Institutional Repository | Satya Wacana Christian University: Penerapan Algoritma Naive Bayes untuk Penentuan Pelaksanaan Promosi: Studi Kasus Biro Promosi FTI UKSW

  

Penerapan Algoritma Naive Bayes Untuk Penentuan Pelaksanaan

Promosi

(Studi Kasus: Biro Promosi FTI UKSW)

Artikel Ilmiah

  

Peneliti:

Rio Hanni Wowiling (672014189)

Nina Setiyawati, S.Kom., M.Cs.

  

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

  

Januari 2018

  1. Pendahuluan

  Biro Promosi Fakultas Teknologi Informasi Universitas Kristen Satya Wacana (FTI-UKSW) merupakan salah satu unit kerja yang ada di FTI-UKSW yang memiliki peran penting dalam penyebaran informasi mengenai FTI-UKSW untuk meningkatkan jumlah mahasiswanya. Penyebaran informasi melalui media sosial maupun melakukan promosi secara langsung merupakan beberapa strategi yang telah dilakukan untuk memperkenalkan dan memberikan informasi tentang FTI-UKSW.

  Promosi secara langsung dilakukan dengan membentuk beberapa tim yang dikirim atau ditempatkan di berbagai daerah di Indonesia yang sudah ditargetkan oleh Biro Promosi FTI-UKSW. Jumlah mahasiswa yang masuk di FTI-UKSW dari daerah satu dengan daerah yang lainnya berbeda-beda, sehingga hal yang perlu diketahui adalah efektifitas dari pelaksanaan promosi di tiap-tiap daerah yang sudah dilakukan sebagai dasar pengambilan keputusan untuk pelaksanaan promosi selanjutnya.

  Berdasarkan latar belakang tersebut maka dilakukan penelitian untuk menentukan efektifitas dari pelaksanaan promosi di tiap-tiap daerah yang sudah dilakukan sebagai dasar pengambilan keputusan untuk pelaksanaan promosi selanjutnya. Dengan mengimplementasikan algoritma Naive Bayes yang merupakan salah satu metode klasifikasi dan yang memiliki kemampuan untuk memprediksi probabilitas di masa depan [1], diharapkan dapat menentukan efektifitas dari pelaksanaan promosi di tiap-tiap daerah sehingga dapat membantu Biro Promosi untuk menentukan pelaksanaan promosi selanjutnya serta strategi yang sesuai untuk setiap daerah.

  Hasil analisis dari algoritma Naive Bayes terhadap data histori pelaksanaan promosi akan ditampilkan ke dalam aplikasi berbasis mobile yang bertujuan untuk menghasilkan laporan yang lebih informatif, sehingga memudahkan Biro Promosi FTI-UKSW sehubungan dengan pengambilan keputusan dan kebijakan-kebijakan terkait pelaksanaan promosi selanjutnya di suatu daerah. Aplikasi berbasis mobile ini menggunakan format penulisan Java Script Objek Nation(JSON) untuk untuk pertukaran data.

  Berdasarkan permasalahan di atas, maka dapat didapatkan rumusan masalah pada penelitian ini yaitu bagaimana melakukan analisis algoritma Naive Bayes untuk menentukan efektifitas dari pelaksanaan promosi di tiap-tiap daerah yang sudah dilakukan sebagai dasar pengambilan keputusan untuk pelaksanaan promosi selanjutnya.

  2. Tinjauan Pustaka

  Pada penelitian mengenai “Klasifikasi Kayu Dengan Menggunakan Naive

  

Bayes Classifier membahas tentang pengimplementasian algoritma Naive Bayes

  dalam pengklasifikasian empat tipe kayu tertentu. Dan yang menjadi masalah dalam penelitian ini adalah bagaimana mengklasifikasikan empat tipe kayu tertentu tersebut hanya berdasarkan penampilan luarnya saja, dalam hal ini citra dari masing-masing tipe tersebut diambil dengan kamera digital. Selanjutnya dilakukan ekstraksi citra dengan menggunakan Local Binary Pattern (LBP) agar diperoleh citra gray-level yang kemudian dapat diolah lebih lanjut dalam image

  

prossesing. Dan berdasarkan citra hasil LBP akan dapat diperoleh statistik-

  statistik yang dapat digunakan sebagai parameter untuk mengkarakterisasi suatu citra. Pada akhirnya, dengan menggunakan Naïve Bayes Classifier yang diimplementasikan pada perangkat lunak Matlab, akan menghasilkan informasi berupa klasifikasi yang sudah ditentukan sebelumnya [2].

  Pada penelitian tentang “Data Mining Menggunakan Algoritma Naive

  Bayes

  untuk Klasifikasi Kelulusan Mahasiswa Universitas Dian Nuswantoro” membahas masalah mengenai data mahasiswa dan data kelulusan mahasiswa Universitas Dian Nuswantoro yang menghasilkan data yang sangat berlimpah berupa data profil mahasiswa dan data akademik yang terjadi secara berulang yang menimbulkan penumpukan terhadap data mahasiswa sehingga mempengaruhi pencarian informasi terhadap data tersebut. Untuk menangani masalah tersebut, dilakukanlah proses pengklasifikasian terhadap data mahasiswa Universitas Dian Nuswantoro Fakultas Ilmu Komputer angkatan 2009 berjenjang D3 dan S1 dengan memanfaatkan proses data mining dengan menggunakan teknik klasifikasi. Metode yang digunakan adalah CRISP-DM dengan melalui proses business understanding, data understanding, data preparation, modeling,

  

evaluation dan deployment. Algoritma yang digunakan untuk klasifikasi kelulusan

  adalah algoritma Naïve Bayes. Serta implementasi menggunakan RapidMiner 5.3 yang digunakan untuk membantu menemukan nilai yang akurat. Atribut yang digunakan adalah NIM, Nama, Jenjang, Progdi, Provinsi Asal, Jenis Kelamin, SKS, IPK, dan Tahun Lulus. Hasil dari penelitian ini digunakan sebagai salah satu dasar pengambilan keputusan untuk menentukan kebijakan oleh pihak Fasilkom [3].

  Berbeda dengan penelitian sebelumnya, penelitian ini membahas tentang algoritma Naive Bayes untuk menentukan efektifitas dari pelaksanaan promosi di tiap-tiap daerah yang sudah dilakukan sebagai dasar pengambilan keputusan untuk pelaksanaan promosi selanjutnya. Dan yang menjadi masalah pada penelitian ini yaitu bagaimana menentukan efektifitas dari pelaksanaan promosi di tiap-tiap daerah yang sudah dilakukan sebagai dasar pengambilan keputusan untuk pelaksanaan promosi selanjutnya. Dengan menggunakan algoritma Naive Bayes, akan menghasilkan informasi efektifitas dari tiap-tiap daerah yang sudah dilakukan promosi dan informasi pelaksanaan promosi berikutnya.

  Data mining adalah proses yang menggunakan teknik statistik, matematika,

  kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi yang bermanfaat serta pengetahuan yang terkait dengan berbagai database besar [4]. Menurut Larose, data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat di lakukan, yaitu:

  1. Deskripsi Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecendrungan yang terdapat dalam data.

  2. Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik dari pada ke arah kategori.

  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 variabel kategori.

  5. Pengklusteran

  

Clustering merupakan suatu metode untuk mencari dan mengelompokkan data

  yang memiliki kemiripan karakteriktik (similarity) antara satu data dengan data yang lain. Clustering merupakan salah satu metode data mining yang bersifat tanpa arahan (unsupervised).

  6. Asosiasi Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja [1].

  Menurut Larose, data mining memeliki enam fase CRISP-DM (Cross

  Industry Standard Process for Data Mining), yaitu [1]: 1.

  Fase Pemahaman Bisnis ( Business Understanding Phase ) 2. Fase Pemahaman Data ( Data Understanding Phase ) 3. Fase Pengolahan Data ( Data Preparation Phase ) 4. Fase Pemodelan ( Modeling Phase ) 5. Fase Evaluasi ( Evaluation Phase ) 6. Fase Penyebaran (Deployment Phase)

  Naive Bayes adalah metode lama untuk klasifikasi sering dipakai lagi karena

  kesederhanaan dan stabilitasnya. Naive Bayes juga merupakan sebuah pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Naive Bayes didasarkan pada teorema bayes yang memiliki kemampuan klasifikasi serupa decision tree dan neural network. Naive

  

Bayes merupakan salah satu metode machine learning yang memanfaatkan

  perhitungan probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya.

  Teorema Bayes memiliki rumusan umum sebagai berikut [1]: ( | ) ( )

  ( | ) ( )

  Gambar 1 . Rumusan Umum Teorema Bayes

  Dimana :

  X = data dengan class yang belum diketahui C = hipotesis data X, merupakan suatu class spesifik

  P(C|X) = probabilitas hipotesis berdasarkan kondisi (posteriori probability) P(C) = probabilitas hipotesis (prior probability) P(X|C) = probabilitas berdasarkan kondisi pada hipotesis P(X) = probabilitas C

  P(X) untuk semua kelas adalah konstan, hanya membutuhkan P(X|C)P(C)

  menjadi maksimal. Jika probabilitas priori kelas C tidak diketahui, maka biasanya diasumsikan bahwa probabilitas kelas-kelas ini adalah sama, yakni P(C1) = P(C2) = ... = P(Cn), oleh karena pernyataan tersebut dikonversi untuk memaksimalkan

  

P(X|C). P(C) sering disebut sebagai kemungkinan data X ketika diberi C,

  sedangkan asumsi untuk memaksimalkan P(X|C) disebut kemungkinan maksimum. Jika tidak, maka perlu memaksimalkan P(X|C)P(C). Jika diketahui asumsi probabilitas tidak sama, maka probabilitas priori dari kelas dapat dihitung dengan P(C) = M / m, dimana M adalah jumlah sampel training di kelas C sementara m adalah jumlah keseluruhan sampel training.

  Confusion matrix memberikan keputusan yang diperoleh dalam traning dan

testing, confusion matrix memberikan penilaian performance klasifikasi

  berdasarkan objek dengan benar atau salah. [5] Confusion matrix berisi informasi aktual (actual) dan prediksi (predicted) pada sistem klasifikasi.

  

Tabel 1. Confusion Matrix

PREDICTED CLASS CLASSIFICATION

  Class = Yes Class = No Class = Yes A (True Positive-TP) B (False Negative-FN) Class = No C (False Positive-FP) D (True Negative-TN)

  Berikut adalah persamaan model confusion matrix untuk menghitung nilai precision(pre), recall(rec) dan accuracy(acc).

  pre = TP x 100% FP+TP rec = TP x 100% FN+TP acc = TP + TN x 100% TP+TN+FP+FN

3. Metodologi Penelitian

  Tahapan penelitian yang digunakan dalam Implementasi Algoritma Naive

  

Bayes di Promosi Fakultas Teknologi Informasi Universitas Kristen Satya

Wacana dapat dilihat pada Gambar 2.

  

Identifikasi Masalah

  

Pemodelan

Pengujian

Gambar 2 . Tahapan Penelitian

  Tahapan penelitian pada Gambar 2 dijelaskan sebagai berikut: Tahap pertama adalah identifikasi masalah, pada tahap ini dilakkukan proses identifikasi masalah dengan melakukan wawancara dengan staf Biro Promosi FTI-

  UKSW. Dari wawancara yang telah dilakukan, didapatkan informasi bahwa pelaksanaan promosi di tiap-tiap daerah yang dilakukan setiap tahun dilakukan tanpa ada dasar alasan yang jelas, oleh karena itu pada penelitian ini akan dilakukan analisis terhadap data pelaksanaan promosi yang telah dilakukan untuk melihat efektifitas pelaksanaan promosi sebagai dasar pelaksanaan promosi pada suatu daerah.

  Tahap yang kedua adalah pemodelan, dimana pada tahap ini pemodelan yang digunakan yaitu tahapan proses Knowledge Discovery In Database (KDD) seperti terlihat pada Gambar 3 [6].

  Gambar 3 . Knowledge Discovery In Database (KDD)

  Dari Gambar 3 terlihat tahapan KDD sebagai berikut : Tahap pertama yaitu pengumpulan data. Pada tahap ini dilakukan pengumpulan data-data mentah yang akan digunakan untuk proses data mining.

  Data-data tersebut yaitu data Sekolah Menengah Tingkat Atas (SMTA) mahasiswa FTI-UKSW dari angkatan 2012 sampai 2017 yang diperoleh dari Biro Promosi dan Hubungan Luar UKSW dalam file excel. Data tersebut berisi atribut NIM, NAMA_SMTA, KOTA_SMTA, kota asal orang tua, serta program studi mahasiswa. Data mentah yang berikutnya yaitu data yang diperoleh dari perhitungan melalui google maps yang berupa data jarak antara FTI-UKSW (kota Salatiga) dengan daerah-daerah yang telah dilakukan promosi sebelumnya. Tabel 2 adalah data SMTA yang didapatkan dari BPHL UKSW.

  

Tabel 2 . Data SMTA Mahasiswa FTI-UKSW Dari Angkatan 2012 Sampai 2017

NIM NAMA_SMTA KOTA_SMTA KOTA_ORTU PRODI

  672016040 SMK IPT Karangpanas, Kota Semarang Kab. Semarang TEKNIK Sema

  INFORMATIKA 672016041 SMA Kristen 1, Salatiga Kota Salatiga Kota Salatiga TEKNIK

  INFORMATIKA 672016042 SMK MUHAMADDIYAH, Kota Salatiga Kab. Semarang TEKNIK

  SALATIGA

  INFORMATIKA ....

.... .... .... ....

  Tahap kedua yaitu tahap data selection & cleaning. Pada tahap ini dilakukan proses pemilihan dan pembersihan data terhadap data mentah yang diperoleh pada tahap sebelumnya melalui proses pre-processing atau biasa dikenal dengan proses normalisasi data. Normalisasi data dilakukan dengan menghapus data kosong di setiap atribut-atribut yang ada serta menghilangkan atribut yang tidak digunakan. Tabel 3 memperlihatkan hasil dari penghapusan beberapa atribut pada data SMTA.

  

Tabel 3 . Hasil Data Selection & Cleaning pada Data SMTA

NIM KOTA_SMTA

  672016040 Kota Semarang 672016041 Kota Salatiga 672016042 Kota Salatiga .... ....

  Tahap ketiga yaitu tahap Data Transformation. Berikut adalah tabel-tabel yang baru yang diperoleh dari tahap Data Transformation. 1)

  Tabel kota terdiri dari 4 atribut yaitu, atribut NO, KOTA_SMTA, JARAK yang digunakan untuk menampung data jarak antara Salatiga dengan daerah promosi sebelumnya dan atribut KETERANGAN yang digunakan untuk menampung keterangan nilai jarak, seperti dapat dilihat pada Tabel 4.

  Tabel 4 . Tabel Kota

  

NO KOTA_SMTA JARAK KETERANGAN

(/KM)

  1 Dili 1664 JAUH

  2 Kab. Alor 1510 JAUH .... ... .... ....

  2) Tabel mahasiswa memiliki atribut NIM, ID_KOTA, PRODI yang digunakan untuk menampung data mahasiswa dan PERIODE yang digunakan untuk menampung data periode promosi yang ada di database.

  

Tabel 5 . Tabel Mahasiswa

NIM

  ID_KOTA PRODI PERIODE 672016040

  1 TEKNIK INFORMATIKA 2016 672016041

  2 TEKNIK INFORMATIKA 2016 672016042

  3 TEKNIK INFORMATIKA 2016 .... .... .... ....

  3) Tabel periode memiliki atribut PRODI yang digunakan untuk menampung data periode promosi yang ada di database.

  Tabel 6 . Tabel Periode

  

PERIODE

2017 2018 ....

  4) Selanjutnya tabel efektifitas yang memiliki atribut KOTA_SMTA, JUMLAH

  MAHASISWA, PROMOSI FAKULTAS, JARAK, EFEKTIFITAS dan PELAKSANAAN PROMOSI yang digunakan untuk menampung data pelaksanaan promosi dari daerah promosi sebelumnya, seperti dapat dilihat pada Tabel 7. _{EFEKTI KOTA MAHASISWA FAKULTAS PROMOSI FITAS ID_ PERIODE 1 2 2017 1 MENINGKAT TIDAK JAUH BELUM YA ID_ JML PROMOSI JARAK EFEKTIFITAS PELAKSANAAN}

Tabel 7 . Tabel Efektifitas

_{DIKETAHUI .... .... .... .... .... .... .... .... 3 2017} 2017 _{3 MENURUN YA JAUH TIDAK EFEKTIF TIDAK} ^{2 MENINGKAT TIDAK JAUH BELUM YA} _DIKETAHUI

  Relasi dari tabel-tabel yang terbentuk, yaitu tb_mhs, tb_kota, tb_periode, tb_efektifitas terlihat pada Gambar 4.

  Gambar 4 . Database Relation

  4. Hasil Pembahasan dan Implementasi Output yang dihasilkan selanjutnya ditampilkan pada aplikasi berbasis

mobile yang berupa informasi efektifitas pelaksanaan promosi serta rekomendasi

  pelaksanaan promosi selanjutnya pada suatu daerah yang ditampilkan. Informasi tersebut diperoleh dari analisis menggunakan algoritma Naive Bayes pada data dari hasil proses transformasi atau dataset. Dengan menggunakan algoritma Naive

  

Bayes dilakukan perhitungan pada data training, dimana pada penelitian ini yang

  digunakan sebagai tabel training adalah tb_efektifitas. Adapun variabel input yang digunakan yaitu JML_MAHASISWA, PROMOSI_FAKULTAS, JARAK

  dan EFEKTIFITAS. Target output yang dihasilkan pada penelitian ini yaitu pelaksanaan promosi dengan class output adalah Ya dan Tidak.

  Adapun proses perhitungan menggunakan algoritma Naive Bayes terlihat pada Gambar 5.

  Mengalikan probabilitas Menghitung Membandingkan berdasarkan kondisi probabilitas probabilitas

  Menghitung prior pada hipotesis dengan berdasarkan kondisi

  “YA” dan probability prior probability pada hipotesis “TIDAK”

  Gambar 5 . Proses Perhitungan Algoritma Naive Bayes

  

Menghitung jumlah kelas dari pelaksanaan promosi berdasarkan klasifikasi

yang terbentuk (prior probability).

  1. C1 (Kelas PELAKSANAAN PROMOSI = “YA”) = jumlah data "YA" dibagi dengan keseluruhan jumlah data pada atribut PELAKSANAAN PROMOSI = 85/156 = 0,54 2. C2 (Kelas PELAKSANAAN PROMOSI = “TIDAK”) = jumlah data "TIDAK" dibagi dengan keseluruhan jumlah data pada atribut PELAKSANAAN

  PROMOSI = 71/156 = 0,46 Tahap untuk menghitung prior probability diimplementasikan dalam kode program seperti terlihat pada Kode Program 1.

  Kode Program 1 . Kode Program Menghitung Probabilitas “YA” dan “TIDAK” 1. (SELECT COUNT(id_efektifitas) FROM tb_efektifitas e2 WHERE 2. e2.PELAKSANAAN_PROMOSI='YA') AS 'strategi_ya',

  3. (SELECT COUNT(id_efektifitas) FROM tb_efektifitas e2 WHERE 4. e2.PELAKSANAAN_PROMOSI='TIDAK') AS 'strategi_tidak',

5. (SELECT COUNT(PELAKSANAAN_PROMOSI) FROM pelaksanaan_promosi) AS 'strategi'

6. $prop_ya = $row2["strategi_ya"] / $row2["strategi"]; 7. $prop_tidak = $row2["strategi_tidak"] / $row2["strategi"];

  Kode program 1 pada baris 1 dan 2 digunakan untuk menghitung jumlah data "YA" pada atribut "PELAKSANAAN_PROMOSI" dan disimpan pada variabel

  “strategi_ya”, sedangkan pada baris 3 dan 4 digunakan untuk menghitung jumlah data "TIDAK" pada atribut "PELAKSANAAN_PROMOSI" dan disimpan pada variabel “strategi_tidak” dan pada baris 5-7 digunakan untuk menghitung jumlah keseluruhan data yang ada pada pada atribut "PELAKSANAAN_PROMOSI" yang kemudian dibagi jumlah seluruh data, kemudian disimpan dalam variabel

  “prop_ya” dan “prop_tidak”.

  

Menghitung probabilitas jumlah kasus yang sama pada setiap atribut dari

kelas pelaksanaan promosi (YA/TIDAK) berdasarkan data testing.

1. P(JUMLAH MAHASISWA = “MENINGKAT” | Kelas PELAKSANAAN

  PROMOSI = “YA”) = 82/85 = 0.96 2. P(JUMLAH MAHASISWA = “MENINGKAT” | Kelas PELAKSANAAN

  PROMOSI = “TIDAK”) = 0/71 = 0

  3. P(PROMOSI FAKULTAS = “TIDAK” | Kelas PELAKSANAAN PROMOSI = “YA”) = 73/85 = 0.86 4.

  P(PROMOSI FAKULTAS = “TIDAK” | Kelas PELAKSANAAN PROMOSI = “TIDAK”) = 20/71 = 0.28 5. P(JARAK = “JAUH” | Kelas PELAKSANAAN PROMOSI = “YA”) = 52/85 =

  0.61 6. P(JARAK = “JAUH” | Kelas PELAKSANAAN PROMOSI = “TIDAK”) =

  45/71 = 0.63 7. P(EFEKTIFITAS = “TIDAK EFEKTIF” | Kelas PELAKSANAAN PROMOSI

  = “YA”) = 3/85 = 0.04 8. P(EFEKTIFITAS = “TIDAK EFEKTIF” | Kelas PELAKSANAAN PROMOSI

  = “TIDAK”) = 41/71 = 0.58 Menghitung probabilitas jumlah kasus yang sama pada setiap atribut dari kelas pelaksanaan promosi (YA/TIDAK) berdasarkan data training diimplementasikan dalam kode program seperti terlihat pada Kode Program 2.

  Kode Program 2 . Kode Program Menghitung Probabilitas “YA” Dan “TIDAK” Pada Setiap Atribut Naive Bayes

  1. $jumlah_mahasiswa_ya = $row2["jml_mahasiswa_meningkat_ya"] / 2. $row2["strategi_ya"]; 3. $jumlah_mahasiswa_tidak = $row2["jml_mahasiswa_ meningkat _tidak"] / 4. $row2["strategi_tidak"]; 5. $promosi_fakultas_ya = $row2["promosi_fakultas_tidak_ya"] / 6. $row2["strategi_ya"]; 7. $promosi_fakultas_tidak = $row2["promosi_fakultas_tidak_tidak"] / 8. $row2["strategi_tidak"]; 9. $jarak_ya = $row2["jarak_jauh_ya"] / $row2["strategi_ya"]; 10. $jarak_tidak = $row2["jarak_jauh_tidak"] / $row2["strategi_tidak"]; 11. $efektifitas_ya = $row2["efektifitas_tidak_efektif_ya"] / 12. $row2["strategi_ya"]; 13. $efektifitas_tidak = $row2["efektifitas_tidak_efektif_tidak"] / 14. $row2["strategi_tidak"];

  Kode Program 2 pada baris 1 sampai 4 digunakan untuk menghitung jumlah data mahasiswa dengan value “MENINGKAT” dibagi dengan variabel “strategi_ya” dan “strategi_tidak. Pada baris 5 sampai 8 digunakan untuk menghitung jumlah data dengan value pada atribut

  “YA” PROMOSI_FAKULTAS dibagi dengan variabel “strategi_ya” dan “strategi_tidak”. Pada baris 9 dan 10 digunakan untuk menghitung jumlah data dengan value “TIDAK” pada atribut JARAK dibagi dengan variabel “strategi_ya” dan “strategi_tidak”. Pada baris 11 dan 14 digunakan untuk menghitung jumlah data dengan value

  “TIDAK EFEKTIF” pada atribut EFEKTIFITAS dibagi dengan variabel “strategi_ya” dan “strategi_tidak”.

  Perkalian seluruh probabilitas “YA” dan “TIDAK” setiap atribut dengan prior probability.

  1. Perkalian semua atribut kelas PELAKSANAAN PROMOSI = “YA” dengan prior probability.

  P(P(JUMLAH MAHASISWA = MENINGKAT | Y = YA * P(PROMOSI

  FAKULTAS = TIDAK | Y = YA) * P(JARAK = JAUH | Y = YA) * P(EFEKTIFITAS = TIDAK EFEKTIF | Y = YA * ( C1))

  0.96 * 0.86 * 0.61 * 0.04 * 0,54= 0,009747 2. Perkalian semua atribut kelas PELAKSANAAN PROMOSI = “TIDAK” dengan prior probability.

  P(P(JUMLAH MAHASISWA = MENINGKAT | Y = YA) * P(PROMOSI FAKULTAS = TIDAK | Y = YA) * P(JARAK = JAUH | Y = YA) * P(EFEKTIFITAS = TIDAK EFEKTIF | Y = TIDAK * (C2)) 0/71. 20/71 . 45/71 . 41/71 . 71/156 = 0

  Perkalian seluruh probabilitas “YA” dan “TIDAK” setiap atribut Naive Bayes dengan prior probability diimplementasikan dalam kode program seperti terlihat pada Kode Program 3.

  

Kode Program 3 . Kode Program Menghitung Perkalian Semua Hasil Variabel “strategi_ya” dan

“strategi_tidak”.

  1. $ya = $jumlah_mahasiswa_ya * $promosi_fakultas_ya * $jarak_ya * 2. $efektifitas_ya * $prop_ya;

3. $tidak = $jumlah_mahasiswa_tidak * $promosi_fakultas_tidak * $jarak_tidak *

$efektifitas_tidak * $prop_tidak;

4. Kode program 3 pada baris 1 dan 2 digunakan untuk menghitung perkalian

  seluruh probabilitas “YA” setiap atribut Naive Bayes dan disimpan sebagai variabel “ya”. Sedangkan pada baris 3 dan 4 digunakan untuk menghitung perkalian seluruh probabilitas “YA” setiap atribut Naive Bayes dan disimpan sebagai variabel “tidak”.

  Membandingkan hasil perkalian seluruh probabilitas “YA” dan “TIDAK” setiap atribut dengan prior probability

  Karena hasil P (Ci) | Class Tahun Lulus = “yes”) P(X| Class Tahun Lulus = “yes”) lebih besar dari P (Ci) | Class Tahun Lulus = “no”) P(X| Class Tahun Lulus = “no”) maka keputusannya adalah “YA”

  Tahap untuk membandingkan hasil perkalian seluruh probabilitas “YA” dan “TIDAK” setiap atribut dengan prior probability diimplementasikan dalam kode program seperti terlihat pada Kode Program 4.

  Kode Program 4 . Kode Program Membandingkan Hasil Kelas 1. if ($ya >= $tidak) { 2. $strategi = "YA"; 3. } else { 4. $strategi = "TIDAK"; } 5. $hasil["strategi_promosi"] = $strategi;

  Kode program 4 merupakan kode program untuk membandingkan hasil dari tahap sebelumnya yaitu variabel “ya” dan “tidak”. Pada baris 1 digunakan untuk mengecek apakah variabel “ya” lebih dari sama dengan variabel “tidak”, jika ya maka mengeksekusi baris 2 dan menghasilkan output

  “YA”, apabila tidak maka baris 4 yang dieksekusi dan menghasilkan output “TIDAK”. Dan akhirnya pada baris 5 digunakan untuk menyimpan hasil tersebut pada atribut “strategi_promosi” dalam tabel efektifitas di database.

  Penelitian ini memanfaatkan Java Script Objek Nation(JSON) sebagai format pertukaran data, seperti terlihat pada Kode Program 5.

  Kode Program 5 . Kode Program Java Script Objek Nation(JSON) 1. echo json_encode($data);

  Output dari perhitungan diatas ditampilkan pada pada aplikasi yang berbasis

mobile, oleh karena itu dengan menggunakan JSON proses transfer data yang

  diinginkan jadi mudah.

  Pada tahap Interpretation / Evaluation, data hasil perhitungan menggunakan algoritma Naive Bayes pada tahap data mining pada akhirnya ditampilkan pada aplikasi berbasis mobile sehingga staf Biro Promosi FTI-UKSW dapat melihat informasi efektifitas pelaksanaan promosi dari kota-kota yang dilakukan pada periode promosi sebelumnya dan pelaksanaan promosi yang dapat menjadi acuan staf Biro Promosi FTI-UKSW untuk melaksanakan promosi pada periode promosi selanjutnya.

  Berikut dijelaskan output hasil perhitungan menggunakan algoritma Naive Bayes pada aplikasi.

  Gambar 6 . Tampilan Hasil Perhitungan Algoritma Naive Bayes

  Output yang dihasilkan dari proses algoritma Naive Bayes berupa informasi

  daerah-daerah yang di tampilkan dengan memberikan tab-tab berdasarkan klasifikasi efektifitasnya yaitu tab “EFEKTIF” ,”TIDAK EFEKTIF” dan “BELUM DIKETAHUI”. Tab “EFEKTIF” dalam tabel informasi efektifitas seperti terlihat pada Gambar 6, menampilkan daerah-daerah dengan value efektif pada atribut EFEKTIFITAS. Dimisalkan Kabupaten Cilacap dengan jumlah mahasiswa “MENINGKAT” dan memiliki status “YA” pada promosi fakultasnya serta jarak antara Kabupaten Cilacap dengan Kota Salatiga yaitu SEDANG, menghasilkan value “EFEKTIF”.

  Selanjutnya pada tabel informasi pelaksanaan promosi yang dibagi menjadi dua tab yaitu tab “YA” dan “TIDAK”. Kota Cilacap yang memperoleh value “EFEKTIF” pada tabel informasi efektifitas, pada tabel informasi pelaksanaan promosi ini menghasilkan value

  “YA”. Pada penelitian ini dilakukan pengujian untuk mengetahui pola atau cara kerja dari algoritma Naive Bayes dalam mengklasifikasikan data ke dalam kelas yang sudah ditentukan. Pada pengujian ini, menggunakan data latih dari yang diperoleh dari tabel informasi pelaksanaan promosi. Data uji untuk menguji tabel informasi pelaksanaan promosi menggunakan jumlah data yang sama dengan data latih. Cara kerja diperoleh dengan memberikan nilai pada confusion matrix untuk menghitung nilai precision, recall dan accuracy dari hasil pengujian. Berikut hasil pengujian dari beberapa percobaan.

  1. Percobaan ke-1 Menggunakan data latih dan data uji sebanyak 31 data sampel informasi pelaksanaan promosi. Tabel 8 adalah perhitungan nilai precision, recall dan

  accuracy dengan confusion matrix untuk percobaan ke-1.

  

Tabel 8 . Confusion Matrix Percobaan Ke-1

Predicted Class

  Ya Tidak Actual Class Ya

  19

  10 Tidak

  2 Precision = 19 / (0+19) x 100% = 100,00% Recall = 19 / (10+19) x 100% = 65,52% Accuracy = (19+2) / 31 x 100% = 67,74%

  2. Percobaan ke-2 Menggunakan data latih dan data uji sebanyak 62 data sampel informasi pelaksanaan promosi. Tabel 9 adalah perhitungan nilai precision, recall dan

  accuracy dengan confusion matrix untuk percobaan ke-2.

  

Tabel 9 . Confusion Matrix Percobaan Ke-2

Predicted Class

  Ya Tidak Actual Class Ya

  37

  3 Tidak

  22 Precision = 37 / (0+37) x 100% = 100,00% Recall = 37 / (3+37) x 100% = 92,50% Accuracy = (37+22) / 62 x 100% = 95,16%

  3. Percobaan ke-3 Menggunakan data latih dan data uji sebanyak 93 data sampel informasi pelaksanaan promosi. Tabel 10 adalah perhitungan nilai precision, recall dan

  accuracy dengan confusion matrix untuk percobaan ke-3.

  Tabel 10 . Confusion Matrix Percobaan Ke-3

  Predicted Class Ya Tidak

  Actual Class Ya

  55

  3 Tidak

  35 Precision = 55 / (0+55) x 100% = 100,00% Recall = 55 / (3+55) x 100% = 94,82% Accuracy = (55+35) / 93 x 100% = 96,77%

  4. Percobaan ke-4 Menggunakan data latih dan data uji sebanyak 124 data sampel informasi pelaksanaan promosi. Tabel 11 adalah perhitungan nilai precision, recall dan

  accuracy dengan confusion matrix untuk percobaan ke-4.

  

Tabel 11 . Confusion Matrix Percobaan Ke-4

Predicted Class

  Ya Tidak Actual Class Ya

  67

  6 Tidak

  1

  50 Precision = 67 / (1+67) x 100% = 98,53% Recall = 67 / (6+67) x 100% = 91,78% Accuracy = (67+50) / 124 x 100% = 94,35%

  5. Percobaan ke-5 Menggunakan data latih dan data uji sebanyak 156 data sampel informasi pelaksanaan promosi. Tabel 12 adalah perhitungan nilai precision, recall dan

  accuracy dengan confusion matrix untuk percobaan ke-5.

  

Tabel 12 . Confusion Matrix Percobaan Ke-5

Predicted Class

  Ya Tidak Actual Class Ya

  83

  7 Tidak

  2

  64 Precision = 83 / (2+83) x 100% = 97,65%

  Recall = 83 / (7+83) x 100% = 92,22% Accuracy = (83+64) / 156 x 100% = 94,23%

  Dari hasil pengujian dapat diketahui nilai precision, recall, dan accuracy untuk setiap percobaan. Perhitungan rata-rata dari semua percobaan menghasilkan nilai precision, recall, dan accuracy masing-masing 99%, 87%, dan 90% . Nilai

  

precision tertinggi dari semua percobaan yaitu 100%, sedangkan nilai precision

  terendah dari semua percobaan yaitu 97%. Untuk Nilai recall tertinggi dari semua percobaan yaitu 94%, sedangkan nilai recall terendah dari semua percobaan yaitu 65%. Nilai accuracy tertinggi dari semua percobaan yaitu 96%, sedangkan nilai

  

accuracy terendah dari semua percobaan yaitu 67%. Berikut adalah grafik hasil

pengujian.

  120% 100% 80%

  Precision 60% Recall Accuracy

  40% 20% 0% Percb.1 Percb.2 Percb.3 Percb.4 Percb.5

  

Gambar 9 . Grafik Hasil Pengujian

5.

  Simpulan Dan Saran Berdasarkan penelitian yang telah dilakukan dapat disimpulkan bahwa analisa efektifitas pelaksanaan promosi dilakukan menggunakan algoritma Naive

  

Bayes melalui tahapan Knowledge Discovery In Database (KDD). Dari dataset

  hasil transformasi data dilakukan perhitungan menggunakan algoritma Naive

  

Bayes dan dihasilkan efektifitas pelaksanaan promosi serta rekomendasi untuk

  pelaksanaan promosi pada suatu daerah. Dari hasil pengujian dapat diketahui nilai

  

precision, recall, dan accuracy untuk setiap percobaan. Perhitungan rata-rata dari

  semua percobaan menghasilkan nilai precision, recall, dan accuracy masing- masing 99%, 87%, dan 90%.

  Pengembangan yang dapat dilakukan pada penelitian ini di kemudian hari adalah menambahkan beberapa paramater atau atribut lain yang dapat mendukung proses analisis menjadi lebih baik. Untuk bagian tampilan di aplikasi mobile dapat ditambahkan group by terhadap data hasil klasifikasi berdasarkan parameter yang lain agar informasi yang ditampilkan lebih informatif.

6. Daftar Pustaka

  [1] Larose , Daniel T, 2005, Discovering Knowledge in Data: An Introduction

  to Data Mining, John Willey & Sons. Inc

  [2] Fahrurozi, A. (2014). Klasifikasi Kayu Dengan Menggunakan Naive Bayes Classifier. KNM XVII ITS Surabaya. 2014.

  [3] Listyaningrum, S. (2015). Penerapan Data Mining Untuk Analisis

  Karakteristik DPT Non-Participate sebagai Prediksi Partisipan Pemilu dengan Menggunakan Metode Naive Bayes Classifier. Universitas Dian Nuswantoro. Semarang. [4]

  Nugroho, Y. S. (2014). Data Mining Menggunakan Algoritma Naive Bayes Untuk Klasifikasi Mahasiswa Universitas Dian Nuswantoro. Universitas Dian Nuswantoro. Semarang.

  [5] Ciptohartono, C. C. (2014). Algoritma Klasifikasi Naive Bayes Untuk Menilai Kelayakan Kredit.

  [6] Ridwan, Mujib; Suyono, Hadi; Sarosa, M;. (2013). Penerapan Data Mining

  Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS, 59-64.