AUTONOMOUS LEVELING SENTENCE COMPOSER BERBASIS CAUSAL BAYESIAN NETWORK UNTUK INTELLIGENT TUTORING SYSTEM Mohamad Safrodin ¹, Surya Sumpeno², Moch. Hariadi³ ¹ ² ³Pasca Sarjana Jaringan Cerdas Multimedia (Game Technology) Tehnik Elektro, Tehnology Industri ITS Jl. Keputih Sukolilo – Surabaya 60111 Email:
[email protected]
ABSTRACT Composing English sentences by providing varying levels of difficulty and respon to the users level is a challenging task, even if there is sufficient and complete corpus. By using a few parameters that are components of the sentence in the English tenses, and Bayesian Network Causal methods used to determine the level of difficulty of each parameter. So that the structure of sentence composed will have a certain difficulty level. In this study, Causal Bayesian Network used to provide the level of difficulty on the uncertainty parameters with emphasis member at one level of difficulty parameters. The Major Feature In Intelligent Tutoring System is measuring the level of ability of user or student and responds by providing the appropriate. It is made users will not get bored easily and unconsciously been doing the learning process so their ability will be more and more increasing. Key word: Autonomous Levelling, Sentence Composer, Causal Bayesian Network, Intelligent Tutoring System.
1.
Latar Bekang
Intelligent Tutoring System (ITS) atau Sistem Pembelajaran Cerdas adalah sebuah system yang diterapkan pada proses belajar mengajar. Sudah banyak ragam media dan metode pembelajaran serta penelitian yang telah dikembangkan ataupun diterapkan untuk memperbaiki pola pembelajaran dan pengajaran. Dengan kemampuan yang dimiliki, ITS memberikan keleluasaan pada siswa untuk mengaplikasikan ketrampilanya dengan melaksankan tugas atau mengerjakan latihan-latihan pada pelajaran tertentu secara interaktif dan individual. ITS mengembangkan suatu pola pengetahuan, ketrampilan, dan keahlian yang diatur oleh domain pakar . Agen Pedagogik memberikan strategi pembelajaran dan tujuan pengajaran. ITS memiliki interaktifitas yang cukup tinggi jika diterapkan pada pembelajaran yang menggunakan bantuan computer (Computer Aided Learning). Intellegence Tutoring System (ITS) adalah system pembelajaran berdasarkan computer, dikatakan cerdas karena menggunakan system atau metode Artificial Intellegence, seperti adanya knowledge, mekanisme, dan machine learning yang mencakup procedure operasional dan aturan-aturannya [13]. Intellegence Tutoring System (ITS) adalah suatu sistem yang memanfaatkan teknik tingkat lanjut dalam mendeskripsikan dan meningkatkan proses pengajaran. ITS terdiri dari tiga domain pokok: Domain Knowledge, Domain siswa, dan Domain
pedagogic dan pada domain knowledge ada 3 unsur pokok, yakni, domain knowledge, modul diagnosis siswa, dan modul pedagogik [13]. Walaupun demikian pemahaman sistem pembelajaran cerdas telah berkembang menjadi suatu sistem yang mampu “memahami” dan berlaku selayaknya pengajar. Sistem pembelajaran cerdas memberikan fleksibilitas dalam mempresentasikan materi dan kemampuan memahami karakteristik siswa yang lebih besar .Keunggulan sistem pembelajaran cerdas dibandingkan guru adalah kemampuannya dalam memahami karakteristik unik setiap siswa dan menyampaikan materi pembelajaran sesuai dengan karakteristik siswa tersebut (Franek, 2003). Kecerdasan sistem tutor cerdas diwujudkan dalam kemampuan pedagogignya untuk menyampaikan materi sesuai karakteristik siswa yang diajarnya, memberikan tugas, dan menilai kemampuan siswa. Oleh karena itu penelitian ini memfokuskan pada penentuan level terhadap tingkat kesulitan materi tata bahasa Inggris khususnya penguasaan tenses yang dihasilkan oleh sentence composer. Bayesian Network merupakan suatu metode pendekatan untuk mengukur sesuatu yang mengandung ketidakpastian (dalam hal ini tingkat kesulitan sebuah kalimat) yang diukur dengan probabilitas. Dengan menggunakan pendekatan probabilitas tingkat ketidakpastian bisa diukur secara matematis .
2. Perumusan Masalah Berdasarkan latar belakang di atas, perumusan masalah dalam penelitian ini adalah sebagai berikut : 1. Bagaimana mengenali tingkat kesulitan dari sebuah teks berbahasa Inggris? 2. Bagaimana menyusun sebuah kalimat bahasa Inggris dengan tingkat kesulitan tertentu ? 3. Memberikan pengujian kepada pengguna untuk mengetahui seberapa mahir pengguna tersebut dalam kompetensi berkaitan dengan tenses dalam Bahasa Inggris? 3. Tujuan dan Manfaat Tujuan penelitian ini adalah untuk : 1. Mengenali tingkat kesulitan dari sebuah kalimat bahasa Inggris berdasarkan komponen penyusun kalimat tersebut. 2. Mengetahui bahwa Bayesian Network yang di terapkan secara causal dapat digunakan untuk menentukan nilai tingkat kesulitan pada parameter uncertainty dengan memberi penekanan (emphasis) pada salah satu parameter. 3. Mengetahui kompetensi pengguna dalam penguasaan Bahasa Inggris terutama dalam hal Tenses Sedangkan manfaat yang diharapkan pada penelitian ini yaitu : 1. Ditemukannya teknik yang bisa digunakan untuk mengenali tingkat kesulitan dalam Tenses Bahasa Inggris. 2. Diperoleh model untuk membuat sebuah penyusun kalimat berbahasa Inggris dengan tingkat kesulitan tertentu yang akan digunakan oleh agen pedagogic untuk menganalisa tingkat kemampuan penguasaan siswa dalam hal Tenses Bahasa Inggris. 4.
Batasan Masalah Dalam penelitian ini proses penyusunan kalimat berbahasa inggris lebih difokuskan pada aturan – aturan atau pola kalimat berdasarkan tenses. Sedangkan pola kalimat lain dan aturan grammar belum termasuk dalam proses sentence generator. Parameter-parameter yang digunakan dalam
proses penentuan tingkat kesulitan adalah 4 buah (jenis tenses, tipe kalimat, word corpus dan jenis verb) 5. Alur Penelitian Secara garis Besar langkah langkah dari penelitian ini dimulai dengan adanya level default terhadap tingkat kemampuan pelajar. Level disini menyatakan bahwa komponenkomponen penyusun sebuah kalimat bahasa Inggris mempunyai tingkat kesulitan gabungan yang disesuaikan dengan level input. Kemudian dari keempat komponen tersebut maka disusun sebuah kalimat berdasarkan pola tenses, kata kerja, tipe dan pemilihan kata tertentu dengan memeperhatikan bobot atau tingkat kesulitan dari masing-masing keempat komponen tersebut. Setelah selesai maka kalimat ini diujikan kepada pelajar untuk mendapatkan skor. Hasil skor ini di simpan kedalam Pangkalan Data dan digunakan sebagai hasil assessment serta diinputkan kembali untuk proses belajar pelajar. Diagram lengkap dapat dilihat pada gambar dibawah:
Langkah pertama memilih tenses dan tipe kalimat Distinct kan masing masing blok rule Untuk type kalimat dasar dalam bahasa Inggris ada 3 iaitu: 1. kalimat positive atau kalimat berita positif 2. kalimat negative 3. Interrogative atau kalimat Tanya Sedangkan menentukan tingkat kesulitan dari parameter type kita bisa menggunakan metode: 1. Mudah : menggunakan kalimat positive. 2. Sedang: menggunakan kalimat positive dan negative. 3. Mahir:menggunakan kalimat positive, negative dan interrogative
Dengan demikian sesorang dikatakan mahir maka diberikan soal level rendah ,sedang, atau sulit maka ia harus mampu menjawabnya dengan baik. Kosakata popular mempunyai tingkat kesulitan yang lebih rendah disbanding kosakata yang tidak polular atau jarang digunakan. Dari segi tenses present tenses mempunyaii tingkat kesulitan yang lebih rendah dibanding yang lainnya Penentuan prosentase awal dari tiaptiap node ditentukan berdasarkan distribusi tingkat kesulitan pada masing-masing parameter. Contoh untuk Level input diketahui bahwa kombinasi dari 4 parameter dengan masing-masing parameter memiliki 3 nilai maka akan menghasilkan 3 4 = 81 kemungkinan variasi nilai. Apabila dilihat secara tabel adalah seperti tabel dibawah: Tabel .Distribusi Total tingkat kesulitan dari kombinasi 4 parameter TOTAL LEVEL 4 FREK PARAMETER 0 1 Beginner
Intermediate
Advance
1
4
2
10
3
16
4
19
5
16
6
10
7
4
8
1
Sehingga diperoleh probabilitas masing masing sebagai berikut: Beginner
Intermediate
Advance
0,185185185
0,62962963
0,185185185
-
Beginner = 15/81 = 0,185185185
-
Intermediate = 51/81 = 0,62962963
-
Advance= 15/81 = 0,185185185
-
Gambar .Struktur Causal Bayesian Network tanpa ada obervasi Dengan mengunakan struktur Causal Bayesian Network yang ada maka distribusi tingkat kesulitan dapat dirandom dan masing-masing kombinasi ke 4 parameter akan menghasilkan total level dalam batas – batas seperti tabel 3.4. Jadi bisa disebut kalimat itu levelnya rendah apabila TENSES=beginner, atau TYPE=beginner, WORD=popular atau VERB=beginner. Dengan memberikan nilai 0=beginner/popular, 1=intermediate/nonpopular dan 2=advance/rare maka total bobot level dapat diacak diantara ke 4 parameter untuk kemudian dijumlahkan sehingga apabila masih dalam batas 0-2 maka akan menghasilkan kalimat dengan level Beginner. Bobotl evel 2 bisa jadi salah satu berlevel advance sedang yang lain beginner atau 2 parameter berlevel intermediate dan yang lain bertlevel beginner. Untuk menhasilkan jumlah 0-2 terdapat 15 kompbinasi. Demikian juga untuk menghasilkan level intermediate iaitu level dengan jumlah bobotlevel total antar 3-5 terdapat 51 kombinasi dari ke 4 parameter. Untuk memperoleh level advance juga terdapat 15 kombinasi dimana akan menghasilkan jumlah bobot level total antara 6 sampai dengan 8.
-
Gambar Causal Bayesian Network dengan Emphasis pada WORD level Sebagai bagian Sistem Tutor Cerdas maka Causal Bayesian Network ini memungkinkan Tutor untuk memberikan penekanan (emphasis) pada dalah satu dari 4 parameter. Sebagai contoh pada gambar 3.6 parameter WORD di emphasis dengan level=beginner maka semua node akan berubah nilai probabilitasnya. Karena walupun tidak terhubung dengan panah secara langsung tetap menyebabkan perubahan nilai, oleh karena itu disebut rangkaian Causal Bayesian Network.
Dengan menggunakan Causal Bayesian Network maka probabilitas Level (L) input dapat dihitung. Misalkan dengan memberikan target pada sentence composer untuk menghasilkan kalimat dengan tingkat “BBeginner” dan diketahui bahwa Tenses, Word dan Verb juga ditingkat “B-Beginner”
Gambar Pengujian terhadap Struktur CBN
Tingkat kemampuan siswa terhadap penguasaan terhadap tenses atau bagian dari kalimat tertentu dapat diketahui untuk selanjutnya digunakan sebagai masukan untuk proses berikutnya apakah perlu ditingkatkan atau dikurangi. Tutor model untuk kompetensi tertentu dapat dibuat dengan sebuah aplikasi pemrograman dengan memasukkan aturan aturan penulisannya sesuai dengan pola kalimat berdasarkan tensesnya. Dengan adanya datadata prosentase terhadap probabilitas tingkat penguasaan materi tenses ini akan memudahkan bagi guru mengevaluasi siswanya dan sekaligus menambahkan materi-materi yang kurang dikuasai oleh siswa.
Gambar Nilai Probabilitas dari Struktur CBN dengan 2 dan 5 variable
6.
7.
Saran Pembuatan skenario lengkap untuk ITS untuk pembelajaran Bahasa Inggris dengan pembobotan secara online. Penyimpanan data Auto leveling berdasarkan pengguna tertentu untuk menampilkan permasalahan yang berperingkat dan informasi user dan level yang sudah dicapai sehingga progress peningkatan kemampuan tiap-tiap user bisa dianalisa.
8.
DAFTAR PUSTAKA
Kesimpulan Dengan menggunakan Causal Bayesian Network maka nilai parameter-parameter uncertainty dapat berubah mengikuti nilai salah satu parameter yang sudah ditetapkan ( dilakukan penekanan terhadap salah satu parameter).
1.
Tingkat terhadap prosentasi penguasaan materi dapat diperoleh dimana ia menunjukkan tingkat kompetensi dalam berbahasa Inggris
Acid, S., de Campos, L., Ferna´ndezLuna, J., & Huete, J. (2003). An information retrieval model based on simple Bayesian networks. International Journal of Intelligent Systems, 18(2), 251– 265.
2.
Archana K Rane(2005). Tutoring System For Marathi.
Intelligent
3.
4.
5.
6.
Celce-Murcia, M., Z. Dornyei, S. Thurrell 1995. Communicative Competence: A Pedagogically Motivated Model with Content Specifications. In Issues in Applied Linguistics, 6/2, pp 5-35. Kyoung-Min Kim, Jin-Hyuk Hong, Sung-Bae Cho (2007). A semantic Bayesian network approach to retrieving information with intelligent conversational agents. Information Processing and Management 43 (2007) 225–236 M. Asfah Rahman(2005), Gambaran tingkat penguasaan materi Kurikulum bahasa inggris lulusan Sekolah menengah umum Di sulawesi selatan Nugues, P., Gode´reaux, C., El Guedj, P. O., & Revolta, F. (1996). A conversational agent to navigate in virtual worlds. In Universiteit twente, Enschede, Luperfoy, S., Nijholt, A., Zanten, G. (Eds.), Proc. of the 11th workshop on language technology (pp. 23–33).
7.
Horvitz, E., Breese, J., Heckerman, D., Hovel, D., & Rommelse, K. (1998). The Lumiere project: Bayesian user modeling for inferring the goals and needs of software users. In Proc. of the 14th conf. uncertainty in artificial intelligence (pp. 256–265).
8.
Yi-Ting Huanga, Yi-Lung Lina, Jie-Chi Yang, and Yu-Chieh Wu, fsf An English Dialogue Companion System for Supporting Conversation Practice
9.
DEPARTEMEN PENDIDIKAN NASIONAL (2003) STANDAR KOMPETENSI Mata Pelajaran BAHASA INGGRIS SEKOLAH MENENGAH ATAS dan MADRASAH ALIYAH, Kurikulum 2004.
10. Surya Supeno,Msc(2009), Sistem tutor cerdas berbasis game (game-based intelligent tutoring System) dengan fitur agen Percakapan berbahasa Indonesia 11. Robert G. GENERATE:
Hackenberg (1984), A Natural Language
Sentence Generator. Volume 2 Number 2
CALICO
Journal
12. Lixiao Zheng, Duanyi Wu (2009), A Sentence Generation for Testing Grammar. 33rd Annual IEEE International Computer Software and Applications Conference 13. Alla Anohina (2007), Advances in Intelligent Tutoring System: Problem Solving Modes and Model Hints, International Journal of Computers, Communication and Control vol.II (2007) 14. Bozidar Tepes, Lazos Szirovicza and Slobodan Elezovic, 2005. Causal Bayesian Network for Tagging Syntactical Structur of Croatian Sentence. 15. http://en.wikipedia.org/wiki/Bayesian_net work, diakses tanggal 14 Juli 2010 16. http://www.ego4u.com/en/cramup/grammar/tenses-graphic, tanggal 14 Juli 2010
diakses
