View of MENDETEKSI KERUSAKAN JARINGAN INTERNET PADA CELEBES MEDIA JARINGAN (BNET) MENGGUNAKAN ALGORITMA FUZZY LOGIC DAN NAÏVE BAYES

(1)

Article history Received Jan 18, 2023 Accepted May 30, 2023

MENDETEKSIKERUSAKANJARINGANINTERNETPADACELEBESMEDIA JARINGAN(BNET)MENGGUNAKANALGORITMAFUZZYLOGICDANNAÏVE

BAYES

Sudirman¹⁾, Muh Syuaib²⁾

1,2 Fakultas Teknik, Jurusan Teknologi Informasi, Universitas Bosowa email: [email protected], [email protected]

Abstract

The use of cable internet service at home is often disrupted by problems or damage to the network. Not all cable internet service users understand how to solve problems on their internet network. While there are many ways to solve this problem, it often takes administrators and technicians a long time to find and fix the problem. Therefore, the purpose of this research is to develop an expert system that can detect and solve problems on the Celebes Media Network (Bnet) internet network. An expert system is a system that can store knowledge from an expert and use that knowledge to solve problems with the help of a computer. This expert system was created using the Fuzzy Logic method with Naive Bayes, where Fuzzy Logic can be used to change and transform the uncertainty of the value given by the user into a definite value, which is then processed and processed by Naive Bayes to calculate the weight of the user's answer. This method is particularly suitable for expert systems that require reliable safeguards to ensure the accuracy of defined values. The Expert System Development Life Cycle (ESDLC) method was used to develop this system. The benefit of this system is the ability to quickly and easily detect and solve problems on the internet network, which can assist administrators and technicians in dealing with problems on the network. The test results are then analyzed and optimized by administrators and technicians, resulting in an accuracy rate of 85% between the system and the original expert.

Keywords: Fuzzy Logic, Naïve Bayes, Network Damage, Internet, Bnet, Expert System.

Abstrak

Penggunaan layanan internet kabel di rumah sering terganggu oleh masalah atau kerusakan pada jaringan. Tidak semua pengguna layanan internet kabel memahami cara mengatasi masalah pada jaringan internet mereka. Meskipun ada banyak cara untuk mengatasi masalah ini, seringkali membutuhkan waktu yang lama bagi administrator dan teknisi untuk menemukan dan memperbaiki masalah tersebut. Oleh karena itu, tujuan penelitian ini adalah untuk mengembangkan sistem pakar yang dapat mendeteksi dan menyelesaikan masalah pada jaringan internet Celebes Media Jaringan (Bnet).

Sistem pakar adalah sistem yang dapat menyimpan pengetahuan dari seorang pakar dan menggunakan pengetahuan tersebut untuk memecahkan masalah dengan bantuan komputer. Sistem pakar ini dibuat menggunakan metode Fuzzy Logic dengan Naive Bayes, di mana Fuzzy Logic dapat digunakan untuk mengubah dan mentransformasikan ketidakpastian nilai yang diberikan oleh pengguna menjadi nilai yang pasti, yang kemudian diproses dan diolah oleh Naive Bayes untuk melakukan perhitungan bobot dari jawaban pengguna. Metode ini sangat cocok untuk sistem pakar yang memerlukan tindakan pengaman yang andal untuk memastikan keakuratan dari nilai yang pasti. Metode Expert System Development Life Cycle (ESDLC) digunakan untuk mengembangkan sistem ini. Manfaat dari sistem ini adalah kemampuan untuk dengan cepat dan mudah mendeteksi dan menyelesaikan masalah pada jaringan internet, yang dapat membantu administrator dan teknisi dalam menangani masalah pada

(2)

jaringan. Hasil pengujian kemudian dianalisis dan dioptimalkan oleh administrator dan teknisi, menghasilkan tingkat akurasi sebesar 85% antara sistem dan pakar asli.

Kata Kunci: Fuzzy Logic, Naïve Bayes, Kerusakan Jaringan, Internet, Bnet, Expert System .

(3)

1. PENDAHULUAN

PT. Celebes Media Network (BNet) adalah sebuah perusahaan yang bergerak di bidang telekomunikasi. Salah satu bagian terpenting dari PT. Celebes Media Network adalah tentang gangguan atau kerusakan pada jaringan internet.

Internet adalah sebuah jaringan yang terdiri dari jaringan yang saling terhubung satu sama lain, di mana jaringan tersebut menyediakan sambungan ke informasi global. Secara umum, untuk membangun sebuah jaringan internet diperlukan peralatan jaringan seperti repeater (memperluas dan memperkuat sinyal), bridge (penghubung antar jaringan), router (menyebar jaringan dan mengatur lalu lintas dalam jaringan), dan gateway (penghubung satu jaringan komputer dengan komputer lainnya). Komputer yang terhubung ke internet adalah bagian dari jaringan. Kecepatan komunikasi internet (pertukaran data) tergantung pada ukuran bandwidth yang diterima oleh seorang pengguna. Semakin besar bandwidth, maka semakin cepat pula koneksi yang akan diterima. Bandwidth adalah jumlah data yang mengalir dalam sebuah jaringan. Sayangnya, bandwidth sering terganggu oleh berbagai faktor seperti virus, kekuatan sinyal pada kabel, program accelerator, dan lain sebagainya [1].

Setiap penyedia layanan internet memiliki keunggulan dan kelemahan masing-masing dari segi peralatan, kualitas, dan harga yang berbeda- beda. Stabilnya jaringan yang dimiliki oleh BNet tidak bisa menjamin bahwa tidak akan terjadi kerusakan atau gangguan. Masalah koneksi dengan sistem internet bisa terjadi tidak hanya saat jaringan tersebut dibangun, tetapi juga bisa terjadi saat digunakan, seperti koneksi yang tiba- tiba putus, tidak bisa membagikan data, tidak bisa mengakses internet, dan sebagainya. Masalah- masalah tersebut sering terjadi karena perangkat lunak (software) rusak dan juga karena kurangnya pemahaman oleh pengguna jaringan tersebut. Hal ini sangat mempengaruhi administrator jaringan dalam menganalisis masalah pada jaringan internet secara praktis dan tepat waktu pada masalah yang perlu segera diselesaikan. Oleh karena itu, diusulkan untuk mengembangkan sebuah sistem pakar sebagai alat bantu pembelajaran troubleshooting pada jaringan internet [2].

Teknologi informasi merupakan teknologi yang banyak digunakan dalam berbagai bidang, seperti perusahaan, bisnis, perhotelan, pendidikan, dan kesehatan. Salah satu jenis teknologi informasi

yang sering digunakan adalah sistem informasi, yang terdiri dari komponen-komponen yang saling terhubung dan dirancang untuk mengumpulkan, memproses, menyimpan, dan menyebarkan informasi [3]. Perkembangan teknologi telah memberikan kita wawasan baru tentang dunia dan mendorong para ahli untuk meningkatkan kemampuan komputer hingga dapat mengalahkan atau bahkan melampaui kemampuan kerja manusia. Salah satu contoh sistem yang menirukan proses berpikir dan pengetahuan para pakar adalah sistem pakar. Sistem pakar adalah program komputer yang menggunakan pengetahuan manusia yang dimasukkan ke dalam sistem dan digunakan untuk menyelesaikan masalah yang biasanya membutuhkan keahlian atau kepakaran manusia. Sistem pakar mampu mencapai kesimpulan secara konsisten, bahkan dalam beberapa kasus lebih cepat daripada seorang pakar.

Metode atau algoritma yang banyak digunakan dalam permbuatan dan pengembangan sistem pakar ada beberapa, diantaranya adalah Fuzzy Logic [4], Forward Chaining [3], Rete [1],

Backward Chaining [5], Certainty Factor [6], Naïve Bayes [7][8][9], Case Based Reasoning [10], Teorema Bayes [11], Dempster Shafer [12], Bayesian Network [13]. Penelitian ini akan merancang dan mengimplementasikan sistem pakar yang dapat mendeteksi kerusakan pada jaringan internet dengan menggunakan metode Fuzzy Logic dengan Naive Bayes. Sistem pakar ini akan dibangun dengan menggunakan basis pengetahuan yang akan membantu proses perubahan atau penambahan aturan atau pengetahuan baru seiring dengan peningkatan pengetahuan kita tentang protokol jaringan internet.

Sistem pakar adalah sebuah program komputer yang didasarkan pada pengetahuan yang dipresentasikan oleh seorang atau beberapa pakar yang bertujuan untuk menyelesaikan masalah atau mendukung proses pengambilan keputusan.

Melalui penelitian ini, pengetahuan yang dimiliki oleh seorang pakar dalam bidang dukungan teknis jaringan komputer akan ditransfer ke dalam basis pengetahuan yang kemudian akan digunakan sebagai representasi keahlian dalam sistem pakar yang akan dirancang [14].

Dalam sistem pakar ini, pengguna harus menjawab semua pertanyaan yang diajukan oleh sistem yang telah dirancang dan diimplementasikan. Metode

(4)

Fuzzy Logic dapat digunakan untuk mentransformasikan nilai ketidakpastian yang diberikan oleh pengguna menjadi nilai yang pasti yang selanjutnya dapat diolah dan di prosen dengan menggunakan Metode Naive Bayes yang bertugas melakukan perhitungan bobot yang diberikan oleh pengguna. Sistem pakar yang telah

dikembangkan ini dilengkapi dengan penjelasan ringkas mengenai kerusakan yang terjadi serta solusi penanganan awal untuk mengatasi kerusakan tersebut [15].

2. METODE PENELITIAN 2.1. Framework

Gambar 1 Desain Framework

Metodologi adalah cara ilmiah yang digunakan untuk mengembangkan konsep, proposisi, model, hipotesis, dan teori, termasuk metode yang digunakan dalam penelitian tersebut. (Tuchman, 2009).

Pendekatan atau metode yang digunakan dalam melakukan penelitian untuk mencapai tujuan yang telah ditentukan disebut metodologi penelitian. Ini melibatkan langkah-langkah sistematis yang harus dilakukan oleh seorang peneliti untuk mengumpulkan data dan informasi yang valid dan akurat untuk menjawab pertanyaan penelitian. Pendekatan penelitian juga bertujuan untuk memastikan bahwa temuan dapat diulang dan dikonfirmasi oleh peneliti lain.

Metode penelitian yang dipilih dalam penelitian ini adalah pendekatan kuantitatif yang bertujuan untuk mengumpulkan data penelitian berupa tes, pengujian, dan wawancara terstruktur dari pengguna dan pegawai di Celebes Media Jaringan (BNet). Data yang diperoleh dari metode ini berupa angka, skala, atau grafik yang dapat

dihitung untuk membantu menjawab pertanyaan penelitian yang telah ditetapkan. Dengan demikian, metode ini akan memberikan data yang akurat dan dapat diuji kembali untuk memvalidasi hasil penelitian.

Metode penelitian ini membahas tahap-tahap akuisisi pengetahuan sebagai dasar sistem pakar.

Sistem Pakar untuk Mendeteksi Kerusakan Jaringan di Celebes Media Jaringan (BNet) mengidentifikasi masalah atau kerusakan jaringan yang dialami atau dihadapi oleh pengguna tanpa pemeriksaan lebih lanjut oleh teknisi atau administrator. Tahap identifikasi masalah dalam Sistem Pakar untuk Mendeteksi Kerusakan Jaringan di Celebes Media Jaringan (BNet) adalah dengan menentukan jenis kerusakan yang terjadi [16].

(5)

2.2. Rancangan Sistem

Gambaran umum sistem adalah suatu deskripsi yang menjelaskan bagaimana sebuah sistem bekerja secara keseluruhan. Gambaran umum ini mencakup informasi tentang tujuan dari sistem, bagian-bagian yang terlibat, dan cara kerja sistem secara keseluruhan.

Gambaran umum Sistem Pakar untuk mendeteksi kerusakan jaringan pada Celebes Media Jaringan (Bnet) menggunakan algoritma Fuzzy Logic dengan Naive Bayes dijelaskan pada Gambar dibawah.

Gambar 3 Rancangan Sistem

Sistem pakar adalah sebuah program komputer yang didasarkan pada representasi pengetahuan oleh seorang atau beberapa pakar yang bertujuan untuk menyelesaikan masalah atau mendukung pembuatan keputusan. Sistem pakar ini terdiri dari basis pengetahuan yang merupakan kumpulan aturan-aturan yang dibuat oleh seorang atau beberapa pakar yang bertujuan untuk menyelesaikan masalah atau mengambil keputusan. Sistem pakar ini juga terdiri dari sebuah mesin inferensi yang bertugas mengolah dan menafsirkan informasi yang diberikan oleh pengguna serta mengambil keputusan atau memberikan solusi berdasarkan aturan yang terdapat pada basis pengetahuan.

Sistem pakar untuk mendeteksi kerusakan pada jaringan internet di Celebes Media Jaringan (Bnet) dimulai dengan mengidentifikasi masalah

melalui konsultasi dimana pengguna menjawab pertanyaan yang diajukan oleh sistem.

Pertanyaan-pertanyaan tersebut didasarkan pada informasi yang terkait dengan indikasi kerusakan jaringan yang telah dikumpulkan oleh sistem.

Jawaban yang diberikan oleh pengguna kemudian diproses dan diolah menggunakan Menggunakan Metode Fuzzy Logic dengan Naive Bayes. Hasil terbaik yang didaoat dari proses sistem ini kemudian ditampilkan di antarmuka pengguna, Selanjutnya pengguna dapat melihat hasil deteksi kerusakan jaringan yang didapat dari sistem pakar menggunakan Metode Fuzzy Logic dengan Naive Bayes.

2.3. Flowchart Sistem Pakar

Secara garis besar sistem ini digambarkan sebagai berikut:

(6)

Gambar 4 Flowchart Sistem Pakar

Berikut merupakan penjelasan dari tahapantahapan

di atas:

1) Pengguna Login ke website sistem pakar bnet

2) Pengguna Menginput gejala kerusakan yang di tanyakan sistem pakar

3) Proses konsultasi akan memproses input gejala kerusakan yang diisi olah pengguna.

4) Hasil diagnosa didapatkan dari input gejala kerusakan yang dimasukkan pengguna 5) Di dapatkan solusi dari kerusakan yang

terjadi

6) Jika hasil diagnosa yang didapatkan pelanggan sesuai dengan kerusakan dan solusinya maka program selesai, jika tidak maka kembali ke input gejala kerusakan.

2.4. Tahapan Pengembangan Sistem

Dalam proses pengembangan sistem pakar, pendekatan yang digunakan adalah pendekatan konvensional yang seluruh prosesnya akan mengikuti metodologi Expert System

Development Life Cycle (ESDLC) yang dikemukakan oleh Durkin (1994).

Proses Expert System Development Life Cycle (ESDLC) terdiri dari beberapa langkah atau tahap yang harus diikuti dalam pengembangan sistem pakar. Tahap-tahap tersebut biasanya termasuk penilaian, akuisisi pengetahuan, desain sistem, pengujian, dokumentasi, dan pemeliharaan.

Setiap tahap memiliki tujuan yang spesifik dan bertujuan untuk memastikan bahwa sistem pakar yang dibuat dapat bekerja dengan baik dan dapat memecahkan masalah dengan tepat.

Gambar 5 Expert System Development Life Cycle

Berikut rincian tahapan-tahapan dari Expert System Development Life Cycle pada Gambar 5.

1) Penilaian (Assessment)

Tahap ini adalah langkah awal dalam pengembangan sistem pakar yang bertujuan untuk mengevaluasi kelayakan proyek yang akan dibuat.

2) Akusisi Pengetahuan (Knowledge Acquisition)

Tahap akuisisi pengetahuan adalah proses yang mengumpulkan informasi tentang masalah yang akan dihadapi oleh sistem pakar

3) Desain

Tahap desain dalam pengembangan sistem pakar merupakan proses penting yang membutuhkan perencanaan dan pengorganisasian pengetahuan yang diperoleh dari proses akuisisi pengetahuan

(7)

4) Pengujian

Tahap pengujian dari pengembangan sistem pakar bertujuan untuk mengetahui apakah sistem tersebut dapat memecahkan masalah sesuai dengan metode penyelesaian yang telah ditentukan.

5) Dokumentasi

Tahap dokumentasi merupakan proses penyusunan dan pembuatan dokumen yang menjelaskan tentang sistem pakar yang mudah dipahami oleh pengguna dan pengembang 6) Pemeliharaan

Setelah sistem pakar digunakan, pemeliharaan secara berkala diperlukan untuk memperbarui dan meningkatkan kinerjanya. Pemeliharaan adalah proses yang dilakukan secara teratur untuk mengupdate dan meningkatkan kinerja sistem pakar.

2.5. Study Area

Penelitian ini dilakukan di PT Celebes Media Jaringan (BNet) tepatnya di Menara Bosowa Lt 15, Unit H Jl. Jend. Sudirman No.5 Pisang Utara, Kota Makassar Sulawesi Selatan, Indonesia.

Selanjutnya, penelitian ini dilakukan selama 2 bulan dari Oktober hingga Desember Tahun 2022.

Gambar 6 Studi Area Penelitian 2.6. Algoritma

1. Sistem Pakar

Sistem pakar adalah sebuah sistem komputer yang dirancang untuk memecahkan masalah yang biasanya hanya dapat diselesaikan oleh para ahli di bidang tertentu. Tujuan dari pembuatan sistem pakar ini adalah untuk membantu para ahli dalam menyelesaikan masalah yang rumit, namun tidak untuk menggantikan peran pakar atau ahli itu sendiri.

2. Fuzzy Logic

Logika Fuzzy adalah sebuah metode yang digunakan untuk menghubungkan masalah dari input ke output yang sesuai dengan menggunakan nilai kekaburan atau kesamaran antara benar dan

salah. Nilai keanggotaan suatu item x dalam suatu himpunan A bisa bernilai 1 jika item tersebut merupakan anggota himpunan tersebut, atau 0 jika item tersebut bukan anggota himpunan tersebut. Himpunan Fuzzy terletak pada rentang 0 hingga 1. Himpunan yang memiliki nilai keanggotaan yang tegas atau tidak ambigu disebut himpunan crisp set. Logika Fuzzy digunakan untuk memecahkan masalah yang kompleks yang biasanya hanya dapat diselesaikan oleh para ahli.

Sistem pakar merupakan hasil dari pengembangan teknologi yang dirancang dan dikembangkan untuk meniru dan menyamai kemampuan seorang pakar di bidang tertentu dan dapat digunakan sebagai asisten yang handal dan berpengalaman. Fungsi keanggotaan adalah cara untuk menggambarkan tingkat keanggotaan suatu item dalam suatu himpunan fuzzy.

Fungsi keanggotaan dapat didefinisikan menggunakan berbagai bentuk kurva, seperti kurva segitiga, kurva trapesium, kurva gauss, dan lainnya. Fungsi keanggotaan ini berguna untuk mengubah nilai input menjadi nilai keanggotaan yang sesuai dengan himpunan fuzzy yang telah didefinisikan. Fungsi keanggotaan membantu dalam proses inferensi logika fuzzy untuk menentukan output yang sesuai dengan masalah yang sedang ditangani. Beberapa fungsi keanggotan yang digunakan yaitu :

1) Representasi Linier Naik

Representasi himpunan fuzzy linier naik menunjukkan bagaimana nilai keanggotaan suatu item dalam suatu himpunan bertambah secara linear dari nol (0) ke satu (1) saat item tersebut berpindah ke domain yang lebih tinggi.

Gambar 7 Representasi Linier Naik

(8)

2) Representasi Linier Turun

Representasi linier turun adalah bentuk kurva yang menggambarkan penurunan himpunan yang dimulai dengan domain yang memiliki nilai keanggotaan tertinggi di sisi kiri, lalu turun ke domain yang memiliki nilai keanggotaan yang lebih rendah. Ini berbeda dengan representasi linier naik, yang dimulai dengan domain yang memiliki nilai keanggotaan nol (0) dan naik ke domain yang memiliki nilai keanggotaan yang lebih tinggi.

Gambar 8 Representasi Linier Turun

3) Representasi Kurva Segitiga

Representasi kurva segitiga adalah sebuah kurva yang dibentuk oleh dua garis linier, yaitu linier naik dan linier turun. Kurva segitiga ini dimulai dengan nilai keanggotaan nol (0) pada sisi kiri, lalu meningkat ke nilai keanggotaan tertinggi di tengah, dan kemudian menurun kembali ke nilai keanggotaan nol (0) di sisi kanan. Kurva ini biasanya digunakan untuk menggambarkan himpunan yang memiliki nilai keanggotaan yang tinggi pada tengahnya, tapi rendah di sisi lainnya.

Gambar 9 Representasi Kurva Segitiga

3. Naïve Bayes

Algoritma Naïve Bayes merupakan metode klasifikasi yang menggunakan teori probabilitas berdasarkan Teorema Bayes untuk memprediksi kemungkinan masa depan berdasarkan pengalaman di masa lalu. Algoritma ini memanfaatkan asumsi bahwa setiap atribut atau variabel memiliki sifat bebas (independent) dan menghitung peluang kelas tertentu berdasarkan atribut yang dimilikinya. Naïve Bayes akan menentukan kelas yang memiliki probabilitas paling tinggi dari semua kelas yang tersedia.

Salah satu keuntungan dari algoritma ini adalah bahwa hanya membutuhkan sejumlah kecil data pelatihan untuk memperkirakan parameter yang diperlukan untuk klasifikasi, meskipun variasi dari setiap variabel untuk masing-masing kelas harus ditentukan karena asumsi bahwa variabel independen tidak saling terkait

Teorema Bayes menyatakan:

Keterangan:

P (B|A) = Peluang B jika diketahui keadaan jenis kerusakan jaringan internet A.

P (A B) = Peluang bukti A jika diketahui hipotesis B.

P(A) = Peluang bukti kerusakan jaringan internet A.

P(B) = Probabilitas hipotesis B tanpa memandang bukti apapun.

Persamaan (4) dapat ditulis menggunakan teorema Bayes sebagai berikut.

𝑉F.G =

𝑎𝑟𝑔𝑚𝑎𝑥KL∈N 𝑃(𝑣𝑗|𝑎1, 𝑎2, 𝑎3, … , 𝑎𝑛|𝑣𝑗) 𝑃(𝑣𝑗)(5) Keterangan:

Vmap = Probabilitas Tertinggi

P(vj) = Peluang jenis kerusakan jaringan internet ke j

P(a1,a2,..,an|vj) = Peluang atribut input jika diketahui keadaan vj

Menghitung P(vj|a1, a2, a3,…,an| vj) P(vj) dapat menjadi sulit karena jumlah gejala yang harus dipertimbangkan dapat menjadi sangat besar. Ini disebabkan karena jumlah gejala sama dengan jumlah semua kombinasi gejala yang dikalikan dengan jumlah kategori yang ada. Untuk menghitung P(ai|vj), dapat digunakan Persamaan

(9)

6. Namun, jumlah gejala yang besar dapat memperbesar kompleksitas perhitungan.

Keterangan:

nc = Jumlah record pada data learning yang v = vj dan a = ai

p = 1 / banyaknya jenis class m = jumlah parameter

n = jumlah record pada data learning yang v = vj/

tiap class

Persamaan (6) dapat diselesaikan melalui serangkaian perhitungan sebagai berikut ini.

1. Menghitung nilai nc untuk setiap class

2. Menghitung nilai P(ai|vj) dan menghitung nilai P(vj)

3. Menghitung P(ai|vj) x P(vj) untuk setiap v 4. Menentukan hasil klasifikasi yaitu v yang

memiliki hasil perkalian terbesar

3. HASIL DAN PEMBAHASAN 3.1. Pengumpulan Data

Proses pengumpulan data dilakukan dengan mengadakan wawancara dengan seorang pakar, yaitu Bapak Sudirman, seorang administrator jaringan BNet yang sangat berpengalaman dibidangnya. Hasil dari wawancara tersebut kemudian digunakan sebagai dasar pengetahuan untuk memperkuat informasi yang telah diperoleh sebelumnya.

Tabel 1 Data Kerusakan

Tabel 2 Data Gejala

Data sistem pakar

1) Bobot Keyakinan Pakar

Tabel 3. Bobot Keyakinan Pakar

No Pilihan Jawaban Tingkat Keyakinan Pakar

1 Tidak Yakin 0

2 Cukup Yakin 0.3

3 Yakin 0.8

4 Sangat Yakin 1

2) Basis Aturan

Tabel 4. Basis Aturan Kode Gejala

Kode Gejala

Kode Kerusakan

K001 K00 2 K00 3 K00 4 K00 5 K00 6 K0 07

G001 ✓

G002 ✓

G003 ✓

G004 ✓

G005 ✓ ✓ ✓

G006 ✓

G007 ✓ ✓

G008 ✓

G009 ✓ ✓ ✓ ✓

G010 ✓ ✓

3.2. Implementasi

Implementasi sistem merupakan tahap di mana sistem pakar siap digunakan oleh pengguna. Pada tahap ini, pengguna dapat bertanya kepada sistem dan sistem akan menampilkan pertanyaan yang sesuai. Pengguna kemudian dapat memberikan jawaban yang sesuai dengan pertanyaan tersebut, dan sistem akan memproses jawaban tersebut dan memberikan rekomendasi atau saran berdasarkan hasil analisis yang telah dilakukan. Ini adalah cara bagi pengguna untuk berkonsultasi dengan sistem pakar dan mendapatkan saran atau solusi yang diinginkan.

(10)

Gambar 10 Halaman input konsultasi

Penggunaan logika fuzzy dapat membantu dalam menghitung nilai keanggotaan dari gejala jarak perangkat dengan router yang bernilai tidak pasti.

Nilai keanggotaan ini nantinya dapat digunakan untuk membantu sistem dalam menentukan jawaban terhadap pertanyaan yang diajukan.

Proses perhitungan ini meliputi pemetaan jarak perangkat dengan router ke dalam sebuah himpunan fuzzy menggunakan fungsi keanggotaan yang telah ditentukan sebelumnya.

Setelah nilai keanggotaan didapat, maka sistem dapat menggunakan nilai tersebut untuk membantu dalam menentukan jawaban yang sesuai dengan gejala yang diberikan. Maka dilakukan perhitungan sebagai berikut.

1) Variable Jarak Perangkat Dengan Router Variabel Jarak Perangkat Dengan Router dibagi menjadi 2 himpunan fuzzy, Nilai keanggotaan DEKAT pada himpunan fuzzy dapat ditentukan dengan menggunakan fungsi keanggotaan linier naik. Sebaliknya, nilai keanggotaan JAUH dapat ditentukan dengan menggunakan fungsi keanggotaan linier turun.

Dengan menggunakan fungsi keanggotaan ini, sistem pakar dapat memetakan nilai jarak perangkat dengan router ke nilai keanggotaan DEKAT atau JAUH yang sesuai dengan definisi yang telah ditentukan. Setelah nilai keanggotaan DEKAT dan JAUH ditentukan, sistem pakar dapat menggunakan inferensi logika fuzzy untuk menentukan rekomendasi yang sesuai dengan masalah yang sedang ditangani.

Gambar 10 Nilai keanggotaan

Fungsi keanggotaan pada variabel jarak perangkat dengan router dapat dirumuskan pada persamaan (9) dan (10).

Perhitungan 9 dan 10 himpunan keanggotaan DEKAT dan himpunan keanggotaan JAUH diambil nilai terbesar dari kedua himpunan tersebut. Nilai yang didapat dari jawaban pengguna secara otomatis digolongkaan dalam pilihan jawaban “Tidak Yakin”, ”Cukup Yakin”,

”Yakin”, ”Sangat Yakin”. Sistem selanjutnya menampilkan pertanyaan berupa gejala yang tidak memerlukan logika fuzzy.

Gambar 11 Konsultasi

Sistem selanjutnya menampilkan pertanyaan berupa gejala, kemudian pengguna mengisi jawaban dengan 4 pilihan yaitu Tidak Yakin, Cukup Yakin, Yakin, dan Sangat Yakin sesuai dengan tingkat keyakinan pakar yang ditentukan sebelumnya.

Gambar 12 Hasil Diagnosa

Setelah proses konsultasi selesai, sistem pakar akan memberikan hasil diagnosa kerusakan dan

(11)

rekomendasi solusi penanganan yang sesuai dengan masalah yang diberikan oleh pengguna.

Pengguna juga dapat menyimpan hasil konsultasi dengan menekan tombol Save atau memulai proses konsultasi kembali dengan menekan tombol ulang.

3.3. Analisa Hasil

Penilaian terhadap hasil yang diperoleh dari sistem pakar dilakukan untuk memastikan bahwa sistem memberikan diagnosa yang tepat sesuai dengan hasil analisa yang dilakukan oleh pakar di bidang yang sesuai. Tujuan evaluasi ini adalah untuk mengevaluasi akurasi sistem pakar dan memberikan saran perbaikan jika diperlukan agar sistem dapat memberikan hasil yang lebih akurat lagi dalam menyelesaikan masalah yang ditangani.

Analisa hasil ditunjukkan seperti pada tabel dibawah.

Tabel 5 Analisa Hasil

No Nama Gejala Jawaban

Pengguna

Nilai Jawaban 1 Berapa Jarak Perangkat

Dengan router Wi-Fi 13 0,8

2 Lampu Power Mati Tidak

Yakin 0

3 Lampu LAN Mati Tidak

Yakin 0

4 Lampu WLAN Mati Tidak

Yakin 0

5 Lampu PON Berwarna Merah

Tidak

Yakin 0

6 Lampu Internet Mati Tidak

Yakin 0

7 Koneksi Internet lambat Tidak

Yakin 0

8 Koneksi Terputus Cukup

Yakin 0.3

9 Tidak Dapat Terhubung Ke Router Melalui Wi-Fi

Sangat

Yakin 1

10 Tidak Dapat Terhubung Ke Internet

Cukup

Yakin 0,3

11 Tidak Dapat Terhubung Ke Router Melalui LAN

Tidak

Yakin 0

Jarak perangkat dengan router merupakan gejala yang bernilai tidak pasti atau Fuzzy maka dilakukan perhitungan sebagai berikut.

Jika keanggotaan dari himpunan JAUH memiliki nilai 0,8 yang lebih besar daripada keanggotaan himpunan DEKAT dengan nilai 0,1, maka jawaban yang diberikan oleh pengguna secara otomatis akan dikategorikan sebagai "Yakin"

karena nilai keanggotaan yang lebih tinggi menunjukkan tingkat keyakinan yang lebih tinggi.

Himpunan keanggotaan adalah bagian dari variabel tidak pasti atau fuzzy yang menggambarkan tingkat keanggotaan suatu nilai dalam himpunan tersebut. Nilai keanggotaan yang lebih tinggi menunjukkan bahwa nilai tersebut lebih kuat terkait dengan himpunan tersebut, sementara nilai keanggotaan yang lebih rendah menunjukkan bahwa nilai tersebut lebih lemah terkait dengan himpunan tersebut.

Setelah menerima jawaban dari pengguna yang berbentuk nilai, langkah selanjutnya adalah melakukan perhitungan klasifikasi Naïve Bayes untuk menentukan diagnosa kerusakan dari gejala yang diinput oleh pengguna. Proses ini terdiri dari empat langkah yang dijabarkan sebagai berikut:

1. Menentukan nilai 𝑛: untuk setiap class Nilai 𝑛:

merupakan hasil dari proses pencocokan gejala kerusakan yang terdapat dalam sistem pakar dengan gejala kerusakan yang diinput oleh pengguna. Gejala kerusakan yang sesuai dengan gejala kerusakan yang diinput oleh pengguna akan memberikan nilai yang sesuai dengan jawaban yang dipilih oleh pengguna, sementara gejala kerusakan yang tidak sesuai dengan gejala kerusakan pengguna akan secara otomatis memiliki nilai 0. Proses ini dilakukan untuk mengetahui tingkat kecocokan antara gejala kerusakan yang ada dalam sistem dengan gejala kerusakan yang diinput oleh pengguna. Nilai 𝑛: yang diperoleh ditunjukkan sebagai berikut.

Tabel 6. Nilai 𝑛: Nama Keruskan Perhitungan

Modem Rusak n = 1

p = 1/7 = 0.1428571428 m

= 10 0 𝑛: = 0 1 𝑛: = 0 2 𝑛: = 0 3 𝑛: = 0 4 𝑛: = 0 5 𝑛: = 1 6 𝑛: = 0 7 𝑛: = 0,8 8 𝑛: = 0 9 𝑛: = 0,8 10 𝑛: = 0

(12)

Router Rusak n = 1

p = 1/7 = 0.1428571428 m

= 10 0 𝑛: = 0 1 𝑛: = 1 2 𝑛: = 1 3 𝑛: = 1 4 𝑛: = 0 5 𝑛: = 0 6 𝑛: = 0 7 𝑛: = 0 8 𝑛: = 0 9 𝑛: = 0,3 10 𝑛: = 1 Kabel Fiber dan

Konektor Rusak

n = 1

p = 1/7 = 0.1428571428 m

= 10 0 𝑛: = 0,3 1 𝑛: = 0 2 𝑛: = 0 3 𝑛: = 0 4 𝑛: = 1 5 𝑛: = 0 6 𝑛: = 0 7 𝑛: = 0 8 𝑛: = 0 9 𝑛: = 0,8 10 𝑛: = 0 Layanan Internet Mati n = 1

p = 1/7 = 0.1428571428 m

= 10 0 𝑛: = 0,3 1 𝑛: = 0 2 𝑛: = 0 3 𝑛: = 0 4 𝑛: = 0 5 𝑛: = 1 6 𝑛: = 0 7 𝑛: = 0,8 8 𝑛: = 0 9 𝑛: = 1 10 𝑛: = 0 FUP Habis n = 1

p = 1/7 = 0.1428571428 m

= 10 0 𝑛: = 0 1 𝑛: = 0 2 𝑛: = 0 3 𝑛: = 0 4 𝑛: = 0 5 𝑛: = 0 6 𝑛: = 1 7 𝑛: = 0 8 𝑛: = 0 9 𝑛: = 0 10 𝑛: = 0 Wi-Fi Tidak Terjangkau n = 1

p = 1/7 = 0.1428571428 m = 10

0 𝑛: = 0,8 1 𝑛: = 0 2 𝑛: = 0 3 𝑛: = 0 4 𝑛: = 0 5 𝑛: = 0 6 𝑛: = 0 7 𝑛: = 0,3 8 𝑛: = 1

9 𝑛: = 0,3 10 𝑛: = 0

Kabel LAN Rusak atau Terlalu Panjang

n = 1

p = 1/7 = 0.1428571428 m = 10

0 𝑛: = 0,8 1 𝑛: = 0 2 𝑛: = 1 3 𝑛: = 0 4 𝑛: = 0 5 𝑛: = 0 6 𝑛: = 0 7 𝑛: = 0 8 𝑛: = 0 9 𝑛: = 0 10 𝑛: = 1

2. Menghitung nilai P(ai|vj) dan menghitung nilai P(vj)

Sistem telah menghitung nilai untuk setiap gejala (a) pada masing-masing kerusakan yang cocok dengan gejala masukan dari pengguna (𝑎Z).

Sistem selanjutnya menghitung nilai 𝑛: kedalam rumus 𝑃(𝑎𝑖|𝑣𝑗) =(nc+m.p) / ( n+m). Proses menghitung nilai P(ai|vj) dan P(vj) merupakan langkah untuk menentukan seberapa sesuai gejala yang diinput pengguna dengan gejala dari setiap kerusakan yang ada dalam sistem. Nilai tersebut memberikan informasi tentang tingkat kecocokan antara gejala yang diberikan pengguna dengan setiap kerusakan yang terdaftar dalam sistem. Hal ini dilakukan untuk membantu sistem pakar menentukan diagnosa kerusakan yang tepat sesuai dengan gejala yang diberikan pengguna.

Tabel 7 Nilai P(ai|vj)

Nama Keruskan

Perhitungan

Modem Rusak P(K001) = 1/7 = 0,1428571428 P(0|K001) =

lX(`l . l,`mnoap`mno) lX`l =

0,1428571428 P(1| K001) =

0,1428571428 P(2| K001) =

0,1428571428 P(3| K001) =

0,1428571428 P(4| K001) =

0,1428571428 P(5| K001) =

`X(`l . l,`mnoap`mno)

`X`l = 0,2207792207 P(6| K001) =

0,1428571428

(13)

P(7| K001) =

l,oX(`l . n,nnoap`mno) l,oX`l =

1,2380952377 P(8| K001) =

0,1428571428 P(9| K001) =

1,2380952377 P(10| K001) =

1,2380952377

Router Rusak P(K002) = 1/7 = 0,1428571428 P(0|K002) =

0,1428571428 P(1| K002) =

`X`l = 0,2207792207 P(2| K002) =

`X`l = 0,2207792207 P(3| K002) =

`X`l = 0,2207792207 P(4|K002) =

0,1428571428 P(5|K002) =

0,1428571428 P(6|K002) =

0,1428571428 P(7|K002) =

0,1428571428 P(8|K002) =

0,1428571428 P(9|K002) =

l,qX(`l . l,`mnoap`mno) l,qX`l =

0,1678224687 P(10| K002) =

`X`l = 0,2207792207

Kabel Fiber dan P(K003) = 1/7 = 0,1428571428 Konektor Rusak P(0|K003) =

0,1678224687 P(1|K003) =

0,1428571428 P(2|K003) =

0,1428571428 P(3| K003) =

lX(`l . l,`mnoap`mno)

=

lX`l

0,1428571428 P(4| K003) =

`X`l = 0,2207792207 P(5|K003) =

0,1428571428 P(6|K003) =

0,1428571428 P(7|K003) =

0,1428571428 P(8|K003) =

0,1428571428 P(9| K003) =

1,2380952377 P(10|K003) =

0,1428571428 Layanan

Internet Mati

P(K004) = 1/7 = 0,1428571428 P(0|K004) =

0,1678224687 P(1|K004) =

0,1428571428 P(2|K004) =

0,1428571428 P(3|K004) =

0,1428571428 P(4|K004) =

0,1428571428 P(5| K004) =

`X`l = 0,2207792207 P(6|K004) =

0,1428571428 P(7| K004) =

1,2380952377 P(8|K004) =

0,1428571428 P(9| K004) =

`X`l = 0,2207792207 P(10|K004) =

0,1428571428

FUP Habis P(K005) = 1/7 = 0,1428571428 P(0|K005) =

(14)

0,1428571428 P(1|K005) =

0,1428571428 P(2|K005) =

0,1428571428 P(3|K005) =

0,1428571428 P(4|K005) =

0,1428571428 P(5|K005) =

0,1428571428 P(6| K005) =

`X`l = 0,2207792207 P(7|K005) =

0,1428571428 P(8|K005) =

0,1428571428 P(9|K005) =

0,1428571428 P(10|K005) =

0,1428571428

Wi-Fi Tidak P(K006) = 1/7 = 0,1428571428 Terjangkau P(0| K006) =

1,2380952377 P(1|K006) =

0,1428571428 P(2|K006) =

0,1428571428 P(3|K006) =

0,1428571428 P(4|K006) =

0,1428571428 P(5|K006) =

0,1428571428 P(6|K006) =

0,1428571428 P(7|K006) =

0,1678224687 P(8| K006) =

`X`l = 0,2207792207

P(9|K006) =

0,1678224687 P(10|K006) =

0,1428571428

Kabel LAN P(K007) = 1/7 = 0,1428571428 Rusak atau P(0| K007) =

Terlalu Panjang l,oX(`l . n,nnoap`mno) l,oX`l =

1,2380952377 P(1|K007) =

0,1428571428 P(2| K007) =

`X`l = 0,2207792207 P(3|K007) =

0,1428571428 P(4|K007) =

0,1428571428 P(5|K007) =

0,1428571428 P(6|K007) =

0,1428571428 P(7|K007) =

0,1428571428 P(8|K007) =

0,1428571428 P(9|K007) =

0,1428571428 P(10| K007) =

`X`l = 0,2207792207

3. Menghitung P(ai|vj) x P(vj) untuk setiapv Setelah semua nilai P(ai|vj) x P(vj) dihitung untuk setiap v atau kerusakan, langkah selanjutnya adalah mencari nilai P(a|v) terbesar untuk menentukan kerusakan yang paling mungkin terjadi. Nilai P(a|v) adalah nilai probabilitas dari semua gejala yang diinput oleh pengguna terjadi pada kerusakan v. Kerusakan dengan nilai P(a|v) terbesar dianggap sebagai kerusakan yang paling mungkin terjadi, sehingga akan ditampilkan sebagai hasil diagnosa oleh sistem.

Sistem akan mengkalkulasi kemungkinan setiap kerusakan yang mungkin terjadi dengan mengalikan hasil perhitungan dari

(15)

setiap gejala kerusakan yang diinput oleh pengguna dengan probabilitas terjadinya kerusakan v yang dihitung sebelumnya. Nilai P(vj) atau peluang terjadinya setiap kerusakan diperoleh melalui proses ini.

Setelah mendapatkan nilai P(vj) untuk setiap kemungkinan kerusakan, sistem dapat menentukan kerusakan yang paling mungkin terjadi dengan mencari nilai P(vj) yang paling besar. Hasil diagnosa ini dapat digunakan sebagai panduan untuk menangani kerusakan yang terjadi pada perangkat

Kerusakan Jaringan Ke 1 : Modem Rusak P(K001) x [P(0|K001) x P(1|K001) x P(2|K001) x P(3|K001) x P(4|K001) x P(5|K001) x P(6|K001) x P(7|K001) x P(8|K001) x P(9|K001) x P(10|K001)] = 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,2207792207 x 0,1428571428 x 1,2380952377 x 0,1428571428 x 1,2380952377 x 1,2380952377 = 7,26835338×10 ^-o

Kerusakan Jaringan Ke 2 : Router Rusak P(K002) x [P(0|K002) x P(1|K002) x P(2|K002) x P(3|K002) x P(4|K002) x P(5|K002) x P(6|K002) x P(7|K002) x P(8|K002) x P(9|K002) x P(10|K002)] = 0,1428571428 x 0,1428571428 x 0,2207792207 x 0,2207792207 x 0,2207792207 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1678224687 x 0,2207792207 = 4.84168586×10-^`l

Kerusakan Jaringan Ke 3 : Kabel Fiber dan Konektor Rusak

P(K003) x [P(0|K003) x P(1|K003) x P(2|K003) x P(3|K003) x P(4|K003) x P(5|K003) x P(6|K003) x P(7|K003) x P(8|K003) x P(9|K003) x P(10|K003)] = 0,1428571428 x 0,1678224687 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,2207792207 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 1,2380952377 x 0,1428571428 = 1.13678934×10^-r

Kerusakan Jaringan Ke 4 : Layanan Internet Mati

Kerusakan Jaringan Ke 5 : FUP Habis P(K005) x [P(0|K005) x P(1|K005) x P(2|K005) x P(3|K005) x P(4|K005) x P(5|K005) x P(6|K005) x P(7|K005) x P(8|K005) x P(9|K005) x P(10|K005)] = 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,2207792207 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 = 1.11655406×10-^`l

Kerusakan Jaringan Ke 6 : Wi-Fi Tidak Terjangkau

P(K006) x [P(0|K006) x P(1|K006) x P(2|K006) x P(3|K006) x P(4|K006) x P(5|K006) x P(6|K006) x P(7|K006) x P(8|K006) x P(9|K006) x P(10|K006)] = 0,1428571428 x 1,2380952377 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1428571428 x 0,1678224687 x 0,2207792207 x 0,1678224687 x 0,1428571428 = 1.33545156×10^-`l

Kerusakan Jaringan Ke 7 : Kabel LAN Rusak atau Terlalu Panjang

(16)

4. Menentukan hasil klasifikasi yaitu v yang memiliki hasil perkalian terbesar

Setelah menghitung probabilitas masing- masing kerusakan yang mungkin terjadi, sistem akan memiliki perhitungan probabilitas untuk setiap kerusakan yang ada dalam sistemnya. Probabilitas ini akan berbeda-beda untuk setiap kerusakan, tergantung pada jawaban pengguna dan tingkat kesesuaian antara gejala dari kerusakan tersebut dengan gejala yang diinput oleh pengguna.

Setelah semua nilai peluang dihitung, sistem akan menentukan kerusakan yang paling mungkin terjadi berdasarkan nilai peluang yang paling besar. Ini dilakukan dengan mencari nilai peluang terbesar dari semua kerusakan yang mungkin terjadi, dan menyatakan kerusakan tersebut sebagai diagnosa yang diberikan oleh sistem.

Kerusakan lainnya yang memiliki nilai peluang yang lebih rendah akan diabaikan oleh sistem. Proses ini akan memberikan rekomendasi solusi penanganan yang sesuai dengan diagnosa yang diberikan oleh sistem, sehingga pengguna dapat memperbaiki kerusakan dengan lebih mudah.

Tabel 8. Nilai Peluang Kerusakan

No Nama Kerusakan

Nilai Peluang Kerusakan

1 Modem Rusak 7,26835338×10^-o 2 Router Rusak 4.84168586×10^-`l 3 Kabel Fiber dan Konektor

Rusak

1.13678934×10^-r

4 Layanan Internet Mati 1.75685625×10-r

5 FUP Habis 1.11655406×10-`l

6 Wi-Fi Tidak Terjangkau 1.33545156×10-`l

7 Kabel LAN Rusak atau Terlalu Panjang

1.49550574×10-r

Kerusakan dengan peluang terbesar akan dipilih sebagai diagnosa kerusakan yang diberikan oleh sistem, seperti dalam contoh di atas dimana kerusakan modem dengan nilai peluang terbesar yaitu 7,26835338× 10-o , maka pengguna

diklasifikasikan mengalami kerusakan modem pada layanan internet bnet. Sistem pakar menggunakan kombinasi Metode Fuzzy Logic dengan Naïve Bayes untuk menangani gejala yang di input oleh pengguna yang bersifat samar atau tidak pasti. Misalnya, jika pengguna menginput gejala seperti jarak perangkat ke router yang nilainya diisi sendiri oleh pengguna, maka Metode Fuzzy Logic akan digunakan untuk mentransformasikan nilai ketidakpastian yang diberikan oleh pengguna menjadi nilai yang pasti dengan memetakan nya ke dalam himpunan nilai yang telah ditentukan oleh pakar. Kemudian, setelah mengumpulkan semua gejala yang di input oleh pengguna, sistem akan menggunakan metode Naïve Bayes untuk menghitung peluang terjadinya setiap kerusakan yang mungkin terjadi.

Dengan demikian, Kedua metode tersebut bekerja sama untuk menangani gejala yang bersifat tidak pasti dan memberikan diagnosa kerusakan yang tepat. Metode Fuzzy Logic membantu mengubah nilai yang tidak jelas menjadi nilai yang jelas dengan memetakannya ke dalam himpunan nilai yang telah ditentukan oleh pakar. Sedangkan Naïve Bayes digunakan untuk menghitung probabilitas terjadinya setiap kerusakan berdasarkan gejala yang diinput oleh pengguna.

Kombinasi kedua metode tersebut dapat memberikan hasil yang lebih akurat dan tepat dalam memberikan solusi bagi pengguna.

Setelah input pengguna diolah untuk menghasilkan nilai yang jelas, implementasi Metode Naïve Bayes dalam sistem pakar digunakan untuk menghitung probabilitas dari setiap nilai gejala yang diinput oleh pengguna untuk suatu kerusakan yang mungkin terjadi.

Proses ini terdiri dari menghitung probabilitas terjadinya kerusakan berdasarkan nilai gejala yang diinput oleh pengguna dengan menggunakan rumus Naïve Bayes.

Hasil dari diagnosa yang diperoleh dari perhitungan tersebut bervariasi tergantung pada pilihan jawaban pengguna. Hal ini disebabkan oleh jawaban yang diinput oleh pengguna dimana pengguna harus menjawab seluruh pertanyaan yang disediakan oleh sistem pakar. Nilai jawaban terhadap setiap gejala yang ditanyakan kemudian diproses sehingga menghasilkan satu nilai akhir yang menunjukkan probabilitas mengalami kerusakan tertentu.

(17)

Tabel 9. Nilai Jawaban Terhadap Setiap Gejala

No Gejala Jawaban Diagnosa Sistem

Diagnosa Pakar 1 Jarak

Perangkat Dengan Router (Wi- Fi/Lan)

2 Meter

Modem Rusak

Layanan Internet Mati Lampu

Power Mati Tidak Yakin Lampu

LAN Mati

Tidak Yakin Lampu

WLAN Mati

Tidak Yakin Lampu PON Berwarna Merah

Tidak Yakin Lampu

Internet Mati

Sangat Yakin Koneksi Internet Lambat

Tidak Yakin Koneksi

Terputus

Yakin Tidak Dapat Terhubung Ke Router Melalui Wi- Fi

Tidak Yakin

Tidak Dapat Terhubung Ke Internet

Yakin

Tidak Dapat Terhubung Ke Router Melalui LAN

Tidak Yakin

2 Jarak Perangkat Dengan Router (Wi- Fi/Lan)

1 Meter

Router Rusak

Router Rusak Lampu

Power Mati

Sangat Yakin Lampu

LAN Mati

Sangat Yakin Lampu

WLAN Mati

Sangat Yakin Lampu PON Berwarna Merah

Tidak Yakin Lampu

Internet Mati

Tidak Yakin Koneksi

Internet Lambat

Tidak Yakin Koneksi

Terputus

Tidak Yakin Tidak Dapat Terhubung Ke Router Melalui Wi-

Fi

Tidak Yakin

Cukup Yakin

Sangat Yakin

Jarak Perangkat Dengan Router (Wi- Fi/Lan)

3 Meter

Lampu Power Mati

Tidak Yakin Lampu

LAN Mati

Tidak Yakin Lampu WLAN Mati

Sangat Yakin Lampu

Internet Mati Tidak Yakin Koneksi

Internet Lambat Tidak Yakin Koneksi

Terputus

Fi

Tidak Yakin

Yakin

Tidak Yakin

4 Meter

Lampu Power Mati

Tidak Yakin Lampu

LAN Mati

Tidak Yakin Lampu

Internet Mati Sangat Yakin Koneksi

Internet Lambat

Tidak Yakin Koneksi

Terputus

Yakin

Tidak Dapat Terhubung Ke Router Melalui Wi-

Fi

Tidak Yakin

Sangat Yakin

(18)

Tidak Yakin

2 Meter

Lampu Power Mati

Tidak Yakin Lampu

LAN Mati

Tidak Yakin Lampu

Internet Lambat Sangat Yakin Koneksi

Terputus

Fi

Tidak Yakin

Tidak Yakin Tidak Dapat Terhubung Ke Router Melalui LAN

Tidak Yakin

13 Meter

Lampu Power Mati

Tidak Yakin Lampu

LAN Mati

Tidak Yakin Lampu

Terputus

Cukup Yakin Tidak Dapat Terhubung Ke Router Melalui Wi-

Fi

Sangat Yakin

Cukup Yakin

Tidak Yakin

11 Meter

Lampu Power Mati

Tidak Yakin Lampu

LAN Mati

Sangat Yakin Lampu WLAN Mati

Tidak Yakin Lampu

Terputus

Fi

Tidak Yakin

Tidak Yakin Tidak Dapat Terhubung Ke Router Melalui LAN

Sangat Yakin

Hasil pengujian menunjukkan bahwa terdapat perbedaan satu kali dan kesamaan enam kali antara hasil diagnosa yang diperoleh oleh pakar dengan hasil diagnosa yang diperoleh oleh sistem pakar. Ini menunjukkan bahwa sistem pakar cukup efektif dalam memberikan diagnosa yang akurat untuk masalah yang diberikan oleh pengguna. Namun, masih terdapat ruang untuk perbaikan agar sistem pakar dapat memberikan hasil yang lebih akurat dan tepat.

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 (%) = 6

7× 100% = 85%

Berdasarkan hasil pengujian yang dilakukan, dapat disimpulkan bahwa sistem pakar yang dibuat dapat memberikan hasil diagnosa yang cukup akurat dengan persentase keakuratan sebesar 85%. Meskipun terdapat perbedaan diagnosa satu kali, sistem pakar tetap dapat memberikan hasil yang cukup tepat dalam menentukan kerusakan yang terjadi pada perangkat. Oleh karena itu, sistem pakar ini dapat dianggap layak untuk digunakan sebagai solusi

(19)

dalam mengatasi masalah kerusakan pada perangkat.

Namun, perlu diingat bahwa sistem pakar hanya dapat memberikan diagnosa awal kerusakan.

Untuk memperoleh hasil diagnosa yang akurat, deteksi kerusakan harus melalui proses serangkaian pemeriksaan lebih lanjut oleh administrator atau teknisi. Hasil diagnosa yang diperoleh dari sistem pakar sebaiknya dipertimbangkan sebagai panduan dalam menangani kerusakan, namun tidak sebagai satu- satunya sumber informasi yang digunakan dalam menentukan tindakan yang tepat untuk mengatasi kerusakan. Meskipun sistem pakar telah terbukti memiliki tingkat keakuratan yang cukup tinggi dalam melakukan diagnosa kerusakan, penting untuk selalu memperhatikan hasil diagnosa yang diperoleh dari pemeriksaan lebih lanjut oleh teknisi atau administrator untuk menjamin keakuratan hasil diagnosa yang diperoleh.

4. PENUTUP Kesimpulan

Berdasarkan hasil penelitian Sistem Pakar Untuk Mendeteksi Keusakan Jaringan Pada Celebes Media Jaringan (BNet) Menggunakan Algoritma Fuzzy Logic Dan Naïve Bayes dapat diambil beberapa kesimpulan sebagai berikut:

Sistem Pakar Untuk Mendeteksi Keusakan Jaringan Pada Celebes Media Jaringan (BNet) Menggunakan Algoritma Fuzzy Logic Dan Naïve Bayes ini cukup membantu dalam melakukan diagnosa awal kerusakan jaringan yang dialami oleh pengguna.

Sistem pakar dapat digunakan untuk mendeteksi keusakan jaringan pada Celebes Media Jaringan (BNet) dengan menggunakan algoritma fuzzy logic dan Naïve Bayes. Kedua algoritma tersebut dapat membantu dalam menganalisis data yang tidak pasti atau tidak jelas mengenai kemungkinan kegagalan jaringan dan mengambil keputusan yang tepat untuk memperbaiki atau mengatasi masalah tersebut.

Sistem Pakar Untuk Mendeteksi Keusakan Jaringan Pada Celebes Media Jaringan (BNet) Menggunakan Algoritma Fuzzy Logic dengan Naïve Bayes telah dilakukan proses pengujian oleh seorang pakar dan dapat memberikan tingkat kesamaan diagnosa pakar dengan sistem sebesar 85%.

Saran

Saran yang penulis berikan untuk pengembangan lebih lanjut dari penelitian ini adalah Mengembangkan aplikasi klien berbasis Smartphone Mengembangkan Antarmuka yang lebih menarik dan interaktif Menambahkan fitur multi pakar sehingga hasil konsultasi menjadi lebih akurat.

5. REFERENSI

[1] L. Hasanah and E. Buulolo, “Sistem Pakar Mendiagnosa Gangguan Koneksi Internet Berbasis Web Menggunakan Algoritma Rete,”

Build. Informatics, Technol. Sci., vol. 3, no. 1, 2021, doi: 10.47065/bits.v3i1.167.

[2] M. Caporuscio, F. Flammini, N. Khakpour, P.

Singh, and J. Thornadtsson, “Smart- troubleshooting connected devices: Concept, challenges and opportunities,” Futur. Gener.

Comput. Syst., vol. 111, 2020, doi:

10.1016/j.future.2019.09.004.

[3] F. A. Nugroho, “Perancangan Sistem Pakar Diagnosa Penyakit Jantung dengan Metode Forward Chaining,” J. Inform. Univ. Pamulang, vol. 3, no. 2, 2018, doi:

10.32493/informatika.v3i2.1431.

[4] H. Daely and D. P. Utomo, “Sistem Pakar Diagnosa Hepatomegali Menerapkan Metode Fuzzy Logic Sugeno,” KOMIK (Konferensi Nas.

Teknol. Inf. dan Komputer), vol. 4, no. 1, 2020.

[5] F. Widianto, “Sistem Pakar Troubleshooting Jaringan Komputer Menggunakan Algoritma Backward Chaining,” J-INTECH, vol. 6, no. 02, 2019, doi: 10.32664/j-intech.v6i02.254.

[6] R. I. Borman, R. Napianto, P. Nurlandari, and Z.

Abidin, “IMPLEMENTASI CERTAINTY

FACTOR DALAM MENGATASI

KETIDAKPASTIAN PADA SISTEM PAKAR DIAGNOSA PENYAKIT KUDA LAUT,”

JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 7, no. 1, 2020, doi:

10.33330/jurteksi.v7i1.602.

[7] I. Gunawan, Y. F.-J. I. D. Rekayasa, and undefined 2021, “Sistem Pakar Diagnosa Penyakit Kulit Pada Kucing Menggunakan Metode Naive Bayes Berbasis Web,”

jim.teknokrat.ac.id, Accessed: Oct. 09, 2023.

[Online]. Available:

http://jim.teknokrat.ac.id/index.php/informatika/

article/view/927.

[8] R. Rizky, S. Susilawati, Z. Hakim, and L.