SISTEM PAKAR DIAGNOSA

KERUSAKAN MESIN SEPEDA

MOTOR MENGGUNAKAN CASE
BASE REASONING (CBR) DENGAN
ALGORITMA K- NEAREST
NEIGHBOR (K-NN)

M. Saiful Rizal Hanafi

14650098
 LATAR BELAKANG
 Kerusakan motor menjadi salah satu hal yang sangat krusial
pada setiap jenis motor, apabila terjadi kendala maka akan
menyulitkan pengguna saat melakukan perawatan dan
diagnosis kerusakan karena terbatasnya pengetahuan perihal
gejala kerusakan motor
 Kenyataannya sebagian besar jasa servis / perawatan motor
tidak memiliki mekanik yang handal sehingga tidak dapat
melakukan diagnosa gejala kerusakan secara tepat dan hanya
berdasarkan kepada perkiraan saja.
 Kenyataannya sebagian besar jasa servis / perawatan motor
tidak memiliki mekanik yang handal sehingga tidak dapat
melakukan diagnosa gejala kerusakan secara tepat dan hanya
berdasarkan kepada perkiraan saja.
 Kecenderungannya masih banyak mekanik yang hanya
mengandalkan kepada intuisinya saja sehingga hasil
perawatan menjadi tidak maksimal dan menimbulkan
kekecewaan bagi pengguna. Tingkat kesulitan ini
membutuhkan pemanfaatan teknologi informasi melalui
metode yang menggabungkan keahlian dan pengetahuan
seorang pakar untuk membangun sebuah aplikasi
pengetahuan baru berdasarkan sejumlah kasus yang sudah
terjadi dan dikenal dengan istilah Case-Based Reasoning
 Sistem yang dapat membantu pengguna motor untuk
mendeteksi gejala gangguan atau kerusakan motor dan
mengatasi gejala dan kerusakan motor. Dengan adanya
sistem tersebut membantu pengguna dalam pengambilan
keputusan atau pemecahan persoalan pada suatu
permasalahan pada setiap motor yang mengalami trouble.
 Metode Case-Based Reasoning melakukan proses
penyelesaian masalah dengan memanfaatkan pengalaman
sebelumnya. Case-Based Reasoning merupakan salah satu
metode pemecahan masalah yang dalam mencari solusi dari
suatu kasus yang baru, sistem akan melakukan pencarian
terhadap solusi dari kasus lama yang memiliki permasalahan
yang sama
 Perancangan Case-Based Reasoning ini bisa digunakan
untuk membantu pakar dalam mengidentifikasi penyakit dan
memberi cara penanggulangannya. Hal ini tidak berarti
menggantikan kedudukan pakar, tetapi hanya membantu
dalam mengkonfirmasikan keputusannya, karena mungkin
bisa terdapat banyak alternatif yang harus dipilih secara
tepat. Dan dalam CBR terdapat sebuah algoritma yaitu K-
Nearest Neighbor (K-NN) yang merupakan algoritma untuk
menilai persamaan diantara kasus-kasus yang tersimpan
dengan kasus yang dimaksudkan dengan melihat kemiripan
 RUMUSAN MASALAH
 Bagaimana menerapkan metode Case Based
Reasoning (CBR) dengan algoritma K-Nearest
Neighbor (K-NN) untuk mendeteksi dan
menentukan kerusakan sepeda motor.
 Seberapa akurat penerapan metode Case Based
Reasoning (CBR) dengan algoritma K-Nearest Neighbor
(K-NN) untuk mendeteksi gejala yang berpotensi
penyebabkan kerusakan pada sebuah motor?
 TUJUAN PENELIAITAN
 Menganalisa metode Case Base Reasoning dengan
algoritma K-Nearest Neighbor untuk mendeteksi gejala
yang berpotensi penyebabkan kerusakan pada sebuah
motor.
 Mengetahui akurasi metode Case Base Reasoning dalam
mendeteksi gejala yang berpotensi penyebabkan
kerusakan pada sebuah motor.
 BATASAN MASALAH
 Merancang sistem pakar dengan metode Case Based Reasoning
untuk mendeteksi gejala kerusakan pada sebuah motor.
 Sistem yang dibangun berbasis website untuk menguji seberapa
akurat mendeteksi gejala kerusakan pada sebuah motor dengan
Algoritma K- Nearest Neighbor.
 Data yang di analisis meliputi data dari kasus pada kerusakan
sebuah motor, gejala dan solusi penangananya dari ahli pakar /
montir pada bengkel.
 Solusi hasil pada sistem pakar kerusakan sepeda motor yang
diajukan peneliti untuk tugas akhir diperoleh dari perbandingan
kemiripan antara kasus yang ingin dicarikan solusinya dengan
kasus dalam base data yang telah memiliki solusi kasus jawaban
sebelumnya.
 Manfaat Penelitian

 Mengurangi kesalahan mekanik dalam memperbaiki kerusakan

mesin sepedan motor, serta mempercepat perbaikan yang
dilakukakan.
 Memperbaiki pengetahuan dalam menggunakan metode Case
Base Reasoning (CBR) dengan algoritma K-Nearest Neighbor
(K-NN).
 ANALISA DAN
PERANCANGAN SISTEM
ARSITEKTURE SISTEM
USE CASE ADMIN
USE CASE PENGGUNA
IMPLEMENTASI
TAMPILAN SISTEM

 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

Login Verifikasi Data login Black Box

Konsultasi Gejala Tampilkan Data Gejala - Gejala Black Box

Kerusakan Motor

Checklist Gejala - Gejala Black Box

Kerusakan Motor

Hasil Konsultasi Tampilkan Data Hasil Konsultasi Black Box

Gejala Kerusakan Motor

Profile User Tampilkan Data User Black Box

Edit Data User Black Box

Hostory Kerusakan Motor Tampilkan Data Hasil Kerusakan Black Box

Motor
 Rencana Pengujian Aplikasi Web Admin
Item Uji Detail Pengujian Jenis Uji

Login Verifikasi Data Login Black Box

Data Kerusakan Motor Tampilkan Data Kerusakan Motor Black Box

Tambah Data Kerusakan Motor Black Box

Edit Data Kerusakan Motor Black Box

Hapus Data Kerusakan Motor Black Box

Cari Data Kerusakan Motor Black Box

Data Gejala Kerusakan Tampil Data Gejala Kerusakan Black Box

Tambah Data Gejala Kerusakan  Black Box

Edit Data Gejala Kerusakan Black Box

Cari Data Gejala Kerusakan Black Box

Data Bobot Kerusakan Tampil Data Bobot Kerusakan Black Box

Tambah Data Bobot Kerusakan Black Box

Edit Data Bobot Kerusakan Black Box

Cari Data Bobot Kerusan Black Box

 Rencana Pengujian Aplikasi Web Admin

Data Kasus Kerusakan Tampil Data Kasus Kerusakan Black Box

Detail Data Kasus Kerusakan Black Box

Cari Data Kasus Kerusakan Black Box

Data Penanggulangan Tampil Data Penanggulangan Black Box

Tambah Data Penanggulangan Black Box

Edit Data Penanggulangan Black Box

Cari Data Penanggulangan Black Box

Pengujian Login
No Pengujian Test Case Yang Diharapkan Hasil

1 Login Mengisi form login dan Data admin/user dicari di table database Sesuai
klik tombol login admin/user, masuk ke halaman utama user

Pengujian Menu Konsultasi Gejala Kerusakan Motor

No Pengujian Test Case Yang Diharapkan Hasil

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

Pengujian Menu Hasil Konsultasi

No Pengujian Test Case Yang Diharapkan Hasil

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

Pengujian Menu Profile

No Pengujian Test Case Yang Diharapkan Hasil
1 Tampilkan Data Menampilkan Semua Data Data Profile Admin / User Ditampilkan Pada Sesuai
Profile Admin / User Halaman

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

1 Tampilkan Data Menampilkan Semua Data Kerusakan Motor Ditampilkan Sesuai

Data Kerusakan Motor Dalam Halaman

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

No Pengujian Test Case Yang Diharapkan Hasil

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

No Pengujian Test Case Yang Diharapkan Hasil

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

No Pengujian Test Case Yang Diharapkan Hasil

1 Tampilkan Data Menampilkan Semua Data Data Penanggulangan Ditampilkan Sesuai

Penanggulangan Dalam Halaman

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

Oli berkurang Oli berkurang 1 1

Mesin brebet Mesin brebet 1 0,5

Akselerasi payah Akselerasi payah 1 0,5

Air radiator Mesin mati sendiri 0 0

berkurang

- Mesin sulit dinyalakan 0 0

Similarity = 1*1 + 1*0,5 + 1*0,5 + 0*0 + 0*0

1 + 0,5 + 0,5
=2/2=1
 Oli berkurang Tekanan gas hilang 0 1

Air radiator Tenaga mesin lemah 0 1

berkurang

  Mesin sulit distater 0 1

Mesin brebet Mesin brebet 1 0,5
  Perfoma menurun 0 0,5
  Idle up bermasalah 0 0,5
  RPM tidak stabil 0 0,5
Akselerasi payah Akselerasi payah 1 0,5

  Mesin sulit dinyalakan 0 0

  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

Sistem Pakar Expert TP TN FP FN

Sampel 1 Saringan Bensin Saringan Bensin 1 1 0 0 Sesuai

Sampel 2 Selang Bensin Selang Bensin 1 1 0 0 Sesuai

Sampel 3 Koil, CDI Koil, CDI 1 1 0 0 Sesuai

Sampel 4 Busi Busi 1 1 0 0 Sesuai

Sampel 5 Kabel Busi, Kabel Koil Kabel Busi, Kabel Koil 1 1 0 0 Sesuai

Sampel 6 Konsleting Kabel Konsleting Kabel 1 1 0 0 Sesuai

Sampel 7 Air Radiator Air Radiator 1 1 0 0 Sesuai

Sampel 8 Filter Oli Water Pump 0 0 1 1 Tidak Sesuai

Sampel 9 Thermo Start Thermo Start 1 1 0 0 Sesuai

Sampel 10 Oli (Volume) Oli (Volume) 1 1 0 0 Sesuai

Sampel 11 Water Pump Kebocoran Oli 0 0 1 1 Tidak Sesuai

Sampel 12 Karburator Karburator 1 1 0 0 Sesuai

Sampel 13 Injeksi Komponen Mesin Aus 0 0 1 1 Tidak Sesuai

Sampel 14 Water Pump Water Pump 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

Sampel 17 Fuse Fuul Pump Fuse Fuul Pump Pengapian 1 1 0 0 Sesuai

Pengapian
Sampel 18 Selang Bensin Selang Bensin 1 1 0 0 Sesuai

Sampel 19 Saluran Oli Saluran Oli 1 1 0 0 Sesuai

Sampel 20 Kebocoran Oli Kebocoran Oli 1 1 0 0 Sesuai

 HASIL PENGUJIAN
   
No Nama True Posistive True Negative False Posistive False Negative
(TP) (TN) (FP) (FN)

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.