KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÃVE BAYES CLASSIFIER (STUDI KASUS : Calon Pendonor Darah di Kota Semarang) - Diponegoro University | Institutional Repository (UNDIP-IR)
KLASIFIKASI CALON PENDONOR DARAH
MENGGUNAKAN METODE NAÏVE BAYES
CLASSIFIER
(STUDI KASUS : Calon Pendonor Darah di Kota Semarang)
SKRIPSI
Disusun Oleh :
DHIMAS BAYUSUSETYO
NIM. 24010212130081
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2017
KLASIFIKASI CALON PENDONOR DARAH
MENGGUNAKAN METODE NAÏVE BAYES
CLASSIFIER
(STUDI KASUS : Calon Pendonor Darah di Kota Semarang)
Disusun Oleh :
DHIMAS BAYUSUSETYO
NIM. 24010212130081
Tugas Akhir sebagai salah satu syarat untuk memperoleh
gelar Sarjana Sains pada Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2017
i
Judul
: Klasifikasi Calon Pendonor Darah Menggunkan Metode Naïve
Bayes Classifier
(Studi Kasus: Calon Pendonor Darah di Kota Semarang)
Nama
: DhimasBayususetyo
NIM
: 24010212130081
Departemen
: Statistika
Telah diujikan pada sidang Tugas Akhir tanggal 27 Maret 2017 dan dinyatakan
lulus pada tanggal 27 Maret 2017.
Semarang, 30 Maret 2017
Mengetahui,
Ketua Departemen Statistika
Panitia Penguji Ujian Tugas Akhir
Dr. Tarno, M.Si.
NIP. 196307061991021001
Dr. Rukun Santoso, M.Si.
NIP. 196502251992011001
Ketua,
Fakultas Sains dan Matematika Undip
i
:
C
!" D"# $!%% $!&! Naïve
Bayes Classifier
('&
( C
!" D"#
& '!)"%)
*)
: D#
)+,!&,
*-$
: 24010212130081
D!."&!)! : '&&
&
/!#
0
.
% /% A#
" &%% 27 $"!& 2017.
'!)"%, 30 $"!& 2017
!)bimng--
!)bimng-
D". 3 '&1 $2'
.
*- . 196502251992011001
*-
D". /"1 $2'
.
. 196307061991021001
4565 789:5965;
Puji Syukur penulis ucapkan kehadirat Allah SWT yang telah memberikan
rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan penulisan Tugas
Akhir dengan judul Klasifikasi Calon Pendonor Darah Menggunakan Metode
Naive Bayes Classifier (Studi Kasus: Calon Pendonor Darah di Kota Semarang .
Begitu banyak pihak yang telah membantu, oleh karena itu rasa hormat dan terima
kasih penulis ingin sampaikan kepada:
1. Bapak Dr. Tarno, M.Si. selaku Ketua Departemen Statistika Fakultas Sains
dan Matematika Universitas Diponegoro sekaligus dosen pembimbing II.
2. Bapak Dr. Rukun Santoso, M.Si. selaku dosen pembimbing I.
3. Bapak dan Ibu dosen Departemen Statistika Fakultas Sains dan Matematika
Universitas Diponegoro yang telah memberikan ilmu selama proses belajar
di Departemen Statistika Fakultas Sains dan Matematika Universitas
Diponegoro.
4. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu
penulis dalam penulisan Tugas Akhir ini.
Penulis menyadari bahwa penulisan Tugas Akhir ini masih jauh dari
sempurna. Oleh karena itu, kritik dan saran yang membangun sangat penulis
harapkan demi perbaikan dalam kesempatan berikutnya.
Semarang, 29 Maret 2017
Penulis
iv
=>?@A=B
KCDEFGFHDEF
DIDCDJ KLMENE KNOPDLFDO ENHQRKQCDO RMINC DSDQ GQOTEF UDOT
RNOTTDRVDLHDO IDO RNRVNIDHDO HNCDE IDSD INOTDO SQWQDO DTDL RMINC SNLENVQS
IDKDS IFKNLTQODHDO QOSQH RNRKLNIFHEF HNCDE IDLF EQDSQ MVWNH UDOT VNCQR
IFHNSDJQF HNCDEOUDX AID VNVNLDKD RNSMIN UDOT SNLRDEQH IDCDR RNSMIN
HCDEFGFHDEFY EDCDJ EDSQOUD DIDCDJ Z[\]v B[^]_ X Z[\]v B[^]_ RNLQKDHDO SNHOFH
KLNIFHEF VNLVDEFE KLMVDVFCFESFH ENINLJDOD UDOT VNLIDEDL KDID KNONLDKDO SNMLNRD
B[^]_ INOTDO DEQREF FOINKNOINOEF UDOT HQDSX `DID KNONCFSFDO FOF IFCDHQHDO
KNLVDFHDO SNLJDIDK RNSMIN Z[\]v B[^]_ IDCDR RNOTJFSQOT KNCQDOT VNLEUDLDS IDLF
ENSFDK GFSQLOUD RNOTTQODHDO IQD KNOINHDSDOY UDFSQ KNOINHDSDO GQOTEF INOEFSDE
OMLRDC IDO KNOINHDSDO ENCFEFJ KNCQDOT HQRQCDSFGX KNIQD KNOINHDSDO SNLENVQS
IFTQODHDO QOSQH RNCDHQHDO HCDEFGFHDEF PDCMO KNOIMOML IDLDJ IF KMSD aNRDLDOTX
Variabel prediktor yang digunakan adalah kadar hemoglobin, tensi atas, tensi
bawah, dan berat badan. Hasil dari penelitian ini menunjukan bahwa kedua
pendekatan tersebut sama baiknya dalam melakukan klasifikasi dengan nilai
Matthews Correlation Coefficient (MCC) sebesar 0,8985841 atau mendekati +1.
Bbcb Bdeci
: Klasifikasi, Naïve Bayes, Fungsi Densitas, Peluang Kumulatif,
Donor Darah, Matthews Correlation Coefficient (MCC).
<
ABSTRACT
hijkkglgmjngop gk nqr stomrkk ol lgpugpv j wouri ot lxpmngop nqjn urkmtgyrk jpu
ugkngpvxgkqrk ujnj mijkkrk ot mopmrsnkz lot nqr sxtsokr ol yrgpv jyir no xkr nqr
wouri no strugmn nqr mijkk ol oy{rmnk |qokr mijkk ijyri gk xp}po|p~ qrtr jtr
kowr wrnqouk nqjn jtr gpmixuru gp nqr mijkkglgmjngop wrnqoukz opr ol nqrw gk
v B . v B gk j strugmngop nrmqpgxr nqjn yjkru kgwsir stoyjygigkngm
jtr yjkru op nqr jssigmjngop ol jrk nqrotrw |gnq kntopv gpursrpurpmr
jkkxwsngop~ p nqgk knxu mjttgru oxn mottrmngop no nqr v B wrnqou gp
mjimxijngpv nqr mopugngopji stoyjygign ol rjmq lrjnxtr xkgpv n|o jsstojmqrkz
potwji urpkgn lxpmngop jpu mxwxijngfr ugkntgyxngop lxpmngop jsstojmqrk~ qrkr
n|o jsstojmqrk jtr xkru no mijkkgl stoksrmngfr yioou uopotk gp rwjtjpv hgn.
qr strugmnot fjtgjyirk xkru jtr qrwovioygp irfri, xssrt yioou strkkxtr, io|rt
yioou strkkxtr, jpu |rgvqn. qr trkxin ol nqgk knxu kqo|k nqjn yonq jsstojmqrk
qjfr nqr kjwr Matthews Correlation Coefficient (hh) fjixrkz 0,8985841 ot
miokr no 1. n wrjpk nqjn yonq jsstojmqrk rxjii |rii uogpv mijkkglgmjngop~
Kyw
ds :
hijkkglgmjngopz jïve Bayes, Normal Density Function, Cumulative
Distribution Function, Blood Donors, Matthews Correlation
Coefficient (MCC).
fg
¡ ¢ £ J¤¥¤¡ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¡ ¢ £ §¨£©¨ª £ « ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¡ ¢ £ §¨£©¨ª £ «« ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¬ §¨£© £ ® ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ v
¯ª® ¬ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ v
°±²³´°µ³ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¥ ¶ ® «ª« ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¥ ¶ ® ¯¨¡ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ x
¥ ¶ ® © ¢¯ ® ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ x
¥ ¶ ® ¡ ¢§«® £ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ x
¯ ¯ « §¨£¥ ¤¡¤ £
·¦· ¡t¸ ¯¹º» ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ ·
·¦¼ ®½½¾ ¢¾¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ À
·¦À ¯ts ¢¾¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ 4
·¦Á ½Â½ §¹¹t ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ 4
¯ ¯ «« «£J ¤ £ §¤ª ¬
¼¦· ¶½»¾ ¥¸¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ 5
¼¦¼ ¥Ãø ¥¸¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ä
¼¦À §¹ÅÃø ¥¸¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ä
¼¦Á ªy¸t ƪy¸t¢¹ÂÅ §¹ÅÃø ¥¸¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ç
¼¦Á¦· ¤¾ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ È
¼¦Á¦¼ ¹Ã»ÃÉ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ È
¼¦Á¦À ¯¹¸t¯Å ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ê
¼¦Á¦4 ¹¾ t ¾Ëªtsù ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ê
¼¦Á¦Ì ¹¾ ¯w¿Ë¥tsù ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ê
ÏÐÑ ÒÓÔÕÎÖÎ×ÔÕÎ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐÚ ÛÜÝÞÔÞÎÓÎtÔs ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐÚÐØ ÒßàÔáÎÔâ ãÔÓÎâä åßÞÔsáÔâ ÒßàÔáÎÔâ ãÔÓÎâä æÕÎâä ÐÐÐÐÐ
ÏÐÚÐÏ çßÝÜßèÔ åÔßys ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐé êëâäÕÎ ìßâÕÎtÔsíÝÜèÔÓ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐï ÒÓÔÕÎÖÎ×ÔÕÎ ðñòóv ôñõóö ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐ÷ ÒÔÜÔ×øßÜÎÎts× ðñòóv ôñõóö ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐØÙ ÛßèÎÓÎùÔâ êÎët Ü åßÜÞÔÕÎsãÔt ÎtÎts× ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐØØ çß×âÎ× úÔÓÎáÔÕÎ ûÝáßÓ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐØÏ ÒßtßüÔtÔâ ÒÓÔÕÎÖÎ×ÔÕÎ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
åæå ýýý ûþçÿìÿ ÿý Ûþíþ ýçýæí
îÐØ ãëèÞßÜ ìÔtÔ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
îÐÏ úÔÜÎÔÞßÓ ÛßâßÓÎÎtÔâ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
îÐî çÔùÔüÔâ æâÔÓÎÕÎs ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ØÙ
ØÙ
ØÙ
ØÏ
Øî
ØÚ
Ïî
Ïî
ÏÚ
Ïé
Ï÷
Ï÷
îÙ
åæå ýú æãý ìæí Ûþûåææãæí
4ÐØ ìßÕ×ÜÎüÕÎ ìÔtÔ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ î
4ÐÏ ëÞëâäÔâ ÔâøÔÜÔ êÎët Ü áßâäÔâ ãtÔtu
sÔÓÝâ ÛßâáÝâÝÜ
ÐÐÐÐÐÐÐÐÐÐ îÚ
4ÐÏÐØ
ëÞëâäÔâ
êÎët Ü ßèÝäÓÝÞÎâ áßâäÔâ ãÔt tus ÔÓÝâ
ÛßâáÝâÝÜ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐÏÐÏ ëÞëâäÔâ êÎët Ü çßâÕÎ ætÔs áßâäÔâ ãtÔtu
s ÔÓÝâ
ÛßâáÝâÝÜ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐÏÐî ëÞëâäÔâ êÎët Ü çßâÕÎ åÔw
Ôù áßâäÔâ ãtÔtusÔÓÝâ
ÛßâáÝâÝÜ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐÏÐ ëÞëâäÔâ êÎët Ü åßÜÔt åÔáÔâ áßâäÔâ ãÔt tu
s ÔÓÝâ
ÛßâáÝâÝÜ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐÏÐÑ ëÞëâäÔâ êÎët Ü ÕÎÔ áßâäÔâ ãÔt tu
sÔÓÝâ ÛßâáÝâÝÜ
ÐÐ
ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4Ðî ÛßèÎÓÎùÔâ êÎët Ü åßÜÞÔÕÎsãtÔÎtÎts×
4ÐîÐØ àÎ ÝèÝäßâÎtÔsëâøë× ßèÝäÓÝÞÎâ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐîÐÏ àÎ ÝèÝäßâÎtÔsëâøë× çßâÕÎ æÔt s ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐîÐî àÎ ÝèÝäßâÎtÔsëâøë× çßâÕÎ åÔÔwù
ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÍÎÎÎ
îÚ
îÚ
îé
îé
îï
îï
î÷
î÷
4Ù
4
ts t
4
ts
4
!"#s t-tst
$
%
4&
!"#s t-tst ' (ts
4)
!"#s t-tst ' w*
4+
!"#s t-tst t
4,
t
4 ' -$ .
$
4 /
s0$1 234v 536s
4 0$1 234v 536s /t 7ts
8
$
4 0$1 234v 536s /t 9$*
/$ 0$t1
4 0t :t 0$1
4
4
4
44
45
4&
4)
4+
4+
5
5)
( - /;8
'
/
5
0:$ +
5 9 +
7((./?=(8 &
x
ABCDBE DBFGH
HIJIKIL
MINOJ PQ
RISTUVW XYLZ[WU QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ \]
MINOJ \Q
^TY_YTWU `INOJ XOJIW aIJYL ^OLbYLYT QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ cd
MINOJ cQ
FUS[TeFUS[T CIJYL ^OLbYLYT DITIf
MINOJ dQ
HOKYhJYNUL bOLhIL iSIS[W aIJYL ^OLbYLYT
MINOJ gQ
MOLWU ASIW bOLhIL iSIS[W CIJYL ^OLbYLYT QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ cj
MINOJ jQ
MOLWU BIwIf bOLhIL iSIS[W aIJYL ^OLbYLYT QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ ck
MINOJ kQ
BOTIS BIbIL bOLhIL iSIS[W aIJYL ^OLbYLYT QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ
MINOJ ]Q
lWUI bOLhIL iSIS[W aIJYL ^OLbYLYT QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ c]
MINOJ mQ
DISI `ISUf QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ
QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ cg
QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ cj
ck
gn
MINOJ PnQ DISI loU QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ gn
MINOJ PPQ p[KJIf qIS `ISUf _OT XOJIW QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ gP
MINOJ P\Q RISTUVW XYLZ[WU bITU F[LhWU DOLWUSIW QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ jk
MINOJ PcQ RISTUVW XYLZ[WU bITU ^OJ[ILh X[K[JISUZ QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ jk
@
tuvwux yuz{ux
|}~}}
}}
(
) ~} s~}} } }} s s}~ }
}}
( = )
~} }} } s}s } = 2
}} } }} s s}
}} } }} ~ss ~} }~
}} s}}} ~s ~}ss}s ¡¢£ B ¤£¥
rs
¨©ª«©¬ ©®¯°¬©±
²³´³µ³¶
·³µ¸§¹³¶ º» ¼³½³ ¾³´¿¶ ÀÁ¶Â¿¶¿¹ ¼³¹³Ã Ä¿½³ ÅÁµ³¹³¶Æ ºÇÈÉÊ ÅÁ¸½ÁµËÁ¹
É̺ǻ»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» ÊÍ
·³µ¸§¹³¶ É» Îϧ WeÐcÑÒÓ Ô-ÔeÓÔ Õ¶½ÕÖ ÅÁ½§³¸ ק½Õ¹ »»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» ÊØ
·³µ¸§¹³¶ Í» ¼³½³ ·³½§Ã ³¶ ¼³½³ Îϧ ¾³´¿¶ ÀÁ¶Â¿¶¿¹ ¼³¹³Ã Õ¶½ÕÖ À¹¿ÙÁÙ
Ä´³Ù§Ú§Ö³Ù§ »»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» ÊÇ
·³µ¸§¹³¶ Ø» ²³Ù§´ Ä´³Ù§Ú§Ö³Ù§ ÛÁ¶ÆÆÕ¶³Ö³¶ ÛÁ½¿ÂÁ ÜaÝÞe ßàáeÓ ÂÁ¶Æ³¶
ÀÁ¶ÂÁÖ³½³¶ ×Õ¶ÆÙ§ ¼Á¶Ù§½³Ù »»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» âÌ
·³µ¸§¹³¶ ã» ²³Ù§´ Ä´³Ù§Ú§Ö³Ù§ ÛÁ¶ÆÆÕ¶³Ö³¶ ÛÁ½¿ÂÁ ÜaÝÞe ßàáeÓ ÂÁ¶Æ³¶
ÀÁ¶ÂÁÖ³½³¶ ÅÁ´§Ù§Ã ÀÁ´Õ³¶Æ ÄÕµÕ´³½§Ú»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» âÍ
·³µ¸§¹³¶ Ç» ŧ¶½³ÖÙ Ä´³Ù§Ú§Ö³Ù§ ÛÁ¶ÆÆÕ¶³Ö³¶ ÛÁ½¿ÂÁ ä³ïve Bayes dengan
Pendekatan Fungsi Densitas ...................................................... 86
Lampiran 7. Sintaks Klasifikasi Menggunakan Metode Naïve Bayes dengan
Pendekatan Selisih Peluang Kumulatif ....................................... 88
¦§§
åæå ç
PéêæHëìëæé
è
íîí
ïðñðò óôõðöð÷ø
ùúûúü ýþüþÿ þýþ þÿ üú ûþ üþû ýþüþÿ þþ ûü ûü ýþüþÿ ýþü
þ úüþû
üýþüþþû úüþû þ
ûûþ. ùúûúü ýþüþÿ üÿûþû ýûþû
úûý
ý
ü
ÿ þûþû ýþüþÿ ýþ þ
þÿ
þü ý
þþû üþþ
úüþ
ú ýþû
ýþ üû
ûþ úüþû û ýþüþÿ üþÿ (ù
).
þ ýúûúü ýþüþÿ
ý
ü þ þû
þ þû
þ
þ þüþþ
þ þ
ý þû üÿþýþ úüþû þ
û þûþ úüþû þû
ýþ þÿ ûþû
þûþþ ýúûúü ýþüþÿ þ
ÿþþû
þÿþû þýþ
þ úüþû þû ûþû
ûýúûúüþû ýþüþÿ þüûþ ÿþþ
ü üÿþýþ þ
û þû ý
þûûþ.
þýþÿþ ýûþû
û þý
þû
þþû ýúûúü ýþüþÿ
þ þ
ýþüþÿ ý
ýþ þ
ÿ
ÿ þ üþû
ýûþû þû þü þ
þ ûýúûúüþû ýþüþÿ
þ
þ
þ þ
ÿþþû
ÿ
þ
ü þ þ.
þ
û
ü þûþþþ û
þû úüþû þ
û ýúûúü ýþüþÿ
þ þ ÿ
þ û
þý
ÿ ÿþ
(ù ).
ùûþû û
ûþûþ ü
ûþþû þ
ýþüþÿ ý
þþüþþ üý
þþþû
ýþüþÿ þû
ýþüþÿ
û
þûþ ý
ÿþû
û ý
þû
ü ü þû ýþû
ÿþüþþû ûýúûúü ýþüþÿ þ þþ
þûþûþû þþ þ
úüþû
þ
ýúûúü
ûýúûúü ÿþü ü
ÿ ýþÿ
üþû
úû þ
û
û þ þû
ü þþû
ÿþþû þ
þûþû ýþüþÿ ú úûþû ýþüþÿ þýþü ÿú ú
û ()
ý
þ þû
þ úû
ûýúûúü
1
û
û
ü û ûþû
þ
û
û
!"#!#$%&! "&$&'!(&) * *&+, ,*- . -& * $/&!*-!/ " !/&! '&.,0 + $,%.&&!)
. ',!//& &"& (&!/ !-', + $.(&$&*&! -!*-% !"#!#$%&! "&$&' "&! &"& (&!/
* $+&%.& % 1 2&
(3&..
$) 445
).
v
6&"& *-/&. &%',$ ,!, ",/-!&%&! *#"
"&!
+$ ",%.,
. . #$&!/
&+&%&'
>,.&
789: ;8 $"&.&$%&! %&"&$ ' #/0#>,!) * !., &*&.) * !., >&2&') > $&* >&"&!) "&! -.,& (&!/
",,0,%,!(&
. >&/&,
?&$,&> 0
+ !"-%-!/
.
@&$,&> 0
+ !"-%-!/
,!,
. >&/&,
,!=#$&., + !"-%-!/ "&0& ! !*-%&! . . #$&!/ >,.& !"#!#$%&! "&$&'!(&
&*&- *,"&%A 3 !-$-* B&! "&! C&> $
(44D))
%0&.,=,%&., &"&0&' +$#. . + !1&$,&!
. %-+-0&! #" 0 &*&- =-!/., (&!/ !//&>&$%&! "&! > "&%&! % 0&. "&*&
" !/&! *-E-&! &/&$ #" 0 * $. >-* "&+&* ",+ $/-!&%&! -!*-% +$ ",%., % 0&.
"&$,
.-&*-
#>E %
(&!/
> 0-
",% *&'-,
% 0&.!(&
&*&-
"&+&*
% 1 !" $-!/&! "&*&F"&*& (&!/ -!1-0 ",&.& " +&!A 3 *#"
> $*-E-&!
-!*-%
0&%-%&!
+ *&&!
"&*&
%
"&0&
+$ ",%.,
%0&.,=,%&., E-/&
% 0&.
(&!/
.-"&'
.
"," =,!,.,%&! . > 0-!(& > $"&.&$%&! +&"& !,0&, &*$,>-* "&*&
G"& > > $&+& *#"
v
.&*-!(& &"&0&' 789:
(&!/ * $&.-%
s
;8 $"&.&$ +&"& + ! $&+&!
* #$ &
e
;8< L
,!" + !" !.,
+$&%*,%!(& 7
" !/&!
1-%-+
aïKe
;8
&.-.,
.-0,*
yeL
"&0& &0/#$,*& %&* /#$,
,!" + !" !.,
",+ !-',
"&0&
(&!/
"-!,&
%-&*
!(&*&)
&.,' > $=-!/., " !/&! >&,%A 7
eaM:N OeaNP:N. G0/#$,*& ,!,
.
3 .%,+-!
&%&!
aïKe
* *&+,
&.-.,
"&0&
e
;8< L &.-% %
0&%-%&! +$#. . + 0&*,'&!
. aïKe ;8
MENGGUNAKAN METODE NAÏVE BAYES
CLASSIFIER
(STUDI KASUS : Calon Pendonor Darah di Kota Semarang)
SKRIPSI
Disusun Oleh :
DHIMAS BAYUSUSETYO
NIM. 24010212130081
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2017
KLASIFIKASI CALON PENDONOR DARAH
MENGGUNAKAN METODE NAÏVE BAYES
CLASSIFIER
(STUDI KASUS : Calon Pendonor Darah di Kota Semarang)
Disusun Oleh :
DHIMAS BAYUSUSETYO
NIM. 24010212130081
Tugas Akhir sebagai salah satu syarat untuk memperoleh
gelar Sarjana Sains pada Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2017
i
Judul
: Klasifikasi Calon Pendonor Darah Menggunkan Metode Naïve
Bayes Classifier
(Studi Kasus: Calon Pendonor Darah di Kota Semarang)
Nama
: DhimasBayususetyo
NIM
: 24010212130081
Departemen
: Statistika
Telah diujikan pada sidang Tugas Akhir tanggal 27 Maret 2017 dan dinyatakan
lulus pada tanggal 27 Maret 2017.
Semarang, 30 Maret 2017
Mengetahui,
Ketua Departemen Statistika
Panitia Penguji Ujian Tugas Akhir
Dr. Tarno, M.Si.
NIP. 196307061991021001
Dr. Rukun Santoso, M.Si.
NIP. 196502251992011001
Ketua,
Fakultas Sains dan Matematika Undip
i
:
C
!" D"# $!%% $!&! Naïve
Bayes Classifier
('&
( C
!" D"#
& '!)"%)
*)
: D#
)+,!&,
*-$
: 24010212130081
D!."&!)! : '&&
&
/!#
0
.
% /% A#
" &%% 27 $"!& 2017.
'!)"%, 30 $"!& 2017
!)bimng--
!)bimng-
D". 3 '&1 $2'
.
*- . 196502251992011001
*-
D". /"1 $2'
.
. 196307061991021001
4565 789:5965;
Puji Syukur penulis ucapkan kehadirat Allah SWT yang telah memberikan
rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan penulisan Tugas
Akhir dengan judul Klasifikasi Calon Pendonor Darah Menggunakan Metode
Naive Bayes Classifier (Studi Kasus: Calon Pendonor Darah di Kota Semarang .
Begitu banyak pihak yang telah membantu, oleh karena itu rasa hormat dan terima
kasih penulis ingin sampaikan kepada:
1. Bapak Dr. Tarno, M.Si. selaku Ketua Departemen Statistika Fakultas Sains
dan Matematika Universitas Diponegoro sekaligus dosen pembimbing II.
2. Bapak Dr. Rukun Santoso, M.Si. selaku dosen pembimbing I.
3. Bapak dan Ibu dosen Departemen Statistika Fakultas Sains dan Matematika
Universitas Diponegoro yang telah memberikan ilmu selama proses belajar
di Departemen Statistika Fakultas Sains dan Matematika Universitas
Diponegoro.
4. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu
penulis dalam penulisan Tugas Akhir ini.
Penulis menyadari bahwa penulisan Tugas Akhir ini masih jauh dari
sempurna. Oleh karena itu, kritik dan saran yang membangun sangat penulis
harapkan demi perbaikan dalam kesempatan berikutnya.
Semarang, 29 Maret 2017
Penulis
iv
=>?@A=B
KCDEFGFHDEF
DIDCDJ KLMENE KNOPDLFDO ENHQRKQCDO RMINC DSDQ GQOTEF UDOT
RNOTTDRVDLHDO IDO RNRVNIDHDO HNCDE IDSD INOTDO SQWQDO DTDL RMINC SNLENVQS
IDKDS IFKNLTQODHDO QOSQH RNRKLNIFHEF HNCDE IDLF EQDSQ MVWNH UDOT VNCQR
IFHNSDJQF HNCDEOUDX AID VNVNLDKD RNSMIN UDOT SNLRDEQH IDCDR RNSMIN
HCDEFGFHDEFY EDCDJ EDSQOUD DIDCDJ Z[\]v B[^]_ X Z[\]v B[^]_ RNLQKDHDO SNHOFH
KLNIFHEF VNLVDEFE KLMVDVFCFESFH ENINLJDOD UDOT VNLIDEDL KDID KNONLDKDO SNMLNRD
B[^]_ INOTDO DEQREF FOINKNOINOEF UDOT HQDSX `DID KNONCFSFDO FOF IFCDHQHDO
KNLVDFHDO SNLJDIDK RNSMIN Z[\]v B[^]_ IDCDR RNOTJFSQOT KNCQDOT VNLEUDLDS IDLF
ENSFDK GFSQLOUD RNOTTQODHDO IQD KNOINHDSDOY UDFSQ KNOINHDSDO GQOTEF INOEFSDE
OMLRDC IDO KNOINHDSDO ENCFEFJ KNCQDOT HQRQCDSFGX KNIQD KNOINHDSDO SNLENVQS
IFTQODHDO QOSQH RNCDHQHDO HCDEFGFHDEF PDCMO KNOIMOML IDLDJ IF KMSD aNRDLDOTX
Variabel prediktor yang digunakan adalah kadar hemoglobin, tensi atas, tensi
bawah, dan berat badan. Hasil dari penelitian ini menunjukan bahwa kedua
pendekatan tersebut sama baiknya dalam melakukan klasifikasi dengan nilai
Matthews Correlation Coefficient (MCC) sebesar 0,8985841 atau mendekati +1.
Bbcb Bdeci
: Klasifikasi, Naïve Bayes, Fungsi Densitas, Peluang Kumulatif,
Donor Darah, Matthews Correlation Coefficient (MCC).
<
ABSTRACT
hijkkglgmjngop gk nqr stomrkk ol lgpugpv j wouri ot lxpmngop nqjn urkmtgyrk jpu
ugkngpvxgkqrk ujnj mijkkrk ot mopmrsnkz lot nqr sxtsokr ol yrgpv jyir no xkr nqr
wouri no strugmn nqr mijkk ol oy{rmnk |qokr mijkk ijyri gk xp}po|p~ qrtr jtr
kowr wrnqouk nqjn jtr gpmixuru gp nqr mijkkglgmjngop wrnqoukz opr ol nqrw gk
v B . v B gk j strugmngop nrmqpgxr nqjn yjkru kgwsir stoyjygigkngm
jtr yjkru op nqr jssigmjngop ol jrk nqrotrw |gnq kntopv gpursrpurpmr
jkkxwsngop~ p nqgk knxu mjttgru oxn mottrmngop no nqr v B wrnqou gp
mjimxijngpv nqr mopugngopji stoyjygign ol rjmq lrjnxtr xkgpv n|o jsstojmqrkz
potwji urpkgn lxpmngop jpu mxwxijngfr ugkntgyxngop lxpmngop jsstojmqrk~ qrkr
n|o jsstojmqrk jtr xkru no mijkkgl stoksrmngfr yioou uopotk gp rwjtjpv hgn.
qr strugmnot fjtgjyirk xkru jtr qrwovioygp irfri, xssrt yioou strkkxtr, io|rt
yioou strkkxtr, jpu |rgvqn. qr trkxin ol nqgk knxu kqo|k nqjn yonq jsstojmqrk
qjfr nqr kjwr Matthews Correlation Coefficient (hh) fjixrkz 0,8985841 ot
miokr no 1. n wrjpk nqjn yonq jsstojmqrk rxjii |rii uogpv mijkkglgmjngop~
Kyw
ds :
hijkkglgmjngopz jïve Bayes, Normal Density Function, Cumulative
Distribution Function, Blood Donors, Matthews Correlation
Coefficient (MCC).
fg
¡ ¢ £ J¤¥¤¡ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¡ ¢ £ §¨£©¨ª £ « ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¡ ¢ £ §¨£©¨ª £ «« ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¬ §¨£© £ ® ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ v
¯ª® ¬ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ v
°±²³´°µ³ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¥ ¶ ® «ª« ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¥ ¶ ® ¯¨¡ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ x
¥ ¶ ® © ¢¯ ® ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ x
¥ ¶ ® ¡ ¢§«® £ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ x
¯ ¯ « §¨£¥ ¤¡¤ £
·¦· ¡t¸ ¯¹º» ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ ·
·¦¼ ®½½¾ ¢¾¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ À
·¦À ¯ts ¢¾¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ 4
·¦Á ½Â½ §¹¹t ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ 4
¯ ¯ «« «£J ¤ £ §¤ª ¬
¼¦· ¶½»¾ ¥¸¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ 5
¼¦¼ ¥Ãø ¥¸¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ä
¼¦À §¹ÅÃø ¥¸¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ä
¼¦Á ªy¸t ƪy¸t¢¹ÂÅ §¹ÅÃø ¥¸¿ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ç
¼¦Á¦· ¤¾ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ È
¼¦Á¦¼ ¹Ã»ÃÉ ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ È
¼¦Á¦À ¯¹¸t¯Å ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ê
¼¦Á¦4 ¹¾ t ¾Ëªtsù ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ê
¼¦Á¦Ì ¹¾ ¯w¿Ë¥tsù ¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦ Ê
ÏÐÑ ÒÓÔÕÎÖÎ×ÔÕÎ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐÚ ÛÜÝÞÔÞÎÓÎtÔs ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐÚÐØ ÒßàÔáÎÔâ ãÔÓÎâä åßÞÔsáÔâ ÒßàÔáÎÔâ ãÔÓÎâä æÕÎâä ÐÐÐÐÐ
ÏÐÚÐÏ çßÝÜßèÔ åÔßys ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐé êëâäÕÎ ìßâÕÎtÔsíÝÜèÔÓ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐï ÒÓÔÕÎÖÎ×ÔÕÎ ðñòóv ôñõóö ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐ÷ ÒÔÜÔ×øßÜÎÎts× ðñòóv ôñõóö ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐØÙ ÛßèÎÓÎùÔâ êÎët Ü åßÜÞÔÕÎsãÔt ÎtÎts× ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐØØ çß×âÎ× úÔÓÎáÔÕÎ ûÝáßÓ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÏÐØÏ ÒßtßüÔtÔâ ÒÓÔÕÎÖÎ×ÔÕÎ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
åæå ýýý ûþçÿìÿ ÿý Ûþíþ ýçýæí
îÐØ ãëèÞßÜ ìÔtÔ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
îÐÏ úÔÜÎÔÞßÓ ÛßâßÓÎÎtÔâ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
îÐî çÔùÔüÔâ æâÔÓÎÕÎs ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ØÙ
ØÙ
ØÙ
ØÏ
Øî
ØÚ
Ïî
Ïî
ÏÚ
Ïé
Ï÷
Ï÷
îÙ
åæå ýú æãý ìæí Ûþûåææãæí
4ÐØ ìßÕ×ÜÎüÕÎ ìÔtÔ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ î
4ÐÏ ëÞëâäÔâ ÔâøÔÜÔ êÎët Ü áßâäÔâ ãtÔtu
sÔÓÝâ ÛßâáÝâÝÜ
ÐÐÐÐÐÐÐÐÐÐ îÚ
4ÐÏÐØ
ëÞëâäÔâ
êÎët Ü ßèÝäÓÝÞÎâ áßâäÔâ ãÔt tus ÔÓÝâ
ÛßâáÝâÝÜ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐÏÐÏ ëÞëâäÔâ êÎët Ü çßâÕÎ ætÔs áßâäÔâ ãtÔtu
s ÔÓÝâ
ÛßâáÝâÝÜ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐÏÐî ëÞëâäÔâ êÎët Ü çßâÕÎ åÔw
Ôù áßâäÔâ ãtÔtusÔÓÝâ
ÛßâáÝâÝÜ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐÏÐ ëÞëâäÔâ êÎët Ü åßÜÔt åÔáÔâ áßâäÔâ ãÔt tu
s ÔÓÝâ
ÛßâáÝâÝÜ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐÏÐÑ ëÞëâäÔâ êÎët Ü ÕÎÔ áßâäÔâ ãÔt tu
sÔÓÝâ ÛßâáÝâÝÜ
ÐÐ
ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4Ðî ÛßèÎÓÎùÔâ êÎët Ü åßÜÞÔÕÎsãtÔÎtÎts×
4ÐîÐØ àÎ ÝèÝäßâÎtÔsëâøë× ßèÝäÓÝÞÎâ ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐîÐÏ àÎ ÝèÝäßâÎtÔsëâøë× çßâÕÎ æÔt s ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
4ÐîÐî àÎ ÝèÝäßâÎtÔsëâøë× çßâÕÎ åÔÔwù
ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐ
ÍÎÎÎ
îÚ
îÚ
îé
îé
îï
îï
î÷
î÷
4Ù
4
ts t
4
ts
4
!"#s t-tst
$
%
4&
!"#s t-tst ' (ts
4)
!"#s t-tst ' w*
4+
!"#s t-tst t
4,
t
4 ' -$ .
$
4 /
s0$1 234v 536s
4 0$1 234v 536s /t 7ts
8
$
4 0$1 234v 536s /t 9$*
/$ 0$t1
4 0t :t 0$1
4
4
4
44
45
4&
4)
4+
4+
5
5)
( - /;8
'
/
5
0:$ +
5 9 +
7((./?=(8 &
x
ABCDBE DBFGH
HIJIKIL
MINOJ PQ
RISTUVW XYLZ[WU QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ \]
MINOJ \Q
^TY_YTWU `INOJ XOJIW aIJYL ^OLbYLYT QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ cd
MINOJ cQ
FUS[TeFUS[T CIJYL ^OLbYLYT DITIf
MINOJ dQ
HOKYhJYNUL bOLhIL iSIS[W aIJYL ^OLbYLYT
MINOJ gQ
MOLWU ASIW bOLhIL iSIS[W CIJYL ^OLbYLYT QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ cj
MINOJ jQ
MOLWU BIwIf bOLhIL iSIS[W aIJYL ^OLbYLYT QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ ck
MINOJ kQ
BOTIS BIbIL bOLhIL iSIS[W aIJYL ^OLbYLYT QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ
MINOJ ]Q
lWUI bOLhIL iSIS[W aIJYL ^OLbYLYT QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ c]
MINOJ mQ
DISI `ISUf QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ
QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ cg
QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ cj
ck
gn
MINOJ PnQ DISI loU QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ gn
MINOJ PPQ p[KJIf qIS `ISUf _OT XOJIW QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ gP
MINOJ P\Q RISTUVW XYLZ[WU bITU F[LhWU DOLWUSIW QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ jk
MINOJ PcQ RISTUVW XYLZ[WU bITU ^OJ[ILh X[K[JISUZ QQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQQ jk
@
tuvwux yuz{ux
|}~}}
}}
(
) ~} s~}} } }} s s}~ }
}}
( = )
~} }} } s}s } = 2
}} } }} s s}
}} } }} ~ss ~} }~
}} s}}} ~s ~}ss}s ¡¢£ B ¤£¥
rs
¨©ª«©¬ ©®¯°¬©±
²³´³µ³¶
·³µ¸§¹³¶ º» ¼³½³ ¾³´¿¶ ÀÁ¶Â¿¶¿¹ ¼³¹³Ã Ä¿½³ ÅÁµ³¹³¶Æ ºÇÈÉÊ ÅÁ¸½ÁµËÁ¹
É̺ǻ»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» ÊÍ
·³µ¸§¹³¶ É» Îϧ WeÐcÑÒÓ Ô-ÔeÓÔ Õ¶½ÕÖ ÅÁ½§³¸ ק½Õ¹ »»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» ÊØ
·³µ¸§¹³¶ Í» ¼³½³ ·³½§Ã ³¶ ¼³½³ Îϧ ¾³´¿¶ ÀÁ¶Â¿¶¿¹ ¼³¹³Ã Õ¶½ÕÖ À¹¿ÙÁÙ
Ä´³Ù§Ú§Ö³Ù§ »»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» ÊÇ
·³µ¸§¹³¶ Ø» ²³Ù§´ Ä´³Ù§Ú§Ö³Ù§ ÛÁ¶ÆÆÕ¶³Ö³¶ ÛÁ½¿ÂÁ ÜaÝÞe ßàáeÓ ÂÁ¶Æ³¶
ÀÁ¶ÂÁÖ³½³¶ ×Õ¶ÆÙ§ ¼Á¶Ù§½³Ù »»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» âÌ
·³µ¸§¹³¶ ã» ²³Ù§´ Ä´³Ù§Ú§Ö³Ù§ ÛÁ¶ÆÆÕ¶³Ö³¶ ÛÁ½¿ÂÁ ÜaÝÞe ßàáeÓ ÂÁ¶Æ³¶
ÀÁ¶ÂÁÖ³½³¶ ÅÁ´§Ù§Ã ÀÁ´Õ³¶Æ ÄÕµÕ´³½§Ú»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» âÍ
·³µ¸§¹³¶ Ç» ŧ¶½³ÖÙ Ä´³Ù§Ú§Ö³Ù§ ÛÁ¶ÆÆÕ¶³Ö³¶ ÛÁ½¿ÂÁ ä³ïve Bayes dengan
Pendekatan Fungsi Densitas ...................................................... 86
Lampiran 7. Sintaks Klasifikasi Menggunakan Metode Naïve Bayes dengan
Pendekatan Selisih Peluang Kumulatif ....................................... 88
¦§§
åæå ç
PéêæHëìëæé
è
íîí
ïðñðò óôõðöð÷ø
ùúûúü ýþüþÿ þýþ þÿ üú ûþ üþû ýþüþÿ þþ ûü ûü ýþüþÿ ýþü
þ úüþû
üýþüþþû úüþû þ
ûûþ. ùúûúü ýþüþÿ üÿûþû ýûþû
úûý
ý
ü
ÿ þûþû ýþüþÿ ýþ þ
þÿ
þü ý
þþû üþþ
úüþ
ú ýþû
ýþ üû
ûþ úüþû û ýþüþÿ üþÿ (ù
).
þ ýúûúü ýþüþÿ
ý
ü þ þû
þ þû
þ
þ þüþþ
þ þ
ý þû üÿþýþ úüþû þ
û þûþ úüþû þû
ýþ þÿ ûþû
þûþþ ýúûúü ýþüþÿ þ
ÿþþû
þÿþû þýþ
þ úüþû þû ûþû
ûýúûúüþû ýþüþÿ þüûþ ÿþþ
ü üÿþýþ þ
û þû ý
þûûþ.
þýþÿþ ýûþû
û þý
þû
þþû ýúûúü ýþüþÿ
þ þ
ýþüþÿ ý
ýþ þ
ÿ
ÿ þ üþû
ýûþû þû þü þ
þ ûýúûúüþû ýþüþÿ
þ
þ
þ þ
ÿþþû
ÿ
þ
ü þ þ.
þ
û
ü þûþþþ û
þû úüþû þ
û ýúûúü ýþüþÿ
þ þ ÿ
þ û
þý
ÿ ÿþ
(ù ).
ùûþû û
ûþûþ ü
ûþþû þ
ýþüþÿ ý
þþüþþ üý
þþþû
ýþüþÿ þû
ýþüþÿ
û
þûþ ý
ÿþû
û ý
þû
ü ü þû ýþû
ÿþüþþû ûýúûúü ýþüþÿ þ þþ
þûþûþû þþ þ
úüþû
þ
ýúûúü
ûýúûúü ÿþü ü
ÿ ýþÿ
üþû
úû þ
û
û þ þû
ü þþû
ÿþþû þ
þûþû ýþüþÿ ú úûþû ýþüþÿ þýþü ÿú ú
û ()
ý
þ þû
þ úû
ûýúûúü
1
û
û
ü û ûþû
þ
û
û
!"#!#$%&! "&$&'!(&) * *&+, ,*- . -& * $/&!*-!/ " !/&! '&.,0 + $,%.&&!)
. ',!//& &"& (&!/ !-', + $.(&$&*&! -!*-% !"#!#$%&! "&$&' "&! &"& (&!/
* $+&%.& % 1 2&
(3&..
$) 445
).
v
6&"& *-/&. &%',$ ,!, ",/-!&%&! *#"
"&!
+$ ",%.,
. . #$&!/
&+&%&'
>,.&
789: ;8 $"&.&$%&! %&"&$ ' #/0#>,!) * !., &*&.) * !., >&2&') > $&* >&"&!) "&! -.,& (&!/
",,0,%,!(&
. >&/&,
?&$,&> 0
+ !"-%-!/
.
@&$,&> 0
+ !"-%-!/
,!,
. >&/&,
,!=#$&., + !"-%-!/ "&0& ! !*-%&! . . #$&!/ >,.& !"#!#$%&! "&$&'!(&
&*&- *,"&%A 3 !-$-* B&! "&! C&> $
(44D))
%0&.,=,%&., &"&0&' +$#. . + !1&$,&!
. %-+-0&! #" 0 &*&- =-!/., (&!/ !//&>&$%&! "&! > "&%&! % 0&. "&*&
" !/&! *-E-&! &/&$ #" 0 * $. >-* "&+&* ",+ $/-!&%&! -!*-% +$ ",%., % 0&.
"&$,
.-&*-
#>E %
(&!/
> 0-
",% *&'-,
% 0&.!(&
&*&-
"&+&*
% 1 !" $-!/&! "&*&F"&*& (&!/ -!1-0 ",&.& " +&!A 3 *#"
> $*-E-&!
-!*-%
0&%-%&!
+ *&&!
"&*&
%
"&0&
+$ ",%.,
%0&.,=,%&., E-/&
% 0&.
(&!/
.-"&'
.
"," =,!,.,%&! . > 0-!(& > $"&.&$%&! +&"& !,0&, &*$,>-* "&*&
G"& > > $&+& *#"
v
.&*-!(& &"&0&' 789:
(&!/ * $&.-%
s
;8 $"&.&$ +&"& + ! $&+&!
* #$ &
e
;8< L
,!" + !" !.,
+$&%*,%!(& 7
" !/&!
1-%-+
aïKe
;8
&.-.,
.-0,*
yeL
"&0& &0/#$,*& %&* /#$,
,!" + !" !.,
",+ !-',
"&0&
(&!/
"-!,&
%-&*
!(&*&)
&.,' > $=-!/., " !/&! >&,%A 7
eaM:N OeaNP:N. G0/#$,*& ,!,
.
3 .%,+-!
&%&!
aïKe
* *&+,
&.-.,
"&0&
e
;8< L &.-% %
0&%-%&! +$#. . + 0&*,'&!
. aïKe ;8