Makalah SITIA 2009.pdf - Google Drive

Proceedings of The 10th Seminar on Intelligent Technology and Its Applications (SITIA) Volume 10, Number 1 ISSN 2085-9732 page 44 – 45. Surabaya, October 14th 2009.

Desain dan Visualisasi Kansei Sistem E-learning Menggunakan Algoritma Genetik dan Aturan Fuzzy Muchammad Nur Qomaruddin1) Yusuf Bilfaqih2)

Achmad Jazidie3)

Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember Surabaya 60111 1) e-mail: [email protected] 2) e-mail: [email protected] 3) e-mail: [email protected] Abstract – Sistem e-learning harus memperhatikan ranah afektif untuk meningkatkan kualitas pembelajaran karena sangat terkait dengan tujuan kognitif. Desain kansei sistem e-learning adalah pendekatan yang digunakan dalam penelitian ini untuk melibatkan ranah afektif di dalam e-learning. Kansei diartikan sebagai kesan subjektif seseorang terhadap sekitarnya yang ditangkap dengan panca indera. Makalah ini melaporkan hasil desain kansei sistem e-learning menggunakan Kansei Engineering. Hasil desain kansei diintegrasikan ke dalam sistem visualisasi automatis yang sudah dirancang dan diimplementasikan di dalam penelitian ini. Sistem visualisasi automatis memberikan kesempatan bagi pembelajar untuk menentukan tampilan sistem elearning berdasarkan kansei yang dikehendaki. Sistem ini disusun dari dua bagian utama yaitu bagian desain dan bagian evaluasi. Bagian desain bertugas untuk membuat beragam tampilan e-learning secara numerik menggunakan operasi genetik sedangkan bagian evaluasi melakukan penilaian dari setiap tampilan yang telah dibuat berdasarkan tingkat kesesuaiannya dengan keinginan pembelajar. Tampilan yang memiliki tingkat kesesuaian tertinggi akan divisualisasikan sebagai tampilan e-learning. Hasil yang didapatkan dari penelitian ini adalah spesifikasi teknis/kaidah desain tampilan e-learning yang merefleksikan empat belas kansei positif dalam pembelajaran. Kaidah desain tersebut digunakan sebagai informasi dasar bagi sistem visualisasi automatis untuk menghasilkan tampilan yang diinginkan oleh pembelajar. Hasil pengujian menyatakan bahwa sistem visualisasi ini dapat memuaskan keinginan pembelajar serta meningkatkan kualitas hasil pembelajaran.

pembelajaran yang melibatkan afektif sangat terkait dengan tujuan kognitif serta mampu menumbuhkan perilaku, motivasi, dan berbagai nilai positif yang terpendam di dalam diri pembelajar [1]. Oleh karena itu, ranah afektif tidak boleh diabaikan dalam proses pembelajaran. Kehadiran e-learning yang menggunakan media internet memberikan kesempatan untuk mendapatkan informasi dengan tanpa batas. Namun, pembelajaran secara on-line ini hendaknya tetap melibatkan ranah afektif dari pembelajar. Oleh karena itu, gagasan utama penelitian ini adalah mewujudkan sistem elearning yang mampu melibatkan ranah afektif pembelajar melalui desain kansei sistem e-learning (desain sistem e-learning yang berbasis kansei). Alasannya, desain kansei sudah menarik banyak perhatian dari kalangan akademik dan industri serta banyak diaplikasikan untuk beragam produk dengan hasil yang memuaskan [3][4][5][6]. Teknik yang sudah teruji untuk desain kansei adalah Kansei Engineering [7]. Kansei diartikan sebagai kesan subjektif seseorang terhadap sekitarnya yang ditangkap dengan panca indera [8]. Kansei Engineering ini sudah digunakan untuk desain kansei dari beragam produk di seluruh dunia [3][4][5][6][7] [9]. Oleh karena itu, penelitian ini menggunakan Kansei Eengineering untuk melakukan desain kansei sistem e-learning.

1. PENDAHULUAN

Hasil desain kansei sistem e-learning digunakan sebagai informasi dasar untuk sistem visualisasi automatis yang dirancang dan diimplementasikan ke dalam sistem e-learning sebagai sebuah fitur tambahan untuk melakukan kastemisasi tampilan elearning berdasarkan kansei yang dikehendaki. Fitur ini disediakan untuk melibatkan afektif seorang pembelajar secara khusus dan meningkatkan kualitas pembelajaran secara umum.

Afektif merupakan domain yang harus dilibatkan (selain domain kognitif dan psikomotorik) untuk mewujudkan pembelajaran yang efektif [1]. Ranah afektif meliputi emosi, evaluasi, dan rasa suka atau tidak suka dari manusia. Para ahli syaraf telah memaparkan bahwa emosi merupakan variabel pembelajaran yang penting [2]. Selain itu, hasil dari

Sistem visualisasi ini membutuhkan masukan dari pembelajar berupa nilai kansei tampilan e-learning yang ingin divisualisasikan. Sistem ini disusun dari dua bagian utama yaitu bagian desain dan bagian evaluasi. Bagian desain bertugas untuk membuat beragam tampilan e-learning secara numerik menggunakan operasi genetik sedangkan bagian

Kata Kunci: algoritma genetik, e-learning, fuzzy, kansei.

Proceedings of The 10th Seminar on Intelligent Technology and Its Applications (SITIA) Volume 10, Number 1 ISSN 2085-9732 page 44 – 45. Surabaya, October 14th 2009. evaluasi melakukan penilaian dari setiap tampilan yang telah dibuat berdasarkan tingkat kesesuaiannya dengan keinginan pembelajar. Tampilan yang memiliki tingkat kesesuaian tertinggi akan divisualisasikan sebagai tampilan e-learning. Makalah ini tersusun dari lima bab. Bab 2 menjelaskan sistem yang didesain dan diimplementasikan secara detail, Bab 3 menguraikan hasil dan pembahasan, dan Bab 4 memuat kesimpulan dari makalah ini. 2. SISTEM VISUALISASI 2.1. Pemodelan kansei sistem e-learning Kansei Engineering merupakan suatu teknik untuk mengeksplorasi secara sistematis perasaan manusia terhadap suatu produk dan mewujudkannya ke dalam parameter desain produk [5]. Kansei adalah perasaan/kesan yang dialami seseorang terhadap sebuah hasil karya, lingkungan atau situasi tertentu menggunakan semua panca indera. Kansei Engineering memiliki 6 tipe berdasarkan teknik yang digunakan dan daerah kerja. Penelitian ini menggunakan Kansei Engineering tipe 1. Gambar 1 menampilkan diagram alir Kansei Engineering. Konsep utama dari Kansei Engineering ialah pendeskripsian tampilan e-learning dari dua sudut pandang yang berbeda, yaitu deskripsi semantik dan fisik. Deskripsi semantik adalah tahap untuk menyatakan objek secara verbal. Hasil yang dicapai dalam tahap ini adalah beberapa kansei word (kata kesan) yang akan divisualisasikan oleh tampilan elearning. Tahap deskripsi fisik menjabarkan sifat fisik yang dimiliki oleh tampilan e-learning. Sintesis merupakan tahap untuk memadukan deskripsi semantik dan fisik hingga diperoleh model tampilan elearning yang baru. Pengujian terhadap kesesuaian antara model hasil sintesis dan kansei word dilakukan oleh pembelajar melalui kuesioner. Jika model tampilan sudah dinyatakan valid, maka model tersebut adalah hasil desain afektif dari tampilan e-learning.

2.1.1. Deskripsi semantik Deskripsi semantik bertujuan untuk mendapatkan deskripsi verbal tampilan e-learning. Tahap ini dimulai dengan pengumpulan kata kesan dalam bahasa Inggris dari berbagai referensi (jurnal, prosiding, artikel, dan ebook) serta brainstorming hingga tidak ditemukan kata kesan yang baru. Jumlah kata kesan yang terkumpul adalah 118 kata. Jumlah ini direduksi menjadi 34 kata kesan dengan mengeliminasi kata-kata yang sudah pasti dibutuhkan (friendly, pleasant, dan understandable) dan tidak berdampak positif bagi pembelajaran (static, vague (tidak jelas), dan boring). Kemudian semua kata hasil reduksi dikuesionerkan kepada 45 responden untuk mencari kata yang paling diinginkan serta mampu memberikan efek positif. Responden memilih 10 dari 34 kata kesan berdasarkan dampak positif yang dirasakan oleh pembelajar dengan kesan tersebut. Tabel 1 menampilkan hasil kuesioner yang sudah dilakukan. Ketujuh kata kesan yang terpilih ini selanjutnya disebut kansei word. 2.1.2. Deskripsi fisik Tahap ini menjabarkan tampilan e-learning dalam aspek fisik. Tampilan e-learning sebagaimana tampilan web disusun dari berbagai atribut. Tabel 2 menampilkan tujuh belas atribut tampilan e-learning yang didapatkan dari [4][9][10][11] dan diskusi grup. Setiap atribut tampilan diklasifikasikan ke dalam dua kategori. Sebagai misal latar belakang dibedakan menjadi plain atau decorative dan posisi logo dibedakan menjadi right atau left. Tabel 1. Hasil deskripsi semantik

No. 1 2 3 4 5 6 7

Kansei word Kiri Kanan Simple Complicated Fresh Warm Light Heavy Causal Formal Grace Elegant Classic Modern Cool Excite

Tabel 2. Atribut tampilan e-learning

Gambar 1: Kansei Engineering

No. 1 2 3 4 5 6 7 8 9 10 11 12

Atribut Tampilan Latar belakang Ukuran page Warna latar belakang-blok Jenis fon-judul blok Ukuran fon-judul blok Jenis fon-konten blok Ukuran fon-konten blok Spasi antarhuruf Tipe header dan footer Warna header dan footer Warna strip header Posisi logo

Proceedings of The 10th Seminar on Intelligent Technology and Its Applications (SITIA) Volume 10, Number 1 ISSN 2085-9732 page 44 – 45. Surabaya, October 14th 2009. No. 13 14 15 16 17

Atribut Tampilan Tipe header-blok Tipe border Sudut blok Tipe kursor Jarak vertikal antarblok

17 Atribut Tampilan

7 Pasang Kansei Word 1 1

1

1

1

1 1

1 1

1 1

Gambar 4: Konsep dasar sistem visualisasi Gambar 2: Matriks pasangan

Gambar 5: Model kromosom atribut tampilan

Gambar 3: Tampilan e-learning "Simple"

2.1.3. Sintesis Sintesis adalah tahap untuk memadukan deskripsi semantik dan deskripsi fisik. Tahap ini bertujuan untuk mendapatkan relasi antara kansei word dan atribut tampilan e-learning. Relasi ini ditentukan secara manual menggunakan matriks pasangan yang ditunjukkan di Gambar 2. 2.1.4. Uji validitas Tahap uji validitas berguna untuk mengevaluasi hasil sintesis. Uji validitas ini dilakukan terhadap hasil keluaran sistem visualisasi menggunakan kuesioner yang melibatkan 16 responden. Setiap responden diminta untuk menilai dengan skala 1 s.d. 5 berdasarkan tingkat kepuasan subjektif antara setiap kansei yang dikehendaki dan sampel tampilan elearning yang dihasilkan. 2.1.5. Model tampilan Hasil sintesis ini diputuskan sebagai model tampilan e-learning untuk setiap kansei word. Gambar 3 menampilkan model tampilan e-learning yang terpilih untuk kesan “Simple”.

2.2. Perancangan sistem visualisasi Subbab ini menjelaskan perancangan sistem visualisasi secara detail. Sistem ini disusun dari dua bagian utama, yaitu bagian desain dan bagian evaluasi. Bagian desain dibangun menggunakan algoritma genetik sedangkan bagian evaluasi dibangun menggunakan inferensi fuzzy. 2.2.1. Bagian desain Bagian desain merupakan bagian yang bertugas membuat beragam tampilan e-learning secara numerik dengan melakukan operasi genetik terhadap semua atribut tampilan e-learning. Sistem ini menggunakan semua atribut tampilan e-learning dari tahap deskripsi fisik di subbab 2.1.2. Gambar 5 menunjukkan model kromosom atribut tampilan e-learning. Kromosom ini merupakan calon penyelesaian yang mewakili satu tampilan e-learning. Sistem visualisasi ini melibatkan 17 atribut tampilan dalam sebuah kromosom. Setiap atribut tampilan dinyatakan sebagai satu gen yang direpresentasikan dalam 3-bit biner. Artinya, setiap gen/atribut tampilan hanya memiliki 8 variasi dan sebuah kromosom merupakan 51-bit biner. Sistem membuat beragam tampilan secara numerik dengan operasi genetik yang melibatkan proses seleksi, rekombinasi, dan mutasi. Setiap tampilan yang dihasilkan di bagian desain akan diproses di bagian evaluasi.

Proceedings of The 10th Seminar on Intelligent Technology and Its Applications (SITIA) Volume 10, Number 1 ISSN 2085-9732 page 44 – 45. Surabaya, October 14th 2009. ketika menyatakan kondisi yang tidak terkait dengan kansei word di sisi kanan atau kiri, bagian then akan memberikan nilai K m'mr sama dengan nol. Setiap aturan hanya membandingkan kondisi antara dua atribut tampilan. Contoh aturan fuzzy yang digunakan di sistem visualisasi ini adalah sebagai berikut:

Gambar 6: Fungsi keanggotaan trapezoid

2.2.2. Bagian evaluasi Bagian evaluasi adalah bagian yang bertugas untuk melakukan evaluasi terhadap setiap tampilan yang dihasilkan di bagian desain secara numerik. Evaluasi meliputi perhitungan kesesuaian antara nilai masukan dari pembelajar dan nilai inferensi sistem dari setiap tampilan yang dihasilkan. Nilai inferensi sistem adalah nilai yang diberikan oleh sistem terhadap setiap tampilan dan dilakukan berdasarkan aturan fuzzy. Aturan fuzzy yang digunakan sebagai dasar inferensi menjabarkan kondisi dari atribut tampilan di bagian if dan derajat setiap pasang kansei word sebagai konsekuensi di bagian then. Bentuk umum aturan fuzzy yang dimaksud adalah sebagai berikut. Jika x1 adalah L1r , x2 adalah L2r , . . . (bagian if) maka I1'1 K1'1r , I 2'2 K 2'2r , . . . (bagian then)

x n adalah aribut tampilan, Lnr menyatakan kategori dari atribut tampilan, I m'm adalah pasangan kansei word, dan K m'mr menyatakan nilai pasangan kansei word m’m untuk aturan ke-r dengan ketentuan 1 Km'mr 1 .

Lnr adalah kategori dari atribut tampilan sebagaimana yang disebut di subbab 2.1.2. Setiap atribut tampilan memiliki dua kategori. Sebagai misal, jika atribut tampilan adalah latar belakang, maka kategorinya adalah plain atau decorative. Jika atribut tampilan adalah sudut blok, maka kategorinya adalah square atau round. Kategori dari setiap atribut tampilan direpresentasikan menggunakan fungsi keanggotaan himpunan fuzzy. Fungsi keanggotaan yang digunakan untuk mewakili kategori dari atribut tampilan adalah tipe trapezoid. Gambar 6 menunjukkan interpretasi grafis fungsi keanggotaan trapesium. Pemilihan fungsi keanggotaan trapesium ini mengacu pada [6]. Ketika bagian if dari sebuah aturan menyatakan kondisi yang terkait dengan kansei word di sisi kanan, bagian then akan menyatakan nilai K m'mr yang positif, dan ketika bagian if menyatakan kondisi yang terkait dengan kansei word di sisi kiri, bagian then akan menyatakan nilai K m'mr yang negatif, namun

Jika latar belakang = PLAIN dan ukuran page = NARROW  Simple – Complicated = Positif Sedang  Fresh – Warm = Nol  Light – Heavy = Negatif Sedang  Casual – Formal = Nol  Grace – Elegant = Nol  Classic – Modern = Positif Besar  Cool – Excite = Positif Sedang Jika latar belakang = PLAIN dan sudut blok = SQUARE  Simple – Complicated = Nol  Fresh – Warm = Nol  Light – Heavy = Nol  Casual – Formal = Positif Besar  Grace – Elegant = Positif Kecil  Classic – Modern = Negatif Besar  Cool – Excite = Negatif Kecil Kedua aturan yang dituliskan di atas adalah bagian dari 168 aturan yang digunakan oleh sistem sebagai dasar perhitungan nilai inferensi sistem. Nilai K m'mr di bagian then seperti Positif Besar dan Negatif Kecil sebenarnya adalah nilai real. Seluruh aturan fuzzy di sistem ini dirancang berdasarkan data hasil kuesioner. Kuesioner dilakukan menggunakan perangkat lunak Microsoft Excel 2003. Enam belas macam tampilan elearning dibuat sebagai sampel kuesioner. Semua sampel dibuat berdasarkan kombinasi dari semua atribut tampilan yang disebutkan di Tabel 2 Kuesioner ini melibatkan 40 mahasiswa sebagai responden. Responden memberikan penilaian terhadap ketujuh pasang kansei word yang disebutkan di Tabel 1 dalam 9 skala diferensial semantik untuk setiap sampel tampilan e-learning. Penggunaan skala diferensial semantik dalam kuesioner merujuk pada [6][8]. Setiap aturan fuzzy memiliki nilai kebaikan gr yang menyatakan tingkat kontribusi aturan ke-r terhadap nilai inferensi sistem. Nilai kebaikan ini dihitung menggunakan perkalian dari semua nilai keanggotaan di aturan ke-r sebagaimana persamaan (1). gr

f l ( xl )

(1)

l

Selanjutnya, sistem melakukan perhitungan nilai inferensi sistem I m'm dari setiap pasang kansei word untuk setiap tampilan yang dihasilkan di bagian desain. Nilai inferensi sistem ini merupakan rata-rata pembobotan dan perpangkatan dari nilai K m'mr yang

Proceedings of The 10th Seminar on Intelligent Technology and Its Applications (SITIA) Volume 10, Number 1 ISSN 2085-9732 page 44 – 45. Surabaya, October 14th 2009. dihitung dengan melibatkan nilai kebaikan gr dari setiap aturan dan parameter eksponensial p , sebagaimana persamaan (2). p

r

I m' m

( g r K m' mr g r K m' mr ) r

g r K m' mr

p

(2)

Persamaan (2) menyatakan bahwa nilai kebaikan gr dari setiap aturan mempengaruhi nilai inferensi sistem. Jangkauan nilai inferensi g r K m' mr adalah -1 < g r K m' mr < 1. Dengan penetapan p > 1, pengaruh nilai inferensi g r K m' mr yang kecil akan semakin melemah. Jika nilai inferensi sistem sudah dihitung, bagian evaluasi menghitung fungsi kesesuaian f menggunakan nilai derajat kansei I m'm terhadap setiap pasangan kansei word m’m. Fungsi kesesuaian f merupakan kedekatan antara nilai masukan pembelajar dan nilai inferensi sistem. Fungsi kesesuaian f dari setiap tampilan yang dibuat dihitung menggunakan persamaan jarak Euclidean yang dinyatakan dalam persamaan (3) dimana IUm' m adalah nilai masukan pembelajar melalui antarmuka dan I Sm'm adalah nilai inferensi sistem. Tampilan yang memiliki nilai kesesuaian f paling kecil akan divisualisasikan oleh sistem sebagai tampilan e-learning. f

Jarak(IU , I S )

f

( IUm'm

I Sm'm ) 2

(3)

m 'm

Dengan melakukan perulangan pada bagian desain dan bagian evaluasi, tampilan e-learning yang dihasilkan akan merefleksikan kansei yang dikehendaki oleh pembelajar secara perlahan. Akhirnya, sistem hanya akan memvisualisasikan satu tampilan e-learning yang memiliki nilai kesesuaian tertinggi di generasi terakhir.

3. HASIL DAN PEMBAHASAN 3.1. Contoh tampilan yang dihasilkan Gambar 3 dan Gambar 7 menunjukkan contoh tampilan yang dihasilkan oleh sistem visualisasi. Tabel 3 menampilkan beberapa parameter sistem yang digunakan dalam sistem visualisasi. Semua parameter ini ditentukan berdasarkan kaidah di [12] serta metode trial and error. Tampilan di Gambar 3 adalah keluaran sistem yang merefleksikan Simple dan tampilan di Gambar 7 merefleksikan Fresh dan Complicated. Kedua contoh keluaran sistem ini menunjukkan bahwa beragam tampilan dapat dihasilkan untuk setiap kansei. Tabel 3. Parameter sistem

Jumlah kromosom Jumlah generasi Probabilitas mutasi Eksponen p

5 5 1/9 2

3.2. Pengujian Pengujian dilakukan untuk mengetahui validitas sistem. Eksperimen pengujian dilakukan dengan metode wawancara. Pengujian yang dilakukan meliputi tiga macam, yaitu pengujian kepuasan, pengujian keberagaman, dan pengujian kulitatif. 3.2.1. Pengujian kepuasan Pengujian kepuasan dilakukan untuk mengetahui tingkat kepuasan pembelajar terhadap keluaran sistem berdasarkan kansei yang dikehendaki sebagai masukan sistem. Prosedur pengujian kepuasan adalah sebagai berikut. 1. Pemilihan kansei word Responden memilih dua kansei word secara acak untuk diberi masukan maksimum. 2. Evaluasi Responden mengevaluasi tingkat kepuasan yang dirasakan terhadap 3 macam tampilan yang dihasilkan dengan 5 skala. Prosedur ini dilakukan dua kali sehingga responden memberikan evaluasi tingkat kepuasan sebanyak 6 kali.

Gambar 7: Fresh dan Complicated

3.2.2. Pengujian keberagaman Pengujian keberagaman dilakukan untuk membandingkan tingkat keberagaman tampilan yang dihasilkan ketika atribut tampilan tertentu tidak diikutsertakan. Prosedur pengujian keberagaman adalah sebagai berikut. 1. Evaluasi tanpa atribut Latar Belakang Responden memilih satu kansei word untuk diberikan masukan maksimum kemudian mengevaluasi tingkat keberagaman dari tiga macam tampilan yang dihasilkan dengan 5 skala.

Proceedings of The 10th Seminar on Intelligent Technology and Its Applications (SITIA) Volume 10, Number 1 ISSN 2085-9732 page 44 – 45. Surabaya, October 14th 2009. 2. Evaluasi tanpa atribut Ukuran Page Porsedur pengujian sama dengan poin 1. 3. Evaluasi dengan semua atribut Pengujian dengan melibatkan tampilan dilakukan seperti poin 1.

REFERENSI

semua

atribut

3.2.3. Pengujian subjektif dan kualitatif Prosedur pengujian kualitatif adalah sebagai berikut. 1. Evaluasi efek positif Responden memberikan penilaian dalam 5 skala mengenai efek positif yang dirasakan terhadap sistem visualisasi. 2. Evaluasi tingkat kesenangan Prosedur yang sama dengan poin 1 dilakukan untuk menilai tingkat kesenangan yang dirasakan terhadap semua tampilan yang dilihat selama pengujian kepuasan dan keberagaman. 3. Evaluasi kualitatif Responden memberikan komentar terhadap sistem visualisasi secara subjektif. Tabel 4. Hasil pengujian

No.

Pengujian

1

Kepuasan Keberagaman: Tanpa Latar Belakang Tanpa Ukuran Page Semua Atribut Subjektif - Kualitatif: Efek Positif Tingkat Kesenangan

2

3

RataRata 3.22

Variansi 0.89

2.75 3.5 3.38

1.64 0.57 1.41

4.5 3.25

0.57 0.79

Tabel 4 menampilkan hasil pengujian dalam nilai ratarata dan variansi. Hasil pengujian kualitatif untuk evaluasi subjektif adalah beberapa komentar berikut. Konsep/ide dasar sistem sudah bagus. Sistem sudah mampu merefleksikan kansei. Sistem mampu mewujudkan tampilan e-learning yang dinamis. Warna untuk tampilan formal sudah memuaskan. Javascript perlu diintegrasikan ke dalam sistem untuk membuat tampilan lebih menarik. 4. KESIMPULAN Makalah ini melaporkan bahwa sistem visualisasi kansei sistem e-learning sudah dirancang dan diimplementasikan. Sistem ini mampu menghasilkan tampilan berdasarkan kansei yang dikehendaki pembelajar melalui perulangan bagian desain dan bagian evaluasi. Hasil pengujian melaporkan bahwa sistem visualisasi ini mampu memenuhi kehendak pembelajar dengan memvisualisasikan tampilan yang merefleksikan kansei sehingga memberikan efek positif dan kesenangan bagi pembelajar.

[1] TIM KERJA Direktorat Pembinaan Akademik dan Kemahasiswaan, Tanya Jawab Seputar Kurikulum Berbasis Kompetensi (KBK) di Perguruan Tinggi, DEPDIKNAS, hal. 41, 2005. [2] E. Jensen, Teaching with The Brain in Mind, 2nd Edition, Association for Supervision and Curriculum Development (ASCD), Ch. 5, ISBN: 1-4166-0030-2, 2005. [3] J. Jiao, Y. Zhang, M. Helander, “A Kansei Mining System for Affective Design”, Expert System with Application, Vol. 30, Issue 4, pp. 658-673, Mei, 2006. [4] H. Siu, J. Ho, “Visual Design for a Webpage”, Proc. of CybErg 2005, The Fourth International Cyberspace Conference on Ergonomics, Johannesburg: International Ergonomics Association Press, 2005. [5] K. Grimsæth, Kansei Engineering Linking Emotions and Product Features, Department of Product Design, Norwegian University of Science and Technology. [6] A. Wada, M. Hagiwara, “Japanese Font Automatic Creating System Reflecting User’s Kansei”, Proc. of IEEE International Conference on System, Man, and Cybernatics, Vol. 4, pp. 3804-3809, 2003. [7] S. Schütte, J. Eklund, Product Design for Heart and Soul, Linkopings Universitet, Department for Human Systems Engineering, Sweden, ISBN: 91631-4295-3, 2003. [8] S. Schütte, Engineering Emotional Values in Product Design, Linkopings Universitet, Department of Mechanical Engineering, Sweden, ISBN: 91-85299-46-4, 2005. [9] K. G. D. Tharangie, C. M. A. Irfan, C. A. Marasinghe, K. Yamada, “Kansei Engineering Assesing System to Enhance the Usability in Elearning Web Interfaces: Colour Basis”, Supplementary Proc. of the 16th International Conference on Computers in Education (ICCE) 2008, pp. 145-150, Taipei, Taiwan, Oktober, 2008. [10] C. K. Coursaris, S. J. Swierenga, E. Watrall, “An Empirical Investigation of Color Temperature and Gender Effects on Web Aesthetic”, Journal of Usability Studies (JUS), Vol. 3, Issue 3, pp. 103117, Mei, 2008. [11] R. H. Hall, P. Hanna, “The Effect of Web Page Text-Background Color Combinations on Retention and Perceived Readability, Aesthetics, and Behavioral Intention”, Proc. of Ninth Americas Conference on Information System, pp. 2149-2156, 2003. [12] L. C. L. B. de Castro, P. W. Partridge, “Minimum Weight Design of Framed Structures Using A Genetic Algorithm Considering Dynamic Analysis”, Latin American Journal of Solids and Structures, Vol.3, pp. 107-123, 2006.