p-ISSN 2088-3943

Volume 1 No 2 Desember 2017 e-ISSN 2580-9741

PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI

JUMLAH PRODUKSI BARANG BERDASARKAN DATA
PERSEDIAAN DAN JUMLAH PEMESANAN PADA
CV. PAPADAN MAMA PASTRIES
Effrida Manalu1, Fricles Ariwisanto Sianturi2, Mamed Rofendy Manalu3
1,2
Teknik Informatika
STMIK Pelita Nusantara, Jl. Iskandar Muda No.1 Medan, Sumatera Utara, Indonesia 20154
3
Komputer Akuntansi
Politeknik Trijaya Krama, Jl.Iskandar Muda No.01 Medan, Sumatera Utara, Indonesia 20154
1
efrida.br.manalu92@gmail.com, 2sianturifricles@gmail.com, 3endy.budidarma@gmail.com

Abstrak

CV. Papa dan Mama merupakan sebuah perusahaan yang bergerak pada bidang industri pembuatan kue
dan roti serta memasarkan hasil-hasil produksi tersebut ke berbagai tempat. CV. Papa dan Mama Pastries
mengalami kesulitan dalam mengelola data-data mengenai persediaan roti dan penerimaan pesanan roti yang
sering kelebihan produksi dan kekurangan produksi karena data yang kurang akurat. Untuk mendukung
persediaan roti yang efektif perlu dirancang suatu sistem berbasis Visual Basic 2010 yang dapat mengatasi
masalah tersebut. Penulis menerapkan metode Naive Bayes untuk memberikan solusi dalam memprediksi
persediaan roti dan penerimaan pesanan roti yang diambil berdasarkan data pada tahun lalu. Sehingga, dapat
membantu dalam menentukan persediaan stok roti sesuai dengan kebutuhan dan keinginan serta
menghasilkan alternatif pilihan stok roti.

Kata Kunci : Prediksi, Stok Roti, Metode Naive Bayes.

Abstract

CV. Papa and Mama is a company engaged in the field of baking and bread making industry and marketing
the products to various places. CV. Papa and Mama Pastries have difficulty managing data on bread supplies
and bread order receipts that are often overproduced and lacking in production due to inaccurate data. To
support an effective bread supply it is necessary to design a system based on Visual Basic 2010 that can solve
the problem. The authors apply the Naive Bayes method to provide a solution in predicting bread inventory
and bread order acceptance taken based on data last year. Thus, it can help in determining the stock of bread
stock in accordance with the needs and desires and produce an alternative choice of bread stock.

Keywords : Prediction, Bread Stock, Naive Bayes Method.

I. PENDAHULUAN Oleh sebab itu penulis menerapkan metode

CV. Papa dan Mama merupakan sebuah
perusahaan yang bergerak pada bidang industri
pembuatan kue dan roti serta memasarkan hasil-
hasil produksi tersebut ke berbagai tempat. CV.
Papa dan Mama Pastries mengalami kesulitan
dalam mengelola data-data mengenai persediaan
roti dan penerimaan pesanan roti, karena roti
yang sering kelebihan produksi dan kekurangan
produksi karena data yang kurang akurat
dimana data tersebut kurang terstruktur dengan
rapi. Oleh karena itu, untuk mendukung
persediaan roti yang efektif perlu dirancang
suatu sistem basis data berbasis Visual yang
lebih mudah digunakan, sehingga akan
membantu dalam mengolah data-data yang
dibutuhkan menjadi lebih akurat, efesien dan
hemat waktu.
Naive Bayes untuk memberikan solusi dalam
memprediksi persediaan roti dan penerimaan
pesanan roti. Metode 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. Definisi lain
mengatakan Naive Bayes merupakan
pengklasifikasian dengan metode probabilitas
dan statistik yang dikemukan oleh ilmuwan
Inggris Thomas Bayes, yaitu memprediksi
peluang di masa depan berdasarkan pengalaman
di masa sebelumnya. Naive Bayes didasarkan
pada asumsi penyederhanaan bahwa nilai atribut
16

Jurnal Manajemen Dan Informatika Pelita Nusantara

 p-ISSN 2088-3943
Volume 1 No 2 Desember 2017 e-ISSN 2580-9741

secara kondisional saling bebas jika diberikan P(H) : Probabilitas hipotesis H (prior
nilai output. Dengan kata lain, diberikan nilai probabilitas)
output, probabilitas mengamati secara bersama P(X|H) : Probabilitas X berdasarkan kondisi
adalah produk dari probabilitas individu. Alfa pada hipotesis H
Saleh. [1] P(X) : Probabilitas X
Dengan teori diatas maka penulis 1. Skema Naive bayes
menggunakan Metode Naive Bayes dengan Adapun alur dari metodeNaive Bayesadalah
bertujuan untuk mengantisipasi kelebihan dalam sebagai berikut :
pemesanan atau penerimaan roti. Keuntungan a. Mulai
penggunaan Naive Bayes adalah bahwa metode b. Baca data training
ini hanya membutuhkan jumlah data pelatihan 1. Hitung P(Ci) untuk setiap kelas
(Training Data) yang kecil untuk menentukan 2. Hitung P(X|Ci) untuk setiap kriteria dan
estimasi parameter yang diperlukan dalam setiap kelas
proses pengklasifikasian. Naive Bayes sering 3. Cari P(X|Ci) yang paling besar menjadi
bekerja jauh lebih baik dalam kebanyakan kesimpulan
situasi dunia nyata yang kompleks dari pada c. Tampilkan hasil prediksi.
yang diharapkan. Contoh kasus adalah prediksi persediaan
stok roti yang akan dilakukan pengerjaan
II. TEORI secara manual dengan mengambil 2 jenis roti
A. Pengertian Naive Bayes yang berbeda sebagai sample. Berikut ini data
Naive Bayes merupakan sebuah persediaan stok roti pada CV. Papa dan Mama
pengklasifikasian probabilistik sederhana yang Pastries selama 1 tahun yang dimulai pada bulan
menghitung sekumpulan probabilitas dengan januari sampai dengan bulan desember pada
menjumlahkan frekuensi dan kombinasi nilai tahun 2016 yaitu:
dari dataset yang diberikan. Algoritma 1. Jenis roti tawar kupas pada tahun 2016 selama
mengunakan teorema Bayes dan 1 tahun adalah sebagai berikut :
mengasumsikan semua atribut independen atau
tidak saling ketergantungan yang diberikan oleh Tabel I.
nilai pada variabel kelas. [1] Stok persediaan roti tawar kupas
Naive Bayes didasarkan pada asumsi
penyederhanaan bahwa nilai atribut secara No. Nama Roti Bulan Harga Stok Roti
kondisional saling bebas jika diberikan nilai
output. Dengan kata lain, diberikan nilai output, 1. Tawar Kupas 1 12.000 11.350
probabilitas mengamati secara bersama adalah 2. Tawar Kupas 2 12.000 11.400
produk dari probabilitas individu. Keuntungan 3. Tawar Kupas 3 12.000 11.350
penggunaan Naive Bayes adalah bahwa metode 4. Tawar Kupas 4 12.000 11.300
ini hanya membutuhkan jumlah data pelatihan 5. Tawar Kupas 5 12.000 11.400
(Training Data) yang kecil untuk menentukan 6. Tawar Kupas 6 12.000 11.300
estimasi paremeter yang diperlukan dalam 7. Tawar Kupas 7 12.000 11.400
proses pengklasifikasian. Naive Bayes sering 8. Tawar Kupas 8 12.000 11.300
bekerja jauh lebih baik dalam kebanyakan 9. Tawar Kupas 9 12.000 11.450
situasi dunia nyata yang kompleks dari pada 10. Tawar Kupas 10 12.000 11.350
yang diharapkan. [1]. 11. Tawar Kupas 11 12.000 11.450
Persamaan dari teorema Bayes adalah [1] : 12. Tawar Kupas 12 12.000 11.300

2. Jenis roti tawar gandum pada tahun 2016

𝑃(𝐻|𝑋)= 𝑃(𝑋|𝐻).𝑃(𝐻) selama 1 tahun adalah sebagai berikut
𝑃(𝑋)
Tabel II.
Persediaan stok roti tawar gandum

Di mana : No. Nama Roti Bulan Harga Stok Roti

X : Data dengan class yang belum
diketahui 1. Tawar Gandum 1 20.000 9.500
H : Hipotesis data merupakan suatu 2. Tawar Gandum 2 20.000 10.000
class spesifik 3. Tawar Gandum 3 20.000 9.000
P(H|X) : Probabilitas hipotesis H berdasar 4. Tawar Gandum 4 20.000 9.500
kondisi X (posteriori probabilitas) 5. Tawar Gandum 5 20.000 10.500

17

Jurnal Manajemen Dan Informatika Pelita Nusantara

 p-ISSN 2088-3943
Volume 1 No 2 Desember 2017 e-ISSN 2580-9741

6. Tawar Gandum 6 20.000 10.000 No. Nama Roti Bulan Harga Stok Roti Hasil
7. Tawar Gandum 7 20.000 9.000
8. Tawar Gandum 8 20.000 10.500 1. T. Kupas Januari 12.000 11.350 ?
9. Tawar Gandum 9 20.000 9.500
10. Tawar Gandum 10 20.000 10.000 Kelas yang terbentuk yaitu :
11. Tawar Gandum 11 20.000 9.000 Hasil = Habis
12. Tawar Gandum 12 20.000 10.500 Hasil = Sisa
Data uji :
1. Untuk Jenis Roti tawar kupas X = (Bulan = Februari, Stok = 11.300, Exp
Tahapan yang diawali dengan mengambil = 1.750)
data sample atau data untuk jenis tawar kupas 1. Penyelesaian :
pada tabel 3.1 tersebut diatas : Hitung P(Ci)
Data Uji 1 : P = (Hasil = “Habis” ) 6/12 = 0.5
P = (Sisa = “Sisa”) 9/12 = 0.75
No. Nama Roti Bulan Harga Stok Roti Hasil Hitung P(X\Ci)
P(Bulan = Februari Hasil = “Habis”) = 3/6
1. T. Gandum Februari 12.000 11.350 ? = 0.5
P(Bulan = Februari Hasil = “Sisa”) = 5/9
Kelas yang terbentuk yaitu : = 0.555
Hasil = Habis P(Stok = 10.000 Hasil = “Habis”) = 2/6
Hasil = Sisa = 0.333
Data uji : P(Stok = 10.000 Hasil = “Sisa”) = 6/9
X = (Bulan=Januari, harga=12.000, = 0.666
Stok=11.350) P(Harga = 20.000 Hasil = “Habis” = 1/6
1. Penyelesaian : = 0.166
Hitung P(Ci) P(Harga = 20.000 Hasil = “Sisa” = 9/9 = 1
P = (Hasil = “Habis” ) 8/12 = 0.66 Maka :
P = (Sisa = “Sisa”) 7/12 = 0.58 P(X Hasil =”Habis”) = 0.5 x 0.333 x 0.166
Hitung P(X\Ci) = 0.027
P(Bulan = Januari Hasil= “Habis”) 1/8 P(X Hasil = “Sisa”) = 0.555 x 0.666 x 1
= 0.125 = 0.369
P(Bulan = Januari Hasil = “Sisa”) 4/7 = 0.571 Maka :
P(Stok roti = 11.400 Hasil = “Habis”) 5/8 P(X Hasil =”Habis”) P(Hasil = ”Habis”
= 0.625 = 0.027 x 0.5 = 0.0135
P(Stok roti = 11.400 Hasil = “Sisa”) 2/7 P(X Hasil =”Sisa”) P(Hasil = ”Sisa”
= 0.285 = 0.369 x 0.75 = 0.276
P(Harga = 12.000 Hasil = “Habis”) 8/8 = 1 Karena nilai hasil = “Sisa” lebih tinggi
P(Harga = 12.000 Hasil = “Sisa”) 6/7 = 0.857 dibandingkan “Habis”, maka kesimpulannya
Maka : Roti Tawar Gandum tersebut merupakan roti
P(X Hasil =”Habis”) = 0.125 x 0.625 x 1 tawar yang “Sisa” untuk dijual.
= 0.078
P(X Hasil = “Sisa”) = 0.571 x 0.285 x 0.857 B. Pengertian Prediksi
= 0.069 Prediksi Kata atau istilah ini bisa
Maka : menimbulkan berbagai persepsi. Prediksi atau
P(X Hasil =”Habis”) P (Hasil = ”Habis” ) dalam hal ini juga disebut peramalan (forecast)
= 0.078 x 0.66 = 0.051 pada dasarnya merupakan dugaan atau
P(X Hasil =”Sisa”) P(Hasil = ”Sisa” ) peramalan mengenai peristiwa di waktu yang
= 0.069 x 0.58 = 0.040 akan datang. [2]
Karena nilai hasil = “Habis” lebih tinggi C. Pengertian Produksi
dibandingkan “Sisa”, maka kesimpulannya Roti Produksi adalah suatu kegiatan yang
Tawar Kupas tersebut merupakan roti tawar mengubah input menjadi output. Kegiatan
yang “Habis” untuk dijual. tersebut dalam ekonomi biasa dinyatakan dalam
2. Untuk Jenis Roti tawar gandum fungsi produk, Fungsi produk menunjukkan
Tahapan yang diawali dengan mengambil jumiah maksimum output yang dapat dihasilkan
data sample atau data untuk jenis tawar kupas dari pemakaian sejumlah input dengan
pada tabel 3.1 tersebut diatas : menggunakan teknogi tertentu. Produksi sering
Data uji 2 didefenisikan sebagai penciptaan guna, dimana
guna bararti kemampuan barang atau jasa untuk

18

Jurnal Manajemen Dan Informatika Pelita Nusantara

 p-ISSN 2088-3943
Volume 1 No 2 Desember 2017 e-ISSN 2580-9741

memenuhi kebutuhan manusia. pengertian dibutuhkan suatu sistem komputerisasi

faktor produksi adalah benda-benda yang pendidikan maupun dunia non-pendidikan. [6]
disediakan oleh alam atau diciptakan oleh
manusia yang dapat digunakan untuk III. HASIL
memproduksi barang dan jasa. [3] Secara umum, sistem ini bertugas
menghitung nilai masing-masing dalam
D. Pengertian Sistem memprediksi persediaan stok roti, sehingga
Sistem merupakan sekumpulan elemen- memperoleh hasil yang berupa data persediaan
elemen yang saling terintegrasi serta stok. Pada sistem ini akan menginput data-data
melaksanakan fungsinya masing-masing untuk persediaan stok berdasarkan jenis-jenis roti
mencapai tujuan yang telah ditetapkan tawar seperti : roti tawar kupas, roti tawar
tersebut. [4] gandum dan roti tawar coklat. Sistem ini akan
menghasilkan suatu nilaikeputusan yang
E. MySQL nantinya akan dibuat sebagai acuan dalam
MySQL adalah sebuah perangkat lunak memproduksi untuk persediaan stok roti.
sistem manajemen basis data SQL, Database
Management System (DBMS) yang multithread, A. Perancangan Antarmuka
multi-user, dengan sekitar 6 juta instalasi di HIPO (Hirearchy Plus Input-Proses-Output)
seluruh dunia. MySQLmembuat MySQL merupakan alat dokumentasi program yang
tersedia sebagai perangkat lunak gratis berdasarkan fungsinya untuk meningkatkan
dibawah lisensi General Public License (GPL), efisiensi usaha perawatan program. Perancangan
tetapi mereka juga menjual dibawah lisensi antarmuka yang dibuat dapat dilihat pada HIPO
komersial untuk kasus-kasus dimana diagram berikut ini :
penggunaannya tidak cocok dengan
penggunaan GPL. Relational Database Penerapan Algoritma Naive Bayes untuk
Management System (RDBMS). MySQL Memprediksi Jumlah Produksi Barang
adalah Relational Database Management Berdasarkan Data Persediaan dan
System (RDBMS) yang didistribusikan secara Pemesanan pada CV. Papa dan Mama
gratis dibawah lisensi General Public License Pastries
(GPL). Dimana setiaporang bebas untuk
menggunakan My SQL, namun tidak boleh Utama
dijadikan produk turunan yang bersifat
komersial. MySQL sebenarnya merupakan
turunan salah satu konsep utama dalam Input Laporan Logout
Proses
database sejak lama, yaitu SQL (Structured
Data Naive
Query Language). [5]
Bayes
F. Basis Data
Basis data adalah kumpulan data yang
saling berhubungan yang merefleksikan Input Data stok Roti
fakta-fakta yang terdapat di organsasi. Sistem
manajemen basis data atau DBMS merupakan
perangkat lunak untuk mengidefinisikan, Hasil perhitungan
menciptakan, mengelola dan mengendalikan
pengaksesan basis data. Fungsi system basis Hasil/Kesimpulan
data saat ini yang penting adalah
menyediakan basis untuk system informasi
manajemen. Pengolahan database Gambar 1. Perancangan Antarmuka
merupakan suatu pengolahan data yang
dilakukan dengan menggunakan komputer yang B. TAHAPAN IMPLEMENTASI SISTEM
dapat mengurangi kekurangan pada 1. Menu Tampilan Awal
pengolahan data secara manual, apalagi data Menu tampilan awal program ini berisi
yang diolah cukup banyak. Saat ini pengolahan tentang menu-menu yang berada didalam
database banyak digunakan untuk program. Adapun menu yang ada dalam
memasukkan data (input), keluaran data menu utama adalah input data ,proses
(output), ubah data (edit), pencarian data serta Naive Bayes, Laporan dan Logout.
penyajian laporan data yang cepat dan akurat Dalam menu utama ini juga
Merupakan menu untuk memulai

19

Jurnal Manajemen Dan Informatika Pelita Nusantara

 p-ISSN 2088-3943
Volume 1 No 2 Desember 2017 e-ISSN 2580-9741

menjalankan aplikasi sistem pendukung

keputusan pemilihan asuransi. Berikut
adalah tampilan dari menu utama
aplikasi:

Gambar 5. Menu Laporan proses Naive Bayes

Gambar 2. Tampilan Halaman Awal
2. Menu perhitungan Proses Naïve Bayes
Menu ini fungsinya adalah untuk
melakukan perhitungan dengan
menggunakan metode naïve bayes
IV. KESIMPULAN
Berdasarkan pada hasil analisa dan desain
yang telah dilakukan maka dapat disimpulkan
bahwa :
1. Penerapan Algoritma Naive Bayes
untuk Memprediksi Jumlah Produksi
Barang Berdasarkan Data Persediaan
dan Pemesanan pada CV. Papa dan
Mama Pastries dapat membantu
perusahaan dalam menyediakan stok roti.
2. Hasil dari penerapan Algoritma Naive
Bayes untuk Memprediksi Jumlah Produksi
Barang Berdasarkan Data Persediaan dan
Pemesanan pada CV. Papa dan Mama
Pastries dapat membantu dalam
menentukan persediaan stok roti sesuai
dengan kebutuhan dan keinginan serta
menghasilkan alternative pilihan stok roti.
3. Aplikasi Algoritma Naive Bayes untuk
Memprediksi Jumlah Produksi Barang
Berdasarkan Data Persediaan dan
Pemesanan pada CV. Papa dan Mama
Pastries dirancang dengan menggunakan
bahasa pemrograman Visual Basic 2010.

V. REFERENSI
[1] Alfa Saleh. Implementasi Metode
Klasifikasi Naive Bayes dalam
Memprediksi Besarnya Penggunaan Listrik
Rumah Tangga. Citec Journal, 2010, 2
(3), 209.
[2]Erhaneli., Oki Irawan. Jurnal
Gambar 3. Proses Naive Baies Momentum. Prediksi Perkembangan
Beban Listrik Sektor Rumah Tangga Di
3. Menu tampilan Laporan proses Naive Kabupaten Sijunjung Tahun 2013-2022
Bayes (Hasil Prediksi) Dengan Simulasi SPSS. Jurnal
Menu tampilan Laporan fungsinya Momentum, 2015, 17 (2), 15.
adalah untuk menampilkan hasil [4] Sulindawati., Muhammad Fatoni.
perangkingan setelah dilakukan Pengantar Analisa Perancangan Sistem,
perhitungan naïve bayes. Jurnal SAINTIKOM, 2010, 9 (2), 375-
376.

20

Jurnal Manajemen Dan Informatika Pelita Nusantara

 p-ISSN 2088-3943
Volume 1 No 2 Desember 2017 e-ISSN 2580-9741

[3]Nova Tumoka. Analisis Pendapatan [6] Richard Septa., Amir Hamzah., Dina
Usaha Tani Tomat di Kecamatan Andayati. Sistem Informasi Pengolahan
Kawangkoan Barat Kabupaten Minahasa. Data IKPM (Ikatan Keluarga Pelajar
Jurnal EMBA, 2013, 1 (3),346. Mahasiswa) Muara Enim Berbasis Web
[5] Syaifudin Ramadhani., Urifatun Anis., Menggunakan PHP dan Microsoft Access.
Siti Tazkiyatul Masruro. Rancang Jurnal SCRIPT, 2014, 2 (1), 27.
Bangun Sistem Informasi Geografis [7] Hengki Tamando Sihotang., Murni Marbun.,
Layanan Kesehatan Di Kecamatan Normi Verawati (2016). Perancangan Sistem
Lamongan dengan PHP MYSQL. Jurnal Perencanaan Jumlah Produksi Roti
Teknika, 2013, 5 (1), 480. Menggunakan Metode Fuzzy Mamdani.
Jurnal Mantik Penusa, Vol 20, No 1
Desember 2016

21

Jurnal Manajemen Dan Informatika Pelita Nusantara