Klasifikasi Multi-Label Pada Soal Berdasarkan Kategori Topik Menggunakan Metode Support Vector Machine
Abstrak
Abstrak — Pendidikan, sebagai bagian penting dalam kehidupan manusia, senantiasa mengalami perkembangan seiring dengan adanya kemajuan ilmu pengetahuan dan teknologi (IPTEK). Salah satu inovasi penting dalam pendidikan adalah e-learning, yang memungkinkan siswa belajar tanpa terikat ruang kelas. Namun, dengan semakin banyaknya soal kuis yang beragam topiknya, terutama dalam mata pelajaran IPA yang mencakup berbagai konsep ilmiah, pengelolaan soal secara manual menjadi tidak efisien. Oleh karena itu, diperlukan sistem klasifikasi yang dapat mengorganisasi dan mengelompokkan soal secara otomatis dan efisien, sehingga bisa meningkatkan pemahaman siswa, khususnya pada mata pelajaran IPA. Penelitian ini memiliki tujuan untuk mengimplementasikan algoritma Support Vector Machine dalam proses klasifikasi soal multi-label pada mata pelajaran IPA tingkat SMP. Proses klasifikasi mencakup pembersihan data, case folding, tokenisasi, stopword removal, stemming, dan pembobotan atau ekstraksi fitur teks menggunakan TF-IDF. Pemodelan menggunakan pendekatan problem transformation dengan metode label powerset untuk mengubah soal dengan multi-label menjadi bentuk multi-class sehingga bisa dilakukan klasifikasi biner oleh SVM. Evaluasi model dilakukan menggunakan confusion matrix untuk menganalisis performa klasifikasi dan K-Fold Cross Validation untuk memastikan keakuratan dan generalisasi model. Hasil penelitian menunjukkan bahwa SVM dapat diterapkan untuk klasifikasi soal multi-label dengan akurasi 67%, serta presisi, recall, dan F1-score masing-masing sebesar 75%. Analisis confusion matrix mengungkapkan bahwa model memiliki beberapa kesalahan klasifikasi, mengindikasikan ruang untuk perbaikan lebih lanjut. Meskipun demikian, model SVM menunjukkan potensi yang baik. Penelitian ini juga mengidentifikasi beberapa area untuk perbaikan, termasuk peningkatan kualitas data dan pemilihan parameter model yang lebih optimal. Oleh karena itu, metode SVM layak dipertimbangkan dalam sistem pendidikan untuk pengembangan bank soal dan sistem evaluasi berbasis teknologi, meskipun diperlukan perbaikan lebih lanjut pada model dan data.
Kata kunci— bank soal, confusion matrix e-learning, klasifikasi multi-label, K-Fold Cross Validation, Support Vector Machine.
Referensi
'[1] Yayan Alpian, Sri Wulan Anggraeni, Unika Wiharti, and Nizmah Maratos Soleha, "PENTINGNYA PENDIDIKAN BAGI MANUSIA," JURNAL BUANA PENGABDIAN, vol. 1, no. 1, pp. 66–72, Aug. 2019, doi: 10.36805/jurnalbuanapengabdian.v1i1.581.
'[2] S. Dan and A. B. L. Mailangkay,
'[3] N. A. Yulistiawati, Pentingnya Motivasi Peserta Didik terhadap Hasil Belajar Biologi.,= Seminar Nasioal Biologi VI, 2019, pp. 1–4.
'[4] K. E. Widiastuti, N. I., Rainarli, E., & Dewi, Peringkasan dan support vector machine pada klasifikasi dokumen,= Jurnal Infotel, vol. 9(4), pp. 416–421, 2017, doi: https://doi.org/10.20895/infotel.v9i4.312.
'[5] R. Ariandi, O. N. Pratiwi, and R. Y. Fa9rifah, Klasifikasi Soal Sejarah Tingkat SMA Berdasarkan Level Kognitif Revised Bloom9s Taxonomy Menggunakan Algoritma K-Nearest Neighbour Manhattan,= 2023.
' [6] L. A. Muhaimin, O. N. Pratiwi, and R. Y. Fa9rifah, Klasifikasi Soal Berdasarkan Kategori Topik Menggunakan Metode Algoritma Naïve Bayes Dan Algoritma C4.5,= e-Proceeding of Engineering, vol. Vol.10, No.2, pp. 1535–1541, 2023.
' [7] A. Y. Taha and S. Tiun,
' [8] A. P. Wibawa, M. G. A. Purnama, M. F. Akbar, and F. A. Dwiyanto, Metode-metode Klasifikasi,= Prosiding Seminar Ilmu Komputer dan Teknologi Informasi, vol. 3, pp. 134–138, 2018.
