ANALISIS E-LEARNING CENTER OBJECT RECOMMENDER UNTUK PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE
Seminar Nasional Informatika 2014
ANALISIS E-LEARNING CENTER OBJECT RECOMMENDER
UNTUK PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE
T.Henny 1, Hanifah Amrul2, Darmeli Nasution3
Sistem Komputer, Teknik, Universitas Pembangunan Pancabudi
Jl. Jendral Gatot Subroto Km 4.5 Medan
1
hennyharumy@hotmail.com, 2hani_amrul@yahoo.co.id, 3darmelinasution@gmail.com
Abstrak
Pendidikan memiliki tujuan yang ingin dicapai, berdasarkan hal ini semua kegiatan dirancang untuk
memfasilitasi mahasiswa dalam memperoleh pengetahuan dan keahlian. Penulis mengusulkan Learning
Object Recommender Systems yang akan memberikan rekomendasi bahan ajar berdasarkan informasi
mengenai prior knowledge mahasiswa. Prior knowledge yang dimiliki mahasiswa dapat diidentifikasi
melalui Pre-Test assessment diawal perkuliahan. Kemajuan belajar yang dicapai mahasiswa juga dapat
diketahui melalui Mid-Test assessment. Adapun assessment atas keseluruhan topik dalam matakuliah dapat
dilakukan melalui Post-Test assessment. Penelitian ini sejalan dengan sistem e-Learning yang telah
diimplementasikan di UNPAB yaitu Student Centered ELearning Environment (SCELE) yang dikembangkan
dengan menggunakan Learning Management System (LMS) berbasis open source, yaitu Moodle dan di
selaraskan dengan aplikasi edmodo. Dalam proses analisis menggunakan software sipina. Pembelajaran
seringkali diasumsikan bahwa mahasiswa memiliki prior knowledge yang sama. Padahal realitasnya tidaklah
selalu demikian. Disinilah pentingnya fasilitas Learning Object Recommender (LOR) untuk meningkatkan
kualitas. Metodologi penelitian yang digunakan melalui observasi langsung dan penyebaran kuisioner.
Terdapat pengaruh penggunaan Learning Object Recommender terhadap learning outcome memahasiswa
sebesar 67%. Prior Knowlede merupakan metode yang dilakukan sebagai metode keberhasilan program
pembelajaran berbasis E-learning. Tanpa Prior Knowledge tingkat pemahaman mahasiswa tentang E-learning
sangat kecil sehingga output ataupun luaran yang dihasilkan sangat kecil dan tidak seperti yang diharapkan.
Kata Kunci : E-Learning, Prior Knowledge, Learning object Recommender
1.
PENDAHULUAN
1.1 Latar Belakang
E-learning saat ini Sangat berpengaruh
terhadap peningkatan dunia pendidikan juga
berpotensi menambah soft skill mahasiswa,
diantaranya meningkatkan ketrampilan mencari
informasi dan menjadi self regulated learner.
Namun, menyelenggarakan e-learning yang
berkualitas tidaklah mudah. Dalam pembelajaran
tatap muka di kelas, pengajar dengan mudah
mengamati respon dan tingkat pencapaian
mahasiswa terhadap materi yang sedang dibahas.
Jika mahasiswa tampak sulit menangkap topik
yang dibahas, pengajar dapat mengulang kembali
pengetahuan prasyarat yang harus dimiliki
mahasiswa agar dapat menguasai topic tersebut.
Teori pembelajaran dari Gagne yang dikenal
dengan Nine Events of Instruction, menyebutkan
bahwa sebelum menyampaikan materi ajar,
haruslah ada stimulasi untuk memanggil prior
knowledge. Prior Knowledge adalah suatu
pemahaman sebelumnya yang didapatkan
sebelum mahasiswa tersebut mebgikuti mata
kuliah yanng diberikan. Oleh karena itu, elearning yang berkualitas haruslah menyediakan
materi ajar yang berbasis personalisasi dan when-
64
needed content
(Karamanis, 2004) Dengan
adanya personalisasi, pastinya mahasiswa yang
memiliki tingkat prior knowledge yang berbeda
diharapkan dapat mengikuti materi ajar dengan
baik dan mencapai tujuan pembelajaran.
Penguasaan terhadap sebuah topik bahasan sangat
diperlukan untuk membantu penguasaan atas
topik bahasan selanjutnya, khususnya yang
memerlukan prasyarat topik bahasan sebelumnya.
Penelitian ini mengembangkan fitur Learning
Object Recommender (LOR) dalam learning
management system (LMS) dengan paradigma
student-centered, yaitu Student Centered eLearning Environment. LOR dikembangkan
untuk memberikan rekomendasi bahan ajar apa
saja yang relevan untuk diakses mahasiswa
melalui LMS sesuai dengan kondisi prior
knowledge masing-masing. Informasi mengenai
prior knowledge diperoleh melalui assessment.
Universitas Pembangunan Panca Budi
telah menjalankan sistem pembelajaran dengan elearning dari tahun 2010, namun sampai saat ini
belum semua mata kuliah dan semua mahasiswa
mampu menjalankan sistem ini. Sebenarnya apa
yang salah dengan sistem E- learning yang di
telah diterapkan di Universitas Pembangunan
Panca Budi selama ini ? Dengan adanya
Seminar Nasional Informatika 2014
penelitian ini diharapkan dapat memberikan
masukan bagi pihak yang berkepentingan dalam
penyelengaraan e-learning agar sistem ini dapat
berjalan seperti yang diharapkan.
1.2 Perumusan Masalah
a. Apakah terdapat pengaruh Learning
Object Recommender terhadap learning
outcome memahasiswa ?
b. Bagaimana penggunaan E- Learning
Object
Recommender
berpengaruh
terhadap
Elearning
outcome
memahasiswa ?
Kelas A
Kuisioner
Kuisioner
Pemberian pemahaman E- Learning
Tanpa Pemberian Pemahaman E- Learning
Sistem
E – Learning
Sistem
E – Learning
Materi
Kuliah
Tugas
online
1.3 Ruang Lingkup Penelitian
Penelitian ini berfokus pada kegiatan elearning mata kuliah disemester 2, dan bukan
pada tingkat pendidikan di bawahnya. Sistem
yang dikembangkan bersifat general, dan tidak
terbatas untuk kegiatan e-learning pada mata
kuliah tertentu atau bidang studi tertentu.
Quis Online
UTS online
UAS Online
Evaluasi
Output
2.
Kelas B
Output
LANDASAN TEORI
Gambar 1. Alur Penelitian
Komputer adalah sistem elektronik untuk
memanipulasi data dengan cepat dan tepat serta
dirancang dan diorganisasikan agar secara
otomatis menerima dan menyimpan data input,
memrosesnya, dan menghasilkan output di bawah
pengawasan suatu langkah-langkah instruksi
program (Sistem Operasi) yang tersimpan di
didalam penyimpannya (Donald H. Sanderes,
1985). Oleh sebab itu komputer merupakan alat
atau media pembelajaran yang terstruktur dan
terintegrasi untuk menghasilkan output yang
diinginkan
Matthew Comerchero dalam E-Learning
Concepts and Techniques (Bloomsburg, 2006)
mendefinisikan
E-learning
adalah
sarana
pendidikan yang mencakup motivasi diri sendiri,
komunikasi, efisiensi, dan teknologi. Karena ada
keterbatasan dalam interaksi sosial, siswa harus
menjaga diri mereka tetap termotivasi. Oleh sebab
itu E learning sebagai media dan dan pemahaman
prior knowledge output yang ingin dicapai
merupakan indikator untuk
meningkatkan
pemahaman dari mahasiswa tersebut terhadap
mata kuliah yang diikuti.
3.
Metode Penelitian
Metode pemecahan masalah dalam
penelitian ini lakukan dalam 3 Tahap, yaitu
perancangan sistem, uji coba, evaluasi, Hasil
akhir yang diharapkan dari penelitian ini berupa
sistem perekomendasian Learning Object yang
adaptif terhadap prior knowledge dan gaya
belajar mahasiswa yang mampu meningkatkan
efektifitas aktivitas belajar.
Parameter yang diamati
1. Motivasi
2. Konten yang digunakan
3. Tingkat keaktifan mahasiswa
4. Materi Pemelajaran
5. Hasil Tes (Nilai)
6. Lingkugan
7. Prior knowledge
Metode
penelitian
menggunakan
Algoritma C4.5 merupakan algoritma yang
digunakan untuk membentuk pohon keputusan.
Banyak algotima yang dapat dipakai dalam
pembentukan pohon keputusan antara lain ID3,
CART dan C4.5 (Larose, 2005). Algoritma C4.5
merupakan pengembangan dari algoritma ID3
(Larose, 2005). Data dalam pohon keputusan
biasanya dinyatakan dalam bentuk tabel dengan
atribut dan record. Atribut menyatakan suatu
parameter yang dibuat sebagai kriteria dalam
pembentukan pohon.
Proses pada pohon
keputusan adalah: mengubah bentuk data (tabel)
menjadi model pohon, mengubah model pohon
menjadi rule dan menyederhanakan rule (Basuki
& Syarif, 2003). Dalam penelitian ini criteria
yang digunakan adalah sebagai berikut : Salah
satu atribut merupakan atribut yang menyatakan
data solusi per-item data yang disebut dengan
target atribut. Atribut memiliki nilai-nilai yang
dinamakan dengan instance. Secara umum
algoritma C4.5 untuk membangun pohon
keputusan adalah sebagai berikut:
a. Pilih atribut sebagai akar
b. Buat cabang untuk masing-masing nilai
c. Bagi kasus dalam cabang
65
Seminar Nasional Informatika 2014
d. Ulangi proses untuk masing-masing cabang
sampai semua kasus pada cabang memiliki kelas
yang sama.
Untuk memilih atribut sebagai akar,
didasarkan pada nilaigain tertinggi dari atributatribut yang ada. Untukmenghitung gain
digunakan rumus seperti tertera dalam
Rumus 1 (Craw, S., ---).
Dengan :
S
: Himpunan kasus
A
: Atribut
n
: Jumlah partisi atribut A
|Si|
: Jumlah kasus pada partisi ke i
|S|
: Jumlah kasus dalam S
Sedangkan perhitungan nilai entropy dapat dilihat
pada
rumus 2 berikut(Craw, S., ---):
tidak menggunakan prior knowledge. Sistem uji
coba ini meliputi pemberian materi kuliah secara
online yaitu untuk mata kuliah struktur data
mencakup materi (Array, Stack, Sorting,
Searching dan lain sebagainya). Mahasiswa
untuk kedua kelas diberikan tugas untuk
meringkas dan memahami materi yang diberikan
tanpa harus tatap muka dengan dosen pengajar di
dalam kelas. Mahasiswa bisa melakukan hal
tersebut dimana saja baik dirumah maupun di
Kampus namun dengan waktu yang telah
ditentukan. Setelah dianalisa Mahasiswa Kelas 2
pagi A mempunyai tingkat kemauan yang lebih
tinggi dalam meringkas materi dengan rata – rata
7 kali pertemuan
dengan :
S
: Himpunan Kasus
A
: Fitur
n
: Jumlah partisi S
pi
: Proporsi dari Si terhadap S
a.
Analisa Penelitian Tahap I (Perancangan
sistem).
Materi yang akan digunakan pada penelitian
tahap I ini adalah menyiapkan responden
sebanyak 43 orang mahasiswa sebagai sampel
yang berasal dari 2 kelas yang berbeda.
Selanjutnya dilakukan penyebaran Quisioner
sesuai dengan variabel yang diamati. Tahapan ini
dilakukan pada awal perkuliahan dalam waktu 1
minggu. Selanjutnya Kelas tersebut akan
dibedakan menjadi dua, yaitu kelas yang
menjalankan perkuliahan dengan sistem elearning tanpa melalui penjelasan dan kelas yang
menjalankan e-learning dengan diberikan
penjelasan terlebih dahulu. Selanjutnya kelas
yang ditunjuk untuk menjalankan proes e-learning
dengan proses pemahaman akan diberikan
pelatihan tentang e-learning sistem lebih
mendalam. Setelah di lakukan wawancara dan
penyebaran angket dengan kelas masing – masing
akhirnya ditentukan untuk Kelas 2 Pagi A untuk
menjadi objek penelitian dengan prior knowledge
dan Kelas 2 Siang F untuk menjadi objek
penelitian tidak menggunakan prior knowledge.
b.
Analisa Penelitian Tahap II (Uji coba)
Setelah dilakukan pembagaian kelas,
penelitian tahap II dilakukan uji coba pada kedua
kelompok kelas yang berbeda yaitu Kelas 2 Pagi
A dengan prior knowledge dan Kelas 2 Siang F
66
Gambar 2. Materi Struktur data secara online
Namun untuk kelas 2 Siang F
mempunyai tingkat kemauan yang lebih rendah
walaupun ada sebagian mahasiswa yang
mempunyai persentase yang sama yaitu 7 kali
pertemuan namun ada sekitar 7 mahasiwa yang
memiliki tingkat kehadiran 0 s/d 3 kali pertemuan
dari 7 yang telah ditentukan Mahasiswa pada
tahap ini juga diberikan tugas untuk mengerjakan
quiz secara online, mengupload tugas secara
online dan absen secara online serta mid semester
secara online.
Seminar Nasional Informatika 2014
Gambar 5. Progres nilai kelas siang 2 F tanpa
prior knowledge
Gambar 3. Mid semester secara online
Gambar 4. Tugas secara online
Pada tahap ini akan dibandingkan kemampuan
mahasiswa yang telah diberi pemahaman dan
kelas yang tidak diberi pemahaman. Setelah
perkuliahan berakhir kemudian mahasiswa
diberikan kuisioner untuk melihat tingkat
pemahaman mahasiswa dalam menggunakan
aplikasi e – learning secara berkesinambungan.
Nilai tersebut dapat dilihat dibawah ini :
Gambar 6. Progres nilai kelas 2 pagi A
menggunakan prior knowledge
Dapat terlihat setelah di lakukan uji coba
meliputi tugas, quis dan mid . Progres kelas
dengan prior knowledge jauh lebih banyak
daripada progress kelas tanpa prio knowledge.
c.
Penelitian Tahap III (pengolahan data dan
evaluasi ).
Setelah dilakukan tahap II dan seluruh data
telah terkumpul. Selanjutnya
dilakukan
pengolahan data dan evaluasi terhadap uji coba
yang dilakukan dengan membandingkan variablevariabel yang diamati. Pada tahap ini akan
kelihatan apakah prior knowledge
memang
dibutuhkan dalam proses elearning sistem atau
tidak. Software yang digunakan untuk mengolah
67
Seminar Nasional Informatika 2014
data adalah software data mining SIPINA dengan
algoritma C 4.5 ( pohon keputusan).
Gambar 9. Hasil output algoritma c 4.5
Jika dilihat dari hasil output pohon keputusan
maka terlihat prior knowledge yang lihat
pengaruhnya dari variabel yang diolah adalah
efektif sebesar 67% .
4.
Gambar 7. Data input
Setelah data di input, maka dibuat dan di
pilih untuk sampel, atribut dan class dari variabel
yang diinput. Dalam seluruh variabel maka untuk
class diagram adalah prior knowledge. Sampel
diagram adalah nama responden dan Atribut
diagram adalah Jenis Kelamin, Kelas, Semester,
Umur, Pemahaman tentang e-learning, Kehadiran
Kuliah, Tes secara E-learning, Diskusi, Motivasi,
Penggunaan Konten, Tingkat Keaktifan di
Edmodo, Memperoleh Materi, Pengetahuan
tentang PK, Nilai Tugas, Nilai UTS.
Kesimpulan
Berdasarkan penelitian yang telah
dilakukan maka dapat ditarik kesimpulan yaitu:
1. Terdapat pengaruh penggunaan Learning
Object Recommender terhadap learning
outcome memahasiswa.
2. Terdapat
pengaruh perekomendasian
learning object yang sesuai dengan tingkat
kedalaman atau kesulitan soal dibandingkan
dengan learning object yang sifatnya umum
walaupun tetap ada kaitannya dengan topik
soal.
3. Tanpa adanya Prior Knowledge tingkat
pemahaman mahasiswa tentang Elearning
sangat kecil sehingga output ataupun luaran
yang dihasilkan sangat kecil dan tidak
seperti yang diharapkan
DAFTAR PUSTAKA
Gambar 8. Pembagian class, atribut, dan
sampel dari variabel
68
Nizar, Buku Pedoman Singkat, UAI E-learning
System, Pusat Komputer dan Sistem
Informasi, UAI, 2009
Permana, Wim, Implementasi E-learning di
FMIPA UGM sebagai Motivator Student
Centered Learning, 2004
Purbo,
Onno
W.
,
“E-learning
dan
Pendidikan”,2003
Som Naidu, E-Learning Guidebook of Principles,
Procedure and Practice, New Delhi,
CEMCA, 2006
Tsang,HK. Object - Oriented Technology From
Diagram to Code with Visual Paradigm for
UML,Tata McGraw-Hill,2005
ANALISIS E-LEARNING CENTER OBJECT RECOMMENDER
UNTUK PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE
T.Henny 1, Hanifah Amrul2, Darmeli Nasution3
Sistem Komputer, Teknik, Universitas Pembangunan Pancabudi
Jl. Jendral Gatot Subroto Km 4.5 Medan
1
hennyharumy@hotmail.com, 2hani_amrul@yahoo.co.id, 3darmelinasution@gmail.com
Abstrak
Pendidikan memiliki tujuan yang ingin dicapai, berdasarkan hal ini semua kegiatan dirancang untuk
memfasilitasi mahasiswa dalam memperoleh pengetahuan dan keahlian. Penulis mengusulkan Learning
Object Recommender Systems yang akan memberikan rekomendasi bahan ajar berdasarkan informasi
mengenai prior knowledge mahasiswa. Prior knowledge yang dimiliki mahasiswa dapat diidentifikasi
melalui Pre-Test assessment diawal perkuliahan. Kemajuan belajar yang dicapai mahasiswa juga dapat
diketahui melalui Mid-Test assessment. Adapun assessment atas keseluruhan topik dalam matakuliah dapat
dilakukan melalui Post-Test assessment. Penelitian ini sejalan dengan sistem e-Learning yang telah
diimplementasikan di UNPAB yaitu Student Centered ELearning Environment (SCELE) yang dikembangkan
dengan menggunakan Learning Management System (LMS) berbasis open source, yaitu Moodle dan di
selaraskan dengan aplikasi edmodo. Dalam proses analisis menggunakan software sipina. Pembelajaran
seringkali diasumsikan bahwa mahasiswa memiliki prior knowledge yang sama. Padahal realitasnya tidaklah
selalu demikian. Disinilah pentingnya fasilitas Learning Object Recommender (LOR) untuk meningkatkan
kualitas. Metodologi penelitian yang digunakan melalui observasi langsung dan penyebaran kuisioner.
Terdapat pengaruh penggunaan Learning Object Recommender terhadap learning outcome memahasiswa
sebesar 67%. Prior Knowlede merupakan metode yang dilakukan sebagai metode keberhasilan program
pembelajaran berbasis E-learning. Tanpa Prior Knowledge tingkat pemahaman mahasiswa tentang E-learning
sangat kecil sehingga output ataupun luaran yang dihasilkan sangat kecil dan tidak seperti yang diharapkan.
Kata Kunci : E-Learning, Prior Knowledge, Learning object Recommender
1.
PENDAHULUAN
1.1 Latar Belakang
E-learning saat ini Sangat berpengaruh
terhadap peningkatan dunia pendidikan juga
berpotensi menambah soft skill mahasiswa,
diantaranya meningkatkan ketrampilan mencari
informasi dan menjadi self regulated learner.
Namun, menyelenggarakan e-learning yang
berkualitas tidaklah mudah. Dalam pembelajaran
tatap muka di kelas, pengajar dengan mudah
mengamati respon dan tingkat pencapaian
mahasiswa terhadap materi yang sedang dibahas.
Jika mahasiswa tampak sulit menangkap topik
yang dibahas, pengajar dapat mengulang kembali
pengetahuan prasyarat yang harus dimiliki
mahasiswa agar dapat menguasai topic tersebut.
Teori pembelajaran dari Gagne yang dikenal
dengan Nine Events of Instruction, menyebutkan
bahwa sebelum menyampaikan materi ajar,
haruslah ada stimulasi untuk memanggil prior
knowledge. Prior Knowledge adalah suatu
pemahaman sebelumnya yang didapatkan
sebelum mahasiswa tersebut mebgikuti mata
kuliah yanng diberikan. Oleh karena itu, elearning yang berkualitas haruslah menyediakan
materi ajar yang berbasis personalisasi dan when-
64
needed content
(Karamanis, 2004) Dengan
adanya personalisasi, pastinya mahasiswa yang
memiliki tingkat prior knowledge yang berbeda
diharapkan dapat mengikuti materi ajar dengan
baik dan mencapai tujuan pembelajaran.
Penguasaan terhadap sebuah topik bahasan sangat
diperlukan untuk membantu penguasaan atas
topik bahasan selanjutnya, khususnya yang
memerlukan prasyarat topik bahasan sebelumnya.
Penelitian ini mengembangkan fitur Learning
Object Recommender (LOR) dalam learning
management system (LMS) dengan paradigma
student-centered, yaitu Student Centered eLearning Environment. LOR dikembangkan
untuk memberikan rekomendasi bahan ajar apa
saja yang relevan untuk diakses mahasiswa
melalui LMS sesuai dengan kondisi prior
knowledge masing-masing. Informasi mengenai
prior knowledge diperoleh melalui assessment.
Universitas Pembangunan Panca Budi
telah menjalankan sistem pembelajaran dengan elearning dari tahun 2010, namun sampai saat ini
belum semua mata kuliah dan semua mahasiswa
mampu menjalankan sistem ini. Sebenarnya apa
yang salah dengan sistem E- learning yang di
telah diterapkan di Universitas Pembangunan
Panca Budi selama ini ? Dengan adanya
Seminar Nasional Informatika 2014
penelitian ini diharapkan dapat memberikan
masukan bagi pihak yang berkepentingan dalam
penyelengaraan e-learning agar sistem ini dapat
berjalan seperti yang diharapkan.
1.2 Perumusan Masalah
a. Apakah terdapat pengaruh Learning
Object Recommender terhadap learning
outcome memahasiswa ?
b. Bagaimana penggunaan E- Learning
Object
Recommender
berpengaruh
terhadap
Elearning
outcome
memahasiswa ?
Kelas A
Kuisioner
Kuisioner
Pemberian pemahaman E- Learning
Tanpa Pemberian Pemahaman E- Learning
Sistem
E – Learning
Sistem
E – Learning
Materi
Kuliah
Tugas
online
1.3 Ruang Lingkup Penelitian
Penelitian ini berfokus pada kegiatan elearning mata kuliah disemester 2, dan bukan
pada tingkat pendidikan di bawahnya. Sistem
yang dikembangkan bersifat general, dan tidak
terbatas untuk kegiatan e-learning pada mata
kuliah tertentu atau bidang studi tertentu.
Quis Online
UTS online
UAS Online
Evaluasi
Output
2.
Kelas B
Output
LANDASAN TEORI
Gambar 1. Alur Penelitian
Komputer adalah sistem elektronik untuk
memanipulasi data dengan cepat dan tepat serta
dirancang dan diorganisasikan agar secara
otomatis menerima dan menyimpan data input,
memrosesnya, dan menghasilkan output di bawah
pengawasan suatu langkah-langkah instruksi
program (Sistem Operasi) yang tersimpan di
didalam penyimpannya (Donald H. Sanderes,
1985). Oleh sebab itu komputer merupakan alat
atau media pembelajaran yang terstruktur dan
terintegrasi untuk menghasilkan output yang
diinginkan
Matthew Comerchero dalam E-Learning
Concepts and Techniques (Bloomsburg, 2006)
mendefinisikan
E-learning
adalah
sarana
pendidikan yang mencakup motivasi diri sendiri,
komunikasi, efisiensi, dan teknologi. Karena ada
keterbatasan dalam interaksi sosial, siswa harus
menjaga diri mereka tetap termotivasi. Oleh sebab
itu E learning sebagai media dan dan pemahaman
prior knowledge output yang ingin dicapai
merupakan indikator untuk
meningkatkan
pemahaman dari mahasiswa tersebut terhadap
mata kuliah yang diikuti.
3.
Metode Penelitian
Metode pemecahan masalah dalam
penelitian ini lakukan dalam 3 Tahap, yaitu
perancangan sistem, uji coba, evaluasi, Hasil
akhir yang diharapkan dari penelitian ini berupa
sistem perekomendasian Learning Object yang
adaptif terhadap prior knowledge dan gaya
belajar mahasiswa yang mampu meningkatkan
efektifitas aktivitas belajar.
Parameter yang diamati
1. Motivasi
2. Konten yang digunakan
3. Tingkat keaktifan mahasiswa
4. Materi Pemelajaran
5. Hasil Tes (Nilai)
6. Lingkugan
7. Prior knowledge
Metode
penelitian
menggunakan
Algoritma C4.5 merupakan algoritma yang
digunakan untuk membentuk pohon keputusan.
Banyak algotima yang dapat dipakai dalam
pembentukan pohon keputusan antara lain ID3,
CART dan C4.5 (Larose, 2005). Algoritma C4.5
merupakan pengembangan dari algoritma ID3
(Larose, 2005). Data dalam pohon keputusan
biasanya dinyatakan dalam bentuk tabel dengan
atribut dan record. Atribut menyatakan suatu
parameter yang dibuat sebagai kriteria dalam
pembentukan pohon.
Proses pada pohon
keputusan adalah: mengubah bentuk data (tabel)
menjadi model pohon, mengubah model pohon
menjadi rule dan menyederhanakan rule (Basuki
& Syarif, 2003). Dalam penelitian ini criteria
yang digunakan adalah sebagai berikut : Salah
satu atribut merupakan atribut yang menyatakan
data solusi per-item data yang disebut dengan
target atribut. Atribut memiliki nilai-nilai yang
dinamakan dengan instance. Secara umum
algoritma C4.5 untuk membangun pohon
keputusan adalah sebagai berikut:
a. Pilih atribut sebagai akar
b. Buat cabang untuk masing-masing nilai
c. Bagi kasus dalam cabang
65
Seminar Nasional Informatika 2014
d. Ulangi proses untuk masing-masing cabang
sampai semua kasus pada cabang memiliki kelas
yang sama.
Untuk memilih atribut sebagai akar,
didasarkan pada nilaigain tertinggi dari atributatribut yang ada. Untukmenghitung gain
digunakan rumus seperti tertera dalam
Rumus 1 (Craw, S., ---).
Dengan :
S
: Himpunan kasus
A
: Atribut
n
: Jumlah partisi atribut A
|Si|
: Jumlah kasus pada partisi ke i
|S|
: Jumlah kasus dalam S
Sedangkan perhitungan nilai entropy dapat dilihat
pada
rumus 2 berikut(Craw, S., ---):
tidak menggunakan prior knowledge. Sistem uji
coba ini meliputi pemberian materi kuliah secara
online yaitu untuk mata kuliah struktur data
mencakup materi (Array, Stack, Sorting,
Searching dan lain sebagainya). Mahasiswa
untuk kedua kelas diberikan tugas untuk
meringkas dan memahami materi yang diberikan
tanpa harus tatap muka dengan dosen pengajar di
dalam kelas. Mahasiswa bisa melakukan hal
tersebut dimana saja baik dirumah maupun di
Kampus namun dengan waktu yang telah
ditentukan. Setelah dianalisa Mahasiswa Kelas 2
pagi A mempunyai tingkat kemauan yang lebih
tinggi dalam meringkas materi dengan rata – rata
7 kali pertemuan
dengan :
S
: Himpunan Kasus
A
: Fitur
n
: Jumlah partisi S
pi
: Proporsi dari Si terhadap S
a.
Analisa Penelitian Tahap I (Perancangan
sistem).
Materi yang akan digunakan pada penelitian
tahap I ini adalah menyiapkan responden
sebanyak 43 orang mahasiswa sebagai sampel
yang berasal dari 2 kelas yang berbeda.
Selanjutnya dilakukan penyebaran Quisioner
sesuai dengan variabel yang diamati. Tahapan ini
dilakukan pada awal perkuliahan dalam waktu 1
minggu. Selanjutnya Kelas tersebut akan
dibedakan menjadi dua, yaitu kelas yang
menjalankan perkuliahan dengan sistem elearning tanpa melalui penjelasan dan kelas yang
menjalankan e-learning dengan diberikan
penjelasan terlebih dahulu. Selanjutnya kelas
yang ditunjuk untuk menjalankan proes e-learning
dengan proses pemahaman akan diberikan
pelatihan tentang e-learning sistem lebih
mendalam. Setelah di lakukan wawancara dan
penyebaran angket dengan kelas masing – masing
akhirnya ditentukan untuk Kelas 2 Pagi A untuk
menjadi objek penelitian dengan prior knowledge
dan Kelas 2 Siang F untuk menjadi objek
penelitian tidak menggunakan prior knowledge.
b.
Analisa Penelitian Tahap II (Uji coba)
Setelah dilakukan pembagaian kelas,
penelitian tahap II dilakukan uji coba pada kedua
kelompok kelas yang berbeda yaitu Kelas 2 Pagi
A dengan prior knowledge dan Kelas 2 Siang F
66
Gambar 2. Materi Struktur data secara online
Namun untuk kelas 2 Siang F
mempunyai tingkat kemauan yang lebih rendah
walaupun ada sebagian mahasiswa yang
mempunyai persentase yang sama yaitu 7 kali
pertemuan namun ada sekitar 7 mahasiwa yang
memiliki tingkat kehadiran 0 s/d 3 kali pertemuan
dari 7 yang telah ditentukan Mahasiswa pada
tahap ini juga diberikan tugas untuk mengerjakan
quiz secara online, mengupload tugas secara
online dan absen secara online serta mid semester
secara online.
Seminar Nasional Informatika 2014
Gambar 5. Progres nilai kelas siang 2 F tanpa
prior knowledge
Gambar 3. Mid semester secara online
Gambar 4. Tugas secara online
Pada tahap ini akan dibandingkan kemampuan
mahasiswa yang telah diberi pemahaman dan
kelas yang tidak diberi pemahaman. Setelah
perkuliahan berakhir kemudian mahasiswa
diberikan kuisioner untuk melihat tingkat
pemahaman mahasiswa dalam menggunakan
aplikasi e – learning secara berkesinambungan.
Nilai tersebut dapat dilihat dibawah ini :
Gambar 6. Progres nilai kelas 2 pagi A
menggunakan prior knowledge
Dapat terlihat setelah di lakukan uji coba
meliputi tugas, quis dan mid . Progres kelas
dengan prior knowledge jauh lebih banyak
daripada progress kelas tanpa prio knowledge.
c.
Penelitian Tahap III (pengolahan data dan
evaluasi ).
Setelah dilakukan tahap II dan seluruh data
telah terkumpul. Selanjutnya
dilakukan
pengolahan data dan evaluasi terhadap uji coba
yang dilakukan dengan membandingkan variablevariabel yang diamati. Pada tahap ini akan
kelihatan apakah prior knowledge
memang
dibutuhkan dalam proses elearning sistem atau
tidak. Software yang digunakan untuk mengolah
67
Seminar Nasional Informatika 2014
data adalah software data mining SIPINA dengan
algoritma C 4.5 ( pohon keputusan).
Gambar 9. Hasil output algoritma c 4.5
Jika dilihat dari hasil output pohon keputusan
maka terlihat prior knowledge yang lihat
pengaruhnya dari variabel yang diolah adalah
efektif sebesar 67% .
4.
Gambar 7. Data input
Setelah data di input, maka dibuat dan di
pilih untuk sampel, atribut dan class dari variabel
yang diinput. Dalam seluruh variabel maka untuk
class diagram adalah prior knowledge. Sampel
diagram adalah nama responden dan Atribut
diagram adalah Jenis Kelamin, Kelas, Semester,
Umur, Pemahaman tentang e-learning, Kehadiran
Kuliah, Tes secara E-learning, Diskusi, Motivasi,
Penggunaan Konten, Tingkat Keaktifan di
Edmodo, Memperoleh Materi, Pengetahuan
tentang PK, Nilai Tugas, Nilai UTS.
Kesimpulan
Berdasarkan penelitian yang telah
dilakukan maka dapat ditarik kesimpulan yaitu:
1. Terdapat pengaruh penggunaan Learning
Object Recommender terhadap learning
outcome memahasiswa.
2. Terdapat
pengaruh perekomendasian
learning object yang sesuai dengan tingkat
kedalaman atau kesulitan soal dibandingkan
dengan learning object yang sifatnya umum
walaupun tetap ada kaitannya dengan topik
soal.
3. Tanpa adanya Prior Knowledge tingkat
pemahaman mahasiswa tentang Elearning
sangat kecil sehingga output ataupun luaran
yang dihasilkan sangat kecil dan tidak
seperti yang diharapkan
DAFTAR PUSTAKA
Gambar 8. Pembagian class, atribut, dan
sampel dari variabel
68
Nizar, Buku Pedoman Singkat, UAI E-learning
System, Pusat Komputer dan Sistem
Informasi, UAI, 2009
Permana, Wim, Implementasi E-learning di
FMIPA UGM sebagai Motivator Student
Centered Learning, 2004
Purbo,
Onno
W.
,
“E-learning
dan
Pendidikan”,2003
Som Naidu, E-Learning Guidebook of Principles,
Procedure and Practice, New Delhi,
CEMCA, 2006
Tsang,HK. Object - Oriented Technology From
Diagram to Code with Visual Paradigm for
UML,Tata McGraw-Hill,2005