jurnal skripsi

INTELLIGENT LEARNING SYSTEM UNTUK PEMBELAJARAN INTERAKTIF LABORATORIUM (STUDI KASUS : LABORATORIUM

TEKNIK INFORMATIKA UNIVERSITAS DR. SOETOMO SURABAYA)

O B B A D IJurusan Teknik Informatika, Fakultas Teknik

Universitas DR. Soetomo, Jl. Semolowaru 84 SurabayaE-Mail : [email protected], HP : 085732274999

Abstrak Pembelajaran dalam kelompok kecil lebih efisien daripada pembelajaran dalam kelompok

besar. Pembelajaran dalam kelompok kecil dapat ditemui dalam sebuah laboratorium, dimana jumlah praktikan yang relevan menjadikan suasana pembelajaran cukup efektif. Keinginan dan kemampuan praktikan yang berbeda-beda menuntut adanya metode pembelajaran yang berbeda-beda, dan intensitas pelaksanaan praktikum yang relatif sebentar yang berakibat ketidakpuasan dalam pelaksanaan sebuah praktikum. Dengan demikian, diperlukan sebuah alternatif pembelajaran yang tidak terbatas oleh waktu dengan memanfaatkan peranan teknologi seperti Intelligent Learning System (ILS). dengan menghadirkan seorang virtual asisten dosen.

Tugas akhir ini memberikan penjelasan tentang pembuatan dan implementasi sistem pembelajaran cerdas pada Laboratorium Pemrograman Universitas DR. Soetomo Surabaya dengan pembahasan materi praktikum adalah Algoritma dan Pemrograman I (Java). Sistem ini terdiri dari beberapa agen (multiagent) yang memiliki kemampuan yang berbeda-beda dan bersifat delegation dan intelligence yang dirancang dalam bentuk interaktif antara praktikan dan agen berbasis dialoge based application.

Keywords - Small group learning, Intelligent Learning System, dialoge based application, agents.

I. PENDAHULUAN

Sistem pembelajaran saat ini sudah banyak ditemui dalam kelompok kecil, sehingga proses pembelajaran dapat berjalan baik [2. 193]. Hal senada juga disampaikan oleh Bloom [8. 193] melalui penelitiannya bahwa one-to-one teaching atau pengajaran secara kelompok kecil lebih baik dibandingkan kelompok besar. Pembelajaran dalam kelompok kecil juga ditemui dalam sebuah laboratorium, adanya asisten laboratorium atau asisten dosen (asdos) yang bertindak sebagai pengajar dan jumlah praktikan yang relevan menjadikan suasana pembelajaran cukup efektif.

Keinginan dan kemampuan penalaran praktikan yang berbeda-beda tidak menuntut kemungkinan akan penggunaan metode pembelajaran yang juga berbeda untuk setiap praktikan. Adanya sentuhan teknologi pada pembelajaran laboratorium menjadi alternatif lain sebagai penunjang pembelajaran, seperti pada pembelajaran interaktif dengan sistem pembelajaran cerdas (Intelligent Learning System). Menurut Sang-Mok Jeong and Ki-Sang Song [2. 193] jika human teacher (kehadiran pengajar) dapat dihadirkan dalam sistem pembelajaran tersebut maka efek yang sama akan diperoleh apabila pengajaran dilakukan secara langsung.

Alternatif sistem pembelajaran yang bisa menghadirkan virtual asdos (virtual teacher) dapat mendukung terciptanya Intelligent Learning System. Dengan adanya sistem yang memberikan pengajaran secara private diharapkan membantu proses pembelajaran di laboratorium. Serta intensitas praktikum yang sebentar menjadi alasan tersendiri akan perlunya sistem ini sebagai penunjang pembelajaran laboratorium.

Berdasarkan pada uraian latar belakang di atas, maka rumusan permasalahannnya sebagai berikut :

1. Perbedaan keinginan dan kemampuan praktikan terhadap metode pengajaran asisten yang mengakibatkan kesulitan dalam pemahaman sebuah materi.

2. Intensitas pelaksanaan praktikum yang sebentar dan berakibat ketidakpuasan dalam proses pembelajaran.

II. TINJAUAN PUSTAKA

II.1 Intelligent Learning System“Intelligent Learning System (ILS) provide

direct customized instruction to the learners without the intervention of human tutors” [3. 12]. Sistem pembelajaran cerdas merupakan sistem pembelajaran yang menangani beberapa instruksi pelajar tanpa adanya intervensi dari seorang guru,

Dokumen Skripsi : DidiCyber ; [email protected]

mailto:[email protected]

dimana sistem ini mempunyai sebuah instrumen dalam proses pemodelan pembelajaran dan pemodelan pelajar.

Intelligent Learning System atau sistem pembelajaran cerdas merupakan sebuah algoritma yang dirancang secara ilmiah yang membantu mengidentifikasi kesenjangan dalam pemahaman pelajar terhadap materi membelajaran atau metode pengajaran. Sistem ini pada dasarnya menggunakan logika adaptif dan didesain utntuk memberikan pembelajaran [5. 719]. Intelligent Learning System bertujuan memberikan keterampilan pelatihan yang berkualitas tinggi dan kinerja tinggi pada semua tingkat pendidikan melalui dukungan teknologi yang disediakan dengan semua alat dan sumber daya yang bertujuan untuk mencapai keunggulan dalam belajar. Intelligent Learning System menyediakan solusi pembelajaran secara sederhana, komprehensif, dan terpadu [3. 13].

Konsep Intelligent Learning System yaitu student model (model pelaar), pedagogical module (kerangka atau metode pengajaran), communication model (model penyampain materia), domain knowledge (ranah pengetahuan), dan experts model (model kecerdasan). Ke lima konsep tersebut menjadi kerangka atau komponen utama penyusun sistem pembelajaran cerdas dan saling berhubungan satu sama lain seperti yang ditunjukkan pada Gambar 1.

Gambar 1. Komponen Utama Sistem Pembelajaran Cerdas (Sumber, 5. 720)

II.2 AgentWebster’s New World Dictionary [3. 194]

mendefinisikan agen sebagai “a person or thing that acts or is capable of acting or is empowered to act, for another”, kemudian didefinisikan oleh Romi Satria W. [6. 3] sebagai berikut :

a. Agen mempunyai kemampuan untuk melakukan suatu tugas atau pekerjaan.

b. Agen melakukan suatu tugas/pekerjaan dalam kapasitas untuk sesuatu, atau untuk orang lain

Konsep agent sudah dikenal lama dalam bidang Artificial Intelligent (AI), tepatnya dikenalkan oleh seorang peneliti bernama Carl Hewitt dengan concurrent actor model-nya pada tahun 1977 [5. 2]. Dalam modelnya Hewitt mengemukakan teori tentang suatu obyek yang yang dia sebut sebagai aktor, yang mempunyai karakteristik menguasai dirinya sendiri, interaktif, dan bisa merespon pesan

yang datang dari lain obyek sejenis. Dari berbagai penelitian berhubungan dengan hal diatas, kemudian lahirlah cabang ilmu besar yang merupakan turunan dari AI yaitu Distributed Artificial Intelligence (DAI), antara lain membawahi bidang penelitian Distributed Problem Solving (DPS), Parallel Artificial Intelligence (PAI), dan Multi Agent System (MAS).

Pemahaman tentang agen, fungsi, peran, dan perbedaan mendasar dikaitkan dengan software agent yang ada, berikut ini akan dijelaskan tentang beberapa atribut dan karakteristik yang dimiliki oleh software agent. Menurut Romi Satria W. [6. 3-4] karakteristik software agent sebagai berikut :

a. Autonomy : Agent dapat melakukan tugas secara mandiri dan tidak dipengaruhi secara langsung oleh user, agent lain ataupun oleh lingkungan (environment).

b. Intelligence, Reasoning, dan Learning : Konsep intelligence, ada tiga komponen yang harus dimiliki yaitu internal knowledge base, kemampuan reasoning berdasar pada knowledge base yang dimiliki, dan kemampuan learning untuk beradaptasi dalam perubahan lingkungan.

c. Mobility dan Stationary : Khusus untuk mobile agent, dia harus memiliki kemampuan yang merupakan karakteristik tertinggi yang dia miliki yaitu mobilitas.

d. Delegation : Fenomena pendelegasian (delegation) ini adalah karakteristik utama suatu program disebut agen.

e. Reactivity : Karakteristik agent yang lain adalah kemampuan untuk bisa cepat beradaptasi dengan adanya perubahan informasi yang ada dalam suatu lingkungan (environment).

f. Proactivity dan Goal-Oriented : agen harus didesain memiliki tujuan (goal) yang jelas, dan selalu berorientasi kepada tujuan yang diembannya (goal-oriented).

g. Communication and Coordination Capability : Agent harus memiliki kemampuan berkomunikasi dengan user dan juga agen lain.

III. METODE PENELITIANIII.1 Agen

Agen adalah virtual asisten dosen sebagai lawan dialog atau orang yang menanggapi pertanyaan pengguna/praktikan. Macam, deskripsi, dan kemampuan dari agen pada sistem pembelajaran cerdas java seperti yang terlihat pada Tabel 1.

Tabel 1. Deskripsi dan Kemampuan AgenNama Deskripsi Kemampuan

Agen Agen yang a. Komunikasi


Antarmuka berinteraksi langusng dengan praktikan dan merupakan agen yang mengkoordinir agen-agen lain.

dengan praktikan.

b. Koordinasi dengan agen-agen lain.

Agen Definisi

Agen yang bertugas memberikan pengertian atau definisi java.

Definisi dari istilah-istilah dalam Java.

Agen Tipe Data

Agen yang bertugas dalam penulisan tipe data dan variabel java.

String, int, long, short, double, float, char, boolean, array.

Agen Operator

Agen yang bertugas dalam memberikan penjelasan tentang penulisan operator dalam java.

operator numerik, aritmatika, shortcut, logika, pembanding

Agen Kondisi

Agen yang bertugas dalam tata cara penulisan kondisi if..else dan switch..case.

a. if..elseb. switch..case

Agen Perulangan

Agen yang bertugas dalam sintaksis perulangan for, while, dan do..while.

a. forb. whilec. do..while

Agen Algoritma

Agen yang bertugas dalam memberikan penjelasan dan source code suatu algoritma.

a. pseudocodeb. source code

Agen Spelling

Agen yang bertugas mengoreksi kata dari kalimat masukan praktikan.

a. Koreksi katab. Stemmingc. Similarity

Agen Semantik

Agen yang bertugas dalam

a. Semantikb. Translasi

translasi bahasa alami ke dalam basis pengetahuan agen.

III.2 Pembangkitan Tanggapan AgenPembangkitan tanggapan agen terdiri dari 3

(tiga) tahapan utama, yaitu koreksi penulisan (terdiri dari parsing, cek kata dasar, stemming, dan similarity), analisa semantik (terdiri dari parsing, pencocokan hubungan kata, pencocokan dengan knowledge base agen, dan penyusunan kata semantik), dan proses translasi (pengecekan log pertanyaan dan pemilihan penugasan agen). Untuk memudahkan pemahaman dalam pembangkitan tanggapan agen.

3.2.1 ParsingParsing dalam penelitian ini adalah proses

untuk mengurai kalimat menjadi bentuk kata-kata dan frasa-frasa. Menurut Klas Burén [4. 16] terdapat dua model parsing yaitu :

a. Keyword based parsing adalah model parsing yang sederhana dan efektif dalam mengurai teks input. Keyword based parsing tidak melibatkan pengetahuan sintak.

b. Grammar based parsing adalah cara parsing yang lebih kompleks dimana dalam parsing ini melibatkan pengetahuan sintaksis.

3.2.2 StemmingMenurut Lily [4. 17] stemming adalah proses

untuk mencari akar (root) dari kata dengan menghilangkan imbuhan yang melekat dalam kata. Dengan kata lain stemming adalah proses untuk mencari kata dasar dari input kata yang diberikan dengan menghilangkan imbuhan yang melekat pada kata input.

Jelita Asian [4. 17-18] menyatakan bahwa stemming digunakan untuk menghilangkan awalan, akhiran, sisipan dari kata yang akan diaplikasikan pada pencarian teks, mesin translasi (mesin penerjemah), peringkasan dokumen dan pengklasifikasian teks. Proses stemming melibatkan daftar kata yang di sebut “stop word” yang berisi kata-kata yang tidak perlu lagi dilakukan stemming karena sudah merupakan kata dasar atau kata yang tidak mungkin dilakukan stemming, serta dilibatkan kamus kata dasar yang digunakan untuk menguji apakah kata yang dilakukan proses stemming merupakan kata dasar.

3.2.3 Knowledge Base (Basis Pengetahuan)Menurut William J. Raynor [4. 19] Basis

Pengetahuan adalah sekumpulan fakta yang dapat digunakan untuk program. Sama seperti basis data dapat digunakan untuk mengorganisasikan


sekumpulan data, basis pengetahuan adalah sekumpulan fakta yang terorganisasi atau statement dari hubungan antara obyek, organisasi tertentu dari basis pengetahuan yang ditunjukkan oleh metode representasi dari basis pengetahuan yang dipilih oleh desainer program.

Basis pengetahuan dalam penelitian ini direpresentasikan dalam bentuk tabel basis pengetahuan didalam Relational Data Base (RDB) yang digunakan sebagai dasar dari agen dalam memberikan tanggapan atas permintaan atau pertanyaan pengguna dalam percakapan yang dikembangkan. Inti dasar (kernel) dari basis pengetahuan adalah jaringan semantik yang direpresentasikan dalam bentuk node yang menunjukkan konsep dan arah panah yang menunjukkan relasi diantara konsep (spesifikasi dari relasi dan fungsi) [4. 19].

3.2.4 Key Type Error CorrectionKoreksi kesalahan pengetikan dilakukan dengan

mencari data (kata/frasa) relevan dengan kata yang perlu dilakukan perbaikan (kata sumber) dalam basis pengetahuan agen yang menjadi kata referensi. Dalam penelitian ini algoritma yang digunakan untuk koreksi kesalahan adalah algoritma Levenshtein Distance. Menurut Muhammad Bahari Ilmy [4. 21] algoritma Levenshtein Distance adalah salah satu algoritma yang dapat digunakan yang mengukur nilai kedekatan antara kata sumber dengan kata referensi yang ditunjukkan dengan nilai jarak, diharapkan dengan diketahuinya jarak hubungan dari kata sumber dan kata referensi menjadi dasar untuk memperbaiki kesalahan dalam pengetikan.

3.2.5 Information RetrievalMenurut Christopher D. Manning [4. 16] Temu

Kembali Informasi adalah menemukan bahan (biasanya dokumen) dari sesuatu yang tidak terstruktur (biasanya teks) dalam jumlah yang besar untuk menghasilkan informasi yang dibutuhkan (biasanya tersimpan dalam komputer). Klas Burén [4. 16] menyatakan bahwa Temu Kembali Informasi (IR) dan Ekstraksi Informasi (Information Extraction (IE)) adalah dua hal umum yang digunakan untuk pengindeksan, pengkategorian, penyimpulan dan mengambil informasi dari informasi yang tidak terstruktur, perbedaannya adalah IR secara sederhana mengambil dan menemukan informasi dari teks dan dokumen yang berisi informasi yang dibutuhkan, sedangkan IE mengekstraksi informasi dari teks [4. 16].

3.2.6 Analisa SemantikAnalisa semantik merupakan proses pengalihan

bahasa alami ke dalam bahasa yang dimengerti oleh agen, yaitu dengan penyusunan kalimat pertanyaan

praktikan berdasarkan relasi, deskripsi, dan obyek sesuai dengan basis pengetahuan agen seperti yang ditunjukkan Gambar 2.

Gambar 2. Analisa Semantik

3.2.7 TranslasiTranslasi merupakan proses penyeseuaian atau

pengecekan hasil pengolahan kata semantik dengan temu kembali informasi pertanyaan pengguna dalam database aktifitas jika pertanyaan bersifat ambigu. Pada proses ini juga terdapat poses penugasan/pemilihan agen yang bertanggung jawab dalam menanggapi pertanyaan praktikan sesuai dengan hasil translasi seperti yang ditunjukkan pada Gambar 3.

Gambar 3. Proses Translasi


IV. HASIL DAN PEMBAHASANIV.1 Uji Coba Interaktif Agen

Uji coba ini bertjuan untuk mengoreksi kebenaran jawaban atas pertanyaan praktikan pada proses interaktif pembelajaran. Gambar 4 merupakan proses interaktif praktikan dan agen antarmuka dan merupakan implementasi dari analisa semantik pada Gambar 2. Proses tersebut melibatkan agen antarmuka yang berkomunikasi dengan agen spelling dan agen semantik.

Gambar 4. Interaktif Praktikan dengan Agen

Gambar 5 merupakan hasil atau tanggapan dari agen terkait pertanyaan praktikan yang sekaligus implementasi dari proses translasi padai Gambar 3. Pada bagian ini agen yang terlibat adalah agen antarmuka dengan agen semantik, dari agen semantik inilah akan didapatkan daftar agen java yang akan memberikan jawaban terhadap pertanyaan praktikan.

Gambar 5. Tanggapan Agen Java

IV.2 Uji PenerimaanUji penerimaan merupakan uji coba yang

dilakukan oleh pengguna/pemakai yang dalam hal ini adalah praktikan/mahasiswa Teknik Informatika

Universitas DR. Soetomo Surabaya yang mengambil mata kuliah Praktikum Algoritma dan Pemrograman I pada tahun Akademik 2011/2012.Uji penerimaan yang diberikan kepada praktikan dilakukan untuk menguji sistem sebagai salah satu alternatif pembelajaran Laboratorium dengan sistem pembelajaran cerdas dan dengan menghadirkan virtual asdos (agen) sebagai pengajar. Pada uji coba ini dilakukan dengan 3 tahapan/sesi yaitu :

a. Tahap Perkenalan (Sesi I) bertujuan untuk mengenalkan sistem pembelajaran cerdas Java menggunakan metode interaktif dengan agen pada praktikan dan hal-hal yang dilakukan oleh praktikan selama uji coba. Pada sesi ini juga diukur tingkat pemahaman praktikan terhadap sistem yang diujikan.

b. Tahap Uji Coba Sistem (Sesi II) bertujuan untuk mengukur tingkat kesesuaian jawaban agen terhadap pertanyaan praktikan dalam bentuk interaksi dengan sistem yang dikembangkan. Hasil dari uji coba pada sesi ini seperti yang terlihat pada tabel 2 dan 3.

Tabel 2. Transkrip Interaktif Praktikan 1 Sesi II

Tabel 3. Transkrip Interaktif Praktikan 2 Sesi II


c. Tahap Uji Coba Sistem (Sesi III) bertujuan untuk mengukur perkembangan kesesuaian jawaban agen terhadap pertanyaan praktikan dalam bentuk interaksi dengan sistem yang dikembangkan. Hasil dari uji coba ini seperti pada Tabel 4 dan Tabel 5.

Tabel 4. Transkrip Interaktif Praktikan 1 Sesi III

Tabel 5. Transkrip Interaktif Praktikan 2 Sesi III

Berdasarkan hasil uji coba dengan praktikan pada sesi I hingga sesi III didapatkan transkrip percakapan antara virtual asdos (agen) dan praktikan pada sesi II (Tabel 6) dan sesi III (Tabel 7) yang dapat disimpulkan agen dapat memberikan tanggapan relevan atas pertanyaan praktikan, pada


sesi II sekitar 48,75%, sedangkan pada sesi III sekitar 88,75% tanggapan agen relevan .

Tabel 6. Rekapitulasi Uji Coba Sistem Sesi II

Tabel 7. Rekapitulasi Uji Coba Sistem Sesi III

V. PENUTUPV.1 Kesimpulan

Melihat pada tujuan pembuatan sistem dan setelah dilakukan implementasi dan uji coba sistem pada pengguna, maka dapat disimpulkan sebagai berikut :

1. Pembangkitan basis pengetahuan agen diproses melalui parsing dan stemming, semantik, dan translasi yang sertai dengan modul temu kembali informasi (IR).

2. Tanggapan agen berdasarkan permintaan praktikan dan disesuaikan dengan basis pengetahuan yang dimiliki oleh agen.

3. Berdasarkan uji coba sistem didapatkan rata-rata delay jawaban agen pada sesi II sebesar 628 miliseconds (ms) dan pada sesi III sebesar 393,3 ms. Tanggapan relevan yang diberikan agen pada sesi II adalah 48,75% dan meningkat pada sesi III menjadi 88,75%, sedangkan tanggapan tidak relevan yang diberikan agen pada sesi II adalah 51,25% dan menurun pada sesi III menjadi 11,25%.

4. Sistem pembelajaran cerdas dengan menghadirkan virtual asisten dosen sebagai virtual teacher diharapkan menjadi salah satu alternatif media pembelajaran laboratorium yang terbatas oleh intensitas pelaksanaan praktikum dan perbedaan keinginan praktikan. Sistem ini dapat dijadikan alternatif untuk membantu praktikan dalam memecahkan permasalahannya terkait dengan materi praktikum

V.2 SaranMengutip sebuah pernyataan “tidak ada

program/aplikasi yang sempurna selama masih dibuat oleh manusia”, ada beberapa hal yang perlu dibenahi pada sistem ini, antara lain :

1. Perlunya pembenahan Grammar Bahasa Indonesia pada tanggapan agen.

2. Penambahan konten atau isi pembahasan materi praktikum (domain agen) yang lebih

luas dan mencakup seluruh isi modul praktikum.

3. Dialog antara agen dengan praktikan disesuaikan dengan karakter agen yang dipilih.

4. Perlunya statistik tingkat perkembangan kemampuan praktikan terhadap pemahaman materi dan dikenali oleh agen sehingga agen dapat memberikan tanggapan yang lebih relevan sesuai tingkat kemampuan praktikan.

DAFTAR PUSTAKA[1] Azhari dan Sri Hartati, Overview Metodologi

Rekayasa Perangkat Lunak Berorientasi Agen, Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) Yogyakarta, 18 Juni 2005.

[2] Bernard Renaldy Suteja dan Retantyo Wardoyo, Virtual Agent Character untuk Mendukung Intelligent Learning System Berbasis Web, Jurnal Informatika Vol. 3 No. 2, Desember 2007.

[3] Boryana Deliyska and Peter Manoilov, Research and Conceptualization of Ontologies in Intelligent Learning Systems, International Journal of Distance Education Technologies, October-December 2010.

[4] Dwi Cahyono, 2009, Agent Antarmuka Cerdas untuk Game sebagai Terapi Kemampuan Sosial pada Anak dengan Asperger Syndrome. Tesis Magister Teknik Institut Teknologi Sepuluh Nopember (ITS) Surabaya.

[5] Phytagoras Karampiperis and Demitrios Sampson, Adaptive Learning Object Selection in Intelligent Learning Systems, 4ο Συνέδριο ΕΤΠΕ, 29/09 – 03/10/2004, Παν/μιο Αθηνών (Kongres ERDF 4 Universitas Athena, 29 September – 03 Oktober 2004).

[6] Romi Satria Wahono, 2006, Pengantar Software Agent : Teori dan Aplikasi, Kuliah Umum IlmuKomputer.com.


jurnal skripsi

Documents