7

BAB 2

LANDASAN TEORI

2.1. Intelegensia Semu

2.1.1. Definisi

Menurut Turban (1992, p3), intelegensia semu adalah cabang dari ilmu

komputer yang mengarah pada pembuatan piranti lunak dan piranti keras dengan

tujuan menghasilkan sesuatu seperti yang dihasilkan oleh pola pikir manusia.

Menurut Rich dan Knight (1993, p3), intelegensia semu adalah ilmu yang

mempelajari bagaimana membuat komputer-komputer melakukan hal-hal yang mana

pada saat ini, dapat dikerjakan oleh manusia dengan lebih baik. Menurut Luger dan

Stublefield (1993, p1), intelegensia semu dapat didefinisikan sebagai cabang dari

ilmu komputer yang berhubungan dengan otomatisasi perilaku cerdas. Menurut

Jackson (1999, p15), intelegensia semu adalah bagian dari ilmu komputer yang

berhubungan dengan perancangan sistem komputer intelegensi, yaitu sistem yang

menggambarkan karakteristik yang diasosiasikan dengan intelegensi tingkah laku

manusia – pemahaman bahasa, pembelajaran, penjelasan, pemecahan masalah dan

seterusnya. Menurut Sri Kusumadewi (2003, p2), pengertian intelegensia semu dapat

dipandang dari berbagai sudut pandang, antara lain :

1. Sudut pandang kecerdasan.

Intelegensia semu akan membuat mesin menjadi ’cerdas’ (mampu berbuat seperti

apa yang dilakukan oleh manusia).

2. Sudut pandang penelitian.

8

Intelegensia semu adalah suatu studi bagaimana membuat agar komputer dapat

melakukan sesuatu sebaik yang dikerjakan oleh manusia. Domain yang sering

dibahas oleh para peneliti meliputi :

a. Mundane task

- Persepsi (vision & speech).

- Bahasa alami (understanding, generation & translation).

- Pemikiran yang bersifat commonsense.

- Robot control.

b. Formal task

- Permainan/games.

- Matematika (geometri, logika, kalkulus integral, pembuktian).

c. Expert task

- Analisis finansial.

- Analisis medikal.

- Analisis ilmu pengetahuan.

- Rekayasa (perancangan, pencarian kegagalan, perencanaan manufaktur).

3. Sudut pandang bisnis

Kecerdasaan buatan adalah kumpulan peralatan yang sangat kuat dan

metodologis dalam menyelesaikan masalah-masalah bisnis.

4. Sudut pandang pemrograman.

Kecerdasaan buatan meliputi studi tentang pemrograman simbolik, penyelesaian

masalah (problem solving) dan pencarian (searching).

9

2.1.2. Kelebihan Intelegensia Semu

Menurut Turban dan Frenzel (1992, p9), intelegensia semu memiliki

beberapa kelebihan diantaranya adalah :

1. Intelegensia semu lebih bersifat permanen. Intelegensia semu tidak akan berubah

selama sistem komputer dan program tidak mengubahnya.

2. Intelegensia semu lebih mudah digandakan dan disebarluaskan. Mentransfer

pengetahuan seorang manusia ke manusia lain membutuhkan proses yang cukup

lama dan lagipula pengetahuan tersebut tidak akan digandakan dengan lengkap.

Lain halnya dengan pengetahuan pada sistem komputer, pengetahuan tersebut

dapat digandakan dan dipindahkan dengan mudah ke sistem komputer lain.

3. Intelegensia semu lebih murah. Akan lebih murah dan mudah menggunakan

layanan komputer dibandingkan menggunakan orang untuk melakukan suatu

pekerjaan dalam jangka waktu yang lama.

4. Intelegensia semu bersifat konsisten. Hal ini disebabkan karena intelegensia

semu adalah bagian dari teknologi komputer yang tidak akan melakukan

tindakan layaknya manusia yang terbawa perasaan.

5. Intelegensia semu dapat didokumentasikan. Keputusan ataupun tindakan yang

dilakukan sistem komputer dapat didokumentasikan dengan mudah dengan cara

mencatat setiap aktivitas dari sistem komputer tersebut.

6. Intelegensia dapat mengerjakan suatu pekerjaan dengan lebih cepat dan lebih

baik.

10

2.1.3. Ruang Lingkup Aplikasi Intelegensia Semu

Seperti kebanyakan ilmu, intelegensia semu dibagi-bagi menjadi banyak

cabang ilmu yang selain fokus pada pemecahan masalah juga fokus pada aplikasi-

aplikasi yang berbeda. Menurut Luger (1993, p14) area aplikasi-aplikasi tersebut

antara lain adalah :

1. Permainan Game

Sebagian besar penelitian awal mengenai teknik pencarian dilakukan

pada permainan berpapan yang umum seperti catur. Permainan berpapan

tersebut memiliki properti tertentu yang membuatnya ideal sebagai subjek

penelitian teknik pencarian. Sebagian besar permainan dimainkan dengan

menggunakan kumpulan peraturan yang sudah didefinisikan dengan baik

sehingga mudah untuk melakukan proses pencarian dan membebaskan para

peneliti dari banyaknya ambiguitas dan kompleksitas yang ada. Program

permainan, walaupun sederhana, menawarkan tantangan tersendiri, termasuk

lawan yang langkahnya tidak dapat diperkirakan. Kehadiran lawan seperti ini

membuat perancangan program semakin kompleks dengan menambahkan

elemen ketidakpastian dan kebutuhan psikologi seperti taktik pada game

strategi.

2. Pemikiran Terautomatisasi dan Pembuktian Teori

Pembuktian teori merupakan cabang terlama dari ilmu intelegensia semu

dan merupakan salah satu cabang yang banyak menghasilkan. Penelitian

mengenai pembuktian teori dikatakan merupakan awal dari formalisasi

algoritma pencarian dan pengembangan bahasa untuk representasi formal.

11

Hal yang menarik dari pembuktian teori terautomatisasi berada pada

kekerasan dan keumuman suatu logika. Karena merupakan sistem yang

formal, logika menjadikan dirinya automasi. Banyak masalah dapat

dipecahkan dengan merepresentasikan deskripsi masalah dan informasi yang

mendukung sebagai kebenaran logika dan memperlakukan contoh masalah

sebagai teori untuk dipecahkan. Pemahaman inilah yang mendasari pekerjaan

pada pembuktian teori terautomatisasi dan pemikiran matematis.

3. Sistem Pakar

Salah satu pemahaman yang didapat pada penelitian awal mengenai

pemecahan masalah adalah pentingnya pengetahuan mengenai domain

tertentu. Seorang dokter misalnya, bukan efektif dalam mendiagnosa

penyakit karena ia memiliki kemampuan pemecahan masalah, melainkan

karena ia mengetahui banyak pengetahuan mengenai obat. Pengetahuan

pakar adalah kombinasi dari pemahaman teori dari suatu masalah dan

kumpulan dari peraturan-peraturan pemecahan masalah heuristik yang telah

terbukti efektif pada suatu domain. Sistem pakar dibuat dengan mendapatkan

pengetahuan pakar ini dari seorang pakar dan lalu dimasukkan pada sistem

komputer agar dapat memecahkan masalah yang serupa.

4. Pemahaman Bahasa Alami dan Pemodelan Semantik

Satu dari tujuan jangka panjang intelegensia semu adalah pembuatan

suatu program yang dapat mengerti bahasa manusia. Kemampuan untuk

memahami bahasa alami bukan hanya menjadi aspek yang fundamental bagi

12

intelegensia manusia, namun automasi yang sukses terhadapnya akan

menjadi dampak yang luar biasa terhadap kegunaan dan efektivitas komputer

itu sendiri. Namun sistem yang dapat menggunakan bahasa alami dengan

fleksibel dan kemampuan mengkarakterisasi ucapan manusia masih jauh dari

sempurna. Pemahaman bahasa alami bukan sekedar memilah kalimat-kalimat

menjadi bagian-bagian kecil dan lalu mencarinya di kamus, melainkan

penggunaan pengetahuan mengenai domain dan idiom serta kemampuan

mengaplikasikan pengetahuan kontekstual yang umum untuk memecahkan

ambiguitas yang merupakan bagian dari percakapan manusia.

Jadi kesulitan bukan berada pada bagaimana sistem mengerti arti dari

kata per kata, melainkan pengetahuan terhadap domain tertentu. Contoh,

seseorang yang mengalami percakapan mengenai basket akan menghadapi

kesulitan walaupun dia menguasai sktruktur bahasa tetapi tidak mengetahui

tentang peraturan, pemain atau sejarah mengenai basket. Oleh karena itu,

diperlukan suatu pengumpulan dan pengaturan pengetahuan sehingga dapat

digunakan pada pemahaman bahasa alami yang dimana para peneliti telah

banyak mengembangkan teknik untuk menstrukturkan arti semantik. Teknik

yang biasanya dipakai untuk melakukan hal tersebut adalah pemodelan

jaringan semantik.

5. Perencanaan dan Robotika

Perencanaan merupakan aspek penting pada usaha untuk merancang

robot. Perencanaan mencoba mencari urutan aksi-aksi bersifat atomik yang

dapat digunakan untuk melakukan tugas yang lebih tinggi tingkatannya

13

seperti bergerak melalui ruangan yang penuh rintangan. Perencanaan

merupakan masalah yang sulit karena pada suatu tugas yang akan dilakukan

robot akan tercipta banyak sekali pilihan urutan aksi yang mungkin.

Membuat suatu program komputer yang akan memecahkan suatu masalah

menjadi sub-sub masalah memerlukan suatu heuristik yang rumit dan

pengetahuan tambahan mengenai perencanaan terhadap suatu domain.

Menentukan apa sub-rencana yang perlu disimpan dan bagaimana hal itu

dapat digeneralisasikan untuk digunakan untuk kebutuhan mendatang

merupakan masalah yang sulit pula.

6. Pembelajaran Mesin

Salah satu perbedaan manusia dengan sistem pakar dalam memecahkan

suatu masalah adalah manusia tidak perlu melakukan proses pencarian solusi

ketika manusia sudah tahu solusi terhadap masalah tersebut. Sistem pakar

tidak dapat mengingat solusi melainkan akan melakukan proses komputasi

yang sama seperti sebelumnya, terus dan terus diulang jika diberikan masalah

yang sama berulang kali. Hal ini tidaklah fleksibel sehingga diperlukan

solusi, salah satunya adalah melakukan pembelajaran terhadap program,

entah melalui pengalaman, penganalogian, contoh-contoh atau diperintahkan.

7. Jaringan Syaraf Tiruan

Pada jaringan syaraf tiruan, tiap unit komputasi-nya menghitung fungsi-

fungsi dengan input dan mengirimkan hasilnya ke unit lain yang terhubung

pada jaringan. Intelegensia manusia lebih fleksibel, dapat mengartikan input

14

noise dengan baik seperti mengenali wajah pada ruangan gelap dari sudut

pandang sulit atau dapat dengan baik mengikuti suatu percakapan pada

sebuah pesta yang berisik. Jaringan syaraf tiruan, karena menyimpan

pengetahuan dalam unit yang berjumlah banyak memiliki potensi untuk

memisahkan noise dan mengunakan data tak lengkap. Selain itu jaringan

syaraf tiruan juga menyediakan model alami untuk ke-paralel-an seperti pada

manusia karena tiap neuron adalah unit yang berdiri sendiri.

2.2. Orientasi Objek

2.2.1. Definisi Objek

Objek adalah suatu entitas yang memiliki identity, state, dan behavior

(Mathiassen, 2000, p51). Objek adalah abstraksi dari sebuah fenomena pada domain

permasalahan. Objek dapat berupa suatu entitas yang nyata (tangible) maupun tidak

nyata (intangible).

2.2.2. Pendekatan Orientasi Objek

2.2.2.1. Keuntungan penggunaan orientasi objek

Keuntungan dari penggunaan orientasi objek adalah sebagai berikut :

1. Dapat memodelkan hampir semua fenomena, misal noun menjadi class, verb

menjadi behaviour dan adjective menjadi attribute.

2. Dapat memberikan suatu informasi yang jelas mengenai konteks sistem.

3. Mengurangi biaya pemeliharaan sistem, karena memudahkan pencarian

bagian yang ingin diubah dan perubahan yang dilakukan tidak mempengaruhi

modul lain.

15

2.2.2.2. Alasan penggunaan orientasi objek

Alasan mengapa orientasi objek digunakan adalah sebagai berikut :

1. Dapat dilakukan pemeliharaan

Selama masa hidup suatu sistem diperlukan perubahan-perubahan untuk

mengikuti proses bisnis. Masalah yang terjadi adalah ketika suatu sistem

dirancang dengan struktur yang tidak independen akan mengakibatkan sistem

tersebut sulit untuk dipelihara. Karena perubahan radikal terhadap apa yang

dilakukan akan mempengaruhi struktur dasarnya.

2. Dapat dilakukan pengujian

Unit-unit terkecil yang dibangun dengan menggunakan pendekatan

orientasi objek menghasilkan unit yang cukup independen sehingga pengujian

terhadap suatu unit dapat dilakukan secara hati-hati tanpa mengganggu unit

lainnya.

3. Dapat digunakan ulang

Karena banyak masalah memiliki fitur-fitur yang sama, penggunaan

kembali solusi-solusi yang sudah ada akan menghemat waktu dan

penggunaannya lebih pasti.

2.2.2.3. Class

Class adalah deskripsi dari suatu kumpulan objek yang memiliki struktur

behavioral pattern(methods) dan attributes (Mathiassen, 2000, p53). Class juga

dapat dikatakan sebagai sebuah cetak biru atau pabrik yang membuat objek.

16

Contoh, sebuah class MesinCuci memiliki attributes merk, model, nomorSeri

dan methods tambahPakaian(), tambahDeterjen() dan keluarkanPakaian().

2.2.2.4. Message Passing

Dalam sistem, objek saling bekerja sama dengan cara mengirimkan

message. Sebuah objek mengirimkan message untuk melakukan suatu operasi

dan objek yang menerima message melakukan operasi tersebut. Contoh, sebuah

objek remote mengirimkan message kepada objek televisi agar televisi menyala.

2.2.2.5. Inheritance

Sebuah class dapat memiliki attributes dan methods dari class lain.

Contoh, class MesinCuci memiliki attributes dan methods dari class

PeralatanRumahTangga.

2.2.2.6. Abstraction

Abstraction secara sederhana berarti memilah attributes dan methods dari

suatu objek hingga tersisa hanya yang dibutuhkan saja. Jika seorang programmer

ingin membuat suatu mesin cuci maka ia tidak memerlukan attribute nomorSeri

karena tidak akan begitu berguna, namun jika yang ingin dibuat adalah sebuah

aplikasi yang melacak transaksi pada laundry yang memiliki banyak mesin cuci,

maka attribute nomorSeri dibutuhkan.

17

2.2.2.7. Encapsulation

Ketika sebuah objek melakukan operasinya, operasi tersebut

disembunyikan prosesnya dari pengguna. Contoh, kita tidak perlu tahu

bagaimana TV bisa menghasilkan gambar-gambar bergerak padahal dalam

menghasilkan gambar-gambar tersebut, TV melakukan banyak proses.

2.2.2.8. Polymorphism

Dalam class yang berbeda dimungkinkan suatu method dengan nama

yang sama. Misal, class pintu memiliki method membuka(), class jendela juga

memiliki method membuka(), class koran juga memiliki method membuka().

Tiap class tahu bagaimana melakukan operasi yang seharusnya dilakukan.

2.3. Computer Assisted Instruction

2.3.1. Definisi

Menurut Chambers (1983, p5-6), terdapat banyak istilah yang dapat

digunakan dalam penggunaan komputer sebagai alat bantu pada dunia pendidikan

atau pelatihan, diantaranya di Amerika Serikat seringkali dikenal dengan nama CAI

(Computer Assisted Instruction), CBI (Computer Based Instruction), dan CBE

(Computer Based Education), di luar Amerika Serikat seperti Inggris lebih mengacu

ke CAL (Computer Assisted Learning), dan CBT (Computer Based Training).

CAI (Computer Assisted Instruction) merupakan suatu penggunaan komputer

untuk menyediakan instruksi-instruksi pengajaran dalam bentuk Drill, Practice,

Tutorial, dan Socratic. Penelitian CAI (Computer Assisted Instruction) di Amerika

Serikat berkisar pada akhir tahun 1950-an dan mulai awal tahun 1960-an proyek CAI

18

(Computer Assisted Instruction) dibiayai oleh IBM (International Business Machine)

dan Contol Data Coorporation, pemerintah seperti Nasional Science Foundation

(NFS), dan Universitas-Universitas lainnya.

2.3.2. CAI Non adaptif

CAI dirancang untuk meningkatkan hasil pembelajaran dengan cara

membuat proses belajar menjadi menarik dan penuh dengan umpan balik dari peserta

didik. Hal ini dapat dilakukan dengan cara memberikan materi pembelajaran yang

disajikan kepada peserta didik secara multimedia(tulisan, suara, video, animasi).

Dengan penyajian yang menarik, diharapkan dapat meningkatkan proses belajar agar

lebih efisien dan konsisten, meningkatkan hasil pembelajaran, motivasi peserta

didik, disertai dengan umpan balik yang cepat.

Namun CAI yang telah menjadi penyedia pembelajaran 1-lawan-1 selama 25

tahun dikatakan tidak mampu meningkatkan tingkat pengetahuan peserta didik

secara drastis, karena CAI non adaptif tidak mampu membedakan peserta didik dari

segi kebutuhan dan tingkat kecerdasan peserta didik. CAI non adaptif dinilai pasif

karena hanya menampilkan halaman demi halaman multimedia jika mendapatkan

tanggapan dari peserta didik. Ditambah lagi CAI non adaptif ini tidak memiliki

kemampuan sebagai pengajar sesungguhnya untuk dapat mengetahui kapan harus

membantu peserta didik ketika menghadapai suatu kesulitan terhadap suatu subjek

atau kapan harus melanjutkan pemberian topik baru ketika peserta didik mengalami

peningkatan.

19

2.3.3. Intelligent Tutoring System

Intelligent Tutoring System (ITS) merupakan CAI yang digabungkan dengan

intelegensia semu untuk mendapatkan suatu CAI yang dapat mengatasi kekurangan

dalam memberikan pembelajaran adaptif yang sebelumnya tidak dapat dilakukan

oleh CAI non adaptif. Dengan mengetahui “apa yang diketahui” dan “tidak

diketahui” peserta didik, ITS dapat memberikan pembelajaran yang bersifat adaptif.

Tidak seperti CAI non adaptif, ITS mampu memberikan pembelajaran yang aktif,

mendorong keingintahuan peserta didik, memantau kemampuan peserta didik dan

memberikan bantuan ketika diminta.

ITS mengacu pada sistem pengajaran tingkat lanjut, dimana :

1. Menyediakan interaktivitas yang tinggi, penyampaian pembelajaran dan

pelatihan berbasiskan komputer.

2. Menyesuaikan pembelajaran dengan tingkat pengetahuan peserta didik.

3. Menyediakan pelatihan dengan pengajar berintelegensia semu.

4. Memperbesar metode pembelajaran secara lebih mendalam.

5. Mampu membentuk model yang merepresentasikan pengetahuan yang dimiliki

peserta didik yang dibentuk berdasarkan tanggapan dan jawaban dari peserta

didik.

2.3.4. Adaptive Web-Based Learning

Dikarenakan perkembangan yang pesat dan peningkatan ketersediaan

internet, sistem web-based learning semakin menjadi penting bagi pembelajaran

jarak jauh, pelengkap pembelajaran non adaptif dan pendukung pembelajaran dalam

jangka waktu lama. Web-based learning menjadi suatu sistem yang membolehkan

20

peserta didik untuk belajar sesuai personalisasinya(sesuai kebutuhan peserta didik).

Untuk itu dibutuhkan integrasi pada web-based learning dengan intelegensia semu

agar sistem tersebut dapat menyesuaikan diri dengan personalisasi peserta didik

sehingga dapat disebut adaptive web-based learning (pembelajaran adaptif

berbasiskan web).

Peserta didik yang berbeda tentunya akan memiliki goal pembelajaran yang

berbeda dan kebutuhan pembelajaran yang berbeda pula. Untuk itu suatu adaptive

web-based learning perlu untuk membuat rencana pembelajaran yang berbeda untuk

goal yang berbeda-beda tersebut dengan cara menyajikan materi sesuai preferensi

peserta didik. Berikut adalah kebutuhan yang perlu untuk dipenuhi oleh sebuah

sistem adaptive web-based learning :

1. Pembelajaran dilakukan dengan menyesuaikan pada goal pembelajaran tertentu

untuk peserta didik yang tertentu pula.

2. Pembelajaran dimulai pada titik yang bergantung pada pengetahuan

sebelumnya yang sudah dimiliki peserta didik.

3. Bentuk penyajian materi harus dicocokkan dengan peserta didik.

4. Harus bisa mengawasi jalannya pembelajaran dan melakukan perubahan

perencanaan pembelajaran sesuai evaluasi terhadap keadaan peserta didik.

Dalam pengembangannya, diperlukan suatu arsitektur web-based learning

yang sesuai dengan kebutuhan yang telah disebutkan di atas. Berikut adalah

arsitektur sistem dari adaptive web-based learning yang disarankan oleh Julita

Vassileva :

21

Gambar 2.1 Arsitektur sistem web-based learning Julita Vassileva

Domain Database

Pengetahuan disimpan pada komponen ini. Terdiri dari 2 bagian yaitu

struktur domain dan materi ajar.

Student Model

Merupakan komponen yang memodelkan peserta didik. Terdiri dari 3 bagian

yakni student knowledge, history, personal trait and preferences.

Pedagogical Component

Berisi kumpulan metode dan tugas pengajaran serta peraturan pengajaran.

Course Generator

Merupakan komponen yang membuat pembelajaran, melakukan interaksi

dengan peserta didik dan memelihara student model.

Authoring Module

22

Berisi editor untuk bahan ajar, editor untuk struktur domain dan editor untuk

metode dan tugas pengajaran.

2.4. Domain Database

2.4.1. Struktur Domain

Struktur domain mengandung struktur konsep dari pengetahuan yang akan

diajarkan kepada peserta didik. Pada arsitektur Julita Vassileva, struktur tersebut

direpresentasikan dalam bentuk AND/OR Graph. Tiap node mewakili elemen dari

pengetahuan (konsep, topik, peraturan, dan lain-lain). Jika 2 node A dan B saling

terhubung dengan node ke-3, C, dan memiliki relasi ”AND”, hal ini berarti bahwa

node A dan B harus dipelajari. Selain itu dianggap suatu alternatif. Relasi antar node

dapat memiliki berbagai macam semantik. Contoh, jika node A dan B terhubung

dengan node C dengan relasi ”AND” tipe agregasi, hal ini berarti C adalah konsep

umum dan memiliki sub-konsep A dan B. Terdapat banyak relasi semantik yang

mungkin, contohnya saja, relasi kausal, temporal, analogi, persyaratan sederhana.

AND/OR graph telah dipakai sebagai representasi formal karena cukup kuat

dalam ekspresi. Selain itu AND/OR Graph dapat divisualisasikan pada layar yang

memiliki kelebihan psikologi dalam authoring dan pengajaran. Tiap node dan

hubungan dari struktur domain diasosiasikan pada materi ajar. Struktur domain

digunakan dalam pembuatan perencanaan pengajaran untuk mencapai goal

pengajaran.

23

2.4.2. Materi Ajar

Materi ajar berisi presentasi yang berkomunikasi secara langsung dengan

peserta didik. Tiap materi ajar difokuskan pada topik, konsep, relasi yang diberikan.

Materi ajar diklasifikasikan menurut fungsi pedagogical-nya. Misal pengantar,

permasalahan awal, penjelasan, pertolongan, latihan dan tes. Materi ajar bertugas

melakukan dialog dengan peserta didik. Contoh latihan dan tes direpresentasikan

dengan unit yang lebih kecil yang menyediakan jawaban benar pada tes/latihan,

petunjuk atau pertolongan, penjelasan hingga pemecahan masalah tingkat menengah.

Materi ajar juga diklasifikasikan berdasarkan medianya. Contoh : textual, gambar,

animasi, video.

2.4.3. Learning Object

Dalam membangun suatu struktur domain yang berisi pengetahuan yang akan

diajarkan kepada peserta didik, diperlukan suatu definisi yang jelas terhadap tiap

node yang mewakili elemen pengetahuan tersebut. Dalam suatu materi ajar pun

terdapat bagian-bagian terkecil yang membentuk materi ajar tersebut. Untuk itulah

konsep learning object diperlukan.

2.4.3.1. Definisi

Menurut Wiley (2000), learning object meliputi semua sumber digital

yang dapat digunakan kembali untuk mendukung pembelajaran. McGreal &

Roberts (2001) memperluas definisinya yang kemudian menjadi definisi standar

IEEE Learning Technology Standards Committee, learning object adalah semua

entitas, digital maupun tidak digital yang dapat digunakan dan digunakan lagi

24

atau direferensikan selama pembelajaran yang didukung teknologi. Definisi

mengenai learning object masih banyak diperdebatkan oleh berbagai pihak,

walaupun begitu secara umum semua definisi tersebut menyebutkan bahwa

learning object adalah apa saja dan harus bisa digunakan untuk membantu dalam

proses pembelajaran.

Sebuah metafor yang banyak digunakan untuk menjelaskan learning

object adalah metafor mengenai permainan blok LEGO. Metafor LEGO

menyebutkan suatu gagasan mengenai ”bagian kecil dari pengajaran (blok

LEGO) yang dapat dihimpun(dipasang-pasangkan) menjadi sebuah struktur

pengajaran yang lebih besar(istana atau pesawat ruang angkasa)”. Jadi secara

garis besar, metafor LEGO memiliki tiga properti, yakni :

1. Tiap blok LEGO dapat dipasangkan dengan blok LEGO lainnya.

2. Blok-blok LEGO dapat dihimpun sesuai dengan yang kita inginkan.

3. Blok-blok LEGO sangat mudah dan sederhana sehingga anak-anak pun dapat

memasang-masangkannya.

Namun dikatakan oleh Wiley bahwa sistem learning object yang

menggunakan ketiga properti tersebut tidak selalu dapat menghasilkan suatu

pengajaran yang berguna dan jika hasil penghimpunan learning object tersebut

tidak menghasilkan pengajaran yang berguna maka penghimpunan tersebut telah

gagal walau apapun kegunaan lain dari pengajaran tersebut. Untuk itu diperlukan

suatu metafor lain. Metafor lain tersebut adalah ”atom”.

Sebuah atom adalah sesuatu yang kecil yang dapat dikombinasikan dan

dikombinasikan ulang dengan atom lain untuk menghasilkan sesuatu yang lebih

25

besar. Metafor ini memang mirip dengan metafor LEGO, namun berbeda pada

beberapa hal, yakni :

1. Tidak setiap atom dapat dikombinasikan pada setiap atom.

2. Atom hanya dapat dihimpun dengan struktur tertentu yang telah ditentukan

dalam struktur internalnya masing-masing.

3. Diperlukan latihan untuk menghimpun atom-atom.

Jadi tidak semua learning object dapat digabungkan dengan learning

object lainnya. Learning object hanya dapat digabungkan dengan learning object

yang dapat menerima struktur dari learning object tersebut. Dan untuk

menggabungkan semua learning object tersebut diperlukan suatu keahlian, misal

oleh seorang dosen yang mengerti benar semua learning object yang akan

digabung-gabungkan tersebut.

2.4.3.2. Karakteristik Learning Object

Suatu learning object memiliki karakteristik yang membuatnya disebut

learning object. Berikut adalah karakteristik yang pada umumnya harus ada pada

learning object :

1. Accessibility – komponen instruksional harus selalu dapat diakses dari segala

lokasi baik jauh maupun dekat.

2. Interoperability – learning object harus dapat digunakan pada tool dan

platform apapun. Metadata dan standar untuk learning object meningkatkan

interoperability suatu learning object.

3. Adaptability – memastikan learning object dibuat sempurna untuk masing-

masing individual dan situasi kebutuhannya.

26

4. Reusability – merupakan karakteristik terpenting. Sebuah learning object

yang bagus harus dapat dipakai pada aplikasi lain tanpa harus melakukan

usaha berlebih. Menyimpan, pencarian, dan pengambilan sumber

pembelajaran selalu menjadi halangan bagi pembelajaran non adaptif.

Learning object repositories menyediakan solusi untuk masalah

pendistribusian dan penggunaan ulang sumber pengetahuan.

5. Durability – komponen learning object harus tahan lama ketika walaupun

basis teknologinya berubah, tanpa harus merancang ulang atau meng-coding

ulang.

6. Granularity – sampai pada tingkatan apa suatu learning object dibuat dan

bagaimana menyimpannya. Unit terkecil dari sebuah learning object dapat

berupa program, course, modul, pelajaran, segmen, atau objek mentah. Pada

umumnya tingkatan yang bagus pada granularity akan meningkatkan

reusability, dengan cara mengizinkan penggunaan untuk banyak konteks.

Walaupun, semakin besar jumlah objek yang kecil memerlukan lebih dari

pengkatalogan dan meningkatkan biaya pengaturan.

2.4.3.3. Orientasi Objek pada Learning Object

Pendekatan berorientasi objek dapat dipakai dalam membangun sebuah

learning object dan pada dasarnya learning object memiliki properti yang mirip

dengan objek pada pemrograman berorientasi objek. Menurut Permanand Mohan

dan Christopher Brooks(2004), learning object merupakan objek yang memiliki

data dan method. Datanya adalah link yang merujuk pada sumber fisik yang

sebenarnya. Sumber yang dimaksud dapat berupa text, gambar, video dan lain-

27

lain. Method pada learning object bertugas memverifikasi dan memelihara link

menuju sumber yang membentuk learning object. Method tersebut juga

membolehkan berbagai macam query.

Model learning object menurut Zoltan Fiala, Michael Hinz, Klaus Meissner,

dan Frank Wehner(2003) pun memperlihatkan ciri orientasi objek, yakni dari sisi

enkapsulasi dan abstraksi. Pada gambar 2.2, tingkat terendah dari model tersebut

adalah media components yang mengenkapsulasi asset media tertentu

berdasarkan metadata teknik maupun non-teknik. Kumpulan dari asset media

terdiri dari teks, teks terstruktur(contoh HTML atau XML), gambar, suara, video,

java applets, presentasi flash. Pada tingkat berikutnya, media components

digabung secara semantik membentuk sebuah content unit. Contoh, sebuah

gambar dengan penjelasan textual yang cocok dapat dijadikan sebuah content

unit. Pendefinisian terhadap kumpulan objek-objek media ini adalah factor kunci

dari komponen yang dapat digunakan ulang. Tingkatan abstraksi selanjutnya

adalah document components yang merupakan bagian dari presentasi web

dengan penggunaan aturan semantik yang baik seperti kolom baru, presentasi

produk atau bahkan seluruh website. Contohnya, sebuah content unit yang

mengandung objek gambar dan objek text dapat dienkapsulasi terhadap

document component yang memiliki peraturan semantik “artikel koran”.

Document component tidak hanya dapat berisi content unit, tetapi juga dapat

meng-aggregasi document component lainnya. Aggregasi ini menghasilkan

hirarki dari document component yang menjelaskan struktur logis dari suatu web

site dan sangat bergantung pada konteks aplikasi.

28

Gambar 2.2 Model Learning Object

2.4.4. Peta Konsep

Dalam membangun karakteristik reusability pada learning object,

pendefinisian terhadap learning object perlu dilakukan dengan benar. Peta konsep

adalah salah satu cara untuk mendefinisikan learning object tersebut.

2.4.4.1. Definisi

Peta konsep adalah alat grafik untuk mengatur dan merepresentasikan

pengetahuan. Terdiri dari konsep-konsep, biasanya ditulis dalam bulatan atau

kotak, dan relasi antara konsep diindikasi oleh koneksi garis yang

menghubungkan 2 konsep. Kata-kata pada garis, merupakan kata atau frasa

penghubung, yang menjelaskan relasi antara 2 konsep. Joseph D. Novak dan

29

Alberto J. Canas (2006) mendefinisikan konsep sebagai yang dianggap

keteraturan dalam acara atau objek, atau catatan peristiwa-peristiwa atau benda,

yang ditunjuk oleh label. Sedangkan Proposisi adalah pernyataan tentang

beberapa obyek atau peristiwa dalam semesta, baik yang terjadi secara alami atau

buatan. Proposisi berisi dua atau lebih konsep terhubung menggunakan kata atau

frasa untuk membentuk sebuah pernyataan yang bermakna. Kadang-kadang ini

disebut unit semantik atau unit arti. Gambar 2.3 menunjukkan contoh dari satu

peta konsep yang menggambarkan struktur peta konsep dan memperlihatkan

karakteristik di atas.

Gambar 2.3 Sebuah konsep peta menampilkan fitur peta konsep.

Karakteristik lain dari peta konsep adalah bahwa konsep-konsep diwakili

dalam bentuk hirarki dengan konsep yang paling inklusif dan paling umum di

bagian atas peta dan konsep yang lebih khusus dan kurang umum berada pada

hirarki di bawah. Struktur hirarki untuk domain pengetahuan tertentu juga

30

tergantung pada konteks di mana bahwa pengetahuan adalah diberikan atau

dianggap. Oleh karena itu, adalah lebih baik untuk membangun peta konsep

dengan referensi beberapa pertanyaan tertentu untuk diusahakan dijawab, yang

disebut pertanyaan berfokus. Peta konsep dapat berhubungan dengan beberapa

situasi atau peristiwa yang ingin kita coba untuk pahami melalui organisasi

pengetahuan dalam bentuk peta konsep, sehingga menyediakan konteks untuk

konsep peta.

Karakteristik lain yang penting dari peta konsep adalah penyertaan lintas-

link. Lintas-link adalah link atau hubungan antara konsep-konsep dalam domain

atau segmen yang berbeda dari peta konsep. Lintas-link membantu kita melihat

bagaimana sebuah konsep dalam satu domain pengetahuan yang diwakili

peta terkait dengan konsep yang lain dalam domain yang ditampilkan pada peta.

Dalam pembuatan pengetahuan baru, lintas-link sering mewakili lompatan

kreatif pada bagian dari pembuatan pengetahuan. Ada dua fitur peta konsep yang

penting dalam memfasilitasi pemikiran kreatif: struktur hirarki yang diwakili

dalam peta yang baik dan kemampuan untuk mencari dan mencirikan lintas-link

baru.

2.4.4.2. Ontology

Dalam kamus besar bahasa indonesia, ontologi dapat diartikan sebagai

cabang ilmu filsafat yang berhubungan dengan hakikat hidup. Komunitas

intelegensia semu telah meneliti mengenai masalah representasi pengetahuan dan

permasalahan untuk waktu yang cukup lama. Pendekatan mereka adalah dengan

menentukan standar fasilitas untuk menjelaskan pengetahuan manusia di setiap

31

tingkat granularity dan untuk memperoleh kemampuannya. Menurut Tom

Gruber (1993), dasar dari pendekatan intelegensia semu adalah ontologi, yang

berarti konsensus konsep dari dunia nyata. Setelah ontologi yang dibutuhkan

dibangun, pengindeksan terhadap pengetahuan tak terstruktur yang ada pada

dokumen dan mengkonversinya ke representasi pengetahuan yang formal.

Kemudian pencari dapat memanfaatkan beberapa jenis agen cerdas untuk

mencari, memodifikasi query dan pengetahuan dasar.

Penelitian di intelegensia semu telah menjajaki penggunaan ontologi

formal sebagai cara untuk menentukan konten-perjanjian khusus untuk

pemakaian ulang dan berbagi pengetahuan di antara entiti perangkat lunak.

Gruber telah mengambil sebuah rekayasa perspektif pengembangan pada

ontologi tersebut. Ontologi formal yang dirancang dilihat sebagai artifak, yang

disusun untuk tujuan tertentu dan dievaluasi terhadap kriteria tujuan desain.

Peran ontologi dijelaskan sebagai pendukung kegiatan berbagi pengetahuan, dan

kemudian hadir satu set kriteria untuk memberikan ontologi untuk tujuan

tersebut.

2.4.5. Jaringan Semantik

Jaringan semantik merupakan gambaran pengetahuan grafis yang

menunjukkan hubungan antar berbagai objek. Jaringan semantik terdiri dari

lingkaran-lingkaran atau kotak-kotak yang menunjukkan objek dan informasi

tentang objek-objek tersebut. Objek disini bisa berupa benda atau peristiwa. Antara 2

objek dihubungkan oleh garis yang menunjukkan hubungan antar objek. Gambar 2.4

32

merupakan contoh representasi pengetahuan dengan menggunakan jaringan

semantik.

Salah satu kelebihan dari jaringan semantik adalah ’bisa mewariskan’.

Sebagai contoh, pada gambar 2.4 ada garis yang menghubungkan antara Budi

dengan laki-laki, dan laki-laki ke makhluk hidup. Sehingga apabila ada pertanyaan:

Apaka Budi makhluk hidup? Maka kita bisa merunut garis dari makhluk hidup,

kemudian ke laki-laki, dan akhirnya ke Budi. Sehingga terbukti bahwa Budi adalah

makhluk hidup.

Gambar 2.4 Contoh Jaringan Semantik

Sistem jaringan semantik ini selalu tergantung pada jenis masalah yang akan

dipecahkan. Jika masalah itu bersifat umum, maka hanya memerlukan sedikit

rincian. Jika ternyata masalah itu banyak melibatkan hal-hal lain, maka di dalam

jaringan awalanya diperlukan penjelasan yang lebih rinci lagi.

33

2.5. Student Model

Student Model merupakan salah satu komponen penting dalam penyediaan

pembelajaran yang adaptif. Student model merepresentasikan tingkat kepercayaan sistem

komputer terhadap pengetahuan peserta didik. Berdasarkan arsitektur Julita Vassileva,

student model mencakup 3 bagian antara lain:

2.5.1. Pengetahuan Peserta Didik

Model Pengetahuan Peserta Didik adalah lapisan atas dari Struktur Domain

dalam Domain Database, yang berisi evaluasi probabilistik terhadap keyakinan

siswa dalam menguasai konsep. Memperbarui probabilistik pengetahuan dilakukan

secara dinamis dengan cara mengambil hasil dari jawaban dari pretest terhadap

peserta didik.

2.5.2. History

History berisi daftar semua instruksi tugas, dan metode subtasks yang telah

digunakan untuk setiap konsep selama mengikuti rencana juga menyimpan statistik

tentang keberhasilan berbagai pelajaran metode dekomposisi tugas dan statistik

keberhasilan dari berbagai jenis media materi ajar yang digunakan (teks,

suara, grafis, animasi, video).

2.5.3. Personal Traits and Preferences

Model Personal Traits and Preference dari peserta didik berisi dua daftar

variabel dengan nilainya masing-masing. Bagian pertama berisi fitur psikologis

seperti keyakinan, motivasi, konsentrasi dan yang kedua berisi preferensi peserta

34

didik untuk berbagai jenis media. Nilainya dapat diambil dari tiga ciri-ciri nilai

(rendah, sedang, tinggi) dan ditugaskan kepada siswa di awal pembelajaran.

2.5.4. Penalaran Probabilitas

Metode penalaran probabilitas membolehkan sistem intelegensia semu untuk

menggunakan pengetahuan yang tak tentu atau probabilitas dan dapat membantu

mengumpulkan bukti untuk melakukan hipotesa. Teori pengambilan keputusan,

berhubungan dengan teori probabilitas, menyediakan teknik tambahan untuk

membantu meminimalisasi resiko dalam pengambilan keputusan.

2.5.4.1 Probabilitas dan Teorema Bayes

Tujuan sistem yang melakukan pemecahan masalah adalah

mengumpulkan bukti pada sistem yang berjalan dan memodifikasi perilaku dasar

dari bukti tersebut. Untuk memodelkan perilaku ini, dibutuhkan teori statistik

dari bukti tersebut, yaitu statistik Bayesian. Dugaan dasar dari statistik Bayesian

adalah probabilitas bersyarat (conditional probability) )|( EHP . Ekspresi ini

menggambarkan probabilitas dari hipotesa H yang diberikan untuk kita amati

dengan bukti (evidence) E. Teorema Bayes menyatakan:

∑=

⋅

⋅= k

nnn

iii

HPHEP

HPHEPEHP

0)()|(

)()|()|(

dengan :

• )|( EHP i adalah probabilitas bahwa hipotesis Hi benar jika diberikan bukti

E.

35

• )|( iHEP adalah probabilitas munculnya bukti E jika diketahui hipotesis Hi

benar.

• )( iHP adalah probabilitas hipotesis Hi (menurut hasil sebelumnya) tanpa

memandang bukti apapun.

• k adalah jumlah hipotesis yang mungkin.

Beberapa mekanisme untuk mengeksploitasi kekuatan dari statistik

Bayesian antara lain:

• certainty factor

• teori Dempster-Shafer

• jejaring Bayesian

2.5.4.2 Certainty Factor

Certainty factor (CF) menunjukkan ukuran kepastian terhadap suatu

fakta atau aturan. CF bernilai 1 dikatakan sebagai belief (percaya) dan CF

dengan nilai -1 dikatakan sebagai disbelief (tidak percaya). Dalam sebuah sistem

yang menggunakan CF, aturan-aturan (rules) belief dan disbelief yang digunakan

haruslah terstruktur dengan baik.

Keunggulan CF:

• cocok untuk paradigma rule-based, tidak ada perubahan yang signifikan

dalam merepresentasikannya

• mudah diimplementasikan

• aturan propagasi pada awalnya bersifat masuk akal

Kekurangan CF:

36

• tidak ada teori keputusan dalam CF

• aturan propagasi tidak dapat dijustifikasi secara teoritis

• memiliki asumsi yang berdiri sendiri yang membuat CF mudah digunakan

namun sangat beresiko jika aturan-aturan tidak ditulis dengan hati-hati

2.5.4.3. Teori Dempster-Shafer

Teori Dempster-Shafer merupakan generalisasi dari teori Bayesian

mengenai probabilitas subjektif. Ketika teori Bayesian memerlukan probabilitas

untuk setiap pertanyaan yang ada, teori Dempster-Shafer mengijinkan untuk

menentukan derajat kepercayaan (degree of belief) untuk satu pertanyaan pada

probabilitas untuk pertanyaaan yang berhubungan.

Teori Dempster-Shafer memiliki dua ide dasar. Pertama, mendapatkan

derajat kepercayaan dari satu pertanyaan dari probabilitas subjektif untuk

pertanyaan yang terhubung. Kedua, mengkombinasikan beberapa derajat

kepercayaan didasarkan pada ketidaktergantungan variabel pada bukti.

Keunggulan teori Dempster-Shafer:

• kesulitan dalam menentukan nilai prior probability dapat diabaikan

• aturan kombinasi dapat digunakan untuk menggabungkan bukti-bukti

• dalam keadaan atau situasi tidak pasti, ignorance dapat ditentukan

• mudah untuk menentukan bukti-bukti dengan tingkat abstraksi yang berbeda-

beda

Kekurangan teori Dempster-Shafer:

• perhitungan komputasi yang kompleks

• teori pengambilan keputusan yang kurang

• eksperimen perbandingan antara teori Dempster-Shafer dengan teori

37

probabilitas sulit untuk dilakukan.

• tidak adanya keuntungan yang dapat terlihat dengan jelas pada teori

Dempster-Shafer

2.5.4.4. Jejaring Bayesian

Jejaring Bayesian (Bayesian network) dipelopori oleh ahli ilmu genetika

Sewall Wright (1921). Kemudian beberapa variasi telah dikembangkan pada

berbagai bidang, misalnya dalam bidang ilmu pengetahuan kognitif dan

intelegensia semu. Pada awal perkembangannya di akhir tahun 1970-an, jejaring

Bayesian memenuhi kebutuhan semantic model (top-down) dan perceptual

model (bottom-up), yaitu kombinasi dari cara pembacan bukti (evidence).

Dengan kemampuan untuk mengambil kesimpulan dari banyak arah dan

dikombinasikan dengan dasar probabilitas yang teliti, maka jejaring Bayesian

menjadi metode yang dipilih untuk mengatasi uncertain reasoning (penalaran

dalam ketidakpastian) dalam bidang intelegensia semu dan sistem pakar.

Jejaring Bayesian merupakan sebuah dag (directed acyclic graph) di

mana setiap node-nya (verteks) menggambarkan variabel-variabel acak yang

dinyatakan dari suatu kejadian. Variabel-variabel ini mempunyai dua

kemungkinan nilai, yaitu true (benar) dan false (salah). Sedangkan setiap arc

(edge) dari jejaring Bayesian menggambarkan probabilitas ketergantungan antara

variabel-variabelnya. Ketergantungan tersebut diukur oleh conditional

probability untuk setiap node dengan parent node-nya. Maka jika variabel-

variabel dari jejaring adalah },,1,{ niX i K= dan Pa(Xi) menggambarkan

himpunan parent dari Xi, maka parameter dari jejaring ini adalah sebuah

38

himpunan distribusi },,1)),(|({ niXPaXP ii K= . Probabilitas ini menjelaskan

joint probabilities distribution untuk seluruh jejaring sebagai berikut ini:

∏=

=n

iiin XPaXPXXP

11 ))(|(),,( K

Untuk mendefinisikan sebuah jejaring Bayesian, harus dispesifikasikan:

• Variabel-variabel untuk X1, X2, ..., Xn.

• Hubungan antara variabel-variabel tersebut. Hubungan ini merepresentasikan

pengaruh kasual antar variabel-variabel. Jejaring yang dibentuk dari variabel-

variabel ini dan hubungan-hubungan di antaranya haruslah merupakan

sebuah dag.

• Probabilitas setiap variabel terhadap parent-nya, yaitu P(Xi | Pa(Xi)) untuk i =

1, ..., n.

Jadi jejaring Bayesian merupakan sebuah model dan alat acuan untuk

memecahkan masalah-masalah yang tidak pasti dengan cara menggambarkan

relasi probabilitas.

39

X1

X2

X4

X5

X3rain sprinkler

wet

slippery

Gambar 2.5 Contoh jejaring Bayesian dengan lima variabel

Gambar 2.5 mengilustrasikan contoh sederhana jejaring Bayesian yang

menjelaskan hubungan sebab-musabab di antara musim hujan (rainy season)

(X1), hujan (rain) (X2), keran air menyala (sprinkler) (X3), trotoar basah (wet)

(X4), dan trotoar licin (slippery) (X5). Di sini tidak ada arc yang menghubungkan

secara langsung antara variabel X1 dan X5, berarti tidak ada pengaruh langsung

dari cuaca pada trotoar yang licin. Pengaruh langsung untuk trotoar yang licin

(X5) adalah basahnya trotoar (X4).

Arc di dalam diagram jejaring Bayesian menggambarkan hubungan

sebab-musabab yang sesungguhnya dan bukan aliran informasi selama proses

penalaran (reasoning process) berjalan. Proses penalaran dapat dioperasikan

40

pada jejaring Bayesian dengan mengembangkan informasi di beberapa arah.

Misalnya jika keran air menyala, kemudian kemungkinan trotoar akan menjadi

basah (prediksi). Sebaliknya, jika seseorang terpeleset di trotoar, juga

membuktikan bahwa trotoar tersebut basah (abduksi). Di sisi lain, jika kita

melihat bahwa trotoar basah, yang membuatnya basah apakah keran air menyala

atau terjadi hujan (abduksi); tetapi jika kemudian kita mengamati bahwa keran

air menyala, hal tersebut mengurangi kemungkinan bahwa telah terjadi hujan.

Jejaring Bayesian merupakan salah satu model directed graph dengan

distribusi conditional probability yang harus dispesifikasikan untuk setiap node-

nya. Jika variabelnya diskrit, maka jejaring Bayesian dapat direpresentasikan

sebagai tabel dari conditional probability yang menunjukkan nilai-nilai yang

berbeda untuk setiap kombinasi antara child node dengan parent node-nya.

Perhatikan contoh di bawah ini, di mana semua node mempunyai dua

nilai, yaitu T (true) dan F (false):

41

X1

X3

X4

X5

X2

rainy season

P(X1 = F) P(X1 = T)

0.5 0.5

P(X2 = F) P(X2 = T)

0.8 0.2

0.1 0.9

X1

F

T

Rain

P(X3 = F) P(X3 = T)

0.4 0.6

0.9 0.1

X1

F

T

Sprinkler

P(X4 = F) P(X4 = T)

1.0 0.0

0.1 0.9

X2

F

F

Wet

0.1 0.9

0.01 0.99

T

T

X3

F

T

F

T

P(X5 = F) P(X5 = T)

1.0 0.0

0.2 0.8

X4

F

T

Slippery

Gambar 2.6 Conditional probability untuk setiap node jejaring Bayesian

Terjadinya trotoar basah mempunyai dua sebab, yaitu keran air menyala

(X3 = T) atau hujan (X2 = T). Kekuatan dari hubungan ini terlihat dalam tabel Wet

pada gambar 2.5. Salah satunya adalah kemungkinan trotoar basah yang berasal

dari keran air, yang bernilai probabilitas 0.9 (baris kedua pada tabel), dan kita

notasikan sebagai ),|( 324 XXXP ¬ .

Untuk contoh jejaring Bayesian ini, joint probabilities dari semua node

dapat dikalkulasi dengan perhitungan di bawah ini:

)|(),|()|()|()(),,,,( 453241312154321 XXPXXXPXXPXXPXPXXXXXP ⋅⋅⋅⋅=

42

Setiap variabel hanya bergantung dengan parent-nya. Sebagai contoh,

parent dari X4 adalah X2 dan X3. Kedua parent ini menjelaskan X4. Namun X4

tidak bergantung pada X1, karena X1 tidak menjadi parent secara langsung bagi

X4. Jadi X4 independen terhadap X1. Hal ini menyatakan

),|(),,|( 3243214 XXXPXXXXP = .

Karena rainy season (X1) tidak mempunyai parent maka P(X1) disebut

sebagai prior probability.

Tugas yang paling penting yang kita harapkan dapat terselesaikan dengan

menggunakan jejaring Bayesian adalah penarikan kesimpulan probabilitas

(probabilistic inference). Sebagai contoh, anggap kita sedang mengobservasi

kenyataan bahwa ada seseorang terpeleset di trotoar dikarenakan trotoar tersebut

licin. Kita lihat pada contoh jejaring kita sebelumnya bahwa node X5 hanya

mempunyai satu parent, yaitu X4. Ini membuktikan bahwa trotoar tersebut

menjadi licin karena trotoar basah. Ada dua kemungkinan yang

menyebabkannya, yaitu hujan (X2) atau keran air yang menyala (X3). Pertanyaan

yang akan kita jawab di sini dengan menggunakan teorema Bayesian adalah:

”Mengapa trotoar basah? Apakah karena hujan ataukah karena keran air yang

menyala?” (0 merepresentasikan false dan 1 merepresentasikan true).

Probabilitas X4 = T, bila:

• X3 = T, X2 = T, X5 = T

)|(),|()|()|()(),,,,( 453241312154321 XXPXXXPXXPXXPXPXXXXXP ⋅⋅⋅⋅=

● Untuk X1 = T, maka:

P(X1) = 0.5

43

P(X2 | X1) = 0.9

P(X3 | X1) = 0.1

P(X4 | X2, X3) = 0.99

P(X5 | X4) = 0.8

03564.08.099.01.09.05.0),,,,( 54321 =⋅⋅⋅⋅=XXXXXP ............ (1)

● Untuk X1 = F, maka:

P(X1) = 0.5

P(X2 | X1) = 0.2

P(X3 | X1) = 0.6

P(X4 |X2, X3) = 0.99

P(X5 | X4) = 0.8

04752.08.099.06.02.05.0),,,,( 54321 =⋅⋅⋅⋅=XXXXXP ............ (2)

• X3 = T, X2 = F, X3 = T

)|(),|()|()|()(),,,,( 453241312154321 XXPXXXPXXPXXPXPXXXXXP ⋅⋅⋅⋅=

● Untuk X1 = T, maka:

P(X1) = 0.5

P(X2 | X1) = 0.1

P(X3 | X1) = 0.1

P(X4 | X2, X3) = 0.9

P(X5 | X4) = 0.8

036.08.09.01.01.05.0),,,,( 54321 =⋅⋅⋅⋅=XXXXXP .................. (3)

● Untuk X1 = F, maka:

44

P(X1) = 0.5

P(X2 | X1) = 0.8

P(X3 | X1) = 0.6

P(X4 | X2, X3) = 0.9

P(X5 | X4) = 0.8

1728.08.09.06.08.05.0),,,,( 54321 =⋅⋅⋅⋅=XXXXXP ................ (4)

• X3 = F, X2 = T, X3 = T

)|(),|()|()|()(),,,,( 453241312154321 XXPXXXPXXPXXPXPXXXXXP ⋅⋅⋅⋅=

● Untuk X1 = T, maka:

P(X1) = 0.5

P(X2 | X1) = 0.9

P(X3 | X1) = 0.9

P(X4 | X2, X3) = 0.9

P(X5 | X4) = 0.8

2916.08.09.09.09.05.0),,,,( 54321 =⋅⋅⋅⋅=XXXXXP ................ (5)

● Untuk X1 = F, maka:

P(X1) = 0.5

P(X2 | X1) = 0.2

P(X3 | X1) = 0.4

P(X4 | X2, X3) = 0.9

P(X5 | X4) = 0.8

0288.08.09.04.02.05.0),,,,( 54321 =⋅⋅⋅⋅=XXXXXP ................ (6)

45

Jadi P(X1, X2, X3, X4, X5) untuk X4 = 1 adalah:

∑ ==5321 ,,, 5432154321 ),1,,,(),,,,(

XXXXXXXXXPXXXXXP

57996.0)6()5()4()3()2()1( =+++++=

Probabilitas trotoar basah karena keran air menyala (sprinkler):

)1(

),1,1,,(

)1()1|1(

)1|1(4

,, 54321

4

1343

521

=

===

===

===∑

XP

XXXXXP

XPXXP

XXP XXX

44754.057996.025956.0)1|1( 43 ==== XXP

Probabilitas trotoar basah karena turun hujan (rain):

)1(

),1,,1,(

)1()1|1()1|1(

4

,, 54321

4

1242

531

=

===

===

===∑

XP

XXXXXP

XPXXPXXP XXX

69584.057996.040356.0)1|1( 42 ==== XXP

Dari perhitungan di atas dapat kita simpulkan bahwa trotoar basah

disebabkan karena hujan, dengan bukti )1|1()1|1( 4342 ==>== XXPXXP ,

artinya probabilitas trotoar basah karena hujan lebih besar dari probabilitas

karena keran air menyala.

2.5.5. Penerapan Jejaring Bayesian Untuk Student Model

ITS merupakan bagian dari sistem basis pengetahuan yang diorientasikan

untuk mengajar. Khususnya, sebuah ITS merupakan sistem komputer ahli yang

mempunyai pengetahuan yang dalam tentang masalah subjek tertentu dan memandu

pembelajar dalam memperoleh pengetahuannya dalam sebuah proses yang interaktif.

46

Meskipun ada definisi tentang ITS yang tidak diterima dengan mempertanyakan “apa

arti mengajar dengan cara yang intelijen”, sekumpulan fitur yang ada pada ITS

adalah bahwa ITS dapat menyimpulkan sebuah model dari tingkat di mana seorang

pembelajar telah menguasai suatu subjek pengetahuan. Model ini digunakan untuk

membedakan tipe pengajaran yang dibutuhkan oleh pembelajar. Model pembelajar

(student model) adalah komponen ITS yang menggambarkan keadaan sekarang dari

pengetahuan pembelajar dan proses yang terdiri dari penarikan kesimpulan atas

kemampuan kognitif pembelajar dari data yang diobservasi yang disebut diagnosa.

Student model dan proses diagnosa merupakan dua komponen yang harus

dirancang secara bersamaan dan rancangan ini disebut dengan student modeling

problem. Jejaring Bayesian akan digunakan untuk mengambarkan student model ini

dan proses diagnosa akan menggunakan algoritma Bayesian. Student modeling

problem kemudian menjadi bentuk lain dari pengujian dan penilaian yang dapat

dibangun ke dalam model sebagai maksud untuk meningkatkan representasi dari

pengetahuan pembelajar (Everson, 1995). Everson kemudian menjelaskan

bagaimana pendekatan psikometrik dapat diaplikasikan dalam masalah ini. Teknik

baru ini termasuk pengenalan model secara statistik dan penarikan kesimpulan

menggunakan jejaring Bayesian.

Jejaring Bayesian telah berhasil digunakan untuk merancang sistem pakar

diagnosa penyakit (Millán, 1999). Masalah diagnosa penyakit ini menyimpulkan

suatu penyakit dari satu set gejala-gejala yang terobservasi. Student modeling

problem sangat mirip dengan masalah diagnosa penyakit ini karena student modeling

problem menyimpulkan pengetahuan pembelajar pada subjek tertentu dari satu set

data yang terobservasi, misalnya jawaban pembelajar tersebut pada satu set

47

pertanyaan yang diberikan oleh sistem. Oleh karena itu, dapat disimpulkan jejaring

Bayesian dapat dipakai untuk menyimpulkan student model seperti yang telah

digunakan dalam masalah diagnosa penyakit.

Dalam menarik kesimpulan mengenai informasi kemampuan yang dimiliki

oleh pembelajar, akan lebih baik jika data kemampuan direpresentasikan dalam nilai

berupa angka-angka yang mempunyai interpretasi umum dalam lingkungan

pembelajaran. Representasi yang paling cocok untuk deskripsi ini adalah

probabilitas. Probabilitas mempunyai kelebihan dalam merepresentasikan dan

menginterpretasikan tingkat kemampuan pembelajar karena probabilitas

menyediakan nilai-nilai matematika dan cara untuk mengatasi ketidakpastian dalam

tugas menilai kemampuan dan pengetahuan yang dimiliki pembelajar. Kelebihan

lainnya adalah bahwa probabilitas lebih ringkas, mudah dimengerti, dan lebih mudah

untuk dimanipulasi. Hasil dari probabilitas model pembelajar akan selalu konsisten

walaupun tidak selalu akurat, dan selalu dapat dijelaskan dalam bagian-bagian model

yang digunakan untuk membangunnya.

Dalam skripsi ini, metode yang digunakan untuk menghitung probabilitas

adalah jejaring Bayesian. Alasan memakai jejaring Bayesian ini adalah karena

berdasarkan survey yang dilakukan dalam penelitian-penelitian sebelumnya, tingkat

kepercayaan untuk menggunakan jejaring Bayesian untuk digunakan sebagai

pengambil kesimpulan mengenai student model sangatlah tinggi. Sebagai buktinya

jejaring Bayesian telah berhasil diaplikasikan untuk membangun student model

dalam beberapa aplikasi berikut:

• HYDRIVE (Mislevy, Gitomer, 1996) memodelkan kemampuan pembelajar dalam

menemukan masalah sistem hidrolik pesawat

48

• ANDES (Conati, et al., 1997) adalah sebuah ITS yang mengajarkan bagaimana

menyelesaikan masalah Fisika Newton

2.5.6 Membangun Student Model

Jika kita menggunakan jejaring Bayesian untuk mendefinisikan sebuah

student model, variabel-variabelnya dapat digambarkan dalam beberapa hal yang

berbeda, tergantung pada domain yang bersangkutan. Variabel-variabel dapat berupa

aturan, konsep, masalah, atau bahkan kemampuan atau keahlian. Variabel-variabel

ini dihubungkan dengan pengaruh sebab-musabab (kausal) di antara variabel-

variabel tersebut. Sesekali waktu hubungan antar variabel yang telah didefinisikan

ini perlu untuk ditentukan nilai conditional probability-nya.

Dalam jejaring Bayesian, probabilitas dihitung berdasarkan reliabilitas dari

prior probability dan conditional probability yang dijelaskan dalam jejaring, yakni

kemungkinan seorang peserta didik yang telah menguasai sebuah konsep menjawab

dengan benar pertanyaan yang mengandung konsep tersebut. Untuk menemukan

prior probability ini, digunakan tes diagnosis. Kita merencanakan untuk

memeperlakukan setiap konsep sebagai sebuah subskill yang berbeda, kemudian

menggunakan tes diagnosa untuk mencari tahu subskill manakah yang sudah

dikuasai oleh peserta didik. Dengan menghitung berapa kali setiap konsep atau

subskill dikuasai, maka dapat diperkirakan prior probability dari konsep tersebut.

Bayangkan ketika menjawab sebuah pertanyaan tertentu, seorang peserta

didik telah mengetahui n konsep. Untuk membangun sebuah jejaring Bayesian untuk

student model, perlu kita definisikan beberapa variabel berikut:

• Untuk setiap pertanyaan, sebuah variabel Q menunjukkan kemungkinan peserta

didik mampu atau tidak untuk menjawab pertanyaan. Q mempunyai dua nilai:

49

true jika peserta didik menjawab dengan benar, dan false jika sebaliknya.

• Untuk setiap i = 1, 2, …, n sebuah variabel Ci menunjukkan kemungkinan

peserta didik memahami konsep ke-i. Ci juga mempunyai dua nilai: true jika

peserta didik memahami konsep ke-i, atau false jika sebaliknya.

Jejaring Bayesian yang menggambarkan hubungan antara Q dan Ci adalah

sebagai berikut:

C1 C2 C3

Q

...

Gambar 2.7 Jejaring Bayesian untuk node Q dan Ci

Parameter yang diperlukan untuk jejaring ini adalah:

• Prior probability C1, C2, …, n

• Conditional probability Q yang dihasilkan oleh C1, C2, …, Cn sebanyak n + 2n

parameter

Untuk memudahkan dalam menentukan parameter dibuat dua parameter baru

untuk setiap konsep C:

• si (slip factor): kemungkinan seorang peserta didik yang memahami konsep ke-i

50

gagal untuk menerapkannya secara benar dalam pertanyaan tertentu.

• gi (guess): kemungkinan seorang peserta didik menebak jawaban dengan benar,

bahkan ketika ia tidak menerapkan konsep ke-i dengan benar.

Kemudian, probabilitas ),,,|( 21 nCCCqQP K= dapat dihitung sebagai

berikut:

∏∏∉∈

⋅−=∉¬=∧∈==Ni

iNi

ijjii gsSjcCSicCqQP )1(),,|(

Di mana }|},,2,1{{ ii cCniS =∈= K .

2.5.7 Contoh Penerapan Jejaring Bayesian untuk Student Model

Sebuah contoh sederhana akan digunakan untuk memberikan gambaran

masalah dan pendekatannya. Contoh yang akan dipakai adalah melakukan operasi

pertambahan pecahan dalam matematika. Konsep kemampuan yang dibutuhkan:

• C1: menjumlahkan seluruh angka (AddNum)

• C2: menyederhanakan pecahan (SimplFract)

• C3: menemukan faktor persekutuan terkecil (FindLCM)

• C4: menemukan persamaan pecahan yang sesuai dan menggunakan LCM

(EquivFract)

Tipe masalah (pertanyaan) yang berbeda dapat dikelompokkan sesuai dengan

tingkat kesulitannya. Semakin banyak konsep yang perlu diketahui peserta didik

dalam memecahkan suatu masalah berarti akan semakin tinggi tingkat kesulitan

masalah tersebut. Tipe-tipe masalah dan konsep yang dibutuhkan untuk jawaban

ditunjukkan pada tabel berikut:

51

Tabel 2.1 Hubungan masalah (Q) dan konsep (C)

Tipe Permasalahan Contoh Permasalahan Konsep yang DibutuhkanQ1 3

13

1 + C1

Q2 41

41 + C1, C2

Q3 41

31 + C1, C3, C4

Q4 61

31 + C1, C2, C3, C4

Untuk menggambarkan informasi ini, kita gunakan Jejaring Bayesian berikut:

Gambar 2.8 Topologi jejaring Bayesian untuk pertambahan pecahan

Oleh karena itu, untuk masalah ini kita akan membutuhkan prior probability

dari setiap penguasaan konsep dan conditional probability dari peserta didik untuk

mampu atau tidaknya dalam memecahkan masalah tertentu. Pada contoh di atas, kita

membutuhkan 4 prior probability dan 432 2222 +++ conditional probability,

sehingga seluruhnya berjumlah 34 parameter. Tetapi tidak hanya jumlah parameter

yang dianggap penting, tetapi juga sifat dasar parameter. Sebagai contoh, salah satu

dari parameter akan menjadi probabilitas bahwa seorang peserta didik mampu untuk

52

memecahkan masalah tipe 4, dinyatakan mengenai peserta didik bahwa dia tahu

bagaimana melakukan penjumlahan seluruh angka dan menemukan LCM tetapi tidak

tahu bagaimana menyederhanakan pecahan serta tidak tahu menemukan persamaan

pecahan.

Untuk mengurangi kompleksitas parameter conditional probability yang

digunakan, dengan menggunakan pendekatan yang disajikan di sini maka:

• Prior probability dapat diperkirakan oleh pengajar atau diperoleh dari tes yang

diberikan untuk sebagian kelompok dari para peserta didik untuk mendapatkan

sampel probabilitas dari suatu populasi.

• Probabilitas dari faktor slip atau guess untuk setiap konsep yang ada di dalamnya

harus diperkirakan oleh pengajar dan tentu saja akan dihubungkan dengan

bagaimana tingkat kesulitan konsep tersebut. Akan lebih mudah untuk slip pada

konsep yang mengandung perhitungan yang sulit dan untuk guess pada konsep

yang mudah.

Dengan ini kita telah mengurangi kompleksitas dari model menjadi 12

parameter saja. Sebagai contoh kita perkirakan parameter sesuai pada Tabel 2.2.

Tabel 2.2 Prior probability, slip probability, dan guess probability

Konsep Prior (p) Slip (s) Guess (g) C1 (AddNum) 0.9 0.1 0.3 C2 (SimplFract) 0.8 0.2 0.4 C3 (FindLCM) 0.6 0.4 0.1 C4 (EquivFract) 0.7 0.3 0.1

53

Kemudian conditional probability dapat dihitung dari parameter-parameter

tersebut. Contohnya probabilitas bahwa seorang peserta didik mampu memecahkan

masalah tipe 4, dinyatakan mengenai peserta didik bahwa dia tahu bagaimana untuk

melakukan penjumlahan seluruh angka dan menemukan LCM, tetapi tidak tahu

bagaimana menyederhanakan pecahan serta tidak tahu menemukan persamaan

pecahan, adalah:

0216.01.06.04.09.0)1()1(),,,|( 4321432144 =×××=⋅−⋅⋅−=¬¬= gsgsccccqQP

Jadi semua conditional probability dapat dihitung dengan mengalikan kombinasi

antara slip dan guess seperti cara di atas.

2.6. Course Generator

Course Generator merupakan komponen yang membuat materi ajar, melakukan

interaksi dengan peserta didik dan memelihara student model.

2.6.1. Course Planner

Course Planner merupakan program perencanaan AND/OR Graph yang

memiliki 2 tujuan, yaitu:

1. Menghasilkan rencana konten(topik/konsep) yang digunakan pada

pembelajaran berdasarkan tujuan pengajaran.

2. Menciptakan rencana presentasi(urutan tugas) untuk mengajar tujuan konsep.

Algoritma planning merupakan modifikasi algoritma pencarian AO*

graph(Nilsson, 1980). Graph Solusinya adalah AND-Graph yang dimulai dari konsep

/ topik diketahui oleh peserta didik (probabilitas tingi kendala dalam model peserta

didik) dan mengarah ke tujuan konsep / topik.

54

2.6.2. Executor

Executor melaksanakan rencana pembelajaran yang didapat dari Planner.

Dengan pemilihan strategi yang tepat, executor menghasilkan materi ajar yang

sesuai. Pada saat pembelajaran dilakukan pembaharuan terhadap student model

berdasarkan hasil evaluasi terhadap peserta didik. Setelah itu planner bisa saja

melakukan perencanaan ulang terhadap rencana pembelajaran berdasarkan student

model yang sudah berubah.

2.6.3. Teknik Pencarian

Hampir semua program intelegensia semu dapat dikatakan melakukan suatu

bentuk penyelesaian masalah entah itu menerjemahkan pemandangan visual,

penguraian suatu kalimat atau perencanaan urutan aksi robot. Teknik pencarian

adalah salah satu dari pusat pembicaraan pada sistem penyelesaian masalah. Hal itu

terjadi ketika kapanpun sistem, karena kekurangan pengetahuan, dihadapkan pada

sejumlah alternatif dimana tiap pilihan akan mengarahkan ke pilihan lainnya yang

lebih dalam dan seterusnya sampai masalah tersebut terselesaikan.

2.6.3.1. Teknik Pencarian Melebar Pertama

Pada Teknik Pencarian Melebar Pertama, semua node pada level n akan

dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1.

Pencarian dimulai dari node akar terus ke level ke-1 dari kiri ke kanan, kemudian

berpindah ke level berikutnya demikian pula dari kiri ke kanan hingga

ditemukannya solusi.

Contoh Teknik Pencarian Melebar Pertama

55

Gambar 2.9 Teknik Pencarian Melebar Pertama

Teknik Pencarian Melebar Pertama memiliki keunggulan antara lain

adalah tidak akan menemui jalan buntu. Jika ada sebuah solusi, maka Teknik

Pencarian Melebar Pertama akan menemukan solusi tersebut dan apabila ada

lebih dari satu solusi, maka minimal sebuah solusi akan ditemukan. Akan tetapi

teknik pencarian ini memiliki kelemahan yaitu adalah teknik pencarian ini

memerlukan memori yang cukup banyak, karena menyimpan semua node dalam

satu pohon. Selain itu teknik pencarian ini juga membutuhkan waktu yang lama,

karena akan menguji n level untuk mendapatkan solusi pada level yang ke-(n+1).

2.6.3.2. Teknik Pencarian Mendalam Pertama

Pada Teknik Pencarian Mendalam Pertama, proses pencarian akan

dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node yang

satu level. Pencarian dimulai dari node akar ke level yang lebih tinggi. Proses ini

diulang terus hingga ditemukan solusi.

Contoh Teknik Pencarian Mendalam Pertama

56

Gambar 2.10 Teknik Pencarian Mendalam Pertama

Teknik Pencarian Mendalam Pertama memiliki keunggulan antara lain

membutuhkan memori yang relatif kecil, karena node-node pada lintasan yang

aktif saja yang disimpan. Selain itu teknik pencarian ini tidak perlu memeriksa

banyak ruang pencarian secara keseluruhan untuk menemukan sebuah solusi.

Namun teknik pencarian ini juga memiliki kelemahan, yakni memungkinkan

tidak ditemukannya tujuan yang diharapkan dan hanya akan mendapatkan satu

solusi pada setiap pencarian.

2.6.3.3. Teknik Pencarian Heuristik

Heuristik adalah petunjuk praktis yang membantu kita untuk memutuskan

apa yang akan kita lakukan. Dengan heuristik kita tidak perlu berpikir secara

lengkap dalam menghadapi masalah-masalah. Sadar atau tidak sadar kita

seringkali menggunakan heuristik. Kata heuristik itu sendiri diturunkan dari

Bahasa Yunani yaitu “eureka” yang berarti “menemukan”. Dua teknik pencarian

yang dibahas sebelumnya dikatakan merupakan pencarian yang exhaustive.

57

Maksudnya adalah kedua teknik pencarian tersebut melakukan pencarian secara

sistematis namun tanpa mengetahui kira-kira di mana goal node akan ditemukan.

Agar pencarian yang exhaustive tidak terjadi, maka diperlukan suatu cara agar

mekanisme pencarian dapat lebih diarahkan menuju goal node. Hal tersebut

dapat dicapai dengan memberikan petunjuk pada mekanisme pencarian. Secara

teknis, petunjuk yang dimaksud inilah yang disebut heuristik. Dengan

memberikan informasi mengenai jarak dari node saat ini ke node goal misalnya,

akan membuat pencarian menjadi lebih terarah tanpa harus mengeksplorasi node-

node lain yang tidak akan menyebabkan tercapainya tujuan.

Perhatikan gambar 2.11, pada gambar tersebut terdapat sebuah graph

yang tiap path-nya memiliki informasi mengenai jarak antara node saat ini

dengan node selanjutnya. Dengan petunjuk tersebut, path yang jaraknya lebih

kecil akan diambil.

Gambar 2.11 Graph dengan nilai pada tiap path

58

Jika node awal adalah A dan node goal yang dimaksud adalah G, maka

langkah yang akan diambil dengan menggunakan Teknik Pencarian Heuristik ini

adalah A-B-D-F-E-G dengan total path yang diambil adalah 11. Pada awal, di

node A antara 5 dan 9 akan dipilih 5 karena lebih kecil jarak path-nya. Pada node

B dipilih path ke node D karena jarak menuju node D lebih kecil daripada ke

node E. Baru dari node D dipilih path ke E karena path ke F memiliki jarak 3.

Dari E langsung ke goal node dengan jarak path 3.

2.6.3.4. Pembobotan

Pada beberapa jenis grafik biasanya terdapat bobot (weight) di tiap

garisnya dan biasanya direpresentasikan dengan angka riil. Angka-angka tersebut

dapat dibatasi pada bilangan rasional atau bulat. Beberapa algoritma tertentu

membutuhkan pembatasan lebih lanjut dalam pembobotan, contohnya algoritma

Djikstra yang bekerja hanya pada bobot positif. Pada beberapa teori grafik,

istilah jejaring digunakan untuk menyebut grafik yang memiliki bobot. Jejaring

dapat berupa directed ataupun undirected.

2.7. PRADO

PRADO adalah sebuah framework pemrograman yang berbasikan komponen dan

event-driven untuk mengembangkan aplikasi Web dalam PHP 5. PRADO merupakan

singkatan dari PHP Rapid Application Development Object-oriented. Tujuan utama dari

PRADO adalah memaksimalkan reusability dalam pemrograman Web. Reusability

dalam hal ini, bukan hanya berarti menggunakan ulang code sendiri, tetapi juga

menggunakan ulang code orang lain dengan cara yang mudah. Hal tersebut penting

59

karena menghemat waktu dalam upaya reinventing the wheel dan dapat memotong

waktu pengembangan secara dramatis. Pengenalan mengenai konsep komponen

ditujukan agar reusability dapat terwujud.

Untuk mencapai tujuan di atas, PRADO menetapkan sebuah protokol dalam

menulis dan menggunakan komponen untuk membangun aplikasi Web. Komponen

adalah unit perangkat lunak yang serba lengkap dan dapat digunakan kembali dengan

penyesuaian sederhana. Sebuah komponen baru dapat dibuat dengan komposisi

sederhana dari komponen yang sudah ada. Untuk memudahkan interaksi dengan

komponen, PRADO menerapkan sebuah paradigma pemrograman event-driven yang

memungkinkan delegasi dari perilaku ke komponen. Aktivitas user, seperti mengklik

tombol submit, diambil sebagai event server. Methods dapat dilampirkan pada event ini,

sehingga bila terjadi event, methods tersebut secara otomatis terpanggil untuk

menanggapi event. Dibandingkan dengan pemrograman Web tradisional di mana para

pengembang harus berurusan dengan variabel POST atau GET, pemrograman event-

driven membantu pengembang lebih fokus pada logika yang diperlukan dan mengurangi

secara signifikan penulisan code yang low-level secara berulang.

Secara ringkas, mengembangkan aplikasi Web menggunakan PRADO

melibatkan komponen yang telah ada, mengkonfigurasi pengaturan propertinya,

menanggapi event dengan menuliskan fungsi yang menanganinya, dan menyusun

mereka ke dalam halaman untuk aplikasi. Sangat mirip dengan toolkit RAD, seperti

Borland Delphi dan Microsoft Visual Basic, yang digunakan untuk mengembangkan

aplikasi GUI desktop.

60

2.7.1. Keuntungan menggunakan PRADO

PRADO dikatakan sebagai framework yang unik. Bahkan, karena uniknya

dapat mengubah pemrograman PHP yang membosankan menjadi tugas yang

menyenangkan. Berikut ini adalah ringkasan pendek dari fitur utama PRADO :

1. Reusability - Code yang mengikuti protokol komponen PRADO sangat reusable.

Hal ini menguntungkan tim pengembang dalam jangka panjang, karena mereka

dapat menggunakan kembali pekerjaan mereka yang lama dan mengintegrasikan

pekerjaan pihak lain dengan mudah.

2. Event-driven programming - Aktivitas user, seperti mengklik tombol submit,

diambil sebagai event server sehingga pengembang dapat lebih berfokus

menangani interaksi dengan user.

3. Team integration - Presentasi dan logika disimpan secara terpisah. Aplikasi

PRADO dapat berganti-ganti theme.

4. Powerful Web controls - PRADO hadir dengan kumpulan komponen yang

menangani antarmuka pengguna Web. Halaman Web dengan interaksi yang

tinggi dapat dibuat dengan beberapa baris kode. Sebagai contoh, menggunakan

komponen datagrid, programmer dapat dengan cepat membuat sebuah halaman

yang menyajikan tabel data yang memungkinkan paging, penyortiran,

pengeditan, dan menghapus baris data.

61

5. Strong database support - Sejak versi 3.1, PRADO telah dilengkapi dengan

dukungan database lengkap yang ditulis dengan baik. Sesuai dengan

kompleksitas dari obyek bisnisnya, programmer dapat memilih untuk

menggunakan akses data berbasis PDO sederhana, atau dengan active record

yang cukup dikenal, lengkap atau skema pemetaan obyek bisnis SqlMap.

6. Seamless AJAX support - Menggunakan AJAX dalam PRADO sangat mudah

dengan menggunakan active control yang inovatif yang diperkenalkan sejak

versi 3.1. Programmer dapat dengan mudah menulis aplikasi AJAX tanpa

menulis satu baris kode javascript sama sekali. Bahkan, menggunakan active

control tidak jauh berbeda dengan menggunakan non-AJAX Web kontrol biasa.

7. I18N and L10N support - PRADO menyertakan dukungan lengkap untuk

membangun aplikasi dengan beberapa bahasa dan lokalisasi.

8. XHTML compliance - halaman Web yang dihasilkan oleh PRADO adalah sesuai

XHTML.

9. Accommodation of existing work - PRADO adalah framework umum dengan

fokus pada lapisan presentasi. Ia tidak mengecualikan para pengembang dari

penggunaan class yang ada atau toolkit.

2.7.2. PRADO dibandingkan framework lain

PRADO merupakan framework yang unik. Keunikannya terutama terletak

pada paradigma pemrograman berbasis komponen dan event-driven. Walaupun

62

paradigma ini bukan merupakan hal baru dalam pemrograman aplikasi desktop dan

bukan baru dalam beberapa bahasa pemrograman web, PRADO mungkin merupakan

framework PHP pertama yang memungkinkan hal tersebut.

Kebanyakan framework PHP berfokus pada memisahkan presentasi dan

logika dan mendorong pemakaian pola desain MVC (model-view-controller).

PRADO mencapai tujuan yang sama dengan cara menyimpan logika dalam class dan

presentasi dalam template. PRADO melakukan hal lebih pada aspek-aspek lain

selain MVC. PRADO mengisi banyak area kosong dalam pemrograman Web PHP

dengan paradigma pemrograman berbasis komponen, kaya akan kumpulan kontrol

untuk Web, dengan dukungan kuat database, penanganan kesalahan yang fleksibel

dan fitur logging, dan sebagainya.

2.7.3. Sejarah PRADO

Inspirasi awal dari PRADO berasal dari Apache Tapestry. Selama desain dan

implementasi, pengembang banyak meminjam ide dari Borland Delphi dan

Microsoft ASP.NET. Versi pertama PRADO keluar pada bulan Juni 2004 dan ditulis

dalam PHP 4. Digerakkan oleh Zend PHP 5 coding contest, saya menulis ulang

PRADO dalam PHP 5, yang merupakan tindakan bijaksana, karena adanya model

obyek baru yang disediakan oleh PHP 5. PRADO memenangkan hadiah utama

dalam kontes Zend, mendapatkan perolehan suara tertinggi kedua dari masyarakat

dan juri.

Pada bulan Agustus 2004, PRADO mulai dimasukkan di SourceForge

sebagai proyek yang open source. Segera setelah itu, proyek situs xisc.com

diumumkan ke publik. Dengan dukungan fantastis dari tim pengembang PRADO

63

dan pengguna PRADO, PRADO berkembang ke versi 2.0 pada pertengahan 2005.

Dalam versi ini, Wei Zhuo berkontribusi ke PRADO dengan baik dalam dukungan

I18n dan L10N. Pada bulan Mei 2005, pengembang memutuskan untuk menulis

ulang sepenuhnya framework PRADO yang menyelesaikan beberapa masalah

mendasar ditemukan di versi 2.0 dan untuk menangkap beberapa fitur yang tersedia

dalam Microsoft ASP.NET 2.0. Setelah hampir satu tahun kerja keras dengan lebih

dari 50.000 baris kode baru, versi 3,0 itu akhirnya tersedia pada bulan April 2006.

Mulai dari versi 3.0, usaha signifikan dialokasikan untuk memastikan

kualitas dan stabilitas PRADO. Jika pengembang katakan PRADO v2.x dan v1.x

adalah pekerjaan bukti-dari-konsep, kami dapat mengatakan PRADO 3.x telah

berkembang sampai proyek yang cocok untuk pengembangan aplikasi bisnis.

2.7.4. Arsitektur PRADO

PRADO pada umumnya adalah sebuah framework presentasional, meskipun

tidak terbatas pada itu saja. PRADO berfokus pada pembuatan pemrograman Web,

yang sebagian besar berurusan dengan waktu interaksi pengguna, menjadi berbasis

komponen dan event-driven agar para pengembang dapat lebih produktif. Pohon

class berikut menggambarkan beberapa kelas utama yang disediakan oleh PRADO,

64

Gambar 2.12 Pohon Class utama framework PRADO

Ketika sebuah aplikasi PRADO memproses permintaan halaman, diagram objek statis-

nya dapat ditampilkan sebagai berikut,

Gambar 2.13 Diagram Objek Statis halaman web PRADO