SISTEM PENDUKUNG KEPUTUSAN

ANDI FADEL ASHARI

 Naive bayesian klasifikasi adalah suatu klasifikasi
berpeluang sederhana berdasarkan aplikasi teorema
Bayes dengan asumsi antar variabel penjelas saling
bebas (independen). Dalam hal ini, diasumsikan
bahwa kehadiran atau ketiadaan dari suatu kejadian
tertentu dari suatu kelompok tidak berhubungan
dengan kehadiran atau ketiadaan dari kejadian
lainnya.
 Naive Bayesian dapat digunakan untuk berbagai
macam keperluan antara lain untuk klasifikasi
dokumen, deteksi spam atau filtering spam, dan
masalah klasifikasi lainnya. Dalam hal ini lebih disorot
mengenai penggunaan teorema Naive Bayesian untuk
spam filtering
 Keuntungan Naive Bayesian :

1. Menangani kuantitatif dan data diskrit

2. Kokoh untuk titik noise yang diisolasi, misalkan titik yang dirata ratakan ketika
mengestimasi peluang bersyarat data.
3. Hanya memerlukan sejumlah kecil data pelatihan untuk mengestimasi parameter (rata
rata dan variansi dari variabel) yang dibutuhkan untuk klasifikasi.
4. Menangani nilai yang hilang dengan mengabaikan instansi selama perhitungan
estimasi peluang
5. Cepat dan efisiensi ruang
6. Kokoh terhadap atribut yang tidak relevan

Kekurangan Naive Bayesian :

1. Tidak berlaku jika probabilitas kondisionalnya adalah nol, apabila nol maka
probabilitas prediksi akan bernilai nol juga
2. Mengasumsikan variabel bebas
 Contoh studi kasus

PT. Pertamina berencana membuka satu SPBU baru di Jl. Merah Putih dengan kondisi sebagai
berikut:
Lebar jalan = jalan tol
Volume kendaraan = sepi
Jumlah pesaing(SPBU) = >1
Jumlah Pemukiman = <3000
 Rumus menghitung probabilitas masa datang :
 keterangan :
P(c|x) posterior probability dari class (target) tiap predictor (attribute).
P(c) prior probability dari class.
P(x|c) likelihood : probability dari predictor tiap class.
P(x) prior probability dari predictor.

Jumlah data = 10
Ya = lokasi strategis bernilai ya
Tidak = lokasi strategis bernilai tidak
Dari 10 data, jumlah lokasi strategis yang bernilai ya = 6 , dan yang benilai tidak = 4
Maka,
P(Ya) = 6/10 = 0.6
P(Jalan tol | Ya) = 2/6 = 0.33
P(Sepi | Ya) = 1/6 = 0.16
P(>1 | Ya) = 1/6 = 0.16
P(<3000 | Ya) = 2/6 = 0.33
P(Tidak) = 4/10 = 0.4
P(Jalan tol | Tidak) = 1/4 = 0.25
P(Sepi | Tidak) = 3/4 = 0.75
P(>1 | Tidak) = 1/4 = 0.25
P(<3000 | Tidak) = 4/4 = 1

Posterior Ya = P(Ya) P(Jalan Tol | Ya) P(Sepi | Ya) P(>1 | Ya) P(>5000| Ya)
= 0.6 x 0.33 x 0.16 x 0.16 x 0.33
= 0.00167
Posterior Tidak = P(Tidak) P(Jalan Tol | Tidak) P(Sepi | Tidak) P(>1 | Tidak) P(>5000| Tidak)
= 0.4 x 0.25 x 0.75 x 0.25 x 1
= 0.01875
Karena nilai prosterior tidak lebih besar dari prosterior ya maka lokasi strategis = Tidak