1. Home
  2. Lainnya

Manfaat Penelitian Batasan Masalah

Untuk menghitung nilai kelas yang akan dibandingkan ya atau tidak, dilakukan perhitungan probabilitas PVj: PVj= |docj| |Contoh| Dimana docj adalah banyaknya dokumen yang memiliki kategori j dalam pelatihan, sedangkan Contoh banyaknya dokumen dalam contoh yang digunakan untuk pelatihan. Untuk nilai PWk|Vj , yaitu probabilitas kata wk dalam kategori j ditentukan dengan : PWk|Vj= Nk+1 N+|vocabulary| Dimana nk adalah frekuensi munculnya kata wk dalam dokumen yang ber kategori vj ditambah 1, hal ini berfungsi untuk menghindari angka 0 dalam data atau biasa disebut Laplace Smoothing, sedangkan nilai n adalah banyaknya seluruh kata dalam dokumen berkategori vj, dan vocabulary adalah banyaknya kata dalam contoh pelatihan. Contoh Naïve Bayesian Berikut contoh kasus yang akan diselesaikan dengan metode Naïve Bayes Classifier: Tabel 2.1 Data buys computer RID Age Income Student Credit_Rating Class 1. 29 High No Fair No 2. 29 High No Excelent No 3. 31..40 High No Fair Yes 4. 41 Medium No Fair Yes 5. 41 Low Yes Fair Yes 6. 41 Low Yes Excelent No 7. 31..40 Low Yes Excelent Yes 8. 29 Medium No Fair No 9. 29 Low Yes Fair Yes 10. 41 Medium Yes Fair Yes 11. 29 Medium Yes Excelent Yes 12. 31..40 Medium No Excelent Yes 13. 31..40 High Yes Fair Yes 14. 41 Medium No Excelent No Berdasarkan data pada tabel 2.1., model Naïve Bayes Classifier adalah sebagai berikut: 1. Tentukan Pyes sebagai probabilitas orang yang membeli komputer dan Pno sebagai probabilitas orang yang tidak membeli komputer dengan rumus sebagai berikut: Pyesno = |doc j| |Contoh| Dimana doc j adalah banyaknya dokumen yang memiliki kategori j dalam pelatihan, sedangkan Contoh banyaknya dokumen dalam contoh yang digunakan untuk pelatihan. Berikut perhitungannya : a. Tabel data Tabel 2.2 Tabel data teks buys_computer No Age =30 Age 31..40 Age 40 Income = low Income= medium Income= high Student =yes Studen t=no Credit_ Rating= fair Credit_ Rating= excelent Class 1. 1 1 1 1 No 2. 1 1 1 1 No 3. 1 1 1 1 Yes 4. 1 1 1 1 Yes 5. 1 1 1 1 Yes 6. 1 1 1 1 No 7. 1 1 1 1 Yes 8. 1 1 1 1 No 9. 1 1 1 1 Yes

Dokumen yang terkait

KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA.

37 112 14

KOMBINASI METODE K-NEAREST NEIGHBOR KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA.

0 5 12

PENDAHULUAN KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA.

1 9 7

TINJAUAN PUSTAKA DAN LANDASAN TEORI KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA.

0 5 7

KESIMPULAN DAN SARAN KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA.

1 6 10

PERBANDINGAN K-SUPPORT VECTOR NEAREST NEIGHBOR TERHADAP DECISION TREE DAN NAIVE BAYES.

0 0 6

PERBANDINGAN NAIVE BAYES CLASSIFIER DENGAN NEAREST NEIGHBOR UNTUK IDENTIFIKASI PENYAKIT MATA

0 0 5

Perbandingan Metode Naive Bayes dan K- Nearest Neighbor untuk Prediksi Perceraian (Studi Kasus : Pengadilan Agama Cimahi)

0 2 6

Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest

0 0 11

KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA

0 1 5