PENERAPAN NATURAL LANGUAGE PROCESSING DAN K-MEANS CLUSTERING UNTUK MENGANALISIS PENGARUH KOMPLEKSITAS LINGUISTIK TERHADAP TINGKAT KESALAHAN SISWA

Abstract

Kesenjangan antara kompleksitas linguistik soal matematika dan kemampuan kognitif siswa sering kali menjadi faktor penghambat dalam proses asesmen pendidikan. Penelitian ini bertujuan untuk mengidentifikasi pengaruh kompleksitas bahasa terhadap performa siswa dan memetakan karakteristik butir soal menggunakan pendekatan Natural Language Processing (NLP) dan algoritma K-Means Clustering. Data penelitian diperoleh dari hasil ujian matematika 41 siswa yang kemudian diintegrasikan dengan variabel skor kompleksitas bahasa (SKB) berdasarkan tokenisasi teks dan klasifikasi tingkat kognitif taksonomi Bloom. Hasil analisis menunjukkan bahwa soal-soal dengan volume teks tinggi (SKB > 140 kata) berkorelasi signifikan dengan peningkatan error rate secara drastis yang mencapai rata-rata 66,64%. Pemodelan klasterisasi berhasil mengidentifikasi adanya fenomena titik buta sintaksis pada soal dengan level kognitif rendah (C1) yang emiliki tingkat kesalahan tidak wajar hingga 39,02% akibat beban sintaksis yang berlebihan. Temuan ini menyimpulkan bahwa kompleksitas bahasa dalam instrumen soal merupakan determinan krusial yang dapat mendistorsi kemampuan matematis siswa. Kerangka kerja evaluasi berbasis data melalui integrasi NLP sangat direkomendasikan untuk mereformasi penyusunan soal ujian agar lebih selaras dengan kapasitas kognitif dan linguistik siswa.