PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI PROFIL LULUSAN STMIK LPKIA

PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI PROFIL LULUSAN STMIK LPKIA 1 Ati Suci Dian Martha, S.Kom, M.T., 2 Popy Widiyani 1 Program Studi Teknik Informatika STMIK LPKIA 2 Program Studi Sistem Informasi STMIK LPKIA Jln. Soekarno Hatta No. 456 Bandung 40266, Telp. +62 22 75642823, Fax. +62 22 7564282 Email : 1 aciantha@gmail.com, 2 popy.widiyani.new@gmail.com Abstrak STMIK LPKIA yang memiliki data tracer study yang setiap tahunnya akan bertambah, tetapi data tersebut belum digunakan dengan optimal, padahal data tersebut dapat dijadikan suatu informasi yang berguna. Data tracer study dapat pula dijadikan data awal untuk memprediksi profil lulusan tahun berikutnya. Dengan data mining memprediksi data yang sangat banyak akan dapat dilakukan dengan cepat. Prediksi profil lulusan yang dilakukan menggunakan algoritma data mining naive bayes. Profil lulusan perlu diprediksi dengan akurat, karena hasil prediksi yang akurat dapat digunakan sebagai rekomendasi kepada program studi untuk dapat meningkatkan promosi ke SMK atau SMA, hasil prediksi dapat digunakan untuk menampilkan list nama-nama SMK atau SMA sebagai rekomendasi sekolah yang diutamakan untuk lebih banyak diadakan promosi dilihat dari asal sekolah lulusan. Untuk menguji seberapa akurat hasil prediksi menggunakan Confusion matrix. Penerapan algoritma data mining naivebayes ini ditampilkan menggunakan sebuah perangkat lunak berbasis web dengan framework laravel. Kata kunci : tracer study,prediksi, naive bayes, Confusion matrix. 1. Pendahuluan STMIK LPKIA Setiap tahun meluluskan ratusan mahasiswa jurusan sistem informasi dan teknik informatika, lulusan tersebut akan menjadi profil lulusan yang sangat berpengaruh terhadap reputasi STMIK LPKIA, karena profil lulusan tersebut akan menjadi tolak ukur terhadap berhasil atau tidaknya sebuah program studi dalam menghasilkan lulusanlulusan yang terbaik. STMIK LPKIA memiliki file tracer study yang menyimpan data-data pribadi alumni (nama, alamat, nomer telepon), data kuliah (nrp, program studi, jurusan, tahun masuk, tahun lulus, nilai IPK), serta terdapat data alumni (sejak kapan mencari kerja, berapa lama mendapatkan pekerjaan, mendapat pekerjaan dari mana, area pekerjaan, nama perusahaan tempat bekerja, jabatan, alamat kantor), dengan data tracer study tersebut program studi dapat memantau profil lulusan dari alumni STMIK LPKIA. Data tracer study yang dimiliki, setiap tahunnya akan semakin bertambah, data yang ada di tracer study belum digunakan secara optimal, padahal data tersebut dapat dijadikan suatu informasi yang berguna. Data tracer study dapat pula dijadikan data awal untuk memprediksi profil lulusan tahun berikutnya.profil lulusan perlu diprediksi dengan akurat, karena hasil prediksi yang akurat dapat digunakan sebagai rekomendasi kepada program studi untuk dapat meningkatkan promosi ke SMK atau SMA, hasil prediksi dapat digunakan untuk menampilkan list nama-nama SMK atau SMA sebagai rekomendasi sekolah yang diutamakan untuk lebih banyak diadakan promosi dilihat berdasarkan asal sekolah dari lulusan. Metode yang diterapkan untuk memprediksi adalah naive bayes, dan pengujian untuk menghitung seberapa akurat data profil lulusan yang telah diprediksi menggunakan Confusion matrix. Adapun Permasalahan yang ditemukan pada Penerapan algoritma naive bayes untuk memprediksi profil lulusan STMIK LPKIA, antara lain adalah : Data tracer study yang belum digunakan secara optimal, padahal data tracer study dapat digunakan untuk prediksi lulusan lpkia serta belum digunakan sebagai rekomendasi untuk tujuan promosi. Berdasarkan permasalahan yang ada diatas maka perlu membatasi ruang lingkup dari permasalahan tersebut. Adapun permasalahan yang akan dibahas meliputi : 1. Data yang digunakan merupakan data tracer study (data alumni) STMIK LPKIA jurusan Sistem Informasi dan Teknik Informatika. 2. Melakukan proses data mining prediksi dan uji akurasi hasil prediksi. 3. Menghasilkan data prediksi, serta data akurasi profil lulusan. 4. Menampilkan rekomendasi list nama-nama SMK atau SMA yang diutamakan untuk diadakan promosi, dilihat dari SMK atau SMA asal Lulusan yang terbanyak memiliki pekerjaan dibidang IT atau NonIT. Adapun tujuan dari perancangan sistem yang baru adalah sebagai berikut : Memanfaatkan dan mengolah data tracer study untuk mendapatkan hasil prediksi profil lulusan dengan

menggunakan algoritma data mining naive bayes serta dari data hasil prediksi dapat menampilkan rekomendasi list nama-nama SMK atau SMA yang diutamakan untuk diadakan promosi, dilihat dari SMK atau SMA asal Lulusan yang terbanyak memiliki pekerjaan dibidang IT atau NonIT. 1.1. Landasan Teori Prediksi menurut Lillyan Hadjaratie menurut jurnalnya yang berjudul prediksi dan pemetaan data mahasiswa fakultas teknik Universitas negeri gorontalo menggunakan pendekatan Datamining, Prediksi adalah memperkirakan hasil dari informasi yang belum diketahui untuk mendapatkan informasi baru yang akan muncul selanjutnya. Naive bayes menurut Junanto dalam jurnalnya yang berjudul Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa.Bayesian classification adalah pengklasifikasian statistik yang dapat digunakan untuk memprediski probabilitas keanggotaan suatu class. Bayesian classification didasarkan pada teorema Bayes yang memiliki kemampuan klasifikasi serupa dengan decesion tree dan neural network. Bayesian classification terbukti memiliki akurasai dan kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang besar. Teorema Bayes memiliku bentuk umum sebagai berikut : P(H X) = P(X H)P(H) (1) P(X) X = Data dengan class yang belum diketahui H = Hipotesis data X merupakan suatu class spesifik P(H X) = Probabilitas hipotesis H berdasarkan kondisi x (posteriori prob.) P(H) = Probabilitas hipotesis H (prior prob.) P(X H) = Probabilitas X berdasarkan kondisi tersebut P(X) = Probabilitas dari X Tahapan algoritma Naive bayes a. Mulai b. Baca data training 1) Hitung P(Ci) untuk setiap kelas 2) Hitung P(X Ci) untuk setiap kriteria dan setiap kelas. 3) Kalikan P(X Ci)*P(Ci) 4) Cari nilai dari tahap 3 yang paling besar disetiap class dan jadikan kesimpulan. c. Tampilkan hasil prediksi. d. selesai. Confusion matrix menurut Indriani dalam jurnalnya yang berjudul Klasifikasi Data Forum dengan menggunakan. Seminar Nasional Aplikasi Teknologi Informasi (SNATI), Confusion matrix adalah sebuah tabel yang menyatakan jumlah data uji yang benar diklasifikasikan dan jumlah data uji yang salah diklasifikasikan. Akurasi = TP+TN TP+FN+FP+TN 2. Gambaran Perangkat Lunak 2.1 Aliran Proses 2.1.1 Use Case Diagram 2.2 Class Diagram 100% (2) Gambar 1 Use Case Diagram Gambar 2 Class Diagram 2.3 Perancangan Antar Muka Perancangan antarmuka ini bertujuan untuk memberikan gambaran mengenai bentuk antarmuka dari perangkat lunak yang akan digunakan oleh user untuk berinteraksi dengan perangkat lunak. Rancangan antarmuka ini mempertimbangkan berbagai kemudahan dan fungsionalitas dari perangkat lunak itu sendiri.

2.3.1 Antar Muka Data Prediksi Gambar 3 rancangan menu prediksi 2.3.2 Antar Muka Hasil Prediksi Gambar 4 rancangan hasil prediksi 3 Implementasi Sub bab ini akan menjelaskan langkah-langkah serta rencana jadwal dalam rangka mengimplementasikan penerapan algoritma naive bayes untuk memprediksi profil lulusan STMIK LPKIA yang telah dirancang pada bab sebelumnya. Daftar Kegiatan Gambar 5 Gantt chart 3.1 Lingkup dan Batasan Implementasi Ruang lingkup dan batasan implementasi terdiri dari: 1. Mengimplementasi penerapan algoritma naive bayes untuk memprediksi profil lulusan STMIK LPKIA. 2. Data training yang digunakan diambil dari data tracer studi 2015. 3. Data testing yang digunakan diambil dari data tracer studi 2016. 4. Data real yang digunakan untuk akurasi diambil dari data tracer studi 2016. 5. Modul program yang akan diimplementasikan adalah modul untuk mengelola data training, modul menghitung prediksi, modul mengelola data testing, modul mengelola data real, modul untuk menghitung data akurasi, modul untuk mencari rekomendasi promosi smk, modul untuk membuat report hasil prediksi dan akurasi, serta modul untuk menampilkan diagram chart atau pie. 3.2 Implementasi datamining naïve bayes Bagaimana memprediksi jabatan yang akan dijalani Mahasiswa Eko Giar Purnama, Sebelumnya harus menyiapkan Data training (data yang dijadikan pola data untuk menghitung prediksi pada data testing). Disini data training terdapat 111 Data lulusan tahun 2016. Setelah itu siapkan data testing (data yang akan dihitung atau diprediksi), contoh data testing terdapat 10data lulusan tahun 2017. Tahap 1 menghitung jumlah class/label P(Ci) P(Y=IT)=25/111 = 0,225225225 (*catatan, jumlah data dengan jabatan = IT pada data training dibagi dengan seluruh jumlah data training). P(Y=NonIT)=86/111 = 0,774774775 (*catatan, jumlah data dengan jabatan = NonIT pada data training dibagi dengan seluruh jumlah data training) Tahap 2 menghitung jumlah kasus yang sama dengan class yang sama P(X Ci) X = data yang belum diketahui/dicari P(JENIS KELAMIN = LAKI - LAKI Y= IT) = 20/25 jumlah data jenis kelamin laki-laki dengan P(JENIS KELAMIN = LAKI - LAKI Y= NonIT) = 54/86 jumlah data jenis kelamin laki-laki dengan keterangan NonIT dibagi jumlah data NonIT P(JURUSAN = TI Y= IT) = 15/25 jumlah data jurusan TI dengan keterangan IT dibagi jumlah data IT P(JURUSAN = TI Y= NonIT) = 31/86 jumlah data jurusan TI dengan keterangan NonIT dibagi jumlah data NonIT P(IPK=3,74 Y= IT) = 3/25 jumlah data dengan IPK=3,74 dengan keterangan IT dibagi jumlah data IT P(IPK=3,74 Y= NonIT) = 3/86 jumlah data dengan IPK=3,74 dengan keterangan NonIT dibagi jumlah data NonIT P(Nilai IT = 95 Y= IT) = 5/25 jumlah data dengan Nilai IT =95 dengan keterangan IT dibagi jumlah data IT P(Nilai IT = 95 Y= NonIT) = 1/86

jumlah data dengan Nilai IT =95 dengan keterangan NonIT dibagi jumlah data NonIT P(Nilai NonIT = 81 Y= IT) = 1/25 jumlah data dengan Nilai NonIT =95 dengan P(Nilai NonIT = 81 Y= NonIT) = 0/86 jumlah data dengan Nilai NonIT =95 dengan keterangan NonIT dibagi jumlah data NonIT P(Sertifikasi = 0 Y= IT) = 1/25 jumlah data dengan Sertifikasi=0 dengan P(Sertifikasi = 0 Y= NonIT) = 17/86 jumlah data dengan Sertifikasi=0 dengan keterangan NonIT dibagi jumlah data NonIT P(Lulus Tepat Waktu= ya Y= IT) = 25/25 jumlah data dengan Lulus tepat waktu = ya dengan P(Lulus Tepat Waktu = ya Y= NonIT) = 83/86 jumlah data dengan Lulus tepat waktu= ya dengan keterangan NonIT dibagi jumlah data NonIT Tahap 3 kalikan semua hasil variable IT & NonIT P(X Ci)*P(Ci) Untuk IT P (Jenis Kelamin =LAKI LAKI), (JURUSAN=TI), (IPK=3,74), (Nilai IT=95), (NILAI NonIT=81), (Sertifikasi=0 ) IT), (Lulus Tepat Waktu= ya) = {P(P(Jenis Kelamin =LAKI-LAKI Y=IT). P(JURUSAN =TI Y=IT). P(IPK= 3,74 Y= IT). P(Nilai IT=90 Y=IT). P(Nilai NonIT=81 Y=IT). P(Setifikasi = 0 Y= IT) P(Lulus Tepat Waktu= ya Y=IT). = 20/25 * 15/25*3/25*5/25*1/25*1/25*25/25 * 0,225225225 *100 = 4.151351e-4 Untuk NonIT P (Jenis Kelamin =LAKI LAKI), (JURUSAN=TI), (IPK=3,74), (Nilai IT=95), (NILAI NonIT=81), (Sertifikasi=0 ) IT), (Lulus Tepat Waktu= ya) = {P(P(Jenis Kelamin =LAKI-LAKI Y=NonIT). P(JURUSAN =TI Y= NonIT). P(IPK= 3,74 Y= NonIT). P(Nilai IT=90 Y= NonIT). P(Nilai NonIT=81 Y= NonIT). P(Setifikasi = 0 Y= NonIT) P(Lulus Tepat Waktu= ya Y= NonIT). = 54/86*31/86*3/86*1/86*0/86*17/86*83/86*0,7 74774775 = 0 Tahap 4 Bandingkan hasil class IT & NonIT Karena hasil (P IT) lebih besar dari (PNon IT) maka prediksi yang didapat adalah IT Untuk perhitungan selanjutnya bisa dihitung dengan cara yang sama seperti diatas. Sebagai contoh hasil dari prediksi : alumni dengan jabatan IT diprediksi sebanyak 2 orang, dan alumni dengan jabatan NonIT diprediksi sebanyak 8 orang. Untuk Menghitung Akurasi Siapkan data real (data asli tahun 2017) untuk melihat seberapa akurat perhitungan prediksi dengan naive bayes. Sebagai contoh data asli(real) tahun 2017 : alumni dengan jabatan IT sebanyak 4 orang, dan alumni dengan jabatan NonIT sebanyak 6 orang. Keterangan TP = jumlah positif(it) yang diprediksi benar. TN = jumlah negatif(nonit) yang diprediksi benar. FP = jumlah positif(it) yang diprediksi salah. FN = jumlah negatif (NonIT) yang diprediksi salah. Jumlah IT prediksi = 2 Jumlah NonIT prediksi = 8 Jumlah Real IT = 4 Jumlah Real NonIT = 6 TP 2 TN 6 FP 2 FN 2 Akurasi = (TP+TN) / (TP+TN+FP+FN)*100% = (2 + 6) / (2 + 6 + 2 + 2 )*100% = 8/12*100% = 0,67 *100% = 67% Laju error = (FN+FP) / (TP+TN+FP+FN)*100% = ( 2 + 2) / ( 2 + 6 + 2 + 2) * 100% = 4 / 12 * 100% = 0,333 *100% = 33% 3.3 Implementasi Antarmuka A. Impementasi Antarmuka Data Training Gambar 6 Antarmuka Data Training Uraian : 1. Pilih menu Data Training 2. Klik choose file, lalu pilih file yang akan di import (file excel). 3. Klik tombol import.

4. Klik tombol hapus data, jika ingin menghapus data training. Klik ok jika yakin menghapus data training, klik cancel jika tidak akan menghapus data. 5. Pilih tombol lihat data untuk menampilkan data. 6. Klik tombol hitung jumlah class. B. Impementasi Antarmuka Prediksi Gambar 7 Antarmuka Data Testing Uraian : 1. Pilih menu Data Prediksi 2. Klik choose file, lalu pilih file yang akan di import (file excel). 3. Klik tombol import. 4. Klik tombol hapus data, jika ingin menghapus data training. Klik ok jika yakin menghapus data training, klik cancel jika tidak akan menghapus data. 5. Pilih tombol lihat data untuk menampilkan data. 6. Klik tombol hitung prediksi. maka akan menampilkan hasil prediksi seperti pada gambar 8. C. Impementasi Antarmuka Hasil prediksi Gambar 9 Pengujian Setelah melalui beberapa tahap analisa, perancangan dan implementasi, maka diperoleh kesimpulan sebagai berikut : Gambar 8 Antarmuka hasil prediksi 4. Hasil Pengujian Di bawah ini adalah hasil pengujian yang telah dilakukan pada penerapan algoritma naive bayes untuk memprediksi profil lulusan STMIK LPKIA Menggunakan perangkat lunak dengan metode datamining naive bayes ini, data tracer study sudah dimanfaatkan untuk memprediksi profil lulusan lpkia, yang menghasilkan informasi jumlah lulusan yang bekerja dengan jabatan IT dan dengan jabatan NonIT serta dari hasil prediksi akan menampilkan rekomendasi list nama-nama SMK atau SMA yang diutamakan untuk diadakan promosi, dilihat dari SMK atau SMA asal Lulusan yang terbanyak memiliki pekerjaan dibidang IT atau NonIT.

Saran atau masukan yang dapat diberikan untuk menunjang atau pengembangan sistem selanjutnya, sebagai berikut: Tambahkan menu update data saat import data, agar jika ada tambahan data atau kesalahan, tinggal di update saja. DAFTAR PUSTAKA Agung, B. (2012). Strategi jitu memilih metode statistik penelitian dengan SPSS. jurnal penelian, 14. Arikunto. (2012). Metode penelitian. penelitian, 89-71. DeniMahdiana. (2012). ANALISA DAN RANCANGAN SISTEM INFORMASI PENGADAAN BARANG DENGAN METODOLOGI BERORIENTASI OBYEK : STUDI KASUS PT. LIGA INDONESIA. Jurnal TELEMATIKA MKOM, Vol.3 No.2, 4. Febryanti. (2013). KURIKULUM PENDIDIKAN TINGGI DI ERA GLOBALISASI (PERGESERAN DARI KURIKULUM INTI DAN (PERGESERAN DARI KURIKULUM INTI DAN. Ta'dib, Vol. XVIII, No. 02, 21. Hisyam Wahid Luthfi, B. K. (2012). Sistem Informasi Perawatan Dan Inventaris Laboratorium Pada SMK Negeri 1 Rembang Berbasis Web. Journal Speed Sentra Penelitian Engineering dan Edukasi Volume 3 No 3, 3. Indriani, A. (2014). Klasifikasi Data Forum dengan menggunakan. Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 2. Jananto, A. (2013). Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa. Jurnal Teknologi Informasi DINAMIK Volume 18, No.1,, 12. Jananto, A. (2013). Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa. Jurnal Teknologi Informasi DINAMIK Volume 18, No.1, 10. Lillyan Hadjaratie, S. M. (2012). PREDIKSI DAN PEMETAAN DATA MAHASISWA FAKULTAS TEKNIK UNIVERSITAS NEGERI GORONTALO MENGGUNAKAN PENDEKATAN DATA MINING. Penelitian Kebijakan dan Kelembagaan Dana PNBP, 15. Mujib Ridwan, H. S. (2013). Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS Vol. 7, No. 1, 2. Praptiningsih, B. E. (2015). Pembuatan Engine E- Learning Pada Sekolah Menengah Pertama (SMP) Negeri 2 Kebonagung. IJNS Indonesian Journal on Networking and Security - Volume 4 No 1, 2. Sofwan, A. (2012). Belajar Mysql dengan Phpmyadmin. komputer, 2. Wahyu Eko Susanto, D. R. (2016). Komparasi Algoritma Neural Network, K-Nearest Neighbor Dan Naive Baiyes Untuk Memprediksi Pendonor Darah Potensial. Journal Speed Sentra Penelitian Engineering dan Edukasi Volume 8 No 3, 3. Wicaksono, E. (2016). Aplikasi Kuliner Salatiga Berbasis Web Menggunakan Framework Laravel. Artikel Ilmiah, 9. Yazdi, M. (2012). E-LEARNING SEBAGAI MEDIA PEMBELAJARAN INTERAKTIF BERBASIS TEKNOLOGI INFORMASI. Jurnal Ilmiah Foristek Vol. 2, No. 1, 6.