KONSEP SKEMA SISTEM CERDAS BUATAN KONSELING MAHASISWA BERBASIS CASE BASED REASONING (CBR)
-
Upload
teknik-informatika-politeknik-tedc-bandung -
Category
Education
-
view
221 -
download
1
Transcript of KONSEP SKEMA SISTEM CERDAS BUATAN KONSELING MAHASISWA BERBASIS CASE BASED REASONING (CBR)
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
194
Munirah1, Aslan Alwi2
Seminar Nasional Telekomunikasi dan Informatika 2016
ISSN : 2503-44
KONSEP SKEMA SISTEM CERDAS BUATAN
KONSELING MAHASISWA BERBASIS CASE BASED
REASONING (CBR)
Munirah1, Aslan Alwi2
Universitas Muhammadiyah Ponorogo
Jl. Budi Utomo No. 10, Ponorogo
[email protected]. [email protected]
Abstrak
Penelitian ini menyajikan sebuah sistem
konseling yang berbasis cerdas buatan, yang
diharapkan mampu mendukung dan mewakili dosen
wali untuk menghadapi mahasiswa dalam melakukan
konseling dengan menampilkan sebuah antarmuka
yang dapat dihadapi oleh mahasiswa, dimana
mahasiswa mengajukan pertanyaan-pertanyaan
konsultasi. Di dalam sistem konseling ini tersedia
basis pengetahuan yang diserap dari pengetahuan
dosen wali, dimana basis pengetahuan ini digunakan
oleh sistem konseling untuk memberikan jawaban-
jawaban sebagaimana layaknya jika sang mahasiswa
bertanya kepada dosen wali.
Sistem konseling ini menggunakan metode
inferensi Case Based Reasoning (CBR), yaitu sebuah
metode yang memanfaatkan pengalaman-pengalaman
sebelumnya atau menyimpan pengalaman-
pengalaman baru untuk memecahkan masalah-
masalah yang diajukan oleh mahasiswa.
Kata Kunci :
Konseling Mahasiswa, Case Based Reasioning
(CBR), Cerdas Buatan.
Abstract
This study presents about counseling system that is
based on artificial intelligent, which is expected to
support and represent the faculty trustee to deal with
students in counseling by displaying an interface that
can be faced by students, where students asked
questions consultation. Within this counseling system
available knowledge base of knowledge absorbed
faculty trustee, where the knowledge base is used by
counseling system to provide answers as appropriate
if the students ask the faculty trustee.
This counseling system using the method of inference
Case Based Reasoning (CBR), which is a method that
utilizes the previous experiences or storing new
experiences to solve the problems posed by the
students.
Keywords:
Student Counseling, Case Based Reasoning (CBR),
Artificial Intelligent.
I. PENDAHULUAN
Konseling mahasiswa biasanya dilakukan oleh
mahasiswa yang hendak berbagi dengan dosen
tentang berbagai permasalahan akademik yang
mereka hadapi selama kuliah di perguruan tinggi. Itu
dilakukan antara dosen yang ditunjuk sebagai
pemangku dosen wali terhadap mahasiswa-
mahasiswi di bawah perwaliannya. Hal-hal yang
biasanya dikonsultasikan oleh mahasiswa adalah hal-
hal yang bersifat resmi tentang perkuliahan atau juga
tentang berbagai permasalahan keluarga yang
melatarbelakangi kesulitan-kesulitan akademik yang
mereka hadapi. Hal-hal yang bersifat resmi misalnya
adalah konsultasi tentang mata kuliah-mata kuliah
apa saja yang cocok untuk mereka ambil pada
semester berikutnya, berapa jumlah kredit yang dapat
mereka ambil, tentang tugas akhir, tentang biaya-
biaya yang harus dibayarkan, tentang prosedur-
prosedur administrasi atau akademik yang harus
dilewati dan lain sebagainya. Hal-hal yang bersifat
tidak resmi atau semi resmi misalnya mata kuliah-
mata kuliah yang bermasalah sebelumnya seharusnya
dihadapi dengan cara bagaimana, tentang konflik
yang terjadi antara sang mahasiswa dengan dosen
pengampu mata kuliahnya, tentang kesulitan-
kesulitan keuangannya dalam membiayai kuliah,
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
195
Munirah1, Aslan Alwi2
Seminar Nasional Telekomunikasi dan Informatika 2016
ISSN : 2503-44
bagaimana cara belajar yang efektif, bagaimana
strategi menghadapi sebuah perkuliahan.
Seorang dosen wali dengan bilangan mahasiswa
bimbingan yang terbatas dalam hitungan jari atau
memiliki waktu luang yang banyak dimana jam
perkuliahan yang diampunya tidak terlalu banyak,
atau tidak sedang mengerjakan beberapa proyek
penelitian, atau tidak sedang duduk merangkap
sebagai pejabat yang lain di kampus, maka tentunya
ini adalah hal yang mudah dan fokus untuk
menangani keluhan-keluhan mahasiswa serta
memikirkan solusinya. Akan tetapi bagi dosen yang
tidak memiliki banyak waktu sedang jumlah dosen
yang terbatas pada perguruan tinggi, dan dosen yang
bersangkutan adalah dosen yang terlibat aktif pada
pengabdian masyarakat atau penelitian, tentunya
menjadi tidak mudah untuk selalu berada ditempat
menerima konsultasi mahasiswa atau membagi waktu
dan fokus untuk membantu memecahkan
permasakahan mahasiswa.
Berdasarkan latar belakang ini, terpikirkan bagi
peneliti untuk membuat perancangan sistem cerdas
buatan yang dapat menggantikan secara sementara,
menjadi asisten pribadi bagi sang dosen, untuk
membantu sang dosen menangani konsultasi-
konsultasi mahasiswa. Pikiran ini diwujudkan berupa
sebuah rancangan arsitektur sistem cerdas buatan
yang berbasiskan pada metode case based reasoning
(CBR), yaitu suatu metode penalaran berbasis kasus
dimana nantinya sistem ini dapat membantu
mahasiswa memecahkan permasalahan-permasalahan
akademiknya secara cepat dan memberi saran yang
setimbang dengan permasalahan yang dihadapi
mahasiswa.
II. KAJIAN LITERATUR
Sistem cerdas buatan atau artificial intelligence
adalah sebuah sub bagian dari bidang sistem
informasi. Jika digambarkan, sistem informasi adalah
sebuah bagian terbesar, lalu kemudian di dalamnya
terdapat sistem pengambilan keputusan, selanjutnya
di dalamnya lagi terdapat sistem cerdas buatan.
C.S. Krishnamoorthy dan S. Rajeev (1996),
menjelaskan bahwa di awal 1950, Herbert Simon,
Allen Newell dan Cliff Shaw memimpin sebuah
eksperimen yang menulis program yang meniru cara
berpikir manusia. Eksperimen menghasilkan sebuah
program yang dinamai Logic Theorist, yang terdiri
atas sejumlah rule yang dibangun dari sejumlah
aksioma. Manakala sebuah ekspresi logika diberikan
dia akan mencari melalui seluruh operasi yang
mungkin untuk menemukan sebuah bukti bagi
ekspresi baru tersebut, dengan menggunakan cara
heuristik. Ini adalah sebuah perkembangan utama
dalam sistem cerdas buatan. Para ahli Logic Theorist
telah mampu dengan cepat memecahkan 38 dari 52
masalah yang diberikan sebelumnya oleh Whitehead
and Russel. Pada waktu yang sama, Shanon
mengeluarkan sebuah makalah bagi kemungkinan
komputer untuk bermain catur. Melalui kerja dari
Shannon, Shannon telah mendemonstrasikan konsep
tentang program komputer cerdas. Tahun 1956
dipertimbangkan sebagai permulaan dari topik cerdas
buatan ( Artificial Intelligence). Ditandai oleh
konferenssi pertama tentang cerdas buatan yang
diorganisasikan oleh John McCarthy, Marvin
Minsky, Nathaniel Rochester dan Claude Shanon
pada Dartmouth College di New Hampshire, 1956.
Michael Negnevitsky (2005) menjelaskan
bahwa pada pertengahan tahun 1980, para peneliti,
enginer dan ahli menemukan bahwa bangunan
sebuah sistem pakar membutuhkan lebih banyak
daripada sekedar sebuah sistem penalaran atau mesin
sistem pakar dan meletakkan secukupnya rule-rule di
dalamnya. Peneliti-peneliti cerdas buatan
memutuskan untuk memiliki cara pandang baru yang
berbasis pada jaringan syaraf tiruan. Di akhir tahun
1960-an, kebanyakan ide-ide dasar dan konsep-
konsep dasar yang dibutuhkan untuk komputasi
neural telah tersedia (Cowan, 1990). Akan tetapi,
pada pertengahan tahun 1980 solusi tentang ini
muncul. Alasan utama untuk kelambatan ada pada
masalah dukungan teknologi. Tidak terdapat PC atau
workstasion yang cukup kuat untuk memodelkan dan
menguji coba dengan menggunakan cerdas buatan
(artificial intelligent). Lebih lanjut C.S.
Krishnamoorthy dan S. Rajeev (1996), menjelaskan
bahwa walaupun Artificial Neural Network (ANN)
dan Genetic Algorithms (GA) menyediakan sejumlah
tehnik yang berguna untuk kemajuan efektif dan
efisiensi pemecahan mamsalah, sistem pakar dan
pengembangannya dalam topik yang sejalan
membuatnya menjadi mungki dan mudah untuk
membumikan masalah. Teknologi sistem pakar
adalah yang pertama benar-benar merupakan aplikasi
komersial bagi riset dan pengembangan di bidang AI
(artificial intelligence). Sistem pakar pertama yang
telah berhasil sukses adalah sistem DENDRAL,
dikembangkan oleh Fiegenbaum, yang
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
196
Munirah1, Aslan Alwi2
Seminar Nasional Telekomunikasi dan Informatika 2016
ISSN : 2503-44
mendemonstrasikan tehnik pemecahan masalah yang
tidak pernah dikenali oleh riset dan pengembangan
AI sebelumnya. Sistem mensimulasikan keahlian
seorang ahli kimia analisis dan kemampuan untuk
mengambil keputusan. Sejumlah sistem pakar yang
lain adalah dalam bidang eksplorasi geologi,
diagnosis medis, dan lain sebagainya yang
dikembangkan dengan menggunakan konsep yang
telah diperkenalkan oleh Fiegenbaum.
III. ANALISIS DAN PERANCANGAN
Sistem Pakar berbasis CBR mengandung
pengertian bahwa knowledge base dari sistem pakar
adalah berupa himpunan case, case yang diambil dari
CBR, dan mesin inferensinya adalah metode CBR.
Pada implementasinya, case yang dimaksud berupa
kartu yang memiliki struktur secara umum sebagai
berikut:
1. Bagian Himpunan Parameter dalam bentuk
daftar.
2. Bagian Himpunan Solusi, dapat sebuah solusi
atau sejumlah solusi dalam bentuk daftar.
Implementasi kartu dari sistem pakar yang
hendak dibangun memiliki bentuk yang sedikit
dimodifikasi dari bentuk umum di atas. Implementasi
itu dideskripsikan sebagai berikut:
a. Bagian Pertanyaan ditanyakan mahasiswa
(selanjutnya disebut sebagai Kepala Kartu)
b. Bagian Pertanyaan-pertanyaan yang diajukan
oleh sistem pakar dan dijawab oleh mahasiswa
(selanjutnya disebut bagian parameter-parameter
dari kartu)
c. Bagian Solusi yang menjawab pertanyaan
mahasiswa (selanjutnya disebut bagian solusi).
Gambar berikut memberikan gambaran visual
dari implementasi kartu.
Gambar 1. Visualisasi implementasi kartu
Selanjutnya adalah bagaimana kartu-kartu ini
tersimpan di dalam sistem adalah sebagai berikut:
a. Seluruh kartu di dalam sistem membentuk
kelompok-kelompok kartu yang disebut sebagai
klaster-klaster kartu.
b. Setiap kartu hanya boleh bergabung dengan satu
klaster saja.
c. Setiap kartu dalam klaster yang sama akan
memiliki kumpulan parameter yang sama, tetapi
isi atau jawaban dari parameter-parameter
tersebut boleh berbeda-beda.
d. Setiap kartu dalam klaster yang sama, memiliki
solusi-solusi yang berbeda atau sama.
e. Setiap klaster memiliki Kata Kunci Klaster.
f. Kata kunci klaster = jumlah gabungan seluruh
kata kunci dari kepala-kepala kartu yang
tergabung dalam klaster tersebut.
Contoh:
Kartu A pada kepalanya memiliki 4 kata kunci.
Kartu B pada kepalanya memiliki 6 kata kunci,
tetapi 2 diantaranya sama dengan A.
Kartu C pada kepalanya memiliki 4 kata kunci,
tetapi 1 diantaranya sama dengan B dan A dan
kartu A,B dan C dalam satu klaster.
Maka kata kunci dari klaster yang memuatnya
adalah 11.
g. Jika terdapat sebuah kartu baru, maka kartu baru
tersebut memilih klaster yang terdekat sebagai
klasternya.
h. Kedekatan sebuah klaster dengan sebuah kartu
baru, diukur berdasarkan metrik yang
dirumuskan sebagai berikut :
Misalkan X adalah sebuah klaster, dan A adalah
sebuah kartu baru yang masuk dalam sistem
CBR, maka jarak antara klaster X dan kartu A
dinyatakan dalam :
kata kunci(X,A) = Banyaknya kata kunci
klaster X yang sama dengan kata kunci kartu A.
, kata kunci(X,A) = 0.
d(X,A) =
1 / ( kata kunci(X,A)) ,
kata kunci 0.
Pertanyaan mahasiswa :
……………………….
1. Parameter 1 : ……......
2. Parameter 2 : ……….. 3. Parameter 3 : ………..
4. Parameter 4 : ………..
5. Dst
Solusi :
..............................................
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
197
Munirah1, Aslan Alwi2
Seminar Nasional Telekomunikasi dan Informatika 2016
ISSN : 2503-44
Contoh :
Misalkan pada sistim CBR terdapat dua buah
klaster, yaitu klaster X dan klaster Y, lalu
terdapat kartu baru A yang masuk pada sistim
CBR. Misalkan diperoleh bahwa:
kata kunci(X,A) = 5
kata kunci(Y,A) = 10
diperoleh:
d(X,A) = 1/5
d(Y,A) = 1/10
Lalu diperoleh : d(Y,A) < d(X,A)
maka kartu A masuk dalam klaster Y.
i. Tentang bagaimana pembentukan klaster baru
ditentukan dengan cara menetapkan sebuah
threshold jarak antara sebarang klaster dengan
sebuah kartu baru yang masuk. Penetapan
threshold ditetapkan berdasarkan asumsi, yang
dapat diperbaiki seiring dengan jalannya sistim
dimana pengguna dapat memperkirakan akurasi
yang lebih baik.
Contoh penetapan thresshold :
Sebuah kartu baru A membentuk klaster baru
jika dan hanya jika untuk semua klaster X pada
sistem CBR dipenuhi d(X,A) > 1/5.
Contoh penggunaan thresshold:
Misalkan pada sistim CBR terdapat dua buah
klaster, yaitu klaster X dan klaster Y, lalu
terdapat kartu baru A yang masuk pada sistim
CBR. Dan thresshold ditetapkan sama dengan
1/5. Misalkan diperoleh bahwa:
kata kunci(X,A) = 4
kata kunci(Y,A) = 3
diperoleh:
d(X,A) = 1/4
d(Y,A) = 1/3
diperoleh : d(Y,A) > 1/5 dan d(X,A) > 1/5
maka kartu A membentuk klaster baru yang
berbeda dengan klaster X dan klaster Y, sebut
saja misalnya klaster Z, dimana A Z.
j. Bila kartu baru, masuk ke dalam sebuah klaster,
maka secara otomatis kartu baru tersebut
memiliki parameter-parameter yang sama
dengan seluruh kartu pada klaster bersangkutan.
Selanjutnya kartu baru dikembalikan ke user
untuk mengisi secara manual parameter-
parameter tersebut.
k. Bila kartu baru telah diisi parameter-
parameternya, kartu baru dikembalikan ke
klaster asalnya, untuk ditemukan solusi yang
sesuai dengan kartu tersebut.
l. Penentuan solusi terhadap kartu dilakukan
dengan membuat sebuah metrik yang mengukur
jarak antara kartu baru dengan kartu-kartu yang
lain di dalam klaster yang sama.
m. Metrik yang mengukur antar kartu dalam klaster
yang sama didefinisikan sebagai berikut:
Misal kartu B dan kartu C di dalam klaster X,
dan terdapat kartu baru A yang dikembalikan ke
klaster X setelah parameter-parameter A diisi
oleh mahasiswa.
Jarak antara kartu A ke kartu B dinyatakan oleh :
parameter(A,B) = Banyaknya jawaban
parameter yang sama antara A dan B
J(A,B) = 1 / parameter(A,B)
Contoh :
parameter(A,B) = 5 (terdapat 5 jawaban
parameter yang sama antara A dan B)
J(A,B) = 1/5
parameter(A,C) = 6 (terdapat 6 jawaban
parameter yang sama antara A dan B)
J(A,B) = 1/6
Kesimpulan : A lebih dekat ke C sehingga solusi
A = solusi C
n. Tentang bagaimana solusi baru terbentuk, dibuat
sebuah threshold untuk metrik J(A,B) yang
menentukn kapan sebuah solusi baru terbentuk.
Misal ditetapkan threshold adalah 1/5, ini
berarti:
Jika untuk setiap kartu Y sebarang dalam klaster
X, dan kartu baru A, dimana J(A,Y)<1/5, maka
tidak ada solusi yang cocok dengan salah satu
kartu dalam klaster X, sehingga kartu A
membentuk solusi baru. Solusi baru diberikan
oleh ahli atau expert yang berkaitan dengan
bidang yang ditanyakan pada kartu A, lalu
disimpan (diadaptasikan) kembali ke dalam
klaster X untuk pemakaian selanjutnya.
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
198
Munirah1, Aslan Alwi2
Seminar Nasional Telekomunikasi dan Informatika 2016
ISSN : 2503-44
o. Skema siklus CBR dari sistem dapat digambar
kan sebagai berikut:
Gambar 2. Rancangan skema sistem CBR
IV. KESIMPULAN DAN SARAN
Dari hasil penelitian ini, dapat disimpulkan :
1. Sistem cerdas buatan adalah sebuah solusi untuk
mempermudah sistem konseling mahasiswa dan
memberikan kemudahan bagi dosen wali untuk
menangani lebih banyak mahasiswa dalam
perwaliannya.
2. Metode inferensi CBR diimplementasikan
dengan merumuskan metrik yang berlandaskan
pada susunan kata-kata dan kecocokan kata-kata
pada pertanyaan-pertanyaan mahasiswa,
diharapkan metrik tersebut dapat secara fleksibel
memberi jalan pada konklusi atau solusi
permasalahan mahasiswa.
3. Skema ini adalah sebuah framework sistem
konseling yang berdasarkan sistem pakar dengan
metode inferensi CBR.
Saran pada pengembangan skala besar bagi
sistem ini, diperlukan tambahan jenis basis data
untuk mendukung sistem ini, yaitu basis data kamus
kata-kata dan makna semantiknya untuk dapat
menjadi sumber pengetahuan bagi sistem cerdas
buatan sistem konseling mahasiswa.
REFERENSI
Krishnamoorthy, C.S.; Rajeev, S. (1996), Artificial
Intelligence and Expert Systems for
Engineers, ISBN: 0849391253, CRC Press,
CRC Press LLC.
Negnevitsky Michael, (2005), Artificial_Intelligence-
A Guide to Intelligent Systems, ISBN 0 321
20466 2, Addison-Wesley, Printed and
bound in Great Britain by Biddles Ltd,
King’s Lynn.
Pertanyaan : ………………
?
?
Pertanyaan ………………
1. Parameter
…………
2. Parameter
…………
3. Parameter
…………
?
Case Base
retrieved
case
Gunakan
solusi kartu
sebelumnya
Verifikasi
solusi
Implement/
advise