Sensor dapat digunakan untuk menangkap data berupa suara, video, gambar, gelombang, maupun gerak. Saat ini ponsel pintar sudah banyak dilengkapi kemampuan untuk mengindera dengan adanya beberapa sensor seperti accelerometer, gyro, video, compas, GPS, dan lain-lain. Kemampuan konektivitas dengan adanya wifi, bluetooth, NFC pada ponsel pintar sangat mungkin untuk dapat digunakan mendeteksi pergerakan, lokasi dan kegiatan yang dilakukan manusia.
Beberapa aplikasi yang dijalankan dengan teknologi IoT membutuhkan kecerdasan. Teknik dan metode yang ada dalam machine learning sangat cocok diterapkan untuk mendukung penerapan teknologi ini.
Internet of Things (IoT)
Ada banyak definisi yang mendefinisikan IoT. Menurut IEEE, internet of things (IoT) didefinisikan sebagai jaringan dari benda-benda yang dilengkapi dengan sensor yang terhubung dengan internet. Radio Frequency ID (RFID) merupakan satu sensor yang menjadi cikal bakal IoT. Saat ini banyak sekali sensor yang dapat digunakan dalam IoT. Arsitektur IoT seperti yang ditunjukkan pada Gambar 1. Arsitektur ini terdiri dari 3 layer. Layer terendah adalah sensing, dimana benda yang dilengkapi sensor dapat mengindera data yang ditangkap. Data yang dimaksud bisa berupa suara, gambar, video, gelombang/sinyal, dan lain-lain. Layer tengah adalah jaringan dan komunikasi data menangani komunikasi data dan menyediakan jaringan antara sensor dengan aplikasi. Layer tertinggi adalah layer aplikasi, dimana pada layer tersebut terdapat antar muka yang menghubungkan mesin dengan manusia. Orang dapat menikmati layanan berbasis IoT melalui aplikasi tersebut.
Machine Learning
Machine learning adalah cabang aplikasi dari Artificial Intelligence yang fokus pada pengembangan sebuah sistem yang mampu belajar "sendiri" tanpa harus berulang kali di program oleh manusia. Machine learning merupakan teknik pembelajaran yang diterapkan pada mesin sehingga mesin bisa meniru kecerdasan yang dimiliki oleh manusia. Ada dua pendekatan dalam pembelajaran mesin, yaitu pembelajaran terbimbing (supervised) dan pembelajaran tak terbimbing (unsupervised). Pembelajaran mesin dapat digunakan untuk melakukan pendeteksian, melakukan pengelompokan atau klasifikasi, dan mengidentifikasi kelas atau kategori dari suatu individu.
Serious Game (Permainan Serius)
Serious game (permainan serius) merupakan jenis permainan yang dibangun untuk kepentingan selain hiburan, seperti pelatihan, pendidikan, iklan maupun simulasi. Jenis permainan ini dapat diterapkan untuk berbagai tingkatan usia, dari anak-anak sampai dewasa.
C. PENERAPAN IOT DAN MACHINE LEARNING MELALUI SERIOUS GAME
Skenario Permainan Dinamis menggunakan Distribusi Gaussian Box-Muller
Skenario permainan dinamis untuk pembelajaran matematika diterapkan dalam permainan serius yang bertemakan reog ponorogo. Tampilan permainan seperti yang ditunjukkan pada Gambar 3. Permainan ini mengangkat budaya reog dari Ponorogo Jawa Timur. Melalui permainan ini siswa SD dapat bermain sekaligus menguji kemampuannya terhadap soal baris, deret, probabilitas dan logika matematika. Box-Muller digunakan untuk memilih 5 dari 10 persoalan secara random. Distribusi gaussian digunakan untuk mengatur tingkat kesulitan secara dinamis, capaian tingkat kesulitan mewakili kompetensi kognitif sesuai ranah bloom.
Gambar 4. menggambarkan penentuan tingkat kesulitan dalam permainan ini. Pertama-tama pemain diberi 5 soal dari kategori pengetahuan(Q1). Jawaban dari setiap soal disimpan dalam file log dan data ini akan diproses otomatis untuk mendapatkan nilai total, μ dan σ dari pengalaman permainan yang dilakukan pemain. Nilai total didefinisikan sebagai profil pengalaman pemain. Nilai μ didefinisikan sebagai nilai rata-rata dari nilai profil pengalaman dari semua pemain. Nilai σ merupakan nilai standar deviasi dari profil pengalaman semua pemain.
Terdapat 5 kategori tingkat kesulitan yang didefinisikan berdasarkan jawaban pemain. Diasumsikan bahwa domain permasalahan adalah Qd dengan d mewakili nilai 1 sampai 6. Nilai batas kelulusan adalah nilai kelulusan dari standar kompetensi yang diwakili dengan simbol L untuk semua domain kelas. Siswa yang memiliki score xi yang kurang dari L akan diberi soal dalam domain yang dimaksud, sedangkan siswa yang memiliki score xi lebih dari L akan diberikan soal pada domain yang lebih tinggi.
berikut ada link yng dapat teman-teman akses untuk mempelajari aplikasi tekhnologi tentang pembelajaran matematika
https://www.youtube.com/watch?v=B3HP8Xjh4Oc
Tinggalkan komen dan tanggapan teman-teman semua pada kolom yang tersedia.
Terimakasih untuk yang sudah bersedia meluangkan waktunya untuk berkunjung dan meninggalkan komen maupun tanggapannya di blog saya :)
Tidak ada komentar:
Posting Komentar