ARSITEKTUR PENCARIAN SYARAF LANGSUNG PADA TUGAS TARGET DAN PERANGKAT KERAS

ALGORITMA ITERACTIVE DICHOTOMISER V.3

JARINGAN SYARAF TIRUAN (ANN)

Aplikasi Teorema Bayes dalam Penyaringan Email

LATAR BELAKANG

Email (Electronic Mail) adalah salah satu media komunikasi dengan metode bertukar informasi secara digital melalui internet atau jaringan komputer lain. Informasi dapat berupa pesan, file (attachment), atau berupa media iklan dan promosi dari suatu perusahaan atau produk tertentu. Dari segi penggunaannya sendiri, email adalah alat komunikasi yang mudah digunakan oleh seluruh kalangan masyarakat baik untuk kepentingan personal maupun kepentingan suatu instansi atau komunitas. Selain itu fasilitas email terhitung murah dan tidak terpatok pada jarak tujuan pengiriman. Penggunaan email juga memiliki dampak positif dan negatif. Dampak positifnya seperti yang telah dijabarkan tadi yaitu mudah digunakan, murah, dan jangkauan tempat luas sedangkan dampak negatif yang ditimbulkan salah satunya adalah spam mail. Spam mail atau biasa disebut junk mail itu sendiri adalah penyalahgunaan sistem pesan elektronik untuk mengirim berita iklan dan keperluan lain secara massal dan tidak dikehendaki penerimanya. Isi dari spam email biasanya berupa iklan produk barang atau jasa, virus, pornografi, dan content – content tidak penting lainnya.

Kerugian yang didapat dari penerimaan spam mail antara lain inbox email akan penuh dengan spam mail yang nantinya menutup email lain yang sekiranya lebih penting. Selain itu untuk menghapus spam mail tersebut satu persatu akan membuang waktu secara percuma. Hal ini belum termasuk apabila pengguna tidak sengaja membuka spam email yang berisi content virus di dalamnya sehingga merusak sistem komputer pengguna itu sendiri.

Langkah antisipasi dari spam mail ini sendiri sudah ada yaitu dengan cara penyaringan email (email filtering) melalui perangkat lunak khusus email filtering atau fasilitas email filtering yang saat ini telah disediakan oleh beberapa host mail. Ada beberapa metode dari email filtering, salah satu metode email filtering yang cukup efektif yaitu naive bayesian filtering. Merode ini merupakan pengaplikasian dari teorema probabilitas yaitu teorema bayes dan klasifikasi naive bayesian. Pengaplikasian kedua teorema tersebut menghasiklan sebuah sistem email filtering yang cukup efektif, memiliki tingkat akurasi cukup tinggi, dan menghasilkan galat minimum sehingga mudah untuk dikembangkan.

PEMBAHASAN

Email Filtering

Dalam penggunaan layanan email tentu saja tidak terlepas dari spam mail yang dari hari ke hari jumlah spam mail yang diterima oleh sebagian besar pengguna email semakin banyak dan tentunya sangat mengganggu. Hal ini belum termasuk kemungkinan dalam spam mail tersebut mengandung virus atau hal – hal yang tentunya tidak diinginkan. Pengguna email biasanya mengalami masalah dalam menghapus spam mail satu persatu sehingga banyak waktu yang tebuang percuma. Salah satu cara yang dapat digunakan yaitu email filtering dimana mengaplikasikan proses pemilahan email

untuk menentukan apakah email tersebut adalah email spam atau bukan spam. Kebutuhan dari email filtering adalah sebagai berikut :

1. Binary Class – Email filtering hanya mengklasifikasikan email ke dalam kelas spam mail dan legitimate mail
2. Easy Computation – Melakukan komputasi terhadap sifat data email yang memiiki dimensi tinggi
3. Prediksi – Mampu memprediksi kelas dari suatu email
4. Learning – Mampu melakukan learning (menyimpan memori) dari email – email yang sudah ada sebelumnya
5. Kinerja – Memiliki akurasi tinggi, meminimalisir nilai false positif dan mentolerir nilai false negatif yang cukup tinggi

Beberapa metode yang dapat digunakan untuk email filtering antara lain Black listing dan White listing, Signature-Based Filtering, Naive Bayesian (Statistical) Filtering, Keyword filtering, Rule-based filtering, dan Challenge-response filtering. Pada kali ini metode yang disorot adalah Naive Bayesian Filtering.

Teorema Bayes

Nama teorema Bayes diambil dari nama penemu teorema tersebut yaitu Thomas Bayes (1702 – 1761). Teorema Bayes dalam probabilitas dan statistika menunjukkan hubungan antara dua probabilitas kondisional dimana kedua kondisi tersebut saling bertolak belakang dan memperhitungkan bahwa probabilitas suatu kejadian (hipotesis) bergantung pada keadaan lain (bukti). Ringkasnya yaitu teorema tersebut menyatakan bahwa suatu kejadian yang terjadi di masa depan atau yang belum terjadi dapat diprediksi sebelumnya dengan syarat kejadian sebelumnya telah terjadi. Probabilitas itu sendiri dapat dideffinisikan sebagai ukuran kuantitatif dari suatu ketidakpastikan informasi atau peristiwa. Probabilitas memiliki indeks nilai yang berkisr antara 0 sampai 1. Hal ini juga dipengaruhi oleh jumlah total kejadian selama percobaan. Apabila probabilitas suatu keadaan adalah 0 (nol), maka keadaan tersebut dapat diyakinkan pasti tidak akan terjadi. Namun, apabila probabilitas suatu keadaan adalah 1, maka keadaan tersebut dapat diyakinkan pasti akan terjadi. Sedangkan misalkan suatu kejadian memiliki probabilitas 0,5 maka kejadian tersebut memiliki tingkat keraguan yang maksimum. Keadaan probabilitas dapat digambarkan seperti di bawah ini:

Dalam Teorema Bayes sering disebut istilah probabilitas bersyarat. Probabilitas bersyarat adalah suatu kejadian yang mungkin atau tidak tergantung pada terjadinya peristiwa lain. Ketergantungan ini dapat ditulis dalam bentuk probabilitas bersyarat sebagai berikut :

P(A| B)

Maksudnya adalah probabilitas bahwa kejadian A akan terjadi apabila kejadian B terjadi atau bisa disebut sebagai probabilitas gabungan kejadian A dan B. Dari kondisi tersebut dapat dirumuskan suatu hubungan sebagai berikut:

Dengan penjelasan sebagai berikut :

P(A) adalah probabilitas sebelum (tanpa syarat atau probabilitas marjinal) kejadian A. Maksudnya ini adalah kejadian A sebelum memperhitungkan segala informasi tentang kejadian B.

1. P(B) adalah probabilitas atau marjinal sebelum kejadian B dan bertindak sebagai konstanta normalisasi.
2.  P(A|B) adalah probabilitas bersyarat dari kejadian A apabila kejadian B telah terjadi.
3. P(B|A) adalah probabilitas bersyarat dari kejadian B apabila kejadian A telah terjadi. 

Misalkan kejadian A adalah independen atau saling bebas terhadap kejadian B, maka teorema Bayes dapat dituliskan sebagai berikut :

Umum teorema Bayes dapat dituliskan dalam bentuk :

Jika( Ai ) membentuk partisi dari ruang kejadian untuk setiap ( Ai ) dalam partisi. Teorema Bayes dalam hal ini memberikan representasi secara matematis tentang bagaimana probabilitas bersyarat kejadian A dan B yang diberikan adalah saling berkaitan dengan probabilitas bersyarat B karena A.

Aplikasi Naive Bayesian Filtering dalam Email Filtering

Bayesian Filtering memudahkan kita untuk memprediksi kemungkinan apakah suatu email adalah spam dari hasil tes kata yaitu keadaan dari kata – kata tertentu yang telah ditentukan sebelumnya. Misalnya, kata – kata seperti “viagra” memiliki peluang lebih besar untuk muncul dalam spam mail dibanding email normal. Spam filtering berdasarkan sistem blacklist adalah kurang direkomendasikan karena metode tersebut terlalu ketat dan kemungkinan false positif cukup tinggi. Tetapi, Bayesian filtering memberikan jalan tengah karena konsep yang digunakan adalah probabilitas. Pada saat menganalisa kata – kata dalam sebuah email maka dapat dihitung peluang bahwa email tersebut adalah spam, bukan langsung merujuk pada keputusan ya atau tidak dalam pengidentifikasian awal. Apabila email tersebut memiliki 99% peluang email spam, maka kemungkinan besar email tersebut adalah email spam. Semakin berkembangnya filter makan akan semakin diperbaharui probabilitas kata – kata tertentu yang merujuk pada email spam. Kata – kata tertentu telah ditentukan pada awal. Bayesian filter dapat memeriksa beberapa kata dalam satu baris sebagai jalur data. Aplikasi dari Teorema Bayes dalam Email filtering secara mudahnya adalah sebagai berikut :

a. Kejadian A : Email adalah spam

b. Tes X : Email mengandung kata – kata tertentu (X)

Dalam aplikasi nyata, email filtering menekankan pada konsep Naive Bayesian dengan kasus sebagai berikut : 

Misalkan seorang pengguna mendapat sebuah email. Dengan metode Naive Bayesian filtering hal yang dilakukan pertama kali yaitu membagi email tersebut per kata secara independen. Tiap kata tersebut dinyatakan dalam notasi Wi. Untuk mengetahui peluang bahwa email tersebut adalah spam mail maka dapat dinyatakan dalam sebuah pernyataan sebagai berikut :

P(spam|Wi)

Pada langkah ini diaplikasikan Teorema Bayes berdasarkan pengamatan pada kata tersebut :

Berdasarkan persamaan tersebut maka dapat diasumsikan bahwa :

a. Total n kata yang muncul di spam mail maupun non-spam mail telah didata dalam sebuah list

b. Peluang independen dari setiap kata yang muncul apabila email telah dinyatakan spam didata  dalam list

c. Kata i W terdapat dalam list

d. Diketahui jumlah total dari spam mail dan nonspam mail Cara untuk mendeteksi apakah email tersebut adalah spam maka dilakukan dua langkah yaitu sebagai berikut :

1. Mengidentifikasi jumlah dari setiap kata yang muncul apakah termasuk spam atau non-spam mail, ini mengarahkan kita untuk mendefinisikan P(Wi|spam) dan P(Wi|nonspam) berdasarkan probabilitas kondisional yang tidak terdapat dalam persamaan diatas. Bagaimanapun juga, ini akan muncul dalam perhitungan P(Wi|nonspam)
2. Menghitung jumlah total spam dan non-spam emal, ini mengarahkan kita untuk mendefinisikan P(Wi|spam) dan P(Wi|nonspam)

Sampai tahap ini, kita telah menyatakan peluang bahwa email tersebut adalah spam mail berdasarkan pengamatan dari setiap kata yang terdapat dalam email tersebut. Ini merupakan pendekatan sub optimal dimana merupakan pendekatan yang lebih baik dapat di komputasikan sehingga dapat dinyatakan bahwa email tersebut adalah spam mail berdasarkan seluruh data yang tersedia (seluruh kata yang terdapat dalam email tersebut). Ada banyak cara untuk menyelesaikan permasalahan ini, salah satu pendekatan yang mungkin dapat dipertimbangkan yaitu melalui bukti yang disediakan oleh

seluruh kata dalam email tersebut kemudian dikomputasi dengan peluang kombinasi dari seluruh kata tersebut. Pendekatan ini diprediksi dengan asumsi bahwa kondisi dari seluruh kata dalam email tersebut adalah independen (bebas) terhadap satu sama lain. Misalkan asumsi saling bebas itu benar adanya maka kita dapat merumuskan kombinasi peluang sebagai berikut :

  

Dari persamaan diatas dapat dihitung peluang bahwa email yang masuk adalah spam dengan mengombinasikan peluang independen dari email yang diidentifikasi sebagai spam berdasarkan kemunculan kata dalam email tersebut. Misalkan ada sedikitnya dua implementasi yang berbeda dari persamaan di atas, dalam satu kasus, kita dapat mempertimbangkan hanya kata – kata unik yang terdapat dalam email. Alternatif lain, kita dapat mempertimbangkan setiap kata dalam email tersebut walaupun dipakai secara berulang kali. Dari pernyataan diatas dapat disimpulkan bahwa kemungkinan email yang masuk ke inbox pengguna adalah spam, tetapi ini hanya sebuah kemungkinan, belum pernyataan akhir. Hal yang dapat disimpulkan secara jelas adalah apabila peluang spam email bernilai lebih dari 0,5 maka dapat dipastikan email tersebut adalah spam, apabila peluang bernilai kurang dari 0,5 maka dapat dideklarasikan bahwa email itu bukan spam. Namun, apabila ternyata peluangnyatepat sebesar 0,5 maka nantinya akan diserahkan kepada pengguna email apakah nantinya pengguna mendeteksi dan menolak email tersebut atau tidak.

Kenggulan Naive Bayesian dalam Email Filtering

Naive bayesian filtering memiliki kelebihan dibandingkan dengan metoda filtering yang lain, diantaranya adalah:

1. Komputasi yang mudah dan praktis
2. Dapat memeriksa email secara keseluruhan yaitu memeriksa token di database spam maupun legitimate.
3. Supervised learning yaitu secara otomatis akan melakukan proses learning dari email yang masuk.
4. Cocok diterapkan di level aplikasi client/individual user.
5. Cocok diterapkan pada binary class yaitu klasifikasi ke dalam dua kelas.
6. Metode ini multilingual dan internasional. Bayesian filtering menggenerate token dengan pengenalan karakter sehingga mampu diimplementasikan pada email dengan bahasa apapun.

Referensi Jurnal : Aplikasi Teorema Bayes dalam Penyaringan Email Dyah Diwasasri Ratnaningtyas

SISTEM PAKAR DIAGNOSA PENYAKIT SAPI MENGGUNAKAN METODE BACKWARD CHAINING

PENDAHULUAN

Saat ini, permintaan daging dan susu sapi semakin meningkat. Dalam pemeliharaan ternak sapi, salah satu penghambat yang sering dihadapi adalah penyakit. Bahkan, tidak jarang peternak mengalami kerugian dan tidak lagi berternak akibat adanya kematian pada ternaknya.[1] Perkembangan akan teknologi pada saat ini tumbuh dengan sangat pesat. Terutama perkembangan teknologi dibidang Android. Pembangunan sistem menggunakan gadget juga diharapkan dapat membantu manusia dalam mengolah data dengan cepat namun tepat dan dapat diakses dimana saja sehingga hasilnya dapat digunakan manusia untuk mengambil keputusan yang tepat berdasarkan sistem yang dibuat.[12] Perkembangan teknologi kecerdasan buatan yang terjadi telah memungkinkan sistem pakar untuk diaplikasikan penggunaannya dalam perangkat mobile yang berbasis android dengan mengunakan metode backward chaining dan certainty factor. [4]

Sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan sistem pakar, orang awampun dapat menyelesaikan masalah yang rumit yang sebenarnya hanya bisa diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman.[4]

Dengan menggunakan sistem pakar diharapkan dapat mempercepat dalam menganalisa suatu jenis penyakit yang terdapat pada ternak sapi sehingga dapat dengan mudah di ketahui jenis penyakit yang sedang menjangkit ternak sapi tersebut tanpa harus berhadapan dengan dokter hewan secara langsung. Dalam hal ini, pengembangan sistem pakar dapat bermanfaat untuk membantu peningkatan kinerja dalam bidang peternakan khususnya.

Tinjauan Pustaka

1. Zain (2015), melakukan penelitian tentang “Analisis Metode Certainty Factor dalam Sistem Pakar untuk Mendeteksi Penyakit Sapi Pedaging”. Penelitian ini menggunakan metode certainty factor sebagai penentu nilai kepercayaanya dan metode forward chaining sebagai alur penelusuran gejalanya.[15]
2. Syatibi (2012), melakukan penelitian tentang “ Sistem pakar Diagnosis Awal Penyakit Kulit Sapi Berbasis Web Dengan Menggunakan Metode Certainty Factor”. Aplikasi Sistem Pakar ini menghasilkan keluaran berupa program aplikasi atau tool yang dapat digunakan untuk mendiagnosa kemungkinan penyakit kulit pada hewan sapi berdasarkan gejala yang diinputkan oleh user. Sistem ini juga menampilkan besarnya kepercayaan gejala tersebut terhadap penyakit kulit yang diinputkan oleh user.[13]

Metodologi Penelitian

Metode Pengumpulan data

      Metode pengumpulan data dalam pembuatan aplikasi ini adalah:

1. Studi Literatur, Studi literatur adalah metode untuk mendapatkan teori pendukung penelitian dan menjadi dasar dalam penelitian ini. Literatur tersebut dapat diperoleh dari buku, jurnal, ebook dan dokumentasi project. Bagian studi literatur ini mencakup teori diantaranya system pakar, metode certainty fctor, metode backward chaining dan sistem pakar.
2. Wawancara dan Pengunpulan data, Mempelajari dan mengumpulka data berupa data penyakit, gejala, dan nilai kepercayaan dari pakar dengan melakukan tanya jawab.

Metode Perancangan sistem

Adapun metode perancangan sistem yang digunakan dalam pembuatan aplikasi ini adalah tahapan SDLC model waterfall. [2]

Landasan Teori

Mode Inferensi

1. Runut Maju (Forward Chaining), Runut mmaju berarti menggunakan himpunan aturan kondisi-aksi. Dalam metode ini, data digunakan untuk menentukan aturan mana yang akan dijalankan, kemudian aturan tersebut dijalankan. Mungkin proses menambahkan data ke memori kerja. Proses dilakukan sampai ditemukan suatu hasil. Metode inferensi runut maju cocok digunakan untuk menengani masalah pengendalian (controlling) dann peramalan (prognosis) [3].
2. Runut Balik (Backward Chaining), Runut balik merupakan metode penelaran kebalikan dari runut maju. Dalam runut balik penalaran simulai dari tujuan kemudian merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut. Runut balik disebut juga sebagai goal-driven reasoning, merupakan cara yang efisien untuk memecahkan masalah yang dimodelkan sebagai masalah pemilihan terstruktur [3].

      Faktor Kepastian (Certainty Factor)

     Certainty Factor (CF) menujukkan ukuran kepastian terhadap suatu fakta atau aturan.Notasi  Faktor Kepastian [4] adalah sebagai berikut :

CF[h,e] = MB[h,e] – MD[h,e]

CF[h,e] : Faktor Kepastian

MB[h,e] : ukuran kepercayaan terhadap hipotesis h , jika diberikan

evidence e ( antara 0 dan 1 ).

MD[h,e] : ukuran ketidakpercayaan terhadap evidence h,jika diberikan

evidence e ( antara 0 dan 1 )

Hasil dan Pembahasan

Pohon Keputusan

Diagram pohon keputusan merupakan suatu rancangan yang digunakan untuk membantu sebuah sistem pakar,di dalam diagram keputusan tersebut akan dicari solusi hasil akhir dengan menggunakan metode backward chaining dan certainty factor.

Data Penyakit

Jumlah penyakit yang diolah dalam sistem pakar penyakit sapi ini adalah 6 macam penyakit.

Data Gejala

Data-data gejala yang digunakan dalam sistem pakar penyakit sapi ini berjumlah 23 gejala. Berikut sebagian dari gejala yang digunakan :

Tabel Aturan Gejala

Dalam table aturan gejala table 4 berikut ini menjelaskan tentang aturan-aturan apa saja yang digunakan sistem pakar untuk menyelesaikan permasalahan.

Perhitungan Manual Nilai Certainty Factor

Nilai Certainty Factor (CF) ditentukan untuk setiap gejala yang berhubungan dengan penyakit tertentu dalam range nilai 0 sampai dengan 1. Nilai ini mewakili keyakinan seorang pakar terhadap suatu gejala yang mempengaruhi terjadinya suatu penyakit mata tertentu.

Berikut ini contoh perhitungan nilai certainty factor (CF) penyakit antrax :

Rumus Awal : 

CF (H,E) = MB(H,E) - MD(H,E) 

MB(h, e1^e2) = MB(h,e1)+MB(h,e2)*(1-MB[h,e1]) 

MD(h,e1^e2) = MD(h,e1)+MD(h,e2)*(1-MD[h,e1])

MB(h, e1^e2) = MB(h,e1)+MB(h,e2)*(1-MB[h,e1])

= 0.6+0.4*(1-0.6)= 0.76

MD(h, e1^e2) = MD(h,e1)+ MD(h,e2)*(1- MD[h,e1])

= 0.2+0.2*(1-0.2)= 0.36

CF = MB-MD

= 0.76-0.36 = 0.40

MB(h, e1^e2^e3) = MB(h, e1^e2)+MB(h,e3)*(1-MB[h, e1^e2])

= 0.76+0.8*(1-0.76)= 0.952

MD h, e1^e2^e3) = MD(h, e1^e2)+ MD(h,e3)*(1- MD[h, e1^e2])

= 0.2+0.1*(1-0.2)= 0.424

CF = MB-MD

=0.952-0.424= 0.528

MB(h, e1^e2^e3^e4) = MB(h, e1^e2^e3)+MB(h,e3)*(1-MB[h, e1^e2^e3])

= 0.952+0.6*(1-0.952)= 0.9808

MD h, e1^e2^e3^e4) = MD(h, e1^e2^e3)+ MD(h,e3)*(1- MD[h, e1^e2^e3])

= 0.424+0.2*(1-0.424)= 0.5392

CF = MB-MD

=0.9808-0.5392=0.4416

Perhitungan manual di atas, didapatkan nilai faktor kepastian dari masukan gejala yang mengarah ke penyakit antrax adalah 0,4416.

Kesimpulan

Dari hasil penelitian pengembangan “Aplikasi Sistem Pakar Diagnosa Penyakit Sapi Menggunakan Metode Backward Chaining dan Certainty Factor” maka dapat diambil kesimpulan sebagai berikut .

1. Pada aplikasi ini hanya mendiagnosa enam penyakit dengan masing-masing penyakit memiliki empat gejala.
2. Aplikasi ini masih belum terdapat fasilitas untuk update data penyakit terbaru..
3. Aplikasi sistem pakar ini dapat berjalan dengan lancar pada smartphone android dengan layar 4 inch.

Saran

Dalam penelitian ini masih terdapat kelemahan dan kekurangan, sehingga di masa yang akan datang dapat dikembangkan lagi, karena itu disarankan.

1. Untuk penelitian selanjutnya bisa dikembangkan lagi untuk penambahan upgrade database penyakit secara online.
2. Untuk penelitian selanjutnya bisa menambahkan jumlah data penyakit dan gejala pada ternak sapi.

PENERAPAN METODE FORWARD CHAINING UNTUK DETEKSI KERUSAKAN PADA LAPTOP

Pendahuluan

Sistem pakar merupakan salah satu cabang kecerdasan buatan yang mempelajari bagaimana meniru cara seorang pakar berfikir dalam menyelesaikan suatu permasalahan, membuat keputusan maupun mengambil kesimpulan dari suatu permasalahan. Pada saat ini kerusakan hardware maupun software pada Laptop menjadi hal yang sangat sering dialami oleh pengguna Laptop. Banyaknya tenaga ahli yang mampu dijadikan salah satu pilihan untuk melakukan perbaikan sesuai kerusakan yang dialami bukanlah hal yang susah untuk ditemukan. Namun disamping itu para pengguna kadang kala harus berfikir panjang untuk datang langsung pada tempat ataupun orang yang ahli pada perbaikan Laptop, hal ini dikarenakan mahalnya biaya perbaikan yang harus dibayar. Pada Penulisan ini penulis mempunyai maksud dan tujuan yang diharapkan dapat terlaksana dengan baik, adapun maksud dari penulisan ini antara lain: 

1. Mempelajari dan memahami lebih jauh mengenai Laptop dan sistem pakar.
2. Membangun sebuah sistem pakar dengan basis penerapan metode Forward Chaining yang mampu mendeteksi kerusakan dan cara perbaikannya pada laptop..
3. Memberikan kemudahan serta Solusi bagi pengguna laptop untuk mengetahui masalah atau kerusakan yang terjadi.

Materi yang dibahas adalah mengenai deteksi kerusakan-kerusakan Laptop yang diperoleh dari hasil jawaban user setelah menjawab pertanyaan-pertanyaan yang ada pada sistem pakar dan membatasi penggunaan sistem pakar ini untuk kalangan yang faham mengenai bahasa-bahasa Laptop agar membantu mereka untuk medapatkan solusi dengan cepat atas kerusakan Laptop yang dialami. Pada penulisan ini penulis juga menggunakan beberapa penulisan terdahulu sebagai bahan acuan dan perbandingan.

Langkah-langkah Yang Harus Dilakukan Dalam Membuat Sistem Forward Chaining

Menurut Riskadewi dan Hendrik [2] (2005) Langkah-langkah yang harus dilakukan dalam membuat sistem forward chaining berbasis aturan, yaitu:

1. Pendefinisian Masalah
2. Pendefinisian Data Input Sistem forward chaining memerlukan data awal untuk memulai inferensi.
3. Pendefinisian Struktur Pengendalian Data.
4. Penulisan Kode Awal.
5. Pengujian Sistem.
6. Perancangan Antarmuka
7. Evaluasi Sistem.

Basis Pengetahuan

Isi dari basis pengetahuan berupa fakta-fakta dan aturan-aturan yang dipakai oleh beberapa pakar dengan dilandasi pengetahuan yang diperoleh dari pengalaman beberapa pakar. Untuk merepresentasikan pengetahuan digunakan metode kaidah produksi yang biasanya ditulis dalam bentuk JIKA-MAKA (IF-THEN). Fakta-fakta atau aturan-aturan yang digunakan dalam sistem pakar ini adalah:

• Rule 1 : Jika IC controller rusak dan putusnya skring pada motherboad Maka tampilan Keyboard Error.
• Rule 2 : Jika Keyboard terdapat banyak debu dan Socket keyboard renggang/jalur penghubung keyboard ada yang terputus maka Beberapa tombol keyboard tidak berfungsi.
• Rule 3 : Jika Laptop terlalu banyak program dan memori kecil maka Laptop Sering Hang.
• Rule 4 : Jika Cache memory bermasalah dan mengalami bad sector dan memori tidak kompatibel maka Laptop tidak bisa booting.
• Rule 5 : Jika motherboard tidak dapat melakukan pengecekan data dan Processor rusak dan tegangan regulator tidak stabil dan memori rusak maka Motherboard Blank.
• Rule 6 : Jika media disk rusak dan lemahnya opic dan permukaan lensa tertutup oleh debu atau asap rokok maka Pembacaan data tersendat-sendat .
• Rule 7 : Jika media disk terdapat goresan dan melemahnya optic dan regulator CD-ROM rusak dan IC controller/IC buffer rusak dan perputaran motor disk sangat cepat atau bahkan sangat lemah maka CD-ROM tidak dapat membaca data.
• Rule 8 : Jika motor disk rusak dan melemahnya optic dan regulator CD-ROM rusak maka disk tidak berputar.
• Rule 9 : Jika motor baki rusak dan gigi roda kotor dan karet tape sudah mengembang maka CD-ROM susah dibuka atau ditutup.
• Rule 10 : Jika sering terkena benturan/jatuh dan adanya gangguan dari motherboard ke layar dan VGA sudah lama maka VGA bermasalah.
• Rule 11 : Jika terjadi kesalahan pada jaringan dan device drive yang kurang baik dan registry mengalami masalah dan program yang terhenti ketika dijalankan secara otomatis saat starup maka windows berhenti ketika starup.
• Rule 12 : Jika windows terlalu lama digunakan dan software dan hardware yang diinstall terlala banyak dan banyaknya program yang diinstall maka windows menjadi lambat.
• Rule 13 : Jika instruksi yang diiput tidak sesuai dengan bahasa program yang digunakan dan sebagian file tidak lengkap ketika diinstall dan program utility tidak bekerja dengan baik maka program berhenti merespon inputan.
• Rule 14 : Jika adanya kesalahan ketika penghapusan progaram dan software yang dihapus masih ada yang tertinggal dan penghapusan program hanya pada foldernya saja maka pesan yang dihapus menampilkan pesan error.
• Rule 15 : Jika refres rate terlalu tinggi dan driver Laptop tidak terinstall dengan benar maka maka layar berkedip-kedip.
• Rule 16 : Jika windows belum diset untuk menggunakan kartu suara dan speaker belum terhubung dengan benar dan software yang digunakan untuk menampilkan suara belum terinstall dan hardware dan software terjadi konflik dan kartu suara belum di-setup degan benar maka Laptop tidak bisa menampilkan suara.
• Rule 17 : Jika opsi fast shutdown rusak dan terjadi masalah pada perangkat hardware yang diinstall dan Bios harus diperbarui maka windows tidak bisa dimatikan.

Mesin inferensi

Didalam sistem pakar ini teknik inferensi yang digunakan adalah pelacakan

dan pencarian. Teknik pelacakan yang digunakan adalah teknik pelacakan ke depan (Forward Chaining), sedangkan untuk pencarian keputusan dari setiap permasalahan digunakan metode pencarian Best First Search yaitu pencarian yang mengganbungkan dua metode pencarian yang ada, yaitu metode Breadth First Search dan Depth First Search. Dari fakta-fakta dan aturan diatas dapat digambarkan dalam  pohon keputusan pohon keputusannya adalah sebagai berikut :

Gambar 1. Pohon Keputusan

Contoh beberapa Penjelasan dari kode-kode pada pohon keputusan.

G001 : IC Controller rusak

G002 :Putusnya sekring

pada motherboard

G003 :Keyboard terdapat

banyak debu

G004 :Sooket keyboard

renggang

G005 : Terlalu banyak

program yang diInstal

KESIMPULAN

Kesimpulan yang penulis dapat simpulkan berdasarkan paparan jurnal di atas adalah Sistem pakar yang dibuat ini mudah untuk digunakan oleh semua kalangan karena tampilan serta menu-menu yang ada pada sistem mudah untuk difahami oleh para pengguna atau user yang akan berkonsultasi dengan sistem dan Metode yang digunakan adalah Metode Forward Chaining serta teknik pencarian yang digunakan adalah Best First dengan menggunakan dan penerapan metode diatas dengan benar akan membantu user untuk mencari kerusakan dan menemukan solusi untuk kerusakan Laptop yang dialami.

DAFTAR PUSTAKA

• Riskadewi dan Hendrik, Antonius. 2005. Penerapan Sistem Pakar Forward Chaining Berbasis Aturan Pada Pengawasan Status Penerbangan.
• Arhami, Muhammad. 2005. Konsep Dasar Sistem Pakar. Yogyakarta: ANDI.
• Munawar. 2009. Pemodelan Visual dengan UML. Yogyakarta: Graha Ilmu.