ANALISIS E-LEARNING CENTER OBJECT RECOMMENDER UNTUK PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE

Seminar Nasional Informatika 2014

ANALISIS E-LEARNING CENTER OBJECT RECOMMENDER UNTUK PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE T.Henny 1, Hanifah Amrul2, Darmeli Nasution3 Sistem Komputer, Teknik, Universitas Pembangunan Pancabudi Jl. Jendral Gatot Subroto Km 4.5 Medan 1 [email protected], [email protected], [email protected]

Abstrak Pendidikan memiliki tujuan yang ingin dicapai, berdasarkan hal ini semua kegiatan dirancang untuk memfasilitasi mahasiswa dalam memperoleh pengetahuan dan keahlian. Penulis mengusulkan Learning Object Recommender Systems yang akan memberikan rekomendasi bahan ajar berdasarkan informasi mengenai prior knowledge mahasiswa. Prior knowledge yang dimiliki mahasiswa dapat diidentifikasi melalui Pre-Test assessment diawal perkuliahan. Kemajuan belajar yang dicapai mahasiswa juga dapat diketahui melalui Mid-Test assessment. Adapun assessment atas keseluruhan topik dalam matakuliah dapat dilakukan melalui Post-Test assessment. Penelitian ini sejalan dengan sistem e-Learning yang telah diimplementasikan di UNPAB yaitu Student Centered ELearning Environment (SCELE) yang dikembangkan dengan menggunakan Learning Management System (LMS) berbasis open source, yaitu Moodle dan di selaraskan dengan aplikasi edmodo. Dalam proses analisis menggunakan software sipina. Pembelajaran seringkali diasumsikan bahwa mahasiswa memiliki prior knowledge yang sama. Padahal realitasnya tidaklah selalu demikian. Disinilah pentingnya fasilitas Learning Object Recommender (LOR) untuk meningkatkan kualitas. Metodologi penelitian yang digunakan melalui observasi langsung dan penyebaran kuisioner. Terdapat pengaruh penggunaan Learning Object Recommender terhadap learning outcome memahasiswa sebesar 67%. Prior Knowlede merupakan metode yang dilakukan sebagai metode keberhasilan program pembelajaran berbasis E-learning. Tanpa Prior Knowledge tingkat pemahaman mahasiswa tentang E-learning sangat kecil sehingga output ataupun luaran yang dihasilkan sangat kecil dan tidak seperti yang diharapkan. Kata Kunci : E-Learning, Prior Knowledge, Learning object Recommender 1.

PENDAHULUAN

1.1 Latar Belakang E-learning saat ini Sangat berpengaruh terhadap peningkatan dunia pendidikan juga berpotensi menambah soft skill mahasiswa, diantaranya meningkatkan ketrampilan mencari informasi dan menjadi self regulated learner. Namun, menyelenggarakan e-learning yang berkualitas tidaklah mudah. Dalam pembelajaran tatap muka di kelas, pengajar dengan mudah mengamati respon dan tingkat pencapaian mahasiswa terhadap materi yang sedang dibahas. Jika mahasiswa tampak sulit menangkap topik yang dibahas, pengajar dapat mengulang kembali pengetahuan prasyarat yang harus dimiliki mahasiswa agar dapat menguasai topic tersebut. Teori pembelajaran dari Gagne yang dikenal dengan Nine Events of Instruction, menyebutkan bahwa sebelum menyampaikan materi ajar, haruslah ada stimulasi untuk memanggil prior knowledge. Prior Knowledge adalah suatu pemahaman sebelumnya yang didapatkan sebelum mahasiswa tersebut mebgikuti mata kuliah yanng diberikan. Oleh karena itu, elearning yang berkualitas haruslah menyediakan materi ajar yang berbasis personalisasi dan when-

64

needed content (Karamanis, 2004) Dengan adanya personalisasi, pastinya mahasiswa yang memiliki tingkat prior knowledge yang berbeda diharapkan dapat mengikuti materi ajar dengan baik dan mencapai tujuan pembelajaran. Penguasaan terhadap sebuah topik bahasan sangat diperlukan untuk membantu penguasaan atas topik bahasan selanjutnya, khususnya yang memerlukan prasyarat topik bahasan sebelumnya. Penelitian ini mengembangkan fitur Learning Object Recommender (LOR) dalam learning management system (LMS) dengan paradigma student-centered, yaitu Student Centered eLearning Environment. LOR dikembangkan untuk memberikan rekomendasi bahan ajar apa saja yang relevan untuk diakses mahasiswa melalui LMS sesuai dengan kondisi prior knowledge masing-masing. Informasi mengenai prior knowledge diperoleh melalui assessment. Universitas Pembangunan Panca Budi telah menjalankan sistem pembelajaran dengan elearning dari tahun 2010, namun sampai saat ini belum semua mata kuliah dan semua mahasiswa mampu menjalankan sistem ini. Sebenarnya apa yang salah dengan sistem E- learning yang di telah diterapkan di Universitas Pembangunan Panca Budi selama ini ? Dengan adanya


penelitian ini diharapkan dapat memberikan masukan bagi pihak yang berkepentingan dalam penyelengaraan e-learning agar sistem ini dapat berjalan seperti yang diharapkan. 1.2 Perumusan Masalah a. Apakah terdapat pengaruh Learning Object Recommender terhadap learning outcome memahasiswa ? b. Bagaimana penggunaan E- Learning Object Recommender berpengaruh terhadap Elearning outcome memahasiswa ?

Kelas A

Kuisioner

Kuisioner

Pemberian pemahaman E- Learning

Tanpa Pemberian Pemahaman E- Learning

Sistem E – Learning

Sistem E – Learning

Materi Kuliah Tugas online Quis Online

1.3 Ruang Lingkup Penelitian Penelitian ini berfokus pada kegiatan elearning mata kuliah disemester 2, dan bukan pada tingkat pendidikan di bawahnya. Sistem yang dikembangkan bersifat general, dan tidak terbatas untuk kegiatan e-learning pada mata kuliah tertentu atau bidang studi tertentu.

UTS online UAS Online

Evaluasi

Output

2.

Kelas B

Output

LANDASAN TEORI Gambar 1. Alur Penelitian

Komputer adalah sistem elektronik untuk memanipulasi data dengan cepat dan tepat serta dirancang dan diorganisasikan agar secara otomatis menerima dan menyimpan data input, memrosesnya, dan menghasilkan output di bawah pengawasan suatu langkah-langkah instruksi program (Sistem Operasi) yang tersimpan di didalam penyimpannya (Donald H. Sanderes, 1985). Oleh sebab itu komputer merupakan alat atau media pembelajaran yang terstruktur dan terintegrasi untuk menghasilkan output yang diinginkan Matthew Comerchero dalam E-Learning Concepts and Techniques (Bloomsburg, 2006) mendefinisikan E-learning adalah sarana pendidikan yang mencakup motivasi diri sendiri, komunikasi, efisiensi, dan teknologi. Karena ada keterbatasan dalam interaksi sosial, siswa harus menjaga diri mereka tetap termotivasi. Oleh sebab itu E learning sebagai media dan dan pemahaman prior knowledge output yang ingin dicapai merupakan indikator untuk meningkatkan pemahaman dari mahasiswa tersebut terhadap mata kuliah yang diikuti. 3.

Metode Penelitian

Metode pemecahan masalah dalam penelitian ini lakukan dalam 3 Tahap, yaitu perancangan sistem, uji coba, evaluasi, Hasil akhir yang diharapkan dari penelitian ini berupa sistem perekomendasian Learning Object yang adaptif terhadap prior knowledge dan gaya belajar mahasiswa yang mampu meningkatkan efektifitas aktivitas belajar.

Parameter yang diamati 1. Motivasi 2. Konten yang digunakan 3. Tingkat keaktifan mahasiswa 4. Materi Pemelajaran 5. Hasil Tes (Nilai) 6. Lingkugan 7. Prior knowledge Metode penelitian menggunakan Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Banyak algotima yang dapat dipakai dalam pembentukan pohon keputusan antara lain ID3, CART dan C4.5 (Larose, 2005). Algoritma C4.5 merupakan pengembangan dari algoritma ID3 (Larose, 2005). Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan pohon. Proses pada pohon keputusan adalah: mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule dan menyederhanakan rule (Basuki & Syarif, 2003). Dalam penelitian ini criteria yang digunakan adalah sebagai berikut : Salah satu atribut merupakan atribut yang menyatakan data solusi per-item data yang disebut dengan target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan instance. Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut: a. Pilih atribut sebagai akar b. Buat cabang untuk masing-masing nilai c. Bagi kasus dalam cabang

65


d. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama. Untuk memilih atribut sebagai akar, didasarkan pada nilaigain tertinggi dari atributatribut yang ada. Untukmenghitung gain digunakan rumus seperti tertera dalam Rumus 1 (Craw, S., ---).

Dengan : S : Himpunan kasus A : Atribut n : Jumlah partisi atribut A |Si| : Jumlah kasus pada partisi ke i |S| : Jumlah kasus dalam S Sedangkan perhitungan nilai entropy dapat dilihat pada rumus 2 berikut(Craw, S., ---):

tidak menggunakan prior knowledge. Sistem uji coba ini meliputi pemberian materi kuliah secara online yaitu untuk mata kuliah struktur data mencakup materi (Array, Stack, Sorting, Searching dan lain sebagainya). Mahasiswa untuk kedua kelas diberikan tugas untuk meringkas dan memahami materi yang diberikan tanpa harus tatap muka dengan dosen pengajar di dalam kelas. Mahasiswa bisa melakukan hal tersebut dimana saja baik dirumah maupun di Kampus namun dengan waktu yang telah ditentukan. Setelah dianalisa Mahasiswa Kelas 2 pagi A mempunyai tingkat kemauan yang lebih tinggi dalam meringkas materi dengan rata – rata 7 kali pertemuan

dengan : S : Himpunan Kasus A : Fitur n : Jumlah partisi S pi : Proporsi dari Si terhadap S a.

Analisa Penelitian Tahap I (Perancangan sistem). Materi yang akan digunakan pada penelitian tahap I ini adalah menyiapkan responden sebanyak 43 orang mahasiswa sebagai sampel yang berasal dari 2 kelas yang berbeda. Selanjutnya dilakukan penyebaran Quisioner sesuai dengan variabel yang diamati. Tahapan ini dilakukan pada awal perkuliahan dalam waktu 1 minggu. Selanjutnya Kelas tersebut akan dibedakan menjadi dua, yaitu kelas yang menjalankan perkuliahan dengan sistem elearning tanpa melalui penjelasan dan kelas yang menjalankan e-learning dengan diberikan penjelasan terlebih dahulu. Selanjutnya kelas yang ditunjuk untuk menjalankan proes e-learning dengan proses pemahaman akan diberikan pelatihan tentang e-learning sistem lebih mendalam. Setelah di lakukan wawancara dan penyebaran angket dengan kelas masing – masing akhirnya ditentukan untuk Kelas 2 Pagi A untuk menjadi objek penelitian dengan prior knowledge dan Kelas 2 Siang F untuk menjadi objek penelitian tidak menggunakan prior knowledge. b.

Analisa Penelitian Tahap II (Uji coba) Setelah dilakukan pembagaian kelas, penelitian tahap II dilakukan uji coba pada kedua kelompok kelas yang berbeda yaitu Kelas 2 Pagi A dengan prior knowledge dan Kelas 2 Siang F

66

Gambar 2. Materi Struktur data secara online Namun untuk kelas 2 Siang F mempunyai tingkat kemauan yang lebih rendah walaupun ada sebagian mahasiswa yang mempunyai persentase yang sama yaitu 7 kali pertemuan namun ada sekitar 7 mahasiwa yang memiliki tingkat kehadiran 0 s/d 3 kali pertemuan dari 7 yang telah ditentukan Mahasiswa pada tahap ini juga diberikan tugas untuk mengerjakan quiz secara online, mengupload tugas secara online dan absen secara online serta mid semester secara online.


Gambar 5. Progres nilai kelas siang 2 F tanpa prior knowledge Gambar 3. Mid semester secara online

Gambar 4. Tugas secara online Pada tahap ini akan dibandingkan kemampuan mahasiswa yang telah diberi pemahaman dan kelas yang tidak diberi pemahaman. Setelah perkuliahan berakhir kemudian mahasiswa diberikan kuisioner untuk melihat tingkat pemahaman mahasiswa dalam menggunakan aplikasi e – learning secara berkesinambungan. Nilai tersebut dapat dilihat dibawah ini :

Gambar 6. Progres nilai kelas 2 pagi A menggunakan prior knowledge Dapat terlihat setelah di lakukan uji coba meliputi tugas, quis dan mid . Progres kelas dengan prior knowledge jauh lebih banyak daripada progress kelas tanpa prio knowledge. c.

Penelitian Tahap III (pengolahan data dan evaluasi ). Setelah dilakukan tahap II dan seluruh data telah terkumpul. Selanjutnya dilakukan pengolahan data dan evaluasi terhadap uji coba yang dilakukan dengan membandingkan variablevariabel yang diamati. Pada tahap ini akan kelihatan apakah prior knowledge memang dibutuhkan dalam proses elearning sistem atau tidak. Software yang digunakan untuk mengolah

67


data adalah software data mining SIPINA dengan algoritma C 4.5 ( pohon keputusan).

Gambar 9. Hasil output algoritma c 4.5 Jika dilihat dari hasil output pohon keputusan maka terlihat prior knowledge yang lihat pengaruhnya dari variabel yang diolah adalah efektif sebesar 67% . 4. Gambar 7. Data input Setelah data di input, maka dibuat dan di pilih untuk sampel, atribut dan class dari variabel yang diinput. Dalam seluruh variabel maka untuk class diagram adalah prior knowledge. Sampel diagram adalah nama responden dan Atribut diagram adalah Jenis Kelamin, Kelas, Semester, Umur, Pemahaman tentang e-learning, Kehadiran Kuliah, Tes secara E-learning, Diskusi, Motivasi, Penggunaan Konten, Tingkat Keaktifan di Edmodo, Memperoleh Materi, Pengetahuan tentang PK, Nilai Tugas, Nilai UTS.

Kesimpulan

Berdasarkan penelitian yang telah dilakukan maka dapat ditarik kesimpulan yaitu: 1. Terdapat pengaruh penggunaan Learning Object Recommender terhadap learning outcome memahasiswa. 2. Terdapat pengaruh perekomendasian learning object yang sesuai dengan tingkat kedalaman atau kesulitan soal dibandingkan dengan learning object yang sifatnya umum walaupun tetap ada kaitannya dengan topik soal. 3. Tanpa adanya Prior Knowledge tingkat pemahaman mahasiswa tentang Elearning sangat kecil sehingga output ataupun luaran yang dihasilkan sangat kecil dan tidak seperti yang diharapkan DAFTAR PUSTAKA

Gambar 8. Pembagian class, atribut, dan sampel dari variabel

68

Nizar, Buku Pedoman Singkat, UAI E-learning System, Pusat Komputer dan Sistem Informasi, UAI, 2009 Permana, Wim, Implementasi E-learning di FMIPA UGM sebagai Motivator Student Centered Learning, 2004 Purbo, Onno W. , “E-learning dan Pendidikan”,2003 Som Naidu, E-Learning Guidebook of Principles, Procedure and Practice, New Delhi, CEMCA, 2006 Tsang,HK. Object - Oriented Technology From Diagram to Code with Visual Paradigm for UML,Tata McGraw-Hill,2005

ANALISIS E-LEARNING CENTER OBJECT RECOMMENDER UNTUK PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE

Recommend Documents