14
b. Vektor Vertikal
Gambar 2. 3 Ilustrasi pembagian vektor vertikal
Pada gambar 2.3 citra dibagi menjadi 8 bagian vektor vertikal. Setiap bagiannya dihitung rata-ratanya dan akan diperoleh nilai rata-rata
yang akan dijadikan ciri.
2.5 Klasifikasi
Klasifikasi dapat didefinisikan sebagai pekerjaan yang melakukan pelatihan. Pekerjaan pelatihan tersebut akan menghasilkan suatu model yang
kemudian disimpan sebagai memori. Algoritma Klasifikasi menggunakan data training untuk membuat sebuah model. Model yang sudah di bangun tersebut
kemudian digunakan untuk memprediksi label kelas data baru yang belum diketahui Prasetyo, 2012.
Klasifikasi merupakan suatu metode data mining yang dapat digunakan untuk proses pencarian sekumpulan model yang dapat menjelaskan dan
15
membedakan kelas-kelas data, yang tujuannya supaya model tersebut dapat digunakan untuk memprediksi kecenderungan data-data yang muncul di masa
depan HanKamber, 2006. Proses klasifikasi terlihat pada gambar 2.4.
Input Data Training x,y
Algoritma Training
Pembangunan Model
Penerapan Model
Input Data Testingx,?
Output Data Testingx,y
Gambar 2. 4 Proses Klasifikasi
2.6 Algoritma Naive Bayes Classifier
Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes. Pada
penerapan teorema Bayes aturan Bayes dengan asumsi independensi ketidaktergantungan yang kuat naif. Dengan kata lain, dalam Naïve Bayes
model yang digunakan adalah model fitur independen Prasetyo, 2012. Dari pengertian diatas dapat diambil sebuah kesimpulan bahwa Naïve
Bayes adalah teknik klasifikasi yang atributnya saling bebas atau tidak ada kaitan antar atribut. Contohnya, buah apel dikatakan buah apel jika mempunyai ciri
berdiameter sekitar 6cm, berwarna merah, berbentuk bulat. Walaupun ciri diatas saling bergantungan satu sama lain, namun dalam bayes hal tersebut tidak
16
dipandang, seolah-olah tidak memiliki hubungan apapun. Prediksi Naïve Bayes didasarkan pada teorema Bayes, seperti pada rumus dibawah ini:
………………………. 2.8
Sedangkan untuk Naive Bayes dengan ciri continue memiliki rumus seperti:
…………………………….... 2.9
Untuk perhitungan nilai likelihood:
……………………………... 2.10
Untuk perhitungan nilai probabilitas:
…………………………………...... 2.11
Keterangan: =Probabilitas data dengan vektor X pada kelas Y
=Probabilitas awal kelas Y =Probabilitas independen kelas Y dari semua fitur dalam vektor X
µ =Mean atau nilai rata-rata dari atribut dengan fitur continue σ =Standar Deviasi
17
Contoh perhitungan Naive Bayes untuk Klasifikasi: Diberikan tabel untuk mengukur seseorang mempunyai tubuh yang proporsional
atau tidak berdasarkan ciri tinggi badan dan berat badan, seperti dibawah ini:
Tinggi Badan cm A1
Berat badankg A2
Proporsional A3
175 170
155 180
130 150
50 54
45 60
20 40
Tidak Tidak
Ya Tidak
Ya Ya
Tabel 2. 1 Tabel Contoh Soal Perhitungan Naive Bayes
Langkah-langkah untuk menyelesaikan permasalahan diatas dengan menggunakan Naive Bayes adalah sebagai berikut:
a. Menghitung Mean dan Stándar Deviasi pada masing-masing ciri A1:
18
b. Menghitung Mean dan Stándar Deviasi pada masing-masing ciri A2:
c. Menghitung Naive Bayes menggunakan rumus bersyarat 2.9 , Jika
diberikan A1 = 155, A2 = 45, dan A3 = Ya, maka: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
d. Kemudian selanjutnya menghitung Likelihoodnya 2.10, Hasil A1
=155|Ya dengan A2 = 45|Ya di kalikan begitu pula sebaliknya. Sehingga: Hasil A1 = 0.0240 x 0.0240 = 0.000576
Hasil A2 = 0.0119 x 0.0225 = 0.000267
e. Menghitung nilai probabilitas dengan melakukan normalisasi terhadap
nilai Ya dan nilai Tidak 2.11, sehingga diperoleh hasil akhir, seperti:
Kesimpulannya, nilai Probabilitas Ya lebih besar daripada nilai
Probabilitas Tidak. Sehingga hasil klasifikasi = Ya.
2.7 Akurasi