USUL PENELITIAN

DOSEN PEMULA

SISTEM CASE-BASED REASONING DENGAN KEMIRIPAN TEXT UNTUK

DIAGNOSA MASALAH KOMPUTER

TIM PENGUSUL

1. MULYONO, M.Kom 0609088103 (Ketua)

2. SUPRIYANTO, S.Kom 0616037101 (Anggota)

PRODI DIII TEKNIK ELEKTRO MEDIK

STIKES WIDYA HUSADA SEMARANG

SEMARANG 2013

BIDANG ILMU*: REKAYASA

Halaman Pengesahan

Judul Penelitian : SISTEM CASE-BASED REASONING DENGAN

KEMIRIPAN TEXT UNTUK DIAGNOSA

MASALAH KOMPUTER

Bidang Ilmu : Rekayasa

Ketua Peneliti

a. Nama Lengkap : Mulyono

b. NIP/NIK :

c. NIDN : 0609088103

d. Jabatan Fungsional :

e. Program Studi : DIII Teknik Elektromedik

f. Nomor HP : 081931908394

g. Alamat Surel (e-mail): mulyonopjk@gmail.com

Anggaota Peneliti

a. Nama Lengkap : Supriyanto. S.Kom

b. NIDN : 0616037101

c. Perguruan Tinggi : STIKES Widya Husada Semarang

Biaya Penelitian : - dana internal PT

Semarang, 28 Februari 2013

Mengetahui

Ka. Unit P2M Ketua Peneliti

AMBAR DWI ERAWATI,S.SiT, M.H.Kes MULYONO, M.Kom

Menyetujui,

Ketua STIKES Widya Husada

dr. M. Sulaeman, Sp.A M.M., M.Kes (MMR)

ABSTRAK

Masalah komputer bisa disebabkan oleh kerusakan hardware atau kerusakan

software. Diperlukan pengetahuan yang mendalam dan ketrampilan khusus tentang

komputer untuk bisa mendiagnosa masalah komputer. Bagi sebagian besar pengguna

komputer merasa kesulitan dan seringkali pengguna komputer meminta bantuan

pakar yang membutuhkan biaya tidak sedikit untuk mendiagnosa dan mengatasi

masalah komputer. Masalah komputer bisa dipelajari dan dipecahkan masalahnya

dengan cara melakukan diagnosa terhadap masalah dan penyebabnya, baru setelah

diketahui penyebabnya bisa diambil langkah penyelesaiannya. Penelitian ini

membahas mengenai metode Case-Based Reasoning yang diterapkan dalam sebuah

aplikasi simulasi untuk membantu proses diagnosa masalah komputer. Metode ini

memproses masalah yang diajukan dengan menggunakan solusi dari kasus

sebelumnya yang memiliki kesamaan, apabila tidak ditemukan kasus yang memiliki

kemiripan maka solusi dari kasus tersebut adalah analisa dari pakar tentang kasus

tersebut kemudian disimpan sebagai kasus baru dalam basis data. Dari penelitian ini

diharapkan bisa menambahkan pengetahuan bagi pengguna komputer dalam

mendiagnosa dan mengatasi masalah komputer sehingga proses diagnosa masalah

komputer menjadi mudah maka akan mengurangi biaya yang dikeluarkan untuk

berkonsultasi dengan pakar.

Kata kunci: Diagnosa masalah komputer, Case-Based Reasoning.

DAFTAR ISI

BAB I

PENDAHULUAN

1.1. Latar Belakang

Seiring dengan perkembangan dunia teknologi dan informasi, komputer menjadi alat

bantu yang tergolong penting saat ini, hampir disemua bidang menggunakan

komputer baik dalam bidang sosial, ekonomi, rekayasa dan sebagainya 1. Sebagai

salah satu contoh kegunaan komputer di perkantoran tentunya dengan adanya

komputer maka pekerjaan dapat diselesaikan dengan lebih cepat.

Sebagai pengguna atau pemakai komputer pernah mengalami masalah dengan

komputer yang digunakan. Seperti yang telah diketahui sebuah komputer atau

Personal Computer (PC) terdapat tiga bagian yang terdiri dari software, hardware

dan brainware 2. Permasalah komputer secara garis besar dikategorikan dalam dua

kategori yaitu kerusakan software sampai kerusakan hardware 3 sehingga perlu

dilakukan pemecahan masalah komputer supaya pekerjaan tidak terganggu. Apabila

terdapat salah satu bagian saja yang rusak atau tidak berfungsi maka dapat dipastikan

bahwa sebuah PC tidak dapat berfungsi dengan baik atau bahkan tidak dapat

berfungsi sama sekali. Pada langkah awal untuk mengetahui masalah komputer harus

terlebih dahulu dilakukan identifikasi atau diagnosa gejala kerusakan, pesan

kesalahan dan bagian apa yang mengalami kerusakan apakah hardware atau software

nya, baru apabila sudah diketahui bisa dilakukan tindakan penyelesaian yang menjadi

solusi dari masalah komputer yang dihadapi.

Diperlukan pengetahuan yang mendalam dan ketrampilan khusus tentang komputer

untuk bisa memahami penyebab dan mengatasi permasalahan yang timbul dalam

penggunaan perangkat komputer baik dari segi hardware maupun software 3.

Diagnosa masalah komputer menjadi tantangan yang serius bagi pengguna komputer

4 dan proses diagnosa komputer diangap terlalu sulit dan rumit untuk dilakukan 5.

Untuk bisa mengetahui penyebab dan solusi dari masalah komputer sering kali para

pengguna berkonsultasi atau meminta bantuan pada pakar atau ahli yang

membutuhkan biaya yang cukup mahal 6 3.

Dalam penelitian “diagnosis kerusakan komputer menggunakan sistem pakar” oleh

Edwin Priatna, “aplikasi sistem pakar berbasis web untuk mendeteksi kerusakan

perangkat keras komputer dengan metode backward chaining” oleh Fatsyahrina

Fitriastuti dan Luluk Sri Ekowati dan “rancang bangun aplikasi sistem pakar untuk

menganalisa penyebab kerusakan komputer” oleh Ilham M. Said dan Jazuli

menggunakan teknik penelusuran DFS memiliki kelemahan yaitu memungkinkan

tidak ditemukannya tujuan yang diharapkan dan hanya akan mendapatkan satu solusi

setiap pencarian 7 . Sedangkan dalam penelitian “web-based CBR knowledge

management system for PC troubleshooting” oleh S L Wang dan S H Hsu

menggunakan CBR dengan algoritma k-nn kelemahan yaitu perlu menentukan nilai

dari parameter k (jumlah dari tetangga terdekat), training berdasarkan jarak tidak

jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus

digunakan untuk mendapatkan hasil terbaik, dan biaya komputasi cukup tinggi

karena diperlukan perhitungan jarak dari tiap query instance pada keseluruhan

training sample 8.

Dari beberapa penelitian diatas dengan kelemahan metode yang dipakai menjadikan

proses diagnosa masalah komputer menjadi tidak akurat. Disisi lain fasilitas help

yang ada dalam sistem operasi windows hanya terbatas pada konfigurasi sistem.

Berdasarkan beberapa permasalahan diatas, maka dilakukan penelitian tentang

implementasi CBR untuk diagnosa masalah komputer dengan cara membuat aplikasi

simulasi menggunakan teknik pencarian kemiripan dengan kasus sebelumnya dengan

menggunakan fungsi kemiripan text sehingga dapat membantu para pengguna

komputer untuk mencari penyebab dari masalah komputer dan memberikan solusi

untuk mengatasinya.

Berbagai aspek kehidupan sekarang ini dikembangkan konsep dari Artificial

Intelligence (AI) untuk membantu dalam penyelesaian masalah. Salah satu

pendekatan AI adalah Case-Based Reasoning (CBR), yang merupakan sebuah

metode penyelesaian masalah dengan pendekatan studi kasus yang sudah pernah

terjadi sebelumnya. Proses pada metode CBR dimulai dengan pengajuan masalah

kemudian mengambil solusi pada kasus sebelumnya yang memiliki kemiripan.

Proses ini akan menghasilkan solusi yang disesuaikan dan dikembangkan sehingga

sesuai dengan permasalahan yang diajukan. CBR bisa digunakan untuk menyediakan

basis pengetahuan yang dibutuhkan dalam proses diagnosa komputer 9.

Simulasi didefinisikan sebagai interaktif abstraksi atau penyederhanaan dari

beberapa kehidupan nyata, atau upaya untuk meniru sesuatu yang nyata atau

lingkungan imajiner atau juga sebuah sistem 10. Pada aplikasi simulasi ini dirancang

untuk melatih pengguna untuk menyelesaikan sebuah proses yang disimulasikan

dengan mengikuti prosedur yang ada. Dengan menggunakan aplikasi simulasi ini

tidak perlu lagi dicoba cara-cara yang tidak dibutuhkan dalam penyelasaian proses

yang disimulasikan dalam game karena sudah dibuat prosedurnya, sehingga akan

menghemat biaya dan menjadi lebih mudah.

1.2. RUMUSAN MASALAH

Berdasarkan latar belakang permasalahan yang telah disebutkan dalam uraian

sebelumnya maka dapat dirumuskan permasalahan sebagai berikut:

1. Proses diagnosa masalah komputer sulit dan butuh biaya yang mahal

2. Proses diagnosa masalah komputer tidak akurat.

1.3. TUJUAN

Tujuan penelitian ini adalah:

1. Diperoleh kemudahan pengguna komputer dalam mendiagnosa masalah

komputer dengan menggunakan aplikasi simulasi berbasis CBR.

2. Didapatkan keakuratan proses diagnosa komputer dengan menggunakan metode

CBR.

1.4. MANFAAT

Adapun penulisan penelitian ini dapat memberikan beberapa manfaat antara lain

sebagai berikut:

1. Diharapkan para pengguna komputer bisa mendiagnosa dan dapat mengatasi

masalah komputer ketika komputer yang digunakan mengalami masalah.

2. Diharapkan hasil penelitian ini dapat memberikan sumbangan untuk

pengembangan teori yang berkaitan dengan penggunaan metode Case-Based

Reasoning dalam proses diagnosa masalah komputer.

BAB II

TINJAUAN PUSTAKA

2.1. Penelitian yang Relevan

Berikut adalah penelitian terdahulu yang terkait dengan topik CBR dan masalah

komputer. Secara garis besar tinjauan pustaka dalam tesis ini ditampilkan dalam

tabel 1.

Penelitian Terkait

Peneliti Masalah Metoda Hasil

Edwin

Priatna, 2009

Diagnosis

kerusakan

komputer butuh

biaya yang

cukup mahal

karena

diperlukan

seorang pakar

untuk

berkonsultasi

dan

memperbaikinya

ESDLC (Expert

System

Development Life

Cycle) dengan

metode penalaran

maju dan

menggunakan

teknik penelusuran

Dept First Search

(DFS)

Dari sistem pakar yang

dibuat dapat mewakili

seorang pakar untuk

memberikan solusi atau

penyelesaian masalah

kerusakan tersebut

Fatsyahrina

Fitriastuti dan

Luluk Sri

Ekowati,

2009

Permasalahan

komputer

merupakan

masalah yang

cukup komplek.

Dibutuhkan

biaya yang tidak

sedikit untuk

memperbaiki

kerusakan

Backward Chaining

dan teknik

penelusuran

kasusnya

menggunakan DFS

Aplikasi sistem pakar

yang dibuat bisa dipakai

untuk membantu

menyelesaikan masalah

komputer bagi para

pemakainya

Peneliti Masalah Metoda Hasil

komputer

Ilham M.

Said dan

Jazuli, 2007

Pengguna

komputer sering

kebingungan

ketika komputer

yang dipakai

mengalami

masalah.

Apakah sistem

pakar dapat

mendeteksi

kerusakan pada

komputer

Teknik inferensi

Forward Reasoning

dengan teknik

penelusuran data

Dept First Search

Dari hasil pengujian

menunjukkan solusi dari

permasalahan yang

diberikan dari masalah

yang diajukam dapat

membantu pemakai

komputer untuk

mengenali dan menangani

kerusakan komputer

S L Wang

dan S H Hsu,

2004

Fasilitas yang

terletak di

berbagai daerah

lebih sulit untuk

melaksanakan

kegiatan KM

maka akan

sangat

bermanfaat

diadakannya

penelitian yang

mendalam

tentang

bagaimana

industri yang

berbeda

pengetahuan

dapat

CBR digunakan

untuk

mengilustrasikan

dan menerangkan

pengetahuan apa

saja yang

dibutuhkan untuk

membangun

manajemen

pengetahuan

perawatan dan

troubleshooting

komputer. Ada tiga

faktor yang

digunakan sebagai

pencarian kasus

yang mirip yaitu

posisi kesalahan,

Peneliti menggunakan

Web-Based sistem CBR

dari struktur KM untuk

membangun sebuah

prototipe dari sistem KM

PC troubleshooting.

Ditemukan bahwa

organisasi industri perlu

mengintegrasikan

berbagai metode dan

teknik dalam

mengembangkan sistem

KM sehingga lebih

efektif.

Peneliti Masalah Metoda Hasil

diintegrasikan

secara sistematis

sehingga

memperoleh

KM efektif.

kondisi kesalahan

dan gejala

kesalahan. Teknik

pencarian nilai

kemiripan

menggunakan

algoritma k-nn

Dari beberapa penelitian diatas yang menggunakan teknik penelusuran Dept First

Search (DFS) memliki kelebihan diantaranya hanya membutuhkan memori yang

kecil dikarenakan hanya node lintasan aktif yang disimpan dan bisa menemukan

solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan. Kelemahan dari

DFS memungkinkan tidak ditemukannya tujuan yang diharapkan dan hanya akan

mendapatkan satu solusi setiap pencarian 7. Sedangkan Penelitian S L Wang dan S H

Hsu yang menggunakan CBR dengan algoritma k-nn memiliki beberapa kelebihan

yaitu ketangguhan terhadap training data yang memiliki banyak noise dan efektif

apabila training datanya besar. Sedangkan kelemahan k-nn perlu menentukan nilai

dari parameter k (jumlah dari tetangga terdekat), training berdasarkan jarak tidak

jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus

digunakan untuk mendapatkan hasil terbaik, dan biaya komputasi cukup tinggi

karena diperlukan perhitungan jarak dari tiap query instance pada keseluruhan

training sample 8.

Pada penelitian ini mengusulkan penggunaan metode CBR yang dipakai untuk

mendiagnosa masalah komputer. Dikarenakan kelemahan k-nn yang telah disebutkan

diatas maka untuk meningkatkan tingkat akurasinya penulis menggunakan metode

Natural Language Searching MySQL dengan fungsi MATCH() dan AGAINST()

dalam melakukan query data, kemudian untuk memperoleh nilai kemiripan hasil

pencarian dengan kasus yang tersimpan dalam basis data digunakan fungsi kemiripan

tek SIMILARITY() dari php sehingga didapatkan keakuratan dalam mendiagnosa

masalah komputer dengan menggunakan metode CBR.

2.2. Landasan Teori

2.2.1 Case-Based Reasoning (CBR)

a. Pengertian CBR

CBR yang merupakan sebuah metode penyelesaian masalah dengan pendekatan studi

kasus yang sudah pernah terjadi sebelumnya 11. Apabila terdapat kasus baru maka

akan disimpan kedalam basis pengetahuan kemudian sistem akan melakukan proses

learning sehingga pengetahuan yang dimiliki oleh sistem akan bertambah.

b. Siklus Hidup CBR

Siklus hidup pemecahan masalah dengan menggunakan CBR terdiri dari empat bagian

11:

1. Retrieve

Mendapatkan kasus-kasus yang mirip dibandingkan dengan kumpulan kasus-

kasus dimasa lalu. Dimulai dengan tahapan mengenali masalah dan berakhir

ketika kasus yang ingin dicari solusinya telah ditemukan serupa dengan kasus

yang telah ada. Tahapan yang ada pada retrieve ini antara lain :

a. Identifikasi Masalah

b. Memulai Pencocokan

c. Menyeleksi

2. Reuse

Menggunakan kembali kasus-kasus yang ada dan dicoba untuk menyelesaikan

suatu masalah sekarang. Reuse suatu kasus dalam konteks kasus baru terfokus

pada dua aspek yaitu : perbedaan antara kasus yang ada dengan kasus yang baru

dan bagian mana dari retrieve case yang dapat digunakan pada kasus yang baru.

Ada dua cara yang digunakan untuk me-reuse kasus yang telah ada yaitu : reuse

solusi dari kasus yang telah ada (transformatial reuse) atau reuse metode kasus

yang ada untuk membuat solusi (derivational reuse).

3. Revise

Merubah dan mengadopsi solusi yang ditawarkan jika perlu. terdapat dua tugas

utama dari tahapan merevisi ini yaitu:

a) Evaluasi Solusi. Evaluasi solusi adalah bagaimana hasil yang didapatkan

setelah membandingkan solusi dengan keadaan yang sebenarnya. Hal ini

biasanya tahapan diluar dari sistim CBR. Pada tahap evaluasi ini sering

memerlukan waktu yang panjang tergantung dari aplikasi apa yang sedang

dikembangkan.

b) Memperbaiki Kesalahan

Perbaikan suatu kasus meliputi pengenalan kesalahan dari solusi yang dibuat

dan mengambil atau membuat penjelasan tentang kesalahan tersebut.

4. Retain.

Tetap memakai solusi yang terakhir sebagai bagian dari kasus baru. Pada tahap

ini terjadi suatu proses penggabungan dari solusi kasus yang baru yang benar ke

knowledge yang telah ada. Pada tahapan ini dilakukan proses extract, index dan

integrate terhadap solusi yang baru dan disimpan kedalam knowledge-base untuk

menyelesaikan permasalahan yang akan datang

Siklus hidaup pemecahan masalah dengan menggunakan motode CBR digambarkan

pada gambar 1

Alur CBR

Pada saat terjadi suatu permasalahan baru, pertama kali sistem melakukan proses

retrieve yang terdiri dari tiga langkah pemprosesan dimulai dari identifikasi masalah

dilanjutkan dengan pencocokan dan diakhiri dengan penyeleksian masalah pada

database. Berikutnya setelah proses retrieve system melakukan proses reuse dengan

menggunakan informasi permasalahan sebelumnya yang memiliki kesamaan untuk

menyelesaikan permasalahan yang baru. Setelah reuse system melakukan proses

revise yaitu dengan mengevaluasi informasi yang didapatkan serta memperbaiki

kembali untuk mengatasi kesalahan-kesalahan yang terjadi pada permasalahan yang

baru. Pada proses akhir system melakukan proses retain yang mengindek,

mengintegrasi, dan mengekstrak solusi baru kemudian menyimpannya dalam

knowledge-base dan digunakan untuk menyelesaikan permasalahan yang akan

datang yang memiliki kesamaan.

Tugas utama dalam pembentukan knowledge dalam CBR terdiri dari 4 bagian 12

sebagai berikut:

1. Case Representation And Indexing

Dalam Case Representation sebuah kasus dapat mewakili berbagai jenis pengetahuan

yang dapat disimpan dalam format representasional. Tujuan dari CBR sangat

dipengaruhi dari data yang disimpan. Sitsem CBR dapat diarahkan pada perencanaan

atau penciptaan desain baru serta diagnosis dari masalah baru. Dalam contoh aplikasi

CBR, kasus-kasus biasanya digambarkan sebagai dua terstruktur set nilai atribut

pasangan yang mewakili masalah dan solusi.

Case Indexing merupakan pemberian indeks suatu kasus untuk perbandingan dan

proses retrieval selanjutnya. Pilihan index merupakan kasus yang penting untuk

proses retrieval karena menentukan konteks yang akan digunakan. Beberapa saran

untuk memilih index, index harus diprediksi dan dipilih dengan cara yang tepat

dalam arti mencerminkan ciri-ciri penting kasus dan atribut yang mempengaruhi

hasil dari kasus serta menggambarkan keadaan suatu kasus. Apabila kasus diindeks

terlalu abstrak, kasus dapat mengambil terlalu banyak situasi atau terlalu banyak

pengolahan yang diperlukan untuk mencocokkan kasus. Dalam menetapkan indeks

masih merupakan proses manual dan bergantung pada penggunanya.

2. Case Retrieval

Case Retrieval merupakan proses menemukan dalam kasus dasar, kasus-kasus yang

paling dekat dengan kasus saat ini. Menentukan fungsi kemiripan yang tepat dan

mengambil kasus-kasus yang mirip dengan kasus yang sekarang. Untuk menemukan

pencarian kasus yang efektif, harus ada pilihan kriteria yang menentukan bagaimana

suatu kasus dinilai cocok untuk diambil dan sebuah mekanisme untuk mengontrol

bagaimana kasus dasar tersebut dicari. Kriteria seleksi diperlukan kasus yang terbaik

untuk mengambil dengan menentukan seberapa dekat kasus saat ini dengan kasus-

kasus yang telah tersimpan dalam knowledge-base.

Metode retrieval terdapat beberapa macam, mulai dari penggunaan simple nearest

neighbor sampai agen cerdas. Dalam proses retrieval merupakan area penelitian yang

utama dalam CBR. Beberapa teknik yang digunakan diantaranya Nearest Neighbor

Retrieval, similarity measure, pohon keputusan dan turunannya. Teknik-teknik ini

menggunakan pengembangan kesamaan metrik yang memungkinkan kedekatan

diantara kasus yang akan diukur.

3. Case Adaptation

Case Adaptation merupakan proses transformasi solusi diambil menjadi cocok untuk

kasus saat ini. Pendekatan yang diambil dalam melakukan adaptasi kasus diantaranya

dapat dilakukan dengan cara penggunaan solusi dari case retrieval untuk masalah

sekarang tanpa modifikasi atau dengan modifikasi selama solusi tidak sepenuhnya

sesuai dengan situasi saat ini. Melakukan adaptasi yang cocok untuk mendapatkan

solusi yang tepat untuk kasus query. Dari satu kasus yang diambil, solusi dapat

diperoleh dari beberapa kasus atau sebaliknya beberapa solusi dapat disajikan

sebagai sebuah alternatif. Setelah proses adaptasi telah selesai maka diharapkan

untuk diperiksa bahwa solusi yang diadaptasi dipertimbangkan perbedaan antara

kasus yang diambil dengan masalah saat ini.

4. Case Learning and Case-Base Maintenance

Setelah adaptasi terhadap solusi dengan permasalahan saat ini maka solusi tersebut

akan disimpan untuk memecahkan masalah baru. Pada waktu CBR digunakan untuk

memecahkan suatu masalah, akan selalu ada trade-off antara jumlah kasus yang

disimpan dalam database dan efisiensi atau menjaga konsistensi diantara kasus

seperti terjadinya kasus redudant. Semakin besar kasus dalam database, maka akan

menurunkan kinerja sistem. Maka pada tahap ini akan menghilangkan atau

menghapus kasus-kasus yang sama. Proses utama Case-Base Maintenance adalah

pengembangan beberapa tindakan seperti kompetisi sehingga masalah yang timbul

dalam sistem CBR dapat dipecahkan.

c. Studi Kasus

Di sini digambarkan bagaimana membangun sebuah sistem CBR untuk menangani

informasi masalah pencarian sewa apartemen 12.

Tabel Daftar Sewa Apartemen

CaseCity

District

Addres of

apartment

Type of

apartment

Source of

information

Rental Cost of

Apartment

Yuan/month

1 Mh Lx 11 Indi 500

2 Mh lz 21 indi 2,500

3 Mh lsl 21 indi 1,500

4 Mh xz 11 indi 500

5 Mh Hm3 11 Indi 880

6 Mh Ls2 31 Dn* 1,500

7 Mh dw 22 Dn* 2,500

8 Xh cd 11 indi 1,200

9 Xh yd 32 indi 6,800

10 Xh xm 20 indi 1,600

11 Cn xh 11 indi 1,100

12 Cn fy 11 indi 1,100

13 Cn lj 21 Dn* 3,500

14 Pd W1 21 indi 1,600

15 Pd W1 21 indi 1,600

16 Pd yg 10 indi 3,500

17 Pd Ls 11 Bc* 1,000

18 Yp Xy 10 Indi 750

19 Yp Bx 32 indi 2,000

20 Yp cy 42 Ys* 10,000

Contoh kasus diambil dari Web situs http://sh.soufun.com/asp/rnl/leasecenter pada

tanggal 27 Agustus 2002, dan terdiri dari 251 kasus. Dipilih secara acak 20 kasus

untuk diambil sebagai contoh. Dalam informasi tabel diatas datanya diringkas

sebagai contoh “Mh” di kolom “City District” mewakili Minghang, “11”' dalam

kolom “Type of Apartment” merupakan satu kamar tidur dan satu ruang duduk, dan

dalam kolom “Source of Information”, “indi”' merupakan informasi yang diperoleh

dari tuan tanah individu, dan ditandai dengan “*” merupakan informasi yang

diperoleh dari agen real estate. Langkah-langkah berikut ini dilakukan dengan

menggunakan 20 kasus:

1. Case representation and indexing. Pilih representasi yang tepat untuk format

kasus, dan membangun indeks kasus untuk memfasilitasi pengambilan kasus

sejenis di masa depan.

2. Case matching and retrieval. Menetapkan fungsi kesamaan yang tepat dan

mengambil kasus yang mirip dengan kasus ini.

3. Case adaptation. membuat sebuah algoritma adaptasi yang cocok untuk

mendapatkan solusi yang tepat untuk kasus baru.

4. Case-base maintenance. Menjaga konsistensi antara kasus dengan

menghilangkan kasus yang sama dalam basis kasus.

1. Case Representation and Indexing

Case Representation adalah tugas yang menantang di CBR. Di satu sisi, representasi

kasus harus cukup ekspresif bagi pengguna untuk menggambarkan kasus yang

akurat. Kasus dapat direpresentasikan dalam berbagai bentuk, seperti representasi

preposisi, bingkai representasi, representasi formlike, dan kombinasi dari ketiganya.

Dalam contoh ini bisa dipilih fitur nilai vektor datar untuk representasi kasus seperti

ditunjukkan dalam Tabel 1.3.

Representasi Kasus

Case_id

Problem features

City district

Address of apartment

Type of apartment

Source of information

Mh

Lx

11

Indi

Solution

Rental cost of apartment 500

Setelah digambarkan dalam representasi kasus kemudian kasus tersebut diindek.

Hirarki kasus harus diatur sehingga hanya sebagian kecil yang perlu dicari saat

pengambilan daftar kasus.

Prosesnya adalah sebagai berikut:

Langkah 1. Pilih atribut fitur yang paling penting, city district, sebagai indeks

(dalam pemikiran orang pada umumnya bahwa city district adalah fitur yang

paling penting).

Langkah 2. Klasifikasikan kasus menjadi lima kelas, C1, C2,. . . , C5. Ketika kasus

ne baru ditambahkan ke hirarki indeks kemudian prosedur pengindekan baru

digunakan. Klasifikasikan (ne, CL) (yaitu mengklasifikasikan ne sebagai anggota

salah satu kelas CL), di mana CL ={C1, C2;. . . ; C5}. Masukan kasus baru

dijelaskan oleh satu set fitur ne={F1, F2;. . . ; F5}.

Struktur Index Basis Kasus

Langkah 1. Mulai dari i= 1, pilih satu kasus ej secara acak dari kelas Ci.

Langkah 2. Membandingkan nilai dari fitur pertama (yaitu city district) dari ne

dan ej.

Langkah 3. Jika dua nilai yang identik, ne ε Ci, i = i + 1, lanjutkan ke langkah 1.

Langkah 4. Ulangi langkah 1, 2, dan 3, sampai ne milik beberapa kelas Ci.

2. Case Retrieval

Pengambilan Kasus adalah proses menemukan kasus dalam basis kasus yang paling

dekat untuk kasus saat ini. Misalnya untuk kasus tertentu e=(Mh, Lz, 11; indi; y), di

mana ingin diketahui informasi y sewa, pengambilan kasus adalah proses

menemukan kasus-kasus yang paling dekat dengan e.

Algoritma pencarian dimulai dengan memutuskan kelas yang dimiliki oleh kasus e:

Klasifikasikan (e, CL), di mana CL= {C1, C2;. . . , C5} dan e adalah kasus query.

Langkah 1. Mulai dari i= 1, pilih satu kasus ej secara acak dari kelas Ci.

Langkah 2. Bandingkan nilai fitur “kabupaten” dari e dan ej.

Langkah 3. Jika dua nilai yang identik, e ε Ci, i=i + 1, lanjutkan ke langkah 1.

Langkah 4. Ulangi langkah 1, 2, dan 3 sampai e kelas yang dimiliki Ci.

Selanjutnya mencari kasus yang serupa.

Langkah 1. Jika e ε Ci, untuk setiap kasus ei menghitung tingkat kesamaan antara

e dan ei sebagai:

di mana common merupakan jumlah fitur yang nilainya sama antara e dan ei, dan

different mewakili sejumlah fitur yang nilainya berbeda antara e dan ei.

Langkah 2. Urutkan kasus dengan ukuran kesamaan dihitung pada langkah 1.

Langkah 3. Pilih kasus seperti e1, e2,. . . , ek dari Ci yang paling mirip dengan e

dengan fungsi sebagai berikut:

Untuk kasus query yang diberikan e=(Mh, Lz, 11, indi, y), setelah mengikuti

algoritma di atas, empat kasus serupa diambil dari C1: e1, e2, e4, e5, di mana

dan

3. Case Adaptation

Setelah kasus yang serupa diambil, sistem CBR menyesuaikan solusi yang terambil

dari basis data untuk memenuhi kebutuhan solusi kasus baru. Berikut ini adalah

algoritma yang digunakan untuk melaksanakan tugas adaptasi kasus.

Langkah 1. Kelompok kasus diambil (yang paling mirip dengan kasus ini e)

berdasarkan nilai solusi mereka (yaitu, biaya sewa apartemen) menjadi beberapa

kategori, C1; C2. . . , Cm, dengan nilai-nilai yang sesuai dari biaya sewa

apartemen, a1, a2;. . . ; am.

Langkah 2. Hitung jumlah kasus yang diambil di masing-masing kategori C i(i=1;

2;. . . ; m) dan direkam sebagai n1, n2;. . . ; nm.

Langkah 3. Pilih kategori Ci untuk ni = max{n1; n2. . . ; nm}.

Langkah 4. Jika hanya ada satu kategori Ci sehingga ni> nj, j ≠ i, mengambil

solusi (rental cost of apartment) yang tersimpan dalam sebuah kasus di Ci sebagai

solusi untuk kasus ini, dan jika terdapat beberapa kategori, seperti C i1, Ci2;. . . ;

Cik dimana ni1=ni2 =…= nik =max{n1, n2;. . . , nm}, mengambil nilai rata-rata b

Yang didefinisikan dengan

sebagai solusi untuk kasus ini, di mana ai1, ai2;. . . , aik adalah nilai-nilai dari biaya

rental dari apartemen sesuai dengan Ci1, Ci2;. . . ; Cik.

Dalam tahapan case retrieval diperoleh empat kasus, e1, e2, e4, e5, yang paling mirip

dengan kasus e ini, di mana e=(Mh, Lz, 11; indi; y). Menurut algoritma adaptasi

kasus di atas, ditemukan solusi yang diadaptasi disarankan untuk kasus ini. Pertama

dikelompokkan keempat kasus menjadi tiga kategori, C1={e1, e4}, C2 = {e2}, dan C3 =

{e5}, mana yang sesuai solusi (biaya sewa apartemen disimpan dalam sebuah kasus)

adalah 500, 2500, dan 880. Kemudian dihitung jumlah kasus di masing-masing

kategori. Sebagai contoh, jumlah kasus dalam kategori C1 adalah 2, nomor kasus

dalam kategori C2 adalah 1, dan jumlah kasus dalam kategori C3 adalah 1. Karena

jumlah kasus dalam kategori C1 adalah yang terbesar, maka dipilih 500 sebagai

solusi yang disarankan untuk kasus e ini.

Jika telah diperoleh solusi yang disesuaikan, validitasnya harus diuji dalam

kenyataan. Pada contoh di sini, pemilik bisa diminta jika solusi (yaitu harga yang

disarankan) dapat diterima. Jika diterima, kinerja sistem CBR ini kemudian dapat

ditingkatkan dengan menambahkan catatan terhadap kasus baru.

4. Case-Base Maintenance

Case-Base Maintenance sangat penting karena pengamanan stabilitas dan akurasi

aplikasi sistem CBR di dunia nyata. Pada contoh ini berfokus hanya pada masalah

redundansi kasus. Dari Tabel 2 dapat dilihat bahwa ada beberapa kasus berlebihan,

seperti kasus 14 dan 15, yang akan mendowngrade kinerja sistem, jadi harus

diidentifikasi dan dihapus. Cara yangdilakukan adalah sebagai berikut:

Langkah 1. Untuk setiap kelas Ci, seperti dalam bagian 1.9.1, di mana dalam

daftar kasus diklasifikasikan ke dalam lima kelas, berdasarkan klasifikasi alamat

apartemen dihasilkan kelas baru Ci1, Ci2;. . . , Cin (i=1; 2;. . . ; 5).

Langkah 2. Hitung jumlah kasus di setiap kelas Cij, (i=1; 2;. . . , 5; j = 1; 2;. . . ;

n).

Langkah 3. Jika jumlah kasus di Cij lebih besar dari atau sama dengan 2,

membandingkan nilai setiap Fitur dari kasus berpasangan.

Langkah 4. Jika beberapa kasus memiliki nilai yang sama untuk semua fitur,

dipertahankan salah satu kasus dan menghapus sisanya.

Dalam contoh ini karena kasus yang tersedia sedikit maka tugas utama adalah untuk

menghapus kasus ganda namun jika seiring dengan bertambahnya kasus dalam basis

kasus pemeliharaan akan sangat dibutuhkan.

2.2.2. Diagnosa Masalah Komputer

Analisa diagnosa masalah komputer dikategorikan menjadi beberapa kategori

sebagai berikut 13.

a. Analisa visual

Pemeriksaan visual merupakan tahap awal pemeriksaan yaitu pemeriksaan masalah

yang dapat ditangkap dengan mudah melalui pandangan mata. Yang termasuk

kategori pemeriksaan visual diantaranya:

Pemeriksaan sambungan kabel.

Pemeriksaan jumper.

Pemeriksaan kondisi fisik hardware.

Pemeriksaan pemasangan RAM, kartu-kartu tambahan seperti modem, kartu

suara, kartu grafis, kartu jaringan, pemasangan kabel data hardisk, cdrom dan lain

sebagainya.

Pemeriksaan warna lampu indikator.

Pemeriksaan pesan kesalahan yang ditampilkan oleh software.

b. Analisa bunyi

Pemeriksaan bunyi dilakukan dengan mendengarkan bunyi-bunyi dari komponen

yang dapat memberikan arti tersendiri terhadap kondisi komputer. Sebagai contoh

pemeriksaan bunyi diantaranya:

Bunyi mekanikal hardware misal putaran disk putaran kipas dan lain

sebagainya.

Bunyi beep yang dapat didengar ketika komputer dinyalakan.

c. Analisa kondisi

Pada tahap ini dilakukan pengukuran baik itu tegangan listrik maupun suhu

temperatur dari hardware. Pengukuran tegangan listrik dilakukan dengan

menggunakan multitester sedangkan untuk mengukur suhu chip bisa dengan

menyentuh secara langsung. Pengukuran suhu dari sebuah prosesor bisa dilihat

dalam bios atau bisa juga dilihat dengan menggunakan software.

d. Analisa isyarat

Tahap ini dilakukan apabila dari tahapan sebelumnya tidak mampu mendeteksi dan

menyelesaikan masalah. Pada tahap analisa ini lebih rumit, memerlukan peralatan

khusus, dokumen dan gambar serta dibutuhkan pengetahuan mengenai sistem dan

elektronika.

Setelah analisa masalah komputer dilakukan maka akan ditemukan penyebab dari

masalah yang timbul sehingga didapatkan cara untuk mengatasinya.

2.2.3 Precision, Recall, Dan F1

Perolehan recall berhubungan dengan kemampuan sistem untuk memanggil

dokumen atau informasi yang dibutuhkan pengguna yang relevan dengan query,

sedangkan ketepatan precision berkaitan dengan kemampuan sistem untuk tidak

memanggil dokumen yang tidak relevan dengan kebutuhan pengguna. Dokumen

terpanggil recall yang relevan dengan query pengguna belum tentu relevan dengan

kebutuhan pengguna 16.

Nilai precision, recall, dan F1 ditunjukkan dengan nilai 0 sampai 1, sistem

rekomendasi dianggap akurat jika memiliki nilai F1 yang tinggi. Semakin tinggi nilai

F1 mendekati angka 1 (satu) berarti sistem rekomendasi tersebut memiliki tingkat

akurasi yang tinggi dalam memberikan rekomendsasi pemilihan.

Data yang sudah diperoleh lalu dikumpulkan kemudian diolah menggunakan metode

precision and recall. Setelah nilai dari precision and recall didapatkan baru mencari

nilai F1.

Precision dapat dihitung dengan menggunakan rumus:

P= aa+b

recall dapat dihitung dengan menggunakan rumus:

R= aa+b

Sedangkan F1 dihitung dengan rumus:

F1 = 2 PR/ (P + R)

Keterangan:

P = Precision

R = Recall

F1 = Tingkat akurasi

a = Jumlah nilai relevan yang terpilih

b = Jumlah nilai terpilih yang dianggap tidak relevan

c = Jumlah nilai relevan yang tidak terpilih

2.2.5 Kerangka Pemikiran

Penelitian ini diawali dari studi literatur sehingga didapatkan permasalahan bahwa

proses diagnosa komputer kurang akurat karena sebagian besar pengguna komputer

merasa kebingungan ketika komputernya bermasalah sehingga dibutuhkan seorang

pakar untuk berkonsultasi dan memperbaikinya yang membutuhkan biaya yang tidak

sedikit. Untuk itu peneliti menggunakan pendekatan Case Based Reasoning yang

diaplikasikan dalam sebuah aplikasi simulasi. Dengan aplikasi ini diharapkan

penggunanya dapat mendiagnosa masalah komputer dan dapat berlatih cara

mengatasi atau memperbaikinya.

Pendekatan CBR membagi masalah komputer menjadi empat bagian: jenis

teknologi, gejala permasalahan, penyebab dan solusi permasalahan. Dari keempat

bagian yang menjadi perameter kedekatan kasus adalah jenis teknologi dan gejala

permasalahan. Langkah pertama yang dilakukan dengan mengumpulkan daftar kasus

masalah komputer kemudian bila ada kasus baru dicari nilai kemiripan dengan kasus

yang telah disimpan. Jika nilai kemiripannya medium atau low maka kasus baru yang

diajukan bisa disimpan sebagai daftar pertanyaan kasus ke pakar. Setelah direvisi

oleh pakar maka daftar pertanyaan kasus oleh pengguna disimpan sebagai kasus baru

dalam basis data. Secara singkat kerangka pikir dijabarkan pada gambar 3.

Kerangka Pemikiran

PERMASALAHANProses diagnosa masalah komputer sulit dan butuh biaya yang mahalDiagnosa masalah komputer kurang akuratPENGUMPULAN DATAUpgrading and Repairing PCs 20th EditionPENGOLAHAN DATAPembuatan Basis Data, Teknik CBR dengan pencarian kemiripan tekEKSERIMEN DAN PENGUJIAN METODEAnalisa:UMLKontruksi:PHP & FlashPengujianWhite-box dan Black-boxIMPLEMENTASIPihak berkompeten & Karyawan Pengguna Komputer STIKES Widya HusadaStratified Random SamplingPENGUKURANUji perbandingan Precision, recall dan F1Posttest dan Uji T-testHasilDidapatkan keakuratan proses diagnosa komputer dengan menggunakan metode CBRDiperoleh kemudahan pengguna komputer dalam mendiagnosa masalah komputer dengan menggunakan aplikasi simulasi berbasis CBR

BAB III

METODE PENELITIAN

Metode yang dipakai dalam penelitian ini adalah metode penelitian eksperimen

kuantitatif, dengan pola true experiments. Untuk menganalisa tingkat keakuratan

dalam proses diagnosa masalah komputer dengan penerapan CBR menggunakan

precision, recall dan F1 sedangkan untuk menganalisa kemudahan terhadap diaknosa

masalah komputer digunakan pretest-posttes control group yang bertujuan untuk

mengetahui hubungan sebab akibat dengan pemberian perlakuan dan

membandingkan hasilnya dengan kelompok kontrol yang tidak diberi perlakuan.

True experiments ini mempunyai ciri utama yaitu sampel yang digunakan untuk

eksperimen maupun sebagai kelompok kontrol diambil secara random dari populasi

tertentu.

Tahapan dalam metode penelitian ini adalah sebagai berikut:

3.1 Pengumpulan Data

Pengumpulan data dalam penelitian diambil dari buku Upgrading and Repairing PCs

20th Edition karangan Scoot Mueller tahun cetakan 2011 yang diterjemahkan dalam

bahasa indonesia pada edisi 14 dalam 4 buku oleh Bayu Probo diterbitkan oleh

Penerbit Andi.

3.2 Pengolahan data awal

Dari data yang diperoleh, permasalah komputer dibagi menjadi empat bagian yang

terdiri dari: jenis teknologi, gejala permasalahan, penyebab permasalahan dan solusi

dari permasalahan. Kumpulan data tersebut kemudian disimpan dalam basis data

kemudian dimodelkan dengan teknik CBR dengan menggunakan teknik pencarian

kemiripan dengan kasus yang tersimpan dalam basis data digunakan teknik pencarian

kemiripan text.

Pengguna dapat menginputkan jenis teknologi dan detail gejala kemudian dari

parameter tadi akan dibandingkan dengan jenis teknologi dan gejala yang disimpan

dalam basis data. Dari hasil perbandingan yang didapatkan akan dihitung nilai

kemiripan dan ditampilkan daftar kasus mulai dari nilai yang paling tinggi sampe

paling rendah. Gambar 4 menampilkan langkah-langkah pada teknik CBR untuk

diagnosa masalah komputer. Langkah-langkahnya adalah sebagai berikut:

1. Pengguna menginputkan jenis teknologi dan detail gejala masalah.

2. Sistem akan menghitung kemiripan antar kasus yang diinputkan dengan kasus

yang tersimpan dalam basis data.

3. Sistem menampilkan kasus yang paling mirip berdasarkan tingkat kemiripan

paling tinggi.

4. Pengguna mengecek kebenaran hasil diagnosa di dunia nyata dan

mengkonfirmasi kebenaran dari hasil diagnosa yang terdiri dari detail penyebab

dan solusi yang diberikan. Jika hasil benar maka proses dilanjutkan pada langkah

nomor 5 dan jika hasil salah maka akan ditandai dan dilanjutkan pada langkah

nomer 7.

5. Jika hasil diagnosa relevan, hasil diagnosa yang diusulkan dipakai untuk

mengatasi masalah dari kasus baru.

6. Dari solusi yang disarankan bisa dilakukan dan untuk mempermudah diberikan

contoh simulasi dari solusi tersebut.

7. Apabila kasus beserta hasil diagnosa yang tidak relevan dan kasus baru yang

tidak ada kemiripan sama sekali dengan kasus dalam basis data jika belum ada

dalam daftar kasus basis data maka ke langkah nomer 8 dan apabila kasus

tersebut sudah ada dalam basis data maka berlanjut kelangkah nomor 9.

8. Kasus baru diusulkan untuk diperbaiki oleh pakar. Pakar menambahkan kasus

baru dengan memberikan informasi detail dari kasus tersebut meliputi: jenis

teknologi, gejala, penyebab, solusi dan jenis simulasinya baru ke langkah nomor

10.

9. Kasus lama yang sudah tidak relevan direvisi oleh pakar dan berlanjut ke langkah

nomor 10.

10. Melakukan proses penyimpanan kasus.

Start

Inputkan kasus dengan mengisi parameter yang ada (teknologi

dan gejala)

Cari kasus yang paling mirip kasus dalam

basis data

Kasus dalam basis data

Tampilkan daftar kasus beserta solusinya yang

mirip

Apakah solusinya relevan?

Jalankan simulasi dari solusi yang diberikan

Gunakan solusi tersebut untuk kasus

baru

Fase retrieval

Fase revice

Simpan kasus ke dalam basis data

End

Fase reuse

Ya

Tidak

Fase retain

(1)

(2)

(3)

(4)(5)

(6)

(7)

(8)

Apakah kasus sudah ada dalam

basis data?

Tambahkan kasus baru beserta

penyebab dan solusi oleh pakar

Perbaiki kasus lama beserta

solusinya

(9)

(10)

YaTidak

Teknik CBR untuk diagnosa masalah komputer

3.3 Eksperimen dan pengujian metode

Metode yang telah dipilih kemudian dirancang bangun ke aplikasi yang akan dibuat.

Proses rancang bagun aplikasi dimulai dengan analisa dan desain sistem dengan

menggunakan pemodelan visual UML. Setelah pemodelan sistem dibuat dengan

UML yang meliputi use case, activity diagram dan sequence diagram selesai dibuat

diteruskan dengan pembuatan storyboard mengenai alur cerita dari masing-masing

aktifitas aktor didalam sistem yang disampaikan dengan tulisan dan gambar.

Storyboard yang telah dibuat dijadikan dasar dalam pembuatan user interface supaya

memudahkan bagi penggguna aplikasi dalam pemakaiannya. Setelah proses

pembuatan user interfase sistem mulai dibagun secara menyeluruh dari semua proses

didalam sistem yang telah dirancang dengan menggunakan metode yang telah

dipilih.

Setelah pembuatan aplikasi selesai, tahap berikutnya adalah pengujian sistem.

Pengujian dilakukan dengan teknik pengujian perangkat lunak yaitu white box testing

dan black box testing.

3.4 Hasil Pengukuran Precision, Recall, dan F1

Setelah aplikasi selesai dibuat, untuk evaluasi dan validasi hasil dilakukan dengan

memberikan angket atau kuesioner yang dibagikan kepada pihak yang berkompeten

berisikan tanggapan tentang relevan dan tidaknya jika mencari kasus dalam basis

data. Data yang diperoleh dari kuesioner diukur dengan menggunakan metode

precision, recall, dan F1 yang bertujuan untuk melihat keakuratan dari aplikasi

simulasi yang telah dibuat.

3.5 Hasil Pengukuran Posttest dan Uji T-test

Setelah aplikasi simulasi diukur tingkat keakuratannya, maka langkah selanjutnya

adalah menerapkan kepada objek penelitian, responden merupakan karyawan

STIKES Widya Husada Semarang yang kesehariannya menggunakan komputer.

Jumlah responden yang dipilih berjumlah 28 karyawan. Metode yang digunakan

dalam pengambilan sampel responden adalah Sampel Berstrata atau Satisfied

Sample. Dimana dosen pengajar dari 7 program studi digunakan sebagai stratanya

dan tiap program studi diwakili 4 dosen yang terdiri dari 2 dosen yang mewakili

pretest dan posttest dengan pelatihan dan 2 orang dosen per prodi yang mewakili

pretest dan posttest dengan menggunakan aplikasi simulasi. Tujuan dari kuesioner ini

adalah untuk mengukur tingkat pemahaman penguna komputer terhadap

permasalahan komputer yang sering ditemui.

BAB IV

JADWAL PELAKSANAAN

No Kegiatan Bulan ke-1 2 3 4 5 6

1 Pengumpulan data2 Pengolahan data awal dan

metode yang diusulkan3 Eksperimen dan pengujian

metode 4 Evaluasi dan validasi hasil5 Hasil pengukuran precision,

recall, dan F16 Hasil pengukuran pretest,

posttest dan uji t-test

DAFTAR PUSTAKA