Algoritma adalah suatu urutan dari beberapa langkah logis dan sistematis yang digunakan untuk menyelesaikan masalah tertentu. Proses atau serangkaian aturan yang harus diikuti dalam perhitungan atau operasi pemecahan masalah lainnya, terutama oleh komputer. Dengan kata lain, semua susunan logis yang diurutkan berdasarkan sistematika tertentu dan digunakan untuk memecahkan suatu masalah dapat disebut dengan algoritma.
Algoritma Sekuensial (Sequence Algorithm)
Sequence algorithm atau algoritma sekuensial merupakan algoritma yang langkah-langkahnya secara urut dari awal hingga akhir. Langkah demi langkah yang dijalankan harus urut dari atas sampai bawah.
Algoritma Perulangan (Looping Algorithm)
Looping algorithm atau algoritma perulangan merupakan suatu algoritma yang menjalankan beberapa langkah tertentu secara berulang-ulang atau looping. Pada masalah yang kita hadapi, ada pula sebuah langkah yang harus kita lakukan secara berulang-ulang.
Algoritma Percabangan atau Bersyarat (Conditional Algorithm)
Conditional algorithm atau algoritma bersyarat merupakan algoritma yang menjalankan langkah berikutnya apabila terdapat syarat yang sudah dapat dipenuhi.
Naive Bayes
Klasifikasi merupakan proses pengolompokan suatu data guna membedakan antar kelas dan kategori yang berbeda-beda. Membedakan suatu nilai kedalam kelas atau kategori. Naive Bayes adalah algoritma supervised learning yang sangat sederhana. Metode klasifikasi naive bayes atau bisa disebut klasifikasi gaussian ialah metode klasifikasi suatu nilai yang digunakan untuk menebak suatu nilai probabilitas dari kelas yang akan dideteksi.
Perhitungan NaΓ―ve Bayes
Teori Naive Bayes yaitu :
π.(π│π)= (π.(π ┤|π) . π(π))/(π(π))
Keterangan Rumus :
P ( Y |X ) : Peluang diketahui jenis Y jika diketahui keadaan jenis X.
P ( X | Y ) : Peluang fakta X jika diketaui hipotesia Y
P (Y) : Probabilitas hipotesia Y tanpa melihat fakta lainnya.
P ( X) : Peluang fakta jenis X.
K-means
Pada supervised learning kita mengetahui kelas data untuk setiap feature vector, sedangkan untuk unsupervised learning kita tidak tahu. Tujuan unsupervised learning salah satunya adalah melakukan clustering. Yaitu mengelompokkan data-data dengan karakter mirip. Untuk melakukan pembelajaran menggunakan K-means.
Langkah-langkah algoritma K-means :
Tentukan jumlah kelompok yang kita inginkan.
Inisiasi centroid untuk setiap kelompok (pada bab ini, secara acak). Centroid adalah data yang merepresentasikan suatu kelompok (ibaratnya ketua kelompok).
Hitung kedekatan suatu data terhadap centroid, kemudian masukkan data tersebut ke kelompok yang centroid-nya memiliki sifat terdekat dengan dirinya.
Pilih kembali centroid untuk masing-masing kelompok, yaitu dari anggota kelompok tersebut (semacam memilih ketua yang baru).
Ulangi langkah-langkah sebelumnya sampai tidak ada perubahan anggota untuk semua kelompok.
K-nearest-neighbor
K-nearest-neighbor (KNN) adalah mengelompokkan data ke kelompok yang memiliki sifat termirip dengannya Hal ini sangat mirip dengan Kmeans. Bila K-means digunakan untuk clustering, KNN digunakan untuk klasikasi. Algoritma klasikasi ini disebut juga algoritma malas karena tidak mempelajari cara mengkategorikan data, melainkan hanya mengingat data yang sudah ada KNN mencari K feature vector dengan sifat termirip, kemudian mengelompokkan data baru ke kelompok feature vector tersebut.
