penerapan data mining dengan algoritma naÏve bayes …

PENERAPAN DATA MINING DENGAN ALGORITMA

NAÏVE BAYES UNTUK MENGETAHUI MINAT BELI

KONSUMEN TERHADAP KOMPUTER ( STUDY

KASUS DI TOKO I – COMPUTER )

SKRIPSI

Oleh:

SUGIANTO

311410255

TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA

BEKASI

2018

PENERAPAN DATA MINING DENGAN ALGORITMA

NAÏVE BAYES UNTUK MENGETAHUI MINAT BELI

KONSUMEN TERHADAP KOMPUTER ( STUDY

KASUS DI TOKO I – COMPUTER )

SKRIPSI

Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan

Program Strata Satu (S1) pada Program Studi Teknik Informatika

Oleh:

SUGIANTO

311410255

TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA

BEKASI

2018

iv

KATA PENGANTAR

Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah

melimpahkan segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang

berjudul “PENERAPAN DATA MINING DENGAN ALGORITMA NAÏVE

BAYES UNTUK MENGETAHUI MINAT BELI KONSUMEN TERHADAP

KOMPUTER ( STUDY KASUS DI TOKO I – COMPUTER )”.

Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam

rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer (S.Kom.)

pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi Pelita Bangsa.

Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan

terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah

selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan

terima kasih yang sebesar – besarnya kepada:

a. Bapak Dr. Ir. Suprianto, M.P selaku Ketua STT Pelita Bangsa

b. Bapak Aswan Supriyadi Sunge, S.E., M.Kom selaku Ketua Program Studi

Teknik Informatika STT Pelita Bangsa.

c. Bapak Donny Maulana, S.Kom., M.Msi selaku Pembimbing Utama yang telah

banyak memberikan arahan dan bimbingan kepada penulis dalam penyusunan

Skripsi.

d. Bapak Hamzah M. Mardi Putra, S.K.M., M.M selaku Pembimbing Kedua yang

telah banyak memberikan arahan dan bimbingan kepada penulis dalam

penyusunan Skripsi.

e. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan

wawasan dan ilmu di bidang teknik informatika.

f. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya

kepada penulis selama perjalanan studi jenjang Strata 1.

g. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang

telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat

menyelesaikan studi jenjang Strata 1.

v

h. Ibu dan Ayah sekeluarga tercinta yang senantiasa mendoakan dan memberikan

semangat dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.

i. Buat Istri dan Anak – anak tercinta yang memberi dukungan dan penyemangat

dalam penyusunan skripsi.

Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang terdapat

dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan manfaat bagi

khasanah pengetahuan Teknologi Informasi di lingkungan STT Pelita Bangsa

khususnya dan Indonesia pada umumnya.

Bekasi, 31 Oktober 2018

Sugianto

vi

DAFTAR ISI

PERSETUJUAN ...................................................................................................... i

PENGESAHAN ...................................................................................................... ii

PERNYATAAN KEASLIAN PENELITIAN ....................................................... iii

KATA PENGANTAR ........................................................................................... iv

DAFTAR ISI .......................................................................................................... vi

DAFTAR TABEL ................................................................................................... x

DAFTAR GAMBAR ............................................................................................. xi

ABSTRACT ............................................................................................................ xii

ABSTRAK ........................................................................................................... xiii

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang ......................................................................................... 1

1.2 Identifikasi Masalah ................................................................................. 4

1.3 Rumusan Masalah .................................................................................... 4

1.4 Batasan Masalah ....................................................................................... 4

1.5 Tujuan dan Manfaat .................................................................................. 5

1.5.1 Tujuan ............................................................................................... 5

1.5.2 Manfaat ............................................................................................. 5

1.6 Sistematika Penulisan ............................................................................... 6

BAB II TINJAUAN PUSTAKA ............................................................................. 8

vii

2.1 Kajian Pustaka .......................................................................................... 8

2.2 Dasar Teori ............................................................................................. 10

2.2.1 Data Mining .................................................................................... 10

2.2.2 Pengelompokan Data Mining. ......................................................... 11

2.2.3 Tahap – Tahap Data Mining ........................................................... 13

2.2.4 Metodelogi Data Mining ...................................................................... 15

2.2.5 Naive Bayes ......................................................................................... 18

2.2.6 Minat Beli ............................................................................................ 20

2.2.7 Konsumen ............................................................................................ 21

2.3 Objek Penelitian ..................................................................................... 22

2.3.1 Sejarah Toko ................................................................................... 22

BAB III METODE PENELITIAN........................................................................ 23

3.1 Jenis Penelitian ....................................................................................... 23

3.2 Tempat dan Waktu Penelitian ................................................................ 23

3.2.1 Tempat............................................................................................. 23

3.2.2 Waktu Penelitian ............................................................................. 23

3.3 Populasi dan Sample Penelitian ............................................................. 24

3.3.1 Populasi ........................................................................................... 24

3.3.2 Sampel Penelitian ............................................................................ 24

3.4 Tahapan Penelitian ................................................................................. 25

3.5 Metode Pengumpulan Data .................................................................... 26

viii

3.6 Rancangan Penelitian ............................................................................. 27

3.7 Veriable Penelitian ................................................................................. 28

3.8 Metode Analisis Data ............................................................................. 28

3.8.1 Persamaan Metode Naive Bayes ..................................................... 29

3.8.2 Alur Metode Naive Bayes ............................................................... 31

3.9 Evaluasi (Evaluation) ............................................................................. 34

3.10 Tahap Penelitian ................................................................................. 34

3.11 Instrument Penelitian .......................................................................... 35

3.11.1 Bahan............................................................................................... 35

3.11.2 Peralatan .......................................................................................... 36

BAB IV HASIL DAN PEMBAHASAN .............................................................. 37

4.1 Penentuan Kriteria .................................................................................. 37

4.2 Perhitungan Naïve Bayes ........................................................................ 37

4.2.1 Menghitung Probabilitas Kelas ....................................................... 37

4.2.2 Menghitung Probabilitas Masing – Masing Atribut ....................... 38

4.2.3 Menghitung Probabilitas Akhir Untuk Setiap Kelas ....................... 39

4.2.4 Kasus Perhitungan Naïve Bayes ...................................................... 40

4.3 Implementasi Klasifikasi Naïve Bayes pada Rapid Miner ..................... 41

4.3.1 Akurasi Prediksi ................................................................................... 43

BAB V KESIMPULAN ........................................................................................ 47

5.1 Kesimpulan ............................................................................................. 47

ix

5.2 Saran ....................................................................................................... 47

DAFTAR PUSTAKA ........................................................................................... 49

LAMPIRAN .......................................................................................................... 51

Sampel Data Training ................................................................................... 51

Hasil data testing dengan Rapid Miner ......................................................... 63

x

DAFTAR TABEL

Tabel 3. 1 Tabel Waktu Penelitian ........................................................................ 23

Tabel 3. 3 Atribut Data Yang Digunakan ............................................................. 28

Tabel 4. 1 Probabilitas Kelas ................................................................................ 38

Tabel 4. 2 Atribut Pendidikan ............................................................................... 38

Tabel 4. 3 Atribut Pekerjaan ................................................................................. 38

Tabel 4. 4 Atribut Penghasilan .............................................................................. 39

Tabel 4. 5 Atribut Tanggungan ............................................................................. 39

Tabel 4. 6 Atribut Harga ....................................................................................... 39

xi

DAFTAR GAMBAR

Gambar 2. 1 Tahap - Tahap Data Mining ............................................................. 14

Gambar 2. 2 Fase CRISP-DM ............................................................................... 16

Gambar 3. 1 Metode Penelitian ............................................................................. 25

Gambar 3. 2 Rancangan Penelitian ....................................................................... 27

Gambar 3. 3 Alur Metode Naive Bayes ................................................................ 32

Gambar 3. 4 Tahap Penelitian ............................................................................... 35

Gambar 4. 1 Proses Rapid Miner .......................................................................... 42

Gambar 4. 2 Hasil Prediksi Rapid Miner .............................................................. 43

Gambar 4. 3 Proses Training dan Testing ............................................................. 44

Gambar 4. 4 Accuracy / Akurasi ........................................................................... 44

Gambar 4. 5 Kurva ROC ....................................................................................... 46

xii

ABSTRACT

The i-computer shop is a store that is engaged in buying and selling new or

used computers, i-computer stores were pioneered in 2009. Computer technology

is now a necessity that is in great demand by the public, especially students,

employees, from middle to upper and middle class down. The purpose of this study

is to analyze the factors that influence consumer buying interest in computers in the

i-computer shop Anjatan. Data mining is a technique that utilizes large amounts of

data to obtain valuable information that was previously unknown and can be used

for important decision making. One method that can be used for this is the data

mining method or the Naive Bayes algorithm method. The Naive Bayes Classifier

algorithm is one of the statistical classifiers, where these classifiers can predict the

probability of class membership in a data that will enter a particular class,

according to the probability calculation. This analysis uses rapidminer which is a

data analysis software with several algorithm features that are easy to operate.

Prediction results using rapidminer to determine permanent employees quickly and

accurately, from testing conducted by comparing training data with testing data

obtained an accuracy level of 94,12%.

Keywords: Data mining, consumer buying interest in computers, Naive Bayes

Algorithm

xiii

ABSTRAK

Toko i – computer merupakan sebuah toko yang bergerak dibidang jual beli

komputer baru atau bekas, toko i – computer dirintis pada tahun tahun 2009.

Komputer diera teknologi sekarang menjadi kebutuhan yang banyak diminati

masyarakat, khususnya pelajar, pegawai, baik dari masyarakat menengah keatas

maupun menengah kebawah.Tujuan dari penelitian ini adalah menganalisis factor

– factor yang mempengaruhi minat beli konsumen terhadap komputer di toko i –

computer Anjatan. Data mining adalah teknik yang memanfaatkan data dalam

jumlah yang besar untuk memperoleh informasi berharga yang sebelumnya tidak

diketahui dan dapat dimanfaatkan untuk pengambilan keputusan penting.Salah satu

metode yang dapat digunakan untuk hal ini adalah dengan metode data mining atau

metode algoritma Naive Bayes. Algoritma Naive Bayes Classifier merupakan salah

satu pengklasifikasi statistik, dimana pengklasifikasi ini dapat memprediksi

probabilitas keanggotaan kelas suatu data yang akan masuk ke dalam kelas tertentu,

sesuai dengan perhitungan probabilitas. Analisa ini menggunakan rapidminer yang

merupakan software analisa data dengan fitur beberapa algoritma yang mudah

untuk dioperasikan. Hasil prediksi menggunakan rapidminer untuk menentukan

karyawan tetap dengan cepat dan akurat, dari pengujian yang dilakukan dengan

membandingkan data training dengan data testing didapat tingkat akurasi sebesar

94,12%.

Kata kunci: Data mining, Minat beli konsumen terhadap komputer, Algoritma

Naive Bayes

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Elektronik bukan lagi barang yang langka, pada zaman globalisasi saat ini

produk elektronik sangat dibutuhkan untuk perkembangan zaman. Pada dasarnya

globalisasi merupakan proses integrasi internasional yang terjadi karena pertukaran

pandangan dunia, produk, pemikiran dan aspek – aspek kebudayaan lainnya. Tidak

sedikit jenis – jenis elektronik yang sudah ada, alat – alat elektronik itu sendiri

berupa, Televisi, Telephon dan Handphone, Kipas Angin dan AC sebagai

pendingin, Kulkas dan Freezer, Komputer dan Laptop, dan masih banyak lagi yang

telah dikembangkan oleh perusahaan elektronik dunia (Dama, 2016).

Jumlah penduduk Indonesia yang sangat besar menjadi pasar yang sangat

potensial bagi perusahaan – perusahaan untuk memasarkan produk-produk

perusahaan tersebut. Perusahaan dalam negeri maupun perusahaan asing berusaha

mendirikan usaha bisnis dan menciptakan jenis – jenis produk yang nantinya akan

digemari oleh calon pelanggan. Banyaknya perusahaan ini menciptakan adanya

suatu persaingan bisnis, perusahaan dapat menjadi pemenang dalam persaingan

bisnisnya apabila perusahaan mampu menjaring pelanggan sebanyak – banyaknya.

Jika perusahaan dapat menjaring pelanggan sebanyak – banyaknya tentu

perusahaan tersebut dapat memperoleh keuntungan yang besar pula. (Bachriansyah,

2011)

Persaingan disuatu perusahaan membuat para pelakunya harus selalu

memikirkan strategi – strategi terobosan yang dapat menjamin kelangsungan bisnis

2

mereka. Pada suatu perusahaan memiliki ketersediaan data yang melimpah. Ini

melahirkan kebutuhan akan adanya teknologi yang dapat memanfaatkannya untuk

membangkitkan pengetahuan – pengetahuan baru, yang dapat membantu dalam

pengaturan strategi dalam menjalankan bisnis. Prediksi minat konsumen akan

sangat penting bagi perusahaan, dimana dengan adanya prediksi minat konsumen

perusahaan dapat mengambil suatu keputusan atau strategi yang benar dan tepat

bagi konsumennya (Nofriansyah, Erwansyah, & Ramadhan, 2016).

Aplikasi data mining ini memanfaatkan data masukan berupa data produk

dan data penjualan. Dari data tersebut, akan diolah dengan metode interpolasi dan

untuk menganalisis data juga menggunakan teknik interpolasi. Setelah melewati

proses tersebut, maka akan didapatkan pola – pola dalam pengambilan keputusan.

Aplikasi data mining dengan metode interpolasi untuk memprediksi minat

konsumen fashion inputnya adalah data penjualannya, dan produk yang telah dibeli

oleh customer. Sedangkan outputnya adalah prediksi minat konsumen fashion yaitu

seberapa banyak customer yang tertarik pada suatu produk (Sitaba, 2011).

Kemajuan ilmu pengetahuan dan teknologi saat ini telah melahirkan era

baru dalam dunia bisnis. Hal ini ditandai dengan semakin banyak dan beraneka

ragam produk dan jasa yang dapat ditawarkan produsen kepada konsumen. Dalam

persaingan global saat ini sangatlah dibutuhkan peranan bisnis yang bermutu serta

berkualitas. Menghadapi persaingan yang ketat di dunia bisnis diperlukan kejelian

dalam melihat peluang dengan menawarkan berbagai kelebihan dan keunikan dari

masing – masing produk dan jasa yang ditawarkan. Hal ini membuat para

konsumen mempunyai banyak alternatif pilihan dalam menggunakan produk dan

jasa yang ditawarkan oleh produsen. Tetapi bagi para produsen, ini merupakan

3

suatu bentuk ancaman yang memerlukan strategi khusus untuk dapat

mempertahankan produk dan jasa yang ditawarkan serta meningkatkan minat beli

konsumen karena semakin banyak produk dan jasa yang ditawarkan maka semakin

ketat pula persaingan yang terjadi dalam dunia bisnis.

Dari pembahasan diatas dapat disimpulkan fakta yang ingin dibuat disini

ialah manfaat metode Naive Bayes Classifier yaitu dapat memprediksi minat beli

konsumen. Prediksi minat konsumen akan sangat penting bagi toko, dimana dengan

adanya prediksi minat konsumen toko dapat mengambil suatu keputusan atau

strategi yang benar dan tepat bagi konsumennya. Toko i – computer merupakan

sebuah toko yang bergerak dibidang jual beli komputer baru atau bekas, toko i –

computer juga tidak hanya menjual komputer melainkan menjual pula sparepart

komputer, toko i – computer dirintis pada tahun tahun 2009.

Dinamika dalam dunia usaha yang semakin menantang, membuat para

pengusaha harus dapat menjawab tantangan pasar dan memanfaatkan tantangan

tersebut sebagai peluang untuk dapat bertahan dimasa yang akan datang. Dalam

keadaan saat ini, pihak pengusaha harus lebih aktif dalam mendistribusikan dan

memperkenalkan produknya agar dapat terjual sesuai dengan apa yang

diharapkannya. Dan pastinya agar dapat mempertahankan pangsa pasarnya.

Sebagai salah satu toko yang bergerak di bidang jual beli komputer, pihak

toko haruslah memikirkan strategi dalam pemasaran untuk mampu menghasilkan

suatu informasi yang siap digunakan untuk strategi pemasaran. Untuk memenuhi

kebutuhan – kebutuhan di atas, banyak cara yang dapat ditempuh. Salah satunya

adalah dengan melakukan pemanfaatan database toko menggunakan teknik Data

Mining.

4

Algoritma Naive Bayes merupakan salah satu algoritma yang terdapat pada

teknik klasifikasi. Naive Bayes merupakan pengklasifikasian dengan metode

probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes,

yaitu memprediksi peluang di masa depan berdasarkan pengalaman dimasa

sebelumnya sehingga dikenal sebagai Teorema Bayes. Teorema tersebut

dikombinasikan dengan Naive dimana diasumsikan kondisi antar atribut saling

bebas.

1.2 Identifikasi Masalah

Berdasarkan latar belakang diatas, maka di dapat beberapa identifikasi

masalah Sebagai berikut :

1. Proses analisa untuk memprediksi minat beli konsumen masih

membutuhkan waktu yang cukup lama.

2. Belum diterapkan metode naive bayes dalam menganalisa dan

memprediksi minat beli konsumen.

1.3 Rumusan Masalah

Dalam penyusunan penelitian ini, maka penulis memberikan rumusan

masalah yang dijadikan acuan dasar dalam penyusunan penelitian yaitu:

1. Bagaimana mendapatkan hasil analisa untuk memprediksi minat beli

konsumen dengan cepat dan akurat ?

2. Bagaimana menerapkan data mining menggunakan metode naive bayes

untuk memprediksi minat beli konsumen ?

1.4 Batasan Masalah

Dari pemaparan latar belakang diatas dapat dijadikan landasan untuk

menentukan batasan masalah dalam penelitian yang akan dilakukan. Adapun

5

batasan tersebut sebagai berikut :

1. Klasifikasi dibentuk berdasarkan data konsumen.

2. Atribut pembentuk klasifikasi yang digunakan adalah pendidikan,

pekerjaan, penghasilan, tanggungan, dan harga.

1.5 Tujuan dan Manfaat

1.5.1 Tujuan

Berdasarkan masalah yang telah di rumuskan sebelumnya, maka tujuan

penyusunan dari laporan ini adalah :

1. Menerapkan metode naive bayes untuk memprediksi minat beli konsumen

terhadap komputer.

2. Dapat menganalisa dan memprediksi minat beli konsumen terhadap

computer dengan cepat dan akurat..

1.5.2 Manfaat

Penelitian ini dilakukan dengan harapan dapat memberikan manfaat,

diantaranya :

1. Bagi Penulis :

a. Hasil penelitian ini diharapkan dapat menambah pengetahuan dan

wawasan mengenai data mining khususnya klasifikasi naive bayes.

b. Menjadi referensi bagi peneliti berikutnya.

2. Bagi Pemilik Toko :

a. Diharapkan dapat membantu dan dapat dijadikan sebagai masukan

– masukan untuk menarik minat pelanggan yang lebih baik lagi.

b. Memahami metode naive bayes yang digunakan untuk memprediksi

minat beli konsumen.

6

3. Bagi Institusi :

a. Sebagai bahan referensi karya ilmiah khususnya dengan metode

yang sama atau berbeda bagi penulis lainnya yang ingin mengkaji

penelitian sejenis.

1.6 Sistematika Penulisan

Dalam penelitian ini penulis membagi beberapa bab untuk mempermudah

dalam penyusunan dan mempermudah pembaca untuk memahaminya, berikut

pembagian bab tersebut :

BAB I PENDAHULUAN

Bab ini meliputi uraian mengenai latar belakang masalah, identifikasi

masalah, batasan masalah, rumusan masalah, tujuan dan manfaat penelitian, dan

sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Dalam bab ini menjelaskan tentang hal – hal yang berkaitan dengan teori

konsep model data mining, teori yang berkaitan dengan penelitian, tempat

penelitian dan konsep yang akan digunakan.

BAB III METODE PENELITIAN

Bab ini meliputi uraian mengenai objek penelitian, teknik pengumpulan

data dan model data mining menggunakan metode naive bayes.

BAB IV HASIL DAN PEMBAHASAN

Bab ini penulis menguraikan masalah pokok dari objek penulisan penelitian,

bagaimana menerapkan sebuah model data mining kedalam suatu sistem untuk

memprediksi minat konsumen.

7

BAB V PENUTUP

Pada bab ini meliputi uraian mengenai kesimpulan dan koreksi beserta saran

saran untuk peneliti yang akan melakukan penelitian berikutnya.

8

BAB II

TINJAUAN PUSTAKA

2.1 Kajian Pustaka

Dibawah ini adalah beberapa penelitian tentang data mining ataupun

mendekati penelitian yang digunakan sebagai bahan referensi :

1. Penerapan Data Mining dengan Algoritma Naive Bayes Clasifier untuk

Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL (Studi Kasus di

CV. Sumber Utama Telekomunikasi). Persaingan disuatu perusahaan membuat

para pelakunya harus selalu memikirkan strategi – strategi terobosan yang

dapat menjamin kelangsungan bisnis mereka. Pada suatu perusahaan memiliki

ketersediaan data yang melimpah. Ini melahirkan kebutuhan akan adanya

teknologi yang dapat memanfaatkannya untuk membangkitkan pengetahuan-

pengetahuan baru, yang dapat membantu dalam pengaturan strategi dalam

menjalankan bisinis. Prediksi minat konsumen akan sangat penting bagi

perusahaan, dimana dengan adanya prediksi minat konsumen perusahaan dapat

mengambil suatu keputusan atau strategi yang benar dan tepat bagi

konsumennya. (Nofriansyah et al., 2016)

2. PENERAPAN DATA MINING DENGAN METODE INTERPOLASI UNTUK

MEMPREDIKSI MINAT KONSUMEN ASURANSI (Studi Kasus Asuransi

Metlife). Dunia bisnis asuransi yang penuh persaingan membuat para

pelakunya harus selalu memikirkan strategi-strategi terobosan yang dapat

menjamin kelangsungan bisnis asuransi mereka. Salah satu aset utama yang

dimiliki oleh perusahaan asuransi adalah data bisnis dalam jumlah yang luar

biasa banyak. Ini melahirkan kebutuhan akan adanya teknologi yang dapat

9

memanfaatkannya untuk membangkitkan pengetahuan-pengetahuan baru,

yang dapat membantu dalam pengaturan strategi bisnis asuransi. Prediksi minat

konsumen sangat penting bagi suatu perusahaan asuransi, dimana dengan

adanya prediksi minat konsumen perusahaan asuransi dapat mengambil suatu

keputusan atau strategi yang benar dan tepat bagi konsumennya. Teknologi

data mining hadir sebagai solusi. (Kurniawan & Hidayat, 2007)

3. PENERAPAN DATA MINING UNTUK MENGHITUNG RATA – RATA

MINAT KONSUMEN FASHION ( Rina Meilani Sitaba 2011 ). Dunia bisnis

retail yang penuh persaingan membuat para pelakunya harus selalu

memikirkan strategi-strategi terobosan yang dapat menjamin kelangsungan

bisnis retail mereka. Salah satu aset utama yang dimiliki oleh perusahaan retail

adalah data bisnis customer dalam jumlah yang luar biasa banyak. Ini

melahirkan kebutuhan akan adanya teknologi yang dapat memanfaatkannya

untuk membangkitkan pengetahuan – pengetahuan baru, yang dapat membantu

dalam pengaturan strategi bisnis retail ini. Prediksi minat konsumen sangat

penting bagi suatu perusahaan retail, dimana dengan adanya prediksi minat

konsumen perusahaan retail dapat mengambil suatu keputusan atau strategi

yang benar dan tepat bagi konsumennya. Teknologi data mining hadir sebagai

solusi. (Sitaba, 2011)

4. ANALISIS PENGARUH KUALITAS PRODUK, DAYA TARIK IKLAN, DAN

PERSEPSI HARGA TERHADAP MINAT BELI KONSUMEN PADA PRODUK

PONSEL NOKIA (STUDI KASUS PADA MASYARAKAT DI KOTA

SEMARANG). Jumlah penduduk Indonesia yang sangat besar menjadi pasar

yang sangat potensial bagi perusahaan – perusahaan untuk memasarkan produk

10

– produk perusahaan tersebut. Perusahaan dalam negeri maupun perusahaan

asing berusaha mendirikan usaha bisnis dan menciptakan jenis – jenis produk

yang nantinya akan digemari oleh calon pelanggan. Banyaknya perusahaan ini

menciptakan adanya suatu persaingan bisnis, perusahaan dapat menjadi

pemenang dalam persaingan bisnisnya apabila perusahaan mampu menjaring

pelanggan sebanyak – banyaknya. Jika perusahaan dapat menjaring pelanggan

sebanyak – banyaknya tentu perusahaan tersebut dapat memperoleh

keuntungan yang besar pula. (Bachriansyah, 2011)

Dari semua penelitian dan metode yang digunakan diatas terbukti bahwa

data mining bermanfaat untuk mengelola data yang tak terhitung jumlahnya dan

sangat efisien dalam penyelesaian karena tidak menghabiskan waktu yang cukup

lama.

2.2 Dasar Teori

2.2.1 Data Mining

Data Mining merupakan bagaimana menjelaskan masa lalu dan

memprediksi masa depan dengan cara analisis data. Data mining adalah bidang

disiplin ilmu yang menggabungkan statistik, pembelajaran mesin, kecerdasan

buatan dan teknologi database. Menurut Ian H. Witten, Frank Eibe dan Mark A.

Hall dalam bukunya mengatakan bahwa data mining adalah melakukan ekstraksi

untuk mendapatkan informasi penting yang sifatnya implisit dan sebelumnya tidak

diketahui, dari suatu data. Sedangkan menurut Jiawei Han dan Micheline Kamber

dalam bukunya mengatakan bahawa data mining adalah analisis dari pengamatan

setdata (yang biasanya besar) untuk menemukan hubungan tak terduga dan untuk

meringkas data dengan cara baru yang dapat dimengerti dan berguna bagi pemilik

11

data. Dan menurut Daniel T. Larose dalam bukunya mengatakan bahwa data

mining adalah suatu proses menemukan hubungan yang berarti, pola, dan

kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan

dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik

statistik dan matematika. (Mandala, 2015)

Menurut Turban dalam bukunya yang berjudul ”Decision Support Systems

and Intelligent Systems”, data mining adalah suatu istilah yang digunakan untuk

menguraikan penemuan pengetahuan di dalam basis data. Data mining adalah

proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan

machine learning untuk mengekstraksi dan mengidentifikasi informasi yang

bermanfaat dan pengetahuan yang terkait dari berbagai basis data besar, data

mining adalah suatu proses menemukan hubungan yang berarti pola dan

kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan

dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik

statistik dan matematika. (Wulanningrum & Swanjaya, 2017)

2.2.2 Pengelompokan Data Mining.

Menurut Larose dalam bukunya yang berjudul ”Discovering Knowledge in

Data: An Introduction to Data Mining”, data mining dibagi menjadi beberapa

kelompok berdasarkan tugas / pekerjaan yang dapat dilakukan, yaitu (Saragih &

Reza, 2013) :

1. Deskripsi

Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari

cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam

data. Deskripsi dari pola kecenderungan sering memberikan kemungkinan

12

penjelasan untuk suatu pola atau kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi

lebih ke arah numerik dari pada ke arah kategori. Model dibangun

menggunakan baris data (record) lengkap yang menyediakan nilai dari

variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan

berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai

variabel prediksi.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam

prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode dan

teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan

(untuk keadaan yang tepat) untuk prediksi.

4. Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,

penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu

pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

5. Pengklasteran (Clusterring)

Pengklasteran merupakan pengelompokan record pengamatan, atau

memperhatikan dan membentuk kelas obyek – obyek yang memiliki

kemiripan. Klaster adalah kumpulan record yang memiliki kemiripan satu

dengan yang lainnya dan memiliki ketidakmiripan record dalam klaster

yang lain. Berbeda dengan klasifikasi, pada pengklasteran tidak ada variabel

target. Pengklasteran tidak melakukan klasifikasi, mengestimasi, atau

13

memprediksi nilai dari variabel target, akan tetapi, algoritma pengklasteran

mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi

kelompok – kelompok yang memiliki kemiripan (homogen), yang mana

kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan

kemiripan dengan record dalam kelompok lain akan bernilai minimal.

6. Asosiasi

Tugas asosiasi dalam data mining adalah untuk menemukan atribut yang

muncul dalam satu waktu.

2.2.3 Tahap – Tahap Data Mining

Data mining merupakan proses yang menggunakan teknik statistik,

matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan

mengidenfikasi informasi yang bermanfaat dan pengetahuan yang terakit dari

berbagai database besar/Data Warehouse. Keluaran dari data mining bisa dipakai

untuk memperbaiki pengambilan keputusan dimasa depan. Berdasarkan defenisi –

defenisi yang telah disampaikan, hal penting yang terkait dengan Data Mining

adalah:

1. Data mining merupakan suatu proses otomatis terhadap data yang sudah

ada.

2. Data yang akan diproses berupa data yang sangat besar.

3. Tujuan data mining adalah mendapatkan hubungan atau pola yang akan

mungkin memberikan indikasi yang bermanfaat.

Data mining bukanlah suatu bidang yang sama sekali baru. Dalam

aplikasinya, data mining sebenarnya merupakan bagian dari proses Knowledge

Discovery in Database (KDD), bukan sebagai teknologi yang utuh dan berdiri

14

sendiri. Proses KDD secara garis besar dapat dijelaskan seperti pada Gambar

dibawah ini :

Gambar 2. 1 Tahap - Tahap Data Mining

Sumber : Mujib Ridwan, Hadi Suyono, dan M. Sarosa ( 2013 : 7 )

Adapun penjelasan pada tahapan data mining sebagai berikut (Sutrisno,

Afriyudi, & Widiyanto, 2013):

a. Data cleaning

Untuk menghilangkan data noise (data yang tidak relevan / berhubungan

langsung dengan tujuan akhir proses data mining, misal : data mining yang

bertujuan untuk menganalisa hasil penjualan, maka data – data dalam

kumpulan seperti ”nama pegawai”, ”umur”, dan sebagainya dapat diignore)

dan tidak konsisten.

b. Data integration

Integrasi data merupakan penggabungan data dari berbagai database ke

15

dalam satu database baru untuk menggabungkan multiple data source.

c. Data selection

Untuk mengambil sebuah data yang sesuai untuk keperluan analisa.

d. Data transformation

Untuk mentransformasikan data ke dalam bentuk yang lebih sesuai untuk di

mining. Data mining Proses terpenting dimana metode tertentu diterapkan

untuk menghasilkan data pattern.

e. Pattern evaluation

Untuk mengidentifikasi apakah benar interenting patterns yang didapatkan

sudah cukup mewakili knowledge berdasarkan perhitungan tertentu.

f. Knowledge presentation

Untuk mempresentasikan knowledge yang sudah didapat dari user.

2.2.4 Metodelogi Data Mining

CRISP-DM (Cross Industry Standard Process Model for Data Mining)

adalah data mining methology yang pada awalnya dikembangkan oleh tiga

perusahaan, yakni SPSS ( ISL by then ), NCR, dan Daimler Chrysler pada tahun

1996 dan baru pada bulan Agustus 2000, version 1.0 CRISP-DM dipublikasikan.

Kemudian tahun 2009 CRISP-DM dikenal dengan SEMMA (sample, explore,

modify, model dan assess) yang dikembangkan oleh SAS Institute, dan CRISP-DM

merupakan metodelogi data mining yang paling banyak digunakan (Elkan, C.2014,

Predictive Analystics and Data Mining, p.17). CRISP-DM merupakan metodelogi

yang dikhususkan pada pengembangan data mining, yang terdiri dari enam fase

seperti pada Gambar berikut.

16

Gambar 2. 2 Fase CRISP-DM

Sumber : Yuda Septian Nugroho

Setiap fase dalam CRISP-DM terdiri dari beberapa proses tahapan di dalamnya,

berikut penjelasan setiap fase, enam fase CRISP-DM (Cross Industry Standard

Process for Data Mining) yaitu (Pauziah, 2017):

7. Fase Pemahaman Data (Data Understanding Phase), yaitu:

➢ Mengumpulkan data.

➢ Menggunakan analisis penyelidikan data untuk mengenali lebih

lanjut data dan pencarian pengetahuan awal.

17

➢ Mengevaluasi kualitas data.

➢ Jika diinginkan, pilih sebagian kecil kelompok data yang mungkin

mengandung pola dari permasalahan.

8. Fase Pengolahan Data (Data Preparation Phase), yaitu:

➢ Siapkan dari data awal, kumpulan data yang akan digunakan untuk

keseluruhan fase berikutnya. Fase ini merupakan pekerjaan berat

yang perlu dilaksanakan secara intensif.

➢ Pilih kasus dan variabel yang ingin dianalisis dan yang sesuai

analisis yang akan dilakukan.

➢ Lakukan perubahan pada beberapa variabel jika dibutuhkan.

➢ Siapkan data awal sehingga siap untuk perangkat pemodelan.

9. Fase Pemodelan (Modeling Phase).

➢ Pilih dan aplikasikan teknik pemodelan yang sesuai.

➢ Kalibrasi aturan model untuk mengoptimalkan hasil.

➢ Perlu diperhatikan bahwa beberapa teknik mungkin untuk

digunakan pada permasalahan data mining yang sama.

➢ Jika diperlukan, proses dapat kembali ke fase pengolahan data untuk

menjadikan data ke dalam bentuk yang sesuai dengan spesifikasi

kebutuhan teknik data mining tertentu.

10. Fase Evaluasi (Evaluation Phase), yaitu:

➢ Mengevaluasi satu atau lebih model yang digunakan dalam fase

pemodelan untuk mendapatkan kualitas dan efektivitas sebelum

disebarkan untuk digunakan.

➢ Menetapkan apakah terdapat model yang memenuhi tujuan pada

18

fase awal.

➢ Menentukan apakah terdapat permasalahan penting dari bisnis atau

penelitian yang tidak tertangani dengan baik.

➢ Mengambil keputusan berkaitan dengan penggunaan hasil dari data

mining.

11. Fase Penyebaran (Deployment Phase)

➢ Menggunakan model yang dihasilkan. Terbentuknya model tidak

menandakan telah terselesaikannya proyek.

➢ Contoh sederhana penyebaran: Pembuatan laporan.

➢ Contoh kompleks Penyebaran: Penerapan proses data mining secara

paralel pada departemen lain.

2.2.5 Naive Bayes

Naive Bayes merupakan salah satu algoritma dalam teknik data mining yang

menerapkan teori Bayes dalam klasifikasi. Teorema keputusan Bayes adalah

pendekatan statistik yang fundamental dalam pengenalan pola (pattern

recoginition). Naive Bayes didasarkan pada asumsi penyederhanaan bahwa nilai

atribut secara konditional saling bebas jika diberikan nilai output. Dengan kata lain

diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari

probabilitas individu (Ridwan et al., 2013) .

Naive Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut

secara konditional saling bebas jika diberikan nilai output. Atau, dengan kata lain,

diberikan nilai output, prodabilitas mengamati secara bersama adalah produk dari

probabilitas individu (Wulanningrum & Swanjaya, 2017).

19

Teorema Bayes merupakan teknik prediksi berbasis probabilistik sederhana

yang berdasar pada penerapan Teorema Bayes (atau aturan bayes) dengan asumsi

independensi (ketidaktergantungan) yang kuat (naif). Dalam Bayes (terutama Naive

Bayes), maksud independensi yang kuat pada fitur adalah bahwa sebuah fitur pada

sebuah data tidak berkaitan dengan ada atau tidak fitur lain dalam data yang sama

(Wulanningrum & Swanjaya, 2017).

Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana

yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan

kombinasi nilai dari dataset yang diberikan. Algoritma mengunakan teorema bayes

dan mengasumsikan semua atribut independen atau tidak saling ketergantungan

yang diberikan oleh nilai pada variabel kelas. Naive bayes didasarkan pada asumsi

penyederhanaan bahwa nilai atribut secara kondisional saling bebas jika diberikan

nilai output. Dengan kata lain, probabilitas mengamati secara bersama produk dari

probabilitas individu. Keuntungan penggunaan Naive bayes adalah bahwa metode

ini hanya membutuhkan jumlah data pelatihan (training data) yang kecil untuk

menentukan estimasi paremeter yang diperlukan dalam proses pengklasifikasian.

Naive Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata

yang kompleks dari pada yang diharapkan (Munandar & Astuti, 2015).

Tahapan dari proses algoritma naive bayes adalah:

1. Menghitung jumlah kelas / label.

2. Menghitung Jumlah Kasus Per Kelas.

3. Kalikan Semua Variabel Kelas.

4. Bandingkan Hasil Per Kelas.

20

2.2.6 Minat Beli

2.2.6.1 Definisi Minta Beli

Minat beli merupakan aktivitas psikis yang timbul karena adanya perasaan

(afekti) dan pikiran (kognitif) terhadap suatu barang atau jasa yang diinginkan.

Minat beli sebagai kekuatan pendorong atau sebagai motif yang bersifat instristik

yang mampu mendorong seseorang untuk menaruh perhatian secara spontan, wajar,

mudah, tanpa paksaan dan selektif pada satu produk untuk kemudian mengambil

keputusan membeli. Hal ini dimungkinkan oleh adanya kesesuaian dengan

kepentingan individu yang bersangkutan serta memberi kesenangan, kepuasan pada

dirinya. Jadi sangatlah jelas bahwa minat beli diartikan sebagai suatu sikap

menyukai yang ditujukan dengan kecenderungan untuk selalu membeli yang

disesuaikan dengan kesenangan dan kepentingannya.

Menurut Thomas dalam Fitri Yeni (2010 : 34) minat beli yaitu tahapan

kecenderungan responden untuk bertidak sebelum keputusan membeli benar –

benar dilaksanakan. Nugroho (2013 : 342) menjelaskan minat beli adalah proses

pengintegrasian yang mengombinasikan pengetahuan untuk mengevaluasi dua atau

lebih prilaku alternatif dan memilih salah satu diantaranya. Hasil dari proses

pengintegrasian ini ialah suatu pilihan (choice), yang disajikan secara kognitif

sebagai keinginan berperilaku. Dari kedua pendapat para ahli diatas dapat

disimpulkan bahwa minat beli konsumen adalah kecendrungan responden untuk

bertindak sebelum keputusan membeli suatu barang (Helmi, 2015).

21

2.2.7 Konsumen

2.2.7.1 Pengertian Konsumen

Istilah konsumen sering diartikan sebagai dua jenis konsumen, yaitu

konsumen individu dan konsumen organisasi. Konsumen individu membeli barang

dan jasa untuk digunakan sendiri. Misalnya membeli pakaian, sepatu, dan sabun.

Konsumen individu membeli barang dan jasa yang akan digunakan oleh anggota

keluarga yang lain, misalnya susu formula untuk bayi, atau digunakan oleh seluruh

anggota keluarga, misalnya TV, furnitur, rumah, dan mobil. Konsumen individu

mungkin juga membeli barang dan jasa untuk hadiah teman, saudara atau orang

lain. Dalam konteks barang dan jasa yang dibeli kemudian digunakan langsung oleh

individu sering disebut sebagai “pemakai akhir” atau “konsumen akhir”.

Jenis kedua adalah konsumen organisasi, yang meliputi organisasi bisnis,

yayasan, lembaga sosial, kantor pemerintah, dan lembaga lainnya (sekolah,

perguruan tinggi, rumah sakit). Semua jenis organisasi ini harus membeli produk

peralatan dan jasa-jasa lainnya untuk menjalankan seluruh kegiatan organisasinya.

Pabrik mi instan misalnya harus membeli bahan baku seperti tepung terigu, bumbu-

bumbu, dan bahan baku lainnya untuk membuat dan menjual produk mi instannya.

Demikian juga perusahaan jasa seperti perusahaan asuransi harus membeli alat

tulis, komputer, dan kendaraan untuk bisa menghasilkan jasa yang akan dijualnya.

Konsumen individu dan konsumen organisasi adalah sama pentingnya.

Mereka memberikan sumbangan yang sangat penting bagi perkembangan dan

pertumbuhan ekonomi, tanpa konsumen individu, produk dan jasa yang dihasilkan

perusahaan tidak mungkin bisa laku terjual. Secara langsung konsumen individu

mempengaruhi kemajuan dan kemunduran perusahaan. Produk sebaik apapun tidak

22

akan ada artinya bagi perusahaan jika ia tidak dibeli oleh konsumen individu.

Konsumen individu merupakan tulang punggung perekonomian nasional, sebagian

besar pabrik dan perusahaan serta sektor pertanian menghasilkan produk dan jasa

untuk digunakan oleh konsumen akhir (Sumarwan, n.d.).

2.3 Objek Penelitian

2.3.1 Sejarah Toko

i – computer merupakan sebuah toko yang bergerak dibidang jual beli

komputer bekas atau baru yang berada di wilayah Kecamatan Anjatan Indramayu.

Toko i – computer berdiri pada tahun 2009 awal pembukaan toko i – computer

hanya membuka percetakn saja namun pada pertengahan 2010 mulai berbisnis

dengan jual beli komputer dan laptop bekas atau baru.

23

BAB III

METODE PENELITIAN

3.1 Jenis Penelitian

Penelitian ini bersifat deskriptif dimana penelitian ini memusatkan

perhatian terhadap masalah – masalah yang ada pada saat penelitian dilakukan atau

masalah – masalah yang bersifat actual dan menggambarkan tentang masalah fakta

– fakta yang diselidiki sebagaimana adanya yang disertai dengan interprestasi dari

fakta – fakta tersebut.

3.2 Tempat dan Waktu Penelitian

3.2.1 Tempat

Tempat penelitian di toko i – computer yang berada di wilayah Kecamatan

Anjatan Indramayu.

3.2.2 Waktu Penelitian

Adapun waktu yang digunakan untuk penelitian ini dimulai selama 3 bulan

terhitung 9 Agustus sampai 23 Oktober 2018.

Tabel 3. 1 Tabel Waktu Penelitian

No Kegiatan

Waktu Penelitian 2018

Agustus September Oktober

1 2 3 4 1 2 3 4 1 2 3 4

1 Tahap Persiapan Penelitian

a.Identifikasi Masalah,Tujuan

Penelitian

24

b. Penyusunan dan Pengajuan

Judul

c. Pengajuan Proposal

d. Perijinan Penelitian

2 Tahap Pelaksanaan

a. Pengumpulan Data

b. Pengolahan Data

c. Analisis Data

3 Tahap Penyusunan Laporan

3.3 Populasi dan Sample Penelitian

3.3.1 Populasi

Populasi penelitian adalah semua objek atau individu yang memiliki

karakteristik tertentu, jelas dan lengkap yang akan diteliti, menyatakan bahwa

populasi adalah wilayah generalisasi yang terdiri atas: obyek/subyek yang

mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk

dipelajari dan kemudian ditarik kesimpulannya. Populasi dari penelitian ini adalah

seluruh konsumen yang membeli komputer di i – computer yang berjumlah 329

orang.

3.3.2 Sampel Penelitian

Sampel adalah bagian dari jumlah dan karakteristik yang dimiliki oleh

populasi,Metode penarikan sampel / pengambilan sampel yang digunakan dalam

penelitian ini adalah insidental sampling dimana peneliti memberikan kesempatan

25

yang sama atau secara kebetulan pada anggota populasi untuk dijadikan anggota

sampel.Sampel adalah bagian dari populasi yang ditemukan dengan teknik

sampling. Sampel dalam penelitian ini diperoleh sebanyak 329 orang.

3.4 Tahapan Penelitian

Pada penelitian ini, tahapan yang akan digunakan untuk melakukan

klasifikasi terhadap minat beli konsumen. berikut ini beberapa langkah dalam

tahapan yang dilakukan.

Gambar 3. 1 Metode Penelitian

Pada tahap ini menjelaskan tentang bagaimana dan dari mana sumber data

didapatkan, berikut penjelasannya :

1. Pengumpulan Data

Pada tahap ini menjelaskan tentang bangaimana dan dari mana sumber data

didapatkan.

Pengumpulan Data

Pengolahan Data Awal

Penentuan Metode

Evaluasi & Validasi Hasil

26

2. Pengolahan Data Awal

Pada tahap ini menjelaskan tentang tahap awal data mining. Data yang telah

didapatkan akan diolah ke format yang dibutuhkan, pengelompokkan dan

penentuan atribut data.

3. Penentuan Metode

Pada tahap ini menjelaskan tentang metode yang dipilih dan akan digunakan

pada penelitian ini yaitu metode Algoritma Naïve Bayes.

4. Evaluasi & Validasi Hasil

Pada tahap ini menjelaskan tentang pengujian, hasil pengujian yang akan

divalidasi dan kemudian dievaluasi. Penjelasan mengenai tahap ini akan

dipaparkan pada bab berikutnya.

3.5 Metode Pengumpulan Data

Untuk mendapatkan data dan informasi yang diperlukan, penulis

menggunakan metode deskriptif, yaitu dengan cara mengumpulkan data dan

informasi di i – computer Anjatan. Penulis mengadakan penelitian dengan cara

sebagai berikut :

1. Observasi

Observasi dilakukan dengan melakukan pengamatan langsung pada toko i

– computer yang berada di wilayah Kecamatan Anjatan Indramayu.

2. Wawancara

Metode pengumpulan data yang dilakukan melalui tanya jawab yang

diajukan secara langsung kepada narasumber untuk mendapatkan data atau

informasi yang berkaitan dengan objek penelitian.

27

3. Studi Kasus

Penulis melakukan studi kepustakaan melalui literatur – literatur atau

referensi – referensi yang ada di perpustakaan dan internet.

3.6 Rancangan Penelitian

Rancangan dalam penelitian dibuat agar langkah – langkah dalam penelitian

tidak keluar dari pokok pembahasan dan mudah dipahami, urutan langkah –

langkah dibuat secara sistematis sehingga dapat dijadikan pedoman yang jelas dan

mudah untuk menyelesaikan permasalahan yang ada.

Gambar 3. 2 Rancangan Penelitian

Proses analisa untuk memprediksi

minat konsumen belum menerapkan

metode naive bayes sehingga

memerlukan waktu lama

Masalah

Penerapan data mining

dengan metode naive bayes

Tindakan

Data

Metode

Data Konsumen

Naive Bayes

Penelitia

n

Dapat menganalisa dan memprediksi minat

konsumen dengan cepat dan akurat

Hasil

28

3.7 Veriable Penelitian

Variabel penelitian yang akan digunakan sebagai atribut data untuk proses

data mining klasifikasi ialah pendidikan, pekerjaan, penghasilan, tanggungan dan

harga. Kelas keputusan ialah variabel target penelitian yang berisi 2 nilai kelas,

yaitu “ BELI “ dan “ TIDAK ”

Tabel 3. 2 Atribut Data Yang Digunakan

No Atribut Keterangan

1 Pendidikan SD, SMP, SMA, S1 Keatas

2 Pekerjaan Wiraswasta, Karyawan, PNS

3 Penghasilan < 2juta, 3-5 Juta, > 5 Juta

4 Tanggungan 0 Orang, 1-2 Orang, 3-5 Orang, Lebih dari 5orang

5 Harga Mahal, Murah

3.8 Metode Analisis Data

Metode analisis data menggunakan Naïve Bayes Classifier (NBC) yang

merupakan sebuah pengklasifikasi probabilitas sederhana yang mengaplikasikan

Teorema Bayes dengan asumsi ketidaktergantungan (independen) yang tinggi.

Keuntungan penggunaan NBC bahwa metode ini hanya membutuhkan jumlah data

pelatihan (training data) yang kecil untuk menentukan estimasi parameter yang

diperlukan dalam proses pengklasifikasian. Karena yang diasumsikan sebagai

variabel independen, maka hanya varian dari suatu variabel dalam sebuah kelas

yang dibutuhkan untuk menentukan klasifikasi, bukan keseluruhan dari matriks

kovarians.

29

3.8.1 Persamaan Metode Naive Bayes

Klasifikasi Naive Bayes diasumsikan bahwa ada atau tidak ciri tertentu dari

sebuah kelas tidak ada hubungannya dengan ciri dari kelas lainnya. Bentuk umum

atau persamaan dari teorema Bayes adalah :

𝑃(𝐻|𝑋) =𝑃(𝑋|𝐻). 𝑃(𝐻)

𝑃(𝑋)

Keterangan :

X : Sampel data yang memiliki kelas (label) yang tidak diketahui

H : Hipotesa bahwa X adalah data kelas (label)

P(H|X) : Probabilitas hipotesis H berdasar kondisi X (posteriori probability)

P(H) : Peluang dari hipotesa H

P(X|H) : Peluang dari data sampel X bila diasumsikan bahwa hipotesa benar

P(X) : Peluang dari data sampel yang diamati

Untuk menjelaskan metode Naive Bayes, perlu diketahui bahwa proses

klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok

bagi sample yang dianalisis tersebut. Karena itu, metode Naive Bayes di atas

disesuaikan sebagai berikut:

(𝐶|𝐹1…𝐹𝑛) = 𝑃(𝐶)𝑃(𝐹1…𝐹𝑛|𝐶)

𝑃(𝐹1…𝐹𝑛)

Di mana Variabel C merepresentasikan kelas, sementara variabel “F1 ... Fn”

merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan

klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel

karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas C

30

(sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan

peluang kemunculan karakteristik – karakteristik sampel pada kelas C (disebut juga

likelihood), dibagi dengan peluang kemunculan karakteristik – karakteristik sampel

secara global (disebut juga evidence). rumus di atas dapat pula ditulis secara

sederhana sebagai berikut:

Posterior = 𝑝𝑟𝑖𝑜𝑟 𝑥 𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑

𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒

Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari

posterior tersebut nantinya akan dibandingkan dengan nilai – nilai posterior kelas

lainnya untuk menentukan ke kelas apa suatu sample akan diklasifikasikan.

Penjabaran lebih lanjut rumus Naïve Bayes tersebut dilakukan dengan menjabarkan

(𝐶|𝐹1,…,) menggunakan aturan perkalian sebagai berikut :

(𝐶|𝐹1,…,=𝑃(𝐶)𝑃(𝐹1,…,𝐹𝑛|𝐶)

=(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2,…,𝐹𝑛|𝐶,𝐹1)

=𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶,𝐹1 )𝑃(𝐹3,…,𝐹𝑛|𝐶,𝐹1,𝐹2

=(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶,𝐹1 )𝑃(𝐹3|𝐶,𝐹1,𝐹2)𝑃(𝐹4,…,𝐹𝑛|𝐶,𝐹1,𝐹2,𝐹3)

=𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶,𝐹1)𝑃(𝐹3|𝐶,𝐹1,𝐹2)…𝑃(𝐹𝑛|𝐶,𝐹1,𝐹2,𝐹3,…,𝐹𝑛−1)

Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin

banyak dan semakin kompleksnya fakto – faktor syarat yang mempengaruhi nilai

probabilitas, yang hampir mustahil untuk dianalisa satu persatu. Akibatnya,

perhitungan tersebut menjadi sulit untuk dilakukan. Di sinilah digunakan asumsi

independensi yang sangat tinggi (naif), bahwa masing-masing petunjuk

31

(F1,F2...Fn) saling bebas (independen) satu sama lain. Dengan asumsi tersebut,

maka berlaku suatu kesamaan sebagai berikut:

𝑃(𝐹𝑖|𝐹 𝑗) = (𝐹𝑖 ∩ 𝐹𝑗)

𝑃(𝐹𝑗) =

𝑃(𝐹𝑖) 𝑃(𝐹𝑗)

𝑃(𝐹𝑗) = 𝑃(𝐹𝑖)

untuk I ≠ j, sehingga:

𝑃(𝐹𝑖 | 𝐶, 𝐹𝑗) = 𝑃(𝐹𝑖|𝐶)

Dari persamaan di atas dapat disimpulkan bahwa asumsi independensi naive

tersebut membuat syarat peluang menjadi sederhana, sehingga perhitungan menjadi

mungkin untuk dilakukan. Selanjutnya, penjabaran P(F1,…,Fn | C) dapat

disederhanakan seperti berikut:

P(F1 … Fn | C) = P(F1 | C) P(F2 | C) … P(Fn | C)

P(F1 … Fn | C) = ∏ 𝑃 ( 𝐹𝑖 | 𝐶)𝑛𝑖=1

Dengan kesamaan di atas, persamaan teorema bayes dapat dituliskan sebagai

berikut:

P(F1 … Fn | C) =1

𝑃(𝐹1,𝐹2,… ,𝐹𝑛) ∏ 𝑃 ( 𝐹𝑖 | 𝐶)

𝑛𝑖=1

P(F1 … Fn | C) =𝑃(𝐶)

𝑍 ∏ 𝑃 ( 𝐹𝑖 | 𝐶)

𝑛𝑖=1

Persamaan di atas merupakan model dari teorema Naïve Bayes yang

selanjutnya akan digunakan dalam proses klasifikasi dokumen data.

3.8.2 Alur Metode Naive Bayes

Alur dari metode Naive Bayes dapat dilihat pada gambar sebagai berikut:

32

Gambar 3. 3 Alur Metode Naive Bayes

Adapun keterangan dari gambar di atas sebagai berikut (Saleh, 2015)

1. Baca Data Training

2. Hitung jumlah dan probabilitas, namun apabila data numerik maka :

a. Cari nilai mean dan standar deviasi dari masing masing parameter yang

merupakan data numerik. Persamaan yang digunakan untuk menghitung

nilai rata – rata hitung (mean) dapat dilihat sebagai berikut :

Apakah Data

Numerik?

Baca Data Training

Mean Tiap

Parameter

Standar Deviasi

Tiap Parameter

Tabel Mean dan

Standar Deviasi

Jumlah dan

Probabilitas

Tabel Probabilitas

Solusi

Tidak Ya

Stop

Start

33

µ = ∑ 𝑥𝑖

𝑛1=1

𝑛

atau

µ = 𝑥1+ 𝑥2 + 𝑥3+ ... + 𝑥𝑛

𝑛

dimana:

µ: Rata-rata hitung (mean)

x_i: Nilai sampel ke-i

n: Jumlah sample

Dan persamaan untuk menghitung nilai simpangan baku (standar

deviasi) dapat dilihat sebagai berikut:

σ = √∑ (𝑥𝑖−µ) 2𝑛

1=1

𝑛−1

dimana:

σ: Standar deviasi

x_i: Nilai x ke-i

µ: Rata-rata hitung

n: Jumlah sampel

b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai

dari kategori yang sama dibagi dengan jumlah data pada kategori

tersebut.

3. Mendapatkan nilai dalam tabel mean, standard deviasi dan probabilitas.

4. Solusi kemudian dihasilkan.

34

3.9 Evaluasi (Evaluation)

Melakukan pengecekan terhadap setiap nilai atribut dan model yang sudah

dibangun, kemudian melakukan evaluasi terhadap hasil dengan melakukan analisis

data mining. pada tahap ini juga merupakan tahapan dimana dilakukan perbaikan

kembali bila terjadi kekurangan. pada tahapan ini bisa saja kembali lagi ke tahap

yang pertama dan kemudian ke tahap berikutnya dengan tujuan perbaikan, sampai

sesuai dengan kebutuhan.

3.10 Tahap Penelitian

Pada penelitian ini, tahapan penelitian yang dilakukan adalah seperti pada

Gambar 3.3 penelitian ini secara garis besar meliputi beberapa kegiatan inti yaitu

pembuatan proposal, pengumpulan data, pengolahan data, implementasi NBC,

pengujian, dan analisis hasil. Pada tahap pengolahan ada beberapa kegiatan sesuai

dengan tahapan yang ada pada data mining, yaitu pembersihan data, integrasi data,

seleksi data, transformasi data, dan pembentukan dataset yang dalam penelitian

akan digunakan sebagai data training dan data testing, dibawah merupakan tahapan

penelitian menurut (Ridwan, Suyono, & Sarosa, 2013).

35

Gambar 3. 4 Tahap Penelitian

Sumber : Mujib Ridwan, Hadi Suyono, dan M. Sarosa ( 2013 : 7 )

3.11 Instrument Penelitian

Berdasarkan permasalahan yang telah diuraikan sebelumnya, maka bahan

dan peralatan yang diperlukan untuk penelitian ini meliputi :

3.11.1 Bahan

Dalam penelitian ini bahan yang dibutuhkan adalah data sekunder berupa

data konsumen yang membeli komputer di i – computer untuk digunakan sebagai

instrumentasi guna memperoleh data untuk memprediksi minat beli konsumen.

Seleksi Data

Identifikasi Masalah

Pengumpulan Data

Pembersihan Data

Integrasi Data

Penetapan Tujuan

Kajian Literatur

Transformasi Data Data tervaliadasi

Pengujian dan

Evaluasi

NBC

Dataset

Analisis Hasil

Pra Penelitian Mulai Selesai Kesimpulan

36

3.11.2 Peralatan

Peralatan dalam penelitian ini meliputi kebutuhan perangkat lunak dan

kebutuhan perangkat keras. Dibawah ini merupakan peralatan atau tools yang

dibutuhkan, diantaranya :

1. Microsoft Office Word 2013

Software ini digunakan untuk mengolah laporan hasil penelitian.

2. Microsoft Office Excel 2013

Software ini digunakan sebagai media penulisan dan pengolahan dataset,

data training dan data testing.

3. Sistem operasi Microsoft Windows 10

Sistem Operasi yang digunakan penulis.

4. RapidMiner Studio 7.6

Tools yang akan digunakan untuk mengolah data, penerapan algoritma

naive bayes dan mengetahui akurasi dari algoritma yang digunakan terhadap

data yang sedang diteliti.

37

BAB IV

HASIL DAN PEMBAHASAN

4.1 Penentuan Kriteria

Dalam menganalisa untuk mengetahui minat beli konsumen ada beberapa

kriteria yang digunakan di toko i – computer adalah sebagai berikut :

Tabel 4. 1 Kriteria Yang Di Gunakan

No Atribut Keterangan

1 Pendidikan SD, SMP, SMA, S1 Keatas

2 Pekerjaan Wiraswasta, Karyawan, PNS

3 Penghasilan < 2juta, 3-5 Juta, > 5 Juta

4 Tanggungan 0 Orang, 1-2 Orang, 3-5 Orang, Lebih dari 5orang

5 Harga Mahal, Murah

4.2 Perhitungan Naïve Bayes

Dataset yang digunakan sebagai data training adalah sebanyak 329 data

(lampiran1) yang diambil dari data konsumen yang sudah ditentukan. Sedangkan

untuk data testing yang akan ditentukan kelayakannya berjumlah 51 data (

lampiran2 ).

4.2.1 Menghitung Probabilitas Kelas

Tahap pertama perhitungan untuk menentukan minat beli konsumen dengan

metode Naïve Bayes adalah dengan mencari probabilitas dari masing – masing

kelas. Dalam minat beli akan ditentukan 2 kelas yaitu kelas “Minat” dan “Tidak”.

Cara perhitungannya adalah dengan mencari berapa jumlah data yang minat dan

38

tidak dari total keseluruhan data training, lalu membaginya dengan total

keseluruhan data. Hasil dari perhitungan tersebut dapat dilihat pada tabel berikut :

Tabel 4. 2 Probabilitas Kelas

Kelas Keputusan

Beli Tidak

299/329 30/329

4.2.2 Menghitung Probabilitas Masing – Masing Atribut

Cara mencari probabilitas suatu atribut adalah dengan membandingkan

atribut dari data testing dengan atribut dari data training. Berapa jumlah atribut

dengan kelas ”Beli” yang berada pada data training, kemudian bagi dengan

probabilitas kelas “Beli”. Begitu juga dengan mencari probabilitas untuk kelas

“Tidak”.

1. Pendidikan

Tabel 4. 3 Atribut Pendidikan

Pendidikan SD SMP SMA S1 Keatas

Beli 3/299 113/299 15/299 168/299

Tidak 4/30 16/30 7/30 3/30

2. Pekerjaan

Tabel 4. 4 Atribut Pekerjaan

Pekerjaan Wiraswasta Karyawan PNS

Beli 115/299 115/299 69/299

Tidak 11/30 18/30 1/30

39

3. Penghasilan

Tabel 4. 5 Atribut Penghasilan

Penghasilan Kurang dari 2 Juta 3-5 Juta Lebih dari 5 Juta

Beli 53/299 143/299 103/299

Tidak 9/30 20/30 1/30

4. Tanggungan

Tabel 4. 6 Tanggungan

Tanggungan 0 Orang 1-2 Orang 3-5 Orang Lebih dari 5

orang

Beli 153/299 78/299 63/299 5/299

Tidak 21/30 5/30 1/30 3/30

5. Harga

Tabel 4. 7 Atribut Harga

Harga Murah Mahal

Beli 231/299 68/299

Tidak 12/30 18/30

4.2.3 Menghitung Probabilitas Akhir Untuk Setiap Kelas

Untuk menghitung probabilitas akhir pada setiap kelas, perlu menggunakan

data training yang terdapat pada tabel 4.1 dan mengubahnya menjadi nilai yang

sudah ditentukan pada proses 4.2.2 sesuai dengan atribut masing – masing. Lalu

dari masing – masing atribut dan nilai probabilitas kelas dikalikan. Dari kedua hasil

yang sudah ditentukan pada tiap kelas, bandingkan nilai yang paling tinggi. Jika

kelas “Beli” bernilai paling tinggi maka hasilnya “Beli”, begitu pula sebaliknya.

40

4.2.4 Kasus Perhitungan Naïve Bayes

Untuk memudahkan dalam pemahaman perhitungan Naïve Bayes, secara

manual akan dibuat studi kasus sebagai berikut dengan rulenya berupa data training

pada (lampiran 1) :

Tabel 4. 8 Kasus Perhitungan Naive Bayes

Pendidikan Pekerjaan Penghasilan Tanggungan Harga Keputusan

SMA Wiraswasta < 2 juta 3-5 Orang Murah ?

Data testing: X = (Pendidikan=”SMA”, Pekerjaan=”Wiraswasta”, Penghasilan=”<

2 juta”, Tanggungan=”3-5 Orang”, Harga=”Murah”)

P(Ci)

P( Beli )= 299/329 = 0,9088

Jumlah data "Beli" pada kolom "Hasil" di bagi jumlah data

P(Tidak)= 30/329= 0,0911

Jumlah data "Tidak" pada kolom "Hasil" di bagi jumlah data

P(X | Ci)

P (Pendidikan = SMA | Beli) = 15/299 = 0,0502

P (Pendidikan = SMA | Tidak) = 7/30 = 0,2333

P (Pekerjaan = Wiraswasta | Beli) = 115/299 = 0,3846

P ( Pekerjaan = Wiraswasta | Tidak) = 11/30 = 0,3667

P ( Penghasilan = Kurang dari 2 Juta | Beli) = 53/299 = 0,1773

41

P ( Penghasilan = Kurang dari 2 Juta | Tidak) = 9/30 = 0,3000

P ( Tanggungan = 3-5 Orang | Beli) = 63/299 = 0,2107

P ( Tanggungan = 3-5 Orang | Tidak) = 1/30 = 0,0333

P ( Harga = Murah | Beli) = 231/299 = 0,7726

P ( Harga = Murah | Tidak) = 12/30 = 0,4000

P ( X | Beli = 0,0502 * 0,3846 * 0,1773 * 0,2107 * 0,7726

P ( X | Tidak = 0,000557

P ( X | Tidak = 0,2333 * 0,3667 * 0,3000 * 0,0333 * 0,4000

P ( X | Tidak = 0,000342

Jadi untuk Pendidikan =”SMA”, Pekerjaan=”Wiraswasta”, Penghasilan=”Kurang

dari 2 juta”, Tanggungan=”3-5 Orang”,Harga=”Murah”,hasilnya “Beli”.

P(X | Ci) * P(Ci)

P(X | Beli) * P(Beli) = 0,000557 * 0,908815

P(X | Tidak)) = 0,000506

P(X | Tidak) * P(Tidak) = 0,000342 * 0,091185

P(X | Tidak) = 0,000031

4.3 Implementasi Klasifikasi Naïve Bayes pada Rapid Miner

Uji coba dilakukan untuk mengetahui apakah perhitungan yang telah

dilakukan diatas sesuai untuk mengetahui minat beli konsumen dengan metode

Naïve Bayes. Uji coba dilakukan dengan menentukan 51 data testing yang telah

dipilih (lampiran2). Data testing tersebut akan dicari nilai prediksinya

42

menggunakan Rapidminer 7.6. Berikut adalah uji coba yang dilakukan pada 80 data

testing yang sudah ditentukan. Data testing tersebut akan dicari nilai prediksinya

apakah sesuai dengan perhitungan naive bayes.

Gambar 4. 1 Proses Rapid Miner

43

Gambar 4. 2 Hasil Prediksi Rapid Miner

Dari keterangan gambar 4.2 hasil testing data yang dilakukan dengan

menggunakan Rapid Miner mengahasilkan prediksi yang sama dengan kasus

perhitungan manual yaitu “Beli”.

4.3.1 Akurasi Prediksi

Proses klasifikasi dengan Rapid Miner menggungnakan metode Naive

Bayes yang digunakan untuk mengetahui minat beli pada konsumen pada peneltitan

ini.

44

Gambar 4. 3 Proses Training dan Testing

1. Accuracy/Akurasi

Dengan mengetahui jumlah data yang di klasifikasikan secara benar maka

dapat diketahui akurasi hasil prediksi yaitu 96.25% dari hasil data testing.

Gambar 4. 4 Accuracy / Akurasi

Hasil analisa antara data yang di testing dengan data training di Rapid

Miner dapat dilihat pada Lampiran 2. Untuk menghitung akurasinya sebagai

berikut:

45

Jumlah data yang diuji : 51

Jumlah data yang diprediksi benar “Beli” : 5

Jumlah data yang diprediksi benar “Tidak” : 43

Jumlah data yang diprediksi salah “Beli” : 1

Jumlah data yang diprediksi salah “Tidak” : 2

Akurasi = Jumlah data yang diprediksi benar/jumlah data yang diuji*100%

= (5+43) / (5+43+1+2)*100%

= 94,12%

Eror = Jumlah data yang diprediksi salah/jumlah data yang diuji*100%

= (1+2) / (5+43+1+2)*100%

= 5,88%

Dari perhitungan tersebut dapat disimpulkan bahwa klasifikasi dengan

menggunakan metode Naive bayes untuk menentukan minat beli konsumen

menghasilkan tingkat akurasi sebesar 94,12% dan tingkat error 5,88%

46

Gambar 4. 5 Kurva ROC

Kurva ROC digunakan untuk mengekspresikan data. Garis horizontal

mewakili nilai false positive dan garis dan garis vertikal mewakili nilai true positive.

Dari gambar 4.5 dapat diketahui bahwa nilai Area Under Curve (AUC) model

algoritma naive bayes adalah 0.970, hal ini menunjukan bahwa model algoritma

naive bayes mencapai klasifikasi hampir sempurna.

47

BAB V

KESIMPULAN

5.1 Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan mengenai penentuan

prediksi untuk menentukan minat beli konsumen terhadap komputer dengan metode

Naïve Bayes, maka dapat diambil beberapa kesimpulan sebagai berikut :

1. Metode Naive Bayes dapat digunakan untuk mengklasifikasi data agar dapat

memprediksi minat beli konsumen terhadap komputer.

2. Berdasarkan hasil Analisa pada penelitian yang dilkakukan, didapatkan

hasil prediksi menentukan minat beli konsumen terhadap komputer dengan

cepat dan akurat, dari pengujian yang dilakukan dengan membandingkan

data training dengan data testing menggunakan aplikasi pendukung Rapid

Miner didapat tingkat akurasi sebesar 94.12%.

5.2 Saran

Penelitian yang dilakukan tentunya tak lepas dari sebuah kekurangan.

Berdasarkan hasil penelitian yang telah dilakukan mengenai minat beli konsumen

terhadap komputer dengan metode Naive Bayes pada toko i – computer, ada

beberapa saran yang penulis berikan sebagai acuan dalam penelitian selanjutnya.

1. Pada penelitian ini belum dibuatkannya sistem pendukung keputusan untuk

menentukan minat beli terhadap komputer dan dapat dikembangkan dengan

metode klasifikasi data maining lainnya agar bisa dilakukan perbandingan.

2. Penentuan jumlah data training dapat mempengaruhi hasil pengujian,

karena pola data training tersebut akan dijadikan sebagai rule untuk

48

menentukan kelas pada data testing. Sehingga besar atau kecilnya

persentase tingkat akurasi dipengaruhi juga oleh penentuan data training,

maka untuk penelitian selanjutnya diharapkan dapat menambahkan jumlah

data training lebih banyak lagi.

3. Tidak berlaku jika probabilitas kondisionalnya adalah nol pada metode

Naïve Bayes, apabila nol maka probabilitas prediksi akan bernilai nol juga.

49

DAFTAR PUSTAKA

Bachriansyah, R. A. (2011). “ Analisis Pengaruh Kualitas Produk , Daya Tarik Iklan

, dan Persepsi Harga Terhadap Minat Beli Konsumen Pada Produk Ponsel

Nokia ( Studi Kasus Pada Masyarakat di Kota Semarang ) “.

Dama, D. (2016). Analisis Faktor-Faktor Yang Mempengaruhi Minat Beli

Konsumen Dalam Memilih Laptop Acer Di Toko Lestari Komputer Manado,

16(1), 503–514.

Helmi, S. M. (2015). Faktor-faktor yang mempengaruhi minat beli konsumen pada

cv. master pasir pengaraian kabupaten rokan hulu.

Kurniawan, S., & Hidayat, T. (2007). Penerapan Data Mining Dengan Metode

Interpolasi Untuk Memprediksi Minat Konsumen Asuransi ( Studi Kasus

Asuransi Metlife ), 5(2), 113–128.

Mandala, W. P. E. (2015). Data Mining Menggunakan Bayesian Classifier Untuk

Menentukan Kelayakan Kendaraan Yang Akan Dijual Pada Showroom Motor

Bekas, 1(Senatkom).

Munandar, R. A., & Astuti, S. (2015). Prediksi Menu Favorit Salam Laos

Menggunakan Naïve Bayes Prediction Of Salam Laos Favorite Menu Using

Naïve Bayes, (x).

Nofriansyah, D., Erwansyah, K., & Ramadhan, M. (2016). Penerapan Data Mining

dengan Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli

Pelanggan terhadap Kartu Internet XL (Studi Kasus di CV. Sumber Utama

Telekomunikasi), 15, 81–92.

50

Pauziah, U. (2017). Analisis Penentuan Karyawan Terbaik Menggunakan Metode

Algoritma Naive Bayes ( Studi Kasus Pt . Xyz ), (April), 94–102.

Ridwan, M., Suyono, H., & Sarosa, M. (2013). Penerapan Data Mining Untuk

Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes

Classifier, 7(1), 59–64.

Saleh, A. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam

Memprediksi Besarnya Penggunaan Listrik Rumah Tangga, 2(3), 207–217.

Saragih, H., & Reza, B. (2013). Implementasi Data Mining Algoritma Apriori Pada

Sistem Persediaan Alat-Alat Kesehatan, 93–106.

Sitaba, M. R. (2011). Penerapan Data Mining Untuk Menghitung Rata- Rata Minat

Konsumen Fashion.

Sumarwan, U. (n.d.). Model Keputusan Konsumen, 1–41.

Sutrisno, Afriyudi, & Widiyanto. (2013). Penerapan Data Mining Pada Penjualan

Menggunakan Metode Clustering Study Kasus Pt . Indomarco, 1–11.

Wulanningrum, R., & Swanjaya, D. (2017). Implementasi Metode Naive Bayes

Pada Penjualan Pulsa Konter Matahari Cell Implementation Of Sales Method

Naive Bayes Pulse Counter Matahari Cell Oleh : Dibimbing Oleh : Surat

Pernyataan Artikel Skripsi Tahun 2017.

51

LAMPIRAN

Lampiran 1

Sampel Data Training

Pendidikan Pekerjaan Penghasilan Tanggungan Harga Keputusan

S1 Keatas Karyawan Lebih dari 5

Juta 0 Orang Murah Beli

SMP PNS Lebih dari 5

Juta 1-2 Orang Mahal Beli

S1 Keatas Karyawan 3-5 Juta 0 Orang Murah Beli

SMP Wiraswast

a

Kurang dari 2



Juta 1-2 Orang Murah Beli

SMP Karyawan 3-5 Juta 0 Orang Murah Beli

S1 Keatas PNS 3-5 Juta 0 Orang Murah Beli

SMP PNS 3-5 Juta Lebih dari 5

orang Mahal Beli

S1 Keatas Wiraswast

a 3-5 Juta 1-2 Orang Murah Beli

SMP Karyawan Kurang dari 2

Juta 0 Orang Murah Tidak

SMP Wiraswast

a 3-5 Juta 0 Orang Murah Beli


Juta 0 Orang Mahal Tidak

S1 Keatas Wiraswast

a

Kurang dari 2




S1 Keatas Wiraswast



S1 Keatas Wiraswast

a

Lebih dari 5


S1 Keatas Wiraswast

a 3-5 Juta

Lebih dari 5

orang Murah Beli

S1 Keatas Wiraswast

a

Lebih dari 5

Juta

Lebih dari 5

orang Murah Beli



52

S1 Keatas Wiraswast

a

Kurang dari 2




S1 Keatas Wiraswast

a

Kurang dari 2

Juta 3-5 Orang Mahal Tidak


SMP PNS 3-5 Juta 0 Orang Murah Beli

SMP Wiraswast


SMP Wiraswast


SMP Wiraswast




SMP Karyawan Lebih dari 5




SMP Wiraswast


SMP Wiraswast

a

Lebih dari 5


SMP Wiraswast

a

Lebih dari 5


SMP PNS 3-5 Juta 0 Orang Mahal Beli




SMA Wiraswast

a

Kurang dari 2


SMP Wiraswast

a

Kurang dari 2


SMP Wiraswast

a

Lebih dari 5


SMP Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast




SMP Wiraswast

a

Kurang dari 2


SMP Wiraswast

a

Lebih dari 5


53

SMP Wiraswast

a

Lebih dari 5


SMP Wiraswast

a

Kurang dari 2




SMP Wiraswast

a

Kurang dari 2







SMP Wiraswast

a

Lebih dari 5





SMP PNS 3-5 Juta 1-2 Orang Murah Beli

SD Wiraswast

a 3-5 Juta 1-2 Orang Murah Tidak

SMP Wiraswast


SMP Wiraswast




S1 Keatas Wiraswast

a

Lebih dari 5


S1 Keatas Wiraswast

a

Kurang dari 2


SD Wiraswast

a 3-5 Juta 1-2 Orang Murah Tidak

S1 Keatas PNS 3-5 Juta 1-2 Orang Murah Beli

S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast

a

Kurang dari 2






S1 Keatas Wiraswast

a

Kurang dari 2




54



S1 Keatas Karyawan 3-5 Juta 3-5 Orang Murah Beli

SD PNS 3-5 Juta 0 Orang Murah Beli

SMA Wiraswast

a

Kurang dari 2


SMA Karyawan Lebih dari 5





S1 Keatas Wiraswast


S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast




S1 Keatas PNS 3-5 Juta 0 Orang Mahal Tidak







S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast

a

Kurang dari 2


SMA PNS 3-5 Juta 0 Orang Mahal Beli


SMP Karyawan 3-5 Juta 1-2 Orang Murah Beli

SMP Wiraswast


S1 Keatas Wiraswast

a

Kurang dari 2









55





SMP Wiraswast

a

Kurang dari 2


SMP Wiraswast

a

Kurang dari 2


SMP Karyawan 3-5 Juta 0 Orang Mahal Tidak



SMP Wiraswast

a

Kurang dari 2



SMP Wiraswast

a

Kurang dari 2




SMP Karyawan 3-5 Juta 3-5 Orang Mahal Beli



SMP Wiraswast

a

Kurang dari 2


SMP Karyawan 3-5 Juta 3-5 Orang Mahal Beli

SMP PNS 3-5 Juta 3-5 Orang Mahal Beli


S1 Keatas PNS 3-5 Juta 0 Orang Mahal Beli



S1 Keatas Wiraswast

a

Lebih dari 5













S1 Keatas Wiraswast

a

Lebih dari 5


S1 Keatas PNS Lebih dari 5


56






Juta 0 Orang Mahal Beli


SMA Wiraswast


S1 Keatas Wiraswast


SMA Wiraswast


S1 Keatas Wiraswast



S1 Keatas Wiraswast




S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast


S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast




S1 Keatas Wiraswast


S1 Keatas Wiraswast





S1 Keatas Wiraswast



S1 Keatas Wiraswast

a

Kurang dari 2







57



SMP Wiraswast

a

Kurang dari 2



S1 Keatas Wiraswast

a

Lebih dari 5








S1 Keatas Wiraswast

a

Lebih dari 5










S1 Keatas Wiraswast

a

Kurang dari 2










Juta 1-2 Orang Murah Tidak

SMP Wiraswast

a

Kurang dari 2



S1 Keatas Wiraswast


SMA Karyawan 3-5 Juta 0 Orang Murah Beli




S1 Keatas Wiraswast




58

S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Karyawan Kurang dari 2


SMP Wiraswast




SMP Karyawan 3-5 Juta 1-2 Orang Mahal Tidak

SMP Wiraswast

a

Kurang dari 2




SMA Wiraswast

a

Kurang dari 2








Juta

Lebih dari 5

orang Murah Beli

S1 Keatas Karyawan 3-5 Juta 1-2 Orang Mahal Beli

SMP Wiraswast



SMP Karyawan 3-5 Juta 1-2 Orang Murah Beli

SMP Karyawan 3-5 Juta 1-2 Orang Mahal Tidak




S1 Keatas Karyawan 3-5 Juta 0 Orang Mahal Beli





S1 Keatas Wiraswast

a

Kurang dari 2




SMP Wiraswast

a

Kurang dari 2


SMP Wiraswast

a

Kurang dari 2



S1 Keatas Karyawan Kurang dari 2


59


S1 Keatas Wiraswast

a 3-5 Juta 0 Orang Mahal Beli






Juta

Lebih dari 5

orang Murah Beli





S1 Keatas Wiraswast



SMA Wiraswast




S1 Keatas Wiraswast

a

Kurang dari 2




SMP Wiraswast

a 3-5 Juta 0 Orang Mahal Tidak


SMP Wiraswast

a

Kurang dari 2


SMP Wiraswast

a

Kurang dari 2




S1 Keatas Wiraswast

a

Kurang dari 2







SMA Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast

a

Kurang dari 2



60

SMA Karyawan 3-5 Juta 0 Orang Mahal Tidak

SMA Karyawan Kurang dari 2





SMA Wiraswast


S1 Keatas Wiraswast


S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas PNS Kurang dari 2


S1 Keatas Wiraswast


S1 Keatas Wiraswast




S1 Keatas Wiraswast







S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast


SD Wiraswast

a

Lebih dari 5


S1 Keatas Wiraswast









S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast


61

S1 Keatas Wiraswast


S1 Keatas Wiraswast

a

Kurang dari 2



SD Wiraswast

a 3-5 Juta 0 Orang Murah Tidak







S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast


SD Wiraswast

a

Lebih dari 5




S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast

a

Lebih dari 5


S1 Keatas Wiraswast

a

Kurang dari 2


S1 Keatas Wiraswast

a

Lebih dari 5


S1 Keatas Wiraswast

a

Lebih dari 5


S1 Keatas Wiraswast

a

Lebih dari 5


S1 Keatas Wiraswast

a

Lebih dari 5




SMP Wiraswast


SMP Wiraswast

a 3-5 Juta

Lebih dari 5

orang Murah Tidak

62

SMP Wiraswast


SMP Wiraswast


SMP Wiraswast













SMP Wiraswast

a

Kurang dari 2

Juta

Lebih dari 5

orang Murah Tidak

SD Wiraswast

a 3-5 Juta 0 Orang Murah Tidak















SMP Karyawan 3-5 Juta Lebih dari 5

orang Murah Tidak











63

Hasil data testing dengan Rapid Miner

Prediksi

Rapidmi

ner

Prediksi

Data

Testing

Pendidikan Pekerjaan Penghasilan Tanggungan Harga

Beli Beli SMA Karyawan Lebih dari 5

Juta 1-2 Orang Murah

Beli Beli SMP Wiraswasta 3-5 Juta 1-2 Orang Murah

Beli Beli SD Wiraswasta Kurang dari

2 Juta 3-5 Orang Murah

Beli Beli SMP Wiraswasta Kurang dari




Beli Beli SMA Wiraswasta 3-5 Juta 3-5 Orang Murah

Beli Beli SMA Wiraswasta Kurang dari





Juta 1-2 Orang Mahal

Beli Beli SMP Karyawan 3-5 Juta 1-2 Orang Murah

Tidak Tidak SD Karyawan Kurang dari


Beli Beli SMP Karyawan Kurang dari


Tidak Tidak SMA Karyawan Kurang dari

2 Juta

Lebih dari 5

orang Murah


2 Juta

Lebih dari 5

orang Murah

Tidak Beli SD Karyawan Kurang dari

2 Juta

Lebih dari 5

orang Murah

Beli Beli S1 Keatas Karyawan Lebih dari 5

Juta

Lebih dari 5

orang Murah









64




2 Juta 3-5 Orang Mahal

Beli Beli S1 Keatas Wiraswasta Kurang dari




Tidak Beli SD Karyawan Kurang dari


Beli Beli SMA Karyawan Kurang dari


Beli Tidak SMA Karyawan Kurang dari



2 Juta 0 Orang Mahal

Tidak Tidak SMA Karyawan Kurang dari


Beli Beli S1 Keatas Karyawan Kurang dari










Beli Beli S1 Keatas Karyawan Kurang dari


Beli Beli SMA PNS 3-5 Juta 0 Orang Mahal

Beli Beli SMP PNS 3-5 Juta 0 Orang Murah

Beli Beli SMP PNS 3-5 Juta 0 Orang Murah

Beli Beli S1 Keatas PNS 3-5 Juta 0 Orang Mahal

Beli Beli S1 Keatas PNS 3-5 Juta 0 Orang Murah









65

Beli Beli S1 Keatas Wiraswasta 3-5 Juta 0 Orang Murah

Beli Beli S1 Keatas Wiraswasta 3-5 Juta 0 Orang Murah



Beli Beli S1 Keatas Wiraswasta 3-5 Juta 3-5 Orang Murah



Beli Beli SMP PNS 3-5 Juta Lebih dari 5

orang Mahal

penerapan data mining dengan algoritma naÏve bayes …

Documents