PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK ASAL SISWA SMA NEGERI DI KABUPATEN PRINGSEWU MENGGUNAKAN METODE NAÏVE BAYES.

Transkripsi

1 PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK ASAL SISWA SMA NEGERI DI KABUPATEN PRINGSEWU MENGGUNAKAN METODE NAÏVE BAYES (Skripsi) Oleh : RISKA APRILIA JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG 2017

2 ABSTRAK PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK ASAL SISWA SMA NEGERI DI KABUPATEN PRINGSEWU MENGGUNAKAN METODE NAÏVE BAYES Oleh RISKA APRILIA Jarak siswa dapat diketahui dari data asal siswa yang tersimpan. Asal siswa yang berbeda-beda akan menghasilkan jarak yang berbeda pula. Penelitian ini dilakukan untuk mengetahui klasifikasi jarak asal siswa yang tersimpan di SMA negeri di Kabupaten. Jarak asal siswa diklasifikasikan untuk mendapatkan lima class/kategori yaitu sangat dekat, dekat, sedang, cukup jauh, dan jauh dengan menggunakan atribut nomor, SMA, kabupaten, kecamatan, kelurahan, jarak, asal SMP, dan class. Klasifikasi dilakukan dengan menggunakan metode Naive Bayes dengan menggunakan tool Weka. Pembagian data training dan data testing yang berbeda sebanyak 20 kali pengujian menghasilkan akurasi Naïve Bayes tertinggi yaitu % pada pembagian data training 60% dan data testing 40%. Data asal siswa dan informasi hasil klasifikasi ditampilkan dalam bentuk peta digital yaitu peta sebaran asal siswa SMA negeri di Kabupaten. Kata Kunci: Klasifikasi, Naïve Bayes, Jarak Siswa, Sebaran Siswa

3 ABSTRACT DISTRIBUTION MAPPING OF STUDENTS ADDRESS AND CLASSIFICATION DISTANCE HIGH SCHOOL STUDENTS IN THE PRINGSEWU DISTRICT USING NAÏVE BAYES METHOD By RISKA APRILIA Distance students can be seen from the data stored student's address. Address high school students in the District have different distances. This research was conducted to determine the classification of the distance stored in high school students in the District. Distance students are classified to obtain five categories: sangat dekat, dekat, sedang, cukup jauh, and jauh by using eight attributes are nomor, SMA, kabupaten, kecamatan, kelurahan, jarak, asal SMP, and class. The classification performed by using Naive Bayes using Weka tool. Distribution of training data and testing data is different as much as 20 times of testing, resulting in the highest accuracy Naïve Bayes is % on distribution of 60% training data : 40% testing data. The data of students address and information classification results displayed in the form of digital map that is mapping of student s address in high school in the District. Keywords: Classification, Mapping Students, Naïve Bayes, Distance Students.

4 PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK ASAL SISWA SMA NEGERI DI KABUPATEN PRINGSEWU MENGGUNAKAN METODE NAÏVE BAYES Oleh : RISKA APRILIA Skripsi Sebagai Salah Satu Syarat untuk Memperoleh Gelar SARJANA KOMPUTER pada Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG 2017

5

6

7 PERNYATAAN Saya yang bertanda tangan di bawah ini, menyatakan bahwa skripsi saya yang berjudul Pemetaan Sebaran Asal Siswa dan Klasifikasi Jarak Asal Siswa SMA Negeri di Kabupaten Menggunakan Metode Naïve Bayes merupakan karya saya sendiri dan bukan karya orang lain. Semua tulisan yang tertuang di skripsi ini telah mengikuti kaidah penulisan karya ilmiah Universitas Lampung. Apabila dikemudian hari terbukti skripsi saya merupakan hasil penjiplakan atau dibuat orang lain, maka saya bersedia menerima sanksi berupa pencabutan gelar yang telah saya terima. Bandar Lampung, 2 Februari 2017 RISKA APRILIA NPM

8 RIWAYAT HIDUP Penulis dilahirkan pada tanggal 26 April 1994 di Gumukmas Kecamatan Pagelaran, Kabupaten sebagai anak kedua dari dua bersaudara dengan Ayah bernama Rinto Riyadi dan Ibu bernama Poniyati. Penulis menyelesaikan pendidikan formal di TK Dharma Wanita Gumukmas pada tahun 2000, kemudian melanjutkan pendidikan dasar di SD Negeri 1 Gumukmas dan selesai tahun Pendidikan menengah pertama diselesaikan di SMP Negeri 1 Pagelaran pada tahun 2009, kemudian melanjutkan ke pendidikan menengah atas di SMA Negeri 1 dan lulus di tahun Tahun 2012, penulis terdaftar sebagai mahasiswa Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Selama menjadi mahasiswa beberapa kegiatan yang dilakukan penulis antara lain: 1. Bulan Januari 2013 melaksanakan Karya Wisata Ilmiah di Desa Sukoharjo IV Kabupaten. 2. Tahun 2014 bergabung menjadi volunteer di Sahabat Pulau Lampung. 3. Bulan Januari 2015 melaksanakan kerja praktek di Badan Pusat Statistik (BPS) Kabupaten Pesawaran. 4. Bulan Juli 2015 melaksanakan Kuliah Kerja Nyata (KKN) di Desa Mekar Jaya Kecamatan Gunung Agung Kabupaten Tulang Bawang Barat.

9 PERSEMBAHAN Teruntuk Bapak Rinto Riyadi dan Ibu Poniyati yang sangat kucintai, kupersembahkan skripsi ini. Terimakasih untuk kasih sayang, perhatian, pengorbanan, usaha, dukungan moril maupun materi, motivasi dan do a-do a mu yang tak akan terbalaskan. Teruntuk Kakakku Rudianto Terikasih untuk kasih sayang, doa, pengorbanan, usaha, dukungan moril maupun materi senyum, dan kebersamaan yang tidak akan terlupakan.

10 MOTTO FA BIAYYI ALAA I RABBI KUMA TUKADZDZI BAN Maka nikmat Tuhanmu yang manakah yang kamu dustakan. (Q.S. Ar Rahman: 13) FAINNAMA AL USRI YUSRO. INNAMA AL USRI YUSRO Sesungguhnya bersama dengan kesulitan ada kemudahan. Bersama dengan kesulitan ada kemudahan. (Q.S.Al-Insyirah:6-7) Tak perlu menjelaskan dirimu kepada siapapun, karena yang menyukaimu tidak membutuhkannya, dan yang membencimu tidak akan mempercayainya (Ali Bin Abi Thalib)

11 SANWACANA Alhamdulillahirabbil alamin, puji syukur kehadirat Allah SWT atas berkat rahmat, hidayah, dan karunia-nya sehingga penulis dapat menyelesaikan skripsi ini. Skripsi ini disusun sebagai syarat untuk memperoleh gelar Sarjana Komputer di Jurusan Ilmu Komputer Universitas Lampung. Penyelesaian skripsi ini tidak terlepas dari bantuan banyak pihak yang membantu baik secara materi, moril, saran, dan bimbingan. Oleh karena itu, penulis mengucapkan terimakasih kepada: 1. Kedua orang tua tercinta, Bapak Rinto Riyadi dan Ibu Poniyati, serta Kakakku Rudianto yang selalu memberi dukungan berupa materi, doa, motivasi dan kasih sayang yang tak terhingga. 2. Bapak Dr. Ir. Kurnia Muludi, M.S.Sc., sebagai pembimbing utama, yang telah membimbing penulis dan memberikan ide, kritik serta saran sehingga penulisan skripsi ini dapat diselesaikan. 3. Bapak Aristoteles, S.Si., M.Si., sebagai pembimbing kedua, yang telah membimbing penulis dan memberikan bantuan, kritik serta saran dalam pembuatan skripsi ini. 4. Bapak Rico Andrian, S.Si., M.Kom., sebagai pembahas, yang telah memberikan masukan yang bermanfaat dalam perbaikan skripsi ini. 5. Bapak Prof. Warsito, S.Si., D.E.A., Ph.D., selaku Dekan FMIPA Universitas Lampung. 6. Bapak Dr. Ir. Kurnia Muludi, M.S.Sc., selaku Ketua Jurusan Ilmu Komputer FMIPA Universitas Lampung sekaligus Pembimbing Akademik

12 selama penulis menjadi mahasiswa Ilmu Komputer dan Bapak Didik Kurniawan, S.Si.,MT., selaku Sekretaris Jurusan Ilmu Komputer FMIPA Universitas Lampung. 7. Bapak dan Ibu Dosen Jurusan Ilmu Komputer yang telah memberikan ilmu dan pengalaman dalam hidup untuk menjadi lebih baik. 8. Eko Ibrahim Ahmad yang selalu mendengarkan keluh, memberi motivasi doa, dan semangat, serta Fenti Visiamah dan Ana Rianti yang selalu memberikan semangat dan doa. 9. Winda, Eka, Mei, Lutfi, Aul, dan teman KKN (Mona, Guntur, Khorik, Citra, Gio, Iko) yang telah memberi doa dan semangat. 10. Kawan seperjuangan: Nafi, Erlina, Anita, Qonitati, Yuni, Maya, Puja, Nila, Cindona, Ciwo, Taqiya, Dian, Afriska, Nurul, Erika, Haryati, Indah, Lia, Deby, Qiqin, Roni, Dipa, Juan, Shandy, Abet, Moko, Bintang, Ridwan dan seluruh keluarga besar Ilmu Komputer Teman-teman Sahabat Pulau Lampung. 12. Ibu Ade Nora Maela dan Mas Irsan yang telah membantu segala urusan administrasi, dan Mas Nurhollis yang telah menyiapkan ruang seminar selama penulis kuliah di Jurusan Ilmu Komputer. Penulis menyadari bahwa laporan ini masih jauh dari kata sempurna. Secara pribadi penulis mohon maaf yang sebesar-besarnya atas segala kekurangannya. Besar harapan agar skripsi ini dapat berguna bagi penulis dan semua pembacanya Bandar Lampung, 2 Februari 2017 Penulis Riska Aprilia

13 xii DAFTAR ISI Halaman DAFTAR ISI... xii DAFTAR GAMBAR...xiv DAFTAR TABEL... xv BAB I PENDAHULUAN 1.1 Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Manfaat 4 BAB II TINJAUAN PUSTAKA 2.1 Klasifikasi Komponen Klasifikasi Kerangka Klasifikasi Probabiitas Data Probabilitas Naïve Bayes Perhitungan Naïve Bayes Pengukuran Kinerja Jarak...14 BAB III METODOLOGI PENELITIAN

14 xiii 3.1 Metode Penelitian Waktu dan Tempat Penelitian Tahap Penelitian Pengukuran Kinerja Algoritma Klasifikasi Analisis Hasil Pengujian Visualisasi Data...27 BAB IV HASIL DAN PEMBAHASAN 4.1 Pra-proses Klasifikasi Pembagian Data Training dan Data Testing Format Klasifikasi Proses Klasifikasi Klasifikasi dengan Naïve Bayes Pengukuran Kinerja Algoritma Pra-proses Visualisasi Data Visualisasi Data Visualisasi Jarak Asal Siswa SMA Negeri di Kabupaten Pembahasan...44 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Saran 46 DAFTAR PUSTAKA 48 LAMPIRAN

15 xiv DAFTAR GAMBAR Halaman Gambar 2.1 Proses Klasifikasi... 7 Gambar 3.1 Diagram Alir Penelitian Gambar 4.1 Proses Perapihan Data Asal Siswa SMAN 1 Gadingrejo Gambar 4.2 Data Training Format.csv Gambar 4.3 Data Training Format.arff Gambar 4.4 Rata-rata akurasi dengan Naïve Bayes Gambar 4.5 Rata-Rata Presentase Precision dan Recall metode Naïve Bayes untuk Class Jauh Gambar 4.6 Data Sebelum Visualisasi Gambar 4.7 Visualisasi Data dengan Quantum Gis Gambar 4.8 Visualisasi Hasil Klasifikasi dengan Naïve Bayes Gambar 4.9 Perbedaan Warna Visualisasi Perbedaan Hasil Klasifikasi dengan Naïve Bayes Gambar 4.10 Contoh Visualisasi Hasil Klasifikasi dengan Naïve Bayes pada Satu Point... 43

16 xv DAFTAR TABEL Halaman Tabel 1.1 Banyaknya Murid SMA Dirinci Menurut Jenis Kelamin Per Kecamatan di Kabupaten Tahun Tabel 2.1 Confusion Matrix Tabel 2.2 Kategori Jarak Jangkauan dan Waktu Tempuh Tabel 3.1 SMA Negeri di Kabupaten Tabel 3.2 Atribut Klasifikasi Tabel 3.3 Data Training Tabel 3.4 Hasil Perhitungan Mean dan Standar Deviasi, dan Densitas Gauss jarak siswa Tabel 3.5 Hasil Perhitungan Mean dan Standar deviasi, dan Densitas Gauss jarak no siswa Tabel 3.6 Probabilitas dari setiap class untuk atribut data diskrit Tabel 4.1 Data SMAN 1 Gadingrejo Sebelum Pra-proses Tabel 4.2 Data SMAN 1 Gadingrejo Setelah Pra-proses Tabel 4.3 Rincian Jumlah Perubahan Data Tabel 4.4 Contoh Data yang Mempunyai Missing Value Tabel 4.5 Akurasi Hasil Pengujian Setiap Percobaan dengan Naïve Bayes.. 34 Tabel 4.6 Confusion Matrix Klasifikasi Jarak Siswa dengan Metode Naïve Bayes pada pembagian data training:testing 60:40 pada pengujian ke Tabel 4.7 Confusion Matrix Klasifikasi Jarak untuk Menghitung Precision, Recall, dan Akurasi pada pembagian data training:testing 60:40 pada pengujian ke-20 dengan Metode Naïve Bayes Tabel 4.8 Rata-Rata Presentase Nilai Precision dan Recall Naïve Bayes untuk Class Jauh... 39

17 1 BAB I PENDAHULUAN 1.1 Latar Belakang merupakan kabupaten baru hasil pemekaran dari Kabupaten Tanggamus yang disahkan pada tanggal 3 April Kabupaten mempunyai 262 SD, 25 SMP, 10 SMA, 3 SMK berstatus negeri dan 5 SD, 32 SMP, 11 SMA, 25 SMK berstatus swasta (Tim BPS, 2015). Jumlah SMA yang sedikit berpeluang mempunyai siswa dari berbagai daerah di kecamatan yang ada di Kabupaten. Banyak siswa di Kabupaten untuk Sekolah Menengah Atas ditunjukkan oleh Tabel 1.1 berikut. Tabel 1.1 Banyaknya Murid SMA Dirinci Menurut Jenis Kelamin Per Kecamatan di Kabupaten Tahun 2015 Banyaknya Murid No Kecamatan Negeri Swasta Jumlah Laki-laki Perempuan Laki-Laki Perempuan 1 Pardasuka Ambarawa Pagelaran Pagelaran Utara Gadingrejo Sukoharjo Banyumas Adiluwih Jumlah Sumber: Tim BPS, 2015

18 2 Berdasarkan Tabel 1.1, terlihat siswa SMA negeri berjumlah 5747 dan siswa SMA swasta berjumlah Data tersebut menunjukkan bahwa siswa di Kabupaten lebih cenderung memilih SMA berstatus negeri meskipun siswa harus menempuh jarak yang jauh. Jarak siswa dapat diketahui dari data asal siswa yang tersimpan. Asal siswa yang berbeda-beda akan menghasilkan jarak yang berbeda pula. Data tersebut dapat menunjukkan kepopuleran sekolah. Data jarak siswa akan dijadikan salah satu atribut untuk klasifikasi jarak asal siswa SMA negeri di Kabupaten, seperti penelitian Satoto dan Yasid (2015) tentang aplikasi sales report untuk klasifikasi area penjualan menggunakan K-Nearest Neighbor dan Naive Bayes berbasis android. Menggunakan jarak sebagai salah satu atribut dan menghasilkan akurasi sebesar 86%. Penelitian yang akan dilakukan diharapkan dapat mengklasifikasikan jarak asal siswa dengan menggunakan Naive Bayes. Klasifikasi jarak asal siswa SMA negeri di Kabupaten dilakukan untuk mendapatkan lima class yaitu sangat dekat, dekat, sedang, cukup jauh, dan jauh. Selain itu, data asal siswa akan divisualisasikan dalam bentuk peta digital seperti penelitian Rodiyansyah dan Winarko (2013) ten tang klasifikasi posting twitter kemacetan lalu lintas kota Bandung menggunakan Naive Bayesian Classification. Penelitian tersebut melakukan klasifikasi posting twitter kemudian data divisualisasikan pada peta kota Bandung. Data yang ditampilkan di peta adalah data jumlah tweet yang mengandung informasi kemacetan di suatu jalan. Visualisasi data yang akan dilakukan bertujuan untuk melihat sebaran asal siswa

19 3 SMA negeri di Kabupaten. Selain itu, hasil klasifikasi menggunakan Naïve Bayes akan ditambahkan sebagai informasi pada peta sebaran asal siswa. Hasil penelitian diharapkan dapat membantu pihak sekolah dalam mengambil keputusan dan dapat digunakan sebagai penunjuk bagi pihak pemerintah kota dalam pemenuhan dan perbaikan sarana dan prasarana seperti kondisi jalan, pemerataan sekolah, dan tersedianya transportasi. 1.2 Rumusan Masalah Berdasarkan latar belakang di atas rumusan masalah dalam penelitian ini adalah Bagaimana mengklasifikasikan jarak siswa di masing-masing SMA Negeri di Kabupaten? 1.3 Batasan Masalah Batasan masalah dari sistem ini adalah sebagai berikut. 1. Klasifikasi jarak asal siswa dilakukan menggunakan Metode Naïve Bayes. 2. Data siswa untuk klasifikasi adalah data siswa kelas XII tahun ajaran 2013/2014, 2014/2015, dan 2015/ Tujuan Penelitian Tujuan penelitian ini adalah sebagai berikut. 1. Mengklasifikasikan jarak asal siswa di setiap SMA negeri di Kabupaten dengan menggunakan metode Naive Bayes. 2. Visualisasi data asal siswa dalam bentuk peta digital.

20 4 1.5 Manfaat Penelitian Manfaat yang dapat diperoleh dari penelitian ini adalah sebagai berikut. 1. Mengetahui kategori jarak siswa di setiap SMA negeri di Kabupaten. 2. Membantu pihak sekolah dan pemerintah kota dalam pengambilan keputusan.

21 5 BAB II TINJAUAN PUSTAKA 2.1 Klasifikasi Classification adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau class data, dengan tujuan untuk dapat memperkirakan class dari suatu objek yang labelnya tidak diketahui (Han dkk., 2011). Klasifikasi merupakan fungsi pembelajaran yang memetakan (mengklasifikasi) sebuah unsur (item) data ke dalam salah satu dari beberapa class yang sudah didefinisikan. Data input untuk klasifikasi adalah koleksi dari record. Setiap record dikenal sebagai instance atau contoh yang ditentukan oleh sebuah tuple (x,y), dimana x adalah himpunan atribut dan y adalah atribut tertentu, yang dinyatakan sebagai label class (juga dikenal sebagai kategori atau atribut target) (Andri dkk., 2013) Komponen Klasifikasi Klasifikasi data terdiri dari dua langkah proses, yang pertama adalah proses learning (fase training) dimana algoritma klasifikasi dibuat untuk menganalisa data training lalu direpresentasikan dalam bentuk rule klasifikasi, proses kedua adalah klasifikasi dimana data tes digunakan untuk memperkirakan akurasi dari rule klasifikasi (Niswanti, 2015)

22 6 Klasifikasi adalah algoritma yang menggunakan data dengan target ( class/label) yang berupa nilai kategorikal/nominal. Proses klasifikasi didasarkan pada empat komponen mendasar (Gorunescu, 2011), yaitu: 1. Kelas (Class) Variabel dependen dari model, merupakan variabel kategorikal yang merepresentasikan label pada objek setelah klasifikasinya. Contoh: adanya kelas penyakit jantung, loyalitas pelanggan, dan kelas gempa bumi (badai). 2. Prediktor (Predictor) Variabel independen dari model, direpresentasikan oleh karakteristik (atribut) dari data yang akan diklasifikasikan dan berdasarkan klasifikasi yang telah dibuat. Contoh: tekanan darah, status perkawinan, catatan geologi yang spesifik, kecepatan dan arah angin, musim, dan lokasi terjadinya fenomena. 3. Pelatihan dataset (Training dataset) Kumpulan data yang berisi nilai-nilai dari kedua komponen sebelumnya dan digunakan untuk melatih model dalam mengenali class yang cocok/sesuai, berdasarkan prediktor yang tersedia. Contoh: kelompok pasien yang diuji pada serangan jantung, kelompok pelanggan supermarket (diselidiki oleh intern dengan jajak pendapat), database yang berisi gambar untuk monitoring teleskopik dan pelacakan objek astronomi, database badai. 4. Dataset Pengujian (Testing Dataset) Berisi data baru yang akan diklasifikasikan oleh ( classifier) model yang telah dibangun di atas sehingga akurasi klasifikasi ( model performance) dapat dievaluasi.

23 Kerangka Klasifikasi Kerangka kerja (framework) klasifikasi ditunjukkan pada Gambar 2.1. Disediakan sejumlah data latih (x,y) untuk digunakan sebagai data pembangun model. Model tersebut kemudian digunakan untuk memprediksi class dari data uji (x,y), sehingga diketahui class yang sesungguhnya. Masukan Data Latih (x,y) Algoritma Pelatihan Pembangunan Model Masukan Data Uji (x,?) Penerapan Model Keluaran Data Uji (x,y) Gambar 2.1 Proses Klasifikasi (Afriana, 2014) Model yang sudah dibangun pada saat pelatihan dapat digunakan untuk memprediksi label class baru yang belum diketahui. Dalam pembangunan model selama pelatihan diperlukan suatu algoritma untuk membangunnya, yang disebut algoritma pelatihan. Ada banyak algoritma pelatihan yang sudah dikembangkan oleh para peneliti, Setiap algoritma mempunyai kelebihan dan kekurangan, tetapi semua algoritma berprinsip sama, yaitu melakukan suatu pelatihan sehingga di akhir pelatihan, model dapat memetakan (memprediksi) setiap vektor masukan ke label class keluaran dengan benar.

24 8 2.2 Probabilitas Probabilitas adalah suatu nilai yang digunakan untuk mengukur tingkat terjadinya suatu kejadian yang acak. Probabilitas dapat diartikan pula sebagai hasil banyaknya peristiwa yang dimaksud dengan seluruh peristiwa yang mungkin. Dirumuskan: dengan: ( )= probabilitas terjadinya peristiwa A ( )= jumlah peristiwa A ( )= jumlah peristiwa yang mungkin ( ) = ( ).. (1) ( ) Nilai probabilitas berkisar antara 0 dan 1. Semakin dekat nilai probabilitas, ke nilai 0, semakin kecil kemungkinan suatu kejadian akan terjadi. Sebaliknya, Semakin dekat nilai probabilitas, ke nilai 1, semakin besar kemungkinan suatu kejadian akan terjadi (Supranto, 2000) Data Probabilitas Salah satu jenis data adalah data kuantitatif yan terdiri dari data diskrit dan data kontinu (Budiarto, 2001). - Data diskrit adalah data yang diperoleh dari hasil perhitungan atau membilang (bukan mengukur) hingga hasilnya selalu positif dan dapat dipisahkan satu dengan yang lain secara jelas. Data diskrit digunakan untuk mengklasifikasikan (menggolongkan) objek - objek amatan atau kejadian-kejadian dalam kelompok, kategori atau klasifikasi tertentu dengan jalan menghitung untuk menunjukan kesamaan atau perbedaan ciri-ciri tertentu dari objek. Contoh: Jumlah siswa laki-laki dan perempuan,

25 9 jumlah responden yang menjawab ya atau tidak, pengelompokan bunga berdasarkan warnanya. - Data kontinu adalah data yang dihasilkan dari pengukuran dapat berupa bilangan desimal atau bilangan bulat. Misalnya, data skor tes, hasil pengukuran tinggi badan seseorang, luas daerah A sebesar 425,7 km, kecepatan mobil 60/km jam, dan sebagainya. Apabila unsur probabilitas adalah diskrit maka mengunakan istilah fungsi massa. Apabila unsur probabilitas adalah kontinu maka mengunakan istilah fungsi Densitas (Naga, 2008). 2.3 Naïve Bayes Naïve Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Algoritma ini mengasumsikan semua atribut independen atau tidak saling ketergantungan yang diberikan oleh nilai pada variabel class. Pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya. Naïve Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara kondisional saling bebas jika diberikan nilai output (Ridwan dkk., 2013). Keuntungan penggunan Naïve Bayes adalah hanya membutuhkan jumlah data pelatihan ( training data) yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian ( Satoto dan Yasid, 2015). Selain itu,

26 10 Naïve Bayes merupakan salah satu algoritma klasifikasi yang sederhana namun memiliki kemampuan dan akurasi tinggi (Rodiyansyah dan Winarko, 2013). Persamaan dari teorema Bayes adalah ( ) = ( ) ( ) ( ).. (2) (Kusrini dan Luthfi, 2009) Di mana: : Data dengan class yang belum diketahui. : Hipotesis data merupakan suatu class spesifik. ( ): Probabilitas hipotesis H berdasarkan kondisi X (posterior probabilitas). ( ): Probabilitas hipotesis H (prior probabilitas) terjadi tanpa memandang bukti apapun. ( ): Probabilitas X berdasarkan kondisi pada hipotesis H. ( ): Probabilitas kondisi X (prior probabilitas) terjadi tanpa memandang kondisi yang lain. Ide dasar dari aturan Bayes adalah bahwa hasil dari hipotesis atau peristiwa (H) dapat diperkirakan berdasarkan pada beberapa bukti atau kondisi (X) yang diamati. Hal penting dari aturan Bayes (Afriana, 2014) adalah sebagai berikut. 1. Sebuah probabilitas awal/prior H atau P(H) adalah probabilitas dari suatu hipotesis sebelum bukti/kondisi diamati. 2. Sebuah probabilitas akhir/ posterior H atau P(H X) adalah probabilitas dari suatu hipotesis setelah bukti/kondisi diamati. Proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan class apa yang cocok bagi sampel yang dianalisis tersebut. Karena itu, metode Naive Bayes di atas disesuaikan sebagai berikut: ( 1 ) = ( ) ( ) ( )... (3)

27 11 Di mana Variabel C merepresentasikan class, sementara variabel F1... Fn merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel karakteristik tertentu dalam class C (Posterior) adalah peluang munculnya class C (sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan peluang kemunculan karakteristik-karakteristik sampel pada class C (disebut juga likelihood), dibagi dengan peluang kemunculan karakteristik - karakteristik sampel secara global (disebut juga evidence). Dapat pula ditulis secara sederhana sebagai berikut: = (4) Nilai Evidence selalu tetap untuk setiap class pada satu sampel. Nilai dari posterior tersebut nantinya akan dibandingkan dengan nilai-nilai posterior class lainnya untuk menentukan ke class apa suatu sampel akan diklasifikasikan (Saleh, 2015) Perhitungan Naïve Bayes Perhitungan Naïve Bayes memerlukan beberapa parameter sebagai berikut (Heksaputra, 2013). a. Mean Adapun persamaan yang digunakan untuk menghitung nilai rata rata ( mean) dapat dilihat sebagai berikut: =.. (5) atau = (6)

28 12 di mana: μ : rata rata hitung (mean) : nilai sample ke -i : jumlah sampel b. Standar Deviasi Persamaan untuk menghitung nilai simpangan baku (standar deviasi) dapat dilihat sebagai berikut: = ( )... (7) di mana: : standar deviasi : nilai x ke -i : rata-rata hitung n : jumlah sampel c. Densitas Gauss Persamaan fungsi Densitas Gauss: ( ) = ( ). (8) Keterangan : /Exp = 2, d. Menghitung Nilai Likelihood Dilakukan perhitungan menggunakan metode Naïve Bayes sebelum mengetahui hasil akhir, dengan menggunakan rumus likelihood. Persamaan likelihood : Di mana : ( ) = ( ) ( 1 ) ( ). (9) = nilai atribut dalam klasifikasi = class dalam klasifikasi

29 13 e. Normalisasi Nilai Probabilitas Berdasarkan perhitungan likelihood maka dapat diperoleh nilai probabilitas akhir sebagai berikut : ( ) = ( ) ( )..(10) 2.4 Pengukuran Kinerja Confusion matrix merupakan tabel pencatat hasil kerja klasifikasi. Confusion matrix melakukan pengujian untuk memperkirakan objek yang benar dan salah (Gorunescu, 2011). Dengan mengetahui jumlah data yang diklasifikasikan secara benar, dapat diketahui akurasi hasil prediksi dan dengan mengetahui jumlah data yang diklasifikasikan secara salah, dapat diketahui laju error dari prediksi yang dilakukan (Afriana, 2014). Akurasi dapat dihitung mengunakan persamaan: =..... (15) laju eror (kesalahan prediksi) dapat dihitung menggunakan persamaan: = (16) Tiap kolom pada matriks adalah contoh kelas prediksi, sedangkan tiap baris mewakili kejadian di kelas yang sebenarnya (Gorunescu, 2011). Confusion matrix berisi informasi aktual (actual) dan prediksi (predicted) pada sistem klasifikasi. Tabel 2.1 contoh tabel confusion matrix yang menunjukkan klasifikasi dua kelas.

30 14 Tabel 2.1 Confusion Matrix Actual Class Positive Negative Positive True positives count (TP) False positive count (FP) Predicted Class Negative False negatives count (FN) True negative count (TN) True positives adalah jumlah record positif yang diklasifikasikan sebagai positif, false positives adalah jumlah record positif yang diklasifikasikan sebagai negatif, false negatives adalah jumlah record negatif yang diklasifikasikan sebagai positif, true negatives adalah jumlah record negatif yang diklasifikasikan sebagai negatif, Data uji yang dimasukkan ke dalam confusion matrix, akan dihitung nilai-nilai recall, precision dan accuracy (Defiyanti, 2013). =..(17) =..(18) Precision (p) = jumlah sampel berkategori positif diklasifikasi benar dibagi dengan total sampel yang diklasifikasi sebagai sample positif. Recall (r) = jumlah sampel diklasifikasi positif dibagi total sampel dalam testing set berkategori positif. Akurasi juga dapat diperoleh dengan persamaan di bawah ini: =.(19) 2.5 Jarak Jarak merupakan sesuatu yang harus ditempuh dari suatu lokasi yang lain. Jarak dapat dinyatakan dengan jarak mutlak dan jarak nisbi. Jarak mutlak dinyatakan

31 15 dalam satuan unit ukuran fisik seperti mil, km, meter, dan sebagainya (Daldjoeni, 1997). Jarak dari tempat tinggal ke setiap prasarana mempunyai standar yang berbeda. Standar jarak dan waktu tempuh untuk sarana fasilitas pendidikan menurut konsep Neighborhood Unit dapat dibagi menjadi lima kategori yang ditunjukkan pada Tabel 2.2 berikut. Tabel 2.2 Kategori Jarak Jangkauan dan Waktu Tempuh No Kategori jarak Jarak tempuh (meter) Waktu tempuh 1 Sangat Dekat meter 0-5 menit 2 Dekat meter 5-10 menit 3 Sedang / Cukup meter menit 4 Cukup Jauh meter menit 5 Jauh >3000 meter >40 menit Sumber : Udjianto, 1994 dalam Takumangsang 2010 Takumangsang juga menyebutkan bahwa standar fasilitas pendidikan departemen pendidikan dan kebudayaan untuk SMA adalah sebagai berikut. Wilayah Kerja Sebuah SMA didirikan setidaknya untuk melayani penduduk satu kabupaten ( jiwa). Pada wilayah perkotaan jumlah fasilitas SMA ini dapat lebih dari satu, tergantung pada jumlah murid lulusan sokolah menengah pertama. Lokasi Lokasi sebuah SMA harus memenuhi ketentuan sebagai berikut. - mudah dicapai dari setiap bagian kecamatan. - dapat dicapai oleh murid selama kurang dari 45 menit berjalan kaki.

32 16 Neighboorhood unit diadaptasi oleh Clarence Perry pada tahun 1929 untuk merencanakan suatu lingkungan yang berlandaskan suatu pemikiran sosial psikologis agar dapat menjawab optimasi dengan mengatasi penurunan kualitas kehidupan masyarakat di negara-negara industri saat itu. Perry mengidentifikasi neighborhood unit sebagai suatu unit pemukiman yang mempunyai batasan yang jelas yaitu: (1) ukuran atas dasar keefektifan jarak jangkau pejalan kaki dan (2) adanya kontak langsung individual serta ketersediaan fasilitas pendukung kebutuhan pemukiman. Dalam konsep neighborhood unit ini, dapat disimpulkan bahwa Perry mempunyai tujuan utama bagi sebuah lingkungan permukiman yang baik untuk membuat interaksi sosial di antara penghuni lingkungan permukiman, sedangkan penataan fisik lingkungan merupakan cara untuk tujuan utama tersebut. Adapun prinsip yang dapat menentukan perencanaan pembentukan unit neighborhood yang lebih baik salah satunya dengan cara (1) Prinsip Sharing System, terjadinya tukar menukar pelayanan untuk memenuhi berbagai kebutuhan dari pusat-pusat pelayanan yang ada di lingkungannya dan (2) Prinsip Social Governance, terjadinya pengaturan dan pengelolaan (Utoro, 2006).

33 17 BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian dalam penelitian ini mengunakan Metode Naïve Bayes. Diagram alir penelitian untuk menjelaskan penelitian ini ditunjukkan pada Gambar 3.1. Gambar 3.1 Diagram Alir Penelitian

34 Waktu dan Tempat Penelitian Penelitian ini dilaksanakan mulai dari semester genap tahun ajaran 2015/2016 sampai selesai, bertempat di Jurusan Ilmu Komputer Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Lampung. 3.3 Tahap Penelitian Penjelasan dari setiap tahap penelitian berdasarkan diagram alir penelitian adalah sebagai berikut. 1. Pengumpulan Data Siswa Pengumpulan data siswa pada penelitian ini menggunakan metode wawancara. Data diperoleh dengan cara datang ke sepuluh SMA negeri yang ada di Kabupaten. Tabel 3.1 menunjukkan daftar SMA negeri di Kabupaten. Data siswa yang diperoleh berupa alamat siswa, asal SMP, dan titik koordinat SMA, serta jarak siswa dengan bantuan Google Maps. Tabel 3.1 SMA Negeri di Kabupaten. No Nama Sekolah Kecamatan 1 SMA N 1 2 SMA N 2 3 SMA N 1 Gadingrejo Gadingrejo 4 SMA N 2 Gadingrejo Gadingejo 5 SMA N 1 Pagelaran Pagelaran 6 SMA N 1 Sukoharjo Sukoharjo 7 SMA N 1 Ambarawa Ambarawa 8 SMA N 1 Adiluwih Adiluwih 9 SMA N 1 Banyumas Banyumas 10 SMA N 1 Pardasuka Pardasuka Sumber: dalam Angka 2015 dan Direktorat Pembinaan Sekolah Menengah Atas 2015.

35 19 2. Penentuan Atribut Data yang sudah terkumpul akan dibentuk atribut klasifikasi yang ditunjukkan pada Tabel 3.2. Tabel 3.2 Atribut Klasifikasi Atribut Klasifikasi NO SMA Kabupaten (Kab) Kecamatan (Kec) Kelurahan (Kel) Jarak Asal SMP Class Keterangan Berisi nomor sebagai pembeda pada setiap data. Berisi nama SMA negeri di Kabupaten. Berisi kabupaten asal siswa di SMA negeri di Kabupaten. Berisi kecamatan asal siswa di SMA negeri di Kabupaten. Berisi kelurahan asal siswa di SMA negeri di Kabupaten. Berisi jarak asal siswa dari rumah ke masing-msing sekolah dengan berjalan kaki dalam satuan kilometer (km). Jarak yang digunakan adalah jarak mutlak. Berisi asal SMP siswa di SMA negeri di Kabupaten. Berisi class/ label yang merepresentasikan jarak asal siswa. 3. Penentuan Class atau Label Klasifikasi Atribut yang sudah terbentuk akan dilakukan pe-label-an sesuai dengan class yang telah ditentukan, yaitu sangat dekat, dekat, sedang, cukup jauh, dan jauh untuk jarak siswa dari rumah ke masing-masing sekolah. 4. Pra-proses Klasifikasi Pra-proses klasifikasi yang dilakukan adalah proses pembersihan dan perapihan data yaitu sebagai berikut. 1. Penghapusan kata yang tidak dipakai dalam klasifikasi. Contoh : Jl. Satria, Barat Barat

36 20 2. Konversi menjadi huruf kapital. Contoh : Barat PRINGSEWU BARAT 3. Melakukan perbaikan data apabila ada kata yang diperlukan tetapi data tidak sesuai. Contoh: ada kata gemuk mas kemudian diubah menjadi GUMUKMAS. 4. Melakukan penghapusan spasi Contoh : PRINGSEWU BARAT PRINGSEWUBARAT 5. Penentuan Data Training dan Data Testing Data yang sudah di lakukan pembersihan dan perapihan data dipisahkan menjadi dua bagian, yaitu data training dan data testing. Setiap data dalam training tidak boleh ada di dalam testing. 6. Analisa Metode Naïve Bayes Metode Naïve Bayes digunakan untuk menentukan class dari atribut-atribut jarak asal siswa dengan bantuan aplikasi Weka. Analisis Metode Naïve Bayes memiliki tahap sebagai berikut.. 1. Baca data training Contoh: Tabel 3.3 Data Training No SMA Kab Kec Kel SMAN 1 Adiluwih SMAN 1 Adiluwih SMAN 1 Adiluwih SMAN 1 Ambarawa Pesawaran Pesawaran Negeri katon Negeri katon Bangun sari Jarak (km) 4.8 Trirahayu 7.8 Adiluwih Adiluwih 3.5 Ambarawa Ambarawa 1.5 Asal SMP SMPN 1 Adiluwih MTs Guppi Trirahayu SMPN 1 Adiluwih SMPN 2 Ambarawa Class Jauh Jauh Cukup Jauh Cukup Jauh

37 21 Lanjutan Tabel 3.3 Data Training No SMA Kab Kec Kel SMAN 1 Ambarawa SMAN 1 Banyumas SMAN 1 Banyumas SMAN 1 Pagelaran SMAN 1 Pardasuka SMAN 1 Pardasuka SMAN 1 Sukoharjo SMAN 1 Sukoharjo SMAN 1 Sukoharjo SMAN 2 SMAN 2 SMAN 1 SMAN 1 SMAN 2 Gadingrejo SMAN 1 Gadingrejo SMAN 1 Gadingrejo Ambarawa Sukoharjo Sumber Agung Sukoharjo III Jarak (km) Banyumas Sriwungu 1 Tanggamus Air Naningan Air Naningan Pardasuka Kedaung 9.5 Pardasuka Tanjung Rusia Sukoharjo Siliwangi 9.2 Adiluwih Adiluwih 4.2 Adiluwih Waringin sari Timur Utara Podosari 0.3 Lampung Tengah Gading rejo Gading rejo Bangun rejo Utara Utara Tegal Sari 3 Tegal Sari 1.1 Sidorejo 26.7 Asal SMP SMPN 1 Ambarawa SMP PGRI 1 Sukoharjo SMPN 1 Sukoharjo SMPN 1 Talang Padang SMPN 1 Pardasuka SMPN 1 Pardasuka SMP PGRI 1 Sukoharjo SMPN 1 Adiluwih SMPN 2 Adiluwih SMP Muhamma diyah 1 MTsN 1 SMPN 1 SMPN 3 MTs Pelita Gedong Tataan SMPN 1 Gading rejo SMPN 1 Bangun Rejo Class Jauh Jauh Sedang Jauh Jauh Jauh Jauh Jauh Jauh Cukup Jauh Sangat Dekat Dekat Dekat Cukup Jauh Sedang Jauh 2. Masukkan Data Testing Contoh: Dicari class dari data testing berikut: No 3892, SMAN1 Gadingrejo, Kabupaten, Kecamatan Gadingrejo, Kelurahan Tegalsari, jarak 1.1 km, dan asal SMP N 1 Gadingrejo

38 22 3. Perhatikan jenis data pada data testing Data non-numerik/diskrit Cari nilai probabilistik pada data testing yang bersifat non-numerik/diskrit dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut. Contoh : Probabilitas dari setiap kelas. - P(class= Sangat Dekat ) = = P(class= Dekat ) = = P(class= Sedang ) = = P(class= Cukup Jauh ) = = P(class= Jauh ) = = 0.55 Probabilitas dari setiap class untuk atribut data diskrit. - P(SMA = SMAN 1 Gadingrejo class= Sangat Dekat ) = = 0 - P(SMA = SMAN 1 Gadingrejo class= Dekat ) = = 0 - P (SMA = SMAN 1 Gadingrejo class= Sedang ) = = P(SMA = SMAN 1 Gadingrejo class= Cukup Jauh ) = = 0 - P(SMA = SMAN 1 Gadingrejo class= Jauh ) = = P(Kab = class= Sangat Dekat ) = = 1 - P(Kab = class= Dekat ) = = 1 - P(Kab = class= Sedang ) = = P(Kab = class= Cukup Jauh ) = = 1 - P(Kab = class= Jauh ) = = P(Kec = Gadingrejo class= Sangat Dekat ) = = 0

39 23 - P(Kec = Gadingrejo class= Dekat ) = = 0 - P(Kec = Gadingrejo class= Sedang ) = = P(Kec = Gadingrejo class= Cukup Jauh ) = = P(Kec = Gadingrejo class= Jauh ) = = P(Kel = Tegalsari class= Sangat Dekat ) = = 0 - P(Kel = Tegalsari class= Dekat ) = = 0 - P(Kel = Tegalsari class= Sedang ) = = P(Kel = Tegalsari class= Cukup Jauh ) = = P(Kel = Tegalsari class= Jauh ) = = 0 - P(AsalSMP= SMPN 1 Gadingrejo class= Sangat Dekat ) = = 0 - P(AsalSMP= SMPN 1 Gadingrejo class= Dekat ) = = 0 - P(AsalSMP= SMPN 1 Gadingrejo class= Sedang ) = = P(AsalSMP= SMPN 1 Gadingrejo class= Cukup Jauh ) = = 0 - P(AsalSMP= SMPN 1 Gadingrejo class= Jauh ) = = 0 Data numerik/kontinu Cari nilai mean, standar deviasi, dan densitas gauss dari masing-masing parameter yang merupakan data numerik/kontinu. Persamaan menghitung mean: =.... (1) atau = (2) Contoh : Jarak Sedang =. = 1.05

40 24 Persamaan untuk menghitung nilai simpangan baku (standar deviasi): Contoh : = ( ) (3) Jarak = (.. ) (. ) = Persamaan fungsi Densitas Gauss: ( ) = ( ).. (4) Contoh: 1 ( ) = (. ) (. ) = Nilai Densitas Gauss yang didapat digunakan dalam perhitungan likelihood. 4. Mendapatkan nilai dalam tabel mean, standar deviasi, densitas gauss dan probabilitas. Hasil mean, standar deviasi, densitas gauss menggunakan persamaan (2), (3), dan (4) dapat dilihat pada Tabel 3.4 dan Tabel 3.5 berikut. Tabel 3.4 Hasil Perhitungan Mean dan Standar deviasi, dan Densitas Gauss jarak siswa. Jarak Mean Standar Deviasi Densitas Gauss Sangat Dekat Dekat Sedang Cukup Jauh Jauh E E

41 25 Tabel 3.5 Hasil Perhitungan Mean dan Standar deviasi, dan Densitas Gauss no siswa. No Sangat Dekat Sedang Cukup Jauh Jauh Dekat Mean Standar Deviasi Densitas Gauss Tabel 3.6 Probabilitas dari setiap class untuk atribut data diskrit. Atribut Sangat Dekat Dekat Sedang P(X) Cukup Jauh Jauh P(SMAN1 Gadingrejo X) P( X) P(Gadingrejo X) P(Tegalsari X) P(SMPN3 X) Perhitungan likelihood Perhitungan likelihood dari data testing yang diberikan adalah sebagai berikut. P(X Sangat dekat) = 0 0 = 0 P(X Dekat) = (7.74E + 13) 0 = 0 P(X Sedang) = (4.29E + 48) = 3.6E+43 P(X Cukup jauh) = = 0

42 26 P(X Jauh) = = 0 6. Normalisasi Probabilitas Mengambil keputusan sebuah data testing masuk ke dalam class apa, perlu dilakukan normalisasi probabilitas. Probabilitas Sangat Dekat = (. ) = 0 Probabilitas Dekat = Probabilitas Sedang = (. ). (. ) = 0 = 1 Probabilitas Cukup Jauh = (. ) = 0 Probabilitas Jauh = (. ) = 0 Kesimpulan class dari data testing yang diberikan adalah Sedang. Jadi klasifikasi jarak asal siswa dari data testing yang diberikan adalah class Sedang. 3.4 Pengukuran Kinerja Algoritma Klasifikasi Pengujian algoritma klasifikasi dilakukan dengan pengukuran kinerja algoritma menggunakan confusion matrix. Data uji yang dimasukkan akan membentuk tabel, dan akan dihitung precision, recall, dan akurasi dari data tersebut. 3.5 Analisis Hasil Pengujian Analisis hasil pengujian dilakukan untuk menganalisis hasil pengujian saat menggunakan aplikasi Weka. Hasil pengujian data pada setiap SMA negeri akan dianalisis berdasarkan akurasi, precision, dan recall yang dihasilkan.

43 Visualisasi Data Data asal siswa yang telah diketahui class nya divisualisasikan dalam bentuk peta digital untuk melihat perbedaan hasil visualisasi terhadap metode yang digunakan dan persebaran asal siswa SMA negeri di Kabupaten. Visualisasi data dilakukan terhadap semua asal siswa SMA negeri di Kabupaten dan asal siswa di masing-masing SMA negeri.

44 46 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Kesimpulan yang didapat dari klasifikasi jarak siswa SMA negeri di kabupaten dengan Metode Naïve Bayes adalah sebagai berikut. 1. Metode Naïve Bayes berhasil mengklasifikasikan jarak asal siswa SMA negeri di Kabupaten. 2. Setelah 20 kali pengujian diperoleh rata-rata akurasi tertinggi pada Naïve Bayes sebesar % pada pembagian data training dan data testing 60: Pada proses klasifikasi dengan Naïve Bayes jumlah data training tidak mempengaruhi tingginya nilai akurasi. 4. Hasil visualisasi data asal siswa menunjukkan SMAN 1 dan SMAN 1 Gadingrejo lebih dikenal luas di masyarakat karena asal siswa lebih beragam. 5.2 Saran Saran yang diajukan dalam penelitian tentang klasifikasi jarak siswa SMA negeri di kabupaten adalah sebagai berikut. 1. Penelitian selanjutnya harus lebih memperhatikan kesesuaian isi atribut dalam pra-prosees data untuk menghindari kesalahan hasil klasifikasi.

45 47 2. Penelitian selanjutnya dapat menggunakan metode klasifikasi lainnya untuk mengetahui metode yang lebih cocok untuk klasifikasi jarak asal siswa SMA negeri di Kabupaten. 3. Penelitian selanjutnya dapat dibuat menjadi sebuah sistem pendukung keputusan tentang kategori jarak siswa SMA negeri di Kabupaten.

46 DAFTAR PUSTAKA Afriana, Fikri Klasifikasi Kendaraan Roda Empat Menggunakan Metode Naïve Bayes [online] url: / /3523.pdf. Diakses tanggal 13 Mei Andri, Kunang, Y. M. dan Murniati, S Implementasi Teknik Data Mining untuk Memprediksi Tingkat Kelulusan Mahasiswa pada Universitas Bina Darma Palembang. Seminar Nasional Informatika (semnasif 2013) UPN Veteran Yogyakarta. ISSN: Budiarto, Eko Biostatistika untuk Kedokteran dan Kesehatan Masyarakat. Jakarta: Penerbit Buku Kodekteran CEGC. Daldjoeni Geografi Baru-Organisasi Keruangan dalam Teori dan Praktek. Alumni. Bandung. Defiyanti, Sofi Analisis dan Prediksi Kinerja Mahasiswa Menggunakan Teknik Data Mining. Syntax Vol. 2 Ed. 1. Gorunescu, F Data Mining Concept Model Technique. Romania: Springer. Han, J., Kamber, M. dan Pei, J Data Mining Concept and Techniques Third Edition. SanFrancisco: Morgan Kauffman. Heksaputra, D., Azani, Y., Naimah, Z. dan Iswari, L Penentuan Pengaruh Iklim Terhadap Pertumbuhan Tanaman dengan Naïve Bayes. Seminar Nasional Aplikasi Teknologi Informasi (SNATI), ISSN: Kusrini dan Luthfi, E.T Algoritma data mining. Yogyakarta: Andi Offset. Nasution, N., Djahara, K. dan Zamsuri, A Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak). Jurnal Teknologi Informasi & Komunikasi Digital Zone. Vol.6, No.2. Ridwan, M., Suyono, H. dan Sarosa, M Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Electrical, Electronics, control, communications, and informatics Seminar. Vol.7, No. 1.

47 Rodiyansyah, S. F. dan Winarko, E Klasifikasi Posting Twitter Kemacetan Lalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification. Indonesian Journal of Computing and Cybernetics Systems (IJCCS). Vol.7, No.1. ISSN: Saleh, Alfa Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Creative Information Technology Journal. Vol. 2, No. 3. ISSN: Satoto, B. D,. dan Yasid, A Aplikasi Sales Report untuk Klasifikasi Area Penjualan Menggunakan K-Nearest Neighbor dan Naive Bayes Berbasis Android. Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015). ISSN: Supranto, J Statistik: Teori & Aplikasi, edisi 6, jilid 1. Jakarta: Erlangga. Takumangsang, Esli D Kajian Penempatan Fasilitas Pendidikan Dasar dan Menengah dalam Aspek Sistem Informasi Geografis. TEKNO Vol. 08 No.54. Tim BPS, dalam Angka Badan Pusat Statistik. Tim BPS, Kecamatan dalam Angka Badan Pusat Statistik. Utoro, R. I, Kajian Optimasi Pola dan Tingkat Pelayanan Sarana Dasar di Kota Kecamatan Jalancagak Subang. Tesis, Semarang: Perencanaan Pembangunan Wilayah Dan Kota, Universitas Diponegoro. Virgana, U. P. dan Sonny, M Kajian Algoritma Naïve Bayes Dalam Pemilihan Penerimaan Beasiswa Tingkat SMA. Seminar Nasional Teknologi Informasi dan Multimedia ISSN :