Source Code Sistem Pakar Metode NBC VB.Net

Landasan Teori

Sistem Pakar

Sistem pakar adalah suatu program komputer yang mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang spesifik. Jenis program ini pertama kali dikembangkan oleh periset kecerdasan buatan pada dasawarsa 1960-an dan 1970-an dan diterapkan secara komersial selama 1980-an. Bentuk umum sistem pakar adalah suatu program yang dibuat berdasarkan suatu set aturan yang menganalisis informasi (biasanya diberikan oleh pengguna suatu sistem) mengenai suatu kelas masalah spesifik serta analisis matematis dari masalah tersebut. Tergantung dari desainnya, sistem pakar juga mampu merekomendasikan suatu rangkaian tindakan pengguna untuk dapat menerapkan koreksi. Sistem ini memanfaatkan kapabilitas penalaran untuk mencapai suatu simpulan.

Langkah-langkah Sistem Pakar

1. Menentukan domain masalah.
2. Mengumpulkan pengetahuan dari pakar atau sumber terpercaya.
3. Membentuk basis pengetahuan.
4. Menentukan aturan dan mekanisme inferensi.
5. Memasukkan fakta atau gejala.
6. Menjalankan proses inferensi.
7. Menghasilkan kesimpulan atau rekomendasi.

Naive Bayes Classifier

Naïve Bayes adalah sebuah metode klasifikasi yang berdasarkan probabilitas dan teorema Bayesian dengan asumsi keindependenan atribut. Asumsi independensi atribut akan menghilangkan kebutuhan banyaknya jumlah data latih dari seluruh atribut yang dibutuhkan untuk mengklasifikasi suatu data. Data latih untuk Teorema Bayes membutuhkan paling tidak perkalian kartesius dari seluruh kelompok atribut yang mungkin, sehingga semakin sedikit atribut yang digunakan, akan mengurangi data latih yang dibutuhkan. Namun, pada kenyataannya asumsi atribut independen pada Naïve Bayes Classifier sering diabaikan. Hal ini disebabkan karena asumsi keindependenan atribut dalam dunia nyata hamper tidak pernah terjadi.

Langkah-langkah Naive Bayes Classifier

1. Menyiapkan data berlabel.
2. Menghitung probabilitas prior setiap kelas.
3. Menghitung probabilitas fitur terhadap kelas.
4. Menghitung probabilitas posterior untuk data baru.
5. Memilih kelas dengan probabilitas terbesar.
6. Mengevaluasi hasil klasifikasi.