PENERAPAN MODEL PERCEPTRON PADA NAIVE BAYES DALAM BENTUK MODEL HYBRID UNTUK PREDIKSI UNTUNG RUGI PERUSAHAAN STUDI KASUS DI PT. INTI (PERSERO) BANDUNG

Transkripsi

1 JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER VOL. 2. NO. 1 AGUSTUS 2016 E-ISSN: PENERAPAN MODEL PERCEPTRON PADA NAIVE BAYES DALAM BENTUK MODEL HYBRID UNTUK PREDIKSI UNTUNG RUGI PERUSAHAAN STUDI KASUS DI PT. INTI (PERSERO) BANDUNG Esa Hermansyah Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri Jakarta esahermansyah@gmail.com Agus Subekti Program Studi Ilmu Komputer STMIK Nusa Mandiri Jakarta agus.subekti76@gmail.com ABSTRACT The algorithm can be used to predict from a problem with the model is based on certain algorithms. Perceptron models can solve a particular problem in data mining prediction as belonging to the neural network, but the application of the model Perceptron is still not effective enough to predict the truth, because the pattern on Perceptron method may cause a degree of prediction accuracy becomes low, then the model can resolve the Naive Bayes a problem with classifying prediction in the can, so it is used Hybrid model is a model combination of Perceptron, and Naive Bayes models. This research has the goal to get the value of accuracy in Confushion Matrix, and AUC (Area Under Curve) of the algorithm, in order to get commparisson with existing datasets, and selecting an algorithm that has the best accuracy value. This study suggests the level of accuracy for Naive Bayes is 78.70% for data training and 80.56% data testing. Perceptron have accuracy rate 87.96% for data training and 89.81% for data testing.for the Hybrid accuracy rate greater than Naive Bayes and Perceptron accuracy rate 93.52% for data training and 92.59% for data testing. From these results concluded that Hybrid model is better in the accuracy of the Naive Bayes and Perceptron due Hybrid models provide solutions to the problems for the prediction of profit and loss on a company in the future. Keywords: Neural Network, Naive Bayes, Perceptron, Hybrid, Confushion, Matrix, AUC (Area Under Curve) ABSTRAK Algoritma yang dapat digunakan untuk memprediksi dari suatu masalah dengan model didasarkan pada algoritma tertentu. Model perceptron dapat memecahkan masalah tertentu dalam prediksi data mining sebagai bagian dari jaringan syaraf tiruan, namun penerapan model Perceptron masih belum cukup efektif untuk memprediksi kebenaran, karena pola pada metode Perceptron dapat menyebabkan tingkat akurasi prediksi menjadi rendah., maka model tersebut dapat mengatasi masalah Naive Bayes dengan mengklasifikasikan prediksi di dalam kaleng, sehingga digunakan model Hybrid adalah kombinasi model Perceptron, dan model Naive Bayes. Penelitian ini bertujuan untuk mendapatkan nilai akurasi pada Confushion Matrix, dan AUC (Area Under Curve) dari algoritma ini, untuk mendapatkan commparisson dengan dataset yang ada, dan memilih algoritma yang memiliki nilai akurasi terbaik. Studi ini menunjukkan tingkat akurasi untuk Naive Bayes adalah 78,70% untuk pelatihan data dan pengujian data 80,56%. Perceptron memiliki tingkat akurasi 87,96% untuk pelatihan data dan 89,81% untuk pengujian data. Untuk tingkat akurasi Hybrid lebih tinggi dari Naive Bayes dan Perceptron sebesar 93,52% untuk pelatihan data dan 92,59% untuk pengujian data. Dari hasil tersebut disimpulkan bahwa model Hybrid lebih baik dalam keakuratan model Naive Bayes dan Perceptron karena Hybrid memberikan solusi terhadap permasalahan prediksi laba dan rugi pada perusahaan di masa depan. Kata kunci: Neural Network, Naive Bayes, Perceptron, Hybrid, Confushion, Matrix, AUC (Area Under Curve) PENDAHULUAN Di dalam dunia usaha saat ini, persaingan semakin ketat antara satu perusahaan dengan perusahaan lainnya. Untuk itu setiap perusahaan atau pengusaha dituntut untuk melakukan strategi pemasaran yang tepat, agar tidak kalah dengan perusahaan lainnya. Dalam teori ekonomi mikro, tujuan perusahaan adalah mencari keuntungan banyak dan meminimalkan. pengeluaran. Berdasarkan teori, keuntungan merupakan penerimaan total TR dikurangi dengan biaya total TC, dan 37

2 keuntungan maksimum akan tercapai apabila selisih positif antara TR dan TC mencapai angka terbesar, (Domonick Solvatore, 2008). Keuntungan dan kerugian sudah jadi hal yang biasa dalam persaingan di perusahaan, sehingga banyak perusaahan mencari cara untuk memprediksi keuntungan dan kerugian mendatang agar pendapatan dan pengeluaran mereka diatur dengan baik. Model Perceptron dapat memprediksi keuntungan dan kerugian, tetapi memiliki kelemahan, yaitu bobot yang digunakan masih belum optimal, hal ini menyebabkan nilai accouracy yang dirasa masih belum cukup tinggi dalam prediksi untung dan rugi. Masalah yang diangkat pada penelitian ini adalah seberapa besar nilai accouracy yang didapat dari penerapan model Perceptron pada Naive Bayes dalam bentuk model Hybrid untuk prediksi untung rugi pada perusahaan. Tujuan dari penelitian ini adalah untuk menerapkan model Perceptron pada Naive Bayes dalam bentuk model Hybrid, mendapatkan nilai accuracy dari setiap algoritma dan membandingkannya, serta mengimplementasikan dalam bentuk prediksi untung atau rugi pada sebuah perusahaan di tahun yang akan datang. Penulis melakukan riset di PT. Industri Telekomunikasi Indonesia (Persero) untuk menerapkan prediksi untung dan rugi dari metode tersebut. Manfaat dari penulisan karya ilmiah ini dibagi menjadi tiga, diantaranya : 1. Manfaat praktis dari penelitian ini adalah diharapkan dapat digunakan perusahaan dalam memprediksi untung dan rugi kedepan. 2. Manfaatkebijakan dari penelitian ini adalah diharapkan dapat digunakan sebagai pertimbangan dalam memprediksi untung dan rugi perusahaan. 3. Manfaat teoritis dari penelitian ini diharapkan dengan model Hybrid tingkat akurasinya dapat lebih baik dari Perceptron dan Naive Bayes. Ruang Lingkup dari penelitian ini dibatasipadacara mengimplementasikan model Perceptron pada Naive Bayes sehingga menjadi model Hybrid, dan membandingkan tingkat akurasi yang di dapat antara ketiga metode tersebut (Naive Bayes, Perceptron, dan Hybrid), serta cara mengimplementasikan model Hybrid dalam prediksi untung dan rugi pada sebuah perusahaan. Berdasarkan sumbernya, data yang diambil adalah jenis data sekunder, sebanyak 108 buah dengan attribut yang di pakai hanya dua, yaitu pemasukan dan pengeluaran saja. Pada penelitian ini, hipotesis yang diajukan adalah algoritma dengan model Hybrid dapat bermanfaat dalam memprediksi untung rugi pada sebuah perusahaandi bulan yang akan datang,serta tingkat akurasi dengan menggunakan model Hybrid lebih tinggi dibandingkan dengan model Perceptron dan Naive Bayes. BAHAN DAN METODE Laba Rugi Laba rugi adalah suatu keadaan menunjukkan pendapatan dan biaya dari suatu usaha untuk suatu periode tertentu. Selisih antara pendapatan dan biaya merupakan laba yang diperoleh atau rugi yang diderita oleh perusahaan (Eka Nico, 2015). Laporan laba rugi yang kadang disebut laporan penghasilan atau laporan pendapatan dan biaya merupakan laporan yang menunjukkan kemajuan keuangan perusahaan dan juga merupakan tali penghubung dua neraca yang berurutan.maka arti penting dari laporan laba rugi yaitu sebagai alat untuk mengetahui kemajuan yang dicapai perusahaan dan juga mengetahui berapakah hasil bersih atau laba yang didapat dalam suatu periode. Perceptron Perceptronadalahsalah satu metode JST (Jaringan Sayaraf Tiruan) yang sederhana dipakai dalam algoritma dengan bobot yang bisa diatur dengan fungsi aktivasi yang terdiri dari beberapa unit masukan (ditambah dengan sebuah bias ). Gambar 1. Neural Network (Perceptron) Naive Bayes Algoritma Naive Bayes 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 : 38

3 JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER VOL. 2. NO. 1 AGUSTUS 2016 E-ISSN: Keterangan : P(H X) = P (X A). P(H) P(X) X = Data yang belum diketahui H = Hipotesis data class spesifik P(H X) =Probabilitas hipotesis berdasar kondisi (posteriori probability) P(H)= Probabilitas hipotesis (prior probability) P(X H) = Probabilitas berdasarkan kondisi pada hipotesis P(X) = Probabilitas Hybrid Algorithm Algoritma Hybrid atau Hybrid Algorithm adalah sebuah algoritma yang menggabungkan dua metode atau lebih menjadi satu atau beberapa model gabungan untuk menghasilkan item yang sesuai dengan keinginan pengguna(burke, R., 2007). Secara garis besar algoritma ini memiliki dua tahapan. Tahapan pertama adalah algoritma menghasilkan node ordering dan tahapan kedua algoritma melakukan konstruksi struktur. Hasil penelitian membuktikan bahwa algoritma Hybrid dapat melakukan konstruksi struktur dalam bentuk graph dan relasi antar node serta menampilkan nilai-nilai probabilitas variable yang berdasarkan inputan basis data lengkap dan basis data tidak lengkap. Berdasarkan hasil uji coba yang dilakukan bahwa hasil konstruksi struktur yang dibangun sangat dipengaruhi oleh jumlah sampel data, kombinasi ataupun pola basis data. Adapun aturan yang digunakan adalah : Perceptron = Naive Bayes Evaluasi dan Validasi Evaluasi adalah adalah suatu proses penilaian untuk menyediakan informasi tentang sejauh mana suatu kegiatan tertentu telah dicapai, bagaimana perbedaan pencapaian itu dengan suatu standar tertentu untuk mengetahui apakah ada selisih di antara keduanya, serta bagaimana manfaat yang telah dikerjakan itu bila dibandingkan dengan harapan-harapan yang ingin diperoleh. Sedangkan Validasi adalah suatu tindakan yang membuktikan bahwa suatu metode dapat memberikan hasil yang konsisten sesuai dengan spesifikasi yang telah ditetapkan dengan baik. Pengujian evaluasi dan validasi dari penelitian ini adalah dengan menggunakan Tabel Confushion Matriks, dan Kurva AUC (Area Under Curve). Metode Penelitian Pengertian penelitian dalam akademik yaitu digunakan untuk mengacu pada aktivitas yang rajin dan penyelidikan sistematis atau investigasi di suatu daerah, dengan tujuan menemukan atau merevisi fakta, teori, aplikasi dan tujuannya adalah untuk menemukan dan menyebarkan pengetahuan baru (Berndtsson, Olsson, & Lundell, 2008). Menurut (Dawson, 2009) ada empat metode penelitian yang umum digunakan yaitu tindakan penelitian, eksperimen, studi kasus dan survey. Dalam konteks penelitian, metode yang dilakukan mengacu kepada pemecahan masala yang meliputi mengumpulkan data, merumuskan hipotesis atau proposisi, pengujian hipotesis, menafsirkan hasil, dan kesimpulan (Berndtssom, Hansson, Olsson, & Lundell, 2008). Dalam penelitian ini dilakukan beberapa langkah yang dilakukan dalam proses penelitian. 1. Pengumpulan data Pada tahap pengumpulan data, tentukan data yang akan diproses. Mencari data yang tersedia, memperoleh data tambahan yang dibutuhkan, mengintegrasikan semua data kedalam data set, termasuk variabel yang diperlukan dalam proses. 2. Pengolahan data awal Pada tahap pengolahan data, data ditransformasikan kebentuk yang diinginkan sehingga dapat dilakukan persiapan dalam pembuatan model. 3. Metode yang diusulkan Pada tahap metode yang disusulkan data dianalisis, dikelompokan variabel mana yang berhubungan dengan satu sama lainnya. Setelah data dianalisis lalu diterapkan model-model yang sesuai dengan jenis data. Pembagian data kedalam data latihan (training data) dan data uji (testing data) juga diperlukan untuk pembuatan model. 4. Eksperimen dan pengujian metode Pada tahap eksperimen dan pengujian metode model yang diusulkan akan diuji untuk melihat hasil berupa rule yang akan dimanfaatkan dalam pengambilan keputusan. 5. Evaluasi dan validasi Pada tahap evaluasi dan validasi dilakukan evaluasi terhadap model yang ditetapkan untuk mengetahui tingkat keakurasian model. 39

4 Pengumpulan Data Teknik pengumpulan data ialah teknik atau cara-cara yang dapat digunakan untuk menggunakan data (Ridwan, 2008). Dalam pengumpulan data terdapat sumber data, sumber data yang terhimpun langsung oleh peneliti disebut dengan sumber primer, sedangkan apabila melalui tangan kedua disebut sumber sekunder (Riduan, 2008). Data yang digunakan dalam penelitian ini adalah data kuantitatif adatau data yang berbentuk angka atau data yang diangkakan, sedangkan berdasarkan sumbernya adalah termasuk ke dalam data sekunder. Data yang diperoleh adalah data sekunder karena diperoleh melalui tangan ke 2 atau Divisi Akutansi PT. Industri Telekomunikasi Indonesia (Persero) Jalan Moch. Toha No. 77 Bandung, Jawa barat Indonesia. Pengolahan Data Awal Pada penelitian ini, pengolahan data pertama adalah memasukan data dalam bentuk excel kedalam aplikasi. Data yang didapat diambil dari Divisi Akutansi PT. Industri Telekomunikasi Indonesia (Persero), yang isinya adalah pemasukan dan pengeluaran perbulan sebanyak 108 data sebagai dataset dari tahun 2006 sampai dengan tahun Kemudian dibuat data training sebanyak 108 data dan data testing sebanyak 108 data yang akan digunakan untuk implementasi untung rugi pada perusahaan. Metode yang Diusulkan Model desain penelitian ini akan melakukan proses pengolahan data untuk menguji metode yang digunakan sehingga metode algoritma yang digunakan untuk prediksi untung dan rugi pada sebuah perusahaan dapat di analisa. Pola yang akan dihasilkan akan diimplementasikan dengan menggunakan SoftwareRapid Miner. Langkah pertama dalam penelitian ini adalah mencari pola yang terbentuk dari kumpulan data pemasukan dan pengeluaran dalam bentuk Excel dengan menggunakan Algoritma Perceptron. Langkah kedua, adalah mencari bobot yang dihasilkan dari model Naive Bayes. Langkah ketiga adalah pola dan bobot yang terbentuk dari Perceptrondan Naive Bayestersebut, dipakai untuk menentukan nilai rata - rata pengeluaran dan pemasukan di bulan berikutnya menggunakan persamaah Hybrid. Langkah keempatadalah melakukan komparasi dari nilai akurasi dan prediksi untuk bulan berikutnya. Hasil akhir dari penelitian ini adalah berupa nilai prediksi pemasukan dengan pengeluaran yang didapat dengan kesalahan atau MSE (Mean Square Error) berada pada nilai range di bulan berikutnya. Berikut ini bentuk gambaran metode algoritma yang akan diuji. Penerapan Algoritma Pengumpulan data Pengolahan data awal Perceptron Naive Bayes Hybrid Perceptron Result Hybrid Model Naive Bayes Result Analisis Komparasi Hasil Hybrid Model Hybrid Result Gambar 2 Skema Usulan Penelitian Experimen dan Pengujian Metode Tahap modeling untuk memprediksi untung rugi pada sebuah perusahaan dengan menggunakan beberapa metode antara lain algoritma Perceptron, algoritma Naive Bayes, dan Hybrid. Evaluasi dan Validasi Hasil Evaluasi dan validasi dari model penelitian ini menggunakan tabel confushion matrix dan kurva AUC yang merupakandataset hanya memiliki dua kelas, kelas yang satu sebagai positif dan kelas yang lain sebagai negatif. Dari tabel confushion matrix kemudian didapat nilai accouracy dari ketiga metode tersebut dibandingkan dan memilih model mana yang nilai accouracy paling baik. Implementasi modelhybrid adalah gabungan dari hasil penelitian dengan menggunakan model Perceptron yangberupa pola, dan hasil dari Naive Bayes yang berupa bobot dimasukan dan kedalam persamaan Hybrid untuk mendapatkan pemasukan dan pengeluaran di bulan berikutnya. 40

5 JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER Implementasi Data HASIL DAN PEMBAHASAN Implementasi Perceptron Untuk mengimplementasikan model Perceptrondalam prediksi untung dan rugi pada perusahaan, maka dibuatlah perhitungan untung rugi perusahaan berdasarkan data di bawah ini : VOL. 2. NO. 1 AGUSTUS 2016 E-ISSN: Setelah didapatkan perubahan bobot = 0 maka hasil akan didapatkan hasil dari bobot baru. Tabel 4 Iterasi 4 Perhitungan Perceptron Tabel 1 Laba Rugi Perusahaan Perubahan bobot = 0 Bobot baru yang didapat Berdasarkan diperoleh pola ,6 X ,04 Y = -2 pada iterasi ke 4 dengan error yang didapat adalah 12462,3 untuk pemasukan dan 81743,54 untuk pengeluaran, pola tersebut dipakai untuk memprediksi keuntungan di akan datang. Berapakah keuntungan yang di dapat selama satu bulan ke depan jika kerugian di bulan berikutnya mencapai Rp ,-?. Berdasarkan tabel di atas, jikapengeluaran di bulan berikutnya sudah ditentukan, misalkan pengeluaran mencapai Rp ,-, maka langkah pengerjaannya adalah sebagai berikut : 1. Buat pola berdasarkan attribute yang akan digunakan dalam Perceptron. Tabel 2. Attribut Yang Digunakan Untuk mencari keuntungan perusahaan dari bobot iterasi yang terakhirdidapat, adalah sebagaiberikut: V = E1*W1 + E2*W2 = ,6 X ,04 (Rp ) X = ,04 ( ) ,6 = Keuntungan untuk satu bulan depan adalah Rp Dapat disimpulkan bahwa keuntungan selama satu bulan ke depan Rp ± Rp Dengan error yang di dapat Rp ,-, artinya keuntungan berada di range Rp sampai dengan Rp Buat tabel iterasi untuk kemudian dijalankan perhitungan Perceptron Tabel 3. Iterasi Perhitungan Perceptron Implementasi Naive Bayes. Naive Bayes merupakan teknik klasifikasi dengan metode probabilitas dan statistik, yaitu memprediksi peluang di masa depan berdasarkan pengalaman. Misalkan diketahui tabel laba rugi berikut : Tabel 5 Laba Rugi Perusahaan Berdasarkan tabel di atas jikapemasukan dan pengeluaran

6 adalah untung, bagaimanakah prediksi untuk bulan berikutnya?. maka langkah pengerjaannya adalah sebagai berikut : 1. Buat pola berdasarkan attribute yang akan digunakan dalam Naive Bayes. Tabel 6 Penyederhanaan Naive Bayes ,6 X ,04 Y = - 1, ,6 X ,04 (0) = -1,60 1,60 X = = 4, ,6 Untuk pemasukan yang di dapat adalah 4, x 10 7 = Rp ,- Untuk mencari pengeluaran dimana X (pemasukan) = 0 : ,6 X ,04 Y + 2 = ,6 X ,04 Y = ,6 (0) ,04 Y = -2 2 Y = = 1, ,04 2. Hitunglah dengan menggunakan rumus dari Naive Bayes P (X A). P(H) Rumus P(H X) = P(X) P(Y= UNTUNG) = 3 / 5, P(Y= RUGI) = 2 / 5 P( Pemasukan Y= UNTUNG ) = 3/3, P( Pemasukan Y= RUGI ) = 0/2 P( Pengeluaran Y= UNTUNG ) = 2/3, P( Pengeluaran Y= RUGI ) = 0/2 Untuk pengeluaran yang di dapat adalah 1, x 10 7 = Rp ,- X adalah pemasukan dengan nilai 4, , dan Y adalah pengeluaran dengan nilai 1, Karena X > Y atau pemasukan lebih besar dari pada pengeluaran, maka untuk bulan berikutnya akan mengalami keuntungan sebanyak X Y atau 4, , = 2, atau sekitar Rp ,-. Jika digambarkan dalam garis linear dimana titik A (4, , 1, ) memotong terhadap sumbu 0. Berdasarkan keterangan di atas maka diperoleh : P{ P(Y= UNTUNG). P( Pemasukan Y= UNTUNG ). P( Pengeluaran Y= UNTUNG ) } 3/5. 3/3. 2/3 = = 0,4 P{ P(Y= RUGI). P( Pemasukan Y= RUGI ). P(Pengeluaran Y= RUGI ) } 2/5. 0/2. 0/2 = 0 20 = 0 Karena P (Y= UNTUNG) lebih besar dari P(Y= RUGI), maka untuk bulan berikutnya akan mengalami KEUNTUNGAN. Implementasi Hybrid. Metode Hybrid adalah gabungan dari beberapa metode yang tujuannnya adalah menyempurnakan metode dengan persamaan Hybrid yang digunakan : (Hasil) Perceptron = (Hasil) Naive Bayes Untuk mencari pemasukan dimana Y (pengeluaran) = 0 : ,6 X ,04 Y + 2 = 0,4 Gambar 3. Grafik Persamaan Hybrid Komparasi Hasil Program Hasil pengolahan data dengan menggunakan SoftwareRapidminer menunjukan bahwa dengan menggunakan model Hybrid tingkat akurasi menjadi tinggi seperti terlihat pada tabel di bawah ini. Tabel 7 Komparasi Algoritma Dari komparasitabel di atas dapat disimpulkan bahwa untuk tingkat akurasi untuk Naive Bayesyaitu 78,70 % untuk data training dan 80,56% untuk data testing. Untuk tingkat akurasi Perceptron 87,96 % untuk data 42

7 JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER training dan 89,81 % untuk data testing. Untuk tingkat akurasi Hybridlebih besar dari pada Naive Bayes dan Perceptron, yaitu 93,52 % untuk data training dan 92,59 % untuk data testing. Dengan demikian dari hasil tersebut dapat disimpulkan bawa pengujian dataset performa untung rugi perusahaan, memberikan pemecahan untuk permasalahan untuk prediksi untung dan rugi pada sebuah perusahaan Perbedaan dari ketiga model tersebut adalah jika menggunakan model Perceptron hanya bisa memprediksi pemasukan dan pengeluaran di bulan berikutnya tanpa ada derajat kebenaran yang pasti. Jika menggunakan model Naive Bayes hanya bisa memperdiksi untung atau rugi di bulan berikutnya berdasarkan derajat kebenaran, sedangkan jika menggunakan model Hybrid bisa memprediksi pemasukan dan pengeluaran di bulan berikutnya yang di gabungkan dengan nilai dari derajat kebenaran. Tabel 8 Perbedaan Model Yang Dipakai Berdasarkan tebel di atas digambarkan bahwa model Hybridterdapat nilai prediksi yang bisa memprediksi pemasukan atau pengeluaran di bulan berikutnya dan derajat kebenaran yang memastikan bahwa bulan berikutnya perusahaan akan mengalami keuntungan atau kerugian. Untuk model Perceptron hanya bisa memprediksi pemasukan atau pengeluaran di bulan berikutnya derajat kebenarannya tidak ada yang dapat menimbulkan ambigu dalam prediksi. Sedangkan untuk model Naive Bayes hanya memiliki derajat kebenaran saja yang memastikan bahwa bulan berikutnya perusahaan akan mengalami keuntungan atau kerugian, tetapi tidak bisa memprediksi nilai pemasukan atau pengeluaran di bulan berikutnya. Tabel 9. Tabel Perbandingan Model VOL. 2. NO. 1 AGUSTUS 2016 E-ISSN: Pada tabel di atas terlihat bahwa penelitian yang dilakukan sebelumnya hanya mencari nilai error yang di dapat dari perbandingan model yang di berikan, sedangkan untuk penelitian ini, mencari nilai akurasi dari model Perceptron yang digabungkan dengan Naive Bayes dengan dataset pemasukan dan pengeluaran yang di ambil dari perusahaan. KESIMPULAN Dalam penelitian ini dilakukan pengujian model dengan menggunakan Naive Bayes, Perceptron, dan Hybrid, dengan menggunakan datasetyang berupa untung dan rugi perusahaan. Penelitian ini memiliki tujuan untuk mendapatkan nilai accuracy, dan AUC(Area Under Curve) dari algoritma, sehingga didapat dikomparasikan dengan dataset yang telah ada, dan memilih algoritma yang memiliki nilai akurasi terbaik. Dari penelitian ini disimpulkan tingkat akurasi untuk Naive Bayes yaitu 78,70 % untuk data training dan 80,56% untuk data testing. Untuk tingkat akurasi Perceptron 87,96 % untuk data training dan 89,81 % untuk data testing.untuk tingkat akurasi Hybridlebih besar dari pada Naive Bayes dan Perceptron, yaitu 93,52 % untuk data training dan 92,59 % untuk data testing. Dengan demikian dari hasil tersebut dapat disimpulkan bawa pengujian dataset pengeluaran dan pemasukan perusahaan menggunakan model Hybrid(penerapan Perceptron pada Naive Bayes)lebih baik dalam tingkat akurasi dari pada Naive Bayes dan Perceptron, dikarenakan model Hybrid (penerapan Perceptron pada Naive Bayes) memberikan pemecahan untuk permasalahan untuk prediksi untung dan rugi pada sebuah perusahaan mendatang. 5.2 Saran Agar penelitian ini bisa ditingkatkan, berikut adalah saran-saran yang diusulkan: 1. Penelitian ini diharapkan dapat digunakan untuk perusahaan sebagai bahan pertimbangan memprediksi untung dan rugi di kemudian hari. 2. Penelitian ini dapat dikembangkan dengan metode optimasi lainnya seperti BPNN (Back Propagation Neural Network), Genetic Algorithm (GA), dan lainnya. DAFTAR REFERENSI Fauset, Laurent (1994). Fundamentals Of Neural Networks (Aichitecture, Algorithm,And Application). New Jersey : Pactice Hall. 43

8 Han, J., Rodriguze, J. C., & Beheshti, M. (2008). Diabetes Data Analysis And Prediction Model Discovery Using Rapidminer. Second International Conference On Future Generation Communication And Networking, 98. Huang, Han-Chen (2012). Using Artificial Neural Networks to Predict Restaurant Industry Service Recovery, 1-7. Huang, K., Yang, H., King, I., & Lyu, M. (2008). Machine Learning Modeling Data Locally And Globally. Berlin Heidelberg: Zhejiang University Press, Hangzhou And Springer-Verlag Gmbh. Iancu, E., Iancu, I., & Sfredel, V. (2010). Predictive Control Of Blood Glucose In Diabetes Mellitus Patients. International Conference On Automation, Quality And Testing, Robotics, 1-6. Iancu, I., Mota, M., & Iancu, E. (2008). Method For The Analysing Of Blood Glucose Dynamics In Diabetes Mellitus Patients. International Conference On Automation, Quality And Testing, Robotics, Khashei, Mehdi & Hamadani, Ali Zeinal (2012).A Novel Hybrid Classification Model Of Artificial Neural Networks And Multiple Linear Regression Models, Larose, D. T. (2007). Data Mining Methods And Models. New Jersey: A John Wiley & Sons. L. Zhang,Junni & K. Härdle, Wolfgang (2010).The Bayesian Additive Classification Tree Applied to Credit Risk Modelling, 1-9. Rud, Olivia Parr (2001). Data Mining Cookbook. New Jersey: A John Wiley & Sons. Siang, Jong Jek (2005). Jaringna Syaraf Tiruan dan Pemrograman Menggunakan MATLAB. Yogyakarta : ANDI. 44