domain model adaptive educational hypermedia, domain knowledge, algoritma dijkstra, metode kognitif

Domain model Menggunakan Metode Kognitif untuk Adaptive Learning System Domain Modelling Using Cognitive Method for Adaptive Learning System Muhammad Fiqri1, Dade Nurjanah, MT., P.Hd2 Prodi S1 Teknik Informatika, Fakultas Informatika Universitas Telkom [email protected], [email protected] Abstrak Domain model dalam suatu sistem adaptive educational hypermedia merupakan representasi dari konsep pada domain knowledge yang diangkat. Domain model harus dapat menggambarkan konsep-konsep dan relasinya dengan dengan baik untuk menyediakan dukungan terhadap sistem adaptive educational hypermedia. Pembentukan domain model dilakukan dengan menggunakan metode kognitif. Metode kognitif menggambarkan domain model dalam representasi graph sehingga relasi antar node atau materi dapat digambarkan dengan lebih bebas dibandingkan dengan metode terstruktur. Penentuan rute pada domain model akan menggunakan algoritma dijkstra karena performansiya yang optimal dan complete serta merupakan salah satu algoritma terbaik dalam penelusuran jalur terbaik antara dua buah node dalam graph berarah. Kata Kunci :

domain model¸ adaptive educational hypermedia, domain knowledge, algoritma dijkstra, metode kognitif.

Abstract Domain models in an adaptive educational hypermedia system is a representation of the concept of the knowledge domain. Domain model should be able to describe the concepts and their relations well for providing support to educational adaptive hypermedia system . Establishment of the model domain is done using cognitive methods . Cognitive mthods describe domain representation of the model in graph form so that the relation between nodes or material can be described more freely than with a structured method . Determination of path to master concept in the domain models will use dijkstra algorithm for its optimal and complete and is one of the best algorithm to search the best path between two nodes in a directed graph Keywords : domain model¸ adaptive educational hypermedia, domain knowledge, dijkstra algorith, cognitive method 1 Pendahuluan Ketersediaan teknologi yang semakin maju memungkinkan proses pendidikan atau pembelajaran dilakukan dari jarak jauh tanpa tatap muka secara langsung antara tenaga pendidik dan peserta didik. Peserta didik dapat melakukan proses pembelajaran melalui media pembelajaran baik online maupun offline. Namun pada kenyataanya sistem pembelajaran yang ada belum mampu memenuhi kebutuhan peserta didik secara maksimal. Sistem dibangun dengan pendekatan yang sama seperti belajar di kelas [1]. Setiap pengguna sistem dianggap memiliki tujuan, pengetahuan awal, dan kapabilitas yang sama. Sehingga sistem yang dibangun memberikan perlakuan yang sama kepada semua pengguna, misalnya urutan materi dan materi pembelajaran yang sama [1]. Padahal sistem pembelajaran seperti ini digunakan lebih banyak orang dari kalangan yang lebih luas. Untuk itu dibutuhkan sistem pembelajaran yang mampu beradaptasi dan memberikan jalur serta proses pembelajaran yang berbeda untuk setiap pengguna [1] [2]. Adaptive hypermedia dikembangkan sebagai alternatif dari traditional hypermedia yang memiliki prinsip “one-size-fits-all” [1]. Penerapan adaptive hypermedia pada adaptive educational hypermedia memungkinkan adanya adaptasi terhadap berbagai karakteristik, preferensi, serta pemahaman setiap pengguna sistem. Adaptive hypermedia dikembangkan untuk membuat suatu sistem yang dapat melakukan adaptasi sesuai dengan karakteristik pengguna sistem saat itu. Untuk mendukung hal ini diperlukan user model yang mampu merepresentasikan karakteristik pengguna dengan spesifik. Selain itu diperlukan domain model sebagai representasi dari subject yang diangkat pada sistem adaptive educational hypermedia. Domain model harus dapat memetakan dengan baik setiap materi dari subject dan hubungan setiap materinya. Dalam pengembangan domain model dikenal tiga metode yang sering digunakan yaitu pedagogy, cognitive dan mixed antara keduanya. Pedagogical method merepresentasikan domain knowledge dalam bentuk terstruktur atau hierarkial. Pedagogical method menggambarkan keterkaitan antar sub-materi dalam domain knowledge dalam bentuk tree. Sehingga penggambaran relasi hanya dalam simpul induk dan simpul anak. Cognitive method menggambarkan domain knowledge dalam graph, sehingga hubungan relasi dapat terjalin bebas, tidak terbatas struktur dan dapat diberikan nilai untuk setiap relasi. Mixed method merupakan penggabungan antara kedua metode sebelumnya. Pada mixed method, pedagogical method digunakan untuk membentuk layer-layer yang merepresentasikan materi, sub-materi, sub-sub-materi dan selanjutnya, kemudian

dalam setiap layer digunakan cognitive method untuk memodelkan keterhubungan antar simpul didalam layer. Pada penelitian tugas akhir ini metode yang digunakan adalah cognitive method karena domain knowledge yang digunakan hanya satu level sehingga tidak cocok menggunakan mixed method dan keterhubungan antar simpul bersifat dinamis sehingga pedagogical method tidak cocok digunakan [2] [1] [3]. [4] Dari domain model yang dirancang akan dapat dilakukan pencarian menentukan rute terpendek untuk mengusasi suatu materi tertentu. Pencarian rute dilakukan dengan menggunakan algoritma dijkstra. Algoritma dijkstra dipilih karena performansinya yang complete dan optimal dalam melakukan pencarian rute terpendek diantara dua buah node pada graph berarah [5].

2 Dasar Teori dan Perancangan 2.1 Adaptive Hypermedia Adaptive hypermedia dikembangkan sebagai alternatif dari traditional hypermedia yang memiliki prinsip “one-size-fits-all”. Sistem pada adaptive hypermedia membangun model tujuan, preferensi dan pengetahuan setiap penggunanya [1]. Model yang berisi karakteristik, tujuan, preferensi dan pengetahuan pengguna ini yang disebut sebagai user model. User model digunakan sepanjang interaksi pengguna dengan sistem sehingga sistem dapat memberikan layanan yang sesuai dengan karakteristik dan tujuan pengguna saat itu. Contohnya seorang mahasiswa yang mengakses suatu adaptive educational hypermedia akan mendapatkan tampilan halaman yang disesuaikan dengan pengetahuannya saat itu mengenai materi yang diberikan dan mendapatkan suggestion yang paling relevan. Setiap konsumen pada sebuah sistem e-commerce akan mendapatkan penawaran sesuai dengan karakteristik dan kebutuhannya saat itu, misalnya dengan melihat daftar belanja pengguna sehingga sistem dapat memberikan penawaran produk-produk yang sering dibeli bersamaan dengan produk yang dibeli pengguna saat itu. Dalam perkembanganya adaptive hypermedia terbagi menjadi dua cabang utama, yaitu adaptive presentation dan adaptive navigation. Fokus dari adaptive presentation adalah menyajikan tampilan user interface yang adaptive terhadap user model sehingga setiap pengguna sistem akan mendapatkan pengalaman yang berbeda ketika menggunakan sistem, sesuai dengan karakteristik dan kebutuhannya. Adaptive presentation dibagi lagi menjadi dua cabang, yaitu text adaptation dan multimedia adaptation [1].

Gambar 1 Adaptive Hypermedia Technologies Classification [1]

Text adaptation membuat setiap pengguna mendapatkan sajian text yang berbeda, disesuaikan dengan kebutuhan pengguna saat itu. Data text akan dipilih sistem dari bahasan yang berbeda, dengan text adaptation maka sistem dapat mengatur tampilan text sehingga potongan-potongan text yang disatukan tersebut tetap relevan dan seolah memang merupakan sebuah artikel atau bahasan. Sedangkan multimedia adaptation mendukung sistem untuk dapat menampilkan konten-konten multimedia seperti foto, audio, dan video dalam sebuah presentation secara relevan. Sedangkan tujuan adaptive navigation adalah untuk memberi arahan kepada pengguna sistem hypermedia untuk memilih links. Contohnya dalam sebuah adaptive educational hypermedia sistem dapat

mengurutkan, menghilangkan, atau memberi anotasi sehingga pengguna dimudahkan dalam pemilihan langkah atau materi selanjutnya. Tujuan utama adaptive navigation pada adaptive educational hypermedia adalah untuk membantu pengguna untuk melakukan proses pembelajaran melalui jalur optimal. Adaptive navigation tidak memaksa pengguna untuk mengikuti langkah rekomendasi, pengguna tetap diberi kebebasan untuk menentukan langkah sesuai dengan pilihan rekomendasi yang disajikan oleh sistem [1] [6] [7].

2.2 Domain Model Domain model adalah model konseptual atau representasi dari topik-topik dalam permasalahan spesifik. Data yang tersimpan dalam domain model meliputi entitas-entitas terkait, atribut masing-masing entitas dan hubungan antar entitas. Domain model berperan sebagai dasar untuk penyusunan konten sebuah sistem adaptive hypermedia [8]. Model paling sederhana domain model adalah susunan konsep domain pada sebuah sistem adaptive hypermedia. Konsep yang dimaksud adalah topik, knowledge element, objek, atau pada sebagian besar sistem konsep adalah bagian paling dasar dari knowledge sistem tersebut. Sebuah konsep dapat mewakili bagian yang lebih besar atau lebih kecil pada domain knowledge di sistem, tergantung pada jenis sistem dan areanya. Bentuk lanjut dari domain model adalah dalam bentuk graph, dengan node-node yang saling terhubung, merepresentasikan konsep dan hubungan antar konsep. Graph merepresentasikan struktur domain knowledge pada sistem adaptive hypermedia [2]. 2.3 User Model User model adalah representasi dari karakteristik pengguna yang spesifik. Artinya user model dari setiap pengguna sistem dapat sangat berbeda satu sama lainya. Data karakteristik pengguna yang disimpan dalam user model dapat berbeda sesuai dengan kebutuhan sistem. Umumnya berupa informasi personal, seperti nama, umur, jenis kelamin, skill, preferensi, pengetahuan, target dan sebagainya, serta data mengenai aktivitas dan kebiasaan pengguna ketika menggunakan sistem. Data lain yang sering digunakan dalam user modelling adalah user’s individual traits atau ciri pengguna secara khusus. Contohnya adalah kepribadian (introvert/ekstrovert), faktor kognitif, dan gaya belajar pengguna. Ciri pengguna secara khusus biasanya merupakan data yang stabil karena tidak mudah berubah dalam waktu singkat. Data ciri pengguna secara khusus biasanya digunakan dalam user model untuk sistem yang memiliki tingkat adaptasi dan personalisasi tinggi untuk penggunanya [1]. Sepanjang interaksi sistem dengan pengguna sistem dapat terus mengobservasi performansi pengguna atau aksi-aksi yang dilakukan oleh pengguna sambil menyimpan data-data tersebut kedalam user model sehingga dapat dibandingkan dengan atribut lainya seperti knowledge yang telah dikuasai pengguna sehingga sistem dapat mendukung dengan baik kegiatas pengguna. [9] 2.4 Algoritma Dijkstra Algoritma dijkstra merupakan salah satu algoritma yang terkenal untuk penyelesaian persoalan terkait dengan pencarian jalur atau lintasan terpendek pada graph berbobot. Untuk dapat menggunakan algoritma dijkstra bobot pada edge tidak boleh bernilai negatif. Kompleksitas untuk algoritma ini adalah O(n log (n+m)) dimana n adalah jumlah node dan m adalah jumlah edge yang terdapat pada graph. Berikut merupakan pseudocode cara kerja algoritma dijkstra. 1 function Dijkstra(G, w, s) 2 for each vertex v in V[G] 3 d[v] := infinity 4 previous[v] := undefined 5 d[s] := 0 6 S := empty set 7 Q := V[G] 8 while Q is not an empty set 9 u := Extract_Min(Q) 10 S := S union {u} 11 for each edge (u,v) outgoing from u 12 if d[u] + w(u,v) < d[v] 13 d[v] := d[u] + w(u,v) 14 previous[v] := u

Gambar 1 Algoritma Dijkstra

Input algoritma ini adalah sebuah graph berarah G yang memiliki bobot atau nilai edge, s merupakan node asal atau sumber, dan V adalah himpunan semua simpul dalam graph. Setiap edge pada graph adalah pasangan node

(u,v) dan E adalah himpunan semua edge dalam graph. Bobot disebut w, jadi w(u,v) merupakan jarak dari node u ke node v. [5] 2.5 Self Directed Learning Self Directed Learning (SDL) adalah suatu proses dimana peserta didik dengan atau tanpa bantuan orang lain berinisiatif untuk menentukan apa yang diperlukan dalam proses pembelajaranya, menentukan target pembelajaran, mengidentifikasi sumber daya yang diperlukan dan mengimplementasikan sesuai strategi yang telah dirancang. Dengan SDL peserta didik dilibatkan untuk memilih apa yang perlu dipelajari dan menjadi pemegang kendali dalam proses pembelajaran. Tenaga pendidik atau guru dalam SDL berperan sebagai penyedia materi dan sumber daya yang dibutuhkan untuk belajar dan mengorganisasinya [10] [12]. 3 Perancangan 3.1 Gambaran Umum Sistem Dalam penelitian tugas akhir ini akan dibangun domain model menggunakan metode kognitif yang merepresentasikan domain knowledge pada suatu sistem adaptive educational hypermedia untuk subject tertentu. Dengan domain model yang dibangun akan dapat pula dilakukan penentuan jalur tercepat untuk menguasai suatu sub materi tertentu dengan mempertimbangkan pengetahuan pengguna mengenai sub materi lainya. Diagram berikut menggambarkan sistem secara umum. Start

DOMAIN MODEL

TES AWAL

PILIH MATERI

PEMETAAN PEMAHAMAN MATERI

REVIEW MATERI

TES MATERI TARGET MATERI

NAVIGASI

JALUR PENGUASAAN MATERI

PEMBELAJARAN LANJUTAN

End

Gambar 2 Flowchart Sistem

Pada saat pertama kali sistem berjalan sistem akan menampilkan struktur domain model kepada pengguna. Kemudian pengguna harus melakukan tes awal sehingga sistem dapat memetakan kemampuan pengguna secara spesifik di masing-masing sub materi. Setelah sistem memetakan kemapuan pengguna, pengguna dapat memilih target materi untuk dikuasai, kemudian sistem dengan menggunakan algoritma dijkstra akan menentukan rekomendasi jalur penguasaan materi untuk pengguna tersebut berdasarkan performansi atau hasil tes awalnya. Selanjutnya pengguna dapat melanjutkan proses pembelajaran dengan memilih sub materi, mempelajari lewat materi dan review yang sediakan, kemudian melakukan tes materi. Dari hasil tes materi rekomendasi jalur penguasaan materi akan diperbarui sesuai hasil tes pengguna. 3.2 Perancangan Domain model 3.2.1 Domain Knowledge Perancangan domain model akan dilakukan berdasarkan domain knowledge dari subject yang diangkat, yaitu perkuliahan algoritma dan struktur data untuk prodi S1 Teknik Informatika. Dalam domain model terdapat 15 buah node yang merepresentasikan masing-masing sub materi dalam mata kuliah Algoritma dan Struktur Data. Berikut merupakan daftar sub materi dari mata kuliah Algoritma dan Struktur Data beserta data hubungan ketetanggaanya.

ID 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Sub Materi Introduction Abstract Data Type Linear Link List Double Link List Circular Link List Multi Link List Stack Queue Recursion Tree Binary Tree Heap Tree Graph DFS BFS

ID Tetangga 2 1,3,7,8 2,4,5,6 3,5,6 3,4,6 3,4,5,10,13 2,8,9 2,7,9,10 7,8,10 6,8,9,11,13 10,12 11 14,15 13 13

Tabel 1 Daftar Sub Materi & Tetangga

Edge antar node pada graph merepresentasikan keterhubungan antar sub materi. Setiap edge akan memiliki nilai yang merepresentasikan jarak antara node yang terhubung. Nilai jarak tersebut merepresentasikan waktu yang diperlukan oleh pengguna dalam menguasai suatu sub materi tertentu. Nilai – nilai tersebut didapatkan dari rata-rata jumlah pertemuan setiap sub materi (bobot) pada perkuliahan Algoritma dan Struktur Data dari beberapa universitas (Universitas Indonesia, Universitas Telkom, dan Institut Pertanian Bogor. Kemudian untuk menentukan nilai masing-masing edge, bobot edge target dibagi jumlah bobot node target lainnya yang terhubung ke node asal yang sama. Berikut merupakan contoh perhitungan nilai edge : 𝑁𝑖𝑙𝑎𝑖 𝐸𝑑𝑔𝑒 =

0,95

𝑏𝑜𝑏𝑜𝑡 𝑛𝑜𝑑𝑒 𝑡𝑎𝑟𝑔𝑒𝑡 ∑ 𝑏𝑜𝑏𝑜𝑡 𝑛𝑜𝑑𝑒 𝑡𝑎𝑟𝑔𝑒𝑡 𝑦𝑎𝑛𝑔 𝑡𝑒𝑟ℎ𝑢𝑏𝑢𝑛𝑔 𝑘𝑒 𝑛𝑜𝑑𝑒 𝑎𝑠𝑎𝑙 𝑦𝑎𝑛𝑔 𝑠𝑎𝑚𝑎

𝐸𝑑𝑔𝑒ሺ𝐴𝐷𝑇 − 𝑄𝑢𝑒𝑢𝑒ሻ =

𝑏𝑜𝑏𝑜𝑡 𝑄𝑢𝑒𝑢𝑒 𝑏𝑜𝑏𝑜𝑡 𝑄𝑢𝑒𝑢𝑒 + 𝑏𝑜𝑏𝑜𝑡 𝑆𝑡𝑎𝑐𝑘 + 𝑏𝑜𝑏𝑜𝑡 𝐿𝑖𝑛𝑒𝑎𝑟 𝐿𝑖𝑠𝑡

Queue

= 0,95 ADT

0,95 0,95 + 0,95 + 1,45 =

Stack

0.95 3,3

= 0,28

1,45

𝐸𝑑𝑔𝑒ሺ𝐴𝐷𝑇 − 𝑆𝑡𝑎𝑐𝑘ሻ =

0,95 = 0,28 3,3

Linear Linked List

𝐸𝑑𝑔𝑒ሺ𝐴𝐷𝑇 − 𝐿𝑖𝑛𝑒𝑎𝑟 𝐿𝑖𝑠𝑡ሻ =

1,45 = 0,43 3,3

Gambar 3 Perhitungan Nilai Edge

Berikut hasil perhitungan nilai edge untuk setiap edge pada graph. Warna yang sama merepresentasikan edge dengan node asal yang sama. ID Node ID Node Bobot Node Nilai Asal Target Target Edge 1 2 0,83 1,00 2

3

1,45

0,43

2

7

0,95

0,28

2

8

0,95

0,28

3

4

0,39

0,29

3

5

0,39

0,29

3

6

0,56

0,59

4

5

0,39

0,41

4

6

0,56

0,59

5

6

0,56

1,00

6

10

2,83

0,66

6

13

1,45

0,34

7

8

0,95

0,53

7

9

0,83

0,47

8

9

0,83

0,23

8

10

2,83

0,77

10

11

1,17

0,45

10

13

1,45

0,55

11

12

0,75

1,00

13

14

0,61

0,50

13

15

0,61

0,50

10

1,00

1,00

9

Tabel 2 Nilai Edge

Sedangkan secara visual dalam bentuk graph, representasi sub materi dan keterhubungan digambarkan sebagai berikut : Double Linked List

Introduction

ADT

Stack

Linear Linked List

Circular List

Multi List

Graph

Queue

Recursion

BFS

DFS

Binary Tree

Heap Tree

Tree

Gambar 4 Graph Domain Model

Domain model yang dibangun akan memiliki elemen-elemen pendukung berupa materi pembelajaran, review soal, dan soal tes. Materi pembelajaran akan disimpan dalam bentuk set url atau link mengenai sub materi dalam domain knowledge. Review soal atau pembahasan soal merupakan soal beserta pembahasan cara penyelesaian materi dan jawaban benar dari soal tersebut untuk membantu pengguna agar penguasaan materinya lebih mendalam dan terbiasa dalam mengerjakan soal tes atau ujian. Soal tes pada domain model terdiri dari set soal untuk masing-masing sub materi dalam mata kuliah Algoritma dan Struktur Data dan set soal untuk tes awal yang dilakukan untuk mengetahui pemahaman user secara menyeluruh pada saat pertama kali menggunakan sistem. Soal tes awal merupakan soal-soal yang dipilih secara random dari masing-masing sub materi pada mata kuliah Algoritma dan Struktur Data. Berikut adalah struktur domain model secara keseluruhan beserta elemen – elemen pendukungnya :

Test 0

Test 1

Test 2

Test 3

Test 4

Test 5

Test 6

Test 7

Test 8

Test 9

Test 10

Test 11

Test 12

Test 13

Test 14

Test 15

Recursion

Queue

Introduction

Stack

ADT

Double Linked List

Linear Linked List

Circular List

Multi List

BFS

Graph

Tree

DFS

Binary Tree

Heap Tree

URL 1

URL 2

URL 3

URL 4

URL 5

URL 6

URL 7

URL 8

URL 9

URL 10

URL 11

URL 12

URL 13

URL 14

URL 15

E1

E2

E3

E4

E5

E6

E7

E8

E9

E 10

E 11

E 12

E 13

E 14

E 15

Gambar 5 Domain Model & Elemen Pendukung

3.3 Tes Awal dan Pemetaan Pemahaman Materi 3.3.1 Tes Awal Pada tes awal pengguna harus menjawab sejumlah soal yang mewakili masing-masing sub materi untuk perkuliahan Algoritma dan Struktur Data. Jumlah soal untuk setiap sub materi adalah 2 buah sehingga untuk 15 sub materi jumlah keseluruhan soal yang harus dijawab pengguna berjumlah 30 soal. Soal yang diberikan berupa pilihan ganda dengan empat pilihan jawaban. 3.3.2

Pemetaan Pemahaman Materi Setelah pengguna menyelesaikan tes awal maka sistem akan memetakan pemahaman atau penguasaan pengguna untuk masing-masing sub materi. Nilai pemahaman pengguna dibagi menjadi tiga kategori yaitu tidak menguasai, cukup menguasai, dan menguasai. Dalam graph tingkatan ini direpresentasikan dengan warna setiap node, hijau untuk menguasai, kuning untuk cukup menguasai, dan merah untuk tidak menguasai, selain itu ada attribute colID yang menyimpan nilai integer untuk perhitungan berikutnya. Nilai yang disimpan dalam colID adalah 1 untuk hijau, 2 untuk kuning, dan 3 untuk merah. Penentuan kedalam tiga kategori tersebut menggunakan hasil jawaban dari tes awal. Jika pengguna menjawab kedua soal untuk sebuah sub materi dengan benar maka penguasaan untuk sub materi tersebut adalah ‘menguasai’, jika pengguna hanya berhasil menjawab salah satu pertanyaan dengan benar maka penguasaan materinya adalah ‘cukup menguasai’, dan jika pengguna menjawab kedua soal secara tidak benar maka penguasaan materinya adalah ‘tidak menguasai’. Berikut adalah contoh graph domain model setelah dilakukan tes awal.

Gambar 6 Domain Model Setelah Pemetaan Pemahaman

3.4 Navigasi 3.4.1 Penyesuaian Nilai Edge Nilai edge yang menjadi acuan untuk penelusuran adalah nilai yang disimpan dalam atribut length. Berikut adalah tabel nilai untuk setiap edge : ID Edge ID Node Asal ID Node Target Nilai Edge 0102

1

2

1,00

0203

2

3

0,43

0207

2

7

0,28

0208

2

8

0,28

0304

3

4

0,41

0306

3

6

0,59

0405

4

5

0,41

0406

4

6

0,59

0506

5

6

1,00

0610

6

10

0,66

0613

6

13

0,34

0708

7

8

0,53

0709

7

9

0,47

0809

8

9

1,00

1011

10

11

0,45

1013

10

13

0,55

1112

11

12

1,00

1314

13

14

0,50

1315

13

15

0,50 Tabel 3 Penyesuaian Nilai Edge Nilai edge pada tabel diatas merupakan nilai waktu dalam satuan jam kuliah yang diperlukan untuk mempelajari sub materi atau node target yang kemudian dilakukan perhitungan untuk mendapatkan nilai edge sesuai dengan perhitungan yang dibahas sebelumnya. Namun nilai tersebut tidak langsung digunakan dalam menentukan jalur terpendek antar node menggunakan algoritma dijkstra. Nilai tersebut adalah nilai jarak yang berlaku sama untuk setiap pengguna sebelum sistem mengetahui penguasaan materi pengguna. Nilai keterhubungan antar node diatas akan diperbaharui setelah pengguna melakukan tes awal. Hasil pemetaan penguasaan materi pengguna akan mempengaruhi nilai keterhubungan antar node untuk pengguna tersebut. Kategori penguasaan materi menguasai atau untuk node yang berwarna hijau maka nilai edge yang menuju nodes ini akan menjadi 0 karena pengguna dianggap sudah menguasai sub materi ini sehingga tidak perlu mempelajarinya lagi, atau dianggap sudah lulus. Untuk penguasaan materi cukup menguasai atau untuk node berwarna kuning maka nilai edge yang menuju node ini akan dikurangi setengahnya atau dibagi 2 karena pengguna dianggap menguasai sebagian sub materi ini sehingga waktu pembelajaran untuk sub materi ini tidak selama pengguna yang tidak menguasai sama sekali. Dan untuk tingkat penguasaan tidak menguasai atau untuk node yang berwarna merah maka nilai edge yang menuju node ini akan tetap karena pengguna dianggap sama sekali tidak memahami sub materi ini sama sekali sehingga waktu yang diperlukan untuk lulus dari sub materi ini penuh sesuai nilai awal. Berikut merupakan contoh domain model seorang pengguna setelah melakukan tes awal dan perubahan nilai edge nya.

Gambar 7 Contoh Domain Model

Tabel 4 Perubahan Nilai Edge 1

3.4.2 Algoritma Dijkstra Setelah nilai pada masing-masing edge diperbarui pengguna dapat memilih sub materi atau node tertentu. Kemudian sistem akan menampilkan jalur tercepat pengguna untuk menguasai sub materi tersebut. Semua jalur yang diberikan sistem akan berawal dari sub materi atau node introduction karena hubungan pada sub materi bersifat pre requisite. Pencarian jalur terpendek dengan menggunakan algoritma dijkstra dilakungan dengan menggunakan nilai edge yang telah diperbarui setelah pengguna melakukan tes awal, sehingga hasil penelusuran untuk setiap pengguna akan berbeda-beda. Pertama tama node pertama atau sub materi introduction akan dijadikan node awal dimana penelusuran dimulai. Kemudian dengan algoritma dijkstra akan dilakukan pencarian ke node atau sub materi selanjutnya dengan menggunakan nilai edge sebagai acuan. Berikut adalah urutan langkah yang dilakukan dengan menggunakan algoritma dijkstra. 1. Set nilai 0 pada node awal (Introduction) dan nilai tak hingga terhadap node lain (belum terisi). 2. Set semua node “Belum Terjamah” dan set node Introduction sebagai “Node asal”. 3. Dari node introduction, pertimbangkan node tetangga yang belum terjamah dan hitung jaraknya dari titik keberangkatan. Sebagai contoh, jika titik keberangkatan A ke B memiliki bobot jarak 6 dan dari B ke node C berjarak 2, maka jarak ke C melewati B menjadi 6+2=8. Jika jarak ini lebih kecil dari jarak sebelumnya (yang telah dikunjungi sebelumnya) hapus data lama, simpan ulang data jarak dengan jarak yang baru. 4. Setelah selesai mempertimbangkan setiap jarak terhadap node tetangga, tandai node yang telah terjamah sebagai “Node terjamah”. Node terjamah tidak akan pernah di cek kembali, jarak yang disimpan adalah jarak terakhir dan yang paling minimal bobotnya. 5. Set “Node belum terjamah” dengan jarak terkecil (dari node introduction) sebagai node asal selajutnya dan lanjutkan dengan kembali ke step 3. 3.5 Pembelajaran Lanjutan Setelah pengguna mendapatkan rekomendasi jalur untuk menguasai suatu sub materi tertentu, pengguna akan dapat mengakses menu sub materi di bagian kiri sistem.

Gambar 8 Menu Materi

Setelah pengguna mengakses button sub materi maka pengguna dapat melihat materi dalam bentuk url untuk setiap sub materinya dan mengakses review soal soal untuk pembelajaran. Dan di akhir materi akan ada tes yang dilakukan untuk menguji kemampuan pengguna pada sub materi tersebut. Sistem tes yang dilakukan sama dengan sistem pada tes awal, terdapat dua buah soal tes untuk setiap sub materi. Jika pengguna menjawab kedua soal untuk sebuah sub materi dengan benar maka penguasaan untuk sub materi tersebut adalah ‘menguasai’, jika pengguna hanya berhasil menjawab salah satu pertanyaan dengan benar maka penguasaan materinya adalah ‘cukup menguasai’, dan jika pengguna menjawab kedua soal secara tidak benar maka penguasaan materinya adalah ‘tidak menguasai’. Dia akhir tes akan dilakukan pemetaan pemahaman materi ulang sehingga pemahaman pengguna untuk suatu sub materi mungkin akan berubah. Akan dilakukan juga penelusuran ulang sesuai dengan data nilai edge yang juga diperbarui mengikuti pemetaan pemahaman materi yang terakhir.

4 Analisis dan Pengujian 4.1 Tujuan Pengujian Secara garis besar, hasil dari sistem pada penelitian tugas akhir ini adalah rekomendasi jalur penguasaan suatu sub materi tertentu pada mata kuliah Algoritma dan Struktur Data dengan mempertimbangkan hasil pemetaan materi pengguna melalui tes awal dan tes materi. Pengujian akan dilakukan dengan mengubah nilai pemahaman materi pengguna pada sistem. Tujuan pengujian adalah melihat bagaimana pengaruh nilai pemetaan materi seorang pengguna dapat mempengaruhi rute jalur penguasaan materi yang diberikan sistem kepada pengguna. 4.2 Skenario Pengujian Adapun skenario uji yang dilakukan untuk kasus dalam penelitian tugas akhir ini adalah sebagai berikut: 1. Rekomendasi jalur untuk pengguna dengan penguasaan materi awal berbeda. Pada skenario ini akan dibandingkan rekomendasi jalur penguasaan materi untuk pengguna dengan pengusaan materi awal (dari hasil tes awal) yang berbeda. 2. Rekomendasi jalur untuk pengguna dengan perkembangan penguasaan materi berbeda. Pada skenario ini akan dibandingkan rekomendasi jalur penguasaan materi untuk pengguna dengan perkembangan tingkat penguasaan materi yang berbeda (dari hasil tes materi). 4.2.1

Rekomendasi Jalur Untuk Pengguna Dengan Penguasaan Materi Awal Berbeda. Pengujian ini akan dilakukan dengan menggunakan 2 skenario yang berbeda yaitu skenario untuk pengguna A dan pengguna B. Pengujian ini dilakukan untuk menganalisis perbedaan rekomendasi jalur yang diberikan oleh sistem kepada pengguna untuk menguasai sub materi yang sama. Pengguna A akan memulai sistem dengan kemampuan mengenai mata kuliah algoritma dan struktur data nol, atau tidak mengerti sama sekali, dimana hasil test awal pengguna tersebut memetakan pemahaman untuk setiap sub materi sebagai tidak menguasai, dan untuk pengguna B, setelah melakukan tes awal pengetahuanya mengenai beberapa sub materi awal adalah menguasai dan sedang untuk beberapa sub materi selanjutnya, dan tidak menguasai untuk sub materi tingkat lanjut. Berikut adalah proses pengujiannya:

4.2.2

Skenario Pengguna A Pada skenario ini pemetaan penguasaan materi pengguna setelah tes awal adalah ‘tidak menguasai’ untuk seluruh sub materi pada domain model, atau pengguna dianggap belum mengerti sama sekali mengenai mata kuliah algoritma dan struktur data.

Tabel 5 Perubahan Nilai Edge

Table 5 menunjukan bahwa hasil pemetaan pemahaman untuk setiap sub materi adalah ‘tidak menguasai’ sehingga nilai untuk setiap edge tidak mengalami perubahan sama sekali.

Gambar 9 Domain Model

Berikutnya dengan menu navigasi dipilih meteri tujuan recursion sehingga sistem merekomendasikan jalur untuk menguasai sub materi recursion seperti terlihat pada gambar 9 diatas, yaitu Introduction →Abstract Data Type→Queue→Recursion. Jalur ini adalah jalur default yang di-outputkan oleh sistem ketika pengetahuan pengguna sama sekali tidak menguasai domain knowledge. Sehingga nilai edge pada domain model masih sama seperti nilai yang diinisiasikan sistem, belum ada perubahan nilai edge berdasarkan penguasaan materi pengguna. 4.2.3

Skenario Pengguna B Pada skenario ini hasil pemetaan pemahaman pengguna adalah ‘menguasai’ untuk sub materi introduction, ADT, dan Stack, ‘sedang’ untuk linear linked list dan circular linked list, dan ‘tidak menguasai’ untuk sub materi lainnya.

Tabel 6 Perubahan Nilai Edge Tabel 6 diatas menunjukan perubahan nilai edge yang ditandai dengan warna cokelat muda. Perubahan nilai pada edge tersebut dipengaruhi oleh pemetaan pemahaman materi pengguna setelah melakukan tes awal. Perubahan tingkat penguasaan materi misalnya dari ‘tidak mengetahui’ ke ‘sedang’ atau perubahan lainnya akan mempengaruhi nilai edge yang menuju edge tersebut.

Gambar 10 Domain Model

Gambar 10 diatas menunjukan jalur yang direkomendasikan sistem untuk menguasai materi recursion. Jalur yang direkomendasikan sistem untuk skenario pengguna ini adalah Introduction→ADT→Stack→Recursion. Berbeda dengan rekomendasi untuk skenario pengguna sebelumnya yang melalui node queue bukan stack. Perbedaan jalur ini disebabkan hasil pemetaan pemahaman materi pengguna setelah tes awal. Tingkat penguasaan pengguna untuk sub materi stack adalah ‘menguasai’ atau dianggap sudah lulus, sehingga nilai edge ADT→Stack akan diubah nilainya menjadi 0. Nol merepresentasikan bahwa pengguna tidak membutuhkan effort untuk mencapai node target karena dianggap sudah menguasai atau lulus. Sehingga jalur yang melalui stack dipilih oleh sistem. Sehingga pengguna dapat mempelajari recursion secara langsung tanpa melalui sub materi 4.3

Rekomendasi Jalur Untuk Pengguna Dengan Perkembangan Penguasaan Materi Berbeda. Pada pengujian ini akan digunakan 2 skenario pengujian dengan membandingkan rekomendasi jalur yang diberikan kepada dua orang pengguna, pengguna A dan pengguna B. Pengujian ini bertujuan untuk menunjukan dan menganalisis perbedaan rekomendasi jalur yang diberikan oleh sistem setelah pengguna yang memiliki hasil pemetaan pemahaman materi dari tes awal yang sama memilih sub materi yang berbeda untuk dikuasai. 4.3.1 Skenario Pengguna A Pada skenario ini hasil pemetaaan pemahaman materi pengguna setelah tes awal adalah ‘menguasai’ untuk sub materi introduction dan ADT, ‘sedang’ untuk sub materi linear linked list, multi linked list, tree, dan stack, serta ‘tidak menguasai’ untuk sub materi lainnya.

Tabel 7 Perubahan Nilai Edge

Tabel 7 diatas menunjukan perubahan nilai edge setelah pengguna melakukan tes awal. Edge yang node targetnya mengalami perubahan tingkat penguasaan materi akan berubah nilainya berdasarkan tingkat pemahaman sub materi node target. Pada tabel diatas misalnya semua edge yang berasal dari node 2 berubah nilainya menyesuaikan dengan node 3 linear linked list dan node 7 stack. Sehingga nilai edge 2→8 nilainya berubah menjadi lebih tinggi karena node target 8 queue tingkat penguasaan sub materinya paling rendah dibanding edge lain yang terhubung ke node 2.

Gambar 11 Domain Model

Gambar 11 diatas menunjukan hasil pemetaan pemahaman materi pengguna A setelah melakukan tes awal, dan rekomendasi jalur yang harus dilalui untuk menguasai node 13 graph. Jalur yang direkomendasikan sistem untuk pengguna adalah Introduction→ADT→Linear Linked List→Multi Linked List→Graph. Jalur ini juga merupakan jalur default yang direkomendasikan oleh sistem untuk pengguna yang belum memiliki pengetahuan sama sekali mengenai Algoritma dan Struktur Data. Jika kemudian pengguna memilih untuk menguasai sub materi diluar rekomendasi untuk dikuasai, misalnya sub materi queue maka rekomendasi jalur yang diberikan sistem akan berubah menjadi seperti gambar berikut.

Gambar 12 Domain Model

Terlihat pada gambar diatas jalur rekomendasi yang diberikan kepada pengguna berubah menjadi Introduction→ADT→Queue→Tree→Graph. Perubahan jalur rekomendasi ini disebabkan tingkat penguasaan materi untuk sub materi queue yang sudah ‘menguasai’ sehingga pengguna dapat langsung menuju node selanjutnya dari node queue yaitu sub materi tree, yang tingkat penguasaan materinya ‘sedang’ sehingga effort pengguna untuk menguasai tree adalah setengah effort seharusnya, dan selanjutnya dapat langsung mempelajari node graph. 4.3.2

Skenario Pengguna B Pada skenario untuk pengguna B hasil pemetaaan pemahaman materi pengguna setelah tes awal dibuat sama seperti pada pengguna A yaitu ‘menguasai’ untuk sub materi introduction dan ADT, ‘sedang’ untuk sub materi linear linked list, multi linked list, tree, dan stack, serta ‘tidak menguasai’ untuk sub materi lainnya.Untuk skenario ini pengguna B memilih untuk menguasai sub materi tree maka rekomendasi jalur yang diberikan sistem akan berubah juga dengan memberikan rekomendasi seperti pada gambar 13 dibawah.

Gambar 13 Domain Model

Terlihat pada gambar 13 rekomendasi jalur yang diberikan sistem untuk pengguna B hampir sama dengan rekomendasi sebelumnya yaitu Introduction→ADT→Linear Linked List→Multi Linked List→Tree→Graph. Perbedaan dengan rekomendasikan yang diberikan sistem sebelumnya adalah jika di rekomendasi sebelumnya sistem merekomendasikan sub materi graph langsung setelah sub materi multi linked list, rekomendasi yang terbaru adalah dengan melalui sub materi tree setelah pengguna menguasai multi linked list. Perubahan ini disebabkan tingkat penguasaan materi untuk sub materi tree adalah ‘menguasai’ dan nilai edge dari tree→graph lebih kecil daripada multi linked list→graph sehingga sistem merekomendasikan jalur ini. 5 Kesimpulan dan Saran 5.1 Kesimpulan Berdasarkan hasil perancangan, analisis, dan pengujian dapat diperoleh beberapa kesimpulan dari penelitian tugas akhir ini sebagai berikut :

1. 2.

3.

Sistem pembelajaran adaptif harus memiliki domain model yang merepresentasikan domain knowledge dengan baik untuk mendukung user model. Domain model pada sistem pembelajaran adaptif menggunakan metode kognitif dapat merepresentasikan hubungan antar kompetensi dengan struktur yang lebih fleksibel dibandingkan dengan pedagogical method. Nilai keterhubungan antar kompetensi pada domain model harus memperhitungkan pengetahuan pengguna sehingga dapat memberikan rekomendasi jalur yang berbeda dan sesuai untuk setiap pengguna. Penggunaan algoritma dijkstra dalam penelusuran domain model dengan representasi graph dapat menentukan jalur penguasaan materi yang optimal.

5.2 Saran Pengembangan Dalam menentukan keterhubungan antar kompetensi atau sub materi pada domain model di sistem ini menggunakan referensi dari penelitian sebelumnya. Keterkaitan antar kompetensi atau sub materi yang tepat dapat merepresentasikan domain model dengan lebih baik. Data keterkaitan antar kompetensi yang lebih baik dapat ditentukan dengan melakukan analisis dari log penggunaan suatu adaptive learning system. Setiap pengguna akan mengakses kompetensi dengan urutan yang berbeda beda, dari data ini akan dapat di analisis kompetensi mana saja yang saling berhubungan dan saling mempengaruhi. Nilai antar kompetensi yang terhubung juga dapat didapatkan dengan menganalisis performansi pengguna saat mempelajari kompetensi-kompetensi yang saling berkaitan. Dengan keterkaitan antar kompetensi dan nilai keterkaitan yang tepat maka domain model yang dihasilkan akan merepresentasikan domain knowledge dengan lebih baik

Daftar Pustaka

[1] P. Brusilovsky, "Adaptive Hypermedia," User Modeling and User-Adapted Interaction, no. 11, pp. 87-110, 2001. [2] D. Albert, A. Nussbaumer, C. M. Steiner, M. Hendrix and A. Cristea, "Design and Development of an Authoring Tool for Pedagogical Relationship Types between Concept," in Proceedings of the 17th International Conference on Computers in Education, Hongkong, 2009. [3] M. Liang, J. Guerra and P. Brusilovsky, "Building Multi-layer Social Knowledge Maps with Google," in UMAP Workshop 2012, Montreal, 2012. [4] P. Brusilovsky, I.-H. Hsiao and Y. Folajimi, "QuizMap: Open Social Student Modeling and Adaptive Navigation Support with TreeMaps," in Towards Ubiquitous Learning, Berlin, Springer, 2011, pp. 71-82. [5] T. H. Cormen, C. E. Leiverson, R. L. Rivest and C. Stein, Introduction to Algorithm, London: The MIT Press, 2009. [6] P. Brusilovsky and C. Peylo, "Adaptive and Intelligent Web-based Educational Systems," International Journal of Artificial Intelligence in Education, no. 13, pp. 156169, 2003.

[7] P. Brusilovsky, J. Eklund and E. Schwarz, "Web-based Education for All : A Tool for Development Adaptive Courseware," Computer Networks and ISDN Systems, no. 30, pp. 291-300, 1998. [8] F. Ghali, A. Cristea, C. Steward and M. Hendrix, "Collaborative Adaptation Authoring and Social Annotation in MOT," Department of Computer Science, University of Warwick, Coventry, 2009. [9] Y. Gong, J. E. Beck and N. T. Heffernan, "How to Construct More Accurate Student Models: Comparing and Optimizing Knowledge Tracing and Performance Factor," International Journal of Artificial Intelligence in Education, no. 8, 2010. [10] M. S. Knowles, "Self Directed Learning," 1975. [11] Z. A. Pardos and N. T. Heffernan, "Modeling Individualization in a Bayesian Networks Implementation of Knowledge Tracing," In Proceedings of the 18th International Conference on User Modeling, Adaptation and Personalization, no. Hawaii, pp. 255266, 2010. [12] Y. Gong, J. E. Beck and N. T. Heffernan, "How to Construct More Accurate Student Models: Comparing and Optimizing Knowledge Tracing and Performance Factor," International Journal of Artificial Intelligence in Education, 2010. [13] P. Brusilovsky and C. Peylo, "Adaptive and Intellegent Web-based Educational Systems," International Journal of Artificial Intelligence in Education, no. 13, pp. 156169, 2003. [14] A. I. Cristea and A. d. Mooij, "LAOS: Layered WWW AHS Authoring Model and their," in WWW03 (The Twelfth International World Wide Web Conference), Budapest, Hungaria, 2003. [15] P. Brusilovsky, J. Eklund and E. Schwarz, "Web-based Education for All : A Tool for Development Adaptive Courseware," Computer Networks and ISDN Systems, no. 30, pp. 291-300, 1998. [16] G. Fischer, "User Modeling in Human - Computer Interaction," User Modeling and User - Adapted Interaction, no. 11, pp. 65-86, 2001. [17] A. T. Corbett and J. R. Anderson., "Knowledge Tracing: Modeling the Acquisition of," User Modeling and User-Adapted Interaction, no. 4, pp. 253-278, 1995. [18] J. E. Beck and J. Sison, "Using knowledge tracing to measure student reading," Intelligent Tutoring Systems, pp. 624-634, 2004. [19] R. S. Baker, A. T. Corbett and V. Aleven, "Human-Computer Interaction Institute," More Accurate Student Modeling Through Contextual Estimation of Slip and Guess Probabilities in Bayesian Knowledge Tracing, 2008.

[20] Y. Gong, J. E. Beck and N. T. Heffernan, "Comparing Knowledge Tracing and Performance Factor," Intelligent Tutoring Systems, pp. 35-44, 2010. [21] G. Fischer, "User Modeling in Human - Computer Interaction," User Modeling and User - Adapted Interaction, no. 2, pp. 65-86, 2001. [22] R. Hiemstra, "Self Directed Learning," in The International Encyclopedia of Education, Oxford, Pergamon Press, 1994. [23] A. Felner, "Dijkstra’s Algorithm versus Uniform Cost Search," in Proceedings, The Fourth International Symposium on Combinatorial Search, Barcelona, 2011.