21
kuantitas dalam Persamaan, bersama-sama dengan xk, untuk
memperkirakan P (xk | Ci).
3.
Untuk memprediksi label
kelas x, P(X|Ci)P(Ci) dievaluasi untuk
setiap kelas Ci. Classifier
memprediksi kelas
label
dari
tuple
x
adalah kelas Ci, jika
Gambar 2.16 : Rumus Classifier Naïve Bayesian (6)
Sumber: Han dan Kamber (2011, p351)
Dengan kata lain, label kelas diprediksi adalah Ci yang mana P
(X | Ci) P (Ci) adalah maksimal.
Pengklasifikasi Bayesian
memiliki tingkat kesalahan
minimal dibandingkan dengan klasifikasi lainnya. Namun,
dalam prakteknya hal ini tidak selalu terjadi, karena
ketidakakuratan asumsi yang dibuat untuk penggunaannya,
seperti kondisi kelas independen, dan kurangnya data
probabilitas yang tersedia. Pengklasifikasi Bayesian
juga
berguna dalam memberikan pembenaran teoritis untuk
pengklasifikasi lain yang tidak secara eksplisit menggunakan
teorema Bayes.
2.5.2
Decision Tree
Menurut Han dan Kamber (2011, p332),
Decision Tree adalah
top-down pohon rekursif dari algoritma induksi, yang
menggunakan
ukuran seleksi atribut untuk memilih atribut yang diuji.
Algoritma
decision tree mencoba untuk meningkatkan akurasi
dengan
menghapus cabang-cabang pohon yang mencerminkan noise dalam
data. Decision tree merupakan salah satu teknik yang dapat digunakan
untuk
melakukan klasifikasi terhadap sekumpulan objek atau record.
Teknik ini terdiri dari
kumpulan decision node, dihubungkan oleh
cabang, bergerak ke bawah dari root node
sampai berakhir di leaf
node (Yusuf, 2009).
Decision Tree
adalah sistem pendukung
keputusan
yang berupa pohon grafik
keputusan.
Decision Tree
 |