Information Filtering dalam Dunia E-Learning

5. Information Filtering dalam Dunia E-Learning

Mengacu kepada tahapan-tahapan IF berbasis pattern mining pada yang telah dijabarkan pada poin sebelumnya, sangat mungkin diterapkan untuk

adaptive e-learning system. Pada tahapan

preprocessing dapat dilakukan dengan memanfaatkan algoritma stemming bahasa Indonesia. Ada beberapa algoritma stemming bahasa indonesia yang dapat digunakan misalnya algoritma Nazief dan Adriani, algoritma Idris dan Mustapha, algoritma Arifin dan Setiono, algoritma Ahmad, Yussof, dan Sembok, algoritma Vega, dan lain-lain.

Untuk tahapan finding model, model-model yang ada dapat digunakan sesuai kebutuhan. Dalam makalah ini, model yang disarankan adalah model mining negative feedback. Karena relevansi model ini sangat berguna untuk IF. Mining negative feedback dapat meningkatkan akurasi penyaringan (Li et al, 2011).

Ada issue menarik untuk implementasi IF dalam web pembelajaran online (e-learning) yaitu mengenai Adaptive Education System. Definisi konseptual

adaptivity dalam e-learning mengacu pada penciptaan pengalaman pembelajaranyang berdasarkan pada berbagai kondisi (karakteristik pribadi, pendekatan pedagogis, interaksi pengguna, hasil belajar) selama waktu tertentu dalam rangka meningkatkan indikator kinerja (efisiensi e-learning: hasil, waktu, biaya, kepuasan pengguna). Definisi fungsional ini pertama- tama mengacu pada karakteristik utama yang disediakan oleh sistem. Sebuah sistem adaptif harus mampu mengelola jalur pembelajaran yang disesuaikan dengan setiap pengguna, memantau kegiatan pengguna, menafsirkan model tertentu yang mereka gunakan, menyimpulkan kebutuhan dan preferensi pengguna, dan mengeksploitasi domain pengetahuan pengguna untuk secara dinamis memfasilitasi proses pembelajaran (Boticario, 2005).

Dalam hal ini, pemanfaatan IF dalam e-learning dapat diterapkan untuk menunjang adaptivity dalam proses pembelajaran dengan e-learning. Setiap pengguna memiliki agen informasi masing-masing. Agen informasi memiliki parameter-parameter yang digunakan untuk menyaring informasi denganpendekatan patternmining terhadap dokumen- dokumen dalam mengumpulkan informasi-informasi yang relevan dengan pengguna.

Parameter-parameter yang sangat relevan digunakan adalah karakteristik pribadi, pendekatan pedagogis, interaksi pengguna, hasil belajar. Parameter-parameter tersebut dapat dijadikan acuan untuk menyaring informasi yang akan disajikan kepada pengguna.

Gambar 3. Arsitektur Sistem

Dari gambar 3 terlihat bahwa pada User Modeling Component terbentuk dari parameter-parameter yang telah ditentukan sebelumnya. Komponen tersebut akan menjadi bagian dari IF dalam menyaring informasi yang disuguhkan kepada pengguna.

ISBN: 979-458-766-4 KeTIK 2014 Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi

6. Kesimpulan

Y. Xu and Y. Li, 2007 , “Generating concise Information filtering berbasis pattern mining

association rules,”, CIKM

sangat mungkin digunakan untuk adaptive e-learning N. Jindal and B. Liu,2006, “Identifying comparative system. Metode pattern mining dapat difungsikan

untuk menghasilkan profil pengguna yang dinamis sentences in text documents,”,SIGIR sehingga kinerja information filtering lebih optimal.

S.-T. Wu, Y. Li, and Y. Xu, 2006, “Deploying Diharapkan, untuk penelitian selanjutnya dapat

approaches forpattern refinement in text diimplementasikan ke dalam adaptive e-learning.

mining,”, Proceedings of the 6th IEEE Model yang disarankan dalam makalah ini adalah

International Conference on Data Mining model mining negative feedback.

(ICDM2006)

Li, Yuefeng.,Algarni, Abdulmohsen., Xu, Yue,. 2011.

Daftar Pustaka

A Pattern Mining Approach for Information Fachri, M. (2006). E-Learning Sebagai Alternatif

Journal:

Filtering Systems. Journal Article, ISSN:1386- Pembelajaran.

Jurnal Pendidikan 4564, Springer

Inovatif, Volume 2, Nomor 1.

Book:

Vasudevan, Sharmila. V, Arasu. Tholkappia, (2012). Palme, P., 1998, Information Filtering. Departement Innovative Pattern Mining For Information

of Computer and System Sciences Stockholm Filtering Systems, International Journal of

University and KTH Technical University. Engineering and Innovative Technology (IJEIT), Ciaccia, Paolo. 2011. Information Filtering.

Volume 2, Issue 4. http://www-db.deis.unibo.it/course/SI-M/

Yunis, Roni. (2006). Aplikasi Intelligent Agent Conference :

Dalam Information Retrieval. Jurnal SIFO Mandala, Rila (2006). Evaluasi Kinerja Sistem STMIK Mikroskil Medan, Volume 7, Nomor 1.

Penyaringan Informasi Model Ruang Vektor. R. Agrawal and R. Srikant, 1994, “Fast algorithms for

Seminar Nasional Aplikasi Teknologi Informasi, miningassociation rules in large databases”.

ISSN: 1907-5022. Yogyakarta. Proceedings of the 20th International J.G. Boticario, O.C. Santos, P. van Rosmalen

Conference on Very Large Data Bases . (2005).Issues in Developing Standardbased

X. Yan, J. Han, and R. Afshar,2003, “Clospan: Adaptive LearningManagement Systems. mining closedsequential patterns in large

EADTU 2005 WorkingConference: Towards datasets”, Proceedings of SIAM Int. Conf. on

Lisbon 2010: Collaboration forInnovative Data Mining (SDM 03) , San Francisco, USA.

Content in Lifelong Open and FlexibleLearning. J. Han and K.-C. Chang, “Data mining for web

P. Van Rosmalen, H. Vogten, R. Van Es, P. Van, H.,, intelligence,”Computer, vol. 35, no. 11, pp. 64–

P. Poelmans, and R. Koper (2006). Authoring a

70, 2002, tY -JOUR Han, Jiawei and Chang, Full Life Cycle Model in Standard-Based, K.C.-C.

Adaptive e-Learning. Education Technology & Society, Vol. 9.

KeTIK 2014 ISBN: 979-458-766-4 Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi