Klasifikasi Ketrampilan Kognitif Siswa dengan Menggunakan Metode Learning Vector Quantization dengan Bantuan Game

Budi Irawan; Joan  Santoso

doi:10.37823/insight.v3i02.132

Authors

Budi Irawan Institut Sains dan Teknologi Terpadu Surabaya
Joan Santoso Institut Sains dan Teknologi Terpadu Surabaya

DOI:

https://doi.org/10.37823/insight.v3i02.132

Keywords:

CSG, Kognitif, Klasifikasi Kognotif, LVQ

Abstract

Untuk menilai tingkat kognitif seorang siswa sangatlah sulit banyak indikator yang mempengaruhi yang menyebabkan hasilnya tidak akurat. Dengan metode serius game ini akan diketahui tingkat kognitif seorang siswa yang akan diketahui penguasaan pembelajaran yang akan dicapai. Dalam serius game ini penguasaan pembelajaran merupakan inti dari proses belajar mengajar. Dalam tingkat kognitif ini perlu diklasifikasikan dengan menggunakan metode Cognitif Skill Game (CSG). Siswa sebagai pemain akan dipantau bagaimana berinteraksi dengan permainan untuk meningkatkan konsep permainan kognitif ini. Pada CSG ini menggunakan metode Learning Vector Quantization (LVQ) yang berfungsi untuk mengoptimalkan input klasifikasi ketrampilan kognitif pemain. Guru sebagai data training digunakan untuk mengobservasi LVQ. Guru mempunyai pengalaman yang banyak dan mempunyai banyak sertifikasi atau pelatihan dianggap cocok sebagai data training. Pengambilan data Guru menggunakan metode observasi kuesioner. Siswa jurusan Teknik Komputer dan Jaringan (TKJ) SMK adalah populasi klasifikasi ketrampilan kognitif saat menjalankan permainan dalam penelitian. Sebagian kecil pemain CSG masuk dalam kategori keterampilan kognitif hati-hati, beberapa masuk dalam kategori ahli, dan sebagian besar masuk dalam dalam kategori coba-coba. Hasil dari permainan CSG ini adalah pemain memiliki kemampuan ketrampilan kognitif masih rendah. High trial and error 75%, high expert 6%, dan high careful 19%. Dalam penelitian ini juga dilakukan validasi pengukuran secara berulang-ulang untuk mengetahui keakuratan klasifikasi CSG.

References

[1] A. A. Wijaya, S. Bukhori, and N. Oktavia, “Perancangan dan Pembuatan Serious Game Sebagai Simulasi Aktivitas Bisnis dan Akuntansi Menggunakan Pendekatan Agent-Based Modelling,” Berk. Sainstek, vol. 5, no. 2, p. 66, 2017, doi: 10.19184/bst.v5i2.5532.
[2] J. Dibbell, Serious games, vol. 114, no. 1. 2011.
[3] M. A. Syufagi, M. Hariadi, and P. Mauridhi Hery, “A Cognitive Skill classification based on multi objective optimization using learning Vector Quantization for serious games,” ITB J. Inf. Commun. Technol., vol. 5, no. 3, pp. 189–206, 2011, doi: 10.5614/itbj.ict.2011.5.3.3.
[4] M. Syufagi, M. H. Purnomo, and M. Hariadi, “Tendency of Players Is Trial and Error: Case Study of Cognitive Classification in the Cognitive Skill Games,” J. Ilmu Komput. dan Inf., vol. 5, no. 1, pp. 31–39, 2012, doi: 10.21609/jiki.v5i1.184.
[5] R. Agustin, A. Purwarianti, K. Surendro, and I. Suwardi, “Model Konseptual Serious game,” Researchgate.Net, [Online]. Available: https://www.researchgate.net/profile/Iping_Supriana2/publication/259382456_Model_Konseptual_Serious_game_Berdasar_pada_kolaborasi_antara_Intelligent_Tutoring_System_dan_Game_the_Sims/links/02e7e52b458a9e1c55000000.pdf.
[6] W. A. Setyowati and W. F. Mahmudy, “Optimasi Vektor Bobot Pada Learning Vector Quantization Menggunakan Particle Swarm Optimization Untuk Klasifikasi Jenis Attention Deficit Hyperactivity Disorder (ADHD) Pada Anak Usia Dini,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 4428–4437, 2018, [Online]. Available: http://j-ptiik.ub.ac.id.
[7] G. Barata, S. Gama, J. Jorge, and D. Goncalves, “Early Prediction of Student Profiles Based on Performance and Gaming Preferences,” IEEE Trans. Learn. Technol., vol. 9, no. 3, pp. 272–284, 2016, doi: 10.1109/TLT.2016.2541664.
[8] C. Kazimoglu and L. Bacon, “An Analysis of a Video Game on Cognitive Abilities: A Study to Enhance Psychomotor Skills via Game-Play,” IEEE Access, vol. 8, pp. 110495–110510, 2020, doi: 10.1109/ACCESS.2020.3001751.
[9] E. Subiyantoro and A. Azhari, “Autonomous Cognitive Leveling Game Pada Serious Game Menggunakan Particle Swarm Optimization,” J. Buana Inform., vol. 8, no. 2, pp. 87–98, 2017, doi: 10.24002/jbi.v8i2.1080.
[10] A. R. S. Putri and G. S. Airlanda, “Pengembangan Media Pembelajaran Game PEKA Untuk Meningkatkan Hasil Belajar Kognitif Peserta Didik Pada Materi Pecahan,” Efektor, vol. 7, no. 2, pp. 109–116, 2020, doi: 10.29407/e.v7i2.14978.
[11] R. Meliawati, O. Soesanto, and D. Kartini, “Penerapan Metode Learning Vector Quantization (LVQ) Pada Prediksi Jurusan Di SMA PGRI 1 Banjarbaru,” Kumpul. J. Ilmu Komput., vol. 04, no. 01, pp. 11–20, 2016.
[12] P. T. Tangan, J. Syaraf, T. Learning, and V. Quantization, “JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION UNTUK APLIKASI PENGENALAN TANDA TANGAN 1 Difla Yustisia Qur’ani 1 , Safrina Rosmalinda 2,” vol. 2010, no. Snati, pp. 1–5, 2010.
[13] T. Kohonen, “Learning Vector Quantization,” pp. 245–261, 2001, doi: 10.1007/978-3-642-56927-2_6.
[14] D. R. Oetomo, I. Kuswardayan, and N. Suciati, “Implementasi Kecerdasan Buatan Pada Permainan ‘Phantom Crown’ Menggunakan Hierarchical Finite State Machine dan Decision Tree,” J. Tek. ITS, vol. 7, no. 1, pp. 226–230, 2018, [Online]. Available: http://ejurnal.its.ac.id/index.php/teknik/article/view/29163.
[15] E. W. Hidayat, A. N. Rachman, and M. F. Azim, “Penerapan Finite State Machine pada Battle Game Berbasis Augmented Reality,” J. Edukasi dan Penelit. Inform., vol. 5, no. 1, p. 54, 2019, doi: 10.26418/jp.v5i1.29848.
[16] M. F. Rahadian, A. Suyatno, and S. Maharani, “Penerapan Metode Finite State Machine Pada Game ‘The Relationship,’” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 11, no. 1, p. 14, 2016, doi: 10.30872/jim.v11i1.198.
[17] “CLASSIFICATION OF LEVEL COGNITION IN SENIOR HIGH SCHOOL ON TRIGONOMETRY COMPARISON USING TRIGONOMETRY GAME BASED LVQ METHOD.pdf.” .
[18] B. Tyers, Learn RPGs in GameMaker: Studio. 2017.