Docsity
Docsity

Prepare for your exams
Prepare for your exams

Study with the several resources on Docsity


Earn points to download
Earn points to download

Earn points by helping other students or get them with a premium plan


Guidelines and tips
Guidelines and tips

Naive Bayes Algorithm for Predicting Laptop Faults: A Step-by-Step Guide, Summaries of Artificial Intelligence

Learn how to use the Naive Bayes algorithm for predicting laptop faults based on symptoms. a step-by-step guide, including a case study and calculations for determining the most likely fault based on the given symptoms. Understand the concept of Bayes' theorem and how it is applied to fault diagnosis.

Typology: Summaries

2020/2021

Uploaded on 11/01/2022

the.dena
the.dena 🇺🇸

1 document

1 / 6

Toggle sidebar

This page cannot be seen from the preview

Don't miss anything!

bg1
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.
pf3
pf4
pf5

Partial preview of the text

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 G

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 K

Keterangan : Angka 1 di dapatkan dari prediksi minimal kerusakan yang muncul Angka 6 di dapatkan dari jumlah semua kerusakan yang ada pada tabel keputusan

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 K

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 K

Total nilai bayes dari K1 yaitu : Total K1 = K(K1 | G1) + K(K1 | G3) Total K1 = 0.5 + 0 = 0. 5 Menghitung Nilai Bayes K

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 K