SUPERVISED LEARNING : MENGENAL CARA KERJA NAIVE BAIYES

Hai ini blog ku nikmatilah karyaku

Nah kalo kemaren kita udah berkenalan dengan anggota supervised  learning pertama yaitu regersi sederhana, kali ini kita kenalan dengan naive bayes yang juga anggota nomor dua dari supervised learning. selamat membaca

ALGORITMA NAIVE BAYES

A. Pengertian Naive Bayes

        Naïve Bayes Classifier merupakan sebuah metoda klasifikasi yang berakar pada teorema Bayes . Metode pengklasifikasian dg menggunakan metode probabilitas dan statistik yg dikemukakan oleh ilmuwan Inggris Thomas Bayes , yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema Bayes . Ciri utama dr Naïve Bayes Classifier ini adalah asumsi yg sangat kuat (naïf) akan independensi dari masing-masing kondisi / kejadian.

     Menurut Olson Delen (2008) menjelaskan Naïve Bayes unt setiap kelas keputusan, menghitung probabilitas dg syarat bahwa kelas keputusan adalah benar, mengingat vektor informasi obyek. Algoritma ini mengasumsikan bahwa atribut obyek adalah independen. Probabilitas yang terlibat dalam memproduksi perkiraan akhir dihitung sebagai jumlah frekuensi dr ” master ” tabel keputusan.

        Naive Bayes Classifier bekerja sangat baik dibanding dengan model classifier lainnya. Hal ini dibuktikan oleh Xhemali , Hinde Stone dalam jurnalnya “Naïve Bayes vs. Decision Trees vs. Neural Networks in the Classification of Training Web Pages” mengatakan bahwa “Naïve Bayes Classifier memiliki tingkat akurasi yg lebih baik dibandingmodel classifier lainnya”.

Gambar 1. Naive Bayes

        Keuntungan penggunan adalah bahwa metoda ini hanya membutuhkan jumlah data pelatihan ( training data ) yg kecil unt menentukan estimasi parameter yg diperlukan dalam proses pengklasifikasian. Karena yg diasumsikan sebagai variable independent, maka hanya varians dr suatu variable dalam sebuah kelas yg dibutuhkan unt menentukan klasifikasi, bukan keseluruhan dr matriks kovarians.

B. Manfaat Naive Bayes

1. Kegunaan Naïve Bayes

• Mengklasifikasikan dokumen teks seperti teks berita ataupun teks akademis
• Sebagai metode machine learning yang menggunakan probabilitas
• Untuk membuat diagnosis medis secara otomatis
• Mendeteksi atau menyaring spam

2. Kelebihan Naïve Bayes

• Bisa dipakai untuk data kuantitatif maupun kualitatif
• Tidak memerlukan jumlah data yang banyak
• Tidak perlu melakukan data training yang banyak
• Jika ada nilai yang hilang, maka bisa diabaikan dalam perhitungan.
• Perhitungannya cepat dan efisien
• Mudah dipahami
• Mudah dibuat
• Pengklasifikasian dokumen bisa dipersonalisasi, disesuaikan dengan kebutuhan setiap orang
• Jika digunakan dalaam bahasa pemrograman, code-nya sederhana
• Bisa digunakan untuk klasifikasi masalah biner ataupun multiclass

3. Kekurangan Naïve Bayes

• Apabila probabilitas kondisionalnya bernilai nol, maka probabilitas prediksi juga akan bernilai nol
• Asumsi bahwa masing-masing variabel independen membuat berkurangnya akurasi, karena biasanya ada korelasi antara variabel yang satu dengan variabel yang lain
• Keakuratannya tidak bisa diukur menggunakan satu probabilitas saja. Butuh bukti-bukti lain untuk membuktikannya.
• Untuk membuat keputusan, diperlukan pengetahuan awal atau pengetahuan mengenai masa sebelumnya. Keberhasilannya sangat bergantung pada pengetahuan awal tersebut Banyak celah yang bisa mengurangi efektivitasnya
• Dirancang untuk mendeteksi kata-kata saja, tidak bisa berupa gambar

C. Pemodelan dengan Naive Bayes

    Library Python, Scikit learn adalah library paling berguna yang membantu kami membangun Naive Bayes model dengan Python. Kami memiliki tiga jenis model Naive Bayes berikut di bawah Scikit pelajari library Python:

a. Gaussian Naive Bayes

    Ini adalah pengklasifikasi Naive Bayes paling sederhana yang memiliki asumsi bahwa data dari masing-masing label diambil dari distribusi Gaussian sederhana.

b. Multinomial Naive Bayes

    Pengklasifikasi Naive Bayes lain yang berguna adalah Multinomial Naive Bayes di mana fitur-fiturnya adalah diasumsikan diambil dari distribusi Multinomial sederhana. Naive Bayes semacam itu adalah paling sesuai untuk fitur yang mewakili jumlah diskrit.

c. Bernoulli Naive Bayes

    Model penting lainnya adalah Bernoulli Naive Bayes di mana fitur diasumsikan biner (0s dan 1s). Klasifikasi teks dengan model 'bag of words' dapat menjadi aplikasi dari Bernoulli Naive Bayes.

D.  Aplikasi Naive Bayes

Berikut ini adalah beberapa aplikasi umum dari klasifikasi Naive Bayes:

• Prediksi real-time: Karena kemudahan implementasi dan komputasi yang cepat, ini dapat menjadi digunakan untuk melakukan prediksi secara real-time.

• Prediksi multi-kelas: Algoritma klasifikasi Naive Bayes dapat digunakan untuk memprediksi probabilitas posterior dari beberapa kelas variabel target.

• Klasifikasi teks: Karena fitur prediksi multi-kelas, Naive Bayes algoritma klasifikasi sangat cocok untuk klasifikasi teks. Itu sebabnya itu juga digunakan untuk memecahkan masalah seperti penyaringan spam dan analisis sentimen.

• Sistem rekomendasi: Seiring dengan algoritma seperti pemfilteran kolaboratif, Naive

• Bayes membuat sistem Rekomendasi yang dapat digunakan untuk menyaring informasi yang tidak terlihat dan untuk memprediksi cuaca pengguna akan menyukai sumber daya yang diberikan atau tidak.

E.  Contoh Penyelesaian Naive Bayes

        Contoh perhitungan metode naive bayes untuk sistem pakar penentuan kerusakan pada laptop, pada tahap awal kita harus mempunyai data kerusakan dan gejala laptop terlebih dahulu. Kerusakan laptop yang dibahas disini adalah tentang kerusakan dibagian hardware didalam laptop. Berikut adalah data yang disajikan.

1. Data kerusakan laptop :
K1 = IC Charger Rusak
K2 = IC Power Rusak
K3 = Resistor Rusak
K4 = Kapasitor Rusak
K5 = Mofset Rusak
K6 = Embeded Controller Rusak

2. Data gejala yang timbul :

G1 = Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan.

G2 = Indikaor pengisian baterai mati, laptop tidak bisa dinyalakan.

G3 = Indikaor pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar.

G4 = Input seperti USB tidak berfungsi

3. Keterangan :

K = Kerusakan

G = Gejala

        Selanjutnya dari data gejala dan kerusakan diatas kita menentukan tabel kebutusan antara kerusakan dan gejala yang timbul. Tabel keputusan berfungsi untuk menentukan laptop tersebut mengalami kerusakan apa, berdasarkan gejala yang timbul. Berikut adalah tabel keputusan yang sudah ditentukan.

Gejala	Kerusakan
	K1	K2	K3	K4	K5	K6
G1	1	0	1	0	0	0
G2	0	1	0	0	0	1
G3	0	0	1	0	0	0
G4	0	1	0	1	1	1

Keterangan :

1 = Gejala muncul

0 = Tidak ada gejala yang muncul

Related: Jurnal : Ilmplementasi K-Nearest Neighbor untuk Mengenali Pola Citra dalam Mendeteksi Penyakit Kulit

a. Contoh Kasus :

Misalnya gejala yang tampak pada laptop ada dua gejala yaitu :

G1 : Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan, dan

G3 : Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar.

Berdasarkan gejala yang muncul tersebut maka langkah perhitungannya adalah sebagai berikut :

Langkah 1 : menentukan penyakit yang muncul berdasarkan tabel keputusan

    Berdasarkan gejala yang muncul G1 dan G3 , maka bisa dilihat dari tabel keputusan indikasi kerusakan yang akan di prediksi yaitu K1 dan K3. karena pada K1 terdapat G1 dan G3 yang bernilai 1 dan pada K3 terdapat G3 yang bernilai 1. Maka untuk tahap selanjutnya yang di hitung menggunakan algoritma naive bayes adalah menghitung nilai probabilitas gejala dari K1 dan K3.

Langkah 2 : menghitung nilai probabilitas kerusakan dan gejala.

    Pada langkah 1 sudah di dapatkan indikasi penyakit yang di prediksi berdasarkan gejala yang timbul, sesuai tabel keputusan. Langkah selanjutnya yaitu menghitung nilai probabilias dari masing-masing kerusakan dan gejala yang timbul.

1. Perhitungan Probabilitas K1 ( IC Charger Rusak )

Rumus menghitung probailitas nilai K1

Keterangan :

Angka 1 di dapatkan dari prediksi minimal kerusakan yang muncul

Angka 6 di dapatkan dari jumlah semua kerusakan yang ada pada tabel keputusan

Rumus menghitung probabilitas gejala yang muncul

G1 : Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan.

G3 : Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar.

Keterangan :

jumlah kemungkinan = jumlah gejala G1/G3 yang muncul pada K1 di tabel keputusan 

jumlah kemungkinan kerusakan akibat gejala = kerusakan yang muncul yang di akibatkan gejala dalam perhitungan kali ini didapatkan 2 kerusakan yang muncul yaitu K1 dan K3

2. Perhitungan Probabilitas K3 ( Resistor Rusak )

Rumus menghitung probailitas nilai K3

Keterangan :

Angka 1 di dapatkan dari prediksi minimal kerusakan yang muncul

Angka 6 di dapatkan dari jumlah semua kerusakan yang ada pada tabel keputusan

Rumus menghitung probabilitas gejala yang muncul

G1 : Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan.

G3 : Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar.

 

Keterangan :

jumlah kemungkinan = jumlah gejala G1/G3 yang muncul pada K3 di tabel keputusan 

jumlah kemungkinan kerusakan akibat gejala = kerusakan yang muncul yang di akibatkan gejala dalam perhitungan kali ini didapatkan 2 kerusakan yang muncul yaitu K1 dan K3 

Langkah 3 : Menghitung nilai bayes berdasarkan probabilitas kerusakan dan gejala yang timbul

Dari nilai probabilitas diatas selanjutnya tahap perhitungan nilai bayes dengan rumus sebagai berikut

Menghitung Nilai Bayes K1

 

 

Total nilai bayes dari K1 yaitu :

Total K1  = K(K1 | G1) + K(K1 | G3)

Total K1  = 0.5 + 0 = 0.5

Menghitung Nilai Bayes K3

Total nilai bayes dari K3 yaitu :

Total K3  = K(K3 | G1) + K(K3 | G3)

Total K3  = 0.5 + 0.5 = 1

 

Menjumlahkan hasil nilai bayes dari K1 dan K3

Hasil Total  = Total Bayes K1 + Total Bayes K3 

                     = 0.5 + 1

                     = 1.5

Langkah 4 : Menghitung presentase nilai prediksi kerusakan

Dari perhitungan hasil total didapatkan nilai 1.5 . Angka tersebut nantinya di gunakan sebagai pembagi masing-masing nilai bayes dari K1 dan K3 untuk di ketehaui presentasenya. Berikut ini adalah hasil yang didapatkan dari perhitungan tersebut.

Dari hasil presentase diatas maka didapatkan nilai presentase tertinggi adalah hasil kerusakan yang didapatkan. Dengan demikian jika ada laptop yang mengalami gejala kerusakan G1 ( Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan. ) dan G3 ( Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar. ). Maka laptop tersebut mengalami kerusakan K3 ( Kerusakan Pada Resistor).

 Referensi : 

• Pertemuan 6 Kelas Machine Learning Institut Teknologi PLN
• https://binus.ac.id/bandung/2019/12/algoritma-naive-bayes/
• https://www.dqlab.id/belajar-algotirma-naive-bayes
• https://www.ilmuskripsi.com/2017/08/contoh-perhitungan-naive-bayes.html