Autonomous Classification Berbasis Aspek Kognitif Menggunakan Self-Organizing Map

Setiawan, Khoirul Muklis (2009) Autonomous Classification Berbasis Aspek Kognitif Menggunakan Self-Organizing Map. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 2207205734-Master_thesis.pdf Restricted to Repository staff only Download (25MB)

Abstract

Bloom's Taxonomy merupakan dasar pengelompokan tingkat kecerdasan yang lama digunakan di dunia pendidikan. Learning domains membagi tingkat kecerdasan menjadi tiga kelompok besar, yaitu kognitif, afektif, dan psikomotorik. Tingkat kecerdasan ini menentukan perbedaan pemberian materi pembelajaran kepada individu tersebut untuk mempercepat pencapaian tujuan proses pembelajaran. Tujuan proses pembelajaran adalah mendapat kemampuan baru mengenai pengetahuan (knowledge), sikap (attitude), dan keterampilan (skill). Walaupun terdapat beberapa penelitian tentang hal tersebut, tetapi belum banyak penelitian yang dilakukan untuk menerapkan kecerdasan buatan (artificial intelligence) dalam bidang pedagogi. Penelitian ini membuat kerangka kerja sistem kecerdasan buatan untuk mengelompokkan tingkat kecerdasan menggunakan data kemampuan penyelesaian tugas (tasks) sesuai dengan bidang materi pembelajaran berdasarkan learning domains (Bloom's Taxonomy), terutama aspek kognitif pendidikan. Penelitian ini menggunakan Self-Organizing Map (SOM) untuk mencari tingkat kedekatan/kemiripan (similarity) dan pola (pattern) dari nilai individu terhadap nilai data kelompok. Penghitungan Best Matching Unit (BMU) dilakukan dengan cara penghitungan jarak terpendek menggunakan metode Euclidean distance. Penelitian ini menghasilkan pengelompokan data individu dalam satu kelompok sesuai dengan tingkat kecerdasannya berdasarkan aspek kognitifnya. Data hasil pengelompokan ini digunakan sebagai dasar untuk menentukan materi dan metode pembelajaran yang tepat untuk mempercepat proses tercapainya tujuan pembelajaran.
==================================================================================================================================
Bloom’s Taxonomy is the core basis of intelligence stage classification long used in educational areas. Such classification separates intelligence into three major domains: cognitive, affective, and psychomotor. Differences in aptitude levels determine the tailored instruction provided to individuals to enhance the learning process. Obtaining new proficiency in knowledge, attitude, and skills is the core objective of learning progression. Despite growing interest, limited research has been conducted on implementing artificial intelligence within the pedagogy realm. This research aims to create an artificial intelligence framework for classifying aptitude stages using task completion capabilities based on Bloom’s Taxonomy domains, specifically focusing on the cognitive aspect of education. This research utilizes a Self-Organizing Map (SOM) to discover similarities and individual patterns relative to group attributes. Best Matching Unit (BMU) computation is performed by calculating the shortest Euclidean distance. This research yields individual data classification within groups aligned with aptitude levels based on cognitive aspects. The resulting classification provides a basis for determining appropriate instructional methods and content to accelerate the achievement of learning objectives.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	kecerdasan buatan, self organizing map , kognitif , learning domain , artificial intelligence, self organizing map, cognitive, learning domain
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence
Divisions:	Faculty of Industrial Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	magang .
Date Deposited:	28 Sep 2026 05:25
Last Modified:	28 Sep 2026 05:25
URI:	http://repository.its.ac.id/id/eprint/144951

Actions (login required)

View Item