lala

Implementasi Machine Learning Dalam Evaluasi Pembelajaran

Lala Septem Riza

Departemen Pendidikan Ilmu Komputer

Universitas Pendidikan Indonesia

Email: lala.s.riza@upi.edu

Tulisan ini akan membahas beberapa implementasi yang dapat dilakukan oleh algoritma Machine Learning untuk membantu pekerjaan yang terkait dalam evaluasi pembelajaran. Pada dasarnya, struktur pembahasan tulisan ini terdiri dari dua bagian, yaitu (i) konsep dan algoritma Machine Learning dan (ii) contoh implementasi algoritma dalam evaluasi pembelajaran.

Machine Learning adalah suatu bidang keilmuan yang termasuk dalam Artificial Intelligence (AI, Kecerdasan Buatan) yang berfokus pada algoritma dan metode yang mampu membangun model dari training data yang tersedia (Abu-Mostafa et al., 2012). Atau dengan kata lain, metode dalam Machine Learning mampu belajar dari data tersedia. Kemampuan belajar dari data ini terjadi karena pada prinsipnya algoritma mampu mengungkapkan struktur/ pola yang tersembunyi dari data, mencari asosiasi/ keterhubungan antar data input dan output, dan dapat meniru bagaimana proses belajar yang terjadi pada organisme.

Pada umumnya terdapat dua proses yang terlibat dalam Machine Learning, yaitu learning dan prediction. Learning berarti suatu proses dimana algoritma menghasilkan suatu model yang merepresentasikan suatu struktur, pola, persamaan, atau asosiasi yang terkandung dalam training data. Sedangkan proses kedua adalah suatu tahapan ketika kita ingin menguji model tersebut dengan data baru, sehingga diperoleh suatu nilai prediksi. Salah satu contoh metode klasik dalam Machine Learning adalah Gradient Descent (Cauchy, 1847). Proses learning pada metode ini akan menghasilkan suatu model yang berisi koefisien – koefisien dari persamaan linear atas setiap variable pada data. Selanjutnya, dengan menggunakan model persamaan linear ini, Gradient Descent dapat memprediksi suatu nilai dari data yang baru.

Machine learning seringkali dapat dibagi dalam tiga kategori berdasarkan kondisi data dan model yang akan dibangun, yaitu:

  1. Supervised learning: yaitu suatu teknik untuk membuat model yang memetakan input dan output dari data training. Sehingga, pada kasus ini, kita perlu memberikan suatu training data yang digunakan untuk membangun model. Terdapat dua kelompok yang termasuk dalam kategori ini, yaitu:
    1. Classification: Termasuk dalam golongan ini jika output dari training data berupa nilai categorical/ class. Contoh aplikasi Machine Learning dalam classification antara lain adalah: Fuzzy Rule-Based Classification Systems (Chi, Z. et al., 1996) untuk diagnosa sleep disorder (Riza, L.S. et al., 2016). Untuk penggunaan secara umum dalam classification, berikut dua software library yang dapat digunakan: “frbs” (Riza, L.S. et al., 2014; Riza L.S. et al., 2015) dan “RoughSets” (Riza, L.S. et al., 2014).
    2. Regression: Termasuk dalam kelompok ini jika outputnya merupakan bilangan real. Contoh kasus dalam regression adalah Gradient Descent untuk prediksi nilai Z-Factor (Riza, L. S. et al., 2016).
  2. Unsupervised learning: yaitu suatu teknik untuk membuat model dari suatu data training yang tidak mengandung nilai output. Pada kasus ini, terdapat dua tipe yaitu clustering dan association rule.
  3. Reinforcement learning: yaitu suatu teknik yang membangun model dengan cara menyediakan stimulus pada suatu lingkungan yang mana model tersebut merespon dan bereaksi atasnya.

Seperti yang dijelaskan sebelumnya bahwa pemanfaatan konsep dan metode Machine Learning telah dilakukan di segala bidang. Pada bagian ini, akan dibahas implementasi Machine Learning untuk evaluasi pembelajaran.

Secara harfiah kata evaluasi berasal dari bahasa Inggris evaluation; dalam bahasa Arab: al-Taqdir; dalam bahasa Indonesia berarti: penilaian (Sudijono, 2012). Evaluasi sendiri dikemukakan oleh beberapa ahli. Evaluasi juga berarti suatu tindakan atau suatu proses untuk menentukan nilai dari sesuatu (Wandt, E. & Gerlad W.B., 1957). Sedangkan menurut Zainal Arifin (2012), dalam sistem pembelajaran (maksudnya pembelajaran sebagai suatu sistem), evaluasi merupakan salah satu komponen penting dalam tahap yang harus ditempuh oleh guru untuk mengetahui keefektifan pembelajaran. Hasil yang diperoleh dari evaluasi dapat dijadikan (feed-back) bagi guru dalam memperbaiki dan menyempurnakan program dan kegiatan pembelajaran.

Seringkali untuk mengurangi berbagai bentuk kecurangan dalam evaluasi pembelajaran, panitia pembuat soal/ guru membuat beberapa paket soal dengan bobot yang sama. Pembuatan paket soal ini memberikan beberapa kesulitan, antara lain terkait efisiensi waktu pembuatan soal, variasi soal, pengukuran tingkat kesulitan tiap paket soal, dll. Sehingga, untuk mengatasi itu semua, secara praktek panitia hanya sekedar mengacak kemunculan soal tersebut. Pada penelitian yang dilakukan penulis, pembuatan paket soal dapat dilakukan secara otomatis dengan menggunakan pendekatan Machine Learning, yaitu menggunakan metode Fuzzy C-Means (Bezdek, J.C. et al., 1984).

Pada prinsipnya, terdapat beberapa langkah penting dalam model untuk men-generate paket soal secara otomatis dengan menggunakan Fuzzy C-Means. Pada langkah pertama, kita perlu membuat atau mengumpulkan soal yang akan diujikan untuk dijadikan suatu bank soal. Selanjutnya, kita perlu mendefiniskan parameter yang akan dilekatkan pada tiap butir soal tersebut. Parameter ini yang akan dijadikan sebagai fitur sehingga Fuzzy C-Means dapat membuat cluster centers. Beberapa parameter yang dapat dipertimbangkan antara lain adalah Bloom’s Taxonomy (Bloom et al., 1984), tipe butir soal (misalkan pilihan ganda atau esai), ekpektasi waktu pengerjaan, dll. Langkah berikutnya adalah mengimplementasikan dan menjalankan Fuzzy C-Means atas data yang diperoleh untuk mendapatkan pusat kluster. Pembuatan paket soal dilakukan dengan mengambil anggota dari kluster dengan cara random pada tiap kluster. Dengan menggunakan teknik ini, kesamaan karakteristik dan bobot pada tiap paket soal dapat dicapai karena pada dasarnya metode clustering digunakan untuk mendapatkan anggota kluster yang memiliki karakteristik yang sama.

Banyak permasalahan lain dalam bidang evaluasi pembelajaran yang dapat dipecahkan dengan menggunakan Machine Learning. Misalkan, pembuatan soal secara otomatis dengan menggunakan Natural Language Processing dan Machine Learning. Kemudian, sistem pemetaan dan rekomendasi kesulitan siswa atas suatu materi tertentu dengan menggunakan Association Rules. Karakteristik dan bobot butir soal juga dapat ditentukan dan dianalisa dengan menggunakan berbagai metode yang ada dalam Machine Learning.  Karena keterbatasan ruang penulisan, detil pemecahan permasalahan tersebut tidak dapat dijelaskan dalam tulisan ini.

Akhirnya dapat mengambil kesimpulan sebagai penutup bahwa dengan kolaborasi atau cross fertilization berbagai bidang keilmuan, kita dapat memecahkan beberapa persoalan dengan lebih effisien dan efektif, salah satunya adalah implementasi Machine Learning untuk evaluasi pembelajaran yang telah dibahas dalam tulisan ini.

 

Daftar Pustaka

Abu-Mostafa, Y.S., Magdon-Ismail, M., & Lin, H.T. (2012). Learning from data (Vol. 4). New York, NY, USA. AMLBook.

Bezdek, J.C., Ehrlich, R., & Full, W. (1984). FCM: The fuzzy c-means clustering algorithm. Computers & Geosciences10(2-3), 191-203.

Bloom, B.S., Krathwohl, D.R., & Masia, B.B. (1984). Bloom taxonomy of educational objectives. Allyn and Bacon, Boston, MA. Copyright (c) by Pearson Education.

Cauchy, A. (1847). Méthode générale pour la résolution des systemes d’équations simultanées. Comp. Rend. Sci. Paris25(1847), 536-538.

Chi, Z., Yan, H., & Pham, T. (1996). Fuzzy algorithms: with applications to image processing and pattern recognition (Vol. 10). World Scientific.

Riza, L.S., Bergmeir, C., Herrera, F., & Benitez, J. M. (2014, July). Learning from data using the R package” FRBS”. In Fuzzy Systems (FUZZ-IEEE), 2014 IEEE International Conference on (pp. 2149-2155). IEEE.

Riza L.S., Bergmeir C, Herrera F. & Benitez J.M. (2015). frbs: Fuzzy rule-based systems for classification and regression in R. Journal of Statistical Software, 65 1-30.

Riza, L.S., Janusz, A., Bergmeir, C., Cornelis, C., Herrera, F., Ślezak, D., & Benítez, J. M. (2014). Implementing algorithms of rough set theory and fuzzy rough set theory in the R package “roughsets”. Information Sciences287, 68-89.

Riza, L.S., Nasrulloh, I. F., Junaeti, E., Zain, R., & Nandiyanto, A. B. D. (2016). gradDescentR: An R package implementing gradient descent and its variants for regression tasks. In Information Technology, Information Systems and Electrical Engineering (ICITISEE), International Conference on (pp. 125-129). IEEE.

Riza, L.S., Pradini, M., Rahman, E.F., & Rasim. (2016). An Expert System for Diagnosis of Sleep Disorder Using Fuzzy Rule-Based Classification Systems, in Proceeding ICITDA – The International Conference on Information Technology and Digital Applications, 84-88.

Sudijono, A. (2012). Evaluasi Pendidikan. Depok: PT. Rajagrafindo Persada.

Wandt, E. & Gerlad W.B. (1957). Essential of Educational Evaluation. New York: Holt Rinehart and Winston.

Zaenal, A. (2012). Evaluasi Pembelajaran. Bandung: PT. Remaja Rosdakarya.