Saidah, Irbah Labibah Nur Saidah (2023) Perbandingan kinerja algoritma k-nearest neighbor dan adaptive boosting untuk klasifikasi tingkat kesukaran soal ujian / Irbah Labibah Nur Saidah. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
Tingkat kesukaran soal adalah seberapa sukar suatu butir soal dapat dijawab oleh peserta ujian. Pada ujian harian biasa kumpulan soal yang baik adalah soal-soal yang tidak terlalu mudah atau terlalu sukar. Soal yang terlalu mudah dapat dikerjakan oleh sebagian besar mahasiswa dan tidak mendorong kemampuan berpikir kritis mereka untuk memecahkannya. Soal yang terlalu sukar hampir tidak bisa dikerjakan oleh seluruh mahasiswa menyebabkan mahasiswa putus asa dan dalam proses pengerjaan dapat membuang waktu banyak. Pada penelitian-penelitan sebelumnya tingkat kesukaran soal hanya ditentukan oleh perhitungan indeks kesukaran secara manual. Hal ini dapat memakan waktu banyak dan kurang efisien untuk soal ujian yang mencapai ratusan. Belum banyak yang menggunakan algoritma untuk otomatisasi penafsiran tingkat kesukaran soal ujian. Oleh karena itu penelitian ini bertujuan untuk melakukan klasifikasi tingkat kesukaran soal ujian menggunakan algoritma K-Nearest Neighbor dan Adaptive Boosting. Dalam penelitian ini juga menguji atribut lainnya yang dapat memengaruhi tingkat kesukaran soal. Metode yang digunakan dalam penelitian ini adalah K-Nearest Neighbor dengan parameter banyaknya k-tetangga dan Adaptive Boosting dengan parameter maksimal n-estimators. K-Nearest Neighbor (KNN) merupakan algoritma klasifikasi berdasarkan prinsip kedekatan dengan tetangga sebelahnya. Adaptive Boosting (Adaboost) adalah salah satu metode ensemble learning yang bekerja dengan menggabungkan beberapa model lemah untuk menjadi model kuat. Algoritma Adaboost bekerja dengan memberikan bobot yang sama untuk semua sample dan pada iterasi berikutnya memberikan bobot lebih pada sample yang salah diklasifikasi. Algoritma yang paling umum digunakan dengan Adaboost adalah Decision Tree dengan 1 tingkat atau 1 split yang biasa disebut Decision Stumps. Kinerja klasifikasi terbaik menggunakan hasil clustering atribut difficulty index dan mean sebagai label dan algoritma Adaptive Boosting untuk klasifikasi dengan hasil accuracy 82.30% precision 83.41% dan recall 82.34%. Hasil prediksi ini memiliki tingkat kemiripan dengan label yang berasal dari teori rentang indeks kesukaran sebesar 55%. Kinerja klasifikasi paling rendah hanya menggunakan hasil clustering atribut difficulty index sebagai label dan algoritma K-Nearest Neighbor untuk klasifikasi dengan hasil accuracy 59.29% precision 60.95% dan recall 54.94%. Hasil prediksi ini memiliki tingkat kemiripan dengan label yang berasal dari teori rentang indeks kesukaran sebesar 60%. Perbandingan hasil prediksi semua skenario dengan label yang berasal dari teori rentang indeks kesukaran menunjukkan bahwa skenario yang hanya menggunakan hasil clustering atribut difficulty index saja memiliki kemiripan yang lebih tinggi.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | ?? ?? |
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 01 Aug 2023 04:29 |
| Last Modified: | 09 Sep 2023 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/292876 |
Actions (login required)
 |
View Item |