BAB III PERANCANGAN

3.1. Deskripsi Sistem Sistem pembelajaran cerdas labotarium komputer merupakan sistem yang dirancang untuk pembelajaran Praktikum Pemprograman Berorientasi Object antara pengguna (praktikan) dengan agen, dimana praktikan dapat berdialog dengan memasukkan pertanyaaan melalui keyboard untuk selanjutnya di jawab oleh agen. Secara umum sistem ini memiliki deskripsi sebagai berikut : a. Sistem pembelajaran cerdas ini merupakan sistem yang diterapakan di praktikum Pemprograman berorientasi object ITATS yang memiliki agen yang berfungsi untuk menjawab secara otomatis pertanyaan dari praktikan dimana komunikasi dan kolaborasi antar agen dibangun dengan

menggunakan metode NLP. b. Setiap agen memiliki pembangkitan tanggapan agen untuk melakukan proses semantik, yang terdiri dari parsing, cek kata dasar (stemming), (Knowledge Base), dan similarity dengan algoritma Levenshtein Distance jika terjadi kesalahan pengetikan oleh pengguna. c. Pertanyaan pengguna akan dianalisa melalui 5 (lima) tahapan yaitu , parsing untuk memisahkan kalimat menjadi kata-kata, stemming untuk

44

45

membuang awalan, akhiran, dan sisipan pada kata dengan tujuan mencari kata dasar, similarity dengan algoritma Levenshtein Distance untuk menegcek jika terjadi kesalahan pengetikan oleh pengguna, dan analisa semantik untuk pencocokan pertanyaan dengan basis pengetahuan agen (Knowledge Base). d. Tanggapan agen dibangkitkan dengan modul temu kembali informasi dengan memanfaatkan kunci relasi, deskripsi, dan obyek pada tabel basis pengetahuan agen melalui proses semantik. e. Proses semantik merupakan proses pengalihan bahasa alami ke dalam bahasa yang dimengerti oleh agen, Semantik mempelajari arti dari suatu kata dan bagaimana dari arti kata-kata tersebut membentuk suatu arti dari kalimat yang utuh. yaitu dengan penyusunan kalimat pertanyaan praktikan berdasarkan relasi, deskripsi, dan obyek sesuai dengan basis pengetahuan agen.

3.2. Rancangan Sistem Rancangan sistem dalam tugas akhir ini meliputi penjelasan tentang semantik yang melibatkan berbagai teknik antara lain Linguistic Analysis (Parsing), Grammar (steamer), pencocokan pertanyaan dengan basis pengetahuan agen (Knowledge Base), dan mengecek jika terjadi kesalahan pengetikan oleh pengguna dengan algoritma Levenshtein Distance.

46

3.2.1 Semantik Semantik adalah bagian dari tata bahasa yang mempelajari makna dalam bahasa tertentu, mencari asal mula dan perkembangan dari arti suatu kata, semantik hanya membicarakan tentang makna kata dan perkembangan makna kata. Terdapat beberapa hal dalam memberi makna kata dalam semantik antara lain : a. Sinonim adalah kata-kata yang memiliki bentuk berbeda tetapi memiliki arti sama, contoh buku sinonim kitab. b. Homonim adalah kata-kata yang memiliki bentuk sama tetapi memiliki arti berbeda, contoh bisa berarti dapat, dan bisa dalam arti racun. c. Perubahan makna, terdapat dua perubahan makna kata. Berikut ini adalah contoh jaringan semantik yang diterapkan di dalam Praktikum Berorientasi Object :

47

Gambar 3.5 Penerapan Jaringan Semantik Di dalam Praktikum PBO

48

Berikut ini adalah Flowchart dari deskripsi sistem tugas akhir yang menggambarkan proses kerja sistem untuk bisa menerapkan proses semantik NLP (Natural Language Processing) untuk praktikum berorientasi object ITATS :

49

Gambar 3.1 Flowchart Proses NLP

50

Flowchart dalam proses semantik (Gambar 3.1) dimulai dari pembuatan jaringan graf semantik sebelum melakukan penginputan kalimat, kemudian proses dilanjutkan dengan parsing kalimat yang memecah bagian gramatikal (kata benda, kata kerja, kata sifat, dan lain-lain. Setiap kata akan dicek apakah termasuk bentuk kata dasar atau bukan. Jika tidak, maka akan dilakukan stemming kata dan hasilnya akan dicek lagi seperti pada proses sebelumnya. Jika bukan kata dasar, maka akan dicari kesamaan (similarity) kata. Proses selanjutnya dilanjutkan pada pengecekan knowledge base agen. Jika tidak ditemukan, maka akan dicari dalam log aktifitas apakah pertanyaan praktikan memiliki hubungan dengan pertanyaan sebelumnya. Kata-kata dan frasa hasil dari proses parsing dan stemming dicari di dalam basis pengetahuan dengan melibatkan sinonim dan kata-kata yang berhubungan dengan kata yang dicari. Proses ini menghasilkan kata baru yang kemudian akan disusun kembali menjadi kalimat perubahan dan kalimat semantik.

3.2.2 Parsing Parsing dalam penelitian ini adalah proses untuk mengurai dan memecah kalimat menjadi bentuk kata-kata dan frasa-frasa. Parsing adalah Suatu sistem yang mengambil kalimat input bahasa alami dan menguraikannya ke dalam beberapa bagian gramatikal (kata benda, kata kerja, kata sifat, dan lain-lain). Berikut ini adalah flowchart dari penggunaan parsing di dalam sistem tugas akhir :

51

Gambar 3.2 Flowchart Parsing

Berikut ini adalah contoh penggunaan parsing tree di dalam kalimat praktikum pemprograman berorientasi object :

52

Kalimat : apa yang anda ketahui tentang inherintance dan yang diwariskan dari kelas induk ke kelas turunannya?

Gambar 3.6 Syntactic Tree

3.2.3 Stemming Stemming dalam tugas akhir ini adalah proses pemetaan dan penguraian berbagai bentuk (variants) dari suatu kata menjadi bentuk kata dasarnya. Contoh stemming antara lain pewarisan dikonstruksi dari awalan pe+ dan akhiran an, awalan pe dan akhiran an dihilangkan sehingga hasil stemming yang diharapkan adalah kata dasar waris. Berikut ini adalah flowchart dari penggunaan stemmer di dalam sistem tugas akhir :

53

Gambar 3.3 Flowchart Stemmer Berikut ini adalah contoh penggunaan Stemmer di dalam kalimat praktikum pemprograman berorientasi object :

54

Tabel 3.1: Contoh dokumen untuk Ilustrasi Stemmer No. 1 2 3 4 5 . 3.2.4 Basis Pengetahuan (Knowledge Base) Basis Pengetahuan adalah sekumpulan fakta yang dapat digunakan untuk program. Sama seperti basis data dapat digunakan untuk mengorganisasikan sekumpulan data, basis pengetahuan adalah sekumpulan fakta yang terorganisasi atau statement dari hubungan antara obyek, organisasi tertentu dari basis pengetahuan yang ditunjukkan oleh metode representasi dari basis pengetahuan yang dipilih oleh desainer program. Basis pengetahuan dalam tugas akhir ini direpresentasikan dalam bentuk tabel basis pengetahuan didalam Relational Data Base (RDB) yang digunakan sebagai dasar dari agen dalam memberikan tanggapan atas permintaan atau pertanyaan pengguna dalam percakapan yang dikembangkan. Missal ada kata yang memiliki arti sama maka bisa ditampung dan disimpan di dalam basis pengetahuan tersebut. Inti dasar (kernel) dari basis pengetahuan (KB) adalah jaringan semantik ( Semantic Network/SN). Isi tanpa proses Stemmer ... karakteristik pbo ... ...mengimplementasikan inherintance... ... pembungkusan method ... ... pewarisan kelas ... mendeklarasikan package ... Isi setelah proses Stemmer ... karakter pbo ... implementasi inherintance ... ... bungkus ... method ... ... waris kelas .... ... deklarasi package ...

55

3.2.5 Koreksi Kesalahan Pengetikan (Key Type Error Correction) Sistem dialog atau komunikasi interaktif dari pengguna dengan sistem komputer (agen antarmuka) dalam bentuk tanya jawab (QA) melalui teks yang dimasukkan melalui media keyboard sering terjadi kesalahan pengetikan, sehingga tanggapan yang diharapkan kurang atau bahkan tidak relevan, sehingga diperlukan adanya pembenahan/perbaikan dari teks yang dimasukkan sebelum diproses lebih lanjut oleh agen untuk memberikan tanggapan yang relevan pada pengguna. Dalam penelitian ini algoritma yang digunakan untuk koreksi kesalahan adalah algoritma Levenshtein Distance. Algoritma Levenshtein Distance adalah salah satu algoritma yang dapat digunakan yang mengukur nilai kedekatan antara kata sumber dengan kata referensi yang ditunjukkan dengan nilai jarak, diharapkan dengan diketahuinya jarak hubungan dari kata sumber dan kata referensi menjadi dasar untuk memperbaiki kesalahan dalam pengetikan. Berikut algoritma Levenshtein Distance :

for i <- 0 to kata_dicari.length do for j <- 0 to kata_sumber.length do if i = 0 then m[i,j] <- j //perbandingan dengan kosong else if j = 0 then m[i,j] <- i //perbandingan dengan kosong else //implementeasi pemrograman dinamis

if s1[i] = s2[j] then

56

cost <- 0 else cost <- 1 m[i,j] = minimum ( m[i-1, j-1] + cost, //substitusi m[i-1,j] + 1, //penghapusan m[i ,j-1] + 1, //penambahan ) return m[kata_dicari.length, kata_sumber.length] Berikut ini adalah flowchart dari Algoritma Levenshtein Distance di dalam sistem tugas akhir :

57

Gambar 3.4 Flowchart Levenshtein Distance Berikut ini adalah contoh penggunaan algoritma Levenshtein Distance di dalam kalimat praktikum pemprograman berorientasi object :

58

Tabel 3.2. Contoh Implementasi Algoritma Levenshtein Distance (LD) Kata Sumnber Sting Iherintace Pakage meto Encapsulatin Algritma Modfier Kata Referensi String Inherintance Package method Encapsulation Algoritma Modifier Jarak Hubungan 1 2 1 2 1 1 1

Jarak terkecil antara kata sumber dengan kata referensi bisa dijadikan acuan untuk memperbaiki kesalahan pengetikan, contoh dari tabel diatas kata sumber sting dapat diterjemahkan dari kata referensi string.

3.3. Pengguna dan Agen Pengguna yang dimaksud pada sistem ini adalah orang atau manusia yang mengakses, berinteraksi, atau berdialog langsung dengan sistem atau agen. Sedangkan agen adalah virtual teacher sebagai lawan dialog atau orang yang menanggapi pertanyaan pengguna. Berikut penjelasan pengguna dan agen yang terdapat dalam sistem ini : a. Administrator : orang yang memasukkan basis pengetahuan agen, kosa kata, hubungan kata (sinonim), katalog java, algoritma, agen antarmuka, asisten dosen, dan praktikan. b. Asisten Dosen (asdos) : orang yang memasukkan modul praktikum, materi java, dan katalok (istilah) java.

59

c.

Praktikan : Orang yang membaca modul praktikum, materi java, dan melakukan dialog interaktif dengan agen untuk pembelajaran java.