JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol.
No.
September 2022, pp.
ISSN: 2828-9102 (Prin.
| 2828-9099 (Onlin.
DOI: 10.
55123/jomlai.
Penerapan Data Mining dalam Klasifikasi Pencegahan Narkoba Menggunakan Algoritma Nayve Bayes di BNN Kota Pematangsiantar Application of Data Mining in Drug Prevention Classification Using the Nayve Bayes Algorithm in BNN Pematangsiantar City Rosta Dermawan Situmorang1.
Sumarno2.
Nani Hidayati3 STIKOM Tunas Bangsa.
Pematangsiantar.
Indonesia
Article Info
ABSTRAK
Genesis Artikel:
Permasalahan Narkoba di Indonesia masih merupakan sesuatu yang bersifat urgen dan Dalam kurun waktu satu dekade terakhir permasalahan ini menjadi marak.
Terbukti dengan bertambahnya jumlah penyalahgunaan atau pecandu narkoba secara signifikan, seiring meningkatnya pengungkapan kasus tindak kejahatan narkoba yang semakin beragam polanya dan semakin masif pula jaringan sindikat nya.
Naive Bayes merupakan sebuah pengklasifikasian probabilistic sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan.
Dalam proses klasifikasi untuk mengetahui hasil kegiatan pencegahan dengan kegiatan tes urine yaitu terindikasi dan tidak terindikasi, penulis ingin mengetahui hasil secara menyeluruh dengan teknik klasifikasi Nayve Bayes agar dapat mempermudah mendapatkan hasil secara keseluruhan tingkat jumlah persentasi pasien yang terindikasi dan tidak terindikasi dalam hal pencegahan penggunaan narkoba.
Berdasarkan hasil penelitian didapatkan 2 klasifikasi yaitu terindikasi dan tidak terindikasi.
Diterima, 23 September 2022 Direvisi, 17 November 2022 Disetujui, 25 Januari 2023 Kata Kunci:
BNN
Data Mining Klasifikasi
Nayve Bayes Pencegahan Narkoba
ABSTRACT
Keywords:
BNN
Data Mining Classification Nayve Bayes Drug Prevention The problem of drugs in Indonesia is still something urgent and complex.
In the last decade this problem has become widespread.
It is proven by the significant increase in the number of drug abusers or addicts, along with the increasing disclosure of drug crime cases, which are increasingly diverse in pattern and the more massive the syndicate network is.
Naive Bayes is a simple probabilistic classifier that calculates a set of probabilities by adding up the frequencies and combinations of values from a given dataset.
In the classification process to find out the results of prevention activities with urine test activities, which are indicated and not indicated, the authors want to know the overall results with the Nayve Bayes classification technique in order to make it easier to get the overall results of the percentage of patients indicated and not indicated in terms of preventing drug use.
Based on the results of the study obtained 2 classifications, namely indicated and not indicated.
This is an open access article under the CC BY-SAlicense.
Penulis Korespondensi:
Rosta Dermawan Situmorang.
Program Studi Teknik Informatika.
STIKOM Tunas Bangsa.
Pematangsiantar.
Indonesia Email: rostadermawan@gmail.
PENDAHULUAN
Permasalahan Narkoba di Indonesia masih merupakan sesuatu yang bersifat urgen dan kompleks.
Dalam kurun waktu satu dekade terakhir permasalahan ini menjadi marak.
Terbukti dengan bertambahnya jumlah penyalahgunaan atau pecandu narkoba secara signifikan, seiring meningkatnya pengungkapan kasus tindak kejahatan narkoba yang semakin beragam polanya dan semakin masif pula jaringan sindikat nya .
Narkoba merupakan singkatan dari narkotika, sedangkan NAPZA adalah singkatan dari narkotika, psikotropika, dan zat adiktif.
Narkoba dan napza dinilai suatu kelompok senyawa yang umumnya memiliki resiko kecanduan bagi penggunanya .
Badan Narkotika Nasional Kota Pematangsiantar (BNN) Journal homepage: https://journal.
id/index.
php/jomlai/ ISSN : 2828-9099 beralamat di Jalan Suka Dame.
Siantar Barat Kota Pematangsiantar.
Peredaran Narkoba saat ini sangat merajalela.
Oleh karena itu untuk membendung dan mempersempit ruang gerak peredaran gelap narkoba ke wilayah tersebut maka Pemerintah Kota Pematangsiantar melalui Walikota Pematangsiantar mengeluarkan Surat Keputusan Walikota Nomor 63 tahun 23 2007 tentang Pembentukan Susunan Organisasi Badan Narkotika Kota Pematangsiantar dan Peraturan Daerah Kota Pematangsiantar Nomor 13 tahun 2009 maka dibentuklah Badan Narkotika Kota Pematangsiantar (BNN) .
Badan ini berbentuk forum yang memiliki tanggungjawab untuk melakukan Koordinasi dalam menanggulangi penyalahgunaan dan peredaran Narkoba di wilayah Kota Pematangsiantar, yang pada saat pendiriannya BNN Pematangsiantar masih berada dibawah naungan Pemerintah Daerah Kota Pematangsiantar .
Sebagai salah satu lembaga pemerintahan yang memiliki kewajiban dalam bidang narkotika perlu adanya suatu informasi data untuk memberikan kemudahan dalam pengelompokan data serta pengklasifikasian data berdasarkan tes urine masyarakat.
Oleh karena itu perlu dilakukan penelitian menggunakan teknologi yang ter sistem dan terkomputerisasi, karena telah mampu memecahkan banyak masalah yang sifatnya statistik, kelompok, rumit dan saling berkaitan .
Ae.
Baik yang berkaitan dengan Pendukung Keputusan .
Ae.
Kecerdasan .
Ae.
, hingga Data Mining .
Ae.
Bagian terakhir ini lah (Data minin.
yang dianggap tepat untuk menyelesaikan masalah pada penelitian ini.
Data Mining merupakan metode yang digunakan dalam pengolahan data berskala besar oleh karena itu data mining memiliki peranan yang sangat penting dalam beberapa bidang kehidupan diantaranya yaitu bidang industri, bidang keuangan, cuaca, ilmu dan teknologi.
Data mining juga bisa diartikan sebagai rangkaian kegiatan untuk menemukan pola yang menarik dari data dalam jumlah besar, kemudian data Ae data tersebut dapat disimpan dalam database, data warehouse atau penyimpanan informasi .
Ae.
Ada beberapa ilmu yang mendukung teknik data mining diantaranya adalah data analisis, signal processing, neural network dan pengenalan pola .
, .
, .
Algoritma Nayve Bayes Classifier adalah salah satu algoritma dari teknik machine learning dengan menggunakan perhitungan probabilitas dan statistik yang ditemukan oleh Thomas Bayes, yaitu dengan melakukan prediksi probabilitas di masa depan dengan berdasar pada history sebelumnya .
Dalam proses klasifikasi untuk mengetahui hasil tes urine yaitu terindikasi dan tidak terindikasi, penulis ingin mengetahui hasil secara menyeluruh dengan teknik klasifikasi Nayve Bayes agar dapat mempermudah mendapatkan hasil secara keseluruhan tingkat jumlah persentasi pasien yang terindikasi dan tidak terindikasi dalam hal tes urine .
Diharapkan penelitian ini dapat membantu pihak BNN Pematangsiantar untuk mengklasifikasikan pasien tes urine menggunakan algoritma Naive Bayes sehingga dapat meminimalkan terjadinya resiko hasil pengujian secara subjektif.
METODE PENELITIAN
Rancangan Penelitian Rancangan penelitian ini pertama kali penulis melakukan pengamatan selanjutnya mengumpulkan data, setelah itu data diolah melalui proses perhitungan dan mengikuti langkah-langkah penyelesaian Algoritma Naive Bayes.
Selanjutnya hasil perhitungan tersebut akan diaplikasikan ke tools Rapid Miner 8.
0, untuk melihat keakuratan hasil yang diperoleh.
Rancangan penelitian dapat dilihat pada Gambar 1.
Start Analisis Masalah Mempelajari Literatur Penetapan Metode Pengumpulan Data Pengolahan Data Pengujian Data Kesimpulan End Gambar 1.
Rancangan Penelitian JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol.
No.
Desember 2022, pp.
JOMLAI: Journal of Machine Learning and Artificial Intelligence Keterangan dari gambar 1 adalah sebagai berikut :
Analisis Masalah Menganalisis masalah yang terkait dengan klasifikasi data pencegahan penggunaan narkoba pada masyarakat kota Pematangsiantar.
Mempelajari Literatur Penelitian ini harus didasari rujukan yang digunakan untuk mendapatkan informasi dalam penelitian.
Menetapkan Metode Menetapkan metode untuk memecahkan masalah yang digunakan yaitu Metode Data Mining Algoritma Naive Bayes.
Mengumpulkan Data Pengumpulan data dilakukan dengan melakukan pengambilan data langsung ke BNN Kota Pematangsiantar.
Pengolahan Data Melakukan pengolahan data dengan menggunakan Excel 2010 Menguji data Pengujian data dilakukan dengan menggunakan Tools Rapid Miner 8.
Kesimpulan Kesimpulan yang didapatkan klasifikasi data pencegahan dalam penggunaan narkoba dengan kegiatan tes urine pada daerah Pematangsiantar yang akan menjadi masukan bagi BNN Kota Pematangsiantar untuk mendapatkan informasi berupa tingkat kelas penggunaan narkoba berupa tinggi dan rendah.
Klasifikasi Klasifikasi adalah salah satu tugas dari data mining yang bertujuan untuk memprediksi label kategori benda yang tidak diketahui sebelumnya, dalam membedakan antara objek yang satu dengan yang lainnya berdasarkan atribut atau fitur.
Klasifikasi dalam data mining dikelompokkan ke dalam teknik pohon keputusan Bayesian (Nayve Bayesian dan Bayesian Relief Networ.
) .
HASIL DAN ANALISIS
Pengolahan Data Data penelitian terdiri dari data training dan data testing .
Data kriteria dan variable kelas pada Data Training terdiri dari 19 alternatif serta data testing terdiri dari 18 alternatif.
Berikut adalah data kriteria dan variable kelas serta training yang Tabel 1.
Data Kriteria dan Variable Kelas Kriteria Alamat Usia Hasil Tes Sub kriteria Siantar Barat Siantar Marihat Siantar Marimbun Siantar Martoba Siantar Selatan Siantar Sitalasari Siantar Timur Siantar Utara 15-20 Tahun 21-30 Tahun 31-40 Tahun Negatif Mop (Morfi.
Met (Metamfitami.
Bzo (Benzodiazepi.
The(Kokai.
Terindikasi Kelas Tidak Terindikasi Berikut adalah data training yang digunakan dalam penelitian ini dapat dilihat pada tabel 2.
Tabel 2.
Data Training Nama Pasien Abdul Khalid Ak Agung Fauzi Ahmad Budi Bakti Aji Parandi Ana Febri Utami Butar-Butar Arfandi Dede Arisandi Usia Alamat Siantar Marihat Siantar Marimbun Siantar Martoba Siantar Selatan Siantar Sitalasari Siantar Timur Siantar Utara Hasil Tes Negatif Met (Metamfitami.
Bzo (Benzodiazepi.
Negatif Mop (Morfi.
Met (Metamfitami.
Bzo (Benzodiazepi.
Keterangan Tidak Terindikasi Terindikasi Narkoba Terindikasi Narkoba Tidak Terindikasi Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Application of Data Mining in Drug Prevention Classification Using the Nayve Bayes .
( Rosta Dermawan Situmoran.
ISSN : 2828-9099 Nama Pasien Dirra Agus Setya Ibnu Azlan Nainggolan Ilhamzah Joko Prianto Kaisar Siringo-Ringo Khairul Azwar Luky Aditya Sunandar Mardianto Mhd Panca Trisnanda Muhammad Tribowo Tuangkus Harianja Drs Nurjani Sinaga Usia Alamat Siantar Martoba Siantar Selatan Siantar Sitalasari Siantar Timur Siantar Utara Siantar Utara Siantar Utara Siantar Marihat Siantar Marimbun Siantar Martoba Siantar Selatan Siantar Sitalasari Hasil Tes Negatif Negatif Negatif Negatif Met (Metamfitami.
Bzo (Benzodiazepi.
The(Kokai.
Negatif Negatif Negatif Mop (Morfi.
Met (Metamfitami.
Keterangan Tidak Terindikasi Tidak Terindikasi Tidak Terindikasi Tidak Terindikasi Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Tidak Terindikasi Tidak Terindikasi Tidak Terindikasi Terindikasi Narkoba Terindikasi Narkoba Seperti yang tertera pada tabel 2, data yang digunakan bukanlah data numerik dan terdiri dari 19 alternatif dan 3 kriteria yang digunakan.
Maka proses selanjutnya menghitung jumlah dan probabilitas dari setiap kategori.
P (Terindikasi Narkob.
Sedangkan perhitungan probabilitas tidak terindikasi narkoba yaitu:
P (Tidak Terindikas.
Setelah probabilitas dari masing-masing prior telah diketahui, selanjutnya penulis menghitung masing-masing probabilitas dari setiap kriteria yang digunakan.
Kriteria yang digunakan penulis yaitu alamat, usia dan hasil tes.
Begitu seterusnya hingga diperoleh nilai probabilitas dari setiap kelas untuk semua kriteria yang digunakan.
Berikut adalah nilai probabilitas dari setiap kriteria.
Tabel 3.
Hasil Probabilitas Training Kriteria Alamat Usia Hasil Tes Sub Kriteria Siantar Barat Siantar Marihat Siantar Marimbun Siantar Martoba Siantar Selatan Siantar Sitalasari Siantar Timur Siantar Utara 15-20 Tahun 21-30 Tahun 31-40 Tahun Negatif Mop (Morfi.
Met (Metamfitami.
Bzo (Benzodiazepi.
The(Kokai.
Terindikasi Kelas Tidak Terindikasi Terindikasi Probabilitas Tidak Terindikasi 0,222 0,111 0,222 0,222 0,111 0,111 0,444 0,889 Data uji yang digunakan dalam penelitian ini terdiri dari 23 alternatif.
Berikut adalah data uji yang digunakan:
Tabel 4.
Data Testing Nama Pasien Rahmad Afandi Rahmad Andi Sipayung Satrya Ramadhan Sudarmadi Surya Alfazar Surya Ramadhan Syamsir Hasibuan Vahny Ramadhan Wiyakti Ista Mitra Yosua August Hasudungan Sigalingging Zulkifli Sitepu Muhammad Gilang Rendy Alfarisi Jefri K.
L Batu Bayu Sugara Damanik Hermanto Pakpahan Ali Rasyid Rangga Patih Damanik Usia JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol.
No.
Desember 2022, pp.
Alamat Siantar Timur Siantar Utara Siantar Timur Siantar Marimbun Siantar Martoba Siantar Selatan Siantar Sitalasari Siantar Timur Siantar Utara Siantar Timur Siantar Sitalasari Siantar Sitalasari Siantar Timur Siantar Utara Siantar Sitalasari Siantar Timur Siantar Utara Siantar Timur Hasil Tes Bzo (Benzodiazepi.
The(Kokai.
Met (Metamfitami.
Negatif Negatif Met (Metamfitami.
Bzo (Benzodiazepi.
The(Kokai.
Met (Metamfitami.
Bzo (Benzodiazepi.
Met (Metamfitami.
Bzo (Benzodiazepi.
Met (Metamfitami.
Met (Metamfitami.
Bzo (Benzodiazepi.
The(Kokai.
Met (Metamfitami.
Bzo (Benzodiazepi.
Hasil JOMLAI: Journal of Machine Learning and Artificial Intelligence Tabel 5.
Probabilitas Data Testing Nama Pasien Rahmad Afandi Rahmad Andi Sipayung Satrya Ramadhan Sudarmadi Surya Alfazar Surya Ramadhan Syamsir Hasibuan Vahny Ramadhan Wiyakti Ista Mitra Yosua August Hasudungan Sigalingging Zulkifli Sitepu Muhammad Gilang Rendy Alfarisi Jefri K.
L Batu Bayu Sugara Damanik Hermanto Pakpahan Ali Rasyid Rangga Patih Damanik Terindikasi 0,003 0,004 0,004 0,036 0,054 0,009 0,016 0,027 0,072 0,006 0,004 0,144 0,054 0,009 0,144 0,027 Tidak Terindikasi 0,074 0,148 Berikut adalah hasil keseluruhan dari setiap alternatif:
Tabel 6.
Probabilitas Akhir Nama Pasien Rahmad Afandi Rahmad Andi Sipayung Satrya Ramadhan Sudarmadi Surya Alfazar Surya Ramadhan Syamsir Hasibuan Vahny Ramadhan Wiyakti Ista Mitra Yosua August Hasudungan Sigalingging Zulkifli Sitepu Muhammad Gilang Rendy Alfarisi Jefri K.
L Batu Bayu Sugara Damanik Hermanto Pakpahan Ali Rasyid Rangga Patih Damanik Terindikasi 0,0016 0,0021 0,0021 0,0189 0,0284 0,0047 0,0084 0,0142 0,0379 0,0032 0,0021 0,0758 0,0284 0,0047 0,0758 0,0142 Tidak Terindikasi 0,0351 0,0702 Hasil Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Tidak Terindikasi Tidak Terindikasi Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Terindikasi Narkoba Berdasarkan tabel 6 dapat dilihat bahwa hasil perhitungan manual dari probabilitas akhir untuk seluruh data testing diperoleh 2 alternatif dengan klasifikasi Tidak Terindikasi dan 16 alternatif dengan klasifikasi Terindikasi Narkoba.
Hasil Percobaan Rapid Miner Menjalankan proses pembentukan model aturan, terlebih dahulu importing data dari data yang sudah ditransformasi terlebih dahulu dalam Microsoft Excel dan diakses menggunakan software Rapid Miner.
Atribut yang digunakan sebagai label adalah hasil kuesioner klasifikasi pencegahan narkoba yaitu data kuesioner.
Gambar 2.
Proses Accuracy Application of Data Mining in Drug Prevention Classification Using the Nayve Bayes .
( Rosta Dermawan Situmoran.
ISSN : 2828-9099 Dalam melakukan validasi data terdapat hal-hal yang harus diperhatikan diantaranya: perhitungan manual algoritma harus telah menampilkan hasil akhir berupa pohon keputusan, serta data yang digunakan haruslah data yang valid dan sama dengan yang dipakai pada tools.
Hasil pengujian Model Algoritma Naive Bayes Classifier ditunjukan pada gambar berikut.
Gambar 3.
Nilai Accuracy Performance Berdasarkan gambar 3 dapat dilihat bahwa Jumlah Klasifikasi Tidak Terindikasi dan kenyataannya benar Tidak Terindikasi adalah 2 record.
Jumlah Klasifikasi Terindikasi Narkoba dan kenyataannya benar Terindikasi Narkoba adalah 16 Jumlah Klasifikasi Tidak Terindikasi dan kenyataannya benar Terindikasi adalah 0 record.
Jumlah Klasifikasi Tidak Terindikasi dan kenyataannya benar Terindikasi Narkoba adalah 0 record.
Sehingga total Accuracy yang diperoleh sebesar KESIMPULAN Kesimpulan yang didapat dari penelitian ini antara lain: Penerapan Data Mining dalam pencegahan narkoba menggunakan algoritma nayve bayes menjadi pertimbangan untuk klasifikasi pencegahan penggunaan narkoba berdasarkan data yang diambil dari BNN Pematangsiantar.
Data penelitian terdiri dari Data Training dan Data Testing.
Data Training terdiri dari 19 alternatif dan Data Testing terdiri dari 18 alternatif.
Berdasarkan hasil dari probabilitas akhir maka dapat diperoleh hasil jika P (Tidak Terindikas.
> P (Terindikasi Narkob.
maka hasil klasifikasi yang diperoleh adalah Tidak Terindikasi, dan begitu pula sebaliknya.
Berikut adalah hasil keseluruhan dari setiap alternatif.
Berdasarkan dari 19 data training yang digunakan terdapat 10 kelas Tidak Terindikasi dan 9 kelas Terindikasi Narkoba.
Hasil perhitungan manual dari probabilitas akhir untuk seluruh Data Testing diperoleh 2 alternatif dengan klasifikasi Tidak Terindikasi dan 16 alternatif dengan klasifikasi Terindikasi Narkoba dengan total data 18 alternatif.
REFERENSI