Naive Bayes adalah algoritma machine learning yang digunakan untuk keperluan klasifikasi atau pengelompokan suatu data. Algoritma ini didasarkan pada teorema probabilitas yang dikenalkan oleh ilmuwan Inggris Thomas Bayes. Naive Bayes berfungsi memprediksi probabilitas di masa depan berdasarkan pengalaman sebelumnya, sehingga dapat digunakan untuk pengambilan keputusan.

Algoritma Naive Bayes mempelajari probabilitas suatu objek berdasarkan ciri-ciri tertentu yang termasuk dalam kelompok atau kelas tertentu. Sederhananya, algoritma ini merupakan pengklasifikasian probabilistik. Inilah alasan mengapa Naive Bayes disebut dengan “naive”, karena membuat asumsi bahwa kemunculan fitur tertentu tidak tergantung pada kemunculan fitur lainnya.

Tentunya, setiap algoritma memiliki keuntungan yang membuatnya unggul dibandingkan algoritma lain. Berikut beberapa keuntungan Naive Bayes :

  • Algoritma Naive Bayes dapat digunakan untuk memecahkan masalah yang berkaitan dengan prediksi multi-kelas;
  • Klasifikasi Naive bayes mudah dan cepat diimplementasikan;
  • Naive Bayes membutuhkan lebih sedikit data pelatihan;
  • Algoritma Naive Bayes bekerja sangat baik dengan variabel input kategoris, dibandingkan variabel numerik.

Tipe Algoritma Naive Bayes

1. Bernoulli Naive Bayes

Prediktor pada algoritma ini adalah variabel boolean. Oleh karena itu, satu-satunya nilai yang ada adalah benar atau salah. Algoritma Naive Bayes ini digunakan ketika data sesuai dengan distribusi bernoulli multivariat.

2. Gaussian Naive Bayes

Gaussian NB adalah tipe Naïve Bayes yang mengikuti distribusi normal Gaussian dan mendukung data kontinu.

3. Naive Bayes Multinomial

Algoritma ini digunakan untuk memecahkan masalah klasifikasi dokumen. NB multinomial  akan memilah mana dokumen yang termasuk dalam suatu kategori tertentu.

Manfaat Naive Bayes

1. Prediksi Secara Real-Time

Naïve Bayes merupakan algoritma pengklasifikasian yang cepat, sehingga dapat digunakan untuk membuat real-time prediction.

2. Prediksi Multi-Kelas

Naïve Bayes dilengkapi fitur multi class prediction. Oleh karena itu algoritma ini dapat memprediksi probabilitas beberapa kelas variabel target.

3. Klasifikasi Teks

Naïve Bayes bamemiliknyak digunakan dalam spam flittering dan sentiment analysis. Ini dikarenakan Naïve Bayes memiliki hasil yang lebih baik dalam multi kelas dan aturan independensi, sehingga algoritma ini banyak digunakan dalam text classification.

4. Sistem Rekomendasi

Kolaborasi antara Naïve Bayes dan Collaborative Filtering menciptakan sistem rekomendasi. Algoritma ini menggunakan machine learning dan data mining yang gunanya untuk menyaring informasi dan memprediksi.

Baca Juga: Data Visualization adalah: Pengertian, Kegunaan dan Tipenya

(Visited 32 times, 1 visits today)