IMPLEMENTASI DATA MINING DENGAN ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI ANGKA KELAHIRAN

Transkripsi

1 IMPLEMENTASI DATA MINING DENGAN ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI ANGKA KELAHIRAN Muhammad Idris Prodi Teknik Informatika STMIK Budi Darma, Medan, Indonesia Jl. Sisingamangaraja No. 8, Medan, Indonesia Abstrak Kantor Kepala Desa Lalang Kecamatan Medang Deras Kabupaten Batubara yaitu Desa yang Terdiri Dari Sepuluh Yaitu Berdikari, Merdeka, Pengajian, Pekan, Barat, Timur, Lama, Baru, Sono Dan Pandau Palas. Prediksi angka kelahiran dilakukan dengan menggunakan algoritma data mining. Salah satu fungsi dalam data mining yang dapat digunakan untuk menyelesaikan masalah yang dihadapi pihak kantor desa untuk memprediksi angka kelahiran. Metode yang diusulkan yaitu naïve bayes. Algoritma naïve bayes bertujuan untuk melakukan klasifikasi data pada kelas tertentu. Tujuan penelitian ini adalah untuk melihat pola prediksi dari setiap atribut-atribut yang terdapat pada data set dengan menggunakan algoritma naïve bayes dan melakukan pengujian data training terhadap data testing untuk melihat pemodelan data sudah baik atau belum. Dalam membangun aplikasi ini penulis menggunakan bahasa pemrograman visual basic 008 serta microsoft access 007 sebagai basis data. Klasifikasi Naïve Bayes dipakai untuk memprediksi angka kelahiran yang akan dialami pada setiap dusun dengan cara mensurvei jumlah penduduk pada setiap dusun, angka pernikahan, dan angka kelahiran. Semua data didiskritkan berdasarkan survei yang telah diteliti pada desa lalang. Hasil dari penelitian ini adalah mempermudah pihak kantor desa lalang dalam proses pengelolaan data penduduk, membantu dalam proses penginputan data, pencarian data, dan laporan penduduk Kata Kunci : Angka Kelahiran, Data Mining, Naïve. I. PENDAHULUAN Perkembangan yang saat ini dirasakan manfaatnya adalah penemuan informasi baru dengan mencari pola baru dari suatu data yang sangat besar yang dikenal dengan istilah data mining. Data mining merupakan proses dalam menganalisis data dari sudut pandang yang berbeda dan membentuknya menjadi informasi yang berguna sehingga pengguna dapat memahami substansi hubungan antara data. Data mining memiliki beberapa metode yang salah satunya ialah metode klasifikasi merupakan teknik data mining yang memetakan data ke kelompok yang telah di terapkan. Terdapat beberapa algoritma data mining yang menggunakan metode classification ini, seperti C4.5, CMAR, Naïve Bayes, K- Nearest Neighbours dan CART. Penggunaan metode klasifikasi dapat memanfaatkan beberapa algoritma diantaranya algoritma Naïve Bayes. Angka kelahiran dan hasil penelitian didunia mengatakan bahwa ada kaitan antara angka kelahiran dan usia harapan hidup di suatu wilayah, makin rendahnya angka kelahiran makin tingginya usia harapan hidup. Angka kelahiran adalah salah satu unsur dari pertambahan penduduk secara alami. Lahir adalah istilah yang dipergunakan dalam bidang demografi untuk menggambarkan jumlah anak yang benar-benar di lahirkan hidup. Algoritma Naïve Bayes juga dapat membantu dalam memprediksi angka kelahiran didesa Lalang. Didalam pendataan kepala Desa Lalang juga menelusuri angka kelahiran di setiap dusun, agar data setiap bulan bisa diserahkan kekantor Dinas Catatan Sipil. II. TEORITIS A. Data Mining Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik-teknik, metode-metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses Knowledge Discovery in Database (KDD) secara keseluruhan []. Menurut Gartner Group, data mining adalah proses menemukan hubungan baru yang mempunyai arti, pola dan kebiasaan dengan memilah-milah sebagian besar data yang disimpan dalam media penyimpanan dengan menggunakan teknologi pengenalan pola seperti teknik statistik dan matematika. Data mining merupakan gabungan dari beberapa disiplin ilmu yang menyatukan teknik dari pembelajaran mesin,pengenalan pola, statistik, database, dan visualisasi untuk penanganan permasalahan pengambilan informasi dari database yang besar []. Data mining menurut David Hand, Heikki Mannila, dan Padhraic Smyth dari MIT adalah analisa terhadap data (biasanya data yang berukuran besar) untuk menemukan hubungan yang jelas serta menyimpulkannya yang belum diketahui sebelumnya dengan cara terkini dipahami dan berguna bagi pemilik data tersebut []. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Data mining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual []. Dari definisi-definisi yang telah disampaikan, hal penting yang terkait dengan data mining menurut Gartner Group [] :. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada. 4

2 . Data yang akan diproses merupakan data yang sangat besar.. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat. Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu :. Description (Deskripsi) Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan.. Estimation (Estimasi) Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh yaitu estimasi nilai indeks prestasi kumulatif mahasiswa program pasca sarjana dengan melihat nilai indeks prestasi mahasiswa tersebut pada saat mengikuti program sarjana.. Prediction (Prediksi) Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada dimasa mendatang.contoh prediksi dalam bisnis dan penelitian adalah : a. Prediksi harga beras dalam tiga bulan yang akan datang. b. Prediksi tingkat penganguran lima tahun akan datang. c. Predisksi persentase kanaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan dinaikan. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.. Classification (Klasifikasi) Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.contoh lain klasifikasi dalam bisnis dan penelitian adalah : a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan. b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk. c. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk penyakit apa.. Clustering (Pengklusteran) Pengklusteranmerupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal.contoh pengklusteran dalam bisnis dan penelitian adalah : a. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari suatu produk bagi perusahaan yang tidak memiliki dana pemasaran yang besar. b. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap perilaku finansial dalam baik dan mencurigakan. c. Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam jumlah besar.. Association (Asosiasi) Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.contoh asosiasi dalam bisnis dan penelitian adalah : a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respons positif terhadap penawaran upgrade layanan yang diberikan. b. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan. B. Algoritma Naïve Bayes Algoritma Naive Bayes Clasifier merupakan salah satu algoritma yang terdapat pada teknik klasifikasi. Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman dimasa sebelumnya sehingga dikenal sebagai Teorema Bayes. Teorema tersebut dikombinasikan dengan Naive dimana diasumsikan kondisi antar atribut saling bebas. Klasifikasi Naive Bayes diasumsikan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ada hubungannya dengan ciri dari kelas lainnya. Persamaan dari teorema Bayes adalah [] : P(H X)= P(X H).P(H) P(X) 4

3 : X : Sampel data yang memiliki kelas (label) yang tidak diketahui H : Hipotesa bahwa X adalah data kelas (label) P(H) : Peluang dari hipotesa H P(X) : Peluang dari data sampel yang diamati P(X H) : Peluang dari data sampel X bila diasumsikan bahwa hipotesa benar Sehingga Naïve Bayesian Clasifier dapat didefinisikan juga sebagai metode klasifikasi yang berdasarkan teori probabilitas dan teorema bayesian dengan asumsi bahwa setiap variabel atauparameter penentu keputusan bersifat bebas (independence) sehingga keberadaan setiap variabel tidak ada kaitannya dengan keberadaan atribut yang lain. Adapun alur dari metode Naive Bayes adalah sebagai berikut:. Menghitung Nilai Peluang Kasus Baru Dari Setiap Hipotesa dengan Klas (Label) yang ada "P(XK Ci)". Menghitung Nilai Akumulasi Peluang Dari Setiap Klas "P(X Ci)". Menghitung Nilai P(X Ci) x P(Ci) 4. Menentukan Klas dari Kasus baru tersebut C. Angka Kelahiran Angka kelahiran menurut umur (Age Specific Fertility Rate/ASFR) adalah menunjukkan banyaknya kelahiran 000 perempuan [4]. ASFR merupakan indikator kelahiran yang memperhitungkan perbedaan fertilitas dari perempuan yang terpapar untuk melahirkan yaitu perempuan usia subur dengan memperhatikan karakteristik kelompok umurnya. Secara alamiah potensi (fekunditas) perempuan untuk melahirkan berbeda menurut umur, dan menjadi alami setelah usia 49 tahun. Secara sosial ada kecenderungan bahwa saat ini perempuan ingin membatasi jumlah anak setelah umur 5 tahun. Pengetahuan mengenai ASFR akan berguna untuk pelaksanaan program KB dan peningkatan pelayanan kesehatan Ibu dan Anak. Indikator ASFR merupakan data dasar untuk mengembangkan proyeksi penduduk, untuk mengetahui jumlah penduduk menurut umur dan jenis kelamin dimasa yang akan datang. Hasil proyeksi penduduk merupakan basis data untuk perencanaan pembangunan manusia di tahun-tahun mendatang. Menurut Mulyadi, Kelahiran merupakan hasil reproduksi yang nyata dari seorang wanita atau sekelompok wanita. Dengan kata lain fertilitas ini menyangkut banyaknya bayi yang lahir hidup. Fertilitas dalam pengertian demografi adalah kemampuan riil seorang wanita untuk melahirkan, yang dicerminkan dalam jumlah bayi yang dilahirkan. Tingkat kelahiran (fertilitas) ditentukan oleh jumlah penduduk wanita yang berada pada usia reproduksi. Semakin banyak jumlah penduduk wanita usia reproduksi, maka diasumsikan jumlah kelahiran semakin banyak pula. Pengukuran kelahiran lebih kompleks dibandingkan dengan pengukuran mortalitas, karena seorang perempuan hanya meninggal satu kali, tetapi ia dapat melahirkan lebih dari seorang bayi. Disamping itu seorang yang meninggal pada hari dan waktu tertentu, berarti mulai saat itu orang tersebut tidak mempunyai resiko kematian lagi. Sebaliknya seorang perempuan yang telah melahirkan seorang anak tidak berarti mengalami resiko melahirkan dari perempuan tersebut menurun. Kompleksnya pengukuran fertilitas karena melibatkan dua orang (suami dan istri), sedangkan kematian hanya melibatkan satu orang saja yang meninggal. Data angka kelahiran menjadi peluang pasar diindonesia. Tiap tahun, angka kelahiran meningkat,49 persen. III. ANALISA Dalam penelitian skripsi ini akan di cari nilai peluang kasus baru dari setiap hipotesa dengan kelas (label) yang ada hubungannya dengan Angka Kelahiran. Dalam menentukan Angka kelahiran yang akan diprediksi adalah dengan mengumpulkan data data penduduk yang sudah didata sebelumnya. Untuk mengatasi permasalahan dalam memprediksi angka kelahiran untuk tahun 07 diperlukan suatu alat analisis bagi kantor kepala desa untuk mengetahui tingkat tinggi atau rendahnya angka kelahiran pada setiap dusun khususnya pada desa lalang. Maka, metode klasifikasi mampu menemukan model yang membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Oleh sebab itu, algoritma naive bayes dapat memprediksi peluang di masa depan berdasarkan pengalaman dimasa sebelumnya. Sehingga dapat mengetahui tinggi atau rendahnya angka kelahiran pada suatu desa. Tabel. Data Kependudukan Desa Lalang lh Penduduk Klasifikasi Total Jumlah Angka Angka Penduduk Pernikahan Lk Pr Kelahiran Berdikari Merdeka Pekan Pengajian Barat Timur Lama Baru Sono Pandau Palas B. Klasifikasi Dari Kasus Baru Berdasarkan tabel di atas dapat dihitung klasifikasi data angka kelahiran apabila diberikan input berupa total jumlah kelahiran, angka pernikahan, dan angka kelahiran menggunakan algoritma Naive Bayes. Apabila diberikan input data baru, maka prediksi angka kelahiran dapat ditentukan melalui langkah berikut:. Memprediksi Angka Kelahiran Pada BERDIKARI. Kriteria Kriteria Kriteria 4

4 Berdikari P(Kriteria = Di bawah 5 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 5 Klasifikasi = P(Kriteria =9/0= 0,9 P(Kriteria = Di bawah 9 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di Atas 9 Klasifikasi = P(Kriteria = 9/0= 0,9 P(Kriteria = Di bawah Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas Klasifikasi = P(Kriteria = 8/0= 0,8 P(X Klasifikasi = = 0, x 0, x 0, = 0,00 P(X Klasifikasi = = 0,9 x 0,69 x 0,8 = 0,648 (P(X Klasifikasi = x P(Klasifikasi = 0,648 x 4/0 = 0,59 (P(X Klasifikasi = x P(Klasifikasi = 0,00 x 6/0 = 0,00 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0.59 banding 0,00, Berdika ri Memprediksi Angka Kelahiran Pada MERDEKA. Kriteria Kriteria Kriteria Merdeka P(Kriteria = Di bawah 75 Klasifikasi = P(Kriteria = 5/0 = 0,5 P(Kriteria = Di atas 75 Klasifikasi = P(Kriteria =5/0= 0,5 P(Kriteria = Di bawah 7 Klasifikasi = P(Kriteria = 5/0 = 0,5 P(Kriteria = Di Atas 7 Klasifikasi = P(Kriteria = 5/0= 0,5 P(Kriteria = Di bawah 8 Klasifikasi = P(Kriteria = 5/0 = 0,5 P(Kriteria = Di atas 8 Klasifikasi = P(Kriteria = 5/0= 0,5 P(X Klasifikasi = = 0,5 x 0,5 x 0,5 = 0,5 P(X Klasifikasi = = 0,5 x 0,5 x 0,5 = 0,5 (P(X Klasifikasi = x P(Klasifikasi = 0,5 x 4/0 = 0,05 (P(X Klasifikasi = x P(Klasifikasi = 0,5 x 6/0 = 0,075 Berdasarkan perhitungan akhir dengan mengalikan nilai peluang dari kasus yang di angkat, kita melihat bahwa nilai P(X = ) lebih tinggi dari P(X = ) = banding 0,05, Merdeka Dibawa h Memprediksi Angka Kelahiran Pada PEKAN. Kriteria Kriteria Kriteria Pekan P(Kriteria = Di bawah 69 Klasifikasi = P(Kriteria = 4/0 = 0,4 P(Kriteria = Di atas 69 Klasifikasi = P(Kriteria =6/0= 0,6 P(Kriteria = Di bawah 5 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di Atas 5 Klasifikasi = P(Kriteria = 7/0= 0,7 44

5 P(Kriteria = Di bawah 4 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 4 Klasifikasi = P(Kriteria = 8/0= 0,8 P(X Klasifikasi = = 0,6 x 0,7 x 0,8 = 0,6 P(X Klasifikasi = = 0,4 x 0, x 0, = 0,04 (P(X Klasifikasi = x P(Klasifikasi = 0,6 x 4/0 = 0,44 (P(X Klasifikasi = x P(Klasifikasi = 0,04 x 6/0 = 0,044 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0,44 banding 0,044, Pekan Memprediksi Angka Kelahiran Pada PENGAJIAN. Kriteria Kriteria Kriteria Pengajian P(Kriteria = Di bawah 996 Klasifikasi = P(Kriteria = 9/0 = 0,9 P(Kriteria = Di atas 996 Klasifikasi = P(Kriteria =/0= 0, P(Kriteria = Di bawah 9 Klasifikasi = P(Kriteria = 6/0 = 0,6 P(Kriteria = Di Atas 9 Klasifikasi = P(Kriteria = 4/0= 0,4 P(Kriteria = Di bawah 0 Klasifikasi = P(Kriteria = 6/0 = 0,6 P(Kriteria = Di atas 0 Klasifikasi = P(Kriteria = 4/0= 0,4 P(X Klasifikasi = = 0, x 0,4 x 0,4 = 0,06 P(X Klasifikasi = = 0,9 x 0,6 x 0,4 = 0,6 (P(X Klasifikasi = x P(Klasifikasi = 0,06 x 4/0 = 0,064 (P(X Klasifikasi = x P(Klasifikasi = 0,6 x 6/0 = 0,96 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0.96 banding 0,064, Pengaji an Dibawa h 9 9 Dibawa h 0 0 Ketera ngan 5. Memprediksi Angka Kelahiran Pada MESJID BARAT. Kriteria Kriteria Kriteria Barat P(Kriteria = Di bawah 75 Klasifikasi = P(Kriteria = 5/0 = 0,5 P(Kriteria = Di atas 75 Klasifikasi = P(Kriteria =5/0= 0,5 P(Kriteria = Di bawah 6 Klasifikasi = P(Kriteria = 4/0 = 0,4 P(Kriteria = Di Atas 6 Klasifikasi = P(Kriteria = 6/0= 0,6 P(Kriteria = Di bawah 7 Klasifikasi = P(Kriteria = 4/0 = 0,4 P(Kriteria = Di atas 7 Klasifikasi = P(Kriteria = 6/0= 0,6 P(X Klasifikasi = = 0,5 x 0,6 x 0,6 = 0,8 P(X Klasifikasi = = 0,5 x 0,4 x 0,4 = 0,08 (P(X Klasifikasi = x P(Klasifikasi = 0,8 x 4/0 = 0,07 (P(X Klasifikasi = x P(Klasifikasi 45

6 = 0,08 x 6/0 = 0,048 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0,07 banding 0,048, Barat Memprediksi Angka Kelahiran Pada MESJID TIMUR. Kriteria Kriteria Kriteria Timur P(Kriteria = Di bawah 48 Klasifikasi = P(Kriteria = 0/0 = 0 P(Kriteria = Di atas 48 Klasifikasi = P(Kriteria =0/0= P(Kriteria = Di bawah Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di Atas 9 Klasifikasi = P(Kriteria = 9/0= 0,9 P(Kriteria = Di bawah 5 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 5 Klasifikasi = P(Kriteria = 7/0= 0,7 P(X Klasifikasi = = x 0,9 x 0,7 = 0,6 P(X Klasifikasi = = 0 x x 0,= 0 (P(X Klasifikasi = x P(Klasifikasi = Angka Kelahiran ) = 0,6 x 4/0 = 0,5 (P(X Klasifikasi = x P(Klasifikasi= Angka Kelahiran ) = 0 x 6/0 = 0 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0.96 banding 0,064, Timur Memprediksi Angka Kelahiran Pada TASAK LAMA. Kriteria Kriteria Kriteria Lama P(Kriteria = Di bawah 77 Klasifikasi = P(Kriteria = 7/0 = 0,7 P(Kriteria = Di atas 77 Klasifikasi = P(Kriteria =/0= 0, P(Kriteria = Di bawah Klasifikasi = P(Kriteria = 8/0 = 0,8 P(Kriteria = Di Atas Klasifikasi = P(Kriteria = /0= 0, P(Kriteria = Di bawah Klasifikasi = P(Kriteria = 7/0 = 0,7 P(Kriteria = Di atas Klasifikasi = P(Kriteria = /0= 0, P(X Klasifikasi = = 0, x 0, x 0, = 0,08 P(X Klasifikasi = = 0,7 x 0,8 x 0,7 = 0,9 (P(X Klasifikasi = x P(Klasifikasi = 0,08 x 4/0 = 0,07 (P(X Klasifikasi = x P(Klasifikasi = 0,9 x 6/0 = 0,5 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0.5 banding 0,07, lama Memprediksi Angka Kelahiran Pada TASAK BARU. Kriteria Kriteria Kriteria 46

7 baru P(Kriteria = Di bawah 56 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 56 Klasifikasi = P(Kriteria =8/0= 0,8 P(Kriteria = Di bawah 0 Klasifikasi = P(Kriteria = 7/0 = 0,7 P(Kriteria = Di atas 0 Klasifikasi = P(Kriteria = /0= 0, P(Kriteria = Di bawah 5 Klasifikasi = P(Kriteria = 8/0 = 0,8 P(Kriteria = Di atas 5 Klasifikasi = P(Kriteria = /0= 0, P(X Klasifikasi = = 0,8 x 0, x 0, = 0,048 P(X Klasifikasi = = 0, x 0,7 x 0,8= 0, (P(X Klasifikasi = x P(Klasifikasi = 0,048 x 4/0 = 0,09 (P(X Klasifikasi = x P(Klasifikasi = 0, x 6/0 = 0,067 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0,067 banding 0,09, baru Memprediksi Angka Kelahiran Pada SONO. Kriteria Kriteria Kriteria Sono P(Kriteria = Di bawah 99 Klasifikasi = P(Kriteria = 8/0 = 0,8 P(Kriteria = Di atas 99 Klasifikasi = P(Kriteria =/0= 0, P(Kriteria = Di bawah 6 Klasifikasi = P(Kriteria = 9/0 = 0,9 P(Kriteria = Di atas 6 Klasifikasi = P(Kriteria = /0= 0, P(Kriteria = Di bawah 0 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 0 Klasifikasi = P(Kriteria = 9/0= 0,9 P(X Klasifikasi = = 0, x 0, x 0,9 = 0,08 P(X Klasifikasi = = 0,8 x 0,9 x 0,= 0,07 (P(X Klasifikasi = x P(Klasifikasi = 0,08x 4/0 = 0,007 (P(X Klasifikasi = x P(Klasifikasi = 0, 07 x 6/0 = 0,04 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0,04 banding 0,007, Sono Memprediksi Angka Kelahiran Pada PANDAU PALAS. Kriteria Kriteria Kriteria Pandau Palas P(Kriteria = Di bawah 67 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 67 Klasifikasi = P(Kriteria =7/0= 0,7 P(Kriteria = Di bawah Klasifikasi = P(Kriteria = /0 = 0, 47

8 P(Kriteria = Di atas Klasifikasi = P(Kriteria = 9/0= 0,9 P(Kriteria = Di bawah 8 Klasifikasi = P(Kriteria = 0/0 = 0 P(Kriteria = Di atas 8 Klasifikasi = P(Kriteria = 0/0= P(X Klasifikasi = = 0,7 x 0,9 x = 0,6 P(X Klasifikasi = = 0, x 0, x 0= 0 (P(X Klasifikasi = x P(Klasifikasi = 0,6 x 4/0 = 0,5 (P(X Klasifikasi = x P(Klasifikasi = 0 x 6/0 = 0 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0,5 banding 0,. Penentuan data training dapat mempengaruhi hasil pengujian, karena pola dari data training tersebut akan dijadikan sebagai rule untuk menentukan kelas pada data kependudukan. Sehingga tinggi atau rendah tingkat akurasi yang di dapat dipengaruhi oleh penentuan data training. REFERENCES [] Kennedi Tampubolon, Hoga Saragih, Bobby Reza, "Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan," Informasi dan Teknologi Ilmiah (INTI), vol. Volume : I, pp. 9-06, 0. [] Yuli Mardi, "Data Mining : Klasifikasi Menggunakan Algoritma C4.5," Jurnal Edik Informatika, pp. -9. [] Minarni, Firman Aldyanto, "Prediksi Jumlah Produksi Roti Menggunakan Metode Logika Fuzzy," Jurnal TEKNOIF, vol. 4, pp , Oktober 06. [4] Windi Yohana Oktavia, Tri Sukirno Putro, and Lapeti Sari, "Pengaruh tingkat pendidikan, struktur umur dan kematian bayi terhadap fertilitas di Kota Pekanbaru," JOM FEKON, vol. Vol., pp. -5, Oktober 04. Pandau Palas Berdasarkan perhitungan diatas bahwa dapat disimpulkan angka kelahiran pada setiap dusun desa lalang adalah sebagai berikut. Tabel Hasil Pengujian Data Angka Kelahiran Angka Kelahiran Berdikari Merdeka Pekan Pengajian Barat Timur Lama Baru Sono Pandau Palas IV. KESIMPULAN Berdasarkan dari hasil analisa dan perancangan, implementasi dan pengujian yang telah di bahas pada bab-bab sebelumnya, maka penulis dapat menarik beberapa kesimpulan, yaitu:. Aplikasi data mining dengan algoritma naïve bayes ini dapat digunakan pada Kantor Kepala Desa Lalang.. Aplikasi data mining dengan algoritma naïve bayes ini dapat mempermudah pihak admini untuk melakukan evaluasi penentuan angka kelahiran 48