SISTEM TUTOR CERDAS “DASAR LISTRIK”        MENGGUNAKAN METODE BAYESIAN NETWORK                  Rini Dwi Puspita1) Surya S...
jenjang SMK yaitu “Dasar Listrik” memanfaatkan          berasal dari penggunaan dari teorema bayesinferensi Bayesian serta...
Table 2. joint probability distribution(JPD)   2.4 Mapping Kompetensi Dasar Listrik                              Leukemia ...
dihasilkan memiliki kesamaan dengan rumus teorema                                                        bayes. Sebelumnya...
Analisa Soal :1. Suatu rangkaian listrik tertutup yang terdiri dari   lampu,    kabel(hambatan),      serta   tegangan.   ...
5    DAFTAR PUSTAKA[1] www.Wikipedia.com, Artificial Intelligence (AI)[2] Ben-Gal I., Bayesian Networks, in Ruggeri F.,   ...
Upcoming SlideShare
Loading in …5
×

SISTEM TUTOR CERDAS “DASAR LISTRIK” MENGGUNAKAN METODE BAYESIAN NETWORK

788 views

Published on

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
788
On SlideShare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
37
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

SISTEM TUTOR CERDAS “DASAR LISTRIK” MENGGUNAKAN METODE BAYESIAN NETWORK

  1. 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 60111Abstrak – Sistem Tutor Cerdas (STC) atau dari mereka mengklaim mempunyai efektivitasIntellegent Tutorial System (ITS) pada penelitian ini pendidikan. Sementara Education Game biasanyadiaplikasikan pada pembelajaran teori produktif pada berhasil meningkatkan keterlibatan Siswa, mereka sering gagal dalam memicu belajar. Salah satusiswa SMK. System ini merupakan sebuah teknologi masalah utama dalam Education Game berasal daripembelajaran yang dinamis dan dapat menyesuaikan ketidaktahuan perbedaan kemampuan antara Siswa.isi atau output program sesuai dengan metode Kecerdasan buatan merupakan salah salah aspek yangpembelajaran dan materi yang diajarkan. Karena ITS mampu menjawab tuntutan itu semuadilengkapi oleh Artificial Intelligence (AI), dalampenelitian ini penempatan metode Bayesian Network Beberapa peneliti telah mengusulkan rancangan- rancangan yang berbeda dalam membangun sebuahadalah sebagai metode AI. STC. Gambar 1. menunjukkan modul-modul dalam SCT dan hubungan dengan siswa. Rancangan tersebutBayesian Network adalah pendekatan secara subyektif, terdiri atas[8]:dimana pendekatan semacam ini dilakukan melaluipengamatan berdasarkan sampel, tes, hipotesis, analisaregresi dan lain-lain. Penelitian ini akanmengimplementasikan kecerdasan buatan dalam gamedimana salah satu elemen game yaitu soal/materi yangdi keluarkan, mampu berinteraksi dengan karakter.Pada dasarnya game ini di tujukan untukmeningkatkan kognisi player, dimana mereka seringgagal dalam memicu belajar. Metode yang digunakandalam penelitian ini adalah klasifikasi soal yang adasebagai penentu jenis tingkatan kognisi seorang siswadan menggunakan Bayesian Network sebagai Gambar 1. Modul-modul dalam STC[8]pengklasifikasian soal. - Domain pengetahuanKata Kunci: Education Game, kecerdasan buatan, - Pemodelan siswaBayesian Network - Modul adaptasi - Modul pendagogik 1. PENDAHULUAN - Modul antarmuka Game merupakan sebuah media yang dirancangkhusus supaya menjadi lebih menghibur dan Pada penelitian terdahulu[4,8], telah diusulkanmenyenangkan untuk anak-anak, serta sebagai orang pemodelan siswa untuk klasifikasi siswa secaradewasa. Di antara semua jenis game, ada kategori otonom menggunakan Bayesian Network dan“Education Game” yang dapat digunakan sebagai menggunakan perangkat simantik untuk model soalmodul interaktif yang memiliki tujuan yaitu untuk bahasa inggris, maka pada penelitian ini diusulkanmeningkatkan kognisi Siswa[5]. Sejak tahun 1970, modul adaptasi untuk aplikasi soal produktif padagame berbagai pendidikan telah muncul dan beberapa
  2. 2. jenjang SMK yaitu “Dasar Listrik” memanfaatkan berasal dari penggunaan dari teorema bayesinferensi 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 sebelumdigunakan untuk modeling user, karena dapat terdapat bukti apapun. Setelah didapatkan buktimenghasilkan seakurat penilaian sebagai mungkin baru, dilakukan lagi pencarian tingkatdengan memanfaatkan informasi yang ada pada kepercayaan hipotesis tersebut menggunakanpengguna dan secara eksplisit mengungkapkan estimasi numerik, dan begitu selanjutnya tiapketidakpastian 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 bahwaproduktif SMK yaitu tentang “Dasar Listrik”. Pada suatu hipotesis itu benar berubah sesuai denganeksperimen kali ini diharapkan bisa melakukanpenyetelan (setting) aturan digunakan algoritmapembelajaran 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. 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 Ohm2.3 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. 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 Sumberkonsep/rule maka di buat struktur Bayesian Network tegangan AC Lampuyang dikenal dengan DAG(Directed Acrylic Graph).DAG disini merupakan Bayesian Student Modeldimana masing-masing note merepresentasikansebuah variable acak, dan masing-masing garismenggambarkan probabilitas ketergantungan darinode sebelumnya. Gambar 6. Aplikasi R1 Rangkaian Listrik Untuk menghitung tingkat kesulitan probabilitaspenguasaan kognisi terhadap soal-soal yang dikeluarkan menggunakan JavaBayes dimana algoritmayang digunakan adalah Junction Tree, alasan dipilihalgoritma ini adalah bahwa tingkat akurasi yang
  5. 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 (dasarGambar 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. 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.

×