Adaptive quiz system berbasis web (studi kasus: mata pelajaran Biologi SMU)

Oleh :

ZANUAR DIDIK BINTORO

G64101065

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

ZANUAR DIDIK BINTORO. Adaptive Quiz System Berbasis Web(Studi Kasus: Mata Pelajaran Biologi SMU). Dibimbing oleh MEUTHIA RACHMANIAH dan WISNU ANANTA KUSUMA.

Penggunaan perangkat komputer dalam metode pembelajaran dapat meningkatkan pemahaman siswa dalam mempelajari materi. Salah satu sistem yang dikembangkan adalah modul quiz berbasis komputer. Adaptive quiz ini dikembangkan sebagai salah satu alternatif media pembelajaran bagi siswa SMU. Aplikasi ini akan memberikan latihan soal Biologi SMU dengan tingkat kesulitan tertentu yang disesuaikan dengan hasil pembelajaran siswa, yaitu soal akan bertambah sukar jika jawaban sebelumnya benar dan soal akan bertambah mudah jika jawaban sebelumnya salah. Aplikasi ini juga memberikan umpan balik yang sesuai dengan hasil pekerjaan siswa.

Hasil dari penelitian ini adalah suatu aplikasi quiz berbasis web yang memadukan logika fuzzy

untuk menentukan tingkatan kesukaran soal Biologi. Penalaran fuzzy yang digunakan adalah metode penalaran Mamdani dengan proses defuzzifikasi centroid. Parameter fuzzy yang digunakan adalah tingkat kesukaran awal soal, tingkat kesukaran akhir soal dan persentase kebenaran. Rentang nilai dalam penentuan fungsi keanggotaan fuzzy ditentukan berdasarkan hasil wawancara dengan pengajar Biologi sebagai pakar. Dalam proses pembelajaran, tingkat kesukaran soal akan terus berubah ketika siswa telah berinteraksi dengan sistem. Parameter yang mempengaruhi perubahan tingkat kesukaran soal adalah persentase kebenaran siswa dalam menjawab soal dan tingkat kesukaran awal soal. Hasil penghitungan nilai keluaran fuzzy pada aplikasi ini telah diuji dengan membandingkan hasil keluaran dari perangkat lunak Matlab. Hasil pengujian menunjukkan bahwa hasil penghitungan fuzzy pada aplikasi ini telah sesuai dengan hasil penghitungan keluaran

fuzzy pada Matlab.

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Oleh :

ZANUAR DIDIK BINTORO

G64101065

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

Menyetujui,

Pembimbing I

Ir. Meuthia Rachmaniah, M.Sc.

NIP 131 414 854

Pembimbing II

Wisnu Ananta Kusuma, ST, MT.

NIP 132 312 485

Mengetahui,

Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Dr. drh. Hasim, DEA.

NIP 131 578 806

Alhamdulillahirobbil’alamin,

Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat dan hidayahnya telah memberikan kekuatan dan kelancaran kepada penulis selama menyelesaikan studi hingga tersusunnya skripsi ini.

Penelitian Tugas Akhir yang berjudul Adaptive Quiz System Berbasis Web (Studi Kasus: Mata Pelajaran Biologi SMU) ini, merupakan syarat penulis untuk menyelesaikan studi di Departemen Ilmu Komputer IPB.

Penyelesaian tulisan ini tidak terlepas dari keterlibatan berbagai pihak yang turut andil demi kelancaran penelitian ini. Sebagai penghargaan terhadap pihak-pihak yang telah berjasa tersebut, penulis menyampaikan terimakasih yang sebesar-besarnya kepada:

• Kedua orangtua serta kedua adik penulis, Iwan dan Ginanjar yang telah memberikan semangat, do’a, dan dukungan demi kelancaran penulis dalam menyelesaikan tugas akhir ini.

• Ir. Meuthia Rachmaniah, M.Sc. dan Wisnu Ananta Kusuma, ST, MT. selaku pembimbing skripsi, serta Panji Wasmana, S.Kom, M.Si. selaku penguji. Terima kasih atas bimbingan, waktu, pikiran, dan perhatian yang telah diberikan kepada penulis.

• Seluruh dosen dan staf departemen Ilmu Komputer atas segala bantuannya.

• Teman-teman seperjuangan Bagus, Cepi, Holan, Erwin, dan Liesca atas bantuan semangat, kebersamaan, dan dukungannya. Tetap semangat... We can do this !!

• Teman-teman di Wisma Galih, Khamam, Voltak ’Adi Sukma’, Ranggo, dan Giyanto terima kasih atas bantuan dan dukungannya.

• Toto Haryanto, S.Kom. terima kasih atas segala bantuan dan dukungan semangatnya.

• Seluruh teman-teman Ilkomerz 38, 39, 40 dan 41 terima kasih atas segala bantuan dan kebersamaannya.

• Teman-teman Statsitik 38, May ’Hendra’, Asep, terima kasih atas semangat dan kebersamaannya.

• Para punggawa COP, Mas Hardi, Mba’ Yoen, Mba’ Nia, Hery, Novi, terima kasih atas semangat dan dukungannya.

• Semua pihak yang tidak bisa disebutkan satu persatu.

Semoga penelitian ini dapat bermanfaat, amin.

Bogor, Mei 2008

Penulis dilahirkan di Purworejo pada tanggal 24 Januari 1984 sebagai anak pertama dari tiga bersaudara, putra dari pasangan Muhari dan Sri Hartuti.

Penulis menempuh pendidikan di SDN Kemiri Kidul lulus pada tahun 1995, SMP Negeri 1 Kemiri lulus tahun 1998, SMU Negeri 1 Kutoarjo lulus tahun 2001. Penulis diterima di Jurusan Ilmu Komputer FMIPA IPB pada tahun 2001 melalui jalur UMPTN.

Pada bulan Februari-Mei 2005, penulis melaksanakan praktek lapang di SEAMEO BIOTROP Bogor. Pada tahun 2006, penulis menjadi asisten dosen untuk mata kuliah Sistem Informasi Manajemen Pangan di Magister Manajemen Ketahanan Pangan IPB.

Selain menjalani kewajiban sebagai mahasiswa, penulis juga pernah terlibat dalam beberapa project pembuatan perangkat lunak dan website diantaranya adalah website BKSNT-Pontianak, software pembelajaran bioteknologi (BMPI), website STEI Hamfara Jogjakarta,

website ICSD Jakarta, website Jakarta Islamic Centre, website PSP3 IPB, dan website COP (Centre for Orangutan Protection)

DAFTAR ISI

Halaman

DAFTAR GAMBAR ... viii

DAFTAR LAMPIRAN ... viii

PENDAHULUAN...1

Latar Belakang ...1

Tujuan...1

Ruang Lingkup ...1

Manfaat Penelitian...1

TINJAUAN PUSTAKA...1

Sistem Adaptif (Adaptive System)...1

Penggunaan Komputer dalam Pendidikan...1

Computer Assisted Instruction (CAI) ...2

Standar Kompetensi Lintas Kurikulum ...2

Feedback atau Umpan Balik ...2

Normalisasi...2

Logika Fuzzy...2

Defuzzifikasi ...3

METODE PENELITIAN...3

1. Tahap perencanaan ...3

2. Tahap Analisis ...4

3. Tahap Desain ...4

4. Tahap Implementasi...4

5. Tahap Pengujian ...4

HASIL DAN PEMBAHASAN ...4

1. Tahap Perencanaan ...4

2. Tahap Analisis ...5

2.1 Analisis Kebutuhan...5

2.2 Analisis Fungsi Perangkat Lunak ...5

2.3 Akuisisi Pengetahuan...5

2.4 Analisis Sistem Inferensi Fuzzy...6

3. Tahap Desain ...6

3.1 Desain Basis Data ...6

3.2 Desain Sistem Fuzzy...7

3.3. Desain Proses...9

3.4 Desain Tampilan...11

4 Tahap Implementasi...11

4.1 Implementasi desain basis data ...11

4.2 Implementasi desain sistem fuzzy...12

4.3 Implementasi proses aliran sistem ...14

4.4 Implementasi desain tampilan...15

5. Tahap Pengujian ...15

Kelebihan Sistem...15

Kekurangan Sistem...16

KESIMPULAN DAN SARAN ...16

Kesimpulan...16

Saran...16

DAFTAR GAMBAR

Halaman

Gambar 1 Tiga komponen proses belajar...2

Gambar 2 Contoh gugus keanggotaan fuzzy...3

Gambar 3 Alur penyelesaian masalah dengan metode fuzzy...3

Gambar 4 Diagram black box testing...4

Gambar 5 Representasi kurva trapesium...8

Gambar 6 Daerah hasil komposisi ...9

Gambar 7 Daerah solusi fuzzy. ...9

DAFTAR LAMPIRAN

Halaman Lampiran 1. Tabel keterhubungan TKAwalSoal, PersentaseKebenaran terhadap TKAkhirSoal ...19

Lampiran 2. Diagram ER dengan kamus data...20

Lampiran 3. Fungsi keanggotaan himpunan fuzzy...22

Lampiran 4. Kaidah-kaidah yang digunakan untuk inferensi fuzzy...25

Lampiran 5. Modul Pengajar...26

Lampiran 6. Modul quiz (1) ...27

Lampiran 7. Modul Pembelajaran ...28

Lampiran 8. Modul Pretest (3.1) ...29

Lampiran 9. Modul quiz adaptif (3.2) ...30

Lampiran 10. Desain tampilan sistem ...31

Lampiran 11. Form masukan ...33

Lampiran 12. Implementasi secara fisik basis data yang digunakan pada sistem ...34

Lampiran 13. Tampilan halaman administrator ...40

Lampiran 14. Contoh tampilan sistem ...41

Lampiran 15. Halaman rekap hasil belajar siswa ...46

Lampiran 16. Konfigurasi toolboxfuzzy pada Matlab...47

Lampiran 17. Hasil uji perbandingan nilai defuzzifikasi ...50

Lampiran 18. Hasil pengujian sistem menggunakan metode black box pada modul admin ...51

PENDAHULUAN

Latar Belakang

Dalam dunia pendidikan dan pengajaran, komputer memiliki peranan yang sangat penting karena dengan komputer dapat dibuat sebuah aplikasi pengajaran tertentu yang dapat mempermudah pemahaman siswa dalam menyerap materi/soal yang disampaikan. Dengan sebuah aplikasi, siswa dapat berinteraksi dengan aplikasi tersebut dan dapat memantau perkembangan belajarnya sendiri.

Sebuah aplikasi pembelajaran akan lebih interaktif dan efektif apabila dapat memberikan umpan balik kepada siswa ketika siswa tersebut berinteraksi dengannya. Aplikasi juga akan memiliki nilai lebih apabila mampu beradaptasi terhadap kemampuan siswa, yaitu dapat memberikan soal yang memang sesuai dengan kemampuan siswa. Salah satu contoh aplikasi yang demikian adalah modul quiz

berbasis HTML dan SGML yang dikembangkan oleh Lucio C. Tinoco yang diberi nama QUIZIT (Tinoco, 2004). Aplikasi ini mampu beradaptasi dengan kegiatan siswa, namun aplikasi tersebut masih memiliki beberapa kekurangan, antara lain: soal yang akan keluar berikutnya telah ditentukan dalam skrip dan tidak menggunakan basis data sehingga pembaharuan soal tidak dapat dilakukan.

Penelitian ini berusaha memperbaiki aplikasi yang dikembangkan oleh Tinoco dengan menambahkan fasilitas yang mampu memperbaharui soal dan mengintegrasikan metode fuzzy untuk menentukan tingkat kesukaran soal. Sistem yang akan dikembangkan berupa sebuah modul PHP dengan MySQL sebagai basis data untuk menyimpan seluruh data. Diharapkan aplikasi ini mampu mengatasi berbagai kelemahan pada sistem quiz yang sudah ada. Aplikasi ini diberi nama adaptive quiz system berbasis web.

Tujuan

Penelitian ini bertujuan membuat sebuah aplikasi quiz dinamis yang mampu beradaptasi dengan kemampuan siswa dalam menjawab soal.

Ruang Lingkup

Ruang lingkup pada penelitian ini adalah:

1 Soal yang dapat dibuat adalah soal bertipe pilihan ganda dan essay jawaban singkat.

2 Setiap bab pada masing-masing kategori harus dimasukkan secara berurutan dari bab awal hingga bab paling akhir.

Manfaat Penelitian

Penelitian ini diharapkan dapat membantu pengajar dalam memberikan soal yang bersifat dinamis. Di sisi lain siswa dapat mengetahui tingkatan kemampuannya dalam hal penguasaan materi yang ditentukan dengan menyelesaikan soal yang ada pada sistem.

TINJAUAN PUSTAKA

Sistem Adaptif (Adaptive System)

Sebuah sistem adaptif adalah sebuah sistem di mana sistem dapat mengalami perubahan pada berbagai aspek dikarenakan respon dari interaksi pengguna dengan sistem tersebut. (Browne et al.,1987). Browne et al. (1987) mengidentifikasi empat persyaratan pada suatu sistem adaptif. Persyaratan dimaksud, yaitu: tujuan, identifikasi karakteristik pengguna, alasan tentang karakteristik tersebut, dan mekanisme antar muka yang fleksibel yang mendukung perubahan antar muka penggunaan.

Suatu sistem adaptif dibangun berdasar pada teori dasar interaksi manusia dan komputer. Sebagai contoh, pada awalnya pengguna sistem dapat dikategorikan sebagai pemula, menengah, dan ahli. Dikarenakan adanya suatu interaksi pengguna dengan sistem, maka perubahan kondisi tersebut dapat berubah sesuai dengan aturan yang berlaku pada sistem adaptif (Browne et al.,1987)

Penggunaan Komputer dalam Pendidikan Menurut Ysewijn (1992) terdapat tiga bentuk proses belajar mengajar yaitu:

1 Secara tradisional (belajar tanpa komputer) yang melibatkan komponen guru dan siswa.

2 Dengan bantuan komputer (mixed teaching) yang melibatkan semua komponen (guru, siswa, dan komputer). 3 Dengan mesin (automated teaching)

Gambar 1 Tiga komponen proses belajar mengajar

Gambar 1 menggambarkan hubungan yang terjadi antara tiga komponen terkait yang ada dalam proses pengajaran. Nomor 1 menggambarkan pengajaran secara tradisional yaitu pengajaran tanpa bantuan komputer. Nomor 2 menggambarkan penggunaan komputer untuk hal-hal di luar pengajaran, misalnya pengelolaan sekolah. Nomor 3 menggambarkan penggunaan komputer untuk pengajaran tanpa guru di mana siswa langsung belajar melalui komputer. Nomor 4 menggambarkan pengajaran dengan bantuan komputer yang melibatkan semua komponen yaitu guru, siswa dan komputer (mixed teaching)

Computer Assisted Instruction (CAI)

CAI atau Computer Assisted Instruction

atau Computer Aided Instruction atau dalam bahasa Indonesia diterjemahkan menjadi Pengajaran Berbantuan Komputer (PBK) adalah sebuah aplikasi dari Computer Based Training (CBT) yang melibatkan proses interaktif antara pelajar dengan sebuah sistem yang terkomputerisasi. Pada CAI, komputer digunakan sebagai mesin pengajaran yang akan memberikan pelatihan individual.(http://www.auditmypc.com/acro nym/CAI.asp)

Standar Kompetensi Lintas Kurikulum

Standar kompetensi lintas kurikulum merupakan kecakapan hidup dan belajar sepanjang hayat yang dibakukan dan harus dicapai oleh peserta didik melalui pengalaman belajar (Depdiknas, 2004). Standar kompetensi dalam sistem ini digunakan untuk memberikan fasilitas umpan balik akan hasil belajar siswa.

Feedback atau Umpan Balik

Definisi umpan balik adalah suatu pesan atau informasi yang memberikan respon kepada pelajar dalam situasi pembelajaran atau suatu peristiwa yang memberikan

informasi kepada pelajar tentang kebenaran atas jawabannya (Bationo, 1992). Umpan balik yang dimaksud pada sistem ini adalah informasi yang diberikan kepada siswa ketika siswa melakukan pembelajaran, siswa dapat mengetahui apakah jawaban siswa benar, level yang dicapai, berapa waktu yang diperlukan untuk menjawab sebuah soal dan fasilitas bantuan sesuai dengan soal tersebut.

Normalisasi

Normalisasi adalah pemrosesan relasi-relasi menjadi bentuk normal lebih tinggi yang memiliki tingkat redundansi lebih rendah. Terdapat beragam tingkat bentuk normal yaitu bentuk normal pertama (1NF), bentuk normal kedua (2NF), bentuk normal ketiga (3NF), bentuk Boyce-Codd (BCNF), bentuk normal keempat (4NF), bentuk normal kelima (5NF). Pada penelitian ini proses normalisasi dilakukan hingga bentuk normal ketiga (3NF) karena bentuk normal tahap ini telah memenuhi kriteria basis data yang baik.

Menurut Connolly (1996), tahapan dalam normalisasi adalah sebagai berikut:

a Bentuk normal tahap pertama (1NF) terpenuhi jika suatu relasi pada setiap perpotongan pada tiap baris dan kolom hanya terdiri dari sebuah nilai. b Bentuk normal tahap kedua (2NF)

terpenuhi jika: telah memenuhi 1NF dan jika semua atribut yang tidak termasuk dalam kunci primer memiliki ketergantungan fungsional pada kunci primer secara utuh. c Bentuk normal tahap ketiga (3NF)

terpenuhi jika: telah memenuhi 1NF dan 2NF serta jika atribut bukan kunci (non-key attribute) tidak memiliki ketergantungan fungsional terhadap atribut bukan kunci lainnya. Seluruh atribut bukan kunci pada suatu relasi hanya memiliki ketergantungan fungsional terhadap kunci primer di relasi itu saja.

Logika Fuzzy

Teori himpunan logika fuzzy

dikembangkan oleh Prof. Lofti Zadeh pada tahun 1965. Ia berpendapat bahwa logika benar dan salah dari logika boolean/ konvensional tidak dapat mengatasi masalah gradasi yang berada pada dunia nyata.. Tidak seperti logika boolean, logika fuzzy

mempunyai nilai yang kontinu. Fuzzy

dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. siswa

guru

komputer 1

Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama.

Contoh himpunan fuzzy yang merepresentasikan konsep bahwa soal Biologi bisa sukar, sedang, dan mudah seperti ditunjukkan pada Gambar 2

Mudah Sedang Susah 1

sukar sedang mudah

0 40 55 70

Gambar 2 Contoh gugus keanggotaan fuzzy

Menurut Marimin (2002), alur penyelesaian masalah dengan metode fuzzy disajikan pada Gambar 3.

Gambar 3 Alur penyelesaian masalah dengan metode fuzzy

Defuzzifikasi

Menurut Marimin (2002), defuzzifikasi merupakan suatu proses pengubahan

keluaran fuzzy ke keluaran yang bernilai tunggal (crisp). Defuzzifikasi merupakan suatu proses yang mengkombinasikan seluruh keluaran fuzzy menjadi sebuah hasil spesifik yang dapat digunakan untuk masing-masing keluaran sistem. Jadi defuzzifikasi dapat dilakukan dengan mengambil satu keluaran fuzzy terkuat / derajat keanggotaan terbesar sebagai hasil. Terdapat beberapa metode yang biasa digunakan yaitu metode centroid dan

maximum. Pada metode centroid, nilai tunggal variabel keluaran dihitung dengan menemukan nilai variabel dari center of gravity suatu fungsi keanggotaan untuk nilai

fuzzy. Sedangkan dalam metode maximum, satu dari nilai-nilai variabel yang merupakan nilai kepercayaan maksimum gugus fuzzy

dipilih sebagai nilai tunggal untuk variabel

keluaran.

METODE PENELITIAN

Metode yang digunakan untuk pengembangan sistem ini adalah metode

System Development Live Cycle (SDLC) di mana metode ini adalah sebuah proses evolusioner dalam mengembangkan sistem berbasis komputer (Kendall et al., 1998).

Adaptive quiz system ini dikembangkan dengan menerapkan 5 (lima) langkah dalam SDLC, yaitu:

1 Tahap perencanaan

Pada tahap ini direncanakan aplikasi yang akan dikembangkan yaitu adaptive quiz system berbasis web. Aktivitas yang dapat dilakukan pada tahap ini adalah mengidentifikasi masalah dan menentukan tujuan sistem.

1.1 Identifikasi masalah

Dengan semakin banyaknya penerapan penggunaan komputer dalam dunia pendidikan maka diperlukan sebuah aplikasi

quiz yang dapat beradapatasi dengan penggunanya. Sebagian besar aplikasi quiz

yang sudah ada pada saat ini hanya bersifat statis dan tidak memiliki kemampuan untuk beradaptasi dengan kemampuan pengguna aplikasi tersebut.

1.2 Menentukan tujuan sistem

siswa, sementara pada sisi siswa dapat mengetahui hingga batas mana kemampuan pemahaman siswa akan materi yang diberikan.

2. Tahap Analisis

Hal yang paling mendasar dalam pengembangan aplikasi ini adalah bagaimana menentukan tingkat kesukaran soal. Tingkat kesukaran soal dalam aplikasi ini terbagi menjadi dua, yaitu tingkat kesukaran awal soal dan tingkat kesukaran akhir soal. Tingkat kesukaran awal soal merupakan sebuah nilai yang menjadi standar (nilai tetap) kesukaran untuk soal tertentu, sementara tingkat kesukaran akhir soal merupakan nilai yang akan selalu berubah-ubah dikarenakan akan selalu diperbarui seiring kemampuan siswa mengerjakan quiz dengan benar. Selain penentuan kesukaran soal, hal lain yang perlu ditentukan adalah metode apa yang sesuai untuk menentukan perubahan nilai tingkat kesukaran soal.

3. Tahap Desain

Pada tahap ini dilakukan desain secara teknis untuk mengembangkan aplikasi. Tahap ini terdiri dari beberapa macam desain yaitu desain basis data, desain sistem

fuzzy, desain proses, dan desain tampilan. Tahap desain basis data merupakan proses pembuatan struktur basis data yang akan digunakan pada aplikasi adaptive quiz system. Tahap desain sistem fuzzy adalah menentukan parameter fuzzy dan memodelkan fungsi keanggotaan yang sesuai dengan kebutuhan. Desain proses adalah menentukan proses aliran data yang terjadi ketika aplikasi berjalan. Tahap desain tampilan adalah tahap pembuatan tampilan berupa halaman web yang menarik dan mudah dimengerti oleh pengguna.

4. Tahap Implementasi

Pada tahap ini dilakukan seluruh kegiatan dalam mengembangkan aplikasi ini, yaitu memproses seluruh tahap desain hingga menjadi sebuah aplikasi yang baru.

5. Tahap Pengujian

Pada tahap ini, dilakukan pengujian yang berfungsi untuk mengetahui seberapa jauh aplikasi dapat digunakan oleh pengguna. Pengujian akan dilakukan dengan metode

black box testing di mana pengujian terfokus pada keluaran yang dihasilkan oleh eksekusi masukan (Williams, 2004). Diagram black box testing ditampilkan pada Gambar 4.

Gambar 4 Diagram black box testing

HASIL DAN PEMBAHASAN

Berdasarkan metode penelitian yang telah diterapkan maka telah dihasilkan sebuah aplikasi adaptive quiz system

berbasis web. Adapun tahapan pengembangan aplikasi ini adalah sebagai berikut:

1. Tahap Perencanaan

Sebuah aplikasi pembelajaran berbasis web telah banyak dikembangkan, baik itu

quiz adaptive seperti QUIZIT ataupun modul quiz lainnya seperti PHPQuest yang dikembangkan oleh Max Kaplan yang dapat diunduh di http://www.dynamicdeeds.com, PHPTest yang dikembangkan oleh Brandon Tallent yang dapat diunduh di http://www.resynthesize.com/code/phptest.p hp atau modul quiz pada MOODLE. Dari sekian banyak modul quiz yang ada, penulis menitik beratkan penelitian pada aplikasi

quizadaptive.

QUIZIT merupakan sebuah modul quiz adaptive. Pada aplikasi ini, masih memiliki berbagai kekurangan seperti tidak adanya fasilitas untuk memperbarui soal, tidak adanya fasilitas basis data, serta soal yang akan diberikan selanjutnya telah ditentukan di dalam kode programnya. Dengan melihat berbagai kekurangan yang ada tersebut, maka dikembangkan aplikasi adaptive quiz system.

Adapun tujuan pengembangan aplikasi ini adalah untuk:

• Membantu pengajar dalam menyusun materi/soal.

• Sebagai bahan belajar untuk siswa setelah materi/soal diberikan oleh pengajar.

• Menilai kemampuan siswa dalam memahami soal berdasarkan tingkat kesukaran yang diberikan.

menentukan soal selanjutnya berdasarkan soal yang telah dijawab sebelumnya.

• Memberikan umpan balik berdasarkan hasil pembelajaran siswa.

2. Tahap Analisis

Pada tahap ini dilakukan analisis terhadap beberapa aplikasi quiz yaitu QUIZIT, PHPQuest, PHPTest dan modul

quiz pada MOODLE. Analisis untuk aplikasi

quiz non adaptive (PHPQuest, PHPTest dan modul quiz pada MOODLE) dilakukan untuk mengetahui proses masukan dan keluaran serta hubungan timbal balik antara pengguna dengan aplikasi. Hal ini dilakukan sebagai dasar pengembangan untuk modul

quiz. Sedangkan analisis untuk aplikasi quiz adaptive (QUIZIT) adalah untuk mengetahui bagaimana proses adaptasi terhadap penggunanya.

Dari analisis yang dilakukan, diketahui bahwa penentuan level adaptasi terhadap kemampuan penggunanya yaitu dalam hal menjawab soal adalah dengan memberikan tingkat kesukaran untuk tiap soal. Tingkat kesukaran soal telah ditentukan sebelumnya dan terintegrasi dalam skrip pemrogramannya sehingga tingkat kesukaran soal tidak dapat berubah seiring dengan jawaban pengguna. Sementara itu soal selanjutnya yang akan diberikan jika pengguna menjawab benar/salah juga telah ditentukan dalam skrip pemrogramannya. Selain itu, aplikasi juga tidak memberikan fasilitas administrasi yang digunakan untuk melakukan proses pembaharuan pada soal.

2.1 Analisis Kebutuhan

Menindaklanjuti permasalahan yang ditemukan pada saat identifikasi, maka hasil yang diperoleh pada tahap ini adalah :

• Tingkat kesukaran awal soal diperoleh dengan mengujikan soal yang akan digunakan kepada beberapa siswa SMU. Rumus untuk menentukan tingkat kesukaran soal sebagai berikut:

TK = JB/n

di mana:

Jadi semakin mendekati nilai 1 (satu) maka soal dinyatakan semakin mudah, sebaliknya jika mendekati nilai 0 (nol) maka soal dinyatakan semakin sukar (Zulaiha, 2007). TK pada aplikasi ini akan menggunakan skala 0-100.

• Perlu dibuat halaman administrasi untuk fasilitas insert/update dan delete untuk soal dan kategori soal.

• Untuk menentukan perubahan nilai tingkat kesukaran soal akan digunakan metode fuzzy. Tingkat kesukaran soal yang dimaksud adalah tingkat kesukaran akhir soal.

2.2Analisis Fungsi Perangkat Lunak

Berdasarkan hasil analisis dari beberapa modul quiz yang ada maka dapat disimpulkan beberapa fungsi yang umum digunakan untuk mengembangkan sebuah modul quiz. Adapun fungsi-fungsi yang terdapat pada aplikasi adaptive quiz system

ini adalah sebagai berikut:

• Menyediakan fasilitas pendaftaran bagi pengguna.

• Menyediakan fasilitas

insert/update/delete data yang berhubungan dengan manajemen soal yaitu soal pilihan ganda atau essay

jawaban singkat, kategori/bab soal, waktu pengerjaan, soal harus dikerjakan, kategori soal, nilai benar, dan nilai salah.

• Menyediakan fasilitas penilaian yang memberikan umpan balik kepada pengguna tentang hasil belajarnya.

• Menyediakan fasilitas insert

/update/delete parameter fuzzy.

2.3Akuisisi Pengetahuan

Pada aplikasi ini, nilai tingkat kesukaran akhir soal akan selalu diperbaharui seiring aktivitas pengguna berinteraksi dengan sistem. Metode fuzzy akan digunakan pada aplikasi ini untuk menentukan tingkat kesukaran akhir soal. Tingkat kesukaran akhir soal akan dipengaruhi oleh tingkat kesukaran awal soal dan persentase kebenaran. Variabel tingkat kesukaran awal soal dan tingkat kesukaran akhir soal dapat dikategorikan menjadi tiga yaitu sukar, sedang, dan mudah. Untuk variabel persentase kebenaran dikategorikan menjadi tiga yaitu sedikit, sedang, dan banyak.

Pengumpulan data tentang kriteria ketika tingkat kesukaran soal dikategorikan sebagai sukar, sedang, dan mudah maupun kriteria TK = Tingkat kesukaran

soal

JB = Banyaknya siswa yang menjawab benar

persentase kebenaran dikategorikan sebagai sedikit, sedang, dan banyak dilakukan dengan proses akuisisi pengetahuan terhadap pakar. Pakar, dalam hal ini dipilih dari latar belakang pendidikan yang berbeda, pengalaman yang berbeda, namun kompeten dalam bidang Biologi. Proses akuisisi pengetahuan dilakukan dengan cara mengumpulkan informasi yang dibutuhkan. Informasi tersebut berasal dari literatur, arsip hasil pembelajaran siswa terhadap mata pelajaran Biologi yang relevan, serta keahlian pakarnya itu sendiri.

Proses akuisisi dimulai dengan mengumpulkan materi soal Biologi khusus untuk bab bioteknologi, standar kompetensi untuk mata pelajaran Biologi sesuai dengan kurikulum yang berlaku serta arsip hasil pembelajaran siswa untuk materi Biologi.

Tahap selanjutnya adalah melakukan wawancara dengan pakar untuk bertukar pengetahuan dan pengalaman. Wawancara dilakukan dengan memberikan gambaran yang jelas tentang aplikasi adaptive quiz system, sehingga pakar dapat memahami garis besar sistem. Tahap wawancara dengan pakar dilakukan beberapa kali sehingga ada titik temu antara pewawancara dengan pakar. Setelah dilakukan beberapa kali pertemuan, diperoleh rentang nilai ketika soal itu dianggap sukar, sedang atau mudah. Dari hasil wawancara dengan pakar, diperoleh rentang nilai tingkat kesukaran sebagai berikut:

TK < =30 Æsoal sukar 20 <= TK <= 80 Æsoal sedang TK >= 70 Æsoal mudah

Rentang tersebut digunakan sebagai variabel

fuzzy tingkat kesukaran awal soal (TKAwalSoal).

TK <= 40 Æsoal sukar 25 <= TK <= 75 Æsoal sedang TK >= 75 Æsoal mudah

Rentang tersebut digunakan sebagai variabel

fuzzy tingkat kesukaran akhir soal (TKAkhirSoal).

Selain itu juga diperoleh rentang persentase kebenaran sebagai berikut:

Persentase < =40 Æsedikit 25 <= Persentase <= 75Æ sedang Persentase >= 75Æbanyak 4

Rentang tersebut digunakan sebagai variabel

fuzzy persentase kebenaran (PersentaseKebenaran).

2.4 Analisis Sistem Inferensi Fuzzy

Metode logika fuzzy pada penelitian ini merupakan upaya untuk mendekati mekanisme penalaran pakar dalam melakukan penarikan kesimpulan yang terkadang mengalami ketidakpastian serta kesamaran dalam mengambil keputusan sehingga menyebabkan keambiguan bahasa. Gugus fuzzy merupakan perangkat yang tepat untuk mengekspresikan ketidakpastian. Penerapan ketidakpastian dalam aplikasi ini adalah dalam pengklasifikasian pada variabel masukan dan keluaran serta pemberian nilai skor pada selang nilai setiap variabel parameternya, sehingga didapat kesimpulan yang akurat.

Setelah ada aktivitas pengguna, tingkat kesukaran soal dapat berubah. Pada kasus ini digunakan penalaran fuzzy Mamdani dengan metode centroid untuk proses defuzzifikasinya. Penalaran fuzzy Mamdani dipilih karena nilai masukan (anteseden) maupun keluaran (konsekuen) sistem berupa himpunan fuzzy (Kusumadewi, 2003). Masukan fuzzy adalah tingkat kesukaran awal soal dengan persentase kebenaran siswa dalam menjawab soal. Tabel keterikatan dalam penentuan tingkat kesukaran soal seperti pada tabel pada Lampiran 1.

3. Tahap Desain

3.1 Desain Basis Data

Pada tahap ini dilakukan proses pembuatan basis data yang digunakan pada aplikasi adaptive quiz system. Adapun langkah-langkah perancangan basis data yang digunakan pada aplikasi ini adalah sebagai berikut:

dengan entitas soal. Relasi di antara kedua entitas tersebut mengandung arti bahwa user tersebut sedang mengerjakan soal. Pada tahap ini ditentukan pula derajat relasi/kardinalitas dari tiap-tiap entitas. Dari identifikasi entitas, atribut, dan relasi diperoleh diagram ER seperti disajikan pada Lampiran 2.

b Perancangan lojik yaitu transformasi model ER ke model relasional. Pada tahap ini semua entitas distrukturkan secara lojik menjadi relasi-relasi (tabel). Untuk memperoleh basis data yang efisien, tiap tabel pada basis data akan dinormalisasi hingga normalisasi tahap 3 (3NF). Sebagai contoh normalisasi pada tabel user. Tabel user memiliki atribut username, nama, telepon, dan email. Kunci utama (primary key) pada tabel user adalah username, karena atribut ini dapat membedakan semua baris data dalam tabel secara unik. Syarat 1NF telah terpenuhi karena pada tabel user tidak memiliki atribut bernilai banyak.

Syarat 2NF telah terpenuhi karena 1NF telah terpenuhi dan semua atribut bukan kunci memiliki ketergantungan secara penuh terhadap kunci, yaitu:

- username Æ nama

yang berarti bahwa atribut nama hanya tergantung pada atribut username. Hal ini dibuktikan pada fakta bahwa untuk setiap username yang sama, maka pasti nilai nama-nya juga sama.

- usernameÆtelepon

yang berarti bahwa atribut telepon hanya tergantung pada atribut username. Hal ini dibuktikan pada fakta bahwa untuk setiap username yang sama, maka pasti nilai telepon-nya juga sama.

- dan seterusnya.

Syarat 3NF telah terpenuhi karena 2NF telah terpenuhi dan semua atribut bukan kunci (non-key attribute) tidak memiliki ketergantungan fungsional terhadap atribut bukan kunci lainnya, yaitu:

- nama tidak bergantung pada telepon karena tidak dapat dipastikan jika nama yang sama pasti telepon-nya juga sama, karena pada faktanya dapat terjadi beberapa nama yang sama.

- telepon tidak bergantung pada email karena tidak dapat dipastikan jika telepon yang sama pasti email-nya juga sama. - dan seterusnya.

Pada tabel lain yang digunakan telah melalui tahap hingga normalisasi ke 3 (3NF)

sehingga seluruh tabel yang digunakan telah memenuhi kriteria tabel yang baik dan tidak terdapat redundansi pada masing-masing tabel.

Setelah dilakukan normalisasi basis data, langkah terakhir adalah perancangan secara fisik yaitu mengimplementasikan tabel-tabel yang telah terbentuk ke dalam sebuah basis data pada MySQL. Langkah ini akan dijelaskan pada tahap implementasi.

3.2 Desain Sistem Fuzzy

Pada aplikasi ini diberikan halaman untuk mengubah parameter himpunan fuzzy. Nilai parameter himpunan fuzzy dapat diubah jika memang nilai tersebut sudah tidak akurat lagi, misalnya: penilaian dilakukan oleh pakar lain yang berbeda, aplikasi digunakan untuk materi pembelajaran yang lain, ataupun perubahan yang dilakukan oleh pakar yang sama dikarenakan dengan bertambahnya pengalaman pakar dalam mengajar (adanya perbedaan kemampuan siswa di masing-masing tempat/sekolah)

Representasi fungsi keanggotaan himpunan fuzzy dikembangkan dalam model kurva trapesium (Gambar 5). Kurva jenis ini dipilih karena untuk mengklasifikasikan kategori tingkat kesukaran soal diperlukan selang yang cukup panjang untuk kategori yang memiliki nilai keanggotaan satu. Adapun persamaan untuk model trapesium:

⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎩ ⎪⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎨ ⎧ ≥ ≤ ≤ − − ≤ ≤ ≤ ≤ − − ≤ = d x d x c c d x d c x b b x a a b a x a x x f 0 ) ( ) ( 1 ) ( ) ( 0 ] [

μ

Di mana µf[x] adalah nilai keanggotaan

fuzzy pada aplikasi adaptive quiz system ini dapat dilihat pada Lampiran 3

1

µ[x]

0 a b c d

Gambar 5 Representasi kurva trapesium

Pada umumnya kaidah-kaidah fuzzy

dinyatakan dalam bentuk jika-maka yang merupakan inti dari suatu relasi fuzzy. Kaidah ini menunjukkan bagaimana suatu sistem beroperasi, secara umum aturan fuzzy

pada aplikasi ini dituliskan sebagai berikut: JIKA TKAwalSoal = X

DAN PersentaseKebenaran = Y, MAKA TKAkhirSoal = Z

Inferensi fuzzy tersebut memiliki dua variabel masukan yaitu TKAwalSoal dan PersentaseKebenaran yang masing-masing terdiri dari tiga himpunan fuzzy, maka kaidah yang terbentuk ada 9 kaidah. Beberapa kaidah yang terbentuk seperti pada Lampiran 4.

Pada proses fuzzifikasi, untuk proses fungsi implikasinya menggunakan aturan fungsi MIN dengan operator AND. Hasil fungsi implikasi dari setiap kaidah digunakan pada proses komposisi dengan metode MAX.

Tahap defuzzifikasi menggunakan metode centroid, di mana solusi crisp

diperoleh dengan cara mengambil titik pusat daerah fuzzy, secara umum dirumuskan sebagai berikut:

∑

∑

= =

=

_n j j n j j j

z

z

z

z

1 1

)

(

)

(

μ

μ

di mana:

Proses defuzzifikasi akan menghasilkan tingkat kesukaran akhir soal (TKAkhirSoal), demikian seterusnya setiap ada aktivitas pengguna, maka proses penghitungan TKAkhirSoal akan terus dilakukan.

Contoh menentukan hasil penghitungan TKAkhirSoal dengan nilai masukan

TKAwalSoal=40 dan PersentaseKebenaran=10. Fungsi

keanggotaan sesuai dengan Lampiran 3 dan Aturan yang digunakan sesuai dengan Lampiran 4.

Langkah 1. Fuzzifikasi/aplikasi operator

fuzzy.

Menentukan derajat keanggotaan untuk tiap variabel masukan TKAwalSoal=40 dan PersentaseKebenaran=10 pada tiap fuzzy set yang sesuai.

Untuk variabel TKAwalSoal sebagai berikut:

Sukar

μ

= 0

Sedang

μ

= 1

Mudah

μ

= 0

Untuk variabel PersentaseKebenaran sebagai berikut:

Sedikit

μ

= 1

Sedang

μ

= 0

Banyak

μ

= 0

Langkah 2. Komputasi secara fuzzy.

Semua aturan menggunakan fungsi implikasi MIN (operator yang digunakan adalah AND).

Rule 1: min(

μ

_Sukar AND

μ

_Banyak) = min(0,0) = 0

Rule 2: min (

μ

_SukarAND

μ

_Sedang) = min(0,0) = 0

Rule 3: min(

μ

_Sukar AND

μ

_Sedikit) = min(0,1) = 0

Rule 4: min(

μ

_Sedang AND

μ

_Banyak) = min(1,0) = 0

Rule 5: min(

μ

_Sedang AND

μ

_Sedang) = min(1,0) = 0

Rule 6: min(

μ

_Sedang AND

μ

_Sedikit) = min(1,1) = 1

Rule 7: min(

μ

_Mudah AND

μ

_Banyak) Z = Solusi crisp

µ(zj) = Nilai keanggotaan solusi

= min(0,0) = 0

Rule 8: min(

μ

_Mudah AND

μ

_Sedang) = min(0,0) = 0

Rule 9: min(

μ

_Mudah AND

μ

_Sedikit) = min(0,1) = 0

Langkah 3. Komposisi semua keluaran

Rule 1 = 0 Æ tidak ada daerah keluaran Rule 2 = 0 Æ tidak ada daerah keluaran Rule 3 = 0 Æ tidak ada daerah keluaran Rule 4 = 0 Æ tidak ada daerah keluaran Rule 5 = 0 Æ tidak ada daerah keluaran Rule 6 = 1 Æ ada daerah keluaran TKAkhirSoal=sukar

Daerah hasil komposisi adalah sebagai berikut:

Gambar 6 Daerah hasil komposisi

Rule 7 = 0 Æ tidak ada daerah keluaran Rule 8 = 0 Æ tidak ada daerah keluaran Rule 9 = 0 Æ tidak ada daerah keluaran

Untuk melakukan komposisi semua keluaran

fuzzy dilakukan dengan menggunakan metode MAX.

Karena daerah hasil solusi fuzzy hanya terdapat sebuah daerah solusi fuzzy, maka hasil komposisi keluaran fuzzy merupakan daerah tersebut, yaitu:

Gambar 7 Daerah solusi fuzzy.

Langkah 4. Defuzzifikasi.

Untuk menentukan nilai centroid dari Gambar 7 adalah dengan menghitung momen dan menghitung luas daerah. Daerah

hasil solusi dapat dibagi menjadi dua buah bangun yaitu bujur sangkar dan segitiga. Daerah pertama yaitu daerah bujur sangkar dengan batas antara 0 – 25, dan daerah yang kedua adalah segitiga dengan batas antara 25 – 40. Untuk penghitungan centroid sebagai berikut:

a. Menghitung momen Momen daerah 1:

M1=(0*1)+(1*1)+(2*1)+(3*1)+(4*1)+...+(2 5*1) = 325

Momen daerah 2: M2=(26* 25 40 26 40 − − )+(27* 25 40 27 40 − − )+(28* 25 40 28 40 − − )+(29* 25 40 29 40 − − )+...+(40* 25 40 40 40 − − ) = 204,75

b. Menghitung luas Luas daerah 1: L1=25*1=25

Luas daerah 2:

L2=

2 25 40−

=7,5

Menghitung nilai centroid:

TotalLuas TotalMomen z z z z _n j j n j j j = =

∑

∑

= = 1 1 ) ( ) (

μ

μ

= 5 , 7 25 75 , 204 325 + + = 5 , 32 75 , 529

=16,3

Jadi nilai keluaran fuzzy untuk nilai masukan

TKAwalSoal=40 dan PersentaseKebenaran=10 adalah 16,3

3.3. Desain Proses

Komponen dalam aplikasi ini akan dapat diakses oleh tiga pengguna yaitu oleh administrator, siswa, dan tamu.

menentukan waktu pengerjaan soal, ataupun mengubah soal yang sudah ada.

Aliran sistem terbagi menjadi tiga, yaitu aliran sistem yang terjadi pada modul admin, modul siswa, dan modul penilaian. Adapun aliran modul tersebut akan dijelaskan sebagai berikut:

3.3.1 Aliran sistem pada modul admin /pengajar (Lampiran 5):

Pada modul admin ini, proses utama adalah autentikasi pengguna sebagai admin, setelah proses autentikasi berhasil, maka admin dapat melakukan berbagai manipulasi basis data.

Proses authoring untuk manajemen soal pada modul admin:

1 Untuk memulai, admin akan diberikan menu utama untuk quiz (Lampiran 6). 2 Admin dapat menentukan bab pada

suatu kategori tertentu.

3 Admin dapat memberikan waktu untuk mengerjakan soal pada satu bab untuk kategori quiz tertentu, nilai benar dan nilai salah, syarat lulus untuk bab tertentu, dan berapa jumlah soal yang harus dikerjakan. Semua data kemudian akan disimpan dalam basis data.

4 Admin dapat membuat soal tipe pilihan ganda dan essay jawaban singkat. Admin dapat juga menentukan soal pretest, memberikan penilaian, mengubah parameter

fuzzy, dan melakukan manajemen pengguna aplikasi.

3.3.2 Aliran sistem pada modul pembelajaran siswa:

1 Untuk pertama kalinya, seorang pengguna yang akan menggunakan aplikasi ini, diharuskan mendaftar sebagai anggota. Pengguna yang mendaftar, statusnya adalah sebagai siswa. Pada kasus ini, siswa mengakses modul pembelajaran. Lampiran 7 menunjukkan diagram alir untuk modul pembelajaran.

2 Setelah pengguna melakukan registrasi, maka pengguna dapat login ke sistem dengan memasukkan username dan

password yang sesuai.

3 Jika langkah nomor 2 terpenuhi, maka siswa dapat mengakses kategori quiz

yang sudah ada, jika tidak, maka akan muncul pesan kesalahan dalam login. 4 Siswa yang baru pertama kali login,

maka diharuskan mengerjakan soal

pretest, dalam hal ini diakses modul pretest (Lampiran 8) sebelum dapat mengakses modul quiz adaptif. Pada tahap ini, setelah siswa selesai mengerjakan soal pretest, level siswa akan disimpan di basis data dan nantinya akan digunakan sebagai level standar siswa pada saat awal mengerjakan soal quiz adaptif. Level yang dimaksud adalah rata-rata tingkat kesukaran dari semua soal yang diberikan.

5 Selain level, basis data juga akan menyimpan data untuk bab tertentu di mana siswa menjawab banyak jawaban yang benar. Hal ini untuk memberikan bab yang sesuai dengan kemampuan siswa ketika mengakses modul quiz. 6 Pada quiz adaptif (Lampiran 9), siswa

akan diberikan soal yang sesuai dengan level dan bab tertentu. Ketika berada dalam proses pembelajaran soal berikutnya yang diberikan akan disesuaikan berdasarkan jawaban siswa pada pertanyaan sebelumnya. Jika jawaban sebelumnya benar maka aplikasi akan memilihkan soal yang lebih sukar, sebaliknya jika jawaban salah maka aplikasi akan memilihkan soal yang lebih mudah untuk soal berikutnya.

7 Tingkat kesukaran soal dapat berubah sewaktu waktu berdasarkan kegiatan siswa dalam menjawab soal. Variabel yang menentukan adalah jumlah siswa yang menjawab benar, jumlah siswa yang menjawab salah, dan TKAwalSoal. Dalam tahap ini, proses inferensi fuzzy dilakukan dengan masukan variabel fuzzy berupa persentase kebenaran siswa dengan TKAwalSoal. Persentase kebenaran siswa ditentukan dengan rumus :

% 100 ) ( X TotalSoal ah TotJwbnSal ar TotJwbnBen

persentase = −

Selain terdapat basis data temporer, terdapat juga basis data permanen yang menyimpan beberapa variabel, seperti level siswa, id bab, id kategori, waktu pengerjaan (hari-tanggal-bulan-tahun), total nilai, total waktu pengerjaan, dan persentase.

9 Jika siswa telah selesai mengerjakan semua soal, pada halaman selanjutnya siswa dapat memberikan koreksi atas jawaban untuk soal yang telah dijawab sebelumnya. Jika telah yakin akan semua jawabannya, maka siswa dapat memilih pilihan selesai mengerjakan soal.

10 Jika siswa telah selesai mengerjakan

quiz, selanjutnya akan ditampilkan nilai beserta persentase kebenaran akan jawaban, waktu mengerjakan tiap soal, waktu total, dan umpan balik dari pengajar.

3.3.3 Aliran sistem pada modul penilaian:

1 Pada modul penilaian, data yang diolah adalah data yang berasal dari hasil kegiatan siswa, yaitu:

a Nilai total = (Total jawaban benar * nilai jawaban benar) – (Total jawaban salah * nilai jawaban salah) / Total soal

b Persentase = (Total jawaban benar – Total jawaban salah)/ Total soal * 100%

2 Pada modul penilaian, ditentukan pula umpan balik yang sesuai dengan level dan persentase dalam menjawab soal.

3.4 Desain Tampilan

Tampilan sistem merupakan bagian yang berhubungan secara langsung dengan pengguna. Perancangan desain tampilan seperti pada Lampiran 10. Desain tampilan dibedakan berdasarkan pengguna. Adapun pengguna aplikasi ini terbagi menjadi tiga kelompok yaitu: administrator, siswa, dan tamu. Desain tampilan dibagi menjadi dua bagian yaitu desain masukan dan desain keluaran, yaitu:

3.4.1 Desain Masukan

Desain masukan pada aplikasi adalah masukan dari seluruh pengguna yang memiliki wewenang untuk mengakses aplikasi, adapun masing-masing pengguna memiliki form masukan masing-masing. Form masukan dapat dilihat pada Lampiran 11.

3.4.2 Desain Keluaran

Desain keluaran juga dibedakan berdasarkan pengguna aplikasi. Untuk administrator, halaman keluaran berisi tampilan data-data yang telah dimasukkan ke dalam aplikasi dan pada halaman tersebut terdapat pilihan untuk melakukan proses ubah atau hapus. Halaman keluaran untuk siswa adalah halaman tampilan soal, ubah profil dan tampilan nilai. Untuk tamu, halaman keluaran adalah halaman selamat datang, tampilan nilai dan halaman pendaftaran.

4 Tahap Implementasi

Aplikasi adaptive quiz system ini dikembangkan berbasis web. Aplikasi ini dapat diakses baik melalui internet maupun intranet sehingga aplikasi ini dapat digunakan oleh banyak pengguna pada saat bersamaan dan dapat diakses secara online. Aplikasi ini akan dikembangkan dengan menggunakan perangkat lunak Microsoft Windows XP SP2 sebagai sistem operasinya, web server Apache versi 2.0.54, PHP versi 5.0.4 sebagai bahasa pemrograman, MySQL versi 4.1.13 sebagai sistem manajemen basis data, Macromedia Dreamweaver 8 sebagai editor, Adobe Photoshop CS sebagai pengolah gambar. Perangkat keras yang digunakan adalah komputer dengan spesifikasi AMD Athlon 1.13 GHz, RAM 512 MB, Harddisk 60 GB, VGA 64 MB, keyboard dan mouse.

4.1 Implementasi desain basis data

Dari tahap desain basis data, yaitu desain konseptual dengan diagram ER dan mentransformasi diagram ER ke bentuk relasional, langkah terakhir dalam merancang basis data adalah perancangan secara fisik. Aturan umum yang digunakan dalam pemetaan model relasional menjadi basis data fisik adalah:

1 Setiap himpunan entitas akan diimplementasikan sebagai sebuah tabel.

2 Relasi dengan derajat relasi 1-1 (satu ke satu) yang menghubungkan dua buah himpunan entitas akan direpresentasikan dalam bentuk penambahan/penyertaan atribut-atribut relasi ke tabel yang mewakili salah satu dari kedua himpunan entitas.

himpunan entitas juga akan direpresentasikan dalam bentuk pemberian atribut kunci dari himpunan entitas pertama (yang berderajat 1) ke tabel yang mewakili himpunan entitas kedua (yang berderajat N)

4 Relasi dengan derajat relasi N-N (banyak ke banyak) yang menghubungkan dua entitas akan diwujudkan dalam bentuk tabel khusus yang mewakili field yang berasal dari kunci dari himpunan entitas yang dihubungkannya.

Berdasarkan model relasional yang diperoleh dari desain basis data, maka ditentukan entitas-entitas berikut menjadi tabel. Untuk mempermudah penamaan tabel, penulis merubah nama tiap entitas menjadi nama tabel yang diperlukan.

1 Entitas User menjadi sebuah tabel tbl_user.

2 Entitas Nilai menjadi sebuah tabel tbl_nilai

3 Entitas Level menjadi sebuah tabel tbl_level

4 SesiUser menjadi sebuah tabel tbl_session

5 Login menjadi sebuah tabel tbl_login 6 Pretest menjadi sebuah tabel

tbl_pretest

7 Mengerjakan_pretest menjadi sebuah tabel tbl_pretestuser

8 Soal menjadi sebuah tabel tbl_soal 9 Mengerjakan_soal menjadi sebuah

tabel tbl_soaluser

10 KategoriSoal menjadi sebuah tabel tbl_kategori

11 Mempunyai_kat menjadi sebuah tabel tbl_pengkategori

12 TKAwalsoal menjadi sebuah tabel tbl_tkawal

13 TKAkhirSoal menjadi sebuah tabel tbl_tkakhir

14 PersentaseKebenaran menjadi sebuah tabel tbl_persentase

15 Feedback menjadi sebuah tabel tbl_feedback

16 Grafik menjadi sebuah tabel tbl_grafik

17 Cekpretest menjadi sebuah tabel tbl_cekpretest

Implementasi secara fisik dapat dilihat pada Lampiran 12.

4.2 Implementasi desain sistem fuzzy

Berdasarkan tahap desain sistem fuzzy, implementasi penghitungan keluaran fuzzy

pada aplikasi ini mengikuti algoritma berikut:

1 Ambil nilai TKAwalSoal dan PersentaseKebenaran dari basis data. 2 Loop sebanyak variabel masukan (i),

seleksi jenis kurva masukan yang digunakan.

3 Hitung hasil nilai keanggotaan untuk tiap kurva untuk masukan ke i.

4 Masukkan ke rule masing-masing (implikasi) cari nilai MIN.

5 Cari daerah implikasi sesuai dengan jumlah keluaran.

6 Buat range dan garis batas kurva implikasi.

7 Seleksi jenis kurva keluaran yang digunakan.

8 Komposisi menggunakan aturan MAX untuk seluruh jumlah keluaran.

9 Hitung nilai centroid.

Berdasarkan algoritma diatas, implementasi kode pada aplikasi ini adalah sebagai berikut:

Inisialisasi masukan, keluaran dan rule:

$jum_input=2; $jum_output=1; $jum_rule=9;

Mengambil nilai TKAwalSoal dari basis data dengan query berikut:

$sql = mysql_query("select * from tbl_tkawal where id=1"); $hasil = mysql_fetch_row($sql);

demikian juga berlaku untuk query PersentaseKebenaran dan TKAkhirSoal. Setelah data diperoleh, dilakukan inisialisasi variabel masukan yaitu nama, range, dan jenis kurva yang digunakan, yaitu:

$input[1][nama] = "TKAwalSoal"; $input[1][range] = array(0, 100); $input[1][kurva][1][nama] = "Sukar"; $input[1][kurva][1][jenis] =

"trapmf";

$input[1][kurva][1][params] = array($hasil[1],$hasil[2],$hasil[ 3],$hasil[4]);

$input[1][kurva][2][nama] = "Sedang"; $input[1][kurva][2][jenis] =

"trapmf";

$input[1][kurva][2][params] = array($hasil[5],$hasil[6],$hasil[ 7],$hasil[8]);

$input[1][kurva][3][nama] = "Mudah"; $input[1][kurva][3][jenis] =

$input[1][kurva][3][params] = array($hasil[9],$hasil[10],$hasil[ 11],$hasil[12]);

Definisikan juga rule yang digunakan yaitu:

//penghubung menggunakan AND $rule[1][input]= array(1, 3); $rule[1][output]=array(3); ...

//dst hingga rule 9

$bobotakhir = $_POST['bobot']; $persentase = $_POST['persen']; $nilai_input =

array($bobotakhir,$persentase);

Dari inisialisasi, maka untuk memperoleh nilai hasil penghitungan fuzzy dengan memanggil fungsi berikut:

mamdani($input, $output, $rule, $nilai_input);

Fungsi ini dibuat berdasarkan algoritma menentukan keluaran fuzzy. Pada fungsi mamdani akan dipanggil beberapa fungsi yaitu fungsi cari_min, cari_max, dan trapmf. Langkah awal adalah dengan menentukan hasil nilai keanggotaan untuk tiap masukan pada masing-masing kurva yang sesuai menggunakan skrip berikut:

$jum_input=count($input); $jum_output=count($output); $jum_rule=count($rule);

//loop sebanyak jumlah input for ($i=1; $i <= $jum_input; $i++) {

//loop, hitung hasil masing2

kurva untuk input ke i

for ($j=0; $j <=

count($input[$i][kurva]); $j++)

{

//seleksi jenis kurva yang dipakai disini dihitung nilai keanggotaan untuk tiap input (kurva trapmf) ...

} }

Langkah selanjutnya adalah implikasi dengan menggunakan aturan MIN yaitu dengan kode berikut:

//masukan ke rule masing2

for ($i=1; $i <= $jum_rule; $i++) {

//impilkasi menggunakan nilai MIN ambil dulu nilai2 hasil_input, sesuai dengan rule

for ($j=1; $j <= $jum_input; $j++) { $arr_input[$j]=$hasil_input [$j][$r ule[$i][input][$j-1]][0]; } ... }

//cari nilai minimal, cari daerah implikasi, sesuai dengan jumlah output

for($j=1; $j <= $jum_output; $j++)

{

//buat range dan buat garis batas for ($c =

$output[$j][range][0]; $c <=

$output[$j][range][1]; $c++)

{

$r[$c]=$c; $batas[$c]=$imp;

} }

Selanjutnya cari plot dari kurva keluaran sesuai rule menggunakan skrip berikut:

$jenis_kurva=$output[$j][kurva][$rule [$i][output][$j-1]][jenis];

//seleksi jenis kurva output yang dipakai

//jika kurva trapesium

if ($jenis_kurva == "trapmf") {

//panggil fungsi trapmf

... $hasil_imp[$j][$i]=trapmf($r, $output[$j][kurva][$rule[$i][ output][$j-1]][params]);

}

Langkah selanjutnya adalah cari hasil implikasi dengan kode berikut:

//diambil yang <= imp, panggil fungsi

min

$hasil_imp[$j][$i]=cari_min($batas, $hasil_imp[$j][$i]);

Langkah berikutnya adalah menentukan nilai keluaran berdasarkan rule (komposisi dengan aturan MAX) dengan kode berikut:

//aturan kompisisi menggunakan aturan MAX,loop sebanyak jumlah output

for ($i=1; $i <= $jum_output; $i++)

{

//inisialisasi dulu array hasil dengan nilai 0

for ($c =

$output[$i][range][0]; $c <= output[$i][range][1]; $c++)

{

$hasil_komp[$i][$c]=0; }

//loop sebanyak jumlah_rule for ($j=1; $j <= $jum_rule; $j++)

$hasil_komp[$i]=cari_m ax($hasil_komp[$i],$ha sil_imp[$i][$j]); }

}

Langkah terakhir adalah menentukan nilai

centroid dengan kode berikut:

//DEFUZZIFIKASI (METODE CENTROID) //loop sebanyak jumlah output

for ($i=1; $i <= $jum_output; $i++)

{

if(array_sum($hasil_komp[$i])==0) {

//tampilkan pesan error

... exit(1);

}

for ($c = $output[$i][range][0]; $c <= $output[$i][range][1]; $c++)

{

$temp[$c]=$hasil_komp[$i][$

c] * $c;

}

//hitung centroid sesuai rumus

$hasil_mamdani[$i]=array_sum($temp)/a rray_sum($hasil_komp[$i]);

}

print("<br> <br> hasil akhir <br>"); return $hasil_mamdani;

Dari fungsi mamdani tersebut diperoleh hasil keluaran nilai fuzzy.

Penghitungan nilai fuzzy dilakukan untuk memperbaharui nilai TKAkhirSoal. Pembaharuan ini dilakukan setiap saat seiring pengguna berinteraksi dengan aplikasi yaitu saat mengerjakan quiz.

4.3 Implementasi proses aliran sistem Pengguna aplikasi ini dibagi menjadi tiga yaitu administrator, siswa dan tamu. Administrator memiliki wewenang dalam proses manipulasi seluruh basis data. Sebelum dapat mengakses halaman administrator, pengguna diharuskan login

sebagai administrator terlebih dahulu. Jika berhasil maka akan muncul halaman administrator. Pada halaman tersebut terdapat menu untuk pendaftaran siswa, manajemen soal, manajemen soal pretest, penilaian, ubah password admin, ubah selang parameter fuzzy, resume quiz, dan

logout (Lampiran 13)

Pengguna berikutnya adalah siswa. Siswa merupakan pengguna yang telah

terdaftar. Siswa merupakan objek yang akan melakukan pembelajaran yaitu mengerjakan pretest atau quiz adaptif. Aplikasi ini dikembangkan berbasis web, sehingga memungkinkan aplikasi ini diakses oleh banyak pengguna dalam waktu bersamaan.

Seperti halnya adiministrator, sebelum dapat mengakses modul quiz pada aplikasi ini, pengguna harus mendaftar dan setelah terdaftar dapat login ke dalam aplikasi dan melakukan pembelajaran. Sebelum dapat mengakses modul quiz adaptif, siswa harus melewati modul pretest dahulu. Hal ini untuk mendapatkan level dan tingkat kesukaran yang akan diberikan nantinya ketika siswa mengakses modul quiz adaptif.

Pada modul pretest terdapat syarat kelulusan apakah siswa telah lulus atau belum lulus. Jika telah lulus, maka akan dilakukan pembaharuan nilai flag pada tabel tbl_cekpretest menjadi 1 (satu). Untuk mengecek apakah siswa telah lulus dilakukan query pada tabel tbl_cekpretest sebagai berikut:

//cek pernah lulus pretest

$ck = mysql_query("select flag from tbl_cekpretest where

username='$loginUsername' AND id_kategori='$id_kategori'"); $hasilcek = mysql_fetch_row($ck); if($hasilcek[0]==0)

{

//ternyata belum lulus pretest, maka pilih soal pretest }

else {

//bisa akses modul quiz adaptif }

Jika siswa telah lulus pretest maka siswa dapat mengakses modul quiz adaptif. Pada modul quiz adaptif aplikasi ini dapat menentukan soal yang sesuai dengan kemampuan siswa dalam menjawab soal, yaitu dapat menentukan soal selanjutnya berdasarkan soal yang telah dijawab sebelumnya. Jika siswa menjawab dengan benar pada soal sebelumnya maka soal selanjutnya adalah soal yang lebih sukar (tingkat kesukaran rendah), sebaliknya jika siswa menjawab salah pada soal sebelumnya maka soal selanjutnya adalah soal yang lebih mudah (tingkat kesukaran tinggi). Untuk mengimplementasikan hal ini digunakan kode berikut:

- jika jawaban benar

id_kategori='$id_kategori' AND id_bab='$id_bab' AND

terjawab!=1 order by bobot DESC limit 1";

$aa = mysql_query($sql); $hsl = mysql_fetch_array($aa); //dapatkan idsoal

$idbaru = $hsl[1]; if($hsl[0]==NULL) {

//jika soal pada bab tsb sudah habis semuanya maka cari TK bab

diatasnya yg tertinggi

$id_bab=$id_bab+1;

$queri= mysql_query("select bobot,id from tbl_soal where

id_kategori='$kategori' AND terjawab!=1 AND id_bab=$id_bab order by bobot DESC limit 1");

... //lakukan perubahan TKAkhirSoal

dengan metode fuzzy

- jika jawaban salah

$sql = mysql_query("select bobot,id from tbl_soal where bobot > '$bobotsblm' AND

id_kategori='$kategori' AND id_bab='$id_bab' AND

terjawab!=1 order by bobot ASC limit 1");

$hsl = mysql_fetch_array($sql); $idbaru = $hsl[1];

if($hsl[0]==NULL) {

//jika soal pada bab tsb sudah habis semuanya maka cari TK bab

diatasnya yg terendah

if($id_bab!=0){ $id_bab=$id_bab-1;} if($id_bab==0){$id_bab=1; }

$queri= mysql_query("select bobot,id from tbl_soal where

id_kategori='$kategori' AND id_bab=$id_bab AND terjawab!=1 order by bobot ASC limit 1");

...

//lakukan perubahan TKAkhirSoal

dengan metode fuzzy

Proses pembelajaran akan terus berlangsung sesuai dengan jumlah soal yang telah ditentukan administrator/pengajar. Jika soal telah habis, maka akan ditampilkan halaman koreksi atas jawaban. Jika telah yakin, siswa dapat menekan tombol selesai dan akan tampil halaman penilaian beserta

feedback berdasarkan hasil pembelajaran sebelumnya. Untuk menampilkan feedback

digunakan query berikut:

$tfeedback = mysql_query("select * from tbl_feedback where idkategori='$id_kategori ' AND level='$levelku' AND idbab='$idku'");

Pengguna selanjutnya adalah tamu. Tamu adalah pengguna yang paling terbatas dalam mengakses aplikasi ini. Pada aplikasi ini tamu hanya dapat melakukan pendaftaran saja. Tamu yang melakukan pendaftaran dan berhasil maka statusnya adalah sebagai siswa.

4.4 Implementasi desain tampilan

Tampilan aplikasi ini dibuat berdasarkan

layout hasil desain tampilan pada tahap analisis desain. Contoh tampilan sistem dapat dilihat pada Lampiran 14.

5. Tahap Pengujian

Pengujian dilakukan untuk mengetahui apakah hasil pengembangan aplikasi telah sesuai dengan yang diharapkan. Lampiran 15 menunjukkan halaman rekap hasil belajar siswa. Pada halaman tersebut dapat ditunjukkan proses terjadinya adaptasi sistem terhadap jawaban siswa. Soal berikutnya yang diberikan kepada siswa akan ditentukan berdasarkan jawaban siswa sebelumnya.

Pengujian selanjutnya yang paling utama adalah pengujian hasil keluaran fungsi fuzzy. Hasil keluaran fungsi fuzzy pada aplikasi ini akan dibandingkan dengan hasil penghitungan fuzzy dengan menggunakan perangkat lunak Matlab. Perangkat lunak Matlab telah menyediakan toolbox fuzzy

yang dapat menentukan hasil keluaran nilai

fuzzy. Lampiran 16 menunjukkan konfigurasi pada Matlab. Lampiran 17 menunjukkan perbandingan hasil penghitungan nilai keluaran fuzzy pada aplikasi ini dengan nilai keluaran yang dihasilkan perangkat lunak Matlab.

Hasil pengujian yang lain adalah dengan metode black-box. Pengujian dilakukan untuk mengetahui apakah aplikasi yang dikembangkan sudah sesuai dengan yang diharapkan. Hasil pengujian dapat dilihat pada Lampiran 18 dan Lampiran 19.

Kelebihan Sistem

soal yang diberikan terbatas hanya pada soal Biologi SMU saja.

2 Terdapat fasilitas untuk mengubah selang fungsi keanggotaan fuzzy.

3 Aplikasi dikembangkan berbasis web sehingga dapat diakses oleh banyak pengguna pada waktu bersamaan.

Kekurangan Sistem

1 Himpunan fuzzy yang digunakan masih terbatas pada tingkatan kesukaran soal dan persentase kebenaran siswa.

2 Penentuan selang fungsi keanggotaan

fuzzy oleh pakar masih purposive.

3 Soal masih terbatas pada pilihan ganda dan essay jawaban singkat.

KESIMPULAN DAN SARAN

Kesimpulan

Adaptive quiz system ini dapat digunakan sebagai salah satu alternatif media pembelajaran bagi siswa, selain beberapa modul quiz yang sudah ada.

Adaptive quiz system ini dikembangkan berbasis web dan mengintegrasikan metode

fuzzy dalam sistemnya. Pada penelitian ini menggunakan materi Biologi SMU sebagai materi quiz.

Untuk merepresentasikan adanya adaptasi pengguna dengan aplikasi adalah adanya penentuan soal yang akan diberikan selanjutnya berdasarkan jawaban soal sebelumnya. Parameter utama untuk menentukan soal manakah yang akan diberikan kepada siswa adalah tingkat kesukaran soal. Parameter dari himpunan

fuzzy dapat diubah oleh pakar/pengajar apabila memang parameter fuzzy

sebelumnya sudah tidak valid lagi.

Aplikasi ini dapat digunakan untuk memantau tingkat perkembangan pemahaman siswa akan materi yang dikuasainya berdasarkan history pengerjaan

quiz yang sudah dikerjakan sebelumnya. Selain itu umpan balik yang diberikan oleh pengajar dapat digunakan sebagai acuan siswa untuk pembelajaran selanjutnya.

Saran

Pada penelitian ini, penentuan tingkat kesukaran soal (TKAkhirSoal) masih terbatas pada hasil pembelajaran dari beberapa siswa (TKAwalSoal) dengan persentase kebenaran siswa. Penelitian yang lebih lanjut dapat dengan menambahkan parameter lain dalam penentuan tingkat

kesukaran soal, misalnya parameter tentang tipe soal (apakah banyak gambar, perlu analisis, hanya hafalan, dan lain-lain).

Dalam menentukan selang fungsi keanggotaan fuzzy oleh pakar dapat dilakukan dengan melakukan voting terhadap beberapa orang pakar. Dari hasil voting tersebut dapat diambil nilai tengah hasil voting sebagai selang parameter fuzzy. Keterbatasan tipe soal yang ada yaitu soal pilihan ganda dan jawaban singkat dapat dikembangkan dengan menambahkan tipe soal yang lain, seperti soal essai, menjodohkan, multiple answer, dan lain-lain.

DAFTAR PUSTAKA

Anonym. 2004. CAI.

http://www.auditmypc.com/acronym/ CAI.asp [5 September 2007]

Bationo, B. 1992. The effects of three feedback forms on learning

through a computer-based tutorial. Calico Journal, 10(1), 45-52.

Browne, D. P., R. Trevellyan, P. Totterdell dan M. Norman. 1987. Metrics for Building Evaluation and Comprehension of Self-Regulating Adaptive Systems. Di dalam : Downton A, editor. Engineering the Human-Computer Interface. Dept. Of Electric Systems Engineering, University of Essex.

Connolly, Thomas dan Anne D Strachan. 1996. Database Systems A Practical Approach to Design, Implementation and Management. Addison Wesley Longman Limited, England.

Depdiknas. 2004. Standar Kompetensi Mata Pelajaran Biologi SMU dan MA. http://www.puskur.net

[1 Maret 2007 ]

Kendall, Kenneth E. dan Julie E. Kendall. 1998. Systems Análysis and Design Fourth Edition. Prentice Hall International Inc, USA.

Marimin. 2002. Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. IPB Press, Bogor.

Tinoco, Lucio. 2004. QUIZIT : An Interactive Quiz System for WWW-based Instruction. Computer Science Dept. Virginia Polytechnic Institute & State University, USA.

Williams, Laurie. 2004. Testing Overview and Black-Box Testing Techniques. UK.

Ysewijn, Pierre. 1992. Introduction to Computer Assisted Instruction.

http://mypage.bluewin.ch/Ysewijn/en glish_cbt.htm [1 Maret 2007]

Zulaiha, Rahmah. 2007. Analisis Butir Soal Secara Manual. Pusat Penilaian Pendidikan, Badan Penelitian dan

Lampiran 1. Tabel keterhubungan TKAwalSoal, PersentaseKebenaran terhadap TKAkhirSoal

No TKAwalSoal PersentaseKebenaran TKAkhirSoal

1 Sukar Banyak Mudah

2 Sukar Sedang Sedang

3 Sukar Sedikit Sukar

4 Sedang Banyak Mudah

5 Sedang Sedang Sedang

6 Sedang Sedikit Sukar

7 Mudah Banyak Mudah

8 Mudah Sedang Mudah

Lampiran 2. Diagram ER dengan kamus data (lanjutan)

Kamus data:

User = {username, nama, telepon, email}

Soal = {idsoal, idkategori, idbab, hint, gambar, soal, jwbna, jwbnb, jwbnc, jwbnd, jwbne, jwbnf, jwbng, jwbnh, jwbni, jwbnj, gbra, gbrb, gbrc, gbrd, gbre, gbrf, gbrg, gbrh, gbri, gbj, jawaban, benar, salah, terjawab, persen, tkawal, tkakhir}

Mengerjakan_soal = {username, idsoal, idketgori, jawaban, score, waktu, flag, tkesukaran} Pretest = {idpretest, idsoal, idbab, idkategori, username, flag, syarat}

Mengerjakan_pretest = {idpretest, username, idsoal, idkategori, flag, jawaban, tkesukaran}

Nilai = {idnilai, idbab, username, idkategori, nilai, waktu, cobake, levelku, persen, totalsoal, benar, salah, waktutotal}

Mempunyai_nilai = {username, idnilai, idkategori, flag} Level = {idlevel, idkategori, username, idbab, level} Mempunyai_lvl={username, idlevel}

TKAwalSoal = { idtkawal, a_sukar, b_sukar, c_sukar, d_sukar, a_sedang, b_sedang, c_sedang, d_sedang, a_mudah, b_mudah, c_mudah, d_mudah}

TKAkhirSoal = { idtkakhir, a_sukar, b_sukar, c_sukar, d_sukar, a_sedang, b_sedang, c_sedang, d_sedang, a_mudah, b_mudah, c_mudah, d_mudah}

PersentaseKebenaran = { idpk, a_sedikit, b_sedikit, c_sedikit, d_sedikit, a_sedang, b_sedang, c_sedang, d_sedang, a_banyak, b_banyak, c_banyak , d_banyak}

KategoriSoal = {idkategori, idbab, namakategori, rank, waktu, benar, salah, harusjwb} Mempunyai_kat = {idsoal, idkategori}

SesiUser = {username, phpsessid, expire}

Feedback = {idfeedback, pesan, idkategori, idbab, level} Login = {username, password}

Lampiran 3. Fungsi keanggotaan himpunan fuzzy

1. Persentase Kebenaran

Persentase Kebenaran mempunyai tiga buah himpunan fuzzy yaitu : Sedikit, Sedang dan Banyak. Himpunan fuzzy Sedikit dan Banyak direpresentasikan dengan menggunakan kurva bahu dan untuk himpunan fuzzy Sedang menggunakan kurva trapesium

Fungsi keanggotaannya adalah :

2. TKAwalSoal

TKAwalSoal mempunyai tiga buah himpunan fuzzy yaitu : Sukar, Sedang dan Mudah. Himpunan fuzzy Mudah dan Sukar direpresentasikan dengan menggunakan kurva bahu dan untuk himpunan fuzzy Sedang menggunakan kurva trapesium

Fungsi keanggotaannya adalah :

3. TKAkhirSoal

TKAkhirSoal mempunyai tiga buah himpunan fuzzy yaitu : Sukar, Sedang dan Mudah. Himpunan fuzzy Mudah dan Sukar direpresentasikan dengan menggunakan kurva bahu dan untuk himpunan fuzzy Sedang menggunakan kurva trapesium

Fungsi keanggotaannya adalah :

Lampiran 4. Kaidah-kaidah yang digunakan untuk inferensi fuzzy

Kaidah 1 : JIKA TKAwalSoal = Sukar DAN PersentaseKebenaran = Banyak MAKA TKAkhirSoal = Mudah

Kaidah 2 : JIKA TKAwalSoal = Sukar DAN PersentaseKebenaran = Sedang MAKA TKAkhirSoal = Sedang

Kaidah 3 : JIKA TKAwalSoal = Sukar DAN PersentaseKebenaran = Sedikit MAKA TKAkhirSoal = Sukar

Kaidah 4 : JIKA TKAwalSoal = Sedang DAN PersentaseKebenaran = Banyak MAKA TKAkhirSoal = Mudah

Kaidah 5 : JIKA TKAwalSoal = Sedang DAN PersentaseKebenaran = Sedang MAKA TKAkhirSoal = Sedang

Kaidah 6 : JIKA TKAwalSoal = Sedang DAN PersentaseKebenaran = Sedikit MAKA TKAkhirSoal = Sukar

Kaidah 7 : JIKA TKAwalSoal = Mudah DAN PersentaseKebenaran = Banyak MAKA TKAkhirSoal = Mudah

Kaidah 8 : JIKA TKAwalSoal = Mudah DAN PersentaseKebenaran = Sedang MAKA TKAkhirSoal = Mudah

Lampiran 6. Modul quiz (1)

Lampiran 9. Modul quiz adaptif (3.2)

Basis data bank soal

Acak Soal

Tampilkan soal yg belum pernah ditampilkan

Kirimkan jawaban

Cek apakah total soal yang telah dikerjakan > soal yang ditentukan ? Waktu habis ?

Halaman rekap pembelajaran

Submit hasil ?

Basis data Tampilkan nilai Tidak

Ya

Ya

Tidak

Tidak

Ya

Input semua variabel (bobot, nilai, presentase, waktu, level, username, id_kategori)

Jawaban benar ?

Soal lebih mudah Soal lebih sukar

Ya Tidak

Lampiran 10. Desain tampilan sistem a. Tampilan untuk administrator

Menu utama

administrator Tampilan menu

Header

b. Tampilan untuk siswa

Pilih kategori

quiz

Header

Informasi quiz yang dipilih

Tampilan statistik hasil belajar siswa

Lampiran 11. Form masukan

Form Admin Siswa Tamu

Form masukan untuk menambah / memperbaharui/ menghapus pengguna sistem √

Form masukan untuk menambah / memperbaharui root / kategori soal √

Form masukan untuk menambah / memperbaharui waktu pengerjaan, nilai benar, nilai salah, total soal yang harus

dikerjakan √

Form masukan untuk menambah / memperbaharui soal pilihan ganda dan soal essai √

Form masukan untuk memperbaharui password √

Form masukan untuk memperbaharui selang persentase untuk pemberian feedback √

Form masukan untuk memperbaharui parameter himpunan fuzzy √

Form masukan untuk login √ √

Form masukan untuk menentukan jawaban soal √

Form masukan untuk memperbaharui profil √

Form masukan untuk memperbaharui password √

Form masukan untuk melakukan pendaftaran √

Lampiran 12. Implementasi secara fisik basis data yang digunakan pada sistem

1. tbl_user merupakan tabel yang menyimpan data pengguna

Deskripsi tabel tbl_user

Nama Kolom Tipe Data Keterangan Tambahan

username varchar(255) Not Null, Primary Key

Nama varchar(255) Not Null

Telepon Varchar(255) Null

Email varchar(30) Not Null