Full Text Kompres 1610501007 Tri Kustini

SKRIPSI
IMPLEMENTASI SISTEM PAKAR NAÏVE BAYES PADA PENDETEKSI

KERUSAKAN PERANGKAT ELECTROCARDIOGRAPH (ECG)
Diajukan sebagai syarat memperoleh gelar Sarjana pada

Jurusan Teknik Elektro Fakultas Teknik Universitas Tidar
Disusun oleh :
TRI KUSTINI
1610501007
JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS TIDAR
2020
LEMBAR PENGESAHAN
Skripsi ini diajukan untuk memenuhi syarat memperoleh gelar Sarjana di Jurusan
Teknik Elektro Fakultas Teknik Universitas Tidar

Oleh
Tri Kustini
NPM: 1610501007
Telah diperiksa dan disetujui oleh:
Pembimbing I
Bagus Fatkhurrozi, S.T.,M.T Tanggal : 22 Oktober 2020

NIP. 197910122005011001
Pembimbing II
Ika Setyowati, S.T.,M.Eng Tanggal : 22 Oktober 2020

NIK. 198003262006105C127
ii
LEMBAR PENGUJI
Skripsi yang berjudul :

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
Magelang, 02 Oktober 2020

Dihadapan Penguji
1. Bagus Fatkhurrozi, S.T.,M.T. : ………………………………

NIP. 197910122005011001
2. Ika Setyowati, S.T.,M.Eng. : ………………………………

NIK. 198003262006105C127
3. Ibrahim Nawawi, S.T.,M.T. : ………………………………

NIK. 197303282003045C11
iii
LEMBAR PERNYATAAN
Saya yang bertanda tangan di bawah ini :

Nama : Tri Kustini
NPM : 1610501007
Program Studi : S1 Teknik Elektro
Alamat : Jl. Kalinangka No. 15, Doplang, RT 1 RW 9,
Kecamatan. Adipala, Kabupaten Cilacap
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
tertulis diacu dalam naskah dan disebutkan dalam daftar pustaka;
2. Informasi dan materi skripsi terkait hak milik, hak intelektual, dan paten
merupakan milik bersama antara tiga pihak, yaitu penulis, dosen
pembimbing dan Universitas Tidar. Dalam hal penggunaan informasi dan
materi skripsi terkait paten, maka akan didiskusikan lebih lanjut untuk
mendapatkan persetujuan dari ketiga pihak tersebut.
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.
Kupersembahkan karya sederhana ini kepada semua orang yeng sangat
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
melimpahkan berkah, rahmat, taufik dan hidayah-Nya sehingga saya dapat
menyelesaikan skripsi dengan judul “IMPLEMENTASI SISTEM PAKAR
NAÏVE BAYES PADA PENDETEKSI KERUSAKAN PERANGKAT
ELECTROCARDIOGRAPH (ECG)”.
Penulis berharap semoga penelitian ini dapat bermanfaat bagi almamater,
terutama rekan mahasiswa Teknik Elektro, Universitas Tidar. Penulis menyadari
masih banyak hal yang perlu diperbaiki dari penelitian ini yang dapat dijadikan
pembelajaran dikemudian hari.
Penulis juga menyadari bahwa dalam proses penulisan banyak mengalami
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;
3. Agung Trihasto, S.T., M.Eng. selaku Ketua Jurusan Teknik Elektro

Universitas Tida;
4. Bagus Fatkhurrozi, S.T.,M.T. selaku dosen Jurusan Teknik Elektro Fakultas

Teknik Universitas Tidar sekaligus dosen pembimbing I;
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;
7. Segenap dosen Jurusan Teknik Elektro Fakultas Teknik Universitas Tidar

yang telah memberikan ilmu selama penulis kuliah di Universitas Tidar;
8. Segenap Tenaga Pendidik di lingkungan Universitas Tidar yang telah

memberikan dukungan dan membantu kelancaran administrasi dalam
penyelesaian skripsi ini;
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
LEMBAR PENGESAHAN .......................................................................... ii
LEMBAR PENGUJI ..................................................................................... iii
LEMBAR PERNYATAAN .......................................................................... iv
HALAMAN PERSEMBAHAN ................................................................... v
KATA PENGANTAR .................................................................................. vi
DAFTAR ISI ................................................................................................. viii
DAFTAR GAMBAR .................................................................................... xi
DAFTAR TABEL ......................................................................................... xii
DAFTAR LAMPIRAN ................................................................................. xiii
INTISARI...................................................................................................... xiv
BAB 1 PENDAHULUAN ............................................................................ 1
1.1. Latar Belakang ............................................................................ 1

1.2. Rumusan Masalah ....................................................................... 3
1.3. Tujuan Penelitian ........................................................................ 3
1.4. Manfaat Penelitian ...................................................................... 4
1.5. Batasan Masalah.......................................................................... 4
1.6. Sistematika Penulisan ................................................................. 4
BAB II LANDASAN TEORI ....................................................................... 6
2.1 Tinjauan Pustaka ......................................................................... 6

2.2 Dasar Teori .................................................................................. 8
2.2.1. Electrocardiograph (ECG) ............................................... 8
2.2.2. Bagian-Bagian Electrocardiograph (ECG) ...................... 8
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
BAB IV PEMBAHASAN ............................................................................. 30
4.1. Hasil Pengumpulan Data ........................................................... 30

4.2. Implementasi Database .............................................................. 30
4.3. Implementasi Metode Naïve Bayes ............................................ 31
4.4. Implementasi Antarmuka (Interface) ......................................... 35
4.4.1. Hasil Tampilan Halaman Utama ...................................... 36
4.4.2. Tampilan Halaman Tentang ............................................. 36
4.4.3. Tampilan Halaman Petunjuk ............................................ 37
4.4.4. Tampilan Halaman Diagnosa ........................................... 38
4.5. Implementasi pada Sistem .......................................................... 39
4.6. Hasil Perhitungan Data Uji ........................................................ 41
4.7. Analisis Naïve Bayes pada Sistem ............................................. 53
4.8. Pengujia Pendeteksian Kerusakan Electrocardiograph (ECG) 56
ix
BAB V PENUTUP ........................................................................................ 58
5.1. Kesimpulan................................................................................. 58
5.2. Saran ........................................................................................... 59
DAFTAR PUSTAKA ................................................................................... 60
x
DAFTAR GAMBAR
Gambar 2.1. Tampilan ECG tampak atas...................................................... 9

Gambar 2.2. Tampilan ECG tampak belakang ............................................. 9
Gambar 3.1. Diagram Alir Metode Penelitian .............................................. 20
Gambar 3.2. Data Flow Diagram (DFD) level 0 ......................................... 23
Gambar 3.3. Data Flow Diagram (DFD) level 1 ......................................... 24
Gambar 3.4. Alur Perhitungan Naïve Bayes ................................................. 25
Gambar 3.5. Perancangan pada Matlab......................................................... 27
Gambar 3.6. Perancangan Halaman Utama Sistem Pakar ............................ 28
Gambar 3.7. Perancangan Halaman Tentang ................................................ 28
Gambar 3.8. Perancangan Halaman Petunjuk ............................................... 29
Gambar 3.9. Perancangan Halaman Diagnosa .............................................. 29
Gambar 4.1. Tampilan Halaman Utama ....................................................... 36
Gambar 4.2. Tampilan Halaman Tentang ..................................................... 37
Gambar 4.3. Tampilan Halaman Petunjuk .................................................... 38
Gambar 4.4. Tampilan Halaman Diagnosa ................................................... 38
Gambar 4.5. Proses Pemilihan Gejala ........................................................... 40
Gambar 4.6. Data Latih ................................................................................. 40
Gambar 4.7. Hasil Perhitungan Naïve Bayes ................................................ 41
Gambar 4.8. Hasil Akhir ............................................................................... 41
Gambar 4.9. Hasil Diagnosa Satu Panel Gejala ............................................ 55
Gambar 4.10. Hasil Diagnosa Lebih dari 6 Panel Gejala ............................. 55
Gambar 4.11. Hasil Diagnosa Panel Gejala Sesuai Data Kerusakan ............ 56
xi
DAFTAR TABEL
Tabel 2.1. Perbandingan Sistem Pakar.......................................................... 12

Tabel 3.1. Transformasi Nilai Variabel......................................................... 22
Tabel 4.1. Contoh Data Kerusakan Electrocardiograph (ECG) ................... 32
Tabel 4.2. Contoh Perhitungan Nilai Prior ................................................... 32
Tabel 4.3. Contoh Perhitungan Likelihood ................................................... 33
Tabel 4.4. Perhitungan Nilai Posterior ......................................................... 33
Tabel 4.5. Data Latih ..................................................................................... 35
Tabel 4.6. Keterangan Halaman Utama ........................................................ 37
Tabel 4.7. Keterangan Halaman Diagnosa .................................................... 39
Tabel 4.8. Data Kerusakan yang Diuji .......................................................... 42
Tabel 4.9. Perhitungan Kerusakan Ke-1 ....................................................... 43
Tabel 4.10. Perhitungan Kerusakan Ke-2 ..................................................... 44
Tabel 4.18. Perhitungan Kerusakan Ke-10 ................................................... 49
xii
DAFTAR LAMPIRAN
Lampiran 1. Dokumentasi Wawancara dan Pengambilan Data

Lampiran 2. Data Latih Gejala Kerusakan Electrocardiograph (ECG)
Lampiran 3. Data Kerusakan yang Diuji
Lampiran 4. Hasil Uji Akurasi Sistem
Lampiran 5. Kode (coding) program
xiii
INTISARI
Pendeteksian kerusakan pada perangkat Electrocardiograph (ECG) di RSJ Prof.

Dr. Soerojo Magelang masih dilakukan secara manual berdasarkan dengan gejala
kerusakan yang merujuk pada prosedur manual. Pendeteksian secara manual dirasa
kurang efektif mengingat perkembangan zaman yang semakin canggih, selain itu gejala
atau penyebab kerusakan yang berbeda membuat teknisi atau user harus lebih teliti dalam
menentukan suatu keputusan terhadap kerusakan tersebut. Penelitian ini dilakukan untuk
membuat sebuah sistem pendeteksi kerusakan yang terjadi pada perangkat
Electrocardiograph (ECG). Penelitian pada sistem ini menggunakan metode Naïve Bayes
untuk membantu dalam proses pengambilan keputusan sesuai dengan perhitungan.
Output dari penelitian ini adalah jenis kerusakan yang dialami perangkat
Electrocardiograph (ECG) dan solusi untuk memperbaiki kerusakan tersebut. Dari hasil
pengujian sistem oleh teknisi, sistem mempunyai nilai akurasi sebesar 86.666 %.
Kata kunci : Electrocardiograph (ECG), sistem pakar, Naïve Bayes.
ABSTRACK
Detection of damage to the Electrocardiograph (ECG) device at RSJ Prof. Dr.

Soerojo Magelang is still done manually based on symptoms of damage that refer to
manual procedures. Manual detection is considered ineffective given the increasingly
sophisticated development of the era, besides the symptoms or different causes of
damage, technicians or users must be more careful in determining a decision regarding
the damage. This research was conducted to create a damage detection system that
occurs in the Electrocardiograph (ECG) device. Research on this system uses the Naïve
Bayes method to assist in the decision-making process according to calculations. The
output of this research is the type of damage suffered by the Electrocardiograph (ECG)
device and a solution to repair the damage. From the results of system testing by
technicians, the system has an accuracy value of 86,666%.
Keywords: Electrocardiograph (ECG), expert system, Naïve Bayes.
xiv
BAB I
PENDAHULUAN
1.1 Latar Belakang
Electrocardiograph (ECG) merupakan alat ukur yang digunakan untuk
mengukur atau mendeteksi kondisi jantung dengan cara memantau irama dan
frekuensi detak jantung. Setiap kontraksi otot jantung menghasilkan implus
kelistrikan dalam bentuk gelombang sinusoidal yang ditampilkan pada layar
electrocardiograph (ECG). Hasil rekaman aktivitas elektrik jantung yang berupa
gelombang sinusoidal disebut dengan Electrocardiogram (Sutanto, 2007).
Kesiapan perangkat Electrocardiograph (ECG) harus tetap terjaga dan
siap digunakan, karena itu wajib dilakukan pemeliharaan oleh para teknisi
elektromedik. Pemeliharaan perangkat Electrocardiograph (ECG) biasanya
dilakukan setiap bulan seperti pengecekan fungsi bagian-bagian alat, penggantian
bahan atau komponen, pengecekan kinerja alat, adjustment, kalibrasi dan
pengukuran aspek keselamatan. Permasalahan atau troubles yang biasanya timbul
pada alat Electrocardiograph (ECG) yaitu pada bagian printer, display, keyboard,
power dan graphic (Mulyatno, 2018)
Sejauh ini proses pendeteksian kerusakan pada perangkat
Electrocardiograph (ECG) di RSJ Prof. Dr. Soerojo Magelang masih dilakukan
secara manual berdasarkan dengan gejala kerusakan yang merujuk pada prosedur
manual. Pendeteksian secara manual dirasa kurang efektif mengingat
perkembangan zaman yang semakin canggih, selain itu gejala atau penyebab
1
2
kerusakan yang berbeda membuat teknisi atau user harus lebih teliti dalam
menentukan suatu keputusan terhadap kerusakan tersebut.
Pendeteksian kerusakan suatu alat saat ini telah banyak menggunakan
teknologi komputer dengan menerapkan sistem kecerdasan buatan. Sistem pakar
merupakan salah satu cabang kecerdasan buatan dengan berbasis komputer yang
menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan
masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang
tersebut (Murdiyanto, 2019).
Sistem pakar telah diimplementasikan untuk mendeteksi beberapa
kerusakan pada perangkat elektronik salah satunya adalah laptop. Penelitian
tersebut bertujuan untuk mendeteksi atau mendiagnosa kerusakan pada perangkat
berdasarkan gejala kerusakan yang terjadi. Metode yang digunakan dalam
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
besar, sehingga peneliti menerapkan metode Naïve Bayes untuk mendeteksi
kerusakan pada perangkat yang berbeda yaitu Electrocardiograph (ECG).
Naïve Bayes merupakan pengklasifikasian dengan metode probabilitas dan
statistic sederhana yang dikemukakan oleh ilmuwan Inggris Thomas Bayes.
Metode Naïve Bayes mampu menjadi solusi dari permasalahan di atas, karena
Naïve Bayes mampu memprediksi peluang dimasa sebelumnya. Sistem yang
dibuat berdasarkan data yang terdiri dari data kerusakan dan data gejala yang
3
kemudian akan dimasukan dalam rumus Naïve Bayes untuk mecari hasil yang
akurat (Ayuningsih, 2018)
Penelitian ini dilakukan untuk membuat sebuah sistem pendeteksi
kerusakan yang terjadi pada perangkat Electrocardiograph (ECG). Penelitian
pada sistem ini menggunakan metode Naïve Bayes untuk membantu dalam proses
pengambilan keputusan sesuai dengan perhitungan.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah dijelaskan, dapat dirumuskan
masalah yaitu :
a. pendeteksian kerusakan perangkat Electrocardiograph (ECG) masih
dilakukan secara manual;
b. pendeteksian secara manual membutuhkan ketelitian agar mendapatkan
suatu keputusan yang benar;
c. sistem pakar membutuhkan metode yang dapat memberikan solusi untuk
mendeteksi kerusakan perangkat Electrocardiograph (ECG).
1.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah membuat sistem pakar untuk mendeteksi
kerusakan pada perangkat Electrocardiograph (ECG) dan memberikan solusi
terhadap kerusakan yang dialami.

4
1.4 Manfaat Penelitian
Manfaat dari penelitian ini diharapkan dapat membantu teknisi atau user
dalam mendeteksi kerusakan dan memberikan solusi terhadap kerusakan
perangkat Electrocardiograph (ECG) sehingga dapat memperbaiki sesuai dengan
hasil yang dideteksi.
1.5 Batasan Masalah
Agar pembahasan tidak terjadi penyimpangan dan perluasan permasalahan
maka peneliti membatasi masalah dalam penelitian ini, yaitu :
a. penelitian ini dilakukan pada perangkat Electrocardiograph (ECG) type
Schiller AG, Nihon Kohden dan Mediana di Rumah Sakit Jiwa Prof. Dr.
Soerojo Magelang;
b. sistem dirancang menggunakan metode Naïve Bayes dengan aplikasi
MATLAB;
c. sistem dibatasi dengan mengambil 5 jenis kerusakan berdasarkan data
kerusakan yang diperoleh dari teknisi Rumah Sakit Jiwa Prof. Dr. Soerojo
Magelang.
1.6 Sistematika Penulisan
Sistematika penulisan laporan ini disusun agar pembuatan laporan skripsi
lebih terstruktur, dengan tahapan sistematika penulisan sebagai berikut :
BAB I PENDAHULUAN
Berisi tentang latar belakang, rumusan masalah, tujuan, manfaat, batasan
masalah dan sistematika penulisan.

5
BAB II LANDASAN TEORI
Berisi tentang tinjauan pustaka dan dasar teori yang menjelaskan tentang
sistem pakar, konsep sistem pakar, perangkat Electrocardiograph (ECG), dan
metode Naïve Bayes.
BAB III METODE PENELITIAN
Berisi rancangan sistem dan metode yang digunakan untuk menyelesaikan
tugas akhir.
BAB IV PEMBAHASAN
Berisi tentang pembahasan dan analisa implementasi sistem pakar Naïve
Bayes untuk mendeteksi kerusakan perangkat Electrocardiograph (ECG).
BAB V PENUTUP
Berisi tentang kesimpulan dari penelitian dan saran-saran yang dapat
dijadikan bahan pertimbangan yang bermanfaat bagi pengembangan penelitian
selanjutnya.
BAB II
LANDASAN TEORI
2.1 Tinjauan Pustaka
Berdasarkan implementasi sistem pakar untuk mendeteksi suatu kerusakan
dibutuhkan beberapa referensi yang sesuai dengan penelitian yang akan
dilakukan. Pada penelitian sebelumnya banyak yang menerapkan metode Naïve
Bayes pada sistem pakar. Beberapa referensi dapat diambil dari penelitian
sebelumnya yang dimanfaatkan sebagai patokan atau dasar yang dapat digunakan
sebagai referensi pada penelitian ini.
Sistem pakar diterapkan pada sistem informasi untuk mendeteksi
kerusakan laptop. Peneliti menggunakan metode Bayesian, metode ini digunakan
sebagai alat kepastian dengan menghitung fakta yang keluar. Berdasarkan
masalah dan metode yang ada, peneliti telah membangun sistem prediksi
kerusakan laptop berbasis web. Hasil yang didapatkan dengan menggunakan
metode Bayesian memiliki tingkat akurasi 100% (Pramudia, 2017).
Klasifikasi Naïve Bayes melibatkan serangkaian perhitungan probabilistik
untuk tujuan menemukan klasifikasi terbaik dari suatu permasalahan berdasarkan
data. Metode Naïve Bayes cocok digunakan untuk ekspektasi klasifikasi umum
dalam kehidupan nyata seperti layanan deteksi kerusakan alat, prediksi cuaca,
evaluasi kredit pelanggan, kategorisasi kondisi kesehatan dan sebagainya. Proses
klasifikasi dengan cara ini mampu menentukan nilai kelayakan tertinggi untuk
menjadi klasifikasi terbaik dari bagian suatu data (Yang Feng-Jen, 2018)
6
7
Perancangan sistem pakar pendeteksi kerusakan komputer menggunakan
metode naïve bayes, pengumpulan data dilakukan dengan wawancara dan
observasi. Aplikasi sistem pakar ini dibangun berbasis android dengan bahasa
pemrograman basic. Sistem yang dibuat berfungsi dengan baik dalam
memberikan solusi kerusakan computer secara efisien dan efektif (Suleman,
2018).
Kerusakan pada mesin penggiling padi dapat diketahui dengan sistem
pakar, dimana sistem pakar dapat memberikan kemudahan bagi para pakar dan
masyarakat yang membutuhkan untuk dapat mengetahui gejala kerusakan pada
mesin. Algoritma Naïve Bayes telah berhasil diimplementasikan untuk sistem
pendeteksi kerusakan pada mesin penggilingan padi. Dalam perancangan aplikasi
sistem pakar ini menggunakan pemrograman Eclipse Versi Juno dengan SQLite
Database sebagai pengolah data (Ayuningsih, 2018).
Sistem pakar dirancang untuk medeteksi adanya kerusakan pada printer,
penelitian ini menggunakan metode Naïve Bayes dengan berbasis android.
Implementasi sistem melakukan penarikan kesimpulan berdasarkan pada fakta
yang ada dengan perhitungan Naïve Bayes. Sistem pakar diagnosa kerusakan
printer yang dirancang mampu mendeteksi jenis kerusakan printer secara cepat
dan akurat (Suleman dkk, 2018).
Berdasarkan penelitian sebelumnya dapat disimpulkan bahwa sistem pakar
dapat diterapkan untuk memecahkan suatu permasalahan dan metode Naïve bayes
dapat menentukan keputusan dengan akurasi yang cukup baik. Sehingga peneliti
akan menerapkan sistem pakar pada pendeteksian kerusakan perangkat

8
Electrocardiograph (ECG) dan menerapkan metode Naïve Bayes untuk
mengambil suatu keputusan. Sistem ini dirancang dengan menggunakan GUI
Matlab dan kecepatan kerja sistem ditampilkan dalam bentuk waktu.
2.2 Dasar Teori
2.2.1 Electrocardiograph (ECG)
Electrocardiograph (ECG) merupakan alat ukur yang digunakan untuk
mengukur atau mendeteksi kondisi jantung dengan cara memantau irama dan
frekuensi detak jantung. Electrocardiograph (ECG) merupakan suatu gambaran
dari arus elektrik yang dihasilkan oleh otot jantung selama satu denyut jantung.
dan selalu menyediakan informasi kondisi jantung. Penggunaan
Electrocardiograph (ECG) dengan menerapkan electrode pada komponen badan
untuk mengambil sinyal kecil dari tubuh kepada monitoring instrument.
Electrode mendeteksi naik turunnya arus listrik jantung dan mengirimnya
ke electrocardiograph, yang merekam perubahannya sebagai bentuk gelombang
pada gulungan kertas yang bergerak. Rekaman hasil pengukuran ini disebut
electrocardiogram. Setiap kontraksi, otot jantung menghasilkan implus kelistrikan
dalam bentuk gelombang sinusoidal (bentuk gelombang pada gerak harmonis)
yang ditampilkan pada layar electrocardiograph (Sutanto Ahmad dkk, 2007)
2.2.2 Bagian-Bagian Electrocardiograph (ECG)
Bagian-bagian dari Electrocardiograph (ECG) seperti ditunjukan pada
Gambar 2.1 Tampilan ECG tampak atas dan Gambar 2.2 Tampilan ECG tampak
belakang.
9
Gambar 2.1 Tampilan ECG tampak atas

(Sumber : RSJ Prof. Dr. Soerojo Magelang)
Keterangan :
1. Printer berupa jarum stylus berfungsi untuk mencetak hasil sadapan
dari sinyal listrik jantung;
2. Layar display berfungsi untuk menampilkan grafik, angka dan huruf;
3. Tombol menu berfungsi untuk memilih menu dan menuliskan data
pasien;
4. Tombol power berfungsi untuk menyalakan dan mematikan alat;
5. Keyboard berfungsi untuk mengetikan identitas pasien pada menu.
Gambar 2.2 Tampilan ECG tampak belakang

(Sumber : RSJ Prof. Dr. Soerojo Magelang)
10
Keterangan :
1. Grounding adalah pengaman listrik yang terdapat pada alat;
2. Konektor power berfungsi untuk mengkoneksikan mesin dengan kabel
power;
3. Konektor display mengkoneksikan mesin ECG dengan layar monitor.
2.2.3 Sistem Pakar
Sistem pakar adalah salah satu cabang AI (Artificial Intelegence) yang
membuat penggunaan secara luas knowledge yang khusus untuk penyelesaian
masalah tingkat manusia oleh seorang pakar dan dirancang untuk dapat menirukan
keahlian seorang pakar dalam menjawab pertanyaan dan menyelesaikan
permasalahan disemua bidang.. Seorang 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. 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
pakar, program, dan perangkat keras yang dirancang untuk membantu
pengembangan dan pembuatan sistem pakar (Arhami, 2005).
Sistem pakar (expert system) merupakan paket perangkat lunak atau paket
program computer yang ditujukan sebagai penyedia nasehat dan sarana bantu
dalam memecahkan masalah dibidang-bidang spesialisasi tertentu seperti sains,

11
perekayasaan, matematika, kedokteran, pendidikan dan sebagainya. Sistem pakar
merupakan subset dari Artificial Intelegence.
Ada beberapa keunggulan sistem pakar, diantaranya dapat :
a. Menghimpun data dalam jumlah yang besar;
b. Menyimpan data tersebut untuk jangka waktu yang panjang dalam suatu
bentuk tertentu;
c. Mengerjakan perhitungan secara cepat dan tepat serta tanpa jemu mencari
kembali data yang tersimpan dengan kecepatan tinggi.
Sistem pakar mempunyai beberapa kemampuan dalam menyelesaikan
masalah, diantaranya :
a. Menjawab berbagai pertanyaan yang menyangkut bidang keahliannya;
b. Bila diperlukan, dapat menyajikan asumsi dan alur penalaran yang
digunakan untuk sampai ke jawaban yang dikehendaki;
c. Menambah fakta kaidah dan alur penalaran sahih yang baru ke dalam
otaknya.
2.2.4 Konsep Umum Sistem Pakar
Pengetahuan dari suatu sistem pakar mungkin dapat dipresentasikan dalam
sejumlah cara. Salah satu metode yang paling umum mempresentasikan
pengetahuan adalah dalam bentuk aturan (rule) IF … THEN (jika … maka).
Murdiyanto (2019) menyatakan bahwa konsep dari suatu sistem pakar
mengandung beberapa unsur/elemen, yaitu keahlian, ahli, pengalihan keahlian,
inferensi, aturan, dan kemampuan menjelaskan. Terdapat tiga orang yang terlbat
dalam lingkungan sistem pakar, yaitu :

12
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
sistem pakar mempunyai banyak perbedaan. Perbandingan kemampuan antara
seorang pakar dengan sebuah sistem pakar, perbandingan tersebut dapat dilihat
pada Tabel 2.1.
b. Knowledge Engineer (Perekayasa Sistem)
Knowledge Engineer adalah orang yang membantu pakar dalam menyusun
area permasalahan dengan menginterpretasikan dan mengintegrasikan jawaban-
jawaban pakar atas pertanyaan yang diajukan, menggambarkan analogi,
mengajukan counte example dan menerangkan kesulitan-kesulitan konseptual.
c. User
Sistem pakar memiliki beberapa pemakai, yaitu pemakai bukan pakar,
pembangun sistem pakar yang ingin meningkatkan dan menambah basis
pengetahuan dan pakar.
Tabel 2.1 Perbandingan Sistem Pakar

Factor Human Expert Expert System
Time Availability Hari kerja Setiap saat
Geografis Local / tertentu Dimana saja
Keamanan Tidak tergantikan Dapat digantikan
Perishable / dapat habis Ya Tidak
Performansi Variable Konsisten
Kecepatan Variable Konsisten
Biaya Tinggi Terjangkau
13
Selain terdapat tiga orang yang terlibat dalam lingkungan sistem pakar, menurut
Nastiti (2016) juga terdapat empat buah komponen dasar dari sebuah sistem pakar
yaitu :
a. Basis Pengetahuan (Knowledge base)
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
suatu kualitas tertentu yang bersama dengan kelompok aturan membantu
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).
b. Mesin Inferensi (Inference Engine)
Mesin Inferensi atau Inference Engine adalah bagian sistem pakar yang
melakukan pengolahan terhadap informasi yang diberikan untuk mendefinisikan
objek yang sesuai. Bagian ini mengandung mekanisme fungsi berfikir dan pola-
pola penalaran sistem yang digunakan oleh seorang pakar dalam menganalisis
masalah, memilih pengetahuan yang relevan dan melakukan pencocokan antara
fakta yang ada dengan kaidah (rules) yang telah ditetapkan sehingga mampu
memberikan jawaban definitife terbaik. Mesin inferensi memiliki dua macam
kategori dalam melakukan pengambilan keputusan, yaitu secara deterministik dan

14
secara probabilistic. Sedangkan dalam teknik penalarannya mesin inferensi dibagi
menjadi dua kelompok yaitu pelacakan ke belakang (backward chaining) dan
pelacakan ke depan (forward chaining).
c. Antarmuka Pemakai (User Interface)
Antarmuka Pemakai atau User Interface adalah bagian yang
menghubungkan antara program sistem pakar dengan pemakaian dimana akan
terjadi suatu kegiatan dialog dalam bentuk grafis antarmuka dan sekumpulan
pernyataan dalam bahasa alami yang memungkinkan pengguna dapat memerikan
informasi masukan pada mesin.
d. Mesin Pengembangan (Development Engine)
Mesin Pengembangan atau Development Engine adalah bagian yang
memfasilitasi sistem pakar untuk mengembangkan mesin inferensi dan
mendapatkan tambahan basis pengetahuan untuk dapat memberikan objek hasil
yang lebih baik.
2.2.5. Data Flow Diagram (DFD)
Data Flow Diagram (DFD) merupakan alat pembuatan model yang
memungkinkan professional sistem untuk menggambarkan sistem sebagai suatu
jaringan proses fungsional yang dibutuhkan satu sama lain dengan alir data atau
dengan kata lain merupakan suatu diagram yang digunakan untuk
menggambarkan suatu sistem yang telah ada atau sistem yang baru dikembangkan
secara fisik. Dimana data mengalir atau disimpan (tingkatan-tingkatan) yang
terdapat pada DFD adalah (Murdiyanto, 2019):

15
a. Diagram Konteks
Diagram konteks adalah tingkatan tertinggi dalam diagram aliran data dan
memuat suatu proses, menunjukan sistem secara keseluruhan. Proses tersebut
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
diketahui penganalisis dari wawancara dengan pengguna dan sebagai hasil
dokumen.
b. Diagram Level n
Diagram level n adalah dekomposisi dari diagram nol atau diagram
konteks. Diagram level nol menjelaskan proses secara lebih terperinci. Diagram
level 1 merupakan turunan langsung dari diagram nol, artinya diagram level 1
berada satu tingkat lebih rendah daripada diagram nol.
2.2.6. Metode Naïve Bayes
Naïve Bayes atau lebih dikenal dengan Naïve Bayes Classifier merupakan
pengklasifikasian dengan metode probabilitas dan statistic sederhana yang
dikemukakan oleh ilmuwan Inggris Thomas Bayes, teorema tersebut
dikombinasikan dengan “naïve” dimana diasumsikan kondisi antar atribut saling
bebas. Naïve Bayes Classifier teknik sangat cocok ketika dimensi dari input yang
tinggi. Meskipun sederhana, Naïve Bayes sering dapat mengungguli metode
klasifikasi yang lebih canggih.Naïve Bayes model memungkinkan setiap atribut

16
untuk memberikan kontribusi terhadap keputusan akhir sama dan independen dari
atribut lainnya (Kurniawan dkk, 2014).
Aturan Bayes adalah dasar untuk mesin pembelajaran (machine-learning)
dan metode dasar data mining. Aturan (algoritma) digunakan untuk membuat
model dengan kemampuan prediksi. Algoritma ini menyediakan cara baru untuk
mengeksplorasi dan memahami data. Naïve Bayes yang digunakan dalam
pengambilan keputusan tidak terlepas dari teori peluang sebagai konsep dasar.
Naïve bayes dikenal sebagai rumus dasar untuk peluang bersyarat yang tidak
bebas. Syarat Naïve Bayes bisa digunakan untuk menentukan pengambilan
keputusan, yaitu :
a. Berada pada kondisi ketidakpastian (adanya alternatif tindakan)
b. Peluang prior diketahui dan peluang posterior dapat ditentukan
c. Peluangnya memiliki nilai antara nol dan satu.
Goraya dkk (2017) Algoritma Naïve Bayes didasarkan pada tiga konsep,
yaitu anteseden, kelayakan dan prediksi. Antaseden berarti beberapa informasi
masa lalu tentang insiden tersebut, kelayakan berarti peluang peristiwa itu terjadi
dimasa depan dan prediksi berarti beberapa ramalan dibuat tentang terjadinya
peristiwa itu berdasarkan dua konsep pertama.
Jalan pikiran dengan Naïve Bayes sangat berguna dalam pengkajian
masalah menuju diagnosis. Kegunaannya adalah memberikan kuantifikasi dari
probabilitas adanya suatu kerusakan bila hasil pengecekan lanjutan positif atau
negative atau analisis gejala dan tanda suatu kerusakan.

17
Secara matematis rumus Bayesian Probability ditulis seperti :
𝑃 𝑋 𝐻 𝑥 𝑃(𝐻)
𝑃 𝐻𝑋 = 𝑃(𝑋)
…………………………………....(2.1)
Keterangan :
X : Data dengan class yang belum diketahui

H : Hipotesis data x merupakan suatu class spesifik
P(H|X) : Probabilitas hipotesis H berdasarkan kondisi X (posterior
probability)
P(H) : Probabilitas hipotesis H (prior probability)
P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis H
P(X) : Probabilitas dari X
Perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk
untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut.
Teorema bayes di atas disesuaikan sebagai berikut :
𝑃 𝐶 𝑃(𝐹1…𝐹𝑛 |𝐶)
𝑃(𝐶|F1 … Fn) = …………………………….(2.2)
𝑃(𝐹1…𝐹𝑛 )
Variable C merepresentasikan kelas, sementara variabel F1… Fn
mempresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan
klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel
karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas
C (sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan
peluang kemunculan karakteristik-karakteristik sampel pada C (likehood), dibagi
dengan peluang kemunculan karakteristik-karakteristik sampel secara global
(evidence). Karena itu, rumus di atas dapat pula ditulis secara sederhana sebagai
berikut
18
𝑃𝑟𝑖𝑜𝑟 𝑥 𝑙𝑖𝑘𝑒𝑙𝑖 ℎ𝑜𝑜𝑑

𝑃𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 = ……………………………..…(2.3)
𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒
Nilai evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari
posterior tersebut nantinya akan dibandingkan dengan nilai-nilai posterior kelas
lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan
(Bustami, 2013).
Naïve bayes digunakan untuk menghitung probabilitas terjadinya suatu
kerusakan alat berdasarkan gejala atau penyebab yang didapat dari pengujian.
Naïve bayes dapat diterapkan dibidang teknisi sebagai perhitungan untuk
memberikan tingkat kepercayaan akan suatu kerusakan berdasarkan bukti-bukti
yang ada (Zulvandri, 2013).
2.2.7. Keunggulan dan Kelemahan Metode Naïve Bayes
Rohmana (2014) Keunggulan metode Naïve Bayes sehingga digunakan
dalam aplikasi ini adalah.
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
sederhana yang dapat digunakan adalah metode Bayes;
b. Metode Bayes ini merupakan metode yang baik di dalam mesin
pembelajaran berdasarkan data training, dengan menggunakan probabilitas
bersyarat sebagai dasarnya.
Sedangkan kelemahan dari metode Naïve Bayes adalah.
a. Metode Bayes hanya bisa digunakan untuk persoalan klasifikasi dengan
supervised learning dan data-data kategorikal;

19
b. Metode Bayes memerlukan pengetahuan awal untuk dapat mengambil
suatu keputusan. Tingkat keberhasilan metode ini sangat tergantung pada
pengetahuan awal yang diberikan.

BAB III
METODE PENELITIAN
3.1. Metode Penelitian
Metodologi penelitian adalah suatu panduan dalam melakukan suatu
penelitian. Metodologi penelitian berisi rencana atau tahapan awal hingga akhir
yang menghasilkan output sesuai yang diharapkan. Berikut metodologi penelitian
yang dilakukan dalam penelitian digambarkan dalam bentuk diagram alir dapat
dilihat pada Gambar 3.1.

Mulai
Pengumpulan data
Perencanaan
Perancangan
Pengujian
Apakah sistem
beroperasi?
Tidak
Ya
Analisis Perhitungan
Kesimpulan
Selesai
Gambar 3.1 Diagram Alir Metode Penelitian
20
21
3.1.1. Pengumpulan Data
Tahapan dalam pengumpulan data merupakan tahapan untuk menganalisa
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
mendapatkan rekapitulasi data kerusakan perangkat Electrocardiograph (ECG)
dan mewawancarai teknisi sebagai narasumber serta melakukan observasi
pengamatan dan pemahaman serta mencatat hal-hal penting dalam pengumpulan
data kerusakan, kemudian dilakukan proses perekapan data berdasarkan hasil
yang didapatkan dan sesuai buku pedoman perbaikan pada kerusakan perangkat
Electrocardiograph (ECG).
3.1.2. Perencanaan
Proses perencanaan dibutuhkan untuk mempermudah dalam perancangan
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
kemudian disimpan ke dalam database.
b. Transformasi Data
Pada tahapan transformasi data merupakan tahapan untuk merubah nilai
data gejala menjadi bentuk skala angka 0 dan 1 sehingga dapat digunakan untuk
perhitungan tahap pelatihan dan pengujian pada sistem pakar dengan
menggunakan Naïve Bayes. Data yang ditransformasikan adalah gejala kerusakan
perangkat Electrocardiograph (ECG). Berikut transformasi nilai variabel dapat
dilihat pada tabel 3.1.
Tabel 3.1. Transformasi Nilai Variabel

Keterangan Skala Nilai
Data Gejala Kerusakan ECG Ya 1
Tidak 0
3.1.3. Perancangan Sistem
Pada perancangan sistem pakar untuk mendiagnosa kerusakan perangkat
Electrocardiograph (ECG) diperlukan alat dan bahan sebagai berikut :
a. Laptop dengan spesifikasi, Prosesor Intel Celeron dan RAM 4GB;
b. Sistem operasi windows 10;
c. Matrix Laboratory (Matlab);
d. Microsoft Excel;
23
e. Photoshop;
f. Data Kerusakan Electrocardiograph (ECG);
Pada sistem ini pengguna berperan untuk memberikan informasi kepada
sistem mengenai gejala kerusakan perangkat Electrocardiograph (ECG),
kemudian sistem akan bekerja secara otomatis berdasarkan kaidah yang sudah
diterapkan dalam program untuk memperoleh kesimpulan dari pertanyaan yang
diberikan sebagai hasil penentu kerusakan perangkat Electrocardiograph (ECG).
Selain memberikan hasil kerusakan, sistem juga akan memberikan solusi
mengenai kerusakan bagian-bagian tertentu pada perangkat Electrocardiograph
(ECG). Proses aliran data saat dijalankan oleh pengguna (user) digambarkan pada
Data Flow Diagram (DFD) level 0 dan dijabarkan secara terperinci pada level 1 .
a. Data Flow Diagram (DFD)
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
Gambar 3.2 Data Flow Diagram (DFD) level 0

24
Dari Gambar 3.2 kemudian diperinci pada Gambar 3.3 dalam DFD level 1.
Pada gambar tersebut menperlihatkan bahwa user akan memasukkan data gejala
kerusakan pada perangkat Electrocardiograph (ECG). Dari data tersebut
kemudian diproses menggunakan pengujian metode Naïve Bayes. Dari proses
tersebut dihasilkan kerusakan yang terjadi sesuai dengan perhitungan Naïve Bayes
dan diberikan solusi yang tepat untuk menyelesakan permasalahan tersebut.
Data Gejala KerusakanECG

1
PROSES
Informasi INPUT
DATA
Data Gejala
2
NAÏVE
USER BAYES
Data Hasil Analisis
Gambar 3.3 Data Flow Diagram (DFD) level 1
3.1.4. Pengujian
Pada tahapan ini dilakukan pengujian untuk mengetahui keberhasilan dan
tingkat akurasi dari sistem sudah berhasil atau belum. Pengujian yang dilakukan
yaitu rancangan pengujian, pengujian kecocokan sistem dengan ahli dan
pengujian parameter Naïve Bayes terhadap hasil penelitian.
3.1.5. Analisis Perhitungan
Tahap analisis perhitungan merupakan tahapan yang bertujuan untuk
menganalisis data dan pengujian data dengan perhitungan yang diterapkan.

25
Setelah melakukan pengujian dan analisis terhadap sistem akan diperoleh suatu
kesimpulan dari hasil penelitian
3.1.6. Kesimpulan
Kesimpulan merupakan tahap terakhir dari penelitian yang dilakukan.
dibagian ini akan memberikan kesimpulan berdasarkan hasil dari penelitian
sekaligus memberikan saran untuk menyempurnakan dan mengembangkan
penelitian ini.
3.2. Metode Naïve Bayes
Langkah-langkah dalam menerapkan perhitungan menggunakan Naïve
Bayes dapat dilihat pada diagram flowchart Gambar 3.4.
Gambar 3.4. Alur Perhitungan Naïve Bayes

26
a. Menginput gejala kerusakan sesuai data kerusakan electrocardiograph
(ECG;
b. Menghitung nilai prior P(H) untuk mengetahui probabilitas kemungkinan
kerusakan;
c. Menghitung nilai likelihood P(X|H) untuk mengetahui probabilitas
kerusakan / gejala berdasarkan total;
d. Menghitung nilai posterior P(H|X), probabilitas berdasarkan pilihan /
kerusakan gejala;
e. Membandingkan hasil perhitungan posterior untuk mendapatkan nilai
tertinggi dan memperoleh keputusan kerusakan electrocardiograph
(ECG).
3.3. Perancangan Antarmuka (Interface)
Perancangan antar muka (interface) digunakan untuk menghubungkan
antar user kepada aplikasi yang telah dibangun sehingga user dapat berinteraksi
dengan aplikasi secara mudah. Perancangan interface pada penelitian ini
menggunakan GUI (Graphical User Interface) yang ada pada matlab dengan
menampilkan empat halaman menu yaitu halaman utama, halaman tentang,
halaman petunjuk, halaman diagnosa dan exit. Perancangan interface dapat dilihat
pada gambar 3.5.

27
Gambar 3.5 Perancangan pada Matlab
3.3.1. Desain Tampilan Halaman Utama
Tampilan halaman utama adalah halaman pertama yang terdiri dari empat
tombol menu. Berikut desain tampilan halaman depan dapat dilihat pada gambar
3.6.
28
Gambar 3.6 Perancangan Halaman Depan
3.3.2. Desain Tampilan Halaman Tentang
Tampilan halaman tentang adalah halaman yang terdapat sebagai menu
pilihan yang menjelaskan tentang perangkat Electrocardiograph (ECG). Berikut
desain tampilan halaman tentang dapat dilihat pada gambar 3.7.
BERISI TENTANG PERANGKAT ELECTROCARDIOGRAPH (ECG)
Gambar 3.7 Perancangan Halaman Tentang
3.3.3. Desain Tampilan Halaman Petunjuk
Tampilan halaman petunjuk adalah halaman yang terdapat sebagai menu
pilihan yang menjelaskan petunjuk atau cara penggunaan diagnosa kerusakan

29
perangkat Electrocardiograph (ECG). Berikut desain tampilan halaman petunjuk
dapat dilihat pada gambar 3.8.
Gambar 3.8 Perancangan Halaman Petunjuk

3.3.4. Desain Tampilan Halaman Diagnosa
Tampilan halaman diagnosa adalah halaman yang menampilkan variabel
gejala kerusakan Electrocardiograph (ECG) dan hasil dari diagnosa tersebut.
Berikut desain tampilan halaman diagnosa dapat dilihat pada gambar 3.9.
Gambar 3.9 Perancangan Halaman Diagnosa

BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Pengumpulan Data
Tahapan awal penelitian ini adalah pengumpulan data kerusakan
Electrocardiograph (ECG) sebagai objek penelitian. Data yang digunakan
diperoleh dari beberapa kerusakan Electrocardiograph (ECG) di RSJ. Prof. Dr.
Soerojo Magelang. Teknik pengumpulan data yang digunakan dalam penelitian
ini adalah wawancara dan studi literature. Data yang diperoleh berupa gejala
kerusakan dan solusi kerusakan dari perangkat Electrocardiograph (ECG) dapat
dilihat pada lampiran 2.
4.2 Implementasi Database
Perancangan database dilakukan pada Microsoft Excel dengan memasukan
beberapa gejala kerusakan yang disimbolkan dengan variabel G1 – G23 dan data
kerusakan disimbolkan dengan variabel K1 – K5. Data target dapat digantikan
dengan nilai 1 sebagai pernyataan YA dan nilai 0 sebagai pernyataan TIDAK.
Database tersebut menjadi tempat penyimpanan data masukan pengguna yang
akan dikoneksikan pada program sistem pakar pengolahan data. Data latih yang
digunakan dapat dilihat pada Tabel 4.1.
30
31
Tabel 4.1. Data Latih

No. Gejala K1 K2 K3 K4 K5
1 G1 1 0 0 0 0
2 G2 1 0 0 0 0
3 G3 1 0 0 0 0
4 G4 1 0 0 0 0
5 G5 1 0 0 0 0
6 G6 0 1 0 1 0
7 G7 0 1 0 0 0
8 G8 0 1 1 0 0
9 G9 0 1 0 0 1
10 G10 0 1 0 0 0
11 G11 0 0 1 0 0
12 G12 0 0 1 0 0
13 G13 0 0 1 0 0
14 G14 0 0 1 0 0
15 G15 0 0 1 0 0
16 G16 0 0 0 1 0
17 G17 0 0 0 1 1
18 G18 0 0 0 1 0
19 G19 0 0 0 1 0
20 G20 0 0 0 0 1
21 G21 0 0 0 0 1
22 G22 0 0 0 0 1
23 G23 0 0 0 0 1
4.3 Implementasi Metode Naïve Bayes
Implementasi metode Naïve Bayes menggambarkan inferensi Naïve Bayes
yang diterapkan pada aplikasi yang dibangun. Aplikasi sistem pakar ini memiliki
beberapa tahap untuk menentukan atau mendeteksi kerusakan yang terjadi pada
perangkat Electrocardiograph (ECG). Tahap pertama admin memasukan data

32
latih yang disimpan sebagai database dan menerapkan metode Naïve Bayes untuk
menentukan keputusan dengan membandingkan nilai tertinggi. Tahap kedua
setelah basis aturan tersimpan menjadi sistem, pengguna dapat menjalankan dan
menentukan jenis kerusakan yang terjadi pada perangkat Electrocardiograph
(ECG) yang terdapat pada halaman diagnosa. Berikut dijelaskan langkah-langkah
dalam menerapkan perhitungan Naïve Bayes.
𝑃 𝑋 𝐻 𝑥 𝑃(𝐻)
𝑃 𝐻𝑋 = 𝑃(𝑋)
(4.1)
𝑃 𝐺 𝐾 𝑥 𝑃(𝐾)
𝑃 𝐾𝐺 = 𝑃(𝐺)
(4.2)
𝑃𝑟𝑖𝑜𝑟 𝑥 𝐿𝑖𝑘𝑒𝑙𝑖 ℎ𝑜𝑜𝑑

𝑃𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 = 𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒
(4.3)
Rumus di atas dapat diturunkan lagi menjadi :
𝐽𝑢𝑚𝑙𝑎 ℎ 𝑘𝑒𝑚𝑢𝑛𝑔𝑘𝑖𝑛𝑎𝑛
𝑃𝑟𝑖𝑜𝑟 𝑃(𝐺|𝐾) = 𝐽𝑢𝑚𝑙𝑎 ℎ 𝑘𝑒𝑚𝑢𝑛𝑔𝑘𝑖𝑛𝑎𝑛 𝑔𝑒𝑗𝑎𝑙𝑎 𝑘𝑒𝑟𝑢𝑠𝑎𝑘𝑎𝑛
(4.4)
𝑇𝑜𝑡𝑎𝑙 𝑔𝑒𝑗𝑎𝑙𝑎 𝑘𝑒𝑟𝑢𝑠𝑎𝑘𝑎𝑛

𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 𝑃(𝐾) = 𝑇𝑜𝑡𝑎𝑙 𝑔𝑒𝑗𝑎𝑙𝑎
(4.5)
Perhitungan probabilitas masing-masing kriteria dilakukan dalam masing-
masing kelas diagnosa yaitu nilai P(K|G) dihasilkan dari P(G|K) pada setiap
kemungkinan akan dikalikan dengan hasil perhitungan P(K) pada setiap
kemungkinan. Selanjutnya mengikuti kaidah HMAP (Hypothesis Maximum
Aposteriori Probability) untuk menginferensi hasil akhir keputusan kelas
diagnosis yaitu perhitungan P(G|K).P(K) yang digunakan sebagai hasil keputusan
diagnosa sesuai perhitungan nilai yang paling maksimum (Nastiti, 2016). Setelah
memahami urutan rumus yang akan digunakan, berikut disajikan contoh

33
perhitungan dari kerusakan perangkat Electrocardiograph (ECG). Contoh
kerusakan yang dialami dapat dilihat pada tabel 4.2.
Tabel 4.2. Contoh data kerusakan Electrocardiograph (ECG)

Kode Inisialisasi
Nama Gejala
Gejala Ya Tidak
Resistensi elektroda tinggi G12 0 1
Grounding listrik jelek G11 1 0
Koneksi kabel kendor dan kotor G8 1 0
Elektroda kotor G13 0 1
Rangkaian sangkar board faraday cage error G15 1 0
Gejala yang tampak pada kerusakan Electrocardiograph (ECG) terdapat lima
gejala dengan tiga gejala YA dan dua gejala TIDAK.
Langkah pertama adalah mencari nilai prior P(G|K) berdasarkan rumus pada
persamaan (4.4) yang muncul dari masing-masing kerusakan.
Tabel 4.3. Contoh perhitungan nilai prior

Grounding listrik jelek (G11) 0
G11 = 5 = 0
Koneksi kabel kendor dan kotor (G8) 0
Kerusakan 1 G8 = 5 = 0
Rangkaian sangkar board faraday cage 0
G15 = 5 = 0
error (G15)
G11 = 5 = 0.2
Kerusakan 2 Koneksi kabel kendor dan kotor (G8) 0
G8 = 5 = 0
G15 = 5 = 0
error (G15)
G11 = 6 = 0.16667
G8 = 6 = 0.16667
G15 = = 0.16667
6
error (G15)
G11 = 5 = 0
G8 = 5 = 0
G15 = 5 = 0
error (G15)
G11 = 6 = 0
G8 = 6 = 0
G15 = 6 = 0
error (G15)
34
Langkah kedua adalah menentukan nilai likelihood P(K) berdasarkan rumus
pada persamaan (4.5) yang muncul dari masing-masing kerusakan.
Tabel 4.4. Contoh perhitungan likelihood

5
Kerusakan 1 Likelihood1 = 27 = 0.18519
5
6
5
6
Langkah ketiga adalah mencari nilai posterior dengan mengalikan hasil dari
perhitungan masing-masing gejala dan nilai likelihood.
Tabel 4.5. Perhitungan nilai posterior

Kerusakan 1 Posterior1 = 0 x 0 x 0 x 0.18519 0
Kerusakan 2 Posterior2 = 0.2 x 0 x 0 x 0.18519 0
Kerusakan 3 Posterior3 = 0.16667 x 0.16667 x 0.16667 x
0.0010288
0.22222
Setelah nilai posterior dari masing-masing kerusakan didapatkan, untuk
mendapatkan keputusan mengenai kerusakan perangkat Electrocardiograph
(ECG) maka harus membandingkan antara hasil nilai posterior1 sampai dengan
posterior5 dengan mencari nilai yang tertinggi.
Nilai posterior P(H|X) atau P(K|G) atau pada coding ditulis dengan variabel H,
untuk memperoleh suatu keputusan dapat dituliskan sebagai berikut:
IF
H1>=H2 && H1>=H3 && H1>=H4 && H1>=H5
Hasil “tidak dapat menampilkan hasil print out”

35
ELSE IF
H2>=H1 && H2>=H3 && H2>=H4 && H2>=H5
Hasil “tampilan display tidak jelas atau mati”
ELSE IF
H3>=H1 && H3>=H2 && H3>=H4 && H3>=H5
Hasil “grafik tidak teratur”
ELSE IF
H4>=H1 && H4>=H2 && H4>=H3 && H4>=H5
Hasil “keyboard tidak berfungsi”
ELSE IF
H5>=H1 && H5>=H2 && H5>=H3 && H5>=H4
Hasil “power menyala tetapi tidak berfungsi”
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”.
4.4 Implementasi Antarmuka (Interface)
Perancangan antar muka (interface) digunakan untuk menghubungkan
antar user kepada aplikasi yang telah dibangun sehingga user dapat berinteraksi
dengan aplikasi secara mudah. Perancangan interface pada penelitian ini
menggunakan GUI (Graphical User Interface) yang ada pada matlab dengan
menampilkan empat halaman menu yaitu halaman utama, halaman tentang,
halaman petunjuk, halaman diagnosa dan exit.

36
4.4.1. Hasil Tampilan Halaman Utama
Tampilan halaman utama merupakan tampilan awal ketika user pertama
kali memasuki aplikasi sistem pakar ini. Tampilan halaman utama dapat dilihat
pada gambar 4.1 dan keterangan gambar terdapat pada tabel 4.6.
Gambar 4.1. Tampilan Halaman Utama
Tabel 4.6. Keterangan halaman utama

No. Keterangan
1. Menampilkan biodata dari si pembuat sistem
2. Menampilkan petunjuk penggunaan atau langkah-
langkah dalam menjalankan program sistem pakar.
3. Menampilkan halaman diagnosa terhadap kerusakan
Electrocardiograph (ECG)
4. Kemballi pada halaman awal
4.4.2. Tampilan Halaman Tentang
Tampilan halaman tentang merupakan bagian yang berisi tentang
penjelasan dari perangkat Elcetrocardiograph (ECG). Perancangan pada halaman

37
ini hanya menggunakan satu jenis komponen sebagai tombol untuk kembali ke
manu awal. Tampilan halaman tentang dapat dilihat pada gambar 4.2.
Gambar 4.2. Tampilan Halaman Tentang
4.4.3. Tampilan Halaman Petunjuk
Tampilan halaman petunjuk merupakan bagian yang berisi tentang
petunjuk penggunaan atau langkah-langkah dalam menjalankan program sistem
pakar. Perancangan pada halaman petunjuk hanya menggunakan satu jenis
komponen sebagai tombol untuk kembali ke menu awal. Tampilan halaman
petunjuk dapat dilihat pada gambar 4.3.

38
Gambar 4.3. Tampilan Halaman Petunjuk
4.4.4. Tampilan Halaman Diagnosa
Tampilan halaman diagnosa merupakan bagian yang berisi tentang gejala-
gejala dari kerusakan electrocardiograph (ECG) ditunjukan pada Gambar 4.4 dan
keterangan gambar ditunjukan pada tabel 4.7. Setelah memasukan gejala yang
dialami, kemudian akan ditampilkan hasil perhitungan Naïve Bayes untuk
memperoleh keputusan berdasarkan nilai tertinggi.
Gambar 4.4. Tampilan Halaman Diagnosa

39
Tabel 4.7. Keterangan Halaman Diagnosa

No. Keterangan
1. Berisi data gejala-gejala kerusakan Electrocardiograph (ECG)
2. Menampilkan hasil diagnosa kerusakan Electrocardiograph
(ECG)
3. Menampilkan solusi dari kerusakan yang terjadi
4. Menampilkan waktu yang dibutuhkan dalam proses diagnosa
5. Terdapat 3 tombol yang memudahkan dalam proses
pengeksekusian
6. Berisi data latih (training) untuk membantu dalam proses
penentuan diagnosa
7. Menampilkan hasil proses perhitungan Naïve Bayes untuk
mengambil keputusan berdasarkan berdasarkan probabilitas.
4.5. Implementasi Pada Sistem
Proses implementasi pada sistem dilakukan dengan pemilihan gejala
sesuai data kerusakan, proses pemilihan gejala dapat dilihat pada Gambar 4.5,
setelah melakukan proses pemilihan gejala selanjutnya pilih tombol diagnosa
untuk menentukan jenis kerusakan yang dialami. Proses diagnosa berisi
perhitungan dengan metode Naïve Bayes berdasarkan data latih yang sudah
ditetapkan. Gambar 4.6 menunjukan data latih yang digunakan sebagai ketetapan.
Gambar 4.7 menunjukan hasil dari perhitungan Naive Bayes dengan
membandingkan setiap gejala terhadap beberapa kerusakan. Setelah melalui
proses perbandingan perhitungan dengan diperoleh nilai tertinggi, maka dapat
diambil keputusan kerusakan yang dialami perangkat electrocardiograph (ECG).
Gambar 4.8 menunjukan hasil akhir mengenai kerusakan dan solusi untuk
menyelesaikan kerusakan tersebut dan menampilkan waktu yang digunakan untuk
mengambil keputusan.
40
Gambar 4.5. Proses Pemilihan Gejala
Gambar 4.6. Data Latih

41
Gambar 4.7. Hasil Perhitungan Naïve Bayes
Gambar 4.8 Hasil Akhir
4.6. Hasil Perhitungan Data Uji
Proses yang dilakukan oleh metode ini meliputi proses perhitungan dari
setiap inputan data user dengan cara opsional. Data opsional berupa gejala-gejala
kerusakan yang dipilih. Data kerusakan diperoleh dari 3 type Electrocardiograph
(ECG). Data gejala-gejala kerusakan yang akan diujikan terdapat pada Tabel 4.8
dan untuk lebih lengkapnya terdapat pada Lampiran 3.

42
Tabel 4.8. Data Kerusakan yang Diuji
No. Gejala Kerusakan Kode Type

Kerusakan Ke – 1
1. Karet karbon kendor G6
2. Software rusak G19
Mediana
3. Board control error G17
4. Karet karbon keras G18
Kerusakan Ke – 2
1. Grounding jelek G11
2. Elektroda kotor G13
Densi / Cardimax
3. Kabel kendor G8
4. Rangkaian board faraday error G15
Kerusakan Ke – 3
1. Kertas terbalik G1
2. Heater putus, G3
Mediana
3. Karet roller tipis G5
4. Karbon kering G2
Kerusakan Ke – 4
1. Jalur keyboard terputus G16
2. Karet karbon keras, G18 Mediana
Kerusakan Ke – 5
1. Resistensi elektroda tinggi G12
2. eEektroda kotor G13
Mediana
3. Koneksi kabel kendor G8
4. Resistensi kabel tinggi G14
Sumber : Data Teknisi RSJ Prof. Dr. Soerojo Magelang
Proses perhitungan dengan memasukan gejala yang diganti dengan
variabel G1 – G23 dan kerusakan dengan variabel K1 – K5 untuk mempermudah
dalam proses penghitungan. Hasil perhitungan kerusakan secara manual dengan
metode Naïve Bayes dituliskan pada Tabel 4.9 sampai dengan 4.23
43
Tabel 4.9 Perhitungan Kerusakan Ke – 1

Kode Perhitungan Nilai Prior Pada Kerusakan
Gejala K1 K2 K3 K4 K5
G6 0 0.2 0 0.2 0
G19 0 0 0 0.2 0
G17 0 0 0 0.2 0
G18 0 0 0 0.2 0
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0 0.0002963 0
Posterior
Keputusan
Keyboard Tidak Berfungsi
Kerusakan
Tabel 4.9 menjelaskan proses perhitungan pada sistem dengan memasukan
gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada lampiran 2.
Hasil perhitungan menunjukan kerusakan yaitu Keyboard Tidak Berfungsi.
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,
0.2, 0.2) dikali dengan nilai likelihood (0.18519).

G11 0 0 0.16667 0 0
G13 0 0 0.16667 0 0
G15 0 0 0.16667 0 0
G8 0 0.2 0.16667 0 0
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0.00017147 0 0
Posterior
Keputusan
Grafik Tidak Teratur
Kerusakan
44
Tabel 4.10 menjelaskan proses perhitungan pada sistem dengan
memasukan gejala yang terjadi pada kerusakan dan dituliskan sesuai kode pada
lampiran 2. Hasil perhitungan menunjukan kerusakan yaitu Grafik Tidak Teratur.
Nilai tersebut dihasilkan dari nilai probabilitas masing-masing gejala (0.16667,
0.16667, 0.16667, 0.16667) dikali dengan nilai likelihood (0.22222).

G1 0.2 0 0 0 0
G3 0.2 0 0 0 0
G5 0.2 0 0 0 0
G2 0.2 0 0 0 0
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0.0002963 0 0 0 0
Posterior
Keputusan
Tidak Dapat Menampilkan Hasil Print Out
Kerusakan
lampiran 2. Hasil perhitungan menunjukan kerusakan yaitu Tidak Dapat
Menampilkan Hasil Print Out. Proses ini ditunjukan pada Tabel 4.11 bahwa nilai
posterior menghasilkan nilai tertinggi yaitu 0.0002963 dibandingkan 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

G16 0 0 0 0.2 0
G18 0 0 0 0.2 0
G19 0 0 0 0.2 0
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0 0.0014815 0
Posterior
Keputusan
Kerusakan
lampiran 2. Hasil perhitungan menunjukan kerusakan yaitu Keyboard Tidak
Berfungsi. Proses ini ditunjukan pada Tabel 4.12 bahwa nilai posterior
menghasilkan nilai tertinggi yaitu 0.0014815 dibandingkan nilai posterior pada
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).

G12 0 0 0.16667 0 0
G13 0 0 0.16667 0 0.16667
G8 0 0.2 0.16667 0 0
G14 0 0 0.16667 0 0
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0.00017147 0 0
Posterior
Keputusan
Kerusakan
46
0.16667, 0.16667, 0.16667) dikali dengan nilai likelihood (0.22222).

G6 0 0.2 0 0.2 0
G8 0 0.2 0 0 0
G9 0 0.2 0 0 0.16667
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0.0014815 0 0 0
Posterior
Keputusan
Tampilan Display Tidak Jelas Atau Mati
Kerusakan
lampiran 2. Hasil perhitungan menunjukan kerusakan yaitu Tampilan Display
Tidak Jelas Atau Mati. Proses ini ditunjukan pada Tabel 4.14 bahwa nilai
masing-masing gejala (0.2, 0.2, 0.2) dikali dengan nilai likelihood (0.18519).
47

G16 0 0 0 0.2 0
G17 0 0 0 0.2 0.16667
G7 0 0.2 0 0 0
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0 0 0
Posterior
Keputusan
Gagal mendefinisi kerusakan
Kerusakan
lampiran 2. Hasil perhitungan menunjukan gagal mendefinisi kerusakan. Proses
ini ditunjukan pada Tabel 4.15 bahwa nilai posterior menghasilkan nilai 0 semua.
Nilai tersebut diperoleh dari hasil perkalian probabilitas masing-masing gejala
(prior) dan likelihood.

G7 0 0.2 0 0 0
G9 0 0.2 0 0 0.16667
G10 0 0.2 0 0 0
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0.0014815 0 0 0
Posterior
Keputusan
Tampilan display tidak jelas atau mati
Kerusakan
48
Tidak Jelas Atau Mati. Proses ini ditunjukan pada Tabel 4.16 bahwa nilai
masing-masing gejala (0.2, 0.2, 0.2) dikali dengan nilai likelihood (0.18519).

G6 0 0.2 0 0.2 0
G16 0 0 0 0.2 0
G17 0 0 0 0.2 0.16667
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0 0.0014815 0
Posterior
Keputusan
Kerusakan
lampiran 2. Hasil perhitungan menunjukan kerusakan yaitu Keyboard Tidak
Berfungsi Proses ini ditunjukan pada Tabel 4.17 bahwa nilai posterior
49

G9 0 0.2 0 0 0.16667
G17 0 0 0 0.2 0.16667
G20 0 0 0 0 0.16667
G23 0 0 0 0 0.16667
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0 0 0.00017147
Posterior
Keputusan
Power Menyala Tetapi Tidak Berfungsi
Kerusakan
lampiran 2. Hasil perhitungan menunjukan kerusakan yaitu Keyboard Power
Menyala Tetapi Tidak Berfungsi. Proses ini ditunjukan pada Tabel 4.18 bahwa
nilai posterior menghasilkan nilai tertinggi yaitu 0.00017147 dibandingkan nilai
masing-masing gejala (0.16667, 0.16667, 0.16667, 0.16667) dikali dengan nilai
likelihood (0.22222).

G13 0 0 0.16667 0 0
G8 0 0.2 0.16667 0 0
G15 0 0 0.16667 0 0
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0.0010288 0 0
Posterior
Keputusan
Kerusakan
50

G22 0 0.2 0 0 0.16667
G23 0 0 0 0 0.16667
G21 0 0 0 0 0.16667
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0 0 0.0010288
Posterior
Keputusan
Kerusakan
lampiran 2. Hasil perhitungan menunjukan kerusakan yaitu Power Menyala Tetapi
Tidak Berfungsi. Proses ini ditunjukan pada Tabel 4.20 bahwa nilai posterior
masing gejala (0.16667, 0.16667, 0.16667) dikali dengan nilai likelihood
(0.22222).
51

G4 0.2 0 0 0 0
G3 0.2 0 0 0 0
G5 0.2 0 0 0 0
G11 0 0 0.16667 0 0
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0 0 0
Posterior
Keputusan
Gagal Mendefinisi Kerusakan
Kerusakan
lampiran 2. Hasil perhitungan menunjukan gagal mendefinisi kerusakan. Proses
ini ditunjukan pada Tabel 4.21 bahwa nilai posterior menghasilkan nilai 0 semua.
Nilai tersebut diperoleh dari hasil perkalian probabilitas masing-masing gejala
(prior) dan likelihood.

G7 0 0.2 0 0.2 0
G8 0 0.2 0.16667 0 0
G6 0 0.2 0 0 0
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0.0014815 0 0 0
Posterior
Keputusan
Tampilan Display Tidak Jelas atau Mati
Kerusakan
52
Tidak Jelas atau Mati. Proses ini ditunjukan pada Tabel 4.22 bahwa nilai posterior

G20 0 0.2 0 0 0.16667
G9 0 0 0 0 0.16667
Hasil
0.18519 0.18519 0.22222 0.18519 0.22222
Likelihood
Hasil
0 0 0 0 0.0061728
Posterior
Keputusan
Kerusakan
Tabel 4.23 menjelaskan proses perhitungan pada sistem dengan memasukan
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,

53
4.7. Analisis Naïve Bayes pada Sistem
Perhitungan Naïve Bayes membutuhkan nilai posterior, prior dan
likelihood, masing-masing berpengaruh dalam proses pengambilan suatu
keputusan.
a. Nilai Prior
Nilai prior merupakan nilai yang diperoleh dari jumlah kemungkinan
akibat gejala dibandingkan dengan jumlah kemungkinan gejala kerusakan.
Perhitungan dilakukan pada masing-masing gejala yang dialami terhadap semua
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
keputusan yang tepat sesuai dengan perhitungan probabilistik.
b. Nilai likelihood
Nilai likelihood diperoleh dari total gejala kerusakan pada masing-masing
kerusakan dibandingkan dengan total gejala keseluruhan. Berdasarkan tabel 4.9 –
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
gejala yang dimasukan, nilai likelihood menghasilkan nilai yang sama

54
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
antara nilai masing-masing prior dan likelihood. Berdasarkan tabel di atas
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
penentu dalam mendapatkan suatu keputusan yang tepat.
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
panel yang menyebabkan sistem dapat mendeteksi kerusakan maupun tidak.
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
Gambar 9. Hasil Diagnosa Satu Panel Gejala
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
Mendefinisikan Jenis Kerusakan”. Gambar 4.10 menunjukan proses gagal dalam
mendeteksi kerusakan.
Gambar 4.10. Hasil Diagnosa Lebih dari 6 Panel Gejala

56
Pemilihan pada panel gejala kerusakan yang dilakukan sesuai data
kerusakan akan menampilkan hasil kerusakan yang dialami. Panel gejala
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.
Gambat 4.11. Panel Gejala Kerusakan Sesuai Data Kerusakan
4.8. Pengujian Perbandingan Pendeteksian Kerusakan Electrocardiograph
(ECG) Menggunakan Sistem dan Secara Manual
Pengujian sistem dilakukan dengan membandingkan kesesuaian antara
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
menerapkan metode Naïve Bayes sudah berjalan dengan baik. Pengujian
dilakukan terhadap 15 data kerusakan yang terjadi pada Electrocardiograph
(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
yang dihasilkan bernilai 0. Sehingga dapat disimpulkan bahwa metode Naïve
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
ditunjukan pada persamaan
𝑗𝑢𝑚𝑙𝑎 ℎ 𝑑𝑎𝑡𝑎 𝑎𝑘𝑢𝑟𝑎𝑡

𝑁𝑖𝑙𝑎𝑖 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎 ℎ 𝑠𝑒𝑙𝑢𝑟𝑢 ℎ 𝑑𝑎𝑡𝑎
𝑥 100% (4.1)
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
disimpulkan sebagai berikut :
a. Berhasil membuat sebuah perangkat lunak (software) baru yaitu sistem
pakar kerusakan perangkat Electrocardiograph (ECG) dengan metode
Naïve Bayes.
b. Metode Naïve Bayes dapat memberikan hasil diagnosa dengan cepat
berdasarkan nilai probabilitas kemunculan setiap jenis kerusakan pada
perangkat Electrocardiograph (ECG).
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
kerusakan sesuai dengan data latih sehingga kemungkinan memperoleh
suatu nilai sangat mungkin.
d. likelihood tidak berpengaruh terhadap hasil akhir (Posterior) kecuali Prior
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.
f. Metode Naïve Bayes tetap menelusuri perhitungan probabilitas pada
masing-masing gejala sampai menghasilkan suatu nilai sebagai kepastian.
58
59
g. Hasil diagnosa akan lebih akurat jika dilakukan penelusuran pada beberapa
gejala kerusakan Electrocardiograph (ECG).
h. Sistem yang dibangun dengan metode Naïve Bayes memiliki tingkat
akurasi sebesar 86.666 %.
5.2 Saran
Adapun saran yang dapat penulis berikan untuk pengembangan sistem
pakar ini agar lebih efektif antara lain :
a. Sistem pakar kerusakan perangkat Electrocardiograph (ECG) ini hanya
dapat digunakan untuk mendiagnosa 5 jenis kerusakan, untuk penelitian
selanjutnya dapat dikembangkan suatu sistem yang mendiagnosa lebih dari
5 jenis kerusakan pada perangkat Electrocardiograph (ECG).
b. Penelitian bisa dikembangkan lagi dengan menambah metode baru untuk
menyempurnakan kekurangan dari metode Nave Bayes.
c. Tampilan sistem pakar yang dibangun masih sederhana, sehingga dapat
dikembangkan lebih menarik dengan menambahkan lebih banyak gambar,
keterangan maupun menu.

DAFTAR PUSTAKA
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.
Bustami., 2013. Penerapan Algoritma Naïve Bayes untuk Mengklasifikasikan

Data Nasabah Asuransi : TECHSI Jurnal Penelitian Teknik Informatika,
pp. 128-146
Goraya, V. S. et al., 2017. Artificial Intelligence based Ensemble Model for

Diagnosis of Diabetes : International Journal of Advanced Research in
Computer Science.
Kemenkes., 2015. Pedoman Pengelolaan Peralatan Kesehatan di Fasilitas

Pelayanan Kesehatan.
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
Nasser, S. S., 2017. Penerapan Sistem Pakar Diagnosis Penyakit Mata

Menggunakan Software Matlab : Jurnal Ilmiah d'Computare Volume 7 ,
pp. 34-44.
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.
Putri, A. et al., 2014. Aplikasi Sistem Pakar Pendeteksi Kerusakan Pada

Smartphone : Seminar Nasional Teknologi Informasi dan Komunikasi, pp.
419-428.
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
Suleman. S. F. et al., 2018. Sistem Pakar untuk Mendeteksi Keruskan Komputer

dengan Metode Naive Bayes : Jurnal Evolusi Volume 6 No.2 , pp. 66-73.
Sutanto, A., 2010. Desain dan Realisasi Alat Electrocardiograph Berbasis

Mikroprosessor 8-Bit Berserta Sistem Database dan Monitoring yang
Berbasis Online untuk Membantu Pasien Jantung : Sekolah Tinggi
Teknologi Telkom Bandung.
Yang, Fen-Jen., 2018. An Implementation of Naïve Bayes Clasisifier : Department

of Computer Science Florida Polytechnic University Lakeland Florida, pp.
301-306.
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
Dokumentasi Wawancara dan Pengambilan Data

Lampiran 2
Data Latih Gejala Kerusakan Electrocardiograph (ECG)
No. Jenis Kerusakan Kode Gejala Kode

Kerusakan Gejala
Pemasangan kertas G1
terbalik
Tidak dapat Lapisan karbon kering G2
1. menampilkan hasil K1
print out Heater kotor atau putus G3
Trafo pemanas mati G4

Karet roller menipis G5
Koneksi karet karbon G6
kendor dan kotor
Lampu LED redup atau G7

mati
Tampilan display Koneksi kabel kendor dan G8
2. K2
tidak jelas atau mati kotor
Power supply lemah atau G9

error
LCD bocor G10
Koneksi kabel kendor dan G8

kotor
Grounding listrik jelek G11
Resistensi elektroda tinggi G12
3. Grafik tidak teratur K3 Elektroda kotor G13
Resistensi kabel elektroda G14

tinggi
Rangkaian sangkar board G15

faraday cage error
Koneksi karet karbon G6

Keyboard tidak kendor dan kotor
4. K4
berfungsi
Ada jalur yang terputus G16
Board controll error G17
Karet karbon sudah keras G18
Software rusak G19
Power supply lemah atau G9

error
Board control error G17
Grafik dilayar tidak G20

Power menyala muncul
5. K5
tetapi tidak berfungsi
Konektor socket elektroda G21
lepas
Display layar mati G22
Konektor display kendor G23
Sumber : Modul Teknisi Elektromedis, 2010

Lampiran 3
Data Kerusakan yang di Uji

No. Gejala Kerusakan Kode Type
Kerusakan Ke – 1
Mediana
4. Karet karbon keras G18
Kerusakan Ke – 2
1. Grounding jelek G11
Densi / Cardimax
3. Kabel kendor G8
4. Rangkaian board faraday error G15
Kerusakan Ke – 3
1. Kertas terbalik G1
2. Heater putus, G3
Mediana
3. Karet roller tipis G5
4. Karbon kering G2
Kerusakan Ke – 4
1. Jalur keyboard terputus G16
2. Karet karbon keras, G18 Mediana
Kerusakan Ke – 5
1. Resistensi elektroda tinggi G12
2. eEektroda kotor G13
Mediana
3. Koneksi kabel kendor G8
4. Resistensi kabel tinggi G14
Kerusakan Ke – 6
2. Koneksi kabel kendor G8 Nihon Kohden
3. Power supply lemah G9
Kerusakan Ke – 7
1. Jalur keyboard putus G16
2. Papan/board error G17 Mediana
3. Lampu LED mati G7
Kerusakan Ke – 8
1. LED redup G7
Nihon Kohden
2. Power supply error dan lemah G9
3. LCD bocor G10
Kerusakan Ke – 9
1. Koneksi karet karbon kendor G6
2. Jalur terputus G16 Mediana
3. Board control errror G17
Kerusakan Ke – 10
1. Power supply error G9
2. Grafik dilayar tidak muncul G20
Mediana
Konektor kendor G23
Kerusakan Ke – 11
2. Koneksi kabel kotor G8 Nihon Kohden
3. Faraday cage error G15
Kerusakan Ke – 12
1. Display mati G22
2. Konektor kendor G23 Mediana
3. Socket elektroda lepas G21
Kerusakan Ke – 13
1. Trafo pemanas mati G4
2. Heater putus G3
Densi / Cardimax
3. Karet roll menipis G5
4. Grounding listrik jelek G11
Kerusakan Ke – 14
1. Lampu LED redup G7
2. Koneksi kabel kendor G8 Densi / Cardimax
3. Koneksi karet karbon kotor G6
Kerusakan Ke – 15
1. Grafik tidak muncul G20
2. Power supply error G9 Nihon Kohden
Sumber : Data Teknisi RSJ Prof. Dr. Soerojo Magelang

Lampiran 4
Hasil Uji Akurasi Sistem
Hasil Hasil Diagnosa

No. Gejala perhitungan
Sistem Pakar
Naïve Bayes
Kerusakan ke - 1
1. Karet karbon kendor
Keyboard Keyboard
2. Software rusak
0.0002963 Tidak Tidak
3. Board control error
Berfungsi Berfungsi
4. Karet karbon keras
Kerusakan ke - 2
1. Grounding jelek
2. Elektroda kotor
Grafik Tidak Grafik Tidak
3. Kabel kendor 0.00017147
Teratur Teratur
4. Rangkaian board faraday
error
Kerusakan ke - 3
1. Kertas terbalik Tidak dapat Tidak dapat
2. Heater putus, menampilkan menampilkan
0.0002963
3. Karet roller tipis hasil print hasil print
4. Karbon kering out out
Kerusakan ke - 4
1. Jalur keyboard terputus Keyboard Keyboard
2. Karet karbon keras, tidak tidak
0.0014815
3. Software rusak berfungsi berfungsi
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
Data Sampel Kerusakan Electrocardiograph (ECG)

Lampiran 6
Kode (coding) Program
Halaman Utama
function varargout = FormUtama1(varargin)
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
% --- Executes just before FormUtama1 is made visible.

function FormUtama1_OpeningFcn(hObject, eventdata, handles,
varargin)
handles.output = hObject;
% 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);
% UIWAIT makes FormUtama1 wait for user response (see UIRESUME)

% uiwait(handles.figure1);
% --- 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)
% Get default command line output from handles structure

varargout{1} = handles.output;
function btnTentang_Callback(hObject, eventdata, handles)

close();
FormTentang();
function btnTentang_CreateFcn(hObject, eventdata, handles)

% hObject handle to btnTentang (see GCBO)
MATLAB
% handles empty - handles not created until after all
CreateFcns called
% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function btnDiagnosa_Callback(hObject, eventdata, handles)

close();
FormDiagnosa();
% --- Executes during object creation, after setting all

properties.
function btnDiagnosa_CreateFcn(hObject, eventdata, handles)
% hObject handle to btnDiagnosa (see GCBO)
MATLAB
CreateFcns called

end
function btnPetunjuk_Callback(hObject, eventdata, handles)

close();
FormPetunjuk();

properties.
function btnPetunjuk_CreateFcn(hObject, eventdata, handles)
% hObject handle to btnPetunjuk (see GCBO)
MATLAB
CreateFcns called

end
% --- Executes on button press in btnExit.

function btnExit_Callback(hObject, eventdata, handles)
close();

properties.
function btnExit_CreateFcn(hObject, eventdata, handles)
% hObject handle to btnExit (see GCBO)
MATLAB
CreateFcns called
Halaman Tentang
function varargout = FormTentang(varargin)
gui_Singleton = 1;
'gui_OpeningFcn', @FormTentang_OpeningFcn, ...
'gui_OutputFcn', @FormTentang_OutputFcn, ...
end
if nargout
else
end
% --- Executes just before FormTentang is made visible.

function FormTentang_OpeningFcn(hObject, eventdata, handles,
varargin)
'position',[0 0 1 1]);
I=imread('gambar/GambarTentang.PNG');% gambar background
hi = imagesc(I)
colormap gray
'visible','off')
function varargout = FormTentang_OutputFcn(hObject, eventdata,
handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
MATLAB
% handles structure with handles and user data (see GUIDATA)

% --- Executes on button press in btnKembali.

function btnKembali_Callback(hObject, eventdata, handles)
close();
FormUtama1();
Halaman Petunjuk
function varargout = FormPetunjuk(varargin)
gui_Singleton = 1;
'gui_OpeningFcn', @FormPetunjuk_OpeningFcn, ...
'gui_OutputFcn', @FormPetunjuk_OutputFcn, ...
end
if nargout
else
end
% --- Executes just before FormPetunjuk is made visible.

function FormPetunjuk_OpeningFcn(hObject, eventdata, handles,
varargin)
'position',[0 0 1 1]);
I=imread('gambar/GambarPetunjuk.PNG');% gambar background
hi = imagesc(I)
colormap gray
'visible','off')
% Update handles structure

% UIWAIT makes FormPetunjuk wait for user response (see UIRESUME)

% uiwait(handles.figure1);
function varargout = FormPetunjuk_OutputFcn(hObject, eventdata,
handles)
% --- Executes on button press in btnKembali.

function btnKembali_Callback(hObject, eventdata, handles)
close();
FormUtama1();
Halaman Diagnosa
function varargout = FormDiagnosa(varargin)

gui_Singleton = 1;
'gui_OpeningFcn', @FormDiagnosa_OpeningFcn, ...
'gui_OutputFcn', @FormDiagnosa_OutputFcn, ...
end
if nargout
else
end
function FormDiagnosa_OpeningFcn(hObject, eventdata, handles,

varargin)
ha = axes('units','normalized', 'position',[0 0 1 1]);
I=imread('gambar/GambarKosong.PNG');% gambar background
hi = imagesc(I);
colormap gray;
set(ha,'handlevisibility','off', 'visible','off')
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)
;
function varargout = FormDiagnosa_OutputFcn(hObject, eventdata,

handles)
function edit1_Callback(hObject, eventdata, handles)

function edit1_CreateFcn(hObject, eventdata, handles)
end

end

end
function pushbutton1_Callback(hObject, eventdata, handles)

tic
%disp('Pilihan Anda:');
%if get(get(handles.radiobutton1, 'value')==1
if get(handles.radiobutton1,'value') == 1
disp(get(handles.radiobutton1,'String'));
v1=1;
end
v2=1;
end
v3=1;
end
v4=1;
end
v5=1;
end
v6=1;
end
v7=1;
end
v8=1;
end
v9=1;
end
v10=1;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
v11=1;
end
v12=1;
end
v13=1;
end
v14=1;
end
v15=1;
end
v16=1;
end
v17=1;
end
v18=1;
end
v19=1;
end
v20=1;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
v21=1;
end
v22=1;
end
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));
gab1{1}=['Gejala Terpilih KR1 :'];

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;
for i=1:size(M,1) %27

if M(i)==1
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)];
n1=n1+1;
n2=n2+1;
n3=n3+1;
n4=n4+1;
n5=n5+1;
gab1{n1+1}=['Hasil Perkalian KR1=' num2str(H1)];

set(handles.listbox1,'string',gab1);
set(handles.listbox2,'String',gab2);
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
function Reset_Callback(hObject, eventdata, handles)
set(handles.radiobutton1, 'Value', 0);



set(handles.tbGejala, 'Data',
cell(size(get(handles.tbGejala,'Data'))));
set(handles.edit1,'String','');
set(handles.listbox1,'String','');
judul={'Gejala ' 'Kerusakan1' 'Kerusakan2' 'Kerusakan3'

'Kerusakan4' 'Kerusakan5'};
load data.mat;
bar=size(data,1);
;
mau=questdlg(['Kembali ' get(handles.figure1,'Name')''],['Kembali

' get(handles.figure1,'Name')''],'Ya','Tidak','Ya');
if strcmp(mau,'Tidak')
return;
end
% delete(handles.figure1);%close;
close();
FormUtama1();
% --- Executes on button press in btnImport.

function btnImport_Callback(hObject, eventdata, handles)
[namafile,direktori]=uigetfile({'*.xls;*.xlsx','file
excel(*.xls,*.xlsx)';'*.*','semua file(*.*)'},'buka file excell');
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,'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
% --- Executes on button press in pushbutton5.

ButtonName = questdlg('Apakah Anda mau Generate Ulang Data
Training', ...
'Pilih', ...
'Ya', 'Tidak', 'Tidak');
switch ButtonName,
case 'Ya',
%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);
;
disp('Tetap Menggunakan Data Training Yang Lama')
end % switch
% --- Executes on selection change in listbox1.

function listbox1_Callback(hObject, eventdata, handles)

properties.
function listbox1_CreateFcn(hObject, eventdata, handles)
% Hint: listbox controls usually have a white background on

Windows.
end

properties.

Windows.
end


properties.

Windows.
end


properties.
end


properties.
end

Full Text Kompres 1610501007 Tri Kustini

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Full Text Kompres 1610501007 Tri Kustini

Diunggah oleh

Hak Cipta:

Format Tersedia

SKRIPSI

IMPLEMENTASI SISTEM PAKAR NAÏVE BAYES PADA PENDETEKSI

Diajukan sebagai syarat memperoleh gelar Sarjana pada

JURUSAN TEKNIK ELEKTRO

IMPLEMENTASI SISTEM PAKAR NAÏVE BAYES PADA PENDETEKSI

Telah diperiksa dan disetujui oleh:

Bagus Fatkhurrozi, S.T.,M.T Tanggal : 22 Oktober 2020

Ika Setyowati, S.T.,M.Eng Tanggal : 22 Oktober 2020

Skripsi yang berjudul :

IMPLEMENTASI SISTEM PAKAR NAÏVE BAYES PADA PENDETEKSI

Magelang, 02 Oktober 2020

1. Bagus Fatkhurrozi, S.T.,M.T. : ………………………………

2. Ika Setyowati, S.T.,M.Eng. : ………………………………

3. Ibrahim Nawawi, S.T.,M.T. : ………………………………

Saya yang bertanda tangan di bawah ini :

tertulis diacu dalam naskah dan disebutkan dalam daftar pustaka;

merupakan milik bersama antara tiga pihak, yaitu penulis, dosen

pembimbing dan Universitas Tidar. Dalam hal penggunaan informasi dan

mendapatkan persetujuan dari ketiga pihak tersebut.

Kupersembahkan karya sederhana ini kepada semua orang yeng sangat

melimpahkan berkah, rahmat, taufik dan hidayah-Nya sehingga saya dapat

menyelesaikan skripsi dengan judul “IMPLEMENTASI SISTEM PAKAR

NAÏVE BAYES PADA PENDETEKSI KERUSAKAN PERANGKAT

Penulis berharap semoga penelitian ini dapat bermanfaat bagi almamater,

terutama rekan mahasiswa Teknik Elektro, Universitas Tidar. Penulis menyadari

pembelajaran dikemudian hari.

Penulis juga menyadari bahwa dalam proses penulisan banyak mengalami

3. Agung Trihasto, S.T., M.Eng. selaku Ketua Jurusan Teknik Elektro

4. Bagus Fatkhurrozi, S.T.,M.T. selaku dosen Jurusan Teknik Elektro Fakultas

7. Segenap dosen Jurusan Teknik Elektro Fakultas Teknik Universitas Tidar

8. Segenap Tenaga Pendidik di lingkungan Universitas Tidar yang telah

LEMBAR PENGESAHAN .......................................................................... ii

LEMBAR PENGUJI ..................................................................................... iii

LEMBAR PERNYATAAN .......................................................................... iv

HALAMAN PERSEMBAHAN ................................................................... v

KATA PENGANTAR .................................................................................. vi

DAFTAR ISI ................................................................................................. viii

DAFTAR GAMBAR .................................................................................... xi

DAFTAR TABEL ......................................................................................... xii

DAFTAR LAMPIRAN ................................................................................. xiii

BAB 1 PENDAHULUAN ............................................................................ 1

1.1. Latar Belakang ............................................................................ 1

BAB II LANDASAN TEORI ....................................................................... 6

2.1 Tinjauan Pustaka ......................................................................... 6

BAB IV PEMBAHASAN ............................................................................. 30

4.1. Hasil Pengumpulan Data ........................................................... 30

5.2. Saran ........................................................................................... 59

DAFTAR PUSTAKA ................................................................................... 60

Gambar 2.1. Tampilan ECG tampak atas...................................................... 9

Tabel 2.1. Perbandingan Sistem Pakar.......................................................... 12

Lampiran 1. Dokumentasi Wawancara dan Pengambilan Data

Pendeteksian kerusakan pada perangkat Electrocardiograph (ECG) di RSJ Prof.

Kata kunci : Electrocardiograph (ECG), sistem pakar, Naïve Bayes.

Detection of damage to the Electrocardiograph (ECG) device at RSJ Prof. Dr.

Keywords: Electrocardiograph (ECG), expert system, Naïve Bayes.

1.1 Latar Belakang

Electrocardiograph (ECG) merupakan alat ukur yang digunakan untuk

frekuensi detak jantung. Setiap kontraksi otot jantung menghasilkan implus

kelistrikan dalam bentuk gelombang sinusoidal yang ditampilkan pada layar

electrocardiograph (ECG). Hasil rekaman aktivitas elektrik jantung yang berupa

gelombang sinusoidal disebut dengan Electrocardiogram (Sutanto, 2007).

Kesiapan perangkat Electrocardiograph (ECG) harus tetap terjaga dan

elektromedik. Pemeliharaan perangkat Electrocardiograph (ECG) biasanya