Prediksi Status Konsumen Produk Celana Menggunakan Naïve Bayes

Din Syamsudin, Yosia Chrismas Decky Halundaka, Aryo Nugroho

Abstract

Celana bahan merupakan kebutuhan pokok sehari-hari, permasalahan yang dihadapi ketidak pastian pembeli dikalangan antara Mahasiswa, Karyawan, dan Pelajar. Oleh karena itu penelitian ini bertujuan untuk memprediksi Status Konsumen Produk Celana menggunakan metode Naïve Bayes. karena metode Naïve Bayes yang dinilai baik melakukan klasifikasi dan akurasi dibandingkan metode Algoritma C4.5 yang memiliki ketidakstabilan dalam melakukan klasifikasi. Pengambilan data pada penelitian ini dari hasil wawancara pada penjual dibulan januari hingga desember tahun 2019 kemudian dilakukan penginputan pada excel dengan total 731 data. Dengan menseleksi data agar mendapatkan hasil yang sempurna dan akurat dilakukan pemangkasan variable dengan awal 10 variable menjadi 5 variable. Pada tahap preprocessing sebelum melakukan proses data mining untuk mengetahui jumlah data per-attribute lalu melakukan proses data mining menggunakan algoritma naïve bayes, dengan percentage split kombinasi 60 hingga 90 persen menunjukkan hasil masing-masing nilai akurasi 80,137%, 78,0822%, 81,5060%, dan 83,5616%. terbaik di angka kombinasi percentage split 90% dengan presentase akurasi 83,5616%. Dan hasil evaluasi menggunakan confusion matrix menampilkan bahwa status konsumen yang terbanyak dan lebih unggul dari class karyawan dan class pelajar ialah menunjukkan Class Mahasiswa.

Keywords

prediksi; klasifikasi; naïve bayes; data mining; penjualan;

Article Metrics

Abstract view : 27 times
PDF view : 22 times

Full Text:

PDF

References

F. Rosi, M. A. Fauzi, and R. S. Perdana, “Prediksi Rating Pada Review Produk Kecantikan Menggunakan Metode Naïve Bayes dan Categorical Proportional Difference (CPD),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2018. .

G. Schuh, J.-P. Prote, and P. Hünnekes, “Data mining methods for macro level process planning,” Procedia CIRP, vol. 88, pp. 48–53, Jan. 2020.

S. F. Rodiyansyah, “Algoritma Apriori untuk Analisis Keranjang Belanja pada Data Transaksi Penjualan,” Infotech, vol. 1, no. 1, pp. 36–39, 2015.

S. Syarli and A. A. Muin, “Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi),” J. Ilmu Komput., vol. 2, no. 1, pp. 22–26, 2018.

D. Hastuti et al., “Algoritma Naïve Baiyes Untuk Prediksi Profesi Berdasarkan Skill Job Seeker,” in Seminar Nasional Riset Kuantitatif Terapan 2017, 2017, vol. 1, no. April, pp. 63–67.

A. Khoerunnisa, B. Irawan, and M. R. Rumani, “Analisis dan implementasi perbandingan algoritma c.45 dengan naïve bayes untuk prediksi penawaran produk,” E-Proceeding Eng., vol. 3, no. 3, pp. 5029–5035, 2016.

T. I. Andini, W. Witanti, and F. Renaldi, “Prediksi Potensi Pemasaran Produk Baru dengan Metode Naïve Bayes Classifier dan Regresi Linear,” Semin. Nas. Apl. Teknol. Inf., pp. 27–32, 2016.

Y. S. Nugroho, “Penerapan Data Mining Untuk Prediksi Rating Penjualan Buku Menggunakan Metode Naive Bayes Sulastri * , Yusuf Sulistyo Nugroho,” Duta.com, vol. 12, no. 2, pp. 57–72, Apr. 2017.

S. Kom, E. Dewi, S. Mulyani, S. Kom, and I. R. Nurhasanah, “Penerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode Naïve Bayes,” Konf. Nas. Sist. dan Inform., pp. 9–10, 2015.

F. Xu, Z. Pan, and R. Xia, “E-commerce product review sentiment classification based on a naïve Bayes continuous learning framework,” Inf. Process. Manag., vol. 57, no. 5, p. 102221, Sep. 2020.

C. Catur, “Prediksi Kegagalan Siswa Dalam Data Mining Dengan,” vol. 3, no. 1, pp. 42–46, 2019.

J. Singh, S. Bagga, and R. Kaur, “Software-based Prediction of Liver Disease with Feature Selection and Classification Techniques,” in Procedia Computer Science, 2020, vol. 167, pp. 1970–1980.

S. Alfarisi, “Sistem Prediksi Penjualan Gamis Toko QITAZ Menggunakan Metode Single Exponential Smoothing,” JABE (Journal Appl. Bus. Econ., vol. 4, no. 1, pp. 80–95, 2017.

W. Hadi, Q. A. Al-Radaideh, and S. Alhawari, “Integrating associative rule-based classification with Naïve Bayes for text classification,” Appl. Soft Comput. J., vol. 69, pp. 344–356, Aug. 2018.

R. Andrean, S. Fendy, and A. Nugroho, “Klasterisasi Pengendalian Persediaan Aki,” J. Inf. Technol. Comput. Sci., vol. 4, no. 1, pp. 5–11, 2019.

B. As’ad, “Prediksi Kehadiran Menggunakan Metode Klasifikasi Naïve Bayes, One-r, Decision Tree,” J. Penelit. Komun. dan Opini Publik, vol. 20, no. 1, pp. 1–10, 2016.

D. Laia, E. Buulolo, and M. J. F. Sirait, “Implementasi Data Mining Untuk Memprediksi Pemesanan Driver Go-Jek Online Dengan Menggunakan Metode Naive Bayes (Studi Kasus: Pt. Go-Jek Indonesia),” in KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), 2018, vol. 2, no. 1, pp. 434–439.

Y. Ko, “How to use negative class information for Naive Bayes classification,” Inf. Process. Manag., vol. 53, no. 6, pp. 1255–1268, Nov. 2017.

H. M and S. M.N, “A Review on Evaluation Metrics for Data Classification Evaluations,” Int. J. Data Min. Knowl. Manag. Process, vol. 5, no. 2, pp. 01–11, 2015.

Refbacks