MID Peng. Intelijen Buatan Kelas B

Raimundo Soares

Rabu, 21 Mei 2014

MID Peng. Intelijen Buatan Kelas B

PENERAPAN ALGORITMA NAIVE BAYES

UNTUK MENGKLASIFIKASI DATA NASABAH

ASURANSI

Oleh : Bustami

Dosen Teknik Informatika Universitas Malikussaleh

ABSTRAK

Data mining adalah teknik yang memanfaatkan data dalam jumlah yang besar untuk memperoleh informasi berharga yang sebelumnya tidak diketahui dan dapat dimanfaatkan untuk pengambilan keputusan penting. Pada penelitian ini, penulis berusaha menambang data (data mining) nasabah sebuah perusahaan asuransi untuk mengetahui lancar, kurang lancar atau tidak lancarnya nasabah tersebut. Data  yang ada dianalisis menggunakan algoritma Naive Bayes. Naive Bayes merupakan salah satu meode pada probabilistic reasoning. Algoritma Naive Bayes bertujuan untuk melakukan klasifikasi data pada kelas tertentu, kemudian pola tersebut dapat digunakan untuk memperkirakan nasabah yang bergabung, sehingga perusahaan bisa mengambil keputusan menerima atau menolak calon nasabah tersebut.

Kata Kunci : data mining, asuransi, klasifikasi, algoritma Naive Bayes

PENDAHULUAN

Premi merupakan pendapatan bagi perusahaan asuransi, yang jumlahnya ditentukan dalam suatu persentase atau tarif tertentu dari jumlah yang dipertanggungkan. Bagi tertanggung premi merupakan beban karena membayar premi merupakan beban tertanggung. Pendapatan premi untuk perusahaan asuransi ditentukan oleh jumlah premi yang dibayar oleh nasabah.

Permasalahan yang sering timbul dalam perusahaan asuransi adalah banyaknya nasabah yang menunggak dalam membayar premi, sehingga diperlukan sebuah sistem yang dapat mengklasifikasikan nasabah mana yang masuk ke dalam kelompok lancar, kelompok kurang lancar dan nasabah mana yang masuk kedalam kelompok tidak lancar dalam membayar iuran premi. Sehingga pihak asuransi bisa mengatasi sejak dini permasalahan tersebut.

Sebuah perusahaan asuransi pastilah mempunyai data yang begitu besar. Banyak yang belum menyadari bahwa dari pengolahan data data tersebut dapat memberikan informasi berupa klasifikasi data nasabah yang akan bergabung pada perusahaan itu sendiri. Penggunaaan teknik data mining diharapkan mampu memberikan informasi yang berguna tentang teknik klasifikasi data nasabah yang akan bergabung dalam kelompok lancar, kelompok kurang lancar atau tidak lancar dalam membayar premi.

LANDASAN TEORI

a. Data Mining

Data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining juga disebut sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data.

Tahapan dari proses Knowledge Discovery in Database (KDD) adalah :

1. Selection

2. Pre-Processing / Cleaning.

3. Transformation

4. Data Mining

5 Interpretation / Evaluation.

b. Metode Klasifikasi

Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Dalam mencapai tujuan tersebut, proses klasifikasi membentuk suatu model yang mampu membedakan data kedalam kelas-kelas yang berbeda berdasarkan aturan atau fungsi tertentu. Model itu sendiri bisa berupa aturan “Jika-Maka”, berupa pohon keputusan, atau formula matematis.

c. Algoritma Naive Bayes

Algoritma Naive Bayes merupakan salah satu algoritma yang terdapat pada teknik klasifikasi. Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman dimasa sebelumnya sehingga dikenal sebagai Teorema Bayes. Teorema tersebut dikombinasikan dengan Naive dimana diasumsikan kondisi antar atribut saling bebas. Klasifikasi Naive Bayesdiasumsikan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ada hubungannya dengan ciri dari kelas lainnya.

Persamaan dari teorema Bayes adalah :

X                 : Data dengan class yang belum diketahui

H                 : Hipotesis data merupakan suatu class spesifik

P(H|X)         : Probabilitas hipotesis berdasar kondisi (posteriori probability)

P(H)             : Probabilitas hipotesis H (prior probability)      

P(X|H)         : Probabilitas X berdasarkan kondisi pada hipotesis H

P(X)             : Probabilitas X

Untuk menjelaskan teorema Naive Bayes, perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut. Karena itu, teorema

bayes di atas disesuaikan sebagai berikut :

Dimana Variabel C merepresentasikan kelas, sementara variabel F1 ... Fn merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas C (sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan peluang kemunculan karakteristik karakteristik sampel pada kelas C (disebut juga likelihood), dibagi dengan peluang kemunculan karakteristik karakteristik sampel secara global ( disebut juga evidence). Karena itu, rumus diatas dapat pula ditulis secara sederhana sebagai berikut :

Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari posterior tersebut nantinya akan dibandingkan dengan nilai nilai posterior kelas lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan. Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan (C|F1, . . .Fn) menggunakan aturan perkalian sebagai berikut :

Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin banyak dan semakin kompleksnya faktor faktor syarat yang mempengaruhi nilai probabilitas, yang hampir mustahil untuk dianalisa satu persatu. Akibatnya, perhitungan tersebut menjadi sulit untuk dilakukan. Disinilah digunakan asumsi independensi yang sangat tinggi (naif), bahwa masing masing petunjuk (F1,F2,...Fn)  saling bebas (independen) satu sama lain. Dengan asumsi tersebut, maka berlaku suatu kesamaan sebagai berikut:

Untuk i =/ j , sehingga

Dari persamaan diatas dapat disimpulkan bahwa asumsi independensi naif tersebut membuat syarat peluang menjadi sederhana, sehingga perhitungan menjadi mungkin untuk dilakukan. Selanjutnya, penjabaran P(C|F1,...Fn) dapat disederhanakan menjadi :

Persamaan diatas merupakan model dari teorema Naive Bayes yang selanjutnya akan digunakan dalam proses klasifikasi. Untuk klasifikasi dengan data kontinyu digunakan rumus Densitas Gauss :

Adapun alur dari metode Naive Bayes adalah sebagai berikut :

1. Baca data training

2. Hitung Jumlah dan probabilitas, namun apabila data numerik maka:

a.Cari nilai mean dan standar deviasi dari masing masing parameter yang merupakan data numerik.

b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.

3. Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas.

PERANCANGAN BASIS DATA

a. Desain Tabel Admin

Tabel ini digunakan untuk menyimpan data admin

b. Desain Tabel Data Nasabah

Tabel ini digunakan untuk menyimpan data nasabah yang akan digunakan dalam sistem.

c. Desain Tabel Variabel Calon Nasabah

Tabel ini digunakan untuk menyimpan variable yang akan digunakan dalam sistem.

IMPLEMENTASI DENGAN PERHITUNGAN NAIVE BAYES

Model statistik merupakan salah satu model yang efisien sebagai pendukung pengambilan keputusan. Konsep probabilistik merupakan salah satu bentuk model statistik. Salah satu metode yang menggunakan konsep probabilistik adalah Naive Bayes. Algoritma Naive Bayes adalah salah satu algoritma dalam teknik klasifikasi yang mudah diimplementasikan dan cepat prosesnya. Pada metode ini, semua atribut akan memberikan kontribusinya dalam pengambilan keputusan, dengan bobot atibut yang sama penting dan setiap atribut saling bebas satu sama lain. Apabila diberikan k atribut yang saling bebas (independence), nilai probabilitas dapat diberikan sebagai berikut:

Tahap awal cara kerja dari proses perhitungan Naive Bayes adalah

dengan melakukan pengambilan data training dari data nasabah asuransi.

Adapun variabel penentu yang digunakan dalam mengklasifikasikan data

nasabah yaitu :

1. Jenis Kelamin

Merupakan variabel jenis kelamin nasabah yang dikelompokkan dalam dua kategori yaitu laki laki dan perempuan.

2. Usia

Merupakan variabel usia nasabah yang di kelompokkan dalam tiga kategori yaitu 20 - 29 tahun, 30 - 40 tahun, dan diatas 40 tahun.

3. Status

Merupakan variabel status nasabah yang dikelompokkan dalam dua kategori yaitu kawin dan belum kawin.

4. Pekerjaan

Merupakan variabel pekerjaan nasabah yang dikelompokkan dalam tiga kategori yaitu PNS, Pegawai Swasta, Wiraswasta.

5. Penghasilan

Merupakan variabel penghasilan dari nasabah yang dikelompokkan dalam tiga kategori yaitu 0 - 25 juta, 25 - 50 juta, dan diatas 50 juta.

6. Cara pembayaran premi

Merupakan variabel cara pembayaran premi yang dikelompokkan dalam empat kategori yaitu bulanan, triwulan, semesteran, dan tahunan.

7. Masa pembayaran premi

Merupakan variabel masa pembayaran premi yang dikelompokkan dalam tiga kategori yaitu 5 - 10 tahun, 11 - 15 tahun, dan diatas 15 tahun.

Berdasarkan tabel diatas dapat dihitung klasifikasi data nasabah apabila diberikan input berupa jenis kelamin, usia, status, pekerjaan, penghasilan/tahun, masa asuransi dan cara pembayaran menggunakan algoritma Naive Bayes. Apabila diberikan input baru, maka klasifikasi data nasabah asuransi dapat ditentukan melalui langkah berikut :

1. Menghitung jumlah class / label

2. Menghitung jumlah kasus yang sama dengan class yang sama

P(Jenis Kelamin = Laki-laki| Y=Lancar) = 5/9

P(Jenis Kelamin = Laki-laki| Y=Kurang Lancar) = 2/4

P(Jenis Kelamin = Laki-laki| Y=Tidak Lancar) = 4/7

P(Usia = 30 - 40 Tahun| Y=Lancar) = 7/9

P(Usia = 30 - 40 Tahun| Y=Kurang Lancar) =2/4

P(Usia = 30 - 40 Tahun| Y=Tidak Lancar) = 3/7

P(Status = Kawin| Y=Lancar) = 4/9

P(Status = Kawin| Y=Kurang Lancar) = 4/4

P(Status = Kawin| Y=Tidak Lancar) = 6/7

P(Pekerjaan = Wiraswasta| Y=Lancar) = 6/9

P(Pekerjaan = Wiraswasta| Y=Kurang Lancar) = 2/4

P(Pekerjaan = Wiraswasta| Y=Tidak Lancar) = 2/7

P(Penghasilan = 25 50 Juta| Y=Lancar) = 2/9

P(Penghasilan = 25 50 Juta| Y=Kurang Lancar) = 1/4

P(Penghasilan = 25 50 Juta| Y=Tidak Lancar) = 3/7

P(Masa_Asuransi = 11 15 Tahun| Y=Lancar) = 7/9

P(Masa_Asuransi = 11 15 Tahun| Y=Kurang Lancar) = 1/4

P(Masa_Asuransi = 11 15 Tahun| Y=Tidak Lancar) = 4/7

P(Cara Pembayaran = Semesteran| Y=Lancar) = 3/9

P(Cara Pembayaran = Semesteran| Y=Kurang Lancar) = 1/4

P(Cara Pembayaran = Semesteran| Y=Tidak Lancar) = 1/7

3. Kalikan semua hasil variabel Lancar, Kurang Lancar dan Tidak Lancar

P(Laki Laki\Lancar) * P(30 40 Tahun\Lancar) * P(Kawin\Lancar). P(Wiraswasta\Lancar) * P(25 50 Juta\Lancar) * P(11 15 Tahun\Lancar). P(Semesteran\Lancar) * P(Lancar)

P(Laki Laki \ Kurang Lancar) * P(30 40 Tahun \ Kurang Lancar) * P(Kawin\Kurang Lancar) * P(Wiraswasta\ Kurang Lancar) * P(25 50 Juta\Kurang Lancar) * P(11 15 Tahun\Kurang Lancar). P(Semesteran\Kurang Lancar) * P(Kurang Lancar)

P(Laki Laki\Tidak Lancar) * P(30 40 Tahun\Tidak Lancar) * P(Kawin\Tidak Lancar) * P(Wiraswasta\Tidak Lancar) * P(25 50 Juta\Tidak Lancar) * P(11 15 Tahun\Tidak Lancar) * P(Semesteran\Tidak Lancar). P(Tidak Lancar)

4. Bandingkan hasil class Lancar, Kurang Lancar dan Tidak Lancar Dari hasil diatas, terlihat bahwa nilai probabilitas tertinggi ada padakelas (P|Lancar) sehingga dapat disimpulkan bahwa status calon nasabah tersebut masuk dalam klasifikasi "lancar".

IMPLEMENTASI SISTEM

Setelah melalui tahapan perancangan sistem, database selanjutnya adalah implementasi sistem. Implementasi sistem merupakan bagian akhir daripada perancangan sistem yang telah dibangun dimana tahapan ini juga merupakan testing program.

a. Form Login

Form login berfungsi sebagai form keamanan, form ini merupakan form untuk masuk ke program yang akan diakses dengan cara mengisikan username dan password. Jika hak akses telah diberikan oleh sistem maka user dapat mengakses menu utama aplikasi. Adapun tampilan form login dapat dilihat pada gambar berikut :

b. Form Menu Utama

Form menu utama berfungsi untuk mengakses segala perintah yang terdapat dalam aplikasi. Form tersebut dapat diakses setelah user melakukan login. Pada form ini terdapat beberapa menu yaitu Menu File Data yang berisi submenu data nasabah (data training) dan cek persentase kelancaran (data testing), Menu Admin, Laporan dan Exit. Adapun tampilannya dapat dilihat pada gambar berikut :

c. Form Data Nasabah

Form ini dapat ditampilkan melalui menu form utama > file data > data nasabah. Form ini berfungsi untuk mencari data nasabah, menambah, menghapus, menyimpan data nasabah. Data nasabah inilah yang selanjutnya digunakan untuk data pelatihan (training) untuk proses klasifikasi. Adapun tampilannya dapat dilihat pada gambar berikut :

d. Form Cek Persentasi Kelancaran

Untuk memanggil form cek persentasi kelancaran dapat dilakukan melalui menu form utama > file data > cek persentasi kelancaran. Form ini adalah form data testing yang digunakan untuk mengecek tingkat kelancaran calon nasabah. Adapun tampilannya dapat dilihat pada gambar berikut :

e. Form Hasil Input Data Calon Nasabah

Pada form ini menampilkan hasil output dari penginputan data calon nasabah yang telah di proses dengan algoritma Naive Bayes. Proses klasifikasi dipengaruhi oleh atribut atribut terpilih yang mendukung untuk

menentukan kelas nasabah lancar, kurang lancar dan tidak lancar. Adapun tampilannya dapat dilihat pada gambar berikut :

f. Form Laporan Akhir

Laporan akhir merupakan output dari proses klasifikasi data. Laporan ini menampilkan hasil akhir dari proses yang telah dilakukan yaitu output dari penginputan data calon nasabah yang telah di proses dengan algoritma Naive Bayes. Pada menu laporan juga terdapat submenu laporan berdasarkan klasifikasi nasabah lancar, kurang lancar atau tidak lancar. Adapun tampilan form laporan dapat dilihat pada gambar berikut :

7. Kesimpulan

Berdasarkan hasil pembahasan maka penulis dapat mengambil beberapa kesimpulan antara lain :

1. Sistem klasifikasi data nasabah ini digunakan untuk menampilkan informasi klasifikasi lancar, kurang lancar atau tidak lancarnya calon nasabah dalam membayar premi asuransi dengan menggunakan algoritma Naive Bayes.

2. Dengan adanya sistem ini maka mempermudah pihak asuransi dalam memperkirakan nasabah yang bergabung, sehingga perusahaan bisa mengambil keputusan untuk menerima atau menolak calon nasabah tersebut.

3. Algoritma Naive Bayes di dukung oleh ilmu Probabilistik dan ilmu statistika khususnya dalam penggunaan data petunjuk untuk mendukung keputusan pengklasifikasian. Pada algoritma Naive Bayes, semua atribut akan memberikan kontribusinya dalam pengambilan keputusan, dengan bobot atribut yang sama penting dan setiap atribut saling bebas satu sama lain.

4. Variabel penentu yang digunakan dalam penelitian ini adalah jenis kelamin, usia, status, pekerjaan, penghasilan per tahun, masa pembayaran asuransi, dan cara pembayaran asuransi.

DAFTAR PUSTAKA

Budi, Santoso, 2007, Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis, Graha Ilmu, Yogyakarta

Frieyadie, 2010, Mudah Belajar Pemograman Database MySql dengan Microsoft Visual Basic 6.0, Andi, Yogyakarta

Hermawati, Fajar Astuti, 2013, Data Mining, Andi, Yogyakarta Jogiyanto, H.M, 2000, Analisis dan Desain Sistem Informasi, Andi, Yogyakarta

Kusumadewi, Sri, 2009, Klasifikasi Status Gizi Menggunakan Algoritma Naive Bayes Classification, Jurusan Teknik Informatika, universitas Islam Indonesia

Mulyanto, Agus, 2009, Sistem Informasi Konsep dan Aplikasi, Cetakan I, Pustaka Pelajar, Yogyakarta

Natalius, Samuel, 2010, Metode Naive Bayes Classifier dan Penggunaannya Pada Klasifikasi Dokumen, Program Studi Sistem dan teknologi Informasi, Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung

Prakoso, Djoko, 1994, Asuransi Indonesia, Dahara Prize, Semarang

Rahadian, Hadi, 2004, Membuat Laporan dengan Crystal Report 8.5 dan Visual Basic 6.0, Cetakan 2, Elex Media Komputindo, Jakarta

Rokhmah, Dewi Pyriana, 2011, Klasifikasi Data Mengggunakan Metode KNearest Neighbour dan Teorema Bayes, Program Studi Teknik Informatika, Universitas Brawijaya Malang

Supardi, Yuniar, 2006, Microsoft Visual Basic 6.0, Elex Media Komputindo, Jakarta

Susanto, Sani, Ph.D, Suryadi, Dedy, 2010, Pengantar Data Mining: Menggali Pengetahuan dari Bongkahan Data, Andi, Yogyakarta

http://www.scribd.com/ doc /45017830 /Algoritma Data - Miningdesicion- tree-naive bayes-dll di unduh, 5 Maret 2013, 10:00 Wib http://www.scribd.com/doc /55713517/Metode - Bayes di unduh 5 Maret 2013, 10:10 Wib

Pendapat saya tentang teorema di atas adalah : Penerapan Algoritma Naive Bayes untuk mengklasifikasi data nasabah asuransi merupakan hal yang menarik untuk diketahui. Teorema bayes merupakan teorema dengan dua penafsiran yang berbeda pada dasarnya, sedangkan Naive merupakan cara pengklasifikasian dengan berdasarkan asumsi (naif). kedua hal ini yang kemudian digabungkan menjadi satu sehingga membuat teorema Naive Bayes yang memungkinkan kita mengklasifikasikan suatu kejadian tertentu dari suatu kelompok tidak berhubungan dengan kehadiran atau ketiadaan dari kejadian lainnya. Maksudnya perusahaan asuransi pastilah memiliki data yang sangat banyak, permasalahan yang sering timbul dalam perusahaan asuransi adalah banyaknya nasabah yang menunggak dalam membayar premi, sehingga diperlukan sebuah sistem yang dapat mengklasifikasikan nasabah ke dalam kelompok-kelompok tertentu, misalkan seperti yang telah dijelaskan dalam jurnal di atas adalah kelompok lancar, kurang lancar dan tidak lancar ketiga kelompok di atas sangatlah berbeda, tujuannya adalah agar pihak asuransi bisa mengetahui dengan jelas dan pasti pengklasifikasian dari para nasabah sehingga dari pengklasifikasi itulah pihak asuransi dapat mencari jalan keluar atau solusi yang tepat. Hanya kekurangan dari penggunaan Naive Bayes ini adalah tidak berlaku jika probabilitas kondisionalnya adalah nol dan apabila nol prediksi atau asumsinya akan bernilai nol juga. Demikianlah pendapat saya mengenai jurnal di atas.