KELOMPOK 4

KELOMPOK 4
 Melisa

Array dan
Record
Melisa

Array dan Record

Array

Definisi array
Tiga Point Penting
Ilustrasi Array
Jenis-jenis Array

 Array 1 dimensi
 Array 2 dimensi
 Array multidimensi
Manfaat Array
 Studi kasus Array
Proses Output
Record

Definisi Record
Sifat Record
Bentuk Umum Record
Contoh
Studi kasus Record
Array of Record

Definisi Array of Record

Perbedaan
Contoh Array of Record
 Mirna

Fungsi dan
Prosedur
 Mirna

Fungsi dan Prosedur

Menggunakan Bahasa PEMROGRAMAN
PYTHON
• Dalam bahasa pemrograman Python disediakan fungsi dan prosedur.
Keduanya merupakan fasilitas yang telah disediakan oleh bahasa
pemrograman. Yang membedakan antara suatu prosedur dengan
suatu fungsi dalam sebuah program adalah masukan dan keluarannya.
Pada prosedur, tidak ada keluaran sedangkan pada fungsi ada
keluaran yang nantinya dapat selanjutnya diolah lagi. Prosedur dan
fungsi mempunyai deklarasi sintak yang sama pada bahasa
pemrograman python yaitu dengan menggunakan keyword
def.Contoh Penulisan:
Def nama_fungsi(parameters):
 Pengertian prosedur dan fungsi

• Prosedur adalah suatu program terpisah dalam blok sendiri yang berfungsi
sebagai subprogram (program bagian). Diawali dengan kata cadangan
“Procedure” didalam bagian deklarasi prosedur. Procedure biasanya bersifat
suatu aktifitas seperti menghitung luas, meghitung faktorial, mencari nilai
maksimum/minimum.
Apa itu fungsi (def)pada pyhton?
• Fungsi pada pyhton adalah kumpulan perintah atau baris kode yang
dikelompokkan menjadi satu kesatuan untuk kemudian bisa dipanggil atau
digunakan berkali-kali
Parameter
Parameter adalah variabel yang menampung nilai untuk diproses di
dalam fungsi.Parameter itu ada 2 : Yaitu Parameter wajib dan parameter
opsional.
Variabel
Ada 2 Variabel yang
digunakan,yaitu variabel Global
dan Lokal.
Variabel Global adalah variabel
yang bisa diakses dari semua
fungsi, sedangkan variabel lokal
hanya bisa diakses di dalam
fungsi tempat ia berada saja.
Contoh Program Fungsi
 Khonsa

Algoritma
Backtracking
 Khonsa

Algoritma Backtracking

• PENGERTIAN ALGORITMA BACKTRACKING

Algoritma runut balik(backtracking) pertama kali diperkenalkan oleh D.H
Lehmer pada tahun 1950. Runut balik (backtracking) adalah algoritma
yang berbasis pada DFS untuk mencari solusi persoalan secara lebih
mangkus. Backtracking adalah bentuk algoritma yang banyak digunakan
oleh para programmer untuk menyelesaikan suatu permasalahan
komputasional pada perangkat computer yang mereka gunakan.
Dalam progamming algoritma backtracking,rekursi adalah kunci dari
programming backtracking.
Dengan metode runut balik(backtracking), kita tidak
perlu memeriksa semua solusi yang ada.hanya
pencarian yang mengarahkan ke solusi saja yang
selalu dipertimbangkan. akibatnya,waktu pencarian
dapat dihemat.
• Saat ini algoritma runut balik banyak digunakan untuk games
(seperti permainan tic tac toe,menemukan jalan keluar dalam
sebuah labirin,catur,dll.dan masalah masalah pada bidang
kecerdasan buatan(artificial intelligence).
Contoh game yang menggunakan algoritma
backtracking(menemukan jalan keluar dalam sebuah labirin).
 Guntur

Break and
continue dan
list.
Greedy
 Guntur

Break and continue dan list.

Greedy
Break

Statement Break merupakan statement yang digunakan

untuk menghentikan (break) perulangan for atau while.
Statement break memberikan kemampuan baik secara
fungsional, efisiensi kode, dan keefektifan dalam
menggunakan sumber daya komputasi. Penggunaannya
dapat dimasukan dalam conditional statement untuk
menghentikan iterasi Ketika suatu kondisi terpenuhi.
Continue

Statement continue merupakan statement yang digunakan untuk

melanjutkan iterasi kode berikutnya.
 List

List adalah tipe data yang paling serbaguna yang tersedia dalam Bahasa
pemrograman Python, yang dapat ditulis sebagai daftar nilai yang
dipisahkan koma (item) antara tanda kurung siku. Hal penting list
adalah item dalam list tidak boleh sama jenisnya
 Greedy

Algoritma Greedy merupakan metode yang digunakan dalam suatu

penyelesaian masalah optimasi yang diselesaikan secara bertahap
(step by step), dengan harapan hasil yang didapatkan merupakan
hasil terbaik yang dapat diperoleh (Kurniasari, 2006).
Contoh dalam kehidupan sehari-hari
• Memilih program studi di perguruan tinggi
• Mencari jalur tersingkat dari bandung ke karawang

Algoritma greedy membentuk solusi langkah per langkah (step by step). Terdapat
banyak pilihan yang perlu dieksplorasi pada setiap langkah solusi. Oleh karena itu,
pada setiap langkah harus dibuat keputusan yang terbaik dalam menentukan
pilihan. Keputusan yang telah diambil pada suatu langkah tidak dapat diubah lagi
pada langkah selanjutnya.
 Dafa

Algoritma d dan c
Dafa

Algoritma d dan c

• Divide and Conquer dulunya adalah strategi

militer yang dikenal dengan nama divide ut
imperes.

• Sekarang strategi tersebut menjadi strategi

fundamental di dalam ilmu komputer dengan nama
Divide and Conquer.
Definisi

• Divide: membagi masalah menjadi beberapa upa-

masalah yang memiliki kemiripan dengan masalah
semula namun berukuran lebih kecil (idealnya
berukuran hampir sama),

• Conquer: memecahkan (menyelesaikan) masing-

masing upa-masalah (secara rekursif), dan

• Combine: mengabungkan solusi masing-masing upa-

masalah sehingga membentuk solusi masalah semula.
• Obyek permasalahan yang dibagi :
masukan (input) atau instances yang berukuran n seperti:
- tabel (larik),
- matriks,
- eksponen,
- dll, bergantung pada masalahnya.

• Tiap-tiap upa-masalah mempunyai karakteristik yang

sama (the same type) dengan karakteristik masalah asal,
sehingga metode Divide and Conquer lebih natural
diungkapkan dalam skema rekursif.
Skema Umum Algoritma Divide and Conquer

procedure DIVIDE_and_CONQUER(input n : integer)

{ Menyelesaikan masalah dengan algoritma D-and-C.
Masukan: masukan yang berukuran n
Keluaran: solusi dari masalah semula
}
Deklarasi
r, k : integer
Algoritma
if n  n0 then {ukuran masalah sudah cukup kecil }
SOLVE upa-masalah yang berukuran n ini
else
Bagi menjadi r upa-masalah, masing-masing berukuran n/k
for masing-masing dari r upa-masalah do
DIVIDE_and_CONQUER(n/k)
endfor
COMBINE solusi dari r upa-masalah menjadi solusi masalah semula }
endif
Jika pembagian selalu menghasilkan dua upa-masalah yang berukuran sama:
procedure DIVIDE_and_CONQUER(input n : integer)
{ Menyelesaikan masalah dengan algoritma D-and-C.
Masukan: masukan yang berukuran n
Keluaran: solusi dari masalah semula
}
Deklarasi
r, k : integer

Algoritma
if n  n0 then {ukuran masalah sudah cukup kecil }
SOLVE upa-masalah yang berukuran n ini
else
Bagi menjadi 2 upa-masalah, masing-masing berukuran n/2
DIVIDE_and_CONQUER(upa-masalah pertama yang berukuran n/2)
DIVIDE_and_CONQUER(upa-masalah kedua yang berukuran n/2)
COMBINE solusi dari 2 upa-masalah
endif

 g (n) ,n  n0
T (n)  
2T ( n / 2)  f ( n ) , n  n0
Contoh-contoh masalah
1. Mencari Nilai Minimum dan Maksimum (MinMaks)

Persoalan: Misalkan diberikan tabel A yang berukuran n elemen dan

sudah berisi nilai integer.
Carilah nilai minimum dan nilai maksimum sekaligus di dalam
tabel tersebut.
(a) Merge Sort
Algoritma:
1. Untuk kasus n = 1, maka tabel A sudah terurut dengan
sendirinya (langkah SOLVE).

2. Untuk kasus n > 1, maka

(a) DIVIDE: bagi tabel A menjadi dua bagian,
bagian kiri dan bagian kanan, masing-masing
bagian berukuran n/2 elemen.
(b) CONQUER: Secara rekursif, terapkan
algoritma D-and-C pada masing-masing
bagian.
(c) MERGE: gabung hasil pengurutan kedua
bagian sehingga diperoleh tabel A yang terurut.
Contoh Merge:
A1 A2 B
1 13 24 2 15 27 1 < 2  1 1

1 13 24 2 15 27 2 <13  2 1 2

1 13 24 2 15 27 13<1513 1 2 13

1 13 24 2 15 27 15<2415 1 2 13 15

1 13 24 2 15 27 24<2724 1 2 13 15 24

1 13 24 2 15 27 27  1 2 13 15 24 27
 Farhan

Dynamic
programing.
Searching
algoritma data dan
science
 Farhan

Dynamic programing.
Searching algoritma data dan
science
Dynamic programing.

Dynamic Programming (selanjutnya disebut “DP” saja) merupakan

salah satu teknik perancangan algoritma yang dikembangkan untuk
menyelesaikan permasalahan yang sangat kompleks dengan
memecah permasalahan tersebut menjadi banyak sub-
permasalahan. Perbedaan utama DP dengan Divide and Conquer
(selanjutnya disebut “D&C”) adalah pada DP kita menggunakan
kembali hasil kalkulasi sub-masalah yang telah dilakukan
sebelumnya.
Searching algoritma data dan
science.

Algoritma data science adalah suatu metode

atau prosedur yang digunakan dalam penerapan
data science. Algoritma data science ini memiliki
peranan penting dalam pengolahan data,
terutama big data. Dalam pengolahan data
tentunya akan dijumpai berbagai macam bentuk
data dengan permasalahan yang berbeda-beda.
Jenis – Jenis Algoritma Dan Data Science

1. Clustering Analysis (Unsupervised Learning)

• Salah satu jenis algoritma pada Machine Learning adalah Unsupervised

Learning. Seperti yang pernah dibahas di artikel lainnya, Machine
Learning tanpa data maka tidak akan bisa bekerja. Oleh sebab itu, hal
yang pertama kali perlu disiapkan adalah data. Unsupervised learning
adalah salah satu tipe algoritma Data Science yang digunakan untuk
menarik kesimpulan dari dataset. Metode ini hanya akan mempelajari
suatu data berdasarkan kedekatannya saja atau yang biasa disebut
dengan Clustering.
2. Classification Models (Supervised Learning)

• Algoritma Supervised Learning merupakan jenis algoritma yang 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. Supervised Learning dapat
membantu suatu organisasi dalam memecahkan berbagai masalah real
yang dalam skala besar, seperti mengklasifikasikan spam dalam folder
terpisah di kotak masuk email kamu.
3. Semi-Supervised Learning

• Semi-supervised learning dapat diartikan sebagai salah

satu jenis machine learning dengan melibatkan data
dalam jumlah kecil hingga sangat besar, baik data dengan
label maupun tanpa label. Machine learning ini dibutuhkan
ketika data memiliki label yang kurang sesuai.
Kristianto

Rekursif
Sorting
Kristianto

Rekursif
Sorting
Rekursif

• Rekursif adalah salah satu metode dalam dunia

matematika dimana definisi sebuah fungsi mengandung
fungsi itu sendiri. Dalam dunia pemrograman, rekursi
diimplementasikan dalam sebuah fungsi yang memanggil
dirinya sendiri
• Dalam fungsi pangkat xy , kita tahu bahwa semua
bilangan selain 0, jika dipangkatkan dengan 0 nilainya
sama dengan 1. Jika x dipangkatkan dengan y, dengan y
lebih dari 0, maka hasilnya sama dengan x dikalikan
dengan x dipangkatkan y – 1.
 Contoh Rekursif
• <?php
1. function tampilkanHalo! () {
• echo "Halo! <br>";
• tampilkanHalo!();
•}
• # panggil fungsi tampilkanHalo! ();
• tampilkanHalo!();
Kelebihan dan Kelemahan Rekursif
Kelebihan • Kelemahan
– solusi sangatlah efisien – sulit dipahami
– dapat memecahkan – perlu stack besar (stack overrun)
masalah yang sulit
dengan tahapan yan
mudah dan singkat
g
 Sorting

Sorting adalah suatu proses penyusunan kembali kumpulan

objek menggunakan tata aturan tertentu.
 FUNGSI
• Fungsi utama dari proses pengurutan atau sorting adalah
untuk mengurutkan data berdasarkan keinginan baik itu dari
yang terendah maupun yang tertinggi, sehingga data yang
dihasilkan akan lebih terstruktur, teratur dan sesuai dengan
kebutuhan.
 JENIS – JENIS SORTING
• Bubble Sort
• Pengurutan yang dilakukan dengan membandingkan masing-masing item dalam suatu list
secara berpasangan dan mengulanginya sampai akhir list secara berurutan sehingga tidak
ada item yang dapat ditukar.
• Insertion Sort
• Algoritma insertion sort pada dasarnya memilih data yang akan diurutkan menjadi dua
bagian, yang belum diurutkan dan yang sudah diurutkan. Elemen pertama diambil dari
bagian array yang belum diurutkan dan kemudian diletakkan sesuai posisinya pada bagian
lain dari array yang telah diurutkan. Langkah ini dilakukan secara berulang hingga tidak ada
lagi elemen yang tersisa pada bagian array yang belum diurutkan.
• Selection Sort
• Algoritma selection sort adalah algoritma yang memilih elemen dengan nilai terendah
kemudian menukar elemen yang terpilih dengan elemen ke-i dimana i dimulai dari 1 ke n,
dimana n adalah jumlah total elemen dikurangi 1.
 JENIS – JENIS SORTING
• Shell Sort
• Algoritam shell sort merupakan algoritma yang sama dengan insertion dimana
setiap nilai i dalam n/i diurutkan. Pada setiap pergantian nilai, i dikurangi sampai 1
sebagai nilai terakhir.
• Merge Sort
• Algoritma merge sort merupakan algoritma yang menggunakan cara divide and
conquer dimana memecah kemudian menyelesaikan setiap bagian dan
menggabungkan nya kembali.
• Heap Sort
• Algoritma heap sort merupakan algoritma sorting menggunakan struktur data
heap, dengan nilai parent selalu lebih besar dari pada nilai childnya.
CONTOH SORTING
Studi kasus sorting
• Dalam studi kasus, anggap saja kalian ingin belajar mengurutkan kartu. Kalian diminta untuk mengurutkan
kartu tersebut mulai dari yang terkecil hingga terbesar. Kemudian, kalian memiliki 2 meja yang dimana meja
1 berisi kartu yang belum ter urut, sedangkan meja 2 yang akan di isi kartu yang telah diurutkan.
1. kalian ambil kartu yang berada pada pojok kiri meja dan letakkan pada meja ke 2.
2. Kalian ambil kartu kedua dari meja 1 dan bandingkan antara kartu yang berada
pada meja 2 dengan kartu yang kartu yang baru saja diambil dari meja pertama,
kemudian urutkan sesuai urutan asli nya.
3. Begitu seterusnya hingga kartu terakhir.
4. Begitulah contoh studi kasus rekursif
 Yazid

Algoritma C 4,5
Yazid

Algoritma C 4,5

• Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon

keputusan (Decision Tree). Pohon keputusan merupakan metode klasifikasi dan prediksi
yang terkenal.
Pohon keputusan berguna untuk mengekspolari data, menemukan hubungan
tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.

• Algoritma C4.5 merupakan pengembangan dari algoritma ID3, Proses pada pohon
keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah
model pohon menjadi rule, dan menyederhanakan rule.

• Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai
berikut:
• Pilih atribut sebagai akar
• Buat Cabang untuk tiap tiap nilai
• Bagi kasus dalam cabang
• Ulangi proses untuk setiap cabang samapi semua kasus cabang sama
 Konsep Entropy

 Entropy (S) merupakan jumlah bit

yang diperkirakan dibutuhkan
untuk dapat mengekstrak suatu
kelas (+ atau -) dari sejumlah data
acak pada ruang sampel S.

 Entropy dapat dikatakan sebagai

kebutuhan bit untuk menyatakan
suatu kelas.

 Entropy digunakan untuk

mengukur ketidakaslian S.
 Konsep Gain

 Gain (S,A) merupakan perolehan

informasi dari atribut A relative
terhadap output data S.

 Perolehan informasi didapat dari

output data atau variable
dependent S yang
dikelompokkan berdasarkan
atribut A, dinotasikan dengan
gain (S,A).
Tabel di samping adalah data training untuk
menentukan apakah seseorang nasabah
bermasalah atau tidak yang di tentukan oleh
kolom predictor simpanan, aset, dan
pendapatan.Kolom resiko kredit adalah kelas dari
masing-masing record.
Adapun langkah untuk membuat pohon keputusan, yaitu :
1. Untuk atribut pendapatan yang bernilai angka, dibuat dalam bentuk kategori, yaitu pendapatan
<=25, pendapatan >25, pendapatan <=50, pendapatan >50, pendapatan ,=75, dan pendapatan
>75
2. Hitung nilai entropy. Dari data training diketahui jumlah kasus ada 8, yang beresiko kredit good 5
record dan bad 3 record sehingga didapat entropy :
𝛴 𝑛𝑖 =1
Entropy (S) = − pi ∗ log2 pi
= (-5/8*log2(5/8)) + (- 3/8*log2(3/8))
= 0,9544
3. Hitung nilai gain untuk tiap atribut, lalu tentukan nilai gaintertinggi. Yang mempunyai nilai gain
tertinggi itulah yang akan dijadikan akar dari pohon. Misalkan untuk atribut simpanan dengan
nilai low didapat nilai gain :
Gain (S,A) = Entropy (S) - ∗

= 0,9544 – (2/8(1) + 3/8(0) +3/8(0,9183)

= 0,3601
 Pohon keputusan C4.5

Aset

LOW HIGHT

MCD

Bad Good

X
 Riyan

Algoritma apriori.
Algoritma brute
force.
 Algoritma apriori

ALGORITMA APRIORI ADALAH ALGORITMA YANG

DIGUNAKAN UNTUK MENGHITUNG ATURAN ASOSIASI ANTAR
OBJEK. ATURAN ASOSIASI MENJELASKAN BAGAIMANA DUA
ATAU LEBIH OBJEK TERKAIT SATU SAMA LAIN.
DENGAN KATA LAIN, ALGORITMA APRIORI ADALAH
ALGORITMA BERBASIS ATURAN ASOSIASI YANG
MENGANALISIS APAKAH ORANG YANG MEMBELI PRODUK A
JUGA MEMBELI PRODUK B.
ALGORITMA INI DIKEMUKAKAN OLEH ILMUWAN R.
AGRAWAL DAN SRIKANT PADA TAHUN 1994. .
.
Cara Kerja Algoritma Apriori
Untuk menentukan itemset yang paling sering muncul, algoritma
Apriori menggunakan pendekatan "bottom-up".
Pendekatan ini menggunakan Breadth-first search dan struktur data
Hash tree untuk menghitung kandidat itemset secara efisien.

Pendekatan bottom up dimulai dari setiap item dalam daftar itemset.

Kemudian, kandidat dibentuk dengan self-join (penggabungan).
Kelebihan Algoritma Apriori
 Sederhana dan mudah dipahami di antara algoritma asosiasi
 Aturan yang dihasilkan intuitif dan mudah dikomunikasikan ke
pengguna awam
 Tidak memerlukan data berlabel karena merupakan algoritma
unsupervised
Kekurangan Algoritma Apriori
 Membutuhkan banyak perhitungan jika itemset sangat besar dan nilai
support minimal dipertahankan seminimal mungkin.
 Perlu melakukan pemindaian penuh seluruh database. Hal ini
membuat proses pada algoritma Apriori berjalan sangat lama dan
lambat serta menghabiskan banyak sumber daya.
Studi kasus Algoritma Apriori
 Algoritma brute force

Brute force adalah sebuah pendekatan yang sangat jelas(straightforward)

untuk memecahkan suatu persoalan, biasanya didasarkan dalam problem
statement dan definisi konsep yang dilibatkan, algoritma brute force
adalah algoritma yang memecahkan masalah dengan sangat sederhana,
langsung, dan dengan cara yang jelas(obvious way).
Karakteristik Algoritma Brute Force
Algoritma brute force sebenarnya bukanlah algoritma yang “cerdas” dan
mangkus(efisien), karena ia membutuhkan jumlah Langkah yang besar/
banyak dalam penyelesaiannya dan tentu saja membutuhkan waktu yang
berbanding lurus dengan jumlah Langkah penyelesaiannya, kadang-
kadang algoritma brute force disebut juga algoritma naif(naïve
algorithm).
Algoritma brute force seringkali merupakan pilihan yang kurang disukai
karena ketidakmangkusannya itu.
Kelebihan Algoritma Brute Force
Metode brute force sederhana dan mudah dimengerti.
 Metode brute force menghasilkan algoritma baku (standard) untuk
tugas-tugas komputasi seperti penjumlahan/perkalian n buah bilangan,
menentukan elemen minimum atau maksimum di dalam tabel (list).
 Metode brute force menghasilkan algoritma yang layak untuk
beberapa masalah penting seperti pencarian, pengurutan, pencocokan
string, perkalian matriks.
Kekurangan Algoritma Brute Force
 Beberapa algoritma brute force lambat sehingga tidak dapat
diterima.
 Tidak sekontruktif/sekreatif teknik pemecahan masalah
lainnya.
 Metode brute force jarang menghasilkan algoritma yang
mangkus.
Studi kasus Algoritma Brute Force
 Dimas

Algoritma K-
means
Dimas

Algoritma K-means

• Algoritma k-means merupakan algoritma yang membutuhkan

parameter input sebanyak k dan membagi sekumpulan n objek
kedalam k cluster sehingga tingkat kemiripan antar anggota dalam
satu cluster tinggi sedangkan tingkat kemiripan den- gan anggota
pada cluster lain sangat rendah.
• K-means merupakan salah satu algoritma yang bersifat unsupervised
learning. K-Means memiliki fungsi untuk mengelompokkan data
kedalam data cluster.
Apa yang dimaksud dengan algoritma k-
means?
• Clustering Algoritma (K-Means) memiliki tujuan untuk
meminimalisasikan fungsi objective yang telah di set dalam
proses clustering. Tujuan tersebut dilakukan dengan cara
meminimalikan variasi data yang ada didalam cluster dan
memaksimalikan variasi data yang ada di cluster lainnya.
K means clustering merupakan metode algoritma dasar,yang
diterapkan sebagai berikut:

• Menentukan jumlah cluster

• mendistribusikan data cluster
• Menghitung rata rata dari data yang ada di cluster.
• Menggunakan langkah baris 3 kembali sesuai nilai treshold
• Menghitung jarak antara data dan nilai centroid(K means clustering)
• Distance space dapat diimplementasikan untuk menghitung jarak data
dan centroid. Contoh penghitungan jarak yang sering digunakan
adalah manhattan/city blok distance
Langkah langkah clustering

• Identifikasi item dengan jarak terdekat.

• Gabungkan item itu kedalam satu cluster.
• Hitung jarak antar cluster.
• Ulangi dari awal sampai semua terhubung.
Tujuan
• Clustering Algoritma (K-Means) memiliki tujuan untuk
meminimalisasikan fungsi objective yang telah di set dalam proses
clustering. Tujuan tersebut dilakukan dengan cara meminimalikan
variasi data yang ada didalam cluster dan memaksimalikan variasi
data yang ada di cluster lainnya.
tahapan algoritma ini adalah sebagai
berikut:
• Pertama, tentukan berapa banyak jumlah k (cluster)
• Kedua,  secara acak tentukan record yang menjadi lokasi pusat cluster.
• Ketiga, temukan pusat cluster terdekat untuk setiap record. Adapun
persamaan yang sering digunakan dalam pemecahan masalah dalam
menentukan jarak terdekat adalah persamaan Euclidean 
 Fajar

Naïve bayes
 Fajar

Algoritma Naïve bayes

Naive Bayes adalah metode klasifikasi data berdasarkan

probabilitas yang bisa saja terjadi di masa depan. Metode ini
dianggap simpel dan efektif untuk diterapkan dalam analisis
perusahaan.
Tujuan dan Contoh

Tujuan metode ini adalah mengklasifikasikan probabilitas berdasarkan

pembelajaran mesin atas probabilitas lain. Teknik ini dapat
dimanfaatkan untuk mengevaluasi banyak hal, seperti misalnya
prakiraan cuaca.
Tipe Metode Naïve Bayes berdasarkan
fungsinya
 Multinomial Naïve Bayes
 Bernoulli Naïve Bayes
 Gaussian Naïve Bayes
Multinomial Naïve Bayes

Multinomial yang sebagian besar digunakan untuk

mengklasifikasi kategori dokumen. Sebuah dokumen
dapat dikategorikan bertema olahraga, politik,
teknologi, atau lain-lain berdasarkan frekuensi kata-
kata yang muncul dalam dokumen.
Bernoulli Naïve Bayes

Tipe ini mirip dengan tipe Multinomial, namun

klasifikasinya lebih berfokus pada hasil ya/tidak. Prediktor
yang di-input adalah variabel boolean. Misalnya, prediksi
atas sebuah kata muncul dalam teks atau tidak.
Gaussian Naïve Bayes

Distribusi Gaussian adalah asumsi pendistribusian nilai

kontinu yang terkait dengan setiap fitur berisi nilai
numerik. Ketika diplot, akan muncul kurva berbentuk
lonceng yang simetris tentang rata-rata nilai fitur.