Smart Housing Location Finder
Sistem Data Mining untuk Menentukan Lokasi Perumahan Terbaik dengan Algoritma Naive Bayes
0
Data Prediksi
0
Lokasi Layak
0
Lokasi Tidak Layak
85%
Model Naive Bayes
Variabel Kriteria
Harga Tanah
Murah, Sedang, Mahal
Jarak
Dekat, Sedang, Jauh
Angkutan Umum
Ada, Tidak Ada
Hasil Keputusan
Dipilih, Tidak Dipilih
Prediksi Terbaru
| Lokasi | Harga Tanah | Jarak | Angkutan | Hasil | Probabilitas |
|---|---|---|---|---|---|
| Belum ada data prediksi. Mulai dengan menambahkan prediksi baru. | |||||
Prediksi Lokasi Baru
Masukkan kriteria lokasi untuk mendapatkan prediksi kelayakan menggunakan Naive Bayes
Form Input Kriteria
Hasil Prediksi
Hasil prediksi akan muncul di sini setelah Anda mengisi form dan menekan tombol prediksi
Data Training
Data historis yang digunakan untuk melatih model Naive Bayes
Dataset Training Naive Bayes
| No | Harga Tanah | Jarak | Angkutan Umum | Keputusan |
|---|---|---|---|---|
| 1 | Murah | Dekat | Tidak | Ya |
| 2 | Sedang | Dekat | Tidak | Ya |
| 3 | Mahal | Dekat | Tidak | Ya |
| 4 | Mahal | Jauh | Tidak | Tidak |
| 5 | Mahal | Sedang | Tidak | Tidak |
| 6 | Sedang | Jauh | Ada | Tidak |
| 7 | Murah | Jauh | Ada | Tidak |
| 8 | Murah | Sedang | Tidak | Ya |
| 9 | Mahal | Jauh | Ada | Tidak |
| 10 | Sedang | Sedang | Ada | Ya |
Algoritma Naive Bayes
Penjelasan dan rumus algoritma yang digunakan dalam sistem
Apa itu Naive Bayes?
Naive Bayes adalah algoritma klasifikasi probabilistik berdasarkan Teorema Bayes dengan asumsi independensi antar fitur. Algoritma ini sangat efektif untuk klasifikasi dengan dataset yang memiliki banyak fitur.
Rumus Teorema Bayes:
P(C|X) = P(X|C) × P(C) / P(X)
Komponen Rumus
- P(C|X) Probabilitas posterior (kelas C jika diketahui fitur X)
- P(X|C) Likelihood (fitur X jika diketahui kelas C)
- P(C) Prior probability (probabilitas kelas sebelum observasi)
- P(X) Evidence (probabilitas fitur X)
Langkah-langkah Perhitungan
Hitung Prior
Hitung P(Dipilih) dan P(Tidak Dipilih) dari data training
Hitung Likelihood
Hitung probabilitas setiap fitur untuk setiap kelas
Kalikan Probabilitas
P(C) × P(X1|C) × P(X2|C) × P(X3|C)
Bandingkan & Pilih
Pilih kelas dengan probabilitas tertinggi
1. Prior Probability (Probabilitas Awal)
Rumus:
P(Class) = Jumlah Class / Total Data
Data Dipilih (Ya):
-
Data Tidak Dipilih (Tidak):
-
Visualisasi Prior:
2. Likelihood (Probabilitas Setiap Fitur per Kelas)
Untuk Kelas: DIPILIH (Ya)
Untuk Kelas: TIDAK DIPILIH (Tidak)
3. Contoh Perhitungan Prediksi
Prediksi: Harga = Murah, Jarak = Dekat, Angkutan = Tidak
P(Ya | Murah, Dekat, Tidak):
= P(Ya) × P(Murah|Ya) × P(Dekat|Ya) × P(Tidak|Ya)
-
P(Tidak | Murah, Dekat, Tidak):
= P(Tidak) × P(Murah|Tidak) × P(Dekat|Tidak) × P(Tidak|Tidak)
-
Hasil Prediksi:
-
Hasil Prediksi
Daftar seluruh hasil prediksi lokasi perumahan
Riwayat Prediksi
| No | Lokasi | Harga Tanah | Jarak | Angkutan | Hasil | Probabilitas | Aksi |
|---|---|---|---|---|---|---|---|
| Belum ada data prediksi. | |||||||
Bantuan & Panduan
Panduan penggunaan sistem data mining lokasi perumahan
1 Cara Menggunakan Sistem
- • Pilih menu Prediksi untuk melakukan prediksi lokasi baru
- • Isi semua kriteria: Nama Lokasi, Harga Tanah, Jarak, dan Angkutan Umum
- • Klik tombol Proses Prediksi untuk melihat hasil
- • Hasil akan menampilkan apakah lokasi Dipilih atau Tidak Dipilih
2 Penjelasan Kriteria
- 💰 Harga Tanah: Kategori harga (Murah/Sedang/Mahal)
- 📍 Jarak: Jarak ke pusat kota (Dekat/Sedang/Jauh)
- 🚌 Angkutan Umum: Ketersediaan transportasi publik
- ✅ Hasil: Rekomendasi berdasarkan analisis Naive Bayes
? FAQ - Pertanyaan Umum
Bagaimana cara kerja prediksi?
Sistem menggunakan algoritma Naive Bayes yang menghitung probabilitas berdasarkan data training historis.
Seberapa akurat hasilnya?
Akurasi model sekitar 85% berdasarkan validasi data training.
Apakah data saya tersimpan?
Ya, semua prediksi tersimpan di Canva Sheet dan dapat dilihat di menu Hasil.
Bagaimana cara menghapus data?
Gunakan tombol hapus pada setiap baris di menu Hasil, atau tombol "Hapus Semua".