Pengenalan Pola/ Pattern Recognition

Transkripsi

1 egeala ola/ atter Recogitio Metode klasifikasi Naïve Bayes Imam holissodi S.Si., M.Kom.

2 okok embahasa. Naïve Bayes lassifier egertia Klasifikasi Naïve Bayes Rumus Umum Naïve Bayes. ase Study 3. Latiha & Tugas

3 Klasifikasi Naïve Bayes Muculya ide metode klasifikasi Naïve Bayes : Metode klasifikasi ii dituruka dari peerapa teorema Bayes dega asumsi idepedece salig bebas. Naïve Bayes lassifier adalah metode pegklasifikasia palig sederhaa dari model pegklasifikasia yag ada dega megguaka kosep peluag, dimaa diasumsika bahwa setiap atribut cotoh data sampel bersifat salig lepas satu sama lai berdasarka atribut kelas.

4 Klasifikasi Naïve Bayes pa yag dapat kita lakuka apabila datad mempuyai beberapa atribut atau fitur? sumsi Naïve Bayes : tribut yag medeskripsika cotoh data adalah salig idepede pada hipotesis klasifikasi. Naïve Bayes megedepaka peyerderhaaa, sehigga kemugkia hasil keputusa tidak sesuai realita yag ada. Namu metode ii bekera dega baik secara praktis. Beberapa aplikasi yag telah dikembagka dega metode klasifikasi Naïve Bayes : Diagosa Medis Klasifikasi Teks t d h a,...,a T h a t h

5 Klasifikasi Naïve Bayes sumsika diatara fitur i adalah idepede pada suatu kelas. Rumus umum Naïve Bayes : robabilitas Likelihood : robabilitas osterior : d = {,,, } data d dega fitur sampai merupaka kelas...,...,, d,...,,,...,,,...,,,...,, i i

6 Fase Traiig & Testig Tahap embelaara Traiig : ada setiap kelas, estimasika rior. ada setiap fitur, estimasika Likelihood =v i utuk setiap ilai fitur v i. Tahap eguia Testig : beberapa fitur v, v,...,, v k, pilih kelas yag memaksimalka osterior :,...,,,...,, i i

7 Naïve Bayes Data Kotiyu of Naive bayes classifier uga dapat meagai atribut bertipe kotiyu. Salah satu caraya adalah megguaka distribusi Gaussia. Distribusi ii dikarakterisasi dega dua parameter yaitu mea μ, da variasiσ. Utuk setiap kelas Y, peluag kelas bersyarat utuk atribut X i diyataka dega persamaa distribusi Gaussia.

8 Naïve Bayes Data Kotiyu of Fugsi desitas megekspresika probabilitas relatif. Data dega mea μ da stadar deviasi σ, fugsi desitas probabilitasya adalah :, x x e μ da σ dapat diestimasi dari data, utuk setiap kelas., x utuk meghitug Likelihood X

9 , x Visualisasi Data Kotiyu, x x e x

10 Trik Review aper Tugas aper Ditulis Maks. Hal. 5 Tema : Naïve Bayes. Judul Tahu aper , Eglish/Idoesia roblem Base Idetifikasi permasalaha yag diselesaika dalam aper, lasa kuat peeliti megagat permasalaha tersebut. Metode Uraia sigkat metode, kelebiha da kekuraga metode. Hasil Hasil umerik : akurasi, precisio & recall, etc ika ada, atau hasil kesimpula berupa statemet sigkat. ortal Jural : computer.org, scholar.google.com, sciecedirect.com, acm.org/publicatios/ourals, spriger.com, ieee.org, etc

11 otoh Studi Kasus I Implemetasi : Megaalisa mutu buah eruk Megumpulka iformasi tetag eruk mais. Megaalisa da meracag peragkat luak yag diguaka utuk meetuka mutu buah eruk mais berdasarka wara RGB da diameter dega megguaka metode Naïve Bayes.

12 otoh Studi Kasus I Utuk meghitug peluag, lagkah-lagkah yag dilakuka sebagai berikut : Membuat image meadi skala keabua grey-scale. Biarisasi. ada tahap ii bergua utuk merubah ilai piksel image meadi 0 da. Nilai 0 utuk meggambarka latar belakag, ilai utuk obek buah eruk. Max Filter. Tahap ii diperluka utuk meghilagka ilai piksel tetapi buka bagia dari buah eruk. Temuka arameter. Tahap ii diguaka meghitug ilai rata-rata Red, Gree, Blue, da meghitug diameter buah eruk.

13 otoh Studi Kasus I Bila parameter rata-rata R,G,B da diameter D sudah diketahui, maka utuk Meetuka Mutu Buah Jeruk memiliki lagkahlagkah sbb: p:hitug eluag R,G,B,D pada kelas p:hitug eluag R,G,B,D pada kelas B p3:hitug eluag R,G,B,D pada kelas p4:hitug eluag R,G,B,D pada kelas BS Rules Base : if p>=p ad p>=p3 ad p>=p4 the Output 'Quality with probability p if p>=p ad p>=p3 ad p>=p4 the Output 'Quality B with probability p if p3>=p ad p3>=p ad p3>=p4 the Output 'Quality with probability p3' if p4>=p ad p4>=p ad p4>=p3 the Output 'Quality BS with probability p4'

14 otoh Studi Kasus I Iterface rogram : Keteraga : Display gambar eruk yag aka diui mutuya. ada gambar tersebut terdapat dua garis vertikal. Jarak atara dua garis vertikal tersebut diguaka utuk meghitug diameter buah eruk. display utuk megetahui mutu eruk yag sedag ditampilka. ada image yag ditampilka, mutu yag dihasilka adalah BS.

15 otoh Studi Kasus II lay Teis data : Hari uaca Suhu Kelembaba rah gi lay Teis erah aas Tiggi Stabil Tidak erah aas Tiggi Labil Tidak 3 Medug aas Tiggi Stabil Ya 4 Hua Sedag Tiggi Stabil Ya 5 Hua Digi Normal Stabil Ya 6 Hua Digi Normal Labil Tidak 7 Medug Digi Normal Labil Ya 8 erah Digi Tiggi Stabil Tidak 9 erah Digi Normal Stabil Ya 0 Hua Sedag Normal Stabil Ya erah Sedag Normal Labil Ya Medug Sedag Tiggi Labil Ya 3 Medug aas Normal Stabil Ya 4 Hua Sedag Tiggi Labil Tidak Tetuka Keputusa Bermai Teis Ya atau Tidak dega kodisi fitur x=uaca=erah, Suhu=Digi, Kelembaba=Tiggi, gi=labil!

16 otoh Studi Kasus II eyelesaia : Diketahui : x = uaca=erah, Suhu=Digi, Kelembaba=Tiggi, gi=labil! Megguaka Kosep Naïve Bayes : hnb arg max h x h h[ Ya, Tidak] arg max h at h h[ Ya, Tidak] t arg max h ua er h Suh Dig h Kel Tig h g Lab h h[ Ya, Tidak] Meghitug robabilitas utuk layteis Ya atau Tidak : layteis Ya 9/ layteis Tidak 5/ gi gi etc. erah Ya Digi Ya Tiggi Ya Labil Ya Ya erah Tidak Digi Tidak Tiggi Tidak Labil Tidak Tidak Karea Tidak Labil layteis Ya 3/ Labil layteis Tidak 3/ x Ya x mak a layteisx Tidak 0.00

17 Selesai