BAB II TINJAUAN PUSTAKA
Dalam penelitian ini diambil beberapa tinjauan untuk dijadikan landasan teori dalan proses pengklasifikasian sudhi wadani dengan metode categorical naïve bayes classifier menggunakan algoritma forward chaining. Bagaimana berjalannya algoritma forward chaining dalam proses categorical naïve bayes classifier dalam penelitian ini akan dikaji terlebih dahulu secara teoritis. Adapun beberapa kajian yang diacu dalam penelitian ini adalah : 2.1 Makna Upakara Suddhi Wadani Upacara Suddhi Wadani adalah upacara dalam agama Hindu yang di cetuskan secara syah dalam Keputusan Seminar Kesatuan Tafsir terhadap Aspek-Aspek agama Hindu yang di selenggarakan tanggal 18 sampai dengan 20 Februari 1981 di Denpasar Bali, dengan maksud memberi pengesahan status seseorang yang berbeda dari status sebelumnya yang mempengaruhi perilaku yang bersangkutan. Sudhi wadani berasal dari kata sudhi dan wadani. Sudhi dari bahasa Sansekerta yang berarti penyucian, persembahan, upacara pembersihan/penyucian. Kata yang sepadan dengan sudhi adalah suddha, yang berarti bersih, suci, cerah, putih tanpa cacat atau cela. Wadani berarti perilaku atau tindakan. Dengan memperhatikan arti kata suddhi dan wadani tadi, maka suddhi wadani dapat di artikan dengan kata-kata penyucian. Secara singkat dapat di katakan bahwa upacara sudhi wadani adalah upacara dalam Hindu sebagai pengukuhan atau pengesahan ucapan atau janji
seseorang yang secara tulus ikhlas dan hati suci menyatakan status seseorang. Beberapa upakara yang dibutuhkan dalam melaksanakan upacara sudhi wadani adalah: 1. Tebasan Byakala : Untuk melenyapkan segala kekotoran sehingga menumbuhkan kesucian diri seorang, terhindar dari roh jahat dan sejenisnya. Disamping itu upakara Byakala merupakan simbolisasi untuk melenyapkan pengaruh bhutakala yang bercokol pada tubuh seorang, dengan upacara Byakala ini diharapkan calon yang sudah disuddhikan dapat meningkatkkan kesucian dirinya. 2. Tebasan Pryascita : Berfungsi sebagai pembersih secara lahir batin seseorang, dari segala kekotoran. Prayascita mempunyai arti simbolisasi sebagai penyucian pikiran, dengan kekuatan dan kemahakuasaan pada Dewa sinar sucinya Hyang Widhi semua hal yang bersifat negative dapat dilenyapkan dari fisik seseorang sehingga atma yang bersemayam dalam diri pribadi dapat memancarkan sinar sucinya. 3. Tataban/Ayaban : Berfungsi sebagai persembahan kepada Hyang Widhi sebagai pernyataan ucapan terima kasih yang kemudian dinikmati oleh yang melaksanakan upacara dimaksud untuk kebahagiaan hidup. Hal serupa sudah merupakan keharusan umat Hindu untuk mempersembahkan terlebih dahulu makanan yang dimiliki sebelum dinikmati sebagai kebutuhan hidup. 4. Tebasan Durmengala : Dipakai sebagai pembersihan badan dari “mala”, “dasa mala”, menghindarkan diri dari bahaya, sehingga dikatakan bahwa tebasan durmengala merupakan sarana untuk keselamatan. 5. Tebasan Sapuh Lara : Berfungsi untuk menghindarkan diri dari segala penyakit yang bisa muncul karena urip kelahiran.
6. Pengulapan : Terdiri dari bayuan, peras, tulung, dan ajuman yang berfungsi sebagai pengurip unsur panca maha butha yang ada dalam diri sehingga berfungsi dengan baik. 7. Penyeneng : Sebagai simboliasi peleburan dosa dan melenyapkan noda-noda sehingga badan menjadi bersih dan suci, memohon kesehatan, ketentraman dan kebahagiaan lahir batin. 8. Sesayut : Yang berfungsi sebagai sarana permohonan yang tulus kepada tuhan ( Ida Sang Hyang Widhi ) dalam proses pensucian diri dan perubahan status seseorang. 2.2 . Pengertian Klasifikasi Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu obyek (Agus. M , 2009). Oleh karena itu, kelas yang ada tentulah lebih dari satu. Penentuan kelas dari suatu dokumen dilakukan dengan cara membandingkan nilai probabilitas suatu sampel berada di kelas yang satu dengan nilai probabilitas suatu sampel berada di kelas yang lain. 2.2.1 Naïve Bayes Classifier (NBC). Naïve Bayes Classifier (NBC) merupakan algoritma dalam melakukan proses klasifikasi data dengan menggunakan pendekatan probabilitas. Menurut Nurani (2007), NBC menggunakan gabungan probabilitas kata/term dengan probabilitas kategori untuk menentukan kemungkinan kategori bagi atribut yang diberikan. Sedangkan menurut Kamber (2001:297) pada algoritma NBC, setiap data dipresentasikan sebagai vector berdimensi-n yaitu komponen X=(x1, x2, x3,…., xn), dimana n adalah gambaran dari ukuran yang dibuat dari n atribut yaitu A1,A2, A3, …, An.
Kumpulan kategori C1,C2, C3,…, Cm, merupakan kategori dari data X tidak diketahui kategorinya, maka classifier akan memprediksi bahwa X adalah milik kategori dengan posterior probabilitas tertinggi berdasarkan kondisi X. Dengan demikian, NBC akan menandai bahwa komponen X yang tidak diketahui tersebut ke kategori C jika dan hanya jika : P(Ci|X) > P(Cj|X) untuk 1≤ j≤ m, j≠i. Kemudian dicari P(Ci|X) yang maksimal, dimana P(X|Ci).P(Ci) P(Ci|X) = ----------------P(X) P(X) adalah konstan untuk semua kategori, dan hanya P(X|Ci) yang perlu dimaksimalkan. Jika prior Probability kategori tidak diketahui, maka diasumsikan sama dengan hasil dari kategori-kategori yanglain seperti P(C1)=P(C2)=…=P(Cm), oleh karena itu maka akan dimaksimalkan P(X|Ci). Menurut Nurani (2007), kategori prior probability mungkin diperkirakan dengan perhitungan P(Ci) = Si/S, dimana Si adalah jumlah dari data training dari kategori Ci dan S adalah jumlah total dari data training. 2.2.2 Naïve Bayesian Classifier (Probabilistics-Based Classification) Metode classifier yang berdasarkan probabilitas dan Teorema Bayesian dengan asumsi bahwa setiap 4ariable X bersifat bebas (independent).Dengan kata lain, Naïve Bayesian Classifier mengansumsikan bahwa keberadaan sebuah atribut (4ariable) tidak ada kaitannya dengan beradanya atribut (ariable) yang lain. Karena asumsi atribut tidak saling terkait (conditionally independent), dimana sampel X (new sample) adalah class label yang memiliki P(X|Ci)*P(Ci) maksimum.
2.2.3 Metode Forward Chaining Metode Forward Chaining adalah metode pencarian atau teknik pelacakan ke depan yang dimulai dengan informasi yang ada dan penggabungan rule untuk menghasilkan suatu kesimpulan atau tujuan. (Russel S,Norvig P, 2003). Pelacakan maju ini sangat baik jika bekerja dengan permasalahan yang dimulai dengan rekaman informasi awal dan ingin dicapai penyelesaian akhir, karena seluruh proses akan dikerjakan secara berurutan maju. Forward chaining merupakan metode inferensi yang melakukan penalaran dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan menyatakan konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh.Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining. Tipe sistem yang dapat dicari dengan Forward Chaining : 1. Sistem yang dipersentasikan dengan satu atau beberapa kondisi. 2. Untuk setiap kondisi, sistem mecari rule-rule dalam knowledge base untuk rule-rule yang berkorespondensi dengan kondisi dalam bagian IF 3. Setiap rule dapat menghasilkan kondisi baru dari konklusi yang diminta pada bagian THEN. Kondisi baru ini ditambahkan ke kondisi lain yang sudah ada. 4. Setiap kondisi yang ditambahkan ke sistem akan diproses. Jika ditemui suatu kondisi baru dari konklusi yang diminta, sistem akan kembali ke langkah 2 dan mencari rulerule dalam knowledge base kembali. Jika tidak ada konklusi baru, sesi ini berakhir. Contoh : Terdapat 10 aturan yang tersimpan dalam basis pengetahuan yaitu :
R1 : if A and B then C R2 : if C then D R3 : if A and E then F R4 : if A then G R5 : if F and G then D R6 : if G and E then H R7 : if C and H then I R8 : if I and A then J R9 : if G then J R10 : if J then K Fakta awal yang diberikan hanya A dan E, ingin membuktikan apakah K bernilai benar. Proses penalaran forward chaining terlihat pada gambar 2.1 berikut :
Gambar 2. 1 Forward Chaining 2.2.4 Data Mining Data mining merupakan cabang ilmu pengetahuan yang mempelajari serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari kumpulan data. Disamping itu, Mehmed (2003), data mining dapat
dipergunakan dalam proses klasifikasi, regresi, clustering/pengelompokan, summarization (ringkasan), dependency modeling (pemodelan ketergantungan), change and deviation detection (pendeteksian perubahan dan deviasi). Dengan demikian maka algoritma data mining dapat dipergunakan dalam proses klasifikasi atribut upakara dalam upacara sudhi wadani. 2.3 Tinjauan Empiris Menurut penelitian Yeffriansjah. S (2012) pengembangan penelitian metode naïve bayes classifier dapat dilakukan dengan kombinasi dengan metode atau algoritma lain guna meningkatkan akurasi dari klasifikasi. Klasifikasi fitur dengan metode naïve bayes classifier merupakan metode probabilitas bersyarat yang ditentukan oleh nilai posteriornya. Dalam metode probabilitas bersyarat, syarat kejadian bisa tunggal tapi juga bisa multivariate. Selanjutnya dalam penelitian Hamzah (2012) mengenai klasifikasi teks dengan naïve bayes classifier, algoritma NBC memiliki kinerja yang cukup tinggi untuk klasifikasi dokumen teks, baik dokumen berita maupun dokumen akademik. Pada klasifikasi dokumen berita didapatkan akurasi yang lebih tinggi dibandingkan dengan dokumen akademik. Pada penelitian yang telah dilakukan ini penggunaan kata unik dalam koleksi dokumen latih tanpa filter memberikan kinerja yang kurang optimal.
