



Study with the several resources on Docsity
Earn points by helping other students or get them with a premium plan
Prepare for your exams
Study with the several resources on Docsity
Earn points to download
Earn points by helping other students or get them with a premium plan
Community
Ask the community for help and clear up your study doubts
Discover the best universities in your country according to Docsity users
Free resources
Download our free guides on studying techniques, anxiety management strategies, and thesis advice from Docsity tutors
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
1 / 6
This page cannot be seen from the preview
Don't miss anything!
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.
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 :
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 K