257 622 1 PB PDF
257 622 1 PB PDF
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.
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.
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
17
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
19
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
Gambar 2. Tampilan Halaman Awal dan Pemesanan pada CV. Papa dan
Mama Pastries dapat membantu
2. Menu perhitungan Proses Naïve Bayes perusahaan dalam menyediakan stok roti.
Menu ini fungsinya adalah untuk 2. Hasil dari penerapan Algoritma Naive
melakukan perhitungan dengan Bayes untuk Memprediksi Jumlah Produksi
menggunakan metode naïve bayes 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
[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