Teknik data mining menggunakan metode bayes

Teknik data mining menggunakan metode bayes 

Data mining merupakan serangkaian proses untuk menggali nilai tambah berupainformasi yang selama ini tidak diketahui secara manual dari suatu basis data. Salah satu metode data mining adalah klasifikasi yaitu proses pencarian model klasifikasi yang dapat membedakan objek label kelasnya. Naïve Bayes Classifier adalah salah satuteknik yang dapat dipakai untuk membangun model klasifikasi.

Data mining
Knowledge Discovery in Database (KDD) merupakan proses pencarian pengetahuan yang bermanfaat dari kumpulan data. Proses KDD bersifatinteraktif dan iteratif, meliputi sejumlah langkah dengan melibatkan penggunadalam membuat keputusan dan dapat dilakukan pengulangan di antara dua buah langkah. Data mining merupakan salah satu proses inti yang terdapatdalam Knowledge Data Discovery (KDD). Banyak orang memperlakukan datamining sebagai sinonim dari KDD, karena sebagian besar pekerjaan dalamKDD difokuskan pada data mining. Namun, langkah-langkah ini merupakan proses yang penting yang menjamin kesuksesan dari aplikasi KDD.

Ilustrasi Langkah-Langkah dalam Proses KDD

Naïve Bayes Classifier (NBC)

Salah satu tugas Data Mining adalah klasifikasi data, yaitu memetakan(mengklasifikasikan) data ke dalam satu atau beberapa kelas yaang sudahdidefinisikan sebelumnya. Salah satu metoda dalam klasifikasi data adalah Naïve Bayes Classifier (NBC). Naïve Bayes Classifier merupakan salah satumetoda machine learning yang memanfaatkan perhitungan probabilitas danstatistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitumemprediksi probabilitas di masa depan berdasarkan pengalaman di masasebelumnya.
naïve Bayes Classifier atau bisa disebut sebagai Multinomial Naïve Bayes merupakan model penyederhanaan dari Metoda Bayes yang cocok dalam pengklasifikasian teks atau dokumen.

Cara Kerja Naïve Bayes Classifier

Cara kerja Naïve Bayes Classifier melalui dua tahapan, yaitu :

1. Learning (Pembelajaran)
Naïve Bayes adalah suatu metoda yang termasuk ke dalam supervisedlearning, maka akan dibutuhkan pengetahuan awal untuk dapatmengambil keputusan. Langkah-langkah:
Step 1 : Bentuk vocabulary pada setiap dokumen data training
Step 2 : Hitung probabilitas pada setiao kategori P(vj).
Step 3 : Tentukan frekuensi setiap kata wk pada setiap kategoriP(wk|vj)

2. Classify (Pengklasifikasian)
Langkah-langkahnya adalah :
Step 1 : Hitung P(vj)Π P(wk | vj) untuk setiap kategori.
Step 2 : Tentukan kategori dengan nilai P(vj)Π P(wk | vj) maksimal.

Tahapan Proses Klasifikasi Dokumen Naïve Bayes Classifier

Kelebihan & Kekurangan Naive Bayes

kelebihan:

1.Mudah untuk dipahami
2.Hanya memerlukan pengkodean yang sederhana
3.Lebih cepat dalam penghitungan
4.Menangani kuantitatif dan data diskrit
5.Kokoh untuk titik noise yang diisolasi, misalkan titik yang dirata – ratakan ketika mengestimasi peluang bersyarat data.
6.Hanya memerlukan sejumlah kecil data pelatihan untuk mengestimasi parameter (rata – rata dan variansi dari variabel) yang dibutuhkan untuk klasifikasi.
7.Menangani nilai yang hilang dengan mengabaikan instansi selama perhitungan estimasi peluang 8.Cepat dan efisiensi
9. ruang Kokoh terhadap atribut yang tidak relevan


kekurangan
1.Kekurangan dari Teori probabilitas Bayesian yang banyak dikritisi oleh para ilmuwan adalah karena pada teori ini, satu probabilitas saja tidak bisa mengukur seberapa dalam tingkat keakuratannya. Dengan kata lain, kurang bukti untuk membuktikan kebenaran jawaban yang dihasilkan dari teori ini.
2. Tidak berlaku jika probabilitas kondisionalnya adalah 0 (nol), apabila nol maka probabilitas prediksi akan bernilai nol juga
3. Mengasumsikan variabel bebas





daftar pustaka :
sumber 1
sumber 2