwisata sebagai sektor andalan selain sektor pertanian dan sektor industri kecil. Berdasarkan data kunjungan wisatawan dari Dinas Kebudayaan dan Pariwisata Kabupaten Bangli selama lima tahun terakhir yaitu sejak tahun 2010 sampai 2014 terlihat adanya peningkatan kunjungan wisatawan dalam kurun waktu 2010 ke tahun 2011 yaitu sebesar 138.474 orang atau sebesar 33% (Disbudpar Bangli, 2015). Ini disebabkan oleh pulihnya kondisi ekonomi global dan gencarnya promosi yang 1
dilakukan pemerintah pusat dan daerah. Tetapi pada tahun 2012 terjadi penurunan jumlah kunjungan yaitu sebesar 18.465 orang atau 3,2% (Disbudpar Bangli, 2015). Hal ini disebabkan karena beberapa hal, salah satunya adalah belum optimalnya promosi Pemerintah Daerah. Meskipun setelah tahun 2012 terjadi tren kenaikan kunjungan wisatawan sampai tahun 2014. Jumlah objek wisata atau daya tarik wisata di Bangli berdasarkan data dari Dinas Kebudayaan dan Pariwisata Kabupaten Bangli adalah 42 buah (Disbudpar Bangli, 2015). Daya tarik wisata tersebut terdiri dari Daya Tarik Wisata (DTW) yang dikembangkan dan yang dikenakan retribusi. Untuk lebih meningkatkan kunjungan wisatawan, berbagai jenis usaha sudah dilakukan oleh Pemerintah Daerah Bangli melalui Dinas Kebudayaan dan Pariwisata, salah satu usaha yang sudah dilakukan antara lain adalah menyediakan informasiinformasi objek wisata melalui media website, memanfaatkan sosial media, dan bahkan melakukan analisa pemasaran wisata. Namun dari berbagai usaha yang sudah dilakukan tersebut, tidak luput juga dari beberapa kekurangan yaitu jika informasi yang disebarkan melalui website dan sosial media, informasi yang disajikan masih secara umum dan tidak mengkhusus berdasarkan minat dan karakteristik wisatawan. Selain itu Dinas Kebudayaan dan Pariwisata mempunyai sub bagian analisa pemasaran yang bertugas melakukan analisa kunjungan wisatawan. Namun analisa tersebut masih sebatas menghasilkan data persentase atau baru se batas deskripsi kunjungan saja, tidak sampai memprediksi tempat kunjungan atau objek wisata yang akan dikunjungi wisatawan. Memprediksi atau dalam hal ini untuk meningkatkan kunjungan wisatawan dapat diperoleh dari karakteristik masing-masing wisatawan. Menurut Subhikshu (dalam Wirawan, 2013) mengatakan bahwa karakteristik dari kunjungan wisatawan di masa lampau dapat digunakan dalam meningkatkan kegiatan pemasaran dan promosi secara cermat dan terarah. Di Disbudpar Bangli untuk lebih meningkatkan kegiatan pemasaran dan promosi dilakukan oleh bagian Pemasaran Wisata yang salah satu sub bagiannya adalah Analisa Pemasaran yang bertugas melakukan analisa karakteristik wisatawan. Di mana untuk melakukan analisa karakteristik wisatawan, dapat dilakukan dengan cara mentabulasi silang variabel-variabel karakteristik dengan preferensi wisatawan (Dwiputra, 2013:40). Porteus (dalam Dwiputra, 2013:39) mengatakan bahwa preferensi adalah bagian dari komponen pembuatan keputusan dari seorang individu. Sehingga dalam penentuan keputusan, preferensi wisatawan sangat 2
berpengaruh. Untuk mengimplementasikan penentuan keputusan tersebut tentunya diperlukan metode yang cara perhitungannya menyilangkan karakteristik atau preferensi wisatawan. Salah satu metode yang dapat digunakan adalah Dempster-Shafer (Wirawan, 2013). Dalam penelitian tersebut membahas mengenai penggunaan metode DempsterShafer dalam menentukan rekomendasi objek wisata di Kabupaten Buleleng. Penelitian
lain juga menggunakan metode Dempster-Shafer dalam sistem pendukung keputusan (Mau, 2014). Penelitian tersebut membahas tentang penentuan seleksi beasiswa yang diterapkan dalam sistem pendukung keputusan. Namun dalam kedua penelitian tersebut untuk penentuan probabilitasnya tetap menggunakan Teorema Bayes di mana untuk Teorema Bayes sebenarnya menggunakan atribut yang dikategorikan meskipun atribut
tersebut adalah atribut kontinu. Untuk membedakan antara atribut kategori dan kontinu dapat digunakan dengan metode Naïve Bayes. Jadi jika ada data kontinu maka dalam perhitungannya menggunakan rumus densitas gauss (Saleh, 2015:210). Sehingga berdasarkan pemaparan tersebut, peneliti ingin mengembangkan sebuah Sistem Pendukung Keputusan dengan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli .
C. RUMUSAN MASALAH Berdasarkan latar belakang dia atas, maka dapat dirumuskan beberapa masalah yaitu sebagai berikut: 1. Bagaimana rancang bangun Pengembangan Sistem Pendukung Keputusan dengan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli ? 2. Bagaimana uji akurasi dari Pengembangan Sistem Pendukung Keputusan dengan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli ? 3. Bagaimana uji respons dari Pengembangan Sistem Pendukung Keputusan dengan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli ?
3
D. TUJUAN PENELITIAN Tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut: 1. Memahami rancang bangun Pengembangan Sistem Pendukung Keputusan dengan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli ? 2. Memahami uji akurasi dari Pengembangan Sistem Pendukung Keputusan dengan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli ? 3. Memahami uji respons dari Pengembangan Sistem Pendukung Keputusan dengan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli ?
E. BATASAN MASALAH Batasan masalah yang dibahas dengan latar belakang yang diuraikan adalah atribut atau karakteristik yang digunakan hanya sebatas asal negara, jenis kelamin, tujuan wisata, umur, dan frekuensi kunjungan.
F. MANFAAT HASIL PENELITIAN 1. Teoritis Dapat menambah wawasan ilmu mengenai pembuatan sistem pendukung keputusan terutama dalam hal memberikan rekomendasi objek wisata kepada wisatawan. 2. Praktis a. Bagi Peneliti Dapat mengimplementasikan ilmu yang diperoleh di bangku perkuliahan mengenai pembuatan sistem pendukung keputusan berbasis website, yang nantinya dapat bermanfaat bagi masyarakat khususnya wisatawan ataupun Dinas Kebudayaan dan Pariwisata. b. Bagi Dinas Kebudayaan dan Pariwisata Dapat membantu Dinas Kebudayaan dan Pariwisata Bangli dalam memperoleh data wisatawan dan menentukan strategi promosi objek wisata yang tepat sesuai dengan karakteristik wisatawan yang pernah berkunjung. 4
c. Bagi Wisatawan Dapat membantu wisatawan dalam menentukan pilihan untuk mengunjungi objek wisata yang ada di Kabupaten Bangli berdasarkan kecocokan karakteristik yang dimiliki dengan kunjungan wisatawan sebelumnya.
G. KAJIAN TEORI G.1. Pariwisata Bangli G.1.1. Kepariwisataan dan Perhotelan Kepariwisataan diharapkan menjadi sektor andalan Kabupaten Bangli yang mampu lebih menggalakkan kegiatan ekonomi, mengatrol sektor lain yang berkaitan, membuka lapangan kerja dan meningkatkan pendapatan masyarakat daerah. Potensi kepariwisataan Kabupaten Bangli adalah objek wisata berupa keindahan alam, keunikan, dan seni budaya yang bersumber dari Agama Hindu. Dari banyaknya objek wisata, disajikan jumlah kunjungan wisatawan pada beberapa objek wisat a yang cukup berpotensi di daerah ini. Berdasarkan data dari Dinas Kebudayaan dan Pariwisata Kabupaten Bangli selama lima tahun terakhir yaitu sejak tahun 2010 sampai 2014 terlihat adanya peningkatan kunjungan wisatawan dalam kurun waktu 2010 ke tahun 2011 yaitu sebesar 138.474 orang atau sebesar 33%. Tetapi pada tahun 2012 terjadi penurunan jumlah kunjungan yaitu sebesar 18.465 orang atau 3,2%. Namun setelah tahun 2012 terjadi tren kenaikan kunjungan wisatawan yaitu tahun 2013 sebesar 68.485 orang atau sebesar 12%. Dan pada tahun 2014 terjadi kenaikan kunjungan sebesar 30.970 orang atau sebesar 5% (Disbudpar Bangli, 2015:3). Jumlah akomodasi hotel di Bangli sangat terbatas, pada tahun 2012 hanya ada 27 hotel non bintang yang sebagian besar terdapat di Kecamatan Kintamani. Pada tahun 2013 terjadi penurunan hotel non bintang menjadi 25 hotel (BPS Bangli, 2015:195). Beberapa tempat usaha non bintang tutup akibat lesunya perekonomian dan akses jalan yang semakin bagus ke Bangli sehingga wisatawan yang berkunjung sedikit yang memilih menginap di Bangli melainkan lebih memilih di luar Bangli. G.2. Objek Wisata atau Daya Tarik Wisata Daya tarik wisata atau objek wisata menurut Undang-undang Nomor 10 Tahun 2009 tentang kepariwisataan adalah segala sesuatu yang memiliki keunikan, keindahan, dan nilai yang berupa keanekaragaman alam, budaya, dan hasil buatan manusia yang 5
menjadi sasaran atau tujuan kunjungan wisatawan. Sehingga daerah tujuan pariwisata disebut dengan destinasi pariwisata. Destinasi Pariwisata adalah kawasan geografis yang berada dalam satu atau lebih wilayah administratif yang di dalamnya terdapat daya tarik wisata, fasilitas umum, fasilitas pariwisata, aksebilitas serta masyarakat yang saling terkait dan melengkapi terwujudnya kepariwisataan. Daya tarik wisata sebenarnya adalah kata lain dari objek wisata, tetapi sesuai dengan Peraturan Pemerintah (PP) pada tahun 2009, kata objek wisata s elanjutnya tidak lagi digunakan untuk menyebutkan suatu daerah tujuan para wisatawan, dan untuk mengganti kata objek wisata digunakanlah kata Daya Tarik Wisata. Untuk bisa memahami pengertian dan makna dari kata daya tarik wisata, berikut ini adalah beberapa pengertian dari berbagai sumber (Warman, 2014). a. Menurut A. Yoeti dalam bukunya yang berjudul Pengantar Ilmu Pariwisata pada tahun 1985, menyatakan bahwa daya tarik wisata atau tourist attraction merupakan istilah yang lebih sering digunakan, yaitu segala sesuatu yang menjadi daya tarik bagi wisatawan untuk mengunjungi suatu daerah tertentu. b. Nyoman S. Pendit dalam bukunya yang berjudul Ilmu Pariwisata pada tahun 1994, menyatakan bahwa daya tarik wisata bisa berperan seba gai segala sesuatu yang menarik dan mempunyai nilai untuk dikunjungi dan dilihat. Sesuai dengan beberapa pengertian tersebut tentang daya tarik wisata, maka dapat disimpulkan bahwa yang dimaksud dengan daya tarik wisata adalah segala sesuatu di suatu tempat yang memiliki keunikan, keindahan, kemudahan, dan nilai yang berwujud keanekaragaman kekayaan alam maupun buatan manusia yang menarik dan mempunyai nilai untuk dikunjungi dan dilihat oleh wisatawan (Warman, 2014). Suatu daya tarik tujuan wisata, bisa menarik untuk dikunjungi oleh wisatawan ketika bisa memenuhi syarat-syarat untuk pengembangan daerahnya, syarat-syarat tersebut adalah sebagai berikut (Warman, 2014) : a) What to see, pada tempat tersebut harus ada objek dan traksi wisata yang berbeda dengan yang dipunyai di daerah lain. b) What to do, di tempat wisata, selain banyak yang bisa dilihat dan disaksikan, tentunya juga harus disediakan fasilitas rekreasi yang bisa membuat para wisatawan betah untuk tinggal lebih lama di tempat tujuan wisata itu.
6
c) What to buy, tempat tujuan wisata harus ada beberapa fasilitas penunjang untuk berbelanja terutama barang souvenir dan kerajinan rakyat yang berfungsi sebagai oleh-oleh. d) What to arrived , ada yang termasuk aksesibilitas, yaitu bagaimana kita mengunjungi daerah daya tarik tujuan wisata tersebut. e) What to stay, bagaimana wisatawan akan bisa tinggal untuk sementara selama dia berlibur. Ada beberapa hal yang bisa dipakai dalam patokan keberhasilan suatu tempat wisata hingga tercapainya kawasan wisata bisa sangat tergantung pada 3A, yaitu Atraksi atau Attraction, Mudah dicapai atau Accessibility, dan Fasilitas atau Amenities. Berikut ini adalah data objek wisata atau daya tarik wisata yang ada di Kabupaten Bangli berdasarkan Surat Keputusan Bupati Bangli Nomor 556/202/2014 mengenai penetapan daya tarik wisata yang dikembangkan dan daya tarik wisata yang dikenakan retribusi di Kabupaten Bangli. Tabel G.1. Daftar Nama Daya Tarik Wisata Kabupaten Bangli (SK Bupati Bangli Nomor 556/202/2014) No.
Nama Daya Tarik Wisata
I. Daya Tarik Wisata yang dikenakan Retribusi 1
Daya Tarik Wisata Khusus Kintamani
2
Daya Tarik Wisata Terunyan
3
Daya Tarik Wisata Pura Penulisan
4
Daya Tarik Wisata Desa Wisata Penglipuran
5
Daya Tarik Wisata Pura Kehen
6
Daya Tarik Wisata Pendakian Gunung Batur
II. Daya Tarik Wisata yang Sedang Dikembangkan 1
Daya Tarik Wisata Dalem Jawa (Pura Langgar)
2
Daya Tarik Wisata Desa Tradisional Bayung Gede
3
Daya Tarik Wisata Taman Bali Raja
4
Daya Tarik Wisata Desa Adat Pengotan
5
Daya Tarik Wisata Museum Gunung Api Batur
6
Daya Tarik Wisata Agro Kopi Arabika dan Jeruk 7
No.
Nama Daya Tarik Wisata
7
Daya Tarik Wisata Ekowisata Bukit Bangli
8
Daya Tarik Wisata Desa Wisata Taman Sari Undisan
9
Daya Tarik Wisata Bukit Jati
10
Daya Tarik Wisata Pendakian Gunung Abang
III. Daya Tarik Wisata yang Akan Dikembangkan 1
Daya Tarik Wisata Taman Sari
2
Daya Tarik Wisata Air Terjun Dusun Kuning
3
Daya Tarik Wisata Bukit Demulih
4
Daya Tarik Wisata Bukit Serokadan
5
Daya Tarik Wisata Pura Tirta Payuk
6
Daya Tarik Wisata Pura Dalem Bangun Lemah
7
Daya Tarik Wisata Peninggalan Lesung
8
Daya Tarik Wisata Bukit Pulasari
9
Daya Tarik Wisata Pura Pusar Tasik
10
Daya Tarik Wisata Lembah Pantunan
11
Daya Tarik Wisata Candi Tebing
12
Daya Tarik Wisata Panorama Desa Jehem
13
Daya Tarik Wisata Goa dan Mata Air Pulasari
14
Daya Tarik Wisata Desa Batukaang
15
Daya Tarik Wisata Dalem Balingkang
16
Daya Tarik Wisata Agro Wisata Jeruk dan Sirsak
17
Daya Tarik Wisata Air Terjun Kutuh
18
Daya Tarik Wisata Air Terjun Yeh Mampeh
19
Daya Tarik Wisata Air Terjun Desa Bunutin
20
Daya Tarik Wisata Desa Songan
21
Daya Tarik Wisata Hutan Wisata Suter
22
Daya Tarik Wisata Kolam Renang Seganing
23
Daya Tarik Wisata Pura Pucak Sari
24
Daya Tarik Wisata Desa Wisata Br. Guliang Kangin (Tracking)
25
Daya Tarik Wisata Tirta Sudamala 8
No. 26
Nama Daya Tarik Wisata Daya Tarik Wisata Air Terjun Kubu Salya
G.3. Wisatawan G.3.1. Pengertian Wisatawan Wisatawan merupakan orang yang melakukan kegiatan wisata, atau orang yang bepergian ke suatu tempat dengan tujuan untuk berwisata, melihat daerah lain, menikmati sesuatu, mempelajari sesuatu, menambah ilmu pengetahuan, dan juga menambah pengalaman, atau melepas penat, serta bersenang-senang. Wisatawan juga sering disebut dengan turis (tourist ). Tujuan wisatawan ketika melakukan aktivitas wisata bermacam-macam, seperti wisatawan yang ingin mengenal kebudayaan, ada yang dilakukan dalam rangka kunjungan kerja, ada yang dilakukan untuk melakukan penelitian di objek wisata tertentu. Objek wisata yang dipilih para wisatawan pun beragam (Warman, 2015). G.3.2. Karakteristik Wisatawan Gambaran
tentang
wisatawan
biasanya
dapat
dibedakan
berdasarkan
karakteristik perjalanannya atau trip descriptor dan karakteristik wisatawannya atau tourist descriptor (Warman, 2015).
1. Trip Descriptor Wisatawan dalam trip descriptor bisa dibagi ke dalam berbagai kelompok berdasarkan jenis perjalanan yang dilakukan. Pada umumnya, jenis perjalanan dibedakan menjadi perjalanan rekreasi, mengunjungi teman atau keluarga, VFR atau Visiting Friends and Relatives , perjalanan bisnis dan kelompok perjalanan yang lain. Selain itu, bisa juga dengan menambah jenis perjalanan yang digunakan untuk kesehatan dan keagamaan tetapi di luar kelompok lain. Selanjutnya, jenis jenis perjalanan ini juga bisa dibedakan berdasarkan lama perjalanan atau jarak yang ditempuh, waktu melakukan perjalanan tersebut, jenis akomodasi, alat transportasi yang digunakan dalam perjalanan, pengorganisasian perjalanan, dan besar pengeluaran yang dikeluarkan untuk berwisata (Warman, 2015). 2. Tourist Descriptor Tourist
descriptor merupakan
karakter
yang
memfokuskan
pada
wisatawannya, biasanya digambarkan dengan " who, wants, what, why, when, 9
where, and how much?" Agar bisa menjelaskan hal-hal tersebut, bisa menggunakan
beberapa karakteristik, di antaranya adalah sebagai berikut (Menuh, 2016:179). a. Karakteristik Sosio-Demografis Karakteristik Sosio-Demografis merupakan karakter yang digunakan untuk mencoba menjawab pertanyaan who, wants, dan what . Pembagian pertanyaan itu berdasar pada karakteristik yang paling sering dilakukan untuk kepentingan analisis pariwisata, perencanaan, dan pemasaran, karena hal itu sudah sangat jelas definisinya dan relatif mudah pembagiannya (Kottler, 1990:129). Karakteristik yang termasuk dalam karakteristik sosio-demografis di antaranya adalah jenis kelamin, umur, status perkawinan, tingkat pendidikan, pekerjaan, kelas sosial, ukuran keluarga, dan jumlah anggota keluarga yang dielaborasi dari karakteristik tersebut. b. Karakteristik Geografis Karakteristik geografis bisa membagi wisatawan berdasar pada lokasi tempat tinggalnya, biasanya hal itu dibedakan menjadi desa, kota, provinsi, atau dari negara asalnya. c. Karakteristik Psikografis Karakteristik psikografis bisa membagi wisatawan ke dalam kelompokkelompok yang berdasar pada kelas sosial, life style, dan karakteristik personal. Wisatawan pada kelompok demografis yang sama, bisa saja mempunyai profil psikografis yang cukup berbeda (Smith & Wheeler, 2002:81).
Berdasarkan teori yang telah dijelaskan tersebut mengenai karakteristik wisatawan, serta hasil wawancara dengan Seksi Analisa Pemasaran Dinas Kebuda yaan dan Pariwisata Bangli terkait karakteristik wisatawan berdasarkan angket yang telah disebar oleh seksi analisa pemasaran terdapat kesamaan karakteristik wisatawan dari kedua sumber tersebut. Sehingga dengan berpedoman pada kedua sumber tersebut, peneliti akan menggunakan karakteristik wisatawan sebagai berikut. 1. Asal negara Asal negara merupakan salah satu karakteristik wisatawan yang ingin digunakan peneliti dalam penelitian ini. Berdasarkan teori di atas, asal negara tergolong dalam karakteristik geografis wisatawan. Karakteristik geografis wisatawan sangat berpengaruh terhadap jenis wisata yang akan mereka kunjungi. Selain itu, 10
Disbudpar juga menggunakan asal negara sebagai salah satu karakteristik wisatawan yang ingin mereka tahu dalam angket. Hal tersebut dilakukan dengan tujuan agar mereka bisa mengetahui wisatawan asal negara apa saja yang banyak berkunjung ke Bangli. Dengan demikian, asal negara menjadi salah satu karakteristik yang akan digunakan oleh peneliti dalam mengembangkan sistem ini. 2. Jenis kelamin Jenis kelamin termasuk ke dalam salah satu karakteristik wisatawan ditinjau dari karakteristik sosio-demografis. Jenis kelamin merupakan salah satu karakteristik wisatawan yang paling sering digunakan dalam menganalisis pemasaran objek wisata, karena jenis kelamin juga menentukan jenis wisata yang akan dipilih oleh wisatawan. Selain itu angket yang disebarkan oleh Disbudpar juga menggunakan jenis kelamin sebagai salah satu kriteria dalam menganalisis pemasaran objek wisata di Bangli. Sehingga jenis kelamin menjadi karakteristik wisatawan kedua yang digunakan peneliti dalam penelitian ini. 3. Umur Umur juga menjadi salah satu dalam karakteristik wisatawan berdasarkan sosiodemografis. Sama seperti jenis kelamin, umur juga menjadi salah satu karakteristik yang menentukan jenis kunjungan wisatawan selama berlibur. Kriteria ini juga sangat relevan digunakan, karena umur dari wisatawan sangat berpengaruh terhadap jenis kunjungan yang akan dipilih oleh wisatawan ketika berkunjung ke Bangli. 4. Frekuensi Kunjungan Frekuensi kunjungan juga menjadi salah satu kriteria penting dalam menentukan analisa strategi pemasaran objek wisata. Karena dari frekuensi kunjungan ini kita dapat mengetahui pola dari kunjungan wisatawan. Frekuensi kunjungan juga terdapat pada angket yang digunakan Disbudpar. Sehingga kriteria ini sangat relevan digunakan sebagai salah satu kriteria dalam menganalisis strategi promosi objek wisata. 5. Tujuan Wisata Tujuan wisata merupakan salah satu karakteristik yang cukup penting untuk dijadikan kriteria dalam menganalisis strategi promosi objek wisata. Pihak Disbudpar juga menggunakan tujuan wisata dalam angket yang disebarkan. Hal ini
11
menjadi salah satu karakteristik yang masuk ke dalam psikografis karena masingmasing wisatawan mempunyai tujuan yang tidak semua sama.
G.4. Sistem Pendukung Keputusan 1. Pengertian dan Tujuan Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS) adalah sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data (Kusrini, 2007:15). Alter (dalam Kusrini, 2007:16) menyebutkan bahwa sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi yang semi terstruktur dan situasi tidak terstruktur, di mana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat. DSS biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk mengevaluasi suatu peluang. DSS yang seperti itu disebut aplikasi DSS. Aplikasi DSS digunakan dalam pengambilan keputusan dan menggunakan CBIS ( Computer Based Information Systems) yang fleksibel, interaktif, dan dapat diadaptasi, yang
dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur. Aplikasi DSS juga menggunakan data, memberikan antarmuka pengguna yang mudah, dan dapat menggabungkan pemikiran pengambilan keputusan. DSS tidak dimaksudkan untuk mengotomatisasikan pengambilan keputusan, tetapi memberikan perangkat interaktif yang memungkinkan pengambil keputusan untuk melakukan berbagai analisis menggunakan model-model yang tersedia. Turban (dalam Kusrini, 2007:16) menyebutkan bahwa tujuan dari DSS adalah sebagai berikut : a. Membantu manajer dalam pengambilan keputusan atas masalah semi terstruktur. b. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan untuk menggantikan fungsi manajer. c. Meningkatkan efektivitas keputusan yang diambil manajer lebih dari pada perbaikan efisiennya. d. Kecepatan komputasi. Komputer memungkinkan pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah. e. Peningkatan produktivitas. Bisa lebih menghemat biaya.
12
f.
Dukungan kualitas. Komputer bisa meningkatkan kualitas keputusan yang dibuat.
g. Berdaya saing. Manajemen dan pemberdayaan sumber daya perusahaan. h. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan. 2. Keputusan dalam Sistem Pendukung Keputusan Keputusan yang diambil untuk menyelesaikan suatu masalah dilihat dari keterstrukturannya dapat dibagi menjadi (Kusrini, 2007:19-20) : a. Keputusan Terstruktur Keputusan terstruktur adalah keputusan yang dilakukan secara berulang-ulang dan bersifat rutin. b. Keputusan Semi Terstruktur Keputusan semi terstruktur adalah keputusan yang memiliki dua sif at. Sebagian keputusan bisa ditangani komputer dan yang lain tetap harus dilakukan oleh pengambil keputusan. c. Keputusan Tak Terstruktur Keputusan tak terstruktur adalah keputusan yang penanganannya rumit karena tidak terjadi berulang-ulang atau tidak selalu terjadi. 3. Karakteristik dalam Sistem Pendukung Keputusan Tidak ada konsensus mengenai apa sebenarnya DSS, jelas tidak ada kesepakatan mengenai karakteristik standar DSS (Kusrini, 2007:20). Namun menurut Turban dkk. (dalam Kusrini, 2007:20) ada beberapa karakteristik yang diharapkan ada pada DSS yaitu : a. Dukungan kepada pengambil keputusan, terutama pada situasi semi terstruktur dan tak terstruktur, dengan menyertakan penilaian manusia dan informasi terkomputerisasi. b. Dukungan untuk semua level manajerial, dari eksekutif puncak sampai manajer lini. c. Dukungan untuk individu dan kelompok. d. Dukungan di semua fase proses pengambilan keputusan: intelegensi, desain, pilihan, dan implementasi. e. Dukungan di berbagai proses dan gaya pengambilan keputusan. f.
Adaptivitas sepanjang waktu.
g. Pengguna merasa seperti di rumah. 13
h. Peningkatan efektivitas pengambilan keputusan (akurasi, timelines, kualitas) ketimbang pada efisiensi biayanya. i.
Kontrol penuh oleh pengambil keputusan terhadap semua langkah proses pengambilan keputusan dalam memecahkan suatu masalah.
j.
Pengguna akhir bisa mengembalikan dan memodifikasi sendiri sistem sderhana.
k. Biasanya, model-model digunakan untuk menganalisis situasi pengambilan keputusan. l.
Akses disediakan untuk berbagai sumber data, format, dan tipe.
m. Dapat digunakan sebagai alat standalone oleh seorang pengambil keputusan pada satu lokasi atau didistribusikan di suatu organisasi secara keseluruhan dan di beberapa organisasi sepanjang rantai persediaan. 4. Arsitektur Sistem Pendukung Keputusan Aplikasi sistem pendukung keputusan bisa terdiri dari beberapa sub sistem, yaitu (Kusrini, 2007:25-26) : a. Sub sistem manajemen data Memasukkan satu basis data yang berisi data relevan untuk suatu situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen basis data (DBMS). b. Sub sistem manajemen model Merupakan paket perangkat lunak yang memasukkan model keuangan, statistik, ilmu manajemen, atau model kuantitatif yang lainnya yang memberikan kapasitas analitik dan manajemen perangkat lunak yang tepat. c. Sub sistem antarmuka pengguna Pengguna berkomunikasi dengan dan memerintahkan SPK melalui sub sistem tersebut. Pengguna adalah bagian yang dipertimbangkan dari sistem. Para peneliti menegaskan bahwa beberapa kontribusi unik dari SPK berasal dari interaksi yang intensif antara komputer dan pembuat keputusan. d. Sub sistem manajemen berbasis pengetahuan Sub sistem tersebut mendukung semua sub sistem lain atau bertindak sebagai suatu komponen independen yang bersifat opsional. Selain memberikan intelegensi untuk memperbesar pengetahuan si pengambil keputusan. Sub sistem tersebut bisa diinterkoneksikan dengan repositori pengetahuan
14
perusahaan (bagian dari sistem manajemen pengetahuan), yang kadang-kadang disebut basis pengetahuan organisasional. Berdasarkan definisi, sistem pendukung keputusan harus mencangkup tiga komponen utama dari DBMS, MBMS, dan antarmuka pengguna. Sub sistem manajemen berbasis pengetahuan adalah opsional, tetapi bisa memberikan banyak manfaat karena memberikan intelegensi bagi ketiga komponen utama tersebut. Seperti pada semua sistem informasi manajemen, pengguna bisa dianggap sebagai komponen sistem pendukung keputusan. Komponen-komponen tersebut membentuk sistem aplikasi sistem pendukung keputusan yang bisa dikoneksikan ke intranet perusahaan, ekstranet, atau Internet. Berikut ini adalah arsitektur dari sistem pendukung keputusan ditunjukkan pada gambar di bawah ini : Internet, Intranet, Ekstranet
Sistem lainnya yang berbasis komputer Data Eksternal dan Internal Manajemen Data
Manajemen Model
Manajemen Eksternal
Sistem Berbasis Pengetahuan
Antarmuka Pengguna
Basis Pengetahuan Organisasional
Manajer (Pengguna)
Gambar G.1. Arsitektur Sistem Pendukung Keputusan (Kusrini, 2007:26)
G.5. Naïve Bayes Classifier Naïve Bayes Classifier (NBC) adalah salah satu metode yang digunakan dalam data mining yang didasarkan pada teori keputusan Bayes. Naïve Bayes memiliki
kemampuan klasifikasi seperti metode decision tree dan neural network. Metode ini 15
dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class (Kusrini, Emha, & Luthfi, 2009:189). Berikut ini formula untuk klasifikasi Naïve Bayes Classifier (Prasetyo, 2012:61).
q P(X |Y) P(Y)∏ = P(Y|X) P(X)
......................... (1)
Sedangkan NBC dengan fitur kontinu memiliki formula ( densitas gauss) :
−(− ) 1 P(X|Y) √ 2π σ exp
......................... (2)
Keterangan :
P(Y|X) P(Y) q =P(X|Y) μ σ
=
probabilitas data dengan vektor X pada kelas Y.
=
probabilitas awal kelas Y.
=
probabilitas independen kelas Y dari semua fitur dalam vektor X.
=
Mean atau nilai rata-rata dari atribut dengan fitur kontinu.
=
Deviasi standar
Naïve Bayes (NBC) membutuhkan jumlah record data yang sangat besar untuk
mendapat hasil yang baik. Jika kategori predictor tidak ada dalam data training, maka NBC mengasumsikan bahwa record baru dengan predictor memiliki probabilitas nol (Muktamar, 2013:3).
Contoh perhitungan Naïve Bayes : Misalnya ingin diketahui apakah suatu objek masuk dalam kategori dipilih untuk perumahan atau tidak dengan algoritma Naïve Bayes Classifier . Untuk menetapkan suatu daerah akan dipilih sebagai lokasi untuk mendirikan perumahan, telah dihimpun 10 aturan. Ada 4 atribut yang digunakan seperti terlihat pada tabel G.1. a. Harga tanah per meter persegi (C1). b. Jarak daerah tersebut dari pusat kota (C2). c. Ada atau tidaknya angkutan umum di daerah tersebut (C3). d. Keputusan untuk memilih daerah tersebut sebagai lokasi perumahan (C4). 16
Tabel G.2. Atribut penetapan lokasi perumahan Aturan
Harga tanah
Jarak dari
Ada angkutan
Dipilih untuk
ke-
(C1)
pusat kota
umum
perumahan
(C2)
(C3)
(C4)
1
100
2
Tidak
Ya
2
200
1
Tidak
Ya
3
500
3
Tidak
Ya
4
600
20
Tidak
Tidak
5
550
8
Tidak
Tidak
6
250
25
Ada
Tidak
7
75
15
Ada
Tidak
8
80
10
Tidak
Ya
9
700
18
Ada
Tidak
10
180
8
Ada
Ya
a. Mean dan deviasi standar untuk atribut harga tanah (C1)
+ 80 + 180 212 100 + 200 + 500 5 + 75 + 700 435 600 + 550 + 250 5 + (200212) + (500212) + (80212) + (180212) (100212)
51
28520,015
28520,015 168,8787 (600435)
+ (550435) + (250435) + (75435) + (700435)
68624,98
51
68624,98 261,9637 b. Mean dan varian untuk atribut jarak dari pusat kota (C2)
2 + 1 + 35+ 10 + 8 4,8
17
20 + 8 + 255 + 15 + 18 17,2 + (14,8) + (34,8) + (104,8) + (84,8) (24,8)
51
15,699821
15,699821 3,9623 (2017,2)
+ (817,2) + (2517,2) + (1517,2) + (1817,2)
51
39,700081
39,700081 6,3008 Sedangkan untuk probabilitas atribut angkutan umum dan dipilih untuk perumahan terlihat pada tabel G.3 dan tabel G.4. Tabel G.3. Probabilitas kemunculan nilai atribut dipilih untuk angkutan umum (C3) Angkutan
Jumlah kejadian “dipilih”
Probabilitas
umum
Ya
Tidak
Ya
Tidak
Ada
1
3
1/5
3/5
Tidak
4
2
4/5
2/5
Jumlah
5
5
1
1
Tabel G.4. Probabilitas kemunculan nilai atribut dipilih untuk perumahan (C4) Dipilih untuk
Jumlah kejadian “dipilih”
Probabilitas
perumahan
Ya
Tidak
Ya
Tidak
Jumlah
5
5
1/2
1/2
Dari data di atas apabila diberikan C1 = 300, C2 = 17, C3 = Tidak, maka :
−(−) 1 P(C1 33|Ya) √ 2π 168,8787 exp ×, 0,0021 −(−) 1 P(C1 33|Tidak) √ 2π 261,9637 exp ×, 0,0013 −(−,) 1 P(C2 17|Ya) √ 2π 3,9623 exp×, 0,00633 18
−(−,) 1 P(C2 17|Tidak) √ 2π 6,3008 exp×, 0,0633 Sehingga :
Nilai (0,0021) × (0,0009) × 45 × 105 0,000000756 Nilai (0,0012) × (0,0633) × 25 × 105 0,000016458 Nilai probabilitas dapat dihitung dengan melakukan normalisasi t erhadap nilai Ya dan Tidak tersebut sehingga :
0,000000756 Probabilitas 0,000000756 +0,000016458 0,439 0,000016458 Probabilitas 0,000000756 +0,000016458 0,9561
Klasifikasi : TIDAK
G.6. Dempster-Shafer Theory Dempster-Shafer Theory (DST) pertama kali diperkenalkan oleh Dempster,
yang melakukan percobaan model ketidakpastian menggunakan range probability daripada probabilitas tunggal. Kemudian pada tahun 1976 Shafer memperhalus serta mempublikasikan teori Dempster tersebut pada sebuah buku yang berjudul Mathematical Theory of Evident . DST adalah teori matematika dari evidence yang juga
disebut evidential reasoning yang dapat menangani informasi yang tidak pasti, tidak tepat dan tidak akurat. DST juga dapat digunakan dalam data mining untuk mengekstrak pengetahuan (Giarratano & Riley, 2005:279). 1. Frame of Discernmnet . Pada teori Dempster-Shafer Theory juga dikenal adanya Frame Of Discernment (FOD) atau yang juga disebut environment yang dinotasikan dengan Greek
Θ
(Giarratano & Riley, 2005:280) :
Θ {,,…, }
(G.6.1)
di mana:
Θ FOD atau environment . {,,…, } elemen/unsur dalam environment . 19
Environment adalah istilah lain dari semesta pembicaraan (universe of discourse )
dari sekumpulan objek yang bersifat mutually exclusive. Salah satu cara untuk menentukan
elemen-elemen
dari
sebuah
environment
yaitu
dengan
menginterpretasikan sebuah konsep pertanyaan dan jawaban. Sebagai contoh semua himpunan objek wisata di Bangli:
Θ = {Desa Penglipuran, Desa Bayung Gede, Museum Gunung Api Batur} Jika diberikan sebuah pertanyaan ”Yang termasuk objek wisata tradisional adalah?”, maka jawaban yang mungkin dari subset
Θ adalah:
{,} {Desa Penglipuran, Desa Bayung Gede}
Demikian juga dengan pertanyaan “Objek wisata tradisional yang banyak dikunjungi wisatawan asing?”, maka jawaban yang mungkin dari subset
{} {Desa Penglipuran}
Θ adalah: Θ.
Subset ini disebut dengan singleton set karena hanya memiliki satu elemen pada
Θ
Tentunya tidak semua pertanyaan dapat diinterpretasi ke dalam subset dan disebut sebagai subset empty Ø = {}. Semua subset dari environment dapat menghasilkan pola sebanyak 2 N jumlah subset yang terbentuk dari sampai Ø, dimana N adalah jumlah elemen pada . Berikut contoh pola dari semua subset pada environment objek wisata di Kabupaten Bangli = {A, B, C} dapat dilihat pada gambar berikut: A= Desa Penglipuran B = Desa Bayung Gede C = Museum Gunung Api Batur
Gambar G.2 Pola subset dari evidence (Giarratano & Riley, 2005:281)
Berdasarkan pada gambar tersebut, salah satu pola dapat diekspresikan ke dalam subset hierarki relasional antara parent dan child , contoh: {Ø} {A} {A, B} {A, B, C} 20
Himpunan {A} merupakan himpunan bagian dari {A, B} dan himpunan {A, B} merupakan himpunan bagian dari {A, B, C}. Sehingga dapat disimpulkan X Y dimana semua elemen dari X merupakan elemen dari Y, sehingga dapat di ekspresikan sebagai berikut:
∈
∈
X Y berarti x X x Y Pada gambar G.2 jumlah subset yang terbentuk sebanyak 2 3 = 8 buah subset. Kumpulan dari seluruh subset ini mendefinisikan power set atau P( )={Ø, {A}, {B}, {C}, {A, B}, {A, C}, {B, C}, }. 2. Mass Function dan Ignorance Dalam DST tingkat kepercayaan dari suatu evidence disebut degree of belief dan diasumsikan sebagai mass (direpresentasikan dengan m) dari objek atau juga disebut Basic Probability Assigment (BPA) (Giarratano & Rile y, 2005:282). Basic belief assignment dapat diperoleh dari probabilitas prior untuk node awal. Pada
DST tidak memaksakan suatu kepercayaan untuk diberikan kepada ketidaktahuan atau sanggahan pada sebuah hipotesa, namun nilai mass hanya diberikan kepada subset didalam environment yang diyakini untuk diberikan tingkat kepercayaan. Subset yang tidak diberikan tingkat kepercayaan dianggap sebagai nonbelief (). Nonbelief dapat diartikan sebagai reserving judgment dari disbelief dan keyakinan
tambahan pada suatu evidence (Wirawan, 2013). Sebagai contoh, sekumpulan objek wisata di Kabupaten Bangli
={A, B, C}. Diasumsikan wisatawan yang berasal
dari Negara X memiliki tingkat keyakinan untuk mengunjungi objek wisata ({A, B}) sebesar 0,7 atau m({A, B})=0,7. Sedangkan nonbelief dari objek wisata ({A, B}) adalah m()= 1 – 0,7 = 0,3. Penentuan nilai m({A, B}) =0,7 diperoreh dari probabilitas objek wisata A dan B yang dikunjungi oleh wisatawan dari Negara X. Perbedaan antara DST dengan teori probabilitas, pada DST nilai mass diberikan kepada subset dari satu set himpunan, sedangkan pada teori probabilitas dikaitkan dengan elemen – elemen yang ada didalam satu set himpunan, sebagai contoh ”Saya memastikan berlibur ke Kabupaten Bangli, namun saya tidak memiliki informasi mengenai nama objek wisata yang saya kunjungi”. Dar i contoh kasus tersebut nilai mass function pada DST dapat diperoleh, m({A})=m({B})=m({C})= 0 dan nilai m
( ) = 1, dimana
Θ = {A,B,C}. Dari nilai mass ini dapat menginduksikan belief
function, Bel ({A})=Bel ({B})= Bel ({C})= 0 dan Bel( ) = 1. Namun pada teori
21
probabilitas, dapat dihasilkan fungsi probabilitas (p) dari masing-masing elemen adalah p(A)=0.33, p(B)=0.33, p(C)=0.33, di mana S 1+S2+S3 = 1. Setiap mass dapat dinyatakan sebagai fungsi yang memetakan setiap elemen dari power set ke bilangan real antara interval 0 hingga 1 (Giarratano & Riley, 2005:285). m: P()
[0, 1]
dan mass kosong didefinisikan: m(∅) = 0; sedangkan jumlah dari keseluruhan mass untuk setiap subset X dari power set adalah 1.
m(X) 1
(G.6.2)
∈()
Berdasarkan pada contoh kunjungan objek wisata yang telah dipaparkan sebelumnya, maka dapat dihitung nilai dari power set .
m(X) m({A ,B}) + m(Θ) 0,7+ 0,3 1
∈()
3. Combining Evidence. Combining Evidence adalah proses penting dalam merangkum informasi dari
berbagai sumber. Di mana sumber yang berbeda (misalnya ahli) memberikan penilaian yang berbeda untuk satu set peristiwa, sehingga diperlukan suatu kombinasi penilaian dari masing-masing sumber dalam merangkum informasi. Untuk mengatasi hal tersebut, digunakan suatu aturan yang lebih dikenal dengan Dempster’s Rule of Combination pada DST (Giarratano & Riley, 2005:286).
(⨁)() ( )()
(G.6.3)
∩=
Pada proses kombinasi evidence memungkinkan untuk terjadinya suatu konflik antar evidence . Konflik evidence terjadi ketika tidak adanya elemen yang dihasilkan pada cross product antar evidence, sebagai contoh kombinasi antara evidence m({A}) dan m({B}) yang tidak menghasilkan elemen ( ∅). Untuk mengatasi permasalahan ini, diperlukan proses normalisasi evidence dengan mendefinisikan evidential conflict (k) ke dalam Dempster’s Rule of Combination pada persamaan
G.6.3. Sehingga dapat diturunkan menjadi persamaan G.6.4 berikut adalah (Giarratano & Riley, 2005:292) :
22
() (⨁)() ∑∩= 1( )
(G.6.4)
Di mana evidential conflict (k) dirumuskan dengan:
( )()
(G.6.5)
∩=
Sehingga persamaan (G.6.5) disubstitusikan ke dalam persamaan (G.6.4) akan menjadi:
å (m1 Å m2 )( Z )
=
………
m1 ( X )m2 (Y )
X ÇY = Z
1-
å
. (G.6.6)
m1 ( X )m2 (Y )
X ÇY = q
Di mana:
(m1 m2 )(Z )
= mass function dari evidence (Z), yang merupakan hasil dari kombinasi evidence (X) dan evidence (Y)
m1 ( X )
= mass function dari evidence (X)
m2 (Y )
= mass function dari evidence (Y)
k
= mass evidential conflict
= operator direct sum
Sebagai contoh perhitungan combination evidence pada kasus kunjungan objek wisata. Dimisalkan seorang wisatawan dengan jenis kelamin Y yang memiliki tingkat kepercayaan untuk mengunjungi objek wisata B sebesar 0,9, maka nilai mass dari masing-masing evidence dapat ditentukan sebagai berikut:
m1({A,B})= 0,7
m2 ({B})= 0,9
m1() = 0,3
m2() = 0,1
Masing-masing evidence direpresentasikan ke dalam sebuah tabel, dimana kolom pertama diisi dengan gejala yang pertama (m1), sedangkan kolom kedua diisi dengan gejala yang kedua (m 2). Dengan menggunakan cross-multiplying mass product , dapat diperoleh nilai kombinasi antara evidence m1 dan m2 seperti pada
tabel G.5. Tabel G.5 Perhitungan evidence m1
m2
m2({B})=0.9
m2( ) =0.1
m1({A,B})=0.7
(m1 m2)({B})=0.63
(m1 m2)({A,B})=0.07
m1( ) =0.3
(m1 m2)({B})= 0.27
(m1 m2)()=0.03 23
Nilai yang dihasilkan pada tabel G.5, dapat dijelaskan sebagai berikut: 1. (m1m2)({B})= 0,63 pada kolom ke-1 dan baris ke-1, didapat dari proses kombinasi mass evidence antara m1({A,B})= 0,7 dengan m 2 ({B})= 0,9. 2. (m1m2)({B})= 0,27 pada kolom ke-1 dan baris ke-2, didapat dari proses kombinasi mass evidence antara m1()= 0,3 dengan m 2 (B)= 0,9. 3. (m1m2)({A,B})= 0,07 pada kolom ke-2 dan baris ke-1, didapat dari proses kombinasi mass evidence antara m1({A,B})= 0,7 dengan m 2 ()= 0,1. 4. (m1m2)()= 0,03 pada kolom ke-2 dan baris ke-2, didapat dari proses kombinasi mass evidence antara m1()= 0,3 dengan m 2 ()= 0,1. Hasil dari proses kombinasi evidence ini, selanjutnya dikalkulasi menggunakan persamaan G.6.6 untuk menghasilkan evidence baru (m3). m3 ({B}) = (m1m2) ({B}) = 0.63 +0.27 = 0.90 m3 ({A,B})= (m1m2) ({A,B}) = 0.07 m3 ()=(m1m2) () = 0.03 Perhitungan pada tabel G.1 tidak terjadi konflik evidence (Ø), sehingga nilai k = 0. Berdasarkan pada kombinasi di atas, nilai m 3 ({B}) = 0,9, yang menyatakan bahwa tingkat kepercayaan wisatawan tersebut untuk mengunjungi objek wisata ({B}) sebesar 0,9. Sedangkan m 3 ({A, B}) dan m 3 () disebut sebagai nonbelief (disbelief dan informasi tambahan dari B), dengan tingkat keyakinan sebesar 0,07 + 0,03 = 0,1.
G.7. Penelitian Terkait Berdasarkan beberapa referensi yang telah dikaji, terdapat penelitian-penelitian yang terkait dengan topik penelitian ini, di antaranya adalah penelitian yang dilakukan oleh (Mau, 2014) dengan judul Sistem Pendukung Keputusan Seleksi Beasiswa Menggunakan Teorema Bayes dan Dempster Shafer dikatakan bahwa hasil rangking dari kedua metode tersebut mempunyai hasil sama untuk kasus penerima beasiswa yang pada tabel penilaiannya sudah ditentukan belief-nya berdasarkan range yang sudah dibuat sebelumnya. Secara umum pada penelitian ini semua data dikategorikan untuk setiap range yang sudah ditentukan lebih dulu belief-nya berdasarkan pada setiap 24
variabel. Sehingga dalam mencari probabilitas tidak melakukan perhitungan untuk mencari belief secara keseluruhan data. Hal yang dapat dikaji dari penelitian ini adalah mengenai penggunaan aturan Bayes dan Dempster-Shafer Theory dalam Sistem Pendukung Keputusan. (Wirawan, 2013) mengenai Sistem CBR Berbasis Mobile menggunakan Dempster-Shafer Theory dengan rule yang sudah dimodifikasi untuk memberikan
rekomendasi objek wisata di Kabupaten Buleleng. Pada penelitian ini dapat menghasilkan rekomendasi objek wisata berdasarkan data wisatawan sebelumnya. Kriteria yang digunakan adalah jenis kelamin, negara, umur, pekerjaan, pendapatan per-bulan, serta frekuensi kunjungan. Namun, terdapat beberapa kekurangan dari penelitian ini yaitu untuk penentuan probabilitasnya tetap menggunakan Teorema Bayes di mana untuk Teorema Bayes sebenarnya menggunakan atribut yang
dikategorikan meskipun atribut tersebut adalah atribut kontinu. Dan juga pada penelitian ini data wisatawan belum terintegrasi dengan web server. Sehingga data belum bisa dianalisis langsung. Hal yang dapat dikaji dalam penelitian ini adalah penggunaan metode Dempster-Shafer untuk memberikan rekomendasi objek wisata. (Saleh, 2015) dengan judul Implementasi Metode Klasifikasi Naïve Bayes dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga membahas tentang pengklasifikasian besarnya penggunaan listrik rumah tangga dengan persentase keakuratan 78 persen. Dalam penentuan data training dikatakan bahwa antara data numerik dan bukan numerik itu dibedakan cara per hitungannya. Untuk bukan numerik (huruf) menggunakan rumus NBC pada umumnya, sedangkan untuk numerik (angka) atau data kontinu menggunakan rumus densitas gauss. Sehingga hal yang dapat dikaji dari penelitian ini adalah penggunaan rumus densitas gauss untuk data kontinu. (Indraswari, 2015) dengan judul Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke Menggunakan Metode Dempster-Shafer . Membahas tentang penggunaan metode Dempster-Shafer dapat diterapkan pada sistem pendukung keputusan dan memang cocok diterapkan untuk kasus tidak pasti atau tidak konsisten. Hal yang dapat dikaji dari penelitian ini adalah mengenai penggunaan metode Dempster-Shafer dalam sistem pendukung keputusan.
(Yusnita, 2012) dengan judul Sistem Pendukung Keputusan Menentukan Lokasi Rumah Makan yang Strategis Menggunakan Metode Naive Bayes . Dikatakan bahwa sistem yang dibuat dapat menentukan lokasi rumah makan yang strategis atau 25
kurang strategis berdasarkan nilai akhir dari probabilitas ya dan tidak . Jika nilai probabilitas ya lebih besar dari probabilitas tidak maka lokasinya dikatakan strategis. Begitu juga sebaliknya. Hal yang dapat dikasi dari penelitian ini adalah penggunaan Naive Bayes dalam menentukan probabilitas yang diterapkan pada sistem pendukung
keputusan. Dengan mempertimbangkan penelitian-penelitian yang sudah ada, baik itu mengenai memberikan rekomendasi objek wisata, sistem pendukung keputusan menggunakan DST, dan penggunaan metode NBC dalam klasifi kasi. Namun demikian, belum ada penelitian yang membahas secara khusus mengenai pengembangan Sistem Pendukung Keputusan dengan Menggunakan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli.
H. METODE PENELITIAN Sistem Pendukung Keputusan dengan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli ini
menggunakan metode pengembangan ADDIE. Model ADDIE adalah model perancangan instruksional yang berupa proses umum yang secara tradisional digunakan oleh perancang instruksional ataupun pengembangan pelatihan. Model ADDIE juga disebut inti perancangan instruksional dan menjadi dasar sistem perancangan instruksional ( Instructional System Design-ISD). Ulasan yang dibuat Zulrahmat Togala untuk buku Instructional Design: The ADDIE Approach, menjelaskan aktivitas yang dilakukan pada masing-masing tahap adalah dari analisis, desain, pengembangan, implementasi, dan evaluasi (Tanjung, 2014:129). Berikut ini penjelasan dari masingmasing tahap tersebut.
26
Analysis
Design
Development
Implementation
Evaluation
Gambar H.1. Model ADDIE (Tanjung, 2014:129) Berikut ini penjelasan dari masing-masing tahap atau fase. H.1. Analysis Pada fase analisis, dilakukan pendefinisian permasalahan instruksional, tujuan instruksional, dan sasaran. Fase ini juga merupakan fase untuk mengumpulkan kebutuhan secara lengkap kemudian menganalisis dan me ndefinisikan kebutuhan yang harus dipenuhi oleh program yang akan dibangun. Peneliti mencari informasi terkait dengan sistem yang akan dibangun, baik melalui wawancara dengan kepala bidang yang terdapat di Dinas Kebudayaan dan Pariwisata, mencari referensi teori tentang metode Naïve Bayes dan Dempster-Shafer yang akan diterapkan dalam membangun sistem ini. Setelah semua data terkumpul, kemudian dilakukan analisis kebutuhan sistem dan menentukan batasan masalah dari sistem yang akan dibuat, sehingga pengembangan sistem bisa lebih jelas dan bisa diseles aikan sesuai dengan waktu yang tersedia. a. Kriteria dan contoh perhitungan kombinasi metode Naïve Bayes dan DempsterShafer .
Kriteria-kriteria
atau
karakteristik
yang
digunakan
dalam
penentuan
rekomendasi objek wisata di Kabupaten Bangli bagi wisatawan ini adalah asal negara, jenis kelamin, frekuensi kunjungan, tujuan wisata, dan umur. Kriteria tersebut diperoleh dari kajian teori yang telah dipaparkan dan angket yang 27
disebarkan oleh Disbudpar Bangli setiap tahunnya kepada wisatawan yang berkunjung ke Kabupaten Bangli. Di sini peneliti memadukan kriteria atau karakteristik yang terdapat dalam teori dengan angket yang digunakan. Agar menghasilkan data yang relevan bagi wisatawan dalam memberikan rekomendasi objek wisata, dan relevan juga bagi Disbudpar Bangli dalam menganalisis strategi promosi objek wisata. Sedangkan untuk objek wisata yang digunakan dalam sistem ini adalah data objek wisata yang sesuai dengan SK Bupati Bangli tentang Penetapan Objek dan Daya Tarik Wisata Kabupaten Bangli. Dan apabila SK Bupati diperbaharui, maka petugas dapat memperbaharui data objek wisata melalui sistem. Berikut ini contoh data yang digunakan dalam perhitungan kombinasi metode Naïve Bayes Classifier dan Dempster-Shafer Theory. Tabel H.1. Data Kunjungan Wisatawan di Kabupaten Bangli No.
Nama
Negara
JK
Tujuan
Umur
Kunjungan
Objek Wisata
1
Erick
Prancis
L
Berlibur
32
W1,W3
2
Jhon Lee
Cina
L
Penelitian
25
1 1
3
Sofia
Amerika
P
Berlibur
21
2
W2,W3
4
Andi
Indonesia
L
Berlibur
24
4
W1,W3
5
Merry
Prancis
P
Berlibur
35
2
W1,W3
6
Kevin
Amerika
L
Mengunjungi kerabat
49
1
W1,W2,W4
7
Lee Young
Cina
L
Penelitian
26
4
W2,W3
8
Coi Dae
Cina
P
Berlibur
31
4
W1,W2,W4
9
Ahmad
Indonesia
L
Mengunjungi kerabat
38
2
W2,W4
10
West
Prancis
P
Berlibur
26
5
W2,W4
11
Bent
Prancis
L
Berlibur
33
2
???
W1,W2,W4
Keterangan: Tabel H.2. Kode Objek Wisata Kode W1
Nama Objek Wisata Penglipuran
W2 W3 W4
Penulisan Pura Kehen Trunyan
28
Data wisatawan 1-10 dengan identitas serta data kunjungan yang dimiliki, bisa dianalisis dengan menggunakan kombinasi metode NBC dan DST, agar bisa memberikan rekomendasi objek wisata yang akan dikunjungi oleh wisatawan ke-11 berdasarkan kesamaan identitas yang mereka miliki. Awalnya ditentukan dulu datanya apakah data numerik atau bukan. Jika data numerik (angka) maka untuk menghitung probabilitasnya menggunakan rumus Naïve Bayes Classifier . Tapi jika data tidak numerik (huruf) yang berupa kategori-kategori maka untuk menghitung probabilitasnya menggunakan Teorema Bayes yang biasa digunakan dalam DST. Adapun penyelesaiannya adalah sebagai berikut. 1. Menghitung mass function dari kriteria pertama yaitu “asal negara” dengan menggunakan rumus prior probability.
({1,3}) 23 0,67 ({2,4}) 13 0,33 () 1 (0,66+0,33) 0 2. Menghitung mass function dari kriteria kedua yaitu “jenis kelamin” dengan menggunakan rumus prior probability.
({1,3}) 26 0,33 ({1,2,4}) 26 0,33 ({2,3}) 16 0,17 ({2,4}) 16 0,17 () 1 (0,33+0,33+0,17+0,17) 0 3. Melakukan perhitungan combination evidence.
29
Tabel H.3. Perhitungan evidence (m1 dan m2)
({1,3}) ({1,2,4}) m 0,33 0,33 ({1,3}) ({1,3}) ({1}) 0,22 0,67 0,22 ({2,4}) ({2,4}) 0,11 0,33 0,11 ({1,3}) ({1,2,4}) () 0 0,00 0,00 m2
1
({2,3}) 0,17 ({3}) 0,11 ({4}) 0,06 ({2,3}) 0,00
({2,4}) () 0 0,17 0,11 ({1,3}) 0,00 ({2,4}) ({2,4}) 0,06 0,00 ({2,4}) 0,00 0,00
4. Hasil dari proses kombinasi evidence ini selanjutnya dikalkulasi dengan rumus di bawah ini.
å (m1 Å m2 )( Z )
=
m1 ( X )m2 (Y )
X ÇY = Z
1-
å
m1 ( X )m2 (Y )
X ÇY = q
({1,3}) 0,22+0,00+0,00 1 (0,11+0,11) 0,29 0,22 0,29 ({1}) 1 (0,11+0,11) 0,11 0,14 ({3}) 1 (0,11+0,11 ) + 0,00 + 0,00 0,21 ({2,4}) 0,111+0,06 (0,11+0,11) 0,06 0,07 ({4}) 1 (0,11+0,11) 0,00 0,00 ({1,2,4}) 1 (0,11+0,11 ) 0,00 0,00 ({2,3}) 1 (0,11+0,11 ) 0,00 0,00 () 1 (0,11+0,11) 5. Menghitung mass function dari kriteria ketiga yaitu “tujuan” dengan menggunakan rumus prior probability.
({1,3}) 36 0,50 30
({1,2,4}) 16 0,17 ({2,3}) 16 0,17 ({2,4}) 16 0,17 () 1 (0,50+0,17+0,17+0,17) 0 6. Melakukan perhitungan combination evidence. Tabel H.4. Perhitungan evidence (m3 dan m4)
({1,3}) ({1,2,4}) m 0,50 0,17 ({1,3}) ({1}) ({1,3}) 0,29 0,14 0,05 ({1}) ({1}) ({1}) 0,29 0,14 0,05 ({3}) ({3}) 0,02 0,14 0,07 ({2,4}) ({2,4}) 0,11 0,21 0,04 ({4}) ({4}) 0,04 0,07 0,01 ({12,4}) ({1,2,4}) ({1}) 0,00 0,00 0,00 ({3}) ({2}) 0,00 ({2,3}) 0,00 0,00 ({1,3}) ({1,2,4}) () 0 0,00 0,00 m4
3
({2,3}) ({2,4}) () 0 0,17 0,17 ({3}) ({1,3}) 0,05 0,05 0,00 ({1}) 0,00 0,05 0,05 ({3}) 0,02 ({2}) 0,04 0,01 ({2}) 0,00 ({2,3}) 0,00 ({2,3}) 0,00
0,02
({3}) 0,00
({2,4}) 0,04 ({4}) 0,01 ({2,4}) 0,00 ({2}) 0,00 ({2,4}) 0,00
({2,4}) 0,00 ({4}) 0,00 ({1,2,4}) 0,00 ({2,3}) 0,00 0,00
7. Hasil dari proses kombinasi evidence ini selanjutnya dikalkulasi.
0,14+0,00+0,00 ({1,3}) 1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02) 0,22 0,07+0,05+0,02+0,00 ({3}) 1 (0,11+0,04+0,02+0,05+0,01+0,05+0,05+0,02) 0,22 0,14+0,00+0,05+0,05+0,00 ({1}) 1 (0,11+0,04+0,02+0,05+0,01+0,05+0,05+0,02) 0,36 0,00+0,04+0,00+0,00 ({2}) 1 (0,11+0,04+0,02+0,05+0,01+0,05+0,05+0,02) 0,05 31
0,04++0,04+0,00+0,00+0,00 ({2,4}) 1 (0, 11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02) 0,11 0,01+0,01+0,00 ({4}) 1 (0,11+0,04+0,02+0,05+0,01+0,05+0,05+0,02) 0,04 0,00 ({1,2,4}) 1 (0,11+0,04+0,02+0,05+0,01+0,05+0,05+0,02) 0,00 0,00+0,00+0,00 ({2,3}) 1 (0,11 + 0,04 + 0,02 + 0,05 + 0,01 + 0,05 + 0,05 + 0,02) 0,00 0,00 () 1 (0,11+0,04+0,02+0,05+0,01+0,05+0,05+0,02) 0,00 8. Menghitung mass function dari kriteria data kontinu. Dapat dilihat pada data yang merupakan data kontinu adalah “umur” dan “frekuensi kunjungan” jadi di sini digunakan perhitungan menggunakan rumus densitas gauss dari Naïve Bayes Classifier.
−(− ) 1 ( |) √ 2 a. Tentukan mean dan deviasi untuk atribut Umur (c1)
, 32 + 243 + 35 30,33 ,, 25 + 493 + 31 35 , 21 +2 26 23,5 , 38 +2 26 32 , (3230,33)
+ (2430,33) + (3530,33)
31
, 52,78 7,26 ,, (2530,33)
+ (4930,33) + (3130,33)
,, √ 303 17,41 , (2130,33)
52,78
31
+ (2630,33)
21
303
8,38 32
, 8,38 2,89 , (3830,33)
+ (2630,33)
21
, √ 53 7,28
53
b. Tentukan mean dan deviasi untuk atribut Frekuensi Kunjungan (c2)
, 1 + 34 + 2 2,33 ,, 1 + 31 + 4 2 , 2 +2 4 3 , 2 +2 5 3,5 , (12,33)
+ (42,33) + (22,33)
, 3,61 1,90 ,, (1 2)
+ (1 2) + (4 2)
,, √ 3 1,73 , (2 3)
31
31
+ (4 3)
21 , 0,50 0,71 , (23,5)
3
0,50
+ (53,5)
21 , 2,375 1,54
3,61
2,375
9. Menghitung menggunakan rumus densitas gauss.
33
Dari data baru pada kolom umur adalah 33 dan kolom frekuensi kunjungan adalah 2, jadi hitung menggunakan rumus densitas gauss, sehingga hasilnya adalah seperti di bawah ini.
−(−,) 1 ( 33|1,3) √ 2 7,26 ×, 0,0513495799 −(−) 1 ( 33|1,2,4) √ 2 17,41 × 0,0227736286 −(−,) 1 ( 33|2,3) √ 2 2,89 ×, 0,0006302650 −(−) 1 ( 33|2,4) √ 2 7,28 × 0,0542981616 −(−,) 1 ( 2|1,3) √ 2 7,26 ×, 0,0513495799 −(−) 1 ( 2|1,2,4) √ 2 17,41 × 0,0227736286 −(−,) 1 ( 2|2,3) √ 2 2,89 ×, 0,0006302650 −(−) 1 ( 2|2,4) √ 2 7,28 × 0,0542981616 Kemudian antara probabilitas data kategori dan kontinu dihitung bersama, dengan berdasarkan data baru, sehingga :
1,2 0,67 × 0,33× 0,50× 0,05135 × 0,20678 0,001180 1,2,4 0 × 0,33× 0,17× 0,0227 × 0,23039 0 2,3 0 × 0,17× 0,17× 0,00063 × 0,20761 0 2,4 0,33 × 0,17× 0,17× 0,05430 × 0,16124 0,000081 Sehingga nilai probabilitas akhir untuk umur dan frekuensi kunjungan dilakukan normalisasi menjadi probabilitas
.
0,001180 1,2 0,001180+0+0+0,000081 0,935708 1,2,4 0,001180 + 0 +0 0 + 0,000081 0 34
0 2,3 0,001180+0+0+0,000081 0 0,000081 2,4 0,00,001180+0+0+0,000081 0,064292 10. Melakukan perhitungan combination evidence. Tabel H.5. Tabel perhitungan evidence (m5 dan m6)
({1,3}) ({1,2,4}) m 0,9357 0,0000 ({1,3}) ({1}) ({1,3}) 0,22 0,2024 0 ({3}) ({3}) 0 0,22 0,2024 ({1}) ({1}) ({1}) 0,36 0,3403 0 ({2}) ({2}) 0,0510 0,05 0 ({2,4}) ({2,4}) 0,1021 0,11 0 ({4}) ({4}) 0,0340 0,04 0 ({1}) ({1,2,4}) ({1,2,4}) 0,00 0 0 ({3}) ({2}) ({2,3}) 0,00 0 0 ({1,3}) ({1,2,4}) () 0 0 0 m6
5
({2,3}) 0,0000 ({3}) 0 ({3}) 0 0 ({2}) 0 ({2}) 0 0 ({2}) 0 ({2,3}) 0 ({2,3}) 0
({2,4}) () 0 0,0643 0,0140 ({1}) 0 0,0140
({3}) 0
0,0234 ({1,3}) 0 ({2}) 0,0035 ({2,4}) 0,0070 ({4}) 00023 ({2,4}) 0 ({2}) 0 ({2,4}) 0
({2}) 0 ({2,4}) 0 ({4}) 0 ({1,2,4}) 0 ({2,3}) 0 0
11. Hasil dari proses kombinasi evidence ini selanjutnya dikalkulasi.
0,2040+0+0 ({1,3}) 1 (0,0510+0,1021+0,0340+0+0+0+0,0140+ 0,0140+0,0234) 0,2681 ({1}) 1 (0,0 510+ 0,1021 + 0,0,3403+0+0+0+0 0 340+ 0 + 0 + 0 + 0,0 140 + 0,0 140 + 0,0 234) 0,4469 35
({3}) 1 (0,0 510+ 0,1021 + 0,0,2042+0+0+0+0 0 340+ 0 + 0 + 0 + 0,0 140 + 0,0 140 + 0,0 234) 0,2681 0+0+0+0+0+0,0035+0+0 ({2}) 1 (0,0 510+ 0,1021 + 0,0 340+ 0 + 0 + 0 + 0,0 140 + 0,0 140 + 0,0 234) 0,0046 0+0,0070+0+0+0 ({2,4}) 1 (0,0510+0,1021+0,0340+0+0+0+0,0140+ 0,0140+0,0234) 0,0092 0+0,0023+0 ({4}) 1 (0,0 510+ 0,1021 + 0,0 340+ 0 + 0 + 0 + 0,0 140 + 0,0 140 + 0,0 234) 0,0031 ({1,2,4}) 0 +0 +0 1 (0,0510 +0,1021+0,0340+0+0+0+0,0140+0,0140+0,0234) 0,00 0+0+0 ({2,3}) 1 (0,0510+0,1021+0,0340+0+0+0+0,0140+ 0,0140+0,0234) 0,00 () 1 (0,0 510+ 0,1 021+ 0,0 340+ 0 +0 0 + 0 + 0,0140 + 0,0 140 + 0,0 234) 0,00 Berdasarkan hasil kalkulasi evidence terakhir, ternyata nilai terbesar terdapat pada
({1}). Sehingga hasil rekomendasi objek wisata untuk wisatawan ke-11 adalah Penglipuran dengan kode W1.
36
b. Kebutuhan Fungsional Berdasarkan hasil analisa kebutuhan terhadap Sistem Pendukung Keputusan dengan Kombinasi Metode Naïve Bayes dan Dempster-Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli , proses-proses yang dapat dilakukan sistem ini adalah sebagai berikut. 1. Sistem dapat menerima masukkan atau input dari objek wisata di Kabupaten Bangli. 2. Sistem dapat melakukan perubahan atau update dan delete data objek wisata. 3. Sistem dapat menampilkan data objek wisata. 4. Sistem dapat menyimpan data objek wisata dan data wisatawan pada basis data. 5. Sistem dapat melakukan proses perhitungan kombinasi metode NBC dan DST. 6. Sistem dapat menampilkan rekomendasi objek wisata bagi wisatawan sesuai karakteristik yang dimasukkan. 7. Sistem dapat menampilkan fasilitas lain seperti detail objek wisata dan fitur Google Maps. Pada tahap ini akan diperoleh suatu konsep secara matang tentang sistem yang akan dikembangkan agar keluaran atau output yang dihasilkan nanti sesuai dengan yang diharapkan. Secara umum, alur sistem ini awalnya menerima input berupa karakteristik dari wisatawan, kemudian dilakukan perhitungan kombinasi NBC dan DST sehingga dapat memberikan rekomendasi objek wisata yang sesuai bagi wisatawan. Dan data karakteristik yang dimasukkan oleh wisatawan otomatis disimpan dalam basis data sehingga memudahkan dalam mencari data wisatawan. H.2. Design Pada tahapan atau fase desain ini dilakukan secara sistematis dan spesifik. Tahap ini dilakukan setelah tahap analisis dan pendefinisian kebutuhan sistem sudah lengkap. Pada tahap ini merupakan tahapan perancangan sistem agar siste m yang akan dikembangkan bisa menyelesaikan seluruh aktivitas yang menjadi tujuan sistem tersebut dikembangkan. Sistem ini dibangun dengan gambaran dan desain yang jelas agar pengembang sistem bisa lebih terstruktur dalam mengembangkannya. Beberapa gambaran yang dibuat pada tahapan ini adalah sebagai berikut. a. Diagram Konteks
37
Diagram konteks adalah sebuah diagram sederhana yang menggambarkan proses secara keseluruhan antara sistem dengan lingkungan/ entity luar sistem. Adapun diagram konteks yang dimaksud seperti di bawah ini. Data Kriteria Data Objek Wisata Data Lain Tentang Objek Wisata
Data Login
Data Wisatawan
Pengembang Sistem Pendukung Keputusan dengan Kombinasi Metode Naive Bayes dan Dempster- Shafer untuk Memberikan Rekomendasi Objek Wisata di Bangli
Admin
User
Info Wisatawan Info Rekomendasi Objek Wisata
Info Login Info Objek Wisata
Info Lain Tentang Objek Wisata
Info Kriteria Info Wisatawan Info Perhitungan NBC dan DST
Gambar H.2. Diagram Konteks
Diagram konteks di atas menggambarkan seluruh proses yang terjadi antara admin, sistem, dan user . Admin memberikan masukan ke sistem berupa data login,
data objek wisata, dan data kriteria. Setelah data diproses oleh sistem dan berhasil login, maka admin akan mendapat keterangan informasi login, info objek wisata,
info kriteria, info wisatawan, dan info perhitungan data sehingga dapat melakukan manipulasi data pada sistem. Kemudian jika dilihat dari user atau pengguna yang berperan di sini adalah wisatawan awalnya akan memberikan masukkan berupa data wisatawan dan data lain tentang objek wisata. Data lain tentang objek wisata di sini maksudnya adalah data lain selain hasil rekomendasi seperti halnya data detail objek wisata. Kemudian keluaran yang diberikan sistem berupa info wisatawan, rekomendasi objek wisata, dan info lain mengenai objek wisata.
b. DFD ( Data Flow Diagram) DFD adalah diagram aliran data yang menggambarkan aliran data mulai dari asal data tersebut, ke mana tujuan data tersebut setelah keluar dari sistem, di mana data
38
tersebut tersimpan, hingga interaksi yang terjadi antar data. Berikut ini merupakan DFD level 0 dari pengembangan sistem ini. 1. DFD Level 0 Data Login
Data Login
Info Login
1.0 Login
Info Login
Data Admin
ADMIN
Info Admin
2.0 Manipulasi Admin
Data Admin
Admin
Info Admin
Data Objek Wisata
Info Objek Wisata
3.0 Manipulasi Objek Wisata
Data Objek Wisata
Objek Wisata
Info Objek Wisata
Info Wisatawan
Data Wisatawan Info Wisatawan
USER
Info Rekomendasi
4.0 Manipulasi Wisatawan
5.0 Perhitungan dan Rekomendasi
Data Wisatawan
Wisatawan Info Wisatawan
Data Perhitungan Info Perhitungan
Hasil Perhitungan
Info Perhitungan
Info Rekomendasi
Hasil Cetak Data Wisatawan
6.0 Mencetak Data Wisatawan
Gambar H.3. DFD Level 0 DFD Level 0 di atas menggambarkan proses aliran data yang berawal dari admin dan user . Data-data tersebut diolah oleh sistem sampai menghasilkan output
39
atau keluaran yang sesuai tujuan. Seperti contoh proses login untuk admin, awalnya admin memasukkan data yang diperlukan, kemudian data diproses, maka muncul
informasi login baik itu berupa berhasil login ataupun gagal. Begitu juga dengan proses yang lainnya.
2. DFD Level 1 2.1. DFD Level 1 Proses Manipulasi Admin Data Admin Info Admin
Data Admin 2.1. Menambah Admin
ADMIN
Info Admin
Data Admin Info Admin
Data Admin 2.2. Mencari Admin
Info Admin
Admin Data Admin Info Admin
2.3. Mengubah Admin
Data Admin Info Admin
Data Admin Data Admin Info Admin
2.4. Menghapus Admin
Info Admin
Gambar H.4. DFD Level 1 Proses Manipulasi Data Admin Pada DFD level ini menggambarkan alur proses manipulasi data admin seperti menambah data, mencari data, mengubah data, dan menghapus data admin.
2.2. DFD Level 1 Proses Manipulasi Data Objek Wisatawan
40
Data Objek Wisata Info Objek Wisata
3.1. Menambah Objek Wisata
ADMIN
Data Objek Wisata Info Objek Wisata
Data Objek Wisata Info Objek Wisata
3.2. Mencari Objek Wisata
Data Objek Wisata Info Objek Wisata
Objek Wisata Data Objek Wisata Info Objek Wisata
3.3. Mengubah Objek Wisata
Data Objek Wisata Info Objek Wisata
Data Objek Wisata Data Objek Wisata Info Objek Wisata
3.4. Menghapus Objek Wisata
Info Objek Wisata
Gambar H.5. DFD Level 1 Proses Manipulasi Data Objek Wisata Pada DFD level ini menggambarkan alur proses manipulasi data objek wisata seperti menambah data, mencari data, mengubah data, dan menghapus data objek wisata. 2.3. DFD Level 1 Proses Manipulasi Data Wisatawan
41
Data Wisatawan Info Wisatawan
Data Wisatawan 4.1. Menambah Wisatawan
USER
Info Wisatawan
Data Wisatawan Info Wisatawan
Data Wisatawan 4.2. Mengubah Wisatawan
ADMIN
Info Wisatawan
Data Wisatawan
Info Wisatawan
Wisatawan
4.3. Melihat Wisatawan
Data Wisatawan Info Wisatawan
Gambar H.6. DFD Level 1 Proses Manipulasi Data Wisatawan Pada DFD level ini menggambarkan alur proses manipulasi data wisatawan seperti menambah data dan mengubah data bagi wisatawan. Melihat data wisatawan bagi admin.
c. Flowchart Flowchart merupakan suatu bagan dengan simbol tertentu yang menggambarkan
urutan proses secara mendetail dan hubungan antara suatu proses dengan proses lainnya dalam suatu program. Berikut ini merupakan gambaran flowchart dari sistem ini.
42
START
Input Data Wisatawan
Apakah data numerik?
Tidak
Ya
Mean dan Standar Deviasi Tiap Pa rameter
Mass Function
Densitas Gauss
Probabilitas Normalisasi
Probabilitas
Matriks Combination Evidence
Rekomendasi Objek Wisata
Rekomendasi di pilih?
Tidak
Objek Wisata lain Ya Tidak
Rekomendasi di pilih?
Ya
END
Gambar H.7. Flowchart System Berdasarkan flowchart tersebut, dapat dilihat alur sistem ini yaitu dimulai ketika user atau wisatawan memasukkan data karakteristik mereka. Kemudian ditentukan
dahulu oleh sistem apakah data numerik atau tidak berdasarkan data wisatawan sebelumnya. Jika tidak, maka untuk menentukan probabilitas, langsung dihitung 43
mass function-nya menggunakan teorema bayes biasa. Tapi jika data numerik atau
berupa angka kontinu, maka dihitung dahulu mean dan standar deviasi pada tiap parameter, kemudian dihitung menggunakan rumus
densitas gauss, lalu
dinormalisasi sehingga menghasilkan sebuah probabilitas. Selanjutnya dihitunglah masing-masing probabilitas menggunakan matriks combination evidence. Sehingga menghasilkan sebuah rekomendasi objek wisata bagi wisatawan. Kemudian jika rekomendasi dipilih atau menurut wisatawan cocok, maka perhitungan selesai. Namun jika rekomendasi tidak dipilih atau dirasa tidak cocok bagi wisatawan, maka wisatawan boleh memilih objek wisata lain. Objek wisata yang dipilih terakhirlah yang disimpan ke sistem sebagai data baru. d. Perancangan Tabel Dalam pengembangan sistem ini dibutuhkan beberapa tabel, di antaranya adalah sebagai berikut. 1. Tabel Admin, adalah tabel yang menyimpan data administrator selaku operator sistem yang berisi beberapa field atau kolom. Tabel H.6. Tabel Admin Nama Field
Tipe Data
Ukuran Field
Username
Varchar
20
Password
Varchar
30
Nama
Varchar
50
Jabatan
Varchar
30
2. Tabel Objek Wisata, adalah tabel yang menyimpan seluruh data objek wisata yang ada di Kabupaten Bangli yang terdiri dari beberapa kolom. Tabel H.7. Tabel Objek Wisata Nama Field
Tipe Data
Ukuran Field
IdObjekWisata
Integer
3
NamaObjekWisata
Varchar
30
Lokasi
Varchar
50
Keterangan
Text
-
Foto
Varchar
50
JmlKunj
Integer
10 44
3. Tabel Kriteria, adalah tabel yang menyimpan data kriteria yang digunakan untuk memberikan rekomendasi objek wisata pada wisatawan. Tabel H.8. Tabel Kriteria Nama Field
Tipe Data
Ukuran Field
IdKriteria
Integer
3
NamaKriteria
Varchar
30
Status
Enum
-
4. Tabel Wisatawan, adalah tabel yang menyimpan data wisatawan sekaligus menyimpan hasil perhitungan rekomendasi objek wisata Tabel H.9. Tabel Wisatawan Nama Field
Tipe Data
Ukuran Field
IdWisatawan
Integer
10
Nama
Varchar
50
Negara
Varchar
20
JK
Enum
-
Umur
Integer
3
PeriodeKunjungan
Integer
5
Tujuan
Varchar
50
TanggalBerkunjung Date
-
Rekomendasi
30
Varchar
e. Perancangan Input dan Output 1. Form Admin, Login Form ini adalah form pertama kali muncul ketika administrator ingin mengakses sistem. Untuk dapat melakukan manipulasi data, administrator harus masuk menggunakan username dan password yang sudah dibuat.
45
IDENTITAS INSTANSI
Username
Password
LOGIN
FOOTER
Gambar H.8. Form Login Administrator
2. Form Admin, Objek Wisata Form ini adalah form untuk menampilkan data objek wisata yang tersimpan dalam basis data. Admin dapat melakukan menambah, mencari, mengubah, dan menghapus data objek wisata.
IDENTITAS INSTANSI MENU
OBJEK WISATA
Objek Wisata
CARI TAMBAH
Kriteria OBJEK WISATA 1
UBAH
HAPUS
OBJEK WISATA 2
UBAH
HAPUS
OBJEK WISATA 3
UBAH
HAPUS
Wisatawan Laporan Tentang Logout
FOOTER
Gambar H.9. Form Manipulasi Objek Wisata
46
3. Form Admin, Tambah Objek Wisata Form ini adalah form khusus untuk menambahkan data objek wisata ke dalam sistem.
IDENTITAS INSTANSI MENU
TAMBAH OBJEK WISATA
Objek Wisata
CARI
Kriteria
NAMA
Wisatawan
LOKASI
Laporan
KETERANGAN
Tentang
FOTO
Logout
Browse
TAMBAH
FOOTER
Gambar H.10. Form Tambah Objek Wisata
4. Form Admin, Kriteria Form ini adalah form untuk menampilkan data kriteria yang tersimpan pada basis data. Admin dapat melakukan menambah, mencari, mengubah, dan menghapus data kriteria. IDENTITAS INSTANSI MENU
KRITERIA
Objek Wisata
CARI TAMBAH
Kriteria KRITERIA 1
UBAH
HAPUS
KRITERIA 2
UBAH
HAPUS
KRITERIA 3
UBAH
HAPUS
Wisatawan Laporan Tentang Logout
FOOTER
Gambar H.11. Form Manipulasi Kriteria 47
5. Form Admin, Kunjungan Wisatawan Form ini adalah form untuk menampilkan data wisatawan dan kunjungan wisatawan yang tersimpan pada basis data. Admin di sini dapat mencetak data wisatawan yang dapat digunakan untuk analisa pemasaran.
IDENTITAS INSTANSI MENU
KUNJUNGAN WISATAWAN
Objek Wisata
CARI
Kriteria TABEL WISATAWAN
Wisatawan Laporan Tentang Logout
TOTAL Kunjungan
FOOTER
Gambar H.12. Form Kunjungan Wisata
6. Form Admin, Tambah Admin Baru Form ini adalah form khusus yang digunakan untuk menambah administrator baru. IDENTITAS INSTANSI MENU
TAMBAH ADMIN BARU
Objek Wisata
CARI
Kriteria NAMA
Wisatawan JABATAN
Laporan USERNAME
Tentang PASSWORD
Logout
TAMBAH
FOOTER
Gambar H.13. Form Tambah Administrator 48
7. Form User, Awal Form ini adalah tampilan awal user atau wisatawan selaku yang menggunakan sistem. Karena dalam sistem dibuat menggunakan dua bahasa, maka wisatawan akan memilih bahasa dahulu untuk dapat melanjutkan menggunakan sistem.
IDENTITAS INSTANSI IND
ENG
Selamat Datang di Website Resmi Welcome to Official Website
Sistem Pendukung Keputusan Rekomendasi Objek Wisata Decision Support System Tourist Spots Recommendation
Kabupaten Bangli - Bali Bangli Regency - Bali
Silakan Pilih Bahasa
Chose Your Language
INDONESIA
ENGLISH
FOOTER
Gambar H.14. Form User untuk Tampilan Awal
8. Form User, Identitas Form ini adalah tampilan untuk wisatawan mengisi identitas mereka masingmasing untuk nantinya dihitung sehingga menghasilkan rekomendasi objek wisata.
49
IDENTITAS INSTANSI IND
ENG
NAMA NEGARA JENIS KELAMIN
L ak ak ii-- La Lak i
Pe re re m mp pua n
UMUR FREKUENSI KUNJUNGAN TUJUAN
PROSES
FOOTER
Gambar H.15. Form User untuk Memasukan Identitas
9. Form User, Rekomendasi Form ini adalah tampilan hasil perhitungan berupa rekomendasi objek wisata sesuai dengan identitas wisatawan yang sudah dimasukkan sebelumnya. Wisatawan juga dapat menentukan apakah memang rekomendasi sesuai atau tidak.
50
IDENTITAS INSTANSI IND
NAMA
:
ROJAK
NEGARA
:
INDONESIA
JENIS KELAMIN
:
LAKI-LAKI
UMUR
:
23
FREKUENSI KUNJUNGAN
:
2 KALI
TUJUAN
:
BERLIBUR
HASIL REKOMENDASI
PENGLIPURAN
INFO
YA
PENGANYUNGAN
INFO
YA
BALIWOSO
INFO
YA
ENG
YANG LAIN
FOOTER
Gambar H.16. Form User untuk Menampilkan Hasil Rekomendasi
H.3. Development Pada tahap development ini dilakukan pengembangan terhadap desain yang sudah dibuat sebelumnya yang diterjemahkan ke dalam kode-kode bahasa pemrograman. Dalam Dalam proses pengembangan, pengembangan, pembuatan akan dipecah menjadi modulmodul yang lebih kecil, yang nantinya akan digabungkan pada tahap berikutnya. Dalam pembuatan kode-kode bahasa pemrograman tersebut, tentunya peneliti membutuhkan beberapa perangkat yang akan digunakan dalam mengimplementasikannya. Adapun kebutuhan tersebut dapat dikategorikan ke dalam kebutuhan perangkat keras dan perangkat lunak. Berikut ini adalah detail dari kebutuhan tersebut. tersebut. a. Kebutuhan Perangkat Lunak Berdasarkan analisa yang telah dilakukan, kebutuhan perangkat lunak yang dibutuhkan untuk mengembangkan sistem adalah sebagai berikut. 1. XAMPP sebagai wew server penyedia Apache, MySQL, dan PHP. 2. Notepad++ sebagai text editor. 3. Google Chrome sebagai web browser untuk berinteraksi dengan sistem. 51
4. Adobe Photoshop untuk membuat desain grafis. b. Kebutuhan Perangkat Keras 1. Laptop Lenovo ThinkPad E431. 2. RAM 4 GB dan Hardisk 500GB. 3. Processor Intel Core i5.
H.4. Implementation Implementation Pada tahap ini semua tahap diimplementasikan berdasarkan tahapan-tahapan yang sudah dilakukan sebelumnya. Agar dapat mengetahui semua modul-modul yang dibuat berfungsi sesuai dengan kebutuhan. Semua modul yang sudah dibuat akan digabungkan menjadi suatu sistem utuh yang selanjutnya akan dilakukan pengujian secara keseluruhan atau pengujian sistem. Pengujian sistem akan dilakukan dengan Testing. menggunakan dua jenis pengujian, yaitu White Box testing dan Black Box Testing.
a. White Box Testing White box testing adalah pengujian yang didasarkan pada pengecekan terhadap
detail perancangan, menggunakan struktur kontrol dari desain program secara prosedural untuk membagi pengujian ke dalam beberapa kasus pengujian. Penentuan kasus uji disesuaikan dengan struktur sistem, pengetahuan mengenai program digunakan untuk mengidentifikasikan kasus uji tambahan. Pengujian dilakukan berdasarkan bagaimana suatu software menghasilkan suatu output dari dari input yang diberikan. Pengujian white box ini dilakukan berdasarkan kode
program. b. Black Box Testing Black box testing adalah pengujian yang dilakukan hanya untuk mengamati hasil
eksekusi melalui data uji dan memeriksa fungsional dari perangkat lunak. Pengujian ini hanya mengevaluasi dari tampilan luarnya saja ( interface), serta fungsionalitasnya, tanpa mengetahui apa sesungguhnya yang terjadi dalam proses detailnya (hanya mengetahui input dan dan output ). ). Metode uji dapat diterapkan pada semua tingkat pengujian perangkat lunak seperti pengujian unit, integrasi, fungsional, sistem dan penerimaan.
52
H.5. Evaluation Pada tahap ini merupakan tahapan yang digunakan untuk mengevaluasi seluruh tahap berdasarkan tahan-tahapan yang sudah dilewati. Jadi tahapan ini dapat dilakukan di seluruh tahap atau evaluasi secara keseluruhan apabila ada yang kurang sesuai dengan analisa, desain, pengembangan, dan implementasinya. Sehingga nantinya sistem ini benar-benar siap diimplementasikan di Dinas Kebudayaan dan Pariwisata Bangli. Dan sistem ini benar-benar sesuai dengan kebutuhan yang terdapat di lapangan.
I. JADWAL DAN WAKTU Pelaksanaan penelitian ini direncanakan berlangsung selama enam bulan dari bulan Februari 2016 sampai dengan Juli 2016, dengan pengalokasian waktu untuk masing-masing tahapan kegiatan dapat dilihat seperti tabel berikut.
53
Tabel I.1. Jadwal Kegiatan No.
Nama Kegiatan Bulan ke-1 1 2 3 4
1.
Pengajuan Topik
2.
Penyusunan
Bulan ke-2 1 2 3 4
Waktu Kegiatan (Tahun 2015-2016) Bulan ke-3 Bulan ke-4 Bulan ke-5 Bulan ke-6 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Bulan ke-7 1 2 3 4
Bulan ke-8 1 2 3 4
Proposal 3.
Seminar Proposal
4.
Analysis
5.
Design
6.
Development
7.
Implementation
8.
Penyusunan Laporan Skripsi
9.
Ujian Skripsi
54
J. DAFTAR PUSTAKA BPS Bali. (2015). Jumlah Wisatawan Mancanegara ke Provinsi Bali 2004-2015. Dipetik Februari 1, 2016, dari Badan Pusat Statistik Provinsi Bali: http://bali.bps.go.id/linkTabelStatis/view/id/184 BPS Bangli. (2015). Bangli Dalam Angka 2015. Dipetik Februari 28, 2016, dari Badan Pusat Statistik Kabupaten Bangli: http://banglikab.bps.go.id/website/pdf_publikasi/Kabupaten-Bangli-DalamAngka-2015.pdf Disbudpar Bangli. (2015). Analisa Pemasaran Wisata Kabupaten Bangli Tahun Anggaran 2015. Bangli: Dinas Kebudayaan dan Pariwisata Bangli.
Dwiputra, R. (2013). Preferensi Wisatawan Terhadap Sarana Wisata di Kawasan Wisata Alam Erupsi Merapi. Jurnal Perencanaan Wilayah dan Kota, Vol. 24 No. 1, April 2013, 35-48.
Giarratano, J., & Riley, G. (2005). Expert Systems Principles and Programming Fouth Edition. Canada: Thomson Course Technology.
Indraswari, D. P. (2015). Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke Menggunakan
Metode
Dempster-Shafer.
Journal
of
Environmental
Engineering & Sustainable Technology Vol. 02 No. 02, November 2015 , 97-
104. Kompas Travel. (2016, Januari 4). Kompas Travel . Dipetik Februari 27, 2016, dari Bali, Pulau Terbaik Kedua di Dunia: http://travel.kompas.com/read/2016/01/04/173936827/Bali.Pulau.Terbaik.Ked ua.di.Dunia Kottler, P. (1990). Manajemen Pemasaran: Analisa, Perancangan, Implementasi, dan Pengendalian. Jilid II Edisi Kelima. Jakarta: Erlangga.
Kusrini. (2007). Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: CV. ANDI Offset. Kusrini, Emha, & Luthfi, T. (2009). Algoritma Data Mining. Yogyakarta: Andi. Mau, S. D. (2014). Sistem Pendukung Keputusan Seleksi Beasiswa Menggunakan Teorema Bayes dan Dempster-Shafer. Jurnal Pekommas, Vol. 17 No. 1, April 2014.
Menuh, N. N. (2016). Karakteristik Wisatawan Backpacker dan Dampaknya Terhadap Pariwisata Kuta, Bali. JUMPA Volume 2 Nomor 2, Januari 2016 , 179-180. 55
Muktamar, B. A. (2013). Implementasi Data Mining dengan Naive Bayes Classifier untuk Mendukung Strategi Pemasaran di Bagian Humas STMIK AMIKOM Yogyakarta. Naskah Publikasi, 3. Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi. Saleh, A. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Citec Journal, Vol. 2, No. 3, Mei 2015 – Juli 2015.
SK Bupati Bangli Nomor 556/202. (2014). Smith, S., & Wheeler, J. (2002). Managing The Customer Experience . New York: Prentice Hall. Tanjung, M. R. (2014). Pengembangan Aplikasi Multimedia Pengenalan dan Pembelajaran Origami dengan Pendekatan ADDIE. Seminar Nasional Informatika 2014, 129.
Travel and Leisure. (2015). World's Best Islands, Travel + Leisure World's Best Awards 2015. Dipetik Februari 28, 2016, dari Travel + Leisure: http://www.travelandleisure.com/worlds-best/islands# Warman, S. (2014, Oktober). Daya Tarik Daerah Tujuan Wisata . Dipetik Februari 29, 2016, dari sandywarman.com: http://www.sandywarman.com/2014/10/dayatarik-daerah-tujuan-wisata.html Warman, S. (2015, Januari). Berbagai Karakter dan Jenis Wisatawan Domestik dan Mancanegara.
Dipetik
Februari
29,
2016,
dari
sandywarman.com:
http://www.sandywarman.com/2015/01/pembelajaran-3-berbagai-karakterdan.html Wirawan, I. M. (2013). Mobile-based CBR System using Dempster-Shafer Modification Rule for Tourist Spots Recommendations in Buleleng Regency . International Journal of Computer Applications (0975 – 8887) Volume 83 – No 7, December 2013 .
Yusnita, A. (2012). Sistem Pendukung Keputusan Menentukan Lokasi Rumah Makan yang Strategis Menggunakan Metode Naive Bayes. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012 , 290-294.
56
LAMPIRAN
57
Lampiran 1 Dokumentasi Wawancara
Gambar J.1. Wawancara dengan Seksi Analisa Pemasaran
Lampiran 2
Hasil Wawancara dengan Kelapa Bidang Pemasaran Wisata Dinas Kebudayaan dan Pariwisata Kabupaten Bangli.
Saya
: Selamat siang pak, mohon maaf mengganggu sebentar. Saya mahasiswa dari UNDIKSHA Jurusan Pendidikan Teknik Informatika ingin melakukan wawancara dengan bapak mengenai Pariwisata Kabupaten Bangli.
Narasumber
: Iya silakan dik.
Saya
: Sebelumnya, saya ingin mengetahui dahulu seperti apa organisasi di Disbudpar Bangli? Atau terdiri dari berapa bagian?
Narasumber
: Baik dik. Secara umum organisasi di Disbudpar Bangli terdiri dari 4 bidang yaitu Bidang Kesenian, Bidang Tradisi Sejarah dan Kepurbakalaan, Bidang Bina Objek, dan terakhir Bidang Pemasaran Wisata. Kebetulan saya di sini sebagai Kepala Bidang Pemasaran Wisata.
Saya
: Di bidang pemasaran wisata ini terdiri dari berapa bagian lagi pak?
Narasumber
: Terdiri dari 3 sub bagian dik, yang disebut seksi. Antara lain adalah Seksi Promosi, Seksi Bimbingan dan Penyuluhan, dan terakhir Seksi Analisa Pemasaran.
Saya
: Kalau tugas masing-masing seksi itu bagaimana pak?
Narasumber
: Kalau secara umum tugas masing-masing seksi adalah untuk seksi promosi bertugas mempromosikan objek wisata melalui website, media sosial, dan lain sebagainya. Untuk seksi bimbingan dan penyuluhan
bertugas
untuk
memberikan
bimbingan
dan
penyuluhan kepada masyarakat yang secara langsung terlibat dengan objek wisata. Dan terakhir untuk seksi analisa pemasaran bertugas untuk melakukan analisa pemasaran wisata terutama jumlah kunjungan wisatawan berdasarkan karakteristiknya, kemudian dituangkan dalam buku yang diterbitkan setiap tahun.
Saya
: Baik pak, di sini saya ingin bertanya lebih dalam pada bagian seksi
analisa
pemasaran.
Misalnya
bagaimana
teknik
pengambilan data dan pengolahannya? Narasumber
: Nah, kalau seksi analisa pemasaran biasanya memperoleh data wisatawan melalui penyebaran angket. Namun, tidak semua wisatawan diberikan angket, hanya wisatawan tertentu saja yang diberikan angket. Kemudian hasil angket tersebut diolah sampai menghasilkan data baru yaitu seperti jumlah kunjungan wisatawan, asal negara, jenis kelamin, dan lain sebagainya.
Saya
: Maksud dari wisatawan tertentu itu bagaimana pak? Kemudian hasil analisa tersebut apakah sampai memberikan rekomendasi objek wisata bagi wisatawan?
Narasumber
: Kalau adik ingin tahu lebih lanjut, adik bisa langsung bertanya ke seksi analisa pemasaran yaitu Ibu Ni Wayan Sarmiani. Sebentar bapak panggilkan ibunya.
Saya
:
Baik pak, terima kasih atas informasinya.
Narasumber
: Iya, sama-sama dik.
Kepala Bidang Pemasaran Wisata Dinas Kebudayaan dan Pariwisata Bangli
I Wayan Merta, S.Sos., MM NIP. 196601061986021010
Lampiran 3
Hasil Wawancara dengan Seksi Analisa Pemasaran Dinas Kebudayaan dan Pariwisata Kabupaten Bangli.
Saya
: Selamat siang ibu, mohon maaf mengganggu sebentar. Saya mahasiswa dari UNDIKSHA Jurusan Pendidikan Teknik Informatika. Sebelumnya saya sudah melakukan wawancara bersama Bapak Ketua Bidang Pemasaran, kemudian sekarang saya ingin melakukan wawancara lebih mengkhusus dengan ibu selaku bagian analisa pemasaran.
Narasumber
: Iya dik, silakan.
Saya
: Tadi kan sudah dijelaskan secara umum mengenai teknik pengambilan data dan pengolahan data wisatawan. Kemudian saya ingin menanyakan lagi apakah data hasil analisa tersebut dapat memberikan rekomendasi objek wisata yang sesuai karakteristik wisatawan?
Narasumber
: Tidak dik, data yang kami hasilkan tidak sampai menghasilkan rekomendasi objek wisata bagi wisatawan. Jadi kami hanya menghasilkan data baru secara umum seperti jumlah kunjungan wisatawan, alas negara, dan jenis kelamin. Kalau mengkhusus seperti itu kami belum bisa. Karena untuk memperoleh data wisatawan, kami langsung turun ke lapangan menyebarkan angket. Angket tersebut diberikan untuk wisatawan yang hanya mau mengisi saja. Jadi kami minta izin terlebih dahulu. Biasanya kami menyebar angket ke hotel-hotel yang ramai dikunjungi wisatawan. Sebelumnya kami juga meminta pihak hotel mengisi angket. Jadi kami menyebar 2 angket. Selain menyebar angket, kami juga memperoleh data kunjungan wisatawan dari data penjualan tiket pada masing-masing objek wisata. Atau pihak yang mengelola objek wisata menyetor data kunjungan wisatawan ke kami.
Saya
: Kalau kasusnya memang seperti itu, di sini saya ingin memberikan sebuah solusi bu. Saya akan membuatkan sebuah sistem berbentuk website yang bernama Sistem Pendukung Keputusan. memasukkan
Nah data
nantinya
pada
karakteristik
sistem mereka
ini,
wisatawan
masing-masing.
Kemudian akan ada timbal balik berupa rekomendasi objek wisata yang sesuai dengan karakteristik wisatawan sebelumnya. Sistem ini menggunakan kombinasi metode Naive Bayes dan Dempster Shafer yang memang cocok untuk kasus seperti ini. Sehingga
selain bermanfaat untuk wisatawan, sistem ini juga bermanfaat untuk Disbudpar dalam pengambilan data wisatawan. Jadi tidak perlu repot-repot lagi menyebar angket manual atau tulis tangan. Nanti angket tersebut bisa diisi melalui website. Wisatawan akan lebih mudah menggunakan, dan pihak Disbudpar lebih mudah juga mendapatkan data wisatawan. Narasumber
: Kalau memang adik berniat membuat sistem seperti itu untuk mengatasi permasalahan kami, kami dari pihak Disbudpar sangat setuju sekali dik. Jadi akan lebih memudahkan pekerjaan kami.
Saya
:
Baik bu, mungkin untuk wawancara hari ini saya cukupkan sampai di sini dulu bu. Nanti kalau ada yang diperlukan lagi, saya akan kesini. Terima kasih atas informasinya bu.
Narasumber
: Iya dik, sama-sama.
Seksi Analisa Pemasaran Dinas Kebudayaan dan Pariwisata Bangli
Ni Wayan Sarmiani, S.Sos NIP. 196901281992022002
Lampiran 4 Contoh Angket PEMERINTAH KABUPATEN BANGLI
DINAS KEBUDAYAAN DAN PARIWISATA KABUPATEN BANGLI Jln. Lettu Lila No. 9 Bangli Bapak Ibu yang saya hormati, Kami mohon kepada saudara untuk mengisi angket kunjungan wisatawan ini sebagai bahan pembaharuan data kunjungan wisatawan Kabupaten Bangli. Terima kasih atas partisipasinya. Dear Sirs, Please fill out this questionnaire as a renewal of the data of tourists visit in Bangli Thank you for your participation.
Location : …………………………………
Mohon diisi tanda (
√ ) atau ( X ) pada jawaban Anda.
√ ) or (X) on your answer.
Please fill an ( No.
Pertanyaan / Question
1
Nama (name) : ........................................................... 9
Berapa orang berkunjung bersama Anda? (How
2
Jenis Kelamin (sex) :
many person traveling with you?)
Laki-laki (male) 3
No.
Pertanyaan / Question
Perempuan ( female)
Pendidikan (education background ) SMU (Senior High School)
Dewasa (adult)
(………………….)
Anak (children)
(………………….)
Orang tua (parents/old) (……………..)
Diploma ( Degree) Universitas (University) 4
10
Dari mana Anda mendapat informasi objek wisata
Pekerjaan (occupation)
ini?
………………………………………………………
(resources of information of this tourism object?)
Internet 5
6
Negara Asal (Country of origin)
Travel Agent
………………………………………………………
Teman/Kerabat ( friend )
Tujuan kunjungan (purpose of the visit) Berlibur (vacation) Penelitian (research) Mengunjungi kerabat (visiting relatives)
