Download Naive Bayes Algorithm for Predicting Laptop Faults: A Step-by-Step Guide and more Summaries Artificial Intelligence in PDF only on Docsity! Algoritma Naive Bayes Merupakan pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Bayesian Classification didasarkan pada teorema Bayes yang memiliki kemampuan klasifikasi serupa decision tree dan neural network. Pada pembahasan kali ini saya akan memberikan contoh perhitungan metode naive bayes untuk sistem pakar penentuan kerusakan pada laptop, pada tahap awal kita harus mempunyai data kerusakan dan gejala laptop terlebih dahulu. Kerusakan laptop yang dibahas disini adalah tentang kerusakan dibagian hardware didalam laptop. Berikut adalah data yang disajikan. Data kerusakan laptop : K1 = IC Charger Rusak K2 = IC Power Rusak K3 = Resistor Rusak K4 = Kapasitor Rusak K5 = Mofset Rusak K6 = Embeded Controller Rusak Data gejala yang timbul : G1 = Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan. G2 = Indikaor pengisian baterai mati, laptop tidak bisa dinyalakan. G3 = Indikaor pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar. G4 = Input seperti USB tidak berfungsi Keterangan : K = Kerusakan G = Gejala Selanjutnya dari data gejala dan kerusakan diatas kita menentukan tabel kebutusan antara kerusakan dan gejala yang timbul. Tabel keputusan berfungsi untuk menentukan laptop tersebut mengalami kerusakan apa, berdasarkan gejala yang timbul. Berikut adalah tabel keputusan yang sudah ditentukan. Keterangan : 1 = Gejala muncul 0 = Tidak ada gejala yang muncul Contoh Kasus : Misalnya gejala yang tampak pada laptop ada dua gejala yaitu : G1 : Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan, dan G3 : Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar. Berdasarkan gejala yang muncul tersebut maka langkah perhitungannya adalah sebagai berikut : Langkah 1 : menentukan penyakit yang muncul berdasarkan tabel keputusan Berdasarkan gejala yang muncul G1 dan G3 , maka bisa dilihat dari tabel keputusan indikasi kerusakan yang akan di prediksi yaitu K1 dan K3. karena pada K1 terdapat G1 dan G3 yang bernilai 1 dan pada K3 terdapat G3 yang bernilai 1. Maka untuk tahap selanjutnya yang di hitung menggunakan algoritma naive bayes adalah menghitung nilai probabilitas gejala dari K1 dan K3. Langkah 2 : menghitung nilai probabilitas kerusakan dan gejala. Pada langkah 1 sudah di dapatkan indikasi penyakit yang di prediksi berdasarkan gejala yang timbul, sesuai tabel keputusan. Langkah selanjutnya yaitu menghitung nilai probabilias dari masing-masing kerusakan dan gejala yang timbul. Perhitungan Probabilitas K1 ( IC Charger Rusak ) Rumus menghitung probailitas nilai K1 Keterangan : Angka 1 di dapatkan dari prediksi minimal kerusakan yang muncul Angka 6 di dapatkan dari jumlah semua kerusakan yang ada pada tabel keputusan Total nilai bayes dari K1 yaitu : Total K1 = K(K1 | G1) + K(K1 | G3) Total K1 = 0.5 + 0 = 0.5 Menghitung Nilai Bayes K3 Total nilai bayes dari K3 yaitu : Total K3 = K(K3 | G1) + K(K3 | G3) Total K3 = 0.5 + 0.5 = 1 Menjumlahkan hasil nilai bayes dari K1 dan K3 Hasil Total = Total Bayes K1 + Total Bayes K3 = 0.5 + 1 = 1.5 Langkah 4 : Menghitung presentase nilai prediksi kerusakan Dari perhitungan hasil total didapatkan nilai 1.5 . Angka tersebut nantinya di gunakan sebagai pembagi masing-masing nilai bayes dari K1 dan K3 untuk di ketehaui presentasenya. Berikut ini adalah hasil yang didapatkan dari perhitungan tersebut. Dari hasil presentase diatas maka didapatkan nilai presentase tertinggi adalah hasil kerusakan yang didapatkan. Dengan demikian jika ada laptop yang mengalami gejala kerusakan G1 ( Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan. ) dan G3 ( Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar. ). Maka laptop tersebut mengalami kerusakan K3 ( Kerusakan Pada Resistor).