Kategorisasi Materi Pembelajaran Secara Otomatis Menggunakan Klasifikasi Multilabel Hierarki

Alfiani, Fadilla Sukma (2021) Kategorisasi Materi Pembelajaran Secara Otomatis Menggunakan Klasifikasi Multilabel Hierarki. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05111950012001-Master_Thesis.pdf] Text
05111950012001-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (3MB) | Request a copy

Abstract

Sistem pembelajaran adaptif merupakan sebuah sistem pembelajaran yang mampu menyesuaikan tingkat kesulitan maupun jenis konten pembelajaran berdasarkan kemampuan individual siswa. Salah satu tantangan dalam sistem pembelajaran adaptif adalah pemilihan konten atau materi pembelajaran yang sesuai dengan kemampuan siswa. Dengan pesatnya perkembangan teknologi informasi dan komunikasi saat ini, ketersediaan materi pembelajaran menjadi sangat melimpah dan mudah untuk didapatkan. Materi pembelajaran banyak tersedia secara daring dan dapat diakses melalui media internet. Namun, ketersediaan materi pembelajaran yang sangat melimpah juga dapat berpotensi menyulitkan guru dan siswa dalam memilih materi pembelajaran yang relevan dengan kebutuhan pembelajaran. Dalam konteks sistem pembelajaran adaptif, untuk mempermudah pemilihan materi pembelajaran yang sesuai dengan kemampuan siswa perlu dilakukan kategorisasi materi pembelajaran berdasarkan topik pembelajarannya terlebih dahulu. Namun, dengan banyaknya materi pembelajaran yang ada, apabila kategorisasi materi pembelajaran dilakukan secara manual tentu akan memakan banyak waktu sehingga tidak efisien. Oleh karena itu, kategorisasi materi pembelajaran seharusnya dilakukan dengan menerapkan klasifikasi secara otomatis.
Penelitian ini mengusulkan sebuah sistem yang dapat melakukan crawling materi pembelajaran dari situs web dan mengklasifikasikan materi pembelajaran tersebut secara otomatis berdasarkan topik tertentu menggunakan metode klasifikasi multilabel hierarki. Klasifikasi multilabel dilakukan dengan pendekatan transformasi masalah dan struktur hierarki yang digunakan adalah struktur tree. Untuk mendapatkan model klasifikasi yang paling baik, penelitian ini membandingkan beberapa kombinasi metode transformasi masalah dan algoritma klasifikasi label tunggal. Metode transformasi yang digunakan adalah Binary Relevance dan Label Powerset. Sedangkan algoritma klasifikasi yang digunakan adalah Naïve Bayes, SVM, dan Random Forest. Model klasifikasi dengan hasil performa terbaik akan digunakan dalam sistem klasifikasi otomatis yang dibangun. Dari hasil evaluasi terhadap 448 data materi pembelajaran didapatkan bahwa metode Binary Relevance dan algoritma SVM merupakan kombinasi terbaik dengan nilai akurasi paling tinggi mencapai 0.968 untuk topik dan 0.708 untuk subtopik. Model klasifikasi dengan metode Binary Relevance dan algoritma SVM ini digunakan dalam membangun sistem kategorisasi materi pembelajaran secara otomatis berdasarkan topik dan subtopik pembelajaran.
================================================================================================
Adaptive learning system is a learning system that is able to adjust the level of difficulty and type of learning content based on individual student abilities. One of the challenges in adaptive learning system is selection of content or learning materials that are suitable for students' abilities. With the rapid development of information and communication technology today, availability of learning materials is very abundant and easy to obtain. Many learning materials are available online and can be accessed via internet. However, availability of learning materials that are very abundant can also potentially make it difficult for teachers and students to choose learning materials that are relevant to learning needs. In the context of adaptive learning system, to facilitate selection of learning materials that are suitable for students' abilities, it is necessary to categorize learning materials based on the learning topic first. However, with so many learning materials available, if categorization of learning materials is done manually, it will certainly take a lot of time so that it is not efficient. Therefore, categorization of learning materials should be done by applying classification automatically.
This study proposes a system that can crawl learning material from various websites and classify learning material automatically based on certain topics using a hierarchical multilabel classification method. Multi-label classification is carried out with a problem transformation approach and the hierarchical structure used is a tree structure. To get the best classification model, this study compares several combinations of problem transformation methods and single label classification algorithms. The transformation method used is Binary Relevance and Label Powerset. While the classification algorithm used is Naïve Bayes, SVM, and Random Forest. Classification model with best performance results will be used in the built-in automatic classification system. From the evaluation results of 448 learning material data, it was found that the Binary Relevance method and the SVM algorithm were the best combination with the highest accuracy values reaching 0.968 for topics and 0.708 for subtopics. The classification model with the Binary Relevance method and the SVM algorithm is used to build an automatic learning material categorization system based on learning topics and subtopics.

Item Type: Thesis (Masters)
Uncontrolled Keywords: klasifikasi multilabel hierarki, materi pembelajaran, pemrosesan teks, hierarchical multilabel classification, learning materials, text processing.
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: Fadilla Sukma Alfiani
Date Deposited: 12 Aug 2021 09:25
Last Modified: 12 Aug 2021 09:25
URI: http://repository.its.ac.id/id/eprint/85736

Actions (login required)

View Item View Item