Data Usaha Batik Tulis di Madura

No Nama Batik jumlah konsume n

pelatihan karyawan pertahun

terdapat brandin g produk

kenaika n harga bahan baku

pelatihan pemilik pertahun

memilik i surat ijin usaha

biaya tenaga kerja pertahun

keuntunga n pertahun

Label

1 Belva Batik Tulis Madura

50-149 1 sampai 2

terdafta r

11-15% 2 sampai 4 SIUP <200 <100 C3

2 UD. Batik Tulis Satuna

<=50 1 sampai 2

terdafta r

10% 2 sampai 4 SIUP <200 <100 C3

3 Batik Tulis Subaidah

<=50 1 sampai 2

terdafta r

10% 2 sampai 4 SIUP <200 <100 C3

4 Batik Tulis Ruha

<=50 1 sampai 2

terdafta r

11-15% 2 sampai 4 SIUP <200 <100 C3

5 Batik Tulis Abdul Aziz

<=50 1 sampai 2

terdafta r

10% 2 sampai 4 SIUP <200 <100 C3

6 UD. Batik Tulis Bunda

<=50 3 sampai 6

terdafta r

10% 2 sampai 4 SIUP <200 <100 C3

7 Batik Tulis Bahar

<=50 0 terdafta

r

10% 2 sampai 4 SIUP <200 <100 C3

8 Batik Tulis Situn

<=50 1 sampai 2

terdafta r

11-15% 2 sampai 4 SIUP <200 <100 C3

9 Batik Tulis Safion

<=50 1 sampai 2

terdafta r

10% 2 sampai 4 SIUP <200 <100 C3

10 Batik Tulis Patma

<=50 1 sampai 2

terdafta r

11-15% 2 sampai 4 SIUP <200 <100 C3

11 UD. Batik Tulis Sidur

<=50 1 sampai 2

terdafta r

10% 2 sampai 4 SIUP <200 <100 C3

12 Batik Tulis Kencana

50-149 3 sampai 6

terdapat merk

10% 2 sampai 4 SIUP <200 <100 C3

13 Batik Tulis Sidin

<=50 0 terdafta

r

10% 2 sampai 4 SIUP <200 <100 C3

14 UD. Sulfah Batik

<=50 0 terdafta

r

10% 2 sampai 4 SIUP <200 <100 C3

15 Batik Tulis Atik

<=50 1 sampai 2

terdafta r

10% 0 SIUP <200 <100 C3

16 UD. Tia Batik

<=50 1 sampai 2

terdafta r

11-15% 2 sampai 4 SIUP <200 <100 C3

17 UD. Farah Batik

<=50 0 terdafta

r

10% 2 sampai 4 SIUP <200 <100 C3

18 Batik Tulis Mina

<=50 1 sampai 2

terdafta r

10% 2 sampai 4 SIUP <200 <100 C3

19 Batik Tulis Piyah

<=50 1 sampai 2

terdafta r

10% 1 SIUP <200 <100 C3

20 Batik Tulis Mariya

<=50 0 terdafta

r

10% 2 sampai 4 SIUP <200 <100 C3

17 9

Sakera Batik

<=50 0 tidak

bermerk

10% 2 sampai 4 tidak memilik i

<200 <100 C2

18 0

Pemerinta h Desa Peseseh

<=50 1 sampai 2

tidak bermerk

16-25% 0 SIUP <200 <100 C1

18 1

Batik Madura Ny.

Mustamim

<=50 1 sampai 2

tidak bermerk

16-25% 2 sampai 4 tidak memilik i

<200 <100 C2

18 2

Butik Batik Madura

<=50 1 sampai 2

tidak bermerk

10% 1 tidak

memilik i

<200 <100 C2

18 4

Giat Mandiri Batik

<=50 1 sampai 2

tidak bermerk

10% 1 tidak

memilik i

<200 100-250 C2

Mencari gain terbesar pada seleksi fitur diawali dengan menghitung entropy terlebih dahulu Entropy (s) =

∑

i c

−

p

_i

log p

_i

Entropy (s) =

( ⁽

⁻⁵⁷

^{182 log 182 57 )}

⁺

⁽

⁻⁹⁶

^{182 log 182 96 )}

⁺

⁽

⁻²⁹

^{182 log 182 29 )} )

= 1.43355

Menghitung information gain masing-masing indikator Gain (S, A) =

Entropy

(

s)−Σ | ^s

v

|

| s |

^{∗entropy(sv)}

Gain (S, Jumlah konsumen) = (

143355)− ( ^{( 168 182 )}

^∗1443158

)

⁻

( ^{( 182 1 4 )}

^{∗1 263809}

)

= 1443355 - 0.097216 - 1.332146 = 0.004188

Mengurutkan gain terbesar ke terkecil

Indikator Gain

memiliki izin 1.43355

branding produk 1.152609

pelatihan pemilik 0.387828

kenaikan harga bahan 0.378947

pelatihan karyawan 0.149713

keuntungan 0.00509

jumlah konsumen 0.004188

biaya tenaga kerja 0

Setelah mengurutkan hasil gain langkah selanjutnya yaitu menyeleksi fitur atau indikator apa saja yang akan digunakan dalam menghitung algoritma naïve bayes. Pada tabel … fitur yang digunakan meliputi :

Indikator Gain

memiliki izin 1.43355

branding produk 1.152609

pelatihan pemilik 0.387828

kenaikan harga bahan 0.378947

pelatihan karyawan 0.149713

keuntungan 0.00509

jumlah konsumen 0.004188

Menghitung algoritma naïve bayes

Langkah pertama dari proses perhitungan naïve bayes adalah menghitung prior dari setiap label yaitu dengan menghitung jumlah dari label C3, C2 dan C1 kemudian membagi masing-masing label dengan jumlah keseluruhan data training, dibawah ini terdapat contoh perhitungan prior data training :

P

(i)=

Total i Total Data P ( ^c

3

)

⁼

₁₈₂ ⁵⁷

^{=0,313 1}

P ( ^c

2

)

⁼

₁₈₂ ⁹⁶

⁼

^0,5274

P ( ^c

1

)

⁼

₁₈₂ ²⁹

⁼

^{0,159 3}

Menghitung likelihood

Setelah mendapatkan hasil dari perhitungan prior maka langkah selanjutnya yaitu menghitung likelihood atau probabilitas masing-masing fitur atau indikator. Berikut ini adalah contoh perhitungan probabilitas fitur :

Hitung P(X|Ci)

P(jml_konsumen = <=50|label = C3) = 52/57 = 0,912 P(jml_konsumen = <=50|label = C2) = 88/96 = 0,916 P(jml_konsumen = <=50|label = C1) = 28/29 = 0,965

P(jml_konsumen = 50-149|label = C3) = 5/57 = 0,087 P(jml_konsumen = 50-149|label = C2) = 8/96 = 0,083 P(jml_konsumen = 50-149|label = C1) = 1/29 = 0,034 Menghitung posteriornya

Setelah mendapatkan hasil dari probabilitas masing-masing fitur Langkah yang dilakukan selanjutnya yaitu menghitung posterior,

asil dari posterior kemudian dibandingkan. Label kelas yang memiliki nilai posterior tertinggi maka akan menjadi label dari data testing.

Berikut ini contoh perhitungan posteriornya :

p ( ^{H | X} )

⁼

^P ( ^{X | H} ) ^P

⁽

^H

⁾

P

(

X

)

Menghitung data testing berdasarkan hasil dari data training Klasifikasi data training