1 Pendahuluan 1.1 Latar Belakang Saat ini, cara siswa dalam belajar cenderung bergeser ke arah social learning. Dalam beberapa tahun terakhir, social learning banyak diterapkan di sekolahsekolah dalam bentuk pembelajaran kolaboratif. Teori konstruktivisme sosial yang didefinisikan oleh Vygotsky merupakan dasar dari perkembangan social learning. Menurut Vygotsky, belajar adalah sebuah proses kolaboratif dimana siswa mendapatkan pengetahuan dari interaksi sosial yang dialaminya [1]. Pada perkembangan selanjutnya, pembelajaran kolaboratif dikembangkan menjadi pembelajaran kolaboratif berbantuan komputer (CSCL, Computer- Supported Collaborative Learning). CSCL difokuskan pada bagaimana cara meningkatkan interaksi antar anggota kelompok, berbagi pengetahuan, dan menggabungkan pekerjaan mereka yang semua itu didukung dengan teknologi komputer. CSCL dalam konteks pembelajaran adaptif menghadapi tantangan untuk mengadaptasi pembelajaran bagi kelompok dan bagi anggota kelompok. Terdapat pandangan berbeda terhadap jenis pengelompokan yaitu pengelompokan homogen yang berdasarkan similarity/kesamaan karakteristik siswa yang tidak sering berubah dan pengelompokan heterogen yang didasarkan pada perbedaan kemampuan, gender, etnik, maupun faktor-faktor lain. Cara terbaik untuk menentukan pembentukan kelompok yang tepat tergantung tujuan dari hasil pengelompokan yang sesuai dengan kebutuhan pengajar [2]. Pada penelitian ini difokuskan untuk pembentukan kelompok homogen. Pengelompokan homogen mengizinkan siswa untuk meningkatkan kemampuan mereka dengan anggota kelompoknya yang memiliki kemampuan yang sama, dengan menawarkan metode dan materi yang diarahkan terhadap tingkat kemampuan mereka. Selain itu siswa dapat berkompetisi untuk menjadi yang terbaik dalam suatu kelompok mereka atau dipromosikan ke tingkat berikutnya dengan kompetisi yang ideal. Untuk pengajar sendiri lebih mudah untuk mengajarkan dan memberikan bahan sesuai dengan kemampuan masing-masing kelompok [2]. 1
Untuk seorang pengajar, dalam membentuk kelompok secara manual akan sulit dan membutuhkan waktu yang lama sehingga kurang efektif. Untuk itu computer-supported group formation (CSGF) dibutuhkan agar proses pembentukan grup dapat diotomatisasi [3], [4]. Berbagai riset telah dilakukan dan berbagai alat telah digunakan untuk mengalokasikan siswa ke dalam suatu kelompok tertentu [5] [15], tetapi selalu menghasilkan beberapa siswa yang tidak dapat dimasukkan ke dalam suatu kelompok [10], [12]. Permasalahan ini biasa disebut dengan orphan students problem. Algoritma-algoritma CSGF yang ada menghasilkan permasalahan orphan students dikarenakan kebanyakan sistem memodelkan parameter yang terbatas (hanya mendukung parameter atau constraint tertentu) dan tidak membentuk kelompok yang berbeda tipe dari kelompok yang telah dibuat. Beberapa sistem juga menggunakan Opportunistic Group Formation (OGF) yang tidak menjamin kepuasan siswa dalam kelompok melalui negosiasi, sistem ini hanya cocok dilakukan untuk pembentukan kelompok jangka pendek. Selain itu, sistem ini juga didasarkan pada self-selecting group formation, dimana bukan pendekatan yang paling efisien dalam membentuk tim dalam belajar karena tidak menjamin seimbangnya pengelompokan [3]. Semantic-web merupakan web dari data. Teknologi ini menyediakan kerangka umum yang mengizinkan data dikembangkan dan digunakan kembali oleh lintas aplikasi, perusahaan, maupun komunitas yang terikat. Teknologi ini mempunyai dua pemikiran penting yaitu keragaman format untuk integrasi data dari berbagai sumber dan bahasa yang digunakan untuk menyimpan relasi dari objek data [16]. Dengan menggunakan teknologi semantic-web yang menggunakan beberapa constraint yang dipilih untuk membentuk suatu ontologi dari profil semua siswa yang kemudian diinferensi untuk dibentuk kelompok yang dilakukan dengan metode algoritma K-Means, maka orphan students problem dapat diselesaikan sehingga tujuan dari CSGF tercapai dalam membantu pengajar untuk membentuk kelompok yang sesuai dengan constraint tertentu yang dipilih [3], [4]. Algoritma K-Means adalah algoritma clustering yang paling sederhana dibandingkan dengan algoritma yang lain, sehingga relatif mudah untuk diterapkan dan dijalankan. 2
Algoritma K-Means ini telah dikemukakan beberapa peneliti luar dari disiplin ilmu yang berbeda [17]. 1.2 Perumusan Masalah Dalam pengembangan pembelajaran kolaboratif berbantuan komputer dalam konteks pembelajaran adaptif dibutuhkan pembentukan kelompok-kelompok untuk mendukung proses pembelajaran kolaboratif. Untuk pengelompokan secara homogen terdapat salah satu metode yaitu K-Means dimana metode ini merupakan suatu metode unsupervised learning dimana tidak membutuhkan data dan kesesuaian output, selain itu metode K-Means dapat dikatakan suatu metode yang sederhana dengan tidak meninggalkan orphan problem, metode ini tergolong cepat dalam penyelesaiannya. Untuk mendukung pembelajaran kolaboratif maka dalam tugas akhir ini digunakanlah teknologi semantic web. Semantic web merupakan suatu teknologi yang digunakan agar suatu mesin dapat memahami dan mengerti informasi apa saja yang dibutuhkan oleh pengguna. Teknologi ini yang nantinya akan digunakan oleh penulis untuk memperoleh informasi dari suatu ontologi yang kemudian digunakan sebagai parameter-parameter dalam pengelompokan homogen. Berdasarkan latar belakang dan uraian di atas, maka permasalahan yang akan dibahas dalam tugas akhir ini adalah sebagai berikut : P1. Bagaimana desain dan implementasi suatu ontologi dimana ontologi tersebut menyimpan informasi data-data profil dari siswa? P2. Bagaimana hasil pengelompokan siswa dengan constraint tertentu yang didapatkan dari suatu ontologi dengan menggunakan metode K-Means? 1.3 Tujuan Tujuan dari tugas akhir ini adalah sebagai berikut: 1. Mendesain dan implementasi ontologi dari data beberapa siswa. 2. Mengimplementasikan metode K-Means untuk mengelompokkan siswa secara homogen. 3
1.4 Batasan Masalah Batasan masalah dalam penelitian tugas akhir diantaranya adalah: 1. Siswa yang akan dibentuk kelompok merupakan mahasiswa S1 Teknik Informatika angkatan 2013 Fakultas Informatika Universitas Telkom. 2. Parameter yang digunakan untuk pembentukan ontologi student profile adalah nilai mata kuliah dan ketertarikan mahasiswa-mahasiswa dengan dosen pengajar dari beberapa bidang keilmuan dimana rentang semua nilai-nilai tersebut yaitu antara 1-5. 1.5 Metodologi Penyelesaian Masalah Metodologi penyelesaian masalah pada penelitian ini adalah sebagai berikut: a. Studi Literatur Penelitian ini dimulai dengan proses pengumpulan referensi mengenai pembentukan kelompok didalam pendidikan. Kemudian referensi tersebut dipelajari, dipahami serta dianalisis, masalah apa yang muncul pada penelitian sebelumnya. b. Pendefinisian masalah Masalah yang muncul dari penelitian sebelumnya yaitu beberapa siswa tidak dapat dimasukkan ke dalam suatu kelompok tertentu (orphan students) sehingga pengelompokan kurang efektif. c. Implementasi sistem Implementasi sistem yang dibangun dengan menggunakan teknologi semantic-web yang menggunakan ontologi Students Profile yang dibangun berdasarkan hasil kuisioner yang disebarkan yang kemudian dari ontologi tersebut diinferensi menggunakan metode K-Means. d. Pengumpulan dataset Pengumpulan dataset dengan cara menyebarkan angket kepada siswa untuk diisi sesuai dengan pilihan dari masing-masing siswa. e. Pengujian, analisis dan evaluasi Pengujian dilakukan terhadap dataset yang telah disediakan dari penyebaran angket. Hasil dari sistem yaitu pengelompokan siswa berdasarkan kesamaan 4
karakteristik antar siswa dalam suatu kelompok. Hasil pengujian dianalisis serta dievaluasi untuk menyimpulkan hasil penelitian. f. Penyusunan laporan tugas akhir Sebagai bentuk dokumentasi dari penelitian ini disusunlah suatu laporan tugas Akhir yang berupa buku TA. 5