Algoritma Bayesian Classification

Algoritma Bayesian Classification

Mungkin sebagian dari anda sudah sedikit tau tentang judul artikel diatas, tapi kali ini saya akan mengulas bagi anda yang membutuhkan referensi tentang metode bayes ini. Bayesian classification adalah pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class.BC didasarkan pada teorema Bayes yg memiliki kemampuan klasifikasi serupa dengan decision tree dan neural network dan memiliki akurasi dan kecepatan yg tinggi saat diaplikasikan ke dalam database yg besar. Dibawah ini adalah bentuk umum dari teorima bayes

Bentuk umum teorema Bayes

Bentuk umum teorema Bayes


Keterangan :
X : data dengan class yang belum diketahui
H : hipotesis data X
P(HIX) : probabilitas hipotesis H berdasar kondisi X(posteriori probability)
P(H) : probabilitas hipotesis H (prior porbability)
P(XIH) : probabilitas X berdasar  kondisi pada hipotesis H
P(X) : probabilitas dari X

Contoh
Algoritma Bayesian Classification


Contoh Lanjutan :

Dari tabel diatas, terdpt 2 class dari klasifikasi yg dibentuk, yaitu:
C1 = buys_computer = yes
C2 = buys_cumputer = no

Misalnya, terdapat data X yang belum diketahui class-nya dengan data sbb:
 
X=(age=“<=30”, income=“medium”, student=“yes”, credit_rating=“fair”) Buys_computer ?

Penyelesaian
  • Dibutuhkan utk memaksimalkan:
P(XICi) P(Ci) untuk i=1,2
  • P(Ci) merupakan prior probability utk setiap class berdasarkan data, contoh:
-P(buys_computer=“yes”)= 9/14 = 0,643

-P(buys_computer=“no”)= 5/14 = 0,357

            Hitung P(XICi) utk i=1,2
  • P(age=“<30” I buys_computer=“yes”)=2/9=0,222
  • P(age=“<30” I buys_computer=“no”)=3/5=0,6
  • P(income=“medium” I buys_computer=“yes”)=4/9=0,444
  • P(income=“medium” I buys_computer=“no”)=2/5=0,4

          Hitung P(XICi) utk i=1,2
  • P(student=“yes” I buys_computer=“yes”)=6/9=0,667
  • P(student=“yes” I buys_computer=“no”)=1/5=0,2
  • P(credit-rating=“fair” I buys_computer=“yes”)=6/9=0,667
  • P(credit-rating=“fair” I buys_computer=“no”)=2/5=0,4

           Hitung P(XICi) utk i=1,2

  • P(X I buys_computer=“yes”)  = 0,222 x 0,444 x 0,677 x 0,677 = 0,044
  • P(X I buys_computer=“no”) = 0,600 x 0,400 x 0,200 x 0,400 = 0,019
  • P(X I buys_computer=“yes”) P(buys_computer=“yes”) = 0,044 x 0,643 = 0,028
  • P(X I buys_computer=“no”) P(buys_computer=“no”) = 0,019 x 0,357 = 0,007


Hasil

Berdasarkan perhitungan, P(XICi) P(Ci) utk i=1,2
Maka :
P(X I buys_computer=“yes”) P(buys_computer=“yes”) = 0,044 x 0,643 = 0,028

P(X I buys_computer=“no”) P(buys_computer=“no”) = 0,019 x 0,357 = 0,007


Nilai yg tertinggi adalah 0,028 → Untuk kasus:

X = (age = “<=30”,  income = “medium”, student = “yes”, credit_rating = “fair”)

Maka → buys_computer → “Yes”


Untuk contoh perhitungan naive bayes lainnya anda bisa lihat pada contoh kasus Perhitungan Naive Bayes Classification Untuk Mendeteksi Kerusakan Laptop 

Demikian penjelasan yang dapat saya tulisakan semoga anda memahami dan semoga penjelasan diatas membantu bagi anda yang mencari referensi yaa.



Kata Kunci : Algoritma Bayesian Classification, Contoh Skripsi Teknik Informatika, Contoh Skripsi, Skripsi, Skripsi Teknik Informatika