Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
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.

Abstrak :
Skripsi ini membahas penerapan Convolutional Neural Network dalam merancang Sistem Penilaian Esai Otomatis (SIMPLE-O) Berbentuk Gambar. Sistem Penilaian Esai Otomatis (SIMPLE-O) Berbentuk Gambar merupakan perkembangan dari Sistem Penilaian Esai Otomatis atau Simple-O yang telah dikembangkan sebelumnya oleh Departemen Teknik Elektro UI. Tujuan dari dikembangkannya Sistem Penilaian Esai Otomatis (SIMPLE-O) Berbentuk Gambar ini agar dapat menilai sebuah gambar secara otomatis sehingga dapat mempercepat proses penilaian. Rancangan yang dibuat dalam penelitian ini akan memanfaatkan machine learning untuk memprediksi nilai dari gambar yang diuji. Pembelajaran akan dilakukan dengan menggunakan dataset yang memiliki label mulai dari nilai "1" sampai "10". Untuk mendapatkan informasi fitur dari gambar, digunakan algoritma Convolutional Neural Network dimana Neural network ini termasuk ke dalam algoritma Deep Learning. Pada sistem ini sebagian besar bahasa pemrograman yang digunakan adalah Python.

---

This thesis discusses the implementation of Convolutional Neural Network in designing an automated essay grading system in which the essay answer is in the form of an image. This automated essay grading system is based on the Department of Electrical Engineering in University of Indonesia's research called Simple-O. The purpose of this automated essay grading system to be developed is that the images can be graded automatically and accordingly so it will make the grading process more efficient. The design made in this proposal will utilize machine learning to predict the grade for the images inputted. The learning process will be done using a labeled data set from grade "1" to "10". Feature extraction process will be done using Convolutional Neural Network, which is considered a deep learning algorithm. This system will be programmed in Python.

Abstrak :
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.

Abstrak :
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.

Abstrak :
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.

Abstrak :
ABSTRAK
Algoritma Winnowing merupakan algoritma dengan sifat character-based, dimana algoritma tersebut menggunakan fingerprint dalam mendeteksi tingkat kesamaan antar teks. Skripsi ini membahas mengenai penerapan dan pengembangan sistem penilai esai otomatis berbasis algoritma winnowing, serta metode-metode untuk mengukur tingkat kesamaan fingerprint. Pengujian beberapa pendekatan metode dilakukan untuk meningkatkan tingkat akurasi dari sistem. Pendekatan metode tersebut adalah dengan metode cosine similarity, jaccard index, dan dice similarity. Implementasi dari algoritma winnowing berhasil meningkatkan akurasi sistem. Peningkatan akurasi ini diukur dengan membandingkan SIMPLE-O berbasis winnowing dengan SIMPLE-O yang telah dikembangkan sebelumnya yaitu berbasis LSA Latent Semantic Analysis .

---

ABSTRACT
Winnowing algorithm is a character based algorithm. Winnowing used fingerprint to detect the similarity between texts. This thesis discusses the application and the development of automated essay grading SIMPLE O based on winnowing algorithm, as well as methods to measure the similarity between fingerprints. Several text similarity approaches have been tested to improve the accuracy of the system. In term of text similarity, cosine similarity, jaccard index, and dice similarity are used to measure the similarity between texts. Stemming and Synonym Recognition also implemented in this system. Winnowing algorithm has improved the accuracy of the system. The accuracy was measured by comparing SIMPLE O winnowing based with SIMPLE O LSA Latent Semantic Analysis based.

Abstrak :
Pada skripsi ini dikembangkan sistem dengan basis bahasa pemrograman Java untuk menilai esai dalam bahasa Indonesia menggunakan algoritma yang lebih efisien dan optimal. Algoritma ini terdiri dari 4 tahap. Pertama adalah Latent Semantic Analysis (LSA) yang digunakan untuk memperoleh dan menyimpulkan hubungan kontekstual dari arti kata suatu teks. Kedua, Single Value Decomposition SVD untuk memperoleh variasi penyebaran dari hubungan tersebut. SVD mengidentifikasi dimana variasi muncul paling banyak, sehingga memungkinkan untuk mencari pendekatan yang terbaik pada data asli menggunakan dimensi yang lebih kecil. Ketiga, Latent Semantic Indexing LSI yaitu metode pengindeksan dan pengambilan untuk mengidentifikasi pola didalam hubungan antara term dan konsep yang dimiliki didalam koleksi teks yang tidak terstruktur sehingga memperoleh vektor yang merepresentasi teks tersebut. Terakhir, Cosine Similarity Measurement CSM untuk memperoleh nilai kemiripan antara teks dengan dokumen referensi. Untuk mengatasi permasalahan tata bahasa dan kosa kata pada esai, dalam karya ini diajukan teknik koreksi otomatis untuk memeriksa kata dalam pustaka kata untuk penyetaraan kata dengan arti yang serupa ataupun kata yang tidak memiliki arti spesifik. Kemudian, algoritma jarak Jaro-Winkler digunakan untuk memeriksa kesalahan kata yang disebabkan secara tidak sengaja. Dengan jarak Jaro-Winkler, kita dapat menentukan apakah 2 buah kata dapat dikatakan serupa. Hal ini sangat penting saat memeriksa dokumen yang berisi kesalahan penulisan, karena dapat mempengaruhi hasil LSA. Dengan sistem ini, nilai yang diperoleh serupa dengan nilai berdasarkan human-rater. Dengan pustaka kata yang terdiri dari 116 kata sinonim dan 2014 kata tugas, akurasi yang dihasilkan adalah 85.082 13.423.

---

In this thesis, a Java based system for grading essays in Indonesian language using a more efficient and optimal algorithm is developed. This algorithm consisted of 4 stage. The first stage is Latent Semantic Analysis LSA , which is used to obtain and conclude the contextual relation of words meaning in a text. The second stage uses Single Value Decomposition SVD to obtain scatter variance from the relations. SVD identifies where variances appear at most, therefore is enabled to find the best approach to the original data using reduced dimensions. The third stage is Latent Semantic Indexing LSI which is an indexing and retrieval method to identifies patterns in relation between terms and concepts contained in unstructured text collection and results with a vector representing the text. The last stage is Cosine Similarity Measurement CSM to obtain similarity value from the text and answer document. To resolve problems stemmed from grammar and vocabulary, in this work we propose an auto correction technique to check a word from word library for equalization of word with same or no specific meaning. Then, Jaro Winkler distance algorithm is used to check word errors caused by accident when typing. With the distance, we can determine whether two strings of word are similar. This is extremely important when scanning text with typos, as it will affect the result from LSA. Using this system, the value obtained is similar to the value obtained from human rater. With word library consisting of 116 words for synonym check and 204 function words, the resulting accuracy is 85.082 13.423.

Abstrak :
Pada skripsi ini telah dirancang penambahan algoritma menggunakan sistem Support Vector Machine atau SVM untuk meningkatkan akurasi sistem Simple-O yang berbasis LSA. Akurasi dari sistem Simple-O saat ini masing kurang mendekati nilai penilaian manusia. Simple-O merupakan suatu sistem penilaian ujian esai menggunakan algortima Latent Sematic Analysis yang dikembangkan oleh Departemen Teknik Elektro Universitas Indonesia. Untuk menjalankan algoritma SVM atau Support Vector Machine digunakan input yang berupa nilai slice ,pad, dan fnorm yang didapatkan dari hasil keluaran sistem Simple-O. SVM akan membagi klasifikasi nilai hasil keluaran Simple-O menjadi enam kelas dan menjadi dua kelas. SVM menghasilkan akurasi 45,8 untuk klasifikasi nilai tipe enam kelas dan 90,4 untuk klasifikasi tipe dua kelas. ......In this thesis, an addition of new algorithm using Support Vector Machine has been designed to increanse the accuracy of Sistem Penilaian Esai Otomatis Simple O based on Lantent Sematic Analysis. The accuracy of Simple O is less accurate if compared to the value of human rater. Simple O it self is an application to grade an essay writing exam using Latent Sematic Analysis algorithm that has been developed in Departement of Electrical Engineering Universitas Indonesia. SVM or Suppor Vector Machine used the output of Simple O system, slice, pad and fnorm, as inputs. SVM will divide output data from Simple O system into six class and two class. The accuracy of SVM is 45,8 for six class classification and 90,4 for two class classification.

Abstrak :
ABSTRACT
Algoritma winnowing merupakan algoritma yang berbasiskan fingerprint untuk mendeteksi tingkat kemiripan teks. Penelitian ini akan membahas pengembangan sistem penilai otomatis SIMPLE-O yang dikembangkan Departemen Teknik Elektro berbasis algoritma winnowing dan diterapkan untuk bahasa Jepang. Pada input bahasa Jepang diterapkan proses romanisasi untu mengubah karakter ke bentuk romaji. Penelitian dilakukan untuk mencari parameter terbaik dengan nilai akurasi atau agreement with human rater tertinggi. Dari hasil percobaan diketahui jika parameter untuk tiap-tiap input disesuaikan, secara keseluruhan sistem dapat memiliki rata-rata akurasi nilai total seluruh data hingga 90.92 dengan akurasi nilai total perpeserta ujian dapat mencapai 99.91 dan akurasi perjawaban untuk tiap peserta ujian berkisar dari 60.19 hingga 100.

---

ABSTRACT
Winnowing Algorithm is a fingerprint based algorithm for detecting similarity between texts. This research will talk about the development and application of automatic essay grading system SIMPLE O, developed by Department of Electrical Engineering with winnowing algorithm for Japanese language. On the Japanese language input, romanization is implemented to change the input to romaji. The purpose of this research is to find the best parameter with the highest accuracy or agreement with human rater. The result of the conducted experiment shows that with customized parameter for each input, the average of total score for all students is 90.92 with accuracy for each student is up to 99.91 and accuracy for each problem ranged from 60.19 to 100.