10

BAB 2

LANDASAN TEORI

2.1 INTELEGENSIA SEMU

Sebelum kita memperdalam mengenai intelegensia semu, terlebih dahulu

kita mendefinisikan tentang intelligence atau kecerdasan, yang dalam hal ini

berkaitan dengan mesin atau komputer. Jadi intelegensia semu adalah bagian dari

semua bidang ilmu komputer. Intelegensia semu bertujuan untuk memungkinkan

suatu komputer menjadi terlihat lebih pandai dan menyerupai manusia, yaitu

mempunyai pikiran sendiri.

Menurut Alan Turing, sebuah mesin dapat dikatakan sebagai cerdas jika

mesin tersebut mampu menyelesaikan sebuah tes, yang umum disebut sebagai

Turing test. Dalam tes ini, seorang interogator dihadapkan dengan seorang

manusia dan sebuah mesin komputer. Interogator berkomunikasi dengan

keduanya menggunakan media tekstual. Jika melalui proses tanya jawab sang

interogator tidak dapat membedakan antara manusia dengan mesin komputer,

maka menurut Turing mesin tersebut dapat diasumsikan cerdas.

Menurut Russell dan Norvig (2003, p5), intelegensia semu mempunyai

definisi-definisi yang dapat dibagi menjadi 4 kategori berikut:

• Sistem yang dapat berpikir seperti manusia (acting humanly)

• Seni membuat mesin yang dapat melakukan fungsi-fungsi tertentu yang

ketika dilakukan oleh manusia akan membutuhkan kecerdasan.

• Studi tentang bagaimana membuat komputer melakukan perkerjaan yang

11

pada saat ini manusia melakukannya dengan lebih baik.

• Sistem yang dapat berpikit secara rasional (thinking humanly)

• Usaha yang baru dan menarik untuk membuat komputer berpikir.

• Otomatisasi aktivitas-aktivitas yang kita asosiasikan dengan pemikiran

manusia, antara lain aktivitas-aktivitas seperti pengambilan keputusan,

pemecahan masalah, belajar, dan sebagainya.

• Sistem yang dapat bertindak seperti manusia (acting rationally)

• Suatu bidang studi yang bertujuan untuk menjelaskan dan meniru intelligent

behaviour dalam bentuk proses komputasional.

• Cabang dari ilmu komputer yang memperhatikan otomatisasi intelligent

behaviour.

• Sistem yang dapat bertindak secara rasional (thinking rationally)

• Studi tentang mental faculties melalui metode-metode komputasional.

• Studi komputasi yang memungkinkan pemahaman, penalaran, dan aksi.

Intelegensia semu ini membuat komputer menjadi lebih berguna, antara

lain karena dari hasil dari penelitian intelegensia semu saat ini, komputer dapat

melakukan berbagai fungsi seperti:

• Belajar dari lingkungan tanpa instruksi program langsung

• Mengenali gambar-gambar sederhana

• Mengerti bahasa yang mudah dan mampu meresponnya

• Memecahkan masalah yang kompleks

• Memproses model psikologi

12

2.2 COMPUTER-ASSISTED INSTRUCTION

Komputer telah digunakan dalam dunia pendidikan sejak 25 tahun yang

lalu. Pengembangan awal ke depan memperkenalkan program perangkat lunak

sebagai alat bantu dalam proses pembelajaran yang diformulasikan ke dalam

bentuk Computer-Assisted Instruction (CAI).

Menurut Freedman (1996, p11), CAI adalah suatu sistem pengajaran yang

menggunakan komputer sebagai alat bantu dalam menyampaikan materi-materi

yang diajarkan.

CAI telah mengalami berbagai perkembangan. Berdasarkan Freedman

(1996, p101), CAI pertama kali dicetuskan di Harvard University pada sekitar

tahun 1965, yang kemudian bekerja sama dengan IBM untuk dikembangkan lebih

lanjut.

CAI dikenal dengan berbagai istilah, misalnya di Amerika Serikat CAI

lebih dikenal dengan nama Computer-Assisted Learning (CAL), di Inggris lebih

mengenal CAI sebagai Computer-Based Training (CBT), dan juga dikenal istilah-

istilah lainnya seperti Computer-Based Instruction (CBI), Computer-Based

Education (CBE), Interactive Multimedia Instruction (IMI), dan Computer-

Managed Instruction (CMI). Istilah-istilah ini dapat digunakan untuk

menunjukkan kegunaan teknologi komputer dalam penulisan materi, manajemen

proses pendidikan, pelatihan, instruksi, dan pengajaran. Perbedaan istilah-istilah

tersebut mencerminkan bagian dari dukungan komputer dan aktivitas tradisional

manusia dalam pendidikan dan spesifikasi dari proses-proses berbasiskan

komputer.

13

2.2.1 CAI Tradisional

CAI dirancang untuk meningkatkan pembelajaran melalui interaksi dengan

komputer yang menampilkan permasalahan-permasalahan kepada pelajar secara

interaktif dengan tujuan supaya proses belajar menjadi lebih efisien, konsisten,

dan meningkatkan motivasi pemelajar, disertai dengan umpan balik yang cepat

dan bersifat individualized.

Kelemahan CAI mengacu pada tutor komputerisasi tradisional dengan:

• Hanya menyediakan interaktivitas yang terbatas

• Penyampaian semua instruksi secara sekuensial

• Penyediaan umpan balik yang terbatas ketika pelajar menjawab pertanyaan

secara tidak benar

• Umumnya berdasarkan ide tentang pengajaran

Walaupun CAI telah menjadi penyedia pembelajaran individu selama 25

tahun, sistem tersebut sangat pasif, di mana sistem ini hanya menampilkan teks

dari halaman satu ke halaman lainnya yang menggunakan sebuah decision tree

untuk memandu pemelajar berdasarkan jawaban dan tanggapan dari si pemelajar

(Urban-Lurain, 1996). CAI gagal meningkatkan tingkat pengetahuan pemelajar,

karena CAI tidak mampu untuk membedakan pemelajar dari segi kebutuhan

maupun latar belakang si pemelajar. Dan tentu saja sistem ini tidak memiliki

kemampuan sebagai pengajar sesungguhanya yang dapat mengetahui kapan harus

membantu pemelajar ketika menghadapi kesulitan terhadap suatu subjek atau

kapan akan melanjutkan pemberian topik baru ketika pemelajar sudah mengalami

peningkatan.

14

2.2.2 Intelligent Tutoring System

Dengan adanya kemajuan dalam bidang intelegensia semu dan

pengetahuan kognitif, para peneliti dalam bidang teknologi informasi melihat

adanya kebutuhan intelegensia semu pada sistem CAI. Maka dikombinasikan

dengan kemampuan dalam proses komputer terutama dalam bidang pengajaran

secara prosedural dan strategi untuk memecahkan masalah, teknik intelegensia

semu dipakai untuk mengevaluasi status pengetahuan yang dimiliki oleh

pemelajar. Tanpa pengetahuan yang cukup tentang “apa yang diketahui” dan

“tidak diketahui” oleh pemelajar akan masalah yang sedang diberikan, sistem

tersebut tidak dapat memberikan pengajaran yang bersifat adaptif terhadap

pemelajar. Oleh karena telah hadir sebuah bidang baru hasil integrasi antara

intelegensia semu dengan CAI yang disebut Intelligent Tutoring System (ITS)

untuk mengatasi kekurangan-kekurangan CAI.

Pengertian ITS menurut beberapa narasumber antara lain:

• Menurut Frederic Danna (1997), ITS adalah sebuah perangkat lunak yang

bertujuan untuk mengkomunikasikan pengatahuan dari suatu domain

(matematika, bahasa, dan sebagainya) kepada penggunanya. Sistem ini

disebut intelijen jika sistem ini dapat mengadaptasi interaksi-interaksi

pemelajar.

• Menurut Stankov, Glaavinic, dan Rosic (2000), ITS adalah sebuah sistem

komputer generasi baru untuk dukungan dan peningkatan pembelajaran.

Definisi umum dari ITS mengkarakterisasikannya sebagai sistem yang

berdasar pada basis pengetahuan, pengajar, dan pemelajar.

15

Berdasarkan definisinya, ITS adalah sistem intelegensia yang

menyediakan pembelajaran kepada pemelajar dan memiliki kemampuan untuk

membandingkan pemahaman pengetahuan belajar oleh model pakar. Oleh karena

itu, tidak seperti CAI yang pasif menunggu pemelajar untuk melanjutkan

subjeknya, ITS secara nyata mendorong keingintahuan pemelajar dengan secara

aktif memantau kemampuan pemelajar dan memberikan bantuan ketika diminta.

ITS mengacu pada sistem instruksional komputerisasi tingkat lanjut, di mana:

• Menyediakan interaktivitas yang tinggi, penyampaian pembelajaran dan

pelatihan berbasiskan komputer.

• Menyesuaikan pembelajaran dengan kekuatan dan kelemahan pemelajar

• Menyediakan pelatihan dengan pengajar intelegensia semu

• Memperbesar metode pembelajaran secara lebih mendalam

ITS merupakan program perangkat lunak yang diberikan untuk

mendukung proses belajar. Sistem ini dapat diterapkan di dalam sistem

pendidikan pada umumnya, maupun sistem pendidikan jarak jauh, antara lain

aplikasi dalam bentuk CD-ROM atau aplikasi yang diakses melalui Internet. ITS

menampilkan cara baru dalam pendidikan yang dapat membantu peran pengajar

biasa dan meningkatkan peranan tersebut.

ITS dapat membentuk suatu model yang merepresentasikan pengetahuan

yang dimiliki pemelajar. Model dibentuk berdasarkan jawaban dan tanggapan

pemelajar.

Penelitian yang telah dilakukan terhadap sistem-sistem prototype yang

telah dibuat mengindikasikan bahwa pemelajar yang menggunakan ITS rata-rata

16

dapat belajar lebih cepat dan dapat mengubah proses pembelajaran dengan lebih

baik dibandingkan dengan pemelajar yang diajar pada ruang kelas. Penerapan dari

ITS ini dapat dilihat pada Carneggie-Mellon University, di mana pada

pertengahan tahun 80-an para peneliti membangun sebuah ITS yang disebut LISP

Tutor, yang mengajarkan kemampuan pemrograman kepada mahasiswanya.

Efisiensi ITS juga dapat dilihat dari hasil sebuah eksperimen yang terkontrol yang

membuktikan bahwa pemelajar yang menggunakan ITS memperoleh nilai 43%

lebih tinggi pada ujian akhir daripada kelompok lainnya yang diajar secara

tradisional. Selain itu, kelompok yang diajar secara tradisional ini juga

membutuhkan waktu 30% lebih banyak dibandingkan kelompok pengguna ITS

ketika diberikan permasalahan-permasalahan yang lebih kompleks.

Selain untuk menyediakan keuntungan dari pembelajaran untuk setiap

pemelajar, ITS juga mampu memberikan efektivitas biaya. Selain itu ITS dapat

menilai setiap aksi yang dilakukan pemelajar dalam lingkungan yang interaktif,

membangun model dari pengetahuan mereka, dan menentukan strategi pelatihan

berdasarkan masukan dari salah satu komponen sistem.

2.3 BCOOL

Kemajuan teknologi informasi dan telekomunikasi telah banyak

dimanfaatkan untuk menyertai proses pembelajaran. Namun hal ini belum

sepenuhnya dapat dimanfaatkan mengingat hampir semua rancangan model

pembelajaran yang digunakan masih menggunakan metodologi rancangan belajar

kelas (Martinez, 2002). Berangkat dari pemikiran bahwa teknologi seharusnya

17

digunakan untuk memfasilitasi proses pembelajaran, lahirlah konsep

pembelajaran Brain Compatible Online Learning (Santika, Tanamal, 2004) atau

BCOOL.

Gambar 2.1 Model konseptual BCOOL

18

Kerangka konseptual model pembelajaran BCOOL sebagaimana

diperlihatkan oleh Gambar 2.1 dijelaskan dengan penjelasan sebagai berikut:

• Gaining attention, dimaksudkan untuk membangun kesiapan emosional para

pemelajar untuk memulai proses belajarnya. Gaining attention dapat

dilakukan melalui penyajian ringkasan materi ajar yang komprehensif dan

applet simulator interaktif. Lebih dari itu, dengan memangaatkan teknologi

hyperlink yang tersedia, materi prerekusit yang diperlukan dapat secara mudah

diakses untuk mendukung upaya pemelajar dalam merekonstruksi pemahaman

awal yang dimilikinya.

• Pattern searching, yaitu tahap yang diharapkan dapat memfasilitasi pemelajar

dalam membangun struktur kognitifnya secara lebih efektif dan efisien.

Pemahaman awal yang dibangun melalui tahap gaining attention akan

direkonfirmasi melalui aktivitas review dan penyediaan peta konsep.

• Exploration, yakni tahap di mana pemelajar memiliki kesempatan yang sangat

luas untuk menjelajahi seluruh materi pembelajaran. Di samping dapat

mengakses materi ajar dan simulator-simulator interaktif yang telah

dipersiapkan oleh instruktur, pemelajar juga dapat mengakses informasi-

informasi yang relevan yang tersedia di berbagai sumber di Internet.

• Multiple repetition and feedback, yaitu tahap akhir dari BCOOL terdiri dari

latihan-latihan dalam bentuk online quiz pilihan ganda. Atas dasar jawaban

online quiz yang diberikan oleh pemelajar, analisis Bayesian dengan mudah

dapat mengetahui nilai probabilitas penguasaan setiap konsep yang dicapai

oleh setiap individu pemelajar.

19

2.4 PENALARAN PROBABILITAS

Sejauh ini, telah dikenal beberapa teknik yang digunakan untuk

menggambarkan model kepercayaan, di mana ada dua kondisi nyata yang

didapatkan, yaitu sebagain fakta yang dipercaya benar (true) dan yang dipercaya

salah (false). Misalnya untuk memecahkan masalah yang mampu menjelaskan

tingkat kepercayaan tak tentu tetapi ada beberapa bukti (evidence) yang

mendukung masalah tersebut.

Dalam beberapa situasi memecahkan suatu masalah, pengetahuan yang

tersedia tidak lengkap atau tidak tepat, misalnya seperti suatu prediksi dan

diagnosa medis. Dalam kasus seperti ini, pengetahuan yang ada tidak mencukupi

untuk mendukung urutan yang diperlukan untuk mengambil kesimpulan logis.

Meskipun pengetahuan yang kita miliki tidak lengkap, kita dapat membuat dan

menggunakan generalisasi (penyamarataan) dan pendekatan yang membantu kita

untuk menyimpulkan pengalaman kita dan meramalkan sesuatu yang belum

diketahui.

Metode penalaran probabilitas mengijinkan sistem intelegensia semu

untuk menggunakan pengetahuan yang tak tentu atau probabilitas dan dapat

membantu kita mengumpulkan bukti untuk melakukan hipotesa. Penalaran

probabilitas merupakan alat yang tepat untuk membuat keputusan. Teori

pengambilan keputusan, berhubungan dengan teori probabilitas, menyediakan

teknik tambahan untuk membantu meminimalisasi resiko dalam pengambilan

keputusan.

20

2.4.1 Probabilitas dan Teorema Bayes

Tujuan penting untuk beberapa sistem pemecahan masalah adalah

mengumpulkan bukti pada sistem yang berjalan dan untuk memodifikasi perilaku

dasar dari bukti tersebut. Untuk memodelkan perilaku ini, kita membutuhkan 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)()|(

)()|()|(

• )|( EHP i adalah probabilitas bahwa hipotesa Hi = true jika diketahui bukti E.

• )|( iHEP adalah probabilitas adanya bukti E jika diketahui hipotesa Hi =

true.

• )( iHP adalah probabilitas utama bahwa Hi = true dengan ketiadaan beberapa

bukti tertentu. Probabilitas ini disebut prior probability.

• k adalah jumlah banyaknya kemungkinan hipotesa yang terjadi.

Beberapa alasan yang membuat teorema Bayes ini sulit untuk dikerjakan

dalam menangani probabilitas antara lain:

• Terlalu banyak probabilitas yang harus disediakan, sehingga upaya untuk

memperolehnya bermasalah.

• Ruang yang menjadi batasan untuk menyediakan probabilitas terlalu luas.

• Waktu yang diperlukan untuk melakukan perhitungan terlalu besar.

21

Meskipun ada alasan-alasan tersebut, melalui statistik Bayesian disediakan

dasar sistem penalaran untuk masalah tak tentu yang sangat kompleks. Adapun

beberapa mekanisme untuk mengeksploitasi kekuatan dari statistik Bayesian

antara lain:

• certainty factor

• teori Dempster-Shafer

• jejaring Bayesian

2.4.2 Certainty Factor

Certainty factor (CF) adalah sebuah nilai numerik dari sebuah bukti yang

diterima sebagai sebuah kesimpulan. 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:

• 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

22

2.4.3 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

probabilitas sulit untuk dilakukan.

• tidak adanya keuntungan yang dapat terlihat dengan jelas pada teori

Dempster-Shafer

23

2.4.4 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 himpunan distribusi

},,1)),(|({ niXPaXP ii K= . Probabilitas ini menjelaskan joint probabilities

distribution untuk seluruh jejaring sebagai berikut ini:

24

∏=

=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.

25

X1

X2

X4

X5

X3rain sprinkler

wet

slippery

Gambar 2.2 Contoh jejaring Bayesian dengan lima variabel

Gambar 2.2 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 pada jejaring

26

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):

27

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 2.3 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 2.2. 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 ⋅⋅⋅⋅=

28

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

29

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, X5 = 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

0036.08.09.01.01.05.0),,,,( 54321 =⋅⋅⋅⋅=XXXXXP ...........................(3)

● Untuk X1 = F, maka:

30

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, X5 = 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)

31

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

4343

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

4242

531

=

===

===

===∑

XP

XXXXXP

XPXXP

XXP 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 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

32

yang interaktif. 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. Kemudian dijelaskan 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

33

modeling problem menyimpulkan pengetahuan pembelajar pada subjek tertentu

dari satu set data yang terobservasi, misalnya jawaban pembelajar tersebut pada

satu set 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

34

buktinya jejaring Bayesian telah berhasil diaplikasikan untuk membangun student

model dalam beberapa aplikasi berikut:

• HYDRIVE memodelkan kemampuan pembelajar dalam menemukan masalah

sistem hidrolik pesawat

• ANDES adalah sebuah ITS yang mengajarkan bagaimana menyelesaikan

masalah Fisika Newton

2.5.1 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 pembelajar 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 pembelajar. Dengan menghitung berapa kali setiap konsep

35

atau subskill dikuasai, maka dapat diperkirakan prior probability dari konsep

tersebut.

Bayangkan ketika menjawab sebuah pertanyaan tertentu, seorang

pembelajar 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

pembelajar mampu atau tidak untuk menjawab pertanyaan. Q mempunyai dua

nilai: true jika pembelajar menjawab dengan benar, dan false jika sebaliknya.

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

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

pembelajar 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 2.4 Jejaring Bayesian untuk node Q dan Ci

36

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 pembelajar yang memahami konsep ke-i

gagal untuk menerapkannya secara benar dalam pertanyaan tertentu.

• gi (guess): kemungkinan seorang pembelajar 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 .

2.5.2 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)

37

Tipe masalah (pertanyaan) yang berbeda dapat dikelompokkan sesuai

dengan tingkat kesulitannya. Semakin banyak konsep yang perlu diketahui

pembelajar 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:

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 2.5 Topologi jejaring Bayesian untuk pertambahan pecahan

38

Oleh karena itu, untuk masalah ini kita akan membutuhkan prior

probability dari setiap penguasaan konsep dan conditional probability dari

pembelajar 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 pembelajar mampu untuk memecahkan masalah tipe 4, dinyatakan

mengenai pembelajar 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 pembelajar 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.

39

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

Kemudian conditional probability dapat dihitung dari parameter-

parameter tersebut. Contohnya probabilitas bahwa seorang pembelajar mampu

memecahkan masalah tipe 4, dinyatakan mengenai pembelajar 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 PEMETAAN KONSEP

Pemetaan konsep dikembangkan oleh Joseph Novak di Cornell University

pada tahun 1960-an berdasarkan dari teori David Ausubel yang menekankan

pentingnya sebuah pengetahuan awal dalam pembelajaran tentang konsep yang

baru. Pemetaan konsep adalah sebuah teknik untuk menampilkan pengetahuan

dalam bentuk grafik. Grafik-grafik pengetahuan adalah jaringan dari konsep-

konsep. Jaringan terdiri dari beberapa node dan garis-garis yang menghubungkan

40

node. Node mewakili konsep, sementara garis (atau anak panah) mewakili

hubungan antar konsep-konsep yang ada. Oleh karena itu, melalui pemetaan

konsep seseorang dapat:

• Melihat koneksi antara pengetahuan-pengetahuan yang relevan yang telah

dimiliki sebelumnya

• Menghubungkan pengetahuan-pengetahuan yang dimilikinya dengan konsep-

konsep baru yang sedang dipelajari

• Mengorganisasikan pengetahuan dalam sebuah urutan logis dengan struktur

yang tidak kaku

Gambar 2.6 Contoh pemetaan konsep

41

Pemetaan konsep dibuat dengan tujuan sebagai berikut:

• Untuk memproses ide-ide (brainstorming, dan lain-lain)

• Untuk mendesain sebuah struktur kompleks (teks yang panjang, hypermedia,

web site yang besar, dan lain-lain)

• Untuk mengkomunikasikan ide-ide yang kompleksitas

• Untuk mempermudah pembelajaran dengan menegaskan gabungan

pengetahuan yang lama dengan yang baru

• Untuk menilai pemahaman atau mendiagnosa kesalahpahaman

2.7 BAHASA PEMROGRAMAN PHP

PHP adalah salah satu bahasa pemrograman yang berjalan dalam sebuah

web server dan berfungsi sebagai pengolah data pada sebuah server sehingga web

site tersebut menjadi lebih dinamis dan mudah di-update setiap saat dari web

browser mana pun. Beberapa keunggulan PHP adalah:

• PHP memiliki tingkat akses yang lebih cepat

• PHP memiliki tingkat lifecycle yang cepat sehingga selalu mengikuti

perkembangan teknologi Internet

• PHP mampu berjalan di Linux sebagai platform sistem operasi, namun juga

dapat berjalan di FreeBSD, Unix, Solaris, Windows, dan lain-lain

• PHP mendukung akses ke beberapa basis data yang sudah ada, baik yang

bersifat free maupun komersial, antara lain MySQL, PostgreSQL, mSQL,

Informix, dan Microsoft SQL Server

• PHP bersifat free sehingga efektif dalam biaya

42

2.8 BASIS DATA

Menurut Subekti (1997, p8), basis data adalah kumpulan terintegrasi dari

occurences file/table yang merupakan presentasi data dari suatu model enterprise.

Misalnya basis data kemahasiswaan dan perkuliahan, keuangan, personalia,

material, dan logistik.

Sifat dari basis data adalah integrated dan shared. Integrated berarti basis

data tersebut terdiri dari penggabungan beberapa file data yang berbeda-beda

dengan mengurangi dan membatasi pengulangan baik keseluruhan file maupun

sebagian. Sedangkan shared berarti bahwa data individual dalam basis data dapat

digunakan secara bersamaan oleh beberapa pengguna yang berbeda.

Basis data adalah sebuah koleksi dari data yang berhubungan.

Penyimpanan data untuk sebuah basis data dikerjakan oleh penggunaan dari satu

atau lebih file. Sebuah basis data yang komprehensif seharusnya mempunyai

semua informasi untuk mengatur beberapa kegiatan usaha, misalnya sebuah

bisnis, pelajaran ilmiah, atau sebuah departemen pemerintah. Koleksi data

komprehensif yang mendukung beberapa bagian dari beberapa kegiatan juga

biasanya disebut basis data. Sebuah basis data adalah representasi struktur dari

data yang menggambarkan sebuah subset yang didefinisikan dan dibatasi antara

record.

Basis data adalah koleksi dari data, biasanya menggambarkan aktivitas

satu atau lebih organisasi yang berhubungan. Sebagai contoh sebuah basis data

universitas mungkin mempunyai informasi tentang:

43

• Entitas seperti mahasiswa, fakultas, kuliah, dan ruang kelas.

• Relasi antar entitas, seperti pendaftaran mahasiswa pada kuliah.

• Fakultas mengajar kuliah, dan penggunaan ruang kelas untuk kuliah

2.8.1 Basis Data Relasional

Basis data relasional adalah kumpulan tabel-tabel yang saling

berhubungan. Tabel tersebut terdiri atas field dan record, di mana field terdiri dari

beberapa record, sedangkan record sendiri merupakan data atau informasi.

Sebuah record dapat diibaratkan sebagai sebuah baris data dalam tabel,

sedangkan field (atau atribut) adalah sebuah kolom dalam tabel.

Pada dasarnya, key adalah satu atau gabungan dari beberapa atribut yang

dapat membedakan semua baris data (row) dalam tabel secara unik. Artinya, jika

suatu atribut dijadikan sebagai key maka tidak boleh ada dua atau lebih baris data

dengan nilai yang sama untuk atribut tersebut.

Ada tiga macam key yang dapat diterapkan pada suatu tabel, yaitu primary

key, foreign key, dan candidate key. Primary key merupakan field yang digunakan

untuk menghubungkan tabel dengan tabel lainnya. Primary key dapat terdiri dari

sebuah atau beberapa field yang harus unik. Foreign key merupakan key tujuan,

yaitu berupa field yang digunakan sebagai field tujuan yang dihubungkan dengan

primary key sebagai key asal. Sedangkan candidate key adalah field yang dapat

menjadi primary key pada suatu tabel.

2.8.2 Structured Query Language

Structured Query Language (SQL) merupakan suatu alat untuk

mengorganisasikan, mengatur, dan mengambil data yang tersimpan dalam suatu

44

basis data komputer (Weinberg, 1999). SQL digunakan untuk mengontrol semua

fungsi DBMS (Database Management System), termasuk:

• Data definition

• Data retrieval

• Data manipulation

• Access control

• Data sharing

• Data integrity

Bentuk perintah umum dalam SQL adalah select, insert, delete, dan

update.

2.8.3 MySQL

MySQL adalah salah satu jenis basis data yang didukung oleh bahasa

pemrograman PHP. MySQL saat ini digunakan dalam mayoritas aplikasi yang

menggunakan PHP sebagai bahasa pemrogramannya. Hal itu dikarenakan

MySQL mempunyai beberapa keuntungan seperti:

• Efektif dalam biaya karena bersifat free

• Memiliki performa yang cepat

• Mudah digunakan karena menggunakan sintaks SQL

• Dengan menggunakan sintaks PHP ataupun tools lain seperti phpMyAdmin,

data yang disimpan pada MySQL dapat dimanipulasi dengan mudah dan

praktis

• Open source

45

2.9 ALAT PERANCANGAN SISTEM

Menurut Pressman (1992, p186) ada tiga alasan dalam memakai

perancangan dalam membuat suatu sistem:

• Supaya dapat terfokus pada bagian sistem yang penting

• Supaya dapat terfokus pada bagian yang akan mengalami perubahan-

perubahan dan koreksi serta dokumentasi

• Supaya dapat mengerti akan lingkungan pemakai, sehingga sistem tersebut

lebih baik

2.9.1 State Transition Diagram

State transition diagram merupakan suatu alat perancangan yang

menggambarkan sistem untuk mempengaruhi keadaan yang dinamis (Pressman,

1992). Keadaan di sini dapat difokuskan dan dihubungkan dalam berbagai cara

untuk merepresentasikan sifat yang sekuensial dan concurrent (bersamaan).

Transisi di antara dua keadaan umumnya disebabkan oleh suatu kondisi. Adapun

komponen dan simbol yang digunakan dalam diagram ini adalah:

• Modul yang dipanggil apabila terjadi suatu tindakan, dinotasikan dengan

lingkaran kecil.

Gambar 2.7 Notasi modul

• State, yaitu tampilan kondisi sistem yang digunakan menurut keadaan atau

atribut untuk memenuhi suatu tindakan pada waktu tertentu yang mewakili

suatu keberadaan atau kondisi tertentu. State ini disimbolkan dengan kotak.

46

Gambar 2.8 Notasi state

• State transition, dinotasikan dengan anak panah dan disertai keterangan

tindakan yang dilakukan.

Gambar 2.9 Notasi state transition

• Kondisi dan aksi, dinotasikan seperti di bawah ini:

Gambar 2.10 Notasi kondisi dan aksi

2.9.2 Spesifikasi Proses

Spesifikasi proses merupakan penjelasan dari proses-proses yang terjadi di

dalam sistem. Spesifikasi proses harus dapat dimengerti baik oleh pemakai

maupun pembuat sistem. Spesifikasi proses akan menjadi pedoman bagi pembuat

program dalam membuat kode program maupun dokumentasi. Ada banyak cara

untuk membuat spesifikasi suatu proses, antara lain dengan menggunakan

(Pressman, 1992):

47

• Tabel keputusan (decision table)

• Bahasa terstruktur (pseudocode)

• Bagan alur (flowchart)

• Diagram Nassi-Shneiderman (diagram N-S)

• Bentuk narasi atau cerita

2.10 INTERAKSI MANUSIA DAN KOMPUTER

Interaksi manusia dan komputer adalah disiplin ilmu yang berhubungan

dengan perancangan, evaluasi, dan implementasi sistem komputer interaktif untuk

digunakan oleh manusia, serta studi fenomena-fenomena besar yang berhubungan

dengannya. Interaksi manusia dan komputer menitik beratkan pada perancangan

dan evaluasi antarmuka pemakai (user interface).

Antarmuka pemakai adalah bagian sistem komputer yang memungkinkan

manusia berinteraksi dengan komputer.

Dalam merancang dan membuat sistem, salah satu yang perlu diperhatikan

adalah dalam perancangan tampilannya, karena sebuah tampilan yang tidak user

friendly akan sulit dipelajari, dimengerti, dan mungkin membingungkan bagi

pemakai dalam menggunakan sistem komputer tersebut, sehingga dapat membuat

si pemakai menjadi frustasi, gagal, dan takut. Beberapa hal yang perlu dimengerti

dalam melakukan desain interface adalah siapa yang menggunakan sistem

komputer, bagaimana pemakai menafsirkan informasi yang disampaikan dan

dihasilkan oleh sistem komputer, bagaimana pemakai belajar untuk berinteraksi

dengan sistem komputer, dan apa yang diharapkan dari pemakai sistem komputer.

48

Menurut Shneiderman (1998, p72) ada delapan faktor utama yang perlu

diperhatikan dalam merancang tampilan, yaitu :

• Harus konsisten

Misalnya dalam pemakaian menu, layar help, perintah, warna, jenis huruf,

tampilan layar haruslah konsisten.

• Memperbolehkan pemakai untuk mempergunakan tombol pintas.

Bertujuan untuk meningkatkan penggunaan suatu aplikasi, bisa berupa

singkatan, special keys, perintah tersembunyi, dan fasilitas lainnya yang

memahami pengetahuan pemakai. Tujuan dari tombol ini adalah

mempermudah dan mempercepat pengoperasian.

• Umpan balik yang informatif, sehingga tidak membingungkan pemakai.

Untuk setiap aksi user, sistem harus memberikan feedback.

• Rancangan layar untuk menampilkan keadaan akhir.

Setiap layar yang ditampilkan menghasilkan keadaan akhir

• Ada penanganan kesalahan.

Dalam merancang sistem harus dipikirkan kemungkinan seorang user

membuat kesalahan. Untuk mengatasi hal ini maka sistem harus memberikan

instruksi atau solusi yang sederhana sehingga kesalahan tersebut dapat

diperbaiki oleh user.

• Mengijinkan pemakai memperbaiki kesalahan yang dilakukan.

Kebanyakan suatu aksi yang dilakukan user harus bisa dilakukan pembalikan

aksi.

• Pengontrol terletak pada pemakai sistem.

49

Memungkinkan user untuk menguasai sisten atau sebagai inisiator bukan

sebagai responden.

• Mengurangi hafalan bagi pemakai

manusia sangat terbatas memorinya dalam mengingat informasi jangka

pendek, sehingga sebaiknya seminim mungkin meminta user untuk

menghafal.