Algoritma Naive Bayes: Contoh Hitung Manual untuk Klasifikasi Ulasan

Algoritma Naive Bayes adalah metode klasifikasi yang nebak kategori sebuah data dengan ngitung peluang tiap kategori, lalu ambil yang angkanya paling besar.

Buat klasifikasi teks kayak ulasan produk, algoritma ini masih jadi baseline yang susah dikalahin. Ringan, cepat, dan bisa kamu hitung manual pakai kalkulator biasa.

Di artikel ini aku bawa 10 ulasan toko online UMKM, hitung sampai ketemu angka 67,4%, terus cocokin hasilnya pakai scikit-learn biar kamu yakin hitungannya benar.

Apa itu algoritma Naive Bayes?

Naive Bayes adalah algoritma klasifikasi berbasis Teorema Bayes yang ngitung peluang sebuah data masuk ke tiap kelas, lalu milih kelas dengan peluang tertinggi. Dia disebut naive gara-gara nganggap semua fitur saling bebas satu sama lain. Asumsi itu jarang benar di dunia nyata, tapi hasil klasifikasinya tetap akurat.

Contoh paling gampang: kamu punya ribuan ulasan di marketplace. Kamu mau tau mana yang positif dan mana yang negatif tanpa baca satu-satu.

Naive Bayes belajar dari ulasan yang udah dilabeli manusia, lalu nebak label ulasan baru berdasarkan kata-kata yang muncul di dalamnya.

Kenapa algoritma ini disebut naive?

Kata naive datang dari asumsi bahwa kemunculan tiap kata nggak dipengaruhi kata lain di kalimat yang sama.

Padahal di ulasan asli, kata "pengiriman" dan "cepat" sering muncul bareng. Naive Bayes cuek sama fakta itu dan ngitung keduanya terpisah.

Anehnya, model ini tetap sering menang. Buat urusan nentuin kelas mana yang paling besar peluangnya, kesalahan asumsi tadi biasanya nggak ngubah urutan pemenangnya.

Gimana rumus Naive Bayes bekerja?

Rumus intinya cuma satu baris. Peluang sebuah kelas setelah lihat data sama dengan peluang kelas itu dikali peluang tiap fitur di dalam kelas tersebut.

P(kelas | kata1, kata2, ...) ∝ P(kelas) × P(kata1|kelas) × P(kata2|kelas) × ...

Simbol ∝ artinya "sebanding dengan". Kita nggak perlu penyebutnya, soalnya penyebut itu sama buat semua kelas dan nggak ngubah siapa yang menang.

Buat teks, P(kata|kelas) dihitung dari jumlah kemunculan kata itu di kelas tersebut dibagi total kata di kelas yang sama.

Ada satu tambahan wajib: Laplace smoothing. Kita nambahin 1 ke tiap hitungan kata, biar kata yang belum pernah muncul nggak bikin seluruh perkalian jadi nol.

P(kata|kelas) = (jumlah kata di kelas + 1) / (total kata di kelas + jumlah kata unik)

Contoh hitung manual: klasifikasi ulasan toko_berkah

Aku pakai 10 ulasan dari dataset latihan toko_berkah, sebuah toko perlengkapan rumah tangga yang jualan di marketplace. Enam ulasan positif, empat negatif.

No	Isi ulasan	Label
1	barang bagus pengiriman cepat	positif
2	kualitas bagus harga murah	positif
3	pengiriman cepat penjual ramah	positif
4	barang bagus penjual ramah	positif
5	harga murah barang bagus	positif
6	kualitas bagus pengiriman cepat	positif
7	barang rusak pengiriman lambat	negatif
8	kualitas jelek harga mahal	negatif
9	pengiriman lambat penjual cuek	negatif
10	barang rusak penjual cuek	negatif

Ulasan yang mau kita tebak: "pengiriman lambat barang bagus". Sengaja aku pilih yang campur, biar kelihatan gimana algoritma ini ngambil keputusan.

Langkah 1: hitung peluang awal tiap kelas

Ini gampang. Tinggal bagi jumlah dokumen per kelas dengan total dokumen.

P(positif) = 6 / 10 = 0,6
P(negatif) = 4 / 10 = 0,4

Langkah 2: hitung total kata per kelas

Tiap ulasan di atas punya 4 kata. Jadi kelas positif punya 6 × 4 = 24 kata, kelas negatif punya 4 × 4 = 16 kata.

Kata unik di seluruh dataset ada 14: barang, bagus, pengiriman, cepat, kualitas, harga, murah, penjual, ramah, rusak, lambat, jelek, mahal, cuek.

Langkah 3: hitung kemunculan tiap kata

Kata	Muncul di positif	Muncul di negatif
barang	3	2
bagus	5	0
pengiriman	3	2
cepat	3	0
lambat	0	2
penjual	2	2
Total kata	24	16

Perhatikan kata "lambat". Di kelas positif hitungannya nol. Tanpa smoothing, kelas positif langsung gugur di sini walau tiga kata lain mendukung.

Langkah 4: hitung peluang tiap kata pakai Laplace smoothing

Penyebutnya: 24 + 14 = 38 buat positif, dan 16 + 14 = 30 buat negatif.

Kelas positif:
P(pengiriman|pos) = (3+1)/38 = 4/38  = 0,1053
P(lambat|pos)     = (0+1)/38 = 1/38  = 0,0263
P(barang|pos)     = (3+1)/38 = 4/38  = 0,1053
P(bagus|pos)      = (5+1)/38 = 6/38  = 0,1579

Kelas negatif:
P(pengiriman|neg) = (2+1)/30 = 3/30  = 0,1000
P(lambat|neg)     = (2+1)/30 = 3/30  = 0,1000
P(barang|neg)     = (2+1)/30 = 3/30  = 0,1000
P(bagus|neg)      = (0+1)/30 = 1/30  = 0,0333

Langkah 5: kalikan semuanya

Skor positif = 0,6 × 0,1053 × 0,0263 × 0,1053 × 0,1579
             = 0,0000276

Skor negatif = 0,4 × 0,1000 × 0,1000 × 0,1000 × 0,0333
             = 0,0000133

Skor positif lebih besar. Jadi ulasan "pengiriman lambat barang bagus" diklasifikasi sebagai positif.

Langkah 6: ubah jadi persentase

Bagi tiap skor dengan totalnya biar kebaca sebagai peluang.

Total = 0,0000276 + 0,0000133 = 0,0000409

Peluang positif = 0,0000276 / 0,0000409 = 0,674  → 67,4%
Peluang negatif = 0,0000133 / 0,0000409 = 0,326  → 32,6%

Angka 67,4% ini yang menarik. Model yakin ulasannya positif, tapi keyakinannya nggak penuh. Di sistem moderasi ulasan, ambang kayak gini biasanya dipakai buat nandain ulasan yang perlu dicek manusia.

Kalau kamu bikin aturan "apapun di bawah 80% masuk antrian review manual", ulasan ini bakal ketahan. Dan memang seharusnya gitu, soalnya isinya beneran campur.

Gimana cara ngecek hitungannya di Python?

Sepuluh baris kode ini ngasih angka yang sama persis dengan hitungan manual di atas.

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

ulasan = [
    "barang bagus pengiriman cepat",
    "kualitas bagus harga murah",
    "pengiriman cepat penjual ramah",
    "barang bagus penjual ramah",
    "harga murah barang bagus",
    "kualitas bagus pengiriman cepat",
    "barang rusak pengiriman lambat",
    "kualitas jelek harga mahal",
    "pengiriman lambat penjual cuek",
    "barang rusak penjual cuek",
]
label = ["positif"] * 6 + ["negatif"] * 4

vec = CountVectorizer()
X = vec.fit_transform(ulasan)

model = MultinomialNB(alpha=1.0)
model.fit(X, label)

uji = vec.transform(["pengiriman lambat barang bagus"])
print(model.classes_)
print(model.predict(uji))
print(model.predict_proba(uji).round(3))

Hasilnya:

['negatif' 'positif']
['positif']
[[0.326 0.674]]

Sama persis. Parameter alpha=1.0 itu Laplace smoothing yang tadi kita hitung manual. Detail tiap variannya ada di dokumentasi resmi scikit-learn.

Coba ganti alpha=1.0 jadi alpha=0. Peluang positif langsung jatuh ke nol, dan model nebak negatif. Itu efek kata "lambat" yang hitungannya nol tadi.

Kapan Naive Bayes cocok dipakai?

Naive Bayes paling kuat di data teks berdimensi tinggi dengan jumlah contoh yang terbatas. Klasifikasi ulasan, filter spam, penyortiran tiket customer service, dan pelabelan topik artikel semuanya masuk kategori ini. Waktu latihnya hitungan detik walau datanya puluhan ribu baris.

Situasi	Naive Bayes	Alternatif
Klasifikasi teks, data ratusan sampai ribuan	Pilihan pertama	Logistic Regression
Fitur saling berkorelasi kuat	Kurang cocok	Random Forest
Butuh interpretasi per fitur	Bagus, tinggal lihat log peluang	Decision Tree
Data angka kontinu tanpa pola normal	Hati-hati	Gradient Boosting

Kalau kamu lagi nyusun skripsi dan butuh baseline yang gampang dipertanggungjawabkan di sidang, Naive Bayes pilihan aman. Semua langkahnya bisa kamu tulis manual di lampiran.

Kesalahan umum waktu pakai Naive Bayes

1. Lupa smoothing. Ini penyebab nomor satu model kelihatan "rusak". Satu kata baru aja bisa bikin seluruh kelas gugur.
2. Kelas nggak seimbang. Kalau data latihmu 90% positif, model bakal nebak positif hampir terus. Cek dulu sebarannya sebelum nyalahin algoritmanya.
3. Nggak bersihin teks. "Bagus", "bagus!", dan "BAGUS" dianggap tiga kata beda kalau kamu nggak nyeragamin huruf kecil dan buang tanda baca.
4. Baca akurasi doang. Di data timpang, akurasi 90% bisa berarti model nggak pernah nebak kelas minoritas sekalipun. Baca dulu confusion matrix dan artinya buat bisnis.
5. Nge-test pakai data latih. Angkanya bakal bagus dan nggak berarti apa-apa. Pisahkan data uji sejak awal.

Satu hal lagi soal kualitas input. Ulasan yang isinya cuma emoji atau "mantap gan" nggak kasih sinyal apa-apa ke model. Bersihin dulu, dan pahami kenapa data quality nentuin batas atas akurasi yang bisa kamu capai.

Gimana cara ngitung frekuensi kata tanpa Python?

Kalau datamu masih di spreadsheet dan jumlahnya di bawah seribu baris, kamu bisa bikin tabel hitungan tadi tanpa coding.

Pakai COUNTIFS buat ngitung berapa ulasan berlabel positif yang mengandung kata tertentu. Gabungkan dengan wildcard bintang di kriterianya, misalnya "*bagus*".

Buat total kata per kelas, SUMPRODUCT bisa nolongin karena dia bisa ngaliin dan nambahin array sekaligus.

Cara ini nggak sepraktis Python, tapi berguna banget waktu kamu lagi belajar. Kamu lihat sendiri angkanya bergerak, bukan cuma percaya output library.

FAQ

Apa bedanya Multinomial, Bernoulli, dan Gaussian Naive Bayes?

Multinomial dipakai kalau fiturmu berupa hitungan, misalnya berapa kali sebuah kata muncul di ulasan. Bernoulli dipakai kalau kamu cuma peduli kata itu muncul atau nggak. Gaussian dipakai buat angka kontinu kayak harga atau umur, dan dia nganggap tiap fitur nyebar mengikuti kurva normal. Buat teks, Multinomial biasanya pilihan pertama.

Kenapa hasil perkalian peluangnya kecil banget?

Soalnya kamu ngaliin banyak angka yang semuanya di bawah 1. Sepuluh kata aja udah bikin hasilnya di kisaran 0,00000001. Di ulasan panjang, angkanya bisa lebih kecil dari batas presisi komputer dan berubah jadi nol. Makanya library kayak scikit-learn ngitung pakai logaritma, jadi perkalian berubah jadi penjumlahan.

Berapa data latih minimal buat Naive Bayes?

Naive Bayes tahan data sedikit, jadi ratusan contoh per kelas biasanya udah kasih hasil lumayan. Yang lebih penting bukan jumlah totalnya, tapi keseimbangan antar kelas dan keberagaman katanya. Kalau kelas negatif cuma punya 20 ulasan sementara positif punya 500, model bakal condong nebak positif terus.

Apa yang terjadi kalau ada kata baru yang nggak ada di data latih?

Tanpa smoothing, peluang kata itu jadi nol dan seluruh perkaliannya ikut nol, jadi kelas tersebut langsung gugur. Laplace smoothing nambahin 1 ke tiap hitungan biar nggak ada yang nol. Di scikit-learn ini diatur lewat parameter alpha yang defaultnya 1,0.

Naive Bayes cocok buat data selain teks nggak?

Cocok, asal kamu pilih varian yang benar. Buat data kategorikal kayak metode bayar atau kota, Multinomial atau Categorical Naive Bayes jalan bagus. Buat angka kontinu, pakai Gaussian. Yang perlu kamu sadari, asumsi antar fitur saling bebas jadi makin bermasalah kalau fiturmu berkorelasi kuat.

Rangkuman

Tiga hal yang layak kamu bawa dari sini.

Pertama, Naive Bayes cuma ngitung peluang tiap kelas lalu ambil yang terbesar. Nggak ada sihir di dalamnya, dan kamu udah lihat sendiri semua angkanya.

Kedua, Laplace smoothing itu wajib. Tanpa dia, satu kata asing bisa ngerusak seluruh prediksi.

Ketiga, angka 67,4% tadi lebih berguna dari label "positif" doang. Simpan skor peluangnya, pakai buat nentuin mana yang perlu dicek manusia.

Mau lanjut? Baca uji chi-square buat ngecek hubungan antar variabel kategorikal, atau latihan narik data ulasan dari database di NgulikSQL.