Algoritma a priori termasuk jenis aturan assosiasi pada data mining.

Algoritma A
priori merupakan algoritma yang sangat terkenal untuk menemukan pola frekuensi t
inggi. Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang
memiliki frekuensi atau support di atas ambang batas tertentu yang disebut denga
n istilah minimum support. Pola frekuensi tinggi ini digunakan untuk menyusuALGO
RITMA APRIORI
A. PENGENALAN ALGORITMA APRIORI
Algoritma a priori termasuk jenis aturan assosiasi pada data mining. Algoritma A
priori merupakan algoritma yang sangat terkenal untuk menemukan pola frekuensi t
inggi. Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang
memiliki frekuensi atau support di atas ambang batas tertentu yang disebut denga
n istilah minimum support. Pola frekuensi tinggi ini digunakan untuk menyusun at
uran assosiatif dan juga beberapa teknik data mining lainnya. Aturan yang menyat
akan asosiasi antara beberapa atribut sering disebut sebagai affinity analysis a
tau market basket analysis.
Nave Bayes merupakan pengklasifikasian dengan metode Probabilitas dan Statistik y
ang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di
masa depan berdasarkan pengalaman di masa sebelumnya. Ada dua proses penting yan
g dilakukan saat melakukan klasifikasi. Proses yang pertama adalah learning (tra
ining) yaitu proses pembelajaran menggunakan training set. [3] Untuk kasus Nave B
ayesian Classifier, perhitungan probabilitas dari data berdasarkan data pembelaj
aran yang telah dilakukan. Proses yang kedua adalah proses testing yaitu menguji
model menggunakan data testing. Gambar 2 berikut memperlihatkan alur dari kedua
proses tersebut.
Gambar 2. Proses training dan testing data set
Keuntungan menggunakan metode Nave Bayes diantaranya : [5]
1.
Relatif mudah untuk diimplemetasikan karena tidak menggunakan optimasi n
umerik, perhitungan matriks dan lainnya.
2.
Efisien dalam pelatihan dan penggunaannya.
3.
Bisa menggunakan data binary atau polinom.
4.
Karena diasumsikan independent maka memungkinkan metode ini diimplementa
sikan dengan berbagai macam data set.
Akurasi yang dihasilkan relatif tinggi