Sistem Pakar dan Kepakaran

Apa itu Sistem Pakar dan Kepakaran?

Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Jadi sistem pakar adalah kepakaran ditransfer dari seorang pakar (atau sumber kepakaran yang lain) ke komputer, pengetahuan yang ada disimpan dalam komputer, dan pengguna dapat berkonsultasi pada komputer itu untuk suatu nasehat, lalu komputer dapat mengambil inferensi (menyimpulkan, mendeduksi, dll) seperti layaknya seorang pakar, kemudian menjelaskannya, ke pengguna tersebut, bila perlu dengan alasan-alasannya. 

Sistem Pakar terkadang lebih baik unjuk kerjanya daripada seorang pakar manusia. Dengan sistem pakar, orang awam pun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman. Sistem pakar dikembangkan pertama kali tahun 1960. Sistem pakar yang terkenal : MYCIN yaitu Sistem pakar medical yang bisa mendiagnosa penyakit infeksi dan merekomendasi pengobatan; DENDRAL yaitu Mengidentifikasi struktur molokular campuran kimia yang tak dikenal; XCON merupakan sistem pakar untuk membantu konfigurasi sistem komputer besar, membantu melayani order langganan sistem komputer DEC VAX 11/780 ke dalam sistem spesifikasi final yang lengkap; XSEL; PROSPECTOR dan lain sebagainya.

Sedangkan Kepakaran adalah pengetahuan yang diperoleh dari pelatihan, membaca dan pengalaman. Kepakaran memungkinkan para ahli dapat mengambil keputusan lebih cepat dan lebih baik daripada seseorang yang bukan pakar (Sutojo, 2017).

Perbedaan Data, Informasi dan Pengetahuan

Data adalah sesuatu yang belum mempunyai arti bagi penerimanya dan masih memerlukan adanya suatu pengolahan agar dapat dipahami oleh si pemilik data. Data bisa berwujud suatu keadaan, gambar, suara, huruf, angka, bahasa ataupun simbol-simbol lainnya yang bisa kita gunakan sebagai bahan untuk melihat lingkungan objek atau suatu konsep. 

Informasi adalah sekumpulan data atau fakta yang diolah dengan cara tertentu sehingga mempunyai arti bagi penerima. Data yang telah diolah akan berguna bagi si penerima yang artinya yaitu dapat memberikan keterangan atau pengetahuan. Dengan demikian yang menjadi sumber informasi adalah data. Informasi dapat juga dikatakan sebuah pengetahuan yang diperoleh dari pembelajaran, pengalaman atau intruksi. 

Pengetahuan adalah informasi yang diketahui atau disarari oleh seseorang. Pengetahuan termasuk, tetapi tidak dibatasi dengan deskripsi, hipotesis, konsep, teori, prinsip dan prosedur yang secara probabilitas bayesian adalah  benar dan berguna. Dalam pengertian lain, pengetahuan adalah berbagai gejala yang ditemui dan diperoleh manusia melalui pengamatan akal. Pengetahuan muncul ketika seseorang menggunakan akal budinya untuk mengenali benda atau kejadian tertentu yang belum pernah dilihat atau dirasakan sebelumnya.

Perbedaan dari ketiga hal diatas adalah data berada di dunia yang nyata dan memahami bahwa data itu ada, sementara informasi adalah kumpulan dari data yang dikirim atau diterima oleh individu atau organisasi, sedangkan pengetahuan berada di dalam diri individu tersebut melalui proses yang diterima, didasari dan dipahami hasilnya dari informasi tersebut. Data dapat diubah menjadi informasi, informasi tersebut biasanya berupa angka atau fakta. Informasi tercipta ketika data dinilai melalui berbagai cara antara lain pengkategorian, penyaringan, atau penyusunan. Sedangkan pengetahuan merupakan informasi yang telah dievaluasi, disusun atau dikelola untuk diterapkan dalam mendukung keputusan atau memahami suatu konsep.

Kelebihan dan Kekurangan Sistem Pakar 

Kelebihannya :

1.Memungkinkan orang awam bisa, mengerjakan pekerjaan para ahli

2.Bisa melakukan proses secara berulang secara otomatis

3.Menyimpan pengetahuan dan keahlian para pakar

4.Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka)

5.Mampu beroperasi dalam lingkungan yang berbahaya

6.Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian. Pengguna bisa merespon dengan jawaban 'tidak tahu' atau 'tidak yakin' pada satu atau lebih pertanyaan selama konsultasi dan sistem pakar tetap akan memberikan jawaban

7.Tidak memerlukan biaya, saat tidak digunakan, sedangkan pada pakar manusia memerlukan biaya sehari-hari

8.Dapat digandakan (diperbanyak) sesuai kebutuhan dengan waktu yang minimal dan sedikit biaya

9.Dapat memecahkan masalah lebih cepat daripada kemampuan manusia dengan catatan menggunakan data yang sama

10.Menghemat waktu dalam pengambilan keputusan

11.Meningkatkan kualitas dan produktivitas karena dapat memberi nasehat yang konsisten dan mengurangi kesalahan

12.Meningkatkan kapabilitas sistem terkomputerisasi yang lain. Integrasi Sistem Pakar dengan sistem komputer lain membuat lebih efektit dan bisa mencakup lebih banyak aplikasi

13.Mampu menyediakan pelatihan. Pengguna pemula yang bekerja dengan sistem pakar akan menjadi lebih berpengalaman. Fasilitas penjelas dapat berfungsi sebagai guru

Kekurangannya :

1.Biaya yang diperlukan untuk membuat, memelihara, dan mengembangkannya sangat mahal

2.Sulit dikembangkan, hal ini erat kaitannya dengan ketersediaan pakar di bidangnya dan kepakaran sangat sulit diekstrak dari manusia karena sangat sulit bagi seorang pakar untuk menjelaskan langkah mereka dalam menangani masalah
3.Sistem pakar tidak 100% benar karena seseorang yang, terlibat dalam pembuatan sistem pakar tidak selalu benar. Oleh karena itu perlu diuji ulang secara teliti sebelum digunakan
4.Pendekatan oleh setiap pakar untuk suatu situasi atau problem bisa berbeda-beda, meskipun sama-sama benar
5.Transfer pengetahuan dapat bersifat subjektif dan bias
6.Kurangnya rasa percaya pengguna dapat menghalangi pemakaian sistem pakar 

Siapakah yang dapat menjadi sumber pengetahuan untuk pengembangan sistem pakar? 

Sumber pengetahuan potensial untuk pengembangan sistem pakar berasal dari pakar manusia, buku, tesk, dokumen multimedia, database (publik dan privat), laporan riset khusus dan informasi yang terdapat pada website (Munarto, 2018).

Apa itu Akuisisi Pengetahuan?

Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program computer. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan.

Apa itu Representasi Pengetahuan?

Representasi pengetahuan adalah cara untuk menyajikan pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi antara suatu pengetahuan dengan pengetahuan yang lain dan dapat dipakai untuk menguji kebenaran penalarannya.

Apa itu Mesin Inferensi?

Mesin inferensi merupakan sebuah program yang berguna untuk memandu mekanisme penalaran terhadap suatu kondisi berdasarkan pada basis fakta yang disimpan dalam basis pengetahuan untuk mencapai penyelesaian atau kesimpulan. Dalam mekanisme tersebut, mesin inferensi menggunakan strategi pengendalian yakni sebagai panduan arah dalam melakukan mekanisme penalaran yang terdiri dari 3 teknik pengendalian, diantaranya forward chaining, backward chaining, dan gabungan dari kedua teknik tersebut (Susatyono, 2021).

Metode apa yang digunakan Mesin Inferensi?

1. Forward Chaining atau Perambatan Maju merupakan aturan-aturan diuji satu per satu dalam urutan tertentu, urutan tersebut berupa aturan ke dalam perangkat aturan atau dapat juga urutan lain yang ditentukan oleh pemakai. Dalam pengujian tersebut sistem pakar akan mengevaluasi apakah kondisinya benar atau salah. Apabila kondisinya benar, maka aturan tersebut ditembakkan dan aturan berikutnya diuji. Apabila kondisinya salah, maka aturan tersebut tidak ditembakkan dan aturan berikutnya diuji. Mekanisme pengujian aturan satu demi satu berlanjut sampai putaran lengkap melalui seluruh perangkat aturan, ketika tidak ada lagi aturan yang dapat ditembakkan maka mekanisme penalaran berhenti.

2. Backward Chaining atau Perambatan Mundur merupakan inference engine memilih suatu aturan dan menganggapnya sabagai masalah yang harus diselesaikan, dengan menggunakan perangkat aturan inference engine mulai mengevaluasi dari variabel sasaran. Kemudian diikuti dengan pemilihan salah satu subproblem untuk dievaluasi, dan subproblem yang terpilih akan dievaluasi sebagai masalah baru. Inference engine terus mencari subproblem untuk menjadi masalah baru yang akan dievaluasi sampai dengan tidak ada lagi subproblem yang ditemui, tanpa harus mempertimbangkan seluruh aturan dan tidak membuat beberapa aturan melalui perangkat aturan (Susatyono, 2021).

Penjelasan jurnal "SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PADA TANAMAN JAGUNG DENGAN METODE BAYES"

a. Masalah pada penelitian tersebut yakni meneliti dalam hal membantu setiap petani dalam menentukan pilihan pengobatan, karena banyaknya penyakit pada tanaman jagung saat ini yang membuat petani susah mendapatkan hasil karena mereka tidak dapat melakukan pendiagnosaan yang tepat sehingga tingkat produktivitas menurun.

b. Proses pembuatan sistem pakar ini metode kepastiannya teorema bayes dimana metode ini didasarkan dari kondisi awal dimana kondisi awal tersebut merupakan kondisi gejala-gejala yang ada kemudian dikenakan aturan yang sudah ditentukan lalu diambil nilai kebenaran yang paling besar untuk menentukan kesimpulan dan solusi dari gejala yang disebutkan sebelumnya. Dengan menggunakan teorema bayes ini adalah untuk mendiagnosa penyakit pada tanaman jagung dan gejala-gejala yang menyebabkan penyakit tersebut.

c. Pada penelitian tersebut, metode forward chaining digunakan untuk melakukan diagnosa hama yang menyerang tanaman padi dengan melihat ciri-ciri yang muncul pada tanaman tersebut, sistem pakar untuk mendiagnosa hama dan penyakit tanaman bawang merah menggunakan certainty factor. Penelusuran fakta tersebut menggunakan forward chaining yakni penelusuran yang dimulai dari fakta-fakta untuk menguji kebenaran hipotesis, sebuah penalaran dimana adanya penambahan fakta baru yang mengakibatkan adanya ketidakpastian. Maka dapat digunakan penalaran statistik, teori Bayes digunakan sebagai alat pengambil keputusan untuk memperbaharui tingkat kepercayaan diri dari sebuah informasi atau pengetahuan, dimulai dari perancangan sistem hingga implementasi sistem untuk melakukan pembangunan Aplikasi Sistem Pakar.

d. Kesimpulan dari penelitian tersebut dengan membangun Aplikasi Sistem Pakar untuk mendiagnosa penyakit pada tanaman jagung yang dapat menyelesaikan masalah yakni dapat menampilkan hasil diagnosa dengan cepat dan tepat berdasarkan gejala-gejala yang dimasukkan oleh pengguna, hasil diagnosa yang ditampilkan dihitung secara otomatis oleh sistem aplikasi yakni banyaknya gejala yang dipilih oleh pengguna dibagi dengan banyaknya gejala yang dimiliki suatu penyakit.

Referensi :

Sutojo,  dkk. (2017). Kepakaran. 9–29.

Susatyono, J. D. (2021). Sistem Pakar : Kajian Konsep & Penerapannya.

Kartikeyn, Desai,  dan D. (2015). Sistem Pakar. 2(October), 765–770.

Syahromi. (2016). Bab 2 landasan teori. Aplikasi Dan Analisis Literatur Fasilkom UI, 4–25.

Advernesia. (2017). Data | Pengertian Data Informasi dan Pengetahuan. Advernesia.Com.

Munarto, R. (2018). Sistem Pakar Diagnosis. 14(1), 75–86.

Review : Jurnal Sistem Pakar Serta Rangkumannya

(Jurnal bahasa Indonesia)

Judul penelitian : Desain dan Implementasi Sistem Pakar untuk menentukan tipe Autisme pada anak usia 4-6 tahun dengan metode Forward Chaining

Nama jurnal : Jurnal Pseudocode, Universitas Muhammadiyah Bengkulu

Nama penulis : Yovi Apridiansyah , Nuri David Maria Veronika , Ria Oktarini

Tahun terbit : Volume IV Nomor 2, September 2017, ISSN 2355-5920

Rangkuman jurnal :

Sistem pakar dapat digunakan untuk membuat sebuah software untuk mendiagnosis tipe autisme pada anak usia 4-6 tahun berbasis web yang dapat berinteraksi seperti seorang pakar. Sistem ini dapat digunakan sebagai media konsultasi dan dapat memberikan solusi. Contoh lainnya, sistem pakar dapat di implementasikan untuk pembuatan sebuah kecerdasan buatan (AI) untuk mendukung penasihat akademis yang sangat penting untuk kesejahteraan akademik siswa. Kecerdasan buatan (AI) ini tidak dimaksudkan untuk menghilangkan peran penasihat manusia (staf), melainkan memungkinkan siswa untuk berkonsentrasi pada isu-isu nyata yang berkaitan dengan pendaftaran kursus dan memberikan akses tak terbatas ke saran ahli. Dengan demikian, kehadiran kecerdasan buatan (AI) ini dapat mengurangi beban yang ditempatkan pada penasihat manusia.

(Jurnal bahasa Inggris)

Judul penelitian : Implementation of an Intelligent Course Advisory Expert System

Nama jurnal :  International Journal of Advanced Research in Artificial Intelligence,

Nama penulis : Olawande Daramola, Onyeka Emebo, Ibukun Afolabi, Charles Ayo

Tahun terbit : Vol. 3, No.5, 2014

Rangkuman jurnal :

Sebagai kontribusi, karya ini menawarkan demonstrasi penerapan teknologi kecerdasan buatan (AI) untuk mendukung nasihat akademis, yang sangat penting untuk kesejahteraan akademik siswa. CAES : Course Advisory Expert System (Penasihat Kursus Sistem Pakar) ini tidak dimaksudkan untuk menghilangkan peran penasihat manusia (staf), melainkan memungkinkan siswa untuk berkonsentrasi pada isu-isu nyata yang berkaitan dengan pendaftaran kursus dan memberikan akses tak terbatas ke saran ahli. Dengan demikian, kehadiran kecerdasan buatan (AI) ini dapat mengurangi beban yang ditempatkan pada penasihat manusia.

Referensi

Apridiansyah, Yovi. Maria Veronika, Nuri David. Oktarini, Ria (2017).  Desain dan Implementasi Sistem Pakar untuk menentukan tipe Autisme pada anak 4-6 tahun dengan metode Forward Chaining. Jurnal Pseudocode, 4, 2355-5920.

Daramola, Olawande. Emebo, Onyeka. Afolabi,  Ibukun. Ayo, Charles (2014). Implementation of an Intelligent Course Advisory Expert System. International Journal of Advanced Research in Artificial Intelligence, 5, 4.

Apa itu Data Mining?

Pengertian Data Mining

Data mining adalah proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar. Data mining juga dapat diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data bebas yang membantu dalam pengambilan keputusan. Istilah data minig kadang disebut juga knowlenge discovery (Tan P, Steinbach M, Kumar V, 2006).

Pada prosesnya data mining akan mengekstrak informasi yang berharga dengan cara menganalisis adanya pola-pola ataupun hubungan keterkaitan tertentu dari data-data yang berukuran besar. Data mining berkaitan dengan bidang ilmu-ilmu lain, seperti Database System, Data Warehousing, Statistic, Machine Learning, Information Retrieval, dan Komputasi Tingkat Tinggi. Selain itu data mining didukung oleh ilmu lain seperti Neural Network, Pengenalan Pola, Spatial Data Analysis, Image Database, Signal Processing.

Pekerjaan yang berkaitan dengan data mining dapat dibagi menjadi empat kelompok, yaitu model prediksi (prediction modelling), analisis kelompok (cluster analysis), analisis asosiasi (association analysis) dan deteksi anomaly (anomaly detection) (Prasetyo, 2012)

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan yaitu :

a) Model prediksi

Model prediksi berkaitan dengan pembuatan sebuah model yang dapat melakukan pemetaan dari setiap himpunan variabel ke setiap targetnya, kemudian menggunakan model tersebut untuk memberikan nilai target pada himpunan baru yang didapat. Ada dua jenis model prediksi, yaitu klasisfikasi dan regresi. Klasifikasi digunakan untuk variabel target diskret, sedangkan regresi untuk variabel target kontinu. Misalnya pekerjaan untuk melakukan deteksi jenis penyakit pasien berdasarkan sejumlah nilai parameter penyakit yang diderita masuk dalam jenis klasifikasi karena di sini target yang diharapkan adalah diskret, hanya beberapa jenis kemungkinan nilai target yang didapatkan, tidak ada niilai deret waktu (time series) yang harus didapatkan untuk mendapat target nilai akhir. Sementara, pekerjaan prediksi jumlah penjualan yang didapatkan pada tiga bulan ke depan termasuk regresi karena untuk mendapatkan nilai penjualan bulan ketiga, nilai penjualan bulan kedua harus didapatkan dan untuk mendapatkan nilai penjualan bulan kedua, nilai penjualan bulan pertama harus didapatkan. Di sini ada nilai deret waktu yang harus dihitung untuk sampai pada target akhir yang diinginkan, ada nilai kontinu yang harus dihitung untuk mendapatkan nilai target akhir yangt diinginkan.

b) Analisis kelompok

Contoh pekerjaan yang berhubungan dengan analisis kelompok (cluster analysis) adalah bagaimana cara mengetahui pola pembelian barang oleh para 16 Jurnal Satya Informatika Vol. 3 No. 1, Mei 2018 Halaman 12-24 konsumen pada waktu-waktu tertentu. Dengan mengetahui pola kelompok pembelian tersebut, perusahaan/ pengecer dapat menentukan jadwal promosi yang dapat diberikan sehingga omzet penjualan bisa ditingkatkan. Analisis kelompok melakukan pengelompokan data-data ke dalam sejumlah kelompok (cluster) berdasarkan kesamaan karakteristik masing-masing data pada kelompok-kelompok yang ada. Data-data yang masuk dalam batas kesamaan dengan kelompoknya akan bergabung dalam kelompok tersebut, dan akan terpisah dalam kelompok yang berbeda jika keluar dari batas kesamaan dengan kelompok tersebut.

c) Analisis asosiasi

Analisis asosiasi (association analysis) digunakan untuk menemukan pola yang menggambarkan kekuatan hubungan fitur dalam data. Pola yang ditemukan biasanya merepresentasikan bentuk aturan implikasi atau sebset fitur. Tujuannya adalah untuk menemukan pola yang menarik dengan cara yang efisien. Penerapan yang paling dekat dengan kehidupan sehari-hari adalah analisis data keranjang belanja. Sebagai contoh, pembeli adalah ibu rumah tangga yang akan membeli barang kebutuhan rumah tangga di sebuah supermarket. Jika ibu tersebut membeli beras, sangat besar kemungkinannya bahwa ibu itu juga akan membeli barang lain, misalnya minyak, telur, dan tidak mungkin atau jarang membeli barang lain seperti topi atau buku. Dengan mengetahui hubungan yang lebih kuat antara beras dengan telur daripada beras dengan topi, pengecer dapat menentukan barang-barang yang sebaiknya disediakan dalam jumlah yang cukup banyak.

d) Deteksi anomali

Pekerjaan deteksi anomali (anomali detection) berkaitan dengan pengamatan sebuah data dari sejumlah data yang secara signifikan mempunyai karakteristik yang berbeda dari sisa data yang lain. Data-data yang karakteristiknya menyimpang (berbeda) dari data yang lain disebut outlier. Algoritma deteksi anomali yang baik harus mempunyai laju deteksi yang tinggi dan laju eror yang rendah. Deteksi anomali dapat diterapkan pada sistem jaringan untuk mengetahui pola data yang memasuki jaringan sehingga penyusupan bisa ditemukan jika pola kerja data yang datang berbeda. Perilaku kondisi cuaca mengalami anom ali juga dapat dideteksi dengan algoritma ini (Prasetyo, 2012).

Implementasi Data Mining di Berbagai Bidang

1. Analisa Pasar dan Manajemen

Solusi yang dapat di selesaikan dengan data mining, diantaranya :

- Menembak target pasar

- Melihat pola beli pemakai dari waktu ke waktu

- Cross-marker analysis

- Profil customer

- Identifikasi kebutuhan customer

- Menilai loyalitas customer

- Informasi summary

2. Analisa Perusahaan dan Manajemen Resiko

Solusi yang dapat diselesaikan dengan data mining, diantaranya :

- Perencanaan keuangan dan Evaluasi aset

-Perencanaan sumber daya (Resource Planning)

- Persaingan (Competition)

3. Telekomunikasi

Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan transaksi yangmasuk, transaksi mana sajakah yang masih harus ditangani secara manual.

4. Keuangan

Financial Crimes Enforcement Network di Amerika Serikat baru-baru ini menggunakan data mining untuk menambang trilyunan dari berbagai subyek seperti properti, rekening bank dan transaksi keuangan lainnya untuk mendeteksi transaksi-transaksi keuangan yang mencurigakan (seperti money laundry).

5. Asuransi

Australian Health Insurance Commision menggunakan data mining untuk mengidentifikasi layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh peserta asuransi .

6. Olahraga

IBM Advanced Scout menggunakan data mining untuk menganalisis statistik permainan NBA (jumlah shots blocked, assists dan fouls) dalam rangka mencapai keunggulan bersaing (competitive advantage) untuk tim-tim NBA.

7.  Astronomi

Jet Propulsion Laboratory (JPL) di Pasadena, California dan Palomar Observatory berhasil menemukan 22 quasar dengan bantuan data mining. Hal ini merupakan salah satu kesuksesan penerapan data mining di bidang astronomi dan ilmu ruang angkasa.

8. Internet Web surf-aid

IBM Surf-Aid menggunakan algoritma data mining untuk mendata akses halaman Web, khususnya yang berkaitan dengan pemasaran guna melihat prilaku dan minat customer serta melihat keefektifan pemasaran melalui Web.

Referensi :

https://www.kompasiana.com/figorahput/5c927a740b531c34651a0062/data-mining-dan-contoh-implementasi-di-berbagai-bidang.

https://ejurnal.teknokrat.ac.id/index.php/JDMSI.

https://content.co.id/contoh-jurnal-data-mining/.

https://www.scribd.com/doc/306551096/Contoh-Implementasi-Data-Mining#:~:text=Contoh%20Implementasi%20Data%20Mining%201%20Menghitung%20Entropy%20%28S%29,besar%20untuk%20dijadikan%20root.%20...%20More%20items...%20.

https://mti.binus.ac.id/2017/10/04/14-contoh-aplikasi-data-mining-di-berbagai-bidang/.

Simulasi Rangkaian Listrik Menggunakan LTspice

TUJUAN PRAKTIKUM

Dapat memahami cara penggunaan ltspice pada simulasi rangkaian listrik .

Dapat menentukan besar tegangan,kuat arus,dan hambatan pada sebuah rangkaian.

Rangkaian listrik adalah sambungan dari bermacam-macam elemen listrik pasif seperti resistor, kapasitor,inductor,transformator,sumber tegangan,sumber arus,dan saklar. Rangkaian terdiri dari rangkaian seri, paralel, dan campuran. Untuk menentukan besar tegangan, kuat arus dan hambatan dapat ditentukan dengan hukum ohm. Hukum Ohm adalah suatu pernyataan bahwa besar arus listrik yang mengalir melalui sebuah penghantar selalu berbanding lurus dengan tegangan yang diterapkan kepadanya. Rumus hukum ohm

Keterangan:

V : Tegangan (Volt)

I : Kuat Arus (Ampere)

R : Hambatan (Ω)

LTSpice adalah perangkat lunak yang berbasis pada SPICE (Simulation Program With Integrated Circuit Emphasis) yang digunakan untuk simulasi rangkaian elektronik analog/digital yang dibuat oleh Linear Technology.

1. Laptop/PC

2. Software LTSpice

3. Soal Rangkaian Listrik

LANGKAH KERJA

 

1. Buka Laptop yang sudah terinstal software ltspice.

2. Kemudian buka software ltspice dan buat lembar kerja dengan cara menekan Ctrl+N atau dengan mengklik menu file pilih New schemantic.

3. Lalu gambar rangkaian listrik dengan menu dan tools yang sudah tersedia di software ltspice.

4. Kemudian klik menu run dan masuk ke dalam menu translent dan isi stop time nya 1m lalu klik OK.

5. 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.

6.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.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.

ANALISIS

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

2. Gambarlah rangkaian listrik berikut dan tentukan nilai arusnya!

3. Gambarlah rangkaian berikut dan tentukan besar tegangan V!

4. Gambarlah rangkaian berikut dan tentukan arus i nya!

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

JAWAB: 

No 1

 

Pada gambar rangkaian diatas dengan menggunakan LTspice dapat diketahui nilai R ekivalennya yaitu 75Ω dan gelombang garis pada gambar diatas menujukan pada garis di 75Ω.

No 2

Pada gambar rangkaian tersebut dapat diketahui nilai arusnya yaitu 1.5 A

No 3

Pada rangkaian tersebut dapat diketahui nilai dari kuat arusnya yaitu 1A dan total R nya 7Ω , dan tegangan nya sebesar 7V

No 4

Pada rangkaian diatas tegangan nya 1.5 V  , kuat arus 2 A , dan hambatannya 750mΩ  atau 0.75Ω

No 5

Pada soal nomor 5 ini agar dapat diketahui nilai i dan v maka harus menggunakan hukum kirchoff  ∑i=0 dapat dijabarkan seperti berikut :

V2-16+V2-3=0

3V2-48+2V2-72=0

5V2-120=0

V2=120=24V

Maka V :

V=V2-V1

V=24-16

V=8V

Untuk I :

I=11-12

I=3-V1

I=3-16

I=2A

Pada rangkaian diatas terdapat 2 sumber tegangan yang berbeda yaituV(n0011)= 16V dan V(n002)=24V karena ditanyakan nilai tegangan(V) maka

V= V(n002)-V(n001) V= (24-16)V

V= 8V

KESIMPULAN

Simulasi rangkaian listrik pada software ltspice dapat menentukan besar tegangan,kuat arus,dan hambatan pada sebuah rangkaian.