10

BAB 2
LANDASAN TEORI

2.1 INTELEGENSIA SEMU
Sebelum kita memperdalam mengenai intelegensia semu, terlebih dahulu
kita mendefinisikan tentang intelligence atau kecerdasan, yang dalam hal ini
berkaitan dengan mesin atau komputer. J adi intelegensia semu adalah bagian dari
semua bidang ilmu komputer. Intelegensia semu bertujuan untuk memungkinkan
suatu komputer menjadi terlihat lebih pandai dan menyerupai manusia, yaitu
mempunyai pikiran sendiri.
Menurut Alan Turing, sebuah mesin dapat dikatakan sebagai cerdas jika
mesin tersebut mampu menyelesaikan sebuah tes, yang umum disebut sebagai
Turing test. Dalam tes ini, seorang interogator dihadapkan dengan seorang
manusia dan sebuah mesin komputer. Interogator berkomunikasi dengan
keduanya menggunakan media tekstual. J ika melalui proses tanya jawab sang
interogator tidak dapat membedakan antara manusia dengan mesin komputer,
maka menurut Turing mesin tersebut dapat diasumsikan cerdas.
Menurut Russell dan Norvig (2003, p5), intelegensia semu mempunyai
definisi-definisi yang dapat dibagi menjadi 4 kategori berikut:
Sistem yang dapat berpikir seperti manusia (acting humanly)
Seni membuat mesin yang dapat melakukan fungsi-fungsi tertentu yang
ketika dilakukan oleh manusia akan membutuhkan kecerdasan.
Studi tentang bagaimana membuat komputer melakukan perkerjaan yang
11
pada saat ini manusia melakukannya dengan lebih baik.
Sistem yang dapat berpikit secara rasional (thinking humanly)
Usaha yang baru dan menarik untuk membuat komputer berpikir.
Otomatisasi aktivitas-aktivitas yang kita asosiasikan dengan pemikiran
manusia, antara lain aktivitas-aktivitas seperti pengambilan keputusan,
pemecahan masalah, belajar, dan sebagainya.
Sistem yang dapat bertindak seperti manusia (acting rationally)
Suatu bidang studi yang bertujuan untuk menjelaskan dan meniru intelligent
behaviour dalam bentuk proses komputasional.
Cabang dari ilmu komputer yang memperhatikan otomatisasi intelligent
behaviour.
Sistem yang dapat bertindak secara rasional (thinking rationally)
Studi tentang mental faculties melalui metode-metode komputasional.
Studi komputasi yang memungkinkan pemahaman, penalaran, dan aksi.
Intelegensia semu ini membuat komputer menjadi lebih berguna, antara
lain karena dari hasil dari penelitian intelegensia semu saat ini, komputer dapat
melakukan berbagai fungsi seperti:
Belajar dari lingkungan tanpa instruksi program langsung
Mengenali gambar-gambar sederhana
Mengerti bahasa yang mudah dan mampu meresponnya
Memecahkan masalah yang kompleks
Memproses model psikologi

12
2.2 COMPUTER-ASSISTED INSTRUCTION
Komputer telah digunakan dalam dunia pendidikan sejak 25 tahun yang
lalu. Pengembangan awal ke depan memperkenalkan program perangkat lunak
sebagai alat bantu dalam proses pembelajaran yang diformulasikan ke dalam
bentuk Computer-Assisted Instruction (CAI).
Menurut Freedman (1996, p11), CAI adalah suatu sistem pengajaran yang
menggunakan komputer sebagai alat bantu dalam menyampaikan materi-materi
yang diajarkan.
CAI telah mengalami berbagai perkembangan. Berdasarkan Freedman
(1996, p101), CAI pertama kali dicetuskan di Harvard University pada sekitar
tahun 1965, yang kemudian bekerja sama dengan IBM untuk dikembangkan lebih
lanjut.
CAI dikenal dengan berbagai istilah, misalnya di Amerika Serikat CAI
lebih dikenal dengan nama Computer-Assisted Learning (CAL), di Inggris lebih
mengenal CAI sebagai Computer-Based Training (CBT), dan juga dikenal istilah-
istilah lainnya seperti Computer-Based Instruction (CBI), Computer-Based
Education (CBE), Interactive Multimedia Instruction (IMI), dan Computer-
Managed Instruction (CMI). Istilah-istilah ini dapat digunakan untuk
menunjukkan kegunaan teknologi komputer dalam penulisan materi, manajemen
proses pendidikan, pelatihan, instruksi, dan pengajaran. Perbedaan istilah-istilah
tersebut mencerminkan bagian dari dukungan komputer dan aktivitas tradisional
manusia dalam pendidikan dan spesifikasi dari proses-proses berbasiskan
komputer.
13
2.2.1 CAI Tradisional
CAI dirancang untuk meningkatkan pembelajaran melalui interaksi dengan
komputer yang menampilkan permasalahan-permasalahan kepada pelajar secara
interaktif dengan tujuan supaya proses belajar menjadi lebih efisien, konsisten,
dan meningkatkan motivasi pemelajar, disertai dengan umpan balik yang cepat
dan bersifat individualized.
Kelemahan CAI mengacu pada tutor komputerisasi tradisional dengan:
Hanya menyediakan interaktivitas yang terbatas
Penyampaian semua instruksi secara sekuensial
Penyediaan umpan balik yang terbatas ketika pelajar menjawab pertanyaan
secara tidak benar
Umumnya berdasarkan ide tentang pengajaran
Walaupun CAI telah menjadi penyedia pembelajaran individu selama 25
tahun, sistem tersebut sangat pasif, di mana sistem ini hanya menampilkan teks
dari halaman satu ke halaman lainnya yang menggunakan sebuah decision tree
untuk memandu pemelajar berdasarkan jawaban dan tanggapan dari si pemelajar
(Urban-Lurain, 1996). CAI gagal meningkatkan tingkat pengetahuan pemelajar,
karena CAI tidak mampu untuk membedakan pemelajar dari segi kebutuhan
maupun latar belakang si pemelajar. Dan tentu saja sistem ini tidak memiliki
kemampuan sebagai pengajar sesungguhanya yang dapat mengetahui kapan harus
membantu pemelajar ketika menghadapi kesulitan terhadap suatu subjek atau
kapan akan melanjutkan pemberian topik baru ketika pemelajar sudah mengalami
peningkatan.
14
2.2.2 Intelligent Tutoring System
Dengan adanya kemajuan dalam bidang intelegensia semu dan
pengetahuan kognitif, para peneliti dalam bidang teknologi informasi melihat
adanya kebutuhan intelegensia semu pada sistem CAI. Maka dikombinasikan
dengan kemampuan dalam proses komputer terutama dalam bidang pengajaran
secara prosedural dan strategi untuk memecahkan masalah, teknik intelegensia
semu dipakai untuk mengevaluasi status pengetahuan yang dimiliki oleh
pemelajar. Tanpa pengetahuan yang cukup tentang apa yang diketahui dan
tidak diketahui oleh pemelajar akan masalah yang sedang diberikan, sistem
tersebut tidak dapat memberikan pengajaran yang bersifat adaptif terhadap
pemelajar. Oleh karena telah hadir sebuah bidang baru hasil integrasi antara
intelegensia semu dengan CAI yang disebut Intelligent Tutoring System (ITS)
untuk mengatasi kekurangan-kekurangan CAI.
Pengertian ITS menurut beberapa narasumber antara lain:
Menurut Frederic Danna (1997), ITS adalah sebuah perangkat lunak yang
bertujuan untuk mengkomunikasikan pengatahuan dari suatu domain
(matematika, bahasa, dan sebagainya) kepada penggunanya. Sistem ini
disebut intelijen jika sistem ini dapat mengadaptasi interaksi-interaksi
pemelajar.
Menurut Stankov, Glaavinic, dan Rosic (2000), ITS adalah sebuah sistem
komputer generasi baru untuk dukungan dan peningkatan pembelajaran.
Definisi umum dari ITS mengkarakterisasikannya sebagai sistem yang
berdasar pada basis pengetahuan, pengajar, dan pemelajar.
15
Berdasarkan definisinya, ITS adalah sistem intelegensia yang
menyediakan pembelajaran kepada pemelajar dan memiliki kemampuan untuk
membandingkan pemahaman pengetahuan belajar oleh model pakar. Oleh karena
itu, tidak seperti CAI yang pasif menunggu pemelajar untuk melanjutkan
subjeknya, ITS secara nyata mendorong keingintahuan pemelajar dengan secara
aktif memantau kemampuan pemelajar dan memberikan bantuan ketika diminta.
ITS mengacu pada sistem instruksional komputerisasi tingkat lanjut, di mana:
Menyediakan interaktivitas yang tinggi, penyampaian pembelajaran dan
pelatihan berbasiskan komputer.
Menyesuaikan pembelajaran dengan kekuatan dan kelemahan pemelajar
Menyediakan pelatihan dengan pengajar intelegensia semu
Memperbesar metode pembelajaran secara lebih mendalam
ITS merupakan program perangkat lunak yang diberikan untuk
mendukung proses belajar. Sistem ini dapat diterapkan di dalam sistem
pendidikan pada umumnya, maupun sistem pendidikan jarak jauh, antara lain
aplikasi dalam bentuk CD-ROM atau aplikasi yang diakses melalui Internet. ITS
menampilkan cara baru dalam pendidikan yang dapat membantu peran pengajar
biasa dan meningkatkan peranan tersebut.
ITS dapat membentuk suatu model yang merepresentasikan pengetahuan
yang dimiliki pemelajar. Model dibentuk berdasarkan jawaban dan tanggapan
pemelajar.
Penelitian yang telah dilakukan terhadap sistem-sistem prototype yang
telah dibuat mengindikasikan bahwa pemelajar yang menggunakan ITS rata-rata
16
dapat belajar lebih cepat dan dapat mengubah proses pembelajaran dengan lebih
baik dibandingkan dengan pemelajar yang diajar pada ruang kelas. Penerapan dari
ITS ini dapat dilihat pada Carneggie-Mellon University, di mana pada
pertengahan tahun 80-an para peneliti membangun sebuah ITS yang disebut LISP
Tutor, yang mengajarkan kemampuan pemrograman kepada mahasiswanya.
Efisiensi ITS juga dapat dilihat dari hasil sebuah eksperimen yang terkontrol yang
membuktikan bahwa pemelajar yang menggunakan ITS memperoleh nilai 43%
lebih tinggi pada ujian akhir daripada kelompok lainnya yang diajar secara
tradisional. Selain itu, kelompok yang diajar secara tradisional ini juga
membutuhkan waktu 30% lebih banyak dibandingkan kelompok pengguna ITS
ketika diberikan permasalahan-permasalahan yang lebih kompleks.
Selain untuk menyediakan keuntungan dari pembelajaran untuk setiap
pemelajar, ITS juga mampu memberikan efektivitas biaya. Selain itu ITS dapat
menilai setiap aksi yang dilakukan pemelajar dalam lingkungan yang interaktif,
membangun model dari pengetahuan mereka, dan menentukan strategi pelatihan
berdasarkan masukan dari salah satu komponen sistem.

2.3 BCOOL
Kemajuan teknologi informasi dan telekomunikasi telah banyak
dimanfaatkan untuk menyertai proses pembelajaran. Namun hal ini belum
sepenuhnya dapat dimanfaatkan mengingat hampir semua rancangan model
pembelajaran yang digunakan masih menggunakan metodologi rancangan belajar
kelas (Martinez, 2002). Berangkat dari pemikiran bahwa teknologi seharusnya
17
digunakan untuk memfasilitasi proses pembelajaran, lahirlah konsep
pembelajaran Brain Compatible Online Learning (Santika, Tanamal, 2004) atau
BCOOL.

Gambar 2.1 Model konseptual BCOOL
18
Kerangka konseptual model pembelajaran BCOOL sebagaimana
diperlihatkan oleh Gambar 2.1 dijelaskan dengan penjelasan sebagai berikut:
Gaining attention, dimaksudkan untuk membangun kesiapan emosional para
pemelajar untuk memulai proses belajarnya. Gaining attention dapat
dilakukan melalui penyajian ringkasan materi ajar yang komprehensif dan
applet simulator interaktif. Lebih dari itu, dengan memangaatkan teknologi
hyperlink yang tersedia, materi prerekusit yang diperlukan dapat secara mudah
diakses untuk mendukung upaya pemelajar dalam merekonstruksi pemahaman
awal yang dimilikinya.
Pattern searching, yaitu tahap yang diharapkan dapat memfasilitasi pemelajar
dalam membangun struktur kognitifnya secara lebih efektif dan efisien.
Pemahaman awal yang dibangun melalui tahap gaining attention akan
direkonfirmasi melalui aktivitas review dan penyediaan peta konsep.
Exploration, yakni tahap di mana pemelajar memiliki kesempatan yang sangat
luas untuk menjelajahi seluruh materi pembelajaran. Di samping dapat
mengakses materi ajar dan simulator-simulator interaktif yang telah
dipersiapkan oleh instruktur, pemelajar juga dapat mengakses informasi-
informasi yang relevan yang tersedia di berbagai sumber di Internet.
Multiple repetition and feedback, yaitu tahap akhir dari BCOOL terdiri dari
latihan-latihan dalam bentuk online quiz pilihan ganda. Atas dasar jawaban
online quiz yang diberikan oleh pemelajar, analisis Bayesian dengan mudah
dapat mengetahui nilai probabilitas penguasaan setiap konsep yang dicapai
oleh setiap individu pemelajar.
19

2.4 PENALARAN PROBABILITAS
Sejauh ini, telah dikenal beberapa teknik yang digunakan untuk
menggambarkan model kepercayaan, di mana ada dua kondisi nyata yang
didapatkan, yaitu sebagain fakta yang dipercaya benar (true) dan yang dipercaya
salah (false). Misalnya untuk memecahkan masalah yang mampu menjelaskan
tingkat kepercayaan tak tentu tetapi ada beberapa bukti (evidence) yang
mendukung masalah tersebut.
Dalam beberapa situasi memecahkan suatu masalah, pengetahuan yang
tersedia tidak lengkap atau tidak tepat, misalnya seperti suatu prediksi dan
diagnosa medis. Dalam kasus seperti ini, pengetahuan yang ada tidak mencukupi
untuk mendukung urutan yang diperlukan untuk mengambil kesimpulan logis.
Meskipun pengetahuan yang kita miliki tidak lengkap, kita dapat membuat dan
menggunakan generalisasi (penyamarataan) dan pendekatan yang membantu kita
untuk menyimpulkan pengalaman kita dan meramalkan sesuatu yang belum
diketahui.
Metode penalaran probabilitas mengijinkan sistem intelegensia semu
untuk menggunakan pengetahuan yang tak tentu atau probabilitas dan dapat
membantu kita mengumpulkan bukti untuk melakukan hipotesa. Penalaran
probabilitas merupakan alat yang tepat untuk membuat keputusan. Teori
pengambilan keputusan, berhubungan dengan teori probabilitas, menyediakan
teknik tambahan untuk membantu meminimalisasi resiko dalam pengambilan
keputusan.
20
2.4.1 Probabilitas dan Teorema Bayes
Tujuan penting untuk beberapa sistem pemecahan masalah adalah
mengumpulkan bukti pada sistem yang berjalan dan untuk memodifikasi perilaku
dasar dari bukti tersebut. Untuk memodelkan perilaku ini, kita membutuhkan teori
statistik dari bukti tersebut, yaitu statistik Bayesian. Dugaan dasar dari statistik
Bayesian adalah probabilitas bersyarat (conditional probability)
) | ( E H P
.
Ekspresi ini menggambarkan probabilitas dari hipotesa H yang diberikan untuk
kita amati dengan bukti (evidence) E. Teorema Bayes menyatakan:

=
k
n
n n
i i
i
H P H E P
H P H E P
E H P
0
) ( ) | (
) ( ) | (
) | (


) | ( E H P
i adalah probabilitas bahwa hipotesa H
i
=true jika diketahui bukti E.

) | (
i
H E P
adalah probabilitas adanya bukti E jika diketahui hipotesa H
i
=
true.

) (
i
H P
adalah probabilitas utama bahwa H
i
=true dengan ketiadaan beberapa
bukti tertentu. Probabilitas ini disebut prior probability.
k adalah jumlah banyaknya kemungkinan hipotesa yang terjadi.
Beberapa alasan yang membuat teorema Bayes ini sulit untuk dikerjakan
dalam menangani probabilitas antara lain:
Terlalu banyak probabilitas yang harus disediakan, sehingga upaya untuk
memperolehnya bermasalah.
Ruang yang menjadi batasan untuk menyediakan probabilitas terlalu luas.
Waktu yang diperlukan untuk melakukan perhitungan terlalu besar.
21
Meskipun ada alasan-alasan tersebut, melalui statistik Bayesian disediakan
dasar sistem penalaran untuk masalah tak tentu yang sangat kompleks. Adapun
beberapa mekanisme untuk mengeksploitasi kekuatan dari statistik Bayesian
antara lain:
certainty factor
teori Dempster-Shafer
jejaring Bayesian
2.4.2 Certainty Factor
Certainty factor (CF) adalah sebuah nilai numerik dari sebuah bukti yang
diterima sebagai sebuah kesimpulan. CF bernilai 1 dikatakan sebagai belief
(percaya) dan CF dengan nilai -1 dikatakan sebagai disbelief (tidak percaya).
Dalam sebuah sistem yang menggunakan CF, aturan-aturan (rules) belief dan
disbelief yang digunakan haruslah terstruktur dengan baik.
Keunggulan CF:
cocok untuk paradigma rule-based, tidak ada perubahan yang signifikan
dalam merepresentasikannya
mudah diimplementasikan
aturan propagasi pada awalnya bersifat masuk akal
Kekurangan CF:
tidak ada teori keputusan dalam CF
aturan propagasi tidak dapat dijustifikasi secara teoritis
memiliki asumsi yang berdiri sendiri yang membuat CF mudah digunakan
namun sangat beresiko jika aturan-aturan tidak ditulis dengan hati-hati
22
2.4.3 Teori Dempster-Shafer
Teori Dempster-Shafer merupakan generalisasi dari teori Bayesian
mengenai probabilitas subjektif. Ketika teori Bayesian memerlukan probabilitas
untuk setiap pertanyaan yang ada, teori Dempster-Shafer mengijinkan untuk
menentukan derajat kepercayaan (degree of belief) untuk satu pertanyaan pada
probabilitas untuk pertanyaaan yang berhubungan.
Teori Dempster-Shafer memiliki dua ide dasar. Pertama, mendapatkan
derajat kepercayaan dari satu pertanyaan dari probabilitas subjektif untuk
pertanyaan yang terhubung. Kedua, mengkombinasikan beberapa derajat
kepercayaan didasarkan pada ketidaktergantungan variabel pada bukti.
Keunggulan teori Dempster-Shafer:
kesulitan dalam menentukan nilai prior probability dapat diabaikan
aturan kombinasi dapat digunakan untuk menggabungkan bukti-bukti
dalam keadaan atau situasi tidak pasti, ignorance dapat ditentukan
mudah untuk menentukan bukti-bukti dengan tingkat abstraksi yang berbeda-
beda
Kekurangan teori Dempster-Shafer:
perhitungan komputasi yang kompleks
teori pengambilan keputusan yang kurang
eksperimen perbandingan antara teori Dempster-Shafer dengan teori
probabilitas sulit untuk dilakukan.
tidak adanya keuntungan yang dapat terlihat dengan jelas pada teori
Dempster-Shafer
23
2.4.4 Jejaring Bayesian
J ejaring Bayesian (Bayesian network) dipelopori oleh ahli ilmu genetika
Sewall Wright (1921). Kemudian beberapa variasi telah dikembangkan pada
berbagai bidang, misalnya dalam bidang ilmu pengetahuan kognitif dan
intelegensia semu. Pada awal perkembangannya di akhir tahun 1970-an, jejaring
Bayesian memenuhi kebutuhan semantic model (top-down) dan perceptual model
(bottom-up), yaitu kombinasi dari cara pembacan bukti (evidence). Dengan
kemampuan untuk mengambil kesimpulan dari banyak arah dan dikombinasikan
dengan dasar probabilitas yang teliti, maka jejaring Bayesian menjadi metode
yang dipilih untuk mengatasi uncertain reasoning (penalaran dalam
ketidakpastian) dalam bidang intelegensia semu dan sistem pakar.
J ejaring Bayesian merupakan sebuah dag (directed acyclic graph) di mana
setiap node-nya (verteks) menggambarkan variabel-variabel acak yang dinyatakan
dari suatu kejadian. Variabel-variabel ini mempunyai dua kemungkinan nilai,
yaitu true (benar) dan false (salah). Sedangkan setiap arc (edge) dari jejaring
Bayesian menggambarkan probabilitas ketergantungan antara variabel-
variabelnya. Ketergantungan tersebut diukur oleh conditional probability untuk
setiap node dengan parent node-nya. Maka jika variabel-variabel dari jejaring
adalah
} , , 1 , { n i X
i
K =
dan Pa(X
i
) menggambarkan himpunan parent dari X
i
,
maka parameter dari jejaring ini adalah sebuah himpunan distribusi
} , , 1 )), ( | ( { n i X Pa X P
i i
K =
. Probabilitas ini menjelaskan joint probabilities
distribution untuk seluruh jejaring sebagai berikut ini:
24

=
=
n
i
i i n
X Pa X P X X P
1
1
)) ( | ( ) , , ( K

Untuk mendefinisikan sebuah jejaring Bayesian, harus dispesifikasikan:
Variabel-variabel untuk X
1
, X
2
, ..., X
n
.
Hubungan antara variabel-variabel tersebut. Hubungan ini merepresentasikan
pengaruh kasual antar variabel-variabel. J ejaring yang dibentuk dari variabel-
variabel ini dan hubungan-hubungan di antaranya haruslah merupakan sebuah
dag.
Probabilitas setiap variabel terhadap parent-nya, yaitu P(X
i
| Pa(X
i
)) untuk i =
1, ..., n.
J adi jejaring Bayesian merupakan sebuah model dan alat acuan untuk
memecahkan masalah-masalah yang tidak pasti dengan cara menggambarkan
relasi probabilitas.
25
X
1
X
2
X
4
X
5
X
3
rain sprinkler
wet
slippery

Gambar 2.2 Contoh jejaring Bayesian dengan lima variabel
Gambar 2.2 mengilustrasikan contoh sederhana jejaring Bayesian yang
menjelaskan hubungan sebab-musabab di antara musim hujan (rainy season) (X
1
),
hujan (rain) (X
2
), keran air menyala (sprinkler) (X
3
), trotoar basah (wet) (X
4
), dan
trotoar licin (slippery) (X
5
). Di sini tidak ada arc yang menghubungkan secara
langsung antara variabel X
1
dan X
5
, berarti tidak ada pengaruh langsung dari
cuaca pada trotoar yang licin. Pengaruh langsung untuk trotoar yang licin (X
5
)
adalah basahnya trotoar (X
4
).
Arc di dalam diagram jejaring Bayesian menggambarkan hubungan sebab-
musabab yang sesungguhnya dan bukan aliran informasi selama proses penalaran
(reasoning process) berjalan. Proses penalaran dapat dioperasikan pada jejaring
26
Bayesian dengan mengembangkan informasi di beberapa arah. Misalnya jika
keran air menyala, kemudian kemungkinan trotoar akan menjadi basah (prediksi).
Sebaliknya, jika seseorang terpeleset di trotoar, juga membuktikan bahwa trotoar
tersebut basah (abduksi). Di sisi lain, jika kita melihat bahwa trotoar basah, yang
membuatnya basah apakah keran air menyala atau terjadi hujan (abduksi); tetapi
jika kemudian kita mengamati bahwa keran air menyala, hal tersebut mengurangi
kemungkinan bahwa telah terjadi hujan.
J ejaring Bayesian merupakan salah satu model directed graph dengan
distribusi conditional probability yang harus dispesifikasikan untuk setiap node-
nya. J ika variabelnya diskrit, maka jejaring Bayesian dapat direpresentasikan
sebagai tabel dari conditional probability yang menunjukkan nilai-nilai yang
berbeda untuk setiap kombinasi antara child node dengan parent node-nya.
Perhatikan contoh di bawah ini, di mana semua node mempunyai dua
nilai, yaitu T (true) dan F (false):
27
X
1
X
3
X
4
X
5
X
2
rainy season
P(X
1
=F) P(X
1
=T)
0.5 0.5
P(X
2
=F) P(X
2
=T)
0.8 0.2
0.1 0.9
X
1
F
T
Rain
P(X
3
=F) P(X
3
=T)
0.4 0.6
0.9 0.1
X
1
F
T
Sprinkler
P(X
4
=F) P(X
4
=T)
1.0 0.0
0.1 0.9
X
2
F
F
Wet
0.1 0.9
0.01 0.99
T
T
X
3
F
T
F
T
P(X
5
=F) P(X
5
=T)
1.0 0.0
0.2 0.8
X
4
F
T
Slippery
Gambar 2.3 Conditional probability untuk setiap node jejaring Bayesian
Terjadinya trotoar basah mempunyai dua sebab, yaitu keran air menyala
(X
3
=T) atau hujan (X
2
=T). Kekuatan dari hubungan ini terlihat dalam tabel Wet
pada gambar 2.2. Salah satunya adalah kemungkinan trotoar basah yang berasal
dari keran air, yang bernilai probabilitas 0.9 (baris kedua pada tabel), dan kita
notasikan sebagai
) , | (
3 2 4
X X X P
.
Untuk contoh jejaring Bayesian ini, joint probabilities dari semua node
dapat dikalkulasi dengan perhitungan di bawah ini:
) | ( ) , | ( ) | ( ) | ( ) ( ) , , , , (
4 5 3 2 4 1 3 1 2 1 5 4 3 2 1
X X P X X X P X X P X X P X P X X X X X P =

28
Setiap variabel hanya bergantung dengan parent-nya. Sebagai contoh,
parent dari X
4
adalah X
2
dan X
3
. Kedua parent ini menjelaskan X
4
. Namun X
4

tidak bergantung pada X
1
, karena X
1
tidak menjadi parent secara langsung bagi
X
4
. J adi X
4
independen terhadap X
1
. Hal ini menyatakan
) , | ( ) , , | (
3 2 4 3 2 1 4
X X X P X X X X P =
.
Karena rainy season (X
1
) tidak mempunyai parent maka P(X
1
) disebut
sebagai prior probability.
Tugas yang paling penting yang kita harapkan dapat terselesaikan dengan
menggunakan jejaring Bayesian adalah penarikan kesimpulan probabilitas
(probabilistic inference). Sebagai contoh, anggap kita sedang mengobservasi
kenyataan bahwa ada seseorang terpeleset di trotoar dikarenakan trotoar tersebut
licin. Kita lihat pada contoh jejaring kita sebelumnya bahwa node X
5
hanya
mempunyai satu parent, yaitu X
4
. Ini membuktikan bahwa trotoar tersebut
menjadi licin karena trotoar basah. Ada dua kemungkinan yang menyebabkannya,
yaitu hujan (X
2
) atau keran air yang menyala (X
3
). Pertanyaan yang akan kita
jawab di sini dengan menggunakan teorema Bayesian adalah: Mengapa trotoar
basah? Apakah karena hujan ataukah karena keran air yang menyala? (0
merepresentasikan false dan 1 merepresentasikan true).
Probabilitas X
4
=T, bila:
X
3
=T, X
2
=T, X
5
=T
) | ( ) , | ( ) | ( ) | ( ) ( ) , , , , (
4 5 3 2 4 1 3 1 2 1 5 4 3 2 1
X X P X X X P X X P X X P X P X X X X X P =

Untuk X
1
=T, maka:
P(X
1
) =0.5
29
P(X
2
| X
1
) =0.9
P(X
3
| X
1
) =0.1
P(X
4
| X
2
, X
3
) =0.99
P(X
5
| X
4
) =0.8
03564 . 0 8 . 0 99 . 0 1 . 0 9 . 0 5 . 0 ) , , , , (
5 4 3 2 1
= = X X X X X P .......................(1)
Untuk X
1
=F, maka:
P(X
1
) =0.5
P(X
2
| X
1
) =0.2
P(X
3
| X
1
) =0.6
P(X
4
|X
2
, X
3
) =0.99
P(X
5
| X
4
) =0.8
04752 . 0 8 . 0 99 . 0 6 . 0 2 . 0 5 . 0 ) , , , , (
5 4 3 2 1
= = X X X X X P .......................(2)
X
3
=T, X
2
=F, X
5
=T
) | ( ) , | ( ) | ( ) | ( ) ( ) , , , , (
4 5 3 2 4 1 3 1 2 1 5 4 3 2 1
X X P X X X P X X P X X P X P X X X X X P =

Untuk X
1
=T, maka:
P(X
1
) =0.5
P(X
2
| X
1
) =0.1
P(X
3
| X
1
) =0.1
P(X
4
| X
2
, X
3
) =0.9
P(X
5
| X
4
) =0.8
0036 . 0 8 . 0 9 . 0 1 . 0 1 . 0 5 . 0 ) , , , , (
5 4 3 2 1
= = X X X X X P ...........................(3)
Untuk X
1
=F, maka:
30
P(X
1
) =0.5
P(X
2
| X
1
) =0.8
P(X
3
| X
1
) =0.6
P(X
4
| X
2
, X
3
) =0.9
P(X
5
| X
4
) =0.8
1728 . 0 8 . 0 9 . 0 6 . 0 8 . 0 5 . 0 ) , , , , (
5 4 3 2 1
= = X X X X X P ...........................(4)
X
3
=F, X
2
=T, X
5
=T
) | ( ) , | ( ) | ( ) | ( ) ( ) , , , , (
4 5 3 2 4 1 3 1 2 1 5 4 3 2 1
X X P X X X P X X P X X P X P X X X X X P =

Untuk X
1
=T, maka:
P(X1) =0.5
P(X
2
| X
1
) =0.9
P(X
3
| X
1
) =0.9
P(X
4
| X
2
, X
3
) =0.9
P(X
5
| X
4
) =0.8
2916 . 0 8 . 0 9 . 0 9 . 0 9 . 0 5 . 0 ) , , , , (
5 4 3 2 1
= = X X X X X P ...........................(5)
Untuk X
1
=F, maka:
P(X
1
) =0.5
P(X
2
| X
1
) =0.2
P(X
3
| X
1
) =0.4
P(X
4
| X
2
, X
3
) =0.9
P(X
5
| X
4
) =0.8
0288 . 0 8 . 0 9 . 0 4 . 0 2 . 0 5 . 0 ) , , , , (
5 4 3 2 1
= = X X X X X P ...........................(6)
31
J adi P(X
1
, X
2
, X
3
, X
4
, X
5
) untuk X
4
=1 adalah:

= =
5 3 2 1
, , ,
5 4 3 2 1 5 4 3 2 1
) , 1 , , , ( ) , , , , (
X X X X
X X X X X P X X X X X P
57996 . 0 ) 6 ( ) 5 ( ) 4 ( ) 3 ( ) 2 ( ) 1 ( = + + + + + =
Probabilitas trotoar basah karena keran air menyala (sprinkler):
) 1 (
) , 1 , 1 , , (
) 1 (
) 1 , 1 (
) 1 | 1 (
4
, ,
5 4 3 2 1
4
4 3
4 3
5 2 1
=
= =
=
=
= =
= = =

X P
X X X X X P
X P
X X P
X X P
X X X

44754 . 0
57996 . 0
25956 . 0
) 1 | 1 (
4 3
= = = = X X P
Probabilitas trotoar basah karena turun hujan (rain):
) 1 (
) , 1 , , 1 , (
) 1 (
) 1 , 1 (
) 1 | 1 (
4
, ,
5 4 3 2 1
4
4 2
4 2
5 3 1
=
= =
=
=
= =
= = =

X P
X X X X X P
X P
X X P
X X P
X X X

69584 . 0
57996 . 0
40356 . 0
) 1 | 1 (
4 2
= = = = X X P
Dari perhitungan di atas dapat kita simpulkan bahwa trotoar basah
disebabkan karena hujan, dengan bukti ) 1 | 1 ( ) 1 | 1 (
4 3 4 2
= = > = = X X P X X P ,
artinya probabilitas trotoar basah karena hujan lebih besar dari probabilitas karena
keran air menyala.

2.5 PENERAPAN JEJARING BAYESIAN UNTUK STUDENT MODEL
ITS merupakan bagian dari sistem basis pengetahuan yang diorientasikan
untuk mengajar. Khususnya, sebuah ITS merupakan sistem komputer ahli yang
mempunyai pengetahuan yang dalam tentang masalah subjek tertentu dan
memandu pembelajar dalam memperoleh pengetahuannya dalam sebuah proses
32
yang interaktif. Meskipun ada definisi tentang ITS yang tidak diterima dengan
mempertanyakan apa arti mengajar dengan cara yang intelijen, sekumpulan
fitur yang ada pada ITS adalah bahwa ITS dapat menyimpulkan sebuah model dari
tingkat di mana seorang pembelajar telah menguasai suatu subjek pengetahuan.
Model ini digunakan untuk membedakan tipe pengajaran yang dibutuhkan oleh
pembelajar. Model pembelajar (student model) adalah komponen ITS yang
menggambarkan keadaan sekarang dari pengetahuan pembelajar dan proses yang
terdiri dari penarikan kesimpulan atas kemampuan kognitif pembelajar dari data
yang diobservasi yang disebut diagnosa.
Student model dan proses diagnosa merupakan dua komponen yang harus
dirancang secara bersamaan dan rancangan ini disebut dengan student modeling
problem. J ejaring Bayesian akan digunakan untuk mengambarkan student model
ini dan proses diagnosa akan menggunakan algoritma Bayesian. Student modeling
problem kemudian menjadi bentuk lain dari pengujian dan penilaian yang dapat
dibangun ke dalam model sebagai maksud untuk meningkatkan representasi dari
pengetahuan pembelajar. Kemudian dijelaskan bagaimana pendekatan
psikometrik dapat diaplikasikan dalam masalah ini. Teknik baru ini termasuk
pengenalan model secara statistik dan penarikan kesimpulan menggunakan
jejaring Bayesian.
J ejaring Bayesian telah berhasil digunakan untuk merancang sistem pakar
diagnosa penyakit (Milln, 1999). Masalah diagnosa penyakit ini menyimpulkan
suatu penyakit dari satu set gejala-gejala yang terobservasi. Student modeling
problem sangat mirip dengan masalah diagnosa penyakit ini karena student
33
modeling problem menyimpulkan pengetahuan pembelajar pada subjek tertentu
dari satu set data yang terobservasi, misalnya jawaban pembelajar tersebut pada
satu set pertanyaan yang diberikan oleh sistem. Oleh karena itu, dapat
disimpulkan jejaring Bayesian dapat dipakai untuk menyimpulkan student model
seperti yang telah digunakan dalam masalah diagnosa penyakit.
Dalam menarik kesimpulan mengenai informasi kemampuan yang
dimiliki oleh pembelajar, akan lebih baik jika data kemampuan direpresentasikan
dalam nilai berupa angka-angka yang mempunyai interpretasi umum dalam
lingkungan pembelajaran. Representasi yang paling cocok untuk deskripsi ini
adalah probabilitas. Probabilitas mempunyai kelebihan dalam merepresentasikan
dan menginterpretasikan tingkat kemampuan pembelajar karena probabilitas
menyediakan nilai-nilai matematika dan cara untuk mengatasi ketidakpastian
dalam tugas menilai kemampuan dan pengetahuan yang dimiliki pembelajar.
Kelebihan lainnya adalah bahwa probabilitas lebih ringkas, mudah dimengerti,
dan lebih mudah untuk dimanipulasi. Hasil dari probabilitas model pembelajar
akan selalu konsisten walaupun tidak selalu akurat, dan selalu dapat dijelaskan
dalam bagian-bagian model yang digunakan untuk membangunnya.
Dalam skripsi ini, metode yang digunakan untuk menghitung probabilitas
adalah jejaring Bayesian. Alasan memakai jejaring Bayesian ini adalah karena
berdasarkan survey yang dilakukan dalam penelitian-penelitian sebelumnya,
tingkat kepercayaan untuk menggunakan jejaring Bayesian untuk digunakan
sebagai pengambil kesimpulan mengenai student model sangatlah tinggi. Sebagai
34
buktinya jejaring Bayesian telah berhasil diaplikasikan untuk membangun student
model dalam beberapa aplikasi berikut:
HYDRIVE memodelkan kemampuan pembelajar dalam menemukan masalah
sistem hidrolik pesawat
ANDES adalah sebuah ITS yang mengajarkan bagaimana menyelesaikan
masalah Fisika Newton
2.5.1 Membangun Student Model
J ika kita menggunakan jejaring Bayesian untuk mendefinisikan sebuah
student model, variabel-variabelnya dapat digambarkan dalam beberapa hal yang
berbeda, tergantung pada domain yang bersangkutan. Variabel-variabel dapat
berupa aturan, konsep, masalah, atau bahkan kemampuan atau keahlian. Variabel-
variabel ini dihubungkan dengan pengaruh sebab-musabab (kausal) di antara
variabel-variabel tersebut. Sesekali waktu hubungan antar variabel yang telah
didefinisikan ini perlu untuk ditentukan nilai conditional probability-nya.
Dalam jejaring Bayesian, probabilitas dihitung berdasarkan reliabilitas
dari prior probability dan conditional probability yang dijelaskan dalam jejaring,
yakni kemungkinan seorang pembelajar yang telah menguasai sebuah konsep
menjawab dengan benar pertanyaan yang mengandung konsep tersebut. Untuk
menemukan prior probability ini, digunakan tes diagnosis. Kita merencanakan
untuk memeperlakukan setiap konsep sebagai sebuah subskill yang berbeda,
kemudian menggunakan tes diagnosa untuk mencari tahu subskill manakah yang
sudah dikuasai oleh pembelajar. Dengan menghitung berapa kali setiap konsep
35
atau subskill dikuasai, maka dapat diperkirakan prior probability dari konsep
tersebut.
Bayangkan ketika menjawab sebuah pertanyaan tertentu, seorang
pembelajar telah mengetahui n konsep. Untuk membangun sebuah jejaring
Bayesian untuk student model, perlu kita definisikan beberapa variabel berikut:
Untuk setiap pertanyaan, sebuah variabel Q menunjukkan kemungkinan
pembelajar mampu atau tidak untuk menjawab pertanyaan. Q mempunyai dua
nilai: true jika pembelajar menjawab dengan benar, dan false jika sebaliknya.
Untuk setiap i =1, 2, , n sebuah variabel C
i
menunjukkan kemungkinan
pembelajar memahami konsep ke-i. C
i
juga mempunyai dua nilai: true jika
pembelajar memahami konsep ke-i, atau false jika sebaliknya.
J ejaring Bayesian yang menggambarkan hubungan antara Q dan C
i
adalah
sebagai berikut:
C1 C2 C3
Q
...

Gambar 2.4 Jejaring Bayesian untuk node Q dan C
i
36
Parameter yang diperlukan untuk jejaring ini adalah:
Prior probability C
1
, C
2
, , n
Conditional probability Q yang dihasilkan oleh C
1
, C
2
, , C
n
sebanyak n +2
n

parameter
Untuk memudahkan dalam menentukan parameter dibuat dua parameter
baru untuk setiap konsep C:
s
i
(slip factor): kemungkinan seorang pembelajar yang memahami konsep ke-i
gagal untuk menerapkannya secara benar dalam pertanyaan tertentu.
g
i
(guess): kemungkinan seorang pembelajar menebak jawaban dengan benar,
bahkan ketika ia tidak menerapkan konsep ke-i dengan benar.
Kemudian, probabilitas
) , , , | (
2 1 n
C C C q Q P K =
dapat dihitung sebagai
berikut:


= = = =
N i
i
N i
i j j i i
g s S j c C S i c C q Q P ) 1 ( ) , , | (

Di mana
} | } , , 2 , 1 { {
i i
c C n i S = = K
.
2.5.2 Contoh Penerapan Jejaring Bayesian untuk Student Model
Sebuah contoh sederhana akan digunakan untuk memberikan gambaran
masalah dan pendekatannya. Contoh yang akan dipakai adalah melakukan operasi
pertambahan pecahan dalam matematika. Konsep kemampuan yang dibutuhkan:
C
1
: menjumlahkan seluruh angka (AddNum)
C
2
: menyederhanakan pecahan (SimplFract)
C
3
: menemukan faktor persekutuan terkecil (FindLCM)
C
4
: menemukan persamaan pecahan yang sesuai dan menggunakan LCM
(EquivFract)
37
Tipe masalah (pertanyaan) yang berbeda dapat dikelompokkan sesuai
dengan tingkat kesulitannya. Semakin banyak konsep yang perlu diketahui
pembelajar dalam memecahkan suatu masalah berarti akan semakin tinggi tingkat
kesulitan masalah tersebut. Tipe-tipe masalah dan konsep yang dibutuhkan untuk
jawaban ditunjukkan pada tabel berikut:
Tabel 2.1 Hubungan masalah (Q) dan konsep (C)
Tipe Permasalahan Contoh Permasalahan Konsep yang Dibutuhkan
Q
1 3
1
3
1
+ C
1
Q
2 4
1
4
1
+ C
1
, C
2
Q
3 4
1
3
1
+ C
1
, C
3
, C
4
Q
4 6
1
3
1
+ C
1
, C
2
, C
3
, C
4

Untuk menggambarkan informasi ini, kita gunakan J ejaring Bayesian
berikut:

Gambar 2.5 Topologi jejaring Bayesian untuk pertambahan pecahan
38
Oleh karena itu, untuk masalah ini kita akan membutuhkan prior
probability dari setiap penguasaan konsep dan conditional probability dari
pembelajar untuk mampu atau tidaknya dalam memecahkan masalah tertentu.
Pada contoh di atas, kita membutuhkan 4 prior probability dan
4 3 2
2 2 2 2 + + +
conditional probability, sehingga seluruhnya berjumlah 34 parameter. Tetapi
tidak hanya jumlah parameter yang dianggap penting, tetapi juga sifat dasar
parameter. Sebagai contoh, salah satu dari parameter akan menjadi probabilitas
bahwa seorang pembelajar mampu untuk memecahkan masalah tipe 4, dinyatakan
mengenai pembelajar bahwa dia tahu bagaimana melakukan penjumlahan seluruh
angka dan menemukan LCM tetapi tidak tahu bagaimana menyederhanakan
pecahan serta tidak tahu menemukan persamaan pecahan.
Untuk mengurangi kompleksitas parameter conditional probability yang
digunakan, dengan menggunakan pendekatan yang disajikan di sini maka:
Prior probability dapat diperkirakan oleh pengajar atau diperoleh dari tes
yang diberikan untuk sebagian kelompok dari para pembelajar untuk
mendapatkan sampel probabilitas dari suatu populasi.
Probabilitas dari faktor slip atau guess untuk setiap konsep yang ada di
dalamnya harus diperkirakan oleh pengajar dan tentu saja akan dihubungkan
dengan bagaimana tingkat kesulitan konsep tersebut. Akan lebih mudah untuk
slip pada konsep yang mengandung perhitungan yang sulit dan untuk guess
pada konsep yang mudah.
Dengan ini kita telah mengurangi kompleksitas dari model menjadi 12
parameter saja. Sebagai contoh kita perkirakan parameter sesuai pada Tabel 2.2.
39
Tabel 2.2 Prior probability, slip probability, dan guess probability
Konsep Prior (p) Slip (s) Guess (g)
C
1
(AddNum) 0.9 0.1 0.3
C
2
(SimplFract) 0.8 0.2 0.4
C
3
(FindLCM) 0.6 0.4 0.1
C
4
(EquivFract) 0.7 0.3 0.1

Kemudian conditional probability dapat dihitung dari parameter-
parameter tersebut. Contohnya probabilitas bahwa seorang pembelajar mampu
memecahkan masalah tipe 4, dinyatakan mengenai pembelajar bahwa dia tahu
bagaimana untuk melakukan penjumlahan seluruh angka dan menemukan LCM,
tetapi tidak tahu bagaimana menyederhanakan pecahan serta tidak tahu
menemukan persamaan pecahan, adalah:
0216 . 0 1 . 0 6 . 0 4 . 0 9 . 0 ) 1 ( ) 1 ( ) , , , | (
4 3 2 1 4 3 2 1 4 4
= = = = g s g s c c c c q Q P

J adi semua conditional probability dapat dihitung dengan mengalikan
kombinasi antara slip dan guess seperti cara di atas.

2.6 PEMETAAN KONSEP
Pemetaan konsep dikembangkan oleh J oseph Novak di Cornell University
pada tahun 1960-an berdasarkan dari teori David Ausubel yang menekankan
pentingnya sebuah pengetahuan awal dalam pembelajaran tentang konsep yang
baru. Pemetaan konsep adalah sebuah teknik untuk menampilkan pengetahuan
dalam bentuk grafik. Grafik-grafik pengetahuan adalah jaringan dari konsep-
konsep. J aringan terdiri dari beberapa node dan garis-garis yang menghubungkan
40
node. Node mewakili konsep, sementara garis (atau anak panah) mewakili
hubungan antar konsep-konsep yang ada. Oleh karena itu, melalui pemetaan
konsep seseorang dapat:
Melihat koneksi antara pengetahuan-pengetahuan yang relevan yang telah
dimiliki sebelumnya
Menghubungkan pengetahuan-pengetahuan yang dimilikinya dengan konsep-
konsep baru yang sedang dipelajari
Mengorganisasikan pengetahuan dalam sebuah urutan logis dengan struktur
yang tidak kaku

Gambar 2.6 Contoh pemetaan konsep
41
Pemetaan konsep dibuat dengan tujuan sebagai berikut:
Untuk memproses ide-ide (brainstorming, dan lain-lain)
Untuk mendesain sebuah struktur kompleks (teks yang panjang, hypermedia,
web site yang besar, dan lain-lain)
Untuk mengkomunikasikan ide-ide yang kompleksitas
Untuk mempermudah pembelajaran dengan menegaskan gabungan
pengetahuan yang lama dengan yang baru
Untuk menilai pemahaman atau mendiagnosa kesalahpahaman

2.7 BAHASA PEMROGRAMAN PHP
PHP adalah salah satu bahasa pemrograman yang berjalan dalam sebuah
web server dan berfungsi sebagai pengolah data pada sebuah server sehingga web
site tersebut menjadi lebih dinamis dan mudah di-update setiap saat dari web
browser mana pun. Beberapa keunggulan PHP adalah:
PHP memiliki tingkat akses yang lebih cepat
PHP memiliki tingkat lifecycle yang cepat sehingga selalu mengikuti
perkembangan teknologi Internet
PHP mampu berjalan di Linux sebagai platform sistem operasi, namun juga
dapat berjalan di FreeBSD, Unix, Solaris, Windows, dan lain-lain
PHP mendukung akses ke beberapa basis data yang sudah ada, baik yang
bersifat free maupun komersial, antara lain MySQL, PostgreSQL, mSQL,
Informix, dan Microsoft SQL Server
PHP bersifat free sehingga efektif dalam biaya
42

2.8 BASIS DATA
Menurut Subekti (1997, p8), basis data adalah kumpulan terintegrasi dari
occurences file/table yang merupakan presentasi data dari suatu model enterprise.
Misalnya basis data kemahasiswaan dan perkuliahan, keuangan, personalia,
material, dan logistik.
Sifat dari basis data adalah integrated dan shared. Integrated berarti basis
data tersebut terdiri dari penggabungan beberapa file data yang berbeda-beda
dengan mengurangi dan membatasi pengulangan baik keseluruhan file maupun
sebagian. Sedangkan shared berarti bahwa data individual dalam basis data dapat
digunakan secara bersamaan oleh beberapa pengguna yang berbeda.
Basis data adalah sebuah koleksi dari data yang berhubungan.
Penyimpanan data untuk sebuah basis data dikerjakan oleh penggunaan dari satu
atau lebih file. Sebuah basis data yang komprehensif seharusnya mempunyai
semua informasi untuk mengatur beberapa kegiatan usaha, misalnya sebuah
bisnis, pelajaran ilmiah, atau sebuah departemen pemerintah. Koleksi data
komprehensif yang mendukung beberapa bagian dari beberapa kegiatan juga
biasanya disebut basis data. Sebuah basis data adalah representasi struktur dari
data yang menggambarkan sebuah subset yang didefinisikan dan dibatasi antara
record.
Basis data adalah koleksi dari data, biasanya menggambarkan aktivitas
satu atau lebih organisasi yang berhubungan. Sebagai contoh sebuah basis data
universitas mungkin mempunyai informasi tentang:
43
Entitas seperti mahasiswa, fakultas, kuliah, dan ruang kelas.
Relasi antar entitas, seperti pendaftaran mahasiswa pada kuliah.
Fakultas mengajar kuliah, dan penggunaan ruang kelas untuk kuliah
2.8.1 Basis Data Relasional
Basis data relasional adalah kumpulan tabel-tabel yang saling
berhubungan. Tabel tersebut terdiri atas field dan record, di mana field terdiri dari
beberapa record, sedangkan record sendiri merupakan data atau informasi.
Sebuah record dapat diibaratkan sebagai sebuah baris data dalam tabel,
sedangkan field (atau atribut) adalah sebuah kolom dalam tabel.
Pada dasarnya, key adalah satu atau gabungan dari beberapa atribut yang
dapat membedakan semua baris data (row) dalam tabel secara unik. Artinya, jika
suatu atribut dijadikan sebagai key maka tidak boleh ada dua atau lebih baris data
dengan nilai yang sama untuk atribut tersebut.
Ada tiga macam key yang dapat diterapkan pada suatu tabel, yaitu primary
key, foreign key, dan candidate key. Primary key merupakan field yang digunakan
untuk menghubungkan tabel dengan tabel lainnya. Primary key dapat terdiri dari
sebuah atau beberapa field yang harus unik. Foreign key merupakan key tujuan,
yaitu berupa field yang digunakan sebagai field tujuan yang dihubungkan dengan
primary key sebagai key asal. Sedangkan candidate key adalah field yang dapat
menjadi primary key pada suatu tabel.
2.8.2 Structured Query Language
Structured Query Language (SQL) merupakan suatu alat untuk
mengorganisasikan, mengatur, dan mengambil data yang tersimpan dalam suatu
44
basis data komputer (Weinberg, 1999). SQL digunakan untuk mengontrol semua
fungsi DBMS (Database Management System), termasuk:
Data definition
Data retrieval
Data manipulation
Access control
Data sharing
Data integrity
Bentuk perintah umum dalam SQL adalah select, insert, delete, dan
update.
2.8.3 MySQL
MySQL adalah salah satu jenis basis data yang didukung oleh bahasa
pemrograman PHP. MySQL saat ini digunakan dalam mayoritas aplikasi yang
menggunakan PHP sebagai bahasa pemrogramannya. Hal itu dikarenakan
MySQL mempunyai beberapa keuntungan seperti:
Efektif dalam biaya karena bersifat free
Memiliki performa yang cepat
Mudah digunakan karena menggunakan sintaks SQL
Dengan menggunakan sintaks PHP ataupun tools lain seperti phpMyAdmin,
data yang disimpan pada MySQL dapat dimanipulasi dengan mudah dan
praktis
Open source

45
2.9 ALAT PERANCANGAN SISTEM
Menurut Pressman (1992, p186) ada tiga alasan dalam memakai
perancangan dalam membuat suatu sistem:
Supaya dapat terfokus pada bagian sistem yang penting
Supaya dapat terfokus pada bagian yang akan mengalami perubahan-
perubahan dan koreksi serta dokumentasi
Supaya dapat mengerti akan lingkungan pemakai, sehingga sistem tersebut
lebih baik
2.9.1 State Transition Diagram
State transition diagram merupakan suatu alat perancangan yang
menggambarkan sistem untuk mempengaruhi keadaan yang dinamis (Pressman,
1992). Keadaan di sini dapat difokuskan dan dihubungkan dalam berbagai cara
untuk merepresentasikan sifat yang sekuensial dan concurrent (bersamaan).
Transisi di antara dua keadaan umumnya disebabkan oleh suatu kondisi. Adapun
komponen dan simbol yang digunakan dalam diagram ini adalah:
Modul yang dipanggil apabila terjadi suatu tindakan, dinotasikan dengan
lingkaran kecil.

Gambar 2.7 Notasi modul
State, yaitu tampilan kondisi sistem yang digunakan menurut keadaan atau
atribut untuk memenuhi suatu tindakan pada waktu tertentu yang mewakili
suatu keberadaan atau kondisi tertentu. State ini disimbolkan dengan kotak.
46

Gambar 2.8 Notasi state
State transition, dinotasikan dengan anak panah dan disertai keterangan
tindakan yang dilakukan.

Gambar 2.9 Notasi state transition
Kondisi dan aksi, dinotasikan seperti di bawah ini:

Gambar 2.10 Notasi kondisi dan aksi
2.9.2 Spesifikasi Proses
Spesifikasi proses merupakan penjelasan dari proses-proses yang terjadi di
dalam sistem. Spesifikasi proses harus dapat dimengerti baik oleh pemakai
maupun pembuat sistem. Spesifikasi proses akan menjadi pedoman bagi pembuat
program dalam membuat kode program maupun dokumentasi. Ada banyak cara
untuk membuat spesifikasi suatu proses, antara lain dengan menggunakan
(Pressman, 1992):
47
Tabel keputusan (decision table)
Bahasa terstruktur (pseudocode)
Bagan alur (flowchart)
Diagram Nassi-Shneiderman (diagram N-S)
Bentuk narasi atau cerita

2.10 INTERAKSI MANUSIA DAN KOMPUTER
Interaksi manusia dan komputer adalah disiplin ilmu yang berhubungan
dengan perancangan, evaluasi, dan implementasi sistem komputer interaktif untuk
digunakan oleh manusia, serta studi fenomena-fenomena besar yang berhubungan
dengannya. Interaksi manusia dan komputer menitik beratkan pada perancangan
dan evaluasi antarmuka pemakai (user interface).
Antarmuka pemakai adalah bagian sistem komputer yang memungkinkan
manusia berinteraksi dengan komputer.
Dalam merancang dan membuat sistem, salah satu yang perlu diperhatikan
adalah dalam perancangan tampilannya, karena sebuah tampilan yang tidak user
friendly akan sulit dipelajari, dimengerti, dan mungkin membingungkan bagi
pemakai dalam menggunakan sistem komputer tersebut, sehingga dapat membuat
si pemakai menjadi frustasi, gagal, dan takut. Beberapa hal yang perlu dimengerti
dalam melakukan desain interface adalah siapa yang menggunakan sistem
komputer, bagaimana pemakai menafsirkan informasi yang disampaikan dan
dihasilkan oleh sistem komputer, bagaimana pemakai belajar untuk berinteraksi
dengan sistem komputer, dan apa yang diharapkan dari pemakai sistem komputer.
48
Menurut Shneiderman (1998, p72) ada delapan faktor utama yang perlu
diperhatikan dalam merancang tampilan, yaitu :
Harus konsisten
Misalnya dalam pemakaian menu, layar help, perintah, warna, jenis huruf,
tampilan layar haruslah konsisten.
Memperbolehkan pemakai untuk mempergunakan tombol pintas.
Bertujuan untuk meningkatkan penggunaan suatu aplikasi, bisa berupa
singkatan, special keys, perintah tersembunyi, dan fasilitas lainnya yang
memahami pengetahuan pemakai. Tujuan dari tombol ini adalah
mempermudah dan mempercepat pengoperasian.
Umpan balik yang informatif, sehingga tidak membingungkan pemakai.
Untuk setiap aksi user, sistem harus memberikan feedback.
Rancangan layar untuk menampilkan keadaan akhir.
Setiap layar yang ditampilkan menghasilkan keadaan akhir
Ada penanganan kesalahan.
Dalam merancang sistem harus dipikirkan kemungkinan seorang user
membuat kesalahan. Untuk mengatasi hal ini maka sistem harus memberikan
instruksi atau solusi yang sederhana sehingga kesalahan tersebut dapat
diperbaiki oleh user.
Mengijinkan pemakai memperbaiki kesalahan yang dilakukan.
Kebanyakan suatu aksi yang dilakukan user harus bisa dilakukan pembalikan
aksi.
Pengontrol terletak pada pemakai sistem.
49
Memungkinkan user untuk menguasai sisten atau sebagai inisiator bukan
sebagai responden.
Mengurangi hafalan bagi pemakai
manusia sangat terbatas memorinya dalam mengingat informasi jangka
pendek, sehingga sebaiknya seminim mungkin meminta user untuk
menghafal.