PENGGUNAAN METODE K-MEANS DENGAN PROBABILITY SAMPLING DAN PARAMETER DENSITAS UNTUK CLUSTERING JAWABAN URAIAN

NOURMA JENNIE AISYIYAH, Mardhani Riasetiawan, M.T., Dr.

2018 | Skripsi | S1 ILMU KOMPUTER

Evaluasi merupakan salah komponen penting yang digunakan untuk mengukur keberhasilan suatu proses pembelajaran. Salah satu cara yang dapat dilakukan dalam proses evaluasi adalah ujian tertulis menggunakan soal uraian. Soal uraian dianggap sebagai cara yang efektif karena melibatkan kemampuan siswa dalam pemecahan masalah dan penalaran. Akan tetapi, dengan banyaknya jawaban dari soal uraian, sulit bagi guru untuk mengetahui kemampuan dan dan variasi jawaban siswa secara keseluruhan. Clustering merupakan salah satu cara yang dapat digunakan untuk mengetahui variasi jawaban siswa secara keseluruhan. Dengan mengetahui variasi jawaban siswa, guru dapat mengetahui kemampuan siswa secara keseluruhan dan mengetahui kesalahan konsep yang mungkin terjadi sehingga dapat dilakukan evaluasi pada proses pembelajaran. Pada penelitian ini digunakan algoritme K-means dengan metode probability sampling dang perhitungan parameter densitas pada proses inisialisasi pusat klaster. Dari hasil pengujian dengan menggunakan pengukuran nilai SSE, metode inisialisasi dengan parameter densitas menghasilkan klaster yang lebih baik dibandingan dengan metode probability sampling. Namun dengan menggunakan pengukuran nilai silhouette, metode probability sampling menghasilkan klaster yang lebih baik dibandingkan metode parameter densitas. Dengan karakteristik dataset yaitu adanya kemiripan antar jawaban, metode parameter densitas lebih tepat digunakan karena mengutamakan kedekatan data dengan data-data lain dalam membentuk klaster.

Evaluation is an important things for education quality measurement. One of the evaluation method is using descriptive or essay question. It is well known that there is greater for educational evaluation from essay question because from this question, teachers could find out the ability of students to solve a problem and to give a reason of their answer. But it’s hard for teachers to find out the insight from hundreds or thousands answers. One approach to addressing this is to automatically clustering the answers based on answer’s similiarity. From the cluster result, teachers could find out the insights of all answers. Also, teachers can find modes of understanding or misunderstanding concept so it can be used for teaching evaluation. This research focus on comparing probability sampling and density paramater for centroid initialization of K-means algorithm. Using SSE value measurement, clustering result of density parameter method is better than probability sampling method. But using silhouette value measurement, probability sampling method is better than density parameter method. Based on answer similarity in dataset, density parameter is an appropriate method because it consider closeness of data to others when choosing initial centroid.

Kata Kunci : Clustering Teks, Algoritme K-means, Clustering Jawaban Uraian