Professional Documents
Culture Documents
USUL PENELITIAN
DOSEN PEMULA
TIM PENGUSUL
1. MULYONO, M.Kom 0609088103 (Ketua)
2. SUPRIYANTO, S.Kom 0616037101 (Anggota)
Halaman Pengesahan
Judul Penelitian
Bidang Ilmu
: Rekayasa
Ketua Peneliti
a. Nama Lengkap
: Mulyono
b. NIP/NIK
c. NIDN
: 0609088103
d. Jabatan Fungsional
e. Program Studi
f. Nomor HP
: 081931908394
: Supriyanto. S.Kom
b. NIDN
: 0616037101
c. Perguruan Tinggi
Biaya Penelitian
: - dana internal PT
Ketua Peneliti
MULYONO, M.Kom
Menyetujui,
Ketua STIKES Widya Husada
ABSTRAK
kerusakan
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].
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
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
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
Diagnosis
ESDLC
Priatna, 2009
kerusakan
System
komputer butuh
Development
biaya yang
Cycle)
cukup mahal
metode
karena
maju
diperlukan
menggunakan
seorang pakar
teknik penelusuran
untuk
berkonsultasi
(DFS)
dapat
Life seorang
mewakili
pakar
untuk
masalah
dan
memperbaikinya
Fatsyahrina
Permasalahan
Backward Chaining
Aplikasi
dan teknik
Luluk
penelusuran
untuk
Sri merupakan
sistem
membantu
Ekowati,
masalah yang
kasusnya
menyelesaikan
2009
cukup komplek.
menggunakan DFS
komputer
Dibutuhkan
biaya yang tidak
sedikit untuk
memperbaiki
kerusakan
pemakainya
pakar
bagi
masalah
para
Peneliti
Masalah
Metoda
Hasil
komputer
Ilham
M. Pengguna
Teknik inferensi
Dari
Said
Forward Reasoning
kebingungan
dengan teknik
permasalahan
ketika komputer
penelusuran data
diberikan
yang dipakai
yang
Jazuli, 2007
hasil
pengujian
yang
dari masalah
diajukam
dapat
mengalami
membantu
pemakai
masalah.
komputer
Apakah sistem
pakar dapat
kerusakan komputer
untuk
mendeteksi
kerusakan pada
komputer
S
CBR digunakan
Peneliti
menggunakan
untuk
2004
berbagai daerah
mengilustrasikan
dan menerangkan
membangun
melaksanakan
pengetahuan apa
kegiatan KM
saja yang
PC
maka akan
dibutuhkan untuk
Ditemukan
sangat
membangun
bermanfaat
manajemen
mengintegrasikan
diadakannya
pengetahuan
berbagai
penelitian yang
perawatan dan
teknik
dalam
mendalam
troubleshooting
mengembangkan
sistem
tentang
KM
bagaimana
faktor yang
efektif.
industri yang
digunakan sebagai
berbeda
pencarian kasus
pengetahuan
dapat
posisi kesalahan,
sebuah
troubleshooting.
bahwa
metode
sehingga
dan
lebih
Peneliti
Masalah
Metoda
diintegrasikan
kondisi kesalahan
Hasil
kesalahan. Teknik
memperoleh
pencarian nilai
KM efektif.
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.
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 kasuskasus 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:
Alur CBR
Pada saat terjadi suatu permasalahan baru, pertama kali sistem melakukan proses
retrieve yang terdiri dari tiga langkah pemprosesan dimulai dari identifikasi masalah
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 kasuskasus 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
City
Addres of
Type of
Source of
District
apartment
apartment
information
Mh
Lx
11
Indi
500
Mh
lz
21
indi
2,500
Mh
lsl
21
indi
1,500
Mh
xz
11
indi
500
Mh
Hm3
11
Indi
880
Mh
Ls2
31
Dn*
1,500
Mh
dw
22
Dn*
2,500
Xh
cd
11
indi
1,200
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
Case
Apartment
Yuan/month
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
maintenance.
Menjaga
konsistensi
antara
kasus
dengan
Representasi Kasus
Case_id
Problem features
City district
Mh
Address of apartment
Lx
Type of apartment
11
Source of information
Indi
Solution
Rental cost of apartment
500
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}.
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.
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 3. Jika dua nilai yang identik, e Ci, i=i + 1, lanjutkan ke langkah 1.
Langkah 1. Jika e 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 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 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
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.
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 jumper.
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:
sebagainya.
c. Analisa kondisi
Pada tahap ini dilakukan pengukuran baik itu tegangan listrik maupun suhu
temperatur dari hardware. Pengukuran tegangan listrik dilakukan dengan
menggunakan
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
= 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
PERMASALAHAN
Proses diagnosa
Diagnosa masalah
masalah komputer sulit
komputer kurang
dan butuh biaya yang
akurat
mahal
PENGUMPULAN DATA
PENGOLAHAN DATA
Pembuatan Basis Data, Teknik CBR dengan
pencarian kemiripan tek
Kontruksi:
PHP & Flash
Pengujian
White-box dan
Black-box
IMPLEMENTASI
Pihak berkompeten &
Karyawan Pengguna
Komputer STIKES Widya
Husada
PENGUKURAN
Uji perbandingan
Precision, recall dan Posttest dan Uji T-test
F1
Hasil
Didapatkan keakuratan
proses diagnosa komputer
dengan menggunakan
metode CBR
Diperoleh kemudahan
pengguna komputer dalam
mendiagnosa masalah
komputer dengan
menggunakan aplikasi
simulasi berbasis CBR
Kerangka Pemikiran
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
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
Fase
retrieval
(4)
(5)
Ya
Apakah solusinya
relevan?
Tidak
Gunakan solusi
tersebut untuk kasus
baru
(6)
Tidak
Tambahkan kasus
baru beserta
penyebab dan
solusi oleh pakar
Fase
retain
Fase
revice
(9)
(8)
Fase
reuse
Kasus dalam
basis data
Perbaiki kasus
lama beserta
solusinya
(10)
Simpan kasus ke
dalam basis data
End
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
No
1
2
3
4
5
6
Kegiatan
Pengumpulan data
Pengolahan data awal dan
metode yang diusulkan
Eksperimen dan pengujian
metode
Evaluasi dan validasi hasil
Hasil pengukuran precision,
recall, dan F1
Hasil pengukuran pretest,
posttest dan uji t-test
Bulan ke3
4
DAFTAR PUSTAKA