Hasil Pencarian  ::  Simpan CSV :: Kembali

"Metodologi pengembangan perangkat lunak disusun berdasarkan siklus pengembangan perangkat lunak yang terdirl atas sejumlah tahapan yaitu: analisis, perancangan, implementasi, uji program, dan perawatan. Setiap tahapan dapat dibantu oleh sistem komputer yang dikenal sebagai alat bantu pengembangan perangkat lunak [Computer Aided Software Engineering-CASE tool]. Metodologi pengembangan perangkat lunak yang saat ini banyak digunakan adalah metodologi terstruktur. Salah satu metoda terstruktur untuk tahap perancangan adalah metoda yang dikemukakan oleh Edward Yourdon, yang kemudian diperluas oleh Larry Constantine. Hasil penerapan dari metoda ini untuk perancangan adalah suatu diagram struktur yang menggambarkan struktur dari perangkat lunak yang dirancang, yakni hirarki fungsional, ketergantungan, pengulangan, inklusi, pemilihan, serta pengiriman arus data dan kontrol antara modul-modul pembentuk perangkat lunak tersebut. Tulisan ini merupakan hasil penelitian dari pemanfaatan diagram struktur berdasarkan metoda perancangan terstruktur Yourdon/Constantine guna membantu otomasi tahap implementasi. Perangkat lunak sebagai hasil dari penelitian ini adalah prototipe sebuah alat bantu pembangkit kode yang diberi nama DB4GEN, dimana kode yang dihasilkan berupa kerangka program dBase IV. Dengan menggunakan DB4GEN ini konsistensi antara program yang dihasilkan dengan rancangan program dapat dijaga serta waktu yang dibutuhkan untuk penulisan program dapat dipersingkat karena telah tersedia kerangka kode program dalam bentuk program terstruktur. Selain itu DB4GEN menghasilkan dokumentasi program guna mempermudah pemrogram dalam melengkapi kerangka program menjadi program lengkap."

"Stemming merupakan salah satu bagian penting dalam proses penilaian esai secara otomatis. Stemming merupakan proses transformasi suatu kata-kata tertentu menjadi kata dasarnya. Salah satu algoritma stemming yang ada adalah dengan menggunakan persamaan kata, dimana semua kata yang berimbuhan dan istilah yang berbeda untuk satu kata bermakna sama dapat disetarakan bobotnya. Untuk itu proses stemming menggunakan persamaan kata ini akan diimplementasikan pada sistem penilai esai otomatis Simple-O berbasis Generalized Latent Semantic Analysis (GLSA) yang bertujuan untuk meningkatkan ketepatan penilaiannya agar semakin mendekati hasil penilaian oleh manusia. Dari 98 kali pengujian, kinerja GLSA menggunakan proses stemming memberikan hasil yang lebih baik dengan tingkat ketepatan sebanyak 72 kali atau sekitar 73,4% lebih unggul dibandingkan GLSA tanpa proses stemming yang hanya unggul sebanyak 20 kali dari 98 kali percobaan atau dengan presentase sekitar 20,4%. Hal ini menunjukkan bahwa implementasi proses stemming pada Simple-O berbasis GLSA menghasilkan hasil yang lebih baik daripada GLSA tanpa proses stemming.

---

Stemming is one of the important processes on automatic essay grading. Stemming is a process to transform a word into its root word in order to make essay grader becoming more accurate. One of stemming algorithm that have developed is using word similiarity, where in this algorithm all the prefixed word or the other words that have a similar meaning have an equal weight. This algorithm is implemented on an automatic essay graderbased on Generalized Latent Semantic Analysis (GLSA) called Simple-O in order to match the grade from human raters.

The experiment result shows that from 98 samples GLSA algorithm with the stemming process outperform GLSA without stemming 72 times with the percentage about 73,4%, on the other hand GLSA without stemming only give the better result 20 times with the percentage of 20,4%. This experiments result shows that GLSA based Simple-O using stemming algorithm gives better result than GLSA without stemming process."

"Build deep learning applications, such as computer vision, speech recognition, and chatbots, using frameworks such as TensorFlow and Keras. This book helps you to ramp up your practical know-how in a short period of time and focuses you on the domain, models, and algorithms required for deep learning applications. Deep Learning with Applications Using Python covers topics such as chatbots, natural language processing, and face and object recognition. The goal is to equip you with the concepts, techniques, and algorithm implementations needed to create programs capable of performing deep learning. This book covers intermediate and advanced levels of deep learning, including convolutional neural networks, recurrent neural networks, and multilayer perceptrons. It also discusses popular APIs such as IBM Watson, Microsoft Azure, and scikit-learn. You will: Work with various deep learning frameworks such as TensorFlow, Keras, and scikit-learn. Build face recognition and face detection capabilities Create speech-to-text and text-to-speech functionality Make chatbots using deep learning. "