SISTEM PEREKOMENDASI WISATA ALAM DI KABUPATEN BOGOR BERBASIS MOBILE MENGGUNAKAN METODE MULTI CRITERIA COLLABORATIVE FILTERING

SISTEM PEREKOMENDASI WISATA ALAM DI KABUPATEN BOGOR BERBASIS MOBILE MENGGUNAKAN METODE MULTI CRITERIA COLLABORATIVE FILTERING

DIMAS AGUNG MAULANA HIDAYATUL IRSYAD

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2017

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Sistem Perekomendasi Wisata Alam di kabupaten Bogor Berbasis Mobile Menggunakan Metode Multi Criteria Collaborative Filtering adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Januari 2017

Dimas Agung Maulana Hidayatul Irsyad. NIM G64120053

ABSTRAK DIMAS AGUNG MAULANA HIDAYATUL IRSYAD. Sistem Perekomendasi Wisata Alam di Kabupaten Bogor Berbasis Mobile Menggunakan Metode Multi Criteria Collaborative Filtering. Dibimbing oleh RINA TRISMININGSIH. Kabupaten Bogor merupakan salah satu daerah yang memiliki peluang dan daya tarik wisata yang tinggi. Selain memiliki lokasi yang strategis, kabupaten ini juga memiliki banyak objek wisata alam yang indah, akan tetapi kurangnya informasi membuat wisatawan tidak mengetahui objek wisata alam di Kabupaten Bogor yang sebaiknya dikunjungi. Oleh karena itu diperlukan suatu sistem perekomendasi. Penelitian ini bertujuan membangun suatu sistem perekomendasi wisata alam Kabupaten Bogor berbasis mobile dengan metode item-based collaborative filtering menggunakan sejumlah kriteria rating (multi criteria rating) sebagai data masukan. Penelitian ini menggunakan dua metode similarity, yaitu cosine similarity dan pearson-correlation similarity. Sistem perekomendasi mampu menampilkan daftar wisata alam beserta deskripsinya dan rekomendasi wisata alam berdasarkan rating user dari sejumlah kriteria. Sistem perekomendasi menghasilkan akurasi sebesar 0.525 dengan metode cosine similarity, dan 1.25 dengan metode pearson-correlation similarity. Kata kunci: collaborative filtering, multi criteria rating, sistem perekomendasi, wisata alam

ABSTRACT DIMAS AGUNG MAULANA HIDAYATUL IRSYAD. Recommender System in Bogor Regency Using Multi Criteria Collaborative Filtering. Supervised by RINA TRISMININGSIH. Bogor Regency is one of region that has a high opportunity and attraction in tourism sector. Aside being a strategic location, this region also has many beautiful natural tourism. However, the lack of information makes the tourists do not know which natural tourism in Bogor Regency that should be visited. Therefore, we need a recommenders system. This study is conducted to build a recommender systems for natural tourism in Bogor Regency based on mobile using Item-Based collaborative filtering method with multi criteria rating as input data. This study is developed by using two similarity method, which is cosine similarity and Pearsoncorrelation similarity. The recommenders system is able to display a list of natural tourism along with the description and its recommendation on natural tourism from user’s rating based on several criteria. The recommender system results accuracy of 0.525 by using cosine similarity method and 1.25 by using Pearson-correlation similarity method. Keyword: collaborative filtering, multi criteria rating, natural tourism, recommender system.

SISTEM PEREKOMENDASI WISATA ALAM DI KABUPATEN BOGOR BERBASIS MOBILE MENGGUNAKAN METODE MULTI CRITERIA COLLABORATIVE FILTERING

DIMAS AGUNG MAULANA HIDAYATUL IRSYAD

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2017

Penguji: 1 Dr Yani Nurhadryani, SSi MT 2 Husnul Khotimah, SKomp MKom

Judul Skripsi : Sistem Perekomendasi Wisata Alam di Kabupaten Bogor Berbasis Mobile Menggunakan Metode Multi Criteria Collaborative Filtering Nama : Dimas Agung Maulana Hidayatul Irsyad NIM : G64120053

Disetujui oleh

Rina Trisminingsih, SKomp MT Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

Tanggal Lulus:

PRAKATA Puji dan syukur penulis ucapkan kepada Allah Subhanahu wa Ta’ala karena atas segala karunia-Nya penulis dapat menyelesaikan tugas akhir dengan judul Sistem Perekomendasi Wisata Alam di Kabupaten Bogor Berbasis Mobile Menggunakan Metode Multi Criteria Collaborative Filtering. Penelitian ini dilaksanakan mulai Maret 2016 sampai dengan Oktober 2016 bertempat di Departemen Ilmu Komputer FMIPA IPB. Pada kesempatan ini penulis ingin mengucapkan rasa terima kasih yang tidak terhingga dan rasa penghargaan yang setinggi-tingginya kepada: 1 Keluarga tercinta Ibu (Painten), Kakak (Mahar Eka Miftahuddin A’la Mataram) serta Adik (Setya Achsanul Arief) terima kasih atas semangat, doa dan kasih sayang serta dorongan yang tak ternilai harganya baik berupa moril dan materil yang penulis rasakan dari awal memulai perkuliahan sampai penulis menyelesaikan penulisan tugas akhir. 2 Bapak Ahmad Ridha, SKom MT selaku dosen pembimbing akademik yang selalu memberikan bimbingan dan saran dengan kesabarannya dan ketekunannya selama semester 3 hingga semester akhir. 3 Ibu Rina Trisminingsih, SKomp MT selaku dosen pembimbing tugas akhir yang selalu memberikan bimbingan dan saran dengan kesabarannya dan ketekunannya selama pengerjaan tugas akhir. 4 Ibu Dr Yani Nurhadriyani, SSi MT dan Ibu Husnul Khotimah, SKomp MKom selaku dosen penguji. 5 Teman-teman satu bimbingan, yaitu Hendra Dwinanto Prakoso, Rizki Dwiputra Restavie Bujung, Intan Yuli Kiswari, Sarah Shanaz Shaztika, M.Fariz, dan Yohannes S. yang selalu memberikan kritik , saran, dukungan, dan semangatnya. 6 Teman-teman kosan, yaitu Iwan, Reza, Widi, Samad, Zanwar, dan Ilham yang telah mendukung penulis. 7 Teman-teman Vector 49 atas segala bantuan, kebersamaan, ilmu, informasi, dan semangat dalam penyelesaian tugas akhir ini. 8 Kepada semua pihak yang telah membantu dan memberikan dorongan baik langsung maupun tidak langsung kepada penulis dalam menyelesaikan tugas akhir ini. Semoga karya ilmiah ini bermanfaat.

Bogor, Januari 2017 Dimas Agung Maulana Hidayatul Irsyad

DAFTAR ISI

DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

vii

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

3

Sistem Perekomendasi

3

Collaborative Filtering

3

Item-Based Collaborative Filtering

3

Multi Criteria Collaborative Filtering

4

METODE

4

Tahapan Penelitian

4

Akuisisi Data Wisata Alam

4

Menetapkan Jumlah Kriteria

5

Menganalisis Algoritme

5

Pengembangkan Sistem

6

Testing

7

Evaluasi

7

HASIL DAN PEMBAHASAN

8

Akuisisi Data Wisata Alam

8

Menentukan Jumlah Kriteria

8

Menganalisis Algoritme

9

Pengembangan Sistem

11

Testing

20

Evaluasi

24

SIMPULAN DAN SARAN

26

Simpulan

26

Saran

26

DAFTAR PUSTAKA

27

LAMPIRAN

29

RIWAYAT HIDUP

58

DAFTAR TABEL 1 2 3 4 5 6 7 8 9 10 12 11 13 14

Deskripsi kebutuhan fungsional Tabel Manajemen Resiko Sistem Jenis wisata alam yang digunakan Rating kriteria accesibility Rating kriteria facility Rating kriteria satisfaction Rating kriteria budget Rating keseluruhan kriteria Similarity final cosine similarity Similarity final pearson-correlation similarity Rekomendasi dan Prediksi Pearson-Correlation Similarity Rekomendasi dan Prediksi Cosine Similarity Waktu eksekusi sistem dalam memberikan rekomendasi Hasil MAE

13 14 20 20 21 21 21 22 22 23 23 24 25 25

DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Metode item-based collaborative filtering Tahapan penelitian Bagan proses algoritme item-based collaborative filtering Proses keseluruhan RUP Rating user, similarity yang dipilih, dan rekomendasi user Use case diagram sistem Arsitektur keseluruhan sistem Relasi antar tabel basis data SPWAKB Kueri memasukkan rating di DbHandler Eksekusi kueri memasukkan rating pada Index Hasil ekspor matriks Implementasi perhitungan similarity pada Python. Implementasi class diagram Hasil Implementasi layout

3 4 5 7 11 14 15 16 16 17 17 18 19 18

DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9

Tabel data wisata alam Use case description SPWAKB Activity diagram SPWAKB Implementasi kueri kueri pada DbHandler Implementasi eksekusi kueri pada Index Implementasi layout Tabel hasil cosine similarity setiap kriteria Tabel hasil pearson-correlation similarity setiap kriteria Tabel pengujian fitur sistem keseluruhan

29 30 39 42 45 50 51 54 57

1

PENDAHULUAN Latar Belakang Kabupaten Bogor merupakan salah satu daerah di Provinsi Jawa Barat yang memiliki sisi daya tarik wisata yang tinggi. Selain memiliki lokasi yang strategis dengan kota dan kabupaten sekitarnya, Kabupaten Bogor juga memiliki sejumlah obyek wisata alam yang menarik untuk dikunjungi wisatawan (DKPKB 2016), akan tetapi minimnya informasi membuat wisatawan tidak mengetahui berbagai macam obyek wisata alam yang ada dan rekomendasi obyek wisata alam apa yang sebaiknya mereka kunjungi (Puntodewo 2007). Oleh karena itu, diperlukan suatu aplikasi yang dapat memberikan informasi dan rekomendasi pada setiap obyek wisata alam di Kabupaten Bogor. Sistem perekomendasi merupakan suatu teknik untuk merespon masukan seseorang yang baru dan memberikan hal baru berdasarkan pada pengalaman orang-orang sebelumnya (Berka dan Plößnig 2011). Metode yang digunakan dalam membangun suatu sistem perekomendasi terbagi menjadi dua macam, yaitu content-based filtering dan collaborative filtering (Kangas 2002). Collaborative filtering (CF) adalah suatu metode dalam membuat prediksi otomatis untuk memperkirakan ketertarikan atau selera seorang pengguna terhadap suatu item dengan cara mengumpulkan informasi dari penggunapengguna yang lain yang direpresentasikan dalam bentuk nilai rating (Sarwar et al. 2001). CF melakukan dua proses, yaitu mencari pengguna lain yang memiliki kemiripan pola rating dengan pengguna yang dijadikan target dan menggunakan nilai rating dari pengguna lain untuk menentukan rekomendasi serta menghitung prediksi bagi pengguna aktif. Proses rating yang dilakukan dengan metode CF dapat dilakukan dengan dua cara, yaitu single rating menggunakan metode itembased atau user-based (Sarwar et al. 2001), dan multi criteria rating menggunakan metode item-based atau user-based seperti yang dilakukan pada pendekatan single rating (Adomavicius dan Kwon 2007). Sejumlah penelitian sebelumnya yang telah dilakukan terkait sistem perekomendasi dengan metode collaborative filtering telah dilakukan oleh Nuryunita (2012) yang membuat suatu modul perekomendasi pada openchart secara single rating, dan Prasetyo (2015) yang membangun sistem perekomendasi wisata alam Kabupaten Bogor secara single rating. Selain itu, penelitian sistem perekomendasi dengan metode yang berbeda juga dilakukan oleh Khotimah (2014) yang melakukan pemodelan rekomendasi hybrid tourism menggunakan hidden markov model dan text mining berdasarkan data sosial media. Selanjutnya, sejumlah penelitian terkait wisata alam Kabupaten Bogor yang telah dilakukan diantaranya yaitu penelitian Purnamasari (2004) yang melakukan kajian pengembangan produk wisata alam berbasis ekologi di kawasan wisata alam curug cilember dan penelitian Daulay (2004) yang melakukan analisis kinerja usaha pariwisata alam di wilayah KPH Bogor di wisata kawah ratu dan curug panjang. Penelitian ini membangun sistem perekomendasi wisata alam Kabupaten Bogor dengan metode item-based collaborative filtering menggunakan sejumlah rating dari user sebagai data masukan dengan sejumlah kriteria (multi criteria rating). Metode item-based collaborative filtering dipilih agar sistem

2 perekomendasi mampu memberikan rekomendasi berdasarkan kesamaan (similarity) antar item (Adomavicius dan Kwon 2007), sedangkan multi criteria rating digunakan agar user dapat mengetahui obyek wisata alam apa yang cocok dengan kriteria-kriteria wisata yang ditentukan. Sistem perekomendasi pada penelitian ini dibangun menggunakan data wisata alam yang diperoleh dari penelitian Prasetyo (2015) dengan platform mobile Android. Platform Android dipilih karena menurut SCGS (2016) platform ini masih menguasai marketshare penyebaran OS untuk smartphone, yaitu sebesar 65% pada kuartal kedua di tahun 2016. Aplikasi ini diharapkan dapat menampilkan informasi dan rekomendasi tentang wisata alam yang terdapat di Kabupaten Bogor serta rating dari setiap kriteria wisata alam tersebut.

Perumusan Masalah Saat ini, informasi terkait wisata alam kabupaten bogor masih minim dan masukan pada sistem perekomendasi yaitu berupa nilai rating pada umumnya masih bersifat single rating, padahal suatu wisata alam tidak bisa dinilai berdasarkan satu nilai saja. Penelitian sebelumnya yang dilakukan oleh Prasetyo (2015) masih menggunakan single rating sebagai data masukan. Oleh karena itu, diperlukan sistem perekomendasi yang mampu menampilkan sejumlah informasi wisata alam kabupaten bogor yang mampu menerima nilai masukan dari sekian kriteria dan mengolahnya menjadi sebuah rekomendasi.

Tujuan Penelitian Tujuan dari penelitian ini adalah membangun sistem perekomendasi wisata alam di Kabupaten Bogor menggunakan metode item-based collaborative filtering dengan pendekatan multi criteria rating berbasis mobile.

Manfaat Penelitian Penelitian ini diharapkan dapat menghasilkan sistem perekomendasi yang dapat memberikan informasi dan rekomendasi wisata alam di Kabupaten Bogor secara spesifik dari sejumlah kriteria sejumlah user dalam bentuk rating.

Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini antara lain: 1 Data obyek wisata alam yang digunakan diperoleh dari data peneliti sebelumnya (Prasetyo 2015) dan buku Discover Bogor Regency (DKPKB 2016). 2 Penelitian dibangun dengan platform Android versi 5.0. 3 Rekomendasi diberikan ke user berdasarkan input user berupa rating yang terdiri atas empat kriteria, yaitu accesibility, facility, budget, dan satisfaction.

3

TINJAUAN PUSTAKA Sistem Perekomendasi Sistem perekomendasi merupakan suatu sistem yang mampu menyaring informasi dan mengaplikasikan suatu teknik tertentu untuk merekomendasikan suatu produk, informasi, atau layanan secara aktual (Sarwar et al. 2001). Sistem perekomendasi digunakan untuk memprediksi apakah pengguna tertentu menyukai produk tertentu dan merekomendasikannya. Sistem perekomendasi memanfaatkan opini seseorang terhadap suatu produk dalam kategori tertentu atau tingkat kesamaan antar produk untuk melakukan rekomendasi dan prediksi.

Collaborative Filtering Collaborative filtering (CF) adalah suatu metode yang membuat prediksi otomatis untuk memperkirakan ketertarikan atau selera pengguna terhadap suatu item dengan cara mengumpulkan informasi dari user-user lain yang direpresentasikan dalam bentuk nilai rating (Sarwar et al. 2001). Tujuan dari algoritme CF adalah menganjurkan item baru kepada pengguna khusus berdasarkan pada keterkaitan sebelumnya dari pengguna dan opini dari pengguna-pengguna lain yang mempunyai keterkaitan yang mirip. Opini bisa diberikan secara eksplisit oleh pengguna berupa nilai rating atau bisa juga secara implisit dihasilkan dari riwayat pembelian, dengan melakukan analisis terhadap logs, navigation history atau dengan cara yang lain (Sarwar et al. 2001).

Item-Based Collaborative Filtering Item-based collaborative filtering (CF) merupakan salah satu pendekatan yang digunakan dalam metode CF dimana similarity antar item dijadikan dasar dalam menentukan nilai similarity dan melakukan rekomendasi. Metode itembased CF memanfaatkan rating atau catatan transaksi pada suatu item dalam membuat rekomendasi. Pada metode ini korelasi yang dicari adalah item yang belum pernah diberi rate oleh pengguna. Sejumlah item yang memiliki tingkat kesamaan atau similarity yang tinggi dijadikan sebagai top-N rekomendasi. Metode item-based collaborative filtering diilustrasikan pada Gambar 1.

: Keterkaitan antar item : Hubungan antara user-item : Item yang direkomendasikan

Gambar 1 Metode item-based collaborative filtering

4 Multi Criteria Collaborative Filtering Multi criteria collaborative filtering merupakan salah satu pendekatan yang bisa dilakukan dalam metode collaborative filtering, terutama bila masukan yang diberikan pada sistem perekomendasi merupakan nilai rating. Multi criteria CF kini dibutuhkan dalam sistem perekomendasi karena nilai rating item pada sistem perekomendasi tidak bisa diwakili hanya pada satu kriteria saja, seperti film, produk e-commerce, dan lain-lain (Adomavicius dan Kwonn 2007). Multi criteria CF menghitung nilai similarity setiap masukan rating per kriteria dan mengambil similarity final dari seluruh hasil perhitungan similarity setiap kriteria.

METODE Tahapan Penelitian Tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 2.

Mulai

Akuisisi Data Wisata Alam

ya

Selesai

Evaluasi

Menetapkan Jumlah Kriteria

Apakah hasil rekomendasi sudah sesuai simulasi?

Testing

Menganalisis Algoritme

tidak

Pengembangan Sistem

Gambar 2 Tahapan Penelitian Akuisisi Data Wisata Alam Tahapan ini menentukan data yang digunakan dalam sistem. Penulis menggunakan data nama wisata alam Kabupaten Bogor yang diperoleh dari skripsi peneliti sebelumnya, yaitu data milik Prasetyo (2015) berupa nama wisata alam. Selain itu, penulis juga menambahkan data-data lainnya sehingga dapat melengkapi data milik Prasetyo (2015) melalui buku panduan wisatawan yang dikeluarkan Dinas Kebudayaan dan Pariwisata Kabupaten Bogor (DKPKB 2016).

5 Menetapkan Jumlah Kriteria Tahapan ini menentukan jumlah kriteria dengan melakukan sejumlah studi literatur terkait dengan kepariwisataan. Dari hasil studi literatur yang dilakukan, diperoleh 4 kriteria rating yang dijadikan penilaian setiap wisata alam, yaitu : a Kemudahan akses/Accessibility, yaitu kemudahan dan kenyamanan alat transportasi ataupun tanpa alat transportasi dalam menjangkau obyek wisata alam tersebut. b Fasilitas/Facility, yaitu sejumlah fasilitas yang diberikan pengelola obyek wisata alam, seperti sarana ibadah, sarana pendidikan, sarana pendukung lainnya. c Kepuasan/Satisfaction yaitu kepuasan pengunjung yang dipengaruhi sejumlah faktor seperti kebersihan, keamanan, keindahan, dan obyek wisata alam. d Biaya/Budget, yaitu rata-rata biaya transportasi, biaya masuk, biaya konsumsi, biaya fasilitas pendukung, dan biaya penginapan sekitar obyek wisata alam.

Menganalisis Algoritme Pada tahapan penelitian ini, dilakukan perancangan sejumlah algoritme yang digunakan dalam proses perhitungan multi criteria rating dengan metode itembased collaborative filtering seperti yang ditunjukkan oleh Gambar 3.

Mengakuisisi himpunan rating user

Evaluasi

Menghitung similarity per kriteria rating

Rekomendasi

Menghitung similarity ratarata, ambil rentang (0.5 – 1) Membandingkan dengan himpunan rating user

Gambar 3 Bagan proses algoritme Item-Based Collaborative Filtering Setelah himpunan rating tiap user pada setiap kriteria diperoleh, tahap berikutnya yang dilakukan adalah mencari nilai similarity antar item. Penelitian ini menggunakan dua fungsi untuk mencari nilai similarity sekaligus membandingkan tingkat akurasi sistem pada setiap kriteria rating dan rating keseluruhan, yaitu fungsi cosine similarity dan pearson-correlation similarity. Cosine similarity merupakan salah satu fungsi yang paling umum dilakukan untuk mencari nilai similarity (Adomavicius dan Kwonn 2007), sedangkan pearson-correlation similarity dinilai mampu menghasilkan similarity yang lebih baik dari cosine similarity (Sarwar et al. 2001). Langkah berikutnya adalah mengambil nilai pasangan item yang memiliki nilai similarity dengan rentang antara 0.5-1 dan dibandingkan dengan himpunan rating user untuk menentukan item mana yang direkomendasikan. Rentang 0,5-1 dipilih karena rentang tersebut merupakan aproksimasi nilai terbaik pada similairity antara dua item (Naumann 2013). Proses selanjutnya adalah melakukan perhitungan untuk mendapatkan nilai prediksi rating yang digunakan untuk proses evaluasi.

6 Pengembangan Sistem Metode pengembangan yang digunakan dalam pengembangan sistem yaitu Rational Unified Process (RUP). RUP adalah proses pengembangan perangkat lunak yang menggunakan pendekatan disiplin (seperti standar tertentu) untuk menyusun sejumlah task dan tanggung jawab pada suatu bagian pengembangan aplikasi. Tujuan metode ini yaitu menjamin perangkat lunak yang dibuat memiliki kualitas yang tinggi yang pada akhirnya memenuhi ekspektasi pengguna akhir (IBM 2011). Standar yang digunakan di penelitian ini adalah memastikan hasil keluaran sistem berupa rekomendasi wisata alam konsisten dengan hasil yang didapatkan pada program lain. Metode RUP digunakan karena penelitian ini mengutamakan kesesuaian rekomendasi pada sistem terlebih dahulu sebelum diberikan pada pengguna akhir. Metode RUP terdiri menjadi empat fase, yaitu: Fase Permulaan (Inception) Tahapan ini mendefinisikan sejumlah bussines case dan batasan sistem secara keseluruhan dengan cara menentukan entitas eksternal yang akan berinteraksi dengan sistem, dan jenis interaksi yang akan dilakukan sampai bagian high-level. Sejumlah bussines case yang dimaksud yaitu kriteria suskes sistem, pengkajian resiko sistem, dan memperkirakan sumberdaya yang dibutuhkan serta menentukan jadwal pembuatan sistem. (IBM 2011). Hasil keluaran utama dari fase ini yaitu gambaran umum kebutuhan sistem, fungsi utama sistem, dan ruang lingkup sistem. Fase Perluasan (Elaboration) Tahapan ini menganalisis permasalahan utama sistem, menentukan gambaran arsitektur sistem, membuat rencana pengembangan sistem, dan menghilangkan resiko terburuk dalam pengembangan sistem (IBM 2011). Hasil keluaran utama dari fase ini yaitu use case sistem dan gambaran arsitektur sistem keseluruhan. Fase Pembangunan (Construction) Tahapan ini mengimplementasikan hasil keluaran utama pada fase inception dan fase elaboration yang akan disatukan ke dalam suatu proses pembangunan sistem. Jika sistem telah selesai dibuat, langkah selanjutnya adalah melakukan pengujian sistem berdasarkan fungsi-fungsi utama sistem untuk menemukan kesalahan pada sistem sebelum sistem diserahkan pada pengguna akhir (IBM 2011). Hasil keluaran utama pada fase ini yaitu produk akhir sistem. Fase Transisi (Transition) Tahapan ini melakukan transisi atau penyampaian sistem kepada pengguna akhir. Jika pada sistem pengguna masih menemukan kesalahan atau sistem hendak dikembangkan lebih jauh lagi, maka dilakukan iterasi kembali pada tahap inception sampai tahap transition hingga diperoleh sistem dengan kualitas yang lebih baik (IBM 2011). Proses keseluruhan RUP dapat dilihat pada Gambar 4.

7

Gambar 4 Proses keseluruhan RUP Testing Tahapan ini menguji sistem yang telah selesai dibuat. Pengujian pada sistem dilakukan dengan metode white box dan black box. Pengujian white box dilakukan untuk menguji apakah algoritme yang digunakan pada sistem utama sudah menghasilkan rekomendasi yang konsisten apabila diterapkan di suatu sistem simulasi tabel spredsheet. Tujuan utama tahapan ini yaitu membandingkan perhitungan rekomendasi yang dilakukan oleh sistem utama dengan perhitungan pada suatu sistem simulasi tabel spredsheet. Input pada sistem utama yang berupa rating dimasukkan ke tabel spreadsheet dan selanjutnya akan dihitung dan dibandingkan dengan sistem utama. Pengujian white box dinyatakan berhasil apabila hasilnya rekomendasi pada sistem utama dengan sama dengan hasil rekomendasi sistem simulasi tabel spredsheet. Pengujian black box dilakukan dengan menguji seluruh fitur utama pada sistem untuk memastikan apakah fungsi-fungsi utama pada sistem sudah berjalan dengan baik. Pengujian black box dinyatakan berhasil apabila sejumlah skenario yang diterapkan pada seluruh fitur sistem sukses dijalankan oleh sistem.

Evaluasi Proses evaluasi pada penelitian ini dibagi menjadi dua tahapan, yaitu menghitung waktu eksekusi sistem dan menghitung tingkat akurasi sistem. Tahapan menghitung waktu eksekusi sistem dilakukan untuk mengetahui waktu yang dibutuhkan sistem dalam memberikan rekomendasi berdasarkan dua fungsi similarity yang digunakan, yaitu cosine similarity dan pearson-correlation similarity. Satuan waktu yang digunakan adalah detik. Tahapan menghitung tingkat akurasi sistem dilakukan untuk mengukur tingkat kesalahan yang mungkin dihasilkan oleh sistem. Langkah pertama yang dilakukan yaitu menghitung suatu nilai prediksi rating yang akan diberikan oleh

8 user. Nilai prediksi user dibutuhkan karena akan dibandingkan dengan nilai rating user yang sebenarnya. Nilai prediksi rating user dapat dihitung menggunakan fungsi weighted sum (Sarwar et al. 2001) seperti pada Persamaan 1:

P(u,j) =

∑iϵI Ru,i *Si,j |Si,j |

(1)

dengan P(u,j) adalah prediksi untuk user u pada item j iϵI adalah himpunan item yang mirip dengan item j Ru,i adalah rating yang diberikan user u pada item ke-i Si,j adalah similairity antara item u dan item j Tahap berikutnya adalah menghitung tingkat akurasi sistem. Timgkat akurasi sistem diukur dengan cara membandingkan seluruh nilai prediksi rating dengan nilai rating yang sebenarnya. Salah satu persamaan yang bisa digunakan adalah persamaan Mean Absoulte Error (Sarwar et al. 2001) yang menghasilkan nilai antara nol hingga sejumlah n-item yang diuji. Jika hasil MAE mendekati nol, maka semakin baik akurasi sistem. Persamaan MAE ditunjukkan pada Persamaan 2:

MAE =

∑N i=1|pi -qi | N

(2)

dengan: MAE adalah rata-rata kesalahan perhitungan N adalah jumlah item yang dihitung pi adalah nilai prediksi item ke-i qi adalah nilai rating sebenarnya yang diberikan oleh user pada item ke-i

HASIL DAN PEMBAHASAN Akuisisi Data Wisata Alam Tahapan yang dilakukan dalam akuisisi data penelitian yaitu penulis mencari data wisata alam dalam file skripsi peneliti sebelumnya yang berisi 19 nama wisata alam di Kabupaten Bogor. Penulis juga menambahkan data lainnya seperti gambar, alamat dan deskripsi wisata alam serta 2 obyek wisata alam baru yang diperoleh dari buku panduan wisatawan Dinas Kebudayaan dan Pariwisata Kabupaten Bogor (DKPKB 2016). Data wisata alam dapat dilihat pada Lampiran 1.

Menentukan Jumlah Kriteria Tahapan ini menentukan jumlah kriteria masukan rating yang diperlukan dalam sistem perekomendasi. Menurut Weinschenk (2011), user setidaknya hanya

9 dapat mengingat dan menghafal 4 hal penting dengan baik pada suatu sistem. Oleh karena itu, penulis menentukan jumlah kategori rating yang digunakan yaitu sebesar 4 kriteria rating wisata alam sebagai jumlah kriteria yang dibutuhkan sistem perekomendasi. Kriteria rating pertama yang penulis usulkan adalah kemudahan akses (accesibility). Kriteria ini merupakan hal yang penting karena menyangkut bagaimana tingkat kemudahan calon wisatawan mencapai suatu lokasi wisata alam. Menurut Undang-undang No.10 tahun 2009 tentang Kepariwisataan Pasal 19 menyatakan bahwa setiap warga negara berhak memiliki kesempatan yang sama dalam memenuhi kebutuhan pariwisata. Selain itu, menurut Wei (2013) accesibility suatu obyek wisata merupakan hal penting yang harus diperhatikan, khususnya bila ingin menarik perhatian wisatawan. Oleh karena itu, penulis memasukkan kriteria accesibility ke dalam sistem perekomendasi. Kriteria rating kedua yang penulis usulkan adalah fasilitas (facility). Kriteria ini juga merupakan salah satu hal yang penting karena menggambarkan kualitas suatu obyek wisata alam. Menurut Undang-undang no.10 tahun 2009 tentang Kepariwisataan Pasal 20 menyatakan bahwa setiap wisatawan berhak memperoleh pelayanan kepariwisataan sesuai standar, pelayanan kesehatan, perlindungan hak pribadi, dan perlindungan asuransi untuk kegiatan pariwisata beresiko tinggi. Selain itu, menurut Stange dan Brown (2013) facility suatu obyek wisata dapat meningkatkan kompetensi dan daya saing obyek wisata. Oleh karena itu, penulis memasukkan kriteria Facility ke dalam sistem perekomendasi. Kriteria rating ketiga yang penulis usulkan adalah kepuasan (satisfaction). Kriteria ini menggambarkan kepuasan para wisatawan setelah mengunjungi suatu obyek wisata alam. Menurut Stange dan Brown (2013) meningkatkan kepuasan wisatawan merupakan hal yang wajib dilakukan dalam meningkatkan keberlangsungan obyek wisata. Selain itu, kepuasan juga menggambarkan reaksi wisatawan terhadap obyek wisata alam yang telah mereka kunjungi, apakah reaksi itu positif (memuaskan) atau negatif (tidak memuaskan). Oleh karena itu, penulis memasukkan kriteria satisfaction ke dalam sistem perekomendasi. Kriteria rating keempat yang penulis usulkan adalah biaya (budget). Kriteria ini dipilih karena menurut Undang-Undang no.10 tahun 2009 tentang Kepariwisataan Pasal 19 menyatakan bahwa setiap warga negara berhak memiliki kesempatan yang sama dalam memenuhi kebutuhan pariwisata. Kesempatan yang sama ini dapat diraih jika budget wisata alam terjangkau oleh masyarakat. Selain itu, menurut Wei (2013) budget suatu obyek wisata merupakan hal penting yang harus diperhatikan, karena biaya wisata alam yang terjangkau sangat memudahkan warga negara dalam hal ini sebagai calon wisatawan memperoleh kemudahan dalam memenuhi kebutuhan pariwisata. Oleh karena itu, penulis memasukkan kriteria budget ke dalam sistem perekomendasi.

Menganalisis Algoritme Tahapan penelitian ini merancang sejumlah tahapan yang digunakan dalam proses perhitungan multi criteria rating dengan metode item-based collaborative filtering. Menurut Adomavicius dan Kwonn (2007), sejumlah tahapan yang dilakukan dalam algoritme ini terdiri dari:

10

1 Mengelompokkan rating user pada item ke dalam suatu himpunan rating R(u,i), dimana setiap rating r yang diberikan user u ke item ke-i terdiri dari rating keseluruhan r0 dan sejumlah rating r pada setiap kriteria k yang terdiri atas rk1 ,rk2 ,rk3 ,……rkn seperti yang ditunjukkan pada persamaan 3 berikut: R(u,i) = (r0 ,rk1 ,rk2 ,rk3 ,… rkn )

(3)

2 Menghitung similarity dua item pada rating keseluruhan r0 dan sejumlah rating pada setiap kriteria k. Penelitian ini menggunakan dua fungsi similarity, yaitu cosine similarity dan pearson-correlation similarity. Persamaan cosine similiraty ditunjukkan pada Persamaan 4, sedangkan persamaan pearsoncorrelation similarity ditunjukkan pada Persamaan 5.

Sim(rkn ) (i,i' ) =

∑uϵU R(u,ikn )*R(u,i'kn ) √∑u∈U R(u,ikn )2 *√∑u∈U R(u,i'kn )2

(4)

dengan: Sim(rkn) (i,i' ) adalah similarity antar item i dengan item i’ pada kriteria ke-n uϵU(i,i' ) adalah himpunan user yang telah melakukan rating pada item i dan i’ 𝑅(𝑢, 𝑖) adalah rating yang diberikan user u pada item i 𝑅(𝑢, 𝑖′) adalah rating yang diberikan user u pada item i’

Sim(rkn ) (i,i' ) =

̅(u,i ))*(R(u,ikn )- R ̅ (u,i )) ∑uϵU (R(u,ikn ) - R kn kn ̅(u,i ))2 *√∑u∈U (R(u,ikn )- R ̅(u,i ))2 √∑u∈U (R(u,ikn ) - R kn kn

(5)

dengan : Sim(rkn) (i,i' ) adalah similarity antar item i dengan item i’ pada kriteria ke-n uϵU(i,i' ) adalah himpunan user yang telah melakukan rating pada item i dan i’ R(u,ikn ) adalah rating yang diberikan user u ke item i pada kriteria ke-n 𝑅(𝑢, 𝑖′kn) adalah rating yang diberikan user u item i’ pada kriteria ke-n ̅i adalah rating rata-rata pada item i R ̅ Ri' adalah rating rata-rata pada item i’ 3 Menghitung similarity keseluruhan dengan mencari nilai rata-rata sejumlah kriteria k similarity pada setiap kriteria seperti yang ditunjukkan pada persamaan 6 berikut:

Sim(avg) (i,i' ) =

1 k

∑ki=0 Sim(rkn ) (i,i' )

(6)

dengan: Sim(avg) (i,i' ) adalah rata-rata similarity antar item i dengan item i’ Sim(rkn) (i,i' ) adalah similarity antar item i dengan item i’ pada kriteria ke-n

11 Setelah nilai pasangan similarity keseluruhan diperoleh, tahap berikutnya yaitu menggunakan hasil nilai pasangan similarity dengan rentang nilai antara 0.5-1 dan dibandingkan dengan himpunan rating user untuk mencari rekomendasi tiap user. 4

Memberikan rekomendasi ke setiap user. Langkah pertama adalah membandingkan pasangan similarity yang telah dipilih dengan himpunan rating user. Proses perbandingan dapat dilakukan jika sudah terdapat pasangan similarity yang diperoleh (dalam rentang 0.5-1) dan selanjutnya akan dibandingkan dengan himpunan rating user seperti pada Gambar 5.

a)

b)

c)

Gambar 5 a) rating user, b) similarity yang dipilih, dan c) rekomendasi user Pada user p1, item yang belum di rating adalah item a, e, f, dan h. langkah pertama adalah membandingkan setiap pasangan chosen similarity pada himpunan rating p1. Pasangan pertama, a dan e, akan dibandingkan dengan himpunan rating p1. Pada rating p1, item a dan e sama-sama belum di rating, oleh karena itu, kedua item ini tidak direkomendasikan. Selanjutnya, pada pasangan b dan d, pada user p1 item b dan d kedua-duanya sudah di rating, maka jelas kedua item ini tidak akan direkomendasikan. Pasangan berikutnya, b dan f, pada user p1 item b sudah dirating namun item f belum di rating. Oleh karena itu, item f direkomendasikan. Selanjutnya lakukan perbandingan hingga pasangan g dan i hingga didapatkan rekomendasi item pada setiap user nya.

Pengembangan Sistem Fase Inception Fase ini menentukan bussines case dan batasan sistem secara keseluruhan. Kedua langkah diatas akan menghasilkan keluaran utama pada fase ini, yaitu kebutuhan sistem, fungsi utama sistem, dan ruang lingkup sistem. Keluaran utama dan sejumlah bussines case sistem pada fase ini dijelaskan secara keseluruhan kedalam sejumlah kebutuhan sistem. Sejumlah kebutuhan pada sistem ini dibagi menjadi 3, yaitu kebutuhan implementasi, kebutuhan data dan informasi, dan kebutuhan fungsionalitas.

12  Kebutuhan Implementasi merupakan suatu kebutuhan peralatan penelitian yang digunakan dalam membuat sistem perekomendasi. Kebutuhan implementasi dibagi menjadi 2, yaitu kebutuhan perangkat keras dan kebutuhan perangkat lunak dengan spesifikasi sebagai berikut: Kebutuhan Perangkat Keras: 1 Processor AMD Quad Core E2-3800 APU @1,3 Ghz. 2 RAM sebesar 6 GB. 3 Keyboard dan tetikus. 4 Monitor dengan resolusi 1376 x 768 piksel. 5 Smartphone Android versi 5.0. 6 USB connector. Kebutuhan Perangkat Lunak: 1 Sistem operasi Windows 10 Pro 64-bit. 2 Microsoft Excel 2016 digunakan untuk membuat simulasi algoritme. 3 XAMPP v3.2.2 digunakan sebagai server. 4 Android Studio 1.5.1 digunakan untuk membuat aplikasi mobile. 5 Notepad++ digunakan untuk mengkodekan bahasa PHP dan Python. 6 Advanced REST Client with Slim Framework. 7 Python 2.7.11 digunakan untuk mengeksekusi perhitungan similarity. 8 Microsoft Word 2016  Kebutuhan Data dan Informasi merupakan kebutuhan yang terdiri dari data yang digunakan pada sistem dan informasi yang dihasilkan oleh sistem. Data yang dibutuhkan dalam sistem perekomendasi yaitu sejumlah data wisata alam di Kabupaten Bogor, yang terdiri atas nama wisata alam, alamat wisata alam, deskripsi wisata alam, serta data rating setiap wisata alam. Data tersebut akan ditampilkan sebagai informasi wisata alam. Data wisata alam yang digunakan pada sistem dapat dilihat pada Lampiran 1. Selanjutnya, menentukan informasi yang dibutuhkan oleh user sebagai keluaran sistem. Data-data wisata alam diolah oleh sistem menjadi suatu informasi yang dihasilkan oleh sistem kepada user. Informasi yang ditampilkan kepada user yaitu informasi hasil pengurutan wisata alam berdasarkan keseluruhan, alfabet, lima wisata alam dengan rating terbesar, dan rekomendasi wisata alam.  Kebutuhan Fungsionalitas merupakan kebutuhan yang merepresentasikan fungsi apa saja yang dibutuhkan dan dapat dilakukan oleh sistem perekomendasi wisata alam Kabupaten Bogor beserta aktor yang terlibat di dalamnya. Kebutuhan ini juga merepresentasikan kriteria suskes yang harus dicapai oleh sistem, dimana setiap fungsi yang dibutuhkan harus sukses dijalankan. Setiap kebutuhan fungsional pada sistem perekomendasi wisata alam Kabupaten Bogor diberi kode penamaan dengan menggunakan kode SPWAKB-XX. Kode “SPWAKB” merupakan singkatan dari Sistem Perekomendasi Wisata Alam Kabupaten Bogor, sedangkan kode “-XX” merupakan penomoran pada setiap kebutuhan fungsional sistem. Seluruh kebutuhan fungsional beserta deskripsinya dapat dilihat pada Tabel 1.

13 Tabel 1 Deskripsi kebutuhan fungsional Kode Fungsional SPWAKB-01 SPWAKB-02

SPWAKB-03

SPWAKB-04

SPWAKB-05

SPWAKB-06

SPWAKB-07

SPWAKB-08

Nama Fungsi

Deskripsi

Melakukan autentikasi ID member Melakukan registrasi Sign up pada sistem Menampilkan sejumlah urutan daftar wisata alam Menampilkan dengan metode urutan daftar dan tertentu dengan detail deskripsi yang terdiri dari foto, wisata alam alamat, deskripsi, dan peta wisata alam Menampilkan review Menampilkan pengguna dalam bentuk review user rating dan komentar pada wisata alam tertentu Menampilkan panduan Menampilkan sistem yang terdiri dari panduan menu getting started dan sistem menu help Memberikan rating dan Memberikan komentar pada suatu review wisata alam Menampilkan wisata alam baru yang memiliki Menampilkan keterkaitan tinggi dengan Rekomendasi wisata alam yang sudah pernah di rating Menambahkan data Menambahkan wisata alam baru seperti data wisata nama, alamat, gambar, alam deskripsi, dan peta lokasi. Login

Aktor member nonmember Admin, member, dan non member

Member dan nonmember Member dan nonmember member

member

Admin

Setelah kebutuhan fungsional didefinisikan, langkah berikutnya adalah melakukan suatu tahapan pengkajian manajemen resiko sistem. Manajemen resiko sistem yaitu menentukan sejumlah kendala atau permasalahan yang mungkin terjadi pada saat proses pembangunan sistem dilakukan, serta menentukan bagaimana cara penanganan permasalahan tersebut. Sejumlah permasalahan yang mungkin terjadi serta langkah penanganannya dapat dilihat pada Tabel 2.

14 Tabel 2 Tabel Manajemen Resiko Sistem Permasalahan Penanganan Koneksi antara platform mobile Penggunaan Framework API untuk dan sistem basis data menyimpan dan mengambil data Keamanan data autentikasi user Penggunaan fungsi hash pada sistem autentikasi Pemahaman user pada sistem Penyediaan page getting started dan menu help Melakukan operasi perhitungan Ekstraksi data dari sistem back-end himpunan rating user untuk system ke dalam Python untuk mendapatkan rekomendasi menghitung dan mendapatkan pasangan similarity. Selanjutnya, data pasangan tersebut dikembalikan ke back-end system untuk dilakukan proses mencari rekomendasi.

Fase Elaboration Pada fase ini, mulai dilakukan analisis terkait hasil keluaran yang didapatkan pada fase inception. Langkah pertama pada fase ini yaitu memetakan fungsi – fungsi yang dibutuhkan pada kebutuhan fungsional ke dalam sebuah use case diagram yang ditunjukkan pada Gambar 6.

Gambar 6 Use case diagram sistem

15 Langkah selanjutnya yaitu melakukan rincian proses yang dilakukan pada use case ke dalam use case description. Keseluruhan use case description dapat dilihat pada Lampiran 2. Selain itu, setiap use case juga dapat digambarkan lebih rinci pada activity diagram. Activity diagram menunjukkan aliran dari satu aktivitas ke aktivitas lain dalam suatu sistem. Suatu activity diagram menunjukkan satu himpunan aktivitas, apakah aliran dari satu aktivitas ke aktivitas lain secara berurutan atau bercabang, dan objek yang bertindak dan berhenti (Booch et al. 1998). Keseluruhan activity diagram dapat dilihat pada Lampiran 3.

Fase Construction Fase ini mengimplementasikan hasil keluaran yang dihasilkan pada fase inception dan elaboration sebagai dasar acuan dalam pembuatan desain dan arsitektur sistem. Fase construction dibagi menjadi tiga, yaitu database construction, back-end construction, dan front-end construction. Database construction pada SPWAKB dibuat menggunakan MySQL, karena merupakan sistem basis data yang paling umum digunakan serta cocok untuk sistem dengan jumlah user dan akses yang tidak besar. Back-end construction pada SPWAKB dibuat dengan PHP sebagai bahasa pemrograman utama. Selanjutnya, pada Backend system construction digunakan dua tools tambahan, yaitu framework REST API slim sebagai penghubung antara database dengan perangkat mobile, dan Python sebagai tools untuk menghitung similarity dan rekomendasi. Berikutnya, pada front-end system construction digunakan tools Android Studio sebagai interface mobile dan basis utama sistem. Arsitektur keseluruhan sistem dapat dilihat pada pada Gambar 7.

MySQL

Mobile Android

Slim Framework

Gambar 7 Arsitektur keseluruhan sistem  Database Construction merupakan proses konstruksi sistem basis data. Setelah use case diagram dan activity diagram SPWAKB diperoleh, dibuat suatu sistem basis data yang mampu mendukung kebutuhan kedua diagram diatas dengan nama dengan nama “wisataalambogor2.sql”. Tabel basis data yang dibuat berjumlah tiga buah, yaitu tabel users, tabel rating, dan tabel wisata alam. Relasi antar tabel database SPWAKB ditunjukkan pada Gambar 8.

16

Gambar 8 Relasi antar tabel basis data SPWAKB  Back-end System Construction merupakan suatu sistem yang mampu mengolah kueri-kueri data pada sistem basis data dan menghubungkannya ke perangkat mobile. Back-end system yang dibangun pada SPWAKB menggunakan bahasa pemrograman PHP dengan framework REST API Slim. Framework ini dipilih karena kemudahan dalam penggunaan (setiap fungsinya berstruktur Object Oriented Programming), memiliki bawaan fungsi hash yang mampu mengenkripsi data user, dan menggunakan suatu API key atau token sebagai autentikasi user sehingga keamanan data user terjamin. REST API Slim memiliki dua struktur utama, yaitu DbHandler dan Index. DbHandler merupakan struktur yang digunakan untuk meletakkan kueri kueri umum, seperti SELECT, INSERT INTO, UPDATE, dan sebagainya. Seluruh kueri yang dibutuhkan disimpan ke dalam satu fungsi yang selanjutnya akan dipanggil di struktur Index. Berikut salah satu contoh kueri memasukkan rating di DbHandler ditunjukkan pada Gambar 9. Implementasi kueri lainnya dapat dilihat pada Lampiran 4.

Gambar 9 Kueri memasukkan rating di DbHandler Kueri yang telah disiapkan dan disususn pada struktur DbHandler selanjutnya dieksekusi seluruhnya oleh struktur Index yang berfungsi untuk mengolah hasil keluaran setiap kueri pada DbHandler. Struktur Index mengolah setiap kueri pada struktur DbHandler menjadi data data yang dibutuhkan dalam sistem. Hasil keluaran olahan kueri dari struktur Index yaitu berupa tipe data Java Script Object Notation (JSON). Tipe data JSON merupakan tipe data yang umum

17 digunakan dalam mengoperasikan data antara sistem back-end dan sistem utama. Langkah selanjutnya yaitu memastikan apakah data yang dibutuhkan sudah sesuai atau tidak. Karena sistem utama sebagai penerima data masih belum dibuat, untuk memastikan apakah olahan kueri struktur Index sudah menghasilkan data yang diinginkan atau tidak yaitu dengan mennggunakan tools tambahan yaitu Advanced REST Client. Berikut salah satu contoh eksekusi kueri memasukkan rating pada struktur Index ditunjukkan pada Gambar 10. Implementasi eksekusi kueri lainnya dapat dilihat pada Lampiran 5.

Gambar 10 Eksekusi kueri memasukkan rating pada Index Selanjutnya, untuk menghitung nilai similarity antar dua obyek wisata alam, digunakan Python sebagai tools tambahan. Python dipilih karena memiliki dua library utama untuk menghitung fungsi similairity, yaitu Cosine Similarity dan Pearson – Correlation Similarity. Data yang masuk ke dalam Python merupakan data matriks rating antara user dan wisata alam yang diekspor dari REST API Slim, Contoh data matriks hasil ekspor REST API Slim ditunjukkan pada Gambar 11, sedangkan implementasi perhitungan Pearson - Correlation Similarity pada Python ditunjukkan pada Gambar 12.

Gambar 11 Hasil ekspor matriks

18

Gambar 12 Implementasi perhitungan similarity pada Python.  Front-end system construction merupakan interface mobile yang akan digunakan langsung oleh user, yaitu front-end system construction. Android Studio dipilih sebagai tools yang digunakan dalam tahap konstruksi ini karena memiliki banyak built-in class dan support library yang memungkinkan berbagai variasi kostruksi sejumlah fitur. Implementasi front-end system construction dibagi menjadi dua, yaitu implementasi layout dan implementasi java class. Hasil implementasi layout yang terdiri dari page login, page list wisata, dan page deskripsi wisata ditunjukkan pada Gambar 13, sedangkan hasil implementasi layout lainnya dapat dilihat pada Lampiran 6. Hasil implementasi java class ditunjukkan oleh class diagram yang ditunjukkan pada Gambar 14. a)

b)

c)

Gambar 13 a) page login, b) page list wisata, c) page deskripsi wisata.

19

Gambar 14 Implementasi class diagram Fase Transition Tahapan ini merupakan proses penyampaian sistem terakhir kepada user. Sistem yang diberikan kepada user telah selesai diuji terlebih dahulu dengan sejumlah pengujian yang dapat dilihat pada metode testing. Sistem akan dilimpahkan kepada Departemen Ilmu Komputer IPB, yang selanjutnya bisa diberikan langsung kepada Dinas Pariwisata dan Kebudayaan Kabupaten Bogor atau bisa dikembangkan lebih jauh lagi.

20 Testing Tahapan pengujian pertama pada sistem dilakukan dengan metode white box. Sistem simulasi tabel spredsheet yang digunakan sebagai pembanding sistem utama yaitu MS.Excel. MS.Excel dipilih karena mudah digunakan serta memiliki sejumlah formula perhitungan yang membantu proses perhitungan yang rumit. Dalam pengujian ini, wisata alam yang digunakan yaitu sebesar 9 wisata alam, dengan jumlah user sebanyak 10 orang. User yang dipilih adalah mereka yang pernah mengunjungi minimal satu wisata alam yang ada pada sistem. Jenis wisata alam yang digunakan ditunjukkan pada Tabel 3. Tabel 3 Jenis wisata alam yang digunakan Wisata ke-1 (w1) Wisata ke-2 (w2) Wisata ke-3 (w3) Wisata ke-4 (w4) Wisata ke-5 (w5) Wisata ke-6 (w6) Wisata ke-7 (w7) Wisata ke-8 (w8) Wisata ke-9 (w9)

Curug Cilember Taman Safari Curug Bidadari Wisata Agro Gunung Mas Kampung Wisata Cinangneng Taman Wisata Matahari Taman Gunung Halimun Salak Telaga Warna Ekowisata Bodogol

Langkah pertama yang dilakukan adalah melakukan input data himpunan rating setiap kriteria ke dalam lima buah tabel spreadsheet MS.Excel dengan data rating yang telah di input user ke dalam basis data. Empat tabel diantaranya adalah kriteria rating, yaitu accesibility yang ditunjukkan pada Tabel 4, facility yang ditunjukkan pada Tabel 5, satisfaction yang ditunjukkan pada Tabel 6, dan budget yang ditunjukkan pada Tabel 7. Satu tabel sisanya merupakan tabel rating keseluruhan kriteria yang di rata-ratakan, yang ditunjukkan pada Tabel 8. Jika user tidak melakukan rating maka dinotasikan sebagai “-“. Tabel 4 Rating kriteria accesibility

p1 p2 p3 p4 p5 p6 p7 p8 p9 p10

w1 2 5 4 2 4 -

Kriteria 1 (Accesibility) w2 w3 w4 w5 w6 w7 w8 w9 5 4 3 3 1 3 2 4 1 1 4 3 3 1 4 5 2 2 4 5 5 4 4 2 4 1 1 2 3 3 3 3 2 2 1 -

21

Tabel 5 Rating kriteria facility

p1 p2 p3 p4 p5 p6 p7 p8 p9 p10

Kriteria 2 (Facility) w1 w2 w3 w4 w5 w6 w7 w8 2 4 2 2 4 5 5 4 1 1 5 2 2 3 2 1 3 4 4 3 1 2 1 3 1 5 4 4 5 4 2 5 5 2 3 2 2 5 -

w9 4 5 -

Tabel 6 Rating kriteria satisfaction Kriteria 3 (Satisfaction) w2 w3 w4 w5 w6 w7 w8 w9 1 3 2 4 3 4 2 4 1 1 2 2 3 1 2 3 1 3 2 4 4 5 3 4 2 1 5 2 2 3 5 3 3 2 2 5 -

p1 p2 p3 p4 p5 p6 p7 p8 p9 p10

w1 3 4 5 1 2 -

p1 p2 p3 p4 p5 p6 p7 p8 p9 p10

Tabel 7 Rating kriteria budget Kriteria 4 (Budget) a b c d e f 4 5 3 1 1 2 2 3 2 4 2 3 5 1 4 3 5 4 5 1 4 1 5 1 2 3 4 3 3 5 2 -

g 1 5 4 2 -

h 1 2 4 -

i 5 3 -

22 Tabel 8 Rating keseluruhan kriteria

p1 p2 p3 p4 p5 p6 p7 p8 p9 p10

w1 2.5 4.0 4.0 2.3 2.8 -

w2 3.0 3.0 3.3 4.3 2.5 -

Kriteria keseluruhan w3 w4 w5 w6 4.0 2.5 3.3 2.8 3.5 1.5 - 2.3 3.0 - 1.0 2.8 4.0 - 3.5 - 2.3 2.3 - 2.8 3.8 - 2.8 - 4.3 2.8 - 3.3 -

w7 2.5 3.8 3.8 2.0 -

w8 2.3 3.8 -

w9 3.3 3.5 -

Selanjutnya, setiap wisata alam dihitung nilai similarity nya menggunakan fungsi cosine similarity dan pearson-correlation similarity. Perbedaan utama dua metode similarity ini yaitu cosine similarity menganggap user yang belum melakukan rating memiliki nilai nol (Ekstrand et. al. 2011), sehingga dua wisata alam tetap bisa dibandingkan dan dicari nilai similarity nya. Pearson-correlation similarity menganggap user yang belum melakukan rating sebagai data invalid, sehingga metode ini hanya akan membandingkan dua wisata alam dimana dua user sama-sama telah melakukan rating. Dari hasil perhitungan similarity, diperoleh masing-masing lima tabel hasil similarity. Selanjutnya, setiap tabel similarity tersebut dihitung rata-rata nya sehingga menghasilkan satu tabel similarity final untuk cosine similarity dan pearson-correlation similarity. Tabel similarity final cosine similarity dan pearson-correlation similarity ditunjukkan pada Tabel 9 dan Tabel 10. Tabel hasil cosine similarity dan pearson-correlation similarity setiap kriteria ditunjukkan pada Lampiran 7 dan Lampiran 8. Tabel 9 Similarity final cosine similarity w1 w2 w3 w4 w5 w6 w7 w8 w2 w2 w2 w2 w2 w1 w2 w3 w4 w5

w2 w3 w4 w5 w6 w7 w8 w9 w3 w4 w5 w6 w7 w2 w3 w4 w5 w6

Similarity rata- rata 0.406 w3 0.321 w3 0.290 w3 0.460 w4 0.460 w4 0.448 w4 0.296 w4 0.340 w4 0.482 w5 0.613 w5 0.177 w5 0.507 w5 0.544 w6 0.266 w6 0.212 w6 0.560 w7 0.475 w7 0.383 w8

w7 w8 w9 w5 w6 w7 w8 w9 w6 w7 w8 w9 w7 w8 w9 w8 w9 w9

0.340 0.234 0.361 0.237 0.508 0.376 0.364 0.296 0.527 0.000 0.371 0.000 0.020 0.730 0.014 0.000 0.662 0.000

23 Tabel 10 Similarity final pearson-correlation similarity Similarity rata-rata w1 w2 -0.054 w3 w7 -0.600 w2 w3 0.208 w3 w8 -0.176 w3 w4 -0.390 w3 w9 -0.200 w4 w5 -0.779 w4 w5 -0.033 w5 w6 0.182 w4 w6 0.294 w6 w7 0.200 w4 w7 -0.467 w7 w8 -0.596 w4 w8 0.187 w8 w9 -0.382 w4 w9 0.004 w2 w3 -0.130 w5 w6 -0.637 w2 w4 0.296 w5 w7 (not counted) w2 w5 0.361 w5 w8 -0.589 w2 w6 -0.316 w5 w9 (not counted) w2 w7 0.512 w6 w7 (not counted) w1 w2 -0.378 w6 w8 0.7509 w2 w3 0.200 w6 w9 (not counted) w3 w4 -0.241 w7 w8 (not counted) w4 w5 0.600 w7 w9 0.554 w5 w6 -0.440 w8 w9 (not counted)

Selanjutnya, dari dua tabel similarity tersebut akan diambil pasangan similarity antar wisata alam yang memiliki nilai similarity dengan rentang 0.5 – 1, dan selanjutnya akan dibandingkan dengan himpunan nilai rating user pada item wisata alam. Jika kedua pasangan wisata alam sudah pernah dirating atau keduanya sama-sama belum di rating, maka pasangan wisata alam tersebut tidak direkomendasikan. Jika salah satu wisata alam dari dua pasang similarity wisata alam pernah di rating, maka pasangan lainnya akan direkomendasikan. Berikutnya, akan dihitung prediksi rating user pada setiap kriteria untuk melakukan evaluasi dengan fungsi weighted sum. Tabel rekomendasi beserta prediksi menggunakan pearson-correlation similarity ditunjukkan pada Tabel 11, sedangkan tabel rekomendasi beserta prediksi menggunakan cosine similarity ditunjukkan pada Tabel 12. Tabel 11 Rekomendasi dan Prediksi Pearson-Correlation Similarity User

Rekomendasi

Prediksi Kriteria 1

Prediksi Kriteria 2

Prediksi Kriteria 3

Prediksi Kriteria 4

P3

w8 (w6-w8)

3

3

3

3

P5

w8 (w6-w8)

5

1

4

4

P6

w9 (w7-w9)

4

3

4

4

24 Tabel 12 Rekomendasi dan Prediksi Cosine Similarity User

Rekomendasi

Prediksi Kriteria 1

Prediksi Kriteria 2

Prediksi Kriteria 3

Prediksi Kriteria 4

P1

w6 (w4-w6)

3

2

2

3

p2

w2 (w2-w4) w4 (w2-w4, w4-w6) w8 (w6-w8)

2

5

2

2

4

2

2

4

3

3

3

3

w7 (w2-w7)

4

2

2

4

w2 (w2-w4)

1

1

1

1

w5 (w5-w6)

5

1

4

4

P5

w7 (w2-w7)

2

4

3

4

5

1

4

4

P6

w8 (w6-w8) w6 (w2-w6, w4-w6) w3 (w3-w4)

4

1

4

3

4

1

3

1

w2 (w2-w6) w4 (w3-w4, w4-w6) w3 (w3-w4)

1

4

5

5

2

2

3

4

3

2

3

3

w7 (w2-w7)

2

4

2

2

w4 (w3-w4)

2

2

2

5

w6 (w2-w6)

3

3

3

3

w2 (w2-w4)

1

5

5

2

w3 (w3-w4)

1

5

5

2

w6 (w4-w6)

1

5

5

2

P3

p4

P7

P8

P9

P10

Setelah dilakukan perbadingan dengan hasil rekomendasi pada sistem utama, didapatkan bahwa hasil rekomendasi wisata alam sama dengan hasil rekomendasi pada dua tabel diatas. Dengan demikian, pengujian white box dinyatakan berhasil. Selanjutnya, pengujian black box dilakukan oleh dengan sejumlah skenario yang diterapkan pada seluruh fitur sistem. Pengujian dilakukan dengan jumlah wisata alam dan user yang sama seperti pada pengujian white box. Berdasarkan pengujian yang ditunjukkan pada Lampiran 9, pengujian black box dinyatakan berhasil.

Evaluasi Tahapan pertama yang dilakukan pada proses evaluasi yaitu menghitung waktu eksekusi sistem yang dibutuhkan dalam memberikan rekomendasi. Perhitungan

25 waktu eksekusi dilakukan pada dua fungsi similarity yang digunakan, yaitu cosine similarity dan pearson-correlation similarity. Perhitungan dilakukan dengan cara menguji berapa lama waktu yang dibutuhkan sistem dalam memberikan rekomendasi pada 10 user yang melakukan tahapan testing. Hasil keseluruhan waktu eksekusi ditunjukkan pada Tabel 13. Tabel 13 Waktu eksekusi sistem dalam memberikan rekomendasi Waktu Eksekusi Rekomendasi Waktu Eksekusi Rekomendasi Dengan Dengan Fungsi Cosine Similarity Fungsi Pearson-Correlation Similarity Percobaan user ke-1 6.3 detik Percobaan user ke-1 Percobaan user ke-2 7.4 detik Percobaan user ke-2 Percobaan user ke-3 5.6 detik Percobaan user ke-3 7.2 detik Percobaan user ke-4 6.2 detik Percobaan user ke-4 Percobaan user ke-5 7.8 detik Percobaan user ke-5 6.7 detik Percobaan user ke-6 6.8 detik Percobaan user ke-6 5.4 detik Percobaan user ke-7 5.4 detik Percobaan user ke-7 Percobaan user ke-8 6.6 detik Percobaan user ke-8 Percobaan user ke-9 7.1 detik Percobaan user ke-9 Percobaan user ke-10 5.7 detik Percobaan user ke-10 Rataan waktu eksekusi 6.49 detik Rataan waktu eksekusi 6.43 detik

Dari tabel diatas, dapat dilihat waktu eksekusi sistem dalam memberikan rekomendasi dengan fungsi cosine similarity yaitu sebesar 6.49 detik, sedangkan waktu eksekusi sistem dalam memberikan rekomendasi dengan fungsi pearsoncorrelation similarity yaitu sebesar 6.43 detik. Keseluruhan hasil waktu eksekusi yang diperoleh lebih besar dibandingkan dengan hasil waktu eksekusi pada penelitian Nuryunita (2012), yaitu sebesar 1.57 detik. Hal ini disebabkan karena pada penelitian ini menggunakan empat buah kriteria sebagai input rating, sehingga data diproses menjadi lebih besar dan lebih kompleks. Tahapan evaluasi berikutnya yaitu melakukan perhitungan akurasi sistem. Berdasarkan hasil prediksi rating user dan rating user yang sebenarnya, selanjutnya akan dihitung nilai Mean Absolute Error (MAE) pada sistem perekomendasi. MAE dihitung pada setiap kriteria wisata alam, yaitu accesibility sebagai kriteria 1, facility sebagai kriteria 2, satisfaction sebagai kriteria 3, dan budget sebagai kriteria 4. MAE dihitung pada setiap hasil rekomendasisetiap metode similarity yang digunakan, yaitu cosine similarity dan pearson-correlation similarity. Hasil perhitungan MAE dengan metode cosine similarity dan pearson correlationsimilarity ditunjukkan pada Tabel 14. Tabel 14 Hasil MAE Metode Cosine Similarity PearsonCorrelation Similarity

Kriteria 1

Kriteria 2

Kriteria 3

Kriteria 4

AVG

0.45

0.5

0.5

0.65

0.525

2

1

1

1

1.25

26 Dari hasil MAE pada dua tabel diatas, dapat dilihat bahwa nilai MAE menggunakan cosine similarity memiliki nilai lebih rendah dibandingkan dengan menggunakan pearson-correlation similarity. Hal ini disebabkan karena rekomendasi dengan metode cosine similarity lebih menghasilkan banyak pasangan similarity dan rekomendasi dibandingkan dengan rekomendasi pearson-correlation similarity. Banyaknya hasil similarity dan rekomendasi yang dihasilkan disebabkan oleh tidak adanya syarat khusus dalam menghitung similarity antar 2 wisata alam. Berdasarkan hasil MAE ini, hasil rekomendasi dengan cosine similarity dinilai telah memberikan akurasi yang cukup baik. Sebaliknya, hasil perhitungan MAE pada hasil rekomendasi menggunakan pearson-correlation similarity terlihat cukup besar. Hal ini disebabkan kurangnya data pasangan similarity yang dihasilkan, yang berimbas pada kurangnya rekomendasi yang dihasilkan, karena adanya syarat khusus dalam menghitung similarity antar wisata alam, yaitu metode ini tidak akan menghitung user yang belum melakukan rating. Karena minimnya data yang dihasilkan, perbedaan hasil pasangan simiarity dapat mempengaruhi besarnya MAE (Swannson et al. 2010). Selain itu, berdasarkan hasil penelitian perbandingan MAE sejumlah metode similarity yang berbeda yang dilakukan oleh (Sarwar et al. 2010) menyatakan bahwa semakin besar ukuran data, maka semakin baik MAE.

SIMPULAN DAN SARAN Simpulan Sistem perekomendasi wisata alam berbasis mobile berhasil dibangun menggunakan pendekatan multi criteria rating dengan metode item-based collaborative filtering. Sistem perekomendasi mampu menampilkan rekomendasi wisata alam dari total 21 wisata alam dengan empat kriteria rating, yaitu accesibility, facility, satisfaction, dan budget pada setiap user berdasarkan sejumlah rating user sebelumnya. Sistem ini mampu menampilkan rekomendasi menggunakan dua buah fungsi similarity yaitu cosine similarity dan pearson-correlation similarity. Sistem ini menghasilkan hasil evaluasi yang cukup baik pada metode cosine similarity, namun kurang begitu baik pada metode pearson-correlation similarity yang disebabkan karena minimnya data pasangan similarity yang dihasilkan. Sistem ini diharapkan dapat memberikan informasi dan rekomendasi yang lebih baik tentang wisata alam Kabupaten Bogor kepada masyarakat khususnya wisatawan.

Saran Penelitian ini masih dapat dikembangkan dengan sejumlah metode berbeda, seperti menggunakan metode multi-dimensional metric distance ataupun metode regresi untuk menentukan nilai similarity pada setiap kriteria rating. Selain itu, jumlah kriteria bisa ditambahkan guna meningkatkan spesifikasi similarity pada tiap user. Pada pemrosesan algoritme dalam memberikan rekomendasi, masih bisa dilakukan optimisasi kueri pada sistem backend, karena besarnya waktu komputasi yang dibutuhkan untuk mengolah kueri untuk memberikan rekomendasi.

27

DAFTAR PUSTAKA Adomavicius G, Kwon Y. 2007. New recommendation techniques for multicriteria rating systems. IEEE Intelligent Systems. 1(1): 48-55. Berka T. Plößnig M. 2011. Designing recommeder system for tourism. Salzburg Research. Salzburg (AUT): Salzburg University. Booch G, Rumbaugh J, Jacobson I. 1998. The Unified Modeling Language User Guide [Internet]. [diunduh 2014 Des 1]. 1(1): 87-90. Tersedia pada: http://meusite.mackenzie.com.br/rogerio/the-unified-modeling-language-userguide.9780201571684.997.pdf Daulay BA. 2007. Analisis kinerja usaha pariwisata alam di wilayah kph bogor, kasus wana wisata curug panjang, wana wisata kawah ratu, dan wana wisata curug cihurang [skripsi]. Bogor (ID): Institut Pertanian Bogor. [DKPKB] Dinas Kebudayaan dan Pariwisata Kabupaten Bogor. 2016. Discover Bogor Regency. Bogor (ID): DKPKB. Ekstrand MD, Riedl JT, Konstan JA. 2011. Collaborative Filtering Recommender Systems. Foundation and Trends in Human-Computer Interaction. 4(2):94. [IBM] International Bussines Machine. 2011. Rational Unified Process: Best Practices for Software Development Teams. Rational Software White Paper. 17. Kangas S. 2002. Collaborative Filtering and Recommendation Systems. Project Research Report, VTT Information Technology. Khotimah H. 2014. Pemodelan hybrid tourism recommendation menggunakan hidden markov dan text mining berbasis data sosial media [tesis]. Bogor (ID): Institut Pertanian Bogor. Naumann F. 2013. Similarity Measures. Research Report: Data Profiling and Data Cleansing. Postdam (DE) : Postdam University. Nuryunita K. 2012. Pembuatan modul rekomendasi pada opencart menggunakan metode item-based collaborative filtering [skripsi]. Bogor (ID): Institut Pertanian Bogor. Prasetyo H. 2015. Sistem perekomendasi wisata alam kabupaten bogor menggunakan metode item-based collaborative filtering [skripsi]. Bogor (ID): Institut Pertanian Bogor. Puntodewo AL. 2007. Analisis dan rekomendasi marka grafis ditinjau dari fungsi directional, identifying informational, dan restrictive (studi kasus: sistem informasi visual pariwisata kota bogor [tesis]. Bandung (ID): Institut Teknologi Bandung. Purnamasari Q. 2004. Kajian pengembangan produk wisata alam berbasis ekologi di wilayah wana wisata curug cilember kabupaten bogor [skripsi]. Bogor (ID): Institut Pertanian Bogor. [RI] Republik Indonesia. 2009. Undang - Undang No. 10 Tahun 2009 tentang Kepariwisataan. Lembaran Negara RI Tahun 2009, No.117. Jakarta (ID): Sekretariat Negara. Sarwar B, Karypis G, Konstan J, Riedl J. 2001. Item-Based Collaborative Filtering Recommendation Algorithms. Di dalam: Sarwar B, Karpys G, editor. Proceedings of the 10th International World Wide Web Conference [internet]. [Waktu dan tempat pertemuan tidak diketahui]. New York (US): Grouplens.

28 285-295; [Diunduh 2016 Nov 7]. Tersedia pada: files.grouplens.org/papers/ www10_sarwar.pdf [SCGS] StatCounter Global Stats. 2016. Top 8 Mobile and Tablet Operating System in Indonesia from Aug 2015 to Aug 2016 [Internet]. [diunduh 2016 Sep 5]. Tersedia pada: http://gs.statcounter.com/#mobile+tablet-os-ID-monthly201411-201511. Stange J, Brown D. 2013. Tourism Destination Management: Achieving Sustainable Competitive Result. Online Tool Kit and Resource Series. Washington DC (US) : George Washington University. Swannson DA, Tayman J, Bryan TM. 2010. MAPE-R: A Rescaled Measure of Accuracy for Cross-Sectional Forecasts. Project Research Report. California (US): University of California. Wei F. 2013. Compendium Of Best Practices In Sustainable Tourism. United Nations Conference on Sustainable Tourism Development. New York (US): UNDESA. Weinschenk SM. 2011. 100 Things Every Designer Need To Know About People. California (US): New Riders. Wells MP. 1997. Economic perspective on nature tourism, conservation, and development. Washington DC. (US): Environmental Economic Series.

29 LAMPIRAN Lampiran 1 Tabel data wisata alam No 1

2 3 4 5

6

7

8 9

10 11

12 13 14 15 16

Nama Wisata Alam

Alamat

Jalan Raya Puncak Cisarua KM 10, Megamendung, Bogor, Jawa Barat. Jalan Raya Puncak No. 601, Taman Safari Cisarua, Bogor, Jawa Barat. Jalan Bojong Koneng, Babakan Curug Bidadari Madang, Bogor, Jawa Barat. Wisata Agro Jalan Raya Puncak, Kotak Pos 6 Gunung Mas Cisarua, Bogor, Jawa Barat Kampung Wisata Jalan Babakan Kemang, Kecamatan Ciampea, Bogor, Cinangneng Jawa Barat Taman Wisata Jalan Raya Puncak, KM. 77 Cilember, Jogojan, Cisarua, Matahari Bogor, Jawa Barat. Taman Gunung Jl. Raya Cipanas, Kecamatan Kabandungan, Kabupaten Halimun Salak Sukabumi, Bogor, Jawa Barat Jalan Raya Cisarua, Desa Tugu, Telaga Warna Kabupaten Bogor, Jawa Barat Ekowisata Bodogol Jalan Raya Bogor, Lido, Resort PPKAB Taman Nasional Gunung Gede Pangrango Penangkaran Rusa Jalan Desa Buangjaya, Bogor, Jawa Barat Kampung Budaya Jalan. Endang Sumawijaya, Sindang Barang, Kecamatan Sindang Barang Tamansari, Jawa Barat Wisata Desa Jl. Desa Ciburayut, Kecamatan Kampung Bambu Cigombong, Jawa Barat, Taman Wisata Jl. Raya Cileungsi - Jonggol KM Mekarsari 3, Jawa Barat Kebun Wisata Jl. Raya Tajur Pasirmukti Pasir Mukti Citeureup, Jawa Barat Telaga Malimping Jl. Kolonel Bustomi Burhanudin, Cigombong, Jawa Barat Wisata Air Panas Kampung Karang Tengan, Kecamatan Babakan Madang, Gunung Pancar Jawa Barat Curug Cilember

Kontak (0251)8258890

(0251)8250000 089513615397 -

-

-

-

-

-

30 Lampiran 1 Lanjutan No

Nama Wisata Alam

17

20

Wisata Air Panas Tirta Ciseeng Cibalung Happy Land Taman Rekreasi Lido Melrimba Garden

21

Bukit Gantole

18 19

Alamat

Kontak

Jalan Raya Cogreg, Bojong Indah, Parung, Jawa Barat Jalan. Cihideung, Cijeruk, Bogor, Jawa Barat Jalan Raya Danau Lido, Bogor, Jawa Barat Jalan Raya Puncak KM 87, Tugu Utara, Cisarua, Jawa Barat. Jalan Raya Puncak, Riung Gunung, Kecamatan Cisarua, Desa Tugu Utara

(0263) 523205 -

31 Lampiran 2 Use case description SPWAKB Use case description memberikan review pada wisata alam Memberikan review pada wisata alam Member memberikan review yang terdiri dari rating sejumlah kriteria wisata alam dan komentar wisata alam Trigerring Event Sistem menampilkan empat buah ratingbar yang terdiri Brief Description dari accesibility, facility, satisfaction, dan budget serta satu buah edittext yang berfungsi sebagai field komentar Member Actors - Include : Registrasi member Related Use case - Include : Login member - User telah terdaftar sebagai member Preconditions - Member telah melakukan login - Melihat daftar dan deskripsi wisata alam. Postconditions - Melihat review sejumlah wisata alam Aktor Sistem Flow of Activities 1 Member melakukan 1.1 Sistem melakukan login validasi terhadap data member yang teridiri dari username dan password 1.2a Sistem mengarahkan member ke halaman daftar wisata alam 2 Member memlilih 2.1 Sistem mengarahkan salah satu daftar member pada halaman wisata alam deskripsi wisata alam 3 Member memilih 3.1 Sistem mengarahkan button “Choose Your member ke dialog Rate” window yang berisi 4 buah ratingbar dan text editor sebagai komentar member 4. Member mengisi 4.1 Sistem mengirimkan keempat ratingbar data review (rating dan text editor, lalu dan komentar) milik menekan button member ke basis “Rate It” data. 4.2 Sistem melakukan update matriks rating 5. Member mendapat member dan pasangan notifikasi bahwa similarity review berhasil ditambahkan Exception Conditions 1.2b Jika input data user ada pada sistem basis data dan sesuai, maka login berhasil. 1.2c Jika input data user ada pada sistem basis data dan tidak sesuai, maka login gagal Use Case Name Scenario

32 Lampiran 2 Lanjutan Use case description mendapatkan rekomendasi Mendapatkan rekomendasi Member mendapatkan rekomendasi wisata alam Member memilih menu Recommended Sistem perekomendasi menghitung similarity antar wisata alam berdasarkan himpunan rating member pada wisata alam tersebut. Selanjutnya, wisata alam yang memiliki similarity tertinggi akan dibandingkan terlebih dahulu dengan data rating member sebelum direkomendasikan Member Actors - Include : Registrasi dan Login member Related Use case - Include : Melakukan review wisata alam - User telah menjadi member dan telah login. Preconditions - Member telah me-rating minimal satu wisata alam. - Memperbarui matriks data rating pada python. - Memperbarui hasil similarity wisata alam. - Member mendapatkan rekomendasi wisata alam. Postconditions - Member melihat daftar dan deskrispi wisata alam. - Member melihat review wisata alam. Aktor Sistem Flow of Activities 1 Member melakukan 1.1 Sistem melakukan login pada sistem. validasi pada data member (username dan password). 1.2 Sistem mengarahkan user pada halaman daftar wisata alam. 2 Member memilih menu 2.1 Sistem memeriksa Recommended. apakah member telah memiliki setidaknya satu rating wisata alam. 2.2 Sistem melakukan perbandingan antara data rating member dengan pasangan similarity wisata alam. 2.3a Sistem memberikan rekomendasi wisata alam yang memiliki similarity yang mirip dengan wisata alam yang sudah di rating Exception Conditions 2.3b Jika member belum pernah melakukan rating pada wisata alam, maka sistem tidak akan menampilkan rekomendasi Use Case Name Scenario Trigerring Event Brief Description

33 Lampiran 2 Lanjutan Use case description melihat panduan sistem Use Case Name Scenario

Trigerring Event Brief Description Actors Related Use case Preconditions Postconditions

Flow of Activities

Exception Conditions

Melihat panduan sistem User melihat menu yang berisi petunjuk mengenai sistem perekomendasi wisata alam pada halaman getting started dan menu help User meluncurkan aplikasi untuk pertama kalinya agar menu getting started muncul Sistem menampilkan sejumlah panduan terkait sistem Member dan non-member - Registrasi dan login user - Melihat daftar dan deskripsi wisata alam. - Memberikan review (berupa rating dan komentar) dengan syarat telah menjadi member - Melihat review sejumlah wisata alam Aktor Sistem 1 User meluncurkan 1.1a Sistem menampilkan sistem untuk menu getting started pertama kalinya 2 Non-member 2.1 Sistem mengarahkan memilih menu member dan nonwhat’s trending, member ke halaman sementara member daftar wisata alam melakukan login 3 User (member dan 3.1 Sistem mengarahkan non-member) user pada halaman memilih menu help help 4 User melihat sejumlah panduan terkait sistem 1.1b Jika user sudah menutup halaman getting started, maka menu tersebut tidak akan terbuka lagi, sehingga untuk melihat panduan sistem, maka user cukup melihatnya pada menu help.

34 Lampiran 2 Lanjutan Use case description melihat daftar dan deskripsi wisata alam Use Case Name Scenario Trigerring Event Brief Description Actors Related Use case Preconditions Postconditions

Flow of Activities

Exception Conditions

Melihat daftar dan deskripsi wisata alam Pengguna melihat daftar dan deskripi wisata alam Sistem menyediakan sejumlah daftar wisata alam beserta deskripsi setiap wisata alam Member dan non-member - Melihat daftar dan deskripsi wisata alam. - Melakukan review (rating dan komentar) terhadap wisata alam. - Melihat review (rating dan komentar) sejumlah user terhadap wisata alam. - Mendapatkan rekomendasi wisata alam. Aktor Sistem 1 Non-member memilih 1.1 Sistem mengarahkan menu what’s trending? non-member dan sedangkan member member ke halaman telah melakukan login daftar wisata alam 2 Non-member dan 2.1 Sistem mengarahkan member memilih salah ke halaman deskripsi satu daftar wisata alam wisata alam 3 Non-member dan member melihat deskripsi wisata alam -

35 Lampiran 2 Lanjutan Use case description melihat review wisata alam Use Case Name Scenario

Trigerring Event Brief Description

Actors Related Use case Preconditions Postconditions

Flow of Activities

Exception Conditions

Melihat review wisata alam Pengguna melihat review sejumlah member yang terdiri dari rating dan komentar pada setiap wisata alam Sistem menampilkan review sejumlah user pada setiap wisata alam yang terdiri dari rating dan komentar Member dan non-member - Melihat daftar dan deskripsi wisata alam. - Memberikan review (berupa rating dan komentar) dengan syarat telah menjadi member Aktor Sistem 1 Non-member 1.1 Sistem mengarahkan memilih menu non-member dan what’s trending member ke halaman sedangkan Member daftar wisata alam telah melakukan login 2 Non-member dan 2.1 Sistem mengarahkan member memilih ke halaman deskripsi salah satu daftar wisata alam wisata alam 3 Non-member dan 3.1a Sistem mengarahkan member memilih ke halaman other’s menu other’s review review 4 Non-member dan member melihat sejumlah review user di wisata alam tertentu 3.1b Jika wisata alam belum pernah di review, maka halaman other’s review kosong

36 Lampiran 2 Lanjutan Use case description login member Use Case Name Scenario Trigerring Event Brief Description

Actors Related Use case Preconditions Postconditions

Flow of Activities

Exception Conditions

Login member. Pengguna mendaftarkan diri dan masuk ke dalam sistem dengan memasukkan username dan password. Sistem menyediakan login form bagi user yang sudah terdaftar sebagai member. User diminta memasukkan username dan password sebagai identitas yang akan diautentikasi oleh sistem. Member - Melakukan registrasi imember - Melihat daftar dan deskripsi wisata alam. - Melakukan review terhadap wisata alam. - Melihat review sejumlah user pada wisata alam. - Mendapatkan rekomendasi wisata alam. Aktor Sistem 1 User mengisi 1.1 Validasi terhadap username dan username dan password pada password. halaman registrasi. 1.2a Mengarahkan user ke halaman login dan memberi notifikasi bahwa registrasi berhasil. 2 User mengisi username 2.1 Mengarahkan user dan password yang ke halaman daftar telah di registrasikan. wisata alam dan memberi notifikasi bahwa login sukses 1.2b Jika username dan password yang diberikan user ada pada sistem basis data namun tidak sesuai, maka sistem memberi tahu bahwa username atau password yang diberikan salah. 1.2c Jika username dan password yang diberikan user ada pada sistem basis data namun data username sama dengan user lain, maka sistem memberi tahu bahwa username sudah dipakai. 1.2d Jika username dan password yang diberikan user tidak ada pada sistem basis data, maka sistem memberi tahu bahwa username atau password yang diberikan tidak terdaftar.

37 Lampiran 2 Lanjutan Use case description registrasi member Use Case Name Scenario

Trigerring Event Brief Description

Actors Related Use case Preconditions Postconditions

Flow of Activities

Exception Conditions

Registrasi member. Pengguna mendaftarkan diri dan masuk ke dalam sistem dengan memasukkan username dan password. Sistem menyediakan register form bagi user yang ingin mendaftar sebagai member. User diminta memasukkan username dan password sebagai identitas yang akan diautentikasi oleh sistem Non-member -. - Melakukan login - Melihat daftar dan deskripsi wisata alam. - Melakukan review terhadap wisata alam. - Melihat review sejumlah user terhadap wisata alam - Mendapatkan rekomendasi wisata alam. Aktor Sistem 1 User mengisi 1.1 Validasi terhadap username dan username dan password pada password yang halaman registrasi diberikan 1.2a Mengarahkan user ke halaman login dan memberi notifikasi bahwa registrasi berhasil 2.1 Mengarahkan user ke 2 User mengisi data halaman daftar username dan wisata alam dan password yang telah memberi notifikasi di registrasikan bahwa login sukses 1.2b Jika username dan password yang diberikan user ada pada sistem basis data namun tidak sesuai, maka sistem memberi tahu bahwa username atau password yang diberikan salah 1.2c Jika username dan password yang diberikan user ada pada sistem basis data namun username sama dengan user lain, maka sistem memberi tahu bahwa username sudah dipakai 1.2d Jika username dan password yang diberikan user tidak ada pada sistem basis data, maka sistem memberi tahu bahwa username atau password yang diberikan tidak terdaftar dan

38 Lampiran 2 Lanjutan Use case description memperbarui data wisata alam Use Case Name Scenario

Trigerring Event Brief Description Actors Related Use case Preconditions Postconditions Flow of Activities

Memperbarui data wisata alam Admin memperbarui data wisata alam seperti menambahkan, mengubah, dan menghapus data wisata alam Admin melakukan pembaruan data wisa alam Admin Aktor Sistem 1 Admin membuka 1.1 Sistem menampilkan aplikasi web server list tabel basis data (PHPMyadmin) 2 Admin membuka 2.1 Sistem mengarahkan tabel sistem utama admin kedalam basis (wisatalahbogor2) data sistem utama 3 Admin melakukan 3.1 Sistem menampilkan pengolahan data field data wisata alam wisata alam, seperti pada admin, dan menambahkan, mengkonfirmasi mengubah, dan pilihan yang dibuat menghapus data oleh admin terkait data wisata alam wisata alam tersebut

39 Lampiran 3 Activity diagram SPWAKB

Activity diagram memberikan review

Activity diagram mendapatkan rekomendasi

40

Lampiran 3 Lanjutan

Activity diagram melihat panduan sistem

Activity diagram melihat daftar dan deskripsi wisata alam

41 Lampiran 3 Lanjutan

Activity diagram melihat review wisata alam

Activity diagram registrasi member

42 Lampiran 3 Lanjutan

Activity diagram login member

Activity diagram memperbarui data wisata alam

43 Lampiran 4 Implementasi kueri kueri pada DbHandler

44 Lampiran 4 Lanjutan

45 Lampiran 5 Implementasi Eksekusi kueri pada Index

46 Lampiran 5 Lanjutan

47 Lampiran 5 Lanjutan

48 Lampiran 5 Lanjutan

49 Lampiran 5 Lanjutan

50 Lampiran 6 Implementasi layout

Sign up page

Help menu

Rating input window

Other’s user review

51 Lampiran 7 Tabel hasil cosine similarity setiap kriteria

w1 w2 w3 w4 w5 w6 w7 w8 w2 w2 w2 w2 w2 w1 w2 w3 w4 w5

w1 w2 w3 w4 w5 w6 w7 w8 w2 w2 w2 w2 w2 w1 w2 w3 w4 w5

Similarity Kriteria ke-1 (Accesibility) w2 0.490 w3 w7 0.392 w3 0.286 w3 w8 0.248 w4 0.232 w3 w9 0.129 w5 0.446 w4 w5 0.167 w6 0.425 w4 w6 0.618 w7 0.444 w4 w7 0.578 w8 0.299 w4 w8 0.443 w9 0.487 w4 w9 0.210 w3 0.541 w5 w6 0.396 w4 0.719 w5 w7 0.000 w5 0.206 w5 w8 0.377 w6 0.458 w5 w9 0.000 w7 0.671 w6 w7 0.000 w2 0.199 w6 w8 0.494 w3 0.108 w6 w9 0.000 w4 0.571 w7 w8 0.000 w5 0.514 w7 w9 0.672 w6 0.368 w8 w9 0.000

Similarity Kriteria ke-2 (Facility) w2 0.575 w3 w7 w3 0.354 w3 w8 w4 0.448 w3 w9 w5 0.451 w4 w5 w6 0.709 w4 w6 w7 0.228 w4 w7 w8 0.520 w4 w8 w9 0.182 w4 w9 w3 0.523 w5 w6 w4 0.430 w5 w7 w5 0.082 w5 w8 w6 0.572 w5 w9 w7 0.431 w6 w7 w2 0.424 w6 w8 w3 0.172 w6 w9 w4 0.688 w7 w8 w5 0.473 w7 w9 w6 0.229 w8 w9

0.299 0.176 0.317 0.359 0.301 0.236 0.279 0.244 0.620 0.000 0.552 0.000 0.000 0.899 0.000 0.000 0.705 0.000

52 Lampiran 7 Lanjutan Similarity Kriteria ke-3 (Satisfaction) w1 w2 0.299 w3 w7 0.392 w2 w3 0.355 w3 w8 0.352 w3 w4 0.229 w3 w9 0.468 w4 w5 0.589 w4 w5 0.212 w5 w6 0.452 w4 w6 0.475 w6 w7 0.382 w4 w7 0.416 w7 w8 0.216 w4 w8 0.357 w8 w9 0.213 w4 w9 0.268 w2 w3 0.342 w5 w6 0.366 w2 w4 0.589 w5 w7 0.000 w2 w5 0.121 w5 w8 0.350 w2 w6 0.434 w5 w9 0.000 w2 w7 0.620 w6 w7 0.100 w1 w2 0.222 w6 w8 0.777 w2 w3 0.132 w6 w9 0.071 w3 w4 0.439 w7 w8 0.000 w4 w5 0.646 w7 w9 0.707 w5 w6 0.404 w8 w9 0.000

w1 w2 w3 w4 w5 w6 w7 w8 w2 w2 w2 w2 w2 w1 w2 w3 w4 w5

Similarity Kriteria ke-4 (Budget) w2 0.324 w3 w7 0.254 w3 0.290 w3 w8 0.225 w4 0.217 w3 w9 0.492 w5 0.316 w4 w5 0.183 w6 0.237 w4 w6 0.603 w7 0.723 w4 w7 0.243 w8 0.173 w4 w8 0.420 w9 0.407 w4 w9 0.424 w3 0.581 w5 w6 0.654 w4 0.637 w5 w7 0.000 w5 0.288 w5 w8 0.291 w6 0.448 w5 w9 0.000 w7 0.477 w6 w7 0.000 w2 0.188 w6 w8 0.731 w3 0.370 w6 w9 0.000 w4 0.504 w7 w8 0.000 w5 0.229 w7 w9 0.506 w6 0.464 w8 w9 0.000

53 Lampiran 7 Lanjutan

w1 w2 w3 w4 w5 w6 w7 w8 w2 w2 w2 w2 w2 w1 w2 w3 w4 w5

Similarity Kriteria keseluruhan w2 0.340 w3 w7 w3 0.322 w3 w8 w4 0.326 w3 w9 w5 0.499 w4 w5 w6 0.476 w4 w6 w7 0.464 w4 w7 w8 0.271 w4 w8 w9 0.411 w4 w9 w3 0.421 w5 w6 w4 0.691 w5 w7 w5 0.186 w5 w8 w6 0.572 w5 w9 w7 0.520 w6 w7 w2 0.295 w6 w8 w3 0.281 w6 w9 w4 0.596 w7 w8 w5 0.515 w7 w9 w6 0.450 w8 w9

0.366 0.169 0.398 0.263 0.544 0.405 0.321 0.331 0.600 0.000 0.284 0.000 0.000 0.747 0.000 0.000 0.718 0.000

54 Lampiran 8 Tabel hasil Pearson - Correlation Similarity setiap kriteria w1 w2 w3 w4 w5 w6 w7 w8 w2 w2 w2 w2 w2 w1 w2 w3 w4 w5

Similarity Kriteria ke-1 (Accesibility) w2 -0.055 w3 w7 -1.000 w3 -0.837 w3 w8 0.196 w4 -0.208 w3 w9 -1.000 w5 -0.968 w4 w5 -1.000 w6 0.537 w4 w6 0.971 w7 1.000 w4 w7 -0.091 w8 -0.316 w4 w8 0.043 w9 1.000 w4 w9 -0.868 w3 0.925 w5 w6 -0.711 w4 0.000 w5 w7 (not counted) w5 -1.000 w5 w8 -1.000 w6 -0.447 w5 w9 (not counted) w7 0.519 w6 w7 (not counted) w2 -1.155 w6 w8 0.711 w3 -1.000 w6 w9 (not counted) w4 -0.193 w7 w8 (not counted) w5 1.000 w7 w9 0.895 w6 -0.362 w8 w9 (not counted)

w1 w2 w3 w4 w5 w6 w7 w8 w2 w2 w2 w2 w2 w1 w2 w3 w4 w5

w2 w3 w4 w5 w6 w7 w8 w9 w3 w4 w5 w6 w7 w2 w3 w4 w5 w6

Similarity Kriteria ke-2 (Facility) -0.708 w3 w7 -1.000 0.740 w3 w8 -0.822 0.417 w3 w9 -1.000 -0.889 w4 w5 1.000 0.459 w4 w6 -0.764 -1.000 w4 w7 -0.620 0.335 w4 w8 -0.950 -1.000 w4 w9 -0.381 0.028 w5 w6 0.142 0.374 w5 w7 (not counted) 1.000 w5 w8 0.033 0.758 w5 w9 (not counted) 0.809 w6 w7 (not counted) 1.291 w6 w8 0.954 1.000 w6 w9 (not counted) 0.736 w7 w8 (not counted) 1.000 w7 w9 1.000 -0.881 w8 w9 (not counted)

55 Lampiran 8 Lanjutan

w1 w2 w3 w4 w5 w6 w7 w8 w2 w2 w2 w2 w2 w1 w2 w3 w4 w5

Similarity Kriteria ke-3 (Satisfaction) w2 0.316 w3 w7 1.000 w3 0.394 w3 w8 -0.919 w4 -0.690 w3 w9 1.000 w5 -0.196 w4 w5 -1.000 w6 -0.568 w4 w6 0.710 w7 -1.000 w4 w7 -0.032 w8 -1.000 w4 w8 0.814 w9 -1.000 w4 w9 0.346 w3 -0.657 w5 w6 -0.962 w4 0.479 w5 w7 (not counted) w5 1.000 w5 w8 -0.781 w6 -0.555 w5 w9 (not counted) w7 0.018 w6 w7 (not counted) w2 -1.000 w6 w8 0.853 w3 -1.000 w6 w9 (not counted) w4 -1.622 w7 w8 (not counted) w5 1.000 w7 w9 0.894 w6 -0.968 w8 w9 (not counted)

w1 w2 w3 w4 w5 w6 w7 w8 w2 w2 w2 w2 w2 w1 w2 w3 w4 w5

Similarity Kriteria ke-4 (Budget) w2 -0.348 w3 w7 -1.000 w3 0.996 w3 w8 0.922 w4 -0.750 w3 w9 1.000 w5 -0.874 w4 w5 -0.167 w6 0.499 w4 w6 0.429 w7 1.000 w4 w7 -0.862 w8 -1.000 w4 w8 0.999 w9 -1.000 w4 w9 0.919 w3 -0.395 w5 w6 -0.990 w4 -0.014 w5 w7 (not counted) w5 1.000 w5 w8 -0.217 w6 -0.428 w5 w9 (not counted) w7 0.558 w6 w7 (not counted) w2 -1.291 w6 w8 0.318 w3 1.000 w6 w9 (not counted) w4 0.046 w7 w8 (not counted) w5 -1.000 w7 w9 -1.000 w6 0.621 w8 w9 (not counted)

56 Lampiran 8 Lanjutan

w1 w2 w3 w4 w5 w6 w7 w8 w2 w2 w2 w2 w2 w1 w2 w3 w4 w5

w2 w3 w4 w5 w6 w7 w8 w9 w3 w4 w5 w6 w7 w2 w3 w4 w5 w6

Similarity Keseluruhan 0.522 w3 w7 -0.255 w3 w8 -0.720 w3 w9 -0.965 w4 w5 -0.018 w4 w6 1.000 w4 w7 -1.000 w4 w8 0.091 w4 w9 -0.550 w5 w6 0.640 w5 w7 -0.197 w5 w8 -0.908 w5 w9 0.656 w6 w7 0.266 w6 w8 1.000 w6 w9 -0.171 w7 w8 1.000 w7 w9 -0.607 w8 w9

-1.000 -0.256 -1.000 1.000 0.122 -0.732 0.0302 (not counted) -0.664 (not counted) -0.983 (not counted) (not counted) 0.919 (not counted) (not counted) 0.981 (not counted)

57 Lampiran 9 Tabel pengujian fitur sistem keseluruhan Kode Fungsional SPWAKB-01 SPWAKB-02

SPWAKB-03

SPWAKB-04

SPWAKB-05

SPWAKB-06

SPWAKB-07

SPWAKB-08

Skenario

Deskripsi

Member berhasil Melakukan autentikasi Non-member berhasil Sign up nonMelakukan registrasi member pada sistem Sistem berhasil menampilkan sejumlah Menampilkan daftar wisata alam daftar dan dengan detail yang deskripsi wisata terdiri dari foto, alam alamat, deskripsi, dan peta wisata alam Sistem berhasil Menampilkan review Menampilkan user dalam bentuk review user rating dan komentar pada wisata alam tertentu Sistem berhasil menampilkan panduan Menampilkan sistem yang terdiri dari panduan sistem menu getting started dan menu help Sistem berhasil Memberikan menerima data rating review dan komentar member pada suatu wisata alam Sistem berhasil menampilkan wisata alam baru yang Menampilkan memiliki keterkaitan Rekomendasi tinggi dengan wisata alam yang sudah pernah di rating Sistem berhasil menambahkan data Menambahkan wisata alam baru data wisata alam seperti nama, alamat, gambar, deskripsi, dan peta lokasi. Login member

Hasil Berhasil Berhasil

Berhasil

Berhasil

Berhasil

Berhasil

Berhasil

Berhasil

58

RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 28 Februari 1994 yang merupakan anak kedua dari tiga bersaudara dengan Ayah bernama Afif dan Ibu bernama Painten. Pada tahun 2009, penulis menempuh pendidikan menengah atas di SMA Negeri 1 Jakarta dan masuk program IPA. Pada tahun 2012, penulis lulus dari SMA Negeri 1 Jakarta dan diterima di Departemen Ilmu Komputer Institut Pertanian Bogor melalui jalur SNMPTN Undangan di tahun yang sama. Pada masa perkuliahan, penulis aktif menjadi wakil ketua Himpunan Mahasiswa Ilmu Komputer. Pada pertengahan tahun 2015, penulis melaksanakan kegiatan praktik kerja lapangan (PKL) di Sekretariat Direktorat Jendral Sumber Daya dan Perangkat Pos dan Informatika di bagian Penyusunan dan Pelaporan Program, atau dikenal sebagai SetDitjen SDPPI yang merupakan salah satu divisi Kementrian Komunikasi dan Informatika.