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 = …………………………………....(2.1)
𝑃(𝑋)

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.