JURNAL SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KLASIFIKASI PRODUKSI TEPUNG TAPIOKA DENGAN METODE NAÏVE BAYES

JURNAL

SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KLASIFIKASI PRODUKSI TEPUNG TAPIOKA DENGAN METODE NAÏVE BAYES

DECISION SUPPORT SYSTEM TO DETERMINE CLASSIFICATION OF FLOUR PRODUCTION METHODS NAIVE BAYES TAPIOKA

Oleh: RENDRA PRASTAWA NPM: 12.1.03.02.0012

Dibimbing oleh : 1. Ahmad Bagus Setiawan, ST, M.Kom., MM. 2. Intan Nur Farida, M.Kom. PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PGRI KEDIRI TAHUN 2017

SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KLASIFIKASI PRODUKSI TEPUNG TAPIOKA DENGAN METODE NAÏVE BAYES RENDRA PRASTAWA 12.1.03.02.0012 Fakultas Tekik – Teknik Informatika [email protected] Ahmad Bagus Setiawan, ST, M.Kom., MM. dan Intan Nur Farida, M.Kom. UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK Rendra Prastawa : Sistem Pendukung Keputusan Menentukan Klasifikasi Produksi Tepung Tapioka Dengan Metode Naïve Bayes, Skripsi, TI, FT UNP. Secara umum permasalahan yang sering muncul dalam produksi tepung tapioka adalah tidak mengetahui berapa tepung tapioka yang akan dihasilkan. Pemilik perusahaan kesulitan dalam menentukan hasil produksi ketela pohon yang akan diolah menjadi tepung tapioka, sehingga pemilik perusahaan sering mengalami keruguan dalam setiap produksinya. Dengan adanya klasifikasi produksi tepung tapioka akan memberi dampak terhadap pemilihan jenis ketela, berat ketela dan asal ketela. Klasifikasi tersebut sangat berpengaruh pada setiap produksi ketela pohon yang akan diolah menjadi tepung tapioka, apabila pemilik perusahaan asal memilih jenis ketela dan asal ketela maka pemilik perusahaan tidak mengetahui hasil tepung yang dihasilkan maka kemungkinan pemilik perusahaan bisa rugi dalam produksinya. Metode Naïve Bayes digunakan dalam menentukan klasifikasi produksi tepung tapioka di “UD. BAROKAH UTAMA”. Klasifikasi produksi menggunakan data yang sudah ada di tahun 2015, dengan data tersebut bisa diperoleh bahan acuhan perhitungan produksi di sistem klasifikasi ini. Kesimpulan dari hasil penelitian ini adalah (1) Dalam kasus ini metode Naïve Bayes bisa digunakan dalam mengklasifikasi produksi tepung tapioka dan mampu mengetahui berapa hasil produksi yang akan dihasilkan apakah menghasilkan produksi tepung tapioka banyak, sedang atau sedikit. (2) Sistem yang telah dibuat mengacu pada permasalahan yang ada, dimana sistem dapat mengklasifikasi produksi tepung tapioka dengan data yang sudah ada pada tahun 2015 sesuai dengan perhitungan berdasarkan metode Naïve Bayes. Kata kunci : Klasifikasi, Tepung Tapioka, Naïve Bayes.

I.

keputusan bagi perusahan penghasil

Latar Belakang manusia

tepung tapioka lainnya di Desa tersebut

selalu dihadapkan pada permasalahan

atau bahkan bisa digunakan di wilayah

dalam menentukan suatu keputusan.

lain.

Dalam

kehidupannya,

Hal ini juga terjadi pada klasifikasi

Penulis mencoba membuat sebuah

hasil tepung tapioka. Salah satunya

aplikasi

yang

dipergunakan

dialami

warga

Desa

yang

nantinya

dapat

warga

desa

oleh

Rembangkepuh Dusun Tawangrejo

Tawangrejo untuk mengklasifikasi jenis

Kec. Ngadiluwih Kab. Kediri. Belum

ketela pohon sesuai dengan jenis dan

adanya

asal

pengklasifikasi

dari

desa

ketela

tersebut.

Sehingga

tersebut untuk mengetahui jumlah dari

diharapkan aplikasi ini dapat membantu

produksi tepung tapioka tersebut yang

memberikan hasil yang pasti dalam

menyebabkan hanya membuat tepung

mengkalasifikasikan

tapioka tanpa mengetahui berapa yang

sesuai dengan jenis dan asal ketela.

dihasilkan tepung tapioka tersebut,

Sebagai

ketela

perbandingan

pohon

penelitian

dalam hal ini pemilik perusahaan harus

yang pernah dilakukan oleh Ebranda

tahu apakah produksi tersebut bisa

A.W, Mardiani, S.Si, M.T.I. dan

mengasilkan

Tinaliah,

sedikit,

sedang

dan

S.Kom.

dengan

judul

banyak di tiap produksi yang akan

Penerapan Metode Naïve Bayes Untuk

dihasilkannya. Setiap bulan akan ada

Sistem

laporan yang bisa menjadi patokan

Smartphone Android. Pada jurnal ini

sistem ini. Untuk itu perlu dibangun

peneliti

aplikasi sistem pendukung keputusan

pemrograman eclipse. Metode yang

untuk menentukan klasifikasi produksi

digunakan Naive Bayes, Metode ini

tepung ketela pohon dengan metode

untuk mengklasifikasikan pesan masuk

Naïve Bayes.

atau sms termasuk ke dalam golongan

Klasifikasi

Sms

menggunakan

Pada

bahasa

banyak

sms spam atau tidak dengan data latih

perusahaan penghasil tepung tapioka

80 sms sehingga memperoleh tingkat

yang

dari

akurasi 85,11%. Jurnal ini memiliki

perusahaan-perusahaan tersebut hanya

kelebihan yakni, kinerja aplikasi ini

satu tempat untuk diangkat menjadi

sangat

permasalahan. Dari perusahaan yang

mengklasifikasikan sms masuk dengan

akan dijadikan sample tersebut nantinya

waktu yang relatif singkat. Kelemahan

aplikasi yang dibuat bisa digunakan

dari jurnal ini adalah aplikasi ini tiddak

Desa

Tawangrejo

berproduksi,

ini

tetapi

untuk pengklasifikasian pengambilan

bagus

karena

dapat

Artikel Skripsi Universitas Nusantara PGRI Kediri

bisa

digunakan

pada

blackberry,

windows phone dan IOS.

Naive Bayes Classifier. Pada jurnal ini menggunakan metode Naïve Bayes, dari

Penelitian yang dilakukan oleh Hera

data-data mahasiswa terdapat atribut

Wasiati, Dwi Wijayanti dengan judul

jenis kelamin, sks, ipk dan dan tahun

Sistem

Keputusan

lulus. Jurnal ini memiliki kelebihan

Penentuan Kelayakan Calon Tenaga

yakni dari banyak mahasiswa mudah

Kerja Indonesia Menggunakan Metode

diklasifikasikan

Naive Bayes. Pada jurnal ini peneliti

waktu atau terlambat. Kelemahan dari

menggunakan

jurnal ini adalah Pengujian pada data

Java

Pendukung

dan

bahasa

MySQL.

pemrograman Metode

apakah

lulus

tepat

yang

mahasiswa angkatan 2005-2009 mining

digunakan Naïve Bayes, metode ini

NBC menghasilkan nilai precision,

menggunakan probabilitas dapat dengan

recall, dan accuracy masing-masing

mudah menentukan layak atau tidak

83%, 50%,

seseorang untuk menjadi tenaga kerja ke

dan 70%.

luar negeri berdasarkan kriteria yaitu :

Penelitian

ini

dengan

ketiga

berdasarkan pendidikan, usia, tinggi

penelitian diatas terdapat kesamaan dan

badan, berat badan, nilai tes. Jurnal ini

perbedaan. Kesamaan yaitu pada ketiga

memiliki kelebihan yaitu dapat dengan

penelitian

mudah dan cepat menentukan layak atau

memeberikan keputusan untuk suatu

tidak seseorang untuk bekerja di luar

masalah dengan metode Naive Bayes

negeri. Kelemahan jurnal ini dalah dari

dengan studi kasus yang berbeda.

hasil pengujian yang dilakukan dengan

Perbedaannya

menggunakan data sebanyak 542 dengan

digunakan

362 sebagai data training dan 180

penelitian sebelumnya serta bahasa

sebagai data tes, akurasi polanya sebesar

pemrograman yang digunakan juga

73.89 % dan errornya 26.11% jadi

berbeda

jumlah data yang tepat sebanyak 133 dan

sebelumnya.

yang tidak tepat 47.

sebelumnya,

yaitu

berbeda

dengan

sama-sama

kriteria dengan

ketiga

yang ketiga

penelitian

II. METODE

Penelitian yang dilakukan oleh Mujib Ridwan, Hadi Suyono, dan M. Sarosa

1. Sistem Pendukung Keputusan Sistem

Pendukung

Keputusan

dengan judul Penerapan Data Mining

(SPK) atau Decission Support Sistem

Untuk

(DSS) merupakan sistem informasi

Evaluasi

Kinerja

Akademik

Mahasiswa Menggunakan Algoritma Rendra Prastawa | 12.1.03.02.0012 Teknik- Teknik Informatika

interaktif

yang

menyediakan

simki.unpkediri.ac.id || 1||


informasi, pemodelan dan manipulasi

merupakan pendekatan statistic untuk

data. Sistem itu digunakan untuk

melakukan inferensi induksi pada

membantu pengambilan keputusan

persoalan klasifikasi. Metode ini

dalam situasi yang tidak terstruktur,

menggunakan probabilitas bersyarat

dimana tidak ada seorang pun tahu

dasrnya.

pasti

probabilitas

bagaimana

keputusan

Dalam

ilmu

bersyarat

statistic, dinyatakan

seharusnya dibuat. SPK biasanya

Probabilitas X di dalam Y adalah

dibanguan untuk mendukung solusi

probabilitas interaksi X dan Y dari

atas

probabilitas Y, atau dengan bahasa

suatu

masalah

atau

untuk

mengevaluasi suatu peluang yang

lain

ada.(McLeood. 2007)

banyaknya X didalam Y. (Amelia,

Senada dengan para pakar lainya, Raymond

McLeod,

Jr.

bukunya

Sistem

Manajemen

menekankan

“Sistem

Dalam Informasi

Pendukung

bahwa

Keputusan

P(X|Y)

adalah

presentase

2012). Naïve

Bayes

Classifier (NBC)

merupakan sebuah pengklasifikasi probabilitas

sederhana

yg

mengaplikasikan Teorema Bayes dg

adalah suatu sistem informasi yang

asumsi

ketidaktergantungan

ditunjukan

(independent)

yg

manajemen

untuk

membantu

dalam

memecahkan

masalah yang dihadapinya.

tinggi.Teorema

Bayes adalah teorema yg dipakain dalam statistika unt

Dari beberapa definisi di atas dapat

menghitung

peluang unt suatu hipotesis. Bayes

dikatakan bahwa sistem pendukung

Optimal

keputusan

sistem

peluang dr suatu kelas dr masing-

informasi spesifik yang diajukan

masing kelompok atribut yg ada,

untuk membantu manajemen dalam

menentukan kelas mana yg paling

mengambil keputusan yang berkaitan

optimal.

dengan persoalan yang bersifat semi

merupakan sebuah metoda klasifikasi

struktur.

yang berakar pada teorema Bayes.

adalah

suatu

Metode

2. Naive Bayes Sistem

Classifier

Naïve

Bayes

menghitung

Classifier

pengklasifikasian

dg

Pendukung

Keputusan

menggunakan metode probabilitas

Menentukan

Klasifikasi

dan statistik yg dikemukakan oleh

Produksi Tepung Tapioka Dengan

ilmuwan Inggris Thomas Bayes, yaitu

Metode Naïve Bayes itu sendiri

memprediksi peluang di masa depan

Untuk

Rendra Prastawa | 12.1.03.02.0012 Teknik- Teknik Informatika



berdasarkan pengalaman di masa

adalah sekitar 18-20 bulan (Grace,

sebelumnya sehingga dikenal sebagai

1977).

Teorema Bayes. Ciri utama dr Naïve

dibiarkan di tanah, jumlah pati akan

Bayes Classifier ini adalah asumsi yg

meningkat

sangat kuat (naïf) akan independensi

tertentu, lalu umbi akan mejadi

dari

keras

masing-masing

kejadian. Metode

kondisi

Keuntungan Naïve

/

penggunan

Bayes

Classifier

adalah bahwa metoda ini hanya

Ketika

umbi

sampai

dan

singkong

pada

menyerupai

titik

kayu,

sehingga umbi akan sulit untuk ditangani ataupun diolah. Dalam

Standar

Nasional

membutuhkan jumlah data pelatihan

Indonesia (SNI), nilai pH tepung

(training

tapioka

data)

yg

kecil

unt

tidak

dipersyaratkan.

menentukan estimasi parameter yg

Namun demikian, beberapa institusi

diperlukan

mensyaratkan

dalam

pengklasifikasian. diasumsikan

proses

Karena

sebagai

yg

variable

nilai

pH

untuk

mengetahui mutu tepung tapioka berkaitan

dengan

independent, maka hanya varians dr

pengolahan.

suatu variable dalam sebuah kelas yg

pengolahan tepung tapioka yang

dibutuhkan

menentukan

berkaitan dengan pH adalah pada

klasifikasi, bukan keseluruhan dr

proses pembentukan pasta. Menurut

matriks kovarians. ( Perhitungan

Winarno (2002), pembentukan gel

Metode Naïve Bayes Classifier, 2016

optimum terjadi pada pH 4-7. Bila

)

pH terlalu tinggi, pembentukan

unt

Tepung tapioka merupakan pati

Dalam

diekstrak

satu

proses

pasta makin cepat tercapai tetapi

3. Tepung Tapioka

yang

Salah

proses

dari

memperoleh

singkong. pati

cepat turun lagi. Sebaliknya, bila pH terlalu rendah, pembentukan pasta

dari

menjadi lambat dan viskositasnya

singkong (tepung tapioka) harus

akan turun bila proses pemanasan

dipertimbangkan

atau

dilanjutkan. Kehalusan tepung juga

kematangan dari tanaman singkong.

penting untuk menentukan mutu

Usia optimum yang telah ditemukan

tepung tapioka. Tepung tapioka

dari hasil percobaan terhadap salah

yang baik adalah tepung yang tidak

satu varietas singkong yang berasal

menggumpal

dari jawa yaitu San Pedro Preto

kehalusan yang baik. Dalam SNI

usia


dan

memiliki



tidak

dipersyaratkan

mengenai

yakni : Banyak, sedang dan

kehalusan tepung tapioka. Salah

sedikit.

satu institusi yang mensyaratkan

a. Perhitungan manual

kehalusan sebagai syarat mutu

Tahap 1

tepung tapioka adalah The Tapioca

Probabilitas

Institute of America (TIA), yang

pohon

membagi tepung tapioka menjadi

Probabilitas P(Banyak) = 26/60

tiga

= 0,4

kelas

(grade)

berdasarkan

kehalusannya.

produksi

ketela

Probabilitas P(Sedang) = 20/60 = 0,3

III.

HASIL DAN KESIMPULAN Dalam kasus ini digunakan sebuah metode klasifikasi yang dikenal dengan Naïve Bayes dengan

data

Berikut

ini

sebanyak

60.

merupakan

perhitungan dari metode Naïve Bayes.

= 0,2 Tahap 2 Probabilitas jenis ketela pohon 1. Genjah nongko P(Banyak) = 5/12 = 0,4 2. Kastal P(Banyak) = 7/12 = 0,5

Contoh kasus antara lain : Asal ketela

: Malang

Jenis ketela

: Kastal

Berat ketela

: 5 ton

dan berat ketela diatas, tentukan produksi

3. Caparoka P(Banyak) = 4/12 = 0,3 4. Naspro P(Banyak) = 6/12 = 0,5

Dengan asal ketela, jenis ketela

klasifikasi

Probabilitas P(Sedikit) = 14/60

tepung

ketela pohon dengan metode Naive Bayes? Perhitungan Naïve Bayes Pertama untuk menyelesaikan pertanyaan tersebut, di hitung probabilitas Kemunculan dari Kesimpulan, dari data tersebut

5. Ndoro ijo P(Banyak) = 4/12 = 0,3 6. Genjah nongko P(Sedang) = 5/12 = 0,4 7. Kastal P(Sedang) = 4/12 = 0,3 8. Caparoka P(Sedang) = 5/12 = 0,4 9. Naspro P(Sedang) = 4/12 = 0,3

hanya terdapat 3 kesimpulan Rendra Prastawa | 12.1.03.02.0012 Teknik- Teknik Informatika



10. Ndoro ijo P(Sedang)

Probabilitas berat ketela pohon

= 2/12 = 0,1 11. Genjah nongko P(Sedikit) = 2/12 = 0,1 12. Kastal P(Sedikit) = 1/12 = 0,1 13. Caparoka P(Sedikit) = 3/12 = 0,2 14. Naspro P(Sedikit) = 2/12 = 0,1 15. Ndoro ijo P(Sedikit) = 6/12 = 0,5

1. 4 Ton P(Banyak) 7/15 = 0,4 2. 4 Ton P(Sedang)

3. 4 Ton P(Sedikit)

= 7/20 = 0,3 2. Kediri P(Sedang) = 8/20 = 0,4 3. Kediri P(Sedikit) = 5/20 = 0,2 4. Malang P(Banyak) = 15/20 = 0,7 5. Malang P(Sedang) = 5/20 = 0,2 6. Malang P(Sedikit)

=

1/15 = 0,1 4. 5 Ton P(Banyak)

=

9/15 = 0,6 5. 5 Ton P(Sedang)

=

3/15 = 0,2 =

3/15 = 0,2 7. 6 Ton P(Banyak)

1. Kediri P(Banyak)

=

7/15 = 0,4

6. 5 Ton P(Sedikit) Probabilitas asal ketela pohon

=

=

5/15 = 0,3 8. 6 Ton P(Sedang)

=

5/15 = 0,3 9. 6 Ton P(Sedikit)

=

5/15 = 0,3 10. 7 Ton P(Banyak)

=

5/15 = 0,3 11. 7 Ton P(Sedang)

=

5/15 = 0,3 12. 7 Ton P(Sedikit)

=

5/15 = 0,3

= 0/20 = 0 7. Blitar P(Banyak)

Tahap 3

= 4/20 = 0,2 8. Blitar P(sedang) = 7/20 = 0,3 9. Blitar P(Sedikit) = 9/20 = 0,4

Setelah menghitung probabilitas langkah

selanjutnya

mengalikan

dengan

masing-masing

probabilitas Banyak, Sedang dan Sedikit.




P(Banyak) = P(Produksi) *

Pada contoh perhitungan

P(Jenis ketela)* P(Asal ketela) *

manual dengan gambar 1 di

P(Berat ketela) = 0,4 * 0,7 * 0,5

dapatkan hasil yang sama yaitu

* 0,6 = 0,084

dengan asal ketela Malang, jenis ketela kastal dan berat 5

P(Sedang) = P(Produksi) * P(Jenis ketela)* P(Asal ketela) * P(Berat ketela) = 0,3 * 0,3 * 0,2 * 0,2 = 0,0036

ton menghasilkan probabilitas dengan produksi tepung tapioka banyak.

Perbedaan

probabilitas antar perhitungan

P(Sedikit) = P(Produksi) * P(Jenis ketela)* P(Asal ketela) * P(Berat ketela) = 0,2 * 0 * 0 *

manual dengan sistem berbeda karena

adanya

jumlah

pada

sebelumnya

0,3 = 0

produksi Langkah

terakhir

adalah

mengambil probabilitas yang hasilnya

terbanyak

P(Banyak),

angka

P(Sedang)

perbedaan perhitungan

namun tepung

hasil

memiliki

kategori yang sama. Berdasarkan hasil penelitian

dari

dan pembahasan Klasifikasi

dan

Produksi

Tepung

Tapioka

P(Sedikit), karena P(Banyak)

Menggunakan Metode Naïve

lebih besar maka kesimpulan

disimpulkan bahwa :

jenis ketela kastal, asal ketela

1. Dengan

menggunakan

malang dan berat ketela 5 ton

metode Naive Bayes aplikasi

menghasilkan

mengklasifikasikan produksi

pohon

tepung

dengan

ketela

probabilitas

tepung

tapioka

dapat

dijalankan dengan efektif

Banyak.

dan tepat. b. Perhitungan sistem

2. Dengan aplikasi klasifikasi produksi dapat

tepung

tapioka

memudahkan

perusahaan

dalam

menentukan hasil produksi Gambar 1 Perhitungan

tepung tapioka.

Sistem Rendra Prastawa | 12.1.03.02.0012 Teknik- Teknik Informatika



3. Dapat

mengklasifikasikan

Klasifikasi

Sms

Pada

dari tiap jenis ketela dan

Smartphone

berat ketela yang akan diolah

Palembang: STMIK MDP.

menjadi

tepung

Android.

tapioka

dengan efektif dan tepat. 4. Dalam kasus ini metode

Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung

Naive Bayes bisa untuk

Keputusan.

mengklasifikasi

Andi.

produksi

Yogyakarta

:

tepung tapioka dan mampu mengatasi

masalah

yang

Muhammad

Dahria,

2011,

dihadapi oleh para pemilik

Metode Akses Data ODBC

perusahaan tapung tapioka

Dan Ole DB, Medan :

dalam

mengambil

STMIK Triguna Dharma.

yang

akan

diproduksi

menghasilkan

tepung

ketela

banyak, sedang atau sedikit.

Perhitungan

Metode

Naïve

Bayes Classifier Java. 1 September

IV.

2016,

DAFTAR PUSTAKA

algoritma.com/2013/06/con Ciptohartono

Claudia

Clarentia. 2014. Algoritma Klasifikasi

Naïve

Bayes

oth-perhitungan-naivebayes.html > [ Diaskses 2 Februari 2017 ].

Untuk Menilai Kelayakan Kredit.

Semarang:

Universitas

Dian

Nuswantoro.

McLeod Raymond, Jr. dan Schell

George P. 2007.

Sistem

Informasi

Manajemen. Susilo Djoko. 2005. Delphi. Yogyakarta: Graha ilmu.

Ebranda A.W, Triana Novi, Mardiani

dan

Tinaliah.

2013. Penerapan Metode

Edisi

kesembilan. Penerbit Indeks. Jakarta.

Rahman

Adie

Muhammad,

2007.

Mempelajari

Karakteristik

Kimia

Dan

Naïve Bayes Untuk Sistem Rendra Prastawa | 12.1.03.02.0012 Teknik- Teknik Informatika



Fisik Tepung Tapioka Dan Mocal (Modified Cassava Flour)

Wasiati Hera, Wijayanti Dwi.

Sebagai

Penyalut

Kacang

Pada

Produk

Keputusan

Kacang

Salut.

Bogor:

Kelayakan Calon Tenaga

Institut Pertanian Bogor.

2014.

Sistem

Pendukung Penentuan

Kerja

Indonesia

Menggunakan Metode Naive Ridwan Mujib, Suyono Hadi, dan

Sarosa

Penerapan Untuk

M. Data

Evaluasi

Akademik

2014.

Bayes. Yogyakarta: STMIK AKAKOM Yogyakarta.

Mining Kinerja

Mahasiswa

Grace, M.R. 1977. Cassava Processing.

Food

and

Menggunakan

Algoritma

Agriculture Organization of

Naive

Classifier.

United Nations, Roma.

Bayes

Malang:

UIN

Maulana

Malik Ibrahim Malang

Winarno, F.G. 2002. Kimia Pangan.

Sudiyantoro.

2005,

Pendukung

Konsep

PT

Gramedia,

Jakarta.

Keputusan,

Penerbit gramedia. Turban,

Yusnita Amelia, 2012. Sistem

E., Aronson, J.E., and Liang,

Pendukung

T.P., 2005, Decision Support

Menentukkan Lokasi Umah

Systems

Makan

and

Intelligent

Yang

Keputusan

Strategis

Systems (Sistem Pendukung

Menggunakan Metode Naive

Keputusan

Bayes, Semarang: STMIK

dan

Kecerdasan),

Sistem

Yogyakarta:

Widya Cipta Dharma.

Penerbit Andi.



JURNAL SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KLASIFIKASI PRODUKSI TEPUNG TAPIOKA DENGAN METODE NAÏVE BAYES

Recommend Documents