PERANCANGAN
MODEL PENGETAHUAN BERBASIS WEB
DENGAN PENDEKATAN MARKET BASKET ANALYSIS
(Studi Kasus: UIN Sunan Kalijaga Yogyakarta)
Cahyono Sigit Pramudyo *, Kadarsah Suryadi **
*Program Studi Teknik Industri, UIN Sunan Kalijaga Yogyakarta
**Kelompok Keahlian Manajemen Industri, Institut Teknologi Bandung
Abstrak
Pengetahuan memiliki peran penting pada kemampuan bersaing organisasi daripada asset fisik mereka. Penyebaran pengetahuan mengakibatkan kesulitan akses bagi para stakeholder-nya. Penyebaran pengetahuan menyebabkan stakeholder hanya memiliki gambaran secara sepotong-sepotong tentang suatu sistem pengetahuan. Hal ini diperparah oleh banyaknya pengetahuan yang mengakibatkan lamanya akses pengetahuan yang diperlukan oleh pemakainya.
Peta pengetahuan dengan fungsi collaborative knowledge retrieval dikembangkan dengan menggeneralisasi pola mendapatkan dokumen dari sejarah akses pengetahuan tiap individu. Fungsi ini digunakan untuk merekomendasi akses dokumen bagi pemakai peta pengetahuan. Fungsi ini bertujuan memperpendek siklus belajar individu. Salah satu teknik untuk melakukan learning history adalah menggunakan market basket analysis.
Hasil dari penelitian ini adalah rancangan fungsi collaborative retrieval knowledge. fungsi collaborative retrieval knowledge menghasilkan rekomendasi knowledge yang berkaitan dengan suatu web dokumen. Asosiasi yang terjadi antara web dokumen, sehingga fungsi ini akan memperpendek siklus learning web dokumen. Penelitian ini sedang dalam pengembangan lebih lanjut.
Kata kunci: knowledge map, retrieval.collaborative, market basket analysis, rekomendasi
1. Latar Belakang
Pengetahuan organisasi menyediakan organisasi cara untuk berkompetisi secara efektif dan efisien di pasar. Performansi dari banyak organisasi ditentukan lebih oleh pengetahuan mereka daripada aset fisik mereka. Sehingga manajemen pengetahuan adalah sebuah perhatian yang penting pada bisnis (Sung-kwan dan Sengbae, 2004). Manajemen pengetahuan sebagai bagian integral dari aktivitas bisnis memberikan kontribusi yang penting dalam mendukung keunggulan bersaing organisasi (Peter, et.al , 2005).
Pengetahuan secara mendasar dibagi menjadi pengetahuan tacit dan explicit. Pengetahuan tacit terdapat pada orang sebagai model mental, pengalaman, dan skill. Pengetahuan jenis ini sulit dikomunikasikan secara eksternal. Pengetahuan explicit dapat dikomunikasikan secara eksternal dan ditangkap dalam bentuk model formal, aturan-aturan, dan prosedur-prosedur (Vail E.F,1999).
Perguruan tinggi di Indonesia menjalankan 3 fungsi utama, yaitu pendidikan, penelitian, dan pengabdian masyarakat. Untuk menjalankan fungsinya, perguruan tinggi didukung oleh berbagai elemen di dalamnya. Banyaknya elemen pendukung mengakibatkan penyebaran pengetahuan yang banyak terdapat di perguruan tinggi.
Stakeholder perguruan tinggi dapat berada berada ditempat yang dekat ataupun dapat juga berada di tempat yang terpisah jarak yang jauh. Stakeholder pada perguruan tinggi antara lain adalah dosen, mahasiswa, manajemen, masyarakat, dan dunia usaha. Penyebaran ini menyebabkan kesulitan untuk mendapatkan akses pengetahuan bagi stakeholder. Web site (internet) dapat memfasilitasi stakeholder untuk memperoleh pengetahuan yang diperlukan.
Peta pengetahuan adalah cara yang excellent untuk menangkap dan menyalurkan pengetahuan explicit seperti membantu sebagai visual pointers kepada pemilik pengetahuan implicit (Vail E.F,1999). Dalam manajemen
1
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
peta pengetahuan, peta pengetahuan terdiri dari 3 bagian, yaitu penciptaan peta pengetahuan, perawatan peta pengetahuan, dan fungsi collaborative knowledge retrieval. Fungsi collaborative knowledge retrieval dikembangkan dengan menggeneralisasi pola mendapatkan dokumen dari sejarah akses pengetahuan tiap individu. Hasil fungsi ini digunakan untuk merekomendasi dokumen bagi pemakai peta pengetahuan. Fungsi ini bertujuan memperpendek siklus belajar individu (Lin, Fu-ren., dan Hsueh, Chih-ming., 2006).
Penelitian ini mengusulkan peta pengetahuan berbasis web untuk mengintegrasikan pengetahuan yang tersebar di organisasi khususnya perguruan tinggi sehingga dapat diakses oleh semua pihak yang berkepentingan. Peta pengetahuan berbasis web dilengkapi dengan fungsi collaborative knowledge retrieval.
2. Penelitian terdahulu
2.1. Knowledge model
Sebagian besar knowledge engineers menggunakan beberapa cara untuk merepresentasikan pengetahuan pada saat proses akuisisi pengetahuan dari seorang pakar dilakukan, serta biasanya merujuk kepada beberapa model pengetahuan (knowledge model). Tiga jenis utama dari model pengetahuan ini adalah sebagai berikut :
1. Ladders
Ladders adalah diagram hierarki seperti halnya diagram pohon. Beberapa jenis utama dari ladders adalah concept ladder, composition ladder, decision ladder dan attribute ladder. Concept ladder menunjukkan kelas-kelas dari konsep dan sub-tipenya. Semua hubungan di dalam ladder ini adalah hubungan “adalah”, sebagai contoh “mobil adalah kendaraan”. Concept ladder lebih umum diketahui atau dipahami dengan menggunakan taksonomi dan sangat penting untuk merepresentasikan pengetahuan di dalam hampir semua bidang. Composition ladder menunjukkan cara dari objek pengetahuan dalam membangun bagian-bagian penting. Semua hubungan di dalam ladder ini adalah merupakan hubungan “memiliki bagian” atau “bagian dari”, contoh roda gigi adalah merupakan bagian mobil. Composition ladder merupakan cara yang dapat dimengerti dari permasalahan-permasalahan kompleks seperti misalnya mesin, organisasi dan pembukuan. Decision ladder menunjukkan alternatif-alternatif cara dari suatu kegiatan dalam rangka membuat suatu keputusan yang khusus. Hal ini juga menunjukkan adanya pro dan kontra untuk masing-masing cara tersebut, dan memberikan penjelasan tentang asumsi dari masing-masing hal yang berkaitan dengan pro dan kontra tersebut. Decision ladder adalah cara yang berguna untuk merepresentasikan secara lebih mendetail suatu pengetahuan yang berproses. Attribute ladder menunjukkan atribut-atribut dan nilai-nilai. Semua nilai-nilai yang bersifat relevan terhadap suatu atribut ditunjukkan sebagai sebuah sub-bagian, akan tetapi nilai-nilai numeriknya tidak selamanya diketahui. Sebagai contoh, atribut dari warna dapat memiliki sub-bagian dari warna tersebut secara tepat sebagai bagian dari nilai-nilai, contoh merah, biru, hijau. Attribute ladder berguna untuk merepresentasikan pengetahuan dari semua pelengkap yang dapat bekerja sama dengan konsep-konsep di dalam suatu bagian. Process Ladder menunjukkan proses-proses (tugas-tugas, aktivitas-aktivitas) dan sub-sub prosesnya (sub-sub tugas, sub-sub aktivitas) yang saling membangun diantaranya. Semua hubungan adalah merupakan hubungan “bagian dari”, contoh memanaskan ketel adalah bagian dari proses pembuatan teh. Process ladder berguna untuk merepresentasikan pengetahuan yang berproses.
2. Network Diagrams
Network diagrams menunjukkan bagian-bagian yang terhubungkan oleh panah. Berdasarkan atas jenis network diagram, bagian-bagian tersebut dapat merepresentasikan berbagai macam jenis dari konsep, atribut, nilai atau tugas dan panah antara bagian-bagian dengan berbagai macam jenis hubungan. Contoh dari network diagram meliputi concept maps, process maps dan state transition network. Concept map adalah jenis dari diagram yang menunjukkan objek-objek dari pengetahuan sebagai bagian-bagian dan hubungan diantaranya adalah merupakan mata rantai (biasanya ditambahkan dengan panah). Berbagai macam konsep dan hubungan dapat digunakan. Concept map hampir mirip dengan jaringan semantik yang digunakan dalam psikologi kognitif. Jenis utama dari network diagram yang ketiga adalah process map. Jenis dari diagram ini menunjukkan input-input, output-output, sumber-sumber, peranan-peranan dan hubungan keputusan-keputusan dengan masing-masing proses atau tugas di dalam suatu bagian. Process map adalah cara yang unggul untuk merepresentasikan informasi tentang bagaimana dan kapan suatu proses, tugas dan aktivitas berlangsung. Jenis utama lainnya dari network diagram adalah state transition network. Jenis ini merupakan diagram yang menggabungkan dua elemen yaitu : (1) bagian yang menjelaskan tentang status dari suatu konsep yang ada dan (2) panah-panah diantara bagian-bagian yang menunjukkan semua kejadian dan proses maupun tugas yang dapat menyebabkan perubahan dari satu status ke status lainnya.
2
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
3. Tables and Grids
Representasi tabular menggunakan tabel dan grid sebagai media representasinya. Tiga jenis utamanya adalah forms, frames dan matrix. Frames adalah cara untuk merepresentasikan pengetahuan dimana masing-masing bagian dijelaskan oleh kelompok dari atribut dan nilai dengan menggunakan representasi matrix. Kolom bagian kiri menjelaskan atribut-atribut yang saling berhubungan dengan konsep dan kolom sebelah kanan menjelaskan tentang nilai-nilai yang tepat. Pada saat konsep merupakan sebuah kelas, jenis nilai tertentu masuk ke dalam kolom bagian kanan. Timeline adalah merupakan jenis representasi tabular yang menunjukkan waktu selama sumbu horisontal dan beberapa diantaranya adalah merupakan proses-proses, tugas-tugas atau fase proyek yang berlangsung sepanjang sumbu vertikal. Hal ini sangat berguna untuk merepresentasikan proses-proses berbasis waktu atau pengetahuan yang memiliki peranan. Matrix adalah merupakan jenis representasi tabular yang menggabungkan dua jaringan dimensional dengan memasukkan sel-sel jaringan. Sebagai contoh adalah matriks solusi masalah yang menunjukkan masalah-masalah dapat timbul di dalam bagian yang tepat sebagai baris di dalam matriks dan memungkinkan solusinya sebagai kolom. Akhir-akhir ini format dari model-model pengetahuan menggunakan hypertext dan halaman web. Disini hubungan antara konsep-konsep, atau jenis-jenis lain dari pengetahuan, direpresentasikan dengan hyperlinks.
2.2. Knowledge map
Vail (1999) mendefinisikan peta pengetahuan sebagai tampilan visual tentang hubungan dan informasi yang tertangkap, yang memungkinkan komunikasi yang efisien dan pembelajaran pengetahuan (learning of knowledge) oleh pengamatnya dengan berbagai latar belakang dan pada berbagai tingkat kerincian.
Gambar 1. sistem manajemen peta pengetahuan
Lin dan Hsueh (2006) memberikan framework sistem manajemen peta pengetahuan. Penelitian ini mengusulkan metode pembangkitan peta pengetahuan secara otomatis. Sistem manajemen peta pengetahuan memiliki beberapa bagian yaitu:
1. Knowledge creation
2. Knowledge maintenance
3. Collaborative retrieval function
Penelitian dibidang knowledge map antara lain Suyeon. Kim, et.al(2003) mengusulkan prosedur penciptaan peta pengetahuan pada bidang industri, Ong, Thian-Huat., et.al (2005) mengusulkan pemetaan pengetahuan pada bidang online news, dan Pyo (2005) mengusulkan skema peta pengetahuan pada bidang pariwisata.
2.3. Market Basket Analysis
Metode market basket analysis mempelajari atribut atau karakteristik yang “go together.” Metode ini berfungsi untuk mengkuantifikasi hubungan antara 2 atribut atau lebih (Larose, 2005).
3
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
3. Perancangan model
Berdasarkan hasil pengkajian yang mendalam dan analisis terhadap semua model pengetahuan yang ada, maka model pengetahuan yang cukup relevan dan akan digunakan dalam penelitian ini adalah model pengetahuan Process Ladder. Sistem akademikPenerimaanMahasiswa BaruPerkuliahan &PraktikumUjianMunaqosyahUTS & UASKRS & KPRSEvaluasiPerkuliahanRegistrasiWisuda Gambar 2. Process Ladder untuk system perguruan tinggi
Dari gambar process ladder diatas maka ditransformasikan menjadi peta pengetahuan berbasis web sebagai berikut:
Gambar 3. tampilan halaman depan web dokumen (Layer 1)
Berdasarkan hasil pengkajian yang mendalam dan analisis terhadap semua model pengetahuan yang ada, maka model pengetahuan pada layer berikutnya cukup relevan dan akan digunakan dalam penelitian ini adalah model pengetahuan Decomposition Ladder.
4
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
Gambar 4. Decomposition ladder pada bagian penerimaan mahasiswa baru
Dari gambar decomposition ladder diatas maka ditransformasikan menjadi menu-menu drill down peta pengetahuan berbasis web sebagai berikut:
Gambar 5. Tampilan web dokumen untuk bagian penerimaan mahasiswa baru (Layer 2) 5
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
4. Pengolahan pengetahuan
Pada penelitian ini, pengolahan pengetahuan menggunakan algoritma market basket analysis.
4.1. Model pengolahan pengetahuan dengan market basket analysis
Model fungsi collaborative knowledge retrieval dibangun menggunakan analogi dengan analisis market basket yang digunakan pada bidang customer relationship management. Dalam market basket analysis diperlukan data transaksi pembelian produk. Data ini berisi nomor transaksi dan produk yang dibeli. Data ini diolah untuk mengetahui keterkaitan(asosiasi) antar produk. Hasil pengolahan data transaksi digunakan untuk merekomendasikan produk kepada pelanggan berdasarkan asosiasi antar produk. Pada bidang collaborative knowledge retrieval, dokumen web dianalogikan sebagai produk yang berasosiasi satu dengan yang lain. Data yang diperlukan dalam model ini adalah data akses pemakai, yang berisi nomor kunjungan pemakai dan dokumen yang diakses.
Model Collaborative knowledge retrieval function terdiri dari 3 bagian, yaitu learning history, learning analyzer, dan Learning advisor. Tiap-tiap bagian akan dijelaskan sebagai berikut:
Gambar 6. Model Collaborative knowledge retrieval function
(Sumber : Lin, Fu-ren., Hsueh, Chih-ming., 2006)
a. Learning History
Bagian learning history berisi table penyimpan data penyimpan history tentang kegiatan akses. Bagian ini terdir dari 3 tabel yang terkait sebagai berikut:
Gambar 7. ER-Diagram
b. Learning history analyzer
Bagian learning analyzer berisi algoritma yang membangkitkan nilai confidence x support hubungan antar web dokumen.
Algoritma :
1. Hitung semua kegiatan akses
2. Baca ID_web_dokumen aktif yang akan diakses, kemudian hitung jumlah akses pada pada web dokumen aktif
3. Hitung confidence dan support ke tiap dokumen web
Untuk menghitung nilai confidence dan support dilakukan langkah-langkah sebagai berikut:
• Hitung jumlah dokumen web (n)
• i = 0
• Repeat i
• i = i + 1
• Baca ID_dokumen_web ke-i
• Jika ID_web dokumen ke-I = ID_web_dokumen aktif, maka support x confidence tidak dihitung
Else
Hitung jumlah akses pada web dokumen ke I dan dokumen web yang akan diakses
6
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
Hitung Support x Confidence = ACixBCi
• Until i = n
c. Learning advisor
Bagian ini dengan menggunakan berfungsi:
1. Mengurutkan ID_web_dokumen ke I berdasarkan support x confidence.
2. Menampilkan link ID_web_dokumen yang memiliki support x confidence teratas.
4.2. Contoh kasus
Untuk memberikan gambaran yang lebih jelas tentang algoritma tersebut, maka kami perlu memberikan sebuah contoh kasus. Misal:
1. Terdapat peta pengetahuan terdiri dari 10 web dokumen,
2. Terdapat 10 orang yang mengakses berbagai dokumen web
3. ingin merekomendasikan 2 halaman web yang lain
a. Learning history
Pada contoh ini akan dibangkitkan rekomendasi bila seseorang mengakses halaman web dokumen dengan ID_web_dokumen 1, ketika pada basis data learning history terdapat data sebagai berikut:
Tabel 1. Learning History
b. Learning history analyzer
Learning history analyzer melakukan perhitungan sebagai berikut;
1. Jumlah kegiatan akses 10
2. Jumlah akses pada pada web dokumen aktif 5
3. Hitung confidence x support
Tabel 2. Learning History Analyzer
Web_dokumen ke-iCiSupport x Confidence240.32310.02410.02550.5640.32750.5840.32910.021010.02
7
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
c. Learning advisor
Dari hasil perhitungan diatas maka diperoleh urutan sebagai berikut
Tabel 3. Hasil pengurutan Learning
Maka pada saat web dokumen 1 diakses, bila data pada learning history seperti diatas akan diperoleh rekomendasi untuk mengakses web dokumen 5 dan 7.
5. Kesimpulan
Penelitian ini direncanakan akan menghasilkan algoritma untuk membangkitkan rekomendasi akses web lain menggunakan analogi market basket analysis. Penelitian ini sedang dalam proses pengembangan, sehingga hasil akhirnya belum bisa ditampilkan saat ini. Rekomendasi akses web yang dirancang akan memberikan kemudahan kepada para pengguna dalam akses pengetahuan yang disediakan serta mempercepat mendapatkan pengetahuan yang diperlukan.
DAFTAR PUSTAKA
1. Abdullah, M.S.,et.al, 2004, Developing a UML Profile for Modelling Knowledge-Based Systems, Proceedings of Model-Driven Architecture Foundations and Applications 2004.
2. Peter E.D. Love, et.al, 2005. Knowledge enabled information system applications in construction ,editoral, Automation in Construction
3. Suyeon, K., et.al, 2003.,Building the knowledge map: an industrial case study, journal of knowledge management
4. Vail, E.F.,1999. Mapping organizational knowledge. Knowledge Management Review. May/June 1999.
5. Lin, Fu-ren., Hsueh, Chih-ming., 2006, Knowledge map creation and maintenance for virtual communities of practice, Information Processing and Management 42.
6. Suyeon. Kim, et.al.,2003.,Building the knowledge map: an industrial case study, journal of knowledge management
7. Pyo, Sungsoo., 2005., Knowledge map for tourist destinations – need and implications, Tourism Management 26.
8. Ong, Thian-Huat., et.al., 2005., Newsmap: a knowledge map for online news, Decision Support System 39.
9. Larose, Daniel.T., 2005, Discovering Knowledge: An Introduction to Data Mining, John Wiley & Sons. Inc.
10. www.epistemics.co.uk. Knowledge Models. 2006 8
MODEL PENGETAHUAN BERBASIS WEB
DENGAN PENDEKATAN MARKET BASKET ANALYSIS
(Studi Kasus: UIN Sunan Kalijaga Yogyakarta)
Cahyono Sigit Pramudyo *, Kadarsah Suryadi **
*Program Studi Teknik Industri, UIN Sunan Kalijaga Yogyakarta
**Kelompok Keahlian Manajemen Industri, Institut Teknologi Bandung
Abstrak
Pengetahuan memiliki peran penting pada kemampuan bersaing organisasi daripada asset fisik mereka. Penyebaran pengetahuan mengakibatkan kesulitan akses bagi para stakeholder-nya. Penyebaran pengetahuan menyebabkan stakeholder hanya memiliki gambaran secara sepotong-sepotong tentang suatu sistem pengetahuan. Hal ini diperparah oleh banyaknya pengetahuan yang mengakibatkan lamanya akses pengetahuan yang diperlukan oleh pemakainya.
Peta pengetahuan dengan fungsi collaborative knowledge retrieval dikembangkan dengan menggeneralisasi pola mendapatkan dokumen dari sejarah akses pengetahuan tiap individu. Fungsi ini digunakan untuk merekomendasi akses dokumen bagi pemakai peta pengetahuan. Fungsi ini bertujuan memperpendek siklus belajar individu. Salah satu teknik untuk melakukan learning history adalah menggunakan market basket analysis.
Hasil dari penelitian ini adalah rancangan fungsi collaborative retrieval knowledge. fungsi collaborative retrieval knowledge menghasilkan rekomendasi knowledge yang berkaitan dengan suatu web dokumen. Asosiasi yang terjadi antara web dokumen, sehingga fungsi ini akan memperpendek siklus learning web dokumen. Penelitian ini sedang dalam pengembangan lebih lanjut.
Kata kunci: knowledge map, retrieval.collaborative, market basket analysis, rekomendasi
1. Latar Belakang
Pengetahuan organisasi menyediakan organisasi cara untuk berkompetisi secara efektif dan efisien di pasar. Performansi dari banyak organisasi ditentukan lebih oleh pengetahuan mereka daripada aset fisik mereka. Sehingga manajemen pengetahuan adalah sebuah perhatian yang penting pada bisnis (Sung-kwan dan Sengbae, 2004). Manajemen pengetahuan sebagai bagian integral dari aktivitas bisnis memberikan kontribusi yang penting dalam mendukung keunggulan bersaing organisasi (Peter, et.al , 2005).
Pengetahuan secara mendasar dibagi menjadi pengetahuan tacit dan explicit. Pengetahuan tacit terdapat pada orang sebagai model mental, pengalaman, dan skill. Pengetahuan jenis ini sulit dikomunikasikan secara eksternal. Pengetahuan explicit dapat dikomunikasikan secara eksternal dan ditangkap dalam bentuk model formal, aturan-aturan, dan prosedur-prosedur (Vail E.F,1999).
Perguruan tinggi di Indonesia menjalankan 3 fungsi utama, yaitu pendidikan, penelitian, dan pengabdian masyarakat. Untuk menjalankan fungsinya, perguruan tinggi didukung oleh berbagai elemen di dalamnya. Banyaknya elemen pendukung mengakibatkan penyebaran pengetahuan yang banyak terdapat di perguruan tinggi.
Stakeholder perguruan tinggi dapat berada berada ditempat yang dekat ataupun dapat juga berada di tempat yang terpisah jarak yang jauh. Stakeholder pada perguruan tinggi antara lain adalah dosen, mahasiswa, manajemen, masyarakat, dan dunia usaha. Penyebaran ini menyebabkan kesulitan untuk mendapatkan akses pengetahuan bagi stakeholder. Web site (internet) dapat memfasilitasi stakeholder untuk memperoleh pengetahuan yang diperlukan.
Peta pengetahuan adalah cara yang excellent untuk menangkap dan menyalurkan pengetahuan explicit seperti membantu sebagai visual pointers kepada pemilik pengetahuan implicit (Vail E.F,1999). Dalam manajemen
1
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
peta pengetahuan, peta pengetahuan terdiri dari 3 bagian, yaitu penciptaan peta pengetahuan, perawatan peta pengetahuan, dan fungsi collaborative knowledge retrieval. Fungsi collaborative knowledge retrieval dikembangkan dengan menggeneralisasi pola mendapatkan dokumen dari sejarah akses pengetahuan tiap individu. Hasil fungsi ini digunakan untuk merekomendasi dokumen bagi pemakai peta pengetahuan. Fungsi ini bertujuan memperpendek siklus belajar individu (Lin, Fu-ren., dan Hsueh, Chih-ming., 2006).
Penelitian ini mengusulkan peta pengetahuan berbasis web untuk mengintegrasikan pengetahuan yang tersebar di organisasi khususnya perguruan tinggi sehingga dapat diakses oleh semua pihak yang berkepentingan. Peta pengetahuan berbasis web dilengkapi dengan fungsi collaborative knowledge retrieval.
2. Penelitian terdahulu
2.1. Knowledge model
Sebagian besar knowledge engineers menggunakan beberapa cara untuk merepresentasikan pengetahuan pada saat proses akuisisi pengetahuan dari seorang pakar dilakukan, serta biasanya merujuk kepada beberapa model pengetahuan (knowledge model). Tiga jenis utama dari model pengetahuan ini adalah sebagai berikut :
1. Ladders
Ladders adalah diagram hierarki seperti halnya diagram pohon. Beberapa jenis utama dari ladders adalah concept ladder, composition ladder, decision ladder dan attribute ladder. Concept ladder menunjukkan kelas-kelas dari konsep dan sub-tipenya. Semua hubungan di dalam ladder ini adalah hubungan “adalah”, sebagai contoh “mobil adalah kendaraan”. Concept ladder lebih umum diketahui atau dipahami dengan menggunakan taksonomi dan sangat penting untuk merepresentasikan pengetahuan di dalam hampir semua bidang. Composition ladder menunjukkan cara dari objek pengetahuan dalam membangun bagian-bagian penting. Semua hubungan di dalam ladder ini adalah merupakan hubungan “memiliki bagian” atau “bagian dari”, contoh roda gigi adalah merupakan bagian mobil. Composition ladder merupakan cara yang dapat dimengerti dari permasalahan-permasalahan kompleks seperti misalnya mesin, organisasi dan pembukuan. Decision ladder menunjukkan alternatif-alternatif cara dari suatu kegiatan dalam rangka membuat suatu keputusan yang khusus. Hal ini juga menunjukkan adanya pro dan kontra untuk masing-masing cara tersebut, dan memberikan penjelasan tentang asumsi dari masing-masing hal yang berkaitan dengan pro dan kontra tersebut. Decision ladder adalah cara yang berguna untuk merepresentasikan secara lebih mendetail suatu pengetahuan yang berproses. Attribute ladder menunjukkan atribut-atribut dan nilai-nilai. Semua nilai-nilai yang bersifat relevan terhadap suatu atribut ditunjukkan sebagai sebuah sub-bagian, akan tetapi nilai-nilai numeriknya tidak selamanya diketahui. Sebagai contoh, atribut dari warna dapat memiliki sub-bagian dari warna tersebut secara tepat sebagai bagian dari nilai-nilai, contoh merah, biru, hijau. Attribute ladder berguna untuk merepresentasikan pengetahuan dari semua pelengkap yang dapat bekerja sama dengan konsep-konsep di dalam suatu bagian. Process Ladder menunjukkan proses-proses (tugas-tugas, aktivitas-aktivitas) dan sub-sub prosesnya (sub-sub tugas, sub-sub aktivitas) yang saling membangun diantaranya. Semua hubungan adalah merupakan hubungan “bagian dari”, contoh memanaskan ketel adalah bagian dari proses pembuatan teh. Process ladder berguna untuk merepresentasikan pengetahuan yang berproses.
2. Network Diagrams
Network diagrams menunjukkan bagian-bagian yang terhubungkan oleh panah. Berdasarkan atas jenis network diagram, bagian-bagian tersebut dapat merepresentasikan berbagai macam jenis dari konsep, atribut, nilai atau tugas dan panah antara bagian-bagian dengan berbagai macam jenis hubungan. Contoh dari network diagram meliputi concept maps, process maps dan state transition network. Concept map adalah jenis dari diagram yang menunjukkan objek-objek dari pengetahuan sebagai bagian-bagian dan hubungan diantaranya adalah merupakan mata rantai (biasanya ditambahkan dengan panah). Berbagai macam konsep dan hubungan dapat digunakan. Concept map hampir mirip dengan jaringan semantik yang digunakan dalam psikologi kognitif. Jenis utama dari network diagram yang ketiga adalah process map. Jenis dari diagram ini menunjukkan input-input, output-output, sumber-sumber, peranan-peranan dan hubungan keputusan-keputusan dengan masing-masing proses atau tugas di dalam suatu bagian. Process map adalah cara yang unggul untuk merepresentasikan informasi tentang bagaimana dan kapan suatu proses, tugas dan aktivitas berlangsung. Jenis utama lainnya dari network diagram adalah state transition network. Jenis ini merupakan diagram yang menggabungkan dua elemen yaitu : (1) bagian yang menjelaskan tentang status dari suatu konsep yang ada dan (2) panah-panah diantara bagian-bagian yang menunjukkan semua kejadian dan proses maupun tugas yang dapat menyebabkan perubahan dari satu status ke status lainnya.
2
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
3. Tables and Grids
Representasi tabular menggunakan tabel dan grid sebagai media representasinya. Tiga jenis utamanya adalah forms, frames dan matrix. Frames adalah cara untuk merepresentasikan pengetahuan dimana masing-masing bagian dijelaskan oleh kelompok dari atribut dan nilai dengan menggunakan representasi matrix. Kolom bagian kiri menjelaskan atribut-atribut yang saling berhubungan dengan konsep dan kolom sebelah kanan menjelaskan tentang nilai-nilai yang tepat. Pada saat konsep merupakan sebuah kelas, jenis nilai tertentu masuk ke dalam kolom bagian kanan. Timeline adalah merupakan jenis representasi tabular yang menunjukkan waktu selama sumbu horisontal dan beberapa diantaranya adalah merupakan proses-proses, tugas-tugas atau fase proyek yang berlangsung sepanjang sumbu vertikal. Hal ini sangat berguna untuk merepresentasikan proses-proses berbasis waktu atau pengetahuan yang memiliki peranan. Matrix adalah merupakan jenis representasi tabular yang menggabungkan dua jaringan dimensional dengan memasukkan sel-sel jaringan. Sebagai contoh adalah matriks solusi masalah yang menunjukkan masalah-masalah dapat timbul di dalam bagian yang tepat sebagai baris di dalam matriks dan memungkinkan solusinya sebagai kolom. Akhir-akhir ini format dari model-model pengetahuan menggunakan hypertext dan halaman web. Disini hubungan antara konsep-konsep, atau jenis-jenis lain dari pengetahuan, direpresentasikan dengan hyperlinks.
2.2. Knowledge map
Vail (1999) mendefinisikan peta pengetahuan sebagai tampilan visual tentang hubungan dan informasi yang tertangkap, yang memungkinkan komunikasi yang efisien dan pembelajaran pengetahuan (learning of knowledge) oleh pengamatnya dengan berbagai latar belakang dan pada berbagai tingkat kerincian.
Gambar 1. sistem manajemen peta pengetahuan
Lin dan Hsueh (2006) memberikan framework sistem manajemen peta pengetahuan. Penelitian ini mengusulkan metode pembangkitan peta pengetahuan secara otomatis. Sistem manajemen peta pengetahuan memiliki beberapa bagian yaitu:
1. Knowledge creation
2. Knowledge maintenance
3. Collaborative retrieval function
Penelitian dibidang knowledge map antara lain Suyeon. Kim, et.al(2003) mengusulkan prosedur penciptaan peta pengetahuan pada bidang industri, Ong, Thian-Huat., et.al (2005) mengusulkan pemetaan pengetahuan pada bidang online news, dan Pyo (2005) mengusulkan skema peta pengetahuan pada bidang pariwisata.
2.3. Market Basket Analysis
Metode market basket analysis mempelajari atribut atau karakteristik yang “go together.” Metode ini berfungsi untuk mengkuantifikasi hubungan antara 2 atribut atau lebih (Larose, 2005).
3
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
3. Perancangan model
Berdasarkan hasil pengkajian yang mendalam dan analisis terhadap semua model pengetahuan yang ada, maka model pengetahuan yang cukup relevan dan akan digunakan dalam penelitian ini adalah model pengetahuan Process Ladder. Sistem akademikPenerimaanMahasiswa BaruPerkuliahan &PraktikumUjianMunaqosyahUTS & UASKRS & KPRSEvaluasiPerkuliahanRegistrasiWisuda Gambar 2. Process Ladder untuk system perguruan tinggi
Dari gambar process ladder diatas maka ditransformasikan menjadi peta pengetahuan berbasis web sebagai berikut:
Gambar 3. tampilan halaman depan web dokumen (Layer 1)
Berdasarkan hasil pengkajian yang mendalam dan analisis terhadap semua model pengetahuan yang ada, maka model pengetahuan pada layer berikutnya cukup relevan dan akan digunakan dalam penelitian ini adalah model pengetahuan Decomposition Ladder.
4
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
Gambar 4. Decomposition ladder pada bagian penerimaan mahasiswa baru
Dari gambar decomposition ladder diatas maka ditransformasikan menjadi menu-menu drill down peta pengetahuan berbasis web sebagai berikut:
Gambar 5. Tampilan web dokumen untuk bagian penerimaan mahasiswa baru (Layer 2) 5
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
4. Pengolahan pengetahuan
Pada penelitian ini, pengolahan pengetahuan menggunakan algoritma market basket analysis.
4.1. Model pengolahan pengetahuan dengan market basket analysis
Model fungsi collaborative knowledge retrieval dibangun menggunakan analogi dengan analisis market basket yang digunakan pada bidang customer relationship management. Dalam market basket analysis diperlukan data transaksi pembelian produk. Data ini berisi nomor transaksi dan produk yang dibeli. Data ini diolah untuk mengetahui keterkaitan(asosiasi) antar produk. Hasil pengolahan data transaksi digunakan untuk merekomendasikan produk kepada pelanggan berdasarkan asosiasi antar produk. Pada bidang collaborative knowledge retrieval, dokumen web dianalogikan sebagai produk yang berasosiasi satu dengan yang lain. Data yang diperlukan dalam model ini adalah data akses pemakai, yang berisi nomor kunjungan pemakai dan dokumen yang diakses.
Model Collaborative knowledge retrieval function terdiri dari 3 bagian, yaitu learning history, learning analyzer, dan Learning advisor. Tiap-tiap bagian akan dijelaskan sebagai berikut:
Gambar 6. Model Collaborative knowledge retrieval function
(Sumber : Lin, Fu-ren., Hsueh, Chih-ming., 2006)
a. Learning History
Bagian learning history berisi table penyimpan data penyimpan history tentang kegiatan akses. Bagian ini terdir dari 3 tabel yang terkait sebagai berikut:
Gambar 7. ER-Diagram
b. Learning history analyzer
Bagian learning analyzer berisi algoritma yang membangkitkan nilai confidence x support hubungan antar web dokumen.
Algoritma :
1. Hitung semua kegiatan akses
2. Baca ID_web_dokumen aktif yang akan diakses, kemudian hitung jumlah akses pada pada web dokumen aktif
3. Hitung confidence dan support ke tiap dokumen web
Untuk menghitung nilai confidence dan support dilakukan langkah-langkah sebagai berikut:
• Hitung jumlah dokumen web (n)
• i = 0
• Repeat i
• i = i + 1
• Baca ID_dokumen_web ke-i
• Jika ID_web dokumen ke-I = ID_web_dokumen aktif, maka support x confidence tidak dihitung
Else
Hitung jumlah akses pada web dokumen ke I dan dokumen web yang akan diakses
6
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
Hitung Support x Confidence = ACixBCi
• Until i = n
c. Learning advisor
Bagian ini dengan menggunakan berfungsi:
1. Mengurutkan ID_web_dokumen ke I berdasarkan support x confidence.
2. Menampilkan link ID_web_dokumen yang memiliki support x confidence teratas.
4.2. Contoh kasus
Untuk memberikan gambaran yang lebih jelas tentang algoritma tersebut, maka kami perlu memberikan sebuah contoh kasus. Misal:
1. Terdapat peta pengetahuan terdiri dari 10 web dokumen,
2. Terdapat 10 orang yang mengakses berbagai dokumen web
3. ingin merekomendasikan 2 halaman web yang lain
a. Learning history
Pada contoh ini akan dibangkitkan rekomendasi bila seseorang mengakses halaman web dokumen dengan ID_web_dokumen 1, ketika pada basis data learning history terdapat data sebagai berikut:
Tabel 1. Learning History
b. Learning history analyzer
Learning history analyzer melakukan perhitungan sebagai berikut;
1. Jumlah kegiatan akses 10
2. Jumlah akses pada pada web dokumen aktif 5
3. Hitung confidence x support
Tabel 2. Learning History Analyzer
Web_dokumen ke-iCiSupport x Confidence240.32310.02410.02550.5640.32750.5840.32910.021010.02
7
National Seminar on Knowledge Management
ITB – Universitas Widyatama, 5 dan 7 Agustus 2006
c. Learning advisor
Dari hasil perhitungan diatas maka diperoleh urutan sebagai berikut
Tabel 3. Hasil pengurutan Learning
Maka pada saat web dokumen 1 diakses, bila data pada learning history seperti diatas akan diperoleh rekomendasi untuk mengakses web dokumen 5 dan 7.
5. Kesimpulan
Penelitian ini direncanakan akan menghasilkan algoritma untuk membangkitkan rekomendasi akses web lain menggunakan analogi market basket analysis. Penelitian ini sedang dalam proses pengembangan, sehingga hasil akhirnya belum bisa ditampilkan saat ini. Rekomendasi akses web yang dirancang akan memberikan kemudahan kepada para pengguna dalam akses pengetahuan yang disediakan serta mempercepat mendapatkan pengetahuan yang diperlukan.
DAFTAR PUSTAKA
1. Abdullah, M.S.,et.al, 2004, Developing a UML Profile for Modelling Knowledge-Based Systems, Proceedings of Model-Driven Architecture Foundations and Applications 2004.
2. Peter E.D. Love, et.al, 2005. Knowledge enabled information system applications in construction ,editoral, Automation in Construction
3. Suyeon, K., et.al, 2003.,Building the knowledge map: an industrial case study, journal of knowledge management
4. Vail, E.F.,1999. Mapping organizational knowledge. Knowledge Management Review. May/June 1999.
5. Lin, Fu-ren., Hsueh, Chih-ming., 2006, Knowledge map creation and maintenance for virtual communities of practice, Information Processing and Management 42.
6. Suyeon. Kim, et.al.,2003.,Building the knowledge map: an industrial case study, journal of knowledge management
7. Pyo, Sungsoo., 2005., Knowledge map for tourist destinations – need and implications, Tourism Management 26.
8. Ong, Thian-Huat., et.al., 2005., Newsmap: a knowledge map for online news, Decision Support System 39.
9. Larose, Daniel.T., 2005, Discovering Knowledge: An Introduction to Data Mining, John Wiley & Sons. Inc.
10. www.epistemics.co.uk. Knowledge Models. 2006 8
No comments:
Post a Comment