Pengenalan Pola/ Pattern Recognition
|
|
- Deddy Santoso
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Pengenalan Pola/ Pattern Recognition Bayesian Decision Theory Team Teaching
2 Klasifikasi 1. Teori Keputusan Bayes ü Keputusan didukung probabilitas posterior ü Keputusan mempertimbangkan Risk/Cost 2. Fase Training & Testing Data Univariate Normal Distribution Multivariate Normal Distribution
3 Klasifikasi Memberikan label kelas kepada obek baru yang belum diketahui kelasnya tau Memasukkan obek ke dalam kelas tertentu
4 Prosedur Keputusan Bayes Prosedur pengenalan pola dan pengambilan keputusan Obect Collect Data Observables X Feature Selection Features x sta0s0cal Inference risk/cost minimiza0on Inner belief w c0on α X --- merupakan semua data observasi menggunakan sensors dan instruments yang tersedia x --- merupakan himpunan fitur yang dipilih dari komponen X, atau fungsi linier dari X. w --- adalah inner belief/perception tentang subect dari kelas/group/kategori. α --- adalah aksi/keputusan yang kita ambil untuk x. Dari prosedur tersebut didapatkan definisi dari 3 ruang vektor sebagai berikut: x Ω d, w Ω k, α Ω α x = { x 1, x w= { w, w 1 2,..., x 2 d },..., w k adalah } adalah vector dan d menyatakan banyak fitur kelas pola dan k menyatakan banyak kelas
5 Contoh Klasifikasi Ikan X=adalah Image/ citra ikan, Diagnosis Medis X= semua hasil test medis, citra hasil scan x=(brightness, length, fin,.) w=tingkat kepercayaan kita bahwa tipe ikan tersebut adalah { sea bass, salmon, trout, } x =(blood pressure, glucose level, cough, x- ray.) W=tipe penyakit yang diderita yaitu { Flu, cold, TB, pneumonia, lung cancer } α=merupakan keputusan tipe ikan yang dipilih, pada kasus ini { sea bass, salmon, trout, } α=keputusan untuk penanganan yang diberikan pada pasien, yaitu { Tylenol, Hospitalize, }
6 Fokus Metode subects Observables X Features x Inner belief w Decision α Collect Data: control sensors Feature Selec0on sta0s0cal Inference risk/cost minimiza0on Pada teori keputusan Bayes, kita perhatikan dua langkah terakhir yang mengasumsikan bahwa observasi telah dilakukan dan fitur telah dipilih sebelumnya.
7 Teori Keputusan Bayes Features x sta0s0cal Inference Inner belief p(w x) risk/cost minimiza0on Decision α(x) Two probability tables: a). Prior p(w) b). Likelihood p(x w) risk/cost function (is a two-way table) λ(α 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) = λ( i w )p(w x) = 1 R( α α
8 Bayesian Statistical Inference Features x sta0s0cal Inference Inner belief p(w x) risk/cost minimiza0on Decision α(x)
9 Teorema Bayes Menggunakan teori peluang bersyarat p ( w x) = p( x w) p( w) p( x) w = kelas x = feature {x 1, x 2,.. x n } p(w x) = Posterior p(x w) = likelihood p(w) = prior p(x) = evidence
10 Prior Probaility Prior probability adalah peluang kemunculan sebuah kelas dari seluruh pengamatan yang dilakukan Dikatakan prior sebab peluang ini diadikan pengetahuan awal/ pengerahuan dasar atau prior believe/kepercayaan dasar, sebelum memperha0kan faktor lainnya. Misalkan dalam sebuah pengamatan kolam ikan, terdapat dua ikan, yaitu ikan lele (ω 1 ) dan ikan pa0n (ω 2 ): Dilakukan pengambilan ikan secara acak sebanyak 10 kali. Dari 10 kali pengambilan didapatkan 7 ikan lele dan 3 ikan patin. Jika kemudian suatu saat dilakukan pengambilan ikan lagi, yang langsung dimasukkan ke dalam karung tanpa terlihat (fiturnya tidak terlihat), maka Probabilitas prior ikan baru ini adalah ikan lele adalah P (ω 1 ) = 7/10 = 0.7 Probabilitas prior ikan baru ini adalah ikan patin adalah P (ω 2 ) = 3/10 = 0.3 turan keputusan untuk ikan baru : Karena ω 1 ) > ω 2 ), maka kepercayan dasar kita, bahwa ikan ke-11 yang ada di dalam karung adalah ikan lele
11 Likelihood Likelihood adalah peluang kemunculan nilai-nilai fitur pada kelas tertentu Misalkan dari pengamatan 10 ikan yang diambil, yaitu 7 ikan lele dan 3 ikan patin. Dengan menggunakan fitur panang kumis x = {panang, pendek} Dari 7 ikan lele yang diambil, 5 ekor memiliki kumis panang, dan 2 ekor memiliki kumis pendek. Dari 3 ikan patin yang diambil, semua berkumis pendek Maka likelihoodnya: Peluang yang kumis panang adalah lele: kumis=panang lele) = 5/7 Peluang yang kumis panang adalah patin: kumis=panang patin) = 0/3 Peluang yang kumis pendek adalah lele: kumis=pendek lele) = 2/7 Peluang yang kumis pendek adalah patin: kumis=pendek patin) = 3/3
12 Evidence Menghitung peluang kemunculan nilai-nilai fitur dari semua pengamatan Misalkan dari pengamatan 10 ikan yang diambil, yaitu 7 ikan lele dan 3 ikan patin. Dengan menggunakan fitur panang kumis x = {panang, pendek} Dari 7 ikan lele yang diambil, 5 ekor memiliki kumis panang, dan 2 ekor memiliki kumis pendek. Dari 3 ikan patin yang diambil, semuanya berkumis pendek Maka evidencenya: Peluang kemunculan ikan berkumis panang (entah lele ataupun patin) dari seluruh pengamatan adalah kumis panang) = 5/10 Peluang kemunculan ikan berkumis pendek (entah lele ataupun patin) dari seluruh pengamatan adalah kumis pendek) = 5/10 Catatan: sering kali nilai evidence ini tidak perlu dihitung, sebab dalam kasus klasifikasi, yang dicari adalah nilai peluang yang terbesar, dan evidence dalam rumus bayes adalah penyebut yang nilainya sama untuk setiap kelas
13 Contoh No Panang Kumis Kelas Ikan 1 Panang Lele 2 Panang Lele 3 Panang Lele 4 Panang Lele 5 Panang Lele 6 Pendek Lele 7 Pendek Lele 8 Pendek Patin 9 Pendek Patin 10 Pendek Patin 11 Pendek?
14 Contoh 2 Bagaimana ika fiturnya dalah data numerik yang bersifat kontinyu?
15 Fase Data Training Contoh Dataset (Smurf or Troll) : (Misal hanya menggunakan 1 fitur, yaitu Height ) à menggunakan konsep univariate normal distribution. No Height Creature Smurf Smurf Smurf Smurf Troll Troll Troll Jika data ke-8 memiliki Height = 2, tentukan kelas Creaturenya!
16 Fase Data Training Karena data fiturnya adalah data kontinyu, maka perhitungan peluangnya dengan menggunakan sebaran normal Langkah-langkah penyelesaian : 1. Menghitung Standar Deviasi dari trolls dan smurfs Stroll dan Ssmurf.
17 Fase Data Training 2. Menghitung Prob. Likelihood dari trolls dan smurfs.
18 Fase Data Training 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.
19 Bagaimana ika datanya memiliki fitur lebih dari satu?
20 Fase Data Training Jika fiturnya lebih dari satu, maka dapat digunakan : 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)
21 Fase Data Testing Tentukan kelas dari sebuah obek, ika fiturnya R = 0, T =1, dan D = 0 Karena C=0 010) > C= 1 010), maka data itu masuk ke kelas 0
22 Bagaimana ika fiturnya lebih dari satu, dan datanya continyu? Sangat rumit, dan melibatkan pangkat matriks. Perhatikan contoh berikut!
23 Fase Data Training No (Width) sebagai Fitur ke-1 (Lightness) Sebagai Fitur ke-2 Kelas Salmon Sea Bass Sea Bass Salmon..... M Sea Bass
24 Fase Data Training Jika fiturnya lebih dari satu, maka gunakan : 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, Tentukan kelas Quality Control Result-nya?
25 Fase Data Training Jika fiturnya lebih dari satu, maka gunakan : Distribusi Normal multivariate (Data Kontinyu) : Fase Training : X = features (variables independent) Y = Kelas/ Group (variables dependent) 1. Labeling Dataset : 2. Memisahkan x berdasarkan group :
26 Fase Data Training Jika fiturnya lebih dari satu, maka gunakan : 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)
27 Fase Data Training Jika fiturnya lebih dari satu, maka gunakan : Distribusi Normal multivariate (Data Kontinyu) : Fase Training : 5. Hitung matrik Kovarian group i
28 Fase Data Training Jika fiturnya lebih dari satu, maka gunakan : 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)
29 Fase Data Training Jika fiturnya lebih dari satu, maka gunakan : Distribusi Normal multivariate (Data Kontinyu) : Fase Training : 7. Jadi Prob. Posterior Curvatur = 2.81 dan Diameter = 5.46 adalah sbb : Probabilitas Prior : p(passed) = 4/7 dan p(not_passed) = 3/7 p ( Passed 2.81,5.46) = p(not _ passed 2.81, 5.46) = p(2.81,5.46 Passed ) p( Passed ) p(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.
30 Langkah ke-6 membutuhkan penyelesaian yang rumit, sehingga sangat sederhana ika dihitung dengan menggunakan Naïve Bayes
31 Metode klasifikasi Naïve Bayes
32 Klasifikasi Naïve Bayes Munculnya ide metode klasifikasi Naïve Bayes : Metode klasifikasi ini diturunkan dari penerapan teorema Bayes dengan asumsi independence (saling bebas). Naïve Bayes Classifier adalah metode pengklasifikasian paling sederhana dari model pengklasifikasian yang ada dengan menggunakan konsep peluang, dimana diasumsikan bahwa setiap atribut contoh (data sampel) bersifat saling lepas satu sama lain berdasarkan atribut kelas.
33 Klasifikasi Naïve Bayes pa yang dapat kita lakukan apabila data(d) mempunyai beberapa atribut atau fitur? sumsi Naïve Bayes : tribut yang mendeskripsikan contoh data adalah saling independen pada hipotesis klasifikasi. d h) = a 1,...,a T h) = a t h) Naïve Bayes mengedepankan penyerderhanaan, sehingga kemungkinan hasil keputusan tidak sesuai realita yang ada. Namun metode ini bekera dengan baik secara praktis. Beberapa aplikasi yang telah dikembangkan dengan metode klasifikasi Naïve Bayes : Diagnosa Medis Klasifikasi Teks t
34 Klasifikasi Naïve Bayes sumsikan diantara fitur i adalah independen pada suatu kelas. Rumus umum Naïve Bayes : Probabilitas Likelihood : Probabilitas Posterior : d = { 1, 2,, n } data (d) dengan fitur ( 1 sampai n ) C merupakan kelas ) ( )... ( ) ( ),...,, ( ) ( n n C P C P C P C P C P = = d ),...,, ( ) ( ) ( ),...,, ( ) ( ),...,, ( ),...,, ( n n i i n n n P C P C P P C P C P C P = = =
35 Fase Training & Testing Tahap Pembelaaran (Training) : Pada setiap kelas C, estimasikan Prior C). Pada setiap fitur, estimasikan Likelihood =v i C) untuk setiap nilai fitur v i. Tahap Penguian (Testing) : beberapa fitur (v 1, v 2,...,, v k ), pilih kelas yang memaksimalkan Posterior : ),...,, ( ) ( ) ( ),...,, ( n n i i n P C P C P C P = =
36 Naïve Bayes Data Kontinyu (1 of 2) Naive bayes classifier uga dapat menangani atribut bertipe kontinyu. Salah satu caranya adalah menggunakan distribusi Gaussian. Distribusi ini dikarakterisasi dengan dua parameter yaitu mean (µ), dan variansi(σ 2 ). Untuk setiap kelas Y, peluang kelas bersyarat untuk atribut X i dinyatakan dengan persamaan distribusi Gaussian.
37 Naïve Bayes Data Kontinyu (2 of 2) Fungsi densitas mengekspresikan probabilitas relatif. Data dengan mean µ dan standar deviasi σ, fungsi densitas probabilitasnya adalah : ϕ µ, σ ( x) = ( x µ ) 1 2σ 2πσ 2 e µ dan σ dapat diestimasi dari data, untuk setiap kelas. ϕ µ, σ ( x) untuk menghitung Likelihood X C) 2 2
38 Visualisasi Data Kontinyu ϕ µ, σ ( x) ϕ µ, σ ( x) = ( x µ ) 1 2σ 2 2πσ e 2 2 x
39 Contoh Studi Kasus II Play Tennis data : Hari Cuaca Suhu Kelembaban rah ngin Play Tennis 1 Cerah Panas Tinggi Stabil Tidak 2 Cerah Panas Tinggi Labil Tidak 3 Mendung Panas Tinggi Stabil Ya 4 Huan Sedang Tinggi Stabil Ya 5 Huan Dingin Normal Stabil Ya 6 Huan Dingin Normal Labil Tidak 7 Mendung Dingin Normal Labil Ya 8 Cerah Dingin Tinggi Stabil Tidak 9 Cerah Dingin Normal Stabil Ya 10 Huan Sedang Normal Stabil Ya 11 Cerah Sedang Normal Labil Ya 12 Mendung Sedang Tinggi Labil Ya 13 Mendung Panas Normal Stabil Ya 14 Huan Sedang Tinggi Labil Tidak Tentukan Keputusan Bermain Tennis (Ya atau Tidak) dengan kondisi fitur x=(cuaca=cerah, Suhu=Dingin, Kelembaban=Tinggi, ngin=labil)!
40 Contoh Studi Kasus II Penyelesaian : Diketahui : x = (Cuaca=Cerah, Suhu=Dingin, Kelembaban=Tinggi, ngin=labil)! Menggunakan Konsep Naïve Bayes : hnb = argmax h) x h) h [ Ya, Tidak] = argmax h) at h) h [ Ya, Tidak] t = argmax h) Cua = Cer h) Suh = Ding h) Kel h [ Ya, Tidak] Menghitung Probabilitas untuk PlayTennis (Ya atau Tidak) : = Ting h) ng = Lab h) PlayTennis = Ya) = 9 /14 = 0.64 PlayTennis = Tidak ) = 5 /14 = 0.36 ngin = Labil PlayTennis = Ya) = 3/ 9 = 0.33 ngin = Labil PlayTennis = Tidak ) = 3/ 5 = 0.60 etc. Cerah Ya) Dingin Ya) Tinggi Ya) Labil Ya) Ya) = Cerah Tidak ) Dingin Tidak ) Tinggi Tidak ) Labil Tidak ) Tidak ) Karena Tidak x) > Ya x) maka PlayTennis ( x) = Tidak =
41 Risk/Cost Minimiza0on Features x sta0s0cal Inference Inner belief p(w x) risk/cost minimiza0on Decision α(x)
42 turan Keputusan turan keputusan merupakan fungsi mapping dari ruang fitur ke himpunan keputusan yang akan diambil α α(x): Ω d Ω Keputusan yang acak (random) tidak akan optimal Keputusan yang dibuat berdasarkan fungsi yang meminimalkan resiko / average cost R = R( α( x) x) p( x) dx Fungsi tersebut akan minimal ketika keputusan yang kita ambil dibuat untuk meminimalkan cost /resiko untuk setiap instance/data x Ω Ω α( x) = arg min R( α x) = arg min λ( α w α α k = 1 ) p( w x)
43 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, λ( α w λ( α w Keputusan optimal adalah memilih class yang memiliki probabilitas posterior maximum α x) = arg min(1 p( α x)) = arg max p Total resiko untuk aturan keputusan (Bayesian error) i i ) = 0 if ) = 1 if α = w i i α w R( αi x) = p(w x) = 1 p( αi x) w ( ( α x) Ω α α i Ω α R = p( error) = p( error x) p( x) dx = (1 p( α( x) x)) p( x) dx
44 Fase Data Training Contoh Dataset (Ikan Salmon & Sea Bass) : (Misal hanya menggunakan 1 fitur, yaitu Width ) à 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
45 Latihan 1 Perhatikan grafik distribusi pada proses klasifikasi ikan Sea Bass (ω 2 ) dan ikan Salmon (ω 1 ). 1 : Memberikan hasil keputusan bahwa ikan yang diui coba adalah termasuk kelas ikan Sea Bass. 2 : Memberikan hasil keputusan bahwa ikan yang diui 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 ika hasil klasifikasinya adalah ikan salmon, tapi sebenarnya ikan tersebut adalah ikan sea bass sebesar λ( 2 ω 2 ) = $2, dan Biaya ika hasil klasifikasinya adalah ikan Sea Bass, tapi sebenarnya ikan tersebut adalah Salmon sebesar λ( 1 ω 1 ) = $1. Tentukan hasil keputusan klasifikasi ika 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 à Kelas Salmon ω 2 à Kelas Sea Bass 1 à Decide Input is Sea Bass 2 à Decide Input is Salmon λ( 2 ω 2 ) = $2 dan λ( 1 ω 1 ) = $1 λ( i w ) = 0 satuanbiaya ika i = w ( mengarah pada kelas yang sama) λ( i w ) 0 satuanbiaya ika i w ( mengarah pada kelas yang berbeda)
46 Latihan 1 (Cont.) (Menghitung Jawab : Probabilitas Posterior ) xω1) ω1) ω 1 x) = x) (0,28)(1/ 3) = P ( xω1) ω1) + xω2) ω2) = = xω2) ω2) ω 2 x) = x) (0,17)(2/3) = P ( xω1) ω1) + xω2) ω2) = = (0,28)(1/ 3) ((0,28)(1/ 3)) + ((0,17)(2/3)) 0,0924 0, ,1139 (0,17)(2/3) ((0,28)(1/ 3)) + ((0,17)(2/3)) 0,1139 0, ,1139 = = 0,0924 0,2063 0,1139 0,2063 = = 0,4479 0,5521 R( i (Menghitung Risk/Cost) 2 x) = λ( i ω ) ω x) = 1 (2 menyatakan banyaknya kelas) R( x) = λ ( 2 ω1) ω1 x) + λ( 2 ω2) ω2 2 x = (($ 0)(0,4479)) + = $ 0 + $1,1042 = $1,1042 (($2)(0,5521)) R( x) = λ ( 1 ω1) ω1 x) + λ( 1 ω2) ω2 1 x = (($ 1)(0,4479)) + (($0)(0,5521)) = $ 0, $0 = $0,4479 Keputusan dilihat dari nilai : α( x) = arg min R( x) Melihat nilai biaya resiko dari R( 1 x) < R( 2 x), maka x = 13 masuk kelas Sea Bass. i ) )
47 Selesai
Pengenalan Pola. Klasifikasi Teori Keputusan Bayes
Pengenalan Pola Klasifikasi Teori Keputusan Bayes PTIIK - 2014 Course Contents 1 Teori Keputusan Bayes 2 Fase Training 3 Fase Testing 4 Latihan Prosedur Keputusan Bayes Prosedur pengenalan pola dan pengambilan
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 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 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 terperinciKata kunci: Klasifikasi, warna kulit, naïve bayes
PENGKLASIFIKASI GENUS PANTHERA (HARIMAU, SINGA, JAGUAR DAN MACAN TUTUL DENGAN METODE NAIVE BAYES Program Studi Informatika, Program Teknologi Informasi dan Ilmu Komputer, Agus Suryanto, Brian Andrianto,
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 terperinciPERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN NAIVE BAYES PADA STATUS PENGGUNA KB DI KOTA TEGAL TAHUN 2014
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 365-374 Online di: http://eournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN NAIVE
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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan digunakan untuk mengklasifikasi
Lebih terperinciImplementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga
Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga 207 Alfa Saleh Universitas Potensi Utama E-mail: alfasoleh1@gmail.com Abstrak Peranan listrik sangat
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 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 terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM
PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro 52-6
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 terperinciPENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA
PENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA Alfa Saleh Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan Email : alfasoleh1@gmail.com Abstrak
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 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 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 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 terperinciBAB II TINJAUAN PUSTAKA. sekumpulan besar data yang tersimspan dalam penyimpanan dengan
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Data Mining A. Pengertian Data Mining Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan
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 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 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 terperinciOPTIMASI NAÏVE BAYES CLASSIFIER DENGAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION PADA DATA IRIS
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) p-issn: 2355-7699 Vol. 4, No. 3, September 2017, hlm. 180-184 e-issn: 2528-6579 OPTIMASI NAÏVE BAYES CLASSIFIER DENGAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
Lebih terperinciBAB 2. Landasan Teori
BAB 2 Landasan Teori 2.1 Pengertian Data Mining Menurut Han dan Kamber (2011:6) menjelaskan bahwa Data Mining merupakan pemilihan atau menggali pengetahuan dari jumlah data yang banyak. Berbeda dengan
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 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 terperinciPengenalan Pola/ Pattern Recognition
egeala ola/ atter Recogitio Metode klasifikasi Naïve Bayes Imam holissodi S.Si., M.Kom. okok embahasa. Naïve Bayes lassifier egertia Klasifikasi Naïve Bayes Rumus Umum Naïve Bayes. ase Study 3. Latiha
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Teoritis 2.1.1 Autisme Monks dkk., mengungkapkan bahwa autisme berasal dari kata autos yang berarti aku. Pada pengertian nonilmiah kata tersebut dapat ditafsirkan bahwa
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciOPTICAL CHARACTER RECOGNITION DENGAN METODE NAIVE BAYES
OPTICAL CHARACTER RECOGNITION DENGAN METODE NAIVE BAYES Akhmad Robit Maula, Rizky Bangkit S, Akhmad Fikri Hidayat, Ach. Dwi Ardian, Nuri Nikmawati Anis U Email:obyth.regen@gmail.com, bangkitrizky@gmail.com,
Lebih terperinciBAB 1 PENDAHULUAN. ii Bagaimana rata-rata atau nilai tengah dibuat oleh Stimulan eksternal.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan matematika dan penerapannya dalam berbagai bidang keilmuan selalu mencari metode baru untuk memudahkan dalam memprediksi dan menaksir
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Dalam era yang semakin berkembang ini, penggunaan data mining semakin banyak dalam berbagai bidang dan menjadi bagian dari perkembangan teknologi informasi
Lebih terperinciSebelumnya... Sistem Pakar berbasis Logika Fuzzy
Sebelumnya... Sistem Pakar berbasis Logika Fuzzy Kecerdasan Buatan Pertemuan 10 Pembelajaran Mesin (Machine Learning) Kelas 10-S1TI-03, 04, 05 Husni Lunix96@gmail.com http://komputasi.wordpress.com S1
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 terperinciSistem Identifikasi Boraks pada Bakso Daging Sapi Berbasis Android Menggunakan Algoritma Naive Bayes Classifier
MATICS : Jurnal Ilmu Komputer dan Teknologi Informasi ISSN : 1978-161X(p); 477-550(e) Volume 9, No. 1(017), pp 33-37 DOI : 10.18860/mat.v9i1. 3954 Received : January 11 th 017; Accepted : February 1 th
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 terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ yudi@upi.edu / Okt 2012 Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan
Lebih terperinciKlasifikasi Bahasa Isyarat Indonesia Berbasis Sinyal EMG Menggunakan Fitur Time Domain (MAV, RMS, VAR, SSI)
A175 Klasifikasi Bahasa Isyarat Indonesia Berbasis Sinyal EMG Menggunakan Fitur Time Domain (MAV, RMS, VAR, SSI) Ifut Rahayuningsih, Adhi Dharma Wibawa, Eko Pramunanto Departemen Teknik Komputer, Fakultas
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
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 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 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 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 terperinciKLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES
KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES Tri Adhi Atmaji 1, Catur Supriyanto 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciPENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN MENGGUNAKAN ALGORITMA NAIVE BAYES
PENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN MENGGUNAKAN ALGORITMA NAIVE BAYES Ahmad Subhan 1, Ahmad Zainul Fanani 2 1,2 Teknik Informatika, Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciMA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi
MA2082 BIOSTATISTIKA 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 terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MENGKLASIFIKASI DATA NASABAH ASURANSI
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MENGKLASIFIKASI DATA NASABAH ASURANSI Bustami Teknik Informatika, Universitas Malikussaleh Reuleut, Aceh Utara, Aceh-Indonesia E-mail : busabiel@gmail.com ABSTRAK
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 terperinciData Mining II Estimasi
Data Mining II Estimasi Matakuliah Data warehouse Universitas Darma Persada Oleh: Adam AB Data Mining-2012-a@b 1 Tahapan proses datamining Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model/
Lebih terperinciKecerdasan Buatan/ Artificial Intelligence
Kecerdasan Buatan/ Artificial Intelligence Bayesian Network Imam Cholissodin, S.Si., M.Kom. Pokok Bahasan 1. Syntax & Semantics 2. Compact conditional distributions 3. Efficient Inference 4. Latihan Individu
Lebih terperinciKLASIFIKASI PADA DATA MINING MENGGUNAKAN NAIVE BAYESIAN CLASSIFIER CLASSIFICATION FOR DATA MINING USING NAIVE BAYESIAN CLASSIFIER
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2005 KLASIFIKASI PADA DATA MINING MENGGUNAKAN NAIVE BAYESIAN CLASSIFIER CLASSIFICATION FOR DATA MINING USING NAIVE BAYESIAN CLASSIFIER Agustina Ratna Puspitasari¹,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Pada penelitian Sistem Pakar Diagnosa Awal Kanker Serviks Menggunakan Metode Naive Bayes Berbasis Android Dalam penelitian ini, untuk mengidentifikasi
Lebih terperinciPenghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori
Penghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori Abstrak 1 Sri Rahayu, 2 Teguh Bharata Adji & 3 Noor Akhmad Setiawan
Lebih terperinciSekip Utara Yogyakarta * 1 2
IJCCS, Vol.9, No.1, January 2015, pp. 1~12 ISSN: 1978-1520 1 Klasifikasi Data NAP (Nota Analisis Pembiayaan) untuk Prediksi Tingkat Keamanan Pemberian Kredit (Studi Kasus : Bank Syariah Mandiri Cabang
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
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 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring berkembangnya teknologi informasi, kebutuhan akan informasi yang digunakan untuk mendukung business intelligent suatu perusahaan juga meningkat. Informasi penting
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciAplikasi Inferensi Bayes pada Data Mining terutama Pattern Recognition
Aplikasi Inferensi Bayes pada Data Mining terutama Pattern Recognition Trilaksono Aribowo (18209015) Program Studi Sistem dan Teknologi Informasi Sekolah Teknik Elektro dan Informatika Institut Teknologi
Lebih terperinciMODEL DATA MINING CAPAIAN PEMBELAJARAN. N. Tri Suswanto Saptadi. Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 12/4/2015
1 MODEL DATA MINING N. Tri Suswanto Saptadi CAPAIAN PEMBELAJARAN Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 1 3 Definisi Mining : proses atau usaha untuk mendapatkan sedikit barang
Lebih terperinciTeknik Pengklasifikasi : Bayesian, JST (ANN) Bertalya Universitas Gunadarma 2009
Teknik Pengklasifikasi : Bayesian, JST (ANN) Bertalya Universitas Gunadarma 2009 Masalah Pengklasifikasian Klas suatu record yg diuji tidak selalu dapat diprediksi disebabkan oleh faktor2 penentu tidak
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 terperinciTeorema Newman Pearson
pengujian terbaik Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika October 6, 2014 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back Outline 1 Review 2 Uji dua sisi untuk
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 terperinciISSN : STMIK AMIKOM Yogyakarta, 6-8Februari 2015
KLASIFIKASI DATA NAP (NOTA ANALISIS PEMBIAYAAN) DENGAN 5C+1S UNTUK PENENTUAN TINGKAT KEAMANAN PEMBIAYAAN MENGGUNKAN ALGORITMA NAÏVE BAYES CLASSIFIER PADA BANK SYARIAH Sumarni Adi1) 1) Teknik Informatika
Lebih terperinciSistem Pendukung Keputusan Untuk Mengevaluasi Internal Program Studi
40 Jurnal Sistem Informasi Bisnis 01(2015) On-line : http://ejournal.undip.ac.id/index.php/jsinbis Sistem Pendukung Keputusan Untuk Mengevaluasi Internal Program Studi Indhitya R. Padiku a*, Achmad Widodo
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini dijelaskan landasan teori dan metode yang digunakan pada tugas akhir ini dalam pengklasifikasian dokumen teks. Pembahasan dimulai dengan penjelasan mengenai klasifikasi
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 terperinciPengantar Statistika Matematika II
Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciMetode Klasifikasi (SVM Light dan K-NNK. NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Jurusan Informatika FMIPA Universitas Syiah Kuala
Metode Klasifikasi (SVM Light dan K-NNK NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech Jurusan Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Alur dan Proses Cleaning Process Dokumen
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 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 terperinciBayesian Classifier. Bahan Kuliah Data Mining. Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Program Studi Teknik Informatika FMIPA Universitas Syiah Kuala
Naïve Bayesian Classifier Dr. Taufik Fuadi Abidin, S.Si., M.Tech Program Studi Teknik Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Bahan Kuliah Data Mining Outline Pertemuan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciPENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO
PENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO Ramayanti Kaku, Arip Mulyanto, Manda Rohandi Program Studi Sistem Informasi/ Jurusan Teknik Informatika Abstrak Bervariasinya
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 terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
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 terperinciPengenalan Pola/ Pattern Recognition
Pengenalan Pola/ Pattern Recognition Dasar Pengenalan Pola 1 Team Teaching Outline 1. Apa itu pola, kelas pola, dan pengenalan pola? 2. Tahapan Pengenalan Pola 3. Rangkuman dan Contoh Apa itu Pola (Pattern)?
Lebih terperinciAplikasi Model Black Litterman dengan Pendekatan Bayes (Studi kasus : portofolio dengan 4 saham dari S&P500) 1. Retno Subekti 2
Aplikasi Model Black Litterman dengan Pendekatan Bayes (Studi kasus : portofolio dengan 4 saham dari S&P5) 1 Retno Subekti 2 retnosubekti@uny.ac.id Abstrak Model Black Litterman (BLM), model yang berkembang
Lebih terperinci