Klasifikasi Iklan pada Online Shop dengan Metode Naive Bayes

Danny Septiawan1,Dwi Aries Suprayogi1,Abdul Malik Mukhtar1,Wahyudi Hatiyanto1

1

Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya
Jl. Veteran No.8 Malang, Informatika, Gedung A PTIIK UB
Email :
danny_sszz@yahoo.com1,dwiariess@yahoo.co.id1,maliek_cool@yahoo.com1,wahyudihatiyanto@yahoo.com1

ABSTRAK
Dengan semakin berkembangangnya teknologi banyak orang mulai beralih untuk beriklan dari media
cetak menjadi media online yang dirasa sangat efektif dan dapat menjangkau semua orang bahkan di seluruh
dunia karena dengan mengiklankan produk mereka secara online, produk mereka bisa diakses oleh semua
orang dari berbagai daerah tanpa harus mengeluarkan biaya untuk memasang iklan karena sudah banyak
website yang menyediakan wadah untuk menampung iklan - iklan jual beli online. Namun masih banyak sekali
orang - orang yang secara sengaja maupun tidak sengaja untuk memasang iklan tidak pada kategori
sebenarnya. Hal ini terjadi karena proses pengklasifikasian iklan yang ada saat ini masih harus di inputkan
manual oleh sang pembuat iklan. Oleh karena itu kami membuat penelitian untuk membantu pengklasifikasian
iklan secara otomatis berdasarkan judul dan kata - kata yang ada pada iklan tersebut untuk meminimalisir
salah kategori dan agar website penyedia jasa pemasangan iklan bisa terlihat lebih rapi dan mudah untuk
melakukan pencarian iklan yang diinginkan.Penelitian ini dilakukan dengan menggunakan algoritma Nave
Bayes Classifier untuk klasifikasi. Pada algoritma Nave Bayes sendiri, data latih dan efisiensi sistem sangat
mempengaruhi nilai efisiensi yang dihasilkan. Sehingga penggunaan algoritma tersebut dimaksudkan untuk
mendapatkan nilai akurasi yang lebih maksimal dalam klasifikasi.
Kata Kunci : Jual Beli Online,Website,Naive Bayes Classifier

1. PENDAHULUAN
2.
3.
Online shop akhir - akhir ini
sangat digemari dari berbagai kalangan baik anak
muda maupun orang dewasa.Online shop
memberikan kemudahan bagi para customer untuk
menawarkan barang atau produk yang dimiliki oleh
customer baik dalam kondisi baru atau
bekas.Dengan kemudahan yang ditawarkan ini
customer semakin tertarik untuk mengiklankan
barang atau produk yang dimilikinya.
4.
Untuk mengelola informasi dari
kumpulan iklan yang jumlahnya sangat banyak
tentunya bukan pekerjaan yang mudah.Oleh karena
itu diperlukan sebuah metode yang dapat
mengorganisir dan mengklasifikasi iklan secara
otomatis,sehingga dapat mempermudah dalam
pencarian yang sesuai dengan keinginan.Tujuan
dilakukannya penelitian ini untuk membantu
pengklasifikasian iklan secara otomatis berdasarkan
judul dan kata - kata yang ada pada iklan tersebut
untuk meminimalisir kesalahan kategori dan agar
website penyedia jasa pemasangan iklan bisa
terlihat lebih rapi dan mudah untuk melakukan
pencarian iklan yang diinginkan.
5.
Bidang yang mempelajari teknik
- teknik untuk pengorganisasian dokumen teks
secara umum dibagi menjadi dua kelompok,yaitu

classification
dan
clustering.Menurut
Pramudiono,classification adalah proses untuk
menemukan model yang membedakan konsep atau
kelas
data,dengan
tujuan
untuk
dapat
memperkirakan kelas dari suatu objek yang
labelnya tidak diketahui.Sedangkan clustering
digunakan untuk melakukan pengelompokan data
tanpa berdasarkan kelas data tertentu dan dapat
digunakan untuk memberikan label pada kelas data
yang belum diketahui [7].
6.
Metode Nave Bayes dikenal
dengan algoritma klasifikasi simple
Bayesian. Algoritma ini banyak digunakan
karena terbukti efektif untuk kategorisasi
teks, sederhana, cepat dan akurasi tinggi
[11].Metode Nave Bayes atau Nave
Bayes Classifier (NBC) adalah salah satu
metode yang digunakan untuk klasifikasi
teks.NBC menggunakan teori probabilitas
sebagai dasar teori.Dalam bukunya,Han, J.
dan Kamber, M. menyatakan bahwa
Bayesian classifiers mempunyai tingkat
kecepatan dan akurasi yang tinggi ketika
diaplikasikan dalam database yang besar
[3].
7.
Data yang digunakan untuk
penelitian kali ini adalah data iklan yang kami
ambil
dari
www.tokobagus.com
dan
www.berniaga.com yang merupakan tempat

pemasangan iklan jual beli online. Iklan yang yang

diambil terdiri dari 5 kategori dengan 20 iklan
untuk masing - masing kategorinya.

8. MODEL, ANALISIS, DESAIN,

DAN IMPLEMENTASI
9.
9.1 Online Shop
10.
Dalam memudahkan customer
dalam mencari barang atau produk yang diinginkan
maka sebaiknya iklan - iklan yang ada online shop
di klasifikasikan sesuai dengan kategori masing masing iklan secara otomatis.Jika online shop dapat
melakukan klasifikasi iklan secara otomatis maka
dapat menghemat waktu yang diperlukan
mengingat iklan pada online shop dapat bertambah
banyak dalam waktu yang singkat sehingga online
shop dapat bekerja secara optimal.Selain dapat
mengefisiensi penggunaan waktu,klasifikasi juga
dapat membuat online shop terlihat rapi karena
iklan di klasifikasikan berdasarkan kategori yang
sesuai dengan barang atau produk yang diiklankan
oleh customer itu sendiri.Hal ini juga dapat
membantu customer yang ingin mencari barang
atau produk yang diinginkannya secara mudah.
11.
Seiring dengan perkembangan
teknologi informasi saat ini, jumlah
pengguna internet di Indonesia mengalami
peningkatan yang cukup pesat dari tahun
ke tahun. Hasil survey menunjukkan
jumlah pengguna internet di Indonesia
pada tahun 2011 mencapai sekitar 40 juta
dan saat ini terdapat sekitar 63 juta
pengguna internet di Indonesia [9].
12.
Perkembangan internet memang
sangat cepat dan memberi pengaruh
signifikan dalam segala aspek kehidupan
masyarakat.
Internet
membantu
masyarakat
untuk
berinteraksi,
berkomunikasi,serta
mendapatkan
informasi mengenai apapun dengan
mudah dan cepat. Seiring dengan
berjalannya
waktu
serta
diiringi
perkembangan teknologi, internet kini
dapat dimanfaatkan sebagai sarana untuk
melakukan transaksi perdagangan yang
dikenal dengan istilah jual beli online.Jual
beli online pada dasarnya merupakan
proses jual beli atau pertukaran produk,
jasa, dan informasi melalui jaringan
komunikasi termasuk internet [10].
13.
Keberadaan jual beli online
merupakan alternatif bisnis yang cukup
menjanjikan karena jual beli online
memberikan banyak kemudahan baik bagi
penjual
maupun
pembeli
dalam
melakukan transaksi perdagangan. Dengan
jual beli online setiap transaksi tidak
memerlukan pertemuan antara penjual dan
pembeli baik dalam tahap negosiasi,

pembayaran, ataupun pengiriman barang.

Hal inilah yang lama kelamaan membuat
kebiasaan masyarakat berbelanja di pusat
perbelanjaan berubah menjadi belanja
melalui media online.
14.
Di Indonesia, bisnis jual beli
online sudah mulai banyak dilakukan baik
oleh perusahaan - perusahaan besar
maupun toko - toko jualan milik pribadi,
seperti toko baju, sepatu,tas, parfum, dan
lain - lain. Banyak perusahaan dan toko
yang pada awalnya hanya menjual
produknya secara offline, kini mulai
memasarkan dan menjual produknya
melalui media online, baik itu website
perusahaan atau toko tersebut, media
komunikasi, ataupun situs jejaring sosial.
Strategi bisnis seperti ini pun seakan
mendapat respon positif dari masyarakat.
Masih bersumber dari okezone.com, saat
ini 57% dari pengguna internet di
Indonesia atau sejumlah 36 juta jiwa aktif
melakukan belanja online, dan tingkat
pertumbuhannya sebesar 15%. Hal ini
membuktikan bahwa bisnis online
memang merupakan bisnis yang sangat
menjanjikan namun di sisi lain bisnis
online dapat memperketat persaingan
dagang antar perusahaan atau toko.
15.
Dalam dunia bisnis online,
persaingan yang terjadi lebih ke arah
persaingan layanan yang diberikan
dibandingkan produk yang dijual.Kualitas
layanan yang diberikan menjadi tolak ukur
konsumen dalam menilai dan memilih
untuk membeli produk pada suatu
perusahaan atau toko online tertentu.
Inilah yang terkadang menjadi penyebab
suatu bisnis online dapat atau tidak dapat
bertahan. Oleh karena itu,sangat penting
bagi perusahaan atau toko online untuk
dapat menerapkan metode pengendalian
dan peningkatan kualitas layanan agar
mampu bertahan dalam persaingan bisnis
online yang semakin ketat.
16.
Salah satu metode yang sering
digunakan oleh berbagai perusahaan untuk
meningkatkan dan mengendalikan kualitas
adalah Six Sigma DMAIC (Define Measure - Analyze - Improve - Control)
[8]. Pada awalnya,Six Sigma lebih banyak
digunakan pada perusahaan manufaktur.
Seiring dengan berjalannya waktu, saat ini
banyak perusahaan yang sepenuhnya
menawarkan jasa sebagai produknya (nonmanufacture) seperti bank, institusi
pendidikan, rumah sakit, serta perusahaan
transportasi umum juga telah menerapkan
metode Six Sigma sebagai sarana untuk
meningkatkan dan mengendalikan kualitas

layanan
[2].
Berdasarkan
hal
tersebut,timbul pemikiran bahwa metode
Six Sigma pun dapat diterapkan pada
bisnis online shop, dimana kualitas jasa /
layanan yang diberikan merupakan faktor
yang sangat penting, di samping kualitas
dan harga produk yang kompetitif.

terdapat variasi imbuhan yang harus

dibuang untuk mendapatkan root word
(kata dasar) dari sebuah kata. Pada
umumnya kata dasar pada bahasa
Indonesia terdiri dari kombinasi [1] :
33.
34. Prefiks 1 + Prefiks 2 + Kata dasar +
Sufiks 3 + Sufiks 2 + Sufiks 1

17.
17.1Teks Preprosessing
Text Preprocessing adalah suatu
proses pengubahan bentuk data belum
terstruktur menjadi data yang terstruktur
sesuai kebutuhannya untuk proses dalam
data mining. Tujuan dilakukan preprocessing adalah memilih setiap kata dari
dokumen dan merubahnya menjadi kata
dasar yang memiliki arti sempit dan proses
teks mining akan memberikan hasil yang
lebih
memuaskan.
Tahapan
text
preprocessing menurut Mooney terbagi
menjadi lima tahap, yaitu tokenizing,
filtering,
stemming,
tagging,
dan
analyzing [6]. Dalam klasifikasi iklan
pada online shop, kami memodifikasi
tahapan text preprocessing menjadi seperti
pada Gambar 1 dibawah ini.
19.
20.
21. TOKENIZING
22.
23.
24. FILTERING
25.
26.
27. STEMMING
28.
29.
Gambar 1. Tahap
Preprocessing
30.
31.
Stemming
merupakan
suatu
proses yang terdapat dalam sistem IR yang
mentransformasikan kata - kata yang
terdapat dalam suatu dokumen ke kata kata akarnya (root word) dengan
menggunakan aturan - aturan tertentu.
Sebagai
contoh,
kata
bersama,
kebersamaan, menyamai, akan distem ke
root wordnya yaitu sama.
32.
Stemming Bahasa Indonesia
dengan
Algoritma
Nazief
dan
Andriani.Algoritma
stemming
untuk
bahasa yang satu berbeda dengan
algoritma stemming untuk bahasa lainnya.
Sebagai contoh bahasa Inggris memiliki
morfologi yang berbeda dengan bahasa
Indonesia sehingga algoritma stemming
untuk kedua bahasa tersebut juga berbeda.
Proses stemming pada teks berbahasa
Indonesia lebih rumit/kompleks karena

35.

18.

Algoritma Nazief & Adriani yang

dibuat oleh Bobby Nazief dan Mirna
Adriani ini memiliki tahap - tahap sebagai
berikut [4] :

1.

Pertama cari kata yang akan di sistem dalam

kamus kata dasar. Jika ditemukan maka
diasumsikan kata adalah root word. Maka
algoritma berhenti.
2. Inflection Suffixes (-lah, -kah, -ku, -mu,
atau -nya) dibuang. Jika berupa particles (lah, -kah, -tah atau -pun) maka langkah
ini diulangi lagi untuk menghapus Possesive
Pronouns (-ku, -mu, atau -nya), jika ada.
3. Hapus Derivation Suffixes (-i, -an atau kan). Jika kata ditemukan di kamus, maka
algoritma berhenti. Jika tidak maka ke langkah
3a.
a. Jika -an telah dihapus dan huruf terakhir
dari kata tersebut adalah -k, maka -k
juga ikut dihapus. Jika kata tersebut
ditemukan dalam kamus maka algoritma
berhenti. Jika tidak ditemukan maka lakukan
langkah 3b.
b. Akhiran yang dihapus (-i, -an atau kan) dikembalikan, lanjut ke langkah 4
4. Hilangkan
derivation
prefixes
DP
{di-,ke-,se-,me-,be-,pe,
te-}
dengan iterasi maksimum adalah 3 kali :
a. Langkah 4 berhenti jika:
Terjadi kombinasi awalan dan akhiran
yang terlarang seperti pada Tabel 1.
Awalan yang dideteksi saat ini sama
dengan
awalan
yang
dihilangkan
sebelumnya.
Tiga awalan telah dihilangkan.
36.
37.

Aw
alan

39.
41.
43.
45.

bedikeme
-

38.

Akhiran yang tidak

Diizinkan
40.
-i
42.
-an
44.
-i,-kan
46.

-an

47.
se48.
-i,-kan
49.
te50.
-an
51. Tabel 1. Kombinasi Awalan Akhiran
yang Tidak Diijinkan

b.

Identifikasikan tipe awalan dan hilangkan.

Awalan ada tipe:
- Standar: di-, ke-, se- yang dapat
langsung dihilangkan dari kata.
- Kompleks: me-, be-, pe, te-
adalah tipe-tipe awalan yang dapat
bermorfologi sesuai kata dasar yang
mengikutinya. Oleh karena itu, gunakan
aturan pada Tabel 2 untuk mendapatkan
pemenggalan yang tepat.
52.

53.
At

54. Format
Kata

55. Pemengg
alan

56.
1
59.
2

57. berV...
60. berCA
P

62.
3

63. berCA
erV

65.
4
68.
5

66. belajar

58. ber-V...|
ber-rV...
61. berCAP...di
manaC!
=r&P!
=er
64. BerCaerV...d
imana C!
=r
67. bel-ajar

71.
6
74.
7

72. terV

77.
8

80.
9

83.
10
86.
11
89.
12

69.

beC1er
C2

75. terCer
V...

78. terCP

81. teC1er
C2

84. me{l|r|
w|
y}V...
87. mem{b
|f|v}...
90. mempe
{r|l}...

70. beC1erC2...
dimana
C1!
={r|l}
73. ter-V...|
te-rV...
76. terCerV...di
mana C!
=r
79. terCP...dim
ana C!
=r dan
P!=er
82. teC1erC2...
dimana
C1!=r
85. me-{l|r|
w|y}V...
88. mem-{b|
f|v}...
91. mempe...

92.
13

93. mem{r
V|V}...

95.
14
98.
15
101.
16

96. men{c|
d|j|z}...
99. menV...

104.
17

102.meng{
g|h|
q}...
105.mengV.
..

107.
18
110.
19

108.menyV.
..
111. memp
V...

113.
20
116.
21
119.
22

114.pe{w|
y}V...
117.perV...
120.perCA
P

122.
23

123.perCA
erV...

125.
24
128.
25

126.pem{b|
f|V}...
129.pem{r
V|V}...

131.
26
134.
27
137.
28
140.
29

132.pen{c|
d|j|z}...
135.penV...
138.peng{g
|h|q}...
141.pengV..
.

143.
30
146.

144.penyV..
.
147.pelV...

94. mem{rV|
V}...|mep{rV|
V}...
97. men-{c|
d|j|z}...
100.me-nV...|
me-tV
103.meng-{g|
h|q}...
106.mengV...|
mengkV...
109.menysV...
112.mempV...dim
ana V!
=e
115.pe-{w|
y}V...
118.per-V...|
pe-rV...
121.perCAP...di
mana C!
=r dan
P!=er
124.perCaerV...d
imana C!
=r
127.pem-{b|f|
V}...
130.pe-m{rV|
V}...|pep{rV|
V}...
133.pen-{c|d|
j|z}...
136.pe-nV...|
pe-tV...
139.peng-{g|
h|q}...
142.pengV...|
pengkV...
145.penysV...
148.pe-

31

lV...kecu
ali
pelajar
yang
menghas
ilkan
ajar
149.
150.peCerV
151.per32
...
erV...dim
ana C!
={r|w|y|l|
m|n}
152.
153.peCP...
154.pe33
CP...dim
ana C!
={r|w|y|l|
m|n} dan
P!=er
155.Tabel 2. Aturan Pemenggalan Awalan
Stemmer Nazief dan Adriani

163.f

(w k , j ) pada kategori
164.f

165.

162.Dimana :

|b|

ci

adalah jumlah keseluruhan kata

yang digunakan
166.
167.

Dimana
variabel
C
merepresentasikan
kelas,
sementara
variabel F1, Fn merepresentasikan
karakteristik - karakteristik petunjuk yang
dibutuhkan untuk melakukan klasifikasi.
Maka rumus tersebut menjelaskan bahwa
peluang masuknya sampel dengan
karakteristik tertentu dalam kelas C
(posterior) adalah peluang munculnya
kelas C (sebelum masuknya sampel
tersebut, seringkali disebut prior), dikali
dengan peluang kemunculan karakteristik
sampel pada kelas C (disebut juga
likelihood), dibagi dengan peluang
kemunculan karakteristik - karakteristik
sampel secara global (disebut juga
evidence) [5].
168.
169.

P(C | F1 ...Fn )

P (C )
P( Fi | C )
Z i 1

170.

3. SKENARIO UJI COBA

171.
172.

f ( wkj , ci ) 1

f (ci ) | W |

160.

161.

ci

c i adalah jumlah keseluruhan kata

pada kategori

155.1 Nave Bayes Classifier

156.
Nave Bayes Classifier adalah
metode pengklasifikasian dengan model
peluang, dimana diasumsikan bahwa
setiap atribut contoh (data sampel) bersifat
saling lepas satu sama lain berdasarkan
atribut kelas. Metode klasifikasi ini
diturunkan dari penerapan teorema Bayes
dengan asumsi independence (saling
bebas).
157.
158.
Nave
Bayes
Classifier
merupakan sebuah metode klasifikasi
yang berakar pada teorema Bayes. Ciri
utama dari Nave Bayes Classifier ini
adalah asumsi yang sangat kuat (naif)
akan independensi dari masing - masing
kondisi/kejadian. Sebelum menjelaskan
Nave BayesClassifier ini, akan dijelaskan
terlebih dahulu Teorema Bayes yang
menjadi dasar dari metode tersebut. Pada
teorema Bayes, bila terdapat dua kejadian
yang terpisah (misalkan A dan B), maka
teorema Bayes dirumuskan sebagai
berikut :
159.

p ( wkj | ci )

(w k , j ) adalah nilai kemunculan kata

Dalam penelitian ini kami

menggunakan metode Nave Bayes.
Skenario yang digunakan adalah dengan
melakukan proses training dan testing
secara berkesinambungan pada beberapa
rasio atau perbandingan data yang dipilih
secara acak. Dari beberapa kali uji coba
tiap sekenario kami mengamati berapa rata
- rata akurasi dari progam kami. Berikut
detail dari skenario yang digunakan.
Pemilihan data training dan data testing secara
random
Rasio perbandingan data training dan testing
yang digunakan adalah [80:20], [70:30],
[60:40], [50:50] dan [40:60] dalam satuan
persen (%).
Pada proses testing data ditampilkan
probabilitas kelas untuk setiap iklan testing,
Dan akurasi untuk tiap sekenario.
173.
Hasil mapping data dokumen
Iklan ini awalnya hanya memanfaatkan

fitur frekuensi munculnya kata pada tiap

dokumen. akibatnya banyak dari beberapa
dokumen tersebut memiliki nilai fitur yang
sama, sehingga hasil visualisasi mapping
titik datanya terlihat saling overlap.
Dengan menggunakan metode Nave
Bayes
diharapkan
mampu
untuk
menempatklan data iklan tersebut kedalam
kelas yang tepat.

225.
226.

Skenario 1
102%
100%
98%
96%
94%
92%

174.
4. HASIL UJI COBA
175.
176.

Pada uji coba yang pertama, yaitu

dengan variasi rasio perbandingan data
training dan testing. Hal ini kami lakukan
untuk menguji apakah metode yang
digunakan tersebut tetap bisa handal pada
berbagai situasi data keluhan. Berikut
beberapa hasil proses pelatihan yang
didapatkan. Dengan rumus :

177.

dtBenar x100%
Dt

178.
Akurasi
179.
Kita dapat menentukan akurasi
dari total data testing yang diuji dengan :

dtBenar

180.

= data jumlah dari semua

data yang kelasnya sesuai.

Dt
181.

227.Gambar 2. Grafik Akurasi Hasil Uji

Coba Skenario 1
228.
229.
Dari gambar 2 kita bisa lihat
untuk skenario pertama ini data testing
yang digunakan adalah 80% dari total data
ternyata cukup untuk memberikan
training terhadap data testing sehingga
didapatkan rata - rata yang paling kecil
adalah 94%.
230.
231.

Skenario 2
102%
100%
98%
96%
94%
92%

= jumlah dari keseluruhan data

testing

182.

197. 70:30,

186. perc
obaa
n1
192. 100
%
198. 100
%

203. 60:40,

204. 95%

209. 40 : 60,

210. 91%

215. 20 : 80,

216. 83%

183. Skenario

191. 80:20,

221.

222.Tabel 3. Akurasi Hasil Uji Coba

223.
224.
Dari tabel 3 bisa kita lihat
semakin menurunnya akurasi berbanding
lurus dengan menurunnya perbandingan
data training terhadap data testing, hal ini
disebabkan karena semakin sedikitnya
fitur kata atau term yang diolah oleh nave
bayes
untuk
membandingkan
dan
mengklasifikasikan iklan pada data testing
secara tepat dan akurat.

232.Gambar 3. Grafik Akurasi Hasil Uji

Coba Skenario 2
233.
234.
Dari gambar 3 untuk skenario
kedua ini data testing yang digunakan
adalah 70% dari total data ternyata
hasilnya lebih bagus dengan minium
ketepatan kelasnya adalah 96% lebih besar
dari pada skenario 1 94%.
235.

236.

Skenario 3
102%
100%
98%
96%
94%
92%

237.Gambar 4. Grafik Akurasi Hasil Uji

Coba Skenario 3
238.
239.
Dari gambar 4 untuk skenario
ketiga ini data testing yang digunakan
adalah 60% dari total data ternyata
hasilnya masih bisa diatas 90% dengan
minium ketepatan kelasnya adalah 95%
namun hanya 2 percobaan yang mampu
menghasilkan akurasi 100%.
240.
241.

Skenario 4
98%
96%
94%
92%
90%
88%

Gambar 5. Grafik Akurasi Hasil Uji

Coba Skenario 4
242.
243.
Dari gambar 5 kita bisa lihat
untuk skenario ke empat ini data testing
yang digunakan adalah 40% dari total
data. Dari 5 kali percobaan tidak ada
akurasi yang mencapai 100% namun
minimum akurasinya masih 91% yang
terdapat pada percobaan pertama.
244.
245.

Skenario 5
85%
80%
75%
70%
65%

246.Gambar 6. Grafik Akurasi Hasil Uji

Coba Skenario 5
247.
248.
Dari gambar 6 kita bisa lihat
untuk skenario kelima ini data testing
yang digunakan adalah 20% dari total
data. Dari 5 kali percobaan tidak ada
akurasi yang mencapai 100% dan nilai
akurasi minimum dari skenario ini adalah
72%. Hal ini dikarenakan jumlah data
training yang kurang memadai sehiingga
metode nave bayes belum bisa mengenali
pola dengan baik.
249.
251.Rata
250.Data testing : data
training
Rata
254.80::20
255.98%
256.70::30
257.98%
258.60::40
259.97%
260.40::60
261.94%
262.20::80
263.77%
264.Rata - rata Global
265.93%
266.Tabel 4 Rata - Rata Akurasi Tiap
Percobaan
267.
268.
Dari tabel 4 rata - rata terbaik
berada pada sekenario uji 80 : 20 dan 70 :
30. Hal ini menunjukkan bahwa semakin
banyak jumlah data training yang
dimasukkan pada nave bayes maka
kemampuan nave bayes mengenali iklan
traning semakin baik. Dari tabel tersebut
kita bisa membuat grafik rata - rata akurasi
pada gambar 7.
269.
270.

Rata - rata akurasi

20::80

77%

40::60

94%

60::40

97%

70::30

98%

80::20

98%

0%

50%

100%

150%

271.Gambar 7. Grafik Akurasi Hasil Uji

Coba
272.
273.
Bila melihat dari gambar 7 diatas
maka bisa dilihat bahwa prosentasi
banyaknya data testing harus lebih banyak
dari pada data training dikarenakan
semakin banyaknya data training yang di

masukkan maka metode nave bayes dapat

lebih akurat untuk menentukan kelas
masing - masing data testing.
274.

5. KESIMPULAN DAN SARAN

275.
276.
Dari
beberapa
skenario
percobaan diatas maka dapat kita simpulkan
beberapa hal yaitu,Nave Bayes termasuk salah satu
metode klasifikasi teks yang cukup akurat hal ini
bisa dilihat dari akurasi global yang didapatkan
93%,banyaknya data training sangat berpengaruh
pada proses klasifikasi. Oleh karena itu data
training di masukkan sebanyak mungkin untuk
membantu menambah akurasi nave bayes dalam
klasifikasi data testing.Proses stemming dengan
confix stemming steamer termasuk akurat untuk
menghilangkan kata - kata yang tidak berhubungan
dan mengambil kata dasar. Pengembangan
lebih
lanjut dapat diharapkan dapat menghasilkan sistem
yang lebih baik dan kompleks dengan memperbaiki
fitur
dengan
contohnya
sebagai
berikut,menambahkan fitur selain banyaknya kata
untuk membantu proses
klasifikasi dan
menyempurnakan metode stemming agar bisa lebih
akurat dalam mengambil kata dasar.
277.

6. DAFTAR PUSTAKA
278.
279. [1] Agusta, L.2009. Perbandingan Algoritma
Stemming Porter Dengan Algoritma Nazief
dan Adriani Untuk Stemming Dokumen Teks
Bahasa Indonesia. Konferensi Nasional
Sistem dan Informatika 2009.
280.
281. [2] Antony, J. (2006), Six Sigma for Service
Processes,Business Process Management
Journal,Vol.12, 234-248.
282.
283. [3] Han, J. & Kamber, M.2001. Data
Mining : Concepts and Techniques. San
Francisco: Morgan Kaufmann.
284.
285. [4] Mahendra,K.,2008,
Penggunaan
Algoritma Semut dan Confix Stripping
Stemmer untuk Klasifikasi Dokumen Berita
Berbahasa Indonesia,Tugas Akhir,Institut
Teknologi Sepuluh November, Surabaya.
286.
287. [5] Marmudi.2007.Tentang Nave Bayes
Classifier.Andi,Yogyakarta.
288.
289. [6] Mooney, Raymond J. 2006. Mining Text
Mining with Information Extraction. Austin :
University of Texas.
290.
291. [7] Pramudiono,Iko.2003.Pengantar
Data
Mining : Menambang Permata Pengetahuan di
Gunung Data.http://ilmukomputer.com.

292.
293. [8] Pyzdek, T. 2003. The Six Sigma
Handbook: A Complete Guide for Green
Belts, Black Belts,and Managers at All
Levels.
Revised
and
Expanded.The
McGraw-Hill Companies, Inc.,United States
of America.
294.
295. [9] Sektor Riil : 36 Juta Jiwa Aktif
Menggunakan
296.
Bisnis Online [online].http://
economy.

okezone.com/read/2013/04/01/320/784483/re
direct.html, diakses 24 Juni 2013.
297.
298. [10]
Suyanto, M. 2003. Strategi
Periklanan pada Ecommerce Perusahaan Top
Dunia. Andi, Yogyakarta.
299.
300. [11]
Wenyuan
Dai,
et
all.1997.Transferring
Nave
Bayes
Classifiers for Text Classifications.
301.
302.
303.
304.
305. Danny
Septiawan.
Lahir di Surabaya pada
tanggal 7 September
1991. Peneliti telah
menyelesaikan
pendidikan SMK di
SMK Farmasi Sekesal
Surabaya
2006-2009.
Saat ini peneliti aktif
sebagai mahasiswa di
jurusan
Teknik
Informatika
Program
Teknologi dan Ilmu Komputer (PTIIK) Universitas
Brawijaya (UB) Malang Angkatan 2010.
Motto : Hidup adalah pilihan.
306.

307. Dwi
Aries
Suprayogi. Lahir
di Surabaya pada
tanggal 19 April
1992.
Peneliti
telah
menyelesaikan
pendidikan SMA
di SMA N 8
Surabaya 2007-2010. Saat ini peneliti aktif sebagai
mahasiswa di jurusan Teknik Informatika Program
Teknologi dan Ilmu Komputer (PTIIK) Universitas
Brawijaya (UB) Malang Angkatan 2010.
308.
Motto : Just luck and the power of
Allah that could beat me.
309. Abdul Malik Mukhtar. Lahir di Pancor pada
tanggal 27 November 1991. Peneliti telah
menyelesaikan pendidikan SMA di MAN 1 Selong
2007-2010. Saat ini peneliti aktif sebagai mahasiswa
di jurusan Teknik Informatika Program Teknologi
dan Ilmu Komputer (PTIIK) Universitas Brawijaya
(UB) Malang Angkatan 2010.

310. Motto : Sebaik - baiknya manusia adalah manusia

yang berguna bagi orang lain.
311. Wahyudi Hatiyanto. Lahir di Pamekasan pada
tanggal 25 july 1992. Peneliti telah menyelesaikan
pendidikan SMA di SMA 1 Galis 2007-2010. Saat ini
peneliti aktif sebagai mahasiswa di jurusan Teknik
Informatika Program Teknologu dan Ilmu Komputer
(PTIIK) Universitas Brawijaya (UB) Malang
Angkatan 2010.
312. Motto : Menjadi yang terbaik.

313.

314.
315.