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
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.
assalamualikum min mau nanya itu
ReplyDeleteAngka 1 di dapatkan dari prediksi minimal kerusakan yang muncul
di K3 jumlah kerusakan yang muncul 2? tapi di rumus 1 ? brarti yang di masukin rumus itu jumlah minimalnya min ?
Saya juga gak paham di sini, mohon penulis menjelaskan lebih lanjut kenapa itu kok masih 1 sedangkan kerusakannya ada 2.
Deletemenurut roberto gimana?
ReplyDeleteThis comment has been removed by the author.
ReplyDeleteCoba contoh kasus nya yang G2 sama G 4
ReplyDelete