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)


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,


195



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


196



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 :

..............................................


197



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.


198



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

KONSEP SKEMA SISTEM CERDAS BUATAN KONSELING MAHASISWA BERBASIS CASE BASED REASONING (CBR)

Education

Transcript of KONSEP SKEMA SISTEM CERDAS BUATAN KONSELING MAHASISWA BERBASIS CASE BASED REASONING (CBR)