Klasifikasi Naïve Bayes ( Perkuliahan MachineLearning) 201931042_Muhammad Agung Nugroho

 Klasifikasi Naïve Bayes

Naïve Bayes merupakan sebuah metode penggolongan berdasarkan
probabilitas sederhana dan dirancang untuk dipergunakan dengan asumsi bahwa
antar satu kelas dengan kelas yang lain tidak saling tergantung (independen). Pada
klasifikasi Naïve Bayes, proses pembelajaran lebih ditekankan pada mengestimasi
probabilitas. Keuntungan dari pendekatan ini yaitu pengklasifikasian akan
mendapatkan nilai error yang lebih kecil ketika data set berjumlah besar (Berry,
2006). Selain itu menurut Han and Kamber (2006) klasifikasi Naïve Bayes
terbukti memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam
basis data dengan jumlah yang besar.
Formulasi Naïve Bayes untuk klasifikasi menurut Prasetyo (2012) adalah
sebagai berikut:

P(YǀX) =



Dimana:

P(YǀX) = probabilitas data dengan vektor X pada kelas Y.
P(Y) = probabilitas awal kelas Y (prior probability).


= probabilitas independen kelas Y dari semua fitur dalam
vektor X.

Nilai P(X) = probabilitas dari X.
Probabilitas P(X) selalu tetap sehingga dalam perhitungan prediksi nantinya
dapat diabaikan dan hanya menghitung bagian

saja dengan
memilih nilai yang terbesar sebagai kelas hasil prediksi atau yang biasa dikenal
dengan sebutan Maximum A Posteriori (MAP) dimana MAP ini dapat dinotasikan
dengan:

hMAP = arg (max


Sementara probabilitas independensi

merupakan pengaruh
semua fitur dari data terhadap setiap kelas Y, yang dinotasikan dengan:
P(XǀY=y) =


Setiap set fitur X = [X1, X2, X3, ... , Xq] terdiri atas q atribut. 
 
 
Bersumber: https://media.neliti.com/media/publications/99320-ID-perbandingan-metode-klasifikasi-naive-ba.pdf
 

Komentar

Posting Komentar

Postingan populer dari blog ini

Perceptron

Gambar
The perceptron algorithm was invented in 1958 at the  Cornell Aeronautical Laboratory  by  Frank Rosenblatt , [3]  funded by the United States  Office of Naval Research . [4] The perceptron was intended to be a machine, rather than a program, and while its first implementation was in software for the  IBM 704 , it was subsequently implemented in custom-built hardware as the "Mark 1 perceptron". This machine was designed for  image recognition : it had an array of 400  photocells , randomly connected to the "neurons". Weights were encoded in  potentiometers , and weight updates during learning were performed by electric motors. [2] : 193  In a 1958 press conference organized by the US Navy, Rosenblatt made statements about the perceptron that caused a heated controversy among the fledgling  AI  community; based on Rosenblatt's statements,  The New York Times  reported the perceptron to be "the embryo of an electronic computer that [the Navy] expects will be
Baca selengkapnya

Artificial Intelligence

  Mengapa AI penting? Karena banyak teknologi yang saat ini memanfaatkan kinerja tingkat manusia super seperti, dapat membaca dokumen, menjawab pertanyaan, melakukan pengenalan suara, pengenalan wajah bahkan bermanfaat dalam pencitraan medis. AI juga benar-benar fokus pada beberapa pilihan beberapa masalah seperti mendiagnosis penyakit atau mengubah bagian pesanan pelanggan dan ini adalah pertama kalinya AI memiliki dampak nyata pada industri sehingga berdampak positif untuk masyarakat luas Bagaimana awal mula AI? Walaupun proses AI tidak secepat yang dikira dan butuh bertahun-tahun untuk menyelesaikan AI untuk menjadi sebuah hal yang bagus bagi masyarakat luas dimana AI berawal dari : Tahun 1956 (The Dartmouth Summer Research Project) mempopulerkan istilah Arficial Intelligence. Namun saat itu mereka tidak membuat banyak kemajuan AI selama musim panas tetapi banyak program dan artefak menarik muncul dari waktu itu terdapat program dimana bisa bermain catur atau membuktikan teorema. Pa
Baca selengkapnya