INTELLIGENT RECOMMENDER PADA SISTEM E

INTELLIGENT RECOMMENDER PADA SISTEM E-LEARNING MENGGUNAKAN
SEMANTIC WEB
Iman Paryudi1, Naniek Andiani2
1,2
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Pancasila
1
[email protected], [email protected]
Abstrak
E-learning sudah menjadi kebutuhan utama di dunia pendidikan saat ini. Hal ini ditunjukkan dengan
makin banyaknya institusi pendidikan yang menggunakannya. Namun sistem e-learning yang banyak
dipakai saat ini merupakan sistem yang pasif. Pasif dalam hal ini berarti sistem tidak dapat mengetahui
kebutuhan masing-masing pengguna atau dengan kata lain sitem tidak dapat melakukan personalisasi.
Supaya sistem e-learning bisa lebih bermanfaat bagi pengguna, sistem seharusnya bisa melakukan
personalisasi terhadap masing-masing penggunanya. Salah satu bentuk personalisasi dalam sistem elearning cerdas adalah kemampuan untuk merekomendasikan artikel yang sesuai dengan kebutuhan tiaptiap pengguna. Fitur semacam ini disebut dengan recommender. Selama ini recommender pada sistem elearning masih menggunakan teknik pengambilan berdasar isi (content-based approach). Teknik ini akan
menghasilkan banyak artikel yang tidak relevan dengan yang dibutuhkan oleh pengguna. Oleh karena
itu dibutuhkan sebuah teknik baru untuk mengambil artikel dari internet. Berdasarkan masalah diatas
maka penulis mengusulkan untuk membuat intelligent recommender menggunakan semantic web supaya
bisa menyeleksi artikel yang akan direkomendasikan dengan lebih baik.
Kata kunci: e-learning cerdas, recommender, personalisasi.
sebuah pemikiran dan bukan hasil penelitian.
Bagian selanjutnya dari artikel ini disusun sebagai
1. Pendahuluan
Perkembangan teknologi internet mulai
berikut: bagian 2 mengulas tentang intelligent ememasuki dunia pendidikan. Dari yang semula
learning, bagian 3 membahas penelitian-penelitian
hanya untuk membuat web site perguruan tinggi,
yang sudah dilakukan mengenai recommender,
internet sekarang sudah digunakan sebagai alat bantu
bagian 4 menjelaskan mengenai semantic web,
belajar mahasiswa. Hal ini diwujudkan dalam
bagian 5 menjelaskan tentang sistem yang diusulkan,
bentuk sistem belajar jarak jauh (distance learning).
dan bagian 6 merupakan rangkuman.
Karena bahan belajarnya dalam bentuk digital, maka
sistem ini disebut juga dengan electronic learning
2. IntelligentE-learning
atau e-learning.
Pada
sistem e-learning,
bahan kuliah
Eyitayu (2005 dalam [3]) menyatakan bahwa editempatkan disebuah halaman web dan bisa dibaca
learning adalah campuran antara pengetahuan dan
serta diunduh oleh mahasiswa dari manapun dan
teknologi bagi perkembangan belajar mengajar.
kapanpun lewat internet. Oleh karena itu, e-learning
Sistem e-learning saat ini tidak hanya
sangat memberi kemudahan bagi mahasiswa karena
mengutamakan kualitas isi materi saja tapi sudah
mahasiswa dapat belajar dimanapun, kapanpun, dan
berevolusi dengan memadukan metoda-metoda dan
dengan kecepatan yang mereka inginkan.
teknik-teknik dari domain dan wilayah aplikasi lain
seperti data mining, Web content, structure and
Sudah sangat banyak institusi pendidikan yang
usage mining, user modeling and profiling, artificial
mengaplikasikan sistem e-learning di lingkungan
intelligence, agent technologies, dan knowledge
mereka.
Akan tetapi sistem yang dibangun
discovery. Saat ini bahkan teknik-teknik yang
merupakan sistem yang pasif. Sistem pasif disini
dulunya hanya digunakan untuk domain eberarti bahwa sistem tidak bisa secara proaktif
commerce, yang digunakan untuk membantu
membantu mahasiswa dalam belajar melalui sistem
aktivitas seperti personalized marketing, crossini.
Karena belajar melalui e-learning tidak
selling, up-selling (menggunakan clustering,
mendapatkan bantuan secara langsung dari
similarity indexing, association rules mining,
dosen/guru, maka dibutuhkan sebuah sistem yang
collaborative atau content based filtering), telah
cerdas yang bisa secara aktif membantu mahasiswa
ditransfer dan diaplikasikan ke domain e-learning.
dalam belajar. Karena kecerdasan dari sistem
Penggunaan teknik-teknik ini bertujuan untuk bisa
tersebut, maka sistem e-learning semcam ini disebut
mengatur dan mengirimkan materi-materi kuliah
dengan intelligent e-learning atau Intelligent
yang paling cocok dengan kebutuhan, keinginan, dan
Tutoring System (ITS). Artikel ini merupakan
tujuan
masing-masing
individu
yang
76
mengimplementasikan strategi belajar yang telah
ditentukan oleh pengajar khusus untuk mahasiswa
atau kelompok mahasiswa tertentu. Sejauh ini,
peneliti telah membangun sistem yang dapat
beradaptasi dengan cara mengobservasi, merekam,
dan menganalisa aktivitas pengguna (adaptive
systems) atau sistem yang dapat diatur oleh
pengguna (customizable systems) [6].
Kecerdasan yang dipunyai oleh sebuah sistem
e-learning cerdas bisa berupa kemampuan
melakukan
personalisasi
khususnya
merekomendasikan materi tertentu untuk pengguna
tertentu.
Personalisasi adalah kemampuan dari sistem elearning yang bisa mengetahui kebutuhan dari
seorang mahasiswa berdasar profil mahasiswa
tersebut yang dikumpulkan dari aktivitasaktivitasnya dalam mengakses sistem dan disimpan
di web log. Dengan pengetahuan ini, maka sistem
akan dapat memberikan rekomendasi mengenai cara
belajar, materi yang harus dibaca, pemilihan materi,
dsb.
Pada awalnya teknik yang dipakai untuk
mengumpulkan data pengguna adalah menggunakan
cookies dan data lain yang menyatakan minat
pengguna berdasarkan data yang disimpan dalam
komputer klien.
Teknik yang lebih baru
mengharuskan pengguna untuk secara eksplisit
menyediakan informasi yang berhubungan dengan
minat mereka melalui serangkaian dialog antar
muka. Cara yang digunakan bisa menggunakan
check box dimana pengguna tinggal mencontreng
item dari daftar item yang ada, sehingga informasi
yang benar bisa dijaga dan disajikan ke pengguna
[2].
Esensi dari personalisasi dalam e-learning telah
dirumuskan oleh The Personalization Consortium
sebagai berikut [2]:
i.
mendorong pengguna untuk belajar dengan
mengantisipasi kebutuhan.
ii.
membuat interaksi yang efisien dan
menguntungkan kedua pihak, baik organisasi
maupun pengguna.
iii.
membangun hubungan yang mendorong
pengguna untuk belajar secara konsisten dan
progresif.
Teknologi yang mendukung kebutuhan
personalisasi dapat dibagi menjadi layanan statis dan
dinamis. Secara umum, layanan seperti itu bertujuan
untuk mengirimkan material yang sesuai dengan
ketertarikan, latar belakang, dan kebutuhan
pengguna.
Layanan
personalisasi
statis
menyediakan fitur-fitur yang bisa diatur, yang
memerlukan peran serta dari pengguna. Sedang
layanan personalisasi dinamis menyediakan layanan
otomatis, yang mencoba untuk melayani pengguna
berdasarkan model pengguna [2].
Untuk merekomendasikan suatu materi atau
artikel ke seorang pengguna dibutuhkan pengetahuan
mengenai profil dari pengguna tersebut. Berbekal
profil tersebut maka sistem akan mencari materi atau
artikel yang sesuai dengan kebutuhan pengguna
tersebut. Materi yang dicari bisa materi yang sudah
disimpan di sistem tapi bisa juga materi yang harus
dicari secara langsung di Web. Dalam hal ini sistem
harus cukup cerdas untuk mencari, mengumpulkan,
dan mengurutkan materi yang dicari secara langsung
dari Web [2].
Tang and McCalla [10] membagi sistem elearning menjadi dua: traditional web-based adaptive
learning system, dan evolving learning system
(gambar 1).
Gambar 1. Dua macam sistem e-learning [10].
Pada sistem traditional adaptive e-learning,
pengiriman material didasarkan pada model
pengguna. Namun material yang harus dicari sudah
diupload terlebih dahulu oleh instruktur/dosen.
Sedang pada sistem evolving e-learning, material
dicari secara otomatis maupun manual dari Web,
tapi secara otomatis digabungkan kedalam sistem
berdasarkan interaksi pengguna dengan sistem. Oleh
karena itu, meskipun pengguna tidak mempunyai
interaksi langsung dengan Web, sistem akan tetap
merekomendasikan material baru atau berbeda.
Untuk ini, sistem evolving e-learning menggunakan
sebuah crawler yang senantiasa mencari artikelartikel baru di perpustakaan digital maupun ejournal.
3.
Penelitian Terdahulu
Seperti yang biasa digunakan pada mesin
pencari, sebuah recommender pada sistem distance
learning menggunakan kata kunci sederhana untuk
mengambil informasi dari Web site. Namun, metoda
seperti ini diketahui mempunyai kekurangan yaitu
terlalu banyak memberikan hasil yang tidak relevan
dengan kebutuhan pengguna (Chakrabarti, 2000
77
dalam [4]). Untuk mengatasi hal diatas, kita bisa
menggunakan teknik Web-mining untuk mengambil
materi e-learning yang relevan (Kosala et al, 2000
dalam [4]). Teknik Web-mining biasanya meliputi
Web content mining, Web structure mining, and Web
usage mining. Li dan Lau menggunakan Web
content dan Web structure untuk mengklasifikasikan
halaman Web seperti yang disarankan oleh
Chakabarti, et al (2000 dalam [4]).
Jameson, Konstan, dan Riedl (2002 dalam [10])
mengatakan bahwa ada dua cara dasar untuk
melakukan rekomendasi: content-based dan
collaborative
filtering.
Teknik
pertama
merekomendasikan artikel murni berdasarkan isi dari
artikel-artikel yang sudah pernah dibaca oleh
pengguna.
Selain itu, teknik ini hanya
mempertimbangkan keinginan dari satu orang
pengguna. Sedang teknik kedua merekomendasikan
artikel dengan mengamati apa yang menjadi
kecenderungan dari sebuah kelompok. Teknik ini
bekerja dengan mencocokkan keinginan seorang
pengguna dengan tetangganya yang mempunyai
profil
mirip
dengan
pengguna
tersebut.
Dibandingkan dengan teknik content-based,
collaborative filtering lebih populer dan lebih
berhasil baik dalam penelitian maupun aplikasi.
yang diatur dan dihubungkan dengan cara tertentu
sehingga data itu dapat digunakan oleh komputer
tidak hanya untuk ditampilkan, tapi juga untuk
otomatisasi, integrasi dan penggunaan kembali data
pada berbagai macam aplikasi [5].
Tang and McCalla [10] mengusulkan sebuah
sistem e-learning yang berevolusi (evolving webbased learning system) yang dapat beradaptasi
dengan kebutuhan pengguna maupun isi dari Web.
Mereka menggunakan sebuah teknik yang
menggabungkan antara teknik content-based dengan
collaborative filtering. Teknik ini disebut dengan
teknik hybrid (Hybrid approach).
Dengan
menggunakan teknik hybrid, mereka dapat
menggunakan data individu maupun data kolektif
dalam menentukan artikel yang hendak di
rekomendasikan.
Yang pertama menggunakan
teknik ini adalah Balabanovic’ dan Shoham, 1997
[10].
Semantic Web terdiri dari tiga lapis. XML
berada pada lapisan paling bawah. Lapisan diatas
XML adalah RDF yang menyediakan kerangka
penyajian informasi dan yang paling atas adalah
Schema dan Ontologi.
Li and Lau [4] mengusulkan sebuah metoda
untuk mengirimkan artikel berdasarkan permintaan.
Mereka menggunakan teknik Web mining untuk
mencari artikel yang relevan. Dalam hal in mereka
menggunakan Web content dan Web structure untuk
mengklasifikasi halaman Web.
Wang [11] menggunakan data browsing dari
mahasiswa dimasa lampau untuk diaplikasikan pada
mahasiswa masa depan. Dia kemudian membuat
sebuah metoda baru untuk membuat model browsing
yang cocok bagi mahasiswa. Dia menggunakan
teknik association mining dan statistik.
4. Semantic web
Semantic Web adalah nama dari proyek jangka
panjang yang dimulai oleh W3C dengan tujuan
merelisasikan ide untuk mempunyai data pada web
78
Sedang Swartz [9] menyatakan bahwa Semantic
Web adalah kumpulan informasi yang dihubungkan
sedemikian rupa sehingga dapat diproses oleh mesin
dalam skala global, yang dapat disamakan dengan
basis data yang dihubungkan secara global.
Perbedaan Semantic Web dengan sebelumnya
adalah [5]:
1.
Semantic Web dirancang tuntuk mampu
membuat reasoning dan mengambil kseimpulan.
Contoh paling mudah adalah tidak hanya
menyatakan bahwa “sekrup kepala segi enam
adalah salah satu macam sekrup” tapi juga
mengambil kesimpulan tentang hubungan yang
ada.
2.
Semantic Web adalah teknologi web yang
berada diatas web yang ada saat ini, dengan
menambah informasi yang dapat dibaca oleh
komputer tanpa megubah web yang sudah ada.
XML memungkinkan pembuatan tag untuk
memberi keterangan atau teks pada halaman web.
Arti diekspresikan oleh RDF, dengan menggunakan
subyek, predikat dan obyek dari suatu kalimat.
Lapisan ketiga, merupakan kumpulan informasi
yang disebut dengan ontologi. Ontologi adalah
sebuah dokumen atau file yang mendefinisikan arti
dan hubungan antar terms (terms bisa berupa URI
atau teks). Ontologi di web biasanya mempunyai
taksonomi dan inference rule.
XML adalah kependekan dari eXtensible Markup
Language. Istilah markup mangacu pada segala
sesuatu dalam dokumen yang dimaksudkan bukan
sebagai bagian dari dokumen yang dicetak. Sedang
markup language adalah deskripsi tentang bagian
mana dari dokumen yang merupakan isi, bagian
mana yang merupakan markup, dan apa arti dari
markup [7]. Istilah extensible sendiri berasal dari
kenyataan bahwa dalam XML dapat dibuat nama tag
sesuai keinginan, karena nama tag tidak ditentukan,
tidak seperti dalam HTML.
RDF adalah kependekan dari Resource
Description Framework. Hal ini merupakan standar
W3C untuk menyatakan semantic dan reasoning
tentang suatu informasi di web. RDF sebenarnya
adalah model untuk menyatakan grafik semu yang
diberi arah dan diberi label, yang berarti:
1.
diberi arah: semua busur mempunyai arah,
2.
diberi label: setiap busur mempunyai label
(nama),
3.
grafik semu: bisa terdapat lebih dari satu
busur antara dua titik yang sama.
RDF memberi jalan untuk membuat pernyataan
yang dapat diproses oleh mesin [1].
Schema adalah sebuah dokumen atau kumpulan
kode yang mengontrol kumpulan terms yang ada di
dokumen lain.
Seperti XML Schema yang
menyediakan fasilitas definisi perbendaharaan kata
untuk XML, RDF Schema menyediakan fasilitas
yang serupa bagi RDF.
RDF Schema
memungkinkan definisi kata-kata tertentu yang harus
digunakan oleh atribut RDF (misal authorOf). RDF
Schema juga memungikinkan penentuan macam
obyek dimana suatu atribut dapat diterapkan pada
obyek tersebut. Dengan kata lain, mekanisme RDF
Schema menyediakan sistem tipe dasar untuk
digunakan dalam model RDF. Sistem tipe itu
sendiri menggunakan istilah yang sudah baku.
Istilah-istilah itu misalnya adalah Class dan
subClassOf yang digunakan pada penentuan skema
untuk aplikasi tertentu.
5. Sistem Usulan
Arsitektur yang diusulkan penulis dalam membuat
recommender ditunjukkan pada gambar 2.
Gambar 2. Arsitektur dari sistem yang diusulkan.
Dimodifikasi dari [10].
Sistem akan bekerja sebagai berikut: sistem akan
mengumpulkan informasi dari pengguna baik dari
data yang dimasukkan oleh pengguna maupun dari
web log terkait kegiatan pengguna saat
menggunakan sistem. Informasi ini akan digunakan
untuk membuat model pengguna. Model pengguna
akan menjadi dasar saat pencarian artikel di halaman
Web. Pencarian dilakukan menggunakan mesin
pencari yang berdasarkan pada semantic web.
Setelah menemukan artikel yang dikehendaki, maka
artikel akan disimpan dalam penyimpanan artikel
dan untuk selanjutnya akan di kirimkan ke pengguna
yang sesuai dengan model pengguna.
Ada beberapa software yang bisa digunakan
untuk membuat sistem berbasis semantic web
diantaranya adalah Altova dan Protégé.
[8]
menggunakan Altova Semantic Work untuk
membuat sistem e-learning berbasis semantic web.
Perbedaan dengan sistem yang penulis usulkan
adalah sistem e-learning yang mereka buat adalah
sistem e-learning secara umum dan tidak spesifik
pada fitur tertentu.
Untuk melakukan pencarian atau query yang
berbasis semantic web tersedia bahasa query
SPARQL. SPARQL adalah bahasa query untuk
mengakses RDF yang dibuat oleh W3C RDF Data
Access Working Group. SPARQL bersifat data
oriented yang berarti dia hanya melakukan query
pada informasi yang terdapat pada model. SPARQL
tidak melakukan inferensi.
Keuntungan menggunakan semantic web dari
pada teknik content based yang sekarang dipakai
pada kebanyakan mesin pencari adalah bahwa pada
teknik tersebut tidak mengetahui hubungan antara
kata kunci yang dimasukkan. Cotohnya adalah
sebagai berikut. Misal anda memasukkan kata kunci
pada mesin pencari “Basisdata Iman Paryudi”.
Kecuali anda memaksa mesin pencari untuk
memperlakukan kata kunci tersebut sebagai satu
kalimat, maka mesin pencari akan mengeluarkan
hasil yang berhubungan dengan Basisdata, Iman,
Paryudi dan gabungannya.
Maka hasil yang
dikeluarkan akan sangat banyak. Tapi apabila kita
menggunakan semantic web dan kita sudah
membuat aturan bahwa Basisdata dikarang oleh
Iman Paryudi, maka yang dicari oleh mesin pencari
hanya buku Basisdata yang ditulis oleh Iman
Paryudi.
Buku basisdata yang lain tidak
dikeluarkan. Keuntungannya adalah hasil pencarian
akan lebih sedikit dan lebih mendekati yang
dikehendaki.
Kekurangan dari sistem yang diusulkan adalah
bahwa belum semua halaman web yang ada
sekarang merupakan semantic web. Oleh karena itu
dalam aplikasinya nanti, pencarian artikel tidak
langsung dari web melainkan artikel di download
secara manual terlebih dulu dan disimpan dalam
sebuah tempat penyimpanan. Artikel kemudian
diberi informasi seperti RDF dan Ontologi supaya
dimungkinkan pencarian berbasis semantic web.
Dan pencarian artikel dilakukan di tempat
79
penyimpanan tersebut. Ini seperti sistem traditional
adaptive e-learning yang dinyatakan dalam [10].
6.
Rangkuman
E-learning sudah menjadi kebutuhan utama di
dunia pendidikan saat ini. Mengingat pentingya elearning dalam meningkatkan hasil proses belajar
mengajar, maka dibutuhkan sebuah sistem elearning yang pintar yang bisa mengetahui
kebutuhan tiap-tiap pengguna.
Sistem yang
demikian disebut sebagai sistem yang mampu
melakukan personalisasi.
Salah satu bentuk
personalisasi dalam sistem e-learning cerdas adalah
kemampuan untuk merekomendasikan artikel yang
sesuai dengan kebutuhan tiap-tiap pengguna. Fitur
semacam ini disebut dengan recommender. Selama
ini recommender pada sistem e-learning masih
menggunakan teknik pengambilan berdasar isi
(content-based approach).
Teknik ini akan
menghasilkan banyak artikel yang tidak relevan
dengan yang dibutuhkan oleh pengguna. Oleh
karena itu dibutuhkan sebuah teknik baru untuk
mengambil artikel dari internet.
Berdasarkan
masalah diatas maka penulis mengusulkan untuk
membuat intelligent recommender menggunakan
semantic web supaya bisa menyeleksi artikel yang
akan direkomendasikan dengan lebih baik.
7.Daftar Pustaka
[1] Decker, Stefan dkk, 2005, The Semantic
Web – on the Respective Roles of XML and
RDF,
http://www.ontoknowledge.org/down/IEEE
00.pdf.
[2] Fok, A.W.P. and Ip, H.H.S., 2006, An
Agent-Based Framework for Personalized
Learning in Continuing Professional
Development,
Journal
of
Distance
Education Technologies, 4(3), 48 – 61.
80
[3] Halawi, L.A., Pires, S. and McCarthy, R.V.,
2009, An Evaluation of E-learning on the
Basis of Bloom’s Taxonomy: An
Exploartory Study, Jurnal of Education for
Business, July/August, 374 – 380.
[4] Li, F. W. B. and Lau, R. W. H., 2006, OnDemand E-Learning Content Delivery Over
the Internet, Journal of Distance Education
Technologies, 4(1), 46 – 55.
[5] Nilsson, M., 2001, The Semantic Web: How
wil RDF Change Learning Technology
Standards,
http://www.cetis.ac.uk/content/2001092717
2953/viewArticle.
[6] Rigou, M., Sirmakessis, S. and Tsakalidis,
A., 2004, Integrating Personalization in Elearning Communities, Journal of Distance
Education Technologies, 2(3), 47 – 58.
[7] Silberschatz, Abraham, Henry F. Korth dan
S. Sudarshan, 2002, Database System
Concept, Fourth Edition, McGraw Hill.
[8] Suteja, B. R. dan Ashari, A., 2008,
Ontolgoy e-Learning Content berbasis
Semantic Web, Proceeding Seminar
Nasional Aplikasi Teknologi Informasi
2008, 13 – 20.
[9] Swartz, Aaron, 2004, A No-Nonsense Guide
to Semantic Web Specs for XML People
[Part
I],http://www.betaversion.org/~stefano/lino
type/news/57/.
[10] Tang, T.Y. and McCalla, G., 2005, Smart
Recommendation for an Evolving Elearning
System:
Architecture
and
Experiment, International Journal on Elearning, 4(1), 105 – 129.
[11] Wang,
F-H.,
2008,
Content
Recommendation Based on EducationContextualized Browsing Events for Webbased Personalized Learning, Educational
Technology Society, 11( 4), 94 – 112.