BAB II

LANDASAN TEORI

2.1 Artificial Intelligence

Artificial intelligence (AI) menurut John McCarthy merupakan suatu ilmu dan

teknik dalam menciptakan mesin yang bersifat cerdas, terutama dalam menciptakan

program atau aplikasi komputer cerdas. AI adalah suatu langkah untuk menciptakan

komputer, robot, atau aplikasi atau program yang bekerja secara cerdas, layaknya

seperti manusia (McCarthy, 2007).

Tujuan diciptakannya AI itu sendiri untuk:

a. Menciptakan suatu sistem pakar, yakni suatu sistem yang dapat melakukan

perilaku cerdas, belajar, mendemonstrasikan, menjelaskan, dan

menyarankan user.

b. Untuk mengimplementasikan kecerdasan daripada manusia ke dalam

mesin, menciptakan suatu sistem yang dapat mengerti, berpikir, belajar, dan

berperilaku seperti manusia.

Hal-hal yang berkontribusi untuk AI itu sendiri diantaranya adalah bidang Ilmu

Komputer, Biologi, Psikologi, Bahasa, Matematika, dan Teknik. Salah satu langkah

besar dalam menciptakan komputer yang berhubungan dengan kecerdasan buatan

adalah, berpikir dengan logika, belajar, dan menyelesaikan permasalahan. Teknik

yang digunakan oleh AI dalam menyelesaikan permasalahan dengan merapikan

suatu informasi dan pengetahuan sehingga dapat diakses dan dipahami dengan

mudah oleh user, dapat dengan mudah dimodifikasi untuk memperbaiki error, dan

dapat berguna di berbagai situasi walaupun masih belum sempurna atau akurat.

6
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
 Klasifikasi domain dari AI tergolong menjadi Formal tasks, Mundane tasks,

dan Expert tasks, digambarkan pada Gambar 2.1

([Link]

ch_areas.htm, 2016)

Gambar 2.1 Task Domains of Artificial Intelligence

(Sumber:[Link]
e_research_areas.htm)

Sistem yang dibangun pada skripsi ini digolongkan dalam domain expert tasks,

dengan cabang engineering. Untuk menciptakan sistem tersebut digunakan teknik

learning, suatu teknik yang secara otomatis menemukan rules yang dapat berlaku

umum untuk data-data yang banyak dan belum pernah diketahui sebelumnya, serta

memiliki kelebihan dimana sistem dapat mempelajari data baru yang ada, dimana

7
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
seiring semakin banyak data yang dipelajari maka semakin meningkat pula

performance measure-nya.

2.2 Expert System

Expert system atau sistem pakar merupakan suatu program atau aplikasi dalam

komputer yang merepresentasikan pengetahuan dari beberapa ahli atau pakar

tentang suatu bidang, dan menghasilkan suatu pandangan untuk penyelesaian

permasalahan ataupun saran dan solusi (Jackson, 1999).

Sistem pakar memerlukan akses yang efisien kedalam domain knowledge base

dan reasoning mechanism untuk menerapkan knowledge atau informasi ke dalam

permasalahan yang diberikan, dan biasanya sistem pakar juga dapat menjelaskan

kepada user yang menggunakan sistem bagaimana suatu hasil keputusan dapat

diperoleh oleh sistem pakar (Bullinaria, 2005).

Sistem pakar sendiri umumnya digunakan untuk:

a. Menginterpretasikan data, seperti pengukuran data sonar dan geofisikal,

b. Diagnosa suatu malfungsi, seperti kerusakan pada suatu alat atau barang

atau penyakit pada manusia,

c. Analisa struktural atau konfigurasi dari objek yang bersifat kompleks,

seperti senyawa kimia atau sistem komputer,

d. Perencanaan urutan suatu tindakan, seperti sesuatu yang bisa dilakukan

oleh robot,

e. Melakukan prediksi akan sesuatu yang akan terjadi, seperti prediksi cuaca,

saham.

8
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
 Sistem pakar dapat dibedakan dengan sistem yang bersifat konvensional

dengan melihat beberapa karakteristik daripada sistem pakar itu sendiri (Bullinaria,

2005), diantaranya:

a. Sistem pakar mensimulasikan penlaran manusia tentang domain suatu

masalah, daripada mensimulasikan domain masalah itu sendiri,

b. Sistem pakar melakukan penalaran sebagai representasi dari pengetahuan

manusia, sebagai tambahan melakukan perolehan data dan perhitungan,

c. Permasalahan cenderung diselesaikan dengan menggunakan heuristic

(aturan praktis) atau metode perkiraan atau metode probabilitas, dimana

solusi yang dihasilkan tidak dijamin tepat atau optimal,

d. Sistem pakar biasanya menyediakan penjelasan dan pembenaran dari solusi

yang dihasilkan/rekomendasi untuk menyakinkan user bahwa penalaran

yang dihasilkan oleh sistem benar adanya.

Proses dalam pembuatan sistem pakar sering disebut dengan knowledge

engineering, dimana berkaitan dengan seluruh komponen dalam sistem pakar, hal

ini digambarkan pada Gambar 2.2 dibawah (Bullinaria, 2005).

Gambar 2.2 The Architecture of Expert Systems

(Sumber:Bullinaria, 2005)

9
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
 Proses perolehan informasi dari pakar ke dalam sistem pakar disebut dengan

komponen knowledge acquisition. Knowledge acquisition sendiri biasanya terbagi

menjadi tiga tahapan:

a. Knowledge elicitation merupakan interaksi antara pakar dengan pembuat

sistem terjadi untuk memperoleh pengetahuan pakar dalam beberapa cara

yang sistematis,

b. Kemudian informasi biasanya disimpan dalam intermediate representation

yang sifatnya human friendly,

c. Lalu intermediate representation daripada informasi tersebut di-compile ke

dalam executable form dimana inference engine dapat melakukan proses.

Tahapan-tahapan dalam knowledge acquisition dijelaskan lebih rinci dalam

Gambar 2.3 (Bullinaria, 2005).

Gambar 2.3 Stages of Knowledge Acquisition

(Sumber:Bullinaria, 2005)

Dari gambar 2.3 dapat dijelaskan pada setiap tahapannya sebagai berikut:

a. Knowledge identification: interview yang mendalam dimana informasi dari

pakar digali secara mendalam oleh pembuat sistem. Pembuat sistem harus

10
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
 mengerti domain secara baik untuk mengetahui apa saja yang perlu

dibicarakan dengan pakar yang bersangkutan,

b. Knowledge conceptualization: mencari konsep yang sifatnya primitive dan

relasi antara konsep-konsep daripada domain permasalahan,

c. Epistemological analysis: mengungkap sifat struktural pengetahuan yang

konseptual, seperti hubungan taksonomi (klasifikasi),

d. Logical analysis: memutuskan bagaimana melakukan penalaran dalam

masalah domain, dimana informasi seperti ini cenderung sulit didapatkan,

e. Implementation analysis: melakukan prosedur yang sistematis untuk

implementasi dan testing daripada sistem.

Tahapan selanjutnya setelah knowledge acquisition adalah

merepresentasikan knowledge atau informasi tersebut, dimana secara umum

informasi yang diperoleh dari pakar akan dirumuskan menjadi dua cara (Bullinaria,

2005), yaitu:

a. Intermediate representation: informasi terstruktur dimana pembuat sistem

dan pakar dapat bekerja secara efisien,

b. Production system: rumusan dimana inference engine dari sistem pakar

dapat melakukan proses secara efisien

Knowledge/informasi sendiri dibedakan menjadi 2 macam yaitu:

a. Domain knowledge: merupakan pengetahuan daripada pakar yang dapat

berupa rules, general/default value, dan sebagainya,

b. Case knowledge: pengetahuan/fakta spesifik tentang suatu kasus, termasuk

pengetahuan tentang kasus-kasus tertentu.

11
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
 Sistem pakar ini akan memiliki domain knowledge secara built-in, dan harus

terintegrasi dengan case knowledge yang berbeda dimana akan tersedia setiap kali

sistem digunakan. Knowledge based dari sistem ini diperoleh dari data tentang

evaluasi kasus kerusakan ban dari pakar dan reasoning mechanism yang didasarkan

pada buku panduan pemahaman ban yaitu Bridgestone Tire Advisor Handbook (PT.

Bridgestone Tire Indonesia, 2008) dan Bridgestone Consumer Selling Kit (PT.

Bridgestone Tire Indonesia, 2010). Proses pemilihan atribut atau variabel dalam

proses pembuatan sistem didasari fakta yang didapat dari buku panduan tersebut

kemudian didiskusikan dengan pakar sehingga didapatkan sebanyak 12 atribut atau

variabel yaitu tekanan angin, sudut keselarasan roda, kondisi suspensi, cara

berkendara, kondisi beban, kondisi jalan, terkena benda tajam atau tumpul, cara

pemasangan ban, kecepatan berkendara, penggunaan velg, rotasi ban, dan

balancing ban. Knowledge based serta reasoning mechanism dari sistem ini

dijelaskan dengan rule sebagai berikut:

1. IF tekanan angin = tidak sesuai THEN rusak irregular wear,

2. IF tekanan angin = tidak sesuai & kondisi beban = overloading & kecepatan

berkendara = tinggi THEN rusak regular wear,

3. IF tekanan angin = tidak sesuai & kondisi beban = overloading &

penggunaan velg = tidak sesuai THEN rusak regular wear,

4. IF tekanan angin = tidak sesuai & terkena benda tajam atau tumpul = pernah

THEN rusak regular wear,

5. IF tekanan angin = tidak sesuai & kondisi beban = overloading & cara

pemasangan ban = tidak tepat THEN rusak regular wear,

12
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
6. IF cara berkendara = kasar & kondisi jalan = buruk & tekanan angin = tidak

tepat & kondisi beban = overloading THEN rusak regular wear,

7. IF tekanan angin = tidak sesuai & kondisi beban = overloading & kondisi

suspensi = tidak baik & cara berkendara = kasar & penggunaan velg = tidak

sesuai THEN rusak regular wear,

8. IF rotasi ban = jarang & tekanan angin = tidak sesuai THEN rusak irregular

wear,

9. IF terkena benda tajam atau tumpul = pernah & kondisi jalan = rusak & cara

mengemudi = kasar THEN rusak regular wear,

10. IF tekanan angin = tidak sesuai & kondisi beban = overloading & cara

pemasangan ban = kasar THEN rusak regular wear,

11. IF tekanan angin = tidak sesuai & kondisi beban = overloading & terkena

benda tajam atau tumpul = pernah & kecepatan berkendara = tinggi THEN

rusak regular wear,

12. IF terkena benda tajam atau tumpul = pernah & cara berkendara = kasar

THEN rusak regular wear,

13. IF kondisi suspensi = tidak baik & kondisi berkendara = kasar THEN rusak

irregular wear,

14. IF kondisi jalan = rusak & kondisi beban = overloading THEN rusak

regular wear,

15. IF tekanan angin = tidak sesuai & kecepatan berkendara = tinggi & cara

berkendara = kasar THEN rusak regular wear,

16. IF cara berkendara = kasar THEN rusak regular wear,

13
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
 17. IF tekanan angin = tidak sesuai & terkena benda tajam atau tumpul = pernah

& kondisi jalan = rusak THEN rusak regular wear,

18. IF terkena benda tajam atau tumpul = pernah & tekanan angin = tidak sesuai

& kondisi beban = overloading & cara mengemudi = kasar & kecepatan

berkendara = tinggi THEN rusak regular wear,

19. IF tekanan angin = tidak sesuai & kondisi beban = overloading & cara

berkendara = kasar THEN rusak regular wear,

20. IF sudut keselarasan roda = tidak sesuai THEN rusak irregular wear,

21. IF cara pemasangan ban = tidak tepat & kondisi beban = overloading &

cara berkendara = kasar THEN rusak regular wear,

22. IF tekanan angin = tidak sesuai & sudut keselarasan roda = tidak pas &

kondisi suspensi = tidak baik THEN rusak irregular wear.

Kemudian tahapan berikutnya dalam sistem pakar adalah tahapan inference

engine dimana merupakan proses yang mengandung mekanisme daripada pola pikir

dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu permasalahan

yang diterapkan kedalam sistem.

Tahapan yang terakhir dalam suatu sistem pakar adalah user interface, dimana

biasanya terbagi menjadi dua komponen, the interviewer component merupakan

komponen berupa dialog dengan user agar sistem dapat memperoleh atau membaca

data yang dimasukan oleh user ke dalam sistem, dan the explanation component

dimana memberikan penjelasan tentang cara kerja bagaimana suatu solusi yang

dihasilkan oleh sistem pakar dapat terjadi (Bullinaria, 2005)

Sistem pakar yang dibangun dalam skripsi ini menarik simpulan berdasarkan

rules, dalam memperoleh rules tersebut didasarkan pada pengumpulan fakta-fakta

14
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
dari pakar. Fakta-fakta yang diperoleh kemudian diproses dengan metode learning,

sehingga dapat menghasilkan suatu solusi.

2.3 Data Mining

Data mining merupakan suatu proses untuk menemukan pola atau pengetahuan

yang bermanfaat secara otomatis dari sekumpulan data yang berjumlah banyak.

Data mining sendiri sering dianggap sebagai Knowledge Discovery in Database

(KDD), dimana proses untuk mencari pengetahuan yang bermanfaat dari data

(Sunjana, 2010), proses daripada KDD sendiri dapat dijelaskan sebagai berikut:

a. Data selection, proses seleksi data dari sekumpulan data operasional yang

perlu dilakukan sebelum proses penggalian informasi dalam KDD dimulai.

Data hasil seleksi yang akan digunakan disimpan terpisah dari basis data

operasional,

b. Pre-processing atau cleaning, setelah proses seleksi data, dilakukan proses

cleaning pada data, yang merupakan focus dari KDD. Proses cleaning

meliputi membuang duplikasi data, memeriksa konsistensi data, serta

memperbaiki kesalahan pada data. Pada proses cleaning dilakukan pula

proses enrichment, proses memperkaya data dengan informasi lain yang

relevan dan diperlukan untuk KDD,

c. Transformation, proses transformasi pada data yang telah dipilih sehingga

data tersebut sesuai untuk digunakan dalam proses data mining, proses ini

disebut dengan coding. Proses coding sendiri merupakan suatu proses yang

bersifat kreatif, sangat tergantung dengan jenis atau pola informasi yang

akan dicari dalam basis data,

15
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
 d. Interpretation atau evaluation, tahap pemeriksaan apakah suatu pola atau

informasi yang ditemukan berbeda dengan fakta atau hipotesa yang ada

sebelumnya. Pola informasi yang dihasilkan daripada proses data mining

perlu ditampilkan dalam bentuk yang mudah dipahami (Sunaja, 2010).

2.4 Klasifikasi

(Han, Kamber, dan Pei, 2012) dalam bukunya yang berjudul “Data Mining:

Concepts and Techniques” menjelaskan ada beberapa teknik atau pola yang

digunakan untuk data mining yaitu:

a. Class atau concept description (characterization dan discrimination),

b. Frequent patterns, associations, correlation,

c. Classification dan Regression

d. Cluster Analysis

e. Outliner Analysis

Dari lima teknik di atas, klasifikasi merupakan teknik atau pola yang

digunakan dalam penelitian ini. Klasifikasi sendiri merupakan proses untuk

menemukan suatu model atau fungsi yang mendeskripsikan dan membedakan suatu

kelas atau konsep data. Model itu sendiri dibentuk dari analisis beberapa set data

training. Kemudian model ini digunakan untuk memprediksikan label daripada

suatu objek yang belum diketahui labelnya.

Model tersebut direpresentasikan dalam berbagai bentuk diantaranya adalah

classification rules, decision trees, mathematical formula, atau neural network.

Dalam penelitian ini model yang digunakan untuk klasifikasi adalah decision tree.

16
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
2.5 Decision Tree

Decision Tree merupakan suatu metode klasifikasi dan prediksi yang sangat

terkenal dalam performa kinerjanya serta tingkat keakuratannya. Metode pohon

keputusan dapat mengubah fakta dalam jumlah yang sangat besar menjadi suatu

pohon keputusan yang merepresentasikan aturan, dimana aturan dapat dengan

mudah dipahami dengan bahasa alami, serta juga dapat diekpresikan dalam bentuk

bahasa basis data seperti Structured Query Language (SQL) untuk mencari record

pada kategori tertentu.

Untuk membuat suatu pohon keputusan tersebut diperlukan suatu algoritma

yang dapat mengklasifikasikan suatu dataset menjadi suatu pohon keputusan

berdasarkan kelas-kelasnya (Hastuti, 2012). Dalam penelitian ini algoritma yang

digunakan untuk membuat pohon keputusan tersebut adalah algoritma C 4.5.

2.6 Algoritma C 4.5

Algoritma C 4.5 sendiri merupakan algoritma yang bersifat machine learning,

dimana sistem akan diberikan suatu kelompok data untuk dipelajari yang disebut

learning dataset, yang kemudian hasil daripada pembelajaran tersebut digunakan

untuk mengolah data yang baru disebut sebagai test dataset (Hastuti, 2012).

Secara umum (Irma, 2013) algoritma C 4.5 terdiri dari dua tahap utama,

dimana yang pertama adalah pemilihan atribut dengan nilai gain tertinggi daripada

atribut-atribut yang ada, dirumuskan sebagai berikut:

𝑛
|𝑆𝑖 |
𝐺𝑎𝑖𝑛(𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑ 𝑥 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆𝑖 ) … (2.1)
|𝑆|
𝑖=1

17
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
 Keterangan:

S : himpunan kasus

A : atribut

n : jumlah partisi atribut A

|Si| : jumlah kasus pada partisi ke-i

|S| : jumlah kasus dalam S

Perhitungan dari Rumus 2.1 di atas akan menghasilkan nilai gain dari atribut

yang paling tinggi, gain sendiri merupakan salah satu attribute selection measure

yang digunakan untuk memilih test atribut tiap node pada pohon. Atribut dengan

information gain tertinggi akan dipilih sebagai test atribut dari suatu node.

Perhitungan daripada nilai entropy sendiri dapat dirumuskan sebagai berikut:

𝑛

𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = ∑ − 𝑝𝑖 𝑥 𝑙𝑜𝑔2 𝑝𝑖 … (2.2)

𝑖=1

Keterangan:

S : himpunan kasus

A : atribut

n : jumlah partisi S

pi : proporsi dari Si terhadap S

Dari dua tahap perhitungan di atas kemudian dilanjutkan dengan menghitung

nilai dari split info, dirumuskan sebagi berikut:

𝑛
𝑆𝑖 𝑆𝑖
𝑆𝑝𝑙𝑖𝑡𝐼𝑛𝑓𝑜(𝑆, 𝐴) = − ∑ 𝑙𝑜𝑔2 … (2.3)
𝑆 𝑆
𝑖=1

18
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
Keterangan:

S : ruang (data) sample yang digunakan untuk training

A : atribut

Si : jumlah sample untuk atribut i

Kemudian setelah menghitung split info maka dapat diperoleh nilai gain ratio,

dengan menggunakan rumus berikut:

𝐺𝑎𝑖𝑛(𝑆, 𝐴)
𝐺𝑎𝑖𝑛𝑅𝑎𝑡𝑖𝑜(𝑆, 𝐴) = … (2.4)
𝑆𝑝𝑙𝑖𝑡𝐼𝑛𝑓𝑜(𝑆, 𝐴)

Setelah melakukan perhitungan sampai selesai, kemudian dilakukan

pembuatan decision tree yang nantinya akan dibentuk menjadi rules dengan

menggunakan kaidah IF-THEN-ELSE.

2.7 Precision, Recall, and Accuracy

Precision merupakan tingkat ketepatan antara informasi yang diminta oleh

pengguna dengan hasil jawaban yang diberikan oleh sistem, sedangkan recall

merupakan tingkat keberhasilan daripada sistem dalam menemukan kembali

sebuah informasi. Accuracy adalah tingkat kedekatan antara nilai prediksi dengan

nilai actual (sebenarnya) (Raharjo, 2011). Ketiga metode ini digunakan untuk

menghitung kinerja daripada sistem, dirumuskan dengan:

𝑇𝑃
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = … (2.5)
𝑇𝑃 + 𝐹𝑃

𝑇𝑃
𝑅𝑒𝑐𝑎𝑙𝑙 = … (2.6)
𝑇𝑃 + 𝐹𝑁

𝑇𝑃+𝑇𝑁
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = … (2.7)
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁

19
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
Keterangan:

TP : True Positive (Correct Result)

FP : False Positive (Unexpected Result)

FN : False Negative (Missing Result)

TN : True Negative (Correct absence of result)

2.8 Pengetahuan Ban

Ban pada dasarnya diklasifikasikan menjadi dua struktur yaitu:

1. Struktur bias

Ban yang dibuat dari banyak lembar cord yang digunakan sebagai rangka

daripada ban. Cord ditenun dengan cara zig-zag membentuk sudut 40

sampai 65 derajat terhadap keliling lingkaran ban.

2. Struktur Radial

Dalam ban radial konstruksi carcass cord membentuk 90 derajat sudut

terhadap keliling lingkaran ban. Jika dilihat dari samping konstruksi cord

adalah dalam arah radial terhadap pusat atau crown daripada ban. Bagian

dari ban berhubungan langsung dengan permukaan jalan diperkuat oleh

semacam sabuk pengikat yang dinamakan breaker atau belt. Ban ini hanya

menderita sedikit deformasi dalam bentuknya dari gaya sentrifugal

bahkan dalam kecepatan tinggi sekalipun. Ban radial juga memiliki

rolling resistance yang relatif kecil.

20
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
 Hal tentang struktur daripada ban ini dijelaskan lebih lanjut pada Gambar 2.4

di bawah ini (PT. Bridgestone Tire Indonesia, 2013)

.
Gambar 2.4 Perbedaan ban radial dan bias
(Sumber:[Link]
Jenis-jenis kerusakan ban secara umum dikategorikan menjadi dua, yaitu:

1. Irregular Wear

Kerusakan yang menyebabkan permukaan ban aus secara tidak merata,

sehingga usia pakai daripada ban berkurang secara drastis. Beberapa hal

yang menyebabkan kerusakan ini adalah sudut keselarasan roda yang

tidak sesuai, tekanan ban yang tidak sesuai, sistem pengereman yang

rusak, suspensi yang tidak baik, dan cara berkendara yang kasar. Solusi

atas kerusakan jenis ini adalah perlunya untuk menjaga tekanan angin agar

tetap selalu stabil, melakukan spooring dan balancing, melakukan rotasi

ban secara berkala, menjaga kondisi pengereman dan suspensi selalu pada

kondisi baik.

21
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016
2. Regular wear

Kerusakan yang diakibatkan oleh masa pakai dari ban tersebut sudah

habis. Adapun beberapa faktor yang menyebabkan kerusakan jenis ini

lebih cepat terjadi walaupun usia pemakaian daripada ban tergolong

pendek diantaranya adalah beban kendaraan yang berlebih, kondisi jalan

yang dilalui rusak, pernah terkena benda tajam atau tumpul, serta sering

berkendara dengan kecepatan tinggi disertai dengan cara mengemudi yang

kasar. Solusi daripada kerusakan jenis ini perlunya mengubah cara

berkendara, tidak membawa beban berlebih, melakukan penambalan, dan

kemungkinan terburuk adalah perlunya untuk mengganti ban tersebut.

(PT. Bridgestone Tire Indonesia, 2010).

22
Rancang bangun..., Kevin Gunawan, FTI UMN, 2016