Uas Data Warehouse_naive bayes

8/8/2019 Uas Data Warehouse_naive bayes

1/13

UAS DATA WAREHOUSE

ALGORITMA NAIVE BAYES UNTUK KLASIFIKASI PENYAKIT

AKIBAT PARASIT

Oleh :

M. KAFIN / 085623080

D3 M.Informatika Reg 2 / 2008

D3 MANAJEMEN INFORMATIKA

JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS NEGERI SURABAYA

2010

1. Membuat Database Klasifikasi


2/13

No Nama Field Tipe Ukuran Keterangan

1 ID integer - ID data

2 Kelompok varchar 50 Nama kelompok Parasit

3 Nama varchar 50 Nama Parasit

4 Penyerangan varchar 50 Bagian tubuh yang diserang

5 Jalur Masuk varchar 50 Jalur masuk parasit6 Bahan Periksa Varchar 50 Bahan periksa penyakit

7 Gejala varchar 50 Gejala penderita

8 Penderita varchar 50 Penderita penyakit

9 Obat varchar 50 Obat untuk penyakit

10 Penyakit varchar 50 Nama penyakit akibat parasit

2. Tabel yang digunakan untuk Klasifikasi adalah :

ID Penderita Penyerangan Gejala Penyakit

1 MANUSIA USUS BATUK ASCARIASIS2 MANUSIA USUS DEMAM ASCARIASIS

3 MANUSIA HATI DEMAM VISCERAL LARVA

4 MANUSIA HATI RADANG HATI VISCERAL LARVA

5 ANJING USUS GATAL - GATAL ANKILOSTOMIASIS

6 KUCING USUS GATAL - GATAL ANKILOSTOMIASIS

7 ANJING EMPEDU DIARE OPISTORKIASIS

8 KUCING EMPEDU RADANG HATI OPISTORKIASIS

9 KUCING EMPEDU DIARE OPISTORKIASIS

10 MANUSIA EMPEDU DIARE OPISTORKIASIS

a. Probabilitas untuk menghitung nilai kemunculan pada atribut Penderita

Penderita Nlai

ASCARIASIS VISCERALLARVA

ANKILOSTOMIASIS OPISTORKIASIS

MANUSIA 2 2 0 1

MANUSIA 0 0 1 2

ANJING 0 0 1 1

Jumlah 2 2 2 4

Penderita Probabilitas

MANUSIA 2/2 2/2 0 1/4

MANUSIA 0 0 1/2 2/4

ANJING 0 0 1/2 1/4

Jumlah 1 1 1 1

b. Probabilitas untuk menghitung nilai kemunculan pada atribut Penyerangan


3/13

Penyerangan Nilai



USUS 2 0 2 0

HATI 0 2 0 0

EMPEDU 0 0 0 4Jumlah 2 2 2 4

Penyerangan Probabilitas

USUS 2/2 0 2/2 0

HATI 0 2/2 0 0

EMPEDU 0 0 0 4/4

Jumlah 1 1 1 1

c. Probabilitas untuk menghitung nilai kemunculan pada atribut Gejala

Gejala Nilai



BATUK 1 0 0 0

DEMAM 1 1 0 0

RADANGHATI

0 1 0 1

DIARE 0 0 0 3

GATAL -GATAL

0 0 2 0

Jumlah 2 2 2 4

Gejala Probabilitas

BATUK 1/2 0 0 0

DEMAM 1/2 1/2 0 0

RADANGHATI

0 1/2 0 1/4

DIARE 0 0 0 3/4

GATAL -GATAL 0 0 2/2 0

Jumlah 1 1 1 1

d. Probabilitas untuk menghitung nilai kemunculan pada atribut Penyakit


4/13

Penyakit Nilai



Jumlah 2 2 2 4

Penyakit Probabilitas



Jumlah 2/10 2/10 2/10 4/10

e. Menghitung probabilitas setiap kejadian : Berdasarkan data diatas, apabila penderita diketahui MANUSIA dan

penyerangan pada EMPEDU dengan gejala RADANG HATI dapat dihitung :

ASCARIS - 2/2 x 0 x 0 x 2/10 = 0

VISCERAL LARVA - 2/2 x 0 x 1/2 x 2/10 = 0

ANKILOSTOMIASIS - 0 x 0 x 0 x 2/10 = 0

OPISTORKIASIS - 1/4 x 4/4 x 1/4 x 4/10 = 0.025


5/13

A. Membuat Data source dengan nama klasifikasi.ds, untuk membuat viewsklasifikasi.dsv.


6/13

B. Setelah membuat klasifikasi.dsv, kemudian membuat mining structure dengancara klik kanan pada mining structure dengan memilih Microsoft Naive Bayesuntuk menggunakan Algoritma Naive Bayes :


7/13

C. Pilih klasifikasi sebagai data source, kemudian pilih tabel klasifikasi sebagaicase tabel.

D. Pilih ID sebagai Key, kemudian pilih Gejala,Penyerangan dan Penderita

sebagai Input dan untuk Predict pilih Penyakit.


8/13

E. Kemudian akan tampil design dari klasifikasi.dmm, Dapat juga dilihat MiningModel dari klasifikasi.dmm seperti berikut :

F. Dari Mining model tersebut akan menghasilkan Dependency Network sepertidibawah ini :


9/13

G. Atribut Profiles dari klasifikasi.dmm sebagai berikut :

Dari situ dapat dilihat atribut yang mempengaruhi keputusan untuk memprediksisebuah Penyakit.

H. Setelah itu dapat dilihat pula atribuk karakteristik dari sebuah penyakitmisalnya ASCARIASIS :


10/13

Dapat dilihat bahwa atribut yang mempengaruhi untuk prediksi penyakitASCARIASIS adalah jika penderita Manusia, penyerangan melalui Usus, dan gejalabatuk dan demam.

I. Untuk atribut descrimination sebagai berikut :


11/13

Dapat dilihat hasil perbandingan nilai antara atribut ASCARIASIS dengan atributlainnya.

J. Lift Chart untuk atribut ASCARIASIS sebagai berikut :


12/13

Dapat dilihat bahwa hanya memerlukan seluruh populasi sebesar 4% untukmendapatkan hasil dari ASCARIASIS sebesar 80%.

K. Sedangkan untuk classifications matrix sebagai berikut :


13/13

DAFTAR PUSTAKA

Yustanti, Wiyli, S.Si,M.Kom.Modul Praktikum Data Warehouse.2010.Jurusan Teknik

Elektro Fakultas Teknik Universitas Negeri Surabaya:Surabaya

Uas Data Warehouse_naive bayes

Documents

Transcript of Uas Data Warehouse_naive bayes