BAB I PENDAHULUAN
1.1. Latar Belakang Mesin inferensi konvensional pada umumnya dikembangkan menggunakan pendekatan Rule-Based System di mana dalam proses pengembangannya menggunakan banyak sekali conditional statement (IF-THEN-ELSE). Contoh dari mesin-mesin ini adalah WebPie, sebuah mesin inferensi yang mengolah informasi berdasarkan aturan-aturan berbasis semantik RDFS dan OWL-Horst (Urbani, Kotoulas, Maassen, Drost, Seinstra, van Harmelen, dan Bal, 2010:1-2). Bahkan Oracle pun memasukkan mesin inferensi yang juga berbasiskan aturanaturan RDFS dan OWL pada produk Database 11g Release 2 mereka (Wu, Rieb, Eadon, 2012:1). Penggunaan banyak conditional statement ini membuat sistem memiliki logika yang kaku di mana jika ada sedikit saja pergeseran nilai input, maka sistem tidak akan mampu menentukan output yang tepat. Sistem akan terpaku untuk melakukan penelusuran hanya berdasarkan aturan-aturan yang telah ditentukan sejak awal. Untuk mengatasi masalah-masalah seperti ini, telah banyak literatur yang menawarkan solusi berupa perancangan arsitektur modern berintikan mesin inferensi yang mengandalkan pendekatan soft-computing, di antaranya dengan menggunakan pendekatan probabilistik Bayesian (Bayesian Probability Network/BPN) seperti pada tulisan Olshausen (2004:1), Logika Samar (Fuzzy Logic), dan Jaringan Syaraf Tiruan (Artificial Neural Network/ANN) seperti yang disampaikan Montazer, Saremi, dan Khatibi (2010:6332-6337) dalam penelitiannya untuk mengembangkan mesin pengenal 1
2
karakter angka Farsi, ataupun gabungan dari dua pendekatan seperti pada penelitian Karlik (2011:49-62) yang menggabungkan BPN dan ANN dalam risetnya untuk membantu diagnosa penyakit Hepatitis dengan tingkat akurasi mencapai 98% Di antara pendekatan-pendekatan tersebut, BPN merupakan pendekatan yang jika digabung dengan konsep Variable Elimination tidak membutuhkan proses pelatihan yang terlalu intensif seperti halnya ANN dan lebih compact dibanding Logika Samar karena BPN memang dirancang khusus untuk mengimplementasikan Teorema Bayes, sedangkan pada Logika Samar kita harus pandai-pandai menentukan formula yang tepat dalam pembuatan mesin inferensinya. Mulai dari contoh kasus dalam kehidupan sehari-hari, seperti alarm sebagaimana yang dicontohkan oleh Manurung (2007:7), hingga bidang medis telah banyak sistemsistem cerdas yang menggunakan BPN sebagai mesin inferensi mereka. Pada bidang medis, BPN di antaranya digunakan pada penelitian yang dilakukan Gadewadikar, Kuljaca, Agyepong, Sarigul, Zheng, & Zhang (2009: 153-157) di mana mereka berhasil mengembangkan sebuah sistem pengenalan kanker berdasarkan citra yang didapat dari mammograph dengan feature-feature yang diambil adalah: massa, klasifikasi, dan distorsi pada parenchyma. Bohacik & Davis (2011: 129-132) juga telah melakukan penelitian yang dapat memperkirakan resiko seseorang mengidap penyakit paru-paru berdasarkan cara bernafas dan hasil-hasil pemeriksaan medis PATCH dan ECG. Pada implementasi yang menggunakan teknologi web, Zheng, Kang, & Kim (2007:4) telah mengembangkan suatu sistem web adaptive yang dapat membantu untuk menentukan apakah seorang pasien perlu mendapatkan terapi aspirin atau tidak. Dengan banyaknya penelitian di bidang medis yang menggunakan pendekatan BPN dan mempertimbangkan bahwa ketepatan merupakan faktor yang penting dalam bidang
3
medis, maka dapat kita simpulkan bahwa pendekatan BPN dapat memberikan hasil yang akurat ketika digunakan dalam sebuah sistem. Namun sayangnya, dalam bidang pendidikan, lebih khususnya dalam bidang pembelajaran secara on-line, belum banyak sistem yang menawarkan metode belajar secara adaptive. Kebanyakan sistem pembelajaran on-line sekarang ini memberikan materi yang seragam dan terstruktur secara prosedural tanpa mempertimbangkan aspek kognitif dalam proses pembelajaran siswa. Di antara banyak sistem pembelajaran on-line yang menerapkan metode pengajaran adaptive, masih sedikit yang menggunakan BPN sebagai model mesin inferensi mereka. Sementara dengan mempertimbangkan keunggulan-keunggulan BPN, jelas terlihat peluang untuk menggunakannya dalam membangun sebuah mesin inferensi bagi sistem pembelajaran on-line untuk menentukan cara belajar yang dapat memberikan materi yang sesuai untuk para siswa agar dapat belajar secara optimal sesuai dengan kemampuan mereka masing-masing.
1.2.
Tujuan
Tujuan dari penelitian ini yaitu untuk mengembangkan sebuah model mesin inferensi menggunakan jaringan probabilistik Bayesian yang memiliki kemampuan sebagai berikut: -
Memperkirakan hasil dari serangkaian kejadian yang mendekati dugaan umum berdasarkan masukan dari para ahli (Bohacik & Davis, 2011:129-132).
-
Memperkirakan peluang terjadinya suatu kejadian yang berhubungan dengan kejadian-kejadian
lainnya
tanpa
keseluruhan
nilai
kemungkinan
diketahui
(Gadewadikar, Kuljaca, Agyepong, Sarigul, Zheng, & Zhang, 2009:153-157). -
Menggambarkan distribusi kemungkinan secara khusus pada setiap node
4
dalam bentuk CPT (Conditional Probability Table) (Garcia, Amandi, Schiaffino, Campo, 2007:799). dengan mengimplementasikannya sebagai bagian dari aplikasi web seperti yang pernah dilakukan Zheng, Kang, & Kim (2007:4) agar dapat diakses lebih mudah oleh para pengguna sistem pembelajaran on-line untuk menerima materi yang sesuai dengan kemampuan belajar masing-masing pengguna.
1.3. Manfaat Penelitian Penelitian ini dapat dijadikan acuan bagi pihak-pihak yang ingin mengembangkan sebuah sistem pembelajaran on-line berbasis web yang adaptive dengan menggunakan BPN sebagai model mesin inferensinya. Sehingga dengan demikian dapat memperluas pemanfaatan BPN pada bidang pendidikan, dan secara lebih khusus di bidang pengenalan karakteristik siswa.
1.4. Batasan Masalah Penelitian ini hanya membahas tentang cara membangun sebuah mesin inferensi menggunakan jejaring probabilistik Bayesian dan bagaimana mengimplementasikannya sebagai bagian dari aplikasi pembelajaran adaptive berbasis web tanpa membahas lebih jauh tentang bagaimana pengolahan lebih lanjut dari hasil inferensi yang dilakukan oleh mesin ini. Dalam melakukan inferensinya, mesin ini hanya mempertimbangkan hubungan antara penguasaan siswa terhadap topik-topik tertentu dan kemampuan siswa dalam menjawab soal-soal yang dibuat berdasarkan topik-topik tertentu tersebut. Hal-hal lain yang dapat mempengaruhi kecenderungan siswa untuk memilih pilihan jawaban tertentu tidak dipertimbangkan pada penelitian kali ini.
5
Mata kuliah yang dipergunakan sebagai objek penelitian hanyalah AMOOP (Algoritma dan Metode Object Oriented Programming) II yang diajarkan kepada mahasiswa-mahasiswa Fakultas Ilmu Komputer Jurusan Sistem Informasi di Universitas Bina Nusantara.