Hasil Pencarian  ::  Simpan CSV :: Kembali

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 :
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%.

Abstrak :
Aplikasi web Simple-O akan digunakan pada penelitian ini untuk diuji keamanan otentikasi menggunakan tambahan metode reCAPTCHA untuk masuk sebagai akun terdaftar pada Simple-O, serta melakukan serangan SQL injection, dimana penyerang bisa mengakses informasi yang seharusnya tidak bisa diakses karena penyerang tidak terotentikasi untuk masuk atau melakukan aksi tertentu. Pada pengujian, reCAPTCHA sudah berhasil diimplementasikan saat ingin masuk sebagai akun terdaftar, serta saat pengujian SQL injection, masih banyak metode dan laman yang rentan terhadap serangan ini. Setelah mengetahui cara kerja SQL injection, suatu mekanisme pengaman dari serangan ini diimplementasikan. Hasilnya adalah serangan SQL injection berhasil digagalkan.

---

In this research, Simple O will be used to be analyzed for its authentication security issues. This is done by adding a reCAPTCHA method when logging in, so only human users can log in. Other than reCAPTCHA, a SQL injection attack will be done through various methods to check if unauthenticated users can access information they rsquo re not supposed to. The result of the research shows that reCAPTCHA has been successfully implemented, and there are many SQL injection vulnerabilities. After analyzing how SQL injection works, a safety measure will be implemented. The final result is that the attack has been successfully nullified.

Abstrak :
Pada skripsi ini akan melakukan Analisis dan pengujian program perbaikan penulisan kalimat dengan menggunakan fungsi levenshtein distance yang diimplementasikan pada SIMPLE-O. Kesalahan pengetikkan dapat terjadi ketika kata yang diketik tidak memiliki struktur yang sama dengan kata yang sebenarnya. Fungsi levenshtein distance merupakan sebuah fungsi yang dapat digunakan untuk menilai kesamaan dari dua buah string. Dalam melakukan proses pengecekan kesamaan dua buah string, fungsi ini akan memeriksa kesamaan struktur huruf pada string pertama dan kedua. Fungsi levenshtein distcane akan melakukan beberapa tahapan proses ketika melakukan pemeriksaan kesamaan struktur yaitu, menghitung panjang kedua string yang akan diperiksa dan menentukan jumlah transposisi yang terjadi pada string kedua. Keefketifan program perbaikan kata pada skripsi ini adalah 92 dan dapat menaikkan akurasi sebesar 1.45.

---

This thesis will talk about the analysis and testing results of sentence correction program using Levenshtein distance function implemented in SIMPLE O. Levenshtein distance function is a function that can be used to find similarities from two strings. In finding similarities between the two strings, this function will find similarities in letter structure between both compared strings. The Levenshtein distance function will go through a few steps when finding similarities between compared structures by first counting the length of both strings, which will then be used to figure out the transposition in the second string. The efectiveness percentage of typing correction program is 92 and increase 1.45 the accuration of SIMPLE O.

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 :
Skripsi ini membahas mengenai pengembangan Sistem Penilaian Esai Otomatis (SIMPLE-O) yang dirancang dengan menerapkan Regularization pada model MLP(Multilayer Perceptron) untuk penilaian esai Bahasa Jepang. Sistem dirancang dengan menggunakan bahasa pemrograman Python. Penilaian otomatis oleh sistem dilakukan dengan cara membandingkan jawaban 43 mahasiswa dan kunci jawaban dari dosen yang telah diproses sebelumnya sedemikian rupa hingga berbentuk token. Jawaban mahasiswa dan dosen akan diproses menggunakan model MLP sehingga menghasilkan vector jawaban yang akhirnya akan dibandingkan menggunakan Manhattan Distance. Dari variasi model pada beberapa skenario yang diuji, model yang memiliki performa terbaik dari segi akurasi dan kekonsistenan tingkat akurasi terjadi pada model MLP yang menggunakan L1 Regularization dengan learning rate optimizer sebesar 0,00001 dan lambda 0,001. Model mendapatkan rata-rata nilai perbedaan antara nilai sistem dengan nilai asli sebesar 22,40% dan standar deviasi 11,54. ......This thesis discusses the development of an Automated Essay Scoring System (SIMPLE-O) designed by applying Regularization to the MLP (Multilayer Perceptron) model for Japanese Language essay scoring. System is developed using the Python programming language. Automatic assessment by the system is carried out by comparing the answers of 43 students and the answer keys from lecturers who have been processed previously in such a way that they are in the form of tokens. Student and lecturer answers will be processed using the MLP model, resulting in an answer vector that will eventually be compared using Manhattan Distance. From the model variations on some of the scenarios tested, model that has the best performance in terms of accuracy and consistency occurs in MLP models that use L1 Regularization with a optimizer learning rate of 0.00001 and lambda of 0.001. The model obtains an average value of the difference between the system value and the original value of 22.40% and a standard deviation of 11.54.

Abstrak :
Melalui penelitian dan penulisan ini, program Sistem Penilaian Esai Otomatis (SIMPLE-O) dikembangkan untuk penilaian esai berbahasa Indonesia menggunakan algoritma hybrid CNN dan Bidirectional GRU dengan metrik Manhattan Distance dan Cosine Similarity. CNN digunakan untuk melakukan ekstraksi fitur dari masukan teks. Bidirectional GRU digunakan untuk menangkap makna atau konteks teks dari dua arah. Pengembangan program ini menggunakan bahasa pemrograman Python untuk proses deep learning. Hasil rata-rata selisih penelitian ini adalah 15.04 untuk model metrik Manhattan Distance dan 22.02 untuk model Cosine Similarity. ...... Through this research and writing, the Automatic Essay Scoring System (SIMPLE-O) program was developed for evaluating essays in the Indonesian language using a hybrid CNN and Bidirectional GRU algorithm with Manhattan Distance and Cosine Similarity metrics. CNN is employed to extract features from the input text, while Bidirectional GRU captures the meaning or context of the text from both directions. The development of this program utilizes the Python programming language for deep learning processes. The average differences results of this research is 15.04 for the Manhattan Distance metric model and 22.02 for the Cosine Similarity model.

Abstrak :
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%.

Abstrak :
Sistem Penilaian Esai Otomatis (SIMPLE-O) dikembangkan oleh Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia untuk ujian bahasa Indonesia. Skripsi ini akan membahas mengenai pengembangan SIMPLE-O untuk penilaian ujian bahasa Indonesia menggunakan metode Gated Recurrent Unit (GRU) dan bahasa pemrograman Python. Terdapat dua dokumen yang akan menjadi input, yaitu jawaban esai dari peserta ujian dan jawaban referensi dari penguji. Kedua jawaban diproses dengan layer GRU yang sama. Selanjutnya, kemiripan antara keduanya dihitung dengan fungsi persamaan. Rata-rata nilai akurasi yang didapatkan adalah 98.84 untuk fase training dan 86.82 untuk validasi

---

The Automatic Essay Assessment System (SIMPLE-O) was developed by the Department of Electrical Engineering, Faculty of Engineering, University of Indonesia for the Indonesian language test. This thesis will discuss the development of SIMPLE-O for the assessment of Indonesian language tests using the Gated Recurrent Unit (GRU) method and the Python programming language. There are two documents that will be input, essay answers from examinees and answer answers from examiners. Both answers are processed with the same GRU layer. Next, the similarity between the two is calculated by the similarity function. The average accuracy value obtained was 98.84 for the training phase and 86.82 for validation

Abstrak :
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.