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

ANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS
UNTUK KERUSAKAN PERSONAL COMPUTER (PC)
Dina Maulina
Sistem Informasi STMIK AMIKOM Yogyakarta
email : dina.m@amikom.ac.id

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,
dimana Ci ∩ Cj = Ф, I ≠ j, I, j = 1, 2, …, n, dan i 1 PCi   1 , dimana P(Ci) adalah
n

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(X)
P(X|C )P(C )
( | )=
=
(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)
PC i | X   max i PC i | X , i, j  1,2

Karena penyebut dari persamaan (1) adalah tetap, maka dapat dituliskan solusinya
pada persamaan 3 yaitu X|Cj if
PX | C j P C j   maxi P X | Ci PCi , 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 PX 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

( 3) =

|C3|
3
=
= 0.2
|S|
15

( 5) =

|C5|
5
=
= 0.33
|S|
15

( 2) =

( 4) =

|C2|
3
=
= 0.2
|S|
15

|C4|
3
=
= 0.2
|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 ) =

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

0
=0
1

IJCCS Vol. x, No. x, July 201x : first_page – end_page

7

P(X |C ) =

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

1
= 0.33
3

P(X |C ) =

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

P(X |C ) =

1
= 0.2
5

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
3. Langkah 3
Hitung ( | ) = ∏

3.1 Kerusakan = “K1”
=0x0x0x0x0
=0

0
=0
3

( | ) = 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 ( | ) = ∏
ʌ=

ʌ = (0 , 0 , 0 , 0.048 , 0.00256)
( |

…

( | ) = 1,2,3,4,5

) = . ( ) . 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)

( |

…

)=1

Dengan persamaan :

(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.