J u r n a l | 1

IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES

CLASSIFIER UNTUK MENDUKUNG STRATEGI PROMOSI

(Studi kasus Universitas Bina Darma Palembang)

Deny Wahyudi1, A.Haidar Mirza,S.T.,M.Kom.2, Merrieayu P.H.,M.Kom.3

1Mahasiswa Universitas Bina Darma, 2,3Dosen Universitas Bina Darma

Email: dhenny_w@ymail.com1 , haidarmirza@binadarma.ac.id2 , grapgrape@hotmail.co.id3

Universitas Bina Darma Palembang

Jl. A Yani No. 12 Plaju, Palembang 30624

ABSTRACK : Data mining is the process of finding new patterns in the data by filtering large

quantities. search pattern data mining uses pattern recognition technology that is similar to

the statistical techniques and mathematical techniques. Found pattern is expected to provide

useful information to produce economic benefits, effectiveness and efficiency. One method is

the classification of data mining is data mining techniques have the capability classification

which aims to make decisions predict a case, based on the classification results obtained.

Naive Bayes classifier algorithm can be used to predict interest in studies based on the

evidence provided. Naive Bayes classifier algorithm is one of data mining methods that can

be used to support the promotion of effective strategies and efficient. The results of this

research is the application of data mining algorithms are built using a Naive Bayes classifier

that can provide vital information such as the results predicted interest in the study of

students that can be used to help the marketing team Universitas Bina Darma Palembang.

The data used is enrollment the previous year. Prediction results obtained, is expected to help

to support the promotion strategies that have an impact on the effectiveness and efficiency of

the promotion and increase the number of new students who enroll.

Keywords: Data Mining, Naive Bayes, Classification.

ABSTRAK: Data mining adalah proses untuk menemukan pola-pola baru dalam data dengan

menyaring jumlah besar. pola pencarian data mining menggunakan teknologi pengenalan

pola yang mirip dengan teknik statistik dan teknik matematika. Pola yang ditemukan

diharapkan dapat memberikan informasi yang berguna untuk menghasilkan manfaat

ekonomi, efektivitas dan efisiensi. Salah satu metode data mining adalah klasifikasi adalah

J u r n a l | 2

teknik data mining yang memiliki kemampuan klasifikasi yang bertujuan mengambil

keputusan dengan memprediksikan suatu kasus, berdasarkan hasil klasifikasi yang diperoleh.

Algoritma Naive Bayes Classifier dapat digunakan untuk memprediksi minat studi

berdasarkan bukti yang diberikan. Algoritma Naive Bayes Classifier merupakan salah satu

metode data mining yang dapat digunakan untuk mendukung strategi promosi yang efektif

dan efisien. Hasil dari penelitian ini adalah penerapan algoritma data mining yang dibangun

menggunakan Naive Bayes Classifier yang dapat memberikan informasi penting seperti hasil

prediksi yang menarik dalam studi mahasiswa yang dapat digunakan untuk membantu Tim

Pemasaran Universitas Bina Darma Palembang. Data yang digunakan adalah pendaftaran

siswa tahun sebelumnya. Prediksi hasil yang diperoleh, diharapkan dapat membantu untuk

mendukung strategi promosi yang berdampak pada efektivitas dan efisiensi promosi dan

meningkatkan jumlah mahasiswa baru yang mendaftar.

Kata Kunci : Data Mining, Naive Bayes, Klasifikasi.

1. PENDAHULUAN

Dalam hal perencanaan kegiatan

promosi guna peningkatan minat calon

mahasiswa untuk mendaftar, Unit

Pemasaran Universitas Bina Darma

membutuhkan masukan – masukan guna

meningkatkan minat lulusan Sekolah

Menengah Atas (SMA) atau setara yang

ada di kota Palembang pada khususnya

dan di Sumatera Selatan pada umumnya

untuk mejadi Mahasiswa Universitas Bina

Darma, hal ini dikarenakan kegiatan

promosi yang terdiri dari kegiatan

pemasangan iklan, penyebaran brosur dan

promosi dengan mengundang sekolah

masih belum menyebar luas kedaerah-

daerah yang tingkat peminatnya masih

rendah sehingga masyarakat yang ada

didaerah atau dipedesaan masih belum

banyak yang mengetahui tentang

Universitas Bina Darma. Dengan

demikian, Unit Pemasaran Universitas

Bina Darma Palembang perlu untuk

menggali atau mencari informasi dari data

pendaftaran tahun-tahun sebelumnya

sebagai bahan evaluasi dan analisa untuk

mendukung strategi promosi tahun

berikutnya. Konsep bayesian classification

ditujukan untuk memprediksi probabilitas

di masa depan berdasarkan pengalaman di

masa sebelumnya.

2. DATA MINING

Analisis Data Mining

Yang akan digunakan pada proses

data mining menggunakan Algoritma

Naïve Bayes merupakan data mahasiswa

Penerimaan Mahasiswa Baru (PMB) untuk

J u r n a l | 3

tahun 2014, 2015 dan 2016 yang

merupakan gambaran secara nyata

mengenai keadaan penerimaan mahasiswa

baru untuk seluruh yang ada di lingkungan

Universitas Bina Darma. Setelah data di

dapat dari Unit Pelaksana Teknis – Sistem

Informasi Manajemen (UPT-SIM)

Universitas Bina Darma, maka data akan

di standarisasi mengikuti proses tahapan

data mining agar data tersebut layak dan

dapat diolah menggunakan software

pengolahan data mining RapidMiner .

dengan menggunakan algoritma Naïve

Bayes.

Proses Data Mining Knowledge

Discovery in Database (KDD)

1) Data Selection

Pada tahap ini data yang digunakan

akan diseleksi dengan cara melihat

kecenderungan data / kesesuaian data

dengan topik/ judul penelitian yang

akan diteliti oleh penulis, dalam hal

ini data yang di peroleh oleh penulis

dari UPT-SIM sudah memiliki

kesesuain format data yang terdiri dari

atribut tahun_pmb, nama, alamat,

asal_sekolah, progdi dan status.

Gambar 3.1. Data Penerimaan

Mahasiswa Baru (PMB) Tahun 2014

Gambar 3.2. Data Penerimaan

Mahasiswa Baru (PMB) Tahun 2015

Gambar 3.3. Data Penerimaan

Mahasiswa Baru (PMB) Tahun 2016

2) Data Preprocessing Atau Data Cleaning

Pada tahap ini data yang kosong harus

di hilangkan.

Gambar 3.4. Proses Data Cleaning Pada

Atribut Asal_Sekolah

J u r n a l | 4

Gambar 3.5. Proses Data Cleaning Pada

Atribut Alamat dan Asal_Sekolah

3) Data Integration

Tahap integrasi data adalah tahap

penggabungan data dari berbagai

sumber. Dataset mahasiswa

Penerimaan Mahasiswa Baru (PMB)

Universitas Bina Darma berasal dari

satu sumber yaitu Unit Pelaksana

Teknis – Sistem Informasi

Manajemen (UPT-SIM), dan dari data

yang ada tersebut dapat digunakan

untuk proses pengolahan data mining

dengan menggunakan metode Naïve

Bayes. Data ini terdiri dari data PMB

untuk tahun 2014, 2015 dan 2016

yang kemudian digabungkan kedalam

satu dataset untuk di ubah ke format

CSV dengan menggunakan Ms. Excel

yang nantinya akan di Import ke

dalam Database Mysql untuk proses

Data Manipulation.

Gambar 3.6. Gabungan Data PMB

tahun 2014-2016

4) Data Transformasi

Ada pun pada tahap ini data akan

diubah menjadi bentuk yang sesuai

untuk proses data mining. Karena

dalam penelitian ini akan dilakukan

uji coba secara teoritis dan

mengunakan software data mining

yaitu RapidMiner, maka data yang

telah melalui proses sebelumnya akan

di transformasi agar dapat sesuai

dengan algoritma yang dipakai yaitu

algoritma Naïve Bayes.

Pada tahapan ini atribut yang di pakai

akan diberi label mengikuti kondisi

data - data pada atribut tersebut :

1. Klasifikasi Atribut Alamat

Berdasarkan hasil data set yang siap

untuk di olah terdapat 135 daerah asal

dari calon mahasiswa yang mendaftar

di Universitas Bina Darma pada tahun

2014 – 2016.

Gambar 3.7. Tampilan Data Alamat Per

Daerah

2. Klasifikasi Atribut Asal Sekolah

J u r n a l | 5

Dikelompokan berdasarkan SMA,

SMK, MADRASAH

Gambar 3.8. Klasifikasi Data Asal

Sekolah

3. Label status

Terdapat 4 kriteria status seperti pada

gambar dibawah

Gambar 3.11. Klasifikasi Data Status

Yaitu LULUS, TIDAK LULUS,

REGISTRASI dan DAFTAR. Pada lebel

status akan di jadikan sebagai proses untuk

melakukan proses eksekusi pada program

rapidminer sehingga harus di golongkan

menjadi 2 kriteria yaitu REGISTRASI dan

TIDAK REGISTRASI. Pada status

LULUS dan REGISTRASI akan dilabel

sebagai status REGISTRASI dan pada

status TIDAK LULUS dan DAFTAR akan

dilabel sebagai status TIDAK

REGISTRASI .

Gambar 3.12. Query Perubahan

Klasifikasi Atribut Status

Sehingga menjadi sebagai berikut :

Gambar 3.13. Hasil Perubahan

Klasifikasi Atribut Status

Berikut tampilan hasil klasifikasi pada

masing – masing atribut pada Mysql :

Gambar 3.14. Hasil dari Proses Klasifikasi Pada

Masing – Masing Atribut

Setelah hasil proses klasifikasi

tersebut, maka langkah selanjutnya yaitu

mengubah format data hasil klasifikasi

menjadi format CSV agar dapat di olah

dengan menggunakan software data

mining yaitu RapidMiner. Data yang sudah

di dilakukan pada proses tahapan diatas ini

J u r n a l | 6

adalah data yang sudah siap atau sudah

bersih dari data yang redundancy dan data

yang loss (Kosong) sehingga data tersebut

bisa dilakukan proses data mining dengan

naive bayes seperti pada proses tahap hasil

selanjutnya. Berikut gambar dibawah yang

siap untuk dilakukan proses data mining

dengan naive bayes.

Gambar 3.15. Data SET Format CSV

3. HASIL DAN PEMBAHASAN

Hasil Dari tahapan proses Knowledge

Discovery in Database (KDD) seperti,

Data selection, data preprocessing atau

cleaning, data integration, data

transformasi, dan tahapan selanjutnya data

mining dengan Naive Bayes yang akan

menentukan hasil, yang pertama

perhitungan data mining secara teoritis

atau manual dan yang kedua perhitungan

dengan menggunkan software Rapidminer.

Data Mining Dengan Rapidminer

Rapidminer merupakan salah satu

software data mining pengolahan data set

untuk mencari pola data sesuai dengan

tujuan dari pengolahan data tersebut, tidak

semua algoritma yang ada dapat sesuai

atau dapat mengolah data set yang ada,

harus dilakukan penyesuaian pola data dan

sesuai dengan tujuan dari pengolahan data

tersebut.

Dalam rangkaian proses data

mining menggunakan rapidminer ini data

yang digunakan adalah data yang telah di

transformasi kedalam format Microsoft

Excel 2007 (.CSV). Selanjutnya proses

data mining dilakukan dengan

menggunakan operator Read CSV dapat

dilihat pada tampilan dibawah.

Gambar 4.8. Open File Read CSV

Model Naïve Bayes Pada Rapidminer.

Setelah proses Open File pada

Opeator Read CSV maka langkah

selanjutnya membuat model algoritma

naïve bayes. Adapun bentuk dari model

naïve bayes yang akan digunakan dapat di

lihat pada Gambar dibawah :

J u r n a l | 7

Gambar 4.9. Model Utama Naïve Bayes

dengan RapidMinier

Gambar 4.10. Model Sub Proses Pada

Cross Validation Rapid Miner

Adapun hasil Accuracy dari

performance vector sebesar 93.44% untuk

proses yang di laksanakan pada model

diatas dapat dilihat :

Gambar 4.11. Hasil Performance Vector

Berdasarkan hasil dari perhitungan

dengan rapidminer dengan model naive

bayes maka nilai dari simple distribution

yang didapat adalah seperti pada gambar

di bawah, yang hasilnya nilai class TIDAK

REGISTRASI 0,058 dan nilai class

REGISTRASI 0,942. Dimana perhitungan

manual dengan perhitungan pada

rapidminer hasilnya sama.

Gambar 4.12. Hasil Simple Distribution

Pada gambar grafik dibawah dapat

menunjukkan hasil dari tingkat rendah dan

tingginya pendaftar di Universitas Bina

Darma Palembang berdasarkan Alamat,

Asal Sekolah dan Program Studi.

Gambar 4.13. Grafik Berdasarkan

Alamat

Gambar 4.14. Grafik Berdasarkan Asal

Sekolah

J u r n a l | 8

Gambar 4.15. Grafik Berdasarkan

Progdi

4. KESIMPULAN DAN SARAN

Kesimpulan

Adapun kesimpulan dari penelitian

mengenai Implementasi data mining

dengan Naïve Bayes Classifier dalam

mendukung strategi promosi Universitas

Bina Darma dalam memprediksi proses

REGISTRASI dan TIDAK REGISTRASI

mahasiswa menggunakan data set yang

sudah melalui tahap awal Knowledge

Dciscovery in Database (KDD) sebanyak

6495 record yang diambil dari data

penerimaan mahasiswa baru tahun 2014,

2015 dan 2016 sebagai berikut :

1. Proses pengolahan data mining

menggunakan atribut alamat dengan

klasifikasi berdasarkan nama kota /

nama kabupaten, atribut asal sekolah

yang di klasifikasi berdasarkan

pendidikan SMA, SMK dan

MADRASAH, atribut progdi yang

diklasifikasikan berdasakan program

studi dari masing – masing fakultas

yang ada dilingkungan Universitas

Bina Darma dan atribut status sebagai

label dalam proses pengolahan data

mining dengan klasifikasi

REGISTRASI DAN TIDAK

REGISTRASI.

2. Model data mining di buat

menggunakan software pengolahan

data mining yaitu Rapidminer, dengan

hasil nilai Probalitas untuk

REGISTRASI yaitu 0.942 dengan

pembulatan nilai menjadi 0.94 dan

nilai probabilitas untuk TIDAK

REGISTRASI yaitu 0.057 dengan

pembulatan nilai menjadi 0.058

3. Model data mining yang di hasilkan

pada Rapidminer dapat memprediksi

hasil dengan beberapa kriteria

klasifikasi berdasarkan klasifikasi

yang dibuat menurut atribut masing –

masing mampu menilai seorang calon

Mahasiswa Baru.

4. Dengan menggunakan metode Naïve

Bayes Classifier mampu menunjukkan

informasi yang tersembunyi pada data

atribut – atribut yang digunakan dalam

proses pengolahan data mahasiswa

pada proses Penerimaan Mahasiswa

Baru (PMB) di Universitas Bina

Darma serta memberikan solusi untuk

membuat strategi promosi dengan

melihat alamat, asal sekolah, dan

progdi pilihan dari calon mahasiswa

baru tersebut.

J u r n a l | 9

Saran

Berdasarkan hasil dan kesimpulan

yang telah diuraikan diatas, maka ada

beberapa saran yang ingin disampaikan

yaitu:

1. Dengan penerapan data mining yang

telah dihasilkan, Universitas Bina

Darma dapat memanfaatkan informasi

dari hasil penerapan data mining

dalam memprediksi calon mahasiswa

yang akan REGISTRASI atau TIDAK

REGISTRASI.

2. Pada penelitian selanjutnya dapat

mencoba menggunakan data – data

pada dengan kondisi data yang

berbeda dan dengan jumlah data

yang lebih besar lagi sehingga nilai

data selanjutnya yang dihasilkan

dapat menghasilkan tingkat akurasi

yang lebih tinggi.

3. Selain penerapan secara teoritis dan

aplikatif, pada penelitian berikutnya

dapat dicoba untuk membuat suatu

aplikasi dengan teknik dan algoritma

data mining yang berbeda sehingga

dapat menghasilkan informasi yang

berpariasi.

4. Penelitian ini disarankan dapat

menjadi bahan referensi yang

dipergunakan dan dikembangkan

untuk penenlitian selanjutnya.

DAFTAR PUSTAKA

Budi, Santoso, 2007, Data Mining : Teknik

Pemanfaatan Data untuk Keperluan

Bisnis, Graha Ilmu, Yogyakarta

Burhan Alfironi Muktamar.2013.

Implementasi Data Mining Dengan

Naive Bayes Classifier Untuk

Mendukung Strategi Pemasaran Di

Bagian Humas STMIK AMIKOM

Yogyakarta

Dennis Aprilla C, Donny Aji Baskoro, Lia

Ambarwati, and I Wayan Simri

Wicaksana, 2013. Belajar Data

Mining Dengan RapidMiner. Jakarta

Dewanti, Retno, 2008. Kewirausahaan,

Mitra Wacana Media, Jakarta.

Han, Jiawei dan Kamber, Micheline.

(2006), Data Mining : Concept and

Techniques Second Edition,

Morgan Kaufmann Publishers.

Kotler, Philip dan Armstrong, Gary. 2012.

Principles of Marketing. New

Jersey: Prentice Hall.

Kusrini dan Luthfi. E.

Taufiq.(2009).Algoritma Data

Mining. Yogyakarta: Andi.

Laksana, Fajar. 2008. Manajemen

Pemasasaran : Pendekatan Praktis.

Edisi Pertama. Cetakan Pertama.

Graha Ilmu. Yogyakarta.

Masud Karim dan Rashedur M.

Rahman.2012. Decision Tree dan

J u r n a l | 10

Algoritma Naive Bayes untuk

Klasifikasi dan Generasi

Pengetahuan ditindak lanjuti untuk

Pemasaran Langsung

Prasetyo,Eko.(2012).Data Mining Konsep

dan Aplikasi Menggunakan

Matlbab.Yogyakarta: Andi.

Sugiyono. 2012. Metode Penelitian

Kuantitatif Kualitatif dan R&D.

Bandung: Alfabeta.

Tri Utami Putri.2014. Penerapan Data

Mining Untuk Menentukan Strategi

Penjualan Pada Toko Buku

Gramedia Palembang Menggunakan

Metode Clustering

Turban, E., dkk, 2005, Decicion Support

Systems and Intelligent Systems,

Andi Offse

www.binadarma.ac.id , website Universitas

Bina Darma Palembang pada

tanggal 29-05-2016