halaman pengesahanstikeswh.ac.id/tem/files/mentah.docx · web viewpakar menambahkan kasus baru...
TRANSCRIPT
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): [email protected]
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