PADA jaman sekarang ini sudah banyak sarana dan

Sistem Tutor Cerdas Menggunakan Metode Bayesian Network 1,2,3,4 Bidang

Variq1 , Surya Sumpeno2 , Moch. Hariadi3 , Purnama4 Studi Teknik Komputer dan Telematika Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember, Jl. keputih Sukolilo - Surabaya 60111

Abstrak—Sistem Tutor Cerdas atau Intelligent Tutoring System (ITS) merupakan sebuah teknologi pembelajaran yang dinamis dan dapat menyesuaikan isi atau output program sesuai dengan kebutuhan dari objek sasaran menggunakan keahliannya dalam metode pembelajaran dan materi yang diajarkan. Hal ini dapat dilakukan karena ITS dilengkapi oleh Artificial Intelligence (AI), dan Bayesian Network adalah metode AI yang digunakan dalam tugas akhir ini. Bayesian Network menyediakan sebuah pendekatan probabilistik untuk mendapatkan suatu inference atau kesimpulan tentang karakteristk setiap pengguna program ITS. Dalam simulasi program ITS berbasis metode Bayesian Network diketahui bahwa keandalan program tersebut adalah 52,3%. Kata Kunci—STC, Bayesian Network, Inference

I. P ENDAHULUAN ADA jaman sekarang ini sudah banyak sarana dan prasarana yang digunakan untuk pembelajaran di lingkup pendidikan. Dan salah satu sarana yang digunakan adalah komputer. Dalam sarana ini, sedang terdapat penelitian tentang program pembelajaran yang dapat “berpikir” atau dilengkapi dengan AI (Artificial Intelligence) yaitu penelitian tentang Sistem Tutor Cerdas (STC) atau Intelligent Tutoring System (ITS). ITS merupakan sistem pembelajaran dengan menggunakan AI. Artificial Intelligence yang terdapat di ITS seperti knowledge, mekanisme, dan machine learning [1] . Di kelas, seorang guru mengajar dengan pola yang sama kepada semua siswanya. Dan itu tidak efektif karena setiap siswa memiliki karakteristik pengetahuan yang berbeda. ITS adalah kemampuan untuk menyediakan referensi materi pembelajaran yang sesuai dengan pengguna [2] . Dengan itu pembelajaran akan berlangsung lebih efektif dan efisien.

P

harus mempertimbangkan riset-riset lain yang sudah ada. Karena Intelligent Tutoring System adalah sebuah istilah yang luas, mencakup program komputer apapun yang berisi tentang kecerdasan atau Intelligence serta dapat digunakan dalam pembelajaran. Oleh karena itu ada beberapa definisi dari ITS antara lain: • Sistem Tutor Cerdas (STC) atau Intelligent Tutoring System (ITS) adalah sebuah program software yang menyediakan instruksi-instruksi untuk seorang pelajar dengan cara membimbing seperti seorang guru. • Secara luas Intelligent Tutoring System diartikan sebagai software di bidang pendidikan yang berisi komponen Artificial Intelligence. Software ini dapat merekam semua pekerjaan siswa sepanjang dia menggunakan program ini, dengan mengumpulkan semua informasi tersebut, program ini dapat membuat atau menghasilkan kesimpulan tentang kelemahan dan kekuatan pengguna, serta dapat menyarankan sebuah pekerjaan tambahan[3] . Kunci dari sebuah program ITS adalah kemampuannya dalam beradaptasi sebaik mungkin dalam aktivitas pedagogik yang baik kepada siswa secara individu. Jadi, ITS mencoba untuk mengidentifikasi beberapa karakteristik dari seorang siswa yang sesuai dengan kriteria tertentu untuk menyajikan sebuah action, bagaimana cara bereaksi terhadap beberapa tindakan siswa. Contoh model dari program ITS lihat gambar 1.

II. M ETODOLOGI Rancangan metodologi yang digunakan dalam tugas akhir ini adalah sebagai berikut : 1) 2) 3) 4) 5)

Analisa kebutuhan pengguna dan software Perancangan software Implementasi pembuatan software Pengujian program ITS Penyusunan laporan III. DASAR TEORI

A. Sistem Tutor Cerdas Saat kita bebicara tentang arti dari Sistem Tutor Cerdas (STC) atau Intelligent Tutoring System (ITS) maka kita juga

Gambar 1.

Model Program ITS

B. Bayesian Network Bayesian Network berasal dari teorema Bayes, teorema Bayes adalah sebuah pendekatan untuk sebuah ketidakpastian yang diukur dengan probabilitas. Teorema ini dikemukakan oleh Thomas Bayes dengan rumus dasar: P (B|A) =

P (A|B)P (B) P (A)

Bayesian Network (BN) adalah sebuah Directed Acyclic Graph (DAG) dan dilengkapi dengan Conditional Probability

2

distribution Table (CPT) untuk setiap node-nya. Setiap node merepresentasikan sebuah domain variable dan setiap arc/panah antar node merepresentasikan sebuah probabilistic dependency (Pearl, 1988). Secara umum, BN dapat digunakan untuk menghitung probabilitas bersyarat dari suatu node dengan memberi nilai pada node lain yang berhubungan. 1) NAÏVE -BAYES Sebuah Naïve-Bayes Bayesian Network, seperti dibahas dalam (Duda dan Hart, 1973), adalah sebuah struktur sederhana yang mempunyai node terklasifikasi sebagai parent node dari beberapa node yang lainnya (gambar 2).

Gambar 2. •

• • •

semua A adalah B C adalah A maka, C adalah B

D. BAYESIAN N ETWORK I NFERENCE Pemikiran Bayesian menyediakan sebuah pendekatan probabilistik untuk mendapatkan suatu inference atau kesimpulan [6] . Inference dalam sebuah Bayesian Network didapat dari hubungan setiap node yang ada pada struktur Bayesian tersebut. Untuk setiap perubahan yang terjadi dari sebuah node maka juga akan mempengaruhi nilai probabilitas dari nodenode yang lain, yang secara langsung maupun tidak langsung berhubungan dengan node tersebut. Sebagai contoh perhatikan gambar 4 yang menggambarkan sebuah struktur Bayesian Network tentang penyakit dan penyebabnya.

Struktur Naïve-Bayes Sederhana

Perhitungan nilai peluang pada sebuah node dalam struktur Bayesian Network adalah dengan rumus sebagai berikut:

Sebagai contoh, bila ada struktur Bayesian Network sederhana seperti pada gambar 3.

Gambar 3.

untuk sebuah pengamatan atau hipotesa, atau dengan menyisipkan logika berikutnya ke dalam sebuah pola terintuisi. Contoh kasus dari sebuah inference sederhana seperti di bawah ini:

Gambar 4.

Struktur BN Penyakit pada Paru-paru

Pada gambar 4, dapat dilihat bahwa node “Kanker_paruparu” berhubungan secara langsung dengan node “Tuberculosis”, dan node “Tuberculosis” berhubungan juga dengan node “Mengunjungi_Asia”. Dengan asumsi bahwa Tuberculosis adalah salah satu penyebab kanker paru-paru dan mengunjungi Asia dapat meningkatkan peluang terkena Tuberculosis, maka saat nilai peluang true untuk node “Mengunjungi_Asia” semakin tinggi maka semakin tinggi pula nilai peluang true dari node “Kanker_paru-paru”.

Contoh BN Sederhana

Maka rumus untuk menghitung peluang pada node C atau P(C = True) :

dengan:

α{T rue, F alse} β{T rue, F alse}

C. I NFERENCE Inference adalah proses menarik sebuah kesimpulan dengan menerapkan heuristik (didasarkan pada logika, statistik, dll)

E. Bayesian Network dalam ITS Penempatan metode Bayesian Network dalam program ITS adalah sebagai artificial intelligence (AI). Dengan memanfaatkan kemampuan Bayesian Network inference, program ITS dapat membuat suatu kesimpulan tentang karakteristik dari pengguna secara individu, dengan cara menerima datadata informasi berupa input dari pengguna tersebut. Dengan mendapatkan input kuantitatif dari pengguna, maka perhitungan dengan menggunakan metode bayesian Network dapat dilakukan. Dan pada akhirnya program akan mendapatkan nilai-nilai secara kuantitatif yang mewakili karakteristik dari pengguna secara individu.

3

IV. P EMBAHASAN A. Desain dan Implementasi D ESAIN S ISTEM 1) Pembagian Topik Bahasa Inggris Pada tugas akhir ini, topik bahasa Inggris yang diambil sebagai mata pelajaran yang digunakan dalam implementasi program ITS. Dan bidang bahasan yang diambil adalah grammar dengan pokok bahasan present tense, past tense, dan future tense. Kemudian pokok bahasan tersebut masih dibagi lagi menjadi empat subtopik utama. Pembagian tersebut yang di susun menjadi sebuah bagan (gambar 5) yang dijadikan dasar pembuatan struktur dari Bayesian Network.

Setelah melakukan desain sistem program Intelligent Tutoring System (ITS), tahap selanjutnya adalah implementasi dari desain tersebut. Pada tahap implementasi yang paling penting adalah tahap pembuatan struktur Bayesian Network beserta penentuan Conditional Probability Table (CPT). 1) Struktur Bayesian Network Dari bagan yang menggambarkan pembagian topik dalam pelajaran Bahasa Inggris (gambar 5), dapat dibuat struktur Bayesian Network (gambar 6) yang terbagi menjadi tiga kelompok.

Gambar 6.

Gambar 5.

Bagan Pembagian Topik Bahasa Inggris

2) Model Program ITS Untuk memenuhi semua fungsi pada program Intelligent Tutoring System (ITS), sebuah program ITS memiliki bagian-bagian penting (gambar 1) yang harus ada agar fungsinya berjalan dengan baik. • Yang berperan sebagai domain knowledge adalah database yang menjadi “bank” soal atau tempat penyimpanan soal dan jawaban yang akan ditampilkan dalam program ITS. • Yang berperan menjadi user model adalah metode Bayesian Network yang akan mengolah data dari pedagogical module untuk memutuskan bagaimana karakteristik pengguna secara individu. • Dalam program adaptation module diterapkan dengan adanya proses autolevel pada saat pengguna melakukan ujian lebih lanjut. Proses tersebut merupakan kemampuan beradaptasi dari program untuk menyesuaikan isi dengan kemampuan pengguna. • Peran pedagogical module dalam program ini diterapkan dengan penyampaian nilai dan penyampaian referensi materi, yang data-datanya didapat dari domain knowledge, user model dan adaptation module. • Peran communications module dalam program ini adalah Graphical User Interface (GUI) yang ada pada program, dengan itu pengguna dapat memasukkan input serta mendapatkan output dari sistem yang ada dalam program ITS. I MPLEMENTASI S ISTEM

•

•

•

Struktur Bayesian Network

Kelompok ke-1 : Node Q1 - Q12 mewakili 12 pertanyaan yang ada pada setiap sesi tes yang dijalankan oleh program. Kelompok ke-2 : Node R1 - R12 mewakili setiap rule atau setiap subtopik pelajaran Bahasa Inggris. Kelompok ke-3 : – PRE adalah node yang mewakili pokok bahasan present tense. – PST adalah node yang mewakili pokok bahasan past tense. – FUT adalah node yang mewakili pokok bahasan future tense.

2) Implementasi Program ITS Program ini mempunyai tiga level berbeda yaitu: easy, intermediate dan hard. Pada saat program pertama kali dimulai, secara otomatis soal yang ditampilkan atau diujikan adalah level intermediate, untuk ujian selanjutnya level disesuaikan dengan nilai yang didapat oleh setiap pengguna. Dalam tahap implementasi ini ada bagian yang menampilkan soal dan pilihan jawaban (gambar 7), bagian ini juga yang menerima input dari pengguna dengan cara memilih salah satu jawaban dari empat pilihan jawaban yang tersedia. Setelah pengguna sudah memilih salah satu jawaban yang tersedia, pengguna harus menekan tombol “next” untuk melanjutkan ke soal berikutnya, soal berjumlah dua belas, dan pada soal ke-12 tombol “next” akan tidak aktif, dan pengguna harus menekan tombol “finish” maka program menampilkan bagian GUI selanjutnya yang menampilkan hasil dan referensi materi untuk penggu-

4

B. Pengujian P ENGUJIAN AWAL P ROGRAM Pengujian ini dilakukan untuk mengetahui keandalan awal dari program ITS yang sudah dibuat. Lebih spesifik lagi, untuk mengetahui proses autolevel yang ada pada program ITS, sudah sesuai dengan desain atau tidak. Tabel I menunjukkan hasil pengujian awal program.

Gambar 7.

Tampilan GUI Bagian Ujian

Pengujian ke-1 Pengujian ke-2 pengujian ke-3

PRE 75 75 25,4

Nilai PST 55,2 50,2 20,6

FUT 5,9 25,6 80

Level Setelah Pengujian PRE PST FUT hard inter easy hard inter easy inter easy inter

Tabel I H ASIL P ENGUJIAN AWAL

na (gambar 8), sehingga pengguna dapat mengetahui kelebihan dan kekurangan dirinya dalam menghadapi soal pelajaran Bahasa Inggris.

Dari hasil pengujian pada tabel I, proses autolevel berlangsung dengan baik dan sesuai dengan yang diharapkan pada desain dan implementasi program. P ENGUJIAN P ROGRAM DENGAN S IMULASI Pada tahap pengujian program ITS ini, pengujian dilakukan dengan simulasi seratus user dengan tingkat pengetahuan pelajaran Bahasa Inggris yang berbeda-beda. Tabel II merupakan daftar kecerdasan delapan jenis user serta jumlah setiap jenis user tersebut pada awal simulasi atau pada ujian sesi ke-1. Gambar 8.

Tampilan GUI Bagian Hasil

Dalam bagian ini ditampilkan hasil berupa skor untuk setiap pokok bahasan pelajaran grammar Bahasa Inggris. Dan juga ditampilkan referensi materi yang harus dipelajari oleh pengguna sebelum mengikuti tes selanjutnya. Jika kita menekan tombol “Next Test” maka akan dilanjutkan dengan tahap ujian selanjutnya. Untuk ujian selanjutnya, program juga akan melakukan penyesuaian sesuai dengan hasil yang didapat oleh setiap pengguna, yaitu proses autolevel. Autolevel pada program ini akan membuat tingkat kesulitan untuk soal ujian selanjutnya disesuaikan dengan nilai yang didapat oleh setiap pengguna. • Nilai “dibawah 45” maka level turun satu tingkat. • Nilai “diatas atau sama dengan 70” maka level naik satu tingkat. • Nilai “kurang dari 70” dan “diatas atau sama dengan 45” maka level tetap. Dalam tugas akhir ini, server yang digunakan adalah server database Derby . Derby ditulis sepenuhnya dalam bahasa pemrograman JAVA. Oleh sebab itu penggunaan database ini sangat mudah diintegrasikan dengan NetBeans IDE 5.5 yang saya gunakan. Database ini saya gunakan sebagai “bank” soal dan jawaban yang akan digunakan sebagai materi ujian pelajaran Bahasa Inggris untuk mendapatkan informasi spesifik dari setiap pengguna.

Jenis User ke1 2 3 4 5 6 7 8

Nilai 1 95% 80% 60% 50% 50% 40% 20% 5%

Nilai 0,5 2% 5% 20% 25% 20% 20% 10% 15%

Nilai 0,5 2% 5% 10% 20% 15% 10% 10% 10%

Nilai 0 1% 10% 10% 5% 15% 30% 60% 70%

Jumlah User 5 10 15 20 20 15 10 5

Tabel II DAFTAR P ROSENTASE K ECERDASAN S ETIAP User

Simulasi ini dilakukan sebanyak lima sesi ujian untuk melihat keandalan program ITS. Dalam asumsi awal ditentukan bahwa: • Jenis user ke-1 dan ke-2 : user dengan level kepintaran hard yaitu 15 user. • Jenis user ke-3, ke-4 dan ke-5 : user dengan level kepintaran intermediate yaitu 55 user. • Jenis user ke-6, ke-7 dan ke-8 : user dengan level kepintaran easy yaitu 30 user. Untuk sesi-sesi selanjutnya prosentase kecerdasan setiap user disesuaikan dengan hasil yang didapat, penyesuaiannya yaitu: • Saat user tersebut naik level maka prosentase kecerdasannya diturunkan ke jenis lebih “bodoh” satu step sesuai dengan tabel II. • Saat user tersebut levelnya tetap maka prosentase kecerdasannya tetap. • Saat user tersebut turun level maka prosentase kecerdasannya dinaikkan ke jenis lebih “pintar” satu step sesuai dengan tabel II.

5

A NALISA

3) Setelah simulasi sesi ketiga.

Dari lima sesi simulasi yang dilakukan didapat analisa sebagai berikut: 1) Setelah simulasi sesi pertama.

Gambar 11.

Grafik Setelah Simulasi Sesi ke-3

Dari gambar 11 didapat hasil seperti pada tabel V yang menerangkan tentang error yang didapat dan keandalan program ITS setelah simulasi ujian sesi ketiga dilakukan. Gambar 9.


Dari gambar 9 didapat hasil seperti pada tabel III yang menerangkan tentang error yang didapat dan keandalan program ITS setelah simulasi ujian sesi pertama dilakukan.

Present Tense Past Tense Future tense 41 46 48 59% 54% 52% Tabel V DAFTAR Error DAN K EANDALAN P ROGRAM S ETELAH S ESI KE -3

Error Keandalan Program

4) Setelah simulasi sesi keempat. Present Tense Past Tense Future tense Error 24 35 39 Keandalan Program 76% 65% 61% Tabel III DAFTAR Error DAN K EANDALAN P ROGRAM S ETELAH S ESI KE -1

2) Setelah simulasi sesi kedua.

Gambar 12.


Dari gambar 12 didapat hasil seperti pada tabel VI yang menerangkan tentang error yang didapat dan keandalan program ITS setelah simulasi ujian sesi keempat dilakukan. Gambar 10.


Dari gambar 10 didapat hasil seperti pada tabel IV yang menerangkan tentang error yang didapat dan keandalan program ITS setelah simulasi ujian sesi kedua dilakukan. Present Tense Past Tense Future tense 39 43 37 61% 57% 63% Tabel IV DAFTAR Error DAN K EANDALAN P ROGRAM S ETELAH S ESI KE -2


Present Tense Past Tense Future tense 43 42 51 57% 58% 49% Tabel VI DAFTAR Error DAN K EANDALAN P ROGRAM S ETELAH S ESI KE -4


6

5) Setelah simulasi sesi kelima.

Gambar 13.


Dari gambar 13 didapat hasil seperti pada tabel VII yang menerangkan tentang error yang didapat dan keandalan program ITS setelah simulasi ujian sesi kelima dilakukan. Present Tense Past Tense Future tense 42 45 56 58% 55% 44% Tabel VII DAFTAR Error DAN K EANDALAN P ROGRAM S ETELAH S ESI KE -5


V. P ENUTUP 1) K ESIMPULAN Dari pengerjaan tugas akhir yang sudah dilakukan, dapat ditarik beberapa kesimpulan, antara lain : a) Bagian terpenting dari Intelligent Tutoring System (ITS) adalah User Model, karena bagian ini yang akan membuat keputusan tentang bagaimana karakteristik spesifik setiap pengguna. b) Bayesian Network adalah metode Artificial Intelligence (AI) yang digunakan pada bagian User Model dalam program ITS. c) Bagian Adaptation Module yang semakin baik seperti adanya proses autolevel, akan membuat program ITS mendapatkan informasi yang lebih spesifik lagi, sehingga kemampuan bagian User Model dan Pedagogical Module semakin baik. d) Semakin banyak pengguna mengulang tahapan ujian, maka semakin jelas pula informasi karakteristik tentang kemampuan kognitif dari setiap pengguna. e) Setelah dilakukan simulasi program ITS sebanyak 5 sesi, maka keandalan program ITS yang didapat adalah sebagai berikut: i) Untuk pokok bahasan Present Tense : 58% ii) Untuk pokok bahasan Past Tense : 55% iii) Untuk pokok bahasan Future Tense : 44%. f) Secara rata-rata, keandalan program ITS atau Sistem Tutor Cerdas menggunakan metode Bayesian Network adalah 52,3%. 2) S ARAN

Ada beberapa hal yang disarankan untuk pengembangan implentasi dari program Intelligent Tutoring System (ITS) selanjutnya, antara lain : a) Adanya database yang digunakan untuk menyimpan data tentang kemampuan kognitif setiap pengguna yang disinkronisasikan dengan proses authentication. b) Penentuan nilai Conditional Probability distribution Table (CPT) harus sesuai dengan data statistik yang valid dan akurat, agar program mendapatkan parameter yang sesuai dengan lingkungan pendidikan sebenarnya. R EFERENCES [1] Siswanto, Surya Sumpeno, Moch. Hariadi, 2009, Sistem Tutor Cerdas Berbasis Metode Bayesian Network untuk Klasifikasi Autonomous Tingkat Kognisi, Paper Program Pascasarjana Bidang Studi Sistem Komputer, Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember. [2] Ioannis Hatzilygeroudis, Jim Prentzas, 2003, Using a Hybrid Rule-based Approach in Developing an Intelligent Tutoring System with Knowledge Acquisition and Update Capabilities, Departement of Computer Engineering and Informatics, School of Engineering, University of Patras. [3] Arturas Kaklauskas, Ruslanas Ditkevicius, Leonarda, Intelligent Tutoring System for Real Estate Management, Gargasaite International Journal of Strategic Property Management; Jun 2006; 10, 2; ABI/INFORM Global. [4] Jie Cheng, Russell Greiner, Comparing Bayesian Network Classifiers, Department of Computing Science University of Alberta. [5] Aytu¨rk Keles, Rahim Ocak, Ali Keles, Aslan Gu¨lcu¨, 2009, ZOSMAT: Web-based Intelligent Tutoring System for Teaching–learning Process, Atatu¨rk University, TR-25240 Erzurum, Turkey. [6] Rui Chang, Wilfried Brauer, Martin Stetter, 2007, Modeling Semantics of Inconsistent Qualitative Knowledge for Quantitative Bayesian Network Inference, Department of Computer Science, Technical University of Munich, Germany. [7] John Eastwood, 2002, Oxford Practice Grammar with Answer, Oxford University Press, New York, USA.

Variq Mithri Firdaus dilahirkan di Situbondo pada tanggal 14 Desember 1987, merupakan anak pertama dari dua bersaudara dari pasangan Hasyim Ilyas dan Esy Sekarwati. Ia menempuh pendidikan dasar di SDN 1 Gudang Asembagus, pendidikan menengah pertama di SMP Negeri 3 Jember, dan pendidikan menengah atas di SMA Negeri 1 Jember. Setelah lulus SMA, ia memilih untuk melanjutkan pendidikan tingginya di Jurusan Teknik Elektro, Fakultas Teknologi Industri ITS melalui jalur SPMB pada tahun 2006. Saat di bangku kuliah, penulis aktif pada berbagai macam kegiatan kemahasiswaan diantaranya adalah sebagai Panitia Lomba Cipta Elektroteknik Nasional 2008 (LCEN) dan Festival Game Teknologi dan Animasi Indonesia 2008 (FGTA) Teknik Elektro FTIITS, sekaligus peserta pada FGTA 2008. serta menjadi asisten laboratorium di Laboratorium Telematika (Lab. B-201). Dari berbagai kegiatan tersebut, penulis akhirnya tertarik pada bidang-bidang teknologi informasi.

PADA jaman sekarang ini sudah banyak sarana dan

Recommend Documents