BAB II TINJAUAN PUSTAKA
2.3 Kerangka Berfikir
Dari permasalahan dan tinjauan pustaka yang telah dikemukakan pada bab sebelumnya, selanjutnya dapat disusun kerangka pemikiran terhadap penelitian yang diajukan, dimana kerangka pemikiran merepresentasikan suatu konsep dan pola pikir yang dilakukan untuk mengatasi permasalahan penelitian. Berikut merupakan bagan alur kerangka pemikiran dari hasil pendekatan landasan teori dan permasalahan penelitian di atas :
Gambar 2.4 Kerangka Berfikir Sumber : Penulis
Permasalahan penelitian Adanya perilaku pelanggan yang berpindah ke produk pesaing
Topik
Menentukan pelanggan aktif dan tidak aktif dalam upaya strategi penjualan
produk Data
“ Penerapan Data Mining dengan Algoritma Naïve Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL(Studi Kasus di
CV.Sumber Utama Telekomunikasi) ( Dicky Nofriansyah, dkk, 2016)”
“Implementasi Algoritma Naïve Bayes dalam Menentukan Pemberian Kredit ( Muhammad Husni Rifqo dan Ardi Wijaya, 2017)”
“Implementasi Metode Klasifikasi Naïve Bayes dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga ( Alfa Saleh, 2015)”
30 bidang manufacture, yang mana hasil produksinya dikirim ke perusahaan lain baik lokal maupun ekspor. Kantor pusat dan tempat produksi PT. Youm Kwang Indonesia bertempat di Delta Silicon V Blok G 03 B Nomor 03 Kawasan Lippo Cikarang Desa Cicau Kecamatan Cikarang Pusat Kabupaten Bekasi 17530 Jawa Barat Indonesia, dengan nomor telepon (021)-29472022/25 dan nomor faksimile (021)-29472026/27.
PT. Youm Kwang Indonesia berdiri pada tahun 2009 dengan IUI yang terbaru Nomor 245/1/IU/III/PMA/INDUSTRI/2012 yang dikeluarkan oleh BKPM dan terdaftar sebagai Kawasan Berikat nomor Skep 2331/KM.4/2012 yang diterbitkan oleh Direktorat Jenderal Bea Cukai di bawah Kementrian Keuangan pada tanggal 24 Juli 2012. PT. Youm Kwang Indonesia bergerak dalam bidang penyempurnaan benang (benang warna) dengan berbagai tipe produk benang jahit dengan produksi utamanya adalah benang nylon, poly textured, poly core dan polyester.
3.1.2 Kebijakan Perusahaan
PT Youm Kwang Indonesia selalu berusaha melakukan perbaikan berkesinambungan untuk menjadi supplier terbaik dengan cara memenuhi
kepuasan pelanggan dan menciptakan nilai-nilai baru yang selaras dengan komitmen untuk menjaga keselamatan dan kesehatan kerja serta menjaga kelestarian lingkungan.
Sebagai perusahaan besar pasti memiliki visi dan misi untuk dijadikan sebagai tujuan kerja dan pencapaian. Berikut adalah visi serta misi dari PT Youm Kwang Indonesia :
1. Visi
Menjadikan Perusahaan produsen pencelupan benang yang berkualitas kelas dunia dengan pengiriman tepat waktu dan memberikan kepuasan pelanggan 2. Misi
a. Menyediakan produk dengan kualitas terbaik
b. Meningkatkan pelayanan jasa untuk memenuhi kepuasan pelanggan.
c. Kami ingin memberikan kontribusi lebih terhadap pertumbuhan ekonomi nasional.
d. Menjaga pelaksanaan “pengaruh tidak semestinya” dengan laboratorium pihak ke tiga dan staff pengujian internal yang tepat, terlatih dan disiplin.
e. Meningkatkan penerapan sistem manajemen keselamatan dan kesehatan kerja.
3.1.3 Struktur Organisasi
Para pelaku yang menjalankan sistem dalam perusahaan memiliki kewenangan yang berbeda–beda sesuai dengan job deskripsi yang telah didapatkan berdasarkan proporsi serta kompetensi dan kemampuan yang dimiliki oleh para pelaku yang terdapat dalam perusahaan ataupun suatu organisasi.
Sebagai perusahaan dengan sistem yang modern PT Youm Kwang Indonesia juga memiliki struktur organisasi yang kompleks. Keseluruhan struktur organisasi PT Youm Kwang Indonesia digambarkan sebagai berikut:
Gambar 3.1 Struktur Organisasi PT. Youm Kwang Indonesia Sumber : Penulis
Berdasarkan struktur organisasi pada Gambar 3.1, tugas dari masing-masing bagian yang terkait dengan bidangnya sebagaimana tercantum dalam struktur organisasi perusahaan antara lain:
1. President Director
a. Memimpin, mengkoordinasi dan mengawasi seluruh kegiatan perusahaan.
b. Memimpin rapat perusahaan dalam rangka meningkatkan dan mengembangkan perusahaan.
c. Pengambil keputusan tertinggi di perusahaan.
2. Coorporate Management
a. Menangani HRD, Recruitment, menangani pelatihan dan kehadiran karyawan.
b. Mengatur masalah keuangan perusahaan, melakukan pembayaran, penagihan kepada customer
c. Membuat laporan keuangan dan pajak perusahaan
3. Logistic
a. Warehouse (WH)
Menangani pemasukan dan pengeluaran barang.
Menyediakan barang yang dibutuhkan oleh bagian produksi.
Memastikan barang-barang untuk pengiriman sudah tersedia.
Mengecek on time delivery.
Membuat laporan stok gudang
Membuat surat jalan pengiriman b. EXIM (Ekspor Impor)
Membuat dokumen Bea Cukai (pengiriman domestic/export dan pemasukan barang).
Menangani ekspor/impor dan dokumen-dokumen perijinan lainnya.
Membuat laporan bulanan dan 4 bulanan pemasukan dan pengeluaran barang per dokumen pabean Kawasan Berikat.
4. Sales Management
a. Memperluas jaringan bisnis dan mempromosikan produk b. Berhubungan langsung dengan pelanggan.
c. Memenuhi pencapaian target sales penjualan.
5. Produksi
a. Menyediakan barang sesuai dengan order.
b. Menjamin bahwa stok untuk pengiriman selalu tersedia.
c. Menangani mesin dan memperbaiki mesin.
d. Membuat sample untuk produk baru.
e. Memproduksi barang sesuai pesanan pelanggan.
6. Quality Assurance
a. Menangani complain dari pelanggan.
b. Mengontrol kualitas dan pengecekan barang.
c. Memastikan kualitas barang yang masuk dan keluar.
7. PPIC (Planning, Production and Inventory Control) / Purchasing
a. Melakukan pembelian (import dan local) dan memastikan barang datang tepat waktu.
b. Menangani impor dan dokumen-dokumennya.
c. Pengecekan PO ke supplier.
3.2 Metode Penelitian
Penelitian merupakan kegiatan pengumpulan, pengolahan, análisis, dan penyajian data yang dilakukan secara sistematis dan obyektif untuk memecahkan suatu persoalan. Metode penelitian diharapkan dapat memberikan arah dan pedoman dalam melakukan penelitian agar dapat memperoleh hasil penelitian yang akurat, cermat, dan berkualitas sesuai dengan permasalahan yang dihadapi dan selalu konsisten. Metode yang digunakan dalam penelitian ini adalah metode penelitian deskriptif kuantitatif. Berikut ini adalah tahapan-tahapan dalam melakukan penelitian data mining:
Gambar 3.2 Metode Penelitian Sumber : Penulis Pengumpulan Data
Pengolahan Data Awal
Metode Yang Diusulkan
Pengujian dan Validasi Hasil
1. Pengumpulan Data
Tahapan ini menjelaskan mengenai dari mana sumber data didapatkan untuk keperluan penelitian ini.
2. Pengolahan Data Awal
Tahapan ini menjelaskan tahap awal dalam data mining. Data yang didapat akan diolah ke format yang dibutuhkan, pengelompokan dan penentuan atribut dari data awal.
3. Metode Yang Diusulkan
Pada bagian ini menjelaskan tentang metode yang diusulkan untuk digunakan dalam penelitian ini, yaitu dengan menggunakan Algoritma Naïve Bayes.
4. Pengujian dan Validasi Hasil
Pada bagian ini menjelaskan tentang pengujian, hasil prediksi dari penerapan Data Mining menggunakan Algoritma Naïve Bayes.
3.3 Metode Pengumpulan Data
Penelitian ini diselenggarakan di PT. Youm Kwang Indonesia. Sebagai dasar dalam penyusunan penelitian ini, penulis mengumpulkan data melalui : 1. Penelitian lapangan
Metode pengumpulan data dilakukan melalui beberapa pendekatan dan cara dengan tujuan untuk memperoleh data primer yang aktual antara lain :
a. Pengamatan langsung untuk mengumpulkan data yang berhubungan dengan obyek penelitian.
b. Melakukan wawancara langsung (tatap muka) kepada beberapa pegawai / bagian terkait di PT Youm Kwang Indonesia
2. Penelitian kepustakaan
Dengan penelitian kepustakaan, penulis memperoleh data sekunder melalui beberapa buku literatur, jurnal ilmiah, majalah ilmiah, panduan akademik dan sebagainya.
3.4 Pengelolaan Data Awal
Pengelolaan data awal pada penelitian ini mencakup semua kegiatan yang berhubungan dengan persiapan data sebelum melanjutkan ke dalam proses pemodelan data mining. Dalam pengelolaan data awal akan dilakukan beberapa tahapan, tahapan tersebut adalah : Seleksi Data (Selection), Pemilihan Data (Preprocessing/Cleaning) dan Transformasi (Transformation).
1. Seleksi Data (Selection)
Selection (seleksi/ pemilihan) data merupakan sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam Data Mining. Data hasil seleksi ini yang akan digunakan untuk proses Data Mining. Dan dalam penelitian ini data yang digunakan untuk menentukan pelanggan aktif dan tidak aktif adalah data “Packing List Penjualan” di PT Youm Kwang Indonesia. Berikut ini adalah data “Packing List Penjualan” di PT Youm Kwang Indonesia:
Gambar 3.3 Potongan Packing List Penjualan Sumber : PT. Youm Kwang Indonesia
2. Pemilihan Data (Preprocessing/Cleaning)
Sebelum proses Data Mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus Data Mining. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, menghapus data yang tidak diperlukan dan memperbaiki kesalahan pada data, seperti kesalahan cetak(tipografi). Juga dilakukan proses Enrichment, yaitu proses “memperkaya”
data yang sudah ada dengan data atau informasi lain yang relevan, layak dan diperlukan untuk proses Data Mining. Setelah dilakukan proses membuang duplikasi data dan menghapus data yaitu Item, Color dan MTS sehingga menghasilkan 300 record data pelanggan sebagai berikut:
Gambar 3.4 Potongan Proses Cleaning Data Sumber : Penulis
3. Transformasi (Transformation)
Pada fase ini yang dilakukan adalah mentransformasi bentuk data yang belum memiliki entitas yang jelas ke dalam bentuk data yang valid atau siap untuk dilakukan proses Data Mining.
a. Mengklasifikasikan PO (Purchase Order), Klasifikasi PO (Purchase Order) ini berdasarkan banyak pelanggan yang menerbitkan PO. Sehingga PO diklasifikasikan menjadi seperti pada tabel di bawah ini:
Tabel 3.1 Klasifikasi PO
PO Klasifikasi
0 – 10 Sedikit
>10 – 25 Sedang
> 25 Banyak
b. Mengklasifikasikan Qty, Klasifikasi Qty (Quantity) ini berdasarkan jumlah pembelian produk yang dilakukan pelanggan. Sehingga Qty diklasifikasikan menjadi seperti pada tabel di bawah ini:
Tabel 3.2 Klasifikasi Qty
Qty Klasifikasi
0 – 10.000 Kecil
>10.000 – 25.000 Standar
> 25.000 Besar
c. Mengklasifikasikan Jumlah bayar, Klasifikasi Jumlah bayar ini berdasarkan jumlah pembayaran atas pembelian yang dilakukan pelanggan. Sehingga Jumlah bayar diklasifikasikan menjadi seperti pada tabel di bawah ini:
Tabel 3.3 Klasifikasi Jumlah Bayar Qty Klasifikasi 0 – $ 10.000 Kecil
>$ 10.000 – $ 25.000 Standar
> $ 25.000 Besar
Setelah melakukan tranformasi bentuk data dan memiliki entitas yang jelas, maka format data akhir ini yang akan dijadikan sebagai data yang siap untuk dilakukan proses Data Mining adalah sebagai berikut:
Gambar 3.5 Potongan Proses Transformasi Data Sumber : Penulis
Dari gambar 3.5 di atas terlihat bahwa data yang digunakan dan diolah berjumlah 300 record data, kemudian data tersebut dibagi menjadi dua kelompok yaitu data training dan data testing. Pembagian data menjadi data training dan data testing pada penelitian ini menggunakan rasio 90% atau 270 record data untuk data training dan 10% atau 30 record data untuk data testing yang disimpan dalam format file excel.
Data training merupakan data yang digunakan dalam melakukan pembelajaran sedangkan data testing adalah data yang tidak pernah dipakai sebagai pembelajaran dan akan berfungsi sebagai data pengujian kebenaran atau keakurasian hasil pembelajaran, Written, etc. (dalam Ni Luh Ratniasih, dkk.,
2017:14). Berikut ini adalah data training dan data testing yang akan digunakan dalam pengolahan data mining:
Gambar 3.6 Potongan Data Training Sumber : Penulis
Gambar 3.7 Potongan Data Testing Sumber : Penulis
3.5 Metode Yang Diusulkan
Pada penelitian ini akan dilakukan analisa menggunakan metode klasifikasi dengan Algoritma Naïve Bayes. Pemilihan Algoritma Naïve Bayes ini dikarenakan dapat memprediksi peluang di masa depan berdasarkan pengalaman dimasa sebelumnya sehingga dikenal sebagai Teorema Bayes (Dicky Nofriansyah, dkk., 2016:82).
Data packing list penjualan akan diolah menggunakan metode klasifikasi dengan Algoritma Naïve Bayes kemudian dicari hasil akurasinya. Dalam tahapan ini akan dilakukan beberapa langkah yaitu sebagai berikut:
Gambar 3.8 Langkah Pengujian Metode Sumber : Penulis
Pengolahan data dengan Naïve Bayes
Pengujian dengan tools Rapidminer
Evaluasi hasil: Confussion matrix dan Kurva ROC Data Set packing list penjualan
43 BAB IV
HASIL DAN PEMBAHASAN
4.1 Implementasi Algortima Naïve Bayes
Setelah mendapatkan jumlah record data training dan data testing, selanjutnya akan dilakukan pengolahan data mining berdasarkan dari data yang sudah disiapkan sebelumnya yaitu 90% atau 270 data training dan 10% atau 30 data testing. Berikut ini adalah sebagai sample data testing yang akan diuji:
Tabel 4.1 Data Testing
Tahapan penyelesaian data mining dengan menggunakan Algoritma Naïve Bayes perhitungan secara manual adalah sebagai berikut:
1. Hitung nilai P(X|Ci) untuk setiap class i
a. P(PO = “Sedikit” | Jenis Pelanggan = “Aktif ”)
P(Qty = 7/167 = 0.0419161677 )
e. P(Jumlah bayar = “Sedang” | Jenis Pelanggan = “Aktif”) P(Jumlah bayar = 10/103 = 0.0970873786 )
f. P(Jumlah bayar = “Sedang” | Jenis Pelanggan = “Tidak Aktif”) P(Jumlah bayar = 9/167 = 0.0538922156 )
2. Hitung nilai P(X|Ci) untuk setiap kelas (label) a. P(X | Jenis Pelanggan = “Aktif”)
= 0.6601941748 x 0.2038834951 x 0.0970873786 = 0.0130682229 b. P(X | Jenis Pelanggan = “Tidak Aktif”)
= 0.8982035928 x 0.0419161677 x 0.0538922156 = 0.0020290016 3. Hitung nilai P(X|Ci) * P(Ci)
a. P(X | Jenis Pelanggan = “Aktif”) x P(Pelanggan = “Aktif”)
= 0.0130682229 x 103/270 = 0.004985285
b. P(X | Jenis Pelanggan = “Tidak Aktif”) x P(Pelanggan = “Tidak Aktif”)
= 0.0020290016 x 167/270 = 0.0012549751 4. Menentukan kelas dari kasus tersebut
Berdasarkan perhitungan akhir dengan mengalikan nilai peluang dari kasus yang diangkat, kita melihat bahwa nilai P(X | Jenis Pelanggan = “Aktif”) lebih tinggi dari P(X | Jenis Pelanggan = “Tidak Aktif”) = 0.004985285 banding 0.0012549751. Sehingga dapat disimpulkan bahwa pelanggan tersebut masuk dalam klasifikasi “Pelanggan Aktif”.
4.2 Analisa Algortima Naïve Bayes Dengan Rapidminer
Dalam penelitian ini juga kemudian akan dilakukan pengujian untuk mendapatkan hasil akurasi Algoritma Naïve Bayes yang benar, maka diperlukan alat ukur yang tepat yaitu dibantu dengan menggunakan tools Rapidminer Studio versi 9.0.
4.2.1 Proses Import Data
Data awal yang sudah dilakukan beberapa tahapan seperti selection, cleaning dan transformation diimport ke dalam tools Rapidminer Studio 9.0
Gambar 4.1 Proses Import Data Sumber : Penulis
4.2.2 Proses Training dan Testing
Proses training yaitu suatu proses melakukan pelatihan data pada model (Naïve Bayes). Sedangkan proses testing yaitu melakukan pengujian data yang menghasilkan grafik atau pola.
Gambar 4.2 Proses Training Sumber : Penulis
Pada gambar 4.2 dijelaskan bahwa proses training menggunakan 270 record data training yang dihubungkan dengan blok model Naïve Bayes untuk mengetahui distribusi data.
Gambar 4.3 Proses Testing Sumber : Penulis
Pada gambar 4.3 dijelaskan bahwa proses testing menggunakan 270 record data training dengan blok model Naïve Bayes dan 30 record data testing kemudian dihubungkan dengan garis penghubung pada blok apply model dan performance sebagai penampil informasi hasil pengujian data.
4.2.3 Hasil Klasifikasi Class 1. Simple Distribution Model
Gambar di bawah ini adalah Distribution Model pengujian dengan Algoritma Naïve Bayes. Mengahasilkan dua kelas dengan perincian kelas yang aktif = 0.381 dan 4 distribusi, sedangkan untuk kelas tidak aktif mendapatkan hasil = 0.619 dan 4 distribusi.
Gambar 4.4 Simple Distribution Model Sumber : Penulis
2. Distribution Table
Tabel distribusi hasil analisa dengan Algoritma Naïve Bayes terhadap tabel data packing list penjualan dalam mengklasifikasikan jenis pelanggan dapat dilihat pada gambar di bawah ini:
Gambar 4.5 Potongan Distribution Table Sumber : Penulis
3. Hasil Klasifikasi
Pada ExampleSet(Apply Model) merupakan hasil prediksi pengujian data testing terhadap data training dengan menggunakan Algoritma Naïve Bayes.
Gambar 4.6 Potongan Hasil Klasifikasi Sumber : Penulis
4.2.4 Evaluasi Model Confusion Matrix
Percobaan proses klasifikasi yang telah dilakukan dengan tools Rapidminer Studio 9.0 menggunakan Algoritma Naïve Bayes mendapatkan hasil sebagai berikut:
1. Accuracy
Dengan mengetahui jumlah data yang diklasifikasikan secara benar maka dapat diketahui hasil akurasi adalah 70.00% dari hasil data testing.
Gambar 4.7 Accuracy Sumber : Penulis 2. Precision
Precision adalah jumlah data yang true positive (jumlah data yang dikenali secara benar sebagai positif) dibagi dengan jumlah data yang dikenali sebagai positif.
Dari hasil pengujian ini menghasilkan nilai precision sebesar 63.64% untuk kelas tidak aktif dan 87.50% untuk kelas aktif.
Gambar 4.8 Precision Sumber : Penulis 3. Recall
Recall adalah jumlah data yang true positive dibagi dengan jumlah data yang sebenarnya positif (true positive + true negative). Dari hasil pengujian ini menghasilkan nilai recall sebesar 46.67% untuk kelas aktif dan 93.33% untuk kelas tidak aktif.
Gambar 4.9 Recall Sumber : Penulis
4.2.5 Evaluasi Kurva ROC
Kurva Receiver Operating Characteristic (ROC) digunakan untuk mengekspresikan data confusion matrix. Garis horizontal mewakili nilai false positives (FP) dan garis vertikal mewakili nilai true positives (TP). Dari hasil pengujian ini dapat diketahui nilai Area Under Curve (AUC) menggunakan Algoritma Naïve Bayes adalah sebesar 0.907. Hal ini mengartikan bahwa Algoritma Naïve Bayes dalam penelitian ini mencapai excellent classification.
Gambar 4.10 Kurva ROC Sumber : Penulis
4.3 Hasil Analisa Data Pelanggan Dengan Algoritma Naive Bayes
Dari 30 data testing pelanggan yang diprediksi, terdapat 21 data yang diprediksi dengan tepat atau dikenali secara benar dan 9 data bernilai salah. Dari 21 data yang diprediksi secara benar menghasilkan klasifikasi jenis pelanggan
yaitu 7 data pelanggan aktif dan 14 data pelanggan tidak aktif. Terhadap pelanggan yang aktif maka perusahaan perlu adanya strategi untuk mempertahankan dan meningkatkan jumlah pelanggannya. Dan jika pelanggan tidak aktif maka diperlukan penanganan khusus seperti melakukan pendekatan atau kunjungan kepada pelanggan, memberikan diskon, pengiriman barang tepat waktu guna meningkatkan daya beli pelanggan terhadap produk perusahaan.
54 BAB V PENUTUP
5.1 Kesimpulan
Berdasarkan pembahasan pada bab sebelumnya, maka pada bab ini penulis dapat membuat suatu kesimpulan mengenai analisa pelanggan aktif dengan Algoritma Naïve Bayes sebagai berikut:
1. Pengujian menggunakan 300 data dengan perhitungan Rapidminer Studio 9.0 dihasilkan nilai accuracy mencapai 70%. Dari 30 data testing yang diprediksi, terdapat 21 data yang diprediksi dengan tepat. Dan nilai precision sebesar 63.64% untuk kelas tidak aktif dan 87.50% untuk kelas aktif. Sedangkan nilai recall sebesar 46.67% untuk kelas aktif dan 93.33% untuk kelas tidak aktif.
Serta nilai Area Under Curve (AUC) menggunakan Algoritma Naïve Bayes adalah sebesar 0.907. Hal ini mengartikan bahwa Algoritma Naïve Bayes dalam penelitian ini mencapai excellent classification.
2. Hasil klasifikasi dari data set packing list penjualan untuk menentukan jenis pelanggan dengan Algoritma Naïve Bayes menghasilkan 2 kelas klasifikasi yaitu dengan perincian kelas yang aktif = 0.381, sedangkan untuk kelas tidak aktif mendapatkan hasil = 0.619.
5.2 Saran
Berdasarkan kesimpulan dan pembahasan yang telah diuraikan, maka saran yang dapat diberikan antara lain :
1. Penulis mengharapkan agar penelitian ini dilakukan juga dengan menggunakan metode atau algoritma selain Naïve Bayes dengan tujuan untuk pengembangan penelitian di masa yang akan datang.
2. Jumlah data yang digunakan untuk diuji coba disarankan ditambah. Karena banyaknya record dan atribut pada sebuah data set mempengaruhi tingkat akurasi dari Algoritma Naïve Bayes ini.
3. Diharapkan penelitian ini dapat dikembangkan dalam bentuk aplikasi yang lebih kompleks.
DAFTAR PUSTAKA
Artika, Rini. 2013. “Penerapan Analitycal Hierarchy Procces(AHP) Dalam Pendukung Keputusan Penilaian Kinerja Guru Pada SD Negeri 095224”.
Pelita Informatika Budi Darma.4(3), 123-128.
Hadi, Fakhri., et all. 2017. “ Penerapan K-Means Clustering Berdasarkan RFM Mofek Sebagai Pemetaan dan Pendukung Strategi Pengelolaan Pelanggan (Studi Kasus: PT. Herbal Penawar Alwahidah Indonesia Pekanbaru)”.
Jurnal Sains, Teknologi dan Industri. 15(1), 69-76.
Haryanto, Hesti Avita. 2013. “Strategi Promosi, Kualitas Produk, Kualitas
Layanan Terhadap Kepuasan Pelanggan pada Restoran MC Donald’s Manado”. Jurnal EMBA.1(4), 1465-1473.
Jamhur, A. Izzaty. 2016. “Penerapan Data Mining untuk Menganalisa Jumlah Pelanggan Aktif dengan Menggunakan Algoritma C4.5”. Majalah Ilmiah.
23(2), 12-20.
Kodu, Sarini. 2013. “Harga, Kualitas Produk dan Kualitas Pelayanan
Pengaruhnya Terhadap Keputusan Pembelian Mobil Toyota Avanza”.
Jurnal EMBA.1(3), 1251-1259.
Nofriansyah, Dicky., et all. 2016. “Penerapan Data Mining dengan Algoritma Naïve Bayes Clasifier untuk Mengetahui Minal Beli Pelanggan terhadap Kartu Internet XL (Studi Kasus di CV.Sumber Utama Telekomunikasi”.
Jurnal Ilmiah SAINTIKOM. 15(2), 81-92.
Nofriansyah, Dicky dan Nurcahyo, G. Widi. 2015. Algoritma Data Mining dan Pengujian. Yogyakarta: Deepublish.
Nugroho, Bunafit . 2013. Membuat Aplikasi Web Inventory Toko dengan PHP, MySQL, dan Dreanweaver. Yogyakarta: PT Alif Media.
Nursrilfa, Mella Sri Rahayu. 2013. “Penerapan Disiplin oleh Lembaga Kursus Menjahit Pondok Busana Modiste Menurut Warga Belajar”. Spectrum PLS.1(1), 189-204.
Pratama, I Putu Agus Eka. 2015. E-Commerce, E-Business dan Mobile Commerce. Bandung: Informatika
Rifqo, M. Husni dan Wijaya, Ardi. 2017. “Implementasi Algoritma Naive Bayes Dalam Penentuan Pemberian Kredit”. Jurnal Pseudocode. 4(2), 120-128.
Riska., et all. 2017. “Analisa dan Implementasi Wireless Extension Point dengan SSID (Service Set Identifier”. Jurnal Media Infotama. 13(1), 44-54.
Saleh, Alfa. 2015. “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tanga”. Citec Jurnal.
2(3), 207-217.
Sutabri, Tata. 2014. Analisis Sistem Informasi. Yogyakarta: Andi.
Suyanto. 2017. Data Mining untuk Klasifikasi dan Klasterisasi Data. Bandung:
Informatika Bandung.
Widodo, P. Pudjo, dkk. 2013. Penerapan Data Mining dengan Matlab. Bandung:
Rekayasa Sains.