Perhitungan Klasifikasi Naive Bayes (Bagian 3) Tahap Uji Data Uji

Di tahap ini kita akan melakukan pengujian untuk data uji.

Setelah melakukan perhitungan probabilitas di bagian 1.

Dan melakukan pengujian data latih di bagian 2.

Data yang akan kita uji adalah sebagai berikut :

Dari data diatas di ketahui :

• Supir = Sakit
• Lampu = Menyala
• Ban = Cukup
• Mesin = Lama
• Keterangan = ?

Lakukan perhitungan seperti pada saat menghitung probabilitas data uji latih, sehingga hasil yang akan kita dapat adalah seperti ini :

Nilai probabilitas untuk Keterangan|Layak Jalan memiliki nilai lebih tinggi dari pada probabilitas untuk Keterangan|Tidak Layak Jalan.

Sehingga hasil akhir seperti berikut :

Perhitungan Klasifikasi Naive Bayes (Bagian 2) Tahap Uji Data Latih

Setelah menghitung setiap probabilitas, maka tahap selanjutnya adalah melakukan uji data latih. 

• Tahap Uji Data Latih

Keterangan :

• Data diatas adalah data yang telah kita dapatnya dari data latih sebelumnya
• Yang di hitung terlebih dahulu adalah bagian dari P(Keterangan|Layak Jalan)
• P(Keterangan|Layak Jalan) adalah perhitungan untuk kriteria Keterangan|Layak Jalan * kriteria Supir =Sehat * kriteria Lampu=Menyala * kriteria Ban=Baru * kriteria Mesin=Baru
• = 0,6 * (0,555556 * 0,666667 * 0,555556 * 0,44444) dan hasilnya adalah di bawah
• Tahap ini dilakukan untuk semua data latih

Sehingga hasil yang di dapat adalah sebagai berikut :

Tahap ini dulakukan juga utnuk kriteria P(Keterangan|Tidak Layak Jalan), sehingga hasilnya sebagai berikut:

Tahap selanjutnya adalah memasukkan hasil kriteria P(Keterangan|Layak Jalan) dan kriteria P(Keterangan|Tidak Layak Jalan) menjadi sebuah tabel

Dari data diatas kita bandingkan hasil kriteria Layak Jalan dan Tidak Layak Jalan dan pilih nilai terbesar, sehingga di dapatkan hasil sebagai berikut:

Dari data diatas dapat disimpulan :

• Data yang sesuai dengan data latih sebanyak 13 data
• Data yang tidak sesuai dengan data latih sebanyak 2 data

Perhitungan Klasifikasi Naive Bayes (Bagian 1)

Diposting kali ini saya akan membahas perhitungan klasifikasi menggunakan metode Naive Bayes.

Yang akan kita klasifikasikan adalah Klasifikasi BUS Layak Jalan

Data yang akan digunakan terdiri dari berikut :

• Jumlah data = 14
• Jumlah kriteria = 4
• Jumlah klasifikasi = 2

Dari data diatas yang harus kita lakukan adalah :

1. Menentukan probabilitas class

• Layak Jalan = 9/15 = 0,6
• Tidak Layak Jalan = 6/15 = 0,4

Keterangan :

• 15 adalah jumlah data
• 9 adalah jumlah data untuk Layak Jalan
• 6 adalah jumlah data untuk Tidak Layak Jalan

2. Menentukan probabilitas kategori

• Kategori Layak Jalan

Keterangan :

• P(Supir=Sehat|Layak Jalan) adalah jumlah kategori Supir Sehat dan Layak Jalan
• 5 adalah jumlah kategori supir sehat yang layak jalan
• 9 adalah jumlah klasifikasi layak jalan
• Sehingga hasilnya adalah 0,555556
• Begitu pula dengan proses seterusnya

• Kategori Tidak Layak Jalan

Keterangan :

• P(Supir=Sehat|Tidak Layak Jalan) adalah jumlah kategori Supir Sehat dan Tidak Layak Jalan
• 2 adalah jumlah kategori supir sehat yang tidak layak jalan
• 6 adalah jumlah klasifikasi tidak layak jalan
• Sehingga hasilnya adalah 0,333333
• Begitu pula dengan proses seterusnya

Setelah dilakukan proses perhitungan probabilitas maka data yang akan didapat seperti dibawah ini :

Perbandingan Euclidean, Manhattan dan Minkowski

Kali ini saya akan memposting perbandingan euclidean, manhattan dan minkowski.

Ini hanya perbandingan saja.

Data yang akan digunakan adalah sebagai berikut :

Lakukan perhitungan data di atas menggunakan jarak Euclidean, Manhattan dan Minkowski.

Jika anda belum paham bisa melihat posting saya sebelumnya.

• Jarak Euclidean https://infmining.blogspot.com/2022/08/set-data-jarak-euclidean.html
• Jarak Manhattan https://infmining.blogspot.com/2022/08/set-data-jarak-manhattan.html
• Jarak Minkowski https://infmining.blogspot.com/2022/09/set-data-jarak-minkowski.html

Sehingga hasil yang akan kita peroleh adalah sebagai berikut :

Dari hasil diatas di peroleh Minkowski Distance memiliki nilai lebih kecil dari pada Manhattan Distance dan juga Euclidean Distance.

Perhitungan K-Nearest Neighbor Dengan Minkowski Distance (5 Kriteria)

Dipostingan kali ini saya akan membahas perhitungan K-Nearest Neighbor dengan Minkowski Distance menggunakan 5 kriteria.

Klasifikasi yang akan dibahas adalah Klasifikasi Penerima Beasiswa.

Data yang akan kita pakai adalah :

• Terdiri dari 10 data
• Terdiri dari 5 kriteria
• K = 5
• r Minkowski = 3

Keterangan :

• Yang akan di kategorikan terdiri dari nilai Matematika, nilai B. Indonesia, nilai B. Inggris, nilai Sains dan nilai  Non Akademik.
• Status terdiri dari TMS (Tidak Memenuhi Syarat) dan MS (Memenuhi Syarat).
• Yang akan kita klasifikasikan adalah dengan Nama = See, Nilai Matematika = 81, Nilai B. Indonesia = 86, Nilai B. Inggris = 79, Nilai Sains = 93 dan Nilai Non Akademik = 87, Status = ?

 

Perhitungan (rumus yang akan digunakan) :

• 79 adalah nilai Matematika milik Alan
• 81 adalah nilai Matematika milik See
• 88 adalah nilai B. Indonesia milik Alan
• 86 adalah nilai B. Indonesia milik See
• 72 adalah nilai B. Inggris milik Alan
• 79 adalah nilai B. Inggris milik See
• 92 adalah nilai Sains milik Alan
• 93 adalah nilai Sains milik See
• 97 adalah nilai Non Akademik milik Alan
• 87 adalah nilai Non Akademik milik See
• Seterusnya dilakukan perhitungan yang sama terhadap data milik Dani, Rey dan seterusnya.
• 1/3 adalah pangkat untuk rumus Minkowski

 

Maka Perhitungan yang akan di peroleh sebagai berikut:

Setelah itu lakukan perangkingan dari nilai terkecil sampai terbesar, hasil yang di dapat sebagai berikut:

Setelah di dapat perangkingan, kita bisa memastikan atas nama See berhak mendapatkan Memenuhi Syarat untuk menerima Beasiswa atau Tidak Memenuhi Syarat untuk menerima Beasiswa.

Penjelasan :

• Jika menggunakan K=1 maka hasilnya adalah TMS dikarenakan Moon hasilnya adalah TMS.
• Jika menggunakan K=3 maka hasilnya adalah TMS dikarenakan Moon, Eks dan Alan hasilnya adalah TMS (TMS berjumlah 3).
• Jika menggunakan K=5 maka hasilnya adalah TMS dikarenakan Dani adalah MS, sedangkan Moon, Eks, Alan dan Zet hasilnya adalah TMS (MS berjumlah 1 dan TMS berjumlah 4).

Sehingga hasil akhir See TMS 

Catatan :

• Nilai K bernilai bebas (usahakan bernilai ganjil agar tidak membingungkan kita saat ada hasil vooting yang jumlahnya sama).

Perhitungan K-Nearest Neighbor Dengan Manhattan Distance (5 Kriteria)

Dipostingan kali ini saya akan membahas perhitungan K-Nearest Neighbor dengan Manhattan Distance menggunakan 5 kriteria.

Klasifikasi yang akan dibahas adalah Klasifikasi Penerima Beasiswa.

Data yang akan kita pakai adalah :

• Terdiri dari 10 data
• Terdiri dari 5 kriteria
• K = 5

Keterangan :

• Yang akan di kategorikan terdiri dari nilai Matematika, nilai B. Indonesia, nilai B. Inggris, nilai Sains dan nilai  Non Akademik.
• Status terdiri dari TMS (Tidak Memenuhi Syarat) dan MS (Memenuhi Syarat).
• Yang akan kita klasifikasikan adalah dengan Nama = See, Nilai Matematika = 81, Nilai B. Indonesia = 86, Nilai B. Inggris = 79, Nilai Sains = 93 dan Nilai Non Akademik = 87, Status = ?

 

Perhitungan (rumus yang akan digunakan) :

• 79 adalah nilai Matematika milik Alan
• 81 adalah nilai Matematika milik See
• 88 adalah nilai B. Indonesia milik Alan
• 86 adalah nilai B. Indonesia milik See
• 72 adalah nilai B. Inggris milik Alan
• 79 adalah nilai B. Inggris milik See
• 92 adalah nilai Sains milik Alan
• 93 adalah nilai Sains milik See
• 97 adalah nilai Non Akademik milik Alan
• 87 adalah nilai Non Akademik milik See
• Seterusnya dilakukan perhitungan yang sama terhadap data milik Dani, Rey dan seterusnya.

 

Maka Perhitungan yang akan di peroleh sebagai berikut:

Setelah itu lakukan perangkingan dari nilai terkecil sampai terbesar, hasil yang di dapat sebagai berikut:

Setelah di dapat perangkingan, kita bisa memastikan atas nama See berhak mendapatkan Memenuhi Syarat untuk menerima Beasiswa atau Tidak Memenuhi Syarat untuk menerima Beasiswa.

Penjelasan :

• Jika menggunakan K=1 maka hasilnya adalah MS dikarenakan Dani hasilnya adalah MS.
• Jika menggunakan K=3 maka hasilnya adalah TMS dikarenakan Dani hasilnya adalah MS, sedangkan Alan dan Cee hasilnya adalah TMS (MS berjumlah 1 dan TMS berjumlah 2).
• Jika menggunakan K=5 maka hasilnya adalah TMS dikarenakan Dani dan Rey hasilnya adalah MS, sedangkan Alan, Cee dan Eks hasilnya adalah TMS (MS berjumlah 2 dan TMS berjumlah 3).
• 
  

Sehingga hasil akhir See TMS 

Catatan :

• Nilai K bernilai bebas (usahakan bernilai ganjil agar tidak membingungkan kita saat ada hasil vooting yang jumlahnya sama).

Perhitungan K-Nearest Neighbor Dengan Euclidean Distance (5 Kriteria)

Dipostingan kali ini saya akan membahas perhitungan K-Nearest Neighbor dengan Euclidean Distance menggunakan 5 kriteria.

Klasifikasi yang akan dibahas adalah Klasifikasi Penerima Beasiswa.

Data yang akan kita pakai adalah :

• Terdiri dari 10 data
• Terdiri dari 5 kriteria
• K = 5

Keterangan :

• Yang akan di kategorikan terdiri dari nilai Matematika, nilai B. Indonesia, nilai B. Inggris, nilai Sains dan nilai  NonAkademik.
• Status terdiri dari TMS (Tidak Memenuhi Syarat) dan MS (Memenuhi Syarat).
• Yang akan kita klasifikasikan adalah dengan Nama = See, Nilai Matematika = 81, Nilai B. Indonesia = 86, Nilai B. Inggris = 79, Nilai Sains = 93 dan Nilai Non Akademik = 87, Status = ?

Perhitungan (rumus yang akan digunakan) :

• 79 adalah nilai Matematika milik Alan
• 81 adalah nilai Matematika milik See
• 88 adalah nilai B. Indonesia milik Alan
• 86 adalah nilai B. Indonesia milik See
• 72 adalah nilai B. Inggris milik Alan
• 79 adalah nilai B. Inggris milik See
• 92 adalah nilai Sains milik Alan
• 93 adalah nilai Sains milik See
• 97 adalah nilai Non Akademik milik Alan
• 87 adalah nilai Non Akademik milik See
• Seterusnya dilakukan perhitungan yang sama terhadap data milik Dani, Rey dan seterusnya.

Maka Perhitungan yang akan di peroleh sebagai berikut:

Setelah itu lakukan perangkingan dari nilai terkecil sampai terbesar, hasil yang di dapat sebagai berikut:

Setelah di dapat perangkingan, kita bisa memastikan atas nama See berhak mendapatkan Memenuhi Syarat untuk menerima Beasiswa atau Tidak Memenuhi Syarat untuk menerima Beasiswa.

Penjelasan :

• Jika menggunakan K=1 maka hasilnya adalah MS dikarenakan Dani hasilnya adalah MS.
• Jika menggunakan K=3 maka hasilnya adalah TMS dikarenakan Dani hasilnya adalah MS, sedangkan Cee dan Moon hasilnya adalah TMS (MS berjumlah 1 dan TMS berjumlah 2).
• Jika menggunakan K=5 maka hasilnya adalah TMS dikarenakan Dani dan Rey hasilnya adalah MS, sedangkan Cee, Tet dan Alan hasilnya adalah TMS (MS berjumlah 2 dan TMS berjumlah 3).

Sehingga hasil akhir See TMS 

Catatan :

• Nilai K bernilai bebas (usahakan bernilai ganjil agar tidak membingungkan kita saat ada hasil vooting yang jumlahnya sama).