Klasifikasi Naive Bayes

Klasifikasi bayes dikemukakan pertama kali oleh Thomas Bayes pada tahun 1950. Teori Bayes didasarkan pada perhitungan probabilitas dari suatu variabel. Klasifikasi Bayes menggunakan perhitungan berdasarkan statistika untuk menghitung peluang. Klasifikasi Bayes mampu memprediksi kelas berdasarkan probabilitas sesuai fitur yang diberikan dan menentukan kelas mana yang paling optimal.

Algoritma Naïve Bayes merupakan algoritma untuk klasifikasi dengan efisiensi komputasi dan akurasi yang baik, terutama untuk fitur dan jumlah data yang besar. Naive Bayes juga merupakan algoritma klasifikasi yang banyak diterapkan karena memiliki performa klasifikasi yang tinggi. Algoritma pengklasifikasi Naïve Bayes juga memiliki beberapa keunggulan seperti mudah digunakan dan hanya membutuhkan satu kali iterasi data training tetapi Naïve Bayes membutuhkan pengetahuan awal untuk dapat mengambil keputusan. Pada penelitian yang dilakukan Hall et all pada tahun 2012 telah melakukan perbandingan algoritma klasifikasi antara Naïve Bayes dengan C45, Decision Tree, Logistic Regression, Naïve Bayes dan Neural Network untuk menunjukan algoritma yang lebih baik dalam proses klasifikasi. Hasil algoritma yang terbaik adalah Naïve Bayes dimana Naïve Bayes memiliki akurasi yang lebih baik dari pembanding algoritma lainnya.

Teorema Naïve Bayes memiliki beberapa kelebihan dan kekurangan yaitu sebagai berikut :

Kelebihan Naïve Bayes :

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

Kekurangan Naïve Bayes :

  1. Tidak berlaku jika probabilitas kondisionalnya adalah nol, apabila nol maka probabilitas prediksi akan bernilai nol juga
  2. Mengasumsikan variabel bebas

Leave a Reply

Your email address will not be published. Required fields are marked *