Sistem Tutor Cerdas “Dasar Listrik” Menggunakan Metode
Bayesian Network
Rini Dwi Puspita
1)Surya Sumpeno
2)Moch. Hariadi
2)1)Pasca Sarjana Jurusan Teknik Elektro, Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS), E-mail: [email protected]
2)Jurusan Teknik Elektro, Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS)
Abstrak – Sistem Tutor Cerdas (STC) atau Intellegent Tutorial System (ITS) pada penelitian ini diaplikasikan pada pembelajaran teori produktif pada siswa SMK. System ini merupakan sebuah teknologi pembelajaran yang dinamis dan dapat menyesuaikan isi atau output program sesuai dengan metode pembelajaran dan materi yang diajarkan. Karena ITS dilengkapi oleh Artificial Intelligence (AI), dalam penelitian ini penempatan metode Bayesian Network adalah sebagai metode AI.
Bayesian Network adalah pendekatan secara subyektif, dimana pendekatan semacam ini dilakukan melalui pengamatan berdasarkan sampel, tes, hipotesis, analisa regresi dan lain-lain. Penelitian ini akan mengimplementasikan kecerdasan buatan dalam modul interaktif yang mampu berinteraksi dengan pengguna(siswa). Metode yang digunakan dalam penelitian ini adalah klasifikasi soal yang ada sebagai penentu jenis tingkatan kognisi dan menggunakan Bayesian Network sebagai pengklasifikasian soal (lihat gambar 5 dan 9).
Kata Kunci
:
Kecerdasan Buatan, Bayesian Network1. PENDAHULUAN
Ada banyak modul-modul interaktif yang dibuat, tetapi sampai saat ini masih banyak yang tidak dilengkapi sistem yang dapat mengukur kemampuan pengguna sehingga hanya dapat menampilkan animasi-animasi saja khususnya untuk materi produktif pada tingkatan SMK. Kecerdasan buatan merupakan salah satu aspek yang mampu menjawab tuntutan itu semua
Gambar 1. Modul-modul dalam STC[1]
Beberapa peneliti telah mengusulkan
rancangan-rancangan
yang berbeda dalam membangun sebuah STC. Gambar 1. menunjukkan modul-modul dalam STC dan hubungan dengan siswa. Rancangan tersebut terdiri atas[1]:- Domain pengetahuan - Pemodelan siswa - Modul adaptasi - Modul pendagogik - Modul antarmuka
Pada penelitian terdahulu[2][1], telah diusulkan pemodelan siswa untuk klasifikasi siswa secara otonom menggunakan Bayesian Network dan menggunakan perangkat simantik untuk model soal bahasa inggris, maka pada penelitian ini diusulkan modul adaptasi untuk aplikasi soal produktif pada
jenjang SMK yaitu “Dasar Listrik” memanfaatkan
inferensi Bayesian serta pengayaan pengetahuan STC.
2. METODE
Pada penelitian lain, Bayesian Network digunakan untuk modeling user, karena dapat menghasilkan seakurat penilaian sebagai mungkin dengan memanfaatkan informasi yang ada pada pengguna dan secara eksplisit mengungkapkan ketidakpastian perilaku pengguna prediksi saat informasi terbatas yang tersedia.
Topik bahasan yang diambil adalah materi produktif SMK yaitu tentang “Dasar Listrik”. Pada eksperimen kali ini diharapkan bisa melakukan
P
penyetelan (setting) aturan digunakan algoritma pembelajaran terhadap sekumpulan data.
2.1Pemilihan Algoritma
Metode yang digunakan untuk penelitian ini
menggunakan Bayesian Network dengan
mengimplementasikannya pada student modeling yang merupakan salah satu factor dari ITS. System yang dikembangkan pada system tutor cerdas ini mengimplementasikan algoritma Junction Tree pada JavaBayes.
JavaBayes adalah sebuah sistem yang menangani komputasi jaringan Bayesian, yakni menghitung probabilitas marjinal dan ekspresi yang akan menghasilkan penjelasan, serta melakukan analisa yang akurat dan memungkinkan penggunaan untuk menyimpan, menciptakan dan memodifikasi jaringan Bayesian Network.
Sistem Bayesian Network adalah seperangkat alat untuk menciptakan dan memanipulasi Bayesian Network. Sistem ini tersdiri dari editor grafis dan inferensi. Editor grafis memungkinkan user membuat dan memodifikasi Bayesian Network komputasi JavaBayes menghasilkan marjinal probabilitas untuk setiap Variabel dalam suatu jaringan Bayesian Network dan mendeteksi nilai probabilitas dan setiap variabel.
Variabel yang direpresentasikan dengan node-node bila di assign untuk menetapkan nilai priornya dan secara akurat JavaBayes bias mengkalkulasi besaran postenor probabilitasnya. Keunggulan lain dari komputasi JavaBayes dalam hal menangani probabilitas adalah mampu memberikan intervalensi terhadap posterior probability.
2.2 Bayesian Inference
Inferensi Bayesian adalah metode inferensi statistic di mana beberapa jenis bukti atau pengamatan digunakan untuk menghitung probabilitas bahwa hipotesis yang mungkin benar, atau yang lain untuk memperbaruhi probabilitas yang dihitung sebelumnya. Istilah Bayesian berasal dari penggunaan dari teorema Bayes dalam proses perhitungan.
Pada inferensi Bayes, harus menentukan tingkat kepercayaan pada suatu hipotesis menggunakan estimasi numerik sebelum terdapat bukti apapun. Setelah didapatkan bukti baru, dilakukan lagi pencarian tingkat kepercayaan hipotesis tersebut menggunakan estimasi numerik, dan begitu selanjutnya tiap ditemukan bukti baru.
Setiap didapatkan data baru, dengan menggunakan teorema Bayes, peluang bahwa suatu hipotesis itu benar berubah sesuai dengan
(1)
Dimana :
- H adalah hipotesis yang diperiksa
- E adalah bukti atau data yang didapat dari pengamatan
- P(H) adalah peluang hipotesis itu benar sebelumdidapatkan bukti baru
- P(E | H) adalah fungsi kesamaan atau peluang bahwa akan didapat bukti E jika H benar
- P(E) adalah peluang marginal, peluang kita akan mendapat bukti E, tidak tergantung pada hipotesis yang kita periksa
- P(H | E) adalah peluang hipotesis H benar setelah kita mendapatkan bukti E
2.3 Disain Student Model
Perancangan model pembelajaran sesuai dengan Kurikulum Tingkat Satuan Pendidikan (KTSP), dikembangkan melalui tahapan-tahapan sebagai berikut :
1.Merancang konsep teori dasar listrik sesuai KTSP.
2.Merancang model Bayesian Network dengan mengacu pada modul pembelajaran Dasar Listrik.
3.Menggambarkan inferensi-inferensi dari data-data yang tersimpan
4.Merancang sistem tutor berdasarkan KTSP.
2.4 Mapping Kompetensi Dasar Listrik
Gambar 2 menunjukkan rancangan modul interaktif yang diusulkan.
Gambar 2. Rancangan Modul
Analisa dilakukan persoal untuk menganalisa sampai ke tahapan ketrampilan siswa menggunakan konsep Bayesian Network, sehingga nilai kemungkinan-kemungkinan yang muncul dapat diamati.
2.5 Dasar Listrik
Dalam pembelajaran dasar listrik kompetensi yang dianalisa adalah pembangkit dan rangkaian. Dimana dari sisi pembangkit di bagi atas: menggunakan sumber tegangan AC dan sumber tegangan DC. Sedangkan rangkaian dibagi atas: Hukum Ohm, Hukum Kirchof 1 dan hukum Kirchof 2.
Kurikulum Tingkat Satuan Pendidikan (KTSP)
Pengetahua Analisa Pemahaman Penerapan Aspek Penilaian
Penilaian (Skor)
Modul Antarmuka
a. Hukum Ohm
Pada suatu rangkaian tertutup, Besarnya arus I berubah sebanding dengan tegangan V dan berbanding terbalik dengan beban tahanan R, atau dinyatakan dengan Rumus :
I = V/R (2)
V = R x I (3)
(4)
Dimana;
I = arus listrik, ampere V = tegangan, volt
R = resistansi atau tahanan, ohm
b. Hukum Kirchof
Pada setiap rangkaian listrik, jumlah aljabar dari
arus-arus yang bertemu di satu titik adalah nol (ΣI=0) .
Gambar 3. loop arus“ KIRCHOFF “
Jadi:
I1 + (-I2) + (-I3) + I4 + (-I5 ) = 0 (5)
I1 + I4 = I2 + I3 + I5 (6)
c. Rangkaian Listrik
Pada suatu rangkaian listrik akan mengalir arus, apabila dipenuhi syarat-syarat sebagai berikut :
1. Adanya sumber tegangan 2. Adanya alat penghubung 3. Adanya beban
Gambar 4. Rangkaian Listrik.
Pada kondisi sakelar S terbuka maka arus tidak akan mengalir melalui beban . Apabila sakelar S ditutup maka akan mengalir arus ke beban R dan Ampere meter akan menunjuk. Dengan kata lain syarat mengalir arus pada suatu rangkaian harus tertutup.
“alat ukur tegangan adalah voltmeter dan alat ukur arus listrik adalah amperemeter”
3. PERCOBAAN DAN HASIL
Dalam penelitian ini, untuk probabilitas tingkat penguasaan kognisi siswa terhadap
pertanyaan-pertanyaan yang ada kaitanya dengan penguasaan konsep/rule maka di buat struktur Bayesian Network yang dikenal dengan DAG(Directed Acrylic Graph). DAG disini merupakan Bayesian Student Model dimana masing-masing note merepresentasikan sebuah Variabel acak, dan masing-masing garis menggambarkan probabilitas ketergantungan dari node sebelumnya.
Untuk menghitung tingkat kesulitan probabilitas penguasaan kognisi terhadap soal-soal yang di keluarkan menggunakan JavaBayes dimana algoritma yang digunakan adalah Junction Tree, alasan dipilih algoritma ini adalah bahwa tingkat akurasi yang dihasilkan memiliki kesamaan dengan rumus teorema Bayes. Sebelumnya semua Variabel dibuat diagram grapnya terlebih dahulu seperti pada gambar 5. Dalam penelitian ini kombinasi(rule) kompetensi yang dibuat sejumlah 5, dimana contoh di identifikasi dengan nama R1 sampai R5.
Gambar 5. Desain grap pada Bayesian Network klasifikasi soal untuk menentukan kognisi siswa
Soal-soal yang dibangun disusun berdasarkan rules yang sudah ditentukan sesuai dengan kompetensi yang diajarkan.
3.1 Pengujian Kombinasi Kompetensi Pada R1
Gambar 6 adalah aplikasi rule pada R1, aspek yang dinilai adalah kompetensi Hukum Ohm dengan menggunakan pembangkit AC (arus bolak balik). Jika yang diujikan adalah analisa nyala lampu, maka ada beberapa faktor yang harus diperhatikan yaitu : 1. Panjang dari penghantar (kabel/hambatan) 2. Diameter penghantar
3. Serta jenis penghantarnya
AC Lampu Kabel
(Hambatan)
Sumber tegangan
I (Arus)
Gambar 6. Aplikasi R1 Rangkaian Listrik
Analisa Soal :
1. Suatu rangkaian listrik tertutup, jika mempunyai kabel yang terbuat dari tembaga yang panjang dengan diameter yang besar dan besar tegangan yang digunakan adalah
Hasil Analisa :
Tabel 1. hasil analisa inferensi forward
Pengaturan
Probabilitas kondisi kabel(hambatan)
Probabilitas Nyala Lampu Panjang Kabel =
panjang 35% kondisi kabel(hambatan) besar
23% nyala terang sekali
Diameter kabel =
besar 39%nyala terang Jenis Kabel = tembaga 65% kondisi
kabel(hambatan) kecil
24% nyala redup Tegangan = 220volt 14% lampu akan
mati
Gambar 7. Model soal Q1 inferensi forward pada JavaBayes
2.
Suatu rangkaian listrik jika kondisi lampunya adalah terang sekali, kabel yang digunakan adalah tembaga yang dialiri tegangan 220volt. Bagaimana kondisi hambatan tersebut.Gambar 8. Model soal Q2 inferensi backward pada
javaBayes
Hasil Analisa :
Tabel 2. hasil analisa inferensi backward
Pengaturan
Probabilitas kondisi kabel(hambatan)
Probabilitas panjan kabel
probabilitas diameter
kabel
Nyala lampu = terang sekali
5.4% hambatannya besar
14.5% kabelnya panjang
69.5% diameternya besar 35% kablenya sedang
Jenis kabel = tembaga
94% hambatannya kecil
30.4% diameternya kecil 49.6%
kabelnya pendek
3.2 Pengecekan kemampuan (kognisi)
menggunakan javaBayes
Pengujian ini digunakan untuk melihat tingkat kemampuan siswa berdasarkan soal yang dikerjakan sehingga pengajar dapat memberikan evaluasi langsung terhadap siswa.
Dari gambar 9 dapat dilihat bahwa siswa dapat dinyatakan berhasil/lulus sesuai dengan kompetensinya dipengaruhi oleh jenis soal yang dikerjakan terhadap waktu yang diberikan. Nilai kemungkinan apakah siswa tersebut lulus atau tidak dapat dilihat pada tabel 3.
Tabel 3: probabilitas kemampuan berdasarkan waktu dan tingkat kesulitas soal (inferensi maju)
Tingkat Kesulitan
Soal
Waktu yang digunakan
Probabilitas
Sulit Sangat Cepat
0.77
// p(mengulang | evidence )
0.23 // p(lulus | evidence );
Sulit Lama 0.37425
// p(mengulang | evidence )
0.62575 // p(lulus | evidence );
4. KESIMPULAN
Dengan menggunakan konsep Bayesian Network, soal yang dibangkitkan sesuai dengan konsep hukum ohm yang berlaku secara teoritis. Dari sini soal yang dibuat dapat diaplikasikan dengan sebuah program dengan memasukkan aturan-aturan yang kemudian di devinisikan berdasarkan level kesulitan, sehingga memudahkan penilaian terhadap siswanya.
Sistem ini dapat membantu pengajar dalam mengevaluasi siswanya berdasarkan kemampuan, sekaligus dapat memberikan materi-materi berdasarkan kemampuan siswanya.
Bayesian Network dapat memberikan nilai kemungkinan yang terjadi pada materi produktif tanpa harus mengaplikasikan pada bidang kerja(peralatan).
Untuk mengembangkan ke depan, system ini dapat dipakai untuk mengamati system kerja dari peralatan/pekerjaan teknik yang lain. Sehingga dengan adanya sebuah keputusan dapan mempertimbangkan
aspek-aspek yang akan dilakukan sebelum mengimplementasikannya dalam dalam bentuk nyata.
5. DAFTAR PUSTAKA
[1] Surya Sumpeno, Mohamad Safrodin, Mochamad Hariadi, Mauridhi Hery Purnomo, Sistem Tutor Cerdas Menggunakan Jaringan Bayesian dan Perangkat Simantik, Pasca Sarjana Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember.
[2] Siswanto, Surya Supeno, Moch. Hariadi, 2009, Sistem Tutor Cerdas Berbasis Metode Bayesian Network untuk Klasifikasi Autonomous Tingkat Kognisi, Paper Program Pascasarjana Bidang Studi Sistem Komputer, Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember.
[3] www.Wikipedia.com,Artificial Intelligence (AI) [4] Ben-Gal I., Bayesian Networks, in Ruggeri F.,
Faltin F. & Kenett R.,Encyclopedia of Statistics in Quality & Reliability, Wiley & Sons (2007). [5] International Journal of Information Processing
Systems Vol.1, No.1, 2005,“Prototyping a Student
Model for Educational Games”, YoungMee Choi,
MoonWon Choo, and SeongAh Chin
[6] C. Conati, and J. F. Lehman, (1993). “EFH-Soar: Modeling Education in Highly Interactive
Microworlds”. In Lecture Notes on Artificial Intelligence. Advances in Artificial intelligence, AI-IA „93 Springer Verlag, Berlin.
[7] S. Russell, and P. Norvig, Artificial Intelligence: AModern Approach, by Prentice-Hall, Inc. 1995. [9] Xiaohong Zhao, “Adaptive Support for Student
![Gambar 1. Modul-modul dalam STC[1]](https://thumb-ap.123doks.com/thumbv2/123dok/3993092.1936512/1.595.366.506.255.372/gambar-modul-modul-dalam-stc.webp)
