2009 TA PP DIAH EKA YULIANTI 1-COVER
Terbatas  rikrik
» Gedung UPT Perpustakaan
Terbatas  rikrik
» Gedung UPT Perpustakaan
2009 TA PP DIAH EKA YULIANTI 1-BAB 1
Terbatas  rikrik
» Gedung UPT Perpustakaan
Terbatas  rikrik
» Gedung UPT Perpustakaan
2009 TA PP DIAH EKA YULIANTI 1-BAB 2
Terbatas  rikrik
» Gedung UPT Perpustakaan
Terbatas  rikrik
» Gedung UPT Perpustakaan
2009 TA PP DIAH EKA YULIANTI 1-BAB 3
Terbatas  rikrik
» Gedung UPT Perpustakaan
Terbatas  rikrik
» Gedung UPT Perpustakaan
2009 TA PP DIAH EKA YULIANTI 1-BAB 4
Terbatas  rikrik
» Gedung UPT Perpustakaan
Terbatas  rikrik
» Gedung UPT Perpustakaan
2009 TA PP DIAH EKA YULIANTI 1-BAB 5
Terbatas  rikrik
» Gedung UPT Perpustakaan
Terbatas  rikrik
» Gedung UPT Perpustakaan
2009 TA PP DIAH EKA YULIANTI 1-BAB 6
Terbatas  rikrik
» Gedung UPT Perpustakaan
Terbatas  rikrik
» Gedung UPT Perpustakaan
2009 TA PP DIAH EKA YULIANTI 1-PUSTAKA
Terbatas  rikrik
» Gedung UPT Perpustakaan
Terbatas  rikrik
» Gedung UPT Perpustakaan
Naive Bayes (NB) merupakan salah satu metode klasifikasi data, jenis dari Bayesian Network (BN)
yang paling sederhana (naive). Namun dengan kesederhanaan ini, NB dapat memberikan akurasi hasil
klasifikasi yang sama memuaskannya dengan metode klasifikasi lain yang memerlukan proses lebih
kompleks untuk membangun model klasifikasinya. Tugas Akhir ini mengkaji faktor-faktor kesederhanaan
metode klasifikasi NB.
Analisis dititikberatkan pada faktor kesederhanaan NB, yang dikaitkan dengan performansi dan
akurasi NB, untuk selanjutnya dibandingkan dengan metode klasifikasi lain yaitu General Bayesian
Network (GBN) dan Decision Tree (DT). Perbandingan mencakup tahapan konstruksi model klasifikasi
dilengkapi dengan perbandingan kompleksitas menggunakan notasi O-Besar. Hipotesa analisis
menunjukkan bahwa kesederhanaan NB disebabkan oleh adanya asumsi independen, sehingga kompleksitas
pembangunan model klasifikasi NB menjadi rendah.
Untuk menguji keakuratan klasifikasi, digunakan perangkat lunak yang berbeda untuk setiap metode,
yaitu NBC untuk metode NB, Bromo Classifier untuk GBN algoritma TPDA dan program C4.5 untuk DT.
Pengujian dibatasi hanya untuk data yang seluruhnya bernilai kategorik dan tidak mengandung nilai
kosong. Hasil pengujian akurasi menunjukkan bahwa ketiga metode menghasilkan tingkat akurasi
memuaskan.
Kesimpulan dari Tugas Akhir ini adalah walaupun NB merupakan jenis BN sederhana melalui asumsi
independennya, namun akurasi yang dihasilkan sama memuaskan dengan metode klasifikasi lain yang
konstruksinya lebih kompleks (dengan rata-rata tingkat akurasi > 90%). Sedangkan dari hasil
perbandingan performansi, didapatkan bahwa metode NB memberikan performansi paling baik dengan
kompleksitas sebesar O(n2) dibandingkan dengan GBN (O(n2 log n2)) dan DT (O(nm)).