scholarly journals Sistem Pakar Diagnosa Penyakit Pada Kucing Menggunakan Metode Naive Bayes Classifier

Techno Com ◽  
2018 ◽  
Vol 17 (2) ◽  
pp. 134-144
Author(s):  
Cerly Widiyawati ◽  
Mohammad Imron
Keyword(s):  
Naive Bayes ◽  
User Acceptance ◽  
Naïve Bayes ◽  
Acceptance Test ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Rule Based

Tujuan dari penelitian ini adalah membangun sebuah perangkat lunak untuk mendiagnosa penyakit pada kucing yang dilengkapi dengan solusi atau saran terhadap penyakit yang terindikasi, tujuan lain dari penelitian ini adalah untuk mengetahui kinerja metode naïve bayes dengan mencari nilai akurasinya. Sistem pakar ini dibangun menggunakan metode naïve bayes classifier sebagai pengambilan keputusannya. Sistem pakar ini dibuat menggunakan penerapan berbasis aturan (Rule-Based Reasoning), basis pengetahuan diperoleh dari dokter spesialis hewan dan literatur-literatur yang mendukung. Dataset yang digunakan terdiri dari 20 penyakit dan 73 gejala. Sistem pakar ini dirancang menggunakan bahasa pemrograman PHP. Hasil dari penelitian ini berupa nilai akurasi metode naïve bayes classifier yaitu sebesar 85% dari 10 pasien, hasil ini diperoleh dengan uji coba perbandingan hasil hipotesis dokter hewan dengan perhitungan klasifikasi naïve bayes classifier. Dengan hasil uji coba ini diperoleh tanggapan dari pakar bahwa sistem ini dapat membantu pekerjaannya untuk mendiagnosa penyakit kucing dengan cepat, dan untuk pemelihara hewan dapat menghemat waktu dan biaya, dari hasil UAT (User Acceptance Test) didapatkan 84 % dari 10 pemelihara kucing setuju bahwa menggunakan sistem pakar ini bermanfaat bagi mereka.

scholarly journals Penggunaan Metode Naïve Bayes Classifier pada Analisis Sentimen Facebook Berbahasa Indonesia

2019 ◽  
Vol 18 (1) ◽  
pp. 145
Author(s):  
Putu Sri Merta Suryani ◽  
Linawati Linawati ◽  
Komang Oka Saputra
Keyword(s):  
Markov Model ◽  
Hidden Markov Model ◽  
Naive Bayes ◽  
Hidden Markov ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Rule Based ◽  
Pos Tagging

Analisis  sentimen merupakan  bidang  yang  saat  ini sangat  diminati  oleh  berbagai  kalangan.  Analisis  sentimendapat dilakukan   dengan  menggunakan  dokumen  maupun  opini   dari media  sosial. Salah  satu  media  sosial  yang  biasanya  digunakan sebagai  sarana   opini  adalah  media  sosial Facebook. Sebelum sebuah  teks  diklasifikasikan,  perlu  dilakukan POS  Tagging yang merupakan  tahap  pelabelan  kata  dimana  tujuannya  adalah  untuk menentukan  kata  yang  termasuk  opini  dan  non  opini.  Untuk pelabelan kata  dapat   menggunakan Hidden   Markov   Model maupun Rule Based. Adapun metode yang biasa digunakan dalam analisis sentimen adalah metode Naïve Bayes Classifier. Metode ini mengklasifikasikan probalitas  dengan   sederhana. Naïve   Bayes Classifier dapat   digunakan  untuk  mengklasifikasikan  opini  ke dalam  opini   positif   maupun   negatif. Selain   itu   metode   ini menggunakan  data  latih  dalam  proses  klasifikasinya. Klasifikasi yang  dihasilkan  dari  metode Naïve  Bayes  Classifier tergolong cukup baik. Untuk  menguji   tingkat   keakuratan   sistem   dalam mengklasifikasikan    opini,    maka    dilakukan    pengujian    hasil klasifikasi.   Dari   hasil   pengujian   diperoleh   rata-rata   akurasi sebesar 87,1 %. Semakin banyak data latih yang mirip dengan data testing maka hasil klasifikasi akan semakin bagus. Kata  Kunci—Facebook, Analisis  Sentimen, POS Tagging, Naïve Bayes Classifier, Akurasi

scholarly journals Pengukuran Kinerja Spam Filter Menggunakan Graham's Naïve Bayes Classifier

2013 ◽  
Vol 2 (1) ◽  
pp. 1
Author(s):  
Julio Adisantoso ◽  
Wildan Rahman
Keyword(s):  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Rule Based ◽  
Spam Filter ◽  
Content Based Filtering ◽  
Email Spam

<p>Email spam telah menjadi masalah utama bagi pengguna dan penyedia jasa Internet. Pendekatan heuristic telah dilakukan untuk menyaring spam seperti black-listing atau rule-based filtering, namun hasilnya kurang memuaskan sehingga pendekatan berbasis konten (content-based filtering) menggunakan pengklasifikasi naïve Bayes lebih banyak digunakan saat ini. Penelitian ini bertujuan membandingkan pengklasifikasi naïve Bayes multinomial yang menggunakan atribut boolean dengan versi Graham, dan juga membandingkan kinerja dari dua metode untuk data latih, yaitu train-everything (TEFT) dan train-on-error (TOE). Hasil evaluasi menunjukkan bahwa naïve Bayes multinomial memiliki kinerja lebih baik dibanding versi Graham. Di samping itu, metode data latih menggunakan TEFT dapat meningkatkan akurasi model klasifikasi dibanding metode TOE.</p><p>Kata kunci: filter spam, naïve Bayes, metode training</p>

An Approach for the Segmentation of Satellite Images Using Moving KFCM and Naive Bayes Classifier

2013 ◽  
Vol 3 (2) ◽  
pp. 7-15 ◽  
Author(s):  
S. Praveena ◽  
◽  
S.P. Singh ◽  
I.V. Muralikrishna ◽  
◽  
...  
Keyword(s):  
Satellite Images ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier

scholarly journals Determination of near-fault impulsive signals with multivariate naïve Bayes method

2021 ◽  
Author(s):  
Deniz Ertuncay ◽  
Giovanni Costa
Keyword(s):  
Naive Bayes ◽  
Strong Motion ◽  
Naïve Bayes ◽  
Strike Slip ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Earthquake Physics ◽  
Near Fault ◽  
A Site

AbstractNear-fault ground motions may contain impulse behavior on velocity records. To calculate the probability of occurrence of the impulsive signals, a large dataset is collected from various national data providers and strong motion databases. The dataset has a large number of parameters which carry information on the earthquake physics, ruptured faults, ground motion parameters, distance between the station and several parts of the ruptured fault. Relation between the parameters and impulsive signals is calculated. It is found that fault type, moment magnitude, distance and azimuth between a site of interest and the surface projection of the ruptured fault are correlated with the impulsiveness of the signals. Separate models are created for strike-slip faults and non-strike-slip faults by using multivariate naïve Bayes classifier method. Naïve Bayes classifier allows us to have the probability of observing impulsive signals. The models have comparable accuracy rates, and they are more consistent on different fault types with respect to previous studies.

Sign in / Sign up

Export Citation Format

Share Document