Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Vol. 1, Oktober 2015 ISSN : 2460– 4690
DATA MINING MENGGUNAKAN BAYESIAN CLASSIFIER UNTUK MENENTUKAN KELAYAKAN KENDARAAN YANG AKAN DIJUAL PADA SHOWROOM MOTOR BEKAS Eka Praja Wiyata Mandala, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang, e-mail:
[email protected] Abstrak Data mining erat kaitannya dengan data, informasi dan pengetahuan. Proses data mining dimulai dengan mengekstraksi data yang kemudian menghasilkan sebuah informasi. Informasi yang dihasilkan kemudian diolah untuk menghasilkan biasa berbentuk pola (pattern). Pola inilah yang kemudian diterjemahkan menjadi sebuah pengetahuan. Dan pengetahuan yang dihasilkan dapat digunakan untuk mengambil keputusan oleh pimpinan dalam sebuah perusahaan. Salah satu metode data mining adalah klasifikasi yaitu proses pencarian model klasifikasi yang dapat membedakan objek label kelasnya. Bayesian Classifier adalah salah satu teknik yang dapat dipakai untuk membangun model klasifikasi yang merupakan pengklasifikasian model statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Bayesian clssifier ini didasarkan pada teorema bayes yang memiliki kemampuan klasifikasi serupa dengan decision tree dan neural network. Pada penelitian ini, Bayesian Classifier akan digunakan untuk mengklasifikasikan kelayakan kendaraan yang akan dijual pada sebuah showroom motor bekas. Pengklasifikasian ini akan menghasilkan dua buah class yaitu “langsung jual” dan “butuh perbaikan”. Pengklasifikasian yang dihasilkan akan dipengaruhi oleh “keadaan mesin”, “keadaan rangka”, “keadaan body”, “keadaan cat”, “keadaan aki”, dan “aksesoris motor”. Diharapkan dengan adanya pengimplementasian data mining ini dapat membantu pengelola sowroom untuk mengambil keputusan mengenai kendaraan yang akan dijual. Kata Kunci : Data mining, bayesian classifier, kelayakan kendaraan, motor bekas
1. PENDAHULUAN Semakin hari semakin banyak data dihasilkan. Kecepatan penambahan volume dan jenis data semakin „tidak terkendali‟ karena perkembangan teknologi informasi. Manusia berada dalam suatu organisasi, sadar atau tidak sadar telah memproduksi berbagai data yang jumlahnya sangat besar. Semakin besarnya volume data yang ada menimbulkan masalah dalam pengklasifikasian atau pengelompokannya. Bayesian Classifier merupakansalah satu metode di dalam data mining untuk
mengklasifikasikan data. Cara kerja dari metode Bayesian Classfier menggunakan perhitungan probabilitas. Konsep dasar yang digunakan oleh Bayesian Classfier adalah TeoremaBayes, yaitu teorema yang digunakan dalam statistika untuk menghitung suatu peluang. Data yang digunakan pada penelitian ini adalah data kondisi motor yang di sebuah showroom motor bekas. Pihak showroom masih agak kesulitan menentukan motor yang telah dibeli untuk dijual kembali, apakah akan langsung dijual atau membutuhkan perbaikan terlebih dahulu.
Eka Praja Wiyata Mandala, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang
42
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Tujuan dari penelitian ini adalah untuk membantu pihak showroom untuk mengambil keputusan kelayakan motor yang akan dijual terkait dengan kondisi motor pada saat dibeli dari pelanggan.
2. KAJIAN LITERATUR 2.1 Data Mining Data Miningmerupakan bagaimanamenjelaskanmasa laludan memprediksimasa depan dengan caraanalisis data. Data miningadalah bidangdisiplin ilmuyang menggabungkanstatistik, pembelajaran mesin, kecerdasan buatan danteknologi 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 pengamatansetdata (yang biasanya besar) untuk menemukan hubungantak terdugadan untuk meringkasdatadengan cara baruyangdapat dimengertidan berguna bagipemilik 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. 2.2 Bayesian Classifier Bayesian Classifier adalah pengklasifikasian statistik yang dapat digunakan untuk memprediksi keanggotaan suatu class. Bayesian Classifier didasarkan pada Teorema Bayes
Vol. 1, Oktober 2015 ISSN : 2460– 4690
yang memiliki kemampuan klasifikasi serupa dengan decision tree dan neural network.Bayesian Classifier terbukti memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam database yang sangat besar. Teorema Bayes memiliki bentuk umum sebagai berikut : P(H|X) = (P(X|H)*P(H)) / P(X) ..... (1) dimana : X = data dengan class yang belum diketahui H = hipotesis data X merupakan class spesifik P(H|X) = probabilitas hipotesis H berdasar kondisi X P(H) = Probabilitas hipotesis H P(X|H) = probabilitas X berdasar kondisi pada hipotesis H P(X) = probabilitas dari X 2.3 Penjualan Pengertian penjualan menurut Henry Simamora dalam bukunya “Akuntansi Basis Pengambilan Keputusan Bisnis” menyatakan bahwa penjualan adalah pendapatan lazim dalam perusahaan dan merupakan jumlah kotor yang dibebankan kepada pelanggan atas barang dan jasa. Sedangkan pengertian penjualan menurut Chairul Marom dalam bukunya “Sistem Akuntansi Perusahaan Dagang” menyatakan bahwa penjualan artinya penjualan barang dagangan sebagai usaha pokok perusahaan yang biasanya dilakukan secara teratur. Ada beberapa jenis penjualan menurut Basu Swasta : 1. Trade Selling : dapat terjadi bilamana produsen dan pedagang besar mempersilahkan pengecer untuk berusaha memperbaiki distributor produk-produk mereka. 2. Missionary Selling : penjualan berusaha ditingkatkan dengan mendorong pembeli untuk membeli
Eka Praja Wiyata Mandala, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang
43
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
barang-barang dari penyalur perusahaan. 3. Technical Selling: Berusaha meningkat-kan penjualan dengan pemberian saran dan nasehat pada pembeli akhir dari barang dan jasa. 4. New Business Selling : Berusaha membuka transaksi baru dengan merubah calon pembeli menjadi pembeli. 5. Responsive Selling : penjualan seperti ini tidak akan menciptakan penjualan yang terlalu besar. 2.4 Motor Bekas Motor bekas merupakan sebuah motor hasil sentuhan orang lain yang dijual dari tangan orang yang satu ke tangan orang yang lain. Motor bekas ada yang dalam kondisi bagus dan ada juga yang kondisinya memang sudah tidak layak lagi. Jika ingin membeli motor bekas, yang harus diperhatikan adalah kondisi motor secara kesluruhan mulai dari body sampai ke mesin, serta kelengkapan suratsurat dari motor tersebut.
3. METODE PENELITIAN Penelitian ini bertujuan untuk mengetahui tingkat kelayakan sepeda motor bekas yang akan dijual di sebuah showroom motor bekas. Kriteria tersebut merupakan standar dalam penetapan sepeda motor bekas. Untuk memudahkan dalam penentuan kriteria tersebut, maka penulis menggunakan Bayesian Classifier. Dalam penelitian ini, diperlukan kerangka kerja penelitian agar penelitian lebih terstruktur dan tertata dengan baik. Kerangka kerja penelitian yang coba penulis gunakan adalah sebegai berikut :
Vol. 1, Oktober 2015 ISSN : 2460– 4690
PenelitianPendahuluan Pengumpulan Data Analisa Perancangan Implementasi Pengujian Gambar 3.1 Kerangka Kerja Penelitian 1. Penelitian Pendahuluan Merupakan langkah awal di dalam penelitian yaitu mengumpulkan semua masalah tentang pengambilan keputusan kelayakan motor bekas yang akan dijual di sebuah showroom motor bekas. 2. Pengumpulan Data Melakukan observasi secara langsung dan melakukan wawancara dengan pihak showroom motor bekas serta mengumpulkan semua literatur yang berhubungan dengan penelitian ini. 3. Analisa Melakukan analisa terhadap data yang diperoleh dari pihak showroom motor bekas, dan menentukan teknik dan metode data mining apa yang akan digunakan kemudian melakukan analisa terhadap aplikasi data mining yang akan dibangun di showroom tersebut. 4. Perancangan Menggunakan alat bantu perancangan UML (Unified Modeling Language) untuk membangun aplikasi data mining di showroom motor bekas. 5. Implementasi Membangun aplikasi data mining untuk showroom motor bekas dengan menggunakan bahasa pemrograman PHP dan didukung dengan database MySQL. 6. Pengujian
Eka Praja Wiyata Mandala, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang
44
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Pengujian akan dilakukan terhadap semua fungsi yang terdapat di dalam aplikasi data mining.
Starter
6. Kriteria aksesoris motor. Tabel 4.6 Klasifikasi Aksesoris Aksesoris Standar Spion, stiker, pegangan, pegangan rem ada atau tidak ada atau tidak ori Spion, stiker, pegangan, pegangan rem, knalpot, jok, velg ori atau tidak ori
4. HASIL DAN PEMBAHASAN Proses pengambilan keputusan dalam klasifikasi kelayakan motor bekas yang akan dijual dikelompokkan menjadi beberapa kriteria, dimana kriterian ini akan menjadi penentu (predictor) dalm pengambilan keputusan di showroom motor bekas tersebut. Kriteria tersebut adalah : 1. Kriteria mesin motor. Tabel 4.1 Klasifikasi Mesin Mesin Bunyi mesin Bagus
Klasifikasi Kasar Halus
Klasifikasi Mulus Karat Keropos
3. Kriteria bodi motor. Tabel 4.3 Klasifikasi Bodi Bodi Mulus Bekas Senggolan Bekas Tabrakan
Klasifikasi Mulus Lecet Penyok
4. Kriteria cat motor. Tabel 4.4 Klasifikasi Cat Cat Mulus Tidak mengkilat Baret Tidak sesuai STNK
Klasifikasi Mulus Kusam Baret Ganti Cat
5. Kriteria aki motor. Tabel 4.5 Klasifikasi Aki Aki Lampu terang dan Bisa Starter Lampu redup dan atau Tidak Bisa
Klasifikasi Normal Soak
Klasifikasi Ori Semi Modif
Full Modif
Sedangkan target yang akan dicapai adalah keputusan dengan dua atribut yaitu : Tabel 4.7 Klasifikasi Keputusan Keputusan Perbaikan Langsung Jual
2. Kriteria rangka motor. Tabel 4.2 Klasifikasi Rangka Rangka Mulus Karatan Lobang
Vol. 1, Oktober 2015 ISSN : 2460– 4690
Setelah melakukan observasi langsung ke showroom motor bekas, maka diperoleh data untuk training sebanyak 20 buah data motor yang ada di showroom tersebut. Berikut data training yang digunakan : Tabel 4.8 Training Data M e sin
Ra n gka
ha lus
mu lus
ha lus
Cat
Aki
Akse soris
le cet
ku sam
nor mal
ori
mu lus
mu lus
ku sam
soa k
ori
ha lus
mu lus
mu lus
ku sam
nor mal
semi modi f
ha lus
mu lus
mu lus
ku sam
nor mal
ori
ha lus
ka rat
mu lus
mu lus
nor mal
ori
ha lus
mu lus
mu lus
mu lus
soa k
ori
ha lus
mu lus
le cet
ba ret
nor mal
ori
Eka Praja Wiyata Mandala, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang
Bo dy
Kepu tusan lang sung jual per baika n per baika n lang sung jual lang sung jual per baika n lang sung 45
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 jual semi modi f semi modi f full modi f semi modi f semi modi f semi modi f semi modi f full modi f
ha lus
mu lus
mu lus
mu lus
nor mal
ha lus
mu lus
le cet
ba ret
soa k
ka sar
mu lus
mu lus
mu lus
nor mal
ka sar
ka rat
mu lus
ku sam
nor mal
ha lus
mu lus
le cet
ba ret
nor mal
ha lus
mu lus
le cet
ba ret
soa k
ha lus
ka rat
mu lus
ku sam
nor mal
ka sar
ker o pos
le cet
ba ret
soa k
ka sar
ka rat
pe nyo k
gant i cat
nor mal
ori
ka sar
mu lus
mu lus
mu lus
nor mal
ori
ha lus
ka rat
mu lus
mu lus
soa k
ka sar
mu lus
mu lus
ku sam
soa k
ha lus
mu lus
le cet
ba ret
nor mal
semi modi f semi modi f ori
lang sung jual per baika n per baika n per baika n lang sung jual per baika n per baika n per baika n per baika n per baika n per baika n per baika n lang sung jual
Misalnya, pihak showroom baru membeli sebuah motor dari seorang konsumen dengan keadaan motor sebagai data testing sebagai berikut : 1. Mesin : “Halus” 2. Rangka : “Karat” 3. Body : “Lecet” 4. Cat : “Kusam” 5. Aki : “Normal” 6. Aksesoris : “Semi Modif” Jika motor yang diterima oleh pihak sohwroom seperti keadaan diatas, maka
Vol. 1, Oktober 2015 ISSN : 2460– 4690
untuk mendapatkan keputusan apakah akan dilakukan perbaikan atau langsung dijual, dapat digunakan Bayesian Classifier dengan perhitungan sebagai berikut : P(keputusan=“perbaikan”) = 13/20 = 0.65 P(keputusan=“langsung jual”) = 7/20 = 0.35 P(mesin=“halus” | keputusan=“perbaikan”) = 7/13 = 0.538 P(mesin=“halus”| keputusan=“langsung jual”) = 7/7 = 1 P(rangka=“karat” | keputusan=“perbaikan”) = 4/13 = 0.308 P(rangka=“karat” | keputusan=“langsung jual”) = 1/7 = 0.143 P(body=“lecet” | keputusan=“perbaikan”) = 3/13 = 0.231 P(body=“lecet” | keputusan=“langsung jual”) = 4/7 = 0.571 P(cat=“kusam” | keputusan=“perbaikan”) = 5/13 = 0.385 P(cat=“kusam” | keputusan=“langsung jual”) = 2/7 = 0.286 P(aki=“normal” | keputusan=“perbaikan”) = 6/13 = 0.462 P(aki=“normal” | keputusan=“langsung jual”) = 7/7 = 1 P(aksesoris=“semi modfi” | keputusan= “perbaikan”) = 7/13 = 0.538 P(aksesoris=“semi modif” | keputusan= “langsung jual”) = 2/7 = 0.286
P(X | keputusan=”perbaikan”) = 0.538 * 0.308 * 0.231 * 0.385 * 0.462 * 0.538 = 0.004 P(X | keputusan=”langsung jual”) = 1 * 0.143 * 0.571 * 0.286 * 1 * 0.286
Eka Praja Wiyata Mandala, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang
46
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Vol. 1, Oktober 2015 ISSN : 2460– 4690
= 0.007 P(X | keputusan=”perbaikan”) P(keputusan=”perbaikan”) = 0.004 * 0.65 = 0.00237 P(X | keputusan=”langsung jual”) P(keputusan=” langsung jual”) = 0.007 * 0.35 = 0.00233
Dari hasil diatas dapat dilihat bahwa nilai “Perbaikan” lebih besar dari pada nilai “langsung Jual”, maka dapat disimpulkan bahwa dengan kondisi motor : 1. Mesin : “Halus” 2. Rangka : “Karat” 3. Body : “Lecet” 4. Cat : “Kusam” 5. Aki : “Normal” 6. Aksesoris : “Semi Modif” dapat diperoleh : keputusan : PERBAIKAN Dari hasil perhitungan manual diatas, dapat menjadi acuan untuk membuat aplikasi data mining dengan menggunakan Bayesian Classifier. Aplikasi data mining yang akan dibuat menggunakan bahasa pemrograman PHP dan MySQL sebagai database server-nya. Aplikasi data mining yang dikembangkan memiliki interface seperti ini untuk halaman login.
Gambar 4.1 Halaman Login Aplikasi data mining yang dikembangkan ini diperuntukkan bagi pimpinan perusahaan sebagai pengguna. Aplikasi data mining tidak bisa diakses oleh sembarangan orang. Untuk itu aplikasi ini hanya mempunyai halamn login untuk pimpinan. Setelah pimpinan melakukan login, maka akan diarahkan ke halaman berikut ini dengan ada beberapa fasilitas yang diberikan yaitu Tambah Data Training, Lihat Data Training dan Proses Bayesian Classifier itu sendiri.
Gambar 4.2 Halaman Setelah Pimpinan Login Jika pimpinan memilih Tambah Data Training, maka akan diarahkan ke halaman berikut, dimana halaman ini digunakan untuk menambahkan data sampel motor yang akan menjadi acuan untuk pengambilan keputusan. Eka Praja Wiyata Mandala, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang
47
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Pada halaman ini tersedia predictor sebanyak 6 dan target sebanyak 1. Predictor terdiri dari Mesin, Rangka, Body, Cat, Aki dan Aksesoris. Semestara targetnya adalah Keputusan yang akan diambil.
Vol. 1, Oktober 2015 ISSN : 2460– 4690
Classifier untuk motor yang mau diambil keputusannya. Proses Bayesian Classifier dimulai dengan menentukan atribut dari semua predictor yang ada, baru kemudian dilakukan analisa dengan menggunakan Bayesian Classifier, maka hasilnya akan diperoleh keputusan apakah motor ini akan dilakukan perbaikan atau langsung dijual.
Gambar 4.3 Halaman Tambah Data Training Setelah melakukan penambahan data training, maka semua data training yang telah dimasukkan akan bisa dilihat. Data training inilah yang akan dieksekusi untuk mendapatkan keputusan.
Gambar 4.5 Pemilihan Atribut Predictor untuk Proses Bayesian Classifier Jika tombol Analisa dengan Bayesian Classifier ditekan, maka proses akan berjalan, dan semua perhitungan akan ditampilkan seperti gambar berikut :
Gambar 4.4 Halaman Data Training Setelah cukup data training yang dimasukkan dan sudah bisa mewakili semua data, maka dapat dilakukan proses data mining dengan metode Bayesian Eka Praja Wiyata Mandala, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang
48
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Gambar 4.6 Proses Perhitungan Bayesian Classifier Tampak dari gambar diatas, muncul kesimpulan di akhir perhitungan, dimana kesimpulan itu berbentuk keputusan yang bisa diambil oleh pimpinan dari perusahaan tersebut. 5. KESIMPULAN Setelah penelitian dilakukan dan diimplementasikan, maka dapat diperoleh beberapa kesimpulan, diantaranya : 1. Data mining dapat membantu pimpinan dalam mengambil keputusan terkait tentang kelayakan motor bekas yang akan dijual. 2. Penggunakan metode Bayesian Classifier dapat memberikan keputusan yang lebih cepat dan tidak terlalu banyak menggunakan space dalam komputer. 3. Aplikasi data mining hanya diperuntukkan kepada pihak tertinggi di dalam sebuah perusahaan karena terkait dengan proses pengambilan keputusan.
Vol. 1, Oktober 2015 ISSN : 2460– 4690
6. REFERENSI
Han, Jiawei., Kamber, Micheline, 2011, Data Mining Concepts and Techniques Third Edition, Elsevier Kusrini., Luthfi, Emha Taufik, 2008, Algoritma Data Mining, Penerbit Andi Larose, Daniel T., 2005, Discovering Knowledge in Data an Introduction to Data Mining, John Wiley & Sons Nurani, A, Susanto, B, Proboyekti, U, 2007, Implementasi Naive Bayes Classifier Pada Program Bantu Penentuan Buku Referensi Matakuliah, Jurnal Informatika, 3 (2). Rodiansyah, S.F, Winarko, Edi, 2012, Klasifikasi Posting Twitter Kemacetan Lalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification, IJCCS, 6 (1): 91-100 Witten, Ian H., Eibe, Frank, Hall, Mark A., 2011, Data mining Practical Machine Learning Tools and Techniques 3rd Edition, Elsevier
Eka Praja Wiyata Mandala, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang
49