Pengenalan Pola. Klasifikasi Teori Keputusan Bayes
|
|
- Widya Hartanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Pengenalan Pola Klasifikasi Teori Keputusan Bayes PTIIK
2 Course Contents 1 Teori Keputusan Bayes 2 Fase Training 3 Fase Testing 4 Latihan
3 Prosedur Keputusan Bayes Prosedur pengenalan pola dan pengambilan keputusan subjects Observables X Features x Inner belief w Action a X : semua data observasi menggunakan sensors dan instruments yang tersedia x : merupakan himpunana fitur yang dipilih dari komponen X, atau fungsi linier dari X. w : adalah inner belief/perception tentang subject dari class. α : adalah aksi yang kita ambil untuk x. Dari prosedur tersebut didapatkan definisi dari 3 ruang vektor sebagai berikut: d C α x, w, α x ( x 1, x 2,..., x d ) adalah vector w adalah index class, C { w, w,..., w } 1 2 k
4 Contoh Kasus Klasifikasi Ikan X=I adalah citra ikan, x =(brightness, length, fin#,.) w merupakan tingkat kepercayaan kita bahwa tipe ikan adalah c ={ sea bass, salmon, trout, } α merupakan keputusan tipe ikan, pada kasus ini c = a a ={ sea bass, salmon, trout, } Diagnosis Medis X= semua hasil test medis, citra hasil scan x =(blood pressure, glucose level, cough, x- ray.) w merupakan tipe sakit yang diderita c ={ Flu, cold, TB, pneumonia, lung cancer } a merupakan keputusan untuk penanganan yang diberikan pada pasien, a ={ Tylenol, Hospitalize, }
5 Fokus Metode subjects Observables X Features x Inner belief w Decision a control sensors selecting Informative features statistical inference risk/cost minimization Pada teori keputusan Bayes, kita perhatikan tiga langkah terakhir yang mengasumsikan bahwa observasi telah dilakukan dan fitur telah dipilih sebelumnya.
6 Keputusan Bayes Keputusan akan dibuat ketika semua distribusi dari probabilitas dari data diketahui, Sehingga keputusan akan menjadi optimal ketika distribusi data diketahui. Untuk kasus dua kelas yang terdefinisi : w 1 dan w 2, Probabilitas Prior untuk data observasi baru yang belum diketahui didefiniskan dengan: w 1 ) : probabilitas observasi data baru menjadi milik dari class 1 w 2 ) : probabilitas observasi data baru menjadi milik dari class 2 w 1 ) + w 2 ) = 1 Probabilitas tersebut mencerminkan pengetahuan sebelumnya. Aturan keputusan untuk object baru : Object akan diklasifikasikan sebagai class 1 Jika w 1 ) > w 2 )
7 Teori Keputusan Bayes Features x statistical Inference Inner belief p(w x) risk/cost minimization Decision a(x) Two probability tables: a). Prior p(w) b). Likelihood p(x w) A risk/cost function (is a two-way table) l(a w) Tingkat kepercayaan terhadap class w dihitung menggunakan aturan Bayes : p( x w) p( w) p( w x) p( x) Tingkat resiko dihitung dengan : k i x) l( ai w j)p( j x) j1 R( a w
8 Keputusan Bayes Kita mendefiniskan fitur untuk setiap object dengan : x w 1 ) & x w 2 ) : class-specific density Aturan Bayes:
9 Aturan Keputusan Aturan keputudsan merupakan fungsi mapping function dari ruang fitur ke himpunan aksi yang akan diambil a(x): Keputusan yang acak (random) tidak optimal Keputusan yang dibuat berdasarkan fungsi yang meminimalkan resiko / average cost R d Fungsi tersebut akan minimal ketika keputusan yang kita ambil dibuat untuk meminimalkan cost / resiko untuk setiap instance x a R( a( x) x) p( x) a( x) arg min R( a x) arg min l( a w ) p( w x) a a dx k j1 j j
10 Bayessian Error Pada kasus khusus, seperti klasifikasi ikan, aksi yang diambil adalah klasifikasi yang diasumsikan eror : 0/1 Resiko klasifikasi x ke class α i adalah, j i j i j i j i if if w a w a l w a w a l 1 ) ( 0 ) ( ) ( 1 ) p( ) ( i j i i j x p x x R a w a a w
11 Fase Data Training Contoh Dataset (Ikan Salmon & Sea Bass) : (Misal hanya menggunakan 1 fitur, yaitu Width ) menggunakan konsep Risk/ Cost. No (Width) sebagai Fitur 1 Kelas 1 9 Salmon 2 11 Sea Bass 3 9 Sea Bass 4 12 Salmon..... M 15 Sea Bass
12 Fase Data Training Contoh Dataset (Smurf or Troll) : (Misal hanya menggunakan 1 fitur, yaitu Height ) menggunakan konsep univariate normal distribution. Height Creature 2.70 Smurf 2.52 Smurf 2.57 Smurf 2.22 Smurf 3.16 Troll 3.58 Troll 3.16 Troll Jika Height = 2, tentukan kelas Creaturenya!
13 Fase Data Training Contoh Dataset (Smurf or Troll) :Langkah-langkah penyelesaian : 1. Menghitung STD dari trolls dan smurfs.
14 Fase Data Training Contoh Dataset (Smurf or Troll) : 2. Menghitung Prob. Likelihood dari trolls dan smurfs.
15 Fase Data Training Contoh Dataset (Smurf or Troll) : 3. Menghitung Prob. Prior dari trolls dan smurfs. 4. Sehingga didapatkan Prob. Posterior berikut : dan Jika smurf 2 ) > troll 2 ) maka Height = 2 masuk kelas Smurf. Dan sebaliknya.
16 Fase Data Training Jika fiturnya lebih dari satu, maka gunakan : Teori Peluang Biasa : Contoh : Fitur(R,T,D) Kelas(C) : rash (R), temperature (T), dizzy(d). : 1 atau 0. (Terdapat 40 data training) Fase Training : (Meringkas data training sesuai dengan frekuensi)
17 Fase Data Testing Fase Testing : Data uji x 1 = (1 1 1) x 2 = (1 0 0) x 3 = (0 1 0) Klasifikasi didasarkan pada penghitungan probabilitas posterior. Misalkan : Jika C = 1 X) > 0.5 maka C = 1 Jika tidak, maka C = 0.
18 Fase Data Training Distribusi Normal multivariate No (Width) sebagai Fitur ke-1 (Lightness) Sebagai Fitur ke-2 Kelas Salmon Sea Bass Sea Bass Salmon..... M Sea Bass
19 Fase Data Training Distribusi Normal multivariate (Data Kontinyu) : Contoh : Curvature Diameter Quality Control Result Passed Passed Passed Passed Not passed Not passed Not passed Jika diketahui Curvatur Chip Ring = 2.81 dan Diameter Chip Ring = 5.46 maka, Kelas Quality Control Result-nya masuk? (Selesaikan menggunakan teorema keputusan bayesian)
20 Fase Data Training Distribusi Normal multivariate (Data Kontinyu) : Fase Training : X = features (variables independent) Y = Kelas/ Group (variables dependent) 1. Labeling Dataset : 2. Memisahkan x berdasarkan group :
21 Fase Data Training Distribusi Normal multivariate (Data Kontinyu) : Fase Training : X = features (variables independent) Y = Kelas/ Group (variables dependent) 3. Hitung μi = mean features dari group i dan μ = mean global x i 0 4. Hitung (Mean Corrected) : (x i minus mean global)
22 Fase Data Training Distribusi Normal multivariate (Data Kontinyu) : Fase Training : 5. Hitung matrik Kovarian group i
23 Fase Data Training Distribusi Normal multivariate (Data Kontinyu) : Fase Training : 6. Hitung Likelihood dari Curvatur = 2.81 dan Diameter = 5.46 : Sehingga didapat nilai p(2.81,5.46 Passed) dan p(2.81,5.46 Not_passed) 7. Probabilitas Prior : p(passed) = 4/7 dan p(not_passed) = 3/7
24 Fase Data Testing Distribusi Normal multivariate (Data Kontinyu) : Fase Testing: Jadi Prob. Posterior Curvatur = 2.81 dan Diameter = 5.46 adalah sbb : p( Passed 2.81,5.46) p(2.81,5.46 Passed ) p( Passed ) p(2.81,5.46) p(not _ passed 2.81,5.46) = p(2.81,5.46 Not _ passed)p(not _ Passed) p(2.81, 5.46) Jika p(passed 2.81,5.46) > p(not_passed 2.81,5.46), maka Curvatur = 2.81 dan Diameter = 5.46 masuk kelas Passed. Dan sebaliknya.
25 Latihan 1 Perhatikan grafik distribusi pada proses klasifikasi ikan Sea Bass (ω 2 ) dan ikan Salmon (ω 1 ). A 1 : Memberikan hasil keputusan bahwa ikan yang diuji coba adalah termasuk kelas ikan Sea Bass. A 2 : Memberikan hasil keputusan bahwa ikan yang diuji coba adalah termasuk kelas ikan Salmon. Probabilitas Prior ikan Sea Bass dan Salmon masing-masing ω 2 ) = 2/3 dan ω 1 ) = 1/3. Biaya/Cost jika hasil klasifikasinya adalah ikan salmon, tapi sebenarnya ikan tersebut adalah ikan sea bass sebesar λ(a 2 ω 2 ) = $2, dan Biaya jika hasil klasifikasinya adalah ikan sea bass laut, tapi sebenarnya ikan tersebut adalah salmon sebesar λ(a 1 ω 1 ) = $1. Tentukan hasil keputusan klasifikasi jika input x = 13, dimana probabilitas likelihoodnya masingmasing x ω 1 ) = 0,28 dan x ω 2 ) = 0,17 dengan pertimbangan Cost/ Resiko yang ada! Penyelesaian : Diketahui : ω 1 Kelas Salmon ω 2 Kelas Sea Bass A 1 Decide Input is Sea Bass A 2 Decide Input is Salmon λ(a 2 ω 2 ) = $2 dan λ(a 1 ω 1 ) = $1 l( A i w ) 0 j satuan biaya jika A i w j ( mengarah pada kelas yang sama) l( A i w ) j 0 satuan biaya jika A i w j ( mengarah pada kelas yang berbeda)
26 Latihan 1 (Cont.) Jawab : xw1) w1) w1 x) x) (0,28)(1/ 3) xw1) w1) xw2) w2) xw2) w2) w2 x) x) (0,17)(2 / 3) xw1) w1) xw2) w2) (Menghitung Probabilitas Posterior ) (0,28)(1/ 3) ((0,28)(1/ 3)) ((0,17)(2 / 3)) 0,0924 0,0924 0,1139 (0,17)(2 / 3) ((0,28)(1/ 3)) ((0,17)(2 / 3)) 0,1139 0,0924 0,1139 0,0924 0,2063 0,1139 0,2063 0,4479 0,5521 R( A i (Menghitung Risk/Cost) 2 x) l( Ai w j ) w j x) j1 (2 menyatakan banyaknya kelas) R( A x) l( A2 w1) w1 x) l( A2 w2) w2 2 x (($ 0)(0,4479)) $ 0 $1,1042 $1,1042 (($2)(0,5521)) R( A x) l( A1 w1) w1 x) l( A1 w2) w2 1 x (($ 1)(0,4479)) (($0)(0,5521)) $ 0,4479 $0 $0,4479 Keputusan dilihat dari nilai : a( x) arg min R( A x) Melihat nilai biaya resiko dari R(A 1 x) < R(A 2 x), maka x = 13 masuk kelas Sea Bass. i ) )
27 Latihan 2 Perhatikan Dataset berikut : Jika Height = 2.90, Tentukan kelas Creaturenya!
28 Tugas Buatlah aplikasi pengenalan pola dari data UCI yang kalian kumpulkan sebelumnya Minimal menggunakan MS Excel (direkomendasikan menggunakan bahasa pemrograman tertentu, baik desktopbased maupun web-based) metode yang digunakan untuk mengenali pola adalah Teori Keputusan Bayes Ketentuan Data yang digunakan: 25 data training untuk setiap kelas 10 data testing untuk setiap kelas Gunakan hanya 3 fitur terbesar berdasarkan perhitungan nilai eigen value yang didapatkan dari tugas sebelumnya
29 Munculkan keluaran sesuai dengan tahapan-tahapan penyelesaian dalam klasifikasi menggunakan Teori Keputusan Bayes Sheet1 / Form1 Data Sheet2 / Form2 Mean, Varians, Likelihood, Prior, Posterior, dan Hasil Klasifikasi
30 /
Pengenalan Pola/ Pattern Recognition
Pengenalan Pola/ Pattern Recognition Bayesian Decision Theory Team Teaching Klasifikasi 1. Teori Keputusan Bayes ü Keputusan didukung probabilitas posterior ü Keputusan mempertimbangkan Risk/Cost 2. Fase
Lebih terperinciPengenalan Pola/ Pattern Recognition
Pengenalan Pola/ Pattern Recognition Linear Discriminant Analysis Imam Cholissodin S.Si., M.Kom. Pokok Pembahasan 1. Linear Discriminant Analysis (LDA) Pengertian Klasifikasi LDA Rumus Umum LDA 2. Case
Lebih terperinciPengenalan Pola. Klasifikasi Linear Discriminant Analysis
Pengenalan Pola Klasifiasi Linear Discriminant Analysis PTIIK - 2014 Course Contents 1 Analisis Disriminan 2 Linear Classification 3 Linear Discriminant Analysis (LDA 4 Studi Kasus dan Latihan Analisis
Lebih terperinciPengenalan Pola. Klasifikasi Naïve Bayes
Pengenalan Pola Klasifikasi Naïve Bayes PTIIK - 2014 Course Contents 1 Naïve Bayes Classifier 2 Fase Training 3 Fase Testing 4 Studi Kasus dan Latihan Naïve Bayes Classifier Metode klasifikasi ini diturunkan
Lebih terperinciMetode klasifikasi Naïve Bayes. Team teaching
Metode klasifikasi Naïve Bayes Team teaching Metode klasifikasi ini diturunkan dari penerapan teorema Bayes dengan asumsi independence (saling bebas), Naive Bayes Classifier adalah metode pengklasifikasian
Lebih terperinciPENDAHULUAN. CuSum. Univariate EWMA MEWMA. Multivariate Hotelling. Kosumen. Kualitas Baik. Peta Kendali. Pengendalian Kualitas
PENDAHULUAN Kosumen Kualitas Baik Univariate CuSum EWMA Peta Kendali Pengendalian Kualitas MEWMA Multivariate Hotelling PENDAHULUAN R U M U S A N M A S A L A H 1. Bagaimana prosedur pembentukan peta kendali
Lebih terperinci28/09/2012 SAMPLE SPACE, SAMPLE POINTS, EVENTS. ω Ω
SAMPLE SPACE, SAMPLE POINTS, EVENTS Sample space,ω, Ω adalah sekumpulan semua sample points,ω, ω yang mungkin; dimana ω Ω Contoh 1. Melemparkan satu buah koin:ω={gambar,angka} Contoh 2. Menggelindingkan
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciPERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI. Abstrak
PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI Dwi Yuli Rakhmawati, Muhammad Mashuri 2,2) Institut Teknologi Sepuluh Nopember dwiyuli_rakhmawati@yahoo.com,
Lebih terperinciPertemuan 8 & 9. Distribusi Probab Multivariat Distr Multivar untuk Kombinasi Linier Uji Hipotesis Kesamaan Mean
Pertemuan 8 & 9 Distribusi Probab Multivariat Distr Multivar untuk Kombinasi Linier Uji Hipotesis Kesamaan Mean Distribusi Normal Multivariat Ingat V.R.Univariat Variabel random univariat X berdistribusi
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta
Lebih terperinciCONTOH KASUS DATA MINING
CONTOH KASUS DATA MINING CONTOH KASUS DATA MINING Sebuah rumah sakit ingin ingin menekan biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan
Lebih terperinciDIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP
1 DIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP Achmad Ramadhan Safutra 1, Dwi Wahyu Prabowo 1 1 Jurusan Sistem Informasi, Fakultas Ilmu Komputer Universitas Darwan
Lebih terperinci( ) ( ) (3) II-1 ( ) ( )
BAB II LANDASAN TEORI 2.1 Naïve Bayes Classifier 2.1.1 Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan
Lebih terperinciDeteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013)
Deteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013) Dwiningrum Prihastiwi, Dadang Juandi, Nar Herrhyanto
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (Studi Kasus : Calon Pendonor Darah di Kota Semarang)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 2, Tahun 2017, Halaman 193-200 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciTTG3B3 - Sistem Komunikasi 2 MAP & ML Detection
TTG3B3 - Sistem Komunikasi 2 MAP & ML Detection S1 Teknik Telekomunikasi Fakultas Teknik Elektro Universitas Telkom Oleh: Linda Meylani Agus D. Prasetyo Tujuan Pembelajaran Memahami dan menjelaskan konsep
Lebih terperinciPERCOBAAN 3 PROBABILITAS KONDISIONAL, MARGINAL DAN TEOREMA BAYES
PERCOBAAN 3 PROBABILITAS KONDISIONAL, MARGINAL DAN TEOREMA BAYES 3.1. Tujuan : Setelah melaksanakan praktikum ini mahasiswa diharapkan mampu : Membuat pemrograman untuk penyelesaian kasus menggunakan probabilitas
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciAPLIKASI SURVEY POLITIK UNIVERSITAS BRAWIJAYA MALANG (ASUPOL) : STUDI KASUS PEMILIHAN BEM PTIIK 2012 (PEMILWA 2012)
APLIKASI SURVEY POLITIK UNIVERSITAS BRAWIJAYA MALANG (ASUPOL) : STUDI KASUS PEMILIHAN BEM PTIIK 2012 (PEMILWA 2012) Afiqie Fadhihansah 1*, Dio Dharmawan 1**, Fridha Agustina 1**, Irwan Nugrahanto 1*, Maharani
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 1-10 Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 1-10 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN ANALISIS DISKRIMINAN FISHER DAN NAIVE BAYES UNTUK
Lebih terperinciPENS. Probability and Random Process. Topik 4. Variabel Acak dan Distribusi Probabilitas. Prima Kristalina April 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 4. Variabel Acak dan Distribusi Probabilitas Prima Kristalina April 2015 1 Outline 1. Definisi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciPengenalan Pola. K-Means Clustering
Pengenalan Pola K-Means Clustering PTIIK - 2014 Course Contents 1 Definisi k-means 2 Algoritma k-means 3 Studi Kasus 4 Latihan dan Diskusi K-Means Clustering K-Means merupakan salah satu metode pengelompokan
Lebih terperinciLAMPIRAN 1. Struktur Organisasi PT. Soho
8 LAMPIRAN Struktur Organisasi PT. Soho 83 LAMPIRAN Perhitungan Jumlah Sampel Minimum Menurut Sritomo (995, p 84), untuk menetapkan jumlah observasi yang seharusnya dibuat (N ) maka disini harus diputuskan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Inferensi adalah adalah suatu proses untuk menghasilkan informasi dari fakta yang diketahui. Inferensi juga dikatakan suatu konklusi logis atau implikasi berdasarkan
Lebih terperinciREKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
Lebih terperinciSAINTEKBU: Jurnal Sains dan Teknologi Volume 9 No.2 Mei 2017 EVALUASI INTERNAL PROGRAM STUDI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (NBC)
SAINTEKBU: Jurnal Sains dan Teknologi Volume 9 No.2 Mei 2017 EVALUASI INTERNAL PROGRAM STUDI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (NBC) Yoseph Pius Kurniawan Kelen 1 1) Universitas Timor-Kefamenanu
Lebih terperinciSISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN MENGGUNAKAN METODE NAIVE BAYES (STUDI KASUS KREDIT SEPEDA MOTOR)
SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN MENGGUNAKAN METODE NAIVE BAYES (STUDI KASUS KREDIT SEPEDA MOTOR) 1 Jatmika, S.Si, M.Kom 2 Lilis Anggraeni 1,2,3 Jurusan Komputer, Teknik Informatika, Fakultas Sains
Lebih terperinciMK. PERENCANAAN LINGKUNGAN ANALISIS PEUBAH GANDA MULTIVARIATE ANALYSIS
MK. PERENCANAAN LINGKUNGAN ANALISIS PEUBAH GANDA MULTIVARIATE ANALYSIS Oleh: Prof.Dr.Ir.Soemarno,M.S Obyek Pengamatan Variabel X4 Variabel X1 Variabel X2 Variabel X3 Variabel Xn Multi-Variabel Metode analisis
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciSkenario Payoff Magnitude terhadap Kecenderungan Pengambilan Risiko. Skenario Pengambilan Keputusan Investasi (Baird et al., 2008)
LAMPIRAN Skenario Payoff Magnitude terhadap Kecenderungan Pengambilan Risiko Data Responden NIM : Jenis Kelamin : L / P Usia : Skenario Pengambilan Keputusan Investasi (Baird et al., 2008) Bayangkan anda
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki intensitas yang berbeda. Faktor penyebabnya dapat terjadi
Lebih terperinciESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN
ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarani a, Adi Setiawan b, Hanna Arini Parhusip c a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6
Lebih terperinciANALISIS PERFORMA ALGORITME WEIGHTED NAIVE BAYES CLASSIFIER. Abstrak
ANALISIS PERFORMA ALGORITME WEIGHTED NAIVE BAYES CLASSIFIER Burhan Alfironi Muktamar Program Studi Teknik Informatika STMIK Jenderal Achmad Yani burhanalfironimuktamar@gmail.com Abstrak Naïve Bayes Classifier
Lebih terperinciBAB II KAJIAN PUSTAKA. pola seperti teknik statistic dan matematika (Larose, 2005).
BAB II KAJIAN PUSTAKA A. Data Minning Data minning adalah suatu proses menemukan hubungan yang berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan
Lebih terperinciThe Central Limit Theorem
Kesumawati Prodi Statistika FMIPA-UII March 30, 2015 Sifat-Sifat Distribusi Sampel Sifat-sifat dari distribusi sampel tersebut dikenal dengan Central Limit Theorem 1. Bentuk distribusi dari rata-rata sampel
Lebih terperinciIKI30320 Kuliah Nov Ruli Manurung. Uncertainty. Probability theory. Semantics & Syntax. Inference. Ringkasan
Outline IKI 30320: Sistem Cerdas : Probabilistic Reasoning 1 2 3 Fakultas Ilmu Komputer Universitas Indonesia 4 21 November 2007 5 Knowledge engineering di FKG Duniah penuh ketidakpastian (uncertainty)
Lebih terperinciImplementasi Pengembangan Smart Helpdesk di UPT TIK UNS Menggunakan Algoritma Naive Bayes Classifier
Implementasi Pengembangan Smart Helpdesk di UPT TIK UNS Menggunakan Algoritma Naive Bayes Classifier Wachid Daga Suryono 1, Ristu Saptono 2, Wiranto 3 Program Studi Informatika, Fakultas Matematika dan
Lebih terperinciAnalisis Regresi dan Analisis Diskriminan untuk Mengukur Tingkat Akurasi Feature Citra Termogram
ELECTRICIA Jurnal Rekayasa dan Teknologi Elektro Analisis Regresi dan Analisis Diskriminan untuk Mengukur Tingkat Akurasi Feature Citra Termogram Oky Dwi urhayati Jurusan Sistem Komputer, Fakultas Teknik
Lebih terperinciKLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION DAN NAIVE BAYES
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 99-111 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN
Lebih terperinciABSTRAK. Kata Kunci: kredit, klasifikasi, analisis diskriminan kernel
ABSTRAK Kredit merupakan aset yang paling besar yang dikelola bank dan juga merupakan kontributor yang paling dominan terhadap pendapatan bank. Namun, kegiatan menyalurkan kredit mengandung risiko yang
Lebih terperinciAPLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS
APLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS Sulistio PT Adicipta Inovasi Teknologi (AdIns) Jakarta email : sulistio.workmail@gmail.com Abstrak Aplikasi Prediksi Status
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciINFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl
Lebih terperinciPENGAMBILAN KEPUTUSAN RISIKO MENGGUNAKAN METODE BAYES DAN FUNGSI UTILITAS SKRIPSI BINARA TUA JOSEN SIMANJUNTAK
PENGAMBILAN KEPUTUSAN RISIKO MENGGUNAKAN METODE BAYES DAN FUNGSI UTILITAS SKRIPSI BINARA TUA JOSEN SIMANJUNTAK 090823061 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciPENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA ABSTRAK
PENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA Rahmanika Ratna Sari 1, Hanny Haryanto 2 1,2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciABSTRAK. Kunci : Return Saham, Pasar Efisien, ARIMA. Universitas Kristen Maranatha
ABSTRAK Dalam berinvestasi di pasar modal, ada dua hal yang harus dipertimbangkan seorang investor dalam mengambil suatu keputusan berinvestasi yaitu return (tingkat pengembalian) dan risk (resiko). Tujuan
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan Penelitian Manfaat Penelitian... 4
DAFTAR ISI Halaman Judul... Halaman Pengesahan... Halaman Pernyataan... Halaman Pernyataan Publikasi... Kata Pengantar... Daftar Isi... Daftar Gambar... Daftar Tabel... Daftar Arti Lambang... Daftar Singkatan...
Lebih terperinciKOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA
KOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA 3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati Septiani Program Studi Informatika Universitas Indraprasta PGRI
Lebih terperinciANALISIS STRUCTURAL EQUATION MODEL DENGAN PENDEKATAN BAYESIAN
JIMT Vol. 11 No. 1 Juni 2014 (Hal. 105 118) Jurnal Ilmiah Matematika dan Terapan ISSN : 2450 766X ANALISIS STRUCTURAL EQUATION MODEL DENGAN PENDEKATAN BAYESIAN H. Sain 1 Program Studi Statistik Jurusan
Lebih terperinciKlasifikasi dan Pengenalan Pola
Klasifikasi dan Pengenalan Pola 1 Features Vector Separability Measures Pada pertemuan yang lalu, kekuatan ciri untuk membedakan kelas diukur secara individual, yaitu menggunakan FDR. Kekuatan kombinasi
Lebih terperinciPengenalan Pola. Dasar Pengenalan Pola
Pengenalan Pola Dasar Pengenalan Pola PTIIK - 2014 Course Contents 1 Pola, Kelas Pola, dan Pengenalan Pola 2 Persepsi Manusia dan Mesin 3 Proses Pengenalan Pola 4 Studi Kasus Pola Pola adalah Objek, Proses,
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
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
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciSTATISTIKA UNIPA SURABAYA
MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi
Lebih terperincioleh: Tri Budi Santoso Signal Processing Group Electronic Engineering Polytechnic Institute of Surabaya-ITS
Dasar Statistik untuk Pemodelan dan Simulasi oleh: Tri Budi Santoso Signal Processing Group Electronic Engineering Polytechnic Institute of Surabaya-ITS . Probabilitas Probabilitas=Peluang, bisa diartikan
Lebih terperinciPertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu
Pertemuan ke 5 4.1 Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Fungsi Probabilitas dengan variabel kontinu terdiri dari : 1. Distribusi Normal 2. Distribusi T 3. Distribusi Chi Kuadrat
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 651-659 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI TINGKAT KELANCARAN NASABAH DALAM MEMBAYAR PREMI
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Anak merupakan sebuah karunia bagi setiap orangtua. Setiap anak diharapkan dapat tumbuh dan berkembang secara sehat, baik fisik, mental dan sosial sesuai dengan pertambahan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Abnormal Psychology merupakan salah satu cabang dalam ilmu psikologi yang berupaya untuk memahami pola perilaku abnormal dan cara menolong orang-orang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan langkah-langkah atau metode penelitian sebagai berikut: 1. Penentuan Masalah Penentuan masalah ini diperoleh dari studi literature
Lebih terperinciPerbedaan Analisis Univariat dan Multivariat
Perbedaan Analisis Univariat dan Multivariat Jika kita menganalisis data yang mempunyai lebih dari satu variabel, belum tentu analisis data tersebut dikategorikan analisis multivariat, bisa saja analisis
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisa Masalah Analisis masalah atau analisis sistem di artikan sebagai penguraian dari suatu sistem informasi yang utuh ke dalam bagian-bagian komponennya dengan
Lebih terperinciBAB 4 HASIL PENELITIAN DAN PEMBAHASAN
BAB 4 HASIL PENELITIAN DAN PEMBAHASAN 4.1 Hasil Survei Untuk memperoleh data dari responden digunakan lembaran kuesioner yang disebar mulai bulan Agustus 2005 hingga September 2005. Adapun contoh kuesioner
Lebih terperinciJurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA. Distribusi Normal. 1-Sep-14
Jurusan Teknik Sipil dan Lingkungan Universitas Gadjah Mada STATISTIKA Distribusi Normal 1-Sep-14 http://istiarto.staff.ugm.ac.id 1 Distribusi Binomial Ingat contoh pemilihan 1 kegiatan (Kegiatan A) dari
Lebih terperinci6. Teori Estimasi. EL2002-Probabilitas dan Statistik. Dosen: Andriyan B. Suksmono
6. Teori Estimasi EL2002-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Pendahuluan Inferensi statistik adalah metoda untuk menarik inferensi atau membuat generalisasi dari suatu populasi. Ada
Lebih terperinciAlfa Saleh. Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAÏVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH PROFICIENCY TEST (Studi Kasus : Universitas Potensi Utama) Alfa Saleh Teknik Informatika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB III KALMAN FILTER DISKRIT. Kalman Filter adalah rangkaian teknik perhitungan matematika (algoritma)
BAB III KALMAN FILTER DISKRIT 3.1 Pendahuluan Kalman Filter adalah rangkaian teknik perhitungan matematika (algoritma) yang memberikan perhitungan efisien dalam mengestimasi state proses, yaitu dengan
Lebih terperinciESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI
ESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI GHAZALI WARDHONO 090823040 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini sering terjadi data explosion problem yaitu data data yang tersimpan dalam database berjumlah sangat besar namun dari data data tersebut belum banyak dimanfaatkan
Lebih terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciMetode Kernel. Machine Learning
MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciAPLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES
APLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Teknik (S.Kom) Pada Program Studi Teknik Informatika Oleh:
Lebih terperinciAlgoritma Dasar. 4.1 Naive Bayes
4 Algoritma Dasar It is a capital mistake to theorize before one has data. Arthur Conan Doyle Sebelum masuk ke algoritma machine learning yang cukup modern/ matematis, kami akan memberi contoh algoritma
Lebih terperinciSISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
SISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Masalah Analisis masalah bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Sistem Penunjang Keputusan Untuk Menentukan Kualitas Ekspor
Lebih terperinciMetode Bayes. Tim Machine Learning
Metode Bayes Tim Machine Learning Mengapa Metode Bayes Metode Find-S tidak dapat digunakan untuk data yang tidak konsisten dan data yang bias, sehingga untuk bentuk data semacam ini salah satu metode sederhana
Lebih terperinciSTATISTIK PERTEMUAN VI
STATISTIK PERTEMUAN VI 1. TEORI PENDUKUNG 1.1 Pendahuluan 1. Variabel acak 1.3 Distribusi variabel acak diskrit 1.4 Distribusi variabel acak kontinu 1.5 Distribusi multivariat 1.1 Pendahuluan Definisi
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciBAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK
BAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK Bab ini menjelaskan perancangan dan implementasi yang dilakukan. Tahap pertama dimulai dengan merancang beberapa classifier yaitu jaringan saraf tiruan
Lebih terperinciSistem Komunikasi II (Digital Communication Systems)
Sistem Komunikasi II (Digital Communication Systems) Lecture #1: Stochastic Random Process Topik: 1.1 Pengenalan Sistem Komunikasi Digital. 1.2 Pendahuluan Stochastic Random Process. 1.3 Random Variable
Lebih terperinciHUBUNGAN ANTAR PEUBAH
HUBUNGAN ANTAR PEUBAH DALAM ANALISIS INGIN DIKETAHUI ATAU DIEVALUASI HUBUNGAN ATAU KETERKAITAN ANTAR PEUBAH Hubungan Antar Peubah Besarnya gaji Lama bekerja 1 Hubungan Antar Peubah (lanjutan) Pendapatan
Lebih terperinciNilai harapan suatu variabel acak x ditulis E (x) didefinisikan E (x) = Σ x. f (x) Var (x) = σ x 2 = E [ x E (x) ] 2 = E (x 2 ) { E (x) } 2
Pertemuan ke- 4 BAB III POPULASI, SAMPEL & DISTRIBUSI TEORITIS VARIABEL DISKRIT DAN FUNGSI PROBABILITAS 3.1 Variabel Random atau Variabel Acak Variabel yang nilainya merupakan suatu bilangan yang ditentukan
Lebih terperinciterhadap kesehatan persalinan. Sehingga tak heran jika negara-negara maju di
Nama: Ummi Fadilah NIM: 12/339683/PPA/3995 Teori Resiko Aktuaria PROSES PEMODELAN PENDAHULUAN Salah satu ciri dari negara maju adalah pemerintah dan masyarakat yang peduli terhadap kesehatan persalinan.
Lebih terperinciANALISIS BERPIKIR PROBABILISTIK MAHASISWA PENDIDIKAN MATEMATIKA IKIP PGRI PONTIANAK DALAM MATA KULIAH TEORI PELUANG
ANALISIS BERPIKIR PROBABILISTIK MAHASISWA PENDIDIKAN MATEMATIKA IKIP PGRI PONTIANAK DALAM MATA KULIAH TEORI PELUANG Hodiyanto 1, Dwi Oktaviana 2 1,2 Program Studi Pendidikan Matematika Fakultas Pendidikan
Lebih terperinciIKI 30320: Sistem Cerdas Kuliah 16: Probabilistic Reasoning
IKI 30320: Sistem Cerdas : Probabilistic Reasoning Fakultas Ilmu Komputer Universitas Indonesia 21 November 2007 Outline 1 2 3 4 5 Outline 1 2 3 4 5 Knowledge engineering di FKG Anda diminta membuat agent
Lebih terperinciPENERAPAN MODEL PEMBELAJARAN RECIPROCAL TEACHING TERHADAP KEMAMPUAN PEMAHAMAN KONSEP MATEMATIKA SISWA
OPEN ACCESS MES (Journal of Mathematics Education and Science) ISSN: 2579-6550 (online) 2528-4363 (print) Vol. 3, No. 1. Oktober 2017 PENERAPAN MODEL PEMBELAJARAN RECIPROCAL TEACHING TERHADAP KEMAMPUAN
Lebih terperinciTidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan
Terdapat banyak jenis pola: Pola visual Pola temporal Pola logikal Tidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan Statistik
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA.'\ ... f - -~." jt.. "
... f - -~." jt.. " ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA.'\ r P fi'. ":' 1)":- < /r J ESTIMASI PABAMETEll DISTRIBUSI LOGNORMAL MENGGUNAIAN METODR BAYES BBRDASARKAN PRIORINFORMATIF. ( BBTrI KRISDlANA
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciTHE APPLICATION OF DATA MINING FOR OLD STUDENT TO PREDICTION STUDIES USING NAIVE BAYES AND ADABOOST METHOD
THE APPLICATION OF DATA MINING FOR OLD STUDENT TO PREDICTION STUDIES USING NAIVE BAYES AND ADABOOST METHOD 1 JACOB SOARES, 2 ALBERTUS JOKO SANTOSO, 3 SUYOTO 1, 2, 3 Universitas Atma Jaya Yogyakarta E-mail:
Lebih terperinciBI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Dist
BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciPEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER
PEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Jl.
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ANALISIS CLUSTER PADA DOKUMEN TEKS Budi Susanto (versi 1.3) Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep analisis clustering Memahami
Lebih terperinciPendahuluan. Desain & Implementasi. Uji coba & Evaluasi. Kesimpulan
1 Pendahuluan Desain & Implementasi Uji coba & Evaluasi Kesimpulan 2 Latar Belakang Evaluasi performa: Mengukur kualitas algoritma Evaluasi algoritma deteksi struktur garis lengkung 3 Struktur garis lengkung
Lebih terperinci