KLASIFIKASI SOAL MENGGUNAKAN MULTI-LABEL PROBLEM TRANSFORMATION DENGAN METODE RANDOM FOREST DAN K-NEAREST NEIGHBOR

Muhammad Rayhan Kurniawan
Oktariani Nurul Pratiwi
Faqih Hamami


DOI: https://doi.org/10.29100/jipi.v10i1.5910

Abstract


Pendidikan merupakan komponen utama dalam membangun sumber daya manusia yang berkualitas. Ujian merupakan bagian dari proses evaluasi pendidikan untuk mengukur kemampuan siswa dalam memahami materi yang dipelajari. Proses ujian secara online memerlukan fasilitas mengenai pengelolaan soal, sehingga diperlukan klasifikasi untuk mengelompokkan soal sesuai dengan topiknya. Klasifikasi multi-label adalah proses pengelompokan data ke dalam beberapa kelas berdasarkan kesamaan ciri atau karakteristik data, di mana setiap soal dapat memiliki lebih dari satu topik. Penelitian ini berfokus pada pengklasifikasian soal mata pelajaran Bahasa Indonesia tingkat SMP dengan menggunakan metode Problem Transformation dan algoritma Random Forest serta K-Nearest Neighbor (K-NN). Metode Problem Transformation yang digunakan yaitu Binary Relevance, Classifier Chain, dan Label Powerset. Metrik evaluasi untuk menentukan kinerja terbaik yaitu berdasarkan F1-Score dengan K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan kinerja terbaik dibandingkan K-NN dengan nilai F1-Score terbaik di semua metode Problem Transformation. Nilai F1-Score terbaik dengan metode Label Powerset pada algoritma Random Forest sebesar 69%, dan K-NN sebesar 44%. Berdasarkan hasil tersebut, algoritma Random Forest dengan Label Powerset lebih efektif dalam mengklasifikasikan soal multi-label. Diharapkan penelitian ini dapat memberikan kontribusi dalam meningkatkan efisiensi pengelolaan soal ujian pada sistem pembelajaran online seperti Learning Management System (LMS).

Keywords


Klasifikasi Multi-Label; KNN; Machine Learning; Problem Transformation; Random Forest

Full Text:

PDF

Article Metrics :

References


R. H. Mardhiyah, S. N. F. Aldriani, F. Chitta, dan M. R. Zulfikar, “Pentingnya keterampilan belajar di abad 21 sebagai tuntutan dalam pengembangan sumber daya manusia,” Lectura: Jurnal Pendidikan, vol. 12, no. 1, hlm. 29–40, 2021.

H. Arfandy dan I. A. Musdar, “Rancang Bangun Sistem Cerdas Pemberian Nilai Otomatis Untuk Ujian Essai Menggunakan Algoritma Cosine Similarity,” Inspiration: Jurnal Teknologi Informasi dan Komunikasi, vol. 10, no. 2, 2020, doi: 10.35585/inspir.v10i2.2580.

L. A. Muhaimin, O. N. Pratiwi, dan R. Y. Fa’rifah, “Klasifikasi Soal Berdasarkan Kategori Topik Menggunakan Metode Algoritma Naive Bayes dan Algoritma C4.5,” e-Prociding of Engineering, vol. 10, no. 2, hlm. 1535–1541, 2023.

H. A. dan R. T. R. L. Bau, “E-Learning Sebagai Komplemen dalam Pembelajaran: Perwujudan Akselerasi Transformasi Digital dalam Pendidikan,” Jurnal Studi Kebijakan Publik, vol. 2, no. 1, 2023, doi: 10.21787/jskp.2.2023.69-79.

S. Nuryatin, “Adaptasi metode pembelajaran melalui e-learning untuk menghadapi era new normal,” 2020.

I. Maslov, S. Nikou, dan P. Hansen, “Exploring user experience of learning management system,” International Journal of Infor-mation and Learning Technology, vol. 38, no. 4, 2021, doi: 10.1108/IJILT-03-2021-0046.

A. B. Sidiq dan D. Kurniadi, “Perancangan Sistem Informasi Ujian Online Berbasis Web pada SMK N 1 Solok,” Voteteknika (Voca-tional Teknik Elektronika dan Informatika), vol. 9, no. 2, hlm. 44–53, 2021.

Y. Pristyanto dan A. A. Zein, “Model Balanced Bagging Berbasis Decision Tree Pada Dataset Imbalanced Class,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 12, no. 1, 2023, doi: 10.32736/sisfokom.v12i1.1399.

G. Sailasya dan G. L. A. Kumari, “Analyzing the Performance of Stroke Prediction using ML Classification Algorithms,” International Journal of Advanced Computer Science and Applications, vol. 12, no. 6, 2021, doi: 10.14569/IJACSA.2021.0120662.

E. E. Fitriani dan W. Yustanti, “Perbandingan Kinerja Metode Problem Transformation-KNN dan Algorithm Adaptation-KNN pada Klasifikasi Multi-Label Pertanyaan Kotakode,” Journal of Emerging Information Systems and Business Intelligence, vol. 3, no. 3, 2022.

A. Wiraguna, S. Al Faraby, dan A. Adiwijaya, “Klasifikasi Topik Multi Label pada Hadis Bukhari dalam Terjemahan Bahasa Indone-sia Menggunakan Random Forest,” eProceedings of Engineering, vol. 6, no. 1, 2019.

O. Ramadhani, “KLASIFIKASI MULTI-LABEL BERITA ONLINE MENGGUNAKAN PROBLEM TRANSFORMATION DENGAN METODE K-NEAREST NEIGHBOR,” Institut Teknologi Sepuluh Nopember, 2020.

U. Fayyad, G. Piatetsky-Shapiro, dan P. Smyth, “From data mining to knowledge discovery in databases,” AI Mag, vol. 17, no. 3, 1996.

S. Alam, M. G. Resmi, dan N. Masripah, “Classification of Covid-19 vaccine data screening with Naive Bayes algorithm using Knowledge Discovery in database method,” Journal of Computer Networks, Architecture and High Performance Computing, vol. 4, no. 2, 2022, doi: 10.47709/cnahpc.v4i2.1584.

M. A. Rosid, A. S. Fitrani, I. R. I. Astutik, N. I. Mulloh, dan H. A. Gozali, “Improving text preprocessing for student complaint docu-ment classification using sastrawi,” dalam IOP Conference Series: Materials Science and Engineering, IOP Publishing, 2020, hlm. 12017.

R. Kosasih dan A. Alberto, “Sentiment analysis of game product on shopee using the TF-IDF method and naive bayes classifier,” ILKOM Jurnal Ilmiah, vol. 13, no. 2, 2021, doi: 10.33096/ilkom.v13i2.721.101-109.

S. Khairunnisa, A. Adiwijaya, dan S. Al Faraby, “Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19),” Jurnal Media Informatika Budidarma, vol. 5, no. 2, hlm. 406–414, 2021.

S. Kumar, N. Kumar, A. Dev, dan S. Naorem, “Movie genre classification using binary relevance, label powerset, and machine learn-ing classifiers,” Multimed Tools Appl, vol. 82, no. 1, hlm. 945–968, 2023, doi: 10.1007/s11042-022-13211-5.

M. Y. Khan, A. Qayoom, M. S. Nizami, M. S. Siddiqui, S. Wasi, dan S. M. K.-R. Raazi, “Automated prediction of Good Dictionary EXamples (GDEX): a comprehensive experiment with distant supervision, machine learning, and word embedding-based deep learn-ing techniques,” Complexity, vol. 2021, hlm. 1–18, 2021.

B. Purnama, Pengantar Machine Learning: Konsep dan Praktikum Dengan Contoh Latihan Berbasis R dan Python, 1 ed. Bandung: Informatika Bandung, 2019.

L. Breiman, “Random Forests,” Mach Learn, vol. 45, no. 1, hlm. 5–32, 2001, doi: 10.1023/A:1010933404324.

T. Z. Jasman, E. Hasmin, C. Susanto, dan W. Musu, “Perbandingan Logistic Regression, Random Forest, dan Perceptron pada Klasifi-kasi Pasien Gagal Jantung,” CSRID Journal, vol. 14, no. 3, 2022.

A. Yudhana, S. Sunardi, dan A. J. S. Hartanta, “ALGORITMA K-NN DENGAN EUCLIDEAN DISTANCE UNTUK PREDIKSI HASIL PENGGERGAJIAN KAYU SENGON,” Transmisi, vol. 22, no. 4, 2020, doi: 10.14710/transmisi.22.4.123-129.

D. Novianto dan T. Sugihartono, “Sistem Deteksi Kualitas Buah Jambu Air Berdasarkan Warna Kulit Menggunakan Algoritma Princi-pal Component Analysis (Pca) dan K-Nearest Neigbor (K-NN),” Jurnal Ilmiah Informatika Global, vol. 11, no. 2, 2020.

I. Setiawati, “Komparasi Algoritma Machine Learning dari Dataset Prediksi Analisis Butir Soal Harian Siswa,” Jurnal Cakrawala In-formasi, vol. 3, no. 1, 2023, doi: 10.54066/jci.v3i1.235.

I. Riadi, A. Fadlil, dan P. Annisa, “Identifikasi Tulisan Tangan Huruf Katakana Jepang Dengan Metode Euclidean,” J-SAKTI (Jurnal Sains Komputer dan Informatika), vol. 4, no. 1, 2020, doi: 10.30645/j-sakti.v4i1.184.

O.- Pahlevi, A.- Amrin, dan Y.- Handrianto, “Implementasi Algoritma Klasifikasi Random Forest Untuk Penilaian Kelayakan Kredit,” Jurnal Infortech, vol. 5, no. 1, 2023, doi: 10.31294/infortech.v5i1.15829.

J. Xu, Y. Zhang, dan D. Miao, “Three-way confusion matrix for classification: A measure driven view,” Inf Sci (N Y), vol. 507, 2020, doi: 10.1016/j.ins.2019.06.064.

D. Normawati dan S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” Jurnal Sains Komputer & Informatika (J-SAKTI, vol. 5, no. 2, 2021.

J. Salminen, V. Yoganathan, J. Corporan, B. J. Jansen, dan S.-G. Jung, “Machine learning approach to auto-tagging online content for content marketing efficiency: A comparative analysis between methods and content type,” J Bus Res, vol. 101, hlm. 203–217, 2019, doi: https://doi.org/10.1016/j.jbusres.2019.04.018.

D. Polessa Paula dkk., “Comparing machine learning algorithms for multimorbidity prediction: An example from the Elsa-Brasil study,” PLoS One, vol. 17, no. 10, 2022, doi: 10.1371/journal.pone.0275619.

D. A. Nasution, H. H. Khotimah, dan N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Computer Engineering, Science and System Journal, vol. 4, no. 1, 2019, doi: 10.24114/cess.v4i1.11458.

A. Hanafi, A. Adiwijaya, dan W. Astuti, “Klasifikasi Multi Label pada Hadis Bukhari Terjemahan Bahasa Indonesia Menggunakan Mutual Information dan k-Nearest Neighbor,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 9, no. 3, hlm. 357–364, Sep 2020, doi: 10.32736/sisfokom.v9i3.980.