Ikan air tawar merupakan salah satu makanan pokok penghasil protein lengkap.

Ikan
dapat dihasilkan melalui usaha pembesaran yang bertujuan untuk meningkatkan
pendapatan negara. Jika Produksi ikan di Indonesia tidak ditingkatkan maka negara
akan mengalami kerugian yang besar serta penduduk negara juga akan kekurangan
protein. Populasi sumberdaya laut terus menurun hingga 50% sejak tahun 1970.
Produksi ikan air tawar di indonesia juga mengalami dikarenakan kurangnya
penyuluh yang menangani penyeleksian jenis ikan, tidak adanya waktu, jarak dan
biaya yang cukup dalam menentukan jenis ikan sehingga penyuluh pada umumnya
mencoba-coba jenis ikan air tawar mana yang berpotensi menguntungkansecara
manual. Penentuan jenis ikan air tawar perlu ditangani lebih teliti dengan
memperhitungkan beberapa parameter yaitu Harga benih(C1), Jumlah pakan(C2),
Jumlah Tebar Benih(C3), Permintaan Pasar(C4), Waktu Panen(C5), jumlah
Panen(C6) dan Hargajual per Kg(C7). Parameter tersebut akan dijadikan sebuah
patokan dalam menentukan jenis ikan air tawar untuk dibesarkan. Untuk itu,
diperlukan suatu sistem yang mampu menentukan jenis ikan air tawar mana yang
baik untuk dibesarkan serta memberikan keuntungan yang lebih tinggi berdasarkan
parameter yang berhubungan dengan pembesaran ikan air tawar. Sistem yang
dibangun bertujuan untuk membantu para petani dan penyuluh dalam menentukan
jenis ikan air tawar mana yang memiliki potensi lebih tingi untuk dijadikan usaha.
Penelitian ini menggunakan metode anp-vikor yang merupakan metode akurat yang
dapat digunakan untuk melakukan pembobotan dan perankingan. Data yang
digunakan dalam penelitian ini sebanyak 30 jenis ikan air tawar yang didapatkan dari
pihak UPTD Nganjuk Jawa Timur. Data tersebut telah divalidasi sehingga data dapat
dikatakan valid. Hasil Perankingan yang didapatkan memiliki rata-rata akurasi
sebesar 83,33% menggunakan metode ANP-VIKOR

Algoritma adalah serangkaian instruksi yang digunakan agar komputer

dapat memecahkan masalah berdasarkan inputan tertentu dalam waktu
yang terbatas. Algoritma digunakan di semua permasalahan yang
membutuhkan komputers untuk memecahkan ppermasalahan tersebut
termasuk dalam bidang data science. Dengan menggunakan
algoritma data science kamu dapat memecahkan pola-pola dibalik suatu
data. Terdapat 3 jenis algoritma dalam data science antara lain
supervised learning, unsupervised learning, dan reinforcement learning.
Salah satu yang akan kami bahas adalah algoritma naive bayes yang
merupakan jenis algoritma supervised learning, dimana algoritma tidak
bisa belajar sendiri tetapi harus diberi contoh terlebih dahulu dengan
cara memberi label pada dataset yang kita punya. Memberi label disini
artinya adalah dataset kita telah diberikan nilai kebenarannya yang akan
dijadikan sebagai nilai target atau nilai acuan. Untuk lebih lanjut tentang
algoritma naive bayes mari simak artikel dibawah ini sampai selesai.

1. Definisi Algoritma Naive Bayes

Naive bayes merupakan metode pengklasifikasian paling populer

digunakan dengan tingkat keakuratan yang baik. Banyak penelitian
tentang pengklasifikasian yang telah dilakukan dengan menggunakan
algoritma ini. Berbeda dengan metode pengklasifikasian dengan logistic
regression ordinal maupun nominal, pada algoritma naive bayes
pengklasifikasian tidak membutuhkan adanya pemodelan maupun uji
statistik.

Naive bayes merupakan metode pengklasifikasian berdasarkan

probabilitas sederhana dan dirancang agar dapat dipergunakan dengan
asumsi antar variabel penjelas saling bebas (independen). Pada algoritma
ini pembelajaran lebih ditekankan pada pengestimasian probabilitas.
Keuntungan algoritma naive bayes adalah tingkat nilai error yang didapat
lebih rendah ketika dataset berjumlah besar, selain itu akurasi naive
bayes dan kecepatannya lebih tinggi pada saat diaplikasikan ke dalam
dataset yang jumlahnya lebih besar.

Baca juga: Memahami Keunggulan dan Manfaat Data Science dalam

Dunia Bisnis

2. Tipe Algoritma Naive Bayes

Algoritma ini memiliki beberapa tipe antara lain sebagai berikut:

  Bernoulli Naive Bayes
Dimana prediktornya adalah variabel boolean. Oleh karena itu
satu-satunya yang ada hanya benar atau salah. Biasanya algoritma
ini digunakan ketika data sesuai dengan distribusi bernoulli
multivariat.

 Naive Bayes Multinomial

Dimana algoritma ini sering digunakan untuk memecahkan
masalah klasifikasi dokumen. Contohnya, jika ingin menentukan
apakah suatu dokumen termasuk dalam suatu kategori dan
algoritma ini digunakan untuk memilahnya. Naive bayes
menggunakan frekuensi kata-kata sekarang sebagai fitur.

 Gaussian Naive Bayes

Digunakan jika prediktor tidak diskrit namun memiliki nilai kontinu
dan prediktor tersebut diasumsikan sebagai sampel dari distribusi
gaussian.

3. Manfaat Naive Bayes

Algoritma naive bayes memiliki banyak manfaat sehingga banyak
digunakan di berbagai aspek kehidupan. Antara lain sebagai berikut:
 Real time prediction
 Multiclass prediction, disini naive bayes dapat memprediksi
probabilitas beberapa kelas variabel target
 Text classification, selain itu naive bayes juga sering digunakan
utnuk membuat text classification karena memiliki tingkat
keberhasilan yang lebih tinggi dibandingkan dengan algoritma lain
 Recommendation system, naive bayes juga langganan digunakan
untuk proyek data mining untuk menyaring informasi yang tidak
terlihat dan memprediksi apakah pengguna menginginkan sumber
daya yang diberikan atau tidak.

Baca juga: Beasiswa Data Science yang Bisa Diikuti untuk Upgrade Skill
Datamu
4. Cara Optimalkan Algoritma Naive Bayes
Berikut beberapa tips untuk mengoptimalkan kekuatan model naive
bayes: Jika fitur kontinu tidak memiliki distribusi normal, maka harus
menggunakan transformasi atau metode yang berbeda untuk
mengubahnya menjadi distribusi normal, hapus beberapa fitur yang
berkorelasi. Dikarenakan fitur fitur yang sangat berkorelasi dipilih dua kali
dalam model dan dapat menyebabkan kepentingan yang berlebihan, dan
jangan menggabungkan teknik kombinasi pengklasifikasi lain seperti
boosting karena tidak membantu. Dikarenakan naive bayes tidak memiliki
varians untuk diminimalkan.

Source: https://scikit-learn.org/

Naïve Bayes Classifier merupakan sebuah metoda klasifikasi yang berakar

pada teorema Bayes . Metode pengklasifikasian dg menggunakan metode
probabilitas dan statistik yg dikemukakan oleh ilmuwan Inggris Thomas
Bayes , yaitu memprediksi peluang di masa depan berdasarkan
pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema
Bayes . Ciri utama dr Naïve Bayes Classifier ini adalah asumsi yg sangat
kuat (naïf) akan independensi dari masing-masing kondisi / kejadian.
Menurut Olson Delen (2008) menjelaskan Naïve Bayes unt setiap kelas
keputusan, menghitung probabilitas dg syarat bahwa kelas keputusan
adalah benar, mengingat vektor informasi obyek. Algoritma ini
mengasumsikan bahwa atribut obyek adalah independen. Probabilitas
yang terlibat dalam memproduksi perkiraan akhir dihitung sebagai
jumlah frekuensi dr ” master ” tabel keputusan.

Naive Bayes Classifier bekerja sangat baik dibanding dengan model

classifier lainnya. Hal ini dibuktikan oleh Xhemali , Hinde Stone dalam
jurnalnya “Naïve Bayes vs. Decision Trees vs. Neural Networks in the
Classification of Training Web Pages” mengatakan bahwa “Naïve Bayes
Classifier memiliki tingkat akurasi yg lebih baik dibandingmodel classifier
lainnya”.

Gambar 1. Naive Bayes

Keuntungan penggunan adalah bahwa metoda ini hanya membutuhkan

jumlah data pelatihan ( training data ) yg kecil unt menentukan estimasi
parameter yg diperlukan dalam proses pengklasifikasian. Karena yg
diasumsikan sebagai variable independent, maka hanya varians dr suatu
variable dalam sebuah kelas yg dibutuhkan unt menentukan klasifikasi,
bukan keseluruhan dr matriks kovarians.
Kegunaan Naïve Bayes
 Mengklasifikasikan dokumen teks seperti teks berita ataupun
teks akademis
 Sebagaimetode machine learning yang menggunakan
probabilitas
 Untuk membuat diagnosis medis secara otomatis
 Mendeteksi atau menyaring spam
Kelebihan Naïve Bayes
 Bisa dipakai untuk data kuantitatif maupun kualitatif

 Tidak memerlukan jumlah data yang banyak

 Tidak perlu melakukan data training yang banyak
 Jikaada nilai yang hilang, maka bisa diabaikan dalam
perhitungan.
 Perhitungannya cepat dan efisien
 Mudah dipahami
 Mudah dibuat
 Pengklasifikasian
dokumen bisa dipersonalisasi, disesuaikan
dengan kebutuhan setiap orang
 Jika
digunakan dalaam bahasa pemrograman, code-nya
sederhana
 Bisa digunakan untuk klasifikasi masalah biner ataupun multiclass
Kekurangan Naïve Bayes
 Apabila probabilitas kondisionalnya bernilai nol, maka
probabilitas prediksi juga akan bernilai nol
 Asumsi bahwa masing-masing variabel independen membuat
berkurangnya akurasi, karena biasanya ada korelasi antara
variabel yang satu dengan variabel yang lain
 Keakuratannya tidak bisa diukur menggunakan satu probabilitas
saja. Butuh bukti-bukti lain untuk membuktikannya.
 Untuk membuat keputusan, diperlukan pengetahuan awal atau
pengetahuan mengenai masa sebelumnya. Keberhasilannya
sangat bergantung pada pengetahuan awal tersebut Banyak
celah yang bisa mengurangi efektivitasnya
Dirancang untuk mendeteksi kata-kata saja, tidak bisa berupa
gambar