SKRIPSI
MODEL KLASIFIKASI PENJUALAN ONLINE HAND SANITIZER MENGGUNAKAN NAÏVE BAYES CLASSIFIER
ANNA INEKE CLARASIA THEEDENS Nomor Mahasiswa : 165410196
PROGRAM STUDI TEKNIK INFORMATIKA
SKRIPSI
MODEL KLASIFIKASI PENJUALAN ONLINE HAND SANITIZER MENGGUNAKAN NAÏVE BAYES CLASSIFIER
Diajukan sebagai salah satu syarat untuk menyelesiakan studi jenjang strata satu (S1) Program Studi Teknik Informatika
Sekolah Tinggi Manajemen Informatika dan Komputer AKAKOM
Yogyakarta
Disusun Oleh
ANNA INEKE CLARASIA THEEDENS Nomor Mahasiswa : 165410196
PROGRAM STUDI TEKNIK INFORMATIKA
SEKOLAH TINGGI MANAJEMAN INFORMATIKA DAN KOMPUTER AKAKOM
HALAMAN PERSEMBAHAN
Puji dan Syukur saya panjatkan ke hadirat Tuhan Yang Maha Esa karena kasih karunia- Nya karya ini dapat terselesaikan hingga akhir. Skripsi ini saya persembahkan kepada :
1. Kedua orang tua. Terima kasih sudah memberikan motivasi dan senantiasa mendoakan. Terima kasih atas bantuan suntikan dana kapanpun dibutuhkan.
2. Kakak dan adik-adik atas doa dan dukungan selama ini. Andri, Ino, Mance dan Inna, kalian menjadi sumber semangat.
3. Kepada Ibu Sri Redjeki, S.Si., M.Kom. yang telah menjadi pembimbing yang selalu baik dan sabar untuk memberikan bimbingan terhadap saya.
4. Alfin Dwi Yakzhan, sebagai rekan terdekat yang selalu memberi semangat dan senantiasa siap membantu di kala susah.
5. Terima kasih untuk teman-teman, Isyanalen, Dewi, Nuky, Putri, Panji, Valen, Unu, Anjar. Terimakasih atas kebersamaan dan moment yang telah kita jalin bersama.
MOTTO
“Sederhana dalam langkah, besar dalam upaya”
-Unknown-
"Pikiran orang bijak memperoleh pengetahuan, dan telinga orang bijak mencari ilmu."
- Amsal 18:15-
INTISARI
Pandemi Covid-19 berdampak pada berbagai sektor, seperti sektor bisnis.
Dengan adanya Covid-19 dan diterapkan social distancing, pola belanja masyarakat cenderung berubah dari offline menjadi online. Situs penjualan Shopee merupakan salah satu e-commerce yang menyediakan berbagai macam produk salah satunya hand sanitizer. Banyak jenis hand sanitizer dengan merk, ukuran serta harga berbeda, yang beredar pada situs penjualan Shopee sehingga dilakukan pengklasifikasian menjadi Laris dan Tidak Laris sehingga dapat memberi gambaran dalam pengambilan keputusan bagi penjual untuk penambahan stok.
Naïve bayes adalah teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan Teorema Bayes. Data diambil dengan melakukan crawling dari situs penjualan Shopee. Klasifikasi penjualan yang dilakukan menggunakan data dengan sebanyak 514 data menjadi 412 data training dan 102 data testing.
Berdasarkan hasil pengujian setiap kriteria yang telah dilakukan dapat disimpulkan sistem yang dapat memprediksi data dengan kelas yaitu laris dan tidak laris dari 102 record data yang di proses menggunakan sistem didapatkan hasil prediksi laris sebanyak 6 data dan tidak laris 96 data. Untuk pengujian dari data didapatkan hasil prediksi 100 data terprediksi benar dan 2 data salah prediksi dengan tingkat akurasi probabilitas yang didapatkan sebesar 98%.
Kata Kunci : Data Mining, Hand Sanitizer, Klasifikasi, Naive Bayes
KATA PENGANTAR
Puji syukur kepada Tuhan Yang Maha Esa yang telah memberikan rahmat dan karunia-Nya sehingga penyusunan skripsi yang berjudul “Model Klasifikasi Penjalan Online Hand Sanitizer Menggunakan Naïve Bayes Classifier” ini dapat diselesaikan.
Penyusunan skripsi dari awal hingga akhir tentu tidak lepas dari bantuan berbagai pihak. Dengan adanya bantuan tersebut, penulis hendak menyampikan terima kasih kepada :
1. Bapak Ir. Totok Suprawoto, M.M., M.T. selaku Ketua Sekolah Tinggi Manajemen Informatika dan Komputer AKAKOM Yogyakarta
2. Ibu Dini Fakta Sari, S.T., M.T. selaku Ketua Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Komputer AKAKOM Yogyakarta.
3. Ibu Sri Redjeki, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan bimbingan dan ilmu dalam pnyusunan karya ilmiah ini.
4. Kedua orang tua dan semua keluarga, yang telah memberikan semangat dan dukungan berupa doa.
5. Seluruh dosen dan karyawan Sekolah Tinggi Manajemen Informatika dan Komputer AKAKOM Yogyakarta.
6. Sahabat dan semua teman-teman.
Laporan ini penulis susun sebagai salah satu syarat untuk menyelesaiakan pendidikan jenjang Strata 1 jurusan Teknik Informatika dan memperoleh gelar sarjana Komputer pada Sekolah Tinggi Manajemen Informatika dan Komputer AKAKOM Yogyakarta.
Penulis menyadari bahwa Laporan Skripsi ini tentu terdapat banyak kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang membangun guna menambah wawasan dan pengembangan ilmu yang telah penulis peroleh selama ini. Semoga Laporan Skripsi ini dapat bermanfaat untuk semua pihak.
Yogyakarta, Februari 2021
Penulis
DAFTAR ISI
HALAMAN JUDUL ... i
HALAMAN PERSETUJUAN ... ii
HALAMAN PENGESAHAN ... iii
MOTTO ... v
INTISARI ... vi
KATA PENGANTAR ... vii
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xii
DAFTAR TABEL ... xiv
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 3
1.3 Ruang Lingkup ... 3
1.4 Tujuan Penelitian ... 4
1.5 Manfaat Penelitian ... 4
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI ... 5
2.1 Tinjauan Pustaka ... 5
2.2 Dasar Teori ... 10
2.2.1 E-Commarce ... 10
2.2.2 Shopee ... 10
2.2.3 Data Mining ... 11
2.2.6 Evaluasi Model ... 15
2.2.7 JSON (Java Script Object Notation) ... 15
2.2.8 Crawling ... 16
2.2.8 PHP ... 16
2.2.9 Diagram Alur Data ... 17
2.2.10 MySQL ... 18
BAB III METODE PENELITIAN ... 19
3.1 Bahan/ Data ... 19
3.2 Peralatan ... 20
3.2.1 Perangkat Keras ... 20
3.2.2 Kebutuhan Perangkat Lunak ... 20
3.3 Prosedur Pengumpulan Data ... 21
3.4 Analisis Dan Rancangan Sistem ... 21
3.4.1 Blok Diagram Sistem ... 21
3.4.2 Use Case Diagram ... 22
3.4.3 Sequence Diagram ... 23
3.4.4 Flowchart Naive Bayes ... 24
3.4.5 Class Diagram ... 24
BAB IV IMPLEMENTASI DAN PEMBAHASAN SISTEM ... 28
4.1 Implementasi Sistem ... 28
4.1.1 Proses Pengambilan Data ... 28
4.1.2 Preprocessing ... 32
4.1.3 Proses Merubah Data Numerik Menjadi Data Kategorikal ... 32
4.1.3 Data Training ... 33
4.1.4 Data Testing ... 36
4.1.5 Perhitungan Naïve Bayes Classifier ... 39
4.1.5.1 Probabilitas prior laris dan tidak laris ... 39
4.1.5.2 Probabilitas berdasarkan data training ... 40
4.1.5.3 Mengalikan Variabel Laris dan Tidak Laris ... 44
4.1.5.4 Pengujian Akurasi Perhitungan Naïve Bayes Classifier ... 46
4.2 Pembahasan Sistem ... 49
4.2.1 Pencarian Data ... 49
4.2.2 Hasil Pencarian Data ... 50
4.2.3 Tampilan Hasil Preprocessing ... 51
4.2.4 Halaman Perhitungan Naïve Bayes Classifier ... 53
BAB V PENUTUP ... 55
5.1 Kesimpulan ... 55
5.2 Saran ... 56
DAFTAR PUSTAKA ... 57
DAFTAR GAMBAR
Gambar 2.1 Tahapan Knowledge Discovery in Database (KDD) ... 12
Gambar 3.1 Blok Diagram Sistem ... 21
Gambar 3.2 Use Case Diagram ... 23
Gambar 3.3 Sequence Diagram Sistem ... 23
Gambar 3.4 Flowchart Naive Bayes Classifier ... 24
Gambar 3.5 Class Diagram Sistem ... 24
Gambar 3.6 Halaman Utama ... 26
Gambar 3.7 Halaman Preprocessing ... 27
Gambar 3.8 Halaman Training ... 27
Gambar 4. 1 Proses Pengambilan Data ... 28
Gambar 4. 2 Fungsi pengambilan data ... 29
Gambar 4. 3 Preprocessing data ... 32
Gambar 4. 4 Proses mengubah data numerik menjadi kategorikal ... 33
Gambar 4. 5 Import data training ... 33
Gambar 4. 6 Proses Input Data Testing ... 36
Gambar 4. 7 Probabilitas Prior Laris dan Tidak Laris ... 39
Gambar 4. 8 Probabilitas Data Training ... 40
Gambar 4. 9 Mengalikan Variabel Laris dan Tidak Laris ... 44
Gambar 4. 13 Tampilan Hasil Preprocessing ... 51
Gambar 4. 14 Tampilan Perhitungan Data ... 52
Gambar 4. 15 Tampilan Perhitungan, Export Table dan Import table ... 52
Gambar 4. 16 Tampilan Total Data... 53
Gambar 4. 17 Tampilan Hasil Perhitungan ... 53
Gambar 4. 18 Tampilan Hasil Prediksi ... 54
DAFTAR TABEL
Tabel 2.1 Tinjauan Pustaka ... 8
Tabel 2.2 Simbol DAD ... 17
Tabel 3.1 Atribut Yang Digunakan ... 19
Tabel 4. 1 Data Produk Hand Sanitizer ... 29
Tabel 4. 2 Data Training ... 33
Tabel 4. 3 Data Testing ... 37
Tabel 4. 4 Probabilitas Prior ... 40
Tabel 4. 5 Probabiitas Kriteria Volume ... 41
Tabel 4. 6 Probabilitas Kriteria Harga ... 42
Tabel 4. 7 Probabilitas Kriteria Stok ... 43
Tabel 4. 8 Probabilitas Kriteria Sold ... 43
Tabel 4. 9 Sampel Data Likehood ... 45
Tabel 4.10 Perbandingan Hasil Prediksi dari Sistem dengan Hasil Data Asli ... 47
Tabel 4. 11 Hasil Class Prediction dan Accuracy ... 49
