Algoritma Naive Bayes - SISTEM PENILAIAN KELAYAKAN KENAIKAN SABUK KARATE MENGGUNAKAN ALGORITMA

Naive Bayes adalah algoritma mengklasifikasikan objek secara sederhana di mana setiap atribut independen dan dapat berperan pada keputusan akhir. Naive Bayes merupakan algoritma yang termasuk dalam metode klasifikasi. Naive Bayes adalah klasifikasi menggunakan metode probabilistik dan statistik yang diusulkan oleh ilmuwan Inggris Thomas Bayes, yang dikenal sebagai teorema Bayes karena memprediksi potensi masa depan berdasarkan pengalaman masa lalu. Teorema ini digabungkan dengan naif, dengan asumsi bahwa kondisi antara atribut adalah independen. Klasifikasi Naive Bayes mengasumsikan bahwa ada atau tidak adanya karakteristik tertentu dari satu kelas tidak ada hubungannya dengan karakteristik kelas lain.

Untuk mendefinisikan Naive Bayes, perlu diingat bahwa proses klasifikasi membutuhkan banyak petunjuk untuk menentukankelas yang sesuai untuk sampel yang akan dianalisis. Oleh karena itu, teorema Bayes di atas berlaku sebagai berikut:

𝑃(𝐶|𝐹₁… 𝐹_𝑛) =𝑃(𝐶). 𝑃(𝐹₁… 𝐹_𝑛|𝐶) 𝑃(𝐹₁… 𝐹_𝑛)

Variabel C mewakili keelas, dan variabel(F_1… F_n) mewakili karakteristi instruksi yang diperlukan untukklasifikasi. Persamaan tersebut kemudian merumuskan peluang masuknyasampel dengan sifat tertentu dari kelas C (posterior) dikalikan dengan peluang munculnyakelas C (sebelum sampel diperoleh, sering disebut sebagai pra), dan peluang terjadinya sampel Jelaskan bahwa itu dikalikan dengan. Karakteristik kelas C (juga dikenal sebagai kemungkinan) dibagi denganprobabilitas bahwa karakteristik sampel akan terjadi secara global (juga dikenal sebagai bukti). Oleh karena iturumus di atas juga dapat dengan mudah ditulis sebagai:

𝑃𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 = 𝑃𝑟𝑖𝑜𝑟 𝑥 𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒

Nilai bukti selalu ditentukan untuk setiapkelas sampel acak. Nilai akhir dibandingkan dengan nilai akhir di kelas lain untuk menentukan kelas mana yang menjadi sampel. Penyempurnaan lebih lanjut dari rumus Bayesian dilakukan dengan menghitung (C | F_1… F_n) mengunakan aturan perkalian berikut:

(𝐶|𝐹₁… 𝐹_𝑛) = 𝑃(𝐶). 𝑃(𝐹₁… 𝐹_𝑛|𝐶)

= 𝑃(𝐶). 𝑃(𝐹₁|𝐶) 𝑃(𝐹₂… 𝐹_𝑛|𝐶, 𝐹₁)

= 𝑃(𝐶). 𝑃(𝐹₁|𝐶)𝑃(𝐹₂|𝐶, 𝐹₁)𝑃(𝐹₃… 𝐹_𝑛|𝐶, 𝐹₁, 𝐹₂)

= 𝑃(𝐶). 𝑃(𝐹₁|𝐶)𝑃(𝐹₂|𝐶, 𝐹₁)𝑃(𝐹₃|𝐶, 𝐹₁, 𝐹₂)𝑃(𝐹₄… 𝐹_𝑛|𝐶, 𝐹₁, 𝐹₂, 𝐹₃)

= 𝑃(𝐶). 𝑃(𝐹₁|𝐶)𝑃(𝐹₂|𝐶, 𝐹₁)𝑃(𝐹₃|𝐶, 𝐹₁, 𝐹₂) … 𝑃(𝐹_𝑛|𝐶, 𝐹₁, 𝐹₂, 𝐹_3…𝐹_𝑛−1)

Ternyata hasil penyempurnaan menyeebabkan faktor kondisional yang semakin kompleksyang mempengaruh nilai probabilitas, yang hampir tidak dapat dianalisis secara individual. Akibatnya, menjadi sulit untuk menghitung. Di sini, asumsi indepedensi yang sangat tingi (naif) digunakan bahwa semua instruksi (F_1, F_2 ... F_n) independen satu samalain. Dengan asumsi ini, persamaan berikut berlaku:

𝑃(𝑃_𝑖|𝐹_𝑗) =𝑃(𝐹_𝑖 ∩ 𝐹_𝑗)

𝑃(𝐹_𝑗) = 𝑃(𝐹_𝑖)𝑃(𝐹_𝑗)

𝑃(𝐹_𝑗) = 𝑃(𝐹_𝑖)

Untuk i ≠ j, sehingga

𝑃(𝐹_𝑖|𝐶, 𝐹_𝑗) = 𝑃(𝐹_𝑖|𝐶)

Dari persaman di atas, kita dapat menyimpulkan bahwa asumsi independensi sederhana menyederhanakan kondisi probabilitas dan memungkinkan perhitungan.

Selanjutnya, konversi 𝑃(𝐶|𝐹₁… 𝐹_𝑛) dapat disederhanakan sebagai berikut:

𝑃(𝐶|𝐹₁… 𝐹_𝑛) = 𝑃(𝐶)𝑃(𝐹₁|𝐶)𝑃(𝐹₂|𝐶)𝑃(𝐹₃|𝐶) …

= 𝑃(𝐶) ∏_i=1ⁿ 𝑃(𝐹₁|𝐶)

Persamaan di atasmerupakan model dariteorema naive bayes dan digunakan dalam proses klasifikasi. Rumus densitas Gaussian digunakan untuk klasifikasi dengan data kontinu:

𝑃(𝑋_𝑖 = 𝑥_𝑖 | 𝑌 = 𝑦_𝑗) = 1

√2πσ𝑖𝑗 e⁻

(𝑥_𝑖−µ𝑖𝑗)² 2𝜎²𝑖𝑗

Keterangan : P : Peluang 𝑋_𝑖 : Atribut ke i 𝑥_𝑖 : Nilai atribut ke i Y : Kelas yang dicari 𝑦_𝑗 : Sub kelas Y yang dicari

µ : Mean, Menunjukkan rata-rata dari semua atribut σ : Deviasi standar, Mewakili varians dari semua atribut

Adapun alur dari metode Naive Bayes adalah sebagai berikut : 1. Memasukkan data pelatihan

2. Baca data pelatihan.

3. Hitung angka dan probabilitas, tetapi jika datanya angka maka:

a. Temukan nilai mean dan standar deviasi dari setiap parameter yang merupakan data numerik.

b. Bagilah jumlah data yang sesuai dalam kategori yang sama dengan jumlah data dalam kategori itu untuk mendapatkan nilai probabilitas.

4. Dapatkan nilai dalam tabel mean, standar deviasi dan probabilitas.

2.5 Simple Additive Weighting (SAW )

Simple Additive Weighting adalah kalkulasi jumlah berbobot. Konsep dari algoritma Simple Additive Weight adalah mencari jumlah bobot dari evaluasi kinerja setiap pilihan untuk semua kriteria. Algoritma Simple Additive Weight memerlukan proses untuk menormalkan matriks keputusan (X) ke skala yang dapat dibandingkan dengan evaluasi alternatif yang ada. Algoritma Simple Additive Weight mengenali dua atribut: kriteria utilitas dan kriteria biaya. Perbedaan mendasar antara kedua kriteria ini terletak pada pilihan kriteria dalam pengambilan keputusan (Usito, 2013).

Adapun langkah penylesaian dalam menggunakannya adalah:

1. Tentukan alternatifnya, yaitu Ai

2. Tentukan kriteria yang akan digunakan sebagai acuan pendukung keputusan Cj

3. Berikan penilaian kesesuaian setiap opsi untuk semua kriteria.

4. Tentukan bobot preferensi (W) dari semua kriteria.

5. Buat tabel skor konsistensi untuk setiap alternatif dari semua kriteria.

6. Buat matriks keputusan (X) berdasarkan tabel penilaian profisiensi untuk setiap opsi dari semua kriteria.

7. Menormalkan matriks keputusan degan mendapatkan nilai kinerja ternormalidasi (rij) dari alternatif Ai sesuai dengan kriteria Cj. menghitung.

Jika j adalah atributkeuntungan (benefit):

𝑟_𝑖𝑗 = 𝑥_𝑖𝑗 max 𝑥_𝑖𝑗

Jika j adalah atribut biaya (cost):

𝑟_𝑖𝑗 = min 𝑥_𝑖𝑗 𝑥_𝑖𝑗

Keterangan:

rij = Peringkat kinerja yang dinormalisasi Nilai

xij = Nilai atribut milik masing-masing kriteria max xij = Nilai maksimum dari setiap standar min xij = Nilai minimum dari setiap standar benefit = Ketika nilai maksimum tertinggi

cost = Ketika nilai minimum adalah yang terbaik

8. Hasil penilaian kinerja ternormalisasi (rij) membentuk matriks ternormalisasi

9. Hasil akhir dari nilai preferensi (Vi) adalah jumlah elemen baris matriks yang dinormalisasi (R) dan bobot preferensi (W) yang sesuai dengan elemen kolom matriks (W)

𝑉_𝑖 = ∑ 𝑊_𝑗𝑟_𝑖𝑗

𝑛

𝑗=1

Keterangan:

Vi = nilai alternatif

Wj = nilai bobot dari setiap kriteria

rij = Peringkat kinerja yang dinormalisasi Nilai

Hasil perhitungan nilai Vi yang lebih besar menunjukkan bahwa alternatif Ai merupakan alternatif yang lebih baik.

2.6 Penelitian yang Relevan

Berikut ini adalah penelitian mengenai sistem pendukung keputusan yang memiliki kesamaan dengan metode Naïve Bayes Classifier dan Simple Additive Weighting (SAW) :

1. Pada Penelitian Puspita Tri Utami (2015) yang berjudul “ Implementasi perbandingan algoritma Analytic Hierarchy Process (AHP) dengan algoritma Simple Additive Weighting (SAW) dalam Pemilihan Website Hosting”

berkesimpulan bahwasa Aplikasi yang dikembangkan mampu memberikan solusi dengan mengimplementasikan algoritma Simple Additive Weight untuk pemilihan web host, dan dari hasil perbandingan kedua algoritma tersebut,

waktu yang dibutuhkan untuk perhitungan lebih singkat, sehingga algoritma Simple Additive Weight dapat diperoleh lebih efisien.

2. M. Pristian R (2016) dalam penelitian nya yang berjudul “Implementasi Metode Simple Additive Weighting dan Weighted Product Model dalam Pemilihan Lembaga Bimbingan Belajar di Kota Medan” Dinyatakan bahwa algoritma SAW (Simple Additive Weighting) dapat diterapkan pada proses seleksi institusi pendidikan di Medan melalui perbandingan Simple Additive Weight dan Weight Product, dan akurasinya lebih tinggi dari hasil perhitungan menggunakan metode Simple Additive Weighting daripada Metode Weighted Product Model. Oleh karena itu, ketika memilih lembaga bimbingan belajar di Medan, skor Simple Additive Weighting lebih tinggi dibandingkan dengan pembobotan Weight Product Model.

3. Dalam penelitian Tengku Aulia Adha (2018) yang berjudul “Sistem Penilaian Kelayakan Proposal Bantuan Dana dengan menggunakan Metode Naïve Bayes Classifier dan TOPSIS” menyatakan bahwa Hasil dari algoritma Naive Bayes, dikemukakan bahwa semakin besar ukuran data latih atau training yang digunakan dengan jumlah fungsi kata yang banyak, maka semakin tinggi nilai akurasi klasifikasi dokumen.

4. Ahmad Rifai (2015) dalam penelitian berjudul “Implementasi Metode Naive Bayes dalam Menentukan Posisi Ideal Pemain dalam Sepak Bola Berbasis Android (Studi Kasus : Talenta Soccer Rantauprapat)” berkesimpulan bahwa Naive Bayes didukung oleh ilmu pengetahuan dan statistik probabilistik, terutama ketika menggunakan data pelatihan untuk mendukung keputusan klasifikasi. Di Naive Bayes, setiap atribut berpartisipasi dalam pengambilan keputusan, dan bobot atribut sama pentingnya..

Tabel 2.1. Penelitian Terdahulu

No. Nama

Peneliti Judul Penelitian Tahun Keterangan

1 Puspita

Ideal Pemain dalam Sepak Bola Berbasis Android (Studi Kasus : Talenta Soccer Rantauprapat) untuk pemain sepak bola

BAB III

ANALISIS DAN PERANCANGAN

3.1 Analisis Sistem

Analisis sistem yang akan dibangun sebagai bagian dari penelitian ini adalah proses pengumpulan ide dan masalah untuk dipecahkan dalam rangka merancang dan membentuk sistem langkah demi langkah dan memberikan solusi masalah melalui penggunaan komponen yang teratur dan terstruktur. Tahap analisis meliputi analisis masalah, arsitektur umum, analisis kebutuhan, dan analisis proses sistem.

3.1.1 Analisis Masalah

Penilaian kemampuan untuk kelayakan kenaikan sabuk karate adalah hal yang cukup penting dikarenakan Penilaian masih manual sehinga waktu yang diperlukan cenderung lama dan perhitungan nilai kurang akurat dalam proses penilaian ujian kenaikan sabuk karate selain itu seringkali Juri membuat keputusan yang salah apakah akan lulus atau tidak pada karateka yang akan mengikuti ujian kenaikan tingkat sabuk. Untuk itu dibutuhkan suatu aplikasi untuk membantu juri untuk mengambil keputusan dalam kelulusan peserta uji yang dapat dilihat pada diagram ishikawa pada gambar 3.1.

Gambar 3.1. Diagram Ishikawa Sistem

3.1.2 Arsitektur Umum

Arsitektur Umum ialah deskripsi umum bagaimana suatu sistem berjalan dan fitur yang mendukung tercapainya penyelesaian suatu masalah. Dalam panelitian ini digambarkan arsitekturumum seperti gambar 3.2.

Gambar 3.2. Arsitektur Umum Sistem

Penjelasan proses rancangan sistem penguji kelayakan menggunakan Algoritma Naïve Bayes Classifier dan Algoritma Simple Additive Weighting (SAW).

1. Data peserta ujian

Pada penelitian ini awal yang dilakukan adalah memasukkan kriteria dari peserta ujian kenaikan sabut. Kriteria yang diisi berupa nilai hasil uji dari peserta ujian.

2. Pengolahan Data Awal

Tahap ini akan melakukan proses untuk normalisasi data agar mendapat data yang bagus dan sesuai yang kemudian dapat diproses pembobotan kriteria.

3. Pembobotan Nilai

Pada tahap ini dilakukan proses pembobotan menggunakan Naïve Bayes yang kemudian akan memunculkan bobot secara acak. Untuk mementukan hasil bobot tentunya mengacu pada database hasil training peserta ujian periode sebelumnya agar menjadi acuan dalam penilaian.

4. Proses Perangkingan Bobot

Tahap selanjutnya adalah tahap perangkingan. Pada tahap Proses Perangkingan Bobot Algoritma Simple Additive Weighting (SAW) akan melakukan proses perangkingan sehingga diketahui siapa yang memiliki kelayakan tertinggi.

3.1.3 Analisis Kebutuhan

Analisis kebutuhan adalah tahap mempersiapkan komponen yang diperlukan untuk membangun sebuah sistem. Ada dua jenis analisis ini.:

1. Persyaratan sistem fungsional

Persyaratan fungsional yang harus dimiliki sistem:

a. Sistem memiliki kriteria untuk setiap kandidat untuk diprioritaskan.

b. Sistem memberikan evaluasi yang objektif dari setiap kriteria evaluasi.

c. Sistem mengurutkan saran peserta dalam urutan tertinggi, dimulai dengan nama yang paling cocok dengan profil peserta yang layak lulus.

2. Persyaratan sistem non-fungsional

Kebutuhan non-fungsional sistem disajikan dalam bentuk antarmuka yang dapat dengan mudah dipahami oleh pengguna.

3.1.4 Analisis Proses

Penelitian ini menggunakan algoritma Simple Additive Weight dan Naïve Bayes untuk menemukan peserta karate yang sesuai dengan penilaian juri. Dengan membandingkan nilai kriteria peserta dan nilai profil peserta lainnya hingga didaptkan selsih dengan probabilistika lalu dilakukan pembbotan atas nilai danterakhir hasilnya dirangking secara ascending. Hal yang pertama dilakukan penguna adalah memasukkan nilai atau informasimengenai penghafalan ‘kata’, kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis, dan kumite.

Setelah semua kriteria telah diberikan, maka sistem akan melkukan perhitungan Simple Additive Weight dan Naïve Bayes kemudian hasilny akan ditampilkanpada aplikasi.

3.2 Pemodelan Sistem 3.2.1 Use Case Diagram

Diagram use case ialah deskripsi layanan yagn terdapat dalam sistem yng dirancang kepada pengguna sebagai serangkaian tindakanyang menyediakan aksi. Untuk gambar use case diagaram terdapat pada Gambar 3.3.

Gambar 3.3. Use Case Diagram Pada Sistem

Pada gambar 3.3 menjelaskanbahwa pengguna akan memiliki 3 menu case yaitu menyimpan data peserta untuk menjadi acuan penilaian peserta yang akan digunakan untuk menghitung kelayakan menggunakan algoritma Naïve Bayes.

Kemudian menu untuk memasukkan kriteria atau nilai dari setiap indicator penilaian. Yang terakhir adalah menu untuk melakukan perangkingan menggunakan Simple Additive Weight yang kemudian mengurutkan dan memberikan hasil akhir berupa urutan secara ascending calon peserta yang layak untuk naik sabuk karate.

3.2.2 Activity Diagram

Activity Diagram dalampenelitian ini memberikan deskripsi langkah demi langkah dari aktivitas interaksi yang saling terkait antara pengguna dan sistem. Diagram kerja ini juga mencakup urutan pengunaan sistem dari awal hingga akhir. Untuk penjabaran mengenai Activity Diagram dapat dilihat pada gambar 3.4.

Gambar 3.4. Activity Diagram Pada Sistem

3.2.3 Sequence Diagram

Sequence Diagram ialah Pengembangan berupa diagramberupa hubungan antar komponen sistemdalam satuan waktu. Sequencediagram menggambarkan interaksi antarkomponen sistem untuk memberikan umpan balik. Gambar 3.5. berikut ini akan menjelaskan diagram sequence sistem pada penelitian ini.

Gambar 3.5. Sequence Diagram Pada Sistem

3.2.4 Flowchart

Flowchart adalah adalah Gambar dengan simboltertentu pada diagram yang merinci urutan prosesdan hubungan di antara mereka. Diagram blok biasanya digunakanterutama untuk tujuan komunikasi dandokumentasi.Berikut penjelasan Flowchart yang dapat dilihatpada gambar 3.6.

Gambar 3.6. Flowchart Sistem 3.3 Perancangan Antarmuka (Interface)

Perancangan Interface idalah rancangan halaman suatu sistem yang memungkinkan penguna berinteraksi degan mudah untuk menjalakan fungsi-fungsi sistem.

3.3.1. Rancangan Halaman Utama

Halaman Utama adalah tampilan yang berisikan keterangan mengenai sistem yaitu menu-menu yang tersedia, judul dari penelitian, logo instansi, dan biodata peneliti seperti nama, NIM, program studi dan tahun penelitian. Untuk melihat perancangan halaman utama, dapatdilihat pada gambar3.7.

Gambar 3.7. Rancangan Halaman Utama Keterangan :

1. Menu Bar

Digunakan untuk menampilkan tampilan menu pada sistem yaitu Home, Data Peserta, dan Perangkingan Peserta.

2. Label Judul

Digunakan untuk menampilkan judul dari penelitian.

3. Picturebox Logo USU

Digunakan untuk menampilkan gambar berupa logo instansi.

4. Label Biodata Penulis

Digunakan untuk menampilkan biodata penulis yaitu, nama, NIM, instansi perguruan tinggi dan tahun penelitian ini dilaksanakan.

3.3.2. Rancangan Halaman Data Peserta Ujian

Halaman Data Peserta Ujian adalah tampilan pada sistem yang digunakan untuk menampilkan fitur-fitur mengenai data peserta ujian. Pada halaman ini umumnya digunakan untuk melihat data peserta yang tersedia, memasukkan data baru peserta, memasukkan beberapa kriteria atau nilai dari setiap kriteria kelulusan peserta kedalam sistem. Kriteria peserta yang dimasukkan kedalam sistem yaitu Nama peserta, kemampuan penghafalan ‘kata’, kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis, kumite. Tampilan dari halaman Data peserta ujian dapat dilihatpada gambar3.8.

Gambar 3.8. Rancangan Data Peserta Keterangan :

1. Menu Bar

Digunakan untukmenampilkan tampilan menu pada sistem yaitu Home, Data Peserta, dan Perangkingan Peserta.

2. Tabel Data Peserta

Digunakan untuk menampilkan data nilai peserta yang pernah mengikuti ujian kenaikan sabuk kedalam sistem.

3. Groupbox Input Peserta

Digunakan untuk mengelompokkan kriteria-kriteria untuk dimasukkan kedalam sistem seperti kemampuan penghafalan ‘kata’, kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis, kumite.

4. Button Input Peserta

Digunakan untuk melakukan aksi yaitu menyimpan data peserta kedalam database sistem.

5. Button Reset

Digunakan untuk melakukan aksi yaitu membersihkan semua nilai dari jendela nilai yang dimasukkan.

6. Groupbox Jumlah Peserta

Digunakan untuk mengelompokkan jumlah peserta yang mengikuti ujian, peserta yang lulus, dan peserta yang tidak lulus.

3.3.3. Rancangan Halaman Perangkingan Peserta

Halaman perangkingan peserta adalah tampilan sistem yang menunjukan fitur-fitur untuk mengurutkan nama-nama peserta berdasarkan bobot yang diberikan untuk dihitung perangkingannya. Untuk tampilan halaman perangkingan peserta dapat dilihat pada gambar 3.9.

Gambar 3.9. Rancangan Halaman Perangkingan Peserta Keterangan :

1. Menu Bar

Digunakan untukmenampilkan tampilan menu pada sistem yaitu Home, Data Peserta, dan Perangkingan Peserta.

2. Tabel Data Peserta

Digunakan untuk menampilkan data nilai peserta yang lulus mengikuti ujian kenaikan sabuk.

3. Groupbox Bobot

Digunakan untuk mengelompokkan elemen-elemen untuk parameter apa saja yang digunakan dalam menjadi bobot perangkingan pada peserta.

4. Button Rangking Peserta

Digunakan untuk melakukan perangkingan terhadap nilai masukan dan nama-nama peserta yang dinyatakan layak.

5. Button Reset

Digunakan untuk membersihkan atau mengulang semua masukkan menjadi kosong atau bernilai default.

6. Textbox total peserta lulus

Digunakan untuk menampilkan jumlah peserta yang lulus.

7. Tabel Rangking Peserta

Digunakan untuk menampilkan nama peserta yang lulus mengikuti ujian kenaikan sabuk terurut berdasarkan rangking.

BAB 4

IMPLEMENTASI DAN PENGUJIAN

Pada bab Implementasi dan Pengujian akan dideskripsikan mengenai proses penerapan algoritma Naïve Bayes dan Simple Additive Weight pada sistem sesuai perancangan sistem berdasarkan pemaparan dan analisis pada bab sebelumnya dan kemudian melakukan pengujian pada sistem yang dibangun.

4.1 Implementasi Perancangan Antarmuka

Pada penerapan perancangan antarmuka digunakan Bahasa program C# dan software IDE Sharpdevelop 4.4. Adapun penerapan dari perancangan antarmuka yang telah dipaparkan dan dianalisis pada sistem adalah sebagaiberikut:

4.1.1 Halaman Utama

Haalaman utama adalah halaman pertama yang munculsaat user menjalankan sistem, dan berisi menu data mata kuliah dan menu ranking peserta seperti terlihat pada gambar 4.1.

Gambar 4.1. Halaman Utama

4.1.2 Halaman Data Peserta

Halaman data peserta adalah halamanyang berisikan informasi tentang nilai-nilai dari setiap kriteria peserta mengenai kemampuan karate nya. Informasi peserta terdiri dari 5 kemampuan yaitu kemampuan penghafalan ‘kata’, kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis, kumite. Pada halaman ini juga terdapat textbox untuk menampung masukkan nama peserta dan nilai kemampuan peserta untuk kemudian disimpan ke dalam database sistem. Pengguna dapat memasukkan nama dan nilai kemampuan peserta dan selanjutnya menekan tombol “Input Data” untuk melakukan penyimpanan data kedalam database. Untuk melihat halaman data peserta dapat dilihatpada gambar4.2.

Gambar 4.2. Halaman Data Peserta

4.1.3 Halaman Perangkingan Peserta

Hallaman perangkingan peserta adalah halaman yang menampilkan nama peserta yang lulus dengan nilai-nilai standar yang telah dicapai untuk kemudian mendapatkan rangking tertinggi agar mendapatkan keberhasilan dalam kenaikan sabuk karate. Dari kelayakan peserta pengguna atau panitia hanya memasukkan nilai standar dan kemudian menekan tombol “Rangking Peserta” agar sistem dapat menghitung nilai dan mendapatkan hasil perangkingan peserta. Untuk tampilan perangkingan peserta dapatdilihat pada gambar4.3.

Gambar 4.3. Halaman Perangkingan Peserta

4.2 Pengujian Sistem

Sistem yang dibangun menggunakan algoritma Naïve Bayes dan Simple Additive Weight untuk menentukan kelayakan peserta pada ujian kenaikan sabuk karate.

4.2.1 Implementasi Naïve Bayes pada Penilaian Kelulusan Peserta

Implementasi Naïve Bayes dalam sistem yang dibangun pada proses menentukan kelulusan kenaikan sabut karater dengan menghitung nilai ujian dan bobot probabilistic yang terdapat pada database.

Nilai Naïve Bayes dari setiap alternatif didapatkan dari nilai-nilai yang dihitung dengan probabilistika yaitu normalisasi nilai setiap alternatif dengan membagi nilai alternatif dengan semua nilai alternatif kemudian membandingkan nilai tersebut dengan nilai setiap klasifikasi yaitu lulus atau tidak lulus. Untuk perhitungan yang membutuhkan probabilistic nilai membutuhkan data yang besar dan bervariasi agar mendapatkan hasil yang lebih baik.

Dari perhitungan menentukan kelayakan atau kelulusan peserta telah diterapkan kedalam sistem yang dapat digunakan oleh juri dan pelatih dengan memasukan nilai setiap peserta ke dalam sistem. Berikut adalahtampilan input data yang dapatdilihat pada gambar4.4.

Gambar 4.4. Halaman Input Nilai Peserta Baru

Dari gambar 4.4 terdapat beberapa textbox untuk menampung nama dan nilai-nilai ujian. Dari textbox tersebut, juri dapat memasukkan nilai-nilai peserta ujian kenaikan sabut karate. Setelah memasukan nilai ujian, selanjutnya juri dapat menekan tombol “Hasil dan Input Data” untuk melakukan proses perhitungan Naïve Bayes dan nilai tersebut akan dimasukkan kedalam sistem. Proses yang sudah dilakukan akan menghasilkan penambahan peserta dengan keterangan lulus maupun tidak lulus pada sistem yang dapat dilihat pada gambar 4.5.

Gambar 4.5. Hasil Kelulusan Peserta Baru

4.2.2 Implementasi Simple Additive Weight pada Perangkingan Peserta

Implementasi Simple Additive Weight dalam sistem yang dibangun pada proses pengurutan atau perangkingan dari nilai yangterbesar sampainilai yangterkecil dari data peserta yang sudah dinyatakan lulus yang terdapat pada database.

Nilai Simple Additive Weight dari setiap alternatif didapatkan dari nilai-nilai peserta yang dinyatakan lulus pada sistem kelulusan dengan Naïve Bayes. Untuk menghitung Simple Additive Weight, Anda perlu menentukan prioritas atau kepentingan setiap kriteria. Kemudian buat matriks keputusan berdasarkan tabel penilaian profisiensi untuk setiap pilihan setiap kriteria. Kemudian menormalkan matriks keputusan dengan menghitung nilai evaluasi kinerja yang dinormalisasi untuk kriteria alternatif. Dari perhitungan menentukan rangking tertinggi peserta telah diterapkan kedalam sistem yang dapat digunakan oleh juri dan pelatih dengan memasukan nilai setiap peserta ke dalam sistem. Berikut adalahtampilan input data yang dapatdilihat pada gambar 4.6.

Gambar 4.6. Halaman Input Nilai Bobot Preferensi

Dari gambar 4.6 terdapat beberapa textbox untuk menampung nilai-nilai bobot. Dari textbox tersebut, juri dapat memasukkan nilai bobot untuk setiap kriteria peserta ujian kenaikan sabut karate. Setelah memasukan nilai bobot, selanjutnya juri dapat menekan tombol “Rangking Peserta” untuk melakukan proses perhitungan Simple Additive Weight dan nilai tersebut akan diurutkan didalam

sistem. Proses yang sudah dilakukan akan menghasilkan nama dengan urutan rangking pertama sampai terakhir pada sistem yang dapatdilihat padagambar 4.7.

Gambar 4.7. Hasil Perangkingan Peserta

4.2.3 Hasil Evaluasi Sistem

Implementasi dari algoritma Naïve Bayes dan Simple Additive Weight diuji menggunakan beberapa variasi data peserta untuk mendapatkan nilai pengaruh banyak data dengan waktu proses yang dihasilkan. Untuk itu setiap nilai peserta akan diuji dengan banyaknya data yang digunakan dalam penguji performansi algoritma Naïve Bayes yaitu sebesar 20, 50, 100, 200 data peserta dan pengujian performansi algoritma Simple Additive Weight dengan menggunakan data sebanyak 10, 25, 50, 100 data peserta yang telah lulus.

Tabel 4.1. Pengujian Algoritma Naïve Bayes

Pengujian Naïve Bayes

Banyak Data

20 50 100 200

Running Time 2112,0218 2158,1703 2182,0619 2214,7712

Tabel 4.2. Pengujian Algoritma Simple Additive Weight

Pengujian Simple Additive Weight

Banyak Data

10 25 50 100

Running Time 1,4991 3,6647 6,6232 12,1418

Dari tabel4.1. dan4.2 dapat digambarkan menjadi bentuk grafikyang dapatdilihat pada gambar4.8 yang menjelaskan running time algoritma Naïve Bayes dan 4.9 yang menjelaskan running time algoritma Simple Additive Weight.

Gambar 4.8. Running Time Algoritma Naive Bayes

Dari grafik diatas dapat dilihat waktu yang meningkat seiring dengan bertambah banyak data peserta pada database yang dihitung oleh Naïve Bayes.

Gambar 4.9. Running Time Algoritma Simple Additive Weight

Dari grafikdiatas dapat dilihatbahwa waktu yang meningkat seiring dengan banyaknya data peserta yang lulus pada database yang digunakan untuk menghitung nilai v dan dirangking dengan menggunakan algoritma Simple Additive

Dalam dokumen SISTEM PENILAIAN KELAYAKAN KENAIKAN SABUK KARATE MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER DAN ALGORITMA SIMPLE ADDITIVE WEIGHTING (SAW) SKRIPSI (Halaman 20-0)