Klasifikasi Miskonsepsi pada Pembelajaran E-Learning dengan LSTM dan Transformasi Model

Nadifa, Ulfatun and Dr. Eng. Fitra Abdurrachman Bachtiar,, S.T., M. Eng. and Dr. Eng. Herman Tolle,, S.T, M.T. (2022) Klasifikasi Miskonsepsi pada Pembelajaran E-Learning dengan LSTM dan Transformasi Model. Magister thesis, Universitas Brawijaya.

Abstract

Miskonsepsi adalah kesalahan konsep dari proses belajar yang mengakibatkan pemahaman yang menyimpang terhadap suatu materi dan berakibat menurunkan motivasi belajar. Penggunaan media pembelajaran saat ini masih menyebabkan Demotivasi belajar, sesuai survei pada penggunaan MOOC hanya sekitar 15-22% siswa yang menyelesaikan kursus. Mengatasi masalah tersebut maka dilakukan pengembangan model Deep Learning, untuk mendeteksi Miskonsepsi dan memberikan rekomendasi sehingga menjaga motivasi belajar siswa. Pada penelitian ini dikembangkan beberapa arsitektur kombinasi model untuk Sequential data dan bertujuan meningkatkan akurasi prediksi dan menurunkan waktu komputasi. Dalam penelitian ini terdapat tiga skenario model yaitu skenario model dasar, skenario kombinasi dua model dan skenario kombinasi tiga model. Berdasarkan hasil Exploratory Data Analisis (EDA) diketahui bahwa distribusi data setelah penambahan label Miskonsepsi menjadi terdistribusi asimetris positif, dan menyebabkan banyak Outlier. Distribusi positif adalah nilai mean 0.39 > 0.31 median > 0.15 modus, sehingga jumlah korelasi Golden Feature meningkat. Digunakan algorithms KNN untuk Identifikasi Anomali dengan hasil rata-rata Anomali di bawah 0.35%, maka untuk mengatasi masalah tersebut dilakukan Normalisasi data. Pada penelitian ini eksplorasi Hyperparameter dilakukan secara manual, dari hasil eksplorasi diketahui bahwa setiap parameter dipengaruhi oleh tipe data, loss, dan arsitektur model, di mana parameter final activation dapat meningkatkan akurasi sebanyak 7% dan loss fungsi 0.5%. CUDNN digunakan untuk mengoptimalkan waktu komputasi, hasil eksplorasi menunjukkan arsitektur model kombinasi memiliki waktu komputasi dan prediksi lebih lama yaitu 15.5 menit /Epochs dan 10 ms /2% data daripada model dasar 8.7 menit /Epochs serta 5.5 ms /2% data, tetapi diketahui arsitektur model kombinasi baik yang menggunakan CUDNN ataupun tidak, memiliki waktu training yang sama. Hal ini menunjukkan arsitektur kombinasi mampu melakukan optimasi waktu komputasinya sendiri dengan baik. Pengukuran performa model dilakukan dengan Confusion Matrix, dan hasil pengukuran menunjukkan bahwa nilai AUC berada pada desimal 0,89 dengan threshold 0,50. Pengujian performa model pada penelitian ini menggunakan perbedaan jumlah data prediksi dan perbandingan subset feature dari hasil analisis EDA. Berdasarkan hasil pengujian performa model dengan subset feature, model kombinasi tiga yaitu Transformer BLSTM memiliki selisih akurasi lebih tinggi 2.31% daripada model dasar LSTM 0.64%, hal ini menunjukkan model kombinasi memiliki performa lebih baik karena mampu membedakan subset korelasi tinggi dan rendah, walaupun akurasi dan waktu komputasinya kurang dari model dasar. Akurasi dan waktu prediksi dari model terbaik pada penelitian ini berturut-turut yaitu, untuk skenario model dasar yaitu LSTM 83.30% dan 5.5 ms, skenario kombinasi dua model yaitu Bidirectional (LSTM)B2 83.25% dan 14 ms, dan skenario kombinasi tiga model yaitu Transformer B(LSTM) 82.85% dan 9 ms dari 2% data.

Item Type:	Thesis (Magister)
Identification Number:	042315
Uncontrolled Keywords:	Prediksi Miskonsepsi, CUDNN, Hyperparameter, Deep Learning, Exploratory Data Analysis, Transformer, LSTM, RNN, Bidirectional.-Misconception Prediction, CUDNN, Hyperparameter, Deep Learning, Exploratory Data Analysis, Transformer, LSTM, RNN, Bidirectional.
Divisions:	S2/S3 > Magister Ilmu Komputer, Fakultas Ilmu Komputer
Depositing User:	Unnamed user with username suprihatin
Date Deposited:	12 Jan 2024 07:54
Last Modified:	12 Jan 2024 07:54
URI:	http://repository.ub.ac.id/id/eprint/209331

Text (DALAM MASA EMBARGO) ULFATUN NADIFA.pdf Restricted to Registered users only until 31 December 2024. Download (8MB)

Actions (login required)

View Item