Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Sistem penilaian ujian merupakan suatu mekanisme yang dapat digunakan untuk menentukan tingkat kemampuan siswa terhadap materi pembelajaran yang diberikan pada proses belajar mengajar. Bentuk soal esei (essay) adalah salah satu bentuk penilaian (grading). Dengan metode esei pilihan jawaban tidak disediakan dan siswa harus menjawab dengan kalimat. Jawaban esei dapat sangat bervariasi sesuai dengan pemikiran masing-masing peserta ujian. Latent Semantic Analysis (LSA) adalah suatu metoda yang memberikan penilaian yang cukup akurat seperti pada perangkat lunak Intelligent Essay Assessor (IEA) yang menggunakan teknik LSA dengan basis bahasa Inggris. Pada IEA ini didasarkan pada kinerja kesesuaian terhadap penilaian manusia (agreement with human rater) dengan rentang nilai kesesuaian 85 - 91. Kelebihan dari teknik LSA ini terdapat pada tidak mempertimbangkan struktur sintaksisnya, sehingga yang diolah adalah kata-kata atau kelompok kata dari sebuah kantong kata-kata tanpa memperhatikan urutan dari kalimat yang menggunakan kata-kata tersebut. Pada disertasi ini dibuat suatu sistem Penilaian Esei Otomatis yang disebut SIMPLE untuk ujian dalam versi bahasa Indonesia dengan menambahkan 3 fitur tambahan untuk meningkatkan kinerja dari metoda LSA ini, yaitu dengan memberikan bobot lebih pada kata-kata yang dianggap penting di antara kata kunci yang dipilih, dan memperhatikan persamaan kata serta urutan kata dalam kalimat. Ujicoba telah dilakukan pada SIMPLE dengan 2 tahapan, yaitu yang pertama adalah mernbandingkan sistem yang tanpa menggunakan bobot dengan sistem yang menggunakan bobot. Untuk ujicoba ini didapatkan kesesuaian dengan kisaran 82,56 % - 96,42 %. Sedangkan untuk ujicoba yang ke dua adalah dengan menerapkan SIMPLE pada ujian on-line siswa dan didapat hasil dari S0 ujicoba yang dilakukan, nilai kesesuaian dengan human rarers berkisar dari 69,80 % - 98,42 %.

Abstrak :
Sistem penilaian manual yang dilakukan manusia untuk memeriksa dan menilai jawaban ujian esei dalam skala besar dirasakan masih kurang efektif dan efisien. Oleh karena itu, perlu dibuat suatu sistem penilaian esei otomatis yang konsisten dan dilakukan secara terpusat sehingga dapat menghemat banyak waktu dan tenaga. Saat ini telah berkembang berbagai metode penilaian esei otomatis. Salah satu metode yang diterapkan adalah metode Latent Semantic Analysis (LSA). Penerapan ujian online dengan sistem penilaian esei otomatis LSA membutuhkan pengembangan fitur-fitur tertentu untuk mengoptimalkan kinerja sistem secara keseluruhan, diantaranya adalah penerapan fitur pendistribusian bahan ajar dengan modul pembelajaran dan fitur feedback evaluasi hasil ujian bagi mahasiswa. Fitur pendistribusian bahan ajar dengan modul pembelajaran memudahkan mahasiswa dalam mempelajari bahan ajar yang diberikan pengajar secara online. Setelah melakukan ujian, fitur feedback evaluasi hasil ujian berguna untuk mengukur kemampuan mahasiswa dalam hal penguasaan keseluruhan materi bahan ajar yang telah diberikan dosen selama proses pembelajaran. Beberapa pengujian dilakukan untuk mengetahui kinerja dari kedua fitur tersebut. Pada fitur pendistribusian bahan ajar dengan modul pembelajaran, pengujian dilakukan dengan menghitung waktu yang dibutuhkan untuk mengakses modul pembelajaran dengan variasi ukuran file modul. Melalui pengujian yang dilakukan, semakin besar ukuran file maka waktu yang dibutuhkan untuk mengakses modul akan semakin besar. Rata-rata kenaikan waktu yang dibutuhkan untuk mengakses modul pembelajaran dengan peningkatan tiap 50 KB dari ukuran file 50 - 1000 KB adalah sebesar 47,36 %. Sedangkan pada fitur feedback evaluasi hasil ujian bagi mahasiswa, pengujian dilakukan dengan menghitung waktu pengaksesan tampilan feedback dengan variasi jumlah jawaban ujian mahasiswa. Hasil pengujian menunjukkan bahwa semakin banyak jumlah jawaban ujian maka waktu yang dibutuhkan untuk mengakses tampilan feedback akan semakin besar. Rata-rata kenaikan waktu yang dibutuhkan untuk mengakses tampilan feedback dari 3 sampai 30 jawaban ujian mahasiswa adalah sebesar 1,95 %.

Abstrak :
ABSTRAK
Pada penelitian ini dilakukan penerapan Support Vector Machine dan LSA Metode tersebut dibahas dan dipelajari lebih lanjut untuk merancang Sistem Penilaian Esai Otomatis (Simple-O). Simple-O merupakan sistem yang saat ini dikembangkan oleh UI Jurusan Teknik Elektro yang bertujuan untuk menilai esai secara otomatis. Support Vector Machine, yang merupakan algoritma pembelajaran yang diawasi, dipelajari selanjutnya untuk meningkatkan tingkat akurasi dalam Simple-O bersama dengan metode LSA yang digunakan Bahasa pemrograman Python. Dari hasil tes rata-rata tertinggi skor akurasi yang diperoleh sistem sebesar 88.06% dengan masukan kalimat kanji, katakana, hiragana dan nilai TDM siswa jawaban yang mencerminkan frekuensi kemunculan kata kunci dalam dokumen.

---

ABSTRACT
In this study, the implementation of Support Vector Machine and LSA was carried out These methods are discussed and studied further to design an Essay Assessment System Automatic (Simple-O). Simple-O is a system currently being developed by the UI Department of Electrical Engineering which aims to assess essays automatically. Support Vector Machine, which is a supervised learning algorithm, is learned furthermore to increase the level of accuracy in Simple-O along with the LSA method used Python programming language. From the highest average test results the accuracy score obtained by the system is 88.06% with input the kanji, katakana, hiragana and TDM scores of the students answers that reflect the frequency with which keywords appear in the document.

Abstrak :
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.

Abstrak :
ABSTRAK
Memperoleh sebuah Academy Award telah menjadi indikator penting kesuksesan sebuah film di Hollywood. Acara ini juga berhasil menjadi acara penghargaan film terpopuler di ruang lingkup internasional. Makalah ini bertujuan untuk memahami signifikansi entailment dalam menyusun sebuah naskah yang efektif sesuai dengan standar Academy Award dengan menganalisis naskah pemenang Academic Award 2016, Moonlight. Makalah ini menggunakan model analisis Sa 39;adah 2014 , yang menyintesis empat tipe entailment dan dua urutan entailment, dam kemudian transkrip film digunakan untuk mendeteksi dan menganalisis tipe dan urutan entailment. Dalam enelitian ini, ditemukan bahwa naskah tersebut memperdayakan semua tipe entailment dengan frekuensi yang bervariasi. Di antara 58 utterance yang menggunakan entailment, One-way Entailment dan Background Entailment paling sering digunakan. Hasil penelitian mengindikasikan adanya konsistensi dalam penelitian-penelitian sebelumnya yang memperkuat hipotesis bahwa tipe dan urutan entailment jenis ini memiliki signifikansi tinggi dalam menyusun sebuah naskah film yang baik.

---

ABSTRACT
Receiving an Academy Award has become a significant indicator of a film 39 s success in Hollywood. The event also manages to become the most popular film awards internationally. This paper aims to understand the significance of entailments in constructing an effective screenplay based on the Academy Award standard by analyzing the script of the 2016 39 s Academy Award winner, Moonlight. This paper uses an analysis model by Sa 39 adah 2014 , which synthesized four types of entailment and two orders of entailment, and then the transcript of the film is used to detect and analyze the types and orders of entailment. This research found that the script utilizes all types of entailment in a varying degree. Among 58 utterances which are found using entailment, One way Entailment and Background Entailment are used the most. The result indicates a consistency in previous research which strengthen the hypothesis that these particular type and order of entailment has high significance in constructing a well developed film script.

Abstrak :
Evaluasi hasil belajar menjadi komponen yang sangat penting dalam proses pembelajaran, karena hasil evaluasi merupakan indikator dari pemahaman siswa terhadap materi yang ajar yang diberikan. Ujian dengan jawaban dalam bentuk essay (esei), umumnya digunakan sebagai salah satu bentuk evaluasi untuk menentukan kemampuan siswa, dimana pilihan jawaban tidak diberikan. Siswa harus menjawab dengan kalimat, sehingga jawaban tersebut dapat bervariasi berdasarkan pemikiran mereka. Salah satu kelemahan dari jawaban dalam bentuk esei adalah sulitnya menilai jawaban, dan cenderung memakan waktu. Saat ini grading esei otomatis, suatu cara yang dapat mempercepat penilaian esei, sedang banyak dikembangkan. Metode yang digunakan beraneka ragam, salah satunya adalah metode Latent Semantic Analysis (LSA). Metode LSA adalah metode untuk mengekstrak dan merepresentasikan kalimat dalam bentuk matematik atau statistik dari teks dengan jumlah kata yang relatif besar. Nilai dari jawaban esei diperhitungan, dengan mencocokkan ada atau tidak adanya kata yang dianggap penting, pada kelompok kata dalam matriks yang telah dipersiapkan oleh human rater (penilai manusia). Pada makalah ini diuraikan upaya penelitian dan pengembangan metoda LSA, yang dilengkapi dengan pembobotan kata, urutan kata dan persamaan kata untuk meningkatkan ketelitian penilaian esei. Sistim ini diberi nama SIMPLE. SIMPLE digunakan untuk menilai jawaban ujian dalam bahasa Indonesia. Ujian dilakukan secara on-line, melalui web. Dari hasil ujicoba yang telah dilakukan, pada kelas kecil diperoleh nilai kesesuaian dengan human raters berkisar 69.80 % ? 94.64 %, sedangkan pada kelas menengah diperoleh nilai berkisar 77.18 % ? 98.42 %. Hasil-hasil ini setara dengan hasil metoda grading otomatis LSA terdahulu, yang melakukan penilaian terhadap jawaban ujian dalam bahasa Inggris.

---

SIMPLE: System Automatic Essay Assessment for Indonesian Language Subject Examination. Evaluation of study of a student is a very important aspect of an educational process. Evaluation is aimed at measuring the level of student understanding of the given lecture materials. Measuring student understanding of the course material, using essay-type exam, is generally used as the evaluation tool. In this essay-type exam, the student has to answer questions using sentences, whereby choices of possible answers are not indicated. The student has to answer the questions with his/her sentences. The answers may vary, since it reflects the student?s best thoughts of the materials. One of the weaknesses of essay-type exam is the difficulty to grade the answers and it tends to be time consuming. Currently, automatic grading systems that may speed up the grading process, are being developed in many research institutions. The method used to grade, varies form one system to another, and one of the popular system is the Latent Semantic Analysis (LSA). LSA is a method of grading essay by extracting words and representing the sentence in the form of mathematical or statistical formulation, from a text with a relatively large number of words. The grade of the essay is determined, by matching the important words to a group of words prepared by the human rater. This paper describes an effort to developed LSA, enhanced with word weighting, word order and the word synonym to improve the accuracy of grading. This system is called SIMPLE. SIMPLE is used to grade answers using bahasa Indonesia. The exam is carried out on-line through the Web. From the experiments conducted, for small classes, the conformity of grade compared to the grade of human rater lies between 69.80 % ? 94.64 %, and for medium size classes the conformity lies between 77.18 % - 98.42 % with the human rater. These results are roughly proportional with the result of LSA system, which grade essay given in English.

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 :
Sistem penilaian menggunakan komputer yang telah banyak diaplikasikan sampai saat ini masih terbatas pada soal pilihan ganda. Sementara, kemampuan kognitif seorang pelajar penting untuk dinilai dari kemampuannya menjelaskan solusi dari suatu masalah yang dituangkan dalam esai. Pengembangan di bidang penilaian esai mulai banyak dilakukan dan menciptakan teknik-teknik seperti PEG (Project Essay Grader), E-Rater, dan LSA (Latent Semantic Analysis). Metode penilaian yang dipilih untuk mengembangkan sistem penilaian esai otomatis pada skripsi ini adalah LSA yang menyalin dan merepresentasikan kalimat dengan perhitungan matematis. Sistem berbasis LSA mengambil kata dan merepresentasikannya dalam bentuk matriks yang penilaiannya dilakukan dengan teknik aljabar SVD (Singular Value Decomposition). Sistem penilaian esai yang baik diharapkan memiliki fitur feedback yang bisa memberikan informasi pada pelajar mengenai ujian yang diikutinya. Skripsi ini membuat fitur pemberian feedback otomatis pada sistem penilaian esai untuk siswa, sebagai komponen penyempuma penilaian setelah melaksanakan ujian. Fitur ini sangat membantu memberi informasi kategori dan bab mana yang kurang dikuasai dari esai yang ditunjukkan oleh persentase nilai tiap kategori, terutama kategori dan bab yang nilainya paling rendah atau di bawah batas kelulusan. Total waktu yang dibutuhkan siswa untuk mendapatkan feedback secara otomatis (di bawah 1 detik) hanya sepersepuluh dari feedback-on-demand dan jauh lebih singkat lagi dibanding pemberian feedback secara langsung oleh pengajar. Kenaikan nilai yang bisa diharapkan dari pemberian feedback bisa mencapai lebih dari satu poin, misalnya dari B- (B minus) menjadi A- (A minus).

Abstrak :
Departemen Teknik Elektro Universitas Indonesia telah mengembangkan suatu sistem berbasis Latent Semantic Analysis (LSA) untuk mendeteksi plagiarisme pada karya tulis berbahasa Indonesia dan Inggris. Data keluaran sistem deteksi plagiarisme berbasis LSA adalah nilai frobenius norm, slice, dan pad. Pada skripsi ini akan menjelaskan serta memberikan analisis pada pengembangan sistem deteksi plagiarisme yang telah ada yaitu dengan menerapkan algoritma Support Vector Machine (SVM). Support Vector Machine (SVM) adalah suatu Learning Algoritm yang bertujuan untuk menemukan suatu hipotesis berupa bidang pemisah (hyperplan) terbaik dari sekumpulan data yang dapat dipisahkan secara linear maupun tidak linear. SVM akan memisahkan data hasil keluaran sistem deteksi plagiat bebasis LSA menjadi dua kelas yaitu "plagiat" dan "tidak plagiat" dengan menggunakan 2 metode yaitu kombinasi data input dan kombinasi data output dengan metode AND. Beberapa modifikasi terhadap imput program dilakukan diantaranya memvariasikan parameter-parameter pembelajaran dan memvariasikan data hasil keluaran program deteksi plagiarisme berbasis LSA. Hasil dari analisis serta pengujian yang telah dilakukan yaitu jika menggunakan parameter serta kombinasi data yang tepat, SVM mampu untuk meningkatkan akurasi sistem dari sistem yang menggunakan metode Learning Vector Quantization (LVQ) pada penelitian sebelumnya hingga menghasilkan akurasi sebesar 63,15% hal ini dilihat jika mempertimbangkan keseimbangan terhadap aspek presisi dan relevansi program sedangkan jika dilihat melalui presentase jumlah data yang berhasil diklasifikasikan dengan tepat, SVM mampu menghasilkan akurasi sebesar 97,04%.

---

Department of Electrical Engineering, University of Indonesia has developed a system based on Latent Semantic Analysis (LSA) to detect plagiarism between two paper written in different languages, which are Indonesian and English. The output data of plagiarism detection system are frobenius norm, slice, and pad. This thesis will explain and provide analysis of the development of plagiarism detection system that already exist by applying Support Vector Machine (SVM) algorithm. Support Vector Machine (SVM) is a Learning Algorithm that aims to find a best hypothetical form called hyperplan to separated a set of data that can be separated linearly and nonlinearly. SVM will separate output data of plagiarism detection system into two classes, "plagiat" class and "tidak plagiat" class by using two methods: combination of input data method and output data combined with AND method. Some modifications to input program are made, such as variating the parameters of learning and variating the output data of plagiarism detection program. The results of analysis and test that has been done are: if the system use correct parameters and correct combinations of the data, SVM is able to improve accuracy of the system from the last research that using Learning Vector Quantization (LVQ). The accuracy of SVM is 63,15% if considering the balance of precision and relevance of the program, while when viewed through a percentage of the amount of data that appropriately classified, the accuracy of SVM is 97.04%.

Abstrak :
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.