Metode Naive Bayes untuk Sistem Pendukung Keputusan(SPK)

Sistem pendukung keputusan memiliki banyak metode yang dapat kita terapkan untuk menyelesaikan masalah pengambilan keputusan, berbeda dengan sistem pendukung keputusan yang telah saya jelaskan sebelumnya. Kali ini saya akan membahas mengenai Sistem Pendukung Keputusan dengan Metode Naive Bayes.
Sistem Pendukung Keputusan Metode Naive Bayes merupakan metode spk yang mudah untuk digunakan karena metode tersebut menggunakan data yang sudah ada sebagai acuan untuk melakukan keputusan. Metode Naive Bayes sendiri tidak memerlukan bobot untuk melakukan perhitungan, namun hanya menggunakan probabilitas data yang sudah ada.
Untuk mempermudah dalam pembelajaran metode sistem pendukung keputusan naive bayes, saya akan memberikan contoh mengenai Sistem pendukung Keputusan Resiko Obesitas pada anak, berikut adalah contoh data yang sudah ada :

1. Mengalikan seluruh atribut bagi sebuah alternatif dengan bobot sebagai pangkat positif untuk atribut manfaat dan bobot berfungsi sebagai pangkat negatif pada atribut biaya.
2. Hasil perkalian dijumlahkan untuk menghasilkan nilai pada setiap alternatif.
3. Mencari nilai alternatif dengan melakukan langkah yang sama seperti langkah satu, hanya saja menggunakan nilai tertinggi untuk setiap atribut tertinggi untuk setiap atribut manfaat dan terendah untuk atribut biaya.
4. Membagi nilai V bagi setiap alternatif dengan nilai standar (V(A*)) yang menghasilkan R.
5. Ditemukan urutan alternatif terbaik yang akan menjadi keputusan.

Berikut perhitungan manual berdasarkan contoh kasus penentuan jurusan IPA dan IPS dengan menggunakan metode Weighted Product (WP).

Contoh soal :

Tiga siswa yang memilih penjurusan IPA dan IPS, memiliki data sebagai berikut :

Alternatif	Rata-rata IPA	Rata-rata IPS	Minat	Psikotest
Siswa 1	80	70	IPA	68
Siswa 2	70	72	IPA	90
Siswa 3	65	90	IPS	50

Berdasarkan data siswa diatas dapat dibentuk matriks keputusan X.

1. Konversi rata-rata IPA dikonversikan menggunakan persamaan himpunan keanggotaan dengan kurva linear naik.

Konversi Rata IPA :

• u[80] = (80-74)/(100-74) = 0.23
• u[70] = 0
• u[65] = 0.

2. Konversi Rata-rata IPS ditentukan dengan bilangan fuzzy sebagai berikut :

Konversi Rata IPS :

• u[70] = 0.5
• u[72] = 0.5
• u[90] = 1.

3. Konversi kriteria bakat ditentukan dengan bilangan binary sebagai berikut : IPA = 1 dan IPS =0.

Konversi minat siswa :

• u[IPA] = 1
• u[IPS] = 0.

4. Konversi test psikotest dikonversikan menggunakan persamaan himpunan keanggotaan dengan kurva linear naik.

Konversi Psikotest:

• u[68] = 68 / 100 = 0.68
• u[90] = 90/100 = 0.9

Obesitas Ayah	Obesitas Ibu	Aktifitas Fisik	Asupan Makanan	Kesimpulan
Obesitas	Obesitas	Ringan	Lebih	Tinggi
Obesitas	Normal	Sedang	Lebih	Tinggi
Normal	Normal	Sedang	Cukup	Sedang
Obesitas	Normal	Sedang	Cukup	Sedang
Normal	Normal	Berat	Cukup	Tinggi
Normal	Normal	Sedang	Cukup	Tinggi

Data Tersebut merupakan data yang harus ada dalam sistem sebelum nantinya digunakan untuk melakukan tes pengujian sistem pendukung Keputusan. Dari data tersebut kita akan mencoba menyelesaikan masalah tingkat resiko obesitas pada anak dengan aturan :

Obesitas Ayah : Normal
Obesitas Ibu : Obesitas
Aktifitas Fisik : Ringan
Asupan Makanan : Lebih

Tentukan kesimpulan yang dapat diambil dengan metode Naive Bayes?

Jawab :

Untuk menyelesaikan pertanyaan tersebut, kita hitung probabilitas Kemunculan dari Kesimpulan, dari data tersebut hanya terdapat 2 kesimpulan yakni : Tinggi dan Sedang jadi

Probabilitas (PTinggi = Banyaknya tinggi/Jumlah Data = 4/6 = 0.67)
Probabilitas (PSedang= Banyaknya Sedang / Jumlah Data = 2/6 = 0.3

Setalah mencari Probabilitas Kesimpulan, tahap selanjutnya kita hitung data kemunculan dari tiap Pertanyaan :

1. Pertanyaan Obesitas Ayah = Normal
   pObesitasAyahTinggi = Banyaknya data Normal / Banyaknya data Tinggi pada Kesimpulan = 2 / 4 = 0.5
   PObsitasAyahSedang = Banyaknya data Normal / Banyaknya data Sedang pada Kesimpulan =  1 / 2 = 0.5
2. Pertanyaan Obesitas Ibu = Obesitas
   pObesitasIbuTinggi = Banyaknya data Obesitas / Banyaknya data Tinggi pada Kesimpulan = 1 / 4 = 0.25
   PObsitasAyahSedang = Banyaknya data Obesitas / Banyaknya data Sedang pada Kesimpulan =  0 / 2 = 0
3. Pertanyaan Aktifitas Fisik = RinganpAktifitasTinggi = Banyaknya data Ringan / Banyaknya data Tinggi pada Kesimpulan = 1 / 4 = 0.25
   pAktifitasSedang = Banyaknya data Ringan / Banyaknya data Sedang pada Kesimpulan =  0 / 2 = 0
   
4. Pertanyaan Asupan Makanan = LebihpAsupanTinggi = Banyaknya data Lebih / Banyaknya data Tinggi pada Kesimpulan = 2 / 4 = 0.5
   pAsupanSedang = Banyaknya data Lebih / Banyaknya data Sedang pada Kesimpulan =  0 / 2 = 0
   

Setelah mencari data kemunculan dari masing-masing kesimpulan Tinggi dan Sedang, langkah selanjutnya adalah mengalikan sebuah sesuai dengan Kesimpulanya :

nTinggi = pObesitasAyahTinggi * pObesitasIbuTinggi * pAktifitasTInggi * pAsupanTInggi = 0.5 * 0.25 * 0.25 * 0.5 = 0.015

nSedang = pObesitasAyahSedang* pObesitasIbuSedang * pAktifitasSedang * pAsupanSedang = 0.5 * 0 * 0 * 0 = 0.

Langkah terakhir adalah membandingkan nTinggi dan nSedang, karena nTinggi lebih besar maka kesimpulan pertanyaan tersebut adalah Tinggi.

Sekian dulu tulisan dari saya mengenai metode Naive Bayes, source code akan saya tuliskan selanjutnya.

Terima Kasih

Sumber : Muhamad Burhanudin S.Kom