Perhitungan Manual Bayesian - ANALISIS DAN PERANCANGAN SISTEM

BAB IV ANALISIS DAN PERANCANGAN SISTEM

4.2 Perhitungan Manual Bayesian

Berikut merupakan data asli kerusakan dan gejala yang peneliti dapatkan dari “P One Komputer” Semarang. Data tersebut akan dihitung secara manual menggunakan Algoritma Naïve Bayes dan nantinya akan dibandingkan dengan hasil perhitungan sistem yang telah dibuat oleh peneliti untuk mengetahui tingkat akurasi sistem yang telah dibangun.

Data kerusakan dan gejala motherboard : 1. K1 : IC charger rusak

G1 : No display / Booting ( tidak nyala sama sekali )

G2 : Battery cannot charging ( pengisian baterai tidak terhubung ) 2. K2 : IC Power rusak

G1 : No display / Booting ( tidak nyala sama sekali )

G2 : Battery cannot charging ( pengisian baterai tidak terhubung ) 3. K3 : Resistor rusak

G1 : No display / Booting ( tidak nyala sama sekali ) G3 : No Display ( layar tidak tampil )

4. K4 : Kapasitor rusak

G1 : No display / Booting ( tidak nyala sama sekali )

G2 : Battery cannot charging ( pengisian baterai tidak terhubung ) G3 : No Display ( layar tidak tampil )

5. K5 : Mosfet rusak

G1 : No display / Booting ( tidak nyala sama sekali )

G2 : Battery cannot charging ( pengisian baterai tidak terhubung ) G3 : No Display ( layar tidak tampil )

6. K6 : Embedded Controller rusak

G2 : Battery cannot charging ( pengisian baterai tidak terhubung ) G4 : USB cannot detect ( usb tidak dapat berfungsi )

7. K7 : VRAM rusak

G3 : No Display ( layar tidak tampil )

G5 : Cannot shutdown ( tidak bisa dimatikan ) 8. K8 : Chipset Soutbridge rusak

G1 : No display / Booting ( tidak nyala sama sekali )

G2 : Battery cannot charging ( pengisian baterai tidak terhubung ) G3 : No Display ( layar tidak tampil )

9. K9 : Chipset Northbridge rusak

G1 : No display / Booting ( tidak nyala sama sekali )

G2 : Battery cannot charging ( pengisian baterai tidak terhubung ) G3 : No Display ( layar tidak tampil )

Keterangan : K = Kerusakan G = Gejala

Tabel 4.1 Tabel keputusan antara Kerusakan dan Gejala

Gejala Kerusakan

1 2 3 4 5 6 7 8 9

1 1 1 1 1 1 0 0 1 1

2 1 1 0 1 1 1 0 1 1

3 0 0 1 1 1 0 1 1 1

4 0 0 0 0 0 1 0 0 0

5 0 0 0 0 0 1 0 0 0

Perhitungan manual Bayesian berdasaran gejala adalah sebagai berikut :

Misalnya gejala yang tampak pada laptop ada dua gejala yaitu No display / Booting ( tidak nyala sama sekali ) (G1) dan No display ( layar tidak tampil ) (G3). Berdasarkan gejala tersebut maka dapat dihitung :

41 1. Rusak pada IC Charger (K1)

Jika probabilitas kerusakan pada IC Charger (K1) adalah : 0.11 Jika probabilitas gejala adalah :

K(K1 | G1) = 0,14  hasil perhitungan bayes 1 pada kerusakan K1

K(K1 | G3) = [ K (G3 | K1) * K (K1) ] / [ K (G3 | K1) * K (K1) + K (G3 |

2. Rusak pada IC Power (K2)

Jika probabilitas kerusakan pada IC Power (K2) adalah : 0.11 Jika probabilitas gejala adalah :

 No display / Booting ( tidak nyala sama sekali ) (G1) = 0.50

 No display ( layar tidak tampil ) (G3) = 0

Perhitungan nilai Bayes :

K(K2 | G1) =

K(K2 | G1) = 0,14  hasil perhitungan bayes 1 pada kerusakan K2

K(K2 | G3) =

K(K2 | G3) = 0  hasil perhitungan bayes 2 pada kerusakan K2

43 Total Bayes Kedua

= K(K2 | G1) + K(K2 | G3)

= 0,14 + 0 = 0,14 total bayes kedua pada kerusakan K2

3. Rusak pada Resistor (K3)

Jika probabilitas kerusakan pada Resistor (K3) adalah : 0.11 Jika probabilitas gejala adalah :

K(K3 | G1) = 0,14  hasil perhitungan bayes 1 pada kerusakan K3

K(K3 | G3) = [ K (G3 | K3) * K (K3) ] / [ K (G3 | K1) * K (K1) + K (G3 |

Total Bayes Ketiga

= K(K3 | G1) + K(K3 | G3)

= 0,14 + 0,16 = 0,3  total bayes ketiga pada kerusakan K3

4. Rusak pada Kapasitor (K4)

Jika probabilitas kerusakan pada Kapasitor (K4) adalah : 0.11 Jika probabilitas gejala adalah :

Total Bayes Keempat

= K(K4 | G1) + K(K4 | G3)

= 0,14 + 0,16 = 0,3  total bayes keempat pada kerusakan K4

5. Rusak pada Mosfet (K5)

Jika probabilitas kerusakan pada Mosfet (K5) adalah : 0.11 Jika probabilitas gejala adalah :

K(K5 | G1) = 0,14  hasil perhitungan bayes 1 pada kerusakan K5

K(K5 | G3) = [ K (G3 | K5) * K (K5) ] / [ K (G3 | K1) * K (K1) + K (G3 |

Total Bayes Kelima

= K(K5 | G1) + K(K5 | G3)

= 0,14 + 0,16 = 0,3  total bayes kelima pada kerusakan K5

6. Rusak pada VRAM (K7)

Jika probabilitas kerusakan pada VRAM (K7) adalah : 0.11 Jika probabilitas gejala adalah :

 No display / Booting ( tidak nyala sama sekali ) (G1) = 0

 No display ( layar tidak tampil ) (G3) = 0.50

Perhitungan nilai Bayes :

K(K7 | G1) =

K(K7 | G1) = 0  hasil perhitungan bayes 1 pada kerusakan K7

K(K7 | G3) =

K(K7 | G3) = 0,16  hasil perhitungan bayes 2 pada kerusakan K7

47 Total Bayes Keenam

= K(K7 | G1) + K(K7 | G3)

= 0 + 0,16 = 0,16  total bayes keenam pada kerusakan K7

7. Rusak pada Chipset Southbridge (K8)

Jika probabilitas kerusakan pada Chipset Southbridge (K8) adalah : 0.11 Jika probabilitas gejala adalah :

K(K8 | G1) = 0,14  hasil perhitungan bayes 1 pada kerusakan K8

K(K8 | G3) = [ K (G3 | K8) * K (K8) ] / [ K (G3 | K1) * K (K1) + K (G3 |

Total Bayes Ketujuh

= K(K8 | G1) + K(K8 | G3)

= 0,14 + 0,16 = 0,3  total bayes ketujuh pada kerusakan K8

8. Rusak pada Chipset Northbridge (K9)

Jika probabilitas kerusakan pada Chipset Northbridge (K9) adalah : 0.11 Jika probabilitas gejala adalah :

K(K9 | G1) = 0,14  hasil perhitungan bayes 1 pada kerusakan K9

K(K9 | G3) = [ K (G3 | K9) * K (K9) ] / [ K (G3 | K1) * K (K1) + K (G3 |

49 Total Bayes Kedelapan

= K(K9 | G1) + K(K9 | G3)

= 0,14 + 0,16 = 0,3  total bayes kedelapan pada kerusakan K9

Hasil = Total Bayes Pertama + Total Bayes Kedua + Total Bayes Ketiga + Total Bayes Keempat + Total Bayes Kelima + Total Bayes Keenam + Total Bayes Ketujuh + Total Bayes Kedelapan

= K(K1 | G1) + K(K1 | G3) + K(K2 | G1) + K(K2 | G3) + K(K3 | G1) + K(K3 | G3) + K(K4 | G1) + K(K4 | G3) + K(K5 | G1) + K(K5 | G3) + K(K7 | G1) + K(K7 | G3) + K(K8 | G1) + K(K8 | G3) + K(K9 | G1) + K(K9 | G3)

= 0,14 + 0,14 + 0,3 + 0,3 + 0,3 +0,16 + 0,3 + 0,3

= 1,94  hasil total dari keseluruhan nilai perhitungan bayes

Maka Perhitungan Probabilitas Kerusakan Motherboard adalah : 1. Kerusakan Pada IC Charger (K1)

= 7,2 %  hasil perhitungan pada kerusakan K1

2. Kerusakan Pada IC Power (K2)

= 7,2 %  hasil perhitungan pada kerusakan K2

3. Kerusakan Pada Resistor (K3)

= 15,5 %  hasil perhitungan pada kerusakan K3

4. Kerusakan Pada Kapasitor (K4)

= 15,5 %  hasil perhitungan pada kerusakan K4

5. Kerusakan Pada Mosfet (K5)

7. Kerusakan Pada Chipset Soutbridge (K8)

= 15,5%  hasil perhitungan pada kerusakan K8

8. Kerusakan Pada Chipset Northbridge (K9)

= 15,5 %  hasil perhitungan pada kerusakan K9

51 4.3 Implementasi Algoritma Bayesian

Implementasi Algoritma ini berisi informasi dari sistem yang telah dibuat dan diterapkan dalam sistem menggunakan bahasa pemprograman java.

4.3.1 Halaman About

Gambar 4.3 Halaman About

Halaman about adalah halaman yang menerangkan tentang latar belakang pembuat sistem atau peneliti. Pada halaman ini menerangkan informasi tentang profil peneliti.

4.3.2 Halaman Analisis Kerusakan

Gambar 4.4 Halaman Analisis Kerusakan

Halaman analisis kerusakan merupakan halaman untuk memilih gejala kerusakan laptop oleh user. Pada halaman ini user menginput merk dan Serial Number dari laptop yang akan di analisis,kemudian user dapat memilih gejala kerusakan yang dialami laptop untuk memprediksi kerusakan laptop dengan metode yang telah digunakan. Cara penggunaannya dengan cara memilih option button yang telah disediakan berdasarkan kerusakan laptop yang dialami.

53 4.3.3 Halaman Hasil Analisis Kerusakan

Gambar 4.5 Halaman Hasil Analisis Kerusakan

Halaman hasil analisis adalah halaman yang memperlihatkan hasil prediksi kerusakan laptop pada motherboard. Data hasil analisis merupakan data hasil olahan gejala kerusakan yang telah diproses menggunakan metode Naïve Bayes.

Dari perhitungan tersebut nantinya akan didapatkan nilai dari masing-masing kerusakan yang jika di total berjumlah 100%.

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

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.

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.

Dalam dokumen TUGAS AKHIR IMPLEMENTASI METODE NAIVE BAYES UNTUK MENDETEKSI KERUSAKAN MOTHERBOARD PADA LAPTOP. Universitas Dian Nuswantoro. (Halaman 53-0)