<![CDATA[Penelitian ini bertujuan merancang dan mengimplementasikan sistem pakar untuk membantu mekanik dan pemilik kendaraan mendiagnosis kerusakan mobil secara cepat, konsisten, dan terukur pada Yogi Bengkel. Sistem mengintegrasikan metode Forward Chaining sebagai mekanisme inferensi berbasis aturan dan Certainty Factor untuk mengakomodasi ketidakpastian gejala serta tingkat keyakinan pakar dan pengguna. Pengembangan dilakukan menggunakan pendekatan Expert System Development Life Cycle melalui tahapan akuisisi pengetahuan, penyusunan basis gejala, kerusakan, dan aturan produksi, perancangan sistem berbasis web, implementasi mesin inferensi, serta pengujian dan validasi. Basis pengetahuan dibangun berdasarkan wawancara mekanik, observasi kendaraan, dan catatan servis, yang mencakup 60 gejala, 20 jenis kerusakan, dan aturan diagnosis terkait mesin, kelistrikan, suspensi, serta sistem pengereman. Pengujian dilakukan terhadap 50 kasus riil dengan membandingkan hasil sistem dan diagnosis manual mekanik sebagai acuan. Hasil penelitian menunjukkan bahwa sistem menghasilkan 46 diagnosis yang sesuai, dengan akurasi keseluruhan sebesar 93%, tingkat keyakinan rata-rata 0,88 atau 88%, sensitivitas 91% pada kerusakan mesin, dan spesifisitas 95% pada sistem kelistrikan. Waktu diagnosis juga berkurang dari sekitar 15 menit secara manual menjadi rata-rata 2 menit menggunakan sistem. Temuan ini menunjukkan bahwa kombinasi Forward Chaining dan Certainty Factor mampu mengolah gejala yang saling tumpang tindih, memberikan urutan diagnosis yang transparan, serta menghasilkan rekomendasi kerusakan dengan tingkat keyakinan yang dapat dipahami pengguna. Sistem yang dikembangkan dapat mendukung efisiensi pelayanan, mengurangi ketergantungan pada ketersediaan mekanik ahli, dan meminimalkan kesalahan diagnosis pada bengkel berskala kecil.]]>
Copyrights © 2026
