ANALISIS E-
LEARNING CENTER OBJECT RECOMMENDER
UNTUK PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE
T.Henny 1, Hanifah Amrul2, Darmeli Nasution3
Sistem Komputer, Teknik, Universitas Pembangunan Pancabudi Jl. Jendral Gatot Subroto Km 4.5 Medan
1[email protected], 2[email protected], 3[email protected]
Abstrak
Pendidikan memiliki tujuan yang ingin dicapai, berdasarkan hal ini semua kegiatan dirancang untuk memfasilitasi mahasiswa dalam memperoleh pengetahuan dan keahlian. Penulis mengusulkan Learning
Object Recommender Systems yang akan memberikan rekomendasi bahan ajar berdasarkan informasi
mengenai prior knowledge mahasiswa. Prior knowledge yang dimiliki mahasiswa dapat diidentifikasi melalui Pre-Test assessment diawal perkuliahan. Kemajuan belajar yang dicapai mahasiswa juga dapat diketahui melalui Mid-Test assessment. Adapun assessment atas keseluruhan topik dalam matakuliah dapat dilakukan melalui Post-Test assessment. Penelitian ini sejalan dengan sistem e-Learning yang telah diimplementasikan di UNPAB yaitu Student Centered ELearning Environment (SCELE) yang dikembangkan dengan menggunakan Learning Management System (LMS) berbasis open source, yaitu Moodle dan di selaraskan dengan aplikasi edmodo. Dalam proses analisis menggunakan software sipina. Pembelajaran seringkali diasumsikan bahwa mahasiswa memiliki prior knowledge yang sama. Padahal realitasnya tidaklah selalu demikian. Disinilah pentingnya fasilitas Learning Object Recommender (LOR) untuk meningkatkan kualitas. Metodologi penelitian yang digunakan melalui observasi langsung dan penyebaran kuisioner. Terdapat pengaruh penggunaan Learning Object Recommender terhadap learning outcome memahasiswa sebesar 67%. Prior Knowlede merupakan metode yang dilakukan sebagai metode keberhasilan program pembelajaran berbasis E-learning. Tanpa Prior Knowledge tingkat pemahaman mahasiswa tentang E-learning sangat kecil sehingga output ataupun luaran yang dihasilkan sangat kecil dan tidak seperti yang diharapkan.
Kata Kunci : E-Learning, Prior Knowledge, Learning object Recommender
1. PENDAHULUAN
1.1 Latar Belakang
E-learning saat ini Sangat berpengaruh terhadap peningkatan dunia pendidikan juga berpotensi menambah soft skill mahasiswa, diantaranya meningkatkan ketrampilan mencari informasi dan menjadi self regulated learner. Namun, menyelenggarakan e-learning yang berkualitas tidaklah mudah. Dalam pembelajaran tatap muka di kelas, pengajar dengan mudah mengamati respon dan tingkat pencapaian mahasiswa terhadap materi yang sedang dibahas. Jika mahasiswa tampak sulit menangkap topik yang dibahas, pengajar dapat mengulang kembali pengetahuan prasyarat yang harus dimiliki mahasiswa agar dapat menguasai topic tersebut. Teori pembelajaran dari Gagne yang dikenal dengan Nine Events of Instruction, menyebutkan bahwa sebelum menyampaikan materi ajar, haruslah ada stimulasi untuk memanggil prior
knowledge. Prior Knowledge adalah suatu
pemahaman sebelumnya yang didapatkan sebelum mahasiswa tersebut mebgikuti mata kuliah yanng diberikan. Oleh karena itu, e-learning yang berkualitas haruslah menyediakan materi ajar yang berbasis personalisasi dan
when-needed content (Karamanis, 2004) Dengan
adanya personalisasi, pastinya mahasiswa yang memiliki tingkat prior knowledge yang berbeda diharapkan dapat mengikuti materi ajar dengan baik dan mencapai tujuan pembelajaran. Penguasaan terhadap sebuah topik bahasan sangat diperlukan untuk membantu penguasaan atas topik bahasan selanjutnya, khususnya yang memerlukan prasyarat topik bahasan sebelumnya. Penelitian ini mengembangkan fitur Learning
Object Recommender (LOR) dalam learning
management system (LMS) dengan paradigma
student-centered, yaitu Student Centered
e-Learning Environment. LOR dikembangkan
untuk memberikan rekomendasi bahan ajar apa saja yang relevan untuk diakses mahasiswa melalui LMS sesuai dengan kondisi prior
knowledge masing-masing. Informasi mengenai
prior knowledge diperoleh melalui assessment.
penelitian ini diharapkan dapat memberikan masukan bagi pihak yang berkepentingan dalam penyelengaraan e-learning agar sistem ini dapat berjalan seperti yang diharapkan.
1.2 Perumusan Masalah
a. Apakah terdapat pengaruh Learning
Object Recommender terhadap learning
outcome memahasiswa ?
b. Bagaimana penggunaan E- Learning
Object Recommender berpengaruh
terhadap E- learning outcome
memahasiswa ?
1.3 Ruang Lingkup Penelitian
Penelitian ini berfokus pada kegiatan e-learning mata kuliah disemester 2, dan bukan pada tingkat pendidikan di bawahnya. Sistem yang dikembangkan bersifat general, dan tidak terbatas untuk kegiatan e-learning pada mata kuliah tertentu atau bidang studi tertentu.
2. LANDASAN TEORI
Komputer adalah sistem elektronik untuk memanipulasi data dengan cepat dan tepat serta dirancang dan diorganisasikan agar secara otomatis menerima dan menyimpan data input, memrosesnya, dan menghasilkan output di bawah pengawasan suatu langkah-langkah instruksi program (Sistem Operasi) yang tersimpan di didalam penyimpannya (Donald H. Sanderes, 1985). Oleh sebab itu komputer merupakan alat atau media pembelajaran yang terstruktur dan terintegrasi untuk menghasilkan output yang diinginkan
Matthew Comerchero dalam E-Learning Concepts and Techniques (Bloomsburg, 2006) mendefinisikan E-learning adalah sarana pendidikan yang mencakup motivasi diri sendiri, komunikasi, efisiensi, dan teknologi. Karena ada keterbatasan dalam interaksi sosial, siswa harus menjaga diri mereka tetap termotivasi. Oleh sebab itu E learning sebagai media dan dan pemahaman prior knowledge output yang ingin dicapai merupakan indikator untuk meningkatkan pemahaman dari mahasiswa tersebut terhadap mata kuliah yang diikuti.
3. Metode Penelitian
Metode pemecahan masalah dalam penelitian ini lakukan dalam 3 Tahap, yaitu perancangan sistem, uji coba, evaluasi, Hasil akhir yang diharapkan dari penelitian ini berupa sistem perekomendasian Learning Object yang adaptif terhadap prior knowledge dan gaya belajar mahasiswa yang mampu meningkatkan efektifitas aktivitas belajar.
Gambar 1. Alur Penelitian
Parameter yang diamati 1. Motivasi
2. Konten yang digunakan 3. Tingkat keaktifan mahasiswa 4. Materi Pemelajaran
5. Hasil Tes (Nilai) 6. Lingkugan 7. Prior knowledge
Metode penelitian menggunakan Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Banyak algotima yang dapat dipakai dalam pembentukan pohon keputusan antara lain ID3, CART dan C4.5 (Larose, 2005). Algoritma C4.5 merupakan pengembangan dari algoritma ID3 (Larose, 2005). Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan pohon. Proses pada pohon keputusan adalah: mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule dan menyederhanakan rule (Basuki & Syarif, 2003). Dalam penelitian ini criteria yang digunakan adalah sebagai berikut : Salah satu atribut merupakan atribut yang menyatakan data solusi per-item data yang disebut dengan target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan instance. Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut:
a. Pilih atribut sebagai akar
b. Buat cabang untuk masing-masing nilai c. Bagi kasus dalam cabang
Kelas A
Pemberian pemahaman E- Learning Tanpa Pemberian Pemahaman E- Learning
d. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama.
Untuk memilih atribut sebagai akar, didasarkan pada nilaigain tertinggi dari atribut-atribut yang ada. Untukmenghitung gain digunakan rumus seperti tertera dalam
Rumus 1 (Craw, S., ---).
Dengan :
S : Himpunan kasus A : Atribut
n : Jumlah partisi atribut A |Si| : Jumlah kasus pada partisi ke i |S| : Jumlah kasus dalam S
Sedangkan perhitungan nilai entropy dapat dilihat pada
rumus 2 berikut(Craw, S., ---):
dengan :
S : Himpunan Kasus A : Fitur
n : Jumlah partisi S
pi : Proporsi dari Si terhadap S
a. Analisa Penelitian Tahap I (Perancangan sistem).
Materi yang akan digunakan pada penelitian tahap I ini adalah menyiapkan responden sebanyak 43 orang mahasiswa sebagai sampel yang berasal dari 2 kelas yang berbeda. Selanjutnya dilakukan penyebaran Quisioner sesuai dengan variabel yang diamati. Tahapan ini dilakukan pada awal perkuliahan dalam waktu 1 minggu. Selanjutnya Kelas tersebut akan dibedakan menjadi dua, yaitu kelas yang menjalankan perkuliahan dengan sistem e-learning tanpa melalui penjelasan dan kelas yang menjalankan e-learning dengan diberikan penjelasan terlebih dahulu. Selanjutnya kelas yang ditunjuk untuk menjalankan proes e-learning dengan proses pemahaman akan diberikan pelatihan tentang e-learning sistem lebih mendalam. Setelah di lakukan wawancara dan penyebaran angket dengan kelas masing – masing akhirnya ditentukan untuk Kelas 2 Pagi A untuk menjadi objek penelitian dengan prior knowledge dan Kelas 2 Siang F untuk menjadi objek penelitian tidak menggunakan prior knowledge.
b. Analisa Penelitian Tahap II (Uji coba) Setelah dilakukan pembagaian kelas, penelitian tahap II dilakukan uji coba pada kedua kelompok kelas yang berbeda yaitu Kelas 2 Pagi A dengan prior knowledge dan Kelas 2 Siang F
tidak menggunakan prior knowledge. Sistem uji coba ini meliputi pemberian materi kuliah secara
online yaitu untuk mata kuliah struktur data
mencakup materi (Array, Stack, Sorting,
Searching dan lain sebagainya). Mahasiswa
untuk kedua kelas diberikan tugas untuk meringkas dan memahami materi yang diberikan tanpa harus tatap muka dengan dosen pengajar di dalam kelas. Mahasiswa bisa melakukan hal tersebut dimana saja baik dirumah maupun di Kampus namun dengan waktu yang telah ditentukan. Setelah dianalisa Mahasiswa Kelas 2 pagi A mempunyai tingkat kemauan yang lebih tinggi dalam meringkas materi dengan rata – rata 7 kali pertemuan
Gambar 2. Materi Struktur data secara online
Gambar 3. Mid semester secara online
Gambar 4. Tugas secara online
Pada tahap ini akan dibandingkan kemampuan mahasiswa yang telah diberi pemahaman dan kelas yang tidak diberi pemahaman. Setelah perkuliahan berakhir kemudian mahasiswa diberikan kuisioner untuk melihat tingkat pemahaman mahasiswa dalam menggunakan aplikasi e – learning secara berkesinambungan. Nilai tersebut dapat dilihat dibawah ini :
Gambar 5. Progres nilai kelas siang 2 F tanpa prior knowledge
Gambar 6. Progres nilai kelas 2 pagi A menggunakan prior knowledge
Dapat terlihat setelah di lakukan uji coba meliputi tugas, quis dan mid . Progres kelas dengan prior knowledge jauh lebih banyak daripada progress kelas tanpa prio knowledge.
c. Penelitian Tahap III (pengolahan data dan evaluasi ).
data adalah software data mining SIPINA dengan algoritma C 4.5 ( pohon keputusan).
Gambar 7. Data input
Setelah data di input, maka dibuat dan di pilih untuk sampel, atribut dan class dari variabel yang diinput. Dalam seluruh variabel maka untuk class diagram adalah prior knowledge. Sampel diagram adalah nama responden dan Atribut diagram adalah Jenis Kelamin, Kelas, Semester, Umur, Pemahaman tentang e-learning, Kehadiran Kuliah, Tes secara E-learning, Diskusi, Motivasi, Penggunaan Konten, Tingkat Keaktifan di Edmodo, Memperoleh Materi, Pengetahuan tentang PK, Nilai Tugas, Nilai UTS.
Gambar 8. Pembagian class, atribut, dan sampel dari variabel
Gambar 9. Hasil output algoritma c 4.5
Jika dilihat dari hasil output pohon keputusan maka terlihat prior knowledge yang lihat pengaruhnya dari variabel yang diolah adalah efektif sebesar 67% .
4. Kesimpulan
Berdasarkan penelitian yang telah dilakukan maka dapat ditarik kesimpulan yaitu: 1. Terdapat pengaruh penggunaan Learning
Object Recommender terhadap learning
outcome memahasiswa.
2. Terdapat pengaruh perekomendasian learning object yang sesuai dengan tingkat kedalaman atau kesulitan soal dibandingkan dengan learning object yang sifatnya umum walaupun tetap ada kaitannya dengan topik soal.
3. Tanpa adanya Prior Knowledge tingkat pemahaman mahasiswa tentang Elearning sangat kecil sehingga output ataupun luaran yang dihasilkan sangat kecil dan tidak seperti yang diharapkan
DAFTAR PUSTAKA
Nizar, Buku Pedoman Singkat, UAI E-learning System, Pusat Komputer dan Sistem Informasi, UAI, 2009
Permana, Wim, Implementasi E-learning di FMIPA UGM sebagai Motivator Student Centered Learning, 2004
Purbo, Onno W. , “E-learning dan
Pendidikan”,2003
Som Naidu, E-Learning Guidebook of Principles, Procedure and Practice, New Delhi, CEMCA, 2006
