IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN

HUMAS STMIK AMIKOM YOGYAKARTA

NASKAH PUBLIKASI

diajukan oleh

Burhan Alfironi Muktamar

10.11.3697

kepada

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA

YOGYAKARTA 2013

IMPLEMENTATION OF DATA MINING WITH NAIVE BAYES CLASSIFIER TO SUPPORTING MARKETING STRATEGY IN PUBLIC RELATIONS

STMIK AMIKOM YOGYAKARTA

IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN

HUMAS STMIK AMIKOM YOGYAKARTA

Burhan Alfironi Muktamar Erik Hadi Saputra

Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA

ABSTRACT

Data mining is a process to finding new patterns in the data by filtering large

quantities. Search pattern data mining using pattern recognition technology which is similar to the statistical techniques and mathematical techniques. Patterns found are expected to provide useful information to produce economic benefits, effectiveness and efficiency.

One method of data mining is the naive Bayes classifier is a data mining technique which has the ability of classification. Naive Bayes classifier algorithm can be used to predict interest the study based on the evidence given. Naive Bayes classifier algorithm is one method of data mining that can be used to support effective marketing strategies and efficient.

The results of this research is the application of data mining algorithms are constructed using a naive Bayes classifier which can provide important information such as the results of predictions of interest in the study of students who could be used to help Team Marketing STMIK AMIKOM Yogyakarta. The data used is the student enrollment the previous year.

Prediction of the results obtained, is expected to help to support the marketing strategies that have an impact on the effectiveness and efficiency of marketing and increasing the number of new students who enroll.

Keywords : data mining, naive bayes classifier, classification

1

1. PENDAHULUAN

1.1 Latar Belakang Masalah

Banyak perusahaan dan instansi pemerintah yang menggunakan data mining

untuk menggali informasi. Informasi ini sangat berguna untuk meningkatkan keuntungan

ataupun membantu dalam penyusunan strategi pemasaran.

Selain perusahaan dan instansi pemerintah, penerapan data mining juga

dilakukan dalam dunia pendidikan baik oleh perguruan tinggi negeri maupun swasta. Hal

ini karena banyak perguruan tinggi yang berupaya untuk mendapatkan competitive

intelligence.

STMIK AMIKOM Yogyakarta merupakan salah satu perguruan tinggi swasta

yang berkedudukan di Yogyakarta di bawah naungan Yayasan AMIKOM Yogyakarta.

STMIK AMIKOM Yogyakarta merupakan sebuah perguruan tinggi hasil pengembangan

dari Akademi Manajemen Informatika dan Komputer "AMIKOM Yogyakarta“1.

Salah satu penerapan data mining dengan naive bayes classifier dalam

perguruan tinggi adalah untuk mengetahui minat dan ketertarikan calon mahasiswa baru

terhadap program studi yang tersedia dengan memprediksi probabilitas keanggotaan

suatu class. Informasi ini dapat digunakan untuk mendukung strategi pemasaran agar

lebih efektif dan efisien. Dengan informasi ini suatu perguruan tinggi dapat mengetahui

tingkat ketertarikan calon mahasiswa terhadap suatu program studi yang terdapat di

perguruan tinggi tersebut. Sehingga perguruan tinggi dapat mengetahui serta

menentukan target atau sasaran pasar dengan lebih rinci.

Dengan demikian, di bagian Hubungan Masyarakat (HUMAS) STMIK AMIKOM

Yogyakarta diperlukan suatu aplikasi data mining untuk menggali atau mencari informasi

dari data pendaftaran tahun-tahun sebelumnya sebagai bahan evaluasi dan analisa

untuk mendukung strategi pemasaran tahun berikutnya. Konsep bayesian classification

ditujukan untuk memprediksi probabilitas di masa depan berdasarkan pengalaman di

masa sebelumnya.

1 Anonim, Sejarah Berdirinya Sekolah Tinggi Manajemen Informatika dan Komputer AMIKOM

Yogyakarta, http://www.amikom.ac.id/index.php/profile/history, diakses 12 Juli 2013 pukul 10.45.

2

2. LANDASAN TEORI

2.1 Pengertian Data Mining

Data mining, sering juga disebut knowledge discovery in database (KDD), adalah

kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan

keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data

mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan.

Sehingga istilah pattern recognition sekarang jarang digunakan karena termasuk bagian

dari data mining. (Santosa, 2007:10).

Dalam prosesnya data mining menggunakan apa yang dihasilkan oleh data

warehouse. Data warehouse adalah kumpulan data dari berbagai sumber internal

maupun eksternal yang dikumpulkan menjadi satu dalam tempat penyimpanan yang

berukuran besar yang bisa digunakan untuk pengambilan keputusan, dan bersifat

berorientasi subjek, terintegrasi, time-variant, dan non-volatine. Data warehouse

bertugas untuk menarik data dari basis data mentah untuk memberikan hasil data yang

nantinya digunakan oleh proses data mining.

2.2 Konsep Klasifikasi

Klasifikasi dapat didefinisikan sebagai pekerjaan yang melakukan

pelatihan/pembelajaran terhadap fungsi target f yang memetakan setiap set atribut (fitur)

x ke satu dari sejumlah label kelas y yang tersedia. Pekerjaan pelatihan tersebut akan

menghasilkan suatu model yang kemudian disimpan sebagai memori. (Prasetyo, 2012 :

45).

Algoritma klasifikasi menggunakan data training untuk membuat sebuah model.

Model yang sudah dibangung tersebut kemudian digunakan untuk memprediksi label

kelas data baru yang belum diketahui.

Dalam proses klasifikasi terdapat banyak algoritma yang telah dikembangkan

oleh para peneliti seperti K-Nearest Neighbor, Artifical Neural Network, Support Vector

Machine, Decision Tree, Naïve Bayes Classifier dan lain sebagainya. Setiap algoritma

dalam klasifikasi data mining tersebut memiliki kelebihan dan kekurangan. Tetapi prinsip

dari masing-masing algoritma tersebut sama, yaitu melakukan suatu pelatihan sehingga

di akhir pelatihan model dapat memprediksi setiap vektor masukan ke label kelas output

dengan tepat2.

Salah satu pengukur kinerja klasifikasi adalah tingkat akurasi. Sebuah sistem

dalam melakukan klasifikasi diharapkan dapat mengklasifikasi semua set data dengan

benar, tetapi tidak dipungkiri bahwa kinerja suatu sistem tidak bisa 100% akurat3.

2 Eko Prasetyo, Data Mining Konsep dan Aplikasi Menggunakan Matlab, Yogyakarta : Penerbit

Andi, 2012, hal 46. 3 Ibid, hal 48.

3

Untuk menghitung akurasi digunakan formula :

Akurasi =𝐽𝑢𝑚𝑙𝑎𝑕 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑠𝑒𝑐𝑎𝑟𝑎 𝑏𝑒𝑛𝑎𝑟

𝑗𝑢𝑚𝑙𝑎𝑕 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑑𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛

= 𝑓11 + 𝑓00

𝑓11 + 𝑓10 + 𝑓01 + 𝑓00

Untuk menghitung kesalahan prediksi (error) digunakan formula:

Error =𝐽𝑢𝑚𝑙𝑎𝑕 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑠𝑒𝑐𝑎𝑟𝑎 𝑠𝑎𝑙𝑎𝑕

𝑗𝑢𝑚𝑙𝑎𝑕 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑑𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛

= 𝑓10 + 𝑓01

𝑓11 + 𝑓10 + 𝑓01 + 𝑓00

2.3 Konsep Naive Bayes Classifier

Teori keputusan Bayes adalah pendekatan statistik yang fundamental dalam

pengenalan pola (pattern recognition). Pendekatan ini didasarkan pada kuantifikasi trade-

off antara berbagai keputusan klasifikasi dengan menggunakan probabilitas dan ongkos

yang ditimbulkan dalam keputusan-keputusan tersebut .(Santosa, 2007:75).

Naive bayes classifier merupakan salah satu metode yang digunakan dalam data

mining yang didasarkan pada teori keputusan Bayes. Naive bayes classifier memiliki

kemampuan klasifikasi seperti metode decision tree dan neural network. Metode ini dapat

digunakan untuk memprediksi probabilitas keanggotaan suatu class4.

Seperti yang dikatakan Eko Prasetyo (2012:61), formulasi Naive Bayes Classifier

adalah sebagai berikut :

P Y X = P(Y) P(Xi|Y)

qi=1

P(X)

Dimana untuk formula diatas :

P(Y|X) adalah probabilitas data dengan vector X pada kelas Y.

P(Y) adalah probabilitas awal kelas Y.

P(Xi|Y)qi=1 adalah probabilitas independen kelas Y dari semua fitur dalam

vector X.

Nilai P(X) selalu tetap sehingga dalam perhitungan prediksi nantinya tinggal

menghitung bagian P(Y) P(Xi|Y)qi=1 dengan memilih yang terbesar sebagai

kelas yang dipilih sebagai hasil prediksi.

Naive Bayes Classifier (NBC) membutuhkan jumlah record data yang sangat

besar untuk mendapatkan hasil yang baik. Jika kategori prediktor tidak ada dalam data

training, maka naive bayes classifier mengasumsikan bahwa record baru dengan

kategori predictor memiliki probabilitas nol.

4 Kusrini, dan Emha, Taufiq Luthfi, Algoritma Data Mining, Yogyakarta : Penerbit Andi, 2009,

hal 189.

4

3. ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis PIECES

3.1.1 Analisis Kinerja Sistem (Performance Analysis)

Dari analisa kinerja di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil

seperti yang ditampilkan pada tabel 3.1.

Tabel 3.1 Analisis Kinerja (Performance Analysis)

Parameter Sistem Lama

Throughput

Jumlah total pendaftar pada tahun ajaran 2013/2014 yang dihasilkan

dari proses marketing kurang lebih sebesar 10.000 orang. Kemudian

yang melakukan verifikasi pendaftaran sebesar 5.168 orang dan

diterima sebesar 2080 orang.

Respontime Respontime untuk pelayanan marketing dari customer service

marketing kurang lebih 10 menit/orang.

3.1.2 Analisis Informasi (Information Analysis)

Dari analisa informasi di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil

seperti yang ditampilkan pada tabel 3.2.

Tabel 3.2 Analisis Informasi (Information Analysis)

Parameter Sistem Lama

Akurat

Dari sistem yang lama belum ada informasi yang akurat

berhubungan dengan hasil klasifikasi dan prediksi minat studi

proses marketing.

Tepat Waktu

Untuk mendapatkan perhitungan informasi mengenai hasil

analisa yang berhubungan dengan klasifikasi dan prediksi minat

studi serta statistik teknik marketing secara manual

membutuhkan waktu kurang lebih 2 jam.

Relevan

Informasi secara umum yang berhubungan dengan data

pendaftar dalam proses marketing dinilai relevan karena dikelola

dengan baik oleh Innovation Center.

3.1.3 Analisis Ekonomi (Economic Analysis)

Dari analisa ekonomi di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil

seperti yang ditampilkan pada tabel 3.3.

5

Tabel 3.3 Analisis Ekonomi (Economic Analysis)

Parameter Sistem Lama

Biaya

Anggaran biaya yang dikeluarkan untuk proses marketing

dialokasikan untuk pembuatan brosur, periklanan dengan berbagai

media seperti televisi, koran, dan radio, kunjungan, serta proses

marketing lainnya.

3.1.4 Analisis Kendali (Control Analysis)

Dari analisa kendali di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil

seperti yang ditampilkan pada tabel 3.4.

Tabel 3.4 Analisis Kendali (Control Analysis)

Parameter Sistem Lama

Kontrol Kontrol terhadap data dilakukan oleh Innovation Center dengan

melakukan back up data setiap malam.

Keamanan

Keamanan dikelola dengan pemberian hak akses dan keamanan

database serta didukung dengan keamanan sistem operasi dan

jaringan oleh Innovation Center.

3.1.5 Analisis Efisiensi (Efficiency Analysis)

Dari analisa efisiensi di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil

seperti yang ditampilkan pada tabel 3.5.

Tabel 3.5 Analisis Efisiensi (Efficiency Analysis)

Parameter Sistem Lama

Efisien

Dengan proses marketing yang dilakukan dan biaya yang

dikeluarkan dihasilkan jumlah pendaftar kurang lebih 10.000 orang,

sehingga proses marketing dinilai efisien.

3.1.6 Analisis Pelayanan (Service Analysis)

Dari analisa pelayanan di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil

seperti yang ditampilkan pada tabel 3.6.

Tabel 3.6 Analisis Pelayanan (Service Analysis)

Parameter Sistem Lama

Pelayanan

Pelayanan pada customer service marketing di STMIK AMIKOM

Yogyakarta dilaksanakan dari jam 08.00 – 16.00 WIB pada hari

senin sampai dengan jumat dan jam 08.00 – 14.00 WIB pada hari

sabtu.

6

3.2 Analisis Kelayakan Sistem

3.2.1 Kelayakan Teknologi

Kelayakan teknologi berhubungan dengan ketersediaan sarana pembuatan dan

implementasi sistem. Teknologi di STMIK AMIKOM Yogyakarta sangat baik, sehingga

dapat mendukung proses pembuatan dan implementasi sistem. Di bagian HUMAS

STMIK AMIKOM Yogyakarta sudah tersedia komputer dengan spesifikasi diatas standard

yang diperlukan dan siap terkoneksi dengan Innovation Center untuk mengakses

database yang berisi data-data yang diperlukan untuk diproses. Sehingga dari segi

teknologi sistem dapat diusulkan layak untuk diterapkan.

3.2.2 Kelayakan Hukum

Kelayakan hukum ditujukan untuk memberikan penilaian apakah sistem yang

dibuat melanggar hukum atau tidak. Di STMIK AMIKOM Yogyakarta, khususnya pada

bagian humas dan Innovation Center menggunakan software resmi dalam

pengimplementasian sistem ini. Karena software yang berhubungan dengan sistem yang

akan dibuat tersebut bersifat legal dan aplikasi yang dibuat tidak mengandung unsur

SARA dan ponografi, maka secara hukum perancangan sistem ini dinilai layak untuk

diterapkan.

3.2.3 Kelayakan Operasional

Kelayakan operasioanal ditujukan untuk mengetahui kesiapan sumber daya

manusia di bagian Humas STMIK AMIKOM Yogyakarta. Sumber daya manusia di bagian

Humas hampir semua mempunyai basic pendidikan pada bidang IT. Sehingga tidak ada

masalah yang ditemukan dalam segi kelayakan operasional.

3.3 Perancangan Sistem

3.1 Perancangan Konsep

Aplikasi ini memberikan informasi mengenai hasil klasifikasi dan prediksi minat

studi dari target marketing dengan menggunakan algoritma naive bayes classifier.

Aplikasi ini memanfaatkan data pendaftar mahasiswa tahun-tahun sebelumnya sebagai

sumber pengetahuan yang terdiri dari kota, jenis kelamin, asal sekolah dan jurusan.

Kemudian dengan rumus perhitungan bayesian, aplikasi ini dapat melakukan perhitungan

probability dan memberikan hasil prediksi minat studi dari data target yang diinputkan.

Selain informasi mengenai hasil klasifikasi dan prediksi minat studi, aplikasi ini

juga akan memberikan informasi tentang presentase keberhasilan dari masing-masing

usaha marketing yang sudah dilakukan. Informasi tersebut akan disajikan dengan

menggunakan chart agar lebih mudah dipahami. Selain itu, aplikasi ini juga akan

memberikan informasi mengenai usaha marketing yang memiliki presentase

keberhasilan paling tinggi di setiap kota yang diinputkan.

7

3.2 Flowchart

Perancangan flowchart ini bertujuan untuk memberi gambaran bagaimana aliran

proses dari aplikasi untuk prediksi minat studi ini berjalan. Mulai dari awal ketika task

menu prediksi minat studi diklik hingga tampil hasil prediksi minat studi.

Gambar 3.1 Alur Aplikasi Program

3.3 Perancangan Interface

Interface merupakan tampilan yang digunakan sebagai mediator interaksi antara

sistem yang dibuat atau sebuah perangkat dengan pengguna (user). Interface sangat

berpengaruh terhadap penggunaan aplikasi untuk memberikan kemudahan terhadap

user. Dibawah ini adalah perancangan interface aplikasi Smart Marketing.

Mulai

Input Data Target

Marketing

Hitung Prior Probability ( P(Ci) )

Hitung Probability Attribut Target Marketing

Terhadap Masing-Masing Class ( P(X|Ci) )

Hitung perkalian Prior Probability

dengan Probability Attribut Target

Marketing ( P(Ci) x ( P(X|Ci) )

Mencari nilai maksimal dari

P(Ci) x ( P(X|Ci)

Tampil Hasil Prediksi

Selesai

8

3.3.1 Halaman Menu Utama

Halaman menu utama adalah halaman awal dari aplikasi yang dibuat. Halaman

ini yang menampung menu-menu utama yang terdapat dalam aplikasi ini.

Gambar 3.2 Tampilan Halaman Menu Utama

3.3.2 Halaman Prediksi Minat Studi

Halaman ini adalah halaman yang terdapat pada menu prediksi minat studi.

Halaman ini digunakan untuk melakukan perhitungan probability yang digunakan untuk

memprediksi minat studi yang dimiliki target marketing.

Gambar 3.3 Tampilan Halaman Prediksi Minat Studi

3.3.3 Halaman Statistik Marketing

Halaman ini adalah halaman yang terdapat pada menu statistik marketing.

Halaman ini digunakan untuk mengetahui tingkat keberhasilan langkah-langkah

marketing yang digunakan.

9

Gambar 3.4 Tampilan Halaman Statistik Marketing

3.3.4 Halaman About

Halaman ini adalah halaman yang terdapat pada menu about. Halaman ini

digunakan untuk memberikan informasi singkat mengenai aplikasi Smart Marketing.

Gambar 3.5 Tampilan Halaman About

3.3.5 Halaman Credit

Halaman ini adalah halaman yang terdapat pada menu credit. Halaman ini

digunakan untuk memberikan informasi dan contact mengenai pembuat aplikasi Smart

Marketing.

10

Gambar 3.6 Tampilan Halaman Credit

3.3.6 Halaman Help

Halaman ini adalah halaman yang terdapat pada menu help. Halaman ini

digunakan untuk memberikan informasi mengenai manual program (bagaimana

menggunakan) aplikasi Smart Marketing.

Gambar 3.7 Tampilan Halaman Credit

11

4. HASIL PENELITIAN DAN PEMBAHASAN

4.1 Uji Coba Sistem dan Program

4.1.1 White-box Testing

White-box testing dilakukan dengan menguji logika jalur program yang meliputi :

1. Menggunakan semua modul minimal satu kali untuk memberikan

jaminan bahwa semua jalur program berfungsi seperti yang diharapkan.

2. Menggunakan semua keputusan logis pada sisi true dan false.

3. Mengeksekusi semua loop pada batasan operasional mereka.

Hasil yang didapatkan menunjukkan tidak adanya kesalahan logika dalam pemrograman.

Pengujian syntax program dilakukan dengan pengecekan pada setiap listing

program. Pada tool Microsoft Visual Studio 2010 jika terdapat kesalahan syntax maka

akan ditunjukan dengan tanda error garis merah seperti yang ditunjukkan pada gambar

4.1. Setelah dilakukan pengecekan terhadap seluruh source code program menunjukkan

tidak ada kesalahan syntax.

Gambar 4.1 Contoh Syntax Error

4.1.2 Black-box Testing

Black-box testing dilakukan pada seluruh modul program untuk mengetahui

apakah program yang dibuat sudah sesuai dengan kebutuhan fungsionalnya.

Tabel 4.1 Uji Coba Kebutuhan Fungsional

No Kebutuhan Fungsional Keterangan

1 User dapat melakukan penginputan data target marketing

yang berupa sekolah asal, kota, jenis kelamin, dan jurusan. Terpenuhi

2 Sistem dapat melakukan perhitungan probability

keanggotaan suatu class. Terpenuhi

3 User dapat menganalisa hasil output perhitungan probability. Terpenuhi

4 Sistem dapat memberikan hasil prediksi minat studi yang

diinginkan oleh target marketing. Terpenuhi

12

5

Sistem dapat memberikan statistik keberhasilan teknik

marketing berdasarkan dari informasi yang didapat oleh para

pendaftar untuk masuk STMIK AMIKOM Yogyakarta.

Terpenuhi

Hasil dari uji coba dari 1000 data testing dengan aplikasi Smart Marketing untuk

prediksi minat studi ditampilkan pada daftar hasil uji coba prediksi minat studi (terlampir).

Dengan menggunakan rumus (2.1), hasil uji coba prediksi minat studi tersebut

mendapatkan nilai akurasi sebagai berikut :

Akurasi =927

1000= 0,927 = 92,7 %

Dari perhitungan akurasi untuk kinerja klasifikasi didapatkan akurasi sebesar

92,7%, kemudian dengan hasil uji coba prediksi minat studi menggunakan rumus (2.2)

didapatkan kesalahan prediksi (error) sebagai berikut :

𝐸𝑟𝑟𝑜𝑟 =73

1000= 0,025 = 7,3 %

Setelah dilakukan perhitungan kesalahan prediksi (error) dari 1000 data testing

didapatkan bahwa kesalahan prediksi klasifikasi sebesar 7,3%.

Tabel 4.2 Nilai Akurasi dan Kesalahan Klasifikasi (Error)

Algoritma Data Training Data Testing Akurasi Error

Naive Bayes

Classifier

Data pendaftar

tahun 2009

sampai dengan

2011

1000 data

pendaftar tahun

2012 yang

diambil secara

acak

92,7% 7,3%

4.2 Pembahasan Interface

Dalam aplikasi Smart Marketing ini terdiri dari beberapa interface yaitu Menu

Utama, Menu Prediksi Minat Studi, Menu Statistik Marketing, Menu About, Menu Credit,

dan Menu Help.

4.2.1 Halaman Menu Utama

Menu utama adalah halaman yang akan ditampilkan setelah user berhasil login,

pada menu utama ini terdapat beberapa pilihan menu yaitu Prediksi Minat Studi, Statistik

Marketing, About, Credit, Help, Log Out, dan Exit.

13

Gambar 4.2 Tampilan Menu Utama

4.2.2 Halaman Prediksi Minat Studi

Prediksi Minat Studi adalah halaman yang akan tampil ketika user menekan task

item Prediksi Minat Studi pada menu utama. Pada halaman Prediksi Minat Studi ini akan

menampilkan combo box untuk input data target marketing berupa provinsi, kota, sekolah

asal, jenis kelamin, dan jurusan. Pada halaman ini juga terdapat 2 tombol yaitu tombol

PROSES dan tombol RESET. Selain itu pada halaman ini juga terdapat chart dan text

field untuk menampilkan hasil dari prediksi minat studi.

Gambar 4.3Tampilan Prediksi Minat Studi

4.2.3 Halaman Statistik Marketing

Statistik Marketing adalah halaman yang akan tampil ketika user menekan task

item Statistik Marketing pada menu utama. Pada halaman Statistik Marketing ini akan

menampilkan combo box untuk memilih tampilan statistik, apakah ingin ditampilkan

statistik marketing dari semua data yang ada atau berdasarkan kota yang dipilih. Pada

halaman ini juga terdapat 2 tombol yaitu tombol PROSES dan tombol RESET. Selain itu

pada halaman ini juga terdapat chart dan text field untuk menampilkan hasil dari

perhitungan statistik marketing.

14

Gambar 4.4 Tampilan Statistik Marketing

4.2.4 Halaman About

Halaman About adalah halaman yang akan tampil ketika user menekan task item

About pada menu utama. Pada halaman About ini akan menampilkan informasi singkat

mengenai aplikasi Smart Marketing.

Gambar 4.5 Tampilan About

4.2.5 Halaman Credit

Halaman Credit adalah halaman yang akan tampil ketika user menekan task item

Credit pada menu utama. Pada halaman Credit ini akan menampilkan informasi dari

pembuat aplikasi ini.

15

Gambar 4.6 Tampilan Credit

4.2.6 Halaman Help

Halaman Help adalah halaman yang akan tampil ketika user menekan task item

Help pada menu utama. Pada halaman Help ini akan menampilkan manual program

untuk mempermudah user dalam mengoperasikan aplikasi Smart Marketing.

Gambar 4.7 Tampilan Help

16

5. Kesimpulan

Kesimpulan yang dapat diambil adalah sebagai berikut:

1. Smart Marketing adalah aplikasi data mining menggunakan algoritma naive

bayes classifier yang dapat memprediksi minat studi terhadap program studi S1

Teknik Informatika, S1 Sistem Informatika, D3 Teknik Informatika, D3

Manajemen Informatika di STMIK AMIKOM Yogyakarta dari target marketing

dengan harapan dapat mendukung strategi pemasaran khususnya di bagian

HUMAS STMIK AMIKOM Yogyakarta.

2. Hasil dari uji coba 1000 data testing yang diambil secara acak dari data induk

mahasiswa tahun 2012 dengan data training yang diambil dari data induk

mahasiswa tahun 2009 sampai dengan 2011 menggunakan aplikasi Smart

Marketing untuk prediksi minat studi didapatkan akurasi sebesar 92,7% dan error

sebesar 7,3%.

5.1 Saran

Untuk pengembangan lebih lanjut terhadap aplikasi Smart Marketing, ada

beberapa saran yang dapat diambil:

1. Smart Marketing menggunakan data training dari data induk mahasiswa tahun

2009 sampai dengan 2011. Untuk menjaga akurasi prediksi minat studi, data

training dapat diperbaharui dengan data induk mahasiswa tahun berikutnya.

2. Selain variabel kota, sekolah, jenis kelamin, dan jurusan, untuk meningkatkan

akurasi dapat ditambah variable baru seperti penghasilan orang tua.

3. Jika kategori prediktor tidak ada dalam data training, maka naive bayes classifier

mengasumsikan bahwa record baru dengan kategori predictor memiliki

probabilitas nol. Untuk pengembangan berikutnya bisa dicoba dengan algoritma

yang lain untuk mencari akurasi yang lebih tinggi seperti algoritma K-Nearest

Neighbor, Artifical Neural Network, Support Vector Machine, Decision Tree, dan

lain sebagainya.

4. Variabel jurusan yang berasal dari sekolah kejuruan hanya terdapat STM untuk

kejuruan industri dan SMEA untuk kejuruan administrasi. Untuk pengembangan

berikutnya, variable jurusan bisa diinputkan lebih spesifik, misalnya : otomotif,

elektro, tata boga dan lain sebagainya.

5. Fitur statistik marketing hanya menggunakan data mahasiswa yang diterima di

STMIK AMIKOM Yogyakarta. Untuk pengembangan lebih lanjut dapat

menggunakan seluruh data mahasiswa yang mendaftar di STMIK AMIKOM

Yogyakarta.

17

DAFTAR PUSTAKA

Anonim. 2010. Microsoft Visual C# 2010. Yogyakarta : Andi.

Booch, G., James, R., dan Ivar, J. 1998. The Unified Modeling Language User Guide

First Edition. Addison Wesley Professional.

Hermawan, J. 2004. Analisa Desain dan Pemrograman Berorientasi Obyek denagn UML

dan VB.NET. Yogyakarta : Andi.

Kristanto, A. 2004. Rekayasa Perangkat Lunak (Konsep Dasar. Yogyakarta : Gava

Media.

Kusrini, dan Emha, T.L. 2009. Algoritma Data Mining. Yogyakarta : Andi.

Prasetyo, E. 2012. Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta :

Andi.

Santoso, B. 2007. Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis.

Yogyakarta : Graha Ilmu.

Yasin, V. 2012. Rekayasa Perangkat Lunak Berorientasi Objek Pemodelan, Arsitektur,

dan Perancangan (Modeling, Architecture and Design. Jakarta : Mitra Wacana

Media.

Anonim. Sejarah Berdirinya Sekolah Tinggi Manajemen Informatika dan Komputer

AMIKOM Yogyakarta. http://www.amikom.ac.id/index.php/profile/history. Diakses

pada 12 Juli 2013 pukul 10.45 WIB.

Anonim. Classification Diagram, http://philips.files.wordpress.com. Diakses pada 12 Juli

2013 pukul 15.00 WIB.

Ardi. Sejarah Bahasa Pemrograman C# (C Sharp), http://belajar-

csharp.blogspot.com/2011/07/sejarah-bahasa-pemrograman-c-csharp.html,

Diakses pada tanggal 16 Juli 2013 pukul 11.25 WIB.

Ashary, F. Pengertian UML (Unified Modeling Language).

http://fadhlyashary.blogspot.com/2012/06/pengertian-uml-unified-modeling.html.

Diaskses pada 13 Juli 2013 pukul 15.00 WIB.

Microsoft User Group Indonesia. Panduan Praktis Membuat UML dengan Microsoft Visio

Studio 2010.

https://skydrive.live.com/view.aspx?cid=4D69ABBBB11E643B&resid=4D69ABBB

B11E643B%21115&app=WordPdf. Diakses pada 13 Juli 2013 pukul 14.00.

Raharja, P. 2012. Modul UML.

www.pribadiraharja.com/neli/SKRIPSI/.../DAFTAR_SIMBOL.doc. Diakses pada

13 Juli 2013 pukul 15.30 WIB.