SISTEM TUTOR CERDAS “DASAR LISTRIK” MENGGUNAKAN METODE BAYESIAN NETWORK
1. SISTEM TUTOR CERDAS “DASAR LISTRIK”
MENGGUNAKAN METODE BAYESIAN NETWORK
Rini Dwi Puspita1) Surya Sumpeno2) Mochammad Hariadi3)
1) Pasca Sarjana Jurusan Teknik Elektro, Fakultas Teknologi Industri Institut Teknologi Sepuluh
Nopember (ITS) E-mail: rini09@mhs.ee.its.ac.id
2) 3) Jurusan Teknik Elektro, Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS) Jl.
Arief Rahman Hakim, Keputih, Sukolilo, Surabaya 60111
Abstrak – Sistem Tutor Cerdas (STC) atau dari mereka mengklaim mempunyai efektivitas
Intellegent Tutorial System (ITS) pada penelitian ini pendidikan. Sementara Education Game biasanya
diaplikasikan pada pembelajaran teori produktif pada berhasil meningkatkan keterlibatan Siswa, mereka
sering gagal dalam memicu belajar. Salah satu
siswa SMK. System ini merupakan sebuah teknologi
masalah utama dalam Education Game berasal dari
pembelajaran yang dinamis dan dapat menyesuaikan ketidaktahuan perbedaan kemampuan antara Siswa.
isi atau output program sesuai dengan metode Kecerdasan buatan merupakan salah salah aspek yang
pembelajaran dan materi yang diajarkan. Karena ITS mampu menjawab tuntutan itu semua
dilengkapi oleh Artificial Intelligence (AI), dalam
penelitian ini penempatan metode Bayesian Network Beberapa peneliti telah mengusulkan rancangan-
rancangan yang berbeda dalam membangun sebuah
adalah sebagai metode AI.
STC. Gambar 1. menunjukkan modul-modul dalam
SCT dan hubungan dengan siswa. Rancangan tersebut
Bayesian Network adalah pendekatan secara subyektif,
terdiri atas[8]:
dimana pendekatan semacam ini dilakukan melalui
pengamatan berdasarkan sampel, tes, hipotesis, analisa
regresi dan lain-lain. Penelitian ini akan
mengimplementasikan kecerdasan buatan dalam game
dimana salah satu elemen game yaitu soal/materi yang
di keluarkan, mampu berinteraksi dengan karakter.
Pada dasarnya game ini di tujukan untuk
meningkatkan kognisi player, dimana mereka sering
gagal dalam memicu belajar. Metode yang digunakan
dalam penelitian ini adalah klasifikasi soal yang ada
sebagai penentu jenis tingkatan kognisi seorang siswa
dan menggunakan Bayesian Network sebagai Gambar 1. Modul-modul dalam STC[8]
pengklasifikasian soal.
- Domain pengetahuan
Kata Kunci: Education Game, kecerdasan buatan, - Pemodelan siswa
Bayesian Network
- Modul adaptasi
- Modul pendagogik
1. PENDAHULUAN
- Modul antarmuka
Game merupakan sebuah media yang dirancang
khusus supaya menjadi lebih menghibur dan Pada penelitian terdahulu[4,8], telah diusulkan
menyenangkan untuk anak-anak, serta sebagai orang pemodelan siswa untuk klasifikasi siswa secara
dewasa. Di antara semua jenis game, ada kategori otonom menggunakan Bayesian Network dan
“Education Game” yang dapat digunakan sebagai menggunakan perangkat simantik untuk model soal
modul interaktif yang memiliki tujuan yaitu untuk bahasa inggris, maka pada penelitian ini diusulkan
meningkatkan kognisi Siswa[5]. Sejak tahun 1970, modul adaptasi untuk aplikasi soal produktif pada
game berbagai pendidikan telah muncul dan beberapa
2. jenjang SMK yaitu “Dasar Listrik” memanfaatkan berasal dari penggunaan dari teorema bayes
inferensi Bayesian serta pengayaan pengetahuan STC. dalam proses perhitungan.
2. METODE Pada inferensi Bayes, kita harus
menentukan tingkat kepercayaan pada suatu
Pada penelitian lain, Bayesian Network hipotesis menggunakan estimasi numerik sebelum
digunakan untuk modeling user, karena dapat terdapat bukti apapun. Setelah didapatkan bukti
menghasilkan seakurat penilaian sebagai mungkin baru, dilakukan lagi pencarian tingkat
dengan memanfaatkan informasi yang ada pada kepercayaan hipotesis tersebut menggunakan
pengguna dan secara eksplisit mengungkapkan estimasi numerik, dan begitu selanjutnya tiap
ketidakpastian perilaku pengguna prediksi saat ditemukan bukti baru.
informasi terbatas yang tersedia.
Setiap didapatkan data baru, dengan
Topic bahasan yang diambil adalah materi menggunakan teorema Bayes, peluang bahwa
produktif SMK yaitu tentang “Dasar Listrik”. Pada suatu hipotesis itu benar berubah sesuai dengan
eksperimen kali ini diharapkan bisa melakukan
penyetelan (setting) aturan digunakan algoritma
pembelajaran terhadap sekumpulan data.
2.1 Pemilihan Algoritma Dimana :
Metode yang digunakan untuk penelitian ini
menggunakan Bayesian Network dengan - H adalah hipotesis yang diperiksa
mengimplementasikannya pada student modeling - E adalah bukti atau data yang didapat dari
yang merupakan salah satu factor dari ITS. System pengamatan
yang dikembangkan pada system tutor cerdas ini - P(H) adalah peluang hipotesis itu benar
mengimplementasikan algoritma Junction Tree sebelumdidapatkan bukti baru
pada JavaBayes. - P(E | H) adalah fungsi kesamaan atau peluang
JavaBayes adalah sebuah system yang bahwa akan didapat bukti E jika H benar
menangani komputasi jaringan Bayesian, yakni - P(E) adalah peluang marginal, peluang kita
menghitung probabilitas marjinal dan ekspresi akan mendapat bukti E, tidak tergantung pada
yang akan menghasilkan penjelasan, serta hipotesis yang kita periksa
melakukan analisa yang akurat dan memungkinkan - P(H | E) adalah peluang hipotesis H benar
penggunaan untuk menyimpan, menciptakan dan setelah kita mendapatkan bukti E
memodifikasi jaringan Bayesian Network.
System Bayesian Network adalah seperangkat contoh sederhana inferensi Bayesian
alat untuk menciptakan dan memanipulasi
Bayesian Network. System ini tersdiri dari editor untuk mengatahui apakah pasien tersebut
grafis dan inferensi. Editor grafis memungkinkan mengidap leukemia atau tidak, dibuat conditional
user membuat dan memodifikasi Bayesian probability table(CPT) seperti pada tabel berikut
Network komputasi JavaBayes menghasilkan ini.
marjinal probabilitas untuk setiap variable dalam
suatu jaringan Bayesian Network dan mendeteksi Table 1 conditional probability table(CPT)
nilai probabilitas dan setiap variable.
Variable yang direpresentasikan dengan node- Leukemia
Anoreksia
node bila di assign untuk menetapkan nilai present absent
priornya dan secara akurat JavaBayes bias present 0.4 0.43
mengkalkulasi besaran postenor probabilitasnya. absent 0.6 0.57
Keunggulan lain dari komputasi JavaBayes dalam
hal menangani probabilitas adalah mampu
memberikan intervalensi terhadap posterior Cara menghitung joint probability distribution
probability. (JPD) suatu gejala adalah mengalikan nilai
conditional probability dengan priorprobability.
2.2 Bayesian Inference Prior Probability gejala anoreksia present adalah
0.1, sedangkan absent 0.9. Jadi, dapat diperoleh
Inferensi Bayesian adalah metode inferensi joint probability distribution dari gejala anoreksia
statistic di mana beberapa jenis bukti atau yaitu:
pengamatan digunakan untuk menghitung
probabilitas bahwa hipotesis yang mungkin benar,
atau yang lain untuk memperbaruhi probabilitas
yang dihitung sebelumnya. Istilah Bayesian
3. Table 2. joint probability distribution(JPD) 2.4 Mapping Kompetensi Dasar Listrik
Leukemia Gambar 2 menunjukkan rancangan modul
Anoreksia
present absent interaktif yang diusulkan.
present 0.4 0.387
absent 0.6 0.513
Kurikulum Tingkat Satuan
Pendidikan (KTSP)
Langkah selanjutnya, untuk mendapatkan nilai
posterior probability, dapat dihitung dari hasil Aspek Penilaian
JPD yang telah diperoleh, lalu nilai inilah yang
digunakan untuk menghitung probabilitas Pengetahua Analisa Pemahaman Penerapan
kemunculan suatu gejala. Berikut ini diberikan n
contoh cara menghitung posterior probability
gejala anoreksia, dilihat dari tabel joint Modul Antarmuka
probability distribution.
Berdasarkan JPD diatas, dapat dihitung posterior Penilaian
probability dari gejalah anoreksia adalah : (Skor) Siswa
Gambar 2 Rancangan Modul
Analisa dilakukan persoal untuk menganalisa
Sehingga, jika seorang mengalami gejala sampai ke tahapan ketrampilan siswa
anemia(a), anoreksia(ak), infeksi saluran nafas menggunakan konsep Bayesian Network,
atas(sa) dan hepatomegali(hp). Berapakah sehingga nilai kemungkinan-kemungkinan yang
kemungkinan pasien tersebut mengidap muncul dapat diamati.
leukemia(L)? untuk menghitung probabilitas
tersebut, data yang dibutuhkan adalah posterior 2.5 Dasar Listrik
probability dari masing-masing gejala yang
dialami. Sehingga dapat dihitung : 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
Jadi, probabilitas pasien dengan gejala tersebut Kirchof 2.
mengidap leukemia sebesar 32.35%.
a. Hukum Ohm
2.3 Disain Student Model
Pada suatu rangkaian tertutup, Besarnya arus I
Perancangan model pembelajaran sesuai berubah sebanding dengan tegangan V dan
dengan Kurikulum Tingkat Satuan Pendidikan berbanding terbalik dengan beban tahanan R, atau
(KTSP), dikembangkan melalui tahapan-tahapan dinyatakan dengan Rumus :
sebagai berikut :
I = V/R
1. Merancang konsep teori dasar listrik sesuai V=RxI
KTSP. R = V/I
2. Merancang model Bayesian Network dengan Dimana;
mengacu pada modul pembelajaran Dasar I = arus listrik, ampere
Listrik. V = tegangan, volt
R = resistansi atau tahanan, ohm
3. Menggambarkan inferensi-inferensi dari data-
data yang tersimpan b. Hukum Kirchof
4. Merancang system tutor berdasarkan KTSP. Pada setiap rangkaian listrik, jumlah aljabar
dari arus-arus yang bertemu di satu titik
adalah nol (ΣI=0) .
4. dihasilkan memiliki kesamaan dengan rumus teorema
bayes. Sebelumnya semua variable 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 3. loop arus“ KIRCHOFF “
Jadi:
I1 + (-I2) + (-I3) + I4 + (-I5 ) = 0
I1 + I4 = I2 + I3 + I5
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 5 desain grap pada Bayesian Network
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
Gambar 4. Rangkaian Listrik. yang diujikan adalah analisa nyala lampu, maka ada
beberapa faktor yang harus diperhatikan yaitu :
Pada kondisi sakelar S terbuka maka arus
tidak akan mengalir melalui beban . Apabila 1. Panjang dari penghantar (kabel/hambatan)
sakelar S ditutup maka akan mengalir arus ke
beban R dan Ampere meter akan menunjuk. 2. Diameter penghantar
Dengan kata lain syarat mengalir arus pada
suatu rangkaian harus tertutup. 3. Serta jenis penghantarnya
Dari sini bisa diketahui besarnya penghantar yang
“alat ukur tegangan adalah voltmeter dan digunakan dalam rangkaian ini, sehingga arus yang
alat ukur arus listrik adalah amperemeter” mengalir pada rangkaian akan mempengaruhi nyala
dari lampu .
Kabel
3. PERCOBAAN DAN HASIL (Hambatan)
Dalam penelitian ini, untuk probabilitas tingkat
I (Arus)
penguasaan kognisi siswa terhadap pertanyaan-
pertanyaan yang ada kaitanya dengan penguasaan
Sumber
konsep/rule maka di buat struktur Bayesian Network tegangan AC Lampu
yang dikenal dengan DAG(Directed Acrylic Graph).
DAG disini merupakan Bayesian Student Model
dimana masing-masing note merepresentasikan
sebuah variable acak, dan masing-masing garis
menggambarkan probabilitas ketergantungan dari
node sebelumnya. Gambar 6. Aplikasi R1 Rangkaian Listrik
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
5. Analisa Soal :
1. Suatu rangkaian listrik tertutup yang terdiri dari
lampu, kabel(hambatan), serta tegangan.
Bagaimana kemungkinan kondisi hambatan dan
nyala lampu jika diatur panjang lampu kondisinya
panjang, diameter kabelnya besar dan jenis
kabelnya tembaga, dimana tegangan yang
digunakan adalah
Hasil Analisa :
Table 3. hasil analisa inferensi forward
Probabilitas
Probabilitas
Pengaturan kondisi
Nyala Lampu
kabel(hambatan)
Panjang Kabel = 23% nyala
35% kondisi
panjang terang sekali
kabel(hambatan)
Diameter kabel =
besar 39%nyala terang
Gambar 8. Model soal Q2 inferensi backward pada
besar javabayes
Jenis Kabel = tembaga 65% kondisi 24% nyala redup
kabel(hambatan) 14% lampu akan Hasil Analisa :
Tegangan = 220volt kecil mati
Table 4. hasil analisa inferensi backward
Probabilitas probabilitas
Probabilitas
Pengaturan kondisi diameter
panjan kabel
kabel(hambatan) kabel
5.4% 14.5% kabelnya 69.5%
Nyala lampu = panjang
hambatannya diameternya
terang sekali besar besar
35% kablenya
sedang
94% 30.4%
Jenis kabel =
hambatannya 49.6% kabelnya diameternya
tembaga kecil kecil
pendek
4 KESIMPULAN
Dengan menggunakan konsep Bayesian Network
dapat menganalisa kemungkinan-kemungkinan yang
terjadi pada salah satu aspek soal produktif (dasar
Gambar 7. Model soal Q1 inferensi forward pada JavaBayes
listrik) yang di berikan.
2. Suatu rangkaian listrik jika nyala lampu adalah System ini secara tidak langsung membantu
terang sekali, menggunakan jenis kabel(hambatan)
menganalisa suatu permasalahan khususnya materi
adalah tembaga dipasangkan tegangan yang besar,
produktif dalam aplikasi nyata (praktikum).
bagaimana probabilitas dari panjang dan diameter
dari kabel(hambatan).
6. 5 DAFTAR PUSTAKA
[1] www.Wikipedia.com, Artificial Intelligence (AI)
[2] Ben-Gal I., Bayesian Networks, in Ruggeri F.,
Faltin F. & Kenett R.,Encyclopedia of Statistics in
Quality & Reliability, Wiley & Sons (2007).
[3] Fariq, Surya Supeno, Moch. Hariadi, 2010. Sistem
Tutor Cerdas Menggunakan Metod Bayesian
Network, Teknik Elektro, Fakultas Teknologi
Industri, Institut Teknologi Sepuluh Nopember.
[4] 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.
[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.
[8] 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.
[9] Xiaohong Zhao, “Adaptive Support for Student
Learning in Educational Games,” Thesis for
master’s degree, The Univ. of British Columbia,
2002.