PREDIKSI PEMAKAIAN CITY GAS RUMAH TANGGA MENGGUNAKAN METODE KLASIFIKASI NAIVE BAYES (STUDI KASUS: PT. SARANA PEMBANGUNAN ENERGI MADANI) REPOSITORY

(1)

PREDIKSI PEMAKAIAN CITY GAS RUMAH TANGGA

MENGGUNAKAN METODE KLASIFIKASI NAIVE BAYES

(STUDI KASUS: PT. SARANA PEMBANGUNAN ENERGI

MADANI)

REPOSITORY

OLEH

RANI AMALIANTY

NIM. 1603122648

PROGRAM STUDI SISTEM INFORMASI

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS RIAU

PEKANBARU

2020

(2)

PREDIKSI PEMAKAIAN CITY GAS RUMAH TANGGA MENGGUNAKAN METODE KLASIFIKASI NAIVE BAYES (STUDI KASUS: PT. SARANA

PEMBANGUNAN ENERGI MADANI) Rani Amalianty, Alfirman

Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia

[email protected]

ABSTRACT

In 2016 natural gas was distributed in 3,713 houses in Limapuluh District, Pekanbaru. This number is spread in 4 villages in Limapuluh District Pekanbaru, namely Rintis, Sekip, Tanjung Rhu, and Pesisir. The unwise usage city gas will have impact on the size of the use of city gas, this will also affect the depletion of the supply of natural gas due to the bigger demand for city gas than its supply. The purpose of this study is to build a system that can predict household city gas usage by using the Naive Bayes Classification method. The working principle of the Naive Bayes method is to calculate a set of probabilities by adding up the frequencies and combinations of datasets that have been made. This system was built with the PHP programming language, MySQL as a database server, and UML as a system design. Data was collected by distributing questionnaires to 97 houses with a span of 2 months, September and Oktober 2019. Total data used are 194 data. Then the results obtained percentage of 70,1030% for accuracy of predictions with good feasibility, where from 194 data tested there were

136 data that were successfully predicted correctly. The manual calculation test is

performed and the system calculation produces a similar usage level. Keywords: City Gas, Naive Bayes, Inventory, Prediction, Household

ABSTRAK

Pada tahun 2016 gas bumi telah disalurkan di Kecamatan Limapuluh Pekanbaru sebanyak 3.713 rumah. Jumlah ini tersebar di 4 kelurahan yang ada di Kecamatan Limapuluh Pekanbaru, yaitu Rintis, Sekip, Tanjung Rhu, serta Pesisir. Pemakaian city gas yang tidak bijak tentu saja akan berdampak pada besar kecilnya penggunaan city gas, hal ini juga akan mempengaruhi menipisnya persediaan dari gas bumi itu sendiri dikarenakan besarnya kebutuhan akan city gas dibandingkan persediaannya. Tujuan dari penelitian ini adalah untuk membangun sebuah sistem yang dapat memprediksi pemakaian city gas rumah tangga dengan menggunakan metode Klasifikasi Naive

(3)

Bayes. Prinsip kerja dari metode naive bayes yaitu menghitung sekumpulan

probabilitas dengan menjumlahkan frekuensi dan kombinasi dari dataset yang telah dibuat. Sistem ini dibangun dengan bahasa pemrograman PHP, MySQL sebagai

database server, dan UML sebagai desain perancangan sistem. Data dikumpulkan

dengan menyebar kuesioner kepada 97 rumah dengan rentang waktu 2 bulan yaitu bulan September dan Oktober tahun 2019. Total data yang digunakan berjumlah 194 data. Keakuratan prediksi dengan tingkat kelayakan Baik memperoleh hasil persentase sebesar 70,1030%, dimana dari 194 data yang diuji terdapat 136 data yang berhasil

diprediksi dengan benar. Pengujian perhitungan manual dan perhitungan sistem

menghasilkan tingkat pemakaian yang selaras.

Kata Kunci: City Gas, Naive Bayes, Persediaan, Prediksi, Rumah Tangga PENDAHULUAN

Gas bumi adalah sumber energi yang bersih dan ramah lingkungan dengan komponen utamanya berupa Methana (CH4) yang dialirkan dari sumur gas bumi melalui pipa gas atau model pengangkutan lainnya sampai ke lokasi pelanggan. Pekanbaru sebagai Ibukota Provinsi merasakan adanya program baru dari pemerintah dengan memanfaatkan sumber daya yang melimpah. Program ini disebut jaringan gas untuk rumah tangga atau gas kota. Gas bumi sektor rumah tangga berarti mengalirkan gas melalui jaringan pipa hingga ke rumah tangga (Pratama, 2017).

Pemanfaatan city gas di Pekanbaru disalurkan melalui sambungan gas rumah tangga di tiga kecamatan yaitu Kecamatan Sail, Kecamatan Pekanbaru Kota, dan Kecamatan Limapuluh. Di Kecamatan Limapuluh sebagai percontohan yang tersebar di empat kelurahan yakni Rintis, Pesisir, Tanjung Rhu, dan Sekip. Pemakaian city gas yang tidak bijak tentu saja akan berdampak pada besar kecilnya penggunaan city gas, hal ini juga akan mempengaruhi menipisnya persediaan dari gas bumi itu sendiri dikarenakan besarnya kebutuhan akan city gas dibandingkan persediaannya, untuk itu setiap masyarakat diharapkan memahami upaya dalam menggunakan city gas rumah tangga tersebut dengan bijak.

Untuk mengantisipasi masalah tersebut, maka dibuat sebuah sistem yang dapat memprediksi pemakaian city gas rumah tangga dengan variabel yang telah di tentukan menggunakan metode klasifikasi Naive Bayes.

METODE PENELITIAN a. Teknik Pengumpulan Data

Adapun teknik pengumpulan data yang digunakan adalah:

1. Wawancara adalah metode pengumpulan data dengan cara melakukan tanya jawab dengan pihak yang ada pada objek penelitian. Wawancara penulis lakukan dengan Direktur serta Staf di PT. Sarana Pembangunan Energi Madani kota Pekanbaru. 2. Kuesioner merupakan metode pengumpulan data dalam bentuk angket yang disebar

kepada pihak pemakai gas bumi rumah tangga.

3. Studi Literatur merupakan metode pengumpulan data dengan membaca buku referensi atau dokumentasi yang berhubungan dengan penelitian yang dibuat.

(4)

b. Peralatan yang Digunakan

1. Perangkat Keras (Hardware)

a. Laptop HP dengan processor Intel(R) Core(TM) i5-3210M CPU @ 2.50GHz untuk membuat skripsi.

b. Flashdisk Sandisk 8 GB untuk penyimpanan data skripsi. c. RAM berkapasitas 4 GB untuk penyimpanan data sementara. 2. Perangkat Lunak (Software)

a. Sistem Operasi Windows 10 Pro 64-bit.

b. Microsoft Office Word 2010 untuk pengetikan laporan. c. Xampp 7.2.27 sebagai server yang berdiri sendiri.

d. PHP sebagai bahasa pemrograman yang di desain untuk pembangunan web. e. MySQL sebagai server database.

f. Draw.io untuk mendesain UML. g. Google Chromer untuk web browser.

c. Prediksi

Prediksi adalah suatu proses memperkirakan secara sistematis tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki, agar kesalahannya (selisih antara sesuatu yang terjadi dengan hasil perkiraan) dapat diperkecil. Prediksi tidak harus memberikan jawaban secara pasti kejadian yang akan terjadi, melainkan berusaha untuk mencari jawaban sedekat mungkin yang akan terjadi (Orpa, Ripanti, dan Tursia, 2019).

d. Program City Gas Untuk Sektor Rumah Tangga

Program city gas dilaksanakan dengan tujuan memenuhi kebutuhan bahan bakar rumah tangga dengan kategori ekonomi menengah kebawah, khususnya di daerah yang dekat dengan lokasi produksi gas bumi. Program ini diharapkan dapat mengurangi konsumsi minyak tanah yang merupakan salah satu produk turunan BBM. Gas ini sangat aman dipakai karena pendistribusiannya melalui pipa bawah tanah serta anti kebocoran dan gas ini juga tidak meledak dikarenakan menggunakan tekanan gas rendah.

e. Klasifikasi Naive Bayes

Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan

statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai teorema Bayes (Syarli and Muin, 2018).

Dasar teorema Naive Bayes dengan rumus Bayes yaitu sebagai berikut:

P(H|X)=P(X|H)P(H) ... (1) Keterangan:

X = Data dengan class yang belum diketahui

H = Hipotesis data X merupakan suatu class spesifik

P(H|X) = Probabilitas hipotesis H berdasarkan kondisi x (posteriori probabilitas) P(H) = Probabilitas hipotesis H (prior probabilitas)

(5)

P(X|H) = Probabilitas X berdasarkan kondisi tersebut

P(X) = Probabilitas dari X

Adapun cara menghitung akurasi dengan metode naive bayes yaitu:

Persentase =Jumlah Data Benar_{Seluruh Data} x 100 ... (2) Keuntungan penggunaan Naive Bayes adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk menentukan estimasi paremeter yang diperlukan dalam proses pengklasifikasian. Naive Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata yang kompleks dari pada yang diharapkan (Saleh, 2015).

HASIL DAN PEMBAHASAN a. Analisa Kebutuhan Sistem

Pada tahap ini dilakukan identifikasi sumber data dan sumber informasi yang akan digunakan. Dilakukan analisis kebutuhan sistem dengan melakukan wawancara dan penyebaran kuesioner terhadap responden pemakai city gas rumah tangga di Kecamatan Limapuluh Pekanbaru. Dari hasil perhitungan sampel menggunakan rumus slovin dapat dilihat jumlah sampel yang digunakan adalah sebanyak 97 rumah.

Hasil uji validitas kuesioner dapat dilihat pada Tabel 1.

Tabel 1. Hasil Uji Validitas Kuesioner

Variabel r hitung r tabel Kesimpulan

Daya Listik 0,566 0,444 Valid

Pendapatan 0,566 0,444 Valid

Pengeluaran 0,623 0,444 Valid

Jumlah Tanggungan 0,520 0,444 Valid

Alokasi Waktu Penggunaan 0,577 0,444 Valid

Tingkat Volume Pemakaian 0,530 0,444 Valid

Hasil uji reliabilitas dapat dilihat pada Tabel 2.

Tabel 2. Hasil Uji Reliabilitas

Nilai Cronbach Alpha r tabel (5%) Kesimpulan

0,547 0,444 Reliabel

Adapun variabel penentu yang digunakan dalam mengklasifikasikan data pemakaian city gas ini berdasarkan masyarakat ekonomi menengah kebawah dengan sosial ekonomi masyarakat (Pratama, 2017) yaitu:

1. Jenis Pekerjaan

Pekerjaan merupakan kunci utama dalam permasalahan ekonomi sosial masyarakat, mampu atau tidaknya ekonomi masyarakat disebabkan oleh pekerjaan yang dimilikinya. Tingkat pekerjaan dikelompokkan menjadi 4 yaitu:

a. PNS

(6)

c. Ibu Rumah Tangga d. Lain - Lain

2. Besar Daya Listrik

Daya listrik merupakan salah satu variabel di mana syarat untuk masuknya city gas ke rumah masyarakat berekonomi menengah kebawah dengan daya listrik paling besar 1300 va lebih dari itu sudah dikategorikan komersil. Adapun besar daya listrik ini dikelompokkan menjadi 3 kategori yaitu:

a. 450 va b. 900 va c. 1300 va

3. Jumlah Pendapatan

Sebuah pendapatan dapat diukur dengan tingkat kesejahteraan seseorang yang sebanding lurus dengan hasil pendapatan yang mereka dapat saat bekerja. Dalam kategori pendapatan dikelompokkan menjadi 3 kategori yaitu:

a. Kurang dari Rp. 1.500.000

b. Rp. 1.500.000 sampai dengan Rp. 3.000.000 c. Lebih dari Rp. 3000.000

4. Jumlah Pengeluaran

Tingkat pengeluaran dalam penelitian ini yang dimaksud adalah jumlah uang yang dikeluarkan rata-rata setiap bulannya baik untuk kebutuhan pribadi maupun rumah tangga. Adapun pengeluaran dikelompokkan menjadi 3 yaitu:

a. Kurang dari Rp. 1.500.000

b. Rp. 1.500.000 sampai dengan Rp. 3.000.000 c. Lebih dari Rp. 3000.000

5. Tingkat Pendidikan

Pendidikan merupakan peran penting bagi setiap warga negara yaitu dapat memodrenkan masyarakat dari yang tradisional menjadi lebih modren. Dalam perannya pendidikan dapat meningkatkan taraf hidup manusia, semakin tinggi pendidikan maka semakin banyak pula pengetahuan yang diperoleh. Adapun tingkat pendidikan di kelompokkan menjadi 4 yaitu:

a. SD b. SMP c. SMA

d. Perguruan Tinggi

6. Jumlah Tanggungan Keluarga

Jumlah tanggungan keluarga dalam rumah tangga yang hidup pada satu dapur biasanya memiliki hubungan yang dekat. Kondisi demikian bertanggung jawab atas pekerjaan rumah tangga. Jumlah tanggungan keluarga mempengaruhi tinggi rendahnya seseorang di rumah tangga dalam menggunakan city gas untuk memenuhi kebutuhan setiap anggota rumah tangga. Adapun kategori jumlah tanggungan keluarga dikelompokkan menjadi 3 kategori yaitu:

a. Kurang dari 3 orang b. 3 sampai dengan 5 orang c. Lebih dari 5 orang

(7)

7. Waktu Penggunaan

Waktu penggunaan yaitu seberapa lama pengguna menghabiskan waktunya untuk memasak dengan menggunakan city gas rumah tangga. Waktu penggunaan dikelompokkan menjadi 3 kategori yaitu:

a. 0 sampai dengan 1 jam/hari b. 1 sampai dengan 2 jam/hari c. 2 sampai dengan 3 jam/hari 8. Level Pakai

Level pakai merupakan volume pemakaian dari setiap rumah tangga yang menggunakan city gas dengan hitungan rata-rata setiap bulannya. Adapun volume pemakaian ini dikelompokkan menjadi 3 kategori yaitu:

a. Pemakaian 0 sampai dengan 15 m3 dikategorikan dalam tingkat rendah.

b. Pemakaian 15 sampai dengan 30 m3 dikategorikan dalam tingkat menengah.

c. Pemakaian lebih dari 30 m3 dikategorikan dalam tingkat tinggi.

Tabel 3. Tabel Data Training

ID Data

set

Customer Bulan Pekerjaan Daya

Listrik Pendapatan Pengeluaran

Pend Terakhir Jlh Tanggungan Waktu Penggunaan Level Pakai

1 Yatman Sept PNS 900 va >3 Juta >3 Juta PT <3 Orang 1-2 Jam/hari Tinggi 2 Yatman Okt PNS 900 va >3 Juta >3 Juta PT <3 Orang 1-2 Jam/Hari Menengah 3 Yusnani Sept Wiraswasta 1300 va 1.5 - 3 Juta 1.5 - 3 Juta SMA <3 Orang 1-2 Jam/Hari Tinggi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193 K Johan Sept Wiraswasta 1300 va 1.5 - 3 Juta >3 Juta SD <3 Orang 0-1 Jam/Hari Menengah 194 K Johan Okt Wiraswasta 1300 va 1.5 - 3 Juta >3 Juta SD <3 Orang 0-1 Jam/Hari Menengah

Pada contoh input salah satu data yang sudah ada di dalam data training, yaitu data pada customer Yatman dengan hasil data realnya pada bulan September adalah Tinggi dan Oktober adalah Menengah . Data uji Yatman dapat dilihat pada Tabel 4.

Tabel 4. Data Testing

Pekerjaan Daya

Listrik Pendapatan Pengeluaran

Pend Terakhir Jumlah Tanggungan Waktu Penggunaan

PNS 900 va > 3 Juta > 3 Juta PT <3 Orang 1 – 2 Jam/Hari

Menghitung probabilitas masing-masing kelas :

Rendah

Probabilitas data testing Rendah dapat dilihat pada Tabel 5.

Tabel 5. Data Testing Rendah

Tingkat Volume Pemakaian Probabilitas

P (Rendah) 0.072

P (Pekerjaan | PNS) 0.142

P (Daya Listrik | 900 va) 0.647

P (Pendapatan | > 3 Juta) 0.294

P (Pengeluaran | > 3 Juta) 0.411

(8)

P (Jumlah Tanggungan | <3 Orang) 0.647

P (Alokasi Waktu Penggunaan | 1-2 Jam/Hari) 0.142

Hasil Perhitungan 0.00001245

Menengah

Probabilitas data testing Menengah dapat dilihat pada Tabel 6.

Tabel 6. Data Testing Menengah

P (Menengah) 0.288

P ( Pendidikan Terakhir | Perguruan Tinggi) 0.142

Tinggi

Probabilitas data testing Tinggi dapat dilihat pada Tabel 7.

Tabel 7. Data Testing Tinggi

P (Tinggi) 0.639

P ( Pendidikan Terakhir | Perguruan Tinggi) 0.177

Tabel 8. Tabel Hasil Data Testing

P (Rendah) 0.00001245

P (Menengah) 0.00005606

P (Tinggi) 0.00027865

Hasil Probabilitas Akhir Terbesar 0.00027865

Berdasarkan tabel di atas dapat disimpulkan bahwa nilai probabilitas akhir terbesar ada di kelas Tinggi, maka hasil dari prediksi data testing dengan menggunakan data pada customer Yatman masuk kedalam klasifikasi tingkat volume pemakaian Tinggi yaitu sebesar >30 m3. Hasil perbandingan data real dan data uji dapat dilihat dari gambar grafik berikut:

(9)

Gambar 1. Grafik Perbandingan Data Real Dan Data Uji

Berdasarkan Gambar 1 dapat dilihat bahwa dengan input data uji berdasarkan

customer Yatman maka didapat hasil prediksi pada tingkat pemakaian Tinggi. Dimana

pada grafik dengan batang diarsir pada bulan September dan Oktober merupkan data real dari customer Yatman yaitu Tinggi dan Menengah. Sedangkan pada nilai Prediksi dengan grafik batang berwarna merah merupakan hasil data uji dari customer Yatman yaitu Tinggi.

Adapun untuk tingkat akurasi dari data hasil prediksi (data testing) dengan kondisi realnya (data training) menggunakan persamaan rumus 2.4:

Perentase = 136₁₉₄ x 100% = 70,1030%

Persentase digunakan untuk memberikan jawaban atas kelayakan dari aspek-aspek yang diteliti. Pembagian kategori kualitas menurut Arikunto, ada lima. Skala ini memperhatikan rentang dari bilangan persentase. Nilai maksimal yang diharapkan adalah 100% dan minimum 0% (Khairullah dkk, 2017). Pembagian rentang kategori kualitas dapat dilihat pada Tabel 9.

Tabel 4.9 Kategori Kelayakan

Kategori Persentase

Sangat Baik 81% - 100%

Baik 61% - 80%

Cukup Baik 41% - 60%

Tidak Baik 21% - 40%

Sangat Tidak Baik < 21%

b. Desain Sistem

1. Use Case Diagram

Adapun use case diagram dari prediksi pemakaian city gas dapat dilihat pada Gambar 2.

(10)

Gambar 2. Use Case Diagram

2. Class Diagram

Class diagram bisa dilihat pada gambar 3.

(11)

c. Implementasi Sistem

1. Tampilan Halaman Login

Gambar 4. Tampilan Halaman Login

2. Tampilan Utama Admin

Gambar 5. Tampilan Halaman Awal Admin

3. Tampilan Halaman Data Training

(12)

4. Tampilan Halaman Perhitungan

Gambar 6. Tampilan Halaman Hitungan KESIMPULAN

Berdasarkan penelitian yang sudah dilakukan, maka penulis membuat kesimpulan sebagai berikut:

1. Sistem prediksi pemakaian city gas rumah tangga menggunakan metode klasifikasi

naive bayes berbasis web berhasil dibangun.

2. Berdasarkan data rumah tangga yang dijadikan data training, metode naive bayes berhasil mengklasifikasikan 136 data dari 194 data yang diuji.

(13)

3. Pada metode naive bayes ini berhasil meprediksi pemakaian city gas rumah tangga dengan persentase keakuratan sebesar 70,1030% dan berada pada tingkat kelayakan Baik.

4. Pengujian di dalam sistem ini dilakukan dengan cara yaitu, perhitungan manual dan perhitungan melalui sistem prediksi pemakaian city gas rumah tangga berbasis web. 5. Sistem prediksi ini akan memberikan kemudahan bagi pihak perusahaan untuk bisa

melakukan penanganan dini terhadap masalah persediaan gas bumi.

SARAN

Saran dari penelitian ini adalah sebagai berikut:

1. Menggunakan metode naive bayes ini sebaiknya menggunakan data training yang tidak terlalu banyak agar hasil akurasi dari metode ini mendapat nilai yang tinggi. 2. Sistem prediksi pemakaian city gas rumah tangga dapat dikembangkan

menggunakan pengolahan citra berbasis android.

3. Menerapkan metode prediksi lain untuk mendapatkan hasil prediksi yang lebih bagus, sehingga didapatkan informasi yang lebih baik pula untuk hasil prediksi yang dibutuhkan.

4. Menerapkan metode ini dapat dikembangkan menggunakan perbandingan atau mengkombinasikan metode lain untuk mendapatkan hasil yang lebih optimal. 5. Metode ini juga dapat dikembangkan untuk kasus lainnya.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada Bapak Alfirman M.Kom. yang telah membimbing, memberikan arahan, masukan, dan memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.

DAFTAR PUSTAKA

Khairullah, K., Soedijono, B. and Al Fatta, H., 2017. Pengukuran Kualitas Sistem Informasi Inventaris Aset Universitas Muhammadiyah Bengkulu Menggunakan Metode MCCALL. Informasi Interaktif, 2(2), 84-92.

Muin, A. A., & Syarli (2016). Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi). Jurnal Ilmiah Ilmu Komputer

Fakultas Ilmu Komputer Universitas Al Asyariah Mandar, 2(1), 22-26.

Orpa, E. P. K., Ripanti, E. F., & Tursina, T. Model Prediksi Awal Masa Studi Mahasiswa Menggunakan Algoritma Decision Tree C4. 5. Jurnal Sistem dan

Teknologi Informasi (JUSTIN), 7(4), 272-278.

Putra, Y. P., & Bahri, S. (2017). Faktor-faktor yang Mempengaruhi Tingkat Adopsi

Gas Bumi Rumah Tangga di Kecamatan Limapuluh Kota Pekanbaru (Doctoral

dissertation, Riau University).

Saleh, A. (2015). Implementasi metode klasifikasi naive bayes dalam memprediksi besarnya penggunaan listrik rumah tangga. Creative Information Technology