Sistem Pakar Diagnosa Kerusakan Mobil

Mitsubishi dengan Metode Dempster Shafer

Berbasis Web
1st Zidni Iman Sholihati
Teknik Informatika
Universitas Amikom Purwokerto
Purwokerto, Indonesia
zidni.imani@gmail.com
2nd Rizki Wahyudi
Teknik Informatika
Universitas Amikom Purwokerto
Purwokerto, Indonesia
rizkiw@amikompurwokerto.ac.id
3rd Aziz Afian Nagita
Teknik Informatika
Universitas Amikom Purwokerto
Purwokerto, Indonesia
aafiannagita@gmail.com

4th Aldi Aprilianto
Teknik Informatika
Universitas Amikom Purwokerto
Purwokerto, Indonesia
aldiapriliantogalur.234@gmail.com
5th Muhammad Tanzi Dioris
Teknik Informatika
Universitas Amikom Purwokerto
Purwokerto, Indonesia
tanzidioris77@gmail.com
6th Satria Kencana Sujana
Teknik Informatika
Universitas Amikom Purwokerto
Purwokerto, Indonesia
satriakencanasujana@gmail.com

Abstrak - Mobil seringkali mengalami kerusakan –
kerusakan kecil yang tidak terasa pada awalnya. Kompleksnya
berbagai sistem yang terdapat pada mobil membuat sulitnya
mengetahui letak kerusakan mobil. Meskipun informasi
mengenai kerusakan mobil sudah sangat mudah ditemukan,
tetap saja diperlukan keahlian dari seorang pakar mobil untuk
melakukan pendekatan yang tepat dalam mendiagnosis
kerusakan mobil. Tetapi jumlah pakar mobil tidak sebanding
dengan yang dibutuhkan. Pemilik mobil juga harus mendatangi
seorang pakar sehingga tidak efisien waktu dan biaya. Maka dari
itulah diperlukan sistem pakar dalam bidang diagnosa
kerusakan mobil. Penelitian sistem pakar ini adalah
pengembangan dari beberapa penelitian sebelumnya mengenai
sistem pakar diagnosa kerusakan pada mobil yang menggunakan
metode forward chaining. Sistem pakar ini dikembangkan
dengan implementasi metode dempster shafer. Kelebihan sistem
pakar dengan metode dempster shafer adalah sistem yang lebih
konsisten dengan penambahan fakta baru. Sistem pakar ini
berbasis web dengan bahasa pemrograman PHP, basis data
MySQL, mendeteksi 7 macam kerusakan yang terdiri dari 31
jenis kerusakan dan 48 ciri kerusakan.
Kata Kunci: Sistem Pakar, Teori Dempster Shafer,
Kerusakan Mobil
I. PENDAHULUAN
Salah satu penyebab kerusakan parah pada mobil terjadi
berawal dari kerusakan-kerusakan kecil yang dibiarkan terus
menerus karena dianggap sepele. Kerusakan-kerusakan kecil
yang dibiarkan tanpa adanya penanganan lanjut juga akan
membuat performa mobil terus menurun dan beresiko
merusak komponen-komponen penting mobil. Kompleksnya
berbagai sistem yang terdapat pada mobil juga membuat
sulitnya mengetahui letak kerusakan mobil bagi orang
awam.
Sistem pakar adalah sistem yang berusaha mengadopsi
pengetahuan manusia ke komputer yang dirancang untuk
memodelkan kemampuan menyelesaikan masalah seperti
layaknya seorang pakar[1][9]. Sistem pakar yang
dikembangkan dalam penelitian ini bertujuan untuk
membuat sistem yang berkemampuan diagnosa kerusakan
berdasarkan gejala atau ciri-ciri yang tampak atau dirasakan
pada mobil. Sistem pakar ini terbatas hanya pada proses
diagnosa dan tidak menggantikan peran teknisi mobil dalam
proses memperbaiki mobil.
Sistem pakar ini merupakan pengembangan dari dua
penelitian sebelumnya oleh Ida Bagus D. S. dan Ramadiani
[3][4] yang menggunakan metode forward chaining dalam
sistem diagnosis kerusakan pada mobil. Penulis
mengembangkan sistem pakar yang menggunakan metode
dempster shafer dikarenakan sistem pakar ini lebih
konsisten terhadap penambahan fakta baru dibandingkan
metode forward chaining.
Sistem pakar ini berbasis website agar memudahkan
pengguna dalam mengaksesnya secara daring. Sistem pakar
ini juga diharapkan dapat membantu pengguna mobil dalam
mendeteksi masalah atau kerusakan komponen di dalam
mobilnya layaknya sedang berkonsultasi dengan pakar
teknisi mobil. Keakuratan data sangat diunggulkan dalam
sistem pakar ini, karena data ciri kerusakan dan jenis
kerusakan diambil melalui wawancara langsung dengan
salah satu teknisi yang berpengalaman dalam dunia
otomotif.
Penelitian ini diharapkan dapat memberikan hasil
diagnosa yang mempunyai nilai kepastian dan mampu
beradaptasi dengan penambahan fakta tanpa harus merubah
sistem sebelumnya. Penelitian ini juga diharapkan mampu
memudahkan masyarakat dan membantu teknisi untuk
mendeteksi jenis kerusakan mobil sehingga mengurangi
kemungkinan rusaknya komponen penting dalam mobil.
II. METODE
A. Pengumpulan Data
Adapun teknik pengumpulan data yang diperoleh sebagai
dasar dalam penelitian yang digunakan penulis, diantaranya :
a. Studi Pustaka. Metode ini dilakukan untuk
mendapatkan data literatur tambahan dari buku acuan
mengenai sistem pakar dan metode dempster shafer.
b. Wawancara. Dilakukan untuk mendapatkan data
mengenai ciri-ciri yang tampak dari kerusakan mobil, jenis
kerusakan, serta bobot nilai dari ciri-ciri kerusakan mobil
dengan mewawancarai teknisi berpengalaman dalam dunia
otomotif (Bapak Susilo dari Loxa Service Station).
B. Sistem Pakar
Komponen sistem pakar mengandung beberapa unsur
yang diperlukan agar sistem pakar yang dikembangkan

XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE

bekerja selayaknya ahli atau pakar. Komponen-komponen
tersebut adalah [1][6][7][8]:
a. User interface merupakan mekanisme yang
digunakan oleh pengguna dan sistem pakar untuk
berkomunikasi.
b. Basis pengetahuan merupakan basis yang
mengandung pengetahuan untuk pemahaman, formulasi dan
penyelesaian masalah.
c. Akuisisi pengetahuan adalah pengumpulan,
perpindahan dan transformasi keahlian dalam menyelesaikan
masalah dari sumber pengetahuan ke dalam program
komputer.
d. Mesin inferensi adalah komponen yang mengandung
mekanisme pola pikir dan penalaran yang digunakan oleh
pakar dalam menyelesaikan suatu masalah.
e. Workplace merupakan area dari sekumpulan memori
kerja (working memory)
f. Working memory atau memori kerja merupakan
bagian dari sistem pakar yang menyimpan fakta-fakta yang
diperoleh saat dilakukan proses konsultasi.
g. Fasilitas penjelasan merupakan komponen tambahan
yang akan meningkatkan kemampuan sistem pakar,
komponen ini menggambarkan penalaran sistem kepada
pemakai mengenai jalannya penalaran sehingga dihasilkan
sebuah keputusan.
h. Perbaikan pengetahuan merupakan sebuah
pengetahuan pada sistem pakar yang bisa dirubah kapan saja
sesuai kebutuhan pada sistem)
Tujuan pengembangan sistem pakar adalah untuk
memanfaatkan pengetahuan dari seorang pakar yang ahli di
bidang tertentu untuk dijadikan sebuah solusi untuk
memecahkan masalah dari bidang tertentu. Untuk
membangun sistem yang seperti itu maka dibentuk konsep
dasar sistem pakar yang mengandung beberapa unsur,
diantaranya adalah keahlian, ahli, pengalihan keahlian,
inferensi, aturan dan kemampuan menjelaskan. Kaidah
produksi akan dituliskan beberapa perintah dalam bentuk
jika-maka (IF-THEN). Kaidah ini terdiri dari dua bagian
yaitu bagian premis (IF) yang berisi hal atau informasi yang
dianggap benar dan bagian dari konklusi (THEN) yang berisi
tentang kesimpulan atau hasil dari premis yang saling
berhubungan [5]. Kaidah menyediakan cara formal untuk
mempresentasikan rekomendasi, arahan, atau strategi.
Beberapa kaidah produksi yang disusun diantaranya :
IF mesin sulit dihidupkan
THEN karburator
IF tidak ada stroom dari aki
THEN aki
IF volume oli selalu berkurang
THEN oli tidak cocok
IF mesin tersengal saat dihidupkan
THEN karburator
IF dinamo starter tidak berputar
THEN dinamo
IF tekanan oli menurun
THEN pompa oli
IF oli mesin cepat menetes jika mobil sedang berhenti
THEN lampu indikator oli
IF tidak ada percikan api dari ruang pembakaran
THEN koil rusak
IF mesin tiba-tiba mati dan susah dihidupkan AND pegas
platina patah
THEN platina rusak
IF pengereman tidak optimal AND penekanan pedal rem
sangat keras
THEN rem rusak
Adapun keunggulan sistem pakar adalah [10] :
a) Memungkinkan orang awam bias melakukan
pekerjaan seorang pakar.
b) Meningkatkan produktivitas kerja dengan jalan
meningkatkan efisiensi pekerjaan.
c) Menghemat waktu dalam menyelesaikan pekerjaan
atau permasalahan yang rumit.
d) Pengolahan berulang-ulang secara otomatis.
e) Tersedianya pengetahuan pakar bagi masyarakat luas.
C. Teori dempster shafer
Metode dempster shafer merupakan suatu teori
matematika untuk pembuktian (Kusumadewi, 2003)
berdasarkan belief functions (fungsi kepercayaan) dan
plausible reasoning (pemikiran yang masuk akal) yang
digunakan untuk mengkombinasikan potongan informasi
atau bukti yang terpisah untuk mengakulasi kemungkinan
dari suatu peristiwa.
Ada beberapa jenis penalaran dengan model yang
lengkap dan sangat konsisten, tetapi pada kenyataannya
banyak permasalahan yang tidak dapat terselesaikan secara
lengkap dan konsisten. Ketidakkonsistenan yang disebut
adalah akibat adanya penambahan fakta baru. Penalaran yang
seperti itu disebut dengan penalaran non monotonis. Untuk
mengatasi ketidak konsistenan tersebut maka dapat
menggunakan penalaran dengan teori dempster shafer.
Secara umum teori dempster shafer ditulis dalam suatu
interval:
[Belief, Plausibility]
Belief (Bel) adalah ukuran kekuatan evidence dalam
mendukung suatu himpunan proposisi. Jika bernilai 0 maka
mengindikasikan bahwa tidak ada evidence, dan jika bernilai
1 menunjukkan adanya kepastian.
Plausibility (Pls) dinotasikan sebagai : Pl(s) = 1 – Bel(-s)
Plausibily juga bernilai 0 sampai 1. Jika kita yakin akan -s,
maka dapat dikatakan bahwa Bel(-s)=1, dan Pl(-s)=0. Pada
teori dempster shafer ada frame of discernment yang
dinotasikan dengan θ. Frame ini merupakan semesta
pembicaraan dari sekumpulan hipotesis.
Misalkan : θ = {A,F,D,B}
Dengan :
 A = Alergi; C15 Tekanan Oli Pada Mesin Menurun

B = Flu; C16 Terdapat Rembesan Oli Pada Pack Bak Penampung

C17 Oli Mesin Cepat Menetes Jika Mobil Sedang Berhenti
D = Demam;
C18 Asap Putih Mengepul Pada Kenalpot Jika Mesin Hidup
B = Bronkitis;
C19 Indikator Temperatut Jarum Petunjuk Pada Posisi Hidup
Tujuan kita adalah mengkaitkan ukuran kepercayaan C20 Kipas Pendingin Bergoyang
elemen-elemen θ. Tidak semua evidence secara langsung
C21 Mesin Terasa Panas
mendukung tiap-tiap elemen. Sebagai contoh, panas
mungkin hanya mendukung {F,D,B}. Untuk itu perlu adanya C22 Mengeluarkan Bunyi Menderit
probabilitas fungsi densitas (m). Nilai m tidak hanya Terjadi Bersentuhnya Antara Tali Kipas Dan Pully
mendefinisikan elemen-elemen θ saja, namun juga semua C23
Kering
subsetnya. Sehingga jika θ berisi n elemen, maka subset dari
θ semuanya berjumlah 2n. Kita harus menunjukan bahwa C24
Terdapat Rembesaan Air Pendingin Antara Water Pump
jumlah semua m sama dengan 1 (∑M = 1). Andaikan tidak Dengan Blok Mesin
ada informasi apapun untuk memilih keempat hipotesis C25 Temperatur Over Heat Mesin Menjadi Panas
tersebut, maka nilai:
C26 Terjadi Tetesan Air Pada Bawah Mesin
m{θ} = 1,0 Cairan Pendingin Berwarna Coklat Dan Cairan
C27
Jika kemudian diketahui bahwa panas merupakan gejala Pendingin Sangat Panas Dari Biasanya
dari flue, demam, dan bronkitis dengan m = 0,8, maka: C28 Tidak Ada Stroom Dari Aki
m{F,D,S} = 0,8 C29 Tidak Ada Percikan Api Dari Ruang Pembakaran

m{θ} = 1 – 0,8 = 0,2 C30 Tegangan Listrik Berkurang

C31 Mesin Tiba-Tiba Mati Dan Susah Dihidupkann
Andaikan diketahui X adalah subset dari θ, dengan m1
sebagai fungi densitasnya, dan Y juga merupakan subset dari C32 Pegas Platina Patah Karena Lama Digunakan
θ dengan m2 sebagai fungsi densitasnya, maka kita dapat C33 Stroom Aki Lemah
membentuk fungsi kombinasi m1 dan m2 sebagai m3.
C34 Aki Berkurang Dan Sering Tekor
Perhitungan m3 bisa dilihat pada rumus (1):
C35 Lampu CHG Menyala Saat Mobil Sedang Berjalan
∑𝑋ᴒ𝑌=𝑍 𝑚1 (𝑋).𝑚2 (𝑌)
𝑚3 = (1) C36 Stroom Aki Lemah Karena Putaran Altenator Kurang
1− ∑𝑋ᴒ𝑌= ᶲ 𝑚1 (𝑋)
C37 Dinamo Stater Tidak Berputar

III. HASIL DAN PEMBAHASAN Lampu Waktu Sinyatakan Penerangan Agak Terang
C38
Sebelah
A. Implementasi Basis Pengetahuan
C39 Lampu Rating Tidak Menyala Sebelah
Dari basis pengetahuan yang dikumpulkan dapat
dikelompokkan menjadi 3 tabel yang diperlukan dalam Mobil Tiba-Tiba Berhenti Sendiri Pada Waktu Berjalan
C40
menganalisis. Diantaranya tabel yang digunakan adalah tabel Padahal Mesin Sehat Bahan Baker Masih Banyak
ciri (1), tabel masalah (2), dan tabel kaidah yang Lampu Penerangan Ada Yang Putus, Kemudian Pada
menerangkan relasi antara kaidah aturan (3).
C41 Bagian Rating Sekring Ada Yang Rusak Dan Tiba-Tiba
Tabel 1. Tabel Ciri
Kabel Dari Saluran Ke Body Ada Yang Terlepas
Kode Ciri Nama Ciri
C42 And Aki (Baterai) Melemah Tidak Ada Stroom
C01 Boros Bahan Bakar C43 Pengereman Tidak Optimal
C02 Mesin Sulit Dihidupkan C44 Penekanan Pada Rem Sangat Keras
C03 Mesin Tidak Normal C45 Susah Untuk Memasukan Gigi Transmisi
C04 Mesin Mobil Terasa Tersengal Saat Dihidupkan Pressure Plate Pada Kopling Rusak Sehingga Mesin
C46
C05 Mesin Mati Sendiri Tidak Bisa Diputus
C06 Mesin Tersendat-Sendat C47 Bunyi Berisik Pada Bagian Roda
C07 Laju Kendaraan Tidak Normal Naf Roda Longgar Sering Terjadi Gesekan Dan
C48
C08 Mesin Mobil Tidak Bertenaga Menimbulkan Bunyi Berisik
C09 Mesin Sering Menggelitik/Knocking
Volume Oli Selalu Berkurang Padahal Tidak Terjadi
C10 Tabel 2. Tabel Masalah
Kebocoran
Kode Masalah Nama Masalah
C11 Penggantian Oli Yang Tidak Sesuai Dengan Pabrikan
M1 Karburator
C12 Lampu Indikator Menyala
M2 Pompa Bahan Bakar
C13 Tekanan Oli Menurun
M3 Saluran Bahan Bakar
C14 Terdapat Rembesan Oli Pada Sambungan Blok Mesin
M4 Filter Bahan Bakar
 M5 Filter Udara Dari ketiga tabel di atas diperlukan juga sebuah tabel
M6 Oli Tidak Cocok admin untuk menyimpan data-data admin yang terdiri dari
M7 Pompa Oli password dan username. Admin dibedakan dengan user yang
M8 Filter Oli
hanya bisa melakukan diagnosa kerusakan mobil. Admin
berfungsi sebagai operator yang bisa mengakses working
M9 Bak Penampung Oli
memory dan menentukan aturan kaidah beserta nilai
M10 Lampu Indikator Oli keyakinannya [2].
M11 Radiator
M12 Cooling Fan
M13 Tali Kipas
M14 Water Pump
M15 Selang & Pipa Pendingin Gambar 1. Struktur tabel admin.
M16 Cairan Pendingin
M17 Aki Relasi tabel atau penghubung antar tabel digambarkan
M18 Koil Rusak dalam gambar 2. Direlasikan kode_ciri di tabel ciri (1)
M19 Distributor dengan kode_ciri di tabel kaidah (3), dan kode_masalah di
M20 Platina tabel masalah (2) berelasi dengan kode_masalah di tabel
M21 Kabel Busi
kaidah (3).
M22 Alternator
M23 Cut Out Dan IC
M24 Vbelt (Tali Kipas)
M25 Dinamo
M26 Lampu,Saluran Kabel Body, dan Sekring
M27 Isi Dinamo
M28 Rem
M29 Kopling Dan Kampasnya
M30 Transmisi Gambar 2. Relasi antar tabel.
M31 Tromol Roda
B. Hasil Pengujian
Tabel 3 bagian baris menunjukkan ciri-ciri dan bagian Langkah-langkah yang diperlukan dari awal hingga
kolom menunjukkan masalah atau kerusakan. Di kolom yang menampilkan hasil diagnosa untuk user cukup sederhana
paling kanan terdapat kolom CF (Certainty Factor) yaitu cukup dengan memasukkan ciri-ciri atau gejala yang
menunjukkan nilai keyakinan yang didapat dari hasil terlihat pada mobil kemudian menekan tombol analisa
wawancara. Rentang yang digunakan yakni 0 sampai dengan seperti pada gambar 3 dan 4. Alur ini juga dapat
1. Nilai 0 menandakan tidak mungkin ciri itu berpengaruh digambarkan dengan flowchart pada gambar 5.
terhadap masalah dan 1 menandakan keyakinan penuh dari
ciri terhadap masalahnya.
M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 M15 M16 M17 M18 M19 M20 M21 M22 M23 M24 M25 M26 M27 M28 M29 M30 M31 CF
C01     0,7
C02      0,9
C03  0,8
C04  0,4
C05  0,95
C06    0,8
C07   0,8
C08     0,6
C09   0,85
C10   0,8
C11  0,8
C12     0,9
C13  0,9
C14  0,7
C15  0,8
C16  0,8
C17  0,5
C18  0,5
C19  0,9
C20  0,7
C21
C22


  0,8
0,8
Gambar 3. Tampilan depan untuk memasukkan ciri.
C23  0,7
C24  0,95
C25  0,95
C26  0,8
C27  0,8
C28  0,7
C29  0,9
C30  0,4
C31  0,8
C32  0,7
C33  0,9
C34  0,8
C35  0,8
C36  0,8
C37  0,5
C38  0,7
C39  0,8
C40  0,95
C41  0,8
C42  0,8
C43  0,5
C44  0,6
C45  0,6
C46  0,9
C47  0,5
C48  0,5
 Dengan menerapkan rumus (1) dilakukan perhitungan
beberapa fungsi M3 sekaligus membuktikan ∑ 𝑀3 = 1.

0,09 0,09
M3 {M7, M22, M23, M27} = = = 0,473684211
1−0,81 0,19
0,09 0,09
M3{M1, M17, M18, M19, M25} = = = 0,473684211
1−0,81 0,19
0,01 0,01
M3 {θ} = = = 0,052631579
1−0,81 0,19

Kemudian menghitung kombinasi antara ciri pertama dan

ciri kedua dengan ciri ketiga dapat diilustrasikan dengan
Gambar 4. Tampilan hasil diagnosa kerusakan mobil.
penjelasan sebagai berikut:
M4 { M17 } (0,7) {θ} (0,3)
M3
{ M7, M22, M23, M27 Ø { M7, M22, M23,
} (0,473684211) (0,331579) M27 } (0,142105)
{ M1, M17, M18, M19, { M17 } { M1, M17, M18,
M25 } (0,473684211) (0,331579) M19, M25 }
(0,142105)
{θ} (0,052631579) { M17 } {θ} (0,015789)
(0,036842)

Dengan menerapkan rumus (1) dilakukan perhitungan

beberapa fungsi M4 sekaligus membuktikan ∑M4 = 1.
0,142105 0,142105
M3 { M7, M22, M23, M27 } = = = 0,212598425
1−0,331579 0,668421053
0,142105 0,142105
M3 {M1, M17, M18, M19, M25} = = = 0,212598425
1−0,331579 0,668421053
0,036842 0,036842
M3 {θ} = = = = 0,023622047
1−0,331579 0,668421053
0,331579+ 0,036842 0,368421
M3 { M17 } = = = 0,551181102
1−0,331579 0,668421053
Gambar 5. Flowchart bagian user.
Dari hasil seluruh perhitungan manual metode demster
shafer dengan tiga ciri masukkan didapatkan nilai tertinggi
Penjelasan dari mesin inferensi dengan metode dempster dari M17 yakni kerusakan aki dengan nilai keyakinan
shafer dapat dijelaskan dengan perhitungan manual sebesar 55,12%. Nilai ini sesuai dengan perhitungan melalui
sebagaimana penerapan rumus (1) sebagai berikut: sistem pakar yang sudah dikembangkan oleh peneliti (4).
Perlu digarisbawahi bahwa hasil diagnosa yang merupakan
Ciri-ciri yang dimasukkan :
jenis kerusakan berdasarkan nilai keyakinan yang terbesar
a. C02, mesin sulit dihidupkan. M1 { M1, M17, M18, dari setiap densitas. Ini berarti bahwa nilai keyakinan yang
M19, M25 } = 0,9. M1 {θ} = 0,1. rendah bukan berarti rendahnya kepercayaan terhadap hasil
diagnosa dan juga sebaliknya.
b. C12, lampu indikator menyala. M2 { M7, M22, M23,
M27 } = 0,9. M2 {θ} = 0,1. IV. KESIMPULAN
c. C28. Tidak ada stroom dari aki. M4 { M17 } = 0,7. Hasil pengembangan sistem pakar sebelumnya dalam
M4 {θ} = 0,3. penelitian ini dapat disimpulkan terdapat kesesuaian hasil
antara perhitungan teori dempster shafer secara manual
Ciri yang ketiga (C28) diberi fungsi densitas M4
dengan hasil perhitungan dari mesin inferensi sistem pakar.
dikarenakan M3 adalah hasil gabungan dari dua fungsi
Pernyataan yang dipaparkan sebelumnya dalam pendahuluan
densitas sebelumnya. Langkah-langkah mencari fungsi
memperoleh hasil yang sesuai dengan pembahasan pada bab
densitas M3 dapat diilustrasikan dengan penjelasan sebagai
pembahasan. Ini berarti sistem pakar diagnosa kerusakan
berikut:
mobil pada penelitian sebelumnya yang menggunakan
M1 { M1, M17, M18, {θ} (0,1) metode forward chaining dapat dikembangkan dengan
M2 M19, M25 } (0,9) metode dempster shafer. Sistem pakar diagnosa kerusakan
mobil seperti ini masih dapat dikembangkan lagi dengan
{ M7, M22, M23, Ø { M7, M22, M23, metode-metode lain untuk pengembangan mesin inferensi
M27 } (0,9) (0,81) M27 } (0,09) jenis lainnya seperti menggunakan metode certainty factor
atau teorema Bayes. Sistem pakar dengan mesin inferensi
{θ} (0,1) { M1, M17, M18, {θ} (0,01)
dempster shafer seperti ini juga dapat dikembangkan basis
M19, M25 } (0,09) lain seperti basis desktop sehingga bisa digunakan ketika
berada dalam luar jaringan ataupun berbasis android
sehingga mudah digunakan dimanapun.
DAFTAR PUSTAKA
[1] Kusumadewi, Sri. “Artificial Intelligence (Teknik dan Aplikasinya)”.
Yogyakarta : Graha Ilmu. 2003.
[2] Iswanti, Sari, dan Ratih Novia Anggraeny. "Implementasi Metode
Dempster-Shafer Pada Sistem Pakar Pendiagnosa Kerusakan Sepeda
Motor." Informatika Mulawarman: Jurnal Ilmiah Ilmu Komputer 14.1
(2019): 39-45.
[3] Satwika, Ida Bagus Dhany, dan Ida Bagus. "Rancang Bangun Sistem
Diagnosis Kerusakan Pada Mobil Menggunakan Metode Forward
Chaining." Diambil dari: http://ojs. unud. ac. id/index.
php/JLK/article/download/4903/3686 (2012).
[4] Ramadiani dan Nurbasar. "Sistem Pakar Identifikasi Kerusakan Pada
Mobil." Informatika Mulawarman: Jurnal Ilmiah Ilmu Komputer 6.1
(2016): 29-38.
[5] Sulistyohati, Aprilia, and Taufiq Hidayat. "Aplikasi sistem pakar
diagnosa penyakit ginjal dengan metode DEMPSTER-SHAFER."
Jurnal Fakultas Hukum UII (2008).
[6] Anita Desiani, dan Muhammad Arhami. “Konsep kecerdasan buatan.”
Yogyakarta : ANDI OFFSET. 2006.
[7] Widodo Budiharto, dan Derwin Suhartono. “ Artificial Intelegence
konsep dan penerapannya”. Yogyakarta : ANDI OFFSET.2014.
[8] Suyoto. “INTELEGENSI BUATAN teori dan pemrogamman .“
Yogyakarta : Gava Media.
[9] Syahputra, Siswan. "Sistem Pakar Deteksi dan Penanganan
Kerusakan Pada Mesin Mobil dengan Metode Backward Chaining."
Jurnal Teknik dan Informatika 5.2 (2018): 60-66.
[10] Wulandari, Tika, Guna Yanti Kumala Sari Siregar Pahu, and Dita
Novita Sari. "PERANCANGAN SISTEM PAKAR DETEKSI
PERTUMBUHAN TANAMAN SEMANGKA BERBASIS
WEBSITE DENGAN CERTAINTY FACTOR." Jurnal TAM
(Technology Acceptance Model) 9.2 (2019): 134-141.