Klasifikasi Soal Sejarah Tingkat SMA Berdasarkan Level Kognitif Revised Bloom’s Taxonomy Menggunakan Algoritma K-Nearest Neighbour Manhattan
Abstrak
Abstrak—Pendidikan merupakan upaya terencana untuk mendorong siswa-siswi agar giat belajar guna mengembangkan bakat dan kecerdasannya melalui pembelajaran dengan melakukan berbagai latihan soal. Naskah soal biasanya berisi contoh soal dengan tingkat kesulitannya dan untuk dilakukan klasifikasi berdasarkan Revised Bloom’s Taxonomy merupakan kasus yang tidak mudah jika dilakukan dengan cara manual. Peneliti ini menggunakan bantuan machine learning untuk mengklasifikasikan pertanyaan secara otomatis berdasarkan tingkat kognitif Revised Bloom’s Taxonomy yang terfokus pada soal Sejarah Indonesia tingkat SMA dan level C1–C3 RBT. Dataset diperoleh dari berbagai latihan bank soal, ulangan harian, dan soal USBN yang terdapat di internet. Algoritma K-Nearest Neighbor (KNN) dengan pendekatan jarak Manhattan adalah metode yang digunakan pada penelitian ini. Selain itu, pembobotan kata sebagai bagian dari proses TF-IDF diterapkan terhadap dataset. Ketidakseimbangan data dari dataset yang diperoleh dalam penelitian ini diatasi dengan penggunaan metode oversampling SMOTE. Dataset tersebut kemudian diproses melalui K-Fold Cross Validation dengan nilai k = 10. Hasil akurasi penelitian yang telah dilakukan dengan algoritma KNN diperoleh nilai yang cukup baik dengan precision 90%, recall 87%, F1-Score 87% dan accuracy 87% dan teruji SMOTE dapat digunakan secara efektif dalam mengatasi imbalance data.
Kata kunci—klasifikasi soal, KNN, manhattan, RBT, SMOTE, oversampling
Referensi
Adib Fathoni, “Wawasan Pendidikan,” J. Ushuluddin, vol. 2, p. 17, 2019.
I. Listiowarni and N. Puspa Dewi, “Pemanfaatan Klasifikasi Soal Biologi Cognitive Domain Bloom’s Taxonomy Menggunakan KNN Chi-Square Sebagai Penyusunan Naskah Soal,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 11, no. 2, pp. 186–197, 2020, doi: 10.31849/digitalzone.v11i2.4798.
E. Sujoko and I. P. A. Darmawan, “Revisi Taksonomi Pembelajaran Benyamin S. Bloom,” vol. 29, no. 1, pp. 30–39, 2013.
I. Gunawan and A. R. Paluti, “Taksonomi Bloom – Revisi Ranah Kognitif,” E-Journal.Unipma, vol. 7, no. 1, pp. 1–8, 2017, [Online]. Available: http://e-journal.unipma.ac.id/index.php/PE.
S. F. Kusuma, A. Heriadi, and M. F. Naufal, “Menggunakan Algoritma Svm,” pp. 365–370, 2017.
A. Aninditya, M. A. Hasibuan, and E. Sutoyo, “Text mining approach using TF-IDF and naive bayes for classification of exam questions based on cognitive level of bloom’s taxonomy,” Proc. - 2019 IEEE Int. Conf. Internet Things Intell. Syst. IoTaIS 2019, no. c, pp. 112–117, 2019, doi: 10.1109/IoTaIS47347.2019.8980428.
N. E. Adams, “Bloom’s taxonomy of congnitive learning objectives,” J. Med. Libr. Assoc., vol. 103, no. July, pp. 152–153, 2015, [Online]. Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4511057/.
Y. Pantiwati and F. H. Permana, “Analisis butir soal oleh mahasiswa S1 pendidikan biologi universitas muhammadiyah malang (UMM) berdasarkan PISA dan taksonomi bloom revisi,” Publ. Ilm. UMS, pp. 707–716, 2017, [Online]. Available: https://publikasiilmiah.ums.ac.id/xmlui/handle/11617/9550.
R. K. Dinata, H. Akbar, and N. Hasdyna, “Algoritma K-Nearest Neighbor dengan Euclidean Distance dan Manhattan Distance untuk Klasifikasi Transportasi Bus,” Ilk. J. Ilm., vol. 12, no. 2, pp. 104–111, 2020, doi: 10.33096/ilkom.v12i2.539.104-111.
W. Huitt, “Bloom et al.’s taxonomy of the cognitive domain,” Educ. Psychol. Interact., 2011.
T. J. Lasley, “Bloom’s Taxonomy,” Encyclopedia of Educational Reform and Dissent. 2013, doi: 10.4135/9781412957403.n51.
S. Fatmawati and M. Pd, “Perumusan Tujuan Pembelajaran Dan Soal Kognitif Berorientasi Pada Revisi Taksonomi Bloom Dalam Pembelajaran Fisika,” Edu Sains J. Pendidik. Sains dan Mat., vol. 1, no. 2, 2013, Accessed: Jan. 06, 2022. [Online]. Available: https://e-journal.iain-palangkaraya.ac.id/index.php/edusains/article/view/13.
Minarto, “Pemunculan Tingkat Kesulitan Soal Pada Tes Penjurusan Menggunakan Revides Bloom Taxonomi (RBT) Di SMAN 1 Bangorejo Dengan Aplikasi WINGEN3,” J. INCARE, vol. 01, no. 01, pp. 17–27, 2020.
G. Guo, H. Wang, D. Bell, Y. Bi, and K. Greer, “KNN model-based approach in classification,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 2888, pp. 986–996, 2003, doi: 10.1007/978-3-540-39964-3_62.
S. Baek and K.-M. Sung, “Fast K-nearest-neighbour search algorithm for nonparametric classification,” vol. 36, no. 21, 2000, doi: 10.1049/el:20001249.
M. E. Saputra, H. Mawengkang, and E. B. Nababan, “Gini Index with Local Mean Based for Determining K Value in K-Nearest Neighbor Classification,” J. Phys. Conf. Ser., vol. 1235, no. 1, 2019, doi: 10.1088/1742-6596/1235/1/012006.
D. Metzler and W. B. Croft, “Analysis of statistical question classification for fact-based questions,” Inf. Retr. Boston., vol. 8, no. 3, pp. 481–504, 2005, doi: 10.1007/s10791-005-6995-3.
L. Hermawan and M. Bellaniar Ismiati, “Pembelajaran Text Preprocessing berbasis Simulator Untuk Mata Kuliah Information Retrieval,” J. Transform., vol. 17, no. 2, p. 188, 2020, doi: 10.26623/transformatika.v17i2.1705.
A. Hotho, A. Nürnberger, and G. Paass, “A Brief Survey of Text Mining,” undefined, 2005.
Adi Nugroho, Agustinus Bimo Gumelar, Adri Gabriel Sooai, Dyana Sarvasti, and Paul L Tahalele, “Perbandingan Performansi Kinerja Algoritma Pengklasifikasian Terpandu Untuk Kasus Penyakit Kardiovaskular,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 5, pp. 998–1006, Oct. 2020, doi: 10.29207/RESTI.V4I5.2316.
I. M. A. Agastya, “Pengaruh Stemmer Bahasa Indonesia Terhadap Peforma Analisis Sentimen Terjemahan Ulasan Film,” J. Tekno Kompak, vol. 12, no. 1, p. 18, 2018, doi: 10.33365/jtk.v12i1.70.
R. Azmatul Barro, I. D. Sulvianti, and M. Afendi, “Penerapan Synthetic Minority Oversampling Technique (Smote) Terhadap Data Tidak Seimbang Pada Pembuatan Model Komposisi Jamu,” Xplore J. Stat., vol. 1, no. 1, pp. 1–6, 2013.
A. N. Kasanah, M. Muladi, and U. Pujianto, “Penerapan Teknik SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Objektivitas Berita Online Menggunakan Algoritma KNN,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 2, pp. 196–201, 2019, doi: 10.29207/resti.v3i2.945.
D. A. Prabowo, M. Fhadli, M. A. Najib, H. A. Fauzi, and I. Cholissodin, “TF-IDF-Enhanced Genetic Algorithm Untuk Extractive Automatic Text Summarization,” J. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, p. 208, 2016, doi: 10.25126/jtiik.201633217.
J. A. Septian, T. M. Fachrudin, and A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor,” J. Intell. Syst. Comput., vol. 1, no. 1, pp. 43–49, Aug. 2019, doi: 10.52985/INSYST.V1I1.36.
R. R. A. Siregar, F. A. Sinaga, and R. Arianto, “Aplikasi Penentuan Dosen Penguji Skripsi Menggunakan Metode TF-IDF dan Vector Space Model,” Comput. J. Comput. Sci. Inf. Syst., vol. 1, no. 2, p. 171, 2017, doi: 10.24912/computatio.v1i2.1014.
F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 577, 2018, doi: 10.25126/jtiik.201855983.
R. E. Putri, Suparti, and R. Rahmawati, “Perbandingan Metode Klasifikasi Naive Bayes Dan K-Nearest Neighbour Pada Analisis Data Status Kerja di Kab.Demak,” J. Gaussian, vol. 3, pp. 831–838, 2014.
Okfalisa, I. Gazalba, Mustakim, and N. G. I. Reza, “Comparative analysis of k-nearest neighbor and modified k-nearest neighbor algorithm for data classification,” Proc. - 2017 2nd Int. Conf. Inf. Technol. Inf. Syst. Electr. Eng. ICITISEE 2017, vol. 2018-Janua, pp. 294–298, 2018, doi: 10.1109/ICITISEE.2017.8285514.
A. Muhidin and A. Burhan, “Klasifikasi Tingkat Produksi Tanaman Padi Kabupaten Karawang Menggunakan Metode Naive Bayes dan K-Fold Cross Validation,” J. Teknol. Pelita Bangsa- SIGMA, vol. 8, no. 2, pp. 2407–3903, 2018.
A. Rohman and M. Rochcham, “Komparasi Metode Klasifikasi Data Mining Untuk Prediksi Kelulusan Mahasiswa,” Neo Tek., vol. 5, no. 1, pp. 23–29, 2019, doi: 10.37760/neoteknika.v5i1.1379.
K. Latifah, “Kombinasi-Algorithma-K-Nn-Dan-Manhattan,” J. Inform., vol. 1, no. 1, pp. 49–58, 2015.
S. Susanti, “Klasifikasi Kemampuan Perawatan Diri Anak dengan Disabilitas Menggunakan SMOTE Berbasis Neural Network,” J. Inform., vol. 6, no. 2, pp. 175–184, 2019, doi: 10.31311/ji.v6i2.5798.
