BAB 2 TINJAUAN PUSTAKA
2.1. Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) atau dikenal Decision Support System(DSS) adalah sistem informasi interaktif yang menyediakan informasi, pemodelan dan pemanipulasian data yang digunakan untuk membantu pengambilan keputusan pada situasi yang semiterstruktur dan situasi yang tidak terstruktur dimana tak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat (Kadir, 2003).
2.1.1
Karakteristik Sistem Pendukung Keputusan
Adapun yang menjadi karakteristik SPK (Kadir, 2003) : 1.
Menawarkan keluwesan, kemudahan beradaptasi, dan tanggapan yang cepat.
2.
Memungkinkan pemakai memulai dan mengendalikan masukan dan keluaran.
3.
Dapat dioperasikan dengan sedikit atau tanpa bantuan pemrogram profesional.
4.
Menyediakan dukungan untuk keputusan dan permasalahan yang solusinya tak dapat ditentukan di depan.
5.
2.1.2
Menggunakan analisis data dan perangkat pemodelan yang canggih.
Arsitektur Sistem Pendukung Keputusan
Menurut Kusrini (2009), aplikasi SPK bisa terdiri dari beberapa subsistem, yaitu : 1.
Subsistem manajemen data Subsistem ini memasukkan satu database yang berisi data yang relevan untuk suatu situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen database (Data Base Management System/DBMS).
Universitas Sumatera Utara
6
2.
Subsistem manajemen model Merupakan paket perangkat lunak yang memasukkan model keuangan, statistik, ilmu manajemen, atau model kuantitatif lain yang memberikan kapabilitas analitik dan manajemen perangkat lunak yang tepat.
3.
Subsistem antarmuka pengguna Pengguna berkomunikasi dengan dan memerintahkan sistem pendukung keputusan melalui subsistem tersebut. Pengguna adalah bagian
yang
dipertimbangkan dari sistem. 4.
Subsistem manajemen berbasis pengetahuan Subsistem tersebut mendukung semua subsistem lain atau bertindak langsung sebagai suatu komponen independen dan bersifat opsional.
2.1.3
Pandangan Pengguna Sistem Pendukung Keputusan
Pandangan pengguna SPK adalah salah satu yang mempengaruhi motivasi penggunaan SPK. Hubungan antara pandangan pengguna SPK dan motivasi penggunaan SPK diharapkan haruslah positif. Karena itu, motivasi untuk menggunakan SPK diharapkakn meningkat ketika SPK dirasakan menjadi lebih efektif ataupun efisien, atau lebih mudah penggunaannya. (Jao, 2010). Adapun yang menjadi pandangan pengguna tersebut adalah : 1.
Keefektifan Pengguna mungkin memposisikan keefektifan dan penggunaan lebih sedikit usaha untuk mencapai target mereka ketika sadar akan keuntungan dari meningkatkan hasil keputusan. Akibatnya, pertimbangan pengguna terhadap hasil keputusan akan menuju kepada peningkatan penggunaan SPK.
2.
Efisiensi Sebuah SPK dikatakan efisien jika dapat membantu pengguna dalam membuat keputusan dalam waktu yang singkat.
3.
Usaha Penelitian menunjukkan bahwa peningkatan penggunaan SPK meningkat ketika sebuah SPK mengurangi usaha yang digunakan untuk mengimplementasi strategi yang membutuhkan usaha penuh, dan ketika penggunaan SPK meningkatkan kualitas dan akurasi keputusan.
Universitas Sumatera Utara
7
2.2 Android Android merupakan sebuah sistem operasi perangkat mobile berbasis linux yang mencakup sistem operasi, middleware, dan aplikasi. Untuk mengembangkan Android, dibentuk OHA (Open Handset Aliance), konsorsium dari 34 perusahaan peranti keras (Hardware), peranti lunak (Software), dan telekomunikasi, termasuk Google, HTC, Intel, Motorola, Qualcomm, T-Mobile, dan Nvidia. Pada tanggal 5 November 2007, Android dirilis pertama kali. Android bersama OHA menyatakan mendukung pengembangan open source pada perangkat mobile. Sekitar bulan September 2007, Google mengenalkan Nexus One, salah satu jenis smartphone yang menggunakan Android sebagai sistem operasinya yang diproduksi oleh HTC Corp. dan tersedia di pasaran pada tanggal 5 Januari 2008. Sejak saat itu, Android berkembang pesat dan bersaing dengan Apple dalam sistem operasi untuk PC Tablet. Terdapat dua jenis distributor sistem operasi Android. Pertama yang mendapat dukungan penuh dari Google atau GMS (Google Mail Services), dan kedua adalah yang benar-benar bebas distribusinya, tanpa dukungan langsung Google, atau dikenal sebagai OHD (Open Handset Distribution). Hingga 14 Oktober 2013, Android sudah merilis 31 versi mulai dari versi Beta yang belum memakai versi angka sampai Kitkat versi 4.4. Semakin versi tinggi, fiturnya semakin canggih dan banyak.
2.3 Algoritma C4.5 Algoritma C4.5 adalah perluasan dari algoritma ID3 yang diciptakan Quinlan untuk menghasilkan decision tree. Algoritma ini menggunakan konsep information gain atau entropy reduction untuk memilih optimal split. C4.5 secara rekursif memeriksa setiap decision node, memilih optimal split, sampai tak ada lagi kemungkinan melakukan split (Larose & Larose, 2014). Algoritma C4.5 adalah salah satu metode untuk membuat decision tree berdasarkan data training yang telah disediakan (Adyatama, 2013). Teknik pengklasifikasian C4.5 menggunakan entropy dan information gain untuk perluasan pohon(tree) (Florence & Savithri, 2013). Secara umum proses algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut (Kusrini, 2009) : 1. Pilih atribut sebagai akar 2. Buat cabang untuk masing-masing nilai 3. Bagi kasus ke dalam cabang
Universitas Sumatera Utara
8
4. Ulangi proses untuk masing-masing cabang sampai semua kasus selesai. Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atributatribut yang ada. Untuk menghitung gain digunakan rumus : πΊππ
π, π΄ = πΈ π
π
π¦ π β β π=
ππ ΓπΈ π π
π¦ ππ
Keterangan : S
: Himpunan Kasus
A
: Atribut
n
: Jumlah Partisi Atribut A
Si
: Jumlah Kasus pada Partisi ke-i
S
: Jumlah Kasus dalam S
πΈ π
π
π¦ π = ββ π Γ π π π π=
Keterangan : S
: Himpunan Kasus
A
: Fitur
N
: Jumlah partisi S
pi
: Proporsi dari Si terhadap S
Contoh kasus yang terjadi adalah untuk menyelesaikan kasus pertandingan tenis akan dilakukan atau tidak, berdasarkan keadaan cuaca, suhu, kelembapan, dan angin seperti pada Tabel 2.1.
Universitas Sumatera Utara
9
Tabel 2.1 Data Set Kasus Penentuan Pelaksanaan Pertandingan No
Cuaca
Suhu
Kelembapan
Berangin
Main
1
Cerah
Panas
Tinggi
Salah
Tidak
2
Cerah
Panas
Tinggi
Benar
Tidak
3
Berawan
Panas
Tinggi
Salah
Ya
4
Hujan
Sejuk
Tinggi
Salah
Ya
5
Hujan
Dingin
Normal
Salah
Ya
6
Hujan
Dingin
Normal
Benar
Ya
7
Berawan
Dingin
Normal
Benar
Ya
8
Cerah
Sejuk
Tinggi
Salah
Tidak
9
Cerah
Dingin
Normal
Salah
Ya
10
Hujan
Sejuk
Normal
Salah
Ya
11
Cerah
Sejuk
Normal
Benar
Ya
12
Berawan
Sejuk
Tinggi
Benar
Ya
13
Berawan
Panas
Normal
Salah
Ya
14
Hujan
Sejuk
Tinggi
Benar
Tidak
Kemudian hitung entropy dengan rumus :
πΈ π
π
π¦ π = ββ π Γ π π π π=
Maka didapat :
πΈ π
π¦ π = β(
)Γπ π (
) +
β(
)Γπ π (
) = ,
Tabel 2.2 Hasil Perhitungan Entropy pada Data Set Total Kasus
Sum(Ya)
Sum(Tidak)
14
10
4
Entropy Total ,
Universitas Sumatera Utara
10
Setelah mendapatkan entropy dari keseluruhan kasus pada Tabel 2.2, lakukan analisis pada setiap atribut dan nilai-nilainya dan hitung entropynya. Hitung gain setiap atribut dengan rumus :
πΊππ πΊππ
πΊππ
π
π, π΄ = πΈ π
π¦ π β β
β ((
)Γ
πΆ πππ = ,
πΆ πππ = ,
π=
)Γ +(
ππ ΓπΈ π π
,
π¦ ππ
+(
)Γ ,
)
Kemudian, hitung gain masing-masing atribut suhu, kelembapan, dan berangin. Hasil perhitungan dari masing-masing atribut terlihat pada Tabel 2.3.
Tabel 2.3 Analisis Atribut, Nilai, Banyaknya Kejadian Nilai, Entropy dan Gain Node 1
Atribut Cuaca
Sum
Sum
Sum
(Nilai)
(Ya)
(Tidak)
Berawan
4
4
0
0
Hujan
5
4
1
0,721928095
Cerah
5
2
3
0,970950594
Nilai
Entropy
Gain
0,258521037 Suhu
Dingin
4
4
0
0
Panas
4
2
2
1
Sejuk
6
4
2
0,918295834 0,183850925
Kelembapan
Tinggi
7
3
4
0,985228136
Normal
7
7
0
0 0,370506501
Berangin
Salah
8
6
2
0,811278124
Benar
6
2
4
0,918295834 0,005977711
Universitas Sumatera Utara
11
Pada Gambar 2.1 di bawah dapat dilihat kelembapan sebagai node akar karena kelembapan adalah atribut dengan nilai gain paling tinggi. Berdasarkan pembentukan pohon keputusan, node 1.1 akan dianalisis lebih lanjut.
1 Kelembapan Tinggi
Normal
1.1 ?
Ya
Gambar 2.1 Pohon Keputusan Node 1 (root node)
Untuk mempermudah, tabel awal difilter dengan mengambil data yang memiliki kelembapan = tinggi sehingga didapat data pada Tabel 2.4.
Tabel 2.4 Data dengan Kelembapan = Tinggi No
Cuaca
Suhu
Kelembapan
Berangin
Main
1
Cerah
Panas
Tinggi
Salah
Tidak
2
Cerah
Panas
Tinggi
Benar
Tidak
3
Berawan
Panas
Tinggi
Salah
Ya
4
Hujan
Sejuk
Tinggi
Salah
Ya
5
Cerah
Sejuk
Tinggi
Salah
Tidak
6
Berawan
Sejuk
Tinggi
Benar
Ya
7
Hujan
Sejuk
Tinggi
Benar
Tidak
Lalu data di Tabel 2.4 dianalisis dan dihitung lagi nilai entropy atribut Kelembapan Tinggi seperti terlihat pada Tabel 2.5.
Tabel 2.5 Hasil Perhitungan Entropy Atribut Kelembapan Tinggi Kelembapan Tinggi 7
Sum (Ya)
Sum (Tidak)
Entropy
3
4
0,985228136
Universitas Sumatera Utara
12
Lakukan lagi analisis terhadap atribut yang tersisa dan hitung nilai entropynya masing-masing. Hasil analisis dapat dilihat pada Tabel 2.6.Setelah itu, tentukan pilih atribut yang memiliki gain tertinggi untuk dibuatkan node berikutnya (node 1.1)
Tabel 2.6 Analisis Atribut untuk Node 1.1 No-
Atribut
de 1.1
Cuaca
Sum
Sum
Sum
(Nilai)
(Ya)
(Tidak)
Berawan
2
2
0
0
Hujan
2
1
1
1
Cerah
3
0
3
0
Nilai
Entropy
Gain
0,69951385 Suhu
Dingin
0
0
0
0
Panas
3
1
2
0,918295834
Sejuk
4
2
2
1 0,020244207
Berangin
Salah
4
2
2
1
Benar
3
2
1
0,918295834 0,020244207
Dari Tabel 2.6, gain tertinggi ada pada atribut Cuaca, dan nilai yang dijadikan daun adalah Berawan dan Cerah. Maka akan didapat pohon keputusan seperti pada Gambar 2.2.
1 Kelembapan Tinggi
Normal
1.1 Cuaca Berawan
Ya
Hujan
1.1.2 ?
Ya Cerah
Tidak
Gambar 2.2 Pohon Keputusan Analisis Node 1.1
Universitas Sumatera Utara
13
Untuk menganalisis node 1.1.2, lakukan lagi langkah yang sama seperti sebelumnya. Hasilnya ditampilkan pada Tabel 2.7, Tabel 2.8, Tabel 2.9 dan terbentuklah pohon keputusan seperti pada Gambar 2.3.
Tabel 2.7 Hasil Analisis Node 1.1.2 No
Cuaca
Suhu
Kelembapan
Berangin
Main
1.
Hujan
Sejuk
Tinggi
Salah
Ya
2.
Hujan
Sejuk
Tinggi
Benar
Tidak
Tabel 2.8 Hasil Perhitungan Entropy Atribut Kelembapan Tinggi dan Hujan Kelembapan Tinggi dan Hujan
Sum (Ya)
Sum (Tidak)
Entropy
1
1
1
2
Tabel 2.9 Analisis Atribut untuk Node 1.1.2 Node
Atribut
1.1.2 Suhu
Sum
Sum
Sum
(Nilai)
(Ya)
(Tidak)
Dingin
0
0
0
0
Panas
0
0
0
0
Sejuk
2
1
1
1
Nilai
Entropy
Gain
0 Berangin
Salah
1
1
0
0
Benar
1
0
1
0 1
Universitas Sumatera Utara
14
1 Kelembapan Tinggi
Normal
1.1 Cuaca Berawan
Ya Cerah
Hujan
1.1.2 Berangin
Ya Salah
Ya
Tidak Benar
Tidak
Gambar 2.3 Pohon Keputusan Akhir
Dari Gambar 2.3 didapat pola keputusan (rules), yaitu : IF Kelembapan = Normal THEN Main = Ya IF Kelembapan = Tinggi ^ Cuaca = Berawan THEN Main = Ya IF Kelembapan = Tinggi ^ Cuaca = Cerah THEN Main = Tidak IF Kelembapan = Tinggi ^ Cuaca = Hujan ^ Berangin = Salah THEN Main = Ya IF Kelembapan = Tinggi ^ Cuaca = Hujan ^ Berangin = Benar THEN Main = Tidak
Universitas Sumatera Utara
