Hasil Pencarian  ::  Simpan CSV :: Kembali

"Setiap proses pembelajaran memerlukan suatu evaluasi berupa ujian, begitu pula dengan e-learning. Pada proses e-learning jenis ujian yang banyak digunakan adalah jenis ujian pilihan ganda dan isian singkat. Alasannya adalah kemudahan dalam proses penilaian, komputer yang menjadi komponen penting dalam proses e-learning lebih mudah dalam melakukan penilaian ujian pilihan ganda dan isian singkat secara akurat karena jawaban yang ada harus sama baik pilihan maupun kata-katanya, dibandingkan dengan melakukan penilaian jenis ujian esai yang lebih kearah pemahaman bukan hafalan. Padahal jenis ujian pilihan ganda dan isian singkat memiliki banyak kekurangan bila dibandingkan dengan jenis ujian esai. Hal inilah yang mendasari lahirnya penilaian jawaban esai secara otomatis untuk mempersingkat pemeriksaan jawaban esai. Ada banyak metode yang telah dikembangkan untuk penilai jawaban esai secara otomatis, salah satunya adalah Latent Semantic Analysis (LSA). Metode ini mempunyai ciri khas hanya mementingkan kata-kata kunci yang terkandung dalam sebuah kalimat tanpa memperhatikan karakteristik linguistiknya. Pada LSA, kata-kata direpresentasikan dalam sebuah matriks semantik dan kemudian diolah secara matematis menggunakan teknik aljabar linier Singular Value Decomposition (SVD). Implementasi pembobotan pada sistem penilaian esay otomatis dilakukan dengan menggunakan bahasa php, pada percobaan menggunakan jawaban esay dari quiz jaringan komputer. Hasil ujicoba menunjukkan hal-hal yang mempengaruhi kecepatan proses aplikasi adalah banyaknya jawaban mahasiswa dan banyaknya user yang mengakses aplikasi. Dari percobaan juga menunjukkan bahwa skema yang paling mendekati dengan human rater adalah skema 4 yaitu dengan pembobotan lokal jawaban mahasiswa untuk Square Root dan pembobotan dosen Binary dan tidak menggunakan pembobotan global.

---

Every learning process needs an evaluation in the form of test. At elearning process the test type many used is multiple choice and short answer test type. Its reason is amenity in course of assessment, the computer become the important component in course of e-learning easier in doing assessment of multiple choice and short anwer test in accurate because the answer have to be same exactly, compared to do assessment test of essay type more toward understanding and not memorizing. Though multiple choice and short answer test type have many insuffiencies if compared to the test type esai. These matters constitute the creation of automatically assessment of answer esai to take a short cut inspection of essay answer.

There are many methods which have been developed for the automatically essay assessor, one of them is Latent Semantic Analysis (LSA). This Method has the unique method only making account of the key words implied in a sentence regardless of his linguistics characteristic. In LSA, words represented in a semantic matrix and then mathematicaly proceed to usely linear algebra technique Singular Value Decomposition (SVD). Wight implementation at automatically esay assessment system is done by using language php, In experiment the esay answer are from quiz computer network.

Result of experiment show the things influence speed of application process is the number of student answers and to the number of user accessing application. Of attempt is also indicate that the scheme very come near with human rater is scheme of 4 that is with local wight [of] student answer to Square Root and lecturer wight Binary and don't use any global wight."

"Salah satu metode otomasi essay grading adalah essay grading metode LSA. LSA merepresentasikan isi kata dalam matriks dua dimensi yang besar. Bagian pemrosesan penting dari LSA adalah komponen penganalisisan bernama SVD (Singular Value Decomposition) yang mengkompresi informasi yang berkaitan dalam jumlah besar ke dalam ruang yang lebih kecil. Menggunakan teknik aljabar matriks (SVD), hubungan baru antara esai mahasiswa dan esai referensi ditentukan dan dimodifikasi untuk mewakili arti sebenarnya. SIMPLE-O adalah aplikasi penilaian esai otomatis metode LSA yang berbasis web yang dikembangkan di Indonesia. Untuk meningkatkan kualitas penilaian esai maka perlu diterapkan teknik pembobotan. Sebuah metode pembobotan merupakan susunan dari tiga buah pembobotan: pembobotan lokal (local weighting), pembobotan global (global weighting) dan normalisasi (normalization) [1]. Untuk mengimplementasikan pembobotan maka pada SIMPLE-O dilakukan perubahan pada bagian proses memasukan jawaban esai mahasiswa dan proses penilaianya. SIMPLE-OM adalah SIMPLE-O yang telah mengalami perubahan. Pada SIMPLEOM skema pembobotan yang diterapkan adalah skema pembobotan SICBI (SQRTIGFF-COSN-BNRY-IDFB). Berdasarkan hasil pengamatan dan perhitungan dari beberapa skenario pengujian, sistem aplikasi dengan pembobotan SICBI memberikan hasil yang lebih baik daripada sistem aplikasi tanpa pembobotan. Skenario pengujian yang memberikan hasil paling baik (mendekati human rater) adalah skenario yang memiliki jumlah mahasiswa terbanyak yaitu skenario 3 (20 mahasiswa). Pada skenario 3, rata-rata selisih antara penilaian sistem aplikasi dengan human rater adalah 10,9. Penerapan pembobotan akan membuat sistem aplikasi bekerja lebih lama dalam hal penilaian esai. Selain itu, beberapa hal lain yang berpengaruh pada kecepatan proses penilaian esai antara lain banyaknya kata kunci mahasiswa dan jumlah mahasiswa yang mengikui ujian.

---

One method of automatic essay grading is "LSA Essay Grading Method". LSA represents words contained in a huge bi-dimensional matrix. Main processing part of LSA is analyzing component that called SVD (Singular Value Decomposition) which compress the large-scaled related information into smaller scale. Using matrix algebraic method (SVD), the new relations between student?s essay and the reference essay can be determined and modified in the real meaning.

SIMPLE-O is an automatic essay grading application using web-based LSA method which has been developed in Indonesia. To increase essay grading quality, it needed to apply weighting technique. Weighting methods consist of three weighting: local weighting, global weighting, and normalization [1]. To implement the weighting in SIMPLE-O, it needs to make changes in student?s answers and grading process. SIMPLE-OM is a modified SIMPLE-O. In SIMPLEOM, the weighting scheme which is being implemented is SICBI (SQRT-IGFFCOSN-BNRY-IDFD) weighting scheme.

According to observation results and calculation from several testing scenario, SICBI weighting application system gives better results than application system without weighting method. The best result (approaching the human rater) is given by the testing method which has the most student participants, that is in third scenario (20 students). In this scenario, the average differences between application system grading and human rater is 10.9. Weighting implementation will make the application system work longer in essay grading. The number of word and the students also affect to the essay grading speed."

"ABSTRAKDalam penelitian ini, Sistem Penilaian Esai Ototmatis (Simple-O) dirancang menggunakan algoritma Latents Semantic Analysis (LSA), Term Frequency-Inverse Document Frequency, dan algoritma Support Vector Machine (SVM). Algoritma LSA digunakan untuk mengolah kata-kata yang merepresentasikan kata-kata dalam teks menjadi matriks. Algoritme SVM digunakan untuk mengklasifikasikan esai jawaban siswa berdasarkan topiknya. TF-IDF digunakan untuk menimbang setiap kata dalam teks yang akan menjadi input SVM. Dari penelitian ini ketepatan penggunaan jawaban dosen sebagai jawaban referensi adalah 72,01% dan ketepatan penggunaan kata kunci sebagai jawaban referensi adalah 69,5%.

---

ABSTRACTIn this study, the Automatic Essay Assessment System (Simple-O) was designed using the Latents Semantic Analysis (LSA) algorithm, Term Frequency-Inverse Document Frequency, and the Support Vector Machine (SVM) algorithm. The LSA algorithm is used to process words that represent words in the text into a matrix. The SVM algorithm is used to classify student essays based on their topic. TF-IDF is used to weigh each word in the text that will become SVM input. From this research, the accuracy of using lecturers' answers as reference answers was 72.01% and the accuracy of using keywords as reference answers was 69.5%."

"Sistem penilaian yang dilakukan oleh penilai manusia untuk menilai jawaban essay dalam jumlah besar dirasakan kurang efisien. Hal ini disebabkan karena penilai manusia memiliki keterbatasan fisik yang tidak dapat dihindari. Untuk meningkatkan efisiensi perlu dibuat suatu sistem penilaian yang pemeriksaannya cepat dan obyektifitias tetap terjaga. Pada tugas skripsi ini dilakukan perancangan dan implementasi interface software sistem penilaian essay otomatis serta aplikasi keamanan pada databasenya. Program aplikasi sistem penilaian essay otomatis ini berfungsi untuk menilai essay secara otomatis dengan menggunakan metode Latent Semantic Analysis atau LSA. Metode LSA adalah teori atau metoda untuk menyalin dan merepresentasikan arti kalimat dengan perhitungan matematis atau statistik. LSA mengkonversi essay ke dalam matriks. Setiap kata dalam paragraf kalimat direpresentasikan sebagai baris dan kolom matriks. Dengan menggunakan teknik matrik aljabar SVD (Singular Value Decomposition) dan normalisasi Frobenius. Selanjutnya sistem penilaian essay otomatis metode LSA ini diaplikasikan pada software berbasis web. Pada perancangannya sistem penilaian essay otomatis ini berupa algoritma yang terbagi menjadi beberapa bagian, dengan menggunakan bahasa UML (Unified Modelling Language). Dengan menggunakan metode ini maka interface user dapat dirancang secara lebih efisien dan terstruktur, mulai dari struktur program utama sampai kepada struktur program yang lebih spesifik di dalamnya. Faktor keamanan database diimplementasikan melalui proses enkripsi MD5 bagi password user dan aplikasi session pada aplikasi untuk mencegah user mengakses halaman yang bukan haknya. Dengan menggunakan enkripsi MD5 maka password user dapat lebih terproteksi, karena dengan enkripsi ini, input password user dengan panjang dan karakter yang bervariasi dapat diubah menjadi bit hexadesimal dengan panjang yang tetap dan merupakan proses satu arah (tidak reversibel). Sedangkan dengan menggunakan aplikasi session maka akses user pada sistem menjadi lebih terkontrol dan mencegah penggunaan sistem yang tidak semestinya. Untuk menguji performa dari sistem aplikasi ini dilakukan beberapa pengujian. Pengujian dilakukan dengan tujuan untuk mengetahui kecepatan sistem dalam melakukan proses penghitungan jawaban essay dengan menggunakan metode LSA, dengan cara memasukkan variasi panjang jawaban, jumlah kata kunci dan jumlah soal pada proses. Dari pengujian didapatkan bahwa jumlah soal, jumlah kata kunci dan panjang jawaban mempengaruhi kecepatan proses, semakin banyak jumlah soal, jumlah kata kunci dan panjang jawaban maka waktu proses yang dibutuhkan sistem juga semakin bertambah (hubungan positif) dengan korelasi sebesar 0,445872325 sampai 0,984473824."

"ABSTRAKPada awalnya, Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia telah mengembangkan sebuah sistem penilaian esai otomatis SIMPLE-O untuk ujian esai dalam bahasa Indonesia, namun kali ini dikembangkan untuk ujian esai dalam bahasa Jepang. Skripsi ini akan membahas mengenai penerapan dan pengembangan SIMPLE-O untuk ujian bahasa Jepang berbasis algoritma latent semantic analysis LSA dalam bahasa pemrograman Python. Pengujian menggunakan pendekatan text-similarity frobenius norm. Jenis input teks untuk proses LSA berpengaruh terhadap tingkat akurasi sistem, begitu pula dengan jenis nilai yang dimasukkan ke dalam matriks term-document matrix TDM . Dari hasil pengujian dan analisis yang telah dilakukan, apabila menggunakan input teks dan jenis nilai yang dimasukkan ke dalam matriks TDM yang tepat, LSA mampu menghasilkan akurasi sebesar 99.93.

---

ABSTRACTIn the beginning, Department of Electrical Engineering in Universitas Indonesia has developed an automated essay scoring system SIMPLE O for essay tests in Indonesian, but this time it is developed for essay tests in Japanese. This thesis will discuss about the development and implementation of SIMPLE O for essay tests in Japanese based on latent semantic analysis LSA Algorithm written in Python programming language. The text similarity approach used in this thesis is frobenius norm to measure similarity between texts. The type of text input for the LSA process influences the rate of accuracy of the system, the type of value inserted into the term document matrix TDM can also influence the rate of accuracy of the sysstem. From the result of test and analysis that has been done, given the appropriate type of text input and type of value inserted into the TDM, LSA is able to obtain a rate of accuracy of 99.93 "

"ABSTRAKDepartemen Teknik Elektro Fakultas Teknik Universitas Indonesia telah mengembangkan sistem penilaian esai otomatis (SIMPLE-O) untuk ujian bahasa Jepang. Skripsi kali ini akan membahas pengembangan SIMPLE-O dalammengoreksi ujian bahasa Jepang dengan menggunakan metode N-Gram dan Latent Semantic Analysis (LSA) dan bahasa pemrograman Python dengan tujuan untuk mencapai nilai akurasi yang maksimal. N-Gram digunakan untuk mengoreksi pola kalimat data yang diuji dengan referensi, serta LSA dan Frobenius Norm untuk pemrosesan teks dan pemeriksaan kesamaan teks. Dari pengujian yang telah dilakukan, SIMPLE-O dengan N-Gram dapat mencapai rata-rata akurasi sebesar88,09%.

---

ABSTRACTDepartment of Electrical Engineering, Faculty of Engineering, University of Indonesia has developed a system to grade Japanese examination essay automatically. This thesis will discuss about the development of SIMPLE-O in grading Japanese examination essays using N-Gram and Latent Semantic Analysis (LSA) using Python programming languageto reach the maximum accuracy level. N-Gram is used to score the answer based on the words and the pattern of the sentence of key answer. LSA and Frobenius Norm are used toprocess the text and to check the similarity of both text. From the test that has been done, SIMPLE-O using N-GramandLSAis able to obtain an average rate of accuracy of 88,09%."

"Pada togas akhir ini dilakukan perancangan dan implementasi software sistem penilaian essay otomatis. Program aplikasi sistem penilaian essay otomatis ini berfungsi untuk menilai essay secara otomatis dengan menggunakan metode Latent Semantic Analysis atau LSA. Metode Latent Semantic Analysis (LSA) adalah teori atau metoda untuk menyalin dan merepresentasikan arti kalimat dengan perhitungan matematis atau statistik. LSA mengkonversi essay ke dalam matriks. Setiap kata dalam paragraf kalimat direpresentasikan sebagai bans dan kolom matriks. Dengan menggunakan teknik matrik aljabar SVD (Singular Value Decomposition), matrik didekomposisi menjadi tiga komponen matrik, yaitu dua matriks orthogonal dan satu matriks diagonal singular. Proses penilaian diambil dari perbandingan normalisasi Frobenius nilai singular positif atau tidak nol padakomponen diagonal matriks referensi dan matriks jawaban. Selanjutnya sistem penilaian essay otomatis metode LSA ini diaplikasikan pada software berbasis web dengan alasan bahwa perkembangan teknologi intemet telah membuat perbedaan jarak dan waktu menjadi seperti tidak berarti lagi, hal ini tentunya sangat efisien untuk program aplikasi seperti sistem penilaian essay otomatis ini karena yang diuji tidak harus ada di satu tempat dan waktu yang bersamaan, tetapi mereka bisa mengakses dari tempatnya masing-masing. Pada perancangannya sistem penilaian essay otomatis ini berupa algoritma yang terbagi menjadi beberapa bagian, diantaranya yaitu program utama, sub program, dan bagian program terperinci. Dan sistem penilaian essay otomatis ini diimplementasikan pada software berbasis web yang berintegrasi dengan web server sebagai media koneksi, database server sebagai media penyimpanan, dan software matematis sebagai tempat pemprosesan aljabar Singular Value Decomposition yang merupakan metode dari Latent Semantic Analysis atau LSA."

"Sistem penilaian yang dilakukan oleh penilai manusia untuk menilai jawaban essay dalam jumlah besar dirasakan kurang efisien. Hal ini disebabkan karena penilai manusia memiliki keterbatasan fisik yang tidak dapat dihindari. Jika hanya menggunakan satu orang penilai, memang obyektifitas terjaga, namun waktu pemeriksaan menjadi lama. Jika menggunakan banyak orang penilai, waktu dalam memeriksa menjadi cepat, namun obyektifitas tidak terjaga. Oleh karena itu, untuk meningkatkan efisiensi periu dibuat suatu sistem penilaian yang pemeriksaannya cepat dan obyektifitias tetap terjaga. Dalam skripsi ini dilakukan perancangan dan implementasi software penilaian essay otomatis dengan menggunakan salah satu metode penilaian essay otomatis yaitu Latent Semantic Analysis (LSA). Metode ini mengonversi kalimat ke dalam bentuk matriks untuk kemudian dilakukan perhitungan. Perhitungan dilakukan dengan menggunakan Singular Value Decomposition (SVD) dimana matriks didekomposisi menjadi tiga komponen matriks, yaitu dua matriks orthogonal dan satu matriks diagonal singular. Kemudian dilakukan reduksi terhadap matriks diagonal singular-nya sehingga menjadi berdimensi dua, dan transpose matriks untuk salah satu matriks orthogonalnya. Setelah itu dilakukan rekonstruksi matriks awal dengan cara mengalikan kembali tiga komponen matriks yang sudah diolah tersebut. Proses penilaian diambil dari perbandingan normalisasi Frobenius antara matriks jawaban dengan matriks referensi yang sudah direkonstruksi. Pada perancangannya, sistem penilaian essay otomatis ini berupa algoritma yang terbagi menjadi beberapa bagian, diantaranya yaitu program utama, sub program, dan bagian program terperinci diantaranya program konversi jawaban ke matriks, dan program perhitungan SVD. Agar dapat dikembangkan sehingga dapat digunakan melalui jaringan internet, program ini didesain dengan menggunakan aplikasi web. Implementasi dari sistem dilakukan pada sebuah komputer sekaligus merupakan server dan client. Agar sistem dapat berjalan dengan baik, maka diinstal beberapa program diantaranya Apache Server, MySQL Server, PHP, dan Matlab. Untuk menguji performa dari sistem aplikasi ini dilakukan beberapa pengujian. Pengujian dilakukan dengan tujuan untuk mengetahui bagaimana korelasi antara nilai jawaban mahasiswa yang dihasilkan dengan menggunakan metode LSA, dengan nilai jawaban mahasiswa yang dihasilkan oleh human rater. Dari pengujian didapatkan nilai korelasi antara penilaian otomatis yang menggunakan metode LSA dengan penilaian yang dilakukan oleh human rater ialah sebesar 0,86 - 0,96."

"Metode spektral Laplacian Eigenmaps Embedding (LEM) dapat memelihara kemiripan dokumen dengan baik dibandingkan dengan metode reduksi dimensi lainnya. Hal ini terlihat dari unjuk kerja sistem berbasis GLSALEM yang lebih baik jika dibandingkan dengan sistem lainnya pada percobaan. Peningkatan unjuk kerja tidak hanya ditunjukkan dengan berkurangnya rata-rata selisih nilai yang dihasilkan oleh sistem dengan nilai yang dihasilkan oleh human rater tetapi juga jumlah percobaan dimana GLSA-LEM menghasilkan nilai yang paling mendekati dengan nilai yang dihasilkan oleh human rater. Kekurangan dari implementasi metode LEM adalah bahwa LEM hanya dapat diterapkan pada matriks jawaban referensi dan mahasiswa dengan dimensi yang lebih besar atau sama dengan enam. Oleh karena itu jawaban referensi dan jawaban mahasiswa yang terlalu pendek tidak akan dapat diproses oleh LEM. Hal ini dapat ditanggulangi dengan mengimplementasikan batas minimal kata jawab pada sistem berbasis GLSA-LEM sehingga semua jawaban dapat diproses oleh LEM. Pada percobaan ini didapatkan rata-rata selisih antara nilai yang dihasilkan oleh sistem dengan nilai yang dihasilkan oleh human rater pada sistem berbasis LSA adalah 44,49; pada sistem berbasis GLSA adalah 23,41; dan pada sistem berbasis GLSA-LEM adalah 11,67.Hasil tersebut menunjukkan bahwa GLSA-LEM paling unggul karena menghasilkan rata-rata selisih yang paling kecil antara nilai yang dihasilkan oleh sistem dengan nilai yang dihasilkan oleh human rater. Hal ini didukung oleh jumlah percobaan dimana sistem berbasis GLSA-LEM bekerja paling baik yakni dari sejumlah 245 percobaan yang dapat diterapkan LEM didapatkan bahwa pada 82 percobaan sistem GLSA-LEM menghasilkan selisih nilai yang paling kecil dibandingkan dengan sistem GLSA yang unggul pada 40 percobaan dan sistem LSA yang unggul pada 10 percobaan saja. Dengan demikian hipotesis yang diajukan terbukti benar bahwa implementasi LEM pada sistem GLSA akan meningkatkan akurasi sistem. Selisih nilai yang lebih kecil menandakan sistem dapat menghasilkan nilai yang lebih mendekati nilai yang dihasilkan oleh human rater. Hal ini sesuai dengan tujuan dari sistem penilai esai otomatis yang diciptakan untuk menggantikan kerja human rater dimana nilai yang dihasilkan harus dapat mendekati nilai yang dihasilkan oleh human rater. Rata-rata waktu proses LSA adalah 0,164 detik, GLSA sebesar 0,521 detik, dan GLSA-LEM sebesar 4,982 detik.

---

Laplacian Eigenmaps Embedding preserve semantic proximity better than other dimension reduction methods. GLSA performance may be improved further by implementing LEM. Experiment conducted has shown that GLSA-LEM based system has outperform on this experiment. Performance improvement not only shown from average delta between the grades calculated using the system and the grades resulted from human rater but also the number of the tests that outperformed by GLSA-LEM. The disadvantage of LEM implementation is that LEM only can be applied to answer matrices with minimum dimension of six. Therefore answers that are too short may not be processed using LEM. This can be mitigated by implementing minimum threshold to the answers so it can't be submitted if less than required length. This experiment show that LSA average delta between grades resulted from the system and grades resulted from human rater is 44,49; GLSA?s average delta is 23,41 and GLSA-LEM?s average delta is 11,67.

These results show GLSA-LEM is the best because generate grades with the least average delta between the grades calculated using the system and the grades resulted from human rater. These results also supported by the number of essays from total of 245 essays that can be applied GLSA-LEM graded best with least delta by GLSA-LEM that is 82; compared to GLSA that is 40; and LSA that is 10. Therefore the hypotesis is proven to be correct that LEM implementation on GLSA based system improves system's accuracy. Least delta indicates system generate better grades that is closer to human rater. These results is in accordance with the purpose of automated essay grading system that created to replace human raters in which the grades resulted by the system should be close to the grade generated by human raters. LSA's average processing time is 0,164 seconds, GLSA's is 0,521 seconds, and GLSA-LEM?s is 4,982 seconds."

"Sistem Penilaian Esai Otomatis (Simple-O) telah dibuat menggunakan algoritma K-Means dan metode Latent Semantic Analysis (LSA). Jawaban karangan siswa pertama-tama akan diklasifikasikan ke dalam kelas-kelas sesuai dengan topik masing-masing nomor, dan akan memisahkannya dari jawaban siswa yang tidak sesuai konteks kemudian akan dilakukan proses LSA yang merepresentasikan kata ke dalam matriks, yang kemudian matriks direduksi menggunakan Singular Value Decomposition dan dilanjutkan dengan mencari norma frobenius yang merupakan nilai dari setiap soal. Pada penelitian ini dilakukan uji coba dengan menggunakan 4 skenario dan hasil penelitian SIMPLE-O menggunakan algoritma K-Means dan LSA menghasilkan akurasi rata-rata sebesar 74% yaitu hasil skenario pengujian 1

---

An Automatic Essay Assessment System (Simple-O) has been created using the K-Means algorithm and the Latent Semantic Analysis (LSA) method. Students' essay answers will first be classified into classes according to the topic of each number, and will separate them from student answers that do not fit the context then an LSA process will be carried out which represents the word into a matrix, which is then reduced by using Singular Value. Decomposition and continue by looking for the Frobenius norm which is the value of each question. In this study, trials were carried out using 4 scenarios and the results of the SIMPLE-O research using the K-Means and LSA algorithms produced an average accuracy of 74%, namely the results of the test scenario number 1."