Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas tentang integrasi ILIAS dengan SIMPLE-O untuk mendukung penerapan situs e-learning yang sudah mulai berkembang pesat di dunia ini. Dengan adanya e-learning maka masyarakat akan semakin mudah untuk memperoleh pendidikan karena tidak lagi dibatasi oleh waktu dan tempat. ILIAS merupakan Learning Management System (LMS) yang memiliki peranan sebagai sistem aplikasi e-learning dimana pada LMS ini mampu untuk memvirtualisasi proses pembelajaran, manajemen kelas, penyimpanan materi, sistem ujian, sistem penilaian dan segala hal yang berhubungan dengan manajemen belajar mengajar. Untuk sistem penilaian ujian pada e-learning ini dapat dilakukan dua cara, yaitu secara manual ataupun otomatis. Untuk ujian pilihan ganda, tentu bukanlah hal yang sulit untuk memeriksanya secara otomatis. Beda halnya dengan ujian essay yang membutuhkan algoritma tertentu sehingga penilaian secara otomatis bisa mendekati penilaian secara manual. SIMPLE-O merupakan aplikasi ujian essay online yang menggunakan metode Latent Semantic Analysis (LSA) untuk menentukan tingkat kebenaran dari jawaban mahasiswa sesuai dengan jawaban referensi. Pengintegrasian ILIAS dengan SIMPLE-O ini dikarenakan proses penilaian essay online pada ILIAS hanya dicocokan melalui kata-kata kunci saja, sehingga tidak dapat diandalkan keabsahannya. Proses penilaian esai otomatis dengan menggunakan SIMPLE-O ini tidaklah terlalu cepat. Perlu diperhatikan spesifikasi hardware pada server sehingga penghitungan SIMPLE-O dapat berjalan dengan cepat.

---

This undergraduate thesis discusses about integration of ILIAS with SIMPLE-O to support the implementation of e-learning site that has grown rapidly in this world. With e-learning, community will be easier to obtain education because it is no longer limited by time and place. ILIAS is a Learning Management System (LMS) that has a role as a e-learning system which is able to accomodate virtual classroom, management, materials storage, system test, and all things related to the study management. Essay grading on e-learning can be done by two ways, manually or automatically. Multiple choices test is not difficult to check automatically. It is different with essay test that requires a specific algorithm to score automatically so that the score is approaching manual scoring. SIMPLE-O is an essay exam application online using the method of Latent Semantic Analysis (LSA) to determine the level of the student's answers according to the reference answers. Integration SIMPLE-O with ILIAS is important because ILIAS poorness in scoring essay automatically. The way SIMPLE-O analyzes the answer and then give its score is not fast. It depends on the hardware that use in the server. So, the server must have a high specification to shorten its calculation time."

"Skripsi ini membahas mengenai pengembangan Sistem Penilaian Esai Otomatis (SIMPLE-O) yang dirancang dengan menggunakan hybrid CNN dan Bi-LSTM dan Manhattan Distance untuk penilaian esai Bahasa Jepang. Sistem dirancang dengan menggunakan bahasa pemrograman Python. Sistem melalui tahapan pre-processing, feature extraction dan word embedding yang dilanjutkan dengan proses deep learning serta pengukuran dengan menggunakan manhattan distance. Hasil akhir dari sistem dibandingkan dengan penilaian manual oleh dosen. Model yang paling stabil dan terbaik ditraining dengan menggunakan hyperparameter dengan kernel sizes bernilai 5, jumlah filter atau output CNN sebesar 64, pool size sebesar 4, Bidirectional LSTM units 50, batch size sebesar 64. Model deep learning ditraining dengan menggunakan optimizer Adam dengan learning rate 0,001 , epoch sebanyak 25 dan menggunakan regularizer L1 sebesar 0,01. Rata-rata error yang diperoleh adalah 29%

---

This thesis discusses the development of an Automatic Essay Grading System (SIMPLE-O) designed using hybrid CNN and Bidirectional LSTM and Manhattan Distance for Japanese essay grading. The system is designed using Python programming language. The system goes through the stages of pre-processing, feature extraction and word embedding followed by deep learning process and measurement using Manhattan Distance. The final result of the system is compared with manual assessment by lecturers. The most stable and best model is trained using hyperparameters with kernel sizes of 5, number of filters or CNN outputs of 64, pool size of 4, Bidirectional LSTM units of 50, batch size of 64. The deep learning model is trained using the Adam optimizer with a learning rate of 0.001, epoch of 25 and using an L1 regularizer of 0.01. The average error obtained is 29%.

"

"Departemen Teknik Elektro Universitas Indonesia sejak tahun 2007 telah mengembangkan sistem penilaian esai otomatis yang dinamakan dengan Simple-O. Simple-O menggunakan metode Latent Semantic Analysis LSA untuk membandingkan dua esai dengan cara mengekstrak esai tersebut menjadi matriks. Pengembangan sebelumnya dari Simple-O adalah penambahan Learning Vector Quantization LVQ yang merupakan metode dari artificial neural network. Skripsi ini akan membahas serta memberikan analisis terkait pengaruh penambahan fungsi persamaan kata pada sistem penilaian esai otomatis Simple-O terhadap akurasi dari program itu sendiri. Untuk melihat pengaruh penambahan fungsi persamaan kata pada sistem penilaian esai otomatis Simple-O ini, maka dilakukan lima skenario berbeda. Skenario tersebut adalah dengan memvariasikan jumlah keywords yang ada pada esai jawaban menjadi sejumlah 100, 80, 60, dan 20 mendekati jumlah keywords jawaban referensi. Dari hasil pengujian yang telah dilakukan, terdapat skenario yang mengalami penurunan akurasi dan kenaikan akurasi. Jika disimpulkan, rata-rata akurasi program Simple-O setelah penambahan fungsi persamaan kata mengalami peningkatan. Namun, peningkatan rata-rata akurasi yang terjadi tidak terlalu signifikan, peningkatan rata-rata akurasi yang terjadi setelah penambahan fungsi persamaan kata adalah sebesar 5.4 dari 90.9 menjadi 96.3.

---

Department of Electrical Engineering Universitas Indonesia has developed an automatic essay grading system called Simple O since 2007. Simple O uses the Latent Semantic Analysis LSA method to compare two essays by extracting the essay into matrix. The previous development of Simple O is the addition of Learning Vector Quantization LVQ which is a method of artificial neural network. This research will discuss and provide analysis related to the effect of adding word similarity function to the automatic essay grading system Simple O to the accuracy of the system itself. The experiment will be conducted with five different scenarios by varying the number of keywords in the students answer essay to 100, 80, 60, 40, and 20 of the reference essay keywords. According to the result, there are scenarios that has decreased and increased in accuracy. The average accuracy of the Simple O system after the addition of word similarity function has increased, though not significant. The average increase in accuracy after the addition of word similarity function is 5.4 from 90.9 to 96.3."

"Simple-O merupakan sebuah sistem penilaian esai otomatis (essay grading) yang meggunakan metode Latent Semantic Analysis (LSA). Prinsip kerja sistem ini adalah dengan melakukan konversi jawaban ke dalam bentuk matriks yang kemudian secara statistik dan matematis dihitung intensitas atau frekuensi keberadaan kata. Metode LSA mengaplikasikan teori Singular Value Decomposition (SVD), yaitu teknik yang digunakan untuk melakukan estimasi terhadap rank dan matriks. Melalui SVD akan dilakukan peleburan atau reduksi dari matriks berukuran besar menjadi matriks kecil. Kemiripian antara kalimat dihitung dengan melakukan penghitungan nilai kosinus dari sudut atau membandingkan norma sudut Frobenius antara dua vector. Pada skripsi ini, ditambahkan program pengenalan kata frasa dan negasi dari sistem Simple-O sebelumnya yang kemudian dibandingkan dengan penilaian secara manual (human raters). Untuk menghitung nilai korelasi antar sistem dan human raters, maka digunakan teknik penghitung korelasi Pearson Product Moment. Nilai korelasi yang didapatkan antara sistem baru dan manual adalah 0.53155.

---

Simple-O is an automated essay scoring system (essay grading) that applies Latent Semantic Analysis (LSA) method. The working principle of this system is by converting the answers into the form of a matrix which is then statistically and mathematically calculated the intensity or frequency of the existence of the word. LSA method applying Singular Value Decomposition theory (SVD), which is a technique used to estimate the rank and matrix. SVD will be done through reduction of a large matrix into smaller matrices. The similarity between the sentence is calculated by calculating the value of the cosine of the angle or comparing Frobenius angles norm between two vectors. In this paper, the program added phrases and negation words identification of Simple-O system and will be compared with Original Simple-O and human raters. To calculate the value of the correlation between the system and human raters, we used the technique Pearson Product Moment. Correlation values obtained between the new system and the manual at about 0.53155"

"Skripsi ini membahas mengenai pengembangan sistem ujian lisan Bahasa Jepang yang dirancang dengan mengintegrasikan automatic speech recognition dengan sistem penilaian esai otomatis. Sistem yang dikembangkan menggunakan arsitektur client-server. Client merupakan aplikasi yang dikembangkan menggunakan cross-platform framework Flutter dan dapat dijalankan pada platform web maupun Android. Back-end server pada cloud dibangun menggunakan bahasa pemrograman Python dengan database PostgreSQL serta memanfaatkan teknologi kontainerisasi dengan Docker. Sistem speech recognition yang digunakan adalah DeepSpeech dengan model di-training untuk dapat mengubah pengucapan dalam bahasa Jepang menjadi teks dengan huruf hiragana. Model yang dihasilkan memiliki rata-rata WER sebesar 20,6%. Sistem plenilaian esai otomatis yang digunakan adalah SIMPLE-O dengan metode LSA. Uji coba dilaksanakan secara online pada 36 responden dengan tingkat kefamiliaran terhadap bahasa Jepang yang bervariasi. Hasil uji coba mendapatkan nilai rata-rata sebesar 49,62 dari nilai maksimum sebesar 100. Akurasi sistem penilaian ujian lisan bahasa Jepang ini didefinisikan sebagai nilai rata-rata hasil uji coba, dibagi dengan akurasi speech recognition, yaitu sebesar 62,5%.

---

This thesis discusses about the development of a Japanese language verbal exam system designed by integrating automatic speech recognition with an automatic essay scoring system. The system developed uses a client-server architecture. The client is an application developed using the cross-platform framework Flutter and can be run on the web or Android platforms. Back-end servers in the cloud are built using the Python programming language with the PostgreSQL database and utilize containerization technology with Docker. The speech recognition system used is DeepSpeech with a training model to be able to convert Japanese pronunciation into text using hiragana letters. The resulting model has an average WER of 20.6%. The automatic essay scoring system used is SIMPLE-O with the LSA method. The trial was carried out online with 36 respondents with different levels of familiarity with Japanese language. The test results obtained an average score of 49.62 out of a maximum score of 100. The accuracy of the Japanese verbal exam scoring system is defined as the average value of the test results, divided by the accuracy of speech recognition, which is equal to 62.5%."

"Pada skripsi ini telah dilakukan pengujian variasi kata kunci dalam jawaban mahasiswa yang mempengaruhi keakuratan nilai dari penggunaan program SIMPLE-O. Dengan adanya jawaban mahasiswa dalam berbagai variasi maka dapat dilihat pengaruh kata kunci dalam proses penilaian sistem. Kata kunci merupakan kumpulan kata-kata yang dipilih dari jawaban dimana kata-kata tersebut yang mempunyai nilai. Selain itu, terdapat kata bobot yang merupakan kumpulan dari kata kunci yang mempunyai bobot nilai lebih tinggi. Semakin banyak kata kunci yang dimasukkan, maka semakin besar keakuratan nilai pada sistem. Terdapat enam skenario yang digunakan sebagai bahan analisis.Korelasi waktu penggunaan sistem saat program dimasukkan ke dalam cloud computing berbeda dengan penggunaan sistem saja. Waktu proses penilaian yang dihasilkan oleh sistem lebih cepat dibandingkan waktu proses penilaian saat sistem berada dimasukkan ke dalam cloud computing. Nilai korelasi yang baik adalah nilai korelasi yang mendekati satu. Waktu korelasi yang paling baik pada pengujian skenario pada sistem sebesar 0.97. Sedangkan nilai korelasi pada pengujian skenario pada sistem sebesar 0.22.

---

In this thesis will discuss some keyword variation affects the accuracy of the students in the program use SIMPLE-O. With the variety of answer?s student in large amounts it can be seen how keywords in the process of the assessment system. Keywords is a collection of selected words from the answers which those words that has a value. In addition, there is the word weight is a collection of keywords that have a higher weight value. Increasingly many keywords entered, the greater accuracy in the system. There are six scenarios used for analysis.

Correlation time when using system in cloud computing has different than using simply system. Time processing in system make a better value than using simply system in cloud computing. Correlation value has a good value when the correlation closed with one. Correlation time in scenario system is 0.97. Whereas correltion value in scenario system is 0.22."

"Tingginya tingkat kompleksitas program menyebabkan program memiliki waktu eksekusi yang lama jikalau tidak dijalankan pada mesin berkomputasi tinggi. Masalah ini dapat diatasi salah satunya dengan cara menjalankan berbagai proses pada program tersebut secara simultan sehingga program dapat semakin cepat tereksekusi. Metode ini dikenal dengan istilah parallel computing. Untuk lebih mempercepat waktu eksekusi program, parallel computing tersebut dapat diimplementasikan pada arsitektur High Performance Computing HPC. Metode parallel computing dalam HPC tersebut diimplementasikan ke dalam program Sistem Penilaian Esai Otomatis Simple-O. Simple-O merupakan program penilai esai otomatis yang merupakan pengembangan dari Departemen Teknik Elektro. Dengan menerapkan parallel computing dan menjalankan program pada HPC, eksekusi yang dibutuhkan untuk memeriksa jawaban esai dapat semakin cepat. Parallel computing atau parallelism akan diterapkan pada salah satu bagian dari Simple-O yaitu pada algoritma pembelajaran dalam Simple-O, lebih tepatnya pada Self Organizing Map SOM atau Learning Vector Quantization LVQ. Parallelism dalam SOM dan LVQ diterapkan dengan metode network partition dimana node komputasi Euclidean distance dilakukan secara parallel. Pada penelitian ini didapatkan bahwa kecepatan program serial 1,28 kali lebih cepat dibandingkan program parallel.

---

The escalation of program complexity nowadays means slower run time when it is not executed in high performance machine. One way to address this issue is to execute the processes in the program simultaneously so the program may be executed quicker, known as parallel computing. To further accelerate the program parallel computing can be implemented in High Performance Computing HPC architecture. This method of applicating parallel computing with HPC is implemented in Automatic Essay Grading System, known as Simple O. Simple O is an automatic essay grading system developed by Department of Electrical Engineering Universitas Indonesia. The purpose of applicating the aforementioned method to Simple O is to accelerate the speed of essay grading execution. Parallel computing will be implemented to one of Simple O rsquo s part of program, which is in the learning algorithm. The learning algorithm applied in Simple O is Self Organizing Map SOM and Learning Vector Quantization LVQ. The implementation of parallelism in the learning algorithm uses network partition method, where the calculation of Euclidean distance is done in parallel. Through this research, it can be concluded that the the speed of serial program is 1.28 times quicker than the parallelized program."

"Departemen Teknik Elektro Universitas Indonesia telah mengembangkan suatu sistem berbasis Latent Semantic Analysis LSA untuk memberikan penilaian secara objektif terhadap esai berbahasa Indonesia. Data keluaran sistem penilaian esai otomatis, Simple-O, berbasis LSA adalah nilai slice, nilai pad, dan nilai esai tersebut. Skripsi ini akan membahas serta memberikan analisis terkait pengaruh penambahan persamaan kata pada sistem penilaian esai otomatis terhadap keakuratan penilaian. Terdapat nilai pad dan slice yang digunakan untuk melihat kemiripan antara teks jawaban mahasiswa dengan teks jawaban referensi. Selain itu, nilai pad dan slice juga akan digunakan sebagai input untuk algoritma Support Vector Machine SVM . Untuk melihat pengaruh penambahan persamaan kata pada database sistem penilaian esai otomatis, Simple-O, maka dilakukan enam skenario pengujian terhadap penggunaan persamaan kata untuk kata kunci. Dalam hal ini, kata kunci merupakan kumpulan kata-kata yang dipilih dari jawaban dimana kata-kata tersebut yang mempunyai nilai. Masing-masing skenario memiliki lima variasi jawaban dengan persentase penggunaan persamaan kata pada kata kunci yang berbeda-beda, mulai dari 100 , 80 , 60 , 40 , 20 , dan 0 . Terdapat tiga nilai yang dianalisis untuk melihat tingkat akurasi penilaian oleh sistem penilaian esai otomatis, Simple-O, yakni nilai esai, nilai pad, dan nilai slice. Hasil dari pengujian dan analisis yang telah dilaksanakan adalah: peningkatan rata-rata akurasi penilaian program Simple-O setelah mengalami penambahan persamaan kata sebesar 18 dari 72 menjadi 90 , rata-rata koefisien korelasi antara penilaian oleh human rater dan program Simple-O bernilai 0.85, serta penurunan rata-rata perolehan nilai pad senilai 1.51 dari 32.35 menjadi 30.84 dan nilai slice senilai 1.01 dari 31.85 menjadi 30.84, sehingga mengindikasikan adanya peningkatan akurasi penilaian oleh program Simple-O setelah mengalami penambahan persamaan kata pada database sistem penilaian esai otomatis, Simple-O.

---

Department of Electrical Engineering, University of Indonesia has developed a system based on Latent Semantic Analysis LSA to provide objective assessment of an essay in Bahasa Indonesia. The output data of automated essay grading system with LSA algorithm, Simple O, are pad value, slice value, and the essay rsquo s scores. This thesis will discuss and provide analysis of the influence of synonym importation in automated essay grading system over assessment accuracy. There are pad and slice values, which are used to observe the similarity between students rsquo answers in essay and the reference answers in essay as well. In addition, pad and slice values will also be used as input for Support Vector Machine SVM algorithm. To see the influence and difference of adding word equations into the database of automated essay grading system, Simple O, six testing scenarios are tested against the use of word equations for keywords. In this case, keyword is a collection of selected words from the answers which those words that has a value. Each of the scenario has five answer variations with different percentage of word equations usage on keywords, ranging from 100 , 80 , 60 , 40 , 20 , and 0 . There are three values to be analyzed to see the assessment accuracy level by automated essay grading system, Simple O, they are essay 39 s score, pad values, and slice values. The results of analysis and test that has been done is the average of assessment accuracy of Simple O program after adding word equations increases 18 , from 72 to 90 , the average of correlation coefficient between assessment by human rater and Simple O program is worth 0.85, also the average value of pad decreases 1.51, from 32.35 to 30.84, and the average value of slice decreases 1.01, from 31.85 to 30.84, thus it indicates an improvement of assessment accuracy level results by Simple O program after adding word equations to the database of automated essay grading system, Simple O."

"Skripsi ini membahas mengenai pengembangan Sistem Penilaian Esai Otomatis (SIMPLE-O) untuk ujian esai berbahasa Indonesia. Sistem ini dirancang dengan menggunakan Stacked Bidirectional LSTM dan menggunakan dua jenis similarity measurement, yaitu Manhattan Distance dan Cosine Similarity, untuk mencari model dengan performa paling optimal dan selisih terbaik dari tiap jenis similarity measurement. Sistem ini menggunakan bahasa pemrograman Python, dan terdiri atas tahap preprocessing, word embedding, training menggunakan deep learning, testing, dan similarity measure untuk menghitung kemiripan antar kata pada input. Input yang digunakan pada sistem ini adalah jawaban dosen sebagai kunci jawaban dan jawaban mahasiswa. Fase training menggunakan data augmentasi dan fase testing menggunakan jawaban mahasiswa asli. Pengujian sistem ini dilakukan dengan menggunakan 7 jenis skenario. Dengan hasil selisih akhir dari model untuk fase training dan testing pada Manhattan Distance sebesar 1.871 dan 7.808, dan Cosine Similarity sebesar 2.31 dan 7.635.

---

This thesis discusses the development of an Automated Essay Scoring System (SIMPLE-O) for Indonesian-language essay exams. This system is designed using Stacked Bidirectional LSTM and uses two types of similarity measurement, which are Manhattan Distance and Cosine Similarity, to find the model with the most optimal performance and the best difference from each type of similarity measurement. The system uses Python programming language, and the system's stages consist of preprocessing, word embedding, training using deep learning, testing, and similarity measuring to calculate the similarity between words on the input. The inputs used in this system are lecturers' answers as answer keys and students' answers. The training phase uses augmented data, and the testing phase uses original student answers. To test this system uses 7 types of scenarios. The final difference results of the model for the training and testing phases are 1.871 and 7.808 on Manhattan Distance and 2.31 and 7.635 on Cosine Similarity."

"Di Universitas Indonesia, tengah dikembangkan sebuah sistem penilaian esai secara otomatis berbasis web yang bernama SIMPLE-O. Sistem ini masih memilik beberapa kekurangan, yang salah satunya adalah ketidakmampuan sistem untuk mendeteksi kalimat negasi. Skripsi ini merancang dan kemudian menguji modul tambahan yang dapat mendeteksi kalimat negasi pada sistem SIMPLE-O. Modul tambahan tersebut mendeteksi kata negasi (“tidak” dan “bukan”) kemudian menggabungkannya dengan kata yang akan dinegasikan dengan kata hubung (-). Bila kata kunci atau kata bobot yang dinegasikan, maka nilai user tidak akan bertambah. Program-program yang diujikan adalah program SIMPLE-O yang asli, program yang dapat mendeteksi negasi dengan input yang dipecah per 10 kata (Program Deteksi Negasi 1), dan program yang dapat mendeteksi negasi dengan input yang dipecah per kalimat (Program Deteksi Negasi 2). Nilai hasil proses program-program tersebut dibandingkan dengan nilai dari human rater. Dari analisis yang dilakukan didapatkan kesimpulan bahwa program deteksi negasi dapat diimplementasikan ke dalam sistem SIMPLE-O. Selain itu, program negasi yang paling baik untuk diimplementasikan adalah Program Deteksi Negasi 2.

---

In Universitas Indonesia, a web based automatic essay grading system named SIMPLE-O is currently being developed. This system still has some deficiencies, one of them is system’s inability to detect negation sentences. This essay devises and then tests additional module that can detect negation sentences in SIMPLE-O system. This additional module detects negation words (“tidak” and “bukan”), then combines them with words that will be negated with dash (-). If it’s keywords or weighted words that are negated, user’s score will not increase. The programs that are tested are real SIMPLE-O program, program that can detect negation with input being separated by 10 words (Negation Detection Program 1), and program that can detect negation with input being separated by a sentence (Negation Detection Program 2). Those scores of programs’ process result is compared with human rater scores. From the analysis that has been done, it can be concluded that negation detection program can be implemented into SIMPLE-O’s system. Beside that, the best negation program that can be implemented into SIMPLE-O’s system is Negation Detection Program 2."