prediksi data buku yang sering dipinjam berdasarkan kategori pada
advertisement
DRAFT JURNAL PREDIKSI DATA BUKU YANG SERING DIPINJAM BERDASARKAN KATEGORI PADA PERPUSTAKAAN DAERAH DEMAK MENGGUNAKAN NAÏVE BAYES Lisa Serovia1,Slamet Sudaryanto2 Email :[email protected],[email protected] Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas Dian Nuswantoro Jl. Nakula I No. 5-11 Semarang 50131 Telp : (024) 3517261, Fax : (024) 3520165 ABSTRAK Kegiatan atau jasa utama Perpustakaan Daerah Demak adalah peminjaman buku dan materi lainnya sehingga salah satu tolak ukur keberhasilan Perpustakaan Daerah Demak adalah dengan banyaknya buku yang dipinjam pada Perpustakaan Daerah Demak. Pengelola perpustakaan (pustakawan) perlu mengetahui apakah masyarakat memahami pentingnya peranan perpustakaan dalam hal pendidikan dengan menggunakan suatu prediksi. Sistem prediksi yang selama ini dilakukan oleh Perpustakaan Daerah Demak hanya mengandalkan prediksi tradisional dalam prediksi buku yang serinng dipinjam pada tiap bulannya. Prediksi tradisional disini adalah dalam bentuk buku yang sering dipinjam yang dilakukan dalam jumlah yang sama dari bulan ke bulan tanpa adanya perhitungan terlebih dahulu. Tujuan dari penelitian ini adalah menerapkan metode Naive Bayes untuk memprediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak karena sulitnya memprediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak. Metode prediksi yang digunakan dalam penelitian ini adalah metode Naive Bayes.Hasil prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes dapat memberikan hasil nilai prediksi untuk dijadikan sebagai prediksi buku yang sering dipinjam pada Perpustakaan Daerah Demak. Kata Kunci : Prediksi, Perpustakaan Daerah Demak, Naive Bayes ABSTRACT Activity and main services of Demak Regional Library are borrowing books and other materials, so one of the measured factors that impact the success of Demak Regional library is the number of books is borrowed at Demak Regional Library. Library manager (librarian) needs to know whether the public understands the importance of the role of the library in terms of education by using a prediction. The prediction system current used by Demak Regional Library only rely on traditional prediction for predict the often borrowed books in every month. The traditional prediction that means is the often books are borrowed that count how many quantity books borrowed in every month without any calculation before. The goal of this research is to apply the Naïve Bayes method for predict the data of books often borrowed in Demak Regional Library because of the difficulty in predicting the data of books often borrowed in Demak Regional Library. The prediction method used in this research is naïve Bayes method. The prediction result of 1 DRAFT JURNAL data books is often borrowed in Demak Regional Library use Naïve Bayes can give the predict result value for became a prediction of books are often borrowed in Demak Regional Library. Keyword: Prediction, Demak Regional Library, Naïve Bayes I. PENDAHULUAN 1.1 Latar Belakang Di era teknologi saat ini, teknologi informasi banyak digunakan untuk menyajikan layanan informasi. Kebutuhan akan layanan informasi yang cepat, akurat dan relevan telah membuat teknologi informasi semakin diminati. Ini ditunjukan dengan berbagai penggunaan aplikasi yang menunjang kegiatan atau aktivitas dalam dunia perpustakaan. Perpustakaan adalah suatu ruangan yang merupakan bagian dari gedung (bangunan) atau gedung tersendiri yang berisi buku-buku koleksi yang diatur dan disusun demikian rupa sehingga mudah untuk dicari dan dipergunakan apabila sewaktu-waktu diperlukan oleh pembaca yang merupakan pusat informasi dimana bahan-bahan perpustakaan dikumpulkan, diolah, disimpan dan dipelihara untuk kemudian disebarluaskan agar dapat dimanfaatkan semaksimal mungkin oleh masyarakat [1]. Perpustakaan Daerah Demakadalah sebuah perpustakaan yang berorientasi pada peningkatan minat dan budaya baca masyarakat maka mutlak diperlukan partisipasi dari semua pihak untuk mewujudkan misi sebagai perpustakaan sebagai sumber informasi, inspirasi menuju Demak semakin sejahtera. Kalangan akademisi (pelajar, mahasiswa, guru), kalangan umum dan semua Satuan Kerja Perangkat Daerah (SKPD) perlu dirangkul untuk mewujudkan misi tersebut. Kegiatan atau jasa utama Perpustakaan Daerah Demak adalah peminjaman buku dan materi lainnya sehingga salah satu tolak ukur keberhasilan Perpustakaan Daerah Demak adalah dengan banyaknya buku yang dipinjam pada Perpustakaan Daerah Demak. Dalam upaya meningkatkan peminjaman buku, diperlukan salah satu strategi dalam hal prediksi buku yang sering dipinjam yaitu sebuah sistem yang dapat memahami kebutuhan dan karateristik dari pengguna perpustakaan melalui buku yang sering dipinjam. Pengelola perpustakaan (pustakawan) perlu mengetahui apakah masyarakat memahami pentingnya peranan perpustakaan dalam hal pendidikan dengan menggunakan suatu prediksi. Prediksi yaitu memperkirakan sesuatu pada waktu yang akan datang berdasarkan data masa lampau yang dianalisis secara ilmiah, khususnya menggunakan suatu metode [2]. Terdapat dua jenis prediksi berdasarkan pendekatan yaitu prediksi kualitatif dan kuantitatif. Pada penelitian ini digunakan model Naive Bayes yang merupakan bagian dalam peramalan kuantitatif. Di sini data sebelumnya dikumpulkan, dipelajari dan dianalisis dihubungkan dengan perjalanan waktu yang hasilnya dapat menyampaikan sesuatu yang akan terjadi di masa yang akan datang. Dengan demikian seorang pustakawan yang bertanggung jawab perlu untuk mengetahui hasil prediksi buku yang sering oleh pengunjung utuk bulan berikutnya.Sistem prediksi yang selama ini dilakukan oleh Perpustakaan Daerah Demak hanya mengandalkan prediksi tradisional dalam prediksi buku yang serinng dipinjam pada tiap bulannya. Prediksi tradisional disini adalah dalam bentuk buku yang sering dipinjam yang dilakukan dalam jumlah yang sama dari bulan ke bulan tanpa adanya perhitungan terlebih dahulu. Penelitian ini diharapkan dapat membangun sebuah sistem dalam melakukan prediksi buku yang sering dipinjam pada Perpustakaan Daerah 2 DRAFT JURNAL Demak. Dari latar belakang masalah diatas akan dibangun sistem prediksi dimana sistem ini nantinya memberikan informasi mengenai buku yang sering dipinjam pada Perpustakaan Daerah Demak dengan judul ”Prediksi Data Buku Yang Sering Dipinjam Berdasarkan Kategori Pada Perpustakaan Daerah Demak Menggunakan Naive Bayes ”. 1.1. PERUMUSAN MASALAH Berdasarkan latar belakang permasalahan di atas, penulis dapat membuat suatu perumusan masalah yaitubagaimana menerapkan metode Naive Bayes untuk memprediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak karena sulitnya memprediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak. 1.2. PEMBATASAN MASALAH Untuk lebih memfokuskan pada permasalahan yang akan diteliti, maka penelitian ini dibatasi sebagai berikut 1. Historis data buku yang digunakan dalam penelitian ini hanya data peminjaman buku pada bulan Oktober 2016. 2. Prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demakmenggunakan Naive Bayes disimulasikan dengan menggunakan PHP dan MySQL. 2.1.TUJUAN PENELITIAN Tujuan yang ingin dicapai dalam penelitian ini adalah menerapkan metode Naive Bayes untuk memprediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak karena sulitnya memprediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak. 2.2.MANFAAT PENELITIAN Manfaat yang diharapkan dapat diperoleh dari penelitian ini adalah sebagai berikut: 1. Bagi Perpustakaan Daerah Demak Dapat digunakan untuk menentukan buku yang sering dipinjam pada Perpustakaan Daerah Demak sehingga dapat meningkatkan pelayanan Perpustakaan Daerah Demak. 2. Bagi Akademik Sebagai bahan referensi yang dapat dipergunakan untuk perbandingan dan kerangka acuan untuk persoalan yang sejenis, sehingga dapat meningkatkan kualitas pendidikan.Serta dapat menjadi bahan acuan dan dorongan bagi akademik. 3. Bagi Penulis Menambah wawasan pengetahuan dan pengalaman penulis mengenai pembuatan prediksi menggunakan metode Naive Bayes II. TINJAUAN PUSTAKA 2.1 Tinjuan Studi Penelitianterdahulu berjudul ”Analisa Algorithma Apriori Untuk Mendapatkan Pola Peminjaman Buku Perpustakaan SMPN 3 Batanghari”. Data yang dimiliki oleh suatu institusi merupakan salah satu aset dari institusi tersebut. Adanya kegiatan operasional sehari-hari akan semakin memperbanyak jumlah data transaksi. Jumlah data transaksi yang begitu besar justru bisa menjadi masalah bila instansi tersebut tidak bisa memanfaatkannya. Dalam penelitian ini, peneliti akanmemanfaatkan algoritma apriori untuk mengelompokkan data peminjaman buku perpustakaan SMPN 3 Batanghari berdasarkan kecenderungannya yang muncul bersamaan dalam suatu kegiatan kunjungan pustaka. Dalam melakukan proses peminjaman buku, tentu saja data mentah akan diolah dengan membaginya kedalam pecahan-pecahan data yang berbeda. Diantara tabel data peminjaman buku yang diolah adalah tabel peminjaman secara umum, tabel kandidat 2-itemset, tabel kandidat 3-itemset, tabel tabular peminjaman, tabel nilai support, tabel nilai confidence dan mendapatkan pola peminjaman buku.Hasil dari penelitian ini berupa gambaran pola peminjaman buku perpustakaan SMPN 3 Batanghari.Dengan mendapatkan pengetahuan dari algoritma ini, dapat dijadikan rujukan bagi pihak sekolah dalam pengadaan dan penempatan bukubuku perpustakaan [3]. 3 DRAFT JURNAL Penelitian terdahulu berjudul ” Penerapan Data Mining Untuk Mengolah Data Penempatan Buku Di Perpustakaan SMK TI PAB 7 Lubuk Pakam Dengan Metode Association Rule”. Pertumbuhan yang pesat dari akumulasi data telah menciptakan kondisi kaya akan data tapi minim informasi. Data mining merupakan penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Dengan memanfaatkan data kunjungan perpustakaan, dapat menggali informasi tentang buku-buku apa yang sering dipinjam oleh siswa dan keterkaitan antar masing–masing peminjaman sehingga dapat melakukan penyusunan buku sesuai dengan tingkat support dan confidence. Kemudian setelah itu dibuat suatu aplikasi yang dapat menujukkan lokasi buku secara lebih spesifik sehingga memudahkan pencarian bagi para pengunjung. Penelitian yang dibuat di SMK TI PAB 7 Lubuk Pakam ini dibuat dengan menggunakan beberapa software seperti XL Miner untuk data mining dan Visual Basic 6.0 untuk aplikasi pencari buku. Sementara untuk basis data digunakan Microsoft Access dan software – software pendukung lainnya.Hasil penelitian ini adalah, pertama, dalam tumpukan data kunjungan perpustakaan, terdapat pengetahuan yang bermanfaat bagi perpustakaan itu dan para pengunjung perpustakaan tersebut, kedua, hasil mining data kunjungan perpustakaan SMK TI PAB 7 Lubuk Pakam didapatkan informasi bahwa buku yang paling sering dipinjam oleh siswa dengan nilai support 9 adalah buku Biologi Kelas X, ketiga, terdapat beberapa aturan asosiasi yang memiliki nilai confidence 100% misalnya jika meminjam Conversation dan matematika bilingual maka meminjam Matematika X. Artinya jika meminjam buku Conversation dan matematika maka kemungkinan meminjam matematika bilingual adalah 100% [4]. Penelitian terdahulu berjudul ”Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga”. Peranan listrik sangat penting bagi setiap lapisan masyarakat bahkan listrik juga sangat dibutuhkan sebagai sarana produksi dan untuk kehidupan seharihari, begitu pentingnya peranan listrik tentu saja berdampak pada permintaan listrik yang semakin besar tapi hal ini kiranya tidak linier dengan persediaan listrik yang belum mampu memenuhi permintaan listrik yang begitu besar tersebut. Untuk mengatasi hal ini perlu adanya campur tangan pemerintah dan masyarakat dalam menggunakan listrik dengan bijak sehingga kebutuhan listrik tidak menjadi lebih besar dari persediaan listrik. Oleh karena itu setiap rumah tangga haruslah paham penggunaan listrik yang efektif. Penerapan metode naïve bayes diharapkan mampu untuk memprediksi besarnya penggunaan listrik tiap rumah tangga agar lebih mudah mengatur penggunaan listrik. dari 60 data penggunaan listrik rumah tangga yang diuji dengan metode naïve bayes, maka diperoleh hasil persentase 78,3333% untuk keakuratan prediksi, di mana dari 60 data penggunaan listrik rumah tangga yang diuji terdapat 47 data penggunaan listrik rumah tangga yang berhasil diklasifikasikan dengan benar [5]. Tabel 2.1. Penelitian Terdahulu 2.2 Tinjaun Pustaka 2.2.1 Peramalan atau Prediksi Forecasting atau peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Dalam kehidupan 4 DRAFT JURNAL sosial segala sesuatu itu tidak pasti, sukar untuk diperkirakan secara tepat.Forecast yang dibuat selalu diupayakan agar dapat meminimumkan pengaruh ketidakpastian ini terhadap perusahaan. Dengan kata lainforecasting bertujuan mendapatkan forecast yang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan Mean Squared Error (MSE), Mean Absolute Error (MAE) dan sebagainya [2]. 2.2.1.1 Jenis Permalan Jenis-jenis peralaman yaitu [2]: 1. Berdasarkan Jangka Waktu Peramalan berdasarkan waktunya dibedakan menjadi dua, yaitu peramalan jangka panjang yang biasanya dilakukan oleh para pemimpin puncak suatu perusahaan dan bersifat umum, sedangkan peramalan jangka pendek yaitu yang biasanya dilakukan oleh pemimpin pada tinngkat menengah maupun bawah dan lebih bersifat operasional. 2. Berdasarkan Metode Berdasarkan metode dibedakan menjadi dua yaitu: a. Metode Kualitatif peramalan dengan metode ini adalah peramalan yang lebih didasarkan atas intuisi dan penilaian orang yang melakukan peramalan dari pada pemanipulasian data historis yang tersedia. b. Metode Kuantitatif peramalandengan metode kuantitatif adalah peramalan yng didasarkan atas pemanipulasian data yang tersedia secara memadai serta tanpa intuisi maupun penilaian subyektif dari orang yang melakukan peramalan. 2.2.1.2 Proses Peramalan Proses peramalan biasanya terdiri dari langkah-langkah sebagai berikut[2]: 1. Penentuan Tujuan Analisis membicarakan dengan para pembuat keputusan dalam perusahaan untuk mengetahui apa kebutuhankebutuhan mereka dan menentukan: a. Variabel-variabel apa yang akan diestimasi. b. Siapa yang akan menggunakan hasil peramalan. c. Untuk tujuan-tujuan apa hasil peramalan digunakan. d. Estimasi jangka panjang atau jangka pendek yang diinginkan. e. Derajat ketepatan estimasi yang diinginkan. f. Kapan estimasi dibutuhkan. g. Bagian-bagian peramalan yang diinginkan, seperti peramalan untuk kelompok pembeli, kelompok produk atau daerah geografis. 2. Pengembangan Model Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan model, yang merupakan penyajian secara lebih sederhana sistem yang dipelajari. Dalam peramalan, model adalah suatu kerangka analitik yang apabila dimasukan data masukan menghasilkan estimasi penjualan di waktu mendatang (atau variabel apa saja yang akan diramal). Analisis hendaknya memilih suatu model yang menggambarkan secara realistis perilaku variabel-variabel yang dipertimbangkan. 3. Pengujian Model Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat akurasi, validitas, dan reliabilitas yang diharapkan.Ini sering mencakup penerapannya pada data historis, dan penyiapan estimasi untuk tahun-tahun sekarang dengan data nyata yang tersedia.Nilai suatu model ditentukan oleh derajat ketepatan hasil peramalan data aktual. 4. Penerapan Model Setelah pengujian, analisis merupakan model dalam tahap ini, data historis dimasukan dalam model untuk menghasilkan suatu ramalan. 5. Revisi dan Evaluasi Ramalan-ramalan yang telah dibuat harus senantiasa diperbaiki dan ditinjau kembali.Perbaikan mungkin perlu dilakukan karena adanya perubahanperubahan dalam perusahaan atau lingkunganya, seperti tingkat harga produk perusahaan, karakteristikkarakteristik produk, pengeluranpengeluaran pengiklanan, tingkat pengeluaran pemerintah, kebijakan moneter dan kemajuan teknologi.Evaluasi, di pihak lain, merupakan perbandingan ramalanramalan dengan hasil nyata untuk menilai ketepatan penggunaan suatu metodologi 5 DRAFT JURNAL atau teknik peramalan. Langkah ini diperlukan untuk menjaga kualitas estimasi-estimasi di waktu yang akan datang. 2.2.2 Perpustakaan Perpustakaan adalah suatu ruangan yang merupakan bagian dari gedung (bangunan) atau gedung tersendiri yang berisi buku-buku koleksi yang diatur dan disusun demikian rupa sehingga mudah untuk dicari dan dipergunakan apabila sewaktu-waktu diperlukan oleh pembaca yang merupakan pusat informasi dimana bahan-bahan perpustakaan dikumpulkan, diolah, disimpan dan dipelihara untuk kemudian disebarluaskan agar dapat dimanfaatkan semaksimal mungkin oleh masyarakat [1]. Jenis-jenis perpustakaan diantaranya : 1. Perpustakan Internasional perpustakaan yang didirikan oleh dua negara atau lebih atau merupakan bagian dari sebuah organisasi internasional. 2. Perpustakaan Nasional Perpustakaan yang diselenggarakan ditingkat nasional sebagai perpustakaan deposit yang menghimpun terbitan dinegara yang bersangkutan dan semua terbitan mengenai negara tersebut. 3. Perpustakaan Daerah perpustakaan yang melayani penduduk suatu daerah tertentu secara demokratif. 4. Perpustakaan Umum perpustakaan yang diselenggarakan dilingkungan suatu instansi atau dinas sebagai penunjang kelancaran dan keberhasilan instansi yang bersangkutan. 5. Perpustakaan Perguruan Tinggi perpustakaan yang diselenggarakan dilingkungan perguruan tinggi sebagai penunjang tridarma perguruan tinggi. 6. Perpustakaan Sekolah sebuah ruangan atau gedung yang berisi buku-buku dan bahan lainnya, yang disusun secara teratur dan sistematis. Yang dimaksud disusun secara teratur dan sistematis adalah disusun menurut suatu sistem tertentu, untuk memudahkan para petugas dan para pemakai dalam mencari informasi yang diperlukan dengan cepat, tepat dan mudah. Tujuan perpustakaan dalam hal fungsi dan pelayanan terhadap pelaksanaan program pendidikan sekolah antara lain : 1. Sebagai sumber kegiatan belajar mengajar, yaitu membantu program pendidikan dan pengajaran sesuai dengan tujuan yang terdapat alam kurikulum. Mengembangkan kemampuan anak menggunakan sumber informasi. Bagi guru, perpustakaan merupakan tempat untuk membantu guru dalam mengajar dan memperluas pengetahuan. 2. Membantu siswa untuk memperjelas dan memperluas pengetahuannya pada setiap bidang studi. Oleh karena itu, perpustakaan dapat dijadikan sebagai semacam laboratorium yang sesuai dengan tujuan didalam kurikulum. 3. Mengembangkan minat dan budaya membaca yang menuju kebiasaan belajar mandiri. 4. Membantu siswa dalam mengembangkan bakat , minat, dan kegemarannya. 5. Membiasakan siswa untuk mencari informasi di perpustakaan. Kemahiran siswa untuk mencari informasi di perpustakaan akan menolongnya untuk mampu belajar secara mandiri dan memperlancar dalam mengikuti pelajaran selanjutnya. 6. Merupakan tempat untuk mendapatkan bahan rekreasi sehat melalui buku-buku bacaan yang sesuai dengan umur dan tingkat kecerdasan siswa. 7. Memperluas kesempatan belajar bagi siswa. Berdasarkan tujuan perpustakaan tersebut maka dapat disimpulkan beberapa fungsi perpustakaan diantaranya : 1. Fungsi Edukatif Perpustakaan harus mampu membangkitkan minat baca para siswa mengembangkan daya ekspresi, 6 DRAFT JURNAL mengembangkan kecakapan berbahasa, mengembangkan daya fisik yang rasional. 2. Fungsi Informatif Perpustakaan harus mampu menyediakan bahan-bahan yang beraneka ragam, bermutu dan up to date, yang disusun secara teratur dan sistematis untuk memudahkan para petugas dan para pemakainya dalam mencari informasi yang diperlukan. 3. Fungsi Administratif Perpustakaan harus mengerjakan pencatatan, penyelesaian dan pemrosesan bahan dan pustaka serta menyelenggarakan sirkulasi yang praktis, efisien dan efektif. 4. Fungsi Rekreatif Perpustakaan harus menyediakan buku-buku yang bersifat rekreatif (hiburan) yang bermutu, yang dapat digunakan para pembaca untuk mengisi waktu senggang 2.2.3 Bayesian Publikasi model Bayesian Inference pertama kali disampaikan oleh Thomas Bayes pada tahun 1958 kemudian disempurnakan oleh Laplace. Teorema Bayes digunakan untuk menghitung probabilitas terjadinya suatu peristiwa berdasarkan pengaruh yang didapat dari hasil observasi.Dalam teori, klasifikator Bayes mempunyai angka error minimum dibandingkan dengan semua klasifikator lainnya yang dikembangkan dalam penambahan data.Akan tetapi, di dalam praktek tidak selalu demikian halnya karena ketidak akuratan dalam asumsi sifat-sifat dan saling bebas bersyarat.Metode Bayes adalah bagian dari Sistem Penunjang Keputusan Berbasis Indek Kerja.Bayes Merupakan teknik yang digunakan untuk melakukan analisis dalam pengambilan keputusan terbaik dari sejumlah alternatif untuk penilaian langsung dan seragam.Metode Bayes adalah teknik yang digunakan untuk melakukan analisis dalam pengambilan keputusan terbaik dari sejumlah alternatif [6].Bayesianmempunyai berbagai keuntungan jika dibandingkan dengan beberapa teori lainnya, yaitu : 1. Interpolation. Bayesianmenghubungkan segala hal dengan teori-teori engineering.Pada saat berhadapan dengan suatu masalah, terdapat pilihan mengenai seberapa besar waktu dan usaha yang dilakukan oleh manusia dengan komputer.Pada saat membuat suatu sistem, terlebih dahulu diharuskan untuk membuat sebuah model keseluruhan dan ditentukan faktor pengontrol pada model tersebut.Bayesianmenghubungkan perbedaan yang besar karena Bayesianprior dapat menjadi sebuah delta function dari suatu model yang luas. 2. Language. Bayesian mempunyai bahasa tersendiri untuk menetapkan hal-hal yang prior dan posterior.Hal ini secara signifikan membantu pada saat menyelesaikan bagian yang sulit dari sebuah solusi. 3. Intuitions Bayesian melibatkan prior dan integration, dua aktivitas yang berguna secara luas. Teori Bayesian juga dapat digunakan sebagai alat pengambilan keputusan untuk memperbaharui tingkat kepercayaan dari suatu informasi. Teori probabilitas Bayesian merupakan satu dari cabang teori statistik matematik yang memungkinkan kita untuk membuat satu model ketidakpastian dari suatu kejadian yang terjadi dengan menggabungkan pengetahuan umum dengan fakta dari hasil pengamatan. Teori Bayesian diadopsi dari nama penemunya yaitu Thomas Bayes sekitar tahun 1950, yang sering ditemukan pada studi-studi ilmu statistika yang berbasis pada teorema atau aturan Bayes. Teori Bayesian merupakan sebuah teori kondisi probalititas yang memperhitungkan probabilitas suatu kejadian (hipotesis) bergantung pada kejadian lain (bukti). Pada dasarnya, teorema tersebut mengatakan bahwa kejadian dimasa depan dapat dprediksi dengan syarat kejadian sebelumnya telah terjadi. Statement teori bayes P(A|B)P(B)=P(A,B)=P(B|A)P(A) 7 DRAFT JURNAL dimana P(A|B) adalah probabilitas gabungan kejadian A dan B membagi kedua sisi dengan P(B), didapat: P(A|B)= π(π΅|π΄)π(π΄) ……………………… π(π΅) ….. 2.1 Secara umum teorema Bayes dapat dituliskan dalam bentuk: π(π΅|π΄π )π(π΄π) P(Ai|B)=∑π(π΅|π΄π)π(π΄π) ………………………..2.2 Teori Bayesian mempunyai beberapa kelebihan, yaitu: 1. Mudah untuk dipahami. 2. Hanya memerlukan pengkodean yang sederhana. 3. Lebih cepat dalam penghitungan. Kaitan antara Naïve Bayes dengan klasifikasi, korelasi hipotesis dan bukti klasifikasi adalah bahwa hipotesis dalam teorema Bayes merupakan label kelas yang menjadi target pemetaan dalam klasifikasi, sedangkan bukti merupakan fitur-fitur yang menjadikan masukkan dalam model klasifikasi. Jika X adalah vektor masukkan yang berisi fitur dan Y adalah label kelas, Naïve Bayes dituliskan dengan P(X|Y). Notasi tersebut berarti probabilitas label kelas Y didapatkan setelah fitur-fitur X diamati. Notasi ini disebut juga probabilitas akhir (posterior probability) untuk Y, sedangkan P(Y) disebut probabilitas awal (prior probability) Y. Selama proses pelatihan harus dilakukan pembelajaran probabilitas akhir P(Y|X) pada model untuk setiap kombinasi X dan Y bedasarkan informasi yang didapat dari data latih. Dengan membangun model tersebut, suatu data uji Xβ dapat diklasifikasikan dengan mencari nilai Yβ dengan memaksimalkan nilai P(Xβ|Yβ) yang didapat. Formulasi Naïve Bayes untuk klasifikasi adalah : ………………………….2.3 P(Y|X) adalah probabilitas data dengan vektor X pada kelas Y. P(Y) adalah probabilitas awal kelas Y. adalah probabilitas independen kelas Y dari semua fitur dalam vektor X. Nilai P(X) selalu tetap sehingga dalam perhitungan prediksi nantinya kita tinggal menghitung bagian dengan memilih yang terbesar sebagai kelas yag dipilih sebagai hasil prediksi. Sementara probabilitas independen tersebut merupakan pengaruh semua fitur dari data terhadap setiap kelas Y, yang dinotasikan dengan ………………………..2.4 Setiap set fitur X = {X1, X2, X3,…, Xq} terdiri atas q atribut (q dimensi). Umumnya, Bayes mudah dihitung untuk fitur bertipe kategoris seperti pada kasus klasifikasi hewan dengan fitur “penutup kulit dengan nilai {bulu, rambut, cangkang} atau kasus fitur “jenis kelamin” dengan nilai {pria, wanita}. Namun untuk fitur dengan tipe numerik (kontinu) ada perlakuan khusus sebelum dimasukkan dalam Naïve Bayes. Caranya adalah : 1. Melakukan diskretisasi pada setiap fitur kontinu dan mengganti nilai fitur kontinu tersebut dengan nilai interval diskret. Pendekatan ini dilakukan dengan mentransformasikan fitur kontinu ke dalam fitur ordinal. 2. Mengasumsikan bentuk tertentu dari distribusi probabilitas untuk fitur kontinu dan memperkirakan parameter distribusi dengan data pelatihan. Distribusi Gaussian biasanya dipilih untuk merepresentasikan probabilitas bersyarat dari fitur kontinu pada sebuah kelas P(Xi|Y), sedangkan distribusi Gaussian dikarakteristikkan dengan dua parameter : mean, µ dan varian . Untuk setiap kelas yj, probabilitas bersyarat kelas yj untuk fitur Xi adalah 8 DRAFT JURNAL ………………….2.5 Parameter πππ bisa didapat dari mean sampel Xi (x) dari semua data latih yang menjadi milik kelas yj, sedangkan πΏππ dapat diperkirakan dari varian sampel (s2) dari data latih. Klasifikasi dengan Naïve Bayes bekerja berdasarkan teori probabilitas yang memandang semua fitur dari data sebagai bukti dalam probabilitas. Hal ini memberikan karakteristik Naïve Bayes sebagai berikut : 1. Metode Naïve Bayes bekerja teguh (robust) terhadap data-data yang terisolasi yang biasanya merupakan data dengan karakteristik berbeda (outliner). Naïve Bayes juga bisa menangani nilai atribut yang salah dengan mengabaikan data latih selama proses pembangunan model dan prediksi. 2. Tangguh menghadapi atribut yang tidak relevan. 3 Atribut yang mempunyai korelasi bisa mendegradasi kinerja klasifikasi Naïve Bayes karena asumsi independensi atribut tersebut sudah tidak ada. 2.2.4. Data Mining 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 databasebesar [7]. Istilah data miningmemiliki hakikat sebagai disiplin ilmu yang tujuan utamanya adalah untuk menemukan, menggali, atau menambang pengetahuan dari data atau informasi yang dimiliki.Data mining disebut juga sebagai Knowledge Discovery in Database (KDD). KKD adalah adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. 1. Metode Pelatihan Secara garis besar metode pelatihan yang digunakan dalam teknik-teknik 2. 3. data mining dibedakan ke dalam dua pendekatan, yaitu: a. Unsuperyised Learning Metode ini diterapkan tanpa adanya latihan (training) dan tanpa ada guru (teacher).Guru di sini adalah label dari data. b. Supervised Learning Metode belajar dengan adanya latihan dan pelatih.Dalam pendekatan ini, untuk menemukan fungsi keputusan, fungsi pemisah atau fungsi regresi, digunakan beberapa contoh data yang mempunyai output atau label selama proses training. Pengelompokan Data Mining Ada beberapa teknik yang dimiliki data mining berdasarkan tugas yang bias dilakukan, yaitu: a. Deskripsi Para peneliti biasanya mencoba menemukan cara untuk mendiskripsikan pola dan tren yang tersembunyi dalam data. b. Estimasi Estimasi mirip dengan klasifikasi, kecuali variable tujuan yang lebih kearah numeric dari pada kategori. c. Prediksi Prediksi memiliki kemiripan dengan estimasi dan klasifikasi. Hanya saja, prediksi hasilnya menunjukkan sesuatu yang belum terjadi (mungkin terjadi di masa depan). d. Klasifikasi Dalam klasifikasi variabel, tujuan bersifat kategorik.Misalnya, Pengklasifikasian pendapatan dalam tiga kelas, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. e. Clustering Clustering lebih kea rah pengelompokan record, pengamatan, atau kasus dalam kelas yang memiliki kemiripan. f. Asosiasi Mengidentifikasi hubungan antara berbagai peristiwa yang terjadi pada satu waktu. Tahap-tahap Data Mining Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap proses yang 9 DRAFT JURNAL diilustrasikan pada Gambar 2.1. Tahap-tahap tersebut bersifat interaktif, pemakai terlibat langsung atau dengan perantaraan knowledge base. Gambar.2.1. Tahap-Tahap Data Mining Tahap-tahap data mining adalah sebagai berikut: a. Pembersihan data (data cleaning) Pada umumnya data yang diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik.Selain itu, ada juga atributatribut data yang tidak relevan dengan hipotesa data mining yang dimiliki.Data-data yang tidak relevan itu juga lebih baik dibuang karena keberadaannya bisa mengurangi mutu atau akurasi dari hasil data mining nantinya.Garbage in garbage out (hanya sampah yang akan dihasilkan bila yang dimasukkan juga sampah) merupakan istilah yang sering dipakai untuk menggambarkan tahap ini. Pembersihan data juga akan mempengaruhi performasi dari sistem data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya b. Integrasi data (data integration) Tidak jarang data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Integrasi data dilakukan pada atributaribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dsb. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya. Sebagai contoh bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada. Dalam integrasi data ini juga perlu dilakukan transformasi dan pembersihan data karena seringkali data dari dua database berbeda tidak sama cara penulisannya atau bahkan data yang ada di satu database ternyata tidak ada di database lainnya. c. Seleksi data (data selection) Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database. d. Transformasi data (data transformasi) Beberapa teknik data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa teknik standar seperti analisis asosiasi dan klastering hanya bisa menerima input data kategorikal. Karenanya data berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval.Proses ini sering disebut binning.Disini juga dilakukan pemilihan data yang diperlukan oleh teknik data mining yang dipakai. Transformasi dan pemilihan data ini juga menentukan kualitas dari hasil data mining nantinya karena ada 10 DRAFT JURNAL beberapa karakteristik dari teknikteknik data mining tertentu yang tergantung pada tahapan ini. e. Proses mining Aplikasi teknik data mining sendiri hanya merupakan salah satu bagian dari proses data mining. Ada beberapa teknik data mining yang sudah umum dipakai. Perlu diperhatikan bahwa ada kalanya teknik-teknik data mining umum yang tersedia di pasar tidak mencukupi untuk melaksanakan data mining di bidang tertentu atau untuk data tertentu. Sebagai contoh akhirakhir ini dikembangkan berbagai teknik data mining baru untuk penerapan di bidang bioinformatika seperti analisa hasil microarray untuk mengidentifikasi DNA dan fungsifungsinya. f. Evaluasi pola (pattern evaluation) Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti : menjadikannya umpan balik untuk memperbaiki proses data mining, mencoba teknik data mining lain yang lebih sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat. Ada beberapa teknik data mining yang menghasilkan hasil analisa berjumlah besar seperti analisis asosiasi. Visualisasi hasil analisa akan sangat membantu untuk memudahkan pemahaman dari hasil data mining. g. Presentasi pengetahuan (knowledge presentation) Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisa yang didapat. Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami data mining. Karenanya presentasi hasil data mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam proses data mining. Dalam presentasi ini, visualisasi juga bisa membantu mengkomunikasikan hasil data mining. 2.2.5. PHP PHP sendiri sebenarnya merupakan singkatan dari Hypertext Preprocesso”, yang merupakan sebuah bahasa scripting tingkat tinggi yang dipasang pada dokumen HTML. Sebagian besar sintaks dalam PHP mirip dengan bahasa C, Java dan Perl, namun pada PHP ada beberapa fungsi yang lebih spesifik. Sedangkan tujuan utama dari penggunaan bahasa ini adalah untuk memungkinkan perancang web yang dinamis dan dapat bekerja secara otomatis.[8] PHPpertama kali dibuat oleh Rasmus Lerdroft, seorang programmer C. Pada waktu itu PHP masih bernama FI (Form Interpreted), yang wujudnya berupa sekumpulan script yang digunakan untuk mengolah data form dari web. Jadi semula PHP digunakannya untuk menghitung jumlah pengunjung di dalam webnya.Kemudian Rasmus Lerdroft mengeluarkan Personal Home Page Tools versi 1.0 secara gratis.Versi ini pertama kali keluar pada tahun 1995.Isinya adalah sekumpulan script PERL yang dibuatnya untuk membuat halaman webnya menjadi dinamis. Selanjutnya Rasmus merilis kode sumber tersebut untuk umum dan menamakannya PHP/FI, kependekan dari Hypertext Preprocessing/Form Interpreter. PHP/FI merupakan akronim dari Personal Home Page/Forms Interpreter. Pada awal penyusunan, PHP/FI hanya mempunyai fungsi dasar dari PHP yang ada sekarang ini karena ketika pertama kali dibuat dengan menggunakan Perl maka PHP/FI juga mempunyai susunan dan karakter pemograman yang sama dengan Perl. Pada tahun 1997, dikeluarkan PHP/FI versi 2.0. Fungsi-fungsi pada PHP/FI ditulis dengan menggunakan bahasa C. karena telah memiliki fungsi khusus untuk mengakses database, maka pada tahun yang sama terdapat kurang lebih 50.000 domain yang menggunakan PHP/FI sebagai bahasa pemograman untuk website, atau sekitar 1 % dari total domain yang ada pada waktu itu. 11 DRAFT JURNAL Denganperilisan kode sumber ini menjadi open source, maka banyak programmer yang tertarik untuk ikut mengembangkan PHP.Kemudian pada tahun 1996 Rasmus Lerdroft mengeluarkan PHP versi 2.0 yang kemampuannya telah dapat mengakses database dan dapat terintegrasi dengan HTML. Pada rilis ini interpreter PHP sudah diimplementasikan dalam program C. Dalam rilis ini disertakan juga modulmodul ekstensi yang meningkatkan kemampuan PHP/FI secara signifikan.Pada tahun 1998 tepatnya pada tanggal 6 Juni 1998 keluarlah PHP versi 3.0 yang dikeluarkan oleh Rasmus sendiri bersama kelompok pengembang softwarenya. PHP versi 4.0 keluar pada tanggal 22 Mei 2000 merupakan versi yang lebih lengkap lagi dibandingkan dengan versi sebelumnya.Perubahan yang paling mendasar pada PHP 4.0 adalah terintegrasinya Zend Engine yang dibuat oleh Zend Suraski dan Andi Gutmans yang merupakan penyempurnaan dari PHP scripting engine. Yang lainnya adalah build in HTTP session, tidak lagi menggunakan library tambahan seperti pada PHP. Tujuan dari bahasa scripting ini adalah untuk membuat aplikasiaplikasi yang dijalankan di atas teknologi web. Dalam hal ini, aplikasi pada umumnya akan memberikan hasil pada web browser, tetapi prosesnya secara keseluruhan dijalankan web server. PHP 4.0 adalah versi PHP yang paling banyak dipakai pada awal abad ke-21.Versi ini banyak dipakai disebabkan kemampuannya untuk membangun aplikasi web kompleks tetapi tetap memiliki kecepatan dan stabilitas yang tinggi. Pada Juni 2004, Zend merilis PHP 5.0.Dalam versi ini, inti dari interpreter PHP mengalami perubahan besar.Versi ini juga memasukkan model pemrograman berorientasi objek ke dalam PHP untuk menjawab perkembangan bahasa pemrograman ke arah paradigma berorientasi objek. PHP memiliki 8 (delapan) tipe data, yaitu [8]: 1. Integer Tipe ini meliputi semua bilangan bulat dengan range -2,147,483,648 sampai +2,147,483,647 pada platform 32bit. PHP juga akan mengkonversi secara otomatis bila suatu bilangan berada diluar range tersebut ke dalam tipe data floating point. Tipe ini juga dapat dinyatakan dalam bentuk oktal (berbasis 8), desimal (berbasis 10), heksadesimal (berbasis 16). 2. Floating Point Tipe ini biasa digunakan dalam bilangan pecahan namun bisa juga bilangan desimal. Tipe ini memiliki range 1.7E-308 sampai 1.7E+308. Dapat dinyatakan dalam bentuk bilangan desimal atau dalam bentuk pangkat. 3. String Tipe data string dinyatakan dengan mengapitnya menggunakan tanda petik tunggal („ „) atau tanda petik ganda (” “). Perbedaan dari penggunaan keduanya adalah dengan tanda petik tunggal kita tidak dapat menggunakan variable dan escape sequence handling bersama dalam suatu kalimat. 4. Boolean Tipe data boolean digunakan untuk menyimpan nilai true atau false. Biasanya tipe data ini mayoritas digunakan untuk melakukan pengecekan kondisi pada php. 5. Null Tipe data yang tidak memuat apapun.Setiap Variabel yang diset menjadi Tipe Data NULL ini akan menjadikan Variabel tersebut kosong. 6. Array Tipe ini dapat mengandung satu atau lebih data juga dapat diindeks berdasarkan numerik atau string.Ia juga mendukung multiarray dimensi dan membolehkan semua datanya berbeda tipe data. 7. Object Tipe data object dapat berupa bilangan, variable atau fungsi. Object dibuat dengan tujuan agar 12 DRAFT JURNAL para programmer terbiasa dengan OOP, meski fasilitas ini masih minim. 8. Resource Tipe Data Spesial yang satu ini di khususkan untuk menyimpan resource, sumber atau alamat.Variabel tersebut hanya dapat diciptakan oleh suatu fungsi khusus yang mengembalikan nilai berupa resource seperti penggunaan fungsi fopen, opendir, mysql_connect, mysql_query dan semacamnya. Berapa kelebihan PHP dari bahasa pemrograman web, antara lain: 1. Bahasa pemrograman PHP adalah sebuah bahasa script yang tidak melakukan sebuah kompilasi dalam penggunaannya. 2. Web Server yang mendukung PHP dapat ditemukan dimana-mana, mulai dari apache, IIS, Lighttpd, hingga Xitami dengan konfigurasi yang relatif mudah. 3. Dalam sisi pengembangan lebih mudah, karena banyaknya milismilis dan developer yang siap membantu dalam pengembangan. 4. Dalam sisi pemahaman, PHP adalah bahasa scripting yang paling mudah karena memiliki referensi yang banyak. 5. PHP adalah bahasa open source yang dapat digunakan di berbagai mesin (Linux, Unix, Macintosh, Windows) dan dapat dijalankan secara runtime melalui console serta juga dapat menjalankan perintahperintah sistem. 2.2.6. MySQL MySQL adalah relational database management system (RDBMS) yang diditribusikan secara gratis dibawah licensi GPL (General Public License).MySQL sebenarnya merupakan turunan salah satu konsep utama dalam database sejak lama yaitu SQL (Structured Query Language).SQL adalah sebuah konsep pengoperasian database terutama untuk pemilihan/seleksi dan pemasukan data yng memungkinkan pengoperasian data dikerjakan dengan mudah dan secara otomatis.[9] Keandalan suatu sistem database dapat diketahui dari cara kerja optimizer nya dalam melakukan proses perintahperintah SQL, yang dibuat oleh user maupun program-program aplikasinya. Sebagai database server, MySQL dapat dikatakan lebuh unggul dibandingkan database server lainnya dalam query data. Hal ini terbukti untuk query yang dilakukan oleh single user, kecepatan query My SQL dapat sepuluh kali lebih cepat dari PostgreSQL dan lima kali lebih cepat dibandingkan Interbase. 2.2.6.1. DDL (Data Definition Language) DDL adalah sebuah metode query SQL yang digunakan untuk mendefinisikan data pada sebuah database. 1. CREATE Digunakan untuk melakukan pembuatan tabel maupun database. 2. DROP Digunakan untuk melakukan penghapusan tabel maupun database. 3. ALTER Digunakan untuk melakukan pengubahan struktur tabel yang telah dibuat baik menambah field, mengganti namafield ataupun menamakannya kembali serta menghapus field. 2.2.6.2. DML (Data Manipulation Language) DML adalah sebuah metode query yang dapat digunakan apabila DDL telah terjadi, sehingga fungsi dari query ini adalah untuk melakukan manipulasi database yang telah ada atau telah dibuat sebelumnya. 1. INSERT Digunakan untuk melakukan penambahan data pada tabel database. 2. UPDATE Digunakan untuk melakukan pengubahan data yang ada pada tabel database. 3. DELETE Digunakan untuk melakukan penghapusan data pada tabel.Penghapusan ini dapat 13 DRAFT JURNAL dilakukan secara sekaligus maupun hanya beberapa data. 2.2.7. Analisa Metode Bayes Data bobot kriteria pada prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak seperti pada tabel 2.2. Bobot tiap kategori didapatkan dari 1 / jumlah kategori buku yang ada di Perpustakaan Daerah Demak yaitu 10 sehingga bobot tiap kategori yaitu 1/10 = 0.1. Tabel 2.2. Data Katagori = 9.5 / 244.8 * 100 = 3.88% Alternatif Kategori Ilmu Terapan = 23.9 / 244.8 * 100 = 9.76% Alternatif Kategori Kesenian = 24.7 / 244.8 * 100 = 10.09% Alternatif Kategori Kesusasteraan = 94.5 / 244.8 * 100 = 38.60% Alternatif Kategori Sejarah/Geologi = 9.0 / 244.8 * 100 = 3.68% Selanjutnya menentukan prediksi buku yang sering dipinjam berdasarkan nilai persentase dari masing-masing alternatif dan dikalikan dengan jumlah target buku yang sudah ditentukan oleh pihak Perpustakaan Daerah Demak yaitu 3.000 buku dalam jangkah waktu 1 bulan. Alternatif Kategori Karya Umum = 3.92 / 100 * 3.000 Selanjutnya menentukan nilai masingmasing menu yaitu : Total Nilai = ∑π π=1 πππππ Alternatif Kategori Filsafat = 5.47 / 100 * 3.000 = 164 Alternatif Kategori Agama ππ (πΎπππ‘ππππ) Total Nilai = (0.1*96) + (0.1*134) (0.1*257) + (0.1*287) (0.1*58) + (0.1*95) (0.1*239) + (0.1*247) (0.1*945) + (0.1*90) = 118 + + + + = 10.50 / 100 * 3.000 = 315 Alternatif Kategori Ilmu Sosial = 11.72 / 100 * 3.000 = 352 Alternatif Kategori Bahasa = 9.6 + 13.4 + 25.7 + 28.7 + 5.8 + 9.5 + 23.9 + 24.7 + 94.5 + 9.0 = 2.37 / 100 * 3.000 = 244.8 Alternatif Kategori Ilmu Terapan Menentukan presentase dari setiap alternatif dengan rumus nilai alternatif / jumlah alternatif * 100 Alternatif Kategori Karya Umum = 9.6 / 244.8 * 100 = 3.92% = 71 Alternatif Kategori Ilmu Murni = 3.88 / 100 * 3.000 = 116 = 9.76 / 100 * 3.000 = 293 Alternatif Kategori Kesenian =10.09 / 100 * 3.000 = 303 Alternatif Kategori Kesusasteraan Alternatif Kategori Filsafat = 38.60 / 100 * 3.000 = 1.150 = 13.4 /244.8 * 100 Alternatif Kategori Sejarah/Geologi = 3.68 / 100 * 3.000 = 110 = 5.47% Alternatif Kategori Agama = 25.7 / 244.8 * 100 = 10.50% Alternatif Kategori Ilmu Sosial = 28.7 / 244.8 * 100 = 11.72% Alternatif Kategori Bahasa = 5.8 / 244.8 * 100 = 2.37% Dari proses perhitungan di atas mendapatkan hasil yaitu pada alternatif kategori kesusasteraan memperoleh nilai 1.150 sehingga buku yang sering dipinjam pada Perpustakaan Daerah Demak yaitu buku dengan kategori kesusasteraan. Alternatif Kategori Ilmu Murni 14 DRAFT JURNAL 2.2.8. Kerangka Pemikiran d. DVD RW 24 X e. LCD 14” 3.3. Sumber Data Sumber data yang digunakan dalamprediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayesyaitu 3.3.1. Data Primer Data primer adalah data yang diperoleh secara langsung dari sumbernya. Di dalam hal ini data primer diperoleh melalui wawancara atau tanya jawab dengan Perpustakaan Daerah Demak mengenai peminjaman buku pada Perpustakaan Daerah Demak. 3.3.2. Gambar 2.2. Kerangka Pemikiran III. METODE PENELITIAN 3.1. Obyek Penelitian Penelitian ini mengambil objek penelitian pada penelitian pada Perpustakaan Daerah Demak yang beralamat di Jalan Sultan Fatah No. 67, Kecamatan Demak dengan jenis penelitianadalah deskriptif yaitu penelitian yang menggambarkan secara apa adanya atau fakta yang terdapat pada obyek penelitian. 3.2. Instrumen Penelitian Instrumen penelitian yang digunakan dalam penelitian ini adalah 1. Software Software atau perangkat lunak yang digunakan dalam prediksi penjualan barang pada Alfamart Rembang menggunakan exponential smoothingadalah a. Sistem : Microsoft Window 7 b. Editor Web : Adobe Dreamweaver c. HTTP Server : Apache + PHP d. Database : MySQL e. Browser : Firefox 2. Hardware Hardware atau perangkat keras yang digunakan dalam prediksi penjualan barang pada Alfamart Rembang menggunakan exponential smoothing adalah a. Processor Intel (R) Pentium IV Core I3 b. Memori 2 GB c. HDD 5000 Gb Sekunder Data sekunder yaitu data yang dinyatakan dalam bentuk dokumen. Yang termasuk data sekunder dalam penelitian ini adalah data peminjaman buku bulan Oktober 2016 yaitu Tabel 3.1. Data Peminjaman Buku Bulan Oktober 2016 No Golongan/Klasifikasi Jumlah 1. Karya Umum 96 2. Filsafat 134 3. Agama 257 4. Ilmu Sosial 287 5. Bahasa 58 6. Ilmu Murni 95 7. Ilmu Terapan 239 8. Kesenian 247 9. Kesusasteraan 945 10. Sejarah/Geologi 90 Jumlah 2448 3.4. Metode Pengumpulan Data Bahan yang digunakan dalam penelitian ini adalah semua data yang berkaitan dengan data prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes, baik yang berkaitan langsung maupun tidak langsung dengan penelitian ini. Metode yang digunakan 15 DRAFT JURNAL dalam proses pengumpulan data sebagai bahan pembuatan sistem adalah : 3.4.1. Wawancara Dalam metode wawancara melakukan tanya jawab dengan staf Perpustakaan Daerah Demak mengenai peminjaman buku pada Perpustakaan Daerah Demak dan didapatkan data peminjaman buku pada Perpustakaan Daerah Demak. 3.4.2. Studi Pustaka Dalam metode studi pustaka melakukan pengumpulan data dengan cara mempelajari literatur, laporan, maupun jurnal yang berhubungan dengan prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes yang berjudul “Analisa Algorithma Apriori Untuk Mendapatkan Pola Peminjaman Buku Perpustakaan SMPN 3 Batanghari” dan “Prediksi Persediaan Obat Dengan Metode Naïve Bayes (Studi Kasus : Apotek Saputra)”. 3.5. Metode Pengembangan Sistem Metode pengembangan sistem yang digunakan dalam prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayesadalah prototype. Prototype yaitu proses interatif dalam pengembangan sistem dimana kebutuhan diubah dalam sistem yang bekerja (working system) yang secara terus menerus diperbaiki melalui kerjasama antara analis dan pengguna [8]. Identifikasi Kebutuhan Pemakai Membuat Prototype Menguji Prototype Memperbaiki Prototype Mengembangkan Versi Produk Gambar 3.1. Metode Prototype [8] Tahapan-tahapan dalam membuat prototype adalah : 1. Identifikasi Kebutuhan Pemakai Pada tahap ini penulis melakukan identifikasi kebutuhan prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayesyang terdiri dari kebutuhan perangkat keras dengan spesifikasi processor intel (R) pentium IV Core I3, memori 2 GB, HDD 500 Gb, LCD 14”. Kebutuhan perangkat lunak yaitu Microsoft Window 7, Dreamweaver, Apache, PHP dan MySQL. Kebutuhan data yaitu data peminjaman buku di Perpustakaan Daerah Demak yang didapat dari Perpustakaan Daerah Demak. 2. Membuat Prototype Pada tahap ini penulis membuat prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayesdengan menggunakan PHP dan MySQL. 3. Menguji Prototype Pada tahap ini penulis melakukan prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayesdengan menggunakan black-box testing atau pengujian black-box. 4. Memperbaiki Prototype Pada tahap ini penulis melakukan perbaikan prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. 5. Mengembangkan Versi Produk Pada tahap ini penulis mengembangkan prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes sesuai dengan masukan terakhir kebutuhan Perpustakaan Daerah Demak. 3.6. Pengujian Sistem Pengujian pada dasarnya adalah menemukan serta menghilangkan bug (kesalahan-kesalahan) yang ada di dalam prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak. 16 DRAFT JURNAL Metode yang digunakan dalam pengujian validasi pada prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak adalah metode black-box. Pengujian black-box tidak perlu tahu apa yang sesungguhnya terjadi dalam sistem/perangkat lunak. Di dalam blackbox, item-item yang diuji dianggap "gelap" karena logikanya tidak diketahui, yang diketahui hanya apa yang masuk dan apa yang keluar dari kotak hitam. Yang diuji adalah masukan serta keluarannya artinya dengan berbagai masukan yang diberikan, apakah sistem/perangkat lunak memberikan keluaran seperti yang diharapkan. IV. HASIL PENELITIAN DAN PEMBAHASAN 4.1. Hasil Penelitian 4.1.1. Pembersihan Data (Data Cleaning) Pembersihan data merupakan proses menghasilkan noise dan data yang tidak konsisten atau data tidak relevan. Tahap ini mencari data peminjaman buku bulan Oktober 2016 pada pada Perpustakaan Daerah Demak seperti pada tabel 4.1. Tabel 4.1. Peminjaman Buku Bulan Oktober 2016 Tabel 4.2. Integrasi Data Peminjaman Buku No Golongan/Klasifikasi 1. Karya Umum Jumla h 96 2. Filsafat 134 3. Agama 257 4. Ilmu Sosial 287 5. Bahasa 58 6. Ilmu Murni 95 7. Ilmu Terapan 239 8. Kesenian 247 9. Kesusasteraan 945 10. Sejarah/Geologi 90 Jumlah 2448 4.1.3. Seleksi Data(Data Selection) Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database. Data yang dipakai dalam prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes adalah data peminjaman buku bulan Oktober 2016 pada Perpustakaan Daerah Demak. Hasil seleksi data penjualan bulan Oktober 2016 pada Perpustakaan Daerah Demak seperti tabel 4.3. Tabel 4.3. Seleksi Data Peminjaman Buku Bulan Oktober 2016 No Golongan/Klasifikasi Jumla h 4.1.2. Integrasi Data (Data Integration) Integrasi data merupakan penggabungan data dari berbagai database ke dalam suatu database baru. Tahap ini menggabungkan data peminjaman buku bulan Oktober 2016 dari beberapa buku yang dipinjam pada Perpustakaan Daerah Demak seperti pada tabel 4.2 1. Karya Umum 96 2. Filsafat 134 3. Agama 257 4. Ilmu Sosial 287 5. Bahasa 58 6. Ilmu Murni 95 7. Ilmu Terapan 239 8. Kesenian 247 17 DRAFT JURNAL 9. Kesusasteraan 945 10. Sejarah/Geologi 90 Jumlah 2448 4.1.4. Transformasi Data (Data Transformasi) Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. Proses prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes hanya membutuhkan data peminjaman buku pada Perpustakaan Daerah Demak sehingga data yang didapatkan dari tahap seleksi data sudah dapat digunakan untuk proses data mining atau untuk melakukan prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes seperti pada tabel 4.3. 4.1.5. Proses Mining Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data. Tahap ini menerapkan metode Bayesian dalam mempredikasi buku yang sering dipinjam pada Perpustakaan Daerah Demak. Tahapan proses miningprediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes yaitu : 1. Membaca data training yaitu data peminjaman buku seperti data pada tabel 4.3. 2. Hitung bobot kriteria dengan rumus bobot = 1 / jumlah kategori buku sehingga bobot tiap kriteria yaitu 0.1. 3. Hitung jumlah data peminjaman buku dan nilai alternatif . 4. Hitung total nilai alternatif dengan rumus total = bobot * jumlah dan didapatkan total sebesar 244.8. Total Nilai = ∑π π=1 πππππππ (πΎπππ‘ππππ) Total Nilai = (0.1*96) + (0.1*134) + (0.1*257) + (0.1*287) + (0.1*58) + (0.1*95) + (0.1*239) + (0.1*247) + (0.1*945) + (0.1*90) = 9.6 + 13.4 + 25.7 + 28.7 + 5.8 + 9.5 + 23.9 + 24.7 + 94.5 + 9.0 = 244.8 5. Hitung probabilitas dari setiap alternatif dengan rumus nilai alternatif / jumlah alternatif * 100 a. Alternatif Kategori Karya Umum = 9.6 / 244.8 * 100 = 3.92 % b. Alternatif Kategori Filsafat = 13.4 / 244.8 * 100 = 5.47 % c. Alternatif Kategori Agama = 25.7 / 244.8 * 100 = 10.50 % d. Alternatif Kategori Ilmu Sosial = 28.7 / 244.8 * 100 = 11.72 % e. Alternatif Kategori Bahasa = 5.8 / 244.8 * 100 = 2.37 % f. Alternatif Kategori Ilmu Murni = 9.5 / 244.8 * 100 = 3.88 % g. Alternatif Kategori Ilmu Terapan = 23.9 / 244.8 * 100 = 9.76 % h. Alternatif Kategori Kesenian = 24.7 / 244.8 * 100 = 10.09 % i. Alternatif Kategori Kesusasteraan = 94.5 / 244.8 * 100 = 38.60 % j. Alternatif Kategori Sejarah/Geologi = 9.0 / 244.8 * 100 = 3.68 % 6. Solusi buku yang sering dipinjam pada Perpustakaan Daerah Demak dimana masing-masing alternatif dan dikalikan dengan jumlah target buku yang sudah ditentukan oleh pihak Perpustakaan Daerah Demak yaitu 3.000 buku dalam jangkah waktu 1 bulan. a. Alternatif Kategori Karya Umum = 3.92 / 100 * 3.000 = 118 b. Alternatif Kategori Filsafat = 5.47 / 100 * 3.000 = 164 c. Alternatif Kategori Agama = 10.50 / 100 * 3.000 = 315 d. Alternatif Kategori Ilmu Sosial = 11.72 / 100 * 3.000 = 352 e. Alternatif Kategori Bahasa = 2.37 / 100 * 3.000 = 71 f. Alternatif Kategori Ilmu Murni = 3.88 / 100 * 3.000 = 116 g. Alternatif Kategori Ilmu Terapan = 9.76 / 100 * 3.000 = 293 h. Alternatif Kategori Kesenian = 10.09 / 100 * 3.000 = 303 i. Alternatif Kategori Kesusasteraan = 38.60 / 100 * 3.000 = 1.158 j. Alternatif Kategori Sejarah/Geologi 18 DRAFT JURNAL = 3.68 / 100 * 3.000 = 110 Dari proses perhitungan di atas mendapatkan hasil yaitu pada alternatif kategori kesusasteraan memperoleh nilai 1.150 sehingga buku yang sering dipinjam pada Perpustakaan Daerah Demak yaitu buku dengan kategori kesusasteraan. Evaluasi Pola (Pattern Evaluation) Untuk mengidentifikasi pola-pola menarik ke dalam knowledge based yang ditemukan. Tahap ini mementukan pola dari prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. 4.1.8. Use Diagram = Case 11 3.68 / 100 * 3. = 110 uc Use Case Model Login Kelola kategori buku Admin Kelola peminj aman buku «i ncl ude» Pilih Periode Hasil prediksi 4.1.6. 4.1.7. Presentasi Pengetahuan (Knowledge Presentation) Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan dalam prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes dalam bentuk tabel seperti pada tabel 4.4. Tabel 4.4. Prediksi Buku Yang Sering Dipinjam Perpustakaan Daerah Demak Kategori Jumlah Karya Umum 118 Filsafat 164 Agama 315 Ilmu Sosial 352 Bahasa 71 Ilmu Murni 116 Ilmu Terapan 293 Kesenian 303 Kesusasteraan Sejarah/Geologi Cetak Laporan Logout Gambar 4.2. Use Case Diagram Gambar 4.2menjelaskan admin melakukan login ke prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes dengan memasukkan username dan password kemudian admin mengelola kategori buku, mengelola data peminjaman buku, memilih periode prediksi buku yang sering dipinjam Perpustakaan Daerah Demak dan akan ditampilkan hasil prediksi buku yang sering dipinjam Perpustakaan Daerah Demak, cetak laporan peminjaman kemudian logout. 4.1.9. Sequence Diagram sd sequence Kategori Pinjam Prediksi Admin Kelola kategori buku() Kelola peminjaman buku() Pilih periode() Hasil prediksi() Cetak laporan() 1.158 110 Gambar 4.3. Sequence Diagram Gambar 4.3menjelaskan admin mengelola kategori, peminjaman buku, memilih periode prediksi buku yang sering dipinjam Perpustakaan Daerah Demak dan akan ditampilkan hasil prediksi buku yang sering dipinjam Perpustakaan Daerah Demak, cetak laporan peminjaman kemudian logout. 4.1.10. Class Diagram 19 DRAFT JURNAL class Class Pinjam Kategori Hasil # + + + # idkategori: varchar + nmkategori: varchar # idhasil: Bigint + idkategori: varchar + nilai: double + edit() : void + hapus() : void + simpan() : void + hapus() : void + simpan() : void nopinjam: varchar tanggal: date idkategori: varchar jumlah: int Tabel pinjam digunakan untuk menyimpan data peminjaman buku pada Perpustakaan Daerah Demak. Tabel pinjam diperlihatkan seperti pada tabel 4.6. Tabel 4.6. Tabel Pinjam + edit() : void + hapus() : void + input() : void N Field Siz o Name e Gambar 4.4menjelaskan class kategori dengan primary key id kategori berelasi dengan class pinjam dengan primary key nopinjam dan foreign key idkategori. class hasil dengan primary key idhasil dan foreign key idkategori berelasi dengan class kategori dengan primary key idkategori. 1 Nopin 10 4.1.11. Perancangan Database DatabaseDatabase prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes terdiri dari 3 tabel yaitu tabel kategori, tabel pinjam dan tabel hasil. gori Type Ketera ngan Gambar 4.4. Class Diagram 1. Tabel Kategori Tabel kategori digunakan untuk menyimpan kategori buku yang ada pada Perpustakaan Daerah Demak. Tabel kategori diperlihatkan seperti pada tabel 4.5. Tabel 4.5. Tabel Kategori N Field Siz Typ Kete o Name e e rang an Varch Nomor ar Pinjam Date Tangga jam 2 Tang gal l 3 Idkate 3 Varch ID ar Katego ri 4 Jumla Int Jumlah h Pinjam 3. Tabel Hasil Tabel hasil digunakan untuk menyimpan hasil prediksi buku yang sering dipinjam Perpustakaan Daerah Demak menggunakan Bayesian. Tabel hasil diperlihatkan seperti pada tabel 4.7. Tabel 4.7. Tabel Hasil N Field o Nam Siz Typ Keteran e e gan e 1 Idkate 3 gori Var ID char Kate gori 2 Nmka tegori 30 Var Nam char a Kate gori 1 Idhasi Bigi ID Hasil l 2 Idkat egori 3 Nilai nt 3 Var ID char Kategori Dec Nilai ima Prediksi l 2. Tabel Pinjam 20 DRAFT JURNAL 4.1.12. Perancangan Interface 1. Login Username Password Login Gambar 4.5. Login Gambar 4.5 menjelaskan tentang halaman login yang digunakan admin untuk masuk ke prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. Isi username dan password kemudian klik login untuk masuk ke prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes, jika data valid akan ditampilkan halaman prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. 2. Home Home Kategori Peminjaman Prediksi Laporan Logout Profil Perusahaan Gambar 4.6. Home Gambar 4.6 menjelaskan tentang halaman home yang akan menampilkan profil Perpustakaan Daerah Demak . 3. Kategori Home Kategori Peminjaman Prediksi Laporan Logout ID Kategori Gambar 4.7 menjelaskan tentang halaman kategoriyang digunakan admin untuk mengelola kategori buku pada prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. Pada halaman kategori, admin dapat menambah, mengubah, menghapus kategori buku pada prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. 4. Peminjaman Home Kategori Peminjaman Prediksi Laporan Logout No Pinjam Tanggal Kategori Buku Jumlah Simpan Batal Tabel Pinjam Gambar 4.8. Peminjaman Gambar 4.8 menjelaskan tentang halaman peminjaman buku yang digunakan admin untuk mengelola data peminjaman buku pada prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. Pada halaman peminjaman, admin dapat menambah, mengubah, menghapus data peminjaman buku pada prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. 5. Prediksi Home Kategori Peminjaman Prediksi Laporan Logout Dari Tanggal S/d Tanggal Proses Batal Home Kategori Peminjaman Prediksi Laporan Logout Nama Kategori Simpan Batal Tabel Kategori Hasil Prediksi Gambar 4.7. Kategori Gambar 4.9. Prediksi 21 DRAFT JURNAL Gambar 4.9 menjelaskan tentang halaman prediksi yang digunakan admin untuk melihat hasil prediksi buku yang sering dipinjam Perpustakaan Daerah Demak menggunakan Naive Bayes. 4.2.2. Home 6. Laporan Home Kategori Peminjaman Prediksi Laporan Logout Dari Tanggal S/d Tanggal Proses Batal Home Kategori Peminjaman Prediksi Laporan Logout Laporan Peminjaman Buku Gambar 4.12. Alpha Gambar 4.12 menjelaskan tentang halaman home yang akan menampilkan profil Perpustakaan Daerah Demak. 4.2.3. Kategori Gambar.4.10. Laporan Peminjaman 4.2. Pembahasan 4.2.1.Login Gambar 4.11. Login Gambar 4.11 menjelaskan tentang halaman login yang digunakan admin untuk masuk ke prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. Isi username dan password kemudian klik login untuk masuk ke prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes, jika data valid akan ditampilkan halaman prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. Gambar 4.13. Kategori Gambar 4.13 menjelaskan tentang halaman kategori yang digunakan admin untuk mengelola kategori buku yang ada di Perpustakaan Daerah Demak pada prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. Kode kategori akan terisi secara otomatis dengan format K99 dengan format K merupakan singkatan dari kategori dan 99 merupakan urutan data dari tabel kategori. Isi nama kategori kemudian tekan tombol simpan untuk menyimpan data kategori ke tabel kategori. Klik edit kemudian isi nama kategori dan tekan tombol simpan untuk mengubah data kategori dari tabel kategori. Klik hapus 22 DRAFT JURNAL kemudian pilih oke untuk menghapus data kategori dari tabel kategori. 4.2.4. Peminjaman Gambar 4.14.Peminjaman Gambar 4.14 menjelaskan tentang halaman peminjamanyang digunakan admin untuk mengelola data peminjaman buku pada prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. Nomor pinjam akan terisi secara otomatis dengan format YYMM-9999 dengan format YY merupakan tahun pengisian, MM merupakan bulan pengisian dan 9999 merupakan urutan data dari tabel pinjam. Isi tanggal, kategori buku, jumlah kemudian tekan tombol simpan untuk menyimpan data peminjaman buku ke tabel pinjam. Klik edit kemudian isi tanggal, kategori buku, jumlah dan tekan tombol simpan untuk mengubah data peminjaman buku dari tabel pinjam. Klik hapus kemudian pilih oke untuk menghapus data peminjaman buku dari tabel pinjam. 4.2.5. Gambar 4.15. Prediksi Gambar 4.15 menjelaskan tentang halaman prediksi yang digunakan admin untuk melihat hasil prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes yang ditampilkan dalam bentuk tabel dan grafik. Tabel menunjukkan kriteria menu dan bobot dari hasil prediksi. Alternatif merupakan hasil prediksi dengan metode Bayesian. Menu favorit merupakan hasil atau nilai terbesar dari metode Bayesian. Isi dari tanggal dan sampai dengan tanggal kemudian klik proses untuk menampilkan hasil prediksi seperti gambar 4.16. Gambar 4.16. Hasil Prediksi 4.2.6. Laporan Prediksi Gambar 4.17. Cetak Laporan Gambar 4.17 menjelaskan tentang halaman cetak laproan yang 23 DRAFT JURNAL digunakan admin untuk melihat laporan peminjaman buku pada prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. Isi dari tanggal dan sampai dengan tanggal kemudian klik proses untuk menampilkan laporan seperti gambar 4.18. 2. Dengan dibangunnya prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes dapat digunakan oleh Perpustakaan Daerah Demak untuk menentukan buku yang sering dipinjam dari periode tanggal yang dipilih. 5.1. Metode Bayesian memanfaatkan data training untuk menghasilkan probabilitas setiap kriteria untuk kategori yang berbeda, sehingga nilai-nilai probabilitas dari kriteria atau kategori tersebut dapat dioptimalkan untuk memprediksi buku yang sering dipinjam pada Perpustakaan Daerah Demak. 5.2. Gambar 4.18. Laporan V. PENUTUP Berdasarkan hasil yang telah dicapai dalam penyusunan laporan tugas akhir ini penulis berharap dengan tercapainya prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes. Dalam penyusunan laporan tugas akhir ini dapat ditarik suatu kesimpulan dan saran yang tentunya tidak melupakan saran-saran dari pembaca sebagai bahan masukan bilamana pembaca tertarik untuk mengembangkan prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes lebih lanjut. 5.1. Kesimpulan Setelah melakukan penelitian pada prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes, maka penulis dapat menarik kesimpulan sebagai berikut : 1. Hasil prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes dapat memberikan hasil nilai prediksi untuk dijadikan sebagai prediksi buku yang sering dipinjam pada Perpustakaan Daerah Demak. Saran Berikut ini saran penulis terhadap pengembangan dan penerapan prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes lebih lanjut yaitu : 1. Prediksi data buku yang sering dipinjam pada Perpustakaan Daerah Demak menggunakan Naive Bayes dapat ditambahkan dengan metode prediksi lainnya seperti moving average agar hasil prediksi lebih akurat. 2. Untuk meramalkan buku yang sering dipinjam sebaiknya pada Perpustakaan Daerah Demak menggunakan metode forecasting untuk bisa memperkirakan buku yang sering dipinjam pada periode-periode yang akan datang. Tidak dengan meramalkan buku yang sering dipinjam dengan sistem yang dipakai Perpustakaan Daerah Demak saat ini yaitu dengan prediksi tradisional. DAFTAR PUSTAKA [1] Bafadal, Ibrahim. Pengelolaan Perpustakaan. Bumi Aksara. Jakarta. 2012 [2] Handoko, T.Hani. Manajemen Edisi 2. BPPE. Yogyakarta. 2006 24 DRAFT JURNAL [3] Anas, Azwar. Analisa Algorithma Apriori Untuk Mendapatkan Pola Peminjaman Buku Perpustakaan SMPN 3 Batanghari. Skripsi. STIE GK Muara Bulian. 2016 [4] Wirdasari, Dian. Ahmad.Penerapan Data Untuk Mengolah Penempatan Buku Perpustakaan SMK TI Lubuk Pakam Dengan Association Rule. Universitas Sumatera 2011 Calam, Mining Data Di PAB 7 Metode Skripsi. Utara. [5] Saleh, Alfa.Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Skripsi. Universitas Potensi Utama. 2015 [6] Santosa, B. Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis. GrahaIlmu. Yogyakarta. 2007 [7] Florin Gorunescu. Data Mining Concepts, Models and Techniques. Chennai, India. Springer. 2011 [8] Aditya, Alan Nur, Jago PHP & MySQL Dalam Hitungan Menit, Dunia Komputer, Bekasi, 2010 [9] Prasetyo, Didik Dwi, Administrasi Database Server MySQL, Elex Media Komputindo, Jakarta, 2006 [10] Kadir, Abdul. Pengenalan Sistem Informasi.Andi. Yogyakarta. 2006 25