SISTEM PAKAR DIAGNOSA KERUSAKAN MESIN MOTOR MATIC INJECTION MENGGUNAKAN METODE DEMPSTER SHAFER Rizki Romadhon Padrul Saleh Dede Rosadi Jurusan Teknik Informatika STMIK PalComTech Palembang Abstrak Sistem Pakar diagnosa kerusakan mesin motor matic injection menggunakan metode dempster shafer dengan basis pengetahuan yang dinamis. Sistem pakar merupakan sistem berbasis komputerisasi yang mengandung pengetahuan dari seorang pakar manusia mengenai suatu bidang spesifik, dengan adanya sistem pakar bukan berarti akan menggantikan peran seorang pakar melainkan sebagai sarana untuk membantu pakar dalam menentukan jenis kerusakan khususnya motor matic injection, akan tetapi jenis kerusakan mesin motor matic injection ini belum banyak diketahui oleh masyarakat. Sistem pakar ini juga dapat dijadikan media belajar bagi mekanik baru dalam menentukan kerusakan mesin motor khususnya matic injection. Karena belum adanya informasi yang terstruktur tentang jenis kerusakan motor matic injection sehingga apabila masyarakat ingin mengetahui jenis kerusakan dan memperbaiki mesin motor tersebut masih mengalami kesulitan. Pada penelitian ini dirancang sistem pakar diagnosa kerusakan mesin motor matic injection menggunakan metode dempster shafer yang dimaksudkan untuk membantu masyarakat dan dapat dijadikan media belajar bagi mekanik baru. Dengan fitur yang berbasis web yang dimiliki, sistem pakar diagnosa kerusakan mesin motor matic injection dapat dengan mudah diakses oleh masyarakat dan mekanik baru dimanapun juga. Kata Kunci : Sistem Pakar, Diagnosa Kerusakan Mesin Motor Matic injection Menggunakan Metode Dempster Shafer.
PENDAHULUAN Saat ini kendaraan roda dua khususnya matic injection menjadi salah satu jenis transportasi alternatif yang banyak dipilih oleh masyarakat dalam menjalankan kegiatan sehari-hari. Waktu yang lebih efisien dan alat-alat perawatan yang cukup mudah didapat, menjadikan kendaraan roda dua sebagai prioritas dikalangan masyarakat. Walaupun telah banyak bengkel resmi dan non resmi yang tersedia, tidak menutup kemungkinan pemilik kendaraan tidak cukup mampu dalam merawat dan memperbaikinya. Selain mempermudah pengguna kendaraan roda dua dalam perawatan dan perbaikan. Tidak dipungkiri meskipun seorang pakar adalah orang yang ahli dibidangnya tetap memiliki keterbatasan dalam hal ingatan dan stamina kerja, sehingga bisa saja terjadi kesalahan dalam melakukan perbaikan mesin motor matic. Berkembangnya bidang studi Artificial Intelegence (AI) atau kecerdasan buatan yang mempelajari serta dapat meniru kecerdasan manusia. Salah satu cakupan AI adalah sistem pakar ( Expert System) yang diperuntukan seorang pakar guna membantu masyarakat awam. Sistem pakar akan bertindak layaknya seorang pakar. Ia akan memberikan daftar pertanyaan ciri-ciri kerusakan mesin motor sampai bisa mengidentifikasi suatu objek jawaban yang diterimanya. Jadi kerja sistem pakar adalah menganalisis suatu masalah. Dengan adanya sistem pakar ini diharapkan nanti bisa membantu kerja seorang mekanik dalam menginformasikan jenis kerusakan mesin motor matic injection dan memberikan solusi onderdil mana yang harus diganti.
1
Dengan menggabungkan metode Dempster-Shaffer ini menghasilkan nilai kepercayaan yang sama dengan hasil perhitungan secara manual dengan menggunakan teori DempsterShaffer. Sehingga keakuratan hasilnya sudah sesuai dengan perhitungan yang diharapkan. Berdasarkan uraian yang telah dikemukakan di atas, maka penulis tertarik untuk melakukan penelitian mengenai : “ Sistem Pakar Diagnosa Kerusakan Mesin Motor Matic Injection Menggunakan Metode Demster-Shaffer”. LANDASAN TEORI Kecerdasan Buatan (Artificial Intelligence) Menurut Sutejo, Mulyono dan Suhartono (2011:1), Kecerdasan buatan berasal dari Inggris “Artificial Intelligence” atau disingkat AI yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan buatan yang dimaksud disini merujuk pada mesin yang mampu berfikir menimbang tindakan yang akan diambil, dan mampu mengambil keputusan seperti yang dilakukan oleh manusio. Sistem Pakar Menurut Kusrini (2008:1), Sistem pakar adalah program komputer yang menirukan penalaran seorang pakar dengan keahlian pada suatu wilayah pengetahuan tertentu. Permasalahan yang ditangani oleh seorang pakar bukan hanya permasalahan yang mengandalkan algoritma, namun terkadang juga permasalahan yang sulit dipahami. Permasalahan tersebut dapat diatasi oleh seorang pakar dengan pengetahuan dan pengalamannya. Oleh karena itu sistem pakar dibangun bukan berdasarkan algoritma tertentu tetapi berdasarkan basis pengetahuan dan aturan. Metode yang digunakan penulis dalam membangun Sistem Pakar diagnosa kerusakan awal pada motor matic injection yaitu menggunakan metode Dempster Shafer. Pakar Menurut Kusrini (2008:3), Pakar adalah orang yang mempunyai keahlian khusus yang dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh orang awam. Basis Pengetahuan Menurut Arhami (2005:19), basis pengetahuan mengandung pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah. Komponen sistem pakar ini disusun atas dua elemen dasar, yaitu fakta dan aturan. Fakta merupakan informasi tentang obyek dalam area permasalahan tertentu, sedangkan aturan merupakan informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang telah diketahui. Mesin Inferensi Menurut Arhami (2005:19), komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin inferensi adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk memformulasikan kesimpulan. Kebanyakan sistem pakar berbasis aturan menggunakan strategi inferensi yang dinamakan modus ponen. Berdasarkan strategi ini, jika terdapat aturan “IF A THEN B”, dan jika diketahui bahwa A benar, maka dapat disimpulkan bahwa B juga benar. Strategi inferensi modus ponen dinyatakan dalam bentuk: [A AND (A-B)] –B dengan A dan A-B adalah proposisi-proposisi dalam basis pengetahuan.
2
Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis aturan, yaitu pelacakan kebelakang (backward chaining) dan pelacakan ke depan (forward chaining). 1. Forward chaining (Runut Maju) Menurut Arhami (2005:115), forward chaining disebut juga penalaran dari bawah ke atas karena penalaran dari fakta pada level bawah menuju konklusi pada level atas didasarkan pada fakta. Penalaran dari bawah ke atas dalam suatu sistem pakar dapat disamakan untuk pemgrograman konvensional dari bawah ke atas. Fakta merupakan satuan dasar dari paradigma berbasis pengetahuan karena mereka tidak dapat diuraikan ke dalam satuan paling kecil yang mempunyai makna.
Gambar 1 proses backward chaining. Proses backward chaining (Arhami,2005:19) Pelacakan ke belakang adalah pendekatan yang dimotori tujuan (goal-driven). Dalam pendekatan ini pelacakan dimulai dari tujuan selanjutnya dicari aturan yang memiliki tujuan tersebut untuk kesimpulan. 2. Backward chaining (Runut Balik) Arhami (2005:113), backward chaining adalah suatu rantai yang di lintasi dari suatu hipotesis kembali ke fakta yang mendukung hipotesis tersebut cara lain menggambarkan backward chaining adalah dalam hal tujuan yang dapat dipenuhi dengan pemenuhan sub tujuannya. Backward chaining juga bisa diartikan sebagai penalaran yang dimulai dari level tertinggi membangun suatu hipotesis, turun ke fakta level paling bawah yang dapat mendukung hipotesa dinamakan dengan penalaran dari atas kebawah. Dalam backward chaining, sistem akan secara umum memperoleh fakta dari pengguna untuk membantu dalam pembuktian atau penyangkalan hipotesa. Hal ini bertentangan dengan forward chaining dimana semua fakta yang bersesuaian biasanya diketahui kemudian.
Gambar 2 proses forward chaining. Proses forward chaining (Arhami,2005:20) Pelacakan ke depan adalah pendekatan yang dimotori data (data-driven). Dalam pendekatan ini pelacakan ke depan mencari fakta yang sesuai dengan bagian IF dari aturan IFTHEN. Tabel 1 Karakteristik Forward dan Backward chaining Forward chaining Backward chaining Perencanaan, monitoring, control Diagnosis Disajikan untuk masa depan
Disajikan untuk masa lalu
3
Antecedent ke konsekuen
Konsekuen ke antecedent
Data memandu, penalaran dari bawah ke atas
Tujuan memandu, penalaran dari atas ke bawah
Bekerja ke depan untuk mendapatkan solusi apa yang mengikuti fakta Breadth first search dimudahkan
Bekerja ke belakang untuk mendapatkan fakta yang mendukung hipotesis depth first search dimudahkan
Antecedent menentukan pencarian
Konsequent menentukan pencarian
Penjelasan tidak difasilitasi
Penjelasan difasilitasi
Hasil Penelitian Terdahulu No. 1.
2.
3.
Judul
Tabel 2 Hasil Penelitian Terdahulu Penulis Kesimpulan
SISTEM PAKAR DIAGNOSIS KERUSAKAN SEPEDA MOTOR NON MATIC
1. Cholil Jamhari 2. Agus Kiryanto 3.Sri Huning Anwariningsih
Aplikasi sistem pakar yang telah dibuat dapat digunakan untuk jenis kerusakan sepeda motor berdasarkan gejala kerusakan motor dan menghasilkan solusi sesuai dengan hasil diagnosis penyakitnya. 3. Berdasarkan hasil pengujian yang dilakukan 3 orang teknisi motor didapatkan bahwa sistem pakar dapat mendeteksi semua jenis kerusakan yang telah didefenisikan. Hasil data angket yang diberikan kepada pengguna umum dan pakar sebagian besar memberikan skor penilaian 4 artinya dari unsur user friendly.
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT SALURAN PENCERNAAN MENGGUNAKAN METODE DEMPSTER SHAFER APLIKASI DIAGNOSA KERUSAKAN MESIN SEPEDA MOTOR BEBEK 4 TAK DENGAN METODE FORWARD CHAINING
Yasidah Nur Istiqomah dan Abdul Fadlil
Perangkat lunak yang dihasilkan mampu mendiagnosa penyakit saluran pencernaan pada manusia berdasarkan gejala yang dimasukkan dan dapat memberikan data mengenai penyakit yang diderita berupa nama dan definisi penyakit, penyebab, solusi yang dilengkapi dengan nilai persentase dari penyakit tersebut.
1. Supyani 2. Bebas Widada 3. Wawan Laksito
Hasil dari implementasi yaitu berupa aplikasi yang dapat mendiagnosa kerusakan mesin sepeda motor 4-tak. Pada penelitian ini masih dibutuhkan gejala kerusakan motor, jenis kerusakan dan solusi dari kerusakan selain yang sudah berada dalam database.
4
Dari hasil penelitian diatas penulis dapat menyimpulkan perbedaan dengan sistem pakar yang akan penulis buat. Penulis menggunakan metode yang digunakan berbeda serta objek yang diteliti berdeda. Adapun kelebihan sistem pakar yang akan dibuat penulis menggabungkan dengan metode Dempster Shafer. Metode Dempster Shaffer digunakan sebagai metode untuk menghitung nilai kepercayaan atas gejala yang diberikan oleh pengguna. Dempster Shaffer Menurut Kusumadewi (2003:102) Dempster – Shafer adalah. Secara umum teori Dempster – Shafer ditulis dalam suatu interval : 1. Belief Belief (Bel) adalah ukuran kekuatan evidence (barang bukti) dalam dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian. 2. Plausibility Plausibility (P1) dinotasikan sebagai : P1(s) = 1 – Bel (-s) Plausibility juga bernilai 0 sampai 1. Jika yakin akan –s, maka dapat dikatakan bahwa Bel(-s) = 1, dan P1(-s) = 0. Pada teori Dempster-Shafer dikenal adanya frame of decrement yang dinotasikan dengan θ dan mass function yang dinotasikan dengan m. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. M3 (Z) = Flowchart Menurut Romney (2004:91), Flowchart adalah teknik analisis yang dipergunakan untuk mendeskripsikan beberapa aspek dari system informasi secara jelas, ringkas, dan logis. Flowchart adalah representasi skematik dari sebuah algoritma atau sebuah proses yang teratur, menunjukkan langkah-langkah dalam kotak-kotak yang bervariasi dan urutannya dengan menghubungkan kotak-kotak tersebut dengan panah. Sebuah Flowchart pada umumnya memiliki simbol-simbol sebagai berikut: Tabel 3 Simbol-simbol Flowchart No Simbol Nama Keterangan 1 Dokumen atau laporan; Dokumen menunjukkan input dan output baik untuk proses manual, mekanik atau komputer. 2 Digambarkan dengan Beberapa tembusan dari satu menumpuk simbol dokumen. dokumen
3
Input/output; Jurnal/Buku besar
5
Proses Input / Output data, parameter, daninformasi.
4
Tampilan
5
Terminal atau personal computer
6
Proses manual
Pelaksanaan pemrosesan yang dilaksanakan secara manual.
7
Disk Magnetis
Data disimpan secara permanen didalam disk magnetis; dipergunakan untuk file utama (master file) dan database.
8
Pita magnetis
Data disimpan di dalam pita magnetis.
9
Penyimpanan line
on- Data disimpan di dalam file on-line temporer melalui media yang dapat diakses secara langsung, seperti disk.
10
Arus dokumen Arah pemrosesan atau arus dokumen; arus atau proses yang normal berada dibawah dan mengarah ke kanan.
11
Communication link
12
Off-page connector
6
Informasi yang ditampilkan oleh peralatan on-line, seperti terminal, monitor atau layar. Simbol tampilan dan pengetikan online dengan bersama untuk mewakili terminal dan personal computer.
Pengiriman data dari satu lokasi ke lokasi lainnya melalui jalur komunikasi. Suatu penanda masuk dari, atau keluar ke, halaman lain.
13
Terminal
14
Keputusan
15
Anotasi
Titik awal, akhir, atau pemberhentian dalam suatu proses atau program; juga dipergunakan untuk menunjukkan adanya pihak eksternal. Langkah pengambilan keputusan,dipergunakan dalam sebuah program komputer bagan alir untuk memperlihatkan cabang ke jalan alternatif. Komentar deskriptif tambahan atau catatan penjelasan untuk klarifikasi.
Sumber :Romney (2004:198)
Jenis Data Data Primer Menurut Pasolong (2013:70), data primer adalah data yang dikumpulkan dan diolah sendiri oleh organisasi yang menerbitkan atau yang menggunakannya. Data primer merupakan data sensus karena dikumpulkan, diolah, serta diterbitkan oleh Biro Pusat Statistik (Pasolong, 2013:70). Data yang diperoleh dari wawancara penelitian dengan kepala mekanik mengenai ciri-ciri kerusakan pada motor matic injection. Sekunder Menurut Pasolong (2013:70), data sekunder adalah semua data yang diperoleh secara tidak langsung dari objek penelitian. Jadi data sekunder adalah data yang dikumpulkan atau digunakan oleh organisasi yang bukan pengelolahnya. Identifikasi Masalah Ahli atau pakar tidak lagi harus berupa seorang manusia yang dapat dimintai pendapatnya. Keahlian atau kepakaran yang dimiliki seseorang dapat ditransfer menjadi sebuah sistem yang disebut sistem pakar. Terdapat beberapa kategori masalah yang dapat diselesaikan dengan sistem pakar, salah satunya adalah masalah yang dapat di-interpretasi yaitu masalah yang dapat dibuat kesimpulannya dari sekumpulan data mentah (Arhami, 2005). Dari gejala-gejala yang yang telah dipilih oleh pengguna, maka dapat ditarik kesimpulan jenis kerusakan sesuai dengan tabel kepastian. Pemilihan jenis kerusakan akan bekerja secara optimal jika diselesaikan dengan sistem pakar yang memiliki sejumlah aturan menentukan jenis kerusakan. Semakin banyak jumlah aturan yang dimiliki, maka semakin besar juga kemampuan sistem pakar untuk memecahkan permasalahan yang ada. Seorang pakar atau mekanik dapat disimpulkan dalam basis data.
7
Deskripsi Kebutuhan Kebutuhan terhadap sistem sebagai berikut : Analisis Kebutuhan Sistem Indentifikasi Diperlukan aplikasi sistem pakar diagnosa kerusakan mesin motor matic injection. Sehingga sistem pakar ini bisa digunakan masyarakat awam untuk mengetahui jenis kerusakan motor matic injectionnya dan dapat dijadikan media belajar bagi mekanik baru. 1. Analisis Kebutuhan Informasi Dari hasil wawancara yang telah penulis lakukan dengan kepala mekanik dealer resmi yaitu mengenai gejala-gejala kerusakan motor matic injection dan jenis kerusakannya. 2. Analisis Hasil Penelitian Analisis hasil penelitian ini dilakukan berdasarkan data yang diperoleh dari hasil penelitian yang telah dilakukan yang meliputi analisis aplikasi, dan analisis kebutuhan perangkat lunak. 3. Analisis Kebutuhan Aplikasi Kondisi dan kemampuan yang harus dipenuhi oleh aplikasi sesuai dengan spesifikasi yang diinginkan oleh pakar, yang meliputi kebutuhan informasi, kebutuhan aplikasi, (proses pengolahan Data untuk menghasilkan informasi yang sudah diidentifikasi dan kebutuhan perangkat keras. 4. Analisis Kebutuhan Fungsional Sistem pakar diagnosa kerusakan mesin motor matic injection ini mampu membantu masyarakat awan dan bisa dijadikan media belajar bagi mekanik baru/ siswa SMK. Pengguna memiliki hak akses kebutuhan fungsional yaitu : 1. Aplikasi sistem pakar ini menghasilkan output jenis-jenis kerusakan. 2. Aplikasi ini memberikan informasi jenis kerusakan berdasarkan gejala-gejala yang telah dipilih pengguna. Tabel 4 Basis Pengetahuan Keterangan Jenis Kerusakan Mesin Simbol Motor JK01 Busi JK02 Filter Udara JK03 V-belt dan Roller JK04 Kopling Ganda JK05 Aki JK06 Quil Starter JK07 Kanvas Rem JK08 Injection Kotor JK09 Skir dan Ganti Seal Klep JK10 Pull Pump Kotor JK11 Ganti Oli JK12 Skring 1. Rentang nilai gejala kerusakan mesin motor matic injection pada tabel 5 Tabel 5 Tabel Rentang Nilai Simbol Bobot G01 0,9 G02 0,9
8
G03 G04 G05 G06 G07 G08 G09 G10 G11 G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 G22 G23 G24 G25 G26
0,8 0,7 0,8 0,7 0,8 0,8 0,7 0,9 0,8 0,8 0,8 0,9 0,8 0,9 0,8 0,7 0,9 0,8 0,8 0,7 0,9 0,8 0,7 0,9
1. Tabel Keputusan 1. Tabel Keputusan dapat dilihat pada tabel 6 Tabel 6 Keputusan Simbol JK01 JK02 JK03 JK04 JK05 JK06 JK07 JK08 JK09 JK10 JK11 JK12 G01 √ √ √ √ G02 √ √ √ √ G03 √ G04 √ G05 √ G06 √ G07 √ G08 √ G09 √ G10 √ √ G11 √
9
G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 G22 G23 G24 G25
√ √ √ √ √ √ √ √ √ √ √ √
√ √ √ √
G26
Basis Pengetahuan Basis pengetahuan pada sistem pakar diagnosa kerusakan mesin motor matic injection pada tabel 7 Tabel 7 Basis Pengetahuan NO ATURAN IF Peforma Mesin Menurun (G01) AND Minyak Boros (G02) AND 1 Tenaga Berkurang (G03) AND Panas Berlebih (G04) THEN Busi (JK01) IF Peforma Mesin Menurun (G01) AND Minyak Boros (G02) AND 2 Suara Mesin Kasar (G05) AND Kecepatan Diatas 60 Km Hilang Gas (G06) THEN Filter Udara (JK02) IF Peforma Mesin Menurun (G01) AND Minyak Boros (G02) AND 3 Kasar di Bagian CV-T (G07) THEN Vbelt dan Roller (JK03) IF Peforma Mesin Menurun (G01) AND Minyak Boros (G02) AND 4 Cepat Panas (G08) AND Tarikan Awal Berkurang (G09) THEN Kopling Ganda (JK04) IF Mesin Tidak Mau Hidup Saat di Starter/di Engkol (G10) AND Mesin 5 Motor Mati (G11) THEN Aki (JK05) IF Mesin Tidak Mau Hidup Saat di Starter/di Engkol (G10) AND 6 Terdapat Bunyi Tek-tek (G12) THEN Quil Starter (JK06) IF Daya Pengereman Berkurang (G14) AND Ada Suara Saat Melakukan 7 Pengereman (G15) THEN Kanvas Rem (JK08) IF Saat Berjalan Tidak Lancar (G16) AND Gas Motor Lambat Merespon 8 (G17) AND Susah Hidup (G18) THEN Injection Kotor (JK09) IF Lost Kompresi (G19) AND Motor Mati Jika Tidak di Gas (G20) 9 THEN Skir dan Ganti Seal Klep (JK10) 10 IF Tenaga Berkurang (G23) AND Mesin Motor Mati Tiba-tiba (G21) AND Sering Melakukan Pengisian Bahan Bakar di Eceran (G22) THEN Pull Pump Kotor (JK11) 11 IF tenaga berkurang (G03) AND panas berlebih (G04) AND suara mesin kasar (G05) THEN Ganti Oli (JK12)
10
12
IF Mesin Motor Mati (G26) AND Lampu Indikator Tidak Hidup (G13) THEN Skring (JK07)
Diagram Konteks Diagram konteks adalah reprensentasi grafik yang menggambarkan aliran informasi dan transformasi informasi yang diaplikasikan sebagai data yang mengalir dari masukan (input) dan keluaran (output). (Rosa A.S, 3013:70).
( Sumber Dikelola Sendiri) Gambar 3 Diagram Konteks. konteks diagram diatas dapat di jelaskan yaitu sistem pakar diagnosa kerusakan mesin motor matic injection, memiliki 2 entitas yaitu pakar dan pengunjung. Data yang akan di input oleh pakar dan di olah akan menghasilkan gejala-gejala kerusakan motor matic injection yang berdasarkan pilihan dari pengunjung. Diagram Level 0
( Sumber Dikelola Sendiri) Gambar 4 Diagram Level 0. Proses Diagram level 0 pada gambar 4 dapat dijelaskan sebagai berikut : 1. Proses 1.0 adalah proses gejala, dimanapakarmenginputkan data gejala untuk mengelola data tersebut ke dalam tabel gejala kerusakan. Dan Selanjutnya konfirmasi data gejala akan di tampilkan ke dalam proses nilai. 2. Proses 2.0 adalah proses kerusakan. Dimana pakar menginputkan data kerusakan untuk mengelola data tersebut ke dalam tabel kerusakan. Dan selanjutnya konfirmasi data kerusakan akan di tampilkan di dalam proses nilai. 3. Proses 3.0 adalah proses nilai, dimana pakar akan menginputkan data nilai untuk mengelola data tersebut ke dalam tabel nilai. Kemudian di dalam proses nilai akan mengelola data gejala, data kerusakan dan data nilai untuk menampilkan sumber kerusakan.
11
4.
5.
Proses 4.0 adalah proses kritik saran, di mana pengunjung dapat menginputkan data kritik saran ke dalam tabel data kritik saran yang nantinya dapat dilihat hasilnya oleh pakar sebagai masukan dari pengunjung. Proses 5.0 adalah proses konsultasi, dimana pengunjung memilih jawaban dari pertanyaan konsultasi yang muncul dan akan menghasilkan proses konsultasi untuk pengunjung berupa tampilan jenis kerusakan.
Diagram Level 1
( Sumber Dikelola Sendiri) Gambar 5 Diagram Level 1. Pada Gambar 5 level 1 proses dapat dikembangkan menjadi proses ubah data pakar, hapus data pakar dan lihat data pakar dalam bentuk nilai yang akan di rekam ke dalam tabel nilai dan detail nilai. Diagram ERD
Gambar 6 Diagram Entity Relationship Diagram (ERD) Dari gambar 6 diagram entity relationship diagram dapat dijelaskan satu entitas Gejala memilikisatu entitas Nilai. Dari satu entitas Nilai mempunyai banyak entitas Detai_Nilai. satu entitas Detail_Nilai memiliki banyak entitas Kerusakan. satu entitas Kerusakanmempunyai satu entitas Data_Kritik_Saran. Desain Alur yang Diusulkan
12
Gambar 7 Desain Alur yang Diusulkan Berdasarkan gambar 7 Alur yang diusulkan merupakan alur dari pakar, dimana pakar melakukan login jika berhasil akan masuk ke aplikasi dan melakukan input data atau perubahan data. Jika selesai akan tersimpan pada database data gejala kerusakan dan data kerusakan. Pengunjung masuk ke aplikasi dan akan melakukan pemilihan data gejala kerusakan kemudian diproses oleh aplikasi dan akan diketahui hasilnya. Desain Alur Pemilihan Gejala Kerusakan Mesin Motor
Gambar 8 Desain Alur Pemilihan Gejala Keruskan Mesin Motor
13
Simulasi Perhitungan Dempster Shafer Pada Sistem Adapun Pemilihan Gejala Pada Sistem Sesuai dengan Perhitungan Manual seperti dibawah ini : 1. Pemilihan Gejala 1 Gejala 1 dipilih sebagai contoh untuk mencocokkan hasil dari perhitungan secara manual dengan perhitungan pada program.
Gambar 9 Pemilihan Gejala 1 2. Pemilihan Gejala 2 Gejala 2 adalah gejala yang dipilih setelah gejala 1 sebagai contoh untuk mencocokkan hasil dari perhitungan secara manual dengan perhitungan pada program.
Gambar 10 Pemilihan Gejala 2 3. Pemilihan Gejala 3 Gejala 3 adalah gejala yang dipilih setelah gejala 1dan 2 sebagai contoh untuk mencocokkan hasil dari perhitungan secara manual dengan perhitungan pada program.
Gambar 11 Pemilihan Gejala 3 4. Hasil Jenis Kerusakan yang Terpilih Dari gejala yang telah dipilih diatas maka di dapatkan hasil output seperti dibawah ini :
14
Gambar 12 Form Halaman Hasil Konsultasi Pembahasan : Implementasi dempster shafer pada coding dan proses mendapatkan nilai 0,8 yaitu JK03 jenis kerusakan V-belt dan roller Selain itu pada hasil konsultasi diatas JK01, JK02, JK03, JK04 memiliki nilai 0,198 PENUTUP Berdasarkan pembahasan sebelumnya dapat disimpulkan bahwa Aplikasi sistem pakar ini dirancang dan dibuat dengan menggunakan metode dempster shafer, Pengujian untuk sistem pakar diagnosa kerusakan mesin motor matic injection menggunakan metode dempster shafer berbasis web menggunakan pengujian black box. Dan pembangunan sistem pakar diagnosa kerusakan mesin motor matic injection menggunakan metode dempster shafer berbasis web sehingga dengan sistem pakar ini dapat memudahkan masyarakat awam dan mekanik baru dalam melakukan pengecekan jenis kerusakan mesin motor matic injection. DAFTAR PUSTAKA Arhami, Muhammad.2005. Konsep Dasar Sistem Pakar. Yogyakarta: Andi Offset A.S, Rosa dan M. Shalahudin.2013. Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung: Infrastruktur Istiqomah, Yasidah Nur dan Abdul Fadlil. 2013. Sistem Pakar Untuk Mendiagnoda Penyakit Saluran Pencernaan Menggunakan Metode Dempster Shafer(jogjapress.com/index.php/JSTIF/article/download/1493/1008). Diakses pada tanggal 08 April 2015 pukul 13.08 WIB. Jamrani, Cholil, Agus Kiryanto dan Sri Huning Anwaringsih. 2014. Sistem Pakar Diagnosis Kerusakan Sepeda Motor Non Matic (https://publikasiilmiah.ums.ac.id/bitstrem/handle/123456789/4537/IENACO049.Pdf?s equence=1). Diakses pada tanggal 08 April 2015 pukul 12:33 WIB. Kusrini. 2008. Aplikasi SISTEM PAKAR Menentukan Faktor Kepastian Pengguna dengan Metode Kuantitatif pertanyaan. Yogyakarta:Andi. Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta:Graha Ilmu Pasolong, Harbani. 2013. Metode Penelitian Administrasi Publik, Bandung: Alfabeta. Romney, Marshall B. 2004. Sistem Informasi. Salemba 4 : Jakarta. Supyani, Bebas Widada dan Wawan laksito. 20013. Aplikasi Diagnosa Kerusakan Mesin Sepeda Motor Bebek 4 TAK dengan menggunakan metode forward Chaining(http://p3m.sinus.ac.id/jurnal/index.php/TIKomSIN/article/view/78/6).Diakse s pada tanggal 08 April pukul 12:48 WIB. Sutejo, E. Mulyanto dan Vincent Suhartono. 2011. Kecerdasan Buatan. Yogyakarta:Andi
15
