BAB IV ANALISIS DAN PERANCANGAN SISTEM
4.3 Implementasi Algoritma Bayesian
4.3.4 Halaman Cek Peralatan
Gambar 4.6 Halaman Cek Peralatan
Pada halaman ini disajikan berbagai info peralatan yang di gunakan untuk melakukan perbaikan pada laptop khususnya pada motherboard laptop. Ada berbagai macam jenis peralatan yang digunakan diantaranya seperti yang ditampilkan pada gambar diatas yaitu BGA Infrared Rework Station, Tinol, Blower, Multitester, Solder dan Pinset. Dari masing-masing peralatan itu mempunyai fungsinya masing-masing.
55 4.3.5 Halaman Daftar Data Kerusakan
Gambar 4.7 Halaman Data Kerusakan
Pada halaman ini disajikan berbagai info tentang daftar kerusakan pada laptop khususnya pada motherboard dan gejala yang ada juga ditampilkan untuk memenuhi informasi bagi user yang menggunakan aplikasi tersebut.
4.3.6 Halaman History Pengujian
Gambar 4.8 Riwayat Pengujian Sistem
Pada halaman ini disajikan daftar riwayat pengujian kerusakan laptop. Untuk mengetahui laptop apa saja yang sering terjadi kerusakan. User menginputkan Merk dan Serial Number Laptop kemudian ditampilkan gejala dan kerusakan apa saja yang telah di alami oleh laptop tersebut.
57 4.3.7 Halaman Solusi Perbaikan
Gambar 4.9 Halaman Solusi Perbaikan
Setelah berbagai kerusakan yang muncul langkah selanjutnya akan ditampilkan solusi perbaikan dari kerusakan motherboard yang dialami pada laptop. Solusi yang di tampilkan berupa solusi langkah-langkah perbaikan secara teknis, mulai dari menyiapkan peralatan hingga langkah-langkah penanganannya. User dapat memilih langkah perbaikan di setiap kerusakan dengan cara memilih pada scroll atas pada taksbar atas, akan ada pilihan dari K1 sampai K9.
4.4 Pengujian Sistem
59
baterai nyala tapi laptop
Berdasarkan pada tabel 4.2 telah dilakukan pengujian akurasi dengan 10 sampel data kerusakan pada motherboard laptop. Dari hasil pengujian tersebut dapat dihitung nilai akurasi seperti berikut :
61 Jadi dapat disimpulkan bahwa nilai akurasi sistem prediksi berdasarkan 10 data sampel yang diuji adalah 100% yang menunjukkan bahwa sistem prediksi ini dapat berfungsi dengan baik dan sesuai dengan identifikasi.
4.5 Pembahasan Hasil Penelitian
Penelitian ini dilakukan untuk membantu user untuk mendiagnosa kerusakan pada motherboard laptop. Didalam terciptanya laptop tentunya didukung dengan teknologi komponen-komponen didalamnya yang serba kecil dan semakin canggih. Hal ini pula yang menimbulkan masalah baru, yaitu ketika komponen tersebut rusak tentunya dalam proses mengatasinya juga tidak mudah. Berbeda dengan kerusakan pada PC (Personal Computer) yang mudah ditangani, kerusakan pada laptop perlu keahlian yang dalam untuk menanganinya. Hal ini dikarenakan komponen didalam nya serba kecil dan proses pembongkaran laptop tersebut juga tidak mudah. Biaya yang dikeluarkan untuk proses perbaikan laptop hingga bisa normal juga tidak sedikit. Kerusakan hardware lebih sukar diatasi dari pada permasalan software pada laptop, jika kerusakan pada software proses pengerjaannya cepat dan biaya ringan berbeda dengan laptop yang rusak pada hardwarenya yang memakan biaya mahal dan proses pengerjaan yang lama. Dari hasil survei yang dilakukan oleh penulis pada tempat servis laptop disemarang rata-rata kerusakan hardware khususnya pada chipset biaya perbaikannya minimal Rp.400.000 sedangkan jika chipset tersebut harus diganti memakan biaya Rp.700.000 sampai Rp.1.500.000. Hal tersebutlah yang mendasari peneliti untuk membuat sistem prediksi kerusakan laptop guna membantu user dalam mengetahui kerusakan motherboard laptop tanpa membawa langsung ke teknisi.
Penelitian ini menggunakan metode Naïve Bayes. Metode Naïve Bayes dilakukan untuk mengolah data awal yaitu gejala kerusakan motherboard untuk dijadikan data training kerusakan untuk awal prediksi kerusakan laptop. Data set berupa gejala umum dan khusus kerusakan motherboard pada laptop serta cara perbaikan. Kemudian data tersebut akan diolah menggunakan metode naïve bayes
untuk menghitung kemungkinan kerusakan yang tejadi berdasarkan gejala yang diketahui. Setelah semua tahapan dilakukan baik dengan metode naïve bayes, nantinya akan diketahui presentase kerusakan pada motherboard serta cara memperbaikinya
Berdasarkan masalah dan metode yang ada, peneliti telah membangun sistem prediksi kerusakan motherboard laptop berbasis web untuk pemecahan masalah.
Hasil dari sistem prediksi ini telah dihitung nilai akurasi yang menunjukkan kelayakan sistem apakah sesuai dengan pakar atau tidak. Hasil nilai akurasi adalah 100%, nilai tersebut menunjukkan bahwa sistem prediksi ini layak untuk digunakan oleh user untuk membantu dalam memprediksi kerusakan pada motherboard laptop berdasarkan gejala yang ada.
63
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil penelitian yang telah dilakukan oleh peneliti maka dapat disimpulkan bahwa :
1. Metode Naïve Bayes dapat membantu mempermudah dalam menentukan permasalahan yang di hadapi oleh user ketika terjadi permasalahan.
2. Sistem yang telah dibangun dengan metode Naive Bayes memiliki tingkat akurasi yang sama dengan data yang didapatkan dari pakar.
3. Dari hasil penelitian yang telah dilakukan metode naïve bayes dapat menjadi salah satu alternative untuk metode klasifikasi permasalahan yang di hadapi di lapangan.
5.2 Saran
Dari hasil penelitian tentunya akan timbul permasalahan baru yang harus diselesaikan untuk perkembangan penelitian, sistem pakar kerusakan laptop pada motherboard ini dapat dikembangkan lebih lanjut dengan menerapkan metode lain sebagai perbandingan untuk tingkat keakurasian seperti pengembangan dengan metode fuzzy, atau penambahan fitur aplikasi lainnya yg dapat membantu user mempermudah dalam mengases informasi tentang motherboard seperti menambahkan fitur informasi lebih lanjut mengenai teknologi perkembangan tentang laptop.
DAFTAR PUSTAKA
[1] Ikhwan, M. S. (n.d.). Sistem Pakar Untuk Mendiagnosis Kerusakan Printer Canon PIXMA MP 287 Dengan Menggunakan Metode Bayesian. pp. 1 - 11.
[2] Hamzah, A. (2012). Klasifikasi Teks Dengan Naive Bayes Classifier (NBC) Untuk Pengelompokan Berita dan Abstrak Akademis. Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) , pp. 269 - 177 .
[3] Rodiyansyah, S. F., & Winarko, E. (2012). Klasifikasi Posting Twitter Kemacetan Lalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification. IJCCS , pp. 91 - 100.
[4] Saleh, A. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Citec Journal , pp.
207 - 217.
[5] Wahyudi, S., & Ratnasari, S. (2014 ). Sistem Pakar Diagnosis Penyakit Mata Menggunakan Naive Bayes Classifier . Seminar Nasional Sains dan Teknologi , pp. 1 - 6 .
[6] Depdiknas . Kamus Besar Bahasa Indonesia. Jakarta : Gramedia Pustaka Utama, 2008.
[7] Sutojo. Kecerdasan Buatan. Yogyakarta : Andi, 2011.
[8] Saputra Adi. Buku Panduan Reparasi Laptop. Bandung : Gramedia, 2013.
[9] Kadir Abdul. Pemprograman Java untuk Pemula : Mediakom, 2014
[10] Enterprise Jubilee. Belajar Java, Database, dan Netbeans Dari Nol : Elex Media Komputindo, 2016
[11] Widiastuti, N. A., Saantosa, S., & Supriyanto, C. (2014). Algoritma Klasifikasi Data Mining Naive Bayes Berbasis Particle Swarm Optimization Untuk Deteksi Penyakit Jantung. Jurnal Pseudocode , pp. 11 - 14.