IEEE TRANSACTIONS ON JOURNAL NAME, MANUSCRIPT ID
IMPLEMENTASI DATA MINING UNTUK
PREDIKSI PENJUALAN KARTU
SMARTFREN MENGGUNAKAN METODE
NAIVE BAYES BERBASIS WEB
Rahmaniar
——————————  ——————————
1 PENDAHULUAN
1.1 Latar Belakang
PT. Inti Central Niaga adalah salah satu outlet bandar
penjualan kartu smartfren di kota Makassar. Berdasarkan
data penjualan kartu smartfren pada PT. Inti Central
Niaga penjualan setiap item khususnya pada kartu
prabayar mengalami tingkat penjualan yang fluktuatif
setiap bulannya sebagai contoh grand total penjualan
item tipe kartu prabayar di bulan januari 2019 sebanyak
10,175 item dan penjualan menurun di bulan februari
menjadi 9,689 item, di bulan maret 3,016 item dan terus
mengalami penurunan dan kenaikan yang signifikan
hingga september 2019 grand total penjualan menjadi
5,575 item. Dapat disimpulkan penjualan kartu terkhusus
untuk tipe stater pack (SP) atau kartu perdana mengalami
perubahan setiap bulannya.
Hal ini mendasari bahwa dalam menentukan stok
penjualan kartu smartfren disetiap outlet, outlet akan
dibingungkan berapa banyak stok kartu smartfren yang
akan dipesan terutama outlet baru karena kurangnya
pengetahuan perkembangan penjualan kartu smartfren.
Sehingga outlet baru ragu untuk memesan banyak kartu
smartfren dikarenakan adanya beberapa outlet mengalami
kerugian. Kerumitan dan ruang lingkup pengambilan
dapat diatasi dengan program prediksi penjualan kartu
smartfren.
Metode yang digunakan adalah metode Naive
Bayes merupakan sebuah metoda klasifikasi
menggunakan metode probabilitas dan statistik yang
dikemukakan oleh ilmuwan Inggris Thomas Bayes. Naive
Bayes Classifier bekerja sangat baik dibanding dengan
model classifier lainnya. Hal ini dibuktikan oleh Xhemali
, Hinde Stone dalam jurnalnya “Naïve Bayes vs. Decision
Trees vs. Neural Networks in the Classification of Training
Web Pages” mengatakan bahwa “Naïve Bayes Classifier
memiliki tingkat akurasi yang lebih baik dibanding mod-
el classifier lainnya”.
Berdasarkan hal tersebut maka penulis mengangkat
judul penelitian “Implementasi Data Mining untuk
Prediksi Penjualan Kartu Smartfren Menggunakan
Metode Naïve Bayes Berbasis Web”.
————————————————
xxxx-xxxx/0x/$xx.00 © 200x IEEE
1
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang di atas dapat dirumuskan
masalah sebagai berikut :
a. Bagaimana merancang Implementasi Data Mining untuk
Prediksi Penjualan Kartu Smartfren Menggunakan Metode
Naïve Bayes Berbasis Web?
b. Bagaimana mengimplementasikan Data Mining Prediksi
untuk Pejualan Kartu Smartfren Menggunakan Metode Na-
ïve Bayes Berbasis Web?
1.2 Tujuan Penelitian
Adapun tujuan yang hendak dicapai dalam pelaksanaan
penelitian ini adalah sebagai berikut :
a. Untuk merancang Implementasi Data Mining untuk
Prediksi Pejualan Kartu Smartfren Menggunakan
Metode Naïve Bayes Berbasis Web.
b. Untuk mengimplementasikan Data Mining untuk Pred-
iksi Pejualan Kartu Smartfren Menggunakan Metode
Naïve Bayes Berbasis Web.
1.3 Manfaat
Adapun manfaat yang ingin dicapai adalah mem-
permudah outlet bandar dalam menentukan jumlah pe-
sanan stok kartu smartfren dilihat dari prediksi penjualan
bulan berikutnya apakah penjualan akan naik, turun atau
normal.
1.4 Bidang Pengaplikasian
Bidang pengaplikasian sistem ini yakni bidang
ekonomi penjualan kartu smartfren pada Outlet bandar
Smartfren PT. Inti Central Niaga Makassar.
1.5 Analisis Data
Data-data penjualan tahun 2018 dan 2019 tersebut diseleksi
dan akan digunakan untuk diolah dalam memprediksi penjualan
kartu smartfren. Adapun atribut seleksi data penjualan kartu
smartfren adalah Type Kartu Smartfren, Kuantitas dan Bulan.
Published by the IEEE Computer Society
2 IEEE TRANSACTIONS ON JOURNAL NAME, MANUSCRIPT ID

TABEL 1
VARIABEL DATA SELEKSI
No. Type Kartu Kuantitas Bulan (2019)
1 SP60K 1 JANUARI
2 SP30K 1 JANUARI
3 SP GSM 1 JANUARI
4 SP65K 1 JANUARI
5 SP65K 1 JANUARI
6 SP65K 1 JANUARI
7 SP30K 1 JANUARI
8 SP30K 1 JANUARI
9 SP30K 1 JANUARI Gambar 2.2 Proses Data Mining
10 SP NOW 1 JANUARI Sumber Kennedi Tampubolon et,al (2013).
11 SP GSM 1 JANUARI Ada empat tahap yang dilalui dalam Data Mining antara
12 SP65K 1 JANUARI lain (Kennedi Tampubolon et,al , 2013:97):
13 SP65K 1 JANUARI a) Tahap pertama: Precise statement of the problem
(mendefinisikan permasalahan yang ingin diketahui).
14 SP30K 1 JANUARI Misalnya ingin mengetahui apakah seorang customer ber-
15 SP30K 1 JANUARI potensi memiliki kredit macet, atau mengidentifikasi
seorang customer apakah akan pindah ke kompetitor bisnis
16 SP65K 1 JANUARI
kita, dan lain sebagainya. Setelah menemukan pertanyaan
17 SP65K 1 JANUARI bisnis yang perlu dijawab oleh data mining, selanjutnya
18 SP65K 1 JANUARI tentukan tipe tugas untuk menjawab pertanyaan bisnis ter-
sebut. Tugas dasar yang menjadi dasar algoritma data min-
19 SP65K 1 JANUARI ing adalah klasifikasi, regresi, segmentasi, asosiasi dan se-
20 SP65K 1 JANUARI quence analisis.
..6199 SP65K 1 OKTOBER b) Tahap kedua: Initial Exploration (Mempersiapkan data
yang menjadi sumber untuk data mining termaksud data
Sumber : PT.Inti Central Asia. “cleaning” untuk mempelajari polanya). Setelah
menemukan defenisi masalah, langkah berikutnya adalah
mencari data yang mendukung defenisi masalah. Menen-
2 TINJAUAN PUSTAKA
tukan porsi data yang digunakan men-training data mining
2.1 Data Mining berdasarkan algoritma data mining yang telah dibuat.
Data mining merupakan proses yang menggunakan
teknik statistik, matematika, kecerdasan buatan, dan ma- Setelah persiapan data selesai dilakukan, langkah berikutnya
chine learning untuk mengekstraksi dan mengidenfikasi adalah memberikan sebagian dataa kedalam algoritma data
informasi yang bermanfaat dan pengetahuan yang terakit mining.
dari berbagai database besar/Data Warehouse (Turban, c) Tahap ketiga: Model building and validation. Validasi
dalam Kennedi Tampubolon et,al , 2013:96). apakah data mining memberikan prediksi yang akurat.
Keluaran dari data mining bisa dipakai untuk memper- Setelah training data selesai dilakukan, data mining
baiki pengambilan keputusan dimasa depan (Budi Santo- tersebut perlu di-“uji” atau di-validasi keakuratannya
sa, dalam Kennedi Tampubolon et,al , 2013:96). terhadap data testing.
d) Tahap ke-empat: Deployment. Tahap ini memilih aplikasi
Berdasarkan defenisi-defenisi yang telah disampaikan,
yang tepat terhadap data mining untuk membuat prediksi.
hal penting yang terkait dengan Data Mining adalah:
a. Data mining merupakan suatu proses otomatis ter-
Data Mining dibagi menjadi beberapa metode ber-
hadap data yang sudah ada.
dasarkan tugas yang dapat dilakukan, yaitu:
b. Data yang akan diproses berupa data yang sangat
a) Asosiasi (Association)
besar.
Satu contohnya Market Basket Analysis, yaitu salah
c. Tujuan data mining adalah mendapatkan hubungan
satu metode asosiasi yang menganalisa kemungkinan
atau pola yang akan mungkin memberikan indikasi
pelanggan untuk membeli beberapa item secara ber-
yang bermanfaat.
samaan.
b) Pengklusteran (clustering)
Proses KDD secara garis besar dapat dijelaskan sebagai
berikut : Pengklusteran merupakan pengelompokan record,
pengamatan, atau memperhatikan dan membentuk
kelas objek-objek yang memiliki kemiripan. Kluster
adalah kumpulan record yang memiliki kemiripan sa-
AUTHOR ET AL.: TITLE
tu dengan yang lainnya dan memiliki ketidakmiripan
dengan record-record dalam kluster lain. Pengkluster-
an berbeda dengan klasifikasi yaitu tidak adanya var-
iabel target dalam pengklusteran. Pengklusteran tid-
ak mencoba untuk melakukan klasifikasi, mengesti-
masi, atau memprediksi nilai dari variabel target.
Akan tetapi, algoritma pengklusteran mencoba untuk
melakukan pembagian terhadap keseluruhan data
menjadi kelompok-kelompok yang memiliki kemiri-
pan.
c) Prediksi (prediction)
Prediksi hampir sama dengan klasifikasi dan es-
timasi, kecuali bahwa dalam prediksi nilai dari hasil
akan ada di masa mendatang.
Contoh prediksi bisnis dan penelitian adalah:
1. Prediksi harga beras dalam tiga bulan yang akan
datang.
2. Prediksi persentasi kenaikan kecelakaan lalu
lintas tahun depan jika batas bawah kecepatan
dinaikkan.
Beberapa metode dan teknik yang digunakan dalam
klasifikasi dan estimasi dapat pula digunakan (untuk
keadaan yang tepat) untuk prediksi. (Kusrini dan
Lutfi 2009:11).
d) Estimasi (estimation)
Estimasi hampir sama dengan klasifikasi, kecuali
variabel target estimasi lebih kearah numerik dari
pada kearah kategori. Model dibangun
menggunakan record lengkap yang menyediakan
nilai dari variabel target sebagai prediksi. Selanjut-
nya, pada peninjauan berikutnya estimasi nilai dari
variabel target dibuat berdasarkan nilai variabel
predikasi. Sebagai contoh akan dilakukan estimasi
tekanan darah sistolik pada pasien rumah sakit ber-
dasarkan umur pasien, jenis kelamin, indeks berat
badan, dan level sodium darah. Hubungan antara
tekanan darah sistolik dan nilai variabel prediksi da-
lam proses pembelajaran akan menghasilkan model
estimasi. Model estimasi yang dihasilkan dapat
digunakan untuk kasus baru lainnya.
Contoh lain yaitu estimasi nilai indeks prestasi
kumulatif mahasiswa program pasca sarjana dengan
melihat nilai indeks prestasi mahasiswa tersebut pa-
da saat mengikuti program sarjana. (Kusrini dan Lut-
fi 2009:10)
e) Klasifikasi (classification)
Klasifikasi adalah fungsi pembelajaran yang
memetakan (mengklasifikasi) sebuah unsur (item) da-
ta ke dalam salah satu dari beberapa kelas yang su-
dah didefinisikan. Contoh lain klasifikasi dalam
bisnis dan penelitian adalah:
Menentukan apakah suatu transaksi kartu kredit
merupakan transaksi yang curang atau tidak.
1. Memperkirakan apakah suatu pengajuan hipotek
oleh nasabah merupakan suatu kredit yang baik
atau buruk.
2. Mendiagnosis penyakit seorang pasien untuk
mendapatkan termasuk kategori penyakit apa.
(Kusrini dan Lutfi 2009:11)
Algoritma Naive Bayes Clasifier merupakan salah
3
satu algoritma yang terdapat pada teknik klasifikasi.
Naive Bayes merupakan pengklasifikasian dengan
metode probabilitas dan statistik
2.2 Studi Literatur
Penelitian sebelumnya menjadi salah satu acuan
penulis dalam melakukan penelitian sehingga penulis
dapat memperkaya teori yang digunakan dalam
mengkaji penelitian yang dilakukan. Dari penelitian sebe-
lumnya terdapat perbedaan dari judul penelitian yang
penulis angkat. Berikut beberapa jurnal penelitian terkait
yang diangkat sebagai referensi dalam menunjang bahan
kajian pada penelitian penulis.
1. Penerapan Algoritma Linier Regression Untuk
Menentukan Estimasi Luas Lahan Panen Tanaman
Jagung Terhadap Curah Hujan Dan Area Tambah
Tanam Di Kabupaten Rembang oleh Mayasari, A.
Y,R (2015)
Penelitian penerapan algoritma linier regression ini
pada data mining untuk menentukan estimasi luas la-
han panen tanaman jagung terhadap curah hujan
sangat membantu dalam menghitung hasil estimasi
luas lahan panen tanaman jagung tersebut.
2. Model Data Mining Dalam Penerapan Data Mining
Untuk Prediksi Rating Penjualan Buku
Menggunakan Metode Naive Bayes oleh Sulastri
dan Yusuf Sulistyo Nugroho (2017)
Sistem data mining menggunakan metode naïve
bayes untuk memprediksi rating penjualan buku
memiliki kinerja yang baik dari segi akurasi, presisi
dan recall. Dengan nilai akurasi sebesar 74,60%. Ber-
dasarkan pengujian yang dilakukan terhadap 180 da-
ta uji dalam memprediksi rating penjualan buku,
metode ini dinilai berhasil karena memiliki nilai
dengan hasil tinggi sebanyak 115 data, hasil dapat
dilihat dalam menu laporan.
3. Implementasi Naïve Bayes untuk penjualan pulsa
konter matahari cell oleh M Qowiyyun nada (2017)
Sistem peramalan penjualan pulsa dengan metode
naive bayes. Merupakan suatu konsep penge-
lompokan data yang menggunakan teknik data min-
ing.Pengelompokan data diambil melalui data krite-
ria yang meliputi fasepenjualan dalam minggu ke be-
rapa dan jumlah nominal pulsa misal 5k, 10k, 20k,
25k dan 50k. Data yang telah dimasukkan ke dalam
sistem akan diproses dipilah untuk menentukan pa-
da minggu keberapa penjualan UP, DOWN ATAU
NOL.
4. Penerapan Data Mining dengan Algoritma Naive
Bayes Clasifier untuk Mengetahui Minat Beli
Pelanggan terhadap Kartu Internet XL (Studi Kasus
di CV. Sumber Utama Telekomunikasi) oleh Dicky
Nofriansyah, dkk (2018)
Sistem ini metode klasifikasi mampu menemukan
model yang membedakan konsep atau kelas data,
dengan tujuan untuk dapat memperkirakan kelas
dari suatu objek yang labelnya tidak diketahui. Algo-
ritma naive bayes dapat memprediksi peluang di masa
depan berdasarkan pengalaman dimasa sebelumnya.
 4 IEEE TRANSACTIONS ON JOURNAL NAME, MANUSCRIPT ID
Hasil dari penelitian ini agar dapat memprediksi atau
memperkirakan laku atau tidak kartu internet yang
baru, sehingga perusahaan dapat mengambil kepu-
tusan dan meningkatkan strategi pemasaran.
5. Metode Naïve Bayes dalam memprediksi stok ba-
rang (Studi Kasus CV.Abadi Mahkota Padang)
Oleh Andri Yunaldi (2018)
CV. Mahkota Abadi tidak dapat memenuhi per-
mintaan yang disebabkan stok yang ada telah habis,
dan untuk mendapatkan kembali harus menunggu
untuk bebarapa hari. Dalam mengklasifikasi dan
memprediksi stok barang, penulis menggunakan
Metode Naive Bayes. Metode ini merupakan suatu
metode yang mempunyai akurasi yang baik dalam
hal klarifikasi dan prediksi. Dari hasil perhitungan
menggunakan tools memberikan hasil yang sama
dengan perhitungan secara manual dengan melihat
pada tingkat galat atau nilai kesalahan atau error
yang diberikan sebagai berikut : MAD = 13,3972,
MSE = 2901,0898, MAPE = 5,91%, MPE = -5,519%.
3 METODE PENELITIAN
3.1 Algoritma Naïve Bayes
Menurut Santosa dalam Ridwan (2013:61) “Naïve Bayes
Classifier merupakan salah satu algoritma dalam teknik data
mining yang menerapkan teori Bayes dalam klasifikasi.”
Teorema keputusan Bayes adalah pendekatan statistik yang
fundamental dalam pengenalan pola (pattern recognition). Na-
ïve bayes didasarkan pada asumsi penyederhanaan bahwa nilai
atribut secara conditional saling bebas jika diberikan nilai out-
put. Dengan kata lain, diberikan nilai output, probabilitas
mengamati secara bersama adalah produk dari probabilitas in-
dividu.
Dikutip dari Hermawati (2013:54) Persamaan dari teorama
Bayes adalah:
Di mana :
X : Data dengan class yang belum diketahui
H : Hipotesis data merupakan suatu class spesifik
P(H|X) : Probabilitas hipotesis H berdasar kondisi X
(posteriori probabilitas)
P(H) : Probabilitas hipotesis H (prior probabilitas)
P(X|H) : Probabilitas X berdasarkan kondisi pada
hipotesis H
P(X) : Probabilitas X
Untuk menjelaskan metode Naive Bayes, perlu diketahui
bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk
menentukan kelas apa yang cocok bagi sampel yang dianalisis
tersebut. Karena itu, metode Naive Bayes di atas disesuaikan
sebagai berikut:
Di mana Variabel C merepresentasikan kelas, sementara vari-
abel F1 ... Fn merepresentasikan karakteristik petunjuk yang
dibutuhkan untuk melakukan klasifikasi. Maka rumus tersebut
menjelaskan bahwa peluang masuknya sampel karakteristik
tertentu dalam kelas C (Posterior) adalah peluang munculnya
kelas C (sebelum masuknya sampel tersebut, seringkali dise-
but prior), dikali dengan peluang kemunculan karakteristik
karakteristik sampel pada kelas C (disebut juga likelihood),
dibagi dengan peluang kemunculan karakteristik karakteristik
sampel secara global (disebut juga evidence). Karena itu, ru-
mus diatas dapat pula ditulis secara sederhana sebagai berikut:
Nilai Evidence selalu tetap untuk setiap kelas pada satu sam-
pel.
Nilai dari posterior tersebut nantinya akan dibandingkan
dengan nilai nilai posterior kelas lainnya untuk menentukan ke
kelas apa suatu sampel akan diklasifikasikan.
Penjabaran lebih lanjut rumus Bayes tersebut dilakukan
dengan menjabarkan ( | ) menggunakan aturan perkalian se-
bagai berikut:
Dapat dilihat bahwa hasil penjabaran tersebut menyebab-
kan semakin banyak dan semakin kompleksnya faktor-faktor
syarat yang mempengaruhi nilai probabilitas, yang hampir
mustahil untuk dianalisa satu persatu. Akibatnya, perhitungan
tersebut menjadi sulit untuk dilakukan. Di sinilah digunakan
asumsi independensi yang sangat tinggi (naif), bahwa masing
masing petunjuk (F1,F2...Fn) saling bebas (independen) satu
sama lain. Dengan asumsi tersebut, maka berlaku suatu kesa-
maan sebagai berikut:
Untuk i≠j , sehingga
Persamaan di atas merupakan model dari teorema Naive Bayes
yang selanjutnya akan digunakan dalam proses klasifikasi.
Untuk klasifikasi dengan data kontinyu digunakan rumus
Densitas Gauss:
Di mana :
P : Peluang
Xi : Atribut ke i
xi : Nilai atribut ke i
Y : Kelas yang dicari
yi : Sub kelas Y yang dicari
μ : Mean, menyatakan rata-rata dari seluruh
atribut
σ : Deviasi standar, menyatakan varian dari se
luruh atribut.
 AUTHOR ET AL.: TITLE 5

3.2 Jenis dan Sumber Data a.Analisa Permasalahan

Data yang penulis dapatkan merupakan data sekunder yang Pada tahap ini akan dilakukan analisis dengan metode
merupakan kumpulan dari data penjualan dari produk Smartfren prediksi atau forecasting pada data transaksi penjualan kartu
untuk Outlet bandar PT.Inti Central Asia. Data yang penulis internet Smartfren.
kumpulkan terhitung dari bulan Januari 2018 sampai dengan b. Preprosessing Data
bulan September 2019. Sebagai bahan dalam pengujian metode Mempersiapkan data yang akan ditambang.
yang digunakan dalam memprediksi stok barang penulis c. Pengujian
mengambil sampel pada januari 2019 sampai September 2019. Pada tahap ini dilakukan proses pengujian dan percobaan
Tahapan pengumpulan data sebagai berikut : terhadap aplikasi sesuai dengan kebutuhan yang ditentukan
a. Studi Literatur sebelumnya agar berjalan seperti yang diharapkan.
Studi literatur yang digunakan dalam penulisan Penelitian
ini adalah mengumpulkan bahan referensi mengenai metode 4 IMPLEMENTASI ALGORITMA
prediksi dari berbagai buku, jurnal, dan beberapa referensi
lainnya. 5 HASIL DAN PEMBAHASAN
b. Observasi 6 KESIMPULAN DAN SARAN
Metode pengumpulan data yang dilakukan dengan menga-
dakan pengamatan atau peninjauan langsung terhadap sumber REFERENCES
permasalahan serta berkomunikasi langsung dengan pihak yang
bersangkutan serta bertanggungjawab dalam penentuan restock [1] Dicky Nofriansyah. 2015. Algoritma Data Mining dan Pen-
kartu dan penjualan. gujiannya. Yogyakarta: Deepublish
c. Wawancara [2] Fajar A. H. 2013. Data Mining. Yogyakarta: Andi Offset. H.
[3] Kusrini & Emha, T. L. 2009. Algoritma Data Mining. Yogyakarta:
Metode pengumpulan data yang dilakukan melalui tanya
Andi Offset.
jawab yang diajukan secara langsung kepada narasumber untuk
mendapatkan data atau informasi yang berkaitan dengan objek
penelitian.
Adapun kerangka pemikiran penelitian ini sebagai berikut :

Gambar 3.1 Kerangka Pemikiran