Anda di halaman 1dari 2

Contoh Perhitungan untuk naive bayes

Terdapat 10 data

Temperature Photoelectri ION CO Status


c
64 32 25 84 Kebakaran
69 24 23 86 Kebakaran
70 30 21 88 Kebakaran
53 30 24 85 Kebakaran
67 28 22 90 Kebakaran
23 40 35 120 Tidak
Kebakaran
30 35 29 118 Tidak
Kebakaran
29 32 25 192 Tidak
Kebakaran
35 41 36 101 Tidak
Kebakaran
24 38 27 100 Tidak
Kebakaran

Selanjutnya dihitung peluang untuk masing-masing kelas dan Input dengan


rumus

P(Kelas) = Banyaknya data yang jatuh pada kelas/ jumlah data

P(Kebakaran) = 5/10 = 0,5

P(Tidak Kebakaran) = 5/10 = 0,5

P(NILAI|Kategori) = (1 + Banyaknya data input yang jatuh pada kelas dengan


interval tertentu )/(jumlah data + jumlah interval)

Temperature

Status\Nilai Interval <51 ≥51


Kebakaran 0,86 0,14
Tidak Kebakaran 0,14 0,86

Photoelectric

Status\Nilai Interval <35 ≥35


Kebakaran 0,86 0,14
Tidak Kebakaran 0,29 0,71

ION

Status\Nilai Interval <28 ≥28


Kebakaran 0,86 0,14
Tidak Kebakaran 0,43 0,57
CO

Status\Nilai Interval <91 ≥91


Kebakaran 0,86 0,14
Tidak Kebakaran 0,14 0,86

Terdapat sebuah data set baru :

Temperature PhotoElectric ION CO


54 32 24 84

Dengan rumus Vnb = P(Kelas) ∏ P(input|Kelas)

Jadi

Vnb kebakaran = P(Kebakaran) ∏ P(input | Kebakaran)

= 0,5 *(0,14 * 0,86 * 0,86 * 0,86)

= 0,04

Vnb Tidak Kebakaran = P(Tidak Kebakaran) ∏ P(Input|Tidak Kebakaran)

= 0,5*(0,86*0,29*0,43*0,14)

=7,50 X 10-3

Karena Vnb Kebakaran lebih tinggi daripada Vnb Tidak Kebakaran maka bisa
diasumsikan telah terjadi kebakaran dengan persentase untuk tiap kelas sebagai
berikut

Vnb Kebakaran : 84.19%

Vnb Tidak Kebakaran : 15.81%