1

KONFIRMASI KINERJA AKURASI METODE KLASIFIKASI

CORRELATED NAVE BAYES CLASSIFIER

Oleh:
Hairani
 Latar Belakang 2

Data mining adalah suatu proses untuk menemukan pola informasi yang berharga
dari sekumpulan data yang tersimpan pada data warehouse dengan menggunakan
teknik statistik dan matematika. (Larose, 2005)
Kelemahan metode naive bayes classifier adalah proses klasifikasi metode naive
bayes classifier hanya berdasar pada prior probability dan probability attribute. Salah
satu hal yang berpotensi untuk meningkatkan akurasi dari metode nave bayes
classifier adalah nilai korelasi atribut terhadap kelas.
Untuk mengatasi kelemahan dari metode nave bayes classifier tersebut, muktamar
dkk, mengembangkan metode Correlated-naive bayes classifier atau C-NBC. C-NBC
merupakan sebuah pengembangan dari metode Naive bayes classfier (NBC) dengan
menambahkan parameter korelasi antar atribut terhadap kelas. Dengan
memperhitungkan nilai korelasi dari masing-masing atribut vektor X terhadap kelas Y
sehingga dapat meningkatkan akurasi.
 Tujuan Penelitian 3

Melakukan konfirmasi apakah algoritme C-NBC dapat menghasilkan tingkat

akurasi yang lebih tinggi jika dibandingkan dengan algoritme NBC.
 Tinjauan Pustaka 4
Nama Peneliti Tujuan Penelitian Metode yang digunakan

Diwandari & Membandingkan kinerja dari metode klasifikasi yang J48, NBTree
Setiawan berbeda untuk memilih satu metode dengan hasil
yang paling akurat untuk klasifikasi penyakit
Soybean
Alfisaharin & Membandingkan kinerja dari metode klasifikasi yang Naive Bayes, NBTree, dan Decision Tree
Mantoro berbeda untuk memilih satu metode dengan hasil
yang paling akurat untuk klasifikasi penyakit Liver

Burhan Alfironi M, Meningkatkan tingkat akurasi algoritme Nave Bayes Correlated Naive Bayes Classifier (C-NBC), Naive
dkk Classifier dengan memperhitungkan nilai korelasi Bayes Classifier (NBC
dari masing-masing attribute terhadap kelas.
 Tinjauan Pustaka (Lanjutan)
5

Nama Peneliti Tujuan Penelitian Metode yang digunakan

Burhan Alfironi M, dkk Membandingkan kehandalan antara algoritme Algoritme Klasifikasi data mining
NBC dan C-NBC yang diukur berdasarkan yaitu NBC dan C-NBC
tingkat akurasinya pada Dataset Iris, Dataset
Balance Scale, Dataset Haberman, dan
Dataset Servo.
 Metode NBC dan C-NBC (Lanjutan)

Correlated Nave Bayes Classifier

Nave Bayes Classifier (NBC) (C-NBC)

Dengan : dengan :
P(X|Y) : probabilitas hipotesis Y berdasarkan
: R Square setiap atribut dari data X berdasarkan
kondisis Y.
P(X) : probabilitas dari X kondisi hipotesis Y
P(Y) : probabilitas awal hipotesis Y (prior : bilangan laplacian
probabilioty)
: probabilitas setiap atribut dari data
X berdasarkan kondisi hipotesis Y
 Metodologi Penelitian
7

Pengukuran
Pengumpulan Pre-Processing Klasifikasi data
Kinerja
dataset - Transformasi Data ke menggunakan algoritme
Berdasarkan
tipe Numeric NBC dan C-NBC
Akurasi
 Pengumpulan Dataset 7

No Dataset Data Atribut Kelas

1. Pima Indians Diabetes 768 9 2

2. Haberman 306 3 2
Data Pre-Processing 9

Tipe Data Non Numerik

Konversi tipe data ke

tipe Numeric
 Tahap Klasifikasi

Metode Klasifikasi

Correlated Nave Bayes Classifier Nave Bayes Classifier

(C-NBC) (NBC)
Pengukuran Kinerja

Pengukuran Kinerja

Akurasi
 Hasil Penelitian 12

Gambar 4. Perbandingan Akurasi Metode C-NBC dan NBC pada Dataset

Haberman
 Hasil Penelitian (Lanjutan)

Gambar 5. Perbandingan Akurasi Metode C-NBC dan NBC pada Dataset Pima
Indians Diabetes
Kesimpulan 14

Untuk tingkat akurasi algoritme C-NBC memberikan hasil yang terbaik jika
dibandingkan dengan algoritme NBC untuk kedua dataset yang digunakan.
Nilai akurasi yang diperoleh sebesar 67,9% untuk dataset pima indian
diabetes.
Nilai akurasi yang diperoleh sebesar 75,7% untuk dataset haberman.
 15

Terima Kasih