implementasi data mining dengan naive bayes classifier untuk mendukung...
Post on 03-Nov-2018
227 Views
Preview:
TRANSCRIPT
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN
HUMAS STMIK AMIKOM YOGYAKARTA
NASKAH PUBLIKASI
diajukan oleh
Burhan Alfironi Muktamar
10.11.3697
kepada
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA
YOGYAKARTA 2013
IMPLEMENTATION OF DATA MINING WITH NAIVE BAYES CLASSIFIER TO SUPPORTING MARKETING STRATEGY IN PUBLIC RELATIONS
STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN
HUMAS STMIK AMIKOM YOGYAKARTA
Burhan Alfironi Muktamar Erik Hadi Saputra
Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA
ABSTRACT
Data mining is a process to finding new patterns in the data by filtering large
quantities. Search pattern data mining using pattern recognition technology which is similar to the statistical techniques and mathematical techniques. Patterns found are expected to provide useful information to produce economic benefits, effectiveness and efficiency.
One method of data mining is the naive Bayes classifier is a data mining technique which has the ability of classification. Naive Bayes classifier algorithm can be used to predict interest the study based on the evidence given. Naive Bayes classifier algorithm is one method of data mining that can be used to support effective marketing strategies and efficient.
The results of this research is the application of data mining algorithms are constructed using a naive Bayes classifier which can provide important information such as the results of predictions of interest in the study of students who could be used to help Team Marketing STMIK AMIKOM Yogyakarta. The data used is the student enrollment the previous year.
Prediction of the results obtained, is expected to help to support the marketing strategies that have an impact on the effectiveness and efficiency of marketing and increasing the number of new students who enroll.
Keywords : data mining, naive bayes classifier, classification
1
1. PENDAHULUAN
1.1 Latar Belakang Masalah
Banyak perusahaan dan instansi pemerintah yang menggunakan data mining
untuk menggali informasi. Informasi ini sangat berguna untuk meningkatkan keuntungan
ataupun membantu dalam penyusunan strategi pemasaran.
Selain perusahaan dan instansi pemerintah, penerapan data mining juga
dilakukan dalam dunia pendidikan baik oleh perguruan tinggi negeri maupun swasta. Hal
ini karena banyak perguruan tinggi yang berupaya untuk mendapatkan competitive
intelligence.
STMIK AMIKOM Yogyakarta merupakan salah satu perguruan tinggi swasta
yang berkedudukan di Yogyakarta di bawah naungan Yayasan AMIKOM Yogyakarta.
STMIK AMIKOM Yogyakarta merupakan sebuah perguruan tinggi hasil pengembangan
dari Akademi Manajemen Informatika dan Komputer "AMIKOM Yogyakarta“1.
Salah satu penerapan data mining dengan naive bayes classifier dalam
perguruan tinggi adalah untuk mengetahui minat dan ketertarikan calon mahasiswa baru
terhadap program studi yang tersedia dengan memprediksi probabilitas keanggotaan
suatu class. Informasi ini dapat digunakan untuk mendukung strategi pemasaran agar
lebih efektif dan efisien. Dengan informasi ini suatu perguruan tinggi dapat mengetahui
tingkat ketertarikan calon mahasiswa terhadap suatu program studi yang terdapat di
perguruan tinggi tersebut. Sehingga perguruan tinggi dapat mengetahui serta
menentukan target atau sasaran pasar dengan lebih rinci.
Dengan demikian, di bagian Hubungan Masyarakat (HUMAS) STMIK AMIKOM
Yogyakarta diperlukan suatu aplikasi data mining untuk menggali atau mencari informasi
dari data pendaftaran tahun-tahun sebelumnya sebagai bahan evaluasi dan analisa
untuk mendukung strategi pemasaran tahun berikutnya. Konsep bayesian classification
ditujukan untuk memprediksi probabilitas di masa depan berdasarkan pengalaman di
masa sebelumnya.
1 Anonim, Sejarah Berdirinya Sekolah Tinggi Manajemen Informatika dan Komputer AMIKOM
Yogyakarta, http://www.amikom.ac.id/index.php/profile/history, diakses 12 Juli 2013 pukul 10.45.
2
2. LANDASAN TEORI
2.1 Pengertian Data Mining
Data mining, sering juga disebut knowledge discovery in database (KDD), adalah
kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan
keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data
mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan.
Sehingga istilah pattern recognition sekarang jarang digunakan karena termasuk bagian
dari data mining. (Santosa, 2007:10).
Dalam prosesnya data mining menggunakan apa yang dihasilkan oleh data
warehouse. Data warehouse adalah kumpulan data dari berbagai sumber internal
maupun eksternal yang dikumpulkan menjadi satu dalam tempat penyimpanan yang
berukuran besar yang bisa digunakan untuk pengambilan keputusan, dan bersifat
berorientasi subjek, terintegrasi, time-variant, dan non-volatine. Data warehouse
bertugas untuk menarik data dari basis data mentah untuk memberikan hasil data yang
nantinya digunakan oleh proses data mining.
2.2 Konsep Klasifikasi
Klasifikasi dapat didefinisikan sebagai pekerjaan yang melakukan
pelatihan/pembelajaran terhadap fungsi target f yang memetakan setiap set atribut (fitur)
x ke satu dari sejumlah label kelas y yang tersedia. Pekerjaan pelatihan tersebut akan
menghasilkan suatu model yang kemudian disimpan sebagai memori. (Prasetyo, 2012 :
45).
Algoritma klasifikasi menggunakan data training untuk membuat sebuah model.
Model yang sudah dibangung tersebut kemudian digunakan untuk memprediksi label
kelas data baru yang belum diketahui.
Dalam proses klasifikasi terdapat banyak algoritma yang telah dikembangkan
oleh para peneliti seperti K-Nearest Neighbor, Artifical Neural Network, Support Vector
Machine, Decision Tree, Naïve Bayes Classifier dan lain sebagainya. Setiap algoritma
dalam klasifikasi data mining tersebut memiliki kelebihan dan kekurangan. Tetapi prinsip
dari masing-masing algoritma tersebut sama, yaitu melakukan suatu pelatihan sehingga
di akhir pelatihan model dapat memprediksi setiap vektor masukan ke label kelas output
dengan tepat2.
Salah satu pengukur kinerja klasifikasi adalah tingkat akurasi. Sebuah sistem
dalam melakukan klasifikasi diharapkan dapat mengklasifikasi semua set data dengan
benar, tetapi tidak dipungkiri bahwa kinerja suatu sistem tidak bisa 100% akurat3.
2 Eko Prasetyo, Data Mining Konsep dan Aplikasi Menggunakan Matlab, Yogyakarta : Penerbit
Andi, 2012, hal 46. 3 Ibid, hal 48.
3
Untuk menghitung akurasi digunakan formula :
Akurasi =𝐽𝑢𝑚𝑙𝑎 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑠𝑒𝑐𝑎𝑟𝑎 𝑏𝑒𝑛𝑎𝑟
𝑗𝑢𝑚𝑙𝑎 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑑𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛
= 𝑓11 + 𝑓00
𝑓11 + 𝑓10 + 𝑓01 + 𝑓00
Untuk menghitung kesalahan prediksi (error) digunakan formula:
Error =𝐽𝑢𝑚𝑙𝑎 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑠𝑒𝑐𝑎𝑟𝑎 𝑠𝑎𝑙𝑎
𝑗𝑢𝑚𝑙𝑎 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑑𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛
= 𝑓10 + 𝑓01
𝑓11 + 𝑓10 + 𝑓01 + 𝑓00
2.3 Konsep Naive Bayes Classifier
Teori keputusan Bayes adalah pendekatan statistik yang fundamental dalam
pengenalan pola (pattern recognition). Pendekatan ini didasarkan pada kuantifikasi trade-
off antara berbagai keputusan klasifikasi dengan menggunakan probabilitas dan ongkos
yang ditimbulkan dalam keputusan-keputusan tersebut .(Santosa, 2007:75).
Naive bayes classifier merupakan salah satu metode yang digunakan dalam data
mining yang didasarkan pada teori keputusan Bayes. Naive bayes classifier memiliki
kemampuan klasifikasi seperti metode decision tree dan neural network. Metode ini dapat
digunakan untuk memprediksi probabilitas keanggotaan suatu class4.
Seperti yang dikatakan Eko Prasetyo (2012:61), formulasi Naive Bayes Classifier
adalah sebagai berikut :
P Y X = P(Y) P(Xi|Y)
qi=1
P(X)
Dimana untuk formula diatas :
P(Y|X) adalah probabilitas data dengan vector X pada kelas Y.
P(Y) adalah probabilitas awal kelas Y.
P(Xi|Y)qi=1 adalah probabilitas independen kelas Y dari semua fitur dalam
vector X.
Nilai P(X) selalu tetap sehingga dalam perhitungan prediksi nantinya tinggal
menghitung bagian P(Y) P(Xi|Y)qi=1 dengan memilih yang terbesar sebagai
kelas yang dipilih sebagai hasil prediksi.
Naive Bayes Classifier (NBC) membutuhkan jumlah record data yang sangat
besar untuk mendapatkan hasil yang baik. Jika kategori prediktor tidak ada dalam data
training, maka naive bayes classifier mengasumsikan bahwa record baru dengan
kategori predictor memiliki probabilitas nol.
4 Kusrini, dan Emha, Taufiq Luthfi, Algoritma Data Mining, Yogyakarta : Penerbit Andi, 2009,
hal 189.
4
3. ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis PIECES
3.1.1 Analisis Kinerja Sistem (Performance Analysis)
Dari analisa kinerja di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil
seperti yang ditampilkan pada tabel 3.1.
Tabel 3.1 Analisis Kinerja (Performance Analysis)
Parameter Sistem Lama
Throughput
Jumlah total pendaftar pada tahun ajaran 2013/2014 yang dihasilkan
dari proses marketing kurang lebih sebesar 10.000 orang. Kemudian
yang melakukan verifikasi pendaftaran sebesar 5.168 orang dan
diterima sebesar 2080 orang.
Respontime Respontime untuk pelayanan marketing dari customer service
marketing kurang lebih 10 menit/orang.
3.1.2 Analisis Informasi (Information Analysis)
Dari analisa informasi di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil
seperti yang ditampilkan pada tabel 3.2.
Tabel 3.2 Analisis Informasi (Information Analysis)
Parameter Sistem Lama
Akurat
Dari sistem yang lama belum ada informasi yang akurat
berhubungan dengan hasil klasifikasi dan prediksi minat studi
proses marketing.
Tepat Waktu
Untuk mendapatkan perhitungan informasi mengenai hasil
analisa yang berhubungan dengan klasifikasi dan prediksi minat
studi serta statistik teknik marketing secara manual
membutuhkan waktu kurang lebih 2 jam.
Relevan
Informasi secara umum yang berhubungan dengan data
pendaftar dalam proses marketing dinilai relevan karena dikelola
dengan baik oleh Innovation Center.
3.1.3 Analisis Ekonomi (Economic Analysis)
Dari analisa ekonomi di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil
seperti yang ditampilkan pada tabel 3.3.
5
Tabel 3.3 Analisis Ekonomi (Economic Analysis)
Parameter Sistem Lama
Biaya
Anggaran biaya yang dikeluarkan untuk proses marketing
dialokasikan untuk pembuatan brosur, periklanan dengan berbagai
media seperti televisi, koran, dan radio, kunjungan, serta proses
marketing lainnya.
3.1.4 Analisis Kendali (Control Analysis)
Dari analisa kendali di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil
seperti yang ditampilkan pada tabel 3.4.
Tabel 3.4 Analisis Kendali (Control Analysis)
Parameter Sistem Lama
Kontrol Kontrol terhadap data dilakukan oleh Innovation Center dengan
melakukan back up data setiap malam.
Keamanan
Keamanan dikelola dengan pemberian hak akses dan keamanan
database serta didukung dengan keamanan sistem operasi dan
jaringan oleh Innovation Center.
3.1.5 Analisis Efisiensi (Efficiency Analysis)
Dari analisa efisiensi di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil
seperti yang ditampilkan pada tabel 3.5.
Tabel 3.5 Analisis Efisiensi (Efficiency Analysis)
Parameter Sistem Lama
Efisien
Dengan proses marketing yang dilakukan dan biaya yang
dikeluarkan dihasilkan jumlah pendaftar kurang lebih 10.000 orang,
sehingga proses marketing dinilai efisien.
3.1.6 Analisis Pelayanan (Service Analysis)
Dari analisa pelayanan di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil
seperti yang ditampilkan pada tabel 3.6.
Tabel 3.6 Analisis Pelayanan (Service Analysis)
Parameter Sistem Lama
Pelayanan
Pelayanan pada customer service marketing di STMIK AMIKOM
Yogyakarta dilaksanakan dari jam 08.00 – 16.00 WIB pada hari
senin sampai dengan jumat dan jam 08.00 – 14.00 WIB pada hari
sabtu.
6
3.2 Analisis Kelayakan Sistem
3.2.1 Kelayakan Teknologi
Kelayakan teknologi berhubungan dengan ketersediaan sarana pembuatan dan
implementasi sistem. Teknologi di STMIK AMIKOM Yogyakarta sangat baik, sehingga
dapat mendukung proses pembuatan dan implementasi sistem. Di bagian HUMAS
STMIK AMIKOM Yogyakarta sudah tersedia komputer dengan spesifikasi diatas standard
yang diperlukan dan siap terkoneksi dengan Innovation Center untuk mengakses
database yang berisi data-data yang diperlukan untuk diproses. Sehingga dari segi
teknologi sistem dapat diusulkan layak untuk diterapkan.
3.2.2 Kelayakan Hukum
Kelayakan hukum ditujukan untuk memberikan penilaian apakah sistem yang
dibuat melanggar hukum atau tidak. Di STMIK AMIKOM Yogyakarta, khususnya pada
bagian humas dan Innovation Center menggunakan software resmi dalam
pengimplementasian sistem ini. Karena software yang berhubungan dengan sistem yang
akan dibuat tersebut bersifat legal dan aplikasi yang dibuat tidak mengandung unsur
SARA dan ponografi, maka secara hukum perancangan sistem ini dinilai layak untuk
diterapkan.
3.2.3 Kelayakan Operasional
Kelayakan operasioanal ditujukan untuk mengetahui kesiapan sumber daya
manusia di bagian Humas STMIK AMIKOM Yogyakarta. Sumber daya manusia di bagian
Humas hampir semua mempunyai basic pendidikan pada bidang IT. Sehingga tidak ada
masalah yang ditemukan dalam segi kelayakan operasional.
3.3 Perancangan Sistem
3.1 Perancangan Konsep
Aplikasi ini memberikan informasi mengenai hasil klasifikasi dan prediksi minat
studi dari target marketing dengan menggunakan algoritma naive bayes classifier.
Aplikasi ini memanfaatkan data pendaftar mahasiswa tahun-tahun sebelumnya sebagai
sumber pengetahuan yang terdiri dari kota, jenis kelamin, asal sekolah dan jurusan.
Kemudian dengan rumus perhitungan bayesian, aplikasi ini dapat melakukan perhitungan
probability dan memberikan hasil prediksi minat studi dari data target yang diinputkan.
Selain informasi mengenai hasil klasifikasi dan prediksi minat studi, aplikasi ini
juga akan memberikan informasi tentang presentase keberhasilan dari masing-masing
usaha marketing yang sudah dilakukan. Informasi tersebut akan disajikan dengan
menggunakan chart agar lebih mudah dipahami. Selain itu, aplikasi ini juga akan
memberikan informasi mengenai usaha marketing yang memiliki presentase
keberhasilan paling tinggi di setiap kota yang diinputkan.
7
3.2 Flowchart
Perancangan flowchart ini bertujuan untuk memberi gambaran bagaimana aliran
proses dari aplikasi untuk prediksi minat studi ini berjalan. Mulai dari awal ketika task
menu prediksi minat studi diklik hingga tampil hasil prediksi minat studi.
Gambar 3.1 Alur Aplikasi Program
3.3 Perancangan Interface
Interface merupakan tampilan yang digunakan sebagai mediator interaksi antara
sistem yang dibuat atau sebuah perangkat dengan pengguna (user). Interface sangat
berpengaruh terhadap penggunaan aplikasi untuk memberikan kemudahan terhadap
user. Dibawah ini adalah perancangan interface aplikasi Smart Marketing.
Mulai
Input Data Target
Marketing
Hitung Prior Probability ( P(Ci) )
Hitung Probability Attribut Target Marketing
Terhadap Masing-Masing Class ( P(X|Ci) )
Hitung perkalian Prior Probability
dengan Probability Attribut Target
Marketing ( P(Ci) x ( P(X|Ci) )
Mencari nilai maksimal dari
P(Ci) x ( P(X|Ci)
Tampil Hasil Prediksi
Selesai
8
3.3.1 Halaman Menu Utama
Halaman menu utama adalah halaman awal dari aplikasi yang dibuat. Halaman
ini yang menampung menu-menu utama yang terdapat dalam aplikasi ini.
Gambar 3.2 Tampilan Halaman Menu Utama
3.3.2 Halaman Prediksi Minat Studi
Halaman ini adalah halaman yang terdapat pada menu prediksi minat studi.
Halaman ini digunakan untuk melakukan perhitungan probability yang digunakan untuk
memprediksi minat studi yang dimiliki target marketing.
Gambar 3.3 Tampilan Halaman Prediksi Minat Studi
3.3.3 Halaman Statistik Marketing
Halaman ini adalah halaman yang terdapat pada menu statistik marketing.
Halaman ini digunakan untuk mengetahui tingkat keberhasilan langkah-langkah
marketing yang digunakan.
9
Gambar 3.4 Tampilan Halaman Statistik Marketing
3.3.4 Halaman About
Halaman ini adalah halaman yang terdapat pada menu about. Halaman ini
digunakan untuk memberikan informasi singkat mengenai aplikasi Smart Marketing.
Gambar 3.5 Tampilan Halaman About
3.3.5 Halaman Credit
Halaman ini adalah halaman yang terdapat pada menu credit. Halaman ini
digunakan untuk memberikan informasi dan contact mengenai pembuat aplikasi Smart
Marketing.
10
Gambar 3.6 Tampilan Halaman Credit
3.3.6 Halaman Help
Halaman ini adalah halaman yang terdapat pada menu help. Halaman ini
digunakan untuk memberikan informasi mengenai manual program (bagaimana
menggunakan) aplikasi Smart Marketing.
Gambar 3.7 Tampilan Halaman Credit
11
4. HASIL PENELITIAN DAN PEMBAHASAN
4.1 Uji Coba Sistem dan Program
4.1.1 White-box Testing
White-box testing dilakukan dengan menguji logika jalur program yang meliputi :
1. Menggunakan semua modul minimal satu kali untuk memberikan
jaminan bahwa semua jalur program berfungsi seperti yang diharapkan.
2. Menggunakan semua keputusan logis pada sisi true dan false.
3. Mengeksekusi semua loop pada batasan operasional mereka.
Hasil yang didapatkan menunjukkan tidak adanya kesalahan logika dalam pemrograman.
Pengujian syntax program dilakukan dengan pengecekan pada setiap listing
program. Pada tool Microsoft Visual Studio 2010 jika terdapat kesalahan syntax maka
akan ditunjukan dengan tanda error garis merah seperti yang ditunjukkan pada gambar
4.1. Setelah dilakukan pengecekan terhadap seluruh source code program menunjukkan
tidak ada kesalahan syntax.
Gambar 4.1 Contoh Syntax Error
4.1.2 Black-box Testing
Black-box testing dilakukan pada seluruh modul program untuk mengetahui
apakah program yang dibuat sudah sesuai dengan kebutuhan fungsionalnya.
Tabel 4.1 Uji Coba Kebutuhan Fungsional
No Kebutuhan Fungsional Keterangan
1 User dapat melakukan penginputan data target marketing
yang berupa sekolah asal, kota, jenis kelamin, dan jurusan. Terpenuhi
2 Sistem dapat melakukan perhitungan probability
keanggotaan suatu class. Terpenuhi
3 User dapat menganalisa hasil output perhitungan probability. Terpenuhi
4 Sistem dapat memberikan hasil prediksi minat studi yang
diinginkan oleh target marketing. Terpenuhi
12
5
Sistem dapat memberikan statistik keberhasilan teknik
marketing berdasarkan dari informasi yang didapat oleh para
pendaftar untuk masuk STMIK AMIKOM Yogyakarta.
Terpenuhi
Hasil dari uji coba dari 1000 data testing dengan aplikasi Smart Marketing untuk
prediksi minat studi ditampilkan pada daftar hasil uji coba prediksi minat studi (terlampir).
Dengan menggunakan rumus (2.1), hasil uji coba prediksi minat studi tersebut
mendapatkan nilai akurasi sebagai berikut :
Akurasi =927
1000= 0,927 = 92,7 %
Dari perhitungan akurasi untuk kinerja klasifikasi didapatkan akurasi sebesar
92,7%, kemudian dengan hasil uji coba prediksi minat studi menggunakan rumus (2.2)
didapatkan kesalahan prediksi (error) sebagai berikut :
𝐸𝑟𝑟𝑜𝑟 =73
1000= 0,025 = 7,3 %
Setelah dilakukan perhitungan kesalahan prediksi (error) dari 1000 data testing
didapatkan bahwa kesalahan prediksi klasifikasi sebesar 7,3%.
Tabel 4.2 Nilai Akurasi dan Kesalahan Klasifikasi (Error)
Algoritma Data Training Data Testing Akurasi Error
Naive Bayes
Classifier
Data pendaftar
tahun 2009
sampai dengan
2011
1000 data
pendaftar tahun
2012 yang
diambil secara
acak
92,7% 7,3%
4.2 Pembahasan Interface
Dalam aplikasi Smart Marketing ini terdiri dari beberapa interface yaitu Menu
Utama, Menu Prediksi Minat Studi, Menu Statistik Marketing, Menu About, Menu Credit,
dan Menu Help.
4.2.1 Halaman Menu Utama
Menu utama adalah halaman yang akan ditampilkan setelah user berhasil login,
pada menu utama ini terdapat beberapa pilihan menu yaitu Prediksi Minat Studi, Statistik
Marketing, About, Credit, Help, Log Out, dan Exit.
13
Gambar 4.2 Tampilan Menu Utama
4.2.2 Halaman Prediksi Minat Studi
Prediksi Minat Studi adalah halaman yang akan tampil ketika user menekan task
item Prediksi Minat Studi pada menu utama. Pada halaman Prediksi Minat Studi ini akan
menampilkan combo box untuk input data target marketing berupa provinsi, kota, sekolah
asal, jenis kelamin, dan jurusan. Pada halaman ini juga terdapat 2 tombol yaitu tombol
PROSES dan tombol RESET. Selain itu pada halaman ini juga terdapat chart dan text
field untuk menampilkan hasil dari prediksi minat studi.
Gambar 4.3Tampilan Prediksi Minat Studi
4.2.3 Halaman Statistik Marketing
Statistik Marketing adalah halaman yang akan tampil ketika user menekan task
item Statistik Marketing pada menu utama. Pada halaman Statistik Marketing ini akan
menampilkan combo box untuk memilih tampilan statistik, apakah ingin ditampilkan
statistik marketing dari semua data yang ada atau berdasarkan kota yang dipilih. Pada
halaman ini juga terdapat 2 tombol yaitu tombol PROSES dan tombol RESET. Selain itu
pada halaman ini juga terdapat chart dan text field untuk menampilkan hasil dari
perhitungan statistik marketing.
14
Gambar 4.4 Tampilan Statistik Marketing
4.2.4 Halaman About
Halaman About adalah halaman yang akan tampil ketika user menekan task item
About pada menu utama. Pada halaman About ini akan menampilkan informasi singkat
mengenai aplikasi Smart Marketing.
Gambar 4.5 Tampilan About
4.2.5 Halaman Credit
Halaman Credit adalah halaman yang akan tampil ketika user menekan task item
Credit pada menu utama. Pada halaman Credit ini akan menampilkan informasi dari
pembuat aplikasi ini.
15
Gambar 4.6 Tampilan Credit
4.2.6 Halaman Help
Halaman Help adalah halaman yang akan tampil ketika user menekan task item
Help pada menu utama. Pada halaman Help ini akan menampilkan manual program
untuk mempermudah user dalam mengoperasikan aplikasi Smart Marketing.
Gambar 4.7 Tampilan Help
16
5. Kesimpulan
Kesimpulan yang dapat diambil adalah sebagai berikut:
1. Smart Marketing adalah aplikasi data mining menggunakan algoritma naive
bayes classifier yang dapat memprediksi minat studi terhadap program studi S1
Teknik Informatika, S1 Sistem Informatika, D3 Teknik Informatika, D3
Manajemen Informatika di STMIK AMIKOM Yogyakarta dari target marketing
dengan harapan dapat mendukung strategi pemasaran khususnya di bagian
HUMAS STMIK AMIKOM Yogyakarta.
2. Hasil dari uji coba 1000 data testing yang diambil secara acak dari data induk
mahasiswa tahun 2012 dengan data training yang diambil dari data induk
mahasiswa tahun 2009 sampai dengan 2011 menggunakan aplikasi Smart
Marketing untuk prediksi minat studi didapatkan akurasi sebesar 92,7% dan error
sebesar 7,3%.
5.1 Saran
Untuk pengembangan lebih lanjut terhadap aplikasi Smart Marketing, ada
beberapa saran yang dapat diambil:
1. Smart Marketing menggunakan data training dari data induk mahasiswa tahun
2009 sampai dengan 2011. Untuk menjaga akurasi prediksi minat studi, data
training dapat diperbaharui dengan data induk mahasiswa tahun berikutnya.
2. Selain variabel kota, sekolah, jenis kelamin, dan jurusan, untuk meningkatkan
akurasi dapat ditambah variable baru seperti penghasilan orang tua.
3. Jika kategori prediktor tidak ada dalam data training, maka naive bayes classifier
mengasumsikan bahwa record baru dengan kategori predictor memiliki
probabilitas nol. Untuk pengembangan berikutnya bisa dicoba dengan algoritma
yang lain untuk mencari akurasi yang lebih tinggi seperti algoritma K-Nearest
Neighbor, Artifical Neural Network, Support Vector Machine, Decision Tree, dan
lain sebagainya.
4. Variabel jurusan yang berasal dari sekolah kejuruan hanya terdapat STM untuk
kejuruan industri dan SMEA untuk kejuruan administrasi. Untuk pengembangan
berikutnya, variable jurusan bisa diinputkan lebih spesifik, misalnya : otomotif,
elektro, tata boga dan lain sebagainya.
5. Fitur statistik marketing hanya menggunakan data mahasiswa yang diterima di
STMIK AMIKOM Yogyakarta. Untuk pengembangan lebih lanjut dapat
menggunakan seluruh data mahasiswa yang mendaftar di STMIK AMIKOM
Yogyakarta.
17
DAFTAR PUSTAKA
Anonim. 2010. Microsoft Visual C# 2010. Yogyakarta : Andi.
Booch, G., James, R., dan Ivar, J. 1998. The Unified Modeling Language User Guide
First Edition. Addison Wesley Professional.
Hermawan, J. 2004. Analisa Desain dan Pemrograman Berorientasi Obyek denagn UML
dan VB.NET. Yogyakarta : Andi.
Kristanto, A. 2004. Rekayasa Perangkat Lunak (Konsep Dasar. Yogyakarta : Gava
Media.
Kusrini, dan Emha, T.L. 2009. Algoritma Data Mining. Yogyakarta : Andi.
Prasetyo, E. 2012. Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta :
Andi.
Santoso, B. 2007. Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis.
Yogyakarta : Graha Ilmu.
Yasin, V. 2012. Rekayasa Perangkat Lunak Berorientasi Objek Pemodelan, Arsitektur,
dan Perancangan (Modeling, Architecture and Design. Jakarta : Mitra Wacana
Media.
Anonim. Sejarah Berdirinya Sekolah Tinggi Manajemen Informatika dan Komputer
AMIKOM Yogyakarta. http://www.amikom.ac.id/index.php/profile/history. Diakses
pada 12 Juli 2013 pukul 10.45 WIB.
Anonim. Classification Diagram, http://philips.files.wordpress.com. Diakses pada 12 Juli
2013 pukul 15.00 WIB.
Ardi. Sejarah Bahasa Pemrograman C# (C Sharp), http://belajar-
csharp.blogspot.com/2011/07/sejarah-bahasa-pemrograman-c-csharp.html,
Diakses pada tanggal 16 Juli 2013 pukul 11.25 WIB.
Ashary, F. Pengertian UML (Unified Modeling Language).
http://fadhlyashary.blogspot.com/2012/06/pengertian-uml-unified-modeling.html.
Diaskses pada 13 Juli 2013 pukul 15.00 WIB.
Microsoft User Group Indonesia. Panduan Praktis Membuat UML dengan Microsoft Visio
Studio 2010.
https://skydrive.live.com/view.aspx?cid=4D69ABBBB11E643B&resid=4D69ABBB
B11E643B%21115&app=WordPdf. Diakses pada 13 Juli 2013 pukul 14.00.
Raharja, P. 2012. Modul UML.
www.pribadiraharja.com/neli/SKRIPSI/.../DAFTAR_SIMBOL.doc. Diakses pada
13 Juli 2013 pukul 15.30 WIB.
top related