5
BAB II
LANDASAN TEORI
2.1. Tinjauan Pustaka 2.1.1. Data Mining
Data mining adalah proses untuk mendalami nilai tambah informasi dengan cara manual dari suatu basis data yang menatik dan penting dari data tersebut dengan jumlah data yang besar yang disimpan dalam basis data disebut juga dengan Knowledge Discovery Databases (KDD), data warehouse atau informasi dalam repository .
2.1.2 Proses Tahapan Data Mining
Menurut Tan 2004 dalam (Vulandari, 2017) Data mining merupakan salah satu dari rangkaian Knowledge Discovery in Database (KDD). KDD berhubungan dengan teknik integrasi atau mengabungkan, penemuan ilmiah, interprestasi atau pendapat dan visualisasi dari pola-pola sejumlah data. Serangkaian proses tersebut memilki tahapan sebagai berikut:
1. Pembersihan data (untuk membuang data yang tidak konsisten dan noise). 2. Integrasi data (penggabungan data dari beberapa sumber).
3. Transformasi data (data siubah menjadi bentuk yang sesuai untuk di-mining). 4. Aplikasi teknik Data Mining, proses ekstrasi pola dari data yang ada.
5. Evaluasi pola yang ditemukan (proses interpretasi pola menjadi pengetahuan yang dapat digunakan untuk mendukung pengambilan keputusan).
6. Persentasi pengetahuan (dengan teknik visualisasi).
2.1.3. Manfaat Data Mining
Menurut Tan 2004 dalam (Vulandari, 2017) manfaat data mining dilihat dari dua sudut pandang, yaitu sudut pandang komersial dan sudut pandang kelimuan. 1. Sudut pandang komersial, data mining dapat digunakan untuk menangani
banyaknya volume data, dengan menggunakan teknik komputasi atau perhitungan menggunakan komputer dapat digunakan untuk menghasilkan informasi-informasi yang dibutuhkan yang merupakan asset yang dapat meningkatkan daya saing suatu institusi, Contohnya :
a. Bagaimana mengetahui hilangnya pelanggan karena pesaing .
b. Bagaimana mengetahui item produk atau konsumen yang memiliki kesamaan karakteristik.
c. Bagaimana mengidentifikasi produk-produk yang terjual besamaan dengan produk lain.
d. Bagaimana pemprediksi tingkat penjualan.
e. Bagaimana menilai tngkat resiko dalam menentukan jumlah produksi suatu item.
f. Bagaimana memprediksi prilaku bisnis dimasa yang akan datang.
2. Dari sudut pandang kelimuan, data mining dapat digunakan untuk mengcapture, menganalisis serta menyimpan data yang bersifat real time dan sangat besar, misalnya:
a. Remote sensor yang ditempatkan pada suatu satelit. b. Telescope yang digunakan untuk memindai langit.
c. Simulasi saintifik yang membangkitkan data dalam ukuran terrabytes.
2.1.4. Kegunaan Data Mining
Menurut Fayyad et al. 1996 dalam (Suryono, 2019) Kegunaan data mining dapat dibagi menjadi dua: Deskriftif dan Prediktif. Deskriptif berarti data mining digunakan untuk mencari pola-pola yang dapat dipahami manusia yang menjelaskan karakteristik data. Sedangkan Prediktif berarti Data mining digunakan untuk membentuk sebuah model pengetahuan yang akan digunakan untuk melakukan prediksi.
2.1.5. Fungsi Data Mining
Menurut Haskett 2000 dalam (Vulandari, 2017) Fungsi-fungsi yang umum di terapkan dalam data mining yaitu:
1. Asosiation, adalah proses untuk menemukan aturan asosiasi antara suatu kombinasi item dalam suatu waktu.
2. Sequence, proses untuk menemukan aturan asosiasi antara suatu mombinasi item dalam suatu waktu dan di terapkan lebih dari satu periode.
3. Clustering, adalah prosespengelompokan sejumlah data /obyek kedalam kelompok data sehingga setiap kelompok berisi data yang mirip.
4. Classificasion, proses penemuan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang lebelnya tidak diketahui.
5. Regression, adalah proses pemetaan data dalam suatu nilai prediksi .
6. Forecasting, adalah proses pengestimasian nilai prediksi berdasarkan pola-pola di dalam sekumpulan data.
7. Solution, adalah proses penemuan akar masalah dan problem solving dari persoalan bisnis yang diharapkan atau paling tidak sebagai informasi dalam pengambilan keputusan.
2.2. Klasifikasi
Menurut (Alfian, 2020) Klasifikasi data merupakan suatu proses yang menemukan properti-properti yang sama pada sebuah himpunan objek di dalam sebuah basis data dan mengklasifikasikannya ke dalam kelas-kelas yang berbeda menurut model klasifikasi yang ditetapkan. Tujuan klasifikasi adalah untuk menemukan model dari training set yang membedakan atribut kedalam kategori atau kelas yang sudah sesuai, model tersebut digunakan untuk mengklasifikasikan atribut yang kelasnya belum diketahui sebelumnya. Teknik klasifikasi terbagi menjadi beberapa teknik yang diantaranya adalah Pohon Keputusan.
Menurut Zaki et al. 2013 dalam (Suryono, 2019) Klasifikasi dapat di definisikan sebagai proses untuk menyatakan suatu objek data sebagai salah satu kategori (kelas) yang telah di definisikan sebelumnya , klasifikasi banyak di gunakan dalam berberapa aplikasi diantaranya adalah klasifikasi profil pelangan, deteksi kecurangan, prediksi penjualan, diagnosis medis dan sebagainya.
2.3. Pengklasifikasi Naïve bayes
Menurut (Apriliya, 2015) Naïve Bayes Classifier, Naïve Bayesian Classifier merupakan klasifikasi dengan model statistik untuk menghitung peluang dari suatu kelas yang memiliki masing – masing kelompok atribut yang ada, dan menentukan kelas mana yang paling optimal. Pada metode ini semua atribut akan memberikan kontribusinya dalam pengambilan keputusan, dengan bobot atribut yang sama penting dan setiap atribut saling bebas satu sama lain.
Menurut (Arifin, 2018) Naive Bayes Classifier adalah salah satu algoritma dalam teknik data mining yang menerapkan Bayesian Theorem dalam klasifikasi. Naïve Bayes Classifier merupakan pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Naïve Bayes Classifier terbukti memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang besar lainnya .
2.4. Rapid miner
Menurut (Muslehatin, 2017) Rapid Miner adalah sebuah tools yang digunakan dalam teknik yang berada di lingkungan machine learning, data mining, text mining dan predictive analytics .
Menurut (I et al., 2017) Rapid Miner merupakan software/perangkat lunak untuk pengolahan data. Dengan menggunakan prinsip dan algoritma data mining, RapidMiner mengekstrak pola-pola dari data set yang besar dengan mengkombinasikan metode statistika, kecerdasan buatan dan database. Rapid Miner memudahkan penggunanya dalam melakukan perhitungan data yang sangat banyak dengan menggunakan operator-operator. Operator ini berfungsi untuk memodifikasi data. Data dihubungkan dengan node-node pada operator kemudian kita hanya tinggal menghubungkannya ke node hasil untuk melihat hasilnya. Hasil yang diperlihatkan Rapid Miner pun dapat ditampilkan secara visual dengan grafik. Menjadikan RapidMiner adalah salah satu software pilihan untuk melakukan ekstraksi data dengan metode-metode data mining Brilian Rahmat C.T.I.
2.5. Penelitian Terkait
Penulis telah melakukan beberapa kajian terhadap beberapa penelitian yang telah di buat sebelumnya dalam pembuatan skripsi, diantaranya:
Penelitian yang dilakukan oleh Nofriansyah 2016, Penerapan Data Mining dengan Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL (Studi Kasus di CV. Sumber Utama Telekomunikasi). Para provider kartu internet berlomba-lomba menarik minat pelanggan dengan macam- macam strategi pemasaran agar tidak kalah saing. Dan perusahaan selalu ingin meluncurkan kartu internet terbaru tanpa berfikir kartu internet tersebut akan laku atau tidak dipasaran. Maka, metode klasifikasi mampu menemukan model yang bisa membedakan kelas data atau konsep, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Oleh sebab itu, algoritma naive bayes dapat memprediksi peluang di masa depan berdasarkan pengalaman dimasa sebelumnya. Hasil penelitian ini agar bisa memprediksi atau memperkirakan laku atau tidak kartu internet yang baru, sehingga perusahaan dapat mengambil keputusan dan meningkatkan strategi pemasaran.
Sedangkan Penelitian yang di lakukan oleh Wijaya 2020, membahas tempat sarana pelayanan informasi obat dan perbekalan farmasi lainnya kepada masyarakat. Banyak apotek yang berdiri dan tersebar hingga ke pedesaan sehingga memudahkan masyarakat untuk mengakses peralatan farmasi dan obat-obatan. Tujuan penelitian ini adalah untuk menganalisis masalah-masalah pada penentuan sebuah produk mana yang dapat di kategorikan LAKU atau TIDAK LAKU. Penelitian ini adalah mendapatkan nilai accuracy untuk data penjualan obat-obatan terutama jenis-jenis vitamin yang sering menjadi pilihan dari konsumen yang membutuhkan obat-obatan tersebut dengan menggunakan algoritma klasifikasi data mining yaitu algoritma Naïve Bayes.
Maka dalam contoh penelitian terkait akan membuat suatu penelitian dengan mengklasifikasi data penjualan beras yang sudah ada untuk mengetahui beras yang
laku terjual menggunakan metode naïve bayes dan aplikasi radip miner sebagai acuan penelitian .
2.6. Tinjauan Organisasi/Objek Penelitian 2.6.1. Sejarah CV. ARSA
CV. ARSA adalah perusahaan yang bergerak di bidang sembako, dan menyalurkan program sembako. CV.ARSA didirikan oleh Aris sebagai komisaris utama, untuk mengelola usahanya yang sudah berjalan pada tahun 2018, berawal membuka toko beras pada tahun 2017, sering menerima permintaan penyalur sembako , dan tahun 2018 mulai berjalan pengiriman sembako untuk bantuan BPNT kab.Sukabumi sampai dengan sekarang, CV. ARSA bertempat di jln. Suryakencana sekarwangi,depan lapang sekarwangi ,cibadak, Kab. Sukabumi .
VISI:
“Menjadikan pusat bahan pangan yang terjamin dengan mutu terbaik”
MISI:
“Menyalurkan kebutuhan pokok secara terstruktur ,menjaga stabilnya supplai,distribusi dan harga bahan pokok yang terjamin”
2.6.2 Struktur Organisasi
Berikut ini adalah Struktur Organisasi CV.ARSA
Sumber : Komisaris “CV.ARSA”
Gambar. 1.1. Struktur Organisasi CV.ARSA
