METODE NAIVE BAYES

TEOREMA BAYES
Naive Bayes merupakan penyederhanaan dari metode bayes Bayesian Classification didasarkan pada Teorema Bayesian. Konsep dasar teori bayes itu pada dasarnya adalah peluang bersyarat P(H|X). Dimana dalam Bayesian H adalah posterior dan X adalah prior. Prior adalah pengetahuan kita tentang karakteristik suatu parameter (bisa dibaca sebagai pengalaman di masa lalu atas suatu parameter atau juga bisa berdasarkan teori), sedangkan posterior adalah karakteristik yang akan kita duga pada kejadian yang akan datang.

TEOREMA BAYES
Teorema Bayesian berguna untuk melakukan kalkulasi probabilitas posterior, P(H|X), dariP(H), P(X)dan P(X|H). Teori Bayes adalah sebagai berikut: P(H|X)=P(X|H)P(H)

P(X)

PROBABILITAS BERSYARAT

Probabilitas X didalam Y adalah probabilitas interseksi X dan Y dari probabilitas Y, atau dengan bahasa lain P(X|Y) adalah prosentase banyaknya X didalamY)(

PROBABILITAS BERSYARAT DALAM DATA

No 1 2 Cuaca Cerah Cerah Temperatu Kecepatan r Angin Normal Normal Pelan Pelan Berolahraga Ya Ya

3 4
5 6

Hujan Cerah
Hujan Cerah

Tinggi Normal
Tinggi Normal

Pelan Kencang
Kencang Pelan

Tidak Ya
Tidak Ya

Banyaknya data berolah-raga=ya adalah 4 dari 6 data maka dituliskan P(Olahraga=Ya) = 4/6 Banyaknya data cuaca=cerah dan berolah-raga=ya adalah 4 dari 6 data maka dituliskan P(cuaca=cerah dan Olahraga=Ya) = 4/6 4/6 P(cuaca=cerah|olahraga=ya)= = 1
4/6

HMAP ATAU NAIVE BOYES

HMAP (Hypothesis Maximum Appropri Probability) menyatakan hipotesa yang diambil berdasarkan nilai probabilitas berdasarkan kondisi prior yang diketahui.

HMAP diartikan mencari probabilitas terbesar dari semua instance pada attribut target atau semua kemungkinan keputusan.

CONTOH HMAP DARI DATA TRAINING

No 1 2 3 4 5 6 Cuaca Cerah Cerah Hujan Cerah Hujan Cerah Temperatu Kecepatan r Angin Normal Normal Tinggi Normal Tinggi Normal Pelan Pelan Pelan Kencang Kencang Pelan Berolahraga Ya Ya Tidak Ya Tidak Ya

Asumsi: Y = berolahraga, X1= cuaca, X2= temperatur, X3= kecepatan angin. Fakta menunjukkan: P(Y=ya) = 4/6 => P(Y=tidak) = 2/6

CONTOH HMAP DARI DATA TRAINING

No 1 2 3 Cuaca Cerah Cerah Hujan Temperatu Kecepatan r Angin Normal Normal Tinggi Pelan Pelan Pelan Berolahraga Ya Ya Tidak

Pertanyaan Apakah bila cuaca cerah dan kecepatan angin kencang, orang akan berolahraga?

4
5 6

Cerah
Hujan Cerah

Normal
Tinggi Normal

Kencang
Kencang Pelan

Ya
Tidak Ya

Fakta: P(X1=cerah|Y=ya) = 1, P(X1=cerah|Y=tidak) = 0 P(X3=kencang|Y=ya) = 1/4 , P(X3=kencang|Y=tidak) = 1/2 HMAP dari keadaan ini dapat dihitung dengan: P( X1=cerah,X3=kencang | Y=ya ) = { P(X1=cerah|Y=ya).P(X3=kencang|Y=ya) } . P(Y=ya) = { (1) . (1/4) } . (4/6) = 1/6 P( X1=cerah,X3=kencang | Y=tidak ) = { P(X1=cerah|Y=tidak).P(X3=kencang|Y=tidak) } . P(Y=tidak) = { (0) . (1/2) } . (2/6) = 0

Keputusan Adalah YA

KELEMAHAN BOYES
Metode Bayes hanya bisa digunakan untuk persoalan klasifikasi dengan supervised learning dan data-data kategorikal. Metode Bayes memerlukan pengetahuan awa luntuk dapat mengambil suatu keputusan. Tingkat keberhasilan metode ini sangat tergantung pada pengetahuan awal yang diberikan.