Implementasi Sistem Pakar Kerusakan Motor Vespa Dengan Metode Teorema Bayes

Prosiding SNASTIKOM: Seminar Nasional Teknologi Informasi & Komunikasi

Paper

Implementasi Sistem Pakar Kerusakan Motor Vespa Dengan Metode Teorema Bayes

Author: Saiful Nurarif, Iskandar Zuilkarnain, Sobirin

SNASTIKOM Ke 8 Tahun 2021 ISBN: 978-623-91911-2-2

533

Implementasi Sistem Pakar Kerusakan Motor Vespa Dengan Metode Teorema Bayes

Saiful Nurarif¹, Iskandar Zulkarnain², Sobirin³

1,2,3STMIK Triguna Dharma, Medan, Indonesia

1*saifulnurarif.tgd@gmail.com, ² iskandarzulkarnain.tgd@gmail.com, ³ sobirin.tgd@gmail.com

Abstrak- Vespa mulai digemari oleh kalangan anak muda terutama vespa antik tepatnya vespa Sprint S 1967 hal ini dikarenakan sepda motor ini memiliki keunikan. Berbeda dengan sepeda motor lainnya, untuk mendeteksi kerusakan pada Motor vespa Sprint S 1967 jauh lebih sulit dibandingkan dengan sepeda motor pada umumnya . Agar mempermudah dalam proses mendeteksi sebuah kerusakan pada vespa maka dibuatlah sebuah sister yaitu Sistem Pakar. Sistem Pakar biasanya digunakan untuk mendeteksi kerusakan ataupun mendeteksi suatu kerusakan yang gejalanya memiliki nilai kemungkinan atau bobot yang didapatkan dari pakar. Dari penelitian ini diperoleh suatu sistem yang dapat mendeteksi kerusakan pada Motor Vespa Sprint S 1967 sehingga membantu bagi setiap pemilik kendaraan ini dalam mendeteksi kerusakannya serta melakukan perbaikan untuk mengatasi kerusakan tersebut.

Kata Kunci: Sistem Pakar, Motor Vespa, Teorema Bayes

Abstract- Vespa began to be favored by young people, especially the antique vespa, precisely the 1967 Sprint S vespa, this is because this motorcycle has a uniqueness. Unlike other motorcycles, detecting damage to the 1967 Vespa Sprint S is much more difficult than normal motorcycles. In order to make it easier in the process of detecting a damage to the Vespa, a sister system was made, namely the Expert System. Expert systems are usually used to detect damage or detect damage whose symptoms have a probability value or weight obtained from an expert. From this research obtained a system that can detect damage to the Vespa Sprint S 1967 so that it helps every owner of this vehicle in detecting the damage and making repairs to overcome the damage

Keywords: Expert System, Vespa Motor, Bayes' Theorem

1. PENDAHULUAN

Saat ini sebagian besar masyarakat menjadikan sepeda motor sebagai sarana transportasi yang sangat digemari.

Dengan menggunakan sepeda motor pengguna dapat menghemat waktu dan biaya. Kendala pada pengendara sepeda motor yaitu kerusakan mesin, kerusakan mesin merupakan hal merugikan bagi pengguna. Pengendara cenderung tidak mengetahui apa penyebab dan bagian apa saja yang mengalami kerusakan, sehingga menyerahkan nya kepada pihak bengkel untuk di service[1].

Salah satu jenis sepeda motor itu adalah Vespa Sprint S 1967, vespa mulai digemari oleh kalangan anak muda terutama vespa antik tepatnya vespa Sprint S 1967, dimana anak muda sudah mulai berkembang menghidupkan mesin 2 tak tersebut[2]. Di penelitian ini akan diterangkan bagaimana merancang sebuah aplikasi Web yang memudahkan admin bengkel ladang vespa dan user dalam mendeteksi kerusakan mesin yang terjadi pada motor vespa Sprint S 1967.

2. METODE PENELITIAN

Metode penelitian merupakah cara atau langkah yang harus dilakukan untuk mengumpulkan suatu informasi yang berisikan data yang kita peroleh dari seorang pakar atau ahli dalam bidangnya sebagian suatu gambaran penelitian yang kita laksanakan. Dalam teknik pengumpulan data terdapat beberapa yang dilakukan di antaranya yaitu Observasi adalah teknik pengumpulan data dengan melakukan tinjauan langsung ketempat dimana kita melakukan studi kasus dimana akan dilakukan sebuah penelitian, serta Wawancara merupakan cara dimana kita dapat memperoleh sebuah informasi secara rinci, langsung, mendalam, tidak terstruktur, dan individu untuk menghasilkan sebuah informasi yang akurat.

SNASTIKOM Ke 8 Tahun 2021 ISBN: 978-623-91911-2-2

2.1 Sistem Pakar

Istilah sistem pakar berasal dari istilah knowledge-based expert system. Istilah ini diciptakan ketika ahli komputer ingin memecahkan masalah, sistem pakar menggunakan kempmpuan seorang pakar untuk diimplementasikan komputer [3]. Sehingga Seseorang yang bukan pakar menggunakan sistem pakar untuk meningkatkan kemampuan pemecahan masalah [4]. Konsep dasar sistem pakar dibangun dengan adanya unsur dan elemen pendukungnya, diantaranya yaitu keahlian, pengalihan keahlian, Inferensi, Aturan, dan kemampuan menjelaskan [5]. Sistem pakar dibuat dengan tujuan untuk dapat menyelesaikan sebuah masalah yang cukup rumit dan hanya bisa diselesaikan oleh seorang pakar/ahli [5]. Pembuatan sistem pakar bukan untuk menggantikan para ahli/pakar itu sendiri melainkan sistem pakar yang dibuat dapat digunakan sebagai asisten yang berpengalaman [6].

2.2 Teorema Bayes

Pengertian Teorema Bayes adalah teorema yang digunakan untuk mengihtung suatu peluang yang terdapat pada hipotesis [7], Teorema bayes dikenalkan oleh ilmuan yang bernama Bayes yang ingin memastikan keberadaan Tuhan dengan mencari fakta di dunia yang menunjukan keberadaan Tuhan. Bayes mencari tentang sebuah fakta mengenai ada tidaknya tuhan didunia kemudian mengubahnya dengan nilai Probabilitas yang akan di sandingkan dengan suatu nilai Probabilitas [8]. teorema ini juga merupakan dasar dari statistika Bayes yang memiliki penerapan dalam ilmu ekonomi mikro, sains, teori permain, hukum dan kedokteran.

Teorema Bayes akhirnya dikembangkan dengan berbagai ilmu termasuk untuk penyelesaian masalah sistem pakar dengan menetukan nilai probabilitas dari hipotesa pakar dan nilai evidence yang didapatkan fakta yang didapat dari objek yang deteksi [9]. Teorama Bayes ini membutuhkan biaya komputasi yang mahal karena kebutuhan untuk menghitung nilai probabilitas untuk tiap nilai dari perkaliankartesius. penerapan Teorema Bayes untukmencari penerapan dinamakan inferens Bayes[10]. Probabilitas bayes merupakan cara untuk mengatasi ketidakpastian data dengan menggunakan formula Bayes yang dinyatakan [11].

𝑃(𝐻|𝐸) = 𝑃(𝐸|𝐻)𝑃(𝐻) 𝑃(𝐸)

Dimana

𝑃(𝐻|𝐸)

: Probabilitas hipotesis H jika diberikan evidence E.

𝑃(𝐸|𝐻)

: Probabilitas munculnya evidence E jika diketahui hipotesis H.

𝑃(𝐻

) : Probabilitas hipotesis H tanpa memandang evidence apapun.

𝑃(𝐸)

: Probabilitas evidence E.

Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau tidak

P(x) =

Jumlah Kejadian Berhasil

Jumlah Semua Kejadian

SNASTIKOM Ke 8 Tahun 2021 ISBN: 978-623-91911-2-2

535

Gambar 1. Flowchart Metode Teorema Bayes

3. HASIL DAN PEMBAHASAN 3.1 Menentukan Data Kerusakan

Dari hasil penelitian yang dilakukan , maka dapat beberapa data gejala kerusakan pada Vespa Sprint S adalah sebagai berikut:

Tabel 2. Data Kerusakan

3.2 Menentukan Nilai Probabilitas

Berdasarkan data-data yang di peroleh disini bisa kita tentukan nilai Probabilitas adalah sebagai berikut :

SNASTIKOM Ke 8 Tahun 2021 ISBN: 978-623-91911-2-2

Tabel 3. Nilai Probabilitas Pada Tiap Gejala

3.3 Proses Perhitungan Teorema Bayes

Berikut ini langkah-langkah dalam penyelesaian perhitungan metode theorema bayes.

1. Menjumlahkan Nilai Probabilitas

∑ = 𝐺1 + 𝐺2 + ⋯ 𝐺𝑛

𝑛

𝑖=𝑛

(1)

2.Mencari Nilai Probabilitas Hipotesa H tanpa Memandang Evidence

𝑃(𝐻𝑖) = P(E|Hi)

∑

^𝑛_𝑖=𝑛

= 𝑛 (2)

3. Mencari Nilai Probabilitas Hipotesa H Memandang Evidence

∑ = P(Hi) ∗ P(E|Hi) + ⋯ P(Hi) ∗ P(E|Hi) (3)

𝑛

𝑘=𝑛

4. Mencari Nilai Hipotesa H benar jika diberi Evidence

𝑃(𝐻𝑖|𝐸𝑖) = P(Hi) ∗ P(E|Hi)

∑

^𝑛_𝑘=𝑛

= 𝑛 (4)

5. Mencari Nilai Bayes

∑

^𝑛

𝐵𝑎𝑦𝑒𝑠 = 𝐵𝑎𝑦𝑒𝑠1 + 𝐵𝑎𝑦𝑒𝑠2 … 𝐵𝑎𝑦𝑒𝑠𝑛 (5)

𝑘=𝑛

SNASTIKOM Ke 8 Tahun 2021 ISBN: 978-623-91911-2-2

537 3.4 Menghitung nilai Semesta

Berikut hasil data riwayat kerusakan vespa yang diperoleh langsung pada Bengkel ladang Vespa.

Tabel 4. Contoh Sampel Kerusakan Dan Gejalanya

Untuk Menghitung nilai total bobot gejala probabilitas digunakan persamaan sebagai berikut :

1. P01 Sistem Pengapian.

∑ =

𝑛

𝑖=𝑛

𝐺1 + 𝐺2 + 𝐺3 + ⋯ + 𝐺𝑛

∑ =

2

𝑖=𝑛

0,4 + 0,7 + 0,5 = 1,6

2. P02 karburator

∑ =

𝑛

𝑖=𝑛

𝐺1 + 𝐺2 + 𝐺3 + ⋯ + 𝐺𝑛

∑ =

3

𝑖=𝑛

0,4 + 0,4 = 0,8

Setelah hasil penjumlahan di atas diketahui, maka didapatkan rumus untuk menghitung nilai semesta adalah sebagai berikut:

P(Hi)=

_∑^{𝑃(𝐻𝑖)}𝑛 𝐺𝑛

1. P01 Sistem Pengapian.

G01 = P (H1)

=

^0,4

1,6 = 0,25 G02 = P (H2)

=

^0,7

1,6 = 0,4375 G04 = P (H4)

=

^0,5

1,6 = 0,3125

2. P02 Karburator

G01 = P (H1)

=

^0,4

0,8 = 0,5

G04 = P (H4)

=

^0,4_0,8 ^{= 0,5}

3.5 Menghitung Nilai Probabilitas Hipotesa

Nilai probabilitas hipotesa merupakan nilai probabilitas kerusakan tanpa memandang gejala apapun. Setelah Nilai P(Hi) diketahui, nilai probabilitas hipotesa H tanpa memandang gejala dihitung sebagai berikut:

SNASTIKOM Ke 8 Tahun 2021 ISBN: 978-623-91911-2-2

1. P01 Sistem Pengapian

∑^𝑛_𝐺=𝑛= 𝑃(𝐻𝑖) ∗ 𝑃(𝐸|𝐻𝑖)

+ … +

𝑃(𝐻𝑖) ∗ 𝑃(𝐸|𝐻𝑖)

=(P(H1)*P(E|H1))+(P(H2)*P(E|H2))

= (0,25*0,4)+( 0,4375*0,7)+(0,3125*0,5)

= 0,5625 2. P02 Karburator.

∑^𝑛_𝐺=𝑛= 𝑃(𝐻𝑖) ∗ 𝑃(𝐸|𝐻𝑖)

+ … +

𝑃(𝐻𝑖) ∗ 𝑃(𝐸|𝐻𝑖)

=(P(H1)*P(E|H1))+(P(H4)*P(E|H4)) =(0,4*0,5)+(0,4*0,5)

= 0,4

3.6 Menghitung Nilai Probabilitas P(Hi | E)

P(Hi|E) merupakan nilai probabilitas Hi benar jika diberikan evidence E. Untuk menghitung nilai probabilitas P(Hi|E) adalah sebagai berikut:

3. P01 Sistem Pengapian

P(H1|E) = ^0,25∗0,4

0,5625

= 0,1777

P(H2|E) = 0,4375∗0,35

0,5625

= 0,5444

P(H4|E) = 0,3125∗0,25

0,5625

= 0,2777 4. P02 Karburator.

P(H1|E) = ^0,4∗0,5

0,4

= 0,5

P(H4|E) = ^0,4∗0,5

0,4

= 0,5 3.7 Menghitung Nilai Bayes

Nilai Bayes merupakan nilai akhir dari perhitungan nilai bayes. Berikut ini merupakan perhitungan probabilitas mendeteksi kerusakan Vespa adalah sebagai berikut:

1. P01 Sistem Pengapian

∑

³

𝐵𝑎𝑦𝑒𝑠 = 𝐵𝑎𝑦𝑒𝑠1 + 𝐵𝑎𝑦𝑒𝑠2 + 𝐵𝑎𝑦𝑒𝑠3

𝑖=1

∑

𝐵𝑎𝑦𝑒𝑠 = (0,4 ∗ 0,1777) + (0,7 ∗ 0,5444) + (0,5 ∗ 0,2777)

= 0,591

3

𝑖=1

2. P02 Karburator.

∑

³

𝐵𝑎𝑦𝑒𝑠 = 𝐵𝑎𝑦𝑒𝑠1 + 𝐵𝑎𝑦𝑒𝑠2 + 𝐵𝑎𝑦𝑒𝑠3

𝑖=1

∑

𝐵𝑎𝑦𝑒𝑠 = (0,4 ∗ 0,5) + (0,4 ∗ 0,5)

= 0,4

5

𝑖=1

SNASTIKOM Ke 8 Tahun 2021 ISBN: 978-623-91911-2-2

539

4. KESIMPULAN

Dari perhitungan menggunakan metode Teorema Bayes, maka dapat diketahui bahwa nilai probabilitas dari sampel diatas memiliki gejala dalam 4 kerusakan yang berbeda dan telah dideteksi terbukti memiliki perbedaan probabilitas, untuk kerusakan yang pertama yaitu kerusakan Sistem Pengapian memiliki nilai probabilitas 0,591 (59%), kerusakan kedua kerusakan Karburator memiliki nilai probabilitas 0,4 (40%), yang ketiga sistem kelistrikan memiliki nilai probabilitas 0,4 (40%), dengan demikian kerusakan yang terdeteksi atau terdeteksi yang memiliki nilai probabilitas yang dominan yaitu kerusakan sistem perapian dengan nilai probabilitas 0,591 atau persentase 59%.

DAFTAR PUSTAKA

[1] I. Imron, M. N. Afidah, M. S. Nurhayati, S. Sulistiyah, and F. Fatmawati, “Sistem Pakar Diagnosa Kerusakan Mesin Sepeda Motor Transmission Automatic dengan Metode Forward Chaining Studi Kasus: AHASS 00955 Mitra Perdana,” J. Ilm. Univ. Batanghari Jambi, vol. 19, no. 3, p. 544, 2019, doi:

10.33087/jiubj.v19i3.742.

[2] H. W. Agustinus, “Implementasi Apriori Untuk Menentukan Pola Asosiasi Kerusakan Sparepart Vespa,” J.

Informatics, Inf. Syst. Softw. Eng. Appl., vol. 1, no. 2, pp. 82–88, 2019, doi: 10.20895/inista.v1i2.74.

[3] R. Syahputra, “Identifikasi Kerusakan PC (Personal Computer) dengan Metode Teorema Bayes Pada Laboratorium Komputer STMIK Triguna Dharma,” J-SISKO TECH (Jurnal Teknol. Sist. Inf. dan Sist.

Komput. TGD), vol. 4, no. 1, p. 20, 2021, doi: 10.53513/jsk.v4i1.2607.

[4] H. T. SIHOTANG, E. Panggabean, and H. Zebua, “Sistem Pakar Mendiagnosa Penyakit Herpes Zoster Dengan Menggunakan Metode Teorema Bayes,” vol. 3, no. 1, 2019, doi: 10.31227/osf.io/rjqgz.

[5] B. H. Hayadi, “Visualisasi Konsep Umum Sistem Pakar Berbasis Multimedia,” Riau J. Comput. Sci., vol. 3, no. 1, pp. 17–22, 2017.

[6] W. Y. Yulianti, Liza Trisnawati, and Theresia Manullang, “Sistem Pakar Dengan Metode Certainty Factor Dalam Penentuan Gaya Belajar Anak Usia Remaja,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 10, no. 2, pp.

120–130, 2019, doi: 10.31849/digitalzone.v10i2.2781.

[7] D. Nofriansyah, R. Gunawan, and Elfitriani, “Sistem Pakar Untuk Mendiagnosa Penyakit Pertussis (Batuk Rejan) Dengan Menggunakan Metode Teorema Bayes,” J-SISKO TECH (JURNAL Teknol. Sist. Inf. DAN Sist. Komput. TGD), vol. 3, no. 1, pp. 41–54, 2020.

[8] M. Syahrizal and H. Haryati, “Perancangan Aplikasi Sistem Pakar Deteksi Kerusakan Mesin Alat Berat (Beko) Dengan Menerapkan Metode Teorema Bayes,” J. Media Inform. Budidarma, vol. 2, no. 2, pp. 23–33, 2018, doi: 10.30865/mib.v2i2.596.

[9] M. R. Fadillah, B. Andika, and D. Saripurna, “Sistem Pakar Mendiagnosa Penyakit Dan Hama Penyerang Tanaman Bougenville Dengan Metode Teorema Bayes,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 19, no. 1, pp. 88–99, 2020.

[10] Y. Iwasaki, “Creutzfeldt-Jakob disease,” Neuropathology, vol. 37, no. 2, pp. 174–188, 2017, doi:

10.1111/neup.12355.

[11] M. R. Fadhilah, P. S. Ramadhan, and Studi, “Penyakit Penyakit Gastritis Dengan MENGGUNAKAN METODE TEOREMA BAYES,” J-SISKO TECH (JURNAL Teknol. Sist. Inf. DAN Sist. Komput. TGD), vol.

4, no. 1, pp. 1–9, 2021.