Perkuliahan 5 (08-10-2021)

 Klasifikasi 

Beberapa Model Klasifikasi :

  1.       Naïve Bayes (NB)

        Base Statistik, kemunculan suatu kelas dari data yang ada.

        Rumus :

        P(H\X) = P(x\H_/P(X) . P(H)

        Keterangan :

-                      X : Data dengan class yang belum diketahui

-                      H : Hipotesis data merupakan suatu class spesifik

-                      P(H\X) : Probabilitas hipotesis H berdasar kondisi X (posteriori probabilitas)

-                      P(H) : Probabilitas hipotesis H (prior probabilitas)

-                     P(X/H) : Probabilitas X berdasarkan kondisi pada hipotesis H

-                      P(X) : Probabilitas X

      Tahapan Algoritma Naïve Bayes :

  •          Baca Data Training
  •           Hitung Jumlah Class
  •           Hitung Jumlah Kasus yang sama dengan class yang sama
  •           Kalikan semua nilai hasil sesuai dengan data X yang dicari class-nya

     2.     K Nears Neighbords (KNN)

        Kedekatan dari data – data di sekitarnya.

    3.     Decision Tree (DT)

               Melakukan klasifikasi , tetapi kita membuat pilihan-pilihan seperti pohon. Bisa dua cabang             satu kedalaman atau bisa banyak

4.              4. Support Vector Machine (SVM)

                    Kerjanya kita membuat sebuah pemisah , pemisah ini berupa garis (plan) atau berupa bidang             (hyper plan). Dilihat dari titik titik pemisah di sekitar itu.

5.               5. Neural Network (NN)

        Mencari bobot. Mengadopsi saraf saraf otak.

6.               6. Ensemble Learning (EL)

               Menggabungkan beberapa model, seperti menggabungkan model Naïve Bayes dan K nears              Neighbords

        Klasifikasi output atau label kelasnya berupa kategorikal (binary atau multiclass).

Comments

Post a Comment

Popular posts from this blog

Perkuliahan 2 (17-09-2021)

  Machine Learning bahan utamanya adalah data Data yang diproduksi bisa mencapai zeta. Bidang bidang yang menghasilkan data banyak, yaitu terutama  social media. Perbedaan data terstruktur & Data tidak terstrukturData Terstruktur           - Sudah tertabulasi (terdata gampang)         2. Data Tidak Terstruktur           - Data – data berupa teks Perbedaan Data dan Informasi         1. Data :                  Data adalah fakta mentah atau rincian peristiwa yang belum diolah, yang terkadang tidak                dapat diterima oleh akal pikiran dari penerima tersebut, maka dari itu data harus diolah terlebih           dahulu menjadi informasi unuk dapat diterima oleh penerima         2. Informasi :   ...
Read more

Perkuliahan 7 (22-10-2021)

 Support Vector Machine            Konsep Klasifikasi dengan Support Vector Machine (SVM) adalah mencari hyperplane terbaik yang berfungsi sebagai pemisah du akelas data            Ide sederhana dari SVM adalah memaksimalkan margin, yang merupakan jarak pemisah antara kelas data            SVM mampu bekerja pada dataset yang berdiensi tinggi dengan menggunakan kernel titik            SVM hanya menggunakan beberapa titik data terpilih yang berkontribusi (Support Vector) untuk membentuk model yang akan digunakan dalam proses klasifikasi. Tujuan            Mencari Hyperlane maksimum Definisi Dasar            Decision Boundary : Pemisah antar class – hyperlane            Margin : Jarak terdekat dari decision boundary dengan data yang ingin dipisahkan    ...
Read more

Perkuliahan 10 (26-11-2021)

 Agglomerative Hierarchical Clustering (AHC)      Hierarchical CLustering adalah metode analisis kelompok yang berusaha untuk membangun sebuah hirarki kelompok data. Strategi pengelompokkannya umumnya ada 2 jenis yaitu Agglomerative (Bottom-Up) dan Devisive (Top-Down). Pada bagian ini akan dibatasi hanya menggunakan konsep Agglomerative (Bottom-Up).  Algoritma AHC 1. Hitung matrik jarak antar data (menggunakan Euclidean atau Manhattan Disatance) 2. Gabungkan dua kelompok terdekat menjadi satu kelompok data: Single Lingkage (Jarak Terdekat) : Jarak antara member terdekat dari dua kluster Complete Lingkage (Jarak Terjauh) : Jarak antara member terjauh dari kluster. Maximum distance between cluster ,  Average Lingkage (Jarak Rata- Rata : Menghitung semua jarak  dari kumpulan - kumpulan, lalu dibuat rata- rata.  Average distance between cluster 3. Perbarui matrik jatrak antar data untuk mempresentasikan antara kelompok baru dengan kelompok yang tersis...
Read more