Sistem Pakar Diagnosa Kerusakan Mobil

 Sistem Pakar Diagnosa Kerusakan Mobil

( institut sains dan teknologi nasional )

Cerita Hari PKL – 14 November 2025

Pagi itu, 14 November 2025, aku terbangun cukup awal. Tanpa banyak menunda, aku langsung bangkit dari tempat tidur dan menuju kamar mandi. Air yang menyentuh kulit membuat tubuh terasa segar dan siap menjalani aktivitas. Setelah selesai mandi, aku mengenakan seragam PKL dengan rapi, memastikan semuanya terlihat bersih dan layak untuk memulai hari.

Sebelum melakukan apa pun, aku melaksanakan sholat Subuh terlebih dahulu. Suasana pagi yang masih tenang membuat ibadah terasa lebih khusyuk. Setelah itu, aku menuju dapur untuk sarapan. Makanan hangat di pagi hari memberi energi tambahan agar bisa menjalani rutinitas dengan semangat penuh.

Begitu selesai sarapan, aku langsung bersiap berangkat. Perjalanan menuju kampus terasa lancar. Setibanya di sana, aku segera memarkirkan motor di tempat biasa, lalu melangkah menuju laboratorium komputer.

Di lab, kegiatan pagi dimulai seperti biasanya: melaksanakan piket bersama teman-teman. Kami membersihkan ruangan, merapikan peralatan, dan memastikan lab dalam kondisi siap digunakan. Rutinitas sederhana ini selalu menjadi awal hari yang membuat suasana kerja terasa lebih tertata dan kompak.

Sistem Pakar Diagnosa Kerusakan Mobil

      Sistem diagnosa kerusakan mobil berbasis AI adalah sebuah teknologi yang dirancang untuk meniru kemampuan mekanik profesional dalam menganalisis gejala, mencari pola kerusakan, dan memberikan solusi yang tepat berdasarkan data. Konsep ini bekerja dengan memanfaatkan kumpulan dataset kerusakan mobil, pemrosesan bahasa alami, dan teknik perhitungan kesamaan teks yang memungkinkan komputer memahami keluhan pengguna seperti halnya manusia.

Langkah pertama dalam membangun sistem ini adalah menyediakan data kerusakan mobil yang cukup banyak. Dataset tersebut berisi daftar masalah, gejala, dan solusinya. Contohnya seperti masalah aki yang lemah, kampas rem aus, mesin overheat, busi mati, atau alternator yang rusak. Setiap data disusun dalam bentuk object terstruktur seperti:

{ "id" => 1, "title" => "...", "symptoms" => "...", "solution" => "..." }.

Semakin banyak data yang dimiliki, semakin tinggi kemungkinan sistem memberikan jawaban yang akurat untuk berbagai macam situasi.

Setelah dataset tersedia, langkah berikutnya adalah pemrosesan teks. Gejala yang diketik pengguna biasanya dalam bentuk kalimat bebas, misalnya:

“mobil saya susah hidup pagi-pagi dan starter cuma bunyi klik”.

Agar sistem bisa memahami maksudnya, teks tersebut harus melalui proses seperti mengubah tulisan menjadi huruf kecil, menghapus tanda baca, menghilangkan kata-kata tidak penting seperti “dan”, “yang”, “pada”, serta melakukan stemming atau pengembalian kata ke bentuk dasar seperti “hidup” dari “menghidupkan” atau “starter” dari “menstarter”. Hasil dari proses ini membuat perhitungan teks menjadi lebih presisi.

Pada tahap berikutnya, sistem melakukan proses yang disebut TF-IDF (Term Frequency–Inverse Document Frequency). Teknik ini mengubah teks gejala pengguna maupun dataset menjadi angka-angka representasi. Intinya, TF-IDF memberi nilai pada setiap kata berdasarkan seberapa penting kata tersebut dalam seluruh koleksi data. Kata yang umum seperti “mobil” akan mendapat bobot kecil, sedangkan kata khusus seperti “overheat”, “bergetar”, atau “medok” akan memiliki bobot besar. Representasi numerik inilah yang memungkinkan komputer membandingkan teks secara matematis.

Setelah teks diubah menjadi angka, sistem menggunakan Cosine Similarity untuk mengukur tingkat kesamaan antara keluhan pengguna dengan setiap data kerusakan yang ada. Teknik ini menghitung “sudut kemiripan” antara dua vektor angka. Semakin kecil sudutnya, berarti semakin mirip. Hasil akhirnya berupa nilai antara 0 hingga 1, di mana angka mendekati 1 menunjukkan kemiripan tinggi. Data dengan nilai similarity tertinggi dianggap sebagai masalah yang paling mungkin terjadi pada mobil tersebut.

Ketika hasil perhitungan sudah diperoleh, sistem menampilkan jawaban kepada pengguna dalam format yang mudah dipahami. Misalnya: hasil pemeriksaan menunjukkan bahwa gejala yang diberikan sangat mirip dengan kerusakan aki lemah. Maka sistem akan memberikan solusi seperti memeriksa terminal aki, membersihkan karat, melakukan jump-start, atau mengganti aki bila perlu. Dengan pendekatan ini, pengguna dapat langsung mengetahui arah troubleshooting bahkan sebelum pergi ke bengkel.

Keunggulan dari sistem diagnosa seperti ini adalah kemampuannya menjawab banyak pertanyaan tanpa perlu mekanik manusia hadir setiap saat. Pengguna cukup mengetik gejala yang dialaminya, dan sistem akan melakukan analisis secara otomatis. Pada platform website, hasil ini dapat ditampilkan dengan visual yang menarik, responsif, dan cepat diproses secara server-side menggunakan PHP. Sistem juga dapat diperbarui kapan saja dengan menambahkan dataset baru ketika jenis kerusakan lain ditemukan, sehingga sistem AI semakin pintar dari waktu ke waktu.

Lebih jauh lagi, sistem ini dapat dikembangkan menjadi platform yang mampu memberi rekomendasi biaya perbaikan, estimasi waktu pengerjaan, saran mencegah kerusakan lebih lanjut, dan bahkan menghubungkan pengguna ke bengkel terdekat. Pada level lebih tinggi, teknologi ini dapat digabungkan dengan machine learning untuk memprediksi kerusakan berdasarkan pola masa lalu, sehingga mobil bisa diperbaiki sebelum benar-benar mengalami kegagalan fungsi.

Dengan memadukan dataset yang tersusun rapi, pemrosesan bahasa alami yang mendalam, perhitungan similarity yang akurat, serta tampilan website yang modern dan elegan, terciptalah sebuah sistem cerdas yang mampu membantu pengguna dalam mendiagnosa masalah mobil secara cepat, hemat waktu, dan dapat diandalkan. Sistem ini bukan hanya alat bantu teknis, tetapi sebuah inovasi berbasis pengetahuan yang membawa pengalaman perbaikan mobil ke level yang jauh lebih canggih dan modern.