AUTONOMOUS LEVELLING SENTENCE COMPOSER BERBASIS CAUSAL BAYESIAN NETWORK UNTUK INTELLIGENT TUTORING SYSTEM

(1)

AUTONOMOUS LEVELLING

SENTENCE COMPOSER

BERBASIS CAUSAL BAYESIAN NETWORK

UNTUK INTELLIGENT TUTORING SYSTEM

Mohamad Safrodin NRP : 2208 205 736

G a m e T e c h n o l o g y [ I T S ] - 2 0 1 0

(2)

Daftar Isi

Latar Belakang

1 Standar Kompetensi Bahasa Inggris

2 Kajian

3 Metode Penelitian

4 Pustaka

5

(3)

Latar Belakang

Keunggulan sistem tutor cerdas dibandingkan guru adalah kemampuannya dalam memahami karakteristik unik setiap siswa dan menyampaikan materi pembelajaran sesuai dengan karakteristik siswa tersebut (Franek, 2003). Kecerdasan sistem tutor cerdas diwujudkan dalam kemampuan pedagogignya untuk menyampaikan materi sesuai karakteristik siswa yang diajarnya, memberikan tugas, dan menilai kemampuan siswa

(4)

Model Kompetensi Komunikatif

(dari Celce-Murcia et al.)

Salah satu model terkini yang ada di dalam literatur pendidikan bahasa adalah yang dikemukakan oleh Celce-Murcia, Dornyei dan Thurrell (1995) yang kompatibel dengan pandangan teoritis bahwa bahasa adalah komunikasi, bukan sekedar seperangkat aturan. Implikasinya

adalah bahwa model kompetensi

berbahasa yang dirumuskan adalah

model yang menyiapkan siswa untuk berkomunikasi dengan bahasa

untuk berpartisipasi dalam masyarakat pengguna bahasa. Model ini

dirumuskan sebagai Communicative

Competence atau Kompetensi

Komunikatif (KK) yang direpresentasikan dalam Celce-Murcia et al.

(5)

Diagram Kern



pengembangan kemampuan

berwicara dan beraksara dilakukan

secara terpadu.



Keterampilan mendengarkan,

berbicara, membaca dan menulis

tidak diposisikan secara linier,

berjajar, melainkan terpadu sebagai

struktur yang mewarnai rancangan

proses belajar dan mengajar. Kern

(2000:132) merepresentasikan

gagasannya dalam tiga lingkaran

(6)

Modified Diagram

 Dalam konteks pengajaran bahasa

asing, seringkali kegiatan

mendengarkan dilakukan terpisah dari kegiatan berbicara karena kegiatan tersebut difokuskan kepada latihan mengucapkan atau menirukan bunyi-bunyi, kata dan sebagainya. Oleh karenanya model Kern (2000) di atas dapat dimodifikasi menjadi empat lingkaran sebagai berikut:

(7)

Bayes Theorem



Bentuk dasar dari Teori Bayes adalah sebagai Berikut :



Dimana :



P(A) = adalah

prior probability

atau

marginal probability

dimana

probabilitas A tidak tergantung kondisi B



P(A|B)

= adalah probabilitas kondisional A dari kondisi B



P(B|A)

= adalah probabilitas kondisional B dari kondisi A



P(B) = adalah

prior probability

atau

marginal probability

dimana

(8)

(9)

(10)

VERB TENSE

Simple Present Simple Past Simple Future

I study English every day. Two years ago, I _England. studied English in

If you are having problems, I will help you study English.

I am going to study English next year.

Present Continuous Past Continuous Future Continuous

I am studying English now. I _{called yesterday.}was studying English when you

I will be studying English when you arrive tonight.

I am going to be studying English when you arrive tonight.

Present Perfect Past Perfect Future Perfect

I have studied English in several

different countries. I moved to the U.S. had studied a little English before I

I will have studied every tense by the time I finish this course. I am going to have studied every tense by the time I finish this course.

Present Perfect Continuous Past Perfect Continuous Future Perfect Continuous

I have been studying English for

five years. I years before I moved to the U.S. had been studying English for five

I will have been studying English for over two hours by the time you arrive.

I am going to have been studying

English for over two hours by the time you arrive.

(11)

Metodologi Penelitian

Markov Assum ption

Default Tingkat Kesulitan

Komponen Penyusun Kalimat Tenses

16 Tenses VERB Type

CO

RP

US

Assesment dan Skor

Word

Sentence Composer

DB

(12)

Level of Difficulties

Level

Tenses

Pre

se

nt

Pa

st

Fut

ur

e

Kata

Kerja

(Verb)

Reg

ular

Irr

eg

ular

Word

Corpus

Po

pu

lar

Non

-Po

pu

lar

Ra

re

Type

P

ositiv

e

Ne

ga

tiv

e

In

te

rro

ga

tiv

e

(13)

HASIL SENTENCE COMPOSER

(14)

Perhitungan Probabilitas



Level (L) dimana ini merupakan input awal untuk

menentukan tingkat kesulitan dari kalimat yang

akan dihasilkan oleh sentence composer. node

compose (C)



Dengan menggunakan Causal Bayesian

Network maka probabilitas Level (L) input dapat

dihitung. Misalkan dengan memberikan target

pada sentence composer untuk menghasilkan

kalimat dengan tingkat “B-Beginner” dan

diketahui bahwa Tenses, Word dan Verb juga

ditingkat “B-Beginner”

(15)

(16)

Perhitungan Probabilitas

COMPOSE TENSES TYPE WORD VERB LEVEL * ∑ RESULT

BBBBBB 0,9 0,95 0,6667 0,9 0,9 0,1852 0,0855

0,1178

0,8979

BBIBBB 0,7 0,95 0,2667 0,9 0,9 0,1852 0,0266

BBABBB 0,6 0,95 0,0667 0,9 0,9 0,1852 0,0057

COMPOSE TENSES TYPE WORD VERB LEVEL * ∑

BBBBBB 0,9 0,95 0,6667 0,9 0,9 0,1852 0,0855 0,1312 BBBBBI 0,9 0,3 0,3137 0,3 0,3 0,6296 0,0048 BBBBBA 0,9 0,2 0,0667 0,2 0,2 0,1852 0,0001 BBIBBB 0,7 0,95 0,2667 0,9 0,9 0,1852 0,0266 BBIBBI 0,7 0,3 0,3725 0,3 0,3 0,6296 0,0044 BBIBBA 0,7 0,2 0,2667 0,2 0,2 0,1852 0,0003 BBABBB 0,6 0,95 0,0667 0,9 0,9 0,1852 0,0057 BBABBI 0,6 0,3 0,3137 0,3 0,3 0,6296 0,0032 BBABBA 0,6 0,2 0,6667 0,2 0,2 0,1852 0,0006

•Tenses(TE)

•Type(TY)

•Word(WO)

•Verb(VE)

Pada setiap

parameter secara

umum

dibedakan

dalam tiga level:

•Beginner (B)

•Intermediate(I)

•Advance(A)

(17)

(18)

(19)

(20)

(21)

KESIMPULAN



Dari hasil pengujian terhadap sistem ALESCO

(Autonomous Leveling Sentence Composer)

diperoleh tingkat kesalahan rata-rata sebesar

3,8086% untuk level Advance, 4,3035% untuk

level Intermediate

, dan 13,5178% untuk level

Beginner.

Level Beginner mempunyai tingkat

kesalahan yang cukup tinggi karena kesalahan

sedikit dengan pembanding yang mempunyai

probabilitas kecil akan mengakibatkan error

yang besar.

(22)

JADWAL KEGIATAN

Kegiatan Bulan_Tahun 2010

Maret-2010 April-2010 Mei 2010 Juni 2010 Juli-2010

Desain Knowledge Base

Desain Rule Tenses into DBMS

Desain Causal Bayesian Network

Implementasi Sistem

Pengujian

(23)

Referensi

 _{Acid, S., de Campos, L., Ferna´ndez-Luna, J., & Huete, J. (2003). An information retrieval}

model based on simple Bayesian networks. International Journal of Intelligent Systems, 18(2), 251–265.

 Archana K Rane(2005). Intelligent Tutoring System For Marathi.

 _{Celce-Murcia, M., Z. Dornyei, S. Thurrell 1995. Communicative Competence: A Pedagogically} Motivated Model with Content Specifications. In Issues in Applied Linguistics, 6/2, pp 5-35.

 _{Kyoung-Min Kim, Jin-Hyuk Hong, Sung-Bae Cho (2007). A semantic Bayesian network} approach to retrieving information with intelligent conversational agents. Information Processing and Management 43 (2007) 225–236

 _{M. Asfah Rahman(2005), Gambaran tingkat penguasaan materi Kurikulum bahasa inggris} lulusan Sekolah menengah umum Di sulawesi selatan

 Horvitz, E., Breese, J., Heckerman, D., Hovel, D., & Rommelse, K. (1998). The Lumiere project: Bayesian user modeling for inferring the goals and needs of software users. In Proc. of the 14th conf. uncertainty in artificial intelligence (pp. 256–265).

 _{Yi-Ting Huanga, Yi-Lung Lina, Jie-Chi Yang, and Yu-Chieh Wu, fsf An English Dialogue} Companion System for Supporting Conversation Practice

 _{DEPARTEMEN PENDIDIKAN NASIONAL (2003) STANDAR KOMPETENSI Mata Pelajaran} BAHASA INGGRIS SEKOLAH MENENGAH ATAS dan MADRASAH ALIYAH, Kurikulum 2004.  _{Surya Supeno,Msc(2009), Sistem tutor cerdas berbasis game (game-based intelligent tutoring}

(24)

[email protected] [email protected]

http://lecturer.eepis-its.edu/~safrodin/index.htm