IMPLEMENTASI METODE NAÏVE BAYES UNTUK
MEMPREDIKSI PENGGUNAAN J ASA TAKSI
(Studi Kasus : PT. Par a Bathar a Sur ya “Taksi Silver ”)
TUGAS AKHIR
Oleh : AGUS SETYAWAN
0934010280
J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
IMPLEMENTASI METODE NAÏVE BAYES UNTUK
MEMPREDIKSI PENGGUNAAN J ASA TAKSI
(Studi Kasus : PT. Par a Bathar a Sur ya “Taksi Silver ”)
TUGAS AKHIR
Diajukan Untuk Memenuhi Sebagian Per syaratan Dalam Memperoleh Gelar Sar jana Komputer
J ur usan Teknik Infor matika
Oleh : AGUS SETYAWAN
0934010280
J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
TUGAS AKHIR
IMPLEMENTASI METODE NAÏVE BAYES UNTUK
MEMPREDIKSI PENGGUNAAN J ASA TAKSI
(Studi Kasus : PT. Par a Bathar a Sur ya “Taksi Silver ”)
Disusun oleh : AGUS SETYAWAN
NPM. 0934010280
Telah dipertahankan dihadapan dan diterima oleh Tim Penguji Tugas Akhir J ur usan Teknik Infor matika Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional “Veteran” J awa Timur Pada tanggal 14 J uni 2013
Pembimbing : Penguji
1. 1.
Rinci Kembang H., S.Si, M.Kom. Intan Yuniar P., S.Kom, MS.c.
NIP/NPT. 3 8702 11 0343 1 NIP/NPT. 3 8006 04 0198 1
2. 2.
Ir. Mu’tasim Billah., M.S. Wahyu Syaifullah J . S., S.Kom M.Kom. NIP/NPT. 19600504 198703 1001 NIP/NPT. 3 8608 10 0295 1
3.
Bar ry Nuqoba., S.Si, M.Kom. NIP/NPT. 19841102 021212 1002 Mengetahui
Dekan Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional " Veteran" J awa Timur
LEMBAR PENGESAHAAN
IMPLEMENTASI METODE NAÏVE BAYES UNTUK
MEMPREDIKSI PENGGUNAAN J ASA TAKSI
(Studi Kasus : PT. Par a Bathar a Sur ya “Taksi Silver ”)
Disusun Oleh : AGUS SETYAWAN
0934010280
Telah disetujui mengikuti Ujian Negara Lisan Gelombang IV Tahun Akademik 2012/2013
Menyetujui,
Pembimbing I Pembimbing II
Rinci Kembang H., S.Si, M.Kom. Ir Mu’tasim Billah., M.S. NIP/NPT. 3 8702 11 0343 1 NIP/NPT. 19600504 198703 1001
Mengetahui,
Ketua J ur usan Teknik Infor matika Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional “Veteran” J awa Timur
YAYASAN KESEJ AHTERAAN PENDIDIKAN DAN PERUMAHAN UPN “VETERAN” J AWA TIMUR
FAKULTAS TEKNOLOGI INDUSTRI
J alan Rungkut Madya Gunung Anyar Sur abaya 60294. Telp.(031) 8706369, 8783189. Fax (031) 8706372
KETERANGAN REVISI Mahasiswa yang bertanda tangan dibawah ini :
Nama : Agus Setyawan
NPM : 0934010280
Program Studi : Teknik Informatika Jurusan : Teknik Informatika
Telah mengerjakan revisi Tugas Akhir dengan judul :
IMPLEMENTASI METODE NAÏVE BAYES UNTUK
MEMPREDIKSI PENGGUNAAN J ASA TAKSI
(Studi Kasus : PT. Par a Bathar a Sur ya “Taksi Silver ”)
Oleh karenanya Mahasiswa di atas dinyatakan bebas revisi Tugas Akhir dan diijinkan untuk membukukan Tugas Akhir dengan judul tersebut.
Sur abaya, 17 J uni 2013 Dosen Penguji yang memerintahkan r evisi :
1. Intan Yuniar P., S.Kom, MS.c. (____________________) NIP/NPT. 3 8006 04 0198 1
2. Wahyu Syaifullah J . S., S.Kom M.Kom. (____________________) NIP/NPT. 3 8608 10 0295 1
3. Bar ry Nuqoba., S.Si, M.Kom. (____________________)
NIP/NPT. 19841102 021212 1002
Mengetahui,
Dosen Pembimbing I Dosen Pembimbing II
Rinci Kembang H., S.Si M.Kom. Ir. Mu’tasim Billah., M.S.
KATA PENGANTAR
Assalamu’alaikum Wr. Wb
Rasa syukur penulis panjatkan atas kehadirat Allah SWT, yang telah memberikan anugrah untuk penulis, sehingga penulis dapat menyelesaikan dan menyusun Tugas Akhir dengan baik.
Alhamdulillah pada akhirnya Tugas Akhir yang berjudul “Implementasi Metode Naïve Bayes Untuk Mempr ediksi Penggunaan J asa Taksi (Studi Kasus : PT. Para Bathara Sur ya “Taksi Silver”)” dapat terselesaikan tepat waktu. Tugas Akhir ini merupakan syarat untuk memenuhi gelar sarjana komputer pada Fakultas Teknologi Industri Universitas Pembangunan Nasional “Veteran” Jawa Timur.
Selama penyusunan Tugas Akhir ini, penulis menyadari banyak pihak yang telah meluangkan waktunya guna mendorong dan membantu dalam penyelesaian Tugas Akhir ini, untuk itu semua, penulis mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Dekan Fakultas Industri, Bapak Ir. Sutiyono, MT. yang telah menyetujui Laporan Tugas Akhir ini.
2. Kepala Jurusan Teknik Informatika, Ibu Dr. Ir. Ni Ketut Sari, MT. yang telah menyetujui Laporan Tugas Akhir ini.
4. Bapak Ir. Mu’tasim Billah, M.S. selaku Pembimbing II yang telah meluangkan waktu, tenaga dan pikiran serta sabar dalam membimbing penulis dalam menyusun Laporan.
5. Ibu Intan Yuniar P., S.Kom, M.Sc , Bapak Wahyu Syaifullah J. S, S.Kom, M.Kom , dan Bapak Barry Nuqoba, S.Si, M.Kom selaku penguji yang telah meluangkan waktu untuk menguji dan membimbing penulis dalam memperbaiki Laporan.
6. Bapak Samsul Hadi selaku Manajer PT. Para Bathara Surya yang telah banyak membantu dalam membagikan data-data yang terkait dengan pengolahan harga sewa kamar.
7. Keluarga yang tercinta, terutama orang tua yang selalu memberikan dukungan yang begitu besar dan motifasi tinggi untuk penyelesaian Tugas Akhir ini.
8. Teman-teman yang telah membantu dalam penyelesaian Tugas Akhir ini khususnya Rachmah Eka Sari, Alvi Syahrin, Hillman Himawan dan Shelly Yudha F. yang memberikan dorongan dan doa, serta teman-teman yang tidak bisa penulis sebutkan satu persatu. Terima Kasih yang teramat besar untuk kalian semua.
Surabaya, 14 Juni 2013 Penulis
DAFTAR ISI
KATA PENGANTAR ... i
DAFTAR ISI ... iii
DAFTAR TABEL ... vi
DAFTAR GAMBAR ... vii
BAB I PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Perumusan Masalah ... 3
1.3. Batasan Masalah ... 3
1.4. Tujuan ... 4
1.5. Manfaat ... 5
BAB II TINJ AUAN PUSTAKA ... 6
2.1. PT. Para Bathara Surya “Taxi Silver”... 6
2.2. Jasa ... 7
2.3. Metode Naïve Bayes ... 12
2.3.1. Pengertian Metode Naive Bayes ... 12
2.3.2. Kelebihan metode Naive Bayes ... 13
2.3.3. Kelemahan metode Naive Baye ... 14
2.4. Sistem berorientasi Objek ... 16
2.4.1. Karakteristik Objek dan Kelas Objek ... 16
2.4.2. Metodologi Berorientasi Objek ... 17
BAB III METODE PENELITIAN ... 20
3.1. Dataset ... 20
3.2. Analisa Sistem ... 21
3.3. Perancangan Sistem ... 23
3.3.1. Flowchart Diagram ... 23
3.3.2. Use Case Diagram ... 24
3.3.3. Activity Diagram ... 25
3.3.4. Sequence Diagram... 31
3.3.5. Collaboration Diagram ... 34
3.3.6. Class Diagram... 35
3.4. Kamus Data ... 36
3.5. Desain Sistem ... 39
3.5.1. Desain Halaman Login ... 39
3.5.2. Desain Halaman Utama Aplikasi ... 40
3.5.3. Desain Halaman Data Prediksi ... 41
3.5.4. Desain Halaman Data Pool Taksi ... 42
3.5.5. Desain Halaman Laporan Hasil Prediksi ... 43
BAB IV IMPLEMENTASI DAN PEMBAHASAN ... 45
4.1. Spesifikasi Komputer ... 45
4.2. Implementasi Sistem ... 46
4.2.1. Menjalankan Menu Login ... 46
4.2.3. Menjalankan Menu Manajemen Pengguna ... 48
4.2.4. Menjalankan Menu Data Prediksi ... 48
4.2.5. Menjalankan Menu Data Pool ... 49
4.2.6 Menjalankan Menu Laporan Hasil Prediksi ... 50
4.2.7. Menjalankan Menu Setting Server ... 51
4.3. Uji Coba Sistem ... 51
4.3.1. Perhitungan Naïve Bayes ... 51
4.3.2. Pengukuran Hasil Uji Coba... 56
4.3.3. Validasi Data ... 57
BAB V KESIMPULAN DAN SARAN ... 59
5.1. Kesimpulan ... 59
5.2. Saran ... 59
DAFTAR PUSTAKA ... 60
DAFTAR TABEL
Tabel 3.1. Pengelompokkan Data Banyak ... 20
Tabel 3.2. Pengelompokkan Data Sedikit ... 21
Tabel 3.3. Activity Diagram (login) ... 25
Tabel 3.4. Activity Diagram (memasukkan data prediksi) ... 27
Tabel 3.5. Activity Diagram (memasukkan data pool taksi) ... 29
Tabel 3.6. Activity Diagram (memasukkan data variabel prediksi) ... 30
Tabel 3.7. Kamus Data tLogin ... 36
Tabel 3.8. Kamus Data tPrediksi ... 37
Tabel 3.9. Kamus Data tPool ... 38
Tabel 3.10. Kamus Data tHasil_prediksi ... 38
Tabel 4.1. Nilai Probabilitas Hari ... 52
Tabel 4.2. Nilai Probabilitas Waktu ... 52
Tabel 4.3. Nilai Probabilitas Cuaca ... 52
Tabel 4.4. Nilai Probabilitas Dataset Baru ... 53
Tabel 4.5. Nilai Persentase Nilai Probabilitas Dataset Baru ... 54
Tabel 4.6. Nilai Persentase Nilai Probabilitas Dan Pool ... 55
Tabel 4.7. Perbandingan Data ... 56
DAFTAR GAMBAR
Gambar 2.1. Struktur Organisasi PT. Para Bathara Surya ... 7
Gambar 3.1. System Flow ... 23
Gambar 3.2. Flowchart Diagram ... 24
Gambar 3.3. Use Case Diagram... 25
Gambar 3.4. Activity Diagram (login) ... 27
Gambar 3.5. Activity Diagram (memasukkan data prediksi) ... 28
Gambar 3.6. Activity Diagram (memasukkan data pool taksi) ... 30
Gambar 3.7. Activity Diagram (memasukkan data variabel prediksi)... 31
Gambar 3.8. Sequence Diagram (login) ... 32
Gambar 3.9. Sequence Diagram (memasukkan data prediksi) ... 32
Gambar 3.10. Sequence Diagram (memasukkan data pool taksi) ... 33
Gambar 3.11. Sequence Diagram (memasukkan data variabel prediksi) ... 33
Gambar 3.12. Collaboration Diagram (login) ... 34
Gambar 3.13. Collaboration Diagram (memasukkan data prediksi) ... 34
Gambar 3.14. Collaboration Diagram (memasukkan data pool taksi) ... 35
Gambar 3.15. Collaboration Diagram (memasukkan data variabel prediksi)35 Gambar 3.16. Class Diagram ... 36
Gambar 3.17. Desain halaman login ... 40
Gambar 3.18. Desain halaman utama ... 41
Gambar 3.19. Desain halaman prediksi ... 42
Gambar 3.21. Desain halaman laporan hasil prediksi ... 44
Gambar 4.1. Halaman Utama ... 46
Gambar 4.2. Menu Login ... 47
Gambar 4.3. Prediksi Penggunaan Jasa Taksi ... 47
Gambar 4.4. Menu Manajemen Pengguna ... 48
Gambar 4.5. Menu Data Prediksi ... 49
Gambar 4.6. Menu Data Pool ... 50
Gambar 4.7. Menu Laporan Hasil Prediksi ... 50
ABSTRAK
Pelayanan yang optimal sangat diperlukan masyarakat dalam menggunakan jasa taksi, sehingga perusahaan taksi harus siap melayani dengan menyiapkan armada pada lokasi yang tepat. Faktor yang mempengaruhi banyaknya penggunaan taksi antara lain yaitu hari, waktu serta cuaca. Sehingga tujuan dari penelitian ini yaitu merancang sebuah aplikasi yang digunakan untuk memprediksi penggunaan jasa taksi berdasarkan parameter waktu, hari dan cuaca menggunakan metode Naïve Bayes dalam melakukan perhitungan, sehingga didapatkan hasil jumlah persentase banyak atau sedikitnya penggunaan jasa taksi serta penentuan hasil prediksi dan persentase setiap pool taksi.
Sebuah parameter akan menjadi faktor penilaian atau perhitungan untuk memberikan sebuah output yang dapat dijadikan sebagai acuan keputusan. Parameter yang akan dijadikan tolak ukur adalah cuaca, waktu dan hari. Sistem ini memberikan hasil berupa informasi penggunaan jasa taksi yang dapat mudah dimengerti oleh pengguna. Informasi yang dihasilkan berupa laporan data penggunaan jasa taksi dan area armada taksi, dimana dihitung berdasarkan data yang sudah dimasukkan ke sistem.
Hasil dari penelitian ini didapatkan nilai rata-rata probabilitas banyak mencapai 0,035 sedangkan nilai rata-rata probabilitas sedikit 0,017, nilai probabilitas parameter hari kerja sebesar 74.24 % dan hari libur sebesar 47.91 %. Sedangkan pada setiap pool Ketintang 15.54 %, Klampis 13.67 %, Hercules 13,05 % dan Sidoarjo 19.89 % berdasarkan data tahun 2012, dimana nilai akurasi perhitungan dengan menggunakan metode Naïve Bayes pada sistem ini mencapai 83.33%, sedangkan peresentase kesalahan sebesar 16.67%.
BAB I
PENDAHULUAN
1.1. Latar Belakang
Jasa transportasi saat ini mengalami peningkatan, dikarenakan untuk mengurangi kemacetan yang ditimbulkan oleh banyaknya masyarakat menggunakan kendaraan pribadi serta semakin pesatnya perkembangan kota. Jasa transportasi yang mengalami peningkatan antara lain Taksi.
2
Taksi adalah salah satu bagian dari sistem transportasi perkotaan, berupa angkutan umum perkotaan yang memiliki karakteristik tersendiri. Jenis kendaraan ini dioperasikan baik oleh operator maupun penyewa yang dalam hal ini tidak ada rute atau jadwal tertentu yang harus diikuti oleh pengguna serta sifat pelayanannya dari pintu ke pintu ( door to door
service).
Pelayanan yang optimal sangat diperlukan masyarakat dalam menggunakan jasa taksi, sehingga perusahaan taksi harus siap melayani dengan menyiapkan armada pada lokasi yang tepat. Kecepatan waktu dan penempatan armada pada lokasi yang tepat sangat diperlukan untuk kenyamanan penumpang, sehingga penumpang merasa yakin terhadap pelayanan jasa taksi. Kepuasan pelangan merupakan salah satu kunci keberhasilan suatu perusahaan dalam mempertahankan eksistensinya di pasar, apalagi dengan semakin tingginya tingkat persaingan (Wicaksono, 2010)
.
3
taksi, cuaca yang tidak mendukung bisa mempengaruhi penumpang ataupun sopir taksi tersebut sehingga mampu menentukan jumlah penggunaan taksi.
Berdasarkan uraian latar belakang masalah yang ada, maka dapat diambil judul untuk skripsi ini yaitu Implementasi Metode Naïve Bayes Untuk Mempr ediksi Penggunaan J asa Taksi (Studi kasus : PT. Par a Bathara Sur ya “Taksi Silver”). Dengan demikian peneliti akan melakukan penelitian terhadap masalah ini untuk memudahkan perusahaan taksi dalam memprediksi penggunaan jasa taksi.
1.2. Perumusan Masalah
Berdasarkan uraian diatas rumusan masalah yang diajukan dalam penelitian ini adalah:
a. Bagaimana merancang sebuah aplikasi untuk memprediksi penggunaan jasa taksi Silver menggunakan parameter-parameter pendukung ?
b. Bagaimana membuat aplikasi untuk memprediksi jumlah persentase penggunaan jasa taksi dan persentase penggunaan pada setiap pool taksi Silver menggunakan Algoritma Naïve Bayes?
1.3. Batasan Masalah
Membuat Aplikasi memprediksi penggunaan jasa taksi Silver dengan menggunakan metode Naïve Bayes ini mempunyai batasan masalah sebagai berikut :
4
b. Metode yang digunakan dalam Sistem Pendukung Keputusan ini adalah Naïve Bayes.
c. Atribut yang digunakan dalam sistem adalah kondisi cuaca, waktu, dan hari.
d. Pada penelitian ini data yang digunakan merupakan data taksi Silver Surabaya
e. Pada penelitian ini tidak dilakukan pengelompokan terhadap kategori penumpang taksi.
f. Pada penelitian ini pool yang digunakan berjumlah empat pool yaitu Ketintang, Klampis, Hercules dan Sidoarjo.
g. Pada penelitian ini data yang digunakan acuan merupakan data tahun 2012.
h. Pada penelitian ini aplikasi yang dibuat hanya menghitung dalam satu tahun.
i. Aplikasi yang dibuat menghasilkan output berupa jumlah persentase banyak atau sedikitnya penggunaan jasa taksi serta penentuan hasil prediksi dan persentase dari ke-empat pool.
1.4. Tujuan
5
didapatkan hasil jumlah persentase banyak atau sedikitnya penggunaan jasa taksi serta penentuan hasil prediksi dan persentase setiap pool taksi.
1.5. Manfaat
Beberapa manfaat yang diharapkan dapat diperoleh dari penelitian ini adalah sebagai berikut :
a. Membantu mengurangi kesalahan dalam memprediksi penggunaan jasa taksi dalam menentukan persentase penggunaan jasa taksi serta penentuan hasil prediksi dan persentase pada setiap pool.
BAB II
TINJ AUAN PUSTAKA
2.1.PT. Para Bathara Sur ya “Taxi Silver ”
PT. Para Bathara Surya merupakan sebuah perusahaan yang bergerak dibidang jasa transportasi. Adapun kegiatan utamanya adalah menyediakan jasa transportasi untuk memenuhi kebutuhan taksi dari masyarakat Surabaya yang lebih dikenal dengan nama taksi Silver. Perusahaan ini berlokasi di Jl. Tegalsari 107, Surabaya.
PT. Para Bathara Surya berdiri pada 20 Februari 1997 dan mulai beroperasi sebagai transportasi pengunjung yang pergi dari suatu tempat ke tempat yang lainnya pada tanggal 28 Juli 1997. Perusahaan ini awalnya hanya memiliki armada taksi sebanyak 20 unit taksi dengan merk Ford Laser. Namun pada saat ini armada yang beroperasi telah mengalami peremajaan dan penambahan unit menjadi kurang lebih 500 unit taksi dengan merk
Timor, Chevrolet Lova, Proton dan Hyundai Excell. Wilayah operasi dari
taksi Silver adalah Surabaya dan sekitarnya.
7
(Gudang), departemen Keuangan, departemen EDP (Electronic Data Processing), departemen SDM ( Sumber Daya Manusia ).
Tujuan PT. Para Bathara Surya adalah untuk memberikan kualitas pelayanan angkutan yang ada di Surabaya.
Struktur Organisasi
Setiap perusahaan memiliki struktur organisasi yang unik, yang menggambarkan secara jelas tentang pembagian fungsi, wewenang dan tanggung jawab masing-masing bagian yang ada dalam suatu perusahaan. Struktur Organisasi yang terdapat pada PT. Para Bathara Surya dapat dilihat pada gambar 2.1.
Sumber : Struktur Organisasi PT Bathara Surya
Gambar 2.1. Struktur Organisasi PT. Para Bathara Surya
2.2 J asa
8
mungkin juga tidak terkait dengan suatu produk fisik. Jasa atau layanan merupakan setiap kegiatan atau manfaat yang ditawarkan oleh suatu pihak kepada pihak yang lain dan pada dasarnya tidak berwujud serta tidak menghasilkan kepemilikan atas sesuatu dan sebuah perusahaan jasa dapatmemberikan layanan kepada individu konsumen secara langsung atau kepada kepemilikan konsumen tersebut (Fibrianto, 2011).
Berbeda dengan barang, jasa memiliki karakteristiknya sendiri terdapat empat karakteristik jasa yang dikenal dengan paradigma IHIP (Intangibility,
Heterogenity, Inseparability dan Perishability). Keempat karakteristik dapat
di jelaskan sebagai berikut :
1. Intangibility
9
2. Heterogenity/Variability
Jasa memiliki banyak variasi bentuk, kualitas, dan jenis, bergantung pada siapa, kapan, dan di mana jasa tersebut diproduksi. Variasi jasa ini timbul karena konsumen biasanya tidak bisa diprediksi dan cenderung tidak konsisten dalam hal sikap dan perilakunya (Fibrianto, 2011). Terdapat tiga faktor yang menyebabkan variabilitas kualitas jasa yaitu Kerja sama atau partisipasi pelanggan selama penyampaian jasa , moral/motivasi karyawan dalam melayani pelanggan dan Beban kerja perusahaan.
3. Inseparability
10
4. Perishability
Jasa merupakan komoditas yang tidak tahan lama, tidak dapat disimpan untuk pemakaian ulang, dijual kembali, atau dikembalikan. Karater jasa yang seperti ini membuat jasa yang tidak terpakai pada suatu waktu akan berlalu atau hilang begitu saja. Hal inilah yang menyebabkan pemasaran jasa lebih sulit daripada pemasaran barang karena permintaan konsumen terhadap sebagian besar jasa sangat fluktuatif dan dipengaruhi faktor musiman.
Kualitas J asa
Pada prinsipnya, definisi kualitas jasa berfokus pada upaya pemenuhan kebutuhan dan keinginan pelanggan, serta ketepatan penyampaiannya untuk mengimbangi harapan pelanggan. Kualitas jasa merupakan tingkat keunggulan yang diharapkan dan pengendalian atas keunggulan tersebut untuk memenuhi keinginan pelanggan (Fibrianto, 2011)
.
Implikasi baik buruknya kualitas jasa tergantung kepada kemampuan penyedia jasa memenuhi harapan pelanggannya secara konsisten. Kualitas jasa menjadi senjata kompetitif yang paling kuat oleh banyak organisasi dalam hal pelayanan.11
hidup bisnis. Secara relative hubungan antara loyalitas pelanggan dan kualitas jasa belum berkembang (Fibrianto, 2011)
.
Dari beberapa hasil pengertian diatas, mengenai pengaruh dimensi kualitas jasa kesemuannya menemukan bahwa dimensi kualitas jasa berpengaruh pada perusahaan. Lebih lanjut, pada dasarnya kualitas suatu jasa yang dipersepsikan pelanggan terdiri atas dua dimensi utama. Dimensi pertama adalah, Technical quality (outcome dimension) berkaitan dengan kualitas output jasa yang dipersepsikan pelanggan. Komponen ini dijabarkan menjadi tiga jenis Search quality (dapat dievaluasi sebelum dibeli, misalnya harga), Experience quality (hanya bisa dievaluasi setelah dikonsumsi, contohnya ketepatan waktu, kecepatan layanan dan kerapian hasil) serta
Credency quality merupakan aspek–aspek yang sulit dievaluasi bahkan
setelah pembelian dilakukan. Dimensi kedua, Functional quality
(process-related dimension) berkaitan dengan kualitas cara penyampaian jasa atau
12
jenis industri dimana suatu perusahaan beroperasi dan konsumen pada masing–masing industri memiliki kriteria atau standard yang berbeda dalam menilai kualitas suatu jasa. Kualitas jasa yang tinggi yang diberikan oleh perusahaan akan membuatpelanggan puas terhadap produk atau jasa yang perusahaan sampaikan (Wicaksono, 2010)
.
Oleh sebab itu, baik tidaknya kualitas jasa atau layanan tergantung pada kemampuan penyedia jasa dalam memenuhi harapan pelanggannya secara konsisten.2.3. Metode Naïve Bayes
Metode Naive Bayes adalah sebuah algoritma pengklasifikasian dengan menggunakan probabilitas dan perhitungan statistik. Algoritma naive bayes digunakan untuk memprediksi peluang yang akan terjadi di masa yang akan datang berdasarkan data – data masa lalu.
2.3.1. Pengertian Metode Naive Bayes
13
Algoritma naive bayes sangat cocok digunakan untuk mengolah data yang tidak konsisten dan bias. Algoritma naive bayes mempunyai beberapa kelebihan dan kekurangan, yaitu:
Metode Naïve Bayes umumnya memiliki karakteristik sebagai berikut. • Kokoh untuh titik noise yang diisolasi seperti titik yang dirata- ratakan ketika
mengestimasi peluang bersyarat data. Naive bayes classifier dapat menangani missing value dengan mengabaikan contoh selama pembuatan model dan klasifikasi.
• Kokoh untuk atribut tidak relevan, jika X i adalah atribut yang tidak relevan, maka P
2.3.3 Kelemahan metode Naive Bayes
p(I=ij|C=ci)
p(C=ci|I=ij)
p(I=ij)
2.4. Sistem berorientasi Objek
Message
Message
2.4.2 Metodologi Berorientasi Objek
Encapsulation
Encapsulation
Inheritance
Polymorphism
Polymorphism
state diagram
BAB III
METODOLOGI PENELITIAN
Pada bab ini akan dijelaskan mengenai bagaimana implementasi pengembangan sistem mulai dari tahap melakukan analisa sistem hingga perancangan sistem, untuk memproses penginputan kriteria di dalam sistem yang akan dikelola oleh manajer dengan penentuan data.
3.1. Dataset
Pada sub bab ini berisikan dataset yang akan dihitung menggunakan metode Naïve Bayes untuk menentukan persentase nilai probabilitas dalam memprediksi penggunaan jasa taksi Silver.
Tabel 3.1. Pengelompokkan Data Banyak
No. Har i Waktu Cuaca J umlah pengguna
dalam 1 tahun Keter angan
1 Kerja Pagi Cerah 140468 Banyak
21
Tabel 3.1. merupakan tabel yang akan dihitung berdasarkan perhitungan Naïve Bayes, dimana tabel diatas dikelompokkan berdasarkan jumlah yang melebihi 10000 pengguna per-tahun.
Tabel 3.2. Pengelompokkan Data Sedikit
No. Har i Waktu Cuaca J umlah pengguna
dalam 1 tahun Keter angan
1 Kerja Sore Mendung 9512 Sedikit
Tabel 3.2. merupakan tabel yang akan dihitung berdasarkan perhitungan Naïve Bayes, dimana tabel diatas dikelompokkan berdasarkan jumlah yang kurang dari 10000 pengguna per-tahun.
3.2. Analisa Sistem
22
Sistem ini membantu menentukan banyaknya atau sedikitnya pengguna jasa taksi serta menentukan area armada taksi. Sistem ini memberikan hasil berupa informasi penggunaan jasa taksi yang dapat mudah dimengerti oleh pengguna. Informasi yang dihasilkan berupa laporan data penggunaan jasa taksi dan area armada taksi, dimana dihitung berdasarkan data yang sudah dimasukkan ke sistem.
23
Gambar 3.1. System Flow 3.3. Perancangan Sistem
Dalam melakukan perancangan sistem terdapat beberapa tahapan yang harus dilakukan agar aplikasi yang dibuat dapat berfungsi sesuai dengan yang diharapkan. Adapun tahap-tahap dalam perancangan sistem antara lain Flowchart
Diagram, Use Case Diagram, Activity Diagram, Collaboration Diagram,
Sequence Diagram dan Class Diagram.
3.3.1. Flowchart Diagram
Flowchart Diagram menjelaskan alur kerja dari suatu sistem, alur tersebut
24
maksud dan tujuan dari sebuah sistem. Flowchart Diagram pada penelitian ini menjelaskan tentang alur dari Algoritma Naïve Bayes . Flowchart Diagram ini dapat dilihat pada gambar 3.2.
Gambar 3.2. Flowchart Diagram 3.3.2. Use Case Diagram
Use Case Diagram menjelaskan kerja setiap aktor di dalam sebuah sistem
dengan menggunakan bahasa yang terkomputerisasi. Use Case Diagram yang terdapat pada system ini memiliki satu aktor yaitu Tim EDP . Aktor tersebut melakukan sebuah kegiatan yang digambarkan dalam sebuah Use Case. Use Case
25
<<include>>
Memasukkan Data Prediksi
Memasukkan Data Parameter prediksi
Memasukkan Data Pool Taksi Login
Tim EDP
<<include>>
<<include>>
Gambar 3.3. Use Case Diagram
3.3.3. Activity Diagram
Pembuatan Activity Diagram digunakan untuk mengetahui alur sistem yang berada di dalam setiap Use Case. Activity Diagram yang dibuat berdasarkan jumlah Use Case yang telah dibuat pada Use Case Diagram, sehingga aktivitas yang dibuat antara lain : login, memasukkan data prediksi (hari, waktu dan cuaca) , memasukkan data pool taksi dan memasukkan data variabel prediksi.
- Activity Diagram (login)
Tabel 3.3. Activity Diagram (login) Nama Use case login
26
Aktor Tim EDP
Kondisi Awal Pengguna belum masuk ke dalam halaman utama aplikasi
Kondisi Akhir Pengguna berhasil masuk ke dalam halaman utama aplikasi
Alur Normal 1.Sistem menampilkan halaman login.
2.Pengguna memasukkan akun berupa username dan password.
A1. Akun tidak ada atau pengisian field akun belum terisi.
3.Sistem menampilkan halaman utama aplikasi. Alur Alternatif A1. Akun tidak ada atau pengisian field akun belum
terisi.
1.1. Sistem menampilkan pesan bahwa akun tidak ada ataupun field belum terisi dan pesan login kembali.
1.2. Kembali ke alur normal nomor 1.
Activity Diagram pada tabel 3.3 menjelaskan alur dari use case login yang
27
Gambar 3.4. Activity Diagram (login)
- Activity Diagram (memasukkan data prediksi)
Tabel 3.4. Activity Diagram (memasukkan data pr ediksi) Nama Use case Memasukkan data hari
Deskripsi Pengguna terlebih dahulu memasukkan data prediksi sebelum menjalankan prediksi.
Aktor Tim EDP
Kondisi Awal Pengguna sukses login dan belum memasukkan data prediksi pada aplikasi
Kondisi Akhir Pengguna berhasil memasukkan data prediksi pada aplikasi
Alur Normal 1. Sistem menampilkan halaman utama aplikasi. 2. Pengguna memilih menu data prediksi
3. Sistem menampilkan halaman data prediksi. 4. Pengguna memasukkan data hari.
28
5. Sistem menampilkan pemberitahuan penyimpanan sukses
Alur Alternatif A1. Pengguna batal memasukkan data prediksi. 1.1. Pengguna menekan tombol cancel. 1.2. Sistem menampilkan Halaman Utama.
Activity Diagram pada tabel 3.4 menjelaskan alur dari use case
memasukkan data hari yang dilakukan oleh Tim EDP pada aplikasi memprediksi penggunaan jasa taksi. Alur aktivitas memasukkan data hari pada aplikasi memprediksi penggunaan jasa taksi ini dapat dilihat pada gambar 3.5.
29
- Activity Diagram (memasukkan data pool taksi)
Tabel 3.5. Activity Diagram (memasukkan data pool taksi) Nama Use case Memasukkan data pool taksi
Deskripsi Pengguna terlebih dahulu memasukkan data pool taksi sebelum menjalankan prediksi.
Aktor Tim EDP
Kondisi Awal Pengguna sukses login dan belum memasukkan data pool taksi pada aplikasi
Kondisi Akhir Pengguna berhasil memasukkan data pool taksi pada aplikasi
Alur Normal 1. Sistem menampilkan halaman utama aplikasi. 2. Pengguna memilih menu data pool taksi. 3. Sistem menampilkan halaman data pool taksi. 4. Pengguna memasukkan data pool taksi.
A1. Pengguna batal memasukkan data pool taksi. 5. Sistem menampilkan pemberitahuan
penyimpanan sukses
Alur Alternatif A1. Pengguna batal memasukkan data pool taksi. 1.1. Pengguna menekan tombol cancel. 1.2. Sistem menampilkan Halaman Utama.
Activity Diagram pada tabel 3.5 menjelaskan alur dari use case
30
Gambar 3.6. Activity Diagram (memasukkan data pool taksi)
- Activity Diagram (memasukkan data var iabel pr ediksi)
Tabel 3.6. Activity Diagram (memasukkan data variabel pr ediksi) Nama Use case Memasukkan data variabel prediksi
Deskripsi Pengguna terlebih dahulu memasukkan data untuk menentukan prediksi penggunaan jasa taksi.
Aktor Tim EDP
Kondisi Awal Pengguna belum mengetahui prediksi penggunaan taksi
Kondisi Akhir Pengguna berhasil mendapatkan data prediksi penggunaan jasa taksi
Alur Normal 1. Sistem menampilkan halaman utama aplikasi. 2. Pengguna memilih data sesuai permintaan
31
3. Sistem menampilkan hasil penggunaan jasa taksi beserta pool taksi berupa presentase sesuai dengan variabel data yang dimasukkan.
Alur Alternatif -
Activity Diagram pada tabel 3.6 menjelaskan alur dari use case
memasukkan data variabel prediksi yang dilakukan oleh Tim EDP pada aplikasi memprediksi penggunaan jasa taksi. Alur aktivitas memasukkan data variabel prediksi pada aplikasi memprediksi penggunaan jasa taksi ini dapat dilihat pada gambar 3.7.
memasukkan data bervariabel
Gambar 3.7. Activity Diagram (memasukkan data variabel prediksi)
3.3.4. Sequence Diagram
Sequence Diagram digunakan untuk mengetahui alur sistem secara
langsung berdasarkan waktu. Sequence Diagram dibuat berdasarkan jumlah Use
32
antara lain : login, memasukkan data prediksi, memasukkan data pool taksi dan memasukkan data variabel prediksi.
- Sequence Diagram (login)
Sequence Diagram ini menjelaskan alur dari use case login yang dapat
dilihat pada gambar 3.8.
: Tim EDP : Tim EDP
Form Login
Form Login Control LoginControl Login Data AkunData Akun
1: MemasukkanAkun()
2: CekAkun()
3: KonfirmasiAkun()
4: LoadAkun() 5: TampilHalamanUtama()
Gambar 3.8. Sequence Diagram (login)
- Sequence Diagram (memasukkan data prediksi)
Sequence Diagram ini menjelaskan alur dari use case memasukkan data
prediksi yang dapat dilihat pada gambar 3.9.
: Tim EDP
33
- Sequence Diagram (memasukkan data pool taksi)
Sequence Diagram ini menjelaskan alur dari use case memasukkan data
pool taksi yang dapat dilihat pada gambar 3.10.
: Tim EDP
: Tim EDP Form Data PoolForm Data Pool Control Data Control Data PoolPool Data PoolData Pool
1: MemasukkanPool()
2: CekPool()
3: SimpanPool()
4: Konfirmasi()
5: Pemberitahuan()
Gambar 3.10. Sequence Diagram (memasukkan data pool taksi)
- Sequence Diagram (memasukkan data var iabel pr ediksi)
Sequence Diagram ini menjelaskan alur dari use case memasukkan data
variabel prediksi yang dapat dilihat pada gambar 3.11.
: Tim EDP
34
3.3.5. Collaboration Diagram
Collaboration Diagram digunakan untuk mengetahui alur sistem secara
langsung berdasarkan waktu yang dihasilkan dari Sequence Diagram.
Collaboration Diagram dibuat berdasarkan jumlah Use Case yang telah dibuat
pada Use Case Diagram, sehingga collaboration yang dibuat antara lain : login, memasukkan data prediksi, memasukkan data pool taksi dan memasukkan data variabel prediksi.
- Collaboration Diagram(login)
Collaboration Diagram ini menjelaskan alur dari use case login yang
dapat dilihat pada gambar 3.12.
: Tim EDP
Form Login
Control
Login Data Akun
1: MemasukkanAkun() 2: CekAkun() 3: KonfirmasiAkun()
4: LoadAkun() 5: TampilHalamanUtama()
Gambar 3.12. Collaboration Diagram (login)
- Collaboration Diagram(memasukkan data pr ediksi)
Collaboration Diagram ini menjelaskan alur dari use case memasukkan
data prediksi yang dapat dilihat pada gambar 3.13.
: Tim EDP
35
- Collaboration Diagram(memasukkan data pool taksi)
Collaboration Diagram ini menjelaskan alur dari use case memasukkan
data pool taksi yang dapat dilihat pada gambar 3.14.
Data
1: MemasukkanPool() 2: CekPool() 3: SimpanPool()
4: Konfirmasi() 5: Pemberitahuan()
Gambar 3.14. Collaboration Diagram (memasukkan data pool taksi)
- Collaboration Diagram(memasukkan data variabel pr ediksi)
Collaboration Diagram ini menjelaskan alur dari use case memasukkan
data variabel prediksi yang dapat dilihat pada gambar 3.15.
: Tim EDP
Gambar 3.15. Collaboration Diagram (memasukkan data variabel prediksi)
3.3.6. Class Diagram
36
Gambar 3.16. Class Diagram
3.4. Kamus Data
Kamus data menjelaskan arti aliran data penyimpanan yang berada di dalam suatu aplikasi . Kamus data pada aplikasi ini yaitu tLogin, tPrediksi, tPool, dan tHasil_prediksi, dimana tLogin menjelaskan arti aliran dan penyimpanan pada tabel login yang digunakan pada aplikasi. Kamus data tLogin dapat dilihat pada tabel 3.7.
Tabel 3.7. Kamus Data tLogin
Nama Data tLogin
Deskripsi Merupakan tabel yang berisikan tentang data-data akun pada aplikasi
Sumber Data Data akun
Isi Data NoLog
Username
{0-9}
37 Tipe dan Ukuran Data NoLog
Username
Kamus data tPrediksi menjelaskan arti aliran dan penyimpanan pada tabel prediksi yang digunakan pada aplikasi. Kamus data tPrediksi dapat dilihat pada tabel 3.8.
Tabel 3.8. Kamus Data tPrediksi
Nama Data tPr ediksi
Deskripsi Merupakan tabel yang berisikan tentang data-data yang akan dihitung kedalam metode Naïve Bayes Sumber Data Pengolahan Data Prediksi dari data waktu, hari dan Tipe dan Ukuran Data NoPred
38
Kamus data tPool menjelaskan arti dan penyimpanan pada tabel pool yang digunakan pada aplikasi. Kamus data tPool dapat dilihat pada tabel 3.9.
Tabel 3.9. Kamus Data tPool
Nama Data tPool
Deskripsi Merupakan tabel yang berisikan tentang jumlah data pool-pool taksi
Sumber Data Data Pool Taksi per tahun
Isi Data NoPool Tipe dan Ukuran Data NoPool
Pool1
Kamus data tHasil_prediksi menjelaskan arti dan penyimpanan pada tabel pool yang digunakan pada aplikasi. Kamus data tHasil_prediksi dapat dilihat pada tabel 3.10.
Tabel 3.10. Kamus Data tHasil_pr ediksi Nama Data tHasil_prediksi
Deskripsi Merupakan tabel yang berisikan tentang data hasil prediksi
Sumber Data Data Pool Taksi per tahun
39 Tipe dan Ukuran Data NoHPred
Hari
Struktur Data tHasil_prediksi = NoHPred + Hari + Waktu + Cuaca + Persentase + Keterangan + Pool1 + Pool2 + Pool3 + Pool4 + Jumlah Pengguna
3.5. Desain Sistem
Desain Sistem merupakan sub bab yang menjelaskan desain antarmuka suatu aplikasi yang akan dibuat. Di dalam penelitian ini terdapat beberapa desain sistem yang dibuat antara lain desain halaman login, desain halaman utama, desain halaman data prediksi, desain halaman data pool taksi, desain laporan hasil prediksi dan desain halaman cetak hasil prediksi.
3.5.1. Desain Halaman Login
40
pada halaman ini yaitu login dan cancel. login digunakan untuk menjalankan aplikasi masuk ke halaman utama berdasarkan username dan password yang sudah dimasukkan dan cancel digunakan untuk membatalkan dalam membuka aplikasi. Desain halaman login bisa dilihat pada gambar 3.17.
Gambar 3.17. Desain halaman login 3.5.2. Desain Halaman Utama Aplikasi
Desain antar muka pada halaman utama aplikasi terdapat tiga combo box, satu field output dan empat tombol. Combo box tersebut digunakan untuk mengisikan hari, waktu dan cuaca yang merupakan variabel prediksi dan field
output digunakan untuk menampilkan hasil prediksi. Tombol yang terdapat pada
halaman ini yaitu process, reset dan reset all . process digunakan untuk menjalankan aplikasi memprediksi berdasarkan variabel yang dimasukkan pada
combo box, reset digunakan untuk mengosongkan combo box yang terisi, save
digunakan untuk menyimpan hasil prediksi dan reset all digunakan untuk mengosongkan combo box dan field output. Halam Utama ini juga terdapat menu
File, Datas, Tools dan About. Menu file terdapat beberapa pilihan untuk login,
logout dan exit. Menu datas terdapat pilihan utnuk memasukkan data prediksi,
41
Menu about untuk menampilkan deskripsi pembuat aplikasi. Desain halaman utama bisa dilihat pada gambar 3.18.
Gambar 3.18. Desain halaman utama
3.5.3. Desain Halaman Data Pr ediksi
Desain antar muka pada halaman data prediksi terdapat tiga combo box, dua field input, satu field Output dan tiga tombol. Combo box tersebut digunakan untuk mengisikan hari, waktu dan cuaca yang merupakan data prediksi, Field
input tersebut digunakan untuk mengisikan jumlah data prediksi penyewa taksi
per tahun dan field output digunakan untuk menampilkan hasil dari data prediksi yang sudah dimasukkan. Tombol yang terdapat pada halaman ini yaitu save,
delete dan close. save digunakan untuk menyimpan data prediksi, delete
42
digunakan untuk membatalkan dalam memasukkan data prediksi. Desain halaman prediksi bisa dilihat pada gambar 3.19.
Gambar 3.19. Desain halaman prediksi
3.5.4. Desain Halaman Data Pool Taksi
Desain antar muka pada halaman data pool taksi terdapat lima field input, satu field Output dan tiga tombol. Field input tersebut digunakan untuk mengisikan jumlah armada taksi yang melayani penumpang pada setiap pool per satu tahun dan field output digunakan untuk menampilkan hasil dari jumlah setiap pool yang sudah dimasukkan. Tombol yang terdapat pada halaman ini yaitu save,
delete dan close. save digunakan untuk menyimpan data pool, delete digunakan
43
memasukkan data pool. Desain halaman data pool taksi bisa dilihat pada gambar 3.20.
Gambar 3.20. Desain halaman pool taksi
3.5.5. Desain Halaman Laporan Hasil Pr ediksi
Desain antar muka pada halaman laporan hasil prediksi terdapat satu field dan tiga tombol. Field tersebut digunakan untuk menampilkan hasil prediksi yang sudah dilakukan. Tombol yang terdapat pada halaman ini yaitu delete dan close.
Delete dilakukan dengan cara mengklik kiri dua kali pada data yang digunakan
44
BAB IV
IMPLEMENTASI DAN UJ I COBA
Pada bab ini akan dijelaskan mengenai implementasi sistem berupa tampilan akhir aplikasi serta spesifikasi komputer yang digunakan untuk melakukan uji coba sistem yang akan digunakan untuk memprediksi penggunaan jasa taksi Silver.
4.1. Spesifikasi Komputer
Spesifikasi komputer yang digunakan dalam melakukan uji coba sistem antara lain :
1. Komputer 1
Netbook Axioo Pico 10’
Processor Pentium Atom 1GHz
MemoryRAM 1 Gb
Operating System Windows 7 Ultimate 32-bit
Hardisk 200 Gb
2. Komputer 2
Personal Computer
Processor Pentium Dual Core 3 GHz
MemoryRAM 1 Gb
Operating System Windows 7 Ultimate 32-bit
46
4.2 Implementasi Sistem
Untuk menjalankan aplikasi memprediksi penggunaan jasa taksi pada taksi Silver ini dapat dilakukan dengan mengklik dua kali pada file executable program
(berekstensi .exe). Tampilan halaman utama aplikasi pada penelitian ini dapat
dilihat pada gambar 4.1.
Gambar 4.1. Halaman Utama
Sebelum masuk ke dalam Halaman utama terlebih dahulu melakukan login dengan mengisikan username dan password. Dengan adanya pilihan login tersebut diharapkan tidak semua pengguna dapat menggunakan aplikasi ini, hanya pengguna tertentu yang dapat mengaksesnya
4.2.1. Menjalankan Menu Login
47
Gambar 4.2. Menu Login
4.2.2. Menjalankan Pr ediksi Penggunaan J asa Taksi
Menu prediksi penggunaan jasa taksi digunakan untuk memprediksi penggunaan jasa taksi berdasarkan perhitungan Naïve Bayes, dimana hasil yang ditampilkan berupa persentase banyak atau sedikitnya penggunaan taksi serta persentase penggunaan jasa taksi pada setiap pool per-tahun. Sistem prediksi penggunaan jasa taksi ini meliputi proses memasukkan variabel prediksi , menampilkan hasil prediksi dan menyimpan hasil prediksi. Tampilan prediksi penggunaan taksi ini dapat dilihat pada gambar 4.3.
48
4.2.3. Menjalankan Menu Manajemen Pengguna
Menu manajemen pengguna digunakan untuk mengolah data pengguna. Sistem manajemen pengguna ini meliputi proses penambahan pengguna sistem, pengubahan akun pengguna, dan penghapusan akun pengguna yang tidak valid. Tampilan menu manajemen pengguna ini dapat dilihat pada gambar 4.4.
Gambar 4.4. Menu Manajemen Pengguna
4.2.4. Menjalankan Menu Data Prediksi
49
Gambar 4.5. Menu Data Prediksi
4.2.5. Menjalankan Menu Data Pool
50
Gambar 4.6. Menu Data Pool
4.2.6. Menjalankan Menu Laporan Hasil Prediksi
Menu laporan hasil prediksi digunakan untuk menampilkan hasil prediksi setelah melakukan penyimpanan pada hasil prediksi penggunaan jasa taksi. Sistem laporan hasil prediksi ini meliputi proses penghapusan data hasil prediksi.. Tampilan Menu laporan hasil prediksi ini dapat dilihat pada gambar 4.7.
51
4.2.7. Menjalankan Menu Setting Server
Menu setting server digunakan untuk menampilkan koneksi antara aplikasi dengan database MySQL. Sistem setting server ini meliputi proses test connection dan merubah data koneksi. Tampilan Menu setting server ini dapat dilihat pada gambar 4.8.
Gambar 4.8. Menu Setting Server
4.3. Uji Coba Sistem
Pada sub bab ini akan dijelaskan bagaimana aplikasi dapat melakukan perhitungan data-data yang berdasarkan perhitungan Naïve Bayes serta beberapa hasil yang sudah dihitung dan pengukuran hasil uji coba.
4.3.1. Perhitungan Naïve Bayes
Penentuan data-data diambil dari dataset pada tabel 3.1 dan tabel 3.2 , dengan jumlah data 24 dan akan digunakan sebagai P(class). P(banyak) = 14/24 dan P(sedikit) = 10/24
Nilai pr obabilitas pada setiap interval
52
- Nilai probabilitas hari
Tabel 4.1. Nilai Probabilitas Hari
kerja (i1) libur (i2)
banyak (c1) 0.72 0.29
sedikit (c2) 0.2 0.8
Sumber : Lampiran 1
Pada tabel 4.1. terdapat nilai probabilitas dari setiap interval, dimana P(banyak|kerja) = 0,72 ,P(banyak|libur) = 0,29 ,P(sedikit|kerja) = 0,2 dan P(sedikit|libur) = 0,8.
- Nilai probabilitas waktu
Tabel 4.2. Nilai Probabilitas Waktu
pagi (i1) siang (i2) sore (i3) malam (i4)
banyak (c1) 0.29 0.29 0.15 0.29
sedikit (c2) 0.2 0.2 0.4 0.2
Sumber : Lampiran 1
Pada tabel 4.2. terdapat nilai probabilitas dari setiap interval, dimana P(banyak|pagi) = 0,72 ,P(banyak|siang) = 0,29 ,P(banyak|sore) = 0,15 ,P(banyak|malam) = 0,29 ,P(sedikit|pagi) = 0,2 dan P(sedikit|siang) = 0,2 , P(sedikit|sore) = 0,4 ,P(sedikit|malam) = 0,2.
- Nilai probabilitas cuaca
Tabel 4.3. Nilai Probabilitas Cuaca
cerah (i1) mendung (i2) hujan (i3)
banyak (c1) 0.58 0.22 0.22
sedikit (c2) 0 0.5 0.5
Sumber : Lampiran 1
53
= 0,22 ,P(sedikit|cerah) = 0 ,P(sedikit|mendung) = 0,5 dan P(sedikit|hujan) = 0,5.
Nilai pr obabilitas pada dataset bar u
Penentuan nilai probabilitas pada dataset baru dihitung menggunakan rumus 2 , sehingga dapat dihasilkan nilai-nilai probabilitas dapat dilihat pada tabel 4.4.
Tabel 4.4. Nilai Probabilitas Dataset Baru
54
Pada tabel 4.4. didapatkan hasil bahwa berdasarkan data tahun 2012 nilai rata-rata probabilitas banyak mencapai 0,035 sedangkan nilai rata-rata probabilitas sedikit 0,017.
Setelah dihasilkan nilai probabilitas dataset baru pada tabel 4.4, setelah itu mencari persentase banyak dan sedikit dari setiap dataset baru dengan menggunakan rumus persentase :
Sehingga didapatkan hasil persentase nilai probabilitas pada dataset baru seperti tabel 4.5.
Tabel 4.5. Per sentase Nilai Pr obabilitas Dataset Baru
55
Nilai per sentase untuk setiap pool
Penentuan nilai persentase setiap pool dapat dihitung berdasarkan persentase banyak pada tabel 4.5, setelah itu dihitung menggunakan rumus :
Sehingga didapatkan hasil persentase pada setiap pool seperti tabel 4.6. Tabel 4.6. Per sentase Nilai Pr obabilitas Dan Pool
56 libur sebesar 47.91 % serta rata-rata persentase pool Ketintang sebesar 15,54 %, pool Klampis sebesar 13,67 %, pool Hercules sebesar 13,05 % dan pool Sidoarjo sebesar 19,89 %.
Penentuan persentase setiap pool seperti pada tabel 4.6. dapat digunakan sebagai hasil akhir dari aplikasi prediksi penggunaan jasa taksi. Tampilan aplikasi yang menampilkan hasil prediksi penggunaan jasa taksi Silver bisa dilihat pada gambar 4.3.
4.3.2. Pengukuran Hasil Uji Coba
Pada sub bab ini menjelaskan pengukuran terhadap hasil perhitungan menggunakan metode Naïve Bayes dengan 20 dataset sehingga dapat diketahui nilai kesalahan dan nilai akurasi pada sistem ini. Dimana data hasil perbandingan menggunakan 24 dataset maka dapat dilihat pada tabel 4.7.
Tabel 4.7. Perbandingan Data
No. Hari Waktu Cuaca Dataset Uji Coba Sistem
1 Kerja Pagi Cerah Banyak Banyak
2 Kerja Pagi Mendung Banyak Banyak
57 nilai kesalahan. Maka hasil nilai akurasi dengan menggunakan metode naive bayes pada sistem ini adalah : ((20/24) x 100%) = 83.33%, sedangkan peresentase kesalahan adalah : ((4/24) x 100%)= 16.67%.
4.3.3. Validasi Data
58
Tabel 4.7. Validasi Data
No. Hari Waktu Cuaca Pr ediksi Data 2011 Data 2012
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari berbagai penjelasan yang telah diuraikan dalam laporan ini, maka dapat disimpulkan berbagai hal sebagai berikut sebagai berikut :
1. Dengan memahami metode Naïve Bayes yang digunakan untuk menghitung parameter-parameter dalam memprediksi penggunaan jasa taksi, maka dapat dihitung pada aplikasi yang akan dibuat.
2. Dengan menggunakan perhitungan terhadap parameter-parameter hari, waktu, cuaca serta penghitungan jumlah pool dengan menggunakan metode Naïve Bayes, didapatkan hasil prediksi jumlah persentase penggunaan jasa taksi dan persentase penggunaan pada setiap pool taksi.
5.2 Sar an
DAFTAR PUSTAKA
Basruddin. Pengertian Sistem Berorientasi Objek. http://www.scribd.com/ . Diakses pada tanggal 5 Maret 2013.
Fibrianto, Lucky. 2011. Analisis Pengaruh Kualitas J asa Ter hadap Loyalitas Pelanggan Bus Damri Kota Semarang. Universitas Diponegoro. Semarang.
Gintoro, Suharto I.W, Rachman F., Dan Halim D. 2010. Analisis Dan Perancangan Sistem Pencar ian Taksi Ter dekat Dengan Pelanggan Menggunakan Layanan Berbasis Lokasi. Seminar Nasional Aplikasi Teknologi Informasi. Yogyakarta.
Indriyanna, Indah Dan Bunafit Nugroho. Membuat Sistem Informasi Penjualan Retail dengan SQL Server dan VB 6. Elex Media Komputindo. Jakarta. 2007.
Junaidi, Singgih. 2006. Efisiensi Industri J asa Taksi Di Kota Semarang. Universitas Diponegoro. Semarang.
Wicaksono , Deddy S. . 2010. Analisis Kepuasan Pengguna J asa Transportasi Taksi untuk Meningkatkan Loyalitas [Studi Pada Pt. Blue Bird Pusaka Di Semarang]. Universitas Diponegoro. Semarang.
