Menghitung Frekuensi Kelas Algoritma Naive Bayes
Langkah pertama yang dilakukan adalah membuat suatu tempat penyimpanan data untuk validasi dan data untuk training.
for int i = 0; i numFolds; i++ { Dataset validation = folds[i];
untuk menyimpan data validasi Dataset training = new DefaultDataset;
untuk menyimpan data training Pada kode program diatas perulangan dilakukan untuk mengambil data untuk
dijadikan data validasi untuk setiap perulangan, dan perulangan dilakukan sebanyak jumlah fold yang diinginkan, kemudian setelah pengambilan data validasi sisa data nya
dijadikan sebagai data training. for int j = 0; j numFolds; j++ {
if j = i training.addAllfolds[j]; }
classifier.buildClassifiertraining; Pada kode program diatas perulangan digunakan untuk mengambil semua data
kecuali data yang dijadikan sebagai data validasi. Kemudian melatihnya dengan klasifikasi yang diinginkan. Selanjutnya menentukan jumlah benar yang positif true
positif, jumlah benar yang negatif true negative, jumlah salah yang positif false positif dan jumlah salah yang negatif false negative.
Pada bagian ini dilakukan pengecekan pada data yang dijadikan validasi dan dicocokan dengan data yang telah di-training. Langkah pertama adalah menjalankan
proses klasifikasi for Instance instance : validation {
Selama instance bagian dari validation Object prediction = classifier.classifyinstance;
Kemudian setelah proses dijalankan maka pengecekan dimulai dari klasifikasi yang bernilai benar terlebih dahulu.
if instance.classValue.equalsprediction { jika prediksi sesuai dengan kelas maka
for Object o : out.keySet {
Selama o bagian dari out.keySet if o.equalsinstance.classValue {
jika o sama dengan nilai kelas out.geto.tp++;
} else { out.geto.tn++;
}} Pada bagian ini sistem mengecek apabila klasifikasi benar yaitu nilai data
validasi dan nilai data yang di-training sama, maka selanjutnya jika data yang benar bernilai positif maka tp++ , dan jika data yang benar bernilai negative maka tn++.
Kemudian sistem akan mengecek hasil klasifikasi yang salah. } else { jika prediksi tidak sama dengan kelas
for Object o : out.keySet { Selama o bagian dari out.keyset
if prediction.equalso {
out.geto.fp++; }
instance is positive class else if o.equalsinstance.classValue {
out.geto.fn++; } none is positive class
else { out.geto.tn++; }
} } } } return out; kembalikan nilai outhasil
} Pada bagian ini sistem akan mengecek apabila klasifikasi yang salah yaitu jika
data validasi bernilai yes sedangkan data yang di-training bernilai no dan sebaliknya. Jika data yang salah bernilai positif maka fp++, dan jika data yang salah bernilai