ZeroR & OneR

Atika Kautsar Ilafi

(14.8023)
Muhamad Andriansyah
(14.8245)
Sofian Kardoso
(14.8389)
Wida Siddhikara

Ze
ro
R

Definis
i
ZeroR adalah metode klasifikasi yang paling
sederhana yang bergantung pada target
(label) dan mengabaikan semua prediktor.
Algoritma ZeroR secara sederhana
memprediksi mayoritas kelas dalam training
data (Andreeva, Dimitrova, & Radeva,
2004).
Meskipun tidak ada kekuatan memprediksi
pada ZeroR, namun ini berguna untuk
menentukan kinerja dasar sebagai patokan
untuk metode lainnya.

Ze
ro
R

Algorit
ma

Membuat sebuah tabel frekuensi untuk

target dan memilih nilai yang paling
sering muncul yang nantinya akan
dijadikan sebuah aturan dalam
memprediksi data

Ze
ro
R

Contoh
Prediktor

Target/Label

Ze
ro
R

Contoh
Dari tabel di atas didapat 10 yes dan 4
no, karena yang sering muncul adalah
yes maka prediksi data selanjutnya
adalah yes (play) tanpa melihat
prediktor/atribut lainnya
Accurancy???
Dalam menghitung accuracy dapat
menggunakan confusion metric dengan
membandingkan hasil dari prediksi dan
kenyataan yang ada

Ze
ro
R

Contoh
No

Outloook

Temperat
ure

Humidit
y

Windy

Play

Prediksi
ZeroR

Sunny

Hot

High

FALSE

No

Yes

Sunny

Hot

High

TRUE

No

Yes

Cloudy

Hot

High

FALSE

Yes

Yes

Rainy

Mild

High

FALSE

Yes

Yes

Rainy

Cool

Normal

FALSE

Yes

Yes

Rainy

Cool

Normal

TRUE

Yes

Yes

Cloudy

Cool

Normal

TRUE

Yes

Yes

Sunny

Mild

High

FALSE

No

Yes

Sunny

Cool

Normal

FALSE

Yes

Yes

10

Rainy

Mild

Normal

FALSE

Yes

Yes

11

Sunny

Mild

Normal

TRUE

Yes

Yes

12

Cloudy

Mild

High

TRUE

Yes

Yes

13

Cloudy

Hot

Normal

FALSE

Yes

Yes

14

Rainy

Mild

High

TRUE

No

Yes

Ze
ro
R

Contoh
Dari tabel diatas dapat disimpulkan
Actual
Ye No
s
Predictio Yes 10
n
No 0

4
0

Accuracy = (TP +
TN)/All
Error rate = (FP +
FN)/All

Accuracy = 0,714
Error rate = 0,286

Ze
ro
R

Kelebih
an

Mudah diterapkan

Kekura
ngan
Kurang valid

Ze
ro
R

Weka

Ze
ro
R

Weka

Ze
ro
R

Weka

Ze
ro
R

Weka

Ze
ro
R

Weka

On
eR

Definis
i

One R atau One Rule merupakan aturan

klasifikasi yang diinduksi berdasarkan
nilai prediktor tunggal.
Oner memiliki parameter yang
membatasi komplektisitas aturan.

On
eR

Algorit
ma

1. Pindahkan atribut serta sifat-sifatnya

pada frequecy tabel dan hitung
seberapa sering sifat dari atribut
tersebut yang berhubungan dengan
hasil data
2. Hitung tingkat error masing-masing
atribut data
3. Ambil keputusan dari perhitungan
tadi menjadi sebuah aturan dengan
memilih tingkat error paling
rendah/kecil

On
eR

Contoh

On
eR

Contoh
Play
Yes No Rule
Sunny 2 3No
Cloud
Outlook
4 0
y
Yes
Rainy
4 1Yes

High
Humidit
Norm
y
al

Play
Yes No Rule
3 4 No
7

Yes

Hot
Tempera
Mild
ture
Cool

Windy

Play
Yes No Rule
2 2 No
4 2Yes
4 0 Yes
Play

Yes No Rule
TRUE 6 1 Yes
FALSE

1 Yes

On
eR

Contoh

On
eR

Contoh
Outlook

Prediks
i

Actual
Yes No

Yes

No

2
Actual

Temperature

accura 0,7857
Yes
cy
14 Prediks
i
0,2142
3
No
Error
86
1

Humidity

Actual
Yes No
accurac 0,7142
y
86
0,2857
2
Error
14

Actual

Windy
Yes No

Yes

No

Prediksi

Yes No
accurac 0,78571
Yes
y
4
Prediksi
0,21428
4
No
Error
6
0

10
0

accurac 0,71428
y
6
0,28571
0
Error
4
4

Dari tabel diatas error terkecil pada

atribut outlook dan humidity, karena
outlook memiliki lebih banyak sifat
atribut maka rule yang digunakan adalah
outlook

On
eR

Kelebih
an

Bisa lebih teliti daripada ZeroR

Kekura
ngan

Kadang terdapat
nilai error yang
sama di beberapa
atribut

On
eR

Weka

On
eR

Weka

On
eR

Weka

On
eR

Weka

On
eR

Weka