ANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC)

Transkripsi

1 ANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC) Dna Maulna Sstem Informas STMIK AMIKOM Yogyakarta emal : dna.m@amkom.ac.d Abstract Personal Computer ( PC ) s a set of computers that can only be used for one person. PC devces generally used at home or n the offce. PC functons just lke other computer devces whch functon to assst n the processng of data, rangng from the nput, process and output. Case Based Reasonng ( CBR ) s a system concept that has a knowledge base n the form of base case. In the process there PBK retreve, reuse, revse and retan. The process of retrevng ( search) can be done f t gets the data nput of new cases then retrevng process s carred out usng an algorthm. Probablstc Bayesan algorthm s an algorthm that can be appled n the process of retrevng n PBK. Probablstc Bayesan probablstc wll generate value n the form of percentage of the fnal value. PBK wll be appled to the base case for the detecton of damage to PC. Bayesan probablstc used to make the process of retrevng of new cases on the bass of exstng case. In ths paper, usng the 15 examples of the base case and the results of testng that s a probablty value of % of the new cases of the old case. Keywords CBR, Personal Computer (PC), Retreve, Bayesan Probablstc PENDAHULUAN Algortma probabltas bayesan telah dbuktkan dapat menyelesakan permasalahan penlaan mahasswa terhadap mengajar dosen. Algortma bayesan telah berhasl dgunakan untuk bass kasus [1]. Personal Computer (PC) merupakan seperangkat komputer yang memlk desan tradsonal karena sekarang telah memlk banyak sangan dengan desan komputer yang modern yatu laptop, netbook dan lan-lan. Walaupun dar ss desan, PC terlhat tdak mudah untuk dbawa kemana-mana tetap PC mash tergolong perangkat komputer yang handal dar seg kehandalam mesn dan kekuatan. Sstem PBK merupakan salah satu sstem kecerdasan buatan dmana bass pengetahuannya berupa bass kasus. Pada PBK terdapat proses retreve (penelusuran) yang memegang peranan pentng karena akan terjad penyesuaan dar kasus baru terhadap kasus lama yang terdapat d bass pengetahuan. Dkarenakan PC mash banyak pemnat nya dan keterkatan dengan teknolog sstem nformas yang berkembang pada saat n, maka akan d buat PBK untuk deteks kerusakan PC, sehngga pada mplementas nya nant user dapat menghemat waktu untuk berkonsultas dengan sstem PBK jka menemukan kerusakan pada PC. TINJAUAN PUSTAKA Penalaran berbass kasus merupakan suatu konsep sstem yang dapat menyelesakan kasus-kasus yang baru dengan mengadaptas solus-solus yang dgunakan untuk menyelesakan kasus-kasus d masa lampau [2].

2 Gambar 1. Tahapan Sstem Penalaran Berbass Kasus [3] Pada proses PBK dar Gambar 1 dbutuhkan empat (4) tahap, yatu [3]: 1. Retreve (penelusuran) adalah menemukan kembal kasus yang sama atau yang palng mrp dengan kasus baru 2. Reuse adalah menggunakan kembal nformas dan pengetahuan dar bass kasus untuk memecahkan masalah kasus baru (proses n dsebut transfer solus ), 3. Revse adalah merevs atau memperbak solus yang dusulkan. 4. Retan adalah menympan pengalaman untuk memecahkan masalah yang akan datang kedalam bass kasus. Algortma Bayesan Probablstc adalah suatu metode yang dapat dgunakan untuk mempredks probabltas keanggotaan suatu class. Algortma Bayesan probablstc terbukt memlk akuras dan kecepatan yang tngg saat daplkaskan ke dalam database dengan data yang besar [4]. Dperkrakan bahwa ruang sampel S memlk n class C 1, C 2,, C n dar keadaan, 1 n dmana C C j = Ф, I j, I, j = 1, 2,, n, dan P C 1, dmana P(C ) adalah probabltas dar kejadan C. Dberkan keadaan X yang ddefenskan pada S, jka class probabltas kondsonal P(X C ), =1,2,,n, maka ddefenskan dengan menggunakan rumus Probablstc Bayesan pada persamaan (1) berkut n : ( ) = P(X C )P(C ) ( ) P(X C )P(X) = P(X C )P(X) Dengan demkan rumus Bayesan dapat dgunakan sepert terlhat d persamaan 2 dan tujuan menggunakan algortma Bayesan adalah untuk mengdentfkas label class nya. Kemudan solusnya adalah X C j f P C X max P C X,, j 1, 2 (2) Karena penyebut dar persamaan (1) adalah tetap, maka dapat dtulskan solusnya pada persamaan 3 yatu X C j f P X C P C max P X C P C j j,, j 1, 2 (3) (1) IJCCS Vol. x, No. x, July 201x : frst_page end_page

3 Untuk menghtung P(X C ), atrbut-atrbut dasumskan menjad arbut bebas. Oleh karena tu akan terlhat d persamaan 4. 4 X C P X C P (4) j 1 j Dmana x j adalah j th (j=1,2,3,4) menunjukkan X, X={x 1,x 2,x 3,x 4 } dan selanjutnya [3]. METODE PENELITIAN 1. Tahapan Peneltan Tahapan yang dlakukan pada peneltan n dapat dlhat pada bagan alr d Gambar 2. 3 Gambar 2. Bagan Alr Peneltan Dar Gambar 2 dapat djelaskan bahwa terdapat data gejala kerusakan kemudan dlakukan pengnputan data gejala menggunakan keyboard dan akan dsmpan pada storage gejala. Kemudan terlhat pada Gambar 2 bahwa terdapat data kerusakan PC yang akan dnputkan melalu keyboard dan selanjutnya akan tersmpan d storage kerusakan. Berkutnya akan terjad proses pembuatan representas kasus yang melbatkan data yang ada d storage gejala dan storage kerusakan, kemudan akan dsmpan pada storage bass kasus. Input kasus baru dlakukan melalu keyboard dan kemudan masuk ke tahapan proses retreve (penelusuran) menggunakan algortma probablstc bayesan. Pada proses retreve melbatkan data dar storage bass kasus agar dapat dlakukan proses retreve dar kasus baru dengan kasus yang sudah ada. Hasl akhr dar proses retreve adalah menghaslkan keluaran berupa nla persentase probablstc dan hasl kerusakan PC. 2. Analss Data Analss data merupakan tahapan pengelompokan data yang akan dgunakan sebaga bass kasus Data Gejala Data gejala yang akan dgunakan pada bass kasus dapat dlhat pada Tabel 1.

4 Kode Gejala G1 G2 G3 G4 G5 Tabel 1. Data Gejala Gejala CPU tdak hdup dan lampu power padam Power hdup, namun CPU tdak beroperas CPU hdup namun montor mat Nada speaker berbuny beep panjang terus menerus Harddsk fal (no detect) Kode gejala G1 merupakan Gejala-1, G2 merupakan Gejala-2, G3 merupakan Gejala- 3, G4 merupakan Gejala-4 dan G5 merupakan Gejala-5. Pengukuran untuk masngmasng gejala terdr dar: Y = Yakn TY = Tdak Yakn AY = Agak Yakn KY = Kurang Yakn 2.2 Data Kerusakan Data kerusakan PC yang akan dgunakan pada bass kasus dapat dlhat pada Tabel 2. Kode Kerusakan K1 K2 K3 K4 K5 Tabel 2. Data Kerusakan Nama Kerusakan 1. sekrng (fuse) power supply putus 2. power supply rusak 3. kabel power putus 4. tombol power rusak 1. ROM BIOS rusak 2. processor mat 3. chpset mat 1. kabel data montor rusak 2. kabel power montor terputus 3. montor rusak 1. pemasangan memory RAM tdak tepat 2. RAM rusak 3. bank memory RA 1. kabel data (IDE/Sata) Harddsk rusak 2. kabel power (Sata) atau 4- pn molex power connecton rusak 3. harddsk rusak IJCCS Vol. x, No. x, July 201x : frst_page end_page

5 3. Representas Bass Kasus Representas kasus yang akan djadkan adalah bass kasus untuk deteks kerusakan PC. Terdapat 15 contoh bass kasus yang akan dgunakan sebaga acuan penelusuran terhadap kasus baru. Representas kasus dapat dlhat pada Tabel 3. Tabel 3. Representas Kasus No.Kasus G1 G2 G3 G4 G5 Kerusakan 1 Y TY TY TY TY K1 2 TY Y TY TY TY K2 3 TY TY Y TY TY K3 4 TY TY TY Y AY K4 5 TY KY TY TY Y K5 6 TY AY Y TY TY K3 7 AY AY Y TY TY K3 8 KY AY AY Y TY K4 9 TY TY AY Y Y K5 10 TY TY KY Y Y K5 11 TY Y Y AY AY K2 12 KY Y TY TY KY K2 13 TY KY AY Y TY K4 14 AY AY TY TY Y K5 15 KY TY TY TY AY K5 Pada Tabel 3 dapat dlhat 15 kasus. Kasus-1 terdeteks Kerusakan K1 dengan G1=Yakn (Y), G2=Tdak Yakn (TY), G3=Tdak Yakn (TY), G4=Tdak Yakn (YK), dan G5=Tdak Yakn (TY). Dcontohkan untuk kasus pertama menjad sebuah rule (aturan) akan menjad: IF G1=Y AND G2=TY AND G3=TY AND G4=TY AND G5=TY THEN Kerusakan= K1. Pembacaan rule (aturan) untuk kasus nomor 2 sampa nomor 15 juga sama caranya sepert pada kasus nomor 1 yang telah dcontohkan. HASIL DAN PEMBAHASAN 1. Data Kasus Baru Kasus baru yang akan dcocokkan terhadap bass kasus yang terdapat pada Tabel 3 yatu: G1 = TY G2 = KY G3 = AY G4 = Y G5 = AY Untuk gejala dasumskan dengan X yatu G1=X1, G2=X2, G3=X3, G4=X4, dan G5=X5. Sedangkan untuk kerusakan dasumskan dengan C yatu C1=K1, C2=K2, C3=K3, C4=K4, dan C5=K5. 5

6 2. Retreve (Penelusuran) Proses retreve (penelusuran) menggunakan algortma probablstc bayesan. 1. Langkah 1 Htung P(C1), P(C2, P(C3), P(C4), dan P(C5) ( 1) = C1 S = 1 15 = 0.67 ( 2) = C2 S = 3 15 = 0.2 ( 3) = C3 S = 3 15 = 0.2 ( 4) = C4 S = 3 15 = 0.2 ( 5) = C5 S = 5 15 = 0.33 P(H ) = (0.67, 0.2, 0.2, 0.2, 0.3) 2. Langkah 2 Htung P(X C 1 ), P(X C 2 ), P(X C 3 ), P(X C 4 ), dan P(X C 5 ), =1,2,3,4,5 2.1 Htung untuk kerusakan = K1 2.2 Htung untuk kerusakan = K2 P(X C ) = 2 3 = 0.67 IJCCS Vol. x, No. x, July 201x : frst_page end_page

7 7 P(X C ) = 1 3 = Htung untuk kerusakan = K3 P(X C ) = 2 3 = Htung untuk kerusakan = K4 P(X C ) = 2 3 = 0.67 P(X C ) = 1 3 = 0.33 P(X C ) = 2 3 = 0.67 P(X C ) = 3 3 = 1 P(X C ) = 1 3 = Htung untuk kerusakan = K5 P(X C ) = 4 5 = 0.8 P(X C ) = 1 5 = 0.2 P(X C ) = 1 5 = 0.2 P(X C ) = 2 5 = 0.4 P(X C ) = 1 5 = Langkah 3 Htung ( ) = ( ) = 1,2,3,4,5 3.1 Kerusakan = K1 = 0 x 0 x 0 x 0 x 0 = 0

8 3.2 Kerusakan = K2 = 0.67 x 0 x 0 x 0 x 0.33 = Kerusakan = K3 = 0.67 x 0 x 0 x 0 x 0 =0 3.4 Kerusakan = K4 = 0.67 x 0.33 x 0.67 x 1 x 0.33 = Kerusakan = K5 = 0.8 x 0.2 x 0.2 x 0.4 x 0.2 = Langkah 4 Htung dan plh nla terbesar dar ( ) = ( ) = 1,2,3,4,5 ʌ = ʌ = (0, 0, 0, 0.048, ) ( ) =. ( ). ʌ =.(0.67,0.2,0.2,0.2,0.33).(0,0,0,0.048, ) ( ) =.(0,0,0,0.0096, ) Dengan persamaan : ( ) = 1 ( ) = = 1 = = Maka : ( ) = (0,0,0,0.0096, ) ( ) = (0,0,0, , ) ( ) = ( ) = % IJCCS Vol. x, No. x, July 201x : frst_page end_page

9 Dkarenakan merupakan nla dar kerusakan K4 maka hasl penelusuran yang menggunakan probablstc bayesan adalah 91,88% dar kasus baru berupa X1 = TY, X2 = KY, X3 = AY, X4 = Y, X5 = AY. KESIMPULAN 1. Kesmpulan Kesmpulan dar uraan peneltan n adalah: a. Algortma probablstc bayesan dapat dterapkan untuk proses retreve (penelusuran). b. Hasl akuras algortma probablstc bayesan menghaslkan persentase yang sangat bagus yatu 91,88%. 2. Saran Saran untuk pengembangan peneltan n adalah: a. Proses retreve menggunakan algortma selan probablstc bayesan. b. Proses retreve bayesan dapat dkombnas dengan algortma smlarty agar hasl nya semakn sangat mendekat target. SARAN Saran boleh dtuls ataupun tdak. Bla ada, saran untuk peneltan lebh lanjut untuk menutup kekurangan peneltan. Tdak memuat saran-saran dluar peneltan yang telah dlakukan. DAFTAR PUSTAKA [1] Senwat, Ern, 2011, Perhtungan Penlaan Mahasswa Terhadap Mengajar Dosen Berbass Kasus Menggunakan Algortma Bayesan, Jurnal Ilmah DASI (Data Manajemen Dan Teknolog Informas), ISSN: , Vol.15 No.4 Desember [2] Watson, I., 1997, Applyng Case-Based Reasonng, Technque for Enterprse Systems, Morgan Kaufmann Publshers, Inc. [3] Pal, K.S and Shu, C.K.S, 2004, Foundatons Of Soft Case-Based Reasonng, Wley- Interscence, Publsh Smultaneously n Canada. [4] Kusrn, Emha Taufq Luthf, 2009, Algortma Data Mnng, And Offset, Yogyakarta. 9