KECERDASAN BUATAN PADA GAME EDUKASI UNTUK

16

JURNAL SISTEM DAN INFORMATIKA

Kecerdasan Buatan Pada Game Edukasi Untuk Pembelajaran Bahasa Inggris Berbasis Pendekatan Heuristik Similaritas Andhik Ampuh Yunanto, Darlis Herumurti, Imam Kuswardayan Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember Kampus ITS, Jl. Raya ITS, Sukolilo - Surabaya 60111, Telp. + 62 31 5939214, Fax. + 62 31 5913804 e-mail: [email protected] , [email protected] , [email protected]

Abstrak Game menjadi salah satu industri yang berkembang pesat pada kehidupan sehari-hari. Saat ini game sangatlah popular di semua kalangan baik kalangan anak-anak, remaja maupun dewasa. Namun masih banyak game yang hanya memprioritaskan unsur adiktif dan mengabaikan unsur edukatif. Selain itu, banyak game berbasis pendidikan yang kurang memiliki unsur fun. Oleh karena itu, diperlukan game yang memiliki unsur edukasi dan fun sebagai media hiburan dan pendidikan bagi pengguna. Game edukasi yang bermanfaat di era globalisasi ini ialah tentang game edukasi Bahasa Inggris. Dalam pembangunan game dibutuhkan rancangan teori yang disebut gamification dimana salah satu elemen penting yang harus ada di dalam game ialah peran dari kecerdasan buatan dimana sering disebut AI (Artificial intelligence). Penelitian ini bertujuan untuk membangun AI pada game edukasi Bahasa Inggris yang cepat dan akurat. Metode yang digunakan pada AI ialah berbasis pada pendekatan heuristik terhadap kebiasaan manusia dalam menjawab soal seperti menyamakan soal dengan ingatannya pada kejadian sehari-hari. Sehingga pada AI diperlukan suatu persamaan untuk menghitung similaritas antara data di soal dan database. Hasil penelitian menunjukkan bahwa game dapat berjalan dengan lancar pada platform desktop dan android. Hasil metode AI yang diterapkan juga mendapatkan nilai akurasi yang tinggi yakni 85% dan memiliki tingkat kecepatan yang baik yakni rata-rata sekitar 12-16 milidetik. Sehingga metode pendekatan heuristik similaritas merupakan metode yang cukup menjanjikan ketika diimplementasikan pada kecerdasan buatan di game edukasi Bahasa Inggris untuk menjawab soal secara otomatis. Kata kunci: Game Edukasi, Kecerdasan Buatan dan Komputasional, Grammar Bahasa Inggris, Heuristik Similarity Teks, Natural Language Processing.

Abstract Game is an industry which growing rapidly in daily. Today, the game is very popular in all circles, both among children, juvenile and adults. But there are still many games that only prioritizes addictive elements and ignore the educational elements. Moreover, many education based on games don't have a fun element properly. So, we need a game that has education and fun elements as a medium of entertainment and education for users. Useful education game in this globalization era is about English educational game. To build a game, we need design theory called gamification where one of the essential elements that must exist in the game is the role of artificial intelligence which is often called AI. This study aims to build AI quickly and accurately in the educational English game. The method used in AI is based on heuristics of human behavior when answering questions such as solving problems using his daily activity memory. So, AI needs an equation for calculating the similarity between question and database. The results showed that the game can run smoothly on desktop and android platform. The results of AI methods has high accuracy which is 85% and has a good rate of speed that is an average about 12-16 milliseconds. So the similarity heuristic approximation method is a method that is promising when implemented in artificial intelligence in educational games English to answer the questions automatically. Keywords: Educational Game, Artificial and Computational Intelligent, Grammar English, Text Similarity Heuristic, Natural Language Processing.

L-2

17 1. Pendahuluan Meluasnya penggunaan dan pemakaian teknologi baru seperti Internet, jaringan sosial dan telepon seluler dapat mempengaruhi proses pendidikan di sekolah dan perguruan tinggi. Teknologi ini memiliki peran penting terhadap pendidikan yang membuat komunikasi menjadi lebih baik, pelaksanaan sistem informasi menjadi lebih aktual, serta berguna sebagai media pembelajaran [1]. Selain itu terdapat sistem yang mendukung pembelajaran individual, kolaboratif, manajemen konten, manajemen kegiatan, formal, informal, dan pekerjaan [2]. Salah satu sistem pendidikan yang paling umum dan didukung oleh teknologi informasi adalah E-learning. Salah satu perangkat lunak yang menerapkan E-learning didalam media hiburan dengan suatu interaksi pengguna disebut dengan game edukasi. Dalam pembuatan game, pasti memerlukan suatu perancangan yang sesuai dengan tujuan pembuat. Khususnya untuk game edukasi, tujuan yang dimaksud ialah bagaimana membuat pengguna menjadi lebih mengerti mengenai suatu wawasan atau pembelajaran ketika sedang atau telah bermain. Salah satu perancangan yang dimaksud ialah menentukan elemen-elemen yang harus ada. Menurut Marko Urh [3], salah satu contoh elemen yang penting ialah adanya tantangan yang terukur dan seimbang sesuai level. Dalam hal ini, adanya kecerdasan buatan atau AI merupakan salah satu unsur yang diperlukan dalam pembentukan game khususnya game edukasi. Saat ini juga banyak sekali game yang memiliki kecerdasan buatan (AI) dan kecerdasan komputasional didalam suatu permainan. Menurut Georgios [4], Game AI merupakan game yang mengubah metode, proses, dan algoritma pada kecerdasan tersebut yang akan diaplikasikan ke pembuatan dan pengembangan game. Dia menyebutkan terdapat tiga panorama dalam game AI yakni perspektif metode (komputer), perspektif pengguna (manusia) dan perspektif interaksi pemain. Dalam game AI, Dagsthul [5] juga menyebutkan terdapat sepuluh jenis game AI. Hal ini menunjukkan bahwa kecerdasan buatan dan kecerdasan komputasional sering digunakan pada kebanyakan game saling memiliki ketergantungan interaksi terhadap pemain. Sehingga AI memiliki peran yang penting untuk meningkatkan letertarikan pengguna dalam bermain game. Disamping itu, pada tahun 2016 ini negara-negara di ASEAN telah memasuki dan melakukan program yang disebut ASEAN Economic Community (AEC). AEC merupakan aktivitas atau kegiatan dalam melakukan perdagangan bebas antar negara-negara di ASEAN. Disisi lain hal ini berdampak pada masyarakat ASEAN untuk segera memahami dan mengerti mengenai bahasa yang digunakan. Bahasa yang akan digunakan pastinya ialah Bahasa Internasional atau Bahasa Inggris. Bahasa adalah alat komuniksi yang kuat dan menyenangkan. Hal ini berarti unsur fun bisa menjadikan Bahasa menjadi hal yang sangat luar biasa kekuatannya. Bahasa dan permainan saling melengkapi satu sama lain. Menurut Blanka [6], Game adalah cara alami bagi anak-anak untuk memahami dunia di sekitar mereka. Oleh karena itu, game harus menjadi bagian yang tak terpisahkan dari pembelajaran mereka termasuk belajar bahasa asing. Sehingga game edukasi tentang pembelajaran Bahasa Inggris sangat dapat bermanfaat untuk anak-anak, remaja, pelajar, dan orang dewasa sebagai media pembelajaran Bahasa Inggris. Dari uraian diatas menunjukkan bahwa saat ini dibutuhkan suatu metode pembelajaran yang efektif dan efisien untuk mengajarkan edukasi Bahasa Inggris kepada para kalangan pelajar demi menghadapi era globalisasi. Oleh sebab itu, penelitian ini diperlukan untuk membuat dan menganalisa metode kecerdasan buatan yang baik untuk game edukasi. Penelitian ini hanya fokus pada tingkah laku AI dalam menentukan suatu aksi. Aksi yang dimaksud ialah bagaimana AI dalam menentukan jawaban dari soal Bahasa Inggris yang tersedia. Metode yang akan digunakan berbasis pada heuristik kebiasaan manusia. Penelitian ini diharapkan dapat mengetahui metode apakah yang terbaik untuk pembangunan AI pada game edukasi Bahasa Inggris. Semakin tinggi keakuratan yang didapat maka semakin cerdas pula AI dalam menjawab soal. Hal ini akan bermanfaat kepada pengguna dalam mempelajari grammar Bahasa Inggris yang otomatis seperti aplikasi Grammarly saat ini yang disertai dengan unsur fun di dalamnya. Penelitian ini kedepannya juga bermanfaat sebagai acuan penggunaan metode untuk bisa membuat kecerdasan buatan yang dapat menjawab berbagai soal grammar Bahasa Inggris seperti soal TOEFL 2. Tinjauan Pustaka 2.1 Gamification Sejak tahun 2010 dan seterusnya, telah muncul tren baru yang dsebut dengan gamification. Gamification dapat didefinisikan sebagai penggunaan elemen desain game untuk memotivasi perilaku pemain dalam konteks non-game [7]. Menurut Dominguez [8], gamification merupakan tindakan dalam menggabungan elemen permainan menjadi aplikasi perangkat lunak non-game untuk meningkatkan pengalaman dan keterlibatan pengguna. Gamification telah diterapkan di banyak domain yang berbeda L-2

Kecerdasan Buatan Pada Game Edukasi Untuk Pembelajaran Bahasa Inggris Berbasis Pendekatan Heuristik Similaritas (Andhik Ampuh Yunanto)

18 dalam beberapa tahun terakhir [9] dalam upaya untuk meningkatkan hasil kerja dan kinerja pengembang di pengembangan tugas sehari-hari mereka [10]. Menurut Biro [11], gamification memiliki beberapa elemen umum dengan teori perilaku belajar seperti bantuan atau dukungan yang positif, tugas-tugas yang kecil atau sederhana, umpan balik yang cepat, dan tantangan yang progresif. Gamification yang berbasis pendidikan juga menerapkan penggunaan sistem aturan permainan seperti pengalaman pemain dan peran budaya yang dimanfaatkan untuk membentuk perilaku peserta didik [12]. 2.2 Kecerdasan Buatan dan Kecerdasan Komputasional Menurut Teahan [13], Kecerdasan buatan yang biasa disingkat AI (Artificial Intelligence) merupakan ilmu tentang bagaimana membangun suatu sistem komputer yang menunjukkan kecerdasan dalam berbagai cara. AI merupakan area penelitian yang dinamis dalam topik riset ilmu komputer. Sampai saat ini, telah banyak penelitian mengenai perkembangan AI diantaranya neural network, evolutionary computing, machine learning, natural language processing, dan object oriented programming. Kenyataannya, saat ini banyak game yang membangun AI untuk meningkatkan ketertarikan pengguna. Sehingga adanya AI merupakan salah satu faktor penting yang harus ada dalam game. Kecerdasan komputasional (CI) dan kecerdasan buatan (AI) memiliki tujuan akhir yang sama yakni mendapatkan suatu kecerdasan sistem yang dapat menunjukkan perilaku intelektual seperti perilaku manusia. Perbedaan kecerdasan buatan dan kecerdasan komputasional ialah terletak pada komputasi dimana AI melakukan hard computing sedangkan CI melakukan soft computing. Selain itu, Bezdek yang seorang ilmuwan mengasumsikan bahwa CI merupakan bagian dari AI. Sehingga beberapa metode tentang AI juga dapat digunakan pada ilmu kecerdasan komputasional. 2.3 Heuristik Similaritas pada Kebiasaan Manusia Setiap manusia di dunia secara umum pasti memiliki kebiasaan dan tingkah laku yang sama seperti makan, minum, jalan, dan sebagainya walaupun tidak sama persis. Selain itu manusia memiliki kebiasaan buruk yaitu mudah lupa. Menurut penelitian Scientific American tahun 2008, manusia memiliki dua sistem memori dalam pikiran manusia yakni short-term dan long-term. Dua sistem ingatan tersebut memiliki peran masing-masing dalam mengingat sesuatu. Sehingga tidak semua hal atau ingatan bisa dimasukkan dalam long-term yang menyebabkan manusia dapat lupa. Menurut penelitian dari Thalheimer, manusia akan lupa 0% sampai 94% terhadap apa yang mereka pelajari tergantung kondisi mereka. Dia juga menyebutkan manusia akan lupa 0%-74% dalam satu sampai dua hari. Manusia memiliki cara tersendiri untuk mengatasi lupa. Manusia biasanya mudah ingat terhadap pembelajaran yang menggunakan contoh dan praktek. Contoh kasus, pelajar sering lupa terhadap pelajaran yang teoritis. Pelajar yang lupa materi akan kesulitan dalam mengerjakan soal. Secara umum, salah satu cara pelajar dalam mengatasi kelupaan tersebut ialah dengan mengingat-ingat contoh di kehidupan sehari-hari mereka. Kemudian contoh tersebut dikait-kaitkan dengan soal yang ada. Sehingga terbentuklah suatu aturan yang mempengaruhi keputusan dalam menjawab soal. Aturan keputusan ini dapat disebut dengan heuristik. Serta metode yang digunakan ini dapat disebut dengan heuristik similaritas [14]. 2.4 Natural Language Processing Grammar Bahasa Inggris Bahasa merupakan sistem bunyi yang arbitrer, yang digunakan oleh suatu masyarakat untuk berkomunikasi, berinteraksi, bekerjasama, dan mengidentifikasi diri. Setiap Bahasa pasti memiliki aturan tatabahasa atau grammar dalam pembentukan suatu tulisan khususnya untuk Bahasa Inggris. Bahasa Inggris merupakan Bahasa Internasional yang memiliki banyak aturan grammar seperti setiap pembentukan kalimat harus memperhatikan kata ganti, kata benda, kata kerja, kata sifat, kata keterangan, kata depan, determiner, dan kata hubung. Dalam perkembangan teknologi, terdapat ilmu sistem komputer yang mempelajari atau meneliti tentang bagaimana memahami tulisan Bahasa natural dimana terdapat interaksi yang berarti antara komputer dan manusia pada suatu bidang aplikasi. Ilmu ini biasa disebut dengan Natural Language Processing (NLP). Dalam penelitian NLP, banyak yang mengemukakan mengenai suatu metode untuk membentuk suatu tulisan mengenai berbagai Bahasa seperti Bahasa Inggris. Salah satunya ialah grup NLP dari Universitas Stanford meneliti tentang pemrosesan Bahasa Inggris dan membuat perangkat lunak yang mendukung. Dalam pembentukan kalimat Bahasa Inggris, metode NLP biasanya mengacu pada aturan dasar grammar yaitu setiap kalimat harus minimal terdiri dari satu subjek dan satu kata kerja. Gambar 1

JURNAL SISTEM DAN INFORMATIKA Vol. 11, No. 2, Mei 2017

L-2

19 Menunjukkan bentuk label atau part of speech (POS) yang digunakan dalam proses NLP yang diambil dari Penn Treebank [15].

Gambar 1 POS kata Bahasa Inggris dalam NLP

2.5 Similaritas Teks dan Evaluasi Similaritas adalah salah satu bagian penting dalam pembangunan suatu heuristik [14]. Perhitungan similaritas juga merupakan salah satu tahapan yang digunakan pada teknik data mining. Han [16] dalam bukunya juga menunjukkan persamaan-persamaan mengenai nilai similaritas atau jarak kedekatan yang sering digunakan dalam proses klustering, prediksi, dan klasifikasi. Selain itu, Wael [17] menjelaskan mengenai similaritas untuk kasus data teks. Dia menjelaskan terdapat bebrapa persamaan untuk menghitung nilai similaritas diantaranya Simple Matching Coefficient (SMC) (1), Jaccard Coefficient (2), dan Rao’s Coefficient (3) dengan acuan seperti Gambar 2. Dalam information retrieval, evaluasi yang sering digunakan ialah mengenai evaluasi performa dan efisiensi. Evaluasi performa ialah evaluasi yang menunjukkan tingkat keakuratan metode. Sedangkan evaluasi eficiensi menunjukkan tingkat kecepatan atau kompleksitas metode. Evaluasi yang sering digunakan ialah menggunakan perhitungan akurasi yang dijelaskan pada Tabel 1 dan persamaan (4) [18]. Sehingga akurasi merupakan perhitungan dari hasil data yang benar dibagi dengan semua data.

Gambar 2 Fitur kategorikal

L-2


20 Tabel 1 Label evaluasi performa

Kelas Aktual

Positif Negatif

Kelas Prediksi Positif Negatif TP FN FP TN

(4)

Metode similaritas pada information retrieval juga memiliki pendekatan lain dalam proses komparasinya yang disebut rangkaian n-gram [19]. N-gram biasa digunakan untuk kasus markov model dimana n-gram digunakan untuk komparasi fitur yang memiliki dependensi melalui pendekatan statistik. N-gram yang sering digunakan dalam komparasi ialah unigram, bigram, dan trigram. Semakin tinggi jumlah n, maka semakin tinggi pula kompleksitasnya. Persamaan umum n-gram dituliskan pada persamaan (6) dimana S adalah vector yang berisi fitur kumpulan term atau kata. Perbedaan unigram, bigram, dan trigram terletak pada jumlah n dimana unigram memiliki jumlah n sama dengan satu, bigram memiliki jumlah n sama dengan dua, dan trigram memiliki jumlah n sama dengan tiga.

3. Metode Penelitian Penelitian sebelumnya menunjukkan bahwa game edukasi merupakan salah satu media pembelajaran yang cukup akurat. Game edukasi harus mengikuti aturan gamification agar game tersebut memiliki unsur fun sehingga pengguna tertarik. Salah satu unsur gamification ialah adanya suatu kecerdasan buatan. Game edukasi yang memiliki kecerdasan buatan dapat dibangun berdasarkan soft computing dengan menggunakan metode pada kecerdasan komputasional. Dari tinjauan pustaka juga didapatkan teorema mengenai Natural Language Processing (NLP). Teorema ini dapat digunakan sebagai tahap awal atau preprocessing sebelum melakukan similaritas antara soal dan rule grammar. Teorema NLP ini dapat membantu peneliti dalam mengekstraksi suatu kata Bahasa Inggris menjadi suatu label atau POS di tiap kata pada soal. Label ini nantinya akan dilakukan proses similaritas untuk menentukan rule grammar manakah yang paling mirip dengan kumpulan label pada soal Bahasa Inggris. Sehingga AI pada game ini akan diimplementasi dengan beberapa metode dari ilmu Natural Language Processing untuk tahap awal dan ilmu similaritas untuk tahap akhir. Serta AI juga akan dibangun secara progressive challange yang artinya semakin tinggi level maka soal akan semakin sulit dimana sesuai dengan aturan gamification. 3.1. Desain Sistem Game Edukasi Desain sistem dari game edukasi yang akan dibangun memiliki dua desain inti. Dua desain inti dalam game edukasi tersebut terdiri dari desain model game dan desain kecerdasan buatan. Dua desain inti tersebut memiliki hubungan bahwa desain kecerdasan buatan merupakan bagian dari desain model game seperti ditunjukkan pada Gambar 3. Sehingga walaupun penelitian ini berfokus pada metode kecerdasan buatan, desain model game edukasi juga harus dirancang. Hal ini menunjukkan bahwa dua desain inti yakni desain model game dan desain kecerdasan buatan adalah hal penting yang harus diperhatikan pada pembangunan game edukasi Bahasa Inggris ini. 3.2. Desain Model Game Edukasi Desain model game merupakan desain untuk perancangan pembangunan game berdasarkan aturan gamification yang bertujuan agar pengguna merasa tertarik dan fun. Game edukasi yang akan dibangun memiliki genre yang bertema Battle. Rancangan semua menu utama dan relasinya dijelaskan pada Gambar 4.


L-2

21

Gambar 3 Desain game edukasi berbasis pendekatan heuristik similaritas

Gambar 4 Desain menu utama dan relasi pada game edukasi Gambar 4 menjelaskan bahwa ketika pemain memulai permainan, maka pemain akan masuk ke layar Main Menu. Pada menu tersebut pemain dapat memilih menu Battle. Sedangkan apabila masuk ke menu Battle, maka pemain akan diberikan pilihan level. Untuk pertama kali bermain, pemain tidak dapat memilih level apapun kecuali level 1. Pemain diwajibkan memenangkan level 1 agar bisa menuju level 2 dan seterusnya. Setiap level pertarungan, pemain akan bertarung melawan satu musuh yang memiliki atribut kekuatan yang sama. Serta setiap level pertarungan juga akan diberikan kumpulan soal Bahasa Inggris. Pemain dan musuh akan melakukan giliran menyerang secara bergiliran. Setiap pertarungan berakhir, pemain akan disajikan oleh menu Hasil Battle seperti pada Menu ini menunjukkan bagaimana aktivitas pemain dalam pertarungan seperti jumlah soal yang dijawab benar. Kemudian untuk atribut karakter pada game edukasi baik atribut pemain maupun musuh memiliki kekuatan yang terdiri dari 4 atribut. Atribut tersebut ialah Attack, Defense, Speed, dan Accuracy dimana dijelaskan pada Tabel 2. Setiap atribut memiliki bobot dimana semakin tinggi bobot maka semakin besar tingkat kepentingan atribut tersebut terhadap kekuatan karakter. Serta persamaan (7) merupakan hubungan dari keempat atribut dalam karakter. Kerusakan yang akan didapatkan oleh musuh dipengaruhi oleh atribut Attack dan Accuracy pada pemain serta atribut Defense dan Speed pada musuh. Kerusakan juga berlaku sebaliknya terhadap pemain dengan persamaan yang sama. Akan tetapi terdapat kondisi bahwa apabila accuracy dibagi dengan speed lawan menghasilkan lebih dari 1, maka hasil tetap akan dihitung 1. Hal ini disebabkan untuk mengatasi dan mencegah timbulnya ketidaksinambungan antara pengertian dan sistem. Setiap level akan memiliki tingkat kesulitan yang berbeda-beda. Semakin tinggi level maka semakin tinggi tingkat kesulitannya. Level pertarungan pada game edukasi ini akan dibangun seperti grafik tingkat kesulitan yang berbasis game pada umumnya. Tingkat kesulitan pada level terdiri dari 2 komponen yakni komponen soal edukasi dan komponen kekuatan karakter musuh. Tingkat kesulitan untuk komponen soal edukasi mengacu pada kurikulum mata pelajaran Bahasa Inggris di Indonesia seperti buku sekolah pada umumnya. Sedangkan untuk komponen kekuatan musuh dilakukan peningkatan atribut secara random dimana penambahan tidak melebihi batas threshold dari suatu level. 3.3. Desain Kecerdasan Buatan (Artificial Intelligence - AI) Perancangan desain kecerdasan buatan merupakan bagian dari desain model game. Perancangan ini ialah fokus dari penelitian ini dimana kecerdasan buatan harus dirancang dan diimplementasikan agar dapat menjawab soal dengan sendirinya. Metode kecerdasan buatan ini memiliki metode seperti kebiasaan dan pola pikir manusia ketika menjawab soal. Dalam hal ini, terdapat kebiasaan manusia yang digunakan dalam menjawab soal isian khususnya untuk soal isian grammar Bahasa Inggris. Secara umum, manusia dalam menjawab soal pasti memperhatikan aturan grammar yang sudah baku. Setelah itu manusia dapat menentukan kata yang paling benar untuk mengisi kata yang hilang pada soal. Selain itu, dalam soal pilihan ganda manusia juga memiliki cara yang lain dalam menjawab soal L-2


22 seperti dengan mencoba-coba opsi yang tersedia. Disisi lain, Manusia memiliki kelemahan yaitu bisa lupa. Sebagai contoh, jika manusia lupa terhadap aturan grammar maka manusia dapat menjawab soal dengan berdasarkan pengalaman terhadap pengetahuan kalimat Bahasa Inggris yang sering ada di kehidupan sehari-hari. Sehingga desain metode yang akan dirancang pada AI memiliki proses learning atau algoritma yang sama ketika manusia mengalami kelupaan. Secara umum, proses learning AI ini memiliki tahapan yang hampir sama dengan tahapan pada ilmu kecerdasan komputasional dalam mengolah data. Dalam sistem game, Proses learning AI dimulai ketika pemain telah memilih level pada menu Battle dan masuk ke layar pertarungan. Alur proses sistem pada AI ditunjukkan pada Gambar 5 dan Gambar 6. Tabel 2 Tabel atribut karakter pada game Atribut Attack Defense Speed Accuracy

Deskripsi Kemampuan menyerang Kemampuan bertahan Kemampuan menghindar Kemampuan tepat sasaran

Bobot 30% 30% 20% 20% (7)

Gambar 5 Alur sistem proses learning pada AI

Gambar 6 Alur proses preprocessing pada AI Sebelum AI melakukan proses learning, telah terdapat beberapa data diantaranya data kalimat dan data soal. Data kalimat ialah data groundtruth yang berisi kalimat yang benar dimana digunakan untuk membuat rule. Rule yang telah dibuat akan disimpan lagi ke dalam data rule. Data kalimat ini berperan seperti kalimat yang sering muncul dan diingat oleh manusia. Serta data soal ialah data yang digunakan untuk dimunculkan dalam permainan. Sehingga secara singkat, data rule ialah data training


L-2

23 sedangkan data soal ialah data testing. Contoh isi konten dari data kalimat dan data soal ditunjukkan pada Tabel 3 dan Tabel 4. Data kalimat akan diolah menjadi data rule diolah sebelum permainan permainan berjalan. Pengubahan data kalimat menjadi data rule diproses pada tahap preprocessing. Langkah pertama ialah kalimat yang ada akan dilakukan tokenizing. Tokenizing merupakan proses penguraian kalimat menjadi kumpulan kata yang disusun secara vektor. Sedangkan case folding adalah perubahan bentuk huruf menjadi tidak kapital. Tabel 5 adalah contoh hasil dari tokenizing dan case folding. Tabel 3 Tabel data kalimat groundtruth No Kalimat 1 I am so happy. 2 I have a dream. 3 We are the champion. 4 He is tall. 5 She was eating yesterday.

Tabel 4 Tabel data soal No Soal 1 I … so sad. 2 I … an apple. 3 We … the comedian. 4 It …. Empty. 5 He …hiking yesterday.

Jawaban am have are is was

Tabel 5 Tabel contoh proses tokenizing dan case folding No Kalimat Tokenizing Case folding I i am am 1 I am so happy. so so happy happy . . Tabel 6 Tabel contoh proses labeling dan stopword removal kata No Word Labeling Stopword Removal i NNP NNP am VBP VBP 1 so RB RB happy JJ JJ . . (Delete) Hasil dari case folding kemudian akan diproses di labeling untuk mendapatkan label atau partof-speech (POS) dari tiap-tiap kata tersebut. Tiap kata tersebut akan dicocokan dengan database POS untuk diambil nilai labelnya. Database tersebut sudah tersedia di banyak sumber internet seperti yang telah diteliti oleh Universitas Stanford. Sedangkan stopword removal ialah penghilangan label kata yang kurang atau tidak berarti dalam peran pembentukan rule grammar. Contoh hasil proses labeling dan stopword removal ditunjukkan pada Tabel 6. Hasil dari stopword removal akan diolah menjadi sebuah rule grammar. Sehingga setiap kalimat yang ada dalam database groundtruth akan diolah menjadi kumpulan rule grammar yang benar. Setiap rule yang dibentuk akan disimpan pada database rule grammar dimana berguna nantinya untuk permosesan soal pada learning AI. Jika setelah preprocessing nantinya terdapat suatu rule yang sama atau duplikat, maka salah satu rule akan dihilangkan. Tabel 7 menunjukkan hasil rule yang didapatkan setelah proses preprocessing. Database rule grammar ini berguna untuk perhitungan similaritas yang dilakukan oleh AI ketika menjawab soal. Ketika dimulainya permainan, proses learning AI juga akan dimulai. Soal yang dibaca oleh AI juga akan di proses pada tahap preprocessing. Preprocessing memiliki langkah dan alur proses yang sama seperti preprocessing pada data kalimat groundtruth. Perbedaannya ialah isian kosong pada soal akan diberi label “()” yang menandakan label tersebut nantinya harus diisi oleh suatu POS. Serta opsi pilihan ganda yang berisi suatu kata juga akan diproses untuk mendapatkan label atau POS kata tersebut. Setalah itu dilakukan proses similaritas antara soal yang telah berbentuk label dengan database rule grammar. Proses simmilariti menggunakan pendekatan komparasi unigram (6). Kemudian cek kedekatannya dengan menggunakan similaritas Simple Matching Coefficient (SMC) dimana artinya bila kedua label sama maka akan bernilai 1 serta apabila kedua label berbeda akan bernilai 0. Setiap label akan dicek nilainya dan dijumlahkan. Hasil Jumlah kemudian dibagi dengan jumlah label yang terbanyak antara soal dan rule untuk mendapatkan nilai similaritas terhadap rule tersebut. Setiap rule yang ada akan L-2


24 dicek untuk mendapatkan nilai similaritas dari masing-masing rule. Proses seperti ini disebut juga dengan proses learning. Tabel 8 menunjukkan contoh dari proses learning AI. Tabel 7 Tabel contoh rule grammar Bahasa Inggris No Rule kalimat 1 NNP+VBP+RB+JJ 2 NNS+VBZ+RB+JJ 3 NNP+VBP+DET+NNP 4 NNP+VBD+RB 5 NNS+VBZ+RB+JJ

Tabel 8 Tabel contoh perhitungan similaritas antara data soal dan rule Data Rule grammar Soal

ID 1 2 3 4 5 1

Rule kalimat NNP+VBP+RB+JJ NNS+VBD+JJ+RB NNP+VBP+DET+NNP NNP+VBD+RB NNS+VBZ+RB+JJ NNP+()+RB+JJ

Nilai Similaritas 1 0 0,33 0,66 0,66 -

Tabel 9 Tabel contoh soal dan pilihan jawaban Soal Jawaban A. eat You ……. quickly. B. eating C. eats

Tabel 10 Tabel contoh hasil setelah preprocessing Soal Jawaban NNP A. VB () B. VBG RB C. VBZ

Tabel 11 Tabel contoh hasil jawaban AI

Tabel 12 Tabel metode pembanding similaritas AI

Soal NNP VB (A) RB

Jawaban A. VB B. VBG C. VBZ

No 1 2 3

Metode unigram bigram trigram

Keterangan n=1 n=2 n=3

Nilai similaritas yang terbaik akan diambil untuk dijadikan pedoman dalam menjawab soal yang memiliki isian kosong. Sehingga AI akan dapat memilih opsi jawaban apakah yang paling cocok untuk mengisi isian kosong tersebut. Dari Tabel 8 didapatkan hasil bahwa rule 1 memiliki nilai similaritas terbesar. Sehingga AI akan menjawab pilihan yang memiliki label berupa VBP. Proses ini dilakukan secara terus-menerus sampai pertarungan selesai. Setiap jawaban AI akan dicek kembali ke database soal untuk dicek kebenarannya. Di menu hasil pertarungan nantinya akan dihitung berapa soal yang bisa dijawab benar dengan jumlah soal. Kemudian dihitunglah hasil akurasi ketepatan AI tersebut dalam menjawab soal. 4. Hasil dan Pembahasan Skenario pengujian yang akan dilakukan pada penelitian ini ialah dengan mengevaluasi performa pada AI. Hasil jawaban yang diperoleh dari AI akan dievaluasi dan dianalisa mengenai perhitungan akurasi kebenaran jawaban dan kecepatan dalam menjawab soal. Perhitungan akurasi berupa prosentase kebenaran antara soal yang dijawab benar dengan semua soal pada tiap level. Sedangkan kecepatan akan dihitung langsung oleh program dimana sesuai dengan lingkungan uji coba. Kedua parameter akurasi dan kecepatan akan dijadikan parameter penting dalam perbandingan beberapa metode yang telah digunakan. Dataset soal dan kalimat groundtruth diambil dari sumber terpercaya seperti buku Bahasa Inggris dan website kuis Bahasa Inggris. Sebagai contoh pengujian, misalkan terdapat suatu soal dan pilihan jawaban seperti pada Tabel 9. AI akan melakukan tahap preprocessing. Dari tahap ini akan didapatkan label baik label soal maupun JURNAL SISTEM DAN INFORMATIKA Vol. 11, No. 2, Mei 2017

L-2

25 opsi jawaban seperti pada Tabel 10. Setelah itu dilakukan similaritas label soal terhadap database rule grammar. Rule yang diambil adalah rule yang memiliki nilai similaritas tertinggi dan akan dijadikan pedoman untuk menjawab kolom kosong pada soal. Hasil jawaban AI ditunjukkan pada Tabel 11. Setelah semua soal dijawab oleh AI di satu level, maka akan dihitung nilai akurasi kebenaran jawaban AI tersebut. Nilai akurasi tersebut merupakan hasil evaluasi performa. Hasil nilai akurasi dan running time akan dirata-rata dengan akurasi di level lain untuk mendapatkan satu nilai performa. Pada pasca pembangunan sistem ini, metode yang telah diterapkan juga akan dilakukan evaluasi terhadap pendekatan lain mengenai performa dan kecepatan AI. Tabel 12 menunjukkan beberapa metode similaritas yang akan diterapkan dan dievaluasi. Ketiga metode similaritas ini akan dibandingkan berdasarkan pada evaluasi performa dan kecepatan. Metode tertinggi akan diambil dan diterapkan pada AI untuk pembangunan game edukasi Bahasa Inggris. 4.1. Data Game Edukasi Data yang digunakan dalam menyusun permainan edukasi berupa soal Bahasa Inggris yang sederhana. Data soal Bahasa Inggris merupakan data sintetis yang berarti dibuat berdasarkan peneliti sendiri. Soal yang dibuat sebanyak 10 soal Bahasa Inggris. Dalam pengujian, soal ini berperan sebagai data testing. Sedangkan untuk data training menggunakan data groundtruth yang terdiri 12 kalimat. Contoh untuk data training dan data testing sudah ditunjukkan pada Tabel 3 dan Tabel 4 dimana merupakan soal dan kalimat yang sederhana. 4.2. Hasil Ujicoba Lingkungan Peneliti melakukan ujicoba sistem pada beberapa lingkungan platform terhadap game edukasi yang telah dibangun. Platform tersebut terdiri dari platform desktop dan mobile. Pada platform desktop tersebut juga dilakukan ujicoba pada dua sistem operasi yakni Windows 32 bit dan Windows 64 bit. Selain lingkungan yang telah disebutkan sebelumnya sebagai lingkungan ujicoba, game edukasi ini juga telah diujicobakan pada beberapa komputer atau desktop dengan spesifikasi yang bervariasi. Gambar 7, Gambar 8, Gambar 9, dan Gambar 10 menunjukkan tampilan eksekusi dari platform desktop. Hasil menunjukkan bahwa game berjalan dengan lancar dan dapat dimainkan oleh pemain.

Gambar 7 Layar Main Menu game

Gambar 8 Layar menu Battle

Gambar 9 Layar untuk pertarungan

Gambar 10 Layar hasil pertarungan

L-2


26

Gambar 11 Tampilan level di android Gambar 12 Tampilan battle di android Sedangkan untuk platform mobile dilakukan ujicoba pada sistem operasi android. Serta Gambar 11 dan Gambar 12 menunjukkan tampilan eksekusi dari platform mobile android dengan sistem operasi android Jelly Bean dan Random Access Memory (RAM) sebesar 512 MB. Hasil menunjukkan bahwa game di android juga berjalan dengan lancar dan dapat dimainkan oleh pemain. Hal ini juga membuktikan bahwa game dapat dijalankan pada android dengan spesifikasi yang lebih tinggi. 4.3. Hasil Ujicoba Performa Kecerdasan Buatan Kecerdasan buatan dibangun menggunakan metode berbasis pendekatan heuristik similaritas. Performa Kecerdasan buatan yang dihitung ialah hasil akurasi dan hasil running time dalam menjawab suatu soal. Hasil performa akurasi yang diperoleh dari kecerdasan buatan ini ditunjukkan pada Tabel 13. Untuk perhitngan akurasi, metode similaritas yang digunakan ialah unigram, bigram dan trigram. Hasil menunjukkan bahwa tidak adanya perubahan hasil akurasi antara unigram, bigram dan trigram dimana sama-sama mendapatkan nilai 85%. Hal ini dikarenakan soal yang dimasukkan ialah soal yang masih sederhana dan jumlah soalnya masih sedikit. Kemungkinan apabila diberikan soal yang lebih kompleks dan lebih banyak, pasti akan menunjukkan perbedaan hasil. Selain itu, hasil yang didapat juga cukup bagus yakni diatas 80%. Hal ini membuktikan bahwa metode yang digunakan sudah cukup baik apabila diimplementasikan pada kecerdasan buatan untuk menjawab soal grammar bahasa Inggris secara otomatis secara akurat.

Tabel 13 Performa akurasi kecerdasan buatan Ujicoba Unigram Bigram Trigram 50% soal

80%

80%

80%

100% soal

90%

90%

90%

Rata-rata

85%

85%

85%

Tabel 14 Rata-rata kecepatan kecerdasan buatan (ms) Ujicoba Unigram Bigram Trigram Percobaan 1 12,33 14,50 15,49 Percobaan 2 12,58 13,87 14,98 Percobaan 3 13,24 14,07 15,11 Percobaan 4 13,12 14,67 15,87 Percobaan 5 12,87 14,32 15,65 Rata-rata 12.828 14.286 15.42

Sedangkan untuk running time atau kecepatan proses berpikir kecerdasan buatan ditunjukkan pada Tabel 14 Hasil running time ini hanya dihitung dimulai dari tahap preprocesing hingga tahap memperoleh hasil jawaban. Hasil menunjukkan bahwa terdapat perbedaan hasil antara ketiga meetode similaritas. Metode unigram mendapatkan rata-rata running time tercepat dibanding bigram dan trigram. Namun ketiga metode juga menunjukkan tidak adanya perbedaan yang signifikan dimana selisihnya hanya 1-2 milidetik. Serta metode dan alur proses yang diusulkan pada penelitian ini dapat diimplementasikan pada kecerdasan buatan dalam menjawab soal secara cepat. Dari kedua evaluasi yakni akurasi dan running time dapat ditarik informasi yang berguna. Informasi menunjukkan bahwa metode dalam penelitian ini dapat digunakan untuk implementasi kecerdasan buatan pada game edukasi bahasa Inggris. Selain itu, metode ini juga dapat dimungkinkan diimplementasikan pada sistem native yang bertujuan untuk menjawab soal bahasa inggris dengan otomatis ssecara akurat dan cepat. Namun metode yang diusulkan ini sangat bergantung pada data rule yang tersedia. Apabila tidak terdapat rule yang cocok untuk suatu soal, maka jawaban kecerdasan buatan akan kurang akurat. Serta metode ini juga masih menggunakan ekstraksi dari kalimat groundtruth yang benar. Apabila ditambahkan rule yang standart dalam database rule, maka hasil juga kemungkinan lebih akurat. Serta dapat mengatasi berbagai soal yang lebih kompleks.


L-2

27 5. Simpulan Penelitian ini hanya berfokus pada bagaimana membangun kecerdasan buatan pada game edukasi bahasa Inggris agar dapat menjawab soal secara otomatis. Metode ini berbasis pendekatan heuristik similaritas yang biasa dilakukan oleh manusia pada umumnya ketika mereka lupa mengenai rumus atau rule. Hasil menunjukkan bahwa tidak ada perbedaan yang signifikan antara penggunaan unigram, bigram dan trigram dalam penilaian akurasi. Namun untuk kecepatan, metode unigram lebih cepat dibanding metode bigram dan trigram. Metode yang diusulkan pada penelitian ini merupakan metode yang cukup menjanjikan untuk diimplementasikan pada kecerdasan buatan di game edukasi Bahasa Inggris. Penelitian selanjutnya ialah bagaimana mengatasi soal-soal bahasa Inggris yang lebih kompleks seperti adanya anak kalimat. Serta bagaimana penilaian terhadap pengguna mengenai usabilitas, game desain, antarmuka, dan dampak yang dihasilkan. Daftar Pustaka [1] [2] [3]

[4] [5] [6] [7]

[8]

[9] [10] [11]

[12] [13] [14] [15] [16] [17] [18]

[19]

M. V. Bedrule-Grigoruta and M.-L. Rusu, "Considerations about E-Learning Tools for Adult Education," Procedia - Social and Behavioral Sciences, no. 142, p. 749–754, 2014. S. Valsamidis, I. Kazanidis, I. Petasakis, S. Kontogiannis and E. & Kolokitha, "E-Learning Activity Analysis," Procedia Economics and Finance, no. 9, p. 511–518, 2014. M. Urh, G. Vukovic, E. Jereb and R. Pintar, "The model for introduction of gamification into elearning in higher education," in 7th World Conference on Educational Sciences, (WCES-2015), Athens Convention Center, Athens, Greece, 2015. G. N. Yannakakis and J. Togelius, "A Panorama of Artificial and Computational Intelligence in Games," Computational Intelligence and AI in Games, vol. 7, no. 4, pp. 317-335, 2015. S. M. Lucas, M. Mateas, P. S. M. Preuss and J. Togelius, Artificial and computational intelligence in games, vol. 2, Dagstuhl Reports, 2012, pp. 43-70. B. F. Klimova, "Games in the Teaching of English," Procedia - Social and Behavioral Sciences, no. 191, p. 1157 – 1160, 2015. S. Deterding, "Situated motivational affordances of game elements: A conceptual model," in Gamification: Using Game Design Elements in Non-Gaming Contexts, a workshop at CHI 2011, Vancouver, BC, Canada, 2011. A. Dominguez, J. Saenz-De-Navarrete, L. De-Marcos, L. Fernández-Sanz, C. Pages and J. J. Martinez-Herráiz, "Gamifying learning experiences: practical implications and outcomes. ,," Computers & Education, no. 63, p. 380–392, 2013. O. Pedreira, F. Garcia, N. Brisaboa and M. Piattini, "Gamification in software engineering–A systematic mapping." Information and Software Technology, no. 57, p. 157–168, 2015. M. Hugos, Enterprise Games: Using Game Mechanics to Build a Better Business, O’Reilly, 2012. G. I. Biro, "Didactics 2.0: A Pedagogical Analysis of Gamification Theory from A Comparative Perspective with A Special View to the Components of Learning," Procedia - Social and Behavioral Sciences, no. 141, p. 148–151, 2014. C. H. Sua and C. H. Cheng, "A Mobile Game-based Insect Learning System for improving the learning achievements," Procedia - Social and Behavioral Sciences, no. 103, p. 42–50, 2013. W. J. Teahan, Artificial Intelligence - Agents and Environments, Bookboon, 2010. D. Read and Y. Grushka-Cockayne, "The Similarity Heuristic," Journal of Behavioral Decision Making, no. 24, p. 23–46, 21 June 2011. C. Manning, Part-of-speech tagging: A simple but useful form of linguistic analysis. J. Han and M. Kamber, Data Mining: Concepts and Techniques, Diane Cerra, 2006. W. H. Gomaa and A. A. Fahmy, "A Survey of Text Similarity Approach," International Journal of Computer Applications, vol. 68, no. 13, 2013. C. D. Manning, P. Raghavan and H. Schütze, "Evaluation in information retrieval," in An Introduction to Information Retrieval, Cambridge, England, Cambridge University Press, 2009, pp. 188-210. D. Jurafsky and J. H. Martin, "N-Grams," in Speech and Language Processing. 2014.

L-2


KECERDASAN BUATAN PADA GAME EDUKASI UNTUK

Recommend Documents