Anda di halaman 1dari 9

NAVE BAYES

A. Data Training dan Hipotesa

Dari data diatas dapat dinyatakan pengertian tentang data konsisten dan tidak konsisten. Data konsisten Suatu data disebut konsisten, jika setiap atributnya memiliki nilai target yang sama.
Day # # # Cuaca Cerah Cerah Cerah Temperatur Normal Normal Normal Kecepatan Angin Pelan Pelan Kencang Berolah raga Ya Ya Ya

Atribut Cuaca, Temperatur mempunyai nilai target yang sama (Berolah-raga), maka data ini adalah data yang konsisten. Data tidak konsisten Suatu data disebut tidak konsisten, jika setiap atributnya memiliki nilai target yang sama, tapi nilai yang berbeda untuk atriibutnya.
Day # # # Cuaca Cerah Cerah Hujan Temperatur Normal Tinggi Normal Kecepatan Angin Pelan Pelan Kencang Berolah raga Ya Ya Ya

Tidak satupun atribut yang mempunyai nilai yang sama dalam satu keputusan (berolah-raga). Data bias Suatu data disebut data bias jika memiliki target atau keputusan yang berbeda sedangkan instance pada semua atributnya sama
Day # # # Cuaca Cerah Cerah Cerah Temperatur Normal Normal Normal Kecepatan Angin Pelan Pelan Pelan Berolah raga Ya Ya Tidak

Dataset yang digunakan sebagai data training bias bersifat konsisten, tidak konsisten atau bias. Data set tersebut digunakan untuk memprediksi suatu kejadian dari fakta atau kenyataan yang diketahui sebelumnya. Prediksi dari suatu kejadian disebut Hipotesa. Hipotesa dituliskan dengan:

Contoh Hipotesa:

1. H(cuaca=cerah, temperature=normal, kec.angin=pelan)=ya Hipotesa ini menunjukkan bahawa keputusan untuk berolah raga bila cuaca=cerah, temperature=normal, kec.angin=pelan, untuk singkatnya dituliskan hanya instance pada setiap atribut dengan H(cerah, normal, pelan)=ya 2. H(cuaca=cerah, kec.angin=pelan)=ya Hipotesa ini menunjukkan bahawa keputusan untuk berolah raga bila cuaca=cerah, dan kec.angin=pelan, untuk singkatnya dituliskan hanya instance pada setiap atribut dengan H(cerah, *, pelan)=ya

3. H(cuaca=cerah)=ya Hipotesa ini menunjukkan bahawa keputusan untuk berolah raga bila cuaca=cerah, untuk singkatnya dituliskan hanya instance pada setiap atribut dengan H(cerah, *, *)=ya Pada dasarnya semua algoritma yang dikembangkan dalam mesin pembelajaran yang ada pada Data Mining adalah algoritma yang menghasilkan hipotesa dari suatu keputusan berdasarkan data pembelajaran B. Algoritma FIND-S Find-S adalah suatu metode paling sederhana yang dapat digunkan untuk mendapatkan suatu hipotesa berdasarkan data. Find-S mencari kesamaan nilai attribute untuk memperoleh suatu hipotesa. Kelemahan dari Find-S adalah data yang digunakan harus bersifat konsisten dan tidak bias. Padahal pada kenyataan, sangat sulit mencari data seperti itu. Berikut ini ada Dataset Cuaca:

Langkahnya adalah: 1. Memecah data berdasarkan target keputusan Untuk memperoleh hipotesa dengan Find-S dari data diatas, langkah pertama adalah memecah data berdasarkan target keputusannya, sehingga akan diperoleh 2 data: pertama untuk keputusan=ya dan kedua untuk keputusan=tidak

Dari hasil pemisahan tersebut terlihat bahwa data training ersebut konsisten dan tidak bias. 2. Membuat hipotesa untuk masing-masing keputusan Langkah berikutnya adalah membuat hipotesa untuk masing-masing keputusan. Pembuatan hipotesa ini dilakukan dengan mengambil data pertama sebagai hipotesa awal yang dianggap sebagai hipotesa spesifik, dan diteruskan hingga data terakhir dengan memperhatikan kesamaan sampai didapat hipotesa umum.

Langkah ini digunakan untuk menentukan hipotesa dari keputusan=ya.

1. Hipotesa awal disamakan dengan data pertama: H(Cerah, Normal, Pelan)=Ya 2. Data kedua, tidak ada perubahan karena semua nilai instancenya sama: H(Cerah, Normal, Pelan)=Ya 3. Data keempat, ada perubahan di atribut kec.angin, sehingga: H(Cerah, Normal, *)=Ya 4. Data keenam, ada perubahan di atribut kec.angin sehingga: H(Cerah, Normal, *)=Ya Langkah ini digunakan untuk menentukan hipotesa dari keputusan=tidak

1. Hipotesa awal disamakan dengan data pertama H(Hujan, Tinggi, Pelan)=Tidak 2. Data kelima, ada perubahan di kec.angin H(Hujan, Tinggi, *)=Tidak

Dari hasil keputusan diatas, jika ada pertanyaan Bila cuaca cerah saat ini apakah akan berolahraga? Hasil keputusannya adalah = ya (Hipotesa I). Algoritma Find-S hanya bisa digunakan jika datanya konsisten dan tidak bias. C. Konsep Dasar dan Definisi Metode Bayes Metode Find-S tidak dapat digunakan untuk data yang tidak konsisten dan data yang bias, sehingga untuk bentuk data semacam ini salah satu metode sederhana yang dapat digunakan adalah metode bayes. Metode Bayes merupakan pendekatan statistic untuk melakukan inferensi (kesimpulanlogis) induksi pada persoalan klasifikasi. Pertama kali dibahas terlebih dahulu tentang konsep dasar dan definisi pada Teorema Bayes, kemudian menggunkan teorema ini untuk melakukan klasifikasi dalam Data Mining. Metode Bayes menggunakan propabilitas bersyarat sebagai dasarnya. Dalam ilmu probabilitas bersyarat dinyatakan sebagai:

Probabilitas X di dalam Y adalah probabilitas inteseksi X dan Y dari probabilitas Y, atau dengan bahasa lain P(X|Y) adalah prosentase banyaknya X di dalam Y. Probabilitas bersyarat dalam data diilustrasikan pada contoh berikut.

Banyaknya data berolah-raga=ya adalah 4 dari 6 data maka dituliskan P(olahraga)= 4/6. Banyaknya data cerah dan berolah-raga adalah 4 dari 6 data, maka dituliskan P(cuaca=cerah dan Olahraga=ya)= 4/6. Dari informasi tersebut, maka probabilitas cuaca cerah pada saat olahraga adalah:

D. Metode Bayes dan HMAP (Hypothesis Maximum Appropri Probability)

Dimana: keadaan Posteriror (Probabilitas Xk di dalam Y) dapat dihitung dari keadaan prior (Probabilitas Y di dalam Xk dibagi dengan jumlah probabilitas Y dalam semua Xi). Terminologi dari HMAP menyatakan hipotesa yang diambil berdasarkan nilai probabilitas berdasarkan kondisi prior yang diketahui. HMAP adalah model penyederhanaan dari metode bayes yang disebut dengan Naive Bayes. HMAP dapat digunakan sebagai metode untuk mendapatkan hipotesis dari suatu keputusan. HMAP dapat diartikan untuk mencari probabilitas terbesar dari semua instance pada atribut target atau semua kemungkinan keputusan. Contoh:

Pertanyaan : Berdasarkan hasil survey tersebut, apakah dapat dinyatakan bahwa besar kemungkinan akan menderita sakit paru-paru jika dia seorang perokok?

Anda mungkin juga menyukai