TELKOM NIKA , Vol.13, No .1, March 2 0 1 5 , pp. 341~3 4 8   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v13i1.1321        341     Re cei v ed O c t ober 1 3 , 201 4; Revi se d Ja nuar y 18, 20 1 5 ; Acce pted  February 1, 2 015   Solving the Complexity of Heterogeneity Data on  Learning Environment Using Ontology      Arda Yunian ta* 1,2 , Mohd Shahizan O t hman* 1 , Noraz a h Yusof* 1, 3 , Liz a w a ti Mi Yusuf 1 ,  Ju w a iriah 4 , Nurul Sy azana Selamat 5  1  Facult y  of Co mputin g, Unive r siti T e knologi  Mala ysi a ,81 3 1 0 , Mala ysi a   2  F a cult y  of Informatio n  T e chnol og y a nd Co mmunica ti on.  Mula w a rma n U n iversit y , 75 11 9, Indon esia   3  F a cult y  of Co mputin g an d Information T e chnol og y,  Kin g  Abdu l aziz Un ive r sit y , 21 911, S aud i Arabi a   4  F a cult y  of Ind u strial T e chnol og y. Univ ersita s  Pemban gu na n Nasi oan al Ve teran, 552 83, Indo nesi a   5  Centre for Informatio n  an d Commun i cati o n  T e chnolo g y ,  Univers i t y  T e knol ogi Ma la ysi a ,813 10, Mal a ysi a   *Corres p o ndi n g  author, e-ma i l : arda.mti08 @ mail.u g m.ac.id;  noraza h 6 4 @g mail.com; sha h i zan@ utm.m y       A b st r a ct   Distribut ed a n d  vario u s syst ems  on l ear nin g  env iron ment  are the c u rre nt issues to  pr oduc e bi g  data an d heter oge neity d a ta prob le m. Heter oge neity o n  le arni ng env iro n m e n t is abo ut nu mer ous le ar nin g   app licati ons a nd vari ous  lea r nin g  infor m ati on to su pport  a lear ni ng pr o c ess in e duc ation a l i n stitutio ns.   T here ar e a  lot  of relati ons hip s  are for m e d  b e tw een e l e m e n ts on  lear nin g  envir on me nt. T he el e m e n ts  o n   lear nin g  env iro n ment co nsist  of lear nin g  dat a, lear ni n g  ap plicati ons, d a ta  sources, le arn i ng co nce p t, an d   data het erog en eity aspect o n  l earn i ng  envir o n ment.  T hese  ele m ents are i n terrel a ted a n d  produc e co mp lex   relati onsh i p  b e tw een  each  other. A  co mp lex  rel a tion ship  pro b l e m betw e e n  e l e m e n ts o n  l e a r ni n g   envir on me nt makes a proc ess  of analysis a n d  ide n tificati o n  difficult to be d one. Existin g  meth od to dra w ing   this h e tero gen eity pr obl e m   mak e  c onfuse  an d  mis u n d e r standi ng r e a d e rs. T o  so lve d  this  pro b l e m,   researc her usi ng ont olo g y k now led ge to d e scrib e an d  dr aw  a semantic  relatio n shi p  that repres ent  the   compl e xity of d a ta rel a tions hi p on l ear nin g  e n viro nment.  T h e result of this  ana lysis is to d e vel op o n tol o g y   know led ge to  solve h e tero gen eity data  prob le m sp eci f ic in co mp le xity relatio n sh ip on  lear ni n g   envir on me nt. T h is res u lt can   give  better u n d e rstand ing  to the re ad ers ab o u t co mpl e x rel a tions hip  betw e e n   ele m ents on l e arni ng env iro n m e n t.      Ke y w ords : lea r nin g  envir on ment, data heter oge neity,  onto l ogy know le dg e ,  sema ntic app roach       1. Introduc tion  Implementati on of Ele c tro n ic  system  o n  lea r nin g  e n v ironme n ts i s  be comin g  p o pular an d   very importa nt in today’s  scena ri o b e cause of their  flexibility,  convenien ce an d  accessibility  to   s u pport learning ac tivities  in traditional lear ning process  [1],[2]. T here  is  numerous  and various  appli c ation  systems on  le arnin g  e n viro nment from  d i fferent fun c ti on a nd  with  spe c ific pu rp ose,   this is  usually  kno w n  as  he teroge neity o n  learning  en vironme n t. The hete r og en eity may be the  differen c e in : Use r  inte rface, Platfo rm, Application sy stem, Datab a se  system, Data   rep r e s entatio n etc.  The hete r og eneity of data is a curre n t issu e in d i stribute d  an d variou s inf o rmatio n  sou r ces.  Dev e lopme n t of appli c ation s   and info rm ati on syste m s  make s h e terogen eity pro b lems  grow up and  more  com p lex, and from that prob lem s  need to find  the best solut i on [3],[4]. Data  on lea r nin g  e n vironm ent is increa singly  gro w n u p  a nd be comi ng  more m eani ngful to su pp ort  learning ac tivities  [5],[6].    Heteroge neit y  of data on learnin g  environm ent  is a bout different  data representation  and type s of  informatio n o r  data in  different  a nd n u m ero u s  appli c ation s  to  su pport a l earni ng   pro c e s s in  e ducation i n sti t utions [7].  Different  ap pli c ation s   are  d e velop fo r  sp ecific pu rpo s es  based on fu nction a nd f eature th at inclu ded o n   that appli c ati ons [5]. A lot of applicati ons  develop ed on  learnin g  environm ent, su ch as Tea c hi n g  and lea r nin g  online ap pli c ation, Lib r ary  appli c ation  system, Que s tion ban k  system, St ud ent man age ment an d p a yment sy stem,  Acade mic i n formatio n ma nagem ent  system, Stude n t   regi stration  system  and  subj ect  co urse   evaluation sy stem. In this pape r, re sea r che r s a r e u s i ng UTM (Uni versiti Te knol ogi Malaysi a ) as  a ca se stu d y  to analyze  the data heterog enei ty probl em on  university environme n t. With  nume r ou s ap plicatio ns tha t  develop wit h  vari ou s system and data base schem a ,  produ ce s a big   data with het erog eneity problem on that  environm ent.  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 1, March 2 015 :  341 – 3 4 8   342 The ai m in  this  pap er i s   to analy z e  a nd to i dentify wh at ki nd  o f  data h e tero geneity  probl em th at be  hap pen   on le arni ng   environ ment,  wh at a r e th e sema ntic  relation ship  relate  betwe en el e m ents  on d a ta hete r og e neity on  lea r ning  enviro n ment. After analyzi ng  and  identificatio n pro c e ss,  the main  c ontri bu tion of this re sea r ch is to  d e velop o n tolo gy kno w le dge  to   descri be  wh a t  kind  of d a ta hete r og ene ity proble m  o n  lea r nin g  e n vironme n t an d to g e t bett e r  read er  und e r stan ding  wit h  ontolo g y  viewing  th at  contai n se mantic relati onship  b e tween  element s on l earni ng environment.    We d e scribe  that there  are  four m a in a s pec t s  of h e terogen eity on l earni ng e n vironment.  The fo ur  asp e cts a r e  heterogen eity  data ,  learning  re sour ce s, a ppli c ation s , a nd l earni ng th eo ri es.  Detail s heterogen eity crite r ia’s  w ill discu ss in the n e xt sectio n.  This pa pe r is extended pa p e r from this p aper  [20]. To  compl e te the resea r ch, this paper  divided into  several  stage s, the first is to  analyz e  and  identify four main a s pe cts of heterog en eity  on learning  environ ment.  The next step is to cr e a te sema ntic relation ship  between all  of  element s on l earni ng envi r onment. And  the final re su l t  is to develo p  ontology kn owle dge to d r aw   the com p lexi ty that happen on d a ta hetero gen eity probl em on  learni ng en vironme n t wi th  sema ntic rela tionshi p.      2. Hete roge n e it y  Aspects  On Learnin g  En v i ronment  2.1. Hete rog e neit y  on Data   In the  hetero geneity of  da ta aspe ct  we  de sc rib e  tha t  there  a r e fi ve su b  aspe cts with   some of the  elements  co ntained in it. The five  sub asp e ct s are data types, data struct ure,   learni ng i n formation, d a ta base  system,  and  data  re pre s entatio n. In the  next  para g raph  we will   explain mo re  detailed a bou t this five sub asp e ct s.  There are numerous data type format  and  dat a  structure format  [8],[9]. For t he data  stru cture fo rmat ther e a r e three type s of   da ta str u ctur e , the r e  are u n struct ured  data,  semi- stru cture d a ta an d  stru ct ured  d a ta .  Different with data stru cture,  da ta t y pes  have  five  data   types, they a r e m u ltimedi a data, im ag es  data,  text data, web/web-se rv ice  d a ta an d data base   data.   With n u merou s  a ppl ication s  th at   develop   with   vario u s   system  an d d a taba se   sch e ma,    prod uces   a   big  data   with  heteroge n e ity pr oble m  on that environment. Diffe rent  ap plication     system   with   nume r ou s   a nd hete r o gen eity info rmati on,  data  sou r ce s,  d a taba ses  system  an d  data   re pre s e n tation   ma ke s   commu nication   and   i n tegratio n  pro c ess b e twe en  this a ppli c atio n s   diffic u lt to implemented [8],[10].  Databa se s y stem  a s pe ct also  compl e ted the data  hetero gen eity proble m  on l earni ng   environ ment.  Some appli c ations a r e d e v elop und er t he sa me dat aba se sy ste m  and the ot her   appli c ation s   are devel ope d with different databa se  system. Re sea r che r s a r e identifying  a   several data b a se  system t o  develop  an  applicati on,  there are Ora c le  data b a s e system,  MySQL  databa se  system, SQL Server, an d Po stgre S Q L.   Different d a ta are  save d  in the datab ase   system  also  have different  schem as to   develop th e  d a taba se  syst em this i s   pro duce a  different  data rep r e s e n tation format .  Develo pment  and i m ple m entation  system on  l earni ng  envi r onm ent p r o duce a  d i ffe r e nc es  in  data re pres enta tion  a s p e ct. System developm ent  with differe nt develope r al so   make s differe nce s  in data repre s e n tation  sch ema on d a taba se sy stem.   Heteroge neit y  data spe c ific on  lear ning inform ation  will  have interrelation with  con s tru c tive  alignme n t theory that ha ve three el e m ent with o ne extra el e m ent. The t h ree   element s th ere a r e te a c hin g  an d l earni ng Ex p e rien ce s,  a s se ssm ent  t a sk s a nd le a r ning  outcom e s. Where a s, the e x tra element is relate to  the  purpo se of constructive ali gnment theo ry,  namely stud e n t result.       2.2. Hete rog e neit y  on Learning Re so urces   Learning  re source s i s  rela te with  refere nce   source s  as  a refere nces fo r  stude n t s to g e t  better le arni n g  kn owl edg e  and to fini shi ng all  assign ment that giv en by le ct urers. In the l earning   pro c e ss  con d u ct by stude n t s and le cture r s they have  referen c e so urces. Th e re feren c e  sou r ces  is not only from lectu r e r  slides b u t there are a  lot of  learnin g  mat e rial from th e  other source s   su ch a s  jou r nal pap ers, web s ite pa ge s, boo ks,  a r ticle s , Instag ram, YouTub e and the ot her  external sou r ce s [11]. Fro m  these  sou r ce s  st udent s ca n learn  not just from  text book, but  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Solving T he  Com p lexit y  of Hetero gen eity Data o n  Le arnin g  Envi ro nm ent .... (Arda Yunianta )   343 stude nts  also  ca n l earn fro m  au dio  and   video  cont e n t  on internet. These learnin g  sou r ces rel a te   with data types an d data structu r e s  ele m ent on the o t her hete r og e neity aspe cts.       2.3. Hete rog e neit y  on Applications   No wad a ys, a pplication sy stem develop ment  on lea r ning envi r on ment is g r o w i ng fast. A  lot of appli c a t ion sy stem  develop ed to  help l earni n g  process in  som e  e d u c a t ion institutio ns.   Every appli c ation is deve l op for  sp ecif ic pu rp oses   with several  facilities. Ea ch appli c atio n  is  developin g  with different functio n , purp o se a nd  with  different dev elope r produ ce hete r og en eity  asp e ct on th e appli c ation  perspe c tive. Applicat ion  develop er un der different  prog rammi n g   langu age, system archit ecture, mod e l, interfac e, platform a nd data b a s e s  sy stem m a ke   comm uni cati on and inte gration pro c e ss more difficult .  Data hete r og eneity on ap plicatio ns a s pect  is ab out  different data representat ion and  types of information or d a ta in different  and nu merou s  appli c atio ns to supp ort a l earni ng p r o c e s s  in education  institution s  [7]. Different applicatio n s  are develop for spe c ific pu rposes ba se d  on   function  an d  feature th at i n clu ded  on  that ap p licatio ns [5]. A l o t  of appli c atio n s  d e velop ed  on   learni ng e n vironm ent, su ch as te achin g  and l earni ng onli ne ap plicatio n called Moo d le  e- learni ng, academi c  information man ageme n t system, student  manage me nt and pay ment   system, Que s tion  B a n k  System,  Sub j ect Cou r se s evaluatio n  system,  stud ent regi strati on  system, library application  system an d o t her lear ning  appli c ation s . In this research, re sea r che r s  are u s ing UT M (Unive rsiti Tekn ologi Ma laysia) le arni ng appli c atio ns as a  ca se study to anal yze   the data hete r oge neity pro b lem on ap pli c ation s .       2.4. Hete rog e neit y  on Learning Theor ies   Learning th e o rie s  a s pe ct i s  relate with l earni ng info rmation an d the othe r ele m ents o n   learni ng e n vironm ent. Th ere  are  two  learning th eorie s  relate  on thi s  research th ere   are   con s tru c tive alignme n t an d intelligent tutoring  syste m .   Cons tru c tiv e  alignment  is an ed ucational mod e l to con d u c t learnin g  proce ss. T w o   asp e ct a r e  b u ilt on con s tructive  align m ent is  a  constructive  a s pe ct refers  to the idea  that  stude nts  co n s tru c t the  me aning  on l e a r ning  pro c e s s  throug h  relev ant lea r nin g  a c tivities.The  key  is that the co mpone nts in  the  teaching  system, e s pe cially the tea c hin g  metho d s u s ed a nd t he  asse ssm ent  tasks are alig ned with  the learni ng  a c tivities a s sume d in the inte n ded o u tcom e s .  The le arn e r is a pe ople s   who  want g e t b e tter un de rst andin g  to  sol v e learning  problem th at gi ven  to them [12],[ 13].  To co ndu ct a  better lea r nin g  pro c e s s tro ugh con s tru c t i ve alignment  is ho w to perform all  asse ssm ent  tasks  and  te achi ng l earni ng p r o c e s s (inclu ded  con t ent and  met hod s) mu st  be  linke d to the desired unit  of study learning o u tcom es. Figure 1  shows the interrelation s h i p  betwe en the three el eme n ts on con s tru c tive alignmen t concept [14].          Figure 1. Con s tru c tive Alignment The o ry, adapted fro m  [13]    Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 1, March 2 015 :  341 – 3 4 8   344 The im po rtan t thing o n   a  constructive  ali gnment  is to  get bal an ce  b e twee n tea c h i ng a nd  learni ng  acti vities, asse ssment ta sks activi ties  a nd lea r ni ng  outcom e s to  be a c hi eve d . A  Con s tru c tive  alignme n t is  an edu catio n a l model [15 ], this con c e p t base d  up on co nst r u c tive   learni ng the o r y (con stru cti v ism) a nd  aligned  cu rri cu l u m. The  aim  of this  con c ept is  get be tter  stude nts’ pe rforma nce to enhan ce stu d e n t out come s.  While the model ha s bee n implemente d   on ma ny do mains an d li nke d  to p o si tive effect  to  the stu dent  re sults,  also for l earnin g   environ ment this con c ept really clo s ed  with  all of acti vities on learning process  [16].  Con s tru c tive Alignment co nce p t  is com p rised  by  a  set of prin ciple s  that can b e  use d  to  devisin g Tea c hin g  an d L earni ng A c tivities that h e lp in a c hi e v ing the Intende d Le arn i ng   Outco m e s . This is a c com p lish ed by ca refully a lignin g  and learnin g  asse ssm en ts to suppo rt the  stude nts to fulfill the Intended Lea rnin g Outco m e s  [12]-[14].  Learning m o del is a p a rt  of  Intelligent Tutoring S y stems   con c e p t that compl e ted with   interface as  a bridge to communi ca te with  user  l earner.  Intelligent tutoring systems contai n  four  comp one nts:  domain,  stud ent, tutor and  use r  inte rfa c e [16]. Intelligent tutorin g  system s (ITS s)  must b e  e qui pped  with  an  explicit rep r e s entatio n  of t he d o main  kn owle dge th at  is the  subje c t  of  the lea r nin g   activity to en able l earners to a c qui re  knowl edge  an d devel op  skills in  a  spe c ific  domain. It m u st al so  be  e quipp ed  with  the me cha n isms by  whi c h  can  be to  sol v e pro b lem s   in  the do main  throu g h  a c qui red  kno w ledg e an d  better  skill  devel op ment, be ca use this i s  a  m a in   purp o se of intelligent tutoring  system s [17]. T he purp o se of the learning  pro c e ss i s  h o w to   provide  bette r pe rsonali z e d  service an d tea c hi ng   material s fo r learners to   achi eved b e tter  learn e rs resul t. Figure  2 sh ows the inte rrelation s hip th ree  eleme n ts  on lea r nin g  m odel a s  a  mai n   part of intelligent tutoring system [17].          Figure 2. Intelligent Tutori n g   Systems, a dapted fro m  [17]      The  dom ain model  is  also called  expe rt kn owl edg e.  This mod e l  contai ns the  probl em   solving  strategies, rules and  concept   of the domain to  be learned.  It can fulfill several  rol e s: as  a  sou r ce of e x pert kn owl e dge, a  stan dard fo r  eva l uating  the student’s perf o rma n ce  or for  detectin g  errors, etc. Th e  domain mod e l can o r ga nized to be a  curri c ulum, le arnin g  stru ct ure   that includin g  all the learni ng kn owle dg e element s a nd linke d tog e ther a c cording to pedag o g ical  seq uen ce s [1 6]. The  stud ent mod e l  is  the co re  com pone nt of an  ITS. Ideally, it shoul d cont ain  as mu ch kno w led ge as p o ssi ble abo ut the stud ent s  cog n itive that supp ort learning process to   get better  u nderstan ding  of stud ent’s persp ective  to solve l e arnin g  p r obl em to get  b e tter  stude nts re su lt [16]. The  teaching mo del  receives i nput from the  domain an d stude nt mod e ls  and ma ke s d e ci sion s ab o u t tutoring  strategie s  and  action s. Base d on p r in cipl ed knowl edg e, it  must ma ke  such d e ci sio n s  as  whet her or not to  intervene, a nd i f  so, whe n  a nd ho w. Cont ent  and d e livery  planni ng a r e  also  part of t he tutorin g  m odel’ s  fun c tio n s. Tuto ring  deci s io ns  wo uld  ideally be reflected in  different fo rms  of intera ct ion  with the stu dent: Socrati c  dialo g s, hi nts,   feedba ck fro m  the sy stem , etc. More g enerally,  stud ent and te aching inte ra ctions  usually o c cu r  throug h the l earni ng  in ter f ace ,  also kn own  as the  communi catio n  or i n terfa c e  com pon ent. This  comp one nt gi ves a c ce ss t o  the  dom ain  kn owl edg e e l ements thro ugh  multiple  form s to  interact   with user lea r ner.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Solving T he  Com p lexit y  of Hetero gen eity Data o n  Le arnin g  Envi ro nm ent .... (Arda Yunianta )   345 3. Semantic Relatio n ship s Bet w e e n  Elements On  Learning En v i ronment  After analysi s  an d identif ication p r o c e ss,  the  next step is to  dra w  the  co mplexity  relation shi p  betwe en ele m ents on le arnin g  enviro n ment. Table  1 sho w s th e compl e xity in   hetero gen eity aspe ct o n  l earni ng  environment   an d  sho w s the  types of  realtio n shi p s bet we en   element s.  Table  1  sho w s a l o t of  relation ship  b e twee n el em ents  on l earn i ng e n viron m ent. Fro m   this table  can  be seen a n d  con c lu de tha t  it is very co mplex the relationship bet wee n  elem en ts.   The existing  method p r ov es that the repre s e n ta tion  of heteroge neity  on learning environ ment  still have a weaknesses a nd still need to improve.       Table 1. Lea rning Inform ation Semanti c  Relatio n ship   Elemen ts  T y pe  of  R e lati o n shi p   Elemen ts   Websites  hasATypeOfDa t a  W eb/ W eb-Service  Data     hasATypeOfDa t a  Database  Data     hasADataStructu re  Structured  D a ta     hasADataStructu re  Sem i   Structu r ed  data  Journal  Paper   hasATypeOfDa t a  Text  Data     hasATypeOfDa t a  W eb/ W eb-Service  Data     hasADataStructu re  Unstructured  Dat a     hasADataStructu re  Sem i   Structu r ed  data  Learning  Outcomes   Categori z e A s Domain  M odel     Categori z e A s Teaching  M odel     Categori z e A s Student  M odel     IsA Learning  Inform ation        Teaching  and  Learning  Online  Application   HasA  DataRep r esentat ion  Data  Representation 5   in Application 5     HasADatabaseS ystem M y SQL     HasA User  Interf ace    Categori z e A s Student  M odel     Categori z e A s Teaching  M odel   Question  Bank  Sy s t e m   HasA  DataRep r esentat ion  Data  Representation 4   in Application 4     HasADatabaseS ystem Oracle     HasA User  Interf ace    Categori z e A s Teaching  M odel     Categori z e A s Domain  M odel   Subject  Course  Evaluation  Sy s t e m   HasA  DataRep r esentat ion  Data  Representation 3   in Application 3     HasADatabaseS ystem SQL  Serve r     HasA User  Interf ace    Categori z e A s Teaching  M odel   Student  Registration  Sy s t e m   HasA  DataRep r esentat ion  Data  Representation 7   in Application 7     HasADatabaseS ystem M y SQL     Categori z e A s Student  M odel     HasA User  Interf ace  Student  Result  IsThePurpose O f  Teaching  and  Learning  Experiences    IsThePurpose O f  Domain  M odel     IsThePurpose O f  Teaching  M odel   Elemen ts  T y pe  of  R e lati o n shi p   Elemen ts   Y o u t ub e  hasADataStructu re  Unstructured  Dat a     hasATypeOfDa t a  M u lti m edia  Data   Books  hasATypeOfDa t a  Text  Data     hasADataStructu re  Unstructured  Dat a   Instagram   hasADataStructu re  Unstructured  Dat a     hasADataStructu re  Sem i   Structu r e  Data     hasATypeOfDa t a  M u lti m edia  Data     hasATypeOfDa t a  Text  Data     hasATypeOfDa t a  W eb/ W eb-Service  Data   Assessment  T a sk  IsA Learning  Inform ation     Categori z e A s Domain  M odel     Categori z e A s Teaching  M odel   Student  Result  IsThePurpose O f  Student  M odel     IsThePurpose O f  User  Interf ace  Academic  Information  Management  Sy s t e m   HasA  DataRep r esentat ion  Data  Representation 2   in Application 2     HasADatabaseS ystem Oracle     HasA User  Interf ace    Categori z e A s Student  M odel     Categori z e A s Domain  M odel   Student  Management  and  Pa y m ent  Sy s t e m   HasA  DataRep r esentat ion  Data  Representation 1   in Application 1     HasADatabaseS ystem M y SQL     HasA User  Interf ace    Categori z e A s Student  M odel     Categori z e A s Domain  M odel   Librar y  Application  Sy s t e m   HasA  DataRep r esentat ion  Data  Representation 6   in Application 6     HasADatabaseS ystem Postgre  SQL     Categori z e A s Student  M odel     HasA User  Interf ace  Teaching  and  Learning  Experiences   Categori z e A s Domain  M odel     Categori z e A s Teaching  M odel     Categori z e A s Student  M odel     IsA Learning  Inform ation   Student  Result  IsA Learning  Inform ation     IsThePurpose O f  Learning  Outc o m es     IsThePurpose O f  Assessm ent  Task    Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 1, March 2 015 :  341 – 3 4 8   346 Every eleme n t on lea r ni ng environm ent at  lea s t has  one  re lationship, a nd som e   element s on l earni ng e n vironment  can  have a lot of  relat i on shi p s.  This  sit uat io n mak e s  dif f i cult   to get clea r view and  better un derstandi ng, be cau s e the r e  are no d e scriptio n nam e of  relation shi p  betwe en ele m ents o n  le arnin g   enviro n ment. Even though the r e are n a me  of  descri p tion of  relation bet ween the s e ele m ents st ill dif f icult to get understan ding  and to analyze   the pi cture.  Ontology  giv es a better   solution  to   solve this p r ob lem b e cause  ontology  give s a  sema ntic rela tionshi p attrib ute on every  element on le arnin g  enviro n ment [19].  From  Tabl e 1  we  co ncl ude   that there  are   68 relatio n sh ips betwe en element s  o n   l earni ng  environ ment  with 8  types of  relati onship, the r e are  hasAT ypeOfData, hasAD ataStruc ture,   hasAD atab ase S ystem, hasA D ataR epres ent ation, hasA, ca tegor i z e A s, isA, isT hePurpos e O f.   Table  1 sho w s three  colum n s  with two  column s a r e el ements that h a ve interrelati onship   betwe en  ea ch othe r  and  one   colum n  is type  o f  relationship  of elements on learnin g   environ ment.  From this type of relation ship  we  ca n build ontolo g y  knowl edge  to represent the  hetero gen eity on lea r nin g  e n vironm ent to  give  a cl ea r i m age a nd b e tter un derstan ding a bout th e  compl e xity of  hetero gen eity on learni ng e n vironm ent.      4. Ontolog y   Kno w l e dge  Data He ter o geneity  On Learning Env i ronment   Analysis  and  identification  pro c e ss to d e sc rib e  a co mplexity on data heteroge neity on   learni ng envi r onment have  sho w n on p r evious  cha p ter on thi s  pa per. After cre a te a sem ant ic  relation shi p  b e twee n ele m ents  on le arni ng e n vir onm e n t, the next  step i s  to d e vel oping  ontolo g y  to sho w s m o re de rail ed  all of sem antic rel a tion ship o n  dat a hetero gen eity on learning  environ ment.   Data hete r og eneity com p lexity shows on Tabl e  1 as an expl an ation to sho w s all  o f   element s o n   data h e tero g eneity on  lea r ning  env i r on ment  a nd rel a tionship bet wee n   el emen ts.  After this, re sea r che r  will  use  ontology  approa ch  to  get better  re pre s entatio n  from complex i ty  relation shi p  b e twee n elem ents on le arn i ng enviro n m ent. Before d e velop sema ntic rel a tionship  betwe en ele m ents.       Figure 3. Ontology of Hete roge neity  asp e cts o n  Lea rn ing Environm ent  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Solving T he  Com p lexit y  of Hetero gen eity Data o n  Le arnin g  Envi ro nm ent .... (Arda Yunianta )   347 Ontology kn owle dge that  shows on  Figure  3 is compl e te ont ology kno w le dge with   sema ntic rela tionshi p between all of  ele m ents on le arning environ ment.  Applic ations cla s s  has  seven in stan ce s, there  are  student M a n age ment A n d   Payment Syst em, st ude nt R egistrati on  Sys t em,  questi on B ank  System,  libr a ry Ap plic atio n Syste m ,  su bject C ours e   Evalu a tion  Sy stem, ac ad e m ic   Information Ma nag e m ent System, an d teac h i ng And L ear ni ng Onli ne App l icatio n .  Learning Reso urc e s   cla ss that ha ve youtube,  books, Instag ram, journ a lPaper a nd we bsite s .  Learn i ng Theor y  c l ass  with two sub c la ss a nd se ven instan ce s. In the  Intelligent Tutoring  System  subcl a ss ha s  teachin g   Mode l, do ma i n  Mod e l, stud ent Mod e l  and  user Interface . W h er e   as  for   Constructive Alli gn me nt   sub c la s s  ha s  teachingA n dLe arni ng Ex peri ences,  le arni ng  outco mes  an d as sessment T a sk .  Het e rog e neit y  Data  cla ss  that has five  sub c la sse s  a nd tw e n ty three in stan ce s. In the learni ng   Information   sub c la ss ha s a s se ssm e n t Task, le a r ning  Out c o m es, tea c hi n g  And  Lea rning   Experien c e s   and stu dent  Re sult. In the Data St ru cture sub c la ss have semi  Structu r ed  Data,  stru ctured  Da ta and  un stru cture d   Data. I n  the  Da ta ba se Sy stem  su bcla ss h a ve  ora c le, MySQ L,  sql Serve r  an d postg re SQ L. In the Data Ty pes su bclass have mu ltimedia Data , images Dat a ,  text Data, web/We b Serv ice Data an d databa se  Data. And th e last sub c la ss i s  the Da ta   Rep r e s entati on sub c la ss has  data   Rep r esentation   1   In Appli c atio n 1, d a ta  Re pre s entatio n  2 In  Applicatio n 2,  data  Rep r e s entation 3  In  Applicat io n 3,  data  Rep r e s entation 4  In  Applicatio n 4,  data Re pre s entation 5 In Application  5, data  Rep r ese n tation 6  In Application 6 and d a ta  Rep r e s entati on 1 In Application 7.  Every class, subcl a ss a nd instan ce  on ontology  possibl e to have more t han one  relation shi p . On this ontol ogy kno w led g e  research er  descri be a four main cl ass under root cl ass  (Thin g ), the r e are le arni n g  information ,  heter o gen ei ty data, learning m odel   and  co nstructive   alignme n t cla ss. F r om fou r  classe s the r e are two  cla s ses that h a ve sub c la ss a s  a detail of ea ch  cla ss.  Hete ro geneity cl ass  has five su b  cla s ses  are d a taba se  syst em, data  rep r ese n tation, d a ta  stru cture, data types and l earni ng kno w ledge.   In the ontolo g y kno w le dg e so metime s they hav e  same in stan ce  in differe nt cla ss  or  sub c la ss. Thi s  o ccu rs in  con s tru c tiveA llignment  su bcla ss and l earni ngInfo r mation sub c l a ss ,  there a r e h a ve three  sa me  instan ce s wi th one extra i n stan ce  on le arnin g Inform ation sub c lass.   This is b e cause of in these two  sub c la sses have three  same  in stances that  have   interrelation s hip between t hem.      5. Conclusio n   A complexity relation shi p  p r oble m  on le arnin g   enviro n ment is ve ry difficult to draw an d  descri be u s in g ba sic  meth od.  The r e  a r e ma ny  thin gs o n  hete r o geneity a s pe ct on le arnin g   environ ment su ch as  el e m ent s,  aspe cts and  relat i onship  between th em. T he el ement   on  learni ng  envi r onm ent  con s ist s  of  lea r n i ng mo del, le arnin g  a ppli c ations, l earni ng  sou r ces,   and  learni ng data   co ncept (co n stru ctiv e  ali gnment ). Whi l e for a s pe cts on  lea r nin g   environ ment i s  a   data hete r og eneity asp e ct on learni ng  environm ent . Data heterogen eity asp e ct on le arni ng   environ ment  con s i s ts of le arnin g  kno w ledge,  data ty pes, data  structure,   datab ase system a nd  data represe n tation. All of  eleme n ts  an d a s pe cts on   learning env ironm ent  a r e interrelated a n d   prod uce com p lex relatio n ship between  each othe r. A complex relation ship p r oblem b e twe e n   element s o n  l earni ng  environment  ma ke s a  process  of analy s is a nd  id entificati on difficult to  be  done. Sema ntic tech nolo g y through o n tology kn o w ledge is a  current app ro ach to solve  a  compl e xity re lationship o n   some  dom ain .  Ontology kn owle dge  usin g a semanti c  relation shi p  i s   to han dle  a  nume r ou s  an d vario u s rel a tionship th at exists on  th at. Ontology  kno w le dge  is a  better solutio n  to handle d a ta hetero g e neity proble m  on learni ng e n vironm ent.      Ackn o w l e dg ments   The auth o rs  woul d like to  thank to  Universiti T e knologi M a lay s ia for th eir  financi a l  s u pport to s u bmit this  paper into this  journal.               Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 1, March 2 015 :  341 – 3 4 8   348 Referen ces   [1]   Dietinger  T .   Aspects Of E-Learnin g  Enviro n m ents . Austria. Graz Universit y  of T e chnolo g y. 20 03.   [2]    Xi aofe i  L, Sa d d ik AE, Geor g anas  ND.  An implementable architec ture of an  e-learning system .   Electrical   an d Comp uter  En gi neer ing, 200 3 IEEE  CCECE  200 3 Ca na dia n  Co nfere n ce  on 2 0 0 3 ; 2:   717- 720.   [3]    Kim W ,  Seo  J. Classif y in g schematic a n d  data heter og ene it y  i n   multi  databas e s y s t ems.  IEEE  Co mp uter . 199 1; 24: 12-1 8 .  [4]    Kash ya p V, Sheth A.  Sem a ntic heter ogeneity in global informa tion system s: The ro le of m e tedata,   context an d o n tolo gies . Pa p a zog l ou MP,  Schla geter G, editors. Co op e r ative inform ati on s y stems.  San Di ego. Ac adem ic Press. 199 7: 139 –1 78 .  [5]    Sh yama la R, Sunith a R, Ag hila G. T o w a r d s Lear ner M ode l Shari ng  Among H e tero gen eo us E- Lear nin g  E n vir onme n ts.   Inter natio nal  Jo urn a l of E n g i ne eri ng Sc ienc e a n d  T e ch nol ogy ( I JEST ) . 2011;   3: 2034- 20 40.   [6]    Qomarud d in M ,  Rahma n  AA, A Lah ad N. C APBL AT : An Innov ative C o m puter-Assiste d   Assessmen t   T ool for Probl em Base d Le arni ng .   T E LK OMNIKA T e lecommunic a tio n  Co mputi ng El ectronics a n d   Contro l . 201 4; 12(1): 24 1-2 5 0 .   [7]    Yuni anta  A, Y u sof N, J a ya d i anti  H, Othm an M, S uha im i S.  Ontol ogy  Deve lo p m ent  to H and le   Semantic Re la tionsh i p betw e en Moo d le  E-l earn i ng a nd  Question Ba n k  System . In: Hera w a n T,   Ghazal i R,  De ris MM, e d itor s. Re ce nt Adv ances  o n  Soft  Com putin g  a nd  Data  Min i n g : Spri ng er   Internatio na l Publis hi ng. 20 14 : 691-70 1.  [8]    Dong MH, Yan LD, Ming HZ, Chi Z.  Applicatio n of ontol ogy-b ased  aut omatic ET L in  mari ne d a ta   integr ation.   El ectrical & Elect r onics En gin e e r ing (EEESYM) ,  2012 IEEE S y mposi u m on. 2 012: 11- 23.   [9]    Z heng  L, T e rpen n y  J. A h y br id  ontol og y appr oach f o r  integr ation  of  obso l esce nce  informati on.   Co mp uters & Industri a l En gin eeri n g . 20 13; 6 5 : 485– 49 9.  [10]    W ang CC, Pa i W C , Yen NY.  A Sharabl e  e-Lear nin g  Pl atform Bas ed  on Cl oud  Co mp utin g.  3rd   Internatio na l C onfere n ce o n  Comp ut er Res earch a nd D e v e lo pment (ICC RD ) . 201 1: 1-5 .   [11]   Gudanescu  N.  Usin g moder n technology  f o r impr oving learning proc e ss at different educ ational  levels.  Proc edi a - Social a nd  Behav iora l Sci ences . 20 10; 2 :  5641-5 6 4 5 .  [12]   Biggs J.  Alig ni ng teach i n g  for constructing l e arni ng . Buckin gham. Open U n iversit y  Press.  2003.   [13]    Biggs J, T ang C.  T eachin g  fo r Quality Le arn i ng at U n ivers i ty . Berkshire, Engl and. Op en  Univers i t y   Press. 2007.   [14]   Biggs J. Enh a n c ing teac hi ng throu gh co nstru c tive ali gnme n t.  High Educ . 1 996; 32: 3 47-3 64.   [15]    Cain A, Woo d w a r d CJ.  T o w a rd constructiv e  ali g n m e n t w i th portfoli o as sessment for i n troductory   progr a m min g .   IEEE  Internatio nal C onf erenc e on  Teach i ng, Asse ssment and  Lear nin g  for   Engi neer in g (T ALE). 2012: 1 1 - 17.  [16]    Nkamb ou R, B ourd eau J,  Mi zoguc hi R. Intro ductio n : W hat Are  Intelli ge nt T u toring Syste m s, an d W h y   T h is Book ?  In : Nkambo u R,  Bourd e a u  J,  Mizog u chi  R,  editors. Adv a n c es in I n tell ige n t T u toring   S y stems: Spri n ger Berl in He id elb e rg. 20 10: 1 - 12.  [17]   Nkamb ou  R.  M ode lin g th e D o ma in: A n  Intro ductio n  to t he  Expert Mo dul e . In: Nkam bou   R, Bour dea u   J, Mizoguc hi R ,  editors. Adva nces i n  Intell ig ent T u toring S y stems: Spri ng er Berli n  H e id e l ber g. 201 0 :   15-3 2 .  [18]    You  D, She n   L ,  Peng  S, L i u J .   F l exibl e   Col l a borativ e L ear ni ng M ode l i n  E- Lear nin g  w i th  Person ali z e d   T eachi ng Mate rials . In: Jin D, Lin S, editors.  Advances  in  Comp uter Scie nce, Intelli ge nt S y stem an d   Enviro nment: Sprin ger Berl in  Heid elb e rg. 20 11: 127- 13 1.  [19]    F i rdausi ah AB,  S. DO, Yuhana UL, Kita T .  Si stem Peni lai a n  Otomatis Ja w aba n Essa y M eng gu naka n   Ontolog i  Pa da  Mood le.  T E LK OMNIKA T e lec o mmunic a tio n   Co mp uting  Ele c tronics a nd  C ontrol . 200 8;   6(3): 167- 17 5.  [20]    Yuni anta A, Yusof  N,  Othman MS, Aziz A, Dengen N.  An alysis  an d Ide n tific a tion  of D a ta   Hetero gen eity on Lear ni ng  E n viro nment Us ing   Ontolo gy Know led g e .   Internati o n a l C onfere n ce o n   Electrical E ngi neer ing, C o mp uter Scienc e  and In form atic s (EECSI 201 4). Yog y ak arta , Indones ia:  IAES. 2014: 15 4-16 0.    Evaluation Warning : The document was created with Spire.PDF for Python.