Prediksi penjualan helm menggunakan algoritma naïve bayesian (studi kasus : distribusi perusahaan XYZ di wilayah Jawa Tengah dan Daerah Istimewa Yogyakarta).

(1)

ABSTRAK

Dalam organisasi yang berorientasi pada profit, kegiatan usaha yang dilakukan diharapkan dapat berlangsung secara terus menerus untuk jangka waktu yang lama, bahkan kegiatan usaha tersebut diharapkan juga mengalami peningkatan dari segi aktivitas operasi maupun laba yang diperoleh. Salah satu cara untuk membuat produksi yang baik dalam suatu perusahaan adalah dengan melakukan estimasi terhadap pasar potensial yang dikuasai oleh perusahaan. Sebelum perusahaan menanamkan investasi untuk perluasan usaha baru, maka terlebih dahulu perlu diketahui apakah proyek atau investasi yang akan dilakukan dapat mengembalikan uang yang telah diinvestasikan dalam proyek tersebut, dengan jangka waktu tertentu.

Dari data penjualan produk helm tersebut bisa dimanfaatkan untuk diolah menggunakan teknik penambangan data dengan menggunakan algoritma naïve bayesian. Algoritma naïve bayesian akan menghitung probabilitas posterior untuk setiap nilai kejadian dari atribut target pada setiap kasus (sampel data). Selanjutnya, naïve bayesian akan mengklasifikasikan sampel data tersebut ke kelas yang mempunyai nilai probabilitas posterior tertinggi.

Keluaran sistem adalah rekomendasi wilayah pendistribusian produk helm perusahaan xyz. Peneliti melakukan pengujian pada data set dengan jumlah 834 record data dan menggunakan fold bernilai 2 sampai 10 cross validation dengan tingkat rata-rata nilai akurasi yang dihasilkan dari data pengujian tersebut, yaitu sebesar 93 %.

Kata kunci : naïve bayesian, prediksi wilayah, cross validation

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(2)

ABSTRACT

In a profit oriented organization, business activities are carried out is expected to take place continuously for a long period of time, even the expected business activities also experienced an increase in terms of operating activities nor the profit obtained. One way to make a good production in a company is validation imation against potential market that is controlled by the company. Before implanting the company investments for the expansion of the new venture, so first I need to know whether the project or investment is going to do can return the money that has been invested in the project, with a specific time period.

From the helmet product sales data can be used for data mining techniques using with naïve bayesian algorithm uses. Naïve bayesian algorithm will calculate the posterior probability for each value of the target attribute occurrences in each case (sample data). Furthermore, the naïve bayesian will classify the sample data to the class that has the highest value of the posterior probability.

The output of the system is the recommendation product distribution area helmet company xyz. Researchers conduct tests on the data set with a total of 834 record data and use provisions 2 fold to 10 fold cross validation, with the average rate value accuracy resulting from the testing data, namely amounting to 93%. Keywords: naïve bayesian, prediction region, cross validation

(3)

PREDIKSI PENJUALAN HELM MENGGUNAKAN

ALGORITMA

NAÏVE BAYESIAN

(Studi Kasus : Distribusi Perusahaan XYZ di Wilayah Jawa

Tengah dan Daerah Istimewa Yogyakarta)

Skripsi

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Disusun oleh :

Carolus Benny Dwi Setiawan 115314018

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2015

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(4)

HELMET SELLING PREDICTION USING

NAÏVE BAYESIAN

ALGORITHMS

(Case Study : Distribution Of Xyz Company In Central Java And

Special Region Of Yogyakarta)

Thesis

Presented as Partial Fulfillment of the Requirements To Obtain the Sarjana Komputer Degree

In Informatics Engineering

By :

Carolus Benny Dwi Setiawan 115314018

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2015

(5)

HALAMAN PERSETUJUAN

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(6)

iii

(7)

PERNYATAAN KEASLIAN KARYA

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(8)

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

(9)

HALAMAN PERSEMBAHAN

Karya Skripsi ini Saya persembahan kepada :

1. Tuhan Yesus Kristus, yang selalu mendampingiku dalam menyelesaikan karya

skripsi ini.

2. Keluargaku, antara lain Alm. Bapak, Mamah, Om, Tante, Kakak, dan

Adikku yang selalu mendukungku baik berupa doa dan materi.

3. Calon pendamping hidupku dan keluarganya yang selalu mendoakan dan

memberikan semangat.

4. Para Dosen dan Teman-Teman Mahasiswa Teknik Informatika Universitas

Sanata Dharma yang menjadi relasi dan penolong selama Saya menjalankan studi.

5. Keluarga besar Universitas Sanata Dharma yang telah memberikan segala

pengalaman berharga dalam hidupku, yaitu ilumu atau pembelajaran dalam bidang apapun.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(10)

vii

HALAMAN MOTTO

Jika iman tidak disertai perbuatan

Maka iman itu pada hakekatnya adalah mati

( Yakobus 2:17 )

Jika pikiran saya bisa membayangkannya,

hati saya bisa meyakininya,

saya tahu saya akan mampu menggapainya

( Jesse Jackson )

Seberapa besar kesuksesan Anda bisa diukur dari seberapa kuat

keinginan Anda, setinggi apa mimpi-mimpi Anda, dan bagaimana

Anda memperlakukan kekecewaan dalam hidup Anda

( Robert Kiyosaki )

“Mintalah, maka akan diberikan kepadamu; Carilah, maka kamu akan mendapat; Ketoklah, maka pintu akan dibukakan bagimu. Karena setiap orang yang meminta, menerima, dan setiap orang yang mencari, mendapat, dan setiap orang

(11)

viii

ABSTRAK

Dalam organisasi yang berorientasi pada profit, kegiatan usaha yang dilakukan diharapkan dapat berlangsung secara terus menerus untuk jangka waktu yang lama, bahkan kegiatan usaha tersebut diharapkan juga mengalami peningkatan dari segi aktivitas operasi maupun laba yang diperoleh. Salah satu cara untuk membuat produksi yang baik dalam suatu perusahaan adalah dengan melakukan estimasi terhadap pasar potensial yang dikuasai oleh perusahaan. Sebelum perusahaan menanamkan investasi untuk perluasan usaha baru, maka terlebih dahulu perlu diketahui apakah proyek atau investasi yang akan dilakukan dapat mengembalikan uang yang telah diinvestasikan dalam proyek tersebut, dengan jangka waktu tertentu.

Dari data penjualan produk helm tersebut bisa dimanfaatkan untuk diolah menggunakan teknik penambangan data dengan menggunakan algoritma naïve bayesian. Algoritma naïve bayesian akan menghitung probabilitas posterior untuk setiap nilai kejadian dari atribut target pada setiap kasus (sampel data). Selanjutnya,

naïve bayesian akan mengklasifikasikan sampel data tersebut ke kelas yang mempunyai nilai probabilitas posterior tertinggi.

Keluaran sistem adalah rekomendasi wilayah pendistribusian produk helm perusahaan xyz. Peneliti melakukan pengujian pada data set dengan jumlah 834

record data dan menggunakan fold bernilai 2 sampai 10 cross validation dengan tingkat rata-rata nilai akurasi yang dihasilkan dari data pengujian tersebut, yaitu sebesar 93 %.

Kata kunci : naïve bayesian, prediksi wilayah, cross validation

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(12)

ABSTRACT

From the helmet product sales data can be used for data mining techniques using with naïve bayesian algorithm uses. Naïve bayesian algorithm will calculate the posterior probability for each value of the target attribute occurrences in each case (sample data). Furthermore, the naïve bayesian will classify the sample data to the class that has the highest value of the posterior probability.

(13)

KATA PENGANTAR

Puji dan syukur kepada Tuhan Yang Maha Esa yang telah mengaruniakan berkat dan rahmat-Nya sehingga penulis dapat menyelesaikan tugas akhir ini.

Dalam proses penulisan tugas akhir ini ada banyak pihak yang telah memberikan bantuan dan perhatian dengan caranya masing-masing sehingga tugas akhir ini dapat diselesaikan. Oleh karena itu penulis mengucapkan terima kasih kepada :

1. Ibu Paulina Heruningsih Prima Rosa, S.Si., M.Sc. selaku Dekan Fakultas

Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

2. Ridowati Gunawan, S.Kom., M.T. selaku dosen pembimbing yang telah

mendampingi dan memberikan banyak nasihat dan masukan untuk tugas akhir ini.

3. Ibu Paulina Heruningsih Prima Rosa, S.Si., M.Sc. dan Bapak Robertus Adi

Nugroho, S.T., M.Eng. selaku panitia penguji yang telah memberikan banyak kritik dan saran untuk tugas akhir ini.

4. Seluruh Dosen program studi Teknik Informatika Universitas Sanata

Dharma yang telah memberikan bekal ilmu, arahan, dan pengalaman selama penulis menempuh studi.

5. Seluruh staff Sekretariat Fakultas Sains dan Teknologi yang banyak

membantu penulis dalam urusan administrasi akademik terutama menjelang ujian tugas akhir dan yudisium.

6. Alm. Bapak Agustinus Sutarno, S.Pd. dan Ibu Theresia Sri Marsinah, S.E.,

FX Andy Prasetya, S.Teo. dan Fr. Cornelius Pandu Tri Waluyo, Pr, Bapak Agus Wijanarko, S.T dan Ibu Yulia W, dan Prapti Mahayuningsih, S.Pd.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(14)

yang merupakan keluarga saya, terima kasih untuk setiap cinta, kasih sayang, dan doa demi kelancaran penyelesaian tugas akhir ini.

(15)

xii

DAFTAR ISI

Halaman Judul

Halaman Judul (Bahasa Inggris) ... i

Halaman Persetujuan ... ii

Halaman Pengesahan ... iii

Halaman Pernyataan ... iv

Halaman Persetujuan Publikasi Karya Ilmiah ... v

Halaman Persembahan ... vi

Halaman Motto ... vii

Abstrak ... viii

Abstract ... ix

Kata Pengantar ... x

Daftar Isi ... xii

Daftar Gambar ... xv

Daftar Tabel ...xvii

Daftar Lampiran ... xviii

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah ... 1

1.2 Rumusan Masalah ... 3

1.3 Tujuan ... 3

1.4 Batasan Masalah ... 3

1.5 Metodologi Penelitian ... 4

1.6 Sistematika Pembahasan ... 5

BAB II LANDASAN TEORI 2.1 Penambangan Data ... 6

2.1.1 Pengertian Penambangan Data ... 6

2.1.2 Pengelompokan Penambangan Data ... 8

2.1.3 Klasifikasi ... 10

2.2 Teorema Bayesian ... 11

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(16)

xiii

2.2.1 Pengertian Teorema Bayesian ... 11

2.2.2 Klasifikasi NaïveBayesian ... 12

2.2.3 Contoh Kasus Klasifikasi Naïve Bayesian ... 14

2.2.4 Karakteristik Klasifikasi Naïve Bayesian ... 16

2.2.5 Kelebihan dan Kekurangan Klasifikasi Naïve Bayesian... 17

2.3 K-Fold Cross Validation ... 17

BAB III ANALISA DAN PERANCANGAN SISTEM 3.1 Analisis Sistem ... 18

3.2 Tahap-Tahap KDD ... 18

3.3 Analisis Kebutuhan Pengguna ... 21

3.3.1 Diagram Model Use Case ... 21

3.3.2 Tabel Ringkasan Use Case ... 21

3.3.3 Narasi Use Case ... 22

3.4 Diagram Aktivitas ... 29

3.4.1 Diagram Aktivitas Cetak Hasil Prediksi ... 29

3.4.2 Diagram Aktivitas Evaluasi Sistem ... 29

3.4.3 Diagram Aktivitas Prediksi Helm (Data Kelompok) .... 30

3.4.4 Diagram Aktivitas Prediksi Helm (Data Tunggal) ... 31

3.4.5 Diagram Aktivitas Input Data Training ... 32

3.5 Perancangan Struktur Data ... 32

3.5.1 Matriks Dua Dimensi ... 32

3.6 Penerapan Contoh Perhitungan Naïve Bayesian ... 34

3.7 Perancangan Antar Muka ... 36

3.7.1 Perancangan Halaman Awal ... 36

3.7.2 Perancangan Halaman Utama ... 36

3.7.3 Perancangan Halaman Input Data Training ... 37

3.7.4 Perancangan Halaman Prediksi Helm (Data Kelompok)... 38

3.7.5 Perancangan Halaman Prediksi Helm (Data Tunggal) ... 38

(17)

xiv

3.7.6 Perancangan Halaman Bantuan Sistem ... 39

3.7.7 Perancangan Halaman Hitung Akurasi ... 40

3.7.8 Perancangan Halaman Tentang Sistem ... 40

BAB IV IMPLEMENTASI DAN ANALISA HASIL SISTEM 4.1 Spesifikasi Software dan Hardware ... 42

4.2 Implementasi Use Case... 42

4.2.1 Implementasi Halaman Awal ... 42

4.2.2 Implementasi Halaman Utama ... 43

4.2.3 Implementasi Halaman Input Data Training ... 44

4.2.4 Implementasi Halaman Prediksi Helm ... 48

4.2.5 Implementasi Halaman Bantuan Sistem... 56

4.2.6 Implementasi Halaman Hitung Akurasi Data ... 61

4.2.7 Implementasi Halaman Tentang Sistem ... 64

4.3 Implementasi Struktur Data ... 65

4.3.1 Implementasi Kelas NaiveBayesian.java ... 65

4.3.2 Implementasi Kelas Model_NB.java ... 66

4.4 Implementasi Kelas ... 68

4.5 Pengujian Hasil Sistem... 69

4.5.1 Penentuan Jumlah Kelompok Data... 69

4.5.2 Pengujian dan Hasil Perhitungan Akurasi ... 72

BAB V PENUTUP 5.1 Kesimpulan ... 75

5.2 Saran ... 75

DAFTAR PUSTAKA... 76

LAMPIRAN ... 77

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(18)

DAFTAR GAMBAR

Gambar 2.1 Langkah-langkah Penambangan Data ... 6

Gambar 3.1 Use case sistem ... 21

Gambar 3.2 Diagram Aktivitas : Cetak Hasil Prediksi Kelompok ... 29

Gambar 3.3 Diagram Aktivitas : Evaluasi Sistem... 29

Gambar 3.4 Diagram Aktivitas : Prediksi Helm (Data Kelompok) ... 30

Gambar 3.5 Diagram Aktivitas : Prediksi Helm (Data Tunggal) ... 31

Gambar 3.6 Diagram Aktivitas : Input Data Training ... 32

Gambar 3.7 Contoh Representasi Matriks ... 33

Gambar 3.8 Contoh Representasi Matriks Multidimensi ... 33

Gambar 3.9 Desain Halaman Awal ... 36

Gambar 3.10 Desain Halaman Utama... 37

Gambar 3.11 Desain Halaman Input Data Training ... 37

Gambar 3.12 Desain Halaman Prediksi Helm (Data Kelompok) ... 38

Gambar 3.13 Desain Halaman Prediksi Helm (Data Tunggal) ... 39

Gambar 3.14 Desain Halaman Bantuan Sistem ... 39

Gambar 3.15 Desain Halaman Hitung Akurasi ... 40

Gambar 3.16 Desain Halaman Tentang Sistem... 41

Gambar 4.1 Antarmuka Halaman Awal ... 43

Gambar 4.2 Antarmuka Halaman Utama ... 44

Gambar 4.3 Antarmuka Halaman Input Data Training... 45

Gambar 4.4 Antarmuka Pilih FileTraining ... 45

Gambar 4.5 Antarmuka Input Data Training saat isi file tampil pada tabel training ... 46

Gambar 4.6 Antarmuka Proses Pembentukan Model Training ... 47

Gambar 4.7 Antarmuka Menyimpan File Model Training ... 47

Gambar 4.8 Antarmuka Proses Training Berhasil ... 48

Gambar 4.9 Antarmuka Proses Training Gagal ... 48

Gambar 4.10 Antarmuka Halaman Prediksi Data Kelompok ... 49

Gambar 4.11 Antarmuka Pilih FileTesting ... 50

(19)

xvi

testing ... 50

Gambar 4.13 Antarmuka Pilih Model FileTraining ... 51

Gambar 4.14 Antarmuka Proses Prediksi Data Kelompok ... 51

Gambar 4.15 Antarmuka Halaman Setelah Proses Prediksi Kelompok Selesai ... 52

Gambar 4.16 Antarmuka Halaman Mencetak Hasil Prediksi Kelompok ... 53

Gambar 4.17 Antarmuka HalamanPrediksi Data Tunggal ... 53

Gambar 4.18 Antarmuka contoh field-field terisi ... 54

Gambar 4.19 Antarmuka Prediksi Data Tunggal Gagal ... 54

Gambar 4.20 Antarmuka Pilih Model FileTraining ... 55

Gambar 4.21 Antarmuka Pemberitahuan Proses Prediksi Data Tunggal... 55

Gambar 4.22 Antarmuka Prediksi Tunggal Berhasil ... 56

Gambar 4.23 Antarmuka Pemberitahuan ErrorPemilihan File ... 56

Gambar 4.24 Antarmuka HalamanBantuan Sistem ... 57

Gambar 4.25 Contoh Antarmuka Hitung Akurasi Data 2 fold ... 62

Gambar 4.26 Antarmuka Pilih File data set ke-3... 63

Gambar 4.27 Antarmuka Proses Perhitungan Akurasi Data dengan 2 fold .... 63

Gambar 4.28 Antarmuka Hasil Perhitungan Akurasi Data dengan 2 fold ... 64

Gambar 4.29 Antarmuka Halaman Tentang Sistem ... 65

Gambar 4.30 Atribut-Atribut Kelas Model_NB.java ... 66

Gambar 4.31 Penentuan Jumlah 2 Kelompok Data (2 fold) ... 69

Gambar 4.32 Penentuan Jumlah 3 Kelompok Data (3 fold) ... 69

Gambar 4.33 Penentuan Jumlah 4 Kelompok Data (4 fold) ... 69

Gambar 4.34 Penentuan Jumlah 5 Kelompok Data (5 fold) ... 70

Gambar 4.35 Penentuan Jumlah 6 Kelompok Data (6 fold) ... 70

Gambar 4.36 Penentuan Jumlah 7 Kelompok Data (7 fold) ... 70

Gambar 4.37 Penentuan Jumlah 8 Kelompok Data (8 fold) ... 71

Gambar 4.38 Penentuan Jumlah 9 Kelompok Data (9 fold) ... 71

Gambar 4.39 Penentuan Jumlah 10 Kelompok Data (10 fold) ... 72

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(20)

xvii

DAFTAR TABEL

Tabel 2.1 Langkah-langkah Penambangan Data ... 14

Tabel 3.1 Ringkasan Use Case ... 21

Tabel 3.2 Narasi Use Case : Input data training ... 22

Tabel 3.3 Narasi Use Case : Evaluasi Sistem ... 23

Tabel 3.4 Narasi Use Case : Prediksi Helm (Data Kelompok) ... 25

Tabel 3.5 Narasi Use Case : Prediksi Helm (Data Tunggal) ... 26

Tabel 3.6 Narasi Use Case : Cetak Hasil Prediksi ... 28

Tabel 4.1 Implementasi Kelas ... 68

Tabel 4.2 Daftar Tools yang digunakan dalam Sistem ... 68

Tabel 4.3 Rata-rata Hasil Pengujian Tingkat Akurasi Data dengan Nilai Fold 2 sampai 10 ... 73

(21)

xviii

DAFTAR LAMPIRAN

Lampiran 1 Listing Program Algoritma Naïve Bayesian ... 78

Lampiran 2 Ringkasan Hasil Hasil Perhitungan Akurasi Data ... 83

Lampiran 3 DataSet dalam Tugas Akhir ... 88

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(22)

BAB I

PENDAHULUAN

Pada bab pendahuluan dijelaskan mengenai latar belakang masalah dari penelitian. Tujuan pengerjaan tugas akhir memberikan penjelasan mengenai hasil yang ingin diketahui serta batasan dalam pengerjaan. Tahapan dalam metodologi penelitian dan sistematika penulisan laporan.

1.1 Latar Belakang Masalah

Dalam persaingan industri yang hypercompetitive seperti sekarang ini, semua perusahaan dituntut untuk merencanakan produksinya seefektif mungkin agar dapat memaksimalkan keuntungan. Kelangsungan sebuah usaha sangat diperlukan oleh setiap organisasi, baik yang berorientasi pada

profit ataupun yang nonprofit. Dalam organisasi yang berorientasi pada profit, kegiatan usaha yang dilakukan diharapkan dapat berlangsung secara terus menerus untuk jangka waktu yang lama, bahkan kegiatan usaha tersebut diharapkan juga mengalami peningkatan dari segi aktivitas operasi maupun laba yang diperoleh. Salah satu cara untuk membuat produksi yang baik dalam suatu perusahaan adalah dengan melakukan estimasi terhadap pasar potensial yang dikuasai oleh perusahaan. Sebelum perusahaan menanamkan investasi untuk perluasan usaha baru, maka terlebih dahulu perlu diketahui apakah proyek atau investasi yang akan dilakukan dapat mengembalikan uang yang telah diinvestasikan dalam proyek tersebut, dengan jangka waktu tertentu (Sugiharto, 2002).

Dalam usaha mencapai hal-hal di atas itu, ada tiga kebutuhan bisnis yang dapat dilakukan, yaitu penambahan jenis maupun peningkatan kapasitas produk, pengurangan biaya operasional perusahaan, dan peningkatan efektifitas pemasaran serta keuntungan. Perusahaan XYZ merupakan perusahaan yang bergerak dalam bidang distribusi helm. Tidak hanya Perusahaan XYZ, masih cukup banyak perusahaan-perusahaan lain yang bergerak di bidang yang sama. Hal tersebut tentu saja menimbulkan persaingan bisnis antar perusahaan. Sebagai salah satu perusahaan yang

(23)

2 berorientasi pada profit, distributor helm diharapkan dapat terus meningkatkan keuntungan, salah satunya dengan menyediakan helm sesuai dengan permintaan pasar agar tidak terjadi kekurangan atau kelebihan helm yang dipasarkan. Jadi diperlukan suatu sistem otomasi yang dapat memprediksi atau meramalkan jumlah helm yang akan dipasarkan sesuai dengan permintaan dengan suatu metode tertentu.

Data penjualan yang sudah ada akan diolah atau dianalisis untuk mengetahui tingkat kecenderungan konsumen di setiap tempat tujuan pemasaran produk pada faktor ketertarikannya. Dari pengolahan data tersebut akan diperoleh suatu pola konsumsi masyarakat terhadap produk dari perusahaan tersebut. Ketersediaan data yang cukup banyak, kebutuhan akan informasi (atau pengetahuan) sebagai pendukung pengambilan keputusan untuk membuat solusi bisnis serta dukungan infrastruktur di bidang teknologi informasi menciptakan lahirnya suatu teknologi data mining salah satunya

naïve bayesian. Data mining yang dimaksud untuk memberikan solusi nyata bagi para pengambil keputusan di dunia bisnis untuk mengembangkan bisnis mereka.

Naïve bayesian merupakan salah satu metode data mining yang digunakan pada persoalan klasifikasi berdasarkan pada penerapan teorema

bayesian. Algoritma naïve bayesian akan menghitung probabilitas posterior untuk setiap nilai kejadian dari atribut target pada setiap sampel data. Selanjutnya, naïve bayesian akan mengklasifikasikan sampel data tersebut ke kelas yang mempunyai nilai probabilitas posterior tertinggi. Kelebihan metode naïve bayesian sendiri adalah mudah diimplementasi serta memberikan hasil yang baik untuk banyak kasus. Teorema Bayesian adalah teorema yang digunakan dalam statistika untuk menghitung peluang suatu hipotesis, bayes optimal classifier menghitung peluang dari suatu kelas dari masing-masing kelompok atribut yang ada, dan menentukan kelas mana yang paling optimal.

Dengan perkembangan dan diterapkannya teknologi komputer atau teknologi informatika pengolahan data maupun penyajian informasi secara cepat dan akurat akan sangat membantu untuk meningkatkan kinerja agar

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(24)

efektif (mendapatkan hasil yang tepat) dan efisien (memanfaatkan input yang ada dengan cara yang relatif cepat) khususnya kinerja dari seorang sales (Zhang, 2007). Sistem ini dengan algoritma naïve bayesian diharapkan membantu menghitung probabilitas posterior pada sampel data untuk menentukan pendistribusian dari produk helm dari perusahan XYZ berdasarkan warna, merk, dan tipe dari produk helm tersebut.

1.2 Rumusan Masalah

Perumusan masalah yang akan diselesaikan dalam penelitian tugas akhir ini sebagai berikut:

1. Bagaimana mengimplementasikan algoritma naïve bayesian untuk

memprediksi pendistribusian produk helm di wilayah perusahaan XYZ dengan berdasarkan warna, merk, dan tipe dari produk helm tersebut?

2. Berapakah tingkat keakuratan prediksi yang dihasilkan dalam

memprediksi pendistribusian produk helm di wilayah perusahaan XYZ dengan berdasarkan warna, merk, dan tipe dari produk helm tersebut? 1.3 Tujuan

Tujuan dari penelitian tugas akhir ini adalah bagaimana menerapkan algoritma naïve bayesian sebagai salah satu algoritma dalam data mining

untuk membantu memberikan estimasi atau prediksi dalam pendistribusian produk helm di wilayah perusahaan XYZ.

1.4 Batasan Masalah

Dalam prediksi yang akan dilakukan dalam tugas akhir ini memiliki batasan-batasan masalah, sebagai berikut:

1. Dalam mengimplementasi prediksi ini, algoritma yang digunakan

memakai algoritma naïve bayesian.

2. Data yang digunakan dalam proses prediksi adalah data penjualan produk

(25)

3. Data yang digunakan sebagai atribut adalah data pendistribusian penjualan

produk helm yang sudah ditetapkan oleh perusahaan XYZ, yaitu berdasarkan merk, tipe, dan warna dari produk helm tersebut.

4. Berdasarkan input data pendistribusian penjualan produk helm di

perusahaan XYZ tahun 2014, output program ini adalah prediksi pendistribusian produk helm di suatu wilayah perusahaan XYZ dengan berdasarkan merk, tipe, dan warna dari produk helm tersebut, serta tingkat keakuratan prediksi yang dihasilkan.

5. Program yang digunakan untuk mengimplementasi adalah Java.

6. Pengguna sistem adalah bagian pemasaran produk helm di perusahaan

XYZ.

1.5 Metodologi Penelitian

Metodologi penelitian dilakukan dengan menerapkan proses KDD (Knowledge Discovery in Databases) dengan tahapan sebagai berikut:

1. Pembersihan data, menghilangkan noise, dan data yang tidak konsisten. 2. Integrasi data, menggabungkan data dari berbagai sumber data yang

berbeda.

3. Seleksi data dan transformasi data, untuk menentukan kualitas dari hasil

data mining, sehingga data diubah menjadi bentuk sesuai untuk di-mining.

4. Penerapan teknik data mining

Penerapan teknik data mining sendiri hanya merupakan salah satu bagian dari proses data mining. Ada beberapa teknik data mining yang sudah umum dipakai. Teknik yang akan digunakan oleh penulis adalah teknik

naïve bayesian.

5. Evaluasi pola yang ditemukan

Dalam tahap ini hasil dari teknik data mining berupa pola yang khas maupun model prediksi dievaluasi atau mengukur akurasi untuk menilai h hipotesa yang ada memang tercapai.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(26)

6. Presentasi pengetahuan

Presentasi pola yang ditemukan untuk menghasilkan aksi tahap terakhir dari proses data mining adalah menformulasikan keputusan atau aksi dari hasil analisa yang didapat.

1.6 Sistematika Pembahasan Bab I. Pendahuluan

Dalam bab ini berisi tentang latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian, serta sistematika penulisan.

Bab II. Landasan Teori

Dalam bab ini berisi tentang teori yang dapat menunjang penelitian, yaitu berupa pengertian penambangan data, proses penambangan data, klasifikasi, dan algoritma naïve bayesian.

Bab III. Analisa dan Perancangan Sistem

Dalam bab ini berisi tentang cara penerapan konsep dasar yang telah diuraikan pada Bab II untuk menganalisis dan merancang tentang sistem sesuai tahap-tahap penyelesaian masalah tersebut dengan menggunakan algoritma naïve bayesian.

Bab IV. Implementasi dan Analisa Sistem

Dalam bab ini berisi tentang implementasi ke program komputer berdasarkan hasil perancangan yang dibuat, analisis perangkat lunak yang telah dibuat, serta kelebihan dan kekurangan pada sistem.

Bab V. Penutup

Dalam bab ini berisi tentang kesimpulan dan saran dari keseluruhan penulisan tugas akhir.

(27)

BAB II

LANDASAN TEORI

Pada bab ini dijelaskan analisis sistem yang akan dibuat dan perancangan untuk melakukan prediksi dalam pendistribusian produk helm di perusahaan XYZ dengan menggunakan algoritma naïve bayesian.

2.1. Penambangan Data

2.1.1. Pengertian Penambangan Data

Penambangan Data, sering juga disebut Knowledge Discovery in Database (KDD), adalah serangkaian kegiatan dari data yang jumlahnya besar berupa input yang diproses dengan tujuan mendapatkan ouput, tidak sekedar informasi tetapi berupa pengetahuan (knowledge) yang sering diperoleh, tidak diketahui atau tersembunyi, serta tujuannya untuk pengambilan keputusan atau

decision making (Han & Kamber, 2006).

Gambar 2.1 Langkah-langkah Penambangan Data

Sumber: Tan, Steinbach, Kumar (2004)

Penemuan pengetahuan ini merupakan sebuah proses seperti ditunjukkan pada gambar 2.1 dan terdiri dari urutan-urutan sebagai berikut (Han & Kamber, 2006):

1. Pembersihan data (data cleaning)

Pada langkah ini noise dan data yang tidak konsisten akan dihapus. Langkah pertama yang dilakukan dalam proses pembersihan data (data cleaning atau disebut juga data cleansing) adalah deteksi

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(28)

ketidakcocokan. Ketidakcocokan tersebut dapat disebabkan oleh beberapa faktor antara lain desain form masukan data yang kurang baik sehingga menyebabkan munculnya banyak field, adanya kesalahan petugas ketika memasukkan data, dan adanya kesalahan yang disengaja dan adanya data yang rusak.

2. Integrasi data (data integration)

Pada langkah ini akan dilakukan penggabungan data. Data dari bermacam-macam tempat penyimpanan data akan digabungkan ke dalam satu tempat penyimpanan data yang koheren. Macam-macam tempat penyimpanan data tersebut termasuk multiple database, data cube, atau file flat. Pada langkah ini, ada beberapa hal yang perlu diperhatikan yaitu integrasi skema dan pencocokan objek, redundansi data, deteksi dan resolusi konflik nilai data. Selama melakukan integrasi data, hal yang perlu dipertimbangkan secara khusus adalah masalah struktur data. Struktur data perlu diperhatikan ketika mencocokkan atribut dari satu basis data ke basis data lain.

3. Seleksi data (data selection)

Data yang relevan akan diambil dari basis data untuk dianalisis. Pada langkah ini akan dilakukan analisis korelasi untuk analisi fitur. Atribut-atribut data akan dicek apakah relevan untuk dilakukan penambangan data. Atribut yang tidak relevan ataupun atribut yang mengalami redundansi tidak akan digunakan. Atribut yang diharapkan adalah atribut yang bersifat independen. Artinya, antara atribut satu dengan atribut yang lain tidak saling mempengaruhi.

4. Transformasi data (data transformation)

Data ditransformasikan ke dalam bentuk yang tepat untuk ditambang. Yang termasuk dalam langkah transformasi data adalah penghalusan yaitu menghilangkan noise yang ada pada data, pengumpulan (aggregation) yaitu mengaplikasikan kesimpulan pada data, generalisasi (generalization) yaitu mengganti data

(29)

8 primitif atau data level rendah menjadi data level tinggi, normalisasi (normalization) yaitu mengemas data atribut ke dalam skala yang kecil, sebagai contoh -1.0 sampai 1.0, dan konstruksi atribut atau fitur (attribute construction atau feature construction) yaitu mengkonstruksi dan menambahkan atribut baru untuk membantu proses penambangan.

5. Penambangan data (data mining)

Langkah ini adalah langkah yang penting di mana akan diaplikasikan metode yang tepat untuk mengekstrak pola data.

6. Evaluasi pola (pattern evaluation)

Langkah ini berguna untuk mengidentifikasi pola yang benar dan menarik. Pola tersebut akan direpresentasikan dalam bentuk pengetahuan berdasarkan beberapa pengukuran yang penting.

7. Presentasi pengetahuan (knowledge presentation)

Pada langkah ini informasi yang sudah ditambang akan divisualisasikan dan direpresentasikan kepada pengguna. Langkah 1 sampai dengan langkah 4 merupakan langkah praproses data di mana data akan disiapkan terlebih dahulu untuk selanjutnya dilakukan penambangan.

Pada langkah penambangan data, pengguna atau basis pengetahuan bisa dilibatkan. Kemudian pola yang menarik akan direpresentasikan kepada pengguna dan akan disimpan sebagai pengetahuan yang baru.

2.1.2. Pengelompokan Penambangan Data

Penambangan data dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu (Larose, 2005):

1. Deskripsi

Terkadang peneliti dan analisis secara sederhana ingin mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(30)

tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali atribut target lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari atribut target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari atribut target dibuat berdasarkan atribut prediksi.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang.

4. Klasifikasi

Dalam klasifikasi, terdapat target atribut kategori. Sebagai contoh, menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan.

5. Pengklusteran

Pengklusteran merupakan pengelompokkan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya atribut target dalam pengklusteran. Algoritma ini mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogeny), yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal.

(31)

6. Asosiasi

Tugas asosiasi dalam penambangan data adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis market basket.

2.1.3. Klasifikasi

Klasifikasi merupakan model atau classfier yang dikonstruksikan untuk memprediksi kategori label (categorical labels). Contoh kasusnya adalah aman atau berbahaya untuk sebuah data aplikasi, ya dan tidak untuk data penjualan. Klasifikasi dan prediksi numerik adalah dua tipe utama dari masalah-masalah prediksi (prediction problems). Cara klasifikasi bekerja, di mana klasifikasi data (data classification) terdiri dari dua langkah proses, yaitu:

Langkah-1 : Penggolong (classifier) mendiskripsikan pembangunan

himpunan dari kelas-kelas data atau konsep- konsep yang telah ditetapkan. Bagian ini merupakan langkah pembelajaran atau fase pelatihan (learning step atau

training phase), di mana algoritma klasifikasi yang dibangun digolongkan melalui menganalisa atau dari mana pembelajaran itu berasal (learning from), sebuah training set akan dibuat dari database tuples dan label-label kelas yang berhubungan satu dan lainnya. Sebuah tuple, X, dinyatakan sebagai sebuah n- dimensional

attribute vector, di mana X = (x1, x2,...,xn),

menggambarkan ukuran n tuple dari n atribut-atribut basisdata, A1,A2, ...., An. Setiap tuple, X, diasumsikan

termasuk dalam kelas predefined yang ditentukan oleh atribut basis data lainnya yang disebut class label attribute. Karena label kelas dari setiap tuple pelatihan sudah tersedia maka fase ini juga dikenal dengan sebutan fase supervised learning.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(32)

Langkah-2 : Tingkat akurasi dari suatu klasifikasi. Model langsung

akan langsung digunakan untuk diklasifikasi. Pertama, akan ditaksir seberapa akurat prediksi yang dibuat oleh

classifier. Jika kekuatan classifier diukur dengan menggunakan data pelatihan, maka taksiran ini akan baik karena classifier cenderung overfit data. Maka dari itu, perlu digunakan sekumpulan data uji. Data tersebut dipilih secara acak dari sekumpulan data umum. Data yang diuji ini bersifat independen atau berdiri sendiri dari data pelatihan, artinya data yang diuji tersebut tidak lagi digunakan untuk membuat classifier.

2.2. Teorema Bayesian

2.2.1. Pengertian Teorema Bayesian

Teori keputusan Bayes atau sering disebut teorema Bayes adalah pendekatan statistic yang fundamental dalam pengenalan pola atau

pattern recognition (Santosa, 2007). Pendekatan teorema Bayes ini didasarkan pada kuantifikasi trade-off antara berbagai keputusan klasifikasi dengan menggunakan probabilitas dan nilai yang muncul dalam keputusan-keputusan tersebut.

Jika X adalah bukti atau kumpulan data pelatihan, � adalah hipotesi, dan jika class variable memiliki hubungan tidak

deterministic dengan atribut, maka dapat diperlukan X dan � sebagai atribut acak dan menangkap hubungan peluang menggunakan �� . Peluang bersyarat ini juga dikenal dengan probabilitas posterior untuk

�, dan P( �) adalah probabilitas prior.

Untuk mengestimasi peluang posterior secara akurat untuk setiap kombinasi label kelas yang mungkin dan nilai atribut adalah masalah sulit karena membutuhkan training set sangat besar, meski untuk jumlah moderate atribut. Penggunaan teorema Bayes untuk melakukan klasifikasi sangat bermanfaat karena menyediakan pernyataan istilah peluang posterior dari peluang prior ( �), peluang

(33)

12 kelas bersyarat � � dan bukti ( �) seperti pada rumus 2.1 berikut: (Han & Kamber, 2006)

... (2.1)

dalam hal ini:

X = Himpunan data training.

Y = Hipotesis.

( �| �) = Probabilitas posterior, yaitu probabilitas bersyarat dari hipotesis Y berdasarkan kondisi X.

( �) = Probabilitas prior dari hipotesis Y, yaitu probabilitas bahwa hipotesis Y bernilai benar sebelum data X muncul.

( �) = Probabilitas dari data X.

( �| �) = Probabilitas bersyarat dari X berdasarkan kondisi pada hipotesis Y, dan biasa disebut dengan likelihood. Likelihood ini mudah untuk dihitung ketika memberikan nilai 1 saat X dan Y konsisten, dan memberikan nilai 0 saat X dan Y tidak konsisten.

2.2.2. Klasifikasi Naïve Bayesian

Klasifikasi Naïve Bayesian merupakan salah satu metod pengklasifikasian yang berdasarkan pada penerapan teorema Bayes

dengan asumsi antara atribut penjelas saling bebas (independen). Algoritma ini memanfaatkan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi probabilitas di masa depan berdasarkan pengalaman dimasa sebelumnya. Klasifikasi naïve bayesian diasumsikan dimana nilai atribut dari sebuah kelas dianggap terpisah dan independen dengan nilai atribut lainnya, kondisi seperti ini dinyatakan dengan rumus 2.2 seperti berikut ini: (Han & Kamber, 2006)

... (2.2)

Keterangan:

X = Himpunan data training.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(34)

Y = Hipotesis.

( �| �) = Probabilitas posterior, yaitu probabilitas bersyarat dari hipotesis Y berdasarkan kondisi X

( �) = Probabilitas prior dari hipotesis Y, yaitu probabilitas bahwa hipotesis Y bernilai benar sebelum data X muncul.

( �) = Probabilitas dari data X.

( �1| �), ( �2| �), ( ��| �) = Probabilitas dari X1, X2, Xn untuk hipotesis Y, biasa disebut dengan likelihood. Karena P(X) irrelevant, maka untuk mencari peluang hanya menggunakan rumus berikut ini: (Han & Kamber, 2006)

... (2.3)

Jika ada P(Xn|Y) yang memiliki nilai 0, maka P(Y\X) = 0. Maka klasifikasi naïve bayesian tidak bisa memprediksi record yang salah satu atributnya memiliki probabilitas bersyarat (likelihood) = 0. Untuk mengatasi hal itu, dilakukan penambahan nilai 1 ke setiap evidence

dalam perhitungan sehingga probabilitas tidak akan bernilai 0. Langkah ini sering disebut laplace estimator dengan rumus sebagai berikut: (Santosa, 2007)

... (2.4)

dimana:

n = total jumlah instances dari kelas Yj.

nc = jumlah contoh training dari Yj yang menerima nilai Xi.

m = parameter yang dikenal sebagai ukuran sampel ekuivalen. Cara kerja klasifikasi naïve bayesian: (Santosa, 2007)

1. Misalkan � adalah kumpulan data pelatihan dari tuple dan �

berhubungan dengan label kelas.

2. Andaikan ada �� kelas, �1, �2, … , ��. Jika disediakan tuple x, klasifikasi naïve bayesian memprediksi x ke dalam kelas yang mempunyai probabilitas posterior tertinggi. Maka penggolong

naïve bayesian memprediksi tuple x termasuk ke dalam kelas �� jika dan hanya jika

(35)

... (2.5)

Dengan demikian (y��|x) akan dimaksimalkan. Kelas �� untuk setiap (y��|x) yang dimaksimalkan dinamakan maximum posteriori

hypothesis. Berdasarkan teorema bayes adalah:

... (2.6) 3. Selama P(x) konstan untuk semua kelas maka hanya P(x|yi)P(y)

yang dimaksimalkan. Jika kelas probabilitas prior tidak diketahui, maka kelas-kelas tersebut diasumsikan sama, yaitu P(y1) = P(y2) =

… = P(yn). Oleh karena itu, P(x|yi) akan dimaksimalkan. Jika tidak,

P(x|yi)P(y) yang akan dimaksimalkan.

2.2.3. Contoh Kasus Klasifikasi Naïve Bayesian

Pada tabel 2.1 adalah contoh kasus yang akan diselesaikan dengan algoritma naïve bayesian.

Tabel 2.1 Data Status Membeli Motor

Id-Pelanggan Pendapatan Peringkat Kredit Status Membeli Motor

Honda-001 Tinggi Bagus Ya

Honda-002 Rendah Cukup Tidak

Honda-003 Rendah Bagus Ya

Honda-004 Sedang Cukup Ya

Honda-005 Tinggi Bagus Tidak

Honda-006 Tinggi Cukup Tidak

Honda-007 Sedang Bagus Tidak

Honda-008 Sedang Bagus Ya

Honda-009 Tinggi Cukup Ya

Tabel 2.1 memperlihatkan data training dengan atribut:

pendapatan dan peringkat kredit. Sedangkan atribut label kelas adalah status membeli motor. Berikut ini adalah penyelesaian contoh kasus mengguakan algoritma naïve bayesian:

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(36)

Terdapat dua kelas dari klasifikasi yang dibentuk, yaitu: C1 = Membeli Motor = Ya

C2 = Membeli Motor = Tidak

Data yang akan diklasifikasikan adalah X = (Pendapatan = “Tinggi”, Peringkat Kredit = “Cukup”).

Langkah-langkah Perhitungan, sebagai berikut:

1. Mencari P(Ci), sebagai berikut:

P(Ci) merupakan prior probability untuk setiap kelas berdasar data, yaitu:

P(Ci) = a � a a �C a � a � a a P(C1) = 5/9 = 0.556 P(C2) = 4/9 = 0.444

2. Untuk menghitung �� , untuk i=1,2 akan dihitung probabilitas bersyarat (likelihood), sebagai berikut:

P(Xj|Ci) = � � ∩� ��

Likelihood Untuk atribut Pendapatan (X1) = “Tinggi”. P(X1|C1) =

2_� 9 9

= 2= 0.400 P(X1|C2) =

2_� 9 9

= 2= 0.500

Likelihood Untuk atribut Peringkat Kredit (X2) = “Cukup”. P(X2|C1) =

2_� 9 9

= 2= 0.400 P(X2|C2) =

2_� 9 9

= 2= 0.500

Laplace Estimator

Bila ditemukan salah satu atribut yang memiliki probabilitas bersyarat (likelihood)=0, maka dilakukan penambahan nilai satu ke setiap evidence sehingga tidak ada probabilitas yang akan bernilai 0. Pada kasus di atas tidak mengimplementasikan laplace estimator, karena tidak ada atribut nilai likelihood=0.

(37)

3. Menghitung P(X|Ci), sebagai berikut:

P(X| Membeli Motor = “Ya”) = 0.400 x 0.400 = 0.160 P(X| Membeli Motor = “Tidak”) = 0.500 x 0.500 = 0.250

4. Dari probabilitas-probabilitas tersebut, maka dilanjutkan dengan

menghitung P(X|Ci) x P(Ci), sebagai berikut:

P(X|Membeli Motor = “Ya”) x P(Membeli Motor = “Ya”) = 0.160 x 0.556 = 0.089

P(X|Membeli Motor = “Tidak”) x P(Membeli Motor = “Tidak”) = 0.250 x 0.444 = 0.111

5. Hasil persentasi kedua prediksi diatas, sebagai berikut:

Untuk membeli motor =”Ya” adalah: 0.089/(0.089+0.111) x 100% = 44.5%

Untuk membeli Motor =”Tidak” adalah: 0.111/(0.111+0.089+) x 100% = 55.5%

6. Kesimpulan, sebagai berikut:

Dari hasil P(X|Ci) x P(Ci) di atas dapat disimpulkan bahwa data X termasuk ke dalam kelas membeli motor = “Tidak”, karena data yang digunakan adalah data yang memiliki nilai peluang terbesar atau maksimal yaitu = 0.111.

2.2.4. Karakteristik Klasifikasi Naïve Bayesian

Naïve bayesian Classifier umumnya memiliki karakteristik sebagai berikut: (Santosa, 2007)

1. Kokoh untuk atribut irrelevant, jika Xi adalah atribut yang

irrelevant, maka ( �i| �) menjadi hampir didistribusikan seragam. Peluang kelas bersyarat untuk �i tidak berdampak pada keseluruhan perhitungan peluang posterior.

2. Atribut yang dihubungkan dapat menurunkan kemampuan

klasifikasi naïve bayesian karena asumsi independen bersyarat tidak lagi menangani atribut tersebut.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(38)

2.2.5. Kelebihan dan Kekurangan Klasifikasi Naïve bayesian

Algoritma naïve bayesian memiliki beberapa kelebihan dan kekurangan yaitu sebagai berikut: (Santosa, 2007)

Kelebihan naïve bayesian, antara lain:

1. Menangani kuantitatif dan data diskrit.

2. Hanya memerlukan sejumlah kecil data pelatihan (training) untuk

mengestimasi parameter yang dibutuhkan untuk klasifikasi.

3. Kokoh terhadap atribut yang tidak relevan.

Kekurangan naïve bayesian, antara lain: (Santosa, 2007)

1. Tidak berlaku jika probabilitas kondisionalnya adalah nol, apabila

nol maka probabilitas prediksi akan bernilai nol juga.

2. Mengasumsikan variabel bebas.

2.3. K-Fold Cross Validation

Cross Validation adalah salah satu metode yang bisa digunakan

untuk mengukur kinerja dari sebuah model prediktif. Dalam k-fold

cross validation, data akan dipartisi secara acak ke dalam k partisi, D1,

D2,…,Dk, masing-masing D mempunyai jumlah yang sama. Pada iterasi

ke-i partisi Di digunakan sebagai data uji, sedangkan sisa partisi

digunakan sebagai data pelatihan. Pada iterasi pertama, D1 digunakan

sebagai data uji dan D2, D3,….,Dk digunakan sebagai data pelatihan.

Pada iterasi kedua, D2 digunakan sebagai data uji, sedangakan D1,

D3,….,Dk digunakan sebagai data pelatihan. Pada iterasi ketiga, D3

digunakan sebagai data uji, sedangkan D1, D3,….,Dk digunakan sebagai

data pelatihan dan seterusnya. Setiap sample D, hanya digunakan sekali sebagai data uji dan berkali-kali sebagai data pelatihan. Untuk pengklasifikasian, pengukuran keakurasian dapat dihitung dengan rumus, sebagai berikut:

(39)

BAB III

ANALISA DAN PERANCANGAN SISTEM

Pada bab ini dijelaskan analisis sistem yang akan dibuat dan perancangan untuk melakukan prediksi dalam pendistribusian produk helm di perusahaan XYZ dengan menggunakan algoritma naïve bayesian.

3.1 Analisis Sistem

Sistem yang dibuat memiliki kemampuan untuk memprediksi pendistribusian suatu produk helm di perusahaan XYZ berdasarkan wilayah, warna, merk, dan tipe. Sistem prediksi pendistribusian penjualan produk helm ini menggunakan algoritma naïve bayesian. Data penjualan yang dibutuhkan adalah data penjualan helm di perusahaan XYZ di tahun 2014. Data-data penjualan ini akan diubah menjadi data berbentuk nominal pada saat tahap

pre-processing sehingga dapat diolah dengan teknik naïve bayesian. Selanjutnya, data penjualan akan masuk ke dalam proses training dan testing, serta pada akhirnya akan mendapatkan keputusan atau output berupa daerah atau wilayah pemasaran dari suatu produk helm yang ditentukan. Sistem ini akan diimplementasikan ke sebuah aplikasi dengan menggunakan bahasa pemrograman Java.

3.2 Tahap-Tahap KDD (Knowledge Discovery in Database)

Setelah data mentah diperoleh maka selanjutnya dilakukan proses KDD (Knowledge Discovery in Database) dengan tahapan seperti berikut ini:

1. Pembersihan data (Data Cleaning)

Pada tahap ini juga dilakukan penyeleksian atribut-atribut pada data penjualan yang tidak relevan terhadap penelitian yang dilakukan, seperti satuan, size, harga jual, quantity, discount, harga satuan, sisa pesan, status

retur order, dan status nota kredit. Pada data penjualan mentah yang diperoleh dari perusahaan terdapat beberapa record yang mempunyai data yang tidak lengkap (missing value). Jumlah data awal yang diperoleh

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(40)

adalah 834 records untuk data penjualan yang telah berlangsung di tahun 2014 di atas dapat dilihat pada lampiran3 dalam tugas akhir ini.

2. Seleksi data (Data Selection) dan Integrasi data (Data Integration)

Tahap selanjutnya akan dilakukan penyeleksian terhadap data-data penjualan yang kurang relevan dengan penelitian yang dilakukan. Setelah dilakukan proses penyeleksian data kemudian tahap selanjutnya dilakukan penggabungan seluruh data yang telah diperoleh yang dikenal dengan integrasi data. Data mentah yang diperoleh disajikan secara terpisah, yaitu data penjualan dan data penjualan kanvaser. Data penjualan yang sama disatukan dalam satu file yang berekstensi .csv atau .xls sesuai dengan atribut-atribut yang sesuai dari penelitian. Setelah disatukan dalam satu

file, maka data penjualan dapat disimpan dalam tabel pada database. Hasil pada tahap ini yaitu sample data penjualan tahun 2014 yang telah dilakukan disimpan dalam file dataTraining_dataSet.csv atau dataTraining_dataSet.xls.

3. Transformasi data

Pada tahap transformasi data, data penjualan diklasifikasikan menjadi wilayah-wilayah tertentu sesuai dengan hasil yang pernah didapatkan. Untuk memudahkan proses penambangan data, maka sample data yang telah digabungkan pada proses intergrasi data akan dikelompokkan berdasarkan wilayah atau daerah yang sudah ditetapkan oleh perusahaan.

4. Penerapan teknik data mining

Data-data penjualan yang telah diolah pada tahap sebelumnya kemudian akan diolah menggunakan algoritma naïve bayesian. Data penjualan yang digunakan untuk penelitian terbatas pada beberapa hasil dari transaksi penjualan yang telah dilakukan oleh perusahaan XYZ.

a. Variabel Input

Variabel-variabel yang menjadi variable input dalam sistem ini, antara lain merk, tipe, dan warna dari produk suatu helm.

b. Variabel Output

Proses prediksi akan menghasilkan hasil prediksi wilayah atau daerah tertentu yang sesuai dengan produk helm yang ditentukan. Pada

(41)

20 penelitian ini, keterangan wilayah atau daerah akan menjadi hasil atau keluaran yang berupa prediksi pendistribusian penjualan suatu produk helm.

5. Evaluasi pola yang ditemukan

Pada tahap ini akan dilakukan proses untuk mengukur akurasi sistem yang telah dibuat. Proses pengukuran akan dilakukan menggunakan teknik

k-fold cross validation. K-fold cross validation merupakan salah satu metode yang bisa digunakan untuk mengukur kinerja dari sebuah model

prediktif. Dalam k-fold cross validation, data akan dikelompokkan ke dalam k buah partisi atau kelompok dengan ukuran yang sama. Masing-masing kelompok akan mengalami posisi sebagai data testing dan sebagai data training. (Han&Kamber, 2001). Metode pengukuran cross validation

dengan nilai fold = 10.

Akhir dari tahap ini adalah diperolehnya presentase akurasi antara data training dengan data testing, sehingga dapat ditentukan tingkat keberhasilan proses penambangan data yang telah dilakukan. Rumus untuk menghitung akurasi dapat dilihat pada rumus (3.1), sebagai berikut:

... (3.1)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(42)

3.3 Analisis Kebutuhan Pengguna 3.3.1 Diagram Model Use Case

Gambar 3.1 Use case sistem

Pada gambar 3.1 direpresentasikan semua aktivitas yang dilakukan oleh user dalam sistem ini, yaitu input data training, prediksi helm, cetak hasil prediksi, dan evaluasi sistem. Dalam gambar 3.1 terdapat keterangan sebelum user melakukan prediksi helm, maka user wajib melakukan input data training terlebih dahulu. Sementara itu, sebelum melakukan cetak hasil prediksi, maka user

wajib melakukan prediksi helm terlebih dahulu. 3.3.2 Tabel Ringkasan Use Case

Tabel 3.1 Ringkasan Use Case

Nama Use Case Keterangan Pelaku

Input Data Training

Use case ini merupakan proses memasukkan data training berupa data penjualan yang kemudian akan digunakan untuk pre-processing dan menghasilkan model training yang digunakan untuk proses prediksi.

User

Evaluasi Sistem Use case ini merupakan proses penggambaran

(43)

22 Prediksi Helm

Use case ini merupakan proses memasukan data penjualan berupa data tunggal atau data kelompok ke dalam sistem.

User

Cetak Hasil Prediksi Use case ini merupakan proses mencetak dari

hasil prediksi helm yang dilakukan. User

3.3.3 Narasi Use Case

Tabel 3.2 Narasi Use Case : Input Data Training

Author (s) : Carolus Benny Dwi Setiawan Date : 17 Desember 2014 Aktor : User sistem Versi : 02

Nama Use Case Input data training

Use case type :

Use Case ID UCPrediksiHelm001

Prioritas High

Aktor Utama User Aktor Lain yang

berperan

-Interested stakeholders User sistem

Diskripsi Use casememasukkan data ini mendiskripsikan proses dimana training yang kemudian akan digunakan untuk User sistem proses prediksi.

Prakondisi User _trainingsistem di halaman utama dan telah menyiapkan _{yang akan dimasukkan sebagai data}_training_. file data Post Kondisi User sistem telah siap untuk melakukan prediksi dari data training

yang dimasukkan.

Langkah Umum _{Aksi Aktor} _{Reaksi Sistem}

- Langkah 2

User sistem memilih menu

“Input Data Training”.

- Langkah 4

User sistem memilih data atau file yang ingin

dimasukkan dengan

memilih tombol “Pilih File

Training”.

- Langkah 6

User sistem melakukan pencarian file yang sesuai pada direktori yang dipilihnya.

- Langkah 1

Sistem menampilkan

halaman home User sistem.

- Langkah 3

Sistem menampilkan

halaman input data training.

- Langkah 5

Sistem menampilkan file chooser yang memudahkan untuk memasukkan file.

- Langkah 7

Sistem menampilkan data pada tabel yang ada sesuai dengan isi file yang telah dipilih.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(44)

- Langkah 8

User sistem memilih tombol

“Simpan Hasil Training”.

- Langkah 10

User memberikan nama dan

menentukan lokasi

penyimpanan file model training yang dihasilkan sistem. User Memilih tombol “Save”.

- Langkah 9

Sistem akan melakukan proses pembentukan model training dari data-data yang telah diinputkan. Sistem menampilkan file chooser

yang memudahkan untuk menyimpan file model training bertipe .obj.

- Langkah 11

Sistem menampilkan status (berhasil atau gagal) dari pembentukan file training yang telah dilakukan.

Bidang alternatif Alt-Langkah 7 : _{kolom yang tidak sesuai dengan tabel yang tersedia dalam sistem.}Sistem akan menampilkan peringatan jika jumlah Kesimpulan Use casememasukkan seluruh isi dari ini akan berhenti apabila file yang dimasukkan pada tabel yang User sistem telah berhasil

tersedia dalam sistem, dan dijadikan sebagai data training.

Aturan bisnis -Batasan dan spesifikasi

inplementasi Akses sistem dalam keadaan stabil dan harus berbentuk .csv atau .xls. file yang akan dimasukkan

Assumptions File _{dengan ketentuan dalam sistem.}yang dijadikan sebagai data training telah tersedia dan sesuai Masalah terbuka User_training sistem harus paham memasukan _. file untuk menjadi data

Tabel 3.3 Narasi Use Case : Evaluasi Sistem

Author (s) : Carolus Benny Dwi Setiawan Date : 17 Desember 2014 Aktor : User sistem Versi : 02

Nama Use Case Evaluasi sistem

Use case type :

Use Case ID UCPrediksiHelm002

Prioritas High

Aktor Utama User Aktor Lain yang

berperan

-Interested stakeholders User sistem

Diskripsi Use case ini mendiskripsikan proses pengukuran akurasi.

Prakondisi User _data_trainingsistem di halaman utama dan telah berhasil meng_. inputkan Post Kondisi User sistem telah mendapatkan hasil perhitungan akurasi dari

proses input data training sebelumnya.

Langkah Umum _{Aksi Aktor} _{Reaksi Sistem}

(45)

- Langkah 2

User sistem memilih menu

“Akurasi Data”.

- Langkah 4

User menentukan berapa

fold dengan memilih nilai pada dropdown field yang akan digunakan untuk melakukan perhitungan akurasi data.

- Langkah 6

User sistem memilih tombol

“Hitung Akurasi Data”

untuk memulai proses perhitungan akurasi data.

- Langkah 8

User sistem melakukan pencarian file data set pengujian yang sesuai pada direktori yang dipilihnya, dan user memilih tombol

“Open” untuk melanjutkan proses perhitungan akurasi data.

Sistem menampilkan

halaman home User sistem.

- Langkah 3

Sistem menampilkan

halaman perhitungan akurasi data.

- Langkah 5

Sistem menampilkan nilai

fold yang telah ditentukan oleh user.

- Langkah 7

Sistem menampilkan file chooser yang memudahkan untuk memasukkan file data set pengujian.

- Langkah 9

Sistem melakukan

perhitungan akurasi data berdasarkan nilai fold yang ditentukan.

- Langkah 10

Sistem menampilkan status dari hasil perhitungan akurasi data.

Bidang alternatif

-Kesimpulan

Use case ini akan berhenti apabila sistem telah berhasil menampilkan hasil perhitungan akurasi data, berupa jumlah data benar, jumlah data salah, rata-rata data benar, dan rata-rata data salah.

Aturan bisnis -Batasan dan spesifikasi

inplementasi Akses sistem dalam keadaan stabil dan akan dimasukkan harus berbentuk .csv atau .xls.file data set pengujian yang

Assumptions Ketentuan perhitungan akurasi data telah tersedia dan dapat _{digunakan secara maksimal.} Masalah terbuka User_pengujian. sistem harus paham melakukan perhitungan akurasi data set

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(46)

Tabel 3.4 Narasi Use Case : Prediksi Helm (Data Kelompok)

Author (s) : Carolus Benny Dwi Setiawan Date : 17 Desember 2014 Aktor : User sistem Versi : 02

Nama Use Case Prediksi helm (data kelompok)

Use case type :

Use Case ID UCPrediksiHelm003

Prioritas High

Aktor Utama User (bagian pemasaran)

Aktor Lain yang

berperan

-Interested stakeholders User sistem

Diskripsi Use case_helm. ini mendiskripsikan proses memprediksi pendistribusian Prakondisi User _{prediksi yang akan dimasukkan sebagai data prediksi.}sistem di halaman utama dan telah menyiapkan file data Post Kondisi User sistem telah mendapatkan hasil prediksi.

Langkah Umum Aksi Aktor Reaksi Sistem

- Langkah 2

User sistem memilih menu

“Prediksi Helm”.

- Langkah 4

User sistem memilih

submenu “Prediksi

Kelompok”.

- Langkah 5

User sistem memilih data atau file testing yang ingin dimasukkan untuk prediksi kelompok dengan memilih tombol “Pilih Data

Testing”.

- Langkah 7

User sistem melakukan pencarian file yang sesuai pada direktori yang dipilihnya dan memilih tombol “Open” untuk membuka file testing

tersebut.

- Langkah 9

User sistem memilih tombol

“Prediksi Data

- Langkah 1

Sistem menampilkan

halaman home User sistem.

- Langkah 3

Sistem menampilkan

halaman prediksi helm.

- Langkah 6

Sistem menampilkan file chooser yang memudahkan untuk memasukkan file testing.

- Langkah 8

Sistem menampilkan data pada tabel yang tersedia berdasarkan id-helm, merk, tipe, dan warna produk – produk helm.

- Langkah 10

Sistem menampilkan bahwa proses prediksi berlansung. Sistem menampilkan file chooser yang memudahkan untuk memasukkan file

model training yang berbentuk .obj.

(47)

Kelompok” untuk memulai proses prediksi kelompok.

- Langkah 11

User sistem melakukan pencarian file yang sesuai pada direktori yang dipilihnya dan memilih tombol “Open” untuk membuka file model

training.

Secara bertahap sistem akan melakukan perhitungan

prior, perhitungan

likelihood, perhitungan

laplace estimator, dan perhitungan posterior.

- Langkah 13

Sistem menampilkan status dari prediksi kelompok yang dilakukan dan menampilkan hasil presiksi produk-produk helm (data-data pada kolom wilayah pemasaran dan kolom probabilitas) pada tabel yang tersedia.

Bidang alternatif

Alt-Langkah 8 : Sistem akan menampilkan peringatan jika jumlah kolom yang tidak sesuai dengan tabel yang tersedia dalam sistem.

Alt-Langkah 13 : Sistem akan menampilkan pesan peringatan

“Proses Prediksi Gagal” apabila proses prediksi gagal dilakukan.

Kesimpulan Use case_{menampilkan hasil prediksi.} ini akan berhenti apabila sistem telah berhasil Aturan bisnis

-Batasan dan spesifikasi inplementasi

Akses sistem dalam keadaan stabil, file data testing yang akan dimasukkan harus berbentuk .csv atau .xls, dan file model training

harus berbentuk .obj.

Assumptions File model yang dijadikan sebagai data kelompok untuk prediksitraining telah tersedia dan sesuai dengan ketentuan dalam dan file sistem.

Masalah terbuka User_{dengan data berupa data kelompok.} sistem harus paham melakukan prediksi pendistribusian helm

Tabel 3.5 Narasi Use Case : Prediksi Helm (Data Tunggal)

Author (s) : Carolus Benny Dwi Setiawan Date : 17 Desember 2014 Aktor : User sistem Versi : 02

Nama Use Case Prediksi helm (data tunggal)

Use case type :

Use Case ID UCPrediksiHelm004

Prioritas High

Aktor Utama User Aktor Lain yang

berperan

-Interested stakeholders User sistem

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(48)

Langkah Umum _{Aksi Aktor} _{Reaksi Sistem}

- Langkah 2

User sistem memilih menu

“Prediksi Helm”.

- Langkah 4

User sistem memilih sub menu “Prediksi Tunggal”.

- Langkah 5

User sistem mengisikan data-data id-helm, merk, tipe, dan warna dari suatu produk helm yang ingin diprediksi.

- Langkah 6

User sistem memilih tombol

“Prediksi Data Tunggal”.

- Langkah 8

User sistem melakukan pencarian file yang sesuai pada direktori yang dipilihnya dan memilih tombol “Open” untuk membuka file model

training.

- Langkah 1

Sistem menampilkan

halaman home User sistem.

- Langkah 3

Sistem menampilkan

halaman prediksi helm.

- Langkah 7

Sistem menampilkan bahwa proses prediksi berlangsung. Sistem menampilkan file chooser yang memudahkan untuk memasukkan file

model training yang berbentuk .obj.

- Langkah 9

Secara bertahap sistem akan melakukan perhitungan

prior, perhitungan

likelihood, perhitungan

laplace estimator, dan perhitungan posterior.

- Langkah 10

Bidang alternatif

Alt-Langkah 7 : Sistem akan menampilkan peringatan berupa

“Prediksi Gagal, Silahkan Cek data-data yang diInputkan”

apabila User sistem belum memasukkan isi dari fields yang mewakili atribut-atribut tersebut.

Kesimpulan Use case_{menampilkan hasil prediksi.} ini akan berhenti apabila sistem telah berhasil Aturan bisnis

-Batasan dan spesifikasi inplementasi

Akses sistem dalam keadaan stabil, file data testing yang akan dimasukkan harus berbentuk .csv atau .xls, dan file model training

(49)

Assumptions File model yang dijadikan sebagai data kelompok untuk prediksitraining telah tersedia dan sesuai dengan ketentuan dalam dan file sistem.

Masalah terbuka User_{dari suatu data tunggal yang ditentukan.} sistem harus paham melakukan prediksi pendistribusian helm

Tabel 3.6 Narasi Use Case : Cetak Hasil Prediksi

Author (s) : Carolus Benny Dwi Setiawan Date : 17 Desember 2014 Aktor : User sistem Versi : 02

Nama Use Case Cetak hasil prediksi

Use case type :

Use Case ID UCPrediksiHelm005

Prioritas High

Aktor Utama User (bagian pemasaran)

Aktor Lain yang

berperan

-Interested stakeholders User sistem

Diskripsi Use case_{pendistribusian helm.} ini mendiskripsikan proses mencetak hasil prediksi Prakondisi User _prediksi.sistem di halaman utama dan telah berhasil melakukan proses Post Kondisi User sistem telah mendapatkan review laporan hasil prediksi yang

dilakukan.

Langkah Umum Aksi Aktor Reaksi Sistem

- Langkah 2

User sistem memilih tombol

“Cetak Hasil Prediksi”.

- Langkah 1

Sistem berhasil melakukan proses prediksi data kelompok helm.

- Langkah 3

Sistem akan menampilkan

review laporan hasil prediksi pendistribusian helm dan

User sistem dapat lansung mencetak laporan tersebut.

Bidang alternatif

-Kesimpulan Use case_menampilkan ini akan berhenti apabila sistem telah berhasil _review_{laporan hasil prediksi yang dilakukan.} Aturan bisnis

-Batasan dan spesifikasi

inplementasi Akses sistem dalam keadaan stabil dan melakukan proses prediksi. User sistem telah berhasil

Assumptions Hasil dari proses prediksi pendistribusian helm telah tersedia.

Masalah terbuka User_{pendistribusian helm.} sistem harus paham melakukan pencetakan hasil prediksi

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

(1)

560 VOG NAVIGATOR PICLET - 2V BK/RED KOTA 561 VOG NAVIGATOR PICLET - 2V BK/RED KOTA 562 VOG NAVIGATOR PICLET - 2V BK/RED KOTA 563 VOG NAVIGATOR PICLET - 2V BK/RED KOTA 564 VOG NAVIGATOR PICLET - 2V BK/RED KOTA 565 VOG NAVIGATOR PICLET - 2V BK/RED KOTA 566 VOG NAVIGATOR PICLET - 2V BK/RED KOTA 567 VOG NAVIGATOR PICLET - 2V BK/RED KOTA 568 VOG NAVIGATOR PICLET - 2V BK/SIL KOTA 569 VOG NAVIGATOR PICLET - 2V BK/SIL KOTA 570 VOG NAVIGATOR PICLET - 2V BK/SIL KOTA 571 VOG NAVIGATOR PICLET - 2V BK/SIL KOTA 572 VOG NAVIGATOR PICLET - 2V BK/SIL KOTA 573 VOG NAVIGATOR PICLET - 2V BK/SIL KOTA 574 VOG NAVIGATOR PICLET - 2V BK/SIL KOTA 575 VOG NAVIGATOR PICLET - 2V BK/SIL KOTA 576 VOG NAVIGATOR PICLET - 2V BK/SIL KOTA 577 VOG NAVIGATOR PICLET - 2V WH/BL KOTA 578 VOG NAVIGATOR PICLET - 2V WH/BL KOTA 579 VOG NAVIGATOR PICLET - 2V WH/BL KOTA 580 VOG NAVIGATOR PICLET - 2V WH/BL KOTA 581 VOG NAVIGATOR PICLET - 2V WH/BL KOTA 582 VOG NAVIGATOR PICLET - 2V WH/BL KOTA 583 VOG NAVIGATOR PICLET - 2V WH/BL KOTA 584 VOG NAVIGATOR PICLET - 2V WH/BL KOTA 585 VOG NAVIGATOR PICLET - 2V WH/BL KOTA 586 VOG NAVIGATOR PICLET - 2V WH/BL KOTA 587 VOG NAVIGATOR PICLET - 2V WH/BL KOTA

588 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 589 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 590 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 591 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 592 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 593 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 594 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 595 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 596 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 597 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 598 VOG NAVIGATOR SOLID - 2V BK GUNUNG KIDUL 599 VOG NAVIGATOR SOLID - 2V BK/DOF GUNUNG KIDUL 600 VOG NAVIGATOR SOLID - 2V BK/DOF GUNUNG KIDUL 601 VOG NAVIGATOR SOLID - 2V BK/DOF GUNUNG KIDUL 602 VOG NAVIGATOR SOLID - 2V BK/DOF GUNUNG KIDUL 603 VOG NAVIGATOR SOLID - 2V BK/DOF GUNUNG KIDUL 604 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL 605 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL 606 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL

(2)

607 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL 608 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL 609 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL 610 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL 611 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL 612 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL 613 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL 614 VOG NAVIGATOR SOLID - 2V GUN M GUNUNG KIDUL 615 VOG NAVIGATOR SOLID - 2V ICE BL SLEMAN

616 VOG NAVIGATOR SOLID - 2V ICE BL SLEMAN 617 VOG NAVIGATOR SOLID - 2V PP SLEMAN 618 VOG NAVIGATOR SOLID - 2V PP SLEMAN 619 VOG NAVIGATOR SOLID - 2V PP SLEMAN 620 VOG NAVIGATOR SOLID - 2V PP SLEMAN 621 VOG NAVIGATOR SOLID - 2V PP SLEMAN 622 VOG NAVIGATOR SOLID - 2V PP SLEMAN 623 VOG NAVIGATOR SOLID - 2V PP SLEMAN 624 VOG NAVIGATOR SOLID - 2V PP SLEMAN 625 VOG NAVIGATOR SOLID - 2V PP SLEMAN

626 VOG NAVIGATOR SOLID - 2V RED F GUNUNG KIDUL 627 VOG NAVIGATOR SOLID - 2V RED F GUNUNG KIDUL 628 VOG NAVIGATOR SOLID - 2V RYL RED GUNUNG KIDUL 629 VOG NAVIGATOR SOLID - 2V RYL RED GUNUNG KIDUL 630 VOG NAVIGATOR SOLID - 2V RYL RED GUNUNG KIDUL 631 VOG NAVIGATOR SOLID - 2V RYL RED GUNUNG KIDUL 632 VOG NAVIGATOR SOLID - 2V WH GUNUNG KIDUL 633 VOG NAVIGATOR SOLID - 2V WH GUNUNG KIDUL 634 VOG NAVIGATOR SOLID - 2V WH GUNUNG KIDUL 635 VOG NAVIGATOR SOLID - 2V WH GUNUNG KIDUL 636 VOG NAVIGATOR SOLID - 2V WH GUNUNG KIDUL 637 VOG NAVIGATOR SOLID - 2V WH GUNUNG KIDUL 638 VOG NAVIGATOR SOLID - 2V WH GUNUNG KIDUL

639 VOG TURBO SOLID - CL BK SLEMAN

640 VOG TURBO SOLID - CL BK SLEMAN

641 VOG TURBO SOLID - CL BK SLEMAN

642 VOG TURBO SOLID - CL BK SLEMAN

643 VOG TURBO SOLID - CL BK/DOF GUNUNG KIDUL 644 VOG TURBO SOLID - CL GUN M SLEMAN

645 VOG TURBO SOLID - CL PP SLEMAN

646 VOG TURBO SOLID - CL PP SLEMAN

647 VOG TURBO SOLID - CL WH SLEMAN

648 VOG TURBO SOLID - CL WH SLEMAN

649 VOG XTRAIL SOLID - CL BK GUNUNG KIDUL 650 VOG XTRAIL SOLID - CL BK GUNUNG KIDUL 651 VOG XTRAIL SOLID - CL GUN M GUNUNG KIDUL 652 VOG XTRAIL SOLID - CL GUN M GUNUNG KIDUL 653 VOG XTRAIL SOLID - CL GUN M GUNUNG KIDUL

(3)

654 VOG XTRAIL SOLID - CL RED F GUNUNG KIDUL 655 VOG XTRAIL SOLID - CL WH GUNUNG KIDUL

656 VOG XTRAIL SOLID - CL WH KOTA

657 VOG XTRAIL SOLID - CL WH KOTA

658 VOG XTREAM - CL BK SLEMAN

659 VOG XTREAM - CL BK SLEMAN

660 VOG XTREAM - CL BK SLEMAN

661 VOG XTREAM - CL BK SLEMAN

662 VOG XTREAM - CL BK SLEMAN

663 VOG XTREAM - CL BK SLEMAN

664 VOG XTREAM - CL BK SLEMAN

665 VOG XTREAM - CL BK SLEMAN

666 VOG XTREAM - CL BK SLEMAN

667 VOG XTREAM - CL BK SLEMAN

668 VOG XTREAM - CL BK SLEMAN

669 VOG XTREAM - CL BK SLEMAN

670 VOG XTREAM - CL BK SLEMAN

671 VOG XTREAM - CL BK SLEMAN

672 VOG XTREAM - CL BK SLEMAN

673 VOG XTREAM - CL BK SLEMAN

674 VOG XTREAM - CL BK SLEMAN

675 VOG XTREAM - CL BK SLEMAN

676 VOG XTREAM - CL BK SLEMAN

677 VOG XTREAM - CL BK SLEMAN

678 VOG XTREAM - CL BK SLEMAN

679 VOG XTREAM - CL BK SLEMAN

680 VOG XTREAM - CL BK SLEMAN

681 VOG XTREAM - CL BK SLEMAN

682 VOG XTREAM - CL BK SLEMAN

683 VOG XTREAM - CL BK/DF KOTA

684 VOG XTREAM - CL BK/DF KOTA

685 VOG XTREAM - CL BK/DF KOTA

686 VOG XTREAM - CL BK/DF KOTA

687 VOG XTREAM - CL BK/DF KOTA

688 VOG XTREAM - CL BK/DF KOTA

689 VOG XTREAM - CL BK/DF KOTA

690 VOG XTREAM - CL BK/DF KOTA

691 VOG XTREAM - CL BK/DF KOTA

692 VOG XTREAM - CL BK/DF KOTA

693 VOG XTREAM - CL GUN MET SLEMAN

694 VOG XTREAM - CL GUN MET SLEMAN

695 VOG XTREAM - CL GUN MET SLEMAN

696 VOG XTREAM - CL GUN MET SLEMAN

697 VOG XTREAM - CL GUN MET SLEMAN

698 VOG XTREAM - CL GUN MET SLEMAN

699 VOG XTREAM - CL GUN MET SLEMAN

(4)

701 VOG XTREAM - CL GUN MET SLEMAN

702 VOG XTREAM - CL GUN MET SLEMAN

703 VOG XTREAM - CL GUN MET SLEMAN

704 VOG XTREAM - CL GUN MET SLEMAN

705 VOG XTREAM - CL GUN MET SLEMAN

706 VOG XTREAM - CL GUN MET SLEMAN

707 VOG XTREAM - CL GUN MET SLEMAN

708 VOG XTREAM - CL GUN MET SLEMAN

709 VOG XTREAM - CL GUN MET SLEMAN

710 VOG XTREAM - CL ICE BL SLEMAN

711 VOG XTREAM - CL ICE BL SLEMAN

712 VOG XTREAM - CL ICE BL SLEMAN

713 VOG XTREAM - CL ICE BL SLEMAN

714 VOG XTREAM - CL ICE BL SLEMAN

715 VOG XTREAM - CL ICE BL SLEMAN

716 VOG XTREAM - CL ICE BL SLEMAN

717 VOG XTREAM - CL ICE BL SLEMAN

718 VOG XTREAM - CL ICE BL SLEMAN

719 VOG XTREAM - CL ICE BL SLEMAN

720 VOG XTREAM - CL ICE BL SLEMAN

721 VOG XTREAM - CL ICE BL SLEMAN

722 VOG XTREAM - CL ICE BL SLEMAN

723 VOG XTREAM - CL ICE BL SLEMAN

724 VOG XTREAM - CL ICE BL SLEMAN

725 VOG XTREAM - CL ICE BL SLEMAN

726 VOG XTREAM - CL ICE BL SLEMAN

727 VOG XTREAM - CL ICE BL SLEMAN

728 VOG XTREAM - CL ICE BL SLEMAN

729 VOG XTREAM - CL ICE BL SLEMAN

730 VOG XTREAM - CL ICE BL SLEMAN

731 VOG XTREAM - CL PINK GUNUNG KIDUL

732 VOG XTREAM - CL PINK CT GUNUNG KIDUL

733 VOG XTREAM - CL PINK CT GUNUNG KIDUL

734 VOG XTREAM - CL PINK CT GUNUNG KIDUL

735 VOG XTREAM - CL PINK CT GUNUNG KIDUL

736 VOG XTREAM - CL PINK CT GUNUNG KIDUL

737 VOG XTREAM - CL PINK CT GUNUNG KIDUL

738 VOG XTREAM - CL PINK CT GUNUNG KIDUL

739 VOG XTREAM - CL PINK CT GUNUNG KIDUL

740 VOG XTREAM - CL PINK CT GUNUNG KIDUL

741 VOG XTREAM - CL PINK CT GUNUNG KIDUL

742 VOG XTREAM - CL PINK CT GUNUNG KIDUL

743 VOG XTREAM - CL PP SLEMAN

744 VOG XTREAM - CL PP SLEMAN

745 VOG XTREAM - CL PP SLEMAN

746 VOG XTREAM - CL PP SLEMAN

(5)

748 VOG XTREAM - CL PP SLEMAN

749 VOG XTREAM - CL PP SLEMAN

750 VOG XTREAM - CL PP SLEMAN

751 VOG XTREAM - CL PP SLEMAN

752 VOG XTREAM - CL PP SLEMAN

753 VOG XTREAM - CL PP SLEMAN

754 VOG XTREAM - CL PP SLEMAN

755 VOG XTREAM - CL PP SLEMAN

756 VOG XTREAM - CL R. RED KULON PROGO

757 VOG XTREAM - CL R. RED KULON PROGO

758 VOG XTREAM - CL R. RED KULON PROGO

759 VOG XTREAM - CL R. RED KULON PROGO

760 VOG XTREAM - CL R. RED KULON PROGO

761 VOG XTREAM - CL R. RED KULON PROGO

762 VOG XTREAM - CL R. RED KULON PROGO

763 VOG XTREAM - CL R. RED KULON PROGO

764 VOG XTREAM - CL R. RED KULON PROGO

765 VOG XTREAM - CL R. RED KULON PROGO

766 VOG XTREAM - CL R. RED KULON PROGO

767 VOG XTREAM - CL R. RED KULON PROGO

768 VOG XTREAM - CL R. RED KULON PROGO

769 VOG XTREAM - CL R. RED KULON PROGO

770 VOG XTREAM - CL R. RED KULON PROGO

771 VOG XTREAM - CL R. RED KULON PROGO

772 VOG XTREAM - CL R. RED KULON PROGO

773 VOG XTREAM - CL R. RED KULON PROGO

774 VOG XTREAM - CL R. RED KULON PROGO

775 VOG XTREAM - CL RED F SLEMAN

776 VOG XTREAM - CL RED F SLEMAN

777 VOG XTREAM - CL RED F SLEMAN

778 VOG XTREAM - CL RED F KULON PROGO

779 VOG XTREAM - CL RED F SLEMAN

780 VOG XTREAM - CL RED F SLEMAN

781 VOG XTREAM - CL RED F SLEMAN

782 VOG XTREAM - CL RED F KULON PROGO

783 VOG XTREAM - CL RED F SLEMAN

784 VOG XTREAM - CL RED F SLEMAN

785 VOG XTREAM - CL WH SLEMAN

786 VOG XTREAM - CL WH SLEMAN

787 VOG XTREAM - CL WH SLEMAN

788 VOG XTREAM - CL WH SLEMAN

789 VOG XTREAM - CL WH SLEMAN

790 VOG XTREAM - CL WH SLEMAN

791 VOG XTREAM - CL WH SLEMAN

792 VOG XTREAM - CL WH SLEMAN

793 VOG XTREAM - CL WH SLEMAN

(6)

795 VOG XTREAM - CL WH SLEMAN

796 VOG XTREAM - CL WH SLEMAN

797 VOG XTREAM - CL WH SLEMAN

798 VOG XTREAM - CL WH SLEMAN

799 VOG XTREAM - CL WH SLEMAN

800 VOG XTREAM - CL WH SLEMAN

801 VOG XTREAM - CL WH SLEMAN

802 VOG XTREAM - CL WH SLEMAN

803 VOG XTREAM - CL WH SLEMAN

804 VOG XTREAM - CL WH SLEMAN

805 VOG XTREAM - CL WH SLEMAN

806 VOG XTREAM - CL WH SLEMAN

807 VOG XTREAM - CL WH SLEMAN

808 VOG XTREAM - CL WH SLEMAN

809 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V BLUE KOTA

810 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V BLUE GUNUNG KIDUL 811 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V GUN KULON PROGO 812 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V GUN KULON PROGO 813 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V GUN KULON PROGO 814 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V ICE BL SLEMAN 815 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V ICE BL SLEMAN 816 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V ICE BL SLEMAN 817 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V ICE BL SLEMAN

818 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V PINK GUNUNG KIDUL 819 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V PP KULON PROGO 820 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V PP KULON PROGO 821 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V RED F KULON PROGO 822 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V RED F KULON PROGO 823 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V RYL RED KULON PROGO 824 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V RYL RED KULON PROGO 825 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V RYL RED KULON PROGO 826 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V RYL RED KULON PROGO 827 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V WH KOTA

828 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V WH KOTA 829 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V WH KOTA

830 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V BK KULON PROGO 831 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V BK KULON PROGO 832 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V BK KULON PROGO 833 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V BK KULON PROGO 834 VOG XTREAM 2 VSR SOLID/MEKANIK - 2V BK KULON PROGO