ADAPTIVE TEST BERDASARKAN REVISED BLOOM’S TAXONOMY MENGGUNAKAN LEARNING VECTOR QUANTIZATION

Main Article Content

Alun Sujjada

Abstract

Paradigma baru dalam pembelajaran menekankan pada pandangan bahwa siswa adalah manusia yang memiliki potensi untuk belajar dan berkembang. Namun alat evaluasi dalam dunia pendidikan umumnya masih menggunakan alat tes yang standar, artinya dalam satu kelas semua siswa mendapat jenis soal yang sama tanpa melihat kemampuan tiap individu. Revised Bloom’s Taxonomy ( RBT) dapat digunakan untuk mengklasifikasi jenis pemikiran yang terlibat dalam proses kognitif siswa. Salah satu cara untuk menyajikan soal sesuai dengan kemampuan kognitif siswa yaitu menggunakan model adaptive test.
Learning Vector Quantization (LVQ) merupakan artificial neural network terbimbing dengan metode pembelajaran kompetitif yang dapat digunakan untuk mengklasifikasi kemampuan kognitif siswa menjadi tiga kelas kognitif yaitu, Cognitive Low (CL), Cognitive Medium (CM), dan Cognitive High (CH) berdasarkan data pretest yang dikerjakan oleh siswa.
Adaptive test mampu merekomendasikan paket soal yang sesuai dengan kelas kompetensi yang diperoleh siswa, kelas CL mendapat rekomendasi soal paket 1, kelas CM mendapat rekomendasi soal paket 2, dan kelas CH mendapat rekomendasi soal paket 3.

Article Details

How to Cite
Sujjada, A. (2019). ADAPTIVE TEST BERDASARKAN REVISED BLOOM’S TAXONOMY MENGGUNAKAN LEARNING VECTOR QUANTIZATION. Journal on Information Systems, Technology of Information and Communications (JoISTIC), 1(2). Retrieved from http://ejournal.unikama.ac.id/index.php/JoISTIC/article/view/2777
Section
Articles