Contoh Naive Bayes

Baiklah, pada hari ini saya akan membawa sedikit memberikan penjelasan mengenai contoh – contoh yang diperoleh pada metode naïve bayes. Sebenarnya metode tersebut merupakan sebuah algoritma untuk pemrograman. Maka, oleh karena pada artikel sebelumnya telah menjelaskan mengenai contoh penerapan dari metode naïve bayes tersebut. Oleh karena itu, pada hari ini saya akan menjelaskan tentang contoh – contoh metode naïve bayes tersebut. Sebelum saya menjelaskan contoh-contohnya, saya akan mencoba mengkaji kembali masalah pengertian metode tersebut.

Baiklah, disini saya akan memulai dengan menjelaskan apa itu metode naïve bayes. Metode naïve bayes ini adalah metode klasifikasi dengan menggunakan suatu metode probabilitas dan statistik yang telah dikenal oleh seorang ilmuwan dari inggris. Algoritma naïve bayes atau dikenal dengan metode naïve bayes ini dapat memprediksi sebuah peluang di masa depan dengan berdasarkan suatu pengalaman yang terdahulu sehingga dikenal dengan Teorema Bayes.

Pada metode ini terdapat ciri-ciri utama yaitu terdapat asumsi atau pendapat yang sangat kuat terhadap independensi dari suatu kondisi/kejadian. Metode classifier dari naïve bayes ini bekerjanya sangat baik dibandingkan terhadap metode yang lainnya. Dikarenakan bahwa metode naïve bayes classifier ini memiliki suatu tingkat akurasi atau ketepatan yang dimilikinya lebih baik dibandingkan dengan model lainnya.

Kelebihan dan kekurangan dari metode tersebut adalah, dimulai dari kelebihan dari metode naïve bayes adalah mudah untuk dibuat dan juga hasilnya bagus. Sedangkan kekurangan dari metode naïve bayes tersebut adalah asumsi atau pendapat dari independence antar atribut membuat akurasi atau waktunya berkurang karena biasanya ada keterkaitan.  

Kaidah bayes tersebut merupakan sebuah kaidah yang akan memperbaiki suatu probabilitas dengan cara melakukan pemanfaatan informasi tambahan. Jadi maksudnya adalah probabilitas awal yang belum masih dalam tahap perbaikan dengan merumuskan informasi yang telah tersedia. Kemudian baru dibentuk probabilitas berikutnya.

Teori bayes ini pun merupakan suatu dari rangkuman/kesimpulan statistik yang akan membuktikan yang akan dipakai untuk melakukan perbaharui intisari yang baru dari probabilitas yang benar. Teori ini merupakan berasal dari suatu kebiasaan dengan digunakan sebuah rumus bayes untuk melakukan mencari kesimpulan/dugaan.

Selanjutnya adalah HMAP (Hypothesis maximum appropri probability) yang menyatakan sebuah hipotesa yang dapat diambil berdasarkan dari nilai probabilitas dengan kondisi yang belum diketahui. HMAP ini merupakan suatu model sederhana dari metode bayes tersebut. HMAP inilah yang akan digunakan di dalam mesin pencari sebagai sebuah metode untuk mendapatkan sebuah hipotesis dan informasi untuk suatu keputusan tertentu.

Berikut inilah contoh naive bayes, saya akan memberikan 2 contoh naïve bayes tersebut.

Yang contoh pertama adalah diketahui hasil survey yang dilakukan sebuah lembaga kesehatan yang menyatakan bahwa 30% penduduk dunia yang menderita sakit paru-paru dari 90% penduduk yang terjangkit sakit paru-paru ini 60%- nya adalah perokok, dan penduduk yang tidak menderita sakit paru-paru 20% perokok.

            Fakta ini yang akan didefinisikan dengan: X=sakit paru-paru dan Y=perokok

            Maka: P(X) = 0.9

            P(~X) = 0.1

            P(Y|X) = 0.6  à P(~Y|X) = 0.4

            P(Y|~X) = 0.2   à P(~Y|~X) = 0.8

            Dengan metode bayes dapat dihitung:

            P({Y}|X) = P(Y|X).P(X)  = (0.6) . (0.9) = 0.54

            P({Y}|~X) = P(Y|~X) P(~X) = (0.2).(0.1) = 0.02

            Jadi, kita dapat mengetahui seseorang yang merokok, maka dia akan terjangkit menderita sakit paru-paru. Sehingga HMAP dapat mencari probabilitas/solusi terbanyak dari semua kemungkinan keputusan.

            Dan soal yang kedua adalah dari data training. Jadi disini diketahui kebiasaan olah raga seseorang dan sudah di tabelkan dalam bentuk sebagai berikut :

      Tabel 3.2. Tabel olahraga

Asumsi/pendapat:

            Y = berolahraga, X₁ = cuaca,  X₂ = temperatur, X₃ = kecepatan angin..

Sehingga Fakta/real  yang didapat adalah :

            P(Y=ya) = 4/6   à  P(Y=tidak) = 2/6

Dan apabila cuaca cerah dan kecepatan angin kencang, maka apakah orang akan berolahraga?

Fakta: P(X1=cerah|Y=ya) = 1, P(X1=cerah|Y=tidak) = 0

            P(X3=kencang|Y=ya) = 1/4 , P(X3=kencang|Y=tidak) = 1/2.

HMAP dari keadaan ini akan dapat dihitung dengan cara :

            P( X1=cerah,X3=kencang | Y=ya )

                        = { P(X1=cerah|Y=ya).P(X3=kencang|Y=ya) } . P(Y=ya)

                        = { (1) . (1/4) } . (4/6)  = 1/6.

Selanjutnya melihat keadaan yang tidak memungkinkan.

            P( X1=cerah,X3=kencang | Y=tidak )

                        = { P(X1=cerah|Y=tidak).P(X3=kencang|Y=tidak) } . P(Y=tidak)

                        = { (0) . (1/2) } . (2/6)  = 0.

Maka, keputusan yang didapat adalah berolahraga = YA

Penulis : Zulkifli