Decision Making

1. Classification using Naïve Bayes Algorithm

Data Training
No Jenis Status Status IPK Status
Kelamin Mahasiswa Pernikahan Kelulusan
1 Laki-Laki Mahasiswa Belum 3,17 Tepat
2 Laki-Laki Bekerja Belum 3,30 Tepat
3 Perempuan Mahasiswa Belum 3,01 Tepat
4 Perempuan Mahasiswa Menikah 3,25 Tepat
5 Laki-Laki Bekerja Menikah 3,20 Tepat
6 Laki-Laki Bekerja Menikah 2,50 Terlambat
7 Perempuan Bekerja Menikah 3,00 Terlambat
8 Perempuan Bekerja Belum 2,70 Terlambat
9 Laki-Laki Bekerja Belum 2,40 Terlambat
10 Perempuan Mahasiswa Menikah 2,50 Terlambat
11 Perempuan Mahasiswa Belum 2,50 Terlambat
12 Perempuan Mahasiswa Belum 3,50 Tepat
13 Laki-Laki Bekerja Menikah 3,30 Tepat
14 Laki-Laki Mahasiswa Menikah 3,25 Tepat
15 Laki-Laki Mahasiswa Belum 2,30 Terlambat
Data Testing
Jenis Kelamin Status Status IPK Status
Mahasiswa Pernikahan
Laki-laki Mahasiswa Belum 2,70 ???

P(Ci)
P(STATUS KELULUSAN = “TEPAT”) = 8/15
P(STATUS KELULUSAN = “TERLAMBAT”) = 7/15

P(X|Ci)
P(JENIS KELAMIN = “LAKI – LAKI” | STATUS KELULUSAN = “TEPAT”) = 5/8
P(JENIS KELAMIN = “LAKI – LAKI” | STATUS KELULUSAN = “TERLAMBAT”)
= 3/7
P(STATUS MAHASISWA = “MAHASISWA” | STATUS KELULUSAN = “TEPAT”)
= 5/8
P(STATUS MAHASISWA = “MAHASISWA” | STATUS KELULUSAN =
“TERLAMBAT”) = 3/7
P(STATUS PRENIKAHAN = “BELUM” | STATUS KELULUSAN = “TEPAT”) = 4/8
P(STATUS PRENIKAHAN = “BELUM” | STATUS KELULUSAN = “TERLAMBAT”)
= 4/7
P(IPK = “2.70” | STATUS KELULUSAN = “TEPAT”) = 0/8
P(IPK = “2.70” | STATUS KELULUSAN = “TERLAMBAT”) = 1/7
 P(X|STATUS KELULUSAN = “TEPAT”) = P(KELAMIN = “LAKI – LAKI”,
STATUS MAHASISWA = “MAHASISWA”, STATUS PERNIKAHAN = “BELUM”,
IPK = 2.70 | STATUS KELULUSAN = “TEPAT”)
= 5/8 * 5/8 * 4/8 & 0/8
=0
P(X|STATUS KELULUSAN = “TERLAMBAT”) = P(KELAMIN = “LAKI – LAKI”,
STATUS MAHASISWA = “MAHASISWA”, STATUS PERNIKAHAN = “BELUM”,
IPK = 2.70 | STATUS KELULUSAN = “TERLAMBAT”)
= 3/7 * 3/7 * 4/7 * 1/7
= 0.43 * 0.43 * 0.57 * 0.14
= 0,014

P(X|Ci)*P(Ci)
P(X|STATUS KELULUSAN = “TEPAT”)*P(STATUS KELULUSAN = “TEPAT”) = 0
* 8/15 = 0
P(X|STATUS KELULUSAN = “TERLAMBAT”)*P(STATUS KELULUSAN =
“TERLAMBAT”) = 0.014 * 7/15 = 0.0069

Untuk KELAMIN = “LAKI – LAKI”, STATUS MAHASISWA = “MAHASISWA”,

STATUS PERNIKAHAN = “BELUM”, IPK = 2.70, masuk ke kelas STATUS
KELULUSAN = “TERLAMBAT”

2. Classification using Naïve Bayes Algorithm untuk Citra

Menggunakan cara yang sama dengan data selain citra, dengan data yang diperoleh dari
ekstraksi fitur-fitur citra.

Hair Body height Weight Ear claws Class

Color Length(in) Length
Black 18 9,2 8,1 2 True Cat
Grey 20,1 17 15,5 5 False Dog
Orange 17 9,1 9 1,95 True Cat
Brown 23,5 20 20 6,2 False Dog
White 16 9,0 10 2,1 True Cat
Black 21 16,7 16 3,3 False Dog

Probabilitas suatu hewan dengan hair color = black, body length = 18 in, height =
9,2. Dam weight = 8,1 termasuk kucing dan anjing adalah?
3. Clustering using KMeans untuk Citra
Referensi penggunaan clustering untuk data citra : https://medium.com/@joel_34096/k-
means-clustering-for-image-classification-a648f28bdc47
4. Clustering using KMeans

Data Point W1 (x-axis) W2 (y-axis)

D1 2 0
D2 1 3
D3 3 5
D4 2 2
D5 4 6

• Tentukan Jumlah Cluster

Cluster = 2
• Inisialisasi centroid
Secara acak memilih titik data untuk centroid : D2 dan D4
• Hitung jarak antara data dan centroid menggunakan rumus euclidean distance
[(𝑥, 𝑦), (𝑎, 𝑏)] = √(𝑥 − 𝑎)2 + (𝑦 − 𝑏)2

o Jarak D1 dan D2 = √(〖(2−1)〗^2+ 〖(0−3)〗^2 ) = √10 = 3,17

o Jarak D1 dan D4 = √(〖(2−2)〗^2+ 〖(0−2)〗^2 ) = √4 =2
o dst
Data Point D2- Data point D4- Data point
D1 3,17 2,0
D3 2,83 3,17
D5 4,25 4,48

• Tentukan cluster data berdasarkan jarak terdekat

Cluster 1: (D1, D4) Cluster 2: (D2, D3, D5)
• Hitung ulang nilai centroid dengan menghitung rata-rata dari semua data pada suatu
kluster
Centroid baru untuk cluster 1 = (2.0, 1.0) dan untuk cluster 2 = (2.67, 4.67)
Data Point Rata – Rata Sumbu x Rata – Rata Sumbu y
D1, D4 2,0 1,0
D2, D3, D5 2,67 4,67

• Lakukan iterasi sampai tidak ada perubahan pada centroid.