Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam suatu ujian, terutama di tingkat universitas, terdapat berbagai macam bentuk soal yang harus dikerjakan oleh mahasiswa. Salah satu bentuk yang banyak digunakan adalah ujian berupa esai. Namun ketika jawaban sudah terkumpul, terdapat kendala yang dihadapi oleh dosen, yaitu melakukan penilaian esai yang banyak memakan waktu dan tenaga. Oleh karena itu, dikembangkanlah suatu sistem untuk membantu pekerjaan dosen tersebut.Simple O merupakan sistem yang dikembangkan di Departemen Teknik Elektro Universitas Indonesia. Mulai dikembangkan pada tahun 2007, Simple O merupakan suatu sistem yang dapat melakukan penilaian terhadap perkerjaan mahasiswa yang bersifat esai. Tujuan dari diciptakannya sistem ini adalah untuk membantu dosen dalam melakukan penilaian terhadap ujian yang telah dilakukan mahasiswa.Simple O menggunakan algoritma Latent Semantic Analysis (LSA) ketika pertama kali dikembangkan. Kemudian sistem tersebut dikembangkan hingga menjadi algoritma Generalized Latent Semantic Analysis (GLSA) dan pada akhirnya dikembangkan algoritma Hybrid.

---

On some tests, especially in university, there are lots of types of questions that must be done by the students. One of them is essay. But when the answers are collected, there is a problem that is faced by the lecturer, the amount of time and energy that need to use by them. Because of that, people developped a system that can help the lecturer.

Simple O is a system that is developped in Electrical Engineering Department, University of Indonesia. The development was started in 2007, and it is a system that can grade the work of the students, in the form of essay. The purpose of the invention of this system is to help the lecturer in giving grades to the tests that have been done by the students.

Simple O uses LSA algorithm when the first time of its development. Then the system has been developped into Generalized Latent Semantic Analysis (GLSA) and finally it becomes Hybrid algorithm."

"Skripsi ini membahas tentang perbandingan dua algoritma untuk sistem penilaian esai otomatis (Simple-O), yaitu generalized latent semantic analysis (GLSA) laplacian eigenmaps embedding (LEM) dan hybrid indexing. Kedua algoritma tersebut dibandingkan untuk mengetahui cara kerja kedua algoritma tersebut, kecepatan proses, dan hasil penilaiannya. Perbandingan cara kerja dilakukan dengan membandingkan pseudocode dari masing-masing algoritma. Kecepatan proses dihitung untuk mengetahui algoritma yang lebih cepat dalam menilai esai.Algoritma GLSA hybrid indexing merupakan pengembangan dari algoritma LEM. Perbedaan mendasar dari kedua algoritma tersebut adalah pada perlakuan kata benda dan kata-kata selain kata benda. Penelitian ini menggunakan sampel delapan soal yang dikerjakan oleh 48 mahasiswa (384 data). Dari hasil penelitian, GLSA LEM memiliki total waktu proses 46.51454 detik lebih cepat dari GLSA hybrid indexing. Sedangkan rata-rata waktu proses GLSA LEM dan GLSA hybrid indexing untuk menilai satu jawaban adalah 6-6.6 detik. Hasil penilaian dari GLSA LEM dan GLSA hybrid indexing memiliki tingkat kemiripan tertinggi 95,83% dan terendah 16,67%. Dari percobaan sebanyak delapan soal, lima diantaranya memiliki tingkat kemiripan lebih dari 83,33%.

---

This thesis discusses the comparison between two algorithms which used in automated essay grading system (Simple-O). The two algorithms are generalized latent semantic analysis (GLSA) embedding laplacian eigenmaps (LEM) and hybrid indexing. Both algorithms are compared to determine how the algorithms works, processing time, and the scores. Pseudocode can be used to determine how the algorithms are working, The processing time is calculated to find out which algorithm is faster in assessing essays.

GLSA hybrid indexing algorithm is a development from GLSA LEM. The fundamental difference of the two algorithms is in the treatment of a subset of nouns and words other than nouns. This research using samples of eight questions which filled by 48 students (384 data). From the research, GLSA LEM has a total processing time of 46.51454 seconds faster than GLSA hybrid indexing. While the average processing time GLSA LEM and hybrid GLSA indexing to grade the answer is 6 to 6.6 seconds. GLSA LEM and GLSA hybrid indexing grades have the highest similarity level of 95.83% and 16.67% for the lowest similarity level. From the eight questions, five questions have similarity level more than 83.33%."

"Kebutuhan akan pengujian dengan sistem esai semakin meningkat karena memungkinkan pengolahan pendapat dari dua pihak, yang di uji dan penguji. Namun proses pemeriksaan esai merupakan satu proses yang banyak menyita dana, tenaga, dan waktu. Karena itu, diperlukan sistem otomatis yang dapat memberikan penilaian esai. Simple-O merupakan sistem penilaian esai otomatis yang dikembangkan di Departemen Teknik Elektro Universitas Indonesia. Tujuan dikembangkannya sistem ini adalah untuk membantu dosen dalam melakukan penilaian terhadap ujian yang telah dilakukan oleh mahasiswa. Sejak dikembangkan pada tahun 2007, Simple-O telah mengalami beberapa perbaikan, baik dari sisi penilaian maupun penyiapan jawaban masukan. Simple-O berbasis Generalized Latent Semantic Analysis (GLSA) dengan menggunakan Hybrid Document Indexing dikembangkan sebagai salah satu perbaikan di sisi penilaian demi meningkatkan korelasi hasil penilaian Simple-O dengan hasil penilaian dosen. Hasil penelitian penulis menunjukkan hasil terbaik didapat dengan menggunakan kata non-benda dan benda sebagai jawaban referensi dengan concatenate horizontal yang diaplikasikan ke gabungan matriks representasi kata benda dan matriks representasi kata non-benda.

---

The need for essay based test is increasing because it allows the utilization of both teacher's and student's answer. But the essay examination process is a process that takes up a lot of funds, manpower, and time. Therefore, we need an automatic system that can provide essay examination process.

Simple-O is an Automated Essay Grading (AEG) system developed on Department of Electrical Engineering, University of Indonesia. The purpose of this system development is to assist faculty in assessing the test has been done by the student.

Since its development in 2007, Simple-O has undergone several improvements, both in terms of assessment and preparation of input answers. Simple-O Based On Generalized Latent Semantic Analysis (GLSA) With Hybrid Document Indexing developed as one of the improvements in the assessment in order to enhance the correlation between Simple-O assessment results and faculty assessment results.

The results of the study conducted by the author showed that the best results obtained by using the combination between non-nouns and nouns as reference answer, with horizontal concatenate applied to the combination of nouns representation matrix and non-nouns representation matrix."

"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."

"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."

"Sistem persamaan kata merupakan suatu algoritma yang dapat digunakan pada sistem penilaian esai secara otomatis yang dapat berfungsi dengan untuk membandingkan kata memiliki makna yang sama (sinonim) sehingga akan diberi bobot yang sama. Hal ini telah dibuktikan dari percobaan dimana SIMPLE-O berbasis GLSA yang ditambahkan sistem persamaan kata dalam kalimat mengungguli sistem yang sama tanpa adanya penambahan persamaan kata. Dari 6 soal yang diujicobakan dengan 5 sampel pada dua soal dummy dan 30 sampel pada sisa 4 soal percobaan dengan membandingkan nilai selish hasil penilaian sistem terhadap persamaan kata GLSA dengan persamaan kata unggul sebanyak 5 kali atau sebesar 83,33% dibandingkan dua basis algoritma lainnya yaitu LSA dan GLSA tanpa sistem persamaan kata.

---

Word similiarity detection system is an algorithm that can be used on automatic essay grader to compare word to another of which have similar meaning (synonim) so that can be given the equal value. With this algorithm the word with significant meaning on the text can be detected an the word which have the different terms but have the same meaning from the answer. Experiment conducted has shown that word similiarity algorithm which has embedded to SIMPLE-O based on GLSA outperform the GLSA without word similiarity in term of the accuracy.

From 6 questions data conducted, GLSA with word similiarity outperform the other algorithm which are LSA and GLSA without word similiarity process 5 times or equal to 83,33%. The result from the average delta of the value is also proven that the word similiarity algorithm is have better performance than the other. Word similiarity algorithm proven to increase the accuracy of essay grader for text in Bahasa Indonesia."

"Representasi dokumen sebagai vektor GLSA pada beberapa percobaan seperti uji sinonim, klasifikasi dokumen, dan clustering terbukti mampu menghasilkan tingkat akurasi yang lebih baik daripada sistem sejenis yang berbasis algoritma LSA akan tetapi GLSA belum pernah diujikan pada sistem penilai esay otomatis. Percobaan ini meneliti pengaruh implementasi GLSA pada sistem penilai esay otomatis dan perbandingan unjuk kerjanya dengan sistem penilai esay otomatis berbasis LSA. Unjuk kerja sistem penilai esai otomatis berbasis GLSA lebih unggul daripada sistem berbasis LSA. Dari 60 kali pengujian, GLSA menghasilkan nilai yang lebih akurat pada 47 kali pengujian atau 78,3% total pengujian sedangkan LSA hanya unggul pada 9 kali pengujian atau 15% total pengujian dan sisanya 4 kali pengujian atau 6,7% total pengujian menghasilkan nilai dengan tingkat akurasi yang sama. Nilai Pearson Product Moment Correlation pada percobaan menggunakan sistem LSA 0.57775-0.85868 sedangkan pada GLSA sebesar 0.73335-0.76971. Hal ini mengindikasikan bahwa sistem berbasis LSA dan GLSA yang diujikan layak pakai karena memiliki performa yang sama baiknya dengan performa yang dilakukan oleh manusia. Ditinjau dari waktu proses yang dibutuhkan, LSA unggul pada soal 1 dan 2 dengan rataan 0,07466 detik dan 0,2935 detik sedangkan pada GLSA rataan waktu proses soal 1 dan 2 sebesar 1,32329 detik dan 17,3641 detik. Waktu proses yang dibutuhkan sistem penilai esai otomatis berbasis GLSA lebih lama dibandingkan dengan LSA. Akan tetapi karena GLSA menunjukkan kinerja yang amat baik, amat dipercaya bahwa manfaatnya lebih besar daripada biaya komputasi.

---

Document representation as GLSA vectors were shown to improve performance on different tasks such as synonymy test, document classification, and clustering compared to LSA based systems, however GLSA performance has never been tested on automated essay grading system. This experiment examines the effect of GLSA implementation on automated essay grading system and evaluates its performance compared to LSA based system. GLSA performance was shown to outperform LSA based automated essay grading system. From 60 samples, GLSA outperform LSA 47 times (78,3%), LSA outperform GLSA 9 times (15%), and 4 times (6,7%) resulted the same score accuracy. Pearson Product Moment Correlation Value resulted from the experiment using LSA based system is 0.57775-0.85868 and 0.73335-0.76971 for GLSA based system. This result incidates LSA and GLSA based system used on this experiment are ready to be used as human rater replacement because both of the system deliver similar performance with human rater. Processing time of LSA based system is faster with average processing time consecutively 0,07466 second and 0,2935 second compared to GLSA consecutively 1,32329 second and 17,3641 second. GLSA requires more processing time than LSA based system because GLSA based system has more calculation steps than LSA. However GLSA showed better performance, therefore it's believed that its benefits outweigh the computational cost."

"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 penilai otomatis SIMPLE-O untuk bahasa Jepang telah diteliti selama beberapa tahun belakangan. Namun, penilaian yang dilakukan belum mencakup nilai morfologis, padahal morfologi merupakan hal yang penting dalam ujian sastra. Penelitian ini melakukan clustering pada 215 jawaban mahasiswa dan mengelompokkannya ke 6 cluster berdasarkan topiknya. Berdasarkan hasil, didapatkan bahwa K-means clustering mengelompokkan dengan lebih baik dibanding hierarchical agglomerative clustering (HAC), terutama dengan penambahan Romanisasi. K-means clustering dengan Romansasi menunjukkan 96.5% precision dan 96% recall, sementara HAC memiliki 95% precision dan 93.7% recall. Pada proses penilaian, jawaban dinilai pertopik atau nomor soal dan dicari rasio antara nilai yang didapat dari LSA dengan nilai morfologi dengan akurasi tertinggi. LSA memiliki rata-rata akurasi 79.92%. Penambahan analisis morfologi pada nilai akhir mendapatkan akurasi tertinggi sebesar 78.77% dengan bobot 10% nilai morfologi dan 90% nilai LSA.

---

The research on automated grading system SIMPLE-O for Japanese language has been done for a few years. However, in the grading system, there is still no means to grade the morphological component even though it is an important part of language test. This research groups 215 student answers to 6 cluster according to the topics. According to the results, K-means clustering performs better than hierarchical agglomerative clustering (HAC) especially with Romanization. K-means clustering with Romanization shows 96.5% precision and 96% recall while HAC has 95% precision and 93.7% recall. For the grading prosess, the answers will be scored by its topic or question number and the ratio between similarity measurement score and morphological score with the highest accuracy will be selected. LSA has the average accuracy of 79.92%. With the addition of morphological analysis on the final score, the highest average accuracy of 78.77% is selected with the ratio of 10% morphological score and 90% LSA score."

"Penelitian ini mengembangkan dan menganalisa sistem pendeteksi plagiarisme dua bahasa berbasis Latent Semantic Analysis untuk karya tulis berbahasa Indonesia dan referensi berbahasa Inggris. Sistem pendeteksi plagiarisme menggunakan algoritma backpropagation neural network untuk melakukan klasifikasi pasangan karya tulis berbahasa Indonesia dan Inggris yang sudah dinilai tingkatan plagiarismenya secara manual. Sistem dapat memperoleh klasifikasi akurasi F-measure sampai dengan 92.75. Hasil percobaan menunjukkan bahwa akurasi tertinggi dapat diperoleh jika menggunakan metode term frequency binary dalam penghitungan jumlah kata dan penggunaan frobenius norm, vector angle slice, dan vector angle pad sebagai pilihan fitur untuk masukan backpropagation neural network.

---

This research aims to develop and analyse dual language plagiarism detection system based on Latent Semantic Analysis for papers with Indonesian language and reference text with English language. The plagiarism detection system uses backpropagation neural network algorithm to classify pairs of Indonesian and English papers which plagiarism levels has been graded manually. The system has reached classification accuracy using F measure metric up to 92.75.

Experiment results show that the highest accuracy obtained when using term frequency binary method in counting frequency of words and using frobenius norm, vector angle slice, and vector angle pad features for backpropagtion neural network input."