Disusun oleh :
TRI KUSTINI
1610501007
Skripsi ini diajukan untuk memenuhi syarat memperoleh gelar Sarjana di Jurusan
Teknik Elektro Fakultas Teknik Universitas Tidar
Oleh
Tri Kustini
NPM: 1610501007
Pembimbing I
Pembimbing II
ii
LEMBAR PENGUJI
Oleh
Tri Kustini
NPM: 1610501007
Telah berhasil dipertahankan di depan Dewan Penguji dalam ujian skripsi dan
diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar
Sarjana di Jurusan Teknik Elektro Universitas Tidar
iii
LEMBAR PERNYATAAN
1. Dalam skripsi ini tidak terdapat karya yang diajukan untuk memperoleh
gelar kesarjanaan di suatu perguruan tinggi dan tidak terdapat karya atau
pendapat yang pernah ditulis atau diterbitkan orang lain, kecuali yang secara
2. Informasi dan materi skripsi terkait hak milik, hak intelektual, dan paten
materi skripsi terkait paten, maka akan didiskusikan lebih lanjut untuk
iv
HALAMAN PERSEMBAHAN
Puji dan syukur kepada Allah SWT yang telah melimpahkan rahmat,
taufik dan hidayah-Nya. Atas karunia yang Kau berikan akhirnya skripsi ini dapat
terselesaikan.
kusayangi. Teruntuk kedua orangtuaku, kakak dan adiku, keluarga dan teman-
teman semua yang selalu memberi dukungan dan semangat. Tiada kata yang dapat
menggantikan segala cinta dan kasih sayang atas perhatian, dukungan, semangat
serta doa yang tiada henti sehingga dapat terselesaikannya skripsi ini.
Kepada diri saya sendiri yang masih tetap berjuang, kepada teman-teman
maupun sahabat yang tidak bisa disebutkan satu persatu, yang selalu menguatkan,
membantu moril maupun materil, dan tempat bertukar pikir, dan doa yang selalu
dipanjatkan.
v
KATA PENGANTAR
Puji syukur Alhamdulilah saya ucapkan kepada Allah SWT yang telah
ELECTROCARDIOGRAPH (ECG)”.
masih banyak hal yang perlu diperbaiki dari penelitian ini yang dapat dijadikan
kendala, namun berkat bantuan, bimbingan, kerjasama dari berbagai pihak dan
berkat dari Allah SWT sehingga kendala-kendala yang dihadapi tersebut dapat
diatasi dengan baik dan lancar. Oleh karena itu, saya mengucapkan terimakasih
kepada :
1. Prof. Dr. Ir. Mukh Arifin, M.Sc. selaku Rektor Universitas Tidar;
2. Dr. Ir. Sapto Nisworo, M.T. selaku Dekan Fakultas Teknik Universitas
Tidar;
5. Ika Setyowati, S.T., M.Eng., selaku dosen Jurusan Teknik Elektro Fakultas
Teknik Universitas Tidar sekaligus dosen pembimbing II;
vi
6. Ibrahim Nawawi, S.T., M.T. selaku dosen Jurusan Teknik Elektro Fakultas
Teknik Universitas Tidar;
9. Kedua orang tua yang selalu memberikan doa, semangat dan dukungan yang
tiada henti selama kuliah dan selama proses penyelesaian skripsi ini;
10. Kakak dan adik saya yang selalu mengingatkan dan memotivasi saya untuk
tidak cepat berputus asa dalam menyelesaikan skripsi ini;
11. Sahabat saya, Tiyak, Erna, Dita, Crista dan Putri yang telah memberikan
motivasi dalam penyelesaian skripsi ini;
12. Rekan kos ungu yang senasib dan seperjuangan dalam menyelesaikan
skripsi ini;
13. Faisal Arif selaku teman penulis yang selalu memberikan semangat dan
membantu dalam menyelesaikan skripsi ini;
14. Rekan Mahasiswa Teknik Elektro angkatan 16 yang telah berjuang bersama
dan membantu kelancaran penulisan skripsi ini;
15. Semua pihak yang tidak dapat penulis sebut satu - persatu yang telah
membantu dan mendukung penulis dalam menyelesaikan skripsi ini.
vii
DAFTAR ISI
HALAMAN JUDUL..................................................................................... i
INTISARI...................................................................................................... xiv
viii
2.2.3. Sistem Pakar ...................................................................... 10
2.2.4. Konsep Umum Sistem Pakar ............................................ 11
2.2.5. Data Flow Diagram (DFD) .............................................. 14
2.2.6. Metode Naïve Bayes .......................................................... 15
2.2.7. Keunggulan dan Kelemahan Metode Naïve Bayes ........... 18
BAB III METODE PENELITIAN................................................................ 20
3.1. Metode Penelitian ...................................................................... 20
3.1.1. Pengumpulan Data ............................................................ 21
3.1.2. Perencanaan ...................................................................... 21
3.1.3. Perancangan Sistem .......................................................... 22
3.1.4. Pengujian .......................................................................... 24
3.1.5. Analisis Perhitungan ......................................................... 24
3.1.6. Kesimpulan ....................................................................... 25
3.2. Metode Naïve Bayes .................................................................. 25
3.3. Perancangan Antar Muka (Interface) ......................................... 26
ix
BAB V PENUTUP ........................................................................................ 58
5.1. Kesimpulan................................................................................. 58
x
DAFTAR GAMBAR
xi
DAFTAR TABEL
xii
DAFTAR LAMPIRAN
xiii
INTISARI
ABSTRACK
xiv
BAB I
PENDAHULUAN
mengukur atau mendeteksi kondisi jantung dengan cara memantau irama dan
siap digunakan, karena itu wajib dilakukan pemeliharaan oleh para teknisi
pada alat Electrocardiograph (ECG) yaitu pada bagian printer, display, keyboard,
secara manual berdasarkan dengan gejala kerusakan yang merujuk pada prosedur
perkembangan zaman yang semakin canggih, selain itu gejala atau penyebab
1
2
kerusakan yang berbeda membuat teknisi atau user harus lebih teliti dalam
merupakan salah satu cabang kecerdasan buatan dengan berbasis komputer yang
masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang
penelitian yaitu Naïve Bayes untuk membantu dalam proses pengambilan suatu
keputusan (Pramudia, 2017). Metode Naïve Bayes terbukti memiliki akurasi dan
kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang
Metode Naïve Bayes mampu menjadi solusi dari permasalahan di atas, karena
dibuat berdasarkan data yang terdiri dari data kerusakan dan data gejala yang
3
kemudian akan dimasukan dalam rumus Naïve Bayes untuk mecari hasil yang
pada sistem ini menggunakan metode Naïve Bayes untuk membantu dalam proses
masalah yaitu :
Tujuan dari penelitian ini adalah membuat sistem pakar untuk mendeteksi
Manfaat dari penelitian ini diharapkan dapat membantu teknisi atau user
Schiller AG, Nihon Kohden dan Mediana di Rumah Sakit Jiwa Prof. Dr.
Soerojo Magelang;
MATLAB;
kerusakan yang diperoleh dari teknisi Rumah Sakit Jiwa Prof. Dr. Soerojo
Magelang.
BAB I PENDAHULUAN
Berisi tentang tinjauan pustaka dan dasar teori yang menjelaskan tentang
tugas akhir.
BAB IV PEMBAHASAN
BAB V PENUTUP
selanjutnya.
BAB II
LANDASAN TEORI
Bayes pada sistem pakar. Beberapa referensi dapat diambil dari penelitian
sebelumnya yang dimanfaatkan sebagai patokan atau dasar yang dapat digunakan
masalah dan metode yang ada, peneliti telah membangun sistem prediksi
data. Metode Naïve Bayes cocok digunakan untuk ekspektasi klasifikasi umum
dalam kehidupan nyata seperti layanan deteksi kerusakan alat, prediksi cuaca,
klasifikasi dengan cara ini mampu menentukan nilai kelayakan tertinggi untuk
menjadi klasifikasi terbaik dari bagian suatu data (Yang Feng-Jen, 2018)
6
7
observasi. Aplikasi sistem pakar ini dibangun berbasis android dengan bahasa
2018).
pakar, dimana sistem pakar dapat memberikan kemudahan bagi para pakar dan
sistem pakar ini menggunakan pemrograman Eclipse Versi Juno dengan SQLite
yang ada dengan perhitungan Naïve Bayes. Sistem pakar diagnosa kerusakan
printer yang dirancang mampu mendeteksi jenis kerusakan printer secara cepat
dapat diterapkan untuk memecahkan suatu permasalahan dan metode Naïve bayes
dapat menentukan keputusan dengan akurasi yang cukup baik. Sehingga peneliti
mengukur atau mendeteksi kondisi jantung dengan cara memantau irama dan
dari arus elektrik yang dihasilkan oleh otot jantung selama satu denyut jantung.
pada gulungan kertas yang bergerak. Rekaman hasil pengukuran ini disebut
Gambar 2.1 Tampilan ECG tampak atas dan Gambar 2.2 Tampilan ECG tampak
belakang.
9
Keterangan :
pasien;
Keterangan :
power;
masalah tingkat manusia oleh seorang pakar dan dirancang untuk dapat menirukan
keahlian dalam bidang tertentu, yaitu pakar yang mempunyai knowledge atau
kemampuan khusus yang orang lain tidak mengetahui atau mampu dalam bidang
yang dimilikinya. Ketika sistem pakar dikembangkan pertama kali sekitar tahun
70 an sistem pakar hanya berisi knowledge yang eksklusif. Namun sekarang ini
istilah sistem pakar sudah digunakan untuk berbagai macam sistem yang
menggunakna teknologi ini. Teknologi sistem pakar ini meliputi bahasa sistem
Sistem pakar (expert system) merupakan paket perangkat lunak atau paket
program computer yang ditujukan sebagai penyedia nasehat dan sarana bantu
b. Menyimpan data tersebut untuk jangka waktu yang panjang dalam suatu
bentuk tertentu;
c. Mengerjakan perhitungan secara cepat dan tepat serta tanpa jemu mencari
masalah, diantaranya :
c. Menambah fakta kaidah dan alur penalaran sahih yang baru ke dalam
otaknya.
inferensi, aturan, dan kemampuan menjelaskan. Terdapat tiga orang yang terlbat
a. Pakar
Pakar adalah orang yang mempunyai keahlian dalam bidang tertentu, yaitu
pakar yang mempunyai knowledge atau kemampuan khusus yang orang lain tidak
mengetahui atau mampu dalam bidang yang dimilikinya. Seorang pakar dengan
seorang pakar dengan sebuah sistem pakar, perbandingan tersebut dapat dilihat
c. User
Selain terdapat tiga orang yang terlibat dalam lingkungan sistem pakar, menurut
Nastiti (2016) juga terdapat empat buah komponen dasar dari sebuah sistem pakar
yaitu :
Basis Pengetahuan atau knowledge base adalah inti dari sebuah program
computer sistem pakar. Basis pengetahuan terdiri dari dua bentuk yaitu objek
sebagai kesimpulan yang didefinisikan oleh kelompok aturan atau atribut yaitu
mendefinisakan sebuah objek. Basis pengetahuan ini berupa sebuah database atau
kumpulan dari daftar fakta-fakta hasil berupa objek dan kaidah-kaidah (rules)
yang berisikan informasi tentang cara bagaimana menghasilkan fakta baru dari
fakta-fakta yang telah diketahui. Terdapat dua jenis pengetahuan yaitu Tacid
Knowledge (ide, inovasi dan pengalaman pakar belum dalam bentuk naskah) dan
Explicit Knowledge (ide, inovasi dan pengalaman pakar dalam bentuk tulisan).
Mesin Inferensi atau Inference Engine adalah bagian sistem pakar yang
objek yang sesuai. Bagian ini mengandung mekanisme fungsi berfikir dan pola-
pola penalaran sistem yang digunakan oleh seorang pakar dalam menganalisis
fakta yang ada dengan kaidah (rules) yang telah ditetapkan sehingga mampu
terjadi suatu kegiatan dialog dalam bentuk grafis antarmuka dan sekumpulan
jaringan proses fungsional yang dibutuhkan satu sama lain dengan alir data atau
menggambarkan suatu sistem yang telah ada atau sistem yang baru dikembangkan
a. Diagram Konteks
Diagram konteks adalah tingkatan tertinggi dalam diagram aliran data dan
diberi nomor nol semua entitas eksternal yang ditunjukan pada diagram konteks
berikut aliran data-aliran data utama menuju dan dari sistem. Diagram tersebut
tidak memuat penyimpanan data dan tampak sederhana untuk diciptakan, begitu
entitas-entitas eksternal serta aliran data- aliran data menuju dan dari sistem
dokumen.
b. Diagram Level n
konteks. Diagram level nol menjelaskan proses secara lebih terperinci. Diagram
level 1 merupakan turunan langsung dari diagram nol, artinya diagram level 1
Naïve Bayes atau lebih dikenal dengan Naïve Bayes Classifier merupakan
bebas. Naïve Bayes Classifier teknik sangat cocok ketika dimensi dari input yang
untuk memberikan kontribusi terhadap keputusan akhir sama dan independen dari
dan metode dasar data mining. Aturan (algoritma) digunakan untuk membuat
model dengan kemampuan prediksi. Algoritma ini menyediakan cara baru untuk
pengambilan keputusan tidak terlepas dari teori peluang sebagai konsep dasar.
Naïve bayes dikenal sebagai rumus dasar untuk peluang bersyarat yang tidak
keputusan, yaitu :
Goraya dkk (2017) Algoritma Naïve Bayes didasarkan pada tiga konsep,
masa lalu tentang insiden tersebut, kelayakan berarti peluang peristiwa itu terjadi
dimasa depan dan prediksi berarti beberapa ramalan dibuat tentang terjadinya
probabilitas adanya suatu kerusakan bila hasil pengecekan lanjutan positif atau
𝑃 𝑋 𝐻 𝑥 𝑃(𝐻)
𝑃 𝐻𝑋 = 𝑃(𝑋)
…………………………………....(2.1)
Keterangan :
untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut.
𝑃 𝐶 𝑃(𝐹1…𝐹𝑛 |𝐶)
𝑃(𝐶|F1 … Fn) = …………………………….(2.2)
𝑃(𝐹1…𝐹𝑛 )
(evidence). Karena itu, rumus di atas dapat pula ditulis secara sederhana sebagai
berikut
18
Nilai evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari
(Bustami, 2013).
kerusakan alat berdasarkan gejala atau penyebab yang didapat dari pengujian.
a. Metode Find-S tidak dapat digunakan untuk data yang tidak konsisten dan
data yang bias, sehingga untuk bentuk data semacam ini salah satu metode
penelitian. Metodologi penelitian berisi rencana atau tahapan awal hingga akhir
yang dilakukan dalam penelitian digambarkan dalam bentuk diagram alir dapat
Pengumpulan data
Perencanaan
Perancangan
Pengujian
Apakah sistem
beroperasi?
Tidak
Ya
Analisis Perhitungan
Kesimpulan
Selesai
20
21
dan membangun sistem pakar. Data yang dikumpulkan pada penelitian ini
diperoleh dari hasil wawancara dengan teknisi, mempelajari literature dan dari
buku panduan teknisi Rumah Sakit Jiwa Prof. Dr. Soerojo Magelang. Jumlah
keseluruhan data yang digunakan sebagai data uji berjumlah 15 data. Setelah
yang didapatkan dan sesuai buku pedoman perbaikan pada kerusakan perangkat
Electrocardiograph (ECG).
3.1.2. Perencanaan
sistem, tahap pelatihan dan pengujian sistem pakar. Perencanaan yang dilakukan
diantaranya yaitu analisa data yang terdapat data masukan dan transformasi data.
a. Data Masukan
Tahap pertama pada proses analisa data adalah melakukan inputan data
dengan cara menentukan variable inputan. Variabel inputan dalam penelitian ini
ada 23 yaitu, pemasangan kertas terbalik, lapisan karbon kering, heater kotor atau
putus, trafo pemanas mati, karet roller menipis, koneksi karet karbon kendor dan
kotor, lampu LED redup atau mati, koneksi kabel kendor dan kotor, power supply
lemah atau error, LCD bocor, grounding listrik jelek, resistensi elektroda tinggi,
22
elektroda kotor, resistensi kabel elektroda tinggi, rangkaian sangkar board faraday
cage error, ada jalur yang putus, board control error, karet karbon sudah keras,
software rusak, grafik dilayar tidak muncul, konektor socket elektroda lepas,
display layar mati dan konektor display kendor atau lepas. Kemudian data diolah
menjadi data latih (training), data inputan ini akan dimasukan ke dalam sistem
b. Transformasi Data
data gejala menjadi bentuk skala angka 0 dan 1 sehingga dapat digunakan untuk
d. Microsoft Excel;
23
e. Photoshop;
kemudian sistem akan bekerja secara otomatis berdasarkan kaidah yang sudah
(ECG). Proses aliran data saat dijalankan oleh pengguna (user) digambarkan pada
Data Flow Diagram (DFD) level 0 dan dijabarkan secara terperinci pada level 1 .
Data Flow Diagram (DFD) merupakan suatu cara atau metode untuk
membuat rancangan sebuah sistem yang mana berorientasi pada alur data yang
bergerak pada sebuah sistem nantinya. DFD ini digunakan untuk melakukan
proses coding. DFD dari sistem yang akan dibuat dalam skripsi ini dapat dilihat
pada Gambar 3.2. Pada Diagram tersebut memperlihatkan diagram awal user
akan memasukkan data dan akan di proses oleh sistem sehingga menghasilkan
perhitungan data.
Data
USER SISTEM
Perhitungan Data
Dari Gambar 3.2 kemudian diperinci pada Gambar 3.3 dalam DFD level 1.
Pada gambar tersebut menperlihatkan bahwa user akan memasukkan data gejala
tersebut dihasilkan kerusakan yang terjadi sesuai dengan perhitungan Naïve Bayes
2
NAÏVE
USER BAYES
3.1.4. Pengujian
tingkat akurasi dari sistem sudah berhasil atau belum. Pengujian yang dilakukan
Setelah melakukan pengujian dan analisis terhadap sistem akan diperoleh suatu
3.1.6. Kesimpulan
penelitian ini.
(ECG;
kerusakan;
kerusakan gejala;
(ECG).
antar user kepada aplikasi yang telah dibangun sehingga user dapat berinteraksi
menggunakan GUI (Graphical User Interface) yang ada pada matlab dengan
halaman petunjuk, halaman diagnosa dan exit. Perancangan interface dapat dilihat
Tampilan halaman utama adalah halaman pertama yang terdiri dari empat
tombol menu. Berikut desain tampilan halaman depan dapat dilihat pada gambar
3.6.
28
Berikut desain tampilan halaman diagnosa dapat dilihat pada gambar 3.9.
ini adalah wawancara dan studi literature. Data yang diperoleh berupa gejala
beberapa gejala kerusakan yang disimbolkan dengan variabel G1 – G23 dan data
akan dikoneksikan pada program sistem pakar pengolahan data. Data latih yang
30
31
yang diterapkan pada aplikasi yang dibangun. Aplikasi sistem pakar ini memiliki
beberapa tahap untuk menentukan atau mendeteksi kerusakan yang terjadi pada
latih yang disimpan sebagai database dan menerapkan metode Naïve Bayes untuk
setelah basis aturan tersimpan menjadi sistem, pengguna dapat menjalankan dan
𝑃 𝑋 𝐻 𝑥 𝑃(𝐻)
𝑃 𝐻𝑋 = 𝑃(𝑋)
(4.1)
𝑃 𝐺 𝐾 𝑥 𝑃(𝐾)
𝑃 𝐾𝐺 = 𝑃(𝐺)
(4.2)
𝐽𝑢𝑚𝑙𝑎 ℎ 𝑘𝑒𝑚𝑢𝑛𝑔𝑘𝑖𝑛𝑎𝑛
𝑃𝑟𝑖𝑜𝑟 𝑃(𝐺|𝐾) = 𝐽𝑢𝑚𝑙𝑎 ℎ 𝑘𝑒𝑚𝑢𝑛𝑔𝑘𝑖𝑛𝑎𝑛 𝑔𝑒𝑗𝑎𝑙𝑎 𝑘𝑒𝑟𝑢𝑠𝑎𝑘𝑎𝑛
(4.4)
masing kelas diagnosa yaitu nilai P(K|G) dihasilkan dari P(G|K) pada setiap
diagnosa sesuai perhitungan nilai yang paling maksimum (Nastiti, 2016). Setelah
Langkah pertama adalah mencari nilai prior P(G|K) berdasarkan rumus pada
Langkah ketiga adalah mencari nilai posterior dengan mengalikan hasil dari
(ECG) maka harus membandingkan antara hasil nilai posterior1 sampai dengan
Nilai posterior P(H|X) atau P(K|G) atau pada coding ditulis dengan variabel H,
IF
ELSE IF
ELSE IF
ELSE IF
ELSE IF
Sesuai dengan perhitungan pada tabel 4.4 dapat disimpulkan bahwa nilai
Posterior3 (H3) lebih besar dari pada nilai Posterior1 (H1), Posterior2 (H2),
Posterior4 (H4) dan Posterior5 (H5) sehingga kerusakan terjadi pada “Grafik
tidak teratur”.
antar user kepada aplikasi yang telah dibangun sehingga user dapat berinteraksi
menggunakan GUI (Graphical User Interface) yang ada pada matlab dengan
kali memasuki aplikasi sistem pakar ini. Tampilan halaman utama dapat dilihat
pada gambar 4.1 dan keterangan gambar terdapat pada tabel 4.6.
ini hanya menggunakan satu jenis komponen sebagai tombol untuk kembali ke
manu awal. Tampilan halaman tentang dapat dilihat pada gambar 4.2.
gejala dari kerusakan electrocardiograph (ECG) ditunjukan pada Gambar 4.4 dan
keterangan gambar ditunjukan pada tabel 4.7. Setelah memasukan gejala yang
sesuai data kerusakan, proses pemilihan gejala dapat dilihat pada Gambar 4.5,
perhitungan dengan metode Naïve Bayes berdasarkan data latih yang sudah
ditetapkan. Gambar 4.6 menunjukan data latih yang digunakan sebagai ketetapan.
Gambar 4.8 menunjukan hasil akhir mengenai kerusakan dan solusi untuk
mengambil keputusan.
40
Proses yang dilakukan oleh metode ini meliputi proses perhitungan dari
setiap inputan data user dengan cara opsional. Data opsional berupa gejala-gejala
(ECG). Data gejala-gejala kerusakan yang akan diujikan terdapat pada Tabel 4.8
metode Naïve Bayes dituliskan pada Tabel 4.9 sampai dengan 4.23
43
gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada lampiran 2.
Proses ini ditunjukan pada Tabel 4.9 bahwa nilai posterior menghasilkan nilai
tertinggi yaitu 0.0002963 dibandingkan nilai posterior pada K1, K2, K3 dan K5.
Nilai tersebut dihasilkan dari nilai probabilitas masing-masing gejala (0.2, 0.2,
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Proses ini ditunjukan pada Tabel 4.10 bahwa nilai posterior menghasilkan nilai
tertinggi yaitu 0.00017147 dibandingkan nilai posterior pada K1, K2, K4 dan K5.
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Menampilkan Hasil Print Out. Proses ini ditunjukan pada Tabel 4.11 bahwa nilai
posterior pada K2, K3, K4 dan K5. Nilai tersebut dihasilkan dari nilai probabilitas
masing-masing gejala (0.2, 0.2, 0.2, 0.2) dikali dengan nilai likelihood (0.18519).
45
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Berfungsi. Proses ini ditunjukan pada Tabel 4.12 bahwa nilai posterior
K1, K2, K3 dan K5. Nilai tersebut dihasilkan dari nilai probabilitas masing-
masing gejala (0.2, 0.2, 0.2) dikali dengan nilai likelihood (0.18519).
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Proses ini ditunjukan pada Tabel 4.13 bahwa nilai posterior menghasilkan nilai
tertinggi yaitu 0.00017147 dibandingkan nilai posterior pada K1, K2, K4 dan K5.
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Tidak Jelas Atau Mati. Proses ini ditunjukan pada Tabel 4.14 bahwa nilai
posterior pada K1, K3, K4 dan K5. Nilai tersebut dihasilkan dari nilai probabilitas
masing-masing gejala (0.2, 0.2, 0.2) dikali dengan nilai likelihood (0.18519).
47
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
ini ditunjukan pada Tabel 4.15 bahwa nilai posterior menghasilkan nilai 0 semua.
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Tidak Jelas Atau Mati. Proses ini ditunjukan pada Tabel 4.16 bahwa nilai
posterior pada K1, K3, K4 dan K5. Nilai tersebut dihasilkan dari nilai probabilitas
masing-masing gejala (0.2, 0.2, 0.2) dikali dengan nilai likelihood (0.18519).
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Berfungsi Proses ini ditunjukan pada Tabel 4.17 bahwa nilai posterior
K1, K2, K3 dan K5. Nilai tersebut dihasilkan dari nilai probabilitas masing-
masing gejala (0.2, 0.2, 0.2) dikali dengan nilai likelihood (0.18519).
49
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Menyala Tetapi Tidak Berfungsi. Proses ini ditunjukan pada Tabel 4.18 bahwa
posterior pada K1, K2, K3 dan K4. Nilai tersebut dihasilkan dari nilai probabilitas
likelihood (0.22222).
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Proses ini ditunjukan pada Tabel 4.19 bahwa nilai posterior menghasilkan nilai
tertinggi yaitu 0.0010288 dibandingkan nilai posterior pada K1, K2, K4 dan K5.
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Tidak Berfungsi. Proses ini ditunjukan pada Tabel 4.20 bahwa nilai posterior
K1, K3, K4 dan K5. Nilai tersebut dihasilkan dari nilai probabilitas masing-
(0.22222).
51
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
ini ditunjukan pada Tabel 4.21 bahwa nilai posterior menghasilkan nilai 0 semua.
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
Tidak Jelas atau Mati. Proses ini ditunjukan pada Tabel 4.22 bahwa nilai posterior
K1, K3, K4 dan K5. Nilai tersebut dihasilkan dari nilai probabilitas masing-
masing gejala (0.2, 0.2, 0.2) dikali dengan nilai likelihood (0.18519).
gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada lampiran 2.
Hasil perhitungan menunjukan kerusakan yaitu Tampilan Display Tidak Jelas atau
Mati. Proses ini ditunjukan pada Tabel 4.23 bahwa nilai posterior menghasilkan
nilai tertinggi yaitu 0.0061728 dibandingkan nilai posterior pada K1, K2, K3 dan
K4. Nilai tersebut dihasilkan dari nilai probabilitas masing-masing gejala (0.2,
keputusan.
a. Nilai Prior
jenis kerusakan yang ada. Berdasarkan tabel 4.9 – 4.23 dari pengujian 15 data
kerusakan dapat diambil kesimpulan bahwa jika terdapat nilai prior sebesar 0
(nol) dikarenakan tidak semua jenis kerusakan memilki gejala yang sama pada
data latih sehingga kemungkinan yang diperoleh juga akan bernilai 0 (nol). Nilai
prior akan bernilai ≠ 0 (nol) jika gejala yang dialami pada kerusakan sesuai
dengan data latih sehingga kemungkinan memperoleh suatu nilai sangat mungkin.
Nilai prior sangat berpengaruh terhadap hasil akhir dalam menentukan suatu
b. Nilai likelihood
4.23 nilai likelihood tidak diperoleh dari gejala kerusakan yang akan diuji,
melainkan diperoleh dari data latih pada Lampiran 2. Dapat disimpulkan bahwa
nilai likelihood tidak berpengaruh terhadap hasil akhir posterior karena apapun
berdasarkkan data latih, tetapi nilai likelihood akan berpengaruh jika hasil dari
prior ≠ 0 (nol).
c. Nilai Posterior
Nilai posterior merupakan nilai akhir yang diperoleh dari hasil perkalian
posterior bernilai 0 (nol) karena hasil dari prior sebelumnya adalah 0 (nol) dan
jika dikalikan dengan nilai likelihood maka tetap bernilai 0 (nol). Posterior
bernilai ≠ 0 (nol) jika hasil prior sebelumnya tidak 0 (nol) dan jika dikalikan
dengan nilai likelihood maka nilai akan bertambah besar. Hasil dari posterior
dijadikan sebagai nilai pembanding, nilai yang paling tinggi dijadikan sebagai
Proses awal jalannya suatu sistem adalah memilih gejala yang dialami
pada panel gejala kerusakan. Berdasarkan data yang telah diuji, sistem pakar
Naïve Bayes memiliki beberapa perbedaan dalam proses pemilihan gejala pada
Proses pemilihan gejala yang hanya dilakukan pada satu panel dapat mendeteksi
kerusakan yang terjadi, hal ini disebabkan perhitungan Naïve Bayes tidak ada
pembanding. Gambar 4.9 menunjukan hasil diagnosa dari pemilihan satu panel
gejala.
55
Pemilihan pada panel gejala kerusakan yang dilakukan secara acak juga
akan berpengaruh pada proses diagnosa. Sebagai contoh, jika gejala yang dipilih
lebih dari prosedur gejala yang ditentukan yaitu pada panel gejala 1, 2, 3, 8, 9, 19,
20 dan 21, maka sistem akan menampilkan massage box “Maaf Proses Gagal
mendeteksi kerusakan.
kerusakan yang dipilih yaitu 21, 22 dan 23, Naïve Bayes akan menghasilkan nilai
≠ 0 berdasarkan posterior tertinggi dan data latih yang digunakan. Gambar 4.11
menunjukan hasil diagnosa dari panel gejala yang dipilih sesuai data kerusakan
yang ada.
hasil diagnosa sistem dan hasil diagnosa pakar secara manual. Berikut hasil
diagnosa pengujian sistem dengan hasil diagnosa pakar yang terlampir pada
Lampiran 4.
57
Berdasarkan hasil uji yang telah dilakukan pada sistem pakar dengan
(ECG). Dari 15 data kerusakan yang diuji, terdapat 2 kerusakan yang tidak sesuai
dengan uji pakar yaitu kerusakan pada data Ke-7 dan data Ke-13. Perhitungan
Bayes akan bernilai 0 jika salah satu dari gejala tidak sesuai dengan data latih.
Dari hasil pengujian dapat diperoleh nilai akurasinya yaitu sebesar 86.666 % yang
13
𝑁𝑖𝑙𝑎𝑖 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 15
𝑥 100% = 86.666% (4.2)
BAB V
PENUTUP
5.1 Kesimpulan
Dari hasil penelitian yang telah diuraikan pada bab-bab sebelumnya dapat
Naïve Bayes.
c. Prior bernilai 0 (nol) jika semua jenis kerusakan tidak memilki gejala
yang sama pada data latih sehingga kemungkinan yang diperoleh juga
akan bernilai 0 (nol). Prior bernilai ≠ 0 (nol) jika gejala yang dialami pada
bernilai ≠ 0 (nol).
e. Sistem tidak akan menampilkan hasil diagnosa kerusakan jika panel gejala
yang dipilih tidak sesuai dengan prosedur dan data latih yang ditentukan.
58
59
g. Hasil diagnosa akan lebih akurat jika dilakukan penelusuran pada beberapa
5.2 Saran
Arhami, M., 2005. Konsep Dasar Sistem Pakar. Yogyakarta: Penerbit ANDI.
Ayuningsih, A & Nelly, H., 2018. Sistem Pakar Mendiagnosa Kerusakan Pada
Mesin Penggilingan Padi Menggunakan Metode Naive Bayes : Jurnal
Riset Komputer , pp. 371-376.
Mulyatno., 2018. Rancang Bangun Alat Uji Kabel EKG : Jurnal Ilmiah Kesehatan
Vol 10 (1), pp. 97-102
Murdiyanto, T., 2019. Sistem Pakar Diagnosa Kerusakan BTS (Base Transceiver
Station) dengan Metode Bacward Chaining : Universitas Tidar
Nastiti, O. A., 2016. Sistem Pakar Klasifikasi Stroke dengan Metode Naïve Bayes
Classifier dan Certainty Factor sebagai Alat Bantu Diagnosis :
Universitas Airlangga.
Pramudia, H & Adi, N., 2017. Sistem Informasi Kerusakan Laptop Menggunakan
Metode Naïve Bayes : Jurnal Teknologi Elektro Universitas Mercu Buana,
pp. 206-214.
Suleman, et al., 2018. Sistem Pakar Diangnosa Kerusakan Printer dengan Meode
Naïve Bayes : Indonesian Journal on Computer and Information
Technologi , pp. 229-233.
60
61
Zulvandri, R, et al., 2014. Expert System for Self Diagnosing of Eye Diseases
Using Naive Bayes : International Conference of Advanced Informatics,
pp. 113-116.
Lampiran 1
Kerusakan ke - 5
1. Resistensi elektroda tinggi
2. Elektroda kotor Grafik tidak Grafik tidak
0.00017147 teratur teratur
3. Koneksi kabel kendor
4. Resistensi kabel tinggi
Kerusakan ke - 6
1. Karet karbon kendor Tampilan Tampilan
2. Koneksi kabel kendor display tidak display tidak
0.0014815
3. Power supply lemah jelas atau jelas atau
mati mati
Kerusakan ke - 7
1. Jalur keyboard putus Gagal Keyboard
2. Papan/board error 0 mendefinisi tidak
3. Lampu LED mati kerusakan berfungsi
Kerusakan ke - 8
1. LED redup Tampilan Tampilan
0.0014815
2. Power supply error dan display tidak display tidak
lemah jelas atau jelas atau
3. LCD bocor mati mati
Kerusakan ke - 9
1. Koneksi karet karbon
Keyboard Keyboard
kendor
0.0014815 tidak tidak
2. Jalur terputus
berfungsi berfungsi
3. Board control errror
Kerusakan ke - 10
1. Power supply error Power Power
2. Grafik dilayar tidak muncul menyala menyala
0.00017147
3. Board control error tetapi tidak tetapi tidak
Konektor kendor berfungsi berfungsi
Kerusakan ke - 11
1. Elektroda kotor
Grafik Tidak Grafik Tidak
2. Koneksi kabel kotor 0.0010288
Teratur Teratur
3. Faraday cage error
Kerusakan ke - 12
1. Display mati Power Power
2. Konektor kendor Menyala Menyala
0.0010288
3. Socket elektroda lepas Tetapi Tidak Tetapi Tidak
Berfungsi Berfungsi
Kerusakan ke - 13
1. Trafo pemanas mati Tidak dapat
Gagal
2. Heater putus menampilkan
0 mendefinisi
3. Karet roll menipis hasil print
kerusakan
4. Grounding listrik jelek out
Kerusakan ke - 14
1. Lampu LED redup Tampilan Tampilan
2. Koneksi kabel kendor Display Display
0.0014815
3. Koneksi karet karbon kotor Tidak Jelas Tidak Jelas
atau Mati atau Mati
Kerusakan ke - 15
1. Grafik tidak muncul Power Power
2. Power supply error Menyala Menyala
0.0061728
Tetapi Tidak Tetapi Tidak
Berfungsi Berfungsi
Lampiran 5
Halaman Utama
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @FormUtama1_OpeningFcn, ...
'gui_OutputFcn', @FormUtama1_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% Setting Background
ha = axes('units','normalized', ...
'position',[0 0 1 1]);
uistack(ha,'bottom');
I=imread('gambar/GambarUtama.PNG');% gambar background
hi = imagesc(I)
colormap gray
set(ha,'handlevisibility','off', ...
'visible','off')
guidata(hObject, handles);
% --- Outputs from this function are returned to the command line.
function varargout = FormUtama1_OutputFcn(hObject, eventdata,
handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
GUIDATA)
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @FormTentang_OpeningFcn, ...
'gui_OutputFcn', @FormTentang_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% Setting Background
ha = axes('units','normalized', ...
'position',[0 0 1 1]);
uistack(ha,'bottom');
I=imread('gambar/GambarTentang.PNG');% gambar background
hi = imagesc(I)
colormap gray
set(ha,'handlevisibility','off', ...
'visible','off')
handles.output = hObject;
guidata(hObject, handles);
% --- Outputs from this function are returned to the command line.
function varargout = FormTentang_OutputFcn(hObject, eventdata,
handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @FormPetunjuk_OpeningFcn, ...
'gui_OutputFcn', @FormPetunjuk_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
handles.output = hObject;
% --- Outputs from this function are returned to the command line.
function varargout = FormPetunjuk_OutputFcn(hObject, eventdata,
handles)
% Get default command line output from handles structure
varargout{1} = handles.output;
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% Setting Background
ha = axes('units','normalized', 'position',[0 0 1 1]);
uistack(ha,'bottom');
I=imread('gambar/GambarKosong.PNG');% gambar background
hi = imagesc(I);
colormap gray;
set(ha,'handlevisibility','off', 'visible','off')
set(handles.tbGejala,'data',data,'ColumnName',judul,'RowName',nom)
;
handles.output = hObject;
guidata(hObject, handles);
%disp('Pilihan Anda:');
%if get(get(handles.radiobutton1, 'value')==1
if get(handles.radiobutton1,'value') == 1
disp(get(handles.radiobutton1,'String'));
v1=1;
end
if get(handles.radiobutton2,'value') == 1
disp(get(handles.radiobutton2,'String'));
v2=1;
end
if get(handles.radiobutton3,'value') == 1
disp(get(handles.radiobutton3,'String'));
v3=1;
end
if get(handles.radiobutton4,'value') == 1
disp(get(handles.radiobutton4,'String'));
v4=1;
end
if get(handles.radiobutton5,'value') == 1
disp(get(handles.radiobutton5,'String'));
v5=1;
end
if get(handles.radiobutton6,'value') == 1
disp(get(handles.radiobutton6,'String'));
v6=1;
end
if get(handles.radiobutton7,'value') == 1
disp(get(handles.radiobutton7,'String'));
v7=1;
end
if get(handles.radiobutton8,'value') == 1
disp(get(handles.radiobutton8,'String'));
v8=1;
end
if get(handles.radiobutton9,'value') == 1
disp(get(handles.radiobutton9,'String'));
v9=1;
end
if get(handles.radiobutton10,'value') == 1
disp(get(handles.radiobutton10,'String'));
v10=1;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
if get(handles.radiobutton11,'value') == 1
disp(get(handles.radiobutton11,'String'));
v11=1;
end
if get(handles.radiobutton12,'value') == 1
disp(get(handles.radiobutton12,'String'));
v12=1;
end
if get(handles.radiobutton13,'value') == 1
disp(get(handles.radiobutton13,'String'));
v13=1;
end
if get(handles.radiobutton14,'value') == 1
disp(get(handles.radiobutton14,'String'));
v14=1;
end
if get(handles.radiobutton15,'value') == 1
disp(get(handles.radiobutton15,'String'));
v15=1;
end
if get(handles.radiobutton16,'value') == 1
disp(get(handles.radiobutton16,'String'));
v16=1;
end
if get(handles.radiobutton17,'value') == 1
disp(get(handles.radiobutton17,'String'));
v17=1;
end
if get(handles.radiobutton18,'value') == 1
disp(get(handles.radiobutton18,'String'));
v18=1;
end
if get(handles.radiobutton19,'value') == 1
disp(get(handles.radiobutton19,'String'));
v19=1;
end
if get(handles.radiobutton20,'value') == 1
disp(get(handles.radiobutton20,'String'));
v20=1;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
if get(handles.radiobutton21,'value') == 1
disp(get(handles.radiobutton21,'String'));
v21=1;
end
if get(handles.radiobutton22,'value') == 1
disp(get(handles.radiobutton22,'String'));
v22=1;
end
if get(handles.radiobutton23,'value') == 1
disp(get(handles.radiobutton23,'String'));
v23=1;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
M(1)=v1;
M(2)=v2;
M(3)=v3;
M(4)=v4;
M(5)=v5;
M(6)=v6;
M(7)=v7;
M(8)=v8;
M(9)=v9;
M(10)=v10;
M(11)=v11;
M(12)=v12;
M(13)=v13;
M(14)=v14;
M(15)=v15;
M(16)=v16;
M(17)=v17;
M(18)=v18;
M(19)=v19;
M(20)=v20;
M(21)=v21;
M(22)=v22;
M(23)=v23;
M=M';
if sum(M)==0
msgbox('Anda Belum Memilih Gejala','SIlakan Pilih
Dahulu',help);
else
load data.mat;
b=size(data,1);
c=size(data,2);
H=data(:,2:c);
T=cell2mat(H);
tK1=sum(T(:,1));
tK2=sum(T(:,2));
tK3=sum(T(:,3));
tK4=sum(T(:,4));
tK5=sum(T(:,5));
Total=sum(sum(T));
H1=[];
H2=[];
H3=[];
H4=[];
H5=[];
H1=tK1/Total;
H2=tK2/Total;
H3=tK3/Total;
H4=tK4/Total;
H5=tK5/Total;
n1=0;
n2=0;
n3=0;
n4=0;
n5=0;
P1=T(i,1);
P2=T(i,2);
P3=T(i,3);
P4=T(i,4);
P5=T(i,5);
gab1{n1+1}=['Total Gejala KR1 / Total Gejala =' num2str(tK1)
'/' num2str(Total) '=' num2str(tK1/Total)];
gab2{n2+1}=['Total Gejala KR2 / Total Gejala =' num2str(tK2)
'/' num2str(Total) '=' num2str(tK2/Total)];
gab3{n3+1}=['Total Gejala KR3 / Total Gejala =' num2str(tK3)
'/' num2str(Total) '=' num2str(tK3/Total)];
gab4{n4+1}=['Total Gejala KR4 / Total Gejala =' num2str(tK4)
'/' num2str(Total) '=' num2str(tK4/Total)];
gab5{n5+1}=['Total Gejala KR5 / Total Gejala =' num2str(tK5)
'/' num2str(Total) '=' num2str(tK5/Total)];
n1=n1+1;
n2=n2+1;
n3=n3+1;
n4=n4+1;
n5=n5+1;
set(handles.listbox1,'string',gab1);
set(handles.listbox2,'String',gab2);
set(handles.listbox3,'String',gab3);
set(handles.listbox4,'String',gab4);
set(handles.listbox5,'String',gab5);
hasil='?';
solusi='?';
jum=H1+H2+H3+H4+H5;
if jum==0
msgbox('Maaf Proses Gagal Mendefinisikan Jenis
Kerusakan','Gagal ','help');
else
if H1>=H2 && H1 >= H3 && H1 >=H4 && H1>=H5
hasil='Tidak dapat menampilkan hasil print out';
solusi='Jika pemasangan kertas terbalik segera
dibenarkan. Ganti lapisan karbon yang kering, trafo, karet roller
dan heater yang sudah putus. Selalu bersihkan heater yang kotor
menggunakan heater cleaner.';
elseif H2>=H2 && H1 >= H3 && H2 >=H4 && H2>=H5
hasil='Tampilan display tidak jelas atau mati';
solusi='Ganti lapisan karbon yang kering, trafo, karet
roller dan heater yang sudah putus. Selalu bersihkan heater yang
kotor menggunakan heater cleaner';
elseif H3>=H1 && H3 >= H2 && H3 >=H4 && H3>=H5
hasil='Grafik tidak teratur';
solusi='Cek ulang dan benarkan grounding yang
bermasalah, ganti elektroda dan kabel elektroda yang memiliki
resistensi tinggi. Bersihkan elektroda yang kotor, kencangkan dan
bersihkan koneksi kabel yang kendor dan kotor. Ganti rangkaian
sangkar faraday yang error. ';
elseif H4>=H1 && H4 >= H2 && H4 >=H3 && H4>=H5
hasil='Keyboard tidak berfungsi';
solusi='Kencangkan karet karbon yang kendor dan
bersihkan jika kotor, sambung jalur yang terputus, reset atau
ganti board control yang error, ganti karet karbon jika sudah
mengeras dan install ulang software yang bermasalah. ';
elseif H5>=H1 && H5 >= H1 && H5 >=H3 && H5>=H4
hasil='Power menyala tetapi tidak berfungsi';
solusi='Ganti power supply, control board dan display
yang mati. Benarkan atau kencangkan konektor socket dan display
yang kendor atau lepas. ';
end
end
set(handles.edit1,'String',hasil);
set(handles.edit2,'String',solusi);
set(handles.edit3,'String',num2str(toc));
end
set(handles.tbGejala, 'Data',
cell(size(get(handles.tbGejala,'Data'))));
set(handles.edit1,'String','');
set(handles.edit2,'String','');
set(handles.edit3,'String','');
set(handles.listbox1,'String','');
set(handles.listbox2,'String','');
set(handles.listbox3,'String','');
set(handles.listbox4,'String','');
set(handles.listbox5,'String','');
set(handles.tbGejala,'data',data,'ColumnName',judul,'RowName',nom)
;
alamatfile=fullfile(direktori,namafile);
[a,b,c]=xlsread(alamatfile);
cek=cell2mat(b(1,1));
if strcmp(cek(1,1:2),'No')==0
myicon(:,:,1) = [0 1; 0 1];
myicon(:,:,2) = [.8 1; 0 .3];
myicon(:,:,3) = [.3 0; .9 .5];
h=msgbox('Salah Membuat Format Data Training','Cek
Master','custom',myicon);
else
bar=size(c,1);
col=size(c,2);
judul=c(1,2:col);
data=c(2:bar,2:col);
nom=linspace(1,bar-1,bar-1);
set(handles.tbGejala,'data',data,'ColumnName',judul,'RowName',nom)
;
set(handles.tbGejala,'Userdata',data);
myicon(:,:,1) = [0 1; 0 1];
myicon(:,:,2) = [.8 1; 0 .3];
myicon(:,:,3) = [.3 0; .9 .5];
h=msgbox('Sukses import','Success','custom',myicon);
end
%data=get(handles.tbGejala,'data',data,'ColumnName',judul,'RowName
',nom);
data=get(handles.tbGejala,'Userdata');
save data.mat data;
disp('Generate Ulanag Data traing');
case 'Tidak',
judul={'Gejala ' 'Kerusakan1' 'Kerusakan2'
'Kerusakan3' 'Kerusakan4' 'Kerusakan5'};
load data.mat;
bar=size(data,1);
nom=linspace(1,bar,bar);
set(handles.tbGejala,'data',data,'ColumnName',judul,'RowName',nom)
;
disp('Tetap Menggunakan Data Training Yang Lama')
end % switch