Upload
khangminh22
View
0
Download
0
Embed Size (px)
Citation preview
iii
PERNYATAAN KEASLIAN PENELITIAN
Saya yang bertandatangan dibawah ini menyatakan bahwa, skripsi ini merupakan
karya saya sendiri (ASLI), dan isi dalam skripsi ini tidak terdapat karya yang
pernah diajukan oleh orang lain untuk memperoleh gelar akademis di suatu
institusi pendidikan tinggi manapun, dan sepanjang pengetahuan saya juga tidak
terdapat karya atau pendapat yang pernah ditulis dan/atau diterbitkan oleh orang
lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam
daftar pustaka.
Segala sesuatu yang terkait dengan naskah dan karya yang telah dibuat adalah
menjadi tanggungjawab saya pribadi.
Bekasi, 3 November 2018
Materai 6.000
Harnoto
NIM: 311410296
iv
ABSTRAK
Melalui era perdagangan bebas, persaingan bisnis antara perusahaan yang
berlangsung ketat, termasuk pula pada perdangangan di bidang industri.
Perusahaan tetap mempertahankan produk yang berkualitas dan layak dikonsumsi
oleh konsumennya. Metode yang akan digunakan untuk menyelesaikan penelitian
ini adalah jenis penelitian eksperimen yaitu melakukan pengujian tingkat akurasi
algoritma naïve bayes dalam penentuan penyebab keluhan pelanggan. Hasil
evaluasi tahap akhir pendekatan training dan testing supplied test lebih baik
dibandingkan pendekatan cross validation 8 dan 10 fold, juga lebih baik dari pada
pendekatan percentage splite 50 dan 60. Maka dengan hasil pendekatan training
dan testing supplied test bisa di simpulkan selama ini pelanggan puas dengan
pelayanan perusahaan walaupun ada sedikit pelanggan yang merasa tidak puas.
Kata kunci: Data Mining, Naive Bayes, Weka, Keluhan Pelanggan.
v
ABSTRACT
Through the era of free trade, business competition between companies is
taking place tightly, including in trade in the industrial sector. The company
retains quality and consumable products for its consumers. The method that will
be used to complete this research is the type of experimental research that is
testing the accuracy of the naïve Bayes algorithm in determining the cause of
customer complaints. The evaluation results of the final training and testing
supplied test are better than the cross validation 8 and 10 fold approaches, also
better than the percentage splite approach 50 and 60. So the results of training
and testing supplied test approaches can be concluded that customers are
satisfied with the service company even though there are few customers who feel
dissatisfied.
Keywords: Data Mining, Naive Bayes, Weka, Customer Complaints.
vi
KATA PENGANTAR
Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah
melimpahkan segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang
berjudul “ANALISIS DATA MINING UNTUK MENGETAHUI KELUHAN
PELANGGAN MENGGUNAKAN METODE NAIVE BAYES”.
Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam
rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer
(S.Kom.) pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi
Pelita Bangsa.
Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan
terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah
selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan
terima kasih yang sebesar-besarnya kepada:
a. Bapak Dr. Ir. Suprianto, M.P selaku Ketua STT Pelita Bangsa
b. Bapak Aswan Supriyadi Sunge, SE.,M.Kom selaku Ketua Program Studi
Teknik Informatika STT Pelita Bangsa.
c. Bapak Donny Maulana, S.Kom.,M.MSi selaku Pembimbing Utama yang telah
banyak memberikan arahan dan bimbingan kepada penulis dalam penyusunan
Skripsi ini.
d. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan
wawasan dan ilmu di bidang teknik informatika.
e. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya
kepada penulis selama perjalanan studi jenjang Strata 1.
f. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang
telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat
menyelesaikan studi jenjang Strata 1.
g. Ibu dan Ayah tercinta yang senantiasa mendo’akan dan memberikan semangat
dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.
vii
Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang
terdapat dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan
manfaat bagi khasanah pengetahuan Teknologi Informasi di lingkungan STT
Pelita Bangsa khususnya dan Indonesia pada umumnya.
Bekasi, 3 November 2018
Harnoto
viii
DAFTAR ISI
PERSETUJUAN ..................................................................................... i
PENGESAHAN ...................................................................................... ii
PERNYATAAN KEASLIAN DAN PENELITIAN ............................... iii
ABSTRAKSI .......................................................................................... iv
ABSTRACT ............................................................................................ v
KATA PENGANTAR ............................................................................ vi
DAFTAR ISI ........................................................................................... viii
DAFTAR TABEL ................................................................................... xii
DAFTAR GAMBAR .............................................................................. xv
BAB I PENDAHULUAN ....................................................................... 1
1.1 Latar Belakang ............................................................................ 1
1.2 Identifikasi Masalah dan Batasan Masalah ................................. 3
1.2.1 Identifikasi Masalah............................................................. 3
1.2.2 Batasan Masalah .................................................................. 3
1.3 Rumusan Masalah ....................................................................... 4
1.4 Tujuan dan Manfaat ..................................................................... 4
1.4.1 Tujuan .................................................................................. 4
1.4.2 Manfaat ................................................................................ 4
1.5 Sistematika Penulisan .................................................................. 5
ix
BAB II TINJAUAN PUSTAKA ............................................................. 7
2.1 Keluhan Pelanggan ...................................................................... 7
2.2 Data Mining ................................................................................. 9
2.2.1 Pengelompokan Data Mining .............................................. 10
2.2.2 Tahap – Tahap Data Mining................................................. 12
2.2.3 Metode Data Mining ............................................................ 13
2.3 Naïve Bayes Classification .......................................................... 15
2.4 Weka .................................................................................... 20
2.5 Kerangka Berfikir ........................................................................ 21
BAB III METODE PENELITIAN.......................................................... 23
3.1 Objek Penelitian .......................................................................... 23
3.1.1 Profil Perusahaan.................................................................. 23
3.1.2 Deskripsi Bisnis Perusahaan ................................................ 24
3.2 Metode Penelitian ........................................................................ 25
3.3 Metode Pengumpulan Data ......................................................... 25
3.4 Perangkat Lunak .......................................................................... 25
3.5 Sumber Data ................................................................................ 26
3.6 Tahapan Penelitian ...................................................................... 27
BAB IV HASIL PENELITIAN DAN PEMBAHASAN ........................ 29
4.1 Dataset .................................................................................... 29
4.2 Koleksi Dokumen ........................................................................ 29
4.3 Hasil Evaluasi .............................................................................. 30
x
4.3.1 Hasil Evaluasi Algoritma Naive Bayes ................................ 30
4.3.2 Hasil Evaluasi Algoritma Naive Bayes dengan cross
validation 10 fold ................................................................ 33
4.3.3 Hasil Evaluasi Algoritma Naive Bayes dengan cross
validation 8 fold ................................................................... 37
4.3.4 Hasil Evaluasi Algoritma Naive Bayes dengan
percentage split 50 ............................................................. 40
4.3.5 Hasil Evaluasi Algoritma Naive Bayes dengan
percentage split 66 ............................................................. 43
4.4 Hasil Analisis Algoritma Naive Bayes ........................................ 47
4.4.1 Hasil analisis pendekatan training set dan testing set
Algoritma Naive Bayes......................................................... 47
4.4.2 Hasil analisis pendekatan training set dan testing
cross validation 10 fold Algoritma Naive Bayes .................. 48
4.4.3 Hasil analisis pendekatan training set dan testing
cross validation 8 fold Algoritma Naive Bayes .................... 50
4.4.4 Hasil analisis pendekatan training set dan testing
percentage split 50 Algoritma Naive Bayes ......................... 51
4.4.5 Hasil analisis pendekatan training set dan testing percentage
split 66 Algoritma Naive Bayes ........................................... 52
4.5 Hasil Analisis perbandingan pendekatan algoritma naïve bayes 54
xi
BAB V PENUTUP .................................................................................. 57
5.1 Kesimpulan .................................................................................. 57
5.2 Saran .................................................................................... 57
DAFTAR PUSTAKA ............................................................................. 58
LAMPIRAN .................................................................................... 60
xii
DAFTAR TABEL
Tabel 3.1 Sampel Data Primer ................................................................ 26
Tabel 4.1 Atribut Dataset Penelitian ....................................................... 29
Tabel 4.2 Koleksi dokumen training dan testing claim pelanggan sari roti 30
Tabel 4.3 Hasil Training Set Naive Bayes .............................................. 30
Tabel 4.4 Hasil akurasi data training kelayakan konsumsi ..................... 31
Tabel 4.5 Hasil data training matrik kelas .............................................. 31
Tabel 4.6 Hasil Evaluasi Supplied Test Set Naive Bayes ........................ 32
Tabel 4.7 Hasil akurasi data testing kelayakan konsumsi ....................... 32
Tabel 4.8 Hasil data testing matrik kelas ................................................ 33
Tabel 4.9 Hasil Training Set cross validation 10 fold Naive Bayes ....... 33
Tabel 4.10 Hasil akurasi data training kelayakan konsumsi ................... 34
Tabel 4.11 Hasil data training matrik kelas ............................................ 34
Tabel 4.12 Hasil Evaluasi cross validation 10 fold Naive Bayes ............ 35
Tabel 4.13 Hasil akurasi data testing cross validation 10 fold
kelayakan konsumsi ................................................................................ 36
Tabel 4.14 Hasil data testing cross validation 10 fold matrik kelas........ 36
Tabel 4.15 Hasil Training Set cross validation 8 fold Naive Bayes ...... 37
Tabel 4.16 Hasil akurasi data training kelayakan konsumsi ................... 37
Tabel 4.17 Hasil data training matrik kelas ............................................ 38
Tabel 4.18 Hasil Evaluasi cross validation 8 fold Naive Bayes .............. 38
Tabel 4.19 Hasil akurasi data testing cross validation 8 fold
kelayakan konsumsi ................................................................................ 39
xiii
Tabel 4.20 Hasil dan testing cross validation 8 fold matrik kelas .......... 39
Tabel 4.21 Hasil Training Set percentage split 50 Naive Bayes ............. 39
Tabel 4.22 Hasil akurasi data training kelayakan konsumsi ................... 41
Tabel 4.23 Hasil data training matrik kelas ............................................ 41
Tabel 4.24 Hasil Evaluasi percentage split 50 Naive Bayes ................... 42
Tabel 4.25 Hasil akurasi data testing percentage split 50 kelayakan
konsumsi .............................................................................................. 42
Tabel 4.26 Hasil data testing percentage split 50 matrik kelas............... 43
Tabel 4.27 Hasil Training Set percentage split 66 Naive Bayes ............. 43
Tabel 4.28 Hasil akurasi data training kelayakan konsumsi ................... 44
Tabel 4.29 Hasil data training matrik kelas ............................................ 45
Tabel 4.30 Hasil Evaluasi percentage split 66 Naive Bayes .................. 45
Tabel 4.31 Hasil akurasi data testing percentage split 66
kelayakan konsumsi ................................................................................ 46
Tabel 4.32 Hasil data testing percentage split 66 matrik kelas............... 46
Tabel 4.33 Hasil data training test dan testing test naïve bayes ............. 47
Tabel 4.34 Hasil data training test dan testing cross validation 10 fold
naïve bayes .................................................................................... 49
Tabel 4.35 Hasil data training test dan testing cross validation 8 fold
naïve bayes .................................................................................... 50
Tabel 4.36 Hasil data data training test dan testing percentage split 50
naïve bayes .................................................................................... 51
Tabel 4.37 Hasil data training test dan testing percentage split 66
naïve bayes .................................................................................... 53
xiv
Tabel 4.38 Hasil akurasi dan mean error data macam – macam
pendekatan algoritma naïve bayes .......................................................... 54
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Melalui era perdagangan bebas, persaingan bisnis antara perusahaan yang
berlangsung ketat, termasuk pula pada perdangangan di bidang industri.
Perusahaan perlu mengembangkan strategi yang tepat untuk menghadapi
perubahan di dunia bisnis. Perusahaan tetap mempertahankan produk yang
berkualitas dan layak dikonsumsi oleh konsumennya. Maka dengan ini
perusahaan harus mempertahankan eksistensisnya dan memperbaiki kinerja
didalam pembuatan produk dengan hasil yang dapat diterima oleh pelanggan.
Dengan kemajuan teknologi informasi diharapkan dapat menjadi media
yang lebih efektif untuk meninjau kemajuan kualitas produk pada perusahaan.
Kualitas produk bisa diartikan sebagai kesesuaian atau kepuasan konsumen
terhadap produk yang dikonsumsi oleh pelanggan. Maka produk yang diproduksi
harus menghasilkan produk yang sesuai dengan standar dan ditetapkan oleh
perusahaan tersebut. Kepuasan pelanggan mencakup kualitas produk (quality of
product), biaya (quality of cost), keselamatan (quality of safety) dan penyampaian
(quality of delivery).
Aspirasi pelanggan yang terjadi karena adanya ketidakpuasan suatu barang
yang diperjual belikan kepada konsumen. Ketidakpuasan yang dirasakan oleh
konsumen ketika membeli dan mengkonsumsi barang maka akan menjadi suatu
keluhan pelanggan yang tidak bisa diabaikan begitu saja, karena hal tersebut akan
2
membuat pelanggan merasa tidak dihargai dan tidak diperhatikan sama sekali.
Banyak hal yang mempengaruhi keluhan pelanggan diantaranya produk yang di
produksi tidak berkualitas tinggi dan mutu pangannya tidak terjaga.
PT. Nippon Indosari Corpindo Tbk, bergerak di bidang bakery/roti akan
selalu memberikan kualitas yang lebih baik bagi para pelanggan dan
konsumennya. Khususnya dalam kualitas produk yang dihasilkan PT. Nippon
Indosari Corpindo Tbk, memiliki beberapa departement yang harus menjamin
kualitas produk tersebut seperti departemen PPIC, Produksi, Quality Control,
Finish Good dan Where house. Survei pelanggan diantaranya untuk menjaring
keluhan pelanggan dengan data keluhan pelanggan yang cukup banyak dan data
yang sangat besar maka perlu dilakukan analisis data mining. Pelanggan
perusahaan mana dan siapa saja diperlukan untuk meningkatkan kualitas produk
sesuai dengan selera pelanggan maka perlu dilakukn survei pelanggan karena
pelanggan cukup banyak sehingga menghasilkan data cukup besar maka perlu
analisis data mining. Kemajuan teknologi informasi yang mencakup di sebuah
perusahaan tentunya memiliki data yang sangat besar. Pemanfaatan data dalam
sistem informasi untuk menunjang kegiatan pengambilan kesimpulan, tidak hanya
mengandalkan data operasional yang tersedia saja, diperlukan analisa data untuk
menggali potensi suatu produk yang ada di sistem informasi.
Dari masalah yang dijabarkan diatas maka penulis tertarik untuk meneliti
mengenai data keluhan pelanggan terhadap kualitas produk perusahaan ini. Oleh
karena itu peneliti tertarik untuk melakukan penelitian yang berkaitan dengan
keluhan pelanggan dengan judul penelitian “ANALISIS DATA MINING UNTUK
3
MENGETAHUI KELUHAN PELANGGAN MENGGUNAKAN METODE
NAIVE BAYES”
1.2 Identifikasi Masalah dan Pembatasan Masalah
1.2.1 Identifikasi Masalah
Berdasarkan latar belakang yang telah disampaikan, maka penulis
akan memberikan identifikasi masalah yang akan dijadikan bahan
penelitian sebagai berikut:
1. Menurunnya kepuasaan pelanggan terhadap produk yang di hasilkan oleh
perusahaan.
2. Meningkatnya data keluhan pelanggan sehingga perusahaan harus
memperbaiki kualitas produk.
3. Menganalisa data keluhan pelanggan untuk mengukur seberapa puaskah
pelanggan dengan produk yang dihasilkan.
1.2.2 Batasan Masalah
Agar penulisan penelitian ini tidak menyimpang dan tetap fokus
terhadap tujuan yang semula direncanakan sehingga mempermudah
mendapatkan data informasi yang diperlukan, maka penulis menetapkan
batasan masalah sebagai berikut:
Pada penelitian ini penulis hanya membahas yang berhubungan dengan
1. keluhan pelanggan dan Kepuasan pelanggan
2. Analisa Data Mining
3. Naïve Bayes
4
1.3 Rumusan Masalah
Berdasarkan latar belakang dan identifikasi masalah yang telah
disampaikan, maka perlu dirumuskan suatu masalah yang akan
dipecahkan/diselesaikan pada penelitian ini.
1. Bagaimana cara menganalisa menggunakan pendekatan supplied test naïve
bayes?
2. Bagaimana cara menganalisa data keluhan pelanggan menggunakan
metode Naïve Bayes ?
3. Bagaimana cara membandingkan antara pendekatan cross validation 8 fold
dan 10 fold serta percentage splite 50 dan 66 splite?
1.4 Tujuan dan Manfaat
1.4.1 Tujuan
1. Untuk meningkatkan efektifitas dan efesiensi kinerja karyawan agar
produk yang diproduksi dapat memuaskan pelanggan.
2. Dapat mengetahui keluhan pelanggan apakah pelanggan tersebut puas
atau tidak puas dengan produk yang kita produksi.
3. Untuk mengetahui perbandingan antara cross validation 8 fold , 10
fold, percentage splite 50 dan 66 splite serta supplied test naïve bayes.
1.4.2 Manfaat
Besar harapan penulis dalam menyusun skripsi ini agar dapat
memberikan kontribusi berbagai pihak antara lain:
5
1. Manfaat bagi penulis
Penulis berharap agar skripsi ini merupakan implementasi dari teori
semasa perkuliahan yang telah didapatkan di STT Pelita Bangsa terutama
pada data mining naive bayes.
2. Manfaat bagi perusahaan
Semoga dengan adanya penelitian di perusahaan, dapat membantu untuk
mengetahui seberapa puaskah pelanggan dengan produk yang dihasilkan
oleh perusahaan.
1.5 Sistematika Penulisan
Sistematika penulisan merupakan uraian tentang penyusunan dari penulis itu
sendiri yang dibuat secara teratur dan terperinci, sehingga dapat memberikan
gambaran secara menyeluruh.
BAB I : PENDAHULUAN
Pada bab ini penulis mengemukaan tentang Latar Belakang, Identifikasi Masalah,
Rumusan Masalah, Batasan Masalah, Tujuan dan Manfaat, Sistematika Penulisan.
BAB II : TINJAUAN PUSTAKA
Pada bab ini terdapat Kajian Pustaka, Dasar Teori dan Kerangka Berfikir.
BAB III : METODE PENELITIAN
Pada bab ini berisikan Objek Penelitian dan Pengumpulan Data.
6
BAB IV : HASIL PENELITIAN DAN PEMBAHASAN
Pada bab ini menguraikan tentang Hasil penelitian dan Pembahasan dari data yang
telah diperoleh.
BAB V : PENUTUP
Pada bab ini berisikan Kesimpulan dari apa yang telah dibahas dari bab I sampa
dengan bab IV serta berisikan Saran yang bersifat membangun untuk kepentingan
perusahaan itu sendiri atau untuk kepentingan umum.
7
BAB II
TINJAUAN PUSTAKA
2.1 Keluhan Pelanggan
Keluhan adalah satu pernyataan atau ungkapan rasa kurang puas terhadap
satu produk atau layanan, baik secara lisan maupun tertulis, dari pelanggan
internal maupun eksternal. Adanya keluhan dalam satu sisi sebetulnya menjadi
alat kontrol atau evaluasi terhadap pemberian kualitas pelayanan yang selama ini
diberikan kepada pelanggan/masyarakat. Dalam Modul Public Services STIA
LAN (2004) menjelaskan dalam menyelesaikan keluhan ada faktor penting yang
diperhatikan, yakni: kecepatan penanganan komplain dan penyelesain komplain.
Lembaga yang tidak care/perhatian terhadap keluhan pelanggan akan cenderung
menanganinya dengan lamban dan penyelesaianya pun relatif lambat. Hal ini yang
kadang tidak menjadi perhatian lembaga, padahal semakin terjadi keterlambatan
maka keluhan semakin bermasalah dan mempunyai dampak yang luas.
Menurut Kotler (2013 : 59) ada beberapa macam keluhan, yakni :
1. Keluhan yang disampaikan secara lisan melalui telepon dan
komunikasi secara langsung.
2. Keluhan yang disampaikan secara tertulis melalui guest complain
form.
8
Menurut Sugiarto (2014), keluhan pelanggan dapat dikategorikan atau
dikelompokkan menjadi empat, yaitu:
1. Mechanical Complaint (Keluhan mekanikal)
Mechanical Complaint adalah suatu keluhan yang disampaikan oleh
pelanggan sehubungan dengan tidak berfungsinya peralatan yang
dibeli atau disampaikan kepada pelanggan tersebut. Atau dengan kata
lain, produk atau output dari pelayanan yang diberikan tidak sesuai
dengan yang diharapkan. Hal ini dapat terjadi karena kerusakan atau
kualitas tidak maksimal.
2. Attitudinal Complaint (Keluhan akibat sikap petugas pelayanan)
Attitudinal complaint adalah keluhan pelanggan yang timbul karena
sikap negatif petugas pelayanan pada saat melayani pelanggan. Hal ini
dapat dirasakan oleh pelanggan melalui sikap tidak peduli dari petugas
pelayanan terhadap pelanggan.
3. Service Related Complaint (Keluhan yang berhubungan dengan
pelayanan) Service Related Complaint adalah suatu keluhan pelanggan
karena hal-hal yang berhubungan dengan pelayanan itu sendiri.
Misalnya seseorang mendaftar untuk ikut serta suatu pertandingan,
ternyata formulir pendaftaran belum siap dan oleh petugas diminta
untuk menunggu.
4. Unusual Complaint (Keluhan yang aneh)
Unusual Complaint adalah keluhan pelanggan yang bagi petugas
merupakan keanehan (tidak wajar). Pelanggan yang mengeluh seperti
9
ini biasanya secara psikologis adalah orang-orang yang hidupnya tidak
bahagia atau kesepian.
Keluhan pelanggan merupakan umpan balik dari pelanggan yang bersifat
negatif agar produk yang dikeluhkan bisa diterima kembali maka pihak
perusahaan akan segera memperbaiki kualitas produk yang diproduksi.
2.2 Data Mining
Data mining adalah serangkaian proses untuk menggali nilai tambah berupa
informasi yang selama ini tidak diketahui secara manual dari suatu basis data.
Informasi yang dihasilkan diperoleh dengan cara mengekstraksi dan menggali
pola yang penting atau menarik dari data yang terdapat pada basis data. Data
mining terutama digunakan untuk mencari pengetahuan yang terdapat dalam basis
data yang besar sehingga sering disebut Knowledge Discovery Databases (KDD)
( Retno, 2017 : 1 ).
Data mining adalah proses yang menggunakan teknik statistik, matematika,
kecerdasan buatan, dan machine learning untuk mengekstrasi dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari
berbagai database besar (Yuda, 2013 : 2-3).
Ada beberapa penelitian yang membahas tentang keluhan pelanggan
menggunakan metode data mining Naïve Bayes yang pernah dilakukan oleh
peneliti sebelumnya antara lain dilakukan oleh :
Sabtono Ristu, Wiranto & Suryono Daga Wachid (2016), “Sistem
Klasifikasi Keluhan Pelanggan di UPT TIK UNS Menggunakan Algoritma Naïve
10
Bayesian Classifier” ketidakpuasan terhadap perusahaan yang membahas tentang
pembangunan sebuah sistem untuk mengklasifikasikan keluhan. Sistem di bangun
menggunakan algoritma Naïve Bayes Classifier berdasarkan supervise learning.
Mahardhika Alfiani Aisha, Sabtono Ristu & Anggrainingsih Rini (2015),
“Sistem Klasifikasi Feedback Pelanggan dan Rekomedasi Solusi atas Keluhan
di UPT PUSKOM UNS dengan Algoritma Naïve Bayes Classifier dan Cosine
Similarity”. Algoritma cosine similarity digunakan untuk mengelompokan
mentions keluhan yang memiliki term yang sama. Dari kelompok mentions
tersebut, administrator akan memberikan solusi yang relevan terhadap keluhan.
Meysandes Jojo, Haidar Mirza A & Muzakir Ari (2016), “ Model Data
Mining untuk Prediksi Data Konsumen FINANSIA MULTI FINANCE (FMF)
Prabumulih dengan Metode Naïve Bayes Classifier “ Tujuan dilakukan penelitian
ialah untuk membuat model data mining untuk prediksi data konsumen dengan
metode naïve bayes Classifier dan untuk pemanfaatan data riwayat performance
konsumen untuk proses pengambilan keputusan pemberian kredit dengan
memanfaatkan komputer yang dimiliki perusahaan.
2.2.1 Pengelompokan Data Mining
Menurut Larose, data mining dibagi menjadi beberapa kelompok
berdasarkan tugas yang dapat di lakukan, yaitu :
1. Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari
cara untuk menggambarkan pola dan kecendrungan yang terdapat dalam data.
11
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi
lebih ke arah numerik dari pada ke arah kategori.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa mendatang.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori.
5. Pengklusteran
Clustering merupakan suatu metode untuk mencari dan mengelompokkan
data yang memiliki kemiripan karakteriktik (similarity) antara satu data
dengan data yang lain. Clustering merupakan salah satu metode data mining
yang bersifat tanpa arahan (unsupervised).
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang
belanja.
12
2.2.2 Tahap – Tahap Data Mining
Tahap – tahap data mining ada 6 yaitu :
1. Pembersihan data (Data Cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang
tidak konsisten atau data tidak relevan.
2. Intergrasi data (data integration).
Integrasi data merupakan penggabungan data dari berbagai database ke
dalam satu database baru.
3. Seleksi data (data selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh
karena itu hanya data yang sesuai untuk di analisis untuk diambil dari
database.
4. Transformasi data (Transformation data)
Data diubah atau digabung kedalam format yang sesuai untuk diproses
kedalam data mining.
5. Proses Mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari data.
6. Evalusai pola (pattern evaluation)
Untuk mengidentifikasi pola – pola menarik kedalam knowledge based
yang ditemukan.
13
7. Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang
digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.
2.2.3 Metode Data Mining
Menurut Larose, data mining memiliki enam fase CRISP-DM
(Cross Industry Standard Process for Data Mining).
1. Fase Pemahaman Bisnis (Business Understanding Phase)
Pemahaman tentang substansi dari kegiatan data mining yang akan
dilakukan, kebutuhan dari perspektif bisnis. Kegiatannya antara lain :
menentukan sasaran atau tujuan bisnis, memahami situasi bisnis, menentukan
tujuan data mining dan membuat perencanaan strategi serta jadwal penelitian.
2. Fase Pemahaman Data (Data Understanding Phase)
Fase mengumpulkan data awal, mempelajari data untuk bias mengenal
data yang akan dipakai, mengindentifikasikan masalah yang berkaitan dengan
kualitas data, mendeteksi subset yang menarik dari data untuk membuat
hipotesa awal.
3. Fase Pengolahan Data (Data Preparation Phase)
Sering disebut sebagai fase padat karya. Aktifitas yang dilakukan antara
lain memilih table dan field yang akan ditransformasikan ke dalama database
baru untuk bahan data mining.
14
4. Fase Pemodelan (Modeling Phase)
Fase menentukan teknik data mining yang digunakan, menentukan tools
data mining, teknik data mining, algoritma data mining, menentukan
parameter dengan nilai optimal.
5. Fase Evaluasi (Evaluation Phase)
Fase interpretasi terhadap hasil data mining yang ditunjukkan dalam
proses pemodelan pada fase sebelumnya.
6. Fase Penyebaran (Deployment Phase)
Fase penyusunan laporan atau presentasi dari pengetahuan yang didapat
dari evaluasi pada proses data mining.
Gambar 2.1 Model CRISP-DM
(Sumber : academia.edu)
2.2.4 Metode Klasifikasi
Klasifikasi adalah proses untuk menemukan model atau fungsi
untuk menjelaskan atau membedakan konsep atau kelas data, dengan
tujuan untuk dapat memperkirakan kelas daru suatu objek yang labelnya
tidak diketahui. Dalam mencapai tujuan tersebut, proses klasifikasi
15
membentuk suatu model yang mampu membedakan data kedalam kelas-
kelas yang berbeda berdasarkan auran atau fungsi tertentu. Model itu
sendiri bias berupa auran “jika-maka”m berupa pohon keputusan atau
formula matematis.
Gambar 2.2 Blok Diagram Model Klasifikasi
(Sumber : academia.edu)
1.6 2.3 Naïve Bayes Classification
Menurut Kusrini dan Lutfhi (2010:199) “Bayesian Classification merupakan
pengklasifikasian statistic yang dapat digunakan untuk memprediksi probabilitas
keanggotaan suatu class. Bayesian classification didasarkan pada teorema bayes
yang mempunyai kemampuan klasifikasi serupa dengan decision tree dan neural
network. Bayesian classification terbuksi memiliki akurasi dan kecepatan yang
tinggi saat diaplikasikan kedalam database dengan data yang besar.”
Pendekatan naïve bayes membuat asumsi sederhana bahwa semua atribut
bersifat independen. Hal ini menyebabkan penggolongan yang jauh lebih
sederhana, ini membuat efektif dalam praktiknya. Berikut persamaan dari teorema
bayes: ( | ) ( | ) ( )
( )
16
Keterangan :
X : Data dengan kelas yang belum diketahui
Y : Hipotesis dan X adalah suatu kelas spesifik
P(Y|X) : Probabilitas hipotesis Y berdasar kondisi X
P(Y) : Probabilitas Hipotesis Y
P(X|Y) : Probabititas X berdasarkan kondisi pada saat hipotesis Y
P(X) : Pribabilitas X
Untuk menjelaskan metode Naive Bayes, perlu diketahui bahwa proses Klasifikasi
memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi
sampel yang dianalisis tersebut. Karena itu, metode Naive Bayes diatas
disesuaikan sebagai berikut :
( | ) ( ) ( | )
( )
Dimana variabel C merepresentasikan kelas, sementara variabel F1 ... Fn
merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan
klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel
karakteristik tertentu dalam kelas C (Posterior) adalah munculnya peluang kelas C
(sebelum masuknya sampel tersebut, sering kali disebut Prior), dikali dengan
peluang kemunculan karakteristik - karakteristik sampel pada kelas C (disebut
juga likelihood), dibagi dengan peluang kemunculan karakteristik - karakteristik
sampel secara global (disebut juga evidence). Karena itu, rumus di atas dapat pula
ditulis secara sederhana sebagai berikut :
17
Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari
posterior tersebut nantinya akan dibandingkan dengan nilai-nilai posterior kelas
lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan.
Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan
( | 1... ) menggunakan aturan perkalian sebagai berikut:
( | 1,…,= ( ) ( 1,…, | )
=( ) ( 1| ) ( 2,…, | , 1)
= ( ) ( 1| ) ( 2| , 1 ) ( 3,…, | , 1, 2
=( ) ( 1| ) ( 2| , 1 ) ( 3| , 1, 2) ( 4,…, | , 1, 2, 3)
= ( ) ( 1| ) ( 2| , 1 ) ( 3| , 1, 2)… ( | , 1, 2, 3,…, −1)
Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin banyak dan
semakin kompleksnya faktor - faktor syarat yang mempengaruhi nilai
probabilitas, yang hampir mustahil untuk dianalisa satu persatu. Akibatnya,
perhitungan tersebut menjadi sulit untuk dilakukan. Di sinilah digunakan asumsi
independensi yang sangat tinggi (naif), bahwa masing-masing petunjuk
(F1,F2...Fn) saling bebas (independen) satu sama lain. Dengan asumsi tersebut,
maka berlaku suatu kesamaan sebagai berikut:
( | ) ( )
( ) ( ) ( )
( ) ( )
Untuk i≠j, sehingga
18
( ) ( )
Dari persamaan diatas dapat disimpulkan bahwa asumsi independensi naif
tersebut membuat syarat peluang menjadi sederhana, sehingga perhitungan
menjadi mungkin untuk dilakukan. Selanjutnya, penjabaran P(C|F1, …, Fn) dapat
disederhanakan menjadi :
Persamaan diatas merupakan model dari teorema Naive Bayes yang
selanjutnya akan digunakan dalam proses klasifikasi.
Umumnya, Bayes mudah dihitung untuk fitur bertipe kategoris seperti pada
kasus fitur “jenis kelamin” dengan nilai {pria,wanita} namun untuk fitur numerik
ada perlakuan khusus sebelum dimasukkan dalam Naïve Bayes. Caranya adalah :
1. Melakukan diskretisasi pada setiap fitur kontinyu dan mengganti niai
fitur kontinyu tersebut dengan nilai interval diskret. Pendekatan ini
dilakukan dengan mentransformasikan fitur kontinyu ke dalam fitur
ordinal.
2. Mengasumsikan bentuk tertentu dari distribusi probabilitas untuk fitur
kontinyu dan memperkirakan parameter distribusi dengan data pelatihan.
Distribusi Gaussian sering dipilih untuk merepresentasikan peluang
kelas bersyarat untuk atribut kontinyu. Distribusi dikarakterisasi dengan
dua parameter yaitu mean, μ ,dan varian, σ2. Untuk tiap kelas yj , peluang
kelas bersyarat untuk atribut Xi adalah :
19
( | )
√ ( )
Di mana :
P : Peluang
Xi : Atribut ke i
Xi : Nilai atribut ke i
Y : Kelas yang dicari
Yi : Sub kelas Y yang dicari
μ : mean, menyatakan rata – rata dari seluruh atribut
σ :Deviasi standar, menyatakan varian dari seluruh atribut.
Adapun alur dari metode Naïve Bayes adalah sebagai berikut :
1. Baca data training
2. Hitung Jumlah dan probabilitas, namun apabila data numerik maka:
a. Cari nilai mean dan standar deviasi dari masing masing parameter
yang merupakan data numeric.
b. Cari nilai probabilistik dengan cara menghitung jumlah data yang
sesuai dari kategori yang sama dibagi dengan jumlah data pada
kategori tersebut.
20
3. Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas.
Gambar 2.3 Skema Naïve Bayes
1.7 2.4 Weka
WEKA adalah sebuah machine learning tool yang ditulis dengan bahasa
pemrograman Java. WEKA ini memuat banyak machine learning algoritma di
dalam nya. Dengan WEKA kita bisa melakukan pre-processing data,
classification, regression, clustering, association rules, dan juga visualization.
WEKA merupakan singkatan dari Waikato Environment for Knowledge Analysis,
yang dikembangkan oleh Waikato University di New Zealand. WEKA juga
merupakan sebuah nama dari burung yang cuma berhabitat di New Zealand.
21
Gambar 2.4 Tolls Weka
1.8 2.5 Kerangka Berfikir
Adapun kerangka berfikir dari penelitian yang dilakukan adalah sebagai berikut:
Gambar 2.5 Kerangka Berfikir
22
Kerangka berfikir diatas menjelaskan tentang rumusan masalah untuk
mengetahui keluhan pelanggan. Untuk membantu menyelesaikan masalah
tersebut maka penulis menggunakan aplikasi perangkat lunak WEKA dan
menggunakan metode naïve bayes. Dengan mereferensi dari buku dan
jurnal maka akan diimplementasikan dengan hasil apakah produk yang
kita produksi layak konsumsi atau tidak layak konsumsi.
23
BAB III
METODE PENELITIAN
3.1 ObjekPenelitian
Objek penelitian dilaksanakan pada PT Nippon Indosari Corp Tbk
Cibitung, yang menjadi objek penelitian adalah data keluhan dari pelanggan
PT Nippon Indosari Corp Tbk.
3.1.1 Profil Perusahaan
Roti umumnya dikonsumsi untuk sarapan pagi. Namun, saat ini
roti juga dikonsumsi lebih dari sekedar untuk sarapan, dengan sifatnya yang
praktis, padat dan bergizi, roti dapat memenuhi kebutuhan gaya hidup
masyarakat yang semakin mobile kapan saja dan dimana saja.
Nippon Indosari Corpindo Tbk (Sari Roti) didirikan 08 Maret 1995
dengan nama PT Nippon Indosari Corporation dan mulai beroperasi
komersial pada tahun 1996. Kantor pusat dan salah satu pabrik sari roti ini
berkedudukan di Kawasan Industri MM 2100 Jl. Selayar blok A9, Desa
Mekarwangi, Cikarang Barat, Bekasi 17530 – Jawa Barat, dan pabrik
lainnya berlokasi di Kawasan Industri Jababeka Cikarang blok U dan W –
Bekasi, Pasuruan, Semarang, Makassar, Purwakarta, Palembang, Cikande
dan Medan.
24
3.1.2 Deskripsi Bisnis Perusahaan
Dalam proses pembuatan roti, dikenal beberapa metode proses
pembuatannya. Mulai dari proses yang hanya memerlukan satu kali
pencampuran seperti straight dough mixing dan no time dough mixing,
hingga proses pembuatan roti yang memerlukan dua kali proses
pencampuran seperti sponge and dough mixing. Masing-masing metode
memiliki kelebihan dan kekurangan. Dalam proses pembuatan roti, Sari roti
menggunakan metode sponge and dough mixing.
Pada proses pencampuran pertama atau sponge mixing, sebagian
bahan baku dicampurkan terlebih dahulu untuk menghasilkan adonan biang.
Bahan baku yang telah tercampur selanjutnya disimpan pada tempat khusus
untuk kemudian disimpan pada ruang fermentasi. Proses fermentasi ini
berlangsung antara 3 hingga 4 jam pada ruangan khusus yang dijaga suhu
dan kelembabannya agar proses fermentasi dapat berlangsung secara
sempurna.
Setelah proses fermentasi selesai, adonan akan kembali
dimasukkan ke dalam mixer untuk dilakukan proses pencampuran bahan
kedua atau dikenal sebagai dough mixing. Proses fermentasi akhir (final
proofing) ini memiliki prinsip yang sama dengan proses fermentasi pertama,
namun dilakukan dengan waktu yang lebih singkat. Setelah adonan
mengembang dan diperoleh volume adonan yang sesuai dengan standar
yang diharapkan, adonan selanjutnya dikeluarkan dan siap untuk
dipanggang.
25
1.9 3.2 Metode Penelitian
Metode yang akan digunakan untuk menyelesaikan penelitian ini adalah
jenis penelitian eksperimen yaitu melakukan pengujian tingkat akurasi algoritma
naïve bayes dalam penentuan penyebab keluhan pelanggan. Data eksperimen
diambil dari data customer claim.
1.10 3.3 Metode Pengumpulan Data
Dalam penelitian ini metode pengumpulan data yang digunakan yaitu :
1. Metode Observasi
Melakukan pengamatan langsung ke PT Nippon Indosari Corp Tbk untuk
memperoleh data yang dibutuhkan.
2. Metode Wawancara
Mengadakan wawancara dengan pihak-pihak yang berkaitan langsung
dengan permasalahan yang sedang dibahas pada penelitian ini untuk
memperoleh gambaran dan penjelasan secara mendasar.
3. Metode Studi Pustaka
Metode ini dengan mengumpulkan referensi dari literature-literatur yang
bisa mendukung penelitian sebagai landasan teori dan dasar pedoman
dalam pembuatan laporan.
3.4 Perangkat Lunak
Setelah menentukan dataset untuk penelitian, kemudian mencari perangkat
lunak yang digunakan untuk alat bantu penelitian. Dari sejumlah perangkat lunak
dan dataset yang ada, peneliti memilih menggunakan perangkat lunak WEKA dan
dataset customer claim .
26
Weka adalah perangkat lunak yang beorientasi objek, open source berbasis
java yang bisa digunakan untuk klasifikasi dalam penentuan kerusakan radiator
dengan menganalisis dan membandingkan tingkat akurasi kedua algoritma dalam
penelitian ini.
1.11 3.5 Sumber Data
Data yang diperoleh dalam penelitian ini merupakan data primer yaitu data
yang didapatkan langsung dari sumber data selain itu dalam membantu
penyusunan skripsi ini digunakan beberapa studi pustaka yang merupakan data
sekunder.
1. Data Primer
Tabel 3.1 Sampel Data Primer
Jenis Kelamin Jenis Produk Agen Status Keluhan
Perempuan WB JKT Tidak Berjamur
Laki-laki WB BKS Berjamur
Perempuan SB JKT Tidak Berjamur
Perempuan SB JKT Berjamur
Laki-laki WB CKR Tidak Berjamur
Keterangan:
WB : White Bread
SB : Sweet Bread
JKT : Jakarta
BKS : Bekasi
CKR : Cikarang
27
2. Data Sekunder
a. Buku yang membahas data mining khususnya algoritma naïve bayes
b. E-book mengenai data mining dan algoritmanya
c. Jurnal mengenai kasus klasifikasi keluhan pelanggan
1.12 3.6 Tahapan Penelitian
Metode yang akan digunakan dalam penelitian ini adalah algoritma naïve
bayes untuk melakukan pengukuran akurasi dalam penelitian ini akan
menggunakan tools WEKA.
Gambar 3.1 Model Penelitian yang diusulkan
Data cleaning
Data preparing New Data set
Bayesian
Data set
Akurasi
Training data
model
Testing data
evaluasi
28
Data Set.
Data set diambil dari data real disuatu perusahaan manufacture yaitu data
customer claim
New Data Set.
Data set dari data real disuatu perusahaan manufacture kemudian
dilakukan pembersihan data untuk menentukan atribut.
Training Data.
New data set kemudian dibagi menjadi 2 yaitu ; sebagai training data dan
testing data. Data training digunakan untuk data preprocess
Testing Data evaluasi.
Testing data untuk proses klasifikasi dengan algoritma yang digunakan
dalam penelitian ini
Accuracy.
Proses klasifikasi akan menghasilkan tingat akurasi suatu algoritma yang
digunakan
29
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
Bab ini membahas tentang hasil penelitian yang dilakukan mulai dari
dataset yang digunakan dan hasil yang diperoleh. Dalam penelitian ini dilakukan
percobaan terhadap dataset customer claim pelanggan sari roti dengan algoritma
naïve bayes.
4.1 Dataset`
Penelitian ini menggunakan dataset yaitu dataset customer claim sari roti
yang terdiri dari 7 atribut dataset yang digunakan :
Tabel 4.1 Atribut Dataset Penelitian
No Nama Atribut keluhan Deskripsi atribut
1 Jenis produk roti 1, 2, 3(Sandwich, Roti Tawar,Roti Manis)
2 Roti berjamur yes, no
3 Temuan binatang yes, no
4 Roti bau tengik yes, no
5 Big hole yes, no
6 Tidak isi yes, no
7 kadaluarsa yes, no
8 Kepuasan(kelas Kepuasan) Puas, Tidak Puas
4.2 Koleksi Dokumen
Koleksi dokumen yang digunakan untuk pengujian adalah dokumen
training sebanyak 91 dokumen claim pelanggan sari roti dan 60 dokumen claim
pelanggan sari roti testing dan akan dilakukan evaluasi pada tahapan training dan
testing dokumen.
30
Tabel 4.2 koleksi dokumen training dan testing claim pelanggan sari roti
No Kelas Kepuasan Sample Training Testing
1 Puas 81 46 35
2 Tidak Puas 70 45 25
Total dokumen claim pelanggan 151 91 60
4.3 Hasil Evaluasi
4.3.1 Hasil Evaluasi Algoritma Naive Bayes
Hasil evaluasi dataset customer claim pelanggan sari roti dengan
menggunakan algoritma naive bayes:
1) Training data
Evaluasi klasifikasi data customer claim pelanggan sari roti dengan
pilihan use training set dengan menggunakan training data yang berjumlah
91 menghasilkan data pada Tabel 4.3
Tabel 4.3 Hasil Training Set Naive Bayes
No Hasil training akurasi Persentase
1 Correctly Classified Instances 90 atau 98,9011 %
2 Incorrectly Classified Instances 1 atau 1.0989%
3 Kappa statistic 0,978
4 Mean absolute error 0.0205
5 Root mean squared error 0.0337
6 Relative absolute error 4.1648 %
7 Root relative squared error 21,0549 %
8 Total Number of Instances 91
Tabel 4.3 menunjukkan akurasi yang diperoleh adalah 98,9011 % dengan
hasil klasifikasi benar sebanyak 90, jumlah data training tidak
terklasifikasi sebanyak 1 atau 1.0989%.
31
Tabel 4.4 hasil akurasi data training Kepuasan Pelanggan
No Klasifikasi Training naïve bayes
Akurasi Terklasifikasi Tidak terklasifikasi
1 Puas 46 0 50.54945
2 Tidak Puas 44 1 48.35164
Persentase 90 1 98,9011%
Tabel 4.4 menunjukkan klasifikasi Puas sebanyak 46 dokumen dan tidak
Puas sebanyak 44 dokumen dan 1 kelas prediksi tidak puas keluar dari
kelas asal ke kelas puas .
Tabel 4.5 hasil data training matrik kelas
Tabel 4.5 menunjukkan bahwa data yang terklasifikasi puas sebanyak 46
data, dan data tidak puas sebanyak 44 data.
Confusion Matrix
a b akurasi Kelas kepuasan
44 1 48.35164
Tidak puas
0 46 50.54945 puas
Persentase 98,9011%
32
2) Testing data / evaluasi
Klasifikasi yang telah terbentuk pada tahap training selanjutnya diuji
dengan menggunakan data testing evaluasi dengan data testing sebanyak
60 data testing menghasilkan data pada Tabel 4.6
Tabel 4.6 Hasil Evaluasi Supplied Test Set Naive Bayes
No Hasil testing akurasi Persentase
1 Correctly Classified Instances 59 atau 98,3333 %
2 Incorrectly Classified Instances 1 atau 1,6667 %
3 Kappa statistic 0.9659
4 Mean absolute error 0.013
5 Root mean squared error 0.0667
6 Relative absolute error 12,6132%
7 Root relative squared error 28,5918%
8 Total Number of Instances 60
Tabel 4.6 menunjukkan akurasi yang diperoleh adalah 98,3333% dengan
test record yang diklasifikasi secara benar sebanyak 59, jumlah test record
yang diklasifikasi secara tidak benar sebanyak 1 atau 1,6667%, dengan
hasil mean squared error adalah 0,013%.
Tabel 4.7 Hasil akurasi data testing kepuasan pelanggan
No Klasifikasi Testing naïve bayes
Akurasi Terklasifikasi Tidak terklasifikasi
1 Puas 34 0 56.6666
2 Tidak Puas 25 1 41.6666
Persentase 59 1 98,3333%
33
Tabel 4.7 menunjukkan klasifikasi Puas sebanyak 34 dokumen dan tidak
Puas sebanyak 25 dokumen 1 kelas prediksi tidak Puas keluar dari kelas
asal ke kelas Puas.
Tabel 4.8 hasil data testing matrik kelas
Tabel 4.8 menunjukkan bahwa data yang terklasifikasi Puas sebanyak 34 data,
dan data Tidak Puas sebanyak 25 data.
4.3.2 Hasil Evaluasi Algoritma Naive Bayes dengan cross validation 10 fold
1) Training data
Evaluasi klasifikasi data customer claim pelanggan sari roti dengan pilihan
cross validation 10 fold dengan menggunakan training data yang
berjumlah 91 menghasilkan data pada Tabel 4.9
Tabel 4.9 Hasil Training Set cross validation 10 fold Naive Bayes
No Hasil training akurasi Persentase
1 Correctly Classified Instances 90 atau 98,9011 %
2 Incorrectly Classified Instances 1 atau 1.0989%
3 Kappa statistic 0,978
4 Mean absolute error 0.0205
5 Root mean squared error 0.0337
6 Relative absolute error 4.1648 %
7 Root relative squared error 21,0549 %
Confusion Matrix
a b akurasi Kelas kepuasan
25 1 41.6666 Tidak Puas
0 34 56.6666 Puas
Persentase 98,3333%
34
8 Total Number of Instances 91
Tabel 4.9 menunjukkan akurasi yang diperoleh adalah 98,9011 % dengan
hasil klasifikasi benar sebanyak 90, jumlah data training tidak
terklasifikasi sebanyak 1 atau 1.0989%.
Tabel 4.10 hasil akurasi data training kelayakan konsumsi
No Klasifikasi
Training naïve bayes cross
validation 10 fold Akurasi
Terklasifikasi Tidak terklasifikasi
1 Puas 46 0 50.54945
2 Tidak Puas 44 1 48.35164
Persentase 90 1 98,9011%
Tabel 4.10 menunjukkan klasifikasi Puas sebanyak 46 dokumen dan tidak
Puas sebanyak 44 dokumen dan 1 kelas prediksi tidak puas keluar dari
kelas asal ke kelas layak konsumsi .
Tabel 4.11 hasil data training matrik
Tabel 4.11 menunjukkan bahwa data yang terklasifikasi Puas sebanyak 46
data, dan data tidak puas sebanyak 44 data.
Confusion Matrix
a b akurasi Kelas Kepuasan
44 1 48.35164
Tidak Puas
0 46 50.54945 Puas
Persentase 98,9011%
35
2) Testing data / evaluasi
Klasifikasi yang telah terbentuk pada tahap training selanjutnya diuji
dengan menggunakan data testing evaluasi naïve bayes cross validation
10 fold dengan data testing sebanyak 60 dokumen menghasilkan data pada
Tabel 4.12
Tabel 4.12 Hasil Evaluasi cross validation 10 fold Naive Bayes
No Hasil testing akurasi Persentase
1 Correctly Classified Instances 59 atau 98.3333 %
2 Incorrectly Classified Instances 1 atau 1.6667 %
3 Kappa statistic 0.9659
4 Mean absolute error 0.0837
5 Root mean squared error 0.1622
6 Relative absolute error 17.0152%
7 Root relative squared error 32.6834%
8 Total Number of Instances 60
Tabel 4.12 menunjukkan akurasi yang diperoleh adalah 98.3333% dengan
test record cross validation 10 fold yang diklasifikasi secara benar
sebanyak 59, jumlah test record cross validation 10 fold yang diklasifikasi
secara tidak benar sebanyak 1 atau 1.6667%, dengan hasil mean squared
error adalah 0.1622%.
36
Tabel 4.13 hasil akurasi data testing cross validation 10 fold Kepuasan
pelanggan
No Klasifikasi
Testing cross validation 10 fold
naïve bayes Akurasi
Terklasifikasi Tidak terklasifikasi
1 Puas 34 0 56.66667
2 Tidak Puas 25 1 41.66667
Persentase 59 1 98.3333%
Tabel 4.13 menunjukkan klasifikasi Puas sebanyak 34 dokumen 1 kelas
prediksi Puas keluar dari kelas asal ke kelas tidak puas dan tidak puas
sebanyak 25 dokumen 1 kelas prediksi tidak puas keluar dari kelas asal ke
kelas puas.
Tabel 4.14 hasil data testing cross validation 10 fold matrik kelas
Tabel 4.14 menunjukkan bahwa data yang terklasifikasi Puas 34 data, dan data
tidak puas sebanyak 25 data.
Confusion Matrix
a b akurasi Kelas kepuasan
25 1 41.66667 Tidak puas
0 34 56.66667 puas
Persentase 98.3333%
37
4.3.3 Hasil Evaluasi Algoritma Naive Bayes dengan cross validation 8 fold
1) Training data
Evaluasi klasifikasi data customer claim pelanggan sari roti dengan
pilihan cross validation 8 fold dengan menggunakan training data yang
berjumlah 91 menghasilkan data pada Tabel 4.15
Tabel 4.15 Hasil Training Set cross validation 8 fold Naive Bayes
No Hasil training akurasi Persentase
1 Correctly Classified Instances 90 atau 98,9011 %
2 Incorrectly Classified Instances 1 atau 1.0989%
3 Kappa statistic 0,978
4 Mean absolute error 0.0205
5 Root mean squared error 0.0337
6 Relative absolute error 4.1648 %
7 Root relative squared error 21,0549 %
8 Total Number of Instances 91
Tabel 4.15 menunjukkan akurasi yang diperoleh adalah 98,9011 % dengan
hasil klasifikasi benar sebanyak 90, jumlah data training tidak
terklasifikasi sebanyak 1 atau 1.0989%.
Tabel 4.16 hasil akurasi data training kepuasan pelanggan
No Klasifikasi
Training cross validation 8 fold
naïve bayes Akurasi
Terklasifikasi Tidak terklasifikasi
1 Puas 46 0 50.54945
2 Tidak Puas 44 1 48.35164
Persentase 90 1 98,9011%
38
Tabel 4.16 menunjukkan klasifikasi Puas sebanyak 46 dokumen dan tidak
Puas sebanyak 44 dokumen dan 1 kelas prediksi tidak puas keluar dari
kelas asal ke kelas puas.
Tabel 4.17 hasil data training matrik kelas
Tabel 4.17 menunjukkan bahwa data yang terklasifikasi Puas sebanyak 46
data, dan data tidak puas sebanyak 44 data.
2) Testing data / evaluasi
Klasifikasi yang telah terbentuk pada tahap training selanjutnya diuji
dengan menggunakan data testing evaluasi naïve bayes cross validation 8
fold dengan data testing sebanyak 60 dokumen menghasilkan data pada
Tabel 4.18
Tabel 4.18 Hasil Evaluasi cross validation 8 fold Naive Bayes
No Hasil testing akurasi Persentase
1 Correctly Classified Instances 59 atau 98.3333 %
2 Incorrectly Classified Instances 1 atau 1.6667 %
3 Kappa statistic 0.9659
4 Mean absolute error 0.0837
5 Root mean squared error 0.1622
6 Relative absolute error 17.0152%
7 Root relative squared error 32.6834%
Confusion Matrix
a b akurasi Kelas kepuasan
44 1 48.35164
Tidak puas
0 46 50.54945 Puas
Persentase 98,9011%
%
39
8 Total Number of Instances 60
Tabel 4.18 menunjukkan akurasi yang diperoleh adalah 98.3333% dengan
test record cross validation 8 fold yang diklasifikasi secara benar sebanyak
59, jumlah test record cross validation 8 fold yang diklasifikasi secara
tidak benar sebanyak 1 atau 1.6667%, dengan hasil mean squared error
adalah 0.0837%.
Tabel 4.19 hasil akurasi data testing cross validation 8 fold kepuasan
pelanggan
No Klasifikasi
Testing cross validation 8 fold naïve
bayes Akurasi
Terklasifikasi Tidak terklasifikasi
1 Puas 34 0 56.66667
2 Tidak puas 25 1 41.66667
Persentase 59 1 98.3333%
Tabel 4.19 menunjukkan klasifikasi Puas sebanyak 34 dokumen
terklasifkasi dengan benar kelas Puas dan tidak puas sebanyak 25
dokumen 1 kelas prediksi tidak puas keluar dari kelas asal ke kelas puas.
Tabel 4.20 hasil data testing cross validation 8 fold matrik kelas
Tabel 4.20 menunjukkan bahwa data yang terklasifikasi Puas sebanyak 34
data, dan data tidak puas sebanyak 25 data.
Confusion Matrix
a b akurasi Kelas kepuasan
25 1 41.66667 Tidak puas
0 34 56.66667 Puas
Persentase 98.3333%
40
4.3.4 Hasil Evaluasi Algoritma Naive Bayes dengan percentage split 50
1) Training data
Evaluasi klasifikasi data customer claim pelanggan sari roti dengan
pilihan percentage split 50 dengan menggunakan training data yang
berjumlah 91 dengan splite sebanyak 46 dokumen menghasilkan data pada
Tabel 4.21
Tabel 4.21 Hasil Training Set percentage split 50 Naive Bayes
No Hasil training akurasi Persentase
1 Correctly Classified Instances 22 atau 48.8889 %
2 Incorrectly Classified Instances 23 atau 51.1111%
3 Kappa statistic 0
4 Mean absolute error 0.5005
5 Root mean squared error 0.5009
6 Relative absolute error 100 %
7 Root relative squared error 100 %
8 Total Number of Instances 45
Tabel 4.21 menunjukkan akurasi yang diperoleh adalah 48.8889 % dengan
hasil klasifikasi benar sebanyak setelah splite 22 dokumen, jumlah data
training tidak terklasifikasi sebanyak 23 dokumen setelah splite dengan
akurasi 5.1111 %
41
Tabel 4.22 hasil akurasi data training Kepuasan Pelanggan
No Klasifikasi
Training percentage split 50 naïve
bayes Akurasi
Terklasifikasi Tidak terklasifikasi
1 Puas 22 0 48.8889
2 Tidak Puas 0 23 0
Persentase 22 23 48.8889%
Tabel 4.22 menunjukkan klasifikasi Puas sebanyak 22 dokumen dan tidak
Puas sebanyak 0 dokumen dan 23 kelas prediksi tidak puas keluar dari
kelas asal ke kelas puas.
Tabel 4.23 hasil data training matrik kelas
Tabel 4.23 menunjukkan bahwa data yang terklasifikasi Puas sebanyak 22
data, dan data tidak puas sebanyak 0 data dan 23 data keluar dari kelas
asalnya.
2) Testing data / evaluasi
Klasifikasi yang telah terbentuk pada tahap training selanjutnya diuji
dengan menggunakan data testing evaluasi naïve bayes percentage split
50 dengan data testing sebanyak 60 dokumen dan splite 50 menjadi 30
dokumen menghasilkan data pada Tabel 4.24
Confusion Matrix
a b akurasi Kelas kepuasan
0 23 0
Tidak Puas
0 22 48.8889 Puas
Persentase 48.8889%
%
42
Tabel 4.24 Hasil Evaluasi percentage split 50 Naive Bayes
No Hasil testing akurasi Persentase
1 Correctly Classified Instances 18 atau 60 %
2 Incorrectly Classified Instances 12 atau 40%
3 Kappa statistic 0
4 Mean absolute error 0.4938
5 Root mean squared error 0.4947
6 Relative absolute error 100%
7 Root relative squared error 100%
8 Total Number of Instances 30
Tabel 4.24 menunjukkan akurasi yang diperoleh adalah 60% dengan test
record percentage split 50 yang diklasifikasi secara benar sebanyak 18
dokumen, jumlah test record percentage split 50 yang diklasifikasi secara
tidak benar sebanyak 12 atau 40%, dengan hasil mean squared error
adalah 0.4938%.
Tabel 4.25 hasil akurasi data testing percentage split 50 kepuasan
pelanggan
No Klasifikasi
Testing percentage split 50 naïve
bayes Akurasi
Terklasifikasi Tidak terklasifikasi
1 Puas 18 0 60
2 Tidak Puas 0 12 0
Persentase 18 12 60%
Tabel 4.25 menunjukkan klasifikasi Puas sebanyak 18 dokumen
terklasifkasi dengan benar kelas Puas dan tidak puas sebanyak 0 dokumen
dan 12 dokumen kelas prediksi tidak puas keluar dari kelas asal ke kelas
puas.
43
Tabel 4.26 hasil data testing percentage split 50 matrik kelas
Tabel 4.26 menunjukkan bahwa data yang terklasifikasi Puas sebanyak 18
data, dan data tidak puas sebanyak 0 data dengan hasil keluar dari kelas
sebanyak 12 dokumen.
4.3.5 Hasil Evaluasi Algoritma Naive Bayes dengan percentage split 66
1) Training data
Evaluasi klasifikasi data customer claim pelanggan sari roti dengan
pilihan percentage split 66 dengan menggunakan training data yang
berjumlah 91 dengan splite sebanyak 60 dokumen menghasilkan data pada
Tabel 4.27
Tabel 4.27 Hasil Training Set percentage split 66 Naive Bayes
No Hasil training akurasi Persentase
1 Correctly Classified Instances 15 atau 48.3871 %
2 Incorrectly Classified Instances 16 atau 51.6129%
3 Kappa statistic 0
4 Mean absolute error 0.5
5 Root mean squared error 0.5
6 Relative absolute error 100 %
7 Root relative squared error 100 %
8 Total Number of Instances 31
Confusion Matrix
a b akurasi Kepuasan Pelanggan
0 12 0 Tidak Puas
0 18 60 Puas
Persentase 60%
44
Tabel 4.27menunjukkan akurasi yang diperoleh adalah 48.3871 % dengan
hasil klasifikasi benar sebanyak setelah splite 15 dokumen, jumlah data
training tidak terklasifikasi sebanyak 16 dokumen setelah splite dengan
akurasi 51.6129%.
Tabel 4.28 hasil akurasi data training kepuasan pelanggan
No Klasifikasi
Training percentage split 66 naïve
bayes Akurasi
Terklasifikasi Tidak terklasifikasi
1 Puas 0 16 0
2 Tidak Puas 15 0 48.3870
Persentase 15 16 48.3870%
Tabel 4.28 menunjukkan klasifikasi Puas sebanyak 0 dan 16 dokumen
kelas prediksi Puas keluar dari kelas asal ke kelas tidak puas dan tidak
puas sebanyak 31 dokumen.
45
Tabel 4.29 hasil data training matrik kelas
Tabel 4.29 menunjukkan bahwa data yang terklasifikasi Puas sebanyak 0
data, dan data tidak puas sebanyak 15 data.
2) Testing data / evaluasi
Klasifikasi yang telah terbentuk pada tahap training selanjutnya diuji
dengan menggunakan data testing evaluasi naïve bayes percentage split
66 dengan data testing sebanyak 60 dokumen dan splite 66 menjadi 20
dokumen menghasilkan data pada Tabel 4.30
Tabel 4.30 Hasil Evaluasi percentage split 66 Naive Bayes
No Hasil testing akurasi Persentase
1 Correctly Classified Instances 13 atau 65 %
2 Incorrectly Classified Instances 7 atau 35%
3 Kappa statistic 0
4 Mean absolute error 0.4929
5 Root mean squared error 0.4934
6 Relative absolute error 100%
7 Root relative squared error 100%
8 Total Number of Instances 20
Tabel 4.30 menunjukkan akurasi yang diperoleh adalah 65% dengan test
record percentage split 66 yang diklasifikasi secara benar sebanyak 13
Confusion Matrix
a b akurasi Kepuasan pelanggan
15 0 0
Tidak Puas
16 0 48.3870 Puas
Persentase 48.3870%
%
46
dokumen, jumlah test record percentage split 66 yang diklasifikasi secara
tidak benar sebanyak 7 atau 35%, dengan hasil mean squared error adalah
0.4929%.
Tabel 4.31 hasil akurasi data testing percentage split 66 kepuasan
pelanggan
No Klasifikasi
Testing percentage split 66 naïve
bayes Akurasi
Terklasifikasi Tidak terklasifikasi
1 Puas 13 0 65
2 Tidak Puas 0 7 0
Persentase 13 7 65%
Tabel 4.31 menunjukkan klasifikasi Puas sebanyak 13 dokumen
terklasifkasi dengan benar kelas Puas dan tidak puas sebanyak 0 dokumen
dan 7 dokumen kelas prediksi tidak puas keluar dari kelas asal ke kelas
puas.
Tabel 4.32 hasil data testing percentage split 66 matrik kelas
Tabel 4.32 menunjukkan bahwa data yang terklasifikasi puas sebanyak 13
data, dan data tidak puas sebanyak 0 data dengan hasil keluar dari kelas
sebanyak 7 dokumen.
Confusion Matrix
a b akurasi Kepuasan pelanggan
7 0 0 Tidak puas
0 13 65 Puas
Persentase 65%
47
4.4 Hasil Analisis Algoritma Naive Bayes
setelah proses training dan testing oleh beberapa pendekatan naiave bayes,
cross validation 10 fold, cross validation 8 fold serta percentage splite 50 dan 66.
Kemudian data dianalisa dilakukan evaluasi dari analisa manakah pendekatan
yang mempunyai akurasi terbaik dan mean error nya kecil sehingga bisa
dipastikan pelanggan merasa Puas atau Tidak Puas dengan produk tersebut.
4.4.1 Hasil analisis pendekatan training set dan testing set Algoritma
Naive Bayes
Berikut hasil tabel beserta grafik analisis dari hasil pendekatan
training set dan testing set algoritma naïve bayes yang ditunjukan dengan
tabel dan garifk berikut ini:
Tabel 4.33 hasil data training test dan testing test naïve bayes
No Hasil analisa Training Testing
1 Correctly Classified Instances 90 59
2 Incorrectly Classified Instances 1 1
3 Kappa statistic 0,978 0.9659
4 Mean absolute error 0.0205 0.013
5 Root mean squared error 0.0337 0.0667
6 Relative absolute error 4.1648 % 12,6132%
7 Root relative squared error 21,0549 % 28,5918%
8 Total Number of Instances 91 60
9 Accuracy 98,9011 % 98,3333 %
Dari tabel 4.33 hasil dari data training dari 91 data training dengan akurasi
98,9011 %, dan data testing sebanyak 60 data dengan akurasi 98,3333 % .
48
Grafik 4.1 hasil data training test dan testing test naïve bayes
4.4.2 Hasil analisis pendekatan training set dan testing cross
validation 10 fold Algoritma Naive Bayes
Berikut hasil tabel beserta grafik analisis dari hasil pendekatan
training set dan testing cross validation 10 fold algoritma naïve bayes
yang ditunjukan dengan tabel dan garifk berikut ini:
98.9 98.3
90
91
92
93
94
95
96
97
98
99
100
Training Testing
Grafik training set dan testing set
data training data training2 Linear (data training)
49
Tabel 4.34 hasil data training test dan testing cross validation 10 fold
naïve bayes
No Hasil analisa Training Testing
1 Correctly Classified Instances 90 59
2 Incorrectly Classified Instances 1 1
3 Kappa statistic 0,978 0.9659
4 Mean absolute error 0.0205 0.0837
5 Root mean squared error 0.0337 0.1622
6 Relative absolute error 4.1648 % 17.0152%
7 Root relative squared error 21,0549 % 32.6834%
8 Total Number of Instances 91 60
9 Accuracy 98,9011 % 98.3333 %
Dari tabel 4.34 hasil dari data training dari 91 data training dengan akurasi
98,9011 %, dan data testing sebanyak 60 data dengan akurasi 98.3333 % .
Grafik 4.2 hasil data training test dan testing cross validation 10 fold naïve bayes
98.9 98.3
90
91
92
93
94
95
96
97
98
99
100
Training Testing
Grafik training set dan testing cross validation 10 fold
data training data training2 Linear (data training)
50
4.4.3 Hasil analisis pendekatan training set dan testing cross
validation 8 fold Algoritma Naive Bayes
Berikut hasil tabel beserta grafik analisis dari hasil pendekatan
training set dan testing cross validation 8 fold algoritma naïve bayes
yang ditunjukan dengan tabel dan garifk berikut ini:
Tabel 4.35 hasil data training test dan testing cross validation 8 fold naïve bayes
No Hasil analisa Training Testing
1 Correctly Classified Instances 90 59
2 Incorrectly Classified Instances 1 1
3 Kappa statistic 0,978 0.9659
4 Mean absolute error 0.0205 0.0837
5 Root mean squared error 0.0337 0.1622
6 Relative absolute error 4.1648 % 17.0152%
7 Root relative squared error 21,0549 % 32.6834%
8 Total Number of Instances 91 60
9 Accuracy 98,9011 % 98.3333 %
Dari tabel 4.35 hasil dari data training dari 91 data training dengan akurasi
98,9011 %, dan data testing sebanyak 60 data dengan akurasi 98.3333 % .
51
Grafik 4.3 hasil data training test dan testing cross validation 8 fold naïve bayes
4.4.4 Hasil analisis pendekatan training set dan testing percentage
split 50 Algoritma Naive Bayes
Berikut hasil tabel beserta grafik analisis dari hasil pendekatan
training set dan testing testing percentage split 50 algoritma naïve bayes
yang ditunjukan dengan tabel dan grafik berikut ini:
Tabel 4.36 hasil data training test dan testing percentage split 50 naïve bayes
No Hasil analisa Training Testing
1 Correctly Classified Instances 22 18
2 Incorrectly Classified Instances 23 12
3 Kappa statistic 0 0
4 Mean absolute error 0.5005 0.4938
5 Root mean squared error 0.5009 0.4947
6 Relative absolute error 100 % 100%
7 Root relative squared error 100 % 100%
8 Total Number of Instances 45 30
9 Accuracy 48.8889 % 60 %
98.9 98,3
90
91
92
93
94
95
96
97
98
99
100
Training Testing
Grafik training set dan testing cross validation 8 fold
data training data training2 Linear (data training)
52
Dari tabel 4.36 hasil dari data training dari 91 data training splite 50 dengan 45
dokumen dengan akurasi 48.8889 %, dan data testing sebanyak 60 data dengan
splite 50 dengan 30 dokumen dengan akurasi 60 % .
Grafik 4.4 hasil data training test dan testing percentage split 50 naïve bayes
4.4.5 Hasil analisis pendekatan training set dan testing percentage
split 66 Algoritma Naive Bayes
Berikut hasil tabel beserta grafik analisis dari hasil pendekatan
training set dan testing percentage split 66 algoritma naïve bayes yang
ditunjukan dengan tabel dan grafik berikut ini:
48.8
60
40
45
50
55
60
65
70
Training Testing
Grafik training set dan testing percentage split 50
data training data training2 Linear (data training)
53
Tabel 4.37 hasil data training test dan testing percentage split 66 naïve bayes
No Hasil analisa Training Testing
1 Correctly Classified Instances 15 13
2 Incorrectly Classified Instances 16 7
3 Kappa statistic 0 0
4 Mean absolute error 0.5 0.4929
5 Root mean squared error 0.5 0.4934
6 Relative absolute error 100 % 100%
7 Root relative squared error 100 % 100%
8 Total Number of Instances 31 20
9 Accuracy 48.3871 % 65 %
Dari tabel 4.37 hasil dari data training dari 91 data training splite 66
dengan 31 dokumen dengan akurasi 48.3871 %, dan data testing sebanyak
60 data dengan splite 50 dengan 20 dokumen dengan akurasi 65 % .
Grafik 4.5 hasil data training test dan testing percentage split 66 naïve bayes
48.4
65
40
45
50
55
60
65
70
Training Testing
Grafik training set dan testing percentage split 66
data training data training2 Linear (data training)
54
4.5 Hasil Analisis perbandingan pendekatan algoritma naïve bayes
setelah proses training dan testing oleh beberapa pendekatan naive bayes,
cross validation 10 fold, cross validation 8 fold serta percentage splite 50 dan 66.
Kemudian data dianalisa dilakukan evaluasi dari analisa manakah pendekatan
yang mempunyai akurasi terbaik dan mean error nya kecil sehingga bisa
dipastikan pelanggan merasa puas atau tidak puas.
Berikut tabel yang menggambarkan perbandingan testing data dari
berbagai penedkatan diatas dengan menggunakan algritma naïve bayes.
Tabel 4.38 hasil akurasi dan mean error data macam – macam pendekatan
algoritma naïve bayes
No Hasil analisa suppliedTes 10 fold 8 fold 50
splite
66
splite
1 Mean absolute error 0.013 0.0837 0.0837 0.4938 0.4929
2 Accuracy 98.33% 98.3333% 98.3333% 60 % 65 %
Dari tabel 4.38 hasil analisa mean absolute error terbaik ada pada saat tes dengan
pendekatan supllied test dengan absolute mean error 0.013 dan accuracy terbaik
ada pada saat pendekatan dengan supplied tes dengan akurasi 98.33%.
Kemudian tes dengan pendekatan cross validation 10 fold dengan absolute
mean error 0.0837 dan accuracy dengan cross validation 10 fold akurasi
98.3333%, Kemudian tes dengan pendekatan cross validation 8 fold dengan
absolute mean error 0.0837 dan accuracy dengan cross validation 8 fold akurasi
98.3333%, Kemudian tes dengan pendekatan tes 50 splite dengan absolute mean
error 0.4938 dan accuracy dengan pendekatan tes 50 splite akurasi 60%,
55
Kemudian tes dengan pendekatan tes 66 splite dengan absolute mean error 0.4929
dan accuracy dengan pendekatan tes 66 splite akurasi 65%.
Grafik 4.6 hasil akurasi data testing dengan macam-macam pendekatan naïve
bayes
98.33
60 65
98.33 98.33
0
10
20
30
40
50
60
70
80
90
8 fold 50 splite 66 splite supplied test 10 fold
hasil akurasi pendekatan naive bayes
akurasi
56
Grafik 4.7 hasil mean absolute error data testing dengan macam-macam
pendekatan naïve bayes
Hasil evaluasi tahap akhir pendekatan training dan testing supplied test
lebih baik dibandingkan pendekatan cross validation 8 dan 10 fold, juga lebih
baik dari pada pendekatan percentage splite 50 dan 60. Maka dengan hasil
pendekatan training dan testing supplied test bisa di simpulkan selama ini
pelanggan puas dengan pelayanan perusahaan walaupun ada sedikit pelanggan
yang merasa tidak puas.
0.0837
0.4938 0.4929
0.013
0.0837
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
8 fold 50 splite 66 splite supplied test 10 fold
hasil mean absolute error pendekatan naive bayes
mean error
57
BAB V
PENUTUP
Berdasarkan hasil pengujian yang dilakukan oleh peneliti maka dapat
disimpulkan sebagai berikut :
5.1 Kesimpulan
1. Dalam penelitian ini pendekatan supplied test naïve bayes memiliki
akurasi paling baik dibandingkan pendekatan lainnya.
2. Dengan metode klasifikasi ini dapat membantu perusahaan untuk
mengetahui bahwa pelanggan merasa Puas dengan produknya.
3. Pendekatan supplied testing lebih baik dalam mean absolute error jauh
mendekati dari pada nilai 1 dibandingkan pendekatan cross validation 8
dan 10 fold, dan percentage splite 50 dan 66 splite.
5.2 Saran
1. Disarankan penelitian lebih lanjut tidak hanya pendekatan algoritma
naïve bayes.
2. Penelitian yang telah dilakukan ini diharapkan dilanjutkan untuk
pembuatan aplikasi.
58
DAFTAR PUSTAKA
Ashari, A., Paryudi, I., Tjoa, A. M., "Performance comparison between
naive bayes, decision tree and k-nearest neighbor in searching
alternative design in an energy simulation tool." IJACSA) International
Journal of Advanced Computer Science and Applications 4.11 (2013).
Cunnigham, S.J., (1995). "Machine learnimg and statistics: Amatter of
perspective".Working Paper Series 95/11, Departement of Computer
Science, University of Waikato (Hamilton, New Zealand).
Dimitoglou, G., Adams, J.A., Jim, C.M., "Comparison of the C4. 5 and a
naïve bayes classifier for the prediction of lung cancer survivability”.
Journal of Computing Press, ISSN (online): 2151-9617, Vol. 4 Issue 8
August 2012, New York USA.
Diwandari, Saucha., Setiawan, Noor Akhmad., (2015). Perbandingan
Algoritma J48 Dan Naive Bayes Untuk Klasifikasi Diagnosa Penyakit
Pada Soybean. Seminar Nasional : Program Studi Teknologi Informasi
Dan komunikasi, Universitas Gadjah Mada.
Giudici., Figini., (2009). Applied Data Mining for Business and Industry,
2nd Edition.
Patil, T. R., Sherekar, S. S., "Performance analysis of naive bayes and J48
classification algorithm for data classification." International Journal of
Computer Science and Applications 6.2 (2013): 256-261.
Prasetyo, Eko., "Data Mining: Konsep dan Aplikasi Menggunakan Matlab."
(2012).
Santra, A. K., and S. Jayasudha. "Classification of web log data to identify
interested users using Naïve Bayesian classification." International
Journal of Computer Science Issues 9.1 (2012): 381-387.
59
Saputra, Rizal Amegia., (2014). Komparasi Algoritma Klasifikasi Data
Mining Untuk Memprediksi Penyakit Tuberculosis (Tb): Studi Kasus
Puskesmas Karawang Sukabumi. Seminar Nasional : Program Studi
Manajemen Informatika, AMIK BSI Sukabumi.
Permana Yudi, (2018). Perbandingan stemming Porter KBBI dengan Tala
utnuk mencari akurasi klasifikasi topik soal UN Bahasa indoensia
dengan algoritma naïve bayes. SNTI 2018.
Vulandari Tri Retno. (2017). Data Mining Teori dan Aplikasi Rapidminer.
Yogyakarta: Gava Media.
Kusrini dan Lutfhi, Emha Taufiq. (2010). Algoritma Data Mining.
Penerbit Andi : Yogyakarta.
Muis, Imelda. A. dan Affandes, Muhammad. (2016). penerapan metode
Support vector Machin (SVM) Menggunakan Kernel Radial Basis
Function (RBF) Pada Klasifikasi Tweet. Jurnal Sains, Teknologi dan
Industri, Vol. 12, No. 2, Juni 2015,pp.189-197.
C, Dennis Aprilia, dkk. (2013). Belajar Data Mining Dengan Rapid Miner.
Diakses 20 September 2017, dari www.academia.edu.
Kusuma Adi. (2017). Analisa Sentimen Pada Twitter Terhadap Kenaikan
Tarif Dasar Listrik Dengan Metode Naive Bayes.Teknik Informatika:
STT Pelita Bangsa.
Larose, Daniel T .(2006). Data Mining Methods and Models. Hoboken New
Jersey : Jhon Wiley & Sons, Inc.
Witten, I.H., Frank, E. & Hall, M.A. (2011) Data Mining: Practical Machine
Learning Tools and Techniques, Third Edition. Morgan Kaufmann.
60
Philip Kotler (2003), Manajemen Pemasaran – Analisis,
Perencanaan, Implementasi dan Pengendalian, Jilid I – II, Edisi
BahasaIndonesia, Salemba Empat, Jakarta.
Yuda Septian, N. (2009). Data Mining Menggunakan Algoritma Naïve
Bayes Untuk Klasifikasi Kelulusan Mahasiswa Universitas Dian
Nuswantoro. Jurnal Semantik 2013, 1–11.
https://doi.org/10.13140/RG.2.1.4204.3923
Saptono, R., & Suryono, W. D. (2016). Sistem Klasifikasi Keluhan
Pelanggan di UPT TIK UNS Menggunakan Algoritma Naive Bayesian
Classifier, 2016(Sentika), 18–19.
Mahardhika, A. A., Saptono, R., & Anggrainingsih, R. (2015). Sistem
Klasifikasi Feedback Pelanggan Dan Rekomendasi Solusi Atas Keluhan
Di Upt Puskom Uns Dengan Algoritma. Jurnal ITSMART, 4(1), 36–42.
https://doi.org/10.20961/its.v4i1.1806
61
LAMPIRAN
=== Run information ===
Scheme: weka.classifiers.rules.ZeroR
Relation: TESTINGfix
Instances: 60
Attributes: 9
nama pelanggan
Jenis produk roti
Roti berjamur
Temuan binatang
Roti bau tengik
Big hole
Tidak isi
kadaluarsa
Konsumsi
Test mode: split 66.0% train, remainder test
=== Classifier model (full training set) ===
ZeroR predicts class value: layak konsumsi
Time taken to build model: 0 seconds
=== Evaluation on test split ===
Time taken to test model on test split: 0 seconds
=== Summary ===
Correctly Classified Instances 13 65
%
62
Incorrectly Classified Instances 7 35
%
Kappa statistic 0
Mean absolute error 0.4929
Root mean squared error
0.4934
Relative absolute error 100 %
Root relative squared error 100 %
Total Number of Instances 20
=== Detailed Accuracy By Class ===
TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class
0.000 0.000 ? 0.000 ? ? 0.500 0.350 tidak layak konsumsi
1.000 1.000 0.650 1.000 0.788 ? 0.500 0.650 layak
konsumsi
Weighted Avg. 0.650 0.650 ? 0.650 ? ? 0.500 0.545
=== Confusion Matrix ===
a b <-- classified as
0 7 | a = tidak layak konsumsi
0 13 | b = layak konsumsi 65
=== Run information ===,
,
Scheme: weka.classifiers.misc.InputMappedClassifier -I -trim -W weka.classifiers.bayes.NaiveBayes,
Relation: TRAINING,
Instances: 92,
Attributes: 10,
no,
63
nama pelanggan,
Jenis produk roti,
Roti berjamur,
Temuan binatang,
Roti bau tengik,
Big hole,
Tidak isi,
kadaluarsa,
Konsumsi,
Test mode: user supplied test set: size unknown (reading incrementally),
,
=== Classifier model (full training set) ===,
,
InputMappedClassifier:,
,
Naive Bayes Classifier,
,
Class,
Attribute tidak layak konsumsi layak konsumsi,
(0.44) (0.56),
==================================================================================,
no,
mean 42.9 48.4314,
std. dev. 27.9489 24.5981,
weight sum 40 51,
precision 1 1,
,
nama pelanggan,
Ibu Vonie Amelia 2.0 1.0,
Bapak Aji Nugraha 2.0 1.0,
Ibu 2.0 1.0,
64
Ibu Indri Widianingsih 1.0 2.0,
Bapak Bambang 2.0 1.0,
Ibu Ita 1.0 2.0,
Ibu Annisa 1.0 2.0,
Esta 2.0 1.0,
Ibu.Yuni Rusmiati (08121324780) 2.0 1.0,
Ibu Diana 1.0 2.0,
Bapak Munsori 2.0 1.0,
Bapak Ade 1.0 2.0,
Bapak Heri/ibu Ipah (Big Burger) 2.0 1.0,
Bapak Ngurah Suta Wijaya 2.0 1.0,
Bapak Sukron 2.0 1.0,
Ibu Ira 1.0 2.0,
Bapak Gersom Nainggolan 2.0 1.0,
Bapak Henry Sadikin/ Ibu Susi 1.0 2.0,
Ibu Hema 2.0 1.0,
Bapak Iwan 2.0 1.0,
Ibu Ika 1.0 2.0,
Ibu Simanjuntak 2.0 1.0,
Bapak Hendra Cipta 2.0 1.0,
Bapak Reza 2.0 2.0,
Bapak Dian Indra Kencana 1.0 2.0,
Bapak Hans 1.0 2.0,
Ibu Dewi 1.0 2.0,
Ibu Ranti 1.0 2.0,
Ibu Esti 1.0 2.0,
Bpk Boy 1.0 2.0,
Ibu Wati Akiko 1.0 2.0,
Bapak Sutisna 1.0 2.0,
Ibu Ofa 1.0 2.0,
Bapak Yanto (085284298939) 1.0 2.0,
65
Bapak Iron Go 1.0 2.0,
Ibu Erna 1.0 2.0,
Bapak Joni salim 2.0 1.0,
Bpk Didi Ardianto 2.0 1.0,
Bpk Ismail 2.0 1.0,
Bapak Andreas Kostaman 2.0 1.0,
Indrawan, Maria 1.0 2.0,
M.Faizal 1.0 3.0,
Toko 7 Eleven Sunter 1.0 2.0,
Bapak Orghan 1.0 2.0,
Ibu Enggar/Taman Kota 2.0 1.0,
Distributor Jakarta Timur 1 2.0 1.0,
Ibu Susi / Cengkareng 2.0 1.0,
Madlani 2.0 1.0,
Badruzaman 1.0 2.0,
Bpk.Trisnanto Yuono 1.0 2.0,
Ibu Lia 1.0 2.0,
Sabilla Nalendra Duhita 1.0 2.0,
Rizal Tanu 2.0 1.0,
Bapak Rosyid 1.0 2.0,
Bapak Muchin 1.0 2.0,
Bapak Hendra 1.0 2.0,
Bapak Dindin 3.0 2.0,
Bp John Arief 2.0 2.0,
Bapak Soedarsono 3.0 1.0,
Bpk. Syarif Sundawan 1.0 3.0,
Bapak Lukman N 3.0 1.0,
Bapal Hendry 2.0 1.0,
Bapak Eko Budhiarto Gumay Putra 1.0 2.0,
Ibu Lidya Hutagalung 2.0 1.0,
Ibu Yayi 1.0 2.0,
66
Bapak Doni 1.0 2.0,
Ibu Eva 2.0 1.0,
Bapak Sandrino 1.0 2.0,
Bp. John Sinaga 2.0 1.0,
Bpk. Niko Satrio 2.0 1.0,
Ibu Lusi 1.0 2.0,
Ibu Leona 1.0 2.0,
Bp. Asep Komara 1.0 2.0,
Yani Syahril / Karet, Jakarta Timur 1.0 2.0,
Ary Hakim / Ciomas, Bogor 1.0 2.0,
Ismail / Semanggi, Jakarta 1.0 2.0,
Bapak Arief 1.0 2.0,
Ibu Paramitha 1.0 2.0,
Ibu Nurul 1.0 2.0,
Bapak Ganjar Rama 2.0 1.0,
Yayasan TK Al Muslim 1.0 2.0,
Ibu Reni Astuti 2.0 1.0,
Ibu Carlita 2.0 1.0,
[total] 123.0 134.0,
,
Jenis produk roti,
mean 2 2.3137,
std. dev. 0.8944 0.7538,
weight sum 40 51,
precision 1 1,
,
Roti berjamur,
no 21.0 52.0,
ya 21.0 1.0,
[total] 42.0 53.0,
,
67
Temuan binatang,
no 41.0 25.0,
ya 1.0 28.0,
[total] 42.0 53.0,
,
Roti bau tengik,
no 34.0 52.0,
ya 8.0 1.0,
[total] 42.0 53.0,
,
Big hole,
no 41.0 47.0,
ya 1.0 6.0,
[total] 42.0 53.0,
,
Tidak isi,
no 41.0 33.0,
ya 1.0 20.0,
[total] 42.0 53.0,
,
kadaluarsa,
ya 17.0 1.0,
no 25.0 52.0,
[total] 42.0 53.0,
,
,
Attribute mappings:,
,
Model attributes , Incoming attributes
-----------------------------, ----------------
(numeric) no ,--> 1 (numeric) no
68
(nominal) nama pelanggan ,--> 2 (nominal) nama pelanggan
(numeric) Jenis produk roti ,--> 3 (numeric) Jenis produk roti
(nominal) Roti berjamur ,--> 4 (nominal) Roti berjamur
(nominal) Temuan binatang ,--> 5 (nominal) Temuan binatang
(nominal) Roti bau tengik ,--> 6 (nominal) Roti bau tengik
(nominal) Big hole ,--> 7 (nominal) Big hole
(nominal) Tidak isi ,--> 8 (nominal) Tidak isi
(nominal) kadaluarsa ,--> 9 (nominal) kadaluarsa
(nominal) Konsumsi ,--> 10 (nominal) Konsumsi
,
,
Time taken to build model: 0 seconds,
,
=== Evaluation on test set ===,
,
Time taken to test model on supplied test set: 0.01 seconds,
,
=== Summary ===,
,
Correctly Classified Instances 59 98.3333 %,
Incorrectly Classified Instances 1 1.6667 %,
Kappa statistic 0.9667,
Mean absolute error 0.0474,
Root mean squared error 0.135 ,
Relative absolute error 9.4878 %,
Root relative squared error 26.812 %,
Total Number of Instances 60 ,
Ignored Class Unknown Instances 1 ,
,
=== Detailed Accuracy By Class ===,
,
69
TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class,
0.967 0.000 1.000 0.967 0.983 0.967 0.991 0.993 tidak layak konsumsi,
1.000 0.033 0.968 1.000 0.984 0.967 0.992 0.992 layak konsumsi,
Weighted Avg. 0.983 0.017 0.984 0.983 0.983 0.967 0.992 0.992 ,
,
=== Confusion Matrix ===,
,
a b <-- classified as,
29 1 | a = tidak layak konsumsi,
0 30 | b = layak konsumsi,
nama pelanggan,Jenis produk roti,Roti berjamur,Temuan binatang,Roti bau tengik,Big hole,Tidak isi,kadaluarsa,Konsumsi
Ibu Vonie Amelia,1,no,no,no,no,no,ya,tidak layak konsumsi
Bapak Aji Nugraha,1,no,no,no,no,no,ya,tidak layak konsumsi
Ibu ,1,ya,no,no,no,no,ya,tidak layak konsumsi
Ibu Indri Widianingsih,1,no,no,no,ya,no,no,layak konsumsi
Bapak Bambang,1,no,no,no,no,no,ya,tidak layak konsumsi
Ibu Ita,1,no,ya,no,no,no,no,layak konsumsi
Ibu Annisa,1,no,no,no,no,ya,no,layak konsumsi
Esta,1,no,no,ya,no,no,no,tidak layak konsumsi
Ibu.Yuni Rusmiati (08121324780),1,no,no,no,no,no,ya,tidak layak konsumsi
Ibu Diana,1,no,no,no,no,ya,no,layak konsumsi
Bapak Munsori,1,no,no,no,no,no,ya,tidak layak konsumsi
Bapak Ade,1,no,ya,no,no,no,no,layak konsumsi
Bapak Heri/ibu Ipah (Big Burger),1,no,no,no,no,no,ya,tidak layak konsumsi
Bapak Ngurah Suta Wijaya,1,no,no,no,no,no,ya,tidak layak konsumsi
Bapak Sukron,1,no,no,no,no,no,ya,tidak layak konsumsi
Ibu Ira,1,no,no,no,no,ya,no,layak konsumsi
Bapak Gersom Nainggolan,1,ya,no,no,no,no,ya,tidak layak konsumsi
Bapak Henry Sadikin/ Ibu Susi,1,no,no,no,no,ya,no,layak konsumsi
Ibu Hema,1,ya,no,no,no,no,no,tidak layak konsumsi
70
Bapak Iwan,1,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Ika,1,no,ya,no,no,no,no,layak konsumsi
Ibu Simanjuntak,1,no,no,ya,no,no,no,tidak layak konsumsi
Bapak Hendra Cipta,1,no,no,ya,no,no,no,tidak layak konsumsi
Bapak Reza,1,no,no,ya,no,no,no,tidak layak konsumsi
Bapak Dian Indra Kencana,1,no,no,no,no,ya,no,layak konsumsi
Bapak Hans,2,no,no,no,no,ya,no,layak konsumsi
Ibu Dewi ,2,no,ya,no,no,no,no,layak konsumsi
Ibu Ranti,2,no,ya,no,no,no,no,layak konsumsi
Ibu Esti,2,no,no,no,no,ya,no,layak konsumsi
Bpk Boy,2,no,no,no,ya,no,no,layak konsumsi
Ibu Wati Akiko,2,no,no,no,ya,no,no,layak konsumsi
Bapak Sutisna,2,no,ya,no,no,no,no,layak konsumsi
Ibu Ofa,2,no,ya,no,no,no,no,layak konsumsi
Bapak Yanto (085284298939),2,no,no,no,no,ya,no,layak konsumsi
Bapak Reza,2,no,no,no,no,ya,no,layak konsumsi
Bapak Iron Go,2,no,ya,no,no,no,no,layak konsumsi
Ibu Erna,2,no,no,no,no,ya,no,layak konsumsi
Bapak Joni salim,2,ya,no,no,no,no,no,tidak layak konsumsi
Bpk Didi Ardianto,2,ya,no,no,no,no,no,tidak layak konsumsi
Bpk Ismail,2,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Andreas Kostaman,2,ya,no,no,no,no,ya,tidak layak konsumsi
Indrawan, Maria,2,no,no,no,no,ya,no,layak konsumsi
M.Faizal,2,no,no,no,no,ya,no,layak konsumsi
Toko 7 Eleven Sunter,2,no,ya,no,no,no,no,layak konsumsi
Bapak Orghan,2,no,no,no,no,ya,no,layak konsumsi
Ibu Enggar/Taman Kota,2,no,no,ya,no,no,no,tidak layak konsumsi
Distributor Jakarta Timur 1,2,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Susi / Cengkareng,2,ya,no,no,no,no,no,tidak layak konsumsi
Madlani,2,ya,no,no,no,no,no,tidak layak konsumsi
Badruzaman,2,no,no,no,no,ya,no,layak konsumsi
71
Ibu Reza,3,no,ya,no,no,no,no,layak konsumsi
Ibu Emira,3,no,no,no,no,ya,no,layak konsumsi
Bapak Dimoel Ambalat,3,no,no,no,no,ya,no,layak konsumsi
Bapak Wandri Agung,3,no,ya,no,no,no,no,layak konsumsi
Adriadi,3,no,no,no,no,ya,no,layak konsumsi
Adriadi,3,no,ya,no,no,no,no,layak konsumsi
Liya M,3,no,ya,no,no,no,no,layak konsumsi
Satrio,3,no,ya,no,no,no,no,layak konsumsi
7 eleven MOI ,3,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Gloria,3,no,ya,no,no,no,no,tidak layak konsumsi
no,nama pelanggan,Jenis produk roti,Roti berjamur,Temuan binatang,Roti bau tengik,Big hole,Tidak isi,kadaluarsa,Konsumsi
1,Ibu Vonie Amelia,1,no,no,no,no,no,ya,tidak layak konsumsi
2,Bapak Aji Nugraha,1,no,no,no,no,no,ya,tidak layak konsumsi
3,Ibu ,1,ya,no,no,no,no,ya,tidak layak konsumsi
4,Ibu Indri Widianingsih,1,no,no,no,ya,no,no,layak konsumsi
5,Bapak Bambang,1,no,no,no,no,no,ya,tidak layak konsumsi
6,Ibu Ita,1,no,ya,no,no,no,no,layak konsumsi
7,Ibu Annisa,1,no,no,no,no,ya,no,layak konsumsi
8,Esta,1,no,no,ya,no,no,no,tidak layak konsumsi
9,Ibu.Yuni Rusmiati (08121324780),1,no,no,no,no,no,ya,tidak layak konsumsi
10,Ibu Diana,1,no,no,no,no,ya,no,layak konsumsi
11,Bapak Munsori,1,no,no,no,no,no,ya,tidak layak konsumsi
12,Bapak Ade,1,no,ya,no,no,no,no,layak konsumsi
13,Bapak Heri/ibu Ipah (Big Burger),1,no,no,no,no,no,ya,tidak layak konsumsi
14,Bapak Ngurah Suta Wijaya,1,no,no,no,no,no,ya,tidak layak konsumsi
15,Bapak Sukron,1,no,no,no,no,no,ya,tidak layak konsumsi
16,Ibu Ira,1,no,no,no,no,ya,no,layak konsumsi
17,Bapak Gersom Nainggolan,1,ya,no,no,no,no,ya,tidak layak konsumsi
18,Bapak Henry Sadikin/ Ibu Susi,1,no,no,no,no,ya,no,layak konsumsi
19,Ibu Hema,1,ya,no,no,no,no,no,tidak layak konsumsi
72
20,Bapak Iwan,1,ya,no,no,no,no,no,tidak layak konsumsi
21,Ibu Ika,1,no,ya,no,no,no,no,layak konsumsi
22,Ibu Simanjuntak,1,no,no,ya,no,no,no,tidak layak konsumsi
23,Bapak Hendra Cipta,1,no,no,ya,no,no,no,tidak layak konsumsi
24,Bapak Reza,1,no,no,ya,no,no,no,tidak layak konsumsi
25,Bapak Dian Indra Kencana,1,no,no,no,no,ya,no,layak konsumsi
26,Bapak Hans,2,no,no,no,no,ya,no,layak konsumsi
27,Ibu Dewi ,2,no,ya,no,no,no,no,layak konsumsi
28,Ibu Ranti,2,no,ya,no,no,no,no,layak konsumsi
29,Ibu Esti,2,no,no,no,no,ya,no,layak konsumsi
30,Bpk Boy,2,no,no,no,ya,no,no,layak konsumsi
31,Ibu Wati Akiko,2,no,no,no,ya,no,no,layak konsumsi
32,Bapak Sutisna,2,no,ya,no,no,no,no,layak konsumsi
33,Ibu Ofa,2,no,ya,no,no,no,no,layak konsumsi
34,Bapak Yanto (085284298939),2,no,no,no,no,ya,no,layak konsumsi
35,Bapak Reza,2,no,no,no,no,ya,no,layak konsumsi
36,Bapak Iron Go,2,no,ya,no,no,no,no,layak konsumsi
37,Ibu Erna,2,no,no,no,no,ya,no,layak konsumsi
38,Bapak Joni salim,2,ya,no,no,no,no,no,tidak layak konsumsi
39,Bpk Didi Ardianto,2,ya,no,no,no,no,no,tidak layak konsumsi
40,Bpk Ismail,2,ya,no,no,no,no,no,tidak layak konsumsi
41,Bapak Andreas Kostaman,2,ya,no,no,no,no,ya,tidak layak konsumsi
42,"Indrawan, Maria",2,no,no,no,no,ya,no,layak konsumsi
43,M.Faizal,2,no,no,no,no,ya,no,layak konsumsi
44,Toko 7 Eleven Sunter,2,no,ya,no,no,no,no,layak konsumsi
45,Bapak Orghan,2,no,no,no,no,ya,no,layak konsumsi
46,Ibu Enggar/Taman Kota,2,no,no,ya,no,no,no,tidak layak konsumsi
47,Distributor Jakarta Timur 1,2,ya,no,no,no,no,no,tidak layak konsumsi
48,Ibu Susi / Cengkareng,2,ya,no,no,no,no,no,tidak layak konsumsi
49,Madlani,2,ya,no,no,no,no,no,tidak layak konsumsi
50,Badruzaman,2,no,no,no,no,ya,no,layak konsumsi
73
51,Bpk.Trisnanto Yuono,3,no,ya,no,no,no,no,layak konsumsi
52,Ibu Lia,3,no,no,no,no,ya,no,layak konsumsi
53,M.Faizal,3,no,ya,no,no,no,no,layak konsumsi
54,Sabilla Nalendra Duhita,3,no,ya,no,no,no,no,layak konsumsi
55,Rizal Tanu,3,no,no,no,no,no,ya,tidak layak konsumsi
56,Bapak Rosyid,3,no,ya,no,no,no,no,layak konsumsi
57,Bapak Muchin,3,no,ya,no,no,no,no,layak konsumsi
58,Bapak Hendra,3,no,no,no,ya,no,no,layak konsumsi
59,Bapak Dindin,3,no,no,no,no,ya,no,layak konsumsi
60,Bp John Arief,3,no,no,no,no,ya,no,layak konsumsi
61,Bapak Soedarsono,3,ya,no,no,no,no,no,tidak layak konsumsi
62,Bapak Dindin,3,no,no,ya,no,no,no,tidak layak konsumsi
63,Bpk. Syarif Sundawan,3,no,no,no,no,ya,no,layak konsumsi
64,Bapak Lukman N,3,no,no,no,no,no,ya,tidak layak konsumsi
65,Bapal Hendry,3,ya,no,no,no,no,no,tidak layak konsumsi
66,Bapak Eko Budhiarto Gumay Putra,3,no,ya,no,no,no,no,layak konsumsi
67,Ibu Lidya Hutagalung,3,ya,no,no,no,no,no,tidak layak konsumsi
68,Ibu Yayi ,3,no,ya,no,no,no,no,layak konsumsi
69,Bapak Doni,3,no,ya,no,no,no,no,layak konsumsi
70,Ibu Eva,3,ya,no,no,no,no,no,tidak layak konsumsi
71,Bapak Sandrino,3,no,ya,no,no,no,no,layak konsumsi
72,Bp John Arief,3,no,no,no,no,no,ya,tidak layak konsumsi
73,Bp. John Sinaga,3,ya,no,no,no,no,no,tidak layak konsumsi
74,Bapak Soedarsono,3,ya,no,no,no,no,no,tidak layak konsumsi
75,Bapak Dindin,3,no,no,ya,no,no,no,tidak layak konsumsi
76,Bpk. Syarif Sundawan,3,no,no,no,no,ya,no,layak konsumsi
77,Bapak Lukman N,3,no,no,no,no,no,ya,tidak layak konsumsi
78,Bpk. Niko Satrio,3,ya,no,no,no,no,no,tidak layak konsumsi
79,Ibu Lusi,3,no,ya,no,no,no,no,layak konsumsi
80,Ibu Leona,3,no,ya,no,no,no,no,layak konsumsi
81,Bp. Asep Komara ,3,no,no,no,ya,no,no,layak konsumsi
74
82,"Yani Syahril / Karet, Jakarta Timur",3,no,ya,no,no,no,no,layak konsumsi
83,"Ary Hakim / Ciomas, Bogor",3,no,ya,no,no,no,no,layak konsumsi
84,"Ismail / Semanggi, Jakarta",3,no,ya,no,no,no,no,layak konsumsi
85,Bapak Arief,3,no,ya,no,no,no,no,layak konsumsi
86,Ibu Paramitha,3,no,ya,no,no,no,no,layak konsumsi
87,Ibu Nurul,3,no,ya,no,no,no,no,layak konsumsi
88,Bapak Ganjar Rama,3,ya,no,no,no,no,no,tidak layak konsumsi
89,Yayasan TK Al Muslim,3,no,ya,no,no,no,no,layak konsumsi
90,Ibu Reni Astuti,3,ya,no,no,no,no,no,tidak layak konsumsi
91,Ibu Carlita,3,no,no,no,no,no,ya,tidak layak konsumsi
Sabilla Nalendra Duhita,Jenis produk roti,Roti berjamur,Temuan binatang,Roti bau tengik,Big hole,Tidak isi,kadaluarsa,Konsumsi
Ibu Liliana,1,ya,no,no,no,no,no,tidak layak konsumsi
Maju Lestari Catering & PT. HIT Electronic,1,ya,no,no,no,no,no,tidak layak konsumsi
Catering Kumarang Mitra Selaras,1,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Dewi,1,no,ya,no,no,no,no,layak konsumsi
Ibu Dewi,1,no,ya,no,no,no,no,layak konsumsi
Ibu Wita,1,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Dewi,1,no,no,ya,no,no,no,tidak layak konsumsi
Ibu Susi,1,no,ya,no,no,no,no,layak konsumsi
Bpk Sandy Bartiyas,1,no,ya,no,no,no,no,tidak layak konsumsi
Bpk Prihadi Maxsono,1,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Felicia Pranatio,1,no,no,no,ya,no,no,layak konsumsi
Ibu Irul,1,ya,no,no,no,no,no,tidak layak konsumsi
Bpk Herman,1,ya,no,no,no,no,ya,tidak layak konsumsi
Ibu Dewi,1,ya,no,no,no,no,ya,tidak layak konsumsi
Ibu Farina,1,no,ya,no,no,no,no,layak konsumsi
Bapak Slamet Syareat,1,ya,no,no,no,no,no,tidak layak konsumsi
Bpk Victor,1,no,ya,no,no,no,no,layak konsumsi
Ibu Bramani,1,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Eko Ratno.H (Koko),1,no,no,no,ya,no,no,layak konsumsi
75
Bapak Bambang Sumarko,1,no,ya,no,no,no,no,layak konsumsi
Ibu Triwahyu Astuti,1,no,ya,no,no,no,no,layak konsumsi
Bapak H. Yamin Asrofi, MBA,1,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Nur,1,no,no,ya,no,no,no,tidak layak konsumsi
Ibu Hesti,1,no,no,no,no,no,ya,tidak layak konsumsi
Ibu Vonie Amelia,1,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Didi Muharwako (021-70607373),2,no,no,no,no,no,ya,tidak layak konsumsi
Ibu Ida (081380890844),2,no,no,no,no,ya,no,layak konsumsi
Bapak Usman (0811876562),2,no,ya,no,no,no,no,layak konsumsi
Ibu Lidya Hutagalung (QA System PT. Indofood Seasoning),2,no,ya,no,no,no,no,layak konsumsi
Ibu Endang (Bagian Gizi RS.Mitra Keluarga),2,no,ya,no,no,no,no,layak konsumsi
Ibu Dian Sabrina,2,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Ari,2,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Sri Basuki Mulyana,2,no,no,no,no,ya,no,layak konsumsi
Ibu Vonie Amelia,2,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Dian Sabrina,2,no,no,no,no,no,ya,tidak layak konsumsi
Ibu Ida (081380890844),2,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Hesti,2,no,ya,no,no,no,no,layak konsumsi
Ibu Risna,2,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Didi Muharwako (021-70607373),2,no,no,no,no,ya,no,layak konsumsi
Ibu Ari,2,no,no,no,no,ya,no,layak konsumsi
Bapak Khairul,2,no,no,no,no,ya,no,layak konsumsi
Bapak Abudin/Balaraja,2,no,no,no,no,no,ya,tidak layak konsumsi
Ibu Triwahyu Astuti,2,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Nur,2,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Didi Muharwako (021-70607373),2,no,no,no,no,no,ya,tidak layak konsumsi
Ibu Vonie Amelia,2,no,no,no,no,ya,no,layak konsumsi
Ibu Ida (081380890844),2,no,no,no,no,no,ya,tidak layak konsumsi
Ibu Hesti,2,no,ya,no,no,no,no,layak konsumsi
Bapak Iron Go,2,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Andreas Kostaman,2,no,no,no,no,ya,no,layak konsumsi
76
Bpk.Trisnanto Yuono,3,no,ya,no,no,no,no,layak konsumsi
Ibu Lia,3,no,no,no,no,ya,no,layak konsumsi
M.Faizal,3,no,ya,no,no,no,no,layak konsumsi
Sabilla Nalendra Duhita,3,no,ya,no,no,no,no,layak konsumsi
Rizal Tanu,3,no,no,no,no,no,ya,tidak layak konsumsi
Bapak Rosyid,3,no,ya,no,no,no,no,layak konsumsi
Bapak Muchin,3,no,ya,no,no,no,no,layak konsumsi
Bapak Hendra,3,no,no,no,ya,no,no,layak konsumsi
Bapak Dindin,3,no,no,no,no,ya,no,layak konsumsi
Bp John Arief,3,no,no,no,no,ya,no,layak konsumsi
Bapak Soedarsono,3,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Dindin,3,no,no,ya,no,no,no,tidak layak konsumsi
Bpk. Syarif Sundawan,3,no,no,no,no,ya,no,layak konsumsi
Bapak Lukman N,3,no,no,no,no,no,ya,tidak layak konsumsi
Bapal Hendry,3,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Eko Budhiarto Gumay Putra,3,no,ya,no,no,no,no,layak konsumsi
Ibu Lidya Hutagalung,3,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Yayi ,3,no,ya,no,no,no,no,layak konsumsi
Bapak Doni,3,no,ya,no,no,no,no,layak konsumsi
Ibu Eva,3,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Sandrino,3,no,ya,no,no,no,no,layak konsumsi
Bp John Arief,3,no,no,no,no,no,ya,tidak layak konsumsi
Bp. John Sinaga,3,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Soedarsono,3,ya,no,no,no,no,no,tidak layak konsumsi
Bapak Dindin,3,no,no,ya,no,no,no,tidak layak konsumsi
Bpk. Syarif Sundawan,3,no,no,no,no,ya,no,layak konsumsi
Bapak Lukman N,3,no,no,no,no,no,ya,tidak layak konsumsi
Bpk. Niko Satrio,3,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Lusi,3,no,ya,no,no,no,no,layak konsumsi
Ibu Leona,3,no,ya,no,no,no,no,layak konsumsi
Bp. Asep Komara ,3,no,no,no,ya,no,no,layak konsumsi
77
Yani Syahril / Karet, Jakarta Timur,3,no,ya,no,no,no,no,layak konsumsi
Ary Hakim / Ciomas, Bogor,3,no,ya,no,no,no,no,layak konsumsi
Ismail / Semanggi, Jakarta,3,no,ya,no,no,no,no,layak konsumsi
Bapak Arief,3,no,ya,no,no,no,no,layak konsumsi
Ibu Paramitha,3,no,ya,no,no,no,no,layak konsumsi
Ibu Nurul,3,no,ya,no,no,no,no,layak konsumsi
Bapak Ganjar Rama,3,ya,no,no,no,no,no,tidak layak konsumsi
Yayasan TK Al Muslim,3,no,ya,no,no,no,no,layak konsumsi
Ibu Reni Astuti,3,ya,no,no,no,no,no,tidak layak konsumsi
Ibu Carlita,3,no,no,no,no,no,ya,tidak layak konsumsi