ANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC) Dina Maulina Sistem Informasi STMIK AMIKOM Yogyakarta email :
[email protected]
Abstract Personal Computer ( PC ) is a set of computers that can only be used for one person. PC devices generally used at home or in the office. PC functions just like other computer devices which function to assist in the processing of data , ranging from the input , process and output. Case Based Reasoning ( CBR ) is a system concept that has a knowledge base in the form of base case. In the process there PBK retrieve , reuse , revise and retain. The process of retrieving ( search) can be done if it gets the data input of new cases then retrieving process is carried out using an algorithm . Probabilistic Bayesian algorithm is an algorithm that can be applied in the process of retrieving in PBK. Probabilistic Bayesian probabilistic will generate value in the form of percentage of the final value. PBK will be applied to the base case for the detection of damage to PC. Bayesian probabilistic used to make the process of retrieving of new cases on the basis of existing case. In this paper , using the 15 examples of the base case and the results of testing that is a probability value of 91.88 % of the new cases of the old case. Keywords— CBR, Personal Computer (PC), Retrieve, Bayesian Probabilistic PENDAHULUAN Algoritma probabilitas bayesian telah dibuktikan dapat menyelesaikan permasalahan penilaian mahasiswa terhadap mengajar dosen. Algoritma bayesian telah berhasil digunakan untuk basis kasus [1]. Personal Computer (PC) merupakan seperangkat komputer yang memiliki desain tradisional karena sekarang telah memiliki banyak saingan dengan desain komputer yang modern yaitu laptop, netbook dan lain-lain. Walaupun dari sisi desain, PC terlihat tidak mudah untuk dibawa kemana-mana tetapi PC masih tergolong perangkat komputer yang handal dari segi kehandalam mesin dan kekuatan. Sistem PBK merupakan salah satu sistem kecerdasan buatan dimana basis pengetahuannya berupa basis kasus. Pada PBK terdapat proses retrieve (penelusuran) yang memegang peranan penting karena akan terjadi penyesuaian dari kasus baru terhadap kasus lama yang terdapat di basis pengetahuan. Dikarenakan PC masih banyak peminat nya dan keterkaitan dengan teknologi sistem informasi yang berkembang pada saat ini, maka akan di buat PBK untuk deteksi kerusakan PC, sehingga pada implementasi nya nanti user dapat menghemat waktu untuk berkonsultasi dengan sistem PBK jika menemukan kerusakan pada PC. TINJAUAN PUSTAKA Penalaran berbasis kasus merupakan suatu konsep sistem yang dapat menyelesaikan kasus-kasus yang baru dengan mengadaptasi solusi-solusi yang digunakan untuk menyelesaikan kasus-kasus di masa lampau [2].
Gambar 1. Tahapan Sistem Penalaran Berbasis Kasus [3] Pada proses PBK dari Gambar 1 dibutuhkan empat (4) tahap, yaitu [3]: 1. Retrieve (penelusuran) adalah menemukan kembali kasus yang sama atau yang paling mirip dengan kasus baru 2. Reuse adalah menggunakan kembali informasi dan pengetahuan dari basis kasus untuk memecahkan masalah kasus baru (proses ini disebut “transfer solusi”), 3. Revise adalah merevisi atau memperbaiki solusi yang diusulkan. 4. Retain adalah menyimpan pengalaman untuk memecahkan masalah yang akan datang kedalam basis kasus. Algoritma Bayesian Probabilistic adalah suatu metode yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Algoritma Bayesian probabilistic terbukti memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang besar [4]. Diperkirakan bahwa ruang sampel S memiliki n class C1, C2, …, Cn dari keadaan, n
dimana Ci ∩ Cj = Ф, I ≠ j, I, j = 1, 2, …, n, dan i 1 PCi 1 , dimana P(Ci) adalah probabilitas dari kejadian Ci. Diberikan keadaan X yang didefenisikan pada S, jika class probabilitas kondisional P(X|Ci), i=1,2,…,n, maka didefenisikan dengan menggunakan rumus Probabilistic Bayesian pada persamaan (1) berikut ini : P(X|C )P(C ) P(X|C )P(X) ( | )= = (1) ( ) ∑ P(X|C )P(X) Dengan demikian rumus Bayesian dapat digunakan seperti terlihat di persamaan 2 dan tujuan menggunakan algoritma Bayesian adalah untuk mengidentifikasi label class nya. Kemudian solusinya adalah X | Cj if (2) PC i | X max i PC i | X , i, j 1,2 Karena penyebut dari persamaan (1) adalah tetap, maka dapat dituliskan solusinya pada persamaan 3 yaitu X|Cj if PX | C j P C j maxi P X | Ci PCi , i, j 1,2
IJCCS Vol. x, No. x, July 201x : first_page – end_page
(3)
3
Untuk menghitung P(X|Ci), atribut-atribut diasumsikan menjadi aribut bebas. Oleh karena itu akan terlihat di persamaan 4. P X | Ci j 1 PX j | Ci 4
(4)
Dimana xj adalah jth (j=1,2,3,4) menunjukkan X, X={x1,x2,x3,x4} dan selanjutnya [3]. METODE PENELITIAN 1. Tahapan Penelitian Tahapan yang dilakukan pada penelitian ini dapat dilihat pada bagan alir di Gambar 2.
Gambar 2. Bagan Alir Penelitian Dari Gambar 2 dapat dijelaskan bahwa terdapat data gejala kerusakan kemudian dilakukan penginputan data gejala menggunakan keyboard dan akan disimpan pada storage gejala. Kemudian terlihat pada Gambar 2 bahwa terdapat data kerusakan PC yang akan diinputkan melalui keyboard dan selanjutnya akan tersimpan di storage kerusakan. Berikutnya akan terjadi proses pembuatan representasi kasus yang melibatkan data yang ada di storage gejala dan storage kerusakan, kemudian akan disimpan pada storage basis kasus. Input kasus baru dilakukan melalui keyboard dan kemudian masuk ke tahapan proses retrieve (penelusuran) menggunakan algoritma probabilistic bayesian. Pada proses retrieve melibatkan data dari storage basis kasus agar dapat dilakukan proses retrieve dari kasus baru dengan kasus yang sudah ada. Hasil akhir dari proses retrieve adalah menghasilkan keluaran berupa nilai persentase probabilistic dan hasil kerusakan PC. 2. Analisis Data Analisis data merupakan tahapan pengelompokan data yang akan digunakan sebagai basis kasus. 2.1.1 Data Gejala Data gejala yang akan digunakan pada basis kasus dapat dilihat pada Tabel 1.
Tabel 1. Data Gejala Kode Gejala G1 G2 G3 G4 G5
Gejala CPU tidak hidup dan lampu power padam Power hidup, namun CPU tidak beroperasi CPU hidup namun monitor mati Nada speaker berbunyi beep panjang terus menerus Harddisk fail (no detect)
Kode gejala G1 merupakan Gejala-1, G2 merupakan Gejala-2, G3 merupakan Gejala3, G4 merupakan Gejala-4 dan G5 merupakan Gejala-5. Pengukuran untuk masingmasing gejala terdiri dari: Y AY
= Yakin = Agak Yakin
TY KY
= Tidak Yakin = Kurang Yakin
2.2 Data Kerusakan Data kerusakan PC yang akan digunakan pada basis kasus dapat dilihat pada Tabel 2. Tabel 2. Data Kerusakan Kode Kerusakan
K1
K2
K3
K4
K5
Nama Kerusakan 1. sekring (fuse) power supply putus 2. power supply rusak 3. kabel power putus 4. tombol power rusak 1. ROM BIOS rusak 2. processor mati 3. chipset mati 1. kabel data monitor rusak 2. kabel power monitor terputus 3. monitor rusak 1. pemasangan memory RAM tidak tepat 2. RAM rusak 3. bank memory RA 1. kabel data (IDE/Sata) Harddisk rusak 2. kabel power (Sata) atau 4pin molex power connection rusak 3. harddisk rusak
IJCCS Vol. x, No. x, July 201x : first_page – end_page
5
3. Representasi Basis Kasus Representasi kasus yang akan dijadikan adalah basis kasus untuk deteksi kerusakan PC. Terdapat 15 contoh basis kasus yang akan digunakan sebagai acuan penelusuran terhadap kasus baru. Representasi kasus dapat dilihat pada Tabel 3. Tabel 3. Representasi 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 dilihat 15 kasus. Kasus-1 terdeteksi Kerusakan “K1” dengan G1=Yakin (Y), G2=Tidak Yakin (TY), G3=Tidak Yakin (TY), G4=Tidak Yakin (YK), dan G5=Tidak Yakin (TY). Dicontohkan untuk kasus pertama menjadi sebuah rule (aturan) akan menjadi: 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 sampai nomor 15 juga sama caranya seperti pada kasus nomor 1 yang telah dicontohkan. HASIL DAN PEMBAHASAN 1. Data Kasus Baru Kasus baru yang akan dicocokkan terhadap basis kasus yang terdapat pada Tabel 3 yaitu: G1 = TY G2 = KY G3 = AY G4 = Y G5 = AY Untuk gejala diasumsikan dengan Xi yaitu G1=X1, G2=X2, G3=X3, G4=X4, dan G5=X5. Sedangkan untuk kerusakan diasumsikan dengan Ci yaitu C1=K1, C2=K2, C3=K3, C4=K4, dan C5=K5.
2. Retrieve (Penelusuran) Proses retrieve (penelusuran) menggunakan algoritma probabilistic bayesian. 1. Langkah 1 Hitung P(C1), P(C2, P(C3), P(C4), dan P(C5) ( 1) =
|C1| 1 = = 0.67 |S| 15
( 2) =
|C2| 3 = = 0.2 |S| 15
( 3) =
|C3| 3 = = 0.2 |S| 15
( 4) =
|C4| 3 = = 0.2 |S| 15
( 5) =
|C5| 5 = = 0.33 |S| 15
P(Hi) = (0.67 , 0.2 , 0.2 , 0.2 , 0.3) 2. Langkah 2 Hitung P(Xi|C1), P(Xi|C2), P(Xi|C3), P(Xi|C4), dan P(Xi|C5), i=1,2,3,4,5 2.1 Hitung untuk kerusakan = “K1” 0 P(X |C ) = = 0 1 0 P(X |C ) = = 0 1 0 P(X |C ) = = 0 1 0 P(X |C ) = = 0 1 P(X |C ) =
0 =0 1
2.2 Hitung untuk kerusakan = “K2” 2 P(X |C ) = = 0.67 3 0 P(X |C ) = = 0 3 0 P(X |C ) = = 0 3 0 P(X |C ) = = 0 3
IJCCS Vol. x, No. x, July 201x : first_page – end_page
7
P(X |C ) =
1 = 0.33 3
2.3 Hitung untuk kerusakan = “K3” 2 P(X |C ) = = 0.67 3 0 P(X |C ) = = 0 3 0 P(X |C ) = = 0 3 0 P(X |C ) = = 0 3 P(X |C ) =
0 =0 3
2.4 Hitung untuk kerusakan = “K4” 2 P(X |C ) = = 0.67 3 1 P(X |C ) = = 0.33 3 2 P(X |C ) = = 0.67 3 3 P(X |C ) = = 1 3 P(X |C ) =
1 = 0.33 3
2.5 Hitung untuk kerusakan = “K5” 4 P(X |C ) = = 0.8 5 1 P(X |C ) = = 0.2 5 1 P(X |C ) = = 0.2 5 2 P(X |C ) = = 0.4 5 P(X |C ) = 3. Langkah 3 Hitung ( | ) = ∏ 3.1 Kerusakan = “K1” =0x0x0x0x0 =0
1 = 0.2 5
( | ) = 1,2,3,4,5
3.2 Kerusakan = “K2” = 0.67 x 0 x 0 x 0 x 0.33 =0 3.3 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 = 0.048 3.5 Kerusakan = “K5” = 0.8 x 0.2 x 0.2 x 0.4 x 0.2 = 0.00256
4. Langkah 4 Hitung dan pilih nilai terbesar dari ( | ) = ∏
( | ) = 1,2,3,4,5
ʌ= ʌ = (0 , 0 , 0 , 0.048 , 0.00256) ( |
…
) = . ( ) . ʌ
= . (0.67,0.2,0.2,0.2,0.33) . (0,0,0,0.048,0.00256) ( |
…
) = . (0,0,0,0.0096,0.000848)
Dengan persamaan : ( |
…
)=1
(0 + 0 + 0 + 0.0096 + 0.000848 ) = 1 0.010448 = 1 =
1 0.010448
= 95.71 Maka : ( |
…
) = 95.71 . (0,0,0,0.0096,0.000848)
( |
…
) = (0,0,0,0.918816,0.08116208)
( |
…
) = 0.918816
( |
…
) = 91.8816%
IJCCS Vol. x, No. x, July 201x : first_page – end_page
9
Dikarenakan 0.918816 merupakan nilai dari kerusakan “K4” maka hasil penelusuran yang menggunakan probabilistic bayesian adalah 91,88% dari kasus baru berupa X1 = TY, X2 = KY, X3 = AY, X4 = Y, X5 = AY. KESIMPULAN 1. Kesimpulan Kesimpulan dari uraian penelitian ini adalah: a. Algoritma probabilistic bayesian dapat diterapkan untuk proses retrieve (penelusuran). b. Hasil akurasi algoritma probabilistic bayesian menghasilkan persentase yang sangat bagus yaitu 91,88%. 2. Saran Saran untuk pengembangan penelitian ini adalah: a. Proses retrieve menggunakan algoritma selain probabilistic bayesian. b. Proses retrieve bayesian dapat dikombinasi dengan algoritma similarity agar hasil nya semakin sangat mendekati target. SARAN Saran boleh ditulis ataupun tidak. Bila ada, saran untuk penelitian lebih lanjut untuk menutup kekurangan penelitian. Tidak memuat saran-saran diluar penelitian yang telah dilakukan. DAFTAR PUSTAKA [1] Seniwati, Erni, 2011, Perhitungan Penilaian Mahasiswa Terhadap Mengajar Dosen Berbasis Kasus Menggunakan Algoritma Bayesian, Jurnal Ilmiah DASI (Data Manajemen Dan Teknologi Informasi), ISSN:1411-3201, Vol.15 No.4 Desember 2014. [2] Watson, I., 1997, Applying Case-Based Reasoning, Technique for Enterprise Systems, Morgan Kaufmann Publishers, Inc. [3] Pal, K.S and Shiu, C.K.S, 2004, Foundations Of Soft Case-Based Reasoning, WileyInterscience, Publish Simultaneously in Canada. [4] Kusrini, Emha Taufiq Luthfi, 2009, Algoritma Data Mining, Andi Offset, Yogyakarta.
