EFFECTIVENESS OF DEEP LEARNING APPROACH FOR TEXT CLASSIFICATION IN ADAPTIVE LEARNING

  • Umi Laili Yuhana Institut Teknologi Sepuluh Nopember
  • Imamah Imamah Universitas Trunojoyo Madura
  • Chastine Fatichah Institut Teknologi Sepuluh Nopember
  • Bagus Jati Santoso Institut Teknologi Sepuluh Nopember

Abstract

Klasifikasi text sangat bermanfaat dan dibutuhkan diberbagai bidang. Salah satu bidang yang membutuhkan klasifikasi text adalah E-learning yang bersifat adaptive atau disebut sebagai adaptive learning sistem. Adaptive learning sytem adalah sistem pembelajaran online yang dapat memberikan rekomendasi pembelajaran berdasarkan kebutuhan pengguna. Adaptive learning memiliki dua bagian, yaitu modul learning dan modul testing. Modul learning adalah bagian dari sistem yang bertugas untuk memberikan rekomendasi pembelajaran bagi pengguna, sedangkan modul testing bertugas untuk menguji dan memberikan penilaian terhadap hasil pembelajaran yang diperoleh dari modul learning. Materi pembelajaran pada modul learning memerlukan klasifikasi text berdasarkan tingkat kesulitannya untuk memastikan bahwa pengguna dengan level kemampuan rendah juga mendapatkan materi pembelajaran yang mudah, dan rekomendasi ini akan dinamis mengikuti perkembangan kemampuan pengguna. Pada penelitian ini, akan dibahas bagian kecil dari sistem pembelajaran adaptive pada modul learning yaitu tahap klasifikasi text. Dataset yang digunakan dalam penelitian ini adalah mata pelajaran IPA untuk tingkat SMP yang didapatkan dari Ruang Guru dan merupakan salah satu platform E-learning di Indonesia. Metode yang digunakan dalam penelitian ini adalah CNN, RNN dan HAN dengan menggunakan word embedding Word2Vec

Downloads

Download data is not yet available.

References

[1] M. L. Barrón Estrada, R. Zatarain Cabada, R. Oramas Bustillos, and M. Graff, “Opinion mining and emotion recognition applied to learning environments,” Expert Syst. Appl., vol. 150, 2020, doi: 10.1016/j.eswa.2020.113265.
[2] W. Xing, H. Tang, and B. Pei, “Beyond positive and negative emotions: Looking into the role of achievement emotions in discussion forums of MOOCs,” Internet High. Educ., vol. 43, no. 100690, 2019.
[3] K. F. Hew, X. Hu, C. Qiao, and Y. Tang, “What predicts student satisfaction with MOOCs: A gradient boosting trees supervised machine learning and sentiment analysis approach.,” Comput. Educ., no. 103724, 2019.
[4] F. Rasheed and A. Wahid, “Learning style detection in E-learning systems using machine learning techniques,” Expert Syst. Appl., vol. 174, no. September 2020, p. 114774, 2021, doi: 10.1016/j.eswa.2021.114774.
[5] A. Khan, S. K. Ghosh, D. Ghosh, and S. Chattopadhyay, “Random wheel: An algorithm for early classification of student performance with confidence,” Eng. Appl. Artif. Intell., vol. 102, no. April, p. 104270, 2021, doi: 10.1016/j.engappai.2021.104270.
[6] M. Birjali, A. Beni-Hssane, and M. Erritali, “A novel adaptive e-learning model based on Big Data by using competence-based knowledge and social learner activities,” Appl. Soft Comput. J., vol. 69, pp. 14–32, 2018, doi: 10.1016/j.asoc.2018.04.030.
[7] K. Pliakos, S. H. Joo, J. Y. Park, F. Cornillie, C. Vens, and W. Van den Noortgate, “Integrating machine learning into item response theory for addressing the cold start problem in adaptive learning systems,” Comput. Educ., vol. 137, no. April, pp. 91–103, 2019, doi: 10.1016/j.compedu.2019.04.009.
[8] Y. Lin, S. Feng, F. Lin, W. Zeng, Y. Liu, and P. Wu, “Adaptive course recommendation in MOOCs,” Knowledge-Based Syst., vol. 224, p. 107085, 2021, doi: 10.1016/j.knosys.2021.107085.
[9] M. Megahed and A. Mohammed, “Modeling adaptive E-Learning environment using facial expressions and fuzzy logic,” Expert Syst. Appl., vol. 157, p. 113460, 2020, doi: 10.1016/j.eswa.2020.113460.
[10] S. Li, R. Pan, H. Luo, X. Liu, and G. Zhao, “Adaptive cross-contextual word embedding for word polysemy with unsupervised topic modeling,” Knowledge-Based Syst., vol. 218, p. 106827, 2021, doi: 10.1016/j.knosys.2021.106827.
[11] S. Liu and I. Lee, “Sequence encoding incorporated CNN model for Email document sentiment classification,” Appl. Soft Comput., vol. 102, p. 107104, 2021, doi: 10.1016/j.asoc.2021.107104.
[12] A. Khumaidi, E. M. Yuniarno, and M. H. Purnomo, “Welding defect classification based on convolution neural network (CNN) and Gaussian kernel,” in International Seminar on Intelligent Technology and Its Applications (ISITIA), 2017, pp. 261–265.
[13] N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, “Dropout: a simple way to prevent neural networks from overfitting,” ’The J. Mach. Learn. Res., vol. 15, no. 1, pp. 1929–1958, 2014.
[14] M. H. Purnomo and A. Kurniawan, Supervised Neural Networks dan Aplikasinya. Yogyakarta: Graha Ilmu, 2006.
Published
2022-07-31
How to Cite
YUHANA, Umi Laili et al. EFFECTIVENESS OF DEEP LEARNING APPROACH FOR TEXT CLASSIFICATION IN ADAPTIVE LEARNING. Jurnal Ilmiah Kursor, [S.l.], v. 11, n. 3, p. 137, july 2022. ISSN 2301-6914. Available at: <https://kursorjournal.org/index.php/kursor/article/view/285>. Date accessed: 08 dec. 2022. doi: https://doi.org/10.21107/kursor.v11i3.285.
Section
Articles