PENERAPAN DATA MINING UNTUK MEMPREDIKSI PENJUALAN PRODUK BENIH TERLARIS MENGGUNAKAN METODE NAÏVE BAYES

(1)

PENERAPAN DATA MINING UNTUK MEMPREDIKSI PENJUALAN PRODUK BENIH TERLARIS MENGGUNAKAN METODE NAÏVE BAYES

1Nurul Aini Br Bangun, ²Zaiful Bahri

1Mahasiswa Program Studi S1 Sistem Informasi

2Dosen Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia [email protected], [email protected]

ABSTRACT

PT. Citra Seeds, Karo Asia Regency, is a company that sells horticultural plant seeds.

Seed buyers come from various regions in Karo Regency, because farming activities are the majority of the people's work there. PT Benih Citra Asia does not have a sales strategy so there is often a problem of out of stock which of course if no solution is found it can cause a decrease in the sales chart. In addition, sales data is also increasing, this can be a solution in overcoming the problems faced. Therefore, a data mining process was carried out using the Naïve Bayes method on the sales data of PT.

Asian Citra Seeds. The initial data obtained were 507 data, after cleaning the data produced 484 data. From the 484 data, the preprocessing and implementation stages of Naïve Bayes were carried out. Initial accuracy obtained in this study is 52,58%. To improve research accuracy, K-fold Cross Validation was used, with the highest accuracy value being in the 2nd iteration with an accuracy value of 72.51%, 80.49%

precision and 89.19% recall. The best-selling product results obtained from this research are Natavi products.

Keywords : Seed, Data Mining, Prediction, Naïve Bayes ABSTRAK

PT. Benih Citra Kabupaten Karo Asia merupakan perusahaan yang menjual benih tanaman holtikultura. Pembeli benih berasal dari berbagai daerah di Kabupaten Karo, karena kegiatan bertani yang merupakan mayoritas pekerjaan masyarakat yang berada disana. PT Benih Citra Asia tidak memiliki strategi penjualan sehingga sering terjadi masalah kehabisan stok yang tentunya jika tidak ditemukan solusinya dapat menyebabkan penurunan grafik penjualan. Selain itu data penjualan juga semakin meningkat, hal ini dapat menjadi solusi dalam mengatasi masalah yang dihadapi. Oleh sebab itu dilakukan proses data mining dengan metode Naïve Bayes pada data penjualan PT. Benih Citra Asia. Adapun data awal yang diperoleh sebanyak 507 data, setelah dilakukan pembersihan data menghasilkan 484 data. Dari 484 data dilakukan tahapan preprocessing dan implementasi Naïve Bayes. Akurasi awal yang diperoleh pada penelitian ini adalah Untuk meningkatkan akurasi penelitian digunakan K-fold Cross Validation, dengan nilai akurasi tertinggi berada pada iterasi ke-2 dengan nilai akurasi 72,51%, presisi 80,49% dan recall 89,19%. Hasil produk terlaris yang diperoleh dari penelitian ini adalah produk Natavi.

Kata Kunci : Benih, Data Mining, Prediksi, Naïve Bayes

(2)

PENDAHULUAN

Salah satu PT yang menjual benih tanaman di Kabupaten Karo adalah PT. Benih Citra Asia kabupaten Karo. PT ini menjual benih tanaman hortikultura seperti, cabe, tomat, sawi dan lain-lain. Banyak petani di Kabupaten Karo telah beralih ke tanaman muda, seperti hortikultura karena waktu untuk menuju masa panen lebih singkat dibandingkan dengan tanaman tua(kopi, cokelat, cengkeh dan lain-lain). Ini menjadi alasan utama banyak petani yang beralih ke tanaman hortikultura. Penjualan pertahun dari PT. Benih Citra Asia kabupaten Karo cukup tinggi dikarenakan pelanggannya merupakan pemilik usaha dagang dari berbagai desa dan kecamatan. Tingginya permintaan pelanggan sering menyebabkan stok produk habis dan pelanggan harus menunggu beberapa hari hingga barang tersedia. Hal ini membuat beberapa pelanggan beralih membeli ke PT benih lain dikarenakan kehabisan stok. Ini menjadi masalah bagi PT. Benih Citra Asia karena pelanggannya lebih memilih membeli produk di tempat lain. Oleh karena itu dilakukan penelitian dengan menerapkan data mining untuk memprediksi penjualan produk bibit terlaris menggunakan metode Naïve Bayes. Hasil penellitian ini dapat dapat digunakan oleh PT. Benih Citra Asia dalam prose pengambilan keputusan dan penyedian stok produk kedepannya yang diharapkan dapat berguna bagi kemajuan bisnis.

METODE PENELITIAN a. Tahapan Penelitian

Adapun tahapan-tahapan pada penelitian ini adalah:

1. Studi literatur

Studi literatur dilakukan dengan mencari dan memahami teori pendukung tentang penelitian yang akan dilakukan. Studi literatur yang dilakukan diperoleh dari buku, jurnal, e-book dan sebagainya.

2. Pengumpulan data

Mengumpulkan data-data yang telah diperoleh dari perusahaan, adapun data yang digunakan pada penelitian ini adalah data penjualan.

3. Seleksi data

Pada tahapan ini dilakukan pemilihan atribut data yang digunakan untuk kebutuhan penelitian. Tidak semua atribut dari data yang telah dikumpulkan digunakan karena ada beberapa atribut yang tidak dibutuhkan untuk, sehingga tidak berguna untuk proses perhitungan.

4. Preprocessing data

Ada tiga proses yang dilakukan pada tahapan ini, yaitu pembersihan data, trasformasi data dan pembagian data

5. Naïve bayes classificasion

Pada tahapan ini dilakukan implementasi Naïve Bayes Classification pada dataset yang telah siap untuk digunakan

6. Confusion matrix

Tahapan ini dilakukan evaluasi pada kinerja atau tingkat kebeneran dari proses klasifikasi yang telah dilakukan pada tahapan sebelumnya. Pada tahapan ini diperoleh nilai akurasi, presisi dan recall.

7. Perangkingan produk

(3)

Setelah dilakukan beberapa proses pengolahan data, pada tahapan ini diperoleh perangkingan produk terlaris dari data penjualan telah dikumpulkan..

b. Peralatan yang Digunakan 1. Perangkat Keras.

a. Laptop ASUS dengan spesifikasi processor Intel (R) Celeron(R) N400 dan CPU @1.10 GHz 1.10 GHz RAM 4.00 GB.

b. Printer Epson L200 c. Flashdisk Toshiba 16 Gb 2. Perangkat Lunak.

a. Sistem Operasi Windows 10 Home Single Language 64-bit b. Microsoft Office 2010

c. Python.

d. Google Chrome e. Jupyter notebook c. Benih

Menurut Undang-Undang Sistim Budi Daya Tanaman benih adalah tanaman atau bagian tanaman yang dipergunakan untuk tujuan pertanaman. Benih yang ditanaman akan menjadi bibit, setelah menjadi bibit maka proses tanam bisa dilakukan. Sedangkan menurut Kartasapoetra dalam (D.Ningsih et al., 2018) “Benih adalah biji atau bagian tanaman lainnya yang dipergunakan untuk keperluan dan pengembangan usaha tani serta memiliki fungsi agranomis.”

d. Data Mining

Michael dan Gordon dalam (Rofiq et al., 2020) data mining merupakan suatu proses menggali data dari pengetahuan yang berbeda dan menghasilkan sebuah informasi-informasi penting yang dapat dipakai dalam meningkatkan keuntungan, memperkecil biaya pengeluaran, atau bahkan keduanya. Dari definisi di atas beberapa hal yang penting adalah proses data mining dilakukan pada data yang sudah ada dan cukup besar dengan tujuan untuk memperoleh hubungan atau pola yang nantinya bermanfaat bagi instansi/organisasi.

e. Naïve Bayes

Menurut G. Dimitoglou dkk dalam (Peling et al., 2017) Naïve Bayes adalah pengklasifikasi probabilitas sederhana yang menghitung sekumpulan probabilitas dengan menghitung frekuensi dan kombinasi nilai dalam kumpulan data yang diberikan.

Teorema Bayes memilikki bentuk umum sebagai berikut:

( ) ⁽ ^{) ( )}

( ) ... (1) Keterangan:

P(c/x) = posterior probability P(x/c) = likelihood

P(c) = class prior probability P(x) = predictor prior probability

Berikut alur perhitungan meggunakan metode Naïve Bayes

1. Menentukan bobot prior dengan menggunakan rumus umum probabilitas yang dapat dilihat pada persamaan 2.2 berikut.

(4)

( )

... (2) 2. Menentukan nilai likelihood dari masing-masing kelas dengan menggunakan

persamaan 2.3.

... (3) 3. Menentukan nilai bobot training atau posterior probability dengan persamaan

berikut

( ) ... (4) HASIL DAN PEMBAHASAN

a. Pengumpulan data

Data yang diperoleh dari tahap ini berjumlah 507 data transaksi penjualan, yang dimulai dari tahun 2019 sampai Juni 2022 yang dapat dilihat pada Tabel 1.

No Nama produk

Tanggal transaksi

Harga per pcs

Jumlah terjual

Nama customer

Kecamatan

1 Natavi 10gr 20/01/2019 185000 10 UD. Patriana Tigapanah 2 Natavi 10gr 25/05/2019 185000 20 UD. Jey Chio Merek 3 Emha 28/05/2019 63000 30 UD. Sitepu Kabanjahe 4 Natavi 10gr 15/05/2019 185000 15 UD. Mulia Tani Berastagi 5 Natavi 5gr 07/05/2019 95000 8 UD. Mulia Tani Berastagi 6 Kriebo 05/05/2019 15000 20 UD. Mulia Tani Berastagi 7 Emha 24/05/2019 63000 5 CS. Pandia Berastagi 8 Emha 20/05/2019 63000 10 UD. Meliala Berastagi

9 Emha 23/05/2019 63000 60 UD. BKS Berastagi

10 Natavi 10gr 25/05/2019 185000 10 UD. Jey Chio Merek .

. .

. . .

. . . 506 Lidia 05/07/2022 110000 15 UD. Kesuma Kabanjahe 507 Monas 05/07/2022 28000 30 UD. Kesuma Kabanjahe

Tabel 1. Data Awal b. Seleksi Data

Setelah dilakukan pengumpulan data, atribut dari data tidak semuanya digunakan.

Atribut yang digunakan hanya yang dibutuhkan dalam proses penelitian yaitu atribut nama produk, tanggal transaksi (bulan saja), jumlah terjual dan kecamatan

c. Prepocessing data

Berikut ini adalah tahapan dalam preprocessing data:

1. Pembersihan data

Proses ini dilakukan denngan membersihkan data yang rusak dan data yang tidak valid untuk memastikan kualitas data yang akan digunakan. Pada tahap ini dilakukan penghapusan record yang kosong dan perbaikan data-data yang kurang tepat dan juga menghilangkan variebel yang tidak dibutuhkan untuk proses selanjutnya. Dari 517 data setelah melalui proses cleaning data berkurang menjadi 484 data dapat dilihat pada Tabel 2

(5)

Tabel 2. Pembersihan Data

No Nama produk Tanggal Jumlah terjual Kecamatan

1 Natavi 10gr Januari 10 Tigapanah

2 Natavi 10gr Mei 20 Merek

3 Emha Mei 30 Kabanjahe

4 Natavi 10gr Mei 15 Berastagi

5 Natavi 5gr Mei 8 Berastagi

6 Kriebo Mei 20 Berastagi

7 Emha Mei 5 Berastagi

10 Natavi 10gr Mei 10 Merek

. . .

483 Lidia Juli 15 Kabanjahe

484 Monas Juli 30 Kabanjahe

2. Tranformasi data

Pada tahapan ini atribut tanggal transaksi data ditransformasi dari yang awalnya terdiri dari tanggal, bulan dan tahun menjadi bulan saja. Variabel nama produk digannti menjadi item, jumlah terjual diganti menjadi pcs. Selain itu ditambah variabel label yang terdiri dari data laris dan tidak laris yang diperoleh dari jumlah terjual (pcs). Hasil transformasi data dapat dilihat pada Tabel 3.

Tabel 3. Transformasi Data

No Item bulan pcs kecamatan label

1 Natavi Januari 10 Tigapanah tidak laris

2 Natavi Mei 20 Merek laris

3 Emha Mei 30 Kabanjahe laris

4 Natavi Mei 15 Berastagi laris

5 Natavi Mei 8 Berastagi tidak laris

6 Kriebo Mei 20 Berastagi laris

7 Emha Mei 5 Berastagi tidak laris

8 Emha mei 10 Berastagi tidak laris

9 Emha Mei 60 Berastagi laris

10 Natavi Mei 10 Merek tidak laris

. . .

483 Lidia Juli 15 Kabanjahe laris

484 Monas Juli 30 Kabanjahe laris

3. Pembagian Data

(6)

Pada tahapan ini dataset dibagi menjadi 80% data training dan 20% data testing, sehingga diperoleh 387 data training dan 97 data testing.

d. Naïve Bayes Classificatiom

Pada tahapan ini dilakukan pengolahan data dengan menggunakan Naïve Bayes Classification. Adapun langkah-langkah yang dilakukan pada tahapan ini sebagai berikut.

1. Menghitung bobot prior

Tahapan ini dilakukan dengan menghitung nilai probabilitas jumlah data yang laris dan tidak laris

( )

0,633 ( )

= 0,367 2. Menghitung likelihood

Pada tahap ini dilakukan perhitungan probabilitas setiap kelas pada data training, jumlah laris dan tidak laris setiap kelas dibagi dengan jumlah laris dan tidak laris dari keseluruhan data training untuk memperoleh nilai likelihood. Berikut jumlah laris dan tidak laris setiap kelas yang dapat dilihat pada Tabel 4.

Tabel 4. Jumlah laris dan tidak laris setiap kelas

Selanjutnya jumlah laris dan tidak laris setiap kelas dibagi dengan jumlah laris dan tidak laris dari keseluruhan data training, dengan menggunakan persamaan 3:

1. P(Adira-Berastagi|laris)

P(Adira-Berastagi|tidak)

0,007042 2. P(Adira-Kabanjahe|laris)

0,008163

No. laris tidak laris

1. Adira-Berastagi 0 1

2. Adira-Kabanjahe 2 0

3. Adira-Merek 2 3

4. Adira-Tigapanah 1 1

5. Aldo-Berastagi 5 6

6. Amarin-Berastagi 0 1

7. Amarin-Kabanjahe 4 3

8. Amarin-Payung 0 1

9. Amarin-Tigapanah 0 1

10. BCA 999-Berastagi 2 0

. . .

102. Yola-Payung 0 1

103. Yola-Tigapanah 1 0

(7)

P(Adira-Kabanjahe|tidak)

0 3. P(Adira-Merek|laris)

0,008163 P(Adira-Merek|tidak)

0,21127 4. P(Adira-Tigapanah|laris)

0,004082 P(Adira-Tigapanah|tidak)

0,007042 5. P(Aldo-Berastagi|laris)

,020408 P(Aldo-Berastagi|tidak)

,042254

Berikut hasil perhitungan nilai likelihood dari data training yang dapat dilihat pada Tabel 5.

Tabel 5. Hasil perhitungan likelihood

3. Bobot training

Untuk memperoleh bobot training, nilai likelihood setiap kelas yang diperoleh dari tahapan sebelumnya dikalikan dengan bobot prior yang dapat dilihat pada perhitungan dibawah ini menggunakan persamaan 4.

1. Adira-Merek (laris) = 0,004082 0,633 = 0,00258 Adira-Merek (tidak laris) = 0 0,367 = 0

2. Adira-Berastagi (laris) = 0 0,633 = 0

Adira-Berastagi (tidak laris) = 0,007042 0,367 = 0,00258 3. Adira-Kabanjahe (laris) = 0,008163 0,633 =0,00517

Adira-Kabanjahe (tidak laris) = 0 0,367 = 0

4. Adira-Tigapanah (laris) = 0,004082 0,633 = 0,00258 Adira-Tigapanah (tidak laris) = 0,007042 0,367 = 0,00258 5. Aldo-Berastagi (laris) = 0,020408 0,633 = 0,01291

Aldo-Berastagi (tidak laris) = 0,042254 0,367 = 0,01550

1. Adira-Berastagi 0 0,007042

2. Adira-Kabanjahe 0,008163 0

3. Adira-Merek 0,008163 0,021127

4. Adira-Tigapanah 0,004082 0,007042 5. Aldo-Berastagi 0,020408 0,042254

6. Amarin-Berastagi 0 0,007042

7. Amarin-Kabanjahe 0,016327 0,021127

8. Amarin-Payung 0 0,007042

9. Amarin-Tigapanah 0 0,007042

10. BCA 999-Berastagi 0,008163 0

. . .

102. Yola-Payung 0 0,007042

103. Yola-Tigapanah 0,004082 0

(8)

Berikut adalah hasil perhitungan bobot training masing-masing kelas yang dapat dilihat pada Tabel 6.

Tabel 6. Hasil perhitungan bobot training

1. Adira-Berastagi 0 0,002584

2. Adira-Kabanjahe 0,005168 0

3. Adira-Merek 0,005168 0,007752 4. Adira-Tigapanah 0,002584 0,002584 5. Aldo-Berastagi 0,01292 0,015504

6. Amarin-Berastagi 0 0,002584

7. Amarin-Kabanjahe 0,010336 0,007752

8. Amarin-Payung 0 0,002584

9. Amarin-Tigapanah 0 0,002584

10. BCA 999-Berastagi 0,005168 0

. . .

102. Yola-Payung 0 0,002584

103. Yola Tigapanah 0,002584 0

4. Testing

Tahapan ini dilakukan untuk memperoleh hasil klasifikasi produk yang yang laris dan tidak dengan jumlah data testing sebanyak 97. Jika nilai bobot training laris lebih besar dari tidak (laris>tidak) maka akan menghasilkan label prediksi “laris”, sedangkan sebaliknya jika nilai laris lebih kecil dari tidak (laris<tidak) maka akan menghasilkan label prediksi “tidak”.

Tabel 7. Hasil label prediksi data tesitng

No. nama produk label aktual label prediksi

1. Monas-Kabanjahe laris laris

2. Masbro-Kabanjahe laris tidak laris

4. CmkTAVI-Merek tidak laris tidak laris

5. Genie-Merek laris tidak laris

6. Masbro-Merek laris tidak laris

8. Masbro-Berastagi laris tidak laris

9. Natavi 10gr-Berastagi tidak laris laris

11. BCA 999-Berastagi laris laris

13. Emerald-Kabanjahe laris laris

14. Yola-Berastagi laris laris

(9)

15. Lidia-Merek laris tidak laris

17. Kriebo-Berastagi tidak laris laris

18. Emerald-Merek laris laris

19. Genie-Merek laris tidak laris

20. Royal-Berastagi laris tidak laris

21. Dora-Kabanjahe laris laris

22. Juro-Berastagi laris tidak laris

23. CmkTAVI-Kabanjahe tidak laris tidak laris

24. Natavi 5gr-Kabanjahe laris laris

25. Panzer-Kabanjahe laris laris

27. CmkTAVI-Merek laris tidak laris

28. Natavi 10gr-Berastagi laris laris

30. Emerald-Tigapanah laris tidak laris

32. Sigantung-Kabanjahe laris tidak laris

33. Royal-Kabanjahe laris tidak laris

34. Lidia-Kabanjahe tidak laris laris

35. Natavi 10gr-Kabanjahe tidak laris laris

37. Emerald-Tigapanah laris tidak laris

38. Natavi 10gr-Tigapanah laris laris

41. Natavi 10gr Payung tidak laris tidak laris

42. Natavi 5gr-Payung tidak laris tidak laris

47. BCA 999-Berastagi laris laris

48. Natavi 10gr-Merek tidak laris laris

51. To 244-Merek laris tidak laris

54. Monas-Kabanjahe tidak laris laris

55. Natavi 10gr-Merek laris laris

(10)

58. Puteri-Kabanjahe laris laris

59. Kriebo-Berastagi laris laris

62. Puteri-Kabanjahe laris laris

65. Dampit 1000gr-Kabanjahe laris tidak laris

66. Asia 86 250gr-Kabanjahe laris tidak laris

67. Panzer-Kabanjahe tidak laris laris

70. Lidia-Berastagi laris laris

72. Emerald-Berastagi laris laris

74. Lidia-Kabanjahe laris laris

82. Aldo-Berastagi laris tidak laris

83. Emerald-Berastagi laris laris

86. Emerald-Merek laris laris

89. Kriebo-Merek laris tidak laris

(11)

e. Confusion Matrix

Confusion matrix menampilkan dan membandingkan nilai aktual atau nilai

sebenarnya dengan nilai hasil prediksi model yang dapat digunakan untuk menghasilkan accuracy, precision dan recall. Berikut merupakan confusion matrix penelitian yang apat dilihat pada Tabel 8.

Tabel 8. Counfusion Matrix

1. Accuracy

Mengitung accuracy berdasarkan persamaan 2.5

52,58%

2. Precision

Menghitung precision berdasarkan persamaan 2.6

71,21%

3. Recall

Menghitung recall berdasarkan persamaan 2.7

= 63,51%

f. Perangkingan produk

Untuk memperoleh produk benih terlaris dilakukan proses perangkingan. Pada data testing dilakukan perhitungan total jumlah setiap produk yang memiliki nilai label aktual dan label prediksi “laris”. Jumlah yang telah diperoleh dari masing-masing produk selanjutnya diurutkan dari yang terbesar hingga terkecil untuk mendapatkan hasil perangkingan produk yang dapat dilihat pada Tabel 9.

Tabel 9. Hasil Perangkingan produk Confusion matrix Nilai aktual

Positive Negative

Nilai prediksi Positive 47 19

Negative 27 4

No. Nama produk Jumlah

1. Natavi 19

2. Emerald 7

(12)

g. Pehitungan Nilai Error

Berikut ini merupakan hasil perhitungan nilai error pada penelitian:

Tabel 10. Nilai Error

No K-fold Cross Validation Nilai error

1 Iterasi-1 36,74%

2 Iterasi-2 24,49%

3 Iterasi-3 44,90%

4 Iterasi-4 26,53%

5 Iterasi-5 35,42%

6 Iterasi-6 31,25%

7 Iterasi-7 31,25%

8 Iterasi-8 33,33%

9 Iterasi-9 56,25%

10 Iterasi-10 27,08%

KESIMPULAN

Adapun kesimpulan dari penelitian ini adalah penggunaan metode Naïve Bayes berhasil diimplementasikan untuk memprediksi produk benih terlaris. Adapun benih terlaris yang diperoleh dari proses perhitungan sebelum menggunakan K-fold Cross Validation adalah produk Natavi. Penggunaan K-fold Cross Validation menghasilkan akurasi penelitian paling tinggi pada iterasi-2 dengan nilai 75,51%. Hasil perangkingan produk dengan K-fold Cross Validation memiliki urutan yang berbeda-beda dikarenakan perbedan data testing dan data training pada masing-masing iterasi, produk benih terlaris sama pada 9 iterasi yaitu produk Natavi, sedangkan pada iterasi ke-1 produk benih terlaris adalah Emha.

SARAN

Berdasarkan kesimpulan di atas, peneliti merekomendasikan beberapa saran yang dapat dilakukan pada penelitian selanjutnya sebagai berikut :

1. Gunakan perbandingan metode untuk memperoleh perbandingan satu metode dengan yang lain, sehingga dapat diketahui kelebihan dan kekurangan dari masing- masing metode berdasarkan hasil yang telah diperoleh. Dengan demikian, dapat diperoleh metode yang lebih bagus sesuai dengan data yang telah dikumpulkan.

3. Lidia 6

4. Monas 5

5. Panzer 3

6. BCA 999 2

7. Puteri 2

8. Yola 1

9. Dora 1

10. Kriebo 1

(13)

2. Menambah jumlah data untuk meningkatkan akurasi penelitian. Selain itu, dapat tambahkan beberapa variabel yang berhubungan dengan masalah penelitian agar penelitian lebih kompleks.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada bapak Zaiful Bahri, S.Si., M.Kom.

atas waktu yang telah diberikan untuk membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.

DAFTAR PUSTAKA

D.Ningsih, N. N., Ingurah Raka, I. G., Siadi, I. K., & Susanta Wirya, G. N. A. (2018).

Pengujian Mutu Benih Beberapa Jenis Tanaman Hortikultura yang Beredar di Bali.

E-Jurnal Agroekoteknologi Tropika, 7(1), 64–72.

https://ocs.unud.ac.id/index.php/JAT/article/view/38261

Peling, I. B. A., Arnawan, I. N., Arthawan, I. P. A., & Janardana, I. G. N. (2017).

Implementation of Data Mining To Predict Period of Students Study Using Naive Bayes Algorithm. International Journal of Engineering and Emerging Technology, 2(1), 53. https://doi.org/10.24843/ijeet.2017.v02.i01.p11

Rofiq, H., Pelangi, K. C., & Lasena, Y. (2020). Penerapan Data Mining Untuk Menentukan Potensi Hujan Harian Dengan Menggunakan Algoritma Naive Bayes.

Jurnal Manajemen Informatika Dan Sistem Informasi, 3(1), 8–15.

http://mahasiswa.dinus.ac.id/docs/skripsi/jurnal/19417.pdf