Revised Bloom's Taxonomy merupakan salah satu standar identifikasi pendidikan yang digunakan untuk meningkatkan kualitas soal berdasarkan tingkatan kognitif. Revised Bloom's Taxonomy merupakan hasil kajian ulang dari Bloom's Taxonomy dengan harapan untuk mendapatkan relevansi antara pengajar dan pelajar di abad ke-21. Revised Bloom's Taxonomy dapat diimplementasikan pada bank soal e-Learning untuk menghasilkan soal yang sesuai dengan capaian kompetensinya. Pada penelitian ini, Revised Bloom's Taxonomy akan diimplementasikan pada soal-soal kuis mata kuliah Data Warehouse dan Business Intelligence (DWBI) program studi S1 Sistem Informasi Universitas Telkom angkatan 2018.
Penelitian ini akan membandingkan performa klasifikasi dari dua algoritma, yaitu Support Vector Machine (SVM) dan Naive Bayes (NB). Penelitian ini juga akan membahas cara menangani imbalance data berdasarkan studi kasus. Jenis metode yang digunakan untuk menangani imbalance data adalah metode oversampling dengan SMOTE (Synthetic Minority-Over Sampling Technique). Penelitian ini juga akan membandingkan antara dataset yang menerapkan dan yang tidak menerapkan metode oversampling SMOTE.
Dari hasil klasifikasi, diperoleh hasil performa klasifikasi algoritma Support Vector Machine dengan oversampling SMOTE memiliki akurasi tertinggi yaitu 98%, lalu algoritma Naïve Bayes dengan oversampling SMOTE dengan akurasi 92%, kemudian algoritma Support Vector Machine tanpa oversampling SMOTE memiliki akurasi 77%, dan algoritma Naïve Bayes tanpa oversampling SMOTE dengan akurasi 73%.