Nama Kelompok 4 :
1. Husna Aprillia Damayanti (12119852)
2. Novi Puji Lestari (14119838)
3. Reistika Pravitasari (15119415)
4. Renancy Lyna Saraswaty (15119430)
JURNAL 1
PENERAPAN DATA MINING
PADA PENJUALAN MAKANAN DAN MINUMAN MENGGUNAKAN METODE ALGORITMA NAIVE BAYES
1. Type Data
|
Bulan
|
Makanan
|
Minuman
|
|
Februari
|
11373000
|
3791000
|
|
Maret
|
12750000
|
4250000
|
|
April
|
2550000
|
850000
|
|
Mei
|
3060000
|
1020000
|
|
Juni
|
15300000
|
5100000
|
|
Juli
|
17850000
|
5950000
|
|
Agustus
|
25500000
|
8500000
|
|
September
|
38250000
|
12750000
|
|
Oktober
|
22950000
|
7650000
|
|
November
|
22950000
|
7650000
|
|
Desember
|
22236xxx
|
7412xxx
|
Mendeskripsikan data tersebut bertujuan untuk
memahami informasi lebih lanjut mengenai atribut dari data yang akan diolah
dalam pengklasifikasian penjualan pada restoran Makan Barbeque Sepuasnya.
2. Atribut
Tahapan
ini bertujuan memilih atribut yang dianggap sebagai atribut yang berpengaruh
terhadap klasifikasi penjualan makanan dan minuman.
3. Type Atribut
Selanjutnya
mendeskripsikan data tersebut yang bertujuan untuk memahami informasi lebih
lanjut mengenai atribut dari data yang akan diolah dalam pengklasifikasian
penjualan pada restoran Makan Barbeque Sepuasnya.
|
Atribut
|
Jenis
|
Keterangan
|
|
Makanan
|
Numeric
|
Nominal Penjualan Makanan
|
|
Minuman
|
Numeric
|
Nominal Penjualan Minuman
|
4. Preprocessing
Pada
tabel dibawah ini terdapat data yang berbeda tipe data dan data tersebut tidak
valid atau salah dalam penulisan.
- Tabel Data Yang Tidak Relevan
- Tabel
Hasil Cleansing Data
Data
yang berjenis numerik seperti makanan dan minuman harus dilakukan inisialisasi
data terlebih dahulu ke dalam bentuk nominal makanan dan nominal minuman. Untuk
melakukan inisialisasi dapat dilakukan dengan sebagai berikut :
- Makanan yang terjual dengan nominal
lebih dari 15.000.000 diberi inisial pada atribut Keterangan Makanan “Untung”,
- Makanan yang
terjual dengan nominal kurang dari atau sama dengan 15.000.000 diberi inisial
pada atribut Keterangan Makanan “Rugi”.
- Minuman yang
terjual dengan nominal lebih dari 5.000.000 diberi inisial pada atribut
Keterangan Minuman “Untung”,
- Minuman yang terjual dengan nominal kurang dari
atau sama dengan 5.000.000 diberi inisial pada atribut keterangan Minuman
“Rugi”,
Berikut adalah dataset penjualan makanan
dan minuman yang telah dilakukan inisialisasi yang terdapat pada gambar dibawah
ini.
|
Bulan
|
Makanan
|
Keterangan Makanan
|
Minuman
|
Keterangan Minuman
|
|
Februari
|
11373000
|
Rugi
|
3791000
|
Rugi
|
|
Maret
|
12750000
|
Rugi
|
4250000
|
Rugi
|
|
April
|
2550000
|
Rugi
|
850000
|
Rugi
|
|
Mei
|
3060000
|
Rugi
|
1020000
|
Rugi
|
|
Juni
|
15300000
|
Untung
|
5100000
|
Untung
|
|
Juli
|
17850000
|
Untung
|
5950000
|
Untung
|
|
Agustus
|
25500000
|
Untung
|
8500000
|
Untung
|
|
September
|
38250000
|
Untung
|
12750000
|
Untung
|
|
Oktober
|
22950000
|
Untung
|
7650000
|
Untung
|
|
November
|
22950000
|
Untung
|
7650000
|
Untung
|
|
Desember
|
22236000
|
Untung
|
7412000
|
Untung
|
5. Task Mining
Dari
jumlah cell (data) dari masing masing kelas dibagi dengan keseluruhan cell
(data) maka akan mendapatkan probabilitas prior. Berikut perhitungan
probabilitas prior berdasarkan persamaan :
P (Keterangan
Makanan, Untung) = 7/22 = 0,318
P (Keterangan
Makanan, Rugi) = 4/22 = 0,182
P (Keterangan
Minuman, Untung) = 7 22 = 0,318
P
(Keterangan Minuman, Rugi) = 4/22 = 0,182
|
Kelas
|
Sub Kelas
|
Jumlah
|
Probabilitas Kelas P (C)
|
|
Keterangan
|
Untung
|
7
|
0,318
|
|
Makanan
|
Rugi
|
4
|
0,182
|
|
Keuntungan
|
Untung
|
7
|
0,318
|
|
Minuman
|
Rugi
|
4
|
0,182
|
|
Total 22 1,000
|
- Menghitung Jumlah Kasus Dari Setiap Kelas
Untuk
mencari nilai probabilitas posterior/jumlah kasus kejadian dari setiap kelas yaitu jumlah
atribut dengan kelas “Keuntungan Makanan” dan kelas “Keuntungan Minuman”
kemudian dibagi dengan jumlah kelas yang ada.
|
Jumlah Kejadian
|
|
Bulan
|
Keterangan Makanan
|
Keterangan Minuman
|
|
Untung
|
Rugi
|
Untung
|
Rugi
|
|
Februari
|
0
|
1
|
0
|
1
|
|
Maret
|
0
|
1
|
0
|
1
|
|
April
|
0
|
1
|
0
|
1
|
|
Mei
|
0
|
1
|
0
|
1
|
|
Juni
|
1
|
0
|
1
|
0
|
|
Juli
|
1
|
0
|
1
|
0
|
|
Agustus
|
1
|
0
|
1
|
0
|
|
September
|
1
|
0
|
1
|
0
|
|
Oktober
|
1
|
0
|
1
|
0
|
|
November
|
1
|
0
|
1
|
0
|
|
Desember
|
1
|
0
|
1
|
0
|
|
Total
|
11
|
11
|
|
Probabilitias P (F|C)
|
|
Bulan
|
Keterangan Makanan
|
Keterangan Minuman
|
|
Untung
|
Rugi
|
Untung
|
Rugi
|
|
Februari
|
0
|
0,09
|
0
|
0,09
|
|
Maret
|
0
|
0,09
|
0
|
0,09
|
|
April
|
0
|
0,09
|
0
|
0,09
|
|
Mei
|
0
|
0,09
|
0
|
0,09
|
|
Juni
|
0,09
|
0
|
0,09
|
0
|
|
Juli
|
0,09
|
0
|
0,09
|
0
|
|
Agustus
|
0,09
|
0
|
0,09
|
0
|
|
September
|
0,09
|
0
|
0,09
|
0
|
|
Oktober
|
0,09
|
0
|
0,09
|
0
|
|
November
|
0,09
|
0
|
0,09
|
0
|
|
Desember
|
0,09
|
0
|
0,09
|
0
|
|
Total
|
1,000
|
1,000
|
- Mengalikan Semua Variabel Kelas
Perhitungan
nilai probabilitas prior dan probabilitas posterior yang telah
dilakukan akan digunakan sebagai model yang akan digunakan sebagai acuan untuk
menentukan data testing. Di bawah ini merupakan contoh data testing yang
akan di hitung probabilitasnya.
1) Untuk
semua atribut kelas Keterangan Makanan = “Untung”
P (X | Keterangan
Makanan = “Untung”) = 7/11 = 0.636
2) Untuk
semua atribut kelas Keterangan Makanan = “Rugi”
P (X | Keterangan
Makanan = “Rugi”) = 7/11 = 0,363
3) Untuk
semua atribut kelas Keterangan Minuman = “Untung”
P (X | Keterangan
Minuman = “Untung”) = 7/11 = 0.636
4) Untuk
semua atribut kelas Keterangan Minuman = “Rugi”
P (X | Keterangan
Minuman = “Rugi”) = 4/11 = 0,363
5) Perkalian
probabilitas prior dengan semua atribut Keterangan Makanan = “Untung”
P (Ci | Keterangan
Makanan = “Untung”) × P (X | Keterangan Makanan = “Untung”) = 0,318 × 0,636 =
0,202
6) Perkalian
probabilitas prior dengan semua atribut Keterangan Makanan = “Rugi”
P (Ci | Keterangan
Makanan = “Rugi”) × P (X | Keterangan Makanan = “Rugi”) = 0,182 × 0,363 = 0,066
7) Perkalian
probabilitas prior dengan semua atribut Keterangan Minuman = “Untung”
P (Ci | Keterangan
Minuman = “Untung”) × P (X | Keterangan Minuman = “Untung”) = 0,318 × 0,636 =
0,202
8) Perkalian
probabilitas prior dengan semua atribut Keterangan Minuman = “Rugi”
P (Ci | Keterangan
Minuman = “Rugi”) × P (X | Keterangan Minuman = “Rugi”) = 0,182 × 0,363 = 0,066
- Membandingkan Hasil dari Setiap Kelas
|
Kelas
|
Probabilitas
|
|
P (Keterangan Makanan | Untung)
|
0,202
|
|
P
(Keterangan Makanan | Rugi)
|
0,066
|
|
P
(Keterangan Minuman | Untung)
|
0,202
|
|
P
(Keterangan Minuman | Rugi)
|
0,066
|
Dari data testing yang sudah diuji
menghasilkan kelas P (Keterangan Makanan | Untung) dan P (Keterangan Minuman |
Untung) memiliki nilai probabilitas tertinggi diantara kelas lainnya, sehingga
dapat diambil kesimpulan bahwa makanan dan minuman memiliki probabilitas lebih
tinggi.
6. Hasil yang diperoleh
Hasil
pengujian berdasarkan Accurancy
|
Skenario
|
2
|
3
|
4
|
5
|
6
|
7
|
8
|
9
|
10
|
|
Fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
|
Accurancy
|
85,92
|
88,73
|
88,03
|
87,32
|
88,38
|
87,68
|
86,9
|
88,03
|
88,3
|
Hasil
pengujian berdasarkan Precision
|
Skenario
|
2
|
3
|
4
|
5
|
6
|
7
|
8
|
9
|
10
|
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
|
Precision
|
45,56
|
64,62
|
56,37
|
54,43
|
58,38
|
47,78
|
56,8
|
58,03
|
66,37
|
Hasil
pengujian berdasarkan Recall
|
Skenario
|
2
|
3
|
4
|
5
|
6
|
7
|
8
|
9
|
10
|
|
Fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
|
Recall
|
45,12
|
45,72
|
43,13
|
43,52
|
41,36
|
42,78
|
44,9
|
44,83
|
48,7
|
Hasil
pengujian berdasarkan Nilai Kappa
|
Skenario
|
2
|
3
|
4
|
5
|
6
|
7
|
8
|
9
|
10
|
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
fold
|
|
Kappa
|
0,392
|
0,425
|
0,453
|
0,21
|
0,34
|
0,444
|
0,42
|
0,411
|
0,431
|
7. Tools yang digunakan
Dalam teorema Bayes, probabilitas dapat
dinyatakan sebagai berikut :
Diketahui
:
X =
bukti, H = hipotesis, P(H|X) adalah probabilitas bahwa hipotesis H
benar untuk bukti X atau dengan kata lain P(H|X) merupakan probabilitas
posterior H dengan syarat X. P(X|H) adalah probabilitas bahwa hipotesis X benar
untuk bukti H atau dengan kata lain P(X|H) merupakan probabilitas posterior X
dengan syarat H. P(H) adalah probabilitas prior hipotesis H, dan P(X) adalah
probabilitas prior bukti X.
- Knowledge
Discovery in Database (KDD)
Adalah
metode dan cara mendapatkan sebuah informasi melalui basis data yang telah
tersedia.
KESIMPULAN
- Penelitian ini dilakukan
untuk mengklasifikasikan penjualan makanan dan minum pada restoran Makan
Barbeque Sepuasnya menggunakan algoritma Naïve Bayes dengan metodologi
KDD (Knowledge Discovery in Database). Dari hasil perhitungan
klasifikasi menggunakan algoritma Naïve Bayes adalah keterangan makanan
untung dan keterangan minuman untung yang lebih besar probabilitasnya.
- Hasil
pengujian klasifikasi algoritma Naïve Bayes dari sembilan skenario
pengujian yang telah dibuat dengan cross validation, menghasilkan
performa terbaik pada skenario pengujian dengan menggunakan 3 fold yang
menghasilkan performa terbaik dengan nilai accuracy sebesar 88,73%, precision sebesar 64,42%, recall sebesar
45,41% dan dengan nilai kappa yang diperoleh sebesar 0,451 yang termasuk
kedalam kategori cukup. Berdasarkan hasil tersebut maka, model yang dihasilkan
oleh algortima Naïve Bayes ini konsisten.
JURNAL 2
Penggunaan Data Mining dalam Kegiatan Sistem
Pembelajaran Berbantuan Komputer
Data
mining merupakan suatu langkah dalam Knowledge Discovery in Databases (KDD).
Knowledge discovery sebagai suatu proses terdiri atas pembersihan data (data cleaning),
integrasi data (data integration), pemilihan data (data selection),
transformasi data (data transformation), data mining, evaluasi pola (pattern
evaluation) dan penyajian pengetahuan (knowledge presentation). Data mining
mengacu pada proses untuk menambang (mining) pengetahuan dari sekumpulan data
yang sangat besar. Kerangka proses data mining tersusun atas tiga tahapan,
yaitu pengumpulan data (data collection), transformasi data (data
transformation), dan analisis data (data analysis).
Proses
tersebut diawali dengan preprocessing yang terdiri atas pengumpulan data untuk
menghasilkan data mentah (raw data) yang dibutuhkan oleh data mining, yang
kemudian dilanjutkan dengan transformasi data untuk mengubah data mentah
menjadi format yang dapat diproses oleh data mining, misalnya melalui filtrasi
atau agregasi. Hasil transformasi data akan digunakan oleh analisis data untuk
membangkitkan pengetahuan dengan menggunakan teknik seperti analisis statistik,
machine learning, dan visualisasi informasi.
Sistem
pembelajaran berbantuan komputer (computer aided learning system) dapat
diimplementasikan sebagai sistem tutorial berbasis web (web-based tutoring
tool) atau sistem tutorial cerdas (intelligent tutoring system). Dalam sistem
tutorial berbasis web maupun sistem tutorial cerdas, setiap interaksi siswa
dengan sistem akan dicatat dalam suatu basis data dalam bentuk web log atau
model siswa (student model). Setelah sistem tersebut digunakan dalam proses
pembelajaran selama jangka waktu tertentu, maka akan terkumpul sejumlah besar
data. Kumpulan data tersebut dapat diproses lebih lanjut dengan data mining
untuk memperoleh pola baru yang dapat digunakan untuk meningkatkan efektifitas
dalam proses pembelajaran.
Gambar
1 memperlihatkan diagram yang menggambarkan aliran informasi dalam proses data
mining. Proses data mining pada gambar 1 ditunjukkan sebagai proses yang
iteratif. Hasil evaluasi pengetahuan yang dihasilkan data mining dapat
menimbulkan kebutuhan pengetahuan yang lebih lengkap, perbaikan kumpulan data
(dataset) atau perubahan pada sistem.
- Type Data
Metode Algoritma association rule (AR)
Algoritma association rule (AR) digunakan untuk
menemukan hubungan antar nilai tertentu dari atribut nominal dalam suatu
dataset. Aturan yang dihasilkan dapat ditulis dalam bentuk “if-then” dengan
mempertimbangkan besaran support dan confidence untuk menilai reliabilitas
aturan.
Classification
Teknik classification bekerja dengan mengelompokkan
data berdasarkan data training dan nilai atribut klasifikasi. Aturan
pengelompokan tersebut akan digunakan untuk klasifikasi data baru ke dalam
kelompok yang ada. Classification dapat direpresentasikan dalam bentuk pohon
keputusan (decision tree). Setiap node dalam pohon keputusan menyatakan suatu
tes terhadap atribut dataset, sedangkan setiap cabang menyatakan hasil dari tes
tersebut. Pohon keputusan yang terbentuk dapat diterjemahkan menjadi sekumpulan
aturan dalam bentuk IF condition THEN outcome.Clustering
Teknik clustering bekerja dengan mencari kemiripan di
antara objek dengan memperhatikan karakteristik objek, sekelompok objek yang
mirip akan termasuk ke dalam satu cluster. Teknik yang dapat digunakan untuk
melakukan clustering antara lain algoritma k-means
atau algoritma kmedoids
- Atribut Dataset
dapat dikelompokkan secara vertikal sebagai kumpulan atribut dan secara
horisontal sebagai kumpulan instans. Setiap atribut mempunyai tipe data, yang
dapat berupa numerik, teks, atau bentuk lainnya. Jika domain nilai suatu
atribut berhingga, maka disebut atribut nominal. Suatu instans adalah data yang
dihasilkan dari suatu kejadian di dunia nyata, yang dicatat dalam beberapa
atribut.
Sistem
pembelajaran berbantuan komputer (computer aided learning system) dapat
diimplementasikan sebagai sistem tutorial berbasis web (web-based tutoring
tool) atau sistem tutorial cerdas (intelligent tutoring system). Dalam sistem
tutorial berbasis web maupun sistem tutorial cerdas, setiap interaksi siswa
dengan sistem akan dicatat dalam suatu basis data dalam bentuk web log atau
model siswa (student model). Setelah sistem tersebut digunakan dalam proses
pembelajaran selama jangka waktu tertentu, maka akan terkumpul sejumlah besar
data. Kumpulan data tersebut dapat diproses lebih lanjut dengan data mining untuk
memperoleh pola baru yang dapat digunakan untuk meningkatkan efektifitas dalam
proses pembelajaran.
Proses
tersebut diawali dengan preprocessing yang terdiri atas pengumpulan data untuk
menghasilkan data mentah (raw data) yang dibutuhkan oleh data mining, yang
kemudian dilanjutkan dengan transformasi data untuk mengubah data mentah
menjadi format yang dapat diproses oleh data mining, misalnya melalui filtrasi
atau agregasi.
Klasifikasi,
regresi, clustering, peringkasan, pemodelan kebergantungan, atau deteksi
perubahan dan deviasi.
Hasil
transformasi data akan digunakan oleh analisis data untuk membangkitkan
pengetahuan dengan menggunakan teknik seperti analisis statistik, machine
learning, dan visualisasi informasi. Analisis data hasil pembelajaran dapat
dilakukan dengan menerapkan teknik algoritma association rules, classification,
dan clustering untuk menghasilkan pengetahuan yang dapat membantu guru dalam
mengelola kelasnya dengan memahami cara belajar siswa, dan memberikan umpan
balik proaktif kepada siswanya.
Menggunakan Knowledge Discovery In Databases (KDD)
KESIMPULAN
Penerapan
data mining dalam sistem pembelajaran berbantuan komputer diawali dengan
pengumpulan data, yang dilanjutkan dengan transformasi data, dan diakhiri
dengan analisis data. Pada pengumpulan data, harus didefinisikan suatu model
interaksi antara siswa dengan sistem untuk menetapkan data yang harus dicatat
dari suatu proses pembelajaran. Model interaksi siswa pada sistem tersebut
dapat tersusun atas beberapa lapisan untuk memungkinkan pemerolehan data pada
tingkat granularitas yang berbeda.
Proses
transformasi data mengubah data mentah menjadi dataset yang siap dianalisis.
Transformasi dapat dilakukan pada instans dataset melalui proses filtrasi,
maupun pada atribut dari dataset melalui filtrasi ataupun konversi. Analisis
data hasil pembelajaran dapat dilakukan dengan menerapkan teknik algoritma
association rules, classification, dan clustering untuk menghasilkan
pengetahuan yang dapat membantu guru dalam mengelola kelasnya dengan memahami
cara belajar siswa, dan memberikan umpan balik proaktif kepada siswanya.
JURNAL 3
PREDIKSI POTENSI PENJUALAN PRODUK DELIFRANCE
DENGAN METODE NAIVE BAYES DI PT. PANGAN LESTARI
Abstrak
PT. Pangan Lestari adalah perusahaan
pemasok, dalam kesehariannya memiliki permasalahan yaitu dalam memprediksi
barang yang laku berdasarkan hasil penjuala. Penggunaan data mining, dalam hal
ini adalah berupa Metode Naïve Bayes sangat membantu dalam prediksi berapa stok
yang disiapkan dan produk apa saja yang tidak laku. Dengan adanya bantuan alat
aplikasi ini diharapkan penjualan akan meningkat karena konsumen senang belanja
di sini karena barang yang akan di beli selalu tersedia, jenis variannya, dan
selalu baru, belum kadaluarsa.
Kata kunci:Penjualan,
Metode Naive Bayes, data mining- Type Data
Metode
Algoritma Naive Bayes
Naive Bayes merupakan teknik
prediksi berbasis probabilitas sederhana yang berdasarkan pada penerapan
teorema bayes dengan asumsi independensi yang kuat. Dengan kata lain, dalam
Naive Bayes menggunakan model fitur independen, maksud independen yang kuat
pada fitur adalah bahwa data tidak berkaitan dengan data yang lain dalam
kasusyang sama ataupun atribut yang lain.
Persamaan
dari Teorema Bayes adalah :
Keterangan
:
X
: Data sampel dengan calass ( label ) yang tidak di ketahui.
H
: Hipotesa bahwa X adalah data dengan class (label).
P
( H | X ) : Pobalitas H berdasarkan kondisi
X.P
(H) = Peluang dari hipotesa H.
P(X|H) : Peluang data
sampel X, bila diasumsikan bahwa hipotesa benar.P (X) = Peluang data sampel
yang diamati.
- Atribut
Dataset yang digunakan pada penelitian ini
mengunakan data penjualan dari PT.Pangan Lestari sebanyak 3 atribut dan 300
data. atribut tersebut terdiri darinama customer, wilayah, nama barang. Data
dan atribut tersebut digunakan untuk memprediksi material yang sering di order
dan mencari seberapa besar nilai akurasi algoritma naïve bayes. Data dan
atribut tersebut digunakan untuk memprediksi material yang sering di order dan
mencari seberapa besar nilai akurasi algoritma naïve bayes
-Type Atribut
Tahap Pertama, penentuan data yang akan diolah
pada penelitian ini Berikut pada tabel 2 merupakan tabel atribut data
penelitian dari dataset.
Tahap Kedua, melakukan konversi data. Data
dengan atribut yang telah dipilih kemudian dikonversikan untuk memudahkan
proses Data Mining pada sebagian atribut, karena data akan diproses dengan
tools bantu Data Mining.
- Preprocessing
yang digunakan
Knowledge Discovery in Databases (KDD) merupakan
sekumpulan proses untuk menemukan pengetahuan yang bermanfaat dari data. KDD
terdiri dari serangkaian langkah perubahan, termasuk data preprocessing dan
juga post processing. Data propecessing merupakan langkah untuk mengubah data
mentah menjadi format yang sesuai untuk tahap analisis berikutnya. Selain itu
data preprocessing juga digunakan untuk membantu dalam pengenalan atribut dan
data segmen yang relevan dengan task data mining. Istilah Data mining dan
Knowledge Discovery in Databases (KDD) sering kali digunakan secara bergantian
untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis
data yang besar.
Gambar
1. Proses Knowledge Discovery in Databases (KDD)
1. Data
Selection
Pemilihan atau
seleksi data dari sekumpulan data operasional perlu dilakukan sebelum tahap
penggalian informasi dalam knowledge data discovery dimulai. Data hasil seleksi
yang akan digunakan untuk proses Data mining, disimpan dalam suatu berkas,
terpisah dari basis data operasional Sebelum proses Data mining dapat
dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD.
Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data
yang inkosisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak
(tipografi). Juga dilakukan proses enrichment, yaitu proses memperkaya data yang
sudah ada dengan data atau informasi lain yang relevan dan diperlukan KDD,
seperti data atau informasi eksternal.
2. Transformation
Coding adalah proses
tranformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk
proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat
tergantung pada jenis atau pola informasi yang akan dicari dalam basis data.
3. Data
mining
Data mining adalah
proses mencari pola atau informasi menarik dalam data terpilih dengan
menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam
Data mining sangatbervariasi. Pemilihan metode atau algoritma yang tepat sangat
bergantung pada tujuan dan proses KDD secara keseluruhan.
4. Interpretation
/ Evaluation
Pola informasi yang
dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah
dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari
proses KDDyang disebut interpretation. Tahap ini mencakup pemeriksaan apakah
pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis
yang ada sebelumnya.
Hasil
Penelitian,sebagai berikut :
-
Perhitungan Naive Bayes
Perhitungan
Naïve Bayes dilakukan dengan menghitung menggunakan data yang diambil dari data
penjualan PT.Pangan Lestari sebanyak 3 atribut dan 300 data. Kriteria yang
digunakan adalah sebagai berikut :
-
Pengujian Naive Bayes
Pengujian pertama ini
akan menggunakan satu algoritma yakni naïve baye tanpa menggunakan metode
optimasi dalam melakukan klasifikasi data sebanyak 1 dataset. Berikut ini model
pengujian yang digunakan dapat dilihat pada tabel …. di bawah ini :
Tabel
3. Data Customer, dan wilayah perdagangan
|
Nama Customer
|
GRAN MELIA
JAKARTA, HOTEL, THE MARGO, HOTEL, SWISS BELINN KEMAYORAN, ART HOTEL, ASTON
HOTEL - ANYER BEACH, ASTON HOTEL - PLUIT – DM, ASTON HOTEL - RASUNA SAID,
ASTON IMPERIAL HOTEL – BEKASI, ASTON SENTUL LAKE RESORT & CONFERENCE,
BEST SINAR NUSANTARA, PT, BEST WESTERN HOTELKUNINGAN, FAVE CILILITAN, HOTEL,
GRAND MERCURE KEMAYORAN, HOTEL, GRANDHIKA, HOTEL, HARISTON HOTEL &
SUITES, HORISON CILEDUG, IBIS STYLE GAJAH MADA, KERATON HOTEL, NOVOTEL GOLF
RESORT & CONVENTION CENTRE HOTEL, ROYAL KUNINGAN HOTEL, POP HOTEL,
OLYMPIC PREMIER, HOTEL, THE ALANA HOTEL & CONFERENCE SENTUL CITY, THE
GROVE SUITE HOTEL, THE RITZ CARLTON HOTEL-KUNINGAN
|
|
Penjual /
Wilayah
|
JKT FS1H, JKT
FS2H, JKT FS3H
|
|
Kode Barang
|
IDT76543,
IDT78126, IDT78192, IDT78463, IDT78566, IDT78622, IDT78628, IDT78630,
IDT78632, IDT78644, IDT78651, IDT78654, IDT78655, IDT78662, IDT78688
|
|
Status
|
LAKU, SEDANG,
TIDAK LAKU
|
-
Menghitung Probabilitas akhir setiap kelas
Menghitung
probabiitas akhir pada setiap kelas, perlu menggunakan data training yang
terdapat pada tabel 6 dan mengubahnya menjadi nilai yang sudah ditentukan pada
perhitungan probabilitas masing- masing atribut, dari masing masing atribut dan
nilai probabilitas kelas dikalikan. dari hasil yang sudah ditentukan pada tiap
kelas, bandingkan nilai yang paling tinggi.jika kelas “LAKU” bernilai lebih
besar maka hasilnya “LAKU”. Begitu pula dengan “SEDANG” dan “TIDAK LAKU”.-
Implementasi Klasifikasi NaïveBayes pada RapidMiner
Perhitungan yang
telah dilakukan diatas sesuai untuk menentukan kelulusan dengan metode Naïve
Bayes. Setelah melakukan perhitungan manual terhadap data training dan data
testing, langkah selanjutnya pembuktian dengan menggunakan RapidMiner.
Pembuktian perhitungan manual Naïve Bayes terhadap data training dan data
testing, akan dilakukan perhitungan menggunakan RapidMiner. RapidMiner yang
digunakan adalah versi 7.6
Gambar 4. Proses RapidMiner pengujian data
traning terhadap data testing dalam menentukan prediksi.
Gambar 5. Hasil Prediksi RapidMiner
Gambar
5. Hasil Prediksi dimana data testing menggunakan sample acak awal dan akhir
data yang digunakan dalam penelitian ini.
Pengujian dengan
metode Naïve Bayes menggunakan dataset Penjualan. Hasil yang didapatkan
pengujian ini mendapatkan hasil akurasi sebesar 72,00% dengan nilai presisi
serta recall masing-masing kelas dapat dilihat pada gambar 8 berikut ini :Gambar
6. Hasil Accuracy RapidMiner
- Tools
/ Aplikasi yang digunakan
RapidMiner
merupakan suatu perangkat lunak yang bertujuan untuk melakukan analisis
terhadap data mining, text mining dan analisis prediksi yang bersifat terbuka
(open source) dan menggunakan berbagai teknik deskriptif dan prediksi dalam
memberikan wawasan kepada pengguna sehingga dapat membuat keputusan yang paling
baik.RapidMiner ditulis menggunakan bahasa java sehingga dapat bekerja di semua
sistem operasi. RapidMiner memiliki kurang lebih 500 operator data mining,
termasuk operator untuk input, output, data preprocessing dan visualisasi.
RapidMiner merupakan software yang berdiri sendiri untuk analisis data sebagai
mesin data mining yang dapat diintegrasikan pada produknya sendiri.
RapidMiner sebelumnya bernama YALE
(Yet Another Learning Environment), dimana versi awalnya mulai dikembangkan
pada tahun 2001 oleh RalfKlinkenberg, Ingo Mierswa, dan SimonFischer di
Artificial Intelligence Unit dari University of Dortmund. RapidMiner
didistribusikan di bawah lisensi AGPL (GNU Affero General Public License) versi
3.Hingga saat ini telah ribuan aplikasi yang dikembangkan menggunakan RapidMiner di
lebih dari 40negara.RapidMiner sebagai softwareopen source untuk data mining
tidak perlu diragukan lagi karena software ini sudah terkemuka didunia.
RapidMiner menempati peringkat
pertama sebagai software data mining pada polling oleh KDnuggets, sebuah
portal data mining pada tahun 2010-2011. RapidMiner menyediakan GUI (Graphic
User Interface) untuk merancang sebuah pipeline analitis. GUI ini akan
menghasilkan fileXML(Extensible Markup Language) yang mendefenisikan proses
analitis keinginan pengguna untuk diterapkan ke data. File ini kemudian dibaca
oleh RapidMiner untuk menjalankan analisa secara otomatis.
RapidMiner
memiliki beberapa sifat sebagai berikut.
- Ditulis dengan bahasa
pemegroman java sehingga dapatdijalankan di berbagai sistem operasi.
- Representasi XML
internal untuk memastikan formatstandar pertukaran data.
- Bahasa scripting
memungkinkan untuk eksperiman skalabesar dan otomatisasi eksperimen.
- Konsep multi-layer
untuk menjamin tampilan data yangefisien dan menjamin penangan data
KESIMPULAN
Berdasarkan
pada hasil penelitian yang telah dilakukan maka dapat disimpulkan :
- Penerapan
Algoritma Naïve Bayes untuk memprediksi potensi penjualan berdasarkan data set
penjualan deliverance pada PT.Pangan Lestari dapat membantu perusahaan dalam
memprediksi potensi penjualan.
- Berdasarkan data yang
diperoleh, proses Data Mining membantu dalam penerapan metode 78 Volume 9 Nomor
1 September 2018 ISSN : 2407-3903 SIGMA – Jurnal Teknologi Pelita Bangsa Naïve
Bayes dalam mendapatkan informasi dari hasil prediksi pada data penjualan
delifrance di PT.Pangan Lestari dijadikan Data Mining. Sehingga dengan demikian
metode Naïve Bayes ini berhasil memprediksi dengan presentase keakuratan
sebesar 72,00 % dengan menggunakan data sebanyak 300. 3. Dari hasil yang
diperoleh data penjualan delifrance dapat mengetahui tingkat dan volume
penjualan barang PT. Pangan Lestari kepada para konsumen
JURNAL 4
Implementasi Data
Mining dengan Algoritma Naïve Bayes pada Penjualan Obat
Hasil yang di peroleh dari data mining : Data mining
merupakan suatu langkah dalan melakukan Knowledge Discovery in Databases (KDD).
Knowledge discovery sebagai suatu proses terdiri atas pembersihan data
(data cleaning), integrasi (data integration), pemilihan data (data selection),
transformasi data (data transformation), data mining, evaluasi pola (pattern
evaluation) dan penyajian pengetahuan (knowledge presentation). Data mining
mengacu pada proses untuk menambang (mining) pengetahuan dari sekumpulan data
yang sangat besar untuk menghasilkan untuk menambah sebuah pengetahuan baru
dari bidang tertentu.
Pada data mining terdapat 3 bagia yaitu :
Assosiation, Klasifikasi dan Clustering. Assosiation memiliki definisi sebuah
proses yang digunakan untuk menemukan suatu yang terdapat pada nilai atribut
dari sekumpulan data yang dimiliki, sedangkan klasifikasi adalah teknik yang di
lakukan untuk memprediksi class atau propeti dari setiap instance data, dan
Clustering sendiri memliki makna pengelompokan data tanpa berdasarkan kelas
data tertentu ke dalam kelas objek yang sama sesuai dengan topik yang diangkat.
Masalah yang harus di
pecahkan pada penelitian ini adalah bagaimana menghasilkan nilai accuracy yang
jauh lebih optimal untuk mengklasifikasikan prediksi Calon Nasabah potensial
untuk di tawari produk lainya data set yang digunakan pada penelitian ini.
Pada gambar 1 hasil akhir dari data ini berupa
kumpulan data yang sudah bersih atau tidak missing valuenya.
Pengolahan
data : dataset
ini dalam tahap preprocessing harus melalui 3 proses, yaitu:
- Membuang duplikasi data
- Memeriksa data yang inkonsisten
- Memperbaiki kesalahan pada data.
Data testing yang
digunakan AUC digunakan untuk mengukur kinerja diskriminatif dengan
memperkirakan probbalitas output yang sudah di dapatkan hasilnya dari sampel
yang sudah di pilih secara acak dari populasi positif atau negative semakin
besar, nilai AUC, semakin kuat klasifikasi yang dihasilkan.
Hasil dan pembahasan
Data yang
digunakan dalam pengklasifikasian Calon Nasabah potensial terdiri dari 5.000
dataset 137, yang digunakan untuk data testing
berdasarkan variabel yang tersedia. Klasifikasi dilakukan dengan menggunakan
Software Rapidminer dengan versi 8 untuk mengolah data yang sudah di tentukan.
Evaluasi
dan validasi data
Validasi menggunakan 10 fold cross
validation. Dimana dengan menggunakan teknik ini dengan membagi secara acak ke
dalam tiap bagian dimana terdiri dari 10 bagian untuk setiap bagian akan
dilakukan proses klasifikasi terlebih dahulu.
Pada gambar 4 merupakan perhitungan accuracy data menggunakan algoritma Naïve Bayes.
Diketahui data training terdiri dari 150 record data, 10 data di klasifikasikan
LAKU ternyata TIDAK LAKU, 2 data diprediksi TIDAK LAKU dan benar-benar TIDAK
LAKU, 129 di prediksikan LAKU ternyata benar-benar LAKU serta 8 data
diprediksikan TIDAK LAKU ternyta LAKU.
Model yang dihasilkan pada Algoritma Naïve Bayes menggunakan Rapidminner, yaitu :
- Type Data
Data
yang digunakan pada penelitian ini merupakan data sekunder, karena sumber data
di peroleh melalui media perantara atau secara tidak langsung berupa yang
berupa buku, catatan, bukti yang telah tervalidasi atau arsip baik yang di
publikasikan maupun yang tidak di publikasikan secara umum yaitu 100 ribu data
yang akan di pecah menjadi 80 persen data training dan 20 persen data testing.
- Atribut yang dimiliki Dalam
klasifikasi hanya terdapat satu atribut dari sekian banyaknya atribut yang bisa
menjadi kemungkinan yang di sebut atribut target, sedangkan atribut lainya yang
terdapat disebut atribut predictor- Type Atribut type
ii dengan
naive bayes berbasis particle swarm optimization- Dimensi Dimensi
data yang tinggi dan Data yang heterogen dan berbeda sifat satu dengan yang
lainya, setiap metode tersebut memiliki algoritma – algoritma yang terbaik yang
dapat di gunakan untuk memproses data set yang ada. Namun dalam Penelitian
diharapkan dapat membangun sebuah sistem dalam mengestimasi jenis vitamin untuk
meningkatkan penjualan pada bulan berikutnya yang sesuai dengan data-data
penjualan sebelumnya sehingga jenis vitamin yang diminati oleh pelanggan
benar-benar tersedia pada apotek tersebut sehingga dapat membantu apotek dalam
meningkatkan omset penjualannya menggunakan algoritma Naïve Bayes. Dimensi yang
ada pada gambar yaitu 5 dimensi. - Preprocessing
Tahapan
yang akan di lalui di bagi menjadi 3 yaitu preprocessing, seleksi fitur
(Feature Selection) dan validation yang di dalamnya berisi sub proses training
dan testing.
- Task Mining
Assosiation, Klasifikasi dan Clustering.
Assosiation memiliki definisi sebuah proses yang digunakan untuk menemukan
suatu hubungan yang terdapat pada nilai atribut dari sekumpulan data yang
dimiiki, sedangkan Klasifikasi adalah teknik yang dilakukan untuk memprediksi
class atau properti dari setiap instance data, dan Clustering sendiri memliki
makna pengelompokan data tanpa berdasarkan kelas data tertentu ke dalam kelas objek
yang sama sesuai dengan topik yang diangkat.
Data yang akan digunakan pada penelitian ini
adalah 150 dataset. Penelitian ini di lakukan karena atas masalah mengetahi
produk pada bulan sebelumnya agar dapat menentukan stok produk mana yang mesti
di perbanyak menggunakan algoritma Naïve Bayes agar mengetahui nilai accuracy
nya. sekitar 150 data yang telah diklasifikasikan berdasarkan variable yang
ada.
Masalah
yang harus dipecahkan pada penelitian kali ini adalah, bagaimana menghasilkan
nilai accuracy yang jauh lebih optimal untuk mengklasifikasikan prediksi Calon
Nasabah Potensial untuk ditawari produk lainnya.
- Hasil
PENERAPAN DATA MINING DENGAN METODE KALSIFIKASI
MENGGUNAKAN DECISION TREE DAN REGRESI
Abstrak
Konversi
Bahan Bakar Minyak (BBM) ke Bahan Bakar Gas (BBG) yang dilakukan pemerintah
bermula atas melimpahnya gas di bumi Indonesia. kabupaten Cilacap melakukan
survey terhadap masyarakat untuk menentukan masyarakat mana yang lebih
diprioritaskan untuk mendapatkan bantuan pemberian kompor gas beserta
tabungnya. Berdasarkan survey pada tahun 2010 di Kabupaten Cilacap Kecamatan
Kroya terdapat 17 kelurahan dengan 28.131 data dengan 31 field atau kolom. Data
diolah dengan beberapa tahapan yaitu : pengecekan data, integrasi data, target
data, preprocessing, visualisasi, proses data mining, dan pengetahuan. Pada
proses data mining dilakukan proses decision tree, regresi, dan k means untuk
clustering yang ditampilkan dalam bentuk scatter plot. Berdasarkan decision
tree maka diperoleh data kelurahan yang menjadi prioritas untuk diberi bantuan
yaitu : Kelurahan Bajing Kulon, Kedawung, Pekuncen, dan Pesanggarahan. Atribut
yang digunakan untuk proses regresi yaitu per kelurahan dengan variabel x yaitu
pendidikan atau pekerjaan dan variabel y yaitu penghasilan.
Kata kunci: data
mining, decision tree, regresi- Type Data
Klasifikasi data mining adalah penempatan
objek-objek ke salah satu dari beberapa kategori yang telah ditetapkan
sebelumnya. Klasifiksi banyak digunakan untuk memprediksi kelas pada suatu
label tertentu, yaitu dengan mengklasifikasi data (membangun model) berdasarkan
training set dan nilai-nilai (label kelas) dalam mengklasifikasikan atribut
tertentu dan menggunakannya dalam mengklasifikasikan data yang baru. Pohon
keputusan biasanya digunakan untuk mendapatkan informasi untuk tujuan
pengambilan sebuah keputusan. Pohon keputusan dimulai dengan sebuah root node
(titik awal) yang digunakan oleh user untuk mengambil tindakan. Berdasarkan
node root ini, user memecahkan leaf node sesuai dengan algoritma decision tree.
Regresi linier adalah metode statistika yang digunakan untuk membentuk model
hubungan antara variabel terikat (dependen) dengan satu atau lebih variabel
bebas (independen). Apabila banyaknya variabel bebas hanya ada satu, disebut
sebagai regresi linier sederhana, sedangkan apabila terdapat lebih dari 1
variabel bebas, disebut sebagai regresi linier berganda.
- Atribut
Atribut yang digunakan untuk proses regresi
yaitu per kelurahan dengan variabel x yaitu pendidikan atau pekerjaan dan
variabel y yaitu penghasilan. Atribut Kategori, Kabupaten, Kecamatan,
Pendidikan , Pekerjaan, Pengeluaran, Masak akan diubah menjadi numeric.
- Type Atribut
Tabel
1 Tabel Data Penduduk
|
Atribut
|
Keterangan
|
|
Kategori
|
Didalamnya
mencakup data yang terdiri dari : Rumah Tangga tetap, Usaha Kecil Menengah
(UKM), Rumah Tangga Musiman
|
|
Kelurahan
|
Mencakup 17 macam
Kelurahan yang ada pada Kecamatan Kroya
|
|
Jenis Kelamin
|
Merupakan
jenis kelamin penduduk yang bersangkutan
|
|
Pendidikan
|
Merupakan
jenjang pendidikan akhir yang diselesaikan oleh penduduk yang bersangkutan
|
|
Pekerjaan
|
Jenis
pekerjaan yang dilakoni oleh setiap penduduknya
|
|
Pengeluaran
|
Seberapa
banyak pengeluaran yang dikeluarkan oleh setiap keluarga perbulannya
|
|
Jumlah
Keluarga
|
Banyaknya
jumlah anggota setiap keluarga
|
|
Masak
|
Dengan
menggunakan apa setiap penduduknya memasak
|
|
Liter
|
Jumlah liter
yang dihabiskan oleh penduduknya jika memasak dengan menggunakan kompor
minyak
|
|
Rupiah
|
Jumlah
pengeluaran untuk minyak tanah yang harus dibeli oleh penduduk yang memasak
dengan menggunakan kompor minyak.
|
- Preprocessing
yang digunakan
Preprocess Sebelum diproses data mining sering
kali diperlukan preprocessing. Data preprocessing menerangkan tipe-tipe proses
yang melaksanakan data mentah untuk mempersiapkan proses prosedur yang lainnya.
Tujuannya preprocessing dalam data mining adalah mentransformasi data ke suatu
format yang prosesnya lebih mudah dan efektif untuk kebutuhan pemakai, dengan
indikator sebagai berikut :- ·
Mendapatkan hasil yang
lebih akurat
- ·
Pengurangan waktu
komputasi untuk large scale problem
- ·
Membuat nilai data
menjadi lebih kecil tanpa merubah informasi yang dikandungnya.
- ·
Terdapat beberapa
metode yang digunakan untuk preprocessing seperti :
a. Sampling,
menyeleksi subset representatif dari populasi data yang besar.
b. Diskretisasi,
Bagian dari data reduksi tetapi memiliki arti penting tersendiri, terutama
untuk data numerik.
c. Remove
missing
d. Continuize
e.
Impute
f. Feature selection
Penelitian
yang dilakukan melalui beberapa proses yaitu :
PreProcessing
PreProcessing
yang dilakukan yaitu proses pembersihan data mengalami tiga tahap pembersihan
yaitu: Incomplete, Noisy dan Inconsisten. Berikut dibawah ini penjelasan dan
prosesnya.
·
Incomplete Pada tahap
ini, penulis membersihkan data berdasarkan data yang tidak lengkap atau data
yang tidak terisi. Kesimpulan dari tahap ini adalah pembersihan data, dalam
artian bahwa jika attribute data tersebut kosong atau tidak terdapat nilai
didalamnya maka attribute data tersebut akan dihapus. Hal tersebut di atas
dikarenakan penulis tidak memiliki data pendukung untuk mengisi attribute data
yang kosong.
·
Noisy dan Inkonsistensi
Data Merupakan suatu data yang memiliki kelainan, hal ini dikarenakan karena
kesalahan operator dalam memasukkan data kedalam database, permasalahan pada
pentransmisian data, keterbatasan teknologi, atau tidak dilakukannya
penyeragaman data, seperti data wilayah, jenis kelamin, dan lain sebagainya.
Proses pembersihan data ini menggunakan suatu tools data mining yaitu Orange.
ü Pengubahan
Data menjadi Numeric
Pada
langkah selanjutnya data yang sudah dibersihkan akan diubah value nya menjadi
bentuk numeric, hal ini dimaksudkan agar pengolahan data pada MatLab dapat
lebih mudah dan cepat, karena MatLab hanya memproses data-data numeric.
Transformasi
Data
Tahapan Transformasi
data adalah pengubahan format data tersimpan menjadi bentuk standar format file
yang sesuai dengan aplikasi yang akan digunakan. Pada penelitian kali ini,
penulis menggunakan aplikasi MatLab untuk melakukan proses data mining dengan
Proses Aturan Prediksi menggunakan Regresi Linear, aturan Klasifikasi
menggunakan Decision Tree. Pengubahan atau Transformasi data ke dalam format
file yang sesuai adalah mengubah format file data sebelumnya yang merupakan
bentuk file Tab Delimited yaitu Text atau .txt menjadi bentuk .dat.Penarikan
Informasi
Berdasarkan hasil yang didapat pada
3 langkah data mining diatas, maka dapat ditarik beberapa kesimpulan atau
informasi yang dapat dijadikan pengetahuan untuk diambil suatu keputusan,
informasi tersebut dapat dijabarkan sebagai berikut:
- Klasifikasi
dengan Pohon Keputusan/Decision Tree. Berdasarkan proses software Orange dengan
menggunakan widget Classification Tree Viewer dan Classification Tree Graph
bahwa keputusan yang dapat diambil oleh kepala kecamatan tentang kelurahan yang
akan diberikan bantuan dengan skala prioritas adalah Kelurahan Bajing Kulon,
Kedawung, Pekuncen, Pesanggarahan dan seterusnya.
- Klasifikasi dengan
Regresi Linear Untuk mendapatkan informasi yang dibutuhkan dalam pengambilan
keputusan dengan menggunakan Regresi Linear maka data yang ada yaitu data Pada
Kecamatan Kroya dengan 17 kelurahannya harus di pecah menjadi data per
kelurahan saja. Data per Kelurahan inilah nantinya akan dihitung dengan regresi
linear pada Aplikasi Data Mining yang Peneliti rancang, yang kemudian hasil
dari proses tersebut satu per satu Kelurahan yang ada di Kecamatan Kroya akan
dibandingan secara keseluruhan. Hasil dari regresi linear ini adalah mencari
nilai dari Variabel Y terkecil di kelurahan yang ada.
- Tools / Aplikasi yang digunakan
Pada
tahap ini proses pembersihan data dan pengintegrasian data menggunakan dua tools yaitu, Microsoft Excell
dan Orange.
Pada penelitian kali ini, penulis
menggunakan aplikasi MatLab untuk melakukan proses data mining dengan Proses
Aturan Prediksi menggunakan Regresi Linear, aturan Klasifikasi menggunakan
Decision Tree. Pengubahan atau Transformasi data ke dalam format file yang
sesuai adalah mengubah format file data sebelumnya yang merupakan bentuk file
Tab Delimited yaitu Text atau .txt menjadi bentuk .dat.
Proses Aplikasi
Prediksi pada Klasifikasi dengan Rumus Regresi linear untuk menentukan mana
kelurahan yang memiliki prioritas untuk diberikan bantuan dari 17 kelurahan
yang ada di kecamatan kroya.
KESIMPULAN
Dapat
disimpulkan bahwa dengan menggunakan decision tree prioritas kelurahan yang
dapat diberi bantuan yaitu: Kelurahan Bajing Kulon, Kedawung, Pekuncen, dan
Pesanggarahan.
Proses
pada regresi berdasarkan per kelurahan dengan atribut untuk variabel x adalah
pekerjaan atau pendidikan dan atribut untuk variabel y adalah penghasilan.
Terlepas dari
penjelasan pada paragraph di atas, Peneliti sadari masih banyak kekurangan
dalam penelitian ini, hal ini dikarenakan karena variable data yang terlalu
luas dan proses pembersihan data yang memakan waktu lama, sehingga pemilihan
proses data mining dengan penggunaan algoritma yang diterapkan mungkin memiliki
kelemahan dalam keakuratan hasil data yang ada, tetapi hasil yang didapatkan
tidak mengurangi keakuratan algoritma atau rumus yang diterapkan.
Referensi Jurnal
https://ejournal.upbatam.ac.id/index.php/jif/article/view/3755/2062
https://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/6203
https://media.neliti.com/media/publications/224659-penggunaan-data-mining-dalam-kegiatan-si-f3afe53d.pdf
https://jurnal.pelitabangsa.ac.id/index.php/sigma/article/download/465/282
https://jurnal.umj.ac.id/index.php/jurtek/article/download/364/337
