Contoh Perhitungan Naïve Bayes Classifier

Naïve Bayes Classifier merupakan sebuah metoda klasifikasi yang berakar pada teorema Bayes . Metode pengklasifikasian dg menggunakan metode probabilitas dan statistik yg dikemukakan oleh ilmuwan Inggris Thomas Bayes , yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema Bayes . Ciri utama dr Naïve Bayes Classifier ini adalah asumsi yg sangat kuat (naïf) akan independensi dari masing-masing kondisi / kejadian.

Menurut Olson Delen (2008) menjelaskan Naïve Bayes unt setiap kelas keputusan, menghitung probabilitas dg syarat bahwa kelas keputusan adalah benar, mengingat vektor informasi obyek. Algoritma ini mengasumsikan bahwa atribut obyek adalah independen. Probabilitas yang terlibat dalam memproduksi perkiraan akhir dihitung sebagai jumlah frekuensi dr ” master ” tabel keputusan.


Daftar Isi


Contoh Kasus Perhitungan Naive Bayes

#01 Data Atribut

Berikut adalah atribut yang digunakan dalam perhitungan naive bayes.

Kode Nama
A1 OUTLOOK
A2 TEMPERATURE
A3 HUMIDITY
A4 WINDY
A5 PLAY

Atribut PLAY merupakan label/klasifikasi yang akan dicari berdasarkan dari data atribut yang diketahui.

#02 Data Nilai Atribut

Data nilai atribut merupakan pilihan nilai yang mungkin untuk masing-masing atribut.

Kode Nama Nilai
A1 OUTLOOK cloudy
A1 OUTLOOK rainy
A1 OUTLOOK sunny
A2 TEMPERATURE cold
A2 TEMPERATURE hot
A2 TEMPERATURE mild
A3 HUMIDITY high
A3 HUMIDITY normal
A4 WINDY false
A4 WINDY true
A5 PLAY yes
A5 PLAY no

#03 Data Latih

Data latih (Data Training) merupakan data aktual sebagai acuan untuk melakukan perhitungan naive bayes. Berikut adalah 14 data latih yang diketahui.

Nomor OUTLOOK TEMPERATURE HUMIDITY WINDY PLAY
1 sunny hot high false no
2 sunny hot high true no
3 cloudy hot high false yes
4 rainy mild high false yes
5 rainy cool normal false yes
6 rainy cool normal true yes
7 cloudy cool high true yes
8 sunny mild high false no
9 sunny cool normal false yes
10 rainy mild normal false yes
11 sunny mild normal true yes
12 cloudy mild high true yes
13 cloudy hot normal false yes
14 rainy mild high true no

#04 Data Uji

Sebelum melakukan proses algoritma naive bayes, berikut adalah data uji yang akan dicari klasifikasinya.

OUTLOOK: rainy
TEMPERATURE: hot
HUMIDITY: high
WINDY: true
PLAY: ?

#05 Mencari Probabilitas

Langkah pertama dalam perhitungan naive bayes adalah mencari probabilitas setiap nilai atribut sesuai data latih.

Berikut probabilitas kemunculan nilai atribut label:

  • P(no) = (4/14) = 0.2857
  • P(yes) = (10/14) = 0.7143

Berikut probabilitas kemunculan nilai atribut diketahui:

  • OUTLOOK
    • P(sunny | no) = (OUTLOOK: sunny berlabel no/ jumlah label no) (3/4) = 0.75
    • P(sunny | yes) = (OUTLOOK: sunny berlabel yes/ jumlah label yes) (2/10) = 0.2
    • P(cloudy | yes) = (OUTLOOK: cloudy berlabel yes/ jumlah label yes) (4/10) = 0.4
    • P(rainy | yes) = (OUTLOOK: rainy berlabel yes/ jumlah label yes) (4/10) = 0.4
    • P(rainy | no) = (OUTLOOK: rainy berlabel no/ jumlah label no) (1/4) = 0.25
  • TEMPERATURE
    • P(hot | no) = (TEMPERATURE: hot berlabel no/ jumlah label no) (2/4) = 0.5
    • P(hot | yes) = (TEMPERATURE: hot berlabel yes/ jumlah label yes) (2/10) = 0.2
    • P(mild | yes) = (TEMPERATURE: mild berlabel yes/ jumlah label yes) (4/10) = 0.4
    • P(mild | no) = (TEMPERATURE: mild berlabel no/ jumlah label no) (2/4) = 0.5
    • P(cool | yes) = (TEMPERATURE: cool berlabel yes/ jumlah label yes) (4/10) = 0.4
  • HUMIDITY
    • P(high | no) = (HUMIDITY: high berlabel no/ jumlah label no) (4/4) = 1
    • P(high | yes) = (HUMIDITY: high berlabel yes/ jumlah label yes) (4/10) = 0.4
    • P(normal | yes) = (HUMIDITY: normal berlabel yes/ jumlah label yes) (6/10) = 0.6
  • WINDY
    • P(false | no) = (WINDY: false berlabel no/ jumlah label no) (2/4) = 0.5
    • P(false | yes) = (WINDY: false berlabel yes/ jumlah label yes) (6/10) = 0.6
    • P(true | no) = (WINDY: true berlabel no/ jumlah label no) (2/4) = 0.5
    • P(true | yes) = (WINDY: true berlabel yes/ jumlah label yes) (4/10) = 0.4

Jika disusun dalam bentuk tabel, maka hasilnya seperti berikut:

Atribut Nilai no(0.2857) yes(0.7143)
OUTLOOK sunny 0.2 0.75
OUTLOOK cloudy 0.4 0
OUTLOOK rainy 0.4 0.25
TEMPERATURE hot 0.2 0.5
TEMPERATURE mild 0.4 0.5
TEMPERATURE cool 0.4 0
HUMIDITY high 0.4 1
HUMIDITY normal 0.6 0
WINDY false 0.6 0.5
WINDY true 0.4 0.5

#06 Perhitungan Data Uji

Pada tahap ini, setiap nilai label akan dihitung propabilitasnya berdasarkan tabel probabilitas dan nilai data uji.

  • Perhitungan Label no (0.2857)
    OUTLOOK(rainy) = 0.25
    TEMPERATURE(hot) = 0.5
    HUMIDITY(high) = 1
    WINDY(true) = 0.5
    Nilai no = 0.2857 * 0.25 * 0.5 * 1 * 0.5 = 0.0179
  • Perhitungan Label yes (0.7143)
    OUTLOOK(rainy) = 0.4
    TEMPERATURE(hot) = 0.2
    HUMIDITY(high) = 0.4
    WINDY(true) = 0.4
    Nilai yes = 0.7143 * 0.4 * 0.2 * 0.4 * 0.4 = 0.0091

Berdasarkan perhitungan label yang paling tinggi adalah no dengan nilai 0.0179. Sehingga hasil klasifikasi untuk data uji adalah no.


Source Code Algoritma Naïve Bayes

Berikut adalah beberapa source-code yang menggunakan metode TOPSIS baik berbasis web maupun desktop.


  1. https://binus.ac.id/bandung/2019/12/algoritma-naive-bayes/

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

This site uses Akismet to reduce spam. Learn how your comment data is processed.