slide 04 - klasifikasi - naive bayes.pdf
DESCRIPTION
Naive bayesTRANSCRIPT
![Page 1: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/1.jpg)
Pengenalan Pola
PTIIK - 2013
Klasifikasi – Naïve Naïve BayesBayes
![Page 2: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/2.jpg)
Course Contents
Naïve Bayes Classifier1
Fase Training2
Fase Testing3
Studi Kasus dan Latihan4
![Page 3: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/3.jpg)
Naïve Bayes Classifier Metode klasifikasi ini diturunkan dari penerapan
teorema Bayes dengan asumsi independence(saling bebas)
Naive Bayes Classifier adalah metodepengklasifikasian dengan model peluang, dimana diasumsikan bahwa setiap atribut contoh(data sampel) bersifat saling lepas satu samalain berdasarkan atribut kelas.
![Page 4: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/4.jpg)
Naïve Bayes ClassifierNaïve Bayes Classifier Apa yang dapat kita lakukan apabila data kita yaitu d
mempunyai beberapa atribut atau fitur? Asumsi Naïve Bayes : Atribut yang mendeskripsikan
contoh data adalah independen pada hipotesis klasifikasi
Asumsi penyerderhanaan, kemungkinan tidak sesuai realita Namun bekerja dengan baik secara praktis
Beberapa aplikasi: Diagnosa medis Klasifikasi Teks
P(d | h) P(a1,...,aT | h) P(at | h)t
![Page 5: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/5.jpg)
AsumsikanAsumsikan diantaradiantara fiturfitur AAi i adalahadalah independenindependen padapada suatusuatukelaskelas::
![Page 6: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/6.jpg)
Fase Training
Pada setiap kelas C: Estimasikan prior P(C) −> untuk setiap fitur A
Untuk setiap nilai fitur vi dari A: Estimasikan P( A=v | C )
![Page 7: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/7.jpg)
Fase Testing
Beberapa fitur (v1, v2, ..., , vk) Pilih kelas yang memaksimalkan:
![Page 8: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/8.jpg)
Naïve Naïve BayesBayes -- Data Data KontinyuKontinyu
Naive bayes classifier untuk menangani atributbertipe kontinyu, salah satu caranya adalahmenggunakan distribusi Gaussian.
Distribusi ini dikarakterisasi dengan duaparameter yaitu mean (μ), dan variansi(σ2).
Untuk setiap kelas yj, peluang kelas bersyaratuntuk atribut Xi dinyatakan dengan persamaandistribusi Gaussian.
![Page 9: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/9.jpg)
Fungsi densitas mengekspresikan probabilitasrelatif.
Data dengan mean μ dan standar deviasi σ, fungsidensitas probabilitasnya adalah:
μ dan σ dapat diestimasi dari data, untuk setiapkelas.
Gunakan untuk P(X | C)
Naïve Naïve BayesBayes -- Data Data KontinyuKontinyu
![Page 10: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/10.jpg)
![Page 11: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/11.jpg)
StudiStudi KasusKasus 1 : 1 : Mutu Buah Jeruk
Mengumpulkan informasi tentang jeruk. Menganalisa dan merancang perangkat lunak
yang digunakan untuk menentukan mutu buahjeruk manis berdasarkan warna RGB dandiameter dengan menggunakan metode naive bayes.
![Page 12: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/12.jpg)
Untuk menghitung peluang, langkah-langkah yang dilakukan sebagai berikut : Membuat image menjadi skala keabuan (gray- scale). Binarisasi. Pada tahap ini berguna untuk merubah nilai
piksel image menjadi 0 dan 1. Nilai 0 untukmenggambarkan latar belakang, nilai 1 untuk objekbuah jeruk.
Max Filter. Tahap ini diperlukan untuk menghilangkannilai piksel 1 tetapi bukan bagian dari buah jeruk.
Temukan Parameter. Tahap ini digunakan menghitungnilai rata-rata red, green, blue, dan menghitungdiameter buah jeruk.
![Page 13: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/13.jpg)
Penentuan Mutu Buah Jeruk. Bila parameter rata-rata R,G,B dan diameter
D sudah diketahui, maka untuk menentukanmutu buah jeruk memiliki langkah-langkahsbb: • p1:Hitung Peluang (R,G,B,D) pada kelas A• p2:Hitung Peluang (R,G,B,D) pada kelas B• p3:Hitung Peluang (R,G,B,D) pada kelas C• p4:Hitung Peluang (R,G,B,D) pada kelas BS
![Page 14: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/14.jpg)
if ((p1>=p2) and (p1>=p3) and (p1>=p4)) then Output 'Quality A with probability p1’
if ((p2>=p1) and (p2>=p3) and (p2>=p4)) then Output 'Quality B with probability p2’
if ((p3>=p1) and (p3>=p2) and (p3>=p4)) then Output 'Quality C with probability p3'
if ((p4>=p1) and (p4>=p2) and (p4>=p3)) then Output 'Quality BS with probability p4'
![Page 15: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/15.jpg)
![Page 16: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/16.jpg)
Keterangan : Display vektor pembelajaran Display gambar jeruk yang akan diuji mutunya. Pada gambar tersebut terdapat dua garis vertikal yang
digunakan untuk menghitung diameter buah jeruk (jarakantara dua garis vertikal).
Display untuk mengetahui mutu jeruk yang sedangditampilkan. Pada image yang ditampilkan, mutu yang dihasilkan adalah BS.
![Page 17: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/17.jpg)
![Page 18: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/18.jpg)
StudiStudi KasusKasus 2 2 : : BermainBermain TenisTenisDay Outlook Temperature Humidity Wind Play
Tennis
Day1 Sunny Hot High Weak NoDay2 Sunny Hot High Strong No
Day3 Overcast Hot High Weak Yes
Day4 Rain Mild High Weak Yes
Day5 Rain Cool Normal Weak Yes
Day6 Rain Cool Normal Strong No
Day7 Overcast Cool Normal Strong Yes
Day8 Sunny Mild High Weak No
Day9 Sunny Cool Normal Weak Yes
Day10 Rain Mild Normal Weak Yes
Day11 Sunny Mild Normal Strong Yes
Day12 Overcast Mild High Strong Yes
Day13 Overcast Hot Normal Weak Yes
Day14 Rain Mild High Strong No
![Page 19: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/19.jpg)
Klasifikasi fakta baru berupa x=(a1,…aT) sebagaimana:
Untuk melakukannya berdasarkan pada sampel pelatihan, kitaperlu untuk mengestimasi parameter-parameter dari sampelpelatihan: Untuk setiap kelas (hypothesis) h
Untuk setiap nilai fitur at dari setiap contoh fakta
)( estimate:)(ˆ hPhP
)|( estimate:)|(ˆ haPhaP tt
t
thh
BayesNaive haPhPhPhPh )|()(maxarg)|()(maxarg x
![Page 20: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/20.jpg)
Berdasarkan pada contoh tabel klasifikasi fakta x berikut :x=(Outl=Sunny, Temp=Cool, Hum=High, Wind=strong) That means: Play tennis or not?
Working:
)|()|()|()|()(maxarg
)|()(maxarg)|()(maxarg
],[
],[],[
hstrongWindPhhighHumidityPhcoolTempPhsunnyOutlookPhP
haPhPhPhPh
noyesh
tt
noyeshnoyeshNB
x
noxPlayTennisanswernostrongPnohighPnocoolPnosunnyPnoP
yesstrongPyeshighPyescoolPyessunnyPyesPetc
noPlayTennisstrongWindPyesPlayTennisstrongWindP
noPlayTennisPyesPlayTennisP
)(:)|()|()|()|()(
0053.0)|()|()|()|()(.
60.05/3)|(33.09/3)|(
36.014/5)(64.014/9)(
0.0206
![Page 21: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/21.jpg)
TugasTugas KelompokKelompok
Coba Lakukan Tes Data : X = (refund = no, marital status = divorced, income = 120k)masuk kelas “evade” No atau Yes?
Gunakan formula berikut untukmenghitung likelihood data Kuantitatif (continue)
![Page 22: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/22.jpg)
Tugas Individu Buatlah aplikasi pengenalan pola dari data UCI yang
kalian kerjakan sebelumnya Minimal menggunakan MS Excel Dengan metode Naïve Bayes Classifier
Data terdiri dari 25 data training untuk setiap kelas dan 5 data testing untuk setiap kelas (menggunakan data sebelumnya)
Munculkan keluaran sesuai dengan tahapan-tahapanpenyelesaian: Sheet1 Data Sheet2 Likelihood untuk setiap Fitur, Prior, Posterior,
dan Hasil Klasifikasi
![Page 23: Slide 04 - Klasifikasi - Naive Bayes.pdf](https://reader036.vdocuments.mx/reader036/viewer/2022082210/55cf9c07550346d033a84b2b/html5/thumbnails/23.jpg)
[email protected] 331 834 734 / 088 160 127 40