Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi
Uas Data Warehouse_naive bayes
Transcript of 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
-
8/8/2019 Uas Data Warehouse_naive bayes
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
-
8/8/2019 Uas Data Warehouse_naive bayes
3/13
Penyerangan Nilai
ASCARIASIS VISCERALLARVA
ANKILOSTOMIASIS OPISTORKIASIS
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
ASCARIASIS VISCERALLARVA
ANKILOSTOMIASIS OPISTORKIASIS
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
-
8/8/2019 Uas Data Warehouse_naive bayes
4/13
Penyakit Nilai
ASCARIASIS VISCERALLARVA
ANKILOSTOMIASIS OPISTORKIASIS
Jumlah 2 2 2 4
Penyakit Probabilitas
ASCARIASIS VISCERALLARVA
ANKILOSTOMIASIS OPISTORKIASIS
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
-
8/8/2019 Uas Data Warehouse_naive bayes
5/13
A. Membuat Data source dengan nama klasifikasi.ds, untuk membuat viewsklasifikasi.dsv.
-
8/8/2019 Uas Data Warehouse_naive bayes
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 :
-
8/8/2019 Uas Data Warehouse_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.
-
8/8/2019 Uas Data Warehouse_naive bayes
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 :
-
8/8/2019 Uas Data Warehouse_naive bayes
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 :
-
8/8/2019 Uas Data Warehouse_naive bayes
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 :
-
8/8/2019 Uas Data Warehouse_naive bayes
11/13
Dapat dilihat hasil perbandingan nilai antara atribut ASCARIASIS dengan atributlainnya.
J. Lift Chart untuk atribut ASCARIASIS sebagai berikut :
-
8/8/2019 Uas Data Warehouse_naive bayes
12/13
Dapat dilihat bahwa hanya memerlukan seluruh populasi sebesar 4% untukmendapatkan hasil dari ASCARIASIS sebesar 80%.
K. Sedangkan untuk classifications matrix sebagai berikut :
-
8/8/2019 Uas Data Warehouse_naive bayes
13/13
DAFTAR PUSTAKA
Yustanti, Wiyli, S.Si,M.Kom.Modul Praktikum Data Warehouse.2010.Jurusan Teknik
Elektro Fakultas Teknik Universitas Negeri Surabaya:Surabaya