Contoh Perhitungan untuk naive bayes Terdapat 10 data Temper Tem peratu ature re
ION
CO
Status
64 69 70 53 67 23
Photoe Photoelec lectri tri c 32 24 30 30 28 40
25 23 21 24 22 35
84 86 88 85 90 120
30
35
29
118
29
32
25
192
35
41
36
101
24
38
27
100
Kebakaran Kebakaran Kebakaran Kebakaran Kebakaran Tidak Kebakaran Tidak Kebakaran Tidak Kebakaran Tidak Kebakaran Tidak Kebakaran
Selanj Selanjutn utnya ya dihitu dihitung ng pelua peluang ng untuk untuk masin masing-m g-mas asing ing ke kelas las dan Input Input dengan dengan rumus P(Kelas) = Banyaknya data yang jatuh pada kelas/ jumlah data P(Kebakaran) P(Kebakaran) = 5/10 = 0,5 P(Tidak Kebakaran) Kebakaran) = 5/10 = 0,5 P(NILAI|Kategori) = (1 + Banyaknya data input yang jatuh pada kelas dengan interval tertentu )/(jumlah data + jumlah interval) Temperature Status\Nilai Interval Kebakaran Tidak Kebakaran
<51 0,86 0,14
≥51 0,14 0,86
<35 0,86 0,29
≥35 0,14 0,71
<28 0,86 0,43
≥28 0,14 0,57
Photoelectric Status\Nilai Interval Kebakaran Tidak Kebakaran
ION Status\Nilai Interval Kebakaran Tidak Kebakaran
CO Status\Nilai Interval Kebakaran Tidak Kebakaran
<91 0,86 0,14
≥91 0,14 0,86
Terdapat sebuah data set baru : Temperature 54
PhotoElectric 32
ION 24
CO 84
Dengan rumus Vnb = P(Kelas) ∏ P(input|Kelas) Jadi Vnb kebakaran
= P(Kebakaran) ∏ P(input | Kebakaran)
= 0,5 *(0,14 * 0,86 * 0,86 * 0,86) = 0,04
Vnb Tidak Kebakaran
= P(Tidak Kebakaran) ∏ P(Input|Tidak Kebakaran)
= 0,5*(0,86*0,29*0,43*0,14) =7,50 X 10-3 Karena Vnb Kebakaran lebih tinggi daripada Vnb Tidak Kebakaran maka bisa diasumsikan telah terjadi kebakaran dengan persentase untuk tiap kelas sebagai berikut Vnb Kebakaran
: 84.19%
Vnb Tidak Kebakaran
: 15.81%