Login Pengguna
Halaman Registrasi Pengguna
HALAMAN UTAMA
KONSULTASI GEJALA
HASIL KONSULTASI
HISTORY KERUSAKAN
ABOUT
LOGIN PENGGUNA
MANAJEMEN KERUSAKAN MOTOR
SISTEM PAKAR
MANAJEMEN KERUSAKAN MOTOR
Data Kerusakan Motor
MANAJEMEN GEJALA KERUSAKAN
SISTEM PAKAR
MANAJEMEN GEJALA KERUSAKAN
DATA GEJALA KERUSAKAN
MANAJEMEN BOBOT KERUSAKAN SISTEM
PAKAR
MANAJEMEN BOBOT KERUSAKAN
DATA BOBOT KERUSAKAN
MANAJEMEN KASUS KERUSAKAN
SISTEM PAKAR
Detail Manajemen Kasus Kerusakan
MANAJEMEN PENANGGULANGAN
SISTEM PAKAR
MANAJEMEN PENANGGULANGAN
Data Penanggulangan Kerusakan Motor
PENGUJIAN APLIKASI
DENGAN METODE BLACK
BOX
Rencana Pengujian Aplikasi Web User
Item Uji Detail Pengujian Jenis Uji
1 Login Mengisi form login dan Data admin/user dicari di table database Sesuai
klik tombol login admin/user, masuk ke halaman utama user
1 Tampilkan Data Tampilkan Data Gejala- Data Gejala-Gejala Kerusakan Motor Sesuai
Gejala Kerusakan Motor Ditampilkan pada Halaman
2 Checklist Data Memilih Beberapa Data Data yang Dipilih Menampilkan Output yang Sesuai
Gejala-Gejala Kerusakan Benar
Motor
1 Tampilkan Data Menampilkan Semua Data Data Hasil Gejala-Gejala Kerusakan Motor Sesuai
Hasil Konsultasi Gejala Ditampilkan Pada Halaman
Kerusakan Motor
Pengujian Menu History Konsultasi
No Pengujian Test Case Yang Diharapkan Hasil
1 Tampilkan Data Menampilkan Semua Data Data History Gejala-Gejala Kerusakan Motor Sesuai
History Konsultasi Gejala Ditampilkan Pada Halaman
Kerusakan Motor
2 Edit Data Memilih Salah Satu Data Data yang Dipilih Ditampilkan Dalam form Sesuai
yang Diedit
Pengujian Data Kerusakan Motor
No Pengujian Test Case Yang Diharapkan Hasil
2 Tambah Data Pengisi Form Tambah Data Kerusakan Motor Dalam Form Sesuai
Kerusakan Motor dan Disimpan Dalam Database
Klik Simpan
3 Edit Data Memilih Salah Satu Data Data yang Dipilih Ditampilkan Dalam Sesuai
Kerusakan Motor yang Form Edit Kerusakan Motor
Akan Diedit
4 Hapus Data Klik Tombol Hapus Pada Data Kerusakan Motor yang Dipilih Sesuai
Salah Satu Data Dihapus Dari Database
Kerusakan Motor
5 Cari Data Mengisi Form Data Kerusakan Motor Dicari Dan Sesuai
Pencarian Data Ditampilkan Dalam Halaman
Kerusakan Motor
Pengujian Data Gejala Kerusakan
No Pengujian Test Case Yang Diharapkan Hasil
1 Tampilkan Data Menampilkan Semua Data Data Gejala Kerusakan Ditampilkan Dalam Sesuai
Gejala Kerusakan Halaman
2 Tambah Data Pengisi Form Tambah Gejala Data Gejala Kerusakan Dalam Form Disimpan Sesuai
Kerusakan dan Klik Simpan Dalam Database
3 Edit Data Memilih Salah Satu Data Data yang Dipilih Ditampilkan Dalam Form Edit Sesuai
Gejala Kerusakan yang Akan Gejala Kerusakan
Diedit
4 Cari Data Mengisi Form Pencarian Data Gejala Kerusakan Dicari Dan Ditampilkan Sesuai
Data Gejala Kerusakan Dalam Halaman
Pengujian Data Bobot Kerusakan
1 Tampilkan Data Menampilkan Semua Data Data Bobot Kerusakan Ditampilkan Dalam Sesuai
Bobot Kerusakan Halaman
2 Tambah Data Pengisi Form Tambah Bobot Data Bobot Kerusakan Dalam Form Disimpan Sesuai
Kerusakan dan Klik Simpan Dalam Database
3 Edit Data Memilih Salah Satu Data Data yang Dipilih Ditampilkan Dalam Form Edit Sesuai
Bobot Kerusakan yang Akan Bobot Kerusakan
Diedit
4 Cari Data Mengisi Form Pencarian Data Data Bobot Kerusakan Dicari Dan Ditampilkan Sesuai
Bobot Kerusakan Dalam Halaman
Pengujian Data Kasus Kerusakan
1 Tampilkan Data Menampilkan Semua Data Data Kasus Kerusakan Ditampilkan Dalam Sesuai
Kasus Kerusakan Halaman
2 Tampilkan Data Menampikan Semua Data Data Kasus Kerusakan Ditampilkan Dalam Sesuai
Detail Kasus Detail Kasus Kerusakan Motor Halaman
Kerusakan
3 Cari Data Mengisi Form Pencarian Data Kasus Kerusakan Dicari Dan Ditampilkan Sesuai
Data Kasus Kerusakan Dalam Halaman
Pengujian Data Penanggulangan
2 Tambah Data Pengisi Form Tambah Data Penanggulangan Dalam Form Disimpan Sesuai
Penanggulangan dan Klik Dalam Database
Simpan
3 Edit Data Memilih Salah Satu Data Data yang Dipilih Ditampilkan Dalam Form Sesuai
Penanggulangan yang Akan Edit Penanggulangan
Diedit
4 Cari Data Mengisi Form Pencarian Data Penanggulangan Dicari Dan Sesuai
Data Penanggulangan Ditampilkan Dalam Halaman
Pengujian Aplikasi Sistem Pakar Dengan
Perhitungan Akurasi
Kasus Baru Kasus Lama Nilai Bobot
Kemiripan Parameter
Mesin tersendat 0 0
Gas tidak stabil 0 0
Mesin tersendat saat pedal gas 0 0
diinjak untuk
meningkatkan akselerasi
Perfoma mesin 0 0
menurun
Similarity = 0*1 + 0*1 +0*1 + 1*0,5 + 0*0,5 + 0*0,5 + 0*0,5 + 1*0,5 + 0*0+ 0*0+ 0*0+ 0*0+ 0*0
1 + 1 + 1 + 0,5 + 0,5+ 0,5+ 0,5+ 0,5 + 0 + 0 + 0 + 0 + 0
= 1 / 5,5 = 0,18181818
Perbandingan Kerusakan Motor Confusion
Alternatif Hasil
Sampel 5 Kabel Busi, Kabel Koil Kabel Busi, Kabel Koil 1 1 0 0 Sesuai
Sampel 15 Vanbelt / Rantai & Gir Vanbelt / Rantai & Gir 1 1 0 0 Sesuai
Motor Motor
Sampel 16 Fuul Pump Fuul Pump 1 1 0 0 Sesuai
1 Sampel Perbandingan 17 17 3 3
Kerusakan Motor
Jumlah 17 17 3 3
Perhitungan Precision :
Perhitungan Accuracy :
Perhitungan Recall :
Perhitungan f-measure :
Kesimpulan Hasil Pengujian
Berdasarkan hasil pembangunan sebuah aplikasi dan
pengujian yang telah dilakukan terhadap sistem pakar berbasis
website untuk mendiagnosa kasus kerusakan mesin motor,
dapat memberikan kesimpulan sebagai berikut:
Aplikasi web based admin dan user berfungsi dengan baik dan
bebas dari kesalahan sintaks dan secara fungsional
mengeluarkan hasil yang sesuai dengan yang diharapkan.
Melakukan pengujian dengan cara perhitungan secara manual
Similarity
(problem.case) untuk mendapatkan hasil yang maksimal.
Pengujian akurasi didapatkan hasil akurasi sistem memiliki
tingkat akurasi sebesar 85%. Dan hasil perhitungan precision
sebesar 85% dan recall sebesar 85%.
KESIMPULAN
Kesimpulan yang dapat diambil dari penelitian yang
telah dilakukan sebagai berikut:
Penerapan Case Based Reasoning pada “Sistem Pakar Diagnosa Kerusakan
Mesin Sepeda Motor Menggunakan Case Base Reasoning (CBR) Dengan
Algoritma K-Nearest Neighbor (K-NN)” dapat dianggap cocok ketika
dikolaborasikan dengan algoritma KNN, karena dari hasil jawaban yang
telah dicarikan kemiripannya yang dihitung dengan metode Cosine
Similarity kemudian akan dipertimbangkan kembali oleh pakar expert
sehingga jawaban tersebut dapat dikatakan sesuai. Selain itu kajian metode
CBR pada umumnya hampir sama dengan algoritma KNN yaitu
mengambil kasus berdasarkan pengetahuan. Semakin banyak pengetahuan
kasus, maka semakin baik dalam pengklasifikasian.
Dari pengujian akurasi menggunakan 20 sampel data diagnosa, diperoleh
persentase tingkat akurasi sebesar 85%. Dan hasil perhitungan precision
sebesar 85% dan recall sebesar 85%.
SARAN
Sebagai pengembangan kedepannya dari sistem, sebaiknya sistem pakar
dikembangkan menjadi perangkat lunak mobile untuk memudahkan
penggunaan oleh mekanik.
Menambah data – data gejala kerusakan dari berbagai jenis motor untuk
meningkatkan kompleksitas.
Pengembangan lebih lanjut pada penelitian ini diharapkan sistem dapat
menyaring data diagnosa baru agar tidak langsung masuk kedalam hak
akses pakar sehingga hak akses pakar lebih efisien.
Adanya perbandingan antara algoritma KNN dengan algoritma lain untuk
mengetahui efektivitas algoritma dalam menyelesaikan masalah yang
diajukan.