Naive Bayes Itu Apa? Penjelasan Algoritma untuk Pemula
Naive Bayes adalah algoritme machine learning dengan pengawasan yang memakai Teorema Bayes untuk menebak kategori sebuah data baru, dengan asumsi bahwa setiap fitur bersifat independen satu sama lain jika kategorinya sudah diketahui.
Pengertian sederhana
Naive Bayes bekerja dengan peluang. Dari contoh yang sudah diberi label, algoritme ini mempelajari seberapa umum setiap fitur pada tiap kategori, lalu menempatkan data baru ke kategori yang peluangnya paling besar.
Peran Teorema Bayes
Teorema Bayes memperbarui peluang sebuah hipotesis berdasarkan bukti yang tersedia. Hubungan dasarnya dapat ditulis sebagai:
[ P(y \mid x) = \frac{P(x \mid y)\,P(y)}{P(x)} ]
(P(y)) adalah peluang prior, (P(x \mid y)) adalah likelihood, dan (P(y \mid x)) adalah peluang posterior. Bila ada banyak fitur, likelihood dihitung sebagai hasil kali peluang tiap fitur.
Mengapa disebut "naive"
Model mengasumsikan semua fitur independen saat kategori sudah diketahui. Pada data nyata asumsi ini sering tidak sepenuhnya benar, sehingga algoritme disebut "naive" (polos). Meski asumsi ini sederhana, Naive Bayes tetap berguna pada tugas berdimensi tinggi seperti klasifikasi teks.
Varian yang umum
| Varian | Jenis data | Contoh |
|---|---|---|
| Gaussian Naive Bayes | Nilai numerik kontinu | Usia, pendapatan |
| Multinomial Naive Bayes | Jumlah kemunculan kata | Frekuensi kata pada dokumen |
| Bernoulli Naive Bayes | Fitur biner (ya/tidak) | Ada atau tidaknya sebuah kata |
Kapan biasanya dipakai
| Pemakaian | Contoh |
|---|---|
| Penyaringan spam | Email spam atau bukan |
| Analisis sentimen | Ulasan positif atau negatif |
| Klasifikasi dokumen | Mengelompokkan artikel berdasarkan topik |
| Skrining medis | Indikasi kategori berdasarkan gejala |
Masalah peluang nol
Jika sebuah fitur tidak pernah muncul bersama suatu kategori pada data latih, peluangnya bisa menjadi nol dan membuat seluruh hasil kali ikut nol. Untuk menghindarinya dipakai smoothing, seperti Laplace smoothing, yang menambahkan nilai dasar agar tidak ada peluang yang benar-benar nol.
Keterbatasan
Saat asumsi independensi tidak sesuai, peluang yang dihasilkan bisa terlalu yakin, sehingga sebaiknya diperiksa terhadap hasil nyata. Naive Bayes sering dipakai sebagai dasar pembanding (baseline) yang ringan untuk model yang lebih kompleks.
FAQ
Naive Bayes itu dengan pengawasan atau tanpa?
Ini algoritme dengan pengawasan, karena belajar dari data yang sudah diberi label.
Mengapa namanya "naive"?
Karena ia mengasumsikan setiap fitur independen, padahal pada data nyata asumsi ini sering tidak sepenuhnya berlaku.
Bagaimana cara kerjanya menyaring spam?
Ia menghitung frekuensi kata untuk email spam dan bukan spam, lalu menempatkan email baru pada kategori dengan peluang lebih besar.
Mengapa smoothing diperlukan?
Smoothing mencegah peluang nol, karena satu fitur yang tidak terlihat bisa membuat seluruh prediksi menjadi nol.
Poin utama
- Naive Bayes memakai Teorema Bayes untuk klasifikasi.
- Ia mengasumsikan kemandirian antar fitur.
- Sering dipakai untuk klasifikasi teks dan penyaringan spam.
- Gaussian, Multinomial, dan Bernoulli adalah varian yang umum.
Baca lanjut apa itu machine learning dan regresi logistik.
Catatan editor: Artikel ini kini didukung dua sumber independen dari penerbit berbeda (Telkom University dan IBM Think), sehingga memenuhi kriteria dua sumber. Tinjauan penutur asli tetap menunggu sebelum status dinaikkan menjadi resmi.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free