Implementasi Data Mining Untuk Penjualan Mobil Menggunakan Metode Naive Bayes
DOI:
https://doi.org/10.33998/jakakom.2022.2.2.109Abstract
Abstrak- Mobil adalah salah satu kendaraan yang paling sering dijumpai dengan berbagai type dan merek. Mobil memiliki spesifikasi yang beraneka ragam. Metode Naive Bayes adalah salah satu metode klasifikasi dan percabangan dari artificial intellegence. Bermacam merek tersebut akan dibentuk suatu Classify yaitu Laris dan Tidak Laris, sehingga para konsumen, produsen, dan peneliti dapat mengetahui merek mobil manakah yang paling laris berdasarkan kategori maupun output-nya. Naive bayes merupakan metode klasifikasi yang banyak digunakan karena sederhana dan akurasi yang tinggi dalam mengklasifikasi data. Penelitian ini menganalisis data sebanyak 639 data menjadi 511 data training dan 128 data testing, data ini didapatkan dari situs “Gabungan Industri Kendaraan Bermotor Indonesia”(GAIKINDO). Dengan atribut 19, untuk memudahkan penulis dalam penelitian, maka atribut yang digunakan adalah 8 (termasuk 1 atribut Classify yang ditambahkan penulis untuk memudahkan dalam pencarian mobil terlaris). Hasil penelitian yang dilakukan memberikan klasifikasi pembeda merek mobil yang paling banyak diminati para konsumen dan Kategori yang paling laris. Tingkat akurasi klasifikasi dengan Metode Naive Bayes menghasilkan nilai accuracy sebesar 92,19%, nilai Precision: 98,39% dan nilai Recall: 87,14% sehingga Metode Naive Bayes merupakan metode yang cukup baik dalam penelitian ini.
Kata kunci: Brand Mobil, Klasifikasi, Naive Bayes, Accuracy
Abstract- Cars are one of the vehicles most often found in various types and brands. Carshave various specifications. The Naive Bayes method is one of the classification and branching methods of artificial intelligence. The various brands will be in theform of a Class that are Selling and Not Selling, so that consumers, producers, and researchers can find out which car brands are best selling based on their category and output. Naive bayes is a widely used classification method because of its simple and high accuracy in classifying data. This study analyzed data as many as 639 data into 511 training data and 128 testing data, data was obtained from “the Indonesian Automotive Industries Association” (IAIS) site. With attribute 19, tofacilitate the writer in the study the attributes used were 8 (including 1 Class attribute that author added to facilitate the search for the best-selling car). Theresults of the conducted research gave the classification of car brand different that were most in demand by consumers and the best-selling categories. The level of classification accuracy with the Naive Bayes Method produces accuracy valuesof 92, 19%, Precision values: 98, 39% and Recall values: 87, 14% so that the Naive Bayes Method is a pretty good method in this research.
Keywords: Car Brand, Classification, Naive bayes, Accuracy
Downloads
References
I. Romli, E. Pusnawati, and U. P. Bangsa, “Penentuan Tingkat Penjualan Mobil Di Indonesia,” Pros. Semin. Nas. Teknol. dan Sains, vol. x, no. x, 2019.
R. Sari and R. Y. Hayuningtyas, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Pada Wisata TMII Berbasis Website,” Indones. J. Softw. Eng., vol. 5, no. 2, pp. 51–60, 2019, doi: 10.31294/ijse.v5i2.6957.
F. Rizki, A. Faisol, and F. Santi Wahyuni, “Penerapan Metode Naive Bayes Untuk Memprediksi Penjualan Pada Ud. Hikmah Pasuruan Berbasis Web,” JATI (Jurnal Mhs. Tek. Inform., vol. 4, no. 1, pp. 26–34, 2020, doi: 10.36040/jati.v4i1.2379.
L. Indriyani and W. Susanto, “Analisis Penerapan Naïve Bayes Untuk Memprediksi Resiko Kredit Anggota Koperasi Keluarga Guru,” J. Inform., vol. 6, no. 2, pp. 262–270, 2019, doi: 10.31311/ji.v6i2.5724.
Y. Prasiska, “Perancangan Aplikasi Rekam Medis Pada Uptd Puskesmas Durian Luncuk,” J. Inform. Dan Rekayasa Komput. …, vol. 1, no. April, pp. 90–98, 2022, [Online]. Available: https://ejournal.unama.ac.id/index.php/jakakom/article/view/57
J. Informatika, D. Rekayasa, K. Jakakom, H. Prastiwi, J. Pricilia, and E. Raswir, “Implementasi Data Mining Untuk Menentuksn Persediaan Stok Barang Di Mini Market Menggunakan Metode K-Means Clustering Jurnal Informatika Dan Rekayasa Komputer ( JAKAKOM ),” vol. 1, no. April, pp. 141–148, 2022.
J. H. Jaman, J. H. Jaman, . C., and A. R. Sanjaya, “Klasifikasi jenis mobil paling diminati Di indonesia menggunakan algoritma Naive bayes,” Fakt. Exacta, vol. 13, no. 1, p. 18, 2020, doi: 10.30998/faktorexacta.v13i1.5573.
H. Annur, “Penerapan Data Mining Menentukan Strategi Penjualan Variasi Mobil Menggunakan Metode K-Means Clustering,” J. Inform. Upgris, vol. 5, no. 1, 2019, doi: 10.26877/jiu.v5i1.3091.
Farhan Abie Ardandy, Immanuel Morries Pohan, Ariq Mitsal, Finandra Nusantara, and Muhammad Deka Ruliansyah, “Perbandingan Algoritma Naive Bayes dan Linear Discriminant Analysis dengan Dataset Car Evaluation,” J. Rekayasa Elektro Sriwij., vol. 3, no. 1, pp. 213–217, 2021, doi: 10.36706/jres.v3i1.45.
D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional,” J. Tekno Kompak, vol. 15, no. 1, p. 131, 2021, doi: 10.33365/jtk.v15i1.744.
W. Santoso, V. C. Mawardi, and T. Sutrisno, “Implementasi Aplikasi Jual Beli Mobil Bekas Dengan Metode Analytical Hierarchy Process Dan Naive Bayes,” J. Ilmu Komput. dan Sist. Inf., vol. 9, no. 1, p. 215, 2021, doi: 10.24912/jiksi.v9i1.11597.
