MODEL ARTIFICIAL CERDAS DALAM E-LEARNING MENGGUNAKAN LOGIKA FUZZY (STUDI KASUS SASMOKO.COM)
Kemajuan teknologi informasi sudah maksimal dimanfaatkan dalam dunia pendidikan, khususnya dalam proses pembelajaran. Salah satu bentuknya adalah e-learning. Oleh karena itu, e-learning menawarkan kemudahan pada domain pengetahuan dan proses belajar dimana dan kapanpun olehnya pengguna. Sasmoko.com dibangun pada tahun 2014, dapat diakses oleh dosen dan mahasiswa yang mengambil metode penelitian.
Siswa yang mengikuti sasmoko.com memiliki latar belakang yang berbeda, kemampuan dan kebutuhan. Komponen dalam sistem panduan cerdas atau adaptif yang responsif untuk mengidentifikasi dan menalar tingkat pengetahuan siswa, kesalahpahaman, kemampuan, preferensi dan kebutuhan. Logika fuzzy dipilih adalah untuk ketidakpastian yang terjadi dalam pembelajaran subjektif siswa karakter. Dengan pendekatan logika fuzzy diharapkan siswa dapat melakukannya mandiri dalam menentukan kemajuan belajar dan menemukan jalan keluar untuk mengatasi kesulitan belajar. Oleh karena itu, penelitian ini dilakukan agar Sasmoko.com website bisa menjadi salah satu aplikasi e-learning yang mengerti perbedaan latar belakang, kemampuan dan kebutuhan. Penelitian Metode yang digunakan adalah logika fuzzy yang merupakan bagian dari kecerdasan buatan.
Penelitian ini membahas tentang kerangka kerja dalam menilai karakter siswa, situs Sasmoko.com menggunakan logika fuzzy yang dapat memprediksi karakter mahasiswa dalam mengikuti perkuliahan dengan menggunakan aplikasi Sasmoko.com.
Sasmoko.com adalah website yang dibangun pada tahun 2014 yang dikuasai oleh Sasmoko, salah satu Guru Besar yang dimiliki oleh Universitas Bina Nusantara, Indonesia. Aplikasi dapat diakses oleh administrator, fakultas, siswa dan tamu.
Perkembangan teknologi internet memunculkan banyaknya pilihan pendekatan metode pembelajaran pada pendidikan, salah satunya disebut e-learning. Menurut amanat orang Eropa, E-learning adalah metode pembelajaran yang berbasis internet dan teknologi multimedia untuk meningkatkan kualitas pengajaran melalui penyediaan akses ke sumber daya dan layanan pendidikan kejahatan dan memungkinkan evaluasi jarak jauh, pertukaran informasi dan kolaborasi antara mahasiswa dan dosen. Selain itu, E-learning adalah pembelajaran yang disusun dengan tujuan menggunakan suatu sistem elektronik atau komputer sehingga mampu mendukung proses pembelajaran, proses pembelajaran jarak jauh dengan cara menggabungkan menerapkan prinsip-prinsip dalam proses pembelajaran dengan teknologi, dan sistem pembelajaran yang digunakan sebagai sarana untuk mengajar dan belajar dilakukan tanpa harus bertatap muka langsung antar guru dan siswa.
E-Learning memiliki karakteristik antara lain: e-learning berjejaring, yang membuatnya dapat meningkatkan dengan cepat, menyimpan atau membuat ulang, mendistribusikan, berbagi pembelajaran dan informasi. Karakteristik e-learning antara lain: memanfaatkan jasa teknologi elektronik, memanfaatkan komputasi-keunggulan, menggunakan bahan pengajaran independen dan kemudian menyimpannya di komputer, sehingga bisa diakses oleh dosen dan siswa kapan saja dan di mana saja, dan memanfaatkan penjadwalan pembelajaran, kurikulum, kemajuan pembelajaran, dan hal-hal yang berkaitan dengan administrasi pendidikan dapat dilihat kapan saja di komputer. status pengguna yang dapat diubah (seperti tingkat pengetahuan) dan keberadaan-ketergantungan antar elemen (seperti konsep, preferensi, peristiwa) membuat modul khusus ini menjadi alat generik baru untuk adaptasi proses tentang pemodelan pengguna.
Teknologi buatan yang mensimulasikan kecerdasan manusia, yaitu bagaimana mendefinisikan dan mencoba memecahkan masalah menggunakan komputer dengan menceritakan bagaimana manusia menyelesaikan dengan cepat. Cabang dari kecerdasan buatan-ligence adalah: sistem pakar, jaringan saraf tiruan, logika fuzzy, algoritma genetika, penalaran berbasis kasus, perangkat lunak cerdas agen, data mining, teknologi bahasa. Dalam penelitian ini akan digunakan logika fuzzy.
Logika fuzzy diperkenalkan oleh Zadeh untuk menghadapi ketidaktepatan dan ketidakpastian. Ini berkaitan dengan penalaran yang merupakan perkiraan bukannya tetap dan tepat. Ini adalah logika ketidaktepatan dan perkiraan alasan. Elemen dasar dari logika fuzzy teori adalah himpunan fuzzy. Himpunan fuzzy menggambarkan suatu karakteristik, hal, fakta atau negara. Kemampuan logika fuzzy untuk menangani incer data dan informasi yang kotor, tidak tepat dan tidak lengkap dicirikan oleh subjektivitas manusia membuatnya berguna di banyak manusia bidang manusia-sentris. Jaringan saraf, peredam bisin klasifikasi pola, kualitas kontrol, pertanyaan spasial, komunikasi nirkabel. Selain itu, teori himpunan fuzzy telah diterapkan dalam pendidikan dan sistem pendidikan.
Adapun penelitian serupa antara lain penelitian berbasis aturan logika fuzzy untuk proses pembelajaran otomatis dalam e-learning lingkungan yang membahas sistem berbasis logika fuzzy adaptif untuk meningkatkan penyampaian pengetahuan dalam e-learning cerdas platform, pelajari permintaan untuk profesor pemrograman computer profesional telah berkembang pesat, sebagai bahasa yang hampir global, Program Bahasa Inggris sebagai Bahasa Asing (EFL) sangat penting untuk orang yang ingin belajar bahasa Inggris, keunggulan e-learning dapat ditingkatkan dengan merekomendasikan konten elektronik yang sesuai yang tersedia di server e-learning yang didasarkan pada penyelidikan pembelajaran gaya mereka, makalah ini mempertimbangkan kontrol fuzzy robust adaptif masalah untuk kelas Sto-Input dan Single-Output (SISO) sistem nonlinier chastic dalam bentuk umpan balik yang ketat, Kognitif Fuzzy Maps (FCM) telah disukai dalam berbagai teori dan menerapkan konteks yang menjangkau ilmu keras dan lunak, sebuah adaptasi pendekatan kontrol umpan balik keluaran fuzzy dengan kinerja yang ditentukan formance diusulkan untuk kelas ketat nonlinier sistem pasti umpan balik dengan situasi yang tidak terukur.
Metode penelitian yang digunakan adalah studi pustaka dan studi pustaka pemodelan. Studi literatur dilakukan pada konsep e-learning, kecerdasan buatan dan logika fuzzy, dan berbagai penelitian pada model kecerdasan buatan dalam e-learning yang telah dilakukan oleh peneliti sebelumnya. Informasi yang diperoleh adalah metodenya digunakan dalam menyusun model kecerdasan buatan pada e-learning, logika fuzzy pada e-learning dan informasi yang relevan. Berdasarkan hal data tersebut, model yang kriterianya diambil dari metode yang ada. Itu hasil yang diharapkan adalah desain model kecerdasan buatan tentang e-learning dengan studi kasus sasmoko.com.
Sistem yang diusulkan berasal dari penggabungan Fuzzy Knowledge System Definer (FuKSD) dan Fuzzy Logic Metode Sistem (FLS) karena peneliti dapat mengetahuinya dasar untuk memberikan bimbingan pribadi kepada setiap pelajar, menentukan dan memperbarui tingkat pengetahuan siswa yang ditemukan di FuKSD dan pelajari pengetahuan yang disukai pengguna untuk menghasilkan kinerja lingkungan belajar yang tersonalisasi diperoleh dalam Sistem Logika Fuzzy. Sistem yang diusulkan diusulkan sebagai berikut: Sebuah. Fuzzy Logic untuk Representasi Pengetahuan Representasi domain pengetahuan mengandung pengetahuan atau havior yang merepresentasikan keahlian dalam bidang yang diajarkan.
Untuk mengaktifkan komunikasi antara sistem dan pelajar di tingkat konten, model domain dari sistem harus memadai. efisien untuk membentuk kesimpulan dan hubungan kepentingan domain. Konsep domain merupakan materi pembelajaran sebagai pedoman itu merepresentasikan hubungan antara konsep ma-terials. Secara spesifik, ada tiga jenis hubungan antara konsep: “mendahului” yang menyatakan urutan setiap konsep domain bahan ajar harus diajarkan. Konsep domain dipengaruhi oleh tingkat pengetahuan konsep domain terkait.
Domain Metodologi Penelitian
Model ini digunakan untuk kursus. Metode yang digunakan untuk memecahkan masalah dalam pembelajaran juga berbeda-beda tergantung dari kebiasaan siswa. Untuk ujian, urutan melakukan penelitian, metode yang digunakan dalam belajar sampai cara siswa melakukan eksperimen pada penelitian. Sistem logika fuzzy berbasis aturan digunakan untuk memodelkan kognitive keadaan peserta didik dalam mempelajari metodologi penelitian.
Modul logika fuzzy berbasis aturan diganti bertanggung jawab untuk mengidentifikasi dan memperbarui pengetahuan siswa tingkat semua konsep dari domain pengetahuan.
Menangkap dan menganalisis data input dan output Awalnya, sistem kami mengumpulkan dan menangkap data siswa melalui sebagai menilai persyaratan untuk pengiriman siswa pengetahuan selain karakteristik mereka secara online lingkungan belajar. Aturan yang diketahui dikumpulkan melalui fungsi keanggotaan kemudian digabungkan dengan data masukan / keluaran untuk menentukan perilaku siswa. Aturan fuzzy diambil dari data masukan dan keluaran siswa memungkinkan sistem yang diusulkan untuk mengidentifikasi dan mempelajari dari persyaratan pengetahuan dan karakteristik siswa. Maka, sistem ini kemudian digunakan untuk mengatur ulang online lingkungan belajar dengan pertimbangan khusus kebutuhan siswa. Awalnya, sistem memulai tindakan melalui pemantauan menilai variabel siswa, dan karenanya berdampak pada lingkungan online terstruktur dengan pertimbangan khusus untuk pendekatan pembelajaran preferensi individu siswa.
Dalam makalah ini, logika fuzzy digunakan untuk mengetahui karakter akteristik pengetahuan dan kemampuan siswa sesuai dengan konsep domain yang disajikan. Proses mengajar dapat mengubah status pengetahuan pengguna. Karakteristik pengetahuan dan kemampuan akan digunakan untuk memperbaiki proses yang ada dalam e-learning sehingga menghasilkan lingkungan belajar yang mendukung. Penelitian berikut yang dapat dilakukan meliputi: model evaluasi kecerdasan buatan dalam aplikasi e-learning untuk sasmoko.com dan melakukan analisis untuk membuktikan bahwa karakteristik siswa mampu bisa diprediksi dalam mengikuti pembelajaran di website sasmo-ko.com.
Buku Bacaan
[1] Almohammadi K & Hagras H (2013), An Adaptive Fuzzy Logic Based System for Improved Knowledge Delivery within Intelligent E-Learning Platforms. IEEE Int Conf Fuzzy Syst.
[2] Priya MR & Keerthy G (2015), Rule-Based Fuzzy Logic for Automatic Learning Process in an E-Learning Environment. Int J Adv Res Comput Commun Eng. 4(7).
[3] Sasmoko & Friend. Sasmoko Website [Internet]. 2014. Available from: sasmoko.com
[4] Chrysafiadi K & Virvou M (2014), Fuzzy Logic for adaptive instruction in an e-learning environment for computer
programming. 6706(c):1–21.
[5] Harrati N. Bouchrika I, Tari A & LA (2016), Exploring user satisfaction for e-learning systems via usage-based metrics and system usability scale analysis. 2016. Comput Human Behav. 61:463–71.
[6] Kusumastuti DL, Tjhin VU & Soraya K (2017), The Role of Mobile Devices to Improve Student Learning Motivation on Distance Learning. Proc 2017 Int Conf Inf Technol ACM. 325–9.
[7] Dominici G & Palumbo F (2013), How to build an e-learning product: factors for student/customer satisfaction. Bus Horiz. 56:87–96.
[8] Allen M (2013), Michael Allen’s Guide to E-learning. Canada: John Wiley & Sons.
[9] Chandrawati SR (2010), Pemanfaatan E-learning dalam Pembelajaran. 8(2). Available from: http://jurnal.untan.ac.id/
[10] Andriansyah I (2013), Eksplorasi Pola Komunikasi dalam Diskusi Menggunakan Moodle pada Perkuliahan Simulasi Pembelajaran Kimia. Universitas Pendidikan Indonesia.
[11] Rosenberg MJ (2001), E-Learning: Strategies for Delivering Knowledge in the Digital Age. New York: NY: McGraw-Hill Companies, Inc. 343 p.
[12] Zadeh L (1965), Fuzzy Sets. Inf Control. 8:338–53.
[13] Zadeh L (1975), The Concept of a Linguistic Variable and Its Application to Approximate Reasoning. Inf Sci. 8(3):199–249.
[14] Zadeh L (2001), A New Direction in Ai: Toward a Computational Theory of Perceptions. AI Magazine. 73.
[15] Chysafiadi K & Virvou M (2014), Fuzzy logic in Student Modeling. In: Advanced in Personalized Web-Based Education.
[16] Mendel J (2007), Type-2 Fuzzy Sets and System: An Overview. IEE Computational Intelligence. 20–9.
[17] Chrysafiadi K & Virvou M (2012), Evaluating the integration of fuzzy logic into the student model of a web-based learning environment. Expert Syst Appl. 39(18):13127–34.
[18] H. Song CM, Roel W & Shen Z (2010), Implementation of fuzzy cognitive maps based on fuzzy neural network and application in prediction of time series. IEEE Trans Fuzzy Syst. 18:233–50.
[19] Tung-Cheng Hsieh et al. (2013), Designing and Implementing a Personalized Remedial Learning System for Enhancing the Programming Learning. J Educ Technol Soc. 16(4).
[20] Tzone-I Wang et al. (2012), A Fuzzy Logic-based Personalized
Learning System for Supporting Adaptive English Learning. Educ
Technol Soc.
[21] Deborah LJAA (2015), Fuzzy-Logic Based Learning Style Prediction in E-Learning using Web Interface Information. Acad Proceeding Eng Sci.
[22] Gray S (2013), Fuzzy Cognitive Maps as Representations of Mental Models and Group Beliefs. Springer Link. 29-48 p.
[23] Zhang L, Tong S & Li Y (2014), Adaptive Fuzzy Output-Feedback Control with Prescribed Performance for Uncertain Nonlinear Systems. Int J Fuzzy Syst. 16(2).
[24] Chrysafiadi K & Virvou M (2012), Using Fuzzy Cognitive Maps for the Domain Knowledge Representation of an Adaptive E- Learning system. Proc 10th Jt Conf Known – Based Softw Eng, Rhodes, Greece. 257–265.
[25] Mendel JM (2001), Uncertain Rule-Based Fuzzy Logic Systems: Introduction and New Directions. Englewood Cliffs, NJ, USA: Prentice-Hall.
[26] Wang LX (2003), The MW Method Completed: A Flexible System Approach to Data Mining. IEEE Trans Fuzzy Syst. 11(6):68–782.
[27] Wang LX & Mendel JM (1992), Generating Fuzzy Rules by Learning from Examples. IEEE Trans Syst Man Cybern.
22(6):1414–1427.
