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

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016

ISSN : 2527-5488

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 : [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 jawabanjawaban 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 pengalamanpengalaman baru untuk memecahkan masalahmasalah 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 mahasiswamahasiswi di bawah perwaliannya. Hal-hal yang biasanya dikonsultasikan oleh mahasiswa adalah halhal 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 biayabiaya yang harus dibayarkan, tentang prosedurprosedur administrasi atau akademik yang harus dilewati dan lain sebagainya. Hal-hal yang bersifat tidak resmi atau semi resmi misalnya mata kuliahmata kuliah yang bermasalah sebelumnya seharusnya dihadapi dengan cara bagaimana, tentang konflik yang terjadi antara sang mahasiswa dengan dosen pengampu mata kuliahnya, tentang kesulitankesulitan keuangannya dalam membiayai kuliah,

Munirah1, Aslan Alwi2 Seminar Nasional Telekomunikasi dan Informatika 2016

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016 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 konsultasikonsultasi 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

ISSN : 2527-5488

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 konsepkonsep 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

Munirah1, Aslan Alwi2 Seminar Nasional Telekomunikasi dan Informatika 2016

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016 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. 2.

Selanjutnya adalah bagaimana kartu-kartu ini tersimpan di dalam sistem adalah sebagai berikut: a.

b. c.

d. e. f.

Bagian Himpunan Parameter dalam bentuk daftar. Bagian Himpunan Solusi, dapat sebuah solusi atau sejumlah solusi dalam bentuk daftar.

b.

c.

Bagian Pertanyaan ditanyakan mahasiswa (selanjutnya disebut sebagai Kepala Kartu) Bagian Pertanyaan-pertanyaan yang diajukan oleh sistem pakar dan dijawab oleh mahasiswa (selanjutnya disebut bagian parameter-parameter dari kartu) Bagian Solusi yang menjawab pertanyaan mahasiswa (selanjutnya disebut bagian solusi). Gambar berikut memberikan gambaran visual dari implementasi kartu. Pertanyaan mahasiswa :

……………………….

Seluruh kartu di dalam sistem membentuk kelompok-kelompok kartu yang disebut sebagai klaster-klaster kartu. Setiap kartu hanya boleh bergabung dengan satu klaster saja. Setiap kartu dalam klaster yang sama akan memiliki kumpulan parameter yang sama, tetapi isi atau jawaban dari parameter-parameter tersebut boleh berbeda-beda. Setiap kartu dalam klaster yang sama, memiliki solusi-solusi yang berbeda atau sama. Setiap klaster memiliki Kata Kunci Klaster. 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.

Implementasi kartu dari sistem pakar yang hendak dibangun memiliki bentuk yang sedikit dimodifikasi dari bentuk umum di atas. Implementasi itu dideskripsikan sebagai berikut: a.

ISSN : 2527-5488

Maka kata kunci dari klaster yang memuatnya adalah 11. g.

h.

Jika terdapat sebuah kartu baru, maka kartu baru tersebut memilih klaster yang terdekat sebagai klasternya. 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.

1. Parameter 1 : ……...... 2. Parameter 2 : ……….. 3. Parameter 3 : ……….. 4. Parameter 4 : ……….. 5. Dst Solusi : ..............................................

 ,  kata kunci(X,A) = 0. d(X,A) = 1 / ( kata kunci(X,A)) ,  kata kunci  0.

Gambar 1. Visualisasi implementasi kartu

Munirah1, Aslan Alwi2 Seminar Nasional Telekomunikasi dan Informatika 2016

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016 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.

dengan seluruh kartu pada klaster bersangkutan. Selanjutnya kartu baru dikembalikan ke user untuk mengisi secara manual parameterparameter tersebut. k. Bila kartu baru telah diisi parameterparameternya, 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

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.

parameter(A,C) = 6 (terdapat 6 jawaban parameter yang sama antara A dan B) J(A,B) = 1/6

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:

Kesimpulan : A lebih dekat ke C sehingga solusi A = solusi C n.

 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

j.

maka kartu A membentuk klaster baru yang berbeda dengan klaster X dan klaster Y, sebut saja misalnya klaster Z, dimana A  Z. Bila kartu baru, masuk ke dalam sebuah klaster, maka secara otomatis kartu baru tersebut memiliki parameter-parameter yang sama

ISSN : 2527-5488

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.

Munirah1, Aslan Alwi2 Seminar Nasional Telekomunikasi dan Informatika 2016

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016 o.

Skema siklus CBR dari sistem dapat digambar kan sebagai berikut:

3. Pertanyaan :

Pertanyaan

………………

………………

?

1. Parameter ………… 2. Parameter ………… 3. Parameter …………

?

?

ISSN : 2527-5488

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. 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.

Implement/ advise

Negnevitsky Michael, (2005), Artificial_IntelligenceA Guide to Intelligent Systems, ISBN 0 321 20466 2, Addison-Wesley, Printed and bound in Great Britain by Biddles Ltd, King’s Lynn.

Case Base

Verifikasi solusi

retrieved case Gunakan solusi kartu sebelumnya

Gambar 2. Rancangan skema sistem CBR

IV. KESIMPULAN DAN SARAN Dari hasil penelitian ini, dapat disimpulkan : 1.

2.

Sistem cerdas buatan adalah sebuah solusi untuk mempermudah sistem konseling mahasiswa dan memberikan kemudahan bagi dosen wali untuk menangani lebih banyak mahasiswa dalam perwaliannya. Metode inferensi CBR diimplementasikan dengan merumuskan metrik yang berlandaskan

Munirah1, Aslan Alwi2 Seminar Nasional Telekomunikasi dan Informatika 2016