pernyataan keaslian penelitian - Ecampus Pelita Bangsa

i

ii

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


cross validation 8 fold Algoritma Naive Bayes .................... 50


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 4.18 Hasil Evaluasi cross validation 8 fold Naive Bayes .............. 38

Tabel 4.19 Hasil akurasi data testing cross validation 8 fold


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 4.24 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 4.30 Hasil Evaluasi percentage split 66 Naive Bayes .................. 45

Tabel 4.31 Hasil akurasi data testing percentage split 66


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


2 Incorrectly Classified Instances 1 atau 1,6667 %

3 Kappa statistic 0.9659



6 Relative absolute error 12,6132%

7 Root relative squared error 28,5918%


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


33


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









Confusion Matrix


25 1 41.6666 Tidak Puas

0 34 56.6666 Puas

Persentase 98,3333%

34





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




kelas asal ke kelas layak konsumsi .

Tabel 4.11 hasil data training matrik

Tabel 4.11 menunjukkan bahwa data yang terklasifikasi Puas sebanyak 46


Confusion Matrix

a b akurasi Kelas Kepuasan

44 1 48.35164

Tidak Puas

0 46 50.54945 Puas

Persentase 98,9011%

35



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


1 Correctly Classified Instances 59 atau 98.3333 %

2 Incorrectly Classified Instances 1 atau 1.6667 %




6 Relative absolute error 17.0152%

7 Root relative squared error 32.6834%


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


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


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


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













Tabel 4.16 hasil akurasi data training kepuasan pelanggan

No Klasifikasi

Training cross validation 8 fold

naïve bayes Akurasi


1 Puas 46 0 50.54945

2 Tidak Puas 44 1 48.35164


38



kelas asal ke kelas puas.






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



2 Incorrectly Classified Instances 1 atau 1.6667 %




6 Relative absolute error 17.0152%

7 Root relative squared error 32.6834%

Confusion Matrix


44 1 48.35164

Tidak puas

0 46 50.54945 Puas

Persentase 98,9011%

%

39


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


1 Puas 34 0 56.66667

2 Tidak puas 25 1 41.66667


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



Confusion Matrix


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


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




3 Kappa statistic 0



6 Relative absolute error 100 %

7 Root relative squared error 100 %


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


1 Puas 22 0 48.8889

2 Tidak Puas 0 23 0




kelas asal ke kelas puas.



data, dan data tidak puas sebanyak 0 data dan 23 data keluar dari kelas

asalnya.



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


0 23 0

Tidak Puas

0 22 48.8889 Puas

Persentase 48.8889%

%

42

Tabel 4.24 Hasil Evaluasi percentage split 50 Naive Bayes


1 Correctly Classified Instances 18 atau 60 %

2 Incorrectly Classified Instances 12 atau 40%

3 Kappa statistic 0



6 Relative absolute error 100%

7 Root relative squared error 100%


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


1 Puas 18 0 60

2 Tidak Puas 0 12 0

Persentase 18 12 60%


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


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


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




3 Kappa statistic 0



6 Relative absolute error 100 %

7 Root relative squared error 100 %


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


1 Puas 0 16 0

2 Tidak Puas 15 0 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






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


1 Correctly Classified Instances 13 atau 65 %

2 Incorrectly Classified Instances 7 atau 35%

3 Kappa statistic 0



6 Relative absolute error 100%

7 Root relative squared error 100%


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


1 Puas 13 0 65

2 Tidak Puas 0 7 0

Persentase 13 7 65%


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


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







6 Relative absolute error 4.1648 % 17.0152%

7 Root relative squared error 21,0549 % 32.6834%


9 Accuracy 98,9011 % 98.3333 %


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


50

4.4.3 Hasil analisis pendekatan training set dan testing cross

validation 8 fold Algoritma Naive Bayes


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







6 Relative absolute error 4.1648 % 17.0152%

7 Root relative squared error 21,0549 % 32.6834%


9 Accuracy 98,9011 % 98.3333 %


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


split 50 Algoritma Naive Bayes


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




3 Kappa statistic 0 0



6 Relative absolute error 100 % 100%

7 Root relative squared error 100 % 100%


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


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


split 66 Algoritma Naive Bayes


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


53

Tabel 4.37 hasil data training test dan testing percentage split 66 naïve bayes




3 Kappa statistic 0 0



6 Relative absolute error 100 % 100%

7 Root relative squared error 100 % 100%


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


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.

http://www.academia.edu/

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

Documents

pernyataan keaslian penelitian - Ecampus Pelita Bangsa