Tugas 2 Sistem Pakar

 

1.       Pakar dan kepakaran

a.    Pakar

Pakar adalah seseorang yang mempunyai kemampuan untuk menjelaskan suatu tanggapan, mempelajari hal baru pada sebuah permasalahan yang kemudian disusun kembali agar sehingga dapat memecahkan masalah dengan cepat dan tepat. (Dahria M, 2014)

b.    Kepakaran

Kepakaran adalah kelebihan yang dimiliki seseorang pada bidang tertentu yang diperolah dari pelatihan, membaca atau dari pengalaman. (Dahria M, 2014)

2.       Perbedaan data, informasi dan pengetahuan

a.    Data

Data adalah sekumpulan bahan baku informasi atau bahasa mathematical dan simbol-simbol yang disepakati dalam menggambarhkan objek, manusia, peristiwa, aktivitas, dan objek-objek lainnya. Dengan kata lain, data adalah kenyataan apa adanya. Contohnya daftar absensi siswa. (Djoko Darmoyo, 2017)

b.    Informasi

Informasi adalah hasil ekstraksi dari pengolahan data sehingga dapat berguna bagi penerimanya sehingga dapat menggambarkan suatu kejadian-kejadian yang ada dan informasi ini dapat digunakan dalam mengambil keputusan. Contohnya nama-nama siswa yang terdapat pada absensi siswa. (Djoko Darmoyo, 2017)

c.     Pengetahuan

Pengetahuan adalah kesimpulan yang didapatkan dari sebuah informasi yang telah memperoleh pengetahuan. Pengetahuan ini berupa serangkaian fakta dan informasi guna untuk memecahkan suatu permasalahan. Contohnya no absen 4 bernama Andre. (Djoko Darmoyo, 2017)

3.       Kelebihan dan kekurangan sistem pakar

1)    Kelebihan

a.    Memiliki reabilitas;

b.    Mampu beroperasi dalam lingkungan yang berbahaya;

c.     Dapat menghemat waktu dalam pengambilan keputusan;

d.    Memiliki kemampuan untuk mengakses pengetahuan dan keahlian para ahli sehingga meringankan pekerjaan para ahli;

e.    Meningkatkan kualitas dan produktivitas.

 

2)    Kekurangan

a.    Tidak ada jaminan bahwa sistem pakar memuat 100% kepakaran yang diperlukan;

b.    Pengembangan sistem pakar tergantung ada tidaknya pakar di bidangnya sehingga pengembangannya dapat terkendala;

c.     Biaya untuk mendesain, mengimplementasikan dan memeliharanya dapat sangat mahal tergantung seberapa lengkap dan kemampuannya. (Amanda, Budi, Millati, 2015)

4.       Sumber pengetahuan potensial untuk pengembangan sistem pakar berasal dari manusia, buku, laporan riset, database, dan informasi yang terdapat di website jejaring sosial. (munarto, 2018)

5.       Akuisisi pengetahuan merupakan akumulasi, transfer dan transformasi keahlian pemecahan masalah dari beberapa sumber pengetahuan ke dalam program komputer untuk kontruski dan perluasan basis pengetahuan. (Ardi, 2013)

6.       Representasi pengetahuan adalah cara dalam berbagai pengetahuan yang diperoleh ke dalam suatu diagram sehingga dapat diketahui relasi antar pengetahuan dan bisa digunakan untuk menangkap hal-hal penting dalam masalah dan mempermudah dalam proses pemecahan masalah. (Susatyono, 2021)

7.       Mesin inferensi adalah program yang dapat digunakan untuk membantu mekanisme penalaran pada suatu kondisi yang berdasar pada fakta yang ada dalam basis pengetahuan untuk mencapai kesimpulan atau kesimpulan. Mesin inferensi menggunakan strategi pengendalian sebagai panduan arah dalam melakukan mekanisme penalaran yang terdiri dari 3 pengetahuan, diataranya forward chaining, backward chaining dan gabungan dari kedua teknik tersebut. (Susatyono, 2021)

8.       Metode yang dapat digunakan dalam mesin inferensi diantaranya:

a.    Forward Chaining

Adalah aturan yang diuji satu per satu dalam urutan tertentu, urutan itu berupa aturan ke dalam perangkat aturan atau dapat juga urutan lain yang ditentukan oleh pemakai. Dalam pengujian tersebut, sistem akan menganalisa apakah kondisinya benar atau salah. Apabila benar, aturan tersebut ditembakan dan aturan berikutnya diuji. Apabilah salah, maka aturan tersebut tidak ditembakan dan aturan berikutnya diuji. Pengujian tersebut berlanjut satu demi satu sampai putaran lengkap melalui selurut perangkat aturan, ketika tidak ada lagi aturan yang dapat ditembakan, maka mekanisme penalaran berhenti.  

b.    Backward Chaining

Adalah mesin yang memilih suatu aturan dan menganggapnya masalah yang harus diselesaikan. Inference engine mulai mengevaluasi sasaran, kemudian diikuti dengan pemilihan salah satu sub masalah untuk dievaluasi, dan sub masalah yang terpilih akan dievaluasi sebagai masalah baru. Inference engine akan terus mencari sub masalah yang akan dievaluasi untuk dijadikan sebagai masalah baru. (Susatyono, 2021)

 

Penjelasan Jurnal

“Sistem Pakar Untuk Mendiagnosa Penyakit Pada Tanaman Jagung Dengan Metode Bayes”

a.    Masalah pada penelitian tersebut adalah meneliti hal yang dapat membantu petani dalam menentukan obat, karena petani kesusahan dalam mendiagnosa penyakit yang terdapat pada tanaman jagung mereka sehingga petani gagal mendapatkan hasil panennya.

b.    Dalam proses pembuatan sistem pakar ini, peneliti menggunakan teori Bayes dimana metode ini didasarkan dari kondisi awal yang merupakan gejala yang ada kemudian gejala tersebut dikenakan aturan yang sudah ditentukan lalu diambil kebenarannya untuk menentukan kesimpulan dan solusi dari gejala tersebut.

c.     Dalam penelitian tersebut, peneliti menggunakan metode Forward Chaining dalam mendiagnosis hama yang menyerang tanaman padi dengan melihat ciri-ciri yang ada pada tanaman tersebut.

d.    Kesimpulan dari penelitian tersebut adalah sistem pakar untuk mendiagnosa penyakit pada tanaman padi digunakan untuk menyelesaikan masalah dengan menampilkan hasil dari diagnosa yang dimasukan oleh pengguna, hasil diangnosa dihitung secara otomatis oleh sistem.

 

Referensi:

a.       Ardi. (2013). TEXT MINING UNTUK AKUISISI PENGETAHUAN SECARA OTOMATIS PADA SISTEM PAKAR. Jurnal TELEMATIKA MIKOM 2(1)

b.      Susatyono, J.D. (2021). Sistem Pakar: Kajian konsep dan penerapannya.

c.       Dahria, M. (2014). PENGEMBANGAN SISTEM PAKAR DALAM MEMBANGUN SUATU APLIKASI

RINGKASAN JURNAL

Judul	:	Implementasi Sistem Pakar di Bidang Otomotif Untuk Mendiagnosa Kerusakan Sepeda Motor Manual Non Injeksi Menggunakan Metode Certainty Factor Berbasis Web
Penulis	:	Zaenal Abidin
Tahun	:	2018

 

 

Jurnal ini menjelaskan penelitian tentang masalah yang dihadapi pengguna sepeda motor yang tidak mengetahui kondisi sepeda motornya sendiri. Untuk melakukan sebuah analisa, bahkan seorang mekanik sendiri membutuhkan waktu yang cukup lama untuk mengidentifikasi masalah yang ada pada motor, bahkan mekanik terkadang bisa melakukan kesalahan diagnosa kerusakan. Untuk mengatasi masalah tersebut, peneliti melakukan analisa, perancangan dan pengimplementasian sistem pakar yang dapat mendiagnosa kerusakan pada sepeda motor. Penelitian ini bertujuan agar dapat mempercepat dan mengurangi kesalahan mekanik dalam mendiagnosa kerusakan sepeda motor.

Analisa yang dilakukan oleh peneliti adalah dengan mewawancarai para pakar di bidang sepeda motor. Sistem pakar yang dikembangkan adalah Certainty Factor yaitu metode untuk mengelola ketidakpastian dalam sistem berdasarkan aturan. Certainty factor menyatakan kepercayaan dalam sebuah kejadian atau fakta berdasarkan bukti atau penilaian pakar.

Dalam melakukan implementasi, peneliti menggunakan beberapa aplikasi diantaranya Notepad++, Xampp dan Mozilla Firefox.

Setelah perancangan selesai, perancangan yang dimaksud adalah membuat sistem dan interface dari program, kemudian dilakukan pengujian terhadap sistem tersebut. Pengujian ini dimaksudkan untuk menjamin kualitas dan mengetahui apa saja kelemahan yang terdapat pada perangkat lunak. Pada pengujian ini, peneliti menggunakan metode black box, sehingga pengujian tidak dilakukan secara menyeluruh, namun hanya dilihat masukan dan keluarannya saja.

 

 

 

Judul	:	Implementation of Expert System for Diabetes Diseases using Naïve Bayes and Certainty Factor Methods
Penulis	:	Muhammad Ilham Insani, Alamsyah, Anggyi Trisnawan Putra
Tahun	:	2018

 

Jurnal ini membahas penelitian tentang pengimpelentasian sistem pakar dalam mendiagnosis diabetes. Data yang didapatkan peneliti adalah 100 rekam medis yang terdapat pada RSUD Benda Kota Pekalongan. Metode sistem pakar yang digunakan penulis adalah metode Naïve Bayes dan Certainty Factor. Alasan peneliti menggunakan kedua metode tersebut karena dapat menangani perhitungan kuantitatif dan diskresi data serta hanya membutuhkan sedikit data penelitian untuk memperkirakan parameter yang dibutuhkan dalam klasifikasi dan certainty factor cocok untuk mengukur sesuatu apakah itu pasti atau tidak dalam mendiagnosis.

Dalam menganalisa, peneliti menggunakan beberapa aspek dalam mendiagnosa, diantaranya adalah umur, jenis kelamin, gejala penyakit diabetes, dan hasil diagnosa penyakit dari ahli. Akurasi ketepatan sistem yang didapat dari skenario distribusi data 70 data training dan 30 data testing adalah 100% sesuai dengan diagnosa dokter.

 

Sumber:

Insani, I.H., Alamsyah. & Putra, T.A. (2018). Implementation of Expert System for Diabetes Diseases using Naïve Bayes and Certainty Factor Methods. Scientific Journal of Informatics. 5(2)

 

Abidin, Zaenal. (2018). IMPLEMENTASI SISTEM PAKAR DI BIDANG OTOMOTIF UNTUK MENDIAGNOSA KERUSAKAN SEPEDA MOTOR MANUAL NON INJEKSI MENGGUNAKAN METODE CERTAINTY FACTOR BERBASIS WEB. Jurnal Teknologi Informasi dan Komunikasi.  3(2)

Pengertian dan Impelementasi Data Mining

Hallo sobat, pada kesempatan ini mimin akan berbagi ilmu tentang Data Mining. Nah, apa sih yang disebut data mining itu? Berikut mimin akan paparkan di bawah ya sobat.

Beberapa definisi dari data mining:

1.      Data mining atau bisa disebut juga dengan knowledge discovery in database (KDD) merupakan kegiatan yang ditujukan untuk menemukan sebuah keteraturan, pola dan hubungan dalam sebuah data dalam sebuah kumpulan data yang besar dengan cara menggunakan dan mengumpulkan data historis. Pola yang sudah dikumpulkan kemudian dijadikan sebagai rujukan untuk menyusun tata letak item berdasarkan kombinasi barang yang sering muncul, dibeli dan berhubungan.

2.      Data mining adalah bidang keilmuan yang menyatukan teknik pembelajaran mesin, database, statistik dan visualisasi yang ditujukan untuk menangani masalah dalam mengambil informasi atau data dari database yang besar. Untuk menangani masalah itu dilakukan pencarian hubungan. Hubungan yang dicari adalah hubungan yang terdiri dari dua atau lebih hubungan dalam satu dimensi.

3.      Data mining merupakan kegiatan mengekstrak atau menambang pengetahuan dari data yang mempunyai ukuran atau berjumlah besar. Output dari kegiatan itu adalah ekstraksi informasi atau pola penting dari data yang terdapat pada database. Informasi inilah yang nantinya sangat berguna untuk pengembangan.

4.      Data mining adalah operasi resourcing dan penggunaan data untuk mencari pola dan hubungan dari sekumpulan data yang berukuran besar.

5.      Data mining adalah bagian dari tahapan proses KDD (knowledge Discovery in Database ). Dengan data mining kita dapat melakukan klasifikasi, memprediksi, memperkirakan dan mendapatkan informasi yang bermanfaat dari kumpulan data dalam jumlah besar.

6.      Data mining merupakan proses pencarian pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu.

Kesimpulan yang mimin dapat dari beberapa pengertian Data Mining di atas adalah:

1.      Data mining adalah bidang ilmu pengetahuan yang ditujukan untuk mengidentifikasi informasi yang bermanfaat dari data yang terkait dari berbagai database berukuran besar.

2.      Dalam proses penambangan data dilakukan beberapa hal yaitu, klasifikasi, identifikasi dan ekstraksi.

 

3 IMPLEMENTASI DATA MINING

1.      Bidang Olahraga

IBM Advanced menggunakan data mining dalam menganalisis statistic permainan NBA diantaranya jumlah shots blocked, assists dan fouls.

2.      Bidang Astronomi

Jet Propulsion Laboratory (JPL) di Pasadena, California dan Palomar Observatory berhasil menemukan 22 quasar dengan bantuan data mining.

3.      Bidang Asuransi

Australian Health Insurance Commision menggunakan data mining untuk mengidentifikasi layanan kesehatan.

 

 

RANGKUMAN JURNAL

“IMPLEMENTATION OF DATA MINING FOR DETERMINING MAJORS USING K-MEANS ALGORITHM IN STUDENTS OF SMA NEGERI 1 PANGKALAN KERINICI”

 

Terdapat 2 jurusan di SMA Negeri 1 Pangkalan Kerinci, yaitu IPA dan IPS. Penelitian ini ditujukan untuk mempermudah siswa dalam memilih jurusan yang akan diambil berdasarkan minat dan bakat siswa dengan menggunakan Algoritma K-Means. Hal yang dilakukan pertama kali adalah memisahkan data yang ada ke dalam 1 grup. Kemudian pisahkan menjadi 2 cluster. Cluster yang pertama adalah data nilai dari yang terbesar. Cluster kedua adalah data nilai dari yang paling kecil.

 

Cluster 1 (89, 88, 86, 87, 88, 89, 90, 90)

Cluster 2 ( 69, 68, 68, 70, 70, 70, 69, 73)

 

Terdapat 8 mata pelajaran yang digunakan dalam proses clustering, diantaranya matematika, fisika, IPA, bilogi, IPS, PKN, Sejarah, Ekonomi. Dan juga terdapat 2 cluster, cluster 0 diambil dari nilai yang paling besar dan cluster 1 diambil dari nilai yang paling kecil. Dari analisis dan tes yang sudah dilakukan, hal ini bisa membantu dalam memproses data siswa yang ada di sekolah sehingga sekolah dapat memproses data dengan lebih mudah dan lebih cepat. System ini juga dapat membantu siswa dalam mengambil jurusan yang akan dipilih.

Sumber:

1.      Febrianny, Nadya (2020). IMPLEMENTASI DATA MINING UNTUK MENGETAHUI POLA PEMBELIAN OBAT MENGGUNAKAN ALGORITMA APRIORI.

2.      Putri, natricka (2018). DATA MINING PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI PADA TERMINAL BATAM & TRAVEL

3.      Susanto, heri (2014). DATA MINING TO PREDICT STUDENT’S ACHIEVMENTS BASED ON SOCIO-ECONOMIC, MOTIVATION, DISCIPLIME AND ACHIEVEMENT OF THE PAST.

4.      Harahap, Nur Paujiah (2019). IMPLEMENTASI DATA MINING DALAM MEMPREDIKSI TRANSASKI PENJUALAN MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus PT. Arma Anugerah Abadi Cabang Sei Rampah)

5.      Edastama, Primasatria (2021). Implementation Of Data Mining On Glasses Sales Using The Apriori Algorithm

6.      Gordan, Meisam (2021). Data Mining-Based Structural Damage Identification of Composite Bridge using Support Vector Machine

7.      Irawan, Yuda (2019). Implementation Of Data Mining For Determining Majors Using K-Means Algorithm In Students Of SMA Negeri 1 Pangkalan Kerici

LAPORAN PRAKTIKUM FISIKA LISTRIK SIMULASI RANGKAIAN LISTRIK MENGGUNAKAN LTSPICE

Disusun Oleh :

Zaky Rahma Saadi Nurahman

UNIVERSITAS MUHAMMADIYAH SUKABUMI

JL. R Syamsudin S.H No. 50, Kec. Cikole Kota Sukabumi Jawa Barat 43113

A.   Tujuan Praktikum

a.       Dapat menghitung dan menentukan besar tegangan (V), hambatan (R) dan kuat arus (I) pada sebuah rangkaian listrik;

b.      Memahami cara penggunaan aplikasi LTSpice.

A.   Dasar Teori

LTSpice adalah aplikasi (software) yang mengimplementasikan simulator sirkuit elektronik SPICE, yang diproduksi oleh pabrikan semikonduktor Linear Technology.

Dengan aplikasi ini kita bisa membuat sebuat rangkaian listrik. Rangkaian listrik adalah suatu kesatuan antara beberapa komponen elektronika dan sumber tegangan yang dihubungkan secara terbuka agar arus listrik yang berasal dari sumber dapat mengalir. Rangkaian terdiri dari rangkaian seri, pararel dan campuran.

Rumus Ohm:

V = I x R

Keterangan:

V = Tegangan (Volt)

I = Kuat arus (Ampere)

R = Hambatan (Ω)

A.   Alat dan Bahan

a.       PC/Laptop;

b.      Aplikasi LTSpice;

c.       Rangkaian listrik.

B.   Langkah-langkah

a.       Nyalakan Laptop/PC, kemudian jalankan aplikasi LTSpice;

b.      Buat lembar kerja baru dengan mengklik menu “File” kemudian pilih “New Schemantic” atau bisa dengan menekan Ctrl+N;

c.       Gambar rangkaian listrik;

d.      Setelah selesai, Run dengan cara klik kanan kemudian pilih “Run”;

e.       Masukan Stop Time, misal 1m untuk 1 menit, kemudian tekan OK;

f.       Untuk mencari tegangan pada sebuah rangkaian maka dekatkan kursor pada sebuah rangkaian lalu akan muncul ikon yang berwarna merah lalu klik dan tahan ikon tersebut sampai ke titik rangkaian yang akan di hitung sampai ikon tersebut berwarna hitam. lalu hasil akan ditampilkan dalam bentuk gelombang.bentuk dari ikon untuk mencari tegangan;

g.     Untuk menghitung kuat arus pada rangkaian maka bawa kursor ke rangkaian current sampai muncul ikon lalu klik maka nanti akan diketahui kuat arus dari rangkaian tersebut. hasil akan ditampilkan dalam bentuk gelombang. bentuk dari ikon untuk mencari kuat arus;

h.     Untuk menghitung R ekivalensi maka kita harus mencari tegangan rangkaian tersebut dengan cara diatas lalu akan muncul gelombang dan double klik pada gelombang V(n001) lalu klik kanan dan tambahkan dengan /-I(V1) agar I nya tidak menghasilkan nilai negative maka I diubah menjadi tanda negative. V(n001) /-I(V1) Maka klik OK maka akan muncul gelombang

C.   Contoh Soal

1.      Gambarlah rangkaian berikut dengan menggunakan ltspice dan tentukan R Ekivalennya

Jawab:

Diketahui nilai R ekivalennya yaitu 75Ω..

2.      Gambarlah rangkaian listrik berikut dan tentukan nilai arusnya !

Jawab:

Diketahui nilai arusnya yaitu 1.5 A.

3.      Gambarlah rangkaian berikut dan tentukan besar tegangan V

Jawab:

Diketahui nilai tegangannya yaitu 7V.

4.      Gambarlah rangkaian berikut dan tentukan arus i nya!

Jawab:

Diketahui nilai kuat arusnya yaitu 2A.

5.      Gambarlah rangkaian listrik berikut dan tentukan nilai V (tegangan) serta i (arus) !

Jawab:

Dapat diketahui nilai dari tegangan (V) yaitu 8V.

Dapat diketahui nilai kuat arus (I) yaitu 3A.