INTELLIGENT RECOMMENDER PADA SISTEM E-LEARNING MENGGUNAKAN SEMANTIC WEB Iman Paryudi1, Naniek Andiani2 1,2
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Pancasila 1
[email protected],
[email protected]
Abstrak E-learning sudah menjadi kebutuhan utama di dunia pendidikan saat ini. Hal ini ditunjukkan dengan makin banyaknya institusi pendidikan yang menggunakannya. Namun sistem e-learning yang banyak dipakai saat ini merupakan sistem yang pasif. Pasif dalam hal ini berarti sistem tidak dapat mengetahui kebutuhan masing-masing pengguna atau dengan kata lain sitem tidak dapat melakukan personalisasi. Supaya sistem e-learning bisa lebih bermanfaat bagi pengguna, sistem seharusnya bisa melakukan personalisasi terhadap masing-masing penggunanya. Salah satu bentuk personalisasi dalam sistem elearning cerdas adalah kemampuan untuk merekomendasikan artikel yang sesuai dengan kebutuhan tiaptiap pengguna. Fitur semacam ini disebut dengan recommender. Selama ini recommender pada sistem elearning masih menggunakan teknik pengambilan berdasar isi (content-based approach). Teknik ini akan menghasilkan banyak artikel yang tidak relevan dengan yang dibutuhkan oleh pengguna. Oleh karena itu dibutuhkan sebuah teknik baru untuk mengambil artikel dari internet. Berdasarkan masalah diatas maka penulis mengusulkan untuk membuat intelligent recommender menggunakan semantic web supaya bisa menyeleksi artikel yang akan direkomendasikan dengan lebih baik. Kata kunci: e-learning cerdas, recommender, personalisasi. sebuah pemikiran dan bukan hasil penelitian. Bagian selanjutnya dari artikel ini disusun sebagai 1. PendahuluanPerkembangan berikut: bagian 2 mengulas tentang intelligent eteknologi internet mulai memasuki dunia pendidikan. Dari yang semula hanya untuk learning, bagian 3 membahas penelitian-penelitian membuat web site perguruan tinggi, internet yang sudah dilakukan mengenai recommender, sekarang sudah digunakan sebagai alat bantu bagian 4 menjelaskan mengenai semantic web, belajar mahasiswa. Hal ini diwujudkan dalam bagian 5 menjelaskan tentang sistem yang diusulkan, dan bagian 6 merupakan rangkuman. bentuk sistem belajar jarak jauh (distance Karena bahan belajarnya dalam learning). bentuk digital, maka sistem ini disebut juga 2. IntelligentE-learning dengan electronic learning atau e-learning. Pada sistem e-learning, bahan kuliah Eyitayu (2005 dalam [3]) menyatakan bahwa editempatkan disebuah halaman web dan bisa dibaca learning adalah campuran antara pengetahuan dan serta diunduh oleh mahasiswa dari manapun dan teknologi bagi perkembangan belajar mengajar. kapanpun lewat internet. Oleh karena itu, e-learning Sistem e-learning saat ini tidak hanya sangat memberi kemudahan bagi mahasiswa karena mengutamakan kualitas isi materi saja tapi sudah mahasiswa dapat belajar dimanapun, kapanpun, dan berevolusi dengan memadukan metoda-metoda dan dengan kecepatan yang mereka inginkan. teknik-teknik dari domain dan wilayah aplikasi lain seperti data mining, Web content, structure and Sudah sangat banyak institusi pendidikan yang usage mining, user modeling and profiling, artificial mengaplikasikan sistem e-learning di lingkungan intelligence, agent technologies, dan knowledge mereka. Akan tetapi sistem yang dibangun discovery. Saat ini bahkan teknik-teknik yang merupakan sistem yang pasif. Sistem pasif disini dulunya hanya digunakan untuk domain eberarti bahwa sistem tidak bisa secara proaktif commerce, yang digunakan untuk membantu membantu mahasiswa dalam belajar melalui sistem aktivitas seperti personalized marketing, crossini. Karena belajar melalui e-learning tidak selling, up-selling (menggunakan clustering, mendapatkan bantuan secara langsung dari similarity indexing, association rules mining, dosen/guru, maka dibutuhkan sebuah sistem yang collaborative atau content based filtering), telah cerdas yang bisa secara aktif membantu mahasiswa ditransfer dan diaplikasikan ke domain e-learning. dalam belajar. Karena kecerdasan dari sistem Penggunaan teknik-teknik ini bertujuan untuk bisa tersebut, maka sistem e-learning semcam ini disebut mengatur dan mengirimkan materi-materi kuliah dengan intelligent e-learning atau Intelligent yang paling cocok dengan kebutuhan, keinginan, dan Tutoring System (ITS). Artikel ini merupakan tujuan masing-masing individu yang 76
Seminar dan Call For Paper Munas Aptikom Politeknik Telkom Bandung, 9 Oktober 2010
mengimplementasikan strategi belajar yang telah ditentukan oleh pengajar khusus untuk mahasiswa atau kelompok mahasiswa tertentu. Sejauh ini, peneliti telah membangun sistem yang dapat beradaptasi dengan cara mengobservasi, merekam, dan menganalisa aktivitas pengguna (adaptive systems) atau sistem yang dapat diatur oleh pengguna (customizable systems) [6]. Kecerdasan yang dipunyai oleh sebuah sistem e-learning cerdas bisa berupa kemampuan melakukan personalisasi khususnya merekomendasikan materi tertentu untuk pengguna tertentu. Personalisasi adalah kemampuan dari sistem elearning yang bisa mengetahui kebutuhan dari seorang mahasiswa berdasar profil mahasiswa tersebut yang dikumpulkan dari aktivitasaktivitasnya dalam mengakses sistem dan disimpan di web log. Dengan pengetahuan ini, maka sistem akan dapat memberikan rekomendasi mengenai cara belajar, materi yang harus dibaca, pemilihan materi, dsb. Pada awalnya teknik yang dipakai untuk mengumpulkan data pengguna adalah menggunakan cookies dan data lain yang menyatakan minat pengguna berdasarkan data yang disimpan dalam komputer klien. Teknik yang lebih baru mengharuskan pengguna untuk secara eksplisit menyediakan informasi yang berhubungan dengan minat mereka melalui serangkaian dialog antar muka. Cara yang digunakan bisa menggunakan check box dimana pengguna tinggal mencontreng item dari daftar item yang ada, sehingga informasi yang benar bisa dijaga dan disajikan ke pengguna [2]. Esensi dari personalisasi dalam e-learning telah dirumuskan oleh The Personalization Consortium sebagai berikut [2]: i.
mendorong pengguna untuk belajar dengan mengantisipasi kebutuhan.
ii.
membuat interaksi yang efisien dan menguntungkan kedua pihak, baik organisasi maupun pengguna.
iii.
membangun hubungan yang mendorong pengguna untuk belajar secara konsisten dan progresif.
Teknologi yang mendukung kebutuhan personalisasi dapat dibagi menjadi layanan statis dan dinamis. Secara umum, layanan seperti itu bertujuan untuk mengirimkan material yang sesuai dengan ketertarikan, latar belakang, dan kebutuhan pengguna. Layanan personalisasi statis
menyediakan fitur-fitur yang bisa diatur, yang memerlukan peran serta dari pengguna. Sedang layanan personalisasi dinamis menyediakan layanan otomatis, yang mencoba untuk melayani pengguna berdasarkan model pengguna [2]. Untuk merekomendasikan suatu materi atau artikel ke seorang pengguna dibutuhkan pengetahuan mengenai profil dari pengguna tersebut. Berbekal profil tersebut maka sistem akan mencari materi atau artikel yang sesuai dengan kebutuhan pengguna tersebut. Materi yang dicari bisa materi yang sudah disimpan di sistem tapi bisa juga materi yang harus dicari secara langsung di Web. Dalam hal ini sistem harus cukup cerdas untuk mencari, mengumpulkan, dan mengurutkan materi yang dicari secara langsung dari Web [2]. Tang and McCalla [10] membagi sistem elearning menjadi dua: traditional web-based adaptive learning system, dan evolving learning system (gambar 1).
Gambar 1. Dua macam sistem e-learning [10]. Pada sistem traditional adaptive e-learning, pengiriman material didasarkan pada model pengguna. Namun material yang harus dicari sudah diupload terlebih dahulu oleh instruktur/dosen. Sedang pada sistem evolving e-learning, material dicari secara otomatis maupun manual dari Web, tapi secara otomatis digabungkan kedalam sistem berdasarkan interaksi pengguna dengan sistem. Oleh karena itu, meskipun pengguna tidak mempunyai interaksi langsung dengan Web, sistem akan tetap merekomendasikan material baru atau berbeda. Untuk ini, sistem evolving e-learning menggunakan sebuah crawler yang senantiasa mencari artikelartikel baru di perpustakaan digital maupun ejournal. 3. Penelitian Terdahulu Seperti yang biasa digunakan pada mesin pencari, sebuah recommender pada sistem distance learning menggunakan kata kunci sederhana untuk mengambil informasi dari Web site. Namun, metoda seperti ini diketahui mempunyai kekurangan yaitu terlalu banyak memberikan hasil yang tidak relevan dengan kebutuhan pengguna (Chakrabarti, 2000
Seminar dan Call For Paper Munas Aptikom Politeknik Telkom Bandung, 9 Oktober 2010
77
dalam [4]). Untuk mengatasi hal diatas, kita bisa menggunakan teknik Web-mining untuk mengambil materi e-learning yang relevan (Kosala et al, 2000 dalam [4]). Teknik Web-mining biasanya meliputi Web content mining, Web structure mining, and Web usage mining. Li dan Lau menggunakan Web content dan Web structure untuk mengklasifikasikan halaman Web seperti yang disarankan oleh Chakabarti, et al (2000 dalam [4]). Jameson, Konstan, dan Riedl (2002 dalam [10]) mengatakan bahwa ada dua cara dasar untuk melakukan rekomendasi: content-based dan collaborative filtering. Teknik pertama merekomendasikan artikel murni berdasarkan isi dari artikel-artikel yang sudah pernah dibaca oleh pengguna. Selain itu, teknik ini hanya mempertimbangkan keinginan dari satu orang pengguna. Sedang teknik kedua merekomendasikan artikel dengan mengamati apa yang menjadi kecenderungan dari sebuah kelompok. Teknik ini bekerja dengan mencocokkan keinginan seorang pengguna dengan tetangganya yang mempunyai profil mirip dengan pengguna tersebut. Dibandingkan dengan teknik content-based, collaborative filtering lebih populer dan lebih berhasil baik dalam penelitian maupun aplikasi.
yang diatur dan dihubungkan dengan cara tertentu sehingga data itu dapat digunakan oleh komputer tidak hanya untuk ditampilkan, tapi juga untuk otomatisasi, integrasi dan penggunaan kembali data pada berbagai macam aplikasi [5].
Tang and McCalla [10] mengusulkan sebuah sistem e-learning yang berevolusi (evolving webbased learning system) yang dapat beradaptasi dengan kebutuhan pengguna maupun isi dari Web. Mereka menggunakan sebuah teknik yang menggabungkan antara teknik content-based dengan collaborative filtering. Teknik ini disebut dengan teknik hybrid (Hybrid approach). Dengan menggunakan teknik hybrid, mereka dapat menggunakan data individu maupun data kolektif dalam menentukan artikel yang hendak di rekomendasikan. Yang pertama menggunakan teknik ini adalah Balabanovic’ dan Shoham, 1997 [10].
Semantic Web terdiri dari tiga lapis. XML berada pada lapisan paling bawah. Lapisan diatas XML adalah RDF yang menyediakan kerangka penyajian informasi dan yang paling atas adalah Schema dan Ontologi.
Li and Lau [4] mengusulkan sebuah metoda untuk mengirimkan artikel berdasarkan permintaan. Mereka menggunakan teknik Web mining untuk mencari artikel yang relevan. Dalam hal in mereka menggunakan Web content dan Web structure untuk mengklasifikasi halaman Web. Wang [11] menggunakan data browsing dari mahasiswa dimasa lampau untuk diaplikasikan pada mahasiswa masa depan. Dia kemudian membuat sebuah metoda baru untuk membuat model browsing yang cocok bagi mahasiswa. Dia menggunakan teknik association mining dan statistik. 4. Semantic web Semantic Web adalah nama dari proyek jangka panjang yang dimulai oleh W3C dengan tujuan merelisasikan ide untuk mempunyai data pada web 78
Sedang Swartz [9] menyatakan bahwa Semantic Web adalah kumpulan informasi yang dihubungkan sedemikian rupa sehingga dapat diproses oleh mesin dalam skala global, yang dapat disamakan dengan basis data yang dihubungkan secara global. Perbedaan Semantic Web dengan sebelumnya adalah [5]: 1.
Semantic Web dirancang tuntuk mampu membuat reasoning dan mengambil kseimpulan. Contoh paling mudah adalah tidak hanya menyatakan bahwa “sekrup kepala segi enam adalah salah satu macam sekrup” tapi juga mengambil kesimpulan tentang hubungan yang ada.
2.
Semantic Web adalah teknologi web yang berada diatas web yang ada saat ini, dengan menambah informasi yang dapat dibaca oleh komputer tanpa megubah web yang sudah ada.
XML memungkinkan pembuatan tag untuk memberi keterangan atau teks pada halaman web. Arti diekspresikan oleh RDF, dengan menggunakan subyek, predikat dan obyek dari suatu kalimat. Lapisan ketiga, merupakan kumpulan informasi yang disebut dengan ontologi. Ontologi adalah sebuah dokumen atau file yang mendefinisikan arti dan hubungan antar terms (terms bisa berupa URI atau teks). Ontologi di web biasanya mempunyai taksonomi dan inference rule. XML adalah kependekan dari eXtensible Markup Language. Istilah markup mangacu pada segala sesuatu dalam dokumen yang dimaksudkan bukan sebagai bagian dari dokumen yang dicetak. Sedang markup language adalah deskripsi tentang bagian mana dari dokumen yang merupakan isi, bagian mana yang merupakan markup, dan apa arti dari markup [7]. Istilah extensible sendiri berasal dari kenyataan bahwa dalam XML dapat dibuat nama tag sesuai keinginan, karena nama tag tidak ditentukan, tidak seperti dalam HTML. RDF adalah kependekan dari Resource Description Framework. Hal ini merupakan standar W3C untuk menyatakan semantic dan reasoning tentang suatu informasi di web. RDF sebenarnya
Seminar dan Call For Paper Munas Aptikom Politeknik Telkom Bandung, 9 Oktober 2010
adalah model untuk menyatakan grafik semu yang diberi arah dan diberi label, yang berarti: 1. diberi arah: semua busur mempunyai arah, 2.
diberi label: setiap busur mempunyai label (nama),
3.
grafik semu: bisa terdapat lebih dari satu busur antara dua titik yang sama.
RDF memberi jalan untuk membuat pernyataan yang dapat diproses oleh mesin [1]. Schema adalah sebuah dokumen atau kumpulan kode yang mengontrol kumpulan terms yang ada di dokumen lain. Seperti XML Schema yang menyediakan fasilitas definisi perbendaharaan kata untuk XML, RDF Schema menyediakan fasilitas yang serupa bagi RDF. RDF Schema memungkinkan definisi kata-kata tertentu yang harus digunakan oleh atribut RDF (misal authorOf). RDF Schema juga memungikinkan penentuan macam obyek dimana suatu atribut dapat diterapkan pada obyek tersebut. Dengan kata lain, mekanisme RDF Schema menyediakan sistem tipe dasar untuk digunakan dalam model RDF. Sistem tipe itu sendiri menggunakan istilah yang sudah baku. Istilah-istilah itu misalnya adalah Class dan subClassOf yang digunakan pada penentuan skema untuk aplikasi tertentu. 5. Sistem Usulan Arsitektur yang diusulkan penulis dalam membuat recommender ditunjukkan pada gambar 2.
Gambar 2. Arsitektur dari sistem yang diusulkan. Dimodifikasi dari [10]. Sistem akan bekerja sebagai berikut: sistem akan mengumpulkan informasi dari pengguna baik dari data yang dimasukkan oleh pengguna maupun dari web log terkait kegiatan pengguna saat menggunakan sistem. Informasi ini akan digunakan untuk membuat model pengguna. Model pengguna akan menjadi dasar saat pencarian artikel di halaman
Web. Pencarian dilakukan menggunakan mesin pencari yang berdasarkan pada semantic web. Setelah menemukan artikel yang dikehendaki, maka artikel akan disimpan dalam penyimpanan artikel dan untuk selanjutnya akan di kirimkan ke pengguna yang sesuai dengan model pengguna. Ada beberapa software yang bisa digunakan untuk membuat sistem berbasis semantic web diantaranya adalah Altova dan Protégé. [8] menggunakan Altova Semantic Work untuk membuat sistem e-learning berbasis semantic web. Perbedaan dengan sistem yang penulis usulkan adalah sistem e-learning yang mereka buat adalah sistem e-learning secara umum dan tidak spesifik pada fitur tertentu. Untuk melakukan pencarian atau query yang berbasis semantic web tersedia bahasa query SPARQL. SPARQL adalah bahasa query untuk mengakses RDF yang dibuat oleh W3C RDF Data Access Working Group. SPARQL bersifat data oriented yang berarti dia hanya melakukan query pada informasi yang terdapat pada model. SPARQL tidak melakukan inferensi. Keuntungan menggunakan semantic web dari pada teknik content based yang sekarang dipakai pada kebanyakan mesin pencari adalah bahwa pada teknik tersebut tidak mengetahui hubungan antara kata kunci yang dimasukkan. Cotohnya adalah sebagai berikut. Misal anda memasukkan kata kunci pada mesin pencari “Basisdata Iman Paryudi”. Kecuali anda memaksa mesin pencari untuk memperlakukan kata kunci tersebut sebagai satu kalimat, maka mesin pencari akan mengeluarkan hasil yang berhubungan dengan Basisdata, Iman, Paryudi dan gabungannya. Maka hasil yang dikeluarkan akan sangat banyak. Tapi apabila kita menggunakan semantic web dan kita sudah membuat aturan bahwa Basisdata dikarang oleh Iman Paryudi, maka yang dicari oleh mesin pencari hanya buku Basisdata yang ditulis oleh Iman Paryudi. Buku basisdata yang lain tidak dikeluarkan. Keuntungannya adalah hasil pencarian akan lebih sedikit dan lebih mendekati yang dikehendaki. Kekurangan dari sistem yang diusulkan adalah bahwa belum semua halaman web yang ada sekarang merupakan semantic web. Oleh karena itu dalam aplikasinya nanti, pencarian artikel tidak langsung dari web melainkan artikel di download secara manual terlebih dulu dan disimpan dalam sebuah tempat penyimpanan. Artikel kemudian diberi informasi seperti RDF dan Ontologi supaya dimungkinkan pencarian berbasis semantic web. Dan pencarian artikel dilakukan di tempat
Seminar dan Call For Paper Munas Aptikom Politeknik Telkom Bandung, 9 Oktober 2010
79
penyimpanan tersebut. Ini seperti sistem traditional adaptive e-learning yang dinyatakan dalam [10]. 6. Rangkuman E-learning sudah menjadi kebutuhan utama di dunia pendidikan saat ini. Mengingat pentingya elearning dalam meningkatkan hasil proses belajar mengajar, maka dibutuhkan sebuah sistem elearning yang pintar yang bisa mengetahui kebutuhan tiap-tiap pengguna. Sistem yang demikian disebut sebagai sistem yang mampu melakukan personalisasi. Salah satu bentuk personalisasi dalam sistem e-learning cerdas adalah kemampuan untuk merekomendasikan artikel yang sesuai dengan kebutuhan tiap-tiap pengguna. Fitur semacam ini disebut dengan recommender. Selama ini recommender pada sistem e-learning masih menggunakan teknik pengambilan berdasar isi (content-based approach). Teknik ini akan menghasilkan banyak artikel yang tidak relevan dengan yang dibutuhkan oleh pengguna. Oleh karena itu dibutuhkan sebuah teknik baru untuk mengambil artikel dari internet. Berdasarkan masalah diatas maka penulis mengusulkan untuk membuat intelligent recommender menggunakan semantic web supaya bisa menyeleksi artikel yang akan direkomendasikan dengan lebih baik.
7.Daftar Pustaka [1] Decker, Stefan dkk, 2005, The Semantic Web - on the Respective Roles of XML and RDF, http://www.ontoknowledge.org/down/IEEE 00.pdf. [2] Fok, A.W.P. and Ip, H.H.S., 2006, An Agent-Based Framework for Personalized Learning in Continuing Professional Development, Journal of Distance Education Technologies, 4(3), 48 - 61.
80
[3] Halawi, L.A., Pires, S. and McCarthy, R.V., 2009, An Evaluation of E-learning on the Basis of Bloom’s Taxonomy: An Exploartory Study, Jurnal of Education for Business, July/August, 374 - 380. [4] Li, F. W. B. and Lau, R. W. H., 2006, OnDemand E-Learning Content Delivery Over the Internet, Journal of Distance Education Technologies, 4(1), 46 - 55. [5] Nilsson, M., 2001, The Semantic Web: How wil RDF Change Learning Technology Standards, http://www.cetis.ac.uk/content/2001092717 2953/viewArticle. [6] Rigou, M., Sirmakessis, S. and Tsakalidis, A., 2004, Integrating Personalization in Elearning Communities, Journal of Distance Education Technologies, 2(3), 47 - 58. [7] Silberschatz, Abraham, Henry F. Korth dan S. Sudarshan, 2002, Database System Concept, Fourth Edition, McGraw Hill. [8] Suteja, B. R. dan Ashari, A., 2008, Ontolgoy e-Learning Content berbasis Semantic Web, Proceeding Seminar Nasional Aplikasi Teknologi Informasi 2008, 13 - 20. [9] Swartz, Aaron, 2004, A No-Nonsense Guide to Semantic Web Specs for XML People [Part I],http://www.betaversion.org/~stefano/lino type/news/57/. [10] Tang, T.Y. and McCalla, G., 2005, Smart Recommendation for an Evolving Elearning System: Architecture and Experiment, International Journal on Elearning, 4(1), 105 - 129. [11] Wang, F-H., 2008, Content Recommendation Based on EducationContextualized Browsing Events for Webbased Personalized Learning, Educational Technology Society, 11( 4), 94 - 112.
Seminar dan Call For Paper Munas Aptikom Politeknik Telkom Bandung, 9 Oktober 2010
