IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI - PowerPoint Presentation

Slide1

IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSIDATA ULANG PMP (PENERIMA MANFAAT PENSIUN)OlehNovia Ervianti & Wendi Wirasta ST., MT.ervianti.novia@fellow.lpkia.ac.id & wendiwirasta@fellow.ac.idSTMIK & POLITEKNIK LPKIA BANDUNG

Latar Belakang

Dalam teknik pengolahan data terdapat beberapa algoritma atau metode yang dapat digunakan untuk memprediksi suatu masalah salah satunya yaitu algoritma naïve bayes classifier. Algoritma naïve bayes classifier adalah sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Algoritma naïve bayes classifier juga adalah pengklasifikasian dengan metode probabilitas dan statistik, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya. Setiap perusahaan yang mengelola dan menjalankan program yang menjanjikan manfaat pensiun pagi pegawainya yang telah memasuki masa pensiun memerlukan data para peserta pensiunan yang terbaru agar perusahaan tersebut dapat menjalankan tugasnya sebagai pemberi dana pensiun berdasarkan data yang diterimanya. Pembaharuan data atau lebih dikenal dengan istilah data ulang (datul) dilakukan secara berkala setiap semester atau tergantung kebijakan perusahaan yang mengelola.Dapen Telkom adalah penyelenggara program pensiun. Sebagai penerima manfaat pensiun, pensiunan Telkom harus melakukan data ulang (datul). Apabila tidak melakukan data ulang (datul) maka Manfaat Pensiunnya akan ditangguhkan. Jika Manfaat Pensiun banyak yang ditangguhkan maka akan berdampak tidak baik pada perusahaan karena perusahaan akan mengeluarkan tunjangan yang cukup besar pada suatu waktu.

Identifikasi Persoalan

Bagaimana penerapan algoritma naïve bayes classifier dalam melakukan pencarian pola tepat atau terlambat saat pensiunan melakukan data ulang ?Bagaimana penerapan algoritma naïve bayes classifier dalam menghasilkan pola prediksi tepat atau terlambat PMP (Penerima Manfaat Pensiun) melakukan data ulang?

Tujuan

Menerapkan algoritma naïve bayes classifier dengan menghitung probabilitas dari atribut-atribut penting yang terkait dengan datul.Menerapkan algoritma naïve bayes classifier untuk menghasilkan pola prediksi kapan PMP (Penerima Manfaat Pensiun) melakukan datul berdasarkan kategori tepat atau terlambat.

Hasil Penelitian

Algoritma naïve bayes classifier dengan menghitung probabilitas dari atribut-atribut penting yang terkait berhasil memprediksi tepat atau terlambatnya datul.Algoritma naïve bayes classifier mampu menghasilkan pola prediksi kapan PMP (Penerima Manfaat Pensiun) melakukan datul berdasarkan kategori tepat atau terlambat.

Metodologi

Menurut Bustami Algoritma Naïve Bsyes Classifier adalah :“Naive Bayes adalah pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya” (Bustami, 2013)“Keuntungan penggunaan algoritma naïve bayes classifier adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk menentukan estimasi paremeter yang diperlukan dalam proses pengklasifikasian. Algoritma naïve bayes classifier sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata yang kompleks dari pada yang diharapkan.” (Pattekari, 2012)Adapun alur dari metode Naive Bayes adalah sebagai berikut :Baca data trainingHitung Jumlah dan probabilitas, namun apabila data numerik maka:Cari nilai mean dan standar deviasi dari masing – masing parameteryang adalah data numerik.Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas.Persamaan dari teorema Bayes adalah :Keterangan :X : data dengan class yang belum diketahuiH : hipotesis data X adalah suatu class spesifikP (H|X) : probabilitas hipotesis H berdasar kondisi X (postteriori probability)P(H) : probabilitas hiotesis H (prior probability)P(X | H) : probabilitas X berdasar kondisi pada hipotesis HP(X) : probabilitas dari X

Kesimpulan

Dari hasil penelitian yang dibuat menghasilkan data sebagai berikut :Tahap 1. Menghitung jumlah classHitung Probabilitas ClassP(Keterangan=”tepat”) = 9/20 = 0.45P(Keterangan=”terlambat”) = 11/20 = 0.55Lakukan perhitungan pada setiap atribut seperti dibawah ini :Tahap 2 Menghitung jumlah kasus yang sama dengan class yang samaHitung Probabilitas Attribut JAWP(JAW= “pegawai” | Keterangan = “Tepat”) = 7/9 = 0.777P(JAW= “pegawai” | Keterangan = “Terlambat”) = 7/11 = 0.636Tahap 3 Kalikan semua variabelHitung Kalkulasi ClassP(X | Buy keterangan = “tepat”) = 0.777 * 0.222 * 0.333 * 0.444 = 0.02561P(X | Buy keterangan = “Terlambat”) = 0.636 * 0.272 * 0.454 * 0.272 = 0.02151 Class = “Tepat” Class = “Terlambat”= P(X | Keterangan = “Tepat”) * = P(X | Keterangan = “Terlambat”) * P(Keterangan =” Tepat”) P(Keterangan = “Terlambat”)= 0.45 * 0.02561 = 0.55* 0.02151= 0.01152 = 0.01183  Tahap 4 Bandingkan class Maka dapat disimpulkan X memiliki kelas keterangan =” Terlambat” karena P(X| keterangan =” Terlambat”) memiliki nilai lebih tinggi pada perhitungan di atas.

Data Training

nik

JAW

wakil_datul

golongancabangketerangan280197pegawaiPesertauzurBANDUNGtepat410247pegawaiPesertastandarBANDUNGtepat360673pegawaiPesertauzurGARUTterlambat470224suami/isteriPesertastandarCIAMIStepat450980pegawaiPesertastandarCIAMIStepat360827suami/isteriPesertauzurCIAMISterlambat520902pegawaiPesertastandarBANDUNGtepat531775pegawaiPesertastandarCIAMISterlambat500674pegawaiPesertastandarGARUTterlambat450711suami/isteriPesertastandarJAKARTA PUSATterlambat541403pegawaiPesertastandarJAKARTA PUSATterlambat541988pegawaiPesertastandarJAKARTA PUSATterlambat520050pegawaiPesertastandarGARUTtepat470594pegawaiP2TELstandarGARUTtepat470597pegawaiP2TELstandarBANDUNGtepat250374suami/isteriPesertauzurBANDUNGterlambat470224suami/isteriPesertastandarCIAMIStepat360827suami/isteriPesertauzurCIAMISterlambat500624pegawaiPesertastandarBANDUNGterlambat540162pegawaiPesertastandarBANDUNGterlambat

Data TestingJAWwakil_datulgolongancabangketeranganpegawaiP2TELuzurBANDUNG?