Riset dan E-Jurnal Manajemen Informatika Komputer e-ISSN : 2541-1330 Volume 4, Number 1, Oktober 2019 p-ISSN : 2541-1332

Implementasi Metode Naïve Bayes pada Sistem Rekomendasi Pembelian Mobil pada PT. Prospect Motor

Alvin Syahputra Guntara [email protected] Universitas Islam Sumatera Utara Medan

ABSTRAK

Perkembangan kehidupan modern saat ini sudah sangat mudah dalam transportasi. Hal itu disebabkan karena semakin tingginya kemajuan teknologi. Maka dari itu transportasi semakin banyak yang bisa digunakan seperti sepeda motor, mobil, bus, kereta api, pesawat dan lainnya. PT Honda Prospect Motor merupakan agen tunggal pemegang merek mobil honda di yang telah banyak merilis tipe-tipe mobil seperti SUV, MVP, sedan, city , hatchback dan lainnya. Hal tersebut membuat calon-calon pembeli sulit dan bingung dalam menemukan mobil yang sesuai dengan kriteria mereka. Proses pembuatan sistem rekomendasi ini dilakukan dengan menggunakan aplikasi pemrograman Microsoft Visual Basic .Net 2008 dan mengintegrasikan metode Naïve Bayes Classifier kedalam rancangan programnya. Setelah dilakukan perancangan dan pembuatan kode program, maka dihasilkan sebuah sistem rekomendasi. Sistem yang dibangun memilikil output penilaian yang sama dengan perhitungan manual di Bab IV sehingga dapat dikatakan program ini berhasil. Kelebihan program ini yaitu dapat melakukan perhitungan Naïve Bayes dengan sangat cepat walaupun data yang diproses cukup banyak jumlahnya. Hasil pengujian menyimpulkan bahwa metode Naïve Bayes dapat menyediakan rekomendasi mobil yang sesuai dengan kriteria yang digunakan.

Kata Kunci : Sistem rekomendasi, Naïve Bayes Classifier, Pembelian Mobil

1. PENDAHULUAN mobil yang akan dipilih, dimulai dari model, harga, dan tipe mobil yang sesuai. Hal seperti Perkembangan kehidupan modern saat ini ini membuat sebagian banyak orang menjadi sudah sangat mudah dalam transportasi. Hal itu kesulitan dan membingungkan untuk memilih disebabkan karena semakin tingginya kemajuan sebuah mobil. teknologi. Maka dari itu transportasi semakin banyak yang bisa digunakan seperti sepeda Sistem rekomendasi adalah suatu sistem motor, mobil, bus, kereta api, pesawat dan yang menyarankan informasi yang berguna atau lainnya. menduga apa yang akan dilakukan pelanggan untuk mencapai tujuannya, misalnya seperti PT Honda Prospect Motor merupakan memilih produk tertentu. Sehingga pelanggan agen tunggal pemegang merek mobil honda di memilih produk dapat lebih efektif dalam Indonesia yang telah banyak merilis tipe-tipe menentukan produk yang diingikannya. mobil seperti SUV, MVP, sedan, city car, Ada beberapa macam metode klasifikasi data hatchback dan lainnya. mining salah satunya metode Naïve bayes. Naïve Sebagian orang terkadang dalam memilih bayes merupakan salah satu metode di dalam data mobil sangat membingungkan seperti pada saat mining untuk mengklasifikasikan data. Cara kerja melakukan pembelian mobil pasti membutuhkan dari metode Naïve bayes menggunakan masukan atau pendapat dari orang lain mengenai perhitungan probabilitas. Konsep dasar yang

131 Riset dan E-Jurnal Manajemen Informatika Komputer e-ISSN : 2541-1330 Volume 4, Number 1, Oktober 2019 p-ISSN : 2541-1332

digunakan oleh Naïve bayes adalah Teorema Sistem Rekomendasi Bayes, yaitu teorema yang digunakan dalama Sistem rekomendasi adalah suatu yang statistika untuk menghitung suatu peluang, Bayes dirancang untuk memprediksi suatu item yang Optimal menghitung peluang dan satu kelas dari sesuai dengan minat user, Yang mana item masing-masing kelompok atribut yang ada, dan tersebut akan direkomendasikan pada user menentukan kelas mana yang paling optimal. (Sanjung, A, 2011). Prediksi informasi minat Proses pengelompokan atau klasifikasi dibagi pengguna dapat diperoleh berdasarkan pola aksi menjadi dua fase yaitu learning/training dan perilaku pengguna atau sering dikatakan sebagai testing/classify. Pada fase learning, sebagian data profil pengguna. Salah satu cara yang dilakukan yang telah diketahui kelas, datanya diumpankan untuk membentuk suatu profil pengguna adalah, untuk membentuk model perkiraan. Kemudian Misalnya ketika pengguna melakukan transaksi pada fase testing, model yang sudah terbentuk peminjaman maka data peminjaman ini akan diuji dengan sebagian data. disimpan sebagai profil pengguna. Berdasarkan profil pengguna yang telah terbentuk akan 2. METODE PENELITIAN diketahui minat buku yang disukai oleh pengguna. Penelitian ini akan dilakukan dalam beberapa tahap diantaranya tahap pengumpulan Pada sistem rekomendasi, terdapat data, tahap analisis dan tahap perancangan beberapa item yang akan disaring untuk aplikasi. Tahapan penelitian disini digunakan direkomendasikan kepada pengguna untuk mencapai tujuan penelitian yaitu untuk berdasarkan profil pengguna, skala rating, dan mengklasifikasikan rekomendasi mobil. lain-lain sehingga menghasilkan beberapa item Tahapan penelitian digambarkan dalam diagram yang direkomendasikan kepada pengguna. Saat air seperti pada Gambar berikut : ini telah sistem yang mengadopsi sistem rekomendasi pada penerapannya. Seperti halnya pada sosial media (twitter, facebook), youtube.com, amazon.com dan lain-lain.

Naïve Bayes Classifier Bayes merupakan Teknik prediksi berbasis probabilistic sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan asumsi independesi (ketidaktergantungan) yang kuat (naif). Dengan kata lain, dalam Naïve Bayes, model yang digunakan adalah “model fitur independent”

Dalam Bayes (terutama Naïve Bayes), maksud independesi yang kuat pada fitur adalah bahwa sebuah fitur pada sebuah data tidak berkaitan denga nada atau tidaknya fitur lain dalam data yang sama. Contohnya, pada kasus klasifikasi hewan dengan fitur penutup kulit, melahirkan, berat, dan menyusui. Dalam dunia nyata, hewen yang berkembang biak dengan cara melahirkan dipastikan juga menyusui. Di sini ada ketergantungan pada fitur menyusui karena hewan yang menyusui biasanya melahirkan, atau hewan yang bertelur biasanya tidak menyusui. Dalam Bayes, hal tersebut tidak dipandang sehingga masing-masing fitur seolah tidak memiliki hubungan apa pun (Prasetyo,2012).

Prediksi Bayes didasarkan pada teorema Bayes dengan formula umum sebagai berikut: ( | ) = ( | ) ( ) ( )

Gambar Tahapan Penelitian Riset dan E-Jurnal Manajemen Informatika Komputer e-ISSN : 2541-1330 Volume 4, Number 1, Oktober 2019 p-ISSN : 2541-1332

Penjelasan dari formula tersebut Perhitungan diatas adalah contoh 1 adalah sebagai berikut: mobil yang dihitung dari 34 mobil , Untuk hasil Probabilitas akhir bersyarat lengkap lanjutan perhitungan diatas ada pada (conditional Probability) suatu tabel di bawah ini : P(H|E) = hipotesis H terjadi jika diberikan bukti (evidence) E Tabel 2 Hasil Perhitungan Rekomendasi terjadi. Tipe Data Training Probabilitas sebuah bukti E Mobil 1 2 3 4 5 Honda P(E|H) = terjadiakan memengaruhi Jazz 0 0 0 0 0 hipotesis H. (M/T) Probabilitas awal (priori) Honda P(H) = hipotesis H terjadi tanpa Jazz 0 0 0 0 0 memandang bukti apa pun. (CVT) Honda Probabilitas awal (priori) Bukti Jazz RS 0 0 0 0 0 P(E) = E terjadi tanpa memandang (M/T) hipotesis/bukti yang lain. RS 0 0 0 0,028 0 (CVT) 3. HASIL DAN PEMBAHASAN All New Honda 0,002 0 0 0 0 Brio S 7 Rumus mencari rekomendasi (M/T) All New Honda 0,016 0 0 0 0 (P(Jenis Kelamin | Mobil) / P(mobil))* (P(Umur Brio E 1 | Mobil) / P(mobil)) * (P(CC Mobil | Mobil ) / (M/T) P(mobil)) * (P(Transmisi | Mobil) / P(mobil)) * All New Honda 0 0 0 0,004 0 (P(Kapasitas Penumpang | Mobil) / P(mobil))* Brio E (P(Harga | Mobil) / P(mobil)) * (P(Seluruh (CVT) Mobil | Tipe Mobil) / P(Seluruh mobil)) All New Honda 0 0 0 0 0 Brio RS Honda Jazz (M/T) (M/T) P(Laki-Laki | Honda Jazz (M/T)) / P(Honda All New Honda Jazz (M/T)) = 5 / 5 = 1 0 0 0 0 0 P(31-40 | Honda Jazz (M/T)) / P(Honda Jazz Brio RS (M/T)) = 0 / 5 = 0 (CVT) Odyssey P(1000-1500 | Honda Jazz (M/T)) / P(Honda 2.4L 0 0 0 0 0 Jazz (M/T)) = 5 / 5 = 1 Prestige P(Matic | Honda Jazz (M/T)) / P(Honda Jazz New Honda (M/T)) = 0 / 5 = 0 0 0 0 0 0 Mobilio P(2 Orang | Honda Jazz (M/T)) / P(Honda Jazz S (M/T) (M/T)) = 0 / 5 = 0 New Honda P(500,000,001-600,000,000 | Honda Jazz 0 0 0 0 0 (M/T)) / P(Honda Jazz (M/T)) = 0 / 5 = 0 Mobilio E (M/T) P(Honda Jazz (M/T)= seluruh data )= 5 / 70 = New 0,07 Honda 0 0 0 0 0 Mobilio (P(Laki-Laki | Honda Jazz (M/T)) / P(Honda Jazz E (CVT) (M/T))* (P(31-40 | Honda Jazz (M/T)) / P(Honda New Honda Jazz (M/T)) * (P(1000-1500 | Honda Jazz (M/T)) Mobilio 0 0 0 0 0 / P(Honda Jazz (M/T)) * (P(Matic | Honda Jazz RS (M/T)) / P(Honda Jazz (M/T)) * (P(2 Orang | (M/T) Honda Jazz (M/T)) / P(Honda Jazz (M/T))* New Honda (P(500,000,001-600,000,000 | Honda Jazz Mobilio 0 0 0 0 0 (M/T)) / P(Honda Jazz (M/T)) * (P(Honda Jazz RS (M/T) | Seluruh Mobil) / P(Seluruh mobil)) (CVT) Honda Jazz (M/T) = 1 * 0 * 1 * 0 * 0 * 0 * 0,07 = 0 Riset dan E-Jurnal Manajemen Informatika Komputer e-ISSN : 2541-1330 Volume 4, Number 1, Oktober 2019 p-ISSN : 2541-1332 (M/T) Honda 0,003 0 0 0 0 Accord 2 New Honda 0 0 0 0 0 BR-V S (6M/T) New Honda 0 0 0 0 0 BR-V E (M/T) New Honda 0 0 0 0 0 BR-V E (CVT) New Honda 0 0 0 0 0 BR-V Prestige HR-V 1.5L S 0 0 0 0 0 (M/T) HR-V 1.5L S 0 0 0 0 0 (CVT) HR-V 1.5L E 0 0 0 0 0 (CVT) HR-V 1.5L E 0,007 0,007 (CVT) 0 0 0 1 1 Special Edition HR-V 1.8L 0 0 0 0 0 Prestige All New CR-V 0 0 0 0 0 2.0L i- VTEC All New CR-V 0,007 0 0 0 0 1.5L 1 TURBO All New CR-V 1.5L 0 0,028 0 0 0 Prestige TURBO New City E 0 0 0 0 0 (M/T) New City E 0 0 0 0 0 (CVT) Civic Hatchbac 0 0 0 0 0 k S Civic Hatchbac 0 0 0 0 0 k E New 0,015 0 0 0 0 1,5L 8 VTEC TURBO Civic Type R 6 0 0 0 0 0 Speed Probabilitas terbesar akan menjadi rekomendasi dari data calon pembeli

Hasil implementasi sistem

Menu utama

Rekomendasi

Hasil rekomendasi

Form admin Riset dan E-Jurnal Manajemen Informatika Komputer e-ISSN : 2541-1330 Volume 4, Number 1, Oktober 2019 p-ISSN : 2541-1332

terhadap mobil yang akan dibeli dengan baik.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada kepada Fakultas Teknik dan Komputer Universitas Harapan Medan yang telah memberi dukungan terhadap penelitian ini.

Form Data Sample DAFTAR PUSTAKA Prasetyo, E., 2012, Data Mining Konsep Dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi. Sanjung, Ariyani. (2011). Perbandingan Semantic Classification dan Cluster- based Smoothed pada Recommender System berbasis Collaborative Filtering. (Skripsi). Teknik Informatika, Universitas Telkom, Bandung.

Form Data Training

4. KESIMPULAN

Kesimpulan yang didapat dari hasil penelitian ini adalah 1. Penerapan sistem rekomendasi yang dirancang dengan menggunakan metode NAÏVE BAYES ini telah berhasil menampilkan rekomendasi dengan tepat mengenai mobil yang akan direkomendasikan kepada calon pembeli berdasarkan cc mobil, transmisi, kapasitas penumpang, harga dan tipe mobil. 2. Program diujikan dengan jumlah data sebanyak 75 record yang dibagi menjadi 70 record data training dan 5 record data testing dan sistem berjalan lancar dan sistem mampu menampilkan hasil rekomendasi