✨PROMO PUNCAK 11.11!
✨
Belajar Data Bersertifikat 12 Bulan hanya 170K!
0 Hari 0 Jam 52 Menit 29 Detik
Chat Us Now
DAFTAR SEKARANG!
Program
Partnership
Events
Information
Pricing Plan
About DQLab
Daftar / Masuk
Mengenal Naive Bayes Sebagai Salah Satu Algoritma Data Science
Belajar Data Science di Rumah 23-Mei-2022
Follow Instagram dan LinkedIn kami untuk info karir dan topik menarik
Daftar Isi:
1. Definisi Algoritma Naive Bayes
2. Tipe Algoritma Naive Bayes
3. Manfaat Naive Bayes
4. Cara Optimalkan Algoritma Naive Bayes
Algoritma adalah serangkaian instruksi yang digunakan agar komputer dapat
memecahkan masalah berdasarkan inputan tertentu dalam waktu yang terbatas.
Algoritma digunakan di semua permasalahan yang membutuhkan komputers untuk
memecahkan ppermasalahan tersebut termasuk dalam bidang data science. Dengan
menggunakan algoritma data science kamu dapat memecahkan pola-pola dibalik suatu
data. Terdapat 3 jenis algoritma dalam data science antara lain supervised learning,
unsupervised learning, dan reinforcement learning.
Salah satu yang akan kami bahas adalah algoritma naive bayes yang merupakan jenis
algoritma supervised learning, dimana algoritma tidak bisa belajar sendiri tetapi harus
diberi contoh terlebih dahulu dengan cara memberi label pada dataset yang kita punya.
Memberi label disini artinya adalah dataset kita telah diberikan nilai kebenarannya yang
akan dijadikan sebagai nilai target atau nilai acuan. Untuk lebih lanjut tentang algoritma
naive bayes mari simak artikel dibawah ini sampai selesai.
1. Definisi Algoritma Naive Bayes
Naive bayes merupakan metode pengklasifikasian paling populer digunakan dengan
tingkat keakuratan yang baik. Banyak penelitian tentang pengklasifikasian yang telah
dilakukan dengan menggunakan algoritma ini. Berbeda dengan metode
pengklasifikasian dengan logistic regression ordinal maupun nominal, pada algoritma
naive bayes pengklasifikasian tidak membutuhkan adanya pemodelan maupun uji
statistik.
Naive bayes merupakan metode pengklasifikasian berdasarkan probabilitas sederhana
dan dirancang agar dapat dipergunakan dengan asumsi antar variabel penjelas saling
bebas (independen). Pada algoritma ini pembelajaran lebih ditekankan pada
pengestimasian probabilitas. Keuntungan algoritma naive bayes adalah tingkat nilai
error yang didapat lebih rendah ketika dataset berjumlah besar, selain itu akurasi naive
bayes dan kecepatannya lebih tinggi pada saat diaplikasikan ke dalam dataset yang
jumlahnya lebih besar.
Baca juga: Memahami Keunggulan dan Manfaat Data Science dalam Dunia Bisnis
2. Tipe Algoritma Naive Bayes
Algoritma ini memiliki beberapa tipe antara lain sebagai berikut:
Bernoulli Naive Bayes
Dimana prediktornya adalah variabel boolean. Oleh karena itu satu-satunya yang
ada hanya benar atau salah. Biasanya algoritma ini digunakan ketika data sesuai
dengan distribusi bernoulli multivariat.
Naive Bayes Multinomial
Dimana algoritma ini sering digunakan untuk memecahkan masalah klasifikasi
dokumen. Contohnya, jika ingin menentukan apakah suatu dokumen termasuk
dalam suatu kategori dan algoritma ini digunakan untuk memilahnya. Naive
bayes menggunakan frekuensi kata-kata sekarang sebagai fitur.
Gaussian Naive Bayes
Digunakan jika prediktor tidak diskrit namun memiliki nilai kontinu dan prediktor
tersebut diasumsikan sebagai sampel dari distribusi gaussian.
3. Manfaat Naive Bayes
Algoritma naive bayes memiliki banyak manfaat sehingga banyak digunakan di
berbagai aspek kehidupan. Antara lain sebagai berikut:
Real time prediction
Multiclass prediction, disini naive bayes dapat memprediksi probabilitas
beberapa kelas variabel target
Text classification, selain itu naive bayes juga sering digunakan utnuk membuat
text classification karena memiliki tingkat keberhasilan yang lebih tinggi
dibandingkan dengan algoritma lain
Recommendation system, naive bayes juga langganan digunakan untuk proyek
data mining untuk menyaring informasi yang tidak terlihat dan memprediksi
apakah pengguna menginginkan sumber daya yang diberikan atau tidak.
Baca juga: Beasiswa Data Science yang Bisa Diikuti untuk Upgrade Skill Datamu
4. Cara Optimalkan Algoritma Naive Bayes
Berikut beberapa tips untuk mengoptimalkan kekuatan model naive bayes: Jika fitur
kontinu tidak memiliki distribusi normal, maka harus menggunakan transformasi atau
metode yang berbeda untuk mengubahnya menjadi distribusi normal, hapus beberapa
fitur yang berkorelasi. Dikarenakan fitur fitur yang sangat berkorelasi dipilih dua kali
dalam model dan dapat menyebabkan kepentingan yang berlebihan, dan jangan
menggabungkan teknik kombinasi pengklasifikasi lain seperti boosting karena tidak
membantu. Dikarenakan naive bayes tidak memiliki varians untuk diminimalkan.
Source: [Link]
Dengan modul dan materi yang update, belajar data science menjadi lebih mudah dan
terstruktur dan menyenangkan bersama DQLab. Karena terdiri dari modul-modul up-to-
date dan sesuai dengan penerapan industri yang disusun oleh mentor-mentor
professional. Yuk, belajar terstruktur dan lebih interaktif caranya dengan Sign Up
sekarang untuk #MulaiBelajarData di DQLab:
Buat Akun Gratis dengan Signup di [Link]/signup atau isi form dibawah ini ya!
Selesaikan modulenya, dapatkan sertifikat & reward menarik dari DQLab
Subscribe [Link] untuk Akses Semua Module Premium! cukup dengan Sign up
sekarang di [Link] untuk nikmati pengalaman belajar yang seru dan menyenangkan!
Penulis: Rian Tineges
Editor: Annissa Widya Davita
Mulai Belajar
Data Science Sekarang
Bersama DQLab
Buat Akun Belajar & Mulai Langkah
Kecilmu Mengenal Data Science.
Buat Akun
Saya memahami dan menyetujui DQLab Terms of Service
Belajar Gratis Sekarang
Atau
Sign-Up dengan Google
Sign-Up dengan Facebook
Sudah punya akun? Login
Alamat :
Jl. Boulevard Gading Serpong,
Kel. Curug Sangereng,
Kec. Kelapa Dua,
Kab. Tangerang, Provinsi Banten,
Kode Pos: 15810
Follow Us :
Instagram
Facebook
LinkedIn
DQLab
About DQLab
Member Success Story
Contact Us
Community
Pricing Plan
FAQ
Data Science
Library
Blog & Events
Business Use-Case
Data Roles
Program
Learning Modules
Build Your Data Portfolio
Partnership
Events
Data Analyst Python Track
Owned by Yayasan Multimedia Nusantara & Xeratic