Contoh Perhitungan Naive Bayes Classification Untuk Mendeteksi Kerusakan Laptop - Skripsi Teknik Informatika

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.

Anda bisa membaca lebih dalam tentang metode naive bayes  di artikel Algoritma Naive Bayes Classification



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.

Gejala	Kerusakan
	K1	K2	K3	K4	K5	K6
G1	1	0	1	0	0	0
G2	0	1	0	0	0	1
G3	0	0	1	0	0	0
G4	0	1	0	1	1	1

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


Rumus menghitung probabilitas gejala yang muncul

G1 : Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan.

G3 : Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar.

Keterangan :
jumlah kemungkinan = jumlah gejala G1/G3 yang muncul pada K1 di tabel keputusan 

jumlah kemungkinan kerusakan akibat gejala = kerusakan yang muncul yang di akibatkan gejala dalam perhitungan kali ini didapatkan 2 kerusakan yang muncul yaitu K1 dan K3



Perhitungan Probabilitas K3 ( Resistor Rusak )


Rumus menghitung probailitas nilai K3

Keterangan :

Angka 1 di dapatkan dari prediksi minimal kerusakan yang muncul

Angka 6 di dapatkan dari jumlah semua kerusakan yang ada pada tabel keputusan

Rumus menghitung probabilitas gejala yang muncul

G1 : Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan.

G3 : Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar.

Keterangan :

jumlah kemungkinan = jumlah gejala G1/G3 yang muncul pada K3 di tabel keputusan 

jumlah kemungkinan kerusakan akibat gejala = kerusakan yang muncul yang di akibatkan gejala dalam perhitungan kali ini didapatkan 2 kerusakan yang muncul yaitu K1 dan K3

Langkah 3 : Menghitung nilai bayes berdasarkan probabilitas kerusakan dan gejala yang timbul
Dari nilai probabilitas diatas selanjutnya tahap perhitungan nilai bayes dengan rumus sebagai berikut

Menghitung Nilai Bayes K1

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).


Demikian proses perhitungan naive bayes untuk kerusaan laptop, jika ada pertanyaan atau koreksi silahkan tinggalkan jejak pada kolom komentar.