Perbandingan Klasifikasi Label Tunggal untuk Soal Ujian Fisika menggunakan Naïve Bayes dan K-Fold Cross Validation

Christopher Kevin Herijanto; Yulia Wahyuningsih

doi:10.54914/jtt.v10i1.1210

Penulis

Christopher Kevin Herijanto Universitas Katolik Darma Cendika
Yulia Wahyuningsih Universitas Katolik Darma Cendika

DOI:

https://doi.org/10.54914/jtt.v10i1.1210

Kata Kunci:

Fisika, Klasifikasi Label Tunggal, Naive Bayes, Pembelajaran Mesin, Random Forest

Abstrak

Penelitian ini mengevaluasi penggunaan algoritma Naïve Bayes dalam mengklasifikasikan soal Fisika dengan label tunggal. Tujuan utamanya adalah untuk mendapatkan algoritma terbaik untuk mengklasifikasikan soal fisika yang akan digunakan untuk siswa SMA yang kesulitan untuk memahaminya. Metode penelitian ini menggunakan dataset yang berisi soal–soal Fisika yang perlu diklasifikasikan untuk memudahkan pembelajaran siswa SMA. Algoritma Naïve Bayes diimplementasikan menggunakan Google Collab untuk melatih model klasifikasi menggunakan fitur-fitur yang diekstraksi dari teks soal Fisika. Selain itu, beberapa algoritma klasifikasi lain seperti Support Vector Machine (SVM), Logistic Regression, Decision Tree, dan Random Forest juga diuji dan dibandingkan kinerjanya. Hasil eksperimen menunjukkan bahwa Naïve Bayes memberikan hasil yang bersaing dalam klasifikasi soal Fisika label tunggal. Namun, terdapat perbedaan performa yang signifikan antara Naïve Bayes dan algoritma lainnya, bergantung pada jenis dan kompleksitas masalah soal Fisika yang diklasifikasikan. Pada penelitian ini, SVM memiliki nilai akurasi yang lebih tinggi, tetapi Naïve Bayes unggul dalam training time. Penelitian ini memberikan pemahaman lebih dalam tentang kelebihan dan kelemahan Naïve Bayes dalam menyelesaikan tugas klasifikasi masalah Fisika label tunggal. Temuan ini menjadi panduan untuk mengembangkan model klasifikasi yang lebih akurat untuk aplikasi dalam konteks pembelajaran Fisika.

Unduhan

Data unduhan belum tersedia.

Referensi

M. M. N. Karsana, K. M. L, and W. Astuti, “Single-Label and Multi-Label Text Classification using ANN and Comparison with Naïve Bayes and SVM,” vol. 7, no. April, pp. 857–863, 2023, doi: 10.30865/mib.v7i2.6024.

T. Durand and G. Mori, “Learning a Deep ConvNet for Multi-Label Classification With Partial Labels,” pp. 647–657.

P. Mata, P. Matematika, D. Z. Azhari, I. S. Damanik, and D. Suhendro, “Penerapan Algoritma C4 . 5 Untuk Klasifikasi Tingkat Pemahaman Siswa,” vol. 1, no. 1, pp. 11–20, 2022.

A. Fathiarahma, A. Voutama, T. Ridwan, and N. Heryana, “Analisis Text Mining Klasifikasi Kegiatan Keluarga menggunakan Orange dengan Metode Naive Bayes,” J. Teknol. Terpadu, vol. 9, no. 1, pp. 35–41, 2023, doi: 10.54914/jtt.v9i1.606.

H. Hendriyana, I. M. Karo Karo, and S. Dewi, “Analisis perbandingan Algoritma Support Vector Machine, Naive Bayes dan Regresi Logistik untuk Memprediksi Donor Darah,” J. Teknol. Terpadu, vol. 8, no. 2, pp. 121–126, 2022, doi: 10.54914/jtt.v8i2.581.

I. M. Karo Karo and H. Hendriyana, “Klasifikasi Penderita Diabetes menggunakan Algoritma Machine Learning dan Z-Score,” J. Teknol. Terpadu, vol. 8, no. 2, pp. 94–99, 2022, doi: 10.54914/jtt.v8i2.564.

A. Wiraguna, S. Al Faraby, and Adiwijaya, “Klasifikasi Topik Multi Label pada Hadis Bukhari dalam Terjemahan Bahasa Indonesia Menggunakan Random Forest,” e-Proceeding Eng., vol. 6, no. 1, pp. 2144–2153, 2019.

M. R. Adrian, M. P. Putra, M. H. Rafialdy, and N. A. Rakhmawati, “Perbandingan Metode Klasifikasi Random Forest dan SVM Pada Analisis Sentimen PSBB,” J. Inform. Upgris, vol. 7, no. 1, pp. 36–40, 2021.

I. Made Riartha Prawira and M. Syahrul Mubarok, “Klasifikasi Multi-Label Pada Topik Berita Berbahasa Indonesia Menggunakan Multinomial Naïve Bayes,” e-Proceeding Eng. , vol. 5, no. 3, pp. 7774–7781, 2018.

H. A. N. S. Habibi, A. Nugroho, and R. Firliana, “Perbandingan Algoritma Naïve Bayes Classifier Dan K-Nearest Neighbors Untuk Analisis Sentimen Covid-19 Di Twitter,” J. Ilm. Inform., vol. 11, no. 01, pp. 54–62, 2023, doi: 10.33884/jif.v11i01.7069.

N. Nurainun, E. Haerani, F. Syafria, and L. Oktavia, “Penerapan Algoritma Naïve Bayes Classifier Dalam Klasifikasi Status Gizi Balita dengan Pengujian K-Fold Cross Validation,” J. Comput. Syst. Informatics, vol. 4, no. 3, pp. 578–586, 2023, doi: 10.47065/josyc.v4i3.3414.

D. C. Hidayati, S. Al Faraby, and A. Adiwijaya, “Klasifikasi Topik Multi Label pada Hadis Shahih Bukhari Menggunakan K-Nearest Neighbor dan Latent Semantic Analysis,” JURIKOM (Jurnal Ris. Komputer), vol. 7, no. 1, p. 140, 2020, doi: 10.30865/jurikom.v7i1.2013.

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

I. P. Y. Indrawan, I. G. Indrawan, and I. M. Candiasa, “Klasifikasi Multilabel Pada Abstrak Tugas Akhir Menggunakan Vector Space Model dan K-Nearest Neighbors Program Studi Magister Ilmu Komputer , Program Pascasarjana,” vol. 2, no. 2, pp. 91–97, 2019.

N. Isnaini, Adiwijaya, M. S. Mubarok, and M. Y. A. Bakar, “A multi-label classification on topics of Indonesian news using K-Nearest Neighbor,” J. Phys. Conf. Ser., vol. 1192, no. 1, 2019, doi: 10.1088/1742-6596/1192/1/012027.