PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB...

47
PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK ASAL SISWA SMA NEGERI DI KABUPATEN PRINGSEWU MENGGUNAKAN METODE NAÏVE BAYES (Skripsi) Oleh : RISKA APRILIA JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG 2017

Transcript of PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB...

Page 1: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK ASALSISWA SMA NEGERI DI KABUPATEN PRINGSEWU

MENGGUNAKAN METODE NAÏVE BAYES

(Skripsi)

Oleh :

RISKA APRILIA

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS LAMPUNG

2017

Page 2: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

ABSTRAK

PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK ASALSISWA SMA NEGERI DI KABUPATEN PRINGSEWU

MENGGUNAKAN METODE NAÏVE BAYES

Oleh

RISKA APRILIA

Jarak siswa dapat diketahui dari data asal siswa yang tersimpan. Asal siswa yangberbeda-beda akan menghasilkan jarak yang berbeda pula. Penelitian inidilakukan untuk mengetahui klasifikasi jarak asal siswa yang tersimpan di SMAnegeri di Kabupaten Pringsewu. Jarak asal siswa diklasifikasikan untukmendapatkan lima class/kategori yaitu sangat dekat, dekat, sedang, cukup jauh,dan jauh dengan menggunakan atribut nomor, SMA, kabupaten, kecamatan,kelurahan, jarak, asal SMP, dan class. Klasifikasi dilakukan dengan menggunakanmetode Naive Bayes dengan menggunakan tool Weka. Pembagian data trainingdan data testing yang berbeda sebanyak 20 kali pengujian menghasilkan akurasiNaïve Bayes tertinggi yaitu 89.329% pada pembagian data training 60% dan datatesting 40%. Data asal siswa dan informasi hasil klasifikasi ditampilkan dalambentuk peta digital yaitu peta sebaran asal siswa SMA negeri di KabupatenPringsewu.

Kata Kunci: Klasifikasi, Naïve Bayes, Jarak Siswa, Sebaran Siswa

Page 3: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

ABSTRACT

DISTRIBUTION MAPPING OF STUDENTS ADDRESS ANDCLASSIFICATION DISTANCE HIGH SCHOOL STUDENTS IN THE

PRINGSEWU DISTRICT USING NAÏVE BAYES METHOD

By

RISKA APRILIA

Distance students can be seen from the data stored student's address. Address highschool students in the Pringsewu District have different distances. This researchwas conducted to determine the classification of the distance stored in high schoolstudents in the Pringsewu District. Distance students are classified to obtain fivecategories: “sangat dekat”, “dekat”, “sedang”, “cukup jauh”, and “jauh” by usingeight attributes are “nomor”, “SMA”, “kabupaten”, “kecamatan”, “kelurahan”,“jarak”, “asal SMP”, and “class”. The classification performed by using NaiveBayes using Weka tool. Distribution of training data and testing data is differentas much as 20 times of testing, resulting in the highest accuracy Naïve Bayes is89.329% on distribution of 60% training data : 40% testing data. The data ofstudents address and information classification results displayed in the form ofdigital map that is mapping of student’s address in high school in the PringsewuDistrict.

Keywords: Classification, Mapping Students, Naïve Bayes, Distance Students.

Page 4: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK ASALSISWA SMA NEGERI DI KABUPATEN PRINGSEWU

MENGGUNAKAN METODE NAÏVE BAYES

Oleh :

RISKA APRILIA

Skripsi

Sebagai Salah Satu Syarat untuk Memperoleh Gelar

SARJANA KOMPUTER

pada

Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS LAMPUNG

2017

Page 5: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi
Page 6: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi
Page 7: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

PERNYATAAN

Saya yang bertanda tangan di bawah ini, menyatakan bahwa skripsi saya yang

berjudul “Pemetaan Sebaran Asal Siswa dan Klasifikasi Jarak Asal Siswa SMA

Negeri di Kabupaten Pringsewu Menggunakan Metode Naïve Bayes” merupakan

karya saya sendiri dan bukan karya orang lain. Semua tulisan yang tertuang di

skripsi ini telah mengikuti kaidah penulisan karya ilmiah Universitas Lampung.

Apabila dikemudian hari terbukti skripsi saya merupakan hasil penjiplakan atau

dibuat orang lain, maka saya bersedia menerima sanksi berupa pencabutan gelar

yang telah saya terima.

Bandar Lampung, 2 Februari 2017

RISKA APRILIA

NPM. 1217051061

Page 8: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 26 April 1994 di Gumukmas

Kecamatan Pagelaran, Kabupaten Pringsewu sebagai anak

kedua dari dua bersaudara dengan Ayah bernama Rinto Riyadi

dan Ibu bernama Poniyati.

Penulis menyelesaikan pendidikan formal di TK Dharma Wanita Gumukmas pada

tahun 2000, kemudian melanjutkan pendidikan dasar di SD Negeri 1 Gumukmas

dan selesai tahun 2006. Pendidikan menengah pertama diselesaikan di SMP

Negeri 1 Pagelaran pada tahun 2009, kemudian melanjutkan ke pendidikan

menengah atas di SMA Negeri 1 Pringsewu dan lulus di tahun 2012.

Tahun 2012, penulis terdaftar sebagai mahasiswa Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Selama

menjadi mahasiswa beberapa kegiatan yang dilakukan penulis antara lain:

1. Bulan Januari 2013 melaksanakan Karya Wisata Ilmiah di Desa Sukoharjo

IV Kabupaten Pringsewu.

2. Tahun 2014 bergabung menjadi volunteer di Sahabat Pulau Lampung.

3. Bulan Januari 2015 melaksanakan kerja praktek di Badan Pusat Statistik

(BPS) Kabupaten Pesawaran.

4. Bulan Juli 2015 melaksanakan Kuliah Kerja Nyata (KKN) di Desa Mekar

Jaya Kecamatan Gunung Agung Kabupaten Tulang Bawang Barat.

Page 9: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

PERSEMBAHAN

Teruntuk Bapak Rinto Riyadi dan Ibu Poniyati yang sangat kucintai, kupersembahkanskripsi ini.

Terimakasih untuk kasih sayang, perhatian, pengorbanan, usaha, dukungan moril maupunmateri, motivasi dan do’a-do’a mu yang tak akan terbalaskan.

Teruntuk Kakakku Rudianto

Terikasih untuk kasih sayang, doa, pengorbanan, usaha, dukungan moril maupun materisenyum, dan kebersamaan yang tidak akan terlupakan.

Page 10: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

MOTTO

“FA BIAYYI ALAA’I RABBI KUMA TUKADZDZI BAN”Maka nikmat Tuhanmu yang manakah yang kamu dustakan.(Q.S. Ar Rahman: 13)

“FAINNAMA’AL USRI YUSRO. INNAMA’AL USRI YUSRO”Sesungguhnya bersama dengan kesulitan ada kemudahan. Bersama dengankesulitan ada kemudahan.

(Q.S.Al-Insyirah:6-7)

“Tak perlu menjelaskan dirimu kepada siapapun, karena yang menyukaimutidak membutuhkannya, dan yang membencimu tidak akanmempercayainya” (Ali Bin Abi Thalib)

Page 11: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

SANWACANA

Alhamdulillahirabbil’alamin, puji syukur kehadirat Allah SWT atas berkat

rahmat, hidayah, dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi

ini.

Skripsi ini disusun sebagai syarat untuk memperoleh gelar Sarjana Komputer di

Jurusan Ilmu Komputer Universitas Lampung. Penyelesaian skripsi ini tidak

terlepas dari bantuan banyak pihak yang membantu baik secara materi, moril,

saran, dan bimbingan. Oleh karena itu, penulis mengucapkan terimakasih kepada:

1. Kedua orang tua tercinta, Bapak Rinto Riyadi dan Ibu Poniyati, serta

Kakakku Rudianto yang selalu memberi dukungan berupa materi, doa,

motivasi dan kasih sayang yang tak terhingga.

2. Bapak Dr. Ir. Kurnia Muludi, M.S.Sc., sebagai pembimbing utama, yang

telah membimbing penulis dan memberikan ide, kritik serta saran sehingga

penulisan skripsi ini dapat diselesaikan.

3. Bapak Aristoteles, S.Si., M.Si., sebagai pembimbing kedua, yang telah

membimbing penulis dan memberikan bantuan, kritik serta saran dalam

pembuatan skripsi ini.

4. Bapak Rico Andrian, S.Si., M.Kom., sebagai pembahas, yang telah

memberikan masukan yang bermanfaat dalam perbaikan skripsi ini.

5. Bapak Prof. Warsito, S.Si., D.E.A., Ph.D., selaku Dekan FMIPA

Universitas Lampung.

6. Bapak Dr. Ir. Kurnia Muludi, M.S.Sc., selaku Ketua Jurusan Ilmu

Komputer FMIPA Universitas Lampung sekaligus Pembimbing Akademik

Page 12: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

selama penulis menjadi mahasiswa Ilmu Komputer dan Bapak Didik

Kurniawan, S.Si.,MT., selaku Sekretaris Jurusan Ilmu Komputer FMIPA

Universitas Lampung.

7. Bapak dan Ibu Dosen Jurusan Ilmu Komputer yang telah memberikan

ilmu dan pengalaman dalam hidup untuk menjadi lebih baik.

8. Eko Ibrahim Ahmad yang selalu mendengarkan keluh, memberi motivasi

doa, dan semangat, serta Fenti Visiamah dan Ana Rianti yang selalu

memberikan semangat dan doa.

9. Winda, Eka, Mei, Lutfi, Aul, dan teman KKN (Mona, Guntur, Khorik,

Citra, Gio, Iko) yang telah memberi doa dan semangat.

10. Kawan seperjuangan: Nafi, Erlina, Anita, Qonitati, Yuni, Maya, Puja,

Nila, Cindona, Ciwo, Taqiya, Dian, Afriska, Nurul, Erika, Haryati, Indah,

Lia, Deby, Qiqin, Roni, Dipa, Juan, Shandy, Abet, Moko, Bintang,

Ridwan dan seluruh keluarga besar Ilmu Komputer 2012.

11. Teman-teman Sahabat Pulau Lampung.

12. Ibu Ade Nora Maela dan Mas Irsan yang telah membantu segala urusan

administrasi, dan Mas Nurhollis yang telah menyiapkan ruang seminar

selama penulis kuliah di Jurusan Ilmu Komputer.

Penulis menyadari bahwa laporan ini masih jauh dari kata sempurna. Secara

pribadi penulis mohon maaf yang sebesar-besarnya atas segala kekurangannya.

Besar harapan agar skripsi ini dapat berguna bagi penulis dan semua pembacanya

Bandar Lampung, 2 Februari 2017Penulis

Riska Aprilia

Page 13: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

xii

DAFTAR ISI

Halaman

DAFTAR ISI.................................................................................................. xii

DAFTAR GAMBAR .....................................................................................xiv

DAFTAR TABEL.......................................................................................... xv

BAB I PENDAHULUAN

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan 3

1.5 Manfaat 4

BAB II TINJAUAN PUSTAKA

2.1 Klasifikasi .........................................................................................5

2.1.1 Komponen Klasifikasi..............................................................5

2.1.2 Kerangka Klasifikasi................................................................7

2.2 Probabiitas.........................................................................................8

2.2.1 Data Probabilitas .....................................................................8

2.3 Naïve Bayes .......................................................................................9

2.3.1 Perhitungan Naïve Bayes.........................................................11

2.4 Pengukuran Kinerja..........................................................................13

2.5 Jarak .................................................................................................14

BAB III METODOLOGI PENELITIAN

Page 14: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

xiii

3.1 Metode Penelitian.............................................................................17

3.2 Waktu dan Tempat Penelitian ..........................................................18

3.3 Tahap Penelitian...............................................................................18

3.4 Pengukuran Kinerja Algoritma Klasifikasi ......................................26

3.5 Analisis Hasil Pengujian ..................................................................26

3.6 Visualisasi Data...............................................................................27

BAB IV HASIL DAN PEMBAHASAN

4.1 Pra-proses Klasifikasi ......................................................................28

4.2 Pembagian Data Training dan Data Testing ....................................32

4.3 Format Klasifikasi ............................................................................32

4.4 Proses Klasifikasi .............................................................................34

4.4.1 Klasifikasi dengan Naïve Bayes ..............................................34

4.5 Pengukuran Kinerja Algoritma ........................................................35

4.6 Pra-proses Visualisasi Data ..............................................................40

4.7 Visualisasi Data ................................................................................41

4.8.1 Visualisasi Jarak Asal Siswa SMA Negeri di Kabupaten

Pringsewu...............................................................................42

4.9 Pembahasan.....................................................................................44

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan 46

5.2 Saran 46

DAFTAR PUSTAKA 48

LAMPIRAN

Page 15: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

xiv

DAFTAR GAMBAR

Halaman

Gambar 2.1 Proses Klasifikasi ........................................................................ 7

Gambar 3.1 Diagram Alir Penelitian ............................................................. 17

Gambar 4.1 Proses Perapihan Data Asal Siswa SMAN 1 Gadingrejo .......... 29

Gambar 4.2 Data Training Format .csv ......................................................... 33

Gambar 4.3 Data Training Format .arff ......................................................... 33

Gambar 4.4 Rata-rata akurasi dengan Naïve Bayes ....................................... 35

Gambar 4.5 Rata-Rata Presentase Precision dan Recall metode Naïve

Bayes untuk Class Jauh............................................................. 39

Gambar 4.6 Data Sebelum Visualisasi........................................................... 40

Gambar 4.7 Visualisasi Data dengan Quantum Gis....................................... 41

Gambar 4.8 Visualisasi Hasil Klasifikasi dengan Naïve Bayes ..................... 42

Gambar 4.9 Perbedaan Warna Visualisasi Perbedaan Hasil Klasifikasi

dengan Naïve Bayes .................................................................. 43

Gambar 4.10 Contoh Visualisasi Hasil Klasifikasi dengan Naïve Bayes

pada Satu Point ......................................................................... 43

Page 16: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

xv

DAFTAR TABEL

Halaman

Tabel 1.1 Banyaknya Murid SMA Dirinci Menurut Jenis Kelamin PerKecamatan di Kabupaten Pringsewu Tahun 2015.......................... 1

Tabel 2.1 Confusion Matrix ........................................................................... 14

Tabel 2.2 Kategori Jarak Jangkauan dan Waktu Tempuh ............................. 15

Tabel 3.1 SMA Negeri di Kabupaten Pringsewu........................................... 18

Tabel 3.2 Atribut Klasifikasi.......................................................................... 19

Tabel 3.3 Data Training ................................................................................. 20

Tabel 3.4 Hasil Perhitungan Mean dan Standar Deviasi, dan DensitasGauss jarak siswa .......................................................................... 24

Tabel 3.5 Hasil Perhitungan Mean dan Standar deviasi, dan DensitasGauss jarak no siswa ..................................................................... 25

Tabel 3.6 Probabilitas dari setiap class untuk atribut data diskrit.................. 25

Tabel 4.1 Data SMAN 1 Gadingrejo Sebelum Pra-proses............................. 28

Tabel 4.2 Data SMAN 1 Gadingrejo Setelah Pra-proses .............................. 30

Tabel 4.3 Rincian Jumlah Perubahan Data .................................................... 30

Tabel 4.4 Contoh Data yang Mempunyai Missing Value .............................. 31

Tabel 4.5 Akurasi Hasil Pengujian Setiap Percobaan dengan Naïve Bayes .. 34

Tabel 4.6 Confusion Matrix Klasifikasi Jarak Siswa dengan Metode NaïveBayes pada pembagian data training:testing 60:40 padapengujian ke-20 ............................................................................. 36

Tabel 4.7 Confusion Matrix Klasifikasi Jarak untuk Menghitung Precision,Recall, dan Akurasi pada pembagian data training:testing 60:40pada pengujian ke-20 dengan Metode Naïve Bayes ...................... 37

Tabel 4.8 Rata-Rata Presentase Nilai Precision dan Recall Naïve Bayesuntuk Class Jauh............................................................................ 39

Page 17: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

1

BAB IPENDAHULUAN

1.1 Latar Belakang

Pringsewu merupakan kabupaten baru hasil pemekaran dari Kabupaten

Tanggamus yang disahkan pada tanggal 3 April 2009. Kabupaten Pringsewu

mempunyai 262 SD, 25 SMP, 10 SMA, 3 SMK berstatus negeri dan 5 SD, 32

SMP, 11 SMA, 25 SMK berstatus swasta (Tim BPS Pringsewu, 2015). Jumlah

SMA yang sedikit berpeluang mempunyai siswa dari berbagai daerah di

kecamatan yang ada di Kabupaten Pringsewu. Banyak siswa di Kabupaten

Pringsewu untuk Sekolah Menengah Atas ditunjukkan oleh Tabel 1.1 berikut.

Tabel 1.1 Banyaknya Murid SMA Dirinci Menurut Jenis Kelamin Per Kecamatandi Kabupaten Pringsewu Tahun 2015

No KecamatanBanyaknya Murid

JumlahNegeri SwastaLaki-laki Perempuan Laki-Laki Perempuan

1 Pardasuka 51 50 - - 1012 Ambarawa 215 544 49 95 9033 Pagelaran 258 457 147 236 10984 Pagelaran Utara - - - - -5 Pringsewu 560 1010 496 715 27816 Gadingrejo 432 782 70 48 13327 Sukoharjo 251 456 11 26 7448 Banyumas 142 232 - - 3749 Adiluwih 138 169 - - 307

Jumlah 2047 3700 773 1120 7640

Sumber: Tim BPS Pringsewu, 2015

Page 18: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

2

Berdasarkan Tabel 1.1, terlihat siswa SMA negeri berjumlah 5747 dan siswa

SMA swasta berjumlah 1893. Data tersebut menunjukkan bahwa siswa di

Kabupaten Pringsewu lebih cenderung memilih SMA berstatus negeri meskipun

siswa harus menempuh jarak yang jauh.

Jarak siswa dapat diketahui dari data asal siswa yang tersimpan. Asal siswa yang

berbeda-beda akan menghasilkan jarak yang berbeda pula. Data tersebut dapat

menunjukkan kepopuleran sekolah. Data jarak siswa akan dijadikan salah satu

atribut untuk klasifikasi jarak asal siswa SMA negeri di Kabupaten Pringsewu,

seperti penelitian Satoto dan Yasid (2015) tentang aplikasi sales report untuk

klasifikasi area penjualan menggunakan K-Nearest Neighbor dan Naive Bayes

berbasis android. Menggunakan jarak sebagai salah satu atribut dan menghasilkan

akurasi sebesar 86%.

Penelitian yang akan dilakukan diharapkan dapat mengklasifikasikan jarak asal

siswa dengan menggunakan Naive Bayes. Klasifikasi jarak asal siswa SMA negeri

di Kabupaten Pringsewu dilakukan untuk mendapatkan lima class yaitu sangat

dekat, dekat, sedang, cukup jauh, dan jauh. Selain itu, data asal siswa akan

divisualisasikan dalam bentuk peta digital seperti penelitian Rodiyansyah dan

Winarko (2013) tentang klasifikasi posting twitter kemacetan lalu lintas kota

Bandung menggunakan Naive Bayesian Classification. Penelitian tersebut

melakukan klasifikasi posting twitter kemudian data divisualisasikan pada peta

kota Bandung. Data yang ditampilkan di peta adalah data jumlah tweet yang

mengandung informasi kemacetan di suatu jalan.

Visualisasi data yang akan dilakukan bertujuan untuk melihat sebaran asal siswa

Page 19: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

3

SMA negeri di Kabupaten Pringsewu. Selain itu, hasil klasifikasi menggunakan

Naïve Bayes akan ditambahkan sebagai informasi pada peta sebaran asal siswa.

Hasil penelitian diharapkan dapat membantu pihak sekolah dalam mengambil

keputusan dan dapat digunakan sebagai penunjuk bagi pihak pemerintah kota

dalam pemenuhan dan perbaikan sarana dan prasarana seperti kondisi jalan,

pemerataan sekolah, dan tersedianya transportasi.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas rumusan masalah dalam penelitian ini adalah

Bagaimana mengklasifikasikan jarak siswa di masing-masing SMA Negeri di

Kabupaten Pringsewu?

1.3 Batasan Masalah

Batasan masalah dari sistem ini adalah sebagai berikut.

1. Klasifikasi jarak asal siswa dilakukan menggunakan Metode Naïve Bayes.

2. Data siswa untuk klasifikasi adalah data siswa kelas XII tahun ajaran

2013/2014, 2014/2015, dan 2015/2016.

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah sebagai berikut.

1. Mengklasifikasikan jarak asal siswa di setiap SMA negeri di Kabupaten

Pringsewu dengan menggunakan metode Naive Bayes.

2. Visualisasi data asal siswa dalam bentuk peta digital.

Page 20: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

4

1.5 Manfaat Penelitian

Manfaat yang dapat diperoleh dari penelitian ini adalah sebagai berikut.

1. Mengetahui kategori jarak siswa di setiap SMA negeri di Kabupaten

Pringsewu.

2. Membantu pihak sekolah dan pemerintah kota dalam pengambilan keputusan.

Page 21: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

5

BAB IITINJAUAN PUSTAKA

2.1 Klasifikasi

Classification adalah proses untuk menemukan model atau fungsi yang

menjelaskan atau membedakan konsep atau class data, dengan tujuan untuk dapat

memperkirakan class dari suatu objek yang labelnya tidak diketahui (Han dkk.,

2011).

Klasifikasi merupakan fungsi pembelajaran yang memetakan (mengklasifikasi)

sebuah unsur (item) data ke dalam salah satu dari beberapa class yang sudah

didefinisikan. Data input untuk klasifikasi adalah koleksi dari record. Setiap

record dikenal sebagai instance atau contoh yang ditentukan oleh sebuah tuple

(x,y), dimana x adalah himpunan atribut dan y adalah atribut tertentu, yang

dinyatakan sebagai label class (juga dikenal sebagai kategori atau atribut target)

(Andri dkk., 2013).

2.1.1 Komponen Klasifikasi

Klasifikasi data terdiri dari dua langkah proses, yang pertama adalah proses

learning (fase training) dimana algoritma klasifikasi dibuat untuk menganalisa

data training lalu direpresentasikan dalam bentuk rule klasifikasi, proses kedua

adalah klasifikasi dimana data tes digunakan untuk memperkirakan akurasi dari

rule klasifikasi (Niswanti, 2015)

Page 22: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

6

Klasifikasi adalah algoritma yang menggunakan data dengan target (class/label)

yang berupa nilai kategorikal/nominal. Proses klasifikasi didasarkan pada empat

komponen mendasar (Gorunescu, 2011), yaitu:

1. Kelas (Class)

Variabel dependen dari model, merupakan variabel kategorikal yang

merepresentasikan “label” pada objek setelah klasifikasinya. Contoh: adanya kelas

penyakit jantung, loyalitas pelanggan, dan kelas gempa bumi (badai).

2. Prediktor (Predictor)

Variabel independen dari model, direpresentasikan oleh karakteristik (atribut) dari

data yang akan diklasifikasikan dan berdasarkan klasifikasi yang telah dibuat.

Contoh: tekanan darah, status perkawinan, catatan geologi yang spesifik,

kecepatan dan arah angin, musim, dan lokasi terjadinya fenomena .

3. Pelatihan dataset (Training dataset)

Kumpulan data yang berisi nilai-nilai dari kedua komponen sebelumnya dan

digunakan untuk melatih model dalam mengenali class yang cocok/sesuai,

berdasarkan prediktor yang tersedia. Contoh: kelompok pasien yang diuji pada

serangan jantung, kelompok pelanggan supermarket (diselidiki oleh intern dengan

jajak pendapat), database yang berisi gambar untuk monitoring teleskopik dan

pelacakan objek astronomi, database badai.

4. Dataset Pengujian (Testing Dataset)

Berisi data baru yang akan diklasifikasikan oleh (classifier) model yang telah

dibangun di atas sehingga akurasi klasifikasi (model performance) dapat

dievaluasi.

Page 23: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

7

2.1.2 Kerangka Klasifikasi

Kerangka kerja (framework) klasifikasi ditunjukkan pada Gambar 2.1. Disediakan

sejumlah data latih (x,y) untuk digunakan sebagai data pembangun model. Model

tersebut kemudian digunakan untuk memprediksi class dari data uji (x,y),

sehingga diketahui class yang sesungguhnya.

Gambar 2.1 Proses Klasifikasi (Afriana, 2014)

Model yang sudah dibangun pada saat pelatihan dapat digunakan untuk

memprediksi label class baru yang belum diketahui. Dalam pembangunan model

selama pelatihan diperlukan suatu algoritma untuk membangunnya, yang disebut

algoritma pelatihan.

Ada banyak algoritma pelatihan yang sudah dikembangkan oleh para peneliti,

Setiap algoritma mempunyai kelebihan dan kekurangan, tetapi semua algoritma

berprinsip sama, yaitu melakukan suatu pelatihan sehingga di akhir pelatihan,

model dapat memetakan (memprediksi) setiap vektor masukan ke label class

keluaran dengan benar.

Masukan DataLatih (x,y)

PembangunanModel

PenerapanModel

AlgoritmaPelatihan

Keluaran DataUji (x,y)

Masukan DataUji (x,?)

Page 24: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

8

2.2 Probabilitas

Probabilitas adalah suatu nilai yang digunakan untuk mengukur tingkat terjadinya

suatu kejadian yang acak. Probabilitas dapat diartikan pula sebagai hasil

banyaknya peristiwa yang dimaksud dengan seluruh peristiwa yang mungkin.

Dirumuskan: ( ) = ( )( ) ………………………………………….. (1)

dengan:( )= probabilitas terjadinya peristiwa A( )= jumlah peristiwa A( )= jumlah peristiwa yang mungkin

Nilai probabilitas berkisar antara 0 dan 1. Semakin dekat nilai probabilitas, ke

nilai 0, semakin kecil kemungkinan suatu kejadian akan terjadi. Sebaliknya,

Semakin dekat nilai probabilitas, ke nilai 1, semakin besar kemungkinan suatu

kejadian akan terjadi (Supranto, 2000).

2.2. 1 Data Probabilitas

Salah satu jenis data adalah data kuantitatif yan terdiri dari data diskrit dan data

kontinu (Budiarto, 2001).

- Data diskrit adalah data yang diperoleh dari hasil perhitungan atau membilang

(bukan mengukur) hingga hasilnya selalu positif dan dapat dipisahkan satu

dengan yang lain secara jelas.

Data diskrit digunakan untuk mengklasifikasikan (menggolongkan) objek-

objek amatan atau kejadian-kejadian dalam kelompok, kategori atau klasifikasi

tertentu dengan jalan menghitung untuk menunjukan kesamaan atau perbedaan

ciri-ciri tertentu dari objek. Contoh: Jumlah siswa laki-laki dan perempuan,

Page 25: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

9

jumlah responden yang menjawab ya atau tidak, pengelompokan bunga

berdasarkan warnanya.

- Data kontinu adalah data yang dihasilkan dari pengukuran dapat berupa

bilangan desimal atau bilangan bulat. Misalnya, data skor tes, hasil pengukuran

tinggi badan seseorang, luas daerah A sebesar 425,7 km, kecepatan mobil

60/km jam, dan sebagainya.

Apabila unsur probabilitas adalah diskrit maka mengunakan istilah fungsi massa.

Apabila unsur probabilitas adalah kontinu maka mengunakan istilah fungsi

Densitas (Naga, 2008).

2.3 Naïve Bayes

Naïve Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang

menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan

kombinasi nilai dari dataset yang diberikan. Algoritma ini mengasumsikan semua

atribut independen atau tidak saling ketergantungan yang diberikan oleh nilai pada

variabel class. Pengklasifikasian dengan metode probabilitas dan statistik yang

dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di

masa depan berdasarkan pengalaman di masa sebelumnya. Naïve Bayes

didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara kondisional

saling bebas jika diberikan nilai output (Ridwan dkk., 2013).

Keuntungan penggunan Naïve Bayes adalah hanya membutuhkan jumlah data

pelatihan (training data) yang kecil untuk menentukan estimasi parameter yang

diperlukan dalam proses pengklasifikasian (Satoto dan Yasid, 2015). Selain itu,

Page 26: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

10

Naïve Bayes merupakan salah satu algoritma klasifikasi yang sederhana namun

memiliki kemampuan dan akurasi tinggi (Rodiyansyah dan Winarko, 2013).

Persamaan dari teorema Bayes adalah( | ) = ( | ) ( )( ) …………………….. (2) (Kusrini dan Luthfi, 2009)

Di mana:: Data dengan class yang belum diketahui.: Hipotesis data merupakan suatu class spesifik.( | ): Probabilitas hipotesis H berdasarkan kondisi X (posterior

probabilitas).( ):Probabilitas hipotesis H (prior probabilitas) terjadi tanpamemandang bukti apapun.( | ): Probabilitas X berdasarkan kondisi pada hipotesis H .

( ): Probabilitas kondisi X (prior probabilitas) terjadi tanpa memandangkondisi yang lain.

Ide dasar dari aturan Bayes adalah bahwa hasil dari hipotesis atau peristiwa (H)

dapat diperkirakan berdasarkan pada beberapa bukti atau kondisi (X) yang diamati.

Hal penting dari aturan Bayes (Afriana, 2014) adalah sebagai berikut.

1. Sebuah probabilitas awal/prior H atau P(H) adalah probabilitas dari suatu

hipotesis sebelum bukti/kondisi diamati.

2. Sebuah probabilitas akhir/ posterior H atau P(H|X) adalah probabilitas dari

suatu hipotesis setelah bukti/kondisi diamati.

Proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan class apa

yang cocok bagi sampel yang dianalisis tersebut. Karena itu, metode Naive Bayes

di atas disesuaikan sebagai berikut:( | 1 … ) = ( ) ( … | )( … ) …………….………………………….. (3)

Page 27: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

11

Di mana Variabel C merepresentasikan class, sementara variabel F1 ... Fn

merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan

klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel

karakteristik tertentu dalam class C (Posterior) adalah peluang munculnya class C

(sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan

peluang kemunculan karakteristik-karakteristik sampel pada class C (disebut juga

likelihood), dibagi dengan peluang kemunculan karakteristik - karakteristik

sampel secara global (disebut juga evidence). Dapat pula ditulis secara sederhana

sebagai berikut: = ………………………………… (4)

Nilai Evidence selalu tetap untuk setiap class pada satu sampel. Nilai dari

posterior tersebut nantinya akan dibandingkan dengan nilai-nilai posterior class

lainnya untuk menentukan ke class apa suatu sampel akan diklasifikasikan (Saleh,

2015).

2.3.1 Perhitungan Naïve Bayes

Perhitungan Naïve Bayes memerlukan beberapa parameter sebagai berikut

(Heksaputra, 2013).

a. Mean

Adapun persamaan yang digunakan untuk menghitung nilai rata – rata (mean)

dapat dilihat sebagai berikut:= ∑………………………………………………….. (5)

atau= ⋯.…………………………………..………... (6)

Page 28: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

12

di mana:μ : rata – rata hitung (mean)

: nilai sample ke -i: jumlah sampel

b. Standar Deviasi

Persamaan untuk menghitung nilai simpangan baku (standar deviasi) dapat dilihat

sebagai berikut:

= ∑ ( ) ………………………...……………… (7)

di mana:: standar deviasi: nilai x ke -i: rata-rata hitungn : jumlah sampel

c. Densitas Gauss

Persamaan fungsi Densitas Gauss:

( ) = √ ( )……………………………. (8)

Keterangan : /Exp = 2,718282d. Menghitung Nilai Likelihood

Dilakukan perhitungan menggunakan metode Naïve Bayes sebelum mengetahui

hasil akhir, dengan menggunakan rumus likelihood.

Persamaan likelihood :( | ) = ( | ) × ( 1| ) × … × ( | ) ……………. (9)

Di mana :

= nilai atribut dalam klasifikasi= class dalam klasifikasi

Page 29: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

13

e. Normalisasi Nilai Probabilitas

Berdasarkan perhitungan likelihood maka dapat diperoleh nilai probabilitas akhir

sebagai berikut : ( | ) = ( | )∑ ( | ) …………………………………..(10)

2.4 Pengukuran Kinerja

Confusion matrix merupakan tabel pencatat hasil kerja klasifikasi. Confusion

matrix melakukan pengujian untuk memperkirakan objek yang benar dan salah

(Gorunescu, 2011). Dengan mengetahui jumlah data yang diklasifikasikan secara

benar, dapat diketahui akurasi hasil prediksi dan dengan mengetahui jumlah data

yang diklasifikasikan secara salah, dapat diketahui laju error dari prediksi yang

dilakukan (Afriana, 2014).

Akurasi dapat dihitung mengunakan persamaan:

= ……..…………………………... (15)

laju eror (kesalahan prediksi) dapat dihitung menggunakan persamaan:= ………………………………… (16)

Tiap kolom pada matriks adalah contoh kelas prediksi, sedangkan tiap baris

mewakili kejadian di kelas yang sebenarnya (Gorunescu, 2011). Confusion matrix

berisi informasi aktual (actual) dan prediksi (predicted) pada sistem klasifikasi.

Tabel 2.1 contoh tabel confusion matrix yang menunjukkan klasifikasi dua kelas.

Page 30: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

14

Tabel 2.1 Confusion Matrix

Predicted ClassPositive Negative

Act

ual

Cla

ssPositive True positives count

(TP)False negatives count

(FN)

NegativeFalse positive count

(FP)True negative count

(TN)

True positives adalah jumlah record positif yang diklasifikasikan sebagai positif,

false positives adalah jumlah record positif yang diklasifikasikan sebagai negatif,

false negatives adalah jumlah record negatif yang diklasifikasikan sebagai positif,

true negatives adalah jumlah record negatif yang diklasifikasikan sebagai negatif,

Data uji yang dimasukkan ke dalam confusion matrix, akan dihitung nilai-nilai

recall, precision dan accuracy (Defiyanti, 2013).= ……………………………………………………………..(17)

= ……………………………………………………………..(18)

Precision (p) = jumlah sampel berkategori positif diklasifikasi benar dibagi

dengan total sampel yang diklasifikasi sebagai sample positif.

Recall (r) = jumlah sampel diklasifikasi positif dibagi total sampel dalam testing

set berkategori positif.

Akurasi juga dapat diperoleh dengan persamaan di bawah ini:= ………………………………………….(19)

2.5 Jarak

Jarak merupakan sesuatu yang harus ditempuh dari suatu lokasi yang lain. Jarak

dapat dinyatakan dengan jarak mutlak dan jarak nisbi. Jarak mutlak dinyatakan

Page 31: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

15

dalam satuan unit ukuran fisik seperti mil, km, meter, dan sebagainya (Daldjoeni,

1997).

Jarak dari tempat tinggal ke setiap prasarana mempunyai standar yang berbeda.

Standar jarak dan waktu tempuh untuk sarana fasilitas pendidikan menurut konsep

Neighborhood Unit dapat dibagi menjadi lima kategori yang ditunjukkan pada

Tabel 2.2 berikut.

Tabel 2.2 Kategori Jarak Jangkauan dan Waktu Tempuh

No Kategori jarak Jarak tempuh (meter) Waktu tempuh

1 Sangat Dekat 0-300 meter 0-5 menit2 Dekat 300-600 meter 5-10 menit3 Sedang / Cukup 600-1200 meter 10-20 menit4 Cukup Jauh 1200-3000 meter 20-40 menit5 Jauh >3000 meter >40 menit

Sumber : Udjianto, 1994 dalam Takumangsang 2010

Takumangsang juga menyebutkan bahwa standar fasilitas pendidikan departemen

pendidikan dan kebudayaan untuk SMA adalah sebagai berikut.

• Wilayah Kerja

Sebuah SMA didirikan setidaknya untuk melayani penduduk satu kabupaten

(30.000 jiwa). Pada wilayah perkotaan jumlah fasilitas SMA ini dapat lebih dari

satu, tergantung pada jumlah murid lulusan sokolah menengah pertama.

• Lokasi

Lokasi sebuah SMA harus memenuhi ketentuan sebagai berikut.

- mudah dicapai dari setiap bagian kecamatan.

- dapat dicapai oleh murid selama kurang dari 45 menit berjalan kaki.

Page 32: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

16

Neighboorhood unit diadaptasi oleh Clarence Perry pada tahun 1929 untuk

merencanakan suatu lingkungan yang berlandaskan suatu pemikiran sosial

psikologis agar dapat menjawab optimasi dengan mengatasi penurunan kualitas

kehidupan masyarakat di negara-negara industri saat itu. Perry mengidentifikasi

neighborhood unit sebagai suatu unit pemukiman yang mempunyai batasan yang

jelas yaitu: (1) ukuran atas dasar keefektifan jarak jangkau pejalan kaki dan (2)

adanya kontak langsung individual serta ketersediaan fasilitas pendukung

kebutuhan pemukiman.

Dalam konsep neighborhood unit ini, dapat disimpulkan bahwa Perry mempunyai

tujuan utama bagi sebuah lingkungan permukiman yang baik untuk membuat

interaksi sosial di antara penghuni lingkungan permukiman, sedangkan penataan

fisik lingkungan merupakan cara untuk tujuan utama tersebut.

Adapun prinsip yang dapat menentukan perencanaan pembentukan unit

neighborhood yang lebih baik salah satunya dengan cara (1) Prinsip Sharing

System, terjadinya tukar menukar pelayanan untuk memenuhi berbagai kebutuhan

dari pusat-pusat pelayanan yang ada di lingkungannya dan (2) Prinsip Social

Governance, terjadinya pengaturan dan pengelolaan (Utoro, 2006).

Page 33: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

17

BAB IIIMETODOLOGI PENELITIAN

3.1 Metode Penelitian

Metode penelitian dalam penelitian ini mengunakan Metode Naïve Bayes.

Diagram alir penelitian untuk menjelaskan penelitian ini ditunjukkan pada

Gambar 3.1.

Gambar 3.1 Diagram Alir Penelitian

Page 34: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

18

3.2 Waktu dan Tempat Penelitian

Penelitian ini dilaksanakan mulai dari semester genap tahun ajaran 2015/2016

sampai selesai, bertempat di Jurusan Ilmu Komputer Fakultas Matematika Dan

Ilmu Pengetahuan Alam, Universitas Lampung.

3.3 Tahap Penelitian

Penjelasan dari setiap tahap penelitian berdasarkan diagram alir penelitian adalah

sebagai berikut.

1. Pengumpulan Data Siswa

Pengumpulan data siswa pada penelitian ini menggunakan metode wawancara.

Data diperoleh dengan cara datang ke sepuluh SMA negeri yang ada di Kabupaten

Pringsewu. Tabel 3.1 menunjukkan daftar SMA negeri di Kabupaten Pringsewu.

Data siswa yang diperoleh berupa alamat siswa, asal SMP, dan titik koordinat

SMA, serta jarak siswa dengan bantuan Google Maps.

Tabel 3.1 SMA Negeri di Kabupaten Pringsewu.

No Nama Sekolah Kecamatan

1 SMA N 1 Pringsewu Pringsewu

2 SMA N 2 Pringsewu Pringsewu

3 SMA N 1 Gadingrejo Gadingrejo

4 SMA N 2 Gadingrejo Gadingejo

5 SMA N 1 Pagelaran Pagelaran

6 SMA N 1 Sukoharjo Sukoharjo

7 SMA N 1 Ambarawa Ambarawa

8 SMA N 1 Adiluwih Adiluwih

9 SMA N 1 Banyumas Banyumas

10 SMA N 1 Pardasuka PardasukaSumber: Pringsewu dalam Angka 2015 dan Direktorat Pembinaan SekolahMenengah Atas 2015.

Page 35: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

19

2. Penentuan Atribut

Data yang sudah terkumpul akan dibentuk atribut klasifikasi yang ditunjukkan

pada Tabel 3.2.

Tabel 3.2 Atribut Klasifikasi

Atribut Klasifikasi Keterangan

NO Berisi nomor sebagai pembeda pada setiap data.

SMA Berisi nama SMA negeri di Kabupaten Pringsewu.

Kabupaten (Kab)Berisi kabupaten asal siswa di SMA negeri di Kabupaten

Pringsewu.

Kecamatan (Kec)Berisi kecamatan asal siswa di SMA negeri di Kabupaten

Pringsewu.

Kelurahan (Kel)Berisi kelurahan asal siswa di SMA negeri di Kabupaten

Pringsewu.

JarakBerisi jarak asal siswa dari rumah ke masing-msing

sekolah dengan berjalan kaki dalam satuan kilometer (km).Jarak yang digunakan adalah jarak mutlak.

Asal SMPBerisi asal SMP siswa di SMA negeri di Kabupaten

Pringsewu.

ClassBerisi class/ label yang merepresentasikan jarak asal

siswa.

3. Penentuan Class atau Label Klasifikasi

Atribut yang sudah terbentuk akan dilakukan pe-label-an sesuai dengan class yang

telah ditentukan, yaitu “sangat dekat”, “dekat”, “sedang”, “cukup jauh”, dan

“jauh” untuk jarak siswa dari rumah ke masing-masing sekolah.

4. Pra-proses Klasifikasi

Pra-proses klasifikasi yang dilakukan adalah proses pembersihan dan perapihan

data yaitu sebagai berikut.

1. Penghapusan kata yang tidak dipakai dalam klasifikasi.

Contoh : Jl. Satria, Pringsewu Barat Pringsewu Barat

Page 36: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

20

2. Konversi menjadi huruf kapital.

Contoh : Pringsewu Barat PRINGSEWU BARAT

3. Melakukan perbaikan data apabila ada kata yang diperlukan tetapi data tidak

sesuai.

Contoh: ada kata “gemuk mas” kemudian diubah menjadi “GUMUKMAS”.

4. Melakukan penghapusan spasi

Contoh : PRINGSEWU BARAT PRINGSEWUBARAT

5. Penentuan Data Training dan Data Testing

Data yang sudah di lakukan pembersihan dan perapihan data dipisahkan menjadi

dua bagian, yaitu data training dan data testing. Setiap data dalam training tidak

boleh ada di dalam testing.

6. Analisa Metode Naïve Bayes

Metode Naïve Bayes digunakan untuk menentukan class dari atribut-atribut jarak

asal siswa dengan bantuan aplikasi Weka. Analisis Metode Naïve Bayes memiliki

tahap sebagai berikut..

1. Baca data training

Contoh:

Tabel 3.3 Data Training

No SMA Kab Kec KelJarak(km)

Asal SMP Class

1SMAN 1Adiluwih

PesawaranNegerikaton

Bangunsari

4.8SMPN 1Adiluwih

Jauh

2SMAN 1Adiluwih

PesawaranNegerikaton

Trirahayu 7.8MTs GuppiTrirahayu

Jauh

3SMAN 1Adiluwih

Pringsewu Adiluwih Adiluwih 3.5SMPN 1Adiluwih

CukupJauh

470SMAN 1

AmbarawaPringsewu Ambarawa Ambarawa 1.5

SMPN 2Ambarawa

CukupJauh

Page 37: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

21

Lanjutan Tabel 3.3 Data Training

No SMA Kab Kec KelJarak(km)

Asal SMP Class

471SMAN 1

AmbarawaPringsewu Ambarawa

SumberAgung

7.2SMPN 1

AmbarawaJauh

1093SMAN 1

BanyumasPringsewu Sukoharjo

SukoharjoIII

8.8SMP PGRI1 Sukoharjo

Jauh

1178SMAN 1

BanyumasPringsewu Banyumas Sriwungu 1

SMPN 1Sukoharjo

Sedang

1374SMAN 1Pagelaran

TanggamusAir

NaninganAir

Naningan35.4

SMPN 1TalangPadang

Jauh

252SMAN 1Pardasuka

Pringsewu Pardasuka Kedaung 9.5SMPN 1

PardasukaJauh

253SMAN 1Pardasuka

Pringsewu PardasukaTanjung

Rusia4

SMPN 1Pardasuka

Jauh

2027SMAN 1Sukoharjo

Pringsewu Sukoharjo Siliwangi 9.2SMP PGRI1 Sukoharjo

Jauh

2028SMAN 1Sukoharjo

Pringsewu Adiluwih Adiluwih 4.2SMPN 1Adiluwih

Jauh

2031SMAN 1Sukoharjo

Pringsewu AdiluwihWaringinsari Timur

4.1SMPN 2Adiluwih

Jauh

4772SMAN 2

PringsewuPringsewu Pringsewu

PringsewuUtara

1.8

SMPMuhamma

diyah 1Pringsewu

CukupJauh

4700SMAN 2

PringsewuPringsewu Pringsewu Podosari 0.3

MTsN 1Pringsewu

SangatDekat

2637SMAN 1

PringsewuPringsewu Pringsewu

PringsewuUtara

0.6SMPN 1

PringsewuDekat

2638SMAN 1

PringsewuPringsewu Pringsewu

PringsewuUtara

0.5SMPN 3

PringsewuDekat

3754SMAN 2

GadingrejoPringsewu

Gadingrejo

Tegal Sari 3MTs Pelita

GedongTataan

CukupJauh

3884SMAN 1

GadingrejoPringsewu

Gadingrejo

Tegal Sari 1.1SMPN 1

Gading rejoSedang

3879SMAN 1

GadingrejoLampungTengah

Bangunrejo

Sidorejo 26.7SMPN 1Bangun

RejoJauh

2. Masukkan Data Testing

Contoh:

Dicari class dari data testing berikut:

No 3892, SMAN1 Gadingrejo, Kabupaten Pringsewu, Kecamatan Gadingrejo,

Kelurahan Tegalsari, jarak 1.1 km, dan asal SMP N 1 Gadingrejo

Page 38: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

22

3. Perhatikan jenis data pada data testing

Data non-numerik/diskrit

Cari nilai probabilistik pada data testing yang bersifat non-numerik/diskrit

dengan cara menghitung jumlah data yang sesuai dari kategori yang sama

dibagi dengan jumlah data pada kategori tersebut.

Contoh :

Probabilitas dari setiap kelas.

- P(class= “Sangat Dekat” ) = = 0.05- P(class= “Dekat”) = = 0.1- P(class= “Sedang”) = = 0.10- P(class= “Cukup Jauh”) = = 0.2- P(class= “Jauh”) = = 0.55Probabilitas dari setiap class untuk atribut data diskrit.

- P(SMA = “SMAN 1 Gadingrejo” | class= “Sangat Dekat”) = = 0- P(SMA = “SMAN 1 Gadingrejo” | class= “Dekat”) = = 0- P (SMA = “SMAN 1 Gadingrejo” | class= “Sedang”) = = 0.5- P(SMA = “SMAN 1 Gadingrejo” | class= “Cukup Jauh”) = = 0- P(SMA = “SMAN 1 Gadingrejo” | class= “Jauh”) = = 0.090- P(Kab = “Pringsewu” | class= “Sangat Dekat”) = = 1- P(Kab = “Pringsewu” | class= “Dekat”) = = 1- P(Kab = “Pringsewu” | class= “Sedang”) = = 0.5- P(Kab = “Pringsewu” | class= “Cukup Jauh”) = = 1- P(Kab = “Pringsewu” | class= “Jauh”) = = 0.636- P(Kec = “Gadingrejo” | class= “Sangat Dekat”) = = 0

Page 39: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

23

- P(Kec = “Gadingrejo” | class= “Dekat”) = = 0- P(Kec = “Gadingrejo” | class= “Sedang”) = = 0.5- P(Kec = “Gadingrejo” | class= “Cukup Jauh”) = = 0.25- P(Kec = “Gadingrejo” | class= “Jauh”) = = 0.090- P(Kel = “Tegalsari” | class= “Sangat Dekat”) = = 0- P(Kel = “Tegalsari” | class= “Dekat”) = = 0- P(Kel = “Tegalsari” | class= “Sedang”) = = 0.5- P(Kel = “Tegalsari” | class= “Cukup Jauh”) = = 0.25- P(Kel = “Tegalsari” | class= “Jauh”) = = 0- P(AsalSMP= “SMPN 1 Gadingrejo” | class= “Sangat Dekat”) = = 0- P(AsalSMP= “SMPN 1 Gadingrejo” | class= “Dekat”) = = 0- P(AsalSMP= “SMPN 1 Gadingrejo” | class= “Sedang”) = = 0.5- P(AsalSMP= “SMPN 1 Gadingrejo” | class= “Cukup Jauh”) = = 0- P(AsalSMP= “SMPN 1 Gadingrejo” | class= “Jauh”) = = 0 Data numerik/kontinu

Cari nilai mean, standar deviasi, dan densitas gauss dari masing-masing

parameter yang merupakan data numerik/kontinu.

Persamaan menghitung mean:

= ∑ ………………….……………………………....... (1)

atau = ⋯ ……………………………………… (2)

Contoh :

Jarak Sedang = . = 1.05

Page 40: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

24

Persamaan untuk menghitung nilai simpangan baku (standar deviasi):

= ∑ ( )..….…………………………………………... (3)

Contoh :Jarak = ( . . ) ( . ) = 0.071 Persamaan fungsi Densitas Gauss:

( ) = √ ( )……………………………………….. (4)

Contoh:

( ) = 1√2 × 0.070710678 ( . )×( . ) = 4.29 + 48Nilai Densitas Gauss yang didapat digunakan dalam perhitungan likelihood.

4. Mendapatkan nilai dalam tabel mean, standar deviasi, densitas gauss dan

probabilitas.

Hasil mean, standar deviasi, densitas gauss menggunakan persamaan (2),

(3), dan (4) dapat dilihat pada Tabel 3.4 dan Tabel 3.5 berikut.

Tabel 3.4 Hasil Perhitungan Mean dan Standar deviasi, dan Densitas Gaussjarak siswa.

Jarak SangatDekat

Dekat Sedang Cukup Jauh Jauh

Mean 0.300 0.550 1.050 2.450 11.063

StandarDeviasi

0 0.071 0.071 0.954 10.286

DensitasGauss

0 7.74E+13 4.29E+48 11.320 0.069

Page 41: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

25

Tabel 3.5 Hasil Perhitungan Mean dan Standar deviasi, dan Densitas Gaussno siswa.

No SangatDekat

Dekat Sedang Cukup Jauh Jauh

Mean 4700.000 2637.500 2531.000 2249.750 1219.182

StandarDeviasi

0 0.500 1913.077 2369.241 942.673

DensitasGauss

0 0 0.000269 0.000214 0.02357

Tabel 3.6 Probabilitas dari setiap class untuk atribut data diskrit.

Atribut Sangat Dekat Dekat SedangCukupJauh

Jauh

P(X)1 20 2 20 2 20 4 20 11 20

P(SMAN1Gadingrejo|X)

0 1 0 2 1 2 0 4 1 11P(Pringsewu| X) 1 1 2 2 1 2 4 4 7 11P(Gadingrejo|X) 0 1 0 2 1 2 1 4 1 11P(Tegalsari|X) 0 1 0 2 1 2 1 4 0 11

P(SMPN3Pringsewu|X)

0 1 0 2 1 2 0 4 0 115. Perhitungan likelihood

Perhitungan likelihood dari data testing yang diberikan adalah sebagai

berikut.

P(X|Sangat dekat) = 0 × 0 × × × × × × = 0P(X|Dekat) = (7.74E + 13) × 0 × × × × × × = 0P(X|Sedang) = (4.29E + 48) × 0.000269 × × × × × ×= 3.6E+43

P(X|Cukup jauh) = 11.31973 × 0000214 × × × × × × = 0

Page 42: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

26

P(X|Jauh) = 0.069176 × 0.02357 × × × × × × = 0

6. Normalisasi Probabilitas

Mengambil keputusan sebuah data testing masuk ke dalam class apa, perlu

dilakukan normalisasi probabilitas.

Probabilitas Sangat Dekat = ( . ) = 0Probabilitas Dekat = ( . ) = 0Probabilitas Sedang =

.( . ) = 1Probabilitas Cukup Jauh = ( . ) = 0Probabilitas Jauh = ( . ) = 0Kesimpulan class dari data testing yang diberikan adalah Sedang.

Jadi klasifikasi jarak asal siswa dari data testing yang diberikan adalah class

Sedang.

3.4 Pengukuran Kinerja Algoritma Klasifikasi

Pengujian algoritma klasifikasi dilakukan dengan pengukuran kinerja algoritma

menggunakan confusion matrix. Data uji yang dimasukkan akan membentuk

tabel, dan akan dihitung precision, recall, dan akurasi dari data tersebut.

3.5 Analisis Hasil Pengujian

Analisis hasil pengujian dilakukan untuk menganalisis hasil pengujian saat

menggunakan aplikasi Weka. Hasil pengujian data pada setiap SMA negeri akan

dianalisis berdasarkan akurasi, precision, dan recall yang dihasilkan.

Page 43: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

27

3.6 Visualisasi Data

Data asal siswa yang telah diketahui class nya divisualisasikan dalam bentuk peta

digital untuk melihat perbedaan hasil visualisasi terhadap metode yang digunakan

dan persebaran asal siswa SMA negeri di Kabupaten Pringsewu. Visualisasi data

dilakukan terhadap semua asal siswa SMA negeri di Kabupaten Pringsewu dan

asal siswa di masing-masing SMA negeri.

Page 44: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

46

BAB VKESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan yang didapat dari klasifikasi jarak siswa SMA negeri di kabupaten

Pringsewu dengan Metode Naïve Bayes adalah sebagai berikut.

1. Metode Naïve Bayes berhasil mengklasifikasikan jarak asal siswa SMA

negeri di Kabupaten Pringsewu.

2. Setelah 20 kali pengujian diperoleh rata-rata akurasi tertinggi pada Naïve

Bayes sebesar 89.329% pada pembagian data training dan data testing 60:40.

3. Pada proses klasifikasi dengan Naïve Bayes jumlah data training tidak

mempengaruhi tingginya nilai akurasi.

4. Hasil visualisasi data asal siswa menunjukkan SMAN 1 Pringsewu dan

SMAN 1 Gadingrejo lebih dikenal luas di masyarakat karena asal siswa lebih

beragam.

5.2 Saran

Saran yang diajukan dalam penelitian tentang klasifikasi jarak siswa SMA negeri

di kabupaten Pringsewu adalah sebagai berikut.

1. Penelitian selanjutnya harus lebih memperhatikan kesesuaian isi atribut dalam

pra-prosees data untuk menghindari kesalahan hasil klasifikasi.

Page 45: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

47

2. Penelitian selanjutnya dapat menggunakan metode klasifikasi lainnya untuk

mengetahui metode yang lebih cocok untuk klasifikasi jarak asal siswa SMA

negeri di Kabupaten Pringsewu.

3. Penelitian selanjutnya dapat dibuat menjadi sebuah sistem pendukung

keputusan tentang kategori jarak siswa SMA negeri di Kabupaten Pringsewu.

Page 46: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

DAFTAR PUSTAKA

Afriana, Fikri. 2014. Klasifikasi Kendaraan Roda Empat Menggunakan MetodeNaïve Bayes [online] url: http://repository.widyatama.ac.id/xmlui/handle/123456 789/3523.pdf. Diakses tanggal 13 Mei 2016.

Andri, Kunang, Y. M. dan Murniati, S. 2013. Implementasi Teknik Data Mininguntuk Memprediksi Tingkat Kelulusan Mahasiswa pada Universitas BinaDarma Palembang. Seminar Nasional Informatika (semnasIF 2013)UPN ”Veteran” Yogyakarta. ISSN: 1979-2328.

Budiarto, Eko. 2001. Biostatistika untuk Kedokteran dan Kesehatan Masyarakat.Jakarta: Penerbit Buku Kodekteran CEGC.

Daldjoeni. 1997. Geografi Baru-Organisasi Keruangan dalam Teori dan Praktek.Alumni. Bandung.

Defiyanti, Sofi. 2013. Analisis dan Prediksi Kinerja Mahasiswa MenggunakanTeknik Data Mining. Syntax Vol. 2 Ed. 1.

Gorunescu, F. 2011. Data Mining Concept Model Technique. Romania: Springer.

Han, J., Kamber, M. dan Pei, J. 2011. Data Mining Concept and Techniques ThirdEdition. SanFrancisco: Morgan Kauffman.

Heksaputra, D., Azani, Y., Naimah, Z. dan Iswari, L. 2013. Penentuan PengaruhIklim Terhadap Pertumbuhan Tanaman dengan Naïve Bayes. SeminarNasional Aplikasi Teknologi Informasi (SNATI), ISSN: 1907 – 5022.

Kusrini dan Luthfi, E.T. 2009. Algoritma data mining. Yogyakarta: Andi Offset.

Nasution, N., Djahara, K. dan Zamsuri, A. 2015. Evaluasi Kinerja AkademikMahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: FasilkomUnilak). Jurnal Teknologi Informasi & Komunikasi Digital Zone. Vol.6,No.2.

Ridwan, M., Suyono, H. dan Sarosa, M. 2013. Penerapan Data Mining UntukEvaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma NaiveBayes Classifier. Electrical, Electronics, control, communications, andinformatics Seminar. Vol.7, No. 1.

Page 47: PEMETAAN SEBARAN ASAL SISWA DAN KLASIFIKASI JARAK …digilib.unila.ac.id/25624/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · Gambar 4.6 Data Sebelum Visualisasi.....40 Gambar 4.7 Visualisasi

Rodiyansyah, S. F. dan Winarko, E. 2013. Klasifikasi Posting Twitter KemacetanLalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification.Indonesian Journal of Computing and Cybernetics Systems (IJCCS). Vol.7,No.1. ISSN: 1978-1520.

Saleh, Alfa. 2015. Implementasi Metode Klasifikasi Naïve Bayes DalamMemprediksi Besarnya Penggunaan Listrik Rumah Tangga. CreativeInformation Technology Journal. Vol. 2, No. 3. ISSN:2354-5771.

Satoto, B. D,. dan Yasid, A. 2015. Aplikasi Sales Report untuk Klasifikasi AreaPenjualan Menggunakan K-Nearest Neighbor dan Naive Bayes BerbasisAndroid. Seminar Nasional Teknologi Informasi dan Komunikasi 2015(SENTIKA 2015). ISSN: 2089-9815.

Supranto, J. 2000. Statistik: Teori & Aplikasi, edisi 6, jilid 1. Jakarta: Erlangga.

Takumangsang, Esli D. 2010. Kajian Penempatan Fasilitas Pendidikan Dasar danMenengah dalam Aspek Sistem Informasi Geografis. TEKNO Vol. 08No.54.

Tim BPS Pringsewu, 2015. Pringsewu dalam Angka 2015. Badan Pusat StatistikPringsewu.

Tim BPS Pringsewu, 2015. Kecamatan dalam Angka 2015. Badan Pusat StatistikPringsewu.

Utoro, R. I, 2006. Kajian Optimasi Pola dan Tingkat Pelayanan Sarana Dasar diKota Kecamatan Jalancagak–Subang. Tesis, Semarang: PerencanaanPembangunan Wilayah Dan Kota, Universitas Diponegoro.

Virgana, U. P. dan Sonny, M. 2014. Kajian Algoritma Naïve Bayes DalamPemilihan Penerimaan Beasiswa Tingkat SMA. Seminar NasionalTeknologi Informasi dan Multimedia ISSN : 2302-3805.