Rias Ardiansyah

43A87006210186

1. Metode Klasifikasi Naïve Bayesian Classifier:

Dasar Teorema Bayes: Naïve Bayesian Classifier berlandaskan pada Teorema Bayes, yang
menyediakan metode untuk menghitung probabilitas posterior dari suatu kelas berdasarkan
probabilitas sebelumnya dan distribusi data.

Asumsi Naïve( Sederhana): Metode ini mengasumsikan kalau seluruh fitur dalam informasi
merupakan independen satu sama lain, walaupun dalam kondisi sesungguhnya, fitur- fitur
tersebut bisa jadi silih bergantung. Walaupun anggapan ini simpel, Naïve Bayesian kerap kali
membagikan hasil yang baik, paling utama dalam klasifikasi bacaan serta analisis sentimen.

2. Tata cara Klasifikasi Decision Tree:

Pemilihan Keputusan Berbasis Ketentuan: Decision tree membangun serangkaian ketentuan

keputusan bersumber pada fitur- fitur dari informasi. Tiap simpul dalam tumbuhan mewakili
keputusan bersumber pada fitur tertentu, serta cabang- cabangnya mewakili hasil keputusan.

Pertimbangan Ini ataupun Entropy: Algoritma pembuatan tumbuhan( semacam ID3, C4. 5,
CART) memakai metrik semacam Ini impurity ataupun entropy buat memutuskan metode
terbaik membagi informasi pada tiap simpul, sehingga menghasilkan keputusan yang
maksimal pada tiap langkah.

3. Support Vector Machine( SVM):

Mencari Hyperplane Maksimal: SVM bekerja dengan mencari hyperplane terbaik yang
memisahkan 2 kelas pada ruang fitur. Hyperplane ini diseleksi sedemikian rupa sehingga
margin( jarak) antara hyperplane serta titik- titik terdekat dari kedua kelas optimal.

Kernel Trick: SVM bisa menanggulangi informasi yang tidak linier dengan memakai kernel
trick, yang memproyeksikan informasi ke ukuran yang lebih besar, di mana pembelahan
linier bisa jadi tercapai. Ini membolehkan SVM menanggulangi kasus klasifikasi yang lebih
kompleks.