Nama : Rahmat Hidayat

Nim : 09011181823002
MataKuliah : Kecerdasan Buatan

1. K Nearest Neighbor

Distance Functions

Euclidean :
k

√∑i=1
(x i− yi )2

Manhattan :
k

∑ ¿ x i− y i ∨¿
i=1

Minkowski :

¿¿

D= (x 1− y 1 )2+( x 2− y 2)2
√

Standarized Distance :

X−Min
X2=
Max−Min

References :

www.saedsayad.com,” K Nearest Neighbors -

Classification”,2010,<https://www.saedsayad.com/k_nearest_neighbors.htm>[diakses pada 18
September 2020]

2. Naive Bayes

P (X∨H ). P(H )
P( H ∨X )=
P(X )
Dimana :

X : Data dengan class yang belum diketahui

H : Hipotesis data merupakan suatu class spesifik

P(H/X) : Probabilitas Hipotesis H berdasar kondisi X (posteriori probabilitas)

P(H) : Probabilitas hipostesis H (prior probabilitas)

P(X/H) : Probabilitas X berdasarkan kondisi pada hipotesis H

P(X) : Probabilitas X
Nama : Rahmat Hidayat
Nim : 09011181823002
MataKuliah : Kecerdasan Buatan

Di sinilah digunakan asumsi independensi yang sangat tinggi (naif), bahwa masing masing
petunjuk (F1,F2...Fn) saling bebas (independen) satu sama lain. Dengan asumsi tersebut, maka
berlaku suatu kesamaan sebagai berikut:

P ( Fi|Fj )=P ¿¿
Untuk i≠ j sehingga

P(Fi|C,Fj)=P(Fi|C)

Rumus Desitas Gauss :

2
−(xi − µij )
1 2
2 σ ij
P( X i=x i∨Y = y i )= e
√ 2 π σ ij
Di mana :

P : Peluang

Xi : Atribut ke i

xi : Nilai atribut ke i

Y : Kelas yang dicari

yi : Sub kelas Y yang dicari

µ : mean, menyatakan rata – rata dari seluruh atribut

σ :Deviasi standar, menyatakan varian dari seluruh atribut.

dan persamaan untuk menghitung nilai simpangan baku ( standar deviasi ) dapat dilihat
sebagai berikut :

σ=
√
di mana :
∑ (x i−µ)2
i=1
n−1

σ : standar deviasi xi

: nilai x ke -i

µ : rata-rata hitung

n : jumlah sampel

References : Saleh,Alfa. KLASIFIKASI METODE NAIVE BAYES DALAM DATA MINING UNTUK
MENENTUKAN KONSENTRASI SISWA.Medan : Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia,
Medan,2017.
Nama : Rahmat Hidayat
Nim : 09011181823002
MataKuliah : Kecerdasan Buatan
3. Support Vector

Menurut Santosa (2007) hyperplane klasifikasi linier SVM dinotasikan :

f(x)=wT X+b

sehingga menurut Vapnik dan Cortes (1995) diperoleh persamaan

[(wT.Xi)+b]≥1 untuk 1 untuk yi = +1

[(wT.Xi)+b]≥1 untuk 1 untuk yi = -1

Dengan syarat yi(wT.Xi+b) ≥1.i=1,2,3,...n

n n n
1
MaxaLd = ∑ ai− ∑ ∑ ai a j y i y j x Ti x j
i=1 2 i=1 j=1
ns
f(Xt)=∑ as y s x s . x t +b
s=1

1. Kernel Gaussian Radial Basic Function (RBF)

¿|xi −x j|∨¿2
K(X1,Xj)=exp ¿
2 σ2
2. Kernel Polynomial
K ( x i , x j ) =( ( x i , x j ) +c) d

References :

Pusphita Anna Octaviani , Yuciana Wilandari, Dwi Ispriyanti. PENERAPAN METODE KLASIFIKASI
SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR. KABUPATEN
MAGELANG,2014.