IMPLEMENTASI METODE NAIVE BAYES UNTUK MENDETEKSI KERUSAKAN MOTHERBOARD PADA LAPTOP

(1)

IMPLEMENTASI METODE NAIVE BAYES UNTUK

MENDETEKSI KERUSAKAN MOTHERBOARD

PADA LAPTOP

Muhammad Abdul Faqih

Teknik Informatika, Fakultas Ilmu Komputer

Universitas Dian Nuswantoro Semarang, Jalan Imam Bonjol No. 205-207 Semarang; Telepon : (024)-3517261; Fax : (024)-3520165

Email : [email protected]

Abstrak

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. Dengan adanya penelitian ini diharapkan dapat bermanfaat bagi masyarakat pada umumnya. Hasil dari penelitian yang telah dilakukan didapatkan tingkat akurasi yang sama dengan data asli, dengan hasil perhitungan sesuai 100%. Pada masing-masing kerusakan motherboard

menunjukan hasil yang sesuai menurut gejala yang dialami oleh user. Penerapan metode naïve bayes dapat menjadi salah satu alternative yang dapat di implementasikan dengan permasalahan yang dihadapi oleh peneliti. Hasil dari penerapan metode naïve bayes menghasilkan perhitungan yang sesuai berdasarkan gejala kerusakan dan daftar kerusakan yang telah ditentukan oleh penulis. Untuk pengembangan penelitian lebih lanjut dapat diterapkan metode lainnya dengan pengembangan sistem yang ada, sehingga dapat lebih dimanfaatkan oleh masyarakat jika mengalami kerusakan pada laptop khususnya teknisi yang melakukan perbaikan laptop.

Kata Kunci : Motherboard, Gejala, Kerusakan, Naive Bayes.

Abstract

Hardware malfunction be more difficult than in permasalan software on a laptop, if the damage to the software process speed processing and low cost in contrast to a broken laptop on hardware that costs are expensive and the process is long. With the research is expected to benefit the community at large. The results of the research that has been done the same degree of accuracy obtained with the original data, the calculation results correspond 100%. In each of the destruction of the motherboard shows the corresponding results in the symptoms experienced by the user. Application of naïve Bayes methods can be one alternative that can be implemented with the problems faced by researchers. The results of the application of naïve Bayes methods produce the appropriate calculations based on characteristic symptoms and a list of the damage that has been determined by the authors. For the development of further research can be applied to other methods with the development of the existing system, so that it can be utilized by the community if it gets damaged on particular laptop technicians perform laptop repair.

(2)

PENDAHULUAN

Teknologi pada era modern ini berkembang begitu pesat, hal ini ditandai dengan munculnya komputer jinjing/laptop yang lebih ringan dan mudah dibawa kemana-mana. Di dalam terciptanya laptop tentunya didukung dengan teknologi komponen-komponen di dalamnya 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. Dikarenakan komponen di dalamnya serba kecil dan proses pembongkaran laptop tersebut juga tidak mudah. Biaya yang dikeluarkan untuk proses perbaikan laptop hingga bisa normal juga tidak sedikit. Dari hasil survei yang dilakukan oleh peneliti yang mendapatkan data dari perusahaan laptop Asus dihasilkan pada akhir tahun 2015 tepatnya pada bulan desember 2015 ada 65 unit laptop yang mengalami masalah kerusakan pada komponen chipset. Data kerusakan tersebut hanya untuk laptop yang bermerk Asus. Sedangkan data yang diperoleh dari “P One Komputer” Semarang untuk jumlah kerusakan pada semua merk laptop terdapat 117 unit laptop yang rusak pada bulan mei 2015. Kerusakan tersebut terdapat pada motherboard laptop seperti mati total, layar tidak tampil dan laptop sering restart sendiri. 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 permasalahan yang ada di lapangan tersebut penulis ingin melakukan penelitian yang bertujuan meminimalisir terjadinya kerusakan pada laptop dengan memberikan edukasi terhadap para pengguna laptop jadi para pengguna dapat mengetahui lebih dalam tentang kerusakan pada laptop kususnya kerusakan yang terjadi pada motherboard laptop. Salah satu alternatif untuk mengatasi permasalahan tersebut dapat mengimplementasikan metode Naive Bayes. Metode tersebut bisa di implementasikan untuk mencari permasalahan atau kerusakan yang di alami oleh laptop, sistem kerja dari metode naive bayes yaitu pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Bayes memiliki akurasi dan kecepatan yang sangat tinggi saat diaplikasi ke dalam database dengan data yang besar.

METODE NAIVE BAYES

Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Algoritma mengunakan teorema Bayes dan mengasumsikan semua atribut independen atau tidak saling ketergantungan yang diberikan oleh nilai pada variabel kelas. Definisi lain mengatakan Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya [4].

Naive Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara kondisional saling bebas jika diberikan nilai output. Dengan kata lain, diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari probabilitas individu. Keuntungan penggunaan Naive Bayes adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk menentukan estimasi paremeter yang diperlukan dalam proses pengklasifikasian. Naive Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata yang kompleks dari pada yang diharapkan.

(3)

Bayes merupakan pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Bayes memiliki akurasi dan kecepatan yang sangat tinggi saat diaplikasi ke dalam database dengan data yang besar. Berikut teorema bayes [6] :

( | ( | ( ( Keterangan :

X = Data dengan class yang belum diketahui

H = Hipotesis data x merupakan suatu class spesifik

( | = Probabilitas hipotesis H berdasarkan kondisi X (posteriori probability)

( = Probabilitas hipotesis H (prior probability) ( | = Probabilitas X berdasar kondisi pada hipotesis H P(X) = Probabilitas dari X

Dan berikut merupakan tahapan-tahapan dalam pelaksanaan penelitian :

Data

X = Gejala Kerusakan Motherboard

𝑃(𝐻 |𝑋 𝑃(𝐻 |𝑋 𝑃 (𝐻 𝑃 (𝑋

Proses Bayes

H = Hipotesis kerusakan motherboard dari gejala kerusakan 𝑃(𝐻 |𝑋 = Probabilitas kerusakan motherboard berdasarkan gejala 𝑃 (𝐻 = Probabilitas kerusakan motherboard

𝑃(𝑋 |𝐻 = Probabilitas gejala kerusakan berdasar kondisi kerusakan motherboard

P(X) = Probabilitas gejala kerusakan motherboard

Hasil

Presentase kemungkinan kerusakan motherboard laptop 𝑒𝑟 ℎ𝑖𝑡𝑢𝑛𝑔𝑎𝑛 𝑒𝑛𝑦𝑎𝑘𝑖𝑡 𝐵𝑎𝑦𝑒𝑠

(4)

Berdasarkan tahapan metode penelitian diatas dapat dijelaskan sebagai berikut :

1. Data set berupa gejala umum dan khusus kerusakan motherboard pada laptop serta cara perbaikan.

2. Kemudian data tersebut akan diolah menggunakan metode naïve bayes untuk menghitung kemungkinan kerusakan yang tejadi berdasarkan gejala yang diketahui.

3. Setelah semua tahapan dilakukan baik dengan metode naïve bayes, nantinya akan diketahui presentase kerusakan pada motherboard serta cara memperbaikinya.

Data kerusakan motherboard laptop, gejala dan penghitungan manual algoritma Bayesian adalah didapat dari table keputusan berikut ini :

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

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

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

5. K5 : Mosfet rusak

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

9. K9 : Chipset Northbridge rusak

Keterangan : K = Kerusakan G = Gejala

(5)

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

Misalnya gejala yang tampak pada laptop ada dua gejala yaitu Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan (G1) dan Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar (G3). Berdasarkan gejala tersebut maka dapat dihitung :

1. Rusak pada IC Charger (K1) Tahap pencarian ( | :

Pada tahap ini akan mencari probabilitas kerusakan pada IC Charger (K1) = = 0.11

Tahap pencarian P(X) :

Probabilitas pencarian gejala adalah :

 No display / Booting ( tidak nyala sama sekali ) (G1) = = 0.50  No display ( layar tidak tampil ) (G3)

= = 0

2. Rusak pada Resistor (K3) Tahap pencarian ( | :

Jika probabilitas kerusakan pada Resistor (K3) = = 0.11

Tahap pencarian P(X) :

Jika probabilitas gejala adalah :

 No display / Booting ( tidak nyala sama sekali ) (G1) = = 0.50  No display ( layar tidak tampil ) (G3)

(6)

Proses Perhitungan ( :

Probabilitas Kerusakan Motherboard adalah : 1. Kerusakan Pada IC charger (K1)

= ( |

𝑇𝑜𝑡𝑎𝑙 𝐵𝑎𝑦𝑒𝑠 𝑒𝑟𝑡𝑎𝑚𝑎

𝑎𝑠𝑖𝑙

= 33,3 %

2. Kerusakan Pada Resistor (K3) = ( |

𝑇𝑜𝑡𝑎𝑙 𝐵𝑎𝑦𝑒𝑠 𝑒𝑡𝑖𝑔𝑎

𝑎𝑠𝑖𝑙

= 66,6 %

ANALISIS DAN PERANCANGAN SISTEM Use case diagram

a. Skenario Use Case Data Kerusakan

Nama Usecase Data Kerusakan

Aktor Admin

Diskripsi Halaman ini merupakan halaman sistem yang berisi

tentang data-data kerusakan pada laptop kusus pada kerusakan IC dan Chipset

Aksi Aktor Reaksi Sistem

(7)

1. Menekan menu Data Kerusakan 2. Sistem akan menampilkan

Halaman Data

Kerusakan

b. Use Case Analisa Kerusakan

Nama Usecase Analisa Kerusakan

Aktor Admin

Diskripsi Halaman ini merupakan halaman sistem yang akan

memproses dan menganilsa kerusakan yang dikonsultasikan oleh user

Alur Dasar (Basic Flow)

1. Menekan menu Analisa Kerusakan 2. Sistem akan menampilkan

Halaman Analisa Kerusakan

3. Memilih gejala yang timbul yang dialami oleh user

4. Sistem akan

memproses setiap data gejala yang dipilih dan akan menampilkan hasil analisa

c. Skenario Use Case halaman History

Nama Usecase History

Aktor Admin

menampilkan data user sebelumnya yang melakukan konsultasi tentang kerusakan pada chipset/IC

1 Menekan menu History 2 Sistem akan

menampilkan Halaman History

(8)

d. Skenario Use Case Langkah Perbaikan

Nama Usecase Langkah Perbaikan

Aktor Admin

menampilkan langkah-langkah perbaikan dari yang dialami oleh user

1 Menekan menu Langkah Perbaikan 2 Sistem akan menampilkan

Halaman langkah perbaikan dari gejala yang dialami oleh user

e. Skenario Use Case halaman About

Nama Usecase About

Aktor Admin

menampilkan keterangan tentang sistem

1 Menekan menu About 2 Sistem akan

menampilkan

Halaman about yang menjelaskan tentang pembuat sistem

(9)

Flow Chart

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 :

1. Rusak pada IC Charger (K1)

Jika probabilitas kerusakan pada IC Charger (K1) 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 :

(10)

K(K1 | G1) =

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

K(K1 | G3) = 0  hasil perhitungan bayes 2 pada kerusakan K1 Total Bayes Pertama

= K(K1 | G1) + K(K1 | G3)

= 0,14 + 0 = 0,14  total bayes pertama pada kerusakan K1

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

(11)

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 :

 No display / Booting ( tidak nyala sama sekali ) (G1) = 0.50  No display ( layar tidak tampil ) (G3) = 0.50

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 :

(12)

K(K4 | G1) =

K(K4 | G3) = 0,16  hasil perhitungan bayes 2 pada kerusakan K4 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 :

(13)

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

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

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

(14)

K(K8 | G1) =

K(K8 | G3) = 0,16  hasil perhitungan bayes 2 pada kerusakan K8 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 :

(15)

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)

𝑇𝑜𝑡𝑎𝑙 𝐵𝑎𝑦𝑒𝑠 𝑒𝑟𝑡𝑎𝑚𝑎

𝑎𝑠𝑖𝑙

= 7,2 %  hasil perhitungan pada kerusakan K1 2. Kerusakan Pada IC Power (K2)

𝑇𝑜𝑡𝑎𝑙 𝐵𝑎𝑦𝑒𝑠 𝑒 𝑢𝑎

𝑎𝑠𝑖𝑙

= 7,2 %  hasil perhitungan pada kerusakan K2 3. Kerusakan Pada Resistor (K3)

𝑇𝑜𝑡𝑎𝑙 𝐵𝑎𝑦𝑒𝑠 𝑒𝑡𝑖𝑔𝑎

𝑎𝑠𝑖𝑙

= 15,5 %  hasil perhitungan pada kerusakan K3 4. Kerusakan Pada Kapasitor (K4)

𝑇𝑜𝑡𝑎𝑙 𝐵𝑎𝑦𝑒𝑠 𝑒𝑒𝑚𝑝𝑎𝑡

𝑎𝑠𝑖𝑙

= 15,5 %  hasil perhitungan pada kerusakan K4 5. Kerusakan Pada Mosfet (K5)

𝑇𝑜𝑡𝑎𝑙 𝐵𝑎𝑦𝑒𝑠 𝑒𝑙𝑖𝑚𝑎

𝑎𝑠𝑖𝑙

(16)

6. Kerusakan Pada VRAM (K7) 𝑇𝑜𝑡𝑎𝑙 𝐵𝑎𝑦𝑒𝑠 𝑒𝑒𝑛𝑎𝑚

𝑎𝑠𝑖𝑙

= 8,2 %  hasil perhitungan pada kerusakan K7 7. Kerusakan Pada Chipset Soutbridge (K8)

𝑇𝑜𝑡𝑎𝑙 𝐵𝑎𝑦𝑒𝑠 𝑒𝑡𝑢 𝑢ℎ

𝑎𝑠𝑖𝑙

= 15,5%  hasil perhitungan pada kerusakan K8 8. Kerusakan Pada Chipset Northbridge (K9)

𝑇𝑜𝑡𝑎𝑙 𝐵𝑎𝑦𝑒𝑠 𝑒 𝑒𝑙𝑎𝑝𝑎𝑛

𝑎𝑠𝑖𝑙

= 15,5 %  hasil perhitungan pada kerusakan K9

PENGUJIAN SISTEM No Gejala Hasil Diagnosa Sistem Hasil Diagnosa Pakar Akurasi Hasil Perbandingan 1. 1. Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan 2. Indikator pengisian

baterai mati, laptop tidak bisa dinyalakan Rusak Pada IC charger Rusak Pada IC charger Sesuai 2. 1. Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan 2. Indikator pengisian

baterai mati, laptop tidak bisa dinyalakan Rusak pada IC Power Rusak Pada IC Power Sesuai 3. 1. Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan 2. Indikator pengisian

baterai nyala, bisa dinyalakan tapi tidak tampil pada layar

Rusak pada Resistor Rusak pada Resistor Sesuai 4. 1. Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan 2. Indikator pengisian

baterai mati, laptop tidak bisa dinyalakan Rusak pada Kapasitor Rusak pada Kapasitor Sesuai

(17)

3. Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar

5. 1. Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan 2. Indikator pengisian

baterai mati, laptop tidak bisa dinyalakan

Rusak pada Mosfet Rusak pada Mosfet Sesuai 6 1. Indikator pengisian baterai mati, laptop tidak bisa dinyalakan

2. Input seperti USB tidak berfungsi Rusak pada Embedded Controller Rusak pada Embedded Controller Sesuai 7 1. Indikator pengisian baterai nyala, bisa dinyalakan tapi tidak tampil pada layar 2. Indikator pengisian

baterai nyala, dinyalakan selama waktu 2 detik, mati. Kerusakan pada VRAM Kerusakan pada VRAM Sesuai 8. 1. Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan 2. Indikator pengisian

baterai mati, laptop tidak bisa dinyalakan

Kerusakan pada Chipset Southbridge Kerusakan pada Chipset Southbridge Sesuai 9. 1. Indikator pengisian baterai nyala tapi laptop tidak bisa dinyalakan 2. Indikator pengisian

baterai mati, laptop tidak bisa dinyalakan 3. Indikator pengisian

baterai nyala, bisa dinyalakan tapi tidak tampil pada layar

Kerusakan pada Chipset Northbridge Kerusakan pada Chipset Northbridge Sesuai

(18)

PEMBAHASAN

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.

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.

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

(19)

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.