BAB II KAJIAN PUSTAKA 2.1 Intelligent Tutoring...
Transcript of BAB II KAJIAN PUSTAKA 2.1 Intelligent Tutoring...
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB II
KAJIAN PUSTAKA
Bab ini akan menjelaskan berbagai informasi yang didapatkan dari studi
literatur mengenai Intelligent Tutoring system, Metode Bayesian, dan teori-teori
yang digunakan serta menunjang dalam melakukan penelitian ini.
2.1 Intelligent Tutoring System
Intelligent Tutoring System (ITS) adalah salah satu aplikasi komputer yang
menggunakan teknik kecerdasan buatan dalam melakukan pembelajaran dengan
meniru mimik manusia dalam kegiatan belajar mengajar (Sedlmeier, 2004). Seperti
yang disampaikan oleh Samuel Jauhari & Ibrahim (2010) “ITS merupakan sebuah
aplikasi komputer yang mempunyai kecerdasan dalam melakukan pembelajaran”.
Dalam jurnal yang sama Gonzales juga menyatakan ITS adalah sebuah aplikasi
komputer yang cerdas karena mempunyai komponen kecerdasan buatan.
Pemahaman Intelligent Tutoring System atau sistem pembelajaran cerdas
telah berkembang menjadi suatu sistem yang dapat memahami dan berlaku seperti
seorang pengajar. Sistem ini dapat memberikan fleksibilitas dalam
mempresentasikan materi dan kemampuan memahami kondisi dan karakteristik
siswa yang berbeda-beda.
Penggunaan Kecerdasan buatan dalam aplikasi ITS ini yaitu untuk
memahami kondisi dan karakteristik siswa yang berbeda-beda. Selain itu
kecerdasan buatan dalam sistem cerdas ini juga dapat mengetahui kelemahan
siswa, sehingga dapat diambil keputusan pedagogik untuk mengatasinya. Dengan
demikian aplikasi ITS dapat melakukan adaptasi sesuai kebutuhan user.
Menurut Santhi dkk (2013) ITS adalah salah satu program komputer yang
menggunakan teknik Artificial Intelligence (AI) untuk mewakili pengetahuan yang
membantu pendidik dalam strategi mengajar dan mampu berperilaku seperti
seorang ahli, baik dalam domain pengetahuan yang mengajarkan (menunjukkan
siswa bagaimana menerapkan pengetahuan itu), seperti dalam domain pedagogik,
di mana ia mampu mendiagnosis situasi dimana siswa adalah dan memberikan
solusi yang memungkinkan dia/kemajuannya dalam belajar.
6
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
7
Selain itu Nwana berpendapat bahwa Intelligent Tutoring System suatu
sistem yang didesain untuk menyediakan pengajar yang dapat mengetahui apa
yang diajarkan, siapa yang akan diajarkan dan bagaimana cara mengajar. Tujuan
dari ITS adalah memungkinkan bagi pelajar untuk memperoleh pengetahuan dan
mengembangkan kemampuan dalam suatu bidang tertentu.
Secara sederhana ITS adalah sistem cerdas yang bertindak seperti pengajar
pada umumnya yang membantu siswa dalam proses pembelajaran. Selain itu
kelebihan sistem cerdas ini dapat membantu pengajar agar dapat mengawasi
pelajar secara individu, sehingga proses pembelajaran dapat terlaksana secara
maksimal. Meskipun ITS merupakan sistem proses pembelajaran yang efektif,
sistem ini tidak akan menggantikan model belajar mengajar konvensional, tetapi
sistem ini dapat menjadi pendukung dalam proses pembelajaran.
2.1.1 Komponen Intelligent Tutoring System
Secara umum Intelligent Tutoring System memiliki beberapa komponen
yang terintegrasi dan membangun sebuah sistem, seperti yang disajikan pada
gambar 2.1.
Gambar 2. 1 Arsitektur ITS (Amastini, 2014)
Woolf (2009:44) menyatakan terdapat 4 komponen dalam sebuah ITS,
diantaranya:
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
8
1. Domain Module (Domain Knowledge)
Domain module ini juga disebut dengan domain knowledge, Dalam
beberapa literatur model ini berkaitan dengan model domain tertentu
dari arsitektur lain. Domain ini mendeskripsikan pendapat,
pemahaman, dan pengetahuan dari para pakar di bidang dimana ITS ini
digunakan. Tujuan dari model domain ini adalah untuk menyimpan,
memanipulasi dan menyusun informasi pengetahuan, konsep, dan
materi pembelajaran yang akan diajarkan. Domain ini juga dapat
digunakan untuk mendiagnosa letak kesulitan belajar siswa dengan
cara dibandingkan dengan pengetahuan siswa.
Domain knowledge memiliki tiga bagian (Verkatesh dkk, 2010):
• Meta-description adalah komponen untuk menyimpan
informasi yang dapat memudahkan dalam pemilihan dan
penyusunan kumpulan materi pelajaran berdasarkan kategori
maupun deskripsinya seperti berdasarkan tingkat kesulitan,
jenis pedagogik (teori, conntoh atau latihan), maupun jenis
multimedia yang digunakan.
• Kumpulan materi pelajaran berupa teori, contoh dan latihan
yang dibuat berdasarkan konsep pengetahuan.
• Konsep pengetahuan yang berupa seperti mind mapping, konsep
pengetahuan yang dibentuk menjadi bagian kecil yang saling
bertautan satu sama lain sehingga membentuk sebuah jaringan
peta konsep mengenai materi yang akan diajarkan pada siswa.
2. Student Module (Student Knowledge)
Student module adalah bagian yang memodelkan pengetahuan dan
perilaku siswa yang dimodelkan sehingga dapat dipahami oleh sistem.
Komponen Student Modul ini mencangkup beberapa data seperti
informasi mengenai data pribadi pelajar, parameter interaksi yang
menyimpan informasi mengenai interaksi sistem dengan siswa (contohnya
jenis dan tipe materi yang diakses, latihan yang diikuti, dll). Data
Komponen dari model ini ditujukan untuk menyimpan, mengelola,
menganalisis informasi dari profil pelajar seperti seberapa jauh
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
9
pengetahuan dari pelajar tersebut. Pengetahuan siswa tersebut kemudian
dianalisis dan dibandingkan dengan domain knowledge sehingga dapat
diketahui kesenjangan pengetahuan antara siswa dengan pengetahuan
yang diharapkan. Tujuannya adalah untuk memberikan bimbingan secara
personal bagi masing-masing pelajar berdasarkan profilnya.
3. Pedagogical /Tutor Module
Tutor / Pedagogical Model merupakan bagian dari Intelligent Tutoring
System yang melakukan tindakan korektif atas gap knowledge antara
domain knowledge. Tindakan korektif tersebut bertujuan untuk
menangani strategi pengajaran yang akan digunakan oleh masing-
masing siswa dengan menyediakan informasi strategi belajar
berdasarkan tingkat pengetahuan pelajar, dan pemahaman konsep.
Modul ini seperti model bimbingan belajar yang menyediakan
informasi mengenai strategi pengajaran yang akan digunakan masing-
masing siswa.
Pedagogical module ini mempunyai 3 komponen utama (Venkatesh
dkk, 2010):
• Concept neurules berfungsi untuk membangun rencana
pengajaran yang disesuaikan dengan siswa berdasarkan parameter
seperti, konsep pengetahuan siswa, tingkat pengetahuan domain
siswa, tingkat pemahaman konsep-konsep.
• Course units’ neurules adalah komponen yang akan memilih
dan menyusun kumpulan konsep untuk diberikan ke siswa,
berdasarkan rencana pengajaran yang disesuaikan oleh concept
neurules.
• Model evaluasi bertujuan untuk mengevaluasi kinerja pelajar
dalam proses pembelajaran contohnya hasil evaluasi/tes yang
diberikan keada pelajar.
4. Interface Module (Communication Knowledge)
Interface Module merupakan komponen perantara antara sistem dan
pelajar untuk berkomunikasi. Komponen ini tidak memiliki aturan baku
dalam merancang bagian interface, tetapi yang lebih penting untuk
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
10
diperhatikan yaitu keefektifan dan ditampilkan baik secara informatif,
grafis, maupun kombinasi keduanya. Modul ini mengintegrasikan
beberapa jenis informasi yang diperlukan dalam komunikasi antar
sistem dan pengguna. Bagian ini akan menampilkam informasi atau
data yang terdapat dalam sistem serta menerima masukan secara
langsung dari pengguna untuk disalurkan pada modul-modul ITS untuk
diolah lebih lanjut.
2.1.2 Model-model Intelligent Tutoring System (ITS)
ITS telah banyak digunakan dalam berbagai kegiatan, ITS dikelompokkan
oleh Woolf (dalam Faisal, 2014) dalam model-model sebagai berikut:
1. Berdasarkan Kemampuan
Salah satu model dalam ITS adalah Pemodelan berdasarkan kemampuan,
pemodelan ini mampu memodelkan kemampuan siswa dalam memahami
konsep yang diajarkan. Contoh pemodelan ini adalah
2. Berdasarkan Prosedur
Pemodelan berdasarkan prosedur merupakan pemodelan untuk
mengambil informasi kemampuan siswa berdasarkan kesesuaian antara
prosedur yang dilakukan oleh siswa berdasarkan kesesuaian antara
prosedur yang dilakukan oleh siswa dan prosedur seharusnya. Contoh
penggunaan model ini dalam ITS digunakan oleh mahasiswa
kedokteran dalam mempelajari prosedur medis dalam pengobatan
masalah-masalah kardiak disebut juga Cardiac Tutor.
3. Berdasarkan Afeksi
Pemodelan terakhir menurut Woolf adalah pemodelan ITS yang
didasarkan pada afeksi penguna ITS yakni pengenalan terhadap emosi
siswa yang menggunakan ITS. Bentuk ITS yang digunakan ada 2
macam yaitu, pengenalan yang dilakukan menggunakan perangkat
keras contohnya menggunakan kamera video untuk meilhat gesture
wajah pengguna ITS, atau menggunakan perangkat lunak contohnya
menggunakan media yang didasarkan pada pilihan penggunanya.
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
11
Contoh pengunaan model ini dalam ITS adalah pengenalan jenis
prefensi belaja yang dialami siswa yaitu Wayang Outpost.
2.1.3 Aplikasi Intelligent Tutoring System (ITS)
Intelligent Tutoring System dikembangkan sejak tahun 1970, kemudian
ditinjau ulang oleh Sleeman dan Brown pada tahun 1982 sebagai perubahan suatu
sistem yang membedakan sistem sebelumnya yaitu Computer Asssited Instruction
(CAI). Hal utama yang tetap dipertahankan dalam Intelligent Tutoring System
adalah platform untuk memperhalus Artificial Intelligent (AI) Burton, 1982
(dalam Adang Suhenda dkk, 2004).
Perkembangan ITS banyak digunakan dalam berbagai bentuk contohnya
dalam bentuk website dan aplikasi desktop. Salah satu contoh aplikasi ITS yang
sudah pernah dikembangkan yaitu SmartPILOT. SmartPILOT adalah aplikasi
yang dapat digunakan untuk membantu mengembangkan perangkat kursus
berbasis komputer.
Selain itu Edward Sykes (2003) turut serta dalam pengembangan sistem
cerdas dengan teknik kecerdasan buatan yang digunakan dan tampilan antarmuka
pengguna untuk SPC. Domain masalah yang dibahas adalah pemrograman Java.
Seperti yang dilakukan oleh Variq, dkk. (2010), yang membangun aplikasi
ITS berbasis desktop dengan menggunakan Java Swing. Topik yang diambil
sebagai implementasi program ini adalah bahasa inggris dengan bidang bahasan
yang diambil adalah grammar dengan pokok bahasan present tense, past tense,
dan future tense. Sistem ini dikembangkan dalam bentuk adaptive test berupa
Tanya jawab yang secara otomatis menyesuaikan kemampuan pada siswa
berdasarkan hasil jawaban yang kemudian dilanjutkan menampilkan hasil dan
referensi materi, sehingga pengguna dapat mengetahui kelebihan dan kekurangan
dirinya dalam menghadapi soal pelajaran tersebut.
2.2 Web Based Intelligent Tutoring System
Penggunaan internet telah banyak digunakan diberbagai bidang termasuk
dalam dunia pendidikan. Internet adalah media yang populer saat ini untuk
memberikan instruksi dan informasi, internet juga menghasilkan konsep
pembelajaran jarak jauh. Sistem pendidikan berbasis web (e-learning) juga telah
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
12
memberikan banyak kemudahan baik bagi pendidik maupun siswanya sendiri
misalnya membantu siswa dalam mencari materi dengan mudah, juga mempermudah
pendidik memberikan materi yang akan disampaikan kepada siswa.
Internet dapat dimanfaatkan pada Intelligent Tutoring System, yaitu Intelligent
Tutoring System (ITS) berbasis website. Deifinisi Web Based Intelligent Tutoring
System dapat didefinisikan setelah kita mengetahui definisi Web Based Application.
Menurut Rouse (dalam Dewi dan Nur Siti, 2016) Web based (application) adalah
sebuah program yang disimpan di server dan dikirim melaluli internet dan diakses
melalui antarmuka browser. Sedangkan W3Consotorium mendefinisikan Web based
application sebagai aplikasi yang berjalan dalam protokol HTTP yang dapat
digunakan dalam pemrosesan mesin komputer. Protokol HTTP berjalan dalam sistem
jarinagan komputer, maka web based (application) juga dapat diakses oleh perangkat
yang terhubung pada jaringan tersebut.
Web Based Intelligent Tutoring System adalah sebuah ITS yang dijalankan
diatas jaringan komputer dengan memanfaatkan protokol HTTP sehingga dapat
diakses oleh perangkat yang terhubung jaringan yang dimaksud. Jaringan tersebut
dapat berupa internet yang terkoneksi dengan jaringan internasional ataupun
intranet yang tersedia hanya dalam wilayah tertetu. Dengan adanya Web Based
Intelligent Tutoring System aplikasi ITS dapat diakses dimana saja selama
terhubung dengan jaringan yang digunakan oleh ITS tersebut. Bahkan saat ini
sudah banyak perangkat yang mendukung aplikasi web, semisal Personal
Computer, Laptop, bahkan Mobile Device.
Kemudahan akses ITS ini tidak semata-mata meningkatkan akses apabila
tanpa dukungan dan sampingan oleh penddik. Penelitian yang dilakukan oleh
Mitrovic dalam Woolf (2009:356) menyatakan bahwa aplikasi ITS berbasis web
tanpa bimbingan guru tidak lebih unggul dari local ITS yang didampingi guru.
Oleh karena itu pengembangan ITS berbasis web ini perlu memperhatikan
interaktivitas, pendampingan, dan pengawasan yang dilakukan oleh guru.
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
13
2.3 Naïve Bayes
Naïve Bayes adalah salah satu algoritma yang terdapat pada teknik data
mining klasifikasi. Naïve Bayes merupakan pengklasifikasian dengan metode
probabilitas dan statistik yang dikemukakan oleh ilmuan Inggris yaitu Thomas
bayes. Naïve Bayes memprediksi peluang dimasa depan berdasarkan pengalaman
dimasa sebelumnya, sehingga dikenal dengan Teorema Bayes. Menurut Olson dan
Delen (2008:102) menjelaskan Naïve Bayes untuk setiap kelas keputusan,
menghitung probabilitas dengan syarat bahwa kelas keputusan adalah benar,
mengingat vektor informasi obyek. Algoritma ini mengasumsikan bahwa atribut
obyek adalah independen atau tidak saling ketergantungan yang diberikan nilai
pada variable kelas (Patil & Sherekar, 2013). Probabilitas yang terlibat dalam
memproduksi perkiraan akhir dihitung sebagai jumlah frekuensi dari "master"
tabel keputusan. Definisi lain mengatakan Naive Bayes merupakan
pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh
ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan
berdasarkan pengalaman dimasa sebelumnya (Bustami, 2014).
Naïve Bayes melakukan perhitungan probabilitas dari semua kelas untuk
semua mauskan atau fitur yang membangun sebuah dokumen. Selanjutnya, naïve
bayes memilih kellas hasil klasifikasi berdasarkan hasl perhitungan probabilitas
sari kelas tersebut. Kelas yang memilki probabilitas yang paling besar
dibandingkan dengan kelas yang lainnya akan terpilih sebagai kelas yang paling
layak untuk dijadikan sebagai hasil (Manning, Raghavan, & Schütze, 2009).
Metode Naïve Bayes menggunakan teorema Bayes dengan bentuk
persamaan sebagai berikut:
P (H|X) =
( | ) ( ) (2.1)
( )
Keterangan:
• P : Probablitas
• X : Variabel yang probabilitasnya akan dihitung
• H : variable yang menjadi kondisi dari variable yang akan
dicari probabilitasnya
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
14
• P (H|X) : probabilitas hipotesis H berdasarkan kondisi X
• ( ) : Probabilitas hipotesis (prior probability)
• ( | ) : Probabilitas berdasarkan kondisi pada hipotesis
• ( ) : Probabilitas
Dibawah ini merupakan tabel 2.1 yaitu data mahasiswa yang merupkan
contoh kasus yang akan dicoba.
Tabel 2. 1 Contoh Data Mahasiswa Untuk Kasus Naïve Bayes
No Jenis Kelamin Status Status
IPK Status
Mahasiswa Pernikahan
Kelulusan
1 Laki – laki Mahasiswa Belum 3.17 Tepat
2 Laki – laki Bekerja Belum 3.30 Tepat
3 Perempuan Mahasiswa Belum 3.01 Tepat
4 Perempuan Mahasiswa Menikah 3.25 Tepat
5 Laki – laki Bekerja Menikah 3.20 Tepat
6 Laki – laki Bekerja Menikah 2.50 Terlambat
7 Perempuan Bekerja Menikah 3.00 Terlambat
8 Perempuan Bekerja Belum 2.70 Terlambat
9 Laki – laki Bekerja Belum 2.40 Terlambat
10 Perempuan Mahasiswa Menikah 2.50 Terlambat
11 Perempuan Mahasiswa Belum 2.50 Terlambat
12 Perempuan Mahasiswa Belum 3.50 Tepat
13 Laki – laki Bekerja Menikah 3.30 Tepat
14 Laki – laki Mahasiswa Menikah 3.25 Tepat
15 Laki – laki Mahasiswa Belum 2.30 Terlambat
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
15
Berikut merupakan contoh kasusnya, diberikan sebuah data mahasiswa yang
terdapat pada Tabel 2.1 yang terdiri dari informasi jenis kelamin, status
mahasiswa, status pernikahan, IPK, dan status kelulusan. Kemudian dari data
tersebut dimintaiuntuk menghitung probabilitas status kelulusan dengan keadaan
status mahasiswa nya tidak sedang bekerja, status pernikahan nya belum, jenis
kelamin nya laki-laki, dan IPK semester 1-6 adalah 2,70. Berikut ini adalah cara
untuk mendapatkan nilai probabilitasnya:
1. Diketahui
Jenis Kelamin (JK)
Status Mahasiswa (SM)
Status Pernikahan (SP)
IPK
= Laki-laki
= Mahasiswa
= Belum
= 2.70
2. Proses hitung
Hitung jumlah probabilitas status kelulusan yang tepat dan terlambat,
dengan mengasumsikan SK adalah Status Kelulusan, maka hasilnya
P(SK = Tepat) =
Jumlah SK bernilai Tepat
Jumlah Seluruh Data
=
8
15
= 0.53 P(SK = Terlambat) = Jumlah SK bernilai Terlambat
Jumlah Seluruh Data
7 =
15
= 0.47
Setelah mendapatkan nilai probabilitas SK, hitung probabilitas variabel lainnya namun mengikuti kondisi SK.
P(JK = Laki − laki|SK = Tepat) = Jumlah JK = Laki − laki dan SK = Tepat Jumlah SK = Tepat
5 = 8
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
16
= 0.625
P(JK = Laki − laki|SK = Terlambat) =
3 = 0.43
7
P(SM = Mahasiswa|SK = Tepat) =
5
= 0.625
8
P(SM = Mahasiswa|SK = Terlambat) =
3
= 0.43
7
P(SP = Belum|SK = Tepat) =
4
= 0.5
8
P(SP = Belum|SK = Terlambat) =
4
= 0.57
7
P(IPK = 2.70|SK = Tepat) =
0
= 0
8
P(IPK = 2.70|SK = Terlambat) =
1
= 0.143
7
Selanjutnya menyimpulkan nilai probabilitas SK dengan kondisi JK = Laki-Laki, SM = Mahasiswa, SP = Belum, dan IPK = 2.70. Karena SK memiliki dua keluaran yaitu TEPAT dan TERLAMBAT, maka probabilitas SK = TEPAT dan SK = TERLAMBAT harus dihitung dan berikut ini cara menghitung probabilitasnya masing-masing,
• Hitung probabilitas SK (Status Kelulusan) = Tepat
P(SK=Tepat | JK = Laki-laki, SM = Mahsiswa, SP = Belum, IPK = 2.70)
= P(JK = Laki-laki | SK = Tepat) x
P(SM = Mahasiswa | SK = Tepat) x
P(SP = Belum | SK = Tepat) x
P(IPK = 2.70 | SK = Tepat) x
P(SK = Tepat)
= 0.625 x 0.625 x 0.5 x 0 x 0.53
= 0
Untuk menghitung probabilitas SK = Tepat, kalikan seluruh nilai
probabilitas yang keadaan SK = Tepat, mulai dari probabilitas JK =
Laki-laki, SM = Mahasiswa, SP = Belum, IPK = 2.70 di mana keadaan
SK = Tepat.
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
17
• Hitung probabilitas SK (Status Kelulusan) = Terlambat P(SK=Terlambat | JK = Laki-laki, SM = Mahsiswa, SP = Belum, IPK = 2.70)
= P(JK = Laki-laki | SK = Terlambat) x P(SM = Mahasiswa | SK = Terlambat) x P(SP = Belum | SK = Terlambat) x P(IPK = 2.70 | SK = Terlambat) x P(SK = Terlambat)
= 0.43 x 0.43 x 0.57 x 0.143 x 0.47 = 0.0071
Untuk menghitung probabilitas SK = Terlambat, kalikan seluruh nilai
probabilitas yang keadaan SK = Terlambat, mulai dari probabilitas JK
= Laki-laki, SM = Mahasiswa, SP = Belum, IPK = 2.70 di mana
keadaan SK = Terlambat.
Berdasarkan proses perhitungan yang telah dilakukan, maka nilai probabilitas
mahasiswa akan lulus dengan tepat (SK = Tepat) adalah 0 dan terlambat (SK =
Terlambat) adalah 0.0071, dengan keadaan mahasiswa tersebut adalah seorang laki-
laki (JK = Laki - laki), statusnya tidak sedang bekerja (SM = Mahasiswa), belum
menikah (SP = Belum), dan nilai IPK semester 1 – 6 adalah 2.70 (IPK = 2.70).
2.4 Bayesian Network
Bayesian Network merupakan salah satu metode untuk manajemen
ketidakpastian, menurut David Heckerman (1996) metode ini menggunakan teori
probabilitas sebagai kerangka kerja formal untuk manajemen ketidakpastian dalam
Artificial Intelligence. Bayesian juga didefinisikan sebagai suatu metode
pemodelan data berbasis probabilitas sederhana yang dibangun dari teori
probabilistik dan teori graf (Nandar, 2009). Teori probabilistik berhubungan
langsung dengan data sedangkan teori graf berhubungan langsung dengan bentuk
representasi yang ingin didapatkan. Bayesian Network dapat merepresentasikan
hubungan sebab akibat diantara variabal-variabel yang terdapat pada struktur
Bayesian Network (Przytula & Thompson, 2000).
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
18
Bayesian Network adalah model grafis probabilistik yang merepresentasikan
serangkaian variabel dan keterkaitan antar variabel tersebut yang menunjukkan
probabilitas hubungan antara kejadian-kejadian yang saling berhubungan maupun
tidak berhubungan. Pengetahuan tersebut direpresentasikan secara kualitatif dengan
menggunakan graf dan secara kuantitatif menggunakan parameter-parameter
numerik. Metode Bayesian Network ini terdiri dari 2 bagian utama, yaitu:
1. Struktur Graf
Graf adalah sebuah representasi abstrak dari sejumlah objek yang
saling berpasangan dan dihubungkan oleh link. Struktur graf pada
Bayesian Network adalah Directed Acyclic Graph (DAG) yaitu graf
berarah tanpa siklus berarah. DAG terdiri dari node dan edge. Node
merepresentasikan variabel acak dan edge merepresentasikan adanya
hubungan kebergantungan langsung dan dapat juga diinterpretasikan
sebagai pengaruh (sebab-akibat) langsung antara variabel yang
dihubungkannya. Tidak adanya edge menandakan adanya hubungan
kebebasan kondisional di antara variabel.
Struktur grafis bayesian network ini digunakan untuk mewakili
pengetahuan tentang sebuah domain yang tidak pasti. Secara khusus,
setiap node dalam grafik merupakan variabel acak, sedangkan ujung
antara node mewakili probabilistik yang bergantung di antara variabel-
variabel acak yang sesuai. Kondisi ketergantungan ini dalam grafik sering
diperkirakandengan menggunakan statistik yang dikenal dengan metode
komputasi. Oleh karena itu, bayesian network menggabungkan prinsip-
prinsip dari teori graf, teori probabilitas, ilmu pengetahuan komputer, dan
statistik.
2. Himpunan Parameter
Himpunan parameter mendefinisikan
distribusi probabilitas kondisional untuk setiap variabel. Pada bayesian
network, node berkorespondensi denganvariabel acak. Tiap node
diasosiasikan dengan sekumpulan peluang bersyarat, p(xi|Ai) sehingga xi
adalah variabel yang diasosiasikan dengan node dan Ai adalah set dari
parent dalam graf.
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
19
Bayesian network dibangun dengan pendekatan satistik yang dikenal
dengan teorema bayes yaitu conditional probability (peluang bersyarat).
Conditional probability adalah perhitungan peluang suatu kejadian B apabila
diketahui kejadian A telah terjadi dan dinotasikan dengan P(B|A). Teorema ini
digunakan untuk menghitung peluang suatu set data untuk masuk ke dalam suatu
kelas tertentu berdasarkan inferensi data yang sudah ada.
Judea Pearl (1988) mengungkapkan Bayesian Network merupakan suatu
metode pemodelan data berbasis probabilitas yang merepresentasikan suatu
himpuan variabel melalui suatu Directed Acyclic Graph (DAG) dan diengkapi
dengan Conditional Probability distribution Table (CPT) untuk setiap nodenya.
Setiap node merepresentasikan sebuah domain variable dan setiap arc/panah antar
node merepresentasikan sebuah probabilistic dependency. Secara umum, BN
dapat digunakan untuk menghitung probabilitas bersyarat dari suatu node dengan
memberi nilai pada node lain yang berhubungan.
Beberapa hal yang perlu diperhatikan dalam proses analisis menggunakan
metode Bayesian Network, yaitu diantaranya:
1. Analisis permasalahan
Menganalisis permasalahan yang akan diselesaikan dengan metode
Bayesian Network, analisis permasalahan ini salah satunya adalah
dengan memeriksa data yang digunakan, apakah data tersebut berupa
data kontinu atau data diskrit.
2. Pengumpulan data
Mengumpulkan data yang akan digunakan untuk menghitung
probabilitas dalam kasus tersebut.
3. Membangun diagram sebab akibat (Diagram Acyclic Graph)
Diagram Acyclic Graph (DAG) merupakan diagram berisikan node
yang merepresentasikan peristiwa dan peristiwa tersebut digambarkan
menggunakan garis terarah yang memiliki maksud bahwa adanya hubungan
antar node (Nandar, 2009). DAG dibangun berdasarkan data yang
digunakan, diagram tersebut dapat dibangun sendiri dan sudah tervalidasi
oleh pakar terkait masalah yang diangkat, atau menggunakan
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
20
diagram yang telah tersedia dari ahli. DAG hanya dapat digunakan
dalam satu kasus yang sama dan tidak dapat dipakai untuk kasus yang
berbeda. Apabila kasus berbeda maka DAG harus dibangun kembali
sesuai dengan data dan peristiwa dari masalah yang diambil.
Sebagai ilustrasi terdapat 3 variabel acak A,B, dan C, dimana A
dan B adalah variable bebas dan masing-masing mempunyai pengaruh
langsung kepada variable C. Hubungan yang terjadi diantara ketiga
variable tersebut dapat digambarkan kedalam Diagram Acyclic Graph
(DAG) seperti yang diperlihatkan pada gambar 2.2 . Setiap node
mewakili sebuah variable dan setiap garis menggambarkan hubungan
ketergantungan antara 2 variabel. Jika terdapat garis A ke C, maka A
merupakan parent C dan C merupakan child dari A.
Gambar 2. 2 Contoh Struktur DAG
4. Proses perhitungan
Setelah digram sebab akibat atau DAG terbangun, selanjutnya yaitu
menghitung probabilitas dari variable yang dicari berdasarkan masalah
yang diambil. Perhitungan didasarkan pada hubungan antar node pada DAG
seperti yang ditampilkan pada Gambar 2.2, DAG tersebut kemudian
dijabarkan pada conditional probability atau biasa lebih dikenal dengan
sebutan conditional probability table (CPT) ( Weber,dkk. , 2010). CPT
didefinisikan sebagai deret variabel acak bersifat diskrit yang
didemonstrasikan kedalam probabilitas marjinal dari satu variabel ke
variabel terhubung seperti yang ditampilkan pada Gambar 2.2.
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
21
Sama halnya dengan Naïve Bayes, nilai CPT sendiri didapatkan
berdasarkan teorema bayes. Adapun persamaan Bayesian Network ini
dituliskan sebagai berikut:
( , … , ) = ∏ ( | ∏ (2.2) 1 =1
Keterangan:
• P() adalah probabilitas
• Xk adalah variabel ke – k
• k adalah indeks dari variabel
• n adalah total data yang digunakan
Dari persamaan diatas dapat dijelaskan bahwa untuk menghitung
probabilitas dari sebuah variabel Xk adalah dengan mengalikan seluruh
kemungkinan dari variabel Xk terhadap variabel yang lainnya.
2.5 PHP
PHP merupakan singkatan dari Hypertext Preprocessor, sebenarnya adalah
produk yang aslinya bernama “Personal Home Page Tools” (Sidik, 2001). PHP
merupakan script untuk pemrograman script web server side, artinya sintaks dan
perintah yang diberikan akan sepenuhnya dijalankan di server, atau dengan kata
lain aplikasi akan menampilkan hasil di web browser, tetapi prosesnya secara
keseluruhan dijalankan di webserver. Sintaks yang digunakan dalam PHP
memiliki banyak kemiripan dengan bahasa C. Kekuatan PHP yang paling utama
adalah konektifitas database dengan web.
PHP merupakan bahasa pemrograman web server-side yang bersifat open
source. PHP merupakan script yang menyatu dengan HTML dan berada pada
server. PHP adalah script yang digunakan untuk membuat halaman web yang
dinamis. Dinamis berarti halaman yang akan ditampilkan dibuat saat halaman itu
diminta oleh client. Mekanisme ini menyebabkan informasi yang diterima client
selalu yang terbaru. Semua script PHP dieksekusi pada server dimana script
tersebut dijalankan. Sebagian besar sintaksnya mirip dengan bahasa pemrograman
C, Java, asp dan Perl, ditambah beberapa fungsi PHP yang spesifik dan mudah
dimengerti.
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
22
Dalam buku Aplikasi Web dangan PHP dan MySQL (Kasiman, 2006) PHP
diciptakan pertama kali oleh Rasmus Lerdorf pada tahun 1994. Awalnya, PHP
digunakan untuk mencatat jumlah serta untuk mengetahui siapa saja pengunjung
pada homepage nya. Rasmus Lerdorf adalah salah seorang pendukung open
source. Oleh karena itu, Rasmus mengeluarkan Personal Home Page Tools versi
1.0 secara gratis, kemudian menambah kemampuan PHP 1.0 dan meluncurkan
PHP 2.0. Penyempurnaan PHP dari tahun ke tahun terus dilakukan sehingga pada
tahun 2000 dikeluarkan PHP 4.0. Tidak berhenti sampai disitu, kemampuan PHP
terus ditambah sampai pada versi 5.0.
Sedangkan menurut Mochamad Joko Adi Wirawan (2009) PHP merupakan
bahasa pemrograman yang paling populer dan banyak digunakan untuk
pemrograman web. PHP disebut juga pemrograman server side, artinya program
dijalankan pada server. Sebagai bahasa skrip yang bersifat serverside PHP
memiliki beberapa keunggulan antara lain:
1. Tidak diperlukan kompabilitas browser atau harus menggunakan
browser tertentu karena serverlah yang akan mengerjakan skrip
PHP tersebut.
2. Freeware artinya dapat didistribusikan dengan bebas.
3. Memiliki kemampuan koneksi keberbagai macam database seperti:
MySQL, PostgreSQL, Oracle, dBase, Sybase dan banyak lagi.
4. PHP bersifat open source, karena bersifat open source PHP mudah
didapatkan dan tersedia secara versi-versi baru dalama jangka
waktu yang cepat.
5. Stabilitas dan Kompatibilitas, PHP stabil diberbagai sistem
operasi seperti linux dan Macs selain itu PHP juga terintergrasi
secara baik dengan berbagai macam webserver termasuk 2 yang
paling popular yaitu IIS dan Apache.
2.5.1 PHP/FI
Ini merupakan cikal bakal PHP yang sekarang. Pertama dibuat oleh Rasmus
Lerdorf pada 1995, pada awalnya dia menamakan script ini “Personal Home Page
Tool” yang merupakan bahasa sederhana dari bahasa pemrograman C dimana
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
23
Personal Home Page Tool ini dapat berkomunikasi dengan database dan bersipat
Open Source. Pada awalnya Rasmus membuat bahasa pemrograman ini bertujuan
untuk menyimpan data pengunjung yang melihat biodata pada websitenya.
Perkembangannya, pada pertengahan tahun 1997 pemakai bahasa bahasa
PHP semakin banyak, terlihat dari jumlah statistik domain yang menggunkan PHP
hampir lebih dari 50.000 web site. Kemudian karena perkembangannya yang
sangat pesat, Rasmus mengembangkan bahasa pemrograman ini, dan pada bulan
November tahun 1997 muncul PHP/FI versi 2.0 yang merupakan cikal bakal PHP
3.
2.5.2 PHP Versi 3
PHP Versi 3 merupakan versi penyempurna dari bugs-bugs pada PHP/FI
versi 1.0 dan PHP/FI versi 2.0. PHP Versi 3 ini dikembangkan oleh Andi Gutmans
and Zeev Suraski pada tahun 1997 yang berhasil ditulis secara sempurna pada
waktu itu. Fasilitas tambahan PHP Versi 3 dibandingkan versi sebelumnya, selain
tambahan fungsi-fumgsi baru, juga mendukung beberapa akses ke banyak
database, pengelolaan protokool, dan API. Dari versi 3 lah singkatan PHP muncul,
yaitu PHP: Hypertext Preprocessor, dan pada tahun 1998 hampir 10% web site di
dunia menggunakan PHP sebagai web servernya.
2.5.3 PHP Versi 4
Pada musim dingin di tahun 1998, menulis ulang bahasa pemrograman
PHP ini untuk membuat ketangguhan bahasa pemrograman ini. Akhirnya pada
pertengahan tahun 1999 diperkenalkanlah PHP versi 4.0 yang menggunakan script
engine Zend untuk meningkatkan penampilan (performance) dan mempunyai
dukungan yang sangat banyak terhadap ekstensi dan berbagai library beserta
modul. PHP versi 4.0 ini juga mempunyai keunggulan dibandingkan versi-versi
sebelumnya, diantaranya mendukung ke beberapa web server, fasilitas HTTP
session, output buffer dan sistem keamanan. Pada perkembangannya, pada saat itu
hampir 20% web server menggunakan bahasa pemrograman PHP sebagai
interpreternya.
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
24
2.5.4 PHP Versi 5
Pada bulan Juli tahun 2005 muncul PHP versi 5.0 yang menggunakan
Zend Engine 2.0 dengan penambahan beberapa featur dan beberapa objek baru.
Untuk informasi featur-featur baru dari PHP versi 5.0 ini, bisa lihat di
http://www.zend.com/zend/future.php. PHP Versi 5 ini sangat mendukung
pemrograman berbasis Object Oriented Programming (OOP) dan memang di
peruntukan untuk OOP. PHP memiliki 8 (delapan) tipe data yaitu: Integer,
Double, Boolean, String, Object, Array, Null, Nill, Resource.
2.6 MySQL
MySQL adalah database yang menghubungkan script PHP menggunakan
perintah query dan escaps character yang sama dengan PHP. MySQL mempunyai
12 tampilan client yang mempermudah dalam mengakses database dengan kata
sandi untuk mengizinkan proses yang bias dilakukan. phpMyAdmin adalah
sebuah software yang berbentuk seperti halaman situs yang terdapat pada web
server. Fungsi dari halaman ini adalah sebagai pengendali database MySQL
sehingga pengguna MySQL tidak perlu repot untuk menggunakan perintah-
perintah SQL. Karena dengan adanya halaman ini semua hal tersebut dapat
dilakukan hanya dengan meng-klik menu fungsi yang ada pada halaman
phpMyAdmin (Saputra, 2013).
2.7 Framework
Arti istilah framework dalam dunia pemrograman kurang lebih adalah
kumpulan kelas (class) dan fungsi (function, method) yang disusun secara
sistematis berdasarkan kegunaan atau fungsionalitas tertentu untuk mempermudah
pembuatan atau pengembangan suatu aplikasi (Antonius, 2010). Sebagian besar
framework yang beredar saat ini dibangun berdasarkan konsep Object-Oriented
Programming (OOP).
Menurut Janner (2010) Framework adalah sistem perangkat lunak yang dapat
digunakan kembali dengan fungsi umum yang telah diterapkan. Framework dapat
dikhususkan ke dalam aplikasi yang siap pakai (ready-to-use). Framework juga
berfungsi seperti sebuah cetak biru untuk arsitektur dasar dan arsitektur fungsional
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
25
untuk field aplikasi yang spesifik. Artinya, pengetahuan arsitektur yang terdapat
didalam framework seluruhnya dapat diadopsi di dalam aplikasi.
2.8 CodeIgniter
CodeIgniter adalah sebuah Framework PHP yang dapat mempercepat
developer untuk membuat sebuah aplikasi web. Ada banyak library dan helper yang
berguna di dalamnya dan tentunya mempermudah proses pembangunan sistem.
CodeIgniter merupakan framework PHP yang diklaim memiliki eksekusi tercepat
dibandingkan dengan framework lainya. Codeigniter bersifat open source yang
memungkinkan para pengembang untuk menggunakan framework secara parsial
atau secara keseluruhan. Artinya bahwa CodeIgniter 8 masih memberi kebebasan
kepada para pengembang untuk menulis bagian-bagian kode tertentu di dalam
aplikasi menggunakan cara konvensional atau dengan syntax umum didalam PHP,
tidak harus menggunakan aturan penulisan kode di CodeIgniter. Model yang
digunakan dalam Codeigniter adalah MVC (Model View Controller) yang
merupakan konsep modern framework yang digunakan saat ini. (Widodo, 2013).
CodeIgniter juga memiliki desain dan struktur file yang sederhana, didukung
dengan dokumentasi yang lengkap sehingga framework ini lebih mudah dipelajari.
Framework ini menawarkan banyak library yang dapat kita gunakan, macam
– macam library dapat kita gunakan dengan hanya memanggil class library yang
telah disediakan. Adapun fitur – fitur yang disediakan dalam Codeigniter sebagi
berikut:
1. Form dan Validasi
2. Keamanan dan XSS Filetering
3. Mendukung Acitive Record Database
4. Memiliki Helper dan Library yang cukup banyak
5. Mendukung Ekstensi Class dan Plugin dan masih banyak lagi.
Adapun alur dari aplikasi yang ditulis menggunakan CodeIgniter seperti pada
gambar 2:
Dita Fauzia, 2017 PENGEMBANGAN INTELLIGENT TUTORING SYSTEM DENGAN MENGGUNAKAN METODE BAYESIAN NETWORK Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
26
Gambar 2. 3 Alur Framework CodeIgniter
1. Index.php
Index.php berfungsi sebagai pengendali awal / berfungsi debagai file
pertama yang akan dibaca oleh program, menginisialisasi sumber daya
utama yang dibutuhkan CodeIgniter.
2. Router
Router memeriksa paket HTTP request untuk menentukan aksi apa yang
harus dilakukan oleh sistem.
3. Cache
Apabila dalam program sudah terdapat “cache file” maka file tersebut akan
langsung dikirim ke browser. File cache inilah yang dapat membuat sebuah
website dapat di buka dengan lebih cepat. Cache file dapat melewati proses
yang sebenarnya harus dilakukan oleh program codeigniter.
4. Security
Sebelum Application Controller dieksekusi, paket HTTP request dan
semua data yang dikirimkan pengguna akan disaring terlebih dahulu oleh
Security Class.
5. Controller
Controller, berfungsi sebagai penghubung antara Model, View dan dengan
sumber daya lain yang digunakan untuk memproses HTTP request.
Controller juga biasanya berfungsi sebagai inti pemrosesan lojik aplikasi.
6. View
View, adalah informasi / halaman yang ditampilkan ke pengguna.
Sebuah view biasanya adalah sebuah web page, tapi di CodeIgniter view
juga dapat berupa bagian-bagian halaman web, seperti header dan footer.